Evidencia 2
Daniela Cárdenas Zertuche
2022-10-18
knitr::include_url("https://form.com.mx/")RH Colaboradores
library(foreign)
library(dplyr) # data manipulation
library(forcats) # to work with categorical variables
library(ggplot2) # data visualization
library(readr) # read specific csv files
library(janitor) # data exploration and cleaning
library(Hmisc) # several useful functions for data analysis
library(psych) # functions for multivariate analysis
library(naniar) # summaries and visualization of missing values NAs
library(dlookr) # summaries and visualization of missing values NAs
library(corrplot) # correlation plots
library(jtools) # presentation of regression analysis
library(lmtest) # diagnostic checks - linear regression analysis
library(car) # diagnostic checks - linear regression analysis
library(olsrr) # diagnostic checks - linear regression analysis
library(kableExtra) # HTML table attributes
library(gmodels)
library(openxlsx)
library(crosstable)Sección 1. Limpieza de datos, Transformación y Entendimiento (1-4)
colab <-read.csv("C:\\Users\\danyc\\Downloads\\hr csv 1.csv")
summary(colab)## No..De.Empleado APELLIDOS NOMBRE FECHA.DE.NACIMIENTO
## Min. : 1.00 Length:113 Length:113 Length:113
## 1st Qu.: 31.00 Class :character Class :character Class :character
## Median : 63.00 Mode :character Mode :character Mode :character
## Mean : 75.86
## 3rd Qu.:127.00
## Max. :169.00
## EDAD GENERO RFC FECHA.DE.ALTA
## Min. : 0.00 Length:113 Length:113 Length:113
## 1st Qu.:25.00 Class :character Class :character Class :character
## Median :33.00 Mode :character Mode :character Mode :character
## Mean :35.74
## 3rd Qu.:45.00
## Max. :73.00
## PRIMER.MES CUARTO.MES BAJA PUESTO
## Length:113 Length:113 Min. :0.0000 Length:113
## Class :character Class :character 1st Qu.:0.0000 Class :character
## Mode :character Mode :character Median :0.0000 Mode :character
## Mean :0.3451
## 3rd Qu.:0.0000
## Max. :3.0000
## DEPARTAMENTO SALARIO.DIARIO.IMSS FACTOR.CRED.INFONAVIT
## Length:113 Min. :144.4 Min. : 0
## Class :character 1st Qu.:176.7 1st Qu.: 0
## Mode :character Median :180.7 Median : 0
## Mean :181.2 Mean : 2244
## 3rd Qu.:180.7 3rd Qu.: 0
## Max. :441.4 Max. :182096
## N..CREDITO.INFONAVIT LUGAR.DE.NACIMIENTO CURP CALLE
## Min. :0.000e+00 Length:113 Length:113 Length:113
## 1st Qu.:0.000e+00 Class :character Class :character Class :character
## Median :0.000e+00 Mode :character Mode :character Mode :character
## Mean :6.770e+07
## 3rd Qu.:0.000e+00
## Max. :1.922e+09
## NUMERO.INTERNO COLONIA MUNICIPIO ESTADO
## Length:113 Length:113 Length:113 Length:113
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## CODIGO.POSTAL ESTADO.CIVIL TARJETA.CUENTA X
## Min. :25016 Length:113 Length:113 Mode:logical
## 1st Qu.:66640 Class :character Class :character NA's:113
## Median :66646 Mode :character Mode :character
## Mean :63365
## 3rd Qu.:66649
## Max. :67493
## X.1
## Mode:logical
## NA's:113
##
##
##
## describe(colab)## # A tibble: 7 × 26
## described_v…¹ n na mean sd se_mean IQR skewn…² kurto…³ p00
## <chr> <int> <int> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 No..De.Emple… 113 0 7.59e+1 5.39e+1 5.07e+0 96 0.400 -1.24 1
## 2 EDAD 113 0 3.57e+1 1.33e+1 1.25e+0 20 0.398 -0.310 0
## 3 BAJA 113 0 3.45e-1 9.61e-1 9.04e-2 0 2.45 4.05 0
## 4 SALARIO.DIAR… 113 0 1.81e+2 3.47e+1 3.27e+0 3.96 4.93 31.6 144.
## 5 FACTOR.CRED.… 113 0 2.24e+3 1.79e+4 1.68e+3 0 9.45 93.5 0
## 6 N..CREDITO.I… 113 0 6.77e+7 3.55e+8 3.34e+7 0 5.10 24.4 0
## 7 CODIGO.POSTAL 113 0 6.34e+4 1.12e+4 1.05e+3 9 -3.14 8.01 25016
## # … with 16 more variables: p01 <dbl>, p05 <dbl>, p10 <dbl>, p20 <dbl>,
## # p25 <dbl>, p30 <dbl>, p40 <dbl>, p50 <dbl>, p60 <dbl>, p70 <dbl>,
## # p75 <dbl>, p80 <dbl>, p90 <dbl>, p95 <dbl>, p99 <dbl>, p100 <dbl>, and
## # abbreviated variable names ¹described_variables, ²skewness, ³kurtosisVariables y Registros
str(colab)## 'data.frame': 113 obs. of 28 variables:
## $ No..De.Empleado : int 1 2 3 4 5 6 7 8 9 10 ...
## $ APELLIDOS : chr "MARTINEZ DE LOERA" "DE LEON MORENO" "HERNANDEZ CERVANTES" "CAZARES MORALES" ...
## $ NOMBRE : chr "NICOLAS" "MARIANA" "JOSE LUIS" "MARIA" ...
## $ FECHA.DE.NACIMIENTO : chr "10/09/1955" "14/05/1979" "21/11/1949" "01/05/1990" ...
## $ EDAD : int 67 43 73 32 57 38 55 26 27 37 ...
## $ GENERO : chr "MASCULINO" "FEMENINO" "MASCULINO" "FEMENINO" ...
## $ RFC : chr "MALN550910338" "LEMM7905148GA" "HECL4911213X3" "CAMM9005019S8" ...
## $ FECHA.DE.ALTA : chr "01/07/2010" "01/07/2011" "22/11/2011" "30/01/2013" ...
## $ PRIMER.MES : chr "31/07/2010" "31/07/2011" "22/12/2011" "01/03/2013" ...
## $ CUARTO.MES : chr "29/10/2010" "29/10/2011" "22/04/2012" "30/05/2013" ...
## $ BAJA : int 0 0 0 0 0 0 0 0 0 0 ...
## $ PUESTO : chr "SUPERVISOR/A" "SUPERVISOR/A" "EXTERNO" "SUPERVISOR/A" ...
## $ DEPARTAMENTO : chr "PRODUCCION CARTON MDL" "PRODUCCION CARTON MDL" "EXTERNO" "PRODUCCION CARTON MC" ...
## $ SALARIO.DIARIO.IMSS : num 177 177 177 337 441 ...
## $ FACTOR.CRED.INFONAVIT: num 0 0 0 0 0 0 0 0 0 0 ...
## $ N..CREDITO.INFONAVIT : int 0 0 0 0 0 0 0 0 0 0 ...
## $ LUGAR.DE.NACIMIENTO : chr "NUEVO LEON" "NUEVO LEON" "NUEVO LEON" "NUEVO LEON" ...
## $ CURP : chr "MALN550910HZSRRC09" "LEMM790514MCLNRR09" "HECL491121HJCRRS04" "CAMM900501MVZZRR00" ...
## $ CALLE : chr "JOSE I LUGO" "AGUSTIN LARA" "HACIENDA SAN CRISTOBAL" "RIO ACAPONETA" ...
## $ NUMERO.INTERNO : chr "234" "115" "13" "234" ...
## $ COLONIA : chr "UNIDAD LABORAL" "SANTA TERESITA" "VILLAS DE HUINALA" "PUEBLO NUEVO" ...
## $ MUNICIPIO : chr "SAN NICOLAS DE LOS GARZA" "APODACA" "APODACA" "APODACA" ...
## $ ESTADO : chr "NUEVO LEON" "NUEVO LEON" "NUEVO LEON" "NUEVO LEON" ...
## $ CODIGO.POSTAL : int 66440 66605 66634 66649 66620 25016 66633 66649 25290 66473 ...
## $ ESTADO.CIVIL : chr "SOLTERO/A" "SOLTERO/A" "SOLTERO/A" "CASADO/A" ...
## $ TARJETA.CUENTA : chr "BANORTE" "BANORTE" "BANORTE" "BANORTE" ...
## $ X : logi NA NA NA NA NA NA ...
## $ X.1 : logi NA NA NA NA NA NA ...Eliminar N/A´s
Se eliminan los N/A´s para evitar datos no precisos o erroneos.
sum(is.na(colab))## [1] 226Eliminar duplicados
Se eliminan valores duplicados para evitar no tener datos no organizados.
colab1<-colab
colab1<-distinct(colab1)Eliminar Columnas
Se eliminan columnas para evitar tener información innecesaria en las bases de datos.
colab2<-colab1
colab2 <- subset(colab2, select =-c (NOMBRE))
colab2 <- subset(colab2, select =-c (APELLIDOS))
colab2 <- subset(colab2, select =-c (RFC))
colab2 <- subset(colab2, select =-c (CUARTO.MES))
colab2 <- subset(colab2, select =-c (FACTOR.CRED.INFONAVIT))
colab2 <- subset(colab2, select =-c (CURP))
colab2 <- subset(colab2, select =-c (CALLE))
colab2 <- subset(colab2, select =-c (NUMERO.INTERNO))
colab2 <- subset(colab2, select =-c (TARJETA.CUENTA))
summary(colab2)## No..De.Empleado FECHA.DE.NACIMIENTO EDAD GENERO
## Min. : 1.00 Length:113 Min. : 0.00 Length:113
## 1st Qu.: 31.00 Class :character 1st Qu.:25.00 Class :character
## Median : 63.00 Mode :character Median :33.00 Mode :character
## Mean : 75.86 Mean :35.74
## 3rd Qu.:127.00 3rd Qu.:45.00
## Max. :169.00 Max. :73.00
## FECHA.DE.ALTA PRIMER.MES BAJA PUESTO
## Length:113 Length:113 Min. :0.0000 Length:113
## Class :character Class :character 1st Qu.:0.0000 Class :character
## Mode :character Mode :character Median :0.0000 Mode :character
## Mean :0.3451
## 3rd Qu.:0.0000
## Max. :3.0000
## DEPARTAMENTO SALARIO.DIARIO.IMSS N..CREDITO.INFONAVIT
## Length:113 Min. :144.4 Min. :0.000e+00
## Class :character 1st Qu.:176.7 1st Qu.:0.000e+00
## Mode :character Median :180.7 Median :0.000e+00
## Mean :181.2 Mean :6.770e+07
## 3rd Qu.:180.7 3rd Qu.:0.000e+00
## Max. :441.4 Max. :1.922e+09
## LUGAR.DE.NACIMIENTO COLONIA MUNICIPIO ESTADO
## Length:113 Length:113 Length:113 Length:113
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## CODIGO.POSTAL ESTADO.CIVIL X X.1
## Min. :25016 Length:113 Mode:logical Mode:logical
## 1st Qu.:66640 Class :character NA's:113 NA's:113
## Median :66646 Mode :character
## Mean :63365
## 3rd Qu.:66649
## Max. :67493Escalas de variables
variables <- c(
"No.De.Empleado",
"APELLIDOS",
"NOMBRE",
"FECHA.DE.NACIMIENTO",
"EDAD",
"GENERO",
"RFC",
"FECHA.DE.ALTA",
"PRIMER.MES",
"CUARTO.MES",
"BAJA",
"PUESTO",
"DEPARTAMENTO",
"SALARIO.DIARIO.IMSS",
"FACTOR.CRED.INFONAVIT",
"N.CREDITO.INFONAVIT",
"LUGAR.DE.NACIMIENTO",
"CURP",
"CALLE",
"NUMERO.INTERNO",
"COLONIA",
"MUNICIPIO",
"ESTADO",
"CODIGO.POSTAL",
"ESTADO.CIVIL",
"TARJETA.CUENTA"
)
tipos <- c(
"Cuantitativo",
"Cualitativo",
"Cualitativo",
"Cualitativo",
"Cuantitativo",
"Cualitativo",
"Cualitativo",
"Cuantitativo",
"Cuantitativo",
"Cuantitativo",
"Cuantitativo",
"Cualitativo",
"Cualitativo",
"Cuantitativo",
"Cuantitativo",
"Cualitativo",
"Cualitativo",
"Cualitativo",
"Cualitativo",
"Cuantitativo",
"Cualitativo",
"Cualitativo",
"Cualitativo",
"Cuantitativo",
"Cualitativo",
"Cualitativo"
)
escalas <- c(
"Intervalo",
"Nominal",
"Nominal",
"Intervalo",
"Intervalo",
"Nominal",
"Nominal",
"Razón",
"Razón",
"Razón",
"Razón",
"Ordinal",
"Nominal",
"Razón",
"Razón",
"Nominal",
"Nominal",
"Nominal",
"Nominal",
"Razón",
"Nominal",
"Nominal",
"Nominal",
"Ordinal",
"Nominal",
"Nominal"
)
tablecolaboradores <- data.frame (variables, tipos, escalas)
knitr::kable(tablecolaboradores)| variables | tipos | escalas |
|---|---|---|
| No.De.Empleado | Cuantitativo | Intervalo |
| APELLIDOS | Cualitativo | Nominal |
| NOMBRE | Cualitativo | Nominal |
| FECHA.DE.NACIMIENTO | Cualitativo | Intervalo |
| EDAD | Cuantitativo | Intervalo |
| GENERO | Cualitativo | Nominal |
| RFC | Cualitativo | Nominal |
| FECHA.DE.ALTA | Cuantitativo | Razón |
| PRIMER.MES | Cuantitativo | Razón |
| CUARTO.MES | Cuantitativo | Razón |
| BAJA | Cuantitativo | Razón |
| PUESTO | Cualitativo | Ordinal |
| DEPARTAMENTO | Cualitativo | Nominal |
| SALARIO.DIARIO.IMSS | Cuantitativo | Razón |
| FACTOR.CRED.INFONAVIT | Cuantitativo | Razón |
| N.CREDITO.INFONAVIT | Cualitativo | Nominal |
| LUGAR.DE.NACIMIENTO | Cualitativo | Nominal |
| CURP | Cualitativo | Nominal |
| CALLE | Cualitativo | Nominal |
| NUMERO.INTERNO | Cuantitativo | Razón |
| COLONIA | Cualitativo | Nominal |
| MUNICIPIO | Cualitativo | Nominal |
| ESTADO | Cualitativo | Nominal |
| CODIGO.POSTAL | Cuantitativo | Ordinal |
| ESTADO.CIVIL | Cualitativo | Nominal |
| TARJETA.CUENTA | Cualitativo | Nominal |
Tabla de Frecuencia
Esta tabla de frecuencia representa el valor decimal del salario diario de acuerdo al género, es decir, la cantidad de empleados en valor decimal que reciben cierto salario diario de acuerdo a su género.
#install.packages('epiDisplay')
library(epiDisplay)## Loading required package: MASS##
## Attaching package: 'MASS'## The following object is masked from 'package:olsrr':
##
## cement## The following object is masked from 'package:dplyr':
##
## select## Loading required package: nnet##
## Attaching package: 'epiDisplay'## The following object is masked from 'package:gmodels':
##
## ci## The following object is masked from 'package:lmtest':
##
## lrtest## The following object is masked from 'package:jtools':
##
## summ## The following objects are masked from 'package:psych':
##
## alpha, cs, lookup## The following object is masked from 'package:lattice':
##
## dotplot## The following object is masked from 'package:ggplot2':
##
## alphatab1(colab2$GENERO, colab2$SALARIO.DIARIO.IMSS, sort.group = "decreasing", cum.percent = TRUE, main = "Distribución de Colaboradores por Genero")
## colab2$GENERO :
## Frequency Percent Cum. percent
## [1,] 61 53.9823 53.9823
## [2,] 52 46.0177 100.0000
## [3,] 61 53.9823 53.9823
## [4,] 52 46.0177 100.0000
## [5,] 61 53.9823 53.9823
## [6,] 52 46.0177 100.0000
## [7,] 61 53.9823 53.9823
## [8,] 52 46.0177 100.0000
## [9,] 61 53.9823 53.9823
## [10,] 52 46.0177 100.0000
## [11,] 61 53.9823 53.9823
## [12,] 52 46.0177 100.0000
## [13,] 61 53.9823 53.9823
## [14,] 52 46.0177 100.0000
## [15,] 61 53.9823 53.9823
## [16,] 52 46.0177 100.0000
## [17,] 61 53.9823 53.9823
## [18,] 52 46.0177 100.0000
## [19,] 61 53.9823 53.9823
## [20,] 52 46.0177 100.0000
## [21,] 61 53.9823 53.9823
## [22,] 52 46.0177 100.0000
## [23,] 61 53.9823 53.9823
## [24,] 52 46.0177 100.0000
## [25,] 61 53.9823 53.9823
## [26,] 52 46.0177 100.0000
## [27,] 61 53.9823 53.9823
## [28,] 52 46.0177 100.0000
## [29,] 61 53.9823 53.9823
## [30,] 52 46.0177 100.0000
## [31,] 61 53.9823 53.9823
## [32,] 52 46.0177 100.0000
## [33,] 61 53.9823 53.9823
## [34,] 52 46.0177 100.0000
## [35,] 61 53.9823 53.9823
## [36,] 52 46.0177 100.0000
## [37,] 61 53.9823 53.9823
## [38,] 52 46.0177 100.0000
## [39,] 61 53.9823 53.9823
## [40,] 52 46.0177 100.0000
## [41,] 61 53.9823 53.9823
## [42,] 52 46.0177 100.0000
## [43,] 61 53.9823 53.9823
## [44,] 52 46.0177 100.0000
## [45,] 61 53.9823 53.9823
## [46,] 52 46.0177 100.0000
## [47,] 61 53.9823 53.9823
## [48,] 52 46.0177 100.0000
## [49,] 61 53.9823 53.9823
## [50,] 52 46.0177 100.0000
## [51,] 61 53.9823 53.9823
## [52,] 52 46.0177 100.0000
## [53,] 61 53.9823 53.9823
## [54,] 52 46.0177 100.0000
## [55,] 61 53.9823 53.9823
## [56,] 52 46.0177 100.0000
## [57,] 61 53.9823 53.9823
## [58,] 52 46.0177 100.0000
## [59,] 61 53.9823 53.9823
## [60,] 52 46.0177 100.0000
## [61,] 61 53.9823 53.9823
## [62,] 52 46.0177 100.0000
## [63,] 61 53.9823 53.9823
## [64,] 52 46.0177 100.0000
## [65,] 61 53.9823 53.9823
## [66,] 52 46.0177 100.0000
## [67,] 61 53.9823 53.9823
## [68,] 52 46.0177 100.0000
## [69,] 61 53.9823 53.9823
## [70,] 52 46.0177 100.0000
## [71,] 61 53.9823 53.9823
## [72,] 52 46.0177 100.0000
## [73,] 61 53.9823 53.9823
## [74,] 52 46.0177 100.0000
## [75,] 61 53.9823 53.9823
## [76,] 52 46.0177 100.0000
## [77,] 61 53.9823 53.9823
## [78,] 52 46.0177 100.0000
## [79,] 61 53.9823 53.9823
## [80,] 52 46.0177 100.0000
## [81,] 61 53.9823 53.9823
## [82,] 52 46.0177 100.0000
## [83,] 61 53.9823 53.9823
## [84,] 52 46.0177 100.0000
## [85,] 61 53.9823 53.9823
## [86,] 52 46.0177 100.0000
## [87,] 61 53.9823 53.9823
## [88,] 52 46.0177 100.0000
## [89,] 61 53.9823 53.9823
## [90,] 52 46.0177 100.0000
## [91,] 61 53.9823 53.9823
## [92,] 52 46.0177 100.0000
## [93,] 61 53.9823 53.9823
## [94,] 52 46.0177 100.0000
## [95,] 61 53.9823 53.9823
## [96,] 52 46.0177 100.0000
## [97,] 61 53.9823 53.9823
## [98,] 52 46.0177 100.0000
## [99,] 61 53.9823 53.9823
## [100,] 52 46.0177 100.0000
## [101,] 61 53.9823 53.9823
## [102,] 52 46.0177 100.0000
## [103,] 61 53.9823 53.9823
## [104,] 52 46.0177 100.0000
## [105,] 61 53.9823 53.9823
## [106,] 52 46.0177 100.0000
## [107,] 61 53.9823 53.9823
## [108,] 52 46.0177 100.0000
## [109,] 61 53.9823 53.9823
## [110,] 52 46.0177 100.0000
## [111,] 61 53.9823 53.9823
## [112,] 52 46.0177 100.0000
## [113,] 61 53.9823 53.9823
## [114,] 6389 100.0000 100.0000Sección 2. Análisis Exploratorio
Tabla Media, Mediana y Desviación Estandar
describe(colab2)## # A tibble: 6 × 26
## described_v…¹ n na mean sd se_mean IQR skewn…² kurto…³ p00
## <chr> <int> <int> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 No..De.Emple… 113 0 7.59e+1 5.39e+1 5.07e+0 96 0.400 -1.24 1
## 2 EDAD 113 0 3.57e+1 1.33e+1 1.25e+0 20 0.398 -0.310 0
## 3 BAJA 113 0 3.45e-1 9.61e-1 9.04e-2 0 2.45 4.05 0
## 4 SALARIO.DIAR… 113 0 1.81e+2 3.47e+1 3.27e+0 3.96 4.93 31.6 144.
## 5 N..CREDITO.I… 113 0 6.77e+7 3.55e+8 3.34e+7 0 5.10 24.4 0
## 6 CODIGO.POSTAL 113 0 6.34e+4 1.12e+4 1.05e+3 9 -3.14 8.01 25016
## # … with 16 more variables: p01 <dbl>, p05 <dbl>, p10 <dbl>, p20 <dbl>,
## # p25 <dbl>, p30 <dbl>, p40 <dbl>, p50 <dbl>, p60 <dbl>, p70 <dbl>,
## # p75 <dbl>, p80 <dbl>, p90 <dbl>, p95 <dbl>, p99 <dbl>, p100 <dbl>, and
## # abbreviated variable names ¹described_variables, ²skewness, ³kurtosiscount(colab2, GENERO, sort = TRUE)## GENERO n
## 1 FEMENINO 61
## 2 MASCULINO 52count(colab2, PUESTO, sort = TRUE)## PUESTO n
## 1 AYUDANTE GENERAL 67
## 2 COSTURERO/A 10
## 3 CHOFER 5
## 4 SOLDADOR 5
## 5 RESIDENTE 4
## 6 SUPERVISOR/A 4
## 7 EXTERNO 2
## 8 INSPECTOR/A DE CALIDAD 2
## 9 OPERADOR 2
## 10 AYUDANTE DE MANTENIMIENTO 1
## 11 ENFERMERO/A 1
## 12 GESTOR 1
## 13 GUARDIA DE SEGURIDAD 1
## 14 LIDER 1
## 15 LIMPIEZA 1
## 16 MANTENIMIENTO 1
## 17 MONTACARGUISTA 1
## 18 MOZO 1
## 19 PINTOR 1
## 20 RECIBO 1
## 21 SERVICIO AL CLIENTE 1count(colab2, DEPARTAMENTO, sort = TRUE)## DEPARTAMENTO n
## 1 VARIOS 40
## 2 PRODUCCION RETORN 10
## 3 COSTURA 9
## 4 CEDIS 8
## 5 PRODUCCION CARTON MDL 7
## 6 STABILUS 7
## 7 PRODUCCION CARTON MC 5
## 8 EMBARQUES 4
## 9 PAILERIA 4
## 10 TROQUEL 4
## 11 CELDAS 3
## 12 EHS 3
## 13 CALIDAD 2
## 14 EXTERNO 2
## 15 AY FLEXO 1
## 16 CORTADORAS 1
## 17 LIMPIEZA 1
## 18 MATERIALES 1
## 19 ROTATIVA 1count(colab2, SALARIO.DIARIO.IMSS, sort = TRUE)## SALARIO.DIARIO.IMSS n
## 1 180.68 59
## 2 176.72 23
## 3 151.61 11
## 4 151.67 5
## 5 144.45 3
## 6 152.86 1
## 7 175.79 1
## 8 181.68 1
## 9 184.68 1
## 10 185.68 1
## 11 208.65 1
## 12 240.71 1
## 13 240.75 1
## 14 260.01 1
## 15 279.61 1
## 16 337.05 1
## 17 441.37 1count(colab2, LUGAR.DE.NACIMIENTO, sort = TRUE)## LUGAR.DE.NACIMIENTO n
## 1 NUEVO LEON 79
## 2 VERACRUZ 12
## 3 COAHUILA 5
## 4 SAN LUIS POTOSI 3
## 5 TAMAULIPAS 3
## 6 CHIAPAS 2
## 7 CIUDAD DE MEXICO 2
## 8 DURANGO 2
## 9 GUANAJUATO 1
## 10 HONDURAS 1
## 11 QUINTANA ROO 1
## 12 TABASCO 1
## 13 ZACATECAS 1tibble(colab2)## # A tibble: 113 × 19
## No..De.Em…¹ FECHA…² EDAD GENERO FECHA…³ PRIME…⁴ BAJA PUESTO DEPAR…⁵ SALAR…⁶
## <int> <chr> <int> <chr> <chr> <chr> <int> <chr> <chr> <dbl>
## 1 1 10/09/… 67 MASCU… 01/07/… 31/07/… 0 SUPER… PRODUC… 177.
## 2 2 14/05/… 43 FEMEN… 01/07/… 31/07/… 0 SUPER… PRODUC… 177.
## 3 3 21/11/… 73 MASCU… 22/11/… 22/12/… 0 EXTER… EXTERNO 177.
## 4 4 01/05/… 32 FEMEN… 30/01/… 01/03/… 0 SUPER… PRODUC… 337.
## 5 5 06/09/… 57 FEMEN… 05/05/… 04/06/… 0 SUPER… COSTURA 441.
## 6 6 22/06/… 38 MASCU… 03/07/… 02/08/… 0 SERVI… CEDIS 177.
## 7 7 01/07/… 55 FEMEN… 06/08/… 05/09/… 0 COSTU… COSTURA 260.
## 8 8 10/12/… 26 MASCU… 23/08/… 22/09/… 0 AYUDA… PRODUC… 241.
## 9 9 03/11/… 27 MASCU… 11/01/… 10/02/… 0 AYUDA… CEDIS 177.
## 10 10 18/08/… 37 FEMEN… 20/02/… 22/03/… 0 COSTU… COSTURA 153.
## # … with 103 more rows, 9 more variables: N..CREDITO.INFONAVIT <int>,
## # LUGAR.DE.NACIMIENTO <chr>, COLONIA <chr>, MUNICIPIO <chr>, ESTADO <chr>,
## # CODIGO.POSTAL <int>, ESTADO.CIVIL <chr>, X <lgl>, X.1 <lgl>, and
## # abbreviated variable names ¹No..De.Empleado, ²FECHA.DE.NACIMIENTO,
## # ³FECHA.DE.ALTA, ⁴PRIMER.MES, ⁵DEPARTAMENTO, ⁶SALARIO.DIARIO.IMSSEn esta primera parte del análisis estadístico descriptivo, vemos que el conteo total de empleados actuales es de 113 y hay un mayor número de mujeres (54%) contra empleados que son hombres (46%).
En cuanto a los puestos, vemos que existe una gran cantidad de ayudantes generales, pues es el puesto que ocupa mayor capital humano, contra aquellos que ocupan menos que van desde servicio al cliente hasta operadores.
Entre los departamentos con mayor cantidad de empleados, vemos que está varios y producción retorno. El departamento de “Varios” fue creado para catalogar a aquellos empleados que en la base de datos no tenían definida un área en concreto.
Vemos que la mayoría de los empleados ganan $180.68 pesos de salario diario por el IMSS y de todos los empleados, se calcula que tienen un promedio de salario diario de $236.62 pesos.
En cuanto al lugar de origen, vemos que la mayoría de los empleados provienen del Estado de Nuevo León (70%) y Veracruz (11%), viendo que el 19% restante de los empleados son provenientes de Zona Centro o estados colidantes de Nuevo León.
Aqui la variable que más nos interesa es la media de las bajas totales que hay dentro de FORM.
tablecolaboradores<-describe(colab2)
knitr::kable(tablecolaboradores)| described_variables | n | na | mean | sd | se_mean | IQR | skewness | kurtosis | p00 | p01 | p05 | p10 | p20 | p25 | p30 | p40 | p50 | p60 | p70 | p75 | p80 | p90 | p95 | p99 | p100 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| No..De.Empleado | 113 | 0 | 7.585841e+01 | 5.387649e+01 | 5.068274e+00 | 96.00 | 0.3996039 | -1.243295 | 1.00 | 2.12 | 6.60 | 12.20 | 24.40 | 31.00 | 36.60 | 47.80 | 63.00 | 79.40 | 110.20 | 127.00 | 143.20 | 157.80 | 163.400 | 1.678800e+02 | 1.69000e+02 |
| EDAD | 113 | 0 | 3.574336e+01 | 1.328585e+01 | 1.249828e+00 | 20.00 | 0.3976708 | -0.310438 | 0.00 | 18.12 | 19.00 | 20.00 | 23.00 | 25.00 | 27.00 | 29.80 | 33.00 | 38.00 | 42.40 | 45.00 | 49.00 | 55.00 | 57.400 | 6.616000e+01 | 7.30000e+01 |
| BAJA | 113 | 0 | 3.451327e-01 | 9.614898e-01 | 9.044940e-02 | 0.00 | 2.4455291 | 4.052025 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 3.00 | 3.000 | 3.000000e+00 | 3.00000e+00 |
| SALARIO.DIARIO.IMSS | 113 | 0 | 1.811764e+02 | 3.473107e+01 | 3.267225e+00 | 3.96 | 4.9257214 | 31.555773 | 144.45 | 144.45 | 151.61 | 151.61 | 176.72 | 176.72 | 176.72 | 180.68 | 180.68 | 180.68 | 180.68 | 180.68 | 180.68 | 180.68 | 221.474 | 3.301572e+02 | 4.41370e+02 |
| N..CREDITO.INFONAVIT | 113 | 0 | 6.769777e+07 | 3.549686e+08 | 3.339264e+07 | 0.00 | 5.0965722 | 24.407079 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.000 | 1.912205e+09 | 1.92159e+09 |
| CODIGO.POSTAL | 113 | 0 | 6.336474e+04 | 1.120189e+04 | 1.053785e+03 | 9.00 | -3.1379797 | 8.012458 | 25016.00 | 25091.24 | 25901.20 | 64845.60 | 66633.40 | 66640.00 | 66643.00 | 66646.00 | 66646.00 | 66646.00 | 66648.00 | 66649.00 | 66671.80 | 67117.00 | 67256.200 | 6.726700e+04 | 6.74930e+04 |
Gráficas de Dispersión
Dentro de esta gráfica de dispersión se ven en promedio que las edades no afectan en el parametro del salario diario, se muestran que hay algúnos datos fuera de la media pero se denota una estabilidad de los datos.
plot(x=colab2$SALARIO.DIARIO.IMSS , y=colab2$EDAD,
xlab= "Salario Diario", ylab="Edad",
main="Dispersión de Edad con Salario")
RH Bajas
Sección 1. Limpieza de datos, Transformación y Entendimiento (1-4)
Para estas dos bases de datos, se utilizaron la eliminación de N/A´s, cambio de nombre y quitar columnas de nuestra base de datos para poder utilizarlas de la manera más adecuada.
### Importar base de datos
bajas <-read.csv("C:\\Users\\danyc\\Downloads\\HR_Bajas 2.csv")Variables y Registros
summary(bajas)## NO.DE.BAJAS APELLIDOS NOMBRE FECHA.DE.NACIMIENTO
## Min. : 5.00 Length:78 Length:78 Min. :25585
## 1st Qu.: 49.75 Class :character Class :character 1st Qu.:31751
## Median :167.50 Mode :character Mode :character Median :33797
## Mean :139.60 Mean :33611
## 3rd Qu.:212.75 3rd Qu.:36519
## Max. :238.00 Max. :44632
## EDAD GENERO FECHA.DE.ALTA MOTIVO.DE.BAJA
## Min. : 0.00 Length:78 Min. :43961 Length:78
## 1st Qu.:22.25 Class :character 1st Qu.:44567 Class :character
## Median :30.00 Mode :character Median :44726 Mode :character
## Mean :30.50 Mean :44664
## 3rd Qu.:36.00 3rd Qu.:44759
## Max. :52.00 Max. :44790
## DIAS.TRABAJADOS BAJA PUESTO DEPARTAMENTO
## Min. : 0.00 Min. :44569 Length:78 Length:78
## 1st Qu.: 9.00 1st Qu.:44613 Class :character Class :character
## Median : 19.00 Median :44741 Mode :character Mode :character
## Mean : 45.10 Mean :44709
## 3rd Qu.: 39.75 3rd Qu.:44784
## Max. :730.00 Max. :44814
## NO.SEGURO.SOCIAL SALARIO.DIARIO.IMSS FACTOR.CRED.INFONAVIT
## Length:78 Min. :151.6 Min. : 0.0
## Class :character 1st Qu.:180.7 1st Qu.: 0.0
## Mode :character Median :180.7 Median : 0.0
## Mean :174.3 Mean : 130.4
## 3rd Qu.:180.7 3rd Qu.: 0.0
## Max. :183.7 Max. :2795.3
## NO.CREDITO.INFONAVIT LUGAR.DE.NACIMIENTO CURP CALLE
## Min. :0.000e+00 Length:78 Length:78 Length:78
## 1st Qu.:0.000e+00 Class :character Class :character Class :character
## Median :0.000e+00 Mode :character Mode :character Mode :character
## Mean :1.871e+08
## 3rd Qu.:0.000e+00
## Max. :6.919e+09
## NUMERO.INTERNO COLONIA CODIGO.POSTAL MUNICIPIO
## Length:78 Length:78 Min. :25019 Length:78
## Class :character Class :character 1st Qu.:33604 Class :character
## Mode :character Mode :character Median :33604 Mode :character
## Mean :46508
## 3rd Qu.:66645
## Max. :67450
## ESTADO ESTADO.CIVIL TARJETA.CUENTA
## Length:78 Length:78 Length:78
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
## ¿Cuántos NA’s tengo en la base de datos?
sum(is.na(bajas))## [1] 0Borrar todos los registros NA’s de una tabla
bajas2<-bajas
bajas2<-na.omit(bajas2)
summary(bajas2)## NO.DE.BAJAS APELLIDOS NOMBRE FECHA.DE.NACIMIENTO
## Min. : 5.00 Length:78 Length:78 Min. :25585
## 1st Qu.: 49.75 Class :character Class :character 1st Qu.:31751
## Median :167.50 Mode :character Mode :character Median :33797
## Mean :139.60 Mean :33611
## 3rd Qu.:212.75 3rd Qu.:36519
## Max. :238.00 Max. :44632
## EDAD GENERO FECHA.DE.ALTA MOTIVO.DE.BAJA
## Min. : 0.00 Length:78 Min. :43961 Length:78
## 1st Qu.:22.25 Class :character 1st Qu.:44567 Class :character
## Median :30.00 Mode :character Median :44726 Mode :character
## Mean :30.50 Mean :44664
## 3rd Qu.:36.00 3rd Qu.:44759
## Max. :52.00 Max. :44790
## DIAS.TRABAJADOS BAJA PUESTO DEPARTAMENTO
## Min. : 0.00 Min. :44569 Length:78 Length:78
## 1st Qu.: 9.00 1st Qu.:44613 Class :character Class :character
## Median : 19.00 Median :44741 Mode :character Mode :character
## Mean : 45.10 Mean :44709
## 3rd Qu.: 39.75 3rd Qu.:44784
## Max. :730.00 Max. :44814
## NO.SEGURO.SOCIAL SALARIO.DIARIO.IMSS FACTOR.CRED.INFONAVIT
## Length:78 Min. :151.6 Min. : 0.0
## Class :character 1st Qu.:180.7 1st Qu.: 0.0
## Mode :character Median :180.7 Median : 0.0
## Mean :174.3 Mean : 130.4
## 3rd Qu.:180.7 3rd Qu.: 0.0
## Max. :183.7 Max. :2795.3
## NO.CREDITO.INFONAVIT LUGAR.DE.NACIMIENTO CURP CALLE
## Min. :0.000e+00 Length:78 Length:78 Length:78
## 1st Qu.:0.000e+00 Class :character Class :character Class :character
## Median :0.000e+00 Mode :character Mode :character Mode :character
## Mean :1.871e+08
## 3rd Qu.:0.000e+00
## Max. :6.919e+09
## NUMERO.INTERNO COLONIA CODIGO.POSTAL MUNICIPIO
## Length:78 Length:78 Min. :25019 Length:78
## Class :character Class :character 1st Qu.:33604 Class :character
## Mode :character Mode :character Median :33604 Mode :character
## Mean :46508
## 3rd Qu.:66645
## Max. :67450
## ESTADO ESTADO.CIVIL TARJETA.CUENTA
## Length:78 Length:78 Length:78
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
## Eliminar columnas
bajas3<-bajas2
bajas3 <- subset(bajas3, select =-c (APELLIDOS))
bajas3 <- subset(bajas3, select =-c (NOMBRE))
bajas3 <- subset(bajas3, select =-c (FACTOR.CRED.INFONAVIT))
bajas3 <- subset(bajas3, select =-c (CURP))
bajas3 <- subset(bajas3, select =-c (CALLE))
bajas3 <- subset(bajas3, select =-c (NUMERO.INTERNO))
bajas3 <- subset(bajas3, select =-c (TARJETA.CUENTA))¿Cuántos NA’s tengo en la base de datos?
sum(is.na(bajas3))## [1] 0Nota: Con los datos presentados anteriormente, vemos que la edad promedio de los colaboradores es de 35 años, además de que ganan un promedio de $180 pesos.
Clasificación de Variables
variables <- c("No de bajas",
"FECHA.DE.NACIMIENTO",
"EDAD",
"GENERO",
"FECHA.DE.ALTA",
"Motivo de Baja",
"Dias Trabajados",
"BAJA",
"PUESTO",
"Departamento",
"Seguro Social",
"SALARIO.DIARIO.IMSS",
"N..CREDITO.INFONAVIT",
"LUGAR.DE.NACIMIENTO",
"COLONIA",
"CODIGO.POSTAL",
"MUNICIPIO",
"ESTADO",
"ESTADO.CIVIL")
tipos <- c("Cuantitativo",
"Cualitativo",
"Cuantitativo",
"Cualitativo",
"Cuantitativo",
"Cualitativo",
"Cuantitativo",
"Cuantitativo",
"cualitativo",
"Cualitativo",
"Cualitativo",
"Cuantitativo",
"Cualitativo",
"Cualitativo",
"Cualitativo",
"Cuantitativo",
"Cualitativo",
"Cualitativo",
"Cualitativo")
escalas <- c("Intervalo",
"Nominal",
"Intervalo",
"Nominal",
"Razón",
"Nominal",
"Razón",
"Razón",
"Ordinal",
"Nominal",
"Nominal",
"Razon",
"Nominal",
"Nominal",
"Nominal",
"Ordinaria",
"Nominal",
"Nominal",
"Nominal")
tablebajas <- data.frame (variables, tipos, escalas)
knitr::kable(tablebajas)| variables | tipos | escalas |
|---|---|---|
| No de bajas | Cuantitativo | Intervalo |
| FECHA.DE.NACIMIENTO | Cualitativo | Nominal |
| EDAD | Cuantitativo | Intervalo |
| GENERO | Cualitativo | Nominal |
| FECHA.DE.ALTA | Cuantitativo | Razón |
| Motivo de Baja | Cualitativo | Nominal |
| Dias Trabajados | Cuantitativo | Razón |
| BAJA | Cuantitativo | Razón |
| PUESTO | cualitativo | Ordinal |
| Departamento | Cualitativo | Nominal |
| Seguro Social | Cualitativo | Nominal |
| SALARIO.DIARIO.IMSS | Cuantitativo | Razon |
| N..CREDITO.INFONAVIT | Cualitativo | Nominal |
| LUGAR.DE.NACIMIENTO | Cualitativo | Nominal |
| COLONIA | Cualitativo | Nominal |
| CODIGO.POSTAL | Cuantitativo | Ordinaria |
| MUNICIPIO | Cualitativo | Nominal |
| ESTADO | Cualitativo | Nominal |
| ESTADO.CIVIL | Cualitativo | Nominal |
Sección 2. Análisis Exploratorio
Media, Mediana y Std. Deviation
median(bajas3$DIAS.TRABAJADOS, na.rm = TRUE)## [1] 19mean(bajas3$DIAS.TRABAJADOS, na.rm = TRUE)## [1] 45.10256sd(bajas3$DIAS.TRABAJADOS, na.rm = FALSE)## [1] 90.92691Variable<-c("Dias Trabajados")
Mediana<-c("19")
Media <- c("45")
Desviación_estandar<-c("90")
tablebaja <- tibble (Variable, Mediana , Media , Desviación_estandar)
knitr::kable(tablebaja)| Variable | Mediana | Media | Desviación_estandar |
|---|---|---|---|
| Dias Trabajados | 19 | 45 | 90 |
Graphs
Tabla Cruzada 1
En la tabla vemos que se destacan tres razones principales de bajas de empleados, las cuales son: bajas por faltas, renuncia voluntaria o término de contrato. En su mayoría, hubo una baja por faltas del puesto de ayudante general y renuncia voluntaria para el mismo puesto. Al igual que en la base de datos anterior, vemos que el puesto con mayor rotación a nivel histórico es de ayudante general. Esto sugiere que existe un alto número de contrataciones para el puesto debido a una mala gestión administrativa o bajo rendimiento de los empleados.
table(bajas3$PUESTO, bajas3$MOTIVO.DE.BAJA)##
## BAJA POR FALTAS RENUNCIA VOLUNTARIA
## AYUDANTE DE EMBARQUES 0 0
## AYUDANTE GENERAL 50 18
## COSTURERO/A 1 0
## GUARDIA DE SEGURIDAD 0 1
## INSPECTOR DE CALIDAD 1 0
## JEFE DE SEGURIDAD E HIGIENE 0 1
## MONTACARGUISTA 1 1
## RESIDENTE 1 0
## SOLDADOR 1 0
##
## TERMINO DE CONTRATO
## AYUDANTE DE EMBARQUES 1
## AYUDANTE GENERAL 1
## COSTURERO/A 0
## GUARDIA DE SEGURIDAD 0
## INSPECTOR DE CALIDAD 0
## JEFE DE SEGURIDAD E HIGIENE 0
## MONTACARGUISTA 0
## RESIDENTE 0
## SOLDADOR 0Tabla Cruzada 2
La tabla cruzada anterior nos muestra la relación entre los motivos de baja contra el género, es decir, las principales razones de baja de acuerdo al género de cada empleado. Vemos que hubo un total de 53 bajas del género femenino, destacando las bajas por faltas (representa un 75% de las bajas femeninas). Para el género masculino, hubo un total de 25 faltas, destacando principalmente las bajas por faltas (representa un 60% de las bajas masculinas).
table(bajas3$GENERO, bajas3$MOTIVO.DE.BAJA)##
## BAJA POR FALTAS RENUNCIA VOLUNTARIA TERMINO DE CONTRATO
## FEMENINO 40 12 1
## MASCULINO 15 9 1Gráficos de datos cuantitativos y cualitativos
La gráfica nos muestra que hay un mayor número de ex-empleados que viven en el Estado de Nuevo León. Sin embargo, hay un porcentaje que reside en Coahuila. Esto se puede interpretar con que hay un alto nivel de rotación existente debido a la lejanía de residencia de los empleados.
pie(table(bajas3$ESTADO), col=c("orange","coral1"),
main="Representación de bajas acorde al estado de residencia")
Gráfico de Pie
La anterior gráfica de pastel reafirma lo que mencionamos anteriormente. De acuerdo a las bajas realizadas, la mayoría de los ex-empleados son del género femenino.
pie(table(bajas3$GENERO), col=c("orange","coral1"),
main="Representación de bajas acorde al género")
Gráfica de dispersión
La gráfica de dispersión nos muestra la intensidad de relación entre la variable de días trabajados y número de bajas. Esto nos dice que hubo un alto número de bajas de empleados que trabajaron menos de 200 días, es decir, la mayoría de los ex-empleados estuvieron en FORM menos de 1 año.
plot(x= bajas3$NO.DE.BAJAS,
y=bajas3$DIAS.TRABAJADOS, main= "Numero de bajas en compración de los dias laborados", xlab= "Numero de Bajas", ylab= "Dias Trabajados")
Boxplot
La gráfica anterior nos muestra la correlación entre el género y el salario diario de los empleados. En este, entendemos que el género femenino tiene un salario diario total más alto que los de género masculino.
ggplot(bajas3, aes(GENERO,SALARIO.DIARIO.IMSS,fill=GENERO)) +
geom_bar(stat = "identity") +
scale_fill_brewer(palette = "Set2") + ggtitle("Salario diario por género")
Conclusiónes, Propuestas y Hallazgos Colaboradores y Bajas
Primero que nada, es bueno especificar la utilización de una buena limpieza de datos, como especifique anteriormente, pudimos notar una mejora en las bases de datos y la manipulación de ellas al no tener valores vacios dentro de nuestras bases de recursos humanos, esto tambien nos permitió generar insights importantes como: 1. Las mujeres ganan mejor que los hombres dentro de la empresa FORM 2. Las mujeres son las que más renuncian 3.Los empleados con menos de 200 días se vieron menos leales a la empresa
De aquí también surgieron distintos tipos de propuestas como:
1. Desglosar si las mujeres que renunciaron tienen familias y si es así
ver la manera en la cual se puedan dar banaficios para los hijos. 2.
Implementar un plan de motivadores desde que llega el primer empleado.
3. Hacer un plan touchpoints internos con los empleados para disminuir
la tasa de rotación.
Delivery Plan
Sección 1. Limpieza de datos, Transformación y Entendimiento (1-4)
Importar la base de datos
#file.choose()
delivery<-read.csv("C:\\Users\\danyc\\Downloads\\DELIVERY.csv")
summary(delivery)## ID_Fecha Fecha CLIENTE Pedidos
## Min. : 1.00 Length:228 Length:228 Min. : 0.0
## 1st Qu.: 3.75 Class :character Class :character 1st Qu.: 0.0
## Median : 6.50 Mode :character Mode :character Median : 0.0
## Mean : 6.50 Mean : 1703.1
## 3rd Qu.: 9.25 3rd Qu.: 233.8
## Max. :12.00 Max. :52779.0Notas:
1.Se hizo limpieza manual de la base de datos para acomodar los clientes como variables y las fechas como registros.
2.Se sustituyeron NAs por cero.
3.Se eliminaron columnas no usadas y que no agreegan valor para el analisis que se busca hacer.
Descargar librerías y paquetes
library(foreign)
library(dplyr)
library(forcats)
library(ggplot2)
library(readr)
library(janitor)
library(naniar)
library(dlookr)Variables y Registros
str(delivery)## 'data.frame': 228 obs. of 4 variables:
## $ ID_Fecha: int 1 1 1 1 1 1 1 1 1 1 ...
## $ Fecha : chr "31/01/22" "31/01/22" "31/01/22" "31/01/22" ...
## $ CLIENTE : chr "STB3" "STB 1" "YF RAMOS" "INOAC POLYTEC" ...
## $ Pedidos : int 481 0 227 0 400 328 393 0 8975 449 ...Contar total de pedidos por cliente
Contamos con 52,0281 pedidos
deliverySUM = colSums(delivery[4])
as.data.frame(deliverySUM)## deliverySUM
## Pedidos 388317Importar Base Clientes form
Con este plot podemos ver que hay muchos clientes con muy pocos pedidos.
#file.choose()
deliveryCLIENTS<-read.csv("C:\\Users\\danyc\\Downloads\\DeliveryCLIENTS.xlsx - Sheet1.csv")
summary(deliveryCLIENTS)## Fecha STB3 STB.1 YF.RAMOS
## Length:19 Min. : 0.0 Min. : 0.000 Min. : 0
## Class :character 1st Qu.: 13.5 1st Qu.: 0.000 1st Qu.: 54
## Mode :character Median : 200.0 Median : 0.000 Median : 100
## Mean : 297.1 Mean : 2.632 Mean : 211
## 3rd Qu.: 460.5 3rd Qu.: 0.000 3rd Qu.: 230
## Max. :1015.0 Max. :50.000 Max. :1243
## INOAC.POLYTEC MERIDIAN YANFENG.sm YFTO
## Min. : 0.000 Min. : 0 Min. : 0.00 Min. : 138.0
## 1st Qu.: 0.000 1st Qu.: 0 1st Qu.: 0.00 1st Qu.: 358.5
## Median : 0.000 Median : 0 Median : 41.00 Median : 628.0
## Mean : 2.684 Mean : 33 Mean : 95.05 Mean : 869.6
## 3rd Qu.: 0.000 3rd Qu.: 0 3rd Qu.:142.50 3rd Qu.: 871.5
## Max. :40.000 Max. :400 Max. :328.00 Max. :2556.0
## YF.QRO TRMX DENSO SEGROVE
## Min. : 0.000 Min. : 0 Min. : 0.0 Min. : 0.00
## 1st Qu.: 0.000 1st Qu.: 2822 1st Qu.: 150.5 1st Qu.: 0.00
## Median : 0.000 Median : 6240 Median : 372.0 Median : 0.00
## Mean : 2.737 Mean : 5796 Mean :1241.3 Mean : 38.74
## 3rd Qu.: 0.000 3rd Qu.: 8374 3rd Qu.:1083.0 3rd Qu.: 0.00
## Max. :36.000 Max. :11833 Max. :8834.0 Max. :736.00
## HANON ANTOLIN.TOLUCA ANTOLIN.ARTEAGA HELLA
## Min. : 0.00 Min. :0 Mode:logical Min. : 0
## 1st Qu.: 0.00 1st Qu.:0 NA's:19 1st Qu.: 4160
## Median : 0.00 Median :0 Median : 8580
## Mean : 21.58 Mean :0 Mean :15013
## 3rd Qu.: 0.00 3rd Qu.:0 3rd Qu.:21191
## Max. :360.00 Max. :0 Max. :52779
## UFI ISRI TRMX.1 ABC.QUERETARO VARROC
## Min. : 0.00 Min. : 0.0 Min. :0 Min. :0.0000 Min. : 0
## 1st Qu.: 0.00 1st Qu.: 0.0 1st Qu.:0 1st Qu.:0.0000 1st Qu.:2078
## Median : 0.00 Median : 0.0 Median :0 Median :0.0000 Median :3509
## Mean : 45.74 Mean : 157.9 Mean :0 Mean :0.4211 Mean :3555
## 3rd Qu.: 3.50 3rd Qu.: 0.0 3rd Qu.:0 3rd Qu.:0.0000 3rd Qu.:4974
## Max. :492.00 Max. :3000.0 Max. :0 Max. :8.0000 Max. :8810
## Total.pedidos.mes
## Length:19
## Class :character
## Mode :character
##
##
## deliveryCLIENTS = colSums(deliveryCLIENTS[2:21])
as.data.frame(deliveryCLIENTS)## deliveryCLIENTS
## STB3 5644
## STB.1 50
## YF.RAMOS 4009
## INOAC.POLYTEC 51
## MERIDIAN 627
## YANFENG.sm 1806
## YFTO 16522
## YF.QRO 52
## TRMX 110127
## DENSO 23584
## SEGROVE 736
## HANON 410
## ANTOLIN.TOLUCA 0
## ANTOLIN.ARTEAGA NA
## HELLA 285238
## UFI 869
## ISRI 3000
## TRMX.1 0
## ABC.QUERETARO 8
## VARROC 67548barplot.default(deliveryCLIENTS)
Técnica 1: eliminar NAs
Se decidió realizar está técnica para asegurarnos de que no se tenga falta de datos y en caso de tenerlos evitar que estas eviten tener un analisis asertivo al no agregar valor a la base de datos.
¿Cuantos NA tengo en la base de datos?
sum(is.na(delivery))## [1] 0¿Cuantos NA tengo por variable
Sapply: Para contar los NA. Se encontró un solo NA
sapply(delivery, function(x) sum(is.na(x)))## ID_Fecha Fecha CLIENTE Pedidos
## 0 0 0 0Técnica 2: eliminar filas
Se decidó realizar está técnica para eliminar los clientes que tienen menos de 5,000 pedidos.
Eliminar filas con el nombre de los clientes que se desean eliminar.
#delivery1 <- subset (delivery1, CLIENTE == "STB3") #Para conservar ciertas filas
delivery1<-delivery
delivery1<-delivery1[delivery1$CLIENTE!="STB 1", ]
delivery1<-delivery1[delivery1$CLIENTE!="YF RAMOS", ]
delivery1<-delivery1[delivery1$CLIENTE!="INOAC POLYTEC", ]
delivery1<-delivery1[delivery1$CLIENTE!="MERIDIAN", ]
delivery1<-delivery1[delivery1$CLIENTE!="YANFENG sm", ]
delivery1<-delivery1[delivery1$CLIENTE!="YF QRO", ]
delivery1<-delivery1[delivery1$CLIENTE!="SEGROVE", ]
delivery1<-delivery1[delivery1$CLIENTE!="HANON", ]
delivery1<-delivery1[delivery1$CLIENTE!="ANTOLIN TOLUCA", ]
delivery1<-delivery1[delivery1$CLIENTE!="ANTOLIN ARTEAGA", ]
delivery1<-delivery1[delivery1$CLIENTE!="ABC QUERETARO", ]
delivery1<-delivery1[delivery1$CLIENTE!="UFI", ]
delivery1<-delivery1[delivery1$CLIENTE!="ISRI", ]
summary(delivery1)## ID_Fecha Fecha CLIENTE Pedidos
## Min. : 1.00 Length:72 Length:72 Min. : 0
## 1st Qu.: 3.75 Class :character Class :character 1st Qu.: 99
## Median : 6.50 Mode :character Mode :character Median : 1009
## Mean : 6.50 Mean : 5339
## 3rd Qu.: 9.25 3rd Qu.: 5928
## Max. :12.00 Max. :52779Clasificación de Variables
Variable<-c("Fecha","STB3","YFTO", "TRMX", "DENSO","HELLA","VARROC","Total.pedidos.mes")
Type<-c("Cuantitativa (discreta)", "Cualitativa", "Cualitativa", "Cualitativa","Cualitativa","Cualitativa","Cualitativa","Cuantitativa (discreta)")
Measurement<-c("Razón","Nominal","Nominal","Nominal","Nominal","Nominal","Nominal","Razón")
table2<-tibble(Variable,Type,Measurement)
knitr::kable(table2)| Variable | Type | Measurement |
|---|---|---|
| Fecha | Cuantitativa (discreta) | Razón |
| STB3 | Cualitativa | Nominal |
| YFTO | Cualitativa | Nominal |
| TRMX | Cualitativa | Nominal |
| DENSO | Cualitativa | Nominal |
| HELLA | Cualitativa | Nominal |
| VARROC | Cualitativa | Nominal |
| Total.pedidos.mes | Cuantitativa (discreta) | Razón |
1. Análisis Estadístico Delivery Plan (5)
Graphs
Gráfica cualitativa
Con esta gráfica podemos darnos cuenta de los clientes que tienen mayores pedidos y en este caso es HELLA en primer lugar y TRMX en segundo lugar, lo cual nos indica que son los mejores clientes por inyectarle más flujo de compras a la empresa.
#install.packages("plyr")
library(plyr)## ------------------------------------------------------------------------------## You have loaded plyr after dplyr - this is likely to cause problems.
## If you need functions from both plyr and dplyr, please load plyr first, then dplyr:
## library(plyr); library(dplyr)## ------------------------------------------------------------------------------##
## Attaching package: 'plyr'## The following object is masked from 'package:crosstable':
##
## compact## The following objects are masked from 'package:Hmisc':
##
## is.discrete, summarize## The following objects are masked from 'package:dplyr':
##
## arrange, count, desc, failwith, id, mutate, rename, summarise,
## summarizedelivery2<-delivery1
delivery2<- aggregate(delivery2$Pedidos, by=list(category=delivery2$CLIENTE), FUN=sum)
pie(delivery2$`sum.delivery2$Pedidos`, labels = delivery2$category)
Gráfica cuantitativa
Esta gráfica sirve para tener de manera más visual el impacto que tiene cada uno de los clientes en la empresa FORM. Podemos ver que HELLA es el cliente más significativo con casi el triple de pedidos que el siguiente cliente con mayores pedidos, TRMX. De lado derecho se tiene un legend que muestra la tonalidad de los plots para ver que tantos pedidos tiene, por ello HELLAS tiene un color azul claro, representando más de 250,000 pedidos.
delivery2<-delivery2 %>% dplyr::rename(pedidos="sum.delivery2$Pedidos")
delivery2<-delivery2 %>% dplyr::rename(Clientes="category")
delivery2$Clientes<-as.factor(delivery2$Clientes)
ggplot(delivery2, aes(x=Clientes, y=pedidos, fill=pedidos))+
geom_bar(stat="identity")+
theme_minimal()+
labs(title="Pedidos por cliente")
Gráfica de líneas
Comportamiento de clientes por fecha Con esta gráfica utilizamos el ID Fecha para conocer los pedidos que se tiene por cliente cada mes y vemos un significativo incremento de pedidos en el mes de septiembre y octubre. contamos con un legend que indica cada línea con un color para nombrar la información de cada uno de los clientes.
summary(delivery1)## ID_Fecha Fecha CLIENTE Pedidos
## Min. : 1.00 Length:72 Length:72 Min. : 0
## 1st Qu.: 3.75 Class :character Class :character 1st Qu.: 99
## Median : 6.50 Mode :character Mode :character Median : 1009
## Mean : 6.50 Mean : 5339
## 3rd Qu.: 9.25 3rd Qu.: 5928
## Max. :12.00 Max. :52779ggplot(delivery1,aes(x=ID_Fecha, y=Pedidos, group=CLIENTE,colour=CLIENTE))+
geom_line()+
ggtitle("Comportamiento de clientes por fecha")
Boxplot
En esta gráfica podemos visualizar cuantos pedidos tiene programados cada cliente y los clientes que sobre salen son HELLA y TRMX, algo muy relevante en esta gráfica es que se muestra la moda de cada uno, así como también la minima de pedidos y la máxima, y en este caso no se tiene una dispersión por ninguno de los clientes.
boxplot(delivery1$Pedidos, main= "Pedidos")
delivery3<-delivery1
delivery3$CLIENTE <-as.factor(delivery3$CLIENTE)
ggplot(delivery3, aes(x=CLIENTE, y=Pedidos))+
geom_boxplot(color="blue", fill="purple")
Propuestas
- Hacer una predicción acerca de los pedidos mensuales por cliente para ver a cuales darles prioridades y beneficios que creen una lealtad hacía FORM.
Sección 2. Análisis Exploratorio
Tabla de Mediana, Media y St. Deviation
Dentro de Delivery, podemos ver una media de más de 5,000 lo cual nos indica una muy buena cantidad en promedio mensual y la desviación estandar de 10093 lo cual nos indica una dispersión igual a la mediana dentro del rango, no es muy significativo para este caso.
median(delivery1$Pedidos, na.rm = TRUE)## [1] 1009mean(delivery1$Pedidos, na.rm = TRUE)## [1] 5339.167sd(delivery1$Pedidos, na.rm = FALSE)## [1] 10093.19Variable<-c("Pedidos")
Mediana<-c("1009")
Media <- c("5339.16")
Desviación_estandar<-c("10093.19")
tableplan <- tibble (Variable, Mediana , Media , Desviación_estandar)
knitr::kable(tableplan)| Variable | Mediana | Media | Desviación_estandar |
|---|---|---|---|
| Pedidos | 1009 | 5339.16 | 10093.19 |
Graphs
Tabla de dispersión
Dentro de esta tabla podemos visualizar la cantidad de pedidos que se manejan mensualmente no tienen una variable tan amplia, por lo cual se mantiene estable durante el 2022, lo cual nos dice de un flujo siempre mayor a 0 durante los meses.
plot(x= delivery1$ID_Fecha, y= delivery1$Pedidos, col=delivery1$ID_Fecha)
Hallazgos
