\documentclass{article}

\usepackage[utf8]{inputenc}

\title{Modelo de pronóstico para las exportaciones del Perú}

\author{yaqueline Porlles Reyes }

\date{October 2018}

\usepackage{natbib}

\usepackage{graphicx}

\begin{document}

\maketitle

\section{Introductión}

mize}

El comercio extrerior es importante para el crecimiento y desarrollo sostenible a largo plazo

de un país ;más aún en la actualidad tiene gran impacto 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 crecimientoarrollo gracias al
crecimiento de las exportaciones.

\section{Problema}

¿Cúal es el modelo de pronóstico para las exportaciones del Perú ,en miles de dolares ,con la
Comunidad Andina ,a partir de la serie historica que sera tomada solo de 7 años ?

\section{Objetivo general}

Determinar un modelo para pronosticar las expotaciones del Perú,en miles de dólares ,con la
Comunidad Andina ,a partir de la serie histórica de los 7 últimos años.

\section{Objetivos específicos}

\begin{itemize}
\item Analizar el comportamiento de las series historicas :Exportaciones del Perú,en miles de
dólares ,con la Comunidad Andina.

\item Determinarla estacionariedad de la serie historica:Exportaciones del Perú,en miles de

dólares,con la Comunidad Andina.

\item Determinar el modelo de las exportaciones del Perú con la Comunidad Andina ,a través
del examen de las correlogramas.

\item Realizar la prueba de Box-Pierce,evaluar la función de autocorrelación (FAC) y la

función de autocorrelación parcial(FACP) y verificar la normalidad de los residuos para la
adecuación del modelo.

\item Realizar pronósticos a través del modelo adecuado para los 4 primeros meses del año
2017.

\item Validar el pronóstico a través de las técnicas de medición del error.

\item Determinar un modelo ARCH de las exportaciones del Perú con la Comunidad Andina a
través del examen de las correlogramas de los residuos al cuadrado.

\section{Hipótesis}

El modelo de prónostico para las exportaciones del Perú,en miles de dólares,con la Comunidad
Andina ,a partir de la serie historica de los ultimos 7 años ,es un modelo SARIMA(2,1,0)(1,0,1).

\section{Justificación}

Los paises cada vez se hacen mas competitivos ya sean por sus exportaciones tradicionales o
no tradicionales ,adoptando con el paso del tiempo nuevas estrategias de exito.Estos paises
,estan adopatando herramientas de optimizacion que permitan planificar ,prever,y tomar
decisiones en base de modelos y teorias a fin de alcanzar el exito a corto,mediano y largo plazo
,con el proposito de establecer metas que permitan el alcance del aprovisionamiento y
distribucion de las exportaciones,enfocados al cumplimiento de su vision y mision.

La necesidad de plantear la evaluacion de las series mensuales de las exportaciones del

Peru,especificamente con la Comunidad Andina,indice en la optimización de los mismo a
través de un modleo de pronostico,que escasamente se visualiza,ya que mediante su analisis
se podra establecer el modleo de pronostico a seguir praa el beneficio de las empresas
exportadoras del pais y su plan estrategico para las exportaciones,esto con el fin que las
empresas involucradas en las ecportaciones puedan continuar siendo pioneras en su ramo de
exportacion.

en esta investigacion se realizara modelos de Box-Jenkins,tambien modelos autorrefresivos

,los modleos moviles,modelos arima,modelos sarima y los modelos arch y garch ;lo cual
necesariamente conlleva hacer espistemologicamente del conocimiento existente.

desde este punto metodologico,esta investif¿gacion esta generando la aplicacion de os

modleos en laa metodologia de Box-Jenkins para generar conocimientos validos y confiables
dentro de una area de la serie de timepo y la ciencia de la estadictica aplicada en general.

\section{Marco teórico}

Los pronostico de variables economicas son ampliamente utilizadas,entre otras cosas,en la

planeacion empresarial,la administracion financiera,las negociaciones salariales y la
implementacion de las politicas para la exortacion.En todo estos casos ,los pronosticos
permiten a los agentes tomar decisiones en el presente sobre eventos aun por ocurrir .

