Análisis Estadístico por Variables Cuantitativas Al_pct_AES_ST
Grupo 1
2026-23-05
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]Se cargaron los datos de todas las variables
ANÁLISIS DE FRECUENCIAS: CONCENTRACIÓN DE ALUMINIO (Al)
library(dplyr)
library(gt)
#----------------------- PROCESAMIENTO Al_pct_AES_ST -----------------------
# 1. Limpieza y preparación de la variable
datos$Al_pct_AES_ST <- suppressWarnings(as.numeric(gsub(",", ".", as.character(datos$Al_pct_AES_ST))))
# Separar registros con concentraciones válidas de los nulos/negativos
al_numerico <- datos$Al_pct_AES_ST[datos$Al_pct_AES_ST >= 0 & !is.na(datos$Al_pct_AES_ST)]
n_sin_datos <- sum(is.na(datos$Al_pct_AES_ST) | datos$Al_pct_AES_ST < 0)
# 2. Tabla de Frecuencias de los valores geoquímicos reales
TDF_VALIDOS <- as.data.frame(table(al_numerico), stringsAsFactors = FALSE)
colnames(TDF_VALIDOS) <- c("CATEGORIA", "ni")
# Convertir categoría a numérico para ordenar de menor a mayor concentración (%)
TDF_VALIDOS$CATEGORIA <- as.numeric(TDF_VALIDOS$CATEGORIA)
TDF_VALIDOS <- TDF_VALIDOS[order(TDF_VALIDOS$CATEGORIA), ]
# Definición de horizontes cuantitativos
total_variable <- sum(TDF_VALIDOS$ni) # Total de muestras con datos de Al
total_general <- total_variable + n_sin_datos # Total absoluto de la matriz
# 3. Agrupación: Top 10 valores de concentración más bajos + Otros
if(nrow(TDF_VALIDOS) > 10) {
tabla_top <- head(TDF_VALIDOS, 10)
sum_otros <- sum(TDF_VALIDOS$ni[11:nrow(TDF_VALIDOS)])
fila_otros <- data.frame(CATEGORIA = "Otras Concentraciones", ni = sum_otros)
tabla_final_base <- rbind(tabla_top, fila_otros)
} else {
tabla_final_base <- TDF_VALIDOS
}
# Convertir CATEGORIA a carácter para permitir la unión de las filas de totales
tabla_final_base$CATEGORIA <- as.character(tabla_final_base$CATEGORIA)
# 4. Calcular frecuencias (hi) escaladas a 100 respecto al total general
tabla_final_base$hi <- round((tabla_final_base$ni / total_general) * 100, 4)
# 5. FILA DEL TOTAL EXCLUSIVO DE LA VARIABLE (Muestras con lecturas de Al)
fila_total_var <- data.frame(
CATEGORIA = "TOTAL VARIABLE (Al)",
ni = total_variable,
hi = round((total_variable / total_general) * 100, 4)
)
# 6. FILA DE CONTRASTE: REGISTROS SIN INFORMACIÓN ANALÍTICA
fila_sin_datos <- data.frame(
CATEGORIA = "Sin Datos",
ni = n_sin_datos,
hi = round((n_sin_datos / total_general) * 100, 4)
)
# 7. FILA DEL TOTAL GENERAL DEL PROYECTO
fila_total_general <- data.frame(
CATEGORIA = "TOTAL GENERAL",
ni = total_general,
hi = 100 # Forzado para cierre perfecto de balance estadístico
)
# Consolidar toda la matriz de datos en orden lógico estructurado
tabla_final <- rbind(tabla_final_base, fila_total_var, fila_sin_datos, fila_total_general)
colnames(tabla_final) <- c("Valor Al (%)", "ni", "hi")
#----------------------- GENERAR SALIDA ESTÉTICA CON 'gt' -----------------------
tabla_al_completa_gt <- tabla_final %>%
gt() %>%
tab_header(
title = md("**Tabla N° 1**"),
subtitle = md("Distribución de frecuencias para concentraciones de Aluminio (Al)")
