UNIVERSIDAD NACIONAL AUTONOMA DE

NICARAGUA.

(UNAN-LEÓN)

PROFESORA:
Ph D Ana Cristina Rostran

CARRERA:
Licenciatura en Ciencias Actuariales y Financieras
AÑO:
3er año

ESTUDIANTE:
Ricardo Ernesto Henriquez Pérez

COMPONENTE:
Estadística 3
TEMA:
Pronostico de la generación bruta de energía eléctrica en miles de megavatios del
segundo semestre del año 2018.
FECHA DE ENTREGA:
01/10/2018
Introducción

Con los datos correspondientes a la página del banco central de Nicaragua, en la

parte de la producción del sector real, se descargaron los datos de la generación
bruta de energía eléctrica en miles de megavatios en el país, desde el año 2014
hasta el primer semestre del año 2018, siendo así las cantidades que se utilizaron
para el procedimiento de la predicción, el total extraído de la suma de la
generación de energía eléctrica del sector estatal y el privado, en el estatal se
encuentra las cantidades correspondientes en hidroeléctrica y termoeléctrica y en
el sector privado, la geotérmica y termoeléctrica e incluyendo también el ramo de
otras fuentes de generación bruta de energía eléctrica.

En el proceso para estimar puntualmente una predicción del segundo semestre el

año 2018 usando el programa SPSS Statistics 23, especial para realizar a fondo
análisis estadísticos, se procederá a realizar en primer lugar los gráficos de
secuencia para detectar los componentes de la serie, después se aplicara una
descomposición estacional, el proceso de auto correlación y al final estimar
puntualmente los intervalos en los que oscilaran las cantidades de generación
bruta de energía eléctrica, creando el programa el mejor modelo para obtener la
mejor predicción para la serie.
Objetivos

Objetivo General

 Pronosticar la generación bruta de energía eléctrica del segundo semestre

del año 2018.

Objetivos Específicos

 Identificar si las cantidades aumentaron o disminuyeron en las predicciones

puntuales estimadas desde Julio hasta diciembre del año 2018.
 Determinar los intervalos superiores e inferiores del pronóstico de cada
mes.
 Indicar el mejor modelo para la predicción de la serie según los datos.
Análisis y Resultados
Gráfico de secuencia Dada la serie en el gráfico de secuencia en
primera instancia al observarla se identifica
que contiene al componente cíclico siendo
que su comportamiento se estudia mayor o
igual a un año, por ejemplo si vemos todos
los intervalos entre septiembre y noviembre
de cada año ocurre una decadencia de la
generación de energía eléctrica, y un
componente estacional que se caracteriza por
presentar su comportamiento menor de un
año, por ejemplo en la gráfica podemos ver
que cada lapso de enero a mayo en todos los
años empieza con un alza en enero y decae
hasta mayo, formando los picos que se
observan en la serie y está claramente
contiene a la componente irregular o
aleatoria, por la razón que los picos son de
diferente tamaño unos con otros y hay
algunas alzas y bajas que son diferentes unas
de otras.

En la presente grafica se observa en un comportamiento

anual, que en cada enero ocurre un alza en la generación
de energía eléctrica en miles de megavatios, y dado que la
componente cíclica se describe por ocurrir en un lapso
mayor o igual a un año, y siendo que cada año ocurre un
alza en el comportamiento, contiene a la componente
cíclica, y contiene también a la componente estacional
porque en las oscilaciones mensuales hay presencia de
cierta invariabilidad, no indicando que las varianzas son
completamente homoscedasticas, pero los niveles de
varianza van manteniendo un comportamiento relacionado
a la componente estacional.
El nivel más alto de generación de energía eléctrica se da
en marzo y mayo del año 2016, y el nivel más bajo ocurre
entre septiembre y noviembre del año 2017, y así mismo
también si a la serie se le cruza una línea que represente
la media en la gráfica se podrá aseverar que existe
determinada estacionariedad, no plenamente porque las
medias y las varianzas no son completamente constantes
pero la serie presenta cierta estabilidad en media y en
varianza, por lo que podríamos inducir estacionariedad.
Descomposición Estacional

