Actividad2_Series_de_Tiempo

Instalar paquetes y llamar librerías

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

Ejemplo 1: Producción

Contexto

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

Ejemplos de series de tiempo: 1. Precio de acciones 2. Niveles 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 trimestre.

produccion <- c(50,53,55,57,55,60)
#En "start" el primer argumento es el periodo de inicio, y el segundo
st_produccion <- ts(data = produccion, start = c(2020,1), frequency = 4) 
#En este caso la serie de tiempo inicia en 2020, en el 1° trimestre.

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

Crear el modelo ARIMA

ARIMA significa Modelo Autorregresivo Integrado de Promedios Moviles, en inglés

modelo_produccion <-auto.arima(st_produccion, D=1) #D: Diferenciación 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(Porcentake de Error Promedio Absoluto)

Generar el pronóstico

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

Contexto

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

Crear la serie de tiempo

poblacion <- c(1195059,1442662,1555296,1612899 ,1777227,1971520)
#En "start" el primer argumento es el periodo de inicio, y el segundo
st_poblacion <- ts(data = poblacion, start = c(1995,1), frequency = 0.2) 

Crear el modelo ARIMA

ARIMA significa Modelo Autorregresivo Integrado de Promedios Moviles, en inglés

modelo_poblacion <-auto.arima(st_poblacion) #D: Diferenciación Estacional
modelo_poblacion

## Series: st_poblacion 
## ARIMA(0,1,0) with drift 
## 
## Coefficients:
##           drift
##       155292.20
## s.e.   29317.28
## 
## sigma^2 = 5.372e+09:  log likelihood = -62.55
## AIC=129.1   AICc=135.1   BIC=128.31

summary(modelo_poblacion)

## Series: st_poblacion 
## ARIMA(0,1,0) with drift 
## 
## Coefficients:
##           drift
##       155292.20
## s.e.   29317.28
## 
## sigma^2 = 5.372e+09:  log likelihood = -62.55
## AIC=129.1   AICc=135.1   BIC=128.31
## 
## Training set error measures:
##                    ME     RMSE      MAE        MPE     MAPE      MASE
## Training set 173.2944 59844.21 46955.76 0.02879387 2.961966 0.0294866
##                      ACF1
## Training set -0.009221679

#Al comparar modelos, seleccionamos el que tenga el menor MAPE(Porcentake de Error Promedio Absoluto)

Generar el pronóstico

pronostico_poblacion <- forecast(modelo_poblacion, level= c(95), h=6)
#Si no nos dicen otra cosa, el nivel de confiabilidad es de 95%. Los periodos a pronosticar es h.
pronostico_poblacion

##      Point Forecast   Lo 95   Hi 95
## 2025        2126812 1983159 2270466
## 2030        2282104 2078948 2485261
## 2035        2437397 2188582 2686212
## 2040        2592689 2305382 2879996
## 2045        2747981 2426762 3069200
## 2050        2903273 2551396 3255151

plot(pronostico_poblacion)

Ejercicio 2: ShinyApp

https://a01422749sam.shinyapps.io/Shinyapp8vo/

Contexto

Agregar una pestaña en la aplicación de shiny con el ejercicio México rumbo al 2050. EN el menú se debe sleccionar la cantidad de años a pronosticar.

Ejercicio 3: Reflexión de mis materias

1. Conocimiento general de administración de negocios y KPIs, FODA, PESTEL,
2. Manejo de Estados de resultados, Balance general.
3. No me acuerdo
4. Aprendí sobre mí y mis cualidades; además de aprender a compartirlo.
5. Aprendí a realizar una campaña de marketing con herramientas como crm,
6. Aprendí a realizar escenarios futuros pesimista, positiva y neutral. Aprendí a saldar un proyecto como viable o no dependiendo del wacc.
7. Aprendí a usar el programa de R por primera vez.
8. Aprendí herramientas como arboles de decisiones, clusters y redes neuronales. 9)Alguna semana tex de la que me acuerde fue una de piscología emocional.
9. IA con enfoque empresarial. Aprendí a aplicar conocimiento de minería de datos y econometría en un ambito empresarial. En específico con la empresa NOVEM quien buscaba tener un mejor manejo de modelos de asignación de precios.

Actividad 2: Hershey’s

## Crear la serie de tiempo

ventas <- read_excel("C:\\Users\\aleja\\Documents\\00_Carrera_y_formación\\00_TEC_Por semestre_LIT\\SEMESTRE_8\\Bases_de_Datos\\Ventas_Históricas_Lechitas.xlsx")
str(ventas)

## tibble [36 × 1] (S3: tbl_df/tbl/data.frame)
##  $ Ventas: num [1:36] 25521 23740 26254 25868 27073 ...

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

Crear el modelo ARIMA

modelo_ventas <-auto.arima(st_ventas) #D: Diferenciación Estacional
modelo_ventas

## Series: st_ventas 
## ARIMA(1,0,0)(1,1,0)[12] with drift 
## 
## Coefficients:
##          ar1     sar1     drift
##       0.6383  -0.5517  288.8979
## s.e.  0.1551   0.2047   14.5026
## 
## sigma^2 = 202701:  log likelihood = -181.5
## AIC=371   AICc=373.11   BIC=375.72

summary(modelo_ventas)

## Series: st_ventas 
## ARIMA(1,0,0)(1,1,0)[12] with drift 
## 
## Coefficients:
##          ar1     sar1     drift
##       0.6383  -0.5517  288.8979
## s.e.  0.1551   0.2047   14.5026
## 
## sigma^2 = 202701:  log likelihood = -181.5
## AIC=371   AICc=373.11   BIC=375.72
## 
## Training set error measures:
##                    ME    RMSE    MAE        MPE      MAPE       MASE      ACF1
## Training set 25.22158 343.864 227.17 0.08059932 0.7069542 0.06491044 0.2081026

#Al comparar modelos, seleccionamos el que tenga el menor MAPE(Porcentake de Error Promedio Absoluto)

Generar el pronóstico

pronostico_ventas <- forecast(modelo_ventas, level= c(95), h=12)
#Si no nos dicen otra cosa, el nivel de confiabilidad es de 95%. Los periodos a pronosticar es h.
pronostico_ventas

##          Point Forecast    Lo 95    Hi 95
## Jan 2020       35498.90 34616.48 36381.32
## Feb 2020       34202.17 33155.28 35249.05
## Mar 2020       36703.01 35596.10 37809.92
## Apr 2020       36271.90 35141.44 37402.36
## May 2020       37121.98 35982.07 38261.90
## Jun 2020       37102.65 35958.90 38246.40
## Jul 2020       37151.04 36005.73 38296.34
## Aug 2020       38564.64 37418.70 39710.58
## Sep 2020       38755.22 37609.03 39901.42
## Oct 2020       39779.02 38632.72 40925.32
## Nov 2020       38741.63 37595.28 39887.97
## Dec 2020       38645.86 37499.50 39792.22

plot(pronostico_ventas)