ACT2

# Instalar paquetes y llamar librerías

#install.packages("forecast")
library(forecast)
library(readxl)

Ejemplo Producción 1.

Contexto

Una serie de tiempo es una colección de observaciones sobre un determinado fenomeno efectuadas en momentos de tiempo sucesivos, usualmente equiespaciados.

Ejemplos de series de tiempo: 1. Precio de acciones 2. Nieveles de inventario 3. Rotación de personal 4. Ventas 5. PIB (GDP)

Crear la serie de tiempo

Ejemplo: los siguientes datos de producción trimestral inician en el primer trimestre de 2020. Se busca pronosticar la producción de los siguientes 5 trimestres

produccion <- c(50,53,55,57,55,60)
st_produccion <- ts(data=produccion, start = c(2020,1), frequency = 4) #En este caso, la serie de tiempo inicia en 2020, en el 1er trimestre

#MENSUAL: st_produccion <- ts(data=produccion, start = c(2020,1), frequency = 12) #En este caso, la serie de tiempo inicia en 2020, en el 1er mes
#MENSUAL: st_produccion <- ts(data=produccion, start = c(2020,8), frequency = 12) #En este caso, la serie de tiempo inicia en 2020, en el 8vo mes
#ANUAL: st_produccion <- ts(data=produccion, start = c(2020), frequency = 12 #En este caso, la serie de tiempo inicia en 2020

Crear el modelo ARIMA

ARIMA significa Modelo Autoregresivo integrado de promedio movil, en inglés.

modelo_produccion <- auto.arima(st_produccion, D=1) # D: diferenciacion estacional
modelo_produccion

## Series: st_produccion 
## ARIMA(0,0,0)(0,1,0)[4] with drift 
## 
## Coefficients:
##        drift
##       1.5000
## s.e.  0.1768
## 
## sigma^2 = 2.01:  log likelihood = -2.84
## AIC=9.68   AICc=-2.32   BIC=7.06

summary(modelo_produccion)

## Series: st_produccion 
## ARIMA(0,0,0)(0,1,0)[4] with drift 
## 
## Coefficients:
##        drift
##       1.5000
## s.e.  0.1768
## 
## sigma^2 = 2.01:  log likelihood = -2.84
## AIC=9.68   AICc=-2.32   BIC=7.06
## 
## Training set error measures:
##                      ME      RMSE       MAE        MPE      MAPE       MASE
## Training set 0.03333332 0.5787923 0.3666667 0.03685269 0.6429133 0.06111111
##                    ACF1
## Training set -0.5073047

# Al comparar modelos, seleccionamos el que tenga el menor MAPE (Porcentaje de error promedio absoluto)

Generar el Pronostico

pronostico_produccion <- forecast(modelo_produccion, level=c(95), h=5)
#Si no nos dicen otra cosa, el nivel de confiabilidad es 95%. Los periodos a pronosticar es h.
pronostico_produccion

##         Point Forecast    Lo 95    Hi 95
## 2021 Q3             61 58.22127 63.77873
## 2021 Q4             63 60.22127 65.77873
## 2022 Q1             61 58.22127 63.77873
## 2022 Q2             66 63.22127 68.77873
## 2022 Q3             67 63.07028 70.92972

plot(pronostico_produccion)

Ejercicio 1. México rumbo al 2050

En equipos de 2 o 3, seleccionar un estado de México, obtener los datos historicos de su población, generar un pronostico hasta 2050.

poblacion <- c(720753,906063,1229576,1757530,3050442,4870876,6874165,8831079,8235744,8605239,8851080,9209944)
st_poblacion <- ts(data=poblacion, start = c(1910), frequency = .1) #En este caso la serie inicia en 1910 y va a ser anualmente
modelo_poblacion <- auto.arima(st_poblacion, D=1) # D: diferenciacion estacional
modelo_poblacion

## Series: st_poblacion 
## ARIMA(0,1,0) with drift 
## 
## Coefficients:
##          drift
##       771744.6
## s.e.  246886.1
## 
## sigma^2 = 7.375e+11:  log likelihood = -165.38
## AIC=334.76   AICc=336.26   BIC=335.56

summary(modelo_poblacion)

