Pronóstico del Precio de Barril de Petróleo en México para el Periodo Febrero de 2023 a Enero de 2024 Mediante un Modelo ARIMA en RStudio
Resumen
El objetivo del presente trabajo de investigación fue desarrollar un caso práctico de pronóstico de series temporales para el precio del barril de petróleo en México, para el periodo febrero de 2023 a enero de 2024. El precio del barril de petróleo se modeló como una serie de tiempo y se pronosticó utilizando un modelo de promedios móviles autorregresivos integrados (ARIMA). Bajo un enfoque estocástico, se define que una serie temporal es la secuencia de valores de una variable a lo largo del tiempo, cuyo comportamiento está dado por la aleatoriedad a partir de un proceso que es totalmente desconocido o difícil de modelar matemáticamente. En el caso del precio del petróleo, este se ve afectado por una gran variedad de variables, factores y sucesos geopolíticos, como es el caso de la guerra en Ucrania en la actualidad, por lo que el enfoque estocástico mediante un modelo ARIMA resulta una opción pertinente. Los resultados comparados con los datos de prueba muestran que el modelo tuvo un error MAPE de 6.33% y un RMSE de 6.106, por lo que se considera que el modelo generó pronósticos precisos, a pesar de que se consideró un horizonte a largo plazo de 12 meses para su evaluación.
Descargas
Citas
Aguirre Jaime, A. (1994). Introducción al tratamiento de series temporales: Aplicación a las ciencias de la salud. Ediciones Diaz de Santos.
Awan, T. M., & Aslam, F. (2020). Prediction of daily covid-19 cases in european countries using automatic arima model. Journal of Public Health Research, 9(3), jphr.2020.1765. https://doi.org/10.4081/jphr.2020.1765
Banca y Negocios. (2024, marzo 3). Arabia Saudita y Rusia prolongan los recortes de su producción de crudo para impulsar los precios. Banca y Negocios. https://www.bancaynegocios.com/arabia-saudita-y-rusia-prolongan-los-recortes-de-su-produccion-de-crudo-para-impulsar-los-precios/
Chen, C., Twycross, J., & Garibaldi, J. M. (2017). A new accuracy measure based on bounded relative error for time series forecasting. PLOS ONE, 12(3), e0174202. https://doi.org/10.1371/journal.pone.0174202
Cortés Patiño, J. M. (2011). Aplicación de series de tiempo en el monitoreo estructural [Tesis de licenciatura, Universidad Nacional Autónoma de México].
https://ru.dgb.unam.mx/handle/20.500.14330/TES01000667008
Díaz Mora, S. (2023, octubre 1). Petróleo sube hasta 34% en el tercer trimestre de 2023. El Economista. https://www.eleconomista.com.mx/mercados/Petroleo-sube-hasta-34-en-el-tercer-trimestre-de-2023-20231001-0048.html
Fierro Torres, C. Á., Castillo Pérez, V. H., & Torres Saucedo, C. I. (2022). Análisis comparativo de modelos tradicionales y modernos para pronóstico de la demanda: Enfoques y características. RIDE Revista Iberoamericana para la Investigación y el Desarrollo Educativo, 12(24). https://doi.org/10.23913/ride.v12i24.1203
Fullana Fuster, P. (2020). Diseño de la red de la cadena de suministro de una marca de coches eléctricos para su entrada en Europa [Tesis de maestría, Universitat politècnica de València.]. https://acortar.link/Q1dnQN
García Díaz, J.C. (2016). Predicción en el dominio del tiempo: Análisis de series temporales para ingenieros. Universitat politècnica de València.
