RESUMEN

El presente informe, es una descripción de manejo del programa de SPSS mas una práctica de aplicación a la
administración de la Aduana Nacional de Bolivia, cuyos objetivos son el Manejo del SPSS programa estadístico
informático, actualmente conocido como IBM SPSS, análisis del mercado con la utilización de datos históricos
elaborando reportes y sus respectivos análisis. Y elaborar informes y conclusiones sobre información requerida.
Además de robustecer los conocimientos adquiridos en clase de laboratorio.
El IBM SPSS es una familia de software estadístico integrada que se centra en el completo proceso analítico, desde
la planificación a la colección de datos y el análisis, y despliegue. Pues con esta herramienta se pudo alcanzar los
objetivos planteados.

0
Contenido
RESUMEN ....................................................................................................................................................................... 0
1. INTRODUCCION ..................................................................................................................................................... 2
2. OBJETIVOS ............................................................................................................................................................. 2
3. MARCO TEORICO ................................................................................................................................................... 2
3.1. Identificación de la Demanda Futura ............................................................................................................ 2
3.2. Correlación lineal .......................................................................................................................................... 2
3.3. Regresión lineal ............................................................................................................................................. 2
3.4. Modelos ARIMA ............................................................................................................................................ 3
4. SOFTWARE UTILIZADO ........................................................................................................................................... 3
5. PROCEDIMIENTOS Y EJECUCION ............................................................................................................................ 4
6. ESTUDIO DE CASO .................................................................................................................................................. 6
7. ANALISIS DE RESULTADOS Y CALCULOS................................................................................................................. 6
8. CONCLUSIONES ...................................................................................................................................................... 0
1. INTRODUCCION
El presente laboratorio pretende predecir variaciones en la demanda de un bien, al trabajar con dos variables
cuantitativas podemos estudiar la relación que existe entre ellas mediante la correlación y la regresión. En la
correlación tan solo medimos la dirección y la fuerza de la asociación de una variable frente a la otra, pero nunca
una relación de casualidad. Solo cuando tenemos una variable que es causa o depende de otra, podremos realizar
entonces una regresión.
2. OBJETIVOS
 Manejo del SPSS Statistical package for the Social Sciences programa estadístico informativo actualmente
conocido como IBM SPSS.
 Estudiar dos de los coeficientes de correlación más utilizados como el coeficiente de Pearson y el
coeficiente no paramétrico de Spearman.
 Realizar las proyecciones e identificar los mejores modelos que se ajustan
 Elaborar informes y conclusiones sobre información requerida.
3. MARCO TEORICO
3.1. Identificación de la Demanda Futura
Demanda histórica. El objetivo de la demanda histórica es conocer el comportamiento del consumo en el tiempo
pasado, es decir, la demanda del producto, materia prima o servicio que hubo en años anteriores.
Este análisis se puede efectuar en la medida que exista información de los productos o materias primas que existe
en el mercado. Si no hay información histórica, entonces se debe considerar para el análisis la demanda actual
utilizando para ello el método de consumo aparente. Si el producto es para el mercado externo, habrá que
identificar a los países consumidores y los volúmenes anuales de su consumo histórico. Los datos históricos se
pueden representar en una tabla, en la cual la demanda es la variable dependiente y el tiempo la variable
independiente.
3.2. Correlación lineal
Coeficiente de correlación de Pearson (r)
Si tenemos dos variables cuantitativas y deseamos medir el grado de asociación podemos utilizar el coeficiente de
correlación de Pearson. En primer lugar, es muy aconsejable utilizar un grafico de dispersión entre ambas variables
y estudiar visualmente entre ellas. Este coeficiente mide asociación lineal y al ser una prueba paramétrica requiere
para su uso que ambas variables tengan distribuciones normales. De no ser asi, debemos utilizar el coeficiente no
paramétrico de Spearman.
El coeficiente de correlación de Pearson (r) puede tomar valores entre -1 y +1, de modo que un valor de “r” positivo
nos indica que al aumentar el valor de una variable también aumenta el valor de la otra, y por el contrario, “r” será
negativo si al aumentar el valor de una variable disminuye la otra. La correlación será perfecta si r = ±1.}
Coeficiente de correlación no paramétrico de Spearman (rho)
Al igual que el coeficiente de Pearson, también podemos utilizarlo para medir el grado de asociación entre dos
variables cuantitativas, sin embargo no es necesario que ambas variables sean normales, e incluso lo podemos
utilizar en variables ordinales. Como todas las pruebas no paramétricas, si los valores de las variables fuesen
ordenados de menor a mayor. Al contrario de otras pruebas no paramétricas, si permite construir intervalos de
confianza.
La interpretación de este coeficiente es muy similar al de Pearson, pudiendo alcanzar valores de entre -1 y +1
indicando asociación negativa o positiva respectivamente. Tanto el coeficiente “r” de Pearson como el coeficiente
rho de Spearman, son medidas adimensionales por lo que no poseen unidades.
3.3. Regresión lineal
Es aquella que busca
Sin importar el tipo de investigación, generalmente la metodología de trabajo es igual para cualquier tipo de
investigación.
3.4. Modelos ARIMA
Siete puntos básicos:

