1 Configuración y Carga de Datos

##### UNIVERSIDAD CENTRAL DEL ECUADOR #####
#### AUTOR: MARTIN SARMIENTO ####
### CARRERA: INGENIERÍA EN PETRÓLEOS #####


#### VARIABLE TIPO DE ASPECTO ####
## DATASET ##
setwd("~/R/ASPECT_TYPE")
# Cargar dataset
Datos <- read.csv("DataSet_.csv", sep = ";", fileEncoding = "latin1")
# Estructura de los datos
str(Datos)
## 'data.frame':    7142 obs. of  26 variables:
##  $ fid                  : int  1 2 3 4 5 6 7 8 9 10 ...
##  $ objectid             : int  127 128 129 130 131 132 133 134 135 136 ...
##  $ code                 : chr  "Arg-00001" "Arg-00002" "Arg-00003" "Arg-00004" ...
##  $ country              : chr  "Argentina" "Argentina" "Argentina" "Argentina" ...
##  $ plant_name           : chr  "Aconcagua solar farm" "Aconcagua solar farm" "Altiplano 200 Solar Power Plant" "Altiplano 200 Solar Power Plant" ...
##  $ operational_status   : chr  "announced" "announced" "operating" "operating" ...
##  $ longitude            : num  -68.9 -68.9 -66.9 -66.9 -68.9 ...
##  $ latitude             : num  -33 -33 -24.1 -24.1 -33.3 ...
##  $ elevation            : int  929 929 4000 4000 937 865 858 858 858 858 ...
##  $ area                 : num  0 0 4397290 5774 0 ...
##  $ slope                : num  0.574 0.574 1.603 6.243 0.903 ...
##  $ slope_type           : chr  "Plano o casi plano" "Plano o casi plano" "Plano o casi plano" "Moderado" ...
##  $ curvature            : num  0.000795 0.000795 -0.002781 -0.043699 0.002781 ...
##  $ curvature_type       : chr  "Superficies planas o intermedias" "Superficies planas o intermedias" "Superficies planas o intermedias" "Superficies cóncavas / Valles" ...
##  $ aspect               : num  55.1 55.1 188.7 270.9 108.4 ...
##  $ aspect_type          : chr  "Northeast" "Northeast" "South" "West" ...
##  $ ghi                  : num  6.11 6.11 8.01 7.88 6.12 ...
##  $ solar_aptitude       : num  0.746 0.746 0.8 0.727 0.595 ...
##  $ solar_aptittude_class: chr  "Alta" "Alta" "Alta" "Alta" ...
##  $ humidity             : num  0 0 53.7 53.7 0 ...
##  $ wind_speed           : num  3.78 3.78 7.02 8.33 3.87 ...
##  $ wind_direction       : num  0 0 55.1 55.1 0 ...
##  $ ambient_temperature  : num  12.6 12.6 6.8 6.8 13.1 ...
##  $ optimal_tilt         : int  31 31 26 26 31 33 30 30 30 30 ...
##  $ peak_power_per_hour  : num  4.98 4.98 6.39 6.39 4.97 ...
##  $ total_power          : num  25 66.2 101 107 180 ...
# Cargamos las librerias
library(dplyr)
## 
## Adjuntando el paquete: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
library(ggplot2)
library(gt)

2 Extracción y Conteo Inicial

# Extraer variable
Aspect <- Datos$aspect_type
# EDAvariable nominal
TDF_aspect <- table(Aspect)

tabla_aspect <- as.data.frame(TDF_aspect)
hi <- tabla_aspect$Freq/sum(tabla_aspect$Freq)
hi_porc <- hi*100
sum(hi_porc)
## [1] 100
tabla_ASPECT <- data.frame(tabla_aspect, hi_porc)
colnames(tabla_ASPECT)[1] <- "Orientacion"

