##### UNIVERSIDAD CENTRAL DEL ECUADOR #####
#### AUTOR: LEONARDO RUIZ ####
### CARRERA: INGENIERÍA EN PETROLEOS #####
##1. Carga de Datos
library(readxl)
Datos <- read_xlsx("C:/Users/LEO/Documents/Antisana/weatherdataANTISANA.csv.xlsx")
##2.Extraer la variable continua
Wind <- Datos$Wind
Wind <- as.numeric(Wind)
Wind <- na.omit(Wind)
##3. Cálculo de intervalos (sturges)
R <- max(Wind) - min(Wind)
k <- floor(1 + (3.3 * log10(length(Wind))))
A <- R / k
liminf <- seq(from = min(Wind),
by = A,
length.out = k)
limsup <- liminf + A
limsup[k] <- max(Wind)
MC <- (liminf + limsup) / 2
##4.Tabla de distribución de frecuencias
#4.1 Frecuencia absoluta
ni <- numeric(k)
for (i in 1:k) {
if (i == k) {
ni[i] <- sum(Wind >= liminf[i] & Wind <= limsup[i])
} else {
ni[i] <- sum(Wind >= liminf[i] & Wind < limsup[i])
}
}
#4.2 Frecuencias relativas y acumuladas
hi <- (ni / length(Wind)) * 100
Niasc <- cumsum(ni)
Nidsc <- rev(cumsum(rev(ni)))
Hiasc <- cumsum(hi)
Hidsc <- rev(cumsum(rev(hi)))
#4.3 Tabla de frecuencias
tabla_Wind <- data.frame(
Límite_Inferior = round(liminf, 2),
Límite_Superior = round(limsup, 2),
Marca_Clase = round(MC, 2),
ni = ni,
hi_porc = round(hi, 2),
Ni_asc = Niasc,
Ni_dsc = Nidsc,
Hiasc_porc = round(Hiasc, 2),
Hidsc_porc = round(Hidsc, 2))
# TABLA 1 CON GT()
library(gt)
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(e1071)
tabla_Wind %>%
gt() %>%
tab_header(
title = md("**Tabla 1: Distribución de Frecuencias de Wind**"),
subtitle = md("Antisana | Método Sturges")
) %>%
tab_source_note(
source_note = md("**Antisana**")
) %>%
cols_label(
Límite_Inferior = "L. Inferior",
Límite_Superior = "L. Superior",
Marca_Clase = "Marca Clase",
hi_porc = "hi %",
Ni_asc = "Ni Asc.",
Ni_dsc = "Ni Desc.",
Hiasc_porc = "Hi Asc. %",
Hidsc_porc = "Hi Desc. %"
) %>%
fmt_number(
columns = c(Límite_Inferior, Límite_Superior, Marca_Clase),
decimals = 2
) %>%
fmt_number(
columns = c(hi_porc, Hiasc_porc, Hidsc_porc),
decimals = 2,
pattern = "{x}%"
)
| Tabla 1: Distribución de Frecuencias de Wind |
| Antisana | Método Sturges |
| L. Inferior |
L. Superior |
Marca Clase |
ni |
hi % |
Ni Asc. |
Ni Desc. |
Hi Asc. % |
Hi Desc. % |
| 0.59 |
0.86 |
0.72 |
2 |
0.55% |
2 |
365 |
0.55% |
99.73% |
| 0.86 |
1.12 |
0.99 |
25 |
6.83% |
27 |
363 |
7.38% |
99.18% |
| 1.12 |
1.39 |
1.26 |
58 |
15.85% |
85 |
338 |
23.22% |
92.35% |
| 1.39 |
1.66 |
1.52 |
74 |
20.22% |
159 |
280 |
43.44% |
76.50% |
| 1.66 |
1.92 |
1.79 |
74 |
20.22% |
233 |
206 |
63.66% |
56.28% |
| 1.92 |
2.19 |
2.06 |
59 |
16.12% |
292 |
132 |
79.78% |
36.07% |
| 2.19 |
2.46 |
2.32 |
47 |
12.84% |
339 |
73 |
92.62% |
19.95% |
| 2.46 |
2.72 |
2.59 |
23 |
6.28% |
362 |
26 |
98.91% |
7.10% |
| 2.72 |
2.99 |
2.86 |
3 |
0.82% |
365 |
3 |
99.73% |
0.82% |
| Antisana |
##5. Gráficos
#5.1 Histograma
hist(Wind,
main = "Gráfica No.1: Distribución de Wind",
breaks = seq(min(Wind), max(Wind) + A, by = A),
xlab = "Wind (Velocidad del viento)",
ylab = "Cantidad",
col = "lightblue",
border = "darkblue",
xaxt = "n")
# Eje X personalizado con MARCAS DE CLASE
axis(1, at = MC, # Posiciones: Marcas de Clase
labels = round(MC, 2), # Etiquetas: valores redondeados
las = 1) # Etiquetas horizontales
#5.2 Ojivas
x_asc <- c(min(liminf), limsup)
y_asc <- c(0, Niasc)
