UNIVERSIDAD NACIONAL DE TRUJILLO
FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS
ESCUELA PROFESIONAL DE ESTADÍSTICA
“Análisis estadístico de las exportaciones de bienes
en la Comunidad Andina, Enero 2010- Junio 2018”
TESIS
PARA OPTAR EL TÍTULO PROFESIONAL, INGENIERO
ESTADÍSTICO
Autor: Carranza Trujillo, Mery Rosibeth
Asesor: Dr. Verde Olivares, Humberto Anibal
Trujillo – Perú
2019
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
ii
i
Br. Mery Rosibeth Carranza Trujillo
DEDICATORIA
La presente investigación va dedicada a Dios, quien supo
guiarme por el camino correcto, por darme la fuerza de no
rendirme jamás, enseñarme a enfrentar las adversidades sin
perder nunca la dignidad ni desfallecer en el intento.
A mi tía, por su apoyo incondicional, consejos, comprensión,
el gran amor que me brinda y por enseñarme a perseguir mis
sueños.
A mis padres por su apoyo constante, consejos, comprensión
y su amor.
A mi querido Adiel, por darme la fuerza de seguir adelante, a
mis hermanos por estar siempre presente.
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
iii
i
Br. Mery Rosibeth Carranza Trujillo
AGRADECIMIENTO
➢ En esta presente investigación agradezco a Dios por el amo y su misericordia.
➢ A la U.N.T, en especial a todos los docentes de la Escuela de Estadística por la formación
profesional brinda.
➢ A mi Asesor y Jurado de Tesis, por el apoyo brindado en el desarrollo de esta
investigación.
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
iv
i
Br. Mery Rosibeth Carranza Trujillo
PRESENTACIÓN
SEÑORES MIEMBROS DEL JURADO
De conformidad y cumplimiento con lo expuesto por el reglamento de grados y títulos de la
Facultad de Ciencias Físicas y Matemáticas; Escuela Académico Profesional de Estadística de
la Universidad Nacional de Trujillo, someto a vuestro elevado criterio profesional a la
evaluación de la siguiente tesis Titulada: “ANÁLISIS ESTADÍSTICO DE LAS
EXPORTACIONES DE BIENES EN LA COMUNIDAD ANDINA, ENERO 2010-
JUNIO 2018”, elaborada con el propósito de optar el Título de Ingeniero Estadístico.
Confió en vuestro criterio profesional para la respectiva evaluación del siguiente trabajo y
agradecer a los miembros del jurado Dr. Humberto Aníbal Verde Olivares en calidad de
Asesor, Dr. Jorge Luis Meléndez Rosales y Dr. Ricardo Martín Gómez Arce por las
sugerencias y apreciaciones que deseen hacer al respecto.
Trujillo, Julio del 2019
CARRANZA TRUJILLO, Mery Rosibeth
Bachiller en Ciencias Estadísticas
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
v
i
Br. Mery Rosibeth Carranza Trujillo
RESUMEN
En esta investigación de tipo descriptivo y longitudinal, el propósito de esta
investigación fue realizar el análisis estadístico de las exportaciones de bienes en la Comunidad
Andina, enero 2010-junio 2018, usando series de tiempo con la metodología de Box-Jenkis,
obtenida de la página de la CAN- Sistema integrado de Comercio Exterior (SICEXT). Se utilizó
la metodología de Box Jenkins, técnica estadística de identificación histórica la que cumplió con
los requisitos para el respectivo análisis de datos. El procedimiento se realizó con el paquete
estadístico EVIEWS 10 y EXCEL 2016. Finalmente se concluyó que el modelo identificado fue
una serie no estacionaria y el modelo de pronóstico fue un modelo SARIMA(1,1,0)(1,1,0)12 sin
intercepto, cuya ecuación fue yt = −0.332415(yt−1 − yt−2) + 0.634970εt−12 −
0.211074εt−13 + εt siendo probado su adecuacidad del modelo. El pronóstico se realizó en el
periodo enero a junio del 2018, se evaluó los pronósticos mediante el Porcentaje de Error Medio
Absoluto (PEMA) es del 4.27% el cual mide la magnitud de los errores de pronóstico en
promedio porcentual comparados con los valores reales de la serie y el Porcentaje Medio del
Error (PME) de -0.04% , se concluye que el modelo no sobreestima ni subestima las
exportaciones mensuales en miles de dólares hacia el mundo en la Comunidad Andina.
PALABRAS CLAVE: Modelo SARIMA, Box Jenkins, Exportaciones.
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
vi
i
Br. Mery Rosibeth Carranza Trujillo
ABSTRACT
In this descriptive and longitudinal research, the purpose of this research was to perform
the statistical analysis of the exports of goods in the Andean Community, January 2010-June
2018, using time series with the Box-Jenkis methodology, obtained from the CAN page -
Integrated Foreign Trade System (SICEXT). The Jenkins Box methodology was used, a
statistical technique for historical identification, which met the requirements for the respective
data analysis. The procedure was performed with the statistical package EVIEWS 10 and
EXCEL 2016. Finally, it was concluded that the model identified was a non-stationary series and
the forecast model was a model SARIMA(𝟏, 𝟏, 𝟎)(𝟏, 𝟏, 𝟎)𝟏𝟐 without intercept, whose equation
was y_𝐲𝐭 = −𝟎. 𝟑𝟑𝟐𝟒𝟏𝟓(𝐲𝐭−𝟏 − 𝐲𝐭−𝟐) + 𝟎. 𝟔𝟑𝟒𝟗𝟕𝟎𝛆𝐭−𝟏𝟐 − 𝟎. 𝟐𝟏𝟏𝟎𝟕𝟒𝛆𝐭−𝟏𝟑 + 𝛆𝐭 being
tested for suitability of the model. The forecast was made in the period January to June 2018, the
forecasts were evaluated using the Absolute Average Error Percentage (PEMA) is 4.27% which
measures the magnitude of forecast errors in percentage average compared to the real values of
the series and the Average Percentage of Error (PME) of -0.04%, it is concluded that the model
does not overestimate or underestimate monthly exports in thousands of dollars to the world in
the Andean Community
KEY WORDS: SARIMA Model, Jenkins Box, Exports.
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
vii
i
Br. Mery Rosibeth Carranza Trujillo
ÍNDICE GENERAL
Dedicatoria ........................................................................................................................................... ii
Agradecimiento ................................................................................................................................... iii
Presentación ........................................................................................................................................ iv
RESUMEN ........................................................................................................................................... v
Capitulo I: Introducción ..................................................................................................................... 1
Capitulo II: Marco teórico ................................................................................................................ 11
Capitulo III:Material y métodos ...................................................................................................... 23
Capitulo IV: Resultados .................................................................................................................... 26
Capitulo V: Discusión ........................................................................................................................ 41
Capitulo VI: Conclusiones y recomendaciones ............................................................................... 46
Capitulo VII: Referencias bibliográficas ......................................................................................... 53
Capitulo VIII: Anexos: ...................................................................................................................... 54
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
1 Br. Mery Rosibeth Carranza Trujillo
CAPITULO I:
INTRODUCCIÓN
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
2 Br. Mery Rosibeth Carranza Trujillo
1.1. ANTECEDENTES DEL PROBLEMA
1.1.1. ANTECEDENTES INTERNACIONALES
Yang(2009), en su estudio “Modelización y previsión del PIB de China datos con
modelos de series temporales” con el objetivo es determinar el mejor modelo de pronóstico
que explique el comportamiento del PIB de China a partir 1962-2008; Siendo una
investigación de tipo descriptivo, aplicada y longitudinal. Se utilizo la metodología Box-
Jenkins donde se construye un modelo de serie temporal llamado ARIMA para encontrar el
mejor ajuste, así llegando a la conclusión que el modelo que explica mejor es un ARIMA (4,
1, 0).
Ruiz, Hernández & Rodríguez (2010), en su investigación referida a “Análisis de series
de tiempo en el pronóstico de la producción de caña de azúcar” cuyo objetivo de este trabajo
fue determinar el mejor modelo de pronóstico que explique el comportamiento de la zafra o
cosecha de la caña del ingenio Independencia en México y pronosticar la zafra 2006-2007;
Siendo una investigación de tipo descriptivo, aplicada y longitudinal. Se utilizo la
metodología Box-Jenkins donde se construye un modelo de serie temporal llamado ARIMA
para encontrar el mejor ajuste de la serie temporal de la producción de la caña de azúcar, a
fin de que los pronósticos sean más acertados para los años 2006 y 2007. La población está
constituida por el volumen de las cosechas de caña de azúcar, siendo la muestra obtenidas de
las cosechas de caña de azúcar desde 1949 a 2006 y se utilizó el programa Statistica. En los
resultados el mejor modelo ARIMA (1,2,0) con el cual se pronosticó que la zafra 2006-2007
sería 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%.
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
3 Br. Mery Rosibeth Carranza Trujillo
Perez, Merli & Perazzi(2011), en su investigación “Aplicación de la metodología de
series de tiempo en la estimación de los niveles de exportaciones de café de Colombia
periodo 1958-2011” cuyo objetivo de obtener pronósticos sobre el comportamiento de las
exportaciones de café realizadas en el país , Siendo una investigación de tipo descriptivo,
aplicada y longitudinal. Para ello usó la metodología Box-Jenkins, siguiendo las fases para
los modelos ARIMA (Autorregresivo Integrado de Media Móvil). Los datos fueron tomados
de la página web de la Federación Nacional de Cafeteros de Colombia. La serie bajo estudio
mostró un comportamiento estacional, donde los primeros trimestres presentan los menores
niveles del año, particularmente en febrero, mes que registra los niveles más bajos de
exportaciones del año, estos niveles trimestralmente van incrementándose de forma
paulatina hasta alcanzar el mayor nivel de exportaciones en el IV trimestre, específicamente
entre noviembre y diciembre. Finalmente se obtuvieron los pronósticos entre los años 2009 y
2011, siguiendo un comportamiento estable respecto al periodo de validación de la muestra
de la serie. Los datos fueron analizados utilizando el lenguaje R.
Upadhyay (2013), en su estudio “Modelización y predicción de exportación e
importación de paneles a base de madera de la India con modelos ARIMA” con el objetivo
de averiguar el modelo ARIMA apropiado para pronosticar las exportaciones e
importaciones de paneles a base de madera de la India, mediante la metodología Box-
Jenkins, los datos de serie de tiempo para un periodo de 16 años a partir de 1996-97 a 2011-
12, con los resultados siguientes: ARIMA(0,1,0) para la exportación y ARIMA(0,1,1) para
la importación, con la conclusión que las exportación e importación estimada a los paneles a
base de madera en el año 2020 se incrementara en un 170% y un 127% a 2012.
