MAT281 - Laboratorio N°18: Analisis y Pronostico de Series Temporales¶

Objetivos del laboratorio¶

• Explorar una serie temporal e identificar tendencia y estacionalidad.
• Descomponer una serie en sus componentes.
• Evaluar la estacionariedad con la prueba ADF.
• Construir caracteristicas de calendario y lags para un enfoque ML.
• Generar y evaluar pronosticos a futuro.

Instrucciones¶

Lea con atencion cada problema antes de resolverlo. Reemplace cada celda que contiene # FIXME con su propia solucion y, cuando se solicite, responda las preguntas en celdas de texto.

Nota: Puede apoyarse en asistentes virtuales (ChatGPT, Gemini, Claude) o en el autocompletado de Colab, pero asegurese de entender cada linea de codigo que entregue.

Requisito: # !pip install statsmodels

In [ ]:

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

sns.set_theme(style="whitegrid")

import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns sns.set_theme(style="whitegrid")

Dataset: ventas mensuales¶

Usaremos company_sales_data.csv, que contiene las ventas y ganancias mensuales de una empresa. Trataremos total_profit como una serie temporal indexada por mes.

In [ ]:

df = pd.read_csv("https://raw.githubusercontent.com/fralfaro/MAT281/main/docs/labs/data/company_sales_data.csv")
df.head()

df = pd.read_csv("https://raw.githubusercontent.com/fralfaro/MAT281/main/docs/labs/data/company_sales_data.csv") df.head()

Problema 01 — Exploracion de la serie¶

Tu tarea:

1. Crea un indice temporal mensual (por ejemplo, fechas a partir de month_number) y grafica la serie total_profit.
2. Describe la serie: ¿tiene tendencia? ¿se aprecia estacionalidad?
3. Calcula y grafica una media movil de 3 meses.

In [ ]:

# FIXME

# FIXME

Respuesta (Problema 01): (escribe aqui)

Problema 02 — Descomposicion¶

Tu tarea:

1. Aplica seasonal_decompose (de statsmodels) a la serie.
2. Grafica las componentes: tendencia, estacionalidad y residuo.
3. Pregunta: ¿que componente domina en estos datos?

Nota: con pocos meses, usa un period razonable (p. ej. 3 o 4) solo con fines ilustrativos.

In [ ]:

from statsmodels.tsa.seasonal import seasonal_decompose

# FIXME

from statsmodels.tsa.seasonal import seasonal_decompose # FIXME

Problema 03 — Estacionariedad (ADF)¶

Una serie es estacionaria si sus propiedades (media, varianza) no cambian en el tiempo. Muchos modelos lo requieren.

Tu tarea:

1. Aplica la prueba de Dickey-Fuller aumentada (adfuller) a la serie.
2. Interpreta el valor-p: ¿la serie es estacionaria?
3. Si no lo es, aplica una diferenciacion (.diff()) y vuelve a probar.

In [ ]:

from statsmodels.tsa.stattools import adfuller

# FIXME

from statsmodels.tsa.stattools import adfuller # FIXME

Respuesta (Problema 03): (escribe aqui)

Problema 04 — Enfoque ML: features de calendario y lags¶

Tu tarea:

1. Construye un DataFrame de caracteristicas con: el numero de mes y al menos un lag (total_profit del mes anterior, .shift(1)).
2. Entrena un modelo simple (p. ej. LinearRegression o RandomForestRegressor) para predecir total_profit.
3. Evalua el error sobre los ultimos meses (split temporal, sin mezclar el orden).

In [ ]:

from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_absolute_error

# FIXME

from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_absolute_error # FIXME

Problema 05 — Pronostico a futuro¶

Tu tarea:

1. Usa tu modelo (o un seasonal_decompose/media movil) para pronosticar los proximos 3 meses.
2. Grafica la serie historica junto al pronostico.
3. Pregunta: ¿que limitaciones tiene pronosticar con tan pocos datos historicos?

In [ ]:

# FIXME

# FIXME

Respuesta (Problema 05): (escribe aqui)