1 Introducción

Este documento presenta el análisis estadístico completo de la base de datos del proyecto HERCAFÉ, correspondiente al período 2022-2023. Se incluyen:

Estadística descriptiva de las variables numéricas.
Tablas de frecuencia por tipo, año y período.
Correlaciones entre variables clave.
Validación de supuestos y comparación entre 2022 y 2023.
Regresión lineal simple sobre indicadores mensuales.
Detección de valores atípicos (método IQR).
Caracterización y análisis ABC de proveedores.

2 Librerías

library(readxl)
library(dplyr)
library(ggplot2)
library(stringr)
library(lubridate)

3 Lectura de la base de datos

La base de datos se encuentra en la misma carpeta que este script. Los encabezados reales están en la fila 5 del Excel (parámetro skip = 4), y la hoja activa es “Hoja1”.

# Ajusta esta ruta si el archivo está en otra ubicación
datos_raw <- read_excel(
  "BASE DE DATOS COMPRA DE CAFE 2022-2023.xlsx",
  sheet = "Hoja1",
)

4 Limpieza y preparación

Se seleccionan y renombran las columnas útiles, se eliminan filas sin ID, y se crean variables derivadas (año, mes, período).

names(datos_raw)

##  [1] "ID"     "FECHA"  "MES"    "TIPO"   "NOMBRE" "BRUTO"  "NETO"   "PRECIO"
##  [9] "DINERO" "TULAS"

datos <- datos_raw %>%
  # Tomar solo las columnas con datos reales
  select(
    id           = ID,
    fecha        = FECHA,
    tipo         = TIPO,
    proveedor    = NOMBRE,
    peso_bruto   = BRUTO,
    peso_neto    = NETO,
    precio_kg    = PRECIO,
    precio_total = DINERO,
    tulas        = TULAS
  ) %>%
  # Eliminar filas sin ID (filas vacías al final del Excel)
  filter(!is.na(id)) %>%
  mutate(
    fecha      = as.Date(fecha),
    tipo       = str_trim(as.character(tipo)),
    proveedor  = str_trim(as.character(proveedor)),
    anio       = year(fecha),
    mes        = month(fecha),
    mes_nombre = month(fecha, label = TRUE, abbr = FALSE),
    periodo    = format(fecha, "%Y-%m")
  )

cat("Registros cargados:", nrow(datos), "\n")

## Registros cargados: 1039

cat("Años presentes:", paste(sort(unique(datos$anio)), collapse = ", "), "\n")

## Años presentes: 2022, 2023

glimpse(datos)

## Rows: 1,039
## Columns: 13
## $ id           <dbl> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17…
## $ fecha        <date> 2022-08-19, 2022-08-19, 2022-08-19, 2022-08-19, 2022-08-…
## $ tipo         <chr> "NORMAL", "NORMAL", "NORMAL", "NORMAL", "NORMAL", "NORMAL…
## $ proveedor    <chr> "FABIAN PLAZA", "VITAMINA", "ALIRIO PLAZA", "BRUNO", "BRU…
## $ peso_bruto   <chr> "917", "85", "160", "961", "36", "1466", "222", "54", "96…
## $ peso_neto    <chr> "852", "79", "148", "927", "33", "1366", "206", "54", "89…
## $ precio_kg    <dbl> 10879.11, 10873.42, 10878.38, 10801.51, 10787.88, 10959.7…
## $ precio_total <dbl> 9269000, 859000, 1610000, 10013000, 356000, 14971000, 224…
## $ tulas        <dbl> 18.34, 1.70, 3.20, 19.22, 0.72, 29.32, 4.44, 1.08, 19.22,…
## $ anio         <dbl> 2022, 2022, 2022, 2022, 2022, 2022, 2022, 2022, 2022, 202…
## $ mes          <dbl> 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, …
## $ mes_nombre   <ord> agosto, agosto, agosto, agosto, agosto, agosto, agosto, a…
## $ periodo      <chr> "2022-08", "2022-08", "2022-08", "2022-08", "2022-08", "2…

5 Variables del análisis

Nota metodológica: El rol de cada variable depende del análisis:

Descriptivo: sin dependiente ni independiente.

Correlaciones: pares de variables numéricas.

Comparación 2022 vs 2023: precio_kg, peso_neto, precio_total y tulas como dependientes; anio como agrupador.

Regresión lineal mensual: tiempo como independiente; precio_promedio, peso_neto_total y n_compras como dependientes.

6 Estadística descriptiva

library(dplyr)

# 1. Seleccionamos las columnas y OBLIGAMOS a que solo pasen las numéricas
# Esto evita que una columna de texto o factor rompa el sapply
vars_num <- datos %>%
  select(peso_bruto, peso_neto, precio_kg, precio_total, tulas) %>%
  select(where(is.numeric))

# 2. Tu función original de resumen
resumen_numerico <- function(x){
  c(
    n                   = sum(!is.na(x)),
    media               = mean(x, na.rm = TRUE),
    mediana             = median(x, na.rm = TRUE),
    desviacion_estandar = sd(x, na.rm = TRUE),
    minimo              = min(x, na.rm = TRUE),
    q1                  = quantile(x, 0.25, na.rm = TRUE),
    q3                  = quantile(x, 0.75, na.rm = TRUE),
    maximo              = max(x, na.rm = TRUE),
    cv_porcentaje       = sd(x, na.rm = TRUE) / mean(x, na.rm = TRUE) * 100
  )
}

# 3. Aplicar la función de forma ultra segura
# Usamos 'simplify = TRUE' para obligar a R a devolver una matriz limpia
matriz_t <- t(sapply(vars_num, resumen_numerico, simplify = TRUE))

# 4. Convertimos a data frame de forma explícita
descriptiva <- as.data.frame(matriz_t)

# 5. Organizar columnas y limpiar nombres de filas
descriptiva$variable <- rownames(matriz_t)
rownames(descriptiva) <- NULL
descriptiva <- descriptiva %>% select(variable, everything())

# 6. Renderizar la tabla
knitr::kable(descriptiva, digits = 2,
             caption = "Tabla 1. Estadística descriptiva de variables numéricas")

Tabla 1. Estadística descriptiva de variables numéricas
variable	n	media	mediana	desviacion_estandar	minimo	q1.25%	q3.75%	maximo	cv_porcentaje
precio_kg	1039	7791.22	8.320e+03	1802.75	483.77	5730.05	8720.00	11354.95	23.14
precio_total	1039	3161616.36	1.313e+06	5431195.52	11000.00	448680.00	3966960.00	71207000.00	171.79
tulas	1038	8.65	3.830e+00	13.89	0.03	1.24	11.12	156.34	160.57

7 Tablas de frecuencia

7.1 Por tipo de café

frecuencia_tipo <- as.data.frame(table(datos$tipo))
names(frecuencia_tipo) <- c("Tipo", "Frecuencia")
knitr::kable(frecuencia_tipo, caption = "Tabla 2. Frecuencia por tipo de café")

Tabla 2. Frecuencia por tipo de café
Tipo	Frecuencia
NORMAL	1031
OREADO	8

7.2 Por año

frecuencia_anio <- as.data.frame(table(datos$anio))
names(frecuencia_anio) <- c("Año", "Frecuencia")
knitr::kable(frecuencia_anio, caption = "Tabla 3. Frecuencia por año")

Tabla 3. Frecuencia por año
Año	Frecuencia
2022	458
2023	581

7.3 Por período mensual

frecuencia_periodo <- as.data.frame(table(datos$periodo))
names(frecuencia_periodo) <- c("Período", "Frecuencia")
knitr::kable(frecuencia_periodo, caption = "Tabla 4. Frecuencia por período mensual")

Tabla 4. Frecuencia por período mensual
Período	Frecuencia
2022-08	23
2022-09	45
2022-10	113
2022-11	137
2022-12	140
2023-01	88
2023-02	69
2023-04	14
2023-05	42
2023-06	87
2023-07	15
2023-08	38
2023-09	29
2023-10	149
2023-11	26
2023-12	24

8 Correlaciones (Pearson)

Se usa correlación de Pearson para evaluar relaciones lineales. Complementar siempre con diagramas de dispersión para verificar linealidad.

# 1. Aseguramos que todas las variables implicadas sean numéricas de verdad
peso_bruto   <- as.numeric(datos$peso_bruto)
peso_neto    <- as.numeric(datos$peso_neto)
tulas        <- as.numeric(datos$tulas)
precio_total <- as.numeric(datos$precio_total)
precio_kg    <- as.numeric(datos$precio_kg)

# 2. Ejecutamos las pruebas de correlación de Pearson usando los vectores limpios
cor_peso_bruto_neto <- cor.test(peso_bruto,   peso_neto,    method = "pearson")
cor_neto_tulas      <- cor.test(peso_neto,    tulas,        method = "pearson")
cor_total_neto      <- cor.test(precio_total, peso_neto,    method = "pearson")
cor_precio_neto     <- cor.test(precio_kg,    peso_neto,    method = "pearson")

# 3. Construimos la tabla de resultados
tabla_cor <- data.frame(
  Par = c("Peso bruto vs Peso neto",
          "Peso neto vs Tulas",
          "Precio total vs Peso neto",
          "Precio kg vs Peso neto"),
  r   = round(c(cor_peso_bruto_neto$estimate,
                cor_neto_tulas$estimate,
                cor_total_neto$estimate,
                cor_precio_neto$estimate), 4),
  p_valor = round(c(cor_peso_bruto_neto$p.value,
                    cor_neto_tulas$p.value,
                    cor_total_neto$p.value,
                    cor_precio_neto$p.value), 4)
)

# 4. Renderizamos la tabla en R Markdown
knitr::kable(tabla_cor, caption = "Tabla 5. Correlaciones de Pearson entre variables numéricas")

Tabla 5. Correlaciones de Pearson entre variables numéricas
Par	r	p_valor
Peso bruto vs Peso neto	0.9702	0.0000
Peso neto vs Tulas	0.9701	0.0000
Precio total vs Peso neto	0.9585	0.0000
Precio kg vs Peso neto	0.0483	0.1199

9 Comparación 2022 vs 2023

9.1 Validación de normalidad (Shapiro-Wilk)

Con muestras grandes, Shapiro-Wilk tiende a rechazar normalidad incluso con desviaciones menores. Se complementa con gráficos Q-Q e histogramas.

validar_normalidad_por_anio <- function(data, variable){
  x2022 <- data %>% filter(anio == 2022) %>% pull({{ variable }})
  x2023 <- data %>% filter(anio == 2023) %>% pull({{ variable }})
  list(
    shapiro_2022 = shapiro.test(x2022),
    shapiro_2023 = shapiro.test(x2023)
  )
}

library(dplyr)
library(tidyr)
library(purrr)

# 1. Aseguramos que el año sea factor/entero y seleccionamos las variables
datos_norm <- datos %>%
  mutate(
    anio = as.integer(anio), # Revisa si tu columna de año se llama 'anio' o 'Año'
    precio_kg = as.numeric(precio_kg),
    peso_neto = as.numeric(peso_neto),
    precio_total = as.numeric(precio_total),
    tulas = as.numeric(tulas)
  ) %>%
  filter(anio %in% c(2022, 2023))

# 2. Reestructuramos los datos para calcular Shapiro-Wilk por Año y Variable de un solo viaje
tabla_norm <- datos_norm %>%
  select(anio, precio_kg, peso_neto, precio_total, tulas) %>%
  pivot_longer(cols = -anio, names_to = "Variable", values_to = "valores") %>%
  group_by(Variable, anio) %>%
  summarise(
    # Aplicamos shapiro.test de forma segura eliminando NAs
    shapiro = list(shapiro.test(valores[!is.na(valores)])),
    .groups = 'drop'
  ) %>%
  mutate(
    W = map_dbl(shapiro, ~ .x$statistic),
    p_valor = map_dbl(shapiro, ~ .x$p.value)
  ) %>%
  select(Variable, Año = anio, W, p_valor) %>%
  mutate(
    W = round(W, 4),
    p_valor = round(p_valor, 4)
  )

# 3. Renderizamos la tabla final
knitr::kable(tabla_norm,
             caption = "Tabla 6. Prueba de normalidad Shapiro-Wilk por variable y año")

Tabla 6. Prueba de normalidad Shapiro-Wilk por variable y año
Variable	Año	W
peso_neto	2022	0.5588
peso_neto	2023	0.5952
precio_kg	2022	0.8952
precio_kg	2023	0.8274
precio_total	2022	0.5474
precio_total	2023	0.5990
tulas	2022	0.5420
tulas	2023	0.5958

9.2 Histogramas y Q-Q plots

9.2.1 Precio por kg

ggplot(datos, aes(x = precio_kg)) +
  geom_histogram(binwidth = 500, fill = "steelblue", color = "white") +
  facet_wrap(~ anio, scales = "free_y") +
  labs(title = "Histograma de precio por kg por año",
       x = "Precio por kg", y = "Frecuencia") +
  theme_minimal()

qqnorm(datos$precio_kg[datos$anio == 2022], main = "Q-Q plot precio kg — 2022")
qqline(datos$precio_kg[datos$anio == 2022], col = "red")

qqnorm(datos$precio_kg[datos$anio == 2023], main = "Q-Q plot precio kg — 2023")
qqline(datos$precio_kg[datos$anio == 2023], col = "red")

9.2.2 Peso neto

# 1. Creamos vectores numéricos limpios para evitar el conflicto de tipos de datos
peso_neto_num <- as.numeric(datos$peso_neto)
anio_num      <- as.integer(datos$anio)

# 2. Extraemos los subconjuntos por año de forma segura
peso_2022 <- peso_neto_num[anio_num == 2022 & !is.na(peso_neto_num)]
peso_2023 <- peso_neto_num[anio_num == 2023 & !is.na(peso_neto_num)]

# 3. Gráfico Q-Q para el año 2022
qqnorm(peso_2022, main = "Q-Q plot peso neto — 2022")
qqline(peso_2022, col = "red")

# 4. Gráfico Q-Q para el año 2023
qqnorm(peso_2023, main = "Q-Q plot peso neto — 2023")
qqline(peso_2023, col = "red")

9.3 Prueba t de Welch y Mann-Whitney

Se aplica t de Welch (no asume varianzas iguales) y se complementa con Mann-Whitney como verificación no paramétrica.

library(dplyr)