4. SOFTWARE UTILIZADO
Se utilizó el IBM SPSS Statistcs 22 que es una familia de software estadístico integrada que se centra en el completo
proceso analítico, desde la planificación a la colección de datos y el análisis, y despliegue. Con más de una docena
de módulos plenamente integrados donde elegir, puede encontrar las capacidades especializadas que se necesita
para incrementar los ingresos, ganar espacio a la competencia, conducir la investigación y tomar mejores
decisiones.
5. PROCEDIMIENTOS Y EJECUCION
 Primero tener instalado el programa IBM SSPS
 Importar datos históricos de las importaciones realizadas por la aduana en la gestión 2012 al IBM SPSS

Fotografía 1
 Para tener un mejor elección de datos introducir las variables

Fotografía 2
 Para poder realizar el primer punto en este caso se debe realizar el cruce de datos entre la ADUANA DE
DESTINO y PESO BRUTO para poder hallar el volumen de importaciones.

Fotografía 3
 Para el caso de solo tener los casos seleccionados de debe realizar como muestra la imagen inferior
 Fotografía 6
 Colocar las variables para poder seleccionarlos y luego pulse continuar

Fotografía 7

Fotografía 8
 Realizar todos los pasos anteriores para poder realizar los demás puntos según corresponda(repetir los
pasos desde la fotografía 2
6. ESTUDIO DE CASO
Se tiene datos históricos de las importaciones realizadas por la Aduana, utilizando como transito el puerto de Arica
de la gestión 2012, datos extraídos los cuales deberán ser analizados, pronosticados y verificar su correlación entre
variables, para determinar valores futuros.
Para cumplir tal fin se deberán elaborar los siguientes reportes y graficas utilizando el software IBM SPSS y sus
respectivos análisis.
 Seleccione e identifique dos productos importados (materias primas) por alguna administración aduanera
del departamento de Santa Cruz y determine su demanda para 30 periodos posteriores bajo los métodos
estudiados, segmentar por importador y tipo de producto (partida arancelaria).
 Seleccione e identifique dos productos importados (materias primas) por alguna administración aduanera
del departamento de Cochabamba y determine su demanda para 30 periodos posteriores bajo los
métodos estudiados, segmentar por importador y tipo de producto (partida arancelaria).
 Seleccione e identifique dos productos importados (materias primas) por alguna administración aduanera
del departamento de La Paz y determine su demanda para 30 periodos posteriores bajo los métodos
estudiados, segmentar por importador y tipo de producto (partida arancelaria).

7. ANALISIS DE RESULTADOS Y CALCULOS

APLICANDO MODELO DE AUTOREGRESION

PRODUCTO DEL DEPARTAMENTO DE SANTA CRUZ

Correlación determinada es para VASA VIDRIERIA BOLIVIANA S.A. del Departamento de Santa cruz
La Aduana de Destino es: Interior Santa Cruz (701)
El producto que importa es: VIDRIO FLOTADO

Correlaciones
PESO_BRUT
FECHA CANT_BULTOS O
FECHA Correlación de
Pearson 1 -,165* ,058
Sig. (bilateral) ,020 ,418
N 199 199 199
CANT_BULTOS Correlación de
Pearson -,165* 1 ,353**
Sig. (bilateral) ,020 ,000
N 199 199 199
PESO_BRUTO Correlación de
Pearson ,058 ,353** 1
Sig. (bilateral) ,418 ,000
N 199 199 199

*. La correlación es significativa en el nivel 0,05 (2 colas).

