PAPAS
A.D.R
13-08-2020
Papas Mercado lo Valledor
LOs datos son obtenidos desde la pagina de la ODEPA, del Ministerio de Agricultura. Y abarcan desde 1994 - 2014, pero nos enfrentamos con el problema que no hay una continuidad en el tiempo de un solo producto
## # A tibble: 3 x 8
## `Mes/año` Mercado Variedad Volumen `Precio\nmínimo` `Precio\nmáximo`
## <chr> <chr> <chr> <dbl> <dbl> <dbl>
## 1 03/1994 Mercad… Cardinal 2250 3200 3500
## 2 03/1994 Mercad… Desirée 33300 2800 3500
## 3 04/1994 Mercad… Desirée 32400 2500 4200
## # … with 2 more variables: `Precio\npromedio` <dbl>, `Unidad
## # de\ncomercialización` <chr>Trabajaremos con la variedad de papa DESIREE, esto por que es la que tiene mayor presencia en el tiempo en el mercado chileno.
## Variedad n
## 1 Asterix 43
## 2 Cardinal 87
## 3 Color 4
## 4 Desirée 109
## 5 Karú 12
## 6 Pukará 16
## 7 Rodeo 1
## 8 Rosara 44
## 9 Yagana 9
## 10 <NA> 1## Mes/año Volumen DESIREE
## 1 03/1994 33300 3500
## 2 04/1994 32400 4200
## 3 05/1994 11300 5100## Mes/año Volumen DESIREE
## 107 06/2011 6720 4000
## 108 07/2014 1360 10504
## 109 08/2014 3590 11765highchart(type = "stock") %>%
hc_title(text = "Desirre $ - Vol") %>%
hc_add_series(papas_df_Desirée$DESIREE,
name = "Precio") %>%
hc_add_series(papas_df_Desirée$Volumen,
name = "Volumen") %>%
hc_add_theme(hc_theme_flat()) %>%
hc_navigator(enabled = FALSE) %>%
hc_scrollbar(enabled = FALSE) %>%
hc_exporting(enabled = TRUE) %>%
hc_legend(enabled = TRUE)Papas Mercado Mapocho
LOs datos son obtenidos desde la pagina de la ODEPA, del Ministerio de Agricultura. Y abarcan desde 1994 - 2014, pero nos enfrentamos con el problema que no hay una continuidad en el tiempo de un solo producto
## # A tibble: 3 x 8
## `Mes/año` Mercado Variedad Volumen `Precio\nmínimo` `Precio\nmáximo`
## <chr> <chr> <chr> <dbl> <dbl> <dbl>
## 1 05/2006 Vega C… Asterix 800 6.5 7
## 2 06/2006 Vega C… Asterix 210 6 6.5
## 3 04/2007 Vega C… Cardinal 260 6.1 6.1
## # … with 2 more variables: `Precio\npromedio` <dbl>, `Unidad
## # de\ncomercialización` <chr>Trabajaremos con la variedad de papa DESIREE, esto por que es la que tiene mayor presencia en el tiempo en el mercado chileno.