# 1. Creamos un nuevo dataframe con los tipos de datos correctos
datos_limpios <- datos %>%
  mutate(
    anio         = as.factor(anio), # Lo convertimos en factor para los grupos
    peso_neto    = as.numeric(peso_neto),
    precio_kg    = as.numeric(precio_kg),
    precio_total = as.numeric(precio_total),
    tulas        = as.numeric(tulas)
  ) %>%
  # Nos aseguramos de usar solo los años de la comparación
  filter(anio %in% c("2022", "2023"))

# 2. Ejecutamos la Prueba t de Welch usando los datos corregidos
t_peso_neto    <- t.test(peso_neto    ~ anio, data = datos_limpios)
t_precio_kg    <- t.test(precio_kg    ~ anio, data = datos_limpios)
t_precio_total <- t.test(precio_total ~ anio, data = datos_limpios)
t_tulas        <- t.test(tulas        ~ anio, data = datos_limpios)

# 3. Ejecutamos la Prueba de Mann-Whitney (Wilcoxon)
mw_peso_neto    <- wilcox.test(peso_neto    ~ anio, data = datos_limpios)
mw_precio_kg    <- wilcox.test(precio_kg    ~ anio, data = datos_limpios)
mw_precio_total <- wilcox.test(precio_total ~ anio, data = datos_limpios)
mw_tulas        <- wilcox.test(tulas        ~ anio, data = datos_limpios)

# 4. Construimos la tabla de resultados final
tabla_pruebas <- data.frame(
  Variable      = c("peso_neto", "precio_kg", "precio_total", "tulas"),
  t_estadistico = round(c(t_peso_neto$statistic, t_precio_kg$statistic,
                          t_precio_total$statistic, t_tulas$statistic), 4),
  p_valor_t     = round(c(t_peso_neto$p.value, t_precio_kg$p.value,
                          t_precio_total$p.value, t_tulas$p.value), 4),
  W_MannWhitney = c(mw_peso_neto$statistic, mw_precio_kg$statistic,
                    mw_precio_total$statistic, mw_tulas$statistic),
  p_valor_mw    = round(c(mw_peso_neto$p.value, mw_precio_kg$p.value,
                          mw_precio_total$p.value, mw_tulas$p.value), 4)
)

# 5. Renderizamos la tabla
knitr::kable(tabla_pruebas,
             caption = "Tabla 7. Prueba t de Welch y Mann-Whitney: comparación 2022 vs 2023")

Tabla 7. Prueba t de Welch y Mann-Whitney: comparación 2022 vs 2023
Variable	t_estadistico	p_valor_t	W_MannWhitney	p_valor_mw
peso_neto	1.9859	0.0474	141828.0	0.0675
precio_kg	33.8999	0.0000	243167.5	0.0000
precio_total	5.4515	0.0000	158800.0	0.0000
tulas	2.1433	0.0324	141639.0	0.0659

9.4 Promedios por año

resumen_anio <- datos %>%
  group_by(anio) %>%
  summarise(
    n                     = n(),
    peso_neto_promedio    = mean(peso_neto,    na.rm = TRUE),
    precio_kg_promedio    = mean(precio_kg,    na.rm = TRUE),
    precio_total_promedio = mean(precio_total, na.rm = TRUE),
    tulas_promedio        = mean(tulas,        na.rm = TRUE)
  )

knitr::kable(resumen_anio, digits = 2, caption = "Tabla 8. Promedios por año")

Tabla 8. Promedios por año
anio	n	peso_neto_promedio	precio_kg_promedio	precio_total_promedio	tulas_promedio
2022	458	NA	9254.08	4258006	9.73
2023	581	NA	6638.06	2297337	7.80

10 Resumen mensual

library(dplyr)

# 1. Transformamos las variables a numéricas antes de agrupar y resumir
mensual <- datos %>%
  mutate(
    peso_bruto   = as.numeric(peso_bruto),
    peso_neto    = as.numeric(peso_neto),
    precio_kg    = as.numeric(precio_kg),
    precio_total = as.numeric(precio_total),
    tulas        = as.numeric(tulas)
  ) %>%
  group_by(periodo) %>%
  summarise(
    n_compras             = n(),
    peso_bruto_total      = sum(peso_bruto,   na.rm = TRUE),
    peso_neto_total       = sum(peso_neto,    na.rm = TRUE),
    peso_neto_promedio    = mean(peso_neto,   na.rm = TRUE),
    precio_promedio       = mean(precio_kg,   na.rm = TRUE),
    precio_mediano        = median(precio_kg, na.rm = TRUE),
    precio_total_comprado = sum(precio_total, na.rm = TRUE),
    tulas_totales         = sum(tulas,        na.rm = TRUE),
    .groups = "drop"       # Desagrupamos explícitamente para evitar advertencias
  ) %>%
  # Creación del índice de tiempo secuencial
  mutate(tiempo = 1:n())

# 2. Renderizar la tabla en R Markdown
knitr::kable(mensual, digits = 2, caption = "Tabla 9. Resumen de indicadores mensuales")

Tabla 9. Resumen de indicadores mensuales
periodo	n_compras	peso_bruto_total	peso_neto_total	peso_neto_promedio	precio_promedio	precio_mediano	precio_total_comprado	tulas_totales	tiempo
2022-08	23	11490.0	10746.0	467.22	10914.93	10903.85	117605000	229.80	1
2022-09	45	34389.0	27135.0	603.00	10864.31	10960.00	296560800	687.78	2
2022-10	113	77531.0	72280.5	639.65	10349.56	10640.00	748826020	1541.04	3
2022-11	137	40927.5	38064.8	277.85	8549.06	8640.00	331596996	818.55	4
2022-12	140	58879.0	54926.0	392.33	8269.36	8540.00	455577730	1177.58	5
2023-01	88	28783.5	26815.0	304.72	8102.50	8400.00	213074920	575.67	6
2023-02	69	16010.0	15121.0	219.14	8513.33	8560.00	127894120	320.20	7
2023-04	14	2615.0	2433.0	173.79	8350.71	8375.00	20292750	52.30	8
2023-05	42	9143.0	8610.5	205.01	7835.48	8080.00	67845760	182.86	9
2023-06	87	28176.0	26255.5	301.79	6134.74	6400.00	162589430	563.52	10
2023-07	15	7791.0	7207.0	480.47	5617.33	5600.00	40979560	155.82	11
2023-08	38	17046.0	15827.0	416.50	5478.68	5440.00	86860730	340.92	12
2023-09	29	17634.0	16528.5	569.95	5540.62	5558.58	92052520	352.68	13
2023-10	149	90091.5	84031.5	563.97	5644.67	5697.53	475853140	1801.00	14
2023-11	26	4567.0	4233.0	162.81	5673.34	5679.49	24129400	91.34	15
2023-12	24	4424.0	4103.0	170.96	5619.08	5758.69	23180520	88.48	16

11 Regresión lineal simple sobre indicadores mensuales

Variable independiente: tiempo (índice numérico del mes).
Variables dependientes: precio_promedio, peso_neto_total, n_compras.

11.1 Modelo 1: Precio promedio mensual

modelo_precio <- lm(precio_promedio ~ tiempo, data = mensual)
summary(modelo_precio)

## 
## Call:
## lm(formula = precio_promedio ~ tiempo, data = mensual)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -998.2 -702.3  268.4  576.4  954.8 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 10908.13     364.37   29.94 4.30e-14 ***
## tiempo       -390.24      37.68  -10.36 6.05e-08 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 694.8 on 14 degrees of freedom
## Multiple R-squared:  0.8845, Adjusted R-squared:  0.8763 
## F-statistic: 107.2 on 1 and 14 DF,  p-value: 6.047e-08

res_precio <- residuals(modelo_precio)
fit_precio <- fitted(modelo_precio)

plot(fit_precio, res_precio,
     main = "Residuos vs Ajustados — Precio promedio",
     xlab = "Valores ajustados", ylab = "Residuos")
abline(h = 0, col = "red", lty = 2)

qqnorm(res_precio, main = "Q-Q residuos — Precio promedio")
qqline(res_precio, col = "red")

shapiro.test(res_precio)

## 
##  Shapiro-Wilk normality test
## 
## data:  res_precio
## W = 0.89012, p-value = 0.05596

11.2 Modelo 2: Peso neto total mensual

modelo_peso <- lm(peso_neto_total ~ tiempo, data = mensual)
summary(modelo_peso)

## 
## Call:
## lm(formula = peso_neto_total ~ tiempo, data = mensual)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -24046 -14496  -6165   3313  64559 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)  
## (Intercept)    35821      13102   2.734   0.0161 *
## tiempo         -1168       1355  -0.862   0.4033  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 24980 on 14 degrees of freedom
## Multiple R-squared:  0.05039,    Adjusted R-squared:  -0.01744 
## F-statistic: 0.7428 on 1 and 14 DF,  p-value: 0.4033

res_peso <- residuals(modelo_peso)
fit_peso <- fitted(modelo_peso)

plot(fit_peso, res_peso,
     main = "Residuos vs Ajustados — Peso neto total",
     xlab = "Valores ajustados", ylab = "Residuos")
abline(h = 0, col = "red", lty = 2)

qqnorm(res_peso, main = "Q-Q residuos — Peso neto total")
qqline(res_peso, col = "red")

shapiro.test(res_peso)

## 
##  Shapiro-Wilk normality test
## 
## data:  res_peso
## W = 0.82041, p-value = 0.005152

11.3 Modelo 3: Número de compras mensual

modelo_compras <- lm(n_compras ~ tiempo, data = mensual)
summary(modelo_compras)

## 
## Call:
## lm(formula = n_compras ~ tiempo, data = mensual)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -61.85 -27.29 -19.34  27.90  98.66 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)   
## (Intercept)   87.500     25.002   3.500  0.00354 **
## tiempo        -2.654      2.586  -1.027  0.32202   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 47.68 on 14 degrees of freedom
## Multiple R-squared:  0.07001,    Adjusted R-squared:  0.00358 
## F-statistic: 1.054 on 1 and 14 DF,  p-value: 0.322

res_compras <- residuals(modelo_compras)
fit_compras <- fitted(modelo_compras)

plot(fit_compras, res_compras,
     main = "Residuos vs Ajustados — Número de compras",
     xlab = "Valores ajustados", ylab = "Residuos")
abline(h = 0, col = "red", lty = 2)

qqnorm(res_compras, main = "Q-Q residuos — Número de compras")
qqline(res_compras, col = "red")

shapiro.test(res_compras)

## 
##  Shapiro-Wilk normality test
## 
## data:  res_compras
## W = 0.93158, p-value = 0.2582

12 Detección de valores atípicos (método IQR)

library(dplyr)

# 1. Tu función original para marcar atípicos por IQR
marcar_atipicos_iqr <- function(x){
  q1  <- quantile(x, 0.25, na.rm = TRUE)
  q3  <- quantile(x, 0.75, na.rm = TRUE)
  iqr <- IQR(x, na.rm = TRUE)
  x < (q1 - 1.5 * iqr) | x > (q3 + 1.5 * iqr)
}

# 2. Convertimos a numéricas y aplicamos la función de detección
datos <- datos %>%
  mutate(
    precio_kg    = as.numeric(precio_kg),
    peso_neto    = as.numeric(peso_neto),
    precio_total = as.numeric(precio_total),
    
    # Ahora sí pasamos los vectores puramente numéricos
    atipico_precio = marcar_atipicos_iqr(precio_kg),
    atipico_neto   = marcar_atipicos_iqr(peso_neto),
    atipico_total  = marcar_atipicos_iqr(precio_total),
    
    # Evaluamos de forma lógica y asignamos "Si" o "No"
    atipico        = ifelse(atipico_precio | atipico_neto | atipico_total, "Si", "No")
  )

# 3. Filtramos el subconjunto de registros atípicos
atipicos <- datos %>% filter(atipico == "Si")

# 4. Mensaje informativo en la consola
cat("Registros atípicos detectados:", nrow(atipicos), "de", nrow(datos), "\n")

## Registros atípicos detectados: 98 de 1039

# 5. Renderizamos los primeros 20 registros detectados
knitr::kable(head(atipicos, 20),
             caption = "Tabla 10. Primeros 20 registros con valores atípicos")

Tabla 10. Primeros 20 registros con valores atípicos
id	fecha	tipo	proveedor	peso_bruto	peso_neto	precio_kg	precio_total	tulas	anio	mes	mes_nombre	periodo	atipico_precio	atipico_neto	atipico_total	atipico
1	2022-08-19	NORMAL	FABIAN PLAZA	917	852	10879.11	9269000	18.34	2022	8	agosto	2022-08	FALSE	FALSE	TRUE	Si
4	2022-08-19	NORMAL	BRUNO	961	927	10801.51	10013000	19.22	2022	8	agosto	2022-08	FALSE	FALSE	TRUE	Si
6	2022-08-19	NORMAL	CARLOS CUELLAR	1466	1366	10959.74	14971000	29.32	2022	8	agosto	2022-08	FALSE	TRUE	TRUE	Si
9	2022-08-19	NORMAL	JHON FREDY	961	893	11000.00	9823000	19.22	2022	8	agosto	2022-08	FALSE	FALSE	TRUE	Si
21	2022-08-19	NORMAL	PAISA JHON	1114	1047	10919.77	11433000	22.28	2022	8	agosto	2022-08	FALSE	FALSE	TRUE	Si
23	2022-08-19	NORMAL	MINUTO	2245	2100	11000.00	23100000	44.90	2022	8	agosto	2022-08	FALSE	TRUE	TRUE	Si
24	2022-09-24	NORMAL	DEYSI MAHECHA	1402	1402	10279.60	14412000	28.04	2022	9	septiembre	2022-09	FALSE	TRUE	TRUE	Si
38	2022-09-24	NORMAL	GERARDO	1079	1003	10959.12	10992000	21.58	2022	9	septiembre	2022-09	FALSE	FALSE	TRUE	Si
49	2022-09-24	NORMAL	DUVAN RAMIREZ	1432	1388	10641.93	14771000	28.64	2022	9	septiembre	2022-09	FALSE	TRUE	TRUE	Si
50	2022-09-24	NORMAL	DUVAN RAMIREZ	1221	1141	11354.95	12956000	24.42	2022	9	septiembre	2022-09	FALSE	FALSE	TRUE	Si
51	2022-09-24	NORMAL	MAURICIO HORIZONTE	6987	6497	10959.98	71207000	139.74	2022	9	septiembre	2022-09	FALSE	TRUE	TRUE	Si
53	2022-09-25	NORMAL	PELUZA	944	877	10960.00	9611920	18.88	2022	9	septiembre	2022-09	FALSE	FALSE	TRUE	Si
60	2022-09-25	NORMAL	ROJAS	1145	1064	10960.00	11661440	22.90	2022	9	septiembre	2022-09	FALSE	FALSE	TRUE	Si
61	2022-09-25	NORMAL	ALVARO	3526	3279	11040.00	36200160	70.52	2022	9	septiembre	2022-09	FALSE	TRUE	TRUE	Si
65	2022-09-25	NORMAL	EDGAR	1063	988	11000.00	10868000	21.26	2022	9	septiembre	2022-09	FALSE	FALSE	TRUE	Si
69	2022-10-09	NORMAL	FINCA	2456	2367	10800.00	25563600	49.12	2022	10	octubre	2022-10	FALSE	TRUE	TRUE	Si
70	2022-10-09	NORMAL	YIMI	1248	1160	10800.00	12528000	24.96	2022	10	octubre	2022-10	FALSE	FALSE	TRUE	Si
71	2022-10-09	NORMAL	TORO	2925	2720	10840.00	29484800	58.50	2022	10	octubre	2022-10	FALSE	TRUE	TRUE	Si
74	2022-10-09	NORMAL	WILSON	1412	1313	10800.00	14180400	28.24	2022	10	octubre	2022-10	FALSE	TRUE	TRUE	Si
80	2022-10-09	NORMAL	JHON JADER	1048	974	10800.00	10519200	20.96	2022	10	octubre	2022-10	FALSE	FALSE	TRUE	Si

