MODELADO DE LA ESTACIONALIDAD CON VARIABLES

ARTIFICIALES EN PRONSTICOS DE DEMANDA

Ing. Rogelio A. A. Morn *

La estacionalidad se puede modelar a travs de la regresin lineal mltiple utilizando

variables artificiales para identificar las estaciones. Se pueden plantear diferentes modelos,
aditivos y multiplicativos, e incluir la tendencia. Adems, es posible considerar el efecto de
variaciones de demanda no estrictamente estacionales, como promociones por ejemplo.
1. Modelos aditivos
1.1

Modelo aditivo sin tendencia

Supongamos demanda Yt trimestral y definamos las variables estacionales
= 1 si t corresponde al trimestre i
Di , t =
, i = 1, 2, 3, 4 , t = 1, 2, K
= 0 en caso contrario

(1)

es decir,
D1, t = 1, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0,
D2, t = 0, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0,
D3, t = 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0,
D4, t = 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 1,
Entonces se puede establecer el siguiente modelo lineal
M

Yt = i Di , t + t
i =1

, t ~ N (0, 2 )

(2)

en el que los coeficientes i son los componentes estacionales (aditivos) que se estiman por
regresin lineal mltiple de la demanda sobre estas variables artificiales Di, t, con ordenada al
origen igual a cero, y el ciclo estacional, en perodos de pronstico, es M = 4.
De manera completamente anloga se aplica a datos mensuales, poniendo M = 12 y
definiendo las 12 variables artificiales.
Al hacer regresin con datos muestrales se obtienen los estimadores i , es decir
M

Yt = i Di , t

(3)

i =1

que son los ndices de estacionalidad.

Si i no es significativamente distinto de cero, en el perodo i el efecto estacional es nulo.
El pronstico para h perodos futuros (h = 1, 2,) es

Profesor Titular ordinario y Director del Departamento de Optimizacin y Control. Escuela de Ingeniera
Industrial. Facultad de Ciencias Exactas, Ingeniera y Agrimensura. Universidad Nacional de Rosario. Prohibida
su reproduccin sin autorizacin. 2007.

Ft + h = i Di ,t + h

(4)

i =1

Ejemplo 1
La tabla siguiente muestra los datos de la demanda trimestral de un producto en los
ltimos cuatro aos, las variables artificiales, la prediccin para los datos muestrales, el error
correspondiente, y el pronstico para un ao futuro, aplicando el modelo (4).
Ao
1

Trim.
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4

t
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

Yt
72
110
117
172
76
112
130
194
78
119
128
201
81
134
141
216

D1,t
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0

D2,t
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0

D3,t
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0

D4,t
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1

Ft
77
119
129
196
77
119
129
196
77
119
129
196
77
119
129
196
77
119
129
196

ME =
SDE =
SSE =
MSE =
DAM =
MAPE [%] =

et
-4,75
-8,75
-12,00
-23,75
-0,75
-6,75
1,00
-1,75
1,25
0,25
-1,00
5,25
4,25
15,25
12,00
20,25

0,00
10,62
1692,25
105,77
7,44
5,439

Los ndices de estacionalidad (coeficientes de regresin) y el coeficiente de determinacin

obtenidos se muestran a continuacin. El grfico muestra la demanda y los ndices.

4 =

195,75

R2 =

0,9944

Pronstico de la Estacionalidad - Variables artificiales

250

200

Unidades

ndices de estacionalidad

1 =
76,75
2 =
118,75
3 =
129,00

150
100

50

Evidentemente la serie presenta

tendencia y el modelo no es
apropiado.