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
4 Br. Mery Rosibeth Carranza Trujillo
Farooqi (2014), en su investigación referida a “Construcción del modelo ARIMA y
Pronóstico sobre Importaciones y Exportaciones de Pakistán” cuyo objetivo fue determinar
el mejor modelo de pronóstico que explique el comportamiento de la exportación anual e
importación anual de Pakistán; Siendo una investigación de tipo descriptivo, aplicada y
longitudinal. Se utilizo la metodología Box-Jenkins donde se construye un modelo de serie
temporal llamado ARIMA para encontrar el mejor ajuste de la serie temporal tanto de las
exportaciones como las importaciones en Pakistán, a fin de que los pronósticos sean más
acertados. La población está constituida por la exportación anual y la importación anual de
Pakistán, siendo la muestra la exportación anual y la importación anual de Pakistán desde el
año 1947 hasta el año 2013 y se ejecutó mediante el software estadístico útil R. En los
resultados encontramos que el mejor modelo ARIMA es (2, 2, 2) para Importaciones y (1, 2,
2) para las Exportaciones de Pakistán. También se debe tener en cuenta que un bueno
técnica de pronóstico para una situación puede convertirse en técnica inadecuada para una
diferente situación. También encontramos una tendencia creciente tanto en el caso de las
Importaciones como de las Exportaciones durante este estudio. Estos modelos pueden usarse
para pronosticar las Importaciones y Exportaciones anuales de Pakistán. Sin embargo, debe
actualizarse periódicamente con una incorporación de datos actuales.
Delgadillo, Ramírez, Leos, Salas & Valdez (2016) en su investigación referida a
“Pronósticos y series de tiempo de rendimientos de granos básicos en México” cuyo
objetivo de este trabajo pronosticar sus valores de rendimiento en un corto plazo, siendo una
investigación de tipo descriptivo, aplicada y longitudinal. Se utilizo la metodología Box-
Jenkins o metodología de series de tiempo la cual fue empleada para el rendimiento de
granos básicos en México. La población está constituida por los rendimientos de granos
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
5 Br. Mery Rosibeth Carranza Trujillo
básicos, siendo la muestra obtenida del año 1890 hasta 2010 y se utilizó el programa
Statistica. En los resultados el mejor modelo para estimar rendimientos de granos en México
fue el ARIMA (1,0,1). Así, los pronósticos obtenidos en este trabajo pueden ser utilizados en
la toma de decisiones de producción y compraventa de granos.
Mota (2016), en su investigación “pronóstico del precio del crudo de Exportación
Mexicano con la metodología de Box-Jenkins para series de tiempo” El objetivo principal
es establecer un modelo estadístico paramétrico para realizar la predicción sobre el precio
promedio semanal del crudo de exportación mexicano, usando la metodología de Box-
Jenkins para series de tiempo, siendo una investigación de tipo descriptiva longitudinal,
llegando a la conclusión de un modelo ARIMA(1, 1, 1), del cual se estimaron para realizar
predicciones para las 12 semanas siguientes; 6 de las cuales ya se tenían registradas y
sirvieron como punto de comparación del modelo, y 6 que se pronosticaron dinámicamente.
1.1.2. ANTECEDENTES NACIONALES
Pajuelo (2012), en su estudio “Modelo de pronóstico para las Exportaciones del Perú con
la Comunidad Andina de naciones, Enero 1999-Abril 2007” con el objetivo de determinar
un modelo para pronosticar las Exportaciones del Perú con la comunidad andina de
naciones, Enero 1999-Abril 2007; siendo una investigación de tipo descriptiva longitudinal.
Se utilizo la metodología Box-Jenkins técnica estadística de identificación y adecuación de
modelos para series temporales, se encontró que la serie en estudio presentó un
comportamiento no estacionario en media y varianza; al aplicarse la primera diferenciación,
se generó estacionariedad en media, pero no en varianza, por lo que se hizo necesario
utilizar el modelo SARIMA (1, 1, 1) (0, 0, 6), que resultó ser el adecuado y con validez de
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
6 Br. Mery Rosibeth Carranza Trujillo
pronóstico, que estima las exportaciones del Perú con la Comunidad Andina de Naciones
con un error estándar de estimación de 4625 miles de dólares al mes, una explicación del
modelo sobre las exportaciones del 70,6%, con un porcentaje de error medio absoluto del
9,4% y un porcentaje medio de error de -0,93%; indicando un pronóstico no sesgado y una
técnica que no sobrestima ni subestima en forma consistente las exportaciones del Perú a la
Comunidad Andina de Naciones.
Cruz (2014), en su investigación referida a “Pronostico de la exportación de esparrago de
la región la libertad. Enero 2010- agosto 2014” cuyo objetivo de este trabajo fue determinar
el modelo que mejor explique el comportamiento de la exportación de esparrago total
mensual y según su forma de presentación de la región La Libertad y estimar pronósticos de
dichas variables, siendo una investigación aplicada longitudinal. Se utilizó la metodología
Box-Jenkins técnica estadística de identificación y adecuación de modelos para series
temporales. La población está constituida por el volumen de la exportación de esparrago de
la región la libertad siendo la muestra siendo la muestra obtenidas de la información
mensual del periodo enero 2010- agosto 2014 y se utilizó el paquete estadístico EVIEWS 6.
En los resultados los modelos obtenidos fueron: para la exportación de espárragos total un
ARIMA (1,1,9), para la exportación de espárragos frescos o refrigerados un ARIMA (1,1,3),
para la exportación de espárragos preparado o conservado sin congelar un ARIMA (0,1,1) y
para la exportación de espárragos cocido en agua o vapor congelado un ARIMA (1,1,3).
Sánchez (2018) en su investigación “Modelo ARIMA para el pronóstico de la producción
de esparrago de cacao en el Perú 2012 – 2018”, siendo una investigación de tipo descriptivo
observacional longitudinal, con tendencia, teniendo como objetivo principal determinar un
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
7 Br. Mery Rosibeth Carranza Trujillo
modelo de pronóstico que mejor explique el comportamiento de la producción mensual de
cacao, utilizando información del Banco Central de Reserva del Perú (BRCP) desde el
periodo enero 2012 - julio 2018, siendo esta una investigación aplicada. La metodología
estadística aplicada fue la propuesta por Box-Jenkins y la serie se dividió en : enero 2012 a
Julio 2017 para la estimación del modelo y deagosto 2017 a julio 2018 para la validación del
pronóstico, esta técnica estadística se encarga 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 programa Microsoft Excel 2016 para contrastar los
resultados. Finalmente se concluyó que el modelo identificado fue una serie de tendencia
estacionaria y el modelo pronosticado fue un SARIMA (7,1,7) (1,1,0)12, cuya ecuación es
Δ𝑌 ̂ 𝑡 = −0.87𝑌𝑡−7 + 0.57휀𝑡−7 − 0.43휀𝑡−8−0.89𝑌𝑡−12 + 휀𝑡 siendo probada la adecuacidad
del modelo. Se pronosticó la producción mensual de agosto 2018 a diciembre 2018 y se
evaluó los pronósticos con: una 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
1.2. REALIDAD PROBLEMÁTICA
El comercio exterior es muy importante para el crecimiento y desarrollo sostenido a largo
plazo; más aún en la actualidad tiene un peso importante en la actividad económica de los
países, el mismo que es demostrado por las evidencias de los países desarrollados y las
experiencias de los "países exitosos" que han logrado su crecimiento y desarrollo económico
gracias al crecimiento de las exportaciones (Perez,2003).
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
8 Br. Mery Rosibeth Carranza Trujillo
A partir de la evolución de las exportaciones ha tenido sus fluctuaciones, tal como se
espera por su dependencia de los mercados internacionales, su importancia y relación con el
crecimiento del Producto Interno Bruto (PBI) evidencia que ese componente es motor de la
economía de un País (Castillero, 2016).
En el periodo enero - febrero de 2018, las exportaciones al mundo de los Países
Miembros de la Comunidad Andina alcanzaron los 18 525 millones de dólares, 14,5% más
que las exportaciones realizadas en el mismo periodo del 2017. Según el departamento de
Estadísticas de la Secretaría General de la CAN, las exportaciones al mundo de Bolivia
crecieron de 1 070 a 1 352 millones de dólares, las de Colombia de 5 296 a 6 316 millones
de dólares, las del Ecuador de 3 143 a 3 389 millones de dólares y las del Perú, de 6 667 a 7
468 millones de dólares. En tanto, los principales productos comercializados durante los dos
primeros meses del año fueron: aceites crudos de petróleo, minerales de cobre, formas en
bruto de oro, hulla bituminosa, plátanos tipo «cavendish valery» frescos, minerales de cinc,
entre otros. (CAN PRENSA)
1.3. JUSTIFICACIÓN:
En la actualidad todos los países ven al comercio exterior como el representativo de
riquezas y el poder del mundo.
La importancia que ha alcanzado el Comercio Internacional en cumplimiento de sus
alcances ha tenido, tiene y tendrá permanentes y profundas repercusiones en las relaciones
internacionales de los países en los campos económicos, financiero, comercial, político y
social de todo el planeta (González).
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
9 Br. Mery Rosibeth Carranza Trujillo
La importancia las exportaciones reside en el efecto que tienen sobre el crecimiento
económico y la productividad, esto implica el crecimiento económico para un país (Galindo,
Mariana y Ríos ,2015)
Los países están adaptando herramientas que permitan tomar decisiones de prevención en
base a modelos y teorías con la finalidad de alcanzar el éxito a corto, mediano y largo plazo.
A través de los resultados pasados de las Estadísticas de Comercio Exterior de Bienes Se
emplea para prever las ventas de periodos futuros.
1.4. PROBLEMA DE INVESTIGACIÓN:
¿Cómo realizar el análisis estadístico de las exportaciones de bienes en la Comunidad
Andina, enero 2010- junio 2018?
1.5. HIPÓTESIS:
Los modelos SARIMA de las exportaciones de bienes en la Comunidad Andina, enero
2010- junio 2018 son los apropiados para realizar el análisis estadístico.
1.6. OBJETIVOS DE LA INVESTIGACIÓN
1.6.1 OBJETIVO GENERAL
Ajustar un modelo SARIMA para describir el comportamiento de las
exportaciones de bienes en la Comunidad Andina, enero 2010-junio 2018.
1. 6.1 OBJETIVO ESPECÍFICOS
• Analizar el comportamiento de las exportaciones de bienes en la Comunidad Andina.
