Mesa rotatoria
Leonardo Ruiz
2026-03-08
knitr::opts_chunk$set(echo = TRUE)
setwd("C:/Users/LEO/Documents/ESTA")
Datos <- read.csv("tabela_de_pocos_janeiro_2018.csv", header = TRUE, sep = ";" , dec = ".", fileEncoding = "Latin1")
str(Datos)## 'data.frame': 29575 obs. of 1 variable:
## $ ï..POCO.CADASTRO.OPERADOR.POCO_OPERADOR.ESTADO.BACIA.BLOCO.SIG_CAMPO.CAMPO.TERRA_MAR.POCO_POS_ANP.TIPO.CATEGORIA.RECLASSIFICACAO.SITUACAO.INICIO.TERMINO.CONCLUSAO.TITULARIDADE.LATITUDE_BASE_4C.LONGITUDE_BASE_4C.LATITUDE_BASE_DD.LONGITUDE_BASE_DD.DATUM_HORIZONTAL.TIPO_DE_COORDENADA_DE_BASE.DIRECAO.PROFUNDIDADE_VERTICAL_M.PROFUNDIDADE_SONDADOR_M.PROFUNDIDADE_MEDIDA_M.REFERENCIA_DE_PROFUNDIDADE.MESA_ROTATIVA.COTA_ALTIMETRICA_M.LAMINA_D_AGUA_M.DATUM_VERTICAL.UNIDADE_ESTRATIGRAFICA.GEOLOGIA_GRUPO_FINAL.GEOLOGIA_FORMACAO_FINAL.GEOLOGIA_MEMBRO_FINAL.CDPE.AGP.PC.PAG.PERFIS_CONVENCIONAIS.DURANTE_PERFURACAO.PERFIS_DIGITAIS.PERFIS_PROCESSADOS.PERFIS_ESPECIAIS.AMOSTRA_LATERAL.SISMICA.TABELA_TEMPO_PROFUNDIDADE.DADOS_DIRECIONAIS.TESTE_A_CABO.TESTE_DE_FORMACAO.CANHONEIO.TESTEMUNHO.GEOQUIMICA.SIG_SONDA.NOM_SONDA.DHA_ATUALIZACAO: chr "7-RO-123HP-RJS,74281026087,Petrobras,7RO123HPRJS,RJ,Campos,,RO ,RONCADOR,M,S,Explotatório,Desenvolvimento,PR"| __truncated__ "1-BP-7-RJS,74281026107,BP Energy,ANU,RJ,Campos,C-M-473,,,M,S,Exploratório,Pioneiro,PORTADOR DE PETRÃ\u0093LEO,"| __truncated__ "7-ARGO-4H-ESS,34281026170,Shell Brasil,7ARGO4HESS,ES,Campos,,ARGO ,ARGONAUTA,M,S,Explotatório,Desenvolvimento,"| __truncated__ "7-ARGO-5H-ESS,34281026180,Shell Brasil,7ARGO5HESS,ES,Campos,,ARGO ,ARGONAUTA,M,S,Explotatório,Desenvolvimento,"| __truncated__ ...library(readxl)
library(dplyr)
library(gt)
library(e1071)
# Carga de datos
Datos_Brutos <- read_xlsx("C:/Users/LEO/Documents/ESTA/tabela_de_pocos_janeiro_2018.xlsx", sheet = 1)
colnames(Datos_Brutos) <- trimws(colnames(Datos_Brutos))
# Cambio de variable a MESA_ROTATIVA
Datos <- Datos_Brutos %>%
select(any_of(c("POCO", "MESA_ROTATIVA"))) %>%
mutate(Variable_Analisis = as.numeric(gsub(",", ".", as.character(MESA_ROTATIVA))))
Variable <- na.omit(Datos$Variable_Analisis)
# Filtro para valores razonables (0 a 1000 metros)
Variable <- Variable[Variable >= 0 & Variable < 1000]
if(length(Variable) == 0) {
stop("ERROR: No hay datos válidos para la variable seleccionada.")
