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.

PREPARACIÓN

Datos y librerías

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

Funciones reutilizables

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())
  }
}

VARIABLES

1. Responsable de la muestra

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.")
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
grafico_barras(t1, "Responsable de la toma de la muestra", "Responsable")

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.

2. Tipo de muestra

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.")
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
grafico_barras(t2, "Tipo de muestra", "Tipo de muestra", horizontal = TRUE)

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.

3. Método de minería

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.")
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
grafico_barras(t3, "Método de minería", "Método", horizontal = TRUE)

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.

4. Estado de la mina

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.")
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
grafico_barras(t4, "Estado de la mina", "Estado", horizontal = TRUE)

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.

5. Mes de la muestra (ordinal)

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.")
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 —
grafico_barras(t5, "Mes de toma de la muestra", "Mes")

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.

CÓMO AÑADIR LAS DEMÁS VARIABLES

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.