Para realizar el análisis de la base de datos de “Delivery Plan” fué necesario primero hacer un arreglo de la base de datos de manera manual en el excel. Estó para simplificar el uso de la base de datos y permitir que R pueda analizarla y extraer los datos para generar gráficas. Después aplicamos dos diferentes bases de datos, nos aseguramos de que no haya NAs y eliminamos filas que correspondían a los clientes que tenían menos de 5,000 pedidos. Nos quedamos con una base de datos con los 6 clientes más significativos para FORM. Continuamos identificando las variables en dónde 6 de 8 variables eran cualitativas al ser los clientes de FORM.
Graficamos una gráfica de Pie para identificar de manera visual los mayores clientes, los que vienen siendo HELLA y TRMX. También hicimos un “Barplot” para mostrar la cantidad de pedidos programados que tiene cada cliente, Hella siendo el cliente con mayor pedidos con más de 225,000 y TRMX siguiendo con 80,000. Decidimos también visualizar el comportamiento de los clientes según la fecha y nos dimos cuenta que entre el mes de septiembre y octubre hubo un incremento de pedidos establecidos. Y por último se realizó el “Boxplot” para de ese modo ver de manera precisa la moda de clos pedidos que suele hacer cada uno de los clientes.
Delivery Performance
library(foreign)
library(dplyr) # data manipulation
library(forcats) # to work with categorical variables
library(ggplot2) # data visualization
library(janitor) # data exploration and cleaning
#install.packages("Hmisc")
#library(Hmisc) # several useful functions for data analysis
#install.packages("psych")
#library(psych) # functions for multivariate analysis
#install.packages("naniar")
#library(naniar) # summaries and visualization of missing values NAs
#install.packages("dlookr")
#library(dlookr) # summaries and visualization of missing values NAs
#install.packages("corrplot")
#library(corrplot) # correlation plots
#install.packages("jtools")
#library(jtools) # presentation of regression analysis
#install.packages("lmtest")
#library(lmtest) # diagnostic checks - linear regression analysis
#install.packages("car")
#library(car) # diagnostic checks - linear regression analysis
#install.packages("olsrr")
#library(olsrr) # diagnostic checks - linear regression analysis
#install.packages("kableExtra")
#library(kableExtra) # HTML table attributes
library(tidyverse)Sección 1: Limpieza de datos, Transformación y Entendimiento
Las técnicas elegidas en nuestra limpia de datos se eligieron por las necesidades que presentaba la base y la utilidad o no que tenían nuestras variables
#file.choose()
base_de_datos<-read.csv("C:\\Users\\danyc\\OneDrive - Instituto Tecnologico y de Estudios Superiores de Monterrey\\Desktop\\Form\\Formdeliveryfinal3.csv" )Variables y Registros
Entender la BD
bd<-base_de_datos
summary(bd)## Target Cliente Vueltas Plan.arrival
## Min. :1 Length:1440 Min. :1.00 Min. : 0.000
## 1st Qu.:1 Class :character 1st Qu.:1.00 1st Qu.: 0.000
## Median :1 Mode :character Median :1.50 Median : 4.000
## Mean :1 Mean :1.75 Mean : 6.625
## 3rd Qu.:1 3rd Qu.:2.25 3rd Qu.:10.750
## Max. :1 Max. :3.00 Max. :20.000
## Real.arrival Real.departure Diference Fecha
## Min. : 0.000 Min. : 0.000 Min. :-14.3500 Length:1440
## 1st Qu.: 0.000 1st Qu.: 0.000 1st Qu.: 0.0000 Class :character
## Median : 0.000 Median : 0.000 Median : 0.0000 Mode :character
## Mean : 3.823 Mean : 4.142 Mean : 0.3155
## 3rd Qu.: 8.000 3rd Qu.: 9.000 3rd Qu.: 0.8000
## Max. :23.500 Max. :24.500 Max. : 20.0000str(bd)## 'data.frame': 1440 obs. of 8 variables:
## $ Target : int 1 1 1 1 1 1 1 1 1 1 ...
## $ Cliente : chr "PRINTEL " "MAHLE" "MAHLE" "MAHLE" ...
## $ Vueltas : int 1 1 2 3 1 1 2 3 1 1 ...
## $ Plan.arrival : int 16 8 9 20 0 0 0 0 16 8 ...
## $ Real.arrival : num 16 8 9 20 0 0 0 0 16 8 ...
## $ Real.departure: num 19.3 8.55 10 21 0 0 0 0 18.1 9 ...
## $ Diference : num 3.3 0.55 1 1 0 0 0 0 2.1 1 ...
## $ Fecha : chr "2/1/2022" "2/1/2022" "2/1/2022" "2/1/2022" ...Escalas de Variables
variables <- c("`Target`","`Cliente`","`Vueltas`","`Plan.arrival`","`Real.arrival`","`Real.departure`","`Diference`","`Fecha`")
tipos <- c("cuantitativo (discreto) ", "cualitativo ", "cuantitativo (discreto) ", "cuantitativo (continuo) ", "cuantitativo (continuo) ", "cuantitativo (continuo) ", "cuantitativo (continuo) ", "cualitativo ")
escalas <- c("intervalo", "nominal", "razon", "razon", "razon", "razon", "razon", "ordinal")
table1 <- data.frame (variables, tipos, escalas)
knitr::kable(table1)| variables | tipos | escalas |
|---|---|---|
Target
|
cuantitativo (discreto) | intervalo |
Cliente
|
cualitativo | nominal |
Vueltas
|
cuantitativo (discreto) | razon |
Plan.arrival
|
cuantitativo (continuo) | razon |
Real.arrival
|
cuantitativo (continuo) | razon |
Real.departure
|
cuantitativo (continuo) | razon |
Diference
|
cuantitativo (continuo) | razon |
Fecha
|
cualitativo | ordinal |
CONVERSION DE CARACTER A FECHA (TECNICA DE CONVERSION DE DATOS)
bd1<-bd
bd1$Fecha<- as.Date(bd1$Fecha, format= "%d/%m/%y")
summary(bd1)## Target Cliente Vueltas Plan.arrival
## Min. :1 Length:1440 Min. :1.00 Min. : 0.000
## 1st Qu.:1 Class :character 1st Qu.:1.00 1st Qu.: 0.000
## Median :1 Mode :character Median :1.50 Median : 4.000
## Mean :1 Mean :1.75 Mean : 6.625
## 3rd Qu.:1 3rd Qu.:2.25 3rd Qu.:10.750
## Max. :1 Max. :3.00 Max. :20.000
## Real.arrival Real.departure Diference Fecha
## Min. : 0.000 Min. : 0.000 Min. :-14.3500 Min. :2020-01-02
## 1st Qu.: 0.000 1st Qu.: 0.000 1st Qu.: 0.0000 1st Qu.:2020-05-07
## Median : 0.000 Median : 0.000 Median : 0.0000 Median :2022-02-13
## Mean : 3.823 Mean : 4.142 Mean : 0.3155 Mean :2021-06-24
## 3rd Qu.: 8.000 3rd Qu.: 9.000 3rd Qu.: 0.8000 3rd Qu.:2022-05-02
## Max. :23.500 Max. :24.500 Max. : 20.0000 Max. :2022-07-23tibble(bd1)## # A tibble: 1,440 × 8
## Target Cliente Vueltas Plan.arrival Real.arri…¹ Real.…² Difer…³ Fecha
## <int> <chr> <int> <int> <dbl> <dbl> <dbl> <date>
## 1 1 "PRINTEL " 1 16 16 19.3 3.3 2020-01-02
## 2 1 "MAHLE" 1 8 8 8.55 0.55 2020-01-02
## 3 1 "MAHLE" 2 9 9 10 1 2020-01-02
## 4 1 "MAHLE" 3 20 20 21 1 2020-01-02
## 5 1 "MAGNA" 1 0 0 0 0 2020-01-02
## 6 1 "VARROC" 1 0 0 0 0 2020-01-02
## 7 1 "VARROC" 2 0 0 0 0 2020-01-02
## 8 1 "VARROC" 3 0 0 0 0 2020-01-02
## 9 1 "PRINTEL " 1 16 16 18.1 2.1 2020-01-03
## 10 1 "MAHLE" 1 8 8 9 1 2020-01-03
## # … with 1,430 more rows, and abbreviated variable names ¹Real.arrival,
## # ²Real.departure, ³DiferenceEliminar columnas
bd2<-bd1
bd2 <- subset(bd2, select =-c (Target))Nota: Se elimina el target ya que no nos muestra una información detallada al darnos datos nulos de tener un 1 en todos lados.
LIMPIEZA POR METODO ESTADISTICO
bd3<-bd2
boxplot(bd3$Plan.arrival, horizontal=TRUE)
boxplot(bd3$Real.arrival, horizontal=TRUE)
boxplot(bd3$Real.departure, horizontal=TRUE)
boxplot(bd3$Diference, horizontal=TRUE)
Agregar columna de promedio
bd3$Promedio_real_arrival<- mean(bd3$Real.arrival)Convertir variables de caracter a numerico.
bd3$Vueltas<-as.numeric(bd3$Vueltas) ### missing values are converted to NA's
bd3$Plan.arrival<-as.numeric(bd3$Plan.arrival)
bd3$Real.arrival<-as.numeric(bd3$Real.arrival)
bd3$Real.departure<-as.numeric(bd3$Real.departure)
bd3$Diference<-as.numeric(bd3$Diference)
bd3$Promedio_real_arrival<-as.numeric(bd3$Promedio_real_arrival)
bd3<-as.data.frame(bd3)
bd3$Fecha<-as.Date(bd3$Fecha,format="%m/%d/%Y")
bd3$Cliente<-as.factor(bd3$Cliente)
tibble(bd3)## # A tibble: 1,440 × 8
## Cliente Vueltas Plan.arrival Real.arr…¹ Real.…² Difer…³ Fecha Prome…⁴
## <fct> <dbl> <dbl> <dbl> <dbl> <dbl> <date> <dbl>
## 1 "PRINTEL " 1 16 16 19.3 3.3 2020-01-02 3.82
## 2 "MAHLE" 1 8 8 8.55 0.55 2020-01-02 3.82
## 3 "MAHLE" 2 9 9 10 1 2020-01-02 3.82
## 4 "MAHLE" 3 20 20 21 1 2020-01-02 3.82
## 5 "MAGNA" 1 0 0 0 0 2020-01-02 3.82
## 6 "VARROC" 1 0 0 0 0 2020-01-02 3.82
## 7 "VARROC" 2 0 0 0 0 2020-01-02 3.82
## 8 "VARROC" 3 0 0 0 0 2020-01-02 3.82
## 9 "PRINTEL " 1 16 16 18.1 2.1 2020-01-03 3.82
## 10 "MAHLE" 1 8 8 9 1 2020-01-03 3.82
## # … with 1,430 more rows, and abbreviated variable names ¹Real.arrival,
## # ²Real.departure, ³Diference, ⁴Promedio_real_arrivalNotas: Se muestra que la diferencia de nuestros arrivals no es mucha, pero habría que revisar si el promedio total nos ayudaría. se agrego una columna de promedio general de nuestros arrivals reales.
bd_limpia<-bd3
write.csv(bd_limpia, file="formbaselimpia.csv", row.names = FALSE)Sección 2: Análisis Exploratorio
bd_limpia<-read.csv("C:\\Users\\danyc\\OneDrive - Instituto Tecnologico y de Estudios Superiores de Monterrey\\Desktop\\Form\\formbaselimpia.csv")Tabla media, mediana y std. deviation
En esta parte de desviación estandar, podemos observar que son muy pocos los clientes que tienen retrasos, pero cuando se tienen estos retrasos son de bastante tiempo por lo cual se pueden ver afectados al no estar avanzando conforme a la demanda.
bd_limpia <- bd3
summary(bd_limpia)## Cliente Vueltas Plan.arrival Real.arrival
## MAGNA :180 Min. :1.00 Min. : 0.000 Min. : 0.000
## MAHLE :540 1st Qu.:1.00 1st Qu.: 0.000 1st Qu.: 0.000
## PRINTEL :180 Median :1.50 Median : 4.000 Median : 0.000
## VARROC :540 Mean :1.75 Mean : 6.625 Mean : 3.823
## 3rd Qu.:2.25 3rd Qu.:10.750 3rd Qu.: 8.000
## Max. :3.00 Max. :20.000 Max. :23.500
## Real.departure Diference Fecha Promedio_real_arrival
## Min. : 0.000 Min. :-14.3500 Min. :2020-01-02 Min. :3.823
## 1st Qu.: 0.000 1st Qu.: 0.0000 1st Qu.:2020-05-07 1st Qu.:3.823
## Median : 0.000 Median : 0.0000 Median :2022-02-13 Median :3.823
## Mean : 4.142 Mean : 0.3155 Mean :2021-06-24 Mean :3.823
## 3rd Qu.: 9.000 3rd Qu.: 0.8000 3rd Qu.:2022-05-02 3rd Qu.:3.823
## Max. :24.500 Max. : 20.0000 Max. :2022-07-23 Max. :3.823sd(bd_limpia$Vueltas, na.rm = FALSE)## [1] 0.8294442sd(bd_limpia$P.arrival, na.rm = FALSE)## [1] NAsd(bd_limpia$R.arrival, na.rm = FALSE)## [1] NAsd(bd_limpia$R.dep, na.rm = FALSE)## [1] NAsd(bd_limpia$Dif, na.rm = FALSE)## [1] 0.9218758Variable<-c("Vueltas","P.arrival", "R.arrival", "R.dep", "Dif")
Mediana<-c("1.50 ","4.000","0.000 ","0.000 ","0.0000 ")
Media <- c("1.75","6.625","3.823","4.142","4.142")
Moda <- c("1","0","0","0","0")
Desviación_estandar<-c("0.8294442"," 7.501563","6.505902","6.948665","6.948665")
table1 <- data.frame (Variable, Mediana, Media, Moda, Desviación_estandar)
knitr::kable(table1)| Variable | Mediana | Media | Moda | Desviación_estandar |
|---|---|---|---|---|
| Vueltas | 1.50 | 1.75 | 1 | 0.8294442 |
| P.arrival | 4.000 | 6.625 | 0 | 7.501563 |
| R.arrival | 0.000 | 3.823 | 0 | 6.505902 |
| R.dep | 0.000 | 4.142 | 0 | 6.948665 |
| Dif | 0.0000 | 4.142 | 0 | 6.948665 |
Graphs
Tabla de Frecuencia
#install.packages('epiDisplay')
library(epiDisplay)
tab1(bd_limpia$Diference, sort.group = "decreasing", cum.percent = TRUE) 
## bd_limpia$Diference :
## Frequency Percent Cum. percent
## 0 1014 70.4 70.4
## 1 192 13.3 83.8
## 1.1 20 1.4 85.1
## 1.05 17 1.2 86.3
## 1.2 16 1.1 87.4
## 0.5 14 1.0 88.4
## 1.15 11 0.8 89.2
## 0.9 8 0.6 89.7
## 0.4 8 0.6 90.3
## 1.5 7 0.5 90.8
## 0.8 7 0.5 91.2
## 0.55 7 0.5 91.7
## 2 6 0.4 92.2
## 1.8 6 0.4 92.6
## 1.3 6 0.4 93.0
## 0.3 6 0.4 93.4
## 1.4 5 0.3 93.8
## 1.25 5 0.3 94.1
## 0.95 5 0.3 94.4
## 0.2 5 0.3 94.8
## 1.45 4 0.3 95.1
## 1.35 3 0.2 95.3
## 0.45 3 0.2 95.5
## 0.35 3 0.2 95.7
## 0.1 3 0.2 95.9
## 3.1 2 0.1 96.0
## 2.6 2 0.1 96.2
## 2.38 2 0.1 96.3
## 2.15 2 0.1 96.5
## 1.6 2 0.1 96.6
## 1.03 2 0.1 96.7
## 0.85 2 0.1 96.9
## 0.7 2 0.1 97.0
## 0.6 2 0.1 97.2
## 0.15 2 0.1 97.3
## 4.4 1 0.1 97.4
## 4 1 0.1 97.4
## 3.3 1 0.1 97.5
## 3.05 1 0.1 97.6
## 20 1 0.1 97.6
## 2.85 1 0.1 97.7
## 2.52 1 0.1 97.8
## 2.5 1 0.1 97.8
## 2.4 1 0.1 97.9
## 2.35 1 0.1 98.0
## 2.3 1 0.1 98.1
## 2.27 1 0.1 98.1
## 2.2 1 0.1 98.2
## 2.1 1 0.1 98.3
## 2.05 1 0.1 98.3
## 1.95 1 0.1 98.4
## 1.9 1 0.1 98.5
## 1.88 1 0.1 98.5
## 1.85 1 0.1 98.6
## 1.74 1 0.1 98.7
## 1.73 1 0.1 98.8
## 1.7 1 0.1 98.8
## 1.66 1 0.1 98.9
## 1.65 1 0.1 99.0
## 1.55 1 0.1 99.0
## 1.14 1 0.1 99.1
## 1.13 1 0.1 99.2
## 1.07 1 0.1 99.2
## 1.04 1 0.1 99.3
## 1.01 1 0.1 99.4
## 0.99 1 0.1 99.4
## 0.98 1 0.1 99.5
## 0.75 1 0.1 99.6
## 0.47 1 0.1 99.7
## 0.43 1 0.1 99.7
## 0.34 1 0.1 99.8
## 0.25 1 0.1 99.9
## -14.35 1 0.1 99.9
## -12.15 1 0.1 100.0
## Total 1440 100.0 100.0tab1(bd_limpia$Real.arrival, sort.group = "decreasing", cum.percent = TRUE)
## bd_limpia$Real.arrival :
## Frequency Percent Cum. percent
## 0 1009 70.1 70.1
## 8 100 6.9 77.0
## 20 83 5.8 82.8
## 9 81 5.6 88.4
## 18 11 0.8 89.2
## 9.4 10 0.7 89.9
## 15 9 0.6 90.5
## 18.2 8 0.6 91.0
## 16 7 0.5 91.5
## 9.5 6 0.4 91.9
## 9.2 6 0.4 92.4
## 9.1 6 0.4 92.8
## 10 6 0.4 93.2
## 9.15 5 0.3 93.5
## 15.1 5 0.3 93.9
## 16.2 4 0.3 94.2
## 9.3 3 0.2 94.4
## 15.2 3 0.2 94.6
## 9.45 2 0.1 94.7
## 9.26 2 0.1 94.9
## 9.12 2 0.1 95.0
## 9.08 2 0.1 95.1
## 8.1 2 0.1 95.3
## 8.05 2 0.1 95.4
## 7.35 2 0.1 95.6
## 7.3 2 0.1 95.7
## 6 2 0.1 95.8
## 23.3 2 0.1 96.0
## 20.2 2 0.1 96.1
## 20.1 2 0.1 96.2
## 19.2 2 0.1 96.4
## 18.4 2 0.1 96.5
## 18.3 2 0.1 96.7
## 16.4 2 0.1 96.8
## 15.3 2 0.1 96.9
## 13 2 0.1 97.1
## 9.35 1 0.1 97.2
## 9.25 1 0.1 97.2
## 9.17 1 0.1 97.3
## 9.11 1 0.1 97.4
## 9.05 1 0.1 97.4
## 8.52 1 0.1 97.5
## 8.45 1 0.1 97.6
## 7.45 1 0.1 97.6
## 7.34 1 0.1 97.7
## 23.5 1 0.1 97.8
## 23.2 1 0.1 97.8
## 23.15 1 0.1 97.9
## 23 1 0.1 98.0
## 22.4 1 0.1 98.1
## 22.08 1 0.1 98.1
## 21.15 1 0.1 98.2
## 21.1 1 0.1 98.3
## 21.05 1 0.1 98.3
## 20.4 1 0.1 98.4
## 20.3 1 0.1 98.5
## 20.15 1 0.1 98.5
## 20.05 1 0.1 98.6
## 19.48 1 0.1 98.7
## 19.15 1 0.1 98.8
## 19.1 1 0.1 98.8
## 18.5 1 0.1 98.9
## 18.35 1 0.1 99.0
## 18.15 1 0.1 99.0
## 18.1 1 0.1 99.1
## 18.05 1 0.1 99.2
## 17.3 1 0.1 99.2
## 17 1 0.1 99.3
## 15.45 1 0.1 99.4
## 15.4 1 0.1 99.4
## 15.16 1 0.1 99.5
## 14 1 0.1 99.6
## 13.4 1 0.1 99.7
## 11.37 1 0.1 99.7
## 11 1 0.1 99.8
## 10.42 1 0.1 99.9
## 10.4 1 0.1 99.9
## 10.05 1 0.1 100.0
## Total 1440 100.0 100.0Notas: Viendo el gráfico de distribución se pueden ver las frecuencias en las diferencias, se ve una mayor parte en el número 0, lo cual nos indica un buen desarrollo en delivery.
Time series plots
#Checar que la base de datos esta estructurada y un resumen de la descripción estadistica
summary(bd_limpia)## Cliente Vueltas Plan.arrival Real.arrival
## MAGNA :180 Min. :1.00 Min. : 0.000 Min. : 0.000
## MAHLE :540 1st Qu.:1.00 1st Qu.: 0.000 1st Qu.: 0.000
## PRINTEL :180 Median :1.50 Median : 4.000 Median : 0.000
## VARROC :540 Mean :1.75 Mean : 6.625 Mean : 3.823
## 3rd Qu.:2.25 3rd Qu.:10.750 3rd Qu.: 8.000
## Max. :3.00 Max. :20.000 Max. :23.500
## Real.departure Diference Fecha Promedio_real_arrival
## Min. : 0.000 Min. :-14.3500 Min. :2020-01-02 Min. :3.823
## 1st Qu.: 0.000 1st Qu.: 0.0000 1st Qu.:2020-05-07 1st Qu.:3.823
## Median : 0.000 Median : 0.0000 Median :2022-02-13 Median :3.823
## Mean : 4.142 Mean : 0.3155 Mean :2021-06-24 Mean :3.823
## 3rd Qu.: 9.000 3rd Qu.: 0.8000 3rd Qu.:2022-05-02 3rd Qu.:3.823
## Max. :24.500 Max. : 20.0000 Max. :2022-07-23 Max. :3.823#Graficar
ggplot(bd_limpia,aes(x=Fecha, y=Diference,color=Cliente))+
geom_line()+
labs(x="Fecha",y="Delay in Minutes", color="Legend")+
ggtitle("Delays in Performance by Client")
Checar la presencia de missing values
bd_limpia1 <- bd_limpia
bd_limpia1<-bd_limpia1[-c(300,292),] # Quitar las filas 300 y 292 por que presentan datos negativos y que no sirven para el analisis.
summary(bd_limpia1) # no missing values## Cliente Vueltas Plan.arrival Real.arrival
## MAGNA :180 Min. :1.000 Min. : 0.000 Min. : 0.000
## MAHLE :538 1st Qu.:1.000 1st Qu.: 0.000 1st Qu.: 0.000
## PRINTEL :180 Median :1.000 Median : 0.000 Median : 0.000
## VARROC :540 Mean :1.748 Mean : 6.606 Mean : 3.796
## 3rd Qu.:2.000 3rd Qu.: 9.000 3rd Qu.: 8.000
## Max. :3.000 Max. :20.000 Max. :23.500
## Real.departure Diference Fecha Promedio_real_arrival
## Min. : 0.000 Min. : 0.0000 Min. :2020-01-02 Min. :3.823
## 1st Qu.: 0.000 1st Qu.: 0.0000 1st Qu.:2020-05-06 1st Qu.:3.823
## Median : 0.000 Median : 0.0000 Median :2022-02-13 Median :3.823
## Mean : 4.134 Mean : 0.3344 Mean :2021-06-23 Mean :3.823
## 3rd Qu.: 9.000 3rd Qu.: 0.8000 3rd Qu.:2022-05-09 3rd Qu.:3.823
## Max. :24.500 Max. :20.0000 Max. :2022-07-23 Max. :3.823Quitar clientes que tengan valor de 0 en la base de datos
bd_limpia1<-bd_limpia1[bd_limpia1$Cliente!="MAGNA",]
bd_limpia1<-bd_limpia1[bd_limpia1$Cliente!="VARROC",]
summary(bd_limpia1)## Cliente Vueltas Plan.arrival Real.arrival
## MAGNA : 0 Min. :1.000 Min. : 8.00 Min. : 0.000
## MAHLE :538 1st Qu.:1.000 1st Qu.: 8.25 1st Qu.: 0.000
## PRINTEL :180 Median :1.000 Median : 9.00 Median : 8.000
## VARROC : 0 Mean :1.747 Mean :13.23 Mean : 7.603
## 3rd Qu.:2.000 3rd Qu.:16.00 3rd Qu.:10.000
## Max. :3.000 Max. :20.00 Max. :23.500
## Real.departure Diference Fecha Promedio_real_arrival
## Min. : 0.00 Min. : 0.0000 Min. :2020-01-02 Min. :3.823
## 1st Qu.: 0.00 1st Qu.: 0.0000 1st Qu.:2020-05-06 1st Qu.:3.823
## Median : 9.00 Median : 0.8000 Median :2022-02-13 Median :3.823
## Mean : 8.28 Mean : 0.6697 Mean :2021-06-23 Mean :3.823
## 3rd Qu.:11.50 3rd Qu.: 1.0000 3rd Qu.:2022-05-09 3rd Qu.:3.823
## Max. :24.50 Max. :20.0000 Max. :2022-07-23 Max. :3.823Realizar la grafica con los 2 clientes que eliminamos
ggplot(bd_limpia1,aes(x=Fecha, y=Diference,color=Cliente))+
geom_line()+ geom_hline(yintercept=0.8000,linetype="dashed",color="black")+
labs(x="Fecha",y="Diferencia por día", color="Legend")+
ggtitle("Diferencia de entrega por Cliente")
Hallazgo y propuesta
Encontramos gracias a la grafica realizada de la Diferencia de tiempo en la entrega de producto por cliente, que los clientes con mayor Delay son MAHLE Y PRINTEL, al mismo tiempo encontramos que entre estos dos clientes, el que tiene mayor Delay es MAHLE, por lo que sería bueno para la empresa el tener un mayor enfoque, obvio en ambos, pero tambien un poco más en Mahle, para que tenga mejor referencia de este cliente y mayor confianza con la empresa en las entregas.
Producción
library(foreign)
library(dplyr) # data manipulation
library(forcats) # to work with categorical variables
library(ggplot2) # data visualization
library(janitor) # data exploration and cleaning
#install.packages("Hmisc")
library(Hmisc) # several useful functions for data analysis
#install.packages("psych")
library(psych) # functions for multivariate analysis
#install.packages("naniar")
library(naniar) # summaries and visualization of missing values NAs
#install.packages("dlookr")
library(dlookr) # summaries and visualization of missing values NAs
#install.packages("corrplot")
library(corrplot) # correlation plots
#install.packages("jtools")
library(jtools) # presentation of regression analysis
#install.packages("lmtest")
library(lmtest) # diagnostic checks - linear regression analysis
#install.packages("car")
library(car) # diagnostic checks - linear regression analysis
#install.packages("olsrr")
library(olsrr) # diagnostic checks - linear regression analysis
#install.packages("kableExtra")
library(kableExtra) # HTML table attributes
library(tidyverse)Sección 1. Limpieza de datos, Transformación y Entendimiento (1-4)
Importar Base de Datos
#file.choose()
produccion<-read.csv("C:\\Users\\danyc\\Downloads\\Base produccion form - Base produccion form - Base produccion form - Base produccion form.csv.csv.csv" )Variables y Registros
Entender y limpiar la base de datos
describe(produccion)## # A tibble: 2 × 26
## describe…¹ n na mean sd se_mean IQR skewn…² kurto…³ p00 p01
## <chr> <int> <int> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Laminas.p… 3985 0 102. 134. 2.13 184 2.70 13.1 0 0
## 2 TIEMPO.MA… 496 3489 3.17 7.57 0.340 1 3.72 17.5 0 0
## # … with 15 more variables: p05 <dbl>, p10 <dbl>, p20 <dbl>, p25 <dbl>,
## # p30 <dbl>, p40 <dbl>, p50 <dbl>, p60 <dbl>, p70 <dbl>, p75 <dbl>,
## # p80 <dbl>, p90 <dbl>, p95 <dbl>, p99 <dbl>, p100 <dbl>, and abbreviated
## # variable names ¹described_variables, ²skewness, ³kurtosisPaso 1. De caracter a fecha (Tecnica 4. Convertir tipos de datos)
bdp<-produccion
bdp$Fecha<- as.Date(bdp$Fecha, format= "%d/%m/%Y")
summary(bdp)## Fecha CLIENTE ID.FORM PRODUCTO
## Min. :2022-07-15 Length:3985 Length:3985 Length:3985
## 1st Qu.:2022-08-03 Class :character Class :character Class :character
## Median :2022-08-20 Mode :character Mode :character Mode :character
## Mean :2022-08-19
## 3rd Qu.:2022-09-06
## Max. :2022-09-21
##
## PIEZAS.PROG. TMO..MIN. HR..FIN ESTACION.ARRANQUE
## Length:3985 Length:3985 Length:3985 Length:3985
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## Laminas.procesadas INICIO.SEP.UP FIN.INICIO.DE.SEP.UP INICIO.de.PROCESO
## Min. : 0.0 Length:3985 Length:3985 Length:3985
## 1st Qu.: 0.0 Class :character Class :character Class :character
## Median : 51.0 Mode :character Mode :character Mode :character
## Mean : 102.1
## 3rd Qu.: 184.0
## Max. :1263.0
##
## FIN.de.PROCESO TIEMPO.CALIDAD TIEMPO.MATERIALES
## Length:3985 Length:3985 Min. : 0.000
## Class :character Class :character 1st Qu.: 0.000
## Mode :character Mode :character Median : 0.000
## Mean : 3.169
## 3rd Qu.: 1.000
## Max. :60.000
## NA's :3489tibble(bdp)## # A tibble: 3,985 × 15
## Fecha CLIENTE ID.FORM PRODU…¹ PIEZA…² TMO..…³ HR..FIN ESTAC…⁴ Lamin…⁵
## <date> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <int>
## 1 2022-07-16 TRMX 00-059… "TGTX.… 1 "10" "9:05" C1Y2 3
## 2 2022-07-22 STABILUS 3 00-00-… "MOTOR… 1 "10" "10:40" C1Y2 2
## 3 2022-07-28 STABILUS 3 00-00-… "MOTOR… 1 "10" "11:20" C1Y2 2
## 4 2022-08-12 TRMX TR-059… "TR137… 1 "10" "9:35" C1 1
## 5 2022-08-12 TRMX TR-059… "TR137… 1 "10" "9:45" C1 1
## 6 2022-09-10 DENSO DN-034… "MCV. … 1 "10" "8:45" c1y2 1
## 7 2022-07-23 DENSO DN-034… "TOYOT… 2 "" "" CELDAS 0
## 8 2022-08-05 HELLA HE-073… "SUDAF… 2 "10" "11:20" C1Y2 3
## 9 2022-08-05 HELLA HE-073… "SUDAF… 2 "10" "11:30" C1Y2 0
## 10 2022-08-05 HELLA HE-073… "SUDAF… 2 "10" "11:40" C1Y2 0
## # … with 3,975 more rows, 6 more variables: INICIO.SEP.UP <chr>,
## # FIN.INICIO.DE.SEP.UP <chr>, INICIO.de.PROCESO <chr>, FIN.de.PROCESO <chr>,
## # TIEMPO.CALIDAD <chr>, TIEMPO.MATERIALES <int>, and abbreviated variable
## # names ¹PRODUCTO, ²PIEZAS.PROG., ³TMO..MIN., ⁴ESTACION.ARRANQUE,
## # ⁵Laminas.procesadasPaso 2. Eliminar columnas inservibles(Tecnica 1. Remover valores irrelevantes)
bdp1<-bdp
bdp1 <- subset(bdp1, select =-c (ID.FORM))
bdp1 <- subset(bdp1, select =-c (INICIO.SEP.UP,FIN.INICIO.DE.SEP.UP, TIEMPO.MATERIALES))
bdp1 <- subset(bdp1, select =-c (HR..FIN, INICIO.de.PROCESO, FIN.de.PROCESO))Cambiar nombres
colnames(bdp1)<-c('fecha','cliente','producto','piezas_prog','tiempo_min','esta_arranque','laminas_procesadas','tiempo_calidad')Paso 3. Cambiar de caracter a Numerico (Tecnica 4. Convertir tipos de datos)
bdp1$piezas_prog<-as.numeric(bdp1$piezas_prog) ## Warning: NAs introducidos por coerciónbdp1$tiempo_min<-as.numeric(bdp1$tiempo_min) ## Warning: NAs introducidos por coerciónbdp1$laminas_procesadas<-as.numeric(bdp1$laminas_procesadas)
bdp1$tiempo_calidad<-as.numeric(bdp1$tiempo_calidad) ## Warning: NAs introducidos por coerciónbdp2<-bdp1
bdp2$tiempo_min <- substr(bdp2$tiempo_min, start = 1, stop = 2)
tibble(bdp2) ## # A tibble: 3,985 × 8
## fecha cliente producto pieza…¹ tiemp…² esta_…³ lamin…⁴ tiemp…⁵
## <date> <chr> <chr> <dbl> <chr> <chr> <dbl> <dbl>
## 1 2022-07-16 TRMX "TGTX. CAJA RS… 1 10 C1Y2 3 1
## 2 2022-07-22 STABILUS 3 "MOTORGEAR. KI… 1 10 C1Y2 2 1
## 3 2022-07-28 STABILUS 3 "MOTORGEAR. KI… 1 10 C1Y2 2 2
## 4 2022-08-12 TRMX "TR13773. CAJA… 1 10 C1 1 1
## 5 2022-08-12 TRMX "TR13776. CAJA… 1 10 C1 1 1
## 6 2022-09-10 DENSO "MCV. VALVE. P… 1 10 c1y2 1 NA
## 7 2022-07-23 DENSO "TOYOTA. MCV. … 2 <NA> CELDAS 0 0
## 8 2022-08-05 HELLA "SUDAFRICA. TA… 2 10 C1Y2 3 1
## 9 2022-08-05 HELLA "SUDAFRICA. \"… 2 10 C1Y2 0 0
## 10 2022-08-05 HELLA "SUDAFRICA. PA… 2 10 C1Y2 0 0
## # … with 3,975 more rows, and abbreviated variable names ¹piezas_prog,
## # ²tiempo_min, ³esta_arranque, ⁴laminas_procesadas, ⁵tiempo_calidadbdp2$tiempo_min <- as.integer(bdp2$tiempo_min)
str(bdp2) ## 'data.frame': 3985 obs. of 8 variables:
## $ fecha : Date, format: "2022-07-16" "2022-07-22" ...
## $ cliente : chr "TRMX" "STABILUS 3" "STABILUS 3" "TRMX" ...
## $ producto : chr "TGTX. CAJA RSC. ( 1 Pieza) con SOBRE. Kit: TR-059-19014" "MOTORGEAR. KIT. TAPA GRAL. Grapada. 1 Pza/ Kit. ( Kit 19211)" "MOTORGEAR. KIT. TAPA GRAL. Grapada. 1 Pza/ Kit. ( Kit 19211)" "TR13773. CAJA RSC Imp. Negra con SOBRE ( 2 Partes). PC0048." ...
## $ piezas_prog : num 1 1 1 1 1 1 2 2 2 2 ...
## $ tiempo_min : int 10 10 10 10 10 10 NA 10 10 10 ...
## $ esta_arranque : chr "C1Y2" "C1Y2" "C1Y2" "C1" ...
## $ laminas_procesadas: num 3 2 2 1 1 1 0 3 0 0 ...
## $ tiempo_calidad : num 1 1 2 1 1 NA 0 1 0 0 ...bdp2$piezas_prog <- substr(bdp2$piezas_prog, start = 1, stop = 2)
tibble(bdp2) ## # A tibble: 3,985 × 8
## fecha cliente producto pieza…¹ tiemp…² esta_…³ lamin…⁴ tiemp…⁵
## <date> <chr> <chr> <chr> <int> <chr> <dbl> <dbl>
## 1 2022-07-16 TRMX "TGTX. CAJA RS… 1 10 C1Y2 3 1
## 2 2022-07-22 STABILUS 3 "MOTORGEAR. KI… 1 10 C1Y2 2 1
## 3 2022-07-28 STABILUS 3 "MOTORGEAR. KI… 1 10 C1Y2 2 2
## 4 2022-08-12 TRMX "TR13773. CAJA… 1 10 C1 1 1
## 5 2022-08-12 TRMX "TR13776. CAJA… 1 10 C1 1 1
## 6 2022-09-10 DENSO "MCV. VALVE. P… 1 10 c1y2 1 NA
## 7 2022-07-23 DENSO "TOYOTA. MCV. … 2 NA CELDAS 0 0
## 8 2022-08-05 HELLA "SUDAFRICA. TA… 2 10 C1Y2 3 1
## 9 2022-08-05 HELLA "SUDAFRICA. \"… 2 10 C1Y2 0 0
## 10 2022-08-05 HELLA "SUDAFRICA. PA… 2 10 C1Y2 0 0
## # … with 3,975 more rows, and abbreviated variable names ¹piezas_prog,
## # ²tiempo_min, ³esta_arranque, ⁴laminas_procesadas, ⁵tiempo_calidadbdp2$piezas_prog <- as.integer(bdp2$piezas_prog)
str(bdp2)## 'data.frame': 3985 obs. of 8 variables:
## $ fecha : Date, format: "2022-07-16" "2022-07-22" ...
## $ cliente : chr "TRMX" "STABILUS 3" "STABILUS 3" "TRMX" ...
## $ producto : chr "TGTX. CAJA RSC. ( 1 Pieza) con SOBRE. Kit: TR-059-19014" "MOTORGEAR. KIT. TAPA GRAL. Grapada. 1 Pza/ Kit. ( Kit 19211)" "MOTORGEAR. KIT. TAPA GRAL. Grapada. 1 Pza/ Kit. ( Kit 19211)" "TR13773. CAJA RSC Imp. Negra con SOBRE ( 2 Partes). PC0048." ...
## $ piezas_prog : int 1 1 1 1 1 1 2 2 2 2 ...
## $ tiempo_min : int 10 10 10 10 10 10 NA 10 10 10 ...
## $ esta_arranque : chr "C1Y2" "C1Y2" "C1Y2" "C1" ...
## $ laminas_procesadas: num 3 2 2 1 1 1 0 3 0 0 ...
## $ tiempo_calidad : num 1 1 2 1 1 NA 0 1 0 0 ...bdp2$laminas_procesadas <- substr(bdp2$laminas_procesadas, start = 1, stop = 2)
tibble(bdp2) ## # A tibble: 3,985 × 8
## fecha cliente producto pieza…¹ tiemp…² esta_…³ lamin…⁴ tiemp…⁵
## <date> <chr> <chr> <int> <int> <chr> <chr> <dbl>
## 1 2022-07-16 TRMX "TGTX. CAJA RS… 1 10 C1Y2 3 1
## 2 2022-07-22 STABILUS 3 "MOTORGEAR. KI… 1 10 C1Y2 2 1
## 3 2022-07-28 STABILUS 3 "MOTORGEAR. KI… 1 10 C1Y2 2 2
## 4 2022-08-12 TRMX "TR13773. CAJA… 1 10 C1 1 1
## 5 2022-08-12 TRMX "TR13776. CAJA… 1 10 C1 1 1
## 6 2022-09-10 DENSO "MCV. VALVE. P… 1 10 c1y2 1 NA
## 7 2022-07-23 DENSO "TOYOTA. MCV. … 2 NA CELDAS 0 0
## 8 2022-08-05 HELLA "SUDAFRICA. TA… 2 10 C1Y2 3 1
## 9 2022-08-05 HELLA "SUDAFRICA. \"… 2 10 C1Y2 0 0
## 10 2022-08-05 HELLA "SUDAFRICA. PA… 2 10 C1Y2 0 0
## # … with 3,975 more rows, and abbreviated variable names ¹piezas_prog,
## # ²tiempo_min, ³esta_arranque, ⁴laminas_procesadas, ⁵tiempo_calidadbdp2$laminas_procesadas <- as.integer(bdp2$laminas_procesadas)
str(bdp2) ## 'data.frame': 3985 obs. of 8 variables:
## $ fecha : Date, format: "2022-07-16" "2022-07-22" ...
## $ cliente : chr "TRMX" "STABILUS 3" "STABILUS 3" "TRMX" ...
## $ producto : chr "TGTX. CAJA RSC. ( 1 Pieza) con SOBRE. Kit: TR-059-19014" "MOTORGEAR. KIT. TAPA GRAL. Grapada. 1 Pza/ Kit. ( Kit 19211)" "MOTORGEAR. KIT. TAPA GRAL. Grapada. 1 Pza/ Kit. ( Kit 19211)" "TR13773. CAJA RSC Imp. Negra con SOBRE ( 2 Partes). PC0048." ...
## $ piezas_prog : int 1 1 1 1 1 1 2 2 2 2 ...
## $ tiempo_min : int 10 10 10 10 10 10 NA 10 10 10 ...
## $ esta_arranque : chr "C1Y2" "C1Y2" "C1Y2" "C1" ...
## $ laminas_procesadas: int 3 2 2 1 1 1 0 3 0 0 ...
## $ tiempo_calidad : num 1 1 2 1 1 NA 0 1 0 0 ...Paso 4. Cambiar de N/A a promedios
bdp3 <- bdp2
bdp3$tiempo_min[is.na(bdp3$tiempo_min)]<-mean(bdp3$tiempo_min, na.rm = TRUE)
summary (bdp3) ## fecha cliente producto piezas_prog
## Min. :2022-07-15 Length:3985 Length:3985 Min. : 1.0
## 1st Qu.:2022-08-03 Class :character Class :character 1st Qu.:12.0
## Median :2022-08-20 Mode :character Mode :character Median :20.0
## Mean :2022-08-19 Mean :27.2
## 3rd Qu.:2022-09-06 3rd Qu.:40.0
## Max. :2022-09-21 Max. :99.0
## NA's :179
## tiempo_min esta_arranque laminas_procesadas tiempo_calidad
## Min. : 0.00 Length:3985 Min. : 0.00 Min. : 0.0000
## 1st Qu.:15.00 Class :character 1st Qu.: 0.00 1st Qu.: 0.0000
## Median :22.13 Mode :character Median :19.00 Median : 1.0000
## Mean :22.13 Mean :21.42 Mean : 0.8628
## 3rd Qu.:25.00 3rd Qu.:32.00 3rd Qu.: 1.0000
## Max. :90.00 Max. :98.00 Max. :22.0000
## NA's :343Paso 5. Cambiar de N/A a 0
bdp4 <- bdp3
bdp4$laminas_procesadas[bdp4$laminas_procesadas < 1]<- NA
summary (bdp4)## fecha cliente producto piezas_prog
## Min. :2022-07-15 Length:3985 Length:3985 Min. : 1.0
## 1st Qu.:2022-08-03 Class :character Class :character 1st Qu.:12.0
## Median :2022-08-20 Mode :character Mode :character Median :20.0
## Mean :2022-08-19 Mean :27.2
## 3rd Qu.:2022-09-06 3rd Qu.:40.0
## Max. :2022-09-21 Max. :99.0
## NA's :179
## tiempo_min esta_arranque laminas_procesadas tiempo_calidad
## Min. : 0.00 Length:3985 Min. : 1.00 Min. : 0.0000
## 1st Qu.:15.00 Class :character 1st Qu.:15.00 1st Qu.: 0.0000
## Median :22.13 Mode :character Median :21.00 Median : 1.0000
## Mean :22.13 Mean :30.08 Mean : 0.8628
## 3rd Qu.:25.00 3rd Qu.:41.00 3rd Qu.: 1.0000
## Max. :90.00 Max. :98.00 Max. :22.0000
## NA's :1148 NA's :343Paso 6. Borra N/As
bdp5 <- bdp4
bdp5 <- na.omit(bdp5)
str(bdp5)## 'data.frame': 2679 obs. of 8 variables:
## $ fecha : Date, format: "2022-07-16" "2022-07-22" ...
## $ cliente : chr "TRMX" "STABILUS 3" "STABILUS 3" "TRMX" ...
## $ producto : chr "TGTX. CAJA RSC. ( 1 Pieza) con SOBRE. Kit: TR-059-19014" "MOTORGEAR. KIT. TAPA GRAL. Grapada. 1 Pza/ Kit. ( Kit 19211)" "MOTORGEAR. KIT. TAPA GRAL. Grapada. 1 Pza/ Kit. ( Kit 19211)" "TR13773. CAJA RSC Imp. Negra con SOBRE ( 2 Partes). PC0048." ...
## $ piezas_prog : int 1 1 1 1 1 2 3 3 4 4 ...
## $ tiempo_min : num 10 10 10 10 10 10 10 10 10 10 ...
## $ esta_arranque : chr "C1Y2" "C1Y2" "C1Y2" "C1" ...
## $ laminas_procesadas: int 3 2 2 1 1 3 2 5 5 10 ...
## $ tiempo_calidad : num 1 1 2 1 1 1 0 1 1 1 ...
## - attr(*, "na.action")= 'omit' Named int [1:1306] 6 7 9 10 18 22 25 27 28 30 ...
## ..- attr(*, "names")= chr [1:1306] "6" "7" "9" "10" ...Verificar eliminacion de NA´s
colSums(is.na(bdp5))## fecha cliente producto piezas_prog
## 0 0 0 0
## tiempo_min esta_arranque laminas_procesadas tiempo_calidad
## 0 0 0 0summary(bdp5)## fecha cliente producto piezas_prog
## Min. :2022-07-15 Length:2679 Length:2679 Min. : 1.00
## 1st Qu.:2022-08-02 Class :character Class :character 1st Qu.:13.00
## Median :2022-08-18 Mode :character Mode :character Median :20.00
## Mean :2022-08-18 Mean :26.53
## 3rd Qu.:2022-09-02 3rd Qu.:32.50
## Max. :2022-09-21 Max. :99.00
## tiempo_min esta_arranque laminas_procesadas tiempo_calidad
## Min. : 0.00 Length:2679 Min. : 1.00 Min. : 0.00
## 1st Qu.:15.00 Class :character 1st Qu.:16.00 1st Qu.: 1.00
## Median :20.00 Mode :character Median :21.00 Median : 1.00
## Mean :22.16 Mean :30.18 Mean : 1.16
## 3rd Qu.:25.00 3rd Qu.:41.00 3rd Qu.: 1.00
## Max. :90.00 Max. :98.00 Max. :22.00str(bdp5)## 'data.frame': 2679 obs. of 8 variables:
## $ fecha : Date, format: "2022-07-16" "2022-07-22" ...
## $ cliente : chr "TRMX" "STABILUS 3" "STABILUS 3" "TRMX" ...
## $ producto : chr "TGTX. CAJA RSC. ( 1 Pieza) con SOBRE. Kit: TR-059-19014" "MOTORGEAR. KIT. TAPA GRAL. Grapada. 1 Pza/ Kit. ( Kit 19211)" "MOTORGEAR. KIT. TAPA GRAL. Grapada. 1 Pza/ Kit. ( Kit 19211)" "TR13773. CAJA RSC Imp. Negra con SOBRE ( 2 Partes). PC0048." ...
## $ piezas_prog : int 1 1 1 1 1 2 3 3 4 4 ...
## $ tiempo_min : num 10 10 10 10 10 10 10 10 10 10 ...
## $ esta_arranque : chr "C1Y2" "C1Y2" "C1Y2" "C1" ...
## $ laminas_procesadas: int 3 2 2 1 1 3 2 5 5 10 ...
## $ tiempo_calidad : num 1 1 2 1 1 1 0 1 1 1 ...
## - attr(*, "na.action")= 'omit' Named int [1:1306] 6 7 9 10 18 22 25 27 28 30 ...
## ..- attr(*, "names")= chr [1:1306] "6" "7" "9" "10" ...summary(bdp5)## fecha cliente producto piezas_prog
## Min. :2022-07-15 Length:2679 Length:2679 Min. : 1.00
## 1st Qu.:2022-08-02 Class :character Class :character 1st Qu.:13.00
## Median :2022-08-18 Mode :character Mode :character Median :20.00
## Mean :2022-08-18 Mean :26.53
## 3rd Qu.:2022-09-02 3rd Qu.:32.50
## Max. :2022-09-21 Max. :99.00
## tiempo_min esta_arranque laminas_procesadas tiempo_calidad
## Min. : 0.00 Length:2679 Min. : 1.00 Min. : 0.00
## 1st Qu.:15.00 Class :character 1st Qu.:16.00 1st Qu.: 1.00
## Median :20.00 Mode :character Median :21.00 Median : 1.00
## Mean :22.16 Mean :30.18 Mean : 1.16
## 3rd Qu.:25.00 3rd Qu.:41.00 3rd Qu.: 1.00
## Max. :90.00 Max. :98.00 Max. :22.00Clasificación de Variables
Variable<-c("Fecha ","cliente","producto", "Piezas programadas","tiempo min","Estacion de arranque","Laminas procesadas", "Tiempo de calidad")
Type<-c("Cualitativa","Cualitativa","Cualitativa", "Cuantitativa(Discreta)", "Cuantitativa(Discreta)","Cualitativa", "Cuantitativa(Discreta)", "Cuantitativa discreta")
Medicion <-c("Nominal", "Nominal","Nominal", "Intervalo", "Intervalo","Nominal", "Intervalo", "Intervalo")
table<-data.frame(Variable,Type, Medicion)
knitr::kable(table)| Variable | Type | Medicion |
|---|---|---|
| Fecha | Cualitativa | Nominal |
| cliente | Cualitativa | Nominal |
| producto | Cualitativa | Nominal |
| Piezas programadas | Cuantitativa(Discreta) | Intervalo |
| tiempo min | Cuantitativa(Discreta) | Intervalo |
| Estacion de arranque | Cualitativa | Nominal |
| Laminas procesadas | Cuantitativa(Discreta) | Intervalo |
| Tiempo de calidad | Cuantitativa discreta | Intervalo |
Exportar csv
write.csv(bdp5,"C:\\Users\\danyc\\OneDrive - Instituto Tecnologico y de Estudios Superiores de Monterrey\\Desktop\\Form_produccionbaselimpia.csv", row.names=FALSE)Importar base de datos limpia
bdl<-read.csv("C:\\Users\\danyc\\OneDrive - Instituto Tecnologico y de Estudios Superiores de Monterrey\\Desktop\\Form_produccionbaselimpia.csv")
library(ggplot2)
#install.packages("webr")
library(webr)
library(dplyr)1. Análisis Estadístico PRODUCCIÓN (5)
Gráficos
Cualitativo
Dentro de este gráfico se vio que el cliente que tuvo más piezas programadas fue Stabilus en el mes de Agosto, esto debido a que la mayor parte de las ventas fue llevado a cabo durante este mes segun podemos ver la tabla descriptiva.
detach(package:plyr)
PD = bdp5 %>% dplyr::group_by(month=lubridate:: floor_date(fecha, "month" ), cliente) %>% summarise(n = sum(piezas_prog))## `summarise()` has grouped output by 'month'. You can override using the
## `.groups` argument.print(PD)## # A tibble: 28 × 3
## # Groups: month [3]
## month cliente n
## <date> <chr> <int>
## 1 2022-07-01 DENSO 3849
## 2 2022-07-01 HANON SYSTEMS 48
## 3 2022-07-01 HELLA 147
## 4 2022-07-01 MERIDIAN LIGHTWEIGHT 398
## 5 2022-07-01 STABILUS 1 4860
## 6 2022-07-01 STABILUS 3 2290
## 7 2022-07-01 TRMX 2288
## 8 2022-07-01 VARROC 1496
## 9 2022-07-01 VL-017-13939 78
## 10 2022-07-01 VL-017-14086 98
## # … with 18 more rowsPieDonut(PD, aes(month, cliente, count=n), title = "Piezas por cliente")## Warning: `guides(<scale> = FALSE)` is deprecated. Please use `guides(<scale> = "none")` instead.
## `guides(<scale> = FALSE)` is deprecated. Please use `guides(<scale> = "none")` instead.
Cuantitativo
En este histograma, podemos ver que la información de las laminas procesadas se encuentra en un 10-20 por lo que se nota en el gráfico como mayor parte, aquí nos podemos dar cuenta que este numero de láminas es el que con más frecuencia se produce.
produccion1 <- (bdp5$laminas_procesadas)
hist(produccion1)
Propuestas
- Ver un modelo predictivo para aumentar el numero de ventas lo cual nos daría un incremento en la producción. 2.Fomentar la lealtad en los compradores dandoles ventajas competitivas ante el mercado para evitar dejar de producir los numeros con más frecuencia lo cual provocaría un desbalance en nuestros numeros.
Sección 2. Análisis Exploratorio
Tabla de media, mediana y Std. Deviation
Creo que para este caso dentro de la producci’on se ve que tiene una desviacion dentro del rango ya que se muestra una disperción de 18.7 entre punto y punto que es menos que la media.
bd6<-bdl
median(bd6$piezas_prog, na.rm = TRUE)## [1] 20mean(bd6$piezas_prog, na.rm = TRUE)## [1] 26.52781sd(bd6$piezas_prog, na.rm = FALSE)## [1] 18.71565Variable<-c("Piezas")
Mediana<-c("20")
Media <- c("26.5")
Desviación_estandar<-c("18.7")
tablebaja <- tibble (Variable, Mediana , Media , Desviación_estandar)
knitr::kable(tablebaja)| Variable | Mediana | Media | Desviación_estandar |
|---|---|---|---|
| Piezas | 20 | 26.5 | 18.7 |
Graphs
Barplots
Recopilando la informacion me tope con estos datos lo cual nos informa acerca de los clientes mas destacados para form y el tiempo minimo de tardanza en el ensamblaje de los productos, en este caso el primer lugar con mas eficiencia por cliente fue stabilus en la primera vuelta.
bd6<-bd6 %>% group_by(cliente) %>%
summarise(piezas_prog=sum(piezas_prog),tiempo_min=sum(tiempo_min)) %>% arrange(desc(piezas_prog))
bd6<-bd6[-c(6,7,8,9,10,11),]
ggplot(bd6,aes(x=reorder(tiempo_min,piezas_prog), y=piezas_prog,fill=cliente)) +
geom_bar(stat="identity")
Barplots2
Dentro de esta segunda tabla de barras se puede ver desplegado la cantidad de piezas programadas que se tuvo por mes en los periodos de los meses julio, agosto y septiembre. Esto nos dice acerca de la mayor productividad de agosto, pero porque es esto?
datoscopia<-bdl
datoscopia$ano<-strftime(datoscopia$fecha, "%Y")
datoscopia$mes<-strftime(datoscopia$fecha, "%m")
data_agg<- aggregate(piezas_prog~mes + ano, datoscopia, FUN = sum)
data_agglamina<- aggregate(laminas_procesadas~mes + ano, datoscopia, FUN = sum)
ggplot(data_agg,aes(x=mes,y=piezas_prog)) +
geom_bar(stat="identity")
Barplots 3
En esta grafica se puede visualizar la dependencia del tiempo minimo de produccion con las piezas programadas dependiendo de la estacion de arranque, la mayor productividad general tiene unarelacion con la estacion C1 y la C1y2 ya que se ve que es la que menos tiempo hace con mas procesamiento de laminas.
ggplot(datoscopia,aes(x=tiempo_min, y=piezas_prog,fill=esta_arranque)) +
geom_bar(stat="identity")
Dispersion 1
En esta tabla se muestra un claro ejemplo de comparacion que entre mas tiempo de calidad se le de al cliente se lograra hacer un tiempo mucho mas minimo efectivizando los procesos y terminandolos mas rapido como fue con los clientes en azul.
ggplot(datoscopia, aes(x=tiempo_calidad, y=tiempo_min, color=cliente)) +
geom_point() + geom_rug()
Dispersion 2
En esta grafica, se iene la intencion de ver a los compradores predominantes dentro de FORM durante los tres meses predictivos, esto para poder lograr una atencion especializada y ver mas o menos el tiempo que toman sus productos y generar un tipo de procesos mas fluido.
ggplot(datoscopia, aes(x=cliente, y=laminas_procesadas, color=mes)) +
geom_point() + geom_rug()
Series de tiempo
Aqui se puede ver una serie de tiempo no lineal, lo cual nos dice que no se tienen procesos claros y estables para la produccion lo cual lo convierte en un proceso variable y con fallas en los tiempos de entregas como resultado.
ggplot(datoscopia,aes(x=tiempo_calidad))+
geom_line(aes(y=piezas_prog),color="orange")+
labs(x="Tiempo de Calidad",y="piezas programadas", color="orange")+
ggtitle("Grafica de tasa de rendimiento")
Hallazgos
- Depende del posicionamiento inicial de la materia prima el tiempo en el que se producen las laminas.
- Hay clientes que compran más que otros y es por eso que la producción por falta de transporte tiene que dar dos vueltas haciendo mayor el tiempo de entrega.
- Hay retrasos no claros para algúnos clientes por lo cual debemos preguntar a Felipe acerca de estas.
Merma
#file.choose()
FORM <- read.csv("C:\\Users\\danyc\\Downloads\\FORM - Merma limpia.csv")Sección 1. Limpieza de datos, Transformación y Entendimiento (1-4)
Entender Base de Datos
resumen <- summary(FORM)
resumen## Fecha Kilos
## Length:42 Min. : 1040
## Class :character 1st Qu.: 3682
## Mode :character Median : 4025
## Mean : 4415
## 3rd Qu.: 4325
## Max. :18900Variables y registros de la base de datos
str(FORM)## 'data.frame': 42 obs. of 2 variables:
## $ Fecha: chr "11/01/22" "22/01/22" "18/02/22" "24/02/22" ...
## $ Kilos: num 8890 5670 18900 3930 4000 4190 2980 3290 4200 3810 ...library(psych)
library(plyr)## ------------------------------------------------------------------------------## You have loaded plyr after dplyr - this is likely to cause problems.
## If you need functions from both plyr and dplyr, please load plyr first, then dplyr:
## library(plyr); library(dplyr)## ------------------------------------------------------------------------------##
## Attaching package: 'plyr'## The following object is masked from 'package:purrr':
##
## compact## The following object is masked from 'package:crosstable':
##
## compact## The following objects are masked from 'package:Hmisc':
##
## is.discrete, summarize## The following objects are masked from 'package:dplyr':
##
## arrange, count, desc, failwith, id, mutate, rename, summarise,
## summarize#install.packages("psych")
describe(FORM)## # A tibble: 1 × 26
## described_…¹ n na mean sd se_mean IQR skewn…² kurto…³ p00 p01
## <chr> <int> <int> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Kilos 42 0 4415. 2572. 397. 642. 4.61 25.6 1040 1487.
## # … with 15 more variables: p05 <dbl>, p10 <dbl>, p20 <dbl>, p25 <dbl>,
## # p30 <dbl>, p40 <dbl>, p50 <dbl>, p60 <dbl>, p70 <dbl>, p75 <dbl>,
## # p80 <dbl>, p90 <dbl>, p95 <dbl>, p99 <dbl>, p100 <dbl>, and abbreviated
## # variable names ¹described_variables, ²skewness, ³kurtosisNota:En esta base de datos se eliminaron la columa que no era relevante para el analisis, Se eliminaron los registros de total de merma y la columna de mes ya que no eran irrelevantes. Por lo tanto nos quedamos con 52 registros y 2 variables.
2.Para el caso de variables cuantitativas considerar la posibilidad de reemplazar la presencia de “missing values” con estadísticos descriptivos (por ejemplo, media, mediana, moda).
Eliminar N/A´s
Remplazar valores faltantes por la mediana: No se pueden cambiar debido a que los NA´S de la base de datos no tienen información por lo tanto se van a eliminar.
FORM_1<-FORM
FORM_1<- na.omit(FORM_1)
summary(FORM_1)## Fecha Kilos
## Length:42 Min. : 1040
## Class :character 1st Qu.: 3682
## Mode :character Median : 4025
## Mean : 4415
## 3rd Qu.: 4325
## Max. :18900#summary(FORM)
#str(FORM)
#FORM$Kilos<-as.numeric(FORM$Kilos)
#FORM<-FORM %>% mutate(Kilos=if_else(is.na(Kilos),median(Kilos,na.rm = T),Kilos))Nota:En esta base de datos la unica variable que se puede remplazar por la mediana es la columna de kilos. Ya se remplazaron los valores faltantes por la mediana.
Cambiar nombres de columnas y variables
Respecto a variables cualitativas (por ejemplo, género, cliente,municipio, estado) homogenizar el nombre de las diferentes categorías.
Respecto a La base de datos analizada no aplica el paso de homogenizar las variables ya que en este caso solo se cuenta con dos variables en la base de datos.
#seleccionar columnas / variables.
#FORM<-FORM %>% select(-one_of('Fecha','Kilos'))
#Renombrar las columnas /variables seleccionadas.
colnames(FORM_1) <-c ('Fecha','Kilo')Variable<-c("`Fecha`", "` Kilos`")
Type<-c("Cuantitativa (continua)", "Cuantitativa (discreta)")
Measurement<-c("Razón","Razón")
table_Merma<-data.frame(Variable,Type,Measurement)
knitr::kable(table_Merma)| Variable | Type | Measurement |
|---|---|---|
Fecha
|
Cuantitativa (continua) | Razón |
Kilos
|
Cuantitativa (discreta) | Razón |
1. Análisis Estadístico Merma (5)
Gráfico cuantitativo
Se puede notar en este gráfico de barras como dentro de los tres trimestres el segundo y tercero fueron los más estables por así decirlo, no hubo cantidades máximas preocupantes o excelentes minimas.
FORM_1$Fecha<-as.Date(FORM$Fecha,format="%d/%m/%y")
#install.packages("ggplot")
library(ggplot2)
ggplot(FORM_1, aes(x=Fecha, y=Kilo)) +
geom_bar(stat="identity", color="blue", fill="white")
Propuestas
Se recomienda el dibujar probablemente con el proveedor de materia prima una figura para optimizar las materias o bien, utilizar maquinas precisas de laser para evitar cortes que desperdicien los materiales.
