Attaching package: 'plotly'
The following object is masked from 'package:ggplot2':
last_plot
The following object is masked from 'package:stats':
filter
The following object is masked from 'package:graphics':
layout
library(patchwork)
Global <- global_economy |>mutate(GDP_POB = GDP/Population)Global
# A tsibble: 15,150 x 10 [1Y]
# Key: Country [263]
Country Code Year GDP Growth CPI Imports Exports Population GDP_POB
<fct> <fct> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 Afghanist… AFG 1960 5.38e8 NA NA 7.02 4.13 8996351 59.8
2 Afghanist… AFG 1961 5.49e8 NA NA 8.10 4.45 9166764 59.9
3 Afghanist… AFG 1962 5.47e8 NA NA 9.35 4.88 9345868 58.5
4 Afghanist… AFG 1963 7.51e8 NA NA 16.9 9.17 9533954 78.8
5 Afghanist… AFG 1964 8.00e8 NA NA 18.1 8.89 9731361 82.2
6 Afghanist… AFG 1965 1.01e9 NA NA 21.4 11.3 9938414 101.
7 Afghanist… AFG 1966 1.40e9 NA NA 18.6 8.57 10152331 138.
8 Afghanist… AFG 1967 1.67e9 NA NA 14.2 6.77 10372630 161.
9 Afghanist… AFG 1968 1.37e9 NA NA 15.2 8.90 10604346 130.
10 Afghanist… AFG 1969 1.41e9 NA NA 15.0 10.1 10854428 130.
# ℹ 15,140 more rows
EJERCICIO 1
p <- Global |>autoplot(GDP_POB) +theme(legend.position ='none')ggplotly(p,dynamicTicks =TRUE) |>rangeslider()
# A tibble: 263 × 2
Country mean_gdppc
<fct> <dbl>
1 Monaco 163978.
2 Liechtenstein 162023.
3 Luxembourg 108327.
4 Norway 88913.
5 Bermuda 86347.
6 Switzerland 82544.
7 Isle of Man 80996.
8 Macao SAR, China 76201.
9 Qatar 75931.
10 Australia 59099.
# ℹ 253 more rows
¿Cómo ha sido la evolución de la economía de los países en el tiempo?
A través del tiempo, logramos notar que el PIB per cápita ha tenido un constante aumento, dándonos a entender que, tanto la población como la economía, ha ido creciendo. Esto se debe a diferentes factores como lo es el avance tecnológico, aumento en inversiones, acumulación de capital, etc.
¿Cuál país tiene el mayor PIB per cápita?
El país con mayor PIB per cápita es Mónaco.
EJERCICIO 2
PIB_USA <- Global |>filter(Country =="United States") |>select(-c(Country,GDP))PIB_USA
# A tsibble: 58 x 8 [1Y]
Code Year Growth CPI Imports Exports Population GDP_POB
<fct> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 USA 1960 NA 13.6 4.20 4.97 180671000 3007.
2 USA 1961 2.30 13.7 4.03 4.90 183691000 3067.
3 USA 1962 6.10 13.9 4.13 4.81 186538000 3244.
4 USA 1963 4.40 14.0 4.09 4.87 189242000 3375.
5 USA 1964 5.80 14.2 4.10 5.10 191889000 3574.
6 USA 1965 6.40 14.4 4.24 4.99 194303000 3828.
7 USA 1966 6.50 14.9 4.55 5.02 196560000 4146.
8 USA 1967 2.50 15.3 4.63 5.05 198712000 4336.
9 USA 1968 4.80 16.0 4.94 5.08 200706000 4696.
10 USA 1969 3.10 16.8 4.95 5.09 202677000 5032.
# ℹ 48 more rows
PIB_USA |>autoplot(GDP_POB)
PIB_USA |>autoplot(log(GDP_POB))
RESPUESTA
En este caso al aplicar la transformación logaritmica logramos que la grafica pase de percibirse como exponencial a una grafica lineal, lo cual hace que los datos dejen de estar tan inclindos hacpia un lado y pueda analizarse de mejor forma.
PIB_MEX <- Global |>filter(Country =="Mexico") |>select(-c(Country,GDP))PIB_MEX
Al igual que la grafica anterior, podemos observar que al inicio, los datos estan un poco sesgados y estan más hacía a derecha, casi dando la impresión de tener una grafica exponencial. Si aplicamos la tranformación logaritmica podemos obtener una grafica mucho más lineal y centralizada, dandonos un mejor manejo y analisis de los datos.
