Actividdad Individual 3,
# agregar una columna con el número de mes
meses <- c("Enero"="01","Febrero"="02","Marzo"="03","Abril"="04","Mayo"="05","Junio"="06","Julio"="07","Agosto"="08","Septiembre"="09","Octubre"="10","Noviembre"="11","Diciembre"="12")
df12$Numero_de_Mes <- meses[df12$Mes]
# Graficar ventas por mes y año
ventas_totales <- df12 %>% group_by(Año,Numero_de_Mes) %>% summarise(Ventas_Totales = sum(ventas_totales)) %>% arrange(Numero_de_Mes)
## `summarise()` has grouped output by 'Año'. You can override using the `.groups`
## argument.
ggplot(ventas_totales, aes(x=Numero_de_Mes, y= Ventas_Totales, group=Año, color= as.factor(Año))) +
geom_line() +
geom_point() +
labs(x= "Mes", y="Ventas Totales(Qty)",color= "Año")

Tarea Colaborativa 3,
Análisis gráfico
# Ventas Coca-Cola
df13 <- df12 %>% mutate(ventas_totales = Ventas_Sem1 + Ventas_Sem2)
df_coca_cola<- select(df13,c(Marca,Año, ventas_totales))
Ventas_totales_por_marca <- df_coca_cola %>% group_by(Marca,Año) %>% summarise(ventas_totales=sum(ventas_totales)) %>% arrange(Año)
## `summarise()` has grouped output by 'Marca'. You can override using the
## `.groups` argument.
Coca_Cola<- Ventas_totales_por_marca %>% filter(Marca== "Coca-Cola")
ggplot(Coca_Cola, aes(x=Año, y= ventas_totales, group=Marca)) +
geom_line() +
geom_point() +
labs(title = "Ventas Coca-Cola",x= "Año", y="Ventas Totales(Qty)")

# Ventas Retornable
df_retornables<- select(df13,c(Retornable_NR,Año, ventas_totales))
Ventas_retornables <- df_retornables %>% group_by(Retornable_NR,Año) %>% summarise(ventas_totales=sum(ventas_totales)) %>% arrange(Año)
## `summarise()` has grouped output by 'Retornable_NR'. You can override using the
## `.groups` argument.
ggplot(Ventas_retornables, aes(x=Año, y= ventas_totales, group=Retornable_NR, color= as.factor(Retornable_NR))) +
geom_line() +
geom_point() +
labs(title = "Ventas según su envase",x= "Año", y="Ventas Totales(Qty)",color= "Envase")

# Ventas Sucursal
df_sucursal<- select(df13,c(CEDI,Año, ventas_totales))
Ventas_sucursal <- df_sucursal %>% group_by(CEDI,Año) %>% summarise(ventas_totales=sum(ventas_totales)) %>% arrange(Año)
## `summarise()` has grouped output by 'CEDI'. You can override using the
## `.groups` argument.
ggplot(Ventas_sucursal, aes(x=Año, y= ventas_totales, group=CEDI, color= as.factor(CEDI))) +
geom_line() +
geom_point() +
labs(title = "Ventas según su sucursal",x= "Año", y="Ventas Totales(Qty)",color= "sucursal")

# Ventas según tamaño
df_tamaño<- select(df13,c(Tamaño,Año, ventas_totales))
Ventas_tamaño <- df_tamaño %>% group_by(Tamaño,Año) %>% summarise(ventas_totales=sum(ventas_totales)) %>% arrange(Año)
## `summarise()` has grouped output by 'Tamaño'. You can override using the
## `.groups` argument.
ggplot(Ventas_tamaño, aes(x=Año, y= ventas_totales, group=Tamaño, color= as.factor(Tamaño))) +
geom_line() +
geom_point() +
labs(title = "Ventas según su tamaño",x= "Año", y="Ventas Totales(Qty)",color= "Tamaño")

