CACAO BCRP Paper PERU ARIMA

Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
UNIVERSIDAD NACIONAL DE TRUJILLO

FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS
ESCUELA ACADEMICO PROFESIONAL DE ESTADISTICA
S
A
IC
S
S FÍ
A S
IC A
T I
Á C
M N
“MODELO ARIMA PARA EL PRONÓSTICO DE LA PRODUCCIÓN DE CACAO

E IE
EN EL PERÚ 2012-2018”
T C
A E
M D
TESIS
PARA OBTENER EL TÍTULO PROFESIONAL DE
Y A
C
INGENIERO ESTADÍSTICO
E
T
O
AUTOR:
LI
Br. Sánchez Sánchez, David Alexander

IB
B
ASESOR:
Lic. Chafloque Viteri, Sergio Albert
TRUJILLO – PERÚ
2018
Br. David Alexander Sánchez Sánchez

Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú.
Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/
DEDICATORIA
A mis padres José y Rosa Sánchez que me
apoyaron constantemente y por ello soy lo
que soy por sus consejos, amor y ayuda en
S
A
los momentos difíciles y también a mi
IC
abuela Ermila Vilela quien a su vejez
S
S FÍ
siempre nos ha corregido y guiado por el
A S
camino del bien.
IC A
T I
Á C
M N
E IE
Esta tesis se la dedico a mi Dios que supo

T C
guiarme por el buen camino, darme

A E
M D
fuerzas y no desmayar en los problemas

Y A
que se me presentaban, enseñándome a

C
E
encarar las adversidades sin perder nunca

T
O
la dignidad ni desfallecer en el intento.

LI
IB
B

AGRADECIMIENTO
El presente trabajo de tesis primeramente me gustaría agradecerte a ti mi Dios por
bendecirme para llegar hasta donde he llegado, porque hiciste realidad este sueño anhelado.
S
A
A la Universidad Nacional de Trujillo y a PRONABEC por darme la oportunidad de estudiar
IC
y ser un profesional.
S
S FÍ
A mis padres a su esfuerzo y dedicación, quienes, con sus conocimientos, su experiencia, su
A S
paciencia y su motivación ha logrado en mi pueda terminar mis estudios con éxito, porque
IC A
T I
todos han aportado con un granito de arena a mi trabajo.
Á C
M N
E IE
A mi asesor de tesis, el Lic. Sergio Albert Chafloque Viteri, por su aporte y dedicación en
T C
este trabajo gracias a sus conocimientos y orientaciones, que me han permitido concluir una
A E
M D
etapa más en mi vida.

Y A
C
E
Son muchas las personas que han formado parte de mi vida profesional a las que me
T
O
encantaría agradecerles su amistad, consejos, ánimo y compañía en los momentos más

LI
difíciles de mi vida. Algunas están junto a mí y otras en mis recuerdos y en mi corazón, sin
IB
importar en donde estén quiero darles las gracias por formar parte de mí, por todo lo que me
B
han brindado y por todas sus bendiciones.
Para ellos: Muchas gracias y que Dios los bendiga

PRESENTACIÓN
SEÑORES MIEMBROS DEL JURADO.
De conformidad y cumpliendo con lo expuesto por el reglamento de grados y títulos de la
S
A
Facultad de Ciencias Físicas y Matemáticas de la Escuela Académica Profesional de
IC
Estadística de la Universidad Nacional de Trujillo, someto a vuestro elevado criterio a la
S
S FÍ
evaluación de la siguiente tesis titulada:” MODELO ARIMA PARA EL PRONÓSTICO
A S
DE LA PRODUCCIÓN DE CACAO EN EL PERÚ 2012-2018”, elaborando con el
IC A
T I
propósito de optar el título de Ingeniero Estadístico.
Á C
M N
E IE
Confío en vuestro criterio profesional para la respectiva evaluación del presente trabajo, así
T C
mismo considero oportuno agradecer a los miembros del jurado: Lic. Sergio Albert
A E
M D
Chafloque Viteri en calidad de asesor, el Mg. Luis Estrada Alva y al Lic. Manuel Antonio
Y A
Sisniegas Gonzales por las sugerencias y apreciaciones que hicieron al respecto.

C
E
T
O
Trujillo, diciembre del 2018

LI
IB
DAVID ALEXANDER SÁNCHEZ SÁNCHEZ

B
Bachiller en Ciencias Estadísticas

RESUMEN
” MODELO ARIMA PARA EL PRONÓSTICO DE LA PRODUCCIÓN DE
CACAO EN EL PERÚ 2012-2018”
Autor: Br. David Alexander Sánchez Sánchez
S
A
Asesor: Lic. Sergio Albert Chafloque Viteri
IC
S
S FÍ
Este estudio es de tipo descriptivo observacional longitudinal, con tendencia, teniendo como
A S
objetivo principal determinar un modelo de pronóstico que mejor explique el
IC A
comportamiento de la producción mensual de cacao, utilizando información del Banco
T I
Á C
Central de Reserva del Perú (BRCP) desde el periodo enero 2012 - julio 2018, siendo esta
M N
una investigación aplicada. La metodología estadística aplicada fue la propuesta por Box-
E IE
Jenkins y la serie se dividió en : enero 2012 a Julio 2017 para la estimación del modelo y de
T C
agosto 2017 a julio 2018 para la validación del pronóstico, esta técnica estadística se encarga
A E
de describir las características de la serie, en términos de sus componentes de interés como

M D
su tendencia y estacionariedad además de predecir futuros valores de la variable, el

Y A
procesamiento de los mismos se efectuó con el programa estadístico Eviews 9.5 y el

C
programa Microsoft Excel 2016 para contrastar los resultados. Finalmente se concluyó que
E
el modelo identificado fue una serie de tendencia estacionaria y el modelo pronosticado fue
T
O
un SARIMA (7,1,7) (1,1,0)12, cuya ecuación es ∆𝑌̂𝑡 = −0.87𝑌𝑡−7 + 0.57𝜀𝑡−7 −

LI
0.43𝜀𝑡−8 −0.89𝑌𝑡−12 + 𝜀𝑡 siendo probada la adecuacidad del modelo. Se pronosticó la

IB
producción mensual de agosto 2018 a diciembre 2018 y se evaluó los pronósticos con: una
B
Desviación Absoluta Media (DAM) de 80 toneladas de cacao, un Error Medio Cuadrático,

(EMC) de 531 toneladas de cacao, un Porcentaje de Error medio Absoluto (PEMA) de 5.6%
y el Porcentaje Medio de Error (PME) de 4% con respecto a los valores originales.
PALABRAS CLAVE: Metodología Box-Jenkins, Producción mensual de cacao,

SARIMA

ABSTRACT
MODEL ARIMA FOR THE FORESCAST OF THE PRODUCTION OF COCOA
IN PERU 2012-2018
Author: Br. David Alexander Sánchez Sánchez
Advisor: Lic. Sergio Chafloque Viteri
S
A
IC
This study is of descriptive observational longitudinal type, with tendency, having like main
S
S FÍ
objective to determine a model of forecast that better explains the behavior of the monthly
production of cacao, using information of the Central Bank of Reserve of Peru (BRCP) from
A S
the period January 2012 - July 2018, this being an applied investigation. The applied
IC A
T I
statistical methodology was the one proposed by Box-Jenkins and the series was divided
Á C
M N
into: january 2012 to july 2017 for the estimation of the model and from august 2017 to july
E IE
2018 for the validation of the forecast, this statistical technique is in charge of describing the
T C
characteristics of the series, in terms of its components of interest such as its trend and
stationarity as well as predicting future values of the variable, the processing of them was
A E
M D
carried out with the statistical program Eviews 9.5 and the Microsoft Excel 2016 program to
compare the results. Finally, it was concluded that the model identified was a series of
Y A
C
stationary trend and the predicted model was SARIMA (7,1,7) (1,1,0)12, whose equation is
E
es ∆𝑌̂𝑡 = −0.87𝑌𝑡−7 + 0.57𝜀𝑡−7 − 0.43𝜀𝑡−8 −0.89𝑌𝑡−12 + 𝜀𝑡 the suitability of the model

T
being tested. The monthly production was forecast from august 2018 to december 2018 and
O
LI
the forecasts were evaluated with: A Mean Absolute Deviation (AMD) of 80 tons of cocoa,
IB
a Mean Square Error (EMC) of 531 tons of poop, an average Error Percentage Absolute
(PEMA) of 5.6% and the Mean Percentage of Error (PME) of 4% with respect to the original
B
values.
KEY WORDS: Box-Jenkins Methodology, Monthly production of cocoa, SARIMA

INDICE
DEDICATORIA………………………………………………………..……………2
PRESENTACIÓN………………………………………………………..………….3
RESUMEN………………………………………………………………..………….4
ABSTRACT………………………………………………………………...………..5
CAPITULO I. INTRODUCCIÓN………………………………………...………..8
1.1 Realidad Problemática……………………………………………………..…9
1.2 Problema…………………………………………………………………….11
1.3 Justificación del Problema…………….…………………………………….11
S
1.4 Hipótesis………………………………………………………………...…..11
A
1.5 Objetivos…………………………………………………………………...12
IC
1.5.1 Objetivo General……………………………………………………..12
1.5.2 Objetivos Específicos………………………………………….……..12
S
CAPITULO II. MARCO TEORICO……………………………………………..13
S FÍ
2.1 Marco Teórico…………………………………………………..…………....14
2.1.1 Metodología Box-Jenkins…………………………………..……..…...14
A S
2.1.2 Conceptos Básicos…………………………………………..………....14
IC A
2.1.3 Procedimiento de La Metodología Box-Jenkins…………..…….….....15
2.2 Definición Conceptual…………………………………………….……….....25
T I
Á C
2.2.1 Cacao………………………………………………………….….........26
M N
2.2.2 Producción de Cacao……………………………….…….…….……...26

2.3 Marco Empírico……………………………………………………….…...…27
E IE
CAPITULO III. MATERIAL DE ESTUDIOS…………………………….……..31

3.1 Material De Estudio…………………………………………….…...….……32
T C
3.1.1 Población ……………………………………………………………..32

A E
3.1.2 Muestra……………………………………………………...………….32
M D
3.1.3 Variables De Estudios……………………………………………..…....32

