https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (992-1006)
ISSN: 2960-8317
992
Artículo de revisión
Integración de modelos ARIMA y simulación Monte Carlo en R
para el pronóstico de demanda y la planificación productiva en
cadenas de suministro
Integration of ARIMA models and Monte Carlo simulation in R for demand
forecasting and production planning in supply chains
Juan Diego Erazo Rodríguez*
Escuela Superior Politécnica de Chimborazo
Riobamba-Ecuador
juan.erazo@espoch.edu.ec
https://orcid.org/0000-0003-0152-5645
Oscar Rafael Tinoco Gomez
Universidad Nacional Mayor de San Marcos
Lima-Perú
otinocog@unmsm.edu.pe
https://orcid.org/0000-0002-7927-931X
Byron Daniel Erazo Rodríguez
Escuela Superior Politécnica de Chimborazo
Riobamba-Ecuador
erazodaniel97@gmail.com
https://orcid.org/0009-0001-3339-9017
Vanessa Lorena Valverde González
Escuela Superior Politécnica de Chimborazo
Riobamba-Ecuador
v_valverde@espoch.edu.ec
https://orcid.org/0000-0002-3501-8353
*Correspondencia:
juan.erazo@espoch.edu.ec
Cómo citar este artículo:
Erazo, J., Tinoco, O., Erazo, B., & Valverde,
V. (2026). Integración de modelos ARIMA y
simulación Monte Carlo en R para el
pronóstico de demanda y la planificación
productiva en cadenas de suministro.
Esprint Investigación, 5(1), 992-1006.
https://doi.org/10.61347/ei.v5i1.319
Recibido: 28 de abril de 2026
Aceptado: 13 de junio de 2026
Publicado: 17 de junio de 2026
Resumen: El presente artículo tuvo como objetivo aplicar modelos cuantitativos de series
temporales ARIMA en R para fortalecer la planificación de la producción en un entorno
industrial. El estudio se desarrolló bajo un enfoque cuantitativo, predictivo y aplicado,
utilizando una serie temporal mensual de demanda industrial compuesta por 60
períodos. El procesamiento estadístico se realizó mediante el software R, en el cual se
efectuaron el análisis exploratorio de la serie, la descomposición temporal, la evaluación
de autocorrelación, el ajuste de modelos ARIMA estacionales y la generación de
pronósticos para 12 meses futuros. Los resultados evidenciaron que el modelo
SARIMA(1,0,1)(1,0,0)[12] representó adecuadamente el comportamiento histórico de la
demanda, al capturar la tendencia creciente y las fluctuaciones mensuales de la serie. La
validación del modelo mostró indicadores de error reducidos y ausencia de
autocorrelación significativa en los residuos, lo que respaldó su capacidad predictiva.
Además, se incorporó una simulación Monte Carlo como análisis complementario para
construir escenarios conservadores, base y alto de la demanda futura, permitiendo
transformar el pronóstico puntual en rangos de decisión útiles para la planificación
productiva bajo incertidumbre. Se concluye que el uso combinado de modelos ARIMA
en R y simulación Monte Carlo constituye una herramienta cuantitativa pertinente para
apoyar la programación de la producción, la planificación de capacidad, el
abastecimiento de materiales y la gestión de inventarios en entornos industriales.
Palabras clave: ARIMA, planificación de la producción, pronóstico de demanda, series
temporales, simulación Monte Carlo.
Abstract: This article aimed to apply ARIMA time series quantitative models in R to strengthen
production planning in an industrial environment. The study was developed under a
quantitative, predictive, and applied approach, using a monthly industrial demand time series
composed of 60 periods. Statistical processing was carried out using R software, where
exploratory data analysis, time series decomposition, autocorrelation assessment, ARIMA
seasonal model fitting, and the generation of forecasts for the next 12 months were performed. The
results showed that the SARIMA(1,0,1)(1,0,0)[12] model adequately represented the historical
behavior of demand by capturing the upward trend and monthly fluctuations of the series. Model
validation showed low error indicators and no significant autocorrelation in the residuals,
supporting its predictive capability. In addition, a Monte Carlo simulation was incorporated as a
complementary analysis to build conservative, base, and high demand scenarios, allowing the
transformation of point forecasts into decision ranges useful for production planning under
uncertainty. It is concluded that the combined use of ARIMA models in R and Monte Carlo
simulation constitutes a relevant quantitative tool to support production scheduling, capacity
planning, material procurement, and inventory management in industrial environments.
Keywords: ARIMA, demand forecasting, Monte Carlo simulation, production planning, time
series.
Copyright: Derechos de autor 2026 Juan
Diego Erazo Rodríguez, Oscar Rafael Tinoco
Gomez, Byron Daniel Erazo Rodríguez,
Vanessa Lorena Valverde González.
Esta obra está bajo una licencia internacional
Creative Commons Atribución-
NoComercial 4.0.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (992-1006)
ISSN: 2960-8317
Juan Diego Erazo Rodríguez, Oscar Rafael Tinoco Gomez, Byron Daniel Erazo Rodríguez, Vanessa Lorena Valverde González 993
1. Introducción
La planificación de la producción constituye una función estratégica dentro de los entornos
industriales, debido a que permite coordinar la disponibilidad de materiales, la capacidad instalada,
la programación de operaciones y la respuesta oportuna frente a la demanda del mercado. En contextos
donde la demanda presenta variaciones mensuales, patrones estacionales o comportamientos
irregulares, la toma de decisiones basada únicamente en criterios empíricos puede generar
sobreproducción, desabastecimiento, incremento de inventarios, uso ineficiente de recursos y pérdida
de competitividad. Por esta razón, el uso de modelos cuantitativos predictivos se ha consolidado como
una herramienta clave para fortalecer la planificación operativa y reducir la incertidumbre asociada a
la demanda futura.
