CARGA DE DATOS Y LIBRERIAS
knitr::opts_chunk$set(
echo = TRUE, # Muestra el código R en el reporte final.
message = FALSE,
warning = FALSE, # Message y warning evitan que se impriman alertas o mensajes de carga estorbosos en el HTML.
fig.align = "center" # Centra automáticamente todas las gráficas generadas.
)
datos <- read.csv("C:/Users/USER/Documents/PROYECTO ESTADISTICA/CMDB_Data.csv",
header = TRUE, # Indica que la primera fila contienen los nombres de las variables.
sep = ";", # Define que los puntos y comas es el separador de las columnas del archivo.
dec = ".", # Establece el punto como el operador decimal para los números.
fileEncoding = "latin1")
# Verificación inicial del set de datos
str(datos)
## 'data.frame': 1366 obs. of 103 variables:
## $ ï..LAB_ID : chr "C355417" "C360759" "C360762" "C360763" ...
## $ PREVIOUS_LAB_ID1 : chr "" "" "" "" ...
## $ PREVIOUS_LAB_ID2 : chr "" "" "" "" ...
## $ PREVIOUS_LAB_ID3 : chr "" "" "" "" ...
## $ FIELD_ID : chr "RM0001" "RM0027" "RM0030" "RM0031" ...
## $ JOB_ID : chr "MRP11968" "MRP12307" "MRP12307" "MRP12307" ...
## $ PREVIOUS_JOB_ID1 : chr "" "" "" "" ...
## $ PREVIOUS_JOB_ID2 : chr "" "" "" "" ...
## $ PREVIOUS_JOB_ID3 : chr "" "" "" "" ...
## $ SUBMITTER : chr "Rare Metals Task" "Rare Metals Task" "Rare Metals Task" "Rare Metals Task" ...
## $ PROJECT_NAME : chr "Critical and Rare Metals" "Critical and Rare Metals" "Critical and Rare Metals" "Critical and Rare Metals" ...
## $ DATE_SUBMITTED : chr "30/6/2011" "31/8/2011" "31/8/2011" "31/8/2011" ...
## $ COLLECTION : chr "Mackay-Keck Ore Deposits Collection" "Mackay-Stanford Ore Deposits Collection" "Mackay-Stanford Ore Deposits Collection" "Mackay-Stanford Ore Deposits Collection" ...
## $ COLLECTION_ID : chr "PHNC08_39_1183" "OD21441" "OD22811" "OD25716" ...
## $ CONTINENT : chr "North America" "South America" "South America" "Africa" ...
## $ COUNTRY : chr "United States" "Chile" "Chile" "South Africa" ...
## $ STATE_PROVINCE : chr "Nevada" "Antofagasta" "Tarapacá" "Transvaal" ...
## $ COUNTY : chr "Lyon" "El Loa" "El Tamarugal" "" ...
## $ DISTRICT_NAME : chr "Yerington" "Chuquicamata" "Collahuasi/Quebrada Blanca" "" ...
## $ DEPOSIT_NAME : chr "Pumpkin Hollow" "" "" "" ...
## $ MINE_NAME : chr "Pumpkin Hollow" "Chuquicamata mine" "Collahuasi district" "" ...
## $ DISTRICT_NAME_COLLECT: chr "Yerington" "" "" "" ...
## $ DEPOSIT_NAME_COLLECT : chr "" "" "" "" ...
## $ MINE_NAME_COLLECT : chr "Pumpkin Hollow" "Chuquicamata" "Poduosa mine" "Messina Mines Ltd." ...
## $ LOCATE_DESC : chr "" "" "Level 25" "" ...
## $ LATITUDE : chr "38,94021" "-22,2871" "-21,0309" "-24,7" ...
## $ LONGITUDE : chr "-119,05178" "-68,8991" "-68,74951" "29,3" ...
## $ DATUM : chr "WGS84" "WGS84" "WGS84" "" ...
## $ LATITUDE_COLLECT : chr "38,92492" "22,28944" "" "" ...
## $ LONGITUDE_COLLECT : chr "-119,1071" "-68,90111" "" "" ...
## $ DATUM_COLLECT : chr "" "WGS84" "" "" ...
## $ COORDINATES_QUAL : chr "100 m" "Exact" "" "" ...
## $ COORDINATES_SOURCE : chr "1) iTouchMap.com, approx, A. Orkild-Norton; 2) Mineral Resource Deposit Database Deposit ID 10174173, ore body, M. Granitto" "1) Mindat.org, approx, A. Orkild-Norton; 2) Open-File Report 2017-1079 ID 549, mine, M. Granitto" "1) No coordinates; 2) Mineral Resource Deposit Database Deposit ID 10057511, district, M. Granitto" "1) No coordinates; 2) Google Earth Pro, approx ctr of former province of Transvaal, M. Granitto" ...
