BOX - Jenkins 2020: Proyecciones de Ventas Mensuales Mendiante Modelos

PROYECCIONES DE
VENTAS
MENSUALES
MENDIANTE
MODELOS BOX –
JENKINS
2020
El presente trabajo realiza proyecciones de productos
pertenecientes a la empresa Movistar o también
conocida como Telefónica. A pesar de haber tenido
unas caídas significativas durante los primeros meses
de la cuarentena dictada por el Gobierno Peruano, el
algoritmo desarrollado nos permite conocer cerca de
1900 proyecciones para distintos productos. Además,
ha funcionado sin problema alguno detectando así las
caídas y utilizándolas para proyectar con las
variaciones que tuvieron impacto en toda empresa
para el cierre de cada mes.
La utilidad del presente trabajo sigue siendo parte del
análisis de datos diarios en la empresa mencionada.
Siendo considerada no solo para el área de Ventas sino
también para el área de Finanzas y Cobranzas.
Computacion Cientifica – SETIEMBRE 2020

Fuente: Movistar
Docente: Montes Gabriela
Autores:
Balta Jorge
Lopa Ruben
Lostaunau Nataly
Palacios Dante
Rios Jorge
Vasquez Martin
ANALISIS ESTADISTICO DE LAS VARIABLES PARA EVALUAR PROYECCIONES AL CIERRE DE MES - 2020
INDICE
1. Introducción.................................................................................................................2
2. Objetivos .....................................................................................................................2
3. Metodología ................................................................................................................2
a. Recopilación de datos ....................................................................................................... 2
b. Variables ............................................................................................................................ 2
4. Resultados ...................................................................................................................3
4.1. Resultados Descriptivos ............................................................................................ 3
4.1.1. AED .................................................................................................................... 3
4.1.2. AC ...................................................................................................................... 6
4.2. Resultados Evolutivos................................................................................................ 8
5. Conclusiones ..................................................................... ¡Error! Marcador no definido.
6. ANEXOS ............................................................................ ¡Error! Marcador no definido.
Estadística Computacional Pag 1

1. Introducción
El siguiente informe se realizó para establecer parámetros estadísticos. Adicionalmente, un

análisis descriptivo e inferencial es sustancial para organizar, comparar, sintetizar, y así tener un
mejor panorama para la toma de decisiones según sean los objetivos planteados por el área,
mostrar evidencias de alguna tendencia o estacionalidad mensualmente, mediante el uso del
modelización de serie de Tiempo de Box y Jenkins(SARIMA) el cual describa el comportamiento
de las ventas mensuales los cuales son susceptibles a cambios en función al tiempo, a su vez
detectar los efectos de dichos cambios. Mostrar medidas de tendencia central, de dispersión y
entre otras medidas estadísticas; será crucial para establecer un modelo estadístico que permita
mapear todos los datos observados y recopilados por MOVISTAR PERU.
2. Objetivos
• Ver a detalle el comportamiento de las variables de interés a lo largo del tiempo.

• Mostrar el análisis de Series de Tiempo de Box y Jenkins (modelo SARIMA), con el cual
nos permita tener proyecciones de ventas mensuales en Movistar Perú.
• Identificar las componentes de las series evolutivas.
• Evaluar el modelo óptimo para las ventas realizadas en paquete Trio mediante compra
o tramite Online en Lima Centro.
• Generar un algoritmo que permita obtener modelos SARIMA eficientes para
interacciones entre las variables (es decir varios paquetes, mediante varios canales y
en distintas ubicaciones).
• Contrastar las proyecciones con los datos observados registrados después y ver cuánto
es el margen de error.
3. Metodología
a. Recopilación de datos
Los datos se obtuvieron de manera automatizada mediante dos sistemas de soporte

empresarial, que son Amdocs y Teradata, estos son alimentados por los distinto puntos de
ventas que de manera automática se registran a la central para su almacenamiento y uso según
se requiera, respectivamente.
Para la obtención de las salidas se utilizó softwares de índole estadística como R y Rstudio. La
librería ggplot2 permitió, mediante el uso progresivo del software, graficas adecuadas que sean
visibles para las conclusiones. La utilización de líneas de códigos en el interfaz permitió la
clusterizacion y modelación de los datos recopilados.
b. Variables
• Producto: Paquete de servicios que se le brinda al cliente para Internet, Cable,

