Este documento presenta cinco variables cualitativas analizadas con el mismo formato: ficha, tabla de frecuencias, diagrama de barras y lectura. Cuatro son nominales y una es ordinal. Se envía para revisión antes de aplicar el mismo procedimiento a las variables restantes.
library(readxl)
library(dplyr)
library(ggplot2)
library(knitr)
ruta <- "Dataset_West_Virgina.xlsx"
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)
datos <- datos %>% rename(
responsable = INSP_IND, tipo_muestra = SMP_TYPE_CD_DESC,
metodo_mineria = METH_MINE_TYPE_DESC, estado_mina = CURRENT_MINE_STATUS,
mes = MES
)
dim(datos)## [1] 52209 43
En lugar de repetir el mismo bloque para cada variable, se definen dos funciones: una construye la tabla de frecuencias y otra dibuja el diagrama de barras. Así cada variable nueva se resuelve en tres líneas.
tabla_frec <- function(datos, variable, ordinal = FALSE) {
tab <- datos %>%
filter(!is.na(.data[[variable]])) %>%
count(.data[[variable]], name = "fi")
names(tab)[1] <- "categoria"
# En una variable nominal se ordena por frecuencia;
# en una ordinal se respeta el orden de las categorías.
if (!ordinal) tab <- tab %>% arrange(desc(fi))
tab <- tab %>% mutate(categoria = as.character(categoria),
hi = round(fi / sum(fi), 4),
pi = round(fi / sum(fi) * 100, 2))
# Las acumuladas solo tienen sentido si las categorías están ordenadas.
if (ordinal) {
tab <- tab %>%
mutate(Fi = cumsum(fi),
Hi = round(cumsum(fi) / sum(fi), 4),
Pi = round(cumsum(fi) / sum(fi) * 100, 2)) %>%
select(categoria, fi, Fi, hi, Hi, pi, Pi)
}
as.data.frame(tab)
}
mostrar_tabla <- function(tab, titulo) {
ordinal <- ncol(tab) == 7
ent <- function(x) format(x, big.mark = ".", trim = TRUE)
dec <- function(x, d) formatC(x, format = "f", digits = d,
decimal.mark = ",")
if (ordinal) {
cuerpo <- data.frame(
Categoría = tab$categoria,
fi = ent(tab$fi), Fi = ent(tab$Fi),
hi = dec(tab$hi, 4), Hi = dec(tab$Hi, 4),
`pi (%)` = dec(tab$pi, 2), `Pi (%)` = dec(tab$Pi, 2),
check.names = FALSE, stringsAsFactors = FALSE)
total <- c("Total", ent(sum(tab$fi)), "—", "1,0000", "—", "100,00", "—")
} else {
cuerpo <- data.frame(
Categoría = tab$categoria,
fi = ent(tab$fi), hi = dec(tab$hi, 4), `pi (%)` = dec(tab$pi, 2),
check.names = FALSE, stringsAsFactors = FALSE)
total <- c("Total", ent(sum(tab$fi)), "1,0000", "100,00")
}
cuerpo[nrow(cuerpo) + 1, ] <- total
kable(cuerpo, row.names = FALSE,
align = c("l", rep("r", ncol(cuerpo) - 1)), caption = titulo)
}
grafico_barras <- function(tab, titulo, eje_x,
colores = "#2F6690", horizontal = FALSE) {
tab$categoria <- factor(tab$categoria, levels = tab$categoria)
tab$etiqueta <- paste0(format(tab$fi, big.mark = ".", trim = TRUE),
" (", format(tab$pi, decimal.mark = ","), " %)")
n <- sum(tab$fi)
g <- ggplot(tab, aes(x = categoria, y = fi)) +
geom_col(width = 0.62, fill = colores) +
labs(title = titulo,
subtitle = paste0("West Virginia, 2016-2026 (n = ",
format(n, big.mark = "."), ")"),
x = eje_x, y = "Número de muestras (fi)",
caption = "Fuente: MSHA Open Government Data. Elaboración propia.") +
theme_minimal(base_size = 11)
if (horizontal) {
g + geom_text(aes(label = etiqueta), hjust = -0.08, size = 3.1) +
scale_x_discrete(limits = rev(levels(tab$categoria))) +
scale_y_continuous(expand = expansion(mult = c(0, 0.30))) +
coord_flip() +
theme(panel.grid.major.y = element_blank())
} else {
g + geom_text(aes(label = etiqueta), vjust = -0.5, size = 3.1) +
scale_y_continuous(expand = expansion(mult = c(0, 0.18))) +
theme(panel.grid.major.x = element_blank())
}
}Variable original: INSP_IND ·
Tipo: cualitativa · Escala: nominal ·
Categorías: 2 (dicotómica)
Indica quién tomó la muestra. Es la variable que permite contrastar lo medido por el inspector frente a lo reportado por el propio operador.
