[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"detail-sidebar-cat-0-es-110":3,"doc-seo-127942-110":49,"doc-detail-127942-es":119},{"code":4,"msg":5,"data":6},0,"success",[7,13,17,21,25,29,33,37,41,45],{"id":8,"doc_module":4,"doc_module_name":9,"category_name":10,"show_sort_weight":11,"slug":12},39,"Document","Cómic",60,"comic",{"id":14,"doc_module":4,"doc_module_name":9,"category_name":15,"show_sort_weight":11,"slug":16},43,"Estilo de Vida","lifestyle",{"id":18,"doc_module":4,"doc_module_name":9,"category_name":19,"show_sort_weight":11,"slug":20},38,"Examen","exam",{"id":22,"doc_module":4,"doc_module_name":9,"category_name":23,"show_sort_weight":11,"slug":24},44,"General","general",{"id":26,"doc_module":4,"doc_module_name":9,"category_name":27,"show_sort_weight":11,"slug":28},41,"Investigación e Informes","research-report",{"id":30,"doc_module":4,"doc_module_name":9,"category_name":31,"show_sort_weight":11,"slug":32},37,"Literatura","literature",{"id":34,"doc_module":4,"doc_module_name":9,"category_name":35,"show_sort_weight":11,"slug":36},22,"Relatos y Novelas","story-novel",{"id":38,"doc_module":4,"doc_module_name":9,"category_name":39,"show_sort_weight":11,"slug":40},42,"Religión y Espiritualidad","religion-spirituality",{"id":42,"doc_module":4,"doc_module_name":9,"category_name":43,"show_sort_weight":11,"slug":44},40,"Salud y Atención Médica","healthcare",{"id":46,"doc_module":4,"doc_module_name":9,"category_name":47,"show_sort_weight":11,"slug":48},24,"Tecnología","technology",{"code":4,"msg":50,"data":51},"ok",{"site_id":52,"language":53,"slug":54,"title":55,"keywords":56,"description":57,"schema_data":58,"social_meta":112,"head_meta":114,"extra_data":116,"updated_unix":118},110,"es","sugar-price-prediction-in-argentina-using-machine-learning-models-masters-thesis","Predicción del precio de azúcar en Argentina a partir de modelos de Machine Learning - Tesis de maestría","","La tesis propone un modelo de aprendizaje supervisado para predecir el precio del azúcar en el mercado argentino, considerando el contexto económico y político bajo la lógica de oferta y demanda y el rol del clima en la oferta circulante. Se combinan datos climáticos con información de producción de caña para estimar la producción anual mediante XGBoost, máquinas de vector soporte y redes neuronales. Con predicciones e historial de precios se aplican regresiones, Prophet y XGBoost, obteniendo mejores resultados con XGBoost (error 10,88% y MAPE 9,50%).",{"@graph":59,"@context":111},[60,77,94],{"@type":61,"itemListElement":62},"BreadcrumbList",[63,68,71,74],{"item":64,"name":65,"@type":66,"position":67},"https://docshare.wps.com","Home","ListItem",1,{"item":69,"name":9,"@type":66,"position":70},"https://docshare.wps.com/es/document/",2,{"item":72,"name":27,"@type":66,"position":73},"https://docshare.wps.com/es/document/investigación-e-informes/",3,{"item":75,"name":55,"@type":66,"position":76},"https://docshare.wps.com/es/document/sugar-price-prediction-in-argentina-using-machine-learning-models-masters-thesis/127942/",4,{"url":75,"name":55,"@type":78,"author":79,"headline":55,"publisher":82,"fileFormat":85,"inLanguage":53,"description":57,"dateModified":86,"datePublished":87,"encodingFormat":85,"isAccessibleForFree":88,"interactionStatistic":89},"DigitalDocument",{"name":80,"@type":81},"Liam","Person",{"url":64,"name":83,"@type":84},"DocShare","Organization","application/pdf","2026-09-01","2026-08-05",true,{"@type":90,"interactionType":91,"userInteractionCount":93},"InteractionCounter",{"@type":92},"ViewAction",6,{"@type":95,"mainEntity":96},"FAQPage",[97,103,107],{"name":98,"@type":99,"acceptedAnswer":100},"Cuál es el objetivo de la tesis sobre el precio del azúcar?","Question",{"text":101,"@type":102},"Utilizar técnicas de aprendizaje supervisado para predecir el precio del azúcar en el mercado argentino, considerando variables asociadas a la oferta circulante.","Answer",{"name":104,"@type":99,"acceptedAnswer":105},"Qué datos se combinan para realizar la predicción de la producción anual?",{"text":106,"@type":102},"Se combinan datos climáticos con datos de producción de azúcar para predecir la producción anual con modelos como XGBoost, máquinas de vector soporte y redes neuronales.",{"name":108,"@type":99,"acceptedAnswer":109},"Qué modelo logró el mejor desempeño en las predicciones?",{"text":110,"@type":102},"El mejor modelo resultó ser XGBoost, con un error porcentual sobre datos no observados de 10,88% y un MAPE de 9,50% para la predicción del precio.","https://schema.org",{"og:url":75,"og:type":113,"og:title":55,"og:site_name":83,"og:description":57},"article",{"robots":115,"canonical":75},"index,follow",{"doc_id":117,"site_id":52},127942,1785943134,{"code":4,"msg":5,"data":120},{"doc_id":117,"user_id":121,"nickname":80,"user_avatar":122,"doc_module":4,"category_id":26,"category_name":27,"doc_title":55,"doc_description":57,"doc_content":123,"file_id":124,"file_url":125,"file_type":126,"file_size":127,"view_count":93,"is_deleted":4,"is_public":67,"is_downloadable":67,"audit_status":67,"page_count":128,"language":129,"language_code":53,"site_id":52,"html_lang":53,"table_of_contents":130,"faqs":131,"seo_title":132,"seo_description":57,"update_tm":118,"read_time":133},687207024478,"https://ap-avatar.wpscdn.com/davatar_a8503ba1806abce46bf441b54a3ca4cd","Tipo de documento: Tesis de maestría  \nEscuela de Negocios. Master in Management + Analytics  \nPredicción del precio de azúcaren Argentina a partir de modelos de Machine Learning  \nAutoría: Sal, Mauricio José  \nAño: 2024  \n¿Cómo citar este trabajo?  \nSal, M. (2024) .“Predicción del precio de azúcar en Argentina a partirde modelos de Machine Learning”. [Tesis de maestría. Universidad Torcuato Di Tella] . Repositorio Digital Universidad Torcuato Di Tella. [https://repositorio.utdt.edu/handle/20.500.13098/12972](https://repositorio.utdt.edu/handle/20.500.13098/12972)  \nEl presente documento se encuentra alojado en el Repositorio Digital de la Universidad Torcuato Di Tella bajo una licencia Creative Commons Atribución-No comercial–Sin derivados 4.0 Internacional Dirección: [https://repositorio.utdt.edu](https://repositorio.utdt.edu)  \nBiblioteca Di Tella  \nMASTER IN MANAGEMENT+ ANALYTICS  \nPREDICCIÓNDEL PRECIO DE AZÚCAREN ARGENTINA A PARTIR DEMODELOS DE MACHINE LEARNING  \nTESIS  \nMauricio José Sal  \nMayo 2024  \nTutor: Ricardo Di Pasquale  \nResumen  \nGracias al avance tecnológico vivenciado en la última década, posibilitando contar con una disponibilidad masiva de datos y una mayor facilidad de cómputo, se observaron avances en algoritmos y técnicas de aprendizaje automático. Esto abrió una nueva oportunidad para las organizaciones de contar con cierto tipo de información que antesse consideraban inalcanzable. En Argentina, y sobre todo en el sector agropecuario, el uso de estas herramientas aún tiene un largo camino por recorrer. El objetivo de este trabajo es utilizar técnicas relacionadas con el enfoque estadístico de aprendizaje supervisado (machine learning) para predecir el precio del azúcar en el mercado argentino. El mismo, cuenta con un contexto económicoy político que lleva a pensar que responde a la ley de oferta y demanda, donde el precio depende de la cantidad de ofertacirculante en el país. Por otro lado, el azúcar proviene del procesamiento de la caña de azúcar producida en los campos argentinos, siendo el clima un factor relevante para lapredicción de la oferta de azúcar circulante. Debido a esto, para la realización de este trabajo se combinaron los datos climáticos con datos de producción de azúcar para predecir la producción anual a través de los modelos de XGBoost, Maquinas de Vector Soportey Redes Neuronales. Apartir de esta prediccióny en combinación con los precioshistóricos del azúcar, se utilizaron las técnicas de Regresión Lineal, Regresión Exponencial, PieceWise, Splines, Prophet y XGBoost para la predicción del precio y posterior inferencia sobre su movimiento. Durante la ejecución de ambas predicciones el mejor modelo resultó ser XGBoost, alcanzando un error porcentual en datos noobservados sobre la producción anual de 10,88% y un MAPE de 9,50% en la prediccióndel precio. A pesar de contar con estos resultados, luego de analizar aquel modelo que proporciona el valor que tendrá el precio en el futuro, se pudo observar que el mismo noutiliza a la producción nacional como un factor determinante a la hora de realizar supredicción. Esto, no permite validar desde una perspectiva estadística la hipótesis desdela cual se parte al iniciar este trabajo. Sin embargo, este trabajo demuestra que la aplicación de técnicas de machine learning puede proporcionar con razonable precisiónpredicciones que resultan de gran utilidad a la hora de tomar decisiones estratégicas.  \nAbstract  \nThanks to the technological advancements experienced in the last decade, enabling massive data availability and easier computing processes, there have been significant improvements in algorithms and machine learning techniques. This has opened up new opportunities for organizations to access certain types of information previously considered unattainable. In Argentina, particularly in the agricultural sector, the use of these tools still has a long way to go. The objective of this work is to utilize techniques related to the statistical app","cbCaiqjhk0JLvjmw","https://ap.wps.com/l/cbCaiqjhk0JLvjmw","pdf",1711801,66,"Spanish","# Introducción\n## Industria sucroalcoholera\n## Mercado Azucarero\n## Política Argentina","[{\"question\":\"Cuál es el objetivo de la tesis sobre el precio del azúcar?\",\"answer\":\"Utilizar técnicas de aprendizaje supervisado para predecir el precio del azúcar en el mercado argentino, considerando variables asociadas a la oferta circulante.\"},{\"question\":\"Qué datos se combinan para realizar la predicción de la producción anual?\",\"answer\":\"Se combinan datos climáticos con datos de producción de azúcar para predecir la producción anual con modelos como XGBoost, máquinas de vector soporte y redes neuronales.\"},{\"question\":\"Qué modelo logró el mejor desempeño en las predicciones?\",\"answer\":\"El mejor modelo resultó ser XGBoost, con un error porcentual sobre datos no observados de 10,88% y un MAPE de 9,50% para la predicción del precio.\"}]","Predicción del precio de azúcar en Argentina a partir de modelos de Machine Learning - Tesis de maestría | PDF",102]