{\bfseries Tipos de pronóstico }

{\bfseries De acuerdo con Hanke y Reitsch (1996): }

(...) quienes toman decisiones lo harán mejor sí a partir de la comprensión de las

técnicas de pronóstico, tanto cualitativas como cuantitativas, las utilizan de manera

adecuada, en vez de que se vean forzados a planear el futuro sin el beneficio de esta

valiosa información complementaria.

{\bfseries Planificación estratégica y prónostico }

La pregunta principal para abordar el tema del pronóstico es cómo se relaciona éste con la

planificación estratégica, y por qué se diseña. De acuerdo con (Wheelen y Hunger, 2007), la

planificación estratégica ha tenido una función importante en las empresas, ya que además de

permitirle controlar las variables propias de su actividad o entorno interno, les ha permitido
anticiparse y/o adaptarse a un entorno que cambia con frecuencia; este entorno que se refiere

a todos los factores que influyen de manera trascendental en la estrategia y que no pueden ser

controlados por la empresa, se ha convertido en eje fundamental para la administración.

De acuerdo con estos autores, la Administración Estratégica ha evolucionado siguiendo cuatro

etapas, denominando a la segunda “Planificación basada en pronósticos” (Wheelen y Hunger,

2007, p. 4) cuyo objetivo es extrapolar las tendencias del futuro a cinco años. Es en esta etapa

en donde se resalta la tarea de elaborar pronósticos, como herramienta para anticipar el

comportamiento de variables relevantes, movimientos del mercado, de la competencia y los

factores socioeconómicos en donde tiene presencia la empresa; una empresa que no lo hace,

difícilmente captará las señales del mercado, tendrá en cuenta factores de su entorno y

probablemente tendrá problemas financieros; lo importante del pronóstico es adelantarse a

las

tendencias futuras.

Por esta razón, el pronóstico debe abordarse desde una perspectiva multidimensional. Para

(Baets, 1987) el pronóstico debe ser visto como una actividad que proporciona información

sobre el futuro, tanto de la empresa como de diversos elementos del entorno, tanto en los

eventos que sucedan

, ceteris paribus

, como los que se produzcan por diversas acciones

estratégicas, como los denominados eventos de escenarios o what-if.

{\bfseries procesos estocasticos estacionarios }

Un proceso estocástico es una colección o familia de variables aleatorias {Xt,

con t ∈ T}, ordenadas según el subíndice t que en general se suele identificar con el

tiempo.

Por tanto, para cada instante t tendremos una variable aleatoria distinta representada

por Xt, con lo que un proceso estocástico puede interpretarse como una sucesión de variables

aleatorias cuyas características pueden variar a lo largo del tiempo.

Llamaremos estacionarios a aquellos procesos estocásticos

que tengan un comportamiento constante a lo largo del tiempo. Si buscamos el

correspondiente

comportamiento de las series temporales asociadas a esos procesos, veremos gráficas

que se mantienen en un nivel constante con unas pautas estables de oscilación. La siguiente

figura muestra un ejemplo de serie estacionaria, realización de un proceso estocástico

estacionario.

Diremos que un proceso es estacionario en sentido estricto si al realizar un

mismo desplazamiento en el tiempo de todas las variables de cualquier distribución

conjunta finita, resulta que esta distribución no varía, es decir:

{\bfseries F(Xi1 , Xi2 , ..., Xir ) = F(Xi1+j , Xi2+j , ..., Xir+j ) }

para todo conjunto de índices (i1, i2, ..., ir) y todo j.

Esta condición resulta bastante restrictiva y por consiguiente se adoptan otras un poco

más ”débiles”.

Diremos que un proceso estocástico es estacionario en sentido débil si mantiene

constantes todas sus características lo largo del tiempo, es decir, si para todo t :

\item ut = u

\item \sigma2= \sigma2

\item Cov(t, t + j) = Cov(s, s + j) = yj j = 0, ±1, ±2, ...

{\bfseries Series de tiempo }

Por serie de tiempo nos referimos a datos estadísticos que se recopilan, observan o registran

en intervalos de tiempo regulares (diario, semanal, semestral, anual, entre otros). El término

serie de tiempo se aplica por ejemplo a datos registrados en forma periódica que muestran,

por ejemplo, las ventas anuales totales de almacenes, el valor trimestral total de contratos

de construcción otorgados, el valor trimestral del PIB.

