En la Tabla 1.1 se presentan, describen y clasifican las variables, de acuerdo a su naturaleza, de la base de datos que guardan relación con los objetivos iniciales planteados en este estudio de casos.
# Cargar las bibliotecas necesarias
library(readxl) # Para leer archivos Excel
library(dplyr) # Para la manipulación de datos
library(tidyr) # Para la manipulación de datos
library(kableExtra) # Para el formateo de tablas
# Leer el archivo de datos
data1 <- read.csv("data/Expanded_Dataset.csv", header = TRUE, sep=",")
# Seleccionar las variables de interés
variables <- data1 %>%
select(Year,Product_Model, FG_Capability, Units_Sold, Revenue, Market_Share, Regional_Coverage, FG_Subscribers, Avg_FG_Speed, Preference_FG, Region)
# Renombrar las columnas para mayor claridad
colnames(variables) <- c("Year", "Product_Model", "FG_Capability", "Units_Sold", "Revenue", "Market_Share", "Regional_Coverage", "FG_Subscribers", "Avg_FG_Speed", "Preference_FG", "Region")
# Definir los nombres de las variables y sus descripciones
nombre_variables <- colnames(variables)
descripcion_variables <- c(
"Año en el que se registraron los datos de ventas y adopción de la tecnología 5G.", "Modelo específico del dispositivo Samsung analizado.", "Indica si el dispositivo cuenta con tecnología 5G o no.", "Cantidad de unidades vendidas de un determinado modelo en un período específico.", "Ingresos generados por las ventas de un modelo de dispositivo. (Dolares)", "Porcentaje de participación de mercado de un modelo en comparación con otros dispositivos.", "Nivel de cobertura de la red 5G en una región determinada.(%)", "Número de usuarios que han adoptado la tecnología 5G en una región específica.(Millones)", "Velocidad promedio de la red 5G en una determinada ubicación.", "Nivel de preferencia de los consumidores por dispositivos con tecnología 5G.(%)", "Área geográfica donde se registraron los datos de ventas y adopción de 5G."
)
# Clasificación de las variables
clasificacion_variables <- c("Cualitativa ordinal", "Cualitativa nominal", "Cualitativa nominal", "Cuantitativa discreta", "Cuantitativa continua", "Cuantitativa continua", "Cuantitativa continua", "Cuantitativa continua", "Cuantitativa continua", "Cuantitativa continua", "Cualitativa nominal")
# Crear un data frame con la información estructurada
tabla_variables <- data.frame(
Nombre = nombre_variables,
Descripción = descripcion_variables,
Clasificación = clasificacion_variables
)
# Generar la tabla con formato mejorado
kable(tabla_variables) %>%
kable_styling(bootstrap_options = c("striped")) # Aplica un estilo con filas alternas| Nombre | Descripción | Clasificación |
|---|---|---|
| Year | Año en el que se registraron los datos de ventas y adopción de la tecnología 5G. | Cualitativa ordinal |
| Product_Model | Modelo específico del dispositivo Samsung analizado. | Cualitativa nominal |
| FG_Capability | Indica si el dispositivo cuenta con tecnología 5G o no. | Cualitativa nominal |
| Units_Sold | Cantidad de unidades vendidas de un determinado modelo en un período específico. | Cuantitativa discreta |
| Revenue | Ingresos generados por las ventas de un modelo de dispositivo. (Dolares) | Cuantitativa continua |
| Market_Share | Porcentaje de participación de mercado de un modelo en comparación con otros dispositivos. | Cuantitativa continua |
| Regional_Coverage | Nivel de cobertura de la red 5G en una región determinada.(%) | Cuantitativa continua |
| FG_Subscribers | Número de usuarios que han adoptado la tecnología 5G en una región específica.(Millones) | Cuantitativa continua |
| Avg_FG_Speed | Velocidad promedio de la red 5G en una determinada ubicación. | Cuantitativa continua |
| Preference_FG | Nivel de preferencia de los consumidores por dispositivos con tecnología 5G.(%) | Cuantitativa continua |
| Region | Área geográfica donde se registraron los datos de ventas y adopción de 5G. | Cualitativa nominal |
En las Tablas 1.2 y 1.3 se presentan las estadísticas descriptivas de las variables cuantitativas y cualitativas seleccionadas. A partir de estas tablas, se pueden hacer las siguientes observaciones:
Unidades vendidas: Se observa que el número de unidades vendidas varía entre 5,309 y 64,883, con una mediana de 33,689 y una media de 32,842.99. La variabilidad en relación con la media es moderada, con un coeficiente de variación del 48.8%. La distribución es casi simétrica, con una asimetría de 0.04, y presenta una curtosis de -0.96, lo que indica que la distribución es más achatada que la normal.
