Análisis Estadístico Inferencial de las Ventas en Micronegocios Urbanos
Santiago Gómez - Mariana Gutiérrez - Daniela Idarraga
2026-05-20
Análisis Estadístico Inferencial de las Ventas en Micronegocios Urbanos
Planteamiento del problema:
Los micronegocios informales son una parte importante de la economía, pero muchos enfrentan dificultades relacionadas con la competencia, las importaciones y factores socioeconómicos que pueden afectar sus ventas mensuales. Este trabajo busca analizar qué variables sociales, económicas y de gestión influyen en las ventas de los micronegocios y determinar si las importaciones tienen un impacto significativo sobre ellas, utilizando técnicas de estadística inferencial y regresión lineal simple.
Objetivo general
Analizar la influencia de factores sociales, económicos y de gestión sobre las ventas mensuales de los micronegocios informales, mediante el uso de técnicas de estadística inferencial y regresión lineal simple, con el fin de identificar posibles relaciones significativas y evaluar el impacto de las importaciones en el desempeño de estos negocios.
Objetivos específicos
- Estimar la media poblacional de las ventas mensuales y la edad de los propietarios de micronegocios mediante intervalos de confianza.
- Determinar si existen diferencias significativas en las ventas mensuales según la percepción del impacto de las importaciones, el sexo del propietario y la recepción de capacitación.
- Analizar la relación entre las horas trabajadas semanalmente y las ventas mensuales de los micronegocios.
- Evaluar si existe una relación lineal significativa entre el porcentaje de productos importados y las ventas mensuales mediante un modelo de regresión lineal simple.
- Interpretar los resultados obtenidos para comprender los factores que afectan el desempeño económico de los micronegocios informales.
Justificación
Los micronegocios informales representan una fuente importante de empleo e ingresos para muchas personas, por lo que comprender los factores que influyen en sus ventas resulta relevante tanto a nivel económico como social. Este trabajo permite aplicar los conocimientos adquiridos en el curso de Estadística Inferencial mediante el análisis de una base de datos real, utilizando herramientas como intervalos de confianza, pruebas de hipótesis y regresión lineal simple. Además, el estudio busca identificar si variables como las importaciones, la capacitación y las características socioeconómicas de los propietarios tienen un efecto significativo sobre las ventas mensuales de los micronegocios. Los resultados obtenidos pueden contribuir a una mejor comprensión de las dificultades que enfrentan estos negocios y servir como apoyo para futuras decisiones o estrategias de fortalecimiento del comercio local.
Análisis Exploratorio (EDA)
1. Revisión de datos:
Clasifique cada una de las variables de la base de datos acuerdo con su naturaleza y nivel de medición
Variable 1: edad_propietario. Es una variable cuantitativa continua con nivel de medición de razón.
Variable 2: sexo. Es una variable cualitativa de nivel nominal.
Variable 3: estrato. Es una variable cualitativa ordinal.
Variable 4: nivel_educativo. Es una variable cualitativa ordinal.
Variable 5: tipo_producto. Es una variable cualitativa nominal.
Variable 6: usa_redes_para_vender. Es una variable cualitativa nominal.
Variable 7: ha_recibido_capacitacion. Es una variable cualitativa nominal.
Variable 8: percibe_impacto_importaciones. Es una variable cualitativa nominal.
Variable 9: ha_perdido_clientes. Es una variable cualitativa nominal.
Variable 10: ventas_mensuales. Es una variable cuantitativa continua con nivel de medición de razón.
Variable 11: horas_trabajadas. Es una variable cuantitativa continua y de razón.
Variable 12: satisfecho_con_ventas. Es una variable cualitativa ordinal.
Variable 13: porcentaje_productos_import. Es una variable cuantitativa continua de razón.
Instalar y cargar paquetes necesarios
Recuerde que la instación se realiza una sóla vez con la función instal..packages(“nombre del paquete”), luego se deben llamar con la función library(nombre del paquete).
library(tidyverse)# Incluye paquetes de importación, visualización entre otros## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.2.1 ✔ readr 2.2.0
## ✔ forcats 1.0.1 ✔ stringr 1.6.0
## ✔ ggplot2 4.0.3 ✔ tibble 3.3.1
## ✔ lubridate 1.9.5 ✔ tidyr 1.3.2
## ✔ purrr 1.2.2
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorslibrary(dplyr)# Manipulación de Datos
library(ggplot2)# Visualización de datos
library(readxl)# Importación de datos
library(tibble)# Tablas
library(readr) #Para cargar la base de datos2. Preparación de la base de datos:
Cargar base de datos:
datos <- read_csv("BD3_MICRONEGOCIOS/base_micronegocios_.csv") ## Rows: 400 Columns: 13
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (7): sexo, nivel_educativo, tipo_producto, usa_redes_para_vender, ha_rec...
