matemÁticas ciencias - unitru.edu.pe

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.



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS

iii

i


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.



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS

iv

i


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



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS

v

i


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.



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS

vi

i


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.



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS

vii

i


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



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



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


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%.



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


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.



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


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



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


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



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


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



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


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).



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS

http://www.monografias.com/trabajos12/desorgan/desorgan.shtml

http://www.monografias.com/trabajos31/evidencias/evidencias.shtml


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).



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


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.



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


• 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



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


CAPITULO II:

MARCO TEÓRICO



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


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.



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


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).



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


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.



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


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.



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


➢ 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



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


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.



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


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



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


(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



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


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.



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


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



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


➢ 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



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


CAPITULO III:

MATERIAL Y

MÉTODOS



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


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



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


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.



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


CAPITULO IV:

RESULTADOS



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


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



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


FIGURA N°02: EXPORTACIONES MENSUALES EN MILES DE DÓLARES DE LOS

PAÍSES MIEMBROS DE LA COMUNIDAD ANDINA


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



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


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.



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


FIGURA N°03: COMPORTAMIENTO DE LAS EXPORTACIONES MENSUALES EN

MILES DE DÓLARES EN LA COMUNIDAD ANDINA.


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)



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


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.



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.



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


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.



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.



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


FIGURA N°04: FUNCIÓN DE AUTOCORRELACIÓN Y CORRELACIÓN PARCIAL

DE LA PRIMERA DIFERENCIA SIN EL INTERCEPTO DE LAS EXPORTACIONES




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).



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


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.



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


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


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



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


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.


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.



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


FIGURA N°06: CORRELOGRAMA RESIDUALES DE LAS EXPORTACIONES




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.



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


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


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



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.



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


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


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





BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


VALIDACIÓN DEL MODELO

TABLA N° 10: ERRORES DE PRONÓSTICO DE LAS EXPORTACIONES


Mes


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


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% .



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


CAPITULO V:

DISCUSIÓN



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


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



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


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) +



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


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



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


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).



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


CAPITULO VI:

CONCLUSIONES

Y RECOMENDACIONES



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


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



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


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


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.



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


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.



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


CAPITULO VII:

REFERENCIAS

BIBLIOGRÁFICAS



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


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.



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


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.



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


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.



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS

http://www.comunidadandina.org/Prensa.aspx?id=7968&accion=detalle&cat=NP&title=exportaciones-de-ls

http://www.comunidadandina.org/Prensa.aspx?id=7968&accion=detalle&cat=NP&title=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

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

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

https://elperuano.pe/noticia-peru-lidera-exportaciones-la-comunidad-andina-77688.aspx


CAPITULO VIII:

ANEXOS:



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS


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


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



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


Resultados: Excel



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



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS



BIBL

IOTE

CA D

E CI

ENCI

AS F

ÍSIC

AS

Y M

ATEM

ÁTIC

AS

matemÁticas ciencias - unitru.edu.pe

Documents