Dado que la distribución de los datos en los 4 años y medio

estudiados no se ve claramente visible una componente de
tendencia ascendente o descendente, el mejor modelo para
trabajar con la serie se adecuo más al modelo multiplicativo.
Una vez se aplicó una descomposición estacional, según el
factor estacional se puede inferir que es en marzo el mes
que más energía eléctrica se genera en el país por motivos
del aumento de temperatura, ya que el verano se encuentra
en su pleno apogeo, por lo que se utilizan más aparatos de
ventilación en los hogares y locales de diferente índole, y el
mes más bajo es en octubre siempre concordando con
relación a la temperatura, ya que esta disminuye este mes lo
que produce una disminución del uso de aparatos eléctricos
de ventilación, ya sea abanicos o aires acondicionados,
produciendo una disminución en la generación de energía
eléctrica.
 Se aplica una suavización a la serie, introduciendo
un ajuste con los valores observados.

En el correlograma observando la estructura de

auto correlación se observa una decadencia en el
rezago 1 hasta el rezago 4 y vuelve a ascender
desde el rezago 10, identificando así que va
decreciendo entre instantes del tiempo pero
después vuelve a crecer, por lo que podríamos
inferir que como la serie no va decayendo
constantemente sin volver a tener un alza, sino
que decae y se alza de nuevo, lo mismo ocurre en
la parte negativa del correlograma, entonces se
determina que la serie es estacionaria, y se puede
aseverar que como en el retardo 1 sobrepasa la
línea del límite entonces el coeficiente de auto
correlación para el retardo 1 es significativo tanto
en la función de auto correlación simple como en
la función de auto correlación parcial.
Modelizador de series temporales

Siendo que en la descripción del modelo nos creó el mejor modelo para realizar el
pronóstico y fue el modelo estacional simple eso indica que la serie no tiene el
componente tendencia, y como en la significancia del modelo Ljung-Box dio 0.150,
por lo que indica que no hay auto correlación en los residuos. Y en las medias se
identifica una leve homscedasticidad.
Se observa en el correlograma tanto en
la función de auto correlación simple
como en la parcial, que la mayoría de
barras está dentro de las bandas, en su
respectivo retardo, son dos barras que
están un poco fuera de las bandas por
lo que se puede inferir que el modelo
para pronosticar es casi perfecto, ya
que para tener un modelo perfecto, en
el correlograma todas las barras tienen
que estar dentro de las bandas.

En el modelo que se pronosticó

según el mejor estimador, se
nos muestra en la gráfica el
comportamiento que se
mantendrá entre los intervalos
de confianza superior e inferior,
en el año 2018.
En el pronóstico de modelo experto que spss creo, se presenta la estimación
puntual calculada de lo que se prevé en el resto del año, se identificaron 3
modelos tentativos que fueron ajustados con el fin de elegir el más adecuado, el
más pertinente por la bondad de sus estimaciones, fue el Modelo 1, siendo la
predicción, que la generación de energía eléctrica en Julio se estima que será de
371.6274 miles de megavatios, con un intervalo inferior de 350 y superior de 390
de ese mes, en agosto descenderá levemente a 370.07 según la estimación
puntual de la predicción, en el siguiente mes de septiembre descenderá a 340 y
proseguirá descendiendo según el pronóstico hasta dispararse al final del año
hasta 397.96 miles de megavatios, que será el mes donde más se generara
energía eléctrica en el país, y el mes donde menos se generara energía eléctrica
se pronosticó que será en octubre siendo este el valor mínimo de la predicción.
Conclusiones y Recomendaciones
En la predicción del segundo semestre siendo que los datos que teníamos del
2014, 2015, 2016 y 2017 (2018 no porque no tenemos los datos de julio a
diciembre) en los meses de julio a diciembre, que es lo que se pronosticó, el mes
de enero de la predicción aumento en enero en relación al 2015, 2016 y 2017