• Identificar el modelo que mejor se ajuste para describir el comportamiento de las
exportaciones de bienes en la Comunidad Andina.
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
10 Br. Mery Rosibeth Carranza Trujillo
• Evaluar el modelo elegido para describir el comportamiento de las exportaciones de
bienes en la Comunidad Andina.
• Pronosticar a través del modelo elegido para 6 meses del periodo enero 2018 a julio
2018.
• Validar el pronóstico a través de la técnica de medición del error
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
11 Br. Mery Rosibeth Carranza Trujillo
CAPITULO II:
MARCO TEÓRICO
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
12 Br. Mery Rosibeth Carranza Trujillo
2.1. COMUNIDAD ANDINA (CAN):
Es un organismo regional, económico y político con nivel jurídico internacional, que
tiene como principal propósito contribuir a la integración de sus miembros en los
aspectos culturales, comerciales, políticos y sociales. Fue creada por el Acuerdo de
Cartagena el 29 de mayo de 1969, la Secretaria General se encuentra en Lima, Perú. Lo
conforman cuatro países: Bolivia, Colombia, Ecuador y Perú. Hasta el mes de abril del
2006, Venezuela también formaba parte de la misma, Agrupa a 120 millones de
habitantes en un territorio de 4.7 millones de Km2, surcados todos ellos por la cordillera
de los andes y comparten la misma lengua, el español. El Producto Interno Bruto de los
04 países ascendió a 280 mil millones en el año 2006, así también se tiene también
como miembros asociados a Chile, Argentina, Brasil, Paraguay y Uruguay.(CAN).
El objetivo:
PROMOVER el desarrollo equilibrado y armónico de los Países Miembros en
condiciones de equidad, mediante la integración y la cooperación económica y social.
ACELERAR el crecimiento y la generación de empleo productivo para los habitantes de
los Países Miembros.
FACILITAR la participación de los Países Miembros en el proceso de integración
regional, con miras a la formación gradual de un mercado común latinoamericano.
DISMINUIR la vulnerabilidad externa y mejorar la posición de los Países Miembros en
el contexto económico internacional.
FORTALECER la solidaridad subregional y reducir las diferencias de desarrollo
existentes entre los Países Miembros.
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
13 Br. Mery Rosibeth Carranza Trujillo
PROCURAR un mejoramiento persistente en el nivel de la vida de los habitantes de la
subregión. (CAN)
2.2. EXPORTACIÓN
Es el régimen aduanero que permite la salida de mercancías del territorio aduanero
para su uso o consumo definitivo en el exterior. (Enrique, 2014), el medio más importante
de las compañías para el iniciar sus actividades internacionales, con la intención de
incrementar sus ingresos de ventas para conseguir economías en escala de la producción
y para que pueda divorciar sus sedes de ventas. (Daniels, radebaugh y Sullivan,2004).
2.3. COMERCIO EXTERIOR
Estudia las causas y leyes que gobiernan los intercambios de bienes y servicios entre los
habitantes de los diferentes países en su interés por satisfacer sus necesidades de bienes
escasos. En esta definición es importante destacar una cualidad que hace diferente al
comercio internacional de cualquier otro tipo de comercio y es que para poder realizar
este intercambio de bienes se debe atravesar las fronteras de un país. Usualmente esta
frontera que se cruza está controlada por una aduana que se encarga de controlar la
entrada y salida de recursos. (de la hoz,2013)
2.4. SERIES DE TIEMPO
Una serie de tiempo es un registro metódico de la medición u observación
numérica, efectuada a intervalos de tiempo fijos, de las características o variables del
área de interés (Guerrero, 2003).
Es el conjunto de mediciones de ciertos fenómenos o experimentos registrado
secuencialmente a lo largo del tiempo (Arellano, 2001).
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
14 Br. Mery Rosibeth Carranza Trujillo
Son 4 los objetivos principales del análisis de una serie de tiempo, está clasificada
en: descripción, explicación, predicción y control (Chatfield, 2003).
Descripción: El primer paso es graficar los datos, así obteniendo medidas simples
descriptivas de características principales de la serie de tiempo.
Explicación: Es posible usar la variación en una serie de tiempo para explicar la
variación de otra, cuando las variaciones son tomadas en dos o más variables.
Predicción: En una serie de tiempo es posible que se desee predecir los valores futuros.
Es decir, la estimación de valores futuros de variables de interés en función del
comportamiento pasado de la serie.
Control: Una serie de tiempo se analiza con el fin de mejorar el control sobre algún
sistema físico o económico, donde las observaciones son representadas en un gráfico de
control y el controlador toma acción como el resultado del estudio.
COMPONTES DE UNA SERIE DE TIEMPO:
Una serie de tiempo puede dividirte en componentes individuales que facilitan su
estudio las cuales son los siguientes:
Tendencia (T): Representa el comportamiento de las series de tiempo a largo plazo
sobre un extenso periodo de años.
Ciclo (C): Movimiento ascendente o descendente recurrentes, respecto a la tendencia
con una duración de varios años.
Estacionariedad (E): Son oscilaciones cuasi cíclicas de media cero que produce un
movimiento periódico que se produce dentro de un periodo corto y conocido.
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
15 Br. Mery Rosibeth Carranza Trujillo
Aleatorio (A): Son oscilaciones no sistemáticas que en general afectan a la serie en el
momento en que ocurren.
2.5. METODOLOGÍA BOX JENKINS
La metodología de los modelos ARIMA fue formalizada por Box y Jenkins en
1976, por los que también se les denomina modelos Box-Jenkins. Este enfoque parte del
hecho de que las series temporales que se trata de predecir es generada por un proceso
estocástico cuya naturaleza puede ser caracterizada mediante un modelo. Para efectuar la
estimación de un modelo ARIMA se requiere de una serie temporal mensual o trimestral
que cuente con un elevado número de observaciones. Básicamente la metodología Box-
Jenkins consiste en encontrar un modelo matemático que representa el comportamiento
de una serie de datos y permite hacer previsiones únicamente introduciendo el periodo el
periodo de tiempo correspondiente (Chatfield, 1989).
El objetivo de la metodología Box – Jenkins es identificar y estimar un modelo
estadístico que puede ser interpretado como generador de la información de la muestra.
En este sentido, si el modelo estimado es usado para la predicción debe suponerse que las
características de la serie son constantes en el tiempo, especialmente para los periodos
futuros. Por lo tanto, la predicción se efectúa sobre una base válida considerando que el
modelo es estacionario o estable (Universidad de los Andes).
Pasos básicos de la metodología Box – Jenkins:
➢ Verificar la estacionariedad de la serie.
➢ Identificar un modelo tentativo.
➢ Estimar el modelo.
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
16 Br. Mery Rosibeth Carranza Trujillo
➢ Verificar el diagnostico (si este no es adecuado regresar al paso 2).
➢ Usar el modelo para pronosticar.
2. 5.1 MODELO DE MEDIAS MÓVILES, MA(q)
El proceso se representa como una suma ponderada de errores actuales y
anteriores. El número de rezagos del error considerados (q) determina el orden del
modelo MA.
𝑦𝑡 = 𝑐 + ∅1𝑦𝑡−1 + ∅2𝑦𝑡−2 + ⋯ + ∅𝑝𝑦𝑡−𝑝 + 휀𝑡
Donde:𝑁(0, 𝜎2)
2. 5.2 MODELO AUTORREGRESIVO, AR(p)
En los modelos autorregresivos, el proceso se representa como una suma
ponderada de las observaciones pasadas de la variable. El número de rezagos (p)
determina el orden el modelo autorregresivo.
𝑦𝑡 = 𝑐 + 𝜃1𝑦𝑡−1 + 𝜃2𝑦𝑡−2 + ⋯ + 𝜃𝑞𝑦𝑡−𝑞 + 휀𝑡
2. 5.3 MODELO MIXTO AUTORREGRESIVO-MEDIA MÓVIL ARMA(p,q)
El proceso se representa en función de observaciones pasadas de la variable y de
los valores actuales y rezagados del error. El orden del modelo de AR y MA determinan
el orden del modelo mixto.
2. 5. 4 MODELO AUTORREGRESIVO INTEGRADO DE PROMEDIO MÓVIL NO
ESTCIONARIO ARIMA(p,d,q)
Esta etapa tiene como objetivo determinar los ´ordenes de los polinomios
autorregresivo y de promedio móvil (p y q respectivamente), así como el numero (d)
de veces que deberá aplicarse el operador diferencia para cancelar la no
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
17 Br. Mery Rosibeth Carranza Trujillo
estacionariedad homogénea, es decir, consiste en determinar primero una serie
estacionaria en función de la serie original, para la cual se pueda tener una
representación ARIMA(p,d,q).
∅𝑝(𝐿)(1 − 𝐿)𝑑𝑦𝑡 = 𝜃𝑞(𝐿)휀𝑡
2.5.5 PROCEDIMIENTO DE METODOLOGÍA BO-JENKINS:
Las etapas que se deben seguir en la elaboración de un modelo ARIMA con fines
predictivos son las siguientes:
ETAPA 1: IDENTIFICACIÓN.
En esta etapa encontramos los valores de apropiados de p, q y d.
Las herramientas principales en la identificación son:
• 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.
• Prueba de raíz unitaria Dickey – Fuller: La hipótesis a probar es: Ho: ρ=1 y
para contrastar la hipótesis utilizaremos el siguiente estadístico:
�̂� = �̂� − 𝟏
𝑺 √∑ 𝒀𝒕𝟐−𝟏
𝑻𝒕=𝟏⁄
Dónde:
✓ ρ: Coeficiente obtenido de la regresión Yt sobre Yt-1
✓ S: Error estándar de la regresión
✓ Yt-1 : Variable desfasada.
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
18 Br. Mery Rosibeth Carranza Trujillo
Si el valor calculado del estadístico t (valor absoluto de t) excede los valores
absolutos críticos de Dickey y Fuller, no se rechaza la hipótesis de que la serie
de tiempo dada es estacionaria. Si, por el contrario, este valor es menor que el
valor crítico, la serie de tiempo no es estacionaria y se tendría que diferenciar.
Por razones teóricas y prácticas, la prueba de Dickey-Fuller aumentada (ADF)
se 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 parcial (FACP) hallamos los correlogramas resultantes, que son
simplemente los gráficos de FAC y de FACP respecto a la longitud del rezago.
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.
Una vez hecha la estimación se elegirán los modelos que tengan menor suma
de cuadrados del error y menor AIC (Criterio de información de Akaike), AICc
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
19 Br. Mery Rosibeth Carranza Trujillo
(Criterio de información de Akaike corregido), BIC (Criterio de Información
Bayesiano).
