Variable Cualitativa Nominal: Tipo de Tubería
Variable Original: Pipeline Type
Brandon
1 Cargar Librerias
La preparación del entorno y la importación de paquetes
especializados son pasos esenciales para el análisis. Herramientas como
dplyr facilitan la gestión ágil de los datos, mientras que
knitr y kableExtra aseguran que la
presentación de resultados y tablas cumpla con el rigor visual requerido
en reportes de ingeniería.
# Cargar librerías necesarias
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, unionlibrary(knitr)
library(kableExtra)##
## Adjuntando el paquete: 'kableExtra'## The following object is masked from 'package:dplyr':
##
## group_rowslibrary(ggplot2)2 Cargar datos
El estudio estadístico inicia con la carga de los registros históricos del archivo principal (database-1.csv). Este procedimiento preserva la estructura de la base de datos original, permitiendo la correcta asimilación de las variables operativas. Mantener la nomenclatura nativa es clave para asegurar la trazabilidad de los incidentes en la red.
datos <- read.csv("database-_1_.csv", header = TRUE, sep = ",", dec = ".", check.names = FALSE)
names(datos)## [1] "Report Number"
## [2] "Supplemental Number"
## [3] "Accident Year"
## [4] "Accident Date/Time"
## [5] "Operator ID"
## [6] "Operator Name"
## [7] "Pipeline/Facility Name"
## [8] "Pipeline Location"
## [9] "Pipeline Type"
## [10] "Liquid Type"
## [11] "Liquid Subtype"
## [12] "Liquid Name"
## [13] "Accident City"
## [14] "Accident County"
## [15] "Accident State"
## [16] "Accident Latitude"
## [17] "Accident Longitude"
## [18] "Cause Category"
## [19] "Cause Subcategory"
## [20] "Unintentional Release (Barrels)"
## [21] "Intentional Release (Barrels)"
## [22] "Liquid Recovery (Barrels)"
## [23] "Net Loss (Barrels)"
## [24] "Liquid Ignition"
## [25] "Liquid Explosion"
## [26] "Pipeline Shutdown"
## [27] "Shutdown Date/Time"
## [28] "Restart Date/Time"
## [29] "Public Evacuations"
## [30] "Property Damage Costs"
## [31] "Lost Commodity Costs"
## [32] "Public/Private Property Damage Costs"
## [33] "Emergency Response Costs"
## [34] "Environmental Remediation Costs"
## [35] "Other Costs"
## [36] "All Costs"3 Extrae la variable
Para enfocar la evaluación, es necesario aislar métricas específicas del sistema. En esta fase se extrae la variable del tipo de infraestructura (Pipeline Type). Este paso metodológico es vital, pues permite clasificar los incidentes según las características físicas de la línea de transporte, asegurando un diagnóstico preciso sobre qué instalaciones presentan mayor vulnerabilidad.
zona <- datos$`Pipeline Type`4 Conteo
El cálculo de frecuencias absolutas convierte los datos crudos en métricas interpretables. Mediante esta tabulación estadística, se cuantifica la recurrencia de derrames según el tipo de ducto afectado. Consolidar esta información proporciona una base numérica sólida para identificar patrones de riesgo y proponer mejoras directas en la gestión operativa de la infraestructura.
conteo_zona <- table(zona)
print(conteo_zona)## zona
## ABOVEGROUND TANK TRANSITION AREA UNDERGROUND
## 18 1475 301 16 9855 Tabla de frecuencia
A continuación, se presenta el procesamiento de datos para la variable Pipeline Type. Se detalla el código utilizado en R para la importación del archivo CSV y la posterior generación de la tabla de frecuencias, con el fin de analizar la incidencia de siniestros según el tipo de infraestructura.
