#------------------ UNIVERSIDAD CENTRAL DEL ECUADOR
##-----Faculta de IngenierÃa en GeologÃa, Minas, Petróleo y Ambiental
###-----------------Carrera de IngenierÃa 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
# Carga de datos
datos<-read.csv("Waste_Management_and_Recycling_India.csv",
header = T, sep = ";",dec = "." )
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 ...
# Extraer Variable Nominal
Ciudad<-datos$City.District
# EDA variable nominal
TDFCiudad<-table(Ciudad)
TDFCiudad
## Ciudad
## Agra Ahmedabad Allahabad Amritsar
## 25 25 25 25
## Bengaluru Bhopal Chennai Coimbatore
## 25 25 25 25
## Delhi Guwahati Gwalior Hyderabad
## 25 25 25 25
## Indore Jabalpur Jaipur Jodhpur
## 25 25 25 25
## Kanpur Kolkata Lucknow Ludhiana
## 25 25 25 25
## Madurai Meerut Mumbai Nagpur
## 25 25 25 25
## Nashik Patna Pune Rajkot
## 25 25 25 25
## Ranchi Surat Thiruvananthapuram Vadodara
## 25 25 25 25
## Varanasi Visakhapatnam
## 25 25
TablaCiudad<-as.data.frame(TDFCiudad)
hi<-TablaCiudad$Freq/sum(TablaCiudad$Freq)
hi_por<-hi*100
TablaCiudad<-data.frame(TablaCiudad,hi_por)
colnames(TablaCiudad)<-c("Ciudad","ni","hi(%)")
TablaCiudad
## Ciudad ni hi(%)
## 1 Agra 25 2.941176
## 2 Ahmedabad 25 2.941176
## 3 Allahabad 25 2.941176
## 4 Amritsar 25 2.941176
## 5 Bengaluru 25 2.941176
## 6 Bhopal 25 2.941176
## 7 Chennai 25 2.941176
## 8 Coimbatore 25 2.941176
## 9 Delhi 25 2.941176
## 10 Guwahati 25 2.941176
## 11 Gwalior 25 2.941176
## 12 Hyderabad 25 2.941176
## 13 Indore 25 2.941176
## 14 Jabalpur 25 2.941176
## 15 Jaipur 25 2.941176
## 16 Jodhpur 25 2.941176
## 17 Kanpur 25 2.941176
## 18 Kolkata 25 2.941176
## 19 Lucknow 25 2.941176
## 20 Ludhiana 25 2.941176
## 21 Madurai 25 2.941176
## 22 Meerut 25 2.941176
## 23 Mumbai 25 2.941176
## 24 Nagpur 25 2.941176
## 25 Nashik 25 2.941176
## 26 Patna 25 2.941176
## 27 Pune 25 2.941176
## 28 Rajkot 25 2.941176
## 29 Ranchi 25 2.941176
## 30 Surat 25 2.941176
## 31 Thiruvananthapuram 25 2.941176
## 32 Vadodara 25 2.941176
## 33 Varanasi 25 2.941176
## 34 Visakhapatnam 25 2.941176
# Crear las agrupaciones
norte <- c("Delhi", "Agra", "Jaipur", "Jodhpur", "Lucknow", "Kanpur",
"Varanasi", "Meerut", "Amritsar", "Ludhiana", "Allahabad")
sur <- c("Bengaluru", "Chennai", "Hyderabad", "Coimbatore", "Madurai",
"Thiruvananthapuram", "Visakhapatnam")
este <- c("Patna", "Kolkata", "Ranchi", "Guwahati")
oeste <- c("Mumbai", "Pune", "Nashik", "Surat", "Ahmedabad",
"Vadodara", "Rajkot", "Nagpur")
centro <- c("Bhopal", "Indore", "Jabalpur", "Gwalior")
# Asignar la región
TablaCiudad$Region <- ifelse(TablaCiudad$Ciudad %in% norte, "Norte",
ifelse(TablaCiudad$Ciudad %in% centro, "Centro",
ifelse(TablaCiudad$Ciudad %in% sur, "Sur",
ifelse(TablaCiudad$Ciudad%in% este,"Este",
ifelse(TablaCiudad$Ciudad%in% oeste,"Oeste",NA)))))
# Tabla Final
TablaCiudad