• Criterio de información de Akaike
Proporciona un medio para la selección de un modelo. Este criterio ofrece una
estimación relativa perdida cuando un modelo dado es utilizado para representar
el proceso que genera los datos. Al hacerlo, esta modelo lidia entre la bondad del
ajuste y la complejidad del modelo. AIC no dice nada sobre la calidad del modelo,
si todos los modelos candidatos entregan un pobre ajuste, el criterio no dará
ninguna advertencia de aquello. El AIC sigue el principio de parsimonia: Cuando
el número de parámetros de un modelo k aumenta el AIC también, por tanto,
escoger el modelo que tiene el mínimo AIC supone elegir el modelo con el menor
número de parámetros posible (González)
AIC = 2k - 2ln(L)
Dónde:
• L: es el máximo valor de la función de verosimilitud
• 𝑘: Número de parámetros en el modelo
ETAPA 3: VERIFICACIÓN O VALIDACIÓN.
Después de seleccionar un modelo y estimar sus parámetros, se trata de ver luego
si el modelo seleccionado se ajusta a los datos en forma razonablemente buena. Para
ello veremos lo siguiente:
Un método sencillo para la adecuacidad del modelo es un ajuste razonable a los
datos es obtener los residuos y calcular la FAC y FACP; si resultaran ser
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
20 Br. Mery Rosibeth Carranza Trujillo
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
𝑄 = 𝑛 ∑𝑝 ̂𝑘 2 𝑚 𝑘=1
La estadística Q está distribuida aproximadamente como una distribución ji
cuadrada con k-p-q grados de libertad.
Dónde:
• N: Longitud de la serie histórica.
• K: Primeras k autocorrelaciones que se verifiquen
• m: Número máximo de retrasos empleados.
• ρk: Función de autocorrelación de la muestra del k-ésimo término del
residuo.
• d: Grado de diferenciación para obtener una serie estacionaria.
Si el valor de Q calculado es mayor que X2 con k-p-q grados de libertad a un
nivel de significancia de a=0.05, entonces se debe considerar que el modelo es
inadecuado; es decir los residuos no se aproximan al comportamiento de un proceso
de ruido blanco.
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
21 Br. Mery Rosibeth Carranza Trujillo
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
nuevo por completo.
Se han ideado diversos métodos para resumir los errores generados por una
técnica particular de pronóstico.
➢ Desviación Absoluta Media (DAM): afirma que la DAM mide la precisión
de un pronóstico mediante el promedio de la magnitud de los errores de
pronóstico (Hanke y Arthur, 1996, p.120)
𝐷𝐴𝑀 =∑ |𝑦𝑡 − �̂�𝑡|𝑛
𝑖=1
𝑛
➢ Error Medio Cuadrado (EMC): afirma que el enfoque penaliza los errores
mayores de pronósticos, ya que eleva cada uno al cuadrado. Esto es
importante pues en ocasiones puede ser preferible una técnica que produzca
errores moderados a otra que por lo regular tenga errores pequeños pero que
ocasionalmente arroje algunos en extremo grandes. (Hanke y Arthur,1996,
p.120)
𝐸𝑀𝐶 =∑ (𝑦𝑡 − �̂�𝑡)2𝑛
𝑖=1
𝑛
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
22 Br. Mery Rosibeth Carranza Trujillo
➢ Porcentaje de Error Medio Absoluto (PEMA): afirma que el enfoque es
útil cuando el tamaño de la variable de pronóstico es importante en la
evaluación de la precisión del pronóstico. El PEMA proporciona una
indicación de que tan grandes son los errores de pronóstico comparados con
los valores reales de la serie. También se puede para comparar la misma
precisión de la misma u otra técnica sobre dos series completamente
diferentes. (Hanke y Arthur, 1996, p.120)
𝑃𝐸𝑀𝐴 =∑
(𝑦𝑡 − �̂�𝑡)𝑦𝑡
𝑛𝑖=1
𝑛
➢ Porcentaje Medio de Error (PME): afirma que, si un enfoque de
pronóstico no está sesgado, la ecuación del PME producirá un porcentaje
cercano a cero. Si el resultado es un porcentaje negativo grande, el método
de pronóstico está subestimado de manera consistente. Si el resultado es un
porcentaje positivo grande, el método de pronóstico esta sobrestimado de
forma consistente. (Hanke y Arthur, 1996, p.121)
𝑃𝑀𝐸 =∑
|𝑦𝑡 − �̂�𝑡|𝑦𝑡
𝑛𝑖=1
𝑛
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
23 Br. Mery Rosibeth Carranza Trujillo
CAPITULO III:
MATERIAL Y
MÉTODOS
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
24 Br. Mery Rosibeth Carranza Trujillo
3.1 DISEÑO DE INVESTIGACIÓN:
Siendo una investigación de tipo descriptivo longitudinal.
Dónde:
M: muestra, exportaciones de bienes en miles de dólares/mes hacia el mundo en la
Comunidad Andina,2010-2018.
O: Datos de la exportación mensual.
T: Periodo de tiempo.
3.2 MATERIAL DE ESTUDIO:
3.2.1. Población:
Estuvo conformada por la serie histórica de las exportaciones mensuales, en miles de
dólares en la CAN.
3.2.2. Unidad de Análisis:
Estuvo conformada por los datos mensuales registrado de las exportaciones por el
sistema según el departamento de Estadísticas de la Secretaría General de la CAN,
enero 2010-junio 2018.
3.2.3. Variable de estudio:
VARIABLE DEFINICIÓN
CONCEPTUAL OPERACIONAL
Exportación
Las exportaciones son la venta, trueque o donación de
bienes y servicios de los residentes de un país a no
residentes; es una transferencia de propiedad entre
habitantes de diferentes países (Inegi, 2011)
Numero de
exportaciones
registradas
mensualmente en
miles de dólares.
T M
O
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
25 Br. Mery Rosibeth Carranza Trujillo
3.3 MÉTODOS
3.2.4. Recolección de datos
Para la siguiente investigación se utilizó la base de datos obtenida de la página de la
Comunidad Andina- Sistema integrado de Comercio Exterior (SICEXT) Según el
departamento de Estadísticas de la Secretaría General de la CAN, en el periodo de enero
2010-junio 2018.
3.2.5. Análisis Estadístico
Para el logro de los objetivos propuestos en este presente estudio se hará un análisis
exploratorio de los datos y luego se usará la Metodología Box Jenkins para determinar
el modelo SARIMA que mejor se ajuste a los datos.
3.2.6. Procesamiento de Datos
Todos los resultados serán procesados en software estadístico Eviews 10 y el programa
Microsoft Excel 2016 para confronta los resultados.
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
26 Br. Mery Rosibeth Carranza Trujillo
CAPITULO IV:
RESULTADOS
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
27 Br. Mery Rosibeth Carranza Trujillo
FIGURA N°01: PRINCIPALES PRODUCTOS EXPORTADOS EN MILES DE DÓLARES/ANUALES POR LA
COMUNIDAD ANDINA HACIA EL MUDO.
Fuente: Elaborado por el autor en base a los datos de la Comunidad Andina de Naciones, Secretaria General.
Resultados: Excel 2016.
Se observa en el gráfico que los productos minerales son los más exportados con unos 79 082 187 miles de dólares anuales
alcanzando su punto máximo en el año 2012, seguido por perlas finas (naturales) o cultivadas, piedras preciosas y semipreciosas,
metales preciosos, chapados de metal precioso y manufacturas de estas materias; bisutería; monedas con unos 15 694 584 miles de
dólares para el mismo año y los productos del reino vegetal con unos 14 824 854 miles de dólares para el año 2018.
I animales vivos y prod. del reino animal
II productos del reino vegetal
III grasas y aceites animales o veg. Grasas, etc.
IV productos de las industrias alimentarias bebidas.
IX madera carbón vegetal y manufacturas de madera corcho.
V productos minerales
VI productos de las industrias químicas o de las industrias conexas
VII plástico y sus manufacturas caucho y sus manufacturas
VIII pieles cueros peletera o guarnicionería artículos de viaje bolsos de mano (carteras).
X pasta de madera o de las demás materias fibrosas.
XI materias textiles y sus manufacturas
XII Calzado, sombreros y demás tocados paraguas quitasoles bastones, etc.
XIII manufacturas de piedra yeso fraguable cemento amianto (asbesto) etc.
XIV perlas finas o cultivadas, piedras preciosas y semipreciosas, metales preciosos,etc.
XIX armas municiones y sus partes y accesorios
XV metales comunes y manufacturas de estos metales
XVI máquinas y aparatos de material eléctrico.
XVII material de transporte
XVIII instrumentos y aparatos de óptica, fotografía o cinematografía etc.
XXI mercancías y productos diversos
XXII objetos de arte o colección y antigüedades
XXIII Mercancías, objetos de tratamientos especiales y no identificadas
Leyenda
14824854
50214024
7478144679082187
78692017
72358509
4356741339139873
51714528
60900016
15694584
0
10000000
20000000
30000000
40000000
50000000
60000000
70000000
80000000
90000000
2010 2011 2012 2013 2014 2015 2016 2017 2018
MIL
ES D
E D
ÓLA
RES
AÑOS
I II III IV IX V VI VII VIII X XI
XII XIII XIV XIX XV XVI XVII XVIII XX XXI XXII
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
28 Br. Mery Rosibeth Carranza Trujillo
FIGURA N°02: EXPORTACIONES MENSUALES EN MILES DE DÓLARES DE LOS
PAÍSES MIEMBROS DE LA COMUNIDAD ANDINA
Fuente: Elaborado por el autor en base a los datos de la Comunidad Andina de Naciones, Secretaria General.
Resultados: Excel 2016.
En la figura se observa la existencia de una tendencia ascendente que culmina en el mes de
marzo año 2011 así alcanzando la cifra récord en el año 2012 con 5712357 miles de dólares/mes,
luego se mantienen hasta el año 2014 y en el año 2016 sufren una caída, cuando alcanzaron un
nivel mínimo de 1157108 miles de dólares/mes. Esta disminución se registró en 4 de los países
Miembros, principalmente en el caso del Colomba, seguido por Perú quien logra recuperarse
rápidamente y en menor medida por el Ecuador y Bolivia; a partir del año 2016 Perú lidera
exportaciones en la CAN por el valor de sus envíos, en segundo lugar, lo ocupa Colombia y
luego ecuador.
