Modelo para la predicción de la demanda mensual de horas de maquinaria agrícola en la municipalidad distrital de Caracoto - 2020

• Autor: Mamani Condori, Betho
• Formato: tesis de grado
• Fecha de Publicación: 2020
• Institución: Universidad Nacional del Altiplano
• Repositorio: UNAP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unap.edu.pe:20.500.14082/14177
• Enlace del recurso: https://repositorio.unap.edu.pe/handle/20.500.14082/14177
• Nivel de acceso: acceso abierto
• Materia: Demanda; Estimación; Modelo; Parámetro; Predicción; https://purl.org/pe-repo/ocde/ford#1.02.02

La Municipalidad Distrital de Caracoto - San Román, es una institución pública que cuenta con una superficie territorial de 285,87 Km2, y según su población está compuesta por grandes agricultores que demandan de maquinaria agrícola para el arado de sus tierras; y las Municipalidad reciben solicitudes de maquinaria agrícola y según a las demandas recibidas se programa las maquinas agrícola, los operarios y la cantidad de combustible que se necesita, es por ello que se necesita realizar un estudio y saber las futuras demandas. El objetivo fue hacer un estudio que se ajustó al modelo de series de tiempo SARIMA. La metodología que se utilizó para el estudio fue la de Box-Jenkins, la información fue archivada por la Municipalidad y los datos se tomaron la cantidad de horas mensuales de demanda de maquinarias de las distintas actividades agrícolas entre los años 2010 y 2019; el cual fue proveído por la municipalidad para digitalizarlo, el trabajo de investigación para el procesado de los datos se realizó con el lenguaje de programación R, que nos proporciona un amplio abanico de herramientas estadísticas (modelos lineales y no lineales, test estadísticos, análisis de series temporales, algoritmos de clasificación y agrupamiento, etc.) que nos ayudó a encontrar el modelo para anticiparnos a las futuras demandas y que la Municipalidad tome decisiones. Como resultado obtuvimos el modelo de pronóstico identificado SARIMA (2,1, 0) (1, 1, 1) (12) que más explica la serie. Se concluye que el modelo obtenido realiza la predicción para el año 2020 con un nivel de confianza del 95%.