Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Datos Comercio Int
Datos Comercio Int
Empleado Jornada
Básico nocturno transporte
CAJAS DE
INT/CESANTIA
COMPENSAC PRIMA CESANTIAS VACACIONES SENA
S
ION
$ 33,125 $ 69,010 $ 69,010 $ 690 $ 34,505 $ 24,843
$ 33,125 $ 69,010 $ 69,010 $ 690 $ 34,505 $ 24,843
$ 33,125 $ 69,010 $ 69,010 $ 690 $ 34,505 $ 24,843
$ 100,000 $ 208,333 $ 208,333 $ 2,083 $ 104,167 $ 75,000
$ 33,125 $ 69,010 $ 69,010 $ 690 $ 34,505 $ 24,843
$ 16,562 $ - $ 1,421,328
$ 16,562 $ - $ 1,421,328
$ 16,562 $ - $ 1,421,328
$ 50,000 $ - $ 3,997,917
$ 16,562 $ - $ 1,421,328
$ 16,562 $ - $ -
$ 1,421,328
$ 16,562 $ - $ - $ 1,421,328
$ 16,562 $ - $ - $ 1,421,328
$ 16,562 $ - $ - $ 1,421,328
$ 16,562 $ - $ - $ 1,421,328
$ 50,000 $ - $ - $ 3,997,917
$ 16,562 $ - $ - $ 1,421,328
$ 16,562 $ - $ - $ 1,421,328
$ 50,000 $ - $ - $ 3,997,917
$ 16,562 $ - $ - $ 1,421,328
$ 16,562 $ - $ - $ 1,421,328
$ 16,562 $ - $ - $ 1,421,328
$ 16,562 $ - $ - $ 1,421,328
$ 50,000 $ - $ - $ 3,997,917
$ 16,562 $ - $ - $ 1,421,328
$ 16,562 $ - $ - $ 1,421,328
$ 16,562 $ - $ - $ 1,421,328
$ 50,000 $ - $ - $ 3,997,917
$ 300,000 $ - $ - $ 23,987,500
$ 160,000 $ - $ - $ 12,793,333
$ 20,000 $ - $ - $ 1,696,199
$ 20,000 $ - $ - $ 1,696,199
TOTAL $ 85,746,709
costos fijos mensuales
Agua $ 5,000,000
Luz $ 2,000,000
Gas $ 500,000
MATERIALES DIRECTOS
ESQUEJES $ 40,443,608
CAJAS $ 30,500,000
QUÍMICOS $ 10,000,000
CAPUCHON $ 5,000,000
MANO DE OBRA DIRECTA
OPERARIO SIEMBRA 1 $ 1,421,328
OPERARIO SIEMBRA 2 $ 1,421,328
OPERARIO SIEMBRA 3 $ 1,421,328
FERTELIZADOR $ 1,421,328
RECEPCIONISTA POSTCOSECHA
$ 1,421,328
CLASIFICADOR FLORES 1 $ 1,421,328
CLASIFICADOR FLORES 2 $ 1,421,328
CLASIFICADOR FLORES 3 $ 1,421,328
CORTADOR EN GUILLOTINA $ 1,421,328
OPERARIO TRATAMIENTO FLOR 1 $ 1,421,328
OPERARIO TRATAMIENTO FLOR 2 $ 1,421,328
EMPACADOR FLOR EN CAJA 1 $ 1,421,328
EMPACADOR FLOR EN CAJA 2 $ 1,421,328
EMPACADOR FLOR EN CAJA 3 $ 1,421,328
EMPACADOR FLOR EN CAJA 4 $ 1,421,328
DESPACHADOR DE LA FLOR 1 $ 1,421,328
DESPACHADOR DE LA FLOR 2 $ 1,421,328
DESPACHADOR DE LA FLOR 3 $ 1,421,328
Costo de Venta
Margen de utilidad
Punto de Equilibrio
$ 85,943,608
$ 25,583,904
$ 65,162,816
$ 176,690,328
$ 1,534
$ 2,058
3643.5
Peso
Nomenclatura del
Largo (cm) Ancho (cm) Alto (cm) empaque
tamaño
(gr)
21 13,420
21 13,600
21 13,350
21 13,230
Enero $ 396,150,926
Febrero $ 413,147,288
Marzo $ 406,456,459
Abril $ 398,209,091
Mayo $ 403,478,241
Junio $ 402,105,053
2013
Julio $ 415,406,063
Agosto $ 416,691,914
Septiembre $ 407,572,563
Octubre $ 416,293,185
Noviembre $ 399,029,590
Diciembre $ 418,457,885
Enero $ 405,258,147
Febrero $ 429,614,888
Marzo $ 416,171,882
Abril $ 426,828,897
Mayo $ 414,648,751
Junio $ 412,651,827
2014
Julio $ 418,860,764
Agosto $ 425,428,109
Septiembre $ 439,146,737
Octubre $ 416,176,719
Noviembre $ 437,235,183
Diciembre $ 439,665,221
Enero $ 487,521,456
Febrero $ 501,479,058
Marzo $ 550,435,695
Abril $ 527,244,451
Mayo $ 531,495,450
Junio $ 553,228,605
2015
Julio $ 546,057,204 790000000
Agosto $ 513,043,521
Septiembre $ 544,234,961 740000000