Señal Digital, etc.
• Canal: Medio por el cual se realiza la compra del producto mediante un
intermediario en algunas ocasiones.
• Zonal: Zona local en donde se concretó la compra del producto.
• Q: Numero de ventas realizadas diariamente, según el Zonal, el Canal y el
Producto.

4. Resultados
Los resultados se mostrarán de acuerdo al análisis que se realizó. Actualmente toda empresa es
poseedora de una gran cantidad de datos y no tiene idea de como utilizarlos para mejorar su
perfil en el mercado del rubro al cual se dedica. Es por eso que los resultados se clasificaran de
la siguiente forma: Descriptivos, evolutivos y resultados de las Proyecciones.
4.1. Resultados Descriptivos
Básicamente los resultados descriptivos mostraran descriptivamente las variables utilizadas a lo

largo del tiempo. Para esto se hizo uso de lo denominado AED (análisis exploratorio de datos) y
AC (análisis composicional).
4.1.1. AED
Un análisis exploratorio de datos (AED) nos permite reconocer ciertos comportamientos

visualmente de un conjunto de datos. Además, realizar esto nos brinda percepciones para un
modelo mas adecuado que se adecue a la serie y minimicemos el margen de error para el mapeo
y predicción. Para esto nos basamos en gráficos y estadísticos, esto también sirven de
herramienta para el reconocimiento de datos atípicos, discontinuidades, formas de distribución,
etc.
Figura Nº1 – Figura Nº4: Gráficos evolutivos de los productos que más ventas han tenido.

Los gráficos mostrados son totalizados de los productos registrados diariamente que han sido
vendidos de forma ONLINE a lo largo de este año. Lo resaltante es que el patrón de
comportamiento de una tiene una cercanía significativa con las demás (siendo solo considerados
3 productos de estos 4). Claro está que la caída se debió a las medidas de cuarentena tomadas
por parte del Gobierno.
Nota: Dada la cercanía del comportamiento evolutivo y por cuestiones de tiempo en los
posteriores análisis como el análisis evolutivo solamente se utilizará el producto “Trio – Online
– Lima Centro”.
Figura Nº5: Grafico de cajas del numero de Figura Nº6: Grafico de puntos por mes para el
ventas online 2020 numero de ventas online 2020
Los gráficos mostrados permiten una visualización tanto del comportamiento como el
reconocimiento de outliers de los datos recopilados.
Por ejemplo, en la Figura Nº5 se ve un dato atípico el cual no esta siendo considerado como
parte de la caja graficada. Este dato atípico puede deberse a un error al procesar la data o al
registrarla. Para este caso en particular no lo es ya que figura en el archivo de colocaciones del
presente año.
Figura Nº7: Grafico de cajas con Figura Nº8: Grafico de cajas observable de ventas
promedio por día 2020 diarias realizadas a lo largo del 2020.

Del mismo modo que se pueden evaluar diariamente el comportamiento de los días para las
ventas de los productos. Esto con la finalidad de evaluar una estacionalidad, como vemos en la
Figura Nº8 en los días martes a sábado tienen un nivel promedio parecido y dado que el grafico
es semanal se podria estar hablando de un comportamiento semanal entre estos días. Esta
“supuesta” estacionalidad se confirmará con el AC (análisis composicional).
Las caídas entre el día lunes y los días domingos podría estarse debiendo a la continuidad de un
fin de semana. Es decir que la caída que presentan los días domingos en cuanto a ventas podría
estar impactando en los días lunes de una semana consecutiva y de esta forma impidiendo una
mayor cantidad de ventas. Además, factores externos como el inicio de una semana lleno de
responsabilidades para la semana pueden estar limitando la adquisición de productos por parte
de los clientes y no clientes.
Figura Nº9: Correlograma de las de las ventas realizadas para los

