Análisis Estadístico por Variables Cuantitativas F_pct_ISE_Fuse
Grupo 1
2026-23-05
CARGA DE DATOS
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 FLÚOR (F)
# Cargar las librerías necesarias
library(dplyr)
library(gt)
#----------------------- PROCESAMIENTO F_pct_ISE_Fuse -----------------------
# 1. Limpieza y preparación de la variable (conversión de coma a punto)
datos$F_pct_ISE_Fuse <- suppressWarnings(as.numeric(gsub(",", ".", as.character(datos$F_pct_ISE_Fuse))))
# Separar registros con concentraciones válidas (>= 0) de los nulos o negativos
f_numerico <- datos$F_pct_ISE_Fuse[datos$F_pct_ISE_Fuse >= 0 & !is.na(datos$F_pct_ISE_Fuse)]
n_sin_datos_f <- sum(is.na(datos$F_pct_ISE_Fuse) | datos$F_pct_ISE_Fuse < 0)
# 2. Tabla de Frecuencias de los valores geoquímicos reales
TDF_VALIDOS_F <- as.data.frame(table(f_numerico), stringsAsFactors = FALSE)
colnames(TDF_VALIDOS_F) <- c("CATEGORIA", "ni")
# Convertir categoría a numérico para ordenar de menor a mayor concentración (%)
TDF_VALIDOS_F$CATEGORIA <- as.numeric(TDF_VALIDOS_F$CATEGORIA)
TDF_VALIDOS_F <- TDF_VALIDOS_F[order(TDF_VALIDOS_F$CATEGORIA), ]
# Definición de horizontes cuantitativos
total_variable_f <- sum(TDF_VALIDOS_F$ni) # Total con lecturas de Flúor
total_general_f <- total_variable_f + n_sin_datos_f # Total absoluto de la matriz
# 3. Agrupación: Top 10 valores de concentración más bajos + Otros
if(nrow(TDF_VALIDOS_F) > 10) {
tabla_top_f <- head(TDF_VALIDOS_F, 10)
sum_otros_f <- sum(TDF_VALIDOS_F$ni[11:nrow(TDF_VALIDOS_F)])
fila_otros_f <- data.frame(CATEGORIA = "Otras Concentraciones", ni = sum_otros_f)
tabla_final_base_f <- rbind(tabla_top_f, fila_otros_f)
} else {
tabla_final_base_f <- TDF_VALIDOS_F
}
# Convertir CATEGORIA a carácter para permitir el ensamblaje de totales
tabla_final_base_f$CATEGORIA <- as.character(tabla_final_base_f$CATEGORIA)
# 4. Calcular frecuencias relativas (hi) respecto al total general del proyecto
tabla_final_base_f$hi <- round((tabla_final_base_f$ni / total_general_f) * 100, 4)
# 5. FILA DEL TOTAL EXCLUSIVO DE LA VARIABLE (Muestras con datos de F)
fila_total_var_f <- data.frame(
CATEGORIA = "TOTAL VARIABLE (F)",
ni = total_variable_f,
hi = round((total_variable_f / total_general_f) * 100, 4)
)
# 6. FILA DE CONTRASTE: REGISTROS SIN INFORMACIÓN ANALÍTICA
fila_sin_datos_f <- data.frame(
CATEGORIA = "Sin Datos",
ni = n_sin_datos_f,
hi = round((n_sin_datos_f / total_general_f) * 100, 4)
)
# 7. FILA DEL TOTAL GENERAL DEL PROYECTO
fila_total_general_f <- data.frame(
CATEGORIA = "TOTAL GENERAL",
ni = total_general_f,
hi = 100 # Forzado para cierre perfecto de balance estadístico
)
# Consolidar toda la matriz de datos en orden lógico estructurado
tabla_final_f <- rbind(tabla_final_base_f, fila_total_var_f, fila_sin_datos_f, fila_total_general_f)
colnames(tabla_final_f) <- c("Valor F (%)", "ni", "hi")
#----------------------- GENERAR SALIDA ESTÉTICA CON 'gt' -----------------------
tabla_fluor_completa_gt <- tabla_final_f %>%
gt() %>%
tab_header(
title = md("**Tabla N° 1**"),
subtitle = md("Distribución de frecuencias para concentraciones de Flúor (F)")
) %>%
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_fluor_completa_gt| Tabla N° 1 | ||