490000000
740000000
690000000
Miilones de pesos
640000000
590000000
540000000
490000000
440000000
390000000
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57
Miilon 540000000
490000000
440000000
390000000
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57
Meses
LAVELES 2013 - 2018
1 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71
1 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71
396150926
413147288
406456459
398209091
403478241
402105053
415406063
416691914
407572563
416293185
399029590
418457885
405258147
429614888
416171882
426828897
414648751
412651827
418860764
425428109
439146737
416176719
437235183
439665221
487521456
501479058
550435695
527244451
531495450
553228605
546057204
513043521
544234961
526253488
513023546
584754210
592025412
595230934
595281958
626791212
599698505
597723821
604262239
618415615
608616906
625001715
621197367
632589647
685974200
697091368
738477585
736584262
750433207
690578103
691396361
723043129
694170434
745973732
724846002
763258957
752365214
763406789
777079770
795300640
795869565
764771213
787496160
793225453
760915512
758802076
765241598
801254001
Aditivo de Holt-Winter
Resumen Estadístico
El análisis se llevó a cabo con alfa = 0,7393, beta = 0,0304, gamma = 0,2866, y es
Cuando existe estacionalidad y tendencia, los modelos más avanzados requieren descomponer los datos en sus elementos base o comp
de tendencia (b) ponderado por el parámetro Beta; y un componente de estacionalidad (S) ponderado por el parámetro Gamma. Existen
de Holt-Winter y el método multiplicativo de estacionalidad de Holt-Winter. En el modelo aditivo de Holt-Winter, el nivel base para el caso
el pronóstico ajustado. Se utiliza cuando la serie tiene un patrón estacional constante.
La prueba que mejor se ajusta para el pronóstico del promedio móvil simple es la media de la raíz cuadrada de los errores al cuadrado (
desviación al cuadrado promedio de los valores ajustados contra los datos actuales.
El Error Cuadrático Medio (MSE - Mead Squared Error) es una medida de error absoluto que ajusta los errores (la diferencia entre lo
modelo) para prevenir que los errores positivos y negativos se cancelen entre sí. Esta medida también tiende a exagerar errores
cuadrándolos, lo cual puede ayudar cuando se comparan diferentes modelos de series de tiempo. El Error de la Media al Cuadrado (
también conocida como función de perdida cuadrática. El RMSE puede definirse como el promedio de los valores absolutos de los er
pronóstico es proporcional al tamaño absoluto del error del pronóstico. El RMSE se utiliza como un criterio de selección para el mejor aju
El Porcentaje de la Media del Error Absoluto (MAPE - Mean Absolute Percentage Error ) es una medida estadística de error relativo
apropiado cuando el costo de los errores del pronóstico tiene una relación más cercana al porcentaje del error que a un valor numérico d
la cual mide la credibilidad del pronóstico del modelo. Es decir, si la estadística de la U de Theil es menor a 1.0, entonces el método u
mejor que adivinar.
