Browsing by Author "Timaná Palacios, Daphne Jannet"
Now showing 1 - 6 of 6
Results Per Page
Sort Options
Item Modelo de serie de tiempo para la producción de limón en el Perú(Universidad Nacional de Trujillo, 2024) Jimenez Huayama, Oliver; Timaná Palacios, Daphne JannetEl presente estudio fue de tipo observacional -longitudinal con diseño serie de tiempo donde el objetivo de este estudio fue pronosticar la producción de limón en el Perú con base en los datos de producción de enero de 2007 a diciembre del 2021, registrados en el sitio web del Banco Central de Reserva del Perú (BCRP) y pronosticados para el año 2021. El procesamiento y análisis de datos se realizó mediante el software EVIEWS 12. Finalmente, el modelo identificado fue una serie de tendencia estacional y el modelo pronosticado fue un SARIMA (1,0,0) (1,0,1)12. El pronosticó de la serie original se dio entre junio 2021 a diciembre 2021 y la validación de los pronósticos fue con una Desviación Absoluta Media de 3830 toneladas de limón, un Error Medio Cuadrático de 24892 toneladas de limón, un Porcentaje de Error medio Absoluto de 18.44% y el Porcentaje Medio de Error de 15.71%Item Modelo de serie de tiempo para la producción mensual de leche en el Perú, periodo enero 2015 – abril 2023(Universidad Nacional de Trujillo, 2023) Zapata Villegas, Oscar Martin; Timaná Palacios, Daphne JannetEn esta investigación de tipo descriptivo y longitudinal, se tuvo como objetivo principal determinar el modelo de serie de tiempo adecuado para la producción mensual de leche en el Perú, periodo enero 2015 – abril 2023, utilizando los datos obtenidos del Banco Central de Reserva del Perú (BCRP), para ello se empleó la metodología Box Jenkins (Identificación, estimación, diagnóstico y pronóstico) y el programa Eviews 12. La serie se dividió en dos partes, la primera se empleó para la estimación del modelo que fue de enero 2015 – octubre 2022 y la segunda de noviembre 2022 – abril 2023 la cual se empleó para el pronóstico. Durante el análisis se interpretaron los correlogramas y se aplicó la prueba de Dickey-Fuller Aumentada, lo que indicó que la serie mostraba estacionalidad y un comportamiento no estacionario, teniendo que aplicar primeras diferencias, finalmente se concluyó que el modelo que mejor explica el comportamiento y pronostica la producción de leche en el Perú en el periodo enero 2015 – abril 2023 es un SARIMA ((AR(1) MA(1) SAR(12) SMA(12)) sin intercepto, cuya ecuaciones es ∆𝑌̂𝑡 = 0.515𝑦𝑡−1 − 0.917𝜀𝑡−1 + 0.988𝑦𝑡−12 − 0.488𝜀𝑡−12, el cual presentaba una Desviación Absoluta Media (DAM) = 4.365, un Error Cuadrático Medio (ECM) = 21.210, la media absoluta del porcentaje de error (PEMA) = 2.3% y el Porcentaje Medio del Error (PME) = -2.3% con respecto a los valores originales. Siendo probada la adecuacidad de modelo se procedió a pronosticar la producción mensual de leche en el Perú desde mayo hasta diciembre del 2023Item Un modelo vectorial de corrección de errores para la estimación del ingreso nacional del Perú(Universidad Nacional de Trujillo, 2023) Huaylla Salazar, Edinson; Timaná Palacios, Daphne JannetTradicionalmente se estudian los modelos univariantes en series de tiempo, como lo es el _x000D_ modelo ARIMA y a partir de este modelo existe la extensión a modelos multivariantes VAR y los modelos VEC que son estacionarios y no estacionarios, para los modelos multivariantes no estacionarios se requiere probar que la hipótesis nula sea no estacionaria por medio de los contrastes de cointegración, teniendo como objetivo determinar que los contrastes de cointegración basados en los modelos VAR y VEC son aplicables en los modelos multivariantes no estacionarios. La investigación que presenta un estudio de enfoque aplicada, explicativa, estudiando los modelos VAR y VEC mediante las metodologías del Test aumentado de Dicker Fuller y el método de las primeras diferencias, asimismo los criterios de información, incluyendo un ejemplo para poder probar que las series de los modelos cumplen con la teoría, obteniendo que las series de los modelos si son aplicables en los modelos multivariantes no estacionarios. Se concluyo que los dos modelos son aplicables a series de tiempo a largo plazo, y que en ambos