Practica4
PriscilaTania
2024-08-27
Introducción
El objetivo de este análisis es construir y visualizar un árbol de decisiones que ayude a “El Mercader de Venecia” a tomar decisiones estratégicas para expandirse a tres municipios del estado de Hidalgo: Huichapan, Tecozautla y Nopala. A continuación, se describen los pasos seguidos para crear y analizar el árbol de decisiones.
1. Conectar a la Base de Datos
rm = list(ls())
# Cargar las librerías necesarias
library(RSQLite)
library(DBI)
library(rpart)
library(rpart.plot)
library(dplyr)##
## Adjuntando el paquete: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(tidyr)
library(ggplot2)
# Asegurar que no se utilice notación científica en la visualización
options(scipen = 999)1.1 Leer Path
# Conectar a la base de datos
db_path <- "arbol_decisiones_expansion.db"
db_path## [1] "arbol_decisiones_expansion.db"con <- dbConnect(RSQLite::SQLite(), db_path) # Establelcer coneccióndbListTables(con)## [1] "Estudios_Mercado" "Mercados" "Opciones_Estratégicas"# Selecciona las primeras 5 filas de la tabla
# Esto es lenguaje SQL lo que está en mayúsculas
query <- "SELECT * FROM Estudios_Mercado LIMIT 5" # TExto consulta
# Si lo ocupo, sólo debo ajustar el query
dbGetQuery(con, query)## Estudio_ID Mercado_ID Descripción
## 1 1 1 Estudio de Demanda en Huichapan
## 2 2 2 Análisis de Competencia en Tecozautla
## 3 3 3 Estudio de Población en Nopala
## Resultados
## 1 Se espera un crecimiento moderado con una tendencia favorable a la expansión.
## 2 Alta competencia local, requiere una estrategia diferenciada para el éxito.
## 3 Mercado pequeño pero con baja competencia, alta probabilidad de éxito.
## Fecha_Estudio
## 1 2023-05-01
## 2 2023-06-15
## 3 2023-07-20query <- "SELECT * FROM Mercados LIMIT 5"
dbGetQuery(con, query)## Mercado_ID Nombre_Mercado Tamaño_Mercado Competencia Costo_Entrada
## 1 1 Huichapan 50000 Media 1500000
## 2 2 Tecozautla 35000 Alta 1000000
## 3 3 Nopala 25000 Baja 750000
## Probabilidad_Éxito
## 1 0.65
## 2 0.55
## 3 0.75Vamos a unir dos tablas:Estudios_Mercado y Mercado, a partir de una columna que tienen en común: Merado_ID.
# Genera dos talas provisionales llamadas estudio_mercado y mercado
# Estudios_Mercado AS estudio_mercado
query <- "SELECT estudio_mercado.*, mercado.*
FROM
Estudios_Mercado AS estudio_mercado
INNER JOIN
Mercados AS mercado
ON
estudio_mercado.Mercado_ID = mercado.Mercado_ID;"
dbGetQuery(con, query)## Estudio_ID Mercado_ID Descripción
## 1 1 1 Estudio de Demanda en Huichapan
## 2 2 2 Análisis de Competencia en Tecozautla
## 3 3 3 Estudio de Población en Nopala
## Resultados
## 1 Se espera un crecimiento moderado con una tendencia favorable a la expansión.
## 2 Alta competencia local, requiere una estrategia diferenciada para el éxito.
## 3 Mercado pequeño pero con baja competencia, alta probabilidad de éxito.
## Fecha_Estudio Mercado_ID Nombre_Mercado Tamaño_Mercado Competencia
## 1 2023-05-01 1 Huichapan 50000 Media
## 2 2023-06-15 2 Tecozautla 35000 Alta
## 3 2023-07-20 3 Nopala 25000 Baja
## Costo_Entrada Probabilidad_Éxito
## 1 1500000 0.65
## 2 1000000 0.55
## 3 750000 0.75Consultamos valores de una tabla, con ayuda de otra tabla.
# Con los valores de una tabla, consultamos la otra tabla
# Quiero conocer los resultados de Estudios_Mercado para Nopala,
# Pero Nopala no aparee en Estudio_Mercado, sólo aparece Mercado_ID
query <- "SELECT estudios_mercado.*
FROM
Estudios_Mercado estudios_mercado
INNER JOin
Mercados AS mercado
ON
estudios_mercado.Mercado_ID = mercado.Mercado_ID
WHERE
mercado.Nombre_Mercado = 'Nopala';
"
