Air Passangers

Contexto

La base de datos Air passanger contiene el numero mensual de pasajoeros aeroeos internacionales entre 1949 y 1960 (144 observaciones mensuales). Esta base de datos es ampliamente utilizada para el analisis de series de tiempo, reflejando el crecimiento der la industria de aviacion despues de la Segunda guerra mundial

Instalar paquetes y llamar librerias

#install.packages ("ggplot2")
library (ggplot2)
#install.packages ("forecast")
library (forecast)

## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo

Importar la base de datos

df <- as.data.frame(AirPassengers)
serie_de_tiempo <- AirPassengers

Identificar patrones o tendencias

Los 4 componentes de las series de tiempo son:

• Tendencia Ej. Aumento en las ventas de una tienda en linea debido al crecimiento del comercio electronico
• Ciclo Ej. Las flucutaciones en las ventas de automoviles a lo largo de los ciclos economicos
• Patron Estacional Ej. Aumento en las ventas de juguetes durante la navidad
• Aleatorio Ej. Caida de las ventas por un desastre natural

ggplot(df, aes(x=time(serie_de_tiempo), y=serie_de_tiempo)) +
  geom_line(color="darkgreen") +
  labs(title="Pasajeros Aereos Internacionales", x="Año", y="Numero")

## Don't know how to automatically pick scale for object of type <ts>. Defaulting
## to continuous.
## Don't know how to automatically pick scale for object of type <ts>. Defaulting
## to continuous.

Podemos concluir de la grafica anterior que la base de datos tiene tendencia creciente y un patron estacional.

Generar pronostico

modelo <- auto.arima(serie_de_tiempo)

pronostico <- forecast(modelo, h=12)

autoplot(pronostico) +
  labs(title="Pasajeros Aereos Internacionales", x="Año", y="Numero")

df_prediccion <- data.frame(Fecha = time(pronostico$mean), prediccion = as.numeric(pronostico$mean))

df_prediccion[df_prediccion$Fecha == 1961.0, ]

##   Fecha prediccion
## 1  1961   445.6349