## $ PRIMARY_CLASS : chr "rock" "rock" "rock" "rock" ...
## $ SYSTEM_TYPE : chr "IOA-IOCG" "Porphyry Cu-Mo-Au" "Porphyry Cu-Mo-Au" "IOA-IOCG" ...
## $ DEPOSIT_TYPE : chr "IOCG" "Supergene Cu" "Porphyry Cu" "IOCG" ...
## $ SAMPLE_DESC : chr "Nearly solid chalcopyrite mixed with small light brown irregular inclusions of unknown mineralogy; clouds of ma"| __truncated__ "Chalcocite-bronchatite-antlerite(?); highly microfractured igneous rock with green copper sulfates coating microfractures" "Bornite-chalcopyrite; mostly massive chalcopyrite with numerous inclusions of micro-chalcopyrite and widely sca"| __truncated__ "Massive chalcopyrite, IOCG in shear zone; mostly massive fine grain cuprite with widely distributed malachite t"| __truncated__ ...
## $ Al_pct_AES_ST : chr "0,33" "6,65" "0,46" "0,7" ...
## $ Ca_pct_AES_ST : chr "1,1" "0,4" "-0,1" "0,3" ...
## $ Fe_pct_AES_ST : chr "42,4" "0,25" "6,98" "27,8" ...
## $ K_pct_AES_ST : chr "-0,1" "6,1" "0,2" "-0,1" ...
## $ Mg_pct_AES_ST : chr "0,57" "0,1" "0,01" "0,33" ...
## $ Mn_pct_AES_ST : chr "0,02" "-0,01" "-0,01" "-0,01" ...
## $ P_pct_AES_ST : chr "-0,01" "0,01" "0,05" "0,01" ...
## $ S_pct_AES_ST : chr "" "" "" "" ...
## $ Si_pct_AES_ST : chr "" "" "" "" ...
## $ Ti_pct_AES_ST : chr "0,01" "0,11" "-0,01" "-0,01" ...
## $ F_pct_ISE_Fuse : chr "" "" "" "" ...
## $ Ag_ppm_MS_ST : chr "58" "6" "468" "16" ...
## $ As_ppm_MS_ST : chr "-30" "-30" "90" "-30" ...
## $ Au_ppm : chr "" "" "" "" ...
## $ Au_AM : chr "" "" "" "" ...
## $ B_ppm_AES_ST : int NA NA NA NA NA NA NA NA NA NA ...
## $ Ba_ppm_AES_ST : chr "-0,5" "924" "121" "174" ...
## $ Be_ppm_AES_ST : int -5 -5 -5 -5 -5 -5 -5 -5 -5 -5 ...
## $ Bi_ppm_MS_ST : chr "1,5" "3,6" "190" "0,4" ...
## $ Cd_ppm_MS_ST : chr "3,6" "-0,2" "0,9" "-0,2" ...
## $ Ce_ppm_MS_ST : chr "0,4" "8,8" "16,3" "3,5" ...
## $ Co_ppm_MS_ST : chr "209" "-0,5" "1,3" "44,8" ...
## $ Cr_ppm_AES_ST : int -10 -10 -10 30 20 20 60 40 20 10 ...
## $ Cs_ppm_MS_ST : chr "0,5" "1,4" "0,2" "-0,1" ...
## $ Cu_ppm_AES_ST : chr "50000,11111" "23300" "50000,11111" "50000,11111" ...
## $ Dy_ppm_MS_ST : chr "-0,05" "0,32" "1,38" "0,37" ...
## $ Er_ppm_MS_ST : chr "-0,05" "0,22" "0,77" "0,23" ...
## $ Eu_ppm_MS_ST : chr "-0,05" "0,14" "0,17" "0,1" ...
## $ Ga_ppm_MS_ST : chr "5" "15" "6" "3" ...
## $ Gd_ppm_MS_ST : chr "-0,05" "0,45" "1,5" "0,39" ...
## $ Ge_ppm_MS_ST : int -1 5 -1 -1 3 8 8 1 2 2 ...
## $ Hf_ppm_MS_ST : int -1 4 -1 -1 5 13 12 2 3 6 ...
## $ Ho_ppm_MS_ST : chr "-0,05" "0,07" "0,25" "0,07" ...
## $ In_ppm_MS_ST : chr "6,4" "-0,2" "3,7" "0,2" ...
## $ La_ppm_MS_ST : chr "0,2" "4,6" "7,2" "1,7" ...
## $ Li_ppm_AES_ST : int -10 -10 -10 -10 30 20 20 20 -10 20 ...
## $ Lu_ppm_MS_ST : chr "-0,05" "-0,05" "0,08" "-0,05" ...
## $ Mo_ppm_MS_ST : chr "-2" "60" "3" "2" ...
## $ Nb_ppm_MS_ST : chr "-1" "4" "-1" "-1" ...
## $ Nd_ppm_MS_ST : chr "0,2" "3,8" "9,1" "1,7" ...