los datos en sus elementos base o componentes: un nivel base (L) ponderado por el parámetro Alfa, un componente
erado por el parámetro Gamma. Existen varios métodos pero los dos más comunes son el aditivo de estacionalidad
e Holt-Winter, el nivel base para el caso, la estacionalidad y las tendencias se añaden al mismo tiempo para obtener
íz cuadrada de los errores al cuadrado (RMSE - Root Mean Squared Error). La RMSE calcula la raíz cuadrada de la
ajusta los errores (la diferencia entre los datos históricos y los datos del pronóstico ajustados pronosticados por el
da también tiende a exagerar errores grandes ponderándolos con mayor importancia que los errores pequeños,
mpo. El Error de la Media al Cuadrado (RMSE) es la raíz cuadrada del MSE y es la medida más popular de error,
edio de los valores absolutos de los errores del pronóstico y es muy apropiado cuando el costo de los errores del
un criterio de selección para el mejor ajuste de modelos de series de tiempo.
una medida estadística de error relativo, como un porcentaje promedio del error de los datos históricos y es más
ntaje del error que a un valor numérico de error. Finalmente, una medida asociada es la estadística de la U de Theil,
l es menor a 1.0, entonces el método utilizado para el pronóstico proporciona un estimado que es estadísticamente
AUTO-ARIMA (Modelos Autorregresivos Integrados
17.4952 17.6335
egresivos Integrados de Medias Móviles)
Estadísticas de la Regresión
R-Cuadrado (Coeficiente de Determinación) 0.1866 Criterio de Información Akaike (AIC)
R-Cuadrado Ajustado 0.1723 Criterio Schwarz (SC)
R-Múltiple (Coeficiente de Correlación Múltiple) 0.4320 Logaritmo de Probabilidad
Error Estándar Estimado (EEy*) 1980.90 Estadístico Durbin-Watson (DW)
Número de Observaciones 59 Número de Iteraciones
Los Modelos Autorregresivos Integrados de Medias Móviles o ARIMA(p,d,q) son la extensión del modelo AR que utiliza los tres compone
de series de tiempo. El primer componente es el término autorregresivo (AR). El modelo AR(p) utiliza un número p de regazos de la serie
1)+...+a(p)*y(t-p)+e(t). El segundo componente es el termino del orden de integración (d) de la serie. Cada orden de integración correspo
debe se diferenciada para hacerse estacionaria. I(1) significa diferenciar los datos una vez. I(d) significa diferencia los datos d veces. E
móvil. El modelo MA(q) utiliza q rezagos de los errores del pronóstico para mejorar este proceso. Un modelo MA(q) tiene la forma: y(t)
modelo ARMA(p,q) tiene la forma combinada: y(t)=a(1)*y(t-1)+...+a(p)*y(t-p)+e(t)+b(1)*e(t-1)+...+b(q)*e(t-q).
El R-Cuadrado, o el Coeficiente de Determinación, indica el porcentaje de variación en la variable dependiente que puede explicarse y co
análisis de regresión. Sin embargo, en una regresión múltiple, el R-Cuadrado Ajustado toma en cuenta la existencia de variables inde
valor de esta R-Cuadrado para una perspectiva más exacta del poder explicativo de la regresión. Sin embargo, bajo algunas circun
modelos con no convergencia), el R-Cuadrado tiende a ser no confiable.
El Coeficiente de Correlación Múltiple (R-Múltiple) mide la correlación entre la verdadera variable dependiente (Y) y el estimado o ajuste
correlación también es la raíz cuadrada del Coeficiente de Determinación (R-Cuadrado).
El Error Estándar Estimado (Sey*) describe la dispersión del conjunto de datos por encima y por debajo de la línea de regresión o plano
para obtener el intervalo de confianza de las estimaciones posteriores.
Los criterios de información AIC (Akaike) y SC (Schwarz) son utilizados generalmente en la selección del modelo de regresión. SC
adicionales. Generalmente el usuario debe seleccionar un modelo con el valor más bajo de los criterios AIC y SC.
