“Evidencia 2 | Manejo, análisis de datos y pronósticos”
Carlos González Ayerdi A00829126
2022-10-12
Importar librerías
library(knitr)
library(dplyr)
library(pollster)
library(janitor)
library(ggplot2)
library(naniar)
library(Hmisc)
library(psych)
library(tidyverse)
library(foreign)
library(forcats)
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)
library(modeest)
#install.packages("foreign")
library(foreign)
#install.packages("forcats")
library(forcats) # to work with categorical variables
#install.packages ("janitor")
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 ("kableExtra")
library(kableExtra)
library(readr)
#install.packages ("corrplot")
library(corrplot)
#install.packages ("jtools")
library(jtools)
#install.packages ("lmtest")
library(lmtest)
#install.packages ("car")
library(car)
#install.packages ("olsrr")
library(olsrr)
#install.packages ("gmodels")
library(gmodels)
library(tidyverse)
#install.packages("foreign")
#install.packages("dplyr")
library(ggplot2)
#install.packages("psych")
library(psych)
#install.packages("corrplot")
library(corrplot)
#install.packages("jtools")
library(jtools)
#install.packages("lmtest")
library(lmtest)
#install.packages("car")
library(car)
#install.packages("carData")
#install.packages("factoextra")
library(factoextra)
#install.packages("janitor")
library(janitor)
#install.packages("readr")
library(readr)
#install.packages("plotrix")
library(plotrix)Recursos Humanos (Colaboradores = col y Bajas = baj)
#file.choose()
col <- read.csv("/Users/carlosgonzalez/Desktop/Colab_recursoshumanos.csv")
baj <- read.csv("/Users/carlosgonzalez/Desktop/BAJAS_LIMPIA.csv")Limpieza de base de datos
Entender bases de datos
summary(col)## Num_empleado FECHA.DE.NACIMIENTO GENERO RFC
## Min. : 1.00 Length:113 Length:113 Length:113
## 1st Qu.: 24.75 Class :character Class :character Class :character
## Median : 48.50 Mode :character Mode :character Mode :character
## Mean : 56.88
## 3rd Qu.: 82.00
## Max. :148.00
## NA's :21
## FECHA.DE.ALTA Primer.mes X4to.mes PUESTO
## Length:113 Length:113 Length:113 Length:113
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## DEPARTAMENTO NO.SEGURO.SOCIAL SALARIO.DIARIO.IMSS COLONIA
## Length:113 Length:113 Min. :144.4 Length:113
## Class :character Class :character 1st Qu.:176.7 Class :character
## Mode :character Mode :character Median :180.7 Mode :character
## Mean :179.1
## 3rd Qu.:180.7
## Max. :337.1
##
## MUNICIPIO ESTADO
## Length:113 Length:113
## Class :character Class :character
## Mode :character Mode :character
##
##
##
## summary(baj)## X EDAD FECHA.NACIMIENTO GENERO
## Min. : 1.00 Min. :19.00 Length:233 Length:233
## 1st Qu.: 75.00 1st Qu.:23.00 Class :character Class :character
## Median : 89.00 Median :29.00 Mode :character Mode :character
## Mean : 87.64 Mean :31.08
## 3rd Qu.:102.00 3rd Qu.:37.00
## Max. :147.00 Max. :61.00
## NA's :56
## RFC FECHA_ALTA MOTIVO_BAJA DIAS_LABORADOS
## Length:233 Length:233 Length:233 Min. : 0.00
## Class :character Class :character Class :character 1st Qu.: 6.00
## Mode :character Mode :character Mode :character Median : 15.00
## Mean : 72.73
## 3rd Qu.: 47.00
## Max. :1966.00
##
## FECHA_BAJA PUESTO DEPTO. SEGURO
## Length:233 Length:233 Length:233 Length:233
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## SALARIO_DIARIO LUGAR_NACIMIENTO CURP CALLE
## Min. :144.4 Length:233 Length:233 Length:233
## 1st Qu.:180.7 Class :character Class :character Class :character
## Median :180.7 Mode :character Mode :character Mode :character
## Mean :177.9
## 3rd Qu.:180.7
## Max. :500.0
##
## NUM_INTERNO COLONIA CODIGO_POST MUNICIPIO
## Length:233 Length:233 Length:233 Length:233
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## EDO EDO_CIVIL X.1
## Length:233 Length:233 Length:233
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
##
## Eliminar NA’s y sustituir con 0’s
Con este metodo de limpieza se pretende convertir todo el contenido de los registros/Variables a un formato cuantitativo donde se pueda medir para posterior analisis.
sum(is.na(col))## [1] 21sum(is.na(baj))## [1] 56col[is.na(col)] <-0
baj[is.na(baj)] <-0
col <- na.omit(col)
baj <- na.omit(baj)
summary(col)## Num_empleado FECHA.DE.NACIMIENTO GENERO RFC
## Min. : 0.00 Length:113 Length:113 Length:113
## 1st Qu.: 8.00 Class :character Class :character Class :character
## Median : 38.00 Mode :character Mode :character Mode :character
## Mean : 46.31
## 3rd Qu.: 72.00
## Max. :148.00
## FECHA.DE.ALTA Primer.mes X4to.mes PUESTO
## Length:113 Length:113 Length:113 Length:113
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## DEPARTAMENTO NO.SEGURO.SOCIAL SALARIO.DIARIO.IMSS COLONIA
## Length:113 Length:113 Min. :144.4 Length:113
## Class :character Class :character 1st Qu.:176.7 Class :character
## Mode :character Mode :character Median :180.7 Mode :character
## Mean :179.1
## 3rd Qu.:180.7
## Max. :337.1
## MUNICIPIO ESTADO
## Length:113 Length:113
## Class :character Class :character
## Mode :character Mode :character
##
##
## summary(baj)## X EDAD FECHA.NACIMIENTO GENERO
## Min. : 0.00 Min. :19.00 Length:233 Length:233
## 1st Qu.: 14.00 1st Qu.:23.00 Class :character Class :character
## Median : 79.00 Median :29.00 Mode :character Mode :character
## Mean : 66.58 Mean :31.08
## 3rd Qu.: 97.00 3rd Qu.:37.00
## Max. :147.00 Max. :61.00
## RFC FECHA_ALTA MOTIVO_BAJA DIAS_LABORADOS
## Length:233 Length:233 Length:233 Min. : 0.00
## Class :character Class :character Class :character 1st Qu.: 6.00
## Mode :character Mode :character Mode :character Median : 15.00
## Mean : 72.73
## 3rd Qu.: 47.00
## Max. :1966.00
## FECHA_BAJA PUESTO DEPTO. SEGURO
## Length:233 Length:233 Length:233 Length:233
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## SALARIO_DIARIO LUGAR_NACIMIENTO CURP CALLE
## Min. :144.4 Length:233 Length:233 Length:233
## 1st Qu.:180.7 Class :character Class :character Class :character
## Median :180.7 Mode :character Mode :character Mode :character
## Mean :177.9
## 3rd Qu.:180.7
## Max. :500.0
## NUM_INTERNO COLONIA CODIGO_POST MUNICIPIO
## Length:233 Length:233 Length:233 Length:233
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## EDO EDO_CIVIL X.1
## Length:233 Length:233 Length:233
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
## Transformación de variable fecha a “formato fecha”
Con este metodo de limpieza se pretende cambiar el formato de la fecha para posteriores gráficas donde esta variable peuda ser de utilidad
#col$FECHA.DE.ALTA-as.Date(col$FECHA.DE.ALTA,format="%y/%m/%d")
baj$FECHA_ALTA<-as.Date(baj$FECHA_ALTA,format="%y/%m/%d")
baj$FECHA_BAJA<-as.Date(baj$FECHA_BAJA,format="%y/%m/%d")
summary(col)## Num_empleado FECHA.DE.NACIMIENTO GENERO RFC
## Min. : 0.00 Length:113 Length:113 Length:113
## 1st Qu.: 8.00 Class :character Class :character Class :character
## Median : 38.00 Mode :character Mode :character Mode :character
## Mean : 46.31
## 3rd Qu.: 72.00
## Max. :148.00
## FECHA.DE.ALTA Primer.mes X4to.mes PUESTO
## Length:113 Length:113 Length:113 Length:113
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## DEPARTAMENTO NO.SEGURO.SOCIAL SALARIO.DIARIO.IMSS COLONIA
## Length:113 Length:113 Min. :144.4 Length:113
## Class :character Class :character 1st Qu.:176.7 Class :character
## Mode :character Mode :character Median :180.7 Mode :character
## Mean :179.1
## 3rd Qu.:180.7
## Max. :337.1
## MUNICIPIO ESTADO
## Length:113 Length:113
## Class :character Class :character
## Mode :character Mode :character
##
##
## summary(baj)## X EDAD FECHA.NACIMIENTO GENERO
## Min. : 0.00 Min. :19.00 Length:233 Length:233
## 1st Qu.: 14.00 1st Qu.:23.00 Class :character Class :character
## Median : 79.00 Median :29.00 Mode :character Mode :character
## Mean : 66.58 Mean :31.08
## 3rd Qu.: 97.00 3rd Qu.:37.00
## Max. :147.00 Max. :61.00
##
## RFC FECHA_ALTA MOTIVO_BAJA DIAS_LABORADOS
## Length:233 Min. :2001-02-22 Length:233 Min. : 0.00
## Class :character 1st Qu.:2010-06-22 Class :character 1st Qu.: 6.00
## Mode :character Median :2015-06-22 Mode :character Median : 15.00
## Mean :2015-12-07 Mean : 72.73
## 3rd Qu.:2021-12-21 3rd Qu.: 47.00
## Max. :2031-05-21 Max. :1966.00
##
## FECHA_BAJA PUESTO DEPTO. SEGURO
## Min. :2001-02-22 Length:233 Length:233 Length:233
## 1st Qu.:2010-03-22 Class :character Class :character Class :character
## Median :2017-05-22 Mode :character Mode :character Mode :character
## Mean :2017-02-28
## 3rd Qu.:2024-11-22
## Max. :2031-01-22
## NA's :14
## SALARIO_DIARIO LUGAR_NACIMIENTO CURP CALLE
## Min. :144.4 Length:233 Length:233 Length:233
## 1st Qu.:180.7 Class :character Class :character Class :character
## Median :180.7 Mode :character Mode :character Mode :character
## Mean :177.9
## 3rd Qu.:180.7
## Max. :500.0
##
## NUM_INTERNO COLONIA CODIGO_POST MUNICIPIO
## Length:233 Length:233 Length:233 Length:233
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## EDO EDO_CIVIL X.1
## Length:233 Length:233 Length:233
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
##
## Cuantas variables tienen las bases de datos?
La base de datos de colaboradores cuenta con 14 variables y 113 registros, mientras que la base de datos de bajas contiene 23 variables con 233 registros.
str(col)## 'data.frame': 113 obs. of 14 variables:
## $ Num_empleado : num 1 2 3 4 5 6 7 8 9 10 ...
## $ FECHA.DE.NACIMIENTO: chr "09/10/55" "5/14/1979" "11/21/1949" "05/01/90" ...
## $ GENERO : chr "MASCULINO" "FEMENINO" "MASCULINO" "FEMENINO" ...
## $ RFC : chr "MALN550910338" "LEMM7905148GA" "HECL4911213X3" "CAMM9005019S8" ...
## $ FECHA.DE.ALTA : chr "40185" "40550" "40869" "1/30/2013" ...
## $ Primer.mes : chr "7/31/2010" "7/31/2011" "" "03/01/13" ...
## $ X4to.mes : chr "10/29/2010" "10/29/2011" "" "5/30/2013" ...
## $ PUESTO : chr "Supervisor de M\xe1quin" "Supervisor de pegado" "Externo" "SUPERVISORA" ...
## $ DEPARTAMENTO : chr "Produccion Cart\xf3n MDL" "Produccion Cart\xf3n MDL" "Externo" "Produccion Cart\xf3n MC" ...
## $ NO.SEGURO.SOCIAL : chr "43745527937" "43127902955" "2184909675" "43089001317" ...
## $ SALARIO.DIARIO.IMSS: num 177 177 177 337 177 ...
## $ COLONIA : chr "UNIDAD LABORAL" "SANTA TERESITA" "VILLAS DE HUINALA" "PUEBLO NUEVO" ...
## $ MUNICIPIO : chr "SAN NICOLAS DE LOS G" "APODACA" "APODACA" "APODACA" ...
## $ ESTADO : chr "Nuevo.leon" "Nuevo.leon " "Nuevo.leon " "Nuevo.leon " ...str(baj)## 'data.frame': 233 obs. of 23 variables:
## $ X : num 0 0 0 0 0 0 0 0 0 0 ...
## $ EDAD : int 32 36 24 21 30 46 29 31 50 19 ...
## $ FECHA.NACIMIENTO: chr "24/06/90" "11/07/86" "29/01/99" "11/06/01" ...
## $ GENERO : chr "MASCULINO" "FEMENINO" "FEMENINO" "FEMENINO" ...
## $ RFC : chr "VAOM900624HG8" "BAMI860711KR7" "GOHL990129GR7" "EAGA010611F57" ...
## $ FECHA_ALTA : Date, format: "2009-03-20" "2009-11-21" ...
## $ MOTIVO_BAJA : chr "RENUNCIA VOLUNTARIA" "RENUNCIA VOLUNTARIA" "RENUNCIA VOLUNTARIA" "RENUNCIA VOLUNTARIA" ...
## $ DIAS_LABORADOS : int 628 60 59 59 51 37 37 31 18 224 ...
## $ FECHA_BAJA : Date, format: "2027-11-21" "2008-01-22" ...
## $ PUESTO : chr "DISEÑO" "AYUDANTE GENERAL" "AYUDANTE GENERAL" "AYUDANTE GENERAL" ...
## $ DEPTO. : chr "ADMINISTRATIVO" "Produccion Cartón MC" "stabilus" "celdas" ...
## $ SEGURO : chr "43139026090" "21058641586" "0 2159983432" "0 3180175535" ...
## $ SALARIO_DIARIO : num 500 152 152 152 152 ...
## $ LUGAR_NACIMIENTO: chr "AVENIDA DEL COLEGIO" "TUXTLA CHICO,CHIAPAS" "SAN NICOLAS DE LOS GARZA" "SAN NICOLAS DE LOS GARZA" ...
## $ CURP : chr "VAOM900624HCLLRR09" "BAMI860711MCSRNS01" "GOHL990129MNLMRZ02" "EAGA010611MNLSMLA5" ...
## $ CALLE : chr "LAS FLORES" "CANAL SUR" "RIO SAN FRANCISCO" "RIO SAN FRANCISCO" ...
## $ NUM_INTERNO : chr "66438" "3116" "216" "216" ...
## $ COLONIA : chr "SAN NICOLAS DE LOS G" "COLINAS DEL AEROPÑUERTO" "PUEBLO NUEVO" "PUEBLO NUEVO" ...
## $ CODIGO_POST : chr "66438" "0" "66646" "66646" ...
## $ MUNICIPIO : chr "SAN NICOLAS DE LOS G" "PESQUERIA" "APODACA" "APODACA" ...
## $ EDO : chr "Nuevo León" "NUEVO LEON" "NUEVO LEON" "NUEVO LEON" ...
## $ EDO_CIVIL : chr "Soltero" "Unión libre" "matrimonio" "Soltero" ...
## $ X.1 : chr "" "" "" "" ...Escala, Variables y registros (Formato tabla) de RH colaboradores y bajas
Colaboradores
Vari <- c("`Num_empleado`","`FECHA.DE.NACIMIENTO`","`GENERO`","`RFC`","`FECHA.DE.ALTA`","`Primer.mes`","`X4to.mes`","`PUESTO`","`DEPARTAMENTO`", "`NO.SEGURO.SOCIAL`","`SALARIO.DIARIO.IMSS`","`COLONIA`", "`MUNICIPIO`", "`ESTADO`")Type <- c("cualitativo (discreto)", "cuantitativo (continuo)", "cualitativo (nominal)", "cualitativo (nominal)", "cuantitativo (continuo)", "cuantitativo (continuo)", "cuantitativo (continuo)", "cualitativo (nominal)", "cualitativo (nominal)", "cuantitativo (discreto)", "cuantitativo (continua)", "cualitativa (nominal)", "cualitativa (nominal)", "cualitativa (nominal")Scales <- c("razón", "razón", "nominal", "intervalo", "intervalo", "intervalo", "intervalo", "ordinal", "nominal", "intervalo", "razón", "nominal", "nominal", "nominal")table<-(data.frame(Vari, Type, Scales))
knitr::kable(table)| Vari | Type | Scales |
|---|---|---|
Num_empleado
|
cualitativo (discreto) | razón |
FECHA.DE.NACIMIENTO
|
cuantitativo (continuo) | razón |
GENERO
|
cualitativo (nominal) | nominal |
RFC
|
cualitativo (nominal) | intervalo |
FECHA.DE.ALTA
|
cuantitativo (continuo) | intervalo |
Primer.mes
|
cuantitativo (continuo) | intervalo |
X4to.mes
|
cuantitativo (continuo) | intervalo |
PUESTO
|
cualitativo (nominal) | ordinal |
DEPARTAMENTO
|
cualitativo (nominal) | nominal |
NO.SEGURO.SOCIAL
|
cuantitativo (discreto) | intervalo |
SALARIO.DIARIO.IMSS
|
cuantitativo (continua) | razón |
COLONIA
|
cualitativa (nominal) | nominal |
MUNICIPIO
|
cualitativa (nominal) | nominal |
ESTADO
|
cualitativa (nominal | nominal |
Bajas
summary(baj)## X EDAD FECHA.NACIMIENTO GENERO
## Min. : 0.00 Min. :19.00 Length:233 Length:233
## 1st Qu.: 14.00 1st Qu.:23.00 Class :character Class :character
## Median : 79.00 Median :29.00 Mode :character Mode :character
## Mean : 66.58 Mean :31.08
## 3rd Qu.: 97.00 3rd Qu.:37.00
## Max. :147.00 Max. :61.00
##
## RFC FECHA_ALTA MOTIVO_BAJA DIAS_LABORADOS
## Length:233 Min. :2001-02-22 Length:233 Min. : 0.00
## Class :character 1st Qu.:2010-06-22 Class :character 1st Qu.: 6.00
## Mode :character Median :2015-06-22 Mode :character Median : 15.00
## Mean :2015-12-07 Mean : 72.73
## 3rd Qu.:2021-12-21 3rd Qu.: 47.00
## Max. :2031-05-21 Max. :1966.00
##
## FECHA_BAJA PUESTO DEPTO. SEGURO
## Min. :2001-02-22 Length:233 Length:233 Length:233
## 1st Qu.:2010-03-22 Class :character Class :character Class :character
## Median :2017-05-22 Mode :character Mode :character Mode :character
## Mean :2017-02-28
## 3rd Qu.:2024-11-22
## Max. :2031-01-22
## NA's :14
## SALARIO_DIARIO LUGAR_NACIMIENTO CURP CALLE
## Min. :144.4 Length:233 Length:233 Length:233
## 1st Qu.:180.7 Class :character Class :character Class :character
## Median :180.7 Mode :character Mode :character Mode :character
## Mean :177.9
## 3rd Qu.:180.7
## Max. :500.0
##
## NUM_INTERNO COLONIA CODIGO_POST MUNICIPIO
## Length:233 Length:233 Length:233 Length:233
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## EDO EDO_CIVIL X.1
## Length:233 Length:233 Length:233
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
##
## Vari <- c("`X`","`EDAD`","`FECHA.NACIMIENTO`","`GENERO`","`RFC`","`FECHA_ALTA`","`MOTIVO_BAJA`","`DIAS_LABORADOS`","`FECHA_BAJA`", "`PUESTO`","`DEPTO.`","`SEGURO`", "`SALARIO_DIARIO`", "`LUGAR_NACIMIENTO`", "`CURP`", "`CALLE`", "`NUM_INTERNO`", "`COLONIA`", "`CODIGO_POST`", "`MUNICIPIO`", "`EDO`", "`EDO_CIVIL`", "`X.1`")Type <- c("cualitativo (discreto)", "cuantitativo (continuo)", "cuantitativa (continua)", "cualitativo (nominal)", "cualitativa (nominal)", "cualitativa (nominal)", "cuantitativo (continuo)", "cualitativo (nominal)", "cualitativo (nominal)", "cualitativa (nominal)", "cuantitativo (discreta)", "cualitativa (nominal)", "cualitativa (nominal)", "cualitativa (nominal)", "cualitativa (nominal)", "cualitativa (nominal)", "cualitativa (nominal)", "cualitativa (nominal)", "cualitativa (nominal)", "cualitativa (nominal)", "cualitativa (nominal)", "cualitativa (nominal)", "cualitativa (nominal")Scales <- c("razón", "razón", "razón", "nominal", "intervalo", "razón", "nominal", "razón", "razón", "ordinal", "nominal", "intervalo", "razón", "nominal", "intervalo", "nominal", "intervalo", "nominal", "intervalo", "nominal", "nominal", "nominal", "intervalo")table<-(data.frame(Vari, Type, Scales))
knitr::kable(table)| Vari | Type | Scales |
|---|---|---|
X
|
cualitativo (discreto) | razón |
EDAD
|
cuantitativo (continuo) | razón |
FECHA.NACIMIENTO
|
cuantitativa (continua) | razón |
GENERO
|
cualitativo (nominal) | nominal |
RFC
|
cualitativa (nominal) | intervalo |
FECHA_ALTA
|
cualitativa (nominal) | razón |
MOTIVO_BAJA
|
cuantitativo (continuo) | nominal |
DIAS_LABORADOS
|
cualitativo (nominal) | razón |
FECHA_BAJA
|
cualitativo (nominal) | razón |
PUESTO
|
cualitativa (nominal) | ordinal |
DEPTO.
|
cuantitativo (discreta) | nominal |
SEGURO
|
cualitativa (nominal) | intervalo |
SALARIO_DIARIO
|
cualitativa (nominal) | razón |
LUGAR_NACIMIENTO
|
cualitativa (nominal) | nominal |
CURP
|
cualitativa (nominal) | intervalo |
CALLE
|
cualitativa (nominal) | nominal |
NUM_INTERNO
|
cualitativa (nominal) | intervalo |
COLONIA
|
cualitativa (nominal) | nominal |
CODIGO_POST
|
cualitativa (nominal) | intervalo |
MUNICIPIO
|
cualitativa (nominal) | nominal |
EDO
|
cualitativa (nominal) | nominal |
EDO_CIVIL
|
cualitativa (nominal) | nominal |
X.1
|
cualitativa (nominal | intervalo |
Tabla de frecuencia COLABORADORES
Tabla Salario diario - Genero
summary(col)## Num_empleado FECHA.DE.NACIMIENTO GENERO RFC
## Min. : 0.00 Length:113 Length:113 Length:113
## 1st Qu.: 8.00 Class :character Class :character Class :character
## Median : 38.00 Mode :character Mode :character Mode :character
## Mean : 46.31
## 3rd Qu.: 72.00
## Max. :148.00
## FECHA.DE.ALTA Primer.mes X4to.mes PUESTO
## Length:113 Length:113 Length:113 Length:113
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## DEPARTAMENTO NO.SEGURO.SOCIAL SALARIO.DIARIO.IMSS COLONIA
## Length:113 Length:113 Min. :144.4 Length:113
## Class :character Class :character 1st Qu.:176.7 Class :character
## Mode :character Mode :character Median :180.7 Mode :character
## Mean :179.1
## 3rd Qu.:180.7
## Max. :337.1
## MUNICIPIO ESTADO
## Length:113 Length:113
## Class :character Class :character
## Mode :character Mode :character
##
##
## proportion <- prop.table(table(col$SALARIO.DIARIO.IMSS,col$GENERO))
proportion %>%
kbl() %>%
kable_styling()| FEMENINO | MASCULINO | |
|---|---|---|
| 144.45 | 0.0265487 | 0.0000000 |
| 151.61 | 0.0619469 | 0.0353982 |
| 151.67 | 0.0088496 | 0.0265487 |
| 152.86 | 0.0088496 | 0.0000000 |
| 175.79 | 0.0000000 | 0.0088496 |
| 176.72 | 0.0707965 | 0.1504425 |
| 180.68 | 0.3008850 | 0.2212389 |
| 181.68 | 0.0088496 | 0.0000000 |
| 184.68 | 0.0088496 | 0.0000000 |
| 185.68 | 0.0088496 | 0.0000000 |
| 208.65 | 0.0088496 | 0.0000000 |
| 240.71 | 0.0088496 | 0.0000000 |
| 240.75 | 0.0000000 | 0.0088496 |
| 260.01 | 0.0088496 | 0.0000000 |
| 279.61 | 0.0000000 | 0.0088496 |
| 337.05 | 0.0088496 | 0.0000000 |
En este caso como se observa en la tabla de frecuencia entre las variables de salario diario y genero, se puede dar a cuenta de cómo el genero femenino tiene una mayor concentración en los salarios diarios más altos. Por lo que se puede concluir en este ejericio que existe un caso de desigualdad en el contexto economico y por consiguiente es necesario proponer sesiones de conscientización sobre dichos temas con la finalidad de que exista una completa armonía y equidad de genero al menos en el contexto salarial interno. Por otra parte se propondría analizar la causa raíz o la razón por la cual a las mujeres se les paga más. Por otra parte, se sostendría una hipotesis sustentada en que existe ligeramente una mayor cantidad de mujeres trabajando en Form y por consiguiente al efectuar el count y la variedad de puestos existentes en FORM es posible que a eso se deba la dispariedad de los salarios. ## Tabla de frecuencia BAJAS ### Tabla Departamento - Salario Diario
proportion <- prop.table(table(col$DEPARTAMENTO,col$SALARIO.DIARIO.IMSS))
proportion %>%
kbl() %>%
kable_styling()| 144.45 | 151.61 | 151.67 | 152.86 | 175.79 | 176.72 | 180.68 | 181.68 | 184.68 | 185.68 | 208.65 | 240.71 | 240.75 | 260.01 | 279.61 | 337.05 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0.0000000 | 0.0353982 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0088496 | 0.2831858 | 0.0088496 | 0.0088496 | 0.0088496 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | |
| Ay.flexo | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0088496 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| Calidad | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0088496 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0088496 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| Cedis | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0530973 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| CEDIS | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0176991 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| Celdas | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0265487 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| CORTADORAS | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0088496 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| Costura | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0442478 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0088496 | 0.0000000 | 0.0088496 | 0.0000000 | 0.0000000 |
| COSTURA | 0.0000000 | 0.0088496 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| Costura T2 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0088496 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| EHS | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0088496 | 0.0088496 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0088496 | 0.0000000 |
| Embarques | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0265487 | 0.0088496 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| Externo | 0.0000000 | 0.0000000 | 0.0088496 | 0.0000000 | 0.0000000 | 0.0088496 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| Limpieza | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0088496 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| Materiales | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0088496 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| Paileria | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0176991 | 0.0176991 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| Producci<f3>n Retorn | 0.0000000 | 0.0265487 | 0.0000000 | 0.0000000 | 0.0088496 | 0.0088496 | 0.0353982 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0088496 | 0.0000000 | 0.0000000 | 0.0000000 |
| Produccion Cart<f3>n MC | 0.0176991 | 0.0000000 | 0.0176991 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0088496 |
| Produccion Cart<f3>n MDL | 0.0088496 | 0.0176991 | 0.0088496 | 0.0000000 | 0.0000000 | 0.0265487 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| Rotativa | 0.0000000 | 0.0088496 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| Stabilus | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0619469 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| Troquel | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0353982 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
En este caso se puede concluir que producción, costura, ayudante general son los puestos donde se otorga un salario diario mayor, en algunos casos se tiene la hipotesis de que es debido a una alta concentración de colaboradores en un rol especifico, sin embargo como se muestra en la tabla, los departamentos con mayores salarios diarios son los que tienen mayor demanda en terminos de capacitación y experiencia y por consiguiente se infiere que Form toma en cuenta la complejidad del labor para con base a ello proponer un salario diario especifico.
Tablas de frecuencia BAJAS
Tabla Motivo de baja - Genero
summary(baj)## X EDAD FECHA.NACIMIENTO GENERO
## Min. : 0.00 Min. :19.00 Length:233 Length:233
## 1st Qu.: 14.00 1st Qu.:23.00 Class :character Class :character
## Median : 79.00 Median :29.00 Mode :character Mode :character
## Mean : 66.58 Mean :31.08
## 3rd Qu.: 97.00 3rd Qu.:37.00
## Max. :147.00 Max. :61.00
##
## RFC FECHA_ALTA MOTIVO_BAJA DIAS_LABORADOS
## Length:233 Min. :2001-02-22 Length:233 Min. : 0.00
## Class :character 1st Qu.:2010-06-22 Class :character 1st Qu.: 6.00
## Mode :character Median :2015-06-22 Mode :character Median : 15.00
## Mean :2015-12-07 Mean : 72.73
## 3rd Qu.:2021-12-21 3rd Qu.: 47.00
## Max. :2031-05-21 Max. :1966.00
##
## FECHA_BAJA PUESTO DEPTO. SEGURO
## Min. :2001-02-22 Length:233 Length:233 Length:233
## 1st Qu.:2010-03-22 Class :character Class :character Class :character
## Median :2017-05-22 Mode :character Mode :character Mode :character
## Mean :2017-02-28
## 3rd Qu.:2024-11-22
## Max. :2031-01-22
## NA's :14
## SALARIO_DIARIO LUGAR_NACIMIENTO CURP CALLE
## Min. :144.4 Length:233 Length:233 Length:233
## 1st Qu.:180.7 Class :character Class :character Class :character
## Median :180.7 Mode :character Mode :character Mode :character
## Mean :177.9
## 3rd Qu.:180.7
## Max. :500.0
##
## NUM_INTERNO COLONIA CODIGO_POST MUNICIPIO
## Length:233 Length:233 Length:233 Length:233
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## EDO EDO_CIVIL X.1
## Length:233 Length:233 Length:233
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
##
## proportion <- prop.table(table(baj$MOTIVO_BAJA,baj$GENERO))
proportion %>%
kbl() %>%
kable_styling()| FEMENINO | MASCULINO | |
|---|---|---|
| ABANDONO | 0.0000000 | 0.0042918 |
| BAJA POR FALTAS | 0.3776824 | 0.2188841 |
| JUBILACION | 0.0000000 | 0.0042918 |
| RENUNCIA VOLUNTARIA | 0.1845494 | 0.1759657 |
| TERMINO DE CONTRATO | 0.0257511 | 0.0085837 |
En este caso se puede identificar que el genero masculino en este caso tiende a darse de baja de la empresa mediante el abandono, jubilación y de manera casi equitativa por renuncia voluntria; mientras que las mujeres son dadas de baja por faltas, y terminación de contrato, lo cual puede darse a inferir que los hombres tienden a desarrollar sus ultimos años de labor en FORM (para el grupo de edad mayor) o bien al tratarse de jovenes, lo utilizan para ganar dinero de manera temporal.
Tabla Estado civil - Motivo de baja
proportion <- prop.table(table(baj$EDO_CIVIL,baj$MOTIVO_BAJA))
proportion %>%
kbl() %>%
kable_styling()| ABANDONO | BAJA POR FALTAS | JUBILACION | RENUNCIA VOLUNTARIA | TERMINO DE CONTRATO | |
|---|---|---|---|---|---|
| divorcio | 0.0000000 | 0.0085837 | 0.0000000 | 0.0042918 | 0.0000000 |
| matrimonio | 0.0000000 | 0.1802575 | 0.0042918 | 0.0815451 | 0.0042918 |
| Sin Conocer | 0.0000000 | 0.0000000 | 0.0000000 | 0.0042918 | 0.0000000 |
| Soltero | 0.0042918 | 0.2145923 | 0.0000000 | 0.2188841 | 0.0214592 |
| Unión libre | 0.0000000 | 0.1931330 | 0.0000000 | 0.0515021 | 0.0085837 |
Se considera que un hallazgo interesante es que por la tendencia observada en la tabla anterior, las personas solteras son quienes en definitiva salen de la empresa con mayor frecuencia, a diferencia de personas divorsiadas y/o casadas, quienes por razones de sustento familiar, existe menor tendencia de que un grupo de este tipo salga de la empresa.
Gráficos cualitativos/cuantitativos - Colaboradores
pie(prop.table(table(col$GENERO)),col=c("purple","green"),main="Genero", ylab ="Proporción",las=1)
Con el gráfico cualitativo anterior, se puede dar a cuenta de que como
se mencionño anteriormente, el genero femenino tiene mayor presencia en
la empresa y por consiguiente existe la hipotesis de que esta sea la
razón por la cual se registran mayores pagos para las mujeres.
Adicionalmente, se percibe que FORM es una empresa incluyente, ya que
cuenta con tan solo una liger inclinacón hacia el genero femenino.
hist(col$SALARIO.DIARIO.IMSS, col="cyan")
Con el histograma anterior, se puede dar a cuenta de que el salario
diario con mayor concentración ronda entre los 150mxn y 200mxn, siendo
el promedio un alrededor de 180mxn. Algo a notar es que existe un
pequeño subgrupo donde se percibe un salario diario mayor, el cual se
especula es el empleado con mayor antiguedad de la empresa o bien el
director genral. Por otra parte, los demás grupos que rondan entre los
200mxn - $280 es probable que surjan debido a la antiguedad, el tipo de
pueston y/o demás prestaciones/beneficios con los que cuenten estas
personas.
Gen_salarioProm<-aggregate(SALARIO.DIARIO.IMSS ~ GENERO, data = col, mean)
Gen_salarioProm## GENERO SALARIO.DIARIO.IMSS
## 1 FEMENINO 179.5818
## 2 MASCULINO 178.4392Como se puede reafirmar, el promedio de salario diario se encuentra dentro de la cantidad aproximada de 180 pesos; sin embargo se vuelve a reafirmar que las muejres tiene un pago ligeramente mayor que los hombres. para esto se propondría que los administradores de recursos humanos monitoreen las brechas salariales para identificar la causa raíz para que, en caso de ser injustificada, estas cantidades sean ajustadas para lograr una mayor igualdad salarial.
ggplot(Gen_salarioProm,aes(x=GENERO,y=SALARIO.DIARIO.IMSS,fill=SALARIO.DIARIO.IMSS, col="blue"))+
geom_bar(stat="identity", col="blue")+
labs(title="Promedio de Salario Femenino | Masculino")
En este caso, el principal insight que se puede apreciar es la relación
entre el salario diario contra la proporcion existente de genero en
Form. Adicionalmente, se puede corroborar que las mujeres ganan una
cantidad ligeramente más alta de dinero que los hombres. # Gráficos
cualitativos/cuantitativos - BAJAS
summary(baj)## X EDAD FECHA.NACIMIENTO GENERO
## Min. : 0.00 Min. :19.00 Length:233 Length:233
## 1st Qu.: 14.00 1st Qu.:23.00 Class :character Class :character
## Median : 79.00 Median :29.00 Mode :character Mode :character
## Mean : 66.58 Mean :31.08
## 3rd Qu.: 97.00 3rd Qu.:37.00
## Max. :147.00 Max. :61.00
##
## RFC FECHA_ALTA MOTIVO_BAJA DIAS_LABORADOS
## Length:233 Min. :2001-02-22 Length:233 Min. : 0.00
## Class :character 1st Qu.:2010-06-22 Class :character 1st Qu.: 6.00
## Mode :character Median :2015-06-22 Mode :character Median : 15.00
## Mean :2015-12-07 Mean : 72.73
## 3rd Qu.:2021-12-21 3rd Qu.: 47.00
## Max. :2031-05-21 Max. :1966.00
##
## FECHA_BAJA PUESTO DEPTO. SEGURO
## Min. :2001-02-22 Length:233 Length:233 Length:233
## 1st Qu.:2010-03-22 Class :character Class :character Class :character
## Median :2017-05-22 Mode :character Mode :character Mode :character
## Mean :2017-02-28
## 3rd Qu.:2024-11-22
## Max. :2031-01-22
## NA's :14
## SALARIO_DIARIO LUGAR_NACIMIENTO CURP CALLE
## Min. :144.4 Length:233 Length:233 Length:233
## 1st Qu.:180.7 Class :character Class :character Class :character
## Median :180.7 Mode :character Mode :character Mode :character
## Mean :177.9
## 3rd Qu.:180.7
## Max. :500.0
##
## NUM_INTERNO COLONIA CODIGO_POST MUNICIPIO
## Length:233 Length:233 Length:233 Length:233
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## EDO EDO_CIVIL X.1
## Length:233 Length:233 Length:233
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
##
## pie(prop.table(table(baj$EDO_CIVIL)),col=c("purple","green", "yellow", "blue"),main="Estado Civil", ylab ="Proporción",las=1)
Mediante esta grafica cualitativa, se puede sustentar que el estado
civil más común presente en Form es soltería, seguido de matrimonio y
unión libre respectivamente. De igual manera, podemos sustentar la
hipotesis presentada con anterioridad, donde los solteros son los que
salen de la empresa; por consiguiente y en parte debido a que no tienen
respondabilidad con familiares y por que representan una alta
concentración de la fuerza laboral de la empresa.
Histograma de días laborados
hist(baj$DIAS_LABORADOS, col="blue")
En este caso, se puede observar y recabar informacón complementaria para
evaluar la cantidad de días que trabajan los colaboradores. En este caso
existe la gram mayoría de la concentración de colaboradores que trabajan
aproximadamente 200 días. Adicionalmente, las personas quienes han
trabajado más días forman parte de una minoría bastante aislada;
especialmente en el caso de aquellos que han trabajado más de 1500 -
2000 días, representando esto 10 veces más que la myoría.
tapply(baj$SALARIO_DIARIO,
list(baj$GENERO,baj$EDO_CIVIL), mean)## divorcio matrimonio Sin Conocer Soltero Unión libre
## FEMENINO 180.68 176.6727 180.68 175.6555 175.6382
## MASCULINO 180.68 180.2632 NA 182.6171 176.5580hist(baj$EDAD, freq=TRUE, col='LightBlue', main="Histograma de grupos de edad",xlab="Edad en Años")
Mediante este histograma, se puede identificar que el grupo de edad
predominante en Form es de 20 - 30 años, por lo que tomando en cuenta
analisis anteriores, se puede probar la hipotesis de que aquellos que
son solteros tienen mayor tendencia a salir de la empresa e inclusive a
salir de manera “informarl” de la misma. Por otra parte, los grupos de
edad menos comunes comienzan a partir de los 40 años en adelante; sin
embargo tambien en esos grupos se integran los colaboradores que tienen
más tiempo en la empresa.
Graficos de disperción COLABORADORES
Boxplot Colaboradores
boxplot(col$SALARIO.DIARIO.IMSS , vertical = TRUE)
Mediante este box plot, se puede identificar ue existe una fuerte
concentración en lo que respecta el salario diario, mientras que
aquellos que ganan menos o más que la mayoría, representan un grupo
sumamente pequeño de personas. En este caso se puede inferir que
aquellos que ganan más son parte del equipo administrativo y/o
directivo.
Disperción colaboradores
plot(col$FECHA.DE.ALTA, col$SALARIO.DIARIO.IMSS, main = "Salario por antigüedad",
xlab = "FECHA DE ALTA", ylab = "SALARIO",
pch = 19, frame = FALSE)## Warning in xy.coords(x, y, xlabel, ylabel, log): NAs introduced by coercion
Con este grafico de disperción, se puede sustentar que Form aumenta el
salario de aquellos que llevan más tiempo en la organización, ya que
observamos la agrupación de puntos ligeramente arriba que la mayoría,
significando esto un aumento en salario a traves del tiempo.
Graficos de disperción BAJAS - Días laborados
summary(baj)## X EDAD FECHA.NACIMIENTO GENERO
## Min. : 0.00 Min. :19.00 Length:233 Length:233
## 1st Qu.: 14.00 1st Qu.:23.00 Class :character Class :character
## Median : 79.00 Median :29.00 Mode :character Mode :character
## Mean : 66.58 Mean :31.08
## 3rd Qu.: 97.00 3rd Qu.:37.00
## Max. :147.00 Max. :61.00
##
## RFC FECHA_ALTA MOTIVO_BAJA DIAS_LABORADOS
## Length:233 Min. :2001-02-22 Length:233 Min. : 0.00
## Class :character 1st Qu.:2010-06-22 Class :character 1st Qu.: 6.00
## Mode :character Median :2015-06-22 Mode :character Median : 15.00
## Mean :2015-12-07 Mean : 72.73
## 3rd Qu.:2021-12-21 3rd Qu.: 47.00
## Max. :2031-05-21 Max. :1966.00
##
## FECHA_BAJA PUESTO DEPTO. SEGURO
## Min. :2001-02-22 Length:233 Length:233 Length:233
## 1st Qu.:2010-03-22 Class :character Class :character Class :character
## Median :2017-05-22 Mode :character Mode :character Mode :character
## Mean :2017-02-28
## 3rd Qu.:2024-11-22
## Max. :2031-01-22
## NA's :14
## SALARIO_DIARIO LUGAR_NACIMIENTO CURP CALLE
## Min. :144.4 Length:233 Length:233 Length:233
## 1st Qu.:180.7 Class :character Class :character Class :character
## Median :180.7 Mode :character Mode :character Mode :character
## Mean :177.9
## 3rd Qu.:180.7
## Max. :500.0
##
## NUM_INTERNO COLONIA CODIGO_POST MUNICIPIO
## Length:233 Length:233 Length:233 Length:233
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## EDO EDO_CIVIL X.1
## Length:233 Length:233 Length:233
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
##
## boxplot(baj$DIAS_LABORADOS , vertical = TRUE)
En este caso, de nueva cuenta se puede visualizar que la mayoría de colaboradores realmente no llevan ni 1 año con su contrato laboral activo en la organización, donde en cambio, se detalla que existen pocas personas con un alto numero de días laborados.
Disperción bajas
plot(baj$DIAS_LABORADOS, baj$SALARIO_DIARIO, main = "Sueldo por días totales laborados",
xlab = "Días laborados", ylab = "Sueldo",
pch = 19, frame = FALSE)
En este caso se observa dependiendo del puesto que se desempeñe dentro
de Form existe una diferencia en el salario diario, sin embargo, es
valido recalcar que hay posiciones dentro de la empresa con pagos
mayores, quienes probablemente sea el equipo directivo o el dueño.
Tabla de estadisticos (media, mediana, moda, desviación estándar) | COLABORADORES
summary(col)## Num_empleado FECHA.DE.NACIMIENTO GENERO RFC
## Min. : 0.00 Length:113 Length:113 Length:113
## 1st Qu.: 8.00 Class :character Class :character Class :character
## Median : 38.00 Mode :character Mode :character Mode :character
## Mean : 46.31
## 3rd Qu.: 72.00
## Max. :148.00
## FECHA.DE.ALTA Primer.mes X4to.mes PUESTO
## Length:113 Length:113 Length:113 Length:113
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## DEPARTAMENTO NO.SEGURO.SOCIAL SALARIO.DIARIO.IMSS COLONIA
## Length:113 Length:113 Min. :144.4 Length:113
## Class :character Class :character 1st Qu.:176.7 Class :character
## Mode :character Mode :character Median :180.7 Mode :character
## Mean :179.1
## 3rd Qu.:180.7
## Max. :337.1
## MUNICIPIO ESTADO
## Length:113 Length:113
## Class :character Class :character
## Mode :character Mode :character
##
##
## mea2 <- mean(col$Num_empleado)
med2 <- median(col$Num_empleado)
moda2<- mfv(col$Num_empleado)
sd2 <- sd(col$Num_empleado, na.rm = TRUE)mea3 <- mean(col$FECHA.DE.NACIMIENTO)## Warning in mean.default(col$FECHA.DE.NACIMIENTO): argument is not numeric or
## logical: returning NAmed3 <- median(col$FECHA.DE.NACIMIENTO)
moda3 <- mfv(col$FECHA.DE.NACIMIENTO)
sd3 <- sd(col$FECHA.DE.NACIMIENTO, na.rm = TRUE)## Warning in var(if (is.vector(x) || is.factor(x)) x else as.double(x), na.rm =
## na.rm): NAs introduced by coercionmea4 <- mean(col$GENERO)## Warning in mean.default(col$GENERO): argument is not numeric or logical:
## returning NAmed4 <- median(col$GENERO)
moda4 <- mfv(col$genero)
sd4 <- sd(col$GENERO, na.rm = TRUE)## Warning in var(if (is.vector(x) || is.factor(x)) x else as.double(x), na.rm =
## na.rm): NAs introduced by coercionmea5 <- mean(col$FECHA.DE.ALTA)## Warning in mean.default(col$FECHA.DE.ALTA): argument is not numeric or logical:
## returning NAmed5 <- median(col$FECHA.DE.ALTA)
moda5 <- mfv(col$FECHA.DE.ALTA)
sd5 <- sd(baj$numero, na.rm = TRUE)Variables <-c("Num_empleado","Fecha_naci", "Genero", "Fecha_Alta")
Media <-c(mea2,mea3,mea4,mea5)
Mediana <-c(med2,med3,med4,med5)
Moda <-c(moda2,moda3,moda4,moda5)
Desviacion <-c(sd2,sd3,sd4,sd5)
tabla2 <-data.frame(Variables, Media, Mediana, Moda, Desviacion)
knitr::kable(tabla2)| Variables | Media | Mediana | Moda | Desviacion |
|---|---|---|---|---|
| Num_empleado | 46.30973 | 38 | 0 | 42.3999 |
| Fecha_naci | NA | 11/30/1968 | 01/04/67 | NA |
| Genero | NA | FEMENINO | 01/06/04 | NA |
| Fecha_Alta | NA | 44621 | 01/08/82 | NA |
| Num_empleado | 46.30973 | 38 | 01/11/02 | 42.3999 |
| Fecha_naci | NA | 11/30/1968 | 01/11/92 | NA |
| Genero | NA | FEMENINO | 02/03/78 | NA |
| Fecha_Alta | NA | 44621 | 02/04/76 | NA |
| Num_empleado | 46.30973 | 38 | 03/07/77 | 42.3999 |
| Fecha_naci | NA | 11/30/1968 | 03/12/02 | NA |
| Genero | NA | FEMENINO | 04/01/03 | NA |
| Fecha_Alta | NA | 44621 | 04/07/93 | NA |
| Num_empleado | 46.30973 | 38 | 05/01/00 | 42.3999 |
| Fecha_naci | NA | 11/30/1968 | 05/01/90 | NA |
| Genero | NA | FEMENINO | 05/05/77 | NA |
| Fecha_Alta | NA | 44621 | 05/06/64 | NA |
| Num_empleado | 46.30973 | 38 | 06/02/82 | 42.3999 |
| Fecha_naci | NA | 11/30/1968 | 06/03/73 | NA |
| Genero | NA | FEMENINO | 06/09/84 | NA |
| Fecha_Alta | NA | 44621 | 06/11/03 | NA |
| Num_empleado | 46.30973 | 38 | 06/11/89 | 42.3999 |
| Fecha_naci | NA | 11/30/1968 | 07/01/67 | NA |
| Genero | NA | FEMENINO | 07/07/66 | NA |
| Fecha_Alta | NA | 44621 | 08/04/00 | NA |
| Num_empleado | 46.30973 | 38 | 08/10/94 | 42.3999 |
| Fecha_naci | NA | 11/30/1968 | 08/11/01 | NA |
| Genero | NA | FEMENINO | 08/12/82 | NA |
| Fecha_Alta | NA | 44621 | 08/12/99 | NA |
| Num_empleado | 46.30973 | 38 | 09/04/93 | 42.3999 |
| Fecha_naci | NA | 11/30/1968 | 09/05/85 | NA |
| Genero | NA | FEMENINO | 09/06/65 | NA |
| Fecha_Alta | NA | 44621 | 09/10/55 | NA |
| Num_empleado | 46.30973 | 38 | 1/16/1996 | 42.3999 |
| Fecha_naci | NA | 11/30/1968 | 1/20/2003 | NA |
| Genero | NA | FEMENINO | 1/21/2002 | NA |
| Fecha_Alta | NA | 44621 | 1/22/1972 | NA |
| Num_empleado | 46.30973 | 38 | 1/22/1997 | 42.3999 |
| Fecha_naci | NA | 11/30/1968 | 10/02/74 | NA |
| Genero | NA | FEMENINO | 10/02/94 | NA |
| Fecha_Alta | NA | 44621 | 10/17/1987 | NA |
| Num_empleado | 46.30973 | 38 | 10/19/1962 | 42.3999 |
| Fecha_naci | NA | 11/30/1968 | 10/22/2001 | NA |
| Genero | NA | FEMENINO | 10/23/1996 | NA |
| Fecha_Alta | NA | 44621 | 10/23/2002 | NA |
| Num_empleado | 46.30973 | 38 | 10/25/2001 | 42.3999 |
| Fecha_naci | NA | 11/30/1968 | 10/28/1990 | NA |
| Genero | NA | FEMENINO | 10/31/1967 | NA |
| Fecha_Alta | NA | 44621 | 11/03/84 | NA |
| Num_empleado | 46.30973 | 38 | 11/03/95 | 42.3999 |
| Fecha_naci | NA | 11/30/1968 | 11/10/02 | NA |
| Genero | NA | FEMENINO | 11/11/69 | NA |
| Fecha_Alta | NA | 44621 | 11/15/1971 | NA |
| Num_empleado | 46.30973 | 38 | 11/20/1997 | 42.3999 |
| Fecha_naci | NA | 11/30/1968 | 11/21/1949 | NA |
| Genero | NA | FEMENINO | 11/22/1999 | NA |
| Fecha_Alta | NA | 44621 | 11/22/2002 | NA |
| Num_empleado | 46.30973 | 38 | 11/30/1965 | 42.3999 |
| Fecha_naci | NA | 11/30/1968 | 11/30/1968 | NA |
| Genero | NA | FEMENINO | 12/10/96 | NA |
| Fecha_Alta | NA | 44621 | 12/12/80 | NA |
| Num_empleado | 46.30973 | 38 | 12/16/1979 | 42.3999 |
| Fecha_naci | NA | 11/30/1968 | 12/16/1987 | NA |
| Genero | NA | FEMENINO | 12/17/1994 | NA |
| Fecha_Alta | NA | 44621 | 12/23/1994 | NA |
| Num_empleado | 46.30973 | 38 | 12/24/1981 | 42.3999 |
| Fecha_naci | NA | 11/30/1968 | 12/24/1990 | NA |
| Genero | NA | FEMENINO | 12/26/1966 | NA |
| Fecha_Alta | NA | 44621 | 12/28/1996 | NA |
| Num_empleado | 46.30973 | 38 | 12/30/1992 | 42.3999 |
| Fecha_naci | NA | 11/30/1968 | 2/13/1973 | NA |
| Genero | NA | FEMENINO | 2/14/2003 | NA |
| Fecha_Alta | NA | 44621 | 2/18/1983 | NA |
| Num_empleado | 46.30973 | 38 | 2/21/1969 | 42.3999 |
| Fecha_naci | NA | 11/30/1968 | 2/23/1988 | NA |
| Genero | NA | FEMENINO | 2/23/2022 | NA |
| Fecha_Alta | NA | 44621 | 2/26/1990 | NA |
| Num_empleado | 46.30973 | 38 | 2/26/1993 | 42.3999 |
| Fecha_naci | NA | 11/30/1968 | 2/27/1978 | NA |
| Genero | NA | FEMENINO | 3/18/2001 | NA |
| Fecha_Alta | NA | 44621 | 3/18/2003 | NA |
| Num_empleado | 46.30973 | 38 | 3/19/1962 | 42.3999 |
| Fecha_naci | NA | 11/30/1968 | 3/24/1981 | NA |
| Genero | NA | FEMENINO | 4/18/1984 | NA |
| Fecha_Alta | NA | 44621 | 5/14/1979 | NA |
| Num_empleado | 46.30973 | 38 | 5/14/1997 | 42.3999 |
| Fecha_naci | NA | 11/30/1968 | 5/19/1997 | NA |
| Genero | NA | FEMENINO | 5/24/1989 | NA |
| Fecha_Alta | NA | 44621 | 5/27/1999 | NA |
| Num_empleado | 46.30973 | 38 | 5/30/1984 | 42.3999 |
| Fecha_naci | NA | 11/30/1968 | 5/31/1992 | NA |
| Genero | NA | FEMENINO | 6/21/1989 | NA |
| Fecha_Alta | NA | 44621 | 6/21/1994 | NA |
| Num_empleado | 46.30973 | 38 | 6/22/1984 | 42.3999 |
| Fecha_naci | NA | 11/30/1968 | 6/22/1993 | NA |
| Genero | NA | FEMENINO | 6/24/1977 | NA |
| Fecha_Alta | NA | 44621 | 6/24/1990 | NA |
| Num_empleado | 46.30973 | 38 | 6/27/1969 | 42.3999 |
| Fecha_naci | NA | 11/30/1968 | 6/29/1969 | NA |
| Genero | NA | FEMENINO | 7/13/1998 | NA |
| Fecha_Alta | NA | 44621 | 7/16/1982 | NA |
| Num_empleado | 46.30973 | 38 | 7/19/1993 | 42.3999 |
| Fecha_naci | NA | 11/30/1968 | 7/25/2001 | NA |
| Genero | NA | FEMENINO | 7/31/1990 | NA |
| Fecha_Alta | NA | 44621 | 8/18/1985 | NA |
| Num_empleado | 46.30973 | 38 | 8/19/1984 | 42.3999 |
| Fecha_naci | NA | 11/30/1968 | 8/25/1988 | NA |
| Genero | NA | FEMENINO | 8/28/1963 | NA |
| Fecha_Alta | NA | 44621 | 9/15/1995 | NA |
| Num_empleado | 46.30973 | 38 | 9/18/1972 | 42.3999 |
| Fecha_naci | NA | 11/30/1968 | 9/19/1987 | NA |
| Genero | NA | FEMENINO | 9/22/1969 | NA |
| Fecha_Alta | NA | 44621 | 9/22/1988 | NA |
| Num_empleado | 46.30973 | 38 | 9/29/1976 | 42.3999 |
| Fecha_naci | NA | 11/30/1968 | 9/30/1999 | NA |
| Genero | NA | FEMENINO | NaN | NA |
| Fecha_Alta | NA | 44621 | 6/14/2022 | NA |
En este caso, se considera que los datos mas relevantes son: Mediante la media, se pudo comprobar que las mujeres tienen mayor presencia en la empresa. Por otra parte, la fecha de nacimiento promedio de los colaboradores es en 1992. Por consiguiente, se pretende pintar un perfil de colaborador que pertenece al grupo generacional Milenial.
Tabla de estadisticos (media, mediana, moda, desviación estándar) | BAJAS
summary(baj)## X EDAD FECHA.NACIMIENTO GENERO
## Min. : 0.00 Min. :19.00 Length:233 Length:233
## 1st Qu.: 14.00 1st Qu.:23.00 Class :character Class :character
## Median : 79.00 Median :29.00 Mode :character Mode :character
## Mean : 66.58 Mean :31.08
## 3rd Qu.: 97.00 3rd Qu.:37.00
## Max. :147.00 Max. :61.00
##
## RFC FECHA_ALTA MOTIVO_BAJA DIAS_LABORADOS
## Length:233 Min. :2001-02-22 Length:233 Min. : 0.00
## Class :character 1st Qu.:2010-06-22 Class :character 1st Qu.: 6.00
## Mode :character Median :2015-06-22 Mode :character Median : 15.00
## Mean :2015-12-07 Mean : 72.73
## 3rd Qu.:2021-12-21 3rd Qu.: 47.00
## Max. :2031-05-21 Max. :1966.00
##
## FECHA_BAJA PUESTO DEPTO. SEGURO
## Min. :2001-02-22 Length:233 Length:233 Length:233
## 1st Qu.:2010-03-22 Class :character Class :character Class :character
## Median :2017-05-22 Mode :character Mode :character Mode :character
## Mean :2017-02-28
## 3rd Qu.:2024-11-22
## Max. :2031-01-22
## NA's :14
## SALARIO_DIARIO LUGAR_NACIMIENTO CURP CALLE
## Min. :144.4 Length:233 Length:233 Length:233
## 1st Qu.:180.7 Class :character Class :character Class :character
## Median :180.7 Mode :character Mode :character Mode :character
## Mean :177.9
## 3rd Qu.:180.7
## Max. :500.0
##
## NUM_INTERNO COLONIA CODIGO_POST MUNICIPIO
## Length:233 Length:233 Length:233 Length:233
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## EDO EDO_CIVIL X.1
## Length:233 Length:233 Length:233
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
##
## mea2 <- mean(baj$EDAD)
med2 <- median(baj$EDAD)
moda2<- mfv(baj$EDAD)
sd2 <- sd(baj$EDAD, na.rm = TRUE)mea3 <- mean(baj$DIAS_LABORADOS)
med3 <- median(baj$DIAS_LABORADOS)
moda3 <- mfv(baj$DIAS_LABORADOS)
sd3 <- sd(baj$DIAS_LABORADOS, na.rm = TRUE)mea4 <- mean(baj$EDO_CIVIL)## Warning in mean.default(baj$EDO_CIVIL): argument is not numeric or logical:
## returning NAmed4 <- median(baj$EDO_CIVIL)
moda4 <- mfv(baj$EDO_CIVIL)
sd4 <- sd(baj$EDO_CIVIL, na.rm = TRUE)## Warning in var(if (is.vector(x) || is.factor(x)) x else as.double(x), na.rm =
## na.rm): NAs introduced by coercionmea5 <- mean(baj$SALARIO_DIARIO)
med5 <- median(baj$SALARIO_DIARIO)
moda5 <- mfv(baj$SALARIO_DIARIO)
sd5 <- sd(baj$numero, na.rm = TRUE)Variables <-c("Edad","Dias laborados", "Estado Civil", "Salario Diario")
Media <-c(mea2,mea3,mea4,mea5)
Mediana <-c(med2,med3,med4,med5)
Moda <-c(moda2,moda3,moda4,moda5)
Desviacion <-c(sd2,sd3,sd4,sd5)
tabla2 <-data.frame(Variables, Media, Mediana, Moda, Desviacion)
knitr::kable(tabla2)| Variables | Media | Mediana | Moda | Desviacion |
|---|---|---|---|---|
| Edad | 31.08155 | 29 | 22 | 9.643081 |
| Dias laborados | 72.72961 | 15 | 0 | 216.267474 |
| Estado Civil | NA | Soltero | Soltero | NA |
| Salario Diario | 177.92768 | 180.68 | 180.68 | NA |
En este caso se puede demostrar que El promedio de un colaborador(a) en Form es una persona soltera de 31 años que trabajó al rededor de 2 meses ganando aproximadamente 180mxn diarios
Graficos adicionales
Barplot COLABORADORES
col <- read.csv("/Users/carlosgonzalez/Desktop/Colab_recursoshumanos.csv")
summary(col)## Num_empleado FECHA.DE.NACIMIENTO GENERO RFC
## Min. : 1.00 Length:113 Length:113 Length:113
## 1st Qu.: 24.75 Class :character Class :character Class :character
## Median : 48.50 Mode :character Mode :character Mode :character
## Mean : 56.88
## 3rd Qu.: 82.00
## Max. :148.00
## NA's :21
## FECHA.DE.ALTA Primer.mes X4to.mes PUESTO
## Length:113 Length:113 Length:113 Length:113
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## DEPARTAMENTO NO.SEGURO.SOCIAL SALARIO.DIARIO.IMSS COLONIA
