1 Resumen ejecutivo

Este informe presenta un análisis descriptivo de la base de datos construida en la Actividad 112: el ranking de los 100 vehículos nuevos más vendidos en Colombia durante el primer semestre de 2026 (fuente: Andemos, con base en el RUNT, consolidado por El Carro Colombiano). El objetivo es caracterizar el comportamiento del mercado según marca, segmento comercial y tecnología de propulsión (variables cualitativas), y según el número de matrículas y el ranking de ventas (variables cuantitativas), con el fin de identificar los patrones que explican el liderazgo de determinados fabricantes y tipos de vehículo en un mercado que creció 50,3 % frente al mismo periodo de 2025.

Los resultados muestran un mercado fuertemente concentrado en el segmento SUV y en la tecnología de combustión, con una alta dispersión entre los modelos: los 10 vehículos más vendidos concentran una tercera parte de las matrículas del ranking, mientras que los 10 últimos apenas superan el 2,8 %.

2 Planteamiento del problema

El mercado automotor colombiano atravesó en el primer semestre de 2026 un crecimiento inusualmente alto (50,3 % frente al mismo periodo de 2025), impulsado por la irrupción de nuevas marcas eléctricas, la guerra de precios entre fabricantes y el restablecimiento económico después de la pandemia. Sin embargo, este crecimiento no se distribuyó de manera uniforme: mientras algunos segmentos como las SUV y los vehículos electrificados crecieron con fuerza, otros segmentos y marcas tradicionales avanzaron a un ritmo mucho menor o incluso retrocedieron.

Pregunta problema: ¿cómo se distribuyen las matrículas de vehículos nuevos en Colombia durante el primer semestre de 2026 según marca, segmento y tecnología de propulsión, y qué patrones explican el liderazgo de determinados fabricantes y tipos de vehículo en un mercado en fuerte expansión?

3 Objetivos

Objetivo general. Caracterizar estadísticamente el comportamiento de las matrículas de vehículos nuevos en Colombia durante el primer semestre de 2026, con el fin de identificar los factores (marca, segmento, tecnología de propulsión) más asociados al volumen de ventas y proponer recomendaciones para actores del sector (concesionarios, ensambladoras, compradores).

Objetivos específicos:

  • Describir la distribución de matrículas por marca y por segmento de vehículo mediante estadística descriptiva.
  • Comparar el desempeño de los vehículos de combustión frente a los híbridos y eléctricos en términos de participación de mercado.
  • Identificar los modelos con mayor y menor rotación dentro del top 98, evidenciando concentración o dispersión del mercado.
  • Proponer recomendaciones orientadas a concesionarios y compradores sobre qué segmentos/tecnologías presentan mayor dinamismo.

4 Metodología

4.1 Fuente de información

Se utiliza información secundaria: el ranking de matrículas de Andemos con base en el RUNT, consolidado y publicado por El Carro Colombiano (base de datos construida en la Actividad 112), sobre la cual se aplican las técnicas de estadística descriptiva desarrolladas en el curso (tablas de frecuencia, indicadores de tendencia central, dispersión y forma, y análisis comparativo).

4.2 Variables de análisis

Variable Tipo Escala Rol en el análisis
Marca Cualitativa Nominal Agrupar y comparar el volumen de ventas por fabricante
Segmento comercial (SUV, Automóvil, Pick-Up, etc.) Cualitativa Nominal Identificar qué tipo de vehículo domina el mercado
Tecnología de propulsión (combustión, híbrido, eléctrico) Cualitativa Nominal Comparar el avance de la electrificación
Ranking de ventas Cuantitativa Ordinal Ubicar la posición relativa de cada modelo
Número de matrículas Cuantitativa Razón Medir el desempeño comercial de cada modelo

Se trabaja con tres variables cualitativas (marca, segmento, tecnología de propulsión) y dos variables cuantitativas (ranking y número de matrículas), cumpliendo el mínimo de dos y dos exigido por la actividad.