## dbl (6): edad_propietario, estrato, ventas_mensuales, horas_trabajadas, sati...
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.Nombres de variables
names(datos)## [1] "edad_propietario" "sexo"
## [3] "estrato" "nivel_educativo"
## [5] "tipo_producto" "usa_redes_para_vender"
## [7] "ha_recibido_capacitacion" "percibe_impacto_importaciones"
## [9] "ha_perdido_clientes" "ventas_mensuales"
## [11] "horas_trabajadas" "satisfecho_con_ventas"
## [13] "porcentaje_productos_importados"Dimesiones de la base de datos
dim(datos)## [1] 400 13Mostrar las primeras filas de la base de datos
head(datos)## # A tibble: 6 × 13
## edad_propietario sexo estrato nivel_educativo tipo_producto
## <dbl> <chr> <dbl> <chr> <chr>
## 1 56 Femenino 2 Primaria Electrodomesticos
## 2 69 Femenino 4 Primaria Ropa
## 3 46 Masculino 3 Secundaria Ropa
## 4 32 Masculino 1 Secundaria Accesorios
## 5 60 Femenino 2 Secundaria Accesorios
## 6 25 Masculino 2 Secundaria Electrodomesticos
## # ℹ 8 more variables: usa_redes_para_vender <chr>,
## # ha_recibido_capacitacion <chr>, percibe_impacto_importaciones <chr>,
## # ha_perdido_clientes <chr>, ventas_mensuales <dbl>, horas_trabajadas <dbl>,
## # satisfecho_con_ventas <dbl>, porcentaje_productos_importados <dbl>Tipos de datos
str(datos)## spc_tbl_ [400 × 13] (S3: spec_tbl_df/tbl_df/tbl/data.frame)
