Trabajo Taller Consultoría: Caso 3: Sala

de equipamiento de ortopedia

El objetivo de este estudio es encontrar formas de aumentar las ventas de material

ortopédico de la compañía a los hospitales en los Estados Unidos. La base entregada por la
compañía se centra en un pequeño conjunto de estados relacionados con alrededor de 500
hospitales y se deberá encontrar a aquellos que tienen un alto consumo de estos equipos
pero en donde las ventas son bajas. Se deberá escoger un grupo en el cuál se podrían aplicar
los esfuerzos de manera tal que estos sean recompensados.

Tenemos una base con las siguientes variables:

• ZIP: Código postal us

• HID: Identificación del hospital

• CITY: Nombre de la ciudad

• STATE: Nombre del Estado

• BEDS: Número de camas del hospital

• RBEDS: Número de camas de rehabilitación

• OUT-V: Número de pacientes ambulatorios visitados

• ADM: Costo administrativo (en miles de pesos por año)

• SIR: Ingresos de pacientes hospitalizados

• SALESY: Ventas de equipos de rehabilitación desde el 1 de Enero al 1 de Junio

• SALES12: Ventas de equipos de rehabilitación durante los últimos 12 meses

1
• HIP95: Número de operaciones de cadera para 1995

• KNEE95: Número de operaciones de rodilla para 1995

• TH: Enseñando en el hospital? 0, 1

• TRAUMA: ¿Tienen una unidad de trauma? 0, 1

• REHAB: ¿Tienen una unidad de rehabilitación? 0,1

• HIP96: Número de operaciones de cadera para 1996

• KNEE96: Número de operaciones de rodilla para 1996

• FEMUR96: Número de operaciones de fémur para 1996

2
Comenzaremos realizando un resumen de los datos

También podríamos ver el resumen gráfico de las correlaciones entre las variables
(mientras más grande y más oscuro el punto, mayor correlación entre ellas):

3
 femur96
sales12

knee95

knee96
trauma
salesy

rehab
rbeds

hip95

hip96
beds

adm
outv

sir

th
1
beds
rbeds 0.8

outv
0.6
adm
sir 0.4
salesy
0.2
sales12
hip95 0

knee95
-0.2
th
trauma -0.4

rehab
-0.6
hip96
knee96 -0.8

femur96
-1

Nuestra variable respuesta, o dependiente Y corresponde a SALESY y SALES12, ambas

indican la venta de equipos de rehabilitación, la diferencia está en que la primera
corresponde a un periodo de un primer semestre, mientras que la segunda de un año entero.
Como las operaciones están medidas también en un periodo de un año, entonces
utilizaremos como variable respuesta SALES12.

Veremos gráficamente como se relaciona esta con cada variable de nuestra base de datos:

4
Ventas de equipos de rehabilitación Venta de equipos - Número de camas
1000
400
0

0 200 400 600 800 1000

Número de camas
Ventas de equipos de rehabilitación

Venta de equipos - Número de camas de rehabilitación

1000
400
0

0 50 100 150 200

Número de camas de rehabilitación

5
Ventas de equipos de rehabilitación Venta de equipos - Número de pacientes ambulatorios visitados
1000
400
0

0e+00 2e+05 4e+05 6e+05 8e+05 1e+06

Número de pacientes ambulatorios visitados

Ventas de equipos de rehabilitación

Venta de equipos - Costo administrativo

1000
400
0

0 10000 20000 30000 40000

Costo administrativo

6
Ventas de equipos de rehabilitación Venta de equipos - Ingresos de pacientes hospitalizados
1000
400
0

0 5000 10000 15000 20000 25000 30000

Ingresos de pacientes hospitalizados

Ventas de equipos de rehabilitación

Venta de equipos - Número de operaciones de cadera

1000
400
0

0 100 200 300 400 500 600

Número de operaciones de cadera

7
Ventas de equipos de rehabilitación Venta de equipos - Número de operaciones de rodilla
1000
400
0

0 100 200 300 400

Número de operaciones de rodilla

Ventas de equipos de rehabilitación

Venta de equipos - Número de operaciones de femur

1000
400
0

0 50 100 150 200 250 300

Número de operaciones de femur

Volviendo al summary nuestras variables están en escalas muy distintas, por lo que
normalizaremos nuestros datos, obteniendo lo siguiente:

A continuación vemos un resumen de las variables normalizadas:

8
Antes de realizar los cluster de los hospitales, comenzaremos haciendo un análisis de
componentes principales, esto para poder reducir todas las variables que tenemos, en este
análisis no se considerarán las variables respuesta:

9
De esta información se puede apreciar que el componente 1 retiene el 52% de la varianza
total, al agregar otro componente (el 2) se logra retener hasta el 65% de la varianza, al
agregar otro más solo la aumenta en app un 10%, por lo tanto creo que con 2 componentes
bastará, por lo que trabajaré con ello.

10
Es decir nuestras componentes estarán formadas por las variables que se muestran a
continuación pintadas en amarillo:

11
Es decir ahora tenemos 2 componentes principales, que formarán nuestras 2 únicas variables que
utilizaremos para realizar los cluster, estas estarán formadas por:

Componente 1: beds, outv, adm, sir, hip95, knee95, th, trauma, hip96, knee96 y femur95.

Componente 2: rbeds y rhab.

Graficamente nuestra componente 1 quedará en el eje X y el componente 2 en el Y, como se ve en

el siguiente gráfico:

-60 -40 -20 0 20

0.10

150
342

20
0.05

hip96
knee96
hip95
knee95 26
1097
836
835
25 1384
638
918
femur96 24
1902 360
939
865
81752
921
963 1849
1565
690
1676
611
673
278
1619
482
1537
852
1404 840
1298493
1089
1905
172
965479
9061735
1564
666
315
1530
1687
226
1729801
1095
418
695
1314
1614
477
1634
923 462
1813
1018
1295
1365
1002
1299
1311
1570
424
862
1100
sir 609
10961422
924
1282 213
12371758
6101603
1919
802
1055
1510
674670984
1046
1644
560
252
1228
236
112
672 126
1744
779
110
138
13621367
1294
330
1625
613
949
417
386
685
295962
1281
1318
437
645
1424
590679
784
1025
1001
1882601
626
975
652
988
300997
395
681
1595
368
1712
229
512
587220
1003
990
9671021
755
793
1923
41
1273
1747
579 1612
128
1721
181397
1834
466
1150661
205
455
1939
44
290
688
151649
960
776
979
333
697
1093
1833
242
323277
1297
1005
1829
13
235
54
460
566
1321
1371
1082
954
1000
4
92 218
643
756
1708
1487
116
214
1728
192
624
1690
396
1431
164
761
775
398
1053
1102
1305
612
288
913
3
556
20
1888
1109
1072
754
964
12421115
1778
1378
575
123917
1739
1775
408
3251796
588
1589
607
746
821
1937
1439
185
654
2861356
1526
487
7
1743
1985
410
474
999
1952
1012
478
991
517450
925
950
978
1034
968
343
961
994
1912
1856
231
100650
85
1742
1926
127
733
1098
1209
1218
1826
1740
692
101
1059
1403
1942
1
850
1944
1974
39
1913
1969
1968
136
723
1359
1940
1948
407
571
1611
1831
1936
1970
2011
47
381
449
1986
1999
2028
244
1127
1396
1511
1069
492
825
2012
45
84
953
0.00