## $ Ni_ppm_AES_ST : chr "144" "6" "-5" "48" ...
## $ Pb_ppm_MS_ST : chr "23" "16" "188" "39" ...
## $ Pd_ppm_FA_MS : chr "" "" "" "" ...
## $ Pr_ppm_MS_ST : chr "-0,05" "1,09" "2,21" "0,46" ...
## $ Pt_ppm_FA_MS : chr "" "" "" "" ...
## $ Rb_ppm_MS_ST : chr "1,2" "148" "7,1" "0,7" ...
## $ Re_ppm_MS_HF : chr "" "" "" "" ...
## $ Sb_ppm_MS_ST : chr "1,2" "2,4" "2,9" "0,3" ...
## $ Sc_ppm_AES_ST : int -5 -5 -5 -5 11 6 15 10 5 6 ...
## $ Se_ppm_MS_ST : int NA NA NA NA NA NA NA NA NA NA ...
## $ Sm_ppm_MS_ST : chr "-0,1" "0,6" "1,6" "0,4" ...
## $ Sn_ppm_MS_ST : chr "2" "3" "106" "-1" ...
## $ Sr_ppm_AES_ST : chr "26,6" "114" "22,5" "38,4" ...
## $ Ta_ppm_MS_ST : chr "-0,5" "-0,5" "-0,5" "-0,5" ...
## $ Tb_ppm_MS_ST : chr "-0,05" "0,07" "0,23" "-0,05" ...
## $ Te_ppm_MS_ST : chr "" "" "" "" ...
## $ Th_ppm_MS_ST : chr "0,2" "9,7" "2,6" "0,2" ...
## $ Tl_ppm_MS_ST : chr "-0,5" "0,5" "-0,5" "-0,5" ...
## $ Tm_ppm_MS_ST : chr "-0,05" "-0,05" "0,08" "-0,05" ...
## $ U_ppm_MS_ST : chr "0,3" "1,75" "0,63" "34,8" ...
## $ V_ppm_AES_ST : int 51 24 -5 493 68 20 40 159 39 61 ...
## $ W_ppm_MS_ST : chr "-1" "28" "22" "11" ...
## [list output truncated]
ANÁLISIS DE FRECUENCIAS: CONCENTRACIÓN DEL HIERRO (Fe)
#----------------------- PROCESAMIENTO Fe_pct_AES_ST -----------------------
# 1. Limpieza y preparación de la variable (CORREGIDO: Fe con "e" minúscula)
datos$Fe_pct_AES_ST <- suppressWarnings(as.numeric(gsub(",", ".", as.character(datos$Fe_pct_AES_ST))))
# 1.5 Filtrar valores negativos (excluidos del estudio)
# Mantenemos solo los valores >= 0 y los NAs (Sin Datos)
hierro_valido <- datos$Fe_pct_AES_ST[datos$Fe_pct_AES_ST >= 0 | is.na(datos$Fe_pct_AES_ST)]
# 2. Creación de tabla de frecuencias base usando los datos filtrados
TDF_BASE <- as.data.frame(table(hierro_valido, useNA = "always"))
colnames(TDF_BASE) <- c("CATEGORIA", "NUMERO_DE_VECES")
# 3. Separación para ordenamiento lógico
# Separamos NAs, valores numéricos y preparamos la agrupación
df_nas <- TDF_BASE[is.na(TDF_BASE$CATEGORIA), ]
df_nas$CATEGORIA <- "Sin Datos"
df_num <- TDF_BASE[!is.na(TDF_BASE$CATEGORIA), ]
df_num$CATEGORIA <- as.numeric(as.character(df_num$CATEGORIA))
df_num <- df_num[order(df_num$CATEGORIA), ] # Ordenar por valor de concentración (%)
# 4. Agrupación: Top 10 valores más bajos + Otros
if(nrow(df_num) > 10) {
tabla_top <- head(df_num, 10)
sum_otros <- sum(df_num$NUMERO_DE_VECES[11:nrow(df_num)])
fila_otros <- data.frame(CATEGORIA = "OTRAS CONCENTRACIONES", NUMERO_DE_VECES = sum_otros)
cuerpo_tabla <- rbind(tabla_top, fila_otros)
} else {
cuerpo_tabla <- df_num
}
# 5. Ensamblaje final: Sin Datos -> Valores Ordenados -> Total
total_n <- sum(TDF_BASE$NUMERO_DE_VECES)
fila_total <- data.frame(CATEGORIA = "TOTAL", NUMERO_DE_VECES = total_n)
tabla_final <- rbind(df_nas, cuerpo_tabla, fila_total)
#----------------------- GENERAR SALIDA ESTÉTICA -----------------------
library(knitr)
kable(tabla_final,
