Sueldo Recargo Auxilio de

Empleado Jornada
Básico nocturno transporte

OPERARIO SIEMBRA 1 Diurna $ 828,116 $ - $ 97,032

OPERARIO SIEMBRA 2 Diurna $ 828,116 $ - $ 97,032
OPERARIO SIEMBRA 3 Diurna $ 828,116 $ - $ 97,032
SUPERVISOR SIEMBRA Diurna $ 2,500,000 $ - -
FERTELIZADOR Diurna $ 828,116 $ - $ 97,032

RECEPCIONISTA POSTCOSECHA Diurna $ 828,116 $ - $ 97,032

CLASIFICADOR FLORES 1 Diurna $ 828,116 $ - $ 97,032

CLASIFICADOR FLORES 2 Diurna $ 828,116 $ - $ 97,032
CLASIFICADOR FLORES 3 Diurna $ 828,116 $ - $ 97,032
CORTADOR EN GUILLOTINA Diurna $ 828,116 $ - $ 97,032
SUPERVISOR CLASIFICACIÓN FLOR Diurna $ 2,500,000 $ - -
OPERARIO TRATAMIENTO FLOR 1 Diurna $ 828,116 $ - $ 97,032
OPERARIO TRATAMIENTO FLOR 2 Diurna $ 828,116 $ - $ 97,032
SUPERVISOR TRATAMIENTO FLOR Diurna $ 2,500,000 $ - -
EMPACADOR FLOR EN CAJA 1 Diurna $ 828,116 $ - $ 97,032
EMPACADOR FLOR EN CAJA 2 Diurna $ 828,116 $ - $ 97,032
EMPACADOR FLOR EN CAJA 3 Diurna $ 828,116 $ - $ 97,032
EMPACADOR FLOR EN CAJA 4 Diurna $ 828,116 $ - $ 97,032
SUPERVISOR EMPACADOR EN CAJA Diurna $ 2,500,000 $ - -
DESPACHADOR DE LA FLOR 1 Diurna $ 828,116 $ - $ 97,032
DESPACHADOR DE LA FLOR 2 Diurna $ 828,116 $ - $ 97,032
DESPACHADOR DE LA FLOR 3 Diurna $ 828,116 $ - $ 97,032
SUPERVISOR DE DESPACHO FLOR Diurna $ 2,500,000 $ - -
GERENTE DE CULTIVO Diurna $ 15,000,000 $ - -
GERENTE DE POSTCOSECHA Diurna $ 8,000,000 $ - -
SECRETARIA Diurna $ 1,000,000 $ - $ 97,032
Mantenimiento Diurna $ 1,000,000 $ - $ 97,032
 APORTES

HORAS Bonificación Total

PENSION SALUD RIESGOS
EXTRAS vacaciones devengado

$ - $ 41,406 $ 966,554 $ 99,374 $ 70,390 $ 37,265

$ - $ 41,406 $ 966,554 $ 99,374 $ 70,390 $ 37,265
$ - $ 41,406 $ 966,554 $ 99,374 $ 70,390 $ 37,265
$ - $ 125,000 $ 2,625,000 $ 300,000 $ 212,500 $ 112,500
$ - $ 41,406 $ 966,554 $ 99,374 $ 70,390 $ 37,265

