### Establecemos el directorio de trabajo

# setwd("F:/German/Docencia/POP/09-10/Apuntes")

 setwd("C:/MASTER-Profesores/Germán/09-10")

#####################################
### Serie "Producto Interior Bruto"
#####################################

### Importamos las observaciones, construimos un objeto de la clase "time series" y dibujamos el gráfico de secuencia

pib <- scan("pib.txt")
pib.ts <- ts(pib, start=1960)

windows()
plot(pib.ts, type="o", xlab="Año", ylab="PIB (en miles de euros)")


### Estimamos la tendencia a través de una suavización 5 MA, y también a través de una 11 MA

tendencia5 <- filter(pib.ts, sides=2, rep(1/5,5))
tendencia11 <- filter(pib.ts, sides=2, rep(1/11,11))


### Estimamos la componente irregular

a5 <- pib.ts-tendencia5
a11 <- pib.ts-tendencia11


### Dibujamos la serie junto con las dos estimaciones de su tendencia

windows()
ts.plot(cbind(pib, tendencia5, tendencia11), lty=c("solid", "dashed", "dashed"), col=c("black", "blue", "red"), xlab="Año", ylab="PIB")


### Dibujamos las dos estimaciones de la componente irregular

windows()
ts.plot(cbind(a5, a11), type="o", lty="dashed", col=c("blue", "red"), xlab="Año", ylab="Random")
abline(0,0)


### Dibujamos la descomposición clásica (k=11)

windows()
par(mfrow=c(3,1))
plot(pib.ts, xlab="Año", ylab="PIB")
plot(tendencia11, xlab="Año", ylab="Tendencia")
plot(a11, xlab="Año", ylab="Random")

# Ídem,pero de otra forma

windows()
plot(cbind(pib.ts, tendencia11, a11), xlab="Año", main="")



#####################################
### Serie "Temperatura"
#####################################

### Importamos las observaciones, construimos un objeto de la clase "time series" y dibujamos el gráfico de secuencia

temperatura <- scan("temperatura.txt")
temperatura.ts <- ts(temperatura, start=c(1988, 1), frequency=12)

windows()
plot(temperatura.ts, type="o", xlab="Año", ylab="Temperatura (ºC)")


### Estimamos la temperatura media

media <- mean(temperatura.ts)

media

### Estimamos los índices estacionales S_1,...,S_12

S <- 0
for (i in 1:12) S[i] <- mean(window(temperatura.ts, start=c(1988,i), freq=TRUE)) - media

S

### Estimamos la componente irregular

a <- temperatura.ts - media - S


### Dibujamos la serie junto con el ajuste

S.ts <- ts(S, start=start(temperatura.ts), end=end(temperatura.ts), frequency=frequency(temperatura.ts))

windows()
ts.plot(cbind(temperatura.ts, media + S.ts), lty=c("solid", "dashed"), col=c("black", "red"), xlab="Año", ylab="Temperatura")


### Dibujamos la estimación de la componente irregular

windows()
plot(a, type="o", lty="dashed", col="blue", xlab="Año", ylab="Random")
abline(0,0)


### Dibujamos la descomposición clásica (aditiva)

media.ts <- ts(media, start=start(temperatura.ts), end=end(temperatura.ts), frequency(temperatura.ts))

windows()
par(mfrow=c(4,1))
plot(temperatura.ts, xlab="Año", ylab="Temperatura")
plot(media.ts, xlab="Año", ylab="Temperatura media")
plot(S.ts, xlab=" ", ylab="C. estacional")
plot(a, xlab="Año", ylab="Random")


# Ídem,pero de otra forma

windows()
plot(cbind(temperatura.ts, media.ts, S.ts, a), xlab="Año", main="")


### Dibujamos un diagrama de barras de los índices estacionales

mes <- c("Ene", "Feb", "Mar", "Abr", "May", "Jun", "Jul", "Ago", "Sep", "Oct", "Nov", "Dic")

windows()
barplot(S, names.arg=mes)