format = "pandoc",
align = "lc",
caption = "Tabla 1. Distribución de frecuencias para concentraciones de Hierro (Fe_pct_AES_ST)",
col.names = c("Valor Fe (%)", "Número de registros"))
Tabla 1. Distribución de frecuencias para concentraciones de
Hierro (Fe_pct_AES_ST)
| 786 |
Sin Datos |
30 |
| 1 |
0.01 |
1 |
| 2 |
0.02 |
3 |
| 3 |
0.03 |
5 |
| 4 |
0.04 |
5 |
| 5 |
0.05 |
5 |
| 6 |
0.06 |
5 |
| 7 |
0.07 |
4 |
| 8 |
0.08 |
4 |
| 9 |
0.09 |
7 |
| 10 |
0.1 |
3 |
| 11 |
OTRAS CONCENTRACIONES |
1293 |
| 12 |
TOTAL |
1365 |
ANÁLISIS GRÁFICO: HISTOGRAMA DISTRIBUCIÓN DEL HIERRO
#----------------------- PROCESAMIENTO Fe_pct_AES_ST -----------------------
# 1. Conversión de Fe_pct_AES_ST a numérico (blindado contra comas y textos)
datos$Fe_pct_AES_ST <- suppressWarnings(as.numeric(gsub(",", ".", as.character(datos$Fe_pct_AES_ST))))
# Creamos variable de trabajo para las gráficas y FILTRAMOS los negativos
Fe_VAR <- datos$Fe_pct_AES_ST
Fe_VAR <- Fe_VAR[Fe_VAR >= 0 & !is.na(Fe_VAR)] # Mantenemos solo valores >= 0
#----------------------- TABLA DE FRECUENCIAS SIMPLIFICADA -----------------------
# Al ser continua, agrupamos por rangos automáticos (bins) para que la gráfica sea legible
k_simplificado <- 5
# Usamos pretty para obtener cortes redondeados y estéticos
breaks_s <- pretty(Fe_VAR, n = k_simplificado)
HistogramaFe <- hist(Fe_VAR, breaks = breaks_s, plot = FALSE)
# 2. Generación del Histograma
# Mantenemos la lógica original aplicada ahora al Hierro filtrado
hist(Fe_VAR,
breaks = breaks_s,
main = "Gráfica: Distribución de Fe_pct_AES_ST (Simplificada)",
xlab = "Concentración de Fe (%)",
ylab = "Cantidad de muestras",
col = "indianred", # Color rojizo/óxido ajustado para el Hierro
right = FALSE,
ylim = c(0, 800))
ANÁLISIS DESCRIPTIVO Y AGRUPACIÓN EN CLASES (STRUGES) DEL
HIERRO
#------------------------- PREPARACIÓN DE DATOS (Hierro) -------------------------
# Usamos 'datos' (minúsculas) y reemplazamos comas por puntos
datos$Fe_pct_AES_ST <- suppressWarnings(as.numeric(gsub(",", ".", as.character(datos$Fe_pct_AES_ST))))
# Creamos la variable de trabajo HIERRO y FILTRAMOS LOS NEGATIVOS y NAs
HIERRO <- datos$Fe_pct_AES_ST
HIERRO <- HIERRO[HIERRO >= 0 & !is.na(HIERRO)]
#------------------------- ANÁLISIS ESTADÍSTICO -------------------------
# Análisis estadístico aplicado a la variable continua de Hierro
cat("\n=======================================================\n")
##
## =======================================================
cat("ANÁLISIS DE CONCENTRACIÓN (Fe_pct_AES_ST):\n")
## ANÁLISIS DE CONCENTRACIÓN (Fe_pct_AES_ST):
cat("La concentración promedio es: **", round(mean(HIERRO, na.rm = TRUE), 2), " % **\n")
## La concentración promedio es: ** 13.76 % **
cat("La concentración máxima detectada es: **", max(HIERRO, na.rm = TRUE), " % **\n")
## La concentración máxima detectada es: ** 68.6 % **
cat("Total de muestras analizadas: **", sum(!is.na(HIERRO)), " registros **\n")