13 Caracterización de proveedores

library(dplyr)

# 1. Detectamos automáticamente cómo se llama la columna de atípicos para que no falle
# Buscaremos variaciones como "atipico", "Atipico", "atípico", "Atípico"
columna_atipico <- grep("atipic|atípic", names(datos), ignore.case = TRUE, value = TRUE)[1]

# 2. Transformamos las variables numéricas de forma segura
proveedores <- datos %>%
  mutate(
    peso_neto    = as.numeric(peso_neto),
    precio_kg    = as.numeric(precio_kg),
    precio_total = as.numeric(precio_total)
  )

# 3. Si la columna existe, hacemos el conteo; si no, creamos las columnas vacías para que no rompa el código
if (!is.na(columna_atipico)) {
  proveedores <- proveedores %>%
    group_by(proveedor) %>%
    summarise(
      n_compras          = n(),
      volumen_total_neto = sum(peso_neto,    na.rm = TRUE),
      peso_neto_promedio = mean(peso_neto,   na.rm = TRUE),
      precio_kg_promedio = mean(precio_kg,   na.rm = TRUE),
      cv_precio          = sd(precio_kg,  na.rm = TRUE) / mean(precio_kg,  na.rm = TRUE) * 100,
      cv_peso_neto       = sd(peso_neto,  na.rm = TRUE) / mean(peso_neto,  na.rm = TRUE) * 100,
      precio_total_acum  = sum(precio_total, na.rm = TRUE),
      # Evaluamos dinámicamente usando la columna encontrada escaneando "Si" o "SI"
      atipicos           = sum(toupper(trimws(as.character(.data[[columna_atipico]]))) == "SI", na.rm = TRUE),
      prop_atipicos      = mean(toupper(trimws(as.character(.data[[columna_atipico]]))) == "SI", na.rm = TRUE) * 100,
      .groups = "drop"
    )
} else {
  # Si de verdad no existe ninguna columna parecida, calcula todo lo demás y deja los atípicos en 0
  proveedores <- proveedores %>%
    group_by(proveedor) %>%
    summarise(
      n_compras          = n(),
      volumen_total_neto = sum(peso_neto,    na.rm = TRUE),
      peso_neto_promedio = mean(peso_neto,   na.rm = TRUE),
      precio_kg_promedio = mean(precio_kg,   na.rm = TRUE),
      cv_precio          = sd(precio_kg,  na.rm = TRUE) / mean(precio_kg,  na.rm = TRUE) * 100,
      cv_peso_neto       = sd(peso_neto,  na.rm = TRUE) / mean(peso_neto,  na.rm = TRUE) * 100,
      precio_total_acum  = sum(precio_total, na.rm = TRUE),
      atipicos           = 0,
      prop_atipicos      = 0,
      .groups = "drop"
    )
}