9 10 11 12 13 14 15 16 17 18 19 20
Trime stre s

Demanda

Estacionalidad

Modelado de la estacionalidad con variables artificiales. 2007 R. Morn

Si se agrega una ordenada al origen no nula, entonces se deben considerar M 1 variables

artificiales (caso contrario se tendra multicolinealidad perfecta y el programa de regresin
dara error o directamente eliminara la ltima variable). La ordenada al origen es en este caso
un trmino constante que corresponde a la estacionalidad del perodo omitido, y los dems
valores i dan las estacionalidades relativas al perodo omitido. El modelo es
M 1

Ft + h = 0 + i Di ,t + h

(5)

i =1

Ejemplo 2
Aplicando el modelo (5) a los datos del Ejemplo 1 se obtiene:
Ao
1

Trim.
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4

t
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

Yt
72
110
117
172
76
112
130
194
78
119
128
201
81
134
141
216

D1,t
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0

D2,t
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0

D3,t
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0

ME =
SDE =
SSE =
MSE =
DAM =
MAPE [%] =

Los ndices de estacionalidad y el coeficiente de

determinacin obtenidos se muestran en la tabla de
la derecha. Los resultados son idnticos a los del
ejemplo anterior.
La estacionalidad del perodo 4 est dada por el
trmino constante y las dems resultan de sumarle a
ste los valores i correspondientes.

Modelado de la estacionalidad con variables artificiales. 2007 R. Morn

Ft
77
119
129
196
77
119
129
196
77
119
129
196
77
119
129
196
77
119
129
196

et
-4,75
-8,75
-12,00
-23,75
-0,75
-6,75
1,00
-1,75
1,25
0,25
-1,00
5,25
4,25
15,25
12,00
20,25

0,00
10,62
1692,3
105,77
7,44
5,44

ndices de estacionalidad

195,75
0 =
1 =
-119,00
2 =
-77,00
3 =
-66,75
R2 =

0,9451

1.2

Modelo aditivo con tendencia

Es posible incorporar una tendencia lineal (o cualquier otra que sea un modelo lineal en
los coeficientes, para poder aplicar regresin, por ejemplo 1 t + 2 t2) poniendo
M

Yt = 1 t + i Di , t + t
i =1

, t ~ N (0, 2 )

(6)

El pronstico para h perodos futuros (h = 1, 2,) es

M

Ft + h = 1 (t + h) + i Di ,t + h

(7)

i =1

donde 1 , i son los estimadores de los coeficientes de regresin (con ordenada al origen
nula). Si no es significativamente distinto de cero, no hay tendencia.
1

Ejemplo 3
El modelo (7) aplicado a los datos del Ejemplo 1 permite obtener lo siguiente:
Ao
1

Trim.
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4

ME =
SDE =
SSE =
MSE =
DAM =
MAPE [%] =

Yt
72
110
117
172
76
112
130
194
78
119
128
201
81
134
141
216

t
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

D1,t
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0

D2,t
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0

D3,t
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0

D4,t
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1

Ft
65
107
117
184
73
115
125
192
81
123
133
200
89
131
141
208
97
139
149
216

et
7,14
3,14
-0,11
-11,86
3,21
-2,79
4,96
2,21
-2,71
-3,71
-4,96
1,29
-7,64
3,36
0,11
8,36

0,00
5,39
436,138
27,26
4,22
3,652

Los coeficientes de regresin, que dan la pendiente de la tendencia y los ndices de

estacionalidad, y el coeficiente de determinacin, se muestran en la tabla siguiente. El grfico
muestra la demanda y el pronstico.

Modelado de la estacionalidad con variables artificiales. 2007 R. Morn

Coeficientes

1 =
1 =
2 =
3 =
4 =

Pronstico de la Estacionalidad - Variables artificiales

250

1,98

200

Unidades

62,88
102,90
111,17

R2 =

150

100

175,94

50

0,9986

0
1

Este modelo se ajusta mejor a la

muestra que el anterior.

10 11 12 13 14 15 16 17 18 19 20
Trim estres

Demanda

Pronstico

Ejemplo 4
La demanda mensual de un producto durante los ltimos cuatro aos es la que figura en la
tabla siguiente, en la que tambin se muestran las variables artificiales, el pronstico con el
modelo (7) y los errores.
Ao