## Length:113 Length:113 Min. :144.4 Length:113
## Class :character Class :character 1st Qu.:176.7 Class :character
## Mode :character Mode :character Median :180.7 Mode :character
## Mean :179.1
## 3rd Qu.:180.7
## Max. :337.1
##
## MUNICIPIO ESTADO
## Length:113 Length:113
## Class :character Class :character
## Mode :character Mode :character
##
##
##
## ggplot(col, aes(factor(`GENERO`), fill = factor(`SALARIO.DIARIO.IMSS`))) +
geom_bar(position = position_dodge2(preserve = "single"))
Mediante este grafico, se puede especificar el salario fijo de las
personas que ganan más. En este caso efectivamente, las mujeres ganan
más en el puesto que genera $180.68 mientras que el puesto que genera
una menor cantidad tiene mayor participación por parte de hombres. En
pocas palabras, se puede inferir que las muejres están en puestos que
generan más ingresos, mientras que los hombres están presentes en donde
se genera una cantidad menor.
Barplot BAJAS
summary(baj)## X EDAD FECHA.NACIMIENTO GENERO
## Min. : 0.00 Min. :19.00 Length:233 Length:233
## 1st Qu.: 14.00 1st Qu.:23.00 Class :character Class :character
## Median : 79.00 Median :29.00 Mode :character Mode :character
## Mean : 66.58 Mean :31.08
## 3rd Qu.: 97.00 3rd Qu.:37.00
## Max. :147.00 Max. :61.00
##
## RFC FECHA_ALTA MOTIVO_BAJA DIAS_LABORADOS
## Length:233 Min. :2001-02-22 Length:233 Min. : 0.00
## Class :character 1st Qu.:2010-06-22 Class :character 1st Qu.: 6.00
## Mode :character Median :2015-06-22 Mode :character Median : 15.00
## Mean :2015-12-07 Mean : 72.73
## 3rd Qu.:2021-12-21 3rd Qu.: 47.00
## Max. :2031-05-21 Max. :1966.00
##
## FECHA_BAJA PUESTO DEPTO. SEGURO
## Min. :2001-02-22 Length:233 Length:233 Length:233
## 1st Qu.:2010-03-22 Class :character Class :character Class :character
## Median :2017-05-22 Mode :character Mode :character Mode :character
## Mean :2017-02-28
## 3rd Qu.:2024-11-22
## Max. :2031-01-22
## NA's :14
## SALARIO_DIARIO LUGAR_NACIMIENTO CURP CALLE
## Min. :144.4 Length:233 Length:233 Length:233
## 1st Qu.:180.7 Class :character Class :character Class :character
## Median :180.7 Mode :character Mode :character Mode :character
## Mean :177.9
## 3rd Qu.:180.7
## Max. :500.0
##
## NUM_INTERNO COLONIA CODIGO_POST MUNICIPIO
## Length:233 Length:233 Length:233 Length:233
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## EDO EDO_CIVIL X.1
## Length:233 Length:233 Length:233
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
##
## ggplot(baj, aes(factor(`MOTIVO_BAJA`), fill = factor(`GENERO`))) +
geom_bar(position = position_dodge2(preserve = "single"))
En este caso, se puede dar a cuenta de que las mujeres cuentan con mayor
numero de bajas al simplemente dejar de venir la cantidad de veces
semanales que indica su cintrato, mientras que los hombres se van por
abandono, jubilaciñon y por renuncia voluntaria.
Dispercion plots (presentados anteriormente)
Time series plot (lineplot, heatmap)
plot(col$FECHA.DE.ALTA, xlab = "Fecha de alta en FORM", ylab = " ")## Warning in xy.coords(x, y, xlabel, ylabel, log): NAs introduced by coercion
#polygon(col$FECHA.DE.ALTA, col="green", border="black")Para esta grafica, se puede inferir que Form tiene contrataciones constantes y durante todo el año, es decir, a diferencia de las organizaciones tradicionales quienes contratan especialmente durante el ultimo cuarto del año y principios del siguiente año, form constantemente contrata. Por otra parte, así como hay contrataciones, hay dadas de baja y por consiguiente se entiende la estrategia de reclutamiento de Form, donde debe mantener un flujo constante de personal en función con las bajas que se tienen.
Grafica de PIE del genero
pie(table(baj$GENERO))
Finalmente, se tiene que se tienen más colaboradores de genero femenino,
mientras que el masculino, debido a que son quienes generan la mayoría
de las bajas y por consiguiente mayor rotación; las mujeres tienden a
estar más tiempo y desemepeñar labores con mayor nivel de complejidad y
por consiguiente estñan mayor tiempo en la empresa.
Delivery Plan
#file.choose()
dplan <- read.csv("/Users/carlosgonzalez/Desktop/Delivery Plan BD FINAL.csv")Entender base de datos
summary(dplan)## CLIENTE.PLANTA PROYECTO ID.ODOO ITEM
## Length:231 Length:231 Length:231 Length:231
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## JUNIO JULIO AGOSTO SEPTIEMBRE
## Min. : 0.00 Min. : 0.0 Min. : 0.00 Min. : 0
## 1st Qu.: 0.00 1st Qu.: 0.0 1st Qu.: 0.00 1st Qu.: 0
## Median : 0.00 Median : 0.0 Median : 0.00 Median : 0
## Mean : 29.06 Mean : 135.9 Mean : 77.45 Mean : 81
## 3rd Qu.: 0.00 3rd Qu.: 0.0 3rd Qu.: 0.00 3rd Qu.: 0
## Max. :1280.00 Max. :13120.0 Max. :3200.00 Max. :3200
## OCTUBRE NOVIEMBRE DICIEMBRE ene.22
## Min. : 0.0 Min. : 0.00 Min. : 0.0 Min. : 0.00
## 1st Qu.: 0.0 1st Qu.: 0.00 1st Qu.: 0.0 1st Qu.: 0.00
## Median : 0.0 Median : 0.00 Median : 0.0 Median : 0.00
## Mean : 62.0 Mean : 89.69 Mean : 100.4 Mean : 82.37
## 3rd Qu.: 11.5 3rd Qu.: 4.00 3rd Qu.: 1.5 3rd Qu.: 26.50
## Max. :3200.0 Max. :6400.00 Max. :6400.0 Max. :3200.00
## Feb.22 Mar.22 abr.22 May.22
## Min. : 0.0 Min. : 0.0 Min. : 0.0 Min. : 0.0
## 1st Qu.: 0.0 1st Qu.: 0.0 1st Qu.: 0.0 1st Qu.: 0.0
## Median : 0.0 Median : 0.0 Median : 0.0 Median : 0.0
## Mean : 103.5 Mean : 153.9 Mean : 186.5 Mean : 187.6
## 3rd Qu.: 0.0 3rd Qu.: 20.0 3rd Qu.: 24.0 3rd Qu.: 22.0
## Max. :9600.0 Max. :9600.0 Max. :16354.0 Max. :17665.0
## Jun.22 Jul.22 ago.22 Sep.22
## Min. : 0.0 Min. : 0.0 Min. : 0.0 Min. : 0.0
## 1st Qu.: 0.0 1st Qu.: 0.0 1st Qu.: 0.0 1st Qu.: 0.0
## Median : 0.0 Median : 0.0 Median : 0.0 Median : 0.0
## Mean : 171.2 Mean : 316.9 Mean : 131.5 Mean : 272.3
## 3rd Qu.: 1.0 3rd Qu.: 15.5 3rd Qu.: 0.0 3rd Qu.: 0.0
## Max. :11050.0 Max. :25900.0 Max. :13200.0 Max. :29379.0
## OCTUBRE.22 Nov.22 dic.22 ene.23
## Min. : 0.0 Min. : 0.000 Min. : 0.000 Min. : 0.0000
## 1st Qu.: 0.0 1st Qu.: 0.000 1st Qu.: 0.000 1st Qu.: 0.0000
## Median : 0.0 Median : 0.000 Median : 0.000 Median : 0.0000
## Mean : 120.9 Mean : 2.113 Mean : 1.225 Mean : 0.5974
## 3rd Qu.: 0.0 3rd Qu.: 0.000 3rd Qu.: 0.000 3rd Qu.: 0.0000
## Max. :16421.0 Max. :324.000 Max. :276.000 Max. :138.0000
## Feb.23 Mar.23 TOTAL.MESES
## Min. :0 Min. :0 Min. : 0
## 1st Qu.:0 1st Qu.:0 1st Qu.: 16
## Median :0 Median :0 Median : 115
## Mean :0 Mean :0 Mean : 2306
## 3rd Qu.:0 3rd Qu.:0 3rd Qu.: 724
## Max. :0 Max. :0 Max. :136754Limpieza de base de datos
Método #1 Realizar un pivote con la finalidad de unir los pedidos programados en una sola columna. Adicionalmente, con este método se pretende que las variables se arreglen de manera alfabética para facilitar el entendimiento y comprención de las gráficas.
library(tidyr)
dplan <- clean_names(dplan)
dplan <- dplan %>% dplyr::rename(cliente=cliente_planta,
A_jun_21=junio,
B_jul_21=julio,
C_ago_21=agosto,
D_sep_21=septiembre,
E_oct_21=octubre,
F_nov_21=noviembre,
G_dic_21=diciembre,
H_ene_22=ene_22,
I_feb_22=feb_22,
J_mar_22=mar_22,
K_abr_22=abr_22,
L_may_22=may_22,
M_jun_22=jun_22,
N_jul_22=jul_22,
O_ago_22=ago_22,
P_sep_22=sep_22,
Q_oct_22=octubre_22,
R_nov_22=nov_22,
S_dic_22=dic_22,
T_ene_23=ene_23,
U_feb_23=feb_23,
V_mar_23=feb_23
)
colnames(dplan)## [1] "cliente" "proyecto" "id_odoo" "item" "A_jun_21"
## [6] "B_jul_21" "C_ago_21" "D_sep_21" "E_oct_21" "F_nov_21"
## [11] "G_dic_21" "H_ene_22" "I_feb_22" "J_mar_22" "K_abr_22"
## [16] "L_may_22" "M_jun_22" "N_jul_22" "O_ago_22" "P_sep_22"
## [21] "Q_oct_22" "R_nov_22" "S_dic_22" "T_ene_23" "V_mar_23"
## [26] "mar_23" "total_meses"dplan <- pivot_longer(dplan, cols=5:14, names_to = "Mes", values_to = "Unidades")
str(dplan)## tibble [2,310 × 19] (S3: tbl_df/tbl/data.frame)
## $ cliente : chr [1:2310] "STB3" "STB3" "STB3" "STB3" ...
## $ proyecto : chr [1:2310] "CANASTILLA GRIS" "CANASTILLA GRIS" "CANASTILLA GRIS" "CANASTILLA GRIS" ...
## $ id_odoo : chr [1:2310] "15.785" "15.785" "15.785" "15.785" ...
## $ item : chr [1:2310] "CABLE SET CAJA BACK UP CANASTILLA" "CABLE SET CAJA BACK UP CANASTILLA" "CABLE SET CAJA BACK UP CANASTILLA" "CABLE SET CAJA BACK UP CANASTILLA" ...
## $ K_abr_22 : int [1:2310] 0 0 0 0 0 0 0 0 0 0 ...
## $ L_may_22 : int [1:2310] 0 0 0 0 0 0 0 0 0 0 ...
## $ M_jun_22 : int [1:2310] 200 200 200 200 200 200 200 200 200 200 ...
## $ N_jul_22 : int [1:2310] 900 900 900 900 900 900 900 900 900 900 ...
## $ O_ago_22 : int [1:2310] 1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 ...
## $ P_sep_22 : int [1:2310] 0 0 0 0 0 0 0 0 0 0 ...
## $ Q_oct_22 : int [1:2310] 0 0 0 0 0 0 0 0 0 0 ...
## $ R_nov_22 : int [1:2310] 0 0 0 0 0 0 0 0 0 0 ...
## $ S_dic_22 : int [1:2310] 0 0 0 0 0 0 0 0 0 0 ...
## $ T_ene_23 : int [1:2310] 0 0 0 0 0 0 0 0 0 0 ...
## $ V_mar_23 : int [1:2310] 0 0 0 0 0 0 0 0 0 0 ...
## $ mar_23 : int [1:2310] 0 0 0 0 0 0 0 0 0 0 ...
## $ total_meses: int [1:2310] 3850 3850 3850 3850 3850 3850 3850 3850 3850 3850 ...
## $ Mes : chr [1:2310] "A_jun_21" "B_jul_21" "C_ago_21" "D_sep_21" ...
## $ Unidades : int [1:2310] 0 140 530 0 200 0 150 230 500 0 ...Método de limpieza #2: Remover ceros de la base de datos
dplan1 <- filter(dplan, Unidades>0)Método de limpieza #3: Eliminar variables innecesarias. Para esto se plantea dejar unicamente las variables más importantes tales como Cliente, Mes y unidades. Con dichas variables se podrán realizar distintos analisis los cuales serán de utilidad para realizar propuestas de alto impacto para la organización y su competitividad a largo plazo.
dplan2 <- dplan1
dplan2 <- subset (dplan1, select = -c (proyecto, id_odoo, item, K_abr_22, L_may_22, M_jun_22,N_jul_22,O_ago_22, P_sep_22, Q_oct_22, R_nov_22, S_dic_22, T_ene_23, V_mar_23, mar_23, total_meses))
summary(dplan2)## cliente Mes Unidades
## Length:590 Length:590 Min. : 1.0
## Class :character Class :character 1st Qu.: 30.0
## Mode :character Mode :character Median : 80.0
## Mean : 358.4
## 3rd Qu.: 300.0
## Max. :13120.0Entender la base de datos mediante variables y registros
describe(dplan2)## # 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 Unidades 590 0 358. 1003. 41.3 270 7.51 73.0 1 1
## # … 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, ³kurtosisstr(dplan2)## tibble [590 × 3] (S3: tbl_df/tbl/data.frame)
## $ cliente : chr [1:590] "STB3" "STB3" "STB3" "STB3" ...
## $ Mes : chr [1:590] "B_jul_21" "C_ago_21" "E_oct_21" "G_dic_21" ...
## $ Unidades: int [1:590] 140 530 200 150 230 500 184 125 55 55 ...Se encuentran 3 variables con 590 registros respectivamente
Vari <- c("`Cliente`","`Mes`","`Unidades`")Type <- c("cualitativo (discreto)", "cualitativo (discreto)", "cuantitativo (nominal)")Scales <- c("razón", "ordinal", "nominal")table<-(data.frame(Vari, Type, Scales))
knitr::kable(table)| Vari | Type | Scales |
|---|---|---|
Cliente
|
cualitativo (discreto) | razón |
Mes
|
cualitativo (discreto) | ordinal |
Unidades
|
cuantitativo (nominal) | nominal |
Tabla de Frecuencia
summary(dplan2)## cliente Mes Unidades
## Length:590 Length:590 Min. : 1.0
## Class :character Class :character 1st Qu.: 30.0
## Mode :character Mode :character Median : 80.0
## Mean : 358.4
## 3rd Qu.: 300.0
## Max. :13120.0Unidades por Cliente
proportion <- prop.table(table(dplan2$Unidades,dplan2$cliente))
proportion %>%
kbl() %>%
kable_styling()| ABC QUERETARO | ANTOLIN TOLUCA | DENSO | HELLA | INOAC POLYTEC | ISRI | MERIDIAN | SEGROVE | STB 1 | STB3 | STB4 | STB5 | STB6 | STB8 | STB9 | TRMX | UFI | VARROC | YANFENG sm | YF QRO | YF RAMOS | YFCF | YFTO | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | 0.0000000 | 0.0000000 | 0.0084746 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 |
| 2 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0050847 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0067797 | 0.0000000 |
| 3 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0050847 | 0.0000000 |
| 4 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0050847 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0016949 |
| 5 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 |
| 6 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0084746 | 0.0033898 |
| 7 | 0.0000000 | 0.0016949 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 |
| 8 | 0.0016949 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0050847 | 0.0000000 |
| 9 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 |
| 10 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0135593 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0016949 | 0.0000000 |
| 11 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 |
| 12 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0169492 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 14 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 |
| 15 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0067797 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 16 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0050847 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0067797 | 0.0000000 |
| 18 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 19 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 20 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0220339 | 0.0016949 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 |
| 21 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 22 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 24 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0118644 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0016949 | 0.0000000 |
| 25 | 0.0000000 | 0.0000000 | 0.0101695 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 26 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 27 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 |
| 28 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 30 | 0.0000000 | 0.0000000 | 0.0050847 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0050847 | 0.0033898 | 0.0152542 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 |
| 32 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0050847 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 |
| 33 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 |
| 34 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 35 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0050847 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 |
| 36 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0135593 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 |
| 39 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 40 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0135593 | 0.0016949 | 0.0000000 | 0.0016949 | 0.0016949 | 0.0000000 |
| 42 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 43 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 44 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 45 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0067797 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 46 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 |
| 47 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 48 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0135593 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 50 | 0.0000000 | 0.0000000 | 0.0067797 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0067797 | 0.0000000 | 0.0050847 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 51 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 52 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 55 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 |
| 56 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0067797 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 |
| 57 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 58 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 60 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0288136 | 0.0000000 | 0.0000000 | 0.0084746 | 0.0000000 | 0.0000000 |
| 61 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 62 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 65 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 |
| 66 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 |
| 67 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 70 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0016949 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 71 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 72 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0118644 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 74 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 75 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0050847 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 76 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 80 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0067797 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 82 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 83 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 84 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 85 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 |
| 88 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 90 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 91 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 92 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 96 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0084746 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 100 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0084746 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 101 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 104 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 108 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 |
| 114 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 120 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0084746 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 125 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 |
| 126 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 128 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 132 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 136 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 |
| 140 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 |
| 144 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 149 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 150 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0050847 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 |
| 151 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 152 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 155 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 157 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 |
| 160 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0084746 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 162 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 164 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 165 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 |
| 166 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 167 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 |
| 170 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 172 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 174 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 180 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0050847 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 183 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 |
| 184 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 187 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 |
| 190 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 192 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 |
| 195 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 196 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 198 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 200 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0067797 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 206 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 208 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 210 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 220 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 222 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 |
| 226 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 |
| 230 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 238 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 |
| 239 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 240 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0101695 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 245 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 246 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 247 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 |
| 250 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0084746 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 260 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 270 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 280 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 288 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 |
| 300 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0118644 | 0.0000000 | 0.0084746 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0016949 | 0.0000000 |
| 302 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 |
| 308 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 310 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 320 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0050847 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 340 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 344 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 |
| 350 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 355 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 358 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 |
| 360 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 372 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 378 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 |
| 382 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 390 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 |
| 400 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0067797 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 409 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 411 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 |
| 420 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 450 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 455 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 456 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 463 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 |
| 480 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0050847 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 485 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 |
| 500 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0067797 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 506 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 509 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 525 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 526 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 529 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 530 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 532 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 540 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0050847 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 580 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 600 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0050847 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 612 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 640 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 660 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 |
| 690 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 700 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 710 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 736 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 780 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 800 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0084746 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 890 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 930 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 945 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 950 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 994 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 1014 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 1040 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 1100 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 1120 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 1128 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 1200 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 1280 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 1300 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 1394 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 1400 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 1450 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 1500 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 1548 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 1600 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 1650 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 1993 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 2000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 2020 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 2100 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 |
| 2200 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 2304 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 2400 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 3000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 3200 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0067797 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 3498 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 4080 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 4169 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 6400 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 9600 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 13120 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
Unidades por mes
proportion <- prop.table(table(dplan2$Unidades,dplan2$Mes))
proportion %>%
kbl() %>%
kable_styling()| A_jun_21 | B_jul_21 | C_ago_21 | D_sep_21 | E_oct_21 | F_nov_21 | G_dic_21 | H_ene_22 | I_feb_22 | J_mar_22 | |
|---|---|---|---|---|---|---|---|---|---|---|
| 1 | 0.0016949 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0033898 | 0.0016949 | 0.0033898 | 0.0000000 | 0.0016949 | 0.0000000 |
| 2 | 0.0016949 | 0.0033898 | 0.0016949 | 0.0016949 | 0.0000000 | 0.0016949 | 0.0016949 | 0.0016949 | 0.0000000 | 0.0016949 |
| 3 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0016949 | 0.0016949 | 0.0000000 | 0.0016949 | 0.0016949 |
| 4 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0033898 | 0.0033898 | 0.0000000 |
| 5 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0016949 | 0.0016949 | 0.0016949 |
| 6 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0016949 | 0.0000000 | 0.0016949 | 0.0016949 | 0.0033898 | 0.0016949 | 0.0016949 |
| 7 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 |
| 8 | 0.0016949 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0033898 | 0.0000000 |
| 9 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 |
| 10 | 0.0016949 | 0.0000000 | 0.0033898 | 0.0016949 | 0.0016949 | 0.0016949 | 0.0016949 | 0.0000000 | 0.0067797 | 0.0016949 |
| 11 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 |
| 12 | 0.0033898 | 0.0000000 | 0.0033898 | 0.0033898 | 0.0033898 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 |
| 14 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0016949 |
| 15 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0067797 | 0.0000000 | 0.0000000 |
| 16 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0016949 | 0.0016949 | 0.0067797 |
| 18 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 |
| 19 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 |
| 20 | 0.0050847 | 0.0033898 | 0.0016949 | 0.0016949 | 0.0033898 | 0.0016949 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0050847 |
| 21 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 |
| 22 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 |
| 24 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0016949 | 0.0033898 | 0.0016949 | 0.0000000 | 0.0067797 | 0.0016949 |
| 25 | 0.0016949 | 0.0016949 | 0.0016949 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0033898 |
| 26 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 |
| 27 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 |
| 28 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 30 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0050847 | 0.0067797 | 0.0067797 | 0.0050847 | 0.0050847 | 0.0000000 | 0.0000000 |
| 32 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0016949 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0016949 |
| 33 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 34 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 |
| 35 | 0.0016949 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0016949 | 0.0016949 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 |
| 36 | 0.0033898 | 0.0050847 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0033898 |
| 39 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 |
| 40 | 0.0000000 | 0.0016949 | 0.0016949 | 0.0033898 | 0.0067797 | 0.0016949 | 0.0016949 | 0.0016949 | 0.0016949 | 0.0000000 |
| 42 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 |
| 43 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 |
| 44 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 45 | 0.0016949 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 |
| 46 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 47 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0016949 |
| 48 | 0.0016949 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0033898 | 0.0033898 |
| 50 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0016949 | 0.0016949 | 0.0033898 | 0.0000000 | 0.0050847 | 0.0000000 | 0.0050847 |
| 51 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 52 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 |
| 55 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0016949 | 0.0016949 |
| 56 | 0.0033898 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 |
| 57 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 58 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 |
| 60 | 0.0000000 | 0.0101695 | 0.0016949 | 0.0050847 | 0.0016949 | 0.0016949 | 0.0050847 | 0.0101695 | 0.0016949 | 0.0050847 |
| 61 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0016949 |
| 62 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 65 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0016949 | 0.0016949 | 0.0000000 |
| 66 | 0.0033898 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 67 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 70 | 0.0000000 | 0.0033898 | 0.0016949 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0016949 |
| 71 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 |
| 72 | 0.0033898 | 0.0033898 | 0.0016949 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 74 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 |
| 75 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 |
| 76 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 80 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0016949 | 0.0033898 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 82 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 |
| 83 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 |
| 84 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 85 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 88 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 90 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 91 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 |
| 92 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 96 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0033898 | 0.0000000 | 0.0000000 |
| 100 | 0.0000000 | 0.0000000 | 0.0050847 | 0.0000000 | 0.0033898 | 0.0033898 | 0.0033898 | 0.0016949 | 0.0000000 | 0.0016949 |
| 101 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 104 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 |
| 108 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 |
| 114 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 |
| 120 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0050847 |
| 125 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0016949 | 0.0000000 | 0.0000000 |
| 126 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 |
| 128 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 132 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 136 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 |
| 140 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0016949 |
| 144 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 |
| 149 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 150 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0033898 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0016949 |
| 151 | 0.0016949 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 152 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 155 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 157 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 |
| 160 | 0.0000000 | 0.0033898 | 0.0016949 | 0.0000000 | 0.0016949 | 0.0050847 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 |
| 162 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 |
| 164 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 |
| 165 | 0.0016949 | 0.0016949 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 |
| 166 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 |
| 167 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 170 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 172 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 174 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 |
| 180 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 183 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 |
| 184 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 |
| 187 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 |
| 190 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 192 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 195 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 196 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 |
| 198 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 |
| 200 | 0.0000000 | 0.0016949 | 0.0016949 | 0.0016949 | 0.0016949 | 0.0016949 | 0.0016949 | 0.0000000 | 0.0016949 | 0.0000000 |
| 206 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 208 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 210 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 |
| 220 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0016949 |
| 222 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 226 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 230 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 |
| 238 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 239 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 240 | 0.0016949 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0033898 | 0.0000000 | 0.0033898 |
| 245 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 246 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 247 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 250 | 0.0016949 | 0.0016949 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0016949 |
| 260 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 |
| 270 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 280 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 288 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 |
| 300 | 0.0016949 | 0.0033898 | 0.0000000 | 0.0016949 | 0.0016949 | 0.0000000 | 0.0050847 | 0.0016949 | 0.0050847 | 0.0067797 |
| 302 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 |
| 308 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 310 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 320 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0016949 | 0.0000000 | 0.0033898 | 0.0000000 |
| 340 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 344 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 350 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0016949 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 |
| 355 | 0.0000000 | 0.0016949 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 358 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 360 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 |
| 372 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 378 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 |
| 382 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 390 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 |
| 400 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0016949 | 0.0016949 | 0.0033898 |
| 409 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 |
| 411 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 420 | 0.0016949 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 450 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 |
| 455 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 456 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 463 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 480 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 |
| 485 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 |
| 500 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0016949 | 0.0033898 |
| 506 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 |
| 509 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 525 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 |
| 526 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 529 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 |
| 530 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 532 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 540 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 580 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 600 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0016949 | 0.0016949 | 0.0000000 |
| 612 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 |
| 640 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 |
| 660 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 690 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 700 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 |
| 710 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 736 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 780 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 800 | 0.0016949 | 0.0000000 | 0.0016949 | 0.0016949 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 |
| 890 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 930 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 945 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 |
| 950 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 |
| 994 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 1014 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 |
| 1040 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 1100 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 1120 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 1128 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 |
| 1200 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 |
| 1280 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 1300 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 |
| 1394 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 1400 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 |
| 1450 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 |
| 1500 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 1548 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 |
| 1600 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 |
| 1650 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 1993 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 2000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 |
| 2020 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 |
| 2100 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0033898 | 0.0000000 |
| 2200 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 |
| 2304 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 |
| 2400 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0016949 |
| 3000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 |
| 3200 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0016949 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 |
| 3498 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 |
| 4080 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 4169 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 |
| 6400 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 |
| 9600 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0016949 | 0.0016949 |
| 13120 | 0.0000000 | 0.0016949 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
Gráficas cualitativas y cuantitativas
Unidades por mes
ggplot(dplan2, aes(Mes,Unidades)) +
geom_bar(stat = "identity") +
scale_fill_brewer(palette = "Set2") + ggtitle("Unidades por mes") 
de acuerdo con el analisis, existe una instancia al rededor de cada
cuarto del año donde existe un pico relativo al numero de pedidos
programados para el mes, lo cual quiere decir que o bien, casualmente se
realizan pedidos en esas instancias dentro del periodo anual, o por
procedimientos adminstrativos estos datos son capturados al final de
cada cuarto y por consiguiente son representados de esta manera.
Pedidos por cliente
ggplot(dplan2, aes(x = Mes, y = Unidades, group = cliente)) +
geom_line()+
ggtitle("Pedidos por Cliente")
En este grafico se sigue con el tipo de tendencia en donde los pedidos
por cliente aumentan o disminuyen de acuerdo al cuarto del año; sin
embargo se pueden observar grupos de actividad en la grafica,
representando bloques bimestrales que se correlacionan con el insight
anterior. ### Gráfica cualitativa de Clientes
pie(table(dplan2$cliente))
En este grafico de pie se pueden visualizar los clientes, donde VARROC
es quien predomina casi el 50% de las figuraciones dentro de las base de
datos. Ahora bien, si es cierto que aparece más veces en la base de
datos, pero no necesamiamente es quien realiza pedidos más grandes o que
aporte en mayor cantidad a Form, sino que, aportando otra hipotesis,
sería valido decir que puede ser un cliente con pedidos pequeños pero
multiples a lo largo del periodo establecido.
Gráficos de disperción:
Gráfico de disperción 1
qqnorm(dplan2$Unidades, main="Grafica de dispersion", ylab="Pedidos programados",col='#FF7F24')
qqline(dplan2$Unidades, col='#FF7F24')
En este caso, se puede observar la dispercion de los pedidos
programados, donde se reafirma la hipotesis en donde hay una
concentración de pedidos en ciertos periodos, mientras qeue en otros
periodos son más aislados o bajan la recurrencia operativa en ese
sentido.
hist(dplan2$Unidades,main="Histograma",xlab="Delivery diference",col='#FF7F24')
Hallazgos: La mayoría de porcentaje de pedidos consta de menos de 1000 piezas
Tabla de estadisticas | Media, Mediana, Moda y Desviación Estandar
mea2 <- mean(dplan2$cliente)## Warning in mean.default(dplan2$cliente): argument is not numeric or logical:
## returning NAmed2 <- median(dplan2$cliente)## Warning in mean.default(sort(x, partial = half + 0L:1L)[half + 0L:1L]): argument
## is not numeric or logical: returning NAmoda2<- mfv(dplan2$cliente)
sd2 <- sd(dplan2$cliente, na.rm = TRUE)## Warning in var(if (is.vector(x) || is.factor(x)) x else as.double(x), na.rm =
## na.rm): NAs introduced by coercionmea3 <- mean(dplan2$Mes)## Warning in mean.default(dplan2$Mes): argument is not numeric or logical:
## returning NAmed3 <- median(dplan2$Mes)## Warning in mean.default(sort(x, partial = half + 0L:1L)[half + 0L:1L]): argument
## is not numeric or logical: returning NAmoda3 <- mfv(dplan2$Mes)
sd3 <- sd(dplan2$Mes, na.rm = TRUE)## Warning in var(if (is.vector(x) || is.factor(x)) x else as.double(x), na.rm =
## na.rm): NAs introduced by coercionmea4 <- mean(dplan2$Unidades)
med4 <- median(dplan2$Unidades)
moda4 <- mfv(dplan2$Unidades)
sd4 <- sd(dplan2$Unidades, na.rm = TRUE)Variables <-c("Cliente", "Mes", "Unidades")
Media <-c(mea2,mea3,mea4)
Mediana <-c(med2,med3,med4)
Moda <-c(moda2,moda3,moda4)
Desviacion <-c(sd2,sd3,sd4)
tabla2 <-data.frame(Variables, Media, Mediana, Moda, Desviacion)
knitr::kable(tabla2)| Variables | Media | Mediana | Moda | Desviacion |
|---|---|---|---|---|
| Cliente | NA | NA | VARROC | NA |
| Mes | NA | NA | H_ene_22 | NA |
| Unidades | 358.3729 | 80 | 60 | 1002.834 |
Bar plot adicional
ggplot(dplan2, aes(cliente,Unidades)) +
geom_bar(stat = "identity") +
scale_fill_brewer(palette = "Set1") + ggtitle("Unidades por mes") 
En este caso se muestra la cantidad de unidades por mes por cada
cliente; donde se puede dar a cuenta que en definitiva existen clientes
especificos los cuales requicitan de mayor demanda a Form que otros
clientes.
Scatter plot
plot(dplan2$Unidades, dplan2$Unidades, main = "Disperción de proporción de piezas programadas",
xlab = "Unidades", ylab = " ",
pch = 19, frame = FALSE)
Para este scatter plot, se puede identificar la tendencia en donde la
concentracion de pedidos pequeños es mayor que la de pedidos grandes,
donde en contexto relativo hay solo unos cuantos clientes que requieren
unidades/Cantidades grandes por parte de form. En otras palabras, Form
dada su capacidad y perfil de empresa, no deja de tener areas de
oportunidad en lo que respecta la produccion si desea crecer. ## Box
Plot
boxplot(dplan2$Unidades , vertical = TRUE)
Nuevamente se reafirma la hipotesis de que son pocos los clientes quienes realizan pedidos muy grandes en comparacion con los demás
Time series plot
plot(dplan2$Unidades, xlab = "Mes", ylab = "Kilos")
polygon(dplan2$Mes, col="green", border="black")## Warning in xy.coords(x, y, setLab = FALSE): NAs introduced by coercion
*Por un error desconocido, R no me permite ejecutar correctamente un time series plot, por lo que interpretaré la presente gráfica como si tuviera los atributos de una time series.
Hallazgos:
Delivery Performance
#file.choose()
dep <- read.csv("/Users/carlosgonzalez/Desktop/FORM - Delivery Performance.csv")Entender base de datos
summary(dep)## 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 Date
## 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. : 20.0000Numero de variables y registros presentes en la base de datos
str(dep)## '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 : num 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 ...
## $ Date : chr "02/01/22" "02/01/22" "02/01/22" "02/01/22" ...Actualmente existen 8 variables con 1440 registros respectivamente.
Limpieza de la base de base de datos
Eliminar variable inecesaria con la finalidad de trabajar unicamente con las que se utilicen para el ejercicio de alto impacto.
dep <-subset (dep, select =-c(Target)) Cambiar formato de caracter a fecha:
En este caso se pretende cambiar el formato, ya que la base de datos da estimados de entrega para los clientes y por consiguiente es imperativo que las fechas tengan el formato óptimo para el estudio y resultado deseado.
dep$Date <-as.Date(dep$Date,format ="%d/%m/%Y")
tibble(dep)## # A tibble: 1,440 × 7
## Cliente Vueltas Plan.arrival Real.arrival Real.depart…¹ Difer…² Date
## <chr> <int> <dbl> <dbl> <dbl> <dbl> <date>
## 1 "PRINTEL " 1 16 16 19.3 3.3 0022-01-02
## 2 "MAHLE" 1 8 8 8.55 0.55 0022-01-02
## 3 "MAHLE" 2 9 9 10 1 0022-01-02
## 4 "MAHLE" 3 20 20 21 1 0022-01-02
## 5 "MAGNA" 1 0 0 0 0 0022-01-02
## 6 "VARROC" 1 0 0 0 0 0022-01-02
## 7 "VARROC" 2 0 0 0 0 0022-01-02
## 8 "VARROC" 3 0 0 0 0 0022-01-02
## 9 "PRINTEL " 1 16 16 18.1 2.1 0022-01-03
## 10 "MAHLE" 1 8 8 9 1 0022-01-03
## # … with 1,430 more rows, and abbreviated variable names ¹Real.departure,
## # ²DiferenceIdentiificar valores faltantes | Verificar la existencia de NA’s o datos invalidos en la base de datos
sum(is.na(dep))## [1] 0Por variable
sapply(dep,function(x)sum(is.na(x)))## Cliente Vueltas Plan.arrival Real.arrival Real.departure
## 0 0 0 0 0
## Diference Date
## 0 0Borrar registros invalidos (NA’s)
dep <- na.omit(dep)
