Análisis Estadístico por Fuente de Coordenadas
Grupo 1
2026-06-29
1. CARGA DE DATOS Y LIBRERÍAS
CARGA DE DATOS
knitr::opts_chunk$set(
echo = TRUE,
message = FALSE,
warning = FALSE,
fig.align = "center"
)
datos <- read.csv2(
"C:/Users/Martin/Desktop/Estadistica/CMDB_Data.csv",
header = TRUE,
fileEncoding = "latin1",
check.names = FALSE,
stringsAsFactors = FALSE
)
names(datos) <- trimws(names(datos))
# Limpieza de la variable fuente de coordenadas
datos$COORDINATES_SOURCE[datos$COORDINATES_SOURCE == ""] <- "Desconocido"
datos$COORDINATES_SOURCE[is.na(datos$COORDINATES_SOURCE)] <- "Desconocido"
datos$COORDINATES_SOURCE[tolower(datos$COORDINATES_SOURCE) == "unknown"] <- "Desconocido"
str(datos)## 'data.frame': 1366 obs. of 103 variables:
## $ 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_SUBMITTE : 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 : num 38.9 -22.3 -21 -24.7 62.7 ...
## $ LONGITUDE : num -119.1 -68.9 -68.7 29.3 29 ...
## $ DATUM : chr "WGS84" "WGS84" "WGS84" "" ...
## $ LATITUDE_COLLECT : num 38.9 22.3 NA NA 62.7 ...
## $ LONGITUDE_COLLECT : num -119.1 -68.9 NA NA 29 ...
## $ DATUM_COLLECT : chr "" "WGS84" "" "" ...
## $ COORDINATES_QUAL : chr "100 m" "0m" "" "" ...
## $ 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 : num 0.33 6.65 0.46 0.7 9.48 1.54 5.32 4.34 5.31 7.9 ...
## $ Ca_pct_AES_ST : num 1.1 0.4 -0.1 0.3 8.5 11.4 10.8 2.4 1.1 0.9 ...
## $ Fe_pct_AES_ST : num 42.4 0.25 6.98 27.8 8.92 10.8 14.3 10.8 1.93 3.21 ...
## $ K_pct_AES_ST : num -0.1 6.1 0.2 -0.1 0.4 -0.1 1.6 2.2 1.5 3.9 ...
## $ Mg_pct_AES_ST : num 0.57 0.1 0.01 0.33 7.39 2.15 0.36 1.01 0.85 0.88 ...
## $ Mn_pct_AES_ST : num 0.02 -0.01 -0.01 -0.01 0.04 0.79 0.48 0.01 -0.01 0.02 ...
## $ P_pct_AES_ST : num -0.01 0.01 0.05 0.01 0.06 0.43 0.22 0.05 0.08 0.07 ...
## $ S_pct_AES_ST : num NA NA NA NA NA NA NA NA NA NA ...
## $ Si_pct_AES_ST : num NA NA NA NA NA NA NA NA NA NA ...
## $ Ti_pct_AES_ST : num 0.01 0.11 -0.01 -0.01 0.28 0.24 0.52 0.3 0.29 0.25 ...
## $ F_pct_ISE_Fuse : num NA NA NA NA NA NA NA NA NA NA ...
## $ Ag_ppm_MS_ST : num 58 6 468 16 21 24 92 12 10 -1 ...
## $ As_ppm_MS_ST : num -30 -30 90 -30 50 -30 90 -30 -30 -30 ...
## $ Au_ppm : num NA NA NA NA NA NA NA NA NA NA ...
## $ Au_AM : chr "" "" "" "" ...
## $ B_ppm_AES_ST : int NA NA NA NA NA NA NA NA NA NA ...
## $ Ba_ppm_AES_ST : num -0.5 924 121 174 8100 3.2 251 234 361 995 ...
## $ Be_ppm_AES_ST : int -5 -5 -5 -5 -5 -5 -5 -5 -5 -5 ...
## $ Bi_ppm_MS_ST : num 1.5 3.6 190 0.4 12.5 5 80.8 0.6 11.7 0.7 ...
## $ Cd_ppm_MS_ST : num 3.6 -0.2 0.9 -0.2 5.7 447 9.2 -0.2 -0.2 6.8 ...
## $ Ce_ppm_MS_ST : num 0.4 8.8 16.3 3.5 15.2 104 49.7 28.3 15.8 76.3 ...
## $ Co_ppm_MS_ST : num 209 -0.5 1.3 44.8 4.5 92.2 105 45.5 8 48.6 ...
## $ Cr_ppm_AES_ST : int -10 -10 -10 30 20 20 60 40 20 10 ...