En la literatura reciente, el pronóstico de la demanda se reconoce como un componente fundamental
para la gestión de la cadena de suministro y la planificación industrial. Goel et al. (2024) señalan que
la capacidad de anticipar la demanda influye directamente en la coordinación de compras, producción,
almacenamiento y distribución. De manera complementaria, Aldahmani et al. (2024) sostienen que los
métodos predictivos permiten mejorar la toma de decisiones en cadenas de suministro al transformar
datos históricos en información útil para la planificación. Esta perspectiva resulta especialmente
relevante en empresas industriales que operan bajo restricciones de capacidad, disponibilidad de
materias primas y variaciones del mercado.
Dentro de los métodos cuantitativos de series temporales, los modelos autorregresivos integrados
de media móvil (ARIMA) han sido ampliamente utilizados por su capacidad para modelar patrones
históricos de demanda a partir de la estructura interna de los datos. Wang et al. (2021) evidencian que
ARIMA mantiene relevancia en la predicción de pedidos, incluso frente a modelos de aprendizaje
profundo, debido a su interpretabilidad, estabilidad estadística y facilidad de implementación.
Asimismo, Borucka (2023) destaca la utilidad de los modelos estacionales derivados de ARIMA para
representar fluctuaciones periódicas en cadenas de suministro, lo cual resulta pertinente cuando la
demanda industrial presenta ciclos mensuales o variaciones recurrentes.
En el ámbito específico de la planificación de la producción, Dieny & Sutrisno (2026) muestran que
los modelos ARIMA y ARIMA estacionales pueden emplearse para estimar la demanda futura y
apoyar decisiones relacionadas con volúmenes de producción, disponibilidad de recursos y
programación operativa. Este enfoque es coherente con la necesidad de integrar los pronósticos dentro
del proceso de planificación, ya que una estimación más precisa de la demanda permite reducir
desviaciones entre lo planificado y lo ejecutado. De igual manera, Kubek & Więcek (2025) resaltan que
los modelos híbridos basados en ARIMA pueden fortalecer el pronóstico en cadenas de suministro con
alta variabilidad, especialmente cuando se busca mejorar la confiabilidad de las decisiones logísticas y
productivas.
La precisión del pronóstico constituye otro aspecto central en la evaluación de modelos predictivos.
Makridakis et al. (2022), a partir de los resultados de la competencia M5, evidencian que la
comparación entre métodos requiere el uso de métricas objetivas que permitan valorar el desempeño
predictivo en distintos escenarios.
Aunque los modelos de aprendizaje automático y aprendizaje profundo han ganado presencia en
el pronóstico de demanda, los modelos ARIMA siguen siendo relevantes en estudios industriales
debido a su equilibrio entre precisión, parsimonia e interpretabilidad. Ma et al. (2023) comparan
modelos de aprendizaje profundo con enfoques tradicionales como SARIMA, mientras que Alqatawna
et al. (2023) incorporan técnicas de series temporales, entre ellas ARIMA y SARIMAX, para estimar el
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (992-1006)
ISSN: 2960-8317
Juan Diego Erazo Rodríguez, Oscar Rafael Tinoco Gomez, Byron Daniel Erazo Rodríguez, Vanessa Lorena Valverde González 994
volumen de órdenes y necesidades operativas. Estos estudios evidencian que los modelos clásicos
continúan siendo una base metodológica válida, especialmente cuando se trabaja con series temporales
estructuradas, horizontes de predicción definidos y necesidades de interpretación para la toma de
decisiones gerenciales.
En esta línea, Abed (2024) plantea que los enfoques predictivos en cadenas de suministro deben
contribuir a mejorar la precisión de las decisiones, mientras que Lei et al. (2025) destacan que los
modelos recientes de forecasting buscan capturar estructuras complejas de la demanda para apoyar
procesos de gestión más eficientes.
Por ello, el presente estudio tiene como objetivo aplicar modelos cuantitativos de series temporales
ARIMA en el software R para la estimación de la demanda mensual y el fortalecimiento de la
planificación de la producción en un entorno industrial. Para ello, se trabajó con una serie temporal de
60 meses, se analizaron sus patrones de comportamiento, se ajustaron modelos ARIMA, se evaluó la
precisión predictiva mediante indicadores de error y se generaron pronósticos que permitieron
orientar decisiones de producción en períodos futuros.
2. Metodología
El estudio se desarrolló bajo un enfoque cuantitativo, predictivo y aplicado, utilizando una serie
temporal mensual de demanda industrial compuesta por 60 períodos. La base de datos fue organizada
para analizar patrones de tendencia, estacionalidad y variabilidad, elementos necesarios para el ajuste
de modelos ARIMA en R. Este diseño permitió representar el comportamiento productivo con
suficiente amplitud temporal y facilitó la aplicación de modelos ARIMA y SARIMA para el pronóstico
de la demanda industrial.
