Se realiza analisis de outliers mediante grafica de cajas y bigotes. Tenemos un outlier para el dia 41 con un valor de 120.

boxplot.stats(analisis_arroz)
## $stats
## [1] 20.0 43.0 50.5 64.0 90.0
## 
## $n
## [1] 52
## 
## $conf
## [1] 45.89876 55.10124
## 
## $out
## [1] 120
analisis_arroz <- ts(ARROZ_SEMANAL_1_$Ventas)
boxplot((analisis_arroz))

boxplot.stats(analisis_arroz)
## $stats
## [1] 20.0 43.0 50.5 64.0 90.0
## 
## $n
## [1] 52
## 
## $conf
## [1] 45.89876 55.10124
## 
## $out
## [1] 120
outlierarroz <- boxplot.stats(analisis_arroz)
index <- match(outlierarroz$out, analisis_arroz)
index
## [1] 41
autoplot(analisis_arroz)

tsoutliers(analisis_arroz)
## $index
## integer(0)
## 
## $replacements
## numeric(0)
arrozsuavizado <- ts(ARROZ_SEMANAL_1_$`Ventas Suavizadas`)
adjustarroz <- ts(tsclean(arrozsuavizado))
autoplot(adjustarroz)

# En la anterior grafica se muestra la suavizacion que se le hizo a la serie debido al outlier que se identifico en el analisis previo.

Este nuevo valor sera de 59.5 para el dia 41.

ggAcf(analisis_arroz, lag.max = 52)

# Con el anterior correlograma se establece que la serie de datos es Estacionaria, al tener sus variaciones dentro de los rangos sugeridos establecidos. Se procede a apliacar las tecnicas de pronostico para este tipo de series con el fin de encontrar el forecast que mejor se adapte a la serie estacionaria evaluando los parametros mediante la herramienta de excel.