ANÁLISIS ESTADÍSTICO

CARGA DE DATOS Y LIBRERÍAS

library(readxl)
library(dplyr)
library(ggplot2)
library(knitr)

ruta <- "Dataset_West_Virgina.xlsx"

# La columna CONC mezcla celdas numéricas, de texto y de fecha,
# así que se lee como lista para conservar el tipo de cada celda.
encabezado <- read_excel(ruta, n_max = 0)
tipos <- rep("guess", ncol(encabezado))
tipos[names(encabezado) == "CONC"] <- "list"

datos <- read_excel(ruta, col_types = tipos, guess_max = 100000)

dim(datos)
## [1] 52209    43

La hoja de datos tiene 52.209 muestras y 43 variables.

ASIGNACIÓN DE VARIABLES

Nombres de trabajo

datos <- datos %>% rename(
  num_casete = CASS_NUM, responsable = INSP_IND, fecha = SMP_TAKEN_DT,
  peso_inicial = INIT_WT, peso_final = FINAL_WT, concentracion = CONC,
  cod_tipo_muestra = SMP_TYPE_CD, tipo_muestra = SMP_TYPE_CD_DESC,
  cod_uso_muestra = SMP_USE_CD, uso_muestra = SMP_USE_CD_DESC,
  tiempo_muestreo = SMP_TIME, estado_anulacion = VOID_CD_DESC,
  num_entidad = ENTITY_NUM, cod_entidad = TYPE_ENTITY,
  tipo_entidad = TYPE_ENTITY_CD_DESC, id_mina = MINE_ID,
  tipo_mina_insp = INSP_TYPE_MINE, oficina_insp = INSP_OFFICE,
  cod_metodo = INSP_METH_MINING, metodo_mineria = METH_MINE_TYPE_DESC,
  cod_ocupacion = OCC_CD, ocupacion = OCC_CD_DESC, produccion = TONS,
  abrev_tipo_muestra = SAMPLE_ENTITY_TYPE_CD, ecv_1 = SINGLE_SAMPLE_ECV,
  ecv_5 = AVERAGE_5_ECV, ecv_15 = AVERAGE_15_ECV, equipo = DEVICE_TYPE_CD,
  nombre_mina = CURRENT_MINE_NAME, tipo_mina = CURRENT_MINE_TYPE,
  estado_mina = CURRENT_MINE_STATUS, operador = CURRENT_OPERATOR_NAME,
  estado = STATE, condado = FIPS_CNTY_NM, distrito = DISTRICT,
  empleados = NO_EMPLOYEES, altura_mina = AVG_MINE_HEIGHT,
  metano = METHANE_LIBERATION, latitud = LATITUDE, longitud = LONGITUDE,
  anio = ANIO, mes = MES, excede_limite = EXCEDE_1_5_MG
)

Depuración de la concentración

La columna concentracion viene en tres formatos distintos. Las celdas numéricas enteras están en microgramos y hay que dividirlas para 1000; las celdas de texto ya están en mg/m³; y 63 celdas fueron convertidas en fecha por Excel, que se recuperan leyendo el día y el mes como decimales.

reparar <- function(celda) {
  v <- celda[[1]]
  if (is.null(v) || length(v) == 0 || all(is.na(v))) return(NA_real_)
  if (inherits(v, "Date") || inherits(v, "POSIXt")) {
    return(as.numeric(format(v, "%d")) + as.numeric(format(v, "%m")) / 100)
  }
  if (is.character(v)) return(suppressWarnings(as.numeric(v)))
  as.numeric(v) / 1000
}

datos$conc_mg <- vapply(datos$concentracion, reparar, numeric(1))

range(datos$conc_mg, na.rm = TRUE)   # control: 0.001 y 8.846
## [1] 0.001 8.846

Variables del análisis

# Cualitativa NOMINAL
datos$tipo_mina <- factor(datos$tipo_mina,
  levels = c("Underground", "Surface", "Facility"),
  labels = c("Subterránea", "Superficie", "Planta/instalación"))

# Cualitativa ORDINAL
datos$clase_conc <- cut(datos$conc_mg,
  breaks = c(0, 0.10, 0.20, 0.30, 0.50, Inf),
  labels = c("< 0,10", "0,10 - 0,20", "0,20 - 0,30",
             "0,30 - 0,50", ">= 0,50"),
  right = FALSE, ordered_result = TRUE)

str(datos[, c("tipo_mina", "clase_conc")])
## tibble [52,209 × 2] (S3: tbl_df/tbl/data.frame)
##  $ tipo_mina : Factor w/ 3 levels "Subterránea",..: 1 1 1 2 2 2 2 2 2 2 ...
##  $ clase_conc: Ord.factor w/ 5 levels "< 0,10"<"0,10 - 0,20"<..: 3 5 5 4 2 4 2 3 1 1 ...

