Pruebas Cientifico de Datos y PO
Carlos Alberto León - Email: Carlosalbertoleon@outlook.com, cel: 313 369 42 23
6/6/2022
Desarrollo
El archivo “fallos.csv” contiene la información de las características físicas y del comportamiento de las terminales transaccionales, además, se encuentra la variable denominada “fallo” que indica si la terminal transaccional falló en su funcionamiento
- Importación de las librerías y visualización de los tipos de datos dentro de la BD
fallos <- read.csv2("~/Downloads/Pruebas Cientifico de Datos y PO/fallos.csv")
require(ggplot2)
require(plotly)
require(ggpubr)
require(CGPfunctions)
require(gmodels)
require(CGPfunctions)
library(devtools)
install_github("vqv/ggbiplot")
require(factoextra)
require(dplyr)
require(corrplot)
pillar::glimpse(fallos)## Rows: 199,998
## Columns: 40
## $ mcodes <dbl> 33377982, 40596786, 47126784, 35334915, 4…
## $ terminal <chr> "1062A26IO473", "1383G8382195", "1257A3QL…
## $ estado_terminal <chr> "Activo", "Activo", "Activo", "Activo", "…
## $ producto_red <chr> "g", "e", "g", "u", "g", "g", "g", "u", "…
## $ tecnologiapp <chr> "b", "b", "b", "b", "b", "b", "b", "b", "…
## $ modelopp <chr> "l", "l", "l", "l", "l", "l", "l", "l", "…
## $ tecnologiaaf <chr> "c", "c", "c", "c", "c", "c", "c", "c", "…
## $ modeloaf <chr> "j", "j", "j", "j", "j", "j", "j", "j", "…
## $ browser <chr> "j", "j", "j", "i", "j", "j", "j", "j", "…
## $ nombretipoter <chr> "g", "d", "g", "g", "g", "g", "g", "g", "…
## $ grupo_version <chr> "h", "j", "h", "g", "h", "h", "h", "h", "…
## $ mcc <chr> "aaaaaj", "aaad", "aab", "p", "aaaaf", "a…
## $ grupo_version_ant <chr> "k", "g", "g", "e", "k", "k", "k", "k", "…
## $ ciudadfin <chr> "C\xdaCUTA", "VILLAVICENCIO", "BARRANQUIL…
## $ trx_dia_cero <int> 63, 39, 3, 9, 18, 12, 0, 0, 78, 0, 30, 9,…
## $ trx_dia_uno <int> 0, 57, 9, 30, 21, 3, 0, 0, 81, 0, 33, 6, …
## $ trx_dia_dos <int> 0, 54, 6, 21, 3, 0, 0, 0, 51, 0, 24, 3, 3…
## $ trx_dia_tres <int> 0, 48, 3, 18, 21, 3, 0, 0, 105, 0, 6, 6, …
## $ trx_dia_cuatro <int> 0, 24, 9, 12, 3, 0, 0, 0, 72, 15, 15, 6, …
## $ trx_dia_cinco <int> 3, 6, 12, 24, 9, 6, 3, 3, 27, 3, 12, 3, 3…
## $ trx_dia_seis <int> 57, 0, 0, 0, 6, 0, 12, 0, 81, 0, 33, 0, 1…
## $ trx_mes_tres <int> 186, 855, 186, 495, 117, 30, 123, 18, 72,…
## $ trx_mes_dos <int> 660, 960, 300, 390, 180, 87, 252, 33, 156…
## $ trx_mes_uno <int> 66, 228, 42, 114, 75, 24, 3, 3, 414, 18, …
## $ prom_mes_tres <dbl> 2.0666667, 9.5000000, 2.0666667, 5.500000…
## $ prom_mes_dos <dbl> 7.3333333, 10.6666667, 3.3333333, 4.33333…
## $ prom_mes_uno <dbl> 3.6666667, 12.6666667, 2.3333333, 6.33333…
## $ total_terminales <int> 21, 12, 36, 3, 33, 3, 3, 3, 12, 3, 6, 48,…
## $ cantidad_falla_m3 <int> 9, 0, 0, 0, 3, 0, 0, 0, 9, 0, 0, 21, 3, 3…
## $ cantidad_falla_m2 <int> 6, 3, 0, 0, 0, 0, 0, 0, 0, 0, 3, 18, 6, 6…
## $ cantidad_falla_mes1 <int> 9, 6, 0, 0, 3, 0, 0, 0, 3, 0, 0, 12, 3, 3…
## $ antiguedad_creacion_terminal <int> 670, 2123, 372, 2216, 463, 51, 466, 1388,…
## $ antiguedad_version <int> 131, 199, 372, 379, 75, 42, 74, 92, 702, …
## $ antiguedad_compra_pos <int> 1068, 1068, 785, 1298, 837, 894, 894, 102…
## $ antiguedad_puesta_pos <int> 