adm 1427
1668
769 628
363
18791624
747
539
1884
17251470
219
391
1567
1658
1748
675
764
1906
1043
936212
687
56
883
992
35
972
1122704
86
1079
1886
665
403
1111
1930
618
1536
503
392
500
1560
1582
88
903
393 137
656
89
521
1972
201
741
1114
1818
1846
1019
1088
1419
1714
1946
1196
1551
1243
376
986
544
680
809
958
1646
919
1837
1871
1331
99
1628
1825
351
179
1076
1366
1616
1771766
808
813914
1334
1702
1899
2034
268
1280
1911
1981
327
955
1736
1956
2023
95
1035
1993
2030
2044
359
603
1208
1817
1955
1980
2043
1444
737
1914
1924
976
1226
1290
1685
1192
1308
1513
1316
1557
1376
977344
1160
1814
1720
2547
400
730
1958
1979
119
1962
557
709
1129
1225
2024
1313
139246
176317
467
2035
998
2036
2085
777
847
77
2105
1213
21
551
1703
1174
141
868854
1161
1080
1941
1947
533
1602
99310
1352
1774
1323
1681
1821
2029
1677
1786
1893
337
1715
114
1662
320
1068
1364
1569
361
423
797
1997
2094
1665
147
1643132
1680
827
853
1432
1207
1496
1545
2055
1277
1664
722 129
1788
385
1943
372
1636
448
1344
1761
1976
1030
1402
1058
1474
1889
196
711
1392
180
928
1118
1125
602
584
383445
554
1272
1347
2661
204
1618
142
2076
782
792
1534
2060
111
374
318
1246
2017
34
195 2
2014
767
996
1106
1983
2002
2001
2000
2006
2021
2020
2032
2058
508
639
826
911
1971
2013
616
699
818
1081
1285
1637
1701
2018
2026
2089
2088
296
1062
1307
1918
2040
2056
2093
2100
576
578
1998
2033
2037
2045
2050
2053
2052
2065
2096
2106
442
522
684
1105
1293
581
1074
647
700
2122
2047
2073
354
1670
1873
2046
169
1648
2016
2027
2092
103
357
686
944
1400
1780
1804
2019
2059
2072
2120
563
678
1683
1750
1753
2061
2063
2077
2086
2098
3255
1722
120
177
1204
1755
1960
545
1994
78
188
309947
1408
1931
2069
2112
2114
2154
2538
61
1126
1379
1598
2015
2097
2099
2128
3797
4058
4077
4083
200
378
514
745
781
2079
2103
2130
2148
3356
619
886
2139
2146
2149
2158
2157
3551
3587
531
2143
3601
2009
1041
130
788
932
1966
30
270
969
989415
458
580
691
995
42
1973
1975
499
1173
815
2074
439
452
1103
1119
1631
1945
464
53438
1201
1629
2067
2109
703
1388
1415
1895
1957
365
1289
1752
1828
28
319
1202
1443
1621
2054
2091
2119
109
606
668
1374
1684
1824
1858
2083
2082
2108
2110
2136
2619
1017
1965
1011
1145900
1781
1915
1920
2133
2152
2210
3261
3357
197
430
532
856
1355
1494
1571
1769
1841
1847
1921
2125
2150
2187
2645
2679
2929
2945
3213
3641
4082
4120
4182
485
553
667
1110
1429
1436
1585
1654
2115
2124
2129
2387
2596
2718
2750
3372
3943
162
174
651
1233
1532
2104
2134
2153
2156
2218
2532
2631
2664
2810
2890
3538
3542
3874
4021
4029
4089
118
559
724
887
933
1317
2121
2249
2277
2515
2775
3617
3824
4019
4063
4066
4271
1375
1785
189
494
254
275
1809
1995
2068
1340
1763
1949
19611
32
232
414
879
946
4109
4127
135
379
519
518
583
660
60
562
658
881
981
778
1162
1989
2005
104
1512
1413
1607
1977
405
1142
1626
335
42964
1134
1216
1301
1710
2022
2116
287
637
843
951
1136
2042
2101
630
823
2051
2071
222
738
795
812
828
428
1130
1296
1766
1874
2003
2141
2188
3763
216
2332
2335
2610
2691
2899
3
373
632
1501
1653
1757
2142
2331
2580
2633
3287
3483
4187
73
105
190
1622
1733
1764
1848
2151
2166
2209
2216
2219
2223
2312
2354
2418
2431
2481
2626
2628
2652
2655
2738
2747
2769
2798
3046
3265
3403
3492
3494
3897
4430
4591
106
160
574
1461
2327
2591
2689
2819
2932
3125
3190
3271
3400
3399
3948
4362
4648
401
819
2197
2268
2300
2308
2321
2536
2562
2737
3143
3210
3218
3581
3583
3620
3771
3794
3957
3990
4151
4190
4201
4249
4278
4438
4482
294
535
605
615
625
641
9151
2244
2420
2458
2553
2561
2635
2639
2905
2962
3407
3621
4005
4016
4033
4144
4288
4440
4464
4483
4515
4555
4642
36
207
282
648
706
2506
2526
3053
3569
3577
3807
3834
4055
4327
4367
4527
93
178
657
671
735
885
4498
780
1385
1892
1070
1988
2075
215
1303
1562
1777
546
1263
1686
1776
2048
133
1679
1877
1898
2031
811
2095
241
592
600
701
1325
1548
2041
355
971
1164
1573
1768
1908
68915
14670
2081
2090
2135
2118
2127
2145
552
931
1008
1120
1191
1426
1688
1866
2084
2131
490
696
2147
1013
1185
1279
1332
1724
1800
2102
2117
2414
2906
3159
4660
53
1320
1462
1505
1531
1553
1890
2359
2401
2489
223
324
635
669
791
1073
1639
1767
2198
2242
2252
2329
2629
2707
3076
3142
3145
3208
4636
166
1357
1580
2220
2238
2389
2488
2590
2696
2873
3077
3088
3281
3392
4206
4232
49
484
547
749
970
1803
1808
1819
2457
2461
2487
2508
2543
2630
2665
2735
2761
2766
2872
3013
3353
3434
3907
4205
4213
4388
4563
4604
4672
4685
4695
1253
2191
2214
2222
2221
2607
2606
2715
2744
2754
2827
2956
2980
2979
2988
3180
3198
3227
3305
3528
3795
3860
3931
4161
4245
4259
4487
4519
4533
4545
4607
4606
4609
4623
4633
4651
2064
113
265 548
2291
2451
2512
2519
2525
2531
2535
2588
2621
2724
2746
2768
2786
2812
2824
2866
3011
3035
3114
3139
3152
3175
3230
3244
3360
3379
3390
3411
3585
3758
3765
3940
3978
4176
4188
4272
4466
4468
4500
4524
4558
4576
4643
4667
58
623
721
2262
2265
2280
2282
2289
2299
2302
2445
2498
2806
2952
2960
3009
3066
3222
3260
3364
3380
3409
3412
3485
3513
3526
3563
3565
3687
3689
3839
3845
3921
3975
4000
4128
4172
4210
4255
4267
4322
4326
4343
4363
4457
