---
title: "Tablero Control Wi-Fi Valle"
author: "Steven Candela, David Bravo & Sebastian Bucheli"
date: "2025-11-30"
output:
  flexdashboard::flex_dashboard:
    orientation: rows
    social: menu
    source_code: embed
---

```{r}
# --- LIBRERÍAS ---
library(flexdashboard)
library(ggplot2)
library(dplyr)
library(corrplot)
library(forecast) 

# --- CARGA DE DATOS ---
wifiData = read.table("datos_wifi.csv", header=TRUE, sep=",", 
                      dec=".", stringsAsFactors = TRUE)

# --- LIMPIEZA DE DATOS ---
cols_num = c("TIEMPO.DE.SESION", "TRAFICO.DE.SUBIDA", "TRAFICO.BAJADA", "SESIONES")
for(col in cols_num){
  wifiData[[col]] = as.numeric(gsub(",", "", wifiData[[col]]))
}

wifiData$FECHA = as.Date(wifiData$FECHA, format="%d/%m/%Y")

nombres_dias <- c("Domingo", "Lunes", "Martes", "Miércoles", "Jueves", "Viernes", "Sábado")

wifiData$Dia <- factor(nombres_dias[as.POSIXlt(wifiData$FECHA)$wday + 1], 
                       levels=c("Lunes", "Martes", "Miércoles", "Jueves", "Viernes", "Sábado", "Domingo"))
```

Resumen {data-orientation=columns}
===

Column {data-width=400}
---

### Logo Wifi Gratis

![](wifiGratis.jpg)

### Estadisticas Generales

```{r}
summary(wifiData[, c("USUARIOS", "SESIONES", "TIEMPO.DE.SESION")])
```

### Información

Este tablero presenta el análisis del Laboratorio 3 para el conjunto de datos de tráfico Wi-Fi en el Valle del Cauca. Se incluyen análisis de correlación, gráficos bivariados y modelos de pronóstico de series de tiempo.

Column {data-width=600}
---

### Histograma Usuarios

```{r}
ggplot(wifiData, aes(x=USUARIOS)) +
  geom_histogram(fill="blue", bins=30, color="white") +
  theme_minimal()
```

Análisis de Dos Variables
===

Row
---

### Tiempo de Sesión por Municipio 

```{r}
top_munis = c("CARTAGO", "ZARZAL", "YUMBO", "LA UNION", "PALMIRA")
datos_filtro = filter(wifiData, MUNICIPIO %in% top_munis)

ggplot(datos_filtro, aes(x=MUNICIPIO, y=TIEMPO.DE.SESION, fill=MUNICIPIO)) +
  geom_boxplot() +
  coord_flip() +
  scale_y_continuous(labels = scales::comma) + 
  labs(y="Tiempo de Sesión (Segundos)", x="Municipio") +
  theme_minimal()
```


### Municipio vs Día

```{r}
ggplot(datos_filtro, aes(x=Dia, fill=MUNICIPIO)) +
  geom_bar(position="fill") + 
  labs(y="Proporción", x="Día de la Semana", title="Distribución Semanal") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle=45, hjust=1))
```

Correlación
===

Row {data-height=850}
---

### Matriz de Correlación

```{r}
datos_num = wifiData[, c("TIEMPO.DE.SESION", "TRAFICO.DE.SUBIDA", "TRAFICO.BAJADA", "SESIONES", "USUARIOS")]
M = cor(datos_num, use="complete.obs")

corrplot(M, method="number", tl.cex=0.7, number.cex=0.8)
```

### Usuarios vs Sesiones

```{r}
ggplot(wifiData, aes(x=USUARIOS, y=SESIONES)) +
  geom_point(alpha=0.4, color="darkred") +
  geom_smooth(method="lm", color="blue") +
  labs(title="Relación Lineal Usuarios - Sesiones") +
  theme_minimal()
```

Row {data-height=150}
---

### Interpretación

Existe una correlación positiva muy fuerte ($r \approx 0.84$) entre la cantidad de usuarios y las sesiones, lo cual valida la consistencia de los datos.

Pronósticos
===

Row {data-height=850}
---

### Pronóstico Holt-Winters (Usuarios Diarios)

```{r}
serie_diaria = wifiData %>%
  group_by(FECHA) %>%
  summarise(Total_Usuarios = sum(USUARIOS)) %>%
  arrange(FECHA)

ts_data = ts(serie_diaria$Total_Usuarios, frequency=7)

modelo_hw = HoltWinters(ts_data)

prediccion = forecast(modelo_hw, h=14)

autoplot(prediccion) +
  labs(title="Pronóstico de Usuarios (Próximos 14 días)", y="Cantidad Usuarios", x="Semanas") +
  theme_minimal()
```

Row {data-height=150}
---

### Descripción del Modelo

Para cumplir con el requerimiento de Pronósticos del Laboratorio 3, se utilizó el método de Holt-Winters. Este modelo es ideal para estos datos ya que captura tanto la tendencia general como la estacionalidad semanal (el comportamiento de los usuarios varía entre fines de semana y días laborales). La franja azul representa el intervalo de confianza de la predicción.