# Ventas según tamaño industria
df_tamaño_industria<- select(df13,c(Tamaño_Cte_Industria, ventas_totales))
Ventas_tamaño_industria <- df_tamaño_industria %>% group_by(Tamaño_Cte_Industria) %>% summarise(ventas_totales=sum(ventas_totales))
ggplot(Ventas_tamaño_industria, aes(x=Tamaño_Cte_Industria, y= ventas_totales, group=Tamaño_Cte_Industria, color= as.factor(Tamaño_Cte_Industria))) +
geom_col() +
labs(title = "Ventas según su tamaño",x= "Año", y="Ventas Totales(Qty)",color= "Tamaño")

Actividdad Individual 4,
# Elaborar regresión lineal
ventas_4567 <- df13 %>% filter(Cliente== "4567")%>% group_by(Año) %>% summarise(ventas_totales=sum(ventas_totales))%>% filter(ventas_totales != 0)
# ventas_4567$Secuencia <- 1:nrow(ventas_4567)
ggplot(ventas_4567, aes(x=Año, y= ventas_totales)) +
geom_line() +
geom_point() +
labs(title = "Ventas cliente 4567",x= "Año", y="Ventas Totales(Qty)")

regresion <- lm(ventas_totales ~ Año, data=ventas_4567)
summary(regresion)
##
## Call:
## lm(formula = ventas_totales ~ Año, data = ventas_4567)
##
## Residuals:
## 1 2 3
## -61108 122216 -61108
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 587024128 213589498 2.748 0.222
## Año -290088 105842 -2.741 0.223
##
## Residual standard error: 149700 on 1 degrees of freedom
## Multiple R-squared: 0.8825, Adjusted R-squared: 0.765
## F-statistic: 7.512 on 1 and 1 DF, p-value: 0.2227
# Ecuación
# y= 48918677 + (-24174) * Año
# R cuadrada ajustada
# 77%
datos<- data.frame(Año=2020:2025)
prediccion<-predict(regresion,datos)
prediccion
## 1 2 3 4 5 6
## 1046368 756280 466192 176104 -113984 -404072
ventas_4567$Tipo_de_Dato <- "Datos Reales"
datos$ventas_totales <- prediccion
datos$Tipo_de_Dato <- "Predicción"
datos_combinados <- rbind(ventas_4567,datos)
ggplot(datos_combinados, aes(x=Año, y= ventas_totales, color=Tipo_de_Dato)) +
geom_point() +
labs(title = "Ventas cliente 4567 a 5 años",x= "Año", y="Ventas Totales(Qty)")

Tarea Colaborativa 4,
Mejores_clientes <- df13 %>% group_by(Cliente, Año) %>% summarise(ventas_totales=sum(ventas_totales)) %>% arrange(ventas_totales)
## `summarise()` has grouped output by 'Cliente'. You can override using the
## `.groups` argument.
# Elaborar regresión lineal
ventas_6114 <- df13 %>% filter(Cliente== "6114")%>% group_by(Año) %>% summarise(ventas_totales=sum(ventas_totales))%>% filter(ventas_totales != 0)
# ventas_77796$Secuencia <- 1:nrow(ventas_77796)
ggplot(ventas_6114, aes(x=Año, y= ventas_totales)) +
geom_line() +
geom_point() +
labs(title = "Ventas cliente 6114",x= "Año", y="Ventas Totales(Qty)")

regresion <- lm(ventas_totales ~ Año, data=ventas_6114)
summary(regresion)
##
## Call:
## lm(formula = ventas_totales ~ Año, data = ventas_6114)
##
## Residuals:
## 1 2 3
## -43248 86496 -43248
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 230393988 151163818 1.524 0.37
## Año -113856 74908 -1.520 0.37
##
## Residual standard error: 105900 on 1 degrees of freedom
## Multiple R-squared: 0.6979, Adjusted R-squared: 0.3958
## F-statistic: 2.31 on 1 and 1 DF, p-value: 0.3705
# Ecuación
# y= 48918677 + (-24174) * Año
# R cuadrada ajustada
# 77%
Datos<- data.frame(Año=2020:2025)
prediccion<-predict(regresion,Datos)
prediccion
## 1 2 3 4 5 6
## 404868 291012 177156 63300 -50556 -164412
ventas_6114$Tipo_de_Dato <- "Datos Reales"
Datos$ventas_totales <- prediccion
Datos$Tipo_de_Dato <- "Predicción"
Datos_combinados <- rbind(ventas_6114,Datos)
ggplot(Datos_combinados, aes(x=Año, y= ventas_totales, color=Tipo_de_Dato)) +
geom_point() +
labs(title = "Ventas cliente 6114 a 5 años",x= "Año", y="Ventas Totales(Qty)")

