Actividad R5
Andrea Paola Sosa A00827359
2022-09-28
Importar base de datos Produccion de carton
#file.choose()
bd <- read.csv("/Users/andreapaolasosa/Desktop/produccionagosto.csv")Entender base de datos
summary(bd)## Fecha No. CLIENTE ID.FORM
## Length:2571 Min. : 1.00 Length:2571 Length:2571
## Class :character 1st Qu.: 25.00 Class :character Class :character
## Mode :character Median : 50.00 Mode :character Mode :character
## Mean : 50.83
## 3rd Qu.: 75.00
## Max. :121.00
## NA's :8
## PRODUCTO X PIEZAS.PROG. TMO..MIN.
## Length:2571 Length:2571 Length:2571 Length:2571
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## HR..FIN ESTACION.ARRANQUE Laminas.procesadas INICIO.SEP.UP
## Length:2571 Length:2571 Length:2571 Length:2571
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## FIN.INICIO.DE.SEP.UP INICIO.de.PROCESO FIN.de.PROCESO TIEMPO.CALIDAD
## Length:2571 Length:2571 Length:2571 Min. : 0.000
## Class :character Class :character Class :character 1st Qu.: 0.000
## Mode :character Mode :character Mode :character Median : 0.000
## Mean : 2.199
## 3rd Qu.: 1.000
## Max. :48.000
## NA's :2154
## TIEMPO.MATERIALES MERMAS.Maquinas.
## Min. : 0.000 Mode:logical
## 1st Qu.: 0.000 NA's:2571
## Median : 1.000
## Mean : 1.595
## 3rd Qu.: 1.000
## Max. :50.000
## NA's :24601.¿Cuántas variables y cuántos registros tiene la base de datos?
La base cuenta con 2751 registros y 18 variables
str(bd)## 'data.frame': 2571 obs. of 18 variables:
## $ Fecha : chr "01/08/2022" "01/08/2022" "01/08/2022" "01/08/2022" ...
## $ No. : int 1 2 3 4 5 6 7 8 9 10 ...
## $ CLIENTE : chr "VARROC" "VARROC" "VARROC" "DENSO" ...
## $ ID.FORM : chr "VL-017-13938" "VL-017-13936" "VL-017-14729" "" ...
## $ PRODUCTO : chr "763 . KIT. CAJA." "747 KIT. CAJA HSC. ( 2 Partes)" "747 KIT. TAPA." "TOYOTA. MCV. Insterto D 2R. CORTE. 1 Golpe = 12 piezas. ( 9 Pza. / Celda)." ...
## $ X : chr "" "" "" "" ...
## $ PIEZAS.PROG. : chr "199" "57" "68" "192" ...
## $ TMO..MIN. : chr "15" "10" "10" "15" ...
## $ HR..FIN : chr "9:15" "9:25" "9:35" "9:50" ...
## $ ESTACION.ARRANQUE : chr "C1" "C1Y2" "C1Y2" "C1" ...
## $ Laminas.procesadas : chr "201" "116" "69" "49" ...
## $ INICIO.SEP.UP : chr "9:00" "9:26" "10:02" "10:12" ...
## $ FIN.INICIO.DE.SEP.UP: chr "9:12" "9:31" "10:09" "10.17" ...
## $ INICIO.de.PROCESO : chr "9:13" "9:32" "10:09" "10:18" ...
## $ FIN.de.PROCESO : chr "9:26" "9:53" "10.12" "10:20" ...
## $ TIEMPO.CALIDAD : int 1 1 1 1 1 1 1 1 1 1 ...
## $ TIEMPO.MATERIALES : int NA NA NA NA NA 3 NA NA NA NA ...
## $ MERMAS.Maquinas. : logi NA NA NA NA NA NA ...#install.packages("psych")
#library(psych)2. Aplica al menos 2 tecnicas de limpieza de base de datos y explicalas brevemente, ¿Porqué realizaste estas tecnicas?
Tecnica 1. Remover valores irrelevantes
Eliminar columnas que no aportan informacion valiosa al analisis de esta manera nos quedamos con la informacion de mayor relevancia.
bd1 <- bd
bd1<-subset(bd1,select=-c(No.,ID.FORM,PRODUCTO,X,HR..FIN,ESTACION.ARRANQUE,INICIO.SEP.UP,FIN.INICIO.DE.SEP.UP,INICIO.de.PROCESO,FIN.de.PROCESO,TIEMPO.CALIDAD,TIEMPO.MATERIALES,MERMAS.Maquinas.))
str(bd1)## 'data.frame': 2571 obs. of 5 variables:
## $ Fecha : chr "01/08/2022" "01/08/2022" "01/08/2022" "01/08/2022" ...
## $ CLIENTE : chr "VARROC" "VARROC" "VARROC" "DENSO" ...
## $ PIEZAS.PROG. : chr "199" "57" "68" "192" ...
## $ TMO..MIN. : chr "15" "10" "10" "15" ...
## $ Laminas.procesadas: chr "201" "116" "69" "49" ...Tecnica 4. Convertir tipos de datos
Convertir de caracter a N/A para poder eliminar los espacios en blanco sin datos
bd2 <- bd1
bd2$TMO..MIN. <- substr(bd2$TMO..MIN., start = 1, stop = 2)
#tibble(bd2)
bd2$TMO..MIN. <- as.integer(bd2$TMO..MIN.)## Warning: NAs introduced by coercionstr(bd2) ## 'data.frame': 2571 obs. of 5 variables:
## $ Fecha : chr "01/08/2022" "01/08/2022" "01/08/2022" "01/08/2022" ...
## $ CLIENTE : chr "VARROC" "VARROC" "VARROC" "DENSO" ...
## $ PIEZAS.PROG. : chr "199" "57" "68" "192" ...
## $ TMO..MIN. : int 15 10 10 15 15 30 15 15 15 20 ...
## $ Laminas.procesadas: chr "201" "116" "69" "49" ...bd3 <- bd2
bd3$PIEZAS.PROG. <- substr(bd3$PIEZAS.PROG., start = 1, stop = 2)
#tibble(bd3)
bd3$PIEZAS.PROG. <- as.integer(bd3$PIEZAS.PROG.)## Warning: NAs introduced by coercionstr(bd3) ## 'data.frame': 2571 obs. of 5 variables:
## $ Fecha : chr "01/08/2022" "01/08/2022" "01/08/2022" "01/08/2022" ...
## $ CLIENTE : chr "VARROC" "VARROC" "VARROC" "DENSO" ...
## $ PIEZAS.PROG. : int 19 57 68 19 19 40 80 10 10 16 ...
## $ TMO..MIN. : int 15 10 10 15 15 30 15 15 15 20 ...
## $ Laminas.procesadas: chr "201" "116" "69" "49" ...bd4 <- bd3
bd4$Laminas.procesadas <- substr(bd4$Laminas.procesadas, start = 1, stop = 2)