Sección 2. Análisis Exploratorio
Tabla de Media, Mediana, Moda y Desviación Estandard
Dentro de la tabla de análisis de variable se puede ver que el numero promedio es de 4,415 de merma, este es un numero alto dentro del rango ya que hablando de kilogramos el tener una media de 4 toneladas puede significar un alto desperdicio de carton y por ende de dinero.
median(FORM_1$Kilo, na.rm = TRUE)## [1] 4025mean(FORM_1$Kilo, na.rm = TRUE)## [1] 4414.905sd(FORM_1$Kilo, na.rm = FALSE)## [1] 2571.793#mfv(FORM_1$Kilo)
Variable<-c("Kilo")
Mediana<-c("4025")
Media <- c("4415")
Moda <- c("4190")
Desviación_estandar<-c("2571.793")
tablemerma <- data.frame (Variable, Mediana , Media , Moda , Desviación_estandar)
knitr::kable(tablemerma)| Variable | Mediana | Media | Moda | Desviación_estandar |
|---|---|---|---|---|
| Kilo | 4025 | 4415 | 4190 | 2571.793 |
Time Serie Plots
Dentro de la gráfica mostrada, se puede observar una alza en los kilos de merma que se vieron en el primer trimestre del año, esta cantidad despues fue decrementando con el paso de los meses, esto nos puede indicar dos cosas, un incremento en producción o bien, un mal manejo de la materia prima.
#FORM_1$Fecha<-as.Date(FORM$Fecha,format="%d/%m/%y")
#install.packages("ggplot2")
library(ggplot2)
summary(FORM_1)## Fecha Kilo
## Min. :2022-01-11 Min. : 1040
## 1st Qu.:2022-04-05 1st Qu.: 3682
## Median :2022-06-11 Median : 4025
## Mean :2022-06-04 Mean : 4415
## 3rd Qu.:2022-08-10 3rd Qu.: 4325
## Max. :2022-09-21 Max. :18900ggplot(FORM_1,aes(x=Fecha))+
geom_line(aes(y=Kilo),color="blue")+
labs(x="Fecha",y="Kilo", color="Legend")+
ggtitle("Kilos de merma por mes")
Hallazgos
Las toneladas de merma, no representan todas las veces un coto para FORM ya que platicando con Felipe, estas son mayormente por causa del proveedor pero no representan un costo extra por lo cual se regala, lo interesante aquí sería encontrar al proveedor que más errores tiene y ver en el supply chain maneras de reutilizar esta merma.
Scrap
#file.choose()
SCRAP<- read.csv("C:\\Users\\danyc\\Downloads\\FORM - Scrap Limpia .csv")Sección 1. Limpieza de datos, Transformación y Entendimiento (1-4)
Describe brevemente ¿porqué aplicaste dichas técnicas? ¿cómo te permitió la aplicación de dichas técnicas una mejor comprensión de las bases de datos?
Las técnicas de limpieza que se aplicaron para SCRAP fueron específicamente para dejar los datos con los que ibamos a trabajar en las gráficas, es decir, se dejaron los datos de importancia, de igual manera hubo eliminaciones de N/A´s y finalmente la corrección de nombres de nuestras variables.
La aplicación de dichas fechas me ayudó a ver más claro cuales eran los datos que quería para lograr hacer las gráficas.
Entender Base de Datos
Esto nos ayuda a saber que tipo de variable estamos viendo y ver si hay datos anormales.
resumen <- summary(SCRAP)
resumen## Referencia Fecha Hora Producto
## Length:250 Length:250 Length:250 Length:250
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## Cantidad Unidad.de.medida Ubicación.de.origen Ubicación.de.desecho
## Min. : 0.000 Length:250 Length:250 Length:250
## 1st Qu.: 1.000 Class :character Class :character Class :character
## Median : 2.000 Mode :character Mode :character Mode :character
## Mean : 6.696
## 3rd Qu.: 7.000
## Max. :96.000
## Estado
## Length:250
## Class :character
## Mode :character
##
##
## Variables y Registros
str(SCRAP)## 'data.frame': 250 obs. of 9 variables:
## $ Referencia : chr "SP/08731" "SP/08730" "SP/08729" "SP/08728" ...
## $ Fecha : chr "31/08/2022" "31/08/2022" "31/08/2022" "31/08/2022" ...
## $ Hora : chr "14:55:40" "14:49:25" "13:49:29" "09:30:07" ...
## $ Producto : chr "[BACKFRAME 60% CUELLO ARMADO] 18805. 60% Backframe. Cuello Armado." "[N61506747 CAJA] N61506747. Kit. Caja." "[N61506729 SEPARADOR] N61506729. Kit. Separador." "[341332 DIVISOR - U611 & U625] 341332. U611. U625. Divisor Troquelado." ...
## $ Cantidad : num 2 1 1 31 1 1 1 9 2 1 ...
## $ Unidad.de.medida : chr "Unidad(es)" "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" "SAB/Pre-Production" ...
## $ Ubicación.de.desecho: chr "Virtual Locations/Scrapped" "Virtual Locations/Scrapped" "Virtual Locations/Scrapped" "Virtual Locations/Scrapped" ...
## $ Estado : chr "Hecho" "Hecho" "Hecho" "Hecho" ...#library(psych)
#install.packages("psych")Eliminación de columnas
Nos quedamos con 5 variables y 250 observaciones.
Se seleccionaron las columnas de Referencia, unidades, ubicación y estado debido a que eran variables que no vamos a utilizar en nuestro análisis.
scrap2<- SCRAP
scrap2<-subset(SCRAP,select=-c(Referencia, Unidad.de.medida , Ubicación.de.desecho, Estado))
str(scrap2)## 'data.frame': 250 obs. of 5 variables:
## $ Fecha : chr "31/08/2022" "31/08/2022" "31/08/2022" "31/08/2022" ...
## $ Hora : chr "14:55:40" "14:49:25" "13:49:29" "09:30:07" ...
## $ Producto : chr "[BACKFRAME 60% CUELLO ARMADO] 18805. 60% Backframe. Cuello Armado." "[N61506747 CAJA] N61506747. Kit. Caja." "[N61506729 SEPARADOR] N61506729. Kit. Separador." "[341332 DIVISOR - U611 & U625] 341332. U611. U625. Divisor Troquelado." ...
## $ Cantidad : num 2 1 1 31 1 1 1 9 2 1 ...
## $ Ubicación.de.origen: chr "SAB/Calidad/Entrega de PT" "SAB/Calidad/Entrega de PT" "SAB/Calidad/Entrega de PT" "SAB/Pre-Production" ...summary(scrap2)## Fecha Hora Producto Cantidad
## Length:250 Length:250 Length:250 Min. : 0.000
## Class :character Class :character Class :character 1st Qu.: 1.000
## Mode :character Mode :character Mode :character Median : 2.000
## Mean : 6.696
## 3rd Qu.: 7.000
## Max. :96.000
## Ubicación.de.origen
## Length:250
## Class :character
## Mode :character
##
##
## n/a reemplazar con promedios para evitar campos vacios en la medida de lo posible.
Clasificación de Variables
En esta clasificacion logramos introducir las variables que vamos a utilizar a sus clasificaciones para despues poder combinarlas de manera mas facil a la hora de compilar
Variable<- c("Fecha", "Hora", "Producto", " Cantidad" , "Ubicacion")
Tipo <- c("Cuantitativa Continua", "Cuantitativa Continua", "Cualitativa", "Cuantitativa Razón", "Cualitativa")
Escala <- c("Razon", "Discreta", "Nominal", "Razon" , "Nominal")
Table_Scrap <- data.frame(Variable, Tipo, Escala)
knitr::kable(Table_Scrap)| Variable | Tipo | Escala |
|---|---|---|
| Fecha | Cuantitativa Continua | Razon |
| Hora | Cuantitativa Continua | Discreta |
| Producto | Cualitativa | Nominal |
| Cantidad | Cuantitativa Razón | Razon |
| Ubicacion | Cualitativa | Nominal |
Instalar Librerías
#install.packages("dplyr")
#install.packages("mirage")
#install.packages("dplyr")
#library(dplyr)
#library(mirage)N/A´s
Debido a que en la base de datos no se encuentran Missing Values, en esta base de datos no se pueden remplazar valores por media, mediana y moda ya que no aplica.
sum(is.na(scrap2))## [1] 0sum(is.na(SCRAP))## [1] 0sapply(scrap2, function(x) sum(is.na(x)))## Fecha Hora Producto Cantidad
## 0 0 0 0
## Ubicación.de.origen
## 0sapply(SCRAP, function(x) sum(is.na(x)))## Referencia Fecha Hora
## 0 0 0
## Producto Cantidad Unidad.de.medida
## 0 0 0
## Ubicación.de.origen Ubicación.de.desecho Estado
## 0 0 0Cambiar columnas y variables
Cambiar los nombres de las columnas / variables a nombres más cortos y específicos. Por ejemplo, municipio → mpio, salario mínimo diario → salario_min.
Se cambiaron los nombres de las variables a nombres mas cortos. Para no contar con nombres largos.
#seleccionar columnas / variables.
#scrap2<-SCRAP %>% select(one_of('Fecha','Hora','Producto','Cantidad','Ubicación.de.origen'))
#Renombrar las columnas /variables seleccionadas.
colnames(scrap2) <-c ('Fecha','Hora','Prod.','Cant.','Origen')1. Análisis Estadístico SCRAP (5)
Gráficos
Tabla de Frecuencia
Aquí se puede observar que el lugar en donde el Scrap se forma mas frecuentemente es en SAB/Pre-Producción por lo cuál se entiende que es el área en donde más carton se maneja para hacer un producto final, esto nos indica que se deberán hacer los cambios correspondientes para manejar estos desperdicios y bajarlos o bien, re-ubicarlos para otros tipos de utilización por lo que creo ya se utilizan.
#install.packages('epiDisplay')
library(epiDisplay)
tab1(scrap2$Origen, sort.group = "decreasing", cum.percent = TRUE, main = "Distribución del Origen del Scrap") 
## scrap2$Origen :
## Frequency Percent Cum. percent
## SAB/Pre-Production 179 71.6 71.6
## SAB/Calidad/Entrega de PT 58 23.2 94.8
## SAB/Post-Production 13 5.2 100.0
## Total 250 100.0 100.0Grafica cualitativa
Se denotan en correlacion con la fecuencia una mayor cantidad de kgs en la pre-produccion con una diferencia casi triplicada en comparacion de la cantidad mas pequeña, esto hace sentido al ser un área de menor manipulación de carton.
barplot(table(scrap2$Cant.,scrap2$Origen), col="orange", main = "Kilos de Scrap según su origen", xlab = "Origen", ylab = "Kilos" )
Propuestas
- Dar una investigación a la optimización de materiales para ver como se podría decrementar el scrap.
2. Análisis Exploratorio
Descargar librerías
#install.packages("kkbleExtra")
#install.packages("sd")
#install.packages("modeest")
#library(modeest)
#install.packages("dplyr")
#library(dplyr)
#library(kbleExtra)
#summary(bd1)Tabla de media, mediana, moda y desviación estandard
Dentro de esta tabla se pueden observar distintos resultados que nos informan acerca de las cantidades, por ejemplo el promedio o la media fue de 6.7 dentro de nuestros resultados de scrap, mientras que el que más se repitio fue 1, podríamos decir que basandonos en esto, no hubieron tantos desperdicios de SCRAP dentro de la producción.
sd(scrap2$Cantidad, na.rm= TRUE) ## [1] NAVariable<-c("Cant.")
Mediana<-c("2.00")
Media <- c("6.696")
Moda <- c("1") #EXCEL
Desviación_estandar<-c("11.84885")
table1 <- data.frame (Variable, Mediana, Media, Moda, Desviación_estandar)
knitr::kable(table1)| Variable | Mediana | Media | Moda | Desviación_estandar |
|---|---|---|---|---|
| Cant. | 2.00 | 6.696 | 1 | 11.84885 |
Gráficos
#install.packages("ggplot2")
#install.packages("barplot")
library(ggplot2)
summary(scrap2)## Fecha Hora Prod. Cant.
## Length:250 Length:250 Length:250 Min. : 0.000
## Class :character Class :character Class :character 1st Qu.: 1.000
## Mode :character Mode :character Mode :character Median : 2.000
## Mean : 6.696
## 3rd Qu.: 7.000
## Max. :96.000
## Origen
## Length:250
## Class :character
## Mode :character
##
##
## Time Series Plots
Aquí hablamos de las cantidades que se manejasn el los origenes, vemos que tambien en la pre-producción igual que en la tabla de frecuencia, se denota una cantidad aumentada en la Pre-producción, hablamos también de la generación creciente de esta en el área, por lo que habrá que darle un vistazo ultimadamente en el proveedor del raw material y ver como se puede acomodar para las necesidades que tiene FORM decrementando la cantidad de SCRAP que se produce.
ggplot(scrap2,aes(x=Cant.))+
geom_line(aes(y=Origen),color="Orange")+
labs(x="Cant",y="Origen", color="Legend")+
ggtitle("Mayores cantidades de Scrap por origen")
Gráfico de Dispersión
Este gráfico de boxplot nos indica que un 25% de nuestros lugares de origenes tuvieron 60 Scraps mientras que el otro 25% tuvieron mas de 100 en cantidades de scrap lo cual nos idica una carga en solo un área.
boxplots=subset(scrap2,select=-c(Origen))
boxplot(table (scrap2$Origen), main = "Ubicación de Origen", xlab = "Origen", ylab = "Cantidad")
Hallazgos
En este analisis nos dimos cuenta que los datos estaban orgnaizados es decir no contaban con missing values por lo tanto es algo bueno para el analisis, de todos modos es importante considerarlos si es relevante para el analisis, en este caso no se hubieran eliminado si no que se hubieran reemplazado por la mediana dependiendte de la variable que estuvieramos analizando.
Analizando estas variables se confirma que en el area de pre-producción,es donde se genera la mayoria del scrap en su mayoria se genera casi el 85% de scrap, que generan dentro de la empresa, por lo tanto es alago alarmante por lo tanto se tienen que tomar decisiones importantes para poder realizar cambios en esta area para reducir la cantidad de scrap.
Sección 1 y 2 Base de Datos Externa
SECCION 1
library(psych)
library(lubridate)##
## Attaching package: 'lubridate'## The following objects are masked from 'package:base':
##
## date, intersect, setdiff, unionlibrary(ggplot2)
library(GGally)## Registered S3 method overwritten by 'GGally':
## method from
## +.gg ggplot2library(TSstudio)
library(forecast)## Registered S3 method overwritten by 'quantmod':
## method from
## as.zoo.data.frame zooCompanies <-read.csv("C:\\Users\\danyc\\Downloads\\externa_bd1 csv1.csv")
summary(Companies)## Geography Category Data.Type Unit
## Length:89 Length:89 Length:89 Length:89
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## Current.Constant X2016 X2017 X2018
## Length:89 Min. : 0 Min. : 0 Min. : 0
## Class :character 1st Qu.: 421 1st Qu.: 432 1st Qu.: 527
## Mode :character Median : 4383 Median : 4804 Median : 5063
## Mean : 939400 Mean : 993634 Mean : 1193476
## 3rd Qu.: 37794 3rd Qu.: 38307 3rd Qu.: 40769
## Max. :25902010 Max. :27472550 Max. :35218716
## X2019 X2020 X2021
## Min. : 0 Min. : 0 Min. : 0
## 1st Qu.: 529 1st Qu.: 548 1st Qu.: 607
## Median : 4849 Median : 5020 Median : 5477
## Mean : 1376491 Mean : 1554963 Mean : 1904399
## 3rd Qu.: 43779 3rd Qu.: 44564 3rd Qu.: 51280
## Max. :39310235 Max. :41193660 Max. :638579421. Limpieza, Transformación y Organización de Bases de Datos
str(Companies)## 'data.frame': 89 obs. of 11 variables:
## $ Geography : chr "Azerbaijan" "Bangladesh" "Cambodia" "China" ...
## $ Category : chr "Corrugated Paper, Paperboard and Containers" "Corrugated Paper, Paperboard and Containers" "Corrugated Paper, Paperboard and Containers" "Corrugated Paper, Paperboard and Containers" ...
## $ Data.Type : chr "Production (turnover) MSP" "Production (turnover) MSP" "Production (turnover) MSP" "Production (turnover) MSP" ...
## $ Unit : chr "AZN million" "BDT million" "KHR million" "CNY million" ...
## $ Current.Constant: chr "Current Prices" "Current Prices" "Current Prices" "Current Prices" ...
## $ X2016 : num 40.6 115106.8 247100 309386.9 212.1 ...
## $ X2017 : num 44.6 135423.7 257700 301286.2 212.7 ...
## $ X2018 : num 47.3 156788.3 299500 317612.9 217.5 ...
## $ X2019 : num 52.2 180445.4 314000 310925.3 216.8 ...
## $ X2020 : num 51.5 198883.5 281100 312534.7 196.7 ...
## $ X2021 : num 66.1 222755.3 285994.4 344612.2 191.4 ...describe(Companies)## # A tibble: 6 × 26
## describ…¹ n na mean sd se_mean IQR skewn…² kurto…³ p00 p01
## <chr> <int> <int> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 X2016 89 0 9.39e5 4.18e6 443039. 37374. 5.19 27.1 0 20.7
## 2 X2017 89 0 9.94e5 4.40e6 466639. 37875. 5.12 26.3 0 20.7
## 3 X2018 89 0 1.19e6 5.40e6 572440. 40242. 5.28 28.3 0 23.1
## 4 X2019 89 0 1.38e6 6.29e6 667194. 43250. 5.19 26.7 0 24.0
## 5 X2020 89 0 1.55e6 7.16e6 759409. 44016. 5.08 24.9 0 20.1
## 6 X2021 89 0 1.90e6 9.14e6 968737. 50673. 5.53 31.3 0 23.8
## # … with 15 more variables: p05 <dbl>, p10 <dbl>, p20 <dbl>, p25 <dbl>,
## # p30 <dbl>, p40 <dbl>, p50 <dbl>, p60 <dbl>, p70 <dbl>, p75 <dbl>,
## # p80 <dbl>, p90 <dbl>, p95 <dbl>, p99 <dbl>, p100 <dbl>, and abbreviated
## # variable names ¹described_variables, ²skewness, ³kurtosisNota: Debido a la versión de R, nos deja descargar el paquete “psych”. Sin embargo, no nos deja llamar a la librería “psych”, por lo tanto utilizamos str, para obtener el numero de las variables de la base de datos.
Escala de Medición
Realizamos una tabla donde viene clasificado cada variable y agregamos una columna con la escala de medición para cada variable.
Variable<-c("Geography","Category","Data.Type", "Unit","Current Constant","Years")
Type<-c("Cualitativa", "Cualitativa", "Cualitativa", "Cualitativa", "Cualitativa", "Cuantitativa (Continua)")
Escala_de_Medición <- c("Países", "Producto", "Departamento","Tipo de Moneda", "Precio actual", "Ganancia (Razon)")
table<-data.frame(Variable,Type,Escala_de_Medición)
knitr::kable(table)| Variable | Type | Escala_de_Medición |
|---|---|---|
| Geography | Cualitativa | Países |
| Category | Cualitativa | Producto |
| Data.Type | Cualitativa | Departamento |
| Unit | Cualitativa | Tipo de Moneda |
| Current Constant | Cualitativa | Precio actual |
| Years | Cuantitativa (Continua) | Ganancia (Razon) |
Limpieza de datos
La primer tecnica de limpieza que utilizamos fue, eliminar columnas
debido a que contabamos con datos los cuales no eran relevantes para el
análisis.
La segunda herramienta de limpieza que utilizamos para la visulización
de los datos fue implementar una nueva columna como el total de la
Producción de las variables que se producen por país.
Remover Valores Irrelevantes
Eliminar columnas
bd1 <- Companies
bd1<-subset(bd1,select=-c(Category,Data.Type,Current.Constant))
str(bd1)## 'data.frame': 89 obs. of 8 variables:
## $ Geography: chr "Azerbaijan" "Bangladesh" "Cambodia" "China" ...
## $ Unit : chr "AZN million" "BDT million" "KHR million" "CNY million" ...
## $ X2016 : num 40.6 115106.8 247100 309386.9 212.1 ...
## $ X2017 : num 44.6 135423.7 257700 301286.2 212.7 ...
## $ X2018 : num 47.3 156788.3 299500 317612.9 217.5 ...
## $ X2019 : num 52.2 180445.4 314000 310925.3 216.8 ...
## $ X2020 : num 51.5 198883.5 281100 312534.7 196.7 ...
## $ X2021 : num 66.1 222755.3 285994.4 344612.2 191.4 ...Agregar Columnas
bd1$Total_Produccion<- bd1$X2016+bd1$X2017+bd1$X2018+bd1$X2019+bd1$X2020+bd1$X2021
bd1$Promedio_X2021<- mean(bd1$X2021)
summary(bd1)## Geography Unit X2016 X2017
## Length:89 Length:89 Min. : 0 Min. : 0
## Class :character Class :character 1st Qu.: 421 1st Qu.: 432
## Mode :character Mode :character Median : 4383 Median : 4804
## Mean : 939400 Mean : 993634
## 3rd Qu.: 37794 3rd Qu.: 38307
## Max. :25902010 Max. :27472550
## X2018 X2019 X2020 X2021
## Min. : 0 Min. : 0 Min. : 0 Min. : 0
## 1st Qu.: 527 1st Qu.: 529 1st Qu.: 548 1st Qu.: 607
## Median : 5063 Median : 4849 Median : 5020 Median : 5477
## Mean : 1193476 Mean : 1376491 Mean : 1554963 Mean : 1904399
## 3rd Qu.: 40769 3rd Qu.: 43779 3rd Qu.: 44564 3rd Qu.: 51280
## Max. :35218716 Max. :39310235 Max. :41193660 Max. :63857942
## Total_Produccion Promedio_X2021
## Min. : 0 Min. :1904399
## 1st Qu.: 3166 1st Qu.:1904399
## Median : 30333 Median :1904399
## Mean : 7962363 Mean :1904399
## 3rd Qu.: 254492 3rd Qu.:1904399
## Max. :204523302 Max. :1904399str(bd1)## 'data.frame': 89 obs. of 10 variables:
## $ Geography : chr "Azerbaijan" "Bangladesh" "Cambodia" "China" ...
## $ Unit : chr "AZN million" "BDT million" "KHR million" "CNY million" ...
## $ X2016 : num 40.6 115106.8 247100 309386.9 212.1 ...
## $ X2017 : num 44.6 135423.7 257700 301286.2 212.7 ...
## $ X2018 : num 47.3 156788.3 299500 317612.9 217.5 ...
## $ X2019 : num 52.2 180445.4 314000 310925.3 216.8 ...
## $ X2020 : num 51.5 198883.5 281100 312534.7 196.7 ...
## $ X2021 : num 66.1 222755.3 285994.4 344612.2 191.4 ...
## $ Total_Produccion: num 302 1009403 1685394 1896358 1247 ...
## $ Promedio_X2021 : num 1904399 1904399 1904399 1904399 1904399 ...¿Cuántos NA’s tengo en la base de datos?
sum(is.na(bd1))## [1] 0Nota: Se eliminan Category, Data.Type y Current.Constant, ya que no nos sirven, debido a que es el mismo dato para todos los registros y es algo que no nos aporta alguna información.
Análisis Exploratorio de las Bases de Datos
describe(bd1)## # A tibble: 8 × 26
## descr…¹ n na mean sd se_mean IQR skewn…² kurto…³ p00 p01
## <chr> <int> <int> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 X2016 89 0 9.39e5 4.18e6 4.43e5 3.74e4 5.19 27.1 0 2.07e1
## 2 X2017 89 0 9.94e5 4.40e6 4.67e5 3.79e4 5.12 26.3 0 2.07e1
## 3 X2018 89 0 1.19e6 5.40e6 5.72e5 4.02e4 5.28 28.3 0 2.31e1
## 4 X2019 89 0 1.38e6 6.29e6 6.67e5 4.33e4 5.19 26.7 0 2.40e1
## 5 X2020 89 0 1.55e6 7.16e6 7.59e5 4.40e4 5.08 24.9 0 2.01e1
## 6 X2021 89 0 1.90e6 9.14e6 9.69e5 5.07e4 5.53 31.3 0 2.38e1
## 7 Total_… 89 0 7.96e6 3.60e7 3.82e6 2.51e5 5.03 24.4 0 1.51e2
## 8 Promed… 89 0 1.90e6 0 0 0 NaN NaN 1.90e6 1.90e6
## # … with 15 more variables: p05 <dbl>, p10 <dbl>, p20 <dbl>, p25 <dbl>,
## # p30 <dbl>, p40 <dbl>, p50 <dbl>, p60 <dbl>, p70 <dbl>, p75 <dbl>,
## # p80 <dbl>, p90 <dbl>, p95 <dbl>, p99 <dbl>, p100 <dbl>, and abbreviated
## # variable names ¹described_variables, ²skewness, ³kurtosisEn el análisis descriptivo se muestran los valores promedio del total de producciones de 2016 a 2021.
Tabla de Frecuencia
bd2 <- table(bd1$Unit)
bd2 <- prop.table(bd2)
bd2##
## AED million AOA million ARS million AUD million AZN million BDT million
## 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596
## BGN million BRL million BYR million CAD million CHF million CLP million
## 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596
## CNY million COP million CRC million CUC million CZK million DKK million
## 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596
## DOP million DZD million EGP million ETB million EUR million GBP million
## 0.01123596 0.01123596 0.01123596 0.01123596 0.20224719 0.01123596
## GEL million GHS million HKD million HRK million HuF million IDR million
## 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596
## ILS million INR million IQD million IRR million ISK million JPY million
## 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596
## KES million KHR million KRW million KWD million KZT million LKR million
## 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596
## MAD million MXN million MYR million NGN million NOK million NZD million
## 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596
## PAB million PEN million PHP million PKR million PLN million QAR million
## 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596
## RON million RUB million SAR million SEK million SGD million THB million
## 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596 0.01123596
## TND million TRY million TWD million UAH million USD million UYU million
## 0.01123596 0.01123596 0.01123596 0.01123596 0.03370787 0.01123596
## UZS million VND million XAF million ZAR million
## 0.01123596 0.01123596 0.01123596 0.01123596Tabla cruzada
table(bd1$Unit, bd1$Promedio_X2021)##
## 1904399.38539326
## AED million 1
## AOA million 1
## ARS million 1
## AUD million 1
## AZN million 1
## BDT million 1
## BGN million 1
## BRL million 1
## BYR million 1
## CAD million 1
## CHF million 1
## CLP million 1
## CNY million 1
## COP million 1
## CRC million 1
## CUC million 1
## CZK million 1
## DKK million 1
## DOP million 1
## DZD million 1
## EGP million 1
## ETB million 1
## EUR million 18
## GBP million 1
## GEL million 1
## GHS million 1
## HKD million 1
## HRK million 1
## HuF million 1
## IDR million 1
## ILS million 1
## INR million 1
## IQD million 1
## IRR million 1
## ISK million 1
## JPY million 1
## KES million 1
## KHR million 1
## KRW million 1
## KWD million 1
## KZT million 1
## LKR million 1
## MAD million 1
## MXN million 1
## MYR million 1
## NGN million 1
## NOK million 1
## NZD million 1
## PAB million 1
## PEN million 1
## PHP million 1
## PKR million 1
## PLN million 1
## QAR million 1
## RON million 1
## RUB million 1
## SAR million 1
## SEK million 1
## SGD million 1
## THB million 1
## TND million 1
## TRY million 1
## TWD million 1
## UAH million 1
## USD million 3
## UYU million 1
## UZS million 1
## VND million 1
## XAF million 1
## ZAR million 1La tabla nos muestra la cantidad promedio en millones producida en 2021 por cada unidad monetaria. En este caso, vemos que en 2021 se produjo en promedio más de 1MM de “currencies” (no se puede definir una unidad monetaria específica debido a que estamos ponderando distintas monedas internacionales). Conforme se analiza la tabla, vemos que el euro generó 18 veces el promedio de producción de cartón estimado para 2021, es decir, es la moneda internacional que más produjo cartón a nivel internacional en 2021. La siguiente moneda con mayor capacidad de producción fue USD millions.
Gráficas de datos Cualitativas y Cuantitativas
Cualitativa con Unit
barplot(bd2, xlab='Tipo de Moneda',
ylab='Frecuencia Relativa', las=1)
La gráfica nos muestra que de acuerdo a la frecuencia relativa de producción, Indonesia es la unidad monetaria que más cartón ha entregado.
Cuantitativa con Total_Produccion
bd3 <- bd1
aggregate(x=bd3$Total_Produccion, by=list(bd3$Geography),FUN=sum)## Group.1 sum.bd3$Total_Produccion
## 1 Algeria 26366.2
## 2 Angola 4172.7
## 3 Argentina 757754.2
## 4 Australia 21642.9
## 5 Austria 10233.5
## 6 Azerbaijan 302.3
## 7 Bangladesh 1009403.0
## 8 Belarus 2931.2
## 9 Belgium 6339.5
## 10 Brazil 129369.8
## 11 Bulgaria 3166.2
## 12 Cambodia 1685394.4
## 13 Cameroon 197101.1
## 14 Canada 78979.4
## 15 Chile 6391369.9
## 16 China 1896358.2
## 17 Colombia 15542263.1
## 18 Costa Rica 967034.3
## 19 Croatia 8719.9
## 20 Cuba 619.6
## 21 Cyprus 171.5
## 22 Czech Republic 178808.7
## 23 Denmark 32238.2
## 24 Dominican Republic 37293.6
## 25 Ecuador 949.5
## 26 Egypt 96033.6
## 27 Estonia 387.5
## 28 Ethiopia 5442.2
## 29 Finland 2612.9
## 30 France 33450.4
## 31 Georgia 194.3
## 32 Germany 77218.5
## 33 Ghana 673.7
## 34 Greece 2573.7
## 35 Hong Kong, China 1247.2
## 36 Hungary 1504747.7
## 37 Iceland 5561.8
## 38 India 2264525.5
## 39 Indonesia 204523301.8
## 40 Iran 186021771.8
## 41 Iraq 11680.2
## 42 Ireland 1873.4
## 43 Israel 22710.5
## 44 Italy 50972.2
## 45 Japan 15807772.3
## 46 Kazakhstan 203941.1
## 47 Kenya 112343.7
## 48 Kuwait 251.3
## 49 Latvia 463.0
## 50 Lithuania 1775.1
## 51 Luxembourg 0.0
## 52 Malaysia 23655.6
## 53 Mexico 738215.0
## 54 Morocco 16625.1
## 55 Netherlands 13921.1
## 56 New Zealand 7644.6
## 57 Nigeria 206027.0
## 58 Norway 11525.8
## 59 Pakistan 628812.7
## 60 Panama 221.3
## 61 Peru 5083.5
## 62 Philippines 302208.8
## 63 Poland 118115.9
## 64 Portugal 5366.3
## 65 Puerto Rico 537.2
## 66 Qatar 189.5
## 67 Romania 16388.7
## 68 Russia 1590911.6
## 69 Saudi Arabia 36787.1
## 70 Singapore 3636.7
## 71 Slovakia 1317.9
## 72 Slovenia 1137.3
## 73 South Africa 277898.6
## 74 South Korea 59825405.8
## 75 Spain 31015.4
## 76 Sri Lanka 254492.0
## 77 Sweden 60578.6
## 78 Switzerland 5331.3
## 79 Taiwan 615169.6
## 80 Thailand 201398.4
## 81 Tunisia 2715.6
## 82 Turkey 195406.5
## 83 Ukraine 128095.2
## 84 United Arab Emirates 12957.3
## 85 United Kingdom 30332.9
## 86 Uruguay 83173.7
## 87 USA 323594.0
## 88 Uzbekistan 5103054.3
## 89 Vietnam 198028864.1En la tabla anterior se muestra el total de producción generado por cada país. Haciendo una ponderación de los 5 países que mayor producción de cartón tienen (haciendo conteo histórico de 2016 a 2021), vemos que se destacan Irán, Vietnam, Corea del Sur, Japón e Indonesia.
hist(log(bd1$Total_Produccion), main = "Histograma de Producción Total", xlab="Producción Total",
ylab="Frecuencia", col="blue1")
En la gráfica anterior se simboliza la distribución de la muestra respecto a la producción total y la frecuencia de ésta. De acuerdo a la frecuencia total, vemos que se tiene una mayor producción por frecuencia entre 10 y 15, es decir, la producción total es más alta y tiene una frecuencia mayor a 15 que se muestra como el más elevado en el histograma.
Gráficas de Dispersión
Relación Geography con Producción Total
ggplot(bd1, aes(x=Total_Produccion, y=Geography)) +
geom_point(shape=19, size=3) + labs(title = "Relación entre los Países y la Producción Total",caption ="Passport_ProducciónCarton",x="Producción_Total", y="Geography") + theme_classic()
En la gráfica anterior se muestra la relación entre los países y la producción total. Se ve que hay una dispersión mayor para los países en el centro de la gráfica. Esto significa que hay más irregularidad en la producción total que han generado.
boxplot=subset(bd1,select = -c(Total_Produccion,Geography))
boxplot(bd1$Total_Produccion, main= "Total de producción")
En la gráfica anterior vemos el total de producción de acuerdo a la geografía. Al igual que la gráfica anterior, hay una correlación mayor acorde al total de producción.
Vol<-ts(boxplot,start=c(2016,1),frequency=12)
ts_plot(Vol,
title = "Desempeño de la Industria Automotriz: Producción de cartón global de 2016 a 2021",
Ytitle = "Unidades en miles",
Xtitle = "Años",
slider = TRUE)En esta gráfica se ve el desempeño de la industria automotriz de 2016 a 2021. En general, se muestra que el total de producción de cartón a nivel global fue mayor en 2021 contra otros años.
Predicción
Importar base de datos
bd5 <-read.csv("C:\\Users\\danyc\\Downloads\\externa_bd2 csv2.csv")
summary(bd5)## Geography Unit Año Produccion
## Length:534 Length:534 Min. :2016 Min. : 0
## Class :character Class :character 1st Qu.:2017 1st Qu.: 501
## Mode :character Mode :character Median :2018 Median : 4826
## Mean :2018 Mean : 1327061
## 3rd Qu.:2020 3rd Qu.: 43907
## Max. :2021 Max. :63857942sum(is.na(bd5))## [1] 0bd5$Total_Produccion<- bd1$X2016+bd1$X2017+bd1$X2018+bd1$X2019+bd1$X2020+bd1$X2021
summary(bd5)## Geography Unit Año Produccion
## Length:534 Length:534 Min. :2016 Min. : 0
## Class :character Class :character 1st Qu.:2017 1st Qu.: 501
## Mode :character Mode :character Median :2018 Median : 4826
## Mean :2018 Mean : 1327061
## 3rd Qu.:2020 3rd Qu.: 43907
## Max. :2021 Max. :63857942
## Total_Produccion
## Min. : 0
## 1st Qu.: 3166
## Median : 30333
## Mean : 7962363
## 3rd Qu.: 254492
## Max. :204523302str(bd5)## 'data.frame': 534 obs. of 5 variables:
## $ Geography : chr "Azerbaijan" "Bangladesh" "Cambodia" "China" ...
## $ Unit : chr "AZN million" "BDT million" "KHR million" "CNY million" ...
## $ Año : int 2016 2016 2016 2016 2016 2016 2016 2016 2016 2016 ...
## $ Produccion : num 40.6 115106.8 247100 309386.9 212.1 ...
## $ Total_Produccion: num 302 1009403 1685394 1896358 1247 ...sum(is.na(bd5))## [1] 0Modelos de regresión lineal múltiple
Modelos de regresión lineal múltiple: Producción de cartón en 2022 a nivel global
library(ggplot2)
library(dplyr)
library(broom)
library(ggpubr)##
## Attaching package: 'ggpubr'## The following object is masked from 'package:forecast':
##
## gghistogram## The following object is masked from 'package:plyr':
##
## mutateindustriaA <-read.csv("C:\\Users\\danyc\\Downloads\\Industria Auto.csv")
bd6 <-read.csv("C:\\Users\\danyc\\Downloads\\externa_bd3 csv3 (1).csv")
bd6 <- bd6[-c(1),]
summary(bd6)## Año USA MEX
## Min. :2017 Min. :51672 Min. :112231
## 1st Qu.:2018 1st Qu.:54006 1st Qu.:120639
## Median :2019 Median :54651 Median :128471
## Mean :2019 Mean :54949 Mean :126954
## 3rd Qu.:2020 3rd Qu.:55387 3rd Qu.:129871
## Max. :2021 Max. :59031 Max. :143561summary(industriaA)## year trimestre id_estado estado
## Min. :2014 Min. :1.000 Min. : 1.00 Length:690
## 1st Qu.:2016 1st Qu.:1.000 1st Qu.:10.00 Class :character
## Median :2018 Median :2.000 Median :17.00 Mode :character
## Mean :2018 Mean :2.399 Mean :17.37
## 3rd Qu.:2020 3rd Qu.:3.000 3rd Qu.:26.00
## Max. :2022 Max. :4.000 Max. :32.00
## idnueva ventas_autopartes_anual eci
## Length:690 Min. :4.382e+03 Min. :-0.9374
## Class :character 1st Qu.:2.256e+07 1st Qu.:-0.4630
## Mode :character Median :2.316e+08 Median : 0.7088
## Mean :3.307e+08 Mean : 0.4391
## 3rd Qu.:5.759e+08 3rd Qu.: 0.9138
## Max. :1.467e+09 Max. : 1.7810
## poblacion_ocupada_ensambladora_year exportaciones_anual iedanual_porestado
## Length:690 Length:690 Length:690
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
## str(industriaA)## 'data.frame': 690 obs. of 10 variables:
## $ year : int 2014 2014 2014 2014 2014 2014 2014 2014 2014 2014 ...
## $ trimestre : int 1 1 1 1 1 1 1 1 1 1 ...
## $ id_estado : int 1 2 5 8 9 10 11 13 14 15 ...
## $ estado : chr "Aguascalientes" "Baja California" "Coahuila de Zaragoza" "Chihuahua" ...
## $ idnueva : chr "Agu20141" "Baj20141" "Coa20141" "Chi20141" ...
## $ ventas_autopartes_anual : int 297808938 180968923 638892837 415306918 424386804 2395458 599464057 490518 73197944 161883028 ...
## $ eci : num 0.856 1.268 0.914 1.148 0.914 ...
## $ poblacion_ocupada_ensambladora_year: chr "5523" "41376" "19522" "93703" ...
## $ exportaciones_anual : chr "8466008000" "35002851000" "34838926000" "1460627000" ...
## $ iedanual_porestado : chr "1008408044" "1102570984" "1567453720" "1462699524" ...regresion1 <- lm(ventas_autopartes_anual ~ estado + exportaciones_anual + poblacion_ocupada_ensambladora_year ,data = industriaA)
summary(regresion1)##
## Call:
## lm(formula = ventas_autopartes_anual ~ estado + exportaciones_anual +
## poblacion_ocupada_ensambladora_year, data = industriaA)
##
## Residuals:
## Min 1Q Median 3Q Max
## -506069374 -1448463 0 2162402 296273810
##
## Coefficients: (3 not defined because of singularities)
## Estimate Std. Error t value
## (Intercept) 316032420 79025905 3.999
## estadoBaja California 82523284 111759507 0.738
## estadoCampeche -316015278 111759507 -2.828
## estadoChihuahua 398034214 111759507 3.562
## estadoCiudad de Mexico 571759097 111759507 5.116
## estadoCoahuila de Zaragoza 1151233158 111759507 10.301
## estadoColima -315905304 111759507 -2.827
## estadoDurango -251105163 111759507 -2.247
## estadoEstado de Mexico -38335193 111759507 -0.343
## estadoGuanajuato 623474494 111759507 5.579
## estadoHidalgo -309386913 111759507 -2.768
## estadoJalisco -99121659 111759507 -0.887
## estadoMorelos -282142730 111759507 -2.525
## estadoNuevo Leon 491777471 111759507 4.400
## estadoPuebla 585598166 111759507 5.240
## estadoQueretaro 741305945 111759507 6.633
## estadoQuintana Roo -315991405 96786572 -3.265
## estadoSan Luis Potosi 124368409 111759507 1.113
## estadoSonora -227591089 111759507 -2.036
## estadoTamaulipas 303676078 111759507 2.717
## estadoTlaxcala -279845202 111759507 -2.504
## estadoVeracruz de Ignacio de la Llave -298360634 111759507 -2.670
## estadoYucatan -315911612 111759507 -2.827
## estadoZacatecas -293692225 111759507 -2.628
## exportaciones_anual10141642000 -633342919 91251256 -6.941
## exportaciones_anual10314836000 -243122117 91251256 -2.664
## exportaciones_anual10398672000 -83306231 96786572 -0.861
## exportaciones_anual10400467000 -214097642 91251256 -2.346
## exportaciones_anual10478612000 -227071679 91251256 -2.488
## exportaciones_anual10594592000 -660445310 91251256 -7.238
## exportaciones_anual10701591000 -184046450 96786572 -1.902
## exportaciones_anual11146761000 -328066976 96786572 -3.390
## exportaciones_anual1116042000 -50913 91251256 -0.001
## exportaciones_anual1119625000 16310 91251256 0.000
## exportaciones_anual11227331000 -195000075 91251256 -2.137
## exportaciones_anual11449692000 -52031743 91251256 -0.570
## exportaciones_anual1165750000 -155619675 91251256 -1.705
## exportaciones_anual11738889000 -320498675 91251256 -3.512
## exportaciones_anual11794073000 80649592 91251256 0.884
## exportaciones_anual12035000 -28653 96786572 0.000
## exportaciones_anual12044484000 -42701116 96786572 -0.441
## exportaciones_anual1238308000 -2755770 96786572 -0.028
## exportaciones_anual1262654000 37474 91251256 0.000
## exportaciones_anual1278536000 -29700606 91251256 -0.325
## exportaciones_anual12868798000 -152191028 91251256 -1.668
## exportaciones_anual1301171000 -5888596 91251256 -0.065
## exportaciones_anual1307252000 -28159308 91251256 -0.309
## exportaciones_anual1310801000 -24999653 91251256 -0.274
## exportaciones_anual1318941000 -4141097 91251256 -0.045
## exportaciones_anual1323153000 -5226323 91251256 -0.057
## exportaciones_anual13360587000 -213744406 91251256 -2.342
## exportaciones_anual13514349000 -461981584 91251256 -5.063
## exportaciones_anual13664629000 -141254716 91251256 -1.548
## exportaciones_anual1379964000 -23869307 91251256 -0.262
## exportaciones_anual14009625000 -74475970 91251256 -0.816
## exportaciones_anual1428633000 -3663704 96786572 -0.038
## exportaciones_anual1440918000 -16649460 91251256 -0.182
## exportaciones_anual1448674000 -9154406 91251256 -0.100
## exportaciones_anual14512000 -14416 96786572 0.000
## exportaciones_anual1460627000 -202662429 91251256 -2.221
## exportaciones_anual1460865000 -8043655 91251256 -0.088
## exportaciones_anual1470940000 -47686 91251256 -0.001
## exportaciones_anual15019152000 -613314608 91251256 -6.721
## exportaciones_anual15120233000 34228936 96786572 0.354
## exportaciones_anual15294350000 -165928588 91251256 -1.818
## exportaciones_anual15531676000 -107724661 91251256 -1.181
## exportaciones_anual15611884000 75774919 91251256 0.830
## exportaciones_anual16121000 -30177 96786572 0.000
## exportaciones_anual1654784000 -63167299 91251256 -0.692
## exportaciones_anual16642906000 -34997843 96786572 -0.362
## exportaciones_anual1672357000 -62208412 91251256 -0.682
## exportaciones_anual16837910000 -507759556 91251256 -5.564
## exportaciones_anual16895883000 115296593 91251256 1.264
## exportaciones_anual17204369000 -247634512 91251256 -2.714
## exportaciones_anual1721651000 -5466936 91251256 -0.060
## exportaciones_anual1726504000 -5852596 91251256 -0.064
## exportaciones_anual17332223000 -94707222 91251256 -1.038
## exportaciones_anual17443597000 102705938 91251256 1.126
## exportaciones_anual1752495000 -62743887 91251256 -0.688
## exportaciones_anual17544423000 135514903 91251256 1.485
## exportaciones_anual17547974000 -447164471 91251256 -4.900
## exportaciones_anual17735407000 104259566 91251256 1.143
## exportaciones_anual17877862000 10618852 91251256 0.116
## exportaciones_anual1813156000 -214253693 96786572 -2.214
## exportaciones_anual18601992000 -87747401 91251256 -0.962
## exportaciones_anual1861966000 -62600427 91251256 -0.686
## exportaciones_anual18687648000 -24706585 91251256 -0.271
## exportaciones_anual18737712000 -123808645 91251256 -1.357
## exportaciones_anual18985000 -5479 72140452 0.000
## exportaciones_anual191993000 NA NA NA
## exportaciones_anual19737684000 -78238788 91251256 -0.857
## exportaciones_anual19840531000 197594823 91251256 2.165
## exportaciones_anual19863200000 229643101 91251256 2.517
## exportaciones_anual20010001000 -29475421 91251256 -0.323
## exportaciones_anual20026441000 -147417980 96786572 -1.523
## exportaciones_anual20093245000 -52714510 91251256 -0.578
## exportaciones_anual20335098000 -59363602 91251256 -0.651
## exportaciones_anual20787831000 -176885438 91251256 -1.938
## exportaciones_anual21133618000 -11919096 91251256 -0.131
## exportaciones_anual2127000000 -53259174 91251256 -0.584
## exportaciones_anual2128076000 -135947447 88353648 -1.539
## exportaciones_anual21392726000 -85136044 91251256 -0.933
## exportaciones_anual21659640000 -27746581 91251256 -0.304
## exportaciones_anual22099835000 -140806200 91251256 -1.543
## exportaciones_anual2242354000 -4851805 91251256 -0.053
## exportaciones_anual22472408000 -97592972 91251256 -1.069
## exportaciones_anual22985164000 -19566138 96786572 -0.202
## exportaciones_anual2299343000 -5280661 91251256 -0.058
## exportaciones_anual2301925000 NA NA NA
## exportaciones_anual2302851000 -344468140 91251256 -3.775
## exportaciones_anual23360290000 -87808473 91251256 -0.962
## exportaciones_anual2376795000 -5540326 96786572 -0.057
## exportaciones_anual24048744000 -301202855 91251256 -3.301
## exportaciones_anual2452302000 -460231437 91251256 -5.044
## exportaciones_anual24926226000 -19992365 91251256 -0.219
## exportaciones_anual25065798000 -146940238 91251256 -1.610
## exportaciones_anual25504680000 -101969366 91251256 -1.117
## exportaciones_anual25507316000 -2426972 91251256 -0.027
## exportaciones_anual26300102000 -42846992 91251256 -0.470
## exportaciones_anual2630544000 -289995068 91251256 -3.178
## exportaciones_anual2632148000 -14585583 91251256 -0.160
## exportaciones_anual2667126000 -25511848 91251256 -0.280
## exportaciones_anual26736210000 -68439434 91251256 -0.750
## exportaciones_anual2684823000 -17118638 91251256 -0.188
## exportaciones_anual2705297000 -475872294 91251256 -5.215
## exportaciones_anual27314741000 108407180 91251256 1.188
## exportaciones_anual2737230000 -31938434 91251256 -0.350
## exportaciones_anual27397995000 -40140750 91251256 -0.440
## exportaciones_anual2760694000 -13930385 96786572 -0.144
## exportaciones_anual2793509000 7728884 91251256 0.085
## exportaciones_anual2873522000 1653824 91251256 0.018
## exportaciones_anual2880494000 -28125619 96786572 -0.291
## exportaciones_anual29130161000 79348605 91251256 0.870
## exportaciones_anual2946392000 2850874 91251256 0.031
## exportaciones_anual3026698000 1579766 91251256 0.017
## exportaciones_anual30529987000 -153881209 96786572 -1.590
## exportaciones_anual3086705000 -14291744 91251256 -0.157
## exportaciones_anual3086747000 -3612817 91251256 -0.040
## exportaciones_anual3141633000 2244200 91251256 0.025
## exportaciones_anual31513013000 -213302878 91251256 -2.338
## exportaciones_anual3157991000 8403585 96786572 0.087
## exportaciones_anual32177305000 -199208826 91251256 -2.183
## exportaciones_anual3325166000 4332750 91251256 0.047
## exportaciones_anual3402758000 -31045251 91251256 -0.340
## exportaciones_anual34511011000 -281714187 91251256 -3.087
## exportaciones_anual34522156000 -122777424 91251256 -1.345
## exportaciones_anual34590332000 -51405465 96786572 -0.531
## exportaciones_anual34838926000 -652547881 91251256 -7.151
## exportaciones_anual3490783000 -27486235 91251256 -0.301
## exportaciones_anual35002851000 -189871772 91251256 -2.081
## exportaciones_anual35997280000 -171707454 91251256 -1.882
## exportaciones_anual36004725000 -180452978 91251256 -1.978
## exportaciones_anual36251770000 -564945445 91251256 -6.191
## exportaciones_anual36315716000 -184526706 91251256 -2.022
## exportaciones_anual3657768000 2656603 91251256 0.029
## exportaciones_anual37699563000 -521630672 91251256 -5.716
## exportaciones_anual3791586000 -27851391 91251256 -0.305
## exportaciones_anual38441996000 -166179330 91251256 -1.821
## exportaciones_anual38572482000 -358805171 96786572 -3.707
## exportaciones_anual38950677000 -472455089 91251256 -5.178
## exportaciones_anual39615279000 -273384682 91251256 -2.996
## exportaciones_anual39857053000 -188893113 91251256 -2.070
## exportaciones_anual39896454000 -179369916 91251256 -1.966
## exportaciones_anual40659059000 -134947537 91251256 -1.479
## exportaciones_anual41034808000 -428473899 91251256 -4.696
## exportaciones_anual42396951000 -96879896 91251256 -1.062
## exportaciones_anual4339856000 -13715539 91251256 -0.150
## exportaciones_anual44961569000 -644854760 91251256 -7.067
## exportaciones_anual47659461000 -389638362 91251256 -4.270
## exportaciones_anual4862567000 -6250697 96786572 -0.065
## exportaciones_anual52231000 -10472 79025905 0.000
## exportaciones_anual522839000 738252 111759507 0.007
## exportaciones_anual5352788000 -9101610 88353648 -0.103
## exportaciones_anual5362863000 -12135351 88353648 -0.137
## exportaciones_anual582973000 -81666 96786572 -0.001
## exportaciones_anual587504000 -173779186 91251256 -1.904
## exportaciones_anual606131000 -166997519 91251256 -1.830
## exportaciones_anual6367193000 -10360227 88353648 -0.117
## exportaciones_anual6697248000 -8465610 88353648 -0.096
## exportaciones_anual716061000 -18237 96786572 0.000
## exportaciones_anual722027000 -7889813 111759507 -0.071
## exportaciones_anual726530000 -175201219 96786572 -1.810
## exportaciones_anual729883000 -274984075 91251256 -3.013
## exportaciones_anual735262000 246347 96786572 0.003
## exportaciones_anual7830019000 53331418 91251256 0.584
## exportaciones_anual7870962000 60706600 91251256 0.665
## exportaciones_anual790859000 -15435643 111759507 -0.138
## exportaciones_anual80907000 -21941 68438442 0.000
## exportaciones_anual820169000 -135474164 91251256 -1.485
## exportaciones_anual8466008000 -12575744 91251256 -0.138
## exportaciones_anual8476833000 -224960819 91251256 -2.465
## exportaciones_anual8495444000 55657928 91251256 0.610
## exportaciones_anual8534000 -6324 72140452 0.000
## exportaciones_anual871638000 -105063931 91251256 -1.151
## exportaciones_anual8829410000 -40562505 96786572 -0.419
## exportaciones_anual9147776000 -258898283 91251256 -2.837
## exportaciones_anual9372970000 -640224591 91251256 -7.016
## exportaciones_anual9505026000 -229554589 91251256 -2.516
## exportaciones_anual9650719000 65416021 91251256 0.717
## exportaciones_anual9806397000 -212125633 91251256 -2.325
## poblacion_ocupada_ensambladora_year1004 -460559 91251256 -0.005
## poblacion_ocupada_ensambladora_year1017 -88043944 91251256 -0.965
## poblacion_ocupada_ensambladora_year10714 35863369 91251256 0.393
