## librerias 

library(forecast)
## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo
library(readxl)

# Ejemplo. produccion

## contexto

Una serie de tiempo es una coleccion de observaciones sobre un determinado fenomeno efectuado en momentis de tiempo sucesivo, usualment equiespaciados

## crear la serie de tiempo

los siguientes datos de produccion trimestral inician en el primer trimestre de 2020, se busca pronostcar la produccion de los siguientes e semestre

produccion <- c(50,53,55,57,55,60)
#en start el primer argumentoi es el periodode inicio y el segundola cantidad de periodosen el año
st_produccion <- ts(data = produccion, start = c(2020,1),frequency = 4)#en este caso la serie de tiempo inicia en el 2020 en el primer trimestre 
#st_produccion <- ts(data = produccion, start = c(2020,1),frequency = 12)#en este caso la serie de tiempo inicia en el 2020 en el primer mes
#st_produccion <- ts(data = produccion, start = c(2020,8),frequency = 12)#en este caso la serie de tiempo inicia en el 2020 en el doceavo mes

## crear el modeloarima

los siguientes datos de produccion trimestral inician en el primer trimestre de 2020, se busca pronostcar la produccion de los siguientes e semestrearima significa modelo autorregresivo integrado de ´promedio movil, en ingles

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 modelosseleccionamos el que tenga el menor MAPE (Porcentaje de error promedio absoluto)

## crear el modeloarima 

pronostico_produccion <- forecast(modelo_produccion, level=c(95),h=5)
#si nos dicen otra cosa, el nivel de confiabilidad es 95%
plot(pronostico_produccion)

#<span style=“color:blue”;> Actividad 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.

NL_poblacion <- c(3098736,3550114,3834141,4199292,4653458,5119504,5784442)
NL_Frecuecnia <- ts(data = NL_poblacion, start = c(1990),frequency = 0.2)
NL_Frecuecnia
## Time Series:
## Start = 1990 
## End = 2020 
## Frequency = 0.2 
## [1] 3098736 3550114 3834141 4199292 4653458 5119504 5784442
modelo_NL <- auto.arima(NL_Frecuecnia, D=1)# D:diferenciacion estacional
modelo_NL
## Series: NL_Frecuecnia 
## ARIMA(0,1,0) with drift 
## 
## Coefficients:
##           drift
##       447617.67
## s.e.   47489.21
## 
## sigma^2 = 1.624e+10:  log likelihood = -78.5
## AIC=161   AICc=165   BIC=160.58
summary(modelo_NL)
## Series: NL_Frecuecnia 
## ARIMA(0,1,0) with drift 
## 
## Coefficients:
##           drift
##       447617.67
## s.e.   47489.21
## 
## sigma^2 = 1.624e+10:  log likelihood = -78.5
## AIC=161   AICc=165   BIC=160.58
## 
## Training set error measures:
##                   ME     RMSE      MAE        MPE     MAPE       MASE      ACF1
## Training set 378.731 107699.6 70680.83 -0.2544811 1.525664 0.01636147 0.2038744
#al comparar modelosseleccionamos el que tenga el menor MAPE (Porcentaje de error promedio absoluto)
Pronostico_NL <- forecast(modelo_NL, level=c(95),h=6)
#si nos dicen otra cosa, el nivel de confiabilidad es 95%
Pronostico_NL
##      Point Forecast   Lo 95   Hi 95
## 2025        6232060 5982298 6481822
## 2030        6679677 6326461 7032894
## 2035        7127295 6694695 7559895
## 2040        7574913 7075389 8074437
## 2045        8022530 7464046 8581015
## 2050        8470148 7858359 9081937
plot(Pronostico_NL)

#<span style=“color:blue”;> Actividad 2.Aplicacion shiny

Agregar una pestaña en la publicacion de shiny con el ejercicio mexico rumbo al 2050. en el menu se debe seleccionar la cantidad de años a pronosticar

https://mauriciovela201102.shinyapps.io/SHinyappma/

#<span style=“color:blue”;> Actividad 3.

1.Recapitulacion de KPI’S y sus necesidades 2.Uso del excel y balance 3.Pensamientos simples de estructura y gestion 4.No recuerdo la materia 5.Estrategias de diferenciacion para crear valor de la empresa 6.No recuerdo la materia 7.Concentrado de R studio y creacion de codigos 8.SQL y movimiento de modelos 9.(Bootcamp)Refuerzo de R 10.(Intercambio)Refuerzo de R y python

#<span style=“color:blue”;> Actividad 4.

ventas <- read_excel("C:/Users/Mauri/Downloads/Ventas_Históricas_Lechitas.xlsx")
str <- ventas
st_ventas <- ts(data = ventas, start = c(2017,1),frequency = 12)
modelo_hershey <- auto.arima(st_ventas)
modelo_hershey
## 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_hershey)
## 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
Pronostico_hershey <- forecast(modelo_hershey, level=c(95),h=5)
#si nos dicen otra cosa, el nivel de confiabilidad es 95%
Pronostico_hershey
##          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
plot(Pronostico_hershey)

1.- Utilizando modelos ARIMA (Box-Jenkins, ARMA, SARIMA) y los datos históricos de las ventas de leche saborizada ¿Cuál es el modelo que mejor se adapta a la serie?

El modelo que mejor MAPE saca es el arima con la funcion auto.arima, el MAPE es la principal razon de decision para saber que modelo usar

2.- ¿Qué modelo de regresión ofrece mejor exactitud predictiva?

El de regresion, se puede comparar con el arima y sacar mejor MAPE, o menor error

3.-Según su mejor modelo ¿Cuál es la proyección de ventas en valor monetario para el siguiente a total de Hershey´s?

38261.9 en mayo 2020 o un aumento de 5e6 a 9e6, (este resultado me parecio confuso)

4.- Considerando algunos imponderables establezca con los modelos construidos tres escenarios futuros ( proyecciones) A (escenario esperado) , B (escenario optimista) y C (escenario pesimista).

Incluso con un escenario pesimista las proyecciones aumentan, lo que significa que en todas se aumenta, simplemente la cantidad es la diferencia

5.- Con este análisis descriptivo, predictivo ¿Qué recomendaciones y medidas prescriptivas le puede dar a la compañía Hershey´s?

Las ventas suben anual y mensualmente, hay muy poco bajo rendimiento por lo que yo recomendaria invertir en la capacidad de produccion para ir preveniendo la falta de mercancia.