{\bfseries a) Componentes de la serie de tiempo}

Supondremos que en una serie existen cuatro tipos básicos de variación, los cuales

sobrepuestos o actuando en concierto, contribuyen a los cambios observados en un período

de tiempo y dan a la serie su aspecto errático. Estas cuatro componentes son: Tendencia

secular, variación estacional, variación cíclica y variación irregular.

Supondremos, además, que existe una relación multiplicativa entre estas cuatro

componentes; es decir, cualquier valor de una serie es el producto de factores que se pueden

atribuir a las cuatro componentes.

{\bfseries1. Tendencia secular:} La tendencia secular o tendencia a largo plazo de una serie es

por lo común el resultado de factores a largo plazo. En términos intuitivos, la

tendencia de una serie de tiempo caracteriza el patrón gradual y consistente de las

variaciones de la propia serie, que se consideran consecuencias de fuerzas

persistentes que afectan el crecimiento o la reducción de la misma, tales como:

cambios en la población, en las características demográficas de la misma, cambios

en los ingresos, en la salud, en el nivel de educación y tecnología. Las tendencias a

largo plazo se ajustan a diversos esquemas. Algunas se mueven continuamente

hacía arriba, otras declinan, y otras más permanecen igual en un cierto período o

intervalo de tiempo.

{\bfseries2. Variación estacional:} El componente de la serie de tiempo que representa la

variabilidad en los datos debida a influencias de las estaciones, se llama

componente estacional. Esta variación corresponde a los movimientos de la serie

que recurren año tras año en los mismos meses (o en los mismos trimestres) del año

poco más o menos con la misma intensidad. Por ejemplo: Un fabricante de albercas

inflables espera poca actividad de ventas durante los meses de otoño e invierno y

tiene ventas máximas en los de primavera y verano, mientras que los fabricantes de

equipo para la nieve y ropa de abrigo esperan un comportamiento anual opuesto al

del fabricante de albercas.

{\bfseries3. Variación cíclica:} Con frecuencia las series de tiempo presentan secuencias
alternas

de puntos abajo y arriba de la línea de tendencia que duran más de un año, esta

variación se mantiene después de que se han eliminado las variaciones o tendencias

estacional e irregular. Un ejemplo de este tipo de variación son los ciclos

comerciales cuyos períodos recurrentes dependen de la prosperidad, recesión,

depresión y recuperación, las cuales no dependen de factores como el clima o las

costumbres sociales.

{\bfseries4. Variación Irregular:} Esta se debe a factores a corto plazo, imprevisibles y no

recurrentes que afectan a la serie de tiempo. Como este componente explica la

variabilidad aleatoria de la serie, es impredecible, es decir, no se puede esperar

predecir su impacto sobre la serie de tiempo. Existen dos tipos de variación

irregular: a) Las variaciones que son provocadas por acontecimientos especiales,

fácilmente identificables, como las elecciones, inundaciones, huelgas, terremotos.

b)Variaciones aleatorias o por casualidad, cuyas causas no se pueden señalar en forma

exacta, pero que tienden a equilibrarse a la larga.

{\bfseries Métodos de Suavizamiento de la Serie}

{\bfseries1. Promedio móvil}

Un promedio móvil se construye sustituyendo cada valor de una serie por la media
obtenida con esa observación y algunos de los valores inmediatamente anteriores y

posteriores.

{\bfseries 2. Promedios móviles ponderados}

El método consiste en asignar un factor de ponderación distinto

para cada dato. Generalmente, a la observación o dato más reciente a partir del que se

quiere hacer el pronóstico, se le asigna el mayor peso, y este peso disminuye en los

valores de datos más antiguos.

{\bfseries 3. Suavizamiento exponencial}

El suavizamiento exponencial emplea un promedio ponderado de la serie de tiempo pasada

como pronóstico; es un caso especial del método de promedios móviles ponderados en el

cual sólo se selecciona un peso o factor de ponderación: el de la observación más reciente.

{\bfseriesLa autocorrelación y la autocorrelación parcial} son medidas de asociación entre

valores de series actuales y pasadas e indican cuáles son los valores de series pasadas más
útiles para predecir valores futuros. Con estos datos podrá determinar el orden de los
procesos en un modelo ARIMA. Más concretamente,

{\bfseriesFunción de autocorrelación (FAS)}

En el retardo k, es la autocorrelación entre los valores de las series que se encuentran a k

intervalos de distancia.