**. La correlación es significativa en el nivel 0,01 (2 colas).
 Descripción del modelo
Nombre de modelo MOD_5
Variable dependiente 1 PESO_BRUTO
Ecuación 1 Lineal
2 Logarítmico
3 Inverso
4 Cuadrático
5 Cúbico
6 Potenciaa
Variable independiente FECHA
Constante Incluido
Variable cuyos valores etiquetan las observaciones en
Sin especificar
los gráficos
Tolerancia para entrar términos en ecuaciones ,0001
a. El modelo requiere que todos los valores no perdidos sean positivos.

Resumen de procesamiento de casos

N
Casos totales 199
a
Casos excluidos 0
Casos pronosticados 0
Casos creados
0
recientemente
a. Los casos con un valor perdido en
cualquier variable se excluyen del
análisis.

Resumen de procesamiento de variables

Variables
Dependiente Independiente
PESO_BRUTO FECHA
Número de valores positivos 199 199
Número de ceros 0 0
Número de valores negativos 0 0
Número de valores Perdido por el usuario 0 0
perdidos Perdido por el sistema 0 0
 Resumen de modelo y estimaciones de parámetro
Variable dependiente: PESO_BRUTO
Resumen del modelo Estimaciones de parámetro
Ecuación R cuadrado F df1 df2 Sig. Constante b1 b2 b3
Lineal ,003 ,658 1 197 ,418 -51339,803 5,341E-6
Logarítmico ,003 ,659 1 197 ,418 -1669724,806 72472,267
Inverso -
,003 ,659 1 197 ,418 93604,737 98341550044
9326,400
Cuadrático ,003 ,658 1 197 ,418 -51339,803 5,341E-6 ,000
Cúbico ,003 ,658 1 197 ,418 -51339,803 5,341E-6 ,000 ,000
Potencia ,003 ,515 1 197 ,474 5,498E-28 3,117
La variable independiente es FECHA.
 Resumen de modelo y estimaciones de parámetro
Variable dependiente: PESO_BRUTO
Resumen del modelo Estimaciones de parámetro
Ecuación R cuadrado F df1 df2 Sig. Constante b1 b2 b3
Lineal ,125 28,132 1 197 ,000 18988,870 233,143
Logarítmic
,188 45,719 1 197 ,000 17972,767 1427,330
o
Inverso ,183 44,193 1 197 ,000 21517,643 -3610,929
Cuadrático ,203 25,002 2 196 ,000 17186,122 615,320 -19,889
Cúbico ,220 18,346 3 195 ,000 18345,758 -575,984 148,457 -5,603
Potencia ,207 51,550 1 197 ,000 17976,103 ,073
La variable independiente es CANT_BULTOS.

´
Los periodos que tenía las importaciones es 199 a la cual hemos aumentado 30 periodos más
 Resumen de modelo y estimaciones de parámetro
Variable dependiente: PESO_BRUTO
Resumen del modelo Estimaciones de parámetro
R Constant
Ecuación cuadrado F df1 df2 Sig. e b1 b2 b3
Lineal 21025,89
,002 ,419 1 197 ,518 ,601
2
Logarítmi 20688,65
,014 2,736 1 197 ,100 92,161
co 7
Inverso -
21121,50
,019 3,816 1 197 ,052 1203,47
3
5
Cuadrátic 20786,63
,022 2,194 2 196 ,114 7,743 -,036
o 1
Cúbico 20480,38
,044 3,017 3 195 ,031 25,891 -,262 ,001
9
Potencia 20686,06
,013 2,503 1 197 ,115 ,004
2