## Total de muestras analizadas: ** 1335 registros **
cat("=======================================================\n\n")
## =======================================================
#------------------------- TABLA DE FRECUENCIAS - STURGES -------------------------
R <- max(HIERRO, na.rm = TRUE) - min(HIERRO, na.rm = TRUE)
k <- floor(1 + 3.3 * log10(sum(!is.na(HIERRO))))
A <- R / k
liminf <- seq(from = min(HIERRO, na.rm = TRUE), by = A, length.out = k)
limsup <- liminf + A
MC <- (liminf + limsup) / 2
n <- numeric(k)
for (i in 1:k) {
if (i == k) {
n[i] <- sum(HIERRO >= liminf[i] & HIERRO <= limsup[i], na.rm = TRUE)
} else {
n[i] <- sum(HIERRO >= liminf[i] & HIERRO < limsup[i], na.rm = TRUE)
}
}
hi <- n / sum(n) * 100
Ni_asc <- cumsum(n)
Hi_asc <- cumsum(hi)
Ni_desc <- rev(cumsum(rev(n)))
Hi_desc <- rev(cumsum(rev(hi)))
#------------------------- CONSTRUCCIÓN DE LA TABLA -------------------------
TablaFe_Sturges <- data.frame(
Clase = 1:k,
liminf = round(liminf, 3),
limsup = round(limsup, 3),
MC = round(MC, 3),
n = n,
hi = round(hi, 2),
Ni_asc = Ni_asc,
Hi_asc = round(Hi_asc, 2),
Ni_desc = Ni_desc,
Hi_desc = round(Hi_desc, 2)
)
# Creamos la fila de TOTALES
fila_totales <- data.frame(
Clase = "TOTALES",
liminf = NA,
limsup = NA,
MC = NA,
n = sum(n),
hi = sum(hi),
Ni_asc = NA,
Hi_asc = 100,
Ni_desc = NA,
Hi_desc = 100
)
# Unimos la tabla con los totales
TablaFe_Final <- rbind(TablaFe_Sturges, fila_totales)
#------------------------- MOSTRAR TABLA CON TÍTULO -------------------------
library(knitr)
kable(TablaFe_Final,
format = "pandoc",
align = "cccccccccc",
caption = "Tabla 2. Distribución de frecuencias para concentraciones de Hierro (Fe_pct_AES_ST) mediante Regla de Sturges",
col.names = c("Clase", "Linf (%)", "Lsup (%)", "MC (%)", "n", "hi (%)", "Ni(↑)", "Hi(↑)", "Ni(↓)", "Hi(↓)"))
Tabla 2. Distribución de frecuencias para concentraciones de
Hierro (Fe_pct_AES_ST) mediante Regla de Sturges
| 1 |
0.010 |
6.245 |
3.128 |
584 |
43.75 |
584 |
43.75 |
1335 |
100.00 |
| 2 |
6.245 |
12.481 |
9.363 |
228 |
17.08 |
812 |
60.82 |
751 |
56.25 |
| 3 |
12.481 |
18.716 |
15.599 |
145 |
10.86 |
957 |
71.69 |
523 |
39.18 |
| 4 |
18.716 |
24.952 |
21.834 |
97 |
7.27 |
1054 |
78.95 |
378 |
28.31 |
| 5 |
24.952 |
31.187 |
28.070 |
98 |
7.34 |
1152 |
86.29 |
281 |
21.05 |
| 6 |
31.187 |
37.423 |
34.305 |
52 |
3.90 |
1204 |
90.19 |
183 |
13.71 |
| 7 |
37.423 |
43.658 |
40.540 |
53 |
3.97 |
1257 |
94.16 |
131 |
9.81 |
| 8 |
43.658 |
49.894 |
46.776 |
35 |
2.62 |
1292 |
96.78 |
78 |
5.84 |
| 9 |
49.894 |
56.129 |
53.011 |
24 |
1.80 |
1316 |
98.58 |
43 |
3.22 |
| 10 |
56.129 |
62.365 |
59.247 |
11 |
0.82 |
1327 |
99.40 |
19 |
1.42 |
| 11 |
62.365 |
68.600 |
65.482 |
8 |
0.60 |
1335 |
100.00 |
8 |
0.60 |
| TOTALES |
NA |
NA |
NA |
1335 |
100.00 |
NA |
100.00 |
NA |
100.00 |
HISTOGRAMA MEJORADO DE LA VARIABLE
#----------------------- PREPARACIÓN DE DATOS (Hierro) -----------------------