## poblacion_ocupada_ensambladora_year1075 -35206 91251256 0.000
## poblacion_ocupada_ensambladora_year10767 3518043 91251256 0.039
## poblacion_ocupada_ensambladora_year11050 -118555603 111759507 -1.061
## poblacion_ocupada_ensambladora_year11361 -54924139 91251256 -0.602
## poblacion_ocupada_ensambladora_year11806 4344197 91251256 0.048
## poblacion_ocupada_ensambladora_year12073 -3121269 96786572 -0.032
## poblacion_ocupada_ensambladora_year12094 -64875837 91251256 -0.711
## poblacion_ocupada_ensambladora_year12217 6288286 91251256 0.069
## poblacion_ocupada_ensambladora_year124585 -36854211 91251256 -0.404
## poblacion_ocupada_ensambladora_year1247 347242 111759507 0.003
## poblacion_ocupada_ensambladora_year12650 -1079792 91251256 -0.012
## poblacion_ocupada_ensambladora_year12836 -8672226 91251256 -0.095
## poblacion_ocupada_ensambladora_year13072 -16160578 96786572 -0.167
## poblacion_ocupada_ensambladora_year13538 -26780130 111759507 -0.240
## poblacion_ocupada_ensambladora_year13866 -40099449 91251256 -0.439
## poblacion_ocupada_ensambladora_year13927 -1153337 91251256 -0.013
## poblacion_ocupada_ensambladora_year13995 -302686 91251256 -0.003
## poblacion_ocupada_ensambladora_year14221 -85427604 91251256 -0.936
## poblacion_ocupada_ensambladora_year144 18849 91251256 0.000
## poblacion_ocupada_ensambladora_year15136 68628 91251256 0.001
## poblacion_ocupada_ensambladora_year15762 -41948849 91251256 -0.460
## poblacion_ocupada_ensambladora_year15901 -56960344 91251256 -0.624
## poblacion_ocupada_ensambladora_year1601 -71923505 91251256 -0.788
## poblacion_ocupada_ensambladora_year1629 -83095837 111759507 -0.744
## poblacion_ocupada_ensambladora_year16844 3457658 96786572 0.036
## poblacion_ocupada_ensambladora_year1751 50233479 91251256 0.550
## poblacion_ocupada_ensambladora_year17726 -19904172 91251256 -0.218
## poblacion_ocupada_ensambladora_year1776 -95219290 91251256 -1.043
## poblacion_ocupada_ensambladora_year17790 1084572 111759507 0.010
## poblacion_ocupada_ensambladora_year17806 -125382498 91251256 -1.374
## poblacion_ocupada_ensambladora_year17876 -42916198 91251256 -0.470
## poblacion_ocupada_ensambladora_year18197 -6777176 91251256 -0.074
## poblacion_ocupada_ensambladora_year1827 -2927497 91251256 -0.032
## poblacion_ocupada_ensambladora_year18338 -809771 91251256 -0.009
## poblacion_ocupada_ensambladora_year186 9165298 91251256 0.100
## poblacion_ocupada_ensambladora_year1890 -56677 96786572 -0.001
## poblacion_ocupada_ensambladora_year19056 -676860 91251256 -0.007
## poblacion_ocupada_ensambladora_year19219 311407 91251256 0.003
## poblacion_ocupada_ensambladora_year19286 -16058828 91251256 -0.176
## poblacion_ocupada_ensambladora_year1945 12467581 91251256 0.137
## poblacion_ocupada_ensambladora_year19522 -175824860 91251256 -1.927
## poblacion_ocupada_ensambladora_year20047 2203070 91251256 0.024
## poblacion_ocupada_ensambladora_year217 -142230 91251256 -0.002
## poblacion_ocupada_ensambladora_year22383 5551012 96786572 0.057
## poblacion_ocupada_ensambladora_year2252 -243013 111759507 -0.002
## poblacion_ocupada_ensambladora_year2275 -718489 91251256 -0.008
## poblacion_ocupada_ensambladora_year22783 -17304874 91251256 -0.190
## poblacion_ocupada_ensambladora_year23106 -52789396 91251256 -0.579
## poblacion_ocupada_ensambladora_year23160 -124029766 91251256 -1.359
## poblacion_ocupada_ensambladora_year23209 -13521731 91251256 -0.148
## poblacion_ocupada_ensambladora_year23991 -586001 111759507 -0.005
## poblacion_ocupada_ensambladora_year25113 -55792481 111759507 -0.499
## poblacion_ocupada_ensambladora_year25660 -20874860 91251256 -0.229
## poblacion_ocupada_ensambladora_year25840 -3586940 96786572 -0.037
## poblacion_ocupada_ensambladora_year26248 9162092 91251256 0.100
## poblacion_ocupada_ensambladora_year2695 -13312374 91251256 -0.146
## poblacion_ocupada_ensambladora_year26950 -82012426 91251256 -0.899
## poblacion_ocupada_ensambladora_year27190 -31434153 91251256 -0.344
## poblacion_ocupada_ensambladora_year2720 -897442 91251256 -0.010
## poblacion_ocupada_ensambladora_year27286 19980870 91251256 0.219
## poblacion_ocupada_ensambladora_year27319 -8580815 91251256 -0.094
## poblacion_ocupada_ensambladora_year281 -179512 96786572 -0.002
## poblacion_ocupada_ensambladora_year28299 -57488134 91251256 -0.630
## poblacion_ocupada_ensambladora_year28505 20100158 91251256 0.220
## poblacion_ocupada_ensambladora_year28631 13816454 91251256 0.151
## poblacion_ocupada_ensambladora_year29188 -167555153 111759507 -1.499
## poblacion_ocupada_ensambladora_year29560 45453217 91251256 0.498
## poblacion_ocupada_ensambladora_year29817 -25979462 111759507 -0.232
## poblacion_ocupada_ensambladora_year29949 -114226180 96786572 -1.180
## poblacion_ocupada_ensambladora_year3006 225081 91251256 0.002
## poblacion_ocupada_ensambladora_year30939 -25825311 91251256 -0.283
## poblacion_ocupada_ensambladora_year31 -3217378 111759507 -0.029
## poblacion_ocupada_ensambladora_year31326 -106568309 91251256 -1.168
## poblacion_ocupada_ensambladora_year31593 -104642318 91251256 -1.147
## poblacion_ocupada_ensambladora_year3167 -1798870 91251256 -0.020
## poblacion_ocupada_ensambladora_year31902 -121670560 91251256 -1.333
## poblacion_ocupada_ensambladora_year32058 -33656603 96786572 -0.348
## poblacion_ocupada_ensambladora_year32214 15554329 91251256 0.170
## poblacion_ocupada_ensambladora_year32397 37768179 91251256 0.414
## poblacion_ocupada_ensambladora_year32737 -53610402 91251256 -0.588
## poblacion_ocupada_ensambladora_year33776 215286084 91251256 2.359
## poblacion_ocupada_ensambladora_year34166 -94222870 111759507 -0.843
## poblacion_ocupada_ensambladora_year34184 -20954762 96786572 -0.217
## poblacion_ocupada_ensambladora_year3467 -904444 91251256 -0.010
## poblacion_ocupada_ensambladora_year35667 -69484094 91251256 -0.761
## poblacion_ocupada_ensambladora_year35925 5486149 96786572 0.057
## poblacion_ocupada_ensambladora_year36108 151827074 91251256 1.664
## poblacion_ocupada_ensambladora_year3639 NA NA NA
## poblacion_ocupada_ensambladora_year36416 -61548729 111759507 -0.551
## poblacion_ocupada_ensambladora_year3658 -43946892 91251256 -0.482
## poblacion_ocupada_ensambladora_year367 9654679 91251256 0.106
## poblacion_ocupada_ensambladora_year37632 38184829 91251256 0.418
## poblacion_ocupada_ensambladora_year37833 75736097 91251256 0.830
## poblacion_ocupada_ensambladora_year3798 -6966401 91251256 -0.076
## poblacion_ocupada_ensambladora_year38 -4404019 96786572 -0.046
## poblacion_ocupada_ensambladora_year38917 -117612533 91251256 -1.289
## poblacion_ocupada_ensambladora_year3903 -2301816 91251256 -0.025
## poblacion_ocupada_ensambladora_year4011 -17089163 91251256 -0.187
## poblacion_ocupada_ensambladora_year4036 -18221227 91251256 -0.200
## poblacion_ocupada_ensambladora_year40376 77445857 96786572 0.800
## poblacion_ocupada_ensambladora_year40801 -29163382 91251256 -0.320
## poblacion_ocupada_ensambladora_year41376 -27715009 91251256 -0.304
## poblacion_ocupada_ensambladora_year4155 -8749699 91251256 -0.096
## poblacion_ocupada_ensambladora_year4164 -108398680 91251256 -1.188
## poblacion_ocupada_ensambladora_year42428 -7362946 91251256 -0.081
## poblacion_ocupada_ensambladora_year447 75389 96786572 0.001
## poblacion_ocupada_ensambladora_year45674 -68623977 91251256 -0.752
## poblacion_ocupada_ensambladora_year45735 -6458650 91251256 -0.071
## poblacion_ocupada_ensambladora_year4615 293862359 111759507 2.629
## poblacion_ocupada_ensambladora_year46197 -46607356 91251256 -0.511
## poblacion_ocupada_ensambladora_year4650 -10890470 91251256 -0.119
## poblacion_ocupada_ensambladora_year47540 -16067982 91251256 -0.176
## poblacion_ocupada_ensambladora_year48229 31896093 91251256 0.350
## poblacion_ocupada_ensambladora_year48921 -91225168 91251256 -1.000
## poblacion_ocupada_ensambladora_year49658 -34749319 111759507 -0.311
## poblacion_ocupada_ensambladora_year5022 -3932948 111759507 -0.035
## poblacion_ocupada_ensambladora_year50292 -9813744 91251256 -0.108
## poblacion_ocupada_ensambladora_year5078 -3216880 91251256 -0.035
## poblacion_ocupada_ensambladora_year5096 -101087692 91251256 -1.108
## poblacion_ocupada_ensambladora_year50998 -20268445 111759507 -0.181
## poblacion_ocupada_ensambladora_year513 -274024 91251256 -0.003
## poblacion_ocupada_ensambladora_year52 -643859 111759507 -0.006
## poblacion_ocupada_ensambladora_year528 -2590548 91251256 -0.028
## poblacion_ocupada_ensambladora_year52931 -25848730 91251256 -0.283
## poblacion_ocupada_ensambladora_year542 -347818 91251256 -0.004
## poblacion_ocupada_ensambladora_year5455 -45699225 91251256 -0.501
## poblacion_ocupada_ensambladora_year5523 -5647738 91251256 -0.062
## poblacion_ocupada_ensambladora_year5628 52901970 91251256 0.580
## poblacion_ocupada_ensambladora_year589 1159688 91251256 0.013
## poblacion_ocupada_ensambladora_year59620 -48338233 96786572 -0.499
## poblacion_ocupada_ensambladora_year6014 2633896 91251256 0.029
## poblacion_ocupada_ensambladora_year604 -19689796 91251256 -0.216
## poblacion_ocupada_ensambladora_year6077 -21888684 91251256 -0.240
## poblacion_ocupada_ensambladora_year6144 -79169552 91251256 -0.868
## poblacion_ocupada_ensambladora_year6165 -1511709 96786572 -0.016
## poblacion_ocupada_ensambladora_year645 121634327 96786572 1.257
## poblacion_ocupada_ensambladora_year65410 -23297724 91251256 -0.255
## poblacion_ocupada_ensambladora_year658 -1402906 96786572 -0.014
## poblacion_ocupada_ensambladora_year6783 -22234167 91251256 -0.244
## poblacion_ocupada_ensambladora_year7005 67293287 91251256 0.737
## poblacion_ocupada_ensambladora_year7010 1938695 91251256 0.021
## poblacion_ocupada_ensambladora_year7161 8678999 91251256 0.095
## poblacion_ocupada_ensambladora_year7357 1422081 91251256 0.016
## poblacion_ocupada_ensambladora_year74914 -59645793 91251256 -0.654
## poblacion_ocupada_ensambladora_year7497 -4275771 91251256 -0.047
## poblacion_ocupada_ensambladora_year7538 -18424627 111759507 -0.165
## poblacion_ocupada_ensambladora_year76042 -114231092 111759507 -1.022
## poblacion_ocupada_ensambladora_year7608 29441648 96786572 0.304
## poblacion_ocupada_ensambladora_year76195 82961075 91251256 0.909
## poblacion_ocupada_ensambladora_year7631 -12884346 111759507 -0.115
## poblacion_ocupada_ensambladora_year7694 -48819924 91251256 -0.535
## poblacion_ocupada_ensambladora_year7695 -69773414 91251256 -0.765
## poblacion_ocupada_ensambladora_year7697 8339266 91251256 0.091
## poblacion_ocupada_ensambladora_year7710 -43854614 91251256 -0.481
## poblacion_ocupada_ensambladora_year781 -12619850 91251256 -0.138
## poblacion_ocupada_ensambladora_year786 -23329874 91251256 -0.256
## poblacion_ocupada_ensambladora_year7889 7014715 91251256 0.077
## poblacion_ocupada_ensambladora_year8134 -65589088 91251256 -0.719
## poblacion_ocupada_ensambladora_year82050 -23110587 96786572 -0.239
## poblacion_ocupada_ensambladora_year83186 -19096394 91251256 -0.209
## poblacion_ocupada_ensambladora_year8415 -27008420 91251256 -0.296
## poblacion_ocupada_ensambladora_year84649 -55353682 91251256 -0.607
## poblacion_ocupada_ensambladora_year8538 -8057359 91251256 -0.088
## poblacion_ocupada_ensambladora_year8589 39108540 96786572 0.404
## poblacion_ocupada_ensambladora_year8763 135729108 91251256 1.487
## poblacion_ocupada_ensambladora_year915 -688053 91251256 -0.008
## poblacion_ocupada_ensambladora_year9218 -5708698 96786572 -0.059
## poblacion_ocupada_ensambladora_year9264 -32598664 91251256 -0.357
## poblacion_ocupada_ensambladora_year93703 -96097287 91251256 -1.053
## poblacion_ocupada_ensambladora_year9692 -24590049 91251256 -0.269
## poblacion_ocupada_ensambladora_year9849 -92408345 91251256 -1.013
## poblacion_ocupada_ensambladora_year990 -189413 91251256 -0.002
## Pr(>|t|)
## (Intercept) 7.91e-05 ***
## estadoBaja California 0.460816
## estadoCampeche 0.004987 **
## estadoChihuahua 0.000425 ***
## estadoCiudad de Mexico 5.41e-07 ***
## estadoCoahuila de Zaragoza < 2e-16 ***
## estadoColima 0.005002 **
## estadoDurango 0.025336 *
## estadoEstado de Mexico 0.731814
## estadoGuanajuato 5.19e-08 ***
## estadoHidalgo 0.005965 **
## estadoJalisco 0.375793
## estadoMorelos 0.012071 *
## estadoNuevo Leon 1.48e-05 ***
## estadoPuebla 2.93e-07 ***
## estadoQueretaro 1.41e-10 ***
## estadoQuintana Roo 0.001215 **
## estadoSan Luis Potosi 0.266626
## estadoSonora 0.042535 *
## estadoTamaulipas 0.006944 **
## estadoTlaxcala 0.012781 *
## estadoVeracruz de Ignacio de la Llave 0.007983 **
## estadoYucatan 0.005001 **
## estadoZacatecas 0.009008 **
## exportaciones_anual10141642000 2.20e-11 ***
## exportaciones_anual10314836000 0.008108 **
## exportaciones_anual10398672000 0.390040
## exportaciones_anual10400467000 0.019577 *
## exportaciones_anual10478612000 0.013343 *
## exportaciones_anual10594592000 3.45e-12 ***
## exportaciones_anual10701591000 0.058131 .
## exportaciones_anual11146761000 0.000788 ***
## exportaciones_anual1116042000 0.999555
## exportaciones_anual1119625000 0.999858
## exportaciones_anual11227331000 0.033364 *
## exportaciones_anual11449692000 0.568943
## exportaciones_anual1165750000 0.089097 .
## exportaciones_anual11738889000 0.000509 ***
## exportaciones_anual11794073000 0.377462
## exportaciones_anual12035000 0.999764
## exportaciones_anual12044484000 0.659376
## exportaciones_anual1238308000 0.977303
## exportaciones_anual1262654000 0.999673
## exportaciones_anual1278536000 0.745031
## exportaciones_anual12868798000 0.096335 .
## exportaciones_anual1301171000 0.948587
## exportaciones_anual1307252000 0.757835
## exportaciones_anual1310801000 0.784289
## exportaciones_anual1318941000 0.963832
## exportaciones_anual1323153000 0.954363
## exportaciones_anual13360587000 0.019778 *
## exportaciones_anual13514349000 7.01e-07 ***
## exportaciones_anual13664629000 0.122623
## exportaciones_anual1379964000 0.793816
## exportaciones_anual14009625000 0.415017
## exportaciones_anual1428633000 0.969828
## exportaciones_anual1440918000 0.855340
## exportaciones_anual1448674000 0.920153
## exportaciones_anual14512000 0.999881
## exportaciones_anual1460627000 0.027060 *
## exportaciones_anual1460865000 0.929814
## exportaciones_anual1470940000 0.999583
## exportaciones_anual15019152000 8.35e-11 ***
## exportaciones_anual15120233000 0.723833
## exportaciones_anual15294350000 0.069948 .
## exportaciones_anual15531676000 0.238673
## exportaciones_anual15611884000 0.406936
## exportaciones_anual16121000 0.999751
## exportaciones_anual1654784000 0.489295
## exportaciones_anual16642906000 0.717893
## exportaciones_anual1672357000 0.495908
## exportaciones_anual16837910000 5.59e-08 ***
## exportaciones_anual16895883000 0.207333
## exportaciones_anual17204369000 0.007015 **
## exportaciones_anual1721651000 0.952264
## exportaciones_anual1726504000 0.948901
## exportaciones_anual17332223000 0.300118
## exportaciones_anual17443597000 0.261214
## exportaciones_anual1752495000 0.492209
## exportaciones_anual17544423000 0.138515
## exportaciones_anual17547974000 1.53e-06 ***
## exportaciones_anual17735407000 0.254083
## exportaciones_anual17877862000 0.907433
## exportaciones_anual1813156000 0.027561 *
## exportaciones_anual18601992000 0.336980
## exportaciones_anual1861966000 0.493199
## exportaciones_anual18687648000 0.786756
## exportaciones_anual18737712000 0.175811
## exportaciones_anual18985000 0.999939
## exportaciones_anual191993000 NA
## exportaciones_anual19737684000 0.391870
## exportaciones_anual19840531000 0.031101 *
## exportaciones_anual19863200000 0.012341 *
## exportaciones_anual20010001000 0.746897
## exportaciones_anual20026441000 0.128721
## exportaciones_anual20093245000 0.563885
## exportaciones_anual20335098000 0.515806
## exportaciones_anual20787831000 0.053454 .
## exportaciones_anual21133618000 0.896160
## exportaciones_anual2127000000 0.559867
## exportaciones_anual2128076000 0.124878
## exportaciones_anual21392726000 0.351536
## exportaciones_anual21659640000 0.761275
## exportaciones_anual22099835000 0.123811
## exportaciones_anual2242354000 0.957630
## exportaciones_anual22472408000 0.285657
## exportaciones_anual22985164000 0.839923
## exportaciones_anual2299343000 0.953889
## exportaciones_anual2301925000 NA
## exportaciones_anual2302851000 0.000191 ***
## exportaciones_anual23360290000 0.336644
## exportaciones_anual2376795000 0.954388
## exportaciones_anual24048744000 0.001074 **
## exportaciones_anual2452302000 7.69e-07 ***
## exportaciones_anual24926226000 0.826719
## exportaciones_anual25065798000 0.108328
## exportaciones_anual25504680000 0.264642
## exportaciones_anual25507316000 0.978798
## exportaciones_anual26300102000 0.638999
## exportaciones_anual2630544000 0.001629 **
## exportaciones_anual2632148000 0.873109
## exportaciones_anual2667126000 0.779983
## exportaciones_anual26736210000 0.453803
## exportaciones_anual2684823000 0.851311
## exportaciones_anual2705297000 3.32e-07 ***
## exportaciones_anual27314741000 0.235717
## exportaciones_anual2737230000 0.726566
## exportaciones_anual27397995000 0.660314
## exportaciones_anual2760694000 0.885648
## exportaciones_anual2793509000 0.932554
## exportaciones_anual2873522000 0.985551
## exportaciones_anual2880494000 0.771551
## exportaciones_anual29130161000 0.385196
## exportaciones_anual2946392000 0.975096
## exportaciones_anual3026698000 0.986198
## exportaciones_anual30529987000 0.112850
## exportaciones_anual3086705000 0.875644
## exportaciones_anual3086747000 0.968443
## exportaciones_anual3141633000 0.980395
## exportaciones_anual31513013000 0.020031 *
## exportaciones_anual3157991000 0.930865
## exportaciones_anual32177305000 0.029761 *
## exportaciones_anual3325166000 0.962159
## exportaciones_anual3402758000 0.733918
## exportaciones_anual34511011000 0.002198 **
## exportaciones_anual34522156000 0.179426
## exportaciones_anual34590332000 0.595705
## exportaciones_anual34838926000 5.95e-12 ***
## exportaciones_anual3490783000 0.763448
## exportaciones_anual35002851000 0.038256 *
## exportaciones_anual35997280000 0.060790 .
## exportaciones_anual36004725000 0.048844 *
## exportaciones_anual36251770000 1.84e-09 ***
## exportaciones_anual36315716000 0.043994 *
## exportaciones_anual3657768000 0.976793
## exportaciones_anual37699563000 2.51e-08 ***
## exportaciones_anual3791586000 0.760401
## exportaciones_anual38441996000 0.069528 .
## exportaciones_anual38572482000 0.000247 ***
## exportaciones_anual38950677000 4.00e-07 ***
## exportaciones_anual39615279000 0.002951 **
## exportaciones_anual39857053000 0.039256 *
## exportaciones_anual39896454000 0.050207 .
## exportaciones_anual40659059000 0.140168
## exportaciones_anual41034808000 3.96e-06 ***
## exportaciones_anual42396951000 0.289185
## exportaciones_anual4339856000 0.880619
## exportaciones_anual44961569000 1.01e-11 ***
## exportaciones_anual47659461000 2.58e-05 ***
## exportaciones_anual4862567000 0.948547
## exportaciones_anual52231000 0.999894
## exportaciones_anual522839000 0.994734
## exportaciones_anual5352788000 0.918017
## exportaciones_anual5362863000 0.890841
## exportaciones_anual582973000 0.999327
## exportaciones_anual587504000 0.057760 .
## exportaciones_anual606131000 0.068173 .
## exportaciones_anual6367193000 0.906729
## exportaciones_anual6697248000 0.923728
## exportaciones_anual716061000 0.999850
## exportaciones_anual722027000 0.943763
## exportaciones_anual726530000 0.071212 .
## exportaciones_anual729883000 0.002790 **
## exportaciones_anual735262000 0.997971
## exportaciones_anual7830019000 0.559335
## exportaciones_anual7870962000 0.506361
## exportaciones_anual790859000 0.890237
## exportaciones_anual80907000 0.999744
## exportaciones_anual820169000 0.138633
## exportaciones_anual8466008000 0.890474
## exportaciones_anual8476833000 0.014218 *
## exportaciones_anual8495444000 0.542336
## exportaciones_anual8534000 0.999930
## exportaciones_anual871638000 0.250445
## exportaciones_anual8829410000 0.675432
## exportaciones_anual9147776000 0.004843 **
## exportaciones_anual9372970000 1.38e-11 ***
## exportaciones_anual9505026000 0.012374 *
## exportaciones_anual9650719000 0.473976
## exportaciones_anual9806397000 0.020721 *
## poblacion_ocupada_ensambladora_year1004 0.995976
## poblacion_ocupada_ensambladora_year1017 0.335352
## poblacion_ocupada_ensambladora_year10714 0.694570
## poblacion_ocupada_ensambladora_year1075 0.999692
## poblacion_ocupada_ensambladora_year10767 0.969271
## poblacion_ocupada_ensambladora_year11050 0.289581
## poblacion_ocupada_ensambladora_year11361 0.547670
## poblacion_ocupada_ensambladora_year11806 0.962059
## poblacion_ocupada_ensambladora_year12073 0.974294
## poblacion_ocupada_ensambladora_year12094 0.477631
## poblacion_ocupada_ensambladora_year12217 0.945103
## poblacion_ocupada_ensambladora_year124585 0.686575
## poblacion_ocupada_ensambladora_year1247 0.997523
## poblacion_ocupada_ensambladora_year12650 0.990566
## poblacion_ocupada_ensambladora_year12836 0.924345
## poblacion_ocupada_ensambladora_year13072 0.867499
## poblacion_ocupada_ensambladora_year13538 0.810777
## poblacion_ocupada_ensambladora_year13866 0.660641
## poblacion_ocupada_ensambladora_year13927 0.989924
## poblacion_ocupada_ensambladora_year13995 0.997355
## poblacion_ocupada_ensambladora_year14221 0.349891
## poblacion_ocupada_ensambladora_year144 0.999835
## poblacion_ocupada_ensambladora_year15136 0.999400
## poblacion_ocupada_ensambladora_year15762 0.646041
## poblacion_ocupada_ensambladora_year15901 0.532934
## poblacion_ocupada_ensambladora_year1601 0.431172
## poblacion_ocupada_ensambladora_year1629 0.457714
## poblacion_ocupada_ensambladora_year16844 0.971524
## poblacion_ocupada_ensambladora_year1751 0.582365
## poblacion_ocupada_ensambladora_year17726 0.827472
## poblacion_ocupada_ensambladora_year1776 0.297516
## poblacion_ocupada_ensambladora_year17790 0.992263
## poblacion_ocupada_ensambladora_year17806 0.170398
## poblacion_ocupada_ensambladora_year17876 0.638457
## poblacion_ocupada_ensambladora_year18197 0.940843
## poblacion_ocupada_ensambladora_year1827 0.974427
## poblacion_ocupada_ensambladora_year18338 0.992925
## poblacion_ocupada_ensambladora_year186 0.920058
## poblacion_ocupada_ensambladora_year1890 0.999533
## poblacion_ocupada_ensambladora_year19056 0.994086
## poblacion_ocupada_ensambladora_year19219 0.997279
## poblacion_ocupada_ensambladora_year19286 0.860418
## poblacion_ocupada_ensambladora_year1945 0.891410
## poblacion_ocupada_ensambladora_year19522 0.054893 .
## poblacion_ocupada_ensambladora_year20047 0.980754
## poblacion_ocupada_ensambladora_year217 0.998757
## poblacion_ocupada_ensambladora_year22383 0.954300
## poblacion_ocupada_ensambladora_year2252 0.998266
## poblacion_ocupada_ensambladora_year2275 0.993723
## poblacion_ocupada_ensambladora_year22783 0.849712
## poblacion_ocupada_ensambladora_year23106 0.563332
## poblacion_ocupada_ensambladora_year23160 0.175043
## poblacion_ocupada_ensambladora_year23209 0.882294
## poblacion_ocupada_ensambladora_year23991 0.995820
## poblacion_ocupada_ensambladora_year25113 0.617970
## poblacion_ocupada_ensambladora_year25660 0.819201
## poblacion_ocupada_ensambladora_year25840 0.970460
## poblacion_ocupada_ensambladora_year26248 0.920086
## poblacion_ocupada_ensambladora_year2695 0.884103
## poblacion_ocupada_ensambladora_year26950 0.369464
## poblacion_ocupada_ensambladora_year27190 0.730714
## poblacion_ocupada_ensambladora_year2720 0.992159
## poblacion_ocupada_ensambladora_year27286 0.826817
## poblacion_ocupada_ensambladora_year27319 0.925141
## poblacion_ocupada_ensambladora_year281 0.998521
## poblacion_ocupada_ensambladora_year28299 0.529148
## poblacion_ocupada_ensambladora_year28505 0.825800
## poblacion_ocupada_ensambladora_year28631 0.879747
## poblacion_ocupada_ensambladora_year29188 0.134802
## poblacion_ocupada_ensambladora_year29560 0.618750
## poblacion_ocupada_ensambladora_year29817 0.816331
## poblacion_ocupada_ensambladora_year29949 0.238808
## poblacion_ocupada_ensambladora_year3006 0.998033
## poblacion_ocupada_ensambladora_year30939 0.777351
## poblacion_ocupada_ensambladora_year31 0.977051
## poblacion_ocupada_ensambladora_year31326 0.243740
## poblacion_ocupada_ensambladora_year31593 0.252347
## poblacion_ocupada_ensambladora_year3167 0.984284
## poblacion_ocupada_ensambladora_year31902 0.183369
## poblacion_ocupada_ensambladora_year32058 0.728265
## poblacion_ocupada_ensambladora_year32214 0.864760
## poblacion_ocupada_ensambladora_year32397 0.679232
## poblacion_ocupada_ensambladora_year32737 0.557283
## poblacion_ocupada_ensambladora_year33776 0.018915 *
## poblacion_ocupada_ensambladora_year34166 0.399814
## poblacion_ocupada_ensambladora_year34184 0.828733
## poblacion_ocupada_ensambladora_year3467 0.992098
## poblacion_ocupada_ensambladora_year35667 0.446947
## poblacion_ocupada_ensambladora_year35925 0.954833
## poblacion_ocupada_ensambladora_year36108 0.097130 .
## poblacion_ocupada_ensambladora_year3639 NA
## poblacion_ocupada_ensambladora_year36416 0.582209
## poblacion_ocupada_ensambladora_year3658 0.630419
## poblacion_ocupada_ensambladora_year367 0.915805
## poblacion_ocupada_ensambladora_year37632 0.675895
## poblacion_ocupada_ensambladora_year37833 0.407177
## poblacion_ocupada_ensambladora_year3798 0.939194
## poblacion_ocupada_ensambladora_year38 0.963735
## poblacion_ocupada_ensambladora_year38917 0.198374
## poblacion_ocupada_ensambladora_year3903 0.979891
## poblacion_ocupada_ensambladora_year4011 0.851564
## poblacion_ocupada_ensambladora_year4036 0.841857
## poblacion_ocupada_ensambladora_year40376 0.424209
## poblacion_ocupada_ensambladora_year40801 0.749486
## poblacion_ocupada_ensambladora_year41376 0.761538
## poblacion_ocupada_ensambladora_year4155 0.923672
## poblacion_ocupada_ensambladora_year4164 0.235754
## poblacion_ocupada_ensambladora_year42428 0.935740
## poblacion_ocupada_ensambladora_year447 0.999379
## poblacion_ocupada_ensambladora_year45674 0.452587
## poblacion_ocupada_ensambladora_year45735 0.943618
## poblacion_ocupada_ensambladora_year4615 0.008969 **
## poblacion_ocupada_ensambladora_year46197 0.609875
## poblacion_ocupada_ensambladora_year4650 0.905077
## poblacion_ocupada_ensambladora_year47540 0.860339
## poblacion_ocupada_ensambladora_year48229 0.726914
## poblacion_ocupada_ensambladora_year48921 0.318209
## poblacion_ocupada_ensambladora_year49658 0.756058
## poblacion_ocupada_ensambladora_year5022 0.971949
## poblacion_ocupada_ensambladora_year50292 0.914423
## poblacion_ocupada_ensambladora_year5078 0.971900
## poblacion_ocupada_ensambladora_year5096 0.268788
## poblacion_ocupada_ensambladora_year50998 0.856202
## poblacion_ocupada_ensambladora_year513 0.997606
## poblacion_ocupada_ensambladora_year52 0.995407
## poblacion_ocupada_ensambladora_year528 0.977370
## poblacion_ocupada_ensambladora_year52931 0.777154
## poblacion_ocupada_ensambladora_year542 0.996961
## poblacion_ocupada_ensambladora_year5455 0.616854
## poblacion_ocupada_ensambladora_year5523 0.950688
## poblacion_ocupada_ensambladora_year5628 0.562501
## poblacion_ocupada_ensambladora_year589 0.989868
## poblacion_ocupada_ensambladora_year59620 0.617821
## poblacion_ocupada_ensambladora_year6014 0.976991
## poblacion_ocupada_ensambladora_year604 0.829301
## poblacion_ocupada_ensambladora_year6077 0.810583
## poblacion_ocupada_ensambladora_year6144 0.386268
## poblacion_ocupada_ensambladora_year6165 0.987548
## poblacion_ocupada_ensambladora_year645 0.209775
## poblacion_ocupada_ensambladora_year65410 0.798646
## poblacion_ocupada_ensambladora_year658 0.988444
## poblacion_ocupada_ensambladora_year6783 0.807652
## poblacion_ocupada_ensambladora_year7005 0.461392
## poblacion_ocupada_ensambladora_year7010 0.983063
## poblacion_ocupada_ensambladora_year7161 0.924287
## poblacion_ocupada_ensambladora_year7357 0.987576
## poblacion_ocupada_ensambladora_year74914 0.513814
## poblacion_ocupada_ensambladora_year7497 0.962657
## poblacion_ocupada_ensambladora_year7538 0.869159
## poblacion_ocupada_ensambladora_year76042 0.307503
## poblacion_ocupada_ensambladora_year7608 0.761181
## poblacion_ocupada_ensambladora_year76195 0.363960
## poblacion_ocupada_ensambladora_year7631 0.908291
## poblacion_ocupada_ensambladora_year7694 0.593020
## poblacion_ocupada_ensambladora_year7695 0.445059
## poblacion_ocupada_ensambladora_year7697 0.927242
## poblacion_ocupada_ensambladora_year7710 0.631137
## poblacion_ocupada_ensambladora_year781 0.890093
## poblacion_ocupada_ensambladora_year786 0.798374
## poblacion_ocupada_ensambladora_year7889 0.938773
## poblacion_ocupada_ensambladora_year8134 0.472808
## poblacion_ocupada_ensambladora_year82050 0.811431
## poblacion_ocupada_ensambladora_year83186 0.834369
## poblacion_ocupada_ensambladora_year8415 0.767440
## poblacion_ocupada_ensambladora_year84649 0.544544
## poblacion_ocupada_ensambladora_year8538 0.929695
## poblacion_ocupada_ensambladora_year8589 0.686433
## poblacion_ocupada_ensambladora_year8763 0.137894
## poblacion_ocupada_ensambladora_year915 0.993989
## poblacion_ocupada_ensambladora_year9218 0.953003
## poblacion_ocupada_ensambladora_year9264 0.721149
## poblacion_ocupada_ensambladora_year93703 0.293092
## poblacion_ocupada_ensambladora_year9692 0.787738
## poblacion_ocupada_ensambladora_year9849 0.311983
## poblacion_ocupada_ensambladora_year990 0.998345
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 79030000 on 318 degrees of freedom
## Multiple R-squared: 0.9716, Adjusted R-squared: 0.9384
## F-statistic: 29.28 on 371 and 318 DF, p-value: < 2.2e-16regresion2 <- lm(Total_Produccion ~ Año + Produccion, data=bd5)
summary(regresion2)##
## Call:
## lm(formula = Total_Produccion ~ Año + Produccion, data = bd5)
##
## Residuals:
## Min 1Q Median 3Q Max
## -156662104 -2346480 -288323 745268 98830383
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2.083e+09 5.845e+08 3.563 0.000400 ***
## Año -1.031e+06 2.896e+05 -3.561 0.000402 ***
## Produccion 5.394e+00 7.845e-02 68.757 < 2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 11410000 on 531 degrees of freedom
## Multiple R-squared: 0.899, Adjusted R-squared: 0.8986
## F-statistic: 2364 on 2 and 531 DF, p-value: < 2.2e-16bd5 <- data.frame(Año=2022, Produccion= 170000000)
predict(regresion2,bd5)## 1
## 914196926industria<- data.frame(Año=2022, estado= 79030000)
predict(regresion1,industriaA)## 1 2 3 4 5 6
## 2.978089e+08 1.809689e+08 6.388928e+08 4.153069e+08 4.243868e+08 2.395458e+06
## 7 8 9 10 11 12
## 5.994641e+08 4.905180e+05 7.319794e+07 1.618830e+08 7.197987e+06 5.515908e+08
## 13 14 15 16 17 18
## 2.385947e+08 7.192705e+08 1.236300e+04 1.715854e+08 1.383909e+08 4.729994e+08
## 19 20 21 22 23 24
## 5.589170e+06 2.014946e+07 3.034567e+08 2.086839e+08 8.147177e+08 5.114042e+08
## 25 26 27 28 29 30
## 4.119192e+08 2.326830e+06 6.918724e+08 1.178571e+06 9.310212e+07 1.801043e+08
## 31 32 33 34 35 36
## 6.038299e+06 5.945070e+08 2.411853e+08 7.984401e+08 2.154400e+08 1.642163e+08
## 37 38 39 40 41 42
## 5.795677e+08 6.486612e+06 6.989533e+04 1.872738e+07 3.034567e+08 2.086839e+08
## 43 44 45 46 47 48
## 8.147177e+08 5.114042e+08 4.119192e+08 2.326830e+06 6.918724e+08 1.178571e+06
## 49 50 51 52 53 54
## 9.310212e+07 1.801043e+08 6.038299e+06 5.945070e+08 2.411853e+08 7.984401e+08
## 55 56 57 58 59 60
## 2.154400e+08 1.642163e+08 5.795677e+08 6.486612e+06 6.989533e+04 1.872738e+07
## 61 62 63 64 65 66
## 3.034567e+08 2.086839e+08 8.147177e+08 5.114042e+08 4.119192e+08 2.326830e+06
## 67 68 69 70 71 72
## 6.918724e+08 1.178571e+06 9.310212e+07 1.801043e+08 6.038299e+06 5.945070e+08
## 73 74 75 76 77 78
## 2.411853e+08 7.984401e+08 2.154400e+08 1.642163e+08 5.795677e+08 6.486612e+06
## 79 80 81 82 83 84
## 6.989533e+04 1.872738e+07 3.259911e+08 2.163084e+08 7.769376e+08 4.988012e+08
## 85 86 87 88 89 90
## 4.042302e+08 1.880684e+06 6.977456e+08 6.034980e+05 9.857252e+07 1.838890e+08
## 91 92 93 94 95 96
## 2.496621e+06 5.610027e+08 2.556678e+08 7.421530e+08 2.149628e+08 1.723038e+08
## 97 98 99 100 101 102
## 5.232511e+08 6.229040e+06 3.791600e+04 2.239717e+07 3.716903e+08 2.323764e+08
## 103 104 105 106 107 108
## 9.023201e+08 5.584470e+08 4.275601e+08 2.183370e+06 7.626215e+08 7.929107e+05
## 109 110 111 112 113 114
## 1.386720e+08 1.925612e+08 2.844439e+06 6.850325e+08 2.682877e+08 8.432407e+08
## 115 116 117 118 119 120
## 2.660000e+04 2.282752e+08 2.037379e+08 5.768615e+08 8.027910e+06 3.741401e+06
## 121 122 123 124 125 126
## 7.312233e+04 2.667295e+07 3.716903e+08 2.323764e+08 9.023201e+08 5.584470e+08
## 127 128 129 130 131 132
## 4.275601e+08 2.183370e+06 7.626215e+08 7.929107e+05 1.386720e+08 1.925612e+08
## 133 134 135 136 137 138
## 2.844439e+06 6.850325e+08 2.682877e+08 8.432407e+08 2.282752e+08 2.037379e+08
## 139 140 141 142 143 144
## 5.768615e+08 8.027910e+06 3.741401e+06 7.312233e+04 2.667295e+07 3.716903e+08
## 145 146 147 148 149 150
## 2.323764e+08 9.023201e+08 5.584470e+08 4.275601e+08 2.183370e+06 7.626215e+08
## 151 152 153 154 155 156
## 7.929107e+05 1.386720e+08 1.925612e+08 2.844439e+06 6.850325e+08 2.682877e+08
## 157 158 159 160 161 162
## 8.432407e+08 2.282752e+08 2.037379e+08 5.768615e+08 8.027910e+06 7.312233e+04
## 163 164 165 166 167 168
## 2.667295e+07 3.679893e+08 2.170345e+08 8.602073e+08 5.211911e+08 4.349247e+08
## 169 170 171 172 173 174
## 6.066210e+05 7.417404e+08 7.569110e+05 2.140079e+08 1.892783e+08 4.361166e+06
## 175 176 177 178 179 180
## 6.000203e+08 2.705713e+08 7.923276e+08 2.195252e+08 2.066514e+08 5.788413e+08
## 181 182 183 184 185 186
## 8.885749e+06 3.495688e+06 1.605200e+04 3.200777e+07 3.767390e+08 2.268482e+08
## 187 188 189 190 191 192
## 1.714200e+04 9.456349e+08 5.402874e+08 5.433234e+08 1.759958e+06 7.987007e+08
## 193 194 195 196 197 198
## 7.569110e+05 2.275296e+08 1.829900e+08 5.764071e+06 6.086011e+08 2.614060e+08
## 199 200 201 202 203 204
## 8.142162e+08 2.108462e+08 2.239562e+08 5.997161e+08 1.118757e+07 3.956247e+06
## 205 206 207 208 209 210
## 1.582820e+05 3.006908e+07 3.767390e+08 2.268482e+08 9.456349e+08 5.402874e+08
## 211 212 213 214 215 216
## 5.433234e+08 1.759958e+06 7.987007e+08 2.275296e+08 1.829900e+08 6.086011e+08
## 217 218 219 220 221 222
## 2.614060e+08 8.142162e+08 2.108462e+08 2.239562e+08 5.997161e+08 1.118757e+07
## 223 224 225 226 227 228
## 3.956247e+06 1.582820e+05 3.006908e+07 3.767390e+08 2.268482e+08 9.456349e+08
## 229 230 231 232 233 234
## 5.402874e+08 5.433234e+08 1.759958e+06 7.987007e+08 7.569110e+05 2.275296e+08
## 235 236 237 238 239 240
## 1.829900e+08 5.764071e+06 6.086011e+08 2.614060e+08 8.142162e+08 2.108462e+08
## 241 242 243 244 245 246
## 2.239562e+08 5.997161e+08 1.118757e+07 3.956247e+06 1.582820e+05 3.006908e+07
## 247 248 249 250 251 252
## 3.777031e+08 2.075703e+08 9.253264e+08 5.102149e+08 5.025772e+08 2.041985e+06
## 253 254 255 256 257 258
## 7.967743e+08 2.123043e+08 1.728607e+08 3.475958e+06 6.651251e+08 2.774255e+08
## 259 260 261 262 263 264
## 7.814468e+08 2.301745e+08 2.067016e+08 5.486575e+08 1.141347e+07 5.536435e+06
## 265 266 267 268 269 270
## 1.779600e+05 2.826416e+07 3.693638e+08 2.140290e+08 9.948105e+08 5.470691e+08
## 271 272 273 274 275 276
## 5.977964e+08 2.718845e+06 8.516984e+08 1.419184e+06 1.922042e+08 1.899498e+08
## 277 278 279 280 281 282
## 6.403455e+06 6.273569e+08 2.883160e+08 8.302667e+08 1.083900e+04 2.266564e+08
## 283 284 285 286 287 288
## 1.911473e+08 6.172815e+08 1.231791e+07 5.536435e+06 1.025710e+05 2.391996e+07
## 289 290 291 292 293 294
## 3.693638e+08 2.140290e+08 9.948105e+08 5.470691e+08 5.977964e+08 2.718845e+06
## 295 296 297 298 299 300
## 8.516984e+08 1.419184e+06 1.922042e+08 1.899498e+08 6.403455e+06 6.273569e+08
## 301 302 303 304 305 306
## 2.883160e+08 8.302667e+08 2.266564e+08 1.911473e+08 6.172815e+08 1.231791e+07
## 307 308 309 310 311 312
## 5.536435e+06 2.391996e+07 3.693638e+08 2.140290e+08 9.948105e+08 5.470691e+08
## 313 314 315 316 317 318
## 5.977964e+08 2.718845e+06 8.516984e+08 1.419184e+06 1.922042e+08 1.899498e+08
## 319 320 321 322 323 324
## 6.403455e+06 6.273569e+08 2.883160e+08 8.302667e+08 2.266564e+08 1.911473e+08
## 325 326 327 328 329 330
## 6.172815e+08 1.231791e+07 5.536435e+06 1.025710e+05 2.391996e+07 3.884632e+08
## 331 332 333 334 335 336
## 1.933371e+08 9.567793e+08 5.536490e+08 8.012824e+08 4.890907e+06 7.955887e+08
## 337 338 339 340 341 342
## 1.519678e+06 2.141538e+08 2.102763e+08 4.769371e+08 3.058271e+08 8.353299e+08
## 343 344 345 346 347 348
## 2.088832e+08 2.889211e+08 6.105031e+08 1.257136e+07 7.311559e+06 2.350460e+07
## 349 350 351 352 353 354
## 3.814484e+08 2.191858e+08 1.038792e+09 6.090027e+08 8.732059e+08 1.166808e+07
## 355 356 357 358 359 360
## 8.375375e+08 1.793702e+06 2.049917e+08 2.183336e+08 3.674056e+07 5.344252e+08
## 361 362 363 364 365 366
## 3.938710e+08 8.623383e+08 2.744722e+08 3.180844e+08 7.281157e+08 1.953776e+07
## 367 368 369 370 371 372
## 7.311559e+06 3.914250e+04 2.458439e+07 3.814484e+08 2.191858e+08 1.038792e+09
## 373 374 375 376 377 378
## 6.090027e+08 8.732059e+08 1.166808e+07 8.375375e+08 1.793702e+06 2.049917e+08
## 379 380 381 382 383 384
## 2.183336e+08 3.674056e+07 5.344252e+08 3.938710e+08 8.623383e+08 3.054300e+04
## 385 386 387 388 389 390
## 2.744722e+08 3.180844e+08 7.281157e+08 1.953776e+07 7.311559e+06 2.458439e+07
## 391 392 393 394 395 396
## 3.814484e+08 2.191858e+08 1.038792e+09 6.090027e+08 8.732059e+08 1.166808e+07
## 397 398 399 400 401 402
## 8.375375e+08 1.793702e+06 2.049917e+08 2.183336e+08 3.674056e+07 5.344252e+08
## 403 404 405 406 407 408
## 3.938710e+08 8.623383e+08 3.054300e+04 2.744722e+08 3.180844e+08 7.281157e+08
## 409 410 411 412 413 414
## 1.953776e+07 7.311559e+06 3.914250e+04 2.458439e+07 3.744478e+08 2.104506e+08
## 415 416 417 418 419 420
## 9.729849e+08 5.552947e+08 8.425899e+08 1.692999e+07 7.397773e+08 1.383695e+06
## 421 422 423 424 425 426
## 2.029806e+08 2.236318e+08 2.925262e+07 4.972462e+08 4.105192e+08 8.353739e+08
## 427 428 429 430 431 432
## 1.907450e+04 3.000775e+08 2.786732e+08 6.524497e+08 2.492668e+07 9.206177e+06
## 433 434 435 436 437 438
## 3.621990e+05 2.318425e+07 3.966820e+08 3.016758e+08 1.077627e+09 5.785925e+08
## 439 440 441 442 443 444
## 8.622797e+08 3.298882e+07 7.925667e+08 1.364846e+06 1.891642e+08 2.482218e+08
## 445 446 447 448 449 450
## 1.959795e+07 6.189168e+08 4.544661e+08 9.051473e+08 1.907450e+04 3.326762e+08
## 451 452 453 454 455 456
## 2.860362e+08 6.990571e+08 2.814356e+07 9.206177e+06 1.371180e+05 2.399402e+07
## 457 458 459 460 461 462
## 3.966820e+08 3.016758e+08 1.077627e+09 5.785925e+08 8.622797e+08 3.298882e+07
## 463 464 465 466 467 468
## 7.925667e+08 1.364846e+06 1.891642e+08 2.482218e+08 1.959795e+07 6.189168e+08
## 469 470 471 472 473 474
## 4.544661e+08 9.051473e+08 1.907450e+04 3.326762e+08 2.860362e+08 6.990571e+08
## 475 476 477 478 479 480
## 2.814356e+07 9.206177e+06 1.371180e+05 2.399402e+07 3.966820e+08 3.016758e+08
## 481 482 483 484 485 486
## 1.077627e+09 5.785925e+08 8.622797e+08 3.298882e+07 7.925667e+08 1.364846e+06
## 487 488 489 490 491 492
## 1.891642e+08 2.482218e+08 1.959795e+07 6.189168e+08 4.544661e+08 9.051473e+08
## 493 494 495 496 497 498
## 1.907450e+04 3.326762e+08 2.860362e+08 6.990571e+08 2.814356e+07 9.206177e+06
## 499 500 501 502 503 504
## 1.371180e+05 2.399402e+07 3.312940e+08 2.955043e+08 1.037697e+09 5.220436e+08
## 505 506 507 508 509 510
## 7.518441e+08 5.001169e+07 7.901311e+08 1.785921e+06 1.841771e+08 2.534547e+08
## 511 512 513 514 515 516
## 5.715489e+08 4.925510e+08 8.725688e+08 3.553667e+04 3.350095e+08 2.308857e+08
## 517 518 519 520 521 522
## 6.270052e+08 2.966671e+07 8.570176e+06 3.104780e+05 2.530821e+07 2.640007e+08
## 523 524 525 526 527 528
## 2.636082e+08 8.224108e+08 4.390826e+08 7.518441e+08 4.780862e+07 6.383041e+08
## 529 530 531 532 533 534
## 2.504410e+06 1.641963e+08 2.032213e+08 5.260957e+08 4.396490e+08 7.368397e+08
## 535 536 537 538 539 540
## 2.991461e+08 1.927009e+08 5.512691e+08 2.703281e+07 8.570176e+06 2.499680e+07
## 541 542 543 544 545 546
## 2.640007e+08 2.636082e+08 8.224108e+08 4.390826e+08 7.518441e+08 4.780862e+07
## 547 548 549 550 551 552
## 6.383041e+08 2.504410e+06 1.641963e+08 2.032213e+08 5.260957e+08 4.396490e+08
## 553 554 555 556 557 558
## 7.368397e+08 3.553667e+04 2.991461e+08 1.927009e+08 5.512691e+08 2.703281e+07
## 559 560 561 562 563 564
## 8.570176e+06 3.671545e+05 2.499680e+07 2.640007e+08 2.636082e+08 8.224108e+08
## 565 566 567 568 569 570
## 4.390826e+08 7.518441e+08 4.780862e+07 6.383041e+08 2.504410e+06 1.641963e+08
## 571 572 573 574 575 576
## 2.032213e+08 1.845405e+07 5.260957e+08 4.396490e+08 7.368397e+08 3.553667e+04
## 577 578 579 580 581 582
## 2.991461e+08 1.927009e+08 5.512691e+08 2.703281e+07 8.570176e+06 3.671545e+05
## 583 584 585 586 587 588
## 2.499680e+07 3.049116e+08 2.988120e+08 9.942342e+08 1.271160e+05 5.157548e+08
## 589 590 591 592 593 594
## 7.951722e+08 6.493794e+07 7.885020e+08 3.710225e+06 1.609582e+08 2.318748e+08
## 595 596 597 598 599 600
## 6.202721e+08 5.678549e+08 9.124005e+08 3.469200e+04 3.409340e+08 2.001161e+08
## 601 602 603 604 605 606
## 6.056285e+08 3.101181e+07 7.017070e+06 6.160470e+05 3.420144e+07 2.754699e+08
## 607 608 609 610 611 612
## 3.471502e+08 1.108460e+09 5.388654e+08 6.735378e+08 5.938693e+07 7.920889e+08
## 613 614 615 616 617 618
## 3.889737e+06 1.819129e+08 2.349961e+08 6.539287e+08 5.735636e+08 8.732919e+08
## 619 620 621 622 623 624
## 3.469200e+04 3.570946e+08 1.226703e+08 6.001424e+08 3.252351e+07 1.142109e+07
## 625 626 627 628 629 630
## 8.590600e+05 3.074378e+07 2.754699e+08 3.471502e+08 1.108460e+09 5.388654e+08
## 631 632 633 634 635 636
## 6.735378e+08 5.938693e+07 7.920889e+08 3.889737e+06 1.819129e+08 2.349961e+08
## 637 638 639 640 641 642
## 2.599988e+07 6.539287e+08 5.735636e+08 8.732919e+08 3.469200e+04 3.570946e+08
## 643 644 645 646 647 648
## 1.226703e+08 6.001424e+08 3.252351e+07 1.142109e+07 3.074378e+07 3.031481e+08
## 649 650 651 652 653 654
## 3.638064e+08 1.299710e+09 5.998355e+08 8.046957e+08 6.434126e+07 8.837144e+08
## 655 656 657 658 659 660
## 6.001648e+06 1.909313e+08 2.592726e+08 7.135870e+08 1.195493e+09 9.387828e+08
## 661 662 663 664 665 666
## 4.101550e+04 4.136207e+08 6.817289e+07 5.581598e+08 3.225427e+07 1.445441e+07
## 667 668 669 670 671 672
## 4.680500e+05 2.342477e+07 3.160324e+08 3.985557e+08 1.467266e+09 7.140666e+08
## 673 674 675 676 677 678
## 8.877915e+08 6.492726e+07 9.395069e+08 6.645507e+06 2.169108e+08 2.776972e+08
## 679 680 681 682 683 684
## 3.388969e+07 8.078099e+08 9.016306e+08 1.057338e+09 4.101550e+04 4.404008e+08
## 685 686 687 688 689 690
## 8.844133e+07 6.197085e+08 3.618722e+07 1.767179e+07 1.208080e+05 2.234020e+07Viendo los datos que se muestran en la regresión, se puede observar una alza en la significancia entre las variables de año y producción para nuestra dependiente. El año siendo negativa y la producción positiva en el impacto que deja.
El modelo anterior nos muestra cuánto se estima que se producirá a nivel global en la industria del cartón para 2022. De acuerdo a una producción total aproximada de 170 millones de cartón en 2021, se espera que en 2022 se produzcan 914,196,926. En este caso, el prónostico fue realizado al crear un nuevo ‘data frame’ y al implementar la función de ‘lm’, usada para crear análisis regresivos y predictivos.
Modelos de regresión lineal múltiple: Producción de cartón en 2022 para Estados Unidos y México
Importar base de datos (3)
bd6 <-read.csv("C:\\Users\\danyc\\Downloads\\externa_bd3 csv3 (1).csv")
summary(bd6)## Año USA MEX
## Min. :2016 Min. :48847 Min. :103443
## 1st Qu.:2017 1st Qu.:52256 1st Qu.:114333
## Median :2018 Median :54328 Median :124555
## Mean :2018 Mean :53932 Mean :123036
## 3rd Qu.:2020 3rd Qu.:55203 3rd Qu.:129521
## Max. :2021 Max. :59031 Max. :143561sum(is.na(bd6))## [1] 0summary(bd6)## Año USA MEX
## Min. :2016 Min. :48847 Min. :103443
## 1st Qu.:2017 1st Qu.:52256 1st Qu.:114333
## Median :2018 Median :54328 Median :124555
## Mean :2018 Mean :53932 Mean :123036
## 3rd Qu.:2020 3rd Qu.:55203 3rd Qu.:129521
## Max. :2021 Max. :59031 Max. :143561str(bd6)## 'data.frame': 6 obs. of 3 variables:
## $ Año: int 2016 2017 2018 2019 2020 2021
## $ USA: num 48847 51672 54006 55387 54651 ...
## $ MEX: num 103443 112231 120639 128471 129871 ...Modelo de regresión múltiple: Producción de cartón en 2022: México
La predicción anterior nos arroja que hay un impacto positivo y significativo entre la variable Año y la variable dependiente. Esto significa que hay una predicción positiva de crecimiento acorde al año. De acuerdo a la producción total generada por México de 2016 a 2021 (740 M), el modelo pronóstico estima que en 2022 producirá 149,170.3. En la gráfica previa se muestra el punto de predicción. Si analizamos la producción de 2021 contra el pronóstico de 2022, se estima que la producción mexicana disminuirá. Podemos suponer que esto se debe a la deficiencia en la cadena de suministro global, así como factores económicos globales.
