Desvío del pozo (Slant / Grado de desviación)- Variable Discreta

1 Configuración y Carga de Datos

library(dplyr)
library(gt)
library(e1071)

col_principal <- "#0E6655"
col_barras    <- "#16A085"
col_acento    <- "#E67E22"
col_grid      <- "#D7DBDD"

setwd("C:/Users/ASUS/Desktop/Estadistica/new_york_exel")

archivo_csv <- "Oil__Gas____Other_Regulated_Wells__Beginning_1860.csv"

# Detección de separador (evita depender de un delimitador fijo)
separadores <- c(",", ";", "\t", "|")
mejor_sep <- NULL
mejor_ncol <- 1

for (s in separadores) {
  n_campos <- tryCatch(utils::count.fields(archivo_csv, sep = s)[1],
                        error = function(e) 1)
  if (!is.na(n_campos) && n_campos > mejor_ncol) {
    mejor_ncol <- n_campos
    mejor_sep  <- s
  }
}
if (is.null(mejor_sep)) mejor_sep <- ","
cat("Separador detectado:", ifelse(mejor_sep == "\t", "TAB", mejor_sep),
    "| Columnas detectadas:", mejor_ncol, "\n")

## Separador detectado: , | Columnas detectadas: 52

Datos_Brutos <- read.csv(archivo_csv, header = TRUE, sep = mejor_sep,
                          check.names = TRUE, stringsAsFactors = FALSE)

# Localización de columna de desvío: "Slant"
col_slant <- names(Datos_Brutos)[
  grepl("slant", names(Datos_Brutos), ignore.case = TRUE)
]

if (length(col_slant) > 0) {
  nombre_col_fin <- col_slant[1]
} else {
  columnas_txt <- paste(names(Datos_Brutos), collapse = " | ")
  stop("ERROR: No se encontró ninguna columna de desvío del pozo ",
       "(se buscó el patrón 'Slant').\n",
       "Separador usado: '", mejor_sep, "'  |  N° de columnas leídas: ", ncol(Datos_Brutos), "\n",
       "COLUMNAS ENCONTRADAS EN EL ARCHIVO:\n", columnas_txt)
}

cat("Columna de desvío del pozo identificada: ", nombre_col_fin, "\n", sep = "")

## Columna de desvío del pozo identificada: Slant

2 Extracción y Limpieza de la Variable

niveles_desvio  <- c("Vertical", "Directional", "Horizontal")
etiquetas_desvio <- c("Vertical", "Direccional", "Horizontal")

Datos <- Datos_Brutos %>%
  mutate(Slant_Raw = trimws(.data[[nombre_col_fin]])) %>%
  filter(Slant_Raw %in% niveles_desvio) %>%
  mutate(
    Desvio_Cod = match(Slant_Raw, niveles_desvio) - 1,           # 0, 1, 2
    Desvio_Etiqueta = factor(etiquetas_desvio[Desvio_Cod + 1], levels = etiquetas_desvio)
  )

Variable_Exacta <- Datos$Desvio_Cod
if (length(Variable_Exacta) == 0) stop("ERROR: No hay datos válidos.")

cat("N (pozos con desvío identificado):", length(Variable_Exacta),
    "| Categorías distintas:", length(unique(Datos$Desvio_Cod)), "\n")

## N (pozos con desvío identificado): 47366 | Categorías distintas: 3

3 Identificación de la Variable

Desvío del pozo (Slant) es una variable cuantitativa discreta que registra el grado de inclinación de la perforación mediante un código ordinal: 0 = Vertical, 1 = Direccional, 2 = Horizontal; no fue necesario agrupar categorías en “Otros” —a diferencia de variables nominales con muchas categorías como County—, ya que son solo 3 categorías, todas con frecuencia suficiente (ver tabla, sección 4), tal como resume el siguiente cuadro:

ficha <- data.frame(
  Criterio = c("Nombre", "Nombre técnico", "Tipo", "Subtipo", "Dominio",
               "Rango", "Unidad", "Escala", "Fuente"),
  Clasificacion = c(
    "Desvío del pozo (grado de inclinación)",
    nombre_col_fin,
    "Cuantitativa discreta",
    "Codificada / Estructural",
    "0 = Vertical, 1 = Direccional, 2 = Horizontal",
    "3 clases naturales (una por categoría de desvío)",
    "Código de desvío (sin unidad física)",
    "Ordinal (codificación numérica de una escala nominal ordenada)",
    "Oil, Gas & Other Regulated Wells - NY State"
  ),
  stringsAsFactors = FALSE
)

ficha %>%
  gt() %>%
  cols_label(Criterio = "Criterio", Clasificacion = "Clasificación") %>%
  cols_align(align = "left", columns = everything()) %>%
  tab_style(
    style = list(cell_text(weight = "bold")),
    locations = cells_body(columns = Criterio)
  ) %>%
  tab_style(
    style = list(cell_text(color = col_principal, weight = "bold"),
                 cell_borders(sides = "bottom", color = col_principal, weight = px(2))),
    locations = cells_column_labels()
  ) %>%
  opt_row_striping() %>%
  opt_table_font(font = google_font("Roboto")) %>%
  tab_options(
    table.font.size = px(14),
    data_row.padding = px(10),
    table.border.top.style = "hidden",
    table.border.bottom.style = "hidden",
    column_labels.border.top.style = "hidden"
  )

Criterio	Clasificación
Nombre	Desvío del pozo (grado de inclinación)
Nombre técnico	Slant
Tipo	Cuantitativa discreta
Subtipo	Codificada / Estructural
Dominio	0 = Vertical, 1 = Direccional, 2 = Horizontal
Rango	3 clases naturales (una por categoría de desvío)
Unidad	Código de desvío (sin unidad física)
Escala	Ordinal (codificación numérica de una escala nominal ordenada)
Fuente	Oil, Gas & Other Regulated Wells - NY State

4 Tabla de Distribución de Frecuencias

TDF_Raw <- Datos %>%
  group_by(Desvio_Cod, Desvio_Etiqueta) %>%
  summarise(ni = n(), .groups = "drop") %>%
  arrange(Desvio_Cod)

ni <- TDF_Raw$ni
N  <- sum(ni)
hi <- (ni / N) * 100
Ni_asc  <- cumsum(ni)
Ni_desc <- rev(cumsum(rev(ni)))
Hi_asc  <- cumsum(hi)
Hi_desc <- rev(cumsum(rev(hi)))

TDF_Desvio <- data.frame(
  Desvio = as.character(TDF_Raw$Desvio_Etiqueta),
  ni = ni,
  hi = round(hi, 2),
  Ni_asc = Ni_asc,
  Ni_desc = Ni_desc,
  Hi_asc = round(Hi_asc, 2),
  Hi_desc = round(Hi_desc, 2)
)

totales <- c("TOTAL", sum(ni), round(sum(hi), 2), "-", "-", "-", "-")
TDF_Char <- TDF_Desvio %>% mutate(across(everything(), as.character))
TDF_Show <- rbind(TDF_Char, totales)

modal_row <- which.max(TDF_Desvio$ni)