4509
4522
4548
4578
889
2683
2911
3156
3256
3410
3424
3488
3506
3544
3589
3606
3629
3773
3825
4349
4401
4416
4435
4444
4546
4619
4637
4645
3993
4446
82
1795
321
422
1591
1133
1200
1868
2140
3
719
1860
2668
3783
617
1407
1835
2008
2243
2330
2352
2701
3682
4071
308
434
542
830
1568
1839
2470
2994
3341
471
642
817
1370
1509
1632
1872
2322
2416
2501
2914
3319
3339
4060
4096
4113
4630
631
1234
2159
2199
2340
2344
2778
3346
3398
3982
4473
4532
4688
19
273
498
2439
2613
2920
2953
3023
3068
3104
3166
3216
3236
3298
3304
4165
4260
4488
68
183
299
676
2353
2421
2435
2597
2632
2815
2939
3041
3089
3179
3207
3413
3747
3987
4287
4429
4486
4503
4579
4588
4678
475
2194
2205
2307
2316
2337
2348
2366
2589
2680
2740
2765
2865
2946
2957
2969
2986
3038
3050
3182
3269
3285
3751
3791
3955
4105
4223
4356
4389
4442
4453
4551
4602
4621
57
486
698
878
2207
2255
2270
2273
2295
2328
2351
2377
2402
2430
2433
2450
2472
2475
2511
2522
2542
2638
2667
2666
2674
2736
2771
2792
2900
2921
2936
2950
2961
2982
3010
3031
3034
3042
3078
3164
3211
3232
3241
3337
3397
3491
3684
3801
3811
3934
3986
4007
4155
4208
4390
4394
4511
4517
4520
4523
4569
4586
4620
2161
2183
2212
2292
2315
2440
2453
2471
2473
2505
2517
2567
2592
2623
2622
2642
2734
2742
2774
2776
2787
2816
2821
2880
2879
2909
2908
2907
2964
3001
3047
3067
3083
3116
3119
3165
3188
3212
3264
3275
3289
3498
3514
3573
3613
3705
3779
3899
3923
3929
3989
4129
4148
4204
4247
4254
4336
4335
4342
4347
4360
4445
4465
4474
4484
4493
4495
4505
4526
4597
4605
4626
4625
4662
4664
4697
52
2185
2208
2211
2258
2269
2281
2303
2305
2449
2474
2503
2502
2527
2558
2636
2675
2700
2729
2770
2773
2808
2959
3087
3290
3300
3416
3487
3515
3517
3546
3553
3560
3580
3612
3636
3677
3688
3713
3715
3757
3826
3838
3914
4132
4146
4157
4242
4296
4316
4320
4346
4366
4385
4412
4461
4467
4477
4572
4589
4595
4649
4671
4696
1935
2155
369
1155
1798
2078
2601
431
1466
1642
3333
1481
2080
2339
27
91
864
2338
732
902
1028
3697
149
384
1351
3239
1165
22452259
2756
2820
2913
2915
3184
3408
3504
3518
3520
3523
3522
3525
3539
3541
3567
3770
3881
4170
4186
4411
4432
4462
4658
4677
3885
1609
2113
122
121
573
987
1137
1345
476
1238
1535
1698
2483
4038
377
744
783
985
1409
2417
3355
3803
209
1063
1212
2237
2257
2973
3374
1455
443
1597
1640
2392
2490
2930
2933
3174
4490
1448
2504
2720
3327
29
198
536
2743
3489
3579
3910
4119
4253
629
2176
2180
2552
2817
2951
3017
3155
3194
3348
3493
4116
4268
22
50
459
750
2274
2334
2405
2568
2577
2760
2794
2859
2869
3086
3196
3259
3267
3340
3352
3370
3396
3661
3895
4168
4370
4403
4415
4420
4535
347
451
2309
2415
2507
2540
2556
2582
2719
2863
2934
3014
3021
3079
3214
3249
3664
3670
3726
3827
3930
3991
4179
4192
4234
4238
4298
4428
4451
4481
4504
4539
4657
4661
4680
2165
2184
2186
2284
2358
2424
2485
2516
2646
2651
2678
2682
2695
2721
2739
2836
2893
2926
2970
2978
3004
3015
3051
3081
3102
3117
3138
3185
3272
3306
3311
3310
3366
3481
3512
3556
3654
3685
3750
3752
3754
3903
3974
4214
4224
4244
4257
4295
4329
4341
4397
4475
4489
4534
4565
4601
4615
4647
4663
4676
4700
2163
2162
2169
2179
2217
2240
2272
2293
2304
2310
2343
2419
2460
2464
2463
2462
2469
2497
2496
2495
2634
2637
2663
2677
2676
2687
2694
2709
2711
2741
2751
2755
2790
2797
2796
2799
2809
2845
2870
2878
2937
2967
2997
3048
3052
3054
3075
3103
3132
3168
3192
3191
3224
3235
3240
3254
3270
3274
3284
3286
3314
3320
3329
3384
3394
3415
3530
3554
3562
3607
3659
3722
3781
3816
3832
3875
3913
3928
3935
3939
3945
3944
3970
3969
3984
3988
4140
4153
4159
4158
4193
4235
4250
4252
4261
4286
4290
4307
4348
4424
4437
4441
4447
4452
4472
4485
4494
4496
4501
4507
4513
4542
4544
4560
4564
4575
4577
4593
4598
4600
4613
4655
4684
4701
2160
2178
2201
2266
2288
2287
2297
2342
2385
2422
2444
2480
2539
2541
2544
2554
2602
2647
2653
2671
2673
2684
2686
2693
2697
2752
2757
2764
2763
2805
2830
2841
2849
2848
2861
2867
2875
2881
2955
2995
2999
3003
3019
3028
3030
3033
3043
3057
3070
3115
3118
3141
3144
3150
3170
3176
3178
3181
3197
3200
3203
3220
3226
3231
3263
3280
3283
3288
3322
3321
3369
3378
3385
3388
3387
3391
3393
3401
3420
3419
3452
3455
3469
3468
3509
3534
3533
3532
3537
3550
3552
3568
3605
3604
3611
3649
3683
3704
3703
3719
3723
3725
3728
3731
3737
3736
3735
3740
3748
3766
3769
3772
3782
3804
3812
3815
3817
3822
3830
3837
3849
3862
3884
3883
3925
3924
3960
3994
3998
4134
4149
4154
4173
4183
4196
4239
4285
4306
4308
4317
4330
4334
4355
4365
4380
4384
4396
4395
4410
4433
4450
4455
4459
4470
4478
4480
4508
4516
4525
4531
4541
4554
4553
4561
4573
4583
4585
4634
4674
4691
4693
2251
2384
2406
2454
2499
2529
2710
2759
2772
2807
2850
2917
2935
2968
3020
3032
3040
3096
3151
3158
3234
3252
3258
3257
3296
3309
3316
3315
3335
3367
3382
3406
3427
3438
3440
3464
3476
3490
3502
3511
3516
3521
3527
3540
3547
3549
3559
3572
3571
3570
3582
3595
3594
3597
3599
3623
3626
3633
3639
3680
3690
3700
3712
3711
3718
3720
3730
3734
3733
3732
3749
3755
3760
3762
3764
3780
3788
3787
3805
3831
3848
3856
3865
3867
3869
3872
3877
3879
3891
3926
3966
3973
3972
3977
4015