3.1.4 Tipo De Investigación…………………………………………………..32
Y A
3.1.5 Diseño de Contrastación de Hipótesis………………………………….32

C
3.1.6 Unidad de Análisis…………………………………………………...…33

E
3.1.7 Marco Muestral……………………………………………….………...33

3.2 Métodos de Estudio……………………………………………………….…..33
T
3.2.1 Recolección de Datos…………………………………………………..33

O
3.2.2 Análisis Estadístico……………………………………………………..34

LI
3.2.3 Procesamiento de Datos….……………………………………………..35

CAPITULO IV. RESULTADOS ……………...………………………..……….…36
IB
4.1 Producción Mensual De Cacao En El Perú-Millones De

B
Toneladas……………………………………………………...………………37
CAPITULO V. DISCUSION Y ANALISIS………………...……………….……..47
CAPITULO V. CONCLUSIONES Y RECOMENTACIONES……………….....53
5.1 Conclusiones………………………………………………………..………....54
5.2 Recomendaciones……………………………………………………….…….56
CAPITULO VI. BIBLIOGRAFIA………………………………………………….57
CAPITULO VII. ANEXOS………………………………………………………….60
7.1 Anexos……………………………………………………………...……….....61
7.1.1 Anexo1…………………………………………………………..………..61

S
A
IC
S
S FÍ
A S
IC A
T I
Á C
M N
E IE
CAPÍTULO I:
T C
A E
INTRODUCCIÓN
M D
Y A
C
E
T
O
LI
IB
B

I. INTRODUCCIÓN
1.1 REALIDAD PROBLEMÁTICA:
El buen momento que está viviendo nuestro país con respecto a la economía ha
repercutido en los diferentes sectores de la producción entre los que destacan la
agricultura, la pesca y la minería, pero especialmente en la agricultura que se ha
S
A
desarrollado exponencialmente con los avances tecnológicos que ayudan con el
IC
crecimiento y el buen manejo de estrategias para facilitar que el producto llegue con gran
S
S FÍ
calidad a sus hogares. (12)
A S
IC A
T I
Además, en el sector se ha incrementado las oportunidades de trabajo para los
Á C
M N
diferentes agricultores de la región a la vez que se han aperturado nuevos canales de

E IE
comercialización. La agricultura al ser la actividad laboral más usual, genera más ingresos
T C
en las familias peruanas. (12)

A E
M D
Y A
Muchas investigaciones se han abocado a la producción de azúcar, ya que es un

C
E
negocio muy rentable, también a la producción de frutas como las uvas, mangos, etc., así
T
O
también, los productos industrializados en nuestro país como es la producción de

LI
espárragos entre otros donde existe mucha demanda no solo en nuestro país sino en países
IB
del primer mundo.

B
La producción de cacao es muy poco vista en el Perú ya que solo se produce en
toda la selva norte de nuestro país y parte de la sierra, pero es una buena alternativa en
donde los empresarios puedan invertir dinero ya que el Perú tiene un enorme potencial
para la producción y este tipo de cultivo tiene una demanda considerable en países

europeos, ya que el cultivo del cacao es una de las especies vegetales de usos más
diversificados, y cuyos granos son utilizados en la elaboración de productos en las
industrias de confitería, chocolatería, alimentos, farmacéutica y cosmética.
Los estudios de este producto no son muy frecuentes en nuestro país, y por
consiguiente no existe mucha información al respecto. Actualmente los estudios se
S
A
inclinan más, por las investigaciones que involucran elevar los niveles de calidad de un
IC
producto, maximizar su producción, entre otros factores que de alguna manera les permite
S
S FÍ
mayor acceso a los mercados no solo nacionales sino internacionales, por lo que se tiende
A S
a la exportación; el cacao es un producto de exportación, sin embargo, no se han
IC A
T I
encontrado estudios que se hayan realizado con fines de pronosticar su producción a
Á C
M N
futuro, por lo que el presente estudio tiene como interés aplicar una técnica estadística
E IE
que permita estudiar la producción.

T C
A E
M D
De este párrafo se desprende no solo el interés de conocer las metodologías

Y A
utilizadas para mejorar la calidad producida sino también para afrontar con eficiencia la
C
E
planificación del recurso, por ende, será necesario tener predicciones confiables de la
T
O
futura situación de la producción del sector; así también será necesario saber cómo
LI
debería ser evaluado metodológicamente los parámetros a considerar.

IB
B
La investigación estadística ha desarrollado teorías y métodos que se han
convertido en herramientas imprescindibles para la estimación, comparación y
predicción. Entre estos métodos estadísticos se encuentra la regresión, métodos
multivariados, los modelos arima, modelos sarima, redes neuronales entre otros. Estos

métodos pueden ser empleados fundamentalmente en analizar las relaciones existentes
entre variables, y que finalmente permitan realizar una adecuada toma de decisiones.
De lo anteriormente expuesto se ha creído conveniente formular el siguiente
problema de investigación.
1.2 PROBLEMA:
S
A
¿Cómo es la evaluación del modelo arima para el pronóstico de la producción de cacao
IC
en el periodo de la serie de enero 2012 a julio 2018?
S
S FÍ
A S
1.3 JUSTIFICACIÓN DEL PROBLEMA:
IC A
T I
La presente investigación pretende estudiar cómo es la evaluación del modelo
Á C
M N
arima para el pronóstico para la producción de cacao, teniendo en cuenta una base de
E IE
datos digitalizada proveniente del Banco Central de Reservas del Perú (BCRP)
T C
A E
M D
Teniendo en cuenta las razones, motivos e importancia del tema estudiado

Y A
El tema que se eligió para estudiar es un tema de actualidad debido a que no han
C
E
encontrado trabajos similares que se aboquen al estudio de la producción de cacao con

T
O
fines de pronóstico nacional, a la vez que se trata de mostrar el uso adecuado de la

LI
metodología estadística, ya que tiene que ir en concordancia con la naturaleza de la

IB
información con que se cuenta.

B
1.4 HIPÓTESIS: Implícita

1.5 OBJETIVOS:
1.5.1 OBJETIVO GENERAL:
Determinar el modelo de pronóstico arima, que mejor explique el
comportamiento de la producción de cacao en el Perú en el periodo de la
S
A
serie de enero 2012-julio 2018
IC
S
S FÍ
1.5.2 OBJETIVOS ESPECÍFICOS:
A S
 Identificar la estructura de la información que sirve para utilizar
IC A
T I un modelo arima
Á C
M N
 Proponer la metodología de modelos arima adecuada

E IE
 Obtener el modelo arima en la serie de producción de cacao en el

T C
periodo de enero 2012-julio 2017

A E
M D
 Evaluar el modelo obtenido en la serie de producción de cacao en

Y A
el periodo de enero 2012-julio 2017

C
E
 Validar el modelo de la serie de producción de cacao en el periodo

T
O
de agosto 2017-julio 2018

LI
 Pronosticar la producción de cacao de 5 meses del periodo de

IB
agosto 2018 - diciembre 2018.

B

S
A
IC
S
S FÍ
A S
IC A
T I
Á C
CAPÍTULO II:
M N
E IE
T C
MARCO TEÓRICO
A E
M D
Y A
C
E
T
O
LI
IB
B

2.1. MARCO TEÓRICO:
2.1.1. METODOLOGÍA BOX-JENKINS:
El método Box-Jenkins de pronóstico es diferente de la mayoría de los
métodos. Esta técnica no asume ningún patrón particular en los datos históricos de la
serie a pronosticar. Utiliza un enfoque iterativo de identificación de un modelo útil a
partir de los modelos de tipo general. El modelo elegido se verifica contra los datos
S
A
históricos para ver si describe la serie con precisión. El modelo se ajusta bien si los
IC
residuos entre el modelo de pronóstico y los puntos de datos históricos son residuos,
S
S FÍ
distribuidos de manera aleatoria e independiente. (10)
A S
IC A
T I
El objetivo de la metodología Box – Jenkins es identificar y estimar un
Á C
M N
modelo estadístico que puede ser interpretado como generador de la información de

E IE
la muestra. En este sentido, si el modelo estimado es usado para la predicción debe

T C
suponerse que las características de la serie son constantes en el tiempo,

A E
M D
especialmente para los periodos futuros. Por lo tanto, la predicción se efectúa sobre
Y A
una base válida considerando que el modelo es estacionario o estable. (4)

C
E
T
O
2.1.2. CONCEPTOS BÁSICOS:

LI
 Modelo estocástico: Es un modelo no determinístico, donde t puede tomar

IB
cualquier valor entre 0 y ∞. Cada variable t puede tomar su propia función de

B
distribución lo que hace que el modelo sea aleatorio y no un modelo determinado
por parámetros claros en las variables y las respuestas de la endógena del
modelo. Una condición básica para los modelos AR y MA es que los valores de
una variable en un momento t no dependerán de los que esta misma tome en t+j,
siendo jota cualquier valor superior a cero.

 Señal de ruido blanco: El ruido blanco es una señal aleatoria (proceso
estocástico) que se caracteriza por el hecho de que sus valores de señal en dos
tiempos diferentes no guardan correlación estadística, es decir, en el eje del
tiempo la señal toma valores sin ninguna relación unos con otros. Usado como
S
término de error.
A
IC
 Estacionariedad: Se define un proceso estacionario como una sucesión de
S
S FÍ
variables aleatorias {Xt}, t= 1,…, n, ordenadas en el tiempo. Es decir, el valor
A S
observado de la serie en el instante t puede ser considerado como una muestra
IC A
T I
aleatoria de tamaño uno de la variable Zt del proceso estocástico definida en
Á C
M N
dicho. El proceso es estacionario si las funciones de distribución conjuntas del

E IE
modelo se mantienen invariantes a lo largo del tiempo. Finalmente decimos que

T C
un modelo lineal será estacionario si la serie converge para un operador B menor

A E
M D
o igual a 1.
Y A
C
E
 Invertibilidad: Un proceso de serie de tiempo se considera invertible cuando no

T
O
converge en un modelo estacionario, es decir que el operador B converge en este

LI
caso para valores mayores a 1 en el modelo.