# 4. Ordenamos de mayor a menor volumen total neto
proveedores <- proveedores %>% arrange(desc(volumen_total_neto))

# 5. Renderizamos la tabla
knitr::kable(proveedores, digits = 2, caption = "Tabla 11. Caracterización de proveedores")

Tabla 11. Caracterización de proveedores
proveedor	n_compras	volumen_total_neto	peso_neto_promedio	precio_kg_promedio	cv_precio	cv_peso_neto	precio_total_acum
ALVARO	11	29931.0	2721.00	8796.36	17.36	88.86	271204240.0
MAURICIO HORIZONTE	6	11614.0	1935.67	7394.40	37.57	116.23	103601000.0
TORO	8	8161.0	1020.12	9420.00	9.91	77.00	79187920.0
EDWIN	27	7847.0	290.63	6911.45	21.19	80.25	51764180.0
MIGUEL	14	7389.0	527.79	8325.71	5.78	86.25	59775360.0
MAURICIO HERNÁNDEZ	8	7327.0	915.88	6134.41	15.82	52.88	44872560.0
WILSON	22	7276.0	330.73	8647.25	16.03	109.82	61511680.0
ALEX	9	7102.0	789.11	8333.33	9.08	95.40	62661200.0
DIEGO	13	6960.0	535.38	8473.77	21.21	71.70	63507760.0
CAMPOS	7	6290.0	898.57	8745.71	12.80	55.37	57644040.0
CABO	20	6247.4	312.37	6486.27	18.37	73.49	41275468.0
MARCELO	1	5673.0	5673.00	5851.23	NA	NA	33194000.0
MILCIADES	12	5486.0	457.17	8876.49	14.56	64.48	50055600.0
DEISY	5	5449.0	1089.80	8150.00	1.84	32.98	44243450.0
URIEL REINA	1	5269.0	5269.00	5719.87	NA	NA	30138000.0
JHON JADER	7	5237.0	748.14	9880.00	10.21	85.83	52750400.0
ARTURO	8	4889.0	611.12	9365.00	11.78	102.49	50472600.0
ROJAS	6	4812.0	802.00	8866.67	14.52	48.13	44305600.0
GERARDO VALLEJO	7	4615.0	659.29	6479.73	20.69	59.40	27988840.0
DOÑA DEISY	2	4573.0	2286.50	6405.00	23.07	45.31	27944840.0
VICENTE	6	4386.0	731.00	8506.67	25.18	74.17	40801440.0
GERARDO	8	4228.0	528.50	9047.87	14.76	79.17	39025000.0
FABIAN PLAZAS	10	4211.0	421.10	6962.50	25.27	80.70	26262280.0
ALBERTO	4	4073.0	1018.25	6019.61	8.69	52.08	23910600.0
YIMI	4	3910.0	977.50	9580.00	9.77	38.79	38225920.0
CAMILO	8	3827.0	478.38	5364.81	39.85	54.57	17078400.0
PEDRO BONILLA	1	3808.0	3808.00	5440.00	NA	NA	20715520.0
ISMAEL MURCIA	6	3797.0	632.83	5597.01	2.03	50.02	21349080.0
BEIRA	8	3692.0	461.50	8750.00	12.32	63.03	32902720.0
JHON	9	3666.0	407.33	8391.11	15.89	104.40	34681200.0
OVER	3	3578.0	1192.67	9386.67	16.73	43.15	35085120.0
GRILLO	7	3400.0	485.71	8274.29	14.68	143.42	30015360.0
LEONEL MUÑOZ	3	3219.0	1073.00	5559.42	0.00	45.89	17896000.0
DARIO CORTÉS	4	3196.0	799.00	6360.00	6.29	103.87	19374560.0
PELUSA	9	3156.0	350.67	8648.89	9.28	74.19	28220840.0
ARMANDO	4	3125.0	781.25	8520.00	0.94	26.64	26620000.0
ELIECER	4	3098.0	774.50	7760.00	0.00	109.80	24040480.0
ARMANDO VARGAS	3	3088.0	1029.33	5759.70	0.00	18.72	17786000.0
MERLY	11	3067.0	278.82	8843.64	10.80	50.18	27725440.0
MAY	10	2989.0	298.90	8424.00	5.80	84.56	25746240.0
SANTIAGO	16	2978.0	186.12	6227.65	20.43	119.80	17116720.0
EDUARDO PLAZAS	3	2960.0	986.67	5746.13	0.40	52.75	17013000.0
JAIME	6	2939.0	489.83	8526.67	9.26	41.88	25015200.0
HERNANDO	2	2869.0	1434.50	9800.00	17.89	139.15	31616720.0
CRISTIAN	12	2672.0	222.67	9233.33	12.42	146.10	26764160.0
ARMANDO V	2	2656.0	1328.00	7760.00	0.00	0.00	20610560.0
MONO	8	2607.0	325.88	7574.91	25.83	118.57	17677400.0
ABEL VILLANUEVA	4	2584.0	646.00	5609.73	1.87	113.61	14719040.0
DUVAN RAMIREZ	2	2529.0	1264.50	10998.44	4.58	13.81	27727000.0
MAURICIO H	4	2417.0	604.25	7089.81	23.00	22.00	16717200.0
CARLOS CUELLAR	3	2375.0	791.67	10973.06	0.21	63.32	26047000.0
FINCA	1	2367.0	2367.00	10800.00	NA	NA	25563600.0
EMERSON	3	2343.0	781.00	6986.53	31.40	115.96	13462320.0
OSCAR VEGA	4	2255.0	563.75	7068.09	35.88	128.87	13555800.0
DON GERARDO	3	2227.0	742.33	6519.99	23.96	108.30	12809800.0
EDWIN PASTUSO	3	2166.0	722.00	9840.00	0.00	40.88	21313440.0
ELIBERTO	6	2104.0	350.67	6985.21	20.88	126.07	12562320.0
MINUTO	1	2100.0	2100.00	11000.00	NA	NA	23100000.0
LISARDO	2	2097.0	1048.50	9800.00	0.00	13.56	20550600.0
MONO CASTRO	5	2068.0	413.60	7127.40	20.03	54.04	15269360.0
GUILLERMO	2	1992.0	996.00	7600.00	0.00	0.00	15139200.0
FABIO	10	1917.0	191.70	5839.87	22.01	90.11	10792180.0
PEDRO	10	1905.0	190.50	8516.00	16.03	112.17	17843920.0
CAMILO MURCIA	3	1833.0	611.00	5759.37	0.01	34.19	10557000.0
MARTHA	5	1828.0	365.60	9104.00	10.08	93.87	16366960.0
GERARDO V	2	1823.0	911.50	7500.00	12.45	26.45	13447440.0
MAURICIO HENÁNDEZ	1	1792.0	1792.00	5680.00	NA	NA	10178560.0
EDINSON	6	1790.0	298.33	8019.97	26.10	102.64	16833440.0
VIVIANA	3	1772.0	590.67	7619.67	8.56	110.77	12722454.0
EDUARDO	2	1751.0	875.50	5999.94	9.43	115.74	9932600.0
RIGO	5	1742.0	348.40	8389.72	23.00	52.35	14940390.0
ALIRIO PLAZAS	3	1721.0	573.67	6933.05	34.36	54.10	10465480.0
JHON FREDY	4	1700.0	425.00	10384.79	12.10	110.62	18637500.0
NACHO	1	1679.0	1679.00	5719.48	NA	NA	9603000.0
MILCIADES V	1	1670.0	1670.00	5759.88	NA	NA	9619000.0
MARCELO SILVA	1	1660.0	1660.00	5600.00	NA	NA	9296000.0
DARIO CORTES	2	1540.0	770.00	6000.00	13.20	43.16	8976800.0
FABIAN	8	1526.0	190.75	8089.88	28.10	79.45	12648080.0
PEDRO PLAZAS	3	1486.0	495.33	6826.67	18.80	78.03	9931680.0
HECTOR	3	1410.0	470.00	8626.67	0.27	97.66	12143880.0
DEYSI MAHECHA	1	1402.0	1402.00	10279.60	NA	NA	14412000.0
LUCHO MUÑOZ	1	1377.0	1377.00	5800.00	NA	NA	7986600.0
RENÉ	4	1371.0	342.75	6440.00	16.53	76.13	8977120.0
NICO	2	1369.0	684.50	6160.00	9.18	9.81	8395040.0
RENE	4	1362.0	340.50	9699.07	14.58	78.05	13505960.0
ABEL	3	1330.0	443.33	9026.67	7.63	113.96	12624400.0
DON SANTIAGO	4	1295.5	323.88	5664.84	3.02	173.30	7452400.0
MISAEL	1	1253.0	1253.00	5639.27	NA	NA	7066000.0
JOSE IGNACIO	2	1244.0	622.00	5559.97	0.04	32.74	6917000.0
FABIAN PLAZA	2	1243.0	621.50	8839.55	32.63	52.45	11927800.0
DEMETRIO	1	1199.0	1199.00	9760.00	NA	NA	11702240.0
MILTON	4	1170.0	292.50	6339.01	20.00	76.11	8146680.0
HERNAN	6	1140.8	190.13	5943.19	8.06	151.17	6554840.0
EDILMA	4	1114.0	278.50	5713.95	0.59	91.28	6357000.0
MALVORE	4	1105.0	276.25	8880.00	6.62	55.02	9977760.0
JOTA	2	1104.0	552.00	9800.00	0.00	97.61	10819200.0
CHIQUI	10	1089.0	108.90	7984.00	6.23	77.47	8803680.0
PAISA JHON	1	1047.0	1047.00	10919.77	NA	NA	11433000.0
NICOLAS	2	1045.0	522.50	4839.75	24.54	139.80	5925000.0
RONALD	3	1044.0	348.00	9653.33	10.78	86.23	10017120.0
POCHO	2	1038.0	519.00	7099.75	29.09	79.29	6519680.0
ROBERTH	5	1034.0	206.80	6016.00	9.47	88.15	6153360.0
FERNANDO	6	1030.0	171.67	7773.33	7.85	70.77	7898960.0
MARCELITO	1	1026.0	1026.00	5679.34	NA	NA	5827000.0
URIEL	1	1025.0	1025.00	5760.00	NA	NA	5904000.0
FREDY ARTUNDUAGA	2	996.0	498.00	11000.00	0.00	72.98	10956000.0
EDGAR	1	988.0	988.00	11000.00	NA	NA	10868000.0
ALIRIO	1	980.0	980.00	6720.00	NA	NA	6585600.0
JORGE VEGA	4	964.0	241.00	5677.68	0.03	56.75	5473600.0
BRUNO	2	960.0	480.00	10794.69	0.09	131.70	10369000.0
MAICOL	7	958.0	136.86	8268.75	14.66	105.18	7048400.0
ALVARO CASTRO	2	947.0	473.50	5638.57	1.01	12.10	5343000.0
CELIANO	2	942.0	471.00	10880.00	2.08	112.90	10369280.0
DON ALVARO	1	930.0	930.00	8600.00	NA	NA	7998000.0
GUILLERMO ZAMBRANO	1	917.0	917.00	5599.78	NA	NA	5135000.0
CARLOS HERMIDA	1	909.0	909.00	8480.00	NA	NA	7708320.0
WILMER	12	894.0	74.50	7597.26	16.83	173.14	7413800.0
JOSE CUCHUCO	1	889.0	889.00	5680.54	NA	NA	5050000.0
DON ISMAEL	1	885.0	885.00	5759.32	NA	NA	5097000.0
LEONEL	1	878.0	878.00	5719.82	NA	NA	5022000.0
PELUZA	1	877.0	877.00	10960.00	NA	NA	9611920.0
JEFE	3	845.0	281.67	9413.33	13.50	64.46	7522640.0
LALO	1	843.0	843.00	11020.00	NA	NA	9289860.0
JORGE PRIMO	1	820.0	820.00	5840.00	NA	NA	4788800.0
DUBERNEY	1	816.0	816.00	5680.00	NA	NA	4634880.0
MAURICIO GALLARDO	1	810.0	810.00	5559.26	NA	NA	4503000.0
MAURIO HERNÁNDEZ P	1	806.0	806.00	5360.00	NA	NA	4320160.0
DARÍO	1	784.0	784.00	5760.00	NA	NA	4515840.0
NACHO PLAZAS	1	783.0	783.00	5719.03	NA	NA	4478000.0
NEGRO TACO	3	779.0	259.67	8266.67	2.79	74.87	6401600.0
MUERTE	1	766.0	766.00	10960.00	NA	NA	8395360.0
DAIRO	4	755.0	188.75	8640.00	17.02	43.50	6552320.0
ENCHO	1	741.0	741.00	10960.00	NA	NA	8121360.0
ANDRES	4	736.0	184.00	9595.05	26.75	131.55	7688000.0
HOLMES	1	736.0	736.00	6400.00	NA	NA	4710400.0
MOROCHO	3	733.0	244.33	7970.86	25.69	47.13	6312680.0
CHOMO	6	732.0	122.00	9800.00	12.52	94.49	7204960.0
EDWIN ROMERO	1	728.0	728.00	5700.55	NA	NA	4150000.0
FREDY ANDRADE	1	702.0	702.00	8240.00	NA	NA	5784480.0
FRANCO	2	698.0	349.00	6000.00	9.43	51.46	4289600.0
CALIXTO	3	696.0	232.00	5653.17	0.41	53.23	3934000.0
HENRRY	10	666.0	66.60	8528.00	7.42	125.99	5645760.0
HENRY	2	656.0	328.00	10880.00	2.08	41.82	7168320.0
JOHANA	2	651.0	325.50	7040.00	32.14	8.47	4645440.0
DON ALIRIO	1	646.0	646.00	11317.34	NA	NA	7311000.0
ALIRIO PLAZA	3	645.0	215.00	9490.83	25.28	56.00	5543880.0
ARTURO PAPÁ	1	637.0	637.00	9120.00	NA	NA	5809440.0
DOÑA DILMA	3	632.0	210.67	5731.25	0.43	32.59	3625500.0
PONCHO	3	626.0	208.67	10426.67	9.53	42.71	6455520.0
DARIO	2	609.0	304.50	6960.00	29.26	86.15	3704400.0
DON CARLOS	2	593.0	296.50	5560.00	3.05	132.84	3363920.0
ABELARDO	6	579.0	96.50	8653.33	13.38	119.71	5515680.0
FRANCO PASTUSO	1	575.0	575.00	10960.00	NA	NA	6302000.0
JORGE	2	571.0	285.50	5648.48	1.21	108.73	3204000.0
OBAMA	3	569.0	189.67	10960.00	0.00	110.43	6236240.0
MARIO	4	563.0	140.75	8619.88	18.52	132.67	5709240.0
EDWIN OREADO	1	537.0	537.00	5798.88	NA	NA	3114000.0
MARLI	1	529.0	529.00	10720.00	NA	NA	5670880.0
MERCEDES	2	529.0	264.50	8600.00	0.66	43.04	4555840.0
RAUL	1	524.0	524.00	5698.47	NA	NA	2986000.0
N/N	1	517.0	517.00	5638.30	NA	NA	2915000.0
GORDO	1	493.0	493.00	8480.00	NA	NA	4180640.0
MUÑECO	1	486.0	486.00	8560.00	NA	NA	4160160.0
DON MILLER	1	481.0	481.00	10758.84	NA	NA	5175000.0
CHICHARRON	1	477.0	477.00	10639.41	NA	NA	5075000.0
ALVARITO	3	466.0	155.33	7386.67	6.88	26.02	3401120.0
DON EDIBERTO	1	466.0	466.00	5839.06	NA	NA	2721000.0
VIVIANA RAMÍREZ	1	464.0	464.00	5680.00	NA	NA	2635520.0
ABUELA	2	455.0	227.50	9920.00	14.83	40.72	4649840.0
ALFONSO	1	454.0	454.00	9760.00	NA	NA	4431040.0
ABRAHAN	2	451.0	225.50	6880.00	31.24	74.94	2739600.0
MAURICIO HERNÁNDEZ R.	1	448.0	448.00	5598.21	NA	NA	2508000.0
MAURICIO HERNANDEZ	1	445.0	445.00	8800.00	NA	NA	3916000.0
JUAN C CASTRO	2	435.0	217.50	5704.62	0.18	69.25	2480000.0
FREDY	2	426.0	213.00	8480.00	1.33	124.16	3642400.0