4136
4142
4141
4150
4152
4160
4164
4167
4166
4171
4180
4185
4199
4198
4197
4209
4211
4233
4246
4273
4284
4283
4282
4289
4293
4300
4299
4310
4309
4312
4324
4328
4358
4361
4369
4383
4387
4392
4414
4423
4425
4448
4454
4460
4469
4479
4499
4536
4556
4592
4611
4644
4652
4675
4683
4702
1802
2172
2897
4115
1697
1832
1934
2468
604
3702
804
1014
1398
2365
2584
2586
2314
2374
2618
3436
4175
4352
239
264
382
502
5072247
2727
3404
3454
3478
3543
3555
3584
3602
3608
3637
3642
3829
3863
3886
3889
3888
4009
4280
4325
4409
1037
1391
2916
4686
37
1797
2215
2609
4026
199
845
1121
1167
2616
2722
3330
3338
4014
191
194
620
2301
2324
2998
3870
3916
4251
18
98
943
1760
2785
2826
2825
2983
3206
3429
3638
3820
3894
3936
3958
4227
4537
2236
2294
2394
2482
2901
3027
3557
3628
3778
4262
4297
4543
4638
2381
2576
2818
3336
3376
3648
4123
4337
4431
4458
589
2167
2396
2509
2579
2924
2947
3000
3107
3167
3627
3665
3667
3671
3893
3949
3952
4087
4137
4219
4243
4269
4393
4399
4406
4689
2168
2261
2443
2478
2564
2902
2910
2912
2981
2991
2996
3049
3064
3146
3201
3266
3294
3297
3308
3405
3448
3640
3657
3708
3710
3932
4001
4258
4274
4304
4371
4376
4471
4568
4617
4654
4690
2164
2213
2313
2518
2685
2690
2726
2811
2813
2853
2887
2894
2923
2940
2987
3012
3016
3029
3074
3127
3130
3129
3133
3189
3262
3299
3301
3303
3317
3325
3324
3381
3414
3417
3496
3508
3625
3644
3679
3790
3821
3833
4135
4195
4230
4264
4301
4333
4381
4413
4492
4510
4528
4557
4571
4641
4694
2175
2181
2190
2192
2233
2248
2271
2275
2285
2290
2442
2447
2455
2459
2477
2479
2484
2537
2608
2640
2657
2670
2672
2713
2716
2723
2725
2731
2730
2753
2777
2793
2800
2804
2823
2840
2839
2838
2837
2844
2843
2847
2846
2855
2862
2868
2871
2876
2889
2904
2928
2942
2949
2977
2976
2990
3065
3069
3073
3072
3071
3080
3082
3085
3095
3094
3099
3098
3097
3109
3121
3131
3147
3177
3193
3219
3221
3250
3253
3278
3292
3295
3302
3307
3326
3347
3359
3363
3362
3368
3371
3373
3383
3426
3561
3586
3590
3598
3603
3614
3622
3630
3634
3666
3675
3674
3699
3706
3716
3721
3727
3777
3776
3785
3784
3789
3802
3809
3819
3836
3847
3866
3900
3938
3962
3965
3976
3981
3980
3979
3997
4004
4162
4169
4181
4194
4217
4263
4266
4277
4332
4340
4339
4345
4344
4374
4379
4391
4400
4418
4417
4443
4456
4463
4497
4512
4538
4550
4549
4574
4580
4582
4590
4612
4624
4632
4666
4665
4679
4692
2263
2283
2286
2437
2436
2452
2534
2620
2625
2714
2728
2762
2781
2822
2835
2857
2856
2888
2898
2966
3002
3022
3039
3058
3084
3101
3100
3113
3112
3111
3110
3126
3128
3134
3153
3161
3160
3163
3183
3229
3313
3418
3428
3430
3433
3439
3445
3453
3484
3524
3529
3531
3545
3548
3558
3564
3588
3593
3592
3591
3596
3600
3610
3609
3615
3619
3618
3635
3647
3676
3681
3695
3694
3693
3698
3714
3724
3729
3738
3756
3759
3761
3793
3806
3828
3835
3844
3855
3854
3853
3852
3851
3864
3868
3871
3873
3876
3878
3880
3882
3887
3890
3892
3901
3922
3933
3937
3961
3968
3992
3995
3999
4006
4131
4133
4139
4147
4156
4163
4174
4191
4200
4207
4212
4216
4215
4218
4220
4231
4241
4248
4276
4279
4281
4292
4291
4294
4303
4315
4314
4313
4319
4318
4323
4331
4338
4350
4354
4359
4373
4372
4378
4377
4386
4402
4421
4439
4491
4502
4506
4521
4547
4587
4608
4669
4673
1083
303
837
1854
461723
595
504
1959
1363
1881
1630370
1563
1967
1705
266
404
982
173
938
367805
2004
3908
1650
2783
634
1350
1606
4024
1027
771
1546
19632170
2356
2361
1146
1148
1348
3062
3187
3202
4104
720
831
1329
2254
4353
916
1038
1128
1194
1836
2326
2403
2733
3026
4407
1230
2390
3059
3124
3473
1996
1656
585
3645
1292
1473
19841641
1704
2386
2410
702
2427
2446
2578
2703
3149
3171
3768
3857
3953
707
1489
1875
2615
3365
3808
4022
4405
4596
5
1333
2235
2732
2864
2989
3616
3678
3686
4145
4566
17
662
1036
1751
2493
2514
2549
2882
3162
3195
3717
3767
3971
4321
4436
4594
4653
4681
1328
1541
3495
4050
446
1223
1434
1862798
846
2317
2706
3480
3746
3919
3983
4110
4125
4256
4610
4628
2195
2656
2658
2941
2963
2984
3444
3786
3792
4070
4305
4375
2278
2565
2993
3223
3447
3753
4118
4426
4682
694
772
2204
2264
2267
2360
2662
2712
2784
2877
3503
3850
3896
4357
4540
2196
2232
115
1504
1519
2229
2466
4048
4094
2173
1552234
2279
2347
2530
2595
2780
2858
3233
3328
3349
3510
3813
4138
4236
4240
945
3037
3169
3273
3291
3499
3535
4177
4302
4422
4614
1673
3500
4203
313
726
832
1615
1859
2276
2383
2448
117
822
973
2336
3186
3375
2425
2432
3154
3282
182
2349
2548
2571
3106
3909
3918
3950597
3861
4222
4270
4639
86
3247
3744
4073
4184
2241
2441
2603
3215
3242
4085
4114
4668
1887
2177
2378
2566
2654
2748
2833
3209
3246
3279
3663
3673
3911
3920
4054
4130
4581
4640
280
8
867
940
2171
2174
2371
2528
2583
2919
3007
3120
3148
3574
3739
4025
510
872
875
1149
1224
2226
2296
2551
3323
3334
3566
3707
3846
3967
4404
4584
942
2362
2611
2698
2832
3018
3055
3486
3643
3859
3858
3927
4530
4635
577
1599
2182
2203
2513
3108
3173
3312
3422
3441
3449
3800
3996
4143
4237
2438
2803
2842
3135
3435
3442
3458
3457
3463
3466
3471
3477
3479
3536
3668
3912
4008
4311
4434
4476
3425
3432
3461
3467
3475
3505
3576
3575
3578
4042
4117
4225
4419
2227
74
907
3902
4408
06
55