49, 0, 0, 0, 75, 42, 74, 72, 0, 269, 0, 4…
## $ clase_falla <chr> "a", "a", "a", "a", "a", "a", "a", "a", "…
## $ fallo <int> 0, 1, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,…
## $ fecha_fallo <chr> "", "25/10/18 10:12", "", "22/10/18 17:45…
## $ fecha_observacion <chr> "6/10/18", "6/10/18", "6/10/18", "6/10/18…
## $ fallo.name <chr> "Sin fallo", "Fallo", "Sin fallo", "Fallo…Variables Categoricas Análisis univariado (caracterización)
- La caracterización de las variables es importante ya que permite desarrollar entendimiento a nivel de negocio sobre el comportamiento de cada una de estas; para este ejercicio se desarrolló la caracterización de las variables cualitas, sin embargo se desarrollan hipótesis sobre 4 variables importantes a tener en cuenta como: Tecnologiapp, modeloapp, browser y nombretipoter.
Variable categórica Tecnología App
- Relación: se espera que la tecnología soportada por cada uno de los dispositivos del datáfono asociada a la terminal esté relacionada con el fallo.
- Hipótesis: la tecnología de soportada por el datafono puede determinar el fallo de la terminal.
Variable categórica Modelo App
- Relación: se espera que el modelo del dispositivo este asociada al fallo generado dentro de la terminal
- Hipótesis: El modelo del terminal puede determinar el fallo dentro del dispositivo
Variable categórica Browser
- Relación: se espera que el browser por el cual corre la aplicación de la arquitectura este relacionada con el fallo del terminal.
- Hipótesis: Los datáfonos con diferente browser puede determinar el fallo del dispositivo
Variable categórica Nombretipoter
- Relación: la terminal lógica se espera que esté relacionada con la falla del dispositivo
- Hipótesis: el tipo de configuración del terminal puede determinar el fallo del dispositivo
# h1 = ggplot(fallos,aes(fallos$producto_red))+geom_bar(width=0.5, colour="coral3", fill="coral3") + labs(x="Atributo del tipo de servicio",y="Frecuencia") + ggtitle("Producto Red")
ud1 = ggplot(fallos,aes(fallos$tecnologiapp))+geom_bar(width=0.5, colour="coral3", fill="coral3") + labs(x="Tecnología soportada por datáfono ",y="Frecuencia") + ggtitle("Tecnologiapp") + geom_text(aes(label=..count..), stat='count',position=position_dodge(0.9),vjust=-0.9,hjust=0.5, size=3)
ud2 = ggplot(fallos,aes(fallos$modelopp))+geom_bar(width=0.5, colour="coral3", fill="coral3") + labs(x="Modelo del datáfono ",y="Frecuencia") + ggtitle("Modelopp")
#
# h4 = ggplot(fallos,aes(fallos$tecnologiaaf))+geom_bar(width=0.5, colour="coral3", fill="coral3") + labs(x="Tecnología leída en el monitoreo remoto",y="Frecuencia") + ggtitle("Tecnologiaaf") + geom_text(aes(label=..count..), stat='count',position=position_dodge(0.9),vjust=-0.9,hjust=0.5, size=3)
#
# h5 = ggplot(fallos,aes(fallos$modeloaf))+geom_bar(width=0.5, colour="coral3", fill="coral3") + labs(x="Modelo leída en el monitoreo",y="Frecuencia") + ggtitle("Modeloaf")
ud3 = ggplot(fallos,aes(fallos$browser))+geom_bar(width=0.5, colour="coral3", fill="coral3") + labs(x="Browser de la arquitectura del datafono",y="Frecuencia") + ggtitle("Browser")
