UNIVERSIDAD NACIONAL

DE TRUJILL0
SEMINARIO DE TESIS: INVESTIGACION DE
FACULTAD DE CIENCIAS
ORGANIZACIONES FISICAS Y MATEMATICAS

ING. ESTADÍSTICA

PROYECTO DE TESIS
“CALIDAD DE SERVICIO A LOS CLIENTES
QUE ACUDEN AL RESTAURANTE DE AUTOR:
COMIDA RAPIDA POPEYES DEL CENTRO Cerna Reyna, Harold Renzo
COMERCIAL REAL PLAZA, DICIEMBRE - ASESOR:
TRUJILLO 2017” Dr. Gómez Arce, Ricardo
Martin

2017
 RESULTADOS
PROBLEMA HIPOTESIS OBJETIVOS JUSTIFICACIÓN POBLACIÓN MUESTRA
Y ANÁLISIS

 ¿Esmás eficiente el Modelo Arima que las

Redes neuronales en la producción minera
de oro en el Perú, Enero 2002 – Diciembre
2016?
 RESULTADOS
PROBLEMA HIPOTESIS OBJETIVOS JUSTIFICACIÓN POBLACIÓN MUESTRA
Y ANÁLISIS

 ElModelo Arima es más eficiente que las Redes

neuronales en la producción minera de oro en el
Perú. Enero 2002 – Diciembre 2016.
 RESULTADOS
PROBLEMA HIPOTESIS OBJETIVOS JUSTIFICACIÓN POBLACIÓN MUESTRA
Y ANÁLISIS

 Objetivo general:

Comparar el Modelo Arima y las Redes neuronales en la

producción minera de oro en el Perú.
 RESULTADOS
PROBLEMA HIPOTESIS OBJETIVOS JUSTIFICACIÓN POBLACIÓN MUESTRA
Y ANÁLISIS

 Objetivos Específicos:

 Modelar la producción minera de oro en el Perú mediante Modelo Arima.

 Modelar la producción minera de oro en el Perú mediante Redes Neuronales.

 Comparar los pronósticos de la producción minera de oro en el Perú mediante Modelo Arima y Redes
Neuronales.
 RESULTADOS
PROBLEMA HIPOTESIS OBJETIVOS JUSTIFICACIÓN POBLACIÓN MUESTRA
Y ANÁLISIS

 Los países del mundo en la actualidad se hacen más competitivos de su producción de oro y
cada vez adoptan más estrategias a fin de garantizar el éxito. Estos países están adoptando
herramientas de optimización que permitan planificar, prever y tomar decisiones en base a
modelo y teorías a fin de alcanzar el éxito a corto, mediano y largo plazo, con el propósito de
establecer metas que permitan el alcance del aprovisionamiento y distribución de la
producción, enfocados al cumplimiento de su visión y misión.
 La necesidad de plantear la evaluación de las series mensuales de la producción del oro en el
Perú, incide en la optimización de los mismos a través de un modelo de pronóstico, que
escasamente se visualiza, ya que mediante su análisis se podrán establecer el modelo de
pronóstico a seguir para el beneficio de alguna empresas productoras del país y su plan
estratégico para la producción, esto con el fin de que las empresas involucradas en la
producción puedan continuar siendo pioneras en su ramo de producción.
 En cuanto a su alcance científico este trabajo realizará un abordaje aplicativo de la técnica
de inteligencia artificial denominada redes neuronales, y a la vez se realizará una
comparación para evaluar la eficiencia entre esta ya mencionada técnica de modelamiento
estadístico y la habitual metodología de Box – Jenkins para generar conocimiento valido y
confiable dentro del área de la serie de tiempo y de la ciencia de la estadística aplicada en
general., en este caso el modelamiento de la producción minera de oro en el Perú.
 RESULTADOS
PROBLEMA HIPOTESIS OBJETIVOS JUSTIFICACIÓN POBLACIÓN MUESTRA
Y ANÁLISIS

 Está constituida por la serie histórica mensual de

la producción de oro en el Perú.
 RESULTADOS
PROBLEMA HIPOTESIS JUSTIFICACIÓN OBJETIVOS POBLACIÓN MUESTRA
Y ANÁLISIS
 Está constituida por la serie mensual de la producción minera del oro en el Perú, desde enero del 2002 hasta
diciembre del 2016, con un total de 180 observaciones.
 Para modelos arima:

 El 90% de los datos (Enero 2002 – Junio 2015) para modelar la serie de tiempo.