## $ edad_propietario : num [1:400] 56 69 46 32 60 25 38 56 36 40 ...
## $ sexo : chr [1:400] "Femenino" "Femenino" "Masculino" "Masculino" ...
## $ estrato : num [1:400] 2 4 3 1 2 2 5 1 1 2 ...
## $ nivel_educativo : chr [1:400] "Primaria" "Primaria" "Secundaria" "Secundaria" ...
## $ tipo_producto : chr [1:400] "Electrodomesticos" "Ropa" "Ropa" "Accesorios" ...
## $ usa_redes_para_vender : chr [1:400] "Si" "No" "Si" "No" ...
## $ ha_recibido_capacitacion : chr [1:400] "No" "No" "No" "Si" ...
## $ percibe_impacto_importaciones : chr [1:400] "Si" "No" "Si" "No" ...
## $ ha_perdido_clientes : chr [1:400] "No" "Si" "No" "No" ...
## $ ventas_mensuales : num [1:400] 871357 2211490 966622 946500 1364487 ...
## $ horas_trabajadas : num [1:400] 36 55 44 68 44 51 34 56 40 55 ...
## $ satisfecho_con_ventas : num [1:400] 6 2 5 9 8 7 1 4 7 7 ...
## $ porcentaje_productos_importados: num [1:400] 22.9 52.4 41.8 29.5 38.3 37.6 54.2 26.3 28.1 31.7 ...
## - attr(*, "spec")=
## .. cols(
## .. edad_propietario = col_double(),
## .. sexo = col_character(),
## .. estrato = col_double(),
## .. nivel_educativo = col_character(),
## .. tipo_producto = col_character(),
## .. usa_redes_para_vender = col_character(),
## .. ha_recibido_capacitacion = col_character(),
## .. percibe_impacto_importaciones = col_character(),
## .. ha_perdido_clientes = col_character(),
## .. ventas_mensuales = col_double(),
## .. horas_trabajadas = col_double(),
## .. satisfecho_con_ventas = col_double(),
## .. porcentaje_productos_importados = col_double()
## .. )
## - attr(*, "problems")=<pointer: 0x571bb931e4a0>Revisión de valores faltantes
colSums(is.na(datos))## edad_propietario sexo
## 0 0
## estrato nivel_educativo
## 0 0
## tipo_producto usa_redes_para_vender
## 0 0
## ha_recibido_capacitacion percibe_impacto_importaciones
## 0 0
## ha_perdido_clientes ventas_mensuales
## 0 10
## horas_trabajadas satisfecho_con_ventas
## 10 0
## porcentaje_productos_importados
## 10La revisión de datos faltantes muestra que la mayoría de las variables de la base de datos no presentan valores perdidos, lo que indica una buena calidad de la información. Sin embargo, las variables ventas_mensuales, horas_trabajadas y porcentaje_productos_importados tienen 10 datos faltantes cada una, por lo que será necesario tener en cuenta estos registros antes de realizar los análisis estadísticos para evitar posibles afectaciones en los resultados.
Revisión de datos atípicos
summary(datos)## edad_propietario sexo estrato nivel_educativo
## Min. :18.00 Length :400 Min. :1.000 Length :400
## 1st Qu.:32.00 N.unique : 2 1st Qu.:2.000 N.unique : 4
## Median :45.00 N.blank : 0 Median :2.000 N.blank : 0
## Mean :43.99 Min.nchar: 8 Mean :2.645 Min.nchar: 7
## 3rd Qu.:56.00 Max.nchar: 9 3rd Qu.:4.000 Max.nchar: 13
## Max. :69.00 Max. :6.000
##
## tipo_producto usa_redes_para_vender ha_recibido_capacitacion
## Length :400 Length :400 Length :400
## N.unique : 4 N.unique : 2 N.unique : 2
## N.blank : 0 N.blank : 0 N.blank : 0
## Min.nchar: 4 Min.nchar: 2 Min.nchar: 2
## Max.nchar: 17 Max.nchar: 2 Max.nchar: 2
##
##
## percibe_impacto_importaciones ha_perdido_clientes ventas_mensuales
## Length :400 Length :400 Min. : 245310
## N.unique : 2 N.unique : 2 1st Qu.:1061526
## N.blank : 0 N.blank : 0 Median :1414858
## Min.nchar: 2 Min.nchar: 2 Mean :1434008
## Max.nchar: 2 Max.nchar: 2 3rd Qu.:1807478
## Max. :2894731
## NAs :10
## horas_trabajadas satisfecho_con_ventas porcentaje_productos_importados
## Min. :20.00 Min. : 1.00 Min. : 2.90
## 1st Qu.:41.00 1st Qu.: 3.00 1st Qu.:29.27
## Median :47.00 Median : 6.00 Median :38.20
## Mean :47.84 Mean : 5.66 Mean :38.78
## 3rd Qu.:55.00 3rd Qu.: 8.00 3rd Qu.:46.50
## Max. :73.00 Max. :10.00 Max. :77.40
## NAs :10 NAs :10La revisión de las variables muestra que los valores mínimos y máximos se encuentran dentro de rangos razonables para el contexto de los micronegocios, por lo que no se evidencian datos atípicos extremos que puedan afectar gravemente el análisis. Además, las medias y medianas de variables como ventas_mensuales, horas_trabajadas y porcentaje_productos_importados son relativamente cercanas, lo que sugiere que no existen grandes distorsiones en los datos. Sin embargo, se mantienen algunos valores faltantes en ciertas variables numéricas, los cuales deberán tratarse antes de realizar los análisis inferenciales y de regresión.