El estadístico Durbin-Watson mide la correlación serial en los residuales. Por lo general, DW menores a 2 implican una correlación serial
Resultados de la Regresión
Intercepto AR(1)
Coeficientes 3590.2207 0.4359
Error Estandar 793.3818 0.1206
Estadístico t 4.5252 3.6159
P-Value 0.0000 0.0006
Menor a 5% 4916.7779 0.6375
Mayor a 95% 2263.6634 0.2343
Los coeficientes proporcionan el intercepto y la pendiente de la regresión estimada. Por ejemplo, los coeficientes son estimacio
representados en la siguiente ecuación de regresión Y = b0 + b1X1 + b2X2 + ... + bnXn. El Error Estándar mide que tan exactos son los
t es la razón entre el valor correspondiente al coeficiente estimado y su respectivo Error Estándar.
El estadístico t se utiliza en la prueba de hipótesis, donde se establece la hipótesis nula (Ho) de manera que el coeficiente sea cero, y la
manera que el verdadero valor del coeficiente no sea igual a cero. Una prueba t se lleva a cabo cuando el estadístico t se compara co
Residual. La prueba t es muy importante ya que calcula si cada uno de los coeficientes es estadísticamente significativo en presencia de
comprueba estadísticamente cuando un regresor o una variable independiente debe continuar en la regresión o de lo contrario, debe des
El coeficiente es estadísticamente significativo si su estadístico t excede el estadístico crítico en los grados de libertad relevantes
utilizados para medir la significancia son 90%, 95% y 99%. Si un estadístico t del coeficiente excede el nivel crítico, se le considera estad
- Value calcula cada probabilidad de ocurrencia del estadístico t, lo que significa que entre más pequeño sea el P - Value, más significa
significancia para el P - Value son 0.01, 0.05, y 0.10, que corresponden a 99%, 95%, y 90% de los niveles de confianza respectivamente
Los coeficientes con sus P - Value resaltados en azul indican que son estadísticamente significativos al 90% de confianza o 0.10 en nive
indican que no son estadísticamente significativos en cualquier otro nivel alfa.
Análisis de Varianza
Suma del
Suma de Estadístico
Promedio de Valor P
Cuadrados F
Cuadrados Prueba de Hipótesis
Regresión 42464464.52 42464464.52 13.07 0.0000 Estadístico F Crítico (99% confianza con
Residual 185125377.15 3247813.63 Estadístico F Crítico (95% confianza con
Total 227589841.66 Estadístico F Crítico (90% confianza con
El cuadro de Análisis de Varianza (ANOVA) proporciona una prueba con el estadístico F, apoyado en los resúmenes generales de la
lugar de buscar regresores individuales como en la prueba t, la prueba F busca en todas las propiedades estadísticas de los coeficientes
suma ponderada de cuadrados de la suma explicada de la regresión sobre la suma ponderada de cuadrados de la suma de residuales
regresión se explica, mientras que el denominador mide que tanto no se explica. Por lo tanto, mientras más grande sea el estadístico F
correspondiente es calculado para comprobar la hipótesis nula (Ho) en donde todos los coeficientes son simultáneamente iguales a cero
todos son simultáneamente diferentes a cero, indicando un modelo de regresión estadísticamente significativo. Si el P - Value es más p
decir, 0.01, 0.05, o 0.10, entonces la regresión es significativa. La misma aproximación puede aplicarse comparando el estadístico F co
significancia.
Autocorrelación
Pronóstico
R que utiliza los tres componentes para modelar la correlación serial en datos
mero p de regazos de la serie. Un modelo AR(p) tiene la forma: y(t)=a(1)*y(t-
orden de integración corresponde al numero de veces que la serie de tiempo
ferencia los datos d veces. El tercer componente es el término (MA) media
elo MA(q) tiene la forma: y(t)=e(t)+b(1)*e(t-1)+...+b(q)*e(t-q). Finalmente, un
nte que puede explicarse y contarse por las variables independientes en este
existencia de variables independientes adicionales o regresores y ajusta el
mbargo, bajo algunas circunstancias de modelación ARIMA (por ejemplo,
la línea de regresión o plano. Este valor es utilizado como parte del cálculo