summary(dep)## Cliente Vueltas Plan.arrival Real.arrival
## Length:1440 Min. :1.00 Min. : 0.000 Min. : 0.000
## Class :character 1st Qu.:1.00 1st Qu.: 0.000 1st Qu.: 0.000
## Mode :character Median :1.50 Median : 4.000 Median : 0.000
## 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 Date
## Min. : 0.000 Min. :-14.3500 Min. :0022-01-02
## 1st Qu.: 0.000 1st Qu.: 0.0000 1st Qu.:0022-02-23
## Median : 0.000 Median : 0.0000 Median :0022-04-17
## Mean : 4.142 Mean : 0.3155 Mean :0022-04-16
## 3rd Qu.: 9.000 3rd Qu.: 0.8000 3rd Qu.:0022-06-08
## Max. :24.500 Max. : 20.0000 Max. :0022-07-23Variables y registros
str(dep)## 'data.frame': 1440 obs. of 7 variables:
## $ Cliente : chr "PRINTEL " "MAHLE" "MAHLE" "MAHLE" ...
## $ Vueltas : int 1 1 2 3 1 1 2 3 1 1 ...
## $ Plan.arrival : num 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 ...
## $ Date : Date, format: "0022-01-02" "0022-01-02" ...Tras la limpieza de datos, se finaliza la base de datos con 7 variables y 1440 registros respectivamente, con lo cual, se proseguirá a realizar el analisis de la misma.
Tabla de clasificación de variables
variables <- c("`Cliente`","`Vueltas`","`Plan.arrival`","`Real.arrival`","`Plan.departure`","`Diference`","`Date`")
tipos <- c("cualitativo ", "cuantitativo (discreto) ", "cuantitativo (continuo) ", "cuantitativo (continuo) ", "cuantitativo (continuo) ", "cuantitativo (continuo) ", "cualitativo ")
escalas <- c("nominal", "razon", "razon", "razon", "razon", "razon", "ordinal")
table1 <- data.frame (variables, tipos, escalas)
knitr::kable(table1)| variables | tipos | escalas |
|---|---|---|
Cliente
|
cualitativo | nominal |
Vueltas
|
cuantitativo (discreto) | razon |
Plan.arrival
|
cuantitativo (continuo) | razon |
Real.arrival
|
cuantitativo (continuo) | razon |
Plan.departure
|
cuantitativo (continuo) | razon |
Diference
|
cuantitativo (continuo) | razon |
Date
|
cualitativo | ordinal |
Tabla de frecuencia 1 | Cliente y plan arrival
proportion <- prop.table(table(dep$Cliente,dep$Plan.arrival))
proportion %>%
kbl() %>%
kable_styling()| 0 | 8 | 9 | 16 | 20 | |
|---|---|---|---|---|---|
| MAGNA | 0.125 | 0.000 | 0.000 | 0.000 | 0.000 |
| MAHLE | 0.000 | 0.125 | 0.125 | 0.000 | 0.125 |
| PRINTEL | 0.000 | 0.000 | 0.000 | 0.125 | 0.000 |
| VARROC | 0.375 | 0.000 | 0.000 | 0.000 | 0.000 |
En este caso se planteó realizar esta tabla de frecuencia, ya que nos indica la frecuencia de cada cliente en función de las fechas esperadas o programadas que se tienen. En este caso podemos ver que existen ciertos clientes que cuentan con mayor de esta frecuencia, relacionandose con no solo la importancia de cada cliente, sino con el % de participación en la operación de Form.
Tabla cruzada
location <- CrossTable(dep$Cliente, dep$Plan.arrival, prop.t=TRUE, prop.r=TRUE, prop.c=TRUE)##
##
## Cell Contents
## |-------------------------|
## | N |
## | Chi-square contribution |
## | N / Row Total |
## | N / Col Total |
## | N / Table Total |
## |-------------------------|
##
##
## Total Observations in Table: 1440
##
##
## | dep$Plan.arrival
## dep$Cliente | 0 | 8 | 9 | 16 | 20 | Row Total |
## -------------|-----------|-----------|-----------|-----------|-----------|-----------|
## MAGNA | 180 | 0 | 0 | 0 | 0 | 180 |
## | 90.000 | 22.500 | 22.500 | 22.500 | 22.500 | |
## | 1.000 | 0.000 | 0.000 | 0.000 | 0.000 | 0.125 |
## | 0.250 | 0.000 | 0.000 | 0.000 | 0.000 | |
## | 0.125 | 0.000 | 0.000 | 0.000 | 0.000 | |
## -------------|-----------|-----------|-----------|-----------|-----------|-----------|
## MAHLE | 0 | 180 | 180 | 0 | 180 | 540 |
## | 270.000 | 187.500 | 187.500 | 67.500 | 187.500 | |
## | 0.000 | 0.333 | 0.333 | 0.000 | 0.333 | 0.375 |
## | 0.000 | 1.000 | 1.000 | 0.000 | 1.000 | |
## | 0.000 | 0.125 | 0.125 | 0.000 | 0.125 | |
## -------------|-----------|-----------|-----------|-----------|-----------|-----------|
## PRINTEL | 0 | 0 | 0 | 180 | 0 | 180 |
## | 90.000 | 22.500 | 22.500 | 1102.500 | 22.500 | |
## | 0.000 | 0.000 | 0.000 | 1.000 | 0.000 | 0.125 |
## | 0.000 | 0.000 | 0.000 | 1.000 | 0.000 | |
## | 0.000 | 0.000 | 0.000 | 0.125 | 0.000 | |
## -------------|-----------|-----------|-----------|-----------|-----------|-----------|
## VARROC | 540 | 0 | 0 | 0 | 0 | 540 |
## | 270.000 | 67.500 | 67.500 | 67.500 | 67.500 | |
## | 1.000 | 0.000 | 0.000 | 0.000 | 0.000 | 0.375 |
## | 0.750 | 0.000 | 0.000 | 0.000 | 0.000 | |
## | 0.375 | 0.000 | 0.000 | 0.000 | 0.000 | |
## -------------|-----------|-----------|-----------|-----------|-----------|-----------|
## Column Total | 720 | 180 | 180 | 180 | 180 | 1440 |
## | 0.500 | 0.125 | 0.125 | 0.125 | 0.125 | |
## -------------|-----------|-----------|-----------|-----------|-----------|-----------|
##
## kbl(location) %>%
kable_classic()
|
|
|
|
Graficos cuantitativos y cualitativos
Grafico cuantitativo | Vueltas por cliente
ggplot(dep, aes(dep$Cliente,dep$Vueltas)) +
geom_bar(stat = "identity") +
scale_fill_brewer(palette = "Set2") + ggtitle("Vueltas por cliente") ## Warning: Use of `dep$Cliente` is discouraged. Use `Cliente` instead.## Warning: Use of `dep$Vueltas` is discouraged. Use `Vueltas` instead.
Grafico cuantitativo | Planes de llegada por cliente
ggplot(dep, aes(dep$Cliente,dep$Plan.arrival)) +
geom_bar(stat = "identity") +
scale_fill_brewer(palette = "Set2") + ggtitle("Planes de llegada por cliente") ## Warning: Use of `dep$Cliente` is discouraged. Use `Cliente` instead.## Warning: Use of `dep$Plan.arrival` is discouraged. Use `Plan.arrival` instead.
En este caso se puede inferir que existen dos clientes cuyos esfuerzos muestran mayor magnitud por parte de la productividad de Form, ya que de acuerdo con el grafico anterior, MAHLE y PRINTEL son los cientes quienes tiene mayor presencia en la agenda de la empresa.
Grafico cualitativo
pie(table(dep$Cliente))
En este caso, se muestran los clientes principales de Form, donde destaca inicialmente MAHLE y VARROC, donde de acuerdo con el grafico anterior, tienen mayor participación en las operaciones de Form.
Gráficos de dispersión
Delivery <- data.frame(dep$Cliente, dep$Plan.arrival, dep$Real.arrival, dep$Real.departure, dep$Date)
colnames(Delivery)<-c('Cliente', 'Plan.arrival', 'Real.arrival', 'Real.departure', 'Date')
Realarrival_boxplot = subset(Delivery, select =-c (Cliente, Date))
boxplot(Realarrival_boxplot,data=data,main="Entregas",
col=rainbow (ncol(trees)))
Con los boxplot anteriores, se puede dar a cuenta de que Form
generalmente hace sus entregas alrededor y dentro del margen
posiblemente aceptable, donde las fecha planeadas no se alejan tanto de
la realidad en función de la salida de la fabrica y la fecha de
llegada.
Histograma | Diferencia en días de planeado contra realizado
hist(dep$Diference,main="Diferencia en días de planeado contra realizado",xlab="Delivery diference",col='#FF7F24')
En este caso, tenemos un numero negativo, indicando que Form realiza entregas incluso antes de los esperado al cliente, aportando mayor valor dentro de su servicio. Por otra parte, existen ocasiones más escazas donde Form lleva a cabo las entrgas 5 días después. Analizado lo anterior, es importante generar una estrategia que permita a Form realizar las entregas el día establecido o incluso antes. Por otra parte, si se trata de retos técnicos que impidieron la entrega dentro del periodo estipulado, es necesario reforzar la realción con el cliente de alguna manera (descuento/producto gratis/logíastica/entrega a menor costo o gratuito, etc.)
Tabla de estadisticas | Media, Mediana, Moda y Desviación Estandar
moda <- function(x) {
ux <- unique(x)
ux[which.max(tabulate(match(x, ux)))]
}
mea2 <- mean(dep$Vueltas)
med2 <- median(dep$Vueltas)
moda2 <- moda(dep$Vueltas)
Moda1sd2 <- sd(dep$Vueltas, na.rm = TRUE)mea3 <- mean(dep$Cliente)## Warning in mean.default(dep$Cliente): argument is not numeric or logical:
## returning NAmed3 <- median(dep$Cliente)## Warning in mean.default(sort(x, partial = half + 0L:1L)[half + 0L:1L]): argument
## is not numeric or logical: returning NAmoda3 <- moda(dep$Cliente)
sd3 <- sd(dep$Cliente, na.rm = TRUE)## Warning in var(if (is.vector(x) || is.factor(x)) x else as.double(x), na.rm =
## na.rm): NAs introduced by coercionmea4 <- mean(dep$Diference)
med4 <- median(dep$Diference)
moda4 <- moda(dep$Diference)
sd4 <- sd(dep$Diference, na.rm = TRUE)mea5 <- mean(dep$Real.arrival)
med5 <- median(dep$Real.arrival)
moda5 <- moda(dep$Real.arrival)
sd5 <- sd(dep$Real.arrival, na.rm = TRUE)Variables <-c("Vueltas", "Cliente", "Diference", "Real_Arrival")
Media <-c(mea2,mea3,mea4, mea5)
Mediana <-c(med2,med3,med4, med5)
Moda <-c(moda2,moda3,moda4, moda5)
Desviacion <-c(sd2,sd3,sd4, sd5)
tabla2 <-data.frame(Variables, Media, Mediana, Moda, Desviacion)
knitr::kable(tabla2)| Variables | Media | Mediana | Moda | Desviacion |
|---|---|---|---|---|
| Vueltas | 1.750000 | 1.5 | 1 | NA |
| Cliente | NA | NA | MAHLE | NA |
| Diference | 0.315500 | 0.0 | 0 | 0.9218758 |
| Real_Arrival | 3.822792 | 0.0 | 0 | 6.5059024 |
Hallazgos:
Diagrama de dispersión
qqnorm(dep$Diference, main="Grafica de dispersion", ylab="Delivery diference",col='#FF7F24')
qqline(dep$Diference, col='#FF7F24')
Time series plot
ggplot(dep,aes(x= Date))+
geom_point(aes(y=Plan.arrival),color="#4169E1")+
geom_point(aes(y=Real.arrival),color="#FF7F24")+
labs(x="2022",y="Llegadas")+
ggtitle("Llegadas planeadas y reales de pedidos")
En esta serie de tiempo, se puede observar con claridad que existen ciertas concentraciones en febrero-marzo y junio-agosto donde hay variaciones que no necesariamente siguen los tiempo de llegada planeados, es decir, Form en ocasiones no tiene la capacidad operativa o de infraestructura para garantizar a un 100% que se realizarán entregas cuando lo indica inicialmente.
Producción
#file.choose()
prod <- read.csv("/Users/carlosgonzalez/Desktop/produccion.csv") Entender base de datos
summary(prod)## fecha no cliente id_form
## Length:5411 Min. : 1.00 Length:5411 Length:5411
## Class :character 1st Qu.: 23.00 Class :character Class :character
## Mode :character Median : 46.00 Mode :character Mode :character
## Mean : 48.55
## 3rd Qu.: 72.00
## Max. :121.00
##
## producto piezas_prog tiempo_minutos hora_fin
## Length:5411 Length:5411 Length:5411 Length:5411
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## estacion_arranque laminas_procesadas inicio_setup fin_inicio_su
## Length:5411 Length:5411 Length:5411 Length:5411
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## inicio_proceso fin_proceso tiempo_calidad tiempo_materiales
## Length:5411 Length:5411 Length:5411 Min. : 0.000
## Class :character Class :character Class :character 1st Qu.: 0.000
## Mode :character Mode :character Mode :character Median : 0.000
## Mean : 4.568
## 3rd Qu.: 6.000
## Max. :60.000
## NA's :5152
## merma
## Length:5411
## Class :character
## Mode :character
##
##
##
## Limpieza de base de datos | Producción
Limpieza #1 Eliminar columnas innecesarias para el estudio en cuestión
prod1 <- subset(prod,select = -c (no, id_form, producto, hora_fin, inicio_setup, fin_inicio_su, inicio_proceso, fin_proceso, tiempo_materiales, merma))
summary(prod1)## fecha cliente piezas_prog tiempo_minutos
## Length:5411 Length:5411 Length:5411 Length:5411
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
## estacion_arranque laminas_procesadas tiempo_calidad
## Length:5411 Length:5411 Length:5411
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :characterSe escogió este metodo de limpieza ya que mediante el presente, se tendrá la posibilidad de trabajar únicamente con las variables de alto impacto para nuestro estudio.
Limpieza #2 Formatear las variables
prod1$piezas_prog<-as.numeric(prod1$piezas_prog)## Warning: NAs introduced by coercionprod1$tiempo_minutos<-as.numeric(prod1$tiempo_minutos)## Warning: NAs introduced by coercionprod1$laminas_procesadas<-as.numeric(prod1$laminas_procesadas)## Warning: NAs introduced by coercionprod1$tiempo_calidad<-as.numeric(prod1$tiempo_calidad)## Warning: NAs introduced by coercionprod1$cliente<-as.factor(prod1$cliente)
prod1$estacion_arranque<-as.factor(prod1$estacion_arranque)
colSums(is.na(prod1))## fecha cliente piezas_prog tiempo_minutos
## 0 1 830 3332
## estacion_arranque laminas_procesadas tiempo_calidad
## 0 2208 2919Se empleó este metodo de limpieza, ya que la base de datos contaba con las variables con formato de caractér, lo cual no es lo óptimo para el posterior análisis. Esto contribuirá a la gorrecta visualización de los datos, los cuales de no contar con el formato correcto, R puede no hacer uso óptimo de los registros provenientes de la base de datos.
Reemplazar NA’s con el promedio
prod1<-prod1 %>% mutate(piezas_prog=ifelse(is.na(piezas_prog),median(piezas_prog,na.rm=T),piezas_prog))
prod1<-prod1 %>% mutate(tiempo_minutos=ifelse(is.na(tiempo_minutos),median(tiempo_minutos,na.rm=T),tiempo_minutos))
prod1<-prod1 %>% mutate(laminas_procesadas=ifelse(is.na(laminas_procesadas),median(laminas_procesadas,na.rm=T),laminas_procesadas))
prod1<-prod1 %>% mutate(tiempo_calidad=ifelse(is.na(tiempo_calidad),median(tiempo_calidad,na.rm=T),tiempo_calidad))Variables y registros presentes en la base de datos de Producción
str(prod1)## 'data.frame': 5411 obs. of 7 variables:
## $ fecha : chr "15/07/2022" "15/07/2022" "15/07/2022" "15/07/2022" ...
## $ cliente : Factor w/ 13 levels "","DENSO","HANON SYSTEMS",..: 6 6 6 6 13 9 6 13 13 13 ...
## $ piezas_prog : num 200 100 216 100 20 200 100 12 32 500 ...
## $ tiempo_minutos : num 20 15 20 10 10 20 10 10 10 60 ...
## $ estacion_arranque : Factor w/ 356 levels "","0","1","10",..: 324 324 324 324 324 324 326 326 326 329 ...
## $ laminas_procesadas: num 402 134 110 100 51 402 22 13 33 11 ...
## $ tiempo_calidad : num 1 1 1 1 1 1 1 1 1 2 ...En este caso, se tienen 7 variables con 5411 registros respectivamente.
Clasificación de variables y escala de medición | Formato tabla
#summary(prod1)
variables <- c("`fecha`","`cliente`","`piezas_prog`","`tiempo_minutos`","`estacion_arranque`","`laminas_procesadas`","`tiempo_calidad`")
tipos <- c("cualitativo ", "Cualitativo", "cuantitativo (continuo) ", "cuantitativo (continuo) ", "cualitativo (continuo) ", "cuantitativo (continuo) ", "cualitativo")
escalas <- c("razon", "nominal", "razón", "razon", "nominal", "razon", "razon")
table1 <- data.frame (variables, tipos, escalas)
knitr::kable(table1)| variables | tipos | escalas |
|---|---|---|
fecha
|
cualitativo | razon |
cliente
|
Cualitativo | nominal |
piezas_prog
|
cuantitativo (continuo) | razón |
tiempo_minutos
|
cuantitativo (continuo) | razon |
estacion_arranque
|
cualitativo (continuo) | nominal |
laminas_procesadas
|
cuantitativo (continuo) | razon |
tiempo_calidad
|
cualitativo | razon |
2 Tablas de frecuencia
Tabla de frecuencia Tiempo de Calidad por cliente.
proportion <- prop.table(table(prod1$cliente,prod1$tiempo_calidad))
proportion %>%
kbl() %>%
kable_styling()| 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 | 16 | 20 | 21 | 22 | 23 | 30 | 32 | 33 | 36 | 39 | 48 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0.0029575 | 0.0048059 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | |
| DENSO | 0.0110906 | 0.0839187 | 0.0009242 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| HANON SYSTEMS | 0.0000000 | 0.0029575 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| HELLA | 0.0033272 | 0.0182994 | 0.0001848 | 0.0001848 | 0.0000000 | 0.0001848 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| MERIDIAN LIGHTWEIGHT | 0.0044362 | 0.0144177 | 0.0016636 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| STABILUS 1 | 0.0399261 | 0.2539741 | 0.0029575 | 0.0009242 | 0.0007394 | 0.0003697 | 0.0005545 | 0.0003697 | 0.0003697 | 0.0003697 | 0.0009242 | 0.0001848 | 0.0001848 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| STABILUS 3 | 0.0258780 | 0.1353050 | 0.0020333 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0001848 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| STABILUS 3. | 0.0009242 | 0.0057301 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| TRMX | 0.0277264 | 0.1495379 | 0.0022181 | 0.0007394 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0003697 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| VARROC | 0.0086876 | 0.0582255 | 0.0016636 | 0.0003697 | 0.0007394 | 0.0001848 | 0.0005545 | 0.0003697 | 0.0005545 | 0.0003697 | 0.0000000 | 0.0001848 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0001848 | 0.0001848 |
| VL-017-13939 | 0.0001848 | 0.0005545 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| VL-017-14086 | 0.0001848 | 0.0003697 | 0.0005545 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| YANFENG | 0.0192237 | 0.0900185 | 0.0031423 | 0.0024030 | 0.0005545 | 0.0005545 | 0.0007394 | 0.0000000 | 0.0000000 | 0.0005545 | 0.0005545 | 0.0005545 | 0.0003697 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 |
Tabla de frecuencia #2
Tiempo de calidad dedicado por numero de piezas.
proportion <- prop.table(table(prod1$tiempo_calidad,prod1$piezas_prog))
proportion %>%
kbl() %>%
kable_styling()| 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 12 | 14 | 15 | 16 | 17 | 18 | 20 | 21 | 22 | 23 | 24 | 25 | 26 | 27 | 28 | 30 | 31 | 32 | 33 | 34 | 35 | 36 | 38 | 40 | 41 | 42 | 44 | 45 | 46 | 48 | 50 | 52 | 53 | 54 | 55 | 56 | 57 | 59 | 60 | 62 | 63 | 64 | 65 | 68 | 69 | 70 | 71 | 72 | 74 | 75 | 76 | 78 | 80 | 86 | 88 | 90 | 91 | 96 | 98 | 99 | 100 | 104 | 105 | 108 | 112 | 114 | 116 | 119 | 120 | 122 | 125 | 126 | 134 | 138 | 140 | 142 | 144 | 150 | 152 | 155 | 156 | 157 | 160 | 168 | 170 | 178 | 180 | 192 | 194 | 197 | 199 | 200 | 201 | 208 | 210 | 211 | 214 | 216 | 224 | 225 | 231 | 238 | 240 | 248 | 250 | 256 | 258 | 270 | 288 | 290 | 298 | 299 | 300 | 308 | 320 | 350 | 355 | 360 | 370 | 375 | 384 | 400 | 408 | 410 | 420 | 450 | 456 | 483 | 496 | 500 | 510 | 574 | 600 | 620 | 700 | 800 | 900 | 912 | 1000 | 1500 | 1600 | 2000 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 0.0009240 | 0.0000000 | 0.0001848 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0007392 | 0.0001848 | 0.0029569 | 0.0001848 | 0.0000000 | 0.0009240 | 0.0000000 | 0.000000 | 0.0007392 | 0.0033266 | 0.0000000 | 0.0005544 | 0.0001848 | 0.0001848 | 0.0079468 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0007392 | 0.0000000 | 0.0009240 | 0.0000000 | 0.0000000 | 0.0005544 | 0.000000 | 0.0000000 | 0.0011089 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0001848 | 0.0000000 | 0.0001848 | 0.0040658 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0449085 | 0.0000000 | 0.0000000 | 0.0007392 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0003696 | 0.0000000 | 0.0011089 | 0.0000000 | 0.000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0014785 | 0.0000000 | 0.0001848 | 0.0138607 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0001848 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0040658 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0001848 | 0.0005544 | 0.0003696 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0005544 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0012937 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0186657 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0005544 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0011089 | 0.0000000 | 0.0007392 | 0.0001848 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0012937 | 0.0000000 | 0.0003696 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0005544 | 0.0000000 | 0.0000000 | 0.0133062 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0001848 | 0.0001848 | 0.0000000 | 0.0007392 | 0.0000000 | 0.0000000 | 0.0024025 | 0.0001848 | 0.0000000 | 0.0014785 | 0.0001848 | 0.0000000 | 0.0012937 | 0.0000000 | 0.0001848 | 0.0001848 |
| 1 | 0.0049898 | 0.0005544 | 0.0000000 | 0.0009240 | 0.0011089 | 0.0009240 | 0.0011089 | 0.0001848 | 0.0007392 | 0.0005544 | 0.0689337 | 0.0011089 | 0.0005544 | 0.0515616 | 0.0016633 | 0.000924 | 0.0020329 | 0.0535945 | 0.0001848 | 0.0001848 | 0.0003696 | 0.0011089 | 0.0827943 | 0.0005544 | 0.0005544 | 0.0001848 | 0.0134910 | 0.0005544 | 0.0027721 | 0.0001848 | 0.0005544 | 0.0092404 | 0.003881 | 0.0003696 | 0.0175568 | 0.0005544 | 0.0001848 | 0.0005544 | 0.0024025 | 0.0001848 | 0.0016633 | 0.0399187 | 0.0007392 | 0.0001848 | 0.0001848 | 0.0001848 | 0.0007392 | 0.0003696 | 0.0001848 | 0.1232674 | 0.0025873 | 0.0003696 | 0.0007392 | 0.0001848 | 0.0001848 | 0.0024025 | 0.0020329 | 0.0001848 | 0.0011089 | 0.0001848 | 0.000924 | 0.0005544 | 0.0003696 | 0.0011089 | 0.0005544 | 0.0003696 | 0.0011089 | 0.0001848 | 0.0101645 | 0.0001848 | 0.0003696 | 0.0748475 | 0.0005544 | 0.0001848 | 0.0018481 | 0.0011089 | 0.0000000 | 0.0001848 | 0.0003696 | 0.0170024 | 0.0001848 | 0.0003696 | 0.0012937 | 0.0007392 | 0.0000000 | 0.0003696 | 0.0000000 | 0.0022177 | 0.0025873 | 0.0001848 | 0.0001848 | 0.0014785 | 0.0001848 | 0.0011089 | 0.0033266 | 0.0005544 | 0.0001848 | 0.0024025 | 0.0046202 | 0.0001848 | 0.0001848 | 0.0007392 | 0.0929588 | 0.0001848 | 0.0007392 | 0.0000000 | 0.0005544 | 0.0000000 | 0.0031417 | 0.0005544 | 0.0001848 | 0.0001848 | 0.0001848 | 0.0081316 | 0.0003696 | 0.0011089 | 0.0000000 | 0.0001848 | 0.0001848 | 0.0003696 | 0.0000000 | 0.0003696 | 0.0001848 | 0.0127518 | 0.0001848 | 0.0009240 | 0.0001848 | 0.0001848 | 0.0024025 | 0.0025873 | 0.0005544 | 0.0003696 | 0.0247644 | 0.0001848 | 0.0005544 | 0.0007392 | 0.0001848 | 0.0003696 | 0.0005544 | 0.0003696 | 0.0035114 | 0.0001848 | 0.0001848 | 0.0064683 | 0.0009240 | 0.0001848 | 0.0048050 | 0.0003696 | 0.0003696 | 0.0009240 | 0.0001848 | 0.0001848 | 0.0000000 |
| 2 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0003696 | 0.0000000 | 0.0000000 | 0.0003696 | 0.0003696 | 0.000000 | 0.0000000 | 0.0007392 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0003696 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0003696 | 0.000000 | 0.0000000 | 0.0003696 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0003696 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0003696 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0005544 | 0.0001848 | 0.0000000 | 0.0033266 | 0.0001848 | 0.0000000 | 0.0003696 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0003696 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0020329 | 0.0000000 | 0.0003696 | 0.0001848 | 0.0000000 | 0.0001848 | 0.0003696 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0003696 | 0.0003696 | 0.0000000 | 0.0005544 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0005544 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 3 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0007392 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0001848 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0003696 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0007392 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0003696 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0003696 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 4 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0005544 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0003696 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0003696 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 5 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0003696 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 6 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0009240 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.000000 | 0.0000000 | 0.0003696 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 7 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0003696 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 8 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0003696 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 9 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0005544 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 10 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0014785 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 11 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0005544 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 12 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0007392 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 13 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0003696 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 14 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 15 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 16 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 20 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 21 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 22 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 23 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 30 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 32 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 33 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 36 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 39 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| 48 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
Gráficos cualitativos y cuantitativos
Gráfica de barras laminas procesadas por cliente
sss <- aggregate(laminas_procesadas ~ cliente, data = prod1, FUN=sum)
ss <- aggregate(laminas_procesadas ~ cliente, data = prod1, FUN=mean)
as.matrix(ss$laminas_procesadas)## [,1]
## [1,] 10.72093
## [2,] 28.29065
## [3,] 60.12500
## [4,] 41.19418
## [5,] 13.71696
## [6,] 56.65153
## [7,] 46.86364
## [8,] 118.19086
## [9,] 39.77853
## [10,] 45.38937
## [11,] 274.25000
## [12,] 120.16667
## [13,] 61.10280as.matrix(ss$laminas_procesadas)## [,1]
## [1,] 10.72093
## [2,] 28.29065
## [3,] 60.12500
## [4,] 41.19418
## [5,] 13.71696
## [6,] 56.65153
## [7,] 46.86364
## [8,] 118.19086
## [9,] 39.77853
## [10,] 45.38937
## [11,] 274.25000
## [12,] 120.16667
## [13,] 61.10280data <- data.frame(
name = sss$cliente,
average = ss$laminas_procesadas,
number = sss$laminas_procesadas
)
my_bar <- barplot(height=data$number, names=data$name)
En este caso se puede sustentar que Form destina una parte fuerte de sus
operaciones a los clientes de STABIULUS 3, TRMX, VL y Denso. En otras
palabras, La mayor parte de producción es destinada a estos
clientes.
summary(prod1)## fecha cliente piezas_prog tiempo_minutos
## Length:5411 STABILUS 1:1635 Min. : 0.0 Min. : 0.3854
## Class :character TRMX : 981 1st Qu.: 25.0 1st Qu.: 20.0000
## Mode :character STABILUS 3: 887 Median : 60.0 Median : 20.0000
## YANFENG : 646 Mean : 111.9 Mean : 21.1835
## DENSO : 524 3rd Qu.: 150.0 3rd Qu.: 20.0000
## (Other) : 737 Max. :2000.0 Max. :150.0000
## NA's : 1
## estacion_arranque laminas_procesadas tiempo_calidad
## : 546 Min. : 0.00 Min. : 0.000
## 0 : 478 1st Qu.: 0.00 1st Qu.: 1.000
## TROQUEL : 422 Median : 11.00 Median : 1.000
## CAJAS : 331 Mean : 47.98 Mean : 1.046
## ROTATIVA: 270 3rd Qu.: 28.50 3rd Qu.: 1.000
## C3 : 263 Max. :1263.00 Max. :48.000
## (Other) :3101ggplot(prod1, aes(cliente,tiempo_calidad)) +
geom_bar(stat = "identity") +
scale_fill_brewer(palette = "Set2") + ggtitle("TIEMPO INVERTIDO DE CALIDAD POR CLIENTE") 
En este caso, se puede identificar el comportamiento operativo de FORM,
donde evidentemente se le invierte tiempo de calidad más fuerte a
clientes que demandan más pedidos por parte de form; Queriendo decir que
entre mayor sea la demanda del cliente, mayor será el tiempo de calidad
invertido respectivamente.
Gráfica cualitativa
pie(table(prod1$cliente))
En este caso, se pueden identificar los clientes que aparecen más en la
base de datos de Form. Ahora bien, esto no significa que sean los
clientes que contribuyen en mayor medida a la operación, ni mucho menos
a los ingresos de Form, sin embargo es imperativo tomar en cuenta que al
aparecer en esta grafica, significa que muy probablemente hacen muchos
pedidos, pero no necesariamente que demanden muchas piezas.
Gráficas de disperción
plot(prod1$piezas_prog,prod1$laminas_procesadas, col="red", xlab="Laminas Programadas",ylab="Laminas Procesadas")
En este caso, se puede identificar que la gran parte de la actividad de form en lo que respecta su productividad en función de la producción programada es que sus pedidos se constituyen en su mayoría por pedidos relativamente pequeños.
Gráfica de disperción
plot(prod1$laminas_procesadas,prod1$tiempo_minutos, col="blue", xlab="Laminas Programadas",ylab="Laminas Procesadas")
Tabla de estadisticos
Se utilizarán las variables más útiles para el estudio.
moda <- function(x) {
ux <- unique(x)
ux[which.max(tabulate(match(x, ux)))]
}
mea2 <- mean(prod1$fecha)## Warning in mean.default(prod1$fecha): argument is not numeric or logical:
## returning NAmed2 <- median(prod1$fecha)
moda2 <- moda(prod1$fecha)
sd2 <- sd(prod$fecha, na.rm = TRUE)## Warning in var(if (is.vector(x) || is.factor(x)) x else as.double(x), na.rm =
## na.rm): NAs introduced by coercionmea3 <- mean(prod1$piezas_prog)
med3 <- median(prod1$piezas_prog)
moda3 <- moda(prod1$piezas_prog)
sd3 <- sd(prod1$piezas_prog, na.rm = TRUE)mea4 <- mean(prod1$tiempo_minutos)
med4 <- median(prod1$tiempo_minutos)
moda4 <- moda(prod1$tiempo_minutos)
sd4 <- sd(prod1$tiempo_minutos, na.rm = TRUE)mea5 <- mean(prod1$laminas_procesadas)
med5 <- median(prod1$laminas_procesadas)
moda5 <- moda(prod1$laminas_procesadas)
sd5 <- sd(prod1$Real.arrival, na.rm = TRUE)Variables <-c("fecha", "piezas_prog", "tiempo_minutos", "laminas_procesadas")
Media <-c(mea2,mea3,mea4, mea5)
Mediana <-c(med2,med3,med4, med5)
Moda <-c(moda2,moda3,moda4, moda5)
Desviacion <-c(sd2,sd3,sd4, sd5)
tabla2 <-data.frame(Variables, Media, Mediana, Moda, Desviacion)
knitr::kable(tabla2)| Variables | Media | Mediana | Moda | Desviacion |
|---|---|---|---|---|
| fecha | NA | 16/08/2022 | 08/09/2022 | NA |
| piezas_prog | 111.94678 | 60 | 60 | 143.379386 |
| tiempo_minutos | 21.18350 | 20 | 20 | 9.447922 |
| laminas_procesadas | 47.98421 | 11 | 11 | NA |
Barplotsy dispercion plots presentados anteriormente.
Time series plot
plot(prod1$piezas_prog, xlab = "Tiempo", ylab = "Piezas programadas")
polygon(prod1$tiempo_calidad, col="green", border="black") 
*Como se especificó anteriormente, se desconoce la razoón por la cual mi
computadora no corre la time plot correctamente, sin embargo me gustaría
interpretar la gráfica que me genera el código.
En este caso, se puede interpretar que el numero de instancias donde se programan mayores nuemeros de pedidos de piezas es durante el penultimo cuarto del año, así como principios del siguiente año, mientras que a mediados del año presente existe una cantidad estable de pedidos programados y por consiguiente podemos concluir que Form emplea mayor producción en estos periodos del año y por lo tanto podemos asumir y sustentar que es cuando generan mayor parte de los ingresos.
Merma
#file.choose()
merma <- read.csv("/Users/carlosgonzalez/Desktop/FORM - Merma1.csv")Limpiar base de datos
Eliminar datos NA
sum(is.na(merma))## [1] 0En este caso se considera importante corroborar que no existan datos invalidos como NA’s en la base de datos para que en dado caso, se reemplacen por 0’s
Variables y registros
str(merma)## 'data.frame': 9 obs. of 2 variables:
## $ Mes : chr "ENERO" "FEBRERO" "Total MARZO" "Total ABRIL" ...
## $ Kilos: int 14560 22830 22470 18820 23410 18280 19370 32100 13586Por otra parte, no se percibe que la base de datos requiera de mayor limpieza, ya que cuenta con solo dos variables y 9 registros que correponden a los meses
Clasificación de variables
variables <- c("`Mes`","`Kilos`")
tipos <- c("cualitativo ", "cuantitativo (discreto)")
escalas <- c("ordinal", "razón")
table1 <- data.frame (variables, tipos, escalas)
knitr::kable(table1)| variables | tipos | escalas |
|---|---|---|
Mes
|
cualitativo | ordinal |
Kilos
|
cuantitativo (discreto) | razón |
#Tabla de frecuencia
proportion <- prop.table(table(merma$Mes,merma$Kilos))
proportion %>%
kbl() %>%
kable_styling()| 13586 | 14560 | 18280 | 18820 | 19370 | 22470 | 22830 | 23410 | 32100 | |
|---|---|---|---|---|---|---|---|---|---|
| ENERO | 0.0000000 | 0.1111111 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| FEBRERO | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.1111111 | 0.0000000 | 0.0000000 |
| Total ABRIL | 0.0000000 | 0.0000000 | 0.0000000 | 0.1111111 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| Total AGOSTO | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.1111111 |
| Total JULIO | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.1111111 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| Total JUNIO | 0.0000000 | 0.0000000 | 0.1111111 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| Total MARZO | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.1111111 | 0.0000000 | 0.0000000 | 0.0000000 |
| Total MAYO | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.1111111 | 0.0000000 |
| Total SEPTIEMBRE | 0.1111111 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
Para el caso de la tabla anterior, se puede identificar que existe mayor concentración de merma alrededor de agosto y principios de año.
ggplot(merma, aes(Mes,Kilos)) +
geom_bar(stat = "identity") +
scale_fill_brewer(palette = "Set2") + ggtitle("Kilos por mes") 
Como se puede visualizar y corroborar, mediante esta gráfica se puede
dar a cuenta de que efectivamente, los meses con mayor producción de
merma durante el periodo proporcionado es el mes de agosto. Sin embargo,
se considera valioso poner sobre la mesa que existe un mes pico cada
cuarto (Q) del año con una mayor concentración en el ultimo mes del 2do
cuarto y un aumento considerable a principios del primer cuarto. Esto
nos dice que de acuerdo a la producción a partir de los pedidos
programados, los cuales coinciden con la hipotesis propuesta, da razón a
que sobretodo en agosto se produzcan mayores desperdicios dada la
operación.
summary(merma)## Mes Kilos
## Length:9 Min. :13586
## Class :character 1st Qu.:18280
## Mode :character Median :19370
## Mean :20603
## 3rd Qu.:22830
## Max. :32100moda <- function(x) {
ux <- unique(x)
ux[which.max(tabulate(match(x, ux)))]
} mea1 <- mean(merma$Kilos)
med1 <- median(merma$Kilos)
moda1 <- moda(merma$Kilos)
sd1 <- sd(merma$Kilos, na.rm = TRUE)Variables <-c("Kilos")
Media <-c(mea1)
Mediana <-c(med1)
Moda <-c(moda1)
Desviacion <-c(sd1)
tabla2 <-data.frame(Variables, Media, Mediana, Moda, Desviacion)
knitr::kable(tabla2)| Variables | Media | Mediana | Moda | Desviacion |
|---|---|---|---|---|
| Kilos | 20602.89 | 19370 | 14560 | 5526.723 |
Variables Media Mediana Moda Desviacion Cantidad 20602.89 19370 1 5526.723 Para este caso se tiene que el promedio de merma generado es de 20,602kg ## Box plot
boxplot(merma$Kilos , vertical = TRUE)
Con el box plot anterior se puede identificar que por lo general los
kilos que se generan provenientes de la materia prima es de entre 150K -
250K, lo cual es importante para saber el rango en el que se puede
operar para deasrrollar una propuesta en lo que respecta el seguimiento
de esta materia sobrante.
hist(merma$Kilos,main="Rango de kilos producidos",xlab="Kilos producidos",col='#FF7F24')
Con este histograma se puede dar a cuenta de que la inmensa mayoría de
las cantidades en el contexto de desperdicios se encuentra concentrada
dentro de un rango de entre 150,000 - 250,000 kilos, lo cual se
considera información de valor ya que es importante tomarse en cuenta
para identificar posibles usos del material sobrante.
plot(merma$Kilos, xlab = "Mes", ylab = "Kilos")
polygon(merma$Kilos, col="green", border="black")
*La función de time series plot no me permite emplear colores a las
lineas para la grafica. En nueva cuenta, se puede identificar que
durante el mes 8 (agosto) es cuando hay un pico maximo del periodo
total, sin embargo, y de igual manera, se tienen elementos para
argumentar que cada cuarto del mes existe un pico; eso si, con mayor
pronunciacion y comportamiento alcista durante el mes de agosto.
Scrap
#file.choose()
scrap <- read.csv("/Users/carlosgonzalez/Desktop/FORM _Scrap_Ev2_No_Limpia.csv")Limpieza de base de datos
Eliminar datos NA
sum(is.na(scrap))## [1] 0No se registran datos de este tipo en la base de datos.
Asignar formato òptimo a la fecha dentro de la base de datos
scr1 <- scrap
scr1$Fecha <- as.Date(scr1$Fecha, format = "%d/%m/%Y")
summary(scr1)## Referencia Fecha Producto Cantidad
## Length:250 Min. :2022-08-01 Length:250 Min. : 0.000
## Class :character 1st Qu.:2022-08-11 Class :character 1st Qu.: 1.000
## Mode :character Median :2022-08-19 Mode :character Median : 2.000
## Mean :2022-08-17 Mean : 6.696
## 3rd Qu.:2022-08-25 3rd Qu.: 7.000
## Max. :2022-08-31 Max. :96.000
## Unidad.de.medida Ubicación.de.origen Ubicación.de.desecho Estado
## Length:250 Length:250 Length:250 Length:250
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
## Con esta limpieza se pretende ajustar el formato correcto de la fecha para posteriores visualizaciones.
Variables y registros
str(scr1)## 'data.frame': 250 obs. of 8 variables:
## $ Referencia : chr "SP/08731" "SP/08730" "SP/08729" "SP/08728" ...
## $ Fecha : Date, format: "2022-08-31" "2022-08-31" ...
## $ 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" ...Clasificación de variables
summary(scr1)## Referencia Fecha Producto Cantidad
## Length:250 Min. :2022-08-01 Length:250 Min. : 0.000
## Class :character 1st Qu.:2022-08-11 Class :character 1st Qu.: 1.000
## Mode :character Median :2022-08-19 Mode :character Median : 2.000
## Mean :2022-08-17 Mean : 6.696
## 3rd Qu.:2022-08-25 3rd Qu.: 7.000
## Max. :2022-08-31 Max. :96.000
## Unidad.de.medida Ubicación.de.origen Ubicación.de.desecho Estado
## Length:250 Length:250 Length:250 Length:250
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
## variables <- c("`Referencia`","`Fecha`","`Producto`","`Cantidad`","`Unidad.de.medida`","`Ubicación.de.origen`","`Ubicación.de.desecho`", "`Estado`")
tipos <- c("cualitativo ", "Cualitativo", "Cualitativo", "cuantitativo (continuo) ", "cualitativo", "cualitativo", "cualitativo", "`cualitativo`")
escalas <- c("nominal", "ordinal", "nominal", "razon", "nominal", "nominal", "nominal", "nominal")
table1 <- data.frame (variables, tipos, escalas)
knitr::kable(table1)| variables | tipos | escalas |
|---|---|---|
Referencia
|
cualitativo | nominal |
Fecha
|
Cualitativo | ordinal |
Producto
|
Cualitativo | nominal |
Cantidad
|
cuantitativo (continuo) | razon |
Unidad.de.medida
|
cualitativo | nominal |
Ubicación.de.origen
|
cualitativo | nominal |
Ubicación.de.desecho
|
cualitativo | nominal |
Estado
|
cualitativo
|
nominal |
Tabla de frecuencia
proportion <- prop.table(table(prod1$cliente,prod1$tiempo_calidad))
proportion %>%
kbl() %>%
kable_styling()| 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 | 16 | 20 | 21 | 22 | 23 | 30 | 32 | 33 | 36 | 39 | 48 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0.0029575 | 0.0048059 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | |
| DENSO | 0.0110906 | 0.0839187 | 0.0009242 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| HANON SYSTEMS | 0.0000000 | 0.0029575 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| HELLA | 0.0033272 | 0.0182994 | 0.0001848 | 0.0001848 | 0.0000000 | 0.0001848 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| MERIDIAN LIGHTWEIGHT | 0.0044362 | 0.0144177 | 0.0016636 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| STABILUS 1 | 0.0399261 | 0.2539741 | 0.0029575 | 0.0009242 | 0.0007394 | 0.0003697 | 0.0005545 | 0.0003697 | 0.0003697 | 0.0003697 | 0.0009242 | 0.0001848 | 0.0001848 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| STABILUS 3 | 0.0258780 | 0.1353050 | 0.0020333 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0001848 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| STABILUS 3. | 0.0009242 | 0.0057301 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| TRMX | 0.0277264 | 0.1495379 | 0.0022181 | 0.0007394 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0003697 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| VARROC | 0.0086876 | 0.0582255 | 0.0016636 | 0.0003697 | 0.0007394 | 0.0001848 | 0.0005545 | 0.0003697 | 0.0005545 | 0.0003697 | 0.0000000 | 0.0001848 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0001848 | 0.0001848 |
| VL-017-13939 | 0.0001848 | 0.0005545 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| VL-017-14086 | 0.0001848 | 0.0003697 | 0.0005545 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| YANFENG | 0.0192237 | 0.0900185 | 0.0031423 | 0.0024030 | 0.0005545 | 0.0005545 | 0.0007394 | 0.0000000 | 0.0000000 | 0.0005545 | 0.0005545 | 0.0005545 | 0.0003697 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0001848 | 0.0001848 | 0.0000000 | 0.0000000 | 0.0000000 |
Datos estadísticos
Se tomó en cuenta que la unica variable de impacto para el estudio es la de cantidad, ya que se trata de la unica la cual es cuantitativa.
moda <- function(x) {
ux <- unique(x)
ux[which.max(tabulate(match(x, ux)))]
}
mea1 <- mean(scr1$Cantidad)mea1 <- mean(scr1$Cantidad)
med1 <- median(scr1$Cantidad)
moda1 <- moda(scr1$Cantidad)
sd1 <- sd(scr1$Cantidad, na.rm = TRUE)Variable <- c("Cantidad")
Promedio <- c("6.726")
Moda <- c("1")
Mediana <- c("2")
Varianza <- c("140.747")
Desviación_Estándar <- c("11.863")
tabla <-data.frame(Variable,Promedio, Moda, Mediana, Varianza, Desviación_Estándar)
knitr::kable(tabla)| Variable | Promedio | Moda | Mediana | Varianza | Desviación_Estándar |
|---|---|---|---|---|---|
| Cantidad | 6.726 | 1 | 2 | 140.747 | 11.863 |
Variables Media Mediana Moda Desviacion
En este caso se puede analizar que en lo que respecta la cantidad, hay una media de entre 6 y 7 piezas por orden; sin embargo, como se ha mencionado anteriormente durante el documento, la mayor parte de la producción de form es en cantidades pequeñas y por consiguiente tiene sentido que la moda sea de 1.
Tabla de frecuencia
Gráficas cuantitativas y cualitativas
summary(scr1)## Referencia Fecha Producto Cantidad
## Length:250 Min. :2022-08-01 Length:250 Min. : 0.000
## Class :character 1st Qu.:2022-08-11 Class :character 1st Qu.: 1.000
## Mode :character Median :2022-08-19 Mode :character Median : 2.000
## Mean :2022-08-17 Mean : 6.696
## 3rd Qu.:2022-08-25 3rd Qu.: 7.000
## Max. :2022-08-31 Max. :96.000
## Unidad.de.medida Ubicación.de.origen Ubicación.de.desecho Estado
## Length:250 Length:250 Length:250 Length:250
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
## ggplot(scr1, aes(Producto,Cantidad)) +
geom_bar(stat = "identity") +
scale_fill_brewer(palette = "Set2") + ggtitle("Unidades por mes") 
Hallazgo: Posterior al desarrollo de esta grafica, se puede dat a cuenta
de que Form tiene una amplia variedad de productos, sin embargo existen
unos cuantos (cantidad considerable) la cual se sustenta son productos
populares o de alta demanda durante los pedidos.
Cualiativa
pie(table(scr1$Ubicación.de.origen))
En este caso, se puede identificar la distribución de los productos de los pedidos en sus respectivas etapas. En primera instancia se identifica que en su gran mayoría se tiene una tendencia a que los productos pasen por la etapa de pre-production (lo cual tiene sentido ya que es la etapa de preparacion o previa a desarrollar el producto. etapa de planeación por parte del equipo de TI)
Diagrama de dispersion
summary(scr1)## Referencia Fecha Producto Cantidad
## Length:250 Min. :2022-08-01 Length:250 Min. : 0.000
## Class :character 1st Qu.:2022-08-11 Class :character 1st Qu.: 1.000
## Mode :character Median :2022-08-19 Mode :character Median : 2.000
## Mean :2022-08-17 Mean : 6.696
## 3rd Qu.:2022-08-25 3rd Qu.: 7.000
## Max. :2022-08-31 Max. :96.000
## Unidad.de.medida Ubicación.de.origen Ubicación.de.desecho Estado
## Length:250 Length:250 Length:250 Length:250
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
## ggplot(scr1, aes(x=Fecha, y=Cantidad, colour=Ubicación.de.origen)) + geom_point()
En este caso se tiene un insight que en lo personal considero bastante curioso, ya que en primera instancia podemos observar como es que los pedidos con más de 25 unidades siempre están en pre-producción, por otro lado, Post producción y entrega de PT están en órdenes menores de 25 unidades. Lo cual significa que Form batalla un poco más con pedidos más grandes y por consiguiente, se considera que valdría la pena indagar en sus procesos internos para evaluar elementos a eficientizar.
PREDICCIÓN
Predicción del Desempeño de la Industria Automotriz USA
#file.choose()
PREDUSA <- read.csv("/Users/carlosgonzalez/Desktop/Base EUA nueva.csv")
library(forecast)## Registered S3 method overwritten by 'quantmod':
## method from
## as.zoo.data.frame zoo## Registered S3 method overwritten by 'forecast':
## method from
## predict.default statip##
## Attaching package: 'forecast'## The following object is masked from 'package:modeest':
##
## naivesummary(PREDUSA)## Year Production Sales Inflacion
## Length:21 Min. : 5710 Min. : 7868 Min. :-0.360
## Class :character 1st Qu.:10336 1st Qu.:11582 1st Qu.: 1.590
## Mode :character Median :11260 Median :13638 Median : 2.130
## Mean :10705 Mean :12664 Mean : 2.126
## 3rd Qu.:11960 3rd Qu.:13880 3rd Qu.: 2.850
## Max. :12774 Max. :14923 Max. : 3.840
## Pobreza PIB Poblacion Desempleo
## Min. :0.7000 Min. :36330 Min. :282162411 Min. :3.670
## 1st Qu.:1.0000 1st Qu.:44123 1st Qu.:295516599 1st Qu.:4.620
## Median :1.0000 Median :48651 Median :309327143 Median :5.530
## Mean :0.9857 Mean :50062 Mean :308023794 Mean :5.985
## 3rd Qu.:1.0000 3rd Qu.:56763 3rd Qu.:320738994 3rd Qu.:7.370
## Max. :1.2000 Max. :65095 Max. :331501080 Max. :9.630
## Autopartes
## Min. :300543
## 1st Qu.:466904
## Median :501311
## Mean :518449
## 3rd Qu.:601972
## Max. :668450Gráfico de correlación
library(corrplot)
PUSA<-subset(PREDUSA,select=-c(Year))
corrplot(cor(PUSA),type='upper',order='hclust',addCoef.col='black')
A manera de insights, en este caso, se puede observar que existe una directa correlación con la variable dependiente autopartes en lo que respecta ventas con 0.56, al igual que las ventas(se puede sustentar que es debido al incremento en demanda de autos y por consiguiente las armadoras continuar produciendo junto con sus proveedores las autopartes, lo cual impacta directamente a Form, ya que por consiguiente se requieren empaques para realizar una logistica sostenible). Por otra parte, se tienen las autopartes con la población, donde se infiere que cuanto mayor es la población, mayor es la necesidad de transporte y por consiguiente, y en conjunto, nuevamente se valida la hipotesis (insight #1).
Modelo predictivo
regresion <- lm(Production~ Inflacion + Pobreza + PIB + Poblacion + Desempleo + Autopartes, data=PREDUSA)
summary (regresion)##
## Call:
## lm(formula = Production ~ Inflacion + Pobreza + PIB + Poblacion +
## Desempleo + Autopartes, data = PREDUSA)
##
## Residuals:
## Min 1Q Median 3Q Max
## -353.2 -195.4 2.9 151.9 513.4
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 4.535e+03 1.192e+04 0.380 0.7095
## Inflacion 5.299e+01 7.411e+01 0.715 0.4864
## Pobreza -3.493e+02 5.939e+02 -0.588 0.5658
## PIB -2.616e-01 8.870e-02 -2.949 0.0106 *
## Poblacion 2.454e-05 5.586e-05 0.439 0.6672
## Desempleo -9.185e+01 9.657e+01 -0.951 0.3577
## Autopartes 2.409e-02 1.538e-03 15.661 2.87e-10 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 267.2 on 14 degrees of freedom
## Multiple R-squared: 0.9844, Adjusted R-squared: 0.9777
## F-statistic: 147.3 on 6 and 14 DF, p-value: 7.853e-12Como se puede observar en la tabla, se tiene una r^2 del 98% y por consiguiente se puede sustentar que la hipotesis es valida, donde la variable dependiente de producción, tiene una fuerte correlación las variables independientes listadas anteriormente, por lo que se considera una hipotesis valida para el estudio.
datos_nuevos <- data.frame(Inflacion=2, Pobreza=1, PIB=47195, Poblacion=325122128, Desempleo =5, Autopartes=636320)
predict(regresion,datos_nuevos)## 1
## 14793.52#install.packages("jtools")
summary(PREDUSA)## Year Production Sales Inflacion
## Length:21 Min. : 5710 Min. : 7868 Min. :-0.360
## Class :character 1st Qu.:10336 1st Qu.:11582 1st Qu.: 1.590
## Mode :character Median :11260 Median :13638 Median : 2.130
## Mean :10705 Mean :12664 Mean : 2.126
## 3rd Qu.:11960 3rd Qu.:13880 3rd Qu.: 2.850
## Max. :12774 Max. :14923 Max. : 3.840
## Pobreza PIB Poblacion Desempleo
## Min. :0.7000 Min. :36330 Min. :282162411 Min. :3.670
## 1st Qu.:1.0000 1st Qu.:44123 1st Qu.:295516599 1st Qu.:4.620
## Median :1.0000 Median :48651 Median :309327143 Median :5.530
## Mean :0.9857 Mean :50062 Mean :308023794 Mean :5.985
## 3rd Qu.:1.0000 3rd Qu.:56763 3rd Qu.:320738994 3rd Qu.:7.370
## Max. :1.2000 Max. :65095 Max. :331501080 Max. :9.630
## Autopartes
## Min. :300543
## 1st Qu.:466904
## Median :501311
## Mean :518449
## 3rd Qu.:601972
## Max. :668450library(jtools)
effect_plot(regresion,pred = Autopartes,interval=TRUE)