IB
B
2.1.3. PROCEDIMIENTO DE LA METODOLOGÍA BOX-JENKINS:
Las etapas que se deben seguir en la elaboración de un modelo ARIMA con fines
predictivos son las siguientes:

Etapa 1: Identificación.
 Gráfico de la Serie de Tiempo: El examen visual de la trayectoria de la serie a lo
largo del tiempo puede dar una idea de si es o no estacionaria. Si existe algún valor
en tomo al cual la serie va oscilando, pero sin alejarse de forma permanente de dicho
valor, entonces se puede considerar que la serie es estacionaria. (7)
 Prueba de raíz unitaria Dickey – Fuller: La hipótesis a probar es: Ho: ρ=1 y para
S
A
contrastar la hipótesis utilizaremos el siguiente estadístico:
IC
S
S FÍ
̂−𝟏
𝝆
𝒕̂ =
𝑺⁄√∑𝑻
A S
𝒕=𝟏 𝒀𝒕𝟐 −𝟏
IC A
Dónde:
T I
Á C
M N
 ρ: Coeficiente obtenido de la regresión Yt sobre Yt-1

E IE
 S: Error estándar de la regresión

T C
 Yt-1 : Variable desfasada.

A E
M D
Y A
Si el valor calculado del estadístico t (valor absoluto de t) excede los valores

C
E
absolutos críticos de Dickey y Fuller, no se rechaza la hipótesis de que la serie de

T
O
tiempo dada es estacionaria. Si por el contrario, este valor es menor que el valor
LI
crítico, la serie de tiempo no es estacionaria y se tendría que diferenciar.

IB
Por razones teóricas y prácticas, la prueba de Dickey-Fuller aumentada (ADF) se

B
aplica a regresiones efectuadas en la siguiente forma:
∆𝑦𝑖 = 𝜇 + 𝛿𝑦𝑡−1 + 𝑡
Para contrastar las hipótesis:

Ho= Hay raíz unitaria (proceso no estacionario)
H1= No hay raíz unitaria (proceso estacionario)
Se Rechaza H0 si |ADF| > |valor crítico|
 Correlogramas:
A través de la Función de autocorrelación (FAC) y Función de autocorrelación
S
A
parcial (FACP) hallamos los correlogramas resultantes, que son simplemente los
IC
gráficos de FAC y de FACP respecto a la longitud del rezago.
S
S FÍ
A S
IC A
1. Identificación del modelo
T I (seleccón del p,d,q)
Á C
M N
E IE
T C
2. Estimación de parámetros del

método escogido
A E
M D
Y A
C
3. Examen de diagnóstico
E
¿Los residuos estimados son de ruido

blanco?
T
O
Si No
LI
(ir al paso 4) (Regresa al paso 1)

IB
B
4. Pronóstico
Figura 1: Diagrama de flujo de la metodología Box-Jenkins
Fuente: Gujarati & Porter. 2009. pág. 778

Etapa 2: Estimación.
Tras identificar el modelo y los valores apropiados de p, d y q, la siguiente etapa es
estimar los parámetros de los términos autorregresivos y de promedios móviles
incluidos en el modelo (7)
Una vez hecha la estimación se elegirán los modelos que tengan menor suma de
S
A
cuadrados del error y menor AIC (Criterio de información de Akaike), AICc (Criterio
IC
de información de Akaike corregido), BIC (Criterio de Información Bayesiano).
S
S FÍ
A S
 Criterio de información de Akaike .
IC A
T I 𝐴𝐼𝐶 = 𝑙𝑜𝑔𝜎 ̂ 2 +𝑛 + 2𝑘/ 𝑛
Á C
M N
Dónde:
E IE
 𝜎 ̂2: Es la suma cuadrática de los residuos sobre n

T C
 𝑘: Número de parámetros en el modelo

A E
M D
 𝑛: Número de observaciones
Y A
C
E
 Criterio de información de Akaike Corregido.

T
O
𝐴𝐼𝐶𝑐 = 𝑙𝑜𝑔𝜎 ̂ 2 + 𝑛 + 2𝑘* 𝑛 − 𝑘 − 2

LI
Dónde:
IB
 𝜎 ̂2: Es la suma cuadrática de los residuos sobre n

B
 𝑛: Número de observaciones

 Criterio de información Bayesiano: Llamado también SIC (Criterio de información
de Schwarz). (7)
𝐵𝐼𝐶 = 𝑙𝑜𝑔𝜎 ̂𝑘 2 +𝑘*𝑙𝑜𝑔𝑛/𝑛
Dónde:
 𝜎 ̂𝑘 2: Es la suma cuadrática de los residuos sobre n
S
A

IC
𝑛: Número de observaciones
S
S FÍ
Se evaluarán si los coeficientes del modelo son estadísticamente significativos: para
A S
IC A
ello se utilizará el valor de la estadística p de cada coeficiente del modelo ARIMA
T I
Á C
ajustada, llegando a la conclusión que si p ≤ 0.05 los coeficientes son
M N
estadísticamente significativos. (7)

E IE
T C
A E
Etapa 3: Verificación o Validación.

M D
Después de seleccionar un modelo y estimar sus parámetros, se trata de ver luego si

Y A
C
el modelo seleccionado se ajusta a los datos en forma razonablemente buena. Para

E
T
ello veremos lo siguiente:

O
LI
IB
Un método sencillo para la adecuacidad del modelo es un ajuste razonable a los datos
B
es obtener los residuos y calcular la FAC y FACP; si resultaran ser estadísticamente
significativas para mayoría de rezagos, se debe buscar otro modelo que represente
mejor a la serie temporal. Los residuos del modelo estimado se aproximan al
comportamiento de un ruido blanco.
La hipótesis a probar: 𝐻0 = 𝜌1 = 𝜌2 = 𝜌3 ………𝜌𝑘 = 0

Estadístico Q de Box y Pierce-Ljung, (7)
𝑄 = 𝑛 ∑𝑝̂𝑘 2 𝑚 𝑘=1
La estadística Q está distribuida aproximadamente como una distribución ji cuadrada
con k-p-q grados de libertad.
Dónde:
S
N: Longitud de la serie histórica.
A
 K: Primeras k autocorrelaciones que se verifiquen
IC

S
m: Número máximo de retrasos empleados.
S FÍ
 ρk: Función de autocorrelación de la muestra del k-ésimo término del
A S
residuo.
IC A
T I
d: Grado de diferenciación para obtener una serie estacionaria.
Á C
M N
Si el valor de Q calculado es mayor que X2 con k-p-q grados de libertad a un nivel

E IE
de significancia de a=0.05, entonces se debe considerar que el modelo es inadecuado;

T C
A E
es decir los residuos no se aproximan al comportamiento de un proceso de ruido

M D
blanco.
Y A
C
E
Estadístico Ljung-Box (LB), una variante del estadístico de Q de Box – Pierce

T
O
teniendo mejores propiedades para muestras pequeñas que el estadístico Q. (7)

LI
𝐿𝐵 = (𝑛 + 2) ∑𝑝̂𝑘 2 𝑛 – 𝑘 𝑚
IB
B
𝑘=1 La estadística Q está distribuida aproximadamente como una distribución ji
cuadrada con k-m (m: longitud del rezago) grados de libertad.
Si el modelo estimado supero satisfactoriamente todas las etapas antes
mencionadas, se estará en condiciones de utilizarlo en la predicción de valores
futuros de la serie, en caso contrario se volverá a la etapa 1.

Etapa 4: Pronóstico.
Una vez que se encontró un modelo adecuado, se puede utilizar el modelo para
realizar pronósticos para uno o varios periodos a futuro. Debemos tener en cuenta
que, al haber más datos disponibles, se puede utilizar el mismo modelo para revisar
los pronósticos, seleccionando otro periodo de origen y si la serie parece cambiar a
través del tiempo, poder ser necesario recalcular los parámetros o incluso un modelo
S
A
nuevo por completo. (7)
IC
S
S FÍ
Se han ideado diversos métodos para resumir los errores generados por una técnica
A S
particular de pronóstico.
IC A
T I
Á C
M N
Desviación Absoluta Media (DAM): Mide la precisión de un pronóstico mediante

E IE
el promedio de los valores absolutos de cada error. Resulta de gran utilidad cuando
T C
el analista desea medir el error de pronóstico de las mismas unidades de la serie

A E
M D
original. (7)
Y A
𝐷𝐴𝑀 = ∑ |𝑌 𝑡 − 𝑌 ̂𝑡|𝑛 𝑖=1 𝑛

C
E
T
O
Error Medio Cuadrado (EMC): Este enfoque penaliza los errores mayores de
LI
pronóstico ya que eleva cada uno al cuadrado, esto es importante pues en ocasiones
IB
pudiera ser preferible una técnica que produzca errores moderados a otra que por lo
B
regular tenga errores pequeños, pero que ocasionalmente arroje algunos en extremo
grandes. (7)
𝐸𝑀𝐶 = ∑ (𝑌 𝑡 − 𝑌 ̂𝑡)2𝑛 𝑡=1 𝑛

Porcentaje de Error Medio Absoluto (PEMA): Este enfoque es útil cuando el
tamaño o magnitud de la variable de pronóstico es importante en la evaluación de la
precisión del pronóstico. El PEMA proporciona una indicación de qué tan grandes
son los errores de pronóstico comparados con los valores reales de la serie. También
se puede utilizar el PEMA para comparar la precisión de la misma u otra técnica
sobre dos series completamente diferentes. (7)
S
A
𝑃𝐸𝑀𝐴 = ∑ |𝑌𝑡−𝑌 ̂𝑡| 𝑌𝑡 𝑛 𝑡=1 𝑛
IC
S
S FÍ
Porcentaje Medio de Error (PME): Se emplea cuando se desea determinar si un
A S
método de pronóstico está sesgado. Si el PME arroja un porcentaje cercano a cero, el
IC A
T I
enfoque de pronóstico no ésta sesgado. Si el resultado es un porcentaje negativo
Á C
M N
grande, el método de pronóstico está sobrestimando de manera consistente. Si el

E IE
resultado es un porcentaje positivo grande, el método de pronóstico está

T C
subestimando de forma consistente. (7)