0
1000000
2000000
3000000
4000000
5000000
6000000
Jul-09 Nov-10 Abr-12 Ago-13 Dic-14 May-16 Set-17 Feb-19
MIL
ES D
E D
ÓLA
RES
MESES
BOLIVIA
COLOMBIA
ECUADOR
PERÚ
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
29 Br. Mery Rosibeth Carranza Trujillo
TABLA N°01: ESTADÍSTICA DESCRIPTIVA DE LAS EXPORTACIONES
MENSUALES EN MILES DE DÓLARES EN LA COMUNIDAD ANDINA
EXPORTACIONES_HACIA_EL_MUNDO_EN_LA_CAN_ Media 9686334
máximo 12769574
Mínimo 5892530
Desviación estándar. 1787537
Asimetría -0.104
Curtosis 1.64779
Fuente: Comunidad Andina de Naciones, Secretaria General.
Resultados: EViews 10
Se observa que el comportamiento promedio las exportaciones mensuales en miles de
dólares hacia el mundo en la Comunidad Andina, enero 2010-junio 2018 es de 9686334 miles de
USD, en el mes de marzo del 2012 alcanzando la cifra récord de 12769574 miles de USD/mes,
mientras que llega a su punto mínimo registrándose en enero del 2016 con 5892530 miles de
dólares/mes, también se puede indicar que el comportamiento de las exportaciones tiene un
coeficiente de asimetría negativa con un -0.104 la mayor cantidad de datos se aglomeran en los
valores menores que la media y platicúrtica porque sus coeficientes de curtosis es menor a 3.
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
30 Br. Mery Rosibeth Carranza Trujillo
FIGURA N°03: COMPORTAMIENTO DE LAS EXPORTACIONES MENSUALES EN
MILES DE DÓLARES EN LA COMUNIDAD ANDINA.
Fuente: Comunidad Andina de Naciones, Secretaria General.
Resultados: Excel 2016
Se evidencia la existencia de una tendencia decreciente de las exportaciones hacia el
mundo, caracterizada por ser un período acelerado que culmina en el mes de marzo año 2011,
luego se mantiene hasta julio del 2014 así alcanzando la cifra récord en el año 2012 con
12769574 miles de dólares/mes, luego comienza la tendencia a decrecer por la posible salida de
ecuador registrándose en enero del 2016 a partir de ahí ascender hasta junio del 2017 y se
estabiliza.
0
2000000
4000000
6000000
8000000
10000000
12000000
14000000
Jul-09 Nov-10 Abr-12 Ago-13 Dic-14 May-16 Set-17 Feb-19
Miil
es d
e d
óla
res
Meses
Exportaciones hacia MUNDO(CAN)
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
31 Br. Mery Rosibeth Carranza Trujillo
ETAPA N° 01-. ESTACIONARIEDAD
Acá analizamos la estacionariedad de la serie, primero se sacó el log las exportaciones mensuales
en miles de dólares en la Comunidad Andina.
TABLA N°02: PRUEBA DE RAÍZ UNITARIA - DICKEY-FULLER AUMENTADA DE
LAS EXPORTACIONES MENSUALES EN MILES DE DÓLARES EN LA
COMUNIDAD ANDINA
Null Hypothesis: EXPORTACIONES_HACIA_EL_MUNDO_EN_LA_CAN_ has a unit root
Exogenous: Constant
Lag Length: 1 (Automatic - based on SIC, maxlag=12) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -1.847732 0.3558
Test critical values: 1% level -3.493129
5% level -2.888932
10% level -2.581453
*MacKinnon (1996) one-sided p-values.
Fuente: Elaborado por el autor en base a los datos de la Comunidad Andina de Naciones, Secretaria General.
Resultados: EViews 10
Al aplicar la prueba de estacionalidad de Dickey-Fuller se observa que las exportaciones
mensuales en miles de dólares hacia el mundo en la Comunidad Andina es no estacionaria,
debido a que el valor de t- absoluto (t=1.847732) es inferior a los valores absolutos de
MacKinson (t=3.493129 (1%), t= 2.888932 (5%), t= 2.581453 (10%)), así como también se
evidencia que la probabilidad es mayor al 5% de no rechazarse la Ho.
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
32 Br. Mery Rosibeth Carranza Trujillo
TABLA N°03: PRUEBA DE RAÍZ UNITARIA - DICKEY-FULLER AUMENTADA DE
LA PRIMERA DIFERENCIA DE LAS EXPORTACIONES MENSUALES EN MILES
DE DÓLARES HACIA EL MUNDO EN LA COMUNIDAD ANDINA, ENERO 2010-
JUNIO 2018.
Null Hypothesis: D(EXPORTACIONES_HACIA_EL_MUNDO_EN_LA_CAN_) has a unit root
Exogenous: None
Lag Length: 0 (Automatic - based on SIC, maxlag=12) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -16.95547 0.0000
Test critical values: 1% level -2.586960
5% level -1.943882
10% level -1.614731
*MacKinnon (1996) one-sided p-values.
Fuente: Elaborado por el autor en base a los datos de la Comunidad Andina de Naciones, Secretaria General.
Resultados: EViews 10
Al aplicar la prueba de estacionalidad de Dickey-Fuller con una primera diferencia se observa
que las exportaciones mensuales en miles de dólares hacia el mundo en la Comunidad Andina es
estacionaria, debido a que el valor de t- absoluto (t=16.95547) es superior a los valores absolutos
de MacKinson (t=2.586960 (1%), t= 1.943882 (5%), t= 1.614731 (10%)), así como también se
evidencia que la probabilidad es menor al 5% por ende se rechaza la existencia de raíz unitaria.
ETAPA N°2: IDENTIFICACION DEL MODELO
En esta etapa se determinará los modelos posibles para luego elegir el más adecuado para las
exportaciones mensuales en miles de dólares hacia el mundo en la Comunidad Andina.
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
33 Br. Mery Rosibeth Carranza Trujillo
FIGURA N°04: FUNCIÓN DE AUTOCORRELACIÓN Y CORRELACIÓN PARCIAL
DE LA PRIMERA DIFERENCIA SIN EL INTERCEPTO DE LAS EXPORTACIONES
MENSUALES EN MILES DE DÓLARES EN LA COMUNIDAD ANDINA
Fuente: Comunidad Andina de Naciones, Secretaria General.
Resultados: EViews 10
Se observa que la autocorrelación tiene 1,12,24,36 fuer del límite y la correlación parcial 1,
3, 12. Al verificar que la serie de tiempo tiene prioridad mensual, por lo que se puede concluir la
existencia de un AR(1) SAR(12).
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
34 Br. Mery Rosibeth Carranza Trujillo
TABLA 04 : ELECCIÓN DEL MEJOR MODELO PARA LA ESTIMACIÓN DE PRONÓSTICOS PARA LAS
EXPORTACIONES MENSUALES EN MILES DE DÓLARES EN LA COMUNIDAD ANDINA, ENERO 2010-JUNIO 2018
PARÁMETR COEFICIE NTE PROB. (significancia) AKAIKE MEDIDAS DE VALIDEZ
AR(1) -0.332415 0.0023
-2.800107
DAM 404508.04
EMC 288390455627.58
SAR(12) 0.63497 0 PEMA 0.042697
PME -0.0004011
AR(1) -0.326055 0.0038
-3.194772
DAM 534415.78
SAR(12) 0.624553 0 EMC 397600175130.87
MA(9) 0.461066 0 PEMA 0.05518
MA(20) -0.510741 0 PME 0.02085
AR(1) -0.347428 0.0015
-2.895847
DAM 747203.48
SAR(12) 0.588408 0 EMC 629591372015.12
MA(9) 0.504432 0 PEMA 0.07569
PME 0.0493
AR(1) -0.317048 0.0176
-3.57712
DAM 609677.08
SAR(12) 0.670396 0 EMC 602957727983.10
SAR(34) -0.344515 0.0009 PEMA 0.06302
SAR(11) -0.211749 0.0202 PME 0.025161285
MA(20) -0.896875 0
Fuente: Elaborados por la autora en base a los datos obtenidos en la página web Comunidad Andina de Naciones, Secretaria General.
Se presenta los modelos que se ajustan a los datos. Con base al criterio de información del Porcentaje del Error Medio Absoluto
(PEMA) y al criterio del Porcentaje Medio del Error (PME), estos criterios nos permiten elegir el modelo más adecuado.
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
35 Br. Mery Rosibeth Carranza Trujillo
ETAPA N°3: ESTIMACIÓN DEL MODELO
TABLA N°5: ANÁLISIS DE VARIANZA DEL MODELO 𝑺𝑨𝑹𝑰𝑴𝑨(𝟏, 𝟏, 𝟎)(𝟏, 𝟏, 𝟎)𝟏𝟐 SIN
INTERCEPTO PARA LAS EXPORTACIONES MENSUALES EN MILES DE
DÓLARES EN LA COMUNIDAD ANDINA
Dependent Variable: D(LOG(EXPORTACIONES_HACIA_MUNDO_CAN_))
Method: ARMA Conditional Least Squares (Gauss-Newton / Marquardt
steps)
Date: 10/12/19 Time: 21:17
Sample (adjusted): 2011M03 2017M12
Included observations: 82 after adjustments
Convergence achieved after 6 iterations
Coefficient covariance computed using outer product of gradients Variable Coefficient Std. Error t-Statistic Prob. AR(1) -0.332415 0.105390 -3.154136 0.0023
SAR(12) 0.634970 0.091793 6.917449 0.0000 R-squared 0.499681 Mean dependent var 0.001265
Adjusted R-squared 0.493427 S.D. dependent var 0.082828
S.E. of regression 0.058952 Akaike info criterion -2.800107
Sum squared resid 0.278025 Schwarz criterion -2.741406
Log likelihood 116.8044 Hannan-Quinn criter. -2.776539
Durbin-Watson stat 1.901628
Fuente: Elaborado por el autor en base a los datos de la Comunidad Andina de Naciones, Secretaria General.
Resultados: EViews 10.