#####################################
### Serie "Turismo"
#####################################

### Importamos las observaciones, construimos un objeto de la clase "time series" y dibujamos el gráfico de secuencia

turismo <- scan("turismo.txt")
turismo.ts <- ts(turismo, start=c(1995, 1), frequency=12)

windows()
plot(turismo.ts, type="o", xlab="Año", ylab="Turismo (en miles)")


### Obtenemos la descomposición clásica (aditiva)

turismo.descomposicion <- decompose(turismo.ts, type="additive")


### Dibujamos la tendencia estimada y los valores ajustados superpuestos

windows()
ts.plot(cbind(turismo.descomposicion$trend, turismo.descomposicion$trend + turismo.descomposicion$seasonal), lty=c("solid", "dashed"), col=c("black", "red"), xlab="Año", ylab="Turismo")


### Dibujamos la serie junto con el ajuste

windows()
ts.plot(cbind(turismo.ts, turismo.descomposicion$trend + turismo.descomposicion$seasonal), lty=c("solid", "dashed"), col=c("black", "red"), xlab="Año", ylab="Turismo")


### Dibujamos la estimación de la componente irregular

windows()
plot(turismo.descomposicion$random, type="o", col="blue", xlab="Año", ylab="Random")
abline(0,0)


### Dibujamos la descomposición clásica (aditiva)

windows()
plot(turismo.descomposicion, xlab="Año")


### Dibujamos un diagrama de barras de los índices estacionales (aditivos)

mes <- c("Ene", "Feb", "Mar", "Abr", "May", "Jun", "Jul", "Ago", "Sep", "Oct", "Nov", "Dic")

windows()
barplot(turismo.descomposicion$figure, names.arg=mes)


#####################################
### Serie "Consumo de electricidad"
#####################################

### Importamos las observaciones, construimos un objeto de la clase "time series" y dibujamos el gráfico de secuencia

electricidad <- scan("consumo_electricidad.txt")
electricidad.ts <- ts(electricidad, start=c(1972, 1), frequency=12)

windows()
plot(electricidad.ts, type="o", xlab="Año", ylab="Consumo de electricidad")


### Obtenemos la descomposición clásica (multiplicativa)

electricidad.descomposicion <- decompose(electricidad.ts, type="multiplicative")


### Dibujamos la tendencia estimada y los valores ajustados superpuestos

windows()
ts.plot(cbind(electricidad.descomposicion$trend, electricidad.descomposicion$trend * electricidad.descomposicion$seasonal), lty=c("solid", "dashed"), col=c("black", "red"), xlab="Año", ylab="Consumo de electricidad")


### Dibujamos la serie junto con el ajuste

windows()
ts.plot(cbind(electricidad.ts, electricidad.descomposicion$trend * electricidad.descomposicion$seasonal), lty=c("solid", "dashed"), col=c("black", "red"), xlab="Año", ylab="Turismo")


### Dibujamos la estimación de la componente irregular

windows()
plot(electricidad.descomposicion$random, type="o", col="blue", xlab="Año", ylab="Random")
abline(1,0)


### Dibujamos la descomposición clásica (multiplicativa)

windows()
plot(electricidad.descomposicion, xlab="Año")


### Dibujamos un diagrama de barras de los índices estacionales (multiplicativos)

mes <- c("Ene", "Feb", "Mar", "Abr", "May", "Jun", "Jul", "Ago", "Sep", "Oct", "Nov", "Dic")

windows()
barplot(electricidad.descomposicion$figure, names.arg=mes)

#################
### EJERCICIO ###
#################

(a) Aplícale a la serie electricidad.ts la aplicación logaritmo neperiano (log(.)), y haz un estudio descriptivo de la la serie transformada.

(b) A partir de la descomposición de la serie transformada obtenida en el apartado (a), obtén una descomposición para la serie original.

(c) Compara las descomposición obtenida en el apartado (b) con la obtenida en el ejemplo anterior.