0. Librerías

# -------------------------
# Cargar librerías
# -------------------------
library(gt)
library(dplyr)

## 
## Adjuntando el paquete: 'dplyr'

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

1.Leer datos

# -------------------------
# Cargar datos
# -------------------------

datos <- read.csv("waterPollution.csv",
                  sep = ",",
                  stringsAsFactors = FALSE)

2. Extracción y depuración de la variable

# ================================
# VARIABLE CUANTITATIVA CONTINUA
# ================================

CFP <- na.omit(datos$composition_food_organic_waste_percent)

3. Frecuencia

3.1 Rango

# Valores mC-nimo y mC!ximo
minimo <- min(CFP)
maximo <- max(CFP)

3.2 Uso de la Regla de Sturges

# Regla de Sturges
k <- 1 + (3.3 * log10(length(CFP)))
k <- floor(k)
# Rango y amplitud
R <- maximo - minimo
A <- R / k

3.3 Límites de clase

# LC-mites de clase
Li <- round(seq(from = minimo, to = maximo - A, by = A), 4)
Ls <- round(seq(from = minimo + A, to = maximo, by = A), 4)

# Marca de clase
MC <- round((Li + Ls) / 2, 2)

3.4 Creación de columnas

# Frecuencia absoluta
ni <- numeric(length(Li))

for (i in 1:length(Li)) {
  ni[i] <- sum(CFP >= Li[i] & CFP < Ls[i])
}

# Incluir el valor mC!ximo en el C:ltimo intervalo
ni[length(Li)] <- sum(CFP >= Li[length(Li)] & CFP <= maximo)

# Frecuencia relativa
hi <- round((ni / sum(ni)) * 100, 2)

# Crear tabla
TDF_CFP <- data.frame(
  Li, Ls, MC, ni, hi
)

# ================================
# ELIMINAR INTERVALOS CON ni = 0
# ================================

TDF_CFP <- TDF_CFP[TDF_CFP$ni > 0, ]

# Recalcular acumuladas
TDF_CFP$Niasc <- cumsum(TDF_CFP$ni)
TDF_CFP$Nidsc <- rev(cumsum(rev(TDF_CFP$ni)))
TDF_CFP$Hiasc <- round(cumsum(TDF_CFP$hi))
TDF_CFP$Hidsc <- round(rev(cumsum(rev(TDF_CFP$hi))))

4. Tabla de distribución de frecuencia

4.1 Tabla general con Sturges

TDF_CFP_Completo <- rbind(
  TDF_CFP,
  data.frame(
    Li = "Total",
    Ls = " ",
    MC = " ",
    ni = sum(TDF_CFP$ni),
    hi = 100,
    Niasc = " ",
    Nidsc = " ",
    Hiasc = " ",
    Hidsc = " "
  )
)

# ================================
# TABLA GT
# ================================

library(gt)
library(dplyr)

tabla_CFP <- TDF_CFP_Completo %>%
  gt() %>%
  tab_header(
    title = md("Tabla Nº1"),
    subtitle = md("**Distribución de frecuencias del Porcentaje de Residuos Orgánicos 
     en el estudio de la calidad de agua en Europa (1991-2017)**")
  ) %>%
  tab_source_note(
    source_note = md("Autor: Grupo 3")
  ) %>%
  tab_options(
    table.border.top.color = "black",
    table.border.bottom.color = "black",
    column_labels.border.bottom.color = "black",
    row.striping.include_table_body = TRUE
  )

