Catálogo: distribución · cantidad · proporción · relación · tiempo. Datos: notas_estudiantes y ventas_retail. Versión en R del laboratorio 2.

n <- leer("notas_estudiantes.csv")
v <- leer("ventas_retail.csv")
glimpse(n)
## Rows: 400
## Columns: 5
## $ estudiante        <dbl> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 1…
## $ carrera           <chr> "Ingeniería", "Informática", "Informática", "Ingenie…
## $ horas_estudio_sem <dbl> 10.3, 9.7, 20.1, 7.8, 6.5, 4.6, 17.4, 5.9, 9.6, 4.9,…
## $ asistencia_pct    <dbl> 70.7, 88.9, 95.8, 90.8, 90.0, 75.0, 77.0, 97.7, 100.…
## $ nota_final        <dbl> 69.9, 58.5, 86.2, 68.6, 76.2, 55.8, 85.1, 79.5, 69.4…

1. Distribuciones: ¿cómo se reparten las notas?

El histograma depende del ancho de bin; ECDF y violín complementan.

h1 <- ggplot(n, aes(nota_final)) + geom_histogram(bins = 8,  fill = BASE, color = "white") + labs(title = "Histograma · 8 bins", x = NULL, y = NULL)
h2 <- ggplot(n, aes(nota_final)) + geom_histogram(bins = 40, fill = BASE, color = "white") + labs(title = "Histograma · 40 bins", x = NULL, y = NULL)
vi <- ggplot(n, aes(carrera, nota_final)) + geom_violin(fill = BASE, alpha = .35, draw_quantiles = c(.25, .5, .75)) + labs(title = "Violín por carrera", x = NULL, y = NULL)
ec <- ggplot(n, aes(nota_final, color = carrera)) + stat_ecdf(linewidth = 1) + labs(title = "ECDF por carrera", x = NULL, y = NULL, color = NULL)
(h1 + h2) / (vi + ec)

2. Cantidades: ranking con barras ordenadas (mejor que la torta)

t <- v %>% group_by(sucursal) %>% summarise(ventas = sum(ventas_gs_miles) / 1e6) %>% arrange(ventas)
ggplot(t, aes(ventas, reorder(sucursal, ventas), fill = ventas == max(ventas))) +
  geom_col(show.legend = FALSE) +
  geom_text(aes(label = fmt_num(ventas)), hjust = -0.15) +
  scale_fill_manual(values = c(`FALSE` = GRIS_CLARO, `TRUE` = ENFASIS)) +
  scale_x_continuous(expand = expansion(mult = c(0, .12))) +
  labs(title = "Asunción lidera las ventas 2024-25", x = "Ventas (miles de millones de Gs.)", y = NULL) +
  theme(panel.grid.major.y = element_blank())

3. Relaciones: dispersión y el problema del overplotting

base <- ggplot(n, aes(horas_estudio_sem, nota_final)) + labs(x = "Horas de estudio / semana", y = "Nota final")
(base + geom_point(color = BASE) + labs(title = "Puntos opacos")) +
(base + geom_point(color = BASE, alpha = .25) + labs(title = "Transparencia")) +
(base + geom_bin2d(bins = 18) + scale_fill_gradient(low = "#DCEBF5", high = BASE) + labs(title = "Densidad (bin2d)") + theme(legend.position = "none"))

4. Matriz de decisión

Pregunta Datos Gráfico
¿Cómo se distribuye X? 1 numérica histograma / ECDF / violín
¿Cuánto por categoría? categórica + numérica barras ordenadas / lollipop
¿Qué parte del total? partes → todo barras apiladas 100 % (torta solo ≤ 3 partes)
¿Se relacionan X e Y? 2 numéricas dispersión / densidad / suavizado
¿Cómo cambia en el tiempo? serie temporal línea / small multiples

Tu turno

Para 5 preguntas de negocio sobre ventas_retail (p. ej. ¿qué categoría tiene mayor margen?): elegí el gráfico, justificalo con la matriz y construilo con ggplot2. Entregá el documento con 5 figuras y una frase-mensaje por figura.

Para responder cada pregunta uso la matriz de decisión de la sección 4: primero identifico qué tipo de pregunta es y qué datos involucra, y de ahí sale el gráfico.

v <- v %>% mutate(fecha = as.Date(fecha), margen = ventas_gs_miles - costo_gs_miles)

Pregunta 1 · ¿Qué categoría tiene mayor margen?

Tipo de pregunta: cantidad por categoría (categórica + numérica) → barras ordenadas.

p1 <- v %>% group_by(categoria) %>%
  summarise(margen_pct = sum(margen) / sum(ventas_gs_miles)) %>%
  mutate(destacada = margen_pct == max(margen_pct))

ggplot(p1, aes(margen_pct, reorder(categoria, margen_pct), fill = destacada)) +
  geom_col(width = .6, show.legend = FALSE) +
  geom_text(aes(label = percent(margen_pct, accuracy = 1)), hjust = -0.15, size = 3.8) +
  scale_fill_manual(values = c(`FALSE` = GRIS_CLARO, `TRUE` = ENFASIS)) +
  scale_x_continuous(labels = percent, limits = c(0, .55), expand = c(0, 0)) +
  labs(title = "Indumentaria deja el mayor margen: 45 % de cada venta",
       subtitle = "Margen bruto (ventas − costo) como % de las ventas · 2024-25", x = NULL, y = NULL) +
  theme(panel.grid.major.y = element_blank())

Mensaje: Indumentaria tiene el mayor margen (45 %), más del doble que Alimentos (18 %).Vender mucho no es lo mismo que ganar mucho.

Pregunta 2 · ¿Cómo evolucionan las ventas a lo largo del año?