3. Organización de datos en tablas de frecuencias:
Tabla para la variable: edad_propietario
edad_clases <- cut(
datos$edad_propietario,
breaks = 10,
include.lowest = TRUE
)
tabla_edad <- table(edad_clases)
tabla_edad_df <- as.data.frame(tabla_edad)
colnames(tabla_edad_df) <- c(
"Rango de edad",
"Frecuencia"
)
tabla_edad_df$frecuencia_relativa <- round(
prop.table(tabla_edad) * 100,
2
)
tabla_edad_df## Rango de edad Frecuencia frecuencia_relativa
## 1 [17.9,23.1] 48 12.00
## 2 (23.1,28.2] 35 8.75
## 3 (28.2,33.3] 30 7.50
## 4 (33.3,38.4] 33 8.25
## 5 (38.4,43.5] 44 11.00
## 6 (43.5,48.6] 37 9.25
## 7 (48.6,53.7] 52 13.00
## 8 (53.7,58.8] 40 10.00
## 9 (58.8,63.9] 32 8.00
## 10 (63.9,69.1] 49 12.25Tabla para la variable: sexo
tabla_sexo <- table(datos$sexo)
print(tabla_sexo)##
## Femenino Masculino
## 196 204Tabla para la variable: estrato
tabla_estrato <- table(datos$estrato)
print(tabla_estrato)##
## 1 2 3 4 5 6
## 88 122 86 64 28 12Tabla para la variable: nivel_educativo
tabla_educacion <- table(datos$nivel_educativo)
print(tabla_educacion)##
## Primaria Secundaria Tecnico Universitario
## 105 141 91 63Tabla para la variable: tipo_producto
tabla_tproducto <- table(datos$tipo_producto)
print(tabla_tproducto)##
## Accesorios Alimentos Electrodomesticos Ropa
## 87 104 100 109Tabla para la variable: usa_redes_para_vender
tabla_redesvender <- table(datos$usa_redes_para_vender)
print(tabla_redesvender)##
## No Si
## 160 240Tabla para la variable: ha_recibido_capacitacion
tabla_capacitacion <- table(datos$ha_recibido_capacitacion)
print(tabla_capacitacion)##
## No Si
## 236 164Tabla para la variable: percibe_impacto_importaciones
tabla_importaciones <- table(datos$percibe_impacto_importaciones)
print(tabla_importaciones)##
## No Si
## 221 179Tabla para la variable: ha_perdido_clientes
tabla_clientesperdidos <- table(datos$ha_perdido_clientes)
print(tabla_clientesperdidos)##
## No Si
## 224 176Tabla para la variable: ventas_mensuales
ventas_clases <- cut(
datos$ventas_mensuales,
breaks = 10,
include.lowest = TRUE
)
tabla_ventas <- table(ventas_clases)
tabla_ventas_df <- as.data.frame(tabla_ventas)
colnames(tabla_ventas_df) <- c(
"Rango de ventas",
"Frecuencia"
)
tabla_ventas_df$frecuencia_relativa <- round(
prop.table(tabla_ventas) * 100,
2
)
tabla_ventas_df## Rango de ventas Frecuencia frecuencia_relativa
## 1 [2.43e+05,5.1e+05] 17 4.36
## 2 (5.1e+05,7.75e+05] 27 6.92
## 3 (7.75e+05,1.04e+06] 51 13.08
## 4 (1.04e+06,1.31e+06] 68 17.44
## 5 (1.31e+06,1.57e+06] 73 18.72
## 6 (1.57e+06,1.83e+06] 65 16.67
## 7 (1.83e+06,2.1e+06] 42 10.77
## 8 (2.1e+06,2.36e+06] 30 7.69
## 9 (2.36e+06,2.63e+06] 10 2.56
## 10 (2.63e+06,2.9e+06] 7 1.79Tabla para la variable: horas_trabajadas
horas_clases <- cut(
datos$horas_trabajadas,
breaks = 10,
include.lowest = TRUE
)
tabla_horas <- table(horas_clases)
tabla_horas_df <- as.data.frame(tabla_horas)
colnames(tabla_horas_df) <- c(
"Rango de horas",
"Frecuencia"
)
tabla_horas_df$frecuencia_relativa <- round(
prop.table(tabla_horas) * 100,
2
)
tabla_horas_df## Rango de horas Frecuencia frecuencia_relativa
## 1 [19.9,25.3] 1 0.26
## 2 (25.3,30.6] 12 3.08
## 3 (30.6,35.9] 24 6.15
## 4 (35.9,41.2] 62 15.90
## 5 (41.2,46.5] 86 22.05
## 6 (46.5,51.8] 76 19.49
## 7 (51.8,57.1] 68 17.44
## 8 (57.1,62.4] 36 9.23
## 9 (62.4,67.7] 15 3.85
## 10 (67.7,73.1] 10 2.56Tabla para la variable: satisfecho_con_ventas
tabla_satisfechos <- table(datos$satisfecho_con_ventas)
print(tabla_satisfechos)##
## 1 2 3 4 5 6 7 8 9 10
## 33 34 45 37 32 51 53 33 41 41Tabla para la variable: porcentaje_productos_importados
import_clases <- cut(
datos$porcentaje_productos_importados,
breaks = 10,
include.lowest = TRUE
)
tabla_import <- table(import_clases)
tabla_import_df <- as.data.frame(tabla_import)
colnames(tabla_import_df) <- c(
"Rango de importaciones",
"Frecuencia"
)
tabla_import_df$frecuencia_relativa <- round(
prop.table(tabla_import) * 100,
2
)
tabla_import_df## Rango de importaciones Frecuencia frecuencia_relativa
## 1 [2.83,10.3] 4 1.03
## 2 (10.3,17.8] 17 4.36
## 3 (17.8,25.2] 34 8.72
## 4 (25.2,32.7] 70 17.95
## 5 (32.7,40.1] 101 25.90
## 6 (40.1,47.6] 72 18.46
## 7 (47.6,55] 45 11.54
## 8 (55,62.5] 28 7.18
## 9 (62.5,70] 14 3.59
## 10 (70,77.5] 5 1.284. Organización de datos en gráficos
Gráfico de tipo histograma para la variable: edad_propietario
ggplot(
datos %>% filter(!is.na(edad_propietario)),
aes(x = edad_propietario)
) +
geom_histogram(
bins = 10,
fill = "skyblue",
color = "black"
) +
labs(
title = "Distribución de edad de los propietarios",
x = "Edad",
y = "Frecuencia"
) +
theme_minimal()
¿Qué ve?
