Planificación de Inventarios & Inferencia de Demanda Semanal

import numpy as np
import pandas as pd
from scipy import stats

# ==============================================================================
# 1. SIMULACIÓN DE DEMANDA SEMANAL CON ESTACIONALIDAD, TENDENCIA Y ANOMALÍAS
# ==============================================================================
np.random.seed(42)
n_semanas = 572  # 11 años completos (>= 550 observaciones)
fechas = pd.date_range(start="2015-01-05", periods=n_semanas, freq="W-MON")
t = np.arange(n_semanas)

# Componentes de la serie
nivel_base = 47.0
tendencia = 0.015 * t
estacionalidad = 6.5 * np.sin(2 * np.pi * t / 52) + 2.5 * np.cos(4 * np.pi * t / 52)
ruido = np.random.normal(loc=0.0, scale=3.5, size=n_semanas)

demanda_limpia_teorica = nivel_base + tendencia + estacionalidad + ruido

df = pd.DataFrame({
    "fecha": fechas,
    "semana_idx": t,
    "demanda_cruda": np.round(demanda_limpia_teorica, 2)
})

# Inyección de 25 valores faltantes (NaN)
idx_nan = np.random.choice(df.index, size=25, replace=False)
df.loc[idx_nan, "demanda_cruda"] = np.nan

# Inyección de 15 valores atípicos (outliers)
idx_disp = list(set(df.index) - set(idx_nan))
idx_outliers = np.random.choice(idx_disp, size=15, replace=False)

for i, idx in enumerate(idx_outliers):
    if i < 10:
        df.loc[idx, "demanda_cruda"] += np.random.uniform(35, 60)
    else:
        df.loc[idx, "demanda_cruda"] = max(0.0, df.loc[idx, "demanda_cruda"] - np.random.uniform(30, 45))

df["demanda_cruda"] = df["demanda_cruda"].round(2)
df.to_csv("demanda_semanal_cruda.csv", index=False)
print("✔ Dataset crudo exportado: demanda_semanal_cruda.csv")

# ==============================================================================
# 2. PIPELINE DE LIMPIEZA & IMPUTACIÓN (IQR + INTERPOLACIÓN LINEAL)
# ==============================================================================
# Detección IQR
q1 = df["demanda_cruda"].quantile(0.25)
q3 = df["demanda_cruda"].quantile(0.75)
iqr = q3 - q1
lim_inf = q1 - 1.5 * iqr
lim_sup = q3 + 1.5 * iqr

mascara_outliers = (df["demanda_cruda"] < lim_inf) | (df["demanda_cruda"] > lim_sup)
df["demanda_tratada"] = df["demanda_cruda"].mask(mascara_outliers)

# Imputación de faltantes (interpolación temporal)
df["demanda_limpia"] = df["demanda_tratada"].interpolate(method="linear").ffill().bfill()
df.to_csv("demanda_semanal_limpia.csv", index=False)
print(f"✔ Outliers detectados: {mascara_outliers.sum()} | NaNs totales imputados: {df['demanda_tratada'].isna().sum()}")

# ==============================================================================
# 3. INFERENCIA ESTADÍSTICA: TEST DE HIPÓTESIS (H0: mu = 50 vs H1: mu != 50)
# ==============================================================================
mu_0 = 50.0
serie = df["demanda_limpia"]
n = len(serie)
x_bar = serie.mean()
s = serie.std(ddof=1)
se = s / np.sqrt(n)

t_stat, p_val = stats.ttest_1samp(serie, popmean=mu_0)
ic_inf, ic_sup = stats.t.interval(0.95, df=n-1, loc=x_bar, scale=se)

print("\n" + "="*50)
print(f"Demanda promedio observada (\u0078\u0304) : {x_bar:.2f} unidades")
print(f"Desviación estándar (s)       : {s:.2f}")
print(f"Estadístico t                 : {t_stat:.4f}")
print(f"p-valor                       : {p_val:.4e}")
print(f"Intervalo de Confianza 95%    : [{ic_inf:.2f} , {ic_sup:.2f}]")
print("="*50)

if p_val < 0.05:
    print("DECISIÓN: Se RECHAZA H0 al 95% de confianza.")
    print("RECOMENDACIÓN: La demanda promedio difiere significativamente de 50 unidades.")
else:
    print("DECISIÓN: No se rechaza H0 al 95% de confianza.")