Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
\usepackage[utf8]{inputenc}
\date{October 2018}
\usepackage{natbib}
\usepackage{graphicx}
\begin{document}
\maketitle
\section{Introductión}
mize}
\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 Determinar el modelo de las exportaciones del Perú con la Comunidad Andina ,a través
del examen de las correlogramas.
\item Realizar pronósticos a través del modelo adecuado para los 4 primeros meses del año
2017.
\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.
\section{Marco teórico}
adecuada, en vez de que se vean forzados a planear el futuro sin el beneficio de esta
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
2007, p. 4) cuyo objetivo es extrapolar las tendencias del futuro a cinco años. Es en esta etapa
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
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
, ceteris paribus
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
que se mantienen en un nivel constante con unas pautas estables de oscilación. La siguiente
estacionario.
Esta condición resulta bastante restrictiva y por consiguiente se adoptan otras un poco
más ”débiles”.
constantes todas sus características lo largo del tiempo, es decir, si para todo t :
\item ut = u
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
Supondremos que en una serie existen cuatro tipos básicos de variación, los cuales
de tiempo y dan a la serie su aspecto errático. Estas cuatro componentes son: Tendencia
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
{\bfseries1. Tendencia secular:} La tendencia secular o tendencia a largo plazo de una serie es
hacía arriba, otras declinan, y otras más permanecen igual en un cierto período o
intervalo de tiempo.
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
{\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
costumbres sociales.
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.
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
distribucion normal, la teoría estadística de los procesos estocásticos dice que, bajo
determinadas
Los modelos aotorregresivos se abrevian con la palabra AR tras la que se indica el orden del
modelo:
AR(1), AR(2),....etc.
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
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}
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.
\begin{center}
y_{t}=\epsilon_{t}\theta_{t}
\theta_{t}^2=\omega + \sum_{i=0}^{q}\alpha_{i}y_{t-i}^{2}
\end{center}
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
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
\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}