5 Datos

5.1 Importación y vista previa

vehiculos <- read_excel("Tabla_Vehiculos_Actividad_112_.xlsx")

# --- Nota de calidad de datos --------------------------------------------
# Las tres primeras filas del archivo original traen el texto "ranking" en
# la columna del mismo nombre, en lugar del número de posición (1, 2 y 3).
# Dado que el archivo ya está ordenado de mayor a menor número de matrículas,
# se corrige asignando directamente el orden correcto.
vehiculos$ranking[1:3] <- c(1, 2, 3)
vehiculos$ranking <- as.integer(vehiculos$ranking)
# ---------------------------------------------------------------------------

DT::datatable(
  vehiculos,
  fillContainer = FALSE,
  options = list(pageLength = 8, scrollX = TRUE)
)

La base contiene 98 vehículos (posiciones 1 a 98 del ranking; el reporte original omite las posiciones 48 y 51 por un problema de formato en la tabla fuente, documentado en la Actividad 112) y 7 columnas, sin datos faltantes:

cat("Valores faltantes en la base:", sum(is.na(vehiculos)))
## Valores faltantes en la base: 0

6 Análisis descriptivo de variables cualitativas

6.1 Segmento comercial

tabla_seg <- table(vehiculos$segmento) |> sort(decreasing = TRUE)
ft_seg <- as.data.frame(tabla_seg)
colnames(ft_seg) <- c("Segmento", "Frecuencia absoluta")
ft_seg$`Frecuencia relativa (%)` <- round(ft_seg$`Frecuencia absoluta` /
                                             sum(ft_seg$`Frecuencia absoluta`) * 100, 2)
flextable(ft_seg) |> autofit()

Segmento

Frecuencia absoluta

Frecuencia relativa (%)

SUV

54

55.10

Automóvil

20

20.41

Camión liviano

10

10.20

Pick-Up

6

6.12

Todoterreno

3

3.06

Taxi

2

2.04

Van/Furgón

2

2.04

Tractocamión

1

1.02

La moda de la variable segmento es SUV, con 54 de los 98 modelos (55,1 %), seguida de Automóvil (20 modelos, 20,4 %). El resto de segmentos (Pick-Up, Camión liviano, Todoterreno, Taxi, Van/Furgón y Tractocamión) se reparten el 24,5 % restante, cada uno con seis o menos modelos.

ggplot(ft_seg, aes(x = reorder(Segmento, `Frecuencia absoluta`),
                    y = `Frecuencia absoluta`)) +
  geom_col(fill = "#1F3B57") +
  coord_flip() +
  labs(title = "Número de modelos en el ranking por segmento",
       x = NULL, y = "Número de modelos") +
  theme_minimal()

6.2 Tecnología de propulsión

tabla_tec <- table(vehiculos$tecnologia_propulsion) |> sort(decreasing = TRUE)
ft_tec <- as.data.frame(tabla_tec)
colnames(ft_tec) <- c("Tecnología de propulsión", "Frecuencia absoluta")
ft_tec$`Frecuencia relativa (%)` <- round(ft_tec$`Frecuencia absoluta` /
                                             sum(ft_tec$`Frecuencia absoluta`) * 100, 2)
flextable(ft_tec) |> autofit()

Tecnología de propulsión

Frecuencia absoluta

Frecuencia relativa (%)

Combustión (gasolina/diésel)

68

69.39

Híbrido

19

19.39

Eléctrico

10

10.20

Híbrido enchufable (PHEV)

1

1.02

La moda es combustión (gasolina/diésel), presente en 68 de los 98 modelos (69,4 %). Los híbridos representan el 19,4 % (19 modelos) y los eléctricos el 10,2 % (10 modelos); el híbrido enchufable (PHEV) aparece en un único modelo (1,0 %). Esto indica que, en número de modelos ofrecidos, la combustión sigue dominando ampliamente el catálogo del top 98, aunque —como se verá en el análisis comparativo— su peso en matrículas es menor al peso en número de modelos.

ggplot(ft_tec, aes(x = reorder(`Tecnología de propulsión`, `Frecuencia absoluta`),
                    y = `Frecuencia absoluta`)) +
  geom_col(fill = "#B8860B") +
  coord_flip() +
  labs(title = "Número de modelos en el ranking por tecnología de propulsión",
       x = NULL, y = "Número de modelos") +
  theme_minimal()

