airpassengers

Contexto de la Base de Datos

La base de datos Airpassangers contiene el número mensual de pasajeros aéreos internacionales entre 1949 y 1960 (144 observaciones mensuales). Esta base de datos es ampliamente utilizada para el análisis de series de tiempo, reflejando el crecimiento de la industria de la aviación comercial después de la Segunda Guerra Mundial.

Instalar paquetes y llamar librerías

#install.packages ("ggplot2")
library (ggplot2)
#install.packages("forecast") #Para identificar tendencias y series de tiempo.
library (forecast) 

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

Importar base de datos

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

Identificar patrones o tendencias

Los componentes de las series de tiempo son:

Tendencia Aumento en las ventas de una tienda en línea debido al crecimiento del e-commerce.

Ciclo Las fluctuaciones de ventas de automóviles a lo largo de los ciclos económicos (expansión y recesión).

Patrón Estacional Aumento en las ventas de juguetes durante la navidad y día del niño.

Aleatorio Caída de ventas por un desastre natural.

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

Podemos concluir de la gráfica anterior que la base de datos tiene tendencia creciente y patrón estacional.

#Ajuste del modelo
modelo<- auto.arima (serie_de_tiempo)

#Realizar pronóstico a 12 meses
pronostico<- forecast (modelo, h=12)

#Graficar datos históricos y el pronóstico
autoplot (pronostico)+
    labs (title= "Número de Pasajeros Aéreos Internacionales", x= "Año", y= "Número")

#Generar predicción para un mes específico
df_prediccion <- data.frame (Fecha= time(pronostico$mean), Prediccion = as.numeric (pronostico$mean))

df_prediccion [df_prediccion$Fecha== 1961.0, ] #Enero de 1961

##   Fecha Prediccion
## 1  1961   445.6349