En este caso al aplicarle una transformación logaritmica, obtenemos una grafica casi igual a la orginal, donde lo unico que cambia son los ejes, por lo tanto, podemos decir que en esta gráfica no es del todo necesario aplicar ua tranformación para su comprendimiento.
La transformación box cox podemos utlizarla para que los datos puedan seguir una distribución normal y sea un poco más practica. En este ejemplo al aplicar la transformación podemos ver que sigue siendo casi igual la tabla, por lo cual no es del todo necesaria usar una tranformación para estos datos.
EJERCICIO 4
fma::plastics |>autoplot()+xlab("Años") +ylab("Ventas mensuales (medidas en miles)")+ggtitle("Ventas mensuales del producto A")
Registered S3 method overwritten by 'quantmod':
method from
as.zoo.data.frame zoo
RESPUESTA
Podemos observar que tiene una tendencia a la alza y tiene una estacionalidad anual.
plas <-as_tsibble(fma::plastics) plas
# A tsibble: 60 x 2 [1M]
index value
<mth> <dbl>
1 0001 ene. 742
2 0001 feb. 697
3 0001 mar. 776
4 0001 abr. 898
5 0001 may. 1030
6 0001 jun. 1107
7 0001 jul. 1165
8 0001 ago. 1216
9 0001 sep. 1208
10 0001 oct. 1131
# ℹ 50 more rows
dcmp_plast <- plas |>model( clasica =classical_decomposition(value, type ='multiplicative'))dcmp_plast_comp <-components(dcmp_plast) dcmp_plast_comp
# A dable: 60 x 7 [1M]
# Key: .model [1]
# : value = trend * seasonal * random
.model index value trend seasonal random season_adjust
<chr> <mth> <dbl> <dbl> <dbl> <dbl> <dbl>
1 clasica 0001 ene. 742 NA 0.767 NA 967.
2 clasica 0001 feb. 697 NA 0.710 NA 981.
3 clasica 0001 mar. 776 NA 0.777 NA 999.
4 clasica 0001 abr. 898 NA 0.910 NA 986.
5 clasica 0001 may. 1030 NA 1.04 NA 986.
6 clasica 0001 jun. 1107 NA 1.16 NA 957.
7 clasica 0001 jul. 1165 977. 1.16 1.02 1001.
8 clasica 0001 ago. 1216 977. 1.23 1.02 992.
9 clasica 0001 sep. 1208 977. 1.23 1.00 981.
10 clasica 0001 oct. 1131 978. 1.19 0.972 951.
# ℹ 50 more rows
Plot variable not specified, automatically selected `.vars = season_adjust`
RESPUESTA
Al tener un outlier, esto nos hace ver en la descomposición clásica que nos contamina tanto la tendencia como la estacionalidad, haciendo parecer que en vez de solo ser un dato atípico que solo afecta un periodo, esto modificara toda la estacionalidad, dando a entender que la estacionalidad es la misma en todos los periodos aunque no existe un valor atipico así de nuevo.
outlier_plastA_final <- plas |>mutate(value = value +500* (value ==1468))out_dcmp_plast_final <- outlier_plastA_final |>model( clasica=classical_decomposition(value, type ='multiplicative'))out_dcmp_comp_final <-components(out_dcmp_plast_final) out_dcmp_comp_final
# A dable: 60 x 7 [1M]
# Key: .model [1]
# : value = trend * seasonal * random
.model index value trend seasonal random season_adjust
<chr> <mth> <dbl> <dbl> <dbl> <dbl> <dbl>
1 clasica 0001 ene. 742 NA 0.759 NA 977.
2 clasica 0001 feb. 697 NA 0.703 NA 992.
3 clasica 0001 mar. 776 NA 0.768 NA 1010.
4 clasica 0001 abr. 898 NA 0.901 NA 997.
5 clasica 0001 may. 1030 NA 1.12 NA 918.
6 clasica 0001 jun. 1107 NA 1.14 NA 968.
7 clasica 0001 jul. 1165 977. 1.16 1.03 1004.
8 clasica 0001 ago. 1216 977. 1.22 1.02 996.
9 clasica 0001 sep. 1208 977. 1.23 1.01 984.
10 clasica 0001 oct. 1131 978. 1.19 0.975 954.
# ℹ 50 more rows
Plot variable not specified, automatically selected `.vars = season_adjust`
RESPUESTA
De igual forma al poner un outlier al fianl de la grafica nos puede contaminar tanto la tendencia como la estacionalidad, siendonos un poco más dificl poder analizar los datos, ya que todos los datos se ven afectos por un outlier.