El modelo estimado corresponde a un 𝑺𝑨𝑹𝑰𝑴𝑨(𝟏, 𝟏, 𝟎)(𝟏, 𝟏, 𝟎)𝟏𝟐 cuyo modelo es definido
como:
∅𝑝(𝐿)(1 − 𝐿)𝑦𝑡 = 𝛽𝑄(𝐿)휀𝑡
(𝑦𝑡 − 𝑦𝑡−1) − ∅1(𝑦𝑡−1 − 𝑦𝑡−2) = (1 + 𝛽12𝐿12)휀𝑡
Equivale a:
𝑦𝑡 − 𝑦𝑡−1 = ∅1(𝑦𝑡−1 − 𝑦𝑡−2) + 휀𝑡 + 𝛽12휀𝑡−12 + ∅1𝛽12휀𝑡−13
𝐲𝐭 = 𝐲𝐭−𝟏 + ∅𝟏(𝐲𝐭−𝟏 − 𝐲𝐭−𝟐) + 𝛃𝟏𝟐𝛆𝐭−𝟏𝟐 + ∅𝟏𝛃𝟏𝟐𝛆𝐭−𝟏𝟑 + 𝛆𝐭
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
36 Br. Mery Rosibeth Carranza Trujillo
Donde:
∅1: Coeficiente del componente autorregresivo (AR)
𝛽12: Coeficiente de componente autorregresivo estacional SAR (12) .
𝒚𝒕 = −𝟎. 𝟑𝟑𝟐𝟒𝟏𝟓(𝒚𝒕−𝟏 − 𝒚𝒕−𝟐) + 𝟎. 𝟔𝟑𝟒𝟗𝟕𝟎𝜺𝒕−𝟏𝟐 − 𝟎. 𝟐𝟏𝟏𝟎𝟕𝟒𝜺𝒕−𝟏𝟑 + 𝜺𝒕
Donde el error de estimación es de 0.047830 miles de USD/ mes en el periodo de estudio y una
capacidad explicativa del modelo de 49.9%.
ETAPA N°4: EVALUACIÓN o VALIDACIÓN DEL MODELO
En esta etapa se estima los parámetros del modelo elegido.
Ho: los errores del modelo se ajustan a una distribución normal.
H1: los errores del modelo no se ajustan a una distribución normal
0
2
4
6
8
10
12
-0.10 -0.05 0.00 0.05 0.10
Series: Residuals
Sample 2011M03 2017M12
Observations 82
Mean -0.000969
Median -0.009641
Maximum 0.127847
Minimum -0.121292
Std. Dev. 0.058579
Skewness 0.162038
Kurtosis 2.555139
Jarque-Bera 1.035000
Probability 0.596009
FIGURA N°05: PRUEBA DE JARQUE_BERA PARA LA NORMALIDAD DE LOS
RESIDUOS DEL MODELO 𝑺𝑨𝑹𝑰𝑴𝑨(𝟏, 𝟏, 𝟎)(𝟏, 𝟏, 𝟎)𝟏𝟐. Fuente: Elaborado por el autor en base a los datos de la Comunidad Andina de Naciones, Secretaria General.
Resultados: EViews 10
Se evidencia que el p-value del test es mayor al 0.05, por ende, se Acepta la Ho que los
residuos se ajusta a una distribución normal.
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
37 Br. Mery Rosibeth Carranza Trujillo
FIGURA N°06: CORRELOGRAMA RESIDUALES DE LAS EXPORTACIONES
MENSUALES EN MILES DE DÓLARES EN LA COMUNIDAD ANDINA
Fuente: Comunidad Andina de Naciones, Secretaria General.
Resultados: EViews 10
Se observa que la probabilidad de los errores es mayor al 0.05 por ende se acepta la Ho: la
existencia de la independencia en los errores del modelo.
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
38 Br. Mery Rosibeth Carranza Trujillo
TABLA N°6: PRUEBE DE BREUSCH GODFREY PARA LA AUTOCORRELACIÓN DE
LOS ERRORES DEL MODELO 𝑺𝑺𝑨𝑹𝑰𝑴𝑨(𝟏, 𝟏, 𝟎)(𝟏, 𝟏, 𝟎)𝟏𝟐.
Breusch-Godfrey Serial Correlation LM Test: F-statistic 1.377031 Prob. F(12,68) 0.1985
Obs*R-squared 16.03086 Prob. Chi-Square(12) 0.1898
Fuente: Elaborado por el autor en base a los datos de la Comunidad Andina de Naciones, Secretaria General.
Resultados: EViews 10 Ho: ausencia de autocorrelación
H1: presencia de autocorrelación
Con una probabilidad significativa de 18.98% (> 0.05), de no rechazar la Ho; existe ausencia
de autocorrelación.
TABLA N°7: PRUEBE DE WHITE PARA LA AUTOCORRELACIÓN DE LOS
ERRORES DEL MODELO 𝑺𝑨𝑹𝑰𝑴𝑨(𝟏, 𝟏, 𝟎)(𝟏, 𝟏, 𝟎)𝟏𝟐
Heteroskedasticity Test: White F-statistic 0.944219 Prob. F(2,79) 0.3933
Obs*R-squared 1.914389 Prob. Chi-Square(2) 0.3840
Scaled explained SS 1.407239 Prob. Chi-Square(2) 0.4948
Fuente: Elaborado por el autor en base a los datos de la Comunidad Andina de Naciones, Secretaria General.
Resultados: EViews 10
Ho: No existe Heterocedasticidad
H1: existe Heterocedasticidad
Con una probabilidad significativa de 38.40 % (> 0.05), de no rechazar la Ho; por lo que la
errores tienen varianza constante y homogénea.
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
39 Br. Mery Rosibeth Carranza Trujillo
ETAPA N°4: PRONOSTICO DEL MODELO
TABLA N°8: PRONÓSTICO DE LAS EXPORTACIONES MENSUALES EN MILES DE
DÓLARES EN LA COMUNIDAD ANDINA
MES
EXPORTACIÓN MENSUAL EN
MILES DE DÓLARES
PRONOSTICO
Enero-18 9773694 9490376.79
Febrero-18 8760627 9786763.87
Marzo-18 9980522 10101937.4
Abril-18 10158568 9445778.39
Mayo-18 10329956 10318936.2
Junio-18 10213257 9940887.68
Fuente: Elaborado por el autor en base a los datos de la Comunidad Andina de Naciones, Secretaria General.
Resultados: Excel
Se presenta el pronóstico de las exportaciones mensuales en miles de dólares hacia el
mundo en la Comunidad Andina, junio 2018-junio 2018.
5,000,000
6,000,000
7,000,000
8,000,000
9,000,000
10,000,000
11,000,000
12,000,000
13,000,000
2010 2011 2012 2013 2014 2015 2016 2017 2018
EXPORTACIOF
Exportaciones hacia MUNDO(CAN)
FIGURA N°7: PRONÓSTICO DE LAS EXPORTACIONES MENSUALES EN MILES
DE DÓLARES EN LA COMUNIDAD ANDINA
Fuente: Elaborado por el autor en base a los datos de la Comunidad Andina de Naciones, Secretaria General.
Resultados: EViews 10
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
40 Br. Mery Rosibeth Carranza Trujillo
VALIDACIÓN DEL MODELO
TABLA N° 10: ERRORES DE PRONÓSTICO DE LAS EXPORTACIONES
MENSUALES EN MILES DE DÓLARES EN LA COMUNIDAD ANDINA
Mes
EXPORTACIÓN MENSUAL EN
MILES DE DÓLARES
pronostico
Error de pronostico
DAM EMC PEMA PME
404508.04 288390455627.577 0.042697 -0.0004011
Enero-18 9773694 9490376.79 283317.209 80268640680 0.028988 0.0289877 Febrero-18 8760627 9786763.87 1026136.87 1.05296E+12 0.117131 -0.1171305 Marzo-18 9980522 10101937.4 121415.433 14741707373 0.012165 -0.0121652 Abril-18 10158568 9445778.39 712789.612 5.08069E+11 0.070166 0.0701663 Mayo-18 10329956 10318936.2 11019.8108 121436229.4 0.001067 0.0010668 Junio-18 10213257 9940887.68 272369.319 74185046089 0.026668 0.0266682
Fuente: Elaborado por el autor en base a los datos de la Comunidad Andina de Naciones, Secretaria General.
Resultados: Excel
Se observa que la Desviacion Absoluta media (DAM) indica que cada pronostico esta
desviado en un promedio de 404508.04 miles de dolares al mes, un Error Medio
Cuadrático(EMC) de 537019.9769 miles de dolares al mes, el Porcentaje de Error Medio
Absoluto (PEMA) es del 4.27% el cual mide la magnitud de los errores de pronóstico en
promedio porcentual comparados con los valores reales de la serie y el Porcentaje Medio del
Error (PME) de -0.04% .
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
41 Br. Mery Rosibeth Carranza Trujillo
CAPITULO V:
DISCUSIÓN
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
42 Br. Mery Rosibeth Carranza Trujillo
El propósito de esta investigación fue realizar el análisis estadístico de las exportaciones de
bienes en la Comunidad Andina, enero 2010-junio 2018, usando series de tiempo con la
metodología de Box-Jenkis, para esto se realizó el análisis de enero del 2010 a diciembre del
2017 con 96 observaciones mensuales empleadas para la estimación y 6 meses para la validación
del pronóstico.
En la figura N°03 se observa la existencia de una tendencia descendente, Esto se
contradice por Pajuelo (2012), en su estudio “Modelo de pronóstico para las Exportaciones del
Perú con la Comunidad Andina de naciones, enero 1999-abril 2007” con el objetivo de
determinar un modelo para pronosticar las Exportaciones donde encontró que la serie en estudio
muestra un comportamiento creciente durante el periodo de estudio y por Farooqi (2014), en su
investigación referida a “Construcción del modelo ARIMA y Pronóstico sobre Importaciones y
Exportaciones de Pakistán” cuyo objetivo fue determinar el mejor modelo de pronóstico que
explique el comportamiento de la exportación anual e importación anual de Pakistán, encontró
una tendencia creciente tanto en el caso de las Importaciones como de las Exportaciones durante
este estudio.
En la prueba de raíz unitaria Tabla N°02 se evidencia la existencia de la no
estacionariedad en las exportaciones mensuales en miles de dólares debido a que el valor de t-
absoluto (t=1.847732) es inferior a los valores absolutos de MacKinson (t=3.493129 (1%), t=
2.888932 (5%), t= 2.581453 (10%)). Esto se contradice por Perez, Merli & Perazzi(2011), en su
investigación “Aplicación de la metodología de series de tiempo en la estimación de los niveles
de exportaciones de café de Colombia periodo 1958-2011”, donde la serie bajo estudio mostró
un comportamiento estacional. En la Tabla N°03 se evidencia que las exportaciones no presentan
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
43 Br. Mery Rosibeth Carranza Trujillo
raíz unitaria por ende es estacionaria al hacer una primera diferencia debido a que el valor de t-
absoluto (t=16.95547) es superior a los valores absolutos de MacKinson (t=2.586960 (1%), t=
1.943882 (5%), t= 1.614731 (10%). Esto se verifica por. Pajuelo (2012), encontró que la serie en
estudio presentó un comportamiento no estacionario en media y varianza; al aplicarse la primera
diferenciación, se generó estacionariedad.