# Elaborar regresión lineal
ggplot(Coca_Cola, aes(x=Año, y= ventas_totales)) +
geom_line() +
geom_point() +
labs(title = "Ventas Coca Cola",x= "Año", y="Ventas Totales(Qty)")

regresion <- lm(ventas_totales ~ Año, data=Coca_Cola)
summary(regresion)
##
## Call:
## lm(formula = ventas_totales ~ Año, data = Coca_Cola)
##
## Residuals:
## 1 2 3 4
## 318246 2290104 -5534946 2926596
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -9.193e+09 4.258e+09 -2.159 0.164
## Año 4.589e+06 2.111e+06 2.174 0.162
##
## Residual standard error: 4719000 on 2 degrees of freedom
## Multiple R-squared: 0.7027, Adjusted R-squared: 0.554
## F-statistic: 4.727 on 1 and 2 DF, p-value: 0.1617
# Ecuación
# y= -9.193e+09 + (4.589e+06) * Año
# R cuadrada ajustada
# 55%
datos<- data.frame(Año=2020:2025)
prediccion<-predict(regresion,datos)
prediccion
## 1 2 3 4 5 6
## 76304886 80893488 85482090 90070692 94659294 99247896
Coca_Cola$Tipo_de_Dato <- "Datos Reales"
datos$ventas_totales <- prediccion
datos$Tipo_de_Dato <- "Predicción"
datos_combinados <- rbind(Coca_Cola,datos)
ggplot(datos_combinados, aes(x=Año, y= ventas_totales, color=Tipo_de_Dato)) +
geom_point() +
labs(title = "Ventas de Coca Cola a 5 años",x= "Año", y="Ventas Totales(Qty)")

# Elaborar regresión lineal
ventas_Huentitán <- Ventas_sucursal %>% filter(CEDI== "Suc. Huentitán")
ggplot(ventas_Huentitán, aes(x=Año, y= ventas_totales)) +
geom_line() +
geom_point() +
labs(title = "Ventas de Sucursal Huentitán",x= "Año", y="Ventas Totales(Qty)")

regresion <- lm(ventas_totales ~ Año, data=ventas_Huentitán)
summary(regresion)
##
## Call:
## lm(formula = ventas_totales ~ Año, data = ventas_Huentitán)
##
## Residuals:
## 1 2 3 4
## 3070121 -2711204 -3787954 3429037
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -385274928 4177889972 -0.092 0.935
## Año 202081 2070825 0.098 0.931
##
## Residual standard error: 4631000 on 2 degrees of freedom
## Multiple R-squared: 0.004739, Adjusted R-squared: -0.4929
## F-statistic: 0.009523 on 1 and 2 DF, p-value: 0.9312
# Ecuación
# y= -9.193e+09 + (4.589e+06) * Año
# R cuadrada ajustada
# 55%
datos<- data.frame(Año=2020:2025)
prediccion<-predict(regresion,datos)
prediccion
## 1 2 3 4 5 6
## 22929096 23131177 23333258 23535340 23737421 23939502
ventas_Huentitán$Tipo_de_Dato <- "Datos Reales"
datos$ventas_totales <- prediccion
datos$Tipo_de_Dato <- "Predicción"
datos_combinados <- rbind(ventas_Huentitán,datos)
ggplot(datos_combinados, aes(x=Año, y= ventas_totales, color=Tipo_de_Dato)) +
geom_point() +
labs(title = "Ventas de Sucursal Huentitán a 5 años",x= "Año", y="Ventas Totales(Qty)")

ventas_Belenes <- Ventas_sucursal %>% filter(CEDI== "Suc. Belenes")
ggplot(ventas_Belenes, aes(x=Año, y= ventas_totales)) +
geom_line() +
geom_point() +
labs(title = "entas de Sucursal Belenes",x= "Año", y="Ventas Totales(Qty)")