regresion3 <- lm(MEX ~ USA + Año, data=bd6)
summary(regresion3)##
## Call:
## lm(formula = MEX ~ USA + Año, data = bd6)
##
## Residuals:
## 1 2 3 4 5 6
## 574.6 -373.0 -664.0 478.2 -345.3 329.5
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -7.614e+06 1.010e+06 -7.540 0.00484 **
## USA 2.109e+00 2.749e-01 7.674 0.00460 **
## Año 3.777e+03 5.072e+02 7.446 0.00501 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 675 on 3 degrees of freedom
## Multiple R-squared: 0.9986, Adjusted R-squared: 0.9977
## F-statistic: 1100 on 2 and 3 DF, p-value: 5.023e-05regresion3 <- lm(MEX ~ Año, data=bd6)
summary(regresion3)##
## Call:
## lm(formula = MEX ~ Año, data = bd6)
##
## Residuals:
## 1 2 3 4 5 6
## -925.5 395.3 1336.2 1701.6 -4365.0 1857.6
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -1.495e+07 1.281e+06 -11.67 0.000308 ***
## Año 7.467e+03 6.347e+02 11.77 0.000299 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 2655 on 4 degrees of freedom
## Multiple R-squared: 0.9719, Adjusted R-squared: 0.9649
## F-statistic: 138.4 on 1 and 4 DF, p-value: 0.0002986bd6 <- data.frame(Año=2022, Produccion= 740000)
predict(regresion3,bd6)## 1
## 149170.3ggplot(bd6, aes(x=Año, y=Produccion))+
geom_point() +
geom_line(aes(y=Produccion), color="red", linetype="dashed") +
geom_line(aes(y=Produccion), color="red", linetype="dashed") +
geom_smooth(method=lm, formula=y~x, se=TRUE, level=0.95, col='blue', fill='pink2') +
theme_light()## geom_path: Each group consists of only one observation. Do you need to adjust
## the group aesthetic?
## geom_path: Each group consists of only one observation. Do you need to adjust
## the group aesthetic?
Modelos de regresión lineal múltiple: Producción de cartón en 2022 para Estados Unidos y México
Importar base de datos (3)
bd6 <-read.csv("C:\\Users\\danyc\\Downloads\\externa_bd3 csv3 (1).csv")
summary(bd6)## Año USA MEX
## Min. :2016 Min. :48847 Min. :103443
## 1st Qu.:2017 1st Qu.:52256 1st Qu.:114333
## Median :2018 Median :54328 Median :124555
## Mean :2018 Mean :53932 Mean :123036
## 3rd Qu.:2020 3rd Qu.:55203 3rd Qu.:129521
## Max. :2021 Max. :59031 Max. :143561sum(is.na(bd6))## [1] 0summary(bd6)## Año USA MEX
## Min. :2016 Min. :48847 Min. :103443
## 1st Qu.:2017 1st Qu.:52256 1st Qu.:114333
## Median :2018 Median :54328 Median :124555
## Mean :2018 Mean :53932 Mean :123036
## 3rd Qu.:2020 3rd Qu.:55203 3rd Qu.:129521
## Max. :2021 Max. :59031 Max. :143561str(bd6)## 'data.frame': 6 obs. of 3 variables:
## $ Año: int 2016 2017 2018 2019 2020 2021
## $ USA: num 48847 51672 54006 55387 54651 ...
## $ MEX: num 103443 112231 120639 128471 129871 ...Modelos de regresión lineal múltiple: Producción de cartón en 2022: Estados Unidos
Para la predicción de Estados Unidos, vemos que habrá un incremento en la producción de cartón contra 2021. Sin embargo, al analizar la producción total de México contra la producción total de Estados Unidos, vemos que la mexicana es mucho mayor. Podemos suponer que esto se debe debido a la mano de obra económica del mercado mexicano.
De acuerdo a la predicción anterior, se ve un incremento positivo para la variable México con la variable dependiente, a diferencia del año que muestra un impacto menor y negativo, pero igualmente significativo.
regresion2 <- lm(USA ~ MEX + Año, data=bd6)
summary(regresion2)##
## Call:
## lm(formula = USA ~ MEX + Año, data = bd6)
##
## Residuals:
## 1 2 3 4 5 6
## -293.67 185.92 345.50 -187.61 63.41 -113.54
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 3.266e+06 8.915e+05 3.663 0.0352 *
## MEX 4.511e-01 5.878e-02 7.674 0.0046 **
## Año -1.619e+03 4.452e+02 -3.636 0.0358 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 312.1 on 3 degrees of freedom
## Multiple R-squared: 0.9951, Adjusted R-squared: 0.9918
## F-statistic: 304.3 on 2 and 3 DF, p-value: 0.0003435regresion2 <- lm(USA ~ Año, data=bd6)
summary(regresion2)##
## Call:
## lm(formula = USA ~ Año, data = bd6)
##
## Residuals:
## 1 2 3 4 5 6
## -711.2 364.2 948.3 580.0 -1905.7 724.4
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -3477589.1 592456.5 -5.870 0.00421 **
## Año 1749.6 293.5 5.961 0.00398 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1228 on 4 degrees of freedom
## Multiple R-squared: 0.8988, Adjusted R-squared: 0.8735
## F-statistic: 35.53 on 1 and 4 DF, p-value: 0.003977bd6 <- data.frame(Año=2022, Produccion= 320000)
predict(regresion2,bd6)## 1
## 60055.85Pronóstico
#install.packages("forecast")
library(forecast)Pronosticar el desempeño de la industria automotriz (EUA y MEX) para los 3 periodos de tiempo.
#file.choose()
externo<- read.csv("C:\\Users\\danyc\\Downloads\\externa_bd3 csv3.csv")Crear serie de tiempo
produccion_mexico<- c(externo$MEX)
produccion_usa<- c(externo$USA)produccionm<-ts(data=produccion_mexico, start=c(2016,1), frequency=1)
produccionu<-ts(data=produccion_usa, start=c(2016,1), frequency=1)
produccionm## Time Series:
## Start = 2016
## End = 2021
## Frequency = 1
## [1] 103442.8 112230.6 120638.5 128470.9 129871.3 143560.9produccionu## Time Series:
## Start = 2016
## End = 2021
## Frequency = 1
## [1] 48847.2 51672.2 54005.8 55387.1 54651.0 59030.7modelom<- auto.arima(produccionm, D=1)
modelou<- auto.arima(produccionu, D=1)
modelom## Series: produccionm
## ARIMA(0,1,0) with drift
##
## Coefficients:
## drift
## 8023.620
## s.e. 1752.032
##
## sigma^2 = 19186921: log likelihood = -48.46
## AIC=100.92 AICc=106.92 BIC=100.14modelou## Series: produccionu
## ARIMA(0,1,0)
##
## sigma^2 = 7012061: log likelihood = -46.5
## AIC=95 AICc=96.34 BIC=94.61pronosticom <- forecast(modelom, level=c(95), h=4)
pronosticom## Point Forecast Lo 95 Hi 95
## 2022 151584.5 142999.3 160169.7
## 2023 159608.1 147466.8 171749.5
## 2024 167631.8 152761.7 182501.8
## 2025 175655.4 158485.0 192825.8plot(pronosticom)
pronosticou <- forecast(modelou, level=c(95), h=4)
pronosticou## Point Forecast Lo 95 Hi 95
## 2022 59030.7 53840.66 64220.74
## 2023 59030.7 51690.87 66370.53
## 2024 59030.7 50041.28 68020.12
## 2025 59030.7 48650.61 69410.79plot(pronosticou)
Pronosticar el desempeño de produccion de Form para los proximos 3 periodos de tiempo.
#file.choose()
formproduccion<- read.csv("C:\\Users\\danyc\\OneDrive - Instituto Tecnologico y de Estudios Superiores de Monterrey\\Desktop\\Form_produccionbaselimpia.csv")Crear serie de tiempo
produccionform<- c(formproduccion$laminas_procesadas)produccionf<-ts(data=produccionform, start=c(2022,7), end=c(2025, 12), frequency=12)
produccionf## Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
## 2022 3 2 2 1 1 3
## 2023 2 5 5 10 5 1 5 7 12 4 7 1
## 2024 15 9 9 9 10 18 22 22 9 45 22 11
## 2025 22 11 11 21 11 11 11 6 11 11 11 11modelof<- auto.arima(produccionf, D=1)
modelof## Series: produccionf
## ARIMA(2,1,0)(1,1,0)[12]
##
## Coefficients:
## ar1 ar2 sar1
## -0.7093 -0.3922 -0.6559
## s.e. 0.1707 0.1731 0.1338
##
## sigma^2 = 79.45: log likelihood = -106.7
## AIC=221.39 AICc=223.06 BIC=226.86pronosticof <- forecast(modelof, level=c(95), h=3)
pronosticof## Point Forecast Lo 95 Hi 95
## Jan 2026 16.15994 -1.310577 33.63046
## Feb 2026 10.94930 -7.244584 29.14318
## Mar 2026 12.23185 -7.267684 31.73139plot(pronosticof)
Pronostico 2 FORM Bajas
#file.choose()
formbajas<- read.csv("C:\\Users\\danyc\\Downloads\\HR_Bajas 2.csv")Crear serie de tiempo
bajasform<- c(formbajas$NO.DE.BAJAS)bajasf<-ts(data=bajasform, start=c(2022,7), end=c(2025, 12), frequency=12)
bajasf## Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
## 2022 5 6 7 8 9 11
## 2023 12 16 19 20 21 24 25 29 30 31 32 33
## 2024 34 43 70 80 82 83 84 85 110 129 130 145
## 2025 146 147 149 150 151 152 153 166 167 168 169 170bmodelof<- auto.arima(bajasf, D=1)
bmodelof## Series: bajasf
## ARIMA(0,1,1)(0,1,0)[12]
##
## Coefficients:
## ma1
## 0.3839
## s.e. 0.1814
##
## sigma^2 = 118.8: log likelihood = -109.99
## AIC=223.99 AICc=224.45 BIC=226.72pronbaja <- forecast(bmodelof, level=c(95), h=3)
pronbaja## Point Forecast Lo 95 Hi 95
## Jan 2026 165.2291 143.8665 186.5917
## Feb 2026 166.2291 129.7551 202.7030
## Mar 2026 168.2291 121.2787 215.1795plot(pronbaja)
Describe los resultados
Realizamos una serie de tiempo tanto para la base de la industria automotriz como para la base de producción de FORM, este es enfocado a las laminas procesadas cada mes y en la industria es por año. Para poder realizar este Analisis de Resultado realizamos una grafica y un modelo de Predicción por medio de la función auto.arima. Gracias a esta función, le especificamos desde que Fecha empezará a obtener datos de la base de Datos y también colocamos la frecuencia, que se refiere a cómo se comporta, en cuestión a si se va a calcular por mes o por año. Así mismo, obtuvimos para la industria tanto en México como en EU, que son los países en los que se enfoca más FORM y obtengan mejor oportunidad de crecimiento. Al realizar este modelo calculamos para los próximos 3 periodos, en este caso para el 2025 y obtuvimos los siguientes resultados: - Industria Automotriz en México:
- Partiendo de un margen del 95%, queriendo decir, que este modelo es más preciso por lo que al ver la grafica obtenemos que tendrá un incremento constante en los próximos 3 años, partiendo del 2022.
- Este crecimiento de la industria automotriz en México se estima un crecimiento del 16% para 2025, lo que beneficia a FORM para continuar produciendo en el mercado Mexicano.
Industria Automotriz en Estados Unidos:
- Para 2022 el pronostico es de 59 mil, que este se puede mantener constante en los próximos 3 años hasta 2025
- Se obtiene un escenario optimista con la precisión del 95%, lo que quiere decir que para finales del 2025, puede estar igual en 59 mil o aumentar hasta los 69 mil. Esto indicaría que va en aumento año con año y terminaría el 2025 con un aumento del casi 20%. Lo que indicaría algo bueno para FORM, dandole oportunidad a aumentar su cartera de clientes dentro del mercado Estadounidense y teniendo un buen impacto de la industria para los próximos periodos.
Empresa FORM:
- Se hizo el pronostico por mes y dando un periodo hasta el 2026, partiendo del 2022 con 3 en cuanto a producción de laminas procesadas, se estima que este tenga un aumento constante, ademas de que entre el 2024 y 2025 tenga un punto de pique más alto, que posteriormente volverá a estabilizarse pero que se mantendrá constante entre los 10 a 20 en producción.
- Se pronostica que para el 2026 se tenga un 33 en producción del área de laminas procesadas, teniendo una precisión del 95% en un escenario optimista. Así mismo este se puede mantener constante en 10 o aumentar como se comentó anteriormente y este crecimiento a términos del 2026 tomando el escenario optimista, sería de poco mas del 90% lo que sería un gran aumento para FORM. También si fuera sin el 95% para inicios del 2026 serían 16 en producción con el 60% de aumento, lo que seguiría siendo algo importante para FORM.
- Se pronostica según el modelo realizado que las bajas de form irás incrementando cada vez más en los próximos 3 años, logrando así una tasa de rotación más alta de la que están considerando hoy en día, es por eso que se necesitarían hacer unos cambios preventivos para poder evitar ese tipo de tragedia que harían que FORM pierda dinero al tener que incurrir en una capacitación desde cero en lugar de cuidar a su personal actual.
K-Means
Cluster 1
Limpieza de datos y transformacion
Importar Base de Datos
file.choose()
Explorar datos
rh1<-rh %>% dplyr:: select(EDAD,DIAS.TRABAJADOS,SALARIO.DIARIO.IMSS,GENERO)
summary(rh1)## EDAD DIAS.TRABAJADOS SALARIO.DIARIO.IMSS GENERO
## Min. : 0.00 Min. : 0.00 Min. :151.6 Length:78
## 1st Qu.:22.25 1st Qu.: 9.00 1st Qu.:180.7 Class :character
## Median :30.00 Median : 19.00 Median :180.7 Mode :character
## Mean :30.50 Mean : 45.10 Mean :174.3
## 3rd Qu.:36.00 3rd Qu.: 39.75 3rd Qu.:180.7
## Max. :52.00 Max. :730.00 Max. :183.7Normalizar los datos
rh1_norm<-scale(rh1[2:3]) Numero Optimo de Clusters
fviz_nbclust(rh1_norm, kmeans, method="wss")+ # wss method considers total within sum of square
geom_vline(xintercept=4, linetype=2)+ # optimal number of clusters is computed with the default method = "euclidean"
labs(subtitle = "Elbow method") 
#file.choose()Visualizar la info de clusters
rh1_cluster<-kmeans(rh1_norm,4)
rh1_cluster## K-means clustering with 4 clusters of sizes 1, 17, 8, 52
##
## Cluster means:
## DIAS.TRABAJADOS SALARIO.DIARIO.IMSS
## 1 7.5323951 0.5246350
## 2 0.2712304 -1.8780410
## 3 0.6353722 0.4428101
## 4 -0.3312748 0.5357612
##
## Clustering vector:
## [1] 2 2 2 2 2 2 2 2 2 2 2 2 4 4 4 4 4 4 4 3 2 4 2 2 2 2 4 4 4 4 4 4 4 4 4 4 4 4
## [39] 4 4 4 4 4 4 4 3 4 4 3 3 3 1 4 4 3 4 4 4 4 4 4 4 4 4 4 4 4 3 3 4 4 4 4 4 4 4
## [77] 4 4
##
## Within cluster sum of squares by cluster:
## [1] 0.000000 6.019937 3.270968 1.055662
## (between_SS / total_SS = 93.3 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"Muestra que utilicemos 4 clusters para analizar y visualizar la información.
Visualizar Resultados
fviz_cluster(rh1_cluster,data=rh1_norm)
El primer cluster analiza la relación entre el salario diario IMSS y los días trabajados de los empleados que ya fueron dados de baja. En este caso, vemos que hay un impacto alto entre aquellos empleados que trabajaron de 2 a 8 días, pero tuvieron un salario diario bajo, mucho menor a 0 en la gráfica. Los otros dos resultados, se muestra que trabajaron menos días, pero al igual que el primer cluster explicado, tuvieron un salario muy bajo. Con estos tres, hay una correlación alta, significativa y negativa. Para el grupo de arriba, vemos que estos trabajaron un promedio de 2-3 días y tuvieron un salario diario muy alto. Podemos inferir que este grupo pertenece al área administrativa, que como vimos en análisis anteriores, son el grupo con un salario mucho más alto al resto.
rh2<-rh1
rh2$Clusters<-rh1_cluster$cluster
summary(rh2)## EDAD DIAS.TRABAJADOS SALARIO.DIARIO.IMSS GENERO
## Min. : 0.00 Min. : 0.00 Min. :151.6 Length:78
## 1st Qu.:22.25 1st Qu.: 9.00 1st Qu.:180.7 Class :character
## Median :30.00 Median : 19.00 Median :180.7 Mode :character
## Mean :30.50 Mean : 45.10 Mean :174.3
## 3rd Qu.:36.00 3rd Qu.: 39.75 3rd Qu.:180.7
## Max. :52.00 Max. :730.00 Max. :183.7
## Clusters
## Min. :1.000
## 1st Qu.:3.000
## Median :4.000
## Mean :3.423
## 3rd Qu.:4.000
## Max. :4.000Crear un dataset
rh3<-rh2 %>% group_by(Clusters) %>% summarise(SALARIO.DIARIO.IMSS=max(SALARIO.DIARIO.IMSS), DIAS.TRABAJADOS=mean(DIAS.TRABAJADOS)) %>% arrange(desc(SALARIO.DIARIO.IMSS))
summary(rh3)## SALARIO.DIARIO.IMSS DIAS.TRABAJADOS
## Min. :183.7 Min. :45.1
## 1st Qu.:183.7 1st Qu.:45.1
## Median :183.7 Median :45.1
## Mean :183.7 Mean :45.1
## 3rd Qu.:183.7 3rd Qu.:45.1
## Max. :183.7 Max. :45.1Agrupar clusters por nombre
rh2$Cluster_Names<-factor(rh2$Clusters,levels = c(1,2,3,4),
labels=c("Bajo", "Promedio ", "Arriba del prom", "Alto"))
summary(rh2)## EDAD DIAS.TRABAJADOS SALARIO.DIARIO.IMSS GENERO
## Min. : 0.00 Min. : 0.00 Min. :151.6 Length:78
## 1st Qu.:22.25 1st Qu.: 9.00 1st Qu.:180.7 Class :character
## Median :30.00 Median : 19.00 Median :180.7 Mode :character
## Mean :30.50 Mean : 45.10 Mean :174.3
## 3rd Qu.:36.00 3rd Qu.: 39.75 3rd Qu.:180.7
## Max. :52.00 Max. :730.00 Max. :183.7
## Clusters Cluster_Names
## Min. :1.000 Bajo : 1
## 1st Qu.:3.000 Promedio :17
## Median :4.000 Arriba del prom: 8
## Mean :3.423 Alto :52
## 3rd Qu.:4.000
## Max. :4.000Muchos días trabajados y poco salario
Agrupar y dar resumen por nombres
rh4 <- rh2%>% group_by (Cluster_Names, GENERO) %>% dplyr:: summarize(DIAS.TRABAJADOS=max(DIAS.TRABAJADOS),
SALARIO.DIARIO.IMSS =mean(SALARIO.DIARIO.IMSS),
Count=n())## `summarise()` has grouped output by 'Cluster_Names'. You can override using the
## `.groups` argument.Dar formato de tabla para enseñar la informacion de los clusters
clusters<-as.data.frame(rh4)
clusters## Cluster_Names GENERO DIAS.TRABAJADOS SALARIO.DIARIO.IMSS Count
## 1 Bajo MASCULINO 730 180.6800 1
## 2 Promedio FEMENINO 161 151.6100 10
## 3 Promedio MASCULINO 169 151.6100 7
## 4 Arriba del prom FEMENINO 251 180.0200 6
## 5 Arriba del prom MASCULINO 88 178.7000 2
## 6 Alto FEMENINO 53 180.8151 37
## 7 Alto MASCULINO 33 180.8133 15Graficar el no. de datos observados por nombre de clusters
ggplot(rh4,aes(x=reorder(Cluster_Names,Count),y=Count,fill=Cluster_Names)) +
geom_bar(stat="identity")
De acuerdo a la clasificación de clusters, la gráfica anterior nos muestra el impacto y conteo de cada cluster dependiendo del grupo de baja analizado, es decir, vemos la relación entre días trabajados y salario diario, clasificando el conteo acorde a la cantidad de bajas obtenidas. En este caso, en la gráfica se muestra que aquellos que trabajaron más de 600 días y menos de 1900 días, obtuvieron un salario promedio de $500 pesos diario. Entra en la categoría de ‘bajo’, ya que sólo una persona obtuvo esta descripción. El promedio de las personas dadas de baja trabajaron más de 1900 días y obtuvieron un salario diario de $170 pesos. En la barra de ‘alto’ vemos a aquellos ex-empleados que trabajaron 421 días y tuvieron un salario diario de $150 pesos. Por último, vemos a aquellos ‘arriba del promedio’ y son aquellos que tabajaron un promedio de 455 días y tuvieron un salario diario de $180 pesos. Este último grupo es el que tuvo mayor conteo de personas, es decir, la mayoría de las bajas estuvieron laborando más de un año en FORM y tenían un salario diario de $180 pesos.
Ver Rangos
Rango de “Días trabajados” por nombre
ggplot(rh4, aes(x=Cluster_Names,y=DIAS.TRABAJADOS,fill= Cluster_Names,label=round(DIAS.TRABAJADOS,digits=2))) +
geom_col() +
geom_text()
La gráfica anterior nos presenta la cantidad de días trabajados de acuerdo a la clasificación explicada anteriormente de ‘bajo’, ‘promedio’, ‘arriba del promedio’ y ‘alto’. Con esto en mente, vemos que el promedio de los empleados juntaron un total de 1966 días trabajados, siguiéndole el grupo de ‘bajo’, los que laboraron un promedio de 628 días, luego ‘arriba del promedio’ que laboró 455 días y finalmente ‘alto’, que únicamente laboró 421 días. En todos los grupos, vemos que los empleados trabajaron por más de 1 año en FORM y ganaban un salario diario mayor a $150 pesos.
Ver el rango de Salario Diario
ggplot(rh4,aes(x=Cluster_Names,y=SALARIO.DIARIO.IMSS,fill= Cluster_Names,label=round(SALARIO.DIARIO.IMSS,digits=2))) +
geom_col() +
geom_text()
La gráfica anterior nos presenta la relación entre el salario diario IMSS y la clasificación explicada anteriormente de ‘bajo’, ‘promedio’, ‘arriba del promedio’ y ‘alto’. Con esto en mente, vemos que el segmento ‘bajo’ es el que tenía un salario más alto que la mayoría. El promedio ganaba un salario diario de $170,79 pesos, ‘arriba del promedio’ ganaba $180,54 pesos y el segmento ‘alto’ gabana un promedio de $151,61 pesos de salario diario. Esto denota una variabilidad alta y podemos suponer que esto se debía de acuerdo a las responsabilidades y puestos analizados.
Dispersion de Dias Trabajados
ggplot(rh2, aes(x=Cluster_Names, y=DIAS.TRABAJADOS, fill=Cluster_Names)) +
geom_boxplot()+
ggtitle("Dispersion of 'Días trabajados' by Clusters Names")
La gráfica anterior explica la dispersión de días trabajados de acuerdo a la clasificación explicada anteriormente de ‘bajo’, ‘promedio’, ‘arriba del promedio’ y ‘alto’. Con esto en mente, vemos que el grupo con mayor dispersión es ‘promedio’, pues hay una variabilidad más significativa en los datos de la cantidad de días trabajados, destacando la media de días trabajados, es decir, 1000 días. En el caso de ‘bajo’, hay una dispersión baja y poco variable. Para ‘arriba del promedio’, vemos que los puntos atípicos se salen del boxplot específico, lo cual quitarlos nos puede dar mayor claridad y visibilidad de la información. Para ‘alto’ se muestra una dispersión menor a ‘promedio’ y al igual que ‘arriba del promedio’, tiene aparición de puntos atípicos.
Dispersion de Salario diario
ggplot(rh2, aes(x=Cluster_Names, y=SALARIO.DIARIO.IMSS, fill=Cluster_Names)) +
geom_boxplot()+
ggtitle("Dispersion of 'Salario_Diario' by Clusters Names")
La gráfica anterior explica la dispersión de salario diario de acuerdo a la clasificación explicada anteriormente de ‘bajo’, ‘promedio’, ‘arriba del promedio’ y ‘alto’. ‘Bajo’ muestra un salario diario de $500 pesos, ‘promedio’ muestra un salario de $180 pesos aprox y puntos atípicos que podrían insinuar un salario menor, ‘arriba del promedio’ también muestra puntos atípicos. Sin embargo, todos se mantienen al igual que el dato anterior entre $170 y $180 pesos de salario diario, Finalmente, ‘alto’ muestra un salario diario abajo del promedio de aprox. $140 pesos.
Cluster 2
rhCluster2<-read.csv("C:\\Users\\danyc\\Downloads\\HR_Bajas 2.csv")
summary(rhCluster2)## NO.DE.BAJAS APELLIDOS NOMBRE FECHA.DE.NACIMIENTO
## Min. : 5.00 Length:78 Length:78 Min. :25585
## 1st Qu.: 49.75 Class :character Class :character 1st Qu.:31751
## Median :167.50 Mode :character Mode :character Median :33797
## Mean :139.60 Mean :33611
## 3rd Qu.:212.75 3rd Qu.:36519
## Max. :238.00 Max. :44632
## EDAD GENERO FECHA.DE.ALTA MOTIVO.DE.BAJA
## Min. : 0.00 Length:78 Min. :43961 Length:78
## 1st Qu.:22.25 Class :character 1st Qu.:44567 Class :character
## Median :30.00 Mode :character Median :44726 Mode :character
## Mean :30.50 Mean :44664
## 3rd Qu.:36.00 3rd Qu.:44759
## Max. :52.00 Max. :44790
## DIAS.TRABAJADOS BAJA PUESTO DEPARTAMENTO
## Min. : 0.00 Min. :44569 Length:78 Length:78
## 1st Qu.: 9.00 1st Qu.:44613 Class :character Class :character
## Median : 19.00 Median :44741 Mode :character Mode :character
## Mean : 45.10 Mean :44709
## 3rd Qu.: 39.75 3rd Qu.:44784
## Max. :730.00 Max. :44814
## NO.SEGURO.SOCIAL SALARIO.DIARIO.IMSS FACTOR.CRED.INFONAVIT
## Length:78 Min. :151.6 Min. : 0.0
## Class :character 1st Qu.:180.7 1st Qu.: 0.0
## Mode :character Median :180.7 Median : 0.0
## Mean :174.3 Mean : 130.4
## 3rd Qu.:180.7 3rd Qu.: 0.0
## Max. :183.7 Max. :2795.3
## NO.CREDITO.INFONAVIT LUGAR.DE.NACIMIENTO CURP CALLE
## Min. :0.000e+00 Length:78 Length:78 Length:78
## 1st Qu.:0.000e+00 Class :character Class :character Class :character
## Median :0.000e+00 Mode :character Mode :character Mode :character
## Mean :1.871e+08
## 3rd Qu.:0.000e+00
## Max. :6.919e+09
## NUMERO.INTERNO COLONIA CODIGO.POSTAL MUNICIPIO
## Length:78 Length:78 Min. :25019 Length:78
## Class :character Class :character 1st Qu.:33604 Class :character
## Mode :character Mode :character Median :33604 Mode :character
## Mean :46508
## 3rd Qu.:66645
## Max. :67450
## ESTADO ESTADO.CIVIL TARJETA.CUENTA
## Length:78 Length:78 Length:78
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
## str(rhCluster2)## 'data.frame': 78 obs. of 26 variables:
## $ NO.DE.BAJAS : int 5 6 7 8 9 11 12 16 19 20 ...
## $ APELLIDOS : chr "BERNAL FLORES" "SAUCEDO GUZMAN" "MEZA LLANAS" "TORRES LARA" ...
## $ NOMBRE : chr "ERIKA ROSALINDA" "GUADALUPE" "YOANA CRISTINA" "CESAR ANTONIO" ...
## $ FECHA.DE.NACIMIENTO : int 33997 28106 34174 33491 26422 36970 32443 37872 37512 36915 ...
## $ EDAD : int 29 46 29 31 50 21 34 19 20 21 ...
## $ GENERO : chr "FEMENINO" "FEMENINO" "FEMENINO" "MASCULINO" ...
## $ FECHA.DE.ALTA : int 44518 44532 44532 44538 44551 44531 44532 44488 44541 44546 ...
## $ MOTIVO.DE.BAJA : chr "RENUNCIA VOLUNTARIA" "BAJA POR FALTAS" "BAJA POR FALTAS" "BAJA POR FALTAS" ...
## $ DIAS.TRABAJADOS : int 51 37 37 31 18 40 39 86 33 28 ...
## $ BAJA : int 44569 44569 44569 44569 44569 44571 44571 44574 44574 44574 ...
## $ PUESTO : chr "AYUDANTE GENERAL" "AYUDANTE GENERAL" "AYUDANTE GENERAL" "AYUDANTE GENERAL" ...
## $ DEPARTAMENTO : chr "VARIOS" "VARIOS" "VARIOS" "VARIOS" ...
## $ NO.SEGURO.SOCIAL : chr "43109363747" "43937683647" "43099330201" "43099151714" ...
## $ SALARIO.DIARIO.IMSS : num 152 152 152 152 152 ...
## $ FACTOR.CRED.INFONAVIT: num 0 1320 0 0 0 ...
## $ NO.CREDITO.INFONAVIT : num 0.00 1.92e+09 0.00 0.00 0.00 ...
## $ LUGAR.DE.NACIMIENTO : chr "NUEVO LEON" "NUEVO LEON" "NUEVO LEON" "NUEVO LEON" ...
## $ CURP : chr "BEFE930128MNLRLR05" "SAGG761212MNLCZD08" "MELY930724MNLZLN01" "TOLC910910HNLRRS09" ...
## $ CALLE : chr "JULIAN VILLAGRAN" "PAPAGAYOS" "RIO AMANONAS" "PALMERA" ...
## $ NUMERO.INTERNO : chr "452" "220" "300" "104" ...
## $ COLONIA : chr "REFORMA" "GOLONDRINAS" "PUEBLO NUEVO" "MIRADOR DEL PARQUE" ...
## $ CODIGO.POSTAL : int 66640 66649 66646 67254 67114 66645 66646 66646 66645 66646 ...
## $ MUNICIPIO : chr "APODACA" "APODACA" "APODACA" "JUAREZ" ...
## $ ESTADO : chr "NUEVO LEON" "NUEVO LEON" "NUEVO LEON" "NUEVO LEON" ...
## $ ESTADO.CIVIL : chr "SOLTERO/A" "SOLTERO/A" "UNION LIBRE" "UNION LIBRE" ...
## $ TARJETA.CUENTA : chr "BANORTE" "BANORTE" "BANORTE" "BANORTE" ...Explorar KMeans en edad por años
humanos5<-rhCluster2 %>% dplyr::select(EDAD,DIAS.TRABAJADOS,SALARIO.DIARIO.IMSS,ESTADO.CIVIL)
summary(humanos5)## EDAD DIAS.TRABAJADOS SALARIO.DIARIO.IMSS ESTADO.CIVIL
## Min. : 0.00 Min. : 0.00 Min. :151.6 Length:78
## 1st Qu.:22.25 1st Qu.: 9.00 1st Qu.:180.7 Class :character
## Median :30.00 Median : 19.00 Median :180.7 Mode :character
## Mean :30.50 Mean : 45.10 Mean :174.3
## 3rd Qu.:36.00 3rd Qu.: 39.75 3rd Qu.:180.7
## Max. :52.00 Max. :730.00 Max. :183.7Normalizar los datos
rhCluster_norm<-scale(humanos5[1:2]) Sacar numero de clusters
fviz_nbclust() helps to determine and visualize the optimal number of clusters
fviz_nbclust(rhCluster_norm, kmeans, method="wss")+ # wss method considers total within sum of square
geom_vline(xintercept=4, linetype=2)+ # optimal number of clusters is computed with the default method = "euclidean"
labs(subtitle = "Elbow method")
Ver datos de los clusters
rh_cluster2<-kmeans(rh1_norm,4)
rh_cluster2## K-means clustering with 4 clusters of sizes 1, 17, 8, 52
##
## Cluster means:
## DIAS.TRABAJADOS SALARIO.DIARIO.IMSS
## 1 7.5323951 0.5246350
## 2 0.2712304 -1.8780410
## 3 0.6353722 0.4428101
## 4 -0.3312748 0.5357612
##
## Clustering vector:
## [1] 2 2 2 2 2 2 2 2 2 2 2 2 4 4 4 4 4 4 4 3 2 4 2 2 2 2 4 4 4 4 4 4 4 4 4 4 4 4
## [39] 4 4 4 4 4 4 4 3 4 4 3 3 3 1 4 4 3 4 4 4 4 4 4 4 4 4 4 4 4 3 3 4 4 4 4 4 4 4
## [77] 4 4
##
## Within cluster sum of squares by cluster:
## [1] 0.000000 6.019937 3.270968 1.055662
## (between_SS / total_SS = 93.3 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"Visualizar clustering
fviz_cluster(rh_cluster2,data=rhCluster_norm)
La gráfica anterior muestra 4 clusters que analizan la relación entre edad y días trabajados. El cluster verde muestra que un alto número de personas tabajaba más días que el promedio y tenía una edad similar al promedio. El punto naranja muestra que pocos usuarios trabajaban más días que el promedio y al igual que el punto anterior, tenían una edad promedio. En el caso del punto azul y el morado, ambos muestran que un mayor grupo de personas laboraba ‘2 días’, pero tenía mayor variabilidad en la edad.
Agregar la info al data set original
humanos6<-humanos5
humanos6$Clusters<-rh_cluster2$cluster
summary(humanos6)## EDAD DIAS.TRABAJADOS SALARIO.DIARIO.IMSS ESTADO.CIVIL
## Min. : 0.00 Min. : 0.00 Min. :151.6 Length:78
## 1st Qu.:22.25 1st Qu.: 9.00 1st Qu.:180.7 Class :character
## Median :30.00 Median : 19.00 Median :180.7 Mode :character
## Mean :30.50 Mean : 45.10 Mean :174.3
## 3rd Qu.:36.00 3rd Qu.: 39.75 3rd Qu.:180.7
## Max. :52.00 Max. :730.00 Max. :183.7
## Clusters
## Min. :1.000
## 1st Qu.:3.000
## Median :4.000
## Mean :3.423
## 3rd Qu.:4.000
## Max. :4.000Crear Dataset
lets create a dataset so we can identify some characteristics of “Edad” by cluster
humanos7<-humanos6 %>% group_by(Clusters, ESTADO.CIVIL) %>% summarise(EDAD=max(EDAD),DIAS.TRABAJADOS=mean(DIAS.TRABAJADOS)) %>% arrange(desc(EDAD))
summary(humanos7)## EDAD DIAS.TRABAJADOS
## Min. :52 Min. :45.1
## 1st Qu.:52 1st Qu.:45.1
## Median :52 Median :45.1
## Mean :52 Mean :45.1
## 3rd Qu.:52 3rd Qu.:45.1
## Max. :52 Max. :45.1Agrupar clusters por nombre
humanos6$Cluster_Names<-factor(humanos6$Clusters,levels = c(1,2,3,4),
labels=c("Joven", "Avanzado ", " Adulto", "Jubilado"))
summary(humanos6)## EDAD DIAS.TRABAJADOS SALARIO.DIARIO.IMSS ESTADO.CIVIL
## Min. : 0.00 Min. : 0.00 Min. :151.6 Length:78
## 1st Qu.:22.25 1st Qu.: 9.00 1st Qu.:180.7 Class :character
## Median :30.00 Median : 19.00 Median :180.7 Mode :character
## Mean :30.50 Mean : 45.10 Mean :174.3
## 3rd Qu.:36.00 3rd Qu.: 39.75 3rd Qu.:180.7
## Max. :52.00 Max. :730.00 Max. :183.7
## Clusters Cluster_Names
## Min. :1.000 Joven : 1
## 1st Qu.:3.000 Avanzado :17
## Median :4.000 Adulto : 8
## Mean :3.423 Jubilado :52
## 3rd Qu.:4.000
## Max. :4.000Entre más joven más días trabajados
Agrupar por clusters y resumir columnas
humanos8 <- humanos6 %>% group_by(Cluster_Names, ESTADO.CIVIL) %>% dplyr:: summarize(EDAD=max(EDAD),
DIAS.TRABAJADOS =mean(DIAS.TRABAJADOS),
Count=n())## `summarise()` has grouped output by 'Cluster_Names'. You can override using the
## `.groups` argument.Convertir a tabla
clusters2<-as.data.frame(humanos8)
clusters2## Cluster_Names ESTADO.CIVIL EDAD DIAS.TRABAJADOS Count
## 1 Joven DIVORCIADO/A 32 730.00000 1
## 2 Avanzado CASADO/A 28 155.00000 2
## 3 Avanzado SOLTERO/A 50 76.44444 9
## 4 Avanzado UNION LIBRE 35 31.33333 6
## 5 Adulto CASADO/A 45 142.00000 3
## 6 Adulto DIVORCIADO/A 33 87.00000 1
## 7 Adulto SOLTERO/A 27 67.00000 2
## 8 Adulto UNION LIBRE 32 88.00000 2
## 9 Jubilado CASADO/A 51 16.33333 18
## 10 Jubilado SOLTERO/A 52 15.35000 20
## 11 Jubilado UNION LIBRE 47 12.71429 14Visualizar graficos
Ver los dias trabajados en general junto con la edad
ggplot(humanos8,aes(x=reorder(Cluster_Names,Count),y=Count,fill=Cluster_Names)) +
geom_bar(stat="identity")
La gráfica anterior nos muestra la cantidad de días trabajados de acuerdo a la edad de los empleados. En este caso, vemos que el grupo de edad ‘joven’ tenían aprox. 31 años y representa un bajo porcentaje de los empleados. Para ‘avanzado’ son los empleados que tienen arriba de 32 años y laboraron la mayor cantidad de días (1067). Para ‘jubilado’, son las personas con un aprox. de 50 años y que laboraron durante 102 días. Finalmente, para el grupo de ‘adulto’ (el más elevado), son aquellos que laboraron un promedio de 44 días y tienen la edad de 52 años.
Dias trabajados por nombre de clusters
ggplot(humanos8, aes(x=Cluster_Names,y=DIAS.TRABAJADOS,fill= Cluster_Names,label=round(DIAS.TRABAJADOS,digits=2))) +
geom_col() +
geom_text()
La gráfica anterior nos muestra la cantidad de días trabajados de acuerdo a los días trabajados. En este caso, esto nos muestra que el grupo con mayor bajas fueron del segmento ‘adulto’ y es el que laboró en promedio un menor número de días contra ‘avanzado’ que es el segundo grupo más bajo y laboró el mayor número de días en promedio.
Edad por nombre de clusters
ggplot(humanos8,aes(x=Cluster_Names,y=EDAD,fill= Cluster_Names,label=round(EDAD,digits=2))) +
geom_col() +
geom_text()
La gráfica anterior nos muestra la edad promedio de cada uno de los grupos. Como explicamos anteriormente, se muestra que ‘adulto’ es el de empleados con mayor edad y ‘joven’ es el de personas de menor edad.
Dias trabajados por nombre de clusters
ggplot(humanos6, aes(x=Cluster_Names, y=EDAD, fill=Cluster_Names)) +
geom_boxplot()+
ggtitle("Dispersion of 'Edad' by Clusters Names")
La gráfica anterior nos muestra la dispersión de acuerdo a la edad de los empleados. En el caso de ‘adulto’, tiene una gran cantidad de puntos atípicos lo cual indica que hay datos fuera de serie. En el caso de ‘jubilado’, vemos que es el grupo con mayor dispersión, mostrando datos de edad entre 25 y 32 años.
Salario diario por nombre de clusters
ggplot(humanos6, aes(x=Cluster_Names, y=DIAS.TRABAJADOS, fill=Cluster_Names)) +
geom_boxplot()+
ggtitle("Dispersion of 'Dias_Trabajados' by Clusters Names")
La gráfica anterior muestra la dispersión de acuerdo a días trabajados y los grupos anterior explicados. Vemos que ‘avanzado’ es el gurpo con mayor dispersión, mostrando que el promedio de los empleados laboraron entre 550 y 1300 días. Es el grupo con mayor número de empleados que trabajaron en este periodo de tiempo. En el caso de ‘adulto’ y ‘jubilado’, son aquellos grupos que muestran una dispersión baja y una variedad de puntos atípicos, mientras que ‘joven’ destaca una baja dispersión y una media de más de 500 días trabajados.
Cluster 3
Importar la base de datos
cluster3<-read.csv("C:\\Users\\danyc\\Downloads\\HR_Bajas 2.csv")
summary(cluster3)## NO.DE.BAJAS APELLIDOS NOMBRE FECHA.DE.NACIMIENTO
## Min. : 5.00 Length:78 Length:78 Min. :25585
## 1st Qu.: 49.75 Class :character Class :character 1st Qu.:31751
## Median :167.50 Mode :character Mode :character Median :33797
## Mean :139.60 Mean :33611
## 3rd Qu.:212.75 3rd Qu.:36519
## Max. :238.00 Max. :44632
## EDAD GENERO FECHA.DE.ALTA MOTIVO.DE.BAJA
## Min. : 0.00 Length:78 Min. :43961 Length:78
## 1st Qu.:22.25 Class :character 1st Qu.:44567 Class :character
## Median :30.00 Mode :character Median :44726 Mode :character
## Mean :30.50 Mean :44664
## 3rd Qu.:36.00 3rd Qu.:44759
## Max. :52.00 Max. :44790
## DIAS.TRABAJADOS BAJA PUESTO DEPARTAMENTO
## Min. : 0.00 Min. :44569 Length:78 Length:78
## 1st Qu.: 9.00 1st Qu.:44613 Class :character Class :character
## Median : 19.00 Median :44741 Mode :character Mode :character
## Mean : 45.10 Mean :44709
## 3rd Qu.: 39.75 3rd Qu.:44784
## Max. :730.00 Max. :44814
## NO.SEGURO.SOCIAL SALARIO.DIARIO.IMSS FACTOR.CRED.INFONAVIT
## Length:78 Min. :151.6 Min. : 0.0
## Class :character 1st Qu.:180.7 1st Qu.: 0.0
## Mode :character Median :180.7 Median : 0.0
## Mean :174.3 Mean : 130.4
## 3rd Qu.:180.7 3rd Qu.: 0.0
## Max. :183.7 Max. :2795.3
## NO.CREDITO.INFONAVIT LUGAR.DE.NACIMIENTO CURP CALLE
## Min. :0.000e+00 Length:78 Length:78 Length:78
## 1st Qu.:0.000e+00 Class :character Class :character Class :character
## Median :0.000e+00 Mode :character Mode :character Mode :character
## Mean :1.871e+08
## 3rd Qu.:0.000e+00
## Max. :6.919e+09
## NUMERO.INTERNO COLONIA CODIGO.POSTAL MUNICIPIO
## Length:78 Length:78 Min. :25019 Length:78
## Class :character Class :character 1st Qu.:33604 Class :character
## Mode :character Mode :character Median :33604 Mode :character
## Mean :46508
## 3rd Qu.:66645
## Max. :67450
## ESTADO ESTADO.CIVIL TARJETA.CUENTA
## Length:78 Length:78 Length:78
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
## str(cluster3)## 'data.frame': 78 obs. of 26 variables:
## $ NO.DE.BAJAS : int 5 6 7 8 9 11 12 16 19 20 ...
## $ APELLIDOS : chr "BERNAL FLORES" "SAUCEDO GUZMAN" "MEZA LLANAS" "TORRES LARA" ...
## $ NOMBRE : chr "ERIKA ROSALINDA" "GUADALUPE" "YOANA CRISTINA" "CESAR ANTONIO" ...
## $ FECHA.DE.NACIMIENTO : int 33997 28106 34174 33491 26422 36970 32443 37872 37512 36915 ...
## $ EDAD : int 29 46 29 31 50 21 34 19 20 21 ...
## $ GENERO : chr "FEMENINO" "FEMENINO" "FEMENINO" "MASCULINO" ...
## $ FECHA.DE.ALTA : int 44518 44532 44532 44538 44551 44531 44532 44488 44541 44546 ...
## $ MOTIVO.DE.BAJA : chr "RENUNCIA VOLUNTARIA" "BAJA POR FALTAS" "BAJA POR FALTAS" "BAJA POR FALTAS" ...
## $ DIAS.TRABAJADOS : int 51 37 37 31 18 40 39 86 33 28 ...
## $ BAJA : int 44569 44569 44569 44569 44569 44571 44571 44574 44574 44574 ...
## $ PUESTO : chr "AYUDANTE GENERAL" "AYUDANTE GENERAL" "AYUDANTE GENERAL" "AYUDANTE GENERAL" ...
## $ DEPARTAMENTO : chr "VARIOS" "VARIOS" "VARIOS" "VARIOS" ...
## $ NO.SEGURO.SOCIAL : chr "43109363747" "43937683647" "43099330201" "43099151714" ...
## $ SALARIO.DIARIO.IMSS : num 152 152 152 152 152 ...
## $ FACTOR.CRED.INFONAVIT: num 0 1320 0 0 0 ...
## $ NO.CREDITO.INFONAVIT : num 0.00 1.92e+09 0.00 0.00 0.00 ...
## $ LUGAR.DE.NACIMIENTO : chr "NUEVO LEON" "NUEVO LEON" "NUEVO LEON" "NUEVO LEON" ...
## $ CURP : chr "BEFE930128MNLRLR05" "SAGG761212MNLCZD08" "MELY930724MNLZLN01" "TOLC910910HNLRRS09" ...
## $ CALLE : chr "JULIAN VILLAGRAN" "PAPAGAYOS" "RIO AMANONAS" "PALMERA" ...
## $ NUMERO.INTERNO : chr "452" "220" "300" "104" ...
## $ COLONIA : chr "REFORMA" "GOLONDRINAS" "PUEBLO NUEVO" "MIRADOR DEL PARQUE" ...
## $ CODIGO.POSTAL : int 66640 66649 66646 67254 67114 66645 66646 66646 66645 66646 ...
## $ MUNICIPIO : chr "APODACA" "APODACA" "APODACA" "JUAREZ" ...
## $ ESTADO : chr "NUEVO LEON" "NUEVO LEON" "NUEVO LEON" "NUEVO LEON" ...
## $ ESTADO.CIVIL : chr "SOLTERO/A" "SOLTERO/A" "UNION LIBRE" "UNION LIBRE" ...
## $ TARJETA.CUENTA : chr "BANORTE" "BANORTE" "BANORTE" "BANORTE" ...Numero de clusters
Juntar los datos relacionados a edad en años
newbd<-cluster3 %>% dplyr::select(EDAD,SALARIO.DIARIO.IMSS,PUESTO)
summary(newbd)## EDAD SALARIO.DIARIO.IMSS PUESTO
## Min. : 0.00 Min. :151.6 Length:78
## 1st Qu.:22.25 1st Qu.:180.7 Class :character
## Median :30.00 Median :180.7 Mode :character
## Mean :30.50 Mean :174.3
## 3rd Qu.:36.00 3rd Qu.:180.7
## Max. :52.00 Max. :183.7Normalizar datos
newbdnorm<-scale(newbd[2:1])Grafica para ver numero optimo de clusters
fviz_nbclust(newbdnorm, kmeans, method="wss")+ # wss method considers total within sum of square
geom_vline(xintercept=4, linetype=2)+ # optimal number of clusters is computed with the default method = "euclidean"
labs(subtitle = "Elbow method")
Visualizar informacion
newbd2clus<-kmeans(newbdnorm,4)
newbd2clus## K-means clustering with 4 clusters of sizes 12, 17, 26, 23
##
## Cluster means:
## SALARIO.DIARIO.IMSS EDAD
## 1 0.5317981 1.5586093
## 2 -1.8780410 -0.1112219
## 3 0.5184044 -0.8844567
## 4 0.5246350 0.2688407
##
## Clustering vector:
## [1] 2 2 2 2 2 2 2 2 2 2 2 2 1 3 3 4 3 3 3 3 2 1 2 2 2 2 4 4 1 1 1 3 3 4 4 3 3 4
## [39] 1 3 3 4 1 3 1 4 4 3 4 4 4 4 4 4 4 3 3 1 3 3 3 4 4 3 4 4 4 1 3 4 1 4 1 3 3 3
## [77] 3 3
##
## Within cluster sum of squares by cluster:
## [1] 1.534968 15.627899 7.104697 1.698551
## (between_SS / total_SS = 83.1 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"Ver resultados de clusters
fviz_cluster(newbd2clus,data=newbdnorm)
Agregar los resultados al dataset original para interpretacion
newbd3<-newbd
newbd3$Clusters<-newbd2clus$cluster
summary(newbd3)## EDAD SALARIO.DIARIO.IMSS PUESTO Clusters
## Min. : 0.00 Min. :151.6 Length:78 Min. :1.000
## 1st Qu.:22.25 1st Qu.:180.7 Class :character 1st Qu.:2.000
## Median :30.00 Median :180.7 Mode :character Median :3.000
## Mean :30.50 Mean :174.3 Mean :2.769
## 3rd Qu.:36.00 3rd Qu.:180.7 3rd Qu.:4.000
## Max. :52.00 Max. :183.7 Max. :4.000Crear datasets para ver la info de caracteristicas por edad por clusters
newbd4<-newbd3 %>% group_by(Clusters,PUESTO) %>% summarise(EDAD=max(EDAD),SALARIO.DIARIO.IMSS=mean(SALARIO.DIARIO.IMSS)) %>% arrange(desc(EDAD))
summary(newbd4)## EDAD SALARIO.DIARIO.IMSS
## Min. :52 Min. :174.3
## 1st Qu.:52 1st Qu.:174.3
## Median :52 Median :174.3
## Mean :52 Mean :174.3
## 3rd Qu.:52 3rd Qu.:174.3
## Max. :52 Max. :174.3Agrupar clusters por nombre
newbd3$Cluster_Names<-factor(newbd3$Clusters,levels = c(1,2,3,4),
labels=c("Joven", "Avanzado ", " Adulto", "Jubilado"))
summary(newbd3)## EDAD SALARIO.DIARIO.IMSS PUESTO Clusters
## Min. : 0.00 Min. :151.6 Length:78 Min. :1.000
## 1st Qu.:22.25 1st Qu.:180.7 Class :character 1st Qu.:2.000
## Median :30.00 Median :180.7 Mode :character Median :3.000
## Mean :30.50 Mean :174.3 Mean :2.769
## 3rd Qu.:36.00 3rd Qu.:180.7 3rd Qu.:4.000
## Max. :52.00 Max. :183.7 Max. :4.000
## Cluster_Names
## Joven :12
## Avanzado :17
## Adulto :26
## Jubilado :23
##
## Agrupar por nombre y por columna
newbd5 <- newbd3%>% dplyr::group_by(Cluster_Names,PUESTO) %>% dplyr:: summarize(EDAD=max(EDAD),
SALARIO.DIARIO.IMSS =mean(SALARIO.DIARIO.IMSS),
Count=n())## `summarise()` has grouped output by 'Cluster_Names'. You can override using the
## `.groups` argument.Visualizar graficas
Poner como tabla los datos
clusterssalario<-as.data.frame(newbd5)
clusterssalario## Cluster_Names PUESTO EDAD SALARIO.DIARIO.IMSS Count
## 1 Joven AYUDANTE GENERAL 52 181.2356 9
## 2 Joven COSTURERO/A 44 180.6800 1
## 3 Joven GUARDIA DE SEGURIDAD 45 176.7200 1
## 4 Joven MONTACARGUISTA 42 180.6800 1
## 5 Avanzado AYUDANTE GENERAL 50 151.6100 17
## 6 Adulto AYUDANTE DE EMBARQUES 21 176.7200 1
## 7 Adulto AYUDANTE GENERAL 27 180.7670 23
## 8 Adulto INSPECTOR DE CALIDAD 26 180.6800 1
## 9 Adulto SOLDADOR 25 180.6800 1
## 10 Jubilado AYUDANTE GENERAL 38 180.6800 20
## 11 Jubilado JEFE DE SEGURIDAD E HIGIENE 34 180.6800 1
## 12 Jubilado MONTACARGUISTA 37 180.6800 1
## 13 Jubilado RESIDENTE 31 180.6800 1Graficar por nombre
ggplot(newbd5,aes(x=reorder(Cluster_Names,Count),y=Count,fill=Cluster_Names)) +
geom_bar(stat="identity")
Salario diario por numero de clusters
ggplot(newbd5, aes(x=Cluster_Names,y=SALARIO.DIARIO.IMSS,fill= Cluster_Names,label=round(SALARIO.DIARIO.IMSS,digits=2))) +
geom_col() +
geom_text()
Aqui nos podemos dar cuenta acerca de que los sueldos no varian mucho entre edades pero es importante decir que se denota por centavos una mayoria en el sueldo de los jovenes especificamente más que en otros rangos de edades.
b. Identificación de características de clústers seleccionados
Graficar el no. de datos observados por Genero
ggplot(rh4,aes(x=reorder(Cluster_Names,Count),y=Count,fill=GENERO)) +
geom_bar(stat="identity")
Ver los dias trabajados en general junto con la edad y Estado civil
ggplot(humanos8,aes(x=reorder(Cluster_Names,Count),y=Count,fill=ESTADO.CIVIL)) +
geom_bar(stat="identity")
Graficar por nombre
ggplot(newbd5,aes(x=reorder(Cluster_Names,Count),y=Count,fill=PUESTO)) +
geom_bar(stat="identity")
Hallazgos
[ 1 ] El salario diario promedio de FORM es de $180 pesos mexicanos, es decir, $5,400 pesos mensuales. De acuerdo a datos compartidos por la INEGI, se prevé que para 2022 el salario mínimo en México sea de $5,255 pesos mensuales. Esto refleja que el salario mensual de FORM es 2% mayor al salario mínimo del país. [ 2 ] Se destacan tres razones principales de bajas de empleados: bajas por faltas, renuncia voluntaria o término de contrato. En su mayoría, hubo una baja por faltas del puesto de ayudante general y renuncia voluntaria para el mismo puesto. [ 3 ] Hubo un alto número de bajas de empleados que trabajaron más de 200 días, es decir, la mayoría de los ex-empleados estuvieron en FORM más de 1 año y tenían un salario promedio de $180 pesos. [ 4 ] Los sueldos de los empleados no varían mucho dependiendo de la edad. Sin embargo, vemos que hay mayor rotación para el grupo ‘adulto’.
Gráficas ggalluvial
library(ggalluvial)
gall<-rh2
gall<-rh2 %>% filter(Clusters==1 | Clusters==3) %>% arrange(Clusters)
ggplot(as.data.frame(gall),
aes(y=SALARIO.DIARIO.IMSS, axis1=EDAD, axis2=DIAS.TRABAJADOS)) +
geom_alluvium(aes(fill=Cluster_Names), width = 1/12) +
geom_stratum(width = 1/12, fill = "black", color = "grey") +
geom_label(stat = "stratum", aes(label = after_stat(stratum))) +
scale_x_discrete(limits = c("Edad", "Días Trabajados"), expand = c(.05, .05)) +
scale_fill_brewer(type = "qual", palette = "Set1") +
ggtitle("El Salario Diario por variables cualitativas")
Sección 4
Hallazgos
Sugerencias
Business Analytics y Business Intelligence
KPI´s
Referencias
Ana Karen García. (2022, September 8). Industria automotriz anota un buen agosto: crecen producción, exportaciones y ventas internas. El Economista; El Economista. https://www.eleconomista.com.mx/empresas/Industria-automotriz-anota-un-buen-agosto-crecen-produccion-exportaciones-y-ventas-internas-20220907-0031.html
Hernández, F., & Usuga, O. (2022). 9 Tablas de frecuencia | Manual de R. Retrieved 24 September 2022, from https://fhernanb.github.io/Manual-de-R/tablas.html#ejemplo-tabla-de-frecuencia-relativa-de-una-v%C3%ADa
9 Estilos y formatos de tabla | Tablas y graficos con R y R Studio. (2022). Retrieved 24 September 2022, from https://tables.investigaonline.com/tse-formateo.html
Anexo
---
title: "Evidencia 2"
author: "Daniela Cárdenas Zertuche"
date: "2022-10-18"
output: 
      html_document:
        toc: true
        toc_float: true
        code_folding: "hide"
        code_download: true
---
# <img src= "C:\\Users\\danyc\\Downloads\\logo.png" />


```{r warning=FALSE}

knitr::include_url("https://form.com.mx/")