 El 10% de los datos (Julio 2015 – Diciembre 2016) para pronóstico.

 Para redes neuronales:

 El 60% de los datos (Enero 2002 – Diciembre 2010) para entrenamiento.

 El 30% de los datos (Enero 2011 – Junio 2015) para prueba.

 El 10% de los datos (Julio 2015 – Diciembre 2016) para pronóstico.

 RESULTADOS
PROBLEMA HIPOTESIS JUSTIFICACIÓN OBJETIVOS POBLACIÓN MUESTRA
Y ANÁLISIS

Tabla N°1: Determinación del nivel de calidad de servicio a los clientes que acuden al
restaurante de comida rápida Popeyes del centro comercial Real Plaza Trujillo.

Nivel de Calidad de Servicio Clientes %Clientes

Baja 0 0,0%

Media 1 0,3%

Alta 357 99,7%

Total 358 100,0%

 RESULTADOS
PROBLEMA HIPOTESIS JUSTIFICACIÓN OBJETIVOS POBLACIÓN MUESTRA
Y ANÁLISIS

1. MODELO ARIMA
Etapa 1: Identificación del modelo
En esta fase se incio con el:
Se aprecia una evolución creciente, con la serie con el paso del
 Gráfico lineal tiempo, especialmente a partir del año 2002, luego con un
aumento abrupto del año 2004 a 2007, luego tiene caídas y
alzas dentro de un rango hasta el año 2010, y luego una
abrupta caída del año 2010 a 2011, y a partir de este año tuvo
un aumento abrupto hasta el año 2015. Esto significa que la
serie no presenta un valor medio constante en todo el periodo.
Por lo tanto podemos suponer a priori que, probamente, no será
estacionara, y luego presentará al menos una raíza unitaria.

Figura 1: Producción minera de oro en

el Perú, Enero 2002 – Junio 2015.
 RESULTADOS
PROBLEMA HIPOTESIS JUSTIFICACIÓN OBJETIVOS POBLACIÓN MUESTRA
Y ANÁLISIS

 Correlograma: Función de Autocorrelación (FAC) y

Función de Autocorrelación Parcial (FACP)

Indicamos que se represente el Correlograma para los 36

primeros retardos. La función de autocorrelación decrece de
forma senoidal y lenta, mientras que la función de
autocorrelación parcial presenta un valor significativo en el
retardo uno, con un coeficiente de autocorrelación cercano a la
unidad (0.96), esto puede considerarse como un indicativo de la
no estacionariedad de la serie.

Figura 2: Función de autocorrelación y autocorrelación parcial de la producción minera de

oro en el Perú, Enero 2002 – Junio 2015.
 RESULTADOS
PROBLEMA HIPOTESIS JUSTIFICACIÓN OBJETIVOS POBLACIÓN MUESTRA
Y ANÁLISIS
 DIFERENCIACION DE LA SERIE HISTORICA
Por lo tanto de debiéndose emplear la transformación en
primera diferencias. La serie diferenciada se presenta en la
gráfica siguiente:
Sin embargo la serie fue sometida a la prueba de Dickey –
Fuller aumentada a fin de evaluar la estacionariedad, y examinar
que componentes tiene la serie. Los resultados se presentan en
la Figura 4.

 Prueba de Raíz unitaria Dickey – Fuller

𝐻𝑜 : 𝐿𝑎 𝑠𝑒𝑟𝑖𝑒 𝑒𝑠 𝑛𝑜 𝑒𝑠𝑡𝑎𝑐𝑖𝑜𝑛𝑎𝑟𝑖𝑎
𝐻1 : 𝐿𝑎 𝑠𝑒𝑟𝑖𝑒 𝑒𝑠 𝑒𝑠𝑡𝑎𝑐𝑖𝑜𝑛𝑎𝑟𝑖𝑎
Figura 3: Primera diferencia de la serie mensual de
la producción minera de oro en el Perú, Enero 2002
– Junio 2015.
 RESULTADOS
PROBLEMA HIPOTESIS JUSTIFICACIÓN OBJETIVOS POBLACIÓN MUESTRA
Y ANÁLISIS

El test de Dickey – Fuller aumentada rechaza la hipótesis, se

tiene una prob = 0.0000, es decir la serie de producción minera
de oro en el Perú es estacionaria; posteriormente pasamos al
gráfico de autocorrelación para la estimación del modelo que se
muestra en la Figura 5.