Tríos – Online – Lima Centro en el 2020.
Otro aspecto importante es el reconocimiento de componentes de una serie de tiempo. La

Figura N°9 muestra las autocorrelaciones de las ventas, también conocido como Correlograma.
Si observamos podemos ver que se ve una tendencia y una estacionalidad cada 7 diferencias.
Sin embargo, no es suficiente realizar el reconocimiento de las componentes de una serie de
tiempo visualmente también se tendrá que realizar un Análisis Composicional (AC) para ver a
detalle el comportamiento y la real presencia de estas componentes.

4.1.2. AC
El Análisis Composicional (AC) se basa en el principio de que toda serie de tiempo tiene
elementos pocas veces visible para la observación de el grafico de esta. El modelo basado en las
ventas realizadas por parte de Trio – Online – Lima Centro podría ser multiplicativo o aditivo.
Una herramienta para el reconocimiento de estas es el Grafico de Dispersión vs Nivel.
Figura Nº10:
Grafico de
Dispersión vs Nivel
de las ventas
realizadas para los
Tríos – Online –
Lima Centro en el
2020.
Es sabido que para un modelo multiplicativo la pendiente (grado de inclinación) se acercaría a

0. Es por esta razón que se decidió por un modelo multiplicativo.
La multiplicación de estas componentes (siendo un modelo multiplicativo) generaría la misma

serie. Este principio se muestra en la siguiente formula:
𝑇 = 𝑇(𝑡) ∗ 𝐸(𝑡) ∗ 𝑅(𝑡)

Siendo: T(t) igual a la tendencia, E(t) igual a la estacionalidad y R(t) igual al ruido de la serie
(parte aleatoria).
Figura Nº9: Grafico conjunto entre la serie

Figura Nº10: Tendencia de la serie Ventas 2020.
evolutiva de Ventas y la Tendencia.

En las figuras mostradas es visible que la tendencia era relativamente creciente durante las
primeras semanas. Mientras que durante la cuarentena la tendencia fue casi nula generando así
perdidas y dificultando el análisis continuo de la data. Después del levantamiento de la
cuarentena cerca de la semana 16 vemos que la tendencia continua su comportamiento
creciente.
Nota: Las gráficas se ven distintas a las ya vistas puesto que los algoritmos utilizados para el
análisis composicional no utilizan la librería “ggplot”. (Librería con la cual es más detallado la
gráfica).
Figura Nº11: Estacionalidad de las ventas de Figura Nº12: Estacionalidad promedio de las
Movistar 2020 ventas Movistar 2020
Otras dos componentes son las

Estacionalidad y la parte aleatoria
(ruido) de la serie de las Ventas.
Con las figuras 11 y 12
confirmamos que existe una
estacionalidad, es decir cada cierto
periodo tiempo dentro de un año
se repite semanalmente. Por
último, la parte aleatoria es
bastante significativa es por eso
que se espera que la precisión no
Figura Nº13: Componente aleatoria de la sea absoluta a la hora de ajustar.
serie de Ventas – Movistar 2020

4.2. Resultados Evolutivos
Los resultados evolutivos son básicamente tomar los resultados observados en un AED y un AC
para definir qué modelo estadístico podria ser útil y eficiente. Además, en esta parte lo que se
evaluaran serán los distintos parámetros que podrían generar estimaciones mas cercanas a la
realidad sin mucho margen de error. Cabe recordar que ningún modelo podria ser exacto ya que
el mercado actual como lo conocemos cambia diariamente por variables aleatorias imposibles
de controlar: catástrofes naturales, devaluación de la moneda, etc.
Se ha visto a través de las graficas relacionadas con el Analisis Composicional (AC) que hay una
tendencia, pero no muy marcada. Y el ruido es muy marcado para el sistema de serie de tiempo
que se manejó. Dada la caída significativa que tuvo la cuarentena se propuso manejar otras
herramientas: Modelos SARIMA.
Modelos SARIMA – UN SOLO MODELO (PRODUCTO: TRIO – ONLINE)
Los modelos SARIMA plantean que se pueden formar modelos tanto predictivos como de
ajuste a una curva basados en 3 componentes no estacionales y 3 componentes estacionales,
siendo estas ultimas extraídas del total de número de datos observados.
Al igual que en el AC, nos enfocaremos en una sola variable como ejemplo. (Siendo viable hacer
para todas las variables con forme sea necesario).
Figura N°14: Serie de