| Distribución de frecuencias para concentraciones de Flúor (F) | ||
| Valor F (%) | ni | hi |
|---|---|---|
| 0.016 | 1 | 0.0732 |
| 0.018 | 1 | 0.0732 |
| 0.02 | 1 | 0.0732 |
| 0.024 | 1 | 0.0732 |
| 0.044 | 1 | 0.0732 |
| 0.047 | 1 | 0.0732 |
| 0.067 | 1 | 0.0732 |
| 0.073 | 1 | 0.0732 |
| 0.075 | 1 | 0.0732 |
| 0.077 | 1 | 0.0732 |
| Otras Concentraciones | 11 | 0.8053 |
| TOTAL VARIABLE (F) | 21 | 1.5373 |
| Sin Datos | 1345 | 98.4627 |
| TOTAL GENERAL | 1366 | 100.0000 |
| Autores: Grupo 1 Semestre 2026 - 2026 |
||
POLÍGONO DE FRECUENCIA
#----------------------- PROCESAMIENTO AUTOMÁTICO F_PCT_ISE_FUSE -----------------------
# 1. Conversión de la variable a numérico y limpieza de datos (Flúor)
datos$F_pct_ISE_Fuse <- suppressWarnings(as.numeric(gsub(",", ".", as.character(datos$F_pct_ISE_Fuse))))
F_VAR <- datos$F_pct_ISE_Fuse[!is.na(datos$F_pct_ISE_Fuse) & datos$F_pct_ISE_Fuse >= 0]
#----------------------- EXTRACCIÓN METODOLÓGICA DE STURGES -----------------------
# 2. Calculamos los parámetros de Sturges para el Flúor automáticamente
n_total_f <- length(F_VAR)
k_sturges_f <- floor(1 + 3.322 * log10(n_total_f))
# 3. Definimos los cortes de intervalos (breaks) usando el rango real del Flúor
rango_f <- max(F_VAR) - min(F_VAR)
amplitud_f <- rango_f / k_sturges_f
breaks_sturges_f <- seq(from = min(F_VAR), by = amplitud_f, length.out = k_sturges_f + 1)
# 4. CAPTURA DE DATOS OCULTOS: Agrupación y conteo en memoria para Flúor
hist_objeto_f <- hist(F_VAR, breaks = breaks_sturges_f, plot = FALSE, right = FALSE)
#----------------------- ANCLAJE A CERO -----------------------
# 5. Creamos las clases vacías a los extremos para que el polígono cierre en el eje X
mc_inicio_f <- hist_objeto_f$mids[1] - amplitud_f
mc_final_f <- hist_objeto_f$mids[length(hist_objeto_f$mids)] + amplitud_f
# Unimos los vectores definitivos para el gráfico (Marcas de Clase y Frecuencias n)
marcas_clase_f <- c(mc_inicio_f, hist_objeto_f$mids, mc_final_f)
frecuencias_f <- c(0, hist_objeto_f$counts, 0)
# Detectamos la frecuencia máxima real del flúor para el eje Y
max_y_f <- max(frecuencias_f)
#----------------------- GRAFICAR POLÍGONO DE FRECUENCIAS (Flúor) -----------------------
par(mar = c(5, 5, 4, 2))
# 6. Inicializar el lienzo con los límites calculados para el Flúor
plot(marcas_clase_f, frecuencias_f,
type = "n",
main = "Gráfica 1: Polígono de Frecuencias Absolutas de Flúor (F)",
xlab = "Concentración de Flúor - F (%)",
ylab = "Frecuencia Absoluta (n muestras)",
xlim = c(min(breaks_sturges_f), max(breaks_sturges_f)), # Ajuste exacto a los límites de flúor
ylim = c(0, max_y_f * 1.1), # Margen del 10% superior libre
xaxt = "n", yaxt = "n",
panel.first = grid(nx = NULL, ny = NULL, col = "gray90"))
# 7. Dibujar el polígono
lines(marcas_clase_f, frecuencias_f, type = "b", pch = 19, col = "chocolate4", lwd = 3)
# 8. Relleno translúcido a juego debajo de la curva
polygon(marcas_clase_f, frecuencias_f, col = rgb(0.55, 0.27, 0.07, 0.12), border = NA)
#----------------------- PERSONALIZACIÓN DE EJES CONTINUOS -----------------------