dbGetQuery(con, query)## Estudio_ID Mercado_ID Descripción
## 1 3 3 Estudio de Población en Nopala
## Resultados
## 1 Mercado pequeño pero con baja competencia, alta probabilidad de éxito.
## Fecha_Estudio
## 1 2023-07-20Ya establecimos la conexión con la base de datos (es lo mismo para SQL), ahora queremos saber cuáles son las tablas presentes en el archivo y cuales son las columnas presentes. Atención: hay varias tablas , pero todas están en el mismo archivo .db
1.2 Ver tablas
# Ver las tablas almacenadas en la base de datos
tables <- dbListTables(con)
print("Tablas disponibles en la base de datos:") # Imprimir mensaje## [1] "Tablas disponibles en la base de datos:"print(tables)## [1] "Estudios_Mercado" "Mercados" "Opciones_Estratégicas"1.3 Columnas tablas
# Este paso es necesario para realizar un nuevo registro
# Pegar este resultado en el asitete y pedir guía para
# realizar uevo registro
query <- "PRAGMA table_info(Estudios_Mercado);"
dbGetQuery(con, query)## cid name type notnull dflt_value pk
## 1 0 Estudio_ID INTEGER 0 NA 1
## 2 1 Mercado_ID INTEGER 0 NA 0
## 3 2 Descripción TEXT 0 NA 0
## 4 3 Resultados TEXT 0 NA 0
## 5 4 Fecha_Estudio DATE 0 NA 01.3 Vista previa
# Ver el contenido de cada tabla (similar a head())
for (table in tables) {
cat("\nContenido de la tabla:", table, "\n")
query <- paste("SELECT * FROM", table, "LIMIT 5") # Selecciona las primeras 5 filas de la tabla
data <- dbGetQuery(con, query)
print(data)
}##
## Contenido de la tabla: Estudios_Mercado
## Estudio_ID Mercado_ID Descripción
## 1 1 1 Estudio de Demanda en Huichapan
## 2 2 2 Análisis de Competencia en Tecozautla
## 3 3 3 Estudio de Población en Nopala
## Resultados
## 1 Se espera un crecimiento moderado con una tendencia favorable a la expansión.
## 2 Alta competencia local, requiere una estrategia diferenciada para el éxito.
## 3 Mercado pequeño pero con baja competencia, alta probabilidad de éxito.
## Fecha_Estudio
## 1 2023-05-01
## 2 2023-06-15
## 3 2023-07-20
##
## Contenido de la tabla: Mercados
## Mercado_ID Nombre_Mercado Tamaño_Mercado Competencia Costo_Entrada
## 1 1 Huichapan 50000 Media 1500000
## 2 2 Tecozautla 35000 Alta 1000000
## 3 3 Nopala 25000 Baja 750000
## Probabilidad_Éxito
## 1 0.65
## 2 0.55
## 3 0.75
##
## Contenido de la tabla: Opciones_Estratégicas
## Opción_ID Mercado_ID Nombre_Opción Costo_Opción Beneficio_Estimado
## 1 1 1 Expansión Total 2000000 3000000
## 2 2 1 Alianza Estratégica 1000000 2000000
## 3 3 1 Expansión Parcial 1200000 2500000
## 4 4 2 Expansión Total 1500000 2500000
## 5 5 2 Alianza Estratégica 800000 1800000
## Probabilidad_Éxito_Opción
## 1 0.70
## 2 0.65
## 3 0.60
## 4 0.60
## 5 0.552. Cargar Datos
# Cargar las tablas de la base de datos
mercados <- dbGetQuery(con, "SELECT * FROM Mercados")
opciones <- dbGetQuery(con, "SELECT * FROM Opciones_Estratégicas")
estudios <- dbGetQuery(con, "SELECT * FROM Estudios_Mercado")
# Mostrar un vistazo rápido a los datos cargados
head(mercados)## Mercado_ID Nombre_Mercado Tamaño_Mercado Competencia Costo_Entrada