#tibble(bd4)
bd4$Laminas.procesadas <- as.integer(bd4$Laminas.procesadas)## Warning: NAs introduced by coercionstr(bd4)## 'data.frame': 2571 obs. of 5 variables:
## $ Fecha : chr "01/08/2022" "01/08/2022" "01/08/2022" "01/08/2022" ...
## $ CLIENTE : chr "VARROC" "VARROC" "VARROC" "DENSO" ...
## $ PIEZAS.PROG. : int 19 57 68 19 19 40 80 10 10 16 ...
## $ TMO..MIN. : int 15 10 10 15 15 30 15 15 15 20 ...
## $ Laminas.procesadas: int 20 11 69 49 49 80 41 53 53 55 ...Tecnica 5. Valores faltantes
bd5 <- bd4
bd5$TMO..MIN.[is.na(bd4$TMO..MIN.)]<-mean(bd5$TMO..MIN., na.rm = TRUE)
summary (bd5)## Fecha CLIENTE PIEZAS.PROG. TMO..MIN.
## Length:2571 Length:2571 Min. : 0.00 Min. : 0.000
## Class :character Class :character 1st Qu.:15.00 1st Qu.: 9.842
## Mode :character Mode :character Median :20.00 Median : 9.842
## Mean :22.57 Mean : 9.842
## 3rd Qu.:25.00 3rd Qu.:10.000
## Max. :99.00 Max. :70.000
## NA's :687
## Laminas.procesadas
## Min. : 0.0
## 1st Qu.: 0.0
## Median : 0.0
## Mean : 5.1
## 3rd Qu.:10.0
## Max. :97.0
## NA's :1189Tecnica 5. Valores faltantes
Reemplazar cero con N/A para eliminar valores innecesarios.
bd6 <- bd5
bd6$Laminas.procesadas[bd6$Laminas.procesadas < 1]<- NA
summary (bd6)## Fecha CLIENTE PIEZAS.PROG. TMO..MIN.
## Length:2571 Length:2571 Min. : 0.00 Min. : 0.000
## Class :character Class :character 1st Qu.:15.00 1st Qu.: 9.842
## Mode :character Mode :character Median :20.00 Median : 9.842
## Mean :22.57 Mean : 9.842
## 3rd Qu.:25.00 3rd Qu.:10.000
## Max. :99.00 Max. :70.000
## NA's :687
## Laminas.procesadas
## Min. : 1.0
## 1st Qu.:10.0
## Median :11.0
## Mean :14.1
## 3rd Qu.:12.0
## Max. :97.0
## NA's :2071Tecnica 5. Valores faltantes
Borrar todos los registros NA de una tabla para tener una base de datos precisa y no contabilizar el dia que no hubo produccion
bd7 <- bd6
bd7 <- na.omit(bd7)
str(bd7)## 'data.frame': 494 obs. of 5 variables:
## $ Fecha : chr "01/08/2022" "01/08/2022" "01/08/2022" "01/08/2022" ...
## $ CLIENTE : chr "VARROC" "VARROC" "VARROC" "DENSO" ...
## $ PIEZAS.PROG. : int 19 57 68 19 19 40 80 10 10 16 ...
## $ TMO..MIN. : num 15 10 10 15 15 30 15 15 15 20 ...
## $ Laminas.procesadas: int 20 11 69 49 49 80 41 53 53 55 ...
## - attr(*, "na.action")= 'omit' Named int [1:2077] 29 30 31 32 33 34 35 36 37 38 ...
## ..- attr(*, "names")= chr [1:2077] "29" "30" "31" "32" ...3.Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua.
Variable<-c("Fecha","CLIENTE","PIEZAS.PROG","TMO..MIN.","Laminas.procesadas")
Type<-c("Cuantitativa(Discreta)","Cualitativa", "Cuantitativa(Discreta)", "Cuantitativa(Discreta)", "Cuantitativa(Discreta)")
table<-data.frame(Variable,Type)
knitr::kable(table)| Variable | Type |
|---|---|
| Fecha | Cuantitativa(Discreta) |
| CLIENTE | Cualitativa |
| PIEZAS.PROG | Cuantitativa(Discreta) |
| TMO..MIN. | Cuantitativa(Discreta) |
| Laminas.procesadas | Cuantitativa(Discreta) |
4. Elige la escala de medición de cada variable.
Variable<-c("Fecha","CLIENTE","PIEZAS.PROG","TMO..MIN.","Laminas.procesadas")
Type<-c("Cuantitativa(Discreta)","Cualitativa", "Cuantitativa(Discreta)", "Cuantitativa(Discreta)", "Cuantitativa(Discreta)")
Escala_de_Medición <- c("Fecha","Empresa","Numero de produccion", "Minutos","Sobrante")
table<-data.frame(Variable,Type)
knitr::kable(table)| Variable | Type |
|---|---|
| Fecha | Cuantitativa(Discreta) |
| CLIENTE | Cualitativa |
| PIEZAS.PROG | Cuantitativa(Discreta) |
| TMO..MIN. | Cuantitativa(Discreta) |
| Laminas.procesadas | Cuantitativa(Discreta) |
5 Realizar un análisis estadístico descriptivo en el que logres destacar el conjunto de datos, que apoyan a la empresa a mejorar su operación.
Tablas cruzadas
cruzada1<-table(bd7$Fecha,bd7$PIEZAS.PROG.)
knitr::kable(cruzada1)| 10 | 12 | 15 | 16 | 19 | 20 | 24 | 25 | 26 | 30 | 32 | 35 | 40 | 45 | 50 | 57 | 60 | 68 | 70 | 80 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 01/08/2022 | 11 | 0 | 0 | 5 | 14 | 24 | 1 | 0 | 2 | 0 | 4 | 0 | 6 | 0 | 3 | 1 | 1 | 1 | 0 | 3 |
| 02/08/2022 | 5 | 0 | 5 | 0 | 0 | 9 | 0 | 2 | 0 | 2 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 03/08/2022 | 4 | 0 | 1 | 0 | 0 | 3 | 0 | 6 | 0 | 0 | 0 | 1 | 3 | 0 | 0 | 0 | 1 | 0 | 0 | 0 |
| 04/08/2022 | 2 | 1 | 3 | 0 | 0 | 3 | 0 | 10 | 0 | 0 | 0 | 3 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 05/08/2022 | 5 | 0 | 2 | 0 | 0 | 3 | 0 | 5 | 0 | 3 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 06/08/2022 | 3 | 1 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 1 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 0 |