# Eje X: Imprime los límites reales de Sturges para el flúor (3 decimales)
axis(1, at = breaks_sturges_f, labels = round(breaks_sturges_f, 3), cex.axis = 0.75, las = 1)
# Eje Y: Imprime marcas proporcionales y ancla el valor de n más alto detectado
marcas_eje_y_f <- pretty(c(0, max_y_f))
marcas_eje_y_f <- marcas_eje_y_f[marcas_eje_y_f < (max_y_f * 0.9)]
axis(2, at = c(marcas_eje_y_f, max_y_f), labels = c(marcas_eje_y_f, max_y_f), las = 1, cex.axis = 0.8)
ANÁLISIS GRÁFICO: HISTOGRAMA DISTRIBUCIÓN DEL FLÚOR
#----------------------- PROCESAMIENTO F_pct_ISE_Fuse -----------------------
# 1. Conversión de F_pct_ISE_Fuse a numérico (blindado contra comas y textos)
datos$F_pct_ISE_Fuse <- suppressWarnings(as.numeric(gsub(",", ".", as.character(datos$F_pct_ISE_Fuse))))
# Creamos variable de trabajo para las gráficas y FILTRAMOS los negativos
F_VAR <- datos$F_pct_ISE_Fuse
F_VAR <- F_VAR[F_VAR >= 0 & !is.na(F_VAR)] # Mantenemos solo valores >= 0
#----------------------- TABLA DE FRECUENCIAS SIMPLIFICADA -----------------------
# Al ser continua, agrupamos por rangos automáticos (bins) para que la tabla sea legible
k_simplificado <- 5
# Usamos pretty para obtener cortes redondeados y estéticos
breaks_s <- pretty(F_VAR, n = k_simplificado)
HistogramaF <- hist(F_VAR, breaks = breaks_s, plot = FALSE)
# 2. Generación del Histograma
# Mantenemos la lógica original aplicada ahora al Flúor filtrado
hist(F_VAR,
breaks = breaks_s,
main = "Gráfica 2: Distribución de F_pct_ISE_Fuse (Simplificada)",
xlab = "Concentración de F (%)",
ylab = "Cantidad de muestras",
col = "thistle", # Color ajustado para el Flúor
right = FALSE)
ANÁLISIS DESCRIPTIVO Y AGRUPACIÓN EN CLASES (STRUGES) DEL FLÚOR
# Asegúrate de cargar las librerías al inicio del chunk
library(dplyr)
library(gt)
#------------------------- PREPARACIÓN DE DATOS -------------------------
# reemplazamos comas por puntos
datos$F_pct_ISE_Fuse <- suppressWarnings(as.numeric(gsub(",", ".", as.character(datos$F_pct_ISE_Fuse))))
# Creamos la variable de trabajo FLUOR asegurando que los datos estén limpios y sin negativos
FLUOR <- datos$F_pct_ISE_Fuse[!is.na(datos$F_pct_ISE_Fuse) & datos$F_pct_ISE_Fuse >= 0]
#------------------------- ANÁLISIS DE CONCENTRACIÓN (ESTADÍSTICOS) -------------------------
cat("\n=======================================================\n")##
## =======================================================cat("ANÁLISIS DE CONCENTRACIÓN (F_pct_ISE_Fuse):\n")## ANÁLISIS DE CONCENTRACIÓN (F_pct_ISE_Fuse):cat("La concentración promedio es: ", round(mean(FLUOR, na.rm = TRUE), 2), " % \n")## La concentración promedio es: 0.6 %cat("La concentración máxima detectada es: ", max(FLUOR, na.rm = TRUE), " % \n")## La concentración máxima detectada es: 3.73 %cat("Total de muestras analizadas: ", sum(!is.na(FLUOR)), " registros \n")## Total de muestras analizadas: 21 registroscat("=======================================================\n")## =======================================================#------------------------- TABLA DE FRECUENCIAS - STURGES -------------------------
# 1. Parámetros básicos: Rango, Número de clases (Sturges) y Amplitud
R <- max(FLUOR, na.rm = TRUE) - min(FLUOR, na.rm = TRUE)