## 1 1 Huichapan 50000 Media 1500000
## 2 2 Tecozautla 35000 Alta 1000000
## 3 3 Nopala 25000 Baja 750000
## Probabilidad_Éxito
## 1 0.65
## 2 0.55
## 3 0.75head(opciones)## Opción_ID Mercado_ID Nombre_Opción Costo_Opción Beneficio_Estimado
## 1 1 1 Expansión Total 2000000 3000000
## 2 2 1 Alianza Estratégica 1000000 2000000
## 3 3 1 Expansión Parcial 1200000 2500000
## 4 4 2 Expansión Total 1500000 2500000
## 5 5 2 Alianza Estratégica 800000 1800000
## 6 6 2 Expansión Parcial 1000000 2200000
## Probabilidad_Éxito_Opción
## 1 0.70
## 2 0.65
## 3 0.60
## 4 0.60
## 5 0.55
## 6 0.50head(estudios)## Estudio_ID Mercado_ID Descripción
## 1 1 1 Estudio de Demanda en Huichapan
## 2 2 2 Análisis de Competencia en Tecozautla
## 3 3 3 Estudio de Población en Nopala
## Resultados
## 1 Se espera un crecimiento moderado con una tendencia favorable a la expansión.
## 2 Alta competencia local, requiere una estrategia diferenciada para el éxito.
## 3 Mercado pequeño pero con baja competencia, alta probabilidad de éxito.
## Fecha_Estudio
## 1 2023-05-01
## 2 2023-06-15
## 3 2023-07-202.1 Desconectar base
dbDisconnect(con)3. Asignación de probabilidades y cálculo de valor esperado
# Convertir Mercado_ID a factor y agregar nombres de municipios para asegurarnos de que se visualicen correctamente
opciones$Mercado_Nombre <- mercados$Nombre_Mercado[match(opciones$Mercado_ID, mercados$Mercado_ID)]
# Crear acrónimos para las opciones estratégicas
opciones$Nombre_Opción <- recode(opciones$Nombre_Opción,
"Expansión Total" = "ExpTotal",
"Alianza Estratégica" = "AliAEstr",
"Expansión Parcial" = "ExpPar")
# Asignar probabilidades y calcular el valor esperado para cada opción
opciones <- opciones %>%
mutate(Valor_Esperado = Probabilidad_Éxito_Opción * Beneficio_Estimado -
(1 - Probabilidad_Éxito_Opción) * Costo_Opción)
# Convertir los valores monetarios a miles de pesos y asegurarse de que no usen notación científica
opciones <- opciones %>%
mutate(Costo_Opción = Costo_Opción / 1000,
Beneficio_Estimado = Beneficio_Estimado / 1000,
Valor_Esperado = Valor_Esperado / 1000)
names(opciones) <- c("OpID", "MercID", "NomOp", "CostOp", "BenEst", "ProbExito", "MercNom", "ValEsp")
# Visualizar el resultado de la transformación
print(opciones)## OpID MercID NomOp CostOp BenEst ProbExito MercNom ValEsp
## 1 1 1 ExpTotal 2000 3000 0.70 Huichapan 1500
## 2 2 1 AliAEstr 1000 2000 0.65 Huichapan 950
## 3 3 1 ExpPar 1200 2500 0.60 Huichapan 1020
## 4 4 2 ExpTotal 1500 2500 0.60 Tecozautla 900
## 5 5 2 AliAEstr 800 1800 0.55 Tecozautla 630
## 6 6 2 ExpPar 1000 2200 0.50 Tecozautla 600
## 7 7 3 ExpTotal 1200 2000 0.75 Nopala 1200
## 8 8 3 AliAEstr 600 1500 0.70 Nopala 870
## 9 9 3 ExpPar 800 1800 0.65 Nopala 8904. Construcción y Visualización del árbol de decisiones
# Crear un modelo de árbol de decisiones con rpart
arbol <- rpart(ValEsp ~ MercNom + NomOp + CostOp + ProbExito,
data = opciones,
method = "anova",
control = rpart.control(minsplit = 2, cp = 0))
# Visualizar el árbol de decisiones con rpart.plot
rpart.plot(arbol, main = "Árbol de decisiones para expansión a \nnuevos mercados (miles de pesos)",
type = 4, extra = 101, # Muestra el valor ajustado del nodo
under = TRUE,
fallen.leaves = TRUE,
digits = 1, # Mostrar cantidades con tres decimales
box.palette = "RdYlGn",
tweak = 1.2)
4.1 Podado de árbol de decisiones
# Paso 1: Visualizar la tabla de costos de complejidad
printcp(arbol)##