}
# 2. CÁLCULOS MATEMÁTICOS PARA LA TABLA
N <- length(Variable)
K <- floor(1 + 3.322 * log10(N))
breaks_table <- seq(min(Variable), max(Variable), length.out = K + 1)
# Cálculo de ni usando cut
ni <- as.vector(table(cut(Variable, breaks = breaks_table, include.lowest = TRUE, right = FALSE)))
# Cálculo de vectores estadísticos
hi <- (ni / sum(ni)) * 100
Ni_asc <- cumsum(ni)
Ni_desc <- rev(cumsum(rev(ni)))
Hi_asc <- cumsum(hi)
Hi_desc <- rev(cumsum(rev(hi)))
# Creación de la Tabla de Distribución de Frecuencias (TDF)
TDF_Mesa <- data.frame(
Li = round(breaks_table[1:K], 2),
Ls = round(breaks_table[2:(K+1)], 2),
MC = round((breaks_table[1:K] + breaks_table[2:(K+1)]) / 2, 2),
ni = ni,
hi = round(hi, 2),
Ni_asc = Ni_asc,
Ni_desc = Ni_desc,
Hi_asc = round(Hi_asc, 2),
Hi_desc = round(Hi_desc, 2)
)1 Distribución de Frecuencias
Tabla de distribución de frecuencias para la Cota Altimétrica.
TDF_Mesa %>%
gt() %>%
tab_header(
title = md("**DISTRIBUCIÓN DE FRECUENCIAS: MESA ROTATIVA**"),
subtitle = md("Variable: **MESA_ROTATIVA**")
) %>%
tab_source_note(source_note = "Fuente: Datos ANP 2018") %>%
grand_summary_rows(
columns = c(ni, hi),
fns = list(TOTAL = ~sum(.)),
formatter = fmt_number, decimals = 0
) %>%
cols_label(
Li = "Lím. Inf", Ls = "Lím. Sup", MC = "Marca Clase (Xi)",
ni = "ni", hi = "hi (%)",
Ni_asc = "Ni (Asc)", Ni_desc = "Ni (Desc)",
Hi_asc = "Hi (Asc)", Hi_desc = "Hi (Desc)"
) %>%
cols_align(align = "center", columns = everything()) %>%
tab_style(
style = list(cell_fill(color = "#2E4053"), cell_text(color = "white", weight = "bold")),
locations = list(cells_title(), cells_column_labels())
) %>%
tab_options(
table.border.top.color = "#2E4053",
table.border.bottom.color = "#2E4053",
column_labels.border.bottom.color = "#2E4053",
data_row.padding = px(6)
)## Warning: Since gt v0.9.0, the `formatter` argument (and associated `...`) has been
## deprecated.
## • Please use the `fmt` argument to provide formatting directives.
## This warning is displayed once every 8 hours.| DISTRIBUCIÓN DE FRECUENCIAS: MESA ROTATIVA | |||||||||
| Variable: MESA_ROTATIVA | |||||||||
| Lím. Inf | Lím. Sup | Marca Clase (Xi) | ni | hi (%) | Ni (Asc) | Ni (Desc) | Hi (Asc) | Hi (Desc) | |
|---|---|---|---|---|---|---|---|---|---|
| 0.00 | 66.27 | 33.13 | 20359 | 70.60 | 20359 | 28838 | 70.60 | 100.00 | |
| 66.27 | 132.53 | 99.40 | 6242 | 21.65 | 26601 | 8479 | 92.24 | 29.40 | |
| 132.53 | 198.80 | 165.67 | 1531 | 5.31 | 28132 | 2237 | 97.55 | 7.76 | |
| 198.80 | 265.07 | 231.93 | 403 | 1.40 | 28535 | 706 | 98.95 | 2.45 | |
| 265.07 | 331.33 | 298.20 | 65 | 0.23 | 28600 | 303 | 99.17 | 1.05 | |
| 331.33 | 397.60 | 364.47 | 69 | 0.24 | 28669 | 238 | 99.41 | 0.83 | |
| 397.60 | 463.87 | 430.73 | 22 | 0.08 | 28691 | 169 | 99.49 | 0.59 | |
| 463.87 | 530.13 | 497.00 | 19 | 0.07 | 28710 | 147 | 99.56 | 0.51 | |
| 530.13 | 596.40 | 563.27 | 25 | 0.09 | 28735 | 128 | 99.64 | 0.44 | |
| 596.40 | 662.67 | 629.53 | 21 | 0.07 | 28756 | 103 | 99.72 | 0.36 | |
| 662.67 | 728.93 | 695.80 | 19 | 0.07 | 28775 | 82 | 99.78 | 0.28 | |
| 728.93 | 795.20 | 762.07 | 15 | 0.05 | 28790 | 63 | 99.83 | 0.22 | |
| 795.20 | 861.47 | 828.33 | 27 | 0.09 | 28817 | 48 | 99.93 | 0.17 | |
| 861.47 | 927.73 | 894.60 | 14 | 0.05 | 28831 | 21 | 99.98 | 0.07 | |
| 927.73 | 994.00 | 960.87 | 7 | 0.02 | 28838 | 7 | 100.00 | 0.02 | |
| TOTAL | — | — | — | 28,838 | 100 | — | — | — | — |