ud4 = ggplot(fallos,aes(fallos$nombretipoter))+geom_bar(width=0.5, colour="coral3", fill="coral3") + labs(x="Tipo de terminal configurada lógicamente",y="Frecuencia") + ggtitle("Nombretipoter")
# h8 = ggplot(fallos,aes(fallos$grupo_version))+geom_bar(width=0.5, colour="coral3", fill="coral3") + labs(x="Versión de arquitectura",y="Frecuencia") + ggtitle("Grupo Versión")
#
# h9 = ggplot(fallos,aes(fallos$mcc))+geom_bar(width=0.5, colour="coral3", fill="coral3") + labs(x="Segmento económico",y="Frecuencia") + ggtitle("MCC")
#
# h10 = ggplot(fallos,aes(fallos$grupo_version))+geom_bar(width=0.5, colour="coral3", fill="coral3") + labs(x="Versión de arquitectura datáfono agrupada por el número y el parche, ",y="Frecuencia") + ggtitle("Grupo Versión")
#
# h11= ggplot(fallos,aes(fallos$trx_dia_cero))+geom_boxplot(width=0.5, colour="coral3", fill="coral3") + labs(x="Versión de arquitectura datáfono agrupada por el número y el parche, ",y="Frecuencia") + ggtitle("Grupo Versión")
# ggarrange(ud1,ud2,ud3,ud4,common.legend = TRUE,nrow = 4,ncol = 2)
ggplotly(ud1)ggplotly(ud2)ggplotly(ud3)ggplotly(ud4)Variables Númericas Análisis univariado (caracterización)
La caracterización de las variables numéricas nos permiten identificar su respectiva distribución sobre aspectos de datos descriptivos como son los mínimos, el primer cuartil, la mediana, la media, el tercer Inter cuartil y los máximos; todo este con la finalidad de poder visualizar los comportamiento de cada de estos.
Para cada una de las variables se realiza la visualización sobre una matriz de correlación que admite el reordenamiento automático de variables para ayudar a detectar patrones ocultos entre las variables
Finalmente se realiza un resumen de todas las variables con el fin de identificar datos descriptivos para cada uno de ellos.
Posteriormente se puede evidenciar la correlación en tres grupos interesantes el primero de ellos es la cantidad de transacciones por día, cantidad de fallas en los meses [m1,m2,m3] y finalmente se realiza para las variables de antigüedad.
colnames(fallos)## [1] "mcodes" "terminal"
## [3] "estado_terminal" "producto_red"
## [5] "tecnologiapp" "modelopp"
## [7] "tecnologiaaf" "modeloaf"
## [9] "browser" "nombretipoter"
## [11] "grupo_version" "mcc"
## [13] "grupo_version_ant" "ciudadfin"
## [15] "trx_dia_cero" "trx_dia_uno"
## [17] "trx_dia_dos" "trx_dia_tres"
## [19] "trx_dia_cuatro" "trx_dia_cinco"
## [21] "trx_dia_seis" "trx_mes_tres"
## [23] "trx_mes_dos" "trx_mes_uno"
## [25] "prom_mes_tres" "prom_mes_dos"
## [27] "prom_mes_uno" "total_terminales"
## [29] "cantidad_falla_m3" "cantidad_falla_m2"
## [31] "cantidad_falla_mes1" "antiguedad_creacion_terminal"
## [33] "antiguedad_version" "antiguedad_compra_pos"
## [35] "antiguedad_puesta_pos" "clase_falla"
## [37] "fallo" "fecha_fallo"
## [39] "fecha_observacion" "fallo.name"fallos_numerical_des_1 = fallos[,c(15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,37)]
des_1 = round(cor(fallos_numerical_des_1), digits = 2)
corrplot(des_1, order = 'hclust', addrect = 2)
summary(fallos_numerical_des_1)## trx_dia_cero trx_dia_uno trx_dia_dos trx_dia_tres
