SeriesT

Tabla de datos

data <- data.frame(
  Year = c(2005, 2005, 2006, 2006, 2006, 2006, 2006, 2006, 2006, 2006, 2006),
  Month = c(11, 12, 1, 2, 3, 4, 5, 6, 7, 8, 9),
  Temp = c(6.1, 5.2, 7.2, 5.5, 7.6, 10.0, 13.2, 16.4, 18.0, 16.9, 14.6)
)

series de tiempo

library(forecast)

## Warning: package 'forecast' was built under R version 4.4.2

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

library(ggplot2)

## Warning: package 'ggplot2' was built under R version 4.4.2

St_data <- ts(data$Temp, start = c(2005, 11), frequency = 12)

Modelo exponencial utilizando la funcion ets

# funcion
fit <- ets(St_data)


summary(fit)

## ETS(A,N,N) 
## 
## Call:
## ets(y = St_data)
## 
##   Smoothing parameters:
##     alpha = 0.9999 
## 
##   Initial states:
##     l = 5.967 
## 
##   sigma:  2.2957
## 
##      AIC     AICc      BIC 
## 48.45220 51.88077 49.64588 
## 
## Training set error measures:
##                     ME     RMSE      MAE      MPE     MAPE MASE      ACF1
## Training set 0.7849212 2.076529 1.875782 5.796637 18.61027  NaN 0.2674166

Prediccion de la temperatura para los dos meses que siguen

forecast_data <- forecast(fit, h = 2)


print(forecast_data)

##          Point Forecast    Lo 80    Hi 80    Lo 95    Hi 95
## Oct 2006       14.60023 11.65819 17.54227 10.10076 19.09970
## Nov 2006       14.60023 10.43976 18.76070  8.23734 20.96312

autoplot(forecast_data) +
  ggtitle("Predicción  para los dos meses que siguen") +
  xlab("Tiempo") +
  ylab("Temperatura")

Analisis

la caracteristica principal del modelo exponencial es “si los datos muestran una tendencia o estacionalidad que cambia con el tiempo”. Por eso lo utilizamos en este estudio; podemos analisar en los resultados que los valores pronosticados para los dos meses siguientes se basan en la tendencia observada historicamente y el modelo logra capturar la tendencia general de la temperatura y proporciona predicciones razonables para el corto plazo .