regresion <- lm(ventas_totales ~ Año, data=ventas_Belenes)
summary(regresion)
##
## Call:
## lm(formula = ventas_totales ~ Año, data = ventas_Belenes)
##
## Residuals:
## 1 2 3 4
## 2538620 1071029 -9757919 6148270
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -1.976e+10 7.565e+09 -2.612 0.121
## Año 9.809e+06 3.750e+06 2.616 0.120
##
## Residual standard error: 8385000 on 2 degrees of freedom
## Multiple R-squared: 0.7738, Adjusted R-squared: 0.6607
## F-statistic: 6.842 on 1 and 2 DF, p-value: 0.1203
# Ecuación
# y= -9.193e+09 + (4.589e+06) * Año
# R cuadrada ajustada
# 55%
datos<- data.frame(Año=2020:2025)
prediccion<-predict(regresion,datos)
prediccion
## 1 2 3 4 5 6
## 52050486 61859146 71667805 81476465 91285124 101093784
ventas_Belenes$Tipo_de_Dato <- "Datos Reales"
datos$ventas_totales <- prediccion
datos$Tipo_de_Dato <- "Predicción"
datos_combinados <- rbind(ventas_Belenes,datos)
ggplot(datos_combinados, aes(x=Año, y= ventas_totales, color=Tipo_de_Dato)) +
geom_point() +
labs(title = "Ventas de Sucursal Belenes a 5 años",x= "Año", y="Ventas Totales(Qty)")

---
title: 'Arca Continental | Proyecto: Siglo XXI'
author: "Jorge Arthur A01285142"
date: "2024-03-19"
output: 
  html_document:
    toc: TRUE
    toc_float: TRUE
    code_download: TRUE
    theme: yeti
    
---


# <span style= "color: red;">Instalar paquetes y lamar librerías,</span>
```{r message=FALSE, warning=FALSE}
# install.packages("readxl") #leer documentos de excel
library(readxl)
# install.packages("tidyverse") #manipular datos
library(tidyverse)
# install.packages("ggplot2") #gráficas
library(ggplot2)
```

# <span style= "color: red;">Actividdad Individual 2,</span>

## importar la base de datos
```{r message=FALSE, warning=FALSE}
# file.choose()
df<- read_excel("/Users/jorgearthur/Library/Mobile Documents/com~apple~CloudDocs/Clases/5to semestre/Otros/Bootcamp Programación/Base de datos.xlsx")
```

## revisar estructuras de datos
```{r message=FALSE, warning=FALSE}
str(df)

## Revisar NAs en la base de datos
# Cuántos NAs tengo en la base de datos?
sum(is.na(df))

# Cuántos NAs tengo por variable?
sapply(df,function(x) sum(is.na(x)))

# Opción 1. Eliminar NAs
# df1 <- na.omit(df)

# Opción 2. Reemplazar NAs con CEROS
df1 <- df
df1[is.na(df1)] <- 0
sum(is.na(df1))

# Opción 3. Reemplazar NAs con PROMEDIO
# df1 <- df
#df1$Enero[is.na(df1$Enero)]<- mean(df1$Enero, na.rm=TRUE)

```







## Detectar valores atipicos
```{r message=FALSE, warning=FALSE}
boxplot(df1$Enero)

# Eliminar renglón de totales
df1 <- df1[df1$Enero < 6000,]
```

## Funciones del paquete dplyr
```{r message=FALSE, warning=FALSE}
# Adecuar nombres con gsub
names(df1) <- gsub(" ","_",names(df1))

#Muestra las Ventas de Enero a Junio por Cedi
df2<- select(df1,c(CEDI,Enero:Julio))

# Muestra los movimientos por cedi y tamaño de tienda
df3<- df1 %>% filter(Tamaño_Cte_Industria== "Grande")

# Ordena la base de datos por cedi, marca y presentación
 df4 <- df1 %>% arrange (CEDI, Marca, Presentacion)
 
# Agrega un campo calculado con las ventas del primer semestre y muestra las ventas del primer semestre por marca.
 
 df5 <- df1 %>% mutate(Ventas_Sem1 = Enero + Febrero + Marzo + Abril + Mayo + Junio)
 
 Ventas_Sem1_por_marca <- df5 %>% group_by(Marca,Año) %>% summarise(Ventas_Sem1=sum(Ventas_Sem1))
 
#Obtén la media de las ventas del primer semestre agrupado por marca, presentación y tamaño.
 
 df6 <- df5 %>% group_by(Marca, Presentacion, Tamaño) %>% summarise(Ventas_Sem1=mean(Ventas_Sem1))
 
# Calcular medidas de tendencia central
 summary(df1)
 
 
```