$ - $ 41,406 $ 966,554 $ 99,374 $ 70,390 $ 37,265

$ - $ 41,406 $ 966,554 $ 99,374 $ 70,390 $ 37,265

$ - $ 41,406 $ 966,554 $ 99,374 $ 70,390 $ 37,265
$ - $ 41,406 $ 966,554 $ 99,374 $ 70,390 $ 37,265
$ - $ 41,406 $ 966,554 $ 99,374 $ 70,390 $ 37,265
$ - $ 125,000 $ 2,625,000 $ 300,000 $ 212,500 $ 112,500
$ - $ 41,406 $ 966,554 $ 99,374 $ 70,390 $ 37,265
$ - $ 41,406 $ 966,554 $ 99,374 $ 70,390 $ 37,265
$ - $ 125,000 $ 2,625,000 $ 300,000 $ 212,500 $ 112,500
$ - $ 41,406 $ 966,554 $ 99,374 $ 70,390 $ 37,265
$ - $ 41,406 $ 966,554 $ 99,374 $ 70,390 $ 37,265
$ - $ 41,406 $ 966,554 $ 99,374 $ 70,390 $ 37,265
$ - $ 41,406 $ 966,554 $ 99,374 $ 70,390 $ 37,265
$ - $ 125,000 $ 2,625,000 $ 300,000 $ 212,500 $ 112,500
$ - $ 41,406 $ 966,554 $ 99,374 $ 70,390 $ 37,265
$ - $ 41,406 $ 966,554 $ 99,374 $ 70,390 $ 37,265
$ - $ 41,406 $ 966,554 $ 99,374 $ 70,390 $ 37,265
$ - $ 125,000 $ 2,625,000 $ 300,000 $ 212,500 $ 112,500
$ - $ 750,000 $ 15,750,000 $ 1,800,000 $ 1,275,000 $ 675,000
$ - $ 400,000 $ 8,400,000 $ 960,000 $ 680,000 $ 360,000
$ - $ 50,000 $ 1,147,032 $ 120,000 $ 85,000 $ 45,000
$ - $ 50,000 $ 1,147,032 $ 120,000 $ 85,000 $ 45,000
 PRESTACIONES

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

$ 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
$ 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
$ 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
$ 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
$ 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
$ 600,000 $ 1,250,000 $ 1,250,000 $ 12,500 $ 625,000 $ 450,000
$ 320,000 $ 666,667 $ 666,667 $ 6,667 $ 333,333 $ 240,000
$ 40,000 $ 83,333 $ 83,333 $ 833 $ 41,667 $ 30,000
$ 40,000 $ 83,333 $ 83,333 $ 833 $ 41,667 $ 30,000
 Bonificación GASTO DE LA
ICBF DOTACION
unidades EMPRESA

$ 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

Costos FIJOS $ 7,500,000

 COSTOS VARIABLES MENSUALES

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

COSTOS INDIRECTOS DE FABRICACION

M.O.I $ 60,162,816
SUPERVISOR SIEMBRA $ 3,997,917
SUPERVISOR CLASIFICACIÓN FLOR $ 3,997,917
SUPERVISOR TRATAMIENTO FLOR $ 3,997,917
SUPERVISOR EMPACADOR EN CAJA $ 3,997,917
SUPERVISOR DE DESPACHO FLOR $ 3,997,917
GERENTE DE CULTIVO $ 23,987,500
GERENTE DE POSTCOSECHA $ 12,793,333
SECRETARIA $ 1,696,199
MANTENIMIENTO $ 1,696,199
TRANSPORTE $5,000,000
TOTAL CV

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)

Tabaco 105 25 25 820

Full 105 50 25 1000

Cuarto 52.5 25 14 750

Doceavo 52.5 12 10 630

Peso por Peso Neto
tallo (gr) (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

Octubre $ 526,253,488 690000000

Noviembre $ 513,023,546
Miilones de pesos

Diciembre $ 584,754,210 640000000

Enero $ 592,025,412 590000000

Febrero $ 595,230,934
Marzo $ 595,281,958 540000000
Abril $ 626,791,212 490000000
Mayo $ 599,698,505
440000000
2016
390000000
1 3 5
 Miilon
540000000