```


# <span style = "color:darkorange"> RH Colaboradores  

```{r message=FALSE, warning=FALSE}
library(foreign)
library(dplyr)        # data manipulation 
library(forcats)      # to work with categorical variables
library(ggplot2)      # data visualization
library(readr)        # read specific csv files
library(janitor)      # data exploration and cleaning 
library(Hmisc)        # several useful functions for data analysis 
library(psych)        # functions for multivariate analysis 
library(naniar)       # summaries and visualization of missing values NAs
library(dlookr)       # summaries and visualization of missing values NAs
library(corrplot)     # correlation plots
library(jtools)       # presentation of regression analysis 
library(lmtest)       # diagnostic checks - linear regression analysis 
library(car)          # diagnostic checks - linear regression analysis
library(olsrr)        # diagnostic checks - linear regression analysis 
library(kableExtra)   # HTML table attributes
library(gmodels)
library(openxlsx)
library(crosstable)
```
## Sección 1. Limpieza de datos, Transformación y Entendimiento (1-4) 
```{r warning=FALSE}
colab <-read.csv("C:\\Users\\danyc\\Downloads\\hr csv 1.csv")
summary(colab)
describe(colab)
```

#### Variables y Registros  
<center> <span style="color:Red"> R= 28 variables y 113 observaciones</center>

```{r}
str(colab)
```

#### Eliminar N/A´s 
Se eliminan los N/A´s para evitar datos no precisos o erroneos.
```{r warning=FALSE}
sum(is.na(colab))
```

#### Eliminar duplicados 
Se eliminan valores duplicados para evitar no tener datos no organizados.
```{r}
colab1<-colab
colab1<-distinct(colab1)
```

#### Eliminar Columnas 
Se eliminan columnas para evitar tener información innecesaria en las bases de datos.
```{r warning=FALSE}
colab2<-colab1
colab2 <- subset(colab2, select =-c (NOMBRE))
colab2 <- subset(colab2, select =-c (APELLIDOS))
colab2 <- subset(colab2, select =-c (RFC))
colab2 <- subset(colab2, select =-c (CUARTO.MES))
colab2 <- subset(colab2, select =-c (FACTOR.CRED.INFONAVIT))
colab2 <- subset(colab2, select =-c (CURP))
colab2 <- subset(colab2, select =-c (CALLE))
colab2 <- subset(colab2, select =-c (NUMERO.INTERNO))
colab2 <- subset(colab2, select =-c (TARJETA.CUENTA))
summary(colab2)
```


### Escalas de variables
```{r}

variables <- c(
  "No.De.Empleado",
  "APELLIDOS",
  "NOMBRE",
  "FECHA.DE.NACIMIENTO",
  "EDAD",
  "GENERO",
  "RFC",
  "FECHA.DE.ALTA",
  "PRIMER.MES",
  "CUARTO.MES",
  "BAJA",
  "PUESTO",
  "DEPARTAMENTO",
  "SALARIO.DIARIO.IMSS",
  "FACTOR.CRED.INFONAVIT",
  "N.CREDITO.INFONAVIT",
  "LUGAR.DE.NACIMIENTO",
  "CURP",
  "CALLE",
  "NUMERO.INTERNO",
  "COLONIA",
  "MUNICIPIO",
  "ESTADO",
  "CODIGO.POSTAL",
  "ESTADO.CIVIL",
  "TARJETA.CUENTA"
  )

tipos <- c(
              "Cuantitativo",
              "Cualitativo",
              "Cualitativo",
              "Cualitativo",
              "Cuantitativo",
              "Cualitativo",
              "Cualitativo",
              "Cuantitativo",
              "Cuantitativo",
              "Cuantitativo",
              "Cuantitativo",
              "Cualitativo",
              "Cualitativo",
              "Cuantitativo",
              "Cuantitativo",
              "Cualitativo",
              "Cualitativo",
              "Cualitativo",
              "Cualitativo",
              "Cuantitativo",
              "Cualitativo",
              "Cualitativo",
              "Cualitativo",
              "Cuantitativo",
              "Cualitativo",
              "Cualitativo"
              )

escalas <- c(
            "Intervalo",
             "Nominal",
             "Nominal",
             "Intervalo",
            "Intervalo",
             "Nominal",
            "Nominal",
            "Razón",
            "Razón",
            "Razón",
            "Razón",
            "Ordinal",
            "Nominal",
            "Razón",
            "Razón",
            "Nominal",
            "Nominal",
            "Nominal",
            "Nominal",
            "Razón",
            "Nominal",
            "Nominal",
            "Nominal",
            "Ordinal",
            "Nominal",
            "Nominal"
            )

tablecolaboradores <- data.frame (variables, tipos, escalas)
knitr::kable(tablecolaboradores)

```

### Tabla de Frecuencia 
Esta tabla de frecuencia representa el valor decimal del salario diario de acuerdo al género, es decir, la cantidad de empleados en valor decimal que reciben cierto salario diario de acuerdo a su género. 

```{r warning=FALSE}
#install.packages('epiDisplay')
library(epiDisplay)

tab1(colab2$GENERO, colab2$SALARIO.DIARIO.IMSS, sort.group = "decreasing", cum.percent = TRUE, main = "Distribución de Colaboradores por Genero")

```


## Sección 2. Análisis Exploratorio 

### Tabla Media, Mediana y Desviación Estandar  
```{r} 
describe(colab2)

count(colab2, GENERO, sort = TRUE)
count(colab2, PUESTO, sort = TRUE)
count(colab2, DEPARTAMENTO, sort = TRUE)
count(colab2, SALARIO.DIARIO.IMSS, sort = TRUE)
count(colab2, LUGAR.DE.NACIMIENTO, sort = TRUE)

tibble(colab2)
```

En esta primera parte del análisis estadístico descriptivo, vemos que el conteo total de empleados actuales es de 113 y hay un mayor número de mujeres (54%) contra empleados que son hombres (46%).

