“Pronósticos”

Instalar paquetes y llamar librerías

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

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

Crear serie de tiempo

produccion_bd <- c(19,18,15,20,18,22,20)

produccion_bd_st <-ts(data = produccion_bd, start = c(2022, 2), frequency = 12)
produccion_bd_st

##      Feb Mar Apr May Jun Jul Aug
## 2022  19  18  15  20  18  22  20

Notas

ARIMA Modelo autoregresivo integrado de media movil
ARIMA (p, d, q)
p = orden de auto regresion
d = orden de integracion
q = orden del promedio movil
Cuando 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_bd_st)
modelo

## Series: produccion_bd_st 
## ARIMA(0,0,0) with non-zero mean 
## 
## Coefficients:
##          mean
##       18.8571
## s.e.   0.7674
## 
## sigma^2 = 4.81:  log likelihood = -14.89
## AIC=33.78   AICc=36.78   BIC=33.67

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

##          Point Forecast    Lo 95    Hi 95
## Sep 2022       18.85714 14.55882 23.15547
## Oct 2022       18.85714 14.55882 23.15547
## Nov 2022       18.85714 14.55882 23.15547
## Dec 2022       18.85714 14.55882 23.15547
## Jan 2023       18.85714 14.55882 23.15547

Gráfica

plot(pronostico)

#Conclusión Al hacer este modelo de estimación de pronóstico, se puede observar que no existe en realidad una tendencia, ya que, en el plot se visualiza una linea que asciende y desciende. Sin embargo, se pronóstica en los siguientes 5 meses una tendencia lateral, es decir que no sube ni baja, y tiene como dato 18.85714, con un 95% de confianza, y como variabilidad, tiene rangos entre 14.55882 y 23.15547.