En este caso se puede confirmar la alta validéz del modelo, donde la variable independiente se ve sumamente influenciada y en dado caso con crecimiento proporcional a la independiente de producción.
Modelo 2
regresion2 <- lm(Sales~ Inflacion + Pobreza + PIB + Poblacion + Desempleo + Autopartes, data=PREDUSA)
summary (regresion2)##
## Call:
## lm(formula = Sales ~ Inflacion + Pobreza + PIB + Poblacion +
## Desempleo + Autopartes, data = PREDUSA)
##
## Residuals:
## Min 1Q Median 3Q Max
## -511.56 -258.33 27.97 179.05 697.03
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2.133e+04 1.729e+04 1.233 0.238
## Inflacion -1.057e+02 1.075e+02 -0.984 0.342
## Pobreza -1.475e+03 8.612e+02 -1.712 0.109
## PIB -1.234e-01 1.286e-01 -0.960 0.354
## Poblacion -3.456e-05 8.099e-05 -0.427 0.676
## Desempleo -2.424e+02 1.400e+02 -1.731 0.105
## Autopartes 2.178e-02 2.231e-03 9.762 1.26e-07 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 387.5 on 14 degrees of freedom
## Multiple R-squared: 0.9713, Adjusted R-squared: 0.959
## F-statistic: 79.02 on 6 and 14 DF, p-value: 5.461e-10Para este caso en especifico, nuevamente se tiene una r^2 con el 97% de confiabilidad y por consiguiente se sostiene que las ventas tienen una directa correlación con las demás variables listadas.
datos_nuevos2 <- data.frame(Inflacion=2, Pobreza=1, PIB=47195, Poblacion=325122128, Desempleo =5, Autopartes=636320)
predict(regresion2,datos_nuevos2)## 1
## 15224.71effect_plot(regresion2,pred=Autopartes,interval=TRUE)
En este caso se puede observar la directa correlación y el comportamiento que se tiene al juntar ambas variables
MEX
Predicción del Desempeño de la Industria Automotriz MEX
#file.choose()
PREDMX <- read.csv("/Users/carlosgonzalez/Desktop/PREDICCION_MX.csv")
library(forecast)
summary(PREDMX)## Year Mes Venta Produccion
## Min. :2006 Min. : 1.00 Min. : 34927 Min. : 3722
## 1st Qu.:2010 1st Qu.: 3.00 1st Qu.: 78543 1st Qu.:189031
## Median :2014 Median : 6.00 Median : 88580 Median :248433
## Mean :2014 Mean : 6.42 Mean : 94178 Mean :241511
## 3rd Qu.:2018 3rd Qu.: 9.00 3rd Qu.:110134 3rd Qu.:292709
## Max. :2022 Max. :12.00 Max. :192741 Max. :382110
## Exportacion Tipo.de.cambio Inflacion porcentaje_ocu
## Min. : 15139 Min. :10.09 Min. :-0.250 Min. :93.58
## 1st Qu.:153219 1st Qu.:12.66 1st Qu.: 0.815 1st Qu.:95.06
## Median :209160 Median :13.56 Median : 1.480 Median :95.88
## Mean :201664 Mean :15.48 Mean : 1.951 Mean :95.76
## 3rd Qu.:243900 3rd Qu.:19.10 3rd Qu.: 2.895 3rd Qu.:96.47
## Max. :327454 Max. :24.24 Max. : 7.360 Max. :97.16
## porcentaje_desocu conf_consumidor
## Min. :2.840 Min. :28.67
## 1st Qu.:3.527 1st Qu.:36.69
## Median :4.125 Median :38.47
## Mean :4.244 Mean :39.15
## 3rd Qu.:4.940 3rd Qu.:42.58
## Max. :6.420 Max. :47.83Limpieza base de datos
# Limpieza de la base de datos
# Eliminar columnas irrelevantes
PREDMX <- subset(PREDMX, select = -c ( Venta))
summary(PREDMX)## Year Mes Produccion Exportacion
## Min. :2006 Min. : 1.00 Min. : 3722 Min. : 15139
## 1st Qu.:2010 1st Qu.: 3.00 1st Qu.:189031 1st Qu.:153219
## Median :2014 Median : 6.00 Median :248433 Median :209160
## Mean :2014 Mean : 6.42 Mean :241511 Mean :201664
## 3rd Qu.:2018 3rd Qu.: 9.00 3rd Qu.:292709 3rd Qu.:243900
## Max. :2022 Max. :12.00 Max. :382110 Max. :327454
## Tipo.de.cambio Inflacion porcentaje_ocu porcentaje_desocu
## Min. :10.09 Min. :-0.250 Min. :93.58 Min. :2.840
## 1st Qu.:12.66 1st Qu.: 0.815 1st Qu.:95.06 1st Qu.:3.527
## Median :13.56 Median : 1.480 Median :95.88 Median :4.125
## Mean :15.48 Mean : 1.951 Mean :95.76 Mean :4.244
## 3rd Qu.:19.10 3rd Qu.: 2.895 3rd Qu.:96.47 3rd Qu.:4.940
## Max. :24.24 Max. : 7.360 Max. :97.16 Max. :6.420
## conf_consumidor
## Min. :28.67
## 1st Qu.:36.69
## Median :38.47
## Mean :39.15
## 3rd Qu.:42.58
## Max. :47.83Eliminar NA’s
sum(is.na(PREDMX))## [1] 0PREDMX <- na.omit(PREDMX)
summary(PREDMX)## Year Mes Produccion Exportacion
## Min. :2006 Min. : 1.00 Min. : 3722 Min. : 15139
## 1st Qu.:2010 1st Qu.: 3.00 1st Qu.:189031 1st Qu.:153219
## Median :2014 Median : 6.00 Median :248433 Median :209160
## Mean :2014 Mean : 6.42 Mean :241511 Mean :201664
## 3rd Qu.:2018 3rd Qu.: 9.00 3rd Qu.:292709 3rd Qu.:243900
## Max. :2022 Max. :12.00 Max. :382110 Max. :327454
## Tipo.de.cambio Inflacion porcentaje_ocu porcentaje_desocu
## Min. :10.09 Min. :-0.250 Min. :93.58 Min. :2.840
## 1st Qu.:12.66 1st Qu.: 0.815 1st Qu.:95.06 1st Qu.:3.527
## Median :13.56 Median : 1.480 Median :95.88 Median :4.125
## Mean :15.48 Mean : 1.951 Mean :95.76 Mean :4.244
## 3rd Qu.:19.10 3rd Qu.: 2.895 3rd Qu.:96.47 3rd Qu.:4.940
## Max. :24.24 Max. : 7.360 Max. :97.16 Max. :6.420
## conf_consumidor
## Min. :28.67
## 1st Qu.:36.69
## Median :38.47
## Mean :39.15
## 3rd Qu.:42.58
## Max. :47.83# Gráfico de corelación
MEX<-subset(PREDMX,select=-c(Year, Mes))
corrplot(cor(MEX),type='upper',order='hclust',addCoef.col='black') 
Se puede observar cómo es que el desempleo afecta negativamente a todas las variables, incluyendo la exportación y el tipo de cambio
Modelo predictivo
# Modelo predictivo
summary(PREDMX)## Year Mes Produccion Exportacion
## Min. :2006 Min. : 1.00 Min. : 3722 Min. : 15139
## 1st Qu.:2010 1st Qu.: 3.00 1st Qu.:189031 1st Qu.:153219
## Median :2014 Median : 6.00 Median :248433 Median :209160
## Mean :2014 Mean : 6.42 Mean :241511 Mean :201664
## 3rd Qu.:2018 3rd Qu.: 9.00 3rd Qu.:292709 3rd Qu.:243900
## Max. :2022 Max. :12.00 Max. :382110 Max. :327454
## Tipo.de.cambio Inflacion porcentaje_ocu porcentaje_desocu
## Min. :10.09 Min. :-0.250 Min. :93.58 Min. :2.840
## 1st Qu.:12.66 1st Qu.: 0.815 1st Qu.:95.06 1st Qu.:3.527
## Median :13.56 Median : 1.480 Median :95.88 Median :4.125
## Mean :15.48 Mean : 1.951 Mean :95.76 Mean :4.244
## 3rd Qu.:19.10 3rd Qu.: 2.895 3rd Qu.:96.47 3rd Qu.:4.940
## Max. :24.24 Max. : 7.360 Max. :97.16 Max. :6.420
## conf_consumidor
## Min. :28.67
## 1st Qu.:36.69
## Median :38.47
## Mean :39.15
## 3rd Qu.:42.58
## Max. :47.83regresion_mx1 <- lm(Exportacion ~ Tipo.de.cambio + Produccion + Inflacion + porcentaje_ocu + porcentaje_desocu + conf_consumidor, data=PREDMX)
summary(regresion_mx1)##
## Call:
## lm(formula = Exportacion ~ Tipo.de.cambio + Produccion + Inflacion +
## porcentaje_ocu + porcentaje_desocu + conf_consumidor, data = PREDMX)
##
## Residuals:
## Min 1Q Median 3Q Max
## -40333 -9991 -1940 8334 56413
##
## Coefficients: (1 not defined because of singularities)
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -6.645e+04 1.637e+05 -0.406 0.68529
## Tipo.de.cambio 2.317e+03 3.967e+02 5.842 2.15e-08 ***
## Produccion 7.634e-01 2.002e-02 38.126 < 2e-16 ***
## Inflacion 2.393e+03 7.697e+02 3.109 0.00216 **
## porcentaje_ocu 1.330e+01 1.797e+03 0.007 0.99410
## porcentaje_desocu NA NA NA NA
## conf_consumidor 1.071e+03 3.543e+02 3.023 0.00284 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 16240 on 194 degrees of freedom
## Multiple R-squared: 0.9344, Adjusted R-squared: 0.9327
## F-statistic: 552.9 on 5 and 194 DF, p-value: < 2.2e-16MODELO 1
summary(PREDMX)## Year Mes Produccion Exportacion
## Min. :2006 Min. : 1.00 Min. : 3722 Min. : 15139
## 1st Qu.:2010 1st Qu.: 3.00 1st Qu.:189031 1st Qu.:153219
## Median :2014 Median : 6.00 Median :248433 Median :209160
## Mean :2014 Mean : 6.42 Mean :241511 Mean :201664
## 3rd Qu.:2018 3rd Qu.: 9.00 3rd Qu.:292709 3rd Qu.:243900
## Max. :2022 Max. :12.00 Max. :382110 Max. :327454
## Tipo.de.cambio Inflacion porcentaje_ocu porcentaje_desocu
## Min. :10.09 Min. :-0.250 Min. :93.58 Min. :2.840
## 1st Qu.:12.66 1st Qu.: 0.815 1st Qu.:95.06 1st Qu.:3.527
## Median :13.56 Median : 1.480 Median :95.88 Median :4.125
## Mean :15.48 Mean : 1.951 Mean :95.76 Mean :4.244
## 3rd Qu.:19.10 3rd Qu.: 2.895 3rd Qu.:96.47 3rd Qu.:4.940
## Max. :24.24 Max. : 7.360 Max. :97.16 Max. :6.420
## conf_consumidor
## Min. :28.67
## 1st Qu.:36.69
## Median :38.47
## Mean :39.15
## 3rd Qu.:42.58
## Max. :47.83effect_plot(regresion_mx1,pred=Produccion,interval=TRUE)## Warning in predict.lm(model, newdata = pm, se.fit = interval, interval =
## int.type[1], : prediction from a rank-deficient fit may be misleading
Se observa la fuerte correlación entre mayor demanda, mayor producción
Modelo 2
regresion_mx2 <- lm(conf_consumidor ~ Tipo.de.cambio + Inflacion + porcentaje_ocu + porcentaje_desocu + Produccion, data=PREDMX)
summary(regresion_mx2)##
## Call:
## lm(formula = conf_consumidor ~ Tipo.de.cambio + Inflacion + porcentaje_ocu +
## porcentaje_desocu + Produccion, data = PREDMX)
##
## Residuals:
## Min 1Q Median 3Q Max
## -10.715 -2.299 0.395 2.195 7.314
##
## Coefficients: (1 not defined because of singularities)
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -1.844e+02 3.035e+01 -6.075 6.39e-09 ***
## Tipo.de.cambio -2.555e-01 7.808e-02 -3.273 0.00126 **
## Inflacion -1.234e-01 1.553e-01 -0.794 0.42788
## porcentaje_ocu 2.367e+00 3.213e-01 7.367 4.81e-12 ***
## porcentaje_desocu NA NA NA NA
## Produccion 4.413e-06 4.035e-06 1.094 0.27551
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.282 on 195 degrees of freedom
## Multiple R-squared: 0.2349, Adjusted R-squared: 0.2192
## F-statistic: 14.97 on 4 and 195 DF, p-value: 1.098e-10summary(PREDMX)## Year Mes Produccion Exportacion
## Min. :2006 Min. : 1.00 Min. : 3722 Min. : 15139
## 1st Qu.:2010 1st Qu.: 3.00 1st Qu.:189031 1st Qu.:153219
## Median :2014 Median : 6.00 Median :248433 Median :209160
## Mean :2014 Mean : 6.42 Mean :241511 Mean :201664
## 3rd Qu.:2018 3rd Qu.: 9.00 3rd Qu.:292709 3rd Qu.:243900
## Max. :2022 Max. :12.00 Max. :382110 Max. :327454
## Tipo.de.cambio Inflacion porcentaje_ocu porcentaje_desocu
## Min. :10.09 Min. :-0.250 Min. :93.58 Min. :2.840
## 1st Qu.:12.66 1st Qu.: 0.815 1st Qu.:95.06 1st Qu.:3.527
## Median :13.56 Median : 1.480 Median :95.88 Median :4.125
## Mean :15.48 Mean : 1.951 Mean :95.76 Mean :4.244
## 3rd Qu.:19.10 3rd Qu.: 2.895 3rd Qu.:96.47 3rd Qu.:4.940
## Max. :24.24 Max. : 7.360 Max. :97.16 Max. :6.420
## conf_consumidor
## Min. :28.67
## 1st Qu.:36.69
## Median :38.47
## Mean :39.15
## 3rd Qu.:42.58
## Max. :47.83effect_plot(regresion_mx2,pred=Produccion,interval=TRUE)## Warning in predict.lm(model, newdata = pm, se.fit = interval, interval =
## int.type[1], : prediction from a rank-deficient fit may be misleading
Tanto en la regresion como en el plot, ser observa que la r^2 (+-20%) no
tiene una correlación tan fuerte en función de la confianza del
consumidor y la producción.
PRONÓSTICO
Pronóstico del Desempeño de la Industria Automotriz USA
#file.choose()
pronosUSA <- read.csv("/Users/carlosgonzalez/Desktop/Pronosico_Produccion_de_autos_USA.csv")
library(forecast)
summary(pronosUSA)## Unidades Años
## Min. :1468 Min. :2016
## 1st Qu.:1768 1st Qu.:2018
## Median :2513 Median :2019
## Mean :2465 Mean :2019
## 3rd Qu.:2909 3rd Qu.:2020
## Max. :3917 Max. :2022Principalmente, cuáles son las variables explanatorias que muestran un impacto significativo en la variable dependiente? Cómo es el impacto de dichas variables explanatorias sobre la variable dependiente?
p1 <- ts(data = pronosUSA$Unidades, start = c(2016), frequency = 1)
modelo <- auto.arima(p1)
modelo## Series: p1
## ARIMA(0,1,0) with drift
##
## Coefficients:
## drift
## -408.1667
## s.e. 102.9936
##
## sigma^2 = 76378: log likelihood = -41.7
## AIC=87.39 AICc=91.39 BIC=86.98pronosUSA <- forecast(modelo, level=c(95), h=3)
pronosUSA## Point Forecast Lo 95 Hi 95
## 2023 1059.8333 518.1683 1601.498
## 2024 651.6667 -114.3634 1417.697
## 2025 243.5000 -694.6914 1181.691plot(pronosUSA,main="Pronostico de producción de auto en Estados Unidos", ylab="Producción en USA")
Interpretación De acuerdo con el analisis pronosticado, se puede sustentar que la producción de autos en estados unidos experimentará una contracción o comportamiento bajista durante los siguientes 3 años. Esto es algo imperativo a considerar, ya que Form, en el contexto internacional tiene a USA como uno de los prcincipales clientes (marcas de autos) y por consiguiente, en este caso y dado el pronostico, se recomendaría que la empresa comenzara a voltear a ver otras industrias a lo menos en el contexto macro de estados unidos.
Pronóstico del Desempeño de la Industria Automotriz MEX
#file.choose()
pronosMEX <- read.csv("/Users/carlosgonzalez/Desktop/Produccion_autos_MX_2016_2022.csv")
library(forecast)
#install.packages("forecast")summary(pronosMEX)## Periodo Unidades
## Min. :2016 Min. : 708
## 1st Qu.:2018 1st Qu.: 904
## Median :2019 Median :1397
## Mean :2019 Mean :1343
## 3rd Qu.:2020 3rd Qu.:1746
## Max. :2022 Max. :1996p1 <- ts(data = pronosMEX$Unidades, start = c(2016), frequency = 1)
modelo <- auto.arima(p1)
modelo## Series: p1
## ARIMA(0,1,0)
##
## sigma^2 = 69482: log likelihood = -41.96
## AIC=85.92 AICc=86.92 BIC=85.71pronosMEX <- forecast(modelo, level=c(95), h=3)
pronosMEX## Point Forecast Lo 95 Hi 95
## 2023 841 324.36389 1357.636
## 2024 841 110.36620 1571.634
## 2025 841 -53.83999 1735.840plot(pronosMEX,main="Pronostico de producción de auto en Mexico", ylab="Producción en MX")
Interpretación: Para el caso de México, se tiene pronosticado que que
tras el 2021, se tratara de un comportamiento alcista y se mantenga
durante los siguientes 3 años. Por lo tanto, se puede sustentar que
continuar on esta linea de negocio en mexico es viable y en todo caso
sostenible en el mediano - largo plazo.
Pronostico FORM
BAE DATOS FORM | Merma
#file.choose()
mer <- read.csv("/Users/carlosgonzalez/Desktop/FORM - Merma1.csv")
summary(mer)## Mes Kilos
## Length:9 Min. :13586
## Class :character 1st Qu.:18280
## Mode :character Median :19370
## Mean :20603
## 3rd Qu.:22830
## Max. :32100Pronóstico
a3 <- ts(data = mer$Kilos, start = c(2022,1), frequency = 12)
modelo_pron_merma <- auto.arima(a3)
modelo_pron_merma## Series: a3
## ARIMA(0,0,0) with non-zero mean
##
## Coefficients:
## mean
## 20602.889
## s.e. 1736.893
##
## sigma^2 = 30544665: log likelihood = -89.8
## AIC=183.59 AICc=185.59 BIC=183.99forecast_merma <- forecast(modelo_pron_merma, level=c(95), h=3)
forecast_merma## Point Forecast Lo 95 Hi 95
## Oct 2022 20602.89 9770.711 31435.07
## Nov 2022 20602.89 9770.711 31435.07
## Dec 2022 20602.89 9770.711 31435.07plot(forecast_merma)
En este caso, se puede observar el pronóstico de la producción de merma en Form, donde si bien tuvo una caida pronunciada, se espera que se recupere a un punto estable por lo proximos 3 periodos/años
BASE FORM | Producción
#file.choose()
PROD <- read.csv("/Users/carlosgonzalez/Desktop/produccion.csv")
summary(PROD)## fecha no cliente id_form
## Length:5411 Min. : 1.00 Length:5411 Length:5411
## Class :character 1st Qu.: 23.00 Class :character Class :character
## Mode :character Median : 46.00 Mode :character Mode :character
## Mean : 48.55
## 3rd Qu.: 72.00
## Max. :121.00
##
## producto piezas_prog tiempo_minutos hora_fin
## Length:5411 Length:5411 Length:5411 Length:5411
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## estacion_arranque laminas_procesadas inicio_setup fin_inicio_su
## Length:5411 Length:5411 Length:5411 Length:5411
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## inicio_proceso fin_proceso tiempo_calidad tiempo_materiales
## Length:5411 Length:5411 Length:5411 Min. : 0.000
## Class :character Class :character Class :character 1st Qu.: 0.000
## Mode :character Mode :character Mode :character Median : 0.000
## Mean : 4.568
## 3rd Qu.: 6.000
## Max. :60.000
## NA's :5152
## merma
## Length:5411
## Class :character
## Mode :character
##
##
##
## PROD$piezas_prog <- as.numeric(PROD$piezas_prog)## Warning: NAs introduced by coercionstr(PROD)## 'data.frame': 5411 obs. of 17 variables:
## $ fecha : chr "15/07/2022" "15/07/2022" "15/07/2022" "15/07/2022" ...
## $ no : int 1 2 3 4 5 6 7 8 9 10 ...
## $ cliente : chr "STABILUS 1" "STABILUS 1" "STABILUS 1" "STABILUS 1" ...
## $ id_form : chr "" "N.A." "CORTE." "ST-026-13892" ...
## $ producto : chr "STABOMAT 643920. CAJA IMP. CORTE. AZUL.PC0011. ( 2 Pza/Caja)." "KR55006. CAJA IMP. AZUL. CORTE. ( 1 pieza)." "241B KIT. EXPORT. INSERTO CON INSERTO. CORTE para Troquel." "MOPAR GDE. 754549. CAJA IMP. NEGRA. PC0022. ( PC0043: solo si autoriza Calidad). ( 1 Pieza). CORTE." ...
## $ piezas_prog : num 200 100 216 100 20 200 100 12 32 500 ...
## $ tiempo_minutos : chr "20" "15" "20" "10" ...
## $ hora_fin : chr "9:20" "9:35" "9:55" "10:05" ...
## $ estacion_arranque : chr "C1" "C1" "C1" "C1" ...
## $ laminas_procesadas: chr "402" "134" "110" "100" ...
## $ inicio_setup : chr "9:05" "10:05" "9:40" "11.20" ...
## $ fin_inicio_su : chr "9.10" "10:16" "9:43" "11:26" ...
## $ inicio_proceso : chr "9:12" "10.17" "9:45" "11:30" ...
## $ fin_proceso : chr "10:04" "11:05" "9.57" "11:49" ...
## $ tiempo_calidad : chr "1" "1" "1" "1" ...
## $ tiempo_materiales : int NA NA NA 7 NA NA NA NA NA NA ...
## $ merma : chr "" "" "" "" ...PROD$fecha <- as.Date(PROD$fecha, format = "%d%m%Y")
a4 <- ts(data = PROD$piezas_prog, start = c(2022,1), frequency = 12)
modeloPROD <- auto.arima(a4)
modeloPROD## Series: a4
## ARIMA(5,1,0)
##
## Coefficients:
## ar1 ar2 ar3 ar4 ar5
## -0.5716 -0.4128 -0.3184 -0.2467 -0.1415
## s.e. 0.0147 0.0166 0.0168 0.0163 0.0143
##
## sigma^2 = 16851: log likelihood = -28837.01
## AIC=57686.02 AICc=57686.04 BIC=57725.6forecastProd <- forecast(modeloPROD, level=c(95), h=3)
forecastProd## Point Forecast Lo 95 Hi 95
## Dec 2472 218.7385 -35.68441 473.1615
## Jan 2473 189.8464 -86.93677 466.6296
## Feb 2473 181.9135 -108.25340 472.0804plot(forecastProd)
Para este modelo, se nota que no tiene un porcentaje de confiabilidad certero, sin embargo con base a los datos obtenidos, se identifia que si bien la producción ha tenido unos picos momentaneos, se espera que se mantenga en un punto estable por los proximos 3 periodos, y si bien se mantienen en niveles bajos, se puede comparar con periodos anteriores (la mayoría de los periodos) donde parece ser que es el punto de equilibrio en lo que respecta la capacidad operativa de Form. Por consiguiente, se espera que Form mantenga su nivel de producción normal y de forma estable por los siguientes años.
BASE FORM | Scrap
#file.choose()
scrap <- read.csv("/Users/carlosgonzalez/Desktop/FORM _Scrap_Ev2_No_Limpia.csv")
summary(scrap)## Referencia Fecha Producto Cantidad
## Length:250 Length:250 Length:250 Min. : 0.000
## Class :character Class :character Class :character 1st Qu.: 1.000
## Mode :character Mode :character Mode :character Median : 2.000
## Mean : 6.696
## 3rd Qu.: 7.000
## Max. :96.000
## Unidad.de.medida Ubicación.de.origen Ubicación.de.desecho Estado
## Length:250 Length:250 Length:250 Length:250
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
## scrap$Cantidad <- as.numeric(scrap$Cantidad)
str(scrap)## 'data.frame': 250 obs. of 8 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" ...
## $ 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" ...scrap$Fecha <- as.Date(scrap$Fecha, format = "%d%m%Y")
a4 <- ts(data = scrap$Cantidad, start = c(2022,1), frequency = 12)
modeloPROD <- auto.arima(a4)
modeloPROD## Series: a4
## ARIMA(0,0,0) with non-zero mean
##
## Coefficients:
## mean
## 6.6960
## s.e. 0.7479
##
## sigma^2 = 140.4: log likelihood = -972.29
## AIC=1948.58 AICc=1948.63 BIC=1955.63forecastProd <- forecast(modeloPROD, level=c(95), h=3)
forecastProd## Point Forecast Lo 95 Hi 95
## Nov 2042 6.696 -16.52731 29.91931
## Dec 2042 6.696 -16.52731 29.91931
## Jan 2043 6.696 -16.52731 29.91931plot(forecastProd)
En este caso, al ir de la mano con merma, se sostiene que se espera un
comportamiento bajista actual, para pasar a niveles normales y estables
en los demás periodos.
CLUSTERING RH BAJAS
Tomando en cuenta los clusters que se generarán a continuación,se identificarán los insights al final del ejercicio clustering RH bajas de la mano con las distintas visualizaciones desarrolladas (meaningfull insights)
#file.choose()
rh <- read.csv("/Users/carlosgonzalez/Desktop/recursos.humanos.base.limpia.csv")# descargar y llamar librerías
#install.packages("tidyverse")
library(tidyverse)
#install.packages("foreign")
#install.packages("dplyr")
library(ggplot2)
#install.packages("psych")
library(psych)
#install.packages("corrplot")
library(corrplot)
#install.packages("jtools")
library(jtools)
#install.packages("lmtest")
library(lmtest)
#install.packages("car")
library(car)
#install.packages("factoextra")
library(factoextra)
#install.packages("janitor")
library(janitor)
#install.packages("readr")
library(readr)
#install.packages("plotrix")
library(plotrix)# Limpiar nombre
rh1 <- clean_names(rh)
# Visualizar base de datos
summary(rh1)## x apellidos nombre edad
## Min. : 1.00 Length:233 Length:233 Min. :19.00
## 1st Qu.: 75.00 Class :character Class :character 1st Qu.:23.00
## Median : 89.00 Mode :character Mode :character Median :29.00
## Mean : 87.64 Mean :31.08
## 3rd Qu.:102.00 3rd Qu.:37.00
## Max. :147.00 Max. :61.00
## NA's :56
## fecha_de_nacimiento genero rfc fecha_de_alta
## Length:233 Length:233 Length:233 Length:233
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## motivo_de_baja dias_laborados baja puesto
## Length:233 Min. : 0.00 Length:233 Length:233
## Class :character 1st Qu.: 6.00 Class :character Class :character
## Mode :character Median : 15.00 Mode :character Mode :character
## Mean : 72.73
## 3rd Qu.: 47.00
## Max. :1966.00
##
## departamento no_seguro_social salario_diario_imss
## Length:233 Length:233 Min. :144.4
## Class :character Class :character 1st Qu.:180.7
## Mode :character Mode :character Median :180.7
## Mean :177.9
## 3rd Qu.:180.7
## Max. :500.0
##
## factor_cred_infonavit n_credito_infonavit lugar_de_nacimiento
## Length:233 Length:233 Length:233
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
##
##
## curp calle numero_interno colonia
## Length:233 Length:233 Length:233 Length:233
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## codigo_postal municipio estado estado_civil
## Length:233 Length:233 Length:233 Length:233
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## tarjeta_cuenta x_1
## Length:233 Length:233
## Class :character Class :character
## Mode :character Mode :character
##
##
##
## rh2 <- subset(rh1,select = -c (apellidos, nombre, fecha_de_nacimiento, rfc, fecha_de_alta, baja, departamento,
no_seguro_social, factor_cred_infonavit, n_credito_infonavit, lugar_de_nacimiento,
curp, calle, numero_interno, colonia, codigo_postal, municipio, estado))
summary(rh2)## x edad genero motivo_de_baja
## Min. : 1.00 Min. :19.00 Length:233 Length:233
## 1st Qu.: 75.00 1st Qu.:23.00 Class :character Class :character
## Median : 89.00 Median :29.00 Mode :character Mode :character
## Mean : 87.64 Mean :31.08
## 3rd Qu.:102.00 3rd Qu.:37.00
## Max. :147.00 Max. :61.00
## NA's :56
## dias_laborados puesto salario_diario_imss estado_civil
## Min. : 0.00 Length:233 Min. :144.4 Length:233
## 1st Qu.: 6.00 Class :character 1st Qu.:180.7 Class :character
## Median : 15.00 Mode :character Median :180.7 Mode :character
## Mean : 72.73 Mean :177.9
## 3rd Qu.: 47.00 3rd Qu.:180.7
## Max. :1966.00 Max. :500.0
##
## tarjeta_cuenta x_1
## Length:233 Length:233
## Class :character Class :character
## Mode :character Mode :character
##
##
##
## sum(is.na(rh2))## [1] 56sapply(rh2, function(x) sum(is.na(x)))## x edad genero motivo_de_baja
## 56 0 0 0
## dias_laborados puesto salario_diario_imss estado_civil
## 0 0 0 0
## tarjeta_cuenta x_1
## 0 0rh2$edad <- as.numeric(rh2$edad)
rh2$genero <- as.factor(rh2$genero)
rh2$motivo_de_baja <- as.factor(rh2$motivo_de_baja)
rh2$dias_laborados <- as.numeric(rh2$dias_laborados)
rh2$puesto <- as.factor(rh2$puesto)
rh2$salario_diario_imss <- as.numeric(rh2$salario_diario_imss)
rh2$estado_civil <- as.factor(rh2$estado_civil)
summary(rh2)## x edad genero motivo_de_baja
## Min. : 1.00 Min. :19.00 FEMENINO :137 ABANDONO : 1
## 1st Qu.: 75.00 1st Qu.:23.00 MASCULINO: 96 BAJA POR FALTAS :139
## Median : 89.00 Median :29.00 JUBILACION : 1
## Mean : 87.64 Mean :31.08 RENUNCIA VOLUNTARIA: 84
## 3rd Qu.:102.00 3rd Qu.:37.00 TERMINO DE CONTRATO: 8
## Max. :147.00 Max. :61.00
## NA's :56
## dias_laborados puesto salario_diario_imss
## Min. : 0.00 AYUDANTE GENERAL :171 Min. :144.4
## 1st Qu.: 6.00 COSTURERA : 10 1st Qu.:180.7
## Median : 15.00 SOLDADOR : 10 Median :180.7
## Mean : 72.73 MONTACARGUISTA : 5 Mean :177.9
## 3rd Qu.: 47.00 AY. GENERAL : 4 3rd Qu.:180.7
## Max. :1966.00 AUXILIAR DE EMBARQUES: 3 Max. :500.0
## (Other) : 30
## estado_civil tarjeta_cuenta x_1
## divorcio : 3 Length:233 Length:233
## matrimonio : 63 Class :character Class :character
## Sin Conocer: 1 Mode :character Mode :character
## Soltero :107
## Unión libre: 59
##
## rh_edad_dias <-rh2 %>% select(salario_diario_imss, edad, dias_laborados)
rh_edad_dias_norm<-scale(rh_edad_dias[2:3])
plot(rh_edad_dias_norm)
fviz_nbclust(rh_edad_dias_norm, kmeans, method="wss")+
geom_vline(xintercept=6, linetype=2)+
labs(subtitle = "Elbow method") 
cluster1 <-kmeans(rh_edad_dias_norm,5)
cluster1## K-means clustering with 5 clusters of sizes 43, 4, 68, 8, 110
##
## Cluster means:
## edad dias_laborados
## 1 1.5856496 -0.1730602
## 2 1.0544820 6.6446440
## 3 0.2370717 -0.2593203
## 4 0.2767222 1.9190143
## 5 -0.8248684 -0.1532302
##
## Clustering vector:
## 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
## 4 3 5 5 3 1 3 3 1 5 5 3 5 3 4 5 5 5 5 5
## 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
## 3 2 5 3 1 5 3 5 5 5 3 5 5 5 3 5 5 4 3 5
## 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60
## 4 4 5 5 5 5 5 5 1 1 1 2 5 1 5 5 1 5 5 5
## 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80
## 5 5 3 5 5 1 5 4 4 5 5 5 3 5 3 5 1 5 5 1
## 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100
## 2 5 1 5 5 5 1 5 5 5 3 1 1 5 5 5 1 3 5 3
## 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120
## 5 5 1 3 5 5 3 2 3 5 3 3 5 3 3 3 1 1 1 5
## 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140
## 5 5 5 5 3 5 3 1 5 3 5 4 5 5 5 3 1 3 1 3
## 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160
## 3 1 1 1 5 3 3 3 5 5 5 3 1 1 5 3 5 3 1 1
## 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180
## 1 1 3 1 5 5 3 5 5 1 3 1 5 1 3 3 1 3 3 5
## 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200
## 5 5 3 1 3 3 5 5 3 3 3 3 3 3 5 3 3 3 3 5
## 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220
## 3 1 3 5 5 5 1 5 5 5 3 3 5 5 3 3 3 1 5 5
## 221 222 223 224 225 226 227 228 229 230 231 232 233
## 3 5 5 5 5 1 3 1 5 5 5 5 5
##
## Within cluster sum of squares by cluster:
## [1] 11.405375 15.799166 7.976676 7.819045 14.649008
## (between_SS / total_SS = 87.6 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"fviz_cluster(cluster1,data=rh_edad_dias_norm)
rh_edad_sal <-rh2 %>% select(salario_diario_imss, edad, dias_laborados)
rh_edad_sal_norm<-scale(rh_edad_dias[1:2])
plot(rh_edad_sal_norm)
fviz_nbclust(rh_edad_sal_norm, kmeans, method="wss")+
geom_vline(xintercept=5, linetype=2)+
labs(subtitle = "Elbow method") 
cluster2 <-kmeans(rh_edad_sal_norm,5)
cluster2## K-means clustering with 5 clusters of sizes 1, 34, 40, 63, 95
##
## Cluster means:
## salario_diario_imss edad
## 1 13.75965225 0.09524497
## 2 -0.11512539 1.83986677
## 3 0.11335568 0.74337807
## 4 -0.11750244 -0.10886552
## 5 -0.07344171 -0.90028748
##
## Clustering vector:
## 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
## 1 4 5 5 4 2 4 4 2 5 5 4 5 4 4 5 5 5 5 5
## 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
## 4 2 5 4 2 5 3 5 5 5 4 5 5 5 4 5 5 4 4 5
## 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60
## 5 4 5 5 5 5 5 5 2 2 3 2 5 2 5 5 2 5 5 5
## 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80
## 5 5 3 4 4 3 5 2 4 5 5 5 3 4 3 5 3 5 5 2
## 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100
## 4 4 2 5 5 5 3 5 5 5 4 3 2 5 5 4 2 4 5 4
## 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120
## 5 5 3 4 5 5 3 4 3 5 4 4 5 3 4 4 2 2 2 5
## 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140
## 5 5 5 5 4 5 3 2 4 3 5 2 5 4 4 4 2 4 3 3
## 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160
## 4 3 2 2 5 4 3 4 5 4 5 3 2 2 5 3 5 3 3 3
## 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180
## 2 2 4 2 5 4 4 5 4 2 4 2 4 3 4 3 2 3 3 5
## 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200
## 5 5 4 2 3 3 5 5 4 3 3 4 3 4 5 4 4 4 4 5
## 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220
## 4 2 3 5 5 5 2 4 5 5 3 4 5 5 3 3 3 2 4 4
## 221 222 223 224 225 226 227 228 229 230 231 232 233
## 4 5 5 5 4 3 4 3 5 5 5 5 5
##
## Within cluster sum of squares by cluster:
## [1] 0.000000 13.383803 2.840067 17.829341 23.318853
## (between_SS / total_SS = 87.6 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"fviz_cluster(cluster2,data=rh_edad_sal_norm)
rh_dias_sal <-rh2 %>% select(salario_diario_imss, dias_laborados, edad)
rh_dias_sal_norm<-scale(rh_dias_sal[1:2])
plot(rh_dias_sal_norm)
fviz_nbclust(rh_dias_sal_norm, kmeans, method="wss")+
geom_vline(xintercept=5, linetype=2)+
labs(subtitle = "Elbow method") 
cluster3 <-kmeans(rh_dias_sal_norm,5)
cluster3## K-means clustering with 5 clusters of sizes 4, 1, 10, 27, 191
##
## Cluster means:
## salario_diario_imss dias_laborados
## 1 -0.3962566 6.64464404
## 2 13.7596523 2.56751686
## 3 -0.3729089 1.50771810
## 4 -1.1243505 0.03652891
## 5 0.1147221 -0.23669924
##
## Clustering vector:
## 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
## 2 4 4 4 4 4 4 4 4 3 4 4 5 5 3 4 4 4 4 4
## 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
## 4 1 4 4 5 5 5 5 5 5 5 5 5 5 5 5 4 3 5 5
## 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60
## 3 3 5 5 5 5 5 5 5 5 5 1 3 5 5 5 5 5 5 4
## 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80
## 5 5 5 5 5 5 5 3 3 4 5 5 5 5 5 5 5 5 5 5
## 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100
## 1 4 4 4 4 5 5 5 5 5 5 5 5 5 5 5 4 4 5 5
## 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120
## 5 5 5 5 5 5 5 1 5 5 5 5 5 5 5 5 5 5 5 5
## 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140
## 5 5 5 5 5 5 5 5 5 5 5 3 5 5 5 5 5 5 5 5
## 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160
## 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
## 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180
## 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
## 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200
## 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
## 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220
## 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 3 5 5
## 221 222 223 224 225 226 227 228 229 230 231 232 233
## 5 5 5 5 5 5 5 5 5 5 5 5 5
##
## Within cluster sum of squares by cluster:
## [1] 7.839149 0.000000 6.408768 1.637196 3.455406
## (between_SS / total_SS = 95.8 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"fviz_cluster(cluster3,data=rh_dias_sal_norm)
rh3 <- rh2
rh3$Clusters<-cluster2$clusterrh4 <- rh3 %>% group_by(Clusters) %>% summarise(edad=max(edad)) %>% arrange(desc(edad))
# Nombrar cada cluster
rh3$nombres_clusters <- factor(rh3$Clusters,levels = c(1,2,3,4,5),
labels=c("Excepcion", "Jubilados", "Mayores", "Adultos", "Jovenes"))# Agrupar los datos por nombre de clusters
library(dplyr)
#install.packages("dplyr")rh5 <- rh3 %>% group_by(nombres_clusters) %>% dplyr::summarize(edad_años=max(edad),
salario_imss=mean(salario_diario_imss),
Count=n())clusters<-as.data.frame(rh5)
clusters## nombres_clusters edad_años salario_imss Count
## 1 Excepcion 32 500.0000 1
## 2 Jubilados 61 175.2329 34
## 3 Mayores 43 180.5810 40
## 4 Adultos 36 175.1773 63
## 5 Jovenes 26 176.2086 95Gráficos para identificación de insights
Identificar numero de bajas en función con la edad mediante el cluster previo
ggplot(rh5,aes(x=reorder(nombres_clusters,Count),y=Count,fill=nombres_clusters)) +
geom_bar(stat="identity")
En este caso, el numero de bajas está relacionado con la edad, ya que
como se observa en el gráfico, los jovenes son quienes generan el mayor
numero de bajas, seguido de adultos, adultos mayores y jubilados. Con
esto se puede inferir que las personas tienen responsabilidades
familiares y/o personales que deben atender y por consiguiente, para
obtener un salario que aporte a cubrir sus necesidades, entre mayor es
la persona, menor es la probabilidad de terminar el contrato con
FORM.
Identificación del maximo de edad por grupo
ggplot(rh5, aes(x=nombres_clusters,y=edad_años,fill= nombres_clusters,label=round(edad_años,digits=2))) +
geom_col() +
geom_text()
Mediante este gráfico se pueden establecer los perfiles con rangos
maximos de edad de los colaboradores, por lo que surge una oportunidad
de Form para identificar las necesidades de los distintos grupos de
edad.
Gráfico de generos de personas quienes se dieron de baja
library(ggplot2)
ggplot(rh3, aes(fill=genero, y=genero, x=nombres_clusters)) +
geom_bar(position="stack", stat="identity") 
Como se puede observar en el gráfico, se tiene que en definitiva los hombres son quienes se dan de baja en todos los grupos de edades
Razones de baja por grupos de edad
#summary(rh3)
ggplot(rh3, aes(factor(nombres_clusters), fill = factor(motivo_de_baja))) +
geom_bar(position = position_dodge2(preserve = "single"))
Dada la gráfica anterior, se puede identificar que la mayor razón por la
cual los colaboradores se van de la empresa es debido a la baja por
faltas, mientras que un dato importante es que la razón de abandono
menos común solo se encuentra presente en los grupos de jovenes y
jubilados, quienes por inferencia se puede sustentar que es debido a las
responsabilidades de estos grupos de edad. En ocasiones, como lo
mencionó el dueño de la empresa, los jovenes solo están poco tiempo para
ahorrar en periodos cortos, mientras que los jubilados al estar en esta
etapa, simplemente dejan de venir a la empresa.
library(plotrix)
library(jtools)
proporciones <- c(176, 11, 11, 8, 26)
eti <- c("ayudante general", "ayu. soldador/soldador", "costurera", "ayu. embarque", "otros" )
pct <- round(proporciones/sum(proporciones)*100)
eti <- paste(eti, pct)
eti <- paste(eti,"%",sep="")
pie3D(proporciones,labels = eti,
col=rainbow(length(eti)),
main="Puestos de bajas")
En este caso, se puede sustentar que la mayoría de los puestos que se
dan de baja de la empresa son los de ayudante general; sin embargo y de
igual forma, se sostiene la razón de que al ser el puesto con mayor
numero de colaboradores, naturalmente se tenga un cesgo que genere el
verdadero puesto, sin embargo, al ser un puesto proporcional y
objetivamente con más colaboradores (además de que al ser ayudante
general, se infiere que no requiere de entrenamiento previo) tiene
sentido validar que la independientemente del sesgo mencionado, el
ayudante general es quien más abandona la empresa.
Estado civil de bajas
#install.packages("plotrix")
library(plotrix)
proporciones1 <- c(107, 3, 59, 63)
etiquetas <- c("soltero", "divorcio", "union libre", "matrimonio")
pct <- round(proporciones1/sum(proporciones1)*100)
etiquetas <- paste(etiquetas, pct)
etiquetas <- paste(etiquetas,"%",sep="")
pie3D(proporciones1,labels = etiquetas,
col=rainbow(length(etiquetas)),
main="Estado civil de bajas")
En pocas palabras, es evidente que los solteros son quienes se dan más de baja de la empresa, ya que al estar en esta posición y probablemente ser jovenes, no cargan con una responsabilidad familiar. Por lado contrario, el grupo de divorsiados son quienes menos se dan de baja, ya que si bien se considera que no es un grupo grande de personas, son quienes ahora tienen responsabilidad de proveer por sus dependientes o por ellos/ellas mismos.
Meaningfull insights
- Entre menor es la edad, existe mayor probabilidad de que se den de baja
- Los hombres son más propensos a darse de baja de la empresa, lo cual se puede correlacionar con el perfil de hombre joven, quien tiene mayor probabilidad de irse de la empresa.
- El grupo de estado civil divorsiado sustenta el 46% de las bajas de la empresa
- Con la información anterior, se puede generar un perfil de una persona con mayor probabilidad de datse de baja, el cual es un hombre joven soltero de entre 19 - 26 años con el puesto de ayudante general. por lo tanto, se recomendaría a la empresa que se desarrolle un programa de retención, con la finalidad de no tener rotación tan constante, lo cual puede incluso generar costos adicionales a la empresa.
- Como se mencionó anteriormente, la mayoría de los puestos que se dan de baja de la empresa son los de ayudante general; sin embargo y de igual forma, se sostiene la razón de que al ser el puesto con mayor numero de colaboradores, naturalmente se tenga un cesgo que genere el verdadero puesto, sin embargo, al ser un puesto proporcional y objetivamente con más colaboradores (además de que al ser ayudante general, se infiere que no requiere de entrenamiento previo) tiene sentido validar que la independientemente del sesgo mencionado, el ayudante general es quien más abandona la empresa.
Gráfico tipo ggalluvial
summary(rh3)## x edad genero motivo_de_baja
## Min. : 1.00 Min. :19.00 FEMENINO :137 ABANDONO : 1
## 1st Qu.: 75.00 1st Qu.:23.00 MASCULINO: 96 BAJA POR FALTAS :139
## Median : 89.00 Median :29.00 JUBILACION : 1
## Mean : 87.64 Mean :31.08 RENUNCIA VOLUNTARIA: 84
## 3rd Qu.:102.00 3rd Qu.:37.00 TERMINO DE CONTRATO: 8
## Max. :147.00 Max. :61.00
## NA's :56
## dias_laborados puesto salario_diario_imss
## Min. : 0.00 AYUDANTE GENERAL :171 Min. :144.4
## 1st Qu.: 6.00 COSTURERA : 10 1st Qu.:180.7
## Median : 15.00 SOLDADOR : 10 Median :180.7
## Mean : 72.73 MONTACARGUISTA : 5 Mean :177.9
## 3rd Qu.: 47.00 AY. GENERAL : 4 3rd Qu.:180.7
## Max. :1966.00 AUXILIAR DE EMBARQUES: 3 Max. :500.0
## (Other) : 30
## estado_civil tarjeta_cuenta x_1 Clusters
## divorcio : 3 Length:233 Length:233 Min. :1.000
## matrimonio : 63 Class :character Class :character 1st Qu.:3.000
## Sin Conocer: 1 Mode :character Mode :character Median :4.000
## Soltero :107 Mean :3.931
## Unión libre: 59 3rd Qu.:5.000
## Max. :5.000
##
## nombres_clusters
## Excepcion: 1
## Jubilados:34
## Mayores :40
## Adultos :63
## Jovenes :95
##
## library(ggalluvial)
rhGG <-rh3 %>% filter(Clusters==4 | Clusters==3) %>% arrange(Clusters)
ggplot(as.data.frame(rhGG),
aes(y=salario_diario_imss, axis1= genero, axis2=estado_civil)) +
geom_alluvium(aes(fill=nombres_clusters), 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("Género", "Estado civil"), expand = c(.05, .05)) +
scale_fill_brewer(type = "qual", palette = "Set1") +
ggtitle("FORM's Salario Diario por Género y Estado Civil")
Meaningfull insights
En este caso se puede sustentar que en general (1) los divorciados
ganan más.
Por otra parte, y de manera más especifica, (2) las colaboradores que
ganan más en la empresa son mujeres mayores (3) divorciadas, mientras
que (4) las que ganan menos son adultas y (5) están en unión libre. Por
parte del segmento masculino, se muestra que (6) el que gana más es un
hombre mayor (7) divorciado, y (8) el que gana menos está en union
libre, (9) perteneciendo al segmento de edad adulta. En conclusión, se
sustenta que por tendencia, el salario aumenta o disminuye dependiendo
del género y el estado civil.
Trabajo escrito
- A partir del análisis de las bases de datos de las diferentes áreas de la empresa FORM, identificar y describir los principales 6-8 hallazgos (meaningful insights).
Por parte del recurso humano, form cuenta con un perfil promedio de colaborador el cual consiste en un hombre joven y soltero de entre 19 - 26 con el puesto de ayudante general. asimismo, se sustenta que dicho perfil, al ser el más concurrido, es el que tiene mayores bajas de la empresa.
La producción en Form, dada la crisis automotriz (la cual sigue en recuperación) ha disminuido, se espera que durante los proximos años se retome la producción a niveles operativos normales junto con un periodo estable de dicha actividad.
Si bien existe una correlación entre los niveles de producción y la merma; esta segunda área se espera que de igualmente recupere sus niveles bajos para pasar a un periodo estable y constante durante los proximos años, lo cual deja lugar a una area de oportunidad a atender de hallar nuevas maneras de aprovechar los desperdicios para crear una economía circular interna, o bien una entrada adicional de ingresos para la empresa.
Como se pudo observar, se pronostica que la producción de autos en estados unidos sufra de un comportamiento bajosta durante los proximos 3 años; a diferencia de méxico el cual por el contrario se pronostica un aumento en la producción durante los proximos periodos. Esta información es de suma relevancia, ya que como lo establece Form con su fuerte relación con automotrices Estadounidenses y dada la pronosticada caida de la prodicción de este producto en USA, se recomendaría a Form de indagar a nuevas entradas a industrias desconocidas donde puedan aportar valor con los activos con los que cuentan actualmente. En pocas palabras, se espera un declieve de producción automotriz en EEUU y por consiguiente Form debe comenzar a investigar nuevas industrias las cuales puede entrar para garantizar su posicionamiento en el mercado y sobrevivencia.
Periodos intensivos de actividad: Según los datos proporcionados y analisados, existen instancias alrededor de una vez cada cuarto del año en donde hay mayor demanda por parte de los clientes, requieriendo mayores pedidos; generando más merma y por consiguiente toda la logistica que esto conlleva (scrap). Dicho lo anterior, se considera pertinente que Form halle nuevas fuentes de ingreso durante los meses de relativa poca actividad operativa.
Como se observó durante el análisis, Form cuenta con una area de oportunidad, tratandose de que la empresa mantiene su punto de equilibrio operacional mientras no exceda un numero mayor a 25 pedidos. Esto se traduce a que existe una area de oportunidad en la capacidad de producción. Para esto, y de la mano con los demás insights del mismo contexto, valdría la pena evaluar una inversión a activos que permitan a Form una mayor expansión y posicionamiento dentro de su industria. Esto con la finalidad de atender a más clientes, con mayor numero de unidades/piezas por producto de manera simultanea, lo cual requeriría eventualmente una serie de inversion no solo de activos fijos, sino tambien de capital humano (y todo lo que conlleva dicha tarea) así como de logística, R&D, sin tomar en cuenta el insight anterior de investigar nuevas industrias a las cuales atender.
RRHH | Dados los distintos analisis realizados en este contexto, se tiene como insight que Form tiene distintas combianciones de perfiles en su organización, y si bien como se mencionó con anterioridad, existe un perfil promedio que combina distintas variables (edad, estado civil, genero, puesto, etc) es importante que Form tenga bien establecidos los distintos perfiles de cliente interno para que con ello pueda adaptarse y atender sus necesidades en contexto de desarrollo profesional; lo cual eventual y simultaneamente funcionaría como un puente en el cual se puedan disminuir los niveles de rotación a nivel inerno.
- A partir del análisis de las bases de datos de las diferentes áreas de la empresa FORM, describir 3 sugerencias que le permitan al socio formador mejorar su proceso de captura, organización, y analítica de datos.
Sugerencia 1: Si bien es poco probable que una organización con el tamaño de Form (chica-mediana) tenga la capacidad y motivas para desarrollar internamente su propia plataforma de información, se puede sugerir en invertir en un una plataforma terciarizada que permita a la empresa sistematizar y automatizar sus procesos de captura y organización de datos, para una posterior analitica de los mismos que pueda ser visualizada por todas las áreas de la empresa y obtener mayor poder de decisión.
Sugerencia 2: Dada la enriquecedora experiencia de socio formador - alumno ITESM, donde se pudo dar a cuenta de que las bases de datos no tenian (a grandes rasgos) el formato óptimo para su anaálisis, se plantearía que Form, con base a esta experiencia, desarrolle una serie de formatos dependiendo de las necesidades y requerimientos de los distintos departamentos, donde se realicen formatos institucionales establecidos y de uso permanente que sean de utilidad para la captura y organización de sus bases de datos, con la cual puedan analisar el crecimiento en todas sus areas.
Sugerencia 3: De la mano con las otras dos sugerencias, se plantea que se de un enfoque en lo que respecta la preparación de los colaboradores existentes, donde se contraten/impartan cursos/talleres externos con un enfoque hacia la optimización de las practicas en las bases de datos y manejo de la información, con lo cual se tengan los elementos suficientes para tener formatos de información ideales, en conjunto con un personal que gracias a dichos cursos/certificaciones, este lo suficientemente capacitados para desarrrollar una labor de excelencia en lo que respecta la cultura con base a datos. En pocas palabras, invertir en el desarrollo de competencia de los colaboradores administrativos para potenciar la administración de la emrpesa.
Sugerencia extra: En palabras coloquiales, me gustaría añadir que en Form hablaban de encontrar y contratar el mejor talento, pero por que no mejor desarrollar el mejor talento.
Responder las siguientes preguntas:
- Describir con tus propias palabras los términos Business Analytics y Business Intelligence. Así también, identificar y describir 3 principales diferencias entre Business Analytics y Business Intelligence.
R= En lo personal considero que BI tiene un enfoque más técnico en cuestión de capturar, administar y utilizar la información del pasado y del presente para su posterior descripción y visualización, mientras que Business Analytics percibo que cuenta con un carácter más predictivo, es decir, con BI saber lo que ha sucedido y lo que sucede, y con BA identificar patrones y estrategias predictivas que permitan realizar propuestas de crecimiento a largo plazo en el rubro de interés.
Diferencias:
1. BI es descriptivo, BA es predictivo
2. BA se enfoca en proponer soluciones, mientras que BI se enfoca más en
analizar la situación. Ambas van de la mano.
3. BI se centra en recolectar información, mientras que BI destina esa
información para realizar visualizaciones predictivas que permitan
proponer soluciones y/o siguientes pasos a tomar.
- Describir con tus propias palabras el concepto de Indicador Clave de Rendimiento / Key Performance Indicators (KPI).
En lo personal, considero que el concepto de los KPIs tratan de desarrollar métricas con enfoque cuantitativo que permitan dar seguimiento y monitoreo de un proceso en especifico para con base a ello ver si se va por la dirección correcta o proponer acciones que permitan mejorar la actividad en cuestión.
- A partir del análisis de las bases de datos de las diferentes áreas de la empresa FORM, proponer y describir 3 posibles KPIs que permitan evaluar el desempeño de algunas de sus áreas.
- Producción: % de eficiencia de activos (con esto se busca evaluar la
eficacia de los equips de maquinaria para la producción, con la
finalidad de evaluar si existe una sobrecarga de produccion en función
de los activos disponibles o es necesaria la inversión de más y/o nuevos
activos)
- RRHH: % de rotación (entradas y salidas de personal)
- % de merma liquida (merma la cual pudo ser comercializada o reutilizada nuevamente)
Fuentes:
What package is best for cluster analysis in R? (s. f.). Quora.
Recuperado el 21 de octubre de 2022 en https://www.quora.com/What-package-is-best-for-cluster-analysis-in-R
INEGI (bases de datos externas proporcionadas por la maestra)
Car production USA 2016 - 2022 (Euromonitor, 2022) recuperado el 18 de octubre, 2022 en: https://www.portal.euromonitor.com/portal/?f55ra1h6e0PzNUGtEjobGnvOI0290vyNwvzSxIBZynEgrndowmeCbw%3d%3d
Produccion carros mexico 2016 - 2022 (Euromonitor, 2022) recuperado el 18 de octubre, 2022 en: https://www.portal.euromonitor.com/portal/?%2bVagoqwKr8dnIPUq6bPfEeUzRlFjfDeZzaNi81PY51drWZHGLbqnxw%3d%3d
---
title: <span style="Color:Blue"> "Evidencia 2 | Manejo, análisis de datos y pronósticos"
author: "Carlos González Ayerdi A00829126"
date: "2022-10-12"
output: 
  html_document: 
    toc: true
    toc_float: true
    code_download: true
---
<img src= "/Users/carlosgonzalez/Desktop/FORM.png"> 

