Pronóstico de venta de gas licuado de petróleo para carburación en la Cuenca del Papaloapan mediante la generación de datos aleatorios
Sales forecast of liquefied petroleum gas for carburation in the Papaloapan Basin through the generation of random data
DOI:
https://doi.org/10.56712/latam.v5i2.1999Palabras clave:
pronóstico de ventas, series de tiempo, variable aleatoriaResumen
En esta investigación se llevó a cabo un análisis de serie de tiempo con registros históricos de ventas diarias en una estación de gas para carburación en Tierra Blanca, Veracruz, México. La finalidad del estudio fue pronosticar la venta un año hacia el futuro aplicando el análisis de variación estacional y la simulación de variable aleatoria continua en MS Excel®. La metodología desarrollada se conformó de seis etapas iniciando con la recolección de datos, aplicación de pruebas de bondad de ajuste, simulación de ventas, revisión de la serie temporal con componente estacional, aplicación de una prueba estadística para la igualdad de varianzas y, finalmente, la proyección de ventas diarias para mayo de 2022 hasta abril de 2023. Se encontró que la demanda de gas LP sigue una distribución normal, se observó tendencia positiva y picos estacionales en noviembre, diciembre y enero de cada año.
Descargas
Citas
Andrade, J., & Viacava, M. (2021). Modelo de planificación del abastecimiento para disminuir el sobrestock en una retail aplicando Modelo Q y Pronóstico de Demanda. Perú: Universidad Peruana de Ciencias Aplicadas. http://hdl.handle.net/10757/655271
Azofeifa, C. (2004). Aplicación de la Simulación Monte Carlo en el cálculo del riesgo usando Excel. Revista Tecnología En Marcha, 97–109. https://revistas.tec.ac.cr/index.php/tec_marcha/article/view/1438
Castillo, R. (2021). Gestión de puntos de reposición mediante simulación Montecarlo. Ecuador: Universidad Politécnica Salesiana. http://dspace.ups.edu.ec/handle/123456789/20199
Díaz, J. (2017). Aprendizaje de las matemáticas con el uso de simulación. Sophia, 22-30. http://dx.doi.org/10.18634/sophiaj.14v.1i.519
Flores, C. & Flores, K. (2021). Aplicación de modelos de simulación a líneas de espera, riesgos e inventarios. Ingeniería Industrial, 1-13. http://scielo.sld.cu/pdf/rii/v42n3/1815-5936-rii-42-03-54.pdf
Flores, C. & Flores, K. (2023). Pruebas de bondad de ajuste Kolmogorov-Smirnov y Ji-cuadrada aplicadas a la toma de decisiones empresariales. Yachana Revista Científica, 113-127. http://repositorio.ulvr.edu.ec/handle/44000/6352
Hernández, J., Sánchez, V., & Hernández, L. (2018). Pronóstico de la demanda para las ventas de gas en una estación de carburación del estado de Veracruz, comparando los errores de estimación de un modelo empírico y del análisis de variaciones estacionales. Revista Ciencia Administrativa, 253-261. https://www.uv.mx/iiesca/files/2019/01/Vol7-2018-Especial.pdf
González, E.; Cabadés, A.; Cebrián, J.; López, V.; Sanjuán, R.; Echánove, I.; Valencia, J. & Bertomeu, V. (2004). Variaciones estacionales en los ingresos por infarto agudo de miocario. El estudio PRIMVAC. Revista Española de Cardiología, 12-19. DOI: 10.1157/13056503
Gutarra, F. (2015). Introducción a la Ingeniería Industrial. Perú: Fondo Editorial de la universidad continental. https://hdl.handle.net/20.500.12394/2192
Madariaga, C.; Lao, Y.; Curra, D. & Lorenzo, R. (2020). Metodología para pronosticar demanda y clasificar inventarios en empresas comercializadoras de productos mayoristas. Retos de la Dirección, 354-373. http://scielo.sld.cu/pdf/rdir/v14n2/2306-9155-rdir-14-02-354.pdf
Pavón, J. (2019). Modelo para el pronóstico de la demanda de agua potable de Emapa-I aplicando redes neuronales artificiales. Ecuador: Universidad Técnica del Norte. http://repositorio.utn.edu.ec/handle/123456789/13629
Pulido, A., Ballestas, C., Del Castillo, K., Navarro, M., Fuentes, T., Pizarro, A., & Rodríguez, Y. (2022). Simulación de un Sistema de Inventarios para la Determinación de Niveles de Reposición y de Servicios: Un caso de estudio. Memorias de la Décima Segunda Conferencia Iberoamericana de Complejidad, Informática y Cibernética, 191-196. https://doi.org/10.54808/CICIC2022.01.191
Quintero, M. & Durán, M. (2004). Análisis del error tipo I en las pruebas de bondad de ajuste e independencia utilizando el muestreo con parcelas de tamaño variable (Bitterlich). Bosque, 45-55. http://dx.doi.org/10.4067/S0717-92002004000300005
Quintero, M. & Durán, M. (2008). Aplicación de dos pruebas de bondad de ajuste en muestras complejas: un caso práctico en el campo forestal. Agrociencia, 287-297. https://www.scielo.org.mx/pdf/agro/v42n3/v42n3a4.pdf
Ruíz, H. (2018). Pronóstico de las exportaciones del cacao Ecuatoriano para el 2018 con el uso de modelos de series de tiempo. INNOVA Research Journal, 9-20. https://doi.org/10.33890/innova.v3.n6.2018.713
Toro, E.; Mejía, D. & Salazar, H. (2004). Pronóstico de ventas usando redes neuronales. Scientia et Technica, 25-30. http://www.redalyc.org/articulo.oa?id=84911640006
Vargas, J. & Cruz, C. (2020). Estudio del método Monte Carlo en simulaciones para la estimación del valor de π. Revista Boliviana de Física, 26-32. http://www.scielo.org.bo/scielo.php?script=sci_arttext&pid=S1562-38232020000100005&lng=es&tlng=es.
Velásquez, J. & Franco, C. (2012). Pronóstico de series de tiempo con tendencia y ciclo estacional usando el modelo airline y redes neuronales artificiales. Ingeniería y ciencia, 171-189. http://www.scielo.org.co/pdf/ince/v8n15/v8n15a09.pdf
Villegas, B. (2022). Proyecto de mejora del sistema de pronósticos en una empresa de distribución de aceites y grasas lubricantes para el sector automotriz e industrial. Perú: Pontificia Universidad Católica del Perú. http://hdl.handle.net/20.500.12404/22868
Villegas, D. (2021). Importancia de la estadística aplicada para la toma de decisiones en marketing. Revista Boliviana de Administración, 63-74. https://doi.org/10.33996/reba.v3i2.6