Se observa la distribución de edades de los propietarios de los micronegocios. La mayor concentración de personas se encuentra en ciertos rangos de edad, mostrando cómo está compuesta la población estudiada.
Gráfico de tipo barras para la variable: sexo
ggplot(datos, aes(x = sexo, fill = sexo)) +
geom_bar() +
labs(title = "Distribución por sexo",
x = "Sexo",
y = "Frecuencia") +
theme_minimal()
¿Qué ve?
El gráfico muestra la cantidad de hombres y mujeres propietarios de micronegocios dentro de la muestra.
Gráfico de tipo barras para la variable: estrato
ggplot(datos,
aes(x = factor(estrato),
fill = factor(estrato))) +
geom_bar() +
labs(title = "Distribución por estrato",
x = "Estrato",
y = "Frecuencia") +
theme_minimal()
¿Qué ve?
Se observa cómo se distribuyen los propietarios según el estrato socioeconómico.
Gráfico de tipo barras para la variable: nivel_educativo
ggplot(datos,
aes(x = nivel_educativo,
fill = nivel_educativo)) +
geom_bar() +
labs(title = "Nivel educativo",
x = "Nivel educativo",
y = "Frecuencia") +
theme_minimal()
¿Qué ve?
El gráfico permite identificar cuál es el nivel educativo predominante entre los propietarios de micronegocios.
Gráfico de tipo barras para la variable: tipo_producto
ggplot(datos,
aes(x = tipo_producto,
fill = tipo_producto)) +
geom_bar() +
labs(title = "Tipo de producto",
x = "Tipo de producto",
y = "Frecuencia") +
theme_minimal()
¿Qué ve?
Se observa qué tipo de productos son los más comercializados por los micronegocios de la muestra.
Gráfico de tipo barras para la variable: usa_redes_para_vender
ggplot(datos,
aes(x = usa_redes_para_vender,
fill = usa_redes_para_vender)) +
geom_bar() +
labs(title = "Uso de redes para vender",
x = "Usa redes",
y = "Frecuencia") +
theme_minimal()
¿Qué ve?
El gráfico muestra cuántos propietarios utilizan redes sociales como medio de venta y cuántos no.
Gráfico de tipo barras para la variable: ha_recibido_capacitacion
ggplot(datos,
aes(x = ha_recibido_capacitacion,
fill = ha_recibido_capacitacion)) +
geom_bar() +
labs(title = "Capacitación recibida",
x = "Capacitación",
y = "Frecuencia") +
theme_minimal()
¿Qué ve?
Se observa la proporción de propietarios que han recibido capacitación frente a quienes no la han recibido.
Gráfico de tipo barras para la variable: percibe_impacto_importaciones
ggplot(datos,
aes(x = percibe_impacto_importaciones,
fill = percibe_impacto_importaciones)) +
geom_bar() +
labs(title = "Impacto de importaciones",
x = "Percibe impacto",
y = "Frecuencia") +
theme_minimal()
¿Qué ve?
El gráfico muestra cuántos propietarios consideran que las importaciones afectan sus ventas.