k <- floor(1 + 3.322 * log10(length(FLUOR)))
A <- R / k
# 2. Definición de límites y Marcas de Clase (MC)
liminf <- seq(from = min(FLUOR, 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(FLUOR >= liminf[i] & FLUOR <= limsup[i], na.rm = TRUE)
} else {
n[i] <- sum(FLUOR >= liminf[i] & FLUOR < 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 -------------------------
TablaF_Sturges <- data.frame(
Clase = as.character(1:k), # Se convierte a carácter 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 el cierre de balance formal
fila_totales_F <- 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
TablaF_Final <- rbind(TablaF_Sturges, fila_totales_F)
#------------------------- MOSTRAR TABLA FINAL CON 'gt' -------------------------
tabla_sturges_f_gt <- TablaF_Final %>%
gt() %>%
tab_header(
title = md("**Tabla N° 2**"),
subtitle = md("Distribución de frecuencias para concentraciones de Flúor (F_pct_ISE_Fuse) <br> mediante Regla de Sturges")
) %>%
tab_source_note(
source_note = md("Autores: Grupo 1 <br> Semestre 2026 - 2026")
) %>%
fmt_markdown(columns = Clase) %>% # Renderiza correctamente 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 = "-" # Reemplaza los molestos NA por guiones limpios y estéticos
)
# Renderizar la tabla en el reporte
tabla_sturges_f_gt| Tabla N° 2 | |||||||||
| Distribución de frecuencias para concentraciones de Flúor (F_pct_ISE_Fuse) mediante Regla de Sturges |
|||||||||
| Clase | Linf (%) | Lsup (%) | MC (%) | n (abs) | hi (%) | Ni (↑) | Hi (↑) | Ni (↓) | Hi (↓) |
|---|---|---|---|---|---|---|---|---|---|
| 1 | 0.016 | 0.759 | 0.387 | 16 | 76.19 | 16 | 76.19 | 21 | 100.00 |
| 2 | 0.759 | 1.502 | 1.130 | 1 | 4.76 | 17 | 80.95 | 5 | 23.81 |
| 3 | 1.502 | 2.244 | 1.873 | 2 | 9.52 | 19 | 90.48 | 4 | 19.05 |
| 4 | 2.244 | 2.987 | 2.616 | 1 | 4.76 | 20 | 95.24 | 2 | 9.52 |
| 5 | 2.987 | 3.730 | 3.359 | 1 | 4.76 | 21 | 100.00 | 1 | 4.76 |
| TOTALES | - | - | - | 21 | 100.00 | - | 100.00 | - | 100.00 |
| Autores: Grupo 1 Semestre 2026 - 2026 |
|||||||||
HISTOGRAMA MEJORADO DE LA VARIABLE
#----------------------- PREPARACIÓN DE DATOS (Flúor) -----------------------
# Filtramos los NAs y números negativos
datos$F_pct_ISE_Fuse <- suppressWarnings(as.numeric(gsub(",", ".", as.character(datos$F_pct_ISE_Fuse))))
FLUOR <- datos$F_pct_ISE_Fuse[!is.na(datos$F_pct_ISE_Fuse) & datos$F_pct_ISE_Fuse >= 0]
# Definimos intervalos manuales adaptados al Flúor
# Calcula el techo máximo y define si va de 1 en 1 o de 2 en 2 para que sea limpio
max_f <- ceiling(max(FLUOR))
paso <- ifelse(max_f > 15, 2, 1)
breaks_entero <- seq(0, max_f, by = paso)
# Cálculo de la tabla de frecuencias para extraer los datos
h_data <- hist(FLUOR, breaks = breaks_entero, plot = FALSE)
MC <- h_data$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(FLUOR, breaks = breaks_entero,
main = "Gráfica 3: Distribución del Contenido de Flúor (%)",
xlab = "Contenido de Flúor (%)",
ylab = "Frecuencia (Cantidad)",
col = "thistle", border = "purple4", # Paleta morada adaptada al Flúor
xaxt = "n", # Quitamos eje X para poner números enteros
las = 1,
ylim = c(0, max(h_data$counts) * 1.15)) # Espacio dinámico para las etiquetas