{\bfseriesFunción de autocorrelación parcial (FAP)}

En el retardo k, es la autocorrelación entre los valores de las series que se encuentran a k

intervalos de distancia, teniendo en cuenta los valores de los intervalos intermedios.
{\bfseries Proceso ARIMA}

La palabra ARIMA significa Modelos Autorregresivos Integrados de Medias Móviles.

Definimos un modelo como autorregresivo si la variable endógena de un período t es

explicada por las observaciones de ella misma correspondientes a períodos anteriores

añadiéndose,

como en los modelos estructurales, un término de error. En el caso de procesos estacionarios

con

distribucion normal, la teoría estadística de los procesos estocásticos dice que, bajo
determinadas

condiciones previas, toda Yt

puede expresarse como una combinanción lineal de sus valores pasados

(parte sistemática) más un término de error (innovación).

Los modelos aotorregresivos se abrevian con la palabra AR tras la que se indica el orden del

modelo:

AR(1), AR(2),....etc.

El orden del modelo expresa el número de observaciones retasadas de la

series temporal analizada que intervienen en la ecuación. Así, por ejemplo, un modelo AR(1)
tendría la

siguiente expresión:

\begin{center}

y_{t}=\phi_{0}+\phi_{1}Y_{t-1}+a_{t}

\end{center}
El término de error de los modelos de este tipo se denomina generalmente ruido blanco

cuando cumple las tres hipótesis básicas tradicionales mencionadas al principio del texto:

-media nula

- varianza constante

- covarianza nula entre errores correspondientes a observaciones diferentes.

La expresión genérica de un modelo autorregresivo, no ya de un AR(1) sino de un AR(p) sería

la siguiente:

\begin{center}

y_{t}=\phi_{0}+\phi_{1}Y_{t-1} +\phi_{2}Y_{t-2}....+\phi_{p}Y_{t-p}a_{t}

\end{center}

{\bfseries Modelo ARCH}

Engle (1982) propuso el modelo ARCH, que significa modelo auto regresivo condicionalmente
heterocedástico, el cual hace parte de la familia de modelos adecuados para modelar la
volatilidad de una serie.

Modelo ARCH(p) en regresión.

El proceso ARCH(q) viene definido por la siguiente expresión:

\begin{center}
y_{t}=\epsilon_{t}\theta_{t}

\theta_{t}^2=\omega + \sum_{i=0}^{q}\alpha_{i}y_{t-i}^{2}

\end{center}

{\bfseries Modelo GARCH}

El modelo ARCH (q) que antes se presentaba, puede mostrar ciertas dificultades de estimación

cuando se aplica a estructuras dinámicas en los cuadrados de las series. Por ejemplo, en las
series

financieras, el número de retardos a utilizar es muy elevado y ello llevaría a un engorroso

número

de iteraciones para alcanzar una solución al sistema planteado, pudiendo darse el caso de no

encontrar nunca una solución. Por ello, el mismo ENGLE propuso ya en 1983 ciertas
restricciones a

los parámetros del ARCH(1) que simplificaban su estimación; pero estas no eran capaces de
recoger

cualquier caso, por lo que la aportación de Bollerslev es decisiva a la hora de poder dotar de
utilidad

al modelo presentado por ENGLE.

El modelo GARCH (p,q) se podría escribir como:

\begin{center}

y_{t}=\epsilon_{t}\theta_{t}

\theta_{t}^2=\omega + \sum_{i=0}^{q}\alpha_{i}y_{t-i}^{2}+\sum_{j=0}^{p}\beta_{i}\sigma_{t-
j}^{2}

\end{center}
\bibliographystyle{plain}

\bibliography{references}

\item https://www.uam.es/otroscentros/klein/doctras/doctra9806.pdf

\item
http://dspace.unitru.edu.pe/bitstream/handle/UNITRU/7946/Tesis%20Maestr%C3%ADaX%20-
%20Luis%20A.%20Pajuelo%20Gonz%C3%A1les.pdf?sequence=1&isAllowed=y

\item http://biblio3.url.edu.gt/Libros/2012/Esta_AdmonYEco-15.pdf

\end{document}