490000000

Junio $ 597,723,821 440000000

2016
Julio $ 604,262,239
390000000
Agosto $ 618,415,615 1 3 5
Septiembre $ 608,616,906
Octubre $ 625,001,715
Noviembre $ 621,197,367
Diciembre $ 632,589,647
Enero $ 685,974,200
Febrero $ 697,091,368
Marzo $ 738,477,585
Abril $ 736,584,262
Mayo $ 750,433,207
Junio $ 690,578,103
2017
Julio $ 691,396,361
Agosto $ 723,043,129
Septiembre $ 694,170,434
Octubre $ 745,973,732
Noviembre $ 724,846,002
Diciembre $ 763,258,957
Enero $ 752,365,214
Febrero $ 763,406,789
Marzo $ 777,079,770
Abril $ 795,300,640
Mayo $ 795,869,565
Junio $ 764,771,213
2018
Julio $ 787,496,160
Agosto $ 793,225,453
Septiembre $ 760,915,512
Octubre $ 758,802,076
Noviembre $ 765,241,598
Diciembre $ 801,254,001
 PRONOSTICOS
Enero $ 789,708,359
Febrero $ 800,781,789
Marzo $ 804,618,103
Abril $ 799,878,155
Mayo $ 801,297,394
Junio $ 799,423,183
2019
Julio $ 819,214,084
Agosto $ 829,207,839
Septiembre $ 825,141,072
Octubre $ 838,387,777
Noviembre $ 830,382,616
Diciembre $ 856,001,147

EXPORTACIONES DE CLAVELES Y MINI CLAVELES 2013 - 2018

790000000

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

Alfa, Beta, Gamma RMSE

0,00, 0,00, 0,00 241480257.188
0,10, 0,10, 0,10 36279836.590
0,20, 0,20, 0,20 28882008.179
0,30, 0,30, 0,30 29593900.440
0,40, 0,40, 0,40 32250108.570
0,50, 0,50, 0,50 32482998.651

El análisis se llevó a cabo con alfa = 0,7393, beta = 0,0304, gamma = 0,2866, y es

Resumen del Análisis de Series de Tiempo

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.

Periodo Real Pronóstico Ajustado Medidas de Error

1 396150926.00 RMSE ###
2 413147288.00 MSE ###
3 406456459.00 MAD ###
4 398209091.00 MAPE 3.28%
5 403478241.00 U de Theil 1.0425
6 402105053.00
7 415406063.00
8 416691914.00
9 407572563.00
10 416293185.00
11 399029590.00
12 418457885.00
13 405258147.00 396150926.00
14 429614888.00 420085139.66
15 416171882.00 420858712.56
16 426828897.00 409459768.31
17 414648751.00 428274171.80
18 412651827.00 417225032.71
 19 418860764.00 427439830.32
20 425428109.00 422485041.70
21 439146737.00 415709774.55
22 416176719.00 442452804.54
23 437235183.00 405867085.91
24 439665221.00 449295896.98
25 487521456.00 421142007.44
26 501479058.00 489330498.48
27 550435695.00 492917065.59
28 527244451.00 532492562.15
29 531495450.00 535098671.03
30 553228605.00 535189193.53
31 546057204.00 565384744.79
32 513043521.00 556664511.36
33 544234961.00 519268268.06
34 526253488.00 545736876.74
35 513023546.00 520940357.45
36 584754210.00 533840304.27
37 592025412.00 559065411.50
38 595230934.00 600682622.72
39 595281958.00 596438389.76
40 626791212.00 588418719.66
41 599698505.00 624851298.26
42 597723821.00 611596059.76
43 604262239.00 615659553.61
44 618415615.00 611418145.38
45 608616906.00 618137226.02
46 625001715.00 616581366.57
47 621197367.00 614699036.39
48 632589647.00 644395479.78
49 685974200.00 622243877.99
50 697091368.00 684767018.45
51 738477585.00 695411572.21
52 736584262.00 725459032.82
53 750433207.00 738808695.69
54 690578103.00 756220150.00
55 691396361.00 723664133.34
56 723043129.00 706368061.37
57 694170434.00 720226776.62
58 745973732.00 708632746.56
59 724846002.00 729485555.29
60 763258957.00 750826831.34
61 752365214.00 754029133.50
62 763406789.00 764686379.29
63 777079770.00 767585785.68
64 795300640.00 769688165.30
65 795869565.00 793373047.24
66 764771213.00 797645925.98
67 787496160.00 791927149.67
68 793225453.00 799611655.59
69 760915512.00 793454200.80
70 758802076.00 781883665.64
71 765241598.00 753650729.31
72 801254001.00 787353756.97
Pronóstico73 789708358.64
Pronóstico74 800781788.94
Pronóstico75 804618103.17
Pronóstico76 799878155.38
Pronóstico77 801297393.78
Pronóstico78 799423182.55
Pronóstico79 819214083.80
Pronóstico80 829207838.53
Pronóstico81 825141072.48
Pronóstico82 838387776.59
Pronóstico83 830382615.71
Pronóstico84 856001146.83
 ivo de Holt-Winter