## $ Cs_ppm_MS_ST : num 0.5 1.4 0.2 -0.1 0.8 10.6 0.4 2.8 0.6 5.1 ...
## $ Cu_ppm_AES_ST : num 50000 23300 50000 50000 18600 ...
## $ Dy_ppm_MS_ST : num -0.05 0.32 1.38 0.37 2.65 7.43 5.12 1.56 0.75 4.12 ...
## $ Er_ppm_MS_ST : num -0.05 0.22 0.77 0.23 1.63 3.98 2.89 0.78 0.34 2.17 ...
## $ Eu_ppm_MS_ST : num -0.05 0.14 0.17 0.1 0.42 1.5 0.99 0.66 0.37 1.14 ...
## $ Ga_ppm_MS_ST : num 5 15 6 3 52 19 26 17 22 27 ...
## $ Gd_ppm_MS_ST : num -0.05 0.45 1.5 0.39 2.9 8.29 5.72 2.42 1.12 4.88 ...
## $ 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 : num -0.05 0.07 0.25 0.07 0.53 1.49 1.05 0.28 0.13 0.74 ...
## $ In_ppm_MS_ST : num 6.4 -0.2 3.7 0.2 0.5 26.7 5.4 0.4 -0.2 -0.2 ...
## $ La_ppm_MS_ST : num 0.2 4.6 7.2 1.7 5.5 40.8 26.4 13.3 7.7 39.2 ...
## $ Li_ppm_AES_ST : int -10 -10 -10 -10 30 20 20 20 -10 20 ...
## $ Lu_ppm_MS_ST : num -0.05 -0.05 0.08 -0.05 0.22 0.64 0.44 0.11 0.06 0.36 ...
## $ Mo_ppm_MS_ST : num -2 60 3 2 14 6 473 69 3 9 ...
## $ Nb_ppm_MS_ST : num -1 4 -1 -1 9 13 13 1 3 12 ...
## $ Nd_ppm_MS_ST : num 0.2 3.8 9.1 1.7 9.5 41.7 23.5 14.9 8 29.3 ...
## $ Ni_ppm_AES_ST : num 144 6 -5 48 24 26 22 23 13 21 ...
## $ Pb_ppm_MS_ST : num 23 16 188 39 546 6 39 -5 17 17 ...
## $ Pd_ppm_FA_MS : num NA NA NA NA NA NA NA NA NA NA ...
## $ Pr_ppm_MS_ST : num -0.05 1.09 2.21 0.46 2.12 10.9 5.98 3.5 2.06 8.54 ...
## $ Pt_ppm_FA_MS : num NA NA NA NA NA NA NA NA NA NA ...
## $ Rb_ppm_MS_ST : num 1.2 148 7.1 0.7 5.2 3.4 65.8 98.8 31.8 169 ...
## $ Re_ppm_MS_HF : num NA NA NA NA NA NA NA NA NA NA ...
## $ Sb_ppm_MS_ST : num 1.2 2.4 2.9 0.3 8.1 1.2 3.7 0.3 0.3 1.5 ...
## $ 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 : num -0.1 0.6 1.6 0.4 2.6 8.1 5.1 2.6 1.5 4.9 ...
## $ Sn_ppm_MS_ST : num 2 3 106 -1 3 19 43 7 1 2 ...
## $ Sr_ppm_AES_ST : num 26.6 114 22.5 38.4 284 5.3 264 149 526 446 ...
## $ Ta_ppm_MS_ST : num -0.5 -0.5 -0.5 -0.5 -0.5 0.9 1.1 -0.5 -0.5 1.1 ...
## $ Tb_ppm_MS_ST : num -0.05 0.07 0.23 -0.05 0.45 1.29 0.86 0.27 0.13 0.73 ...
## $ Te_ppm_MS_ST : num NA NA NA NA NA NA NA NA NA NA ...
## $ Th_ppm_MS_ST : num 0.2 9.7 2.6 0.2 2.6 9.2 37.7 1.8 2.7 13.7 ...
## $ Tl_ppm_MS_ST : num -0.5 0.5 -0.5 -0.5 -0.5 -0.5 -0.5 -0.5 -0.5 0.9 ...
## $ Tm_ppm_MS_ST : num -0.05 -0.05 0.08 -0.05 0.22 0.67 0.47 0.1 -0.05 0.36 ...
## $ U_ppm_MS_ST : num 0.3 1.75 0.63 34.8 31.2 10.6 9.94 1.64 0.69 15.4 ...
## $ V_ppm_AES_ST : int 51 24 -5 493 68 20 40 159 39 61 ...
## $ W_ppm_MS_ST : num -1 28 22 11 8 223 30 83 -1 37 ...
## [list output truncated]Se cargaron correctamente los datos para el análisis de la variable
2. SELECCIÓN DE LA VARIABLE
VARIABLE SELECCIONADA: COORDINATES_SOURCE
# Seleccionar la variable que será analizada
variable_seleccionada <- datos$COORDINATES_SOURCE
nombre_variable <- "COORDINATES_SOURCE"