| 08/08/2022 | 0 | 0 | 0 | 0 | 0 | 3 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 09/08/2022 | 4 | 0 | 0 | 0 | 0 | 4 | 0 | 5 | 0 | 0 | 0 | 4 | 0 | 0 | 1 | 0 | 3 | 0 | 1 | 0 |
| 10/08/2022 | 7 | 0 | 1 | 0 | 0 | 8 | 0 | 3 | 0 | 0 | 0 | 1 | 2 | 0 | 0 | 0 | 1 | 0 | 0 | 0 |
| 11/08/2022 | 6 | 0 | 1 | 0 | 0 | 4 | 0 | 8 | 0 | 1 | 0 | 0 | 2 | 0 | 1 | 0 | 2 | 0 | 0 | 0 |
| 12/08/2022 | 7 | 0 | 1 | 0 | 0 | 1 | 0 | 7 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 13/08/2022 | 1 | 0 | 2 | 0 | 0 | 4 | 0 | 3 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 0 |
| 15/08/2022 | 7 | 0 | 2 | 0 | 0 | 3 | 0 | 4 | 0 | 1 | 0 | 1 | 1 | 0 | 0 | 0 | 0 | 0 | 1 | 0 |
| 16/08/2022 | 4 | 0 | 1 | 0 | 0 | 3 | 0 | 6 | 0 | 2 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 |
| 17/08/2022 | 10 | 0 | 4 | 0 | 0 | 3 | 0 | 2 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 18/08/2022 | 6 | 0 | 3 | 0 | 0 | 2 | 0 | 3 | 0 | 2 | 0 | 2 | 2 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 19/08/2022 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 2 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 |
| 20/08/2022 | 7 | 0 | 1 | 0 | 0 | 2 | 0 | 0 | 0 | 0 | 0 | 2 | 2 | 0 | 0 | 0 | 1 | 0 | 0 | 0 |
| 22/08/2022 | 1 | 0 | 0 | 0 | 0 | 1 | 0 | 7 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 23/08/2022 | 1 | 0 | 0 | 0 | 0 | 1 | 0 | 2 | 0 | 0 | 0 | 0 | 2 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 24/08/2022 | 1 | 0 | 5 | 0 | 0 | 3 | 0 | 2 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 25/08/2022 | 5 | 0 | 1 | 0 | 0 | 2 | 0 | 3 | 0 | 2 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 26/08/2022 | 4 | 0 | 0 | 0 | 0 | 2 | 0 | 5 | 0 | 0 | 0 | 3 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 27/08/2022 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 29/08/2022 | 9 | 0 | 0 | 0 | 0 | 1 | 0 | 5 | 0 | 0 | 0 | 1 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 0 |
| 30/08/2022 | 8 | 0 | 4 | 0 | 0 | 5 | 0 | 4 | 0 | 0 | 0 | 1 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 31/08/2022 | 15 | 1 | 0 | 0 | 0 | 3 | 0 | 6 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
cruzada2<-table(bd7$Laminas.procesadas,bd7$TMO..MIN.)
knitr::kable(cruzada2)| 0 | 9.84184675834971 | 10 | 11 | 12 | 15 | 20 | 25 | 30 | 35 | 40 | 45 | 50 | 60 | 65 | 70 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | 1 | 1 | 0 | 2 | 2 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 2 | 0 | 1 | 0 | 1 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 3 | 1 | 5 | 0 | 0 | 3 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 4 | 1 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 9 | 4 | 5 | 5 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 10 | 3 | 42 | 71 | 33 | 7 | 0 | 2 | 2 | 1 | 0 | 0 | 1 | 0 | 0 | 0 | 0 |
| 11 | 1 | 24 | 48 | 37 | 14 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 12 | 1 | 25 | 21 | 25 | 20 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 13 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 |
| 14 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 2 | 0 | 0 | 0 | 0 | 0 |
| 16 | 0 | 0 | 1 | 0 | 0 | 0 | 1 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 |
| 17 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 19 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 |
| 20 | 0 | 3 | 0 | 0 | 0 | 1 | 1 | 13 | 0 | 1 | 0 | 2 | 0 | 1 | 0 | 0 |
| 21 | 0 | 1 | 1 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 22 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 2 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 23 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 25 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 27 | 0 | 0 | 1 | 0 | 0 | 2 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 32 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 2 | 0 | 0 | 0 | 0 | 0 | 0 |
| 33 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 2 | 0 | 0 | 0 | 0 | 0 | 0 |
| 35 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 38 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 40 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 2 | 0 | 0 | 0 | 0 | 0 |
| 41 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 44 | 2 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 49 | 0 | 0 | 0 | 0 | 0 | 2 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 50 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 |
| 51 | 0 | 0 | 2 | 0 | 0 | 3 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 53 | 0 | 0 | 0 | 0 | 0 | 2 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 55 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 65 | 0 | 0 | 0 | 0 | 0 | 0 | 2 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 69 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 79 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 |