Al graficar la serie histórica de las exportaciones usando una diferencia Figura N°04
dando como resultado un primer modelo ARIMA(p,d,q) representado de la forma siguiente
ARIMA(1,1,2). Dicho modelo llevándolo a la ejecución AR(2) no fue significativo por lo que
permitió concluir que el modelo no es adecuado. Al observarse que la serie de tiempo tiene
periodicidad S=12 (mensualmente) se usó un modelo SARIMA. Así se encontró los modelos
candidatos para la estimación de pronóstico Tabla N°04, el modelo que mejor explica el
comportamiento de las exportaciones se eligió mediante el PME más cercano cero (Hanke y
Arthur, 1996, p.121) afirma que, si un enfoque de pronóstico no está sesgado, la ecuación del
PME producirá un porcentaje cercano a cero. Si el resultado es un porcentaje negativo grande, el
método de pronóstico está subestimado de manera consistente. Si el resultado es un porcentaje
positivo grande, el método de pronóstico esta sobrestimado de forma consistente. Mediante el
criterio de AKAIKE Martines, Albín y Cabaleiro una vez determinado el conjunto de modelos
candidatos, se obtiene el AIC de cada modelo, el que tiene un AIC mínimo debe tener error
mínimo establecido de predicción, al menos asintóticamente. McQuarrie,(1998) AIC no puede
decir nada acerca de la calidad del modelo en un sentido absoluto. Si todos los modelos
candidatos encajan mal, AIC no dará ningún aviso de ello.
En la Tabla N°05 donde el modelo estimado que corresponde a un
SARIMA(1,1,0)(1,1,0)12 cuyo modelo es definido como: 𝑦𝑡 = −0.332415(𝑦𝑡−1 − 𝑦𝑡−2) +
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
44 Br. Mery Rosibeth Carranza Trujillo
0.634970휀𝑡−12 − 0.211074휀𝑡−13 + 휀𝑡 . Esto es confirmado por Pajuelo (2012), concluyo que el
modelo SARIMA (1, 1, 1) (0, 0, 6) es el adecuado y Sánchez (2018) en su investigación
“Modelo ARIMA para el pronóstico de la producción de esparrago de cacao en el Perú 2012 –
2018”, usando la metodología Box-Jenkins donde concluyó que el modelo pronosticado fue un
SARIMA (7,1,7) (1,1,0)12. En las Figuras N°05 y N°06 se comprueba la validación del modelo
de igual forma en las Tablas N°06 y N°07 la ausencia de autocorrelación y la existencia
heterocedasticidad.
Los resultados hallados se verifican con la teoría de Fernández y Alonso (2004), afirma
que los modelos SARIMA son utilizadas para predecir valores futuros de series de tiempo que no
son estacionarias y que cuentan con una clara estacionalidad en sus datos. Este modelo puede ser
descrito de la siguiente manera: 𝑆𝐴𝑅𝐼𝑀𝐴(𝑝, 𝑑, 𝑞)(𝑃, 𝐷, 𝑄)𝑚, en donde los valores del primer
paréntesis a la izquierda indican los parámetros del modelo no son estacionales, mientras que los
valores del segundo paréntesis indican los parámetros del modelo son estacionales. Donde la m
es el número de periodos por estación.
Por otro lado difiere con Yang(2009), en su estudio “Modelización y previsión del PIB de
China datos con modelos de series temporales” donde concluye que el modelo que explica mejor
es un ARIMA (4, 1, 0), Ruiz, Hernández & Rodríguez (2010), en su investigación referida a
“Análisis de series de tiempo en el pronóstico de la producción de caña de azúcar” concluyendo
en un modelo ARIMA (1,2,0), Upadhyay (2013), en su estudio “Modelización y predicción de
exportación e importación de paneles a base de madera de la India con modelos ARIMA”
mediante la metodología box Jenkins, los datos de serie de tiempo para un periodo de 16 años a
partir de 1996-97 a 2011-12, llegando a un modelo ARIMA(0,1,0) para la exportación y
ARIMA(0,1,1) para la importación, Delgadillo, Ramírez, Leos, Salas & Valdez (2016) en su
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
45 Br. Mery Rosibeth Carranza Trujillo
investigación referida a “Pronósticos y series de tiempo de rendimientos de granos básicos en
México” cuyo objetivo de este trabajo pronosticar sus valores de rendimiento en un corto plazo,
con un modelo ARIMA (1,0,1) para estimar rendimientos de granos en México. Mota (2016), en
su investigación “pronóstico del precio del crudo de Exportación Mexicano con la metodología
de Box-Jenkins para series de tiempo” llego a la conclusión de un modelo ARIMA(1, 1, 1) y
Cruz (2014), en su investigación referida a “Pronostico de la exportación de esparrago de la
región la libertad. Enero 2010- agosto 2014” llegando a los siguientes resultados: para la
exportación de espárragos total un ARIMA (1,1,9), para la exportación de espárragos frescos o
refrigerados un ARIMA (1,1,3), para la exportación de espárragos preparado o conservado sin
congelar un ARIMA (0,1,1) y para la exportación de espárragos cocido en agua o vapor
congelado un ARIMA (1,1,3).
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
46 Br. Mery Rosibeth Carranza Trujillo
CAPITULO VI:
CONCLUSIONES
Y RECOMENDACIONES
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
47 Br. Mery Rosibeth Carranza Trujillo
5.1. CONCLUSIONES:
• Para ajustar un moldeo SARIMA se realizó con base al criterio de información del
Porcentaje Medio del Error (PME= -0.04%) y al criterio del Porcentaje de Error Medio
Absoluto (PEMA= 4.27%), permitiendo elegir el modelo más adecuado. Por lo que el
criterio de AKAIKE no permitió dar una buena validez del pronóstico Tabla 04.
• Al analizar el comportamiento de las exportaciones de bienes figura N°03 se evidencia
de la existencia de una tendencia ascendente, caracterizada por ser un período de
dinamismo acelerado que culmina en el mes de marzo año 2012 alcanzando la cifra
récord de 12769574 miles de dólares/mes lo que representa un incremento del 10,4%
en valor con respecto al año anterior, a partir de allí, la tendencia es decreciente,
registrándose en enero del 2016 exportaciones por 5892530 miles de dólares/mes.
• El modelo de las exportaciones de bienes en la Comunidad Andina, enero 2010-junio
2018, corresponde a un SARIMA(1,1,0)(1,1,0)12 cuyo modelo es definido como:
𝒚𝒕 = −𝟎. 𝟑𝟑𝟐𝟒𝟏𝟓(𝒚𝒕−𝟏 − 𝒚𝒕−𝟐) + 𝟎. 𝟔𝟑𝟒𝟗𝟕𝟎𝜺𝒕−𝟏𝟐 − 𝟎. 𝟐𝟏𝟏𝟎𝟕𝟒𝜺𝒕−𝟏𝟑 + 𝜺𝒕
• La evaluación del modelo SARIMA obtenido permitió demostrar la no existencia de
problemas con respecto a los supuestos como son: La normalidad por Jarque Bera, la
aleatoriedad de los errores Breusch-Godfrey (autocorrelación), White prueba la
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
48 Br. Mery Rosibeth Carranza Trujillo
homogeneidad de la varianza de los errores y el ruido blanco para ver la independencia
de ellos errores.
• El pronóstico realizado mediante el modelo 𝑺𝑨𝑹𝑰𝑴𝑨(𝟏, 𝟏, 𝟎)(𝟏, 𝟏, 𝟎)𝟏𝟐 elegido para
6 meses del periodo enero 2018 a julio 2018 es:
MES
EXPORTACIÓN MENSUAL EN
MILES DE DÓLARES
PRONOSTICO
Enero-18 9773694 9490376.79
Febrero-18 8760627 9786763.87
Marzo-18 9980522 10101937.4
Abril-18 10158568 9445778.39
Mayo-18 10329956 10318936.2
Junio-18 10213257 9940887.68
• La validez del pronóstico Tabla N° 10 mediante el Porcentaje de Error Medio
Absoluto (PEMA) es del 4.27% el cual mide la magnitud de los errores de pronóstico
en promedio porcentual comparados con los valores reales de la serie y el Porcentaje
Medio del Error (PME) de -0.04% concluye la eficacia del pronóstico donde indica
que el valor está cerca a cero, el modelo no sobreestima ni subestima las exportaciones
de bienes en la Comunidad Andina, enero 2018-junio 2018.
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
49 Br. Mery Rosibeth Carranza Trujillo
5.2. RECOMENDACIONES:
• Renovar los modelos de pronóstico de la presente investigación, cada año con la
actualización correspondiente de los datos.
• Realizar similar investigación para la misma variable, pero con pronósticos trimestrales o
bimestrales.
• Dadas las características de las exportaciones de bienes en la Comunidad Andina, enero
2010-junio 2018, se sugiere considerar los modelos SARIMA, la utilización de esta
metodología nos permitiría obtener una mejor aproximación que conlleve a minimizar las
fluctuaciones de la predicción especialmente en los últimos años.
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
50 Br. Mery Rosibeth Carranza Trujillo
CAPITULO VII:
REFERENCIAS
BIBLIOGRÁFICAS
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
51 Br. Mery Rosibeth Carranza Trujillo
6.1. REFERENCIAS
Ballesteros, A (2001) Comercio Exterior, 2a edicion, España,
Box, G.E.P., Jenkins,G.M. y Reinsel, G. (1994) Time Series Analysis: Forecasting
and Control, Editorial Prentice-Hall.
Cruz (2014), Pronostico de la exportación de esparrago de la región la libertad. Enero
2010- agosto 2014, U.N.T, Trujillo.
Castillero, M.(2016). Importancia de las Exportaciones para la Economía.Panamá.
Damián, M.R, Sandoval, N.J (2018), “modelo óptimo de pronóstico del índice
mensual de producción de electricidad”-Perú en el periodo 2006 – 2015, Universidad
Nacional Pedro Ruiz Gallo, Lambayeque.
Daniels, J., Radebaugh, L., & Sullivan, D. (2004), Negocios Internacionales, México.
Delgadillo.O, Ramírez.P.P, Leos J.A, Salas J.M & Valdez R.D. (2016) “Pronósticos y
series de tiempo de rendimientos de granos básicos en México.
Ess, U., & Asm, p. (2000). Introduccion al analisis de serie temporales. España: AC.
de la Hoz, A. P, (2013) Generalidades de Comercio Internacional, Colombia: Esumer.
