r_scripts/script_tp2.R

#' ---
#' title: "Trabajo Práctico 2"
#' author: "Occhiuzzi, Pablo y Ojeda, Julián"
#' format: pdf
#' editor: visual
#' editor_options: 
#'   chunk_output_type: inline
#' ---
#' 
#' # Análisis Exploratorio de Datos
#' 
#' Tras el análisis realizado en el TP1, la cafetería de especialidad de UNAHUR puso carritos de café en cada sede de UNAHUR y decidió poner a prueba sus ventas con un combo de "Café + Medialuna" a \$2.000.
#' 
#' En el archivo `Visitas_cafeteria_UNAHUR.csv` se encuentran los datos correspondientes a un conjunto de ventas del combo en las diferentes sedes.
#' 
#' Para la correcta realización del presente Trabajo Práctico, se pide dar las respuestas solicitadas e introducir, dentro del *chunk* correspondiente, el código desarrollado para obtener cada una de ellas. Incluir además, los paquetes utilizados. La idea es que una persona pueda correr este script sin ningún mensaje de error.
#' 
#' 0.  Paquetes necesarios.
#' 
## -----------------------------------------------------------------------------
library(ggplot2)
library(dplyr)
library(scales)
library(corrplot)

#' 
#' 1.  Leer el archivo. Chequear que el formato sea `data.frame` y, en caso, contrario, cambiarlo.
#' 
## -----------------------------------------------------------------------------
datos <- Visitas_cafeteria_UNAHUR
cat("¿Es un data frame?:", is.data.frame(datos))

#' 
#' 2.  Luego de eliminar registros con datos faltantes, informar las siguientes medidas para la cantidad de visitantes: rango, media, mediana, desvío estándar y rango intercuartil.
#' 
## -----------------------------------------------------------------------------
datos_limpios <- na.omit(datos)
rango_cantidad_visitanes <- range(datos_limpios$cantidad_visitantes)
media_cantidad_visitantes <- mean(datos_limpios$cantidad_visitantes)
mediana_cantidad_visitantes <- median(datos_limpios$cantidad_visitantes)
desvio_estandar_cantidad_visitantes <- sd(datos_limpios$cantidad_visitantes)
iqr_cantidad_visitantes <- IQR(datos_limpios$cantidad_visitantes)

# 1. Rango
cat("1. RANGO:\n")
cat("   - Valor Mínimo:", rango_cantidad_visitanes[1], "\n")
cat("   - Valor Máximo:", rango_cantidad_visitanes[2], "\n")
cat("   - Amplitud Total:", rango_cantidad_visitanes[2] - rango_cantidad_visitanes[1], "\n\n")

# 2. Media
cat("2. MEDIA (Promedio):\n")
cat("   - Media:", round(media_cantidad_visitantes, 2), "\n\n")

# 3. Mediana
cat("3. MEDIANA (Valor Central):\n")
cat("   - Mediana:", mediana_cantidad_visitantes, "\n\n")

# 4. Desvío Estándar
cat("4. DESVÍO ESTÁNDAR (Dispersión):\n")
cat("   - Desvío Estándar:", round(desvio_estandar_cantidad_visitantes, 2), "\n\n")

# 5. Rango Intercuartil (IQR)
cat("5. RANGO INTERCUARTIL (IQR):\n")
cat("   - IQR (Q3 - Q1):", iqr_cantidad_visitantes, "\n")

#' 
#' 3.  Realizar un histograma de los datos sobre la cantidad de visitantes y superponerle la curva Normal ¿Qué puede observarse?
#' 
## -----------------------------------------------------------------------------
hist(datos_limpios$cantidad_visitantes, breaks = 20, freq = FALSE,
main = "Distribución de visitantes",
xlab = "Cantidad de visitantes", col = "lightblue")
curve(dnorm(x, mean(datos_limpios$cantidad_visitantes), sd(datos_limpios$cantidad_visitantes)),
add = TRUE, col = "red", lwd = 2)

hist(datos_limpios$cantidad_visitantes, breaks = 200, freq = FALSE,
main = "Distribución de visitantes",
xlab = "Cantidad de visitantes", col = "lightblue")
curve(dnorm(x, mean(datos_limpios$cantidad_visitantes), sd(datos_limpios$cantidad_visitantes)),
add = TRUE, col = "red", lwd = 2)

