1. DATOS

library(readr)
datasetf <- read_csv("datasetf.csv")
## Warning: One or more parsing issues, call `problems()` on your data frame for details,
## e.g.:
##   dat <- vroom(...)
##   problems(dat)
## Rows: 2795 Columns: 36
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (18): Accident Date/Time, Operator Name, Pipeline/Facility Name, Pipelin...
## dbl (18): Report Number, Supplemental Number, Accident Year, Operator ID, Ac...
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

2. EXTRAER VARIABLES

data_lineal <- datasetf[, c("Unintentional Release (Barrels)", "Liquid Recovery (Barrels)")]

3. SELECCIONAR DOS VARIABLES

x_lineal <- data_lineal$`Unintentional Release (Barrels)`
y_lineal <- data_lineal$`Liquid Recovery (Barrels)`

4. TABLA DE PARES DE VALORES (ELIMINAR NA)

pares_lineal <- na.omit(data_lineal)
pares_lineal

5. GRÁFICA DE NUBE DE PUNTOS (DATOS ORIGINALES)

plot(x_lineal, y_lineal, 
     main="Nube de Puntos Original",
     xlab="Liberados (X)", ylab="Recuperados (Y)",
     pch=16, col="steelblue")

6. CONJETURAR EL MODELO

Basado en la visualización, planteamos la relación lineal: Y = mx + b Se asume una relación lineal donde la recuperación depende de la magnitud del derrame.

7. CALCULAR PARÁMETROS (PENDIENTE E INTERCEPTO)

modelo_lineal <- lm(y_lineal ~ x_lineal)
cat("Intercepto original:", coef(modelo_lineal)[1], "\n")
## Intercepto original: 32.60681
cat("Pendiente original:", coef(modelo_lineal)[2], "\n")
## Pendiente original: 0.204805

8. GRÁFICO CON LA LÍNEA DEL MODELO

plot(x_lineal, y_lineal, 
     main="Nube de Puntos Original",
     xlab="Liberados (X)", ylab="Recuperados (Y)",
     pch=16, col="steelblue")
abline(modelo_lineal, col = "red", lwd = 2)

9. PEARSON (SI NO APRUEBA, OMITIR OUTLIERS)

r_inicial <- cor(x_lineal, y_lineal, use = "complete.obs")

if(r_inicial < 0.80) {
  print(paste("Pearson inicial insuficiente:", round(r_inicial, 4), ". Eliminando outliers..."))
  
  # Filtrado: Menos de 500 barriles y recuperación > 0
  data_filtrada <- subset(pares_lineal, 
                          `Unintentional Release (Barrels)` < 500 & 
                            `Liquid Recovery (Barrels)` > 0)
  
  # Recalculando con datos limpios
  x_final <- data_filtrada$`Unintentional Release (Barrels)`
  y_final <- data_filtrada$`Liquid Recovery (Barrels)`
  r_final <- cor(x_final, y_final)
  
  print(paste("Nuevo Coeficiente de Pearson (r):", round(r_final, 4)))
} else {
  r_final <- r_inicial
  print("Aprobado con datos originales.")
}
## [1] "Pearson inicial insuficiente: 0.5132 . Eliminando outliers..."
## [1] "Nuevo Coeficiente de Pearson (r): 0.9461"

10. INDICADORES: COEFICIENTE DE DETERMINACIÓN

r_cuadrado_pct <- (r_final^2) * 100

cat("Indicador R^2 final:", round(r_final^2, 4), "\n")
## Indicador R^2 final: 0.8951
cat("Porcentaje de variabilidad explicada:", round(r_cuadrado_pct, 2), "%")
## Porcentaje de variabilidad explicada: 89.51 %