TDF_Show %>%
  gt() %>%
  tab_header(
    title = md("**DISTRIBUCIÓN POR DESVÍO DEL POZO**"),
    subtitle = md(paste0("Variable: **Desvío del pozo (", nombre_col_fin,
                          ")** · Nueva York"))
  ) %>%
  tab_spanner(label = "Frecuencias acumuladas",
              columns = c(Ni_asc, Ni_desc, Hi_asc, Hi_desc)) %>%
  cols_label(
    Desvio = "Desvío (código)",
    ni = "Cant. Pozos (ni)",
    hi = "Porcentaje (hi%)",
    Ni_asc = "Ni (Asc)", Ni_desc = "Ni (Desc)",
    Hi_asc = "Hi (Asc)", Hi_desc = "Hi (Desc)"
  ) %>%
  cols_align(align = "center", columns = everything()) %>%
  tab_style(
    style = list(cell_fill(color = col_principal), cell_text(color = "white", weight = "bold")),
    locations = cells_title()
  ) %>%
  tab_style(
    style = list(cell_fill(color = "#148F77"), cell_text(color = "white", weight = "bold")),
    locations = cells_column_labels()
  ) %>%
  tab_style(
    style = list(cell_fill(color = "#148F77"), cell_text(color = "white", weight = "bold")),
    locations = cells_column_spanners()
  ) %>%
  tab_style(
    style = list(cell_fill(color = "#FDEBD0"), cell_text(weight = "bold")),
    locations = cells_body(rows = modal_row)
  ) %>%
  tab_style(
    style = list(cell_fill(color = "#D0ECE7"), cell_text(weight = "bold")),
    locations = cells_body(rows = Desvio == "TOTAL")
  ) %>%
  opt_row_striping() %>%
  opt_table_font(font = google_font("Roboto")) %>%
  tab_options(
    table.font.size = px(13),
    heading.align = "left",
    heading.title.font.size = px(17),
    data_row.padding = px(7),
    table.border.top.color = col_principal,
    table.border.bottom.color = col_principal,
    column_labels.border.bottom.color = col_principal
  ) %>%
  tab_source_note(md("*Fuente: NYS DEC — Oil, Gas & Other Regulated Wells. Elaboración: EDUARDO.*"))

DISTRIBUCIÓN POR DESVÍO DEL POZO
Variable: Desvío del pozo (Slant) · Nueva York
Desvío (código)	Cant. Pozos (ni)	Porcentaje (hi%)	Frecuencias acumuladas
			Ni (Asc)	Ni (Desc)	Hi (Asc)	Hi (Desc)
Vertical	46610	98.4	46610	47366	98.4	100
Direccional	258	0.54	46868	756	98.95	1.6
Horizontal	498	1.05	47366	498	100	1.05
TOTAL	47366	100	-	-	-	-
Fuente: NYS DEC — Oil, Gas & Other Regulated Wells. Elaboración: EDUARDO.

5 Representación Gráfica

5.1 Gráfica N°1 — Diagrama de Barras (Frecuencia Absoluta)

vals_x <- TDF_Desvio$Desvio
vals_y <- TDF_Desvio$ni
ylim_max <- max(vals_y) * 1.15

par(mar = c(6, 5, 4, 2))
bp1 <- barplot(vals_y,
        main = "Gráfica N°1: Distribución del desvío del pozo (NY)",
        cex.main = 0.9, ylab = "Cantidad de pozos (ni)",
        col = col_barras, border = "white", axes = FALSE,
        ylim = c(0, ylim_max), axisnames = FALSE)
axis(2, col = col_principal, col.axis = col_principal)
axis(1, at = bp1, labels = vals_x, col = col_principal, col.axis = col_principal, cex.axis = 0.85)
text(x = bp1, y = vals_y, label = vals_y, pos = 3, cex = 0.75, col = col_principal)
title(xlab = "Grado de desvío", line = 3)
grid(nx = NA, ny = NULL, col = col_grid, lty = "dotted")
box(bty = "l", col = col_principal)

5.2 Gráfica N°2 — Diagrama de Barras (Porcentaje)

vals_y_pct <- TDF_Desvio$hi

par(mar = c(6, 5, 4, 2))
bp2 <- barplot(vals_y_pct,
        main = "Gráfica N°2: Distribución porcentual del desvío del pozo (NY)",
        cex.main = 0.9, ylab = "% del total (hi)",
        col = col_barras, border = "white", axes = FALSE,
        ylim = c(0, max(vals_y_pct) * 1.2), axisnames = FALSE)
axis(2, col = col_principal, col.axis = col_principal)
axis(1, at = bp2, labels = vals_x, col = col_principal, col.axis = col_principal, cex.axis = 0.85)
text(x = bp2, y = vals_y_pct, label = paste0(round(vals_y_pct, 1), "%"), pos = 3, cex = 0.75, col = col_principal)
title(xlab = "Grado de desvío", line = 3)
grid(nx = NA, ny = NULL, col = col_grid, lty = "dotted")
box(bty = "l", col = col_principal)