La de mejor correlación es el Cubico ya que su R cuadrado es 0.044

La ecuación para el cubico es la siguiente
𝒀 = 𝟐𝟎𝟒𝟖𝟎, 𝟑𝟖𝟖𝟖𝟔𝟗𝟏𝟓𝟏𝟖 + 𝟐𝟓, 𝟖𝟗𝟎𝟓𝟒𝟖𝟖𝟐𝟓𝟕𝟕𝟏𝟎𝟐 ∗ 𝒙 + −𝟎, 𝟐𝟔𝟏𝟗𝟖𝟔𝟕𝟒𝟖𝟕𝟎𝟑𝟓𝟔𝟓𝟏 ∗ 𝒙 ∗ 𝒙
+ 𝟎, 𝟎𝟎𝟎𝟕𝟓𝟒𝟐𝟓𝟑𝟕𝟎𝟖𝟕𝟒𝟑𝟗𝟎𝟔𝟑 ∗ 𝒙 ∗ 𝒙 ∗ 𝒙
 MODELOS ARIMA

Modelizador de series temporales

Descripción del modelo

Tipo de modelo
ID de modelo PESO_BRUTO Modelo_1 ARIMA(1,0,0)

Resumen de Modelo}

Ajuste del modelo

Percentil
Estadístico de ajuste Media SE Mínimo Máximo 5 10 25 50
R cuadrado estacionaria ,161 . ,161 ,161 ,161 ,161 ,161 ,161
R cuadrado ,161 . ,161 ,161 ,161 ,161 ,161 ,161
RMSE 689,854 . 689,854 689,854 689,854 689,854 689,854 689,854 6
MAPE 1,881 . 1,881 1,881 1,881 1,881 1,881 1,881
MaxAPE 18,046 . 18,046 18,046 18,046 18,046 18,046 18,046
MAE 387,946 . 387,946 387,946 387,946 387,946 387,946 387,946 3
MaxAE 3425,164 . 3425,164 3425,164 3425,164 3425,164 34
BIC normalizado 13,126 . 13,126 13,126 13,126 13,126 34

Modelo de mejor ajuste

Estadísticos del modeloa

Estadísticos de ajuste del modelo Ljung-Box Q(18)
Número de R cuadrado
Modelo predictores estacionaria R cuadrado Estadísticos DF Sig.
PESO_BRUTO-Modelo_1 0 ,161 ,161 12,266 17 ,7
a. Los modelos de mejor ajuste según la R cuadrado estacionaria (los valores mayores indican un mejor ajuste).

La predicción para 30 periodos es 21080

El Modelo de mejor ajuste es el ARIMA (1,0,0) y a continuación se muestra la proyección para 30 periodos.
APLICANDO MODELO DE AUTOREGRESION

Correlación determinada es para PIL ANDINA S.A. del Departamento de Santa cruz
La Aduana de Destino es: Interior Santa Cruz y Zona Franca Comercial Santa Cruz (701 y 732)
El producto que importa es: PALETAS CON HARINA DE AVENA ENTRE OTROS

Correlaciones
V3 CANT_BULTOS PESO_BRUTO
**
V3 Correlación de Pearson 1 ,477 ,188
Sig. (bilateral) ,000 ,131
N 66 66 66
CANT_BULTOS Correlación de Pearson ,477** 1 ,763**
Sig. (bilateral) ,000 ,000
N 66 66 66
**
PESO_BRUTO Correlación de Pearson ,188 ,763 1
Sig. (bilateral) ,131 ,000
N 66 66 66
**. La correlación es significativa en el nivel 0,01 (2 colas).

Resumen de procesamiento de casos

N
Casos totales 66
a
Casos excluidos 0
Casos pronosticados 0
Casos creados
30
recientemente
a. Los casos con un valor perdido en
cualquier variable se excluyen del
análisis.