| 80 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 0 | 0 |
| 97 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
Gráficos de datos cualitativos y cuantitativos
Datos cualitativos
barplot(prop.table(table(bd7$Laminas.procesadas)),col=c("pink","yellow","red","green"),main="Fabricante por estado", ylab ="Frecuencias",las=1)
pie(prop.table(table(bd7$CLIENTE)),col=c("pink","blue","yellow","orange","red","grey","green","black","white"),main="Empresa", ylab ="Frecuencias",las=1)
Gráficos de dispersión
plot(bd7$TMO..MIN., xlab = "Proceso de lamina", ylab = "Tiempo", main = "Tiempo por Lamina" )
Importar base de datos Scrap
#file.choose()
base <- read.csv("/Users/andreapaolasosa/Desktop/FORM - Scrap.csv")Entender base de datos
summary(base)## Referencia Fecha Producto Cantidad
## Length:251 Length:251 Length:251 Min. : 0.00
## Class :character Class :character Class :character 1st Qu.: 1.00
## Mode :character Mode :character Mode :character Median : 2.00
## Mean : 13.34
## 3rd Qu.: 7.00
## Max. :1674.00
## Unidad.de.medida Ubicación.de.origen Ubicación.de.desecho Estado
## Length:251 Length:251 Length:251 Length:251
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
## 1.¿Cuántas variables y cuántos registros tiene la base de datos?
250 registros y 8 variables
str(base)## 'data.frame': 251 obs. of 8 variables:
## $ Referencia : chr "agosto 2022 (250)" "SP/08731" "SP/08730" "SP/08729" ...
## $ Fecha : chr "" "2022-08-31 14:55:40" "2022-08-31 14:49:25" "2022-08-31 13:49:29" ...
## $ Producto : chr "" "[BACKFRAME 60% CUELLO ARMADO] 18805. 60% Backframe. Cuello Armado." "[N61506747 CAJA] N61506747. Kit. Caja." "[N61506729 SEPARADOR] N61506729. Kit. Separador." ...
## $ Cantidad : num 1674 2 1 1 31 ...
## $ Unidad.de.medida : chr "" "Unidad(es)" "Unidad(es)" "Unidad(es)" ...
## $ Ubicación.de.origen : chr "" "SAB/Calidad/Entrega de PT" "SAB/Calidad/Entrega de PT" "SAB/Calidad/Entrega de PT" ...
## $ Ubicación.de.desecho: chr "" "Virtual Locations/Scrapped" "Virtual Locations/Scrapped" "Virtual Locations/Scrapped" ...
## $ Estado : chr "" "Hecho" "Hecho" "Hecho" ...#install.packages("psych")
#library(psych)*2. Aplica al menos 2 tecnicas de limpieza de base de datos
#Tecnica 1. Remover valores irrelevantes Eliminar columnas
base2 <- base
base2 <- subset(base2, select = -c (Referencia,Unidad.de.medida)) #Tecnica 1. Remover valores irrelevantes Eliminar renglones
base3 <- base2
base3 <- base3[base3$Cantidad>0,]
summary (base3)## Fecha Producto Cantidad Ubicación.de.origen
## Length:250 Length:250 Min. : 1.00 Length:250
## Class :character Class :character 1st Qu.: 1.00 Class :character
## Mode :character Mode :character Median : 2.00 Mode :character
## Mean : 13.39
## 3rd Qu.: 7.00
## Max. :1674.00
## Ubicación.de.desecho Estado
## Length:250 Length:250
## Class :character Class :character
## Mode :character Mode :character
##
##
## 3.Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua.
Variable<-c("Fecha","Producto","Cantidad","Ubicación.de.origen","Ubicación.de.desecho","Estado")
Type<-c("Cuantitativa(Discreta)","Cualitativa", "Cualitativa", "Cualitativa", "Cualitativa","Cualitativa")
table<-data.frame(Variable,Type)
knitr::kable(table)| Variable | Type |
|---|---|
| Fecha | Cuantitativa(Discreta) |
| Producto | Cualitativa |
| Cantidad | Cualitativa |
| Ubicación.de.origen | Cualitativa |
| Ubicación.de.desecho | Cualitativa |
| Estado | Cualitativa |
4. Elige la escala de medición de cada variable.
Variable2<-c("Fecha","Producto","Cantidad","Ubicación.de.origen","Ubicación.de.desecho","Estado")
Type<-c("Cuantitativa(Discreta)","Cualitativa", "Cualitativa", "Cualitativa", "Cualitativa","Cualitativa")
Escala_de_Medición2 <- c("Fecha","Producto","Numero de produccion", "Origen","Ubicacion","Completado")
table2<-data.frame(Variable,Type)
knitr::kable(table2)| Variable | Type |
|---|---|
| Fecha | Cuantitativa(Discreta) |
| Producto | Cualitativa |
| Cantidad | Cualitativa |
| Ubicación.de.origen | Cualitativa |
| Ubicación.de.desecho | Cualitativa |
| Estado | Cualitativa |
5 Realizar un análisis estadístico descriptivo en el que logres destacar el conjunto de datos, que apoyan a la empresa a mejorar su operación.
Tablas cruzadas
cruzada3<-table(base3$Cantidad,base3$Estado)
knitr::kable(cruzada3)| Hecho | ||
|---|---|---|
| 1 | 0 | 76 |
| 2 | 0 | 59 |
| 2.5 | 0 | 2 |
| 3 | 0 | 14 |
| 4 | 0 | 18 |
| 5 | 0 | 4 |
| 6 | 0 | 11 |
| 7 | 0 | 4 |
| 8 | 0 | 10 |
| 9 | 0 | 6 |
| 10 | 0 | 8 |