tiempo del número de
Ventas diarias en Movistar
a lo largo del 2020.
Figura N°15: Matriz de las componentes de la serie de tiempo basados en las Ventas Semanales
del 2020.

Como vemos en la figura N°15, descomponemos la serie para posteriormente graficarlos en la

figura N°16 y confirmar que existe una tendencia positiva creciente o decreciente marcada.
Figura N°16: Componentes de las Ventas Semanales Movistar – 2020
Generalmente todo modelo con parámetros fijos sin importar la metodología generará lo que
denominamos como “valores estimados” o “valores ajustados” que no son mas que valores
generados a partir de los coeficientes del modelo. Estos al compararlos con los valores
observados (datos reales), tienen como resultado lo que denominamos como residuos. Un
calculo con estos residuos que nos permita comparar modelos en ocasiones es el RMSE (Error
cuadrático medio).
𝑒𝑖 = 𝑌̂𝑖 − 𝑌𝑖 , 𝑖 ∈ {1, … , 𝑛}
Estos residuos son esenciales para el desarrollo de los modelos y por sobre todo suponer un
modelo SARIMA.

Figura Nº17: Gráficos de los residuos basados en un primer

modelo SARIMA con parámetros al azar.
Para ser puntual, si seguimos el comportamiento de la línea azul (datos ajustados), veremos que
cumplen con la distribución de los datos observados. Además, cumplen los residuos bajo una
distribución normal según el grafico Normal Q-Q. Esto es sumamente importante pues permite
seguir adelante con el modelizado SARIMA.
Lo que ahora faltaría seria definir los parámetros para poder encontrar un modelo más eficiente.
Los modelos SARIMA dependen primordialmente de los valores de los parámetros utilizados.

Una vez confirmado que es posible el modelizado

ARIMA pasamos a efectuarlo mediante líneas de
códigos y comandos ejecutados en el Rstudio.
El modelo con parámetros (1,1,0)(1,1,0) con una

frecuencia de 7 (debido a que es semanal) muestra
varias estadísticas.
Una de las estadísticas mas importantes es el

coeficiente de criterio Bayesiano (BIC), este permite
comparar entre varios modelos mientras se siga
trabajando sobre la misma data. A menor índice de BIC Figura Nº18: Salida del primer
mejor será el ajuste del modelo o también significa una modelo SARIMA.
menor cantidad de variables explicativas.
Por mucho que ciertas

estadísticas puedan brindar una
visión plena del modelo a usar, es
también recurrente el análisis de
residuos. Estos residuos como ya
hemos explicado verificarían
cuan eficiente está mapeando el
modelo SARIMA con sus
parámetros fijos a la serie
analizada, siendo en este caso las
ventas que se registran
diariamente de Movistar.
Lo deseable, pero pocas veces

alcanzado, es un modelo con
menor BIC y menor número de
RMSE (estadístico relacionado
con los residuos).
En caso no se pueda tener lo

Figura Nº19: Grafico de los residuos basado en el
deseable, estará en manos del
primer modelo SARIMA.
investigador decidir cual podria
ser el mejor modelo.
Cabe resaltar que todo este proceso también tiene como antecedente un gran numero de
pruebas las cuales no se están mostrando para fines prácticos. Sin embargo, pruebas como la de
Shapiro, Kolgomorov o Dickey-Fuley han sido confirmadas si es que se tiene alguna duda.
Para comparar todos los modelos posibles es necesario el uso de funciones y el uso de
multiplicadores de Lagrange. Este tipo de funciones y algoritmos son bastante pesados,
abstractos y extensos para la comprensión inmediata. Debido a esto, se decidió realizar una
función que brindara el RMSE como resultado de un modelo con ciertos parámetros
determinados.