Resumen de procesamiento de variables

Variables
Dependiente
PESO_BRUTO
Número de valores positivos 66
Número de ceros 0
Número de valores negativos 0
Número de valores perdidos Perdido por el usuario 0
Perdido por el sistema 0
 Resumen de modelo y estimaciones de parámetro
Variable dependiente: PESO_BRUTO
Resumen del modelo Estimaciones de parámetro
Ecuación R cuadrado F df1 df2 Sig. Constante b1 b2 b3
Lineal ,025 1,626 1 64 ,207 18004,575 51,253
Logarítmico ,081 5,673 1 64 ,020 13355,790 1967,572
Inverso ,101 7,203 1 64 ,009 20744,517 -14141,133
Cuadrático ,252 10,615 2 63 ,000 11084,804 661,821 -9,113
Cúbico ,306 9,124 3 62 ,000 15269,611 -60,673 17,644 -,266
Potencia ,010 ,676 1 64 ,414 13807,780 ,073

La de mejor correlación es el Cubico ya que su R cuadrado es 0.306

La ecuación de mejor ajuste es el siguiente:
Y= 15269,61149766922 + -60,67342817280381 * x + 17,64412424640981 * x*x + -0,2662395910569752 * x*x*x
MODELOS ARIMA
Modelizador de series temporales

Descripción del modelo

Tipo de modelo
ID de modelo PESO_BRUTO Modelo_1 ARIMA(0,0,0)

Resumen del modelo

Modelos de mejor ajuste

Estadísticos del modeloa

Estadísticos de ajuste del modelo Ljung-Box Q(18)
Número de R cuadrado
Modelo predictores estacionaria R cuadrado Estadísticos DF Sig.
PESO_BRUTO-Modelo_1 1 ,025 ,025 22,692 18 ,2
a. Los modelos de mejor ajuste según la R cuadrado estacionaria (los valores mayores indican un mejor ajuste).
El Modelo de mejor ajuste es el ARIMA (0,0,0) y a continuación se muestra la proyección para 30 periodos.
  Seleccione e identifique dos productos importados (materias primas) por alguna administración aduanera
del departamento de Cochabamba y determine su demanda para 30 periodos posteriores bajo los
métodos estudiados, segmentar por importador y tipo de producto (partida arancelaria).

PRODUCTO DEL DEPARTAMENTO DE COCHABAMBA

APLICANDO MODELO DE AUTOREGRESION
Correlación determinada es para INDUSTRIAS DURALIT S.A. del Departamento de Cochabamba
La Aduana de Destino es: Interior Cochabamba (301)
El producto que importa es: CHRYSOTILE FIBREGRADE

Correlaciones
V3 CANT_BULTOS PESO_BRUTO
V3 Correlación de Pearson 1 -,389** -,150
Sig. (bilateral) ,001 ,196
N 76 76 76
CANT_BULTOS Correlación de Pearson -,389** 1 ,232*
Sig. (bilateral) ,001 ,044
N 76 76 76
PESO_BRUTO Correlación de Pearson -,150 ,232* 1
Sig. (bilateral) ,196 ,044
N 76 76 76
**. La correlación es significativa en el nivel 0,01 (2 colas).
*. La correlación es significativa en el nivel 0,05 (2 colas).

Descripción del modelo

Nombre de modelo MOD_10
Variable dependiente 1 PESO_BRUTO
Ecuación 1 Lineal
2 Logarítmico
3 Inverso
4 Cuadrático
5 Cúbico
6 Potenciaa
Variable independiente Secuencia de caso
Constante Incluido
Variable cuyos valores etiquetan las observaciones en los gráficos Sin especificar
Tolerancia para entrar términos en ecuaciones ,0001
a. El modelo requiere que todos los valores no perdidos sean positivos.

Resumen de procesamiento de casos

 N
Casos totales 76
a
Casos excluidos 0
Casos pronosticados 0
Casos creados
30
recientemente
a. Los casos con un valor perdido en
cualquier variable se excluyen del
análisis.

Resumen de procesamiento de variables

Variables
Dependiente
PESO_BRUTO
Número de valores positivos 76
Número de ceros 0
Número de valores negativos 0
Número de valores perdidos Perdido por el usuario 0
Perdido por el sistema 0

La de mejor correlación es el inverso ya que su R cuadrado es 0.37

La ecuación de mejor ajuste es el siguiente:
Y= 23005,74166633368 + 3452,161291516528 / x
Para 30 periodos después tiene pronosticado el siguiente valor 22370,35272
MODELO ARIMA

Descripción del modelo

Tipo de modelo
ID de modelo PESO_BRUTO Modelo_1 ARIMA(6,2,1)