Tipo de pregunta: cambio en el tiempo (serie temporal) → línea.

p2 <- v %>% mutate(mes = floor_date(fecha, "month")) %>%
  group_by(mes) %>% summarise(ventas = sum(ventas_gs_miles) / 1e3)
picos <- p2 %>% filter(month(mes) == 12)

ggplot(p2, aes(mes, ventas)) +
  geom_line(color = BASE, linewidth = 1) +
  geom_point(data = picos, color = ENFASIS, size = 3) +
  geom_text(data = picos, aes(label = paste("Dic.", year(mes))), vjust = -1, color = ENFASIS, size = 3.5) +
  scale_y_continuous(limits = c(0, 3200), labels = label_number(big.mark = ".")) +
  scale_x_date(date_labels = "%b %Y", date_breaks = "3 months") +
  labs(title = "Diciembre es el pico de ventas en los dos años",
       subtitle = "Ventas mensuales totales (millones de Gs.)", x = NULL, y = NULL)

Mensaje: las ventas tienen un patrón estacional claro: suben fuerte en diciembre y caen entre julio y septiembre.

Pregunta 3 · ¿Qué parte de las ventas aporta cada categoría en cada sucursal?

Tipo de pregunta: partes de un todo → barras apiladas al 100 % (con 4 partes y 5 sucursales).

p3 <- v %>% group_by(sucursal, categoria) %>% summarise(ventas = sum(ventas_gs_miles), .groups = "drop") %>%
  group_by(sucursal) %>% mutate(p = ventas / sum(ventas)) %>% ungroup() %>%
  mutate(categoria = factor(categoria, levels = c("Electrónica", "Hogar", "Indumentaria", "Alimentos")))

ggplot(p3, aes(p, sucursal, fill = categoria)) +
  geom_col(width = .65, position = position_fill(reverse = TRUE)) +
  geom_text(aes(label = percent(p, accuracy = 1), color = categoria == "Electrónica", group = categoria),
            position = position_fill(vjust = .5, reverse = TRUE), size = 3.3, fontface = "bold", show.legend = FALSE) +
  scale_fill_manual(values = c(Electrónica = BASE, Hogar = "#BDBDBD", Indumentaria = "#D9D9D9", Alimentos = "#EFEFEF")) +
  scale_color_manual(values = c(`TRUE` = "white", `FALSE` = "#333333")) +
  scale_x_continuous(expand = c(0, 0)) +
  labs(title = "Electrónica aporta más de la mitad de las ventas en todas las sucursales",
       subtitle = "Participación de cada categoría en las ventas de la sucursal · 2024-25", x = NULL, y = NULL, fill = NULL) +
  theme(legend.position = "top", panel.grid = element_blank(), axis.text.x = element_blank())

Mensaje: esperaba encontrar diferencias entre sucursales, pero la mezcla es prácticamente la misma en las cinco: Electrónica representa alrededor del 54 % de las ventas en todas.

Pregunta 4 · ¿Vender más implica ganar más en todas las categorías?

Tipo de pregunta: relación entre dos numéricas → dispersión (con transparencia por el overplotting: son más de 14.000 registros diarios).

ggplot(v, aes(ventas_gs_miles / 1e3, margen / 1e3)) +
  geom_point(color = BASE, alpha = .15, size = .8) +
  geom_smooth(method = "lm", se = FALSE, color = ENFASIS, linewidth = .9) +
  geom_text(data = p1, aes(x = 16, y = 6.5, label = paste0("pendiente ≈ ", percent(margen_pct, accuracy = 1))),
            inherit.aes = FALSE, size = 3.4, color = "#333333") +
  facet_wrap(~ categoria, nrow = 1) +
  labs(title = "El margen crece con las ventas, pero con pendientes distintas por categoría",
       subtitle = "Cada punto es un día en una sucursal (millones de Gs.); la pendiente de la línea es el margen por cada guaraní vendido",
       x = "Ventas del día", y = "Margen del día")

Mensaje: en todas las categorías vender más deja más margen, pero no al mismo ritmo: de cada 100.000 Gs. vendidos, en Indumentaria quedan 45.000 Gs. de margen y en Alimentos solo 18.000 Gs. Electrónica es la que más vende, pero de cada 100.000 Gs. le quedan apenas 22.000.

Pregunta 5 · ¿Cómo se distribuyen las ventas diarias de cada sucursal?

Tipo de pregunta: distribución de una numérica (por grupo) → violín (muestra la forma completa, no solo el promedio).

p5 <- v %>% group_by(sucursal, fecha) %>% summarise(ventas_dia = sum(ventas_gs_miles) / 1e3, .groups = "drop")

ggplot(p5, aes(ventas_dia, reorder(sucursal, ventas_dia, median))) +
  geom_violin(fill = BASE, alpha = .35, color = NA) +
  geom_boxplot(width = .12, outlier.shape = NA, fill = "white") +
  labs(title = "Asunción y Ciudad del Este venden más por día y con más variación",
       subtitle = "Ventas diarias por sucursal (millones de Gs.) · violín = forma; caja = mediana y cuartiles", x = NULL, y = NULL) +
  theme(panel.grid.major.y = element_blank())

Mensaje: Asunción y Ciudad del Este no solo venden más en un día típico, también son las más variables: tienen días que superan los 30 millones. Las sucursales más chicas, como Pedro Juan Caballero, son más estables.

Publicar en RPubs

  1. Knit → HTML. 2. Botón Publish → RPubs en la vista previa (cuenta gratuita en https://rpubs.com). 3. Pegá el enlace en el aula virtual. Recordá que RPubs es público: sin datos personales.