# Importar librerías

```{r message=FALSE, warning=FALSE}
library(knitr)
library(dplyr)
library(pollster)
library(janitor)
library(ggplot2)
library(naniar)
library(Hmisc)
library(psych)
library(tidyverse)
library(foreign)
library(forcats)      
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)
library(modeest)
#install.packages("foreign")
library(foreign)
#install.packages("forcats")
library(forcats)      # to work with categorical variables
#install.packages ("janitor")
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 ("kableExtra")
library(kableExtra)
library(readr)
#install.packages ("corrplot")
library(corrplot)
#install.packages ("jtools")
library(jtools) 
#install.packages ("lmtest")
library(lmtest) 
#install.packages ("car")
library(car) 
#install.packages ("olsrr")
library(olsrr) 
#install.packages ("gmodels")
library(gmodels)
library(tidyverse)
#install.packages("foreign")
#install.packages("dplyr")
library(ggplot2)
#install.packages("psych")
library(psych)
#install.packages("corrplot")
library(corrplot)
#install.packages("jtools")
library(jtools)
#install.packages("lmtest")
library(lmtest)
#install.packages("car")
library(car)
#install.packages("carData")
#install.packages("factoextra")
library(factoextra)
#install.packages("janitor")
library(janitor)
#install.packages("readr")
library(readr)
#install.packages("plotrix")
library(plotrix)