tabla_CFP

Li	Ls	MC	ni	hi	Niasc	Nidsc	Hiasc	Hidsc
Tabla Nº1
Distribución de frecuencias del Porcentaje de Residuos Orgánicos en el estudio de la calidad de agua en Europa (1991-2017)
12.78	16.0813	14.43	370	1.86	370	19893	2	100
16.0813	19.3827	17.73	4001	20.11	4371	19523	22	98
22.684	25.9853	24.33	493	2.48	4864	15522	24	78
25.9853	29.2867	27.64	22	0.11	4886	15029	25	76
29.2867	32.588	30.94	10332	51.94	15218	15007	76	75
32.588	35.8893	34.24	460	2.31	15678	4675	79	24
35.8893	39.1907	37.54	168	0.84	15846	4215	80	21
39.1907	42.492	40.84	228	1.15	16074	4047	81	20
45.7933	49.0947	47.44	3223	16.20	19297	3819	97	19
55.6973	58.9987	57.35	117	0.59	19414	596	98	3
58.9987	62.3	60.65	479	2.41	19893	479	100	2
Total			19893	100.00
Autor: Grupo 3

4.2 Tabla Simplificada

# ============
# HISTOGRAMA 
# ============

histoP <- hist(
  CFP,
  breaks = 8,
  main = "Gráfica Nº1: Distribución de frecuencias del Porcentaje de Residuos Orgánicos 
     en el estudio de la calidad de agua en Europa (1991-2017)",
  ylab = "Cantidad",
  col = "blue"
)

# ===================================
# TABLA N 2: (Basada en Histograma)
# ===================================

Limites <- histoP$breaks
LimInf <- Limites[1:(length(Limites) - 1)]
LimSup <- Limites[2:length(Limites)]
Mc <- histoP$mids
ni <- histoP$counts
hi <- round((ni / sum(ni)) * 100, 2)

TDF_Histo_CFP <- data.frame(
  LimInf,
  LimSup,
  Mc,
  ni,
  hi
)

# Eliminar intervalos vacC-os
TDF_Histo_CFP <- TDF_Histo_CFP[TDF_Histo_CFP$ni > 0, ]

# Recalcular acumuladas
TDF_Histo_CFP$Ni_asc <- cumsum(TDF_Histo_CFP$ni)
TDF_Histo_CFP$Ni_dsc <- rev(cumsum(rev(TDF_Histo_CFP$ni)))
TDF_Histo_CFP$Hi_asc <- round(cumsum(TDF_Histo_CFP$hi), 2)
TDF_Histo_CFP$Hi_dsc <- round(rev(cumsum(rev(TDF_Histo_CFP$hi))), 2)

# Fila total
TDF_Histo_CFP_Completo <- rbind(
  TDF_Histo_CFP,
  data.frame(
    LimInf = "Total",
    LimSup = " ",
    Mc = " ",
    ni = sum(TDF_Histo_CFP$ni),
    hi = 100,
    Ni_asc = " ",
    Ni_dsc = " ",
    Hi_asc = " ",
    Hi_dsc = " "
  )
)

# Tabla GT
tabla_Histo_CFP <- TDF_Histo_CFP_Completo %>%
  gt() %>%
  tab_header(
    title = md("Tabla Nº2"),
    subtitle = md("*Tabla simplificada de Porcentaje de Residuos Orgánicos 
     en el estudio de la calidad de agua en Europa (1991-2017)*")
  ) %>%
  tab_source_note(
    source_note = md("Autor: Grupo 3")
  ) %>%
  tab_options(
    table.border.top.color = "black",
    table.border.bottom.color = "black",
    column_labels.border.bottom.color = "black",
    row.striping.include_table_body = TRUE
  )

tabla_Histo_CFP

LimInf	LimSup	Mc	ni	hi	Ni_asc	Ni_dsc	Hi_asc	Hi_dsc
Tabla Nº2
Tabla simplificada de Porcentaje de Residuos Orgánicos en el estudio de la calidad de agua en Europa (1991-2017)
10	15	12.5	343	1.72	343	19893	1.72	100.01
15	20	17.5	4028	20.25	4371	19550	21.97	98.29
20	25	22.5	493	2.48	4864	15522	24.45	78.04
25	30	27.5	583	2.93	5447	15029	27.38	75.56
30	35	32.5	9876	49.65	15323	14446	77.03	72.63
35	40	37.5	523	2.63	15846	4570	79.66	22.98
40	45	42.5	228	1.15	16074	4047	80.81	20.35
45	50	47.5	3223	16.20	19297	3819	97.01	19.2
55	60	57.5	117	0.59	19414	596	97.6	3
60	65	62.5	479	2.41	19893	479	100.01	2.41
Total			19893	100.00
Autor: Grupo 3

