Documentos de Académico
Documentos de Profesional
Documentos de Cultura
INFORME
2021
Resumen
Abstract
The objective of this work is to forecast sales of “HOUSEHOLD” products of the Kimberly-
Clarka company at the national level for the first and second quarters of 2021. For this
forecast, information has been used from the periods between the first quarter of 2016
until the last quarter of 2020 The results of the analysis will help to understand the trends
presented in the time series. In addition, the forecast will allow taking precautions and
creating contingency plans in the face of a new high demand for HOUSEHOLD products,
in order to avoid shortages at the different points of sale where these products are
offered. Therefore, the purpose of this research is to check if there is still uncertainty
about what will happen to the demand for these products, because the company is
interested in implementing new strategies in the production of these products in order to
reduce the COVID impact of the quarantine.
BORRAR ALGUNAS COSAS DE FUNDAMENTO TEORICO PORQUE ES MUCHO
1. Introducción
El presente informe, está enfocado en el análisis y comparación de los
modelos Box Jenkins para la venta de productos de Cuidado del Hogar
hacia los canales de supermercados en el Perú por una de las empresas
líder en su rubro. Estas metodologías, conocidas también técnicamente
como metodología ARIMA, fueron generadas como un nuevo conjunto de
herramientas de predicción en la década de los 70’s . Este método de
predicción se basa en el análisis de las propiedades probabilísticas o
estocásticas de las series de tiempo en sí mismas, pues una variable Yt
puede ser expresada como una función de sus valores pasados donde no
existe relación causal alguna a diferencia de los modelos clásicos de
regresión. Los pasos para realizar estas metodologías dependen del tipo
de datos, estos deben ser estacionarios; se analizan los gráficos de
correlaciones para conocer cuales serían los posibles órdenes del
modelo, luego se evalúa la adecuación del modelo en la etapa de
validación , y, por último; se mide el error de predicción en el cálculo de
los pronósticos. Una de las principales actividades económicas, sobre la
cual recae gran parte del soporte económico de nuestro país es el sector
del Consumo Masivo la cual tiene una importante presencia en el PBI, el
empleo y otras variables económicas importantes. Perú es el país con la
industria del consumo masivo más desarrollada de América Latina debido
a su diversidad de recursos naturales entre otros.
2. Objetivos
3. Fundamento Teórico:
3.3. Autocorrelación
En ocasiones en una serie de tiempo acontece, que los valores que toma una
variable en el tiempo no son independientes entre sí, sino que un valor
determinado depende de los valores anteriores, existen dos formas de medir
esta dependencia de las variables.
c) Prueba de Ljung-Box
Esta prueba permite probar en forma conjunta de que todos los
coeficientes de autocorrelación son simultáneamente iguales a
cero, esto es que son independientes, está definida como
donde 𝑡es un proceso de ruido blanco y ∅0 , ∅1 , ∅2 , . . . , ∅𝑝son los parámetros del modelo.
𝑋𝑡−1
Para verificar que el modelo AR(1) es estacionario para cualquier valor del parámetro, es
necesario probar las siguientes condiciones.
● Estacionario en media:
Para que el proceso sea estacionario, la media debe ser constante y finita en el tiempo,
esto implica que:
● Estacionario en covarianza:
Para que un proceso AR(1) sea estacionario, la varianza tiene que ser constante y finita
en el tiempo:
Por lo que :
Por lo que :
Sustituyendo se tiene
Por lo que un modelo AR(1) es una versión restringida de un modelo general de medias
móviles.
De los resultados obtenidos podemos señalar como características más relevantes del
modelo como:
Notación:
● Z t : Venta en toneladas de productos de limpieza.
● t : Periodo de tiempo trimestral desde enero del 2016 hasta diciembre
del 2021, es decir, t = 1,2,…,20.
10.2 Estación
No existe una marcada estación de trimestre a trimestre desde enero
del 2016 hasta diciembre del 2020.
10.3 Estacionariedad
Dado que el p-value =0.01 es menor a 0.05 , entonces se dice que rechazamos 𝐻0 por
lo tanto no es estacionaria, por lo cual se procederá a diferenciar la serie.
En el análisis previo de la serie de tiempo comparada encontramos que, a pesar de la
transformación, la serie de tiempo transformada no presenta estacionariedad por lo cual
necesitaremos hacer uso de una diferenciación adicional.
Como mencionamos con anterioridad, la mayor parte de las series de tiempo son no
estacionarias. Es por eso que, para ajustar a una serie de tiempo no estacionaria, es
necesario eliminar la fuerte variación no estacionaria. Si la serie de tiempo en cuestión
no es estacionaria en la media, lo cual implica que la serie presenta en su
comportamiento una tendencia de tipo polinomial no determinista ( no estacionariedad
homogénea), entonces se podría decir que podemos tomar las diferencias de las series
de tal forma de obtener una serie estacionaria.
Notamos que tanto la serie de tiempo no transformada y la serie transformada en sus
ACFs presentan un comportamiento de tendencia leve, esto nos indica en primera
instancia que la serie transformada presenta no estacionariedad al igual que la serie no
transformada. Dado la tendencia presenta en la serie no transformada y transformada.
El modelo tiene una no estacionariedad en media.
ANÁLISIS EXPLORATORIO EN SERIE DE TIEMPO DIFERENCIADA Y
TRANSFORMADA.
El valor p-value es 0.1, entonces no se rechaza 𝐻0 , por lo cual se asumirá que la serie
de tiempo es estacionaria.
Entonces dada la presente información, donde la serie de tiempo tiene tendencia y por
las pruebas realizadas previamente, confirmamos que sigue un proceso ARIMA, el
siguiente paso es analizar cual es el mejor modelo ARIMA a seguir.
Debido a que se rechazó 𝐻0 , podemos decir que la serie tiene raíz unitaria y, por ende,
confirmamos que es un MODELO ARIMA. Una vez confirmada por última instancia
que es un modelo ARIMA, se procederá a realizar la diferenciación dada para poder
observar si de esta forma se obtiene una estacionariedad.
𝑋2 0.12646
df 2
p-value 0.9387
Pronósticos
Previsión de Lo 95 Hi 95
puntos
2021 Q1 4459.461 3649.340 5269.581
2021 Q2 5775.873 4965.276 6586.469
Breve descripción
Figura 7. Gráfica
F2_E1 MEDIA X95. X95. .1
4459.461 3649.340 5269.581
5775.873 4965.276 6586.469