Pronósticos

Instalar paquetes y llamar librerias

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

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

Crear serie de tiempo

produccion <- c(100, 200, 300, 400, 500)

produccion_st <- ts(data = produccion, start = c(2018, 1), frequency = 1)
produccion_st

## Time Series:
## Start = 2018 
## End = 2022 
## Frequency = 1 
## [1] 100 200 300 400 500

ARIMA: Modelo Autoregresivo Integrado de Media Movil (Autoregressive Integrated Moving Average)

ARIMA (p,d,q)

p = orden de auto-regresión

d = orden de integración (diferenciación)

q = orden del promedio móvil

¿Cuándo se usa?

Cuando las estimaciones futuras se explican por los datos del pasado y no por variables independientes.

Ejemplo: Tipo de cambio

modelo <- auto.arima(produccion_st)
modelo

## Series: produccion_st 
## ARIMA(0,1,0) with drift 
## 
## Coefficients:
## drift  
##   100  
## 
## sigma^2 = 0:  log likelihood = Inf
## AIC=-Inf   AICc=-Inf   BIC=-Inf

pronostico <- forecast(modelo, level = c(95), h=5)
pronostico

##      Point Forecast Lo 95 Hi 95
## 2023            600   600   600
## 2024            700   700   700
## 2025            800   800   800
## 2026            900   900   900
## 2027           1000  1000  1000

plot(pronostico)

Conclusión:

Con esta herramienta pudimos predecir las piezas de producción en los próximos años, teniendo como información la producción actual desde 2018. En la gráfica realizada podemos ver que la producción tiene un crecimiento lineal positivo, creciendo 100 piezas por año. Por lo que para 2027, se espera una producción de 1000 piezas.