PIÑA	4	413.0	103.25	6540.00	30.02	65.06	2820080.0
POCHOLO	5	408.0	81.60	7264.00	22.96	32.20	3096480.0
JORGE CORREA	1	392.0	392.00	8320.00	NA	NA	3261440.0
ELOY HAGATÓN	1	383.0	383.00	5760.00	NA	NA	2206080.0
ADRIANA	5	378.0	75.60	8568.00	26.02	65.60	3645120.0
JONATHAN	3	368.0	122.67	6245.61	15.45	67.47	2167840.0
FAIBER	3	362.0	120.67	7280.00	19.07	40.89	2512880.0
CHONTO	4	361.0	90.25	6037.73	14.60	95.90	2110960.0
RODOLFO	10	354.0	35.40	6860.37	19.58	91.50	2377560.0
CALICHE	3	352.0	117.33	8556.00	2.55	36.77	3029584.0
HERNÁN	1	352.0	352.00	5520.00	NA	NA	1943040.0
HERMES	3	348.0	116.00	8586.67	0.54	85.32	2996640.0
OLIVERIO	1	347.0	347.00	11120.00	NA	NA	3858640.0
YONIER	4	335.5	83.88	6437.56	15.84	69.12	2110680.0
RONAL	1	334.0	334.00	11040.00	NA	NA	3687360.0
RULVER	5	333.0	66.60	8968.00	6.96	56.31	3043680.0
BORUGO	1	332.0	332.00	5200.00	NA	NA	1726400.0
CASCAJOSA	1	331.0	331.00	8720.00	NA	NA	2886320.0
NEIRA	1	331.0	331.00	8720.00	NA	NA	2886320.0
PATO	2	329.0	164.50	5616.93	2.58	21.06	1853000.0
DOÑA JOHANA	2	325.0	162.50	5700.00	2.48	28.28	1846000.0
JUAN CAMILO CASTRO	1	319.0	319.00	5517.24	NA	NA	1760000.0
LISANDRO	1	315.0	315.00	8280.00	NA	NA	2608200.0
ADINSON	1	313.0	313.00	7360.00	NA	NA	2303680.0
LUIYI	2	308.0	154.00	8560.00	1.32	2.75	2636000.0
CULEBRO	3	304.0	101.33	9013.33	5.91	44.18	2704160.0
JOSE	2	303.0	151.50	9600.00	0.00	94.75	2908800.0
NORFILIA	6	301.0	50.17	5611.90	3.92	27.98	1697000.0
JHAN CARLOS	2	300.0	150.00	7200.00	0.00	0.00	2160000.0
TOCAYO	1	290.0	290.00	8480.00	NA	NA	2459200.0
DON JADER	2	287.0	143.50	8240.00	0.00	77.36	2364880.0
HELBERT	1	286.0	286.00	5680.00	NA	NA	1624480.0
EDINSON QUESADA	1	285.0	285.00	5638.60	NA	NA	1607000.0
JOSELO PRIMO	1	284.0	284.00	5760.00	NA	NA	1635840.0
MAURIO HERNÁNDEZ R	1	279.0	279.00	5440.00	NA	NA	1517760.0
HUBER	2	276.0	138.00	5720.00	0.00	28.69	1578720.0
MILENA	4	274.0	68.50	8750.00	1.80	47.98	2387160.0
SERGIO	2	272.0	136.00	5711.64	0.11	64.47	1553000.0
DON JUAN	1	264.0	264.00	6960.00	NA	NA	1837440.0
MECEDES	1	260.0	260.00	9760.00	NA	NA	2537600.0
MAICOL HERNÁNDEZ	1	257.0	257.00	6720.00	NA	NA	1727040.0
GUSTAVO	2	254.0	127.00	6760.00	2.51	63.47	1703360.0
JADER	1	250.0	250.00	7360.00	NA	NA	1840000.0
IVAN ESPAÑA	4	248.0	62.00	7640.00	0.60	3.72	1895040.0
MARIA	1	243.0	243.00	8880.00	NA	NA	2157840.0
RULBERTH	3	243.0	81.00	10880.00	1.27	69.19	2631600.0
MONTAÑA	4	238.0	59.50	8520.00	0.54	52.96	2028320.0
DOÑA LUZ	1	234.0	234.00	5520.00	NA	NA	1291680.0
ABRAHAM P	2	232.0	116.00	7420.00	14.10	1.22	1719960.0
CONEJO	4	232.0	58.00	9520.00	10.04	62.44	2290240.0
ESTEIDER	1	232.0	232.00	5517.24	NA	NA	1280000.0
TOÑA	1	228.0	228.00	5758.77	NA	NA	1313000.0
MAICOL HERNANDEZ	2	226.0	113.00	10875.33	0.03	52.56	2458000.0
CRISTIAN RAMIREZ	1	221.0	221.00	5678.73	NA	NA	1255000.0
MONICA	3	215.0	71.67	9466.67	14.40	57.40	2123200.0
DON ABEL	1	213.0	213.00	7040.00	NA	NA	1500000.0
PEPE	1	211.0	211.00	8560.00	NA	NA	1806160.0
BETO	1	206.0	206.00	10878.64	NA	NA	2241000.0
ANDREA	2	204.0	102.00	8377.34	44.86	98.44	2086320.0
ORLANDO	3	203.0	67.67	6719.63	13.43	67.16	1301800.0
ROBIN	3	202.0	67.33	9066.67	6.01	59.50	1872320.0
HAMINTON	1	201.0	201.00	5597.01	NA	NA	1125000.0
HILDER	1	199.0	199.00	8400.00	NA	NA	1671600.0
LUIS	2	187.0	93.50	7360.00	18.45	35.54	1331200.0
JOSÉ	1	183.0	183.00	10960.00	NA	NA	2005680.0
KAREN	3	181.0	60.33	7446.90	40.86	9.57	1383020.0
URIEL HORTA	1	180.0	180.00	5720.00	NA	NA	1029600.0
CAVO	1	179.0	179.00	5600.00	NA	NA	1002400.0
JHON FREFDY	1	178.0	178.00	11039.33	NA	NA	1965000.0
YESID	1	178.0	178.00	8400.00	NA	NA	1495200.0
AMANDA	3	174.0	58.00	9520.00	10.22	82.88	1749920.0
MILEY	1	168.0	168.00	8400.00	NA	NA	1411200.0
BRAYAN PLAZA	1	159.0	159.00	10880.50	NA	NA	1730000.0
JAVIER	5	158.0	31.60	9264.00	10.48	76.59	1475840.0
URIEL H	1	158.0	158.00	8560.00	NA	NA	1352480.0
JUANITO	3	151.0	50.33	8426.67	0.55	55.71	1273840.0
YIRIAM	1	147.0	147.00	8720.00	NA	NA	1281840.0
COMADRE	1	146.0	146.00	8480.00	NA	NA	1238080.0
DOÑA EDILMA	1	146.0	146.00	5760.00	NA	NA	840960.0
JUAN CAMILO	2	142.9	71.45	6560.00	3.45	48.59	929568.0
ISIDRO RAMÍREZ	1	142.0	142.00	5440.00	NA	NA	772480.0
VITAMINA	2	139.0	69.50	9603.21	18.71	19.33	1358980.0
ASTRID	3	137.0	45.67	8586.67	0.54	79.93	1173440.0
SANDRA	1	136.0	136.00	5520.59	NA	NA	750800.0
YILI	2	135.0	67.50	8800.00	1.29	66.00	1182960.0
ELKIN	3	131.0	43.67	8309.42	31.38	20.53	1129600.0
MARIO CERON	1	131.0	131.00	8640.00	NA	NA	1131840.0
PIOLO	2	131.0	65.50	9360.00	6.04	44.26	1209760.0
CESAR	1	129.0	129.00	8080.00	NA	NA	1042320.0
ESNEIDER	2	129.0	64.50	8560.00	0.00	42.76	1104240.0
MANUEL V	1	129.0	129.00	5472.87	NA	NA	706000.0
ALDINEVER	1	126.0	126.00	7040.00	NA	NA	887040.0
CAMILO SEGUNDA	3	125.0	41.67	5454.85	2.30	81.96	689000.0
JULIO CORREA	4	121.0	30.25	6908.74	38.71	82.73	996600.0
JUAN MURCIA	1	118.0	118.00	8240.00	NA	NA	972320.0
SEBAS	1	118.0	118.00	5677.97	NA	NA	670000.0
KIKE CASTRO	1	111.0	111.00	5600.00	NA	NA	621600.0
MERLI	1	111.0	111.00	8640.00	NA	NA	959040.0
SALOMON	1	110.0	110.00	10960.00	NA	NA	1205600.0
MIRYAM	1	109.0	109.00	5440.00	NA	NA	592960.0
PULIDO	2	108.5	54.25	8560.00	3.97	84.07	944240.0
MARTELO	2	107.0	53.50	5470.00	0.78	91.20	583220.0
JOHANNA	1	106.0	106.00	5686.79	NA	NA	602800.0
SALOMÓN	1	104.0	104.00	5000.00	NA	NA	520000.0
ADER	1	103.0	103.00	6880.00	NA	NA	708640.0
MAURICIO	1	103.0	103.00	8560.00	NA	NA	881680.0
OBAHAMA	1	102.0	102.00	8480.00	NA	NA	864960.0
KILO	1	101.0	101.00	8960.00	NA	NA	904960.0
DIEGO QUESADA	2	100.0	50.00	5676.13	2.04	53.74	564500.0
DUVAN	3	99.0	33.00	7493.33	23.78	102.18	825760.0
DIEGO PLATA	1	96.0	96.00	5640.00	NA	NA	541440.0
JUAN	2	95.0	47.50	6985.00	27.03	84.85	739670.0
JOSELO	1	94.0	94.00	6720.00	NA	NA	631680.0
ABRAHAM	1	90.0	90.00	6400.00	NA	NA	576000.0
ZOILO	1	90.0	90.00	6751.11	NA	NA	607600.0
FLOR	1	89.0	89.00	9600.00	NA	NA	854400.0
KIKE	2	87.9	43.95	7151.50	4.12	44.89	622799.7
REPELA ALVARO	2	86.0	43.00	6000.00	0.00	0.00	516000.0
ANCIZAR	1	85.0	85.00	5760.00	NA	NA	489600.0
ANDRADE	3	84.0	28.00	8720.00	2.75	82.38	727680.0
ELMER	1	83.0	83.00	8640.00	NA	NA	717120.0
SIXTO	1	83.0	83.00	7360.00	NA	NA	610880.0
BENIGNO R	2	82.0	41.00	5500.00	0.00	106.93	451000.0
ANCISAR	1	79.0	79.00	5670.89	NA	NA	448000.0
ILDE	1	79.0	79.00	10911.39	NA	NA	862000.0
SIXTO V.	1	79.0	79.00	8560.00	NA	NA	676240.0
OLIVERIO PLAZA	1	75.0	75.00	10866.67	NA	NA	815000.0
TOÑO	1	74.0	74.00	8480.00	NA	NA	627520.0
ISIDRO	3	73.0	24.33	6573.33	26.32	17.11	477320.0
MANUEL	1	72.0	72.00	5600.00	NA	NA	403200.0
MONO CACAJOSA	1	72.0	72.00	8640.00	NA	NA	622080.0
CHAVEZ	1	70.0	70.00	8480.00	NA	NA	593600.0
SOCORRO	1	70.0	70.00	10720.00	NA	NA	750400.0
YON	1	69.0	69.00	8720.00	NA	NA	601680.0
ESPOSA DE CABO	1	67.0	67.00	6880.00	NA	NA	460960.0
TIA MARCELA	1	67.0	67.00	8640.00	NA	NA	578880.0
DORIS	2	66.0	33.00	8520.00	0.66	34.28	561680.0
JORGE PLAZA	1	66.0	66.00	8440.00	NA	NA	557040.0
EDILSON	2	65.5	32.75	5093.02	2.58	44.26	335500.0
NORLY	2	62.0	31.00	7880.00	12.20	100.36	518480.0
VENANCIO	1	62.0	62.00	5200.00	NA	NA	322400.0
ARLEY	1	61.0	61.00	5720.00	NA	NA	348920.0
ROBERT FAJARDO	1	60.0	60.00	8400.00	NA	NA	504000.0
HERMERSON	1	59.0	59.00	8560.00	NA	NA	505040.0
FLORO	2	58.0	29.00	7400.00	20.64	102.41	474560.0
YILI ALVARO	1	56.0	56.00	8600.00	NA	NA	481600.0
NN	1	55.0	55.00	8560.00	NA	NA	470800.0
ALBEIRO	1	54.0	54.00	10640.00	NA	NA	574560.0
ESTIVEN	1	53.0	53.00	5440.00	NA	NA	288320.0
WILSON ARIAS	1	53.0	53.00	9040.00	NA	NA	479120.0
BRASUELOS	1	51.0	51.00	8000.00	NA	NA	408000.0
GERARDO ESPAÑA	1	47.0	47.00	8800.00	NA	NA	413600.0
JUANCHO	4	46.0	11.50	7200.00	0.00	15.06	331200.0
DIEGO CERÓN	1	45.0	45.00	8400.00	NA	NA	378000.0
NICOLAS CARDOSO	1	44.0	44.00	5340.00	NA	NA	234960.0
PLACIDO	1	44.0	44.00	5440.00	NA	NA	239360.0
BARBAO	1	43.0	43.00	5558.14	NA	NA	239000.0
YEINER	1	43.0	43.00	5441.86	NA	NA	234000.0
CAMARA	1	42.0	42.00	9595.24	NA	NA	403000.0
HIJO OVER	1	41.0	41.00	8480.00	NA	NA	347680.0
RUBEN JOVEN	1	41.0	41.00	10880.00	NA	NA	446080.0
SOFIA	1	40.5	40.50	5506.17	NA	NA	223000.0
RICHARD	1	39.0	39.00	8600.00	NA	NA	335400.0
JAIRO	1	38.0	38.00	5657.89	NA	NA	215000.0
PANCHO	1	38.0	38.00	10560.00	NA	NA	401280.0
RAMIRO	1	38.0	38.00	10394.74	NA	NA	395000.0
DON RODOLFO	1	35.0	35.00	8280.00	NA	NA	289800.0
HAMINTÓN	1	32.0	32.00	5600.00	NA	NA	179200.0
JADY	1	31.0	31.00	8240.00	NA	NA	255440.0
NORBERY	1	31.0	31.00	5677.42	NA	NA	176000.0
PAISA	1	31.0	31.00	8560.00	NA	NA	265360.0
J. CAMILO	1	29.0	29.00	8400.00	NA	NA	243600.0
JORGE LUIS	1	29.0	29.00	5689.66	NA	NA	165000.0
SEBASTIÁN	1	28.0	28.00	8640.00	NA	NA	241920.0
HERMANO DE EDWIN	1	27.0	27.00	5444.44	NA	NA	147000.0
MAXIMINO	1	27.0	27.00	5440.00	NA	NA	146880.0
DIANA	1	26.0	26.00	8560.00	NA	NA	222560.0
JORGE PULIDO	1	26.0	26.00	5638.46	NA	NA	146600.0
ARLEY FAJARDO	1	21.0	21.00	5600.00	NA	NA	117600.0
CERQUERA	1	21.0	21.00	8400.00	NA	NA	176400.0
JEFFERSON	1	21.0	21.00	6400.00	NA	NA	134400.0
ARCESIO	1	19.0	19.00	7280.00	NA	NA	138320.0
JHONATAN	1	17.5	17.50	5600.00	NA	NA	98000.0
YURI	1	17.0	17.00	9680.00	NA	NA	164560.0
MONA	1	15.5	15.50	6400.00	NA	NA	99200.0
IVAN ANDRÉS	1	15.0	15.00	8200.00	NA	NA	123000.0
GATO	1	13.0	13.00	5846.15	NA	NA	76000.0
MONA CASCAJOSA	1	13.0	13.00	8640.00	NA	NA	112320.0
YILBER	1	13.0	13.00	7500.00	NA	NA	97500.0
ARLEY PLAZAS	1	11.0	11.00	5360.00	NA	NA	58960.0
CHUCHO	1	11.0	11.00	8480.00	NA	NA	93280.0
TIEL	1	11.0	11.00	10640.00	NA	NA	117040.0
DOÑA ESTELA	1	10.0	10.00	5680.00	NA	NA	56800.0
CORNELIO	1	9.0	9.00	8320.00	NA	NA	74880.0
GINO	1	9.0	9.00	5655.56	NA	NA	50900.0
LUZ MIRIAN	1	9.0	9.00	6420.00	NA	NA	57780.0
MELISSA	1	9.0	9.00	8640.00	NA	NA	77760.0
SALVADOR	1	8.0	8.00	8160.00	NA	NA	65280.0
TALI	1	8.0	8.00	9680.00	NA	NA	77440.0
ANGEL	1	7.0	7.00	10880.00	NA	NA	76160.0
MUCHACHA	1	6.5	6.50	9600.00	NA	NA	62000.0
ROCIO	1	6.0	6.00	8320.00	NA	NA	49920.0
HEIDY	1	5.0	5.00	8480.00	NA	NA	42400.0
MELANY	1	4.5	4.50	8640.00	NA	NA	38880.0
NIÑOS	2	4.3	2.15	8640.00	0.00	55.91	37152.0
KATE	1	3.5	3.50	8720.00	NA	NA	30520.0
ELIANA	1	3.0	3.00	10720.00	NA	NA	32160.0
ALEXA	1	2.0	2.00	9800.00	NA	NA	19600.0