Mes

Yt

D1,t

D2,t

D3,t

D4,t

D5,t

D6,t

D7,t

D8,t

D9,t

D10,t

D11,t

D12,t

Ft

et

546

577

-30,94

578

621

-43,44

660

680

-20,44

707

718

-10,69

738

778

-39,94

781

822

-41,44

848

837

11,31

818

790

28,06

729

717

12,06

10

691

10

641

50,31

11

658

11

619

39,06

12

604

12

637

-33,44

629

13

660

-30,81

711

14

704

6,69

729

15

763

-34,31

798

16

801

-2,56

861

17

861

0,19

903

18

905

-2,31

968

19

920

48,44

894

20

873

21,19

860

21

800

60,19

10

792

22

724

68,44

11

739

23

702

37,19

12

699

24

720

-21,31

773

25

743

30,31

818

26

787

30,81

871

27

846

24,81

882

28

883

-1,44

959

29

944

15,31

979

30

988

-9,19

955

31

1002

-47,44

925

32

956

-30,69

Modelado de la estacionalidad con variables artificiales. 2007 R. Morn

843

33

883

-39,69

10

790

34

806

-16,44

11

746

35

785

-38,69

12

822

36

803

18,81

857

37

826

31,44

876

38

870

5,94

959

39

929

29,94

981

40

966

14,69

1051

41

1027

24,44

1124

42

1071

52,94

1073

43

1085

-12,31

1020

44

1039

-18,56

933

45

966

-32,56

10

787

46

889

-102,31

11

830

47

868

-37,56

12

922

48

886

35,94

49

908

50

953

51

1012

52

1049

53

1109

54

1154

55

1168

56

1121

57

1048

10

58

972

11

59

950

12

60

969

ME =

0,00

SDE =

35,13

SSE =

58001

MSE =

1208

DAM =

29,10

MAPE [%] =

3,658

Los coeficientes de regresin y el coeficiente de determinacin obtenidos son los de la

tabla siguiente. El grfico muestra la demanda y el pronstico.

3 =
4 =
5 =
6 =

570,03
607,63
659,72
690,06
743,41

8 =
9 =
10 =
11 =
12 =
2

781,00 R =

Pronstico de la Estacionalidad - Variables artificiales

1400

788,34

1200

734,69
1000

654,78
571,63

Unidades

1 =
1 =
2 =

Coeficientes
6,91 7 =

800
600

542,97

400

554,56

200

0,9281

0
1

10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58
Me se s
Demanda

Pronstico

Modelado de la estacionalidad con variables artificiales. 2007 R. Morn

2. Modelo multiplicativo con tendencia lineal

Se puede plantear el siguiente modelo
M

Yt = Tt e

i Di , t t

, t ~ N (0, 2 )

(8)

i =1

donde la tendencia es Tt = 0 + 1 t.
La tendencia Tt se puede estimar, por ejemplo, como en el mtodo de descomposicin
calculando promedio mviles centrados y ajustndoles una recta de mnimos cuadrados. Se
obtiene 0 y 1 como estimadores mnimo-cuadrticos de 0 y 1.
Luego se quita la tendencia dividiendo la serie por la estimacin Tt de la tendencia

Yt =

M
Yt
D
= e i i , t e t

Tt i =1

, t ~ N (0, 2 )

(9)

y tomando logaritmos resulta el modelo lineal

Y
Yt= ln Yt = ln t

Tt

M
= i Di , t + t
i =1

, t ~ N (0, 2 )

(10)

cuyos coeficientes se estiman por regresin lineal mltiple de Yt sobre las variables Di, t en la
forma habitual.
El pronstico para h perodos futuros (h = 1, 2,) es
M

D
Ft + h = [ 0 + 1 (t + h)] e i i , t +h

(11)

i =1

Cuando t corresponde al perodo i es Di, t = 1 y las dems variables artificiales son nulas.
Y

De (10) resulta Yt= i y por lo tanto Yt = t = eYt = e i , de donde Yt = Tt e i y resulta que

Tt
S i = e i es el ndice de estacionalidad multiplicativo correspondiente al perodo i. Si en la
regresin i no es significativamente distinto de cero, entonces Si = 1 y no hay efecto
estacional en el perodo i.

