##### UNIVERSIDAD CENTRAL DEL ECUADOR #####
#### AUTOR: Leonardo Ruiz ####
### CARRERA: INGENIERÍA EN PETROLEOS #####
#### VARIABLE RESERVORIO ####
## DATOS ###
# 1. CARGAR DATOS
library(readxl)
datos <- read_excel("C:/Users/LEO/Documents/Producción Campo Sacha.csv.xlsx")
View(datos)
str(datos)
## tibble [8,344 × 31] (S3: tbl_df/tbl/data.frame)
## $ mes : chr [1:8344] "Ene" "Ene" "Ene" "Ene" ...
## $ día : num [1:8344] 1 1 1 1 1 1 1 1 1 1 ...
## $ Pozo : chr [1:8344] "SACHA-001A" "SACHA-019A" "SACHA-052B" "SACHA-083A" ...
## $ Campo : chr [1:8344] "SACHA" "SACHA" "SACHA" "SACHA" ...
## $ Reservorio : chr [1:8344] "U" "U" "U INFERIOR" "HOLLIN INFERIOR" ...
## $ Bpd : num [1:8344] NA 53 249 139 186 136 NA 456 161 164 ...
## $ Bppd_BH : num [1:8344] 159 NA NA NA NA NA 155 NA NA NA ...
## $ Bfpd_BE : num [1:8344] NA 534 346 1158 1163 ...
## $ Bfpd_BH : num [1:8344] 695 NA NA NA NA NA 441 NA NA NA ...
## $ Bapd_BE : num [1:8344] NA 481 97 1019 977 ...
## $ Bapd_BH : num [1:8344] 536 NA NA NA NA NA 286 NA NA NA ...
## $ Bsw_BE : num [1:8344] NA 90.1 28 88 84 ...
## $ Bsw_BH : num [1:8344] 77.1 NA NA NA NA ...
## $ Api_BE : num [1:8344] NA 26.7 27.8 27.7 24 20.5 NA 28.5 29.9 26.3 ...
## $ Api_BH : num [1:8344] 27.8 NA NA NA NA NA 23.2 NA NA NA ...
## $ Gas_BE : num [1:8344] NA 10.76 50.55 1.11 27.9 ...
## $ Gas_BH : num [1:8344] 32.3 NA NA NA NA ...
## $ Salinidad_BE : num [1:8344] NA 15920 30227 1600 13000 ...
## $ Salinidad_BH : num [1:8344] 10800 NA NA NA NA NA 3800 NA NA NA ...
## $ Rgl_BE : num [1:8344] NA 20.15 146.1 0.96 23.99 ...
## $ Rgl_BH : num [1:8344] 46.5 NA NA NA NA ...
## $ Gor_BE : num [1:8344] NA 203.02 203.01 7.99 150 ...
## $ Gor_BH : num [1:8344] 203 NA NA NA NA ...
## $ Horas_BE : num [1:8344] NA 4 5 4 4 10 NA 4 10 10 ...
## $ Horas_BH : num [1:8344] 4 NA NA NA NA NA 4 NA NA NA ...
## $ Bomba_BE : chr [1:8344] NA "SF-320|SF-320|SF-900|SFGH2500/520/180/9259" "RC 1000|RC 1000|RC 1000/300/120/9250" "P23/68/30/7000" ...