datos$Fe_pct_AES_ST <- suppressWarnings(as.numeric(gsub(",", ".", as.character(datos$Fe_pct_AES_ST))))
HIERRO <- datos$Fe_pct_AES_ST[!is.na(datos$Fe_pct_AES_ST) & datos$Fe_pct_AES_ST >= 0]
#----------------------- INTERVALOS AMPLIADOS PARA AGRUPACIÓN -----------------------
max_real <- max(HIERRO)
# Lógica mejorada: Si los datos llegan muy lejos (como el Fe), agrupamos de 5 en 5.
paso <- ifelse(max_real > 50, 5, ifelse(max_real > 15, 2, 1))
# Calculamos el límite superior garantizando que cubra todos los datos
limite_superior <- ceiling(max_real / paso) * paso
breaks_entero <- seq(0, limite_superior, by = paso)
# Cálculo de la tabla de frecuencias
h_data <- hist(HIERRO, breaks = breaks_entero, plot = FALSE)
MC <- h_data$mids
Ni_asc <- cumsum(h_data$counts)
Ni_desc <- rev(cumsum(rev(h_data$counts)))
#----------------------- 1. HISTOGRAMA AGRUPADO Y LIMPIO -----------------------
# Aumentamos ligeramente el ancho de la figura (fig.width=9) en el chunk
par(mar=c(5, 5, 5, 2))
h_plot <- hist(HIERRO, breaks = breaks_entero,
main = "Distribución del Contenido de Hierro (%)",
xlab = "Contenido de Hierro (%)",
ylab = "Frecuencia (Cantidad)",
col = "indianred", border = "darkred",
xaxt = "n",
las = 1,
ylim = c(0, max(h_data$counts) * 1.15))
# Eje X con los nuevos cortes (de 5 en 5)
axis(1, at = breaks_entero, labels = breaks_entero, font = 2)
# Etiquetas con tamaño ajustado (cex = 0.8) para evitar superposición
text(h_plot$mids, h_plot$counts,
labels = h_plot$counts,
adj = c(0.5, -0.5),
cex = 0.8,
font = 2,
col = "black")
ANÁLISIS VISUAL ACUMULADO: OJIVA ASCENDENTE Y DESCENDENTE
#----------------------- 2. OJIVA INTEGRADA Y PROFESIONAL (Hierro) -----------------------
# Restauramos los márgenes a la normalidad ya que pondremos la leyenda adentro
par(mar=c(5, 5, 4, 2))
plot(MC, Ni_asc,
main = "Gráfica de Ojivas: Análisis de Frecuencias de Hierro",
xlab = "Contenido de Hierro (%)",
ylab = "Frecuencia Acumulada (N muestras)",
type = "b", pch = 19, col = "darkred", lwd = 3,
xaxt = "n", las = 1,
ylim = c(0, max(Ni_asc) * 1.05),
panel.first = grid(nx = NULL, ny = NULL, col = "gray90")) # Rejilla de fondo
# Segunda línea (Descendente)
lines(MC, Ni_desc, type = "b", pch = 17, col = "steelblue", lwd = 3, lty = 2)
# Eje X con los intervalos (usando la variable breaks_entero calculada en el paso anterior)
axis(1, at = breaks_entero, labels = breaks_entero)
# Leyenda reubicada en el espacio vacío del lado derecho para una estética limpia
legend("right",
legend = c("Acumulada Menor que (Ascendente)", "Acumulada Mayor que (Descendente)"),
col = c("darkred", "steelblue"),
lty = c(1, 2),
pch = c(19, 17),
lwd = 2,
title = "Tipo de Ojiva",
bty = "n", # Sin caja de borde para que se fusione con el fondo
cex = 0.85) # Tamaño de letra ajustado
ANÁLISIS VISUAL POR RANGOS DE Fe_pct_AES_ST
#----------------------- PREPARACIÓN DE DATOS (Hierro) -----------------------