# <span style= "color: red;">Tarea Colaborativa 2,</span>
## Detectar datos adicionales
```{r}
# Ventas por tipo de envase

df7 <- df5 %>% group_by(Retornable_NR) %>% summarise((Ventas_Sem1=sum(Ventas_Sem1)))

# Ventas de tamaño tipo familiar
df8<- df5 %>% filter(Tamaño== "Familiar")

# Ventas por presentación
df9<- select(df5,c(Presentacion,Ventas_Sem1))

# Ventas segundo semestre
df10 <- df5 %>% mutate(Ventas_Sem2 = Julio + Agosto + Septiembre + Octubre + Noviembre + Diciembre)

# Ventas segundo semestre por marca
Ventas_Sem2_por_marca <- df10 %>% group_by(Marca) %>% summarise(Ventas_Sem2=sum(Ventas_Sem2))

# Ventas por presentación y tipo de envase
 df11 <- df10 %>% arrange (CEDI, Presentacion, Retornable_NR)
 
 # Colapsar meses en una Columna
 df12 <- gather(df10, Mes, ventas_totales, Enero:Diciembre)
 
```



# <span style= "color: red;">Actividdad Individual 3,</span>
```{r}
# agregar una columna con el número de mes
meses <- c("Enero"="01","Febrero"="02","Marzo"="03","Abril"="04","Mayo"="05","Junio"="06","Julio"="07","Agosto"="08","Septiembre"="09","Octubre"="10","Noviembre"="11","Diciembre"="12")

df12$Numero_de_Mes <- meses[df12$Mes]

# Graficar ventas por mes y año
ventas_totales <- df12 %>% group_by(Año,Numero_de_Mes) %>% summarise(Ventas_Totales = sum(ventas_totales)) %>% arrange(Numero_de_Mes)


ggplot(ventas_totales, aes(x=Numero_de_Mes, y= Ventas_Totales, group=Año, color= as.factor(Año))) +
  geom_line() +
  geom_point() +
  labs(x= "Mes", y="Ventas Totales(Qty)",color= "Año")