Gráfico de tipo barras para la variable: ha_perdido_clientes
ggplot(datos,
aes(x = ha_perdido_clientes,
fill = ha_perdido_clientes)) +
geom_bar() +
labs(title = "Pérdida de clientes",
x = "Ha perdido clientes",
y = "Frecuencia") +
theme_minimal()
¿Qué ve?
Se observa la cantidad de propietarios que reportan pérdida de clientes en sus negocios.
Gráfico de tipo histograma para la variable: ventas_mensuales
ggplot(
datos %>% filter(!is.na(ventas_mensuales)),
aes(x = ventas_mensuales)
) +
geom_histogram(
bins = 10,
fill = "lightgreen",
color = "black"
) +
labs(
title = "Distribución de ventas mensuales",
x = "Ventas mensuales",
y = "Frecuencia"
) +
theme_minimal()
¿Qué ve?
El histograma muestra cómo se distribuyen las ventas mensuales de los micronegocios.
Gráfico de tipo histograma para la variable: horas_trabajadas
ggplot(
datos %>% filter(!is.na(horas_trabajadas)),
aes(x = horas_trabajadas)
) +
geom_histogram(
bins = 10,
fill = "orange",
color = "black"
) +
labs(
title = "Horas trabajadas",
x = "Horas trabajadas",
y = "Frecuencia"
) +
theme_minimal()
¿Qué ve?
El gráfico muestra la distribución de las horas trabajadas semanalmente por los propietarios.
Gráfico de tipo barras para la variable: satisfecho_con_ventas
ggplot(datos,
aes(x = satisfecho_con_ventas,
fill = factor(satisfecho_con_ventas))) +
geom_bar() +
labs(title = "Nivel de satisfacción con ventas",
x = "Nivel de satisfacción",
y = "Frecuencia") +
theme_minimal()
¿Qué ve?
Se observa el nivel de satisfacción de los propietarios respecto a las ventas de sus negocios.
Gráfico de tipo histograma para la variable: porcentaje_productos_importados
ggplot(
datos %>% filter(!is.na(porcentaje_productos_importados)),
aes(x = porcentaje_productos_importados)
) +
geom_histogram(
bins = 10,
fill = "purple",
color = "black"
) +
labs(
title = "Porcentaje de productos importados",
x = "Porcentaje importado",
y = "Frecuencia"
) +
theme_minimal()
¿Qué ve?
El histograma muestra cómo se distribuye el porcentaje de productos importados dentro de los micronegocios.
Planteamiento de hipótesis
Hipótesis 1
Diferencia de ventas según percepción del impacto de las importaciones.
Ho: No existen diferencias significativas en las ventas mensuales entre los micronegocios que perciben impacto de las importaciones y los que no lo perciben.
H1: Existen diferencias significativas en las ventas mensuales entre los micronegocios que perciben impacto de las importaciones y los que no lo perciben.
t.test(
ventas_mensuales ~ percibe_impacto_importaciones,
data = datos
)##
## Welch Two Sample t-test
##
## data: ventas_mensuales by percibe_impacto_importaciones
## t = 5.8041, df = 380.87, p-value = 1.364e-08
## alternative hypothesis: true difference in means between group No and group Si is not equal to 0
## 95 percent confidence interval:
## 200122.2 405173.4
## sample estimates:
## mean in group No mean in group Si
## 1569812 1267164¿Acepta o rechaza Ho?
El valor-p obtenido fue: 1.364e-08
Como el valor-p es menor que 0.05, se rechaza la hipótesis nula (Ho).
Conclusión:
Existen diferencias significativas en las ventas mensuales entre los micronegocios que perciben impacto de las importaciones y los que no. Además, el promedio de ventas es mayor en el grupo que no percibe impacto de las importaciones.
Interpretación:
La prueba permite identificar si la percepción del impacto de las importaciones influye significativamente en las ventas mensuales de los micronegocios.
Hipótesis 2
Diferencia de ventas según capacitación
Ho: No existen diferencias significativas en las ventas mensuales entre quienes han recibido capacitación y quienes no.