## Regression tree:
## rpart(formula = ValEsp ~ MercNom + NomOp + CostOp + ProbExito,
## data = opciones, method = "anova", control = rpart.control(minsplit = 2,
## cp = 0))
##
## Variables actually used in tree construction:
## [1] CostOp MercNom NomOp ProbExito
##
## Root node error: 607289/9 = 67477
##
## n= 9
##
## CP nsplit rel error xerror xstd
## 1 0.558118047 0 1.000000000 1.2656 0.58778
## 2 0.314210700 1 0.441881953 1.9169 0.58147
## 3 0.103020711 2 0.127671253 1.5123 0.51459
## 4 0.019106777 3 0.024650542 1.6116 0.65266
## 5 0.004034324 4 0.005543765 1.5113 0.59917
## 6 0.000740998 5 0.001509441 1.4393 0.57910
## 7 0.000686109 6 0.000768443 1.4647 0.57860
## 8 0.000082333 7 0.000082333 1.4647 0.57860
## 9 0.000000000 8 0.000000000 1.4692 0.57826# Paso 2: Seleccionar un valor de cp que permita una poda menos agresiva
# Aquí, seleccionaremos un cp más pequeño, que no sea el mínimo, pero que aún reduzca el tamaño del árbol
# Usamos la tabla para identificar un valor adecuado
best_cp <- arbol$cptable[which.min(arbol$cptable[,"xerror"]), "CP"]
# Probar con un cp un poco menor al seleccionado automáticamente
# Puedes intentar reducir el valor ligeramente
adjusted_cp <- best_cp / 2 # Esto es un ejemplo, puede ser ajustado según la tabla `printcp`
# Paso 3: Podar el árbol utilizando el valor ajustado de cp
arbol_podado <- prune(arbol, cp = adjusted_cp)
# Paso 4: Visualizar el árbol podado
rpart.plot(arbol_podado, main = "Árbol de decisiones podado para expansión a \nnuevos mercados (miles de pesos",
type = 4, extra = 101,
under = TRUE,
fallen.leaves = TRUE,
digits = 1,
box.palette = "RdYlGn",
tweak = 1.2)
5. Selección de opciones
# Crear la tabla con el valor esperado para cada municipio y opción
tabla_valores <- opciones %>%
select(MercNom, NomOp, ValEsp)
print(tabla_valores)## MercNom NomOp ValEsp
## 1 Huichapan ExpTotal 1500
## 2 Huichapan AliAEstr 950
## 3 Huichapan ExpPar 1020
## 4 Tecozautla ExpTotal 900
## 5 Tecozautla AliAEstr 630
## 6 Tecozautla ExpPar 600
## 7 Nopala ExpTotal 1200
## 8 Nopala AliAEstr 870
## 9 Nopala ExpPar 890# Encontrar el municipio con el valor esperado máximo para la opción "ExpTotal"
municipio_max <- tabla_valores %>%
filter(ValEsp == max(ValEsp))
# Imprimir un mensaje personalizado
municipio <- municipio_max$MercNom
valor <- municipio_max$ValEsp
estrategia <- municipio_max$NomOp
mensaje <- paste("El municipio elegido es", municipio, "con un valor esperado máximo de",
valor, "miles de pesos en la opción", estrategia,
"lo que lo convierte en la mejor opción para la expansión.")
print(mensaje)## [1] "El municipio elegido es Huichapan con un valor esperado máximo de 1500 miles de pesos en la opción ExpTotal lo que lo convierte en la mejor opción para la expansión."6. Evaluación del árbol de decisiones
# Evaluar y comparar las opciones dentro de cada municipio
evaluacion <- tabla_valores %>%
group_by(MercNom) %>%
summarise(
ExpTotal = ValEsp[NomOp == "ExpTotal"],
AliAEstr = ValEsp[NomOp == "AliAEstr"],
ExpPar = ValEsp[NomOp == "ExpPar"]
)
print(evaluacion)## # A tibble: 3 × 4
## MercNom ExpTotal AliAEstr ExpPar
## <chr> <dbl> <dbl> <dbl>
## 1 Huichapan 1500 950 1020
## 2 Nopala 1200 870 890
## 3 Tecozautla 900 630 600# Encontrar la mejor opción para cada municipio
mejor_opcion_por_municipio <- tabla_valores %>%
group_by(MercNom) %>%
filter(ValEsp == max(ValEsp)) %>%
arrange(desc(ValEsp))
print(mejor_opcion_por_municipio)## # A tibble: 3 × 3
## # Groups: MercNom [3]
## MercNom NomOp ValEsp
## <chr> <chr> <dbl>
## 1 Huichapan ExpTotal 1500
## 2 Nopala ExpTotal 1200
## 3 Tecozautla ExpTotal 900# Imprimir un mensaje personalizado para cada municipio
for (i in 1:nrow(mejor_opcion_por_municipio)) {
municipio <- mejor_opcion_por_municipio$MercNom[i]
valor <- mejor_opcion_por_municipio$ValEsp[i]
estrategia <- mejor_opcion_por_municipio$NomOp[i]
mensaje <- paste("En", municipio, "la mejor opción es", estrategia,
"con un valor esperado de", valor, "miles de pesos.")