Market Share: El porcentaje de participación de mercado varía entre -0.49 y 6.95, con una mediana de 3.76 y una media de 3.72. La variabilidad en relación con la media es alta (coeficiente de variación del 53.5%), lo que sugiere una dispersión significativa en la participación de mercado. La distribución es ligeramente sesgada a la izquierda (asimetría de -0.32) y presenta una curtosis de -0.74, lo que indica que es más plana que la normal.
Avg_FG_Speed: La velocidad promedio en la tecnología FG varía entre 50.37 y 298.70, con una mediana de 177.39 y una media de 179.23. La variabilidad con respecto a la media es moderada (coeficiente de variación del 39.3%). La distribución de los datos es prácticamente simétrica (asimetría de -0.02) y más plana que la normal (curtosis de -1.12).
Variables cualitativas: La moda indica que el año más frecuente en los datos es 2019, el modelo de producto más común es Galaxy S22 5G, la capacidad FG más frecuente es Sí (Yes) y la región predominante es América del Norte.
# Cargar las bibliotecas necesarias
library(dplyr)
library(e1071) # Para calcular asimetría y curtosis
library(knitr) # Para generar tablas con kable
library(kableExtra) # Para mejorar el formato de las tablas
# Seleccionar solo las variables de interés
datos_generales <- data1 %>%
select(Units_Sold, Market_Share, Avg_FG_Speed)
# Calcular estadísticas descriptivas generales para los precios
estadisticas_ventas <- datos_generales %>%
summarise(
Variable = "Unidades vendidas",
Mínimo = min(Units_Sold, na.rm = TRUE),
Máximo = max(Units_Sold, na.rm = TRUE),
Mediana = median(Units_Sold, na.rm = TRUE),
Media = round(mean(Units_Sold, na.rm = TRUE), 2),
`Desviación Estándar` = round(sd(Units_Sold, na.rm = TRUE), 2),
`Coef. de Variación (%)` = round((sd(Units_Sold, na.rm = TRUE) / mean(Units_Sold, na.rm = TRUE)) * 100, 1),
`Primer Cuartil` = quantile(Units_Sold, 0.25, na.rm = TRUE),
`Tercer Cuartil` = quantile(Units_Sold, 0.75, na.rm = TRUE),
Asimetría = round(skewness(Units_Sold, na.rm = TRUE), 2),
Curtosis = round(kurtosis(Units_Sold, na.rm = TRUE), 2)
)
# Calcular estadísticas descriptivas generales para el Kilometraje de los vehículos
estadisticas_share <- datos_generales %>%
summarise(
Variable = "Market_Share",
Mínimo = min(Market_Share, na.rm = TRUE),
Máximo = max(Market_Share, na.rm = TRUE),
Mediana = median(Market_Share, na.rm = TRUE),
Media = round(mean(Market_Share, na.rm = TRUE), 2),
`Desviación Estándar` = round(sd(Market_Share, na.rm = TRUE), 2),
`Coef. de Variación (%)` = round((sd(Market_Share, na.rm = TRUE) / mean(Market_Share, na.rm = TRUE)) * 100, 1),
`Primer Cuartil` = quantile(Market_Share, 0.25, na.rm = TRUE),
`Tercer Cuartil` = quantile(Market_Share, 0.75, na.rm = TRUE),
Asimetría = round(skewness(Market_Share, na.rm = TRUE), 2),
Curtosis = round(kurtosis(Market_Share, na.rm = TRUE), 2)
)