## Min. : 0.00 Min. : 0.00 Min. : 0.00 Min. : 0.00
## 1st Qu.: 0.00 1st Qu.: 0.00 1st Qu.: 0.00 1st Qu.: 0.00
## Median : 3.00 Median : 3.00 Median : 6.00 Median : 3.00
## Mean : 15.63 Mean : 15.29 Mean : 19.06 Mean : 18.02
## 3rd Qu.: 15.00 3rd Qu.: 15.00 3rd Qu.: 18.00 3rd Qu.: 15.00
## Max. :1605.00 Max. :1539.00 Max. :2031.00 Max. :1866.00
## trx_dia_cuatro trx_dia_cinco trx_dia_seis trx_mes_tres
## Min. : 0.00 Min. : 0.00 Min. : 0.00 Min. : 3.0
## 1st Qu.: 0.00 1st Qu.: 0.00 1st Qu.: 0.00 1st Qu.: 60.0
## Median : 6.00 Median : 6.00 Median : 3.00 Median : 174.0
## Mean : 20.26 Mean : 17.68 Mean : 16.09 Mean : 532.8
## 3rd Qu.: 18.00 3rd Qu.: 15.00 3rd Qu.: 15.00 3rd Qu.: 510.0
## Max. :1590.00 Max. :1998.00 Max. :2175.00 Max. :39150.0
## trx_mes_dos trx_mes_uno prom_mes_tres prom_mes_dos
## Min. : 3.0 Min. : 3.0 Min. : 0.0333 Min. : 0.0333
## 1st Qu.: 63.0 1st Qu.: 24.0 1st Qu.: 0.6667 1st Qu.: 0.7000
## Median : 180.0 Median : 66.0 Median : 1.9333 Median : 2.0000
## Mean : 542.9 Mean : 209.9 Mean : 5.9200 Mean : 6.0316
## 3rd Qu.: 525.0 3rd Qu.: 198.0 3rd Qu.: 5.6667 3rd Qu.: 5.8333
## Max. :41121.0 Max. :19074.0 Max. :435.0000 Max. :456.9000
## prom_mes_uno total_terminales cantidad_falla_m3 cantidad_falla_m2
## Min. : 0.0667 Min. : 3.00 Min. : 0.000 Min. : 0.000
## 1st Qu.: 0.6250 1st Qu.: 3.00 1st Qu.: 0.000 1st Qu.: 0.000
## Median : 1.9000 Median : 3.00 Median : 0.000 Median : 0.000
## Mean : 5.8628 Mean : 11.54 Mean : 2.439 Mean : 2.562
## 3rd Qu.: 5.5333 3rd Qu.: 9.00 3rd Qu.: 3.000 3rd Qu.: 0.000
## Max. :466.2000 Max. :9333.00 Max. :153.000 Max. :171.000
## cantidad_falla_mes1 antiguedad_creacion_terminal antiguedad_version
## Min. : 0.000 Min. : 5 Min. : 0
## 1st Qu.: 0.000 1st Qu.: 468 1st Qu.: 168
## Median : 0.000 Median :1169 Median : 423
## Mean : 2.051 Mean :1642 Mean : 2006
## 3rd Qu.: 0.000 3rd Qu.:2315 3rd Qu.: 699
## Max. :123.000 Max. :9416 Max. :43387
## antiguedad_compra_pos antiguedad_puesta_pos fallo
## Min. : 18 Min. : 0.0 Min. :0.00000
## 1st Qu.: 656 1st Qu.: 54.0 1st Qu.:0.00000
## Median :1307 Median : 164.0 Median :0.00000
## Mean :1345 Mean : 164.7 Mean :0.03934
## 3rd Qu.:1996 3rd Qu.: 273.0 3rd Qu.:0.00000
## Max. :2743 Max. :1211.0 Max. :1.00000fallos_numerical_des_2 = fallos[,c(15,16,17,18,19,20,21,37)]
des_2 = round(cor(fallos_numerical_des_2), digits = 2)
corrplot(des_2, method = 'square', order = 'FPC', type = 'lower', diag = FALSE)
fallos_numerical_des_3 = fallos[,c(29,30,31,37)]
des_3 = round(cor(fallos_numerical_des_3), digits = 2)
corrplot.mixed(des_3, lower = 'shade', upper = 'pie', order = 'hclust')
fallos_numerical_des_4 = fallos[,c(32,33,34,35,37)]
des_4 = round(cor(fallos_numerical_des_4), digits = 2)
corrplot.mixed(des_4, lower = 'shade', upper = 'pie', order = 'hclust')
Prueba de independencia chi-cuadrado y validación cruzada
Para las variables cualitativas seleccinadas dentro de la hipotesis se procede a la generación de las tablas cruzadas y las pruebas de independencia mediante chi-square
Analisis Univariado Se identifica la variable de fallos en el cual la variable de respuesta esta dado por 0 y 1, en los cuales se evidencia que las transacciones fallan en un \(3,9%\) respecto al \(96,1%\) de las transacciones limpias.