6.3 Marca

tabla_marca <- table(vehiculos$marca) |> sort(decreasing = TRUE)
ft_marca <- as.data.frame(head(tabla_marca, 10))
colnames(ft_marca) <- c("Marca", "Frecuencia absoluta")
ft_marca$`Frecuencia relativa (%)` <- round(ft_marca$`Frecuencia absoluta` /
                                               nrow(vehiculos) * 100, 2)
flextable(ft_marca) |> autofit()

Marca

Frecuencia absoluta

Frecuencia relativa (%)

Chevrolet

13

13.27

Renault

10

10.20

Kia

9

9.18

Toyota

8

8.16

Nissan

6

6.12

Volkswagen

6

6.12

BYD

5

5.10

Mazda

5

5.10

Suzuki

5

5.10

Hyundai

4

4.08

La base reúne 29 marcas distintas. La moda es Chevrolet, con 13 modelos en el ranking (13,3 % del total), seguida de Renault (10 modelos, 10,2 %) y Kia (9 modelos, 9,2 %). Esta variable evidencia que ninguna marca concentra más de una séptima parte del catálogo: el liderazgo del mercado se apoya más en el desempeño de modelos puntuales que en el dominio de una sola marca.

7 Análisis descriptivo de variables cuantitativas

7.1 Número de matrículas

summary(vehiculos$matriculas)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   340.0   493.8   825.5  1291.4  1548.2  8469.0
psych::describe(vehiculos$matriculas)
asimetria <- function(x) {
  n <- length(x)
  (sum((x - mean(x))^3) / n) / (sd(x)^3)
}
cat("Coeficiente de asimetría:", round(asimetria(vehiculos$matriculas), 2))
## Coeficiente de asimetría: 2.75

El número de matrículas presenta una asimetría positiva fuerte (≈ 2,75, muy por encima del umbral de 0,5), producida por un pequeño grupo de modelos con ventas muy superiores al resto (el máximo, 8.469 matrículas del Tesla Model Y, casi sextuplica la mediana). Por esta razón, siguiendo el criterio de asimetría del curso, se reportan la mediana y el rango intercuartílico en lugar de la media y la desviación estándar:

  • Mediana: 825,5 matrículas
  • Rango intercuartílico (IQR): 1.054,5 (Q1 = 493,75 — Q3 = 1.548,25)
  • Media (referencial, no representativa por la asimetría): 1.291,4 — SD: 1.259,5

El total de matrículas acumuladas por los 98 modelos del ranking es de 126.556 unidades.

7.2 Ranking de ventas

summary(vehiculos$ranking)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    1.00   25.25   49.50   49.50   73.75   98.00
cat("Asimetría:", asimetria(vehiculos$ranking))
## Asimetría: 0

El ranking, por construcción, se distribuye de manera perfectamente uniforme entre 1 y 98 (asimetría = 0; media = mediana = 49,5), por lo que no aporta un patrón propio más allá de ordenar los modelos: su valor analítico está en relacionarlo con las demás variables, como se hace en la sección siguiente.

8 Análisis comparativo

8.1 Matrículas por segmento

comp_seg <- vehiculos |>
  group_by(segmento) |>
  summarise(
    n_modelos = n(),
    matriculas_totales = sum(matriculas),
    matriculas_media = round(mean(matriculas), 1),
    matriculas_mediana = median(matriculas),
    participacion_pct = round(sum(matriculas) / sum(vehiculos$matriculas) * 100, 2)
  ) |>
  arrange(desc(matriculas_totales))

flextable(comp_seg) |> autofit()

segmento

n_modelos

matriculas_totales

matriculas_media

matriculas_mediana

participacion_pct

SUV

54

69,927

1,294.9

819.5

55.25

Automóvil

20

37,279

1,864.0

1,604.5

29.46

Pick-Up

6

6,187

1,031.2

1,047.0

4.89

Camión liviano

10

5,944

594.4

549.0

4.70

Todoterreno

3

3,967

1,322.3

1,048.0

3.13

Taxi

2

1,477

738.5

738.5

1.17

Van/Furgón

2

1,050

525.0

525.0

0.83

Tractocamión

1

725

725.0

725.0

0.57

El segmento SUV concentra el 55,3 % de las matrículas del ranking, seguido de Automóvil con 29,5 %. Entre ambos explican más de cuatro quintas partes del mercado top 98. El segmento Automóvil, pese a tener menos modelos que el SUV, presenta la matrícula promedio más alta (1.864 unidades por modelo), lo que sugiere una mayor concentración de ventas en pocos modelos muy exitosos dentro de ese segmento (p. ej. Kia K3 y Kia Picanto).

