Descripción y estimación estadística en logística empresarial


Este análisis consta de 100 observaciones de datos logísticos, en donde se muestran variables como costos, tiempos y desempeño operativo.
library(dplyr)
## 
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
datos <- read.csv("datos_negocios_extra_5_logistica.csv")
head(datos)
##         Ruta KM_Recorridos Tiempo_Entrega_Horas Costos_Operativos
## 1   Ruta Sur          1796                 17.2          17458.55
## 2 Ruta Norte          4856                 29.8           9828.49
## 3   Ruta Sur          2909                 13.3          11964.23
## 4 Ruta Oeste          3643                 12.7          18625.55
## 5  Ruta Este          4753                 23.1          12811.67
## 6 Ruta Oeste          4354                  1.1          19844.28



Resumen estadístico de las variables numéricas

summary(datos)
##      Ruta           KM_Recorridos  Tiempo_Entrega_Horas Costos_Operativos
##  Length:100         Min.   : 166   Min.   : 1.10        Min.   : 1009    
##  Class :character   1st Qu.:1471   1st Qu.:13.07        1st Qu.: 5189    
##  Mode  :character   Median :2729   Median :25.90        Median :10408    
##                     Mean   :2576   Mean   :25.54        Mean   :11049    
##                     3rd Qu.:3551   3rd Qu.:39.67        3rd Qu.:16304    
##                     Max.   :4948   Max.   :47.60        Max.   :19844
El resumen estadístico muestra que el promedio de kilómetros recorridos es de 2576, el tiempo promedio de entrega es de 25.54 horas y el promedio de los costos operativos es de 11049.


library(ggplot2)
ggplot(datos, aes(x = Ruta, y = KM_Recorridos, fill = Ruta)) +
  geom_boxplot() +
  labs(title = "Distribución de Ruta",
       x = "Ruta",
       y = "KM_Recorridos") +
  theme_minimal()

Este gráfico muestra la variabilidad de los kilómetros recorridos en cada ruta. Se pueden observar diferencias en la mediana y en la dispersión de los datos entre las distintas rutas.



resumen_ruta <- datos %>%
  group_by(Ruta) %>%
  summarise(
    Promedio_KM = mean(KM_Recorridos),
    Promedio_Tiempo = mean(Tiempo_Entrega_Horas),
    Promedio_Costos = mean(Costos_Operativos)
    )

print(resumen_ruta)
## # A tibble: 4 × 4
##   Ruta       Promedio_KM Promedio_Tiempo Promedio_Costos
##   <chr>            <dbl>           <dbl>           <dbl>
## 1 Ruta Este        3016.            26.9          11907.
## 2 Ruta Norte       2594.            25.2          11616.
## 3 Ruta Oeste       2094.            23.1           9899.
## 4 Ruta Sur         2757.            27.3          11235.