cargar librerias

library(ggplot2)
## Warning: package 'ggplot2' was built under R version 4.5.1
library(readxl)
## Warning: package 'readxl' was built under R version 4.5.1
library(TTR)
## Warning: package 'TTR' was built under R version 4.5.1

Cargar los datos

datos2=read_excel("datos2_ex1.xlsx")
datos3=read_excel("datos3_ex1.xlsx")
d2s=ts(datos2,start = c(2011,1),frequency = 12)
d3s=ts(datos3,start = c(2018,1),frequency = 12)

Graficos de las series

plot(d2s,xlab="años",ylab="numero de nacimientos",col="blue")

interpretacion: en esta grafica podemos notar que con el paso de los años los valores han ido aumentando de forma gradual, aunque existe subidas y bajadas que se repiten en ciertos periodos, a pesar de las variaciones en cada año los valores son un poco mas altos que en el anterior lo que refleja un crecimiento constante y sostenido en el tiempo.

plot(d3s,xlab="años",ylab="ventas",col="darkblue")

interpretacion: en esta grafica se observa subidas y bajadas que se repiten cada año lo que nos puede indicar que hay un patron estacional, a partir del 2023 se ve un aumento mucho mas pronunciado llegando a sus valores en 2025 lo que nos dice que surgio un cambio importante que genero un crecimiento acelerado. ## descomposicion de la serie

d2sd=decompose(d2s)
plot(d2sd)

interpretar: se aprecia también una tendencia ascendente, pero más estable y gradual manteniendo un crecimiento sostenido a lo largo del tiempo. La estacionalidad presenta un patrón repetitivo anual, con subidas y bajadas de menor amplitud que las de la serie anterior, lo que indica que la variación por temporada es menos intensa. La parte aleatoria es más dispersa pero sin cambios extremos, reflejando que las fluctuaciones no explicadas por la tendencia ni por la estacionalidad son relativamente moderadas.

d3sd=decompose(d3s)
plot(d3sd)

interpretar: se observa una tendencia fuertemente creciente, sobre todo desde 2022 lo que indica que los valores han ido aumentando de forma acelerada en los últimos años. La estacionalidad es muy marcada con picos y caídas que se repiten de manera regular cada año lo que demuestra la influencia de ciclos temporales bien definidos. La componente aleatoria muestra variaciones moderadas, aunque con algunos picos aislados que podrían relacionarse con eventos atípicos o no previstos.

Modelo holt Winters

d2sw=HoltWinters(d2s,seasonal = "additive")
d2sp=predict(d2sw,9)
d2sp
##           Jan      Feb      Mar      Apr      May      Jun      Jul      Aug
## 2025 27.30020 25.92822 29.04779 27.56001 28.88793 28.50749 30.56943 30.55133
##           Sep
## 2025 29.94243
plot(d2sw,d2sp)

interpretar: …

d3sw=HoltWinters(d3s,seasonal = "multiplicative")
d3sp=predict(d3sw,9)
d3sp
##           Jan      Feb      Mar      Apr      May      Jun      Jul      Aug
## 2025 14994.74 18948.09 35767.05 28159.43 25669.26 31472.70 40496.45 41217.96
##           Sep
## 2025 40537.85
plot(d3sw,d3sp)

interpretar: se ve que los datos suben y bajan de forma parecida cada año, formando picos en los mismos meses, lo que muestra que hay estacionalidad. También se nota que, con el paso de los años, los valores van aumentando poco a poco, es decir, hay una tendencia creciente. La línea que hace el modelo sigue bastante bien los datos reales Según la proyección, en 2025 los valores seguirán subiendo y mantendrán el mismo patrón repetitivo que en años anteriores.