0
14769741669
683
16571515
1605148
211
1540
1638
1090
1171
2049
1156
1695
1265
394
1247
1010 1302
2025
4124
1158
1176
1517
1678
708
253
1131
663262
1004
2137
3358
1205
2598
558
1235
1341
966
870
402
340 221
4092
144
3345
4122
859
909
1177
2325
4226
310
1227
3354
4622
108
800
2972
4088
3658
4265
16
760
2669
3045
4351
4659
1372
1762
860
1255
1649
1463
877
1674 140
1143
1
2789
3443
858
1380
1457
2319
2404
2782
3350
3709
3941
3956
4552
4629
4646
75
2253
2717
3662
1092
1231
2391
2574
2767
2860
2892
3351
3501
3672
3905
4112
4599
76
316
814
2702
2948
3008
3650
3842
3898
4228
4398
1381
4229
1022
1586
2228
2570
2852
1894
2749
930
171
1464
1561
1671
1870
1319
1572
763
841 598
1498
2350
2500
2681
2704
2788
3024
4178
4514
267
1006
1584
2189
2465
2572
2593
2891
3005
3056
3395
3431
3660
3669
3915
4656
742
2239
2311
2550
3093
3217
3472
3632
3917
4189
4427
4518
4570
2206
2521
2587
3063
3251
3421
3446
3451
3450
3456
3459
3462
3465
3470
3474
3519
3799
3951
4382
4449
4567
4631
1741
1339
1524
2230
1852
2341
2467
2492
3343
4221
1276
2874
3205
473
1845
1151
4099
2605
3656
1157
980
2331922
1140
537
1633
1925
2132
380
272
1327
1135
3136
1054
1183
10772193
348
1262
569
728
1507
1101
1900
1897
1458
1147
1810
1620
1108
154 1901
1123
1816
1221
1865
202
627
1026
516 2379
375
912
1558
934
399
803
892
23894
416
927
1746
10861312
4202
1050
983
1593
1851570
765
863
622
1249
2600
1438
1338
799
1783
1211
469
432
1065
1627
483
8
524 952
4698
236
312
3959
1124
1217
2333
2599
2944
193
346
1508
3742
1716
2367
2413
3123
1144
1499
2246
4616
4650
1592
3460
3743206
599
70
2250
2612
2884
4529
1885
2560
2659
1417
3696
433
3437
4275
4559
550
1842
2828
2943
3904
4687
491
3342
3646
1581
2306
2575
725
807
2958
2918
3954
4368
489
4103
3248
899
1869
3653
4097
4562
739
2604
3332
926
2922
3507
3774
3964
2895
1335
4618
790
4627
59
1099
3060
1275
3423
768
4699
496
465
3238
2399
718
2791
1907
90
40491245
2627
2992
1583
2594
1578
820
1336
920796
2546
3482
1257
1343
1549
107
3140
2345
785
2692
1863
4603
67
1306
440
1240
167
1390
243
329
591
1554
1811
1369
1953
1117
734
1661
1876161
388
8881559
2975
3652
157
1440
210
743
1104
4364
1651
1437
1982
1992
1587
1451
1861
786
1732
1787
1822
1197
1844305
789
1274
857
593
838 714
1556
1964
948
1635
1978
1020
727
413
269
762
1251
1401
1531579
1049
1928
1229
426
1731
87
1057
1484
1450 851
1210
1203
472
1182 1623
848
1260
1794
1087
203
646
152
1737
1502
145
260594
1016
1518
1154 304
293
2057
453
1469
751
1850
1523
1061
411
79 2070
436
488
230
1659
1843
1575
1067
1112
1353
40
957
1604
255
1738
759
1113
1163
1929
248
890
896
1266
208
1023
1116
895259
1215
463
636
69
291
83 2138
48
1596
1745
677
1917
72
1418
1190 66
1938
237
2126
1051
1248217
1435
640
1694
1304
1910
849
894
298
653
693
898
1411
2010
420
2144
1467
2038
515
1239
2123
1064
1284
1071
1663
1951
1987
505
523
1198
1954
306
1387
1206
1950
794880
1066
1033
549
1932
1258
1456
1667
65
250
2563
1259
4017
3172
1991
567
1990
276
279
705
1441
1500
1232
1406
2434
1770
302
4039
4095
1252
208780
884
1538
1904
2520
1756
497
1588
3137
3691
1039
1672
326
2523
3157
251
3245
1395
271
513
520
1529
1269
227
1199
1793
1324
5651525
1283
2320
4010
257
2298
2007
274
16663237
1386
1453
1782
447
2111
281
1539
506
1807
1187
1220
3111445
170
4031
52
1414
1891
3796
187
1544
1709
1495
4068
2107
2650
1442
655
11072456
4067
1172
596
358
1410
4121
175
2585511
935
1857
910
1416
1447
1840
1706528
1472
2409
4030
43
1399
1261
2801
3701
526
3225
3361
3386
7731024
outv 1574
4701056
1717
1493
1465
1175
1044328
1617
1309
1479
444
869
1423
1139
1169 131
873
1091
729
1060
421
3901250
1459
1075
1880
461
1896
3381700
1189
1287
1141
1188
1300
1610
1660
1608
1007
882
1421
1084
146
774
1085
1691
364
1322
736 1853
897
2545
2814
608
1820
4090
839
3798
1288
156
261
1267
937
1052
1696
1773
1779
29771
186
1159
1801
480
2660
2965
1482
3243
901
1601
2400
1405
3222854
1358
1268
833
406441
2641
2931
3091
3692
4011
4072
4107
4126
1361
1719
2834
1711
1547
1040
1726
9
3311520
4032
1506
168
3711492
2429
1754
2644
4037
2510
3775
1032
1264
425 3818
582
2423
2705
3946
4036
4106
4079
2829
3655
1491
1933
3741
1468527
1475
1483
1219
1514
1382
96 1682
5
922
2831
4098
4101
1394
2569
23803745
4013
4018
4023
4075
1048
1830
1552
1916
1590
332
1522
758 1286
4057
1254
438
929
1485
861
1397
1430
621
1031
1528
419
908
1883
14718661271
1184
1577
334
555
1727
2372
34972648
3377
4034
4044
4043
4059
4111
3105
1718
1566
97
4084
2476
1823
387
716 1533
3389
4028
4027
4047
1689
1222
1278
2062
228
1903
1452
1170
1256
844
1152
1812
1132
959 353
633
941
1789
292
1652
1799
3228
529
409
1241
4100
2614
4078
1842200
2688
2699
2708
2896
2954
3277
4003
4002
4035
4061
240
159
345
1094
2039
1749 454
1078
2231
8421433
2624
3293
3947
3963
4065
4074
740
2557
1354
2260
2346
2802
2985
3044
3092
3624
3631
3942
4053
4069
753
beds trauma 543
1791
62
1270
1594
125
1613
307 256
1186
904
389
163
1393
1346
525
564
468 481
1734
893
1166
1214770
2411
1909
249
1047
530
1310
1784
1878 258
2649
2491
2581
3361759
3006
2573
3204
2368
245
2779
234
1699
1042
3411193
1015
876
1029
1692
1138
224
1827
1244
2382 412
829
1815
16451330
2393
2643
4045
1480
1368
1497
1503
1765
2428
2851
4056
2256
2925
2938
3318
3814
3840
3843
3906
4012
4020
4046
4062
4064
4076
4093
2408
1178
2407
1181
2373 757
1360
2224
2412
3036
4102
561
956
4091
1195
1377
16751446
1449
1460
1490
1647
1713
2795
1425
824
2524
2886
787816
682
1927
2375
1838
3199
3810
1315
1772
1805
1855
17072364
3841
748
1168
1373
1383
1806
2357
2903
2974
3025
3276
3823
4041
4040
2398284
1291
1342
1488
1730
4052
572
63
435
2369
712
349
715 1527
2486
4086
124
-0.25 -0.20 -0.15 -0.10 -0.05

