
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 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
librerias
# install.packages("ggplot2")
library(ggplot2)
# install.packages("forecast")
library(forecast)
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. Aumento en las ventas en linea 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. 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="Número de pasajeros aereos 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
tendendcia creciente y patrón
estacional
Generar pronóstico
# Ajuste del modelo
modelo <- auto.arima(serie_de_tiempo)
# Realizar pronóstico a 12 meses
pronostico <- forecast(modelo, h=12)
# Gráficar 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
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