PBI

Basándonos en el MMM 2019-2022 se tiene que la economía peruana se encuentra al inicio de

una fase de aceleración continua no tiene un crecimiento como los años anteriores, pero
mantiene un crecimiento sostenido, resultado de la implementación de una política
macroeconómica contra cíclica y de un entorno externo favorable. Así, el PBI en el 1S2018
creció 4,3%, la tasa más alta en nueve semestres. Bajo este escenario de aceleración para el
año 2019, la previsión de crecimiento es 4,2%. En general, la dinámica económica más
favorable está asociada con el fortalecimiento de la demanda interna, por el impulso fiscal
temporal y la sostenida recuperación de la inversión privada. Finalmente el grafico cumple con
todo los parámetros de proyección los cuales se nota en la caída del PBI a inicios de año de
cada periodo anual.
En esta grafica se tiene una representación mas exacta de los que sucede en los 4 semestres
últimos como se puede observar que en el primer trimestre del año 2018, el PBI registró un
crecimiento de 3,2%, incidió en este resultado la evolución favorable de la demanda interna
dinamizada por el incremento del consumo y de la inversión, en un contexto internacional de
mayor impulso en el crecimiento de las economías de nuestros principales socios comerciales
que repercutió en el precio y volumen de las exportaciones. A pesar de que el PBI tiene una
caída de 20.000 aun las expectativas se mantienen firmes y ello permite que el PBI mantenga
su perspectiva alcista.
Se puede oservar que mantiene un AIC de 17.95 mantiendo su buen indicador predictivo, por
otra parte esto nos permite reconocer cuantas iteraciones se realizaron que fueron 49 para
poder hallar el modelo teniendo un modelo AR(3) y generando un modelo MA(4) juntos
forman nuestro modelo ARIMA(3,4). Mantiene un R2 menos a 1 y un R-ajustado igual que solo
dan seguridad del modelo predictivo.

Selección del modelo óptimo: el criterio de información de Akaike (AIC) se utiliza para
determinar el número óptimo de valores de nodo ocultos. La puntuación AIC (eje y) apunta
hacia un modelo con 20 valores de nodo ocultos (eje x). El modelo óptimo se muestra como un
círculo lleno.
Selección del modelo óptimo: el criterio de información de Akaike (AIC) se utiliza para
determinar el número óptimo de valores de nodo ocultos. La puntuación AIC (eje y) apunta
hacia un modelo con 20 valores de nodo ocultos (eje x). El modelo óptimo se muestra como un
círculo lleno. Se puede ver que de las 49 iteraciones que se realizo solo se quedaron con las 20
mejores. Entonces se puede ver que se muestra una mejor exactitud usando los modelo AR y
MA a las vez esto solo comprueba que los criterios de iteración están correctos.