TABLAS DE DISTRIBUCIÓN DE FRECUENCIAS

Tabla 1. Variable nominal: tipo de mina

En una variable nominal las categorías no tienen orden, por lo que la tabla no incluye frecuencias acumuladas.

tabla_nominal <- datos %>%
  filter(!is.na(tipo_mina)) %>%
  count(tipo_mina, name = "fi") %>%
  arrange(desc(fi)) %>%
  mutate(hi = round(fi / sum(fi), 4),
         pi = round(hi * 100, 2))

n_nom <- sum(tabla_nominal$fi)

tabla_nominal %>%
  mutate(tipo_mina = as.character(tipo_mina)) %>%
  rbind(data.frame(tipo_mina = "Total", fi = n_nom, hi = 1, pi = 100)) %>%
  kable(col.names = c("Tipo de mina", "fi", "hi", "pi (%)"),
        format.args = list(big.mark = "."),
        caption = "Distribución de las muestras según el tipo de mina.")
Distribución de las muestras según el tipo de mina.
Tipo de mina fi hi pi (%)
Subterránea 36.014 0.6898 68.98
Superficie 10.569 0.2024 20.24
Planta/instalación 5.626 0.1078 10.78
Total 52.209 1.0000 100.00

Tabla 2. Variable ordinal: clase de concentración

Aquí las clases sí están ordenadas, así que las frecuencias acumuladas tienen sentido y permiten leer qué porcentaje de muestras queda bajo cada umbral.

tabla_ordinal <- datos %>%
  filter(!is.na(clase_conc)) %>%
  count(clase_conc, name = "fi") %>%
  mutate(Fi = cumsum(fi),
         hi = round(fi / sum(fi), 4),
         Hi = round(cumsum(fi) / sum(fi), 4),
         pi = round(fi / sum(fi) * 100, 2),
         Pi = round(cumsum(fi) / sum(fi) * 100, 2))

tabla_ordinal %>%
  kable(col.names = c("Clase (mg/m³)", "fi", "Fi", "hi", "Hi",
                      "pi (%)", "Pi (%)"),
        format.args = list(big.mark = "."),
        caption = "Distribución de las muestras según la clase de concentración.")
Distribución de las muestras según la clase de concentración.
Clase (mg/m³) fi Fi hi Hi pi (%) Pi (%)
< 0,10 15.109 15.109 0.2894 0.2894 28.94 28.94
0,10 - 0,20 11.340 26.449 0.2172 0.5066 21.72 50.66
0,20 - 0,30 8.363 34.812 0.1602 0.6668 16.02 66.68
0,30 - 0,50 9.722 44.534 0.1862 0.8530 18.62 85.30
>= 0,50 7.675 52.209 0.1470 1.0000 14.70 100.00

GRÁFICAS DE DISTRIBUCIÓN

Gráfico 1. Tipo de mina (nominal)

Barras separadas, ordenadas de mayor a menor frecuencia y de un solo color, porque las categorías no tienen jerarquía entre sí.

ggplot(tabla_nominal, aes(x = reorder(tipo_mina, -fi), y = fi)) +
  geom_col(width = 0.58, fill = "#2F6690") +
  geom_text(aes(label = format(fi, big.mark = ".")),
            vjust = -1.5, size = 3.6, fontface = "bold") +
  geom_text(aes(label = paste0(format(pi, decimal.mark = ","), " %")),
            vjust = -0.4, size = 3.1, colour = "grey35") +
  scale_y_continuous(expand = expansion(mult = c(0, 0.18))) +
  labs(title = "Muestras de polvo respirable según el tipo de mina",
       subtitle = paste0("West Virginia, 2016-2026 (n = ",
                         format(n_nom, big.mark = "."), ")"),
       x = "Tipo de mina", y = "Número de muestras (fi)",
       caption = "Fuente: MSHA Open Government Data. Elaboración propia.") +
  theme_minimal(base_size = 11) +
  theme(panel.grid.major.x = element_blank())

Gráfico 2. Clase de concentración (ordinal)

Las clases se mantienen en su orden natural y el color va de claro a oscuro para reforzar el aumento de la exposición.