14 Análisis ABC de proveedores (Pareto)

proveedores_abc <- proveedores %>%
  mutate(
    participacion_pct      = volumen_total_neto / sum(volumen_total_neto) * 100,
    participacion_acum_pct = cumsum(participacion_pct),
    clase_abc              = case_when(
      participacion_acum_pct <= 80 ~ "A",
      participacion_acum_pct <= 95 ~ "B",
      TRUE                         ~ "C"
    )
  )

knitr::kable(proveedores_abc, digits = 2,
             caption = "Tabla 12. Clasificación ABC de proveedores por volumen total neto")

Tabla 12. Clasificación ABC de proveedores por volumen total neto
proveedor	n_compras	volumen_total_neto	peso_neto_promedio	precio_kg_promedio	cv_precio	cv_peso_neto	precio_total_acum	participacion_pct	participacion_acum_pct	clase_abc
ALVARO	11	29931.0	2721.00	8796.36	17.36	88.86	271204240.0	7.22	7.22	A
MAURICIO HORIZONTE	6	11614.0	1935.67	7394.40	37.57	116.23	103601000.0	2.80	10.03	A
TORO	8	8161.0	1020.12	9420.00	9.91	77.00	79187920.0	1.97	12.00	A
EDWIN	27	7847.0	290.63	6911.45	21.19	80.25	51764180.0	1.89	13.89	A
MIGUEL	14	7389.0	527.79	8325.71	5.78	86.25	59775360.0	1.78	15.67	A
MAURICIO HERNÁNDEZ	8	7327.0	915.88	6134.41	15.82	52.88	44872560.0	1.77	17.44	A
WILSON	22	7276.0	330.73	8647.25	16.03	109.82	61511680.0	1.76	19.20	A
ALEX	9	7102.0	789.11	8333.33	9.08	95.40	62661200.0	1.71	20.91	A
DIEGO	13	6960.0	535.38	8473.77	21.21	71.70	63507760.0	1.68	22.59	A
CAMPOS	7	6290.0	898.57	8745.71	12.80	55.37	57644040.0	1.52	24.11	A
CABO	20	6247.4	312.37	6486.27	18.37	73.49	41275468.0	1.51	25.62	A
MARCELO	1	5673.0	5673.00	5851.23	NA	NA	33194000.0	1.37	26.99	A
MILCIADES	12	5486.0	457.17	8876.49	14.56	64.48	50055600.0	1.32	28.31	A
DEISY	5	5449.0	1089.80	8150.00	1.84	32.98	44243450.0	1.32	29.63	A
URIEL REINA	1	5269.0	5269.00	5719.87	NA	NA	30138000.0	1.27	30.90	A
JHON JADER	7	5237.0	748.14	9880.00	10.21	85.83	52750400.0	1.26	32.16	A
ARTURO	8	4889.0	611.12	9365.00	11.78	102.49	50472600.0	1.18	33.34	A
ROJAS	6	4812.0	802.00	8866.67	14.52	48.13	44305600.0	1.16	34.50	A
GERARDO VALLEJO	7	4615.0	659.29	6479.73	20.69	59.40	27988840.0	1.11	35.62	A
DOÑA DEISY	2	4573.0	2286.50	6405.00	23.07	45.31	27944840.0	1.10	36.72	A
VICENTE	6	4386.0	731.00	8506.67	25.18	74.17	40801440.0	1.06	37.78	A
GERARDO	8	4228.0	528.50	9047.87	14.76	79.17	39025000.0	1.02	38.80	A
FABIAN PLAZAS	10	4211.0	421.10	6962.50	25.27	80.70	26262280.0	1.02	39.82	A
ALBERTO	4	4073.0	1018.25	6019.61	8.69	52.08	23910600.0	0.98	40.80	A
YIMI	4	3910.0	977.50	9580.00	9.77	38.79	38225920.0	0.94	41.74	A
CAMILO	8	3827.0	478.38	5364.81	39.85	54.57	17078400.0	0.92	42.67	A
PEDRO BONILLA	1	3808.0	3808.00	5440.00	NA	NA	20715520.0	0.92	43.59	A
ISMAEL MURCIA	6	3797.0	632.83	5597.01	2.03	50.02	21349080.0	0.92	44.50	A
BEIRA	8	3692.0	461.50	8750.00	12.32	63.03	32902720.0	0.89	45.40	A
JHON	9	3666.0	407.33	8391.11	15.89	104.40	34681200.0	0.88	46.28	A
OVER	3	3578.0	1192.67	9386.67	16.73	43.15	35085120.0	0.86	47.14	A
GRILLO	7	3400.0	485.71	8274.29	14.68	143.42	30015360.0	0.82	47.96	A
LEONEL MUÑOZ	3	3219.0	1073.00	5559.42	0.00	45.89	17896000.0	0.78	48.74	A
DARIO CORTÉS	4	3196.0	799.00	6360.00	6.29	103.87	19374560.0	0.77	49.51	A
PELUSA	9	3156.0	350.67	8648.89	9.28	74.19	28220840.0	0.76	50.27	A
ARMANDO	4	3125.0	781.25	8520.00	0.94	26.64	26620000.0	0.75	51.03	A
ELIECER	4	3098.0	774.50	7760.00	0.00	109.80	24040480.0	0.75	51.78	A
ARMANDO VARGAS	3	3088.0	1029.33	5759.70	0.00	18.72	17786000.0	0.75	52.52	A
MERLY	11	3067.0	278.82	8843.64	10.80	50.18	27725440.0	0.74	53.26	A
MAY	10	2989.0	298.90	8424.00	5.80	84.56	25746240.0	0.72	53.98	A
SANTIAGO	16	2978.0	186.12	6227.65	20.43	119.80	17116720.0	0.72	54.70	A
EDUARDO PLAZAS	3	2960.0	986.67	5746.13	0.40	52.75	17013000.0	0.71	55.42	A
JAIME	6	2939.0	489.83	8526.67	9.26	41.88	25015200.0	0.71	56.13	A
HERNANDO	2	2869.0	1434.50	9800.00	17.89	139.15	31616720.0	0.69	56.82	A
CRISTIAN	12	2672.0	222.67	9233.33	12.42	146.10	26764160.0	0.64	57.46	A
ARMANDO V	2	2656.0	1328.00	7760.00	0.00	0.00	20610560.0	0.64	58.10	A
MONO	8	2607.0	325.88	7574.91	25.83	118.57	17677400.0	0.63	58.73	A
ABEL VILLANUEVA	4	2584.0	646.00	5609.73	1.87	113.61	14719040.0	0.62	59.36	A
DUVAN RAMIREZ	2	2529.0	1264.50	10998.44	4.58	13.81	27727000.0	0.61	59.97	A
MAURICIO H	4	2417.0	604.25	7089.81	23.00	22.00	16717200.0	0.58	60.55	A
CARLOS CUELLAR	3	2375.0	791.67	10973.06	0.21	63.32	26047000.0	0.57	61.12	A
FINCA	1	2367.0	2367.00	10800.00	NA	NA	25563600.0	0.57	61.70	A
EMERSON	3	2343.0	781.00	6986.53	31.40	115.96	13462320.0	0.57	62.26	A
OSCAR VEGA	4	2255.0	563.75	7068.09	35.88	128.87	13555800.0	0.54	62.81	A
DON GERARDO	3	2227.0	742.33	6519.99	23.96	108.30	12809800.0	0.54	63.34	A
EDWIN PASTUSO	3	2166.0	722.00	9840.00	0.00	40.88	21313440.0	0.52	63.87	A
ELIBERTO	6	2104.0	350.67	6985.21	20.88	126.07	12562320.0	0.51	64.37	A
MINUTO	1	2100.0	2100.00	11000.00	NA	NA	23100000.0	0.51	64.88	A
LISARDO	2	2097.0	1048.50	9800.00	0.00	13.56	20550600.0	0.51	65.39	A
MONO CASTRO	5	2068.0	413.60	7127.40	20.03	54.04	15269360.0	0.50	65.89	A
GUILLERMO	2	1992.0	996.00	7600.00	0.00	0.00	15139200.0	0.48	66.37	A
FABIO	10	1917.0	191.70	5839.87	22.01	90.11	10792180.0	0.46	66.83	A
PEDRO	10	1905.0	190.50	8516.00	16.03	112.17	17843920.0	0.46	67.29	A
CAMILO MURCIA	3	1833.0	611.00	5759.37	0.01	34.19	10557000.0	0.44	67.73	A
MARTHA	5	1828.0	365.60	9104.00	10.08	93.87	16366960.0	0.44	68.17	A
GERARDO V	2	1823.0	911.50	7500.00	12.45	26.45	13447440.0	0.44	68.61	A
MAURICIO HENÁNDEZ	1	1792.0	1792.00	5680.00	NA	NA	10178560.0	0.43	69.04	A
EDINSON	6	1790.0	298.33	8019.97	26.10	102.64	16833440.0	0.43	69.48	A
VIVIANA	3	1772.0	590.67	7619.67	8.56	110.77	12722454.0	0.43	69.90	A
EDUARDO	2	1751.0	875.50	5999.94	9.43	115.74	9932600.0	0.42	70.33	A
RIGO	5	1742.0	348.40	8389.72	23.00	52.35	14940390.0	0.42	70.75	A
ALIRIO PLAZAS	3	1721.0	573.67	6933.05	34.36	54.10	10465480.0	0.42	71.16	A
JHON FREDY	4	1700.0	425.00	10384.79	12.10	110.62	18637500.0	0.41	71.57	A
NACHO	1	1679.0	1679.00	5719.48	NA	NA	9603000.0	0.41	71.98	A
MILCIADES V	1	1670.0	1670.00	5759.88	NA	NA	9619000.0	0.40	72.38	A
MARCELO SILVA	1	1660.0	1660.00	5600.00	NA	NA	9296000.0	0.40	72.78	A
DARIO CORTES	2	1540.0	770.00	6000.00	13.20	43.16	8976800.0	0.37	73.15	A
FABIAN	8	1526.0	190.75	8089.88	28.10	79.45	12648080.0	0.37	73.52	A
PEDRO PLAZAS	3	1486.0	495.33	6826.67	18.80	78.03	9931680.0	0.36	73.88	A
HECTOR	3	1410.0	470.00	8626.67	0.27	97.66	12143880.0	0.34	74.22	A
DEYSI MAHECHA	1	1402.0	1402.00	10279.60	NA	NA	14412000.0	0.34	74.56	A
LUCHO MUÑOZ	1	1377.0	1377.00	5800.00	NA	NA	7986600.0	0.33	74.89	A
RENÉ	4	1371.0	342.75	6440.00	16.53	76.13	8977120.0	0.33	75.22	A
NICO	2	1369.0	684.50	6160.00	9.18	9.81	8395040.0	0.33	75.55	A
RENE	4	1362.0	340.50	9699.07	14.58	78.05	13505960.0	0.33	75.88	A
ABEL	3	1330.0	443.33	9026.67	7.63	113.96	12624400.0	0.32	76.20	A
DON SANTIAGO	4	1295.5	323.88	5664.84	3.02	173.30	7452400.0	0.31	76.52	A
MISAEL	1	1253.0	1253.00	5639.27	NA	NA	7066000.0	0.30	76.82	A
JOSE IGNACIO	2	1244.0	622.00	5559.97	0.04	32.74	6917000.0	0.30	77.12	A
FABIAN PLAZA	2	1243.0	621.50	8839.55	32.63	52.45	11927800.0	0.30	77.42	A
DEMETRIO	1	1199.0	1199.00	9760.00	NA	NA	11702240.0	0.29	77.71	A
MILTON	4	1170.0	292.50	6339.01	20.00	76.11	8146680.0	0.28	77.99	A
HERNAN	6	1140.8	190.13	5943.19	8.06	151.17	6554840.0	0.28	78.27	A
EDILMA	4	1114.0	278.50	5713.95	0.59	91.28	6357000.0	0.27	78.53	A
MALVORE	4	1105.0	276.25	8880.00	6.62	55.02	9977760.0	0.27	78.80	A
JOTA	2	1104.0	552.00	9800.00	0.00	97.61	10819200.0	0.27	79.07	A
CHIQUI	10	1089.0	108.90	7984.00	6.23	77.47	8803680.0	0.26	79.33	A
PAISA JHON	1	1047.0	1047.00	10919.77	NA	NA	11433000.0	0.25	79.58	A
NICOLAS	2	1045.0	522.50	4839.75	24.54	139.80	5925000.0	0.25	79.84	A
RONALD	3	1044.0	348.00	9653.33	10.78	86.23	10017120.0	0.25	80.09	B
POCHO	2	1038.0	519.00	7099.75	29.09	79.29	6519680.0	0.25	80.34	B
ROBERTH	5	1034.0	206.80	6016.00	9.47	88.15	6153360.0	0.25	80.59	B
FERNANDO	6	1030.0	171.67	7773.33	7.85	70.77	7898960.0	0.25	80.84	B
MARCELITO	1	1026.0	1026.00	5679.34	NA	NA	5827000.0	0.25	81.08	B
URIEL	1	1025.0	1025.00	5760.00	NA	NA	5904000.0	0.25	81.33	B
FREDY ARTUNDUAGA	2	996.0	498.00	11000.00	0.00	72.98	10956000.0	0.24	81.57	B
EDGAR	1	988.0	988.00	11000.00	NA	NA	10868000.0	0.24	81.81	B
ALIRIO	1	980.0	980.00	6720.00	NA	NA	6585600.0	0.24	82.05	B
JORGE VEGA	4	964.0	241.00	5677.68	0.03	56.75	5473600.0	0.23	82.28	B
BRUNO	2	960.0	480.00	10794.69	0.09	131.70	10369000.0	0.23	82.51	B
MAICOL	7	958.0	136.86	8268.75	14.66	105.18	7048400.0	0.23	82.74	B
ALVARO CASTRO	2	947.0	473.50	5638.57	1.01	12.10	5343000.0	0.23	82.97	B
CELIANO	2	942.0	471.00	10880.00	2.08	112.90	10369280.0	0.23	83.20	B
DON ALVARO	1	930.0	930.00	8600.00	NA	NA	7998000.0	0.22	83.42	B
GUILLERMO ZAMBRANO	1	917.0	917.00	5599.78	NA	NA	5135000.0	0.22	83.64	B
CARLOS HERMIDA	1	909.0	909.00	8480.00	NA	NA	7708320.0	0.22	83.86	B
WILMER	12	894.0	74.50	7597.26	16.83	173.14	7413800.0	0.22	84.08	B
JOSE CUCHUCO	1	889.0	889.00	5680.54	NA	NA	5050000.0	0.21	84.29	B
DON ISMAEL	1	885.0	885.00	5759.32	NA	NA	5097000.0	0.21	84.51	B
LEONEL	1	878.0	878.00	5719.82	NA	NA	5022000.0	0.21	84.72	B
PELUZA	1	877.0	877.00	10960.00	NA	NA	9611920.0	0.21	84.93	B
JEFE	3	845.0	281.67	9413.33	13.50	64.46	7522640.0	0.20	85.13	B
LALO	1	843.0	843.00	11020.00	NA	NA	9289860.0	0.20	85.34	B
JORGE PRIMO	1	820.0	820.00	5840.00	NA	NA	4788800.0	0.20	85.54	B
DUBERNEY	1	816.0	816.00	5680.00	NA	NA	4634880.0	0.20	85.73	B
MAURICIO GALLARDO	1	810.0	810.00	5559.26	NA	NA	4503000.0	0.20	85.93	B
MAURIO HERNÁNDEZ P	1	806.0	806.00	5360.00	NA	NA	4320160.0	0.19	86.12	B
DARÍO	1	784.0	784.00	5760.00	NA	NA	4515840.0	0.19	86.31	B
NACHO PLAZAS	1	783.0	783.00	5719.03	NA	NA	4478000.0	0.19	86.50	B
NEGRO TACO	3	779.0	259.67	8266.67	2.79	74.87	6401600.0	0.19	86.69	B
MUERTE	1	766.0	766.00	10960.00	NA	NA	8395360.0	0.18	86.87	B
DAIRO	4	755.0	188.75	8640.00	17.02	43.50	6552320.0	0.18	87.06	B
ENCHO	1	741.0	741.00	10960.00	NA	NA	8121360.0	0.18	87.24	B
ANDRES	4	736.0	184.00	9595.05	26.75	131.55	7688000.0	0.18	87.41	B
HOLMES	1	736.0	736.00	6400.00	NA	NA	4710400.0	0.18	87.59	B
MOROCHO	3	733.0	244.33	7970.86	25.69	47.13	6312680.0	0.18	87.77	B
CHOMO	6	732.0	122.00	9800.00	12.52	94.49	7204960.0	0.18	87.94	B
EDWIN ROMERO	1	728.0	728.00	5700.55	NA	NA	4150000.0	0.18	88.12	B
FREDY ANDRADE	1	702.0	702.00	8240.00	NA	NA	5784480.0	0.17	88.29	B
FRANCO	2	698.0	349.00	6000.00	9.43	51.46	4289600.0	0.17	88.46	B
CALIXTO	3	696.0	232.00	5653.17	0.41	53.23	3934000.0	0.17	88.63	B
HENRRY	10	666.0	66.60	8528.00	7.42	125.99	5645760.0	0.16	88.79	B
HENRY	2	656.0	328.00	10880.00	2.08	41.82	7168320.0	0.16	88.94	B
JOHANA	2	651.0	325.50	7040.00	32.14	8.47	4645440.0	0.16	89.10	B
DON ALIRIO	1	646.0	646.00	11317.34	NA	NA	7311000.0	0.16	89.26	B
ALIRIO PLAZA	3	645.0	215.00	9490.83	25.28	56.00	5543880.0	0.16	89.41	B
ARTURO PAPÁ	1	637.0	637.00	9120.00	NA	NA	5809440.0	0.15	89.57	B
DOÑA DILMA	3	632.0	210.67	5731.25	0.43	32.59	3625500.0	0.15	89.72	B
PONCHO	3	626.0	208.67	10426.67	9.53	42.71	6455520.0	0.15	89.87	B
DARIO	2	609.0	304.50	6960.00	29.26	86.15	3704400.0	0.15	90.02	B
DON CARLOS	2	593.0	296.50	5560.00	3.05	132.84	3363920.0	0.14	90.16	B
ABELARDO	6	579.0	96.50	8653.33	13.38	119.71	5515680.0	0.14	90.30	B
FRANCO PASTUSO	1	575.0	575.00	10960.00	NA	NA	6302000.0	0.14	90.44	B
JORGE	2	571.0	285.50	5648.48	1.21	108.73	3204000.0	0.14	90.58	B
OBAMA	3	569.0	189.67	10960.00	0.00	110.43	6236240.0	0.14	90.71	B
MARIO	4	563.0	140.75	8619.88	18.52	132.67	5709240.0	0.14	90.85	B
EDWIN OREADO	1	537.0	537.00	5798.88	NA	NA	3114000.0	0.13	90.98	B
MARLI	1	529.0	529.00	10720.00	NA	NA	5670880.0	0.13	91.11	B
MERCEDES	2	529.0	264.50	8600.00	0.66	43.04	4555840.0	0.13	91.24	B
RAUL	1	524.0	524.00	5698.47	NA	NA	2986000.0	0.13	91.36	B
N/N	1	517.0	517.00	5638.30	NA	NA	2915000.0	0.12	91.49	B
GORDO	1	493.0	493.00	8480.00	NA	NA	4180640.0	0.12	91.61	B
MUÑECO	1	486.0	486.00	8560.00	NA	NA	4160160.0	0.12	91.72	B
DON MILLER	1	481.0	481.00	10758.84	NA	NA	5175000.0	0.12	91.84	B
CHICHARRON	1	477.0	477.00	10639.41	NA	NA	5075000.0	0.12	91.95	B
ALVARITO	3	466.0	155.33	7386.67	6.88	26.02	3401120.0	0.11	92.07	B
DON EDIBERTO	1	466.0	466.00	5839.06	NA	NA	2721000.0	0.11	92.18	B
VIVIANA RAMÍREZ	1	464.0	464.00	5680.00	NA	NA	2635520.0	0.11	92.29	B
ABUELA	2	455.0	227.50	9920.00	14.83	40.72	4649840.0	0.11	92.40	B
ALFONSO	1	454.0	454.00	9760.00	NA	NA	4431040.0	0.11	92.51	B
ABRAHAN	2	451.0	225.50	6880.00	31.24	74.94	2739600.0	0.11	92.62	B
MAURICIO HERNÁNDEZ R.	1	448.0	448.00	5598.21	NA	NA	2508000.0	0.11	92.73	B
MAURICIO HERNANDEZ	1	445.0	445.00	8800.00	NA	NA	3916000.0	0.11	92.84	B
JUAN C CASTRO	2	435.0	217.50	5704.62	0.18	69.25	2480000.0	0.10	92.94	B
FREDY	2	426.0	213.00	8480.00	1.33	124.16	3642400.0	0.10	93.04	B
PIÑA	4	413.0	103.25	6540.00	30.02	65.06	2820080.0	0.10	93.14	B