```

# <span style= "color: red;">Tarea Colaborativa 3,</span>
## Análisis gráfico

```{r}
# Ventas Coca-Cola
df13 <- df12 %>% mutate(ventas_totales = Ventas_Sem1 + Ventas_Sem2)

df_coca_cola<- select(df13,c(Marca,Año, ventas_totales))

Ventas_totales_por_marca <- df_coca_cola %>% group_by(Marca,Año) %>% summarise(ventas_totales=sum(ventas_totales)) %>% arrange(Año)

Coca_Cola<- Ventas_totales_por_marca %>% filter(Marca== "Coca-Cola")

ggplot(Coca_Cola, aes(x=Año, y= ventas_totales, group=Marca)) +
  geom_line() +
  geom_point() +
  labs(title = "Ventas Coca-Cola",x= "Año", y="Ventas Totales(Qty)")

# Ventas Retornable
df_retornables<- select(df13,c(Retornable_NR,Año, ventas_totales))

Ventas_retornables <- df_retornables %>% group_by(Retornable_NR,Año) %>% summarise(ventas_totales=sum(ventas_totales)) %>% arrange(Año)

ggplot(Ventas_retornables, aes(x=Año, y= ventas_totales, group=Retornable_NR, color= as.factor(Retornable_NR))) +
  geom_line() +
  geom_point() +
  labs(title = "Ventas según su envase",x= "Año", y="Ventas Totales(Qty)",color= "Envase")

# Ventas Sucursal
df_sucursal<- select(df13,c(CEDI,Año, ventas_totales))

Ventas_sucursal <- df_sucursal %>% group_by(CEDI,Año) %>% summarise(ventas_totales=sum(ventas_totales)) %>% arrange(Año)

ggplot(Ventas_sucursal, aes(x=Año, y= ventas_totales, group=CEDI, color= as.factor(CEDI))) +
  geom_line() +
  geom_point() +
  labs(title = "Ventas según su sucursal",x= "Año", y="Ventas Totales(Qty)",color= "sucursal")

# Ventas según tamaño
df_tamaño<- select(df13,c(Tamaño,Año, ventas_totales))

Ventas_tamaño <- df_tamaño %>% group_by(Tamaño,Año) %>% summarise(ventas_totales=sum(ventas_totales)) %>% arrange(Año)

ggplot(Ventas_tamaño, aes(x=Año, y= ventas_totales, group=Tamaño, color= as.factor(Tamaño))) +
  geom_line() +
  geom_point() +
  labs(title = "Ventas según su tamaño",x= "Año", y="Ventas Totales(Qty)",color= "Tamaño")

# Ventas según tamaño industria
df_tamaño_industria<- select(df13,c(Tamaño_Cte_Industria, ventas_totales))

Ventas_tamaño_industria <- df_tamaño_industria %>% group_by(Tamaño_Cte_Industria) %>% summarise(ventas_totales=sum(ventas_totales)) 

ggplot(Ventas_tamaño_industria, aes(x=Tamaño_Cte_Industria, y= ventas_totales, group=Tamaño_Cte_Industria, color= as.factor(Tamaño_Cte_Industria))) +
  geom_col() +
  labs(title = "Ventas según su tamaño",x= "Año", y="Ventas Totales(Qty)",color= "Tamaño")

```



# <span style= "color: red;">Actividdad Individual 4,</span>
```{r}
# Elaborar regresión lineal
ventas_4567 <- df13 %>% filter(Cliente== "4567")%>% group_by(Año) %>% summarise(ventas_totales=sum(ventas_totales))%>% filter(ventas_totales != 0)

# ventas_4567$Secuencia <- 1:nrow(ventas_4567)

ggplot(ventas_4567, aes(x=Año, y= ventas_totales)) +
   geom_line() +
  geom_point() +
  labs(title = "Ventas cliente 4567",x= "Año", y="Ventas Totales(Qty)")

regresion <- lm(ventas_totales ~ Año, data=ventas_4567)
summary(regresion)

# Ecuación 
# y= 48918677 + (-24174) * Año
# R cuadrada ajustada
# 77%

datos<- data.frame(Año=2020:2025)
prediccion<-predict(regresion,datos)
prediccion
ventas_4567$Tipo_de_Dato <- "Datos Reales"
datos$ventas_totales <- prediccion
datos$Tipo_de_Dato <- "Predicción"

datos_combinados <- rbind(ventas_4567,datos)

ggplot(datos_combinados, aes(x=Año, y= ventas_totales, color=Tipo_de_Dato)) +
  geom_point() +
  labs(title = "Ventas cliente 4567 a 5 años",x= "Año", y="Ventas Totales(Qty)")
```