## Ciudad ni hi(%) Region
## 1 Agra 25 2.941176 Norte
## 2 Ahmedabad 25 2.941176 Oeste
## 3 Allahabad 25 2.941176 Norte
## 4 Amritsar 25 2.941176 Norte
## 5 Bengaluru 25 2.941176 Sur
## 6 Bhopal 25 2.941176 Centro
## 7 Chennai 25 2.941176 Sur
## 8 Coimbatore 25 2.941176 Sur
## 9 Delhi 25 2.941176 Norte
## 10 Guwahati 25 2.941176 Este
## 11 Gwalior 25 2.941176 Centro
## 12 Hyderabad 25 2.941176 Sur
## 13 Indore 25 2.941176 Centro
## 14 Jabalpur 25 2.941176 Centro
## 15 Jaipur 25 2.941176 Norte
## 16 Jodhpur 25 2.941176 Norte
## 17 Kanpur 25 2.941176 Norte
## 18 Kolkata 25 2.941176 Este
## 19 Lucknow 25 2.941176 Norte
## 20 Ludhiana 25 2.941176 Norte
## 21 Madurai 25 2.941176 Sur
## 22 Meerut 25 2.941176 Norte
## 23 Mumbai 25 2.941176 Oeste
## 24 Nagpur 25 2.941176 Oeste
## 25 Nashik 25 2.941176 Oeste
## 26 Patna 25 2.941176 Este
## 27 Pune 25 2.941176 Oeste
## 28 Rajkot 25 2.941176 Oeste
## 29 Ranchi 25 2.941176 Este
## 30 Surat 25 2.941176 Oeste
## 31 Thiruvananthapuram 25 2.941176 Sur
## 32 Vadodara 25 2.941176 Oeste
## 33 Varanasi 25 2.941176 Norte
## 34 Visakhapatnam 25 2.941176 Sur
Grupo<-table(TablaCiudad$Region)
hi_grupo<-Grupo/sum(Grupo)
hi_grupo<-hi_grupo*100
TablaAgrupada<-aggregate(cbind(ni, `hi(%)`) ~ Region, data = TablaCiudad, sum)
TablaAgrupada
## Region ni hi(%)
## 1 Centro 100 11.76471
## 2 Este 100 11.76471
## 3 Norte 275 32.35294
## 4 Oeste 200 23.52941
## 5 Sur 175 20.58824
# Crear fila de totales
totales <- c(
Region = "Total",
ni = sum(TablaAgrupada$ni),`hi(%)` = sum(TablaAgrupada$`hi(%)`)
)
TablaAgrupadaFinal <- rbind(TablaAgrupada, totales)
TablaAgrupadaFinal
## Region ni hi(%)
## 1 Centro 100 11.7647058823529
## 2 Este 100 11.7647058823529
## 3 Norte 275 32.3529411764706
## 4 Oeste 200 23.5294117647059
## 5 Sur 175 20.5882352941176
## 6 Total 850 100
# GDF
hi_red <- round(TablaAgrupada$`hi(%)`,2)
barplot(TablaAgrupada$ni,
main="Gráfica No. 11:
Distribución de Cantidad de Ciudades
en el Estudio de Residuos de la India",
xlab= "Ciudades",
ylab="Cantidad",
names.arg= TablaAgrupada$Region,
cex.names = 1, col = "blue3")
barplot(TablaAgrupada$ni,
main="Gráfica No. 12:
Distribución de Cantidad de Ciudades
en el Estudio de Residuos de la India",
xlab= "Ciudades",
ylab="Cantidad",
names.arg= TablaAgrupada$Region,
col = "purple3",
ylim=c(0,length(Ciudad)))
barplot(hi_red,
main="Gráfica No. 13:
Distribución de Porcentaje de Ciudades
en el Estudio de Residuos de la India",
xlab= "Ciudades",
ylab="Porcentaje (%)",
col = "blue3",
names.arg= TablaAgrupada$Region)
barplot(hi_red,
main="Gráfica No. 14:
Distribución de Porcentaje de Ciudades
en el Estudio de Residuos de la India",
xlab= "Ciudades",
ylab="Porcentaje (%)",
names.arg= TablaAgrupada$Region,
col = "purple3",
ylim=c(0,100))
#Diagrama Circular
library(RColorBrewer)
n <- length(TablaCiudad$Region)
colores <- brewer.pal(min(n, 12), "Set3")
color <- adjustcolor(colores, alpha.f = 0.9)
etiqueta<-paste(hi_red,"%")
pie(hi_red,
labels = etiqueta,
radius = 1,
col=color,
main="Gráfica No. 15:
Porcentaje de Ciudades
en el Estudio de Residuos de la India")
legend("bottomright",legend=names(Grupo),
title = "Leyenda",
fill=color)