) %>%
tab_source_note(
source_note = md("Autores: Grupo 1 <br> Semestre 2026 - 2026")
) %>%
tab_options(
table.border.top.color = "black",
table.border.bottom.color = "black",
heading.border.bottom.color = "black",
heading.border.bottom.width = px(2),
column_labels.border.top.color = "black",
column_labels.border.bottom.color = "black",
column_labels.border.bottom.width = px(2),
table_body.hlines.color = "gray",
table_body.border.bottom.color = "black",
row.striping.include_table_body = TRUE
)
# Renderizar la tabla en el documento
tabla_al_completa_gt| Tabla N° 1 | ||
| Distribución de frecuencias para concentraciones de Aluminio (Al) | ||
| Valor Al (%) | ni | hi |
|---|---|---|
| 0.01 | 14 | 1.0249 |
| 0.02 | 28 | 2.0498 |
| 0.03 | 19 | 1.3909 |
| 0.04 | 22 | 1.6105 |
| 0.05 | 16 | 1.1713 |
| 0.06 | 17 | 1.2445 |
| 0.07 | 17 | 1.2445 |
| 0.08 | 18 | 1.3177 |
| 0.09 | 14 | 1.0249 |
| 0.1 | 18 | 1.3177 |
| Otras Concentraciones | 1131 | 82.7965 |
| TOTAL VARIABLE (Al) | 1314 | 96.1933 |
| Sin Datos | 52 | 3.8067 |
| TOTAL GENERAL | 1366 | 100.0000 |
| Autores: Grupo 1 Semestre 2026 - 2026 |
||
POLÍGONO DE FRECUENCIA
#----------------------- PROCESAMIENTO AUTOMÁTICO AL_PCT_AES_ST -----------------------
# 1. Conversión de la variable a numérico y limpieza de datos (1314 registros)
datos$Al_pct_AES_ST <- suppressWarnings(as.numeric(gsub(",", ".", as.character(datos$Al_pct_AES_ST))))
Al_VAR <- datos$Al_pct_AES_ST[!is.na(datos$Al_pct_AES_ST) & datos$Al_pct_AES_ST >= 0]
#----------------------- EXTRACCIÓN METODOLÓGICA DE STURGES -----------------------
# 2. Calculamos los parámetros de Sturges exactamente igual a como armaste tu Tabla 2
n_total <- length(Al_VAR)
k_sturges <- floor(1 + 3.322 * log10(n_total)) # Esto calculará las 11 clases automáticamente
# 3. Definimos los cortes de intervalos (breaks) usando el rango real del Aluminio
rango_al <- max(Al_VAR) - min(Al_VAR)
amplitud_al <- rango_al / k_sturges
breaks_sturges <- seq(from = min(Al_VAR), by = amplitud_al, length.out = k_sturges + 1)
# 4. CAPTURA DE DATOS OCULTOS: Dejamos que R agrupe y cuente en memoria (plot = FALSE)
hist_objeto <- hist(Al_VAR, breaks = breaks_sturges, plot = FALSE, right = FALSE)
#----------------------- TRUCO ESTADÍSTICO: ANCLAJE A CERO -----------------------
# 5. Creamos las clases vacías a los extremos para que el polígono toque el eje X
mc_inicio <- hist_objeto$mids[1] - amplitud_al
mc_final <- hist_objeto$mids[length(hist_objeto$mids)] + amplitud_al
# Unimos los puntos del mapa: Marcas de Clase (X) y Frecuencias absolutas n (Y)
marcas_clase_al <- c(mc_inicio, hist_objeto$mids, mc_final)
frecuencias_al <- c(0, hist_objeto$counts, 0)
# Detectamos la frecuencia máxima real (las 718 muestras) para el eje Y
max_y_al <- max(frecuencias_al)
#----------------------- GRAFICAR POLÍGONO DE FRECUENCIAS -----------------------
par(mar = c(5, 5, 4, 2))
# 6. Inicializar el lienzo con el zoom horizontal y vertical calibrados
plot(marcas_clase_al, frecuencias_al,
type = "n",