15421792 1477
457
717
905 540
1543
509
710
1337
1655
1790
2397
664 3402
3651
1867
2885
2971
427
495
289
2555
2559
314
362
1576
2388
1349
1864
2323
2494
614
874
301
731
2318
3331
4108
102
134
14
1420
1412
3122
1555
2533
2883
501
1428
2426
4051
339
51
283
th 541 568
40801454
3061
3985
2225
2355
810
1600
2745
644
2376
2066
1550
3344
2202
2395
2617
1516
2363
PC2

1431009456 1486
8341478
1153
1521
2370
165
1045
1326
4081
2927
366
659285
1389 350
33
24712
623
891

-20
225
158 1693 263
713 356
3268
855871
538
sales12
salesy
1179
3090 -40

rehab
1180
rbeds
-60

2758

-0.25 -0.20 -0.15 -0.10 -0.05 0.00 0.05 0.10

PC1

Por lo tanto para lo que sigue trabajaremos con las nuevas variables formadas de acuerdo a los
componentes principales 1 y 2. Estas nos quedarán de la siguiente manera:

12
A continuación realizaremos una gráfica, de manera de observar cuantos cluster podríamos
escoger en nuestro ejercicio. La idea es considerar hasta el codo en el cual el cambio sea brusco:

13
 Gráfico para elección de cluster
2.5
2.0
Desviaciones Estándar

1.5
1.0
0.5

2 4 6 8 10 12

Número de Clusters

Vemos que hasta el número 4 de clusters hay cambios bruscos en el gráfico, luego de este se
estabiliza la recta, por lo tanto trabajaremos con 4 grupos.

Por lo tanto haremos el análisis de cluster mediante el comando k-means, quedando lo siguiente:

Vemos ahora que nuestros hospitales se les ha asignado un número entre 1 y 4, dependiendo del
grupo en el cual quedaron asignados:

14
Luego graficaremos nuevamente la variable respuesta con sus respectivas variables, pero ya
habiendo realizado el análisis de clusters:
Ventas de equipos de rehabilitación

Venta de equipos - Número de camas

1000
400
0

0 200 400 600 800 1000

Número de camas
Ventas de equipos de rehabilitación

Venta de equipos - Número de camas de rehabilitación

1000
400
0

0 50 100 150 200

Número de camas de rehabilitación

15
Ventas de equipos de rehabilitación Venta de equipos - Número de pacientes ambulatorios visitados
1000
400
0

0e+00 2e+05 4e+05 6e+05 8e+05 1e+06

Número de pacientes ambulatorios visitados

Ventas de equipos de rehabilitación

Venta de equipos - Costo administrativo

1000
400
0

0 10000 20000 30000 40000

Costo administrativo

16
Ventas de equipos de rehabilitación Venta de equipos - Ingresos de pacientes hospitalizados
1000
400
0

0 5000 10000 15000 20000 25000 30000

Ingresos de pacientes hospitalizados

Ventas de equipos de rehabilitación

Venta de equipos - Número de operaciones de cadera

1000
400
0

0 100 200 300 400 500 600

Número de operaciones de cadera

17
Ventas de equipos de rehabilitación Venta de equipos - Número de operaciones de rodilla
1000
400
0

0 100 200 300 400

Número de operaciones de rodilla

Ventas de equipos de rehabilitación

Venta de equipos - Número de operaciones de femur

1000
400
0

0 50 100 150 200 250 300

Número de operaciones de femur

Finalmente mediante el comando aggregate mostraremos los principales estadísticos por grupo:

18
19
20
Con la suma por grupo podemos ver que el grupo 4 presenta un alto consumo de equipos
(considerando que las operaciones de femur, rodilla y cadera del año 96 son las que requerirán de
equipos ortopédicos) pero que sus ventas son bajas respecto al resto de los demás grupos, me
explico mediante el siguiente resumen:

Acá sumé por grupo el número de operaciones de rodilla, femur y cadera realizadas en el año 96 y
junto a esta suma traje las ventas por equipos ortopédicos. Ya que no tenemos referencia de que
es una venta normal de acuerdo a cierta cantidad de operaciones realizadas, es que tomé como
referencia el grupo 1, que es el que presentaba una mayor venta por equipos (variable sales12), y
comparé la variación del resto de los grupo en cuanto a como variaban sus ventas respecto del
grupo 1 y como variaban a su vez el número de operaciones. Y formé el cuadro que se muestra a
continuación:

Acá podemos ver que cuando disminuye en un 47% el número de operaciones, las ventas de
equipos lo hacen en un porcentaje mucho mayor, un 61%, a diferencia del grupo 3 por ejemplo
que las operaciones disminuyen en un 94% pero las ventas lo hacen en un porcentaje menor, del
80% o el grupo 4 que casi disminuye en la misma proporción.