Etapa 2: Estimación del modelo

En esta etapa determinamos cuál es el modelo mas adecuado
para la serie de tiempo observando la Figura 5 y 6, el primer
criterio es la comparación de los Criterios de Información de
Akaike (AIC), en la Tabla N°1, se presentan lo valores de AIC
para cada modelo.

Figura 4: Prueba de Dickey – Fuller para la primera

diferencia de la serie mensual de la producción minera de
oro en el Perú, Enero 2002 – Junio 2015.
 RESULTADOS
PROBLEMA HIPOTESIS JUSTIFICACIÓN OBJETIVOS POBLACIÓN MUESTRA
Y ANÁLISIS

En la Figura 5 se puede observar que algunos periodos

sobrepasan los límites confidenciales, indicando la necesidad de
incluir componentes Autoregresivos.

Figura 5: Funciónes de autocorrelación y

autocorrelación parcial de la primera difernecia de la
serie mensual de la producción minera de oro en el
Perú. Enero 2002 – Junio 2015.
 RESULTADOS
PROBLEMA HIPOTESIS JUSTIFICACIÓN OBJETIVOS POBLACIÓN MUESTRA
Y ANÁLISIS

Figura 6: Resultados del Modelo Arima (3, 1, 3)

 RESULTADOS
PROBLEMA HIPOTESIS JUSTIFICACIÓN OBJETIVOS POBLACIÓN MUESTRA
Y ANÁLISIS

Figura 7: Resultados del Modelo Arima (3, 1, 6)

 RESULTADOS
PROBLEMA HIPOTESIS JUSTIFICACIÓN OBJETIVOS POBLACIÓN MUESTRA
Y ANÁLISIS

Figura 8: Resultados del Modelo Arima (3, 1, 24)

 RESULTADOS
PROBLEMA HIPOTESIS JUSTIFICACIÓN OBJETIVOS POBLACIÓN MUESTRA
Y ANÁLISIS

Tabla N° 1: Análisis de los modelos ARIMA estimados

MODELO AIC

Arima(3, 1, 3) 3.521538

Arima(3, 1, 6) 3.524921

Arima(3, 1, 24) 3.462794

De acuerdo a la Tabla N° 1 el modelo que presenta el menor AIC es Arima (3, 1, 24).

෣ = 0.321704𝑂𝑅𝑂𝑡−3 + 𝜀𝑡 − 0.392265𝜀𝑡−24
𝑂𝑅𝑂

Etapa 3: Validación del modelo

En esta fase, procedemos a validar el ajuste del modelo, iniciando con el gráfico de los
corrrelogramas. En la Figura 9, observamos en la función de autocorrelación y autcorrelación
parcial los valores se encuentran dentro de los limites, por lo que se podria asumir que el
modelo es adecuado.
 Además, debemos verificar la idoneidad del modelo
mediante la prueba de Box-Pierce, que tiene como
hipótesis nulas la independencia de los errores. Como se
muestra en la Figura 9, la mayoría de las probabilidades
superan el 0.05, por lo tanto se acepta Ho; es decir hay
independencia en los errores del modelo. Otro de las
pruebas que se puede realizar es probar la
heterocedasticidad con el Correlograma de residuos al
cuadrado que se muestra en la Figura 10.

Figura 9: Función de autocorrelación y función

autocorrelación parcial del modelo ARIMA (3, 1, 24)
 En este Correlograma se puede probar la heterocedasticidad de
los errores, como todas las probabilidades son mayores que
0.05, se acepta Ho; es decir se rechaza la hipótesis de
heterocedasticidad.