main = "Gráfica 1: Polígono de Frecuencias Absolutas de Aluminio (Al)",
xlab = "Concentración de Aluminio - Al (%)",
ylab = "Frecuencia Absoluta (n muestras)",
xlim = c(min(breaks_sturges), max(breaks_sturges)), # Ajuste exacto a tus límites de tabla
ylim = c(0, max_y_al * 1.1),
xaxt = "n", yaxt = "n",
panel.first = grid(nx = NULL, ny = NULL, col = "gray90")) # Rejilla de fondo
# 7. Dibujar el polígono (Línea continua con puntos en cada marca de clase)
lines(marcas_clase_al, frecuencias_al, type = "b", pch = 19, col = "darkblue", lwd = 3)
# 8. Relleno translúcido bajo la curva para acabado profesional
polygon(marcas_clase_al, frecuencias_al, col = rgb(0, 0, 0.5, 0.12), border = NA)
#----------------------- PERSONALIZACIÓN DE EJES CONTINUOS -----------------------
# Eje X: Imprime los límites exactos de tu tabla redondeados a 3 decimales
axis(1, at = breaks_sturges, labels = round(breaks_sturges, 3), cex.axis = 0.75, las = 1)
# Eje Y: Muestra marcas redondas de guía y fuerza la impresión del pico de 718 muestras
marcas_eje_y <- pretty(c(0, max_y_al))
marcas_eje_y <- marcas_eje_y[marcas_eje_y < (max_y_al * 0.9)] # Evita colisiones de texto
axis(2, at = c(marcas_eje_y, max_y_al), labels = c(marcas_eje_y, max_y_al), las = 1, cex.axis = 0.8)
ANÁLISIS GRÁFICO: HISTOGRAMA DISTRIBUCIÓN DE ALUMINIO
#----------------------- PROCESAMIENTO Al_pct_AES_ST -----------------------
# 1. Conversión de Al_pct_AES_ST a numérico (blindado contra comas y textos)
datos$Al_pct_AES_ST <- suppressWarnings(as.numeric(gsub(",", ".", as.character(datos$Al_pct_AES_ST))))
# Creamos variable de trabajo para las gráficas y FILTRAMOS los negativos
AL_VAR <- datos$Al_pct_AES_ST
AL_VAR <- AL_VAR[AL_VAR >= 0 & !is.na(AL_VAR)] # Mantenemos solo valores >= 0
#----------------------- TABLA DE FRECUENCIAS SIMPLIFICADA -----------------------
# Al ser continua, agrupamos por rangos automáticos (bins) para que la tabla sea legible
k_simplificado <- 5
# Usamos pretty para obtener cortes redondeados y estéticos
breaks_s <- pretty(AL_VAR, n = k_simplificado)
HistogramaAL <- hist(AL_VAR, breaks = breaks_s, plot = FALSE)
# 2. Generación del Histograma
# Mantenemos la lógica original aplicada ahora al Aluminio filtrado
hist(AL_VAR,
breaks = breaks_s,
main = "Grafica 2: Distribucion de Al_pct_AES_ST (Simplificada)",
xlab = "Concentracion de Al (%)",
ylab = "Cantidad de muestras",
col = "lightgreen",
right = FALSE)
ANÁLISIS DESCRIPTIVO Y AGRUPACIÓN EN CLASES (STRUGES) DEL ALUMINIO
# Asegúrate de cargar las librerías al inicio
library(dplyr)
library(gt)
#------------------------- PREPARACIÓN DE DATOS -------------------------
# Usamos 'datos' (minúsculas)
datos$Al_pct_AES_ST <- suppressWarnings(as.numeric(gsub(",", ".", as.character(datos$Al_pct_AES_ST))))
# Creamos la variable de trabajo AL asegurando que los datos estén limpios y sin negativos
AL <- datos$Al_pct_AES_ST[!is.na(datos$Al_pct_AES_ST) & datos$Al_pct_AES_ST >= 0]
#------------------------- ANÁLISIS DE CONCENTRACIÓN (ESTADÍSTICOS) -------------------------
