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 librerías

#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 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="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 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 historicos y el pronostico
autoplot(pronostico) +
  labs(title="Número de pasajeros aereos 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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