| 11 | 0 | 1 |
| 12 | 0 | 4 |
| 13 | 0 | 2 |
| 14 | 0 | 1 |
| 15 | 0 | 3 |
| 16 | 0 | 2 |
| 18 | 0 | 1 |
| 19 | 0 | 2 |
| 20 | 0 | 5 |
| 24 | 0 | 4 |
| 28 | 0 | 1 |
| 31 | 0 | 1 |
| 36 | 0 | 2 |
| 40 | 0 | 1 |
| 43 | 0 | 1 |
| 48 | 0 | 1 |
| 51 | 0 | 1 |
| 56 | 0 | 1 |
| 60 | 0 | 1 |
| 80 | 0 | 1 |
| 96 | 0 | 1 |
| 1674.0016 | 1 | 0 |
cruzada4<-table(base3$Producto,base3$Ubicación.de.desecho)
knitr::kable(cruzada4)| Virtual Locations/Scrapped | ||
|---|---|---|
| 1 | 0 | |
| [2065WY AS 30 99 0000 00 000 TAPA - BOX 2064WY] BOX 2064WY | 0 | 2 |
| [241B EXPORT CAJA] 241B. Export. Caja. | 0 | 1 |
| [341332 CELDA - U611 & U625] 341332. U611. U625. Celda Troquelada. | 0 | 10 |
| [341332 CHAROLA - U611 & U625] 341332. U611. U625. Charola Troquelada. | 0 | 5 |
| [341332 DIVISOR - U611 & U625] 341332. U611. U625. Divisor Troquelado. | 0 | 5 |
| [357790-TAPA] 357790. Tapa. | 0 | 3 |
| [358268-CAJA] 358268-CAJA | 0 | 2 |
| [358268-TAPA] 358268-TAPA | 0 | 2 |
| [428579 AS 30 99 0000 00 000 INSERTO- FORD DAMPER] 14306. Damper Ford DTP. Inserto. | 0 | 1 |
| [428818 AS 30 99 0000 00 000 INSERTO - CHRYSLER INSERT DJ] CHRYSLER INSERT DJ PART 694087 | 0 | 3 |
| [429296 AS 30 99 0000 00 000 INSERTO - INSERT TMC 150 TESLA] 14783. TMC150. Inserto. | 0 | 1 |
| [446265 AS 30 99 0000 00 000 CAPA INTERMEDIA- PAD 43X36 DAIMLER] 14454. Daimler Pad 43 X 36 | 0 | 2 |
| [467.416-24 COMPARTIMENT INSERT 535X335X221MM CC ESD] Refacciones. P1. Celdado. | 0 | 1 |
| [496455 FS 30 99 0000 00 000 CARTÓN - BOX 0371813] BOX 0371813 | 0 | 1 |
| [500033 AS 30 99 0000 00 000 INSERTO - Inserto FORD China 500033] 17397. 500033. FORD China. Inserto. | 0 | 1 |
| [642762 PACKING, SHEET, 565.2X742.9 - INSERT 642762] 642762. Pad. S.M. | 0 | 3 |
| [643920 CART, SOM, 746.8X569.0X292.1, RSC - BOX 643920 STABOMAT] 13891. 643920. Stabomat. Caja. | 0 | 2 |
| [647713] 647713. Caja. | 0 | 3 |
| [938830 FS 30 99 0000 00 000 CARTÓN - SIZE 24”] 24”. Caja Terminada. | 0 | 1 |
| [939069 FS 30 99 0000 00 000 CARTÓN -BOX 939069 34”] 34”. Caja Terminada. | 0 | 1 |
| [A - CELDA SUDAFRICA BMW G01 LCI] Sudafrica. A. Pieza. | 0 | 3 |
| [B - CELDA SUDAFRICA BMW G01 LCI] Sudáfrica. B. Pieza. | 0 | 3 |
| [BACKFRAME 60% CUELLO ARMADO] 18805. 60% Backframe. Cuello Armado. | 0 | 1 |
| [BACKFRAME 60% TAPA BASE] 18271. 60% Backframe. Tapa Base. | 0 | 1 |
| [BOX 143907 - CELDA] 143907. Solares. Celda Troquelada. | 0 | 3 |
| [BOX 143907 - TAPA] 143907. Solares. Tapa Troquelada. | 0 | 1 |
| [C - CELDA SUDAFRICA BMW G01 LCI] Sudáfrica. C. Pieza. | 0 | 3 |
| [CAJA ( ARMREST / HR REAR) TMC 110 MODEL Y] 19148. Modelo Y. TMC0110. Armrest & Rear & Center. Caja | 0 | 1 |
| [CAJA 695] N61506695. Caja. | 0 | 1 |
| [CAJA 726] N61506726 CAJA | 0 | 1 |
| [CAJA 734949] CAJA 734949 | 0 | 1 |
| [CAJA 784] 784. Kit. Caja. | 0 | 2 |
| [CAJA 95161] 19079. 95161. Kit. Caja. | 0 | 1 |
| [Caja backup canastilla gris] CAJA DE CARTÓN BACK UP CANASTILLA GRIS- P3 | 0 | 1 |
| [CAJA INDUSTRIAL 16” ROTATIVA] 16”. Lamina Troquelada. | 0 | 12 |
| [CAJA INDUSTRIAL 24” ROTATIVA COMPLETA] 24”. Lamina Troquelada. | 0 | 3 |
| [CAJA INDUSTRIAL 34” ROTATIVA] 34”. Lamina Troquelada. | 0 | 11 |
| [CAJA INDUSTRIAL 48” CON SELLO (PP)] 48”. Lamina Troquelada. | 0 | 7 |
| [CAJA MCV] Toyota. MCV. Caja Troquelada. | 0 | 2 |
| [CAJA RSC DE KIT REFLEX] 857. Reflex. Caja. | 0 | 1 |
| [CAJA RSC SHOCK TOWER] Shock Tower. Caja. | 0 | 2 |
| [CAJA RSC TGTX] TGTX. Caja RSC. | 0 | 1 |
| [CELDA 955061] 955061. Celda Troquelada. | 0 | 6 |
| [Celda Audi coupe] 18892. Coupe. Celda Troquelada. | 0 | 3 |
| [CELDA AUDI Q5] 14096. Audi Q5. Celda Troquelada. | 0 | 10 |
| [CELDA CON MICRO CORUUGAD O EN 32 PORTA ETIQUETA] TR13777 KIT TGTX. Caja + Celda | 0 | 1 |
| [CELDA GM177] 14100. GM177. Celda Troquelada. | 0 | 9 |
| [CELDA VW CHATTANOOGA] Chattanooga. St3. Celda Troquelada. | 0 | 1 |
| [CELL C] 60% Backframe. Separador con Doblez. | 0 | 1 |
| [CHAROLA 955061] 955061. Charola Troquelada. | 0 | 5 |
| [Charola audi coupe] 18890. Coupe. Charola Troquelada. | 0 | 2 |
| [CHAROLA AUDI Q5] 14128. Audi Q5. Charola Troquelada. | 0 | 5 |
| [CHAROLA GM177] 14131. GM177. Charola Troquelada. | 0 | 5 |
| [CHAROLA VW CHATTANOOGA] Chattanooga. St1 y St3. Charola Troquelada. | 0 | 5 |
| [Console cell] Console Lower. Celda Armada. | 0 | 1 |
| [D - CELDA SUDAFRICA BMW G01 LCI] Sudáfrica. D. Pieza. | 0 | 3 |
| [DIVISOR AUDI Q5] 14234. Audi Q5. Divisor Troquelado. | 0 | 4 |
| [DIVISOR CON DOBLEZ VW CHATTANOOGA] Chattanooga. St1 y St3. Divisor Troquelado. | 0 | 4 |
| [DIVISOR GM177] 14238. GM177. Divisor. | 0 | 5 |
| [DIVISOR REFLEX] 857. Reflex. Divisor. | 0 | 1 |