cat("\n=======================================================\n")##
## =======================================================cat("ANÁLISIS DE CONCENTRACIÓN (Al_pct_AES_ST):\n")## ANÁLISIS DE CONCENTRACIÓN (Al_pct_AES_ST):cat("La concentración promedio es: ", round(mean(AL, na.rm = TRUE), 2), " % \n")## La concentración promedio es: 2.82 %cat("La concentración máxima detectada es: ", max(AL, na.rm = TRUE), " % \n")## La concentración máxima detectada es: 19.3 %cat("Total de muestras analizadas: ", sum(!is.na(AL)), " registros \n")## Total de muestras analizadas: 1314 registroscat("=======================================================\n")## =======================================================#------------------------- TABLA DE FRECUENCIAS - STURGES -------------------------
# 1. Parámetros básicos: Rango, Número de clases (Sturges) y Amplitud
R <- max(AL, na.rm = TRUE) - min(AL, na.rm = TRUE)
k <- floor(1 + 3.322 * log10(length(AL)))
A <- R / k
# 2. Definición de límites y Marcas de Clase (MC)
liminf <- seq(from = min(AL, na.rm = TRUE), by = A, length.out = k)
limsup <- liminf + A
MC <- (liminf + limsup) / 2
# 3. Conteo de frecuencias absolutas por clase (n)
n <- numeric(k)
for (i in 1:k) {
if (i == k) {
n[i] <- sum(AL >= liminf[i] & AL <= limsup[i], na.rm = TRUE)
} else {
n[i] <- sum(AL >= liminf[i] & AL < limsup[i], na.rm = TRUE)
}
}
# 4. Cálculos de frecuencias relativas y acumuladas
hi <- (n / sum(n)) * 100
Ni_asc <- cumsum(n) # Frecuencia absoluta acumulada (ascendente)
Hi_asc <- cumsum(hi) # Frecuencia relativa acumulada (ascendente)
Ni_desc <- rev(cumsum(rev(n))) # Frecuencia absoluta acumulada (descendente)
Hi_desc <- rev(cumsum(rev(hi))) # Frecuencia relativa acumulada (descendente)
#------------------------- CONSTRUCCIÓN DE LA TABLA -------------------------
TablaAL_Sturges <- data.frame(
Clase = as.character(1:k), # Se convierte a caracter para poder añadir "TOTALES" luego
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)
)
# Fila de TOTALES para cierre de tabla
fila_totales_Al <- data.frame(
Clase = "**TOTALES**",
liminf = NA,
limsup = NA,
MC = NA,
n = sum(n),
hi = 100,
Ni_asc = NA,
Hi_asc = 100,
Ni_desc = NA,
Hi_desc = 100
)
# Unión de cuerpo y totales
TablaAL_Final <- rbind(TablaAL_Sturges, fila_totales_Al)
#------------------------- MOSTRAR TABLA FINAL CON 'gt' -------------------------
tabla_sturges_al_gt <- TablaAL_Final %>%
gt() %>%
tab_header(
title = md("**Tabla N° 2**"),
subtitle = md("Distribución de frecuencias para concentraciones de Aluminio (Al_pct_AES_ST) <br> mediante Regla de Sturges")
) %>%
tab_source_note(
source_note = md("Autores: Grupo 1 <br> Semestre 2026 - 2026")
) %>%
fmt_markdown(columns = Clase) %>% # Renderiza las negritas de "**TOTALES**"
cols_label(
Clase = "Clase",
liminf = "Linf (%)",
limsup = "Lsup (%)",
MC = "MC (%)",
n = "n (abs)",
hi = "hi (%)",
Ni_asc = "Ni (↑)",
Hi_asc = "Hi (↑)",
Ni_desc = "Ni (↓)",
Hi_desc = "Hi (↓)"
) %>%
tab_options(
table.border.top.color = "black",