H1: Existen diferencias significativas en las ventas mensuales entre quienes han recibido capacitación y quienes no.
t.test(
ventas_mensuales ~ ha_recibido_capacitacion,
data = datos
)##
## Welch Two Sample t-test
##
## data: ventas_mensuales by ha_recibido_capacitacion
## t = -3.1644, df = 333.7, p-value = 0.001697
## alternative hypothesis: true difference in means between group No and group Si is not equal to 0
## 95 percent confidence interval:
## -281725.05 -65731.74
## sample estimates:
## mean in group No mean in group Si
## 1363626 1537355¿Acepta o rechaza Ho?
El valor-p obtenido fue: 0.001697
Como el valor-p es menor que 0.05, se rechaza la hipótesis nula (Ho).
Conclusión:
Existen diferencias significativas en las ventas mensuales entre quienes han recibido capacitación y quienes no. Los propietarios que recibieron capacitación presentan mayores ventas promedio.
Interpretación:
La prueba evalúa si recibir capacitación tiene un efecto significativo sobre las ventas mensuales.
Hipótesis 3
Relación entre horas trabajadas y ventas mensuales
Ho: No existe relación lineal significativa entre las horas trabajadas y las ventas mensuales.
H1: Existe relación lineal significativa entre las horas trabajadas y las ventas mensuales.
cor.test(
datos$horas_trabajadas,
datos$ventas_mensuales,
use = "complete.obs"
)##
## Pearson's product-moment correlation
##
## data: datos$horas_trabajadas and datos$ventas_mensuales
## t = -2.4436, df = 378, p-value = 0.015
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
## -0.22251355 -0.02440764
## sample estimates:
## cor
## -0.1247033¿Acepta o rechaza Ho?
El valor-p obtenido fue: 0.015
Como el valor-p es menor que 0.05, se rechaza la hipótesis nula (Ho).
Conclusión:
Existe una relación lineal significativa entre las horas trabajadas y
las ventas mensuales. Sin embargo, la correlación encontrada es negativa
y débil (cor = -0.1247), lo que indica que al aumentar las
horas trabajadas las ventas tienden a disminuir ligeramente.
Interpretación:
La prueba de correlación permite determinar si existe relación entre el tiempo trabajado y las ventas generadas.
Hipótesis 4
Regresión lineal simple
Ho: El porcentaje de productos importados no influye significativamente en las ventas mensuales.
H1: El porcentaje de productos importados influye significativamente en las ventas mensuales.
modelo <- lm(
ventas_mensuales ~ porcentaje_productos_importados,
data = datos
)
summary(modelo)##
## Call:
## lm(formula = ventas_mensuales ~ porcentaje_productos_importados,
## data = datos)
##
## Residuals:
## Min 1Q Median 3Q Max
## -865094 -215537 9618 229520 876056
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 159450 50294 3.17 0.00164 **
## porcentaje_productos_importados 32868 1228 26.76 < 2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 318600 on 388 degrees of freedom
## (10 observations deleted due to missingness)
## Multiple R-squared: 0.6485, Adjusted R-squared: 0.6476
## F-statistic: 715.9 on 1 and 388 DF, p-value: < 2.2e-16¿Acepta o rechaza Ho?
El valor-p del modelo fue: p-value < 2.2e-16
Como el valor-p es menor que 0.05, se rechaza la hipótesis nula (Ho).
Conclusión:
El porcentaje de productos importados influye significativamente en las ventas mensuales de los micronegocios.
El coeficiente de la variable porcentaje_productos_importados es positivo (32868), lo que indica que a medida que aumenta el porcentaje de productos importados, las ventas mensuales tienden a aumentar.
Además, el coeficiente de determinación: R² = 0.6485
indica que aproximadamente el 64.85% de la variabilidad de las ventas mensuales es explicada por el porcentaje de productos importados.
Interpretación:
El modelo de regresión permite evaluar si el porcentaje de productos importados afecta significativamente las ventas mensuales.
Resultados y conclusiones
Se encontraron diferencias significativas en las ventas mensuales según la percepción del impacto de las importaciones.
Los propietarios que han recibido capacitación presentan mayores ventas promedio que aquellos que no la han recibido.
Existe una relación lineal significativa entre las horas trabajadas y las ventas mensuales, aunque la correlación observada fue débil y negativa.
El porcentaje de productos importados mostró una influencia significativa sobre las ventas mensuales mediante el modelo de regresión lineal simple.
El modelo de regresión presentó un coeficiente de determinación alto (
R² = 64.85%), indicando un buen nivel de explicación de las ventas mensuales.En general, factores económicos y de gestión como las importaciones y la capacitación influyen en el desempeño de los micronegocios urbanos.