sjPlot::tab_xtab(var.row = fallos$fallo , var.col = fallos$tecnologiapp, title = " Tecnología soportada respecto al fallo del datáfono ", show.row.prc = TRUE)| fallo | tecnologiapp | Total | |||
|---|---|---|---|---|---|
| a | b | c | d | ||
| 0 |
147024 76.5 % |
44963 23.4 % |
23 0 % |
121 0.1 % |
192131 100 % |
| 1 |
4085 51.9 % |
3782 48.1 % |
0 0 % |
0 0 % |
7867 100 % |
| Total |
151109 75.6 % |
48745 24.4 % |
23 0 % |
121 0.1 % |
199998 100 % |
χ2=2498.560 · df=3 · Cramer’s V=0.112 · Fisher’s p=0.000 |
sjPlot::tab_xtab(var.row = fallos$fallo , var.col = fallos$modelopp, title = " Modelo asociado a una terminal respecto al fallo del datáfono ", show.row.prc = TRUE)| fallo | modelopp | Total | |||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| a | b | c | d | e | f | g | h | i | j | k | l | m | n | o | p | q | r | ||
| 0 |
7561 3.9 % |
23 0 % |
23136 12 % |
6664 3.5 % |
105 0.1 % |
192 0.1 % |
48 0 % |
8 0 % |
8488 4.4 % |
114014 59.3 % |
4039 2.1 % |
17038 8.9 % |
1189 0.6 % |
7451 3.9 % |
347 0.2 % |
121 0.1 % |
369 0.2 % |
1338 0.7 % |
192131 100 % |
| 1 |
477 6.1 % |
0 0 % |
484 6.2 % |
523 6.6 % |
2 0 % |
18 0.2 % |
0 0 % |
2 0 % |
127 1.6 % |
3446 43.8 % |
358 4.6 % |
1584 20.1 % |
59 0.7 % |
708 9 % |
21 0.3 % |
0 0 % |
30 0.4 % |
28 0.4 % |
7867 100 % |
| Total |
8038 4 % |
23 0 % |
23620 11.8 % |
7187 3.6 % |
107 0.1 % |
210 0.1 % |
48 0 % |
10 0 % |
8615 4.3 % |
117460 58.7 % |
4397 2.2 % |
18622 9.3 % |
1248 0.6 % |
8159 4.1 % |
368 0.2 % |
121 0.1 % |
399 0.2 % |
1366 0.7 % |
199998 100 % |
χ2=2750.070 · df=17 · Cramer’s V=0.117 · Fisher’s p=0.000 |
sjPlot::tab_xtab(var.row = fallos$fallo , var.col = fallos$browser, title = "Browser por el que corre la aplicación de Arquitectura flexible en un datáfono", show.row.prc = TRUE)| fallo | browser | Total | |||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| a | b | c | d | e | f | g | h | i | j | k | l | m | n | ||
| 0 |
6 0 % |
2 0 % |
113 0.1 % |
13 0 % |
135 0.1 % |
1856 1 % |
44666 23.2 % |
24769 12.9 % |
9624 5 % |
103960 54.1 % |
1 0 % |
12 0 % |
12 0 % |
6962 3.6 % |
192131 100 % |
| 1 |
0 0 % |
0 0 % |
2 0 % |
0 0 % |
5 0.1 % |
41 0.5 % |
1075 13.7 % |
812 10.3 % |
664 8.4 % |
5081 64.6 % |
0 0 % |
0 0 % |
0 0 % |
187 2.4 % |
7867 100 % |
| Total |
6 0 % |
2 0 % |
115 0.1 % |
13 0 % |
140 0.1 % |
1897 0.9 % |
45741 22.9 % |
25581 12.8 % |
10288 5.1 % |
109041 54.5 % |
1 0 % |
12 0 % |
12 0 % |
7149 3.6 % |
199998 100 % |
χ2=719.649 · df=13 · Cramer’s V=0.060 · Fisher’s p=0.000 |
sjPlot::tab_xtab(var.row = fallos$fallo , var.col = fallos$nombretipoter, title = " Tipo de terminal configurada lógicamente respecto al fallo", show.row.prc = TRUE)| fallo | nombretipoter | Total | |||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| a | b | c | d | e | f | g | h | i | j | k | l | m | n | ||
| 0 |
707 0.4 % |
673 0.4 % |
2 0 % |
121216 63.1 % |
2745 1.4 % |
832 0.4 % |
41768 21.7 % |
96 0 % |
