Tesla
Dilmer Sandoval
2023-12
library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(tidyverse)## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ forcats 1.0.0 ✔ readr 2.1.4
## ✔ ggplot2 3.4.4 ✔ stringr 1.5.1
## ✔ lubridate 1.9.3 ✔ tibble 3.2.1
## ✔ purrr 1.0.2 ✔ tidyr 1.3.0## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorsindice <- c(
"I. Aspectos generales",
"1.1 Nombre de la organización y/o empresa (real o propuesta)",
"1.2 Misión y visión",
"1.3 Descripción del servicio/productos que se va a analizar",
"1.4 Problemática de estudio",
"II. Fundamentos básicos de la Estadística",
"2.1 Objetivo de estudio",
"2.2 Población de estudio",
"2.3 Muestra",
"2.4 Unidad de análisis",
"2.5 Tipo de muestreo a utilizar",
"III. Variables y tipo de variables",
"3.1 Importación al entorno de trabajo",
"3.2 Variables y descripción de cada variable",
"IV. Tablas estadísticas y gráficos adecuados (Considerar todos los estudiados)",
"4.1 Datos Simulados de Modelos y Precios",
"4.2 Gráfico de Barras: Distribución de Precios por Modelo de Carro",
"4.3 Histograma: Precios de Modelos de Carros",
"4.4 Gráfico de Cajas: Distribución de Precios por Modelo de Carro",
"4.5 Gráfico de Densidad: Distribución de Precios por Modelo de Carro",
"4.6 Diagrama Circular: Distribución de Precios por Modelo",
"V. Medidas estadísticas (Considerar todas las medidas estudiadas)",
"5.1 Promedio del Precio",
"5.2 Promedio del Precio por Modelo",
"5.3 Media del Precio por Modelo",
"5.4 Mediana del Precio por Modelo",
"5.5 Tabla de Frecuencias del Precio por Modelo",
"5.6 Moda, Mediana y Media del Precio por Modelo",
"5.7 Rango del Precio",
"5.8 Varianza del Precio",
"5.9 Desviación Estándar del Precio",
"5.10 Coeficiente de Variación del Precio",
"5.11 Resumen Estadístico del Conjunto de Datos de Autos",
"5.12 Cuartiles de los Precios de los Carros",
"5.13 Cuartiles del Tiempo de Permanencia en el Sitio Web",
"5.14 Deciles de los Precios de los Carros",
"5.15 Percentiles de los Precios de los Carros"
)cat(indice, sep = "\n")## I. Aspectos generales
## 1.1 Nombre de la organización y/o empresa (real o propuesta)
## 1.2 Misión y visión
## 1.3 Descripción del servicio/productos que se va a analizar
## 1.4 Problemática de estudio
## II. Fundamentos básicos de la Estadística
## 2.1 Objetivo de estudio
## 2.2 Población de estudio
## 2.3 Muestra
## 2.4 Unidad de análisis
## 2.5 Tipo de muestreo a utilizar
## III. Variables y tipo de variables
## 3.1 Importación al entorno de trabajo
## 3.2 Variables y descripción de cada variable
## IV. Tablas estadísticas y gráficos adecuados (Considerar todos los estudiados)
## 4.1 Datos Simulados de Modelos y Precios
## 4.2 Gráfico de Barras: Distribución de Precios por Modelo de Carro
## 4.3 Histograma: Precios de Modelos de Carros
## 4.4 Gráfico de Cajas: Distribución de Precios por Modelo de Carro
## 4.5 Gráfico de Densidad: Distribución de Precios por Modelo de Carro
## 4.6 Diagrama Circular: Distribución de Precios por Modelo
## V. Medidas estadísticas (Considerar todas las medidas estudiadas)
## 5.1 Promedio del Precio
## 5.2 Promedio del Precio por Modelo
## 5.3 Media del Precio por Modelo
## 5.4 Mediana del Precio por Modelo
## 5.5 Tabla de Frecuencias del Precio por Modelo
## 5.6 Moda, Mediana y Media del Precio por Modelo
## 5.7 Rango del Precio
## 5.8 Varianza del Precio
## 5.9 Desviación Estándar del Precio
## 5.10 Coeficiente de Variación del Precio
## 5.11 Resumen Estadístico del Conjunto de Datos de Autos
## 5.12 Cuartiles de los Precios de los Carros
## 5.13 Cuartiles del Tiempo de Permanencia en el Sitio Web
## 5.14 Deciles de los Precios de los Carros
## 5.15 Percentiles de los Precios de los CarrosTesla ## 1.2 Misión y visión ### Misión de Tesla: “Tesla acelerará la transición del mundo hacia la energía sostenible. Nuestra misión es crear los productos de energía más atractivos a nivel económico y ofrecerlos a tantas personas como sea posible. Priorizamos el impacto medioambiental y social en todo lo que hacemos.”
“Creemos que la aceleración del mundo hacia la energía sostenible no solo es posible, sino también imperativa. Y creamos productos con esta creencia como nuestro principio rector.”
Tesla, Inc. se dedica a la fabricación y desarrollo de productos centrados en la energía sostenible y la movilidad eléctrica. Sus principales líneas de productos incluyen vehículos eléctricos de alta gama, sistemas de almacenamiento de energía, soluciones de energía solar y servicios de carga para vehículos eléctricos.