5. Gráficas

5.1 Histograma (ni)

# =========================
# HISTOGRAMA N'2 (ni)
# =========================

cortes <- seq(min(CFP), max(CFP), length.out = 11)

hist(CFP, 
     breaks = cortes, 
     main = "Gráfica Nº2: Distribución del Porcentaje de Residuos Orgánicos 
     en el estudio de la calidad de agua en Europa (1991-2017)",
     xlab = "Residuos orgánicos (%)",
     ylab = "Cantidad",
     ylim = c(0, max(ni)),
     col = "lightgreen")

5.2 Histograma General (ni)

# ============================
# HISTOGRAMA N'3 ni (GENERAL)
# ============================

cortes <- seq(min(CFP), max(CFP), length.out = 11)

hist(CFP, 
     breaks = cortes, 
     main = "Gráfica Nº3: Distribución general del Porcentaje de Residuos Orgánicos 
     en el estudio de la calidad de agua en Europa (1991-2017)",
     xlab = "Residuos orgánicos (%)",
     ylab = "Cantidad",
     ylim = c(0, 20000),
     col = "mediumseagreen")

5.3 Histograma Porcentual (hi)

# =========================
# HISTOGRAMA Nº4: PORCENTUAL
# =========================

barplot(
  TDF_Histo_CFP$hi,
  names.arg = round(TDF_Histo_CFP$Mc,2),
  col = "royalblue",
  space = 0,
  main = "Gráfica Nº4: Distribución general del Porcentaje de Residuos Orgánicos",
  xlab = "Residuos orgánicos (%)",
  ylab = "Porcentaje (%)",
  ylim = c(0, max(hi)*1.1),
  las = 1
)

5.4 Histograma Porcentual General (hi)

# ==================================
# HISTOGRAMA Nº5 PORCENTUAL hi 
# ==================================

barplot(
  TDF_Histo_CFP$hi,
  names.arg = round(TDF_Histo_CFP$Mc,2),
  col = "royalblue",
  space = 0,
  main = "Gráfica Nº5: Distribución general porcentual de Residuos Orgánicos 
     en el estudio de la calidad de agua en Europa (1991-2017)",
  xlab = "Residuos orgánicos (%)",
  ylab = "Porcentaje (%)",
  ylim = c(0, 100*1.1),
  las = 1
)

5.5 Polígono de frecuencias (ni)

# Crear el histograma y guardarlo
histoP <- hist(
  CFP,
  breaks = cortes,
  main = "Gráfica Nº6: Polígno de frecuencias del Porcentaje de Residuos 
  Orgánicos en el estudio de la calidad de agua en Europa (1991-2017) ",
  xlab = "Residuos orgánicos (%)",
  ylab = "Frecuencia",
  col = "lightgreen",
  border = "black"
)

# Agregar el polígono usando las marcas de clase del histograma
lines(
  histoP$mids,
  histoP$counts,
  type = "o",
  pch = 16,
  lwd = 2,
  col = "black"
)

5.6 Polígono de frecuencias (hi)

# Datos
hi <- TDF_Histo_CFP$hi
mc <- round(TDF_Histo_CFP$Mc, 2)

# Histograma (barras)
bp <- barplot(
  hi,
  names.arg = mc,
  col = "royalblue",
  space = 0,
  main = "Gráfica Nº7: Polígno de frecuencias del Porcentaje de Residuos 
  Orgánicos en el estudio de la calidad de agua en Europa (1991-2017)",
  xlab = "Residuos orgánicos (%)",
  ylab = "Porcentaje (%)",
  ylim = c(0, max(hi) * 1.2)
)