## $ Bomba_BH : chr [1:8344] "JET 12K/0//0" NA NA NA ...
## $ Frecuencia Operaciones: num [1:8344] NA 65 62 46 59 52 NA 58.5 57 54 ...
## $ Voltaje : num [1:8344] NA 479 457 364 440 452 NA 475 455 439 ...
## $ Amperaje : num [1:8344] NA 29 35 14 59 30 NA 23 35 34 ...
## $ Presión Intake : num [1:8344] NA 484 406 0 345 162 NA 546 338 0 ...
# 2. EXTRAER bpd
if(!"bpd" %in% colnames(datos)) {
col_bpd <- grep("bpd", colnames(datos), ignore.case = TRUE, value = TRUE)[1]
datos$Bpd <- datos[[col_bpd]]
}
# Extraer variable
Bpd <- datos$Bpd
# Convertir a numérico y eliminar NAs
Bpd <- as.numeric(Bpd)
ValorNulo <- is.na(Bpd)
Bpd <- na.omit(Bpd)
# 3. CALCULAR INTERVALOS (STURGES - Exacto como tu ejemplo)
n <- length(Bpd) # Número de datos
k <- 1 + (3.3 * log10(n)) # Fórmula de Sturges
k <- floor(k) # Redondear hacia abajo
min_val <- min(Bpd) # Mínimo
max_val <- max(Bpd) # Máximo
R <- max_val - min_val # Rango
A <- R / k # Amplitud
# Redondear valores para mejor presentación
A <- round(A, 2)
min_val <- round(min_val, 2)
max_val <- round(max_val, 2)
# 4. CREAR LÍMITES DE INTERVALOS
Li <- round(seq(from = min_val, to = max_val - A, by = A), 4) # Límites inferiores
Ls <- round(seq(from = min_val + A, to = max_val, by = A), 4) # Límites superiores
MC <- round((Li + Ls) / 2, 2) # Marcas de clase
# 5. CALCULAR FRECUENCIAS ABSOLUTAS (ni)
ni <- numeric(length(Li))
for (i in 1:length(Li)) {
if (i < length(Li)) {
ni[i] <- sum(Bpd >= Li[i] & Bpd < Ls[i])
} else {
ni[i] <- sum(Bpd >= Li[i] & Bpd <= max_val)
}
}
# 6. CALCULAR TODAS LAS FRECUENCIAS
hi <- ni / sum(ni) * 100 # Frecuencia relativa porcentual
Niasc <- cumsum(ni) # Frecuencia acumulada ascendente
Nidsc <- rev(cumsum(rev(ni))) # Frecuencia acumulada descendente
Hiasc <- cumsum(hi) # Frecuencia relativa acumulada ascendente
Hidsc <- rev(cumsum(rev(hi))) # Frecuencia relativa acumulada descendente
TDF_Bpd_es <- data.frame(
Li = Li,
Ls = Ls,
MC = MC,
"ni (FA)" = ni,
"hi (FR)" = round(hi, 4),
"Ni (FAAa)" = Niasc,
"Hi (FRAa)" = round(Hiasc, 4),
"Ni (FAAd)" = Nidsc,
"Hi (FRAd)" = round(Hidsc, 4)
)
# 7. MOSTRAR TABLA DE DISTRIBUCIÓN
cat("\n" , rep("=", 80), "\n", sep = "")
##
## ================================================================================
cat("TABLA 1: DISTRIBUCIÓN DE FRECUENCIAS - Bpd \n")
## TABLA 1: DISTRIBUCIÓN DE FRECUENCIAS - Bpd
cat(rep("=", 80), "\n\n", sep = "")
## ================================================================================
print(TDF_Bpd_es)
