AirPassengers

Contexto

La base de datos AirPassengers contiene el número mensual de pasajero aéreos intenracionales 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("tidyverse") #Paquete global para manipulación y análisis de datos
library(tidyverse)

## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.4     ✔ readr     2.1.5
## ✔ forcats   1.0.0     ✔ stringr   1.5.1
## ✔ ggplot2   3.5.1     ✔ tibble    3.2.1
## ✔ lubridate 1.9.3     ✔ tidyr     1.3.1
## ✔ purrr     1.0.2     
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors

#install.packages("forecast") #Para revisar tendencias y generar pronósticos
library(forecast)

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

#install.packages("ggplot2") #Para generar gráficas con mejor diseño
library(ggplot2)

Importar base de datos

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

Identifcar patrones o tendencias

Los 4 componentes de las series de tiempo son:

Tendencia: Ej. Aumento en las ventas de una tienda en línea debido al crecimiento del comercio electrónico. Ciclo: Ej. Las fluctuaciones en las ventas de automóviles a lo largo de los ciclos económicos (expansión y recesión). Patrón Estacional: Ej. Aumento en las ventas de juguetes durante la navidad. Aleatorio: Ej. Caída 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 Aéreos Internacionales", x="Año", y="Número")

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

Generar pronósticos

#Ajuste de 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="Pasajeros Aéreos Internacionales", x="Año", y="Número")

#Generar predicción para un mes en 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