## Variedad n
## 1 Asterix 96
## 2 Cardinal 32
## 3 Desirée 15
## 4 Karú 22
## 5 Patagonia 11
## 6 Pukará 37
## 7 Rodeo 26
## 8 Rosara 15
## 9 Spunta 5
## 10 Yagana 1
## 11 <NA> 1## Mes/año Volumen Asterix
## 1 05/2006 800 7.000
## 2 06/2006 210 6.500
## 3 07/2010 360 7.143## Mes/año Volumen Asterix
## 94 05/2020 280.00 5.882
## 95 06/2020 4.75 7.563
## 96 07/2020 4.57 6.723highchart(type = "stock") %>%
hc_title(text = "Asterix $ - Vol") %>%
hc_add_series(papas_df_Asterix$Asterix,
name = "Precio") %>%
hc_add_series(papas_df_Asterix$Volumen,
name = "Volumen") %>%
hc_add_theme(hc_theme_flat()) %>%
hc_navigator(enabled = FALSE) %>%
hc_scrollbar(enabled = FALSE) %>%
hc_exporting(enabled = TRUE) %>%
hc_legend(enabled = TRUE)Papas Mercado Directo Santiago
LOs datos son obtenidos desde la pagina de la ODEPA, del Ministerio de Agricultura. Y abarcan desde 1994 - 2014, pero nos enfrentamos con el problema que no hay una continuidad en el tiempo de un solo producto
## # A tibble: 3 x 8
## `Mes/año` Mercado Variedad Volumen `Precio\nmínimo` `Precio\nmáximo`
## <chr> <chr> <chr> <dbl> <dbl> <dbl>
## 1 04/1994 Mapoch… Cardinal 1.2 4.8 5.5
## 2 05/1994 Mapoch… Cardinal 4.95 6.1 6.5
## 3 06/1994 Mapoch… Cardinal 3.3 6.5 7.2
## # … with 2 more variables: `Precio\npromedio` <dbl>, `Unidad
## # de\ncomercialización` <chr>Trabajaremos con la variedad de papa DESIREE, esto por que es la que tiene mayor presencia en el tiempo en el mercado chileno.
## # A tibble: 6 x 2
## Variedad n
## <chr> <int>
## 1 Blanca(o) 1
## 2 Cardinal 87
## 3 Desirée 80
## 4 Rosara 3
## 5 Yagana 1
## 6 <NA> 1## # A tibble: 3 x 3
## `Mes/año` Volumen Cardinal
## <chr> <dbl> <dbl>
## 1 04/1994 1.2 5.5
## 2 05/1994 4.95 6.5
## 3 06/1994 3.3 7.2## # A tibble: 3 x 3
## `Mes/año` Volumen Cardinal
## <chr> <dbl> <dbl>
## 1 06/2005 440 12.3
## 2 07/2005 540 12.2
## 3 09/2005 480 26.5highchart(type = "stock") %>%
hc_title(text = "Cardinal $ - Vol") %>%
hc_add_series(papas_df_cardinal$Cardinal,
name = "Precio") %>%
hc_add_series(papas_df_cardinal$Volumen,
name = "Volumen") %>%
hc_add_theme(hc_theme_flat()) %>%
hc_navigator(enabled = FALSE) %>%
hc_scrollbar(enabled = FALSE) %>%
hc_exporting(enabled = TRUE) %>%
hc_legend(enabled = TRUE)Algunas Observaciones.
- Datos de corrido mensuales hasta el 2-1999, continuando el 11-1999. La misma situacion nos ocurre en el año 2000, donde se corta la informacion en el 3-2000 y vuelve el 11-2000, y asi en diferentes años, tenemos esa situacion, la razon no la tengo en vista, pero podria ser una respuesta la utilizacion de otros mercados para la venta de estos productos, ya que es muy dificil asummir que no se transen en esos meses,
Preguntas?
- Cuál es la correlación entre precio y volumen ?
Para esta respuesta utilizaremos el Mercado de Lo Valledor, y revisaremos la correlacion , la covarianza y el test de Perason
cor(papas_df_Desirée$Volumen,papas_df_Desirée$DESIREE)## [1] 0.01841133cov(papas_df_Desirée$Volumen,papas_df_Desirée$DESIREE)## [1] 1770422cor.test(papas_df_Desirée$Volumen,papas_df_Desirée$DESIREE)##
## Pearson's product-moment correlation
##
## data: papas_df_Desirée$Volumen and papas_df_Desirée$DESIREE
## t = 0.19048, df = 107, p-value = 0.8493
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
## -0.1702801 0.2058003
## sample estimates:
## cor
## 0.01841133A simple vista se ve que eso no nos sirve. Realizare un mapeo de los cortes, para ver que pasa en esos meses, ahi hay informacion que no tenemos
2- Se puede dejar en dos ejes el gráfico para ver tendencia de los previos ?
