AirPassengers

Contexto

La base de datos AirPassengers contiene el número mensual de pasajeros aéreos internacionales entre 1949 y 1960 (144 observaciones mensuales).
Esta base de datos es ampliamente utilizado 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 librerias

#install.packages("ggplot2")#Para generar gráficas con mejor diseño
library(ggplot2)
#install.packages("forecast")#Para revisar tendencias y generar pronósticos
library(forecast)

Importar bases de datos

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

Identificar patrones o tendencias

Los 4 componentes de las series de tiempo (tipos de patrones) son:

• Tendencia: Ej. Aumento de 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 = "Numero de Pasajeros Aereos Internacionales", x="Anio", y="Numero")

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

Generar pronóstico

# 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 = "Numero de Pasajeros Aereos Internacionales", x="Anio", y="Numero")

# 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