# Polígono superpuesto
lines(
  bp,
  hi,
  type = "o",
  pch = 16,
  lwd = 2,
  col = "black"
)

5.7 Boxplot

# =========================
# BOXPLOT
# =========================
boxplot(
  CFP,
  horizontal = TRUE,
  col = "powderblue",
  main = "Gráfica Nº8: Diagrama de caja del Porcentaje de Residuos Orgánicos
  en el estudio de la calidad de agua en Europa (1991-2017)",
  xlab = "Residuos Orgánicos (%)"
)

points(
  mean(CFP),
  1,
  pch = 19,
  col = "red"
)

legend(
  "topright",
  legend = "Media",
  pch = 19,
  col = "red"
)

5.8 Ojiva ascendente y descendente (Ni)

# =========================
# OJIVAS Ni
# =========================

plot(
  TDF_Histo_CFP$LimInf,
  TDF_Histo_CFP$Ni_dsc,
  main = "Gráfica Nº9: Ojiva ascendente y descendente del Porcentaje de Residuos 
  Orgánicos en el estudio de la calidad de agua en Europa (1991-2017)",
  xlab = "Residuos Orgánicos (%)",
  ylab = "Cantidad",
  col = "orange",
  type = "o",
  lwd = 2
)

lines(
  TDF_Histo_CFP$LimSup,
  TDF_Histo_CFP$Ni_asc,
  col = "green",
  type = "o",
  lwd = 2
)

legend(
  "right",
  legend = c(
    "Ojiva descendente",
    "Ojiva ascendente"
  ),
  col = c("orange", "green"),
  pch = c(16, 16),
  lty = 1,
  bty = "n"
)

5.9 Ojiva ascendente y descendente (Hi)

# =========================
# OJIVAS PORCENTUALES
# =========================

plot(
  TDF_Histo_CFP$LimSup,
  TDF_Histo_CFP$Hi_asc,
  type = "o",
  col = "blue",
  pch = 16,
  lwd = 2,
  main = "Gráfica Nº10: Ojiva ascendente y descendente porcentual de los Residuos 
  Orgánicos en el estudio de la calidad de agua en Europa (1991-2017)",
  xlab = "Residuos Orgánicos (%)",
  ylab = "Porcentaje acumulado (%)",
  ylim = c(0, 100)
)

# Ojiva Descendente
lines(
  TDF_Histo_CFP$LimInf,
  TDF_Histo_CFP$Hi_dsc,
  type = "o",
  col = "red",
  pch = 17,
  lwd = 2
)

grid()

legend(
  "right",
  legend = c(
    "Ojiva Ascendente (%)",
    "Ojiva Descendente (%)"
  ),
  col = c("blue", "red"),
  pch = c(16, 17),
  lty = 1,
  bty = "n"
)

6 Indicadores Estadísticos

6.1 Indicadores de Tendencia Central

# =========================
# INDICADORES ESTADISTICOS
# =========================
# Obtener valores atC-picos segC:n el criterio del boxplot
atipicos <- boxplot.stats(CFP)$out

# Cantidad de valores atC-picos
n_atipicos <- length(atipicos)

CFP <- na.omit(datos$composition_food_organic_waste_percent)
CFP <- as.numeric(CFP)
media <- round(mean(CFP), 2)
mediana <- round(median(CFP), 2)

# =========================
# MODA (INTERVALO MODAL)
# =========================

fila_modal <- which.max(TDF_Histo_CFP$ni)

moda <- paste0(
  "[",
  round(TDF_Histo_CFP$LimInf[fila_modal], 2),
  " ; ",
  round(TDF_Histo_CFP$LimSup[fila_modal], 2),
  "]"
)