Ejemplo 5
Retomemos los datos del Ejemplo 1 y apliquemos el modelo dado por (11), con los
coeficientes calculados por regresin con la (10). La tabla siguiente contiene los datos y los
resultados del pronstico y los errores.
Tt

Yt / Tt

ln(Yt / Tt )

D1,t

D2,t

D3,t

D4,t

Si

116,30

0,62

-0,4795

118,24

0,93

-0,0722

118,25

120,17

0,97

-0,0267

119,25

119,00

122,10

1,41

0,3426

76

122,50

120,88

124,04

0,61

-0,4898

112

128,00

125,25

125,97

0,89

-0,1175

130

128,50

128,25

127,90

1,02

0,0163

194

130,25

129,38

129,83

1,49

0,4016

Trim.

72

110

117,75

117

118,75

172

Yt

PM4t

Ao

PMCt

Modelado de la estacionalidad con variables artificiales. 2007 R. Morn

Ft

et

0,60

70

2,11

0,91

108

1,95

0,98

118

-0,64

1,46

179

-6,54

0,60

75

1,47

0,91

115

-3,12

0,98

125

4,79

1,46

190

4,15

78

129,75

130,00

131,77

0,59

-0,5243

0,60

79

-1,18

10

119

131,50

130,63

133,70

0,89

-0,1165

0,91

122

-3,19

11

128

132,25

131,88

135,63

0,94

-0,0579

0,98

133

-4,78

12

201

136,00

134,13

137,57

1,46

0,3792

1,46

201

-0,16

13

81

139,25

137,63

139,50

0,58

-0,5436

0,60

84

-2,83

14

134

143,00

141,13

141,43

0,95

-0,0540

0,91

129

4,75

15

141

143,37

0,98

-0,0166

0,98

140

0,65

16

216

145,30

1,49

0,3965

1,46

212

3,54

17

147,23

0,60

88

18

149,17

0,91

136

19

151,10

0,98

148

20

153,03

1,46

224

ME =

0,06

SDE =

3,48

SSE =

181,40

MSE =

11,34

DAM =

2,86

MAPE [%] =

2,30

Los coeficientes de la recta de tendencia resultaron: 0 = 114 y 1 = 1,93. Los coeficientes

de regresin, el coeficiente de determinacin y los ndices de estacionalidad resultantes se
muestran en las tablas siguientes. El grfico representa la demanda, la tendencia y el
pronstico.
Coeficientes

1 =
2 =
3 =

Pronstico de la Estacionalidad - Variables artificiales

0,51
0,09

250

200

4 =

0,38

R2 =

0,9936

U n id ad es

0,02

ndices de estacionalidad
0,60
S1 = e1 =
S 2 = e2 =
S3 = e 3 =

S4 = e =

150

100

50

0,91

10

11

12

13

14

15

16

17

18

19

20

Trimestres

0,98
Demanda

P. Mviles centrados

Tendencia

Pronstico

1,46

La comparacin con el Ejemplo 3 muestra un mejor ajuste de este modelo.

3. Modelo multiplicativo con tendencia exponencial

Consideremos el siguiente modelo
M

Yt = e 1 t e

i Di , t t

, t ~ N (0, 2 )

(12)

i =1

Para calcular los coeficientes se transforma la serie por logaritmos resultando el modelo
lineal

Modelado de la estacionalidad con variables artificiales. 2007 R. Morn

Yt = ln Yt = 1 t + i Di , t + t
i =1

, t ~ N (0, 2 )

(13)

para el cual se estiman los coeficientes 1 y i por regresin lineal mltiple de Yt sobre las
variables t y Di, t.
El pronstico para h perodos futuros (h = 1, 2,) es
M

Ft + h = e 1 (t + h ) e

i Di , t +h

(14)

i =1

El crecimiento de la tendencia Tt = e 1 t en un perodo es

Tt = e 1 (t +1) e 1 t = e 1 t (e 1 1)

(15)

de donde el crecimiento relativo por perodo resulta

Tt e 1 t (e 1 1)
=
= e 1 1
1 t
Tt
e

(16)

Si t corresponde al perodo i, entonces Di, t = 1 y las dems variables artificiales son nulas.

De (12) resulta Yt = e 1 t e i , y como e 1 t = Tt es un estimador de la tendencia, se obtiene que

S i = e i es el ndice de estacionalidad que multiplica a la tendencia exponencial.