Resumen del modelo

Modelos de mejor ajuste

Estadísticos del modeloa
Estadísticos de ajuste del modelo Ljung-Box Q(18)
Número de R cuadrado
Modelo predictores estacionaria R cuadrado Estadísticos DF Sig.
PESO_BRUTO-Modelo_1 1 ,830 -,165 3,276 11 ,9
a. Los modelos de mejor ajuste según la R cuadrado estacionaria (los valores mayores indican un mejor ajuste).
El Modelo de mejor ajuste es el ARIMA (6,2,1) y a continuación se muestra la proyección para 30 periodos.
APLICANDO MODELO DE AUTOREGRESION

Correlación determinada es para INDUSTRIAS RAVI S.A. del Departamento de Cochabamba

La Aduana de Destino es: Interior Cochabamba (301)
El producto que importa es: POLIETILENO Y RESINAS PET

Correlaciones
FECHA CANT_BULTOS PESO_BRUTO
FECHA Correlación de Pearson 1 ,078 ,417**
Sig. (bilateral) ,576 ,002
N 54 54 54
CANT_BULTOS Correlación de Pearson ,078 1 ,576**
Sig. (bilateral) ,576 ,000
N 54 54 54
** **
PESO_BRUTO Correlación de Pearson ,417 ,576 1
Sig. (bilateral) ,002 ,000
N 54 54 54
**. La correlación es significativa en el nivel 0,01 (2 colas).

Descripción del modelo

Nombre de modelo MOD_11
Variable dependiente 1 PESO_BRUTO
Ecuación 1 Lineal
2 Logarítmico
3 Inverso
4 Cuadrático
5 Cúbico
6 Potenciaa
Variable independiente Secuencia de caso
Constante Incluido
Variable cuyos valores etiquetan las observaciones en los
Sin especificar
gráficos
Tolerancia para entrar términos en ecuaciones ,0001
a. El modelo requiere que todos los valores no perdidos sean positivos.
 Resumen de procesamiento de casos
N
Casos totales 54
a
Casos excluidos 0
Casos pronosticados 0
Casos creados
30
recientemente
a. Los casos con un valor perdido en
cualquier variable se excluyen del
análisis.

Resumen de procesamiento de variables

Variables
Dependiente
PESO_BRUTO
Número de valores positivos 54
Número de ceros 0
Número de valores negativos 0
Número de valores perdidos Perdido por el usuario 0
Perdido por el sistema 0
La de mejor correlación es el Cubico ya que su R cuadrado es 0.326
La ecuación de mejor ajuste es el siguiente:
Y= Y=12087,34769433112 + 132,5273668955819 * x + 18,5398522091973 * x*x + -0,3746207853081022 * x*x*x
Para 30 periodos después tiene pronosticado el siguiente valor 22333,09451
MODELO ARIMA
Descripción del modelo
Tipo de modelo
ID de modelo PESO_BRUTO Modelo_1 ARIMA(1,0,0)

MEJOR MODELO DE AJUSTE

Estadísticos del modeloa

Estadísticos de ajuste del modelo Ljung-Box Q(18)
Número de R cuadrado
Modelo predictores estacionaria R cuadrado Estadísticos DF Sig.
PESO_BRUTO-Modelo_1 1 ,181 ,181 7,374 17 ,9
a. Los modelos de mejor ajuste según la R cuadrado estacionaria (los valores mayores indican un mejor ajuste).
El Modelo de mejor ajuste es el ARIMA (1,0,0) y a continuación se muestra la proyección para 30 periodos.
PRODUCTOS DEL DEPARTAMENTO DE LA PAZ
APLICANDO MODELO DE AUTOREGRESION
Correlación determinada es para MADEPA S.A. - MANUFACTURA DE PAPEL del Departamento de La Paz
La Aduana de Destino es: Interior La Paz (201)
El producto que importa es: HOMOPOLIMERO

Correlaciones
V3 CANT_BULTOS PESO_BRUTO
V3 Correlación de Pearson 1 -,005 ,032
Sig. (bilateral) ,950 ,702
N 144 144 144
CANT_BULTOS Correlación de Pearson -,005 1 -,456**
Sig. (bilateral) ,950 ,000
N 144 144 144
**
PESO_BRUTO Correlación de Pearson ,032 -,456 1
Sig. (bilateral) ,702 ,000
N 144 144 144
**. La correlación es significativa en el nivel 0,01 (2 colas).

