Practica Parcial 1

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, union

library(lubridate)

## 
## Adjuntando el paquete: 'lubridate'

## The following objects are masked from 'package:base':
## 
##     date, intersect, setdiff, union

library(knitr)
library(kableExtra)

## 
## Adjuntando el paquete: 'kableExtra'

## The following object is masked from 'package:dplyr':
## 
##     group_rows

library(stringr)

1.Cree una función, que permita obtener las ventas anuales, trimestrales o mensuales, según se indique en el argumento, dichas ventas podrán ser totales, o por segmento de mercado.

# Cargando base de datos 
load("C:/Users/MINEDUCYT/Downloads/data_parcial_1_2021.RData")

obtener_ventas <- function(df, periodo = c("anual","trimestral","mensual"), segmento = NULL){
  periodo <- match.arg(periodo)
  
  # Asegurar nombres de columnas limpios
  colnames(df) <- str_trim(colnames(df))
  
  # Detectar columna de ventas y segmento
  col_ventas <- intersect(c("Sales","ventas","sale"), colnames(df))
  col_segmento <- intersect(c("Segment","segmento","segment"), colnames(df))
  
  # Crear fecha a partir de año y mes
  df <- df %>% mutate(fecha = as.Date(paste(anio, mes, 1, sep="-")))
  
  # Filtrar segmento si aplica
  if(!is.null(segmento) & length(col_segmento) > 0){
    df <- df %>% filter(.data[[col_segmento]] == segmento)
  }
  
  # Variables de tiempo
  df <- df %>% mutate(
    anio = year(fecha),
    trimestre = quarter(fecha),
    mes = month(fecha)
  )
  
  # Agrupación según periodo
  if(periodo == "anual"){
    df %>% group_by(anio) %>% summarise(ventas_totales = sum(.data[[col_ventas]], na.rm=TRUE), .groups="drop")
  } else if(periodo == "trimestral"){
    df %>% group_by(anio, trimestre) %>% summarise(ventas_totales = sum(.data[[col_ventas]], na.rm=TRUE), .groups="drop")
  } else {
    df %>% group_by(anio, mes) %>% summarise(ventas_totales = sum(.data[[col_ventas]], na.rm=TRUE), .groups="drop")
  }
}

  Con la implementación de dicha función muestre:

Las ventas totales trimestrales, para todos los segmentos.

Las ventas totales anuales para el segmento corporativo.
Las ventas totales mensuales para el segmento consumidor.

# Trimestral todos los segmentos
ventas_trimestrales <- obtener_ventas(ventas, "trimestral")
kable(ventas_trimestrales, caption="Ventas totales trimestrales (todos los segmentos)")

Ventas totales trimestrales (todos los segmentos)
anio	trimestre	ventas_totales
2015	1	73931.40
2015	2	85874.09
2015	3	142522.61
2015	4	177528.11
2016	1	62357.69
2016	2	87713.37
2016	3	128560.21
2016	4	180804.74
2017	1	92686.37
2017	2	135061.16
2017	3	138056.37
2017	4	234388.65
2018	1	122260.88
2018	2	127558.62
2018	3	193815.84
2018	4	278416.67

# Anual segmento corporativo
ventas_anuales_corporativo <- obtener_ventas(ventas, "anual", segmento = "Corporate")
kable(ventas_anuales_corporativo, caption="Ventas totales anuales – Segmento Corporativo")

Ventas totales anuales – Segmento Corporativo
anio	ventas_totales
2015	127797.5
2016	119675.6
2017	204977.3
2018	236043.7

# Mensual segmento consumidor
ventas_mensuales_consumidor <- obtener_ventas(ventas, "mensual", segmento = "Consumer")
kable(ventas_mensuales_consumidor, caption="Ventas totales mensuales – Segmento Consumidor")

Ventas totales mensuales – Segmento Consumidor
anio	mes	ventas_totales
2015	1	6896.629
2015	2	3167.854
2015	3	11869.304
2015	4	9108.612
2015	5	12815.179
2015	6	25651.556
2015	7	20032.890
2015	8	15423.332
2015	9	59536.826
2015	10	16246.697
2015	11	46228.498
2015	12	35979.425
2016	1	14274.984
2016	2	9269.018
2016	3	17418.890
2016	4	22626.406
2016	5	20792.079
2016	6	12824.504
2016	7	19791.747
2016	8	20509.845
2016	9	38734.313
2016	10	17128.869
2016	11	32423.669
2016	12	39561.971
2017	1	6026.649
2017	2	15800.227
2017	3	24844.991
2017	4	14004.976
2017	5	32174.635
2017	6	23339.851
2017	7	22631.847
2017	8	13312.390
2017	9	38495.128
2017	10	10112.890
2017	11	41104.393
2017	12	49294.989
2018	1	23075.641
2018	2	5208.941
2018	3	35041.522
2018	4	9034.924
2018	5	20624.609
2018	6	20095.308
2018	7	18552.061
2018	8	31346.104
2018	9	43759.903
2018	10	22865.448
2018	11	49566.485
2018	12	49433.526