datos$responsable <- factor(datos$responsable,
levels = c("Y", "N"),
labels = c("Inspector MSHA", "Operador de la mina"))
t1 <- tabla_frec(datos, "responsable")
mostrar_tabla(t1, "Tabla 1. Muestras según el responsable de la toma.")| Categoría | fi | hi | pi (%) |
|---|---|---|---|
| Inspector MSHA | 42.516 | 0,8143 | 81,43 |
| Operador de la mina | 9.693 | 0,1857 | 18,57 |
| Total | 52.209 | 1,0000 | 100,00 |
Los inspectores de la MSHA tomaron 81.43 % de las muestras. El muestreo es por tanto mayoritariamente oficial, algo que conviene tener presente al comparar concentraciones entre ambos grupos.
Variable original: SMP_TYPE_CD_DESC ·
Tipo: cualitativa · Escala: nominal ·
Categorías: 9
Distingue el objeto del muestreo: una ocupación, una posición de trabajo, un área o el aire de admisión. Las categorías designadas tienen límites normativos más estrictos.
datos$tipo_muestra <- factor(datos$tipo_muestra,
levels = c("NON DESIGNATED OCCUPATION", "DESIGNATED WORK POSITION",
"NONDESIGNATED WORK POSITION", "DESIGNATED OCCUPATION",
"INTAKE AIR", "DESIGNATED AREA", "PART 90 MINER",
"NONDESIGNATED AREA", "INVALID SAMPLE TYPE"),
labels = c("Ocupación no designada", "Posición de trabajo designada",
"Posición de trabajo no designada", "Ocupación designada",
"Aire de admisión", "Área designada", "Minero Parte 90",
"Área no designada", "Tipo de muestra inválido"))
t2 <- tabla_frec(datos, "tipo_muestra")
mostrar_tabla(t2, "Tabla 2. Muestras según el tipo de muestra.")| Categoría | fi | hi | pi (%) |
|---|---|---|---|
| Ocupación no designada | 20.040 | 0,3838 | 38,38 |
| Posición de trabajo designada | 10.655 | 0,2041 | 20,41 |
| Posición de trabajo no designada | 5.894 | 0,1129 | 11,29 |
| Ocupación designada | 4.903 | 0,0939 | 9,39 |
| Aire de admisión | 4.806 | 0,0921 | 9,21 |
| Área designada | 4.524 | 0,0867 | 8,67 |
| Minero Parte 90 | 790 | 0,0151 | 1,51 |
| Área no designada | 589 | 0,0113 | 1,13 |
| Tipo de muestra inválido | 8 | 0,0002 | 0,02 |
| Total | 52.209 | 1,0000 | 100,00 |
Las barras van en horizontal porque las etiquetas son largas y en vertical se superpondrían. Las dos primeras categorías concentran 58.79 % del total, mientras que ocho muestras quedaron registradas con un tipo inválido.
Variable original: METH_MINE_TYPE_DESC
· Tipo: cualitativa · Escala: nominal
· Categorías: 6
Método de explotación empleado en la unidad muestreada. Es una de las variables de interés porque la generación de polvo depende del método.
datos$metodo_mineria <- factor(datos$metodo_mineria,
levels = c("CONTINUOUS/RIPPER", "INVALID MINING METHOD", "CONTINUOUS/AUGER",
"LONGWALL/RIPPER", "SCOOP/SHOOT OFF SOLIDS",
"CONVENTIONAL WITH CUTTING MACHINE"),
labels = c("Minero continuo/ripper", "Método inválido",
"Minero continuo/barrena", "Tajo largo/ripper",
"Cargador/voladura en sólido", "Convencional con cortadora"))
t3 <- tabla_frec(datos, "metodo_mineria")
mostrar_tabla(t3, "Tabla 3. Muestras según el método de minería.")| Categoría | fi | hi | pi (%) |
|---|---|---|---|
| Minero continuo/ripper | 27.512 | 0,5270 | 52,70 |
| Método inválido | 24.296 | 0,4654 | 46,54 |
| Minero continuo/barrena | 360 | 0,0069 | 0,69 |
| Tajo largo/ripper | 31 | 0,0006 | 0,06 |
| Cargador/voladura en sólido | 5 | 0,0001 | 0,01 |
| Convencional con cortadora | 5 | 0,0001 | 0,01 |
| Total | 52.209 | 1,0000 | 100,00 |
La distribución está muy desbalanceada: dos categorías reúnen casi todo y las cuatro restantes suman menos de 0.77 %. Además, 46.54 % de los registros aparece como método inválido, lo que limita cualquier comparación entre métodos y debe señalarse como una restricción del estudio.