x_desc <- c(liminf, max(limsup))
y_desc <- c(Nidsc, 0)
x_range <- range(c(x_asc, x_desc))
y_range <- c(0, max(c(y_asc, y_desc)))
plot(x_asc, y_asc, type = "o", col = "skyblue",
main = "Gráfica No.2: Ojivas Ascendente y Descendente de Wind",
xlab = "Wind (Velocidad del viento)",
ylab = "Frecuencia acumulada",
xlim = x_range, ylim = y_range,
xaxt = "n", pch = 16, lwd = 2)
axis(1, at = pretty(x_range),
labels = format(pretty(x_range), scientific = FALSE))
axis(2, at = pretty(y_range))
lines(x_desc, y_desc, type = "o", col = "steelblue4", pch = 17, lwd = 2)
legend("right",
legend = c("Ojiva Ascendente", "Ojiva Descendente"),
col = c("skyblue", "steelblue4"),
pch = c(16, 17),
lty = 1,
lwd = 2,
cex = 0.8)
#5.3 Diagramas de cajas
boxplot(Wind,
horizontal = TRUE,
col = "steelblue",
main = "Gráfica No.3: Distribución de Wind",
xlab = "Wind (Velocidad del viento)",
xaxt = "n")
axis(1, at = pretty(Wind),
labels = format(pretty(Wind), scientific = FALSE))
# Outliers
outliers <- boxplot.stats(Wind)$out
cat("\nNúmero de outliers:", length(outliers), "\n")
##
## Número de outliers: 0
if(length(outliers) > 0) {
cat("Outliers:", round(outliers, 2), "\n")
}
##6. Indicadores estadísticos
get_mode_interval <- function() {
idx <- which.max(ni)
return(paste0("[", round(liminf[idx], 2), ", ", round(limsup[idx], 2), "]"))
}
media <- mean(Wind)
mediana <- median(Wind)
moda_intervalo <- get_mode_interval()
desv <- sd(Wind)
varianza <- var(Wind)
cv <- (desv / media) * 100
asim <- skewness(Wind)
curt <- kurtosis(Wind)
# CREAR DATA.FRAME DE INDICADORES
indicadores <- data.frame(
Indicador = c("Mínimo", "Máximo", "Media", "Mediana", "Moda (intervalo)",
"Desviación Estándar", "Varianza", "Coef. Variación (%)",
"Asimetría", "Curtosis", "N° Outliers"),
Valor = c(round(min(Wind), 2), round(max(Wind), 2),
round(media, 2), round(mediana, 2), moda_intervalo,
round(desv, 2), round(varianza, 2), round(cv, 2),
round(asim, 2), round(curt, 2), length(outliers))
)
# TABLA 2 CON GT()
indicadores %>%
gt() %>%
tab_header(
title = md("**Tabla 2: Indicadores Estadísticos de Wind**")
) %>%
tab_source_note(
source_note = md("**Antisana**")
) %>%
cols_label(
Indicador = "Indicador",
Valor = "Valor"
) %>%
tab_style(
style = cell_text(weight = "bold"),
locations = cells_body(columns = Indicador)
)
| Tabla 2: Indicadores Estadísticos de Wind |
| Indicador |
Valor |
| Mínimo |
0.59 |
| Máximo |
2.99 |
| Media |
1.77 |
| Mediana |
1.75 |
| Moda (intervalo) |
[1.39, 1.66] |
| Desviación Estándar |
0.46 |
| Varianza |
0.21 |
| Coef. Variación (%) |
25.78 |
| Asimetría |
0.11 |
| Curtosis |
-0.72 |
| N° Outliers |
0 |
| Antisana |
##7. Conclusión
#La variable Wind fluctúa entre 0.59 y 2.99 y sus valores están en torno a los 1.75 (media = 1.77 ), con una desviación estándar de 0.46 siendo un conjunto de valores extremadamente homogénea (CV = 25.78%) cuyos valores se concentran en el intervalo modal [1.39, 1.66] y con distribución platicúrtica (K = -0.72) y sesgo leve o casi simétrico (As = 0.11) y no tiene valores atípicos identificados, por lo tanto el comportamiento de la variable indica un proceso estable con mediciones consistentes en el rango principal, aunque sin presencia significativa de lecturas extremas que requieren análisis particular.