table.border.bottom.color = "black",
heading.border.bottom.color = "black",
heading.border.bottom.width = px(2),
column_labels.border.top.color = "black",
column_labels.border.bottom.color = "black",
column_labels.border.bottom.width = px(2),
table_body.hlines.color = "gray",
table_body.border.bottom.color = "black",
row.striping.include_table_body = TRUE
) %>%
sub_missing(
columns = everything(),
missing_text = "NA"
)
# Renderizar la tabla en el reporte
tabla_sturges_al_gt| Tabla N° 2 | |||||||||
| Distribución de frecuencias para concentraciones de Aluminio (Al_pct_AES_ST) mediante Regla de Sturges |
|||||||||
| Clase | Linf (%) | Lsup (%) | MC (%) | n (abs) | hi (%) | Ni (↑) | Hi (↑) | Ni (↓) | Hi (↓) |
|---|---|---|---|---|---|---|---|---|---|
| 1 | 0.010 | 1.764 | 0.887 | 718 | 54.64 | 718 | 54.64 | 1314 | 100.00 |
| 2 | 1.764 | 3.517 | 2.640 | 155 | 11.80 | 873 | 66.44 | 596 | 45.36 |
| 3 | 3.517 | 5.271 | 4.394 | 129 | 9.82 | 1002 | 76.26 | 441 | 33.56 |
| 4 | 5.271 | 7.025 | 6.148 | 118 | 8.98 | 1120 | 85.24 | 312 | 23.74 |
| 5 | 7.025 | 8.778 | 7.901 | 136 | 10.35 | 1256 | 95.59 | 194 | 14.76 |
| 6 | 8.778 | 10.532 | 9.655 | 44 | 3.35 | 1300 | 98.93 | 58 | 4.41 |
| 7 | 10.532 | 12.285 | 11.409 | 8 | 0.61 | 1308 | 99.54 | 14 | 1.07 |
| 8 | 12.285 | 14.039 | 13.162 | 3 | 0.23 | 1311 | 99.77 | 6 | 0.46 |
| 9 | 14.039 | 15.793 | 14.916 | 1 | 0.08 | 1312 | 99.85 | 3 | 0.23 |
| 10 | 15.793 | 17.546 | 16.670 | 1 | 0.08 | 1313 | 99.92 | 2 | 0.15 |
| 11 | 17.546 | 19.300 | 18.423 | 1 | 0.08 | 1314 | 100.00 | 1 | 0.08 |
| TOTALES | NA | NA | NA | 1314 | 100.00 | NA | 100.00 | NA | 100.00 |
| Autores: Grupo 1 Semestre 2026 - 2026 |
|||||||||
HISTOGRAMA MEJORADO DE LA VARIABLE
#----------------------- PREPARACIÓN DE DATOS -----------------------
# Usamos 'datos' en minúsculas y filtramos los NAs y números negativos
datos$Al_pct_AES_ST <- suppressWarnings(as.numeric(gsub(",", ".", as.character(datos$Al_pct_AES_ST))))
AL <- datos$Al_pct_AES_ST[!is.na(datos$Al_pct_AES_ST) & datos$Al_pct_AES_ST >= 0]
# Definimos intervalos manuales de 2 en 2 para que sean enteros y limpios
breaks_entero <- seq(0, 20, by = 2)
# Cálculo de la tabla de frecuencias para la Ojiva
h_data <- hist(AL, breaks = breaks_entero, plot = FALSE)
MC <- h_data$mids
Ni_asc <- cumsum(h_data$counts)
Ni_desc <- rev(cumsum(rev(h_data$counts)))
#----------------------- 1. HISTOGRAMA MEJORADO -----------------------
# Aumentamos margen superior para que el título y los números tengan espacio
par(mar=c(5, 5, 5, 2))
h_plot <- hist(AL, breaks = breaks_entero,
main = "Gráfica 3: Distribución del Contenido de Aluminio (%)",
xlab = "Contenido de Aluminio (%)",
ylab = "Frecuencia (Cantidad)",
col = "lightgreen", border = "darkgreen",
xaxt = "n", # Quitamos eje X para poner números enteros
las = 1,
ylim = c(0, 850)) # Espacio para las etiquetas superiores
# Eje X con números enteros claros
axis(1, at = breaks_entero, labels = breaks_entero, font = 2)
# Etiquetas con los valores exactos encima de las barras
text(h_plot$mids, h_plot$counts, labels = h_plot$counts,