8.2 Matrículas por tecnología de propulsión

comp_tec <- vehiculos |>
  group_by(tecnologia_propulsion) |>
  summarise(
    n_modelos = n(),
    matriculas_totales = sum(matriculas),
    matriculas_media = round(mean(matriculas), 1),
    matriculas_mediana = median(matriculas),
    participacion_pct = round(sum(matriculas) / sum(vehiculos$matriculas) * 100, 2)
  ) |>
  arrange(desc(matriculas_totales))

flextable(comp_tec) |> autofit()

tecnologia_propulsion

n_modelos

matriculas_totales

matriculas_media

matriculas_mediana

participacion_pct

Combustión (gasolina/diésel)

68

75,251

1,106.6

742

59.46

Híbrido

19

33,474

1,761.8

1,637

26.45

Eléctrico

10

17,446

1,744.6

660

13.79

Híbrido enchufable (PHEV)

1

385

385.0

385

0.30

Aunque la combustión domina en número de modelos (69,4 %), en matrículas su participación baja a 59,5 %: los híbridos y eléctricos, con solo el 30,6 % de los modelos, ya concentran el 40,2 % de las matrículas (26,4 % híbridos + 13,8 % eléctricos). Además, tanto los híbridos (mediana 1.637) como los eléctricos (media 1.744,6) superan ampliamente la matrícula promedio de los vehículos de combustión (mediana 742), lo que confirma que la electrificación, aunque todavía minoritaria en catálogo, ya tiene un desempeño comercial por modelo notablemente superior.

8.3 Tabla cruzada segmento × tecnología de propulsión

cruzada <- table(vehiculos$segmento, vehiculos$tecnologia_propulsion)
flextable(as.data.frame.matrix(cruzada) |>
            tibble::rownames_to_column("Segmento")) |>
  autofit()

Segmento

Combustión (gasolina/diésel)

Eléctrico

Híbrido

Híbrido enchufable (PHEV)

Automóvil

11

5

4

0

Camión liviano

10

0

0

0

Pick-Up

6

0

0

0

SUV

35

5

13

1

Taxi

2

0

0

0

Todoterreno

1

0

2

0

Tractocamión

1

0

0

0

Van/Furgón

2

0

0

0

La electrificación (híbrido + eléctrico + PHEV) se concentra casi por completo en dos segmentos: SUV (19 de 33 modelos electrificados) y Automóvil (9 de 33). Los segmentos de uso comercial e industrial (Camión liviano, Pick-Up, Tractocamión, Van/Furgón, Taxi) son, en este ranking, 100 % de combustión.

8.4 Concentración y dispersión del mercado

top10 <- vehiculos |> arrange(ranking) |> slice(1:10)
bottom10 <- vehiculos |> arrange(desc(ranking)) |> slice(1:10)

cat("Matrículas de los 10 modelos más vendidos:", sum(top10$matriculas),
    "->", round(sum(top10$matriculas) / sum(vehiculos$matriculas) * 100, 1),
    "% del total\n")
## Matrículas de los 10 modelos más vendidos: 42901 -> 33.9 % del total
cat("Matrículas de los 10 modelos con menor rotación:", sum(bottom10$matriculas),
    "->", round(sum(bottom10$matriculas) / sum(vehiculos$matriculas) * 100, 1),
    "% del total\n")
## Matrículas de los 10 modelos con menor rotación: 3599 -> 2.8 % del total
cat("Participación del líder (Tesla Model Y):",
    round(vehiculos$matriculas[vehiculos$ranking == 1] / sum(vehiculos$matriculas) * 100, 1),
    "% del total")
## Participación del líder (Tesla Model Y): 6.7 % del total

El mercado del top 98 es altamente concentrado: el 10,2 % de los modelos mejor posicionados acumula el 33,9 % de las matrículas, mientras que el 10,2 % de menor rotación apenas alcanza el 2,8 %. El solo líder del ranking (Tesla Model Y) representa el 6,7 % del total de matrículas de los 98 modelos, más que la suma completa de los segmentos Taxi, Van/Furgón y Tractocamión juntos.