## Li Ls MC ni..FA. hi..FR. Ni..FAAa. Hi..FRAa. Ni..FAAd.
## 1 2.00 160.15 81.08 2730 35.4315 2730 35.4315 7705
## 2 160.15 318.30 239.23 2659 34.5101 5389 69.9416 4975
## 3 318.30 476.45 397.38 1139 14.7826 6528 84.7242 2316
## 4 476.45 634.60 555.52 530 6.8787 7058 91.6029 1177
## 5 634.60 792.75 713.68 330 4.2829 7388 95.8858 647
## 6 792.75 950.90 871.82 103 1.3368 7491 97.2226 317
## 7 950.90 1109.05 1029.97 53 0.6879 7544 97.9104 214
## 8 1109.05 1267.20 1188.12 62 0.8047 7606 98.7151 161
## 9 1267.20 1425.35 1346.28 43 0.5581 7649 99.2732 99
## 10 1425.35 1583.50 1504.42 18 0.2336 7667 99.5068 56
## 11 1583.50 1741.65 1662.58 13 0.1687 7680 99.6755 38
## 12 1741.65 1899.80 1820.72 11 0.1428 7691 99.8183 25
## 13 1899.80 2057.95 1978.88 14 0.1817 7705 100.0000 14
## Hi..FRAd.
## 1 100.0000
## 2 64.5685
## 3 30.0584
## 4 15.2758
## 5 8.3971
## 6 4.1142
## 7 2.7774
## 8 2.0896
## 9 1.2849
## 10 0.7268
## 11 0.4932
## 12 0.3245
## 13 0.1817
# =============================================================================
# GRÁFICAS CORTAS: LOCAL vs GLOBAL
# =============================================================================
cat("\n" , rep("=", 60), "\n", sep = "")
##
## ============================================================
cat("GRÁFICAS: LOCAL vs GLOBAL\n")
## GRÁFICAS: LOCAL vs GLOBAL
cat(rep("=", 60), "\n")
## = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = =
# 1. PREPARAR
if("Pozo" %in% colnames(datos)) {
pozos <- unique(datos$Pozo)
local_pozos <- pozos[1:min(9, length(pozos))]
Bpd_Local <- na.omit(as.numeric(datos$Bpd[datos$Pozo %in% local_pozos]))
Bpd_global <- Bpd
cat("LOCAL:", length(local_pozos), "pozos,", length(Bpd_Local), "datos\n")
cat("GLOBAL:", length(Bpd), "datos\n\n")
# 2. CREAR 2 GRÁFICAS
par(mfrow = c(1, 2))
# Gráfica LOCAL
hist(Bpd_Local, breaks = 10, col = rgb(0.2,0.4,0.8,0.6), border = "white",
main = paste("LOCAL\n", length(local_pozos), " pozos", sep = ""),
xlab = "Bpd", ylab = "Frecuencia", las = 1)
# Gráfica GLOBAL
hist(Bpd_global, breaks = k, col = rgb(0.8,0.4,0.2,0.6), border = "white",
main = "GLOBAL\nTodos los pozos",
xlab = "Bpd", ylab = "Frecuencia", las = 1)
par(mfrow = c(1, 1))
} else {
cat("Solo GLOBAL (no hay columna Pozo)\n\n")
hist(Bpd, breaks = k, col = "lightblue", border = "white",
main = "Bpd (GLOBAL)", xlab = "Bpd", ylab = "Frecuencia", las = 1)
}
## LOCAL: 9 pozos, 300 datos
## GLOBAL: 7705 datos
# =============================================================================
# GRÁFICA OJIVA ASCENDENTE
# =============================================================================
cat("\n" , rep("=", 60), "\n", sep = "")
##
## ============================================================
cat("OJIVA ASCENDENTE - Bpd (GLOBAL)\n")
## OJIVA ASCENDENTE - Bpd (GLOBAL)
cat(rep("=", 60), "\n\n", sep = "")
## ============================================================
# Crear puntos para la ojiva
puntos_x <- c(Ls) # Los límites superiores
puntos_y <- cumsum(ni) # Frecuencia acumulada
# 1. Configurar márgenes para espacio a la derecha
par(mar = c(5, 4, 4, 8)) # Más espacio a la derecha (8)
# 2. Crear ojiva
plot(puntos_x, puntos_y,
type = "b",
pch = 16,
col = "darkblue",
lwd = 2,
main = "OJIVA ASCENDENTE\ Bpd - GLOBAL",
xlab = "Límite Superior del Intervalo (Bpd)",
ylab = "Frecuencia Acumulada (Ni)",
las = 1,
xlim = c(min_val, max_val),
ylim = c(0, n * 1.05))
# 3. Grid
grid(col = "gray80", lty = "dotted")
# 4. Eje derecho con porcentajes
porcentajes <- c(0, 25, 50, 75, 100)
axis(4,
at = porcentajes/100 * n,
labels = paste0(porcentajes, "%"),
las = 1,
col.axis = "darkred",
cex.axis = 0.9)
mtext("Porcentaje Acumulado", side = 4, line = 3, col = "darkred", cex = 0.9)
# 5. Puntos importantes (50% y 75%)
# 50%
indice_50 <- which.max(Hiasc >= 50)
if(length(indice_50) > 0) {
