Estimación de la demanda del yodo al mediano plazo

Abstract

El trabajo se enfoca en la predicción de la demanda de yodo utilizando dos modelos estadísticos principales: ARIMAX y Regresión Lineal Múltiple, analizando su efectividad y proporcionando recomendaciones basadas en los resultados obtenidos. El yodo, siendo un recurso crucial en varias industrias como la médica y la electrónica, presenta desafíos únicos debido a la falta de información pública detallada sobre su consumo. Este estudio aprovecha datos históricos y variables macroeconómicas para construir modelos que predicen la demanda futura de yodo. El modelo ARIMAX incorporó variables como el Producto Interno Bruto per cápita, el precio del yodo y la población mundial, mientras que el modelo de Regresión Lineal Múltiple se centró en una aproximación más directa basada en tendencias pasadas y factores económicos. A través de rigurosos métodos de validación y diagnóstico, ambos modelos demostraron ser herramientas eficaces, aunque con diferencias en su capacidad para manejar variabilidades externas. La comparación de los modelos sugiere que mientras el ARIMAX proporciona una mejor incorporación de variables externas, la Regresión Lineal Múltiple ofrece una simplicidad beneficiosa para ciertas aplicaciones predictivas. Las conclusiones del estudio no solo refuerzan la comprensión de la dinámica de la demanda de yodo sino que también ofrecen una base para la toma de decisiones estratégicas en SQM y otras entidades interesadas. Las recomendaciones se centran en la mejora continua de la recopilación de datos y la aplicación de modelos avanzados para una predicción más precisa y efectiva.

This thesis focuses on predicting iodine demand using two main statistical models: ARIMAX and Multiple Linear Regression, analyzing their effectiveness and providing insights based on the findings. Iodine, a critical resource in various industries including medical and electronics, poses unique challenges due to the lack of detailed public consumption data. This study utilizes historical data and macroeconomic variables to build models that forecast future iodine demand. The ARIMAX model incorporated variables such as per capita GDP, the iodine’s own price and global population, while the Multiple Linear Regression model focused on a more straightforward approach based on past trends and economic factors. Through rigorous validation and diagnostic methods, both models proved to be effective tools, albeit with differences in handling external variabilities. The comparison of the models suggests that while ARIMAX provides better integration of external variables, Multiple Linear Regression offers beneficial simplicity for certain predictive applications. The conclusions of the study not only reinforce the understanding of the dynamics of iodine demand but also provide a basis for strategic decision-making at SQM and other interested entities. Recommendations focus on continuous improvement of data collection and the application of advanced models for more accurate and effective forecasting.