5.3 Gráfica N°3 — Diagrama de Barras Horizontal (Distribución Porcentual)

par(mar = c(5, 8, 4, 3))
bp3 <- barplot(rev(vals_y_pct),
        main = "Gráfica N°3: Distribución porcentual del desvío del pozo (NY)",
        cex.main = 0.9, xlab = "% del total (hi)",
        col = col_barras, border = "white", axes = FALSE,
        horiz = TRUE, xlim = c(0, max(vals_y_pct) * 1.2), names.arg = rep("", length(vals_y_pct)))
axis(1, col = col_principal, col.axis = col_principal)
axis(2, at = bp3, labels = rev(vals_x), col = col_principal, col.axis = col_principal,
     las = 1, cex.axis = 0.85)
text(x = rev(vals_y_pct), y = bp3, label = paste0(round(rev(vals_y_pct), 1), "%"),
     pos = 4, cex = 0.75, col = col_principal)
grid(nx = NULL, ny = NA, col = col_grid, lty = "dotted")
box(bty = "l", col = col_principal)

Nota: se omite el diagrama de caja — con solo 3 categorías y 98.4% de pozos Verticales, el rango intercuartílico es 0 y marcaría como “atípico” a todo pozo Direccional u Horizontal, que en realidad son categorías válidas.

5.4 Ojivas (Frecuencias Acumuladas por Grado de Desvío)

Porcentaje acumulado (Hi) ascendente y descendente por categoría de desvío.

Nota: la caída abrupta de la ojiva descendente refleja el fuerte desbalance de la muestra (98.4% Vertical), no un error de cálculo.

par(mar = c(6, 5, 4, 8), xpd = TRUE)
x_vals_num <- sort(unique(Datos$Desvio_Cod))
x_labels   <- TDF_Desvio$Desvio
y_asc  <- TDF_Desvio$Hi_asc
y_desc <- TDF_Desvio$Hi_desc

plot(x_vals_num, y_asc, type = "o", col = col_principal, lwd = 2, pch = 19,
     main = "Ojivas ascendente y descendente del desvío del pozo (NY)",
     cex.main = 0.9, ylab = "Frecuencia acumulada (Hi %)", xlab = "",
     ylim = c(0, 105), axes = FALSE, frame.plot = FALSE)
axis(1, at = x_vals_num, labels = x_labels, cex.axis = 0.85,
     col = col_principal, col.axis = col_principal)
axis(2, at = seq(0, 100, 20), labels = paste0(seq(0, 100, 20), "%"),
     col = col_principal, col.axis = col_principal)
title(xlab = "Grado de desvío", line = 3)
lines(x_vals_num, y_desc, type = "o", col = col_acento, lwd = 2, pch = 19)
text(x_vals_num, y_asc, labels = paste0(round(y_asc, 1), "%"), pos = 3, cex = 0.7, col = col_principal)
text(x_vals_num, y_desc, labels = paste0(round(y_desc, 1), "%"), pos = 1, cex = 0.7, col = col_acento)
legend("right", legend = c("Ascendente", "Descendente"),
       col = c(col_principal, col_acento), lty = 1, pch = 19, cex = 0.7, lwd = 2,
       inset = c(-0.2, 0), bty = "n")
grid(nx = NULL, ny = NULL, col = col_grid, lty = "dotted")
box(bty = "l", col = col_principal)

6 Tabla de Indicadores

media_val   <- mean(Variable_Exacta)
mediana_val <- median(Variable_Exacta)

t_moda     <- table(Variable_Exacta)
freq_max   <- max(t_moda)
modas_calc <- as.numeric(names(t_moda)[t_moda == freq_max])
moda_txt   <- paste(etiquetas_desvio[modas_calc + 1], collapse = ", ")

rango_txt    <- paste0("[", min(Variable_Exacta), "; ", max(Variable_Exacta), "]")
varianza_val <- var(Variable_Exacta)
sd_val       <- sd(Variable_Exacta)
cv_val       <- (sd_val / abs(media_val)) * 100
asimetria_val <- skewness(Variable_Exacta, type = 2)
curtosis_val  <- kurtosis(Variable_Exacta, type = 2)