cat("Variable seleccionada:", nombre_variable, "\n")## Variable seleccionada: COORDINATES_SOURCEcat("Categorías con mayor frecuencia:\n")## Categorías con mayor frecuencia:print(head(sort(table(variable_seleccionada), decreasing = TRUE), 10))## variable_seleccionada
## 1) iTouchMap.com, approx, A. Orkild-Norton; 2) Mineral Resource Deposit Database Deposit ID 10174173, ore body, M. Granitto
## 42
## 1) Colorado School of Mines collection; 2) Mineral Resource Deposit Database Deposit ID 10065038, minesite, 10 entries in Mineral Resource Deposit Database, M. Granitto; district from AZGS DI-23
## 23
## 1) Colorado School of Mines collection, needs transform; 2) Mineral Deposit Database Site ID UT00011, ctr of pit on imagery, M. Granitto
## 21
## 1) Colorado School of Mines collection; 2) Mineral Resource Deposit Database Deposit ID 10311065, district, M. Granitto
## 12
## 1) Don Bryant collection; 2) Mindat.org, loc, 10 Mineral Resource Deposit Database locs, M. Granitto
## 11
## 1) Colorado School of Mines collection; 2) Mineral Deposit Database Site ID AZ00011, ctr of pit on imagery, M. Granitto
## 10
## 1) Colorado School of Mines collection; 2) Mineral Resource Deposit Database Deposit ID 10046282, deposit, M. Granitto
## 10
## 1) Colorado School of Mines collection; 2) Mineral Resource Deposit Database Deposit ID 10065278, minesite, M. Granitto; district from MRDS
## 10
## 1) Mindat.org, approx, A. Orkild-Norton; 2) Mineral Resource Deposit Database Deposit ID 10106953, minesite, M. Granitto; district from USGS MIS Map I2445
## 10
## 1) Colorado School of Mines collection; 2) Mineral Deposit Database Site ID UT00011, ctr of pit on imagery, M. Granitto
## 93. TABLA DE DISTRIBUCIÓN DE FRECUENCIAS
DISTRIBUCIÓN DE FRECUENCIAS POR FUENTE (TOP 10)
# Cargar las librerías necesarias
library(dplyr)
library(gt)
# 1. CONTAR LAS MUESTRAS POR FUENTE Y ELIMINAR DESCONOCIDOS
TDFCOORD <- table(datos$COORDINATES_SOURCE)
TDFCOORD <- TDFCOORD[names(TDFCOORD) != "Desconocido"]
# 2. ORDENAR DE MAYOR A MENOR Y TOMAR EL TOP 10
TDFCOORD_ORD <- sort(TDFCOORD, decreasing = TRUE)
Top10_Coord <- head(TDFCOORD_ORD, 10)
tabla_agrupada <- data.frame(
Fuente_de_Coordenadas = names(Top10_Coord),
ni = as.numeric(Top10_Coord)
)
# 3. CALCULAR PROPORCIONES Y PORCENTAJES
total_muestras <- sum(TDFCOORD_ORD)
tabla_agrupada$hi <- tabla_agrupada$ni / total_muestras
tabla_agrupada$hi_porc <- round(tabla_agrupada$hi * 100, 2)
# 4. CREAR LA FILA DE TOTALES DEL TOP 10
Total <- data.frame(
Fuente_de_Coordenadas = "TOTAL (TOP 10)",
ni = sum(tabla_agrupada$ni),
hi = sum(tabla_agrupada$hi),
hi_porc = round(sum(tabla_agrupada$hi_porc), 2)
)
# 5. UNIR TODO EN UNA SOLA TABLA FINAL
tabla_final <- rbind(tabla_agrupada, Total)
# 6. MOSTRAR LA TABLA CON GT
tabla_coord_gt <- tabla_final %>%
gt() %>%
tab_header(
title = md("**Tabla N° 1**"),
subtitle = md("Distribución de metadatos espaciales (Top 10 Fuentes)")
) %>%