# <span style= "color: red;">Tarea Colaborativa 4,</span>
```{r}

Mejores_clientes <- df13 %>%  group_by(Cliente, Año) %>% summarise(ventas_totales=sum(ventas_totales)) %>% arrange(ventas_totales)


# Elaborar regresión lineal
ventas_6114 <- df13 %>% filter(Cliente== "6114")%>% group_by(Año) %>% summarise(ventas_totales=sum(ventas_totales))%>% filter(ventas_totales != 0)

# ventas_77796$Secuencia <- 1:nrow(ventas_77796)

ggplot(ventas_6114, aes(x=Año, y= ventas_totales)) +
   geom_line() +
  geom_point() +
  labs(title = "Ventas cliente 6114",x= "Año", y="Ventas Totales(Qty)")

regresion <- lm(ventas_totales ~ Año, data=ventas_6114)
summary(regresion)

# Ecuación 
# y= 48918677 + (-24174) * Año
# R cuadrada ajustada
# 77%

Datos<- data.frame(Año=2020:2025)
prediccion<-predict(regresion,Datos)
prediccion
ventas_6114$Tipo_de_Dato <- "Datos Reales"
Datos$ventas_totales <- prediccion
Datos$Tipo_de_Dato <- "Predicción"

Datos_combinados <- rbind(ventas_6114,Datos)

ggplot(Datos_combinados, aes(x=Año, y= ventas_totales, color=Tipo_de_Dato)) +
  geom_point() +
  labs(title = "Ventas cliente 6114 a 5 años",x= "Año", y="Ventas Totales(Qty)")
```
```{r}
# Elaborar regresión lineal


ggplot(Coca_Cola, aes(x=Año, y= ventas_totales)) +
   geom_line() +
  geom_point() +
  labs(title = "Ventas Coca Cola",x= "Año", y="Ventas Totales(Qty)")

regresion <- lm(ventas_totales ~ Año, data=Coca_Cola)
summary(regresion)

# Ecuación 
# y= -9.193e+09 + (4.589e+06) * Año
# R cuadrada ajustada
# 55%

datos<- data.frame(Año=2020:2025)
prediccion<-predict(regresion,datos)
prediccion
Coca_Cola$Tipo_de_Dato <- "Datos Reales"
datos$ventas_totales <- prediccion
datos$Tipo_de_Dato <- "Predicción"

datos_combinados <- rbind(Coca_Cola,datos)

ggplot(datos_combinados, aes(x=Año, y= ventas_totales, color=Tipo_de_Dato)) +
  geom_point() +
  labs(title = "Ventas de Coca Cola a 5 años",x= "Año", y="Ventas Totales(Qty)")
```
```{r}
# Elaborar regresión lineal
ventas_Huentitán <- Ventas_sucursal %>% filter(CEDI== "Suc. Huentitán")



ggplot(ventas_Huentitán, aes(x=Año, y= ventas_totales)) +
   geom_line() +
  geom_point() +
  labs(title = "Ventas de Sucursal Huentitán",x= "Año", y="Ventas Totales(Qty)")

regresion <- lm(ventas_totales ~ Año, data=ventas_Huentitán)
summary(regresion)

# Ecuación 
# y= -9.193e+09 + (4.589e+06) * Año
# R cuadrada ajustada
# 55%

datos<- data.frame(Año=2020:2025)
prediccion<-predict(regresion,datos)
prediccion
ventas_Huentitán$Tipo_de_Dato <- "Datos Reales"
datos$ventas_totales <- prediccion
datos$Tipo_de_Dato <- "Predicción"

datos_combinados <- rbind(ventas_Huentitán,datos)

ggplot(datos_combinados, aes(x=Año, y= ventas_totales, color=Tipo_de_Dato)) +
  geom_point() +
  labs(title = "Ventas de Sucursal Huentitán a 5 años",x= "Año", y="Ventas Totales(Qty)")
```
```{r}
ventas_Belenes <- Ventas_sucursal %>% filter(CEDI== "Suc. Belenes")



ggplot(ventas_Belenes, aes(x=Año, y= ventas_totales)) +
   geom_line() +
  geom_point() +
  labs(title = "entas de Sucursal Belenes",x= "Año", y="Ventas Totales(Qty)")

regresion <- lm(ventas_totales ~ Año, data=ventas_Belenes)
summary(regresion)

# Ecuación 
# y= -9.193e+09 + (4.589e+06) * Año
# R cuadrada ajustada
# 55%

datos<- data.frame(Año=2020:2025)
prediccion<-predict(regresion,datos)
prediccion
ventas_Belenes$Tipo_de_Dato <- "Datos Reales"
datos$ventas_totales <- prediccion
datos$Tipo_de_Dato <- "Predicción"

datos_combinados <- rbind(ventas_Belenes,datos)

ggplot(datos_combinados, aes(x=Año, y= ventas_totales, color=Tipo_de_Dato)) +
  geom_point() +
  labs(title = "Ventas de Sucursal Belenes a 5 años",x= "Año", y="Ventas Totales(Qty)")
```


# <span style= "color: red;">Actividdad Individual 5,</span>

# <span style= "color: red;">Evidencia,</span>