Cree una función, que permita obtener el top “k” para el o los trimestres “Q” para el o los años “anios”. Los porcentajes deberán presentarse en el formato CA|XX.XX donde CA es la abreviatura de California (encontrará las abreviaturas en el dataframe nombres_estados, incluido en el mismo archivo de ventas), incluya el formato adecuado, con el pie de página personalizable, y el titulo automático, incluyendo la información relevante.

library(dplyr)
library(knitr)
library(kableExtra)

top_k_trimestre <- function(df, nombres_estados, k, Q, anios, pie_pagina = "Fuente: Ventas 2015-2018 (EE.UU.)") {
  
  dat <- df %>%
    filter(trimestre %in% Q, anio %in% anios) %>%
    group_by(estado) %>%
    summarise(ventas_totales = sum(ventas), .groups="drop") %>%
    # Unir con abreviaturas
    left_join(nombres_estados, by = c("estado" = "State")) %>%
    mutate(Etiqueta = paste0(state.abb, "|", round(100*ventas_totales/sum(ventas_totales),2))) %>%
    arrange(desc(ventas_totales)) %>%
    slice_head(n = k) %>%
    select(Estado = estado, Ventas = ventas_totales, `% del periodo` = Etiqueta)
  
  titulo <- paste0("Top ", k, " Ventas – Trimestre(s) ", paste(Q, collapse=","), 
                   " – Año(s) ", paste(anios, collapse=","))
  
  kable(dat, caption = titulo) %>%
    kable_styling(full_width = FALSE) %>%
    add_footnote(pie_pagina)
}

a.Con la implementación de dicha función muestre: i. El top 10 para el segundo trimestre 2, para el periodo 2017-2018 ii. El top 5 para el primero y segundo trimestre, para el periodo 2016-2018

ventas2 <- ventas
names(ventas2)[names(ventas2) == "State"] <- "estado"
names(ventas2)[names(ventas2) == "Sales"] <- "ventas"
names(ventas2)[names(ventas2) == "Segment"] <- "segmento"

# i) Top 10 para Q2, años 2017-2018
top_k_trimestre(
  df = ventas2,
  nombres_estados = nombres_estados,
  k = 10,
  Q = 2,
  anios = 2017:2018,
  pie_pagina = "Nota: % calculado sobre el total de ventas del periodo seleccionado"
)

Top 10 Ventas – Trimestre(s) 2 – Año(s) 2017,2018
Estado	Ventas	% del periodo
California	55401.969	CA\|21.1
New York	32848.328	NY\|12.51
Pennsylvania	17322.675	PA\|6.6
Texas	15286.247	TX\|5.82
New Jersey	14471.846	NJ\|5.51
Illinois	12766.575	IL\|4.86
Florida	12533.801	FL\|4.77
Georgia	11042.780	GA\|4.2
Washington	10105.488	WA\|3.85
Michigan	9930.884	MI\|3.78
^a Nota: % calculado sobre el total de ventas del periodo seleccionado

Usando los datos de Comercio Exterior de El Salvador, disponibles en la base de datos preparada en clases, responda las siguientes preguntas: Importante: muestre sus resultados en formato tabular, y asignando los encabezados y pies de página apropiados en cada caso 1- Por cada dólar exportado a la región Suramericana, en el periodo 2018-2019, ¿Cuánto se importo? (resultado por año)

library(dplyr)
library(kableExtra)

# Lista de países de Suramérica
suramerica <- c("Argentina","Bolivia","Brasil","Chile","Colombia",
                "Ecuador","Guyana","Paraguay","Perú","Surinam",
                "Uruguay","Venezuela")

resultado_sudamerica <- data_comercio_exterior %>%
  filter(anio %in% 2018:2019, pais %in% suramerica) %>%
  group_by(anio) %>%
  summarise(
    total_exportaciones = sum(valor_fob, na.rm = TRUE),
    total_importaciones = sum(valor_cif, na.rm = TRUE),
    USD_importado_por_exportado = total_importaciones / total_exportaciones
  )

resultado_sudamerica %>%
  kable("html", 
        col.names = c("Año","Exportaciones FOB (US$)","Importaciones CIF (US$)","Importado por cada USD exportado")) %>%
  kable_styling(full_width = FALSE) %>%
  add_header_above(c(" " = 1, "Comercio Exterior con Suramérica (2018–2019)" = 3)) %>%
  footnote(general = "Fuente: Data comercio exterior El Salvador.")