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
)
tabla_coord_gt| Tabla N° 1 | |||
| Distribución de metadatos espaciales (Top 10 Fuentes) | |||
| Fuente_de_Coordenadas | ni | hi | hi_porc |
|---|---|---|---|
| 1) iTouchMap.com, approx, A. Orkild-Norton; 2) Mineral Resource Deposit Database Deposit ID 10174173, ore body, M. Granitto | 42 | 0.030746706 | 3.07 |
| 1) Colorado School of Mines collection; 2) Mineral Resource Deposit Database Deposit ID 10065038, minesite, 10 entries in Mineral Resource Deposit Database, M. Granitto; district from AZGS DI-23 | 23 | 0.016837482 | 1.68 |
| 1) Colorado School of Mines collection, needs transform; 2) Mineral Deposit Database Site ID UT00011, ctr of pit on imagery, M. Granitto | 21 | 0.015373353 | 1.54 |
| 1) Colorado School of Mines collection; 2) Mineral Resource Deposit Database Deposit ID 10311065, district, M. Granitto | 12 | 0.008784773 | 0.88 |
| 1) Don Bryant collection; 2) Mindat.org, loc, 10 Mineral Resource Deposit Database locs, M. Granitto | 11 | 0.008052709 | 0.81 |
| 1) Colorado School of Mines collection; 2) Mineral Deposit Database Site ID AZ00011, ctr of pit on imagery, M. Granitto | 10 | 0.007320644 | 0.73 |
| 1) Colorado School of Mines collection; 2) Mineral Resource Deposit Database Deposit ID 10046282, deposit, M. Granitto | 10 | 0.007320644 | 0.73 |
| 1) Colorado School of Mines collection; 2) Mineral Resource Deposit Database Deposit ID 10065278, minesite, M. Granitto; district from MRDS | 10 | 0.007320644 | 0.73 |
| 1) Mindat.org, approx, A. Orkild-Norton; 2) Mineral Resource Deposit Database Deposit ID 10106953, minesite, M. Granitto; district from USGS MIS Map I2445 | 10 | 0.007320644 | 0.73 |
| 1) Colorado School of Mines collection; 2) Mineral Deposit Database Site ID UT00011, ctr of pit on imagery, M. Granitto | 9 | 0.006588580 | 0.66 |
| TOTAL (TOP 10) | 158 | 0.115666179 | 11.56 |
| Autores: Grupo 1 Semestre 2026 - 2026 |
|||
4. CLASIFICACIÓN DE CATEGORÍAS
CLASIFICACIÓN DE FUENTES
# 1. SEPARAR EL TOP 5 DE LAS DEMÁS FUENTES
Top5_Coord <- head(TDFCOORD_ORD, 5)
Otras_Coord <- sum(TDFCOORD_ORD) - sum(Top5_Coord)
# 2. CREAR UN NUEVO CONJUNTO AGRUPADO
Datos_Agrupados <- c(Top5_Coord, "Otras Fuentes" = Otras_Coord)
# 3. ESTRUCTURAR LA NUEVA TABLA
tabla_top5 <- as.data.frame(Datos_Agrupados)
colnames(tabla_top5) <- c("ni")
tabla_top5$Fuente <- rownames(tabla_top5)
tabla_top5 <- tabla_top5[, c("Fuente", "ni")] # Reordenar columnas
# 4. CALCULAR PROPORCIONES
tabla_top5$hi <- tabla_top5$ni / sum(tabla_top5$ni)
tabla_top5$hi_porc <- round(tabla_top5$hi * 100, 2)
# 5. FILA DE TOTALES GENERALES
Total_Clasif <- data.frame(Fuente = "TOTAL GENERAL",
ni = sum(tabla_top5$ni),
hi = sum(tabla_top5$hi),
hi_porc = sum(tabla_top5$hi_porc))
tabla_final_clasif <- rbind(tabla_top5, Total_Clasif)