x50 <- puntos_x[indice_50 + 1]
y50 <- puntos_y[indice_50 + 1]
points(x50, y50, col = "red", pch = 17, cex = 1.3) # Triángulo
segments(x50, 0, x50, y50, col = "red", lty = 2, lwd = 1)
segments(min_val, y50, x50, y50, col = "red", lty = 2, lwd = 1)
}
# 75%
indice_75 <- which.max(Hiasc >= 75)
if(length(indice_75) > 0) {
x75 <- puntos_x[indice_75 + 1]
y75 <- puntos_y[indice_75 + 1]
points(x75, y75, col = "darkgreen", pch = 15, cex = 1.3) # Cuadrado
segments(x75, 0, x75, y75, col = "darkgreen", lty = 2, lwd = 1)
segments(min_val, y75, x75, y75, col = "darkgreen", lty = 2, lwd = 1)
}
# =============================================================================
# DIAGRAMA DE CAJA
# =============================================================================
cat("\n" , rep("=", 60), "\n", sep = "")
##
## ============================================================
cat("4.2 Diagrama de caja\n")
## 4.2 Diagrama de caja
cat(rep("=", 60), "\n\n", sep = "")
## ============================================================
# Exactamente como el ejemplo
boxplot(Bpd,
horizontal = TRUE,
col = "blue",
main = "Gráfica: Distribución de Bpd (Bppd_BE)",
xlab = "Bpd")
cat("ESTADÍSTICAS:\n")
## ESTADÍSTICAS:
s <- boxplot.stats(Bpd)$stats
cat("• Mín:", round(s[1], 2), "Bpd\n")
## • Mín: 2 Bpd
cat("• Q1: ", round(s[2], 2), "Bpd\n")
## • Q1: 132 Bpd
cat("• Med:", round(s[3], 2), "Bpd\n")
## • Med: 218 Bpd
cat("• Q3: ", round(s[4], 2), "Bpd\n")
## • Q3: 363 Bpd
cat("• Máx:", round(s[5], 2), "Bpd\n")
## • Máx: 709 Bpd
# =============================================================================
# 5. INDICADORES ESTADÍSTICOS - Bpd
# =============================================================================
cat("\n" , rep("=", 70), "\n", sep = "")
##
## ======================================================================
cat("5. INDICADORES ESTADÍSTICOS\n")
## 5. INDICADORES ESTADÍSTICOS
cat(rep("=", 70), "\n\n", sep = "")
## ======================================================================
# Cargar librería para asimetría y curtosis
if(!require(e1071)) {
install.packages("e1071")
library(e1071)
}
## Cargando paquete requerido: e1071
# =============================================================================
# 5.1 MEDIDAS DE POSICIÓN
# =============================================================================
cat("5.1 MEDIDAS DE POSICIÓN:\n")
## 5.1 MEDIDAS DE POSICIÓN:
cat("------------------------\n")
## ------------------------
# Media aritmética
x <- mean(Bpd)
cat("Media aritmética (x̄):", round(x, 4), "Bpd\n")
## Media aritmética (x̄): 291.0955 Bpd
# Mediana (de los datos originales)
Me <- median(Bpd)
cat("Mediana (Me): ", round(Me, 4), "Bpd\n")
## Mediana (Me): 218 Bpd
# Mediana de las marcas de clase (opcional)
Me_MC <- median(MC)
cat("Mediana de MC: ", round(Me_MC, 4), "Bpd\n")
## Mediana de MC: 1029.97 Bpd
# Mínimo y máximo
ri <- min(Bpd)
rs <- max(Bpd)
cat("Mínimo (ri): ", round(ri, 4), "Bpd\n")
## Mínimo (ri): 2 Bpd
cat("Máximo (rs): ", round(rs, 4), "Bpd\n")
## Máximo (rs): 2058 Bpd
# Moda (aproximada)
calcular_moda <- function(x) {
freq <- table(round(x, 1)) # Redondear a 1 decimal
moda_val <- as.numeric(names(freq)[which.max(freq)])
return(moda_val)
}
Mo <- calcular_moda(Bpd)
cat("Moda aproximada (Mo): ", round(Mo, 4), "Bpd\n")
## Moda aproximada (Mo): 140 Bpd
# Cuartiles
Q1 <- quantile(Bpd, 0.25)
Q2 <- quantile(Bpd, 0.50) # Igual que mediana
Q3 <- quantile(Bpd, 0.75)
cat("\nCuartiles:\n")
##
## Cuartiles:
cat(" Q1 (25%): ", round(Q1, 4), "Bpd\n")
## Q1 (25%): 132 Bpd
cat(" Q2 (50% - Mediana): ", round(Q2, 4), "Bpd\n")
## Q2 (50% - Mediana): 218 Bpd
cat(" Q3 (75%): ", round(Q3, 4), "Bpd\n")
## Q3 (75%): 363 Bpd
# Percentiles
percentiles <- quantile(Bpd, probs = c(0.10, 0.25, 0.50, 0.75, 0.90, 0.95, 0.99))
cat("\nPercentiles seleccionados:\n")