Figura 10: Correlograma para los residuos al cuadrado

del modelo ARIMA (3, 1, 24)
 Etapa 4: Pronóstico del modelo
En esta última etapa se realizó el pronóstico con el modelo ARIMA (3, 1, 24). La Tabla N°2 muestra los
pronósticos de los últimos 18 meses.

Tabla N° 2: Pronósticos de la producción minera de oro en

el Perú por modelos Arima en el periodo de Julio del 2015 a
Diciembre del 2016
Periodo Pronóstico
jul-15 98.645
ago-15 98.645
sep-15 98.645
oct-15 98.645
nov-15 98.645
dic-15 98.645
ene-16 98.645 En la tabla anterior observamos que los pronósticos no varían
feb-16 98.645
mar-16 98.645 considerablemente con el paso del tiempo, en comparación con
abr-16 98.645
may-16 98.645
los valores reales que presentan variaciones importantes
jun-16 98.645 mostradas en la Figura 11.
jul-16 98.645
ago-16 98.645
sep-16 98.645
oct-16 98.645
nov-16 98.645
dic-16 98.645
Figura 11: Pronósticos de la producción minera de oro en el
Perú por modelos arima.
REDES NEURONALES

Tabla N° 3: Red Neuronal elegida para modelar y pronosticar la producción minera de oro en el
Perú en el periodo Enero del 2002 a Diciembre del 2016.
Información de red
Capa de entrada Covariables 1 Oro 1
Número de unidadesa 1
Método de cambio de escala para las covariables Estandarizados
Capas ocultas Número de capas ocultas 1
Número de unidades en la capa oculta 1a 3
Función de activación Tangente hiperbólica
Capa de salida Variables dependientes 1 Oro
Número de unidades 1
Método de cambio de escala para las dependientes
Estandarizados
de escala
Función de activación Identidad
Función de error Suma de cuadrados
a. Se excluye la unidad de sesgo

Esta tabla presenta la información de la red neuronal que mejor modela y pronostica la producción minera de oro
en el Perú; la capa de entrada presenta una unidad y tiene como covariables a Oro 1 que es el primer rezago de la
variable Oro; las capas ocultas presentan una unidad, dos unidades en la capa oculta n°3 y tiene función de
activación tangente hiperbólica; la capa de salida presenta una unidad, tiene como variable dependiente a Oro, su
método de cambio de escala para las dependientes de escala es estandarizados, tiene función de activación
identidad y su función de error es suma de cuadrados. Todo esto se puede visualizar en la Figura 9. El cuadro de
resumen del modelo despliega información sobre los resultados de entrenamiento, de reserva y de pronóstico
plasmado en la Tabla N°4.
Figura 15: Red Neuronal elegida para modelar y pronostica
la producción minera de oro en el Perú en el periodo Enero
de 2002 a Diciembre de 2016.
Tabla N°4: Resumen del modelo de la producción minera de
oro en el Perú por medio de redes neuronales.

Resumen del modelo

Entrenamiento Error de suma de
,787
cuadrados Tabla N° 5: Pronósticos de la producción minera de oro en el
Error relativo ,014
Regla de parada 1 paso(s)
Perú por redes neuronales en el periodo de Junio de 2015 a
utilizada consecutivo(s) sin Diciembre de 2016
disminución del
errora Periodo Pronóstico
Tiempo de jul-15 140,46
0:00:00.05
entrenamiento ago-15 140,56
Pruebas Error de suma de sep-15 142,58
,315 oct-15 142,67
cuadrados
Error relativo ,009
nov-15 143,74
dic-15 144,28
Reserva Error relativo ,002
ene-16 144,19
Variable dependiente: Oro
feb-16 145,41
a. Los cálculos de error se basan en la muestra de comprobación.
mar-16 146,95
abr-16 146,01
may-16 147,95
jun-16 150,74
jul-16 150,97
ago-16 152,03
sep-16 152,77
oct-16 154,21
nov-16 154
dic-16 154,14
Tabla N° 6: Errores de pronóstico de las exportaciones pesquera del Perú por Modelo Arima y Redes
Neuronales en el periodo de Julio del 2015 a Diciembre del 2016.
Pronóstico Errores de Pronóstico para Redes Neuronales Errores de Pronóstico para Modelos Arima

