Unidad 5: Análisis de serie de tiempo

1 Descripción de la clase

En esta clase introductoria sobre Series de Tiempo, aprenderás los conceptos fundamentales para analizar datos que varían en el tiempo. Utilizaremos el lenguaje R y herramientas como forecast y ggplot2 para explorar una serie real (AirPassengers), visualizar su comportamiento, descomponerla en sus componentes y aplicar un primer modelo de pronóstico: el suavizado exponencial simple. Esta clase sienta las bases para comprender y aplicar técnicas más avanzadas como modelos ARIMA.

2 ¿Qué es una serie de tiempo?

Una serie de tiempo es una secuencia de datos numéricos ordenados cronológicamente. Su análisis permite identificar patrones como tendencias, estacionalidades, ciclos o irregularidades, útiles para hacer pronósticos o entender fenómenos temporales.

Ejemplos comunes:

Ventas mensuales
Temperaturas diarias
Índices bursátiles
Niveles de contaminación horaria

3 Cargar paquetes necesarios

Código

# Instalar si no tienes estos paquetes
# install.packages("forecast")
# install.packages("ggplot2")

library(forecast)
library(ggplot2)

Explicación:
El paquete forecast permite aplicar modelos de predicción como ARIMA y suavizado exponencial. ggplot2 es una herramienta gráfica para visualizar las series de tiempo con alta calidad.

4 Ejemplo de serie de tiempo: Datos de AirPassengers

Código

data("AirPassengers")
class(AirPassengers)

[1] "ts"

Explicación:
Cargamos una serie de ejemplo incluida en R que representa el número mensual de pasajeros de avión desde 1949 hasta 1960. El objeto es de clase ts (time series).

5 Visualización de la serie

Código

autoplot(AirPassengers) +
  ggtitle("Pasajeros aéreos mensuales (1949-1960)") +
  xlab("Año") + ylab("Miles de pasajeros")

Explicación:
La gráfica muestra una tendencia creciente (más pasajeros con el tiempo) y una estacionalidad clara (los mismos patrones se repiten cada año, por ejemplo, picos en vacaciones).

6 Descomposición de la serie

Código

descomposicion <- decompose(AirPassengers)
autoplot(descomposicion)

Explicación:
El método decompose() divide la serie en tres componentes:

Tendencia: dirección general del cambio en el tiempo.
Estacionalidad: variaciones periódicas.
Ruido aleatorio: variaciones no explicadas.

Esta descomposición es útil para estudiar cada componente por separado.

7 Suavizado exponencial simple

Código

modelo_ses <- ses(AirPassengers, h=12)
autoplot(modelo_ses) +
  ggtitle("Pronóstico con Suavizado Exponencial Simple")

Explicación:
El suavizado exponencial simple es una técnica de pronóstico que da mayor peso a los datos más recientes. El parámetro h=12 indica que se proyectan los próximos 12 meses. Este modelo es apropiado para series sin estacionalidad ni tendencia, por lo que aquí se usa a modo introductorio.

8 Conclusión

En esta clase se estudiaron:

Qué es una serie de tiempo
Cómo cargar y visualizar datos temporales
Cómo descomponer una serie en sus componentes
Cómo aplicar un modelo básico de predicción

Esto prepara el terreno para el uso de modelos más sofisticados como ARIMA, Holt-Winters o modelos estructurales.

9 Referencias

Hyndman, R.J., & Athanasopoulos, G. (2021). Forecasting: Principles and Practice. https://otexts.com/fpp3/

--- title: "Unidad 5: Análisis de serie de tiempo" subtitle: "Clase 7" date: "2025-05-21" date-format: long description: En esta clase introductoria sobre Series de Tiempo, aprenderás los conceptos fundamentales para analizar datos que varían en el tiempo. author: name: Blás Antonio Benítez Cristaldo affiliation: Facultad de Ciencias Administrativas y Contables, UPE affiliation-url: https://upe.edu.py/ title-block-banner: "#2471A3" format: html: theme: journal toc: true number-sections: true code-fold: true code-tools: true warning: false link-external-newwindow: true lang: es editor: visual --- ```{r setup, include=FALSE} knitr::opts_chunk$set(echo = TRUE) ``` ## Descripción de la clase En esta clase introductoria sobre **Series de Tiempo**, aprenderás los conceptos fundamentales para analizar datos que varían en el tiempo. Utilizaremos el lenguaje R y herramientas como `forecast` y `ggplot2` para explorar una serie real (AirPassengers), visualizar su comportamiento, descomponerla en sus componentes y aplicar un primer modelo de pronóstico: el suavizado exponencial simple. Esta clase sienta las bases para comprender y aplicar técnicas más avanzadas como modelos ARIMA. ## ¿Qué es una serie de tiempo? Una **serie de tiempo** es una secuencia de datos numéricos ordenados cronológicamente. Su análisis permite identificar patrones como tendencias, estacionalidades, ciclos o irregularidades, útiles para hacer pronósticos o entender fenómenos temporales. Ejemplos comunes: - Ventas mensuales - Temperaturas diarias - Índices bursátiles - Niveles de contaminación horaria ## Cargar paquetes necesarios ```{r} # Instalar si no tienes estos paquetes # install.packages("forecast") # install.packages("ggplot2") library(forecast) library(ggplot2) ``` **Explicación:**\ El paquete `forecast` permite aplicar modelos de predicción como ARIMA y suavizado exponencial. `ggplot2` es una herramienta gráfica para visualizar las series de tiempo con alta calidad. ## Ejemplo de serie de tiempo: Datos de AirPassengers ```{r} data("AirPassengers") class(AirPassengers) ``` **Explicación:**\ Cargamos una serie de ejemplo incluida en R que representa el número mensual de pasajeros de avión desde 1949 hasta 1960. El objeto es de clase `ts` (time series). ## Visualización de la serie ```{r} autoplot(AirPassengers) + ggtitle("Pasajeros aéreos mensuales (1949-1960)") + xlab("Año") + ylab("Miles de pasajeros") ``` **Explicación:**\ La gráfica muestra una tendencia creciente (más pasajeros con el tiempo) y una estacionalidad clara (los mismos patrones se repiten cada año, por ejemplo, picos en vacaciones). ## Descomposición de la serie ```{r} descomposicion <- decompose(AirPassengers) autoplot(descomposicion) ``` **Explicación:**\ El método `decompose()` divide la serie en tres componentes: - **Tendencia**: dirección general del cambio en el tiempo. - **Estacionalidad**: variaciones periódicas. - **Ruido aleatorio**: variaciones no explicadas. Esta descomposición es útil para estudiar cada componente por separado. ## Suavizado exponencial simple ```{r} modelo_ses <- ses(AirPassengers, h=12) autoplot(modelo_ses) + ggtitle("Pronóstico con Suavizado Exponencial Simple") ``` **Explicación:**\ El suavizado exponencial simple es una técnica de pronóstico que da mayor peso a los datos más recientes. El parámetro `h=12` indica que se proyectan los próximos 12 meses. Este modelo es apropiado para series sin estacionalidad ni tendencia, por lo que aquí se usa a modo introductorio. ## Conclusión En esta clase se estudiaron: - Qué es una serie de tiempo - Cómo cargar y visualizar datos temporales - Cómo descomponer una serie en sus componentes - Cómo aplicar un modelo básico de predicción Esto prepara el terreno para el uso de modelos más sofisticados como ARIMA, Holt-Winters o modelos estructurales. ## Referencias - Hyndman, R.J., & Athanasopoulos, G. (2021). *Forecasting: Principles and Practice*. https://otexts.com/fpp3/