modelos tienen tendencia en comúnItem Modelos de data panel para impacto de exportaciones de café en el Producto Bruto Interno en América(Universidad Nacional de Trujillo, 2024) Quiroz Rios, Kelly Betsabe; Timaná Palacios, Daphne JannetLa presente tesis titulada “Modelos de data panel para impacto de exportaciones de café en el Producto Bruto Interno en América”, es un estudio observacional explicativo, transversal y longitudinal con diseño data panel, que buscó determinar el modelo de datos panel más adecuado para analizar el impacto de las exportaciones de café en el Producto Interno Bruto (PIB) de 10 países de América durante el periodo 2013-2022. Se empleó modelos de data panel como regresión acumulada, efectos fijos y aleatorios, y se realizan pruebas de Haussmann, Breusch-Pagan y Wooldridge. Las variables utilizadas son el Producto Bruto Interno (US$ a precios actuales) siendo la variable dependiente y Exportación de café (dólar americano miles) la variable independiente. Los datos utilizados incluyen las cifras de exportaciones de café, obtenidas del sitio web Trade Map, y los datos del PIB de los países, obtenidos del Banco Mundial, ambos para el periodo 2013-2022. Los resultados se obtuvieron utilizando el software STATA 17, obteniendo que el modelo de efecto aleatorios es el más adecuado mediante la prueba de Haussmann (p = 0.30) y la prueba de Breusch y Pagan (valor p = 0.0000), hallando que el producto bruto interno impacta positivamente, aumentando la exportación del caféItem Pronóstico de la exportación de arándanos en el Perú, periodo 2016-2023(Universidad Nacional de Trujillo, 2024) Solano Santillán, Joan Smith; Timaná Palacios, Daphne JannetEl propósito fundamental de este estudio de investigación es identificar el modelo de pronóstico adecuado para describir el comportamiento de las exportaciones mensuales de arándanos en Perú. Se emplearán datos proporcionados por el Banco Central de Reserva del Perú (BCRP) abarcando el período entre enero de 2016 y octubre de 2023 para posteriormente aplicar series de tiempo. Siendo esta una investigación aplicada y longitudinal. La variable de estudio es la exportación mensual de arándanos (millones de US$/mes). Se utilizó la metodología de Box Jenkins y la serie se dividió en: enero 2016 a octubre 2022 para la estimación del modelo y de noviembre 2022 a octubre 2023 para la evaluación del pronóstico, esta metodología estadística se ocupa de identificar y ajustar modelos para series temporales, donde se estimó los 3 modelos, donde se escogió el mejor modelo con menor C.I. y luego se procedió a validarlo los supuestos. Por último, se examinó la predicción, llevando a cabo el procesamiento mediante el programa estadístico Eviews 12 con el fin de comparar los resultados, se llegó a la conclusión de que el modelo de pronóstico más adecuado es un AR(1) MA(1) SMA(12) MA(23) AR(11) SAR(36). La ecuación que lo representa es: ΔŶt = 0.51𝑦𝑡−1 + 0.48𝑦𝑡−11 − 1.04𝜀𝑡−1+ 0.04𝜀𝑡−23 −+ 0.049s𝑦𝑡−36 + 0.25s𝑦𝑡−12 + 𝜀𝑡 después de verificar la idoneidad del modelo, se llevó a cabo la predicción de las exportaciones mensuales desde noviembre de 2023 hasta junio de 2024.Item Series de tiempo para el pronóstico de la producción de mandarina en el Perú, periodo 2017-2022(Universidad Nacional de Trujillo, 2023) Tiburcio Espeleta, Deyvi Andre; Timaná Palacios, Daphne JannetEste estudio es de tipo descriptivo observacional longitudinal, con tendencia, teniendo como objetivo principal determinar un modelo de pronóstico que mejor explique el comportamiento de la producción mensual de mandarina, utilizando información del Banco Central de Reserva del Perú (BRCP) desde el periodo enero 2017 - diciembre 2022, siendo esta una investigación aplicada. La metodología estadística aplicada fue la Box Jenkins y la serie se dividió en : enero 2017 a junio 2022 para la estimación del modelo y de julio 2022 a diciembre 2022 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 12 y el programa Microsoft Excel 2021 para contrastar los resultados. Finalmente se concluyó que el modelo identificado fue una serie de tendencia estacionaria y el modelo pronosticado fue un SARIMA ar(1) sar(12) ma(1), siendo probada la adecuacidad del modelo