La investigación se estructuró en cinco fases metodológicas. En la primera fase se organizó la base
de datos mensual de demanda industrial como caso de estudio, construyéndose una serie temporal de
60 observaciones equivalentes a cinco años de registro. La demanda presentó tendencia moderada,
estacionalidad y variabilidad aleatoria controlada. La base de datos incluyó las variables período
mensual y demanda observada en unidades.
La segunda fase consistió en el análisis exploratorio de la serie temporal. Se representó gráficamente
la evolución histórica de la demanda con el fin de identificar patrones de comportamiento. Asimismo,
se calcularon medidas descriptivas como media, desviación estándar, mínimo, máximo y coeficiente
de variación. Este análisis permitió caracterizar la estructura general de la serie y facilitó la
comprensión inicial de su dinámica.
La tercera fase correspondió a la evaluación de estacionariedad de la serie. Se aplicaron análisis
gráficos, funciones de autocorrelación (ACF) y autocorrelación parcial (PACF), considerando además
la diferenciación cuando fue necesario para estabilizar la serie. La estacionariedad se verificó mediante
pruebas estadísticas complementarias, lo que permitió identificar la estructura temporal del proceso.
La cuarta fase consistió en el ajuste del modelo ARIMA mediante el software R. Se estimaron los
parámetros autorregresivos, de diferenciación y de media móvil bajo la estructura ARIMA(p,d,q).
Cuando se identificó comportamiento estacional, se evaluó el modelo SARIMA correspondiente. La
selección del modelo se realizó con base en los criterios de información AIC y BIC, complementados
con el análisis de residuos para validar su adecuación.
La quinta fase se orientó a la evaluación del desempeño predictivo del modelo. Se calcularon
métricas de error como MAE, RMSE y MAPE, las cuales permitieron medir la precisión del modelo
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (992-1006)
ISSN: 2960-8317
Juan Diego Erazo Rodríguez, Oscar Rafael Tinoco Gomez, Byron Daniel Erazo Rodríguez, Vanessa Lorena Valverde González 995
frente a la demanda observada. Los resultados fueron utilizados para validar su aplicabilidad en la
planificación de la producción, asegurando la consistencia del pronóstico.
El modelo seleccionado se utilizó para generar un pronóstico de 12 meses, los cuales sirvieron como
base para la planificación de la producción y el abastecimiento. Se estimaron volúmenes de
producción, capacidad y requerimientos de materiales. Este pronóstico permitió reducir desviaciones
entre la demanda estimada y la producción planificada, facilitando la toma de decisiones operativas.
Como complemento, se aplicó una simulación Monte Carlo para representar la incertidumbre
asociada a la demanda futura. Los valores pronosticados se utilizaron como media esperada del
sistema, mientras que los intervalos de confianza al 95 % definieron rangos de variabilidad. Se
generaron escenarios probabilísticos para la planificación, ampliando la utilidad operativa del modelo
ARIMA al incorporar un enfoque bajo incertidumbre.
3. Resultados
Comportamiento histórico de la demanda industrial
La serie temporal analizada estuvo conformada por 60 observaciones mensuales de demanda
industrial, correspondientes a un horizonte histórico de cinco años. La demanda presentó una
trayectoria creciente durante el período analizado, acompañada de fluctuaciones mensuales asociadas
a un comportamiento estacional moderado. Este patrón es consistente con entornos productivos donde
la demanda evoluciona en función de factores comerciales, operativos y de mercado. En conjunto, estos
resultados evidencian la presencia de dinámica temporal en la serie.
En la figura 1 se observa una tendencia ascendente sostenida desde el mes 1 hasta el mes 60. La
demanda inicial fue de 1035 unidades, mientras que la demanda final alcanzó 3426 unidades. Este
comportamiento confirma que la serie presenta dependencia temporal entre observaciones
consecutivas. En consecuencia, el uso de modelos de series temporales resulta adecuado para
representar la evolución de la demanda y sustentar procesos de pronóstico.
Figura 1
Serie temporal histórica de la demanda mensual industrial durante 60 meses
Nota. Elaboración propia a partir del procesamiento de la serie temporal en R.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (992-1006)
ISSN: 2960-8317
Juan Diego Erazo Rodríguez, Oscar Rafael Tinoco Gomez, Byron Daniel Erazo Rodríguez, Vanessa Lorena Valverde González 996
Los resultados descriptivos presentados en la tabla 1 evidencian una variabilidad moderada-alta en
la serie. El coeficiente de variación alcanzó un valor de 32,47 %, lo que indica dispersión significativa
alrededor de la media. Este comportamiento confirma que la demanda no es estable en el tiempo, sino
que presenta fluctuaciones relevantes. Por tanto, una planificación basada únicamente en promedios
históricos podría generar desviaciones operativas significativas.
Tabla 1
Estadísticos descriptivos de la demanda mensual industrial
Estadístico Valor
Número de observaciones 60
Media 2094,93
Desviación estándar 680,29
Valor mínimo 1035
Valor máximo 3426
Coeficiente de variación 32,47 %
Nota. Elaboración propia a partir de los resultados obtenidos en R.
Descomposición de la serie temporal de demanda
Con el propósito de identificar los componentes internos de la demanda mensual industrial, se realizó
la descomposición de la serie temporal en tres elementos principales: tendencia, estacionalidad y
componente aleatorio. Este análisis permitió separar el comportamiento general de crecimiento de las
variaciones periódicas y de las fluctuaciones no explicadas por el patrón sistemático de la serie. En
conjunto, este procedimiento facilitó una mejor comprensión de la estructura interna de la demanda.