Gasper, L., & Mbwambo, H. (2023). Forecasting crude oil prices by using arima model: Evidence from tanzania. Journal of Accounting Finance and Auditing Studies (JAFAS), 2. https://doi.org/10.32602/jafas.2023.017
Barragán Galeas, S. P., & Velasteguí Silva, D. A. (2024). La Cooperación Policial Internacional como Estrategia en la Lucha contra la Violencia, Delincuencia y Criminalidad en el Ecuador. Estudios Y Perspectivas Revista Científica Y Académica , 4(1), 1952–1978. https://doi.org/10.61384/r.c.a.v4i1.159
Bethy Margoth, & Moyano Calero, W. (2024). Factores de riesgos de contagio de tuberculosis en personas adultas. Revista Científica De Salud Y Desarrollo Humano, 5(1), 46–68. https://doi.org/10.61368/r.s.d.h.v5i1.74
Contreras Balaguera, S. F., Fonseca Valderrama, L. Y., Fonseca Valderrama, A. Y., & García Corredor, F. G. (2024). Política Espacial en el contexto Latinoamericano (Colombia, México y Chile). Emergentes - Revista Científica, 4(1), 452–466. https://doi.org/10.60112/erc.v4i1.125
Montes López, V. (2023). Socioeconomic Inequalities in Health: A Challenge for Equity. Revista Veritas De Difusão Científica, 4(1), 18–29. https://doi.org/10.61616/rvdc.v4i1.35
Da Silva Santos , F., & López Vargas , R. (2020). Efecto del Estrés en la Función Inmune en Pacientes con Enfermedades Autoinmunes: una Revisión de Estudios Latinoamericanos. Revista Científica De Salud Y Desarrollo Humano, 1(1), 46–59. https://doi.org/10.61368/r.s.d.h.v1i1.9
Hanke, J. E., & Wichern, D. W. (2010). Pronósticos en los negocios (9a ed.). Pearson Educación.
Jaramillo, M., & Llamuca, S. (2022). A proposed model for electricity demand forecasting in Ecuador considering Akaike Criterion. En Á. Rocha, P. C. López-López, & J. P. Salgado-Guerrero (Eds.), Communication, Smart Technologies and Innovation for Society (Vol. 252, pp. 345-355). Springer Singapore. https://doi.org/10.1007/978-981-16-4126-8_32
Lewis, C. D. (1982). Industrial and business forecasting methods: A practical guide to exponential smoothing and curve fitting. Butterworth Scientific.
Makridakis, S. G., Wheelwright, S. C., & Hyndman, R. J. (2005). Forecasting: Methods and applications (Third edition, [Wiley student edition]). Wiley.
Montgomery, D. C., Jennings, C. L., & Kulahci, M. (2015). Introduction to time series analysis and forecasting (Second edition). Wiley.
Olvera Vázquez, J. (2020). Aplicación de métodos de pronósticos híbridos en base a métodos clásicos y de optimización inteligente en problemas emergentes tipo COVID 19 [Tesis de maestría, Instituto Tecnológico de Ciudad Madero]. https://rinacional.tecnm.mx/handle/TecNM/941
Purohit, S. K., & Panigrahi, S. (2024). Novel deterministic and probabilistic forecasting methods for crude oil price employing optimized deep learning, statistical and hybrid models. Information Sciences, 658, 120021. https://doi.org/10.1016/j.ins.2023.120021
Render, B., & Heizer, J. H. (2014). Principios de administración de operaciones (9a ed.). Pearson.
Roza, A., Violita, E. S., & Aktivani, S. (2022). Study of inflation using stationary test with augmented dickey fuller & phillips-peron unit root test (Case in bukittinggi city inflation for 2014-2019). EKSAKTA: Berkala Ilmiah Bidang MIPA, 23(02), 106-116. https://doi.org/10.24036/eksakta/vol23-iss02/303
Sokkalingam, R., Sarpong-Streetor, R. M. N. Y., Othman, M., Daud, H., & Owusu, D. A. (2021). Forecasting petroleum fuel price in malaysia by arima model. En S. A. Abdul Karim, M. F. Abd Shukur, C. Fai Kait, H. Soleimani, & H. Sakidin (Eds.), Proceedings of the 6th International Conference on Fundamental and Applied Sciences (pp. 671-678). Springer Nature Singapore. https://doi.org/10.1007/978-981-16-4513-6_58
Uyanto, S. S. (2020). Power comparisons of five most commonly used autocorrelation tests. Pakistan Journal of Statistics and Operation Research, 16(1), 119-130. https://doi.org/10.18187/pjsor.v16i1.2691
Vargas, L y Mesa-Fúquen, E. (2021). Introducción al análisis de datos con RStudio. Cenipalma.
Derechos de autor 2024 César Ángel Fierro Torres, Arturo Woocay Prieto, Claudia Irene Torres Saucedo, Laura Isela Gómez Palma, Natalia Idaly Barraza Ramírez
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
.jpg)
.png)
