#------------------ UNIVERSIDAD CENTRAL DEL ECUADOR
##-----Faculta de Ingeniería en Geología, Minas, Petróleo y Ambiental
###-----------------Carrera de Ingeniería Ambiental
# Proyecto: Estudio de Residuos y Reciclaje en la India
# Etapa: Estadistica Descriptiva
# Integrantes: Jazmin Guañuna, Nayely Perugachi, Helen Taipe, Gabriela Usiña
# Fecha: 26/5/2025
# Cargar los datos
datos<- read.csv("Waste_Management_and_Recycling_India.csv",
header = T, sep = ";",dec = "." )
# Estructura de los datos
str(datos)
## 'data.frame': 850 obs. of 13 variables:
## $ City.District : chr "Mumbai" "Mumbai" "Mumbai" "Mumbai" ...
## $ Waste.Type : chr "Plastic" "Organic" "E-Waste" "Construction" ...
## $ Waste.Generated..Tons.Day. : int 6610 1181 8162 8929 5032 7456 7118 9189 8609 6632 ...
## $ Recycling.Rate.... : int 68 56 53 56 44 73 37 57 48 71 ...
## $ Population.Density..People.km.. : int 11191 11191 11191 11191 11191 11191 11191 11191 11191 11191 ...
## $ Municipal.Efficiency.Score..1.10.: int 9 5 8 5 7 9 6 10 8 6 ...
## $ Disposal.Method : chr "Composting" "Composting" "Incineration" "Landfill" ...
## $ Cost.of.Waste.Management....Ton. : int 3056 2778 3390 1498 2221 3195 3686 1791 1681 2311 ...
## $ Awareness.Campaigns.Count : int 14 12 13 14 16 6 14 12 20 12 ...
## $ Landfill.Name : chr "Mumbai Landfill" "Mumbai Landfill" "Mumbai Landfill" "Mumbai Landfill" ...
## $ Landfill.Location..Lat..Long. : chr "22.4265, 77.4931" "22.4265, 77.4931" "22.4265, 77.4931" "22.4265, 77.4931" ...
## $ Landfill.Capacity..Tons. : int 45575 45575 45575 45575 45575 45575 45575 45575 45575 45575 ...
## $ Year : int 2019 2019 2019 2019 2019 2020 2020 2020 2020 2020 ...
# Extraemos la variable Discreta
Año<-datos$Year
Año<-na.omit(datos$Year)
Año
## [1] 2019 2019 2019 2019 2019 2020 2020 2020 2020 2020 2021 2021 2021 2021 2021
## [16] 2022 2022 2022 2022 2022 2023 2023 2023 2023 2023 2019 2019 2019 2019 2019
## [31] 2020 2020 2020 2020 2020 2021 2021 2021 2021 2021 2022 2022 2022 2022 2022
## [46] 2023 2023 2023 2023 2023 2019 2019 2019 2019 2019 2020 2020 2020 2020 2020
## [61] 2021 2021 2021 2021 2021 2022 2022 2022 2022 2022 2023 2023 2023 2023 2023
## [76] 2019 2019 2019 2019 2019 2020 2020 2020 2020 2020 2021 2021 2021 2021 2021
## [91] 2022 2022 2022 2022 2022 2023 2023 2023 2023 2023 2019 2019 2019 2019 2019
## [106] 2020 2020 2020 2020 2020 2021 2021 2021 2021 2021 2022 2022 2022 2022 2022
## [121] 2023 2023 2023 2023 2023 2019 2019 2019 2019 2019 2020 2020 2020 2020 2020
## [136] 2021 2021 2021 2021 2021 2022 2022 2022 2022 2022 2023 2023 2023 2023 2023
## [151] 2019 2019 2019 2019 2019 2020 2020 2020 2020 2020 2021 2021 2021 2021 2021
## [166] 2022 2022 2022 2022 2022 2023 2023 2023 2023 2023 2019 2019 2019 2019 2019
## [181] 2020 2020 2020 2020 2020 2021 2021 2021 2021 2021 2022 2022 2022 2022 2022
## [196] 2023 2023 2023 2023 2023 2019 2019 2019 2019 2019 2020 2020 2020 2020 2020
## [211] 2021 2021 2021 2021 2021 2022 2022 2022 2022 2022 2023 2023 2023 2023 2023
## [226] 2019 2019 2019 2019 2019 2020 2020 2020 2020 2020 2021 2021 2021 2021 2021
## [241] 2022 2022 2022 2022 2022 2023 2023 2023 2023 2023 2019 2019 2019 2019 2019
## [256] 2020 2020 2020 2020 2020 2021 2021 2021 2021 2021 2022 2022 2022 2022 2022
## [271] 2023 2023 2023 2023 2023 2019 2019 2019 2019 2019 2020 2020 2020 2020 2020
## [286] 