1. Configuración y Carga de Datos

Se carga el conjunto de datos de arrendamientos de hidrocarburos del estado de Kansas, EE.UU., registrados por el Kansas Geological Survey.

ruta_archivo <- file.choose()
datos_vale <- read_csv(ruta_archivo, show_col_types = FALSE)

cat("Dataset cargado correctamente.\n")
## Dataset cargado correctamente.
cat("Total de registros evaluados (filas):", nrow(datos_vale), "\n")
## Total de registros evaluados (filas): 47757

2. Extracción y Limpieza de la Variable

La variable PRODUCING_FORMATION (Formación Productora) identifica la formación geológica de la cual se extrae el hidrocarburo en cada arrendamiento. Se eliminan los registros sin valor (NA o vacíos). Para el análisis se presenta la distribución de frecuencias completa (todas las categorías), y un resumen gráfico de las 10 categorías más representativas.

x_raw <- datos_vale %>%
  filter(!is.na(PRODUCING_FORMATION), PRODUCING_FORMATION != "") %>%
  pull(PRODUCING_FORMATION)

n <- length(x_raw)

cat("Observaciones válidas:", n, "\n")
## Observaciones válidas: 47756
cat("Formaciones distintas:", length(unique(x_raw)), "\n")
## Formaciones distintas: 313

3. Identificación de la Variable

Criterio Clasificación
Nombre Formación Productora
Nombre técnico PRODUCING_FORMATION
Tipo Cualitativa
Subtipo Nominal policotómica
Dominio Nombres de formaciones geológicas productoras
Rango Múltiples categorías
Unidad No aplica
Escala Nominal
Fuente Kansas Geological Survey – Kansas, EE.UU.

Justificación: La variable registra nombres de formaciones geológicas sin orden natural entre ellas. Corresponde a una variable cualitativa nominal policotómica. Se analiza a través de la distribución de frecuencias completa de sus categorías.

4. Tabla de Distribución de Frecuencias

Se presenta la distribución de frecuencias completa de la variable Formación Productora, con las 313 categorías registradas en Kansas, EE.UU. (n total = 47,756). La tabla es interactiva: permite buscar una formación específica, ordenar por cualquier columna y ajustar el número de filas visibles, de modo que se conserva el 100% de la información sin omitir ninguna categoría.

freq_completa <- sort(table(x_raw), decreasing = TRUE)

categorias_todas <- names(freq_completa)
ni_todas          <- as.integer(freq_completa)
hi_pct_todas      <- ni_todas / n * 100

# Sin redondeo: se conserva el valor real de la Frecuencia Relativa tal como
# se calcula (ni/n*100), sin recortarlo a un número fijo de decimales.
tabla_completa <- data.frame(
  `Formación Productora` = categorias_todas,
  `Frecuencia (ni)`       = ni_todas,
  `Porcentaje (hi%)`      = hi_pct_todas,
  check.names = FALSE,
  stringsAsFactors = FALSE
)

datatable(
  tabla_completa,
  caption = paste0(
    "Cuadro N°1: Distribución de Frecuencias Completa — ",
    format(length(categorias_todas), big.mark = ","), " Formaciones Productoras distintas, ",
    "arrendamientos de hidrocarburos del estado de Kansas, EE.UU., ",
    "período histórico disponible (n total = ", format(n, big.mark = ","), " registros válidos)."
  ),
  rownames = FALSE,
  filter   = "top",
  options  = list(
    pageLength = 10,
    lengthMenu = c(10, 25, 50, 100),
    order      = list(list(1, "desc")),
    scrollX    = TRUE
  )
) %>%
  formatStyle(columns = names(tabla_completa), fontSize = "90%") %>%
  formatStyle("Frecuencia (ni)", fontWeight = "bold")
# Fila de TOTAL (suma de todas las categorías): confirma que la Frecuencia
# Absoluta suma exactamente n y la Frecuencia Relativa suma 100.00%.
tabla_total <- data.frame(
  Categoria = "TOTAL",
  ni        = format(n, big.mark = ","),
  hi_pct    = sprintf("%.2f", sum(hi_pct_todas)),
  stringsAsFactors = FALSE
)

kable(
  tabla_total,
  col.names = c("", "Frecuencia (ni)", "Porcentaje (hi%)"),
  align     = c("l", "c", "c"),
  escape    = FALSE
) %>%
  kable_styling(
    bootstrap_options = c("condensed", "bordered"),
    full_width = TRUE, font_size = 12
  ) %>%
  row_spec(1, bold = TRUE, background = "#a9a9a9", color = "black") %>%
  footnote(general = "Autor: Araujo Valeska", general_title = "", footnote_as_chunk = TRUE)
Frecuencia (ni) Porcentaje (hi%)
TOTAL 47,756 100.00
Autor: Araujo Valeska