library(dplyr)
library(knitr)
library(kableExtra)
TDF_tuberia <- datos %>%
mutate(`Pipeline Type` = case_when(
`Pipeline Type` == "ABOVEGROUND" ~ "Superficial",
`Pipeline Type` == "UNDERGROUND" ~ "Subterráneo",
`Pipeline Type` == "TANK" ~ "Tanque",
`Pipeline Type` == "TRANSITION AREA" ~ "Área de Transición",
is.na(`Pipeline Type`) | `Pipeline Type` == "" ~ "No especificado",
TRUE ~ "Otro"
)) %>%
count(`Pipeline Type`, name = "ni") %>%
arrange(desc(ni))
TDF_tuberia$hi_exacto <- (TDF_tuberia$ni / sum(TDF_tuberia$ni)) * 100
TDF_tuberia$DECIMAL_exacto <- TDF_tuberia$hi_exacto / 100
TDF_tuberia$hi <- round(TDF_tuberia$hi_exacto, 2)
TDF_tuberia$DECIMAL <- round(TDF_tuberia$DECIMAL_exacto, 3)
dif_hi <- 100 - sum(TDF_tuberia$hi)
dif_dec <- 1 - sum(TDF_tuberia$DECIMAL)
idx_max <- which.max(TDF_tuberia$ni)
TDF_tuberia$hi[idx_max] <- TDF_tuberia$hi[idx_max] + dif_hi
TDF_tuberia$DECIMAL[idx_max] <- TDF_tuberia$DECIMAL[idx_max] + dif_dec
Sumatoria <- data.frame(
`Pipeline Type` = "Total",
ni = sum(TDF_tuberia$ni),
hi = sum(TDF_tuberia$hi),
DECIMAL = sum(TDF_tuberia$DECIMAL),
check.names = FALSE
)
TDF_final <- rbind(TDF_tuberia[, c("Pipeline Type", "ni", "hi", "DECIMAL")], Sumatoria)
colnames(TDF_final) <- c("Tipo de tubería", "ni", "hi (%)", "fi")
titulo_formal <- "CUADRO N° [1] <br/> Distribucion de frecuencias segun el tipo de tuberia en accidentes de oleoductos de Estados Unidos, [2010 - 2016]"
kable(TDF_final, align = 'c', digits = c(0, 0, 2, 3)) %>%
kable_styling(full_width = FALSE, position = "center",
bootstrap_options = c("striped", "hover", "condensed", "bordered")) %>%
add_header_above(c(" " = 2, "Frecuencia relativa" = 2),
bold = c(FALSE, TRUE),
background = c("white", "#D5D8DC")) %>%
add_header_above(setNames(4, titulo_formal), align = "center", escape = FALSE, bold = FALSE, background = "white") %>%
row_spec(0, bold = TRUE) %>%
row_spec(nrow(TDF_final), bold = TRUE, background = "#f2f2f2") %>%
row_spec(1, bold = TRUE) | Tipo de tubería | ni | hi (%) | fi |
|---|---|---|---|
| Superficial | 1475 | 52.78 | 0.528 |
| Subterráneo | 985 | 35.24 | 0.352 |
| Tanque | 301 | 10.77 | 0.108 |
| No especificado | 18 | 0.64 | 0.006 |
| Área de Transición | 16 | 0.57 | 0.006 |
| Total | 2795 | 100.00 | 1.000 |
AVISO IMPORANTE! La diferencia entre los 2,795 siniestros totales de la base de datos y los 2,777 reportados en el análisis se debe a que existen 18 registros que no contienen información (valores nulos o vacíos) en la variable “Pipeline Type”. Para asegurar la precisión del estudio estadístico, el código en R aplicó un filtro de limpieza que excluye automáticamente estos datos faltantes, garantizando que el análisis de frecuencias, los porcentajes y los gráficos reflejen únicamente los incidentes donde el tipo de infraestructura está válidamente documentado.
6 Gráficas
6.1 Cantidad absoluta de tipo de tubería
A continuación, se presenta un gráfico de barras que ilustra la distribución absoluta de los distintos tipos de tuberías implicados en accidentes. Esta representación visual permite apreciar de forma rápida e intuitiva cuáles son las infraestructuras con mayor incidencia, destacando la diferencia entre los sistemas expuestos al exterior y los enterrados
ggplot(TDF_tuberia, aes(x = reorder(`Pipeline Type`, -ni), y = ni)) +
geom_bar(stat = "identity", fill = "#2980b9") +
labs(title = "Gráfica N 1: Distribución Absoluta global de tipo de tubería",
x = "Tipo de Tubería",
y = "Cantidad") +
theme_minimal() +
# Inclinamos los textos del eje X para que se lean bien
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
ylim(0, max(TDF_tuberia$ni) * 1.1)
6.2 Cantidad absoluta de tipo de tubería
El siguiente gráfico mantiene el análisis de frecuencias absolutas enfocado en el volumen de siniestros por cada clasificación específica de infraestructura.
ggplot(TDF_tuberia, aes(x = reorder(`Pipeline Type`, -ni), y = ni)) +
geom_bar(stat = "identity", fill = "#2980b9") +
labs(title = "Gráfica N 2: Distribución Absoluta local de tipo de tubería",
x = "Tipo de Tubería",
y = "Cantidad") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
ylim(0, max(TDF_tuberia$ni) * 1.1)
6.3 Cantidad Relativa de tipo de tubería
A través de la gráfica de incidencia relativa, se estandariza el volumen de siniestros expresando cada tipo de tubería como una proporción del total. Esta métrica porcentual es fundamental para evaluar probabilísticamente el peso específico de cada infraestructura frente al universo completo de datos observados.