21
Es por esto que el grupo en el cual se centrarán los esfuerzos, dado que presentan un alto
consumo de equipos (relacionado al número de operaciones) pero una menor venta por equipos
ortopédicos.

Por lo tanto luego de ya haber definido que el grupo 2 será el seleccionado para aplicar los
esfuerzos se debiesen ver los id de hospital asociados al grupo 2 de manera de tenerlos
identificados y comenzar a trabajar en ellos.

Dado lo básico de este análisis es que complementaremos con algo más estadístico, es decir
realizaremos el análisis pero mediante regresiones lineales para cada uno de los clusters. La idea
será hacer una para cada grupo y ver cual grupo resulta con mayores ventas proyectadas. El que lo
haga será nuestro candidato a incorporarle recursos para que comencemos a obtener mayores
ventas.

Antes de comenzar armaremos nuevas bases de datos, cada una correspondiente a cada cluster
formado, esto mediante el siguiente comando:

Ahora podemos realizar las regresiones por grupo

Comenzaremos con el grupo 1, realizando su regresión:

Nos queda el siguiente modelo:

sales12=0.02640+0.13694*beds+0.08453*rbeds+0.05269*outv+0.30458*knee95+

22
0.11071*femur96

Seguiremos con el grupo 2:

Nuestro modelo para el cluster 2 quedará de la siguiente manera:

sales12=0.9945+0.7449*beds+0.3943*rbeds-0.8845*adm+0.2788*sir

Para el cluster 3 nos queda el siguiente modelo:

El modelo para el cluster 3 nos queda:

sales12=-0.13798-0.10624*beds+0.09434*rbeds+0.19486*adm

Finalmente analizaremos el cluster 4, que nos arroja el siguiente modelo:

23
 El modelo queda como sigue:

sales12=-0.10711+0.03181*beds+0.13122*hip95+0.12378*knee96+0.04763*femur96

Finalmente para decidir en qué grupo centraremos los esfuerzos daremos valores a las variables, y
veremos con que grupo tenemos mayores ventas, ese será el grupo en el cual nos enfocaremos:

Los valores que daremos a las variables predictivas serán:

beds rbeds outv knee95 femur96 adm sir hip95 knee96

191 7 132 41 49 1324 4849 51 41

Luego reemplazaremos estos valores en cada modelo según corresponda, para llegar a un valor de
venta de productos de rehabilitación estimados:

Grupo 1 sales12=-0.02640+0.13694*beds+0.08453*rbeds-0.05269*outv+0.30458*knee95+0.11071*femur96
Grupo 2 sales12=0.9945+0.7449*beds+0.3943*rbeds-0.8845*adm+0.2788*sir
Grupo 3 sales12=-0.13798-0.10624*beds+0.09434*rbeds+0.19486*adm
Grupo 4 sales12=-0.10711+0.03181*beds+0.13122*hip95+0.12378*knee96+0.04763*femur96

Cluster sales12
Grupo 1 38
Grupo 2 327
Grupo 3 238
Grupo 4 20

24
Finalmente podemos ver que para los mismos valores de cada variable, el grupo 2 será el que
entregará mayores ventas, por lo tanto nos quedaremos con este grupo para insertarle recursos,
de manera de lograr mayores ventas.

25
Script R Project

library(readxl)

caso3<-read.table("C:/tallerConsultoría/c84.txt",header=TRUE, sep=",",

na.strings="NA", dec=",",strip.white=TRUE)

names( caso3 )[ 1:19 ] <- c( "zip", "hid", "city", "state", "beds", "rbeds", "outv",

"adm", "sir", "salesy", "sales12", "hip95", "knee95",

"th", "trauma","rehab", "hip96", "knee96", "femur96")

View(caso3)

names(caso3)

summary(caso3)

#Normalizaremos los datos numéricos

caso3.1<-caso3[ , c(5,6,7,8,9,10,11,12,13,14,15,16,17,18,19)]

View(caso3.1)

# Escalar los datos normalizados, para que ninguna variable tenga mas

# peso que la otra.

caso3.1.scale<-as.data.frame(scale(caso3.1))

View(caso3.1.scale)

summary(caso3.1)

26
#para hacer un grafico de correlaciones por colores, mientras más rojo mas inverso, mientras mas
azul mas directo

install.packages("corrplot")

library(corrplot)

corrplot(cor(caso3.1.scale))

names(caso3.1)

###Análisis componenetes principales

com2=princomp(caso3.1.scale[,-c(6,7)],cor=TRUE)

summary(com2)

com1=prcomp(caso3.1.scale[,-c(6,7)],scale=TRUE)

Mis nuevas variables correspondientes al componente 1 y 2 serán

plot(com2$sdev,type="o")#grafico las desviaciones para ver el grafico de segmentacion, donde se

corta la recta es el numero de factores que utilizaremos

loadings(com2)#me entrega los pesos que tienen las variables en cada componente, solo se
muestran las que son significativas

biplot(com2,cex=0.6)

nuevas.var.cp<-com1$x[,c(1,2)]

View(nuevas.var.cp)

par(mfrow=c(2,2))

plot(caso3.1$beds,caso3$sales12,xlab="Número de camas",

ylab="Ventas de equipos de rehabilitación",xlim=c(0,1000),

ylim=c(0,1000),main="Venta de equipos - Número de camas",col="blue")