# 6. ACOPLAR Y MOSTRAR LA TABLA CON LA ESTÉTICA 'gt'
tabla_clasif_gt <- tabla_final_clasif %>%
gt() %>%
tab_header(
title = md("**Tabla N° 2**"),
subtitle = md("Comparativa de las 5 fuentes principales vs el resto")
) %>%
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_clasif_gt| Tabla N° 2 | |||
| Comparativa de las 5 fuentes principales vs el resto | |||
| Fuente | ni | hi | hi_porc |
|---|---|---|---|
| 1) iTouchMap.com, approx, A. Orkild-Norton; 2) Mineral Resource Deposit Database Deposit ID 10174173, ore body, M. Granitto | 42 | 0.030746706 | 3.07 |
| 1) Colorado School of Mines collection; 2) Mineral Resource Deposit Database Deposit ID 10065038, minesite, 10 entries in Mineral Resource Deposit Database, M. Granitto; district from AZGS DI-23 | 23 | 0.016837482 | 1.68 |
| 1) Colorado School of Mines collection, needs transform; 2) Mineral Deposit Database Site ID UT00011, ctr of pit on imagery, M. Granitto | 21 | 0.015373353 | 1.54 |
| 1) Colorado School of Mines collection; 2) Mineral Resource Deposit Database Deposit ID 10311065, district, M. Granitto | 12 | 0.008784773 | 0.88 |
| 1) Don Bryant collection; 2) Mindat.org, loc, 10 Mineral Resource Deposit Database locs, M. Granitto | 11 | 0.008052709 | 0.81 |
| Otras Fuentes | 1257 | 0.920204978 | 92.02 |
| TOTAL GENERAL | 1366 | 1.000000000 | 100.00 |
| Autores: Grupo 1 Semestre 2026 - 2026 |
|||
5. VISUALIZACIÓN DE COMPARATIVAS BÁSICAS
GRÁFICA DE BARRAS LOCAL Y GLOBAL (TOP 10)
# Ajustar margen inferior por si los textos de las fuentes son largos
par(mar = c(12, 4, 4, 2) + 0.1)
Top10_Coord <- head(TDFCOORD_ORD, 10)
# Límite para la gráfica LOCAL (solo un poco más alto que el 1er lugar)
limite_y_local <- max(Top10_Coord) * 1.2
# 1. PRIMERA GRÁFICA (LOCAL)
barplot(Top10_Coord,
main = "Gráfica 1: Top 10 Fuentes (LOCAL)",
ylab = "Frecuencia de uso",
col = "pink",
las = 2, # Pone las etiquetas numéricas verticales
cex.names = 0.7,
ylim = c(0, limite_y_local)) 
# 2. SEGUNDA GRÁFICA (GLOBAL - EJE Y AL TOTAL DE DATOS)
# Usamos 'total_muestras' (calculado en el bloque anterior) para el tope del eje Y
barplot(Top10_Coord,
main = "Gráfica 2: Top 10 Fuentes (GLOBAL)",
ylab = "Frecuencia de uso",
col = "skyblue",
las = 2,
cex.names = 0.7,
ylim = c(0, total_muestras), # Forzamos el techo al total de datos
yaxt = "n")
# 3. Dibujar el eje Y personalizado
# Creamos una secuencia de 5 puntos y nos aseguramos de que el total exacto aparezca arriba
puntos_eje <- unique(round(c(seq(0, total_muestras, length.out = 5), total_muestras)))
axis(2, at = puntos_eje, las = 1)
6. ANÁLISIS DE FRECUENCIA ABSOLUTA
ANÁLISIS DE FRECUENCIA ABSOLUTA (TOP 10)
par(mar = c(12, 4, 4, 2) + 0.1)
freq_abs <- Top10_Coord
# 2. DIBUJAR LA GRÁFICA Y GUARDAR SUS COORDENADAS
bar_centers <- barplot(freq_abs,
main = "Gráfica 3: Frecuencia Absoluta (Top 10 Fuentes)",
ylab = "Cantidad",