2021 2021 2021 2021 2021 2022 2022 2022 2022 2022 2023 2023 2023 2023 2023
## [301] 2019 2019 2019 2019 2019 2020 2020 2020 2020 2020 2021 2021 2021 2021 2021
## [316] 2022 2022 2022 2022 2022 2023 2023 2023 2023 2023 2019 2019 2019 2019 2019
## [331] 2020 2020 2020 2020 2020 2021 2021 2021 2021 2021 2022 2022 2022 2022 2022
## [346] 2023 2023 2023 2023 2023 2019 2019 2019 2019 2019 2020 2020 2020 2020 2020
## [361] 2021 2021 2021 2021 2021 2022 2022 2022 2022 2022 2023 2023 2023 2023 2023
## [376] 2019 2019 2019 2019 2019 2020 2020 2020 2020 2020 2021 2021 2021 2021 2021
## [391] 2022 2022 2022 2022 2022 2023 2023 2023 2023 2023 2019 2019 2019 2019 2019
## [406] 2020 2020 2020 2020 2020 2021 2021 2021 2021 2021 2022 2022 2022 2022 2022
## [421] 2023 2023 2023 2023 2023 2019 2019 2019 2019 2019 2020 2020 2020 2020 2020
## [436] 2021 2021 2021 2021 2021 2022 2022 2022 2022 2022 2023 2023 2023 2023 2023
## [451] 2019 2019 2019 2019 2019 2020 2020 2020 2020 2020 2021 2021 2021 2021 2021
## [466] 2022 2022 2022 2022 2022 2023 2023 2023 2023 2023 2019 2019 2019 2019 2019
## [481] 2020 2020 2020 2020 2020 2021 2021 2021 2021 2021 2022 2022 2022 2022 2022
## [496] 2023 2023 2023 2023 2023 2019 2019 2019 2019 2019 2020 2020 2020 2020 2020
## [511] 2021 2021 2021 2021 2021 2022 2022 2022 2022 2022 2023 2023 2023 2023 2023
## [526] 2019 2019 2019 2019 2019 2020 2020 2020 2020 2020 2021 2021 2021 2021 2021
## [541] 2022 2022 2022 2022 2022 2023 2023 2023 2023 2023 2019 2019 2019 2019 2019
## [556] 2020 2020 2020 2020 2020 2021 2021 2021 2021 2021 2022 2022 2022 2022 2022
## [571] 2023 2023 2023 2023 2023 2019 2019 2019 2019 2019 2020 2020 2020 2020 2020
## [586] 2021 2021 2021 2021 2021 2022 2022 2022 2022 2022 2023 2023 2023 2023 2023
## [601] 2019 2019 2019 2019 2019 2020 2020 2020 2020 2020 2021 2021 2021 2021 2021
## [616] 2022 2022 2022 2022 2022 2023 2023 2023 2023 2023 2019 2019 2019 2019 2019
## [631] 2020 2020 2020 2020 2020 2021 2021 2021 2021 2021 2022 2022 2022 2022 2022
## [646] 2023 2023 2023 2023 2023 2019 2019 2019 2019 2019 2020 2020 2020 2020 2020
## [661] 2021 2021 2021 2021 2021 2022 2022 2022 2022 2022 2023 2023 2023 2023 2023
## [676] 2019 2019 2019 2019 2019 2020 2020 2020 2020 2020 2021 2021 2021 2021 2021
## [691] 2022 2022 2022 2022 2022 2023 2023 2023 2023 2023 2019 2019 2019 2019 2019
## [706] 2020 2020 2020 2020 2020 2021 2021 2021 2021 2021 2022 2022 2022 2022 2022
## [721] 2023 2023 2023 2023 2023 2019 2019 2019 2019 2019 2020 2020 2020 2020 2020
## [736] 2021 2021 2021 2021 2021 2022 2022 2022 2022 2022 2023 2023 2023 2023 2023
## [751] 2019 2019 2019 2019 2019 2020 2020 2020 2020 2020 2021 2021 2021 2021 2021
## [766] 2022 2022 2022 2022 2022 2023 2023 2023 2023 2023 2019 2019 2019 2019 2019
## [781] 2020 2020 2020 2020 2020 2021 2021 2021 2021 2021 2022 2022 2022 2022 2022
## [796] 2023 2023 2023 2023 2023 2019 2019 2019 2019 2019 2020 2020 2020 2020 2020
## [811] 2021 2021 2021 2021 2021 2022 2022 2022 2022 2022 2023 2023 2023 2023 2023
## [826] 2019 2019 2019 2019 2019 2020 2020 2020 2020 2020 2021 2021 2021 2021 2021
## [841] 2022 2022 2022 2022 2022 2023 2023 2023 2023 2023
# Tabla de Distribución de Frecuencias
TDF.Año<-table(Año)
# Elementos para la tabla de distribución de Frecuencia
Tabla_Año<-as.data.frame(TDF.Año)
hi<-(Tabla_Año$Freq/sum(Tabla_Año$Freq))*100