##
## Percentiles seleccionados:
for(i in 1:length(percentiles)) {
cat(" P", names(percentiles)[i], ": ",
round(percentiles[i], 4), "Bpd\n", sep = "")
}
## P10%: 83Bpd
## P25%: 132Bpd
## P50%: 218Bpd
## P75%: 363Bpd
## P90%: 599Bpd
## P95%: 738.8Bpd
## P99%: 1342.96Bpd
# =============================================================================
# 5.2 MEDIDAS DE DISPERSIÓN
# =============================================================================
cat("\n\n5.2 MEDIDAS DE DISPERSIÓN:\n")
##
##
## 5.2 MEDIDAS DE DISPERSIÓN:
cat("---------------------------\n")
## ---------------------------
# Rango
R <- rs - ri
cat("Rango (R): ", round(R, 4), "Bpd\n")
## Rango (R): 2056 Bpd
# Rango intercuartílico
RIQ <- Q3 - Q1
cat("Rango intercuartílico:", round(RIQ, 4), "Bpd\n")
## Rango intercuartílico: 231 Bpd
# Varianza
varianza <- var(Bpd)
cat("Varianza (s²): ", round(varianza, 4), "\n")
## Varianza (s²): 65780.69
# Desviación estándar
s <- sd(Bpd)
cat("Desviación estándar (s):", round(s, 4), "Bpd\n")
## Desviación estándar (s): 256.4775 Bpd
# Coeficiente de variación
CV <- (s / x) * 100
cat("Coeficiente de variación (CV):", round(CV, 2), "%\n")
## Coeficiente de variación (CV): 88.11 %
# Error estándar de la media
EE <- s / sqrt(n)
cat("Error estándar de la media: ", round(EE, 4), "Bpd\n")
## Error estándar de la media: 2.9219 Bpd
# =============================================================================
# 5.3 MEDIDAS DE FORMA
# =============================================================================
cat("\n\n5.3 MEDIDAS DE FORMA:\n")
##
##
## 5.3 MEDIDAS DE FORMA:
cat("---------------------\n")
## ---------------------
# Coeficiente de asimetría (skewness)
As <- skewness(Bpd)
cat("Coeficiente de asimetría (As):", round(As, 4), "\n")
## Coeficiente de asimetría (As): 2.5049
# Interpretación de asimetría
if(abs(As) < 0.5) {
cat(" Interpretación: Distribución aproximadamente simétrica\n")
} else if(As > 0) {
cat(" Interpretación: Asimetría positiva (cola a la derecha)\n")
} else {
cat(" Interpretación: Asimetría negativa (cola a la izquierda)\n")
}
## Interpretación: Asimetría positiva (cola a la derecha)
# Coeficiente de curtosis (kurtosis)
k <- kurtosis(Bpd)
cat("\nCoeficiente de curtosis (k): ", round(k, 4), "\n")
##
## Coeficiente de curtosis (k): 9.0535
# Curtosis exceso (comparada con normal = 3)
k_exceso <- k - 3
cat("Curtosis exceso (k-3): ", round(k_exceso, 4), "\n")
## Curtosis exceso (k-3): 6.0535
# Interpretación de curtosis
if(abs(k_exceso) < 0.5) {
cat(" Interpretación: Mesocúrtica (similar a normal)\n")
} else if(k_exceso > 0) {
cat(" Interpretación: Leptocúrtica (más picuda que normal)\n")
} else {
cat(" Interpretación: Platicúrtica (más aplanada que normal)\n")
}
## Interpretación: Leptocúrtica (más picuda que normal)
# =============================================================================
# 5.4 RESUMEN EN TABLA
# =============================================================================
cat("\n\n" , rep("-", 70), "\n", sep = "")
##
##
## ----------------------------------------------------------------------
cat("RESUMEN DE INDICADORES ESTADÍSTICOS\n")
## RESUMEN DE INDICADORES ESTADÍSTICOS
cat(rep("-", 70), "\n\n", sep = "")
## ----------------------------------------------------------------------
# Crear tabla resumen
resumen_estadisticas <- data.frame(
"Categoría" = c(
rep("POSICIÓN", 8),
rep("DISPERSIÓN", 6),
rep("FORMA", 3)
),
"Indicador" = c(
"n (tamaño muestra)",
"Media aritmética",
"Mediana",
"Moda aproximada",
"Mínimo",
"Máximo",
"Q1 (25%)",
"Q3 (75%)",
"Rango",
"Rango intercuartílico",
"Varianza",
"Desviación estándar",
"Coeficiente variación",
"Error estándar",
"Asimetría",
"Curtosis",
"Curtosis exceso"
),
"Valor" = c(
n,
round(x, 4),
round(Me, 4),
round(Mo, 4),
round(ri, 4),
round(rs, 4),
round(Q1, 4),