	Comercio Exterior con Suramérica (2018–2019)
Año	Exportaciones FOB (US$) </th> <th style="text-align:right;"> Importaciones CIF (US$)	Importado por cada USD exportado
2018	36470946	603775190	16.55496
2019	39215099	651725634	16.61925
Note:
Fuente: Data comercio exterior El Salvador.

2- Calcule el IHH de El Salvador, con México, Estados Unidos y Canadá, durante el periodo 2017-2019, normalizado.

paises_norte <- c("México","Mexico","Estados Unidos","United States","EE.UU.","EE. UU.","Canada","Canadá")

ihh_norte <- data_comercio_exterior %>%
  filter(anio %in% 2017:2019, pais %in% paises_norte) %>%
  group_by(anio, pais) %>%
  summarise(export_fob = sum(valor_fob, na.rm = TRUE), .groups = "drop") %>%
  group_by(anio) %>%
  mutate(participacion = export_fob / sum(export_fob)) %>%
  summarise(
    IHH = sum(participacion^2),
    IHH_normalizado = (IHH - 1/3)/(1 - 1/3)  # Normalización con N=3
  )

ihh_norte %>%
  kable("html", col.names = c("Año","IHH","IHH Normalizado")) %>%
  kable_styling(full_width = FALSE) %>%
  footnote(general = "Fuente: Data comercio exterior El Salvador. IHH normalizado considerando México, EE.UU. y Canadá")

Año	IHH	IHH Normalizado
2017	0.6030860	0.4046290
2018	0.7748468	0.6622702
2019	0.5804707	0.3707061
Note:
Fuente: Data comercio exterior El Salvador. IHH normalizado considerando México, EE.UU. y Canadá

3- Calcule las exportaciones totales de El Salvador hacia la región de África Oriental, para el periodo 2017-2019 son (en millones de US$)

africa_oriental <- c("Etiopía","Kenia","Tanzania","Uganda","Somalia","Ruanda","Burundi","Sudán del Sur","Djibouti","Comoras","Seychelles","Mauricio")

exp_africa_oriental <- data_comercio_exterior %>%
  filter(anio %in% 2017:2019, pais %in% africa_oriental) %>%
  group_by(anio) %>%
  summarise(export_millones = sum(valor_fob, na.rm = TRUE)/1e6)

exp_africa_oriental %>%
  kable("html", col.names = c("Año","Exportaciones (millones US$)")) %>%
  kable_styling(full_width = FALSE) %>%
  footnote(general = "Fuente: Data comercio exterior El Salvador")

Año	Exportaciones (millones US$)
2017	0.1497616
2018	0.0215839
2019	0.0901700
Note:
Fuente: Data comercio exterior El Salvador

4- Obtenga el Saldo de la balanza comercial de El Salvador, con Latinoamérica, para el periodo 2017-2019, (en millones de US$)

latinoamerica <- c("Argentina","Bolivia","Brasil","Chile","Colombia","Ecuador",
                   "Paraguay","Perú","Uruguay","Venezuela","México","Mexico")

saldo_latam <- data_comercio_exterior %>%
  filter(anio %in% 2017:2019, pais %in% latinoamerica) %>%
  group_by(anio) %>%
  summarise(
    saldo_millones = (sum(valor_fob, na.rm = TRUE) - sum(valor_cif, na.rm = TRUE))/1e6
  )

saldo_latam %>%
  kable("html", col.names = c("Año","Saldo Balanza Comercial (millones US$)")) %>%
  kable_styling(full_width = FALSE) %>%
  footnote(general = "Fuente: Data comercio exterior El Salvador")

Año	Saldo Balanza Comercial (millones US$)
2017	-1283.124
2018	-1352.817
2019	-1414.262
Note:
Fuente: Data comercio exterior El Salvador

Practica Parcial 1

Yasira Yannel Medrano

2025-09-01

	Comercio Exterior con Suramérica (2018–2019)
Año	Exportaciones FOB (US\() </th> <th style="text-align:right;"> Importaciones CIF (US\))	Importado por cada USD exportado
2018	36470946	603775190	16.55496
2019	39215099	651725634	16.61925
Note:
Fuente: Data comercio exterior El Salvador.