Alfa, Beta, Gamma RMSE

0,00, 0,00, 0,00 241480257.188
0,10, 0,10, 0,10 36279836.590
0,20, 0,20, 0,20 28882008.179
0,30, 0,30, 0,30 29593900.440
0,40, 0,40, 0,40 32250108.570

3, beta = 0,0304, gamma = 0,2866, y estacionalidad = 12

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

R Cuadrado Criterio de Información Criterio de

Ajustado Akaike (AIC) Schwarz (SC)
P=1, D=2, Q=1 0.5829 17.8417 18.0545
P=0, D=2, Q=2 0.5544 18.2330 18.4430
P=2, D=2, Q=0 0.4034 18.5123 18.7280
P=0, D=0, Q=2 0.1757 17.7601 17.9648
P=1, D=0, Q=0 0.1723 17.4952 17.6335
P=1, D=1, Q=2 0.1691 17.8858 18.1659
P=1, D=1, Q=1 0.1666 17.9072 18.1173
P=2, D=0, Q=2 0.1618 17.7465 18.0965
P=2, D=0, Q=1 0.1576 17.7702 18.0502
P=2, D=0, Q=0 0.1576 17.7886 17.9986
P=1, D=0, Q=1 0.1575 17.4952 17.7026
P=0, D=0, Q=1 0.1358 17.8247 17.9612
P=0, D=1, Q=1 0.1198 17.6723 17.8105
P=1, D=1, Q=0 0.0659 18.0393 18.1793
P=2, D=1, Q=0 0.0468 17.7260 17.9388

17.4952 17.6335
egresivos Integrados de Medias Móviles)

Estadístico (DW) Número de Modelo

Durbin-Watson Iteraciones Número
1.7121 78 1
1.9332 20 2
2.1307 0 3
1.9712 11 4
1.9722 0 5
1.8769 27 6
1.7888 14 7
1.9967 15 8
1.8804 76 9
1.9803 0 10
1.9709 55 11
1.8231 21 12
1.4450 61 13
2.0030 0 14
2.0104 0 15
 ARIMA (Modelos Autorregresivos 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

Grados de Libertad Prueba de Hipótesis

Grados de Libertad para la Regresión 1 Estadístico t Crítico (99% confianza con
Grados de Libertad Residual 57 Estadístico t Crítico (95% confianza con
Grados de Libertad Totales 58 Estadístico t Crítico (90% confianza con