Periodo Observados
Modelo Arima Redes Neuronales DAM CME PEMA PME DAM CME PEMA PME

2015-07 140,7 98,65 140,46 42,05 1768,58 0,299 0,299 0,240 0,06 0,002 0,002

2015-08 140,8 98,65 140,56 42,15 1777,00 0,299 0,299 0,240 0,06 0,002 0,002

2015-09 143 98,65 142,58 44,35 1967,32 0,310 0,310 0,420 0,18 0,003 0,003

2015-10 143,1 98,65 142,67 44,45 1976,20 0,311 0,311 0,430 0,18 0,003 0,003

2015-11 144,3 98,65 143,74 45,65 2084,34 0,316 0,316 0,560 0,31 0,004 0,004

2015-12 144,9 98,65 144,28 46,25 2139,48 0,319 0,319 0,620 0,38 0,004 0,004

2016-01 144,8 98,65 144,19 46,15 2130,24 0,319 0,319 0,610 0,37 0,004 0,004

2016-02 146,2 98,65 145,41 47,55 2261,43 0,325 0,325 0,790 0,62 0,005 0,005

2016-03 148 98,65 146,95 49,35 2435,87 0,333 0,333 1,050 1,10 0,007 0,007

2016-04 146,9 98,65 146,01 48,25 2328,50 0,328 0,328 0,890 0,79 0,006 0,006

2016-05 149,2 98,65 147,95 50,55 2555,76 0,339 0,339 1,250 1,56 0,008 0,008

2016-06 152,7 98,65 150,74 54,05 2921,89 0,354 0,354 1,960 3,84 0,013 0,013

2016-07 153 98,65 150,97 54,35 2954,41 0,355 0,355 2,030 4,12 0,013 0,013

2016-08 154,4 98,65 152,03 55,75 3108,57 0,361 0,361 2,370 5,62 0,015 0,015

2016-09 155,4 98,65 152,77 56,75 3221,08 0,365 0,365 2,630 6,92 0,017 0,017

2016-10 157,4 98,65 154,21 58,75 3452,09 0,373 0,373 3,190 10,18 0,020 0,020

2016-11 157,1 98,65 154 58,45 3416,93 0,372 0,372 3,100 9,61 0,020 0,020

2016-12 157,3 98,65 154,14 58,65 3440,35 0,373 0,373 3,160 9,99 0,020 0,020

Promedio 50,20 2552,23 0,34 0,34 1,42 3,11 0,01 0,01

Tabla N° 7: Los errores de pronóstico de la producción minera de oro en el Perú por
Modelo Arima y Redes Neuronales.

PRONÓSTICOS DAM EMC PEMA PME

MODELO ARIMA 50,2 2552,23 0,34 0,34

REDES NEURONALES 1,42 3,11 0,01 0,01

El modelo más eficiente es Redes neuronales al obtener errores de pronóstico DAM=1,42,

EMC=3,11, PEMA=1% y PME=1%
Los valores de los errores indican que el pronóstico no tiene sesgo, especialmente porque el
PEMA y el PME son bajos y cercanos a cero.
 La producción minera de oro en el Perú es una serie estacionaria, en primeras diferencias para

indicar que podría ser estimada mediante un modelo ARIMA (3, 1, 24); siendo la ecuación

estimada:
෣
𝑂 𝑅𝑂 = 0.321704𝑂𝑅𝑂𝑡−3 + 𝜀𝑡 − 0.392265𝜀𝑡−24

Para estimar la producción minera de oro en el Perú mediante redes neuronales se utilizó el primer rezago de la variable;

y se eligió la siguiente arquitectura: las capas ocultas presentan una unidad, tres unidades en la capa oculta n°1 y tiene

función de activación tangente hiperbólica; la capa de salida presenta una unidad, tiene como variable dependiente a

Oro, su método de cambio de escala para las dependientes de escala es estandarizada, tiene función de activación

identidad y su función de error es suma de cuadrados.

Se determinó que los modelos de redes neuronales son más eficientes que los modelo arima al obtener los menores

errores de pronóstico