“Entregable2.4_Scrap”

ENTREGABLE 2.4 (Colaborativo). Base de datos: Scrap

#file.choose()
scrap <- read.csv("/Users/dannaperez/Desktop/Reto Evidencia 2/Base de datos/FORM1 - Scrap.csv") 

Limpieza, Transformación, y Organización de Bases de Datos

Se eliminaron las variables que no nos dejan información valiosa para la empresa y solo se dejaron aquellas que sean de utilidad.

Missing values

sum(is.na(scrap))

## [1] 0

No hay NA´s en la base de datos.

Cambio de formato a la variable de fecha

summary(scrap)

##     Fecha                Cant         Ubi.origen       
##  Length:249         Min.   : 1.000   Length:249        
##  Class :character   1st Qu.: 1.000   Class :character  
##  Mode  :character   Median : 2.000   Mode  :character  
##                     Mean   : 6.727                     
##                     3rd Qu.: 7.000                     
##                     Max.   :96.000

scr1 <- scrap
scr1$Fecha <- as.Date(scr1$Fecha, format = "%d/%m/%Y")
summary(scr1)

##      Fecha                 Cant         Ubi.origen       
##  Min.   :2022-08-01   Min.   : 1.000   Length:249        
##  1st Qu.:2022-08-11   1st Qu.: 1.000   Class :character  
##  Median :2022-08-19   Median : 2.000   Mode  :character  
##  Mean   :2022-08-17   Mean   : 6.727                     
##  3rd Qu.:2022-08-25   3rd Qu.: 7.000                     
##  Max.   :2022-08-31   Max.   :96.000

Exportar base de datos limpia

write.csv(scr1, file = "SCRAP_LIMPIA.csv", row.names = FALSE)  

Análisis Exploratorio de las Bases de Datos

Cálculos

Promedio

Promedio <- (mean(scr1$Cant))
Promedio

## [1] 6.726908

Moda

Moda <- function(x) {
  ux <- unique(x)    
  ux[which.max(tabulate(match(x, ux)))]      
}    
Moda1 <- Moda(scr1$Cant)
Moda1

## [1] 1

Mediana

mediana <- median(scr1$Cant)
mediana

## [1] 2

Varianza

varianza <- var(scr1$Cant)
varianza

## [1] 140.7477

Deviación Estándar

desviacion <- sqrt(varianza)
desviacion

## [1] 11.86371

Tabla con estadísticas descriptivas

Variable <- c("Cantidad")
Promedio <- c("6.726")
Moda <- c("1")
Mediana <- c("2")
Varianza <- c("140.747")
Desviación_Estándar <- c("11.863")
tabla <-data.frame(Variable,Promedio, Moda, Mediana, Varianza, Desviación_Estándar)
knitr::kable(tabla)

Variable	Promedio	Moda	Mediana	Varianza	Desviación_Estándar
Cantidad	6.726	1	2	140.747	11.863

Análisis

La tabla con estadísticas descriptivas se hizo en torno a la variable de “cantidad”. El promedio de productos por orden es de 7 unidades y la mayoría de las órdenes son de 1 unidad. La desviación estándar no es muy alta por lo que se puede inferir que las órdenes tienen un número de unidades similares entre ellas y su rango es entre 1-96 unidades.

Dispersion plots

library(ggplot2)
ggplot(scr1, aes(x=Fecha, y=Cant, colour=Ubi.origen)) + geom_point()

Análisis de la gráficaa

Al observar de primera vista la gráfica se puede ver que muchos de los pedidos están en pre-producción ya que hay una mayor cantidad de puntos azules en toda la gráfica. Los pedidos casi siempre son de menos de 25 unidades y muy pocos pedidos llegan a pasar esta cantidad de unidades. Pedidos con más de 25 unidades siempre están en pre-producció, por otro lado, Post producción y entrega de PT están en órdenes menores de 25 unidades.