Variable original: CURRENT_MINE_STATUS
· Tipo: cualitativa · Escala: nominal
· Categorías: 5
Situación operativa de la mina al momento del registro.
datos$estado_mina <- factor(datos$estado_mina,
levels = c("Active", "NonProducing", "Abandoned",
"Abandoned and Sealed", "Temporarily Idled"),
labels = c("Activa", "No productiva", "Abandonada",
"Abandonada y sellada", "Paralizada temporalmente"))
t4 <- tabla_frec(datos, "estado_mina")
mostrar_tabla(t4, "Tabla 4. Muestras según el estado de la mina.")| Categoría | fi | hi | pi (%) |
|---|---|---|---|
| Activa | 36.306 | 0,6954 | 69,54 |
| No productiva | 6.855 | 0,1313 | 13,13 |
| Abandonada | 4.760 | 0,0912 | 9,12 |
| Abandonada y sellada | 2.551 | 0,0489 | 4,89 |
| Paralizada temporalmente | 1.737 | 0,0333 | 3,33 |
| Total | 52.209 | 1,0000 | 100,00 |
El 69.54 % de las muestras proviene de minas activas. El resto corresponde a minas que ya cesaron o redujeron su producción, lo que explica que algunos registros tengan producción cero en el turno muestreado.
Variable original: MES ·
Tipo: cualitativa · Escala: ordinal ·
Categorías: 12
Única variable del grupo con escala ordinal: los meses tienen un orden natural, así que la tabla sí incluye frecuencias acumuladas y las barras no se reordenan por frecuencia.
datos$mes <- factor(datos$mes, levels = 1:12,
labels = c("Ene", "Feb", "Mar", "Abr", "May", "Jun",
"Jul", "Ago", "Sep", "Oct", "Nov", "Dic"))
t5 <- tabla_frec(datos, "mes", ordinal = TRUE)
mostrar_tabla(t5, "Tabla 5. Muestras según el mes de toma.")| Categoría | fi | Fi | hi | Hi | pi (%) | Pi (%) |
|---|---|---|---|---|---|---|
| Ene | 5.155 | 5.155 | 0,0987 | 0,0987 | 9,87 | 9,87 |
| Feb | 4.682 | 9.837 | 0,0897 | 0,1884 | 8,97 | 18,84 |
| Mar | 3.761 | 13.598 | 0,0720 | 0,2605 | 7,20 | 26,05 |
| Abr | 4.731 | 18.329 | 0,0906 | 0,3511 | 9,06 | 35,11 |
| May | 4.554 | 22.883 | 0,0872 | 0,4383 | 8,72 | 43,83 |
| Jun | 3.593 | 26.476 | 0,0688 | 0,5071 | 6,88 | 50,71 |
| Jul | 4.407 | 30.883 | 0,0844 | 0,5915 | 8,44 | 59,15 |
| Ago | 5.385 | 36.268 | 0,1031 | 0,6947 | 10,31 | 69,47 |
| Sep | 3.477 | 39.745 | 0,0666 | 0,7613 | 6,66 | 76,13 |
| Oct | 5.409 | 45.154 | 0,1036 | 0,8649 | 10,36 | 86,49 |
| Nov | 3.868 | 49.022 | 0,0741 | 0,9390 | 7,41 | 93,90 |
| Dic | 3.187 | 52.209 | 0,0610 | 1,0000 | 6,10 | 100,00 |
| Total | 52.209 | — | 1,0000 | — | 100,00 | — |
El muestreo se reparte a lo largo del año sin una estacionalidad marcada: entre el mes más y el menos muestreado hay 4.26 puntos porcentuales de diferencia.
Una advertencia sobre la lectura de las acumuladas: el mes es una variable cíclica, porque después de diciembre vuelve enero. Las columnas Fi, Hi y Pi se calculan igual que en cualquier ordinal, pero su interpretación se limita a «muestras tomadas hasta tal mes del año», no a una progresión real.
Con las funciones ya definidas, cada variable nueva necesita tres líneas. Para una nominal:
t6 <- tabla_frec(datos, "nombre_de_la_variable")
mostrar_tabla(t6, "Tabla 6. Título de la tabla.")
grafico_barras(t6, "Título del gráfico", "Nombre del eje")Para una ordinal se agrega ordinal = TRUE en la primera
línea, y si las etiquetas son largas se agrega
horizontal = TRUE en la tercera.
Dos observaciones para las variables que faltan. Las que se derivan
de la concentración necesitan primero el paso de depuración de la
columna CONC, que mezcla microgramos con miligramos y trae
63 celdas convertidas en fecha. Y las variables con muchas categorías,
como el condado o la ocupación, conviene mostrarlas con las diez más
frecuentes y agrupar el resto en «Otros», porque un gráfico de 142
barras no se puede leer.