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

Tiempo AC PAC Límite Inferior Límite Superior Estadístico Q Valor P

1 0.4275 0.4275 (0.2582) 0.2582 11.3388 0.0008
2 0.1660 (0.0205) (0.2582) 0.2582 13.0788 0.0014
3 (0.0598) (0.1512) (0.2582) 0.2582 13.3090 0.0040
4 (0.0379) 0.0565 (0.2582) 0.2582 13.4027 0.0095
5 0.0225 0.0588 (0.2582) 0.2582 13.4365 0.0196
6 0.2309 0.2298 (0.2582) 0.2582 17.0582 0.0091
7 0.0542 (0.1868) (0.2582) 0.2582 17.2617 0.0158
8 0.0001 (0.0067) (0.2582) 0.2582 17.2617 0.0275
9 (0.0686) 0.0150 (0.2582) 0.2582 17.6002 0.0401
10 (0.0699) (0.0433) (0.2582) 0.2582 17.9586 0.0557
11 (0.1435) (0.1415) (0.2582) 0.2582 19.5023 0.0527
12 (0.0422) 0.0115 (0.2582) 0.2582 19.6388 0.0742
13 0.0157 0.1140 (0.2582) 0.2582 19.6582 0.1041
14 0.0395 (0.0260) (0.2582) 0.2582 19.7828 0.1371
15 (0.0576) (0.1312) (0.2582) 0.2582 20.0542 0.1699
16 (0.1303) (0.0739) (0.2582) 0.2582 21.4756 0.1609
17 (0.1428) 0.0654 (0.2582) 0.2582 23.2238 0.1421
18 (0.0813) (0.0335) (0.2582) 0.2582 23.8038 0.1616
19 0.0671 0.0622 (0.2582) 0.2582 24.2093 0.1882
20 0.1036 0.0207 (0.2582) 0.2582 25.2004 0.1939
Si la autocorrelación total AC(1) es diferente a cero, significa que la serie de tiempo esta ordenada serialmente y esta correlac
exponencialmente con un incremento en los rezagos, implica que la serie sigue un proceso autorregresivo de orden bajo. De la misma
de un pequeño número de rezagos, implica que la serie sigue un proceso de orden bajo. La autocorrelación parcial PAC(k) mide la c
tiempo) que están separadas k periodos, manteniendo constantes las correlaciones entre los rezagos intermedios menores que k. S
capturado por una autorregresion u orden menor que k, entonces la autocorrelación parcial PAC en el rezago será muy cercana a cer
valores P - Value para identificar si los coeficientes de correlación superiores al primer rezago son iguales a cero (la hipótesis nula) con
cero. Cuando los P-Value son muy pequeños (P < 0.001) se puede rechazar la hipótesis nula inicial, es decir, existen valores d
significativamente diferentes de cero. Las líneas punteadas en las gráficas de las autocorrelaciones son los dos errores estándar aprox
dentro de estos límites, no es significativamente diferente a cero en (aproximadamente) el 5% del nivel de significancia.

Pronóstico

Período Real (Y) Pronóstico (F) Error (E) RMSE: 1771.3606

2 3992.6977 396150926.00 (2,131.6530)
3 6041.2423 420085139.66 710.6095
4 4273.4130 420858712.56 (1,950.1779)
5 5978.6869 409459768.31 525.6907
6 6117.7114 428274171.80 (78.6117)
7 4011.9967 417225032.71 (2,244.9269)
8 6543.3012 427439830.32 1,204.2560
9 4892.6460 422485041.70 (1,549.7917)
10 7794.5457 415709774.55 2,071.6266
11 7259.9992 442452804.54 272.1454
12 6377.9520 405867085.91 (376.8935)
13 5549.4228 449295896.98 (820.9395)
14 6600.1197 421142007.44 590.9124
15 4263.9271 489330498.48 (2,203.2778)
16 4651.8136 492917065.59 (797.0478)
17 4403.1980 532492562.15 (1,214.7426)
18 5357.6420 535098671.03 (151.9274)
19 5414.8605 535189193.53 (510.7498)
20 5825.5891 565384744.79 (124.9627)
21 6319.8306 556664511.36 190.2427
22 7045.4469 519268268.06 700.4197
23 4596.4979 545736876.74 (2,064.8246)
24 4124.1633 520940357.45 (1,469.6652)
25 2980.8615 533840304.27 (2,407.0770)
26 5993.2794 559065411.50 1,103.7048
27 5374.6241 600682622.72 (828.0598)
28 7056.5044 596438389.76 1,123.4916
29 5369.6307 588418719.66 (1,296.5117)
30 7604.1547 624851298.26 1,673.3185
31 7042.7502 611596059.76 137.8877
32 6280.0669 615659553.61 (380.0801)
33 10238.2670 611418145.38 3,910.5727
34 11839.4301 618137226.02 3,786.3612
35 9534.4545 616581366.57 783.4406
36 10354.0271 614699036.39 2,607.7492
37 6418.8025 644395479.78 (1,684.7261)
38 5372.6667 622243877.99 (1,015.5022)
39 9212.6665 684767018.45 3,280.5069
40 8196.9641 695411572.21 590.9532
41 4659.3825 725459032.82 (2,503.8849)
42 5063.1482 738808695.69 (558.0917)
43 5663.7588 756220150.00 (133.4820)
44 4718.3402 723664133.34 (1,340.7061)
45 9107.3740 706368061.37 3,460.4345
46 7754.3376 720226776.62 194.2236
47 7362.6495 708632746.56 392.3224
48 4952.9188 729485555.29 (1,846.6719)
49 7450.4266 750826831.34 1,701.2346
50 3267.3783 754029133.50 (3,570.4743)
51 4276.8450 764686379.29 (737.6219)
52 5408.2086 767585785.68 (46.2836)
53 9261.2920 769688165.30 3,313.6397
54 9423.1990 793373047.24 1,795.9923
55 8822.7096 797645925.98 1,124.9278
56 5020.0252 791927149.67 (2,416.0039)
57 4156.2530 799611655.59 (1,622.1906)
58 3607.2312 793454200.80 (1,794.6952)
59 8836.3910 781883665.64 3,673.7827
60 8393.8009 753650729.31 951.8081
61 787353756.97
62 789708358.64
63 800781788.94
64 804618103.17
65 799878155.38
66 801297393.78
67 799423182.55
68 819214083.80
69 829207838.53
70 825141072.48
71 838387776.59
72 830382615.71
856001146.83
 s de Medias Móviles)

