Risco Dávila, Carlos AlfonsoChilón Ayay, Anghie Lizzeth7/7/2023 17/7/2023 12023https://hdl.handle.net/20.500.14414/18318The purpose of this research is to compare the ARIMA methodology and Recurrent _x000D_ Neural Networks to find the best model to forecast Inflation in Peru. The research consisted _x000D_ of a study sample from January 2000 to December 2021._x000D_ When designing the series model for each series, a forecast was made for all the _x000D_ months of the year 2022, which were compared with the real data to determine which _x000D_ methodology makes a better forecast. The results indicated that the previous LSTM recurrent _x000D_ neural network model obtained a lower forecast evaluation error compared to the ARIMA _x000D_ methodology, for which the RMSE, MAE, MAPE, EMC and MPE indicators were usedLa presente investigación compara la metodología ARIMA y Redes Neuronales _x000D_ Recurrentes con el fin de encontrar el mejor modelo para el pronóstico de la inflación en el _x000D_ Perú. La investigación consta con una muestra de estudio desde enero de 2000 hasta _x000D_ diciembre de 2021._x000D_ Al diseñarse el modelo para cada serie, se procedió a pronosticar para todos los meses _x000D_ del año 2022, los cuales se compararon con los datos reales para determinar cuál _x000D_ metodología realiza un mejor pronóstico. Los resultados indicaron que el modelo de redes _x000D_ neuronales recurrentes LSTM logró obtener un menor error de evaluación de pronóstico a _x000D_ comparación de la metodología ARIMA, para ello se utilizaron los indicadores RMSE, _x000D_ MAE, MAPE, EMC y MPEspainfo:eu-repo/semantics/openAccessModelos ARIMARedes Neuronales RecurrentesLSTMInflacióninfo:eu-repo/semantics/bachelorThesis