# Eje X con números enteros claros
axis(1, at = breaks_entero, labels = breaks_entero, font = 2)
# Etiquetas con los valores exactos encima de las barras
text(h_plot$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 (Flúor) -----------------------
# 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 Acumulada de Frecuencias de Flúor (ni)",
xlab = "Contenido de Flúor (%)",
ylab = "Frecuencia Acumulada (N muestras)",
type = "b", pch = 19, col = "darkmagenta", 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 = "darkorange", lwd = 3, lty = 2)
# Eje X con los intervalos exactos (usando la variable breaks_entero calculada previamente)
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("darkmagenta", "darkorange"),
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
#----------------------- 2. OJIVA PROFESIONAL FLÚOR - EN PORCENTAJES (Hi) -----------------------
# 1. FILTRADO DE SEGURIDAD: Evitamos que la fila de TOTALES cause conflicto de longitudes
# Nos aseguramos de tomar únicamente las clases numéricas reales (sin el NA de totales)
MC_graficar_f <- MC[!is.na(MC)]
Hi_asc_graficar_f <- Hi_asc[1:length(MC_graficar_f)]
Hi_desc_graficar_f <- Hi_desc[1:length(MC_graficar_f)]
# Definimos los cortes del eje X uniendo el límite inferior de cada clase y el último superior
breaks_f <- c(liminf[!is.na(liminf)], limsup[length(limsup) - 1])
# 2. Restauramos los márgenes a la normalidad (la leyenda se acomoda adentro)
par(mar=c(5, 5, 4, 2))
# 3. Graficar curva ascendente usando los porcentajes (Hi_asc) corregidos
plot(MC_graficar_f, Hi_asc_graficar_f,
main = "Gráfica 5: Ojiva Acumulada de Frecuencias de Flúor (hi)",
xlab = "Concentración de Flúor - F (%)",
ylab = "Frecuencia Relativa Acumulada (%)",
type = "b", pch = 19, col = "darkmagenta", lwd = 3,
xaxt = "n", las = 1,
ylim = c(0, 105), # Escala porcentual fija hasta 105% para dar aire arriba
panel.first = grid(nx = NULL, ny = NULL, col = "gray90")) # Rejilla de fondo
# 4. Segunda línea descendente usando los porcentajes (Hi_desc)
lines(MC_graficar_f, Hi_desc_graficar_f, type = "b", pch = 17, col = "darkorange", lwd = 3, lty = 2)
# 5. Dibujar el Eje X con los intervalos exactos de Sturges (redondeados a 2 decimales para estética)
axis(1, at = breaks_f, labels = round(breaks_f, 2), cex.axis = 0.8)
# 6. Leyenda técnica reubicada en el espacio vacío del lienzo
legend("right",
legend = c("Acumulada Menor que (Ascendente %)", "Acumulada Mayor que (Descendente %)"),
col = c("darkmagenta", "darkorange"),
lty = c(1, 2),
pch = c(19, 17),
lwd = 2,
title = "Tipo de Ojiva",
bty = "n", # Sin borde para integrarse al fondo
cex = 0.85)
ANÁLISIS VISUAL POR RANGOS DE F_pct_ISE_Fuse
#----------------------- PREPARACIÓN DE DATOS (Flúor) -----------------------
# Limpieza de comas y exclusión de negativos y NAs
datos$F_pct_ISE_Fuse <- suppressWarnings(as.numeric(gsub(",", ".", as.character(datos$F_pct_ISE_Fuse))))
F_VAR <- datos$F_pct_ISE_Fuse[!is.na(datos$F_pct_ISE_Fuse) & datos$F_pct_ISE_Fuse >= 0]
#----------------------- CÁLCULO DE INTERVALOS (STURGES) -----------------------
# Calculamos matemáticamente las clases y la amplitud
k <- floor(1 + 3.322 * log10(length(F_VAR)))