print(mensaje)
}## [1] "En Huichapan la mejor opción es ExpTotal con un valor esperado de 1500 miles de pesos."
## [1] "En Nopala la mejor opción es ExpTotal con un valor esperado de 1200 miles de pesos."
## [1] "En Tecozautla la mejor opción es ExpTotal con un valor esperado de 900 miles de pesos."# Análisis adicional para la opción "ExpTotal"
# Comparar "ExpTotal" con otras opciones en el municipio seleccionado
municipio_seleccionado <- municipio_max$MercNom
comparacion_exp_total <- tabla_valores %>%
filter(MercNom == municipio_seleccionado)
print("Comparación de opciones en el municipio seleccionado:")## [1] "Comparación de opciones en el municipio seleccionado:"print(comparacion_exp_total)## MercNom NomOp ValEsp
## 1 Huichapan ExpTotal 1500
## 2 Huichapan AliAEstr 950
## 3 Huichapan ExpPar 1020# Justificar la elección
razon <- paste("La opción 'ExpTotal' fue seleccionada en", municipio_seleccionado,
"debido a que presentó el mayor valor esperado de", valor,
"miles de pesos. Esta opción es preferible a las demás, dado que maximiza el retorno esperado, considerando tanto el beneficio estimado como la probabilidad de éxito.")
print(razon)## [1] "La opción 'ExpTotal' fue seleccionada en Huichapan debido a que presentó el mayor valor esperado de 900 miles de pesos. Esta opción es preferible a las demás, dado que maximiza el retorno esperado, considerando tanto el beneficio estimado como la probabilidad de éxito."7. Análisis de sensibilidad
#```{r Sensibilidad}
# Definir un rango de variación para la probabilidad de éxito (por ejemplo, entre 0.5 y 0.9)
probabilidades <- seq(0.5, 0.9, by = 0.05)
# Crear una función para calcular el valor esperado basado en la probabilidad de éxito variable
calcular_valor_esperado <- function(prob, cost, beneficio) {
return(prob * beneficio - (1 - prob) * cost)
}
# Calcular el número total de combinaciones de opciones y probabilidades
n_combinaciones <- nrow(opciones) * length(probabilidades)
# Aplicar el análisis de sensibilidad para cada opción y cada probabilidad de éxito
sensibilidad <- opciones %>%
slice(rep(1:n(), each = length(probabilidades))) %>%
mutate(
ProbabilidadExito = rep(probabilidades, times = nrow(opciones)),
ValEspSens = calcular_valor_esperado(ProbabilidadExito, CostOp, BenEst)
)
# Modificar el nombre del municipio para incluir la opción elegida
sensibilidad <- sensibilidad %>%
left_join(mejor_opcion_por_municipio, by = "MercNom") %>%
mutate(MercNom = paste(MercNom, "\n(", NomOp.y, ")", sep = ""))
# Mostrar una tabla de resultados del análisis de sensibilidad para "ExpTotal" en cada municipio
sensibilidad_exp_total <- sensibilidad %>%
filter(NomOp.x == "ExpTotal") %>%
arrange(MercNom, ProbabilidadExito)
print(sensibilidad_exp_total)## OpID MercID NomOp.x CostOp BenEst ProbExito MercNom ValEsp.x
