1.Considere la información del PIB en global_economy. Grafique el PIB per cápita de cada país a lo largo del tiempo.

global_economy |> 
autoplot(GDP/Population, show.legend=FALSE) +
  labs(title= "GDP per capita", y = "$US")
## Warning: Removed 3242 rows containing missing values (`geom_line()`).

¿Qué país tiene el PIB per cápita más alto? ¿Cómo ha cambiado esto con el tiempo?

gbe <-global_economy |> 
  mutate(PIB=GDP/Population)|> 
  select(Country, PIB)|> 
  arrange(desc(PIB))
## Warning: Current temporal ordering may yield unexpected results.
## ℹ Suggest to sort by `Country`, `Year` first.
gbe
## # A tsibble: 15,150 x 3 [1Y]
## # Key:       Country [263]
##    Country           PIB  Year
##    <fct>           <dbl> <dbl>
##  1 Monaco        185153.  2014
##  2 Monaco        180640.  2008
##  3 Liechtenstein 179308.  2014
##  4 Liechtenstein 173528.  2013
##  5 Monaco        172589.  2013
##  6 Monaco        168011.  2016
##  7 Liechtenstein 167591.  2015
##  8 Monaco        167125.  2007
##  9 Liechtenstein 164993.  2016
## 10 Monaco        163369.  2015
## # ℹ 15,140 more rows

Podemos observar que Monaco es el que tiene mayor per Cápital.

gbe |>  group_by_key(Year)|>
   slice (which.max (PIB))
## Warning: Current temporal ordering may yield unexpected results.
## ℹ Suggest to sort by `Country`, `Year` first.
## # A tsibble: 256 x 3 [1Y]
## # Key:       Country [256]
## # Groups:    Country [256]
##    Country                PIB  Year
##    <fct>                <dbl> <dbl>
##  1 Afghanistan           649.  2012
##  2 Albania              4579.  2014
##  3 Algeria              5565.  2012
##  4 American Samoa      12058.  2009
##  5 Andorra             48583.  2007
##  6 Angola               5413.  2014
##  7 Antigua and Barbuda 14803.  2017
##  8 Arab World           7511.  2013
##  9 Argentina           14398.  2017
## 10 Armenia              4010.  2008
## # ℹ 246 more rows

Se puede observar en que años se registraron los máximos de cada país.

2.Para cada una de las siguientes series, haz una gráfica de los datos. Si transformarse parece apropiado, hágalo y describa el efecto.

  1. PIB de Estados Unidos desde global_economy.
global_economy |>
  filter(Country == "United States") |>
  autoplot(GDP/Population ) +
  labs(title= "GDP per capita", y = "$US")

Se calculó un ajuste poblacional para tener en cuenta el efecto de la población total sobre el PIB de Estados Unidos, obteniendo así el PIB con un valor más preciso para cada año.

  1. Matanza de “Bulls, bullocks and steers” victorianos en aus_livestock.
aus_livestock |>
  filter(Animal == "Bulls, bullocks and steers" &
           State == "Victoria") %>%
  mutate(Dailymonth = Count / days_in_month(Month)) |>
  autoplot(Dailymonth) +
  labs(title= "Slaughter of Victorian Bulls, bullocks and steers", y = "Promedio diario por Mes")

Se calculó un ajuste de calendario con “days_in_month” para calcular el promedio diario de cada mes en lugar de los totales mensuales sin procesar. Este ajuste tiene en cuenta el diferente número de días de cada mes.

  1. Demanda de electricidad en Victoria de vic_elec.
vc_tib <- as_tibble(vic_elec)|>
  select(-c(Time))
vc_tib
## # A tibble: 52,608 × 4
##    Demand Temperature Date       Holiday
##     <dbl>       <dbl> <date>     <lgl>  
##  1  4383.        21.4 2012-01-01 TRUE   
##  2  4263.        21.0 2012-01-01 TRUE   
##  3  4049.        20.7 2012-01-01 TRUE   
##  4  3878.        20.6 2012-01-01 TRUE   
##  5  4036.        20.4 2012-01-01 TRUE   
##  6  3866.        20.2 2012-01-01 TRUE   
##  7  3694.        20.1 2012-01-01 TRUE   
##  8  3562.        19.6 2012-01-01 TRUE   
##  9  3433.        19.1 2012-01-01 TRUE   
## 10  3359.        19.0 2012-01-01 TRUE   
## # ℹ 52,598 more rows
vc_tsib <- vc_tib |>
  group_by(Date) |>
  summarise(DailyTotal = sum(Demand)) |>
  mutate(Date = as_date(Date)) |>
  as_tsibble(index = Date, key = DailyTotal)
vc_tsib
## # A tsibble: 1,096 x 2 [1D]
## # Key:       DailyTotal [1,096]
##    Date       DailyTotal
##    <date>          <dbl>
##  1 2012-12-25    161104.
##  2 2014-10-05    165568.
##  3 2014-12-26    166734.
##  4 2014-12-25    167042.
##  5 2013-12-29    168178.
##  6 2012-12-26    169492.
##  7 2014-01-05    169733.
##  8 2012-12-30    169899.
##  9 2013-10-06    171519.
## 10 2014-03-16    173036.
## # ℹ 1,086 more rows
vc_tsib |>
  ggplot(aes(x = Date, y = DailyTotal)) +
  geom_line() +
  labs(title = "Demanda de Electricidad",
       subtitle = "Victoria, Australia",
       y = "Total diario (en megawatts)")

Se calculó un ajuste de calendario sumando los totales de demanda diaria para cada fecha. Para visualizar los datos de mejor forma, sumé todos los incrementos de un día determinado y, por lo tanto, tracé la demanda diaria total a lo largo de tres años. Este gráfico ofrece una mejor visión de los cambios estacionales en la demanda de electricidad y también un valor atípico a principios de 2014. Sospecho que ocurrió algún tipo de evento climático extraño en Victoria, Australia en ese momento.

  1. Producción de gas de aus_production.
#En caso de que no tengas intalado el paquete de latex2exp solo correlo y ya queda.
#install.packages("latex2exp")
lambda <- aus_production |>
  features(Gas, features = guerrero) |>
  pull(lambda_guerrero)
aus_production |>
  autoplot(box_cox(Gas, lambda)) +
  labs(y = "",
       title = latex2exp::TeX(paste0(
         "Transformación de producción de gas con $\\lambda$ = ",
         round(lambda,2))))

3. ¿Por qué una transformación Box-Cox no es útil para los canadian_gasdatos?

canadian_gas |>
  autoplot(Volume) +
  labs(title= "Producción de Gas Mensual", y = "Mil millones de metros cúbicos ")

Las transformaciones de Box-Cox no son útiles para canadian_gas porque la variación estacional ya es aproximadamente la misma en toda la serie, excepto en los años 1978-1990, en los que la variación estacional aumenta. La transformación disminuye el impacto de las grandes oscilaciones estacionales entre 1978 y 1990.