Cesar Tinoco Alvarez - 13003387
Creamos vectores con cada una de las probabilidades segun el dia
set.seed(25)
tipo_dia <- c("Excelente", "Bueno", "Malo")
prob_tipo <- c(0.35, 0.45, 0.2)
prob_demanda <- c(40, 50, 60, 70, 80, 90, 100)
prob_excel <- c(0.03, 0.05, 0.15, 0.2, 0.35, 0.15, 0.07)
prob_bueno <- c(0.1, 0.18, 0.4, 0.2, 0.08, 0.04, 0)
prob_malo <- c(0.44, 0.22, 0.16, 0.12, 0.06, 0, 0)
diatipo <- numeric(20)
dem<- numeric(20)
resultado<-NULL
Result_Final<-NULL
Se crea un ciclo para recorrer cada una de las combinaciones posibles
for (x in c(40,50,60,70,80,90,100)){
earn <- 0
for (d in 1:20) {
diatipo[d]<- sample(tipo_dia, size=1, replace = TRUE, prob=prob_tipo)
if(diatipo[d]=="Excelente"){dem[d] <- sample(prob_demanda, size=1, replace = TRUE, prob=prob_excel)}
else if(diatipo[d]=="Bueno"){dem[d] <- sample(prob_demanda, size=1, replace = TRUE, prob=prob_bueno)}
else if(diatipo[d]=="Malo"){dem[d] <- sample(prob_demanda, size=1, replace = TRUE, prob=prob_malo)}
if(dem[d]<x)
{
ganancias <- (dem[d]*0.5)- (x*0.33) + ((x-dem[d])*0.05)
}
else if (dem[d]==x)
{
ganancias <- (dem[d]*0.5)-(x*0.33)
}
else if (dem[d]>x){
ganancias <- (x*(0.5-0.33)) - ((dem[d]-x)*(0.5-0.33))
}
earn<-earn+ganancias
nuevo <- data.frame (dia=d,Compra=x,Clientes=dem[d],Ganancia=ganancias)
resultado <- rbind(resultado, nuevo)
}
earn <- earn/ 20
a <- data.frame (Compra=x,Ganancia=earn)
Result_Final <- rbind(Result_Final, a)
}
Se imprime el resultado
print(resultado)
Se muestra el resultado final
print(Result_Final)
Se muestran las graficas donde relaciona la ganancia y la compra
plot(resultado)

plot(Result_Final)

boxplot(formula = Ganancia ~ Compra, main= "Ganancia x Compra", data = resultado,xlab = "Demanda", ylab = "Ganancia")

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