# Nota: se omite la detección de atípicos vía boxplot.stats() (regla del IQR).
# Para una variable discreta de 3 categorías tan desbalanceada, Q1 = Q3 = 0 y el
# IQR = 0, por lo que esa regla marcaría como "atípico" a todo pozo Direccional u
# Horizontal, aunque son categorías válidas y no anomalías. En su lugar se reporta
# la concentración en la categoría modal, indicador más apropiado para este caso.
pct_moda        <- round(max(ni) / N * 100, 2)
categoria_modal <- TDF_Desvio$Desvio[modal_row]
status_conc     <- paste0(pct_moda, "% en '", categoria_modal, "'")

df_indicadores <- data.frame(
  "Variable"  = "Desvío del pozo (código 0-2)",
  "Rango"     = rango_txt,
  "Media"     = media_val,
  "Mediana"   = mediana_val,
  "Moda"      = moda_txt,
  "Varianza"  = varianza_val,
  "Desv_Std"  = sd_val,
  "CV_Porc"   = cv_val,
  "Asimetria" = asimetria_val,
  "Curtosis"  = curtosis_val,
  "Concentracion" = status_conc
)

df_indicadores %>%
  gt() %>%
  tab_header(
    title = md("**TABLA DE INDICADORES**"),
    subtitle = "Estadísticos descriptivos de la variable Desvío del pozo"
  ) %>%
  tab_source_note(source_note = "Autor: EDUARDO") %>%
  fmt_number(columns = c(Media, Mediana, Varianza, Desv_Std, CV_Porc, Curtosis), decimals = 2) %>%
  fmt_number(columns = c(Asimetria), decimals = 4) %>%
  cols_label(
    Variable = "Variable", Rango = "Rango [Min; Max]",
    Media = "Media (X̄)", Mediana = "Mediana (Me)", Moda = "Moda (Mo)",
    Varianza = "Varianza (S²)", Desv_Std = "Desv. Est. (S)", CV_Porc = "C.V. (%)",
    Asimetria = "Asimetría (As)", Curtosis = "Curtosis (K)", Concentracion = "Concentración (moda)"
  ) %>%
  cols_align(align = "center", columns = everything()) %>%
  tab_style(
    style = list(cell_fill(color = col_principal), cell_text(color = "white", weight = "bold")),
    locations = cells_title()
  ) %>%
  tab_style(
    style = list(cell_fill(color = "#148F77"), cell_text(color = "white", weight = "bold")),
    locations = cells_column_labels()
  ) %>%
  tab_style(
    style = list(cell_fill(color = "#FDEBD0"), cell_text(weight = "bold")),
    locations = cells_body(columns = Moda)
  ) %>%
  opt_table_font(font = google_font("Roboto")) %>%
  tab_options(
    table.font.size = px(13),
    heading.align = "left",
    data_row.padding = px(9),
    table.border.top.color = col_principal,
    table.border.bottom.color = col_principal,
    column_labels.border.bottom.color = col_principal
  )

TABLA DE INDICADORES
Estadísticos descriptivos de la variable Desvío del pozo
Variable	Rango [Min; Max]	Media (X̄)	Mediana (Me)	Moda (Mo)	Varianza (S²)	Desv. Est. (S)	C.V. (%)	Asimetría (As)	Curtosis (K)	Concentración (moda)
Desvío del pozo (código 0-2)	[0; 2]	0.03	0.00	Vertical	0.05	0.22	817.15	8.4766	72.06	98.4% en 'Vertical'
Autor: EDUARDO

7 Conclusión

N = 47366 pozos. Desvío predominante: Vertical (98.4%). CV = 817.15% (distribución heterogénea). Asimetría = 8.4766 (sesgo hacia pozos verticales).