La problemática de estudio podría centrarse en varios aspectos, como la adopción de vehículos eléctricos, la eficiencia de los sistemas de almacenamiento de energía, la penetración de la energía solar en el mercado residencial y comercial, o la infraestructura de carga para vehículos eléctricos. La empresa también podría enfrentar desafíos relacionados con la competencia en la industria automotriz y las demandas cambiantes del mercado.
El objetivo de estudio puede variar dependiendo de la perspectiva. Por ejemplo, podría centrarse en analizar las tendencias de ventas de vehículos eléctricos, evaluar la eficacia de los sistemas de almacenamiento de energía, o estudiar la distribución geográfica de la adopción de tecnologías solares.
La población de estudio podría incluir propietarios de vehículos eléctricos, usuarios de productos de almacenamiento de energía, hogares con instalaciones solares, entre otros.
La muestra sería un subconjunto representativo de la población de interés, seleccionado de manera que proporcione información estadística significativa.
La unidad de análisis podría ser el consumidor individual, el hogar, la instalación solar, o el propietario de un vehículo eléctrico, dependiendo del enfoque específico del estudio.
El tipo de muestreo podría variar. Podría ser un muestreo aleatorio simple si se busca representatividad, o un muestreo estratificado si se desea considerar diferentes segmentos de la población de manera proporcional.
La importación al entorno de trabajo se refiere al proceso de traer los datos necesarios para el análisis estadístico al software o plataforma que se utilizará para realizar el estudio. En el caso de Tesla, los datos podrían provenir de diversas fuentes, como registros de ventas, datos de producción, información sobre la eficiencia de los sistemas de almacenamiento de energía, etc. Estos datos se importarían a una herramienta estadística como R o Python para su análisis.
Las variables son las características o propiedades que se medirán o analizarán en el estudio. En el contexto de Tesla, algunas variables clave podrían incluir:
Descripción: Cantidad de vehículos eléctricos vendidos en un período específico. Tipo de Variable: Cuantitativa (discreta).
Descripción: Eficiencia energética de los sistemas de almacenamiento de energía producidos por Tesla.
Tipo de Variable: Cuantitativa (continua).
Descripción: Número de instalaciones solares residenciales o comerciales. Tipo de Variable: Cuantitativa (discreta).
Descripción: Cantidad de energía generada por instalaciones solares. Tipo de Variable: Cuantitativa (continua).
Descripción: Variables como la participación de mercado, la preferencia del consumidor, etc. Tipo de Variable: Cualitativa y cuantitativa, dependiendo de la variable específica.
library(dplyr) library(ggplot2)
ecomerce <- read.csv(“Tesla_stock_Price.csv”, sep=“,”) head(ecomerce)
summary_stats <- summary(ecomerce)
tabla_frecuencias <- ecomerce %>% group_by(Modelo) %>% summarise(Frecuencia = n())
grafico_barras_modelo_precio <- ggplot(ecomerce, aes(x = Modelo, y = Precio, fill = Modelo)) + geom_bar(stat = “identity”, position = “dodge”) + labs(title = “Distribución de Precios por Modelo de Carro”, x = “Modelo”, y = “Precio”, fill = “Modelo”) + theme(axis.text.x = element_text(angle = 45, hjust = 1))
histograma_precios <- ggplot(ecomerce, aes(x = Precio)) + geom_histogram(binwidth = 10, fill = “blue”, color = “black”) + labs(title = “Histograma: Precios de Modelos de Carros”, x = “Precio”, y = “Frecuencia”)
grafico_cajas_modelo_precio <- ggplot(ecomerce, aes(x = Modelo, y = Precio, fill = Modelo)) + geom_boxplot() + labs(title = “Distribución de Precios por Modelo de Carro”, x = “Modelo”, y = “Precio”, fill = “Modelo”) + theme(axis.text.x = element_text(angle = 45, hjust = 1))
print(summary_stats) print(tabla_frecuencias) print(grafico_barras_modelo_precio) print(histograma_precios) print(grafico_cajas_modelo_precio)
library(dplyr)
promedio_precio <- mean(ecomerce\(Precio) mediana_precio <- median(ecomerce\)Precio) moda_precio <- table(ecomerce$Precio)
library(modeest) moda_precio <- mfv(ecomerce$Precio)
rango_precio <- max(ecomerce\(Precio) - min(ecomerce\)Precio) varianza_precio <- var(ecomerce\(Precio) desviacion_estandar_precio <- sd(ecomerce\)Precio) coeficiente_variacion_precio <- desviacion_estandar_precio / promedio_precio * 100
resumen_estadistico_precio <- summary(ecomerce$Precio)
print(paste(“Promedio del Precio:”, promedio_precio)) print(paste(“Mediana del Precio:”, mediana_precio)) print(“Moda del Precio:”) print(moda_precio) print(paste(“Rango del Precio:”, rango_precio)) print(paste(“Varianza del Precio:”, varianza_precio)) print(paste(“Desviación Estándar del Precio:”, desviacion_estandar_precio)) print(paste(“Coeficiente de Variación del Precio:”, coeficiente_variacion_precio)) print(“Resumen Estadístico del Precio:”) print(resumen_estadistico_precio)