3 Categorización y Ordenamiento Lógico

### Agrupación ####
tabla_con_grupos <- tabla_ASPECT %>%
  mutate(grupo = case_when(
    grepl("Northeast", Orientacion, ignore.case = TRUE) ~ "Noreste (NE)",
    grepl("Northwest", Orientacion, ignore.case = TRUE) ~ "Noroeste (NW)",
    grepl("Southeast", Orientacion, ignore.case = TRUE) ~ "Sureste (SE)",
    grepl("Southwest", Orientacion, ignore.case = TRUE) ~ "Suroeste (SW)",
    grepl("North", Orientacion, ignore.case = TRUE) ~ "Norte (N)",
    grepl("South", Orientacion, ignore.case = TRUE) ~ "Sur (S)",
    grepl("East", Orientacion, ignore.case = TRUE) ~ "Este (E)",
    grepl("West", Orientacion, ignore.case = TRUE) ~ "Oeste (W)",
    grepl("Flat", Orientacion, ignore.case = TRUE) ~ "Plano (Flat)",
    TRUE ~ "No Asignado / Otros"))
  
# Definimos el orden 
orden_horario <- c(
  "Norte (N)",
  "Noreste (NE)",
  "Este (E)",
  "Sureste (SE)",
  "Sur (S)",
  "Suroeste (SW)",
  "Oeste (W)",
  "Noroeste (NW)",
  "Plano (Flat)",
  "No Asignado / Otros",
  "TOTAL")

tabla_resumen <- tabla_con_grupos %>%
  mutate(grupo = factor(grupo, levels = orden_horario)) %>%
  group_by(grupo) %>% 
  summarise(
    Frecuencia = sum(Freq),
    Porcentaje = sum(hi_porc)) %>%
  arrange(grupo)

# Renombramos columnas
colnames(tabla_resumen) <- c("Orientacion","ni","hi (%)")

# Tabla Intermedia GT
tabla_resumen_gt <- tabla_resumen %>%
  gt() %>%
  tab_header(
    title = md("**TABLA DE AGRUPACIÓN**"), 
    subtitle = "Frecuencias por Orientación (Orden Horario)") %>%
  tab_source_note(source_note = "Autor: Martin Sarmiento") %>%
  cols_label(
    Orientacion = "Orientación",
    ni = "Frecuencia (ni)",
    `hi (%)` = "Porcentaje (hi%)") %>%
  fmt_number(columns = c(`hi (%)`), decimals = 2) %>%
  tab_options(
    heading.title.font.size = px(16),
    heading.subtitle.font.size = px(14),
    column_labels.background.color = "#f0f0f0")

# Mostramos la tabla 
tabla_resumen_gt
TABLA DE AGRUPACIÓN
Frecuencias por Orientación (Orden Horario)
Orientación Frecuencia (ni) Porcentaje (hi%)
Norte (N) 981 13.74
Noreste (NE) 865 12.11
Este (E) 847 11.86
Sureste (SE) 915 12.81
Sur (S) 774 10.84
Suroeste (SW) 697 9.76
Oeste (W) 1018 14.25
Noroeste (NW) 1022 14.31
Plano (Flat) 21 0.29
No Asignado / Otros 2 0.03
Autor: Martin Sarmiento

4 Tabla de Distribución de Frecuencias

#### Crear fila de totales ####
totales <- c("TOTAL", sum(tabla_resumen$ni, na.rm=TRUE), sum(tabla_resumen$`hi (%)`, na.rm=TRUE))
tabla_Aspect_Final <- rbind(tabla_resumen, totales)

# Convertir a números para GT
tabla_Aspect_Final$ni <- as.numeric(tabla_Aspect_Final$ni)
tabla_Aspect_Final$`hi (%)` <- as.numeric(tabla_Aspect_Final$`hi (%)`)

# TABLA 1
tabla_gt <- tabla_Aspect_Final %>%
  gt() %>%
  tab_header(
    title = md("**TABLA 1**"), 
    subtitle = "Distribución de la Orientación del Terreno") %>%
  tab_source_note(source_note = "Autor: Martin Sarmiento") %>%
  cols_label(
    Orientacion = "Orientación",
    ni = "Frecuencia (ni)",
    `hi (%)` = "Porcentaje (hi%)") %>%
  fmt_number(columns = c(`hi (%)`), decimals = 2) %>%
  tab_options(
    heading.title.font.size = px(16),
    heading.subtitle.font.size = px(14),
    column_labels.background.color = "#f0f0f0")

tabla_gt
TABLA 1
Distribución de la Orientación del Terreno
Orientación Frecuencia (ni) Porcentaje (hi%)
Norte (N) 981 13.74
Noreste (NE) 865 12.11
Este (E) 847 11.86
Sureste (SE) 915 12.81
Sur (S) 774 10.84
Suroeste (SW) 697 9.76
Oeste (W) 1018 14.25
Noroeste (NW) 1022 14.31
Plano (Flat) 21 0.29
No Asignado / Otros 2 0.03
TOTAL 7142 100.00
Autor: Martin Sarmiento