| [DIVISOR ZIGZAG VW CHATTANOOGA] Chattanooga. St1 y St3. Zig Zag Troquelado. | 0 | 4 |
| [E - CELDA SUDAFRICA BMW G01 LCI] Sudáfrica. E. Pieza. | 0 | 2 |
| [F - CELDA SUDAFRICA BMW G01 LCI] Sudáfrica. F. Pieza. | 0 | 3 |
| [HSC P702 ICP] 17215. P558. P702. CD539. ICP. Caja HSC. Pieza. | 0 | 4 |
| [INSERTO 241B EXPORT] 14308. 241B. Export. Inserto. | 0 | 2 |
| [Inserto Nextracker 3.0] Nextracker. 2.0. Damper. Inserto. | 0 | 4 |
| [INSERTO SOLARES] 143907. Solares. Inserto Troquelada. | 0 | 1 |
| [MITAD DE CUELLO SHOCK TOWER] Shock Tower. Mitad Cuello. | 0 | 1 |
| [MQ4A-Dunnage-part2] Kia. Inserto. Pieza. | 0 | 3 |
| [MQ4A-Dunnage-tray] Kia. Charola. Pieza. | 0 | 3 |
| [N61506396 CAJA] N61506396. Caja. | 0 | 2 |
| [N61506396 SEPARADOR] N61506396. Separador. | 0 | 1 |
| [N61506729 SEPARADOR] N61506729. Kit. Separador. | 0 | 1 |
| [N61506747 CAJA] N61506747. Kit. Caja. | 0 | 3 |
| [N61506747 TAPA] N61506747. Kit. Tapa. | 0 | 2 |
| [NEXTRACKER 2.0 DAMPER CUELLO] 18976. Nextracker. 2.0. Damper. Cuello, | 0 | 2 |
| [NEXTRACKER 2.0 DAMPER TAPA DE COROPLAST] Nextracker. 2.0. Damper. Tapa de Coroplast. | 0 | 2 |
| [PTN.WS IP 60 CELL IBT] Y0199489 PTN.WS IP 60 CELL IBT | 0 | 1 |
| [REJILLA DE 16X PARA PIVOT DE TESLA PARA PROCESO DE MTM A PPG] CELDA PIVOTE CONTENEDOR RETORNABLE | 0 | 1 |
| [SEAT BACK CAJA] Seat Back. Caja HSC 1/2 | 0 | 2 |
| [SEAT BACK CELDADO] Seat Back. Celda Armada. | 0 | 1 |
| [SEPARADOR 41” X 44” PARA PIVOTE Y SEAT BACK DE MTM A PPG] SEPARADOR PIVOTE CONTENEDOR RETORNABLE | 0 | 1 |
| [SEPARADOR MOTORGEAR] Motorgear. Separador para Celdas. | 0 | 1 |
| [TAPA 695] N61506695. Tapa. | 0 | 1 |
| [TAPA AVANAZAR] Avanzar. Tapa. Pieza. | 0 | 2 |
| [TESLA XDA90 CELDA A] XDA90. A. Pieza. | 0 | 3 |
| [TESLA XDA90 CELDA B] XDA90. B. Pieza. | 0 | 1 |
| [TESLA XDA90 CHAROLA SUAJADA] XDA90. Charola. Pieza. | 0 | 2 |
| [TMC 050 - RSC] Console lower - TMC 050 | 0 | 1 |
| [TMC 095] 19162. Modelo Y. TMC095. Front. Caja. | 0 | 2 |
| [TMC XXX] Armrest. Caja RSC. | 0 | 1 |
| [TR11910 CHAROLA C/2 DIV #20 SMOOTH C/32 CAVIDADES] TR11910. U725. DMS. ITB. Charola con ITB. | 0 | 3 |
| [TR12438 TAPA ICP 539 TAPA 2415-2 EN CPARTÓN SENCILLO CORRUGADO] 18840. CD539. Tapa. | 0 | 1 |
| [TR12440 TAPA P558] 18842. P558. Tapa. | 0 | 1 |
| [TR13776 CAJA RSC CK 44 ECT C/ PORTA ETIQUETA] TR13776. Caja con Porta Etiqueta. | 0 | 1 |
Gráficos de datos cualitativos y cuantitativos
#Datos cualitativos
barplot(prop.table(table(base3$Producto)),col=c("pink","purple","yellow","orange","red","grey","green","black","white"),main="Productos", ylab ="Frecuencias",las=1)
Importar base de datos Merma
#file.choose()
datos <- read.csv("/Users/andreapaolasosa/Desktop/FORM - Merma.csv")Entender base de datos
summary(datos)## Fecha Mes Kilos
## Length:60 Length:60 Length:60
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character1.¿Cuántas variables y cuántos registros tiene la base de datos?
La base tiene 60 registros y 3 variables
str(datos)## 'data.frame': 60 obs. of 3 variables:
## $ Fecha: chr "11/01/22" "11/01/22" "22/01/22" "22/01/22" ...
## $ Mes : chr "ENERO" "ENERO" "ENERO" "ENERO" ...
## $ Kilos: chr "5080" "3810" "2990" "2680" ...#install.packages("psych")
#library(psych)2. Aplica al menos 2 tecnicas de limpieza de base de datos y explicalas brevemente, ¿Porqué realizaste estas tecnicas?
#Tecnica 1. Remover valores irrelevantes Eliminar columnas
datos2 <- datos
datos2 <- subset(datos2, select = -c (Fecha)) 3.Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua.
Variable<-c("Mes","Kilos")
Type<-c("Cuantitativo (discreto)","Cuantitativo (discreto)")
table<-data.frame(Variable,Type)
knitr::kable(table)| Variable | Type |
|---|---|
| Mes | Cuantitativo (discreto) |
| Kilos | Cuantitativo (discreto) |
4. Elige la escala de medición de cada variable.
Variable<-c("Mes","Kilos")
Type<-c("Cuantitativo (discreto)","Cuantitativo (discreto)")
Escala_de_Medición <- c("Mes","Peso")
table<-data.frame(Variable,Type)
knitr::kable(table)| Variable | Type |
|---|---|
| Mes | Cuantitativo (discreto) |
| Kilos | Cuantitativo (discreto) |
Reflexion
Mediante la actividad realizada se pudo obtener un mejor analisis acerca de las diferentes areas de la empresa FORM. A raiz de los resultados se puede realizar una mejor interpretacion para la creacion de nuevas estrategias.
---
title: <span style="Color:orange"> Actividad R5
author: "Andrea  Paola Sosa A00827359"
date: "2022-09-28"
output:
   html_document:
    toc: true
    toc_float: true
    code_download: true
---
# Importar base de datos Produccion de carton
```{r}
#file.choose()
bd <- read.csv("/Users/andreapaolasosa/Desktop/produccionagosto.csv")
```