Descripción del modelo

Nombre de modelo
MOD_12

Variable dependiente 1 PESO_BRUTO

Ecuación 1 Lineal
2 Logarítmico
3 Inverso
4 Cuadrático
5 Cúbico
6 Potenciaa
Variable independiente Secuencia de caso
Constante Incluido
Variable cuyos valores etiquetan las observaciones en los
Sin especificar
gráficos
Tolerancia para entrar términos en ecuaciones ,0001
a. El modelo requiere que todos los valores no perdidos sean positivos.

Resumen de procesamiento de casos

N
Casos totales 144
a
Casos excluidos 0
Casos pronosticados 0
Casos creados
30
recientemente
a. Los casos con un valor perdido en
cualquier variable se excluyen del
análisis.

La de mejor correlación es el Cubico ya que su R cuadrado es 0.30

La ecuación de mejor ajuste es el siguiente:
Y= 25156,95341466317 + -267,6935867564043 * x + 4,332986361520065 * x*x + -0,01887017650102937 * x*x*x
Para 30 periodos después tiene pronosticado el siguiente valor 19048,03237
METODO ARIMA

Descripción del modelo

Tipo de modelo
ID de modelo PESO_BRUTO Modelo_1 ARIMA(0,0,3)

MODELO DE MEJOR AJUSTE

Estadísticos del modeloa

Estadísticos de ajuste del modelo Ljung-Box Q(18)
Número de R cuadrado
Modelo predictores estacionaria R cuadrado Estadísticos DF Sig.
PESO_BRUTO-Modelo_1 1 ,117 ,117 19,658 15 ,1
a. Los modelos de mejor ajuste según la R cuadrado estacionaria (los valores mayores indican un mejor ajuste).
El Modelo de mejor ajuste es el ARIMA (0,0,3) y a continuación se muestra la proyección para 30 periodos.
APLICANDO MODELO DE AUTOREGRESION

Correlación determinada es para RESINAS PLASTICAS BOLIVIA S.R.L. del Departamento de La Paz
La Aduana de Destino es: Zona Franca Comercial El Alto (231)
El producto que importa es: POLIPROPILENO

Correlaciones
V3 CANT_BULTOS PESO_BRUTO
V3 Correlación de Pearson 1 -,010 -,049**
Sig. (bilateral) ,187 ,000
N 18911 18911 18911
CANT_BULTOS Correlación de Pearson -,010 1 -,019**
Sig. (bilateral) ,187 ,008
N 18911 18911 18911
PESO_BRUTO Correlación de Pearson -,049** -,019** 1
Sig. (bilateral) ,000 ,008
N 18911 18911 18911
**. La correlación es significativa en el nivel 0,01 (2 colas).

Resumen de procesamiento de casos

N
Casos totales 41
a
Casos excluidos 0
Casos pronosticados 0
Casos creados
30
recientemente
a. Los casos con un valor perdido en
cualquier variable se excluyen del
análisis.
La de mejor correlación es el Cubico ya que su R cuadrado es 0.450
La ecuación de mejor ajuste es el siguiente:
Y= 19728,98716302939 + 706,133085190112 * x + -27,91740441097734 * x*x + 0,1993587534158618 * x*x*x
Para 30 periodos después tiene pronosticado el siguiente valor 19730,01716
METODO ARIMA

Descripción del modelo

Tipo de modelo
ID de modelo PESO_BRUTO Modelo_1 ARIMA(1,0,0)

MODELO DE MEJOR AJUSTE

Estadísticos del modeloa

Estadísticos de ajuste del modelo Ljung-Box Q(18)
Número de R cuadrado
Modelo predictores estacionaria R cuadrado Estadísticos DF Sig.
PESO_BRUTO-Modelo_1 1 ,582 ,582 13,928 17 ,6
a. Los modelos de mejor ajuste según la R cuadrado estacionaria (los valores mayores indican un mejor ajuste).
El Modelo de mejor ajuste es el ARIMA (1,0,0) y a continuación se muestra la proyección para 30 periodos.
8. CONCLUSIONES