En la figura 2 se evidencia que la demanda presenta una tendencia creciente durante el horizonte
de 60 meses. Este comportamiento indica que los requerimientos de producción aumentaron de
manera progresiva a lo largo del período analizado. La presencia de esta tendencia confirma que la
serie no es estacionaria en su forma original, ya que el nivel medio de la demanda cambia en el tiempo.
Este resultado justifica el uso de modelos de series temporales para su modelado.
El componente estacional muestra variaciones recurrentes dentro de cada ciclo anual. Estas
fluctuaciones permiten identificar meses con demanda superior e inferior respecto al comportamiento
promedio de la serie. Desde el punto de vista de la planificación de la producción, este hallazgo
evidencia la necesidad de ajustar los niveles de producción según los períodos de mayor y menor
demanda. Por tanto, no resulta adecuado asumir una producción constante a lo largo del año.
El componente aleatorio refleja las variaciones residuales no explicadas por la tendencia ni la
estacionalidad. En la figura 2 se observa que estas fluctuaciones se mantienen dentro de un rango
controlado, sin evidenciar cambios abruptos que alteren significativamente el comportamiento general
de la serie. Este comportamiento sugiere la presencia de ruido moderado, lo que favorece la
aplicabilidad de modelos ARIMA. En consecuencia, la serie conserva una estructura temporal
claramente identificable.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (992-1006)
ISSN: 2960-8317
Juan Diego Erazo Rodríguez, Oscar Rafael Tinoco Gomez, Byron Daniel Erazo Rodríguez, Vanessa Lorena Valverde González 997
Figura 2
Descomposición de la serie temporal de demanda industrial en tendencia, estacionalidad y componente aleatorio
Nota. Elaboración propia a partir de la descomposición de la serie temporal en R.
Análisis de autocorrelación de la demanda
Después de analizar la tendencia y la estacionalidad de la serie temporal, se procedió a evaluar la
estructura de autocorrelación de la demanda mensual industrial. Este análisis permitió identificar el
grado de dependencia entre los valores actuales de la demanda y sus valores pasados, lo cual es
fundamental para orientar la selección de los parámetros del modelo ARIMA. En este sentido, la
autocorrelación constituye un indicador clave de la memoria temporal del proceso.
En la figura 3 se observa que la serie presenta autocorrelaciones positivas en los primeros rezagos,
con una disminución progresiva conforme aumenta el número de períodos analizados. Este
comportamiento es característico de series temporales con tendencia, debido a que los valores recientes
de demanda mantienen una relación estrecha con observaciones previas. La persistencia de
autocorrelación confirma que la demanda no se comporta como una secuencia aleatoria.
Desde la perspectiva de la planificación de la producción, este resultado es relevante porque
evidencia que la demanda futura puede estimarse a partir del comportamiento histórico. La existencia
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (992-1006)
ISSN: 2960-8317
Juan Diego Erazo Rodríguez, Oscar Rafael Tinoco Gomez, Byron Daniel Erazo Rodríguez, Vanessa Lorena Valverde González 998
de dependencia temporal permite justificar el uso de modelos autorregresivos como ARIMA. En
consecuencia, la estructura observada en la serie respalda su modelado mediante técnicas de
pronóstico basadas en series temporales.
Figura 3
Correlograma ACF de la serie temporal de demanda mensual industrial
Nota. Elaboración propia a partir del análisis de autocorrelación realizado en R.
Posteriormente, se analizó la función de autocorrelación parcial (PACF), con el propósito de
identificar la relación directa entre la demanda y sus rezagos, eliminando el efecto intermedio de los
períodos anteriores. Este análisis permitió determinar la contribución específica de cada rezago en el
comportamiento de la serie temporal. Los resultados se presentan en la figura 4.
En la figura 4 se identifican rezagos significativos en los primeros períodos, lo que sugiere la
presencia de un componente autorregresivo en la serie. Este comportamiento indica que la demanda
actual puede explicarse parcialmente a partir de valores anteriores cercanos en el tiempo. En
consecuencia, estos resultados justifican la incorporación de términos autorregresivos dentro de la
estructura del modelo ARIMA.
Figura 4
Correlograma PACF de la serie temporal de demanda mensual industrial
Nota. Elaboración propia a partir del análisis de autocorrelación parcial realizado en R.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (992-1006)
ISSN: 2960-8317
Juan Diego Erazo Rodríguez, Oscar Rafael Tinoco Gomez, Byron Daniel Erazo Rodríguez, Vanessa Lorena Valverde González 999
De manera complementaria, la presencia de patrones en los rezagos asociados al ciclo mensual
permitió considerar la existencia de un componente estacional. Este comportamiento es consistente
con lo observado en la descomposición de la serie, donde se identificaron fluctuaciones periódicas
dentro del horizonte analizado. Por ello, el análisis conjunto de la ACF y la PACF respaldó la
evaluación de modelos ARIMA estacionales, capaces de capturar tanto la dependencia de corto plazo
como la recurrencia mensual de la demanda.
Ajuste y selección del modelo ARIMA
Una vez analizada la estructura temporal de la demanda mensual industrial mediante la
descomposición de la serie, el correlograma ACF y el correlograma PACF, se procedió al ajuste de
modelos ARIMA en R. Esta fase tuvo como finalidad identificar una estructura estadística capaz de
representar adecuadamente el comportamiento histórico de la demanda y generar pronósticos útiles
para la planificación de la producción. En este contexto, se evaluaron múltiples especificaciones del
modelo.