datos$Fe_pct_AES_ST <- suppressWarnings(as.numeric(gsub(",", ".", as.character(datos$Fe_pct_AES_ST))))
Fe_VAR <- datos$Fe_pct_AES_ST[!is.na(datos$Fe_pct_AES_ST) & datos$Fe_pct_AES_ST >= 0]
#----------------------- CÁLCULO DE INTERVALOS (STURGES) -----------------------
k <- floor(1 + 3.322 * log10(length(Fe_VAR)))
R_rango <- max(Fe_VAR) - min(Fe_VAR)
A_amplitud <- R_rango / k
breaks_fe <- seq(from = min(Fe_VAR), by = A_amplitud, length.out = k + 1)
h_info <- hist(Fe_VAR, breaks = breaks_fe, plot = FALSE, right = FALSE)
intervalos <- paste0("[", round(h_info$breaks[-length(h_info$breaks)], 2),
" - ", round(h_info$breaks[-1], 2), ")")
colores_hist <- colorRampPalette(c("#ef9a9a", "#b71c1c"))(length(h_info$counts))
#----------------------- HISTOGRAMA Y LEYENDA CORREGIDA -----------------------
# Aumentamos el margen inferior (7) para que los números verticales quepan bien
par(mar=c(7, 5, 5, 12), xpd=TRUE)
hist(Fe_VAR, breaks = breaks_fe,
main = "Gráfica: Distribución de Fe_pct_AES_ST (Regla de Sturges)",
xlab = "", # Quitamos el título general del eje X para que no choque con los números
ylab = "Frecuencia (Cantidad)",
col = colores_hist,
border = "white",
labels = TRUE,
right = FALSE,
las = 1,
xaxt = "n",
ylim = c(0, max(h_info$counts) * 1.15))
# Título del eje X desplazado hacia abajo
mtext("Contenido de Hierro (%)", side = 1, line = 5, font = 1)
# Eje X dinámico: Forzamos la rotación (las = 2) y ajustamos tamaño (cex.axis = 0.8)
axis(1, at = breaks_fe,
labels = round(breaks_fe, 2),
font = 2,
las = 1,
cex.axis = 0.8)
# Leyenda lateral con los intervalos matemáticos
legend("topright", inset=c(-0.25, 0),
legend = intervalos,
fill = colores_hist,
title = "Intervalos (%)",
cex = 0.85, bty = "n")
BOXPLOT: ANÁLISIS DE VALORES ATÍPICOS
#----------------------- PREPARACIÓN DE DATOS (Hierro) -----------------------
# Conversión a numérico y limpieza de valores nulos o en cero
datos$Fe_pct_AES_ST <- suppressWarnings(as.numeric(gsub(",", ".", as.character(datos$Fe_pct_AES_ST))))
Fe_VAR <- datos$Fe_pct_AES_ST[!is.na(datos$Fe_pct_AES_ST) & datos$Fe_pct_AES_ST > 0]
#----------------------- 2. BOXPLOT: ANÁLISIS DE VALORES ATÍPICOS -----------------------
par(mar=c(5, 6, 5, 2), xpd = FALSE)
# Cálculos estadísticos previos
stats_fe <- boxplot.stats(Fe_VAR)
media_fe <- round(mean(Fe_VAR), 2)
mediana_fe <- round(median(Fe_VAR), 2)
n_outliers <- length(stats_fe$out)
# Generación del Boxplot
boxplot(Fe_VAR, horizontal = TRUE, col = "indianred", border = "darkred",
main = "Análisis de Valores Atípicos (Hierro)", xlab = "Concentración de Hierro (%)",
pch = 21,
bg = "red",
outcol = "darkred", # Parámetro correcto para el borde de los atípicos
frame = FALSE)
# Punto de Media y etiquetas de texto mejor ubicadas
points(media_fe, 1,
col = "blue",
pch = 18,
cex = 2)
text(media_fe, 1.25,
labels = paste("Media:", media_fe),
col = "blue",
font = 2,