5. Representación Gráfica

Dado que la variable Formación Productora presenta 313 categorías distintas, representarlas todas en un gráfico de barras o circular resultaría en una visualización ilegible (etiquetas superpuestas, barras imperceptibles) y en un documento excesivamente extenso. Por esta razón, las gráficas a continuación se limitan a las 10 categorías con mayor frecuencia absoluta, que en conjunto concentran la mayor parte de los arrendamientos y permiten un resumen visual claro y comprensible. La información completa de las 313 categorías —sin ningún dato omitido— queda disponible en la tabla interactiva del Cuadro N°1.

top10      <- head(freq_completa, 10)
categorias <- names(top10)
ni         <- as.integer(top10)
hi_pct     <- ni / n * 100

5.1 Gráfica N°1 — Diagrama de Barras (Frecuencia Absoluta — Top 10)

# Se reutiliza el mismo Top 10 ya ordenado por frecuencia (categorias/ni)
# calculado en el Cuadro N°1, para garantizar idéntico orden entre tabla y gráfica.
top10_ord <- setNames(ni, categorias)
colores_g <- gray(seq(0.30, 0.80, length.out = length(top10_ord)))

par(mar = c(10, 6, 7, 2))
bp <- barplot(
  as.numeric(top10_ord),
  names.arg = names(top10_ord),
  col       = colores_g,
  border    = "black",
  ylim      = c(0, max(as.numeric(top10_ord)) * 1.18),
  xlab      = "", ylab = "", main = "", las = 2, cex.names = 0.7
)
text(bp, as.numeric(top10_ord) + max(as.numeric(top10_ord)) * 0.02,
     labels = format(as.numeric(top10_ord), big.mark = ","), cex = 0.8)
mtext("Frecuencia Absoluta (nᵢ)", side = 2, line = 4.5, cex = 1)
mtext("Formación Productora",      side = 1, line = 8.5, cex = 1)
mtext(
  "Gráfica N°1: Diagrama de Barras — Frecuencia Absoluta\nTop 10 Formaciones Productoras, Kansas, EE.UU.",
  side = 3, line = 3.5, cex = 0.9, font = 2
)

5.2 Gráfica N°2 — Diagrama de Barras (Porcentaje — Top 10)

# Mismo orden y categorías que el Cuadro N°1 (hi_pct ya viene alineado con categorias)
pct_ord <- setNames(hi_pct, categorias)

par(mar = c(10, 6, 7, 2))
bp2 <- barplot(
  as.numeric(pct_ord),
  names.arg = names(pct_ord),
  col       = colores_g,
  border    = "black",
  ylim      = c(0, max(as.numeric(pct_ord)) * 1.18),
  xlab      = "", ylab = "", main = "", las = 2, cex.names = 0.7
)
text(bp2, as.numeric(pct_ord) + max(as.numeric(pct_ord)) * 0.02,
     labels = paste0(round(as.numeric(pct_ord), 2), "%"), cex = 0.8)
mtext("Porcentaje (hᵢ %)",       side = 2, line = 4.5, cex = 1)
mtext("Formación Productora",     side = 1, line = 8.5, cex = 1)
mtext(
  "Gráfica N°2: Diagrama de Barras — Porcentaje\nTop 10 Formaciones Productoras, Kansas, EE.UU.",
  side = 3, line = 3.5, cex = 0.9, font = 2
)