| Fuente: Datos ANP 2018 | |||||||||
2 Análisis Gráfico
col_gris_azulado <- "#5D6D7E"
col_ejes <- "#2E4053"
breaks_50 <- seq(0, max(Variable) + 50, by = 50)
h_base <- hist(Variable, breaks = breaks_50, plot = FALSE)2.1 GRÁFICO 1: Histograma Absoluto
par(mar = c(8, 5, 4, 2))
plot(h_base,
main = "Gráfica No.1: Distribución de Mesa Rotativa de Pozos Petroleros de Brasil",
xlab = "Mesa Rotativa (m)", ylab = "Frecuencia Absoluta",
col = col_gris_azulado, border = "white", axes = FALSE,
ylim = c(0, max(h_base$counts) * 1.1),
xlim = c(0, 500))
axis(1, at = seq(0, 500, by = 50), las = 2, cex.axis = 0.7)
axis(2)
grid(nx = NA, ny = NULL, col = "#D7DBDD", lty = "dotted") 
2.2 GRÁFICO 2: Histograma Global
par(mar = c(8, 5, 4, 2))
plot(h_base,
main = "Gráfica N°2: Distribución de Mesa Rotativa de Pozos Petroleros de Brasil",
xlab = "Mesa Rotativa (m)", ylab = "Total Pozos",
col = col_gris_azulado, border = "white", axes = FALSE,
ylim = c(0, sum(h_base$counts)),
xlim = c(0, 500))
axis(1, at = seq(0, 500, by = 50), las = 2, cex.axis = 0.7)
axis(2)
grid(nx = NA, ny = NULL, col = "#D7DBDD", lty = "dotted")
2.3 GRÁFICO 3: Porcentajes (Local)
h_porc <- h_base
h_porc$counts <- (h_porc$counts / sum(h_porc$counts)) * 100
par(mar = c(8, 5, 4, 2))
plot(h_porc,
main = "Gráfica N°3: Distribución Porcentual de Mesa Rotativa de Pozos Petroleros de Brasil",
xlab = "Mesa Rotativa (m)", ylab = "Porcentaje (%)",
col = col_gris_azulado, border = "white", axes = FALSE, freq = TRUE,
ylim = c(0, max(h_porc$counts)*1.2),
xlim = c(0, 500))
axis(1, at = seq(0, 500, by = 50), las = 2, cex.axis = 0.7)
axis(2)
text(x = h_base$mids[h_base$mids <= 500],
y = h_porc$counts[h_base$mids <= 500],
label = paste0(round(h_porc$counts[h_base$mids <= 500], 1), "%"),
pos = 3, cex = 0.6, col = col_ejes)
2.4 GRÁFICO 4: Global Porcentual
par(mar = c(8, 5, 4, 2))
plot(h_porc,
main = "Gráfica No.4: Distribución Porcentual de Mesa Rotativa de Pozos Petroleros de Brasil",
xlab = "Mesa Rotativa (m)", ylab = "% del Total",
col = col_gris_azulado, border = "white", axes = FALSE, freq = TRUE,
ylim = c(0, 100),
xlim = c(0, 500))
axis(1, at = seq(0, 500, by = 50), las = 2, cex.axis = 0.7)
axis(2)
text(x = h_base$mids[h_base$mids <= 500],
y = h_porc$counts[h_base$mids <= 500],
label = paste0(round(h_porc$counts[h_base$mids <= 500], 1), "%"),
pos = 3, cex = 0.6, col = col_ejes)
3 Diagrama de Caja y Ojivas
3.1 GRÁFICO 5: Boxplot
col_gris_azulado <- "#5D6D7E"
col_acento <- "#C0392B"
par(mar = c(8, 5, 4, 2))
boxplot(Variable, horizontal = TRUE, col = col_gris_azulado,
main = "Gráfica No.5: Diagrama de Caja (Mesa Rotativa)",
xlab = "Mesa Rotativa (m)", outline = TRUE, outpch = 19,
outcol = col_acento, axes = FALSE, xlim = c(0.7, 1.3),
ylim = c(0, 200))
axis(1, at = seq(0, 200, by = 25), las = 2, cex.axis = 0.7)
box()
3.2 GRÁFICO 6: Ojivas
col_azul_oscuro <- "#2E4053"
col_rojo_fuerte <- "#C0392B"
par(mar = c(8, 5, 4, 8), xpd = TRUE)
x_vals_ojiva <- breaks_table
plot(x_vals_ojiva, c(0, Ni_asc), type = "o", col = col_azul_oscuro,
lwd=2, pch=19, axes=F,
main = "Gráfica No.6: Ojivas Ascendente y Descendente (Mesa Rotativa)",
xlab = "Mesa Rotativa (m)", ylab = "Frecuencia acumulada")
lines(x_vals_ojiva, c(Ni_desc, 0), type = "o", col = col_rojo_fuerte,
lwd=2, pch=19)
axis(1, at = seq(0, max(breaks_table), by = 50), las = 2, cex.axis = 0.6)
axis(2)