La figura Nº20 muestra el conjunto de estos comandos para distintos modelos.
Figura Nº20: Salida del Rstudio el cual muestra el MAPE de

todos los modelos vistos para hallar el modelo mas eficiente.
Dentro de todas las simulaciones posibles el mejor modelo propuesto es

: 𝑆𝐴𝑅𝐼𝑀𝐴(1,1,1)(2,0,1)(7) ,veamos :
• Prueba Dickey Fuller
Al realizar el análisis de la serie original se observa que la serie No es estacionaria en nivel

,recordemos que para tener un modelo SARIMA esta condición es de suma importancia
,entonces aplicando una diferencia (recomendado para corregir la no estacionariedad) . Se
obtuvo que con un 5% de significancia que aplicando una diferencia a la serie ,esta es
estacionaria (p.value=0.01)

• Análisis de Residuos del modelo escogido: SARIMA (1,1,1) (2,0,1)[7]
Se observa que los residuos se encuentran alrededor del 0, también podemos ver que en el ACF
que las líneas se encuentran dentro de nuestra banda de confianza, además se observa que en
el histograma la forma que muestran los residuos en forma de campana (normalidad).
• Prueba Ljong Box
En esta prueba que llevaremos a cabo se verá si el modelo presenta el conocido “ruido blanco”
(media de los errores igual a 0, varianza constante y no estar seriamente correlacionada) y así
afirmar si el modelo se ajusta a los datos.
Con un 5 % de significancia podemos afirmar que los errores presentan ruido blanco
(p.value =0.57)

Figura Nº21: Proyecciones del modelo SARIMA (1,1,1) (2,0,1)

a 20 días hacia adelante.
Se observa justamente que el modelo capto el patrón de que se está observando en la serie.

ALGORITMO PARA UN MODELO POR INTERACCION DE VARIABLES MEDIANTE

SARIMA (GENERANDO AUTOMATIZACION)

scrip
Lopa Ruben
11 de septiembre de 2020
library(lubridate)
library(zoo)
library(forecast)
library(dplyr)
setwd("D:/2020-1/Estadística Computacional/Exposión")
Q2<-read.csv("Q2.csv",header = T,sep = ";")
head(Q2,6)
Q2$Fecha<-as.Date(Q2$Fecha,"%d/%m/%y")
str(Q2)
View(Q2)
levels(Q2$Producto)
levels(Q2$Canal)
levels(Q2$Zonal)
## [1] "AREQUIPA" "AYACUCHO" "CAJAMARCA" "CHICLAY

O"
## [5] "CHIMBOTE" "CUSCO" "HUANCAYO" "HUANUCO
"
## [9] "HUARAZ" "ICA" "ILO" "IQUITOS
"
## [13] "LIMA" "LIMA CALLAO" "LIMA CENTRO" "LIMA ES
TE"
## [17] "LIMA MODERNA" "LIMA NORTE" "LIMA SUR" "NO IDEN
TIFICADA"
## [21] "NORTE CHICO" "OTROS" "PIURA" "PUCALLP
A"
## [25] "PUNO" "TACNA" "TARAPOTO" "TRUJILL
O"
## [29] "TUMBES"
pro<-"TRIO"
canal<-"ONLINE"
zonal<-"LIMA CENTRO"
minimo<-"2020-06-01"
maximo<-"2020-08-15"
# COMPROBANDO
comp<-filter(Q2,Producto==pro,Canal==canal,Zonal==zonal,month(Fecha)==
8)
head(comp,6)
sum(comp$Q)