Farooqi (2014), Pak.j.stat.oper.res. Vol.X No.2 2014 pp157-168 ARIMA Model
Building and Forecasting on Imports and Exports of Pakistan.
Gujarati. D & Porter. D (2010).” Econometría. Mexico:D.F”. libro Interamericana
editores. (Quinta ed).
Hanke,J.E ,(2006). Pronostico en los Negocios, México.
Hernández, R & Fernández, C& Baptista, P.(2014), Metodología de la investigación,
6ta edición, México.
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
52 Br. Mery Rosibeth Carranza Trujillo
Hernández, R., Fernández, C. y Baptista, P. (2013). Metodología de la investigación
(3ra ed).
Hurtado (2008). Series de Tiempo, Chile.
Market, M. (2016). Expoortaciones en el Perú, complegidad ecom.
Méndez, L., (14). Marketing Internacional, Uruguay
Méndez (2013)," Series de tiempo: Una aplicación a registros hidrométricos en una
cuenca del Estado de Oaxaca"
Mota, A.(2016), “pronóstico del precio del crudo de Exportación Mexicano con la
metodología de Box-Jenkins para series de tiempo. Genemérita Universidad
Autónoma de Puebla. Mexico.
Navarro, J. (2007). Exportación. Definiciones ABC.
Núñez Pazos, F. (2015). Las exportaciones en el Perú. EY : Building a Better working
world, 1.
Pajuelo (2012), Modelo de pronóstico para las Exportaciones del Perú con la
comunidad andina de naciones, Enero 1999-Abril 2007,U.N.T, Trujillo.
Yang, L. (2009). Modelización y previsión del PIB de China, tesis Mag. De Lu.
Ríos,Mía. (15 de Marzo de 2018). Mincetur: En abril se conocerá segundo paquete de
medidas para impulsar exportaciones. Gestión .
Ruiz.J, Hernández.G & Rodríguez. R (2010),Análisis de series de tiempo en el
pronóstico de la producción de caña de azúcar, Universidad Veracruzana, Mexico.
Rosales, R. (2016). METODOLOGÍA BOX – JENKINS. Universidad de los andes, 5.
Perez,M, Merli G & Perazzi,J (2011), “Aplicación de la metodología de series de
tiempo en la estimación de los niveles de exportaciones de café de Colombia periodo
1958-2011”, Innovaciencia.
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
53 Br. Mery Rosibeth Carranza Trujillo
Upadhyay .V.K. (2013),“ Modeling and forecasting export and import of Indian wood
based panel using ARIMA models”
Sánchez,D.A (2018), Modelo ARIMA para el pronóstico de la producción de
esparrago de cacao en el Perú 2012 – 2018, U.N.T, Trujillo.
http://www.comunidadandina.org/Prensa.aspx?id=7968&accion=detalle&cat=NP&tit
le=exportaciones-de-ls.
http://extranet.comunidadandina.org/sicext/WNomenclaturaMensual.asp.
https://camaralima.org.pe/principal/noticias/noticia/potencial-impacto-en-las-
exportaciones-ante-posible-salida-de-ecuador-de-la-can/586
http://repositorio.unprg.edu.pe/bitstream/handle/UNPRG/2192/BC-TES-TMP-
1065.pdf?sequence=1&isAllowed=y
https://elperuano.pe/noticia-peru-lidera-exportaciones-la-comunidad-andina-
77688.aspx
TRABAJO DE REFERENCIA:
Pajuelo (2012), Modelo de pronóstico para las Exportaciones del Perú con la
comunidad andina de naciones, Enero 1999-Abril 2007,U.N.T, Trujillo.
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
54 Br. Mery Rosibeth Carranza Trujillo
CAPITULO VIII:
ANEXOS:
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
55 Br. Mery Rosibeth Carranza Trujillo
ANEXO 01: MATRIZ DE DATOS SOBRE LAS EXPORTACIONES DE BIENES HACIA EL MUNDO EN LA
COMUNIDAD ANDINA,2010-2018 (MILES DE DÓLARES/MES).
Año 2010 2011 2012 2013 2014 2015 2016 2017 2018 ENERO 7088418 8949699 11589672 11236201 10573054 7947519 5892530 7904688 9773694
FEBRERO 7169891 9643546 11565273 10775858 10434155 7823012 6283116 8271215 8760627
MARZO 8014387 11257772 12769574 11445582 10794193 8526669 6831203 8703557 9980522
ABRIL 8126826 10789405 11006989 10987071 9955425 7706702 6844983 7827326 10158568
MAYO 7813187 11953501 12135783 11742107 11876204 8390143 7554479 8997747 10329956
JUNIO 8158772 11482354 11239783 11004669 10955962 8621081 7354886 8483771 10213257
JULIO 8065102 11886080 11552026 11070020 11364998 7902074 7427856 8670112
AGOSTO 8025516 12218632 11535953 12115522 11500808 7924479 8166848 9056861
SEPTIEMBRE 8439651 11285137 12127925 11563738 11318132 7469640 7891475 9804188
OCTUBRE 8785508 11213535 11916531 11570513 10425561 7687287 8325385 9350798
NOVIEMBRE 8644982 11067696 11467704 11196545 9662872 6973303 7898794 9373527
DICIEMBRE 9670535 12364422 11995915 12157140 9494112 7607660 9456966 10698021
Fuente: Elaborado por el autor en base a los datos de la Comunidad Andina de Naciones, Secretaria General.
Resultados: Excel
ANEXO 02: PRINCIPALES PRODUCTOS EXPORTADOS POR LA COMUNIDAD ANDINA HACIA EL MUDO
(MILLONES DE DÓLARES).
CÓDIGO Description
I animales vivos y productos del reino animal II productos del reino vegetal
III grasas y aceites animales o vegetales productos de su desdoblamiento grasas alimenticias elaboradas cera de
origen animal o vegetal
IV productos de las industrias alimentarias bebidas; líquidos alcohólicos y vinagre tabaco y sucedáneos del tabaco
elaborados
IX madera carbón vegetal y manufacturas de madera corcho y sus manufacturas manufacturas de espartería o
cestería V productos minerales
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
56
VI productos de las industrias químicas o de las industrias conexas VII plástico y sus manufacturas caucho y sus manufacturas
VIII pieles cueros peletera y manufacturas de estas materias artículos de talabartería o guarnicionería artículos de
viaje bolsos de mano (carteras) y continentes similares manufacturas de tripa
X pasta de madera o de las demás materias fibrosas celulsicas papel o cartã“n para reciclar (desperdicios y
desechos) papel y cartã“n y sus aplicaciones XI materias textiles y sus manufacturas
XII calzado sombreros y demás tocados paraguas quitasoles bastones, látigos fustas y sus partes plumas preparadas y
artículos de plumas flores artificiales manufacturas de cabello
XIII manufacturas de piedra yeso fraguable cemento amianto (asbesto) mica o materias análogas productos cerámicos
vidrio y manufacturas de vidrio
XIV perlas finas (naturales) o cultivadas, piedras preciosas y semipreciosas, metales preciosos, chapados de metal
precioso y manufacturas de estas materias; bisutería XIX armas municiones y sus partes y accesorios XV metales comunes y manufacturas de estos metales
XVI máquinas y aparatos material eléctrico y sus partes aparatos de grabación o reproducción de sonido aparatos de
grabación o reproducción de imágenes y sonido en televisión y las partes y accesorios de estos aparatos XVII material de transporte
XVIII instrumentos y aparatos de óptica, fotografía o cinematografía de medida control o precisión instrumentos y
aparatos medicoquirúrgicos, relojería instrumentos musicales partes y accesorios de estos instrumentos o
aparatos XXI mercancías y productos diversos
XXII objetos de arte o colección y antigüedades XXIII mercancías objetos de tratamientos especiales y no identificadas
Fuente: Elaborado por el autor en base a los datos de la Comunidad Andina de Naciones, Secretaria General.
Resultados: Excel
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
57
ANEXO 03: MATRIZ DE DATOS DE LOS PRINCIPALES PRODUCTOS EXPORTACIONES DE BIENES HACIA EL
MUNDO EN LA COMUNIDAD ANDINA,2010-2018 (MILLONES DE DÓLARES).
Codigo 2010 2011 2012 2013 2014 2015 2016 2017 2018
1 I 1893141 2631230 3062446 2824180 2871715 2452818 2607244 2888938 3271878
2 II 9313685 11798135 10726259 11326961 12567799 12712714 13063196 14071586 14824854
3 III 884327 1322200 1588029 1241839 1454399 1318245 1291709 1449949 1627745
4 IV 5962211 7305455 7622537 8547840 9426816 8333785 8255195 9062033 9679937
5 IX 487951 497358 495741 487851 557792 560728 544781 554202 609082
6 V 50214024 74781446 79082187 78692017 72358509 43567413 39139873 51714528 60900016
7 VI 2856391 3393506 3550425 3411729 3272984 3178240 2847980 2830242 2990262
8 VII 1945320 2464028 2574271 2605083 2613172 2259119 2031467 2119040 2400757
9 VIII 276143 349528 354089 408954 441796 372311 296153 247862 201910
10 X 902758 1039403 844778 761771 676088 538627 477194 525109 549639
11 XI 2931117 3407460 3775577 3367340 3093199 2475921 2171080 2240125 2433580
12 XII 122035 151387 137069 143657 132601 127450 113509 117343 117452
13 XIII 559475 652406 734215 668129 688794 576083 599571 602554 609387
14 XIV 10517538 14168691 15694584 12584551 9314617 8342941 9268393 10391672 10090950
15 XIX 8823 19553 19994 20059 10372 10054 10951 11677 35489
16 XV 6349073 7351511 6918755 6429634 5945230 4904039 4519322 5510521 6046213
17 XVI 1239586 1354713 1634207 1622397 1548344 1531659 1466846 1568056 1536263
18 XVII 971914 870789 1553787 1185766 864147 825857 781781 791561 923987
19 XVIII 226564 140890 138751 156068 179065 178481 155643 149008 146815
20 XX 329341 393235 376954 363048 318888 294128 266386 275431 299388
21 XXI 1248 5959 5360 2127 5583 5535 4634 4864 4802
22 XXII 10109 12896 13116 13965 13566 13426 15613 15510 16833 Fuente: Elaborado por el autor en base a los datos de la Comunidad Andina de Naciones, Secretaria General.
Resultados: Excel
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS
Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT
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/
BIBL
IOTE
CA D
E CI
ENCI
AS F
ÍSIC
AS
Y M
ATEM
ÁTIC
AS