POCHOLO	5	408.0	81.60	7264.00	22.96	32.20	3096480.0	0.10	93.24	B
JORGE CORREA	1	392.0	392.00	8320.00	NA	NA	3261440.0	0.09	93.34	B
ELOY HAGATÓN	1	383.0	383.00	5760.00	NA	NA	2206080.0	0.09	93.43	B
ADRIANA	5	378.0	75.60	8568.00	26.02	65.60	3645120.0	0.09	93.52	B
JONATHAN	3	368.0	122.67	6245.61	15.45	67.47	2167840.0	0.09	93.61	B
FAIBER	3	362.0	120.67	7280.00	19.07	40.89	2512880.0	0.09	93.70	B
CHONTO	4	361.0	90.25	6037.73	14.60	95.90	2110960.0	0.09	93.78	B
RODOLFO	10	354.0	35.40	6860.37	19.58	91.50	2377560.0	0.09	93.87	B
CALICHE	3	352.0	117.33	8556.00	2.55	36.77	3029584.0	0.08	93.95	B
HERNÁN	1	352.0	352.00	5520.00	NA	NA	1943040.0	0.08	94.04	B
HERMES	3	348.0	116.00	8586.67	0.54	85.32	2996640.0	0.08	94.12	B
OLIVERIO	1	347.0	347.00	11120.00	NA	NA	3858640.0	0.08	94.21	B
YONIER	4	335.5	83.88	6437.56	15.84	69.12	2110680.0	0.08	94.29	B
RONAL	1	334.0	334.00	11040.00	NA	NA	3687360.0	0.08	94.37	B
RULVER	5	333.0	66.60	8968.00	6.96	56.31	3043680.0	0.08	94.45	B
BORUGO	1	332.0	332.00	5200.00	NA	NA	1726400.0	0.08	94.53	B
CASCAJOSA	1	331.0	331.00	8720.00	NA	NA	2886320.0	0.08	94.61	B
NEIRA	1	331.0	331.00	8720.00	NA	NA	2886320.0	0.08	94.69	B
PATO	2	329.0	164.50	5616.93	2.58	21.06	1853000.0	0.08	94.77	B
DOÑA JOHANA	2	325.0	162.50	5700.00	2.48	28.28	1846000.0	0.08	94.85	B
JUAN CAMILO CASTRO	1	319.0	319.00	5517.24	NA	NA	1760000.0	0.08	94.92	B
LISANDRO	1	315.0	315.00	8280.00	NA	NA	2608200.0	0.08	95.00	B
ADINSON	1	313.0	313.00	7360.00	NA	NA	2303680.0	0.08	95.07	C
LUIYI	2	308.0	154.00	8560.00	1.32	2.75	2636000.0	0.07	95.15	C
CULEBRO	3	304.0	101.33	9013.33	5.91	44.18	2704160.0	0.07	95.22	C
JOSE	2	303.0	151.50	9600.00	0.00	94.75	2908800.0	0.07	95.29	C
NORFILIA	6	301.0	50.17	5611.90	3.92	27.98	1697000.0	0.07	95.37	C
JHAN CARLOS	2	300.0	150.00	7200.00	0.00	0.00	2160000.0	0.07	95.44	C
TOCAYO	1	290.0	290.00	8480.00	NA	NA	2459200.0	0.07	95.51	C
DON JADER	2	287.0	143.50	8240.00	0.00	77.36	2364880.0	0.07	95.58	C
HELBERT	1	286.0	286.00	5680.00	NA	NA	1624480.0	0.07	95.65	C
EDINSON QUESADA	1	285.0	285.00	5638.60	NA	NA	1607000.0	0.07	95.72	C
JOSELO PRIMO	1	284.0	284.00	5760.00	NA	NA	1635840.0	0.07	95.79	C
MAURIO HERNÁNDEZ R	1	279.0	279.00	5440.00	NA	NA	1517760.0	0.07	95.85	C
HUBER	2	276.0	138.00	5720.00	0.00	28.69	1578720.0	0.07	95.92	C
MILENA	4	274.0	68.50	8750.00	1.80	47.98	2387160.0	0.07	95.99	C
SERGIO	2	272.0	136.00	5711.64	0.11	64.47	1553000.0	0.07	96.05	C
DON JUAN	1	264.0	264.00	6960.00	NA	NA	1837440.0	0.06	96.12	C
MECEDES	1	260.0	260.00	9760.00	NA	NA	2537600.0	0.06	96.18	C
MAICOL HERNÁNDEZ	1	257.0	257.00	6720.00	NA	NA	1727040.0	0.06	96.24	C
GUSTAVO	2	254.0	127.00	6760.00	2.51	63.47	1703360.0	0.06	96.30	C
JADER	1	250.0	250.00	7360.00	NA	NA	1840000.0	0.06	96.36	C
IVAN ESPAÑA	4	248.0	62.00	7640.00	0.60	3.72	1895040.0	0.06	96.42	C
MARIA	1	243.0	243.00	8880.00	NA	NA	2157840.0	0.06	96.48	C
RULBERTH	3	243.0	81.00	10880.00	1.27	69.19	2631600.0	0.06	96.54	C
MONTAÑA	4	238.0	59.50	8520.00	0.54	52.96	2028320.0	0.06	96.60	C
DOÑA LUZ	1	234.0	234.00	5520.00	NA	NA	1291680.0	0.06	96.65	C
ABRAHAM P	2	232.0	116.00	7420.00	14.10	1.22	1719960.0	0.06	96.71	C
CONEJO	4	232.0	58.00	9520.00	10.04	62.44	2290240.0	0.06	96.76	C
ESTEIDER	1	232.0	232.00	5517.24	NA	NA	1280000.0	0.06	96.82	C
TOÑA	1	228.0	228.00	5758.77	NA	NA	1313000.0	0.06	96.88	C
MAICOL HERNANDEZ	2	226.0	113.00	10875.33	0.03	52.56	2458000.0	0.05	96.93	C
CRISTIAN RAMIREZ	1	221.0	221.00	5678.73	NA	NA	1255000.0	0.05	96.98	C
MONICA	3	215.0	71.67	9466.67	14.40	57.40	2123200.0	0.05	97.04	C
DON ABEL	1	213.0	213.00	7040.00	NA	NA	1500000.0	0.05	97.09	C
PEPE	1	211.0	211.00	8560.00	NA	NA	1806160.0	0.05	97.14	C
BETO	1	206.0	206.00	10878.64	NA	NA	2241000.0	0.05	97.19	C
ANDREA	2	204.0	102.00	8377.34	44.86	98.44	2086320.0	0.05	97.24	C
ORLANDO	3	203.0	67.67	6719.63	13.43	67.16	1301800.0	0.05	97.29	C
ROBIN	3	202.0	67.33	9066.67	6.01	59.50	1872320.0	0.05	97.33	C
HAMINTON	1	201.0	201.00	5597.01	NA	NA	1125000.0	0.05	97.38	C
HILDER	1	199.0	199.00	8400.00	NA	NA	1671600.0	0.05	97.43	C
LUIS	2	187.0	93.50	7360.00	18.45	35.54	1331200.0	0.05	97.48	C
JOSÉ	1	183.0	183.00	10960.00	NA	NA	2005680.0	0.04	97.52	C
KAREN	3	181.0	60.33	7446.90	40.86	9.57	1383020.0	0.04	97.56	C
URIEL HORTA	1	180.0	180.00	5720.00	NA	NA	1029600.0	0.04	97.61	C
CAVO	1	179.0	179.00	5600.00	NA	NA	1002400.0	0.04	97.65	C
JHON FREFDY	1	178.0	178.00	11039.33	NA	NA	1965000.0	0.04	97.69	C
YESID	1	178.0	178.00	8400.00	NA	NA	1495200.0	0.04	97.74	C
AMANDA	3	174.0	58.00	9520.00	10.22	82.88	1749920.0	0.04	97.78	C
MILEY	1	168.0	168.00	8400.00	NA	NA	1411200.0	0.04	97.82	C
BRAYAN PLAZA	1	159.0	159.00	10880.50	NA	NA	1730000.0	0.04	97.86	C
JAVIER	5	158.0	31.60	9264.00	10.48	76.59	1475840.0	0.04	97.90	C
URIEL H	1	158.0	158.00	8560.00	NA	NA	1352480.0	0.04	97.93	C
JUANITO	3	151.0	50.33	8426.67	0.55	55.71	1273840.0	0.04	97.97	C
YIRIAM	1	147.0	147.00	8720.00	NA	NA	1281840.0	0.04	98.01	C
COMADRE	1	146.0	146.00	8480.00	NA	NA	1238080.0	0.04	98.04	C
DOÑA EDILMA	1	146.0	146.00	5760.00	NA	NA	840960.0	0.04	98.08	C
JUAN CAMILO	2	142.9	71.45	6560.00	3.45	48.59	929568.0	0.03	98.11	C
ISIDRO RAMÍREZ	1	142.0	142.00	5440.00	NA	NA	772480.0	0.03	98.14	C
VITAMINA	2	139.0	69.50	9603.21	18.71	19.33	1358980.0	0.03	98.18	C
ASTRID	3	137.0	45.67	8586.67	0.54	79.93	1173440.0	0.03	98.21	C
SANDRA	1	136.0	136.00	5520.59	NA	NA	750800.0	0.03	98.24	C
YILI	2	135.0	67.50	8800.00	1.29	66.00	1182960.0	0.03	98.28	C
ELKIN	3	131.0	43.67	8309.42	31.38	20.53	1129600.0	0.03	98.31	C
MARIO CERON	1	131.0	131.00	8640.00	NA	NA	1131840.0	0.03	98.34	C
PIOLO	2	131.0	65.50	9360.00	6.04	44.26	1209760.0	0.03	98.37	C
CESAR	1	129.0	129.00	8080.00	NA	NA	1042320.0	0.03	98.40	C
ESNEIDER	2	129.0	64.50	8560.00	0.00	42.76	1104240.0	0.03	98.43	C
MANUEL V	1	129.0	129.00	5472.87	NA	NA	706000.0	0.03	98.47	C
ALDINEVER	1	126.0	126.00	7040.00	NA	NA	887040.0	0.03	98.50	C
CAMILO SEGUNDA	3	125.0	41.67	5454.85	2.30	81.96	689000.0	0.03	98.53	C
JULIO CORREA	4	121.0	30.25	6908.74	38.71	82.73	996600.0	0.03	98.55	C
JUAN MURCIA	1	118.0	118.00	8240.00	NA	NA	972320.0	0.03	98.58	C
SEBAS	1	118.0	118.00	5677.97	NA	NA	670000.0	0.03	98.61	C
KIKE CASTRO	1	111.0	111.00	5600.00	NA	NA	621600.0	0.03	98.64	C
MERLI	1	111.0	111.00	8640.00	NA	NA	959040.0	0.03	98.67	C
SALOMON	1	110.0	110.00	10960.00	NA	NA	1205600.0	0.03	98.69	C
MIRYAM	1	109.0	109.00	5440.00	NA	NA	592960.0	0.03	98.72	C
PULIDO	2	108.5	54.25	8560.00	3.97	84.07	944240.0	0.03	98.74	C
MARTELO	2	107.0	53.50	5470.00	0.78	91.20	583220.0	0.03	98.77	C
JOHANNA	1	106.0	106.00	5686.79	NA	NA	602800.0	0.03	98.80	C
SALOMÓN	1	104.0	104.00	5000.00	NA	NA	520000.0	0.03	98.82	C
ADER	1	103.0	103.00	6880.00	NA	NA	708640.0	0.02	98.85	C
MAURICIO	1	103.0	103.00	8560.00	NA	NA	881680.0	0.02	98.87	C
OBAHAMA	1	102.0	102.00	8480.00	NA	NA	864960.0	0.02	98.90	C
KILO	1	101.0	101.00	8960.00	NA	NA	904960.0	0.02	98.92	C
DIEGO QUESADA	2	100.0	50.00	5676.13	2.04	53.74	564500.0	0.02	98.94	C
DUVAN	3	99.0	33.00	7493.33	23.78	102.18	825760.0	0.02	98.97	C
DIEGO PLATA	1	96.0	96.00	5640.00	NA	NA	541440.0	0.02	98.99	C
JUAN	2	95.0	47.50	6985.00	27.03	84.85	739670.0	0.02	99.01	C
JOSELO	1	94.0	94.00	6720.00	NA	NA	631680.0	0.02	99.04	C
ABRAHAM	1	90.0	90.00	6400.00	NA	NA	576000.0	0.02	99.06	C
ZOILO	1	90.0	90.00	6751.11	NA	NA	607600.0	0.02	99.08	C
FLOR	1	89.0	89.00	9600.00	NA	NA	854400.0	0.02	99.10	C
KIKE	2	87.9	43.95	7151.50	4.12	44.89	622799.7	0.02	99.12	C
REPELA ALVARO	2	86.0	43.00	6000.00	0.00	0.00	516000.0	0.02	99.14	C
ANCIZAR	1	85.0	85.00	5760.00	NA	NA	489600.0	0.02	99.16	C
ANDRADE	3	84.0	28.00	8720.00	2.75	82.38	727680.0	0.02	99.18	C
ELMER	1	83.0	83.00	8640.00	NA	NA	717120.0	0.02	99.20	C
SIXTO	1	83.0	83.00	7360.00	NA	NA	610880.0	0.02	99.22	C
BENIGNO R	2	82.0	41.00	5500.00	0.00	106.93	451000.0	0.02	99.24	C
ANCISAR	1	79.0	79.00	5670.89	NA	NA	448000.0	0.02	99.26	C
ILDE	1	79.0	79.00	10911.39	NA	NA	862000.0	0.02	99.28	C
SIXTO V.	1	79.0	79.00	8560.00	NA	NA	676240.0	0.02	99.30	C
OLIVERIO PLAZA	1	75.0	75.00	10866.67	NA	NA	815000.0	0.02	99.32	C
TOÑO	1	74.0	74.00	8480.00	NA	NA	627520.0	0.02	99.34	C
ISIDRO	3	73.0	24.33	6573.33	26.32	17.11	477320.0	0.02	99.35	C
MANUEL	1	72.0	72.00	5600.00	NA	NA	403200.0	0.02	99.37	C
MONO CACAJOSA	1	72.0	72.00	8640.00	NA	NA	622080.0	0.02	99.39	C
CHAVEZ	1	70.0	70.00	8480.00	NA	NA	593600.0	0.02	99.41	C
SOCORRO	1	70.0	70.00	10720.00	NA	NA	750400.0	0.02	99.42	C
YON	1	69.0	69.00	8720.00	NA	NA	601680.0	0.02	99.44	C
ESPOSA DE CABO	1	67.0	67.00	6880.00	NA	NA	460960.0	0.02	99.46	C
TIA MARCELA	1	67.0	67.00	8640.00	NA	NA	578880.0	0.02	99.47	C
DORIS	2	66.0	33.00	8520.00	0.66	34.28	561680.0	0.02	99.49	C
JORGE PLAZA	1	66.0	66.00	8440.00	NA	NA	557040.0	0.02	99.50	C
EDILSON	2	65.5	32.75	5093.02	2.58	44.26	335500.0	0.02	99.52	C
NORLY	2	62.0	31.00	7880.00	12.20	100.36	518480.0	0.01	99.54	C
VENANCIO	1	62.0	62.00	5200.00	NA	NA	322400.0	0.01	99.55	C
ARLEY	1	61.0	61.00	5720.00	NA	NA	348920.0	0.01	99.56	C
ROBERT FAJARDO	1	60.0	60.00	8400.00	NA	NA	504000.0	0.01	99.58	C
HERMERSON	1	59.0	59.00	8560.00	NA	NA	505040.0	0.01	99.59	C
FLORO	2	58.0	29.00	7400.00	20.64	102.41	474560.0	0.01	99.61	C
YILI ALVARO	1	56.0	56.00	8600.00	NA	NA	481600.0	0.01	99.62	C
NN	1	55.0	55.00	8560.00	NA	NA	470800.0	0.01	99.63	C
ALBEIRO	1	54.0	54.00	10640.00	NA	NA	574560.0	0.01	99.65	C
ESTIVEN	1	53.0	53.00	5440.00	NA	NA	288320.0	0.01	99.66	C
WILSON ARIAS	1	53.0	53.00	9040.00	NA	NA	479120.0	0.01	99.67	C
BRASUELOS	1	51.0	51.00	8000.00	NA	NA	408000.0	0.01	99.69	C
GERARDO ESPAÑA	1	47.0	47.00	8800.00	NA	NA	413600.0	0.01	99.70	C
JUANCHO	4	46.0	11.50	7200.00	0.00	15.06	331200.0	0.01	99.71	C
DIEGO CERÓN	1	45.0	45.00	8400.00	NA	NA	378000.0	0.01	99.72	C
NICOLAS CARDOSO	1	44.0	44.00	5340.00	NA	NA	234960.0	0.01	99.73	C
PLACIDO	1	44.0	44.00	5440.00	NA	NA	239360.0	0.01	99.74	C
BARBAO	1	43.0	43.00	5558.14	NA	NA	239000.0	0.01	99.75	C
YEINER	1	43.0	43.00	5441.86	NA	NA	234000.0	0.01	99.76	C
CAMARA	1	42.0	42.00	9595.24	NA	NA	403000.0	0.01	99.77	C
HIJO OVER	1	41.0	41.00	8480.00	NA	NA	347680.0	0.01	99.78	C
RUBEN JOVEN	1	41.0	41.00	10880.00	NA	NA	446080.0	0.01	99.79	C
SOFIA	1	40.5	40.50	5506.17	NA	NA	223000.0	0.01	99.80	C
RICHARD	1	39.0	39.00	8600.00	NA	NA	335400.0	0.01	99.81	C
JAIRO	1	38.0	38.00	5657.89	NA	NA	215000.0	0.01	99.82	C
PANCHO	1	38.0	38.00	10560.00	NA	NA	401280.0	0.01	99.83	C
RAMIRO	1	38.0	38.00	10394.74	NA	NA	395000.0	0.01	99.84	C
DON RODOLFO	1	35.0	35.00	8280.00	NA	NA	289800.0	0.01	99.85	C
HAMINTÓN	1	32.0	32.00	5600.00	NA	NA	179200.0	0.01	99.85	C
JADY	1	31.0	31.00	8240.00	NA	NA	255440.0	0.01	99.86	C
NORBERY	1	31.0	31.00	5677.42	NA	NA	176000.0	0.01	99.87	C
PAISA	1	31.0	31.00	8560.00	NA	NA	265360.0	0.01	99.88	C
J. CAMILO	1	29.0	29.00	8400.00	NA	NA	243600.0	0.01	99.88	C
JORGE LUIS	1	29.0	29.00	5689.66	NA	NA	165000.0	0.01	99.89	C
SEBASTIÁN	1	28.0	28.00	8640.00	NA	NA	241920.0	0.01	99.90	C
HERMANO DE EDWIN	1	27.0	27.00	5444.44	NA	NA	147000.0	0.01	99.90	C
MAXIMINO	1	27.0	27.00	5440.00	NA	NA	146880.0	0.01	99.91	C
DIANA	1	26.0	26.00	8560.00	NA	NA	222560.0	0.01	99.92	C
JORGE PULIDO	1	26.0	26.00	5638.46	NA	NA	146600.0	0.01	99.92	C
ARLEY FAJARDO	1	21.0	21.00	5600.00	NA	NA	117600.0	0.01	99.93	C
CERQUERA	1	21.0	21.00	8400.00	NA	NA	176400.0	0.01	99.93	C
JEFFERSON	1	21.0	21.00	6400.00	NA	NA	134400.0	0.01	99.94	C
ARCESIO	1	19.0	19.00	7280.00	NA	NA	138320.0	0.00	99.94	C
JHONATAN	1	17.5	17.50	5600.00	NA	NA	98000.0	0.00	99.95	C
YURI	1	17.0	17.00	9680.00	NA	NA	164560.0	0.00	99.95	C
MONA	1	15.5	15.50	6400.00	NA	NA	99200.0	0.00	99.95	C
IVAN ANDRÉS	1	15.0	15.00	8200.00	NA	NA	123000.0	0.00	99.96	C
GATO	1	13.0	13.00	5846.15	NA	NA	76000.0	0.00	99.96	C
MONA CASCAJOSA	1	13.0	13.00	8640.00	NA	NA	112320.0	0.00	99.96	C
YILBER	1	13.0	13.00	7500.00	NA	NA	97500.0	0.00	99.97	C
ARLEY PLAZAS	1	11.0	11.00	5360.00	NA	NA	58960.0	0.00	99.97	C
CHUCHO	1	11.0	11.00	8480.00	NA	NA	93280.0	0.00	99.97	C
TIEL	1	11.0	11.00	10640.00	NA	NA	117040.0	0.00	99.97	C
DOÑA ESTELA	1	10.0	10.00	5680.00	NA	NA	56800.0	0.00	99.98	C
CORNELIO	1	9.0	9.00	8320.00	NA	NA	74880.0	0.00	99.98	C
GINO	1	9.0	9.00	5655.56	NA	NA	50900.0	0.00	99.98	C
LUZ MIRIAN	1	9.0	9.00	6420.00	NA	NA	57780.0	0.00	99.98	C
MELISSA	1	9.0	9.00	8640.00	NA	NA	77760.0	0.00	99.99	C
SALVADOR	1	8.0	8.00	8160.00	NA	NA	65280.0	0.00	99.99	C
TALI	1	8.0	8.00	9680.00	NA	NA	77440.0	0.00	99.99	C
ANGEL	1	7.0	7.00	10880.00	NA	NA	76160.0	0.00	99.99	C
MUCHACHA	1	6.5	6.50	9600.00	NA	NA	62000.0	0.00	99.99	C
ROCIO	1	6.0	6.00	8320.00	NA	NA	49920.0	0.00	99.99	C
HEIDY	1	5.0	5.00	8480.00	NA	NA	42400.0	0.00	100.00	C
MELANY	1	4.5	4.50	8640.00	NA	NA	38880.0	0.00	100.00	C
NIÑOS	2	4.3	2.15	8640.00	0.00	55.91	37152.0	0.00	100.00	C
KATE	1	3.5	3.50	8720.00	NA	NA	30520.0	0.00	100.00	C
ELIANA	1	3.0	3.00	10720.00	NA	NA	32160.0	0.00	100.00	C
ALEXA	1	2.0	2.00	9800.00	NA	NA	19600.0	0.00	100.00	C