5.3 Gráfica N°3 — Diagrama Circular (Distribución Porcentual — Top 10)

# Mismo orden y categorías que el Cuadro N°1
pct_circ <- setNames(hi_pct, categorias)
grises_c <- gray(seq(0.15, 0.85, length.out = length(pct_circ)))

par(mar = c(2, 2, 6, 12), xpd = TRUE)
pie(
  as.numeric(pct_circ),
  labels  = paste0(round(as.numeric(pct_circ), 2), "%"),
  col     = grises_c,
  border  = "black",
  main    = "",
  radius  = 1,
  cex     = 0.85
)
legend(
  x      = 1.2,
  y      = 1,
  legend = paste0(categorias, " (", format(ni, big.mark = ","), ")"),
  fill   = grises_c,
  cex    = 0.7,
  title  = "Formación (nᵢ)",
  bty    = "n"
)
mtext(
  "Gráfica N°3: Diagrama Circular — Distribución Porcentual\nTop 10 Formaciones Productoras, Kansas, EE.UU.",
  side = 3, line = 3.5, cex = 0.9, font = 2
)

6. Tabla de Indicadores

moda_val     <- names(sort(table(x_raw), decreasing = TRUE))[1]
moda_n       <- max(table(x_raw))
n_categorias <- length(unique(x_raw))

tabla_indicadores <- data.frame(
  Indicador = c(
    "Variable",
    "Tipo de variable",
    "Categorías (Rango)",
    "Moda (Mo)",
    "Mediana (Me)",
    "Media (X̄)",
    "Varianza (V)",
    "Desv. Estándar (Sd)",
    "Coef. Variación (CV%)",
    "Asimetría (As)",
    "Curtosis (K)"
  ),
  Valor = c(
    "Formación Productora",
    "Cualitativa Nominal Policotómica",
    paste0(format(n_categorias, big.mark = ","), " formaciones distintas"),
    moda_val,
    "—",
    "—",
    "—",
    "—",
    "—",
    "—",
    "—"
  ),
  stringsAsFactors = FALSE
)

tabla_indicadores %>%
  gt() %>%
  tab_header(
    title    = md("**Tabla N°2: Indicadores Estadísticos**"),
    subtitle = md("*Variable Cualitativa Nominal: Formación Productora*")
  ) %>%
  cols_label(
    Indicador = md("**Indicador**"),
    Valor     = md("**Valor**")
  ) %>%
  tab_style(
    style = list(
      cell_fill(color = "#2C2C2C"),
      cell_text(color = "white", weight = "bold")
    ),
    locations = cells_column_labels()
  ) %>%
  tab_style(
    style = cell_fill(color = "#F5F5F5"),
    locations = cells_body(rows = seq(1, nrow(tabla_indicadores), by = 2))
  ) %>%
  tab_style(
    style = list(
      cell_fill(color = "#D6D6D6"),
      cell_text(weight = "bold")
    ),
    locations = cells_body(
      rows    = Indicador == "Moda (Mo)",
      columns = everything()
    )
  ) %>%
  tab_style(
    style = cell_text(style = "italic", color = "gray40"),
    locations = cells_body(
      rows    = Valor == "—",
      columns = Valor
    )
  ) %>%
  tab_source_note(source_note = md("*Autor: Araujo Valeska*")) %>%
  tab_options(
    table.width                = pct(60),
    heading.title.font.size    = px(16),
    heading.subtitle.font.size = px(12),
    table.font.size            = px(13),
    data_row.padding           = px(6)
  )
Tabla N°2: Indicadores Estadísticos
Variable Cualitativa Nominal: Formación Productora
Indicador Valor
Variable Formación Productora
Tipo de variable Cualitativa Nominal Policotómica
Categorías (Rango) 313 formaciones distintas
Moda (Mo) UNKNOWN
Mediana (Me) —
Media (X̄) —
Varianza (V) —
Desv. Estándar (Sd) —
Coef. Variación (CV%) —
Asimetría (As) —
Curtosis (K) —
Autor: Araujo Valeska

7. Conclusión

La variable Formación Productora es una variable cualitativa nominal policotómica cuyas categorías corresponden a las 313 formaciones geológicas productoras distintas registradas en Kansas. Su valor más frecuente (moda) es “UNKNOWN”, con una participación del 67.16% en la muestra, lo que evidencia la concentración de los arrendamientos de hidrocarburos en un número reducido de formaciones frente a la alta dispersión del resto de categorías.

Autor: Araujo Valeska | Análisis Estadístico — Kansas Hydrocarbon Leases Dataset