## 1 1 1 ExpTotal 2000 3000 0.70 Huichapan\n(ExpTotal) 1500
## 2 1 1 ExpTotal 2000 3000 0.70 Huichapan\n(ExpTotal) 1500
## 3 1 1 ExpTotal 2000 3000 0.70 Huichapan\n(ExpTotal) 1500
## 4 1 1 ExpTotal 2000 3000 0.70 Huichapan\n(ExpTotal) 1500
## 5 1 1 ExpTotal 2000 3000 0.70 Huichapan\n(ExpTotal) 1500
## 6 1 1 ExpTotal 2000 3000 0.70 Huichapan\n(ExpTotal) 1500
## 7 1 1 ExpTotal 2000 3000 0.70 Huichapan\n(ExpTotal) 1500
## 8 1 1 ExpTotal 2000 3000 0.70 Huichapan\n(ExpTotal) 1500
## 9 1 1 ExpTotal 2000 3000 0.70 Huichapan\n(ExpTotal) 1500
## 10 7 3 ExpTotal 1200 2000 0.75 Nopala\n(ExpTotal) 1200
## 11 7 3 ExpTotal 1200 2000 0.75 Nopala\n(ExpTotal) 1200
## 12 7 3 ExpTotal 1200 2000 0.75 Nopala\n(ExpTotal) 1200
## 13 7 3 ExpTotal 1200 2000 0.75 Nopala\n(ExpTotal) 1200
## 14 7 3 ExpTotal 1200 2000 0.75 Nopala\n(ExpTotal) 1200
## 15 7 3 ExpTotal 1200 2000 0.75 Nopala\n(ExpTotal) 1200
## 16 7 3 ExpTotal 1200 2000 0.75 Nopala\n(ExpTotal) 1200
## 17 7 3 ExpTotal 1200 2000 0.75 Nopala\n(ExpTotal) 1200
## 18 7 3 ExpTotal 1200 2000 0.75 Nopala\n(ExpTotal) 1200
## 19 4 2 ExpTotal 1500 2500 0.60 Tecozautla\n(ExpTotal) 900
## 20 4 2 ExpTotal 1500 2500 0.60 Tecozautla\n(ExpTotal) 900
## 21 4 2 ExpTotal 1500 2500 0.60 Tecozautla\n(ExpTotal) 900
## 22 4 2 ExpTotal 1500 2500 0.60 Tecozautla\n(ExpTotal) 900
## 23 4 2 ExpTotal 1500 2500 0.60 Tecozautla\n(ExpTotal) 900
## 24 4 2 ExpTotal 1500 2500 0.60 Tecozautla\n(ExpTotal) 900
## 25 4 2 ExpTotal 1500 2500 0.60 Tecozautla\n(ExpTotal) 900
## 26 4 2 ExpTotal 1500 2500 0.60 Tecozautla\n(ExpTotal) 900
## 27 4 2 ExpTotal 1500 2500 0.60 Tecozautla\n(ExpTotal) 900
## ProbabilidadExito ValEspSens NomOp.y ValEsp.y
## 1 0.50 500 ExpTotal 1500
## 2 0.55 750 ExpTotal 1500
## 3 0.60 1000 ExpTotal 1500
## 4 0.65 1250 ExpTotal 1500
## 5 0.70 1500 ExpTotal 1500
## 6 0.75 1750 ExpTotal 1500
## 7 0.80 2000 ExpTotal 1500
## 8 0.85 2250 ExpTotal 1500
## 9 0.90 2500 ExpTotal 1500
## 10 0.50 400 ExpTotal 1200
## 11 0.55 560 ExpTotal 1200
## 12 0.60 720 ExpTotal 1200
## 13 0.65 880 ExpTotal 1200
## 14 0.70 1040 ExpTotal 1200
## 15 0.75 1200 ExpTotal 1200
## 16 0.80 1360 ExpTotal 1200
## 17 0.85 1520 ExpTotal 1200
## 18 0.90 1680 ExpTotal 1200
## 19 0.50 500 ExpTotal 900
## 20 0.55 700 ExpTotal 900
## 21 0.60 900 ExpTotal 900
## 22 0.65 1100 ExpTotal 900
## 23 0.70 1300 ExpTotal 900
## 24 0.75 1500 ExpTotal 900
## 25 0.80 1700 ExpTotal 900
## 26 0.85 1900 ExpTotal 900
## 27 0.90 2100 ExpTotal 900ggplot(sensibilidad_exp_total, aes(x = ProbabilidadExito, y = ValEspSens, color = MercNom)) +
geom_line() +
labs(title = "Análisis de Sensibilidad del Valor Esperado",
x = "Probabilidad de Éxito",
y = "Valor Esperado (miles de pesos)",
color = "Municipio \n(Opción)") +
theme_minimal()