col = "orange",
las = 2,
cex.names = 0.7,
ylim = c(0, max(freq_abs) * 1.2))
# 3. PONER LAS ETIQUETAS NUMÉRICAS ENCIMA DE LAS BARRAS
text(x = bar_centers,
y = freq_abs,
labels = freq_abs,
pos = 3,
cex = 0.8,
col = "black")
7. ANÁLISIS DE FRECUENCIA RELATIVA (PORCENTAJES)
ANÁLISIS DE FRECUENCIA RELATIVA (PORCENTAJES)
par(mar = c(12, 4, 4, 2) + 0.1)
# 1. TRANSFORMAR LAS CANTIDADES EN PORCENTAJES
freq_rel_porc <- round((Top10_Coord / total_muestras) * 100, 2)
# 2. DIBUJAR LAS BARRAS Y PERSONALIZAR EL LIENZO
bar_centers_rel <- barplot(freq_rel_porc,
main = "Gráfica 4: Distribución Porcentual (Top 10 Fuentes)",
ylab = "Porcentaje (%)",
col = "orchid",
las = 2,
cex.names = 0.7,
ylim = c(0, max(freq_rel_porc) * 1.2),
yaxt = "n",
yaxs = "i")
# 3. CONSTRUIR UN EJE Y PERSONALIZADO (CORREGIDO CON SÍMBOLO %)
axis(2, at = seq(0, max(freq_rel_porc) + 2, length.out = 5),
labels = paste0(round(seq(0, max(freq_rel_porc) + 2, length.out = 5), 1), "%"),
las = 1, cex.axis = 0.8)
# 4. COLOCAR LAS ETIQUETAS CON EL SÍMBOLO "%" EN LAS BARRAS
text(x = bar_centers_rel,
y = freq_rel_porc,
labels = paste0(freq_rel_porc, "%"),
pos = 3,
cex = 0.8,
col = "black")
8. COMPOSICIÓN GLOBAL (GRÁFICA CIRCULAR)
GRÁFICA CIRCULAR
# 1. ALISTAR LOS DATOS (TOP 5 y el resto)
Datos_Pie <- c(Top5_Coord, "Otras Fuentes" = Otras_Coord)
hi_pie_porc <- round(prop.table(Datos_Pie) * 100, 1)
colores <- c("#66C2A5", "#FC8D62", "#8DA0CB", "#E78AC3", "#A6D854", "#D3D3D3")
etiquetas_leyenda <- paste0(names(Datos_Pie), " (", hi_pie_porc, "%)")
# 2. AJUSTAR EL LIENZO DE TRABAJO
par(mar = c(2, 2, 3, 14), xpd = TRUE)
# 3. DIBUJAR LA GRÁFICA CIRCULAR
pie(hi_pie_porc,
labels = NA,
col = colores,
main = "Gráfica 5: Proporción de Fuentes (Top 5 vs Otros)",
radius = 0.9)
# 4. MARCAR LAS COORDENADAS DEL CUADRO DE LEYENDA
x0 <- 1.1
x1 <- 2.8
y1 <- 0.9
y0 <- -0.5
# 5. DIBUJAR EL CUADRO BLANCO DE FONDO
rect(xleft = x0, ybottom = y0, xright = x1, ytop = y1, col = "white", border = "black")
# 6. PONER EL TÍTULO DENTRO DE LA TARJETA
text(x = (x0 + x1)/2, y = y1 - 0.15, labels = "Fuentes de Datos", font = 2, cex = 0.9)
# 7. LLENAR LA TARJETA CON LOS COLORES Y PORCENTAJES
legend(x = (x0 + x1)/2,
y = y1 - 0.25,
legend = etiquetas_leyenda,
fill = colores,
cex = 0.7,
bty = "n",
xjust = 0.5,
y.intersp = 1.4)
9. CONCLUSIÓN
CONCLUSIÓN DE LA VARIABLE COORDINATE SOURCE
El análisis de la variable COORDINATES_SOURCE confirma que la mayoría de los registros se concentra en la fuente 1) iTouchMap.com, approx, A. Orkild-Norton; 2) Mineral Resource Deposit Database Deposit ID 10174173, ore body, M. Granitto, que representa el 3.07% de las muestras con fuente de coordenadas identificada. Esta tendencia evidencia el predominio de dicha fuente dentro de los metadatos geoespaciales documentados y muestra que las categorías no se distribuyen de manera uniforme.