adj = c(0.5, -0.5), cex = 0.9, font = 2, col = "black")
ANÁLISIS VISUAL ACUMULADO: OJIVA ASCENDENTE Y DESCENDENTE
#----------------------- 2. OJIVA INTEGRADA Y PROFESIONAL -----------------------
# 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 4: Ojiva Combinada de Frecuencias del Aluminio (ni)",
xlab = "Contenido de Aluminio (%)",
ylab = "Frecuencia Acumulada (N muestras)",
type = "b", pch = 19, col = "blue", 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 = "red", lwd = 3, lty = 2)
# Eje X con los intervalos exactos
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("blue", "red"),
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
#----------------------- OJIVA PROFESIONAL ALUMINIO - EN PORCENTAJES (Hi) -----------------------
MC_graficar <- MC[!is.na(MC)]
Hi_asc_graficar <- Hi_asc[1:length(MC_graficar)]
Hi_desc_graficar <- Hi_desc[1:length(MC_graficar)]
# Definir los cortes del eje X uniendo el límite inferior de cada clase y el último superior (sin el NA de totales)
breaks_al <- c(liminf[!is.na(liminf)], limsup[length(limsup) - 1])
# 2. Configurar los márgenes para la leyenda
par(mar=c(5, 5, 4, 2))
# 3. Graficar la curva ascendente usando los vectores limpios y emparejados
plot(MC_graficar, Hi_asc_graficar,
main = "Gráfica 5 : Ojiva Acumulada de Frecuencias de Aluminio (hi)",
xlab = "Concentración de Aluminio - Al (%)",
ylab = "Frecuencia Relativa Acumulada (%)",
type = "b", pch = 19, col = "blue", lwd = 3,
xaxt = "n", las = 1,
ylim = c(0, 105),
panel.first = grid(nx = NULL, ny = NULL, col = "gray90"))
# 4. Línea descendente perfectamente emparejada
lines(MC_graficar, Hi_desc_graficar, type = "b", pch = 17, col = "red", lwd = 3, lty = 2)
# 5. Dibujar el Eje X con los intervalos exactos de Sturges
axis(1, at = breaks_al, labels = round(breaks_al, 2), cex.axis = 0.8)
# 6. Leyenda técnica reubicada
legend("right",
legend = c("Acumulada Menor que (Ascendente %)", "Acumulada Mayor que (Descendente %)"),
col = c("blue", "red"),
lty = c(1, 2),
pch = c(19, 17),
lwd = 2,
title = "Tipo de Ojiva",
bty = "n",
cex = 0.85)
ANÁLISIS VISUAL POR RANGOS DE Al_pct_AES_ST
#----------------------- PREPARACIÓN DE DATOS -----------------------
# Usamos 'datos' en minúsculas y aseguramos que se excluyan los números negativos y NAs
datos$Al_pct_AES_ST <- suppressWarnings(as.numeric(gsub(",", ".", as.character(datos$Al_pct_AES_ST))))
AL_VAR <- datos$Al_pct_AES_ST[!is.na(datos$Al_pct_AES_ST) & datos$Al_pct_AES_ST >= 0]
# Definimos intervalos exactos de 2 en 2
breaks_h <- seq(0, 20, by = 2)
h_info <- hist(AL_VAR, breaks = breaks_h, plot = FALSE)
intervalos <- paste0("[", h_info$breaks[-length(h_info$breaks)], " - ", h_info$breaks[-1], "]")
# Usamos una paleta más viva (Rainbow o Heat)
colores_hist <- rainbow(length(h_info$counts), start = 0.5, end = 0.8)
#----------------------- HISTOGRAMA: ESCALA Y TÍTULO OPTIMIZADOS -----------------------
# Ajustamos márgenes para que el título y la leyenda respiren
par(mar=c(5, 5, 5, 8), xpd=TRUE)
