#Generamos los vectores de periodo (variable independiente) y ventas (variable dependiente)

periodo<-c(1,2,3,4,5,6,7,8,9,10,11)
ventas<-c(125,132,155,135,152,147,140,154,153,177,179)

#instalar la librería ggplot2 (Si es que no se tiene) #library(plot) (Si es que no se tiene)

#Graficamos un histograma y la línea de tendencia de la serie de tiempo y usamos la función de regresión para obtener los parámetros de análisis de regresión.

plot(periodo,ventas)
abline(lm(ventas~periodo)) 

regresion_linear<-lm(ventas~periodo,)

#Usamos la función summary para obtener un resumen de los parámetros del análisis de regresión (Intersección, pendiente, R2, entre otras).

summary(regresion_linear)
## 
## Call:
## lm(formula = ventas ~ periodo)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -14.182  -5.409  -2.909   7.045  17.909 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 124.2727     6.4621  19.231 1.28e-08 ***
## periodo       4.2727     0.9528   4.484  0.00152 ** 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 9.993 on 9 degrees of freedom
## Multiple R-squared:  0.6908, Adjusted R-squared:  0.6565 
## F-statistic: 20.11 on 1 and 9 DF,  p-value: 0.001523

#Se construye la ecuación de regresión con los resultados anteriores.

ventas<-124.2727+4.2727*periodo

#Se plantea la ecuación para estimar el próximo periodo del ejemplo, es decir el periodo 12. Y se obtiene el resultado del pronóstico puntual.

ventas12<-124.2727+4.2727*12
ventas12
## [1] 175.5451

#Ecuación para estimar el próximo periodo del ejemplo, es decir el periodo 13

ventas13<-124.2727+4.2727*13
ventas13
## [1] 179.8178

#Ecuación para estimar el próximo periodo del ejemplo, es decir el periodo 14

ventas14<-124.2727+4.2727*14
ventas14
## [1] 184.0905
#Elaboración propia