### Entender base de datos
```{r}
summary(bd)
```

### *1.¿Cuántas variables y cuántos registros tiene la base de datos?*
### La base cuenta con 2751 registros y 18 variables
```{r}
str(bd)
#install.packages("psych")
#library(psych)
```

### *2. Aplica al menos 2 tecnicas de limpieza de base de datos y explicalas brevemente, ¿Porqué realizaste estas tecnicas?*

#### Tecnica 1.  Remover valores irrelevantes
Eliminar columnas que no aportan informacion valiosa al analisis de esta manera nos quedamos con la informacion de mayor relevancia.
```{r}
bd1 <- bd
bd1<-subset(bd1,select=-c(No.,ID.FORM,PRODUCTO,X,HR..FIN,ESTACION.ARRANQUE,INICIO.SEP.UP,FIN.INICIO.DE.SEP.UP,INICIO.de.PROCESO,FIN.de.PROCESO,TIEMPO.CALIDAD,TIEMPO.MATERIALES,MERMAS.Maquinas.))
str(bd1)
```

#### Tecnica 4. Convertir tipos de datos
Convertir de caracter a N/A para poder eliminar los espacios en blanco sin datos
```{r}
bd2 <- bd1
bd2$TMO..MIN. <- substr(bd2$TMO..MIN., start = 1, stop = 2)
#tibble(bd2)  
bd2$TMO..MIN. <- as.integer(bd2$TMO..MIN.)
str(bd2)  
```

```{r}
bd3 <- bd2
bd3$PIEZAS.PROG. <- substr(bd3$PIEZAS.PROG., start = 1, stop = 2)
#tibble(bd3)  
bd3$PIEZAS.PROG. <- as.integer(bd3$PIEZAS.PROG.)
str(bd3) 
```

```{r}
bd4 <- bd3
bd4$Laminas.procesadas <- substr(bd4$Laminas.procesadas, start = 1, stop = 2)
#tibble(bd4)  
bd4$Laminas.procesadas <- as.integer(bd4$Laminas.procesadas)
str(bd4)
```

#### Tecnica 5. Valores faltantes
```{r}
bd5 <- bd4
bd5$TMO..MIN.[is.na(bd4$TMO..MIN.)]<-mean(bd5$TMO..MIN., na.rm = TRUE)
summary (bd5)
```

#### Tecnica 5. Valores faltantes
Reemplazar cero con N/A para eliminar valores innecesarios.
```{r}
bd6 <- bd5
bd6$Laminas.procesadas[bd6$Laminas.procesadas < 1]<- NA
summary (bd6)
```

#### Tecnica 5. Valores faltantes
Borrar todos los registros NA de una tabla para tener una base de datos precisa y no contabilizar el dia que no hubo produccion
```{r}
bd7 <- bd6
bd7 <- na.omit(bd7)    
str(bd7)
```