ggplot(tabla_ordinal, aes(x = clase_conc, y = fi, fill = clase_conc)) +
  geom_col(width = 0.62, show.legend = FALSE) +
  geom_text(aes(label = format(fi, big.mark = ".")),
            vjust = -1.5, size = 3.6, fontface = "bold") +
  geom_text(aes(label = paste0(format(pi, decimal.mark = ","), " %")),
            vjust = -0.4, size = 3.1, colour = "grey35") +
  scale_fill_manual(values = c("#FBE3C2", "#F3C488", "#E39E4D",
                               "#C4761F", "#8C4A12")) +
  scale_y_continuous(expand = expansion(mult = c(0, 0.18))) +
  labs(title = "Muestras según la clase de concentración de polvo",
       subtitle = paste0("West Virginia, 2016-2026 (n = ",
                         format(sum(tabla_ordinal$fi), big.mark = "."), ")"),
       x = "Clase de concentración (mg/m³)",
       y = "Número de muestras (fi)",
       caption = "Fuente: elaboración propia a partir de CONC (MSHA).") +
  theme_minimal(base_size = 11) +
  theme(panel.grid.major.x = element_blank())

INDICADORES ESTADÍSTICOS

En variables cualitativas la medida de tendencia central es la moda. En la ordinal, además, puede identificarse la clase mediana leyendo la columna de porcentaje acumulado hasta superar el 50 %.

moda_nominal <- tabla_nominal$tipo_mina[which.max(tabla_nominal$fi)]
moda_ordinal <- tabla_ordinal$clase_conc[which.max(tabla_ordinal$fi)]
clase_mediana <- tabla_ordinal$clase_conc[which(tabla_ordinal$Pi >= 50)[1]]

data.frame(
  Indicador = c("Moda (tipo de mina)",
                "Moda (clase de concentración)",
                "Clase mediana (clase de concentración)",
                "Número de categorías nominales",
                "Número de clases ordinales"),
  Valor = c(as.character(moda_nominal),
            as.character(moda_ordinal),
            as.character(clase_mediana),
            nrow(tabla_nominal),
            nrow(tabla_ordinal))
) %>% kable(caption = "Indicadores de las dos variables cualitativas.")
Indicadores de las dos variables cualitativas.
Indicador Valor
Moda (tipo de mina) Subterránea
Moda (clase de concentración) < 0,10
Clase mediana (clase de concentración) 0,10 - 0,20
Número de categorías nominales 3
Número de clases ordinales 5

Como complemento, los estadísticos de la variable cuantitativa de la que se derivó la clase de concentración:

resumen <- datos %>%
  summarise(Media = mean(conc_mg, na.rm = TRUE),
            Mediana = median(conc_mg, na.rm = TRUE),
            `Desv. estándar` = sd(conc_mg, na.rm = TRUE),
            Mínimo = min(conc_mg, na.rm = TRUE),
            Máximo = max(conc_mg, na.rm = TRUE)) %>%
  round(4)

kable(resumen, caption = "Concentración de polvo respirable (mg/m³).")
Concentración de polvo respirable (mg/m³).
Media Mediana Desv. estándar Mínimo Máximo
0.2777 0.196 0.2981 0.001 8.846
# Muestras que superan el límite general de 1,5 mg/m³
sum(datos$conc_mg > 1.5, na.rm = TRUE)
## [1] 374

CONCLUSIÓN

La variable nominal muestra una concentración muy fuerte del muestreo en un solo tipo de explotación: 68.98 % de las muestras corresponde a Subterránea, mientras que las plantas e instalaciones aportan la menor parte. Cualquier comparación posterior entre tipos de mina debe tomar en cuenta ese desbalance.

La variable ordinal indica que la exposición se concentra en los niveles bajos: el 50,66 % de las muestras está por debajo de 0,20 mg/m³ y el 85,3 % no alcanza 0,50 mg/m³. La clase mediana es 0,10 - 0,20 mg/m³.

Conviene señalar dos limitaciones encontradas en la hoja de datos. La columna de concentración mezclaba microgramos y miligramos, y 63 celdas habían sido convertidas en fecha por la hoja de cálculo; ambos casos se corrigieron antes de construir las tablas. Además, la última clase agrupa desde 0,50 hasta 8,846 mg/m³, de modo que las muestras que superan el límite normativo de 1,5 mg/m³ quedan ocultas dentro de ella; para analizar el incumplimiento haría falta un corte adicional en ese valor.