```

# Recursos Humanos (Colaboradores = col y Bajas = baj)
```{r}
#file.choose()
col <- read.csv("/Users/carlosgonzalez/Desktop/Colab_recursoshumanos.csv")
baj <- read.csv("/Users/carlosgonzalez/Desktop/BAJAS_LIMPIA.csv")
```

## Limpieza de base de datos

# Entender bases de datos
```{r}
summary(col)
summary(baj)
```

# Eliminar NA's y sustituir con 0's  
Con este metodo de limpieza se pretende convertir todo el contenido de los registros/Variables a un formato cuantitativo donde se pueda medir para posterior analisis.
```{r}
sum(is.na(col))
sum(is.na(baj))

col[is.na(col)] <-0 
baj[is.na(baj)] <-0 

col <- na.omit(col)
baj <- na.omit(baj)

summary(col)
summary(baj)
```

## Transformación de variable fecha a "formato fecha"    
Con este metodo de limpieza se pretende cambiar el formato de la fecha para posteriores gráficas donde esta variable peuda ser de utilidad
```{r}
#col$FECHA.DE.ALTA-as.Date(col$FECHA.DE.ALTA,format="%y/%m/%d")
baj$FECHA_ALTA<-as.Date(baj$FECHA_ALTA,format="%y/%m/%d")
baj$FECHA_BAJA<-as.Date(baj$FECHA_BAJA,format="%y/%m/%d") 

summary(col)
summary(baj)
```

## Cuantas variables tienen las bases de datos?
La base de datos de colaboradores cuenta con 14 variables y 113 registros, mientras que la base de datos de bajas contiene 23 variables con 233 registros.
```{r}
str(col)
str(baj)
```


## Escala, Variables y registros (Formato tabla) de RH colaboradores y bajas  
### Colaboradores
```{r}
Vari <- c("`Num_empleado`","`FECHA.DE.NACIMIENTO`","`GENERO`","`RFC`","`FECHA.DE.ALTA`","`Primer.mes`","`X4to.mes`","`PUESTO`","`DEPARTAMENTO`", "`NO.SEGURO.SOCIAL`","`SALARIO.DIARIO.IMSS`","`COLONIA`", "`MUNICIPIO`", "`ESTADO`")
```

```{r}
Type <- c("cualitativo (discreto)", "cuantitativo (continuo)", "cualitativo (nominal)", "cualitativo (nominal)", "cuantitativo (continuo)", "cuantitativo (continuo)", "cuantitativo (continuo)", "cualitativo (nominal)", "cualitativo (nominal)", "cuantitativo (discreto)", "cuantitativo (continua)", "cualitativa (nominal)", "cualitativa (nominal)", "cualitativa (nominal")
```

```{r}
Scales <- c("razón", "razón", "nominal", "intervalo", "intervalo", "intervalo", "intervalo", "ordinal", "nominal", "intervalo", "razón", "nominal", "nominal", "nominal")
```


```{r}
table<-(data.frame(Vari, Type, Scales))
knitr::kable(table)
```

### Bajas
```{r}
summary(baj)
```

```{r}
Vari <- c("`X`","`EDAD`","`FECHA.NACIMIENTO`","`GENERO`","`RFC`","`FECHA_ALTA`","`MOTIVO_BAJA`","`DIAS_LABORADOS`","`FECHA_BAJA`", "`PUESTO`","`DEPTO.`","`SEGURO`", "`SALARIO_DIARIO`", "`LUGAR_NACIMIENTO`", "`CURP`", "`CALLE`", "`NUM_INTERNO`", "`COLONIA`", "`CODIGO_POST`", "`MUNICIPIO`", "`EDO`", "`EDO_CIVIL`", "`X.1`")
```

```{r}
Type <- c("cualitativo (discreto)", "cuantitativo (continuo)", "cuantitativa (continua)", "cualitativo (nominal)", "cualitativa (nominal)", "cualitativa (nominal)", "cuantitativo (continuo)", "cualitativo (nominal)", "cualitativo (nominal)", "cualitativa (nominal)", "cuantitativo (discreta)", "cualitativa (nominal)", "cualitativa (nominal)", "cualitativa (nominal)", "cualitativa (nominal)", "cualitativa (nominal)", "cualitativa (nominal)", "cualitativa (nominal)", "cualitativa (nominal)", "cualitativa (nominal)", "cualitativa (nominal)", "cualitativa (nominal)", "cualitativa (nominal")
```

```{r}
Scales <- c("razón", "razón", "razón", "nominal", "intervalo", "razón", "nominal", "razón", "razón", "ordinal", "nominal", "intervalo", "razón", "nominal", "intervalo", "nominal", "intervalo", "nominal", "intervalo", "nominal", "nominal", "nominal", "intervalo")
```


```{r}
table<-(data.frame(Vari, Type, Scales))
knitr::kable(table)
```


## Tabla de frecuencia COLABORADORES
### Tabla Salario diario - Genero
```{r}
summary(col)
proportion <- prop.table(table(col$SALARIO.DIARIO.IMSS,col$GENERO))
proportion %>%
  kbl() %>%
  kable_styling()
```
En este caso como se observa en la tabla de frecuencia entre las variables de salario diario y genero, se puede dar a cuenta de cómo el genero femenino tiene una mayor concentración en los salarios diarios más altos. Por lo que se puede concluir en este ejericio que existe un caso de desigualdad en el contexto economico y por consiguiente es necesario proponer sesiones de conscientización sobre dichos temas con la finalidad de que exista una completa armonía y equidad de genero al menos en el contexto salarial interno. Por otra parte se propondría analizar la causa raíz o la razón por la cual a las mujeres se les paga más. Por otra parte, se sostendría una hipotesis sustentada en que existe ligeramente una mayor cantidad de mujeres trabajando en Form y por consiguiente al efectuar el count y la variedad de puestos existentes en FORM es posible que a eso se deba la dispariedad de los salarios.
## Tabla de frecuencia BAJAS
### Tabla Departamento - Salario Diario 
```{r}
proportion <- prop.table(table(col$DEPARTAMENTO,col$SALARIO.DIARIO.IMSS))
proportion %>%
  kbl() %>%
  kable_styling()
```
En este caso se puede concluir que producción, costura, ayudante general son los puestos donde se otorga un salario diario mayor, en algunos casos se tiene la hipotesis de que es debido a una alta concentración de colaboradores en un rol especifico, sin embargo como se muestra en la tabla, los departamentos con mayores salarios diarios son los que tienen mayor demanda en terminos de capacitación y experiencia y por consiguiente se infiere que Form toma en cuenta la complejidad del labor para con base a ello proponer un salario diario especifico.

## Tablas de frecuencia BAJAS
### Tabla Motivo de baja - Genero
```{r}
summary(baj)
proportion <- prop.table(table(baj$MOTIVO_BAJA,baj$GENERO))
proportion %>%
  kbl() %>%
  kable_styling()
```
En este caso se puede identificar que el genero masculino en este caso tiende a darse de baja de la empresa mediante el abandono, jubilación y de manera casi equitativa por renuncia voluntria; mientras que las mujeres son dadas de baja por faltas, y terminación de contrato, lo cual puede darse a inferir que los hombres tienden a desarrollar sus ultimos años de labor en FORM (para el grupo de edad mayor) o bien al tratarse de jovenes, lo utilizan para ganar dinero de manera temporal. 

### Tabla Estado civil - Motivo de baja  
```{r}
proportion <- prop.table(table(baj$EDO_CIVIL,baj$MOTIVO_BAJA))
proportion %>%
  kbl() %>%
  kable_styling()
```
Se considera que un hallazgo interesante es que por la tendencia observada en la tabla anterior, las personas solteras son quienes en definitiva salen de la empresa con mayor frecuencia, a diferencia de personas divorsiadas y/o casadas, quienes por razones de sustento familiar, existe menor tendencia de que un grupo de este tipo salga de la empresa.

# Gráficos cualitativos/cuantitativos - Colaboradores
```{r}
pie(prop.table(table(col$GENERO)),col=c("purple","green"),main="Genero", ylab ="Proporción",las=1)
```
Con el gráfico cualitativo anterior, se puede dar a cuenta de que como se mencionño anteriormente, el genero femenino tiene mayor presencia en la empresa y por consiguiente existe la hipotesis de que esta sea la razón por la cual se registran mayores pagos para las mujeres. Adicionalmente, se percibe que FORM es una empresa incluyente, ya que cuenta con tan solo una liger inclinacón hacia el genero femenino. 
```{r}
hist(col$SALARIO.DIARIO.IMSS, col="cyan")
```
Con el histograma anterior, se puede dar a cuenta de que el salario diario con mayor concentración ronda entre los 150mxn y 200mxn, siendo el promedio un alrededor de 180mxn. Algo a notar es que existe un pequeño subgrupo donde se percibe un salario diario mayor, el cual se especula es el empleado con mayor antiguedad de la empresa o bien el director genral. Por otra parte, los demás grupos que rondan entre los 200mxn - $280 es probable que surjan debido a la antiguedad, el tipo de pueston y/o demás prestaciones/beneficios con los que cuenten estas personas. 

```{r}
Gen_salarioProm<-aggregate(SALARIO.DIARIO.IMSS ~ GENERO, data = col, mean)
Gen_salarioProm
```

Como se puede reafirmar, el promedio de salario diario se encuentra dentro de la cantidad aproximada de 180 pesos; sin embargo se vuelve a reafirmar que las muejres tiene un pago ligeramente mayor que los hombres. para esto se propondría que los administradores de recursos humanos monitoreen las brechas salariales para identificar la causa raíz para que, en caso de ser injustificada, estas cantidades sean ajustadas para lograr una mayor igualdad salarial.

```{r}
ggplot(Gen_salarioProm,aes(x=GENERO,y=SALARIO.DIARIO.IMSS,fill=SALARIO.DIARIO.IMSS, col="blue"))+
  geom_bar(stat="identity", col="blue")+
  labs(title="Promedio de Salario Femenino | Masculino")
```
En este caso, el principal insight que se puede apreciar es la relación entre el salario diario contra la proporcion existente de genero en Form. Adicionalmente, se puede corroborar que las mujeres ganan una cantidad ligeramente más alta de dinero que los hombres.
# Gráficos cualitativos/cuantitativos - BAJAS
```{r}
summary(baj)
pie(prop.table(table(baj$EDO_CIVIL)),col=c("purple","green", "yellow", "blue"),main="Estado Civil", ylab ="Proporción",las=1)
```
Mediante esta grafica cualitativa, se puede sustentar que el estado civil más común presente en Form es soltería, seguido de matrimonio y unión libre respectivamente. De igual manera, podemos sustentar la hipotesis presentada con anterioridad, donde los solteros son los que salen de la empresa; por consiguiente y en parte debido a que no tienen respondabilidad con familiares y por que representan una alta concentración de la fuerza laboral de la empresa. 