El proceso de modelado consideró distintas combinaciones de parámetros autorregresivos, de
diferenciación y de media móvil, evaluando además componentes estacionales debido a las
fluctuaciones recurrentes en ciclos mensuales identificadas previamente. El modelo seleccionado fue
el SARIMA(1,0,1)(1,0,0)[12], el cual incorpora componentes autorregresivos y de media móvil no
estacionales, junto con un componente autorregresivo estacional de periodicidad anual. Este modelo
permitió capturar las fluctuaciones repetitivas observadas dentro de cada ciclo mensual de la serie de
demanda industrial.
De acuerdo con los resultados presentados en la tabla 2, el modelo SARIMA(1,0,1)(1,0,0)[12]
presentó indicadores de error bajos, con un MAE de 2,77 unidades, un RMSE de 3,47 unidades y un
MAPE de 0,09 %. Estos resultados evidencian una adecuada capacidad de ajuste al comportamiento
histórico de la demanda. Desde una perspectiva industrial, este nivel de precisión contribuye a mejorar
la programación de la producción, reducir excesos de inventario y disminuir el riesgo de
desabastecimiento.
Tabla 2
Indicadores de ajuste y validación del modelo
Indicador Valor
Modelo seleccionado SARIMA(1,0,1)(1,0,0)[12]
AIC 228,30
BIC 234,52
MAE 2,77
RMSE 3,47
MAPE 0,09 %
Ljung-Box p-valor 0,2265
Nota. Elaboración propia a partir del modelo estimado en R.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (992-1006)
ISSN: 2960-8317
Juan Diego Erazo Rodríguez, Oscar Rafael Tinoco Gomez, Byron Daniel Erazo Rodríguez, Vanessa Lorena Valverde González 1000
La prueba de Ljung-Box presentó un valor p de 0,2265, superior al nivel de significancia de 0,05, lo
que indica la ausencia de autocorrelación significativa en los residuos. Este resultado sugiere que el
modelo SARIMA capturó adecuadamente la dependencia temporal de la serie, dado que los residuos
se comportan de manera consistente con un proceso de ruido blanco.
Comparación entre demanda observada y demanda ajustada mediante ARIMA estacional
Una vez seleccionado el modelo SARIMA(1,0,1)(1,0,0)[12], se compararon los valores observados con
los ajustados con el fin de verificar que la estructura seleccionada reproducía adecuadamente la
tendencia y las fluctuaciones mensuales de la serie. Este procedimiento permitió evaluar la capacidad
del modelo para representar el comportamiento histórico de la demanda.
En la figura 5 se observa que la curva ajustada reproduce de manera adecuada el crecimiento
progresivo de la serie, así como sus variaciones recurrentes. Este comportamiento es consistente con
los indicadores presentados en la tabla 2, donde los valores reducidos de MAE, RMSE y MAPE
confirman la precisión del modelo. La ausencia de desviaciones persistentes refuerza la validez del
ajuste y respalda su aplicación en contextos de planificación de la producción. En este sentido, el
modelo se consolida como una herramienta para anticipar requerimientos futuros, definir volúmenes
de producción y coordinar recursos, sirviendo como base para la estimación de la demanda en los 12
meses siguientes.
Figura 5
Comparación entre demanda observada y demanda ajustada mediante ARIMA estacional
Nota. Elaboración propia a partir del ajuste del modelo ARIMA estacional en R.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (992-1006)
ISSN: 2960-8317
Juan Diego Erazo Rodríguez, Oscar Rafael Tinoco Gomez, Byron Daniel Erazo Rodríguez, Vanessa Lorena Valverde González 1001
Pronóstico de demanda para 12 meses futuros
Con el modelo SARIMA(1,0,1)(1,0,0)[12] se generó el pronóstico de demanda para los 12 meses
siguientes, proyectando el comportamiento esperado de la demanda mensual industrial como insumo
para la planificación de la producción, programación de la capacidad y estimación anticipada de
requerimientos de materiales. Este proceso permitió extender el análisis histórico hacia un horizonte
de predicción operativo.
En la figura 6 se observa la continuidad entre la serie histórica y el horizonte proyectado de 12
meses, donde la línea de pronóstico mantiene una tendencia creciente coherente con el
comportamiento histórico. Este resultado evidencia la consistencia del modelo en la proyección de la
dinámica de la demanda y su utilidad para la toma de decisiones en la planificación de la producción.
Figura 6
Pronóstico de demanda industrial para 12 meses futuros mediante ARIMA estacional
Nota. Elaboración propia a partir del pronóstico generado mediante el modelo ARIMA estacional en R.
Análisis de escenarios de planificación mediante simulación Monte Carlo
Con el fin de fortalecer la utilidad operativa del pronóstico SARIMA(1,0,1)(1,0,0)[12], se desarrolló una
simulación Monte Carlo sobre los 12 meses futuros, incorporando la incertidumbre de la demanda
proyectada mediante escenarios basados en percentiles. Además, tomando como referencia los valores
pronosticados y los intervalos de confianza al 95 %, se estimaron escenarios conservadores, base y alto,
de modo que la planificación productiva considerara un rango de posibles comportamientos y no
dependiera exclusivamente de un valor puntual. Este enfoque permitió ampliar la interpretación
determinística del modelo hacia un análisis probabilístico.