6.2 Dispersión

varianza <- var(CFP)
desv_est <- sd(CFP)
cv <- round((desv_est / media) * 100, 2)

6.3 Asimetría

library(e1071)

asimetria <- skewness(CFP, type = 2)
curtosis <- kurtosis(CFP)

6.4 Tabla de Indicadores

# =========================
# TABLA RESUMEN FINAL
# =========================

tabla_indicadores <- data.frame(
  Variable = "Porcentaje Residuos OrgC!nicos",
  Rango = paste0("[", round(min(CFP), 2), " ; ", round(max(CFP), 2), "]"),
  X = media,
  Me = mediana,
  Mo = moda,
  V = round(varianza, 2),
  Sd = round(desv_est, 2),
  Cv = cv,
  As = round(asimetria, 2),
  K = round(curtosis, 2),
  Valores_Atipicos = n_atipicos
)

tabla_indicadores_gt <- tabla_indicadores %>%
  gt() %>%
  tab_header(
    title = md("Tabla Nº3"),
    subtitle = md("*Indicadores estadísticos de la variable Porcentaje de Residuos 
                  OrgC!nicos en el estudio de la calidad de agua en Europa (1991-2017)*")
  ) %>%
  tab_source_note(
    source_note = md("Autor: Grupo 3")
  )

tabla_indicadores_gt

Variable	Rango	X	Me	Mo	V	Sd	Cv	As	K	Valores_Atipicos
Tabla Nº3
Indicadores estadísticos de la variable Porcentaje de Residuos OrgC!nicos en el estudio de la calidad de agua en Europa (1991-2017)
Porcentaje Residuos OrgC!nicos	[12.78 ; 62.3]	32.17	32	[30 ; 35]	128.29	11.33	35.21	0.44	-0.06	9434
Autor: Grupo 3

7. Conclusión

##============##
## CONCLUSION ##
##============##
# La variable Porcentaje de Residuos Orgánicos (%) fluctúa entre 12.78% y 62.3%, y sus valores giran en torno a una mediana de 32%, con una desviación estándar de 11.33%, lo que representa un conjunto de datos con variabilidad moderada (CV = 35.21%). Los valores presentan una asimetría positiva (As = 0.44), indicando una ligera concentración de datos hacia valores menores a la media, y una curtosis negativa (K = -0.06), lo que evidencia una distribución platicúrtica, es decir, más achatada o plana que la distribución normal. Cabe destacar la identificación de 9,434 valores atípicos, lo cual sugiere la presencia de casos excepcionales o extremos dentro del monitoreo de la calidad del agua en Europa (1991-2017) que requieren una revisión detallada. Por lo anterior, aunque la tendencia central es clara, la alta cantidad de valores atípicos señala una heterogeneidad significativa en los niveles de residuos orgánicos a lo largo del periodo y territorio estudiado.

Residuos Orgánicos

Universidad Central del Ecuador

2026-05-22

0. Librerías

1.Leer datos

2. Extracción y depuración de la variable

3. Frecuencia

3.1 Rango

3.2 Uso de la Regla de Sturges

3.3 Límites de clase

3.4 Creación de columnas

4. Tabla de distribución de frecuencia

4.1 Tabla general con Sturges

4.2 Tabla Simplificada

5. Gráficas

5.1 Histograma (ni)

5.2 Histograma General (ni)

5.3 Histograma Porcentual (hi)

5.4 Histograma Porcentual General (hi)

5.5 Polígono de frecuencias (ni)

5.6 Polígono de frecuencias (hi)

5.7 Boxplot

5.8 Ojiva ascendente y descendente (Ni)

5.9 Ojiva ascendente y descendente (Hi)

6 Indicadores Estadísticos

6.1 Indicadores de Tendencia Central

6.2 Dispersión

6.3 Asimetría

6.4 Tabla de Indicadores

7. Conclusión