Documentos de Académico
Documentos de Profesional
Documentos de Cultura
S
A
IC
S
S FÍ
A S
IC A
T I
Á C
M N
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
ASESOR:
Lic. Chafloque Viteri, Sergio Albert
TRUJILLO – PERÚ
2018
DEDICATORIA
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
AGRADECIMIENTO
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
Son muchas las personas que han formado parte de mi vida profesional a las que me
T
O
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
PRESENTACIÓN
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
RESUMEN
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
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
producción mensual de agosto 2018 a diciembre 2018 y se evaluó los pronósticos con: una
B
ABSTRACT
IN PERU 2012-2018
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
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.
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
3.1.2 Muestra……………………………………………………...………….32
M D
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
El buen momento que está viviendo nuestro país con respecto a la economía 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
comercialización. La agricultura al ser la actividad laboral más usual, genera más ingresos
T C
negocio muy rentable, también a la producción de frutas como las uvas, mangos, etc., así
T
O
espárragos entre otros donde existe mucha demanda no solo en nuestro país sino en países
IB
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
Los estudios de este producto no son muy frecuentes en nuestro país, y por
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
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
multivariados, los modelos arima, modelos sarima, redes neuronales entre otros. Estos
entre variables, y que finalmente permitan realizar una adecuada toma de decisiones.
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
El tema que se eligió para estudiar es un tema de actualidad debido a que no han
C
E
1.5 OBJETIVOS:
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
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
métodos. Esta técnica no asume ningún patrón particular en los datos históricos de la
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
especialmente para los periodos futuros. Por lo tanto, la predicción se efectúa sobre
Y A
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,
estocástico) que se caracteriza por el hecho de que sus valores de señal en dos
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
o igual a 1.
Y A
C
E
Las etapas que se deben seguir en la elaboración de un modelo ARIMA con fines
Etapa 1: Identificación.
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
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
tiempo dada es estacionaria. Si por el contrario, este valor es menor que el valor
LI
∆𝑦𝑖 = 𝜇 + 𝛿𝑦𝑡−1 + 𝑡
Correlogramas:
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
3. Examen de diagnóstico
E
Si No
LI
4. Pronóstico
Etapa 2: Estimación.
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
𝑛: Número de observaciones
Y A
C
E
Dónde:
IB
𝑛: Número de observaciones
de Schwarz). (7)
Dónde:
S
𝑘: Número de parámetros en el modelo
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
Un método sencillo para la adecuacidad del modelo es un ajuste razonable a los datos
B
significativas para mayoría de rezagos, se debe buscar otro modelo que represente
𝑄 = 𝑛 ∑𝑝̂𝑘 2 𝑚 𝑘=1
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
blanco.
Y A
C
E
𝐿𝐵 = (𝑛 + 2) ∑𝑝̂𝑘 2 𝑛 – 𝑘 𝑚
IB
B
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
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
el promedio de los valores absolutos de cada error. Resulta de gran utilidad cuando
T C
original. (7)
Y A
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)
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
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
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
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
2.2.1. CACAO:
Definición:
tecnológico e industrial ha tenido un avance más lento. Quizás una de las razones
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
internacionales siendo reconocido como uno de los mejores del mundo, por tal
A E
M D
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
En el Perú:
los ingredientes peruanos de mayor calidad mundial al igual que el café, creando
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
concentrada. De todo el cacao mundial, las dos terceras partes son procesadas en
IB
productos agropecuarios:
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
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
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.
de bovino en baja california. Para este trabajo el objetivo fue seleccionar el mejor modelo
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
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
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
llamado ARIMA con una sola variable que fue Xi= Volumen de caña de azúcar
C
E
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
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
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
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
longitudinal.
T
O
LI
Y Y Y
IB
B
P P P P
Donde:
P: Población
el Perú).
nacional de cacao.
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
Para el desarrollo de este trabajo, los datos son obtenidos directamente de la base de
A E
M D
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
Etapa 01:Identificación:
C
E
Análisis gráfico.
LI
autocorrelación parcial(FACP).
Etapa 02:Estimación:
Estimación de coeficientes.
Etapa 03:Validación:
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
Estadísticos:
IB
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
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
S
A
IC
S
S FÍ
A S
IC A
T I
Á C
FIGURA N°05: FUNCIÓN DE AUTOCORRELACIÓN Y AUTOCORRELACIÓN
M N
Exogenous: none
T
t-Statistic Prob.*
IB
5% level -2.915522
10% level -2.595565
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
Fuente: Elaborado por el autor en base a los datos del BCRP
M N
Exogenous: None
T
t-Statistic Prob.*
IB
t-Statistic Prob.*
S
A
Augmented Dickey-Fuller test statistic -7.842288 0.0000
IC
Test critical values: 1% level -2.610192
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
Fuente: Elaborado por el autor en base a los datos del BCRP
M N
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
S
A
IC
S
S FÍ
A S
IC A
T I
Á C
M N
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
Donde:
IB
S
A
IC
S
S FÍ
A S
IC A
T I
Á C
M N
E IE
DE LOS ERRORES.
A E
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
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
Fuente: Elaborado por el autor en base a los datos del BCRP
IC A
Resultados: Eviews 9.5 T I
Á C
TABLA N°06: PRUEBA BREUSCH-GODFREY PARA LA AUTOCORRELACION
M N
S
R-squared 0.171574 Mean dependent var 0.268502
A
Adjusted R-squared -0.021083 S.D. dependent var 0.440349
IC
S.E. of regression 0.444967 Akaike info criterion 1.397990
S
Sum squared resid 8.513808 Schwarz criterion 1.803153
S FÍ
Log likelihood -26.74572 Hannan-Quinn criter. 1.554245
F-statistic 0.890569 Durbin-Watson stat 1.643625
A S
Prob(F-statistic) 0.549375
IC A
T I
Á C
M N
TONELADAS.
M D
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
Fuente: Elaborado por el autor en base a los datos del BCRP
A S
Resultados: Eviews 9.5
IC A
T I
ETAPA 4: PRONÓSTICOS DEL MODELO:
Á C
M N
LI LS
M D
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:
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
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%
estacionales con retardos en los desfases (12,24) de manera que también la serie no es
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
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
así como también los resultados de Akaike y Schwarz a los diferentes modelos sarima.
LI
IB
tiene el error estándar de estimación (EEE) más pequeño y a su vez los valores más
el SARIMA (7,1,7) (1,1,0)12, por presentar el error estándar más pequeño (EEE=0.535)
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
figura N° 09. Al efectuar esta prueba se acepta la hipótesis nula, que la independencia
Y A
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:
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
(p=0.345 >0.05) en que se acepta la Ho= exista alguna dependencia entre los errores
T C
(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
Medio de Error (PME) de 4% lo cual indica que existe una ligera sobreestimación
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
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
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
problemas respecto a los supuestos preestablecidos por lo cual cumplió con las
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
Porcentaje Medio de Error (PME) de 4%, concluyendo la eficacia del pronóstico así
Y A
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
VII. RECOMENDACIONES:
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.
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
29(1), 103-109.
IB
8. Hanke. J & Wichern. D (2006). Pronóstico en los negocios ( Octava Ed). Mexico
:Pearson eduacción
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.
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