#------------------ 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
# 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 la variable
costo_gestion<-datos$Cost.of.Waste.Management....Ton.
# Procedimiento Manual
min<-min(costo_gestion)
max<-max(costo_gestion)
R<-max-min
k<-1+(3.3*log10(length(costo_gestion)))
k<-floor(k)
A<-R/k
li<-seq(from=min, to=max-A, by=A)
ls<-seq(from=min+A, to=max, by=A)
MC<-(li+ls)/2
ni<-c()
for (i in 1:k) {
if(i==k)
ni[i] <- length(subset(costo_gestion,costo_gestion>=li[i] & costo_gestion<=ls[i]))
else
ni[i] <- length(subset(costo_gestion,costo_gestion>=li[i] & costo_gestion<ls[i]))
}
n<-sum(ni)
hi<-(ni/n)*100
Ni_asc<-cumsum(ni)
Ni_dsc<-rev(cumsum(rev(ni)))
Hi_asc<-cumsum(hi)
Hi_dsc<-rev(cumsum(rev(hi)))
TDF.costo_gestión<-data.frame(li,ls,MC,ni,hi,
Ni_asc,Hi_asc,
Ni_dsc,Hi_dsc)
# Histograma Sturges
Histograma<- hist(costo_gestion,
breaks=seq(min,max,A),
main = "Gráfica No. 58:
Distribución de Cantidad del Costo de Gestión
en el Estudio de Residuos de la India",
ylab = "Cantidad",
xlab = "Costo de Gestión",
col = "orange3")
# Procedimiento con R
histograma.costo_gestion<- hist(costo_gestion,
main="Gráfica No. 59:
Distribución de Cantidad del Costo de Gestión
en el Estudio de Residuos de la India",
ylab = "Costo de gestión",
xlab="Cantidad", col = "red")
# Limites
limites <- histograma.costo_gestion$breaks
liminf <- limites[1:9]
limsup <- limites[2:10]
MC <- histograma.costo_gestion$mids
ni <- histograma.costo_gestion$counts
n <- sum(ni)
hi <- (ni / n) * 100
Niasc <- cumsum(ni)
Nidsc <- rev(cumsum(rev(ni)))
Hiasc <- cumsum(hi)
Hidsc <- rev(cumsum(rev(hi)))
# Crear tabla
Tabla_costo_gestion <- data.frame(
Lim_inf = liminf,
Lim_sup = limsup,
MC = MC,
ni = ni,
hi = round(hi, 2),
Niasc = Niasc,
Nidsc = Nidsc,
Hiasc = round(Hiasc, 2),
Hidsc = round(Hidsc, 2)
)
# Crear Fila de Totales
totales <- c(
liminf= "-",
limsup= "-",
MC= "-",
ni= sum(ni),
hi= sum(hi),
Niasc= "-",
Nidsc= "-",
Hiasc= "-",
Hidsc= "-")
TDF.totales<- rbind(Tabla_costo_gestion,totales)
TDF.totales
## Lim_inf Lim_sup MC ni hi Niasc Nidsc Hiasc Hidsc
## 1 500 1000 750 89 10.47 89 850 10.47 100
## 2 1000 1500 1250 102 12 191 761 22.47 89.53
## 3 1500 2000 1750 73 8.59 264 659 31.06 77.53
## 4 2000 2500 2250 93 10.94 357 586 42 68.94
## 5 2500 3000 2750 105 12.35 462 493 54.35 58
## 6 3000 3500 3250 109 12.82 571 388 67.18 45.65
## 7 3500 4000 3750 88 10.35 659 279 77.53 32.82
## 8 4000 4500 4250 105 12.35 764 191 89.88 22.47
## 9 4500 5000 4750 86 10.12 850 86 100 10.12
## 10 - - - 850 100 - - - -
# Histograma R ni Local
Histograma<- hist(costo_gestion,
breaks=limites,
main = "Gráfica No. 60:
Distribución de Cantidad del Costo de Gestión
en el Estudio de Residuos de la India",
ylab = "Cantidad",
xlab = "Costo de Gestión",
col = "blue3")
# Histograma R ni Global
Histograma<- hist(costo_gestion,
breaks=limites,
main = "Gráfica No. 61:
Distribución de Cantidad del Costo de Gestión
en el Estudio de Residuos de la India",
ylab = "Cantidad",
xlab = "Costo de Gestión",
col = "purple3", ylim = c(0,length(costo_gestion)))
# Histograma R hi Local
barplot(Tabla_costo_gestion$hi,space = 0, ylab = "Porcentaje (%)",xlab = "Costo de Gestión",
names.arg = Tabla_costo_gestion$MC,
main = "Gráfica No. 62:
Distribución de Porcentaje del Costo de Gestión
en el Estudio de Residuos de la India",
col = "blue3")
# Histograma R hi Global
barplot(Tabla_costo_gestion$hi,space = 0, ylab = "Porcentaje (%)",xlab = "Costo de Gestión",
names.arg = Tabla_costo_gestion$MC,
main = "Gráfica No. 63:
Distribución de Porcentaje del Costo de Gestión
en el Estudio de Residuos de la India",
ylim=c(0,100),
col = "purple3")
# DIAGRAMA DE CAJA
boxplot(costo_gestion, horizontal=T, col="skyblue",
main="Gráfica No. 64:
Diagrama de Caja del Costo de Gestión
en el Estudio de Residuos de la India",
xlab= "Costo de Gestión")
# OJIVAS Ni
plot(limsup,Niasc,col="blue",
main="Gráfica No. 65:
Ojiva Ascendente y Descendente de la Cantidad del Costo de Gestión
en el Estudio de Residuos de la India",
ylab = "Cantidad", xlab="Costo de Gestión)", type="o", pch=16, xlim = c(500,5000))
lines(liminf,Nidsc,col="red",type="o", pch=16)
# OJIVAS Hi
plot(limsup, Hiasc,col="blue",
main="Gráfica No. 66:
Ojiva Ascendente y Descendente del Porcentaje del Costo de Gestión
en el Estudio de Residuos de la India",
ylab = "Porcentaje (%)", xlab="Costo de Gestión", type="o", pch=16,
ylim = c(0,100),xlim = c(500,5000))
lines(liminf,Hidsc,col="red",type="o", pch=16)
# Indicadores Estadísticos
#Tendencia Central
# Media Aritmética
X<-mean(costo_gestion)
X
## [1] 2778.459
# Mediana
Me<-median(costo_gestion)
Me
## [1] 2853
# Moda
Mo<-"[1000,1500],
[2500,3500],
[4000,4500]"
# Dispersión
# Varianza
var(costo_gestion)
## [1] 1629007
# Desviación Estandar
sd<-sd(costo_gestion)
sd
## [1] 1276.326
CV<-(sd/X)*100
CV
## [1] 45.93646
# Formas
# Asimetria
library(e1071)
As<- skewness(costo_gestion)
As
## [1] -0.05720972
# Curtosis
K<-kurtosis(costo_gestion)
K
## [1] -1.162018
# Tabla de Indicadores
Variable <- "Costo de Gestión"
Rango <- "[503,4999]"
Tabla_indicadores <- data.frame(Variable,Rango,X,Me,Mo,sd,CV,As,K)
Tabla_indicadores
## Variable Rango X Me
## 1 Costo de Gestión [503,4999] 2778.459 2853
## Mo sd CV As
## 1 [1000,1500],\n[2500,3500], \n[4000,4500] 1276.326 45.93646 -0.05720972
## K
## 1 -1.162018