### *3.Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua.*
```{r}
Variable<-c("Fecha","CLIENTE","PIEZAS.PROG","TMO..MIN.","Laminas.procesadas")
Type<-c("Cuantitativa(Discreta)","Cualitativa", "Cuantitativa(Discreta)", "Cuantitativa(Discreta)", "Cuantitativa(Discreta)")
table<-data.frame(Variable,Type)
knitr::kable(table)
```

### *4. Elige la escala de medición de cada variable.*
```{r}
Variable<-c("Fecha","CLIENTE","PIEZAS.PROG","TMO..MIN.","Laminas.procesadas")
Type<-c("Cuantitativa(Discreta)","Cualitativa", "Cuantitativa(Discreta)", "Cuantitativa(Discreta)", "Cuantitativa(Discreta)")
Escala_de_Medición <- c("Fecha","Empresa","Numero de produccion", "Minutos","Sobrante")
table<-data.frame(Variable,Type)
knitr::kable(table)
```

### *5 Realizar un análisis estadístico descriptivo en el que logres destacar el conjunto de datos, que apoyan a la empresa a mejorar su operación.*
### Tablas cruzadas
```{r}
cruzada1<-table(bd7$Fecha,bd7$PIEZAS.PROG.)
knitr::kable(cruzada1)

cruzada2<-table(bd7$Laminas.procesadas,bd7$TMO..MIN.)
knitr::kable(cruzada2)
```

### Gráficos de datos cualitativos y cuantitativos
Datos cualitativos
```{r}
barplot(prop.table(table(bd7$Laminas.procesadas)),col=c("pink","yellow","red","green"),main="Fabricante por estado", ylab ="Frecuencias",las=1)
pie(prop.table(table(bd7$CLIENTE)),col=c("pink","blue","yellow","orange","red","grey","green","black","white"),main="Empresa", ylab ="Frecuencias",las=1)
```

### Gráficos de dispersión
```{r}
plot(bd7$TMO..MIN., xlab = "Proceso de lamina", ylab = "Tiempo", main = "Tiempo por Lamina" )
```

# Importar base de datos Scrap
```{r}
#file.choose()
base <- read.csv("/Users/andreapaolasosa/Desktop/FORM - Scrap.csv")
```

### Entender base de datos
```{r}
summary(base)
```

### *1.¿Cuántas variables y cuántos registros tiene la base de datos?*
250 registros y 8 variables
```{r}
str(base)
#install.packages("psych")
#library(psych)
```

### *2. Aplica al menos 2 tecnicas de limpieza de base de datos 
#Tecnica 1. Remover valores irrelevantes
Eliminar columnas
```{r}
base2 <- base
base2 <- subset(base2, select = -c (Referencia,Unidad.de.medida)) 
```

#Tecnica 1. Remover valores irrelevantes
Eliminar renglones
```{r}
base3 <- base2
base3 <- base3[base3$Cantidad>0,]  
summary (base3)

```

### *3.Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua.*
```{r}
Variable<-c("Fecha","Producto","Cantidad","Ubicación.de.origen","Ubicación.de.desecho","Estado")
Type<-c("Cuantitativa(Discreta)","Cualitativa", "Cualitativa", "Cualitativa", "Cualitativa","Cualitativa")
table<-data.frame(Variable,Type)
knitr::kable(table)
```

### *4. Elige la escala de medición de cada variable.* 
```{r}
Variable2<-c("Fecha","Producto","Cantidad","Ubicación.de.origen","Ubicación.de.desecho","Estado")
Type<-c("Cuantitativa(Discreta)","Cualitativa", "Cualitativa", "Cualitativa", "Cualitativa","Cualitativa")
Escala_de_Medición2 <- c("Fecha","Producto","Numero de produccion", "Origen","Ubicacion","Completado")
table2<-data.frame(Variable,Type)
knitr::kable(table2)
```

### *5 Realizar un análisis estadístico descriptivo en el que logres destacar el conjunto de datos, que apoyan a la empresa a mejorar su operación.*
### Tablas cruzadas
```{r}
cruzada3<-table(base3$Cantidad,base3$Estado)
knitr::kable(cruzada3)
```

```{r}
cruzada4<-table(base3$Producto,base3$Ubicación.de.desecho)
knitr::kable(cruzada4)
```

### Gráficos de datos cualitativos y cuantitativos
#Datos cualitativos
```{r}
barplot(prop.table(table(base3$Producto)),col=c("pink","purple","yellow","orange","red","grey","green","black","white"),main="Productos", ylab ="Frecuencias",las=1)
```

# Importar base de datos Merma
```{r}
#file.choose()
datos <- read.csv("/Users/andreapaolasosa/Desktop/FORM - Merma.csv")
```

### Entender base de datos
```{r}
summary(datos)
```

### *1.¿Cuántas variables y cuántos registros tiene la base de datos?*
La base tiene 60 registros y 3 variables
```{r}
str(datos)
#install.packages("psych")
#library(psych)
```

### *2. Aplica al menos 2 tecnicas de limpieza de base de datos y explicalas brevemente, ¿Porqué realizaste estas tecnicas?*
#Tecnica 1. Remover valores irrelevantes
Eliminar columnas
```{r}
datos2 <- datos
datos2 <- subset(datos2, select = -c (Fecha)) 
```

### *3.Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua.*
```{r}
Variable<-c("Mes","Kilos")
Type<-c("Cuantitativo (discreto)","Cuantitativo (discreto)")
table<-data.frame(Variable,Type)
knitr::kable(table)
```

### *4. Elige la escala de medición de cada variable.* 
```{r}
Variable<-c("Mes","Kilos")
Type<-c("Cuantitativo (discreto)","Cuantitativo (discreto)")
Escala_de_Medición <- c("Mes","Peso")
table<-data.frame(Variable,Type)
knitr::kable(table)
```

### Reflexion
Mediante la actividad realizada se pudo obtener un mejor analisis  acerca  de las diferentes areas de la empresa FORM. A raiz de los resultados se puede realizar  una mejor interpretacion para la creacion  de nuevas estrategias.


