Modelos Estadísticos para el Pronóstico de los Parámetros Fisicoquímicos de Harina de Origen Animal de una Empresa, Usando el Software R
ACI Vol 1 No 1
PDF (Spanish)

Keywords

Bromatológicos, Harina, Modelo Arima, Series de tiempo.

Abstract

Realizar pronósticos de los parámetros bromatológicos (porcentaje de
 proteína, ceniza, grasa y humedad de harina de origen animal. Mate
riales y métodos. Se utiliza como unidad de análisis una base de datos
 de harina de origen animal desde el año 2017 hasta el 2021, esta matriz
 cuenta con los resultados de los parámetros bromatológicos. Se conside
ra que a través de la estadística de series de tiempo se puede ajustar un
 modelo a cada parámetro estudiado logrando pronosticarlo utilizando
 la metodología planteada por Box y Jenkins. Resultados. Se logra ajustar
 el modelo Arima (1,1,3) para el porcentaje de proteína, modelo Arima
 (1,1,2) para el porcentaje de ceniza, modelo Arima (0,1,2) para el por
centaje de grasa y modelo Arima (1,1,9) para el porcentaje de humedad.
 En conclusión, en los primeros cuatro (4) meses del 2022, se obtuvieron
 resultados para los modelos, Proteína= 0,69%; Ceniza= 1,37%; Grasa=
 1,38% y Humedad= 7,39%.

PDF (Spanish)

References

(2000). Related Topics, pages 137–173. John Wiley and Sons, Ltd, ISBN: 9780471728412, DOI:

https://doi.org/10.1002/0471728411.ch3, https://onlinelibrary.wiley.com/doi/abs/10.1002/

ch3.

Barrera, V. (2003). Raíces y tubérculos andinos : alternativas para la conservación y uso sostenible en

el Ecuador. Conservacion y uso de la biodiversidad de raíces y tubérculos andinos: una decada

de investigacion para el desarrollo. Centro Internacional de la Papa (CIP), ISBN: 9789290602316,

https://books.google.com.co/books?id=wu-b2_m8WVYC.

https://doi.org/10.37511/apuntesci.v1n1a5

ISSN: 2745-2956

Belouafa, S., Habti, F., Benhar, S., Belafkih, B., Tayane, S., Hamdouch, S., Bennamara, A., and

Abourriche, A. (2017). Statistical tools and approaches to validate analytical methods: methodo

logy and practical examples 72. International Journal of Metrology and Quality Engineering, 8:9, DOI:

1051/ijmqe/2016030, https://doi.org/10.1051/ijmqe/2016030.

Contreras Juárez, A., Atziry Zuñiga, C., Martínez Flores, J. L., and Sánchez Partida, D.

(2016).

Análisis de series de tiempo en el pronóstico de la demanda de almacenamien

to de productos perecederos.

Estudios Gerenciales, 32(141):387–396, ISSN: 0123-5923, DOI:

https://doi.org/10.1016/j.estger.2016.11.002,

https://www.sciencedirect.com/science/

article/pii/S0123592316300754.

[De la Casa] De la Casa, A.C.=700 1 Rodriguez, A. Sistemas agricolas sugeridos y riesgos climaticos asociados

en la provincia de Cordoba (Argentina). Ilus., 16 ref.

Imagina, diseña y construye: Revista Apuntes de Ciencia e Ingeniería

Facultad de Ingeniería y Ciencias Básicas

Diebold, F. (1998). Elements of Forecasting. HG- Cycles and Forecasting Series. South-Western College

Pub., ISBN: 9780538862448, https://books.google.com.co/books?id=65e3AAAAIAAJ.

Diego, G. G. N. (2006). Técnicas de pronósticos : aplicaciones con r. https://repositorio.unal.edu.

co/handle/unal/76272.

Gardener, M. (2012). Beginning R: The Statistical Programming Language. Wrox Press Ltd., GBR, 1st

edition, ISBN: 111816430X.

Gil Vera, V. A.-c. D. (2016). PRONÓSTICO DE LA DEMANDA MENSUAL DE ELECTRICIDAD

CON SERIES DE TIEMPO. Revista EIA, pages 111– 120, ISSN: 1794-1237, http://www.scielo.org.

co/scielo.php?script=sci_arttext&pid=S1794-12372016000200009&nrm=iso.

Guerra, U. H. P., Sucari, R. M., Quispe, Y. P. M., Chuchi, E. A. C., Ruelas, E. F., and Durand, M.

G. P. (2022). Aplicación de un modelo “ARIMA” para pronosticar la producción de leche en va

cas brown swiss del altiplano peruano. Journal of the Selva Andina Animal Science, 9(2):77–83, DOI:

36610/j.jsaas.2022.090200077, https://doi.org/10.36610/j.jsaas.2022.090200077.

Guerrero, V. (2003). Analisis Estadistico de Series de Tiempo Economicas. International Thomson Editores,

S. A. de C. V., ISBN: 9789706863263, https://books.google.com.co/books?id=QsSrzt96XYEC.

Madruga, D. (2012). Validación de métodos analíticos. implementación al análisis rutinario. Higiene

y Sanidad Ambiental, 12:882–888.

Magnusson, B. and Ornemark, U. (2014). Eurachem Guide: The Fitness for Purpose of Analytical Methods

ALaboratory Guide to Method Validation and Related Topics. Eurachem, ISBN: 978-91-87461-59-0, https:

//www.eurachem.org/index.php/publications/guides/mv#citation.

Moreno-Garcia, A., García, J., Linares, L., and Benitez, L. (2016). Time series represented by

means of fuzzy piecewise lineal segments. Journal of Computational and Applied Mathematics, 318, DOI:

1016/j.cam.2016.11.003.

Pravilovic, S., Bilancia, M., Appice, A., and Malerba, D. (2016). Using multiple time series analysis

for geosensor data forecasting. Information Sciences, 380, DOI: 10.1016/j.ins.2016.11.001.

Puerta Quintero, G. (2006). La humedad controlada del grano preserva la calidad del cafÉ.

Quintana, M. and Jiménez, S. (2016). Modelos de series de tiempo aplicados a los expedien

tes de la comisión de derechos humanos del distrito federal. Economía Informa, 398:89–99, DOI:

1016/j.ecin.2016.04.007.

Selene, O. (2006). Determinación de la composición química proximal y fibra dietaria de 43 va

riedades criollas de maíz de 7 municipios del sureste del estado de hidalgo. Master’s thesis, Uni

versidad Autónoma del Estado de Hidalgo, Mexico, https://repository.uaeh.edu.mx/bitstream/

handle/123456789/10988e.

https://doi.org/10.37511/apuntesci.v1n1a5

ISSN: 2745-2956

Tunnicliffe Wilson, G. (2016). Time series analysis: Forecasting and control,5th edition, by george e. p.

box, gwilym m. jenkins, gregory c. reinsel and greta m. ljung, 2015. published by john wiley and sons

inc., hoboken, new jersey, pp. 712. isbn: 978-1-118-67502-1. Journal of Time Series Analysis, 37:n/a–n/a,

DOI: 10.1111/jtsa.12194.

Wattiaux, M. (2013). Nutrición y Alimentación. Instituto Babcock, https://soda.ustadistancia.edu.

co/enlinea/2momento_alimentacionanimal_mariabelalcazar/Composicion_y_Analisis_de_los_

Alimentos.pdf.

Zunino, L., Olivares, F., Bariviera, A. F., and Rosso, O. (2017). A simple and fast re

presentation space for classifying complex time series. Physics Letters A, 381:1021–1028, DOI:

1016/j.physleta.2017.01.047.