A E
M D
𝑃𝑀𝐸 = ∑ (𝑌𝑡−𝑌 ̂𝑡) 𝑌𝑡

Y A
C
E
T
O
LI
IB
B

S
A
IC
S
S FÍ
A S
IC A
T I
Á C
M N
E IE
T C
A E
M D
Y A
C
E
T
O
LI
IB
B
Figura 2: Coeficiente de autocorrelación y de autocorrelacion

parcial de los modelos AR(1) y AR(2)
Fuente: Hanke & Wichern (2006), Pág. 383

S
A
IC
S
S FÍ
A S
IC A
T I
Á C
M N
E IE
T C
A E
M D
Y A
C
E
T
O
LI
IB
B
Figura 3: Coeficiente de autocorrelación y de autocorrelacion parcial

de los modelos MA(1) y MA(2)
Fuente: Hanke & Wichern (2006), Pág. 384

2.2. DEFINICION CONCEPTUAL:
2.2.1. CACAO:
 Definición:
El cacao es uno de los cultivos alimenticios que desde el punto de vista
tecnológico e industrial ha tenido un avance más lento. Quizás una de las razones
se debe a su carácter altamente minifundista y las características de
S
A
incompatibilidad genética que lo caracterizan. En el aspecto de su reproducción
IC
en los últimos años el productor está regresando a su etapa de inicio del cultivo,
S
S FÍ
después de la revolución genética, con la recombinación de genes para la
A S
obtención de plantas biclonales (F1) para mejorar la producción, resistencia a
IC A
T I
enfermedades y la calidad. Las investigaciones giran de nuevo a la práctica de
Á C
M N
reproducción asexual por medio de injertos y estacas enraizadas. (3)

E IE
El cacao peruano ha ganado en los últimos años, premios

T C
internacionales siendo reconocido como uno de los mejores del mundo, por tal
A E
M D
motivo algunas de las fábricas más exclusivas de chocolate de Suiza, Bélgica y

Y A
Francia, elaboran sus productos con este cacao. (3)

C
E
El cacao peruano se cultiva en la parte baja de la vertiente occidental de

T
O
los andes, y en la selva peruana, entre los 300 y 900 m.s.n.m. siendo las
LI
principales regiones donde se cultiva este delicioso grano Cusco, San Martín,
IB
Amazonas, Piura, Ayacucho y Junín que representan el 80% del total de la

B
producción nacional. (3)

2.2.2. PRODUCCIÓN DE CACAO:
 En el Perú:
El Perú es uno de los principales lugares originarios del cacao, posee el
60% de las variedades de cacao del mundo. El cacao se ha convertido en uno de
los ingredientes peruanos de mayor calidad mundial al igual que el café, creando
valor agregado en fábricas de chocolate de primera calidad. El Perú ha sido
S
A
calificado por la Organización Internacional del Cacao (ICCO) como un país en
IC
donde se produce y se exporta un cacao fino y de aroma, logrando el 36% de la
S
S FÍ
producción mundial de este tipo. (3)
A S
 En el Mundo:
IC A
T I
En el mundo el cacao, desde el punto de vista tecnológico e industrial,
Á C
M N
ha tenido un avance muy limitado. Esto debido al elevado minifundio, bajo

E IE
sistemas de agricultura de subsistencia y a su incompatibilidad genética. En tal

T C
sentido, alrededor del 90% de la producción proviene de pequeñas propiedades

A E
M D
de menos de 5 Ha, cuyos productores están poco organizados, con

Y A
infraestructuras precarias y que recurren a intermediarios para vender sus

C
E
cosechas. Se enfrentan a un mercado muy concentrado con pocos compradores,

T
O
que venden el cacao en grano a una industria de transformación igualmente

LI
concentrada. De todo el cacao mundial, las dos terceras partes son procesadas en
IB
el mundo industrializado (3)

B
El tipo de cacao que más se comercia en el mundo es el cacao ordinario,
que representa aproximadamente entre el 90% y 92% de la producción mundial
y que proviene de las variedades forastero; mientras que el cacao fino o
aromático, que proviene de las variedades criollo o trinitario, apenas participa
entre el 5% al 8% del total mundial. (3)

2.3. MARCO EMPIRICO:
Existen varios trabajos realizados a nivel internacional sobre producciones de
productos agropecuarios:
A nivel internacional en Cuba, Sánchez (2013) realizó una tesis titulado:
S
A
Pronóstico de la producción de leche, mediante modelos ARIMA. Caso UBPC -Maniabo.
IC
Para esta investigación se utilizó los modelos arimas multivariado para 5 variables
S
S FÍ
conjuntas que fueron X1=producción de leche (L) , X2=vacas en ordeño (cabezas) ,
A S
X3=nacimientos(cabezas), X4=muertes(cabezas), X5=litros por vaca (L) , que se
IC A
T I
seleccionaron del total de 19 variables producidas relacionados con los indicadores de
Á C
M N
producción del leche en la empresa pecuaria cuenca lechera de la tunas , para esta
E IE
selección se aplicó los procesos descriptivos para analizar el comportamiento de los datos
T C
conjunto con una regresión múltiple con uso de componentes principales, para determinar
A E
M D
cuáles variables ejercían mayor influencia en la producción. La serie temporal fue

Y A
analizada para un periodo de 16 años desde enero de 1994 hasta diciembre de 2010 que
C
E
hace un total de 192 meses. Al efectuarse los modelos arima y siguiendo la metodología
T
O
box-Jenkins, se encontró ausencia de tendencia y estacionariedad altamente significativa

LI
y ajustándose a un modelo del tipo ARIMA (1,0,3) (0,1,0) y se halló un pronóstico a

IB
mediano plazo del año 2011-2013 donde se obtuvieron errores aceptables, incluyendo
B
EMP (error medio porcentual) =15% aproximadamente y se acercaron a los valores del
año 2011 y este a su vez fue tomado como referente en la validación y se pronosticó año
tras año.

En México, Sánchez, Barreras, Pérez, Figueroa y Olivas (2013) realizaron, un
trabajo titulado: Aplicación de un modelo arima para pronosticar la producción de leche
de bovino en baja california. Para este trabajo el objetivo fue seleccionar el mejor modelo
en la producción de leche para esto se aplicó un modelo de series de tiempo univariado
tipo ARIMA, se utilizó solamente un sola variable Xi=Producción de leche de bovino(l),
en el estado de baja-california y siguiendo la metodología de Box-Jenkins. La serie
S
A
temporal fue analizada por un período comprendido entre enero del 2000 a octubre del
IC
2009, con un total de 106 meses. Al efectuarse los modelos arima, se aplicó el análisis
S
S FÍ
correlograma y el Dickey Fuller aumentado para observar si existía estacionariedad y
A S
tendencia, y del análisis obtuvieron 2 modelos propuestos y evaluados: ARMA (1,1) y un
IC A
T I
ARMA (2,2). Los parámetros fueron estimados con un MCO, con base a estos aplicaron
Á C
M N
los criterios Akaike y Schwarz y los resultados fueron para el modelo

E IE
ARMA(1,1)Akaike=18.06, Schwarz=18.03 , del modelo

T C
ARMA(2,2)Akaike=18.20, Schwarz=18.27 y se definió el mejor modelo ,

A E
M D
adicionalmente se analizó los residuales y la capacidad predictiva de cada modelo a través

Y A
de estadísticos de calidad de ajuste , resultando a ARMA(1,1) como el mejor modelo

C
E
para describir la producción.

T
O
LI
También en México, Delgadillo, Ramírez, Leos, Salas y Valdez (2016)

IB
realizaron, su tesis titulada: Pronósticos y series de tiempo de rendimientos de granos

B
básicos en México. el objetivo fue pronosticar sus valores de rendimiento en un corto
plazo. Para esta investigación se utilizó la metodología Box-Jenkins o metodología de
series de tiempo la cual fue modelada en una sola variable Xi= rendimiento de granos
básicos (gr), obtenida en México. La serie temporal fue analizada en unos 20 años con un
periodo comprendida de enero 1890 hasta diciembre 2010 con un total de 240 meses. En

los resultados el mejor modelo para estimar rendimientos de granos en México fue el
ARIMA (1,0,1),así también fue utilizado el correlograma con el Dickey fuller para
observar la estacionariedad. Estos fueron validaos con el año 2011 desde enero a
diciembre a su vez se pronosticó desde los años de periodo de 2012 hasta 2017 y con un
criterio Akaike=12.96 para validar lo expuesto anteriormente y plasmando esta
comparación mediante un gráfico de dispersión. Así, los pronósticos obtenidos en este
S
A
trabajo pueden ser utilizados en la toma de decisiones de producción y compra-venta de
IC
granos en la ciudad de México.
S
S FÍ
A S
También en la ciudad de México Ruiz, Hernández y Rodríguez (2011),
IC A
T I
realizaron, su investigación titulado: Análisis de series de tiempo en el pronóstico de la
Á C
M N
producción de caña de azúcar. El objetivo de este trabajo fue determinar el mejor modelo
E IE
de pronóstico que explique el comportamiento de la zafra o cosecha de la caña del ingenio

T C
Independencia en México y pronosticar la zafra 2006-2007 con un total de 24 meses. Se

A E
M D
utilizó la metodología Box-Jenkins donde se construye un modelo de serie temporal

Y A
llamado ARIMA con una sola variable que fue Xi= Volumen de caña de azúcar
C
E
(toneladas) y asimismo encontrar el mejor ajuste de la serie temporal de la producción, a

T
O
fin de que los pronósticos sean más acertados para estos años antes mencionada. La serie
LI
temporal fue analizada, obtenida de las cosechas de caña de azúcar desde el año 1949 a
IB
2006 con un total de 684 meses. En los resultados aplicaron gráficos para observar la
B
tendencia y asimismo el Dickey fuller para presenciar la tendencia y corregirla
complementado con el correlograma para identificar donde puede haber el ruido blanco,
y obtuvieron asi el mejor modelo que fue un ARIMA (1,2,0) con el cual se pronosticó
que la zafra del 2006-2007 como un resultado de 11 974 toneladas de azúcar, en contraste
con la producción real de 12 736 toneladas, lo que indica que el pronóstico realizado con

el modelo es preciso en un 94%, y este resultado estuvo influenciado por la disminución
de la superficie sembrada en un 1.5%. de los datos realizados.
No existen investigaciones de manera específica que se hallan evocado en la
utilización adecuada de técnicas estadísticas en el manejo de pronósticos en la producción
de cacao, teniendo en cuenta la utilización de la metodología Box-Jenkins, ya que
S
A
solamente se han registrado estudios basados en su descripción y mejoramiento sobre este
IC
alimento, también realizaron estudios de plan estratégicos para la producción y
S
S FÍ
comercialización utilizando un soporte técnico de perfil para evaluar su rentabilidad a la
A S
vez que aplicaron conocimientos microbiológicos, es decir pusieron bacterias como
IC A
T I
abonos en las plantas para evaluar el buen crecimiento y así tener mejor calidad en su
Á C
M N
producción.
E IE
T C
A E
M D
Y A
C
E
T
O
LI
IB
B

S
A
IC
S
S FÍ
CAPÍTULO III:
A S
IC A
T I
Á C
MATERIAL Y
M N
E IE
T C
MÉTODOS
A E
M D
Y A
C
E
T
O
LI
IB
B

III. MATERIAL Y MÉTODOS
3.1. MATERIAL DE ESTUDIO:
3.1.1 POBLACIÓN:
la población objetivo está constituida por la base de datos digitalizada extraída del
BCRP(https://estadisticas.bcrp.gob.pe/estadisticas/series/mensuales/resultados/PN0
1796AM/html)
S
A
3.1.2 MUESTRA:
IC
La muestra es toda la población registrada
S
S FÍ
3.1.3 VARIABLES DE ESTUDIO:
A S
La variable de estudio es la Producción mensual de cacao en el Perú (miles de
IC A
toneladas/mes).
T I
Á C
M N
3.1.4 TIPO DE INVESTIGACIÓN:

E IE
Descriptico-longitudinal con tendencia.

