Acceso usuarios
Leila N. Ramírez, Sandra Liliana Cristancho Cruz, José Alejandro Cleves Leguízamo
Los cultivos de maracuyá (Passiflora Edulis Sims F. Purpurea y F. Flavicarpa) y granadilla (Passiflora Ligularis L.) tienen gran interés económico y productivo en países tropicales, como lo evidencia el incremento sostenido del área de siembra para satisfacer la creciente demanda. Sin embargo, para minimizar los riesgos económicos de los inversionistas, se requiere adecuada planificación de los procesos productivos, estimando las oscilaciones de los precios. Precisamente, este artículo tiene como objetivo principal analizar las fluctuaciones de los precios de maracuyá y granadilla, con base en los métodos ARIMA (Autoregresive Integrated Moving Average); modelo de componentes no observados y modelos de regresión markovianos, para establecer el mejor desempeño a través de la minimización del criterio de información de Akaike.
Para entender el fenómeno estocástico de la serie de tiempo de precios, se analizaron datos provenientes de estadísticas oficiales de estos cultivos en el período de observación 2011-2019. Los resultados demostraron que los modelos ARIMA explican en mejor medida y con mayor exactitud, las fluctuaciones de los precios.
Se concluyó que estos modelos son una herramienta idónea para analizar el comportamiento de los precios, contribuyendo a la predicción de los mismos, información valiosa para los tomadores de decisiones.
The cultivation of passion fruit (Passiflora Edulis Sims F. Purpurea and F. Flavicarpa) and granadilla (Passiflora Ligularis L.) are of great economic and productive interest in tropical countries, which is expressed by the sustained increase of the planting area to meet the growing demand. In order to minimize economic risks for investors, it is necessary to carry out adequate planning of production processes, estimating price fluctuations. The main objective of this article is to analyze price fluctuations, based on ARIMA (Autoregressive Integrated Moving Average) methods; unobserved components model and Markovian regression models, to establish the best performance through the minimization of the Akaike information criterion. To understand the stochastic phenomenon of the price time series, the data series from official statistics of these crops in an observation window between the years 2011-2019 were analyzed. The results showed that ARIMA models explain price fluctuations better and more accurately. It was concluded that this model is an ideal tool to analyze price behavior, contributing to price prediction, which is valuable information for decision makers.