5 Gráfico 1 – Frecuencia local

# Diagrama de barrras local ni
par(mar = c(10, 4, 4, 2)) 
barplot(tabla_resumen$ni,
        main="Gráfica N°1: Distribución de la orientación del terreno",
        xlab = "",
        ylab = "Cantidad",
        col = "#E8F5E9",
        names.arg=tabla_resumen$Orientacion,
        cex.names = 0.7,
        las = 2)
mtext("Orientación", side = 1, line = 9)

6 Gráfico 2 – Frecuencia global

# Diagrama de barrras global ni
par(mar = c(10, 4, 4, 2)) 
barplot(tabla_resumen$ni,
        main="Gráfica N°2: Distribución de la orientación (Global)",
        xlab = "",
        ylab = "Cantidad",
        col = "#E8F5E9",
        ylim = c(0,8000), 
        names.arg=tabla_resumen$Orientacion,
        cex.names = 0.7,
        las = 2)
mtext("Orientación", side = 1, line = 10)

7 Gráfico 3 – Porcentaje local

# Diagrama de barrras local hi
par(mar = c(10, 4, 4, 2)) 
barplot(tabla_resumen$`hi (%)`,
        main="Gráfica N°3: Distribución porcentual de la orientación",
        xlab = "",
        ylab = "Porcentaje %",
        col = "#E8F5E9",
        names.arg=tabla_resumen$Orientacion,
        cex.names = 0.7,
        las = 2)
mtext("Orientación", side = 1, line = 10)

8 Gráfico 4 – Porcentaje global

# Diagrama de barrras global hi
par(mar = c(10, 4, 4, 2)) 
barplot(tabla_resumen$`hi (%)`,
        main="Gráfica N°4: Distribución porcentual global",
        xlab = "",
        ylab = "Porcentaje %",
        col = "#E8F5E9",
        ylim = c(0,100),
        names.arg=tabla_resumen$Orientacion,
        cex.names = 0.7,
        las = 2)
mtext("Orientación", side = 1, line = 10)

9 Gráfico 5 – Diagrama Circular

## Diagrama circular
par(mar = c(5, 6, 4, 10), xpd = TRUE)

colores_base <- c("#E8F5E9", "#1B5E20")

paleta_verde_pro <- colorRampPalette(colores_base)
colores_finales <- paleta_verde_pro(length(tabla_resumen$Orientacion))

pie(tabla_resumen$`hi (%)`, 
    main = "Gráfica N°5: Distribución porcentual de la orientación",
    radius = 0.9,
    labels = paste0(round(tabla_resumen$`hi (%)`, 2), "%"),
    col = colores_finales, 
    cex = 0.8,            
    border = "black")
par(xpd = TRUE)

# Leyenda del diagrama circular
legend(x = 1.3, y = 1,
       legend = tabla_resumen$Orientacion,
       fill = colores_finales, 
       cex = 0.7,            
       bty = "n",            
       title = "Orientación")

10 Tabla de Conlusiones

# Tabla de conclusiones
tabla_indicadores <- data.frame(
  "Variable" = "Orientación (Aspect)",
  "Rango" = "Puntos Cardinales",
  "X" = "-", "Me" = "-", "Mo" = "Norte (N)", 
  "V" = "-", "Sd" = "-", "Cv" = "-", "As" = "-", "K" = "-", 
  "Valores_Atipicos" = "-")

# Generar Tabla de Conclusiones 
tabla_conclusiones_gt <- tabla_indicadores %>%
  gt() %>%
  tab_header(
    title = md("**CONCLUSIONES**"),
    subtitle = "Análisis de la variable Orientación") %>%
  tab_source_note(
    source_note = "Autor: Martin Sarmiento") %>%
  cols_label(
    Valores_Atipicos = "Valores Atípicos") %>%
  tab_options(column_labels.background.color = "#f0f0f0")

tabla_conclusiones_gt
CONCLUSIONES
Análisis de la variable Orientación
Variable Rango X Me Mo V Sd Cv As K Valores Atípicos
Orientación (Aspect) Puntos Cardinales - - Norte (N) - - - - - -
Autor: Martin Sarmiento