Análisis Inferencial de la Variación Espacial según el Datum de Referencia
Grupo 1
2026-06-14
CARGA DE DATOS Y LIBRERIAS
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]TABLA DE DISTRIBUCIÓN DE PROBABILIDAD
# Cargar las librerías necesarias
library(dplyr)
library(gt)
# 1. CREAR LA TABLA DE FRECUENCIAS Y RANGOS (TOP)
tabla_datum <- datos %>%
# Reemplazar valores vacíos, espacios en blanco o NA por "no clasificado"
mutate(DATUM = ifelse(is.na(DATUM) | trimws(DATUM) == "", "No clasificado", DATUM)) %>%
count(DATUM, name = "ni") %>%
mutate(
hi = ni / sum(ni),
P = round(hi * 100, 2)
) %>%
arrange(desc(ni)) %>%
mutate(rank = row_number())
# 2. CREAR LA FILA DE TOTALES
total_datum <- data.frame(
DATUM = "TOTAL",
ni = sum(tabla_datum$ni),
hi = NA, # Se omite el total en estas columnas para mayor rigor técnico
P = NA,
rank = NA
)
# 3. UNIR TODO EN UNA SOLA TABLA FINAL
tabla_datum_final <- bind_rows(tabla_datum, total_datum)
# 4. GENERAR LA TABLA VISUAL
tabla_datum_gt <- tabla_datum_final %>%
filter(rank <= 20 | is.na(rank)) %>%
select(-rank) %>%
gt() %>%
tab_header(
title = md("**Tabla N° 2**"),
subtitle = md("Distribución de probabilidad por Datum")
) %>%
tab_source_note(
source_note = md("Autores: Grupo 1 <br> Semestre 2026 - 2026")
) %>%
cols_label(
DATUM = "Datum",
ni = "Frecuencia absoluta (ni)",
hi = "Frec. relativa",
P = "Probabilidad (%)"
) %>%
fmt_number(columns = c(hi, P), decimals = 2) %>%
fmt_number(columns = ni, decimals = 0) %>%
sub_missing(columns = c(hi, P), missing_text = "") %>% # Deja las celdas NA completamente en blanco
tab_style(
style = cell_text(weight = "bold"),
locations = cells_body(rows = DATUM == "TOTAL")
) %>%
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_datum_gt| Tabla N° 2 | |||
| Distribución de probabilidad por Datum | |||
| Datum | Frecuencia absoluta (ni) | Frec. relativa | Probabilidad (%) |
|---|---|---|---|
| WGS84 | 1,263 | 0.92 | 92.46 |
| No clasificado | 64 | 0.05 | 4.69 |
| NAD27 | 39 | 0.03 | 2.86 |
| TOTAL | 1,366 | ||
| Autores: Grupo 1 Semestre 2026 - 2026 |
|||
GRÁFICAS DE DISTRIBUCIÓN DE PROBABILIDAD (DATUM)
# 1. PREPARAR DATOS PARA EL GRÁFICO (EXCLUIR TOTAL Y CREAR IDs)
# Usamos tabla_datum_final generada en el paso anterior
datum_plot <- tabla_datum_final %>%
filter(DATUM != "TOTAL") %>%
mutate(
id = row_number(),
etiqueta = paste0(id, ". ", DATUM)
)
# 2. AJUSTAR LOS MÁRGENES DEL LIENZO
# Aumentamos el margen derecho (el cuarto número) para que entre la leyenda sin cortarse
par(mar = c(5, 5, 4, 12), xpd = TRUE)
# 3. DIBUJAR LA GRÁFICA DE BARRAS
barras_datum <- barplot(
height = datum_plot$P, # Usamos la columna 'P' (Probabilidad en %)
main = "Gráfica N° 1: Distribución de probabilidad por Datum (%)",
xlab = "Datum (ID)",
ylab = "Probabilidad (%)",
col = "orchid", # Mantenemos el color
border = NA,
names.arg = datum_plot$id, # Pone los números en el eje X
cex.names = 1.0,
las = 1, # Números del eje Y horizontales
ylim = c(0, max(datum_plot$P, na.rm = TRUE) * 1.20) # 20% extra despacio arriba
)
# 4. COLOCAR PORCENTAJES ENCIMA DE LAS BARRAS
text(
x = barras_datum, # Usa las coordenadas exactas de las barras
y = datum_plot$P + 2.5, # Sube un poquito el texto
labels = paste0(datum_plot$P, "%"),
cex = 0.85,
col = "black"
)
# 5. AGREGAR LA LEYENDA A LA DERECHA
legend(
"topright",
inset = c(-0.55, 0), # Empuja la leyenda hacia la derecha, fuera del gráfico
legend = datum_plot$etiqueta,
fill = "orchid", # Muestra un cuadrito de color al lado del nombre
border = NA,
bty = "n", # Quita el recuadro negro alrededor de la leyenda
cex = 0.8
)
CÁLCULO DE PROBABILIDAD (DATUM)
# 1. IDENTIFICAR EL DATUM CON MAYOR PROBABILIDAD (excluyendo la fila de TOTAL)
# Usamos tabla_datum_final generada en los pasos anteriores
tabla_sin_total <- tabla_datum_final %>%
filter(DATUM != "TOTAL")
# Encontrar el nombre del datum y su probabilidad máxima
datum_mayor <- tabla_sin_total$DATUM[which.max(tabla_sin_total$P)]
prob_mayor <- tabla_sin_total$P[which.max(tabla_sin_total$P)]
# 2. CONFIGURAR EL LIENZO DEL GRÁFICO DE TEXTO
par(mar = c(2, 2, 2, 2)) # Márgenes amplios para evitar cortes
# Crear un plot vacío (type = "n") sin ejes
plot(1, type = "n", axes = FALSE, xlab = "", ylab = "",
xlim = c(0, 1), ylim = c(0, 1.1))
# 3. AGREGAR LOS TEXTOS AL LIENZO
# Título principal
text(
x = 0.5,
y = 0.85,
labels = "DATUM CON MAYOR PROBABILIDAD\n(estimación muestral)",
cex = 1.6,
col = "navy",
font = 2,
adj = 0.5
)
# Pregunta explicativa (Adaptada a la variable cartográfica)
text(
x = 0.5,
y = 0.60,
labels = paste0(
"¿Qué sistema de referencia (Datum) es más probable\n",
"que se utilice para el registro de muestras a nivel mundial?\n"
),
cex = 1.3,
col = "black",
font = 1,
adj = 0.5
)
# Respuesta dinámica (usa las variables calculadas arriba)
text(
x = 0.5,
y = 0.40,
labels = paste0(
"Respuesta: ", datum_mayor, "\n",
"Probabilidad estimada = ", sprintf("%.2f", prob_mayor), " %"
),
cex = 1.8,
col = "darkblue",
font = 2,
adj = 0.5
)
# 4. LÍNEA DECORATIVA SUTIL
abline(h = 0.75, col = "gray70", lty = 2, lwd = 1)
CONCLUSIÓN
Los resultados muestran que el WGS84 es el sistema de referencia (Datum) predominante en la georreferenciación de las muestras, con una probabilidad estimada del 92,46%.