**Revisión de las condiciones de remuneración del Roaming Automático Nacional**

Anexo:

Notas aclaratorias:
1. La siguiente programación se elaboró en el programa R Studio que es un softwaree uso libre.


****Librerias necesarias:
Las siguientes son las librerias que se necesita instlar en R para poder correr la programación:

library(dplyr)
library(tidyr)
library(readr)
library(xlsx)
library(magrittr)
library(jsonlite)
library(haven)
library(tidyverse)
library(cluster)
library(NbClust)
library(factoextra)
library(psych)
library(GPArotation)

****Base de datos
base_RAN <- read.csv("Entradas/base_RAN.csv", sep = ";", dec = ",", fileEncoding = "UTF-8")

****Calcular variables:
base_RAN <- base_RAN%>%
  mutate(DENS_POB = POBLACION_2020/MPIO_NAREA)%>%
  mutate(TRAF_POB_DATOS=base_RAN$DATOS/base_RAN$POBLACION_2020)%>%
  mutate(TRAF_POB_VOZ=base_RAN$VOZ/base_RAN$POBLACION_2020)

****Normalizar la base
base_RAN<-scale(base_RAN)

****Análisis de Componentes Principales –ACP–
RAN_acp <- prcomp(base_RAN, center = TRUE, scale = TRUE)
summary(RAN_acp)
str(RAN_acp)

****Gráficos ACP
desv_acp=RAN_acp[[1]]
plot(desv_acp)

var_acp=desv_acp^2
str(var_acp)
summary(var_acp, digits = 5)

pve <- var_acp / sum(var_acp)

plot(pve, xlab="componente principal", ylab="Proporción de la varianza explicada", ylim= c(0,1), type="b")
plot(var_acp)
abline(h=1, col="red")

plot(cumsum(pve), xlab="Componente principal", ylab="Proporción acumulada de la varianza explicada", ylim= c(0,1), type="b")
abline(h=1, col="red")

****Rotación ACP
rot_loading <- principal(base_RAN, nfactors = 3, rotate = "varimax")
rot_loading

plot(rot_loading)

****Generar una base para el análisis de cluster

Nota: de acuerdo con el análisis de ACP, las variables tráfico de datos por habitante y tráfico de voz por habitante, no se tienen en cuenta para realizar
el análisis de cluster.

base_RAN <- as.data.frame(base_RAN)
base_RAN_2 <- base_RAN %>%
  select(-TRAF_POB_DATOS, -TRAF_POB_VOZ)

base_RAN_2<-scale(base_RAN_2)

****Identificar el número óptimo de clusters

**K–means
método wss (within-cluster sum of square): fviz_nbclust(base_RAN_2, kmeans, method = "wss")
método silhouette: fviz_nbclust(base_RAN_2, kmeans, method = "silhouette")
método gap_stat: fviz_nbclust(base_RAN_2, kmeans, method = "gap_stat")

Una vez se identifa el K-óptimo, se procede a correr el cluster:

res.k_means <- eclust(base_RAN_2, "kmeans", k = 5, graph = FALSE)
fviz_silhouette(res.k_means)

**K–medoids
método wss (within-cluster sum of square): fviz_nbclust(x = base_cluster_2, FUNcluster = pam, method = "wss", k.max = 15,
             diss = dist(base_RAN_2, method = "manhattan"))

Cluster por k–medoids:
pam_cl <- pam(base_RAN_2, k=9, metric="manhattan")
fviz_silhouette(pam_cl)
pam_cl

Para mayor información de los métodos se recomienda al lector el uso de la siguiente documentación:

1.	https://www.rdocumentation.org/packages/psych/versions/2.0.9/topics/principal
2. 	https://www.rdocumentation.org/packages/stats/versions/3.6.2/topics/prcomp