hist(AL_VAR, breaks = breaks_h,
main = "Grafica 6: Distribucion de Al_pct_AES_ST",
xlab = "Contenido de Aluminio (%)",
ylab = "Frecuencia (Cantidad)",
col = colores_hist,
border = "white",
labels = TRUE,
right = FALSE,
las = 1,
xaxt = "n", # Quitamos el eje X por defecto para personalizarlo
ylim = c(0, 800)) # Escala ampliada a 800
# Eje X mejorado para que los intervalos se vean alineados a las barras
axis(1, at = breaks_h, labels = breaks_h, font = 2)
legend("topright", inset=c(-0.35, 0),
legend = intervalos,
fill = colores_hist,
title = "Intervalos (%)",
cex = 0.8, bty = "n")
BOXPLOT
#----------------------- PREPARACIÓN DE DATOS (Aluminio) -----------------------
# Conversión a numérico y limpieza de valores nulos o en cero
datos$Al_pct_AES_ST <- suppressWarnings(as.numeric(gsub(",", ".", as.character(datos$Al_pct_AES_ST))))
Al_VAR <- datos$Al_pct_AES_ST[!is.na(datos$Al_pct_AES_ST) & datos$Al_pct_AES_ST > 0]
#----------------------- 2. BOXPLOT: ANÁLISIS DE VALORES ATÍPICOS -----------------------
par(mar=c(5, 6, 5, 2), xpd = FALSE)
# Cálculos estadísticos previos
stats_al <- boxplot.stats(Al_VAR)
media_al <- round(mean(Al_VAR), 2)
mediana_al <- round(median(Al_VAR), 2)
n_outliers <- length(stats_al$out)
# Generación del Boxplot
boxplot(Al_VAR, horizontal = TRUE, col = "#E0E0E0", border = "#424242",
main = " Gráfica 7: Análisis de Valores Atípicos (Aluminio)",
xlab = "Concentración de Al (%)",
pch = 21,
bg = "red",
col.outline = "darkred",
frame = FALSE)
# Punto de Media y etiquetas de texto mejor ubicadas
points(media_al, 1,
col = "blue",
pch = 18,
cex = 2)
text(media_al, 1.25,
labels = paste("Media:", media_al),
col = "blue",
font = 2,
cex = 0.9)
text(mediana_al, 0.75,
labels = paste("Mediana:", mediana_al),
col = "#424242",
font = 2,
cex = 0.9)
# Leyenda (corregida para evitar errores de sintaxis)
legend("topright",
legend = paste("Atípicos detectados:", n_outliers),
pch = 21,
pt.bg = "red",
bty = "n",
text.col = "darkred",
cex = 0.9)
#----------------------- 3. BOXPLOT: DISTRIBUCIÓN LIMPIA (ALUMINIO) -----------------------
par(mar=c(5, 6, 5, 2))
# Generación del Boxplot sin valores atípicos (outline = FALSE)
boxplot(Al_VAR,
horizontal = TRUE,
outline = FALSE,
col = "#E0E0E0",
border = "#424242",
main = "Gráfica 8:Distribución del Cuerpo Mineral (Sin Atípicos) - Aluminio",
xlab = "Concentración de Al (%)",
frame = FALSE)
# Agregar cuadrícula de fondo
grid(nx = NULL,
ny = NA,
col = "gray85",
lty = "dashed")
# Valores sobre la vista limpia (Media en naranja/óxido y Mediana alineada al borde)
points(media_al, 1,
col = "#E65100",
pch = 18,
cex = 2)
text(media_al, 1.25,
labels = paste("Media:", media_al),
col = "#BF360C",
font = 2,
cex = 0.9)
text(mediana_al, 0.75,
labels = paste("Mediana:", mediana_al),
col = "#424242",
font = 2,
cex = 0.9)
RESUMEN DESCRIPTIVO
# Asegúrate de cargar las librerías al inicio del chunk
library(dplyr)
library(gt)
library(e1071) # Necesaria para el cálculo de Asimetría y Curtosis