# Convertimos 'hi' a numérico para graficar correctamente
TDF_tuberia <- TDF_tuberia %>% mutate(hi_num = as.numeric(hi))
ggplot(TDF_tuberia, aes(x = reorder(`Pipeline Type`, -hi_num), y = hi_num)) +
geom_bar(stat = "identity", fill = "#2980b9") +
labs(title = "Gráfica N 3: Distribución Relativa global de tipo de tubería",
x = "Tipo de Tubería",
y = "Porcentaje (hi %)") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
ylim(0, 100)
6.4 Cantidad Relativa de tipo de tubería
Al enfocar el análisis porcentual ajustando los ejes a la incidencia real de la muestra, observamos con mayor detalle la distribución de probabilidad de fallo de cada tipo de conducto. Esta visualización facilita enfocar la atención en el análisis de riesgos.
# Usamos TDF_tuberia
ggplot(TDF_tuberia, aes(x = reorder(`Pipeline Type`, -hi_num), y = hi_num)) +
geom_bar(stat = "identity", fill = "#2980b9") +
labs(title = "Gráfica N 4: Distribución Relativa local de tipo de tubería",
x = "Tipo de Tubería",
y = "Porcentaje (%)") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
ylim(0, max(TDF_tuberia$hi_num) * 1.1)
6.5 Diagrama circular
El siguiente diagrama circular muestra la composición porcentual de la siniestralidad, permitiendo visualizar de un vistazo qué tipos de tuberías o infraestructuras concentran la mayor proporción de los incidentes.
ggplot(TDF_tuberia, aes(x = "", y = hi_num, fill = `Pipeline Type`)) +
geom_bar(stat = "identity", width = 1, color = "white") +
coord_polar("y", start = 0) +
geom_text(aes(label = paste0(hi, "%")), position = position_stack(vjust = 0.5), size = 4) +
scale_fill_brewer(palette = "Blues") +
labs(title = "Gráfica N 5: Distribución de tipos de tubería") +
theme_void() +
theme(legend.position = "right",
legend.title = element_blank(),
plot.title = element_text(hjust = 0.5, face = "bold"),
plot.subtitle = element_text(hjust = 0.5))
7 Indicadores Estadísticos
Dado el carácter nominal de la variable analizada, el estudio de tendencia central no admite promedios ni desviaciones estándar, por lo que se fundamenta estrictamente en el análisis de frecuencias y la Moda estadística. A continuación, se presentan los indicadores descriptivos que cuantifican el tamaño de la muestra y determinan el tipo de instalación con mayor probabilidad de siniestro.
# Cargar librerías necesarias
library(dplyr)
library(knitr)
# library(kableExtra) # Ya no es estrictamente necesario para el formato básico, pero puedes dejarlo
# 1. Cálculos de los indicadores (tu código original)
total_accidentes <- sum(TDF_tuberia$ni)
idx_max <- which.max(TDF_tuberia$ni)
moda_cat <- as.character(TDF_tuberia$`Pipeline Type`[idx_max])
moda_frec <- TDF_tuberia$ni[idx_max]
moda_porcentaje <- TDF_tuberia$hi[idx_max]
# 2. Crear el Data Frame con la estructura de la imagen
tabla_indicadores_tuberia <- data.frame(
Variable = "Tipo de Tubería", # O "Pipeline Type"
Media = "N/A",
Mediana = "N/A",
Moda = moda_cat
)
# 3. Generar la tabla con el formato formal para el reporte
kable(tabla_indicadores_tuberia,
caption = "Tabla 9: Indicadores Estadísticos del Tipo de Tubería", # Ajusta el número de tabla
align = c("l", "c", "c", "c"))| Variable | Media | Mediana | Moda |
|---|---|---|---|
| Tipo de Tubería | N/A | N/A | Superficial |
8 Conclusión
La variable nominal Tipo de Tubería tiene como valor más frecuente el estado ‘Superficial’ (moda), abarcando el 52.77% de los registros de Tipo de Tubería.