R_rango <- max(F_VAR) - min(F_VAR)
A_amplitud <- R_rango / k
# Generamos los cortes exactos de Sturges
breaks_f <- seq(from = min(F_VAR), by = A_amplitud, length.out = k + 1)
# Calculamos el histograma de forma invisible
h_info <- hist(F_VAR, breaks = breaks_f, plot = FALSE, right = FALSE)
# Creamos las etiquetas para la leyenda (redondeadas a 2 decimales para la estética)
intervalos <- paste0("[", round(h_info$breaks[-length(h_info$breaks)], 2),
" - ", round(h_info$breaks[-1], 2), ")")
# Paleta viva (Rainbow ajustada)
colores_hist <- rainbow(length(h_info$counts), start = 0.75, end = 0.95)
#----------------------- HISTOGRAMA Y LEYENDA CORREGIDA -----------------------
# AQUÍ ESTÁ EL CAMBIO 1: Aumentamos el margen derecho de 8 a 12
par(mar=c(5, 5, 5, 12), xpd=TRUE)
hist(F_VAR, breaks = breaks_f,
main = "Gráfica 6: Distribución de F_pct_ISE_Fuse",
xlab = "Contenido de Flúor (%)",
ylab = "Frecuencia (Cantidad)",
col = colores_hist,
border = "white",
labels = TRUE,
right = FALSE,
las = 1,
xaxt = "n",
ylim = c(0, max(h_info$counts) * 1.15))
# Eje X dinámico
axis(1, at = breaks_f, labels = round(breaks_f, 2), font = 2)
# AQUÍ ESTÁ EL CAMBIO 2: Reducimos el inset de -0.35 a -0.25 para acercar la leyenda
legend("topright", inset=c(-0.25, 0),
legend = intervalos,
fill = colores_hist,
title = "Intervalos (%)",
cex = 0.85, bty = "n")
BOXPLOT
#----------------------- PREPARACIÓN DE DATOS (Flúor) -----------------------
datos$F_pct_ISE_Fuse <- suppressWarnings(as.numeric(gsub(",", ".", as.character(datos$F_pct_ISE_Fuse))))
F_VAR <- datos$F_pct_ISE_Fuse[!is.na(datos$F_pct_ISE_Fuse) & datos$F_pct_ISE_Fuse >= 0]
#----------------------- BOXPLOT: ANÁLISIS DE VALORES ATÍPICOS -----------------------
par(mar=c(5, 5, 4, 2))
stats_f <- boxplot.stats(F_VAR)
media_f <- round(mean(F_VAR), 2)
mediana_f <- round(median(F_VAR), 2)
n_outliers <- length(stats_f$out)
boxplot(F_VAR, horizontal = TRUE, col = "thistle", border = "purple4",
main = "Gráfica 7: Análisis de Valores Atípicos (Flúor)",
xlab = "Concentración de Flúor (%)",
pch = 21,
bg = "red",
outcol = "darkred",
yaxt = "n")
# Punto de la Media Real (Rombo Azul)
points(media_f, 1, col = "blue", pch = 18, cex = 2)
#----------------------- ETIQUETAS SEPARADAS VERTICALMENTE -----------------------
# La Media se queda arriba en su posición original
text(x = media_f,
y = 1.25,
labels = paste("Media:", media_f),
col = "blue",
font = 2,
cex = 0.9)
# La Mediana se desplaza hacia la derecha
text(x = 0.6,
y = 0.70,
labels = paste("Mediana:", mediana_f),
col = "purple4",
font = 2,
cex = 0.9)
# Leyenda de atípicos
legend("topright",
legend = paste("Atípicos detectados:", n_outliers),
text.col = "darkred",
bty = "n",
cex = 0.9)
#----------------------- BOXPLOT: DISTRIBUCIÓN LIMPIA (FLÚOR) -----------------------
par(mar=c(5, 5, 4, 2))
boxplot(F_VAR,
horizontal = TRUE,
outline = FALSE,
col = "thistle",
border = "purple4",
main = "Grafica 8: Distribución del Cuerpo Mineral (Sin Atípicos) - Flúor",
xlab = "Concentración de Flúor (%)",
ylim = c(0, 0.70), # definir la escala real de los datos
yaxt = "n")
# Agregar cuadrícula de fondo
grid(nx = NULL,
ny = NA,