legend("right", legend = c("Ascendente", "Descendente"),
col = c(col_azul_oscuro, col_rojo_fuerte),
lty = 1, pch = 19, cex = 0.7, lwd=2,
inset = c(-0.15, 0), bty="n")
grid()
4 Resumen Estadístico
media_val <- mean(Variable)
mediana_val <- median(Variable)
sd_val <- sd(Variable)
status_atipicos <- if(length(boxplot.stats(Variable)$out) > 0) {
paste0(length(boxplot.stats(Variable)$out), " [", round(min(boxplot.stats(Variable)$out), 2), "; ", round(max(boxplot.stats(Variable)$out), 2), "]")
} else { "0 (Sin atípicos)" }
df_resumen <- data.frame(
Variable = "Mesa Rotativa (m)",
Rango = paste0("[", round(min(Variable), 2), "; ", round(max(Variable), 2), "]"),
Media = media_val,
Mediana = mediana_val,
Moda = paste(round(TDF_Mesa$MC[TDF_Mesa$ni == max(TDF_Mesa$ni)], 2), collapse = ", "),
Varianza = var(Variable),
Desv_Std = sd_val,
CV_Porc = (sd_val / abs(media_val)) * 100,
Asimetria = skewness(Variable, type = 2),
Curtosis = kurtosis(Variable, type = 2),
Atipicos = status_atipicos
)
df_resumen %>%
gt() %>%
tab_header(title = md("**CONCLUSIONES Y ESTADÍSTICOS**"), subtitle = "Variable: MESA_ROTATIVA") %>%
fmt_number(columns = c(Media, Mediana, Varianza, Desv_Std, CV_Porc, Curtosis), decimals = 2) %>%
fmt_number(columns = Asimetria, decimals = 4) %>%
tab_options(column_labels.background.color = "#2E4053") %>%
tab_style(style = list(cell_text(weight = "bold", color = "white")), locations = cells_column_labels())| CONCLUSIONES Y ESTADÍSTICOS | ||||||||||
| Variable: MESA_ROTATIVA | ||||||||||
| Variable | Rango | Media | Mediana | Moda | Varianza | Desv_Std | CV_Porc | Asimetria | Curtosis | Atipicos |
|---|---|---|---|---|---|---|---|---|---|---|
| Mesa Rotativa (m) | [0; 994] | 56.16 | 32.00 | 33.13 | 4,829.68 | 69.50 | 123.76 | 5.4490 | 49.24 | 1269 [164.79; 994] |
5 Conclusiones
min_txt <- format(min(Variable), scientific = FALSE)
max_txt <- format(max(Variable), scientific = FALSE)
asimetria_val <- skewness(Variable, type = 2)
centro_valor <- format(round(if(abs(asimetria_val) > 0.5) median(Variable) else mean(Variable), 2), scientific = FALSE)
cv_calc <- (sd(Variable) / abs(mean(Variable))) * 100
tipo_homogeneidad <- if(cv_calc > 30) "heterogénea" else "homogénea"
donde_se_concentra <- if(asimetria_val > 0) "valores bajos" else "valores altos"
juicio_operativo <- if(median(Variable) < 300) "dentro del estándar operacional" else "requiere equipos de mayor capacidad"
cat(paste0(
"## Análisis de Mesa Rotativa\n\n",
"La variable **Mesa Rotativa** oscila entre **", min_txt, "** y **", max_txt, "** metros. ",
"El centro de la distribución se localiza en **", centro_valor, "** metros. ",
"La muestra se define como una variable **", tipo_homogeneidad, "** (CV: ", round(cv_calc, 2), "%), ",
"presentando una mayor densidad en los **", donde_se_concentra, "** de la escala. ",
"Desde el punto de vista de ingeniería, estos valores se consideran **", juicio_operativo, "** para las operaciones de perforación."
))5.1 Análisis de Mesa Rotativa
La variable Mesa Rotativa oscila entre 0 y 994 metros. El centro de la distribución se localiza en 32 metros. La muestra se define como una variable heterogénea (CV: 123.76%), presentando una mayor densidad en los valores bajos de la escala. Desde el punto de vista de ingeniería, estos valores se consideran dentro del estándar operacional para las operaciones de perforación.