22575 11.7 % |
64 0 % |
1337 0.7 % |
91 0 % |
4 0 % |
21 0 % |
192131 100 % |
| 1 |
13 0.2 % |
10 0.1 % |
0 0 % |
3016 38.3 % |
78 1 % |
15 0.2 % |
3473 44.1 % |
5 0.1 % |
1219 15.5 % |
7 0.1 % |
31 0.4 % |
0 0 % |
0 0 % |
0 0 % |
7867 100 % |
| Total |
720 0.4 % |
683 0.3 % |
2 0 % |
124232 62.1 % |
2823 1.4 % |
847 0.4 % |
45241 22.6 % |
101 0.1 % |
23794 11.9 % |
71 0 % |
1368 0.7 % |
91 0 % |
4 0 % |
21 0 % |
199998 100 % |
χ2=2574.145 · df=13 · Cramer’s V=0.113 · Fisher’s p=0.000 |
Análisis Bivariado
object <- table(fallos$tecnologiapp, fallos$fallo)
mosaicplot(object, main = "Tecnología soportada respecto al fallo del datáfono", xlab = " Tecnología Soportada ", ylab = " Fallo del dátafono ", color = TRUE)
hu1 = sjPlot::plot_xtab(fallos$modelopp, fallos$fallo, margin = "row", bar.pos = "stack", coord.flip = TRUE)
ggplotly(hu1) Analisis de componentes principales
colnames(fallos)## [1] "mcodes" "terminal"
## [3] "estado_terminal" "producto_red"
## [5] "tecnologiapp" "modelopp"
## [7] "tecnologiaaf" "modeloaf"
## [9] "browser" "nombretipoter"
## [11] "grupo_version" "mcc"
## [13] "grupo_version_ant" "ciudadfin"
## [15] "trx_dia_cero" "trx_dia_uno"
## [17] "trx_dia_dos" "trx_dia_tres"
## [19] "trx_dia_cuatro" "trx_dia_cinco"
## [21] "trx_dia_seis" "trx_mes_tres"
## [23] "trx_mes_dos" "trx_mes_uno"
## [25] "prom_mes_tres" "prom_mes_dos"
## [27] "prom_mes_uno" "total_terminales"
## [29] "cantidad_falla_m3" "cantidad_falla_m2"
## [31] "cantidad_falla_mes1" "antiguedad_creacion_terminal"
## [33] "antiguedad_version" "antiguedad_compra_pos"
## [35] "antiguedad_puesta_pos" "clase_falla"
## [37] "fallo" "fecha_fallo"
## [39] "fecha_observacion" "fallo.name"fallos_active = fallos[98000:102000,c(32,33,34,35,37)]
head(fallos_active)## antiguedad_creacion_terminal antiguedad_version antiguedad_compra_pos
## 98000 1961 62 1996
## 98001 740 735 1014
## 98002 1317 43382 1014
## 98003 1317 43382 1014
## 98004 222 75 258
## 98005 370 54 650
## antiguedad_puesta_pos fallo
## 98000 0 1
## 98001 273 0
## 98002 262 0
## 98003 262 0
## 98004 75 0
## 98005 54 0res.pca = prcomp(fallos_active, scale = TRUE)
i1=fviz_eig(res.pca)
ggplotly(i1)fviz_pca_ind(res.pca, col.ind = "cos2", gradient.cols = c("#00AFBB", "#E7B800", "#FC4E07"),repel = TRUE)
fviz_pca_var(res.pca, col.var = "contrib",gradient.cols = c("#00AFBB", "#E7B800", "#FC4E07"),repel = TRUE)
fallos_active_1 = fallos[150000:154000,c(29,30,31,37)]
head(fallos_active_1)## cantidad_falla_m3 cantidad_falla_m2 cantidad_falla_mes1 fallo
## 150000 0 0 0 0
## 150001 0 0 0 0
## 150002 0 0 0 0
## 150003 0 0 0 0
## 150004 0 0 0 0
## 150005 3 0 0 0res.pca_2 = prcomp(fallos_active_1, scale = TRUE)
i2=fviz_eig(res.pca_2)
ggplotly(i2)fviz_pca_ind(res.pca_2,
col.ind = "cos2",
gradient.cols = c("#00AFBB", "#E7B800", "#FC4E07"),
repel = TRUE
)
fviz_pca_var(res.pca_2,
col.var = "contrib",
gradient.cols = c("#00AFBB", "#E7B800", "#FC4E07"),
repel = TRUE
)