Air Passengers

Contexto

La base de datos AirPassengers contiene el número mensual de pasajeros aéreos internacionales entre 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") #Para generar gráficas con mejor diseño
library(ggplot2)
#install.packages("forecast") #Para revisar tendencias y generar pronósticos
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 4 componentes de las series de tiempo son:

• Tendencia: Ej. Ventas de una tienda en línea debido al crecimiento del comercio electrónico.
• Ciclo: Ej. Las fluctiaciones en las ventas de automóvil 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 = "purple")+
  labs(title="Número de 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 datostiene tendencia creciente y patrón estacional

Generar pronósticos

#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="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

df_prediccion[df_prediccion$Fecha == 1961.167, ] #Marzo de 1961

## [1] Fecha      Prediccion
## <0 rows> (or 0-length row.names)