En cuanto a los puestos, vemos que existe una gran cantidad de ayudantes generales, pues es el puesto que ocupa mayor capital humano, contra aquellos que ocupan menos que van desde servicio al cliente hasta operadores.

Entre los departamentos con mayor cantidad de empleados, vemos que está varios y producción retorno. El departamento de "Varios" fue creado para catalogar a aquellos empleados que en la base de datos no tenían definida un área en concreto.

Vemos que la mayoría de los empleados ganan $180.68 pesos de salario diario por el IMSS y de todos los empleados, se calcula que tienen un promedio de salario diario de $236.62 pesos.

En cuanto al lugar de origen, vemos que la mayoría de los empleados provienen del Estado de Nuevo León (70%) y Veracruz (11%), viendo que el 19% restante de los empleados son provenientes de Zona Centro o estados colidantes de Nuevo León.

Aqui la variable que más nos interesa es la media de las bajas totales que hay dentro de FORM.
```{r}
tablecolaboradores<-describe(colab2)
knitr::kable(tablecolaboradores)
```


### Gráficas de Dispersión  
Dentro de esta gráfica de dispersión se ven en promedio que las edades no afectan en el parametro del salario diario, se muestran que hay algúnos datos fuera de la media pero se denota una estabilidad de los datos. 
```{r}
plot(x=colab2$SALARIO.DIARIO.IMSS , y=colab2$EDAD, 
     xlab= "Salario Diario", ylab="Edad",
     main="Dispersión de Edad con Salario")
```



# <span style = "color:darkorange">  RH Bajas
## Sección 1. Limpieza de datos, Transformación y Entendimiento (1-4) 
Para estas dos bases de datos, se utilizaron la eliminación de N/A´s, cambio de nombre y quitar columnas de nuestra base de datos para poder utilizarlas de la manera más adecuada.
```{r message=FALSE, warning=FALSE}

### Importar base de datos

bajas <-read.csv("C:\\Users\\danyc\\Downloads\\HR_Bajas 2.csv")
```

### Variables y Registros
<center> <span style="color:Red"> R= 26 variables y 78 observaciones.</center>
```{r}
summary(bajas)
```

#### ¿Cuántos NA's tengo en la base de datos? 
```{r}
sum(is.na(bajas))
```


#### Borrar todos los registros NA's de una tabla
```{r}
bajas2<-bajas
bajas2<-na.omit(bajas2)
summary(bajas2)
```

### Eliminar columnas
```{r}
bajas3<-bajas2
bajas3 <- subset(bajas3, select =-c (APELLIDOS))
bajas3 <- subset(bajas3, select =-c (NOMBRE))
bajas3 <- subset(bajas3, select =-c (FACTOR.CRED.INFONAVIT))
bajas3 <- subset(bajas3, select =-c (CURP))
bajas3 <- subset(bajas3, select =-c (CALLE))
bajas3 <- subset(bajas3, select =-c (NUMERO.INTERNO))
bajas3 <- subset(bajas3, select =-c (TARJETA.CUENTA))
```


### ¿Cuántos NA's tengo en la base de datos?
```{r}
sum(is.na(bajas3))
```

Nota: Con los datos presentados anteriormente, vemos que la edad promedio de los colaboradores es de 35 años, además de que ganan un promedio de $180 pesos.


### Clasificación de Variables

```{r}

variables <- c("No de bajas",
  "FECHA.DE.NACIMIENTO",
  "EDAD",
  "GENERO",
  "FECHA.DE.ALTA",
  "Motivo de Baja",
  "Dias Trabajados",
  "BAJA",
  "PUESTO",
  "Departamento",
  "Seguro Social",
  "SALARIO.DIARIO.IMSS",
  "N..CREDITO.INFONAVIT",
  "LUGAR.DE.NACIMIENTO",
  "COLONIA",
  "CODIGO.POSTAL",
  "MUNICIPIO",
  "ESTADO",
  "ESTADO.CIVIL")

tipos <- c("Cuantitativo",
              "Cualitativo",
              "Cuantitativo",
              "Cualitativo",
              "Cuantitativo",
              "Cualitativo",
              "Cuantitativo",
              "Cuantitativo",
              "cualitativo",
              "Cualitativo",
              "Cualitativo",
              "Cuantitativo",
              "Cualitativo",
              "Cualitativo",
              "Cualitativo",
              "Cuantitativo",
              "Cualitativo",
              "Cualitativo",
              "Cualitativo")

escalas <- c("Intervalo",
             "Nominal",
             "Intervalo",
             "Nominal",
            "Razón",
            "Nominal",
            "Razón",
            "Razón",
            "Ordinal",
            "Nominal",
            "Nominal",
            "Razon",
            "Nominal",
            "Nominal",
            "Nominal",
            "Ordinaria",
            "Nominal",
            "Nominal",
            "Nominal")

tablebajas <- data.frame (variables, tipos, escalas)
knitr::kable(tablebajas)

```

## Sección 2. Análisis Exploratorio 

### Media, Mediana y Std. Deviation 
```{r}
median(bajas3$DIAS.TRABAJADOS, na.rm = TRUE)
mean(bajas3$DIAS.TRABAJADOS, na.rm = TRUE)
sd(bajas3$DIAS.TRABAJADOS, na.rm = FALSE)

Variable<-c("Dias Trabajados")
Mediana<-c("19")
Media <- c("45")
Desviación_estandar<-c("90")
tablebaja <- tibble (Variable, Mediana , Media , Desviación_estandar)
knitr::kable(tablebaja)

```
### Graphs 
#### Tabla Cruzada 1
En la tabla vemos que se destacan tres razones principales de bajas de empleados, las cuales son: bajas por faltas, renuncia voluntaria o término de contrato. En su mayoría, hubo una baja por faltas del puesto de ayudante general y renuncia voluntaria para el mismo puesto. Al igual que en la base de datos anterior, vemos que el puesto con mayor rotación a nivel histórico es de ayudante general. Esto sugiere que existe un alto número de contrataciones para el puesto debido a una mala gestión administrativa o bajo rendimiento de los empleados.
```{r}

table(bajas3$PUESTO, bajas3$MOTIVO.DE.BAJA)
```

#### Tabla Cruzada 2 
La tabla cruzada anterior nos muestra la relación entre los motivos de baja contra el género, es decir, las principales razones de baja de acuerdo al género de cada empleado. Vemos que hubo un total de 53 bajas del género femenino, destacando las bajas por faltas (representa un 75% de las bajas femeninas). Para el género masculino, hubo un total de 25 faltas, destacando principalmente las bajas por faltas (representa un 60% de las bajas masculinas). 
```{r}

table(bajas3$GENERO, bajas3$MOTIVO.DE.BAJA)
```

#### Gráficos de datos cuantitativos y cualitativos 

La gráfica nos muestra que hay un mayor número de ex-empleados que viven en el Estado de Nuevo León. Sin embargo, hay un porcentaje que reside en Coahuila. Esto se puede interpretar con que hay un alto nivel de rotación existente debido a la lejanía de residencia de los empleados.

```{r warning=FALSE}

pie(table(bajas3$ESTADO), col=c("orange","coral1"),
    main="Representación de bajas acorde al estado de residencia")
```

#### Gráfico de Pie

La anterior gráfica de pastel reafirma lo que mencionamos anteriormente. De acuerdo a las bajas realizadas, la mayoría de los ex-empleados son del género femenino.

```{r warning=FALSE}

pie(table(bajas3$GENERO), col=c("orange","coral1"),
    main="Representación de bajas acorde al género")

```

#### Gráfica de dispersión 

La gráfica de dispersión nos muestra la intensidad de relación entre la variable de días trabajados y número de bajas. Esto nos dice que hubo un alto número de bajas de empleados que trabajaron menos de 200 días, es decir, la mayoría de los ex-empleados estuvieron en FORM menos de 1 año. 

```{r warning=FALSE}


plot(x= bajas3$NO.DE.BAJAS,
     y=bajas3$DIAS.TRABAJADOS, main= "Numero de bajas en compración de los dias laborados", xlab= "Numero de Bajas", ylab= "Dias Trabajados")

```


#### Boxplot 
La gráfica anterior nos muestra la correlación entre el género y el salario diario de los empleados. En este, entendemos que el género femenino tiene un salario diario total más alto que los de género masculino.
```{r warning=FALSE}

ggplot(bajas3, aes(GENERO,SALARIO.DIARIO.IMSS,fill=GENERO)) +
geom_bar(stat = "identity") +
  scale_fill_brewer(palette = "Set2") + ggtitle("Salario diario por género")
```



## Conclusiónes, Propuestas y Hallazgos Colaboradores y Bajas 

Primero que nada, es bueno especificar la utilización de una buena limpieza de datos, como especifique anteriormente, pudimos notar una mejora en las bases de datos y la manipulación de ellas al no tener valores vacios dentro de nuestras bases de recursos humanos, esto tambien nos permitió generar insights importantes como: 
1. Las mujeres ganan mejor que los hombres dentro de la empresa FORM 
2. Las mujeres son las que más renuncian 
3.Los empleados con menos de 200 días se vieron menos leales a la empresa 

De aquí también surgieron distintos tipos de propuestas como:  
1. Desglosar si las mujeres que renunciaron tienen familias y si es así ver la manera en la cual se puedan dar banaficios para los hijos. 
2. Implementar un plan de motivadores desde que llega el primer empleado. 
3. Hacer un plan touchpoints internos con los empleados para disminuir la tasa de rotación. 



# <span style = "color:darkorange"> Delivery Plan

## Sección 1. Limpieza de datos, Transformación y Entendimiento (1-4)
### Importar la base de datos   
```{r message=FALSE, warning=FALSE}
#file.choose()
delivery<-read.csv("C:\\Users\\danyc\\Downloads\\DELIVERY.csv")
summary(delivery)
```
<style>
div.blue { background-color:#FFDBC8; border-radius: 5px; padding: 20px;}
</style>
<div class = "blue">
Notas:

1.Se hizo limpieza manual de la base de datos para acomodar los clientes como variables y las fechas como registros.

2.Se sustituyeron NAs por cero.

3.Se eliminaron columnas no usadas y que no agreegan valor para el analisis que se busca hacer.

</div>

### Descargar librerías y paquetes 
```{r message=FALSE, warning=FALSE}
library(foreign)
library(dplyr)
library(forcats)
library(ggplot2)
library(readr)
library(janitor)
library(naniar)
library(dlookr)
```

### Variables y Registros 
<center> <span style="color:Red"> R= 3 variables y 380 observaciones.</center>
```{r}
str(delivery)
```

### Contar total de pedidos por cliente 
*Contamos con 52,0281 pedidos*
```{r}
deliverySUM = colSums(delivery[4])

as.data.frame(deliverySUM)
```

### Importar Base Clientes form 
Con este plot podemos ver que hay muchos clientes con muy pocos pedidos.
```{r message=FALSE, warning=FALSE}
#file.choose()
deliveryCLIENTS<-read.csv("C:\\Users\\danyc\\Downloads\\DeliveryCLIENTS.xlsx - Sheet1.csv")
summary(deliveryCLIENTS)
```

```{r}
deliveryCLIENTS = colSums(deliveryCLIENTS[2:21])
as.data.frame(deliveryCLIENTS)
barplot.default(deliveryCLIENTS)
```


### Técnica 1: eliminar NAs 
Se decidió realizar está técnica para asegurarnos de que no se tenga falta de datos y en caso de tenerlos evitar que estas eviten tener un analisis asertivo al no agregar valor a la base de datos. 

#### ¿Cuantos NA tengo en la base de datos?    
```{r}
sum(is.na(delivery))
```

#### ¿Cuantos NA tengo por variable  
**Sapply:** Para contar los NA.
Se encontró un solo NA
```{r}
sapply(delivery, function(x) sum(is.na(x)))
```


### Técnica 2: eliminar filas  
Se decidó realizar está técnica para eliminar los clientes que tienen menos de 5,000 pedidos. 

#### Eliminar filas con el nombre de los clientes que se desean eliminar.   
```{r}

#delivery1 <- subset (delivery1,  CLIENTE == "STB3") #Para conservar ciertas filas

delivery1<-delivery

delivery1<-delivery1[delivery1$CLIENTE!="STB 1", ]
delivery1<-delivery1[delivery1$CLIENTE!="YF RAMOS", ]
delivery1<-delivery1[delivery1$CLIENTE!="INOAC POLYTEC", ]
delivery1<-delivery1[delivery1$CLIENTE!="MERIDIAN", ]
delivery1<-delivery1[delivery1$CLIENTE!="YANFENG sm", ]
delivery1<-delivery1[delivery1$CLIENTE!="YF QRO", ]
delivery1<-delivery1[delivery1$CLIENTE!="SEGROVE", ]
delivery1<-delivery1[delivery1$CLIENTE!="HANON", ]
delivery1<-delivery1[delivery1$CLIENTE!="ANTOLIN TOLUCA", ]
delivery1<-delivery1[delivery1$CLIENTE!="ANTOLIN ARTEAGA", ]
delivery1<-delivery1[delivery1$CLIENTE!="ABC QUERETARO", ]
delivery1<-delivery1[delivery1$CLIENTE!="UFI", ]
delivery1<-delivery1[delivery1$CLIENTE!="ISRI", ]

summary(delivery1)
```

### Clasificación de Variables 

```{r}
Variable<-c("Fecha","STB3","YFTO", "TRMX", "DENSO","HELLA","VARROC","Total.pedidos.mes")
Type<-c("Cuantitativa (discreta)", "Cualitativa", "Cualitativa", "Cualitativa","Cualitativa","Cualitativa","Cualitativa","Cuantitativa (discreta)")
Measurement<-c("Razón","Nominal","Nominal","Nominal","Nominal","Nominal","Nominal","Razón")
table2<-tibble(Variable,Type,Measurement)

knitr::kable(table2)
```
## 1. Análisis Estadístico Delivery Plan (5)
### Graphs 

#### Gráfica cualitativa  
Con esta gráfica podemos darnos cuenta de los clientes que tienen mayores pedidos y en este caso es HELLA en primer lugar y TRMX en segundo lugar, lo cual nos indica que son los mejores clientes por inyectarle más flujo de compras a la empresa.

```{r}
#install.packages("plyr")

library(plyr)
delivery2<-delivery1
delivery2<- aggregate(delivery2$Pedidos, by=list(category=delivery2$CLIENTE), FUN=sum)

pie(delivery2$`sum.delivery2$Pedidos`, labels = delivery2$category)
```

#### Gráfica cuantitativa 

Esta gráfica sirve para tener de manera más visual el impacto que tiene cada uno de los clientes en la empresa FORM. Podemos ver que HELLA es el cliente más significativo con casi el triple de pedidos que el siguiente cliente con mayores pedidos, TRMX. De lado derecho se tiene un legend que muestra la tonalidad de los plots para ver que tantos pedidos tiene, por ello HELLAS tiene un color azul claro, representando más de 250,000 pedidos. 

```{r}
delivery2<-delivery2 %>% dplyr::rename(pedidos="sum.delivery2$Pedidos")
delivery2<-delivery2 %>% dplyr::rename(Clientes="category")

delivery2$Clientes<-as.factor(delivery2$Clientes)
ggplot(delivery2, aes(x=Clientes, y=pedidos, fill=pedidos))+
         geom_bar(stat="identity")+
         theme_minimal()+
         labs(title="Pedidos por cliente")
```

#### Gráfica de líneas  
**Comportamiento de clientes por fecha ** 
Con esta gráfica utilizamos el ID Fecha para conocer los pedidos que se tiene por cliente cada mes y vemos un significativo incremento de pedidos en el mes de septiembre y octubre. contamos con un legend que indica cada línea con un color para nombrar la información de cada uno de los clientes. 
```{r}
summary(delivery1)

ggplot(delivery1,aes(x=ID_Fecha, y=Pedidos, group=CLIENTE,colour=CLIENTE))+
  geom_line()+
  ggtitle("Comportamiento de clientes por fecha")
```

#### Boxplot 
En esta gráfica podemos visualizar cuantos pedidos tiene programados cada cliente y los clientes que sobre salen son HELLA y TRMX, algo muy relevante en esta gráfica es que se muestra la moda de cada uno, así como también la minima de pedidos y la máxima, y en este caso no se tiene una dispersión por ninguno de los clientes. 
```{r}
boxplot(delivery1$Pedidos, main= "Pedidos")

delivery3<-delivery1
delivery3$CLIENTE <-as.factor(delivery3$CLIENTE)
ggplot(delivery3, aes(x=CLIENTE, y=Pedidos))+
  geom_boxplot(color="blue", fill="purple")
```


### Propuestas 
1. Hacer una predicción acerca de los pedidos mensuales por cliente para ver a cuales darles prioridades y beneficios que creen una lealtad hacía FORM.

## Sección 2. Análisis Exploratorio 
### Tabla de Mediana, Media y St. Deviation 
Dentro de Delivery, podemos ver una media de más de 5,000 lo cual nos indica una muy buena cantidad en promedio mensual y la desviación estandar de 10093 lo cual nos indica una dispersión igual a la mediana dentro del rango, no es muy significativo para este caso.
```{r}
median(delivery1$Pedidos, na.rm = TRUE)
mean(delivery1$Pedidos, na.rm = TRUE)
sd(delivery1$Pedidos, na.rm = FALSE)

Variable<-c("Pedidos")
Mediana<-c("1009")
Media <- c("5339.16")
Desviación_estandar<-c("10093.19")
tableplan <- tibble (Variable, Mediana , Media , Desviación_estandar)
knitr::kable(tableplan)
```
### Graphs  
#### Tabla de dispersión
Dentro de esta tabla podemos visualizar la cantidad de pedidos que se manejan mensualmente no tienen una variable tan amplia, por lo cual se mantiene estable durante el 2022, lo cual nos dice de un flujo siempre mayor a 0 durante los meses.
```{r}
plot(x= delivery1$ID_Fecha, y= delivery1$Pedidos, col=delivery1$ID_Fecha)
```

### Hallazgos  

Para realizar el análisis de la base de datos de "Delivery Plan" fué necesario primero hacer un arreglo de la base de datos de manera manual en el excel. Estó para simplificar el uso de la base de datos y permitir que R pueda analizarla y extraer los datos para generar gráficas. Después aplicamos dos diferentes bases de datos, nos aseguramos de que no haya NAs y eliminamos filas que correspondían a los clientes que tenían menos de 5,000 pedidos. Nos quedamos con una base de datos con los 6 clientes más significativos para FORM. Continuamos identificando las variables en dónde 6 de 8 variables eran cualitativas al ser los clientes de FORM. 

Graficamos una gráfica de Pie para identificar de manera visual los mayores clientes, los que vienen siendo HELLA y TRMX. También hicimos un "Barplot" para mostrar la cantidad de pedidos programados que tiene cada cliente, Hella siendo el cliente con mayor pedidos con más de 225,000 y TRMX siguiendo con 80,000. Decidimos también visualizar el comportamiento de los clientes según la fecha y nos dimos cuenta que entre el mes de septiembre y octubre hubo un incremento de pedidos establecidos. Y por último se realizó el "Boxplot" para de ese modo ver de manera precisa la moda de clos pedidos que suele hacer cada uno de los clientes. 


# <span style = "color:darkorange"> Delivery Performance 
```{r message=FALSE, warning=FALSE}

library(foreign)
library(dplyr)        # data manipulation 
library(forcats)      # to work with categorical variables
library(ggplot2)      # data visualization 
library(janitor)      # data exploration and cleaning 
#install.packages("Hmisc")
#library(Hmisc)        # several useful functions for data analysis 
#install.packages("psych")
#library(psych)        # functions for multivariate analysis 
#install.packages("naniar")
#library(naniar)       # summaries and visualization of missing values NAs
#install.packages("dlookr")
#library(dlookr)  # summaries and visualization of missing values NAs
#install.packages("corrplot")
#library(corrplot)     # correlation plots
#install.packages("jtools")
#library(jtools)       # presentation of regression analysis 
#install.packages("lmtest")
#library(lmtest)       # diagnostic checks - linear regression analysis 
#install.packages("car")
#library(car)          # diagnostic checks - linear regression analysis
#install.packages("olsrr")
#library(olsrr)        # diagnostic checks - linear regression analysis 
#install.packages("kableExtra")
#library(kableExtra)   # HTML table attributes
library(tidyverse)
```


## Sección 1: Limpieza de datos, Transformación y Entendimiento 

Las técnicas elegidas en nuestra limpia de datos se eligieron por las necesidades que presentaba la base y la utilidad o no que tenían nuestras variables 
```{r}
#file.choose()
base_de_datos<-read.csv("C:\\Users\\danyc\\OneDrive - Instituto Tecnologico y de Estudios Superiores de Monterrey\\Desktop\\Form\\Formdeliveryfinal3.csv" )
```

### Variables y Registros 
<center> <span style="color:Red"> R= 8 variables y 1440 registros </center>
 

#### Entender la BD
```{r}

bd<-base_de_datos
summary(bd)
str(bd)
```

### Escalas de Variables
```{r}
variables <- c("`Target`","`Cliente`","`Vueltas`","`Plan.arrival`","`Real.arrival`","`Real.departure`","`Diference`","`Fecha`")
tipos <- c("cuantitativo (discreto)  ", "cualitativo  ", "cuantitativo (discreto)  ", "cuantitativo (continuo)  ", "cuantitativo (continuo)  ", "cuantitativo (continuo)  ", "cuantitativo (continuo)  ", "cualitativo  ")
escalas <- c("intervalo", "nominal", "razon", "razon", "razon", "razon", "razon", "ordinal")
table1 <- data.frame (variables, tipos, escalas)
knitr::kable(table1)
```


#### CONVERSION DE CARACTER A FECHA (TECNICA DE CONVERSION DE DATOS)   
```{r}
bd1<-bd
bd1$Fecha<- as.Date(bd1$Fecha, format= "%d/%m/%y")
summary(bd1)
tibble(bd1)
```


#### Eliminar columnas 

```{r}
bd2<-bd1
bd2 <- subset(bd2, select =-c (Target))
```
 *Nota:*
 Se elimina el target ya que no nos muestra una información detallada al darnos datos nulos de tener un 1 en todos lados.

#### LIMPIEZA POR METODO ESTADISTICO  
```{r}
bd3<-bd2
boxplot(bd3$Plan.arrival, horizontal=TRUE)
boxplot(bd3$Real.arrival, horizontal=TRUE)
boxplot(bd3$Real.departure, horizontal=TRUE)

boxplot(bd3$Diference, horizontal=TRUE)
```

#### Agregar columna de promedio  
```{r}
bd3$Promedio_real_arrival<- mean(bd3$Real.arrival)
```

#### Convertir variables de caracter a numerico.  
```{r}
bd3$Vueltas<-as.numeric(bd3$Vueltas)     ### missing values are converted to NA's
bd3$Plan.arrival<-as.numeric(bd3$Plan.arrival)  
bd3$Real.arrival<-as.numeric(bd3$Real.arrival)  
bd3$Real.departure<-as.numeric(bd3$Real.departure)  
bd3$Diference<-as.numeric(bd3$Diference)  
bd3$Promedio_real_arrival<-as.numeric(bd3$Promedio_real_arrival) 

bd3<-as.data.frame(bd3) 
bd3$Fecha<-as.Date(bd3$Fecha,format="%m/%d/%Y") 
bd3$Cliente<-as.factor(bd3$Cliente) 

tibble(bd3)
```


*Notas:* 
 Se muestra que la diferencia de nuestros arrivals no es mucha, pero habría que revisar si el promedio total nos ayudaría. 
 se agrego una columna de promedio general de nuestros arrivals reales.
 
```{r}
bd_limpia<-bd3
write.csv(bd_limpia, file="formbaselimpia.csv", row.names = FALSE)
```


## Sección 2: Análisis Exploratorio 
```{r}
bd_limpia<-read.csv("C:\\Users\\danyc\\OneDrive - Instituto Tecnologico y de Estudios Superiores de Monterrey\\Desktop\\Form\\formbaselimpia.csv")
```


### Tabla media, mediana y std. deviation
En esta parte de desviación estandar, podemos observar que son muy pocos los clientes que tienen retrasos, pero cuando se tienen estos retrasos son de bastante tiempo por lo cual se pueden ver afectados al no estar avanzando conforme a la demanda.
```{r}
bd_limpia <- bd3
summary(bd_limpia)
sd(bd_limpia$Vueltas, na.rm = FALSE)
sd(bd_limpia$P.arrival, na.rm = FALSE)
sd(bd_limpia$R.arrival, na.rm = FALSE)
sd(bd_limpia$R.dep, na.rm = FALSE)
sd(bd_limpia$Dif, na.rm = FALSE)

Variable<-c("Vueltas","P.arrival", "R.arrival", "R.dep", "Dif")
Mediana<-c("1.50 ","4.000","0.000 ","0.000 ","0.0000 ")
Media <- c("1.75","6.625","3.823","4.142","4.142")
Moda <- c("1","0","0","0","0")
Desviación_estandar<-c("0.8294442"," 7.501563","6.505902","6.948665","6.948665")
table1 <- data.frame (Variable, Mediana, Media, Moda, Desviación_estandar)
knitr::kable(table1)
```

### Graphs
## Tabla de Frecuencia 

```{r warning=FALSE}
#install.packages('epiDisplay')
library(epiDisplay)
tab1(bd_limpia$Diference, sort.group = "decreasing", cum.percent = TRUE) 
tab1(bd_limpia$Real.arrival, sort.group = "decreasing", cum.percent = TRUE)
```
*Notas:* 
Viendo el gráfico de distribución se pueden ver las frecuencias en las diferencias, se ve una mayor parte en el número 0, lo cual nos indica un buen desarrollo en delivery.

#### Time series plots  

```{r}
#Checar que la base de datos esta estructurada y un resumen de la descripción estadistica
summary(bd_limpia)

#Graficar 
ggplot(bd_limpia,aes(x=Fecha, y=Diference,color=Cliente))+
  geom_line()+
  labs(x="Fecha",y="Delay in Minutes", color="Legend")+
  ggtitle("Delays in Performance by Client")

```

#### Checar la presencia de missing values  
```{r}
bd_limpia1 <- bd_limpia
bd_limpia1<-bd_limpia1[-c(300,292),] # Quitar las filas 300 y 292 por que presentan datos negativos y que no sirven para el analisis.
summary(bd_limpia1) # no missing values
```


#### Quitar clientes que tengan valor de 0 en la base de datos  
```{r}
bd_limpia1<-bd_limpia1[bd_limpia1$Cliente!="MAGNA",]
bd_limpia1<-bd_limpia1[bd_limpia1$Cliente!="VARROC",]
summary(bd_limpia1)
```

#### Realizar la grafica con los 2 clientes que eliminamos  
```{r}
ggplot(bd_limpia1,aes(x=Fecha, y=Diference,color=Cliente))+
  geom_line()+  geom_hline(yintercept=0.8000,linetype="dashed",color="black")+
  labs(x="Fecha",y="Diferencia por día", color="Legend")+
  ggtitle("Diferencia de entrega por Cliente")
```

### Hallazgo y propuesta
Encontramos gracias a la grafica realizada de la Diferencia de tiempo en la entrega de producto por cliente, que los clientes con mayor Delay son MAHLE Y PRINTEL, al mismo tiempo encontramos que entre estos dos clientes, el que tiene mayor Delay es MAHLE, por lo que sería bueno para la empresa el tener un mayor enfoque, obvio en ambos, pero tambien un poco más en Mahle, para que tenga mejor referencia de este cliente y mayor confianza con la empresa en las entregas. 





# <span style = "color:darkorange"> Producción

```{r message=FALSE, warning=FALSE}

library(foreign)
library(dplyr)        # data manipulation 
library(forcats)      # to work with categorical variables
library(ggplot2)      # data visualization 
library(janitor)      # data exploration and cleaning 
#install.packages("Hmisc")
library(Hmisc)        # several useful functions for data analysis 
#install.packages("psych")
library(psych)        # functions for multivariate analysis 
#install.packages("naniar")
library(naniar)       # summaries and visualization of missing values NAs

#install.packages("dlookr")
library(dlookr)  # summaries and visualization of missing values NAs
#install.packages("corrplot")
library(corrplot)     # correlation plots
#install.packages("jtools")
library(jtools)       # presentation of regression analysis 
#install.packages("lmtest")
library(lmtest)       # diagnostic checks - linear regression analysis 
#install.packages("car")
library(car)          # diagnostic checks - linear regression analysis
#install.packages("olsrr")
library(olsrr)        # diagnostic checks - linear regression analysis 
#install.packages("kableExtra")
library(kableExtra)   # HTML table attributes
library(tidyverse)
```

## Sección 1. Limpieza de datos, Transformación y Entendimiento (1-4) 

### Importar Base de Datos 
```{r message=FALSE, warning=FALSE}
#file.choose()
produccion<-read.csv("C:\\Users\\danyc\\Downloads\\Base produccion form - Base produccion form - Base produccion form - Base produccion form.csv.csv.csv" )
```

### Variables y Registros
<center> <span style="color:Red"> R= 3988 registros y 15 variables </center>



#### Entender y limpiar la base de datos 
```{r}
describe(produccion)
```


#### Paso 1. De caracter a fecha (Tecnica 4. Convertir tipos de datos) 
```{r}
bdp<-produccion
bdp$Fecha<- as.Date(bdp$Fecha, format= "%d/%m/%Y")
summary(bdp)
tibble(bdp)
```


#### Paso 2. Eliminar columnas inservibles(Tecnica 1. Remover valores irrelevantes) 
```{r}
bdp1<-bdp
bdp1 <- subset(bdp1, select =-c (ID.FORM))
bdp1 <- subset(bdp1, select =-c (INICIO.SEP.UP,FIN.INICIO.DE.SEP.UP, TIEMPO.MATERIALES))
bdp1 <- subset(bdp1, select =-c (HR..FIN, INICIO.de.PROCESO, FIN.de.PROCESO))
```

#### Cambiar nombres 
```{r}
colnames(bdp1)<-c('fecha','cliente','producto','piezas_prog','tiempo_min','esta_arranque','laminas_procesadas','tiempo_calidad')
```

#### Paso 3. Cambiar de caracter a Numerico (Tecnica 4. Convertir tipos de datos)  

```{r}
bdp1$piezas_prog<-as.numeric(bdp1$piezas_prog)               
bdp1$tiempo_min<-as.numeric(bdp1$tiempo_min)                 
bdp1$laminas_procesadas<-as.numeric(bdp1$laminas_procesadas) 
bdp1$tiempo_calidad<-as.numeric(bdp1$tiempo_calidad)         

bdp2<-bdp1
bdp2$tiempo_min <- substr(bdp2$tiempo_min, start = 1, stop = 2)
tibble(bdp2)  
bdp2$tiempo_min <- as.integer(bdp2$tiempo_min)
str(bdp2)  

bdp2$piezas_prog <- substr(bdp2$piezas_prog, start = 1, stop = 2)
tibble(bdp2)  
bdp2$piezas_prog <- as.integer(bdp2$piezas_prog)
str(bdp2)

bdp2$laminas_procesadas <- substr(bdp2$laminas_procesadas, start = 1, stop = 2)
tibble(bdp2)  
bdp2$laminas_procesadas <- as.integer(bdp2$laminas_procesadas)
str(bdp2) 
```


#### Paso 4. Cambiar de N/A a promedios 
```{r}
bdp3 <- bdp2
bdp3$tiempo_min[is.na(bdp3$tiempo_min)]<-mean(bdp3$tiempo_min, na.rm = TRUE)
summary (bdp3) 
```


#### Paso 5. Cambiar de N/A a 0 
```{r}
bdp4 <- bdp3
bdp4$laminas_procesadas[bdp4$laminas_procesadas < 1]<- NA
summary (bdp4)
```


#### Paso 6. Borra N/As 
```{r}
bdp5 <- bdp4
bdp5 <- na.omit(bdp5)    
str(bdp5)
```


#### Verificar eliminacion de NA´s 
```{r}
colSums(is.na(bdp5))
summary(bdp5)

str(bdp5)
summary(bdp5)
```


### Clasificación de Variables 

```{r}
Variable<-c("Fecha ","cliente","producto", "Piezas programadas","tiempo min","Estacion de arranque","Laminas procesadas", "Tiempo de calidad")
Type<-c("Cualitativa","Cualitativa","Cualitativa", "Cuantitativa(Discreta)", "Cuantitativa(Discreta)","Cualitativa", "Cuantitativa(Discreta)", "Cuantitativa discreta")
Medicion <-c("Nominal", "Nominal","Nominal", "Intervalo", "Intervalo","Nominal", "Intervalo", "Intervalo") 
table<-data.frame(Variable,Type, Medicion)
knitr::kable(table)
```

#### Exportar csv 
```{r}
write.csv(bdp5,"C:\\Users\\danyc\\OneDrive - Instituto Tecnologico y de Estudios Superiores de Monterrey\\Desktop\\Form_produccionbaselimpia.csv", row.names=FALSE)
```

#### Importar base de datos limpia 

```{r}
bdl<-read.csv("C:\\Users\\danyc\\OneDrive - Instituto Tecnologico y de Estudios Superiores de Monterrey\\Desktop\\Form_produccionbaselimpia.csv")
library(ggplot2)
#install.packages("webr")
library(webr)
library(dplyr)
```


## 1. Análisis Estadístico PRODUCCIÓN (5) 

### Gráficos 
#### Cualitativo
Dentro de este gráfico se vio que el cliente que tuvo más piezas programadas fue Stabilus en el mes de Agosto, esto debido a que la mayor parte de las ventas fue llevado a cabo durante este mes segun podemos ver la tabla descriptiva.
```{r}
detach(package:plyr)
PD = bdp5 %>% dplyr::group_by(month=lubridate:: floor_date(fecha, "month" ), cliente) %>% summarise(n = sum(piezas_prog))
print(PD)

PieDonut(PD, aes(month, cliente, count=n), title = "Piezas por cliente")
```

#### Cuantitativo 
En este histograma, podemos ver que la información de las laminas procesadas se encuentra en un 10-20 por lo que se nota en el gráfico como mayor parte, aquí nos podemos dar cuenta que este numero de láminas es el que con más frecuencia se produce.
```{r}
produccion1 <- (bdp5$laminas_procesadas)
hist(produccion1)
```


### Propuestas 
1. Ver un modelo predictivo para aumentar el numero de ventas lo cual nos daría un incremento en la producción. 
2.Fomentar la lealtad en los compradores dandoles ventajas competitivas ante el mercado para evitar dejar de producir los numeros con más frecuencia lo cual provocaría un desbalance en nuestros numeros. 

## Sección 2. Análisis Exploratorio 

### Tabla de media, mediana y Std. Deviation
Creo que para este caso dentro de la producci'on se ve que tiene una desviacion dentro del rango ya que se muestra una disperción de 18.7 entre punto y punto que es menos que la media.

```{r}
bd6<-bdl
median(bd6$piezas_prog, na.rm = TRUE)
mean(bd6$piezas_prog, na.rm = TRUE)
sd(bd6$piezas_prog, na.rm = FALSE)

Variable<-c("Piezas")
Mediana<-c("20")
Media <- c("26.5")
Desviación_estandar<-c("18.7")
tablebaja <- tibble (Variable, Mediana , Media , Desviación_estandar)
knitr::kable(tablebaja)
```

### Graphs 

#### Barplots 

Recopilando la informacion me tope con estos datos lo cual nos informa acerca de los clientes mas destacados para form y el tiempo minimo de tardanza en el ensamblaje de los productos, en este caso el primer lugar con mas eficiencia por cliente fue stabilus en la primera vuelta.

```{r}

bd6<-bd6 %>% group_by(cliente) %>% 
  summarise(piezas_prog=sum(piezas_prog),tiempo_min=sum(tiempo_min)) %>% arrange(desc(piezas_prog))

bd6<-bd6[-c(6,7,8,9,10,11),] 


ggplot(bd6,aes(x=reorder(tiempo_min,piezas_prog), y=piezas_prog,fill=cliente)) +
  geom_bar(stat="identity")
```


#### Barplots2 
Dentro de esta segunda tabla de barras se puede ver desplegado la cantidad de piezas programadas que se tuvo por mes en los periodos de los meses julio, agosto y septiembre. Esto nos dice acerca de la mayor productividad de agosto, pero porque es esto?
```{r}
datoscopia<-bdl
datoscopia$ano<-strftime(datoscopia$fecha, "%Y")
datoscopia$mes<-strftime(datoscopia$fecha, "%m")

data_agg<- aggregate(piezas_prog~mes + ano, datoscopia, FUN = sum)
data_agglamina<- aggregate(laminas_procesadas~mes + ano, datoscopia, FUN = sum)
ggplot(data_agg,aes(x=mes,y=piezas_prog)) +
  geom_bar(stat="identity")
```

#### Barplots 3 
En esta grafica se puede visualizar la dependencia del tiempo minimo de produccion con las piezas programadas dependiendo de la estacion de arranque, la mayor productividad general tiene unarelacion con la estacion C1 y la C1y2 ya que se ve que es la que menos tiempo hace con mas procesamiento de laminas.
```{r}
ggplot(datoscopia,aes(x=tiempo_min, y=piezas_prog,fill=esta_arranque)) +
  geom_bar(stat="identity")
```


#### Dispersion 1  
En esta tabla se muestra un claro ejemplo de comparacion que entre mas tiempo de calidad se le de al cliente se lograra hacer un tiempo mucho mas minimo efectivizando los procesos y terminandolos mas rapido como fue con los clientes en azul.
```{r}
ggplot(datoscopia, aes(x=tiempo_calidad, y=tiempo_min, color=cliente)) +
  geom_point() + geom_rug()
```


#### Dispersion 2 
En esta grafica, se iene la intencion de ver a los compradores predominantes dentro de FORM durante los tres meses predictivos, esto para poder lograr una atencion especializada y ver mas o menos el tiempo que toman sus productos y generar un tipo de procesos mas fluido.
```{r}
ggplot(datoscopia, aes(x=cliente, y=laminas_procesadas, color=mes)) +
  geom_point() + geom_rug()
```


#### Series de tiempo 
Aqui se puede ver una serie de tiempo no lineal, lo cual nos dice que no se tienen procesos claros y estables para la produccion lo cual lo convierte en un proceso variable y con fallas en los tiempos de entregas como resultado.
```{r}

ggplot(datoscopia,aes(x=tiempo_calidad))+
  geom_line(aes(y=piezas_prog),color="orange")+
  labs(x="Tiempo de Calidad",y="piezas programadas", color="orange")+
  ggtitle("Grafica de tasa de rendimiento")
```

### Hallazgos 

1. Depende del posicionamiento inicial de la materia prima el tiempo en el que se producen las laminas. 
2. Hay clientes que compran más que otros y es por eso que la producción por falta de transporte tiene que dar dos vueltas haciendo mayor el tiempo de entrega. 
3. Hay retrasos no claros para algúnos clientes por lo cual debemos preguntar a Felipe acerca de estas. 


# <span style = "color:darkorange"> Merma

```{r message=FALSE, warning=FALSE}
#file.choose()
FORM <- read.csv("C:\\Users\\danyc\\Downloads\\FORM - Merma limpia.csv")
```


## Sección 1. Limpieza de datos, Transformación y Entendimiento (1-4) 

### Entender Base de Datos  
```{r}
resumen <- summary(FORM)
resumen
```

### Variables y registros de la base de datos  
<center> <span style="color:Red"> R= 52 registros y 2 variables </center>
```{r warning=FALSE}
str(FORM)
library(psych)
library(plyr)
#install.packages("psych")
describe(FORM)
```

<style>
div.blue { background-color:#FFDBC8; border-radius: 5px; padding: 20px;}
</style>
<div class = "blue">

**Nota:**En esta base de datos se eliminaron la columa que no era relevante para el analisis, Se eliminaron los registros de total de merma y la columna de mes ya que no eran irrelevantes. Por lo tanto nos quedamos con 52 registros y 2 variables.  

*2.*Para el caso de variables cuantitativas considerar la posibilidad de reemplazar la presencia de “missing values” con estadísticos descriptivos (por ejemplo, media, mediana, moda). 

</div> 

### Eliminar N/A´s
Remplazar valores faltantes por la mediana: No se pueden cambiar debido a que los NA´S de la base de datos no tienen información por lo tanto se van a eliminar.
```{r}
 
FORM_1<-FORM
FORM_1<- na.omit(FORM_1)
summary(FORM_1)

#summary(FORM) 
#str(FORM)
#FORM$Kilos<-as.numeric(FORM$Kilos)
#FORM<-FORM %>% mutate(Kilos=if_else(is.na(Kilos),median(Kilos,na.rm = T),Kilos))
```

**Nota:**En esta base de datos la unica variable que se puede remplazar por la mediana es la columna de kilos. Ya se remplazaron los valores faltantes por la mediana. 

### Cambiar nombres de columnas y variables  
Respecto a variables cualitativas (por ejemplo, género, cliente,municipio, estado) homogenizar el nombre de las diferentes categorías. 

Respecto a La base de datos analizada no aplica el paso de homogenizar las variables ya que en este caso solo se cuenta con dos variables en la base de datos. 

```{r}
#seleccionar columnas / variables.
#FORM<-FORM %>% select(-one_of('Fecha','Kilos'))

#Renombrar las columnas /variables seleccionadas. 
colnames(FORM_1) <-c ('Fecha','Kilo')
```

```{r}
Variable<-c("`Fecha`", "` Kilos`")
Type<-c("Cuantitativa (continua)", "Cuantitativa (discreta)")
Measurement<-c("Razón","Razón")
table_Merma<-data.frame(Variable,Type,Measurement)

knitr::kable(table_Merma)
```

## 1. Análisis Estadístico Merma (5)
### Gráfico cuantitativo
Se puede notar en este gráfico de barras como dentro de los tres trimestres el segundo y tercero fueron los más estables por así decirlo, no hubo cantidades máximas preocupantes o excelentes minimas.
```{r}
FORM_1$Fecha<-as.Date(FORM$Fecha,format="%d/%m/%y")
#install.packages("ggplot")
library(ggplot2)
ggplot(FORM_1, aes(x=Fecha, y=Kilo)) +
  geom_bar(stat="identity", color="blue", fill="white")
```

### Propuestas
Se recomienda el dibujar probablemente con el proveedor de materia prima una figura para optimizar las materias o bien, utilizar maquinas precisas de laser para evitar cortes que desperdicien los materiales.