27
plot(caso3.1$rbeds,caso3$sales12,xlab="Número de camas de rehabilitación",

ylab="Ventas de equipos de rehabilitación",xlim=c(0,200),

ylim=c(0,1000),main="Venta de equipos - Número de camas de rehabilitación",col="blue")

plot(caso3.1$outv,caso3$sales12,xlab="Número de pacientes ambulatorios visitados",

ylab="Ventas de equipos de rehabilitación",xlim=c(0,1000000),

ylim=c(0,1000),main="Venta de equipos - Número de pacientes ambulatorios

visitados",col="blue")

plot(caso3.1$adm,caso3$sales12,xlab="Costo administrativo",

ylab="Ventas de equipos de rehabilitación",xlim=c(0,40000),

ylim=c(0,1000),main="Venta de equipos - Costo administrativo",col="blue")

par(mfrow=c(2,2))

plot(caso3.1$sir,caso3$sales12,xlab="Ingresos de pacientes hospitalizados ",

ylab="Ventas de equipos de rehabilitación",xlim=c(0,30000),

ylim=c(0,1000),main="Venta de equipos - Ingresos de pacientes hospitalizados ",col="blue")

plot(caso3.1$hip96,caso3$sales12,xlab="Número de operaciones de cadera",

ylab="Ventas de equipos de rehabilitación",xlim=c(0,600),

ylim=c(0,1000),main="Venta de equipos - Número de operaciones de cadera",col="blue")

plot(caso3.1$knee96,caso3$sales12,xlab="Número de operaciones de rodilla",

ylab="Ventas de equipos de rehabilitación",xlim=c(0,400),

28
ylim=c(0,1000),main="Venta de equipos - Número de operaciones de rodilla",col="blue")

plot(caso3.1$femur96,caso3$sales12,xlab="Número de operaciones de femur",

ylab="Ventas de equipos de rehabilitación",xlim=c(0,300),

ylim=c(0,1000),main="Venta de equipos - Número de operaciones de femur",col="blue")

# fija una semilla

set.seed(500)

# Determinar el nº de cluster optimo

sumbt<- kmeans(nuevas.var.cp, centers = 1)$betweenss

# betweenss Inercia intergrupos

for(i in 2:10) sumbt[i]<-kmeans(caso3.1.scale,center=i)$betweenss

# Grafica el mejor numero de cluster

plot(1:10,sumbt, type="b",xlab = "nº de clusters",ylab = "suma de cuadrados intergrupos")

# escogemos 4 grupos

# Realizamos la clusterizacion

caso3.1.km<-kmeans(nuevas.var.cp,centers=4)

par(mfrow=c(2,1))

plot(caso3.1$beds,caso3.1$sales12,col=caso3.1.km$cluster,xlab="Número de camas",

ylab="Ventas de equipos de rehabilitación",xlim=c(0,1000),

ylim=c(0,1000),main="Venta de equipos - Número de camas")

29
plot(caso3.1$rbeds,caso3$sales12,col=caso3.1.km$cluster,xlab="Número de camas de
rehabilitación",

ylab="Ventas de equipos de rehabilitación",xlim=c(0,200),

ylim=c(0,1000),main="Venta de equipos - Número de camas de rehabilitación")

par(mfrow=c(2,1))

plot(caso3.1$outv,caso3$sales12,col=caso3.1.km$cluster,xlab="Número de pacientes
ambulatorios visitados",

ylab="Ventas de equipos de rehabilitación",xlim=c(0,1000000),

ylim=c(0,1000),main="Venta de equipos - Número de pacientes ambulatorios visitados")

plot(caso3.1$adm,caso3$sales12,col=caso3.1.km$cluster,xlab="Costo administrativo",

ylab="Ventas de equipos de rehabilitación",xlim=c(0,40000),

ylim=c(0,1000),main="Venta de equipos - Costo administrativo")

par(mfrow=c(2,1))

plot(caso3.1$sir,caso3$sales12,col=caso3.1.km$cluster,xlab="Ingresos de pacientes hospitalizados

",

ylab="Ventas de equipos de rehabilitación",xlim=c(0,30000),

ylim=c(0,1000),main="Venta de equipos - Ingresos de pacientes hospitalizados ")

plot(caso3.1$hip96,caso3$sales12,col=caso3.1.km$cluster,xlab="Número de operaciones de
cadera",

ylab="Ventas de equipos de rehabilitación",xlim=c(0,600),

ylim=c(0,1000),main="Venta de equipos - Número de operaciones de cadera")

30
par(mfrow=c(2,1))

plot(caso3.1$knee96,caso3$sales12,col=caso3.1.km$cluster,xlab="Número de operaciones de
rodilla",

ylab="Ventas de equipos de rehabilitación",xlim=c(0,400),

ylim=c(0,1000),main="Venta de equipos - Número de operaciones de rodilla")

plot(caso3.1$femur96,caso3$sales12,col=caso3.1.km$cluster,xlab="Número de operaciones de
femur",

ylab="Ventas de equipos de rehabilitación",xlim=c(0,300),

ylim=c(0,1000),main="Venta de equipos - Número de operaciones de femur")

#la función aggregate,divide la muestra en subconjuntos,

#calcula los estadísticos deseados por cada subconjunto

#y devuelve el resultado en una forma conveniente, esto significa

#que el resutado puede ser un vector, un data.frame o una lista

#según sea más conveniente.

aggregate(caso3.1 ,by=list(caso3.1.km$cluster),mean)

aggregate(caso3.1 ,by=list(caso3.1.km$cluster),median)

aggregate(caso3.1 ,by=list(caso3.1.km$cluster),sd)

aggregate(caso3.1 ,by=list(caso3.1.km$cluster),var)

aggregate(caso3.1 ,by=list(caso3.1.km$cluster),range)

summary(caso3.1)

cluster1 = subset(caso3.1.scale, caso3.1.km$cluster == 1)

31
cluster2 = subset(caso3.1.scale, caso3.1.km$cluster == 2)

cluster3 = subset(caso3.1.scale, caso3.1.km$cluster == 3)

cluster4 = subset(caso3.1.scale, caso3.1.km$cluster == 4)

c1<-lm(cluster1$sales12~beds+rbeds+outv+adm+sir+hip95+

knee95+hip96+knee96+femur96,data=cluster1)

summary(c1)

step(c1)

mc1<-lm(cluster1$sales12~beds + rbeds + outv + knee95 +

femur96,data=cluster1)

summary(mc1)

#El modelo para cluster 1 será:

#sales12=-0.02640+0.13694*beds+0.08453*rbeds-
0.05269*outv+0.30458*knee95+0.11071*femur96

c2<-lm(cluster2$sales12~beds+rbeds+outv+adm+sir+hip95+

knee95+hip96+knee96+femur96,data=cluster2)

summary(c2)

step(c2)

#El modelo para cluster 2 será:

#sales12=0.9945+0.7449*beds+0.3943*rbeds-0.8845*adm+0.2788*sir

c3<-lm(cluster3$sales12~beds+rbeds+outv+adm+sir+hip95+

knee95+hip96+knee96+femur96,data=cluster3)

32
summary(c3)

step(c3)

#El modelo para cluster 3 será:

#sales12=-0.13798-0.10624*beds+0.09434*rbeds+0.19486*adm

c4<-lm(cluster4$sales12~beds+rbeds+outv+adm+sir+hip95+

knee95+hip96+knee96+femur96,data=cluster4)

summary(c4)

step(c4)

#El modelo para cluster 4 será:

#sales12=-0.10711+0.03181*beds+0.13122*hip95+0.12378*knee96+0.04763*femur96

33