ni<-Tabla_Año$Freq
Tabla_Año<-data.frame(Tabla_Año,hi)
Niasc<-cumsum(ni)
Hiasc<-cumsum(hi)
Nidsc<-rev(cumsum(rev(ni)))
Hidsc<-rev(cumsum(rev(hi)))
Tabla_año_final<-data.frame(Tabla_Año$Año,
Tabla_Año$Freq,
Tabla_Año$hi,
Niasc,
round(Hiasc,2),
Nidsc,
round(Hidsc,2))
colnames(Tabla_año_final)<-c("Año","ni","hi (%)",
"Ni_asc","Hi_asc(%)",
"Ni_dsc","Hi_dsc(%)")
# Totales
Tabla_año_final$Año <- as.character(Tabla_año_final$Año)
totales <- c(Año="Total",ni= sum(ni),
hi= sum(hi),
Niasc="-",
Nidsc="-",
Hiasc= "-",
Hidsc="-")
TDF_años_total<-rbind(Tabla_año_final,totales)
TDF_años_total
## Año ni hi (%) Ni_asc Hi_asc(%) Ni_dsc Hi_dsc(%)
## 1 2019 170 20 170 20 850 100
## 2 2020 170 20 340 40 680 80
## 3 2021 170 20 510 60 510 60
## 4 2022 170 20 680 80 340 40
## 5 2023 170 20 850 100 170 20
## 6 Total 850 100 - - - -
# Diagrama de barras ni
barplot(Tabla_año_final$ni,
main="Gráfica No. 26:
Distribución de la Cantidad de Años
en el Estudio de Residuos de la India",
names.arg = Tabla_año_final$Año,
xlab= "Años",
ylab="Cantidad",
col="blue4")
barplot(Tabla_año_final$ni,
main="Gráfica No. 27:
Distribución de la Cantidad de Años
en el Estudio de Residuos de la India",
names.arg = Tabla_año_final$Año,
ylim=c(0,length(Año)),
xlab= "Años",
ylab="Cantidad",
col="red4")
# Diagrama de barras hi
barplot(Tabla_año_final$`hi (%)`,
main="Gráfica No. 28:
Distribución de Porcentaje de Años
en el Estudio de Residuos de la India",
names.arg = Tabla_año_final$Año,
xlab= "Años",
ylab="Porcentaje (%)",
col="blue4")
barplot(Tabla_año_final$`hi (%)`,
main="Gráfica No. 29:
Distribución de Porcentaje de Años
en el Estudio de Residuos de la India",
names.arg = Tabla_año_final$Año,
ylim = c(0,100),
xlab= "Años",
ylab="Porcentaje (%)",
col="red4")
# Diagrama de Caja
boxplot(Año, horizontal=T, col="green3",
main="Gráfica No. 30:
Diagrama de Caja de la Cantidad de Años
en el Estudio de Residuos de la India",
xlab= "Años")
# Ojivas Ni
x <- as.numeric(as.character(Tabla_año_final$Año))
plot(x,Tabla_año_final$Ni_asc,
main="Gráfica No. 31:
Ojiva Ascendente y Descendente de la Cantidad de Años
en el Estudio de Residuos de la India",
xlab="Años",
ylab="Cantidad",
type = "p", pch=16,
col="black")
lines(x,Tabla_año_final$Ni_dsc,pch=16,
col="red",type ="p")
# Ojivas Hi
plot(x, Tabla_año_final$`Hi_asc(%)`,
main = "Gráfica No. 32:
Ojiva Ascendente y Descendente de Porcentaje de Años
en el Estudio de Residuos de la India",
xlab = "Años",
ylab = "Porcentaje (%)", pch=16,
type = "p",
col = "black")
lines(x, Tabla_año_final$`Hi_dsc(%)`,
col = "red", pch=16,
type = "p")
# Indicadores Estadísticos
#Tendencia Central
# Media Aritmética
X<-mean(Año)
X
## [1] 2021
# Mediana
Me<-median(Año)
Me
## [1] 2021
# Moda
Mo<-"-"
# Dispersión
# Varianza
var(Año)
## [1] 2.002356
# Desviación Estandar
sd<-sd(Año)
sd
## [1] 1.415046
CV<-(sd/X)*100
CV
## [1] 0.07001713
# Formas
# Asimetria
library(e1071)
As<- skewness(Año)
As
## [1] 0
# Curtosis
K<-kurtosis(Año)
K
## [1] -1.303998
# Tabla de Indicadores
Variable <- "Años"
Rango <- "[2019,2023]"
Tabla_indicadores <- data.frame(Variable,Rango,X,Me,Mo,round(sd,2),round(CV,2),round(As,2),round(K,2))
colnames(Tabla_indicadores) <- c("Variable","Rango","X", "Me", "Mo","sd","CV","As","K")
Tabla_indicadores
## Variable Rango X Me Mo sd CV As K
## 1 Años [2019,2023] 2021 2021 - 1.42 0.07 0 -1.3