# COMENZANDO EL MODELO
data_completa<-filter(Q2,Fecha>=minimo,Fecha<=maximo)
data_completa<-filter(data_completa,Producto==pro,Canal==canal,Zonal==
zonal)
# CORROBORAR SI ES VERDADERO
dim(data_completa)[1]>=30
## [1] TRUE
x<-data_completa
x<-arrange(x,Fecha)
if(max(x$Fecha)<maximo){
ma<-data.frame(Producto=pro,Canal=canal,Zonal=zonal,Fecha=maximo,Q=0
)
x<-rbind(x,ma)
}
if(min(x$Fecha)>minimo){
mi<-data.frame(Producto=pro,Canal=canal,Zonal=zonal,Fecha=minimo,Q=0
)
x<-rbind(x,mi)
}
x<-arrange(x,Fecha)
# cOMPLETANTO LAS FECHAS FALTANTES

x$Fecha<-as.POSIXct(x$Fecha+1,format="%y/%m/%d")
x1.zoo<-zoo(x[,-4],x[,4]) #set date to Index
x2<-merge(x1.zoo,zoo(,seq(start(x1.zoo),end(x1.zoo),by="day")), all=TR
UE)
x2<-data.frame(x2)
x2$Q2<-as.numeric(as.character(x2$Q))
# COMPLETANTO LOS VALORES FALTANTES CON CEROS
x2$Producto[is.na(x2$Producto_Web)]<-pro
x2$Canal[is.na(x2$Canal_Web)]<-canal
x2$Zonal[is.na(x2$Zonal)]<-zonal
x2$Q2[is.na(x2$Q2)]<-0
# VENTAS A LA FECHA
a<-day(max(x$Fecha))
# CANTIDAD DE PRONOSTICOS A LA FECHA QUE FALTAN A CERRAR EL MES
b<-31-a
#VENTA A LA FECHA 14
dia<-sum(x2$Q2[(dim(x2)[1]-a+1):dim(x2)[1]])
tsx2<-ts(x2$Q2,start=1,frequency = 7)
plot(tsx2)
modelo<-arima(tsx2, order = c(0, 1, 2),

seasonal = list(order = c(2, 0, 0), period = 7))

# CANTIDAD DE PRÓNOSTICOS
pronostico<-forecast(modelo,b,10)
# GRÁFICA DE PRONÓSTICO
plot(pronostico,main=c(pro,canal,zonal))
falta<-sum(pronostico$mean)
proyeccion<-round(dia+falta)
proyeccion
## [1] 9504
# MARGEN DE ERROR SE DEBE ENCONTRAR ENTRE UN 10%

(proyeccion-sum(comp$Q))/sum(comp$Q)
## [1] 0.0622555
En la data de la empresa Telefónica abordaremos para este caso del servicio “Trio Online Lima
Centro”: Producto Trio, del canal de venta tipo Online, en la zona Lima Centro; el cual lo
mencionado anteriormente en la parte teórica del presente trabajo, utilizando el modelo
Sarima, con las fechas siguientes:
Fecha de Inicio: 01/06/2020
Fecha Final: 14/8/2020
En la que veremos el comportamiento de las ventas, los cuales son susceptibles a cambios en
función al tiempo.
En la cual se hará presente lo obtenido en el Software R.
Presentamos las características de la data.

Modelo Sarima
En el modelo observamos que en la parte no estacionaria se realizó 1 diferencia, eso es para que
se vuelva estacionaria, [7] este valor nos indica que es diaria (7 dias = semanal), respecto a los
indicadores AIC Y BIC nos indicaría que son el mejor modelo en comparación a los otros.
Observamos exploratoriamente que la serie no es estacionaria en nivel y en variabilidad, en la

realidad lo probaremos con la prueba Dikey Fuller.
Respecto al análisis de componentes se observa estable con una ligera tendencia ascendente
hasta el punto 7 luego vuelve a ser estable.
En conclusión, la venta mensual pronosticada es cantidad de 9504 productos y respecto a la

venta real de 8947 productos obtenemos un margen de error de un 6.2%, lo que es acorde a lo
establecido por la empresa.