#----------------------- ANÁLISIS ESTADÍSTICO Al_pct_AES_ST -----------------------
# 1. Preparación de la variable continua
# Usamos 'datos' en minúsculas para mantener consistencia con el entorno de trabajo
datos$Al_pct_AES_ST <- suppressWarnings(as.numeric(gsub(",", ".", as.character(datos$Al_pct_AES_ST))))
# 2. Limpieza de valores nulos o negativos para análisis de Ley geoquímica
# Se incluye el cero (>= 0) para no omitir valores mínimos válidos en elementos mayoritarios
AL_LIMPIA <- datos$Al_pct_AES_ST[!is.na(datos$Al_pct_AES_ST) & datos$Al_pct_AES_ST >= 0]
# 3. Cálculos estadísticos descriptivos consolidados
resumen_stats_AL <- data.frame(
Estadistico = c("Tamaño muestral (n)",
"Mínimo (%)",
"Máximo (%)",
"Media (%)",
"Mediana (%)",
"Desviación Estándar",
"Coef. Variación (%)",
"Asimetría",
"Curtosis"),
Valor = c(
length(AL_LIMPIA),
min(AL_LIMPIA),
max(AL_LIMPIA),
mean(AL_LIMPIA),
median(AL_LIMPIA),
sd(AL_LIMPIA),
(sd(AL_LIMPIA) / mean(AL_LIMPIA)) * 100,
skewness(AL_LIMPIA, type = 2),
kurtosis(AL_LIMPIA)
)
)
# 4. Redondeo técnico para presentación en el reporte (2 decimales)
resumen_stats_AL$Valor <- round(resumen_stats_AL$Valor, 2)
#----------------------- SALIDA ESTÉTICA CON 'gt' -----------------------
tabla_stats_al_gt <- resumen_stats_AL %>%
gt() %>%
tab_header(
title = md("**Tabla N° 3**"),
subtitle = md("Estadística Descriptiva para Concentraciones de Aluminio (Al)")
) %>%
tab_source_note(
source_note = md("Autores: Grupo 1 <br> Semestre 2026 - 2026")
) %>%
cols_label(
Estadistico = "Parámetro Estadístico",
Valor = "Resultado"
) %>%
tab_options(
table.border.top.color = "black",
table.border.bottom.color = "black",
heading.border.bottom.color = "black",
heading.border.bottom.width = px(2),
column_labels.border.top.color = "black",
column_labels.border.bottom.color = "black",
column_labels.border.bottom.width = px(2),
table_body.hlines.color = "gray",
table_body.border.bottom.color = "black",
row.striping.include_table_body = TRUE
)
# Renderizar la tabla en el documento de RMarkdown
tabla_stats_al_gt| Tabla N° 3 | |
| Estadística Descriptiva para Concentraciones de Aluminio (Al) | |
| Parámetro Estadístico | Resultado |
|---|---|
| Tamaño muestral (n) | 1314.00 |
| Mínimo (%) | 0.01 |
| Máximo (%) | 19.30 |
| Media (%) | 2.82 |
| Mediana (%) | 1.28 |
| Desviación Estándar | 3.11 |
| Coef. Variación (%) | 110.18 |
| Asimetría | 1.09 |
| Curtosis | 0.53 |
| Autores: Grupo 1 Semestre 2026 - 2026 |
|
CONCLUSIÓN
CONCLUSIÓN DE LA VARIABLE Al_pct_AES_ST
El análisis descriptivo del aluminio (Al) sobre 1314 muestras reporta un rango de 0.01% a 19.30%, con una media de 2.82% y una mediana de 1.28%. Su coeficiente de variación (110.18%) y desviación estándar (3.11) reflejan una dispersión moderada-alta, normal para un elemento formador de roca. Finalmente, los índices de forma muestran una asimetría positiva moderada (1.09) y una curtosis baja (0.53), confirmando una distribución continua y estable de las leyes en el yacimiento, con muy pocas anomalías extremas.