nformación Akaike (AIC) 17.4952

17.6335
e Probabilidad -516.11
Durbin-Watson (DW) 1.9722
0

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,

nte (Y) y el estimado o ajuste (Y*) basado en la ecuación de regresión. Esta

la línea de regresión o plano. Este valor es utilizado como parte del cálculo

del modelo de regresión. SC impone una gran penalidad por coeficientes

y SC.
mplican una correlación serial positiva.

t Crítico (99% confianza con diferencia de 57) 2.6649

t Crítico (95% confianza con diferencia de 57) 2.0025
t Crítico (90% confianza con diferencia de 57) 1.6720

s coeficientes son estimaciones de los posibles valores poblacionales b

mide que tan exactos son los pronósticos de los coeficientes, y el estadístico

e el coeficiente sea cero, y la hipótesis alternativa (Ha) diferente de cero, de

estadístico t se compara con los valores críticos de los Grados de Libertad
significativo en presencia de otros regresores. Esto significa que la prueba t
ón o de lo contrario, debe descartarse.
ados de libertad relevantes (df). Los tres principales niveles de confianza
crítico, se le considera estadísticamente significativo. Alternativamente, el P
ea el P - Value, más significativo será el coeficiente. Los niveles usuales de
e confianza respectivamente.

% de confianza o 0.10 en nivel alfa, mientras que aquellos resaltados en rojo

F Crítico (99% confianza con diferencia de 1 y 57) 7.1015

F Crítico (95% confianza con diferencia de 1 y 57) 4.0099
F Crítico (90% confianza con diferencia de 1 y 57) 2.7957

resúmenes generales de las estadísticas significativas de los modelos. En

tadísticas de los coeficientes. El estadístico F se calcula como la razón de la
os de la suma de residuales cuadrados. El numerador mide que tanto de la
s grande sea el estadístico F, más significativo será el modelo. El P - Value
multáneamente iguales a cero, contra la hipótesis alternativa (Ha), en la cual
ivo. Si el P - Value es más pequeño que los niveles de significancia alfa, es
mparando el estadístico F con los valores críticos de F en varios niveles de
 serialmente y esta correlacionada. Si AC(k) decrece geométricamente o
de orden bajo. De la misma manera si AC(k) disminuye hasta cero después
ión parcial PAC(k) mide la correlación entre observaciones (para series de
termedios menores que k. Si el patrón de autocorrelación total puede ser
ago será muy cercana a cero. El estadístico Ljung-Box Q analiza utiliza los
a cero (la hipótesis nula) contra la hipótesis de que no todos los rezago son
es decir, existen valores de los coeficientes de autocorrelación que son
s dos errores estándar aproximados a los límites. Si la autocorrelación está
gnificancia.