Ejemplo 6
La tabla siguiente muestra los datos de la demanda trimestral de un producto en los
ltimos cuatro aos y los resultados obtenidos aplicando el modelo (14), utilizando (13) para
la regresin.
Ao Trim.
1
1
2
3
4
2
1
2
3
4
3
1
2
3
4
4
1
2
3
4
5
1
2
3
4
ME =
SDE =

Yt
362
385
432
341
382
409
498
387
473
513
582
474
544
582
681
557

lnYt
5,8916
5,9532
6,0684
5,8319
5,9454
6,0137
6,2106
5,9584
6,1591
6,2403
6,3665
6,1612
6,2989
6,3665
6,5236
6,3226

t
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

D1,t
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0

D2,t
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0

D3,t
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0

Modelado de la estacionalidad con variables artificiales. 2007 R. Morn

D4,t
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1

Si
332,62
343,27
383,47
295,12
332,62
343,27
383,47
295,12
332,62
343,27
383,47
295,12
332,62
343,27
383,47
295,12
332,62
343,27
383,47
295,12

Tt
1,039
1,079
1,121
1,165
1,210
1,257
1,306
1,356
1,409
1,464
1,521
1,580
1,641
1,705
1,771
1,840
1,912
1,986
2,063
2,143

Ft
et
346 16,46
370 14,54
430
2,08
344 -2,73
402 -20,44
431 -22,47
501 -2,72
400 -13,33
469
4,28
503 10,47
583 -1,18
466
7,74
546 -1,91
585 -3,29
679
1,79
543 13,95
636
682
791
632
0,20
11,56

SSE =
MSE =
DAM =
MAPE [%] =

2003,7
125
8,71
2,057

Los coeficientes de regresin, el coeficiente de determinacin y los ndices de

estacionalidad resultantes se muestran en las tablas siguientes. El grfico presenta los
resultados.
Coeficientes

1 =
1 =
2 =
3 =
4 =

Pronstico de la Estacionalidad - Variables artificiales

0,0381

900
800

5,8070
5,8385

700

U n idad es

600

5,9493
5,6874

500
400
300

R2 =

0,99998

200
100

ndices de estacionalidad
S1 = e1 =
332,62
S 2 = e2 =
3

S3 = e =
4

S4 = e =

0
1

10 11 12 13 14 15 16 17 18 19 20
Trimestres

343,27

Demanda

Pronstico

383,47
295,12

El crecimiento por perodo es e 1 1 = 0,03885 (3,885 %).

4. Modelado de sucesos especiales

Tambin es posible aplicar este mtodo para modelar el efecto en la demanda de sucesos
especiales como, por ejemplo, el pico de demanda producido en un determinado perodo por
una promocin especial.
Si se trata de modelar un nico suceso, se utiliza una variable artificial Di, t que
corresponde al perodo i en el que ocurre el hecho. Es posible tener en cuenta la tendencia
como en los casos anteriores. Por ejemplo, un modelo aditivo con tendencia es el siguiente

Yt = 0 + 1 t + i Di , t + t

, t ~ N (0, 2 )

(17)

En este caso se puede incluir una constante no nula porque no hay problemas de
multicolinealidad.
El pronstico para h perodos futuros (h = 1, 2,) es
Ft + h = 0 + 1 (t + h) + i Di ,t + h

(18)

donde 0 , 1 y i son los estimadores de los coeficientes de regresin de Yt sobre las

variables t y Di, t, con ordenada al origen no nula. Para todo t correspondiente al perodo i
resulta Di, t = 1 y i es el ndice (en este caso aditivo) que afecta la tendencia y representa el
suceso en consideracin.