cex = 0.9)
text(mediana_fe, 0.75,
labels = paste("Mediana:", mediana_fe),
col = "darkred",
font = 2,
cex = 0.9)
# Leyenda
legend("topright",
legend = paste("Atípicos detectados:", n_outliers),
pch = 21,
pt.bg = "red",
bty = "n",
text.col = "darkred",
cex = 0.9)
BOXPLOT: ANÁLISIS DEL CUERPO DE DISTIBUCIÓN
#----------------------- 3. BOXPLOT: DISTRIBUCIÓN LIMPIA (HIERRO) -----------------------
par(mar=c(5, 6, 5, 2))
# Generación del Boxplot sin valores atípicos (outline = FALSE)
boxplot(Fe_VAR,
horizontal = TRUE,
outline = FALSE,
col = "indianred",
border = "darkred",
main = "Distribución del Cuerpo Mineral (Sin Atípicos) - Hierro",
xlab = "Concentración de Hierro (%)",
frame = FALSE)
# Agregar cuadrícula de fondo para facilitar la lectura
grid(nx = NULL,
ny = NA,
col = "gray85",
lty = "dashed")
# Valores sobre la vista limpia (Media en azul y Mediana del color del borde)
points(media_fe, 1,
col = "blue",
pch = 18,
cex = 2)
text(media_fe, 1.25,
labels = paste("Media:", media_fe),
col = "blue",
font = 2,
cex = 0.9)
text(mediana_fe, 0.75,
labels = paste("Mediana:", mediana_fe),
col = "darkred",
font = 2,
cex = 0.9)
RESUMEN DESCRIPTIVO
#----------------------- ANÁLISIS ESTADÍSTICO Fe_pct_AES_ST -----------------------
# 1. Preparación de la variable continua
# Usamos 'datos' (minúsculas) y reemplazamos comas por puntos
datos$Fe_pct_AES_ST <- suppressWarnings(as.numeric(gsub(",", ".", as.character(datos$Fe_pct_AES_ST))))
# 2. Limpieza de valores nulos, en cero o negativos para análisis de Ley
# Se crea Fe_LIMPIA para asegurar que los cálculos no se vean afectados por datos vacíos o anómalos
Fe_LIMPIA <- datos$Fe_pct_AES_ST[!is.na(datos$Fe_pct_AES_ST) & datos$Fe_pct_AES_ST > 0]
# 3. Cálculos estadísticos descriptivos
# Se incluyen medidas de tendencia central, dispersión y forma (Asimetría/Curtosis)
resumen_stats_Fe <- data.frame(
Estadistico = c("Tamaño muestral (n)", "Mínimo", "Máximo", "Media", "Mediana",
"Desviación Estándar", "Coef. Variación (%)", "Asimetría", "Curtosis"),
Valor = c(
length(Fe_LIMPIA),
min(Fe_LIMPIA),
max(Fe_LIMPIA),
mean(Fe_LIMPIA),
median(Fe_LIMPIA),
sd(Fe_LIMPIA),
(sd(Fe_LIMPIA) / mean(Fe_LIMPIA)) * 100,
e1071::skewness(Fe_LIMPIA, type = 2),
e1071::kurtosis(Fe_LIMPIA)
)
)
# 4. Redondeo para presentación en el reporte (2 decimales)
resumen_stats_Fe$Valor <- round(resumen_stats_Fe$Valor, 2)
#----------------------- SALIDA ESTÉTICA -----------------------
library(knitr)
# Usamos kable sin el print() para que se renderice como tabla formal
kable(resumen_stats_Fe,
format = "pandoc",
caption = "Tabla 3. Resumen Estadístico: Contenido de Hierro (%)",
align = "lr")
Tabla 3. Resumen Estadístico: Contenido de Hierro (%)
| Tamaño muestral (n) |
1335.00 |
| Mínimo |
0.01 |
| Máximo |
68.60 |
| Media |
13.76 |
| Mediana |
8.36 |
| Desviación Estándar |
14.69 |
| Coef. Variación (%) |
106.74 |
| Asimetría |
1.30 |
| Curtosis |
1.00 |
CONCLUSIÓN