# Calcular estadísticas descriptivas generales para la cantidad de dueños por vehículo
estadisticas_avg <- datos_generales %>%
summarise(
Variable = "Avg_FG_Speed",
Mínimo = min(Avg_FG_Speed, na.rm = TRUE),
Máximo = max(Avg_FG_Speed, na.rm = TRUE),
Mediana = median(Avg_FG_Speed, na.rm = TRUE),
Media = round(mean(Avg_FG_Speed, na.rm = TRUE), 2),
`Desviación Estándar` = round(sd(Avg_FG_Speed, na.rm = TRUE), 2),
`Coef. de Variación (%)` = round((sd(Avg_FG_Speed, na.rm = TRUE) / mean(Avg_FG_Speed, na.rm = TRUE)) * 100, 1),
`Primer Cuartil` = quantile(Avg_FG_Speed, 0.25, na.rm = TRUE),
`Tercer Cuartil` = quantile(Avg_FG_Speed, 0.75, na.rm = TRUE),
Asimetría = round(skewness(Avg_FG_Speed, na.rm = TRUE), 2),
Curtosis = round(kurtosis(Avg_FG_Speed, na.rm = TRUE), 2)
)
# Unir ambas tablas en una sola
estadisticas_generales <- bind_rows(estadisticas_ventas, estadisticas_share, estadisticas_avg)
# Generar la tabla con kable
kable(estadisticas_generales, format = "html") %>%
kable_styling(bootstrap_options = c("striped", "hover", "responsive"), full_width = FALSE) %>%
column_spec(1, bold = TRUE) # Resalta la columna de la variable analizada| Variable | Mínimo | Máximo | Mediana | Media | Desviación Estándar | Coef. de Variación (%) | Primer Cuartil | Tercer Cuartil | Asimetría | Curtosis |
|---|---|---|---|---|---|---|---|---|---|---|
| Unidades vendidas | 5309.00 | 64883.00 | 33689.00 | 32842.99 | 16039.77 | 48.8 | 19327.250 | 43911.0000 | 0.04 | -0.96 |
| Market_Share | -0.49 | 6.95 | 3.76 | 3.72 | 1.99 | 53.5 | 2.635 | 5.2825 | -0.32 | -0.74 |
| Avg_FG_Speed | 50.37 | 298.70 | 177.39 | 179.23 | 70.47 | 39.3 | 120.410 | 238.8600 | -0.02 | -1.12 |
# Cargar las bibliotecas necesarias
library(dplyr)
library(knitr)
library(kableExtra)
# Función para calcular la moda de una variable categórica
moda <- function(x) {
tab <- table(x) # Crear tabla de frecuencias
max_freq <- max(tab) # Encontrar la frecuencia máxima
modas <- names(tab[tab == max_freq]) # Obtener las categorías con la frecuencia máxima
return(paste(modas, collapse = ", ")) # Devolver la moda (o modas si hay empate)
}
# Calcular la moda para cada variable cualitativa
moda_year <- moda(data1$Year)
moda_Product_Model <- moda(data1$Product_Model)
moda_FG_Capability <- moda(data1$FG_Capability)
moda_region <- moda(data1$Region)
# Crear la tabla de resultados
tabla_moda <- data.frame(
Variable = c("Year", "Product_Model", "FG_Capability", "Region"),
Moda = c(moda_year, moda_Product_Model, moda_FG_Capability, moda_region)
)
# Generar la tabla con kable
kable(tabla_moda, format = "html") %>%
kable_styling(bootstrap_options = c("striped", "hover", "responsive"), full_width = FALSE) %>%
column_spec(1, bold = TRUE) # Resalta la columna de la variable analizada| Variable | Moda |
|---|---|
| Year | 2019 |
| Product_Model | Galaxy S22 5G |
| FG_Capability | Yes |
| Region | North America |