## Series: st_poblacion 
## ARIMA(0,1,0) with drift 
## 
## Coefficients:
##          drift
##       771744.6
## s.e.  246886.1
## 
## sigma^2 = 7.375e+11:  log likelihood = -165.38
## AIC=334.76   AICc=336.26   BIC=335.56
## 
## Training set error measures:
##                     ME     RMSE      MAE       MPE     MAPE     MASE      ACF1
## Training set -4.249297 783937.7 664432.7 -6.400298 18.05876 0.126273 0.3933874

pronostico_poblacion <- forecast(modelo_poblacion, level=c(95), h=3)
#Si no nos dicen otra cosa, el nivel de confiabilidad es 95%. Los periodos a pronosticar es h.
pronostico_poblacion

##      Point Forecast   Lo 95    Hi 95
## 2030        9981689 8298548 11664829
## 2040       10753433 8373114 13133753
## 2050       11525178 8609894 14440462

plot(pronostico_poblacion)

Ejercicio 2. Aplicación de shiny

Agregar una pestaña en la aplicación de shiny con el ejercicio Mexico rumbo al 2050. En el menú se debe seleccionar la cantidad de años a pronosticar Aplicación de shiny

Ejercicio 3.

1. fue una introduccion de negocios donde vimos kpi, pestel
2. aprendi de estados financieros, balance general
3. Aprendi a usar minitab
4. Aqui hicimos un video
5. Aprendimos sobre mercadotecnia
6. Aqui nos dieron un proyecto y vimos sobre tir y vpn 7.Este fue mi primer acercamiento a R 8.Aqui aprendimos sobre machine learning 9.la introduccion al servicio social: aqui fue el primer acercamiento al servicio social
7. Inteligencia artificial enfocada a los negocios: fue un semestre donde aplicamos varios modelos de machine learning

Actividad 2. Hersheys

## Crear la serie de tiempo

ventas <- read_excel( "C:\\Users\\admin\\Downloads\\Ventas_Históricas_Lechitas.xlsx")
str(ventas)

## tibble [35 × 1] (S3: tbl_df/tbl/data.frame)
##  $ 25520.511307767953: num [1:35] 23740 26254 25868 27073 27150 ...

st_ventas <- ts(data=ventas, start = c(2017,1), frequency = 12)

Crear el modelo ARIMA

modelo_ventas <- auto.arima(st_ventas)
modelo_ventas

## Series: st_ventas 
## ARIMA(1,0,0)(0,1,0)[12] with drift 
## 
## Coefficients:
##          ar1     drift
##       0.6984  287.1607
## s.e.  0.1408   26.9208
## 
## sigma^2 = 282406:  log likelihood = -176.25
## AIC=358.49   AICc=359.76   BIC=361.9

summary(modelo_ventas)

## Series: st_ventas 
## ARIMA(1,0,0)(0,1,0)[12] with drift 
## 
## Coefficients:
##          ar1     drift
##       0.6984  287.1607
## s.e.  0.1408   26.9208
## 
## sigma^2 = 282406:  log likelihood = -176.25
## AIC=358.49   AICc=359.76   BIC=361.9
## 
## Training set error measures:
##                    ME     RMSE      MAE        MPE      MAPE       MASE
## Training set 13.98205 411.6355 268.5098 0.05077429 0.8297318 0.07619582
##                   ACF1
## Training set 0.2097495

Generar el Pronostico

pronostico_ventas <- forecast (modelo_ventas, level = c(95), h=12)
pronostico_ventas

##          Point Forecast    Lo 95    Hi 95
## Dec 2019       35534.09 34492.53 36575.65
## Jan 2020       34448.05 33177.60 35718.50
## Feb 2020       36622.79 35254.52 37991.06
## Mar 2020       36256.61 34843.07 37670.14
## Apr 2020       37352.89 35917.79 38787.98
## May 2020       37135.96 35690.46 38581.46
## Jun 2020       36325.84 34875.29 37776.38
## Jul 2020       37736.95 36283.95 39189.95
## Aug 2020       38574.10 37119.90 40028.29
## Sep 2020       39562.85 38108.07 41017.63
## Oct 2020       38234.56 36779.50 39689.63
## Nov 2020       38284.22 36829.02 39739.43

plot(pronostico_ventas)