BOX - Jenkins 2020: Proyecciones de Ventas Mensuales Mendiante Modelos

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

BOX - Jenkins 2020: Proyecciones de Ventas Mensuales Mendiante Modelos

Cargado por

Copyright:

Formatos disponibles

PROYECCIONES DE

Computacion Cientifica – SETIEMBRE 2020

Estadística Computacional Pag 1

El siguiente informe se realizó para establecer parámetros estadísticos. Adicionalmente, un

• Ver a detalle el comportamiento de las variables de interés a lo largo del tiempo.

Los datos se obtuvieron de manera automatizada mediante dos sistemas de soporte

• Producto: Paquete de servicios que se le brinda al cliente para Internet, Cable,

Estadística Computacional Pag 2

4.1. Resultados Descriptivos

Básicamente los resultados descriptivos mostraran descriptivamente las variables utilizadas a lo

Un análisis exploratorio de datos (AED) nos permite reconocer ciertos comportamientos

Estadística Computacional Pag 3

Estadística Computacional Pag 4

Figura Nº9: Correlograma de las de las ventas realizadas para los

Otro aspecto importante es el reconocimiento de componentes de una serie de tiempo. La

Estadística Computacional Pag 5

Es sabido que para un modelo multiplicativo la pendiente (grado de inclinación) se acercaría a

La multiplicación de estas componentes (siendo un modelo multiplicativo) generaría la misma

𝑇 = 𝑇(𝑡) ∗ 𝐸(𝑡) ∗ 𝑅(𝑡)

Figura Nº9: Grafico conjunto entre la serie

Estadística Computacional Pag 6

Otras dos componentes son las

Estadística Computacional Pag 7

4.2. Resultados Evolutivos

Modelos SARIMA – UN SOLO MODELO (PRODUCTO: TRIO – ONLINE)

Figura N°14: Serie de

Estadística Computacional Pag 8

Como vemos en la figura N°15, descomponemos la serie para posteriormente graficarlos en la

Figura N°16: Componentes de las Ventas Semanales Movistar – 2020

Estadística Computacional Pag 9

Figura Nº17: Gráficos de los residuos basados en un primer

Estadística Computacional Pag 10

Una vez confirmado que es posible el modelizado

El modelo con parámetros (1,1,0)(1,1,0) con una

Una de las estadísticas mas importantes es el

Por mucho que ciertas

Lo deseable, pero pocas veces

En caso no se pueda tener lo

Estadística Computacional Pag 11

La figura Nº20 muestra el conjunto de estos comandos para distintos modelos.

Figura Nº20: Salida del Rstudio el cual muestra el MAPE de

Dentro de todas las simulaciones posibles el mejor modelo propuesto es

• Prueba Dickey Fuller

Al realizar el análisis de la serie original se observa que la serie No es estacionaria en nivel

Estadística Computacional Pag 12

• Análisis de Residuos del modelo escogido: SARIMA (1,1,1) (2,0,1)[7]

• Prueba Ljong Box

Estadística Computacional Pag 13

Figura Nº21: Proyecciones del modelo SARIMA (1,1,1) (2,0,1)

Estadística Computacional Pag 14

ALGORITMO PARA UN MODELO POR INTERACCION DE VARIABLES MEDIANTE

Estadística Computacional Pag 15

## [1] "AREQUIPA" "AYACUCHO" "CAJAMARCA" "CHICLAY

Estadística Computacional Pag 16

# cOMPLETANTO LAS FECHAS FALTANTES

modelo<-arima(tsx2, order = c(0, 1, 2),

Estadística Computacional Pag 17

# MARGEN DE ERROR SE DEBE ENCONTRAR ENTRE UN 10%

Fecha de Inicio: 01/06/2020

Fecha Final: 14/8/2020

En la cual se hará presente lo obtenido en el Software R.

Presentamos las características de la data.