T C
3.1.5 DISEÑO DE CONTRASTACIÓN DE HIPOTESIS:

A E
M D
Se representa en el siguiente esquema de diseño:

Y A
La presente investigación involucra un diseño descriptivo observacional

C
E
longitudinal.
T
O
LI
Y Y Y
IB
B
P P P P
Donde:
P: Población
Y: Variable Dependiente (La producción mensual en miles de toneladas de cacao en
el Perú).

3.1.6 UNIDAD DE ANÁLISIS:
La unidad de análisis está constituida por cada registro mensual de la producción
nacional de cacao.
3.1.7 MARCO MUESTRAL:
Los datos utilizados en la presente investigación fueron obtenidos de la página del
BCRP, siendo su fuente el Ministerio de Comercio Exterior y Turismo., donde
S
A
muestra la cantidad en miles de toneladas de la producción mensual de cacao del Perú
IC
en el periodo de la serie de enero 2012 - julio 2018. (disponible
S
S FÍ
https://estadisticas.bcrp.gob.pe/estadisticas/series/mensuales/resultados/PN01796A
A S
M/html)
IC A
T I
Á C
M N
3.2. MÉTODOS DE ESTUDIO:

E IE
3.2.1 RECOLECCIÓN DE DATOS:

T C
Para el desarrollo de este trabajo, los datos son obtenidos directamente de la base de
A E
M D
datos de la página BCRP para el periodo seleccionado en el estudio comprendido de

Y A
enero 2012 - julio 2018.

C
E
T
O
LI
IB
B

3.2.2 ANÁLISIS ESTADÍSTICO:
Se realizó empleando la Metodología Box-Jenkins, que comprende:
1. Identificación del modelo

(seleccón del p,d,q)
S
2. Estimación de parámetros del
A
método escogido
IC
S
S FÍ
3. Examen de diagnóstico
¿Los residuos estimados son de
A S
ruido blanco?
IC A
T ISi No
Á C
(ir al paso 4) (Regresa al paso 1)
M N
E IE
4. Pronóstico
T C
A E
M D
Fuente: Gujarati & Porter. 2009. pág. 778

Y A
Etapa 01:Identificación:
C
E
 Determinar si la serie es estacionaria.

T
O
 Análisis gráfico.
LI
 Emplear la prueba de Dickey-Fulller Aumentada para evaluar la

IB
presencia de raíz unitaria.

B
 Correlogramas de la función de autocorrelación(FAC) y función de
autocorrelación parcial(FACP).
Etapa 02:Estimación:
 Estimación de coeficientes.
 Criterio de información de Akaike

 Criterio de información de Schwarz
 Suma de cuadrados del Error
 Coeficientes estadísticos significativos
Etapa 03:Validación:
 Correlogramas de la función de autocorrelación(FAC) y función de
autocorrelación parcial(FACP) de los residuos.
S
A
 Evaluación del supuesto de Normalidad (Prueba Jaque-Bera)
IC
 Evaluación del supuesto de heterocesdeticidad (Prueba White)
S
S FÍ
 Evaluación del supuesto de autocorrelación (Prueba Breusch-Godfrey)
A S
Etapa 04:Pronóstico:
IC A

T I
Desviación Absoluta Media (DAM)
Á C
M N
 Error Medio Cuadrado (EMC)

E IE
 Porcentaje del Error Medio Absoluta (PEMA)

T C
 Porcentaje Medio del Error(PME)

A E
M D
 Con el modelo estimado se realizará un pronóstico de la producción

Y A
mensual de cacao de agosto-diciembre 2018.

C
E
3.2.3 PROCESAMIENTO DE DATOS:

T
O
El procesamiento de datos se realizó mediante el uso de los siguientes softwares

LI
Estadísticos:
IB
EVIEWS 9.5: Para el modelamiento de la serie de producción por modelos

B
arima y cálculos de pronósticos.
MICROSOFT EXCEL 2016: Para comparar pronósticos de ambos modelos
de los valores reales y los pronosticados y obtener así el más eficiente.

S
A
IC
S
S FÍ
A S
CAPÍTULO IV: IC A
T I
Á C
M N
RESULTADOS
E IE
T C
A E
M D
Y A
C
E
T
O
LI
IB
B

IV. RESULTADOS
4.1 PRODUCCIÓN MENSUAL DE CACAO EN EL PERÚ- MILES DE

TONELADAS-AGRÍCOLA
ETAPA 1: IDENTIFICACIÓN DEL MODELO.
FASE 1: ESTACIONAIEDAD DE LA SERIE:
S
A
Producción agropecuaria (miles de toneladas) - Agrícola - Cacao
IC
16
S
S FÍ
14
A S
12
10
IC A
T I
Á C
8
M N
E IE
6
T C
4
A E
M D
2
Ene12
Jul12
Ene13
Jul13
Ene14
Jul14
Ene15
Jul15
Ene16
Jul16
Ene17
Jul17
Oct12
Oct13
Oct14
Oct15
Oct16
Abr12
Abr13
Abr14
Abr15
Abr16
Abr17
Y A
C
E
T
FIGURA N°04: COMPORTAMINETO ORIGINAL DE LA PRODUCCIÓN DE

O
CACAO EN EL PERÚ EN MILES DE TONELADAS-AGRICOLA.

LI
Fuente: Elaborado por el autor en base a los datos del BCRP

IB
Resultados: Eviews 9.5

B

S
A
IC
S
S FÍ
A S
IC A
T I
Á C
FIGURA N°05: FUNCIÓN DE AUTOCORRELACIÓN Y AUTOCORRELACIÓN
M N
PARCIAL DE LA SERIE ORIGINAL DE LA PRODUCCIÓN MENSUAL DE CACAO

DEL PERÚ –MILES DE TONELAS
E IE

T C

A E
TABLA N° 01: PRUEBA DE RAIZ UNITARIA DE DICKEY FULLER AUMENTADO

M D
PARA LA SERIE ORIGINAL DE LA PRODUCCIÓN MENSUAL DE CACAO DEL

Y A
PERÚ –MILES DE TONELADAS

C
Null Hypothesis: PRODUCCION_CACAO_MENSUAL has a unit root

E
Exogenous: none
T
Lag Length: 11 (Automatic - based on SIC, maxlag=12)

O
LI
t-Statistic Prob.*
IB
Augmented Dickey-Fuller test statistic 0.389370 0.9808

Test critical values: 1% level -3.555023
B
5% level -2.915522
10% level -2.595565


PRIMERA DIFERENCIA-PRODUCCIÓN DE CACAO DEL PERÚ

5
S
-1
A
-2
IC
-3
S
-4
S FÍ
Ene12
Jul12
Ene13
Jul13
Ene14
Jul14
Ene15
Jul15
Ene16
Jul16
Ene17
Jul17
Oct12
Oct13
Oct14
Oct15
Oct16
Abr12
Abr13
Abr14
Abr15
Abr16
Abr17
A S
IC A
FIGURA N° 06: PRIMERA DIFERENCIA- EN LA SERIE REGULAR DE LA
T I
PRODUCCIÓN MENSUAL DE CACAO DEL PERÚ EN MILES DE TONELADAS
Á C
M N

E IE
T C

A E
CON UNA DIFERENCIACIÓN PARA LA SERIE DE LA PRODUCCIÓN MENSUAL

M D
DE CACAO DEL PERÚ –MILES DE TONELADAS.

Y A
Augmented Dickey-Fulle Unit Root Test on D(Produccion_Cacao)

C
Null Hypothesis: D(PRODUCCION_CACAO_) has a unit root

E
Exogenous: None
T

O
LI
t-Statistic Prob.*
IB
Augmented Dickey-Fuller test statistic -2.193637 0.0284

B

5% level -1.946996
10% level -1.612934
*MacKinnon (1996) one-sided p-values.



CON UNA DIFERENCIACIÓN PARA LA SERIE ESTACIONAL DE LA
PRODUCCIÓN MENSUAL DE CACAO DEL PERÚ –MILES DE TONELADAS.
Null Hypothesis: SPC2018 has a unit root

Exogenous: None
t-Statistic Prob.*
S
A
Augmented Dickey-Fuller test statistic -7.842288 0.0000
IC
S
5% level -1.947248
S FÍ
10% level -1.612797
A S
*MacKinnon (1996) one-sided p-values.
IC A
T I
Á C
M N

E IE
T C
PRIMERA_DIFERENCIA_SERIE_ESTACIONAL_DE_LA PRODUCCION_DE_CACAO
.3
A E
M D
.2
Y A
.1
C
.0
E
T
-.1
O
-.2
LI
IB
-.3
Ene12
Ene13
Ene14
Ene15
Ene16
Ene17
Oct12
Oct13
Oct14
Oct15
Oct16
Jul12
Jul13
Jul14
Jul15
Jul16
Jul17
Abr12
Abr13
Abr14
Abr15
Abr16
Abr17
B
FIGURA N° 07: PRIMERA DIFERENCIA- PARA LA SERIE ESTACIONAL DE LA

PRODUCCIÓN MENSUAL DE CACAO DEL PERÚ EN MILES DE TONELADAS

FASE 2: IDENTIFICACIÓN DEL MODELO.

S
A
IC
S
S FÍ
A S
IC A
T I
Á C
M N
FIGURA N°08: FUNCIÓN DE AUTOCORRELACIÓN Y AUTOCORRELACIÓN

E IE
PARCIAL DE LA SERIE ESTACIONAL DE LA PRODUCCIÓN MENSUAL DE

CACAO DEL PERÚ –MILES DE TONELAS.
T C
A E

M D

Y A
TABLA N° 04: ANÁLISIS DE LOS DIFERENTES ERRORES ESTÁNDARES DE

C
ESTIMACIÓN (E.E.E) Y DE LOS CRITERIOS DE AKIKE Y SCHWARZ.