En la figura 7 se observa la trayectoria esperada de la demanda junto con los escenarios
probabilísticos de la simulación Monte Carlo, evidenciando que la demanda futura no debe
interpretarse como un valor fijo, sino como un conjunto de posibles resultados sujetos a variabilidad.
El escenario conservador permitió evitar sobreproducción, el escenario base sirvió como referencia
para el plan mensual y el escenario alto anticipó períodos de mayor requerimiento de capacidad,
materiales y mano de obra. Asimismo, los meses 69, 71 y 72 presentaron los valores más elevados y
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (992-1006)
ISSN: 2960-8317
Juan Diego Erazo Rodríguez, Oscar Rafael Tinoco Gomez, Byron Daniel Erazo Rodríguez, Vanessa Lorena Valverde González 1002
deben considerarse críticos en la programación productiva, requiriendo previsión anticipada de
recursos. De esta forma, la simulación Monte Carlo complementa el modelo ARIMA al incorporar una
lectura probabilística que reduce el riesgo de decisiones basadas únicamente en valores promedio.
Figura 7
Escenarios de demanda futura mediante simulación Monte Carlo aplicada al pronóstico ARIMA
Nota. Elaboración propia a partir de la simulación Monte Carlo aplicada al pronóstico ARIMA estacional en R.
Implicaciones del pronóstico en la planificación de la producción
Los resultados evidencian que el modelo SARIMA(1,0,1)(1,0,0)[12], complementado con simulación
Monte Carlo, transforma la demanda histórica en información útil para la planificación productiva. El
pronóstico proporciona una referencia mensual de volúmenes futuros, mientras que los escenarios
incorporan la incertidumbre asociada, permitiendo la toma de decisiones bajo diferentes niveles de
planificación. Este enfoque facilita la gestión anticipativa de la producción al integrar información
determinística y probabilística.
La tendencia creciente identificada, con mayores requerimientos hacia los meses finales del
horizonte de análisis, implica la necesidad de anticipar la capacidad productiva, el abastecimiento de
materiales y la disponibilidad de mano de obra en los períodos críticos. En conjunto, la integración
ARIMA–Monte Carlo fortalece la planificación al facilitar una gestión basada en datos, reduciendo el
riesgo de sobreproducción, desabastecimiento e ineficiencias operativas.
4. Discusión
El modelo SARIMA(1,0,1)(1,0,0)[12] permitió representar el comportamiento histórico de la demanda
y generar una proyección de 12 meses con utilidad operativa. Este resultado es consistente con Wang
et al. (2021), quienes evidencian que los modelos ARIMA mantienen relevancia por su capacidad para
modelar la estructura temporal de la demanda, y con Borucka (2023), quien destaca la pertinencia de
los modelos estacionales ante fluctuaciones periódicas en la cadena de suministro. La aplicación del
modelo en R permitió transformar la serie histórica en información cuantitativa para la toma de
decisiones productivas, en línea con Dieny & Sutrisno (2026), quienes evidencian la utilidad de ARIMA
y SARIMA en la planificación de la producción, y con Kubek & Więcek (2025), quienes señalan que
estos enfoques fortalecen el pronóstico en sistemas con alta variabilidad.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (992-1006)
ISSN: 2960-8317
Juan Diego Erazo Rodríguez, Oscar Rafael Tinoco Gomez, Byron Daniel Erazo Rodríguez, Vanessa Lorena Valverde González 1003
La precisión obtenida mediante MAE, RMSE y MAPE confirma la importancia de evaluar modelos
predictivos mediante criterios objetivos de desempeño. Este hallazgo es coherente con Makridakis et
al. (2022), quienes enfatizan que la comparación de modelos debe sustentarse en métricas de error
estandarizadas y comparables. Asimismo, Więcek et al. (2024) sostienen que las características
estructurales de una serie temporal influyen directamente en la efectividad del método de pronóstico
seleccionado. En este sentido, los resultados refuerzan la necesidad de validar estadísticamente los
modelos antes de su implementación operativa.
Aunque el uso de modelos de aprendizaje automático y aprendizaje profundo ha aumentado en los
últimos años, los resultados evidencian que ARIMA continúa siendo una alternativa válida cuando se
requiere interpretabilidad, estabilidad estadística y facilidad de implementación. Ma et al. (2023)
comparan modelos de aprendizaje profundo con SARIMA en cadenas de suministro, mientras que
Alqatawna et al. (2023) integran ARIMA, SARIMAX y LSTM para estimar volúmenes operativos. Por
su parte, la simulación Monte Carlo amplió el enfoque determinístico del pronóstico al incorporar
escenarios probabilísticos, generando escenarios conservadores, base y alto. Este enfoque reconoce que
la demanda debe analizarse como un rango de posibles comportamientos y no como un valor puntual,
aspecto que Kummaraka & Srisuradetchai (2025) destacan al subrayar la importancia de cuantificar la
incertidumbre en series temporales.
Desde la perspectiva de la cadena de suministro, los hallazgos coinciden con Goel et al. (2024),
Aldahmani et al. (2024) y Abed (2024), quienes destacan que el pronóstico de demanda mejora la
coordinación de decisiones operativas al transformar datos históricos en información anticipativa,
reduciendo la dependencia de decisiones empíricas. Asimismo, Ghafour & Aljanabi (2023) y Rao et al.
