Calcula y representa una media móvil

El último indicador de béisbol que quieres generar es el L10, o la media móvil de victorias/derrotas de los diez partidos anteriores. Aunque la media acumulada de victorias/derrotas muestra cómo va el equipo en general, el indicador L10 ofrece una visión más específica del rendimiento reciente del equipo. Fuera del mundo del deporte, esta medida es comparable a un indicador financiero centrado en el rendimiento reciente de una cartera.

Para generar una media móvil de victorias/derrotas, vuelve al comando rollapply() usado en el capítulo anterior. En este caso, querrás aplicar la función mean a los últimos 10 partidos disputados por los Red Sox en cada momento de la temporada 2013.

El objeto redsox_xts, incluida la columna win_loss, está disponible en tu espacio de trabajo.

Este ejercicio forma parte del curso

Estudio de caso: Análisis de series temporales de una ciudad en R

Instrucciones del ejercicio

Genera un nuevo objeto xts que contenga solo la temporada 2013. Llama a este objeto redsox_2013.
Usa rollapply() para calcular tu indicador lastten_2013 a partir de la columna win_loss en redsox_2013. Establece width igual a 10 para incluir los últimos diez partidos jugados por los Red Sox y establece el argumento FUN en mean para generar una media de la columna win_loss.
Usa plot.xts() para visualizar tu nuevo indicador durante la temporada 2013. Deja el argumento ylim tal como está en el código preescrito.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# Select only the 2013 season
redsox_2013 <- ___["___"]

# Use rollapply to generate the last ten average
lastten_2013 <- rollapply(___$___, width = ___, FUN = ___)

# Plot the last ten average during the 2013 season
plot.xts(___, ylim = c(0, 1))

Editar y ejecutar código

Este ejercicio forma parte del curso

Estudio de caso: Análisis de series temporales de una ciudad en R

IntermedioNivel de habilidad

4.8+

Empieza el curso gratis

Te han contratado para entender las necesidades de viaje de los turistas que visitan el área de Boston. Como primera tarea, pondrás en práctica las habilidades que has aprendido para manipular series temporales en R explorando datos sobre vuelos que llegan al Aeropuerto Internacional Logan de Boston (BOS) usando xts y zoo.

Exercise 1: Repaso de los fundamentos de xts Exercise 2: Identifica la serie temporal Exercise 3: Datos de vuelos Exercise 4: Elige el objeto xts Exercise 5: Codifica tus datos de vuelos Exercise 6: Manipular y visualizar tus datos Exercise 7: Explora tus datos de vuelos Exercise 8: Visualiza los datos de vuelos Exercise 9: Calcular tendencias de series temporales Exercise 10: Guardar y exportar objetos xts Exercise 11: Evaluando las tendencias de los vuelos Exercise 12: Ahorrando tiempo - I Exercise 13: Ahorrando tiempo - II

En este capítulo ampliarás tu biblioteca de series temporales para incluir datos meteorológicos del área de Boston. Antes de poder analizar, tendrás que hacer algo de manipulación de datos, como fusionar múltiples objetos xts y aislar ciertos periodos de los datos. ¡Es una gran oportunidad para seguir practicando!

Exercise 1: Unir series temporales por filas Exercise 2: Explorar datos de temperatura Exercise 3: Siguientes pasos - I Exercise 4: Combinación usando rbind()Exercise 5: Visualizar los inviernos de Boston Exercise 6: Combinar datos de series temporales por columna Exercise 7: Filtrado y ajuste de periodicidad Exercise 8: Generar una media mensual Exercise 9: Usar merge() y representar en el tiempo Exercise 10: ¿Guardan relación los retrasos de vuelos con la temperatura?Exercise 11: Flujo de trabajo con datos de series temporales Exercise 12: Próximos pasos - II Exercise 13: Ampliar tus datos Exercise 14: ¿Se relacionan los retrasos de vuelos con la visibilidad o el viento?

Ahora toca ir un poco más allá. Además de los retrasos de vuelos, a tu cliente le interesa cómo afectan las tendencias económicas a la industria turística de Boston. Necesitarás manipular algunas series temporales de indicadores económicos, incluidos el PIB per cápita y el desempleo en Estados Unidos en general y en Massachusetts (MA) en particular.

Exercise 1: Gestión de valores ausentes Exercise 2: Explorando datos económicos Exercise 3: Sustituir datos ausentes - I Exercise 4: Sustituir datos faltantes - II Exercise 5: Estimación del PIB faltante Exercise 6: Desfase y diferenciación Exercise 7: Explorar datos de desempleo Exercise 8: Desfase del desempleo Exercise 9: Diferenciar el desempleo Exercise 10: Funciones móviles Exercise 11: Añade una suma móvil discreta a los datos de PIB Exercise 12: Añade una media móvil continua a los datos de desempleo Exercise 13: Manipulación de datos de desempleo en MA

Tras agotar otras opciones, tu cliente cree que la industria turística de Boston debe estar relacionada con el éxito de los equipos deportivos locales. En tu tarea final de este proyecto, tu supervisor te ha pedido que reúnas algunas series temporales sobre los equipos deportivos de Boston de los últimos años.

Exercise 1: Funciones avanzadas de xts Exercise 2: Codificar y graficar datos de los Red Sox Exercise 3: Calcular una media de cierre Exercise 4: Calcula y representa una media estacional Exercise 5: Calcula y representa una media móvil

Ejercicio actual

Exercise 6: Comandos de indexación en xts Exercise 7: Extraer los partidos de fin de semana Exercise 8: Calcula una media móvil para todos los deportes Exercise 9: Visualizar tendencias deportivas Exercise 10: ¡Enhorabuena!