E
T
MODELOS E.E.E AKAIKE SCHWARZ

O
SARIMA(0,1,8)(1,1,0)12 0.583 2.240 2.271

LI
SARIMA(2,1,1)(1,1,0)12 0.634 2.311 2.222

IB
SARIMA(4,1,7)(1,1,0)12 0.573 4.524 4.672

SARIMA(5,1,2)(1,1,0)12 0.608 2.422 2.232
B
SARIMA(7,1,0)(1,1,0)12 0.566 4.758 4.868

SARIMA(7,1,4)(1,1,0)12 0.573 4.228 4.339
SARIMA(7,1,7)(1,1,0)12 0.535 2.173 2.320
SARIMA(8,1,7)(1,1,0)12 0.571 3.809 3.956


TABLA N° 05: ANÁLISIS DE VARIANZA PARA EL MODELO SARIMA

(7,1,7)(1,1,0)12. SIN INTERCEPTO DE LA PRODUCCIÓN MENSUAL DE CACAO
DEL PERÚ EN MILES DE TONELADAS. ENERO2012-JULIO 2017.
Variable Coefficient Std. Error t-Statistic Prob.
AR(7) -0.873108 0.136694 -6.387336 0.0000

SAR(12) -0.893035 0.126586 -7.054747 0.0000
S
A
MA(7) 0.571231 0.166744 3.425791 0.0012
IC
MA(8) -0.428769 0.136063 -3.151244 0.0027
S
S FÍ
R-squared 0.488054 Mean dependent var 0.008000
Adjusted R-squared 0.457338 S.D. dependent var 0.731006
A S
S.E. of regression 0.538500 Akaike info criterion 2.172827
Sum squared resid
IC A 14.49912 Schwarz criterion 2.320160
T I
Á C
Log likelihood -54.66634 Hannan-Quinn criter. 2.229648
M N
Durbin-Watson stat 1.979372

E IE
T C

A E

M D
Y A
C
ETAPA 2: ESTIMACIÓN DEL MODELO Y PRUEBA DE SU ADECUACIÓN.

E
El modelo SARIMA (7,1,7) (1,1,0)12 estimado, tiene la siguiente forma:

T
O
𝑌𝑡 = 𝑌𝑡−1 − 𝜃1 𝑌𝑡−7 + 𝜔1 𝜀𝑡−7 + 𝜔2 𝜀𝑡−8 + 𝜙1 𝑌𝑡−12 + 𝜀𝑡

LI
Donde:
IB
Yt: Producción mensual de cacao del Perú (miles de toneladas.)

B
Remplazando los datos, obtenemos la ecuación
∆𝑌̂𝑡 = −0.87𝑌𝑡−7 + 0.57𝜀𝑡−7 − 0.43𝜀𝑡−8 −0.89𝑌𝑡−12 + 𝜀𝑡

ETAPA 3: VALIDACIÓN DEL MODELO.
S
A
IC
S
S FÍ
A S
IC A
T I
Á C
M N
E IE
FIGURA N° 09: TEST DE BOX-PIERCE PARA LA PRUEBA DE ALEATORIEDAD

T C
DE LOS ERRORES.
A E

M D

2
Y A
1
C
E
0
T
1.5
-1
O
1.0
-2
LI
0.5
0.0
IB
-0.5
-1.0
B
-1.5
Feb13
Jun13
Ago13
Oct13
Dic13
Feb14
Jun14
Ago14
Oct14
Dic14
Feb15
Jun15
Ago15
Oct15
Dic15
Feb16
Jun16
Ago16
Oct16
Dic16
Feb17
Jun17
Abr13
Abr14
Abr15
Abr16
Abr17
Res idual Ac tual Fitted
FIGURA N°10: DIFERENCIAS DE VALORES REALES Y PRONOSTICOS DE LA

PRODUCCIÓN MENSUAL DE CACAO DEL PERÚ, BAJO EL MODELO SARIMA
(7,1,7)(1,1,0)12.

16
Series: Residuals
14 Sample 14 67
Observations 54
12
Mean 0.026906
10
Median 0.043621
8 Maximum 1.447508
Minimum -1.311455
6 Std. Dev. 0.522332
Skewness -0.228002
4 Kurtosis 3.690758
S
A
2
Jarque-Bera 1.541445
IC
0 Probability 0.462679
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
S
S FÍ
FIGURA N°11: PRUEBA DE JARQUE-BERA PARA LA NORMALIDAD DE LOS
ERRORES DEL MODELO SARIMA (7,1,7)(1,1,0)12.
A S
IC A
Resultados: Eviews 9.5 T I
Á C
TABLA N°06: PRUEBA BREUSCH-GODFREY PARA LA AUTOCORRELACION
M N
DE LOS ERRORES DEL MODELO SARIMA (7,1,7) (1,1,0)12.

E IE
Breusch-Godfrey Serial Correlation LM Test:

T C
A E
F-statistic 1.086409 Prob. F(2,48) 0.3456

M D
Obs*R-squared 2.338561 Prob. Chi-Square(2) 0.3106

Y A
C

E
Adjusted R-squared -0.059205 S.D. dependent var 0.522332

T

O
Sum squared resid 13.87121 Schwarz criterion 1.921929

LI

IB
Durbin-Watson stat 2.046501

B


TABLA N°07: PRUEBA DE WHITE PARA LA HOMOGENEIDAD DE LOS

ERRORES DEL MODELO SARIMA (7,1,7) (1,1,0)12.
Heteroskedasticity Test: White
F-statistic 0.890569 Prob. F(10,43) 0.5494

Obs*R-squared 9.265021 Prob. Chi-Square(10) 0.5072
Scaled explained SS 10.48455 Prob. Chi-Square(10) 0.3991
S
A
Adjusted R-squared -0.021083 S.D. dependent var 0.440349
IC
S
Sum squared resid 8.513808 Schwarz criterion 1.803153
S FÍ
F-statistic 0.890569 Durbin-Watson stat 1.643625
A S
Prob(F-statistic) 0.549375
IC A
T I
Á C
M N

E IE
T C
TABLA N°08: VALIDACIÓN DEL PRONÓSTICO DE LA PRODUCCIÓN

MENSUAL DE CACAO DEL PERÚ AGOSTO 2017-JULIO 2017- EN MILES DE
A E
TONELADAS.
M D
MESES VALOR REAL PRONÓSTICO DAM EMC PEMA PME

Y A
Ago-17 10.547 11.299 -0.752 0.565 0.071 -0.071

C
Sep-17 9.318 9.840 -0.522 0.273 0.056 -0.056

Oct-17 8.173 8.114 0.060 0.004 0.007 0.007
E
Nov-17 8.951 8.254 0.697 0.486 0.078 0.078

T
Dic-17 9.533 8.954 0.579 0.335 0.061 0.061

O
Ene-18 7.149 7.839 -0.689 0.475 0.096 -0.096

LI
Feb-18 8.550 8.653 -0.103 0.011 0.012 -0.012

Mar-18 9.436 10.563 -1.126 1.269 0.119 -0.119
IB
Abr-18 12.796 12.831 -0.034 0.001 0.003 -0.003

May-18 17.202 16.647 0.556 0.309 0.032 0.032
B
Jun-18 18.356 17.239 1.117 1.248 0.061 0.061

Jul-18 15.994 14.814 1.181 1.394 0.074 0.074
PROMEDIOS 11.334 11.254 0.080 0.531 0.056 0.004


20.000
18.000
16.000
14.000
12.000
10.000
8.000
6.000
4.000
2.000
0.000
S
Ago-17 Sep-17 Oct-17 Nov-17 Dic-17 Ene-18 Feb-18 Mar-18 Abr-18 May-18 Jun-18 Jul-18
A
VALOR REAL PRONÓSTICO
IC
FIGURA N°12: VALORES REALES Y PRONOSTICADOS DE LA PRODUCCIÓN
S
MENSUAL DE CACAO DEL PERÚ AGOSTO 2017-JULIO 2018-EN MILES DE
S FÍ
TONELADAS
A S
IC A
T I
ETAPA 4: PRONÓSTICOS DEL MODELO:
Á C
M N
TABLA N°9: PRONÓSTICO DE LA PRODUCCIÓN MENSUAL DE CACAO DEL

E IE
PERÚ AGOSTO 2018-DICIEMBRE 2018- EN MILES DE TONELADAS.

INTERVALOS DE
T C
MESES PRONOSTICO CONFIDENCIAL :95%

A E
LI LS
M D
Ago-18 13.104 11.837 14.372

Set-18 11.298 9.640 12.957
Y A
Oct-18 10.374 8.440 12.307

C
Nov-18 10.890 8.688 13.092

E
Dic-18 11.247 8.815 13.680

T

O

LI
FIGURA N°13: VALORES REALES Y PRONOSTICADOS DE LA PRODUCCIÓN

MENSUAL DE CACAO DEL PERÚ AGOSTO 2017-JULIO 2018-EN MILES DE
IB
TONELADAS.
B
20.000
15.000
10.000
5.000
0.000
Ago-18 Set-18 Oct-18 Nov-18 Dic-18
PRONOSTICO LI LS


S
A
IC
S
S FÍ
A S
CAPÍTULO V: IC A
T I
Á C
M N
ANÁLISIS Y
E IE
T C
DISCUSIÓN
A E
M D
Y A
C
E
T
O
LI
IB
B

V: ANALISIS:
5.1. PRODUCCION DE CACAO EN EL PERÚ 2012-2018
Se observa en la figura N° 04 que la serie original de la variable de producción
de cacao en el Perú 2012-2018 medida en miles de toneladas hay presencia de
tendencia muy significativa y no es estacionaria, pero a la vez se muestra un
S
comportamiento estacional, esto se corrobora al observar la figura N° 05 de
A
IC
autocorrelacion y autocorrelación parciales, los cuales superan a su respectivo
S
intervalo confidencial. Adicionalmente en la Tabla N° 01, según la Prueba de Raíz
S FÍ
Unitaria Dickey-Fuller Aumentada se observa que la serie original de la producción
A S
IC A
de cacao en el Perú es no estacionaria, debido a que el valor absoluto de “t” (|t|=0.39)
T I
Á C
no excede a los valores absolutos críticos de Mackinson (1% 3.56, 5% 2.91, 10%
M N
E IE
3.0), con un (p=0.98).