15 Gráficos

15.1 Distribución del precio por kilogramo

ggplot(datos, aes(x = precio_kg)) +
  geom_histogram(binwidth = 500, fill = "steelblue", color = "white") +
  labs(title = "Distribución del precio por kilogramo",
       x = "Precio por kg", y = "Frecuencia") +
  theme_minimal()

15.2 Precio por kg según año (boxplot)

ggplot(datos, aes(x = as.factor(anio), y = precio_kg, fill = as.factor(anio))) +
  geom_boxplot() +
  labs(title = "Precio por kilogramo según año",
       x = "Año", y = "Precio por kg", fill = "Año") +
  theme_minimal()

15.3 Precio promedio mensual (serie de tiempo)

ggplot(mensual, aes(x = tiempo, y = precio_promedio)) +
  geom_line(color = "darkgreen", linewidth = 1) +
  geom_point(color = "black") +
  labs(title = "Precio promedio mensual",
       x = "Índice temporal", y = "Precio promedio (COP/kg)") +
  theme_minimal()

15.4 Número de compras por mes

ggplot(mensual, aes(x = tiempo, y = n_compras)) +
  geom_line(color = "brown", linewidth = 1) +
  geom_point(color = "black") +
  labs(title = "Número de compras por mes",
       x = "Índice temporal", y = "Número de compras") +
  theme_minimal()

15.5 Top 10 proveedores por volumen total neto

top10 <- proveedores_abc %>% slice_max(order_by = volumen_total_neto, n = 10)

ggplot(top10, aes(x = reorder(proveedor, volumen_total_neto), y = volumen_total_neto)) +
  geom_col(fill = "orange") +
  coord_flip() +
  labs(title = "Top 10 proveedores por volumen total neto",
       x = "Proveedor", y = "Volumen total neto (kg)") +
  theme_minimal()

16 Exportación de resultados

# Función auxiliar para exportar solo si el objeto realmente existe en el documento
exportar_si_existe <- function(objeto_nombre, archivo_destino) {
  if (exists(objeto_nombre)) {
    # Obtenemos el contenido real del objeto usando su nombre en texto
    objeto_real <- get(objeto_nombre)
    write.csv(objeto_real, archivo_destino, row.names = FALSE)
    cat("✓ Exportado exitosamente:", archivo_destino, "\n")
  } else {
    cat("⚠ Advertencia: El objeto '", objeto_nombre, "' no se encontró en este documento. Saltando...\n", sep = "")
  }
}

# Ejecutamos las exportaciones de forma segura, una por una
exportar_si_existe("descriptiva",        "descriptiva_hercafe.csv")

## ✓ Exportado exitosamente: descriptiva_hercafe.csv

exportar_si_existe("frecuencia_tipo",   "frecuencia_tipo.csv")

## ✓ Exportado exitosamente: frecuencia_tipo.csv

exportar_si_existe("frecuencia_anio",   "frecuencia_anio.csv")

## ✓ Exportado exitosamente: frecuencia_anio.csv

exportar_si_existe("frecuencia_periodo", "frecuencia_periodo.csv")

## ✓ Exportado exitosamente: frecuencia_periodo.csv

exportar_si_existe("resumen_anio",       "resumen_por_anio.csv")

## ✓ Exportado exitosamente: resumen_por_anio.csv

exportar_si_existe("mensual",            "resumen_mensual.csv")

## ✓ Exportado exitosamente: resumen_mensual.csv

exportar_si_existe("proveedores_abc",    "proveedores_abc.csv")

## ✓ Exportado exitosamente: proveedores_abc.csv

exportar_si_existe("atipicos",           "registros_atipicos.csv")

## ✓ Exportado exitosamente: registros_atipicos.csv

cat("\nProceso de exportación finalizado.\n")

## 
## Proceso de exportación finalizado.

Fin del análisis — Proyecto HERCAFÉ 2022-2023

Proyecto HERCAFÉ — Análisis Estadístico 2022-2023

Daniel

05 de junio de 2026