#' 
#' 4.  Dividir la cantidad de visitantes por sede y usando un grafíco de tipo boxplot, analizar los resultados.
#' 
## -----------------------------------------------------------------------------
datos_limpios[datos_limpios$sede == "Trabajo_argentino", "sede"] <- "Trabajo_Argentino"

ggplot(datos_limpios, aes(x = sede, y = cantidad_visitantes, fill = sede)) +
  geom_boxplot() +
  labs(title = "Distribución de Visitantes por Sede",
       x = "Sede",
       y = "Cantidad de Visitantes") +
  theme(legend.position = "none") +
  coord_flip()

#' 
#' 5.  Representar el monto por sede con un gráfico de barras e indicar cuáles son las sedes con menor y mayor monto total de ventas
#' 
## -----------------------------------------------------------------------------
gasto_por_sede <- datos_limpios %>%
  group_by(sede) %>%
  summarise(Gasto_Total = sum(gasto_total))

sede_mayor_monto <- gasto_por_sede$sede[which.max(gasto_por_sede$Gasto_Total)]
mayor_monto <- max(gasto_por_sede$Gasto_Total)
sede_menor_monto <- gasto_por_sede$sede[which.min(gasto_por_sede$Gasto_Total)]
menor_monto <- min(gasto_por_sede$Gasto_Total)

cat("MAYOR:", sede_mayor_monto, "($", format(mayor_monto,
                                     big.mark = ".",
                                     decimal.mark = ","), ") \n")
cat("MENOR:", sede_menor_monto, "($", format(menor_monto,
                                     big.mark = ".",
                                     decimal.mark = ","), ")\n")

ggplot(
  gasto_por_sede,
  aes(x = reorder(sede, Gasto_Total),
      y = Gasto_Total,
      fill = sede)) +
  geom_col() +
  coord_flip() +
  scale_y_continuous(labels = scales::comma_format(
    big.mark = ".", 
    decimal.mark = ",")) +
  labs(title = "Gasto Total por Sede",
       x = "Sede",
       y = "Gasto Total") +
  theme(legend.position = "none")

#' 
#' 6.  Realizar un diagrama de dispersión con los montos de ventas y las propinas para cada sede. ¿Qué puede observarse? Justificar con una medida cuantitativa.
#' 
## -----------------------------------------------------------------------------
ggplot(datos_limpios, aes(x = gasto_total, y = propina)) +
  geom_point(alpha = 0.5, color = "darkblue") +
  facet_wrap(~ sede, ncol = 4) +
  labs(
    title = "Vista General: Relación Monto vs. Propina en Todas las Sedes",
    x = "Monto de la Venta ($)",
    y = "Propina ($)"
  ) +
  theme_bw() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

# Obtenemos la lista de todas las sedes únicas
sedes_unicas <- unique(datos_limpios$sede)

# Usamos un bucle 'for' para recorrer cada sede
for (sede_actual in sedes_unicas) {

  # Filtramos los datos para la sede actual
  datos_filtrados <- subset(datos_limpios, sede == sede_actual)

  # Creamos el gráfico para la sede actual
  grafico_detalle <- ggplot(datos_filtrados, aes(x = gasto_total, y = propina)) +
    geom_point(alpha = 0.6, color = "darkgreen", size = 2.5) +
    labs(
      title = paste("Detalle Sede:", sede_actual),
      x = "Monto de la Venta ($)",
      y = "Propina ($)"
    ) +
    theme_bw(base_size = 14)
  