10

Modelado de la estacionalidad con variables artificiales. 2007 R. Morn

De manera totalmente anloga se pueden adaptar los modelos anteriores para modelar
picos multiplicativos.
Si se desea considerar sucesos en distintos perodos se debe incluir una variable artificial
por cada perodo. Por otra parte, dado que estos sucesos pueden ocurrir adems de la
estacionalidad normal, el modelo podr incluir tanto las variables artificiales estacionales
como las que identifican a los sucesos.
Ejemplo 7
De un producto se dispone de la demanda de los ltimos doce meses. En el mes 7 se
realiz una promocin especial que produjo un pico de demanda. Se quiere pronosticar el
siguiente ao suponiendo que se mantenga la tendencia general y que se realice la misma
promocin en iguales condiciones.
Las tablas siguientes contienen los datos y los resultados de aplicar el modelo (18). El
grfico muestra la demanda y el pronstico.
t
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

ME =
SDE =
SSE =
MSE =
DAM =
MAPE [%] =

D1,t
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0

Ft
128
133
137
141
145
150
180
158
163
167
171
175
180
184
188
193
197
201
232
210
214
218
223
227

et
1,78
0,49
-1,80
0,90
-5,39
1,32
0,00
1,73
1,43
3,14
-3,15
-0,45

Coeficientes

0 =

123,923

1 =
7 =

4,294
26,022

R2 =

0,9815

Pronstico de un suceso con variable artificial

250
200
Unidades

Yt
130
133
135
142
140
151
180
160
164
170
168
175

0,000
2,399
63,331
5,278
1,799
1,197

150
100
50
0
1

11

13

15

17

19

21

23

M e se s
Demanda

Pronstico

Con respecto a estas aplicaciones, cabe acotar que las variables artificiales no siempre
toman valores 0 y 1. Por ejemplo: para ciertos pronsticos mensuales podra ser til tomar en
cuenta los das hbiles de cada mes; entonces, adems de las variables estacionales, se podra
Modelado de la estacionalidad con variables artificiales. 2007 R. Morn

11

incluir una variable de la forma Dd, t = 22, 20, 23, 19, 22, para t = 1, 2, Un modelo aditivo
de este tipo es
L

Yt = 1 t + i Di , t + d Dd ,t + t
i =1

, t ~ N (0, 2 )

(19)

El pronstico para h perodos futuros (h = 1, 2,) est dado por

L

Ft + h = 1 (t + h) + i Di ,t + h + d Dd ,t + h

(20)

i =1

Anlogamente se pueden plantear modelos multiplicativos y para otras situaciones.

5. Conclusiones
La utilizacin de variables artificiales estacionales es una tcnica muy efectiva para
modelar la llamada estacionalidad determinista, es decir, la que se repite exactamente ao tras
ao, a diferencia de la estacionalidad estocstica, en la que el patrn no se repite con
exactitud. En las demandas reales hay muchos casos en los que la estacionalidad es
determinista y por lo tanto estos modelos pueden ser muy tiles en la prctica.
La similitud con los modelos de descomposicin es evidente. Se puede decir que son
modelos de descomposicin por regresin lineal mltiple. Como en los mtodos de
descomposicin los ndices de estacionalidad se determinan a partir de los datos muestrales y
se aplican a los perodos futuros, lo que constituye un patrn de pronsticos bastante rgido,
motivo por el cual tienen dificultad para adaptarse a los cambios en la demanda.
Por esta razn estos modelos tienden a sobreajustar, es decir que pronostican mejor dentro
de la muestra que hacia el futuro. Este es un riesgo con todos los modelos, pero especialmente
con los que proyectan patrones exactos. Para su utilizacin en sistemas de pronsticos se
deben actualizar los coeficientes peridicamente (lo que implica una regresin mltiple en
cada revisin), de manera que puedan adaptarse a los cambios en la demanda.
Una gran ventaja de la utilizacin de variables artificiales es la posibilidad de incluir en
los modelos sucesos especiales, no rigurosamente estacionales, como las promociones, la
disponibilidad mensual de un recurso, o hechos similares.

6. Bibliografa
1. Diebold, Francis X., Elementos de Pronsticos, Mxico: International Thomson Editores,
S. A., 2001.
2. DeLurgio, Stephen A., Forecasting Systems for Operations Management, Homewood,
Ill.: Richard D. Irwin, Inc., 1991.

12

Modelado de la estacionalidad con variables artificiales. 2007 R. Morn