Actividad_2_Modulo_1

Ejemplo Producción.

Instalar Paquetes y llamar Librerías.

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

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

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

Contexto.

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

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 sigueintes 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 incicia en 2020 en el primer trimestre

Crear el modelo ARIMA.

ARIMA Significa Modelo Autorregresivo Integrado de Promedio Movil, en ingles.

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 (Porcentaje 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 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. Mexico rumbo al 2050

En equipos de 2 o 3, seleccionar un estado de mexico, obtener los datos historicos de su poblacion, generar un pronostico hasta 2050

Crear la Serie de Tiempo de la CDMX.

poblacion <- c(720753,906063,1229576,1757530,3050442,4870876,6874165,8831079,8235744,8605239,8851080,9209944)
summary(poblacion)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##  720753 1625542 5872521 5261874 8661699 9209944

st_poblacion <- ts(data=poblacion, start= c(1910), frequency=.1)# En este caso la serie de tiempo incicia en 1910 y va a ser anualmente

Crear el modelo ARIMA.

modelo_poblacion <- auto.arima(st_poblacion)
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

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

Generar el Pronóstico .

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 Aplicacion Shiny.

Agregar una pestaña en la aplicaicon de Shiny con el ejercicio Mexico rumbo al 2050. En el menú se debe seleccionar la cantidad de años a pronosticar Aplicaicon de Shiny

Ejercicio 3.

1. Conocimiento general de KPIS y el como medirlos y evaluar en la compañia.
2. Estados de Resultados, Balance General y Flujos de Efectivo
3. Desarrolle mas Excel
4. IKIGAI y metodos de comunicacion
5. Metodologias de Mercadotecnia y clasificacion de los tipos de productos
6. Profundizamos mas en el WACC y en estados financieros
7. Aprendi R Studio
8. Machine Learning y Redes Neuronales
9. Excel Avanzado, vi muchas cosas de excel
10. IA aprendí mas redes neuronales y mucha regresión lineal, además de gestion de proyectos e inteligencia artificial

Actividad 2- Hershey´s.

Importar la Base de datos.

library(readxl)
ventas <- read_excel("C:/Users/lffr1/Downloads/Ventas_Históricas_Lechitas (1) (1).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)
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

Generar el Pronóstico.

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