T C
A E
Por lo tanto, la presencia de tendencia en la serie original determinó la

M D
necesidad de usar la primera diferencia las cuales se presencia en la figura N° 06,

Y A
C
observándose la ausencia de tendencia y adicionalmente su estacionariedad. Esto se

E
T
corrobora con la Prueba de Raíz Unitaria de Dickey-Fuller Aumentado que se presenta

O
LI
en el Tabla N° 02, lo cual nos muestra que la serie de producción de cacao en el Perú
IB
con la primera diferenciación (d=1) es estacionaria, debido a que el valor absoluto “t”
B
(|t|= 2.194) excede a los valores absolutos críticos de Mackinson (1%  2.61, 5% 
1.95; 10%  1.61) con un (p=0.028)<0.05, pero aún persiste movimientos
estacionales con retardos en los desfases (12,24) de manera que también la serie no es
estacionaria en la parte estacional , como se mostró en la figura anterior, la razón por
la cual el modelo de series temporales adoptado debe incluir una componente
estacional e igualmente realizar una diferenciación para corregir su estacionariedad.

En la figura N° 07 se realizó la primera diferencia en la serie estacional de
manera anual (12 meses), por lo cual se observó la presencia de estacionariedad en la
parte estacional. Esto también se corrobora con la Prueba de Raíz Unitaria de Dickey-
Fuller Aumentado que se presenta en el Tabla N° 03, lo cual nos muestra que la serie
de producción de cacao en el Perú con la primera diferenciación (d=1) es estacionaria
estacional , debido a que el valor absoluto “t” (|t|= 7.84) excede a los valores absolutos
S
A
críticos de Mackinson (1%  2.61, 5%  1.95; 10%  1.61) con un (p=0.000)<0.05,
IC
S
S FÍ
Obtenida la serie estacionaria en la parte regular como estacional, el siguiente
A S
paso fue obtener el mejor modelo de pronóstico utilizando la metodología Box-
IC A
T I
Jenkins, para ello se trabajó con el correlograma de la serie estacional.
Á C
M N
E IE
Al realizar un análisis observacional en el correlograma de la serie estacional

T C
de la figura N° 08, el comportamiento de la parte regular se asemeja a un AR(1),

A E
M D
AR(2), MA(2), MA(7), AR(8), etc. y en la parte estacional un SAR(1) y SMA(1) ,

Y A
para ello se obtuvieron diferentes modelos de pronósticos como se señala en la Tabla

C
E
N° 04, en el que se realizó una comparación señalando el error estándar de estimación,

T
O
así como también los resultados de Akaike y Schwarz a los diferentes modelos sarima.
LI
IB
Para determinar el mejor modelo de la serie de pronóstico se eligió el que

B
tiene el error estándar de estimación (EEE) más pequeño y a su vez los valores más
pequeños que muestran los criterios de Akaike y Schwarz.

Al realizar el análisis respectivo se observa el mejor modelo de pronóstico es
el SARIMA (7,1,7) (1,1,0)12, por presentar el error estándar más pequeño (EEE=0.535)
y los valores más pequeños de Akaike (2.173) y Schwarz (2.320).
Al observar los resultados del análisis de varianza (ANVA) de la tabla N° 05
se puede ver que los diferentes coeficientes del modelo son estadísticamente
S
A
significativos (p<00.5), por lo que se puede concluir que el modelo de pronóstico es
IC
adecuado bajo criterio de selección según la parsimonia del modelo. A su vez, se
S
S FÍ
presenta la raíces invertidas en los retados AR(7), MA(7), MA(8) y SAR(12), que a
A S
su vez son menores que 1 , en consecuencia , el valor de los coeficientes estimados
IC A
T I
garantiza la invertibilidad.
Á C
M N
E IE
Una vez obtenido el modelo, procedimos a validarlo, una de las pruebas para
T C
verificar la idoneidad del modelo es la prueba de Box-Pierce que se presentada en la

A E
M D
figura N° 09. Al efectuar esta prueba se acepta la hipótesis nula, que la independencia
Y A
de los errores es estadísticamente significativa por ser el valor observado de la

C
E
distribución chi-cuadrado menor que su valor tabular con 24 grados de libertad, es

T
O
decir se concluyó que los errores son independientes, a la vez que están dentro de los
LI
límites de aceptación , a excepción de los rezagos 5,6 y 7 , por lo tanto, hay ruido
IB
blanco, por consiguiente, hay adecuacidad en el modelo SARIMA (7,1,7) (1,1,0)12 que
B
tiene la forma:
∆𝑌̂𝑡 = −0.87𝑌𝑡−7 + 0.57𝜀𝑡−7 − 0.43𝜀𝑡−8 −0.89𝑌𝑡−12 + 𝜀𝑡

Además, se muestra la figura N° 10, donde se corrobora que el
comportamiento real de las diferencias y el comportamiento pronosticado de las
mismas bajo el modelo SARIMA (7,1,7) (1,1,0)12 es similar. La distribución de los
errores que se observa en las mismas graficas también tiene un comportamiento
aleatorio.
S
A
Como un análisis adicional se presentan la figura N° 11 , Tablas 06 y 07 como
IC
las pruebas de adecuacidad como son normalidad, autocorrelacion y
S
S FÍ
heterocesdeticidad de los errores respectivamente, lo cual se comprueba si el modelo
A S
es efectivo en pronosticar, con la prueba de Jarque-Bera se reafirma la normalidad de
IC A
T I
los datos con (p=0.463>0.05) comprobando la Ho: errores sean Normales, la prueba
Á C
M N
de Breusch-Godfrey, para comprobar la aleatoriedad de los errores, se observa con

E IE
(p=0.345 >0.05) en que se acepta la Ho= exista alguna dependencia entre los errores
T C
e igual manera la prueba de White para la heterocesdeticidad que plasma con un

A E
M D
(p=0.5494>0.05) aceptando así la Ho: los errores son homogéneos por lo tanto se
Y A
concluye finalmente con los supuestos que el modelo SARIMA (7,1,7) (1,1,0)12 es
C
E
adecuado para pronosticar.

T
O
LI
También, en el Tabla N° 08 se analizaron los errores de pronostico con sus

IB
diferentes indicadores, obteniendo como resultando una Desviación Absoluta Media

B
(DAM) de 80 toneladas de cacao, un Error Medio Cuadrático, (EMC) de 531 toneladas
de cacao, un Porcentaje de Error medio Absoluto (PEMA) de 5.6% y el Porcentaje
Medio de Error (PME) de 4% lo cual indica que existe una ligera sobreestimación
como se observa en el grafico N° 12.

Finalmente, en el Tabla N° 09 presentamos los pronósticos mensuales para el
periodo Agosto2018-Diciembre2018, estás son 13.104 mil toneladas de cacao, en el
mes de agosto; 11.298 mil toneladas, setiembre; 10.374 mil toneladas, octubre; 10.890
mil toneladas, noviembre; 11.247 mil toneladas para diciembre, bajo el SARIMA
(7,1,7) (1,1,0)12 donde se observa en la figura N° 13.
S
A
No se encontraron referencias o antecedentes para realizar la discusión con
IC
respecto a los resultados.
S
S FÍ
A S
IC A
T I
Á C
M N
E IE
T C
A E
M D
Y A
C
E
T
O
LI
IB
B

S
A
IC
S
S FÍ
CAPÍTULO VI:
A S
IC A
T I
Á C
CONCLUSIONES
M N
E IE
T C
Y
A E
M D
RECOMENDACIO
Y A
C
E
T
NES
O
LI
IB
B

VI: CONCLUSIONES
De los Resultados se puede concluir lo siguiente:
 La identificación de la estructura de la información permitió determinar que la serie
es estacional y no estacionaria mediante la gráfica de la serie original, así también
S
con la prueba de raíz unitaria con el método de Dickey Fuller aumentada se
A
verificaría la ausencia de estacionariedad en la parte regular como estacional por lo
IC
cual se aplicó la primera diferenciación para corregir su estacionariedad en ambos
S
S FÍ
estados, así mismo en la eliminación de su tendencia. Además, se determinó 10
A S
desfases para conseguir una serie adecuada para trabajar con los modelos sarima a
IC A
T I
su vez se hizo un análisis observacional con el correlograma de la serie estacional
Á C
M N
para identificar los componentes autoregresivos(AR) y de medias móviles(MA) en

E IE
la parte regular y estacional, y se escogieron algunos modelos óptimos para

T C
compararlos que son: SARIMA (0,1,8) (1,1,0)12 , ,SARIMA (2,1,1) (1,1,0)12 ,

A E
M D
SARIMA (4,1,7) (1,1,0)12 ,SARIMA (5,1,2) (1,1,0)12 , SARIMA (7,1,0) (1,1,0)12

Y A
,SARIMA (7,1,4) (1,1,0)12 ,SARIMA (7,1,7) (1,1,0)12 y SARIMA (8,1,7) (1,1,0)12.

C
E
T
O
 El modelo sarima adecuado para modelar la producción de cacao es:

LI
SARIMA (7,1,7) (1,1,0)12, tiene la siguiente forma:

IB
𝑌𝑡 = 𝑌𝑡−1 − 𝜃1 𝑌𝑡−7 + 𝜔1 𝜀𝑡−7 + 𝜔2 𝜀𝑡−8 + 𝜙1 𝑌𝑡−12 + 𝜀𝑡

B
 El modelo sarima obtenido para modelar la producción de cacao es:
∆𝑌̂𝑡 = −0.87𝑌𝑡−7 + 0.57𝜀𝑡−7 − 0.43𝜀𝑡−8 −0.89𝑌𝑡−12 + 𝜀𝑡

 La evaluación del modelo sarima obtenido permitió demostrar que no existe
problemas respecto a los supuestos preestablecidos por lo cual cumplió con las
pruebas de adecuacidad, como son normalidad por Jarque Bera, la aleatoriedad de
los errores mediante la prueba de autocorrelación por Breusch-Godfrey, la
homogeneidad de la varianza de los errores por White y la independencia de los
S
errores por la prueba de Box-Pierce (Ruido Blanco).
A
IC
 La validación del modelo sarima obtenido se realizó con los últimos 12 meses de la
S
S FÍ
serie original de agosto 2017 hasta julio 2018 y que no fueron consideradas para la
A S
obtención del modelo, permitiendo estos resultados corroborar con el pronóstico
IC A
T I
dentro de los intervalos del modelo propuesto, donde también se evaluaron los
Á C
M N
errores del pronóstico del modelo, estas fueron la Desviación Absoluta Media
E IE
(DAM) de 80 toneladas de cacao , el Error Medio Cuadrático, (EMC) de 531

T C
toneladas de cacao, Porcentaje de Error medio Absoluto (PEMA) de 5.6% y el

A E
M D
Porcentaje Medio de Error (PME) de 4%, concluyendo la eficacia del pronóstico así
Y A
mismo estos valores de pronostico se encuentran dentro de los niveles de confianza,

C
E
independientemente que estos tengan una ligera fluctuación.