col = "gray85",
lty = "dashed")
# Agregar el punto de la media real (Rombo Azul)
points(media_f, 1,
col = "blue",
pch = 18,
cex = 2)
#----------------------- UBICACIÓN DE ETIQUETAS MEJORADA -----------------------
# La media se dibuja arriba del rombo azul
text(x = media_f,
y = 1.25,
labels = paste("Media:", media_f),
col = "blue",
font = 2,
cex = 0.9)
# La mediana se desplaza a la derecha para no estorbar a la caja
text(x = 0.25,
y = 0.70,
labels = paste("Mediana:", mediana_f),
col = "purple4",
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 F_pct_ISE_Fuse -----------------------
# 1. Preparación de la variable continua
# Usamos 'datos' en minúsculas para mantener consistencia con el entorno de trabajo
datos$F_pct_ISE_Fuse <- suppressWarnings(as.numeric(gsub(",", ".", as.character(datos$F_pct_ISE_Fuse))))
# 2. Limpieza de valores nulos o negativos para análisis de Ley geoquímica
# Se incluye el cero (>= 0) para no omitir valores mínimos válidos en el balance estadístico
F_LIMPIA <- datos$F_pct_ISE_Fuse[!is.na(datos$F_pct_ISE_Fuse) & datos$F_pct_ISE_Fuse >= 0]
# 3. Cálculos estadísticos descriptivos consolidados
resumen_stats_F <- data.frame(
Estadistico = c("Tamaño muestral (n)",
"Mínimo (%)",
"Máximo (%)",
"Media (%)",
"Mediana (%)",
"Desviación Estándar",
"Coef. Variación (%)",
"Asimetría",
"Curtosis"),
Valor = c(
length(F_LIMPIA),
min(F_LIMPIA),
max(F_LIMPIA),
mean(F_LIMPIA),
median(F_LIMPIA),
sd(F_LIMPIA),
(sd(F_LIMPIA) / mean(F_LIMPIA)) * 100,
skewness(F_LIMPIA, type = 2),
kurtosis(F_LIMPIA)
)
)
# 4. Redondeo técnico para presentación en el reporte (2 decimales)
resumen_stats_F$Valor <- round(resumen_stats_F$Valor, 2)
#----------------------- SALIDA ESTÉTICA CON 'gt' -----------------------
tabla_stats_f_gt <- resumen_stats_F %>%
gt() %>%
tab_header(
title = md("**Tabla N° 3**"),
subtitle = md("Estadística Descriptiva para Concentraciones de Flúor (F)")
) %>%
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_f_gt| Tabla N° 3 | |
| Estadística Descriptiva para Concentraciones de Flúor (F) | |
| Parámetro Estadístico | Resultado |
|---|---|
| Tamaño muestral (n) | 21.00 |
| Mínimo (%) | 0.02 |
| Máximo (%) | 3.73 |
| Media (%) | 0.60 |
| Mediana (%) | 0.09 |
| Desviación Estándar | 1.03 |
| Coef. Variación (%) | 171.07 |
| Asimetría | 1.97 |
| Curtosis | 1.80 |
| Autores: Grupo 1 Semestre 2026 - 2026 |
|
CONCLUSIÓN
CONCLUSIÓN DE LA VARIABLE F_pct_ISE_Fuse
El análisis descriptivo de la variable flúor (F), basado en un tamaño muestral de 21 registros, muestra concentraciones entre un mínimo de 0.02% y un máximo de 3.73%, con una media de 0.60% y una mediana de 0.09%. El coeficiente de variación de 171.07% y la desviación estándar de 1.03 confirman una alta dispersión y heterogeneidad en la distribución del elemento. Finalmente, los índices de forma revelan una marcada asimetría positiva (1.97) y una curtosis de 1.80; este comportamiento es típico en geoquímica para elementos traza o guías, donde la mayoría de las muestras se concentran en leyes basales muy bajas (cercanas al cero), mientras que el promedio se ve fuertemente desplazado por anomalías puntuales de alta concentración.