8.5 Nota metodológica: ranking y matrículas

cor_rank_matr <- cor(vehiculos$ranking, vehiculos$matriculas, method = "spearman")
cat("Correlación de Spearman ranking-matrículas:", round(cor_rank_matr, 3))
## Correlación de Spearman ranking-matrículas: -1

La correlación de Spearman entre ranking y matrículas es de -0,9999, prácticamente perfecta. Esto no constituye un hallazgo de mercado, sino una consecuencia estructural: el ranking se construyó precisamente ordenando los modelos según su número de matrículas, por lo que ambas variables son, en esencia, dos representaciones de la misma información (una en escala ordinal y otra en escala de razón). Se documenta aquí para evitar que se interprete como una relación causal o como un patrón de mercado.

9 Discusión

Los resultados permiten responder la pregunta problema: las matrículas del top 98 de vehículos nuevos en Colombia (primer semestre de 2026) se concentran mayoritariamente en el segmento SUV y en la tecnología de combustión, pero el crecimiento más dinámico —medido por matrícula promedio por modelo— se observa en los vehículos híbridos y eléctricos, que con menos de un tercio de los modelos ya explican dos quintas partes de las matrículas. Ninguna marca individual domina el catálogo (Chevrolet, la más frecuente, no llega al 14 % de los modelos), lo que indica que el liderazgo de ventas responde más al éxito de modelos específicos (Tesla Model Y, Kia K3, Kia Picanto) que a estrategias de marca generalizadas. El mercado, además, es muy disperso en su cola: los últimos 10 modelos del ranking apenas representan una fracción marginal de las matrículas totales, frente a la fuerte concentración en los primeros 10 lugares.

10 Limitaciones

  • El análisis cubre únicamente el top 98 del ranking (se excluyen las posiciones 48 y 51 por un problema de formato en la fuente original, documentado en la Actividad 112), no la totalidad de las matrículas registradas en el semestre; los porcentajes de participación son relativos a este subconjunto, no al mercado total.
  • La clasificación de segmento y tecnología de propulsión fue construida manualmente durante la Actividad 112, ya que la fuente original solo publicaba el nombre del vehículo y sus matrículas.
  • La correlación entre ranking y matrículas es estructural (no analítica), como se explicó en la nota metodológica correspondiente.
  • Al tratarse de datos de un único semestre, no es posible establecer tendencias de crecimiento por modelo; el análisis es descriptivo y transversal, no permite conclusiones causales sobre por qué un segmento o tecnología lidera el mercado.

11 Conclusiones y recomendaciones

  1. El segmento SUV y la tecnología de combustión dominan el catálogo de vehículos más vendidos, pero la electrificación (híbrido + eléctrico) ya muestra un desempeño comercial por modelo superior al de la combustión, pese a tener menos de un tercio de los modelos del ranking.
  2. El mercado está poco concentrado por marca (29 marcas distintas, ninguna por encima del 14 % de los modelos) pero muy concentrado por modelo (el top 10 acumula un tercio de las matrículas), lo que sugiere que las decisiones comerciales deberían enfocarse en modelos ganadores específicos más que en apuestas de marca completas.
  3. Para concesionarios: priorizar el inventario de SUV híbridos y eléctricos, dado su mayor desempeño promedio por modelo frente a la combustión.
  4. Para compradores: los segmentos SUV y Automóvil concentran la oferta y la demanda, por lo que ofrecen mayor variedad de modelos y probablemente mejores condiciones comerciales por competencia entre marcas.
  5. Para ensambladoras: los segmentos de uso comercial (camiones livianos, pick-up, furgones) siguen siendo 100 % de combustión en este ranking, representando una oportunidad de electrificación aún inexplorada en el mercado colombiano.

12 Referencias

  • Andemos / RUNT. Ranking de matrículas de vehículos nuevos, primer semestre
    1. Consolidado y publicado por El Carro Colombiano.
  • Base de datos “Actividad-1 Unidad 1.1” — Actividad 112, Metodología Estadística / Teoría de Probabilidades, Pontificia Universidad Javeriana Cali.

Manuel Alejandro Vargas Imuez Pontificia Universidad Javeriana Cali — Teoría de Probabilidades Prof. Daniel Enrique González Gómez