## Histograma de días laborados 
```{r}
hist(baj$DIAS_LABORADOS, col="blue")
```
En este caso, se puede observar y recabar informacón complementaria para evaluar la cantidad de días que trabajan los colaboradores. En este caso existe la gram mayoría de la concentración de colaboradores que trabajan aproximadamente 200 días. Adicionalmente, las personas quienes han trabajado más días forman parte de una minoría bastante aislada; especialmente en el caso de aquellos que han trabajado más de 1500 - 2000 días, representando esto 10 veces más que la myoría. 
```{r}
tapply(baj$SALARIO_DIARIO,
       list(baj$GENERO,baj$EDO_CIVIL), mean)

hist(baj$EDAD, freq=TRUE, col='LightBlue', main="Histograma de grupos de edad",xlab="Edad en Años")
```
Mediante este histograma, se puede identificar que el grupo de edad predominante en Form es de 20 - 30 años, por lo que tomando en cuenta analisis anteriores, se puede probar la hipotesis de que aquellos que son solteros tienen mayor tendencia a salir de la empresa e inclusive a salir de manera "informarl" de la misma. Por otra parte, los grupos de edad menos comunes comienzan a partir de los 40 años en adelante; sin embargo tambien en esos grupos se integran los colaboradores que tienen más tiempo en la empresa. 

# Graficos de disperción COLABORADORES

### Boxplot Colaboradores
```{r}
boxplot(col$SALARIO.DIARIO.IMSS , vertical = TRUE)
```
Mediante este box plot, se puede identificar ue existe una fuerte concentración en lo que respecta el salario diario, mientras que aquellos que ganan menos o más que la mayoría, representan un grupo sumamente pequeño de personas. En este caso se puede inferir que aquellos que ganan más son parte del equipo administrativo y/o directivo.

### Disperción colaboradores
```{r}
plot(col$FECHA.DE.ALTA, col$SALARIO.DIARIO.IMSS, main = "Salario por antigüedad",
     xlab = "FECHA DE ALTA", ylab = "SALARIO",
     pch = 19, frame = FALSE)
```
Con este grafico de disperción, se puede sustentar que Form aumenta el salario de aquellos que llevan más tiempo en la organización, ya que observamos la agrupación de puntos ligeramente arriba que la mayoría, significando esto un aumento en salario a traves del tiempo. 

## Graficos de disperción BAJAS - Días laborados
```{r}
summary(baj)
boxplot(baj$DIAS_LABORADOS , vertical = TRUE)
```

En este caso, de nueva cuenta se puede visualizar que la mayoría de colaboradores realmente no llevan ni 1 año con su contrato laboral activo en la organización, donde en cambio, se detalla que existen pocas personas con  un alto numero de días laborados. 

### Disperción bajas
```{r}
plot(baj$DIAS_LABORADOS, baj$SALARIO_DIARIO, main = "Sueldo por días totales laborados",
     xlab = "Días laborados", ylab = "Sueldo",
     pch = 19, frame = FALSE)
```
En este caso se observa dependiendo del puesto que se desempeñe dentro de Form existe una diferencia en el salario diario, sin embargo, es valido recalcar que hay posiciones dentro de la empresa con pagos mayores, quienes probablemente sea el equipo directivo o el dueño. 

## Tabla de estadisticos (media, mediana, moda, desviación estándar) | COLABORADORES
```{r}
summary(col)
mea2 <- mean(col$Num_empleado)
med2 <- median(col$Num_empleado)
moda2<- mfv(col$Num_empleado)
sd2 <- sd(col$Num_empleado, na.rm = TRUE)
```

```{r}
mea3 <- mean(col$FECHA.DE.NACIMIENTO)
med3 <- median(col$FECHA.DE.NACIMIENTO)
moda3 <- mfv(col$FECHA.DE.NACIMIENTO)
sd3 <- sd(col$FECHA.DE.NACIMIENTO, na.rm = TRUE)
```

```{r}
mea4 <- mean(col$GENERO)
med4 <- median(col$GENERO)
moda4 <- mfv(col$genero)
sd4 <- sd(col$GENERO, na.rm = TRUE)
```

```{r}
mea5 <- mean(col$FECHA.DE.ALTA)
med5 <- median(col$FECHA.DE.ALTA)
moda5 <- mfv(col$FECHA.DE.ALTA)
sd5 <- sd(baj$numero, na.rm = TRUE)
```

```{r}
Variables <-c("Num_empleado","Fecha_naci", "Genero", "Fecha_Alta")
Media <-c(mea2,mea3,mea4,mea5)
Mediana <-c(med2,med3,med4,med5)
Moda <-c(moda2,moda3,moda4,moda5)
Desviacion <-c(sd2,sd3,sd4,sd5)
tabla2 <-data.frame(Variables, Media, Mediana, Moda, Desviacion)
knitr::kable(tabla2)
```
En este caso, se considera que los datos mas relevantes son: Mediante la media, se pudo comprobar que las mujeres tienen mayor presencia en la empresa. Por otra parte, la fecha de nacimiento promedio de los colaboradores es en 1992. Por consiguiente, se pretende pintar un perfil de colaborador que pertenece al grupo generacional Milenial.

## Tabla de estadisticos (media, mediana, moda, desviación estándar) | BAJAS
```{r}
summary(baj)
mea2 <- mean(baj$EDAD)
med2 <- median(baj$EDAD)
moda2<- mfv(baj$EDAD)
sd2 <- sd(baj$EDAD, na.rm = TRUE)
```

```{r}
mea3 <- mean(baj$DIAS_LABORADOS)
med3 <- median(baj$DIAS_LABORADOS)
moda3 <- mfv(baj$DIAS_LABORADOS)
sd3 <- sd(baj$DIAS_LABORADOS, na.rm = TRUE)
```

```{r}
mea4 <- mean(baj$EDO_CIVIL)
med4 <- median(baj$EDO_CIVIL)
moda4 <- mfv(baj$EDO_CIVIL)
sd4 <- sd(baj$EDO_CIVIL, na.rm = TRUE)
```

```{r}
mea5 <- mean(baj$SALARIO_DIARIO)
med5 <- median(baj$SALARIO_DIARIO)
moda5 <- mfv(baj$SALARIO_DIARIO)
sd5 <- sd(baj$numero, na.rm = TRUE)
```

```{r}
Variables <-c("Edad","Dias laborados", "Estado Civil", "Salario Diario")
Media <-c(mea2,mea3,mea4,mea5)
Mediana <-c(med2,med3,med4,med5)
Moda <-c(moda2,moda3,moda4,moda5)
Desviacion <-c(sd2,sd3,sd4,sd5)
tabla2 <-data.frame(Variables, Media, Mediana, Moda, Desviacion)
knitr::kable(tabla2)
```
En este caso se puede demostrar que El promedio de un colaborador(a) en Form es una persona soltera de 31 años que trabajó al rededor de 2 meses ganando  aproximadamente 180mxn diarios

# Graficos adicionales

## Barplot COLABORADORES
```{r} 
col <- read.csv("/Users/carlosgonzalez/Desktop/Colab_recursoshumanos.csv")
summary(col)
ggplot(col, aes(factor(`GENERO`), fill = factor(`SALARIO.DIARIO.IMSS`))) +
  geom_bar(position = position_dodge2(preserve = "single"))
```
Mediante este grafico, se puede especificar el salario fijo de las personas que ganan más. En este caso efectivamente, las mujeres ganan más en el puesto que genera $180.68 mientras que el puesto que genera una menor cantidad tiene mayor participación por parte de hombres. En pocas palabras, se puede inferir que las muejres están en puestos que generan más ingresos, mientras que los hombres están presentes en donde se genera una cantidad menor.

## Barplot BAJAS
```{r}
summary(baj)
ggplot(baj, aes(factor(`MOTIVO_BAJA`), fill = factor(`GENERO`))) +
  geom_bar(position = position_dodge2(preserve = "single"))
```
En este caso, se puede dar a cuenta de que las mujeres cuentan con mayor numero de bajas al simplemente dejar de venir la cantidad de veces semanales que indica su cintrato, mientras que los hombres se van por abandono, jubilaciñon y por renuncia voluntaria. 

## Dispercion plots (presentados anteriormente)

## Time series plot (lineplot, heatmap)

```{r}
plot(col$FECHA.DE.ALTA, xlab = "Fecha de alta en FORM", ylab = " ")
#polygon(col$FECHA.DE.ALTA, col="green", border="black")
```
Para esta grafica, se puede inferir que Form tiene contrataciones constantes y durante todo el año, es decir, a diferencia de las organizaciones tradicionales quienes contratan especialmente durante el ultimo cuarto del año y principios del siguiente año, form constantemente contrata. Por otra parte, así como hay contrataciones, hay dadas de baja y por consiguiente se entiende la estrategia de reclutamiento de Form, donde debe mantener un flujo constante de personal en función con las bajas que se tienen.

### Grafica de PIE del genero 
```{r}
pie(table(baj$GENERO))
```
Finalmente, se tiene que se tienen más colaboradores de genero femenino, mientras que el masculino, debido a que son quienes generan la mayoría de las bajas y por consiguiente mayor rotación; las mujeres tienden a estar más tiempo y desemepeñar labores con mayor nivel de complejidad y por consiguiente estñan mayor tiempo en la empresa. 

# Delivery Plan
```{r}
#file.choose()
dplan <- read.csv("/Users/carlosgonzalez/Desktop/Delivery Plan BD FINAL.csv")
```

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

## Limpieza de base de datos
### Método #1 Realizar un pivote con la finalidad de unir los pedidos programados en una sola columna. Adicionalmente, con este método se pretende que las variables se arreglen de manera alfabética para facilitar el entendimiento y comprención de las gráficas.
```{r}
library(tidyr)
dplan <- clean_names(dplan)
dplan <- dplan %>% dplyr::rename(cliente=cliente_planta,
                             A_jun_21=junio,
                             B_jul_21=julio,
                             C_ago_21=agosto,
                             D_sep_21=septiembre,
                             E_oct_21=octubre,
                             F_nov_21=noviembre,
                             G_dic_21=diciembre,
                             H_ene_22=ene_22,
                             I_feb_22=feb_22,
                            J_mar_22=mar_22,
                            K_abr_22=abr_22,
                            L_may_22=may_22,
                            M_jun_22=jun_22,
                            N_jul_22=jul_22,
                            O_ago_22=ago_22,
                            P_sep_22=sep_22,
                            Q_oct_22=octubre_22,
                            R_nov_22=nov_22,
                            S_dic_22=dic_22,
                            T_ene_23=ene_23,
                            U_feb_23=feb_23,
                            V_mar_23=feb_23
                          
                           )

colnames(dplan)
```


```{r}
dplan <- pivot_longer(dplan, cols=5:14, names_to = "Mes", values_to = "Unidades")

str(dplan)
```


## Método de limpieza #2: Remover ceros de la base de datos
```{r}
dplan1 <- filter(dplan, Unidades>0)
```

## Método de limpieza #3: Eliminar variables innecesarias. Para esto se plantea dejar unicamente las variables más importantes tales como Cliente, Mes y unidades. Con dichas variables se podrán realizar distintos analisis los cuales serán de utilidad para realizar propuestas de alto impacto para la organización y su competitividad a largo plazo.

```{r}
dplan2 <- dplan1         
dplan2 <- subset (dplan1, select = -c (proyecto, id_odoo, item, K_abr_22, L_may_22, M_jun_22,N_jul_22,O_ago_22, P_sep_22, Q_oct_22, R_nov_22,  S_dic_22, T_ene_23, V_mar_23, mar_23, total_meses))
summary(dplan2)
```

## Entender la base de datos mediante variables y registros
```{r}
describe(dplan2)
str(dplan2)
```

Se encuentran 3 variables con 590 registros respectivamente 

```{r}
Vari <- c("`Cliente`","`Mes`","`Unidades`")
```

```{r}
Type <- c("cualitativo (discreto)", "cualitativo (discreto)", "cuantitativo (nominal)")
```


```{r}
Scales <- c("razón", "ordinal", "nominal")
```


```{r}
table<-(data.frame(Vari, Type, Scales))
knitr::kable(table)
```


# Tabla de Frecuencia 

```{r}
summary(dplan2)
```

### Unidades por Cliente
```{r}
proportion <- prop.table(table(dplan2$Unidades,dplan2$cliente))
proportion %>%
  kbl() %>%
  kable_styling()
```

### Unidades por mes
```{r}
proportion <- prop.table(table(dplan2$Unidades,dplan2$Mes))
proportion %>%
  kbl() %>%
  kable_styling()
```

# Gráficas cualitativas y cuantitativas
### Unidades por mes
```{r}
ggplot(dplan2, aes(Mes,Unidades)) +                                    
  geom_bar(stat = "identity") +
  scale_fill_brewer(palette = "Set2") + ggtitle("Unidades por mes") 
```
de acuerdo con el analisis, existe una instancia al rededor de cada cuarto del año donde existe un pico relativo al numero de pedidos programados para el mes, lo cual quiere decir que o bien, casualmente se realizan pedidos en esas instancias dentro del periodo anual, o por procedimientos adminstrativos estos datos son capturados al final de cada cuarto y por consiguiente son representados de esta manera.

### Pedidos por cliente
```{r}
ggplot(dplan2, aes(x = Mes, y = Unidades, group = cliente)) +
  geom_line()+
  ggtitle("Pedidos por Cliente")
```
En este grafico se sigue con el tipo de tendencia en donde los pedidos por cliente aumentan o disminuyen de acuerdo al cuarto del año; sin embargo se pueden observar grupos de actividad en la grafica, representando bloques bimestrales que se correlacionan con el insight anterior. 
### Gráfica cualitativa de Clientes
```{r}
pie(table(dplan2$cliente))
```
En este grafico de pie se pueden visualizar los clientes, donde VARROC es quien predomina casi el 50% de las figuraciones dentro de las base de datos. Ahora bien, si es cierto que aparece más veces en la base de datos, pero no necesamiamente es quien realiza pedidos más grandes o que aporte en mayor cantidad a Form, sino que, aportando otra hipotesis, sería valido decir que puede ser un cliente con pedidos pequeños pero multiples a lo largo del periodo establecido. 

# Gráficos de disperción:
### Gráfico de disperción 1

```{r}
qqnorm(dplan2$Unidades, main="Grafica de dispersion", ylab="Pedidos programados",col='#FF7F24')
  qqline(dplan2$Unidades, col='#FF7F24')
```
En este caso, se puede observar la dispercion de los pedidos programados, donde se reafirma la hipotesis en donde hay una concentración de pedidos en ciertos periodos, mientras qeue en otros periodos son más aislados o bajan la recurrencia operativa en ese sentido. 

```{r}
hist(dplan2$Unidades,main="Histograma",xlab="Delivery diference",col='#FF7F24')
```

Hallazgos: La mayoría de porcentaje de pedidos consta de menos de 1000 piezas

# Tabla de estadisticas | Media, Mediana, Moda y Desviación Estandar
```{r}
mea2 <- mean(dplan2$cliente)
med2 <- median(dplan2$cliente)
moda2<- mfv(dplan2$cliente)
sd2 <- sd(dplan2$cliente, na.rm = TRUE)
```

```{r}
mea3 <- mean(dplan2$Mes)
med3 <- median(dplan2$Mes)
moda3 <- mfv(dplan2$Mes)
sd3 <- sd(dplan2$Mes, na.rm = TRUE)
```

```{r}
mea4 <- mean(dplan2$Unidades)
med4 <- median(dplan2$Unidades)
moda4 <- mfv(dplan2$Unidades)
sd4 <- sd(dplan2$Unidades, na.rm = TRUE)
```


```{r}
Variables <-c("Cliente", "Mes", "Unidades")
Media <-c(mea2,mea3,mea4)
Mediana <-c(med2,med3,med4)
Moda <-c(moda2,moda3,moda4)
Desviacion <-c(sd2,sd3,sd4)
tabla2 <-data.frame(Variables, Media, Mediana, Moda, Desviacion)
knitr::kable(tabla2)
```

# Bar plot adicional
```{r}
ggplot(dplan2, aes(cliente,Unidades)) +                                    
  geom_bar(stat = "identity") +
  scale_fill_brewer(palette = "Set1") + ggtitle("Unidades por mes") 
```
En este caso se muestra la cantidad de unidades por mes por cada cliente; donde se puede dar a cuenta que en definitiva existen clientes especificos los cuales requicitan de mayor demanda a Form que otros clientes. 


## Scatter plot
```{r}
  plot(dplan2$Unidades, dplan2$Unidades, main = "Disperción de proporción de piezas programadas",
     xlab = "Unidades", ylab = " ",
     pch = 19, frame = FALSE)
```
Para este scatter plot, se puede identificar la tendencia en donde la concentracion de pedidos pequeños es mayor que la de pedidos grandes, donde en contexto relativo hay solo unos cuantos clientes que requieren unidades/Cantidades grandes por parte de form. En otras palabras, Form dada su capacidad y perfil de empresa, no deja de tener areas de oportunidad en lo que respecta la produccion si desea crecer. 
## Box Plot

```{r}
boxplot(dplan2$Unidades , vertical = TRUE)
```

Nuevamente se reafirma la hipotesis de que son pocos los clientes quienes realizan pedidos muy grandes en comparacion con los demás

# Time series plot
```{r}
plot(dplan2$Unidades, xlab = "Mes", ylab = "Kilos")
polygon(dplan2$Mes, col="green", border="black")
```

  *Por un error desconocido, R no me permite ejecutar correctamente un time series plot, por lo que interpretaré la presente gráfica como si tuviera los atributos de una time series. 

Hallazgos: 


# Delivery Performance
```{r}
#file.choose()
dep <- read.csv("/Users/carlosgonzalez/Desktop/FORM - Delivery Performance.csv")
```

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

## Numero de variables y registros presentes en la base de datos
```{r}
str(dep)
```
Actualmente existen 8 variables con 1440 registros respectivamente. 

# Limpieza de la base de base de datos

### Eliminar variable inecesaria con la finalidad de trabajar unicamente con las que se utilicen para el ejercicio de alto impacto.
```{r}
dep <-subset (dep, select =-c(Target)) 
```


### Cambiar formato de caracter a fecha: 
En este caso se pretende cambiar el formato, ya que la base de datos da estimados de entrega para los clientes y por consiguiente es imperativo que las fechas tengan el formato óptimo para el estudio y resultado deseado. 

```{r}
dep$Date <-as.Date(dep$Date,format ="%d/%m/%Y")
tibble(dep)
```


# Identiificar valores faltantes | Verificar la existencia de NA's o datos invalidos en la base de datos

```{r}
sum(is.na(dep))
```

### Por variable
```{r}
sapply(dep,function(x)sum(is.na(x)))
```

### Borrar registros invalidos (NA's)
```{r}
dep <- na.omit(dep)
summary(dep)
```

# Variables y registros
```{r}
str(dep)
```
Tras la limpieza de datos, se finaliza la base de datos con 7 variables y 1440 registros respectivamente, con lo cual, se proseguirá a realizar el analisis de la misma. 


# Tabla de clasificación de variables
```{r}
variables <- c("`Cliente`","`Vueltas`","`Plan.arrival`","`Real.arrival`","`Plan.departure`","`Diference`","`Date`")
tipos <- c("cualitativo  ", "cuantitativo (discreto)  ", "cuantitativo (continuo)  ", "cuantitativo (continuo)  ", "cuantitativo (continuo)  ", "cuantitativo (continuo)  ", "cualitativo  ")
escalas <- c("nominal", "razon", "razon", "razon", "razon", "razon", "ordinal")
table1 <- data.frame (variables, tipos, escalas)
knitr::kable(table1)
```

# Tabla de frecuencia 1 | Cliente y plan arrival

```{r}
proportion <- prop.table(table(dep$Cliente,dep$Plan.arrival))
proportion %>%
  kbl() %>%
  kable_styling()
```

En este caso se planteó realizar esta tabla de frecuencia, ya que nos indica la frecuencia de cada cliente en función de las fechas esperadas o programadas que se tienen. En este caso podemos ver que existen ciertos clientes que cuentan con mayor de esta frecuencia, relacionandose con no solo la importancia de cada cliente, sino con el % de participación en la operación de Form.

# Tabla cruzada

```{r}
location <- CrossTable(dep$Cliente, dep$Plan.arrival, prop.t=TRUE, prop.r=TRUE, prop.c=TRUE)
kbl(location) %>%
  kable_classic()
```

# Graficos cuantitativos y cualitativos

## Grafico cuantitativo | Vueltas por cliente 
```{r}
ggplot(dep, aes(dep$Cliente,dep$Vueltas)) +                                    
  geom_bar(stat = "identity") +
  scale_fill_brewer(palette = "Set2") + ggtitle("Vueltas por cliente") 
```


## Grafico cuantitativo | Planes de llegada por cliente
```{r}
ggplot(dep, aes(dep$Cliente,dep$Plan.arrival)) +                                    
  geom_bar(stat = "identity") +
  scale_fill_brewer(palette = "Set2") + ggtitle("Planes de llegada por cliente") 
```

En este caso se puede inferir que existen dos clientes cuyos esfuerzos muestran mayor magnitud por parte de la productividad de Form, ya que de acuerdo con el grafico anterior, MAHLE y PRINTEL son los cientes quienes tiene mayor presencia en la agenda de la empresa. 

## Grafico cualitativo

```{r}
pie(table(dep$Cliente))
```

En este caso, se muestran los clientes principales de Form, donde destaca inicialmente MAHLE y VARROC, donde de acuerdo con el grafico anterior, tienen mayor participación en las operaciones de Form. 

# Gráficos de dispersión

```{r}
Delivery <- data.frame(dep$Cliente, dep$Plan.arrival, dep$Real.arrival, dep$Real.departure, dep$Date)
colnames(Delivery)<-c('Cliente', 'Plan.arrival', 'Real.arrival', 'Real.departure', 'Date')
Realarrival_boxplot = subset(Delivery, select =-c (Cliente, Date))
boxplot(Realarrival_boxplot,data=data,main="Entregas", 
        col=rainbow (ncol(trees)))
```
Con los boxplot anteriores, se puede dar a cuenta de que Form generalmente hace sus entregas alrededor y dentro del margen posiblemente aceptable, donde las fecha planeadas no se alejan tanto de la realidad en función de la salida de la fabrica y la fecha de llegada. 


# Histograma | Diferencia en días de planeado contra realizado
```{r}
hist(dep$Diference,main="Diferencia en días de planeado contra realizado",xlab="Delivery diference",col='#FF7F24')
```

En este caso, tenemos un numero negativo, indicando que Form realiza entregas incluso antes de los esperado al cliente, aportando mayor valor dentro de su servicio. Por otra parte, existen ocasiones más escazas donde Form lleva a cabo las entrgas 5 días después. 
Analizado lo anterior, es importante generar una estrategia que permita a Form realizar las entregas el día establecido o incluso antes. Por otra parte, si se trata de retos técnicos que impidieron la entrega dentro del periodo estipulado, es necesario reforzar la realción con el cliente de alguna manera (descuento/producto gratis/logíastica/entrega a menor costo o gratuito, etc.)

# Tabla de estadisticas | Media, Mediana, Moda y Desviación Estandar
```{r}
moda <- function(x) {
  ux <- unique(x)    
  ux[which.max(tabulate(match(x, ux)))]      
}    
mea2 <- mean(dep$Vueltas)
med2 <- median(dep$Vueltas)
moda2 <- moda(dep$Vueltas)
Moda1sd2 <- sd(dep$Vueltas, na.rm = TRUE)
```

```{r}
mea3 <- mean(dep$Cliente)
med3 <- median(dep$Cliente)
moda3 <- moda(dep$Cliente)
sd3 <- sd(dep$Cliente, na.rm = TRUE)
```

```{r}
mea4 <- mean(dep$Diference)
med4 <- median(dep$Diference)
moda4 <- moda(dep$Diference)
sd4 <- sd(dep$Diference, na.rm = TRUE)
```

```{r}
mea5 <- mean(dep$Real.arrival)
med5 <- median(dep$Real.arrival)
moda5 <- moda(dep$Real.arrival)
sd5 <- sd(dep$Real.arrival, na.rm = TRUE)
```

```{r}
Variables <-c("Vueltas", "Cliente", "Diference", "Real_Arrival")
Media <-c(mea2,mea3,mea4, mea5)
Mediana <-c(med2,med3,med4, med5)
Moda <-c(moda2,moda3,moda4, moda5)
Desviacion <-c(sd2,sd3,sd4, sd5)
tabla2 <-data.frame(Variables, Media, Mediana, Moda, Desviacion)
knitr::kable(tabla2)
```


Hallazgos: 

## Diagrama de dispersión
```{r}
qqnorm(dep$Diference, main="Grafica de dispersion", ylab="Delivery diference",col='#FF7F24')
qqline(dep$Diference, col='#FF7F24')
```

# Time series plot
```{r}
ggplot(dep,aes(x= Date))+
  geom_point(aes(y=Plan.arrival),color="#4169E1")+
  geom_point(aes(y=Real.arrival),color="#FF7F24")+
  labs(x="2022",y="Llegadas")+
  ggtitle("Llegadas planeadas y reales de pedidos")
```

En esta serie de tiempo, se puede observar con claridad que existen ciertas concentraciones en febrero-marzo y junio-agosto donde hay variaciones que no necesariamente siguen los tiempo de llegada planeados, es decir, Form en ocasiones no tiene la capacidad operativa o de infraestructura para garantizar a un 100% que se realizarán entregas cuando lo indica inicialmente.  

## Producción

```{r}
#file.choose()
prod <- read.csv("/Users/carlosgonzalez/Desktop/produccion.csv") 
```

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


# Limpieza de base de datos | Producción

### Limpieza #1 Eliminar columnas innecesarias para el estudio en cuestión

```{r}
prod1 <- subset(prod,select = -c (no, id_form, producto, hora_fin, inicio_setup, fin_inicio_su, inicio_proceso, fin_proceso, tiempo_materiales, merma))

summary(prod1)
```

Se escogió este metodo de limpieza ya que mediante el presente, se tendrá la posibilidad de trabajar únicamente con las variables de alto impacto para nuestro estudio.

### Limpieza #2 Formatear las variables
```{r}
prod1$piezas_prog<-as.numeric(prod1$piezas_prog)
prod1$tiempo_minutos<-as.numeric(prod1$tiempo_minutos)
prod1$laminas_procesadas<-as.numeric(prod1$laminas_procesadas)
prod1$tiempo_calidad<-as.numeric(prod1$tiempo_calidad)
prod1$cliente<-as.factor(prod1$cliente)  
prod1$estacion_arranque<-as.factor(prod1$estacion_arranque) 

colSums(is.na(prod1))
```

Se empleó este metodo de limpieza, ya que la base de datos contaba con las variables con formato de caractér, lo cual no es lo óptimo para el posterior análisis. Esto contribuirá a la gorrecta visualización de los datos, los cuales de no contar con el formato correcto, R puede no hacer uso óptimo de los registros provenientes de la base de datos. 

# Reemplazar NA's con el promedio 
```{r}
prod1<-prod1 %>% mutate(piezas_prog=ifelse(is.na(piezas_prog),median(piezas_prog,na.rm=T),piezas_prog))
prod1<-prod1 %>% mutate(tiempo_minutos=ifelse(is.na(tiempo_minutos),median(tiempo_minutos,na.rm=T),tiempo_minutos))
prod1<-prod1 %>% mutate(laminas_procesadas=ifelse(is.na(laminas_procesadas),median(laminas_procesadas,na.rm=T),laminas_procesadas))
prod1<-prod1 %>% mutate(tiempo_calidad=ifelse(is.na(tiempo_calidad),median(tiempo_calidad,na.rm=T),tiempo_calidad))
```


### Variables y registros presentes en la base de datos de Producción
```{r}
str(prod1)
```

En este caso, se tienen 7 variables con 5411 registros respectivamente. 


## Clasificación de variables y escala de medición | Formato tabla

```{r}
#summary(prod1)
variables <- c("`fecha`","`cliente`","`piezas_prog`","`tiempo_minutos`","`estacion_arranque`","`laminas_procesadas`","`tiempo_calidad`")
tipos <- c("cualitativo  ", "Cualitativo", "cuantitativo (continuo)  ", "cuantitativo (continuo)  ", "cualitativo (continuo)  ", "cuantitativo (continuo)  ", "cualitativo")
escalas <- c("razon", "nominal", "razón", "razon", "nominal", "razon", "razon")

table1 <- data.frame (variables, tipos, escalas)
knitr::kable(table1)
```

##  2 Tablas de frecuencia 
### Tabla de frecuencia Tiempo de Calidad por cliente.
```{r}
proportion <- prop.table(table(prod1$cliente,prod1$tiempo_calidad))
proportion %>%
  kbl() %>%
  kable_styling()
```
## Tabla de frecuencia #2 
### Tiempo de calidad dedicado por numero de piezas. 

```{r}
proportion <- prop.table(table(prod1$tiempo_calidad,prod1$piezas_prog))
proportion %>%
  kbl() %>%
  kable_styling()
```

## Gráficos cualitativos y cuantitativos

## Gráfica de barras laminas procesadas por cliente
```{r}
sss <- aggregate(laminas_procesadas ~ cliente, data = prod1, FUN=sum)
ss <- aggregate(laminas_procesadas ~ cliente, data = prod1, FUN=mean)
as.matrix(ss$laminas_procesadas)
```


```{r}
as.matrix(ss$laminas_procesadas)
```


```{r}
data <- data.frame(
  name = sss$cliente,
  average = ss$laminas_procesadas,
  number = sss$laminas_procesadas
)

my_bar <- barplot(height=data$number, names=data$name)
```
En este caso se puede sustentar que Form destina una parte fuerte de sus operaciones a los clientes de STABIULUS 3, TRMX, VL y Denso. En otras palabras, La mayor parte de producción es destinada a estos clientes. 

````{r}
summary(prod1)
ggplot(prod1, aes(cliente,tiempo_calidad)) +                                    
  geom_bar(stat = "identity") +
  scale_fill_brewer(palette = "Set2") + ggtitle("TIEMPO INVERTIDO DE CALIDAD POR CLIENTE") 
````
En este caso, se puede identificar el comportamiento operativo de FORM, donde evidentemente se le invierte tiempo de calidad más fuerte a clientes que demandan más pedidos por parte de form; Queriendo decir que entre mayor sea la demanda del cliente, mayor será el tiempo de calidad invertido respectivamente. 

Gráfica cualitativa
```{r}
pie(table(prod1$cliente))
```
En este caso, se pueden identificar los clientes que aparecen más en la base de datos de Form. Ahora bien, esto no significa que sean los clientes que contribuyen en mayor medida a la operación, ni mucho menos a los ingresos de Form, sin embargo es imperativo tomar en cuenta que al aparecer en esta grafica, significa que muy probablemente hacen muchos pedidos, pero no necesariamente que demanden muchas piezas. 

## Gráficas de disperción

```{r}
plot(prod1$piezas_prog,prod1$laminas_procesadas, col="red", xlab="Laminas Programadas",ylab="Laminas Procesadas")
```

En este caso, se puede identificar que la gran parte de la actividad de form en lo que respecta su productividad en función de la producción programada es que sus pedidos se constituyen en su mayoría por pedidos relativamente pequeños. 

## Gráfica de disperción
```{r}
plot(prod1$laminas_procesadas,prod1$tiempo_minutos, col="blue", xlab="Laminas Programadas",ylab="Laminas Procesadas")
```


## Tabla de estadisticos 
### Se utilizarán las variables más útiles para el estudio. 
```{r}
moda <- function(x) {
  ux <- unique(x)    
  ux[which.max(tabulate(match(x, ux)))]      
}    
mea2 <- mean(prod1$fecha)
med2 <- median(prod1$fecha)
moda2 <- moda(prod1$fecha)
sd2 <- sd(prod$fecha, na.rm = TRUE)
```

```{r}
mea3 <- mean(prod1$piezas_prog)
med3 <- median(prod1$piezas_prog)
moda3 <- moda(prod1$piezas_prog)
sd3 <- sd(prod1$piezas_prog, na.rm = TRUE)
```

```{r}
mea4 <- mean(prod1$tiempo_minutos)
med4 <- median(prod1$tiempo_minutos)
moda4 <- moda(prod1$tiempo_minutos)
sd4 <- sd(prod1$tiempo_minutos, na.rm = TRUE)
```

```{r}
mea5 <- mean(prod1$laminas_procesadas)
med5 <- median(prod1$laminas_procesadas)
moda5 <- moda(prod1$laminas_procesadas)
sd5 <- sd(prod1$Real.arrival, na.rm = TRUE)
```

```{r}
Variables <-c("fecha", "piezas_prog", "tiempo_minutos", "laminas_procesadas")
Media <-c(mea2,mea3,mea4, mea5)
Mediana <-c(med2,med3,med4, med5)
Moda <-c(moda2,moda3,moda4, moda5)
Desviacion <-c(sd2,sd3,sd4, sd5)
tabla2 <-data.frame(Variables, Media, Mediana, Moda, Desviacion)
knitr::kable(tabla2)
```

## Barplotsy dispercion plots presentados anteriormente. 

## Time series plot
```{r}
plot(prod1$piezas_prog, xlab = "Tiempo", ylab = "Piezas programadas")
polygon(prod1$tiempo_calidad, col="green", border="black") 
```
*Como se especificó anteriormente, se desconoce la razoón por la cual mi computadora no corre la time plot correctamente, sin embargo me gustaría interpretar la gráfica que me genera el código.

En este caso, se puede interpretar que el numero de instancias donde se programan mayores nuemeros de pedidos de piezas es durante el penultimo cuarto del año, así como principios del siguiente año, mientras que a mediados del año presente existe una cantidad estable de pedidos programados y por consiguiente podemos concluir que Form emplea mayor producción en estos periodos del año y por lo tanto podemos asumir y sustentar que es cuando generan mayor parte de los ingresos. 


