Publications by Jose Gabriel Usina Mogro
Caso de Negocio - Analítica Estratégica
1 Carga y Transformación de Datos file_path <- "Caso Analitica Estrategica.xlsx" sheet_names <- excel_sheets(file_path) for (sheet in sheet_names) { df_name <- paste0("df_", sheet) assign(df_name, read_excel(file_path, sheet = sheet)) } ls(pattern = "^df_") ## [1] "df_name" "df_Production Cost" "df_Raw Material" ## [...
23384 sym Python (28079 sym/98 pcs) 11 img
Actividad Integradora A00831435
1 Importamos las librerías library(forecast) ## Registered S3 method overwritten by 'quantmod': ## method from ## as.zoo.data.frame zoo library(plm) library(dplyr) ## ## Attaching package: 'dplyr' ## The following objects are masked from 'package:plm': ## ## between, lag, lead ## The following objects are masked from 'p...
6291 sym Python (3834 sym/12 pcs) 57 img
Actividad 2 A00831435
1 Ejercicio en Clase 1.1 Concepto Una Serie de Tiempo es una coleccion de observaciones sobre un determinado fenómeno, efectuadas en momento sucesivos, usualmente equiespaciados. Algunos ejemplos de series de tiempo son: 1. Precios de acciones 2. Niveles de inventario 3. Rotacion de Personal 4. Ventas 5. PIB (GDP) Mas informacion: link 1.2 I...
8172 sym 5 img
Actividad 3. A00831435.
1 Teoría Los Modelos de Ecuaciones Estructurales es una técnica de análisis de estadística multivariada, que permite analizar patrones complejos de relaciones entre variables, realizar comparaciones entre o intra grupos, y validar modelos teóricos y empíricos. 2 Ejemplo 1. Estudio de Holzinger y Swineford (1939) 2.1 Contexto Holzinger y...
14052 sym 1 img
Actividad 3. A00831435. Mapas Estructurales
1 Teoría Los Modelos de Ecuaciones Estructurales es una técnica de análisis de estadística multivariada, que permite analizar patrones complejos de relaciones entre variables, realizar comparaciones entre o intra grupos, y validar modelos teóricos y empíricos. 2 Ejemplo 1. Estudio de Holzinger y Swineford (1939) 2.1 Contexto Holzinger y...
20492 sym 1 img
Final Project-Data Miningg
1 Reading DATA First thing we are going to do is to load our data and have a global visualization from it. customer<-read.csv("Churn_Modelling.csv") We called the dataset customer We want to know how is our data structured and see what we can do with it str(customer) ## 'data.frame': 10000 obs. of 14 variables: ## $ RowNumber : int 1 ...
5885 sym Python (21815 sym/46 pcs) 8 img