round(Q3, 4),
round(R, 4),
round(RIQ, 4),
round(varianza, 4),
round(s, 4),
paste0(round(CV, 2), "%"),
round(EE, 4),
round(As, 4),
round(k, 4),
round(k_exceso, 4)
),
"Unidad" = c(
"observaciones",
"Bpd",
"Bpd",
"Bpd",
"Bpd",
"Bpd",
"Bpd",
"Bpd",
"Bpd",
"Bpd",
"(Bpd)²",
"Bpd",
"%",
"Bpd",
"adimensional",
"adimensional",
"adimensional"
)
)
print(resumen_estadisticas)
## Categoría Indicador Valor Unidad
## 1 POSICIÓN n (tamaño muestra) 7705 observaciones
## 2 POSICIÓN Media aritmética 291.0955 Bpd
## 3 POSICIÓN Mediana 218 Bpd
## 4 POSICIÓN Moda aproximada 140 Bpd
## 5 POSICIÓN Mínimo 2 Bpd
## 6 POSICIÓN Máximo 2058 Bpd
## 7 POSICIÓN Q1 (25%) 132 Bpd
## 8 POSICIÓN Q3 (75%) 363 Bpd
## 9 DISPERSIÓN Rango 2056 Bpd
## 10 DISPERSIÓN Rango intercuartílico 231 Bpd
## 11 DISPERSIÓN Varianza 65780.6922 (Bpd)²
## 12 DISPERSIÓN Desviación estándar 256.4775 Bpd
## 13 DISPERSIÓN Coeficiente variación 88.11% %
## 14 DISPERSIÓN Error estándar 2.9219 Bpd
## 15 FORMA Asimetría 2.5049 adimensional
## 16 FORMA Curtosis 9.0535 adimensional
## 17 FORMA Curtosis exceso 6.0535 adimensional
# =============================================================================
# 6. TABLA RESUMEN FINAL
# =============================================================================
cat("\n" , rep("=", 70), "\n", sep = "")
##
## ======================================================================
cat("6. TABLA RESUMEN\n")
## 6. TABLA RESUMEN
cat(rep("=", 70), "\n\n", sep = "")
## ======================================================================
# Ya tienes resumen_estadisticas, solo decir que es la tabla resumen
cat("La tabla anterior (Resumen de Indicadores Estadísticos) es la tabla resumen.\n")
## La tabla anterior (Resumen de Indicadores Estadísticos) es la tabla resumen.
cat("Contiene todas las medidas calculadas organizadas por categoría.\n")
## Contiene todas las medidas calculadas organizadas por categoría.
# =============================================================================
# 7. CONCLUSIÓN
# =============================================================================
cat("\n" , rep("=", 70), "\n", sep = "")
##
## ======================================================================
cat("7. CONCLUSIÓN\n")
## 7. CONCLUSIÓN
cat(rep("=", 70), "\n\n", sep = "")
## ======================================================================
cat("ANÁLISIS DE Bpd EN EL CAMPO SACHA:\n\n")
## ANÁLISIS DE Bpd EN EL CAMPO SACHA:
cat("1. El análisis de", n, "observaciones de Bpd muestra:\n")
## 1. El análisis de 7705 observaciones de Bpd muestra:
cat(" • Promedio:", round(x, 1), "Bpd ")
## • Promedio: 291.1 Bpd
# CORRECCIÓN: Todo en una línea o con llaves
if(x < 10) {
cat("Producción Muy Baja")
} else if(x < 22) {
cat("Producción Baja/Media")
} else if(x < 31) {
cat("Producción Media/Alta")
} else {
cat("Producción Excepcional")
}
## Producción Excepcional
cat(")\n")
## )
cat(" • Variabilidad:", round(CV, 1), "% (")
## • Variabilidad: 88.1 % (
# Misma corrección aquí
if(CV > 30) {
cat("Variabilidad Alta")
} else if(CV > 15) {
cat("Variabilidad Moderada")
} else {
cat("Variabilidad Baja")
}
## Variabilidad Alta
cat(")\n")
## )
cat(" • Distribución: ")
## • Distribución:
# Y aquí
if(abs(As) < 0.5) {
cat("Cercana a simétrica")
} else if(As > 0) {
cat("sesgada a la derecha (valores altos)")
} else {
cat("sesgada a la izquierda (valores bajos)")
}
## sesgada a la derecha (valores altos)
cat("\n\n")
cat("2. El análisis estadístico completo proporciona una caracterización\n")
## 2. El análisis estadístico completo proporciona una caracterización
cat(" detallada de la calidad del petróleo en el campo Sacha.\n")
## detallada de la calidad del petróleo en el campo Sacha.
cat("\n✓ Análisis estadístico completado exitosamente\n")
##
## ✓ Análisis estadístico completado exitosamente