Se puede hacer casi cualquier cosa, lo que me pasa es que no me queda claro que el lo que necesitasq ue se vea
3- Quizás proyectar ayudaría con la falta de información (media móvil, polinomio, hasta una regresión)
AQui, la duda que me salta es que no tenemos continuidad de los numeros, aun asi te envio una regresion y los datos que da, aqui necesito de tu ayuda para interpretacion, si que esto es posible.
##
## Call:
## lm(formula = papas_df_Desirée$DESIREE ~ papas_df_Desirée$Volumen)
##
## Residuals:
## Min 1Q Median 3Q Max
## -4267.1 -2720.2 -707.2 2023.2 12496.7
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 7.463e+03 4.917e+02 15.18 <2e-16 ***
## papas_df_Desirée$Volumen 2.060e-03 1.082e-02 0.19 0.849
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3295 on 107 degrees of freedom
## Multiple R-squared: 0.000339, Adjusted R-squared: -0.009004
## F-statistic: 0.03628 on 1 and 107 DF, p-value: 0.8493plot(papas_df_Desirée$Volumen, xlab="Volumen", ylab="precio",main="regresion lineal")
abline(papas_lm, col="red")
Promedio Mayorista
## # A tibble: 14 x 6
## X1 `2017` `2018` `2019` Mensual Anual
## <chr> <dbl> <dbl> <dbl> <chr> <chr>
## 1 Enero 3.65 7.98 4.43 -14,3 -44,5
## 2 Febrero 4.21 7.39 5.87 32,6 -20,5
## 3 Marzo 4.42 7.62 5.8 -1,2 -23,9
## 4 Abril 4.22 7.17 5.82 0,3 -18,8
## 5 Mayo 4.29 6.47 6.47 11,2 0,0
## 6 Junio 3.78 6.86 6.70 3,6 -2,3
## 7 Julio 3.93 7.02 6.93 3,4 -1,3
## 8 Agosto 3.81 9.33 7.04 1,5 -24,6
## 9 Septiembre 4.31 12.0 7.21 2,5 -39,8
## 10 Octubre 4.39 14.5 8.86 22,9 -38,8
## 11 Noviembre 6.79 9.85 7.06 -20,4 -28,4
## 12 Diciembre 8.18 5.16 5.28 -25,1 2,3
## 13 Promedio anual 4.67 8.44 6.46 <NA> -23,5
## 14 Promedio ene-dic 4.67 8.44 6.46 <NA> -23,5Promedio Minoristas
## # A tibble: 14 x 9
## X1 `2018` `2019` Mensual Anual `2018_1` `2019_1` Mensual_1 Anual_1
## <chr> <dbl> <dbl> <chr> <dbl> <dbl> <dbl> <chr> <dbl>
## 1 Enero 1.07 1.38 -12,1 285 497 400 -2,6 -196
## 2 Febrero 1.10 1.24 -9,9 132 466 454 13,7 -24
## 3 Marzo 1.11 1.16 -6,8 43 484 477 4,9 -15
## 4 Abril 1.10 1.17 1,1 61 484 459 -3,7 -52
## 5 Mayo 1.08 1.15 -2,0 61 512 472 2,9 -77
## 6 Junio 1.05 1.16 0,8 102 494 476 0,9 -36
## 7 Julio 968 1.17 1,3 212 497 480 0,8 -33
## 8 Agosto 978 1.16 -1,0 188 552 479 -0,4 -133
## 9 Septiembre 1.03 1.14 -1,8 105 711 497 3,9 -301
## 10 Octubre 1.40 1.16 1,8 -167 827 565 13,6 -317
## 11 Noviembre 1.64 1.17 0,6 -289 662 531 -6,0 -199
## 12 Diciembre 1.57 1.20 2,6 -236 411 462 -12,9 126
## 13 Promedio año 1.18 1.19 <NA> 11 550 479 <NA> -128
## 14 0 1.18 1.19 <NA> 11 550 479 <NA> -128Italo, ahi va algo pero hablemos