r_scripts/TP_2.qmd

---
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.

    ```{r}
    library(ggplot2)
    library(dplyr)
    library(scales)
    library(corrplot)
    ```

1.  Leer el archivo. Chequear que el formato sea `data.frame` y, en caso, contrario, cambiarlo.

    ```{r}
    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.

    ```{r}
    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?

    ```{r}
    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.

    ```{r}
    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

    ```{r}
    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.

    ```{r}
    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.

    ```{r}
    # 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).

    ```{r}
    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.

    ```{r}
    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?

    ```{r}
    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)
    ```

    ```{r}
    write.csv(datos_limpios, "tp2_datos_limpios.csv", row.names = FALSE)
    ```

    ```{r}
    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)
    ```