## Sección 2. Análisis Exploratorio 
### Tabla de Media, Mediana, Moda y Desviación Estandard
Dentro de la tabla de análisis de variable se puede ver que el numero promedio es de 4,415 de merma, este es un numero alto dentro del rango ya que hablando de kilogramos el tener una media de 4 toneladas puede significar un alto desperdicio de carton y por ende de dinero.
```{r}
median(FORM_1$Kilo, na.rm = TRUE)
mean(FORM_1$Kilo, na.rm = TRUE)
sd(FORM_1$Kilo, na.rm = FALSE)
#mfv(FORM_1$Kilo)

Variable<-c("Kilo")
Mediana<-c("4025")
Media <- c("4415")
Moda <- c("4190")
Desviación_estandar<-c("2571.793")
tablemerma <- data.frame (Variable, Mediana , Media , Moda , Desviación_estandar)
knitr::kable(tablemerma)
```

### Time Serie Plots  
Dentro de la gráfica mostrada, se puede observar una alza en los kilos de merma que se vieron en el primer trimestre del año, esta cantidad despues fue decrementando con el paso de los meses, esto nos puede indicar dos cosas, un incremento en producción o bien, un mal manejo de la materia prima.
```{r}

#FORM_1$Fecha<-as.Date(FORM$Fecha,format="%d/%m/%y")

#install.packages("ggplot2")
library(ggplot2)
summary(FORM_1)
ggplot(FORM_1,aes(x=Fecha))+
  geom_line(aes(y=Kilo),color="blue")+
  labs(x="Fecha",y="Kilo", color="Legend")+
   ggtitle("Kilos de merma por mes")
```

### Hallazgos  
Las toneladas de merma, no representan todas las veces un coto para FORM ya que platicando con Felipe, estas son mayormente por causa del proveedor pero no representan un costo extra por lo cual se regala, lo interesante aquí sería encontrar al proveedor que más errores tiene y ver en el supply chain maneras de reutilizar esta merma.

# <span style = "color:darkorange"> Scrap
  
```{r message=FALSE, warning=FALSE}
#file.choose()
SCRAP<- read.csv("C:\\Users\\danyc\\Downloads\\FORM - Scrap Limpia .csv")
```

## Sección 1. Limpieza de datos, Transformación y Entendimiento (1-4) 
<style>
div.blue { background-color:#FFDBC8; border-radius: 5px; padding: 20px;}
</style>
<div class = "blue">

Describe brevemente ¿porqué aplicaste dichas técnicas? ¿cómo te permitió la aplicación de dichas
técnicas una mejor comprensión de las bases de datos?  

Las técnicas de limpieza que se aplicaron para SCRAP fueron específicamente para dejar los datos con los que ibamos a trabajar en las gráficas, es decir, se dejaron los datos de importancia, de igual manera hubo eliminaciones de N/A´s y finalmente la corrección de nombres de nuestras variables.  

La aplicación de dichas fechas me ayudó a ver más claro cuales eran los datos que quería para lograr hacer las gráficas. 

</div> 

### Entender Base de Datos  
Esto nos ayuda a saber que tipo de variable estamos viendo y ver si hay datos anormales.
```{r}
resumen <- summary(SCRAP)
resumen
```

### Variables y Registros  
<center> <span style="color:Red"> R= 250 registros y 9 variables </center>
```{r}
str(SCRAP)
#library(psych)
#install.packages("psych")
```


### Eliminación de columnas  
**Nos quedamos con 5 variables y 250 observaciones.**  

Se seleccionaron las columnas de Referencia, unidades, ubicación y estado debido a que eran variables que no vamos a utilizar en nuestro análisis. 

```{r}
scrap2<- SCRAP
scrap2<-subset(SCRAP,select=-c(Referencia, Unidad.de.medida , Ubicación.de.desecho, Estado))
str(scrap2)
summary(scrap2)
```
n/a reemplazar con promedios para evitar campos vacios en la medida de lo posible. 


### Clasificación de Variables 
En esta clasificacion logramos introducir las variables que vamos a utilizar a sus clasificaciones para despues poder combinarlas de manera mas facil a la hora de compilar 
```{r}
Variable<- c("Fecha", "Hora", "Producto", " Cantidad" , "Ubicacion")
Tipo <- c("Cuantitativa Continua", "Cuantitativa Continua", "Cualitativa", "Cuantitativa Razón", "Cualitativa")
Escala <- c("Razon", "Discreta", "Nominal", "Razon" , "Nominal")
Table_Scrap <- data.frame(Variable, Tipo, Escala)
knitr::kable(Table_Scrap)
```


### Instalar Librerías  
```{r}
#install.packages("dplyr")
#install.packages("mirage")
#install.packages("dplyr")
#library(dplyr)
#library(mirage)

```

### N/A´s  

Debido a que en la base de datos no se encuentran Missing Values, en esta base de datos no se pueden remplazar valores por media, mediana y moda ya que no aplica. 

```{r}
sum(is.na(scrap2))
sum(is.na(SCRAP))
sapply(scrap2, function(x) sum(is.na(x)))
sapply(SCRAP, function(x) sum(is.na(x)))
```

### Cambiar columnas y variables  
Cambiar los nombres de las columnas / variables a nombres más cortos y específicos. Por ejemplo, municipio → mpio, salario mínimo diario → salario_min. 

Se cambiaron los nombres de las variables a nombres mas cortos. Para no contar con nombres largos. 

```{r}
#seleccionar columnas / variables.
#scrap2<-SCRAP %>% select(one_of('Fecha','Hora','Producto','Cantidad','Ubicación.de.origen'))

#Renombrar las columnas /variables seleccionadas. 
colnames(scrap2) <-c ('Fecha','Hora','Prod.','Cant.','Origen')

```

## 1. Análisis Estadístico SCRAP (5) 
### Gráficos  
### Tabla de Frecuencia  
Aquí se puede observar que el lugar en donde el Scrap se forma mas frecuentemente es en SAB/Pre-Producción por lo cuál se entiende que es el área en donde más carton se maneja para hacer un producto final, esto nos indica que se deberán hacer los cambios correspondientes para manejar estos desperdicios y bajarlos o bien, re-ubicarlos para otros tipos de utilización por lo que creo ya se utilizan.
```{r}
#install.packages('epiDisplay')
library(epiDisplay)

tab1(scrap2$Origen, sort.group = "decreasing", cum.percent = TRUE, main = "Distribución del Origen del Scrap") 
```

### Grafica cualitativa  
Se denotan en correlacion con la fecuencia una mayor cantidad de kgs en la pre-produccion con una diferencia casi triplicada en comparacion de la cantidad mas pequeña, esto hace sentido al ser un área de menor manipulación de carton.
```{r}
barplot(table(scrap2$Cant.,scrap2$Origen), col="orange", main = "Kilos de Scrap según su origen", xlab = "Origen", ylab = "Kilos" )
```

### Propuestas
1. Dar una investigación a la optimización de materiales para ver como se podría decrementar el scrap.

## 2. Análisis Exploratorio 

### Descargar librerías 
```{r}
#install.packages("kkbleExtra") 
#install.packages("sd")
#install.packages("modeest")
#library(modeest)
#install.packages("dplyr")
#library(dplyr)
#library(kbleExtra)
#summary(bd1)
```
### Tabla de media, mediana, moda  y desviación estandard
Dentro de esta tabla se pueden observar distintos resultados que nos informan acerca de las cantidades, por ejemplo el promedio o la media fue de 6.7 dentro de nuestros resultados de scrap, mientras que el que más se repitio fue 1, podríamos decir que basandonos en esto, no hubieron tantos desperdicios de SCRAP dentro de la producción.
```{r}
sd(scrap2$Cantidad, na.rm= TRUE)  

Variable<-c("Cant.")
Mediana<-c("2.00")
Media <- c("6.696")
Moda <- c("1") #EXCEL 
Desviación_estandar<-c("11.84885")
table1 <- data.frame (Variable, Mediana, Media, Moda, Desviación_estandar)
knitr::kable(table1)
```

### Gráficos  
```{r}
#install.packages("ggplot2")
#install.packages("barplot")
library(ggplot2)
summary(scrap2)
```

### Time Series Plots
Aquí hablamos de las cantidades que se manejasn el los origenes, vemos que tambien en la pre-producción igual que en la tabla de frecuencia, se denota una cantidad aumentada en la Pre-producción, hablamos también de la generación creciente de esta en el área, por lo que habrá que darle un vistazo ultimadamente en el proveedor del raw material y ver como se puede acomodar para las necesidades que tiene FORM decrementando la cantidad de SCRAP que se produce.
```{r}
ggplot(scrap2,aes(x=Cant.))+
  geom_line(aes(y=Origen),color="Orange")+
  labs(x="Cant",y="Origen", color="Legend")+
   ggtitle("Mayores cantidades de Scrap por origen")
```


### Gráfico de Dispersión
Este gráfico de boxplot nos indica que un 25% de nuestros lugares de origenes tuvieron 60 Scraps mientras que el otro 25% tuvieron mas de 100 en cantidades de scrap lo cual nos idica una carga en solo un área.
```{r}
boxplots=subset(scrap2,select=-c(Origen))
boxplot(table (scrap2$Origen), main = "Ubicación de Origen", xlab = "Origen", ylab = "Cantidad")
```

### Hallazgos

En este analisis nos dimos cuenta que los datos estaban orgnaizados es decir no contaban con missing values por lo tanto es algo bueno para el analisis, de todos modos es importante considerarlos si es relevante para el analisis, en este caso no se hubieran eliminado si no que se hubieran reemplazado por la mediana dependiendte de la variable que estuvieramos analizando.

Analizando estas variables se confirma que en el area de pre-producción,es donde se genera la mayoria del scrap en su mayoria se genera casi el 85% de scrap, que generan dentro de la empresa, por lo tanto es alago alarmante por lo tanto se tienen que tomar decisiones importantes para poder realizar cambios en esta area para reducir la cantidad de scrap.


# <span style = "color:darkorange"> Sección 1 y 2 Base de Datos Externa


## SECCION 1 



```{r}

library(psych)
library(lubridate)
library(ggplot2)
library(GGally)
library(TSstudio)
library(forecast)
```




```{r}

Companies <-read.csv("C:\\Users\\danyc\\Downloads\\externa_bd1 csv1.csv")
summary(Companies)
```


### 1. Limpieza, Transformación y Organización de Bases de Datos  
```{r}
str(Companies)
describe(Companies)
```

 Nota: Debido a la versión de R, nos deja descargar el paquete "psych". Sin embargo, no nos deja llamar a la librería "psych", por lo tanto utilizamos str, para obtener el numero de las variables de la base de datos.



#### Escala de Medición  
Realizamos una tabla donde viene clasificado cada variable y agregamos una columna con la escala de medición para cada variable. 
```{r}

Variable<-c("Geography","Category","Data.Type", "Unit","Current Constant","Years")
Type<-c("Cualitativa", "Cualitativa", "Cualitativa", "Cualitativa", "Cualitativa", "Cuantitativa (Continua)")
Escala_de_Medición <- c("Países", "Producto", "Departamento","Tipo de Moneda", "Precio actual", "Ganancia (Razon)")
table<-data.frame(Variable,Type,Escala_de_Medición)
knitr::kable(table)
```



#### Limpieza de datos  
 La primer tecnica de limpieza que utilizamos fue, eliminar columnas debido a que contabamos con datos los cuales no eran relevantes para el análisis.    
 La segunda herramienta de limpieza que utilizamos para la visulización de los datos fue implementar una nueva columna como el total de la Producción de las variables que se producen por país.

### Remover Valores Irrelevantes 

#### Eliminar columnas 

```{r}
bd1 <- Companies
bd1<-subset(bd1,select=-c(Category,Data.Type,Current.Constant))
str(bd1)
```

#### Agregar Columnas 
```{r}
bd1$Total_Produccion<- bd1$X2016+bd1$X2017+bd1$X2018+bd1$X2019+bd1$X2020+bd1$X2021
bd1$Promedio_X2021<- mean(bd1$X2021)

summary(bd1)
str(bd1)
```


#### ¿Cuántos NA's tengo en la base de datos? 

```{r}
sum(is.na(bd1))
```
 Nota: Se eliminan Category, Data.Type y Current.Constant, ya que no nos sirven, debido a que es el mismo dato para todos los registros y es algo que no nos aporta alguna información. 

###  Análisis Exploratorio de las Bases de Datos 
```{r}
describe(bd1)
```



En el análisis descriptivo se muestran los valores promedio del total de producciones de 2016 a 2021.

### Tabla de Frecuencia 
```{r}
bd2 <- table(bd1$Unit)
bd2 <- prop.table(bd2)
bd2
```


### Tabla cruzada 
```{r}
table(bd1$Unit, bd1$Promedio_X2021)
```


La tabla nos muestra la cantidad promedio en millones producida en 2021 por cada unidad monetaria. En este caso, vemos que en 2021 se produjo en promedio más de 1MM de "currencies" (no se puede definir una unidad monetaria específica debido a que estamos ponderando distintas monedas internacionales). Conforme se analiza la tabla, vemos que el euro generó 18 veces el promedio de producción de cartón estimado para 2021, es decir, es la moneda internacional que más produjo cartón a nivel internacional en 2021. La siguiente moneda con mayor capacidad de producción fue USD millions. 

### Gráficas de datos Cualitativas y Cuantitativas 

#### Cualitativa con Unit 
```{r}
barplot(bd2, xlab='Tipo de Moneda',
        ylab='Frecuencia Relativa', las=1)
```


La gráfica nos muestra que de acuerdo a la frecuencia relativa de producción, Indonesia es la unidad monetaria que más cartón ha entregado. 

#### Cuantitativa con Total_Produccion 
```{r}
bd3 <- bd1
aggregate(x=bd3$Total_Produccion, by=list(bd3$Geography),FUN=sum)
```

 En la tabla anterior se muestra el total de producción generado por cada país. Haciendo una ponderación de los 5 países que mayor producción de cartón tienen (haciendo  conteo histórico de 2016 a 2021), vemos que se destacan Irán, Vietnam, Corea del Sur, Japón e Indonesia. 

```{r}
hist(log(bd1$Total_Produccion), main = "Histograma de Producción Total", xlab="Producción Total", 
     ylab="Frecuencia", col="blue1")
```


 En la gráfica anterior se simboliza la distribución de la muestra respecto a la producción total y la frecuencia de ésta. De acuerdo a la frecuencia total, vemos que se tiene una mayor producción por frecuencia entre 10 y 15, es decir, la producción total es más alta y tiene una frecuencia mayor a 15 que se muestra como el más elevado en el histograma.

### Gráficas de Dispersión

#### Relación Geography con Producción Total
```{r}
ggplot(bd1, aes(x=Total_Produccion, y=Geography)) + 
  geom_point(shape=19, size=3) + labs(title = "Relación entre los Países y la Producción Total",caption ="Passport_ProducciónCarton",x="Producción_Total", y="Geography") + theme_classic()

```

 En la gráfica anterior se muestra la relación entre los países y la producción total. Se ve que hay una dispersión mayor para los países en el centro de la gráfica. Esto significa que hay más irregularidad en la producción total que han generado. 

```{r}
boxplot=subset(bd1,select = -c(Total_Produccion,Geography))
boxplot(bd1$Total_Produccion, main= "Total de producción")
```


En la gráfica anterior vemos el total de producción de acuerdo a la geografía. Al igual que la gráfica anterior, hay una correlación mayor acorde al total de producción. 

```{r}
Vol<-ts(boxplot,start=c(2016,1),frequency=12)
ts_plot(Vol,
        title = "Desempeño de la Industria Automotriz: Producción de cartón global de 2016 a 2021",
        Ytitle = "Unidades en miles",
        Xtitle = "Años", 
        slider = TRUE)
```


 En esta gráfica se ve el desempeño de la industria automotriz de 2016 a 2021. En general, se muestra que el total de producción de cartón a nivel global fue mayor en 2021 contra otros años. 


# <span style = "color:darkorange"> Predicción
### Importar base de datos  
```{r}
bd5 <-read.csv("C:\\Users\\danyc\\Downloads\\externa_bd2 csv2.csv")
summary(bd5)

sum(is.na(bd5))

bd5$Total_Produccion<- bd1$X2016+bd1$X2017+bd1$X2018+bd1$X2019+bd1$X2020+bd1$X2021

summary(bd5)
str(bd5)

sum(is.na(bd5))
```


#### Modelos de regresión lineal múltiple 

#### Modelos de regresión lineal múltiple: Producción de cartón en 2022 a nivel global 
```{r warning=FALSE}
library(ggplot2)
library(dplyr)
library(broom)
library(ggpubr)

industriaA <-read.csv("C:\\Users\\danyc\\Downloads\\Industria Auto.csv")

bd6 <-read.csv("C:\\Users\\danyc\\Downloads\\externa_bd3 csv3 (1).csv")

bd6 <- bd6[-c(1),]


summary(bd6)
summary(industriaA)
str(industriaA)

regresion1 <- lm(ventas_autopartes_anual ~  estado + exportaciones_anual + poblacion_ocupada_ensambladora_year ,data = industriaA)
summary(regresion1)

regresion2 <- lm(Total_Produccion ~ Año + Produccion, data=bd5)
summary(regresion2)

bd5 <- data.frame(Año=2022, Produccion= 170000000)
predict(regresion2,bd5)

industria<- data.frame(Año=2022, estado= 79030000)
predict(regresion1,industriaA)


```

Viendo los datos que se muestran en la regresión, se puede observar una alza en la significancia entre las variables de año y producción para nuestra dependiente. El año siendo negativa y la producción positiva en el impacto que deja. 

El modelo anterior nos muestra cuánto se estima que se producirá a nivel global en la industria del cartón para 2022. De acuerdo a una producción total aproximada de 170 millones de cartón en 2021, se espera que en 2022 se produzcan 914,196,926. En este caso, el prónostico fue realizado al crear un nuevo 'data frame' y al implementar la función de 'lm', usada para crear análisis regresivos y predictivos. 



#### Modelos de regresión lineal múltiple: Producción de cartón en 2022 para Estados Unidos y México

### Importar base de datos (3)
```{r warning=FALSE}
bd6 <-read.csv("C:\\Users\\danyc\\Downloads\\externa_bd3 csv3 (1).csv")
summary(bd6)

sum(is.na(bd6))

summary(bd6)
str(bd6)
```


### Modelo de regresión múltiple: Producción de cartón en 2022: México 

 La predicción anterior nos arroja que hay un impacto positivo y significativo entre la variable Año y la variable dependiente. Esto significa que hay una predicción positiva de crecimiento acorde al año.
 De acuerdo a la producción total generada por México de 2016 a 2021 (740 M), el modelo pronóstico estima que en 2022 producirá 149,170.3. En la gráfica previa se muestra el punto de predicción. Si analizamos la producción de 2021 contra el pronóstico de 2022, se estima que la producción mexicana disminuirá. Podemos suponer que esto se debe a la deficiencia en la cadena de suministro global, así como factores económicos globales. 
 
```{r warning=FALSE}
regresion3 <- lm(MEX ~ USA + Año, data=bd6)
summary(regresion3)

regresion3 <- lm(MEX ~ Año, data=bd6)
summary(regresion3)

bd6 <- data.frame(Año=2022, Produccion= 740000)
predict(regresion3,bd6)

ggplot(bd6, aes(x=Año, y=Produccion))+
  geom_point() +
  geom_line(aes(y=Produccion), color="red", linetype="dashed") +
  geom_line(aes(y=Produccion), color="red", linetype="dashed") +
  geom_smooth(method=lm, formula=y~x, se=TRUE, level=0.95, col='blue', fill='pink2') +
  theme_light()
```




#### Modelos de regresión lineal múltiple: Producción de cartón en 2022 para Estados Unidos y México 

### Importar base de datos (3) 
```{r}
bd6 <-read.csv("C:\\Users\\danyc\\Downloads\\externa_bd3 csv3 (1).csv")
summary(bd6)

sum(is.na(bd6))

summary(bd6)
str(bd6)
```



#### Modelos de regresión lineal múltiple: Producción de cartón en 2022: Estados Unidos
Para la predicción de Estados Unidos, vemos que habrá un incremento en la producción de cartón contra 2021. Sin embargo, al analizar la producción total de México contra la producción total de Estados Unidos, vemos que la mexicana es mucho mayor. Podemos suponer que esto se debe debido a la mano de obra económica del mercado mexicano. 

De acuerdo a la predicción anterior, se ve un incremento positivo para la variable México con la variable dependiente, a diferencia del año que muestra un impacto menor y negativo, pero igualmente significativo. 

```{r}
regresion2 <- lm(USA ~ MEX + Año, data=bd6)
summary(regresion2)

regresion2 <- lm(USA ~ Año, data=bd6)
summary(regresion2)

bd6 <- data.frame(Año=2022, Produccion= 320000)
predict(regresion2,bd6)
```



# <span style = "color:darkorange"> Pronóstico 

```{r}
#install.packages("forecast")
library(forecast)
```


### Pronosticar el desempeño de la industria automotriz (EUA y MEX) para los 3 periodos de tiempo.
```{r}
#file.choose()
externo<- read.csv("C:\\Users\\danyc\\Downloads\\externa_bd3 csv3.csv")
```

### Crear serie de tiempo
```{r}
produccion_mexico<- c(externo$MEX)
produccion_usa<- c(externo$USA)
```

```{r}
produccionm<-ts(data=produccion_mexico, start=c(2016,1), frequency=1)
produccionu<-ts(data=produccion_usa, start=c(2016,1), frequency=1)
produccionm
produccionu
```


```{r}
modelom<- auto.arima(produccionm, D=1)
modelou<- auto.arima(produccionu, D=1)
modelom
modelou
```

```{r}
pronosticom <- forecast(modelom, level=c(95), h=4)
pronosticom
plot(pronosticom)
```

```{r}
pronosticou <- forecast(modelou, level=c(95), h=4)
pronosticou
plot(pronosticou)
```

### Pronosticar el desempeño de produccion de Form para los proximos 3 periodos de tiempo.

```{r}
#file.choose()
formproduccion<- read.csv("C:\\Users\\danyc\\OneDrive - Instituto Tecnologico y de Estudios Superiores de Monterrey\\Desktop\\Form_produccionbaselimpia.csv")
```
### Crear serie de tiempo
```{r}
produccionform<- c(formproduccion$laminas_procesadas)

```

```{r}
produccionf<-ts(data=produccionform, start=c(2022,7), end=c(2025, 12), frequency=12)

produccionf
```


```{r}
modelof<- auto.arima(produccionf, D=1)

modelof

```

```{r}
pronosticof <- forecast(modelof, level=c(95), h=3)
pronosticof
plot(pronosticof)
```


### Pronostico 2 FORM Bajas

```{r}
#file.choose()
formbajas<- read.csv("C:\\Users\\danyc\\Downloads\\HR_Bajas 2.csv")
```


### Crear serie de tiempo
```{r}
bajasform<- c(formbajas$NO.DE.BAJAS)

```

```{r}
bajasf<-ts(data=bajasform, start=c(2022,7), end=c(2025, 12), frequency=12)

bajasf
```

```{r}
bmodelof<- auto.arima(bajasf, D=1)

bmodelof

```
```{r}
pronbaja <- forecast(bmodelof, level=c(95), h=3)
pronbaja
plot(pronbaja)
```

### Describe los resultados 
Realizamos una serie de tiempo tanto para la base de la industria automotriz como para la base de producción de FORM, este es enfocado a las laminas procesadas cada mes y en la industria es por año. Para poder realizar este Analisis de Resultado realizamos una grafica y un modelo de Predicción por medio de la función auto.arima. Gracias a esta función, le especificamos desde que Fecha empezará a obtener datos de la base de Datos y también colocamos la frecuencia, que se refiere a cómo se comporta, en cuestión a si se va a calcular por mes o por año. Así mismo, obtuvimos para la industria tanto en México como en EU, que son los países en los que se enfoca más FORM y obtengan mejor oportunidad de crecimiento. Al realizar este modelo calculamos para los próximos 3 periodos, en este caso para el 2025 y obtuvimos los siguientes resultados:
- *Industria Automotriz en México*: 

  1. Partiendo de un margen del 95%, queriendo decir, que este modelo es más preciso por lo que al ver la grafica obtenemos      que tendrá un incremento constante en los próximos 3 años, partiendo del 2022. 
  2. Este crecimiento de la industria automotriz en México se estima un crecimiento del 16% para 2025, lo que beneficia a      FORM para continuar produciendo en el mercado Mexicano. 

- *Industria Automotriz en Estados Unidos*: 

  1. Para 2022 el pronostico es de 59 mil, que este se puede mantener constante en los próximos 3 años hasta 2025
  2. Se obtiene un escenario optimista con la precisión del 95%, lo que quiere decir que para finales del 2025, puede estar igual en 59 mil o aumentar hasta los 69 mil. Esto indicaría que va en aumento año con año y terminaría el 2025 con un aumento del casi 20%. Lo que indicaría algo bueno para FORM, dandole oportunidad a aumentar su cartera de clientes dentro del mercado Estadounidense y teniendo un buen impacto de la industria para los próximos periodos. 
  
- *Empresa FORM*:

  1. Se hizo el pronostico por mes y dando un periodo hasta el 2026, partiendo del 2022 con 3 en cuanto a producción de laminas procesadas, se estima que este tenga un aumento constante, ademas de que entre el 2024 y 2025 tenga un punto de pique más alto, que posteriormente volverá a estabilizarse pero que se mantendrá constante entre los 10 a 20 en producción. 
  2. Se pronostica que para el 2026 se tenga un 33 en producción del área de laminas procesadas, teniendo una precisión del 95% en un escenario optimista. Así mismo este se puede mantener constante en 10 o aumentar como se comentó anteriormente y este crecimiento a términos del 2026 tomando el escenario optimista, sería de poco mas del 90% lo que sería un gran aumento para FORM. También si fuera sin el 95% para inicios del 2026 serían 16 en producción con el 60% de aumento, lo que seguiría siendo algo importante para FORM. 
3.  Se pronostica según el modelo realizado que las bajas de form irás incrementando cada vez más en los próximos 3 años, logrando así una tasa de rotación más alta de la que están considerando hoy en día, es por eso que se necesitarían hacer unos cambios preventivos para poder evitar ese tipo de tragedia que harían que FORM pierda dinero al tener que incurrir en una capacitación desde cero en lugar de cuidar a su personal actual.


# <span style = "color:darkorange"> K-Means


### **Cluster 1** 



```{r, include=FALSE}
library(foreign)
library(dplyr)        # data manipulation 
library(ggplot2)      # data visualization 
library(psych)        # functions for multivariate analysis 
library(corrplot)     # correlation plots
library(jtools)       # presentation of regression analysis 
library(lmtest)       # diagnostic checks - linear regression analysis 
library(car)          # diagnostic checks - linear regression analysis
library(factoextra)   # provides functions to extract and visualize the output of exploratory multivariate data analyses
library(ggfortify)    # data visualization tools for statistical analysis results
```


#### Limpieza de datos y transformacion 

#### Importar Base de Datos  
file.choose()
```{r, include=FALSE}
rh<-read.csv("C:\\Users\\danyc\\Downloads\\HR_Bajas 2.csv") 
summary(rh)
str(rh)
```

#### Explorar datos 

```{r}
rh1<-rh %>% dplyr:: select(EDAD,DIAS.TRABAJADOS,SALARIO.DIARIO.IMSS,GENERO)
summary(rh1)
```


#### Normalizar los datos 
```{r}
rh1_norm<-scale(rh1[2:3]) 
```


#### Numero Optimo de Clusters 

```{r}

fviz_nbclust(rh1_norm, kmeans, method="wss")+ # wss method considers total within sum of square
  geom_vline(xintercept=4, linetype=2)+           # optimal number of clusters is computed with the default method = "euclidean"
  labs(subtitle = "Elbow method")  
#file.choose()
```

#### Visualizar la info de clusters 

```{r}
rh1_cluster<-kmeans(rh1_norm,4)
rh1_cluster
```


Muestra que utilicemos 4 clusters para analizar y visualizar la información. 

#### Visualizar Resultados 

```{r}
fviz_cluster(rh1_cluster,data=rh1_norm)
```

El primer cluster analiza la relación entre el salario diario IMSS y los días trabajados de los empleados que ya fueron dados de baja. En este caso, vemos que hay un impacto alto entre aquellos empleados que trabajaron de 2 a 8 días, pero tuvieron un salario diario bajo, mucho menor a 0 en la gráfica. Los otros dos resultados, se muestra que trabajaron menos días, pero al igual que el primer cluster explicado, tuvieron un salario muy bajo. Con estos tres, hay una correlación alta, significativa y negativa. Para el grupo de arriba, vemos que estos trabajaron un promedio de 2-3 días y tuvieron un salario diario muy alto. Podemos inferir que este grupo pertenece al área administrativa, que como vimos en análisis anteriores, son el grupo con un salario mucho más alto al resto.

 
```{r}
rh2<-rh1
rh2$Clusters<-rh1_cluster$cluster
summary(rh2)
```


#### Crear un dataset 

```{r}
rh3<-rh2 %>% group_by(Clusters) %>% summarise(SALARIO.DIARIO.IMSS=max(SALARIO.DIARIO.IMSS), DIAS.TRABAJADOS=mean(DIAS.TRABAJADOS)) %>% arrange(desc(SALARIO.DIARIO.IMSS))
summary(rh3)
```


#### Agrupar clusters por nombre 

```{r}
rh2$Cluster_Names<-factor(rh2$Clusters,levels = c(1,2,3,4), 
                              labels=c("Bajo", "Promedio ", "Arriba del prom", "Alto"))
summary(rh2)
```


Muchos días trabajados y poco salario

#### Agrupar y dar resumen por nombres 
                                                            
```{r}
rh4 <- rh2%>% group_by (Cluster_Names, GENERO) %>% dplyr:: summarize(DIAS.TRABAJADOS=max(DIAS.TRABAJADOS), 
                                                     SALARIO.DIARIO.IMSS =mean(SALARIO.DIARIO.IMSS),
                                                             Count=n())


```

#### Dar formato de tabla para enseñar la informacion de los clusters 

```{r}
clusters<-as.data.frame(rh4)
clusters
```


#### Graficar el no. de datos observados por nombre de clusters  

```{r}
ggplot(rh4,aes(x=reorder(Cluster_Names,Count),y=Count,fill=Cluster_Names)) +
  geom_bar(stat="identity")
```


 De acuerdo a la clasificación de clusters, la gráfica anterior nos muestra el impacto y conteo de cada cluster dependiendo del grupo de baja analizado, es decir, vemos la relación entre días trabajados y salario diario, clasificando el conteo acorde a la cantidad de bajas obtenidas. En este caso, en la gráfica se muestra que aquellos que trabajaron más de 600 días y menos de 1900 días, obtuvieron un salario promedio de $500 pesos diario. Entra en la categoría de 'bajo', ya que sólo una persona obtuvo esta descripción. El promedio de las personas dadas de baja trabajaron más de 1900 días y obtuvieron un salario diario de $170 pesos. En la barra de 'alto' vemos a aquellos ex-empleados que trabajaron 421 días y tuvieron un salario diario de $150 pesos. Por último, vemos a aquellos 'arriba del promedio' y son aquellos que tabajaron un promedio de 455 días y tuvieron un salario diario de $180 pesos. Este último grupo es el que tuvo mayor conteo de personas, es decir, la mayoría de las bajas estuvieron laborando más de un año en FORM y tenían un salario diario de $180 pesos.

### Ver Rangos 

#### Rango de "Días trabajados" por nombre 

```{r}
ggplot(rh4, aes(x=Cluster_Names,y=DIAS.TRABAJADOS,fill= Cluster_Names,label=round(DIAS.TRABAJADOS,digits=2))) + 
  geom_col() + 
  geom_text()

```


 La gráfica anterior nos presenta la cantidad de días trabajados de acuerdo a la clasificación explicada anteriormente de 'bajo', 'promedio', 'arriba del promedio' y 'alto'. Con esto en mente, vemos que el promedio de los empleados juntaron un total de 1966 días trabajados, siguiéndole el grupo de 'bajo', los que laboraron un promedio de 628 días, luego 'arriba del promedio' que laboró 455 días y finalmente 'alto', que únicamente laboró 421 días. En todos los grupos, vemos que los empleados trabajaron por más de 1 año en FORM y ganaban un salario diario mayor a $150 pesos.
 

#### Ver el rango de Salario Diario  
```{r}
ggplot(rh4,aes(x=Cluster_Names,y=SALARIO.DIARIO.IMSS,fill= Cluster_Names,label=round(SALARIO.DIARIO.IMSS,digits=2))) + 
  geom_col() + 
  geom_text()
```



La gráfica anterior nos presenta la relación entre el salario diario IMSS y la clasificación explicada anteriormente de 'bajo', 'promedio', 'arriba del promedio' y 'alto'. Con esto en mente, vemos que el segmento 'bajo' es el que tenía un salario más alto que la mayoría. El promedio ganaba un salario diario de $170,79 pesos, 'arriba del promedio' ganaba $180,54 pesos y el segmento 'alto' gabana un promedio de $151,61 pesos de salario diario. Esto denota una variabilidad alta y podemos suponer que esto se debía de acuerdo a las responsabilidades y puestos analizados.


#### Dispersion de Dias Trabajados 
```{r}
ggplot(rh2, aes(x=Cluster_Names, y=DIAS.TRABAJADOS, fill=Cluster_Names)) +
  geom_boxplot()+
  ggtitle("Dispersion of 'Días trabajados' by Clusters Names")
```

La gráfica anterior explica la dispersión de días trabajados de acuerdo a la clasificación explicada anteriormente de 'bajo', 'promedio', 'arriba del promedio' y 'alto'. Con esto en mente, vemos que el grupo con mayor dispersión es 'promedio', pues hay una variabilidad más significativa en los datos de la cantidad de días trabajados, destacando la media de días trabajados, es decir, 1000 días. En el caso de 'bajo', hay una dispersión baja y poco variable. Para 'arriba del promedio', vemos que los puntos atípicos se salen del boxplot específico, lo cual quitarlos nos puede dar mayor claridad y visibilidad de la información. Para 'alto' se muestra una dispersión menor a 'promedio' y al igual que 'arriba del promedio', tiene aparición de puntos atípicos.


#### Dispersion de Salario diario 
```{r}
ggplot(rh2, aes(x=Cluster_Names, y=SALARIO.DIARIO.IMSS, fill=Cluster_Names)) +
  geom_boxplot()+
  ggtitle("Dispersion of 'Salario_Diario' by Clusters Names")
```


La gráfica anterior explica la dispersión de salario diario de acuerdo a la clasificación explicada anteriormente de 'bajo', 'promedio', 'arriba del promedio' y 'alto'. 'Bajo' muestra un salario diario de $500 pesos, 'promedio' muestra un salario de $180 pesos aprox y puntos atípicos que podrían insinuar un salario menor, 'arriba del promedio' también muestra puntos atípicos. Sin embargo, todos se mantienen al igual que el dato anterior entre $170 y $180 pesos de salario diario, Finalmente, 'alto' muestra un salario diario abajo del promedio de aprox. $140 pesos.


## **Cluster 2** 



```{r}
rhCluster2<-read.csv("C:\\Users\\danyc\\Downloads\\HR_Bajas 2.csv") 
summary(rhCluster2)
str(rhCluster2)
```


#### Explorar KMeans en edad por años 
```{r}
humanos5<-rhCluster2 %>% dplyr::select(EDAD,DIAS.TRABAJADOS,SALARIO.DIARIO.IMSS,ESTADO.CIVIL)
summary(humanos5)
```
 


#### Normalizar los datos 
```{r}
rhCluster_norm<-scale(humanos5[1:2]) 
```


#### Sacar numero de clusters 

 fviz_nbclust() helps to determine and visualize the optimal number of clusters
 
```{r}
fviz_nbclust(rhCluster_norm, kmeans, method="wss")+ # wss method considers total within sum of square
  geom_vline(xintercept=4, linetype=2)+           # optimal number of clusters is computed with the default method = "euclidean"
  labs(subtitle = "Elbow method")

```

              
#### Ver datos de los clusters  

```{r}
rh_cluster2<-kmeans(rh1_norm,4)
rh_cluster2
```

#### Visualizar clustering  
```{r}
fviz_cluster(rh_cluster2,data=rhCluster_norm)
```


La gráfica anterior muestra 4 clusters que analizan la relación entre edad y días trabajados. El cluster verde muestra que un alto número de personas tabajaba más días que el promedio y tenía una edad similar al promedio. El punto naranja muestra que pocos usuarios trabajaban más días que el promedio y al igual que el punto anterior, tenían una edad promedio. En el caso del punto azul y el morado, ambos muestran que un mayor grupo de personas laboraba '2 días', pero tenía mayor variabilidad en la edad.

#### Agregar la info al data set original 
```{r}
humanos6<-humanos5
humanos6$Clusters<-rh_cluster2$cluster
summary(humanos6)
```


#### Crear Dataset 
lets create a dataset so we can identify some characteristics of "Edad" by cluster 
```{r}
humanos7<-humanos6 %>% group_by(Clusters, ESTADO.CIVIL) %>% summarise(EDAD=max(EDAD),DIAS.TRABAJADOS=mean(DIAS.TRABAJADOS)) %>% arrange(desc(EDAD))
summary(humanos7)
```


#### Agrupar clusters por nombre 
```{r}
humanos6$Cluster_Names<-factor(humanos6$Clusters,levels = c(1,2,3,4), 
                          labels=c("Joven", "Avanzado ", " Adulto", "Jubilado"))
summary(humanos6)
```


Entre más joven más días trabajados


#### Agrupar por clusters y resumir columnas 
```{r}
humanos8 <- humanos6 %>% group_by(Cluster_Names, ESTADO.CIVIL) %>% dplyr:: summarize(EDAD=max(EDAD), 
                                                       DIAS.TRABAJADOS =mean(DIAS.TRABAJADOS),
                                                         Count=n())

```

#### Convertir a tabla 
```{r}
clusters2<-as.data.frame(humanos8)
clusters2
```

### Visualizar graficos 

####  Ver los dias trabajados en general junto con la edad 
```{r}
ggplot(humanos8,aes(x=reorder(Cluster_Names,Count),y=Count,fill=Cluster_Names)) +
  geom_bar(stat="identity")
```


La gráfica anterior nos muestra la cantidad de días trabajados de acuerdo a la edad de los empleados. En este caso, vemos que el grupo de edad 'joven' tenían aprox. 31 años y representa un bajo porcentaje de los empleados. Para 'avanzado' son los empleados que tienen arriba de 32 años y laboraron la mayor cantidad de días (1067). Para 'jubilado', son las personas con un aprox. de 50 años y que laboraron durante 102 días. Finalmente, para el grupo de 'adulto' (el más elevado), son aquellos que laboraron un promedio de 44 días y tienen la edad de 52 años.

#### Dias trabajados por nombre de clusters 

```{r}
ggplot(humanos8, aes(x=Cluster_Names,y=DIAS.TRABAJADOS,fill= Cluster_Names,label=round(DIAS.TRABAJADOS,digits=2))) + 
  geom_col() + 
  geom_text()
```


La gráfica anterior nos muestra la cantidad de días trabajados de acuerdo a los días trabajados. En este caso, esto nos muestra que el grupo con mayor bajas fueron del segmento 'adulto' y es el que laboró en promedio un menor número de días contra 'avanzado' que es el segundo grupo más bajo y laboró el mayor número de días en promedio.

#### Edad por nombre de clusters 

```{r}
ggplot(humanos8,aes(x=Cluster_Names,y=EDAD,fill= Cluster_Names,label=round(EDAD,digits=2))) + 
  geom_col() + 
  geom_text()
```


 La gráfica anterior nos muestra la edad promedio de cada uno de los grupos. Como explicamos anteriormente, se muestra que 'adulto' es el de empleados con mayor edad y 'joven' es el de personas de menor edad.

#### Dias trabajados por nombre de clusters 
```{r}
ggplot(humanos6, aes(x=Cluster_Names, y=EDAD, fill=Cluster_Names)) +
  geom_boxplot()+
  ggtitle("Dispersion of 'Edad' by Clusters Names")
```

 La gráfica anterior nos muestra la dispersión de acuerdo a la edad de los empleados. En el caso de 'adulto', tiene una gran cantidad de puntos atípicos lo cual indica que hay datos fuera de serie. En el caso de 'jubilado', vemos que es el grupo con mayor dispersión, mostrando datos de edad entre 25 y 32 años.
 
 

#### Salario diario por nombre de clusters 
```{r}
ggplot(humanos6, aes(x=Cluster_Names, y=DIAS.TRABAJADOS, fill=Cluster_Names)) +
  geom_boxplot()+
  ggtitle("Dispersion of 'Dias_Trabajados' by Clusters Names")
```



 La gráfica anterior muestra la dispersión de acuerdo a días trabajados y los grupos anterior explicados. Vemos que 'avanzado' es el gurpo con mayor dispersión, mostrando que el promedio de los empleados laboraron entre 550 y 1300 días. Es el grupo con mayor número de empleados que trabajaron en este periodo de tiempo. En el caso de 'adulto' y 'jubilado', son aquellos grupos que muestran una dispersión baja y una variedad de puntos atípicos, mientras que 'joven' destaca una baja dispersión y una media de más de 500 días trabajados.
 
## **Cluster 3** 

### Importar la base de datos 
```{r}
cluster3<-read.csv("C:\\Users\\danyc\\Downloads\\HR_Bajas 2.csv") 
summary(cluster3)
str(cluster3)
```

### Numero de clusters 

#### Juntar los datos relacionados a edad en años 
```{r}
newbd<-cluster3 %>% dplyr::select(EDAD,SALARIO.DIARIO.IMSS,PUESTO)
summary(newbd)
```

#### Normalizar datos 
```{r}
newbdnorm<-scale(newbd[2:1])
```

#### Grafica para ver numero optimo de clusters 
```{r}
fviz_nbclust(newbdnorm, kmeans, method="wss")+ # wss method considers total within sum of square
  geom_vline(xintercept=4, linetype=2)+           # optimal number of clusters is computed with the default method = "euclidean"
  labs(subtitle = "Elbow method")
```

#### Visualizar informacion  
```{r}
newbd2clus<-kmeans(newbdnorm,4)
newbd2clus
```

### Ver resultados de clusters 
```{r}
fviz_cluster(newbd2clus,data=newbdnorm)
```

#### Agregar los resultados al dataset original para interpretacion 
```{r}
newbd3<-newbd 
newbd3$Clusters<-newbd2clus$cluster
summary(newbd3)
```

#### Crear datasets para ver la info de caracteristicas por edad por clusters 
```{r}
newbd4<-newbd3 %>% group_by(Clusters,PUESTO) %>% summarise(EDAD=max(EDAD),SALARIO.DIARIO.IMSS=mean(SALARIO.DIARIO.IMSS)) %>% arrange(desc(EDAD))
summary(newbd4)
```

#### Agrupar clusters por nombre 
```{r}
newbd3$Cluster_Names<-factor(newbd3$Clusters,levels = c(1,2,3,4), 
                          labels=c("Joven", "Avanzado ", " Adulto", "Jubilado"))
summary(newbd3)
```

#### Agrupar por nombre y por columna 
```{r}
newbd5 <- newbd3%>% dplyr::group_by(Cluster_Names,PUESTO) %>% dplyr:: summarize(EDAD=max(EDAD), 
                                                       SALARIO.DIARIO.IMSS =mean(SALARIO.DIARIO.IMSS),
                                                         Count=n())
```

### Visualizar graficas 

#### Poner como tabla los datos 
```{r}
clusterssalario<-as.data.frame(newbd5)
clusterssalario
```

#### Graficar por nombre 
```{r}
ggplot(newbd5,aes(x=reorder(Cluster_Names,Count),y=Count,fill=Cluster_Names)) +
  geom_bar(stat="identity")
```

#### Salario diario por numero de clusters 
```{r}
ggplot(newbd5, aes(x=Cluster_Names,y=SALARIO.DIARIO.IMSS,fill= Cluster_Names,label=round(SALARIO.DIARIO.IMSS,digits=2))) + 
  geom_col() + 
  geom_text()
```

Aqui nos podemos dar cuenta acerca de que los sueldos no varian mucho entre edades pero es importante decir que se denota por centavos una mayoria en el sueldo de los jovenes especificamente más que en otros rangos de edades.



###  b. Identificación de características de clústers seleccionados 

#### Graficar el no. de datos observados por Genero 

```{r}
ggplot(rh4,aes(x=reorder(Cluster_Names,Count),y=Count,fill=GENERO)) +
  geom_bar(stat="identity")
```

####  Ver los dias trabajados en general junto con la edad y Estado civil 

```{r}
ggplot(humanos8,aes(x=reorder(Cluster_Names,Count),y=Count,fill=ESTADO.CIVIL)) +
  geom_bar(stat="identity")
```

#### Graficar por nombre 
```{r}
ggplot(newbd5,aes(x=reorder(Cluster_Names,Count),y=Count,fill=PUESTO)) +
  geom_bar(stat="identity")
```



## Hallazgos 
[ 1 ] El salario diario promedio de FORM es de $180 pesos mexicanos, es decir, $5,400 pesos mensuales. De acuerdo a datos compartidos por la INEGI, se prevé que para 2022 el salario mínimo en México sea de $5,255 pesos mensuales. Esto refleja que el salario mensual de FORM es 2% mayor al salario mínimo del país. 
[ 2 ] Se destacan tres razones principales de bajas de empleados: bajas por faltas, renuncia voluntaria o término de contrato. En su mayoría, hubo una baja por faltas del puesto de ayudante general y renuncia voluntaria para el mismo puesto. 
[ 3 ] Hubo un alto número de bajas de empleados que trabajaron más de 200 días, es decir, la mayoría de los ex-empleados estuvieron en FORM más de 1 año y tenían un salario promedio de $180 pesos. 
[ 4 ] Los sueldos de los empleados no varían mucho dependiendo de la edad. Sin embargo, vemos que hay mayor rotación para el grupo 'adulto'. 

## Gráficas ggalluvial 
```{r}
library(ggalluvial)
gall<-rh2

gall<-rh2 %>% filter(Clusters==1 | Clusters==3) %>% arrange(Clusters)
ggplot(as.data.frame(gall),
       aes(y=SALARIO.DIARIO.IMSS, axis1=EDAD, axis2=DIAS.TRABAJADOS)) +
  geom_alluvium(aes(fill=Cluster_Names), width = 1/12) +
  geom_stratum(width = 1/12, fill = "black", color = "grey") +
  geom_label(stat = "stratum", aes(label = after_stat(stratum))) +
  scale_x_discrete(limits = c("Edad", "Días Trabajados"), expand = c(.05, .05)) +
  scale_fill_brewer(type = "qual", palette = "Set1") +
  ggtitle("El Salario Diario por variables cualitativas")
```

# <span style = "color:darkorange"> Sección 4

## Hallazgos
## Sugerencias
## Business Analytics y Business Intelligence 

# <span style = "color:darkorange">KPI´s

# <span style = "color:darkorange">Referencias

  Ana Karen García. (2022, September 8). Industria automotriz anota un buen agosto: crecen producción, exportaciones y ventas internas. El Economista; El Economista. https://www.eleconomista.com.mx/empresas/Industria-automotriz-anota-un-buen-agosto-crecen-produccion-exportaciones-y-ventas-internas-20220907-0031.html 
  
  Hernández, F., & Usuga, O. (2022). 9 Tablas de frecuencia | Manual de R. Retrieved 24 September 2022, from https://fhernanb.github.io/Manual-de-R/tablas.html#ejemplo-tabla-de-frecuencia-relativa-de-una-v%C3%ADa 

  9 Estilos y formatos de tabla | Tablas y graficos con R y R Studio. (2022). Retrieved 24 September 2022, from https://tables.investigaonline.com/tse-formateo.html 

# <span style = "color:darkorange">Anexo