T
O
LI
 Los pronósticos para la producción de cacao para los 5 meses siguientes fueron:
IB
13.104 mil toneladas de cacao, en el mes de agosto; 11.298 mil toneladas, setiembre;
B
10.374 mil toneladas, octubre; 10.890 mil toneladas, noviembre; 11.247 mil
toneladas para diciembre.

VII. RECOMENDACIONES:
 Renovar los modelos de pronóstico de la presente investigación, cada año con la
actualización correspondiente de los datos.
 Realizar similar investigación para las mismas variables, pero con pronósticos
trimestrales.
S
Dadas las características de la serie estudiada, se sugiere considerar los modelos
A
Sarima, dado que existe estacionalidad en los datos y la utilización de esta
IC
S
metodología de modelos sarima permitiría obtener una mejor aproximación que
S FÍ
conlleve a minimizar las fluctuaciones de la predicción especialmente en los últimos
A S
años.
IC A
T I
Á C
M N
E IE
T C
A E
M D
Y A
C
E
T
O
LI
IB
B

S
A
IC
S
S FÍ
A S
IC A
T I
Á C
CAPÍTULO VIII:
M N
E IE
T C
BIBLIOGRAFÍA
A E
M D
Y A
C
E
T
O
LI
IB
B

VIII. BIBLIOGRAFÍA:
1. Felipa P. ( 2015). La cadena del valor del cacao . Revista ISSN 0120-6346, 18(37),
pp.129-156.
2. Loayza .P & Mariela.R (2015). Propuesta de proyecto para el fortalecimiento de la
competitividad de los productores de cacao del valle primavera-vraem orientado a
S
A
mercados con beneficios diferenciales , Pontificia Universidad Católica Del Perú ,
IC
Lima. Lima: propia del autor.
S
S FÍ
3. Saavedra. D (2013). Protocolo estandarizado de oferta tecnológica para el cultivo del
A S
cacao en Perú ,revista del Instituto Interamericano de Cooperación para la Agricultura
IC A
T I
–ICCA– (2006), Lima, Perú.
Á C
M N
4. Sanchez .E,Barrantes. A, Pérez.C , Figueroa. F& O. J(2013) . Aplicación de un

E IE
modelo arima para pronosticar la producción de leche de bovino en baja california,

T C
México, revista Tropical and subtropical agroecosystems,16,315-324.

A E
M D
5. Sanchez. L (2013).” Pronostico de la producción de leche, mediante modelos arima.

Y A
Caso UBPC Maniabo”(Tesis de Grado).

C
E
6. Ruiz. J, Hernández. G & Rodríguez. R (2011). “Análisis de series de tiempo en el

T
O
pronóstico de la producción de caña de azúcar”, Revista Terra Latinoamericana,

LI
29(1), 103-109.
IB
7. Gujarati. D & Porter. D (2010). Econometría. Mexico:D.F. libro Interamericana

B
editores. (Quinta ed)
8. Hanke. J & Wichern. D (2006). Pronóstico en los negocios ( Octava Ed). Mexico
:Pearson eduacción

9. Delgadillo. O ,Ramírez. P, Leos. J, Salas. J & Valdez. R(2016). “Pronósticos y series
de tiempo de rendimientos de granos básicos en México”. Acta Universitaria, 26(3),
23-32.
10. http://www.sierraexportadora.gob.pe/
11. http://www.virtual.sepi.upiicsa.ipn.mx/tesis/332.pdf
12. https://web.ua.es/es/giecryal/documentos/agricultura-peru.pdf
S
A
IC
TRABAJO DE REFERENCIA:
S
Alvarado, K. (2011).” Modelo de pronóstico para la exportación de la región tradicional y no
S FÍ
tradicional de la Libertad”. Perú: Universidad Nacional de Trujillo.
A S
IC A
T I
Á C
M N
E IE
T C
A E
M D
Y A
C
E
T
O
LI
IB
B

S
A
IC
S
S FÍ
A S
IC A
T I
Á C
CAPÍTULO VII:
M N
E IE
T C
ANEXOS
A E
M D
Y A
C
E
T
O
LI
IB
B

VII. ANEXOS.
ANEXO 01: PRODUCCIÓN DE CACAO EN EL PERÚ DE ENERO 2012-JULIO

2018 – MILES DE TONELADAS.
AÑOS Ene Feb Mar Abr May Jun Jul Ago Set Oct Nov Dic
2012 3.234 3.656 3.895 5.348 7.751 8.494 7.270 5.210 4.218 4.259 4.209 4.946
2013 3.845 4.433 4.554 6.161 9.356 9.516 7.750 5.474 4.915 4.687 5.035 5.766
2014 4.731 5.267 5.672 7.479 9.958 10.852 9.155 6.673 5.374 5.191 5.231 6.068
S
2015 4.984 6.073 6.511 8.209 11.384 12.604 9.627 8.033 7.577 5.532 5.526 6.535
A
2016 5.418 5.830 7.962 9.996 14.235 14.993 12.137 9.278 7.289 6.838 7.058 6.888
IC
2017 5.609 7.056 8.616 11.353 14.565 14.924 13.180 10.547 9.318 8.173 8.951 9.533
2018 7.149 8.550 9.436 12.796 17.202 18.356 15.994
S
S FÍ
Fuente: Base de datos del Banco Central de Reserva del Perú-BCRP
A S
IC A
T I
Á C
M N
E IE
T C
A E
M D
Y A
C
E
T
O
LI
IB
B


CACAO BCRP Paper PERU ARIMA

Cargado por

Información del documento

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

CACAO BCRP Paper PERU ARIMA

Cargado por

Copyright:

Formatos disponibles

Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT

UNIVERSIDAD NACIONAL DE TRUJILLO

“MODELO ARIMA PARA EL PRONÓSTICO DE LA PRODUCCIÓN DE CACAO

Br. Sánchez Sánchez, David Alexander

Br. David Alexander Sánchez Sánchez

A mis padres José y Rosa Sánchez que me

apoyaron constantemente y por ello soy lo

que soy por sus consejos, amor y ayuda en

Esta tesis se la dedico a mi Dios que supo

guiarme por el buen camino, darme

fuerzas y no desmayar en los problemas

que se me presentaban, enseñándome a

encarar las adversidades sin perder nunca

la dignidad ni desfallecer en el intento.

Br. David Alexander Sánchez Sánchez

El presente trabajo de tesis primeramente me gustaría agradecerte a ti mi Dios por

etapa más en mi vida.

encantaría agradecerles su amistad, consejos, ánimo y compañía en los momentos más

han brindado y por todas sus bendiciones.

Para ellos: Muchas gracias y que Dios los bendiga

Br. David Alexander Sánchez Sánchez

SEÑORES MIEMBROS DEL JURADO.

De conformidad y cumpliendo con lo expuesto por el reglamento de grados y títulos de la

Sisniegas Gonzales por las sugerencias y apreciaciones que hicieron al respecto.

Trujillo, diciembre del 2018

DAVID ALEXANDER SÁNCHEZ SÁNCHEZ

Bachiller en Ciencias Estadísticas

Br. David Alexander Sánchez Sánchez

” MODELO ARIMA PARA EL PRONÓSTICO DE LA PRODUCCIÓN DE

CACAO EN EL PERÚ 2012-2018”

Autor: Br. David Alexander Sánchez Sánchez

de describir las características de la serie, en términos de sus componentes de interés como

su tendencia y estacionariedad además de predecir futuros valores de la variable, el

procesamiento de los mismos se efectuó con el programa estadístico Eviews 9.5 y el

un SARIMA (7,1,7) (1,1,0)12, cuya ecuación es ∆𝑌̂𝑡 = −0.87𝑌𝑡−7 + 0.57𝜀𝑡−7 −

0.43𝜀𝑡−8 −0.89𝑌𝑡−12 + 𝜀𝑡 siendo probada la adecuacidad del modelo. Se pronosticó la

Desviación Absoluta Media (DAM) de 80 toneladas de cacao, un Error Medio Cuadrático,

PALABRAS CLAVE: Metodología Box-Jenkins, Producción mensual de cacao,

Br. David Alexander Sánchez Sánchez

MODEL ARIMA FOR THE FORESCAST OF THE PRODUCTION OF COCOA

Author: Br. David Alexander Sánchez Sánchez

Advisor: Lic. Sergio Chafloque Viteri

es ∆𝑌̂𝑡 = −0.87𝑌𝑡−7 + 0.57𝜀𝑡−7 − 0.43𝜀𝑡−8 −0.89𝑌𝑡−12 + 𝜀𝑡 the suitability of the model

KEY WORDS: Box-Jenkins Methodology, Monthly production of cocoa, SARIMA

Br. David Alexander Sánchez Sánchez

2.2.2 Producción de Cacao……………………………….…….…….……...26

CAPITULO III. MATERIAL DE ESTUDIOS…………………………….……..31

3.1.1 Población ……………………………………………………………..32

3.1.3 Variables De Estudios……………………………………………..…....32

3.1.5 Diseño de Contrastación de Hipótesis………………………………….32

3.1.6 Unidad de Análisis…………………………………………………...…33

3.1.7 Marco Muestral……………………………………………….………...33

3.2.1 Recolección de Datos…………………………………………………..33

3.2.2 Análisis Estadístico……………………………………………………..34

3.2.3 Procesamiento de Datos….……………………………………………..35

4.1 Producción Mensual De Cacao En El Perú-Millones De

Br. David Alexander Sánchez Sánchez

Br. David Alexander Sánchez Sánchez

1.1 REALIDAD PROBLEMÁTICA:

repercutido en los diferentes sectores de la producción entre los que destacan la

agricultura, la pesca y la minería, pero especialmente en la agricultura que se ha

diferentes agricultores de la región a la vez que se han aperturado nuevos canales de

en las familias peruanas. (12)