(2025) vinculan el forecasting con la reducción de disrupciones y la asignación eficiente de recursos.
Estos resultados son coherentes con los meses de mayor demanda proyectada, donde se anticipan
presiones sobre la capacidad productiva y el abastecimiento.
La discusión permite reconocer que los enfoques predictivos avanzados pueden complementar
futuras investigaciones en el área. Niu et al. (2024) proponen modelos basados en redes
convolucionales de grafos, Lei et al. (2025) incorporan descomposición de series y mecanismos de
atención, Kozlovskyi et al. (2025) comparan ARIMA con Prophet y Random Forest, evidenciando que
la selección del modelo depende del comportamiento de la serie, la disponibilidad de datos y el
objetivo de decisión. Estas contribuciones sugieren que futuras investigaciones podrían comparar
ARIMA con modelos híbridos o de aprendizaje automático en entornos industriales similares.
El estudio presenta limitaciones relacionadas con el alcance temporal de los datos y la naturaleza
univariada del modelo, ya que la serie de 60 observaciones puede resultar insuficiente ante cambios
estructurales de largo plazo y no incorpora variables exógenas como precios, capacidad instalada o
condiciones macroeconómicas. Mbonyinshuti et al. (2024) y Fatima & Rahimi (2024) señalan que los
sistemas industriales pueden beneficiarse de enfoques multivariados y de una evaluación más amplia
de algoritmos ante comportamientos no lineales. Los escenarios Monte Carlo, por su parte, deben
interpretarse como apoyo a la planificación y no como predicciones exactas, al no sustituir un análisis
probabilístico más robusto de riesgos operativos o restricciones de capacidad.
En consecuencia, futuras investigaciones podrían incorporar ARIMAX o SARIMAX, así como
comparar ARIMA con Prophet, Random Forest y LSTM, además de evaluar el impacto del pronóstico
en indicadores como nivel de inventario, cumplimiento del plan maestro y utilización de capacidad.
Esta línea es reforzada por Sifuentes-Domínguez et al. (2026), quienes destacan la importancia de
integrar modelos estadísticos con herramientas de planificación para fortalecer la toma de decisiones
industriales.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (992-1006)
ISSN: 2960-8317
Juan Diego Erazo Rodríguez, Oscar Rafael Tinoco Gomez, Byron Daniel Erazo Rodríguez, Vanessa Lorena Valverde González 1004
5. Conclusiones
El modelo SARIMA(1,0,1)(1,0,0)[12], ajustado mediante R, demostró una adecuada capacidad para
capturar la estructura temporal de la demanda mensual industrial, con indicadores de error reducidos
y residuos sin autocorrelación significativa. En este sentido, el pronóstico generado para los 12 meses
futuros constituye un insumo técnico concreto para la programación de la producción, la planificación
de la capacidad y el abastecimiento de materiales. Este resultado permite transitar de una planificación
reactiva hacia una gestión predictiva y anticipativa basada en datos, fortaleciendo la toma de
decisiones operativas.
La integración de la simulación Monte Carlo amplió la utilidad del modelo ARIMA al transformar
el pronóstico puntual en escenarios probabilísticos de demanda. Este enfoque proporcionó rangos de
decisión conservadores, base y altos, lo que permitió incorporar explícitamente la incertidumbre en el
proceso de planificación productiva. En consecuencia, se obtuvo una visión más robusta del
comportamiento futuro de la demanda, reduciendo el riesgo de sobreproducción, desabastecimiento e
ineficiencias operativas en la gestión de inventarios y capacidad.
El estudio presenta una metodología replicable para empresas industriales con registros históricos
de demanda, demostrando que herramientas estadísticas accesibles como ARIMA y simulación Monte
Carlo pueden generar valor operativo real en contextos de planificación de la producción. Como línea
futura de investigación, se recomienda comparar este enfoque con modelos híbridos, técnicas de
aprendizaje automático y variables exógenas, evaluando su impacto en indicadores productivos como
niveles de inventario, cumplimiento del plan maestro de producción y eficiencia de recursos.
Referencias
Abed, A. (2024). Accelerate demand forecasting by hybridizing CatBoost with the dingo optimization
algorithm to support supply chain conceptual framework precisely. Frontiers in Sustainability,
5, 1388771. https://doi.org/10.3389/frsus.2024.1388771
Aldahmani, E., Alzubi, A., & Iyiola, K. (2024). Demand forecasting in supply chain using uni-
regression deep approximate forecasting model. Applied Sciences, 14(18), 8110.
https://doi.org/10.3390/app14188110
Alqatawna, J., Abu-Salih, B., Obeid, N., & Almiani, M. (2023). Incorporating time-series forecasting
techniques to predict logistics companies’ staffing needs and order volume. Computation, 11(7),
141. https://doi.org/10.3390/computation11070141
Borucka, A. (2023). Seasonal methods of demand forecasting in the supply chain as support for the
company’s sustainable growth. Sustainability, 15(9), 7399. https://doi.org/10.3390/su15097399
Dieny, A., & Sutrisno, T. (2026). Production planning forecasting using seasonal and non-seasonal
ARIMA method with Minitab applications: Study case: DC Company. Journal of Economics and
Management Sciences, 8(2), 394–403. https://doi.org/10.37034/jems.v8i2.259
Fatima, S., & Rahimi, A. (2024). A review of time-series forecasting algorithms for industrial
manufacturing systems. Machines, 12(6), 380. https://doi.org/10.3390/machines12060380
Ghafour, K., & Aljanabi, A. (2023). The role of forecasting in preventing supply chain disruptions
during the COVID-19 pandemic: A distributor-retailer perspective. Operations Management
Research, 16(2), 780–793. https://doi.org/10.1007/s12063-022-00327-y
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (992-1006)
ISSN: 2960-8317
Juan Diego Erazo Rodríguez, Oscar Rafael Tinoco Gomez, Byron Daniel Erazo Rodríguez, Vanessa Lorena Valverde González 1005
Goel, L., Nandal, N., Gupta, S., & Karanam, M. (2024). Revealing the dynamics of demand forecasting
in supply chain management: A holistic investigation. Cogent Engineering, 11(1), 2368104.