  # Imprimimos el gráfico para la sede actual
  print(grafico_detalle)
}

# Calculamos el coeficiente de correlación de Pearson para todo el dataset
correlacion_gastos_y_propina <- cor(datos_limpios$gasto_total, datos_limpios$propina)

# Imprimimos el resultado en la consola
print(paste("El coeficiente de correlación de Pearson entre monto y propina es:", round(correlacion_gastos_y_propina, 3)))

#' 
#' 7.  Calcular las matrices de covarianzas y de correlaciones. A partir de estas matrices dar un ejemplo de variables fuertemente correlacionadas positivamente, de variables fuertemente correlacionadas negativamente y de variables no correlacionadas.
#' 
## -----------------------------------------------------------------------------
# Seleccionamos todas las columnas numéricas
datos_numericos <- datos_limpios[ , c(
  "cantidad_visitantes",
  "cantidad_combos",
  "gasto_total",
  "propina",
  "tiempo_espera",
  "satisfaccion_cliente",
  "numero_de_mesas_disponibles"
  )]

options(width = 80) # (mejora visual de la salida)

# Calculamos la matriz de covarianzas.
print("--- Matriz de Covarianzas ---")
cov(datos_numericos)

# Calculamos la matriz de correlaciones
matriz_cor <- cor(datos_numericos)

corrplot(
  matriz_cor,
  tl.col = "black",
  tl.srt = 45
)

#' 
#' 8.  Generar una serie de tiempo transformando los datos para obtener la cantidad de visitas totales por mes (sumando todas las sedes).
#' 
## -----------------------------------------------------------------------------
serie_visitantes_tsa <- readRDS("serie_visitantes_ts.rds")

plot.ts(serie_visitantes_tsa,
     main = "Visitas Totales por Mes",
     xlab = "Tiempo",
     ylab = "Cantidad Total de Visitantes",
     col = "steelblue",
     lwd = 2)

#' 
#' 9.  Utilizando la descomposicióon aditiva, graficar:
#' 
#' a)  La serie de tiempo original eliminando la componente de tendencia.
#' 
#' b)  La serie de tiempo original eliminando la componente de estacionalidad.
#' 
## -----------------------------------------------------------------------------
serie_visitantes_da <- decompose(serie_visitantes_tsa, type = 'additive')
serie_visitantes_detrend_a <- serie_visitantes_tsa - serie_visitantes_da$trend
plot.ts(
  serie_visitantes_detrend_a,
  col = "darkseagreen4",
  main = "TS sin tendencia",
  xlab = "Mes",
  ylab = "Visitas"
)

serie_visitantes_deseasonal_a <- serie_visitantes_tsa - serie_visitantes_da$seasonal
plot.ts(
  serie_visitantes_deseasonal_a,
  col = "darkseagreen4",
  main = "TS sin estacionalidad",
  xlab = "Mes",
  ylab = "Visitas"
)

#' 
#' 10. Graficar las funciones de autocorrelacióon de la serie de tiempo original y de la componente residual. ¿Qué puede observarse sobre la estacionariedad de estas series?
#' 
## -----------------------------------------------------------------------------
acf(serie_visitantes_tsa, lag.max = 60, ci.col="cyan", type = "correlation", main = "TS Original")

residuo_da <- decompose(serie_visitantes_tsa, type = "additive")$random
acf(residuo_da, lag.max = 60, ci.col="cyan", type = "correlation", main = "TS Residual", na.action = na.pass)

#' 
## -----------------------------------------------------------------------------
write.csv(datos_limpios, "tp2_datos_limpios.csv", row.names = FALSE)

#' 
## -----------------------------------------------------------------------------
df_serie <- data.frame(
  tiempo = as.numeric(time(serie_visitantes_tsa)),
  visitas = as.numeric(serie_visitantes_tsa)
)
write.csv(df_serie, "tp2_serie_temporal.csv", row.names = FALSE)