# Merma
```{r}
#file.choose()
merma <- read.csv("/Users/carlosgonzalez/Desktop/FORM - Merma1.csv")
```

# Limpiar base de datos
### Eliminar datos NA
```{r}
sum(is.na(merma))
```
En este caso se considera importante corroborar que no existan datos invalidos como NA's en la base de datos para que en dado caso, se reemplacen por 0's

# Variables y registros
```{r}
str(merma)
```

Por otra parte, no se percibe que la base de datos requiera de mayor limpieza, ya que cuenta con solo dos variables y 9 registros que correponden a los meses

# Clasificación de variables
```{r}
variables <- c("`Mes`","`Kilos`")
tipos <- c("cualitativo  ", "cuantitativo (discreto)")
escalas <- c("ordinal", "razón")

table1 <- data.frame (variables, tipos, escalas)
knitr::kable(table1)
```

#Tabla de frecuencia
```{r}
  proportion <- prop.table(table(merma$Mes,merma$Kilos))
proportion %>%
  kbl() %>%
  kable_styling()
```
Para el caso de la tabla anterior, se puede identificar que existe mayor concentración de merma alrededor de agosto y principios de año.

```{r}
ggplot(merma, aes(Mes,Kilos)) +                                    
  geom_bar(stat = "identity") +
  scale_fill_brewer(palette = "Set2") + ggtitle("Kilos por mes") 
```
Como se puede visualizar y corroborar, mediante esta gráfica se puede dar a cuenta de que efectivamente, los meses con mayor producción de merma durante el periodo proporcionado es el mes de agosto. Sin embargo, se considera valioso poner sobre la mesa que existe un mes pico cada cuarto (Q) del año con una mayor concentración en el ultimo mes del 2do cuarto y un aumento considerable a principios del primer cuarto. Esto nos dice que de acuerdo a la producción a partir de los pedidos programados, los cuales coinciden con la hipotesis propuesta, da razón a que sobretodo en agosto se produzcan mayores desperdicios dada la operación. 

```{r}
summary(merma)
moda <- function(x) {
  ux <- unique(x)    
  ux[which.max(tabulate(match(x, ux)))]      
}    
```

```{r}
mea1 <- mean(merma$Kilos)
med1 <- median(merma$Kilos)
moda1 <- moda(merma$Kilos)
sd1 <- sd(merma$Kilos, na.rm = TRUE)

```

```{r}
Variables <-c("Kilos")
Media <-c(mea1)
Mediana <-c(med1)
Moda <-c(moda1)
Desviacion <-c(sd1)
tabla2 <-data.frame(Variables, Media, Mediana, Moda, Desviacion)
knitr::kable(tabla2)
```

Variables	Media	Mediana	Moda	Desviacion
Cantidad	20602.89	19370	1	5526.723
Para este caso se tiene que el promedio de merma generado es de 20,602kg
## Box plot
```{r}
boxplot(merma$Kilos , vertical = TRUE)
```
Con el box plot anterior se puede identificar que por lo general los kilos que se generan provenientes de la materia prima es de entre 150K - 250K, lo cual es importante para saber el rango en el que se puede operar para deasrrollar una propuesta en lo que respecta el seguimiento de esta materia sobrante.



```{r}
hist(merma$Kilos,main="Rango de kilos producidos",xlab="Kilos producidos",col='#FF7F24')
```
Con este histograma se puede dar a cuenta de que la inmensa mayoría de las cantidades en el contexto de desperdicios se encuentra concentrada dentro de un rango de entre 150,000 - 250,000 kilos, lo cual se considera información de valor ya que es importante tomarse en cuenta para identificar posibles usos del material sobrante. 


```{r}
plot(merma$Kilos, xlab = "Mes", ylab = "Kilos")
polygon(merma$Kilos, col="green", border="black")
```
*La función de time series plot no me permite emplear colores a las lineas para la grafica. 
En nueva cuenta, se puede identificar que durante el mes 8 (agosto) es cuando hay un pico maximo del periodo total, sin embargo, y de igual manera, se tienen elementos para argumentar que cada cuarto del mes existe un pico; eso si, con mayor pronunciacion y comportamiento alcista durante el mes de agosto. 

# Scrap
```{r}
#file.choose()
scrap <- read.csv("/Users/carlosgonzalez/Desktop/FORM _Scrap_Ev2_No_Limpia.csv")
```


## Limpieza de base de datos

### Eliminar datos NA
```{r}
sum(is.na(scrap))
```

No se registran datos de este tipo en la base de datos.

### Asignar formato òptimo a la fecha dentro de la base de datos
```{r}
scr1 <- scrap
scr1$Fecha <- as.Date(scr1$Fecha, format = "%d/%m/%Y")
summary(scr1)
```

Con esta limpieza se pretende ajustar el formato correcto de la fecha para posteriores visualizaciones. 

# Variables y registros
```{r}
str(scr1)
```

# Clasificación de variables
```{r}
summary(scr1)
variables <- c("`Referencia`","`Fecha`","`Producto`","`Cantidad`","`Unidad.de.medida`","`Ubicación.de.origen`","`Ubicación.de.desecho`", "`Estado`")
tipos <- c("cualitativo  ", "Cualitativo", "Cualitativo", "cuantitativo (continuo)  ", "cualitativo", "cualitativo", "cualitativo", "`cualitativo`")
escalas <- c("nominal", "ordinal", "nominal", "razon", "nominal", "nominal", "nominal", "nominal")

table1 <- data.frame (variables, tipos, escalas)
knitr::kable(table1)
```


# Tabla de frecuencia 
```{r}
proportion <- prop.table(table(prod1$cliente,prod1$tiempo_calidad))
proportion %>%
  kbl() %>%
  kable_styling()
```


# Datos estadísticos
Se tomó en cuenta que la unica variable de impacto para el estudio es la de cantidad, ya que se trata de la unica la cual es cuantitativa.

```{r}
moda <- function(x) {
  ux <- unique(x)    
  ux[which.max(tabulate(match(x, ux)))]      
}    
mea1 <- mean(scr1$Cantidad)
```

```{r}
mea1 <- mean(scr1$Cantidad)
med1 <- median(scr1$Cantidad)
moda1 <- moda(scr1$Cantidad)
sd1 <- sd(scr1$Cantidad, na.rm = TRUE)

```

```{r}
Variable <- c("Cantidad")
Promedio <- c("6.726")
Moda <- c("1")
Mediana <- c("2")
Varianza <- c("140.747")
Desviación_Estándar <- c("11.863")
tabla <-data.frame(Variable,Promedio, Moda, Mediana, Varianza, Desviación_Estándar)
knitr::kable(tabla)
```
Variables	Media	Mediana	Moda	Desviacion


En este caso se puede analizar que en lo que respecta la cantidad, hay una media de entre 6 y 7 piezas por orden; sin embargo, como se ha mencionado anteriormente durante el documento, la mayor parte de la producción de form es en cantidades pequeñas y por consiguiente tiene sentido que la moda sea de 1.

# Tabla de frecuencia


# Gráficas cuantitativas y cualitativas
```{r}
summary(scr1)
ggplot(scr1, aes(Producto,Cantidad)) +                                    
  geom_bar(stat = "identity") +
  scale_fill_brewer(palette = "Set2") + ggtitle("Unidades por mes") 
```
Hallazgo: Posterior al desarrollo de esta grafica, se puede dat a cuenta de que Form tiene una amplia variedad de productos, sin embargo existen unos cuantos (cantidad considerable) la cual se sustenta son productos populares o de alta demanda durante los pedidos.

# Cualiativa
```{r}
pie(table(scr1$Ubicación.de.origen))
```

En este caso, se puede identificar la distribución de los productos de los pedidos en sus respectivas etapas. En primera instancia se identifica que en su gran mayoría se tiene una tendencia a que los productos pasen por la etapa de pre-production (lo cual tiene sentido ya que es la etapa de preparacion o previa a desarrollar el producto. etapa de planeación por parte del equipo de TI) 

# Diagrama de dispersion 
```{r}
summary(scr1)
ggplot(scr1, aes(x=Fecha, y=Cantidad, colour=Ubicación.de.origen)) + geom_point()
```

En este caso se tiene un insight que en lo personal considero bastante curioso, ya que en primera instancia podemos observar como es que los pedidos con más de 25 unidades siempre están en pre-producción, por otro lado, Post producción y entrega de PT están en órdenes menores de 25 unidades. Lo cual significa que Form batalla un poco más con pedidos más grandes y por consiguiente, se considera que valdría la pena indagar en sus procesos internos para evaluar elementos a eficientizar. 

# PREDICCIÓN

## Predicción del Desempeño de la Industria Automotriz USA 
```{r}
#file.choose()
PREDUSA <- read.csv("/Users/carlosgonzalez/Desktop/Base EUA nueva.csv")
library(forecast)
summary(PREDUSA)
```

### Gráfico de correlación
```{r}

library(corrplot)
PUSA<-subset(PREDUSA,select=-c(Year))
corrplot(cor(PUSA),type='upper',order='hclust',addCoef.col='black')
```

A manera de insights, en este caso, se puede observar que existe una directa correlación con la variable dependiente  autopartes en lo que respecta ventas con 0.56, al igual que las ventas(se puede sustentar que es debido al incremento en demanda de autos y por consiguiente las armadoras continuar produciendo junto con sus proveedores las autopartes, lo cual impacta directamente a Form, ya que por consiguiente se requieren empaques para realizar una logistica sostenible). Por otra parte, se tienen las autopartes con la población, donde se infiere que cuanto mayor es la población, mayor es la necesidad de transporte y por consiguiente, y en conjunto, nuevamente se valida la hipotesis (insight #1).

### Modelo predictivo 
```{r}
regresion <- lm(Production~ Inflacion + Pobreza + PIB + Poblacion + Desempleo + Autopartes, data=PREDUSA)
summary (regresion)
```

Como se puede observar en la tabla, se tiene una r^2 del 98% y por consiguiente se puede sustentar que la hipotesis es valida, donde la variable dependiente de producción, tiene una fuerte correlación las variables independientes 
listadas anteriormente, por lo que se considera una hipotesis valida para el estudio.


```{r}
datos_nuevos <- data.frame(Inflacion=2, Pobreza=1, PIB=47195, Poblacion=325122128, Desempleo =5, Autopartes=636320)
predict(regresion,datos_nuevos)
```

```{r}
#install.packages("jtools")
summary(PREDUSA)
library(jtools)
effect_plot(regresion,pred = Autopartes,interval=TRUE)
```

En este caso se puede confirmar la alta validéz del modelo, donde la variable independiente se ve sumamente influenciada y en dado caso con crecimiento proporcional a la independiente de producción.

# Modelo 2
```{r}
regresion2 <- lm(Sales~ Inflacion + Pobreza + PIB + Poblacion + Desempleo + Autopartes, data=PREDUSA)
summary (regresion2)
```

Para este caso en especifico, nuevamente se tiene una r^2 con el 97% de confiabilidad y por consiguiente se sostiene que las ventas tienen una directa correlación con las demás variables listadas.

```{r}
datos_nuevos2 <- data.frame(Inflacion=2, Pobreza=1, PIB=47195, Poblacion=325122128, Desempleo =5, Autopartes=636320)
predict(regresion2,datos_nuevos2)
```


```{r}
effect_plot(regresion2,pred=Autopartes,interval=TRUE)
```

En este caso se puede observar la directa correlación y el comportamiento que se tiene al juntar ambas variables

## MEX
## Predicción del Desempeño de la Industria Automotriz MEX

```{r}
#file.choose()
PREDMX <- read.csv("/Users/carlosgonzalez/Desktop/PREDICCION_MX.csv")
library(forecast)
summary(PREDMX)
```
## Limpieza base de datos

```{r}
# Limpieza de la base de datos
# Eliminar columnas irrelevantes 
PREDMX <- subset(PREDMX, select = -c ( Venta))
summary(PREDMX)

```

## Eliminar NA's
```{r}
sum(is.na(PREDMX))

PREDMX <- na.omit(PREDMX)
summary(PREDMX)
```

```{r}
# Gráfico de corelación
MEX<-subset(PREDMX,select=-c(Year, Mes))
corrplot(cor(MEX),type='upper',order='hclust',addCoef.col='black') 
```

Se puede observar cómo es que el desempleo afecta negativamente a todas las variables, incluyendo la exportación y el tipo de cambio

## Modelo predictivo
```{r}
# Modelo predictivo
summary(PREDMX)
regresion_mx1 <- lm(Exportacion ~ Tipo.de.cambio + Produccion + Inflacion + porcentaje_ocu + porcentaje_desocu + conf_consumidor, data=PREDMX)
summary(regresion_mx1)
```


## MODELO 1
```{r}
summary(PREDMX)
effect_plot(regresion_mx1,pred=Produccion,interval=TRUE)
```

Se observa la fuerte correlación entre mayor demanda, mayor producción

## Modelo 2
```{r}
regresion_mx2 <- lm(conf_consumidor ~ Tipo.de.cambio + Inflacion + porcentaje_ocu + porcentaje_desocu + Produccion, data=PREDMX)
summary(regresion_mx2)
```

```{r}
summary(PREDMX)
effect_plot(regresion_mx2,pred=Produccion,interval=TRUE)
```
Tanto en la regresion como en el plot, ser observa que la r^2 (+-20%) no tiene una correlación tan fuerte en función de la confianza del consumidor y la producción.

# PRONÓSTICO

## Pronóstico del Desempeño de la Industria Automotriz USA

```{r}
#file.choose()
pronosUSA <- read.csv("/Users/carlosgonzalez/Desktop/Pronosico_Produccion_de_autos_USA.csv")
library(forecast)
summary(pronosUSA)
```

Principalmente, cuáles son las variables explanatorias que muestran un
impacto significativo en la variable dependiente? Cómo es el impacto de
dichas variables explanatorias sobre la variable dependiente?

```{r}
p1 <- ts(data = pronosUSA$Unidades, start = c(2016), frequency = 1)
modelo <- auto.arima(p1)
modelo
pronosUSA <- forecast(modelo, level=c(95), h=3)
pronosUSA
plot(pronosUSA,main="Pronostico de producción de auto en Estados Unidos", ylab="Producción en USA")
```

Interpretación
De acuerdo con el analisis pronosticado, se puede sustentar que la producción de autos en estados unidos experimentará una contracción o comportamiento bajista durante los siguientes 3 años. Esto es algo imperativo a considerar, ya que Form, en el contexto internacional tiene a USA como uno de los prcincipales clientes (marcas de autos) y por consiguiente, en este caso y dado el pronostico, se recomendaría que la empresa comenzara a voltear a ver otras industrias a lo menos en el contexto macro de estados unidos. 

## Pronóstico del Desempeño de la Industria Automotriz MEX

```{r}
#file.choose()
pronosMEX <- read.csv("/Users/carlosgonzalez/Desktop/Produccion_autos_MX_2016_2022.csv")
library(forecast)
#install.packages("forecast")
```


```{r}
summary(pronosMEX)
p1 <- ts(data = pronosMEX$Unidades, start = c(2016), frequency = 1)
modelo <- auto.arima(p1)
modelo
pronosMEX <- forecast(modelo, level=c(95), h=3)
pronosMEX
plot(pronosMEX,main="Pronostico de producción de auto en Mexico", ylab="Producción en MX")
```
Interpretación:
Para el caso de México, se tiene pronosticado que que tras el 2021, se tratara de un comportamiento alcista y se mantenga durante los siguientes 3 años. Por lo tanto, se puede sustentar que continuar on esta linea de negocio en mexico es viable y en todo caso sostenible en el mediano - largo plazo. 


# Pronostico FORM

## BAE DATOS FORM | Merma
```{r}
#file.choose()
mer <- read.csv("/Users/carlosgonzalez/Desktop/FORM - Merma1.csv")
summary(mer)
```

# Pronóstico 
```{r}
a3 <- ts(data = mer$Kilos, start = c(2022,1), frequency = 12)
modelo_pron_merma <- auto.arima(a3)
modelo_pron_merma
forecast_merma <- forecast(modelo_pron_merma, level=c(95), h=3)
forecast_merma
plot(forecast_merma)
```

En este caso, se puede observar el pronóstico de la producción de merma en Form, donde si bien tuvo una caida pronunciada, se espera que se recupere a un punto estable por lo proximos 3 periodos/años

## BASE FORM | Producción
```{r}
#file.choose()
PROD <- read.csv("/Users/carlosgonzalez/Desktop/produccion.csv")
summary(PROD)
```


```{r}
PROD$piezas_prog <- as.numeric(PROD$piezas_prog)
str(PROD)

PROD$fecha <- as.Date(PROD$fecha, format = "%d%m%Y")

a4 <- ts(data = PROD$piezas_prog, start = c(2022,1), frequency = 12)
modeloPROD <- auto.arima(a4)
modeloPROD
forecastProd <- forecast(modeloPROD, level=c(95), h=3)
forecastProd
plot(forecastProd)
```

Para este modelo, se nota que no tiene un porcentaje de confiabilidad certero, sin embargo con base a los datos obtenidos, se identifia que si bien la producción ha tenido unos picos momentaneos, se espera que se mantenga en un punto estable por los proximos 3 periodos, y si bien se mantienen en niveles bajos, se puede comparar con periodos anteriores (la mayoría de los periodos) donde parece ser que es el punto de equilibrio en lo que respecta la capacidad operativa de Form. Por consiguiente, se espera que Form mantenga su nivel de producción normal y de forma estable por los siguientes años.


## BASE FORM | Scrap
```{r}
#file.choose()
scrap <- read.csv("/Users/carlosgonzalez/Desktop/FORM _Scrap_Ev2_No_Limpia.csv")
summary(scrap)
```

```{r}
scrap$Cantidad <- as.numeric(scrap$Cantidad)
str(scrap)

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

a4 <- ts(data = scrap$Cantidad, start = c(2022,1), frequency = 12)
modeloPROD <- auto.arima(a4)
modeloPROD
forecastProd <- forecast(modeloPROD, level=c(95), h=3)
forecastProd
plot(forecastProd)
```
En este caso, al ir de la mano con merma, se sostiene que se espera un comportamiento bajista actual, para pasar a niveles normales y estables en los demás periodos.


# CLUSTERING RH BAJAS

Tomando en cuenta los clusters que se generarán a continuación,se identificarán los insights al final del ejercicio clustering RH bajas de la mano con las distintas visualizaciones desarrolladas (meaningfull insights)

```{r}
#file.choose()
rh <- read.csv("/Users/carlosgonzalez/Desktop/recursos.humanos.base.limpia.csv")
```

```{r}
# descargar y llamar librerías
#install.packages("tidyverse")
library(tidyverse)
#install.packages("foreign")
#install.packages("dplyr")
library(ggplot2)
#install.packages("psych")
library(psych)
#install.packages("corrplot")
library(corrplot)
#install.packages("jtools")
library(jtools)
#install.packages("lmtest")
library(lmtest)
#install.packages("car")
library(car)
#install.packages("factoextra")
library(factoextra)
#install.packages("janitor")
library(janitor)
#install.packages("readr")
library(readr)
#install.packages("plotrix")
library(plotrix)
```


```{r}
# Limpiar nombre
rh1 <- clean_names(rh)
# Visualizar base de datos
summary(rh1)
```


```{r}
rh2 <- subset(rh1,select = -c (apellidos, nombre, fecha_de_nacimiento, rfc, fecha_de_alta, baja, departamento, 
                               no_seguro_social, factor_cred_infonavit, n_credito_infonavit, lugar_de_nacimiento,
                               curp, calle, numero_interno, colonia, codigo_postal, municipio, estado))
summary(rh2)
```


```{r}
sum(is.na(rh2))
```

```{r}
sapply(rh2, function(x) sum(is.na(x)))
```
```{r}
rh2$edad <- as.numeric(rh2$edad)
rh2$genero <- as.factor(rh2$genero)
rh2$motivo_de_baja <- as.factor(rh2$motivo_de_baja)
rh2$dias_laborados <- as.numeric(rh2$dias_laborados)
rh2$puesto <- as.factor(rh2$puesto)
rh2$salario_diario_imss <- as.numeric(rh2$salario_diario_imss)
rh2$estado_civil <- as.factor(rh2$estado_civil)
summary(rh2)
```



```{r}
rh_edad_dias <-rh2 %>% select(salario_diario_imss, edad, dias_laborados)
rh_edad_dias_norm<-scale(rh_edad_dias[2:3]) 
plot(rh_edad_dias_norm)
```


```{r}
fviz_nbclust(rh_edad_dias_norm, kmeans, method="wss")+ 
  geom_vline(xintercept=6, linetype=2)+           
  labs(subtitle = "Elbow method")  
```


```{r}
cluster1 <-kmeans(rh_edad_dias_norm,5)
cluster1
```


```{r}
fviz_cluster(cluster1,data=rh_edad_dias_norm)
```

```{r}
rh_edad_sal <-rh2 %>% select(salario_diario_imss, edad, dias_laborados)
rh_edad_sal_norm<-scale(rh_edad_dias[1:2]) 
plot(rh_edad_sal_norm)
```
```{r}
fviz_nbclust(rh_edad_sal_norm, kmeans, method="wss")+ 
  geom_vline(xintercept=5, linetype=2)+           
  labs(subtitle = "Elbow method") 
```

```{r}
cluster2 <-kmeans(rh_edad_sal_norm,5)
cluster2
```
```{r}
fviz_cluster(cluster2,data=rh_edad_sal_norm)
```


```{r}
rh_dias_sal <-rh2 %>% select(salario_diario_imss, dias_laborados, edad)
rh_dias_sal_norm<-scale(rh_dias_sal[1:2]) 
plot(rh_dias_sal_norm)
```
```{r}
fviz_nbclust(rh_dias_sal_norm, kmeans, method="wss")+ 
  geom_vline(xintercept=5, linetype=2)+           
  labs(subtitle = "Elbow method")  
```


```{r}
cluster3 <-kmeans(rh_dias_sal_norm,5)
cluster3
```


```{r}
fviz_cluster(cluster3,data=rh_dias_sal_norm)
```

```{r}
rh3 <- rh2
rh3$Clusters<-cluster2$cluster
```


```{r}
rh4 <- rh3 %>% group_by(Clusters) %>% summarise(edad=max(edad)) %>% arrange(desc(edad))

# Nombrar cada cluster 
rh3$nombres_clusters <- factor(rh3$Clusters,levels = c(1,2,3,4,5), 
                              labels=c("Excepcion", "Jubilados", "Mayores", "Adultos", "Jovenes"))
```


```{r}
# Agrupar los datos por nombre de clusters 
library(dplyr)
#install.packages("dplyr")
```


```{r}

rh5 <- rh3 %>% group_by(nombres_clusters) %>% dplyr::summarize(edad_años=max(edad), 
                                                        salario_imss=mean(salario_diario_imss),
                                                        Count=n())

```

```{r}
clusters<-as.data.frame(rh5)
clusters
```

# Gráficos para identificación de insights

## Identificar numero de bajas en función con la edad mediante el cluster previo 
```{r}
ggplot(rh5,aes(x=reorder(nombres_clusters,Count),y=Count,fill=nombres_clusters)) +
  geom_bar(stat="identity")
```
En este caso, el numero de bajas está relacionado con la edad, ya que como se observa en el gráfico, los jovenes son quienes generan el mayor numero de bajas, seguido de adultos, adultos mayores y jubilados. Con esto se puede inferir que las personas tienen responsabilidades familiares y/o personales que deben atender y por consiguiente, para obtener un salario que aporte a cubrir sus necesidades, entre mayor es la persona, menor es la probabilidad de terminar el contrato con FORM.

Identificación del maximo de edad por grupo 
```{r}
ggplot(rh5, aes(x=nombres_clusters,y=edad_años,fill= nombres_clusters,label=round(edad_años,digits=2))) + 
  geom_col() + 
  geom_text()
```
Mediante este gráfico se pueden establecer los perfiles con rangos maximos de edad de los colaboradores, por lo que surge una oportunidad de Form para identificar las necesidades de los distintos grupos de edad. 


### Gráfico de generos de personas quienes se dieron de baja 
```{r}
library(ggplot2)
ggplot(rh3, aes(fill=genero, y=genero, x=nombres_clusters)) + 
  geom_bar(position="stack", stat="identity") 
```

Como se puede observar en el gráfico, se tiene que en definitiva los hombres son quienes se dan de baja en todos los grupos de edades

## Razones de baja por grupos de edad
```{r}
#summary(rh3)
ggplot(rh3, aes(factor(nombres_clusters), fill = factor(motivo_de_baja))) +
  geom_bar(position = position_dodge2(preserve = "single"))
```
Dada la gráfica anterior, se puede identificar que la mayor razón por la cual los colaboradores se van de la empresa es debido a la baja por faltas, mientras que un dato importante es que la razón de abandono menos común solo se encuentra presente en los grupos de jovenes y jubilados, quienes por inferencia se puede sustentar que es debido a las responsabilidades de estos grupos de edad. En ocasiones, como lo mencionó el dueño de la empresa, los jovenes solo están poco tiempo para ahorrar en periodos cortos, mientras que los jubilados al estar en esta etapa, simplemente dejan de venir a la empresa. 

```{r}
library(plotrix)
library(jtools)
proporciones <- c(176, 11, 11, 8, 26)
eti <- c("ayudante general", "ayu. soldador/soldador", "costurera", "ayu. embarque", "otros" )
pct <- round(proporciones/sum(proporciones)*100)
eti <- paste(eti, pct)
eti <- paste(eti,"%",sep="")
pie3D(proporciones,labels = eti,
    col=rainbow(length(eti)),
    main="Puestos de bajas")
```
En este caso, se puede sustentar que la mayoría de los puestos que se dan de baja de la empresa son los de ayudante general; sin embargo y de igual forma, se sostiene la razón de que al ser el puesto con mayor numero de colaboradores, naturalmente se tenga un cesgo que genere el verdadero puesto, sin embargo, al ser un puesto proporcional y objetivamente con más colaboradores (además de que al ser ayudante general, se infiere que no requiere de entrenamiento previo) tiene sentido validar que la independientemente del sesgo mencionado, el ayudante general es quien más abandona la empresa.


Estado civil de bajas
```{r}
#install.packages("plotrix")
library(plotrix)
proporciones1 <- c(107, 3, 59, 63)
etiquetas <- c("soltero", "divorcio", "union libre", "matrimonio")
pct <- round(proporciones1/sum(proporciones1)*100)
etiquetas <- paste(etiquetas, pct)
etiquetas <- paste(etiquetas,"%",sep="")
pie3D(proporciones1,labels = etiquetas,
      col=rainbow(length(etiquetas)),
      main="Estado civil de bajas")
```


En pocas palabras, es evidente que los solteros son quienes se dan más de baja de la empresa, ya que al estar en esta posición y probablemente ser jovenes, no cargan con una responsabilidad familiar. Por lado contrario, el grupo de divorsiados son quienes menos se dan de baja, ya que si bien se considera que no es un grupo grande de personas, son quienes ahora tienen responsabilidad de proveer por sus dependientes o por ellos/ellas mismos.

# Meaningfull insights

1. Entre menor es la edad, existe mayor probabilidad de que se den de baja 
2. Los hombres son más propensos a darse de baja de la empresa, lo cual se puede correlacionar con el perfil de hombre joven, quien tiene mayor probabilidad de irse de la empresa.
3. El grupo de estado civil divorsiado sustenta el 46% de las bajas de la empresa
4. Con la información anterior, se puede generar un perfil de una persona con mayor probabilidad de datse de baja, el cual es un hombre joven soltero de entre 19 - 26 años con el puesto de ayudante general. por lo tanto, se recomendaría a la empresa que se desarrolle un programa de retención, con la finalidad de no tener rotación tan constante, lo cual puede incluso generar costos adicionales a la empresa.
5. Como se mencionó anteriormente, la mayoría de los puestos que se dan de baja de la empresa son los de ayudante general; sin embargo y de igual forma, se sostiene la razón de que al ser el puesto con mayor numero de colaboradores, naturalmente se tenga un cesgo que genere el verdadero puesto, sin embargo, al ser un puesto proporcional y objetivamente con más colaboradores (además de que al ser ayudante general, se infiere que no requiere de entrenamiento previo) tiene sentido validar que la independientemente del sesgo mencionado, el ayudante general es quien más abandona la empresa.

# Gráfico tipo ggalluvial
```{r}
summary(rh3)
library(ggalluvial)
rhGG <-rh3 %>% filter(Clusters==4 | Clusters==3) %>% arrange(Clusters)

ggplot(as.data.frame(rhGG),
       aes(y=salario_diario_imss, axis1= genero, axis2=estado_civil)) +
  geom_alluvium(aes(fill=nombres_clusters), 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("Género", "Estado civil"), expand = c(.05, .05)) +
  scale_fill_brewer(type = "qual", palette = "Set1") +
  ggtitle("FORM's Salario Diario por Género y Estado Civil")
```

## Meaningfull insights
En este caso se puede sustentar que en general (1) los divorciados ganan más.   
Por otra parte, y de manera más especifica, (2) las colaboradores que ganan más en la empresa son mujeres mayores (3) divorciadas, mientras que (4) las que ganan menos son adultas y (5) están en unión libre.
Por parte del segmento masculino, se muestra que (6) el que gana más es un hombre mayor (7) divorciado, y (8) el que gana menos está en union libre, (9) perteneciendo al segmento de edad adulta.
En conclusión, se sustenta que por tendencia, el salario aumenta o disminuye dependiendo del género y el estado civil.



# Trabajo escrito 
1) A partir del análisis de las bases de datos de las diferentes áreas de la
empresa FORM, identificar y describir los principales 6-8 hallazgos
(meaningful insights).    

1.  Por parte del recurso humano, form cuenta con un perfil promedio de colaborador el cual consiste en un hombre joven y soltero de entre 19 - 26 con el puesto de ayudante general. asimismo, se sustenta que dicho perfil, al ser el más concurrido, es el que tiene mayores bajas de la empresa.    

2. La producción en Form, dada la crisis automotriz (la cual sigue en recuperación) ha disminuido, se espera que durante los proximos años se retome la producción a niveles operativos normales junto con un periodo estable de dicha actividad.    

3. Si bien existe una correlación entre los niveles de producción y la merma; esta segunda área se espera que de igualmente recupere sus niveles bajos para pasar a un periodo estable y constante durante los proximos años, lo cual deja lugar a una area de oportunidad a atender de hallar nuevas maneras de aprovechar los desperdicios para crear una economía circular interna, o bien una entrada adicional de ingresos para la empresa.  

4. Como se pudo observar, se pronostica que la producción de autos en estados unidos sufra de un comportamiento bajosta durante los proximos 3 años; a diferencia de méxico el cual por el contrario se pronostica un aumento en la producción durante los proximos periodos. Esta información es de suma relevancia, ya que como lo establece Form con su fuerte relación con automotrices Estadounidenses y dada la pronosticada caida de la prodicción de este producto en USA, se recomendaría a Form de indagar a nuevas entradas a industrias desconocidas donde puedan aportar valor con los activos con los que cuentan actualmente. En pocas palabras, se espera un declieve de producción automotriz en EEUU y por consiguiente Form debe comenzar a investigar nuevas industrias las cuales puede entrar para garantizar su posicionamiento en el mercado y sobrevivencia.  

5. Periodos intensivos de actividad: Según los datos proporcionados y analisados, existen instancias alrededor de una vez cada cuarto del año en donde hay mayor demanda por parte de los clientes, requieriendo mayores pedidos; generando más merma y por consiguiente toda la logistica que esto conlleva (scrap). Dicho lo anterior, se considera pertinente que Form halle nuevas fuentes de ingreso durante los meses de relativa poca actividad operativa.  

6. Como se observó durante el análisis, Form cuenta con una area de oportunidad, tratandose de que la empresa mantiene su punto de equilibrio operacional mientras no exceda un numero mayor a 25 pedidos. Esto se traduce a que existe una area de oportunidad en la capacidad de producción. Para esto, y de la mano con los demás insights del mismo contexto, valdría la pena evaluar una inversión a activos que permitan a Form una mayor expansión y posicionamiento dentro de su industria. Esto con la finalidad de atender a más clientes, con mayor numero de unidades/piezas por producto de manera simultanea, lo cual requeriría eventualmente una serie de inversion no solo de activos fijos, sino tambien de capital humano (y todo lo que conlleva dicha tarea) así como de logística, R&D, sin tomar en cuenta el insight anterior de investigar nuevas industrias a las cuales atender.   

7. RRHH | Dados los distintos analisis realizados en este contexto, se tiene como insight que Form tiene distintas combianciones de perfiles en su organización, y si bien como se mencionó con anterioridad, existe un perfil promedio que combina distintas variables (edad, estado civil, genero, puesto, etc) es importante que Form tenga bien establecidos los distintos perfiles de cliente interno para que con ello pueda adaptarse y atender sus necesidades en contexto de desarrollo profesional; lo cual eventual y simultaneamente funcionaría como un puente en el cual se puedan disminuir los niveles de rotación a nivel inerno. 


2) A partir del análisis de las bases de datos de las diferentes áreas de la
empresa FORM, describir 3 sugerencias que le permitan al socio formador
mejorar su proceso de captura, organización, y analítica de datos.  

Sugerencia 1: Si bien es poco probable que una organización con el tamaño de Form (chica-mediana) tenga la capacidad y motivas para desarrollar internamente su propia plataforma de información, se puede sugerir en invertir en un una plataforma terciarizada que permita a la empresa sistematizar y automatizar sus procesos de captura y organización de datos, para una posterior analitica de los mismos que pueda ser visualizada por todas las áreas de la empresa y obtener mayor poder de decisión.

Sugerencia 2: Dada la enriquecedora experiencia de socio formador - alumno ITESM, donde se pudo dar a cuenta de que las bases de datos no tenian (a grandes rasgos) el formato óptimo para su anaálisis, se plantearía que Form, con base a esta experiencia, desarrolle una serie de formatos dependiendo de las necesidades y requerimientos de los distintos departamentos, donde se realicen formatos institucionales establecidos y de uso permanente que sean de utilidad para la captura y organización de sus bases de datos, con la cual puedan analisar el crecimiento en todas sus areas.   

Sugerencia 3: De la mano con las otras dos sugerencias, se plantea que se de un enfoque en lo que respecta la preparación de los colaboradores existentes, donde se contraten/impartan cursos/talleres externos con un enfoque hacia la optimización de las practicas en las bases de datos y manejo de la información, con lo cual se tengan los elementos suficientes para tener formatos de información ideales, en conjunto con un personal que gracias a dichos cursos/certificaciones, este lo suficientemente capacitados para desarrrollar una labor de excelencia en lo que respecta la cultura con base a datos. En pocas palabras, invertir en el desarrollo de competencia de los colaboradores administrativos para potenciar la administración de la emrpesa.   

Sugerencia extra: En palabras coloquiales, me gustaría añadir que en Form hablaban de encontrar y contratar el mejor talento, pero por que no mejor **desarrollar** el mejor talento.


Responder las siguientes preguntas:  

- Describir con tus propias palabras los términos Business Analytics y Business
Intelligence. Así también, identificar y describir 3 principales diferencias entre
Business Analytics y Business Intelligence.  

R= En lo personal considero que BI tiene un enfoque más técnico en cuestión de capturar, administar y utilizar la información del pasado y del presente para su posterior descripción y visualización, mientras que Business Analytics percibo que cuenta con un carácter más predictivo, es decir, con BI saber lo que ha sucedido y lo que sucede, y con BA identificar patrones y estrategias predictivas que permitan realizar propuestas de crecimiento a largo plazo en el rubro de interés. 

Diferencias:  
1. BI es descriptivo, BA es predictivo  
2. BA se enfoca en proponer soluciones, mientras que BI se enfoca más en analizar la situación. Ambas van de la mano.  
3. BI se centra en recolectar información, mientras que BI destina esa información para realizar visualizaciones predictivas que permitan proponer soluciones y/o siguientes pasos a tomar.   

- Describir con tus propias palabras el concepto de Indicador Clave de
Rendimiento / Key Performance Indicators (KPI).  

En lo personal, considero que el concepto de los KPIs tratan de desarrollar métricas con enfoque cuantitativo que permitan dar seguimiento y monitoreo de un proceso en especifico para con base a ello ver si se va por la dirección correcta o proponer acciones que permitan mejorar la actividad en cuestión.  


- A partir del análisis de las bases de datos de las diferentes áreas de la
empresa FORM, proponer y describir 3 posibles KPIs que permitan evaluar
el desempeño de algunas de sus áreas.

1. Producción: % de eficiencia de activos (con esto se busca evaluar la eficacia de los equips de maquinaria para la producción, con la finalidad de evaluar si existe una sobrecarga de produccion en función de los activos disponibles o es necesaria la inversión de más y/o nuevos activos)  
3. RRHH: % de rotación (entradas y salidas de personal)  
3. % de merma liquida (merma la cual pudo ser comercializada o reutilizada nuevamente)  

Fuentes:      
What package is best for cluster analysis in R? (s. f.). Quora. Recuperado el 21 de octubre de 2022 en https://www.quora.com/What-package-is-best-for-cluster-analysis-in-R      

INEGI (bases de datos externas proporcionadas por la maestra)      

Car production USA 2016 - 2022 (Euromonitor, 2022) recuperado el 18 de octubre, 2022 en:
https://www.portal.euromonitor.com/portal/?f55ra1h6e0PzNUGtEjobGnvOI0290vyNwvzSxIBZynEgrndowmeCbw%3d%3d  

Produccion carros mexico 2016 - 2022  (Euromonitor, 2022) recuperado el 18 de octubre, 2022 en:
https://www.portal.euromonitor.com/portal/?%2bVagoqwKr8dnIPUq6bPfEeUzRlFjfDeZzaNi81PY51drWZHGLbqnxw%3d%3d