https://doi.org/10.1080/23311916.2024.2368104
Kozlovskyi, S., Kulinich, T., Duszyński, M., Popovskyi, T., Dluhopolska, T., Kornatka, A., & Popovskyi,
Y. (2025). Forecasting demand for eco-friendly vehicles using machine learning technologies in
the era of Management 5.0. Sustainability, 17(10), 4429. https://doi.org/10.3390/su17104429
Kubek, D., & Więcek, P. (2025). Hybrid demand forecasting in fuel supply chains: ARIMA with non-
homogeneous Markov chains and feature-conditioned evaluation. Energies, 18(22), 6044.
https://doi.org/10.3390/en18226044
Kummaraka, U., & Srisuradetchai, P. (2025). Monte Carlo dropout neural networks for forecasting
sinusoidal time series: Performance evaluation and uncertainty quantification. Applied Sciences,
15(8), 4363. https://doi.org/10.3390/app15084363
Lei, C., Zhang, H., Wang, Z., & Miao, Q. (2025). Deep learning for demand forecasting: A framework
incorporating variational mode decomposition and attention mechanism. Processes, 13(2), 594.
https://doi.org/10.3390/pr13020594
Ma, S., Li, Y., Tong, Y., & Feng, Y. (2023). Deep learning combinatorial models for intelligent supply
chain demand forecasting. Biomimetics, 8(3), 312. https://doi.org/10.3390/biomimetics8030312
Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2022). M5 accuracy competition: Results, findings,
and conclusions. International Journal of Forecasting, 38(4), 1346–1364.
https://doi.org/10.1016/j.ijforecast.2021.11.013
Mbonyinshuti, F., Nkurunziza, J., Niyobuhungiro, J., & Kayitare, E. (2024). Health supply chain
forecasting: A comparison of ARIMA and LSTM time series models for demand prediction of
medicines. Acta Logistica, 11(2), 269–280. https://doi.org/10.22306/al.v11i2.510
Niu, T., Zhang, H., Yan, X., & Miao, Q. (2024). Intricate supply chain demand forecasting based on
graph convolutional networks. Sustainability, 16(21), 9608. https://doi.org/10.3390/su16219608
Rao, H., Li, J., & Sun, X. (2025). Demand forecasting and allocation optimization of green power grid
supply chain based on machine learning algorithm: A study based on the whole-process data
of power grid materials. Sustainability, 17(3), 1247. https://doi.org/10.3390/su17031247
Sifuentes-Domínguez, S., Mejia-Muñoz, J, Cruz-Mejia, O., Pizarro-Gurrola, R., Domínguez-Flores, A.,
& Ortega-Máynez, L. (2026). Predicting demand in supply chain management: A decision
support system using graph convolutional networks. Future Internet, 18(1), 26.
https://doi.org/10.3390/fi18010026
Wang, C., Chien, C., & Trappey, A. (2021). On the application of ARIMA and LSTM to predict order
demand based on short lead time and on-time delivery requirements. Processes, 9(7), 1157.
https://doi.org/10.3390/pr9071157
Więcek, P., Kubek, D., & Szkutnik, J. (2024). The impact time series selected characteristics on
forecasting methods effectiveness. Energies, 17(16), 4163. https://doi.org/10.3390/en17164163
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (992-1006)
ISSN: 2960-8317
Juan Diego Erazo Rodríguez, Oscar Rafael Tinoco Gomez, Byron Daniel Erazo Rodríguez, Vanessa Lorena Valverde González 1006
Transparencia
Conflicto de interés
Los autores declaran que no existen conflictos de interés de naturaleza alguna como parte de la
presente investigación.
Fuente de financiamiento
Los autores financiaron completamente la investigación.
Contribución de autoría
Juan Diego Erazo Rodríguez: Conceptualización, software, validación, análisis formal, investigación,
gestión de datos, visualización, redacción - preparación del borrador original, redacción - revisión y
edición, financiamiento, administración del proyecto, supervisión.
Oscar Rafael Tinoco Gomez: Conceptualización, metodología, validación, análisis formal,
investigación, visualización, redacción - preparación del borrador original, redacción - revisión y
edición, financiamiento, recursos, supervisión.
Byron Daniel Erazo Rodríguez: Conceptualización, análisis formal, investigación, gestión de datos,
redacción - preparación del borrador original, redacción - revisión y edición, financiamiento, recursos.
Vanessa Lorena Valverde González: Conceptualización, análisis formal, investigación, gestión de
datos, redacción - preparación del borrador original, redacción - revisión y edición, financiamiento.
Los autores contribuyeron activamente en el análisis de los resultados, revisión y aprobación del
manuscrito final.
