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 que no se pierda ningún registro.
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.
Las columnas del archivo original de la MSHA vienen en inglés y
abreviadas (CURRENT_MINE_TYPE, INSP_IND,
CONC). Se renombran con los nombres cortos en español
definidos en la tabla de variables del estudio, columna «Nombre en R»,
para que el código y las salidas sean legibles.
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
)La variable estudiada es TIPO_MINA, de origen
CURRENT_MINE_TYPE. Es cualitativa nominal
con tres categorías: sus valores identifican grupos sin que exista un
orden entre ellos.
datos$tipo_mina <- factor(datos$tipo_mina,
levels = c("Underground", "Surface", "Facility"),
labels = c("Subterránea", "Superficie", "Planta/instalación"))
table(datos$tipo_mina, useNA = "ifany")##
## Subterránea Superficie Planta/instalación
## 36014 10569 5626
En una variable nominal las categorías no tienen orden, por lo que la tabla no incluye frecuencias acumuladas: decir «las muestras hasta Superficie» no significaría nada. Las filas se ordenan de mayor a menor frecuencia.
tabla_nominal <- datos %>%
filter(!is.na(tipo_mina)) %>%
count(tipo_mina, name = "fi") %>%
arrange(desc(fi)) %>%
mutate(tipo_mina = as.character(tipo_mina),
hi = round(fi / sum(fi), 4),
pi = round(fi / sum(fi) * 100, 2))
n_total <- sum(tabla_nominal$fi)
data.frame(
`Tipo de mina` = c(tabla_nominal$tipo_mina, "Total"),
fi = format(c(tabla_nominal$fi, n_total), big.mark = ".", trim = TRUE),
hi = formatC(c(tabla_nominal$hi, 1), format = "f", digits = 4,
decimal.mark = ","),
`pi (%)` = formatC(c(tabla_nominal$pi, 100), format = "f", digits = 2,
decimal.mark = ","),
check.names = FALSE
) %>%
kable(row.names = FALSE, align = c("l", "r", "r", "r"),
caption = "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 |
Distribución de la frecuencia de la variable tipo de mina. Minas de carbón de West Virginia, 2016-2026. Fuente: MSHA Open Government Data — Coal Dust Samples y Mines. Elaboración propia.
Comprobación: la suma de las frecuencias absolutas es 52.209, igual al total de registros, y las relativas suman 1.
El gráfico que corresponde a una variable cualitativa es el diagrama de barras simple, con las barras separadas entre sí. No se usa histograma porque las categorías no forman un continuo. Al ser nominal, se emplea un solo color: un degradado insinuaría una jerarquía que la variable no tiene.
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 = ".", trim = TRUE)),
vjust = -1.5, size = 3.6, fontface = "bold") +
geom_text(aes(label = paste0(formatC(pi, format = "f", digits = 2,
decimal.mark = ","), " %")),
vjust = -0.4, size = 3.1, colour = "grey35") +
scale_y_continuous(expand = expansion(mult = c(0, 0.18))) +
labs(title = "Tipo de mina",
subtitle = paste0("West Virginia, 2016-2026 (n = ",
format(n_total, big.mark = "."), ")"),
x = "Tipo de mina", y = "Número de muestras (fi)",
caption = NULL) +
theme_minimal(base_size = 11) +
theme(panel.grid.major.x = element_blank(),
plot.title = element_text(face = "bold"))Distribución de la frecuencia de la variable tipo de mina. Diagrama de barras. Minas de carbón de West Virginia, 2016-2026. Fuente: MSHA Open Government Data — Coal Dust Samples y Mines. Elaboración propia.
En una variable nominal la única medida de tendencia central válida es la moda. No se pueden calcular media ni mediana, porque las categorías no son numéricas ni ordenables.
moda <- tabla_nominal$tipo_mina[which.max(tabla_nominal$fi)]
data.frame(
Indicador = c("Moda", "Frecuencia de la moda",
"Porcentaje de la moda", "Número de categorías",
"Total de observaciones válidas", "Datos faltantes"),
Valor = c(moda,
format(max(tabla_nominal$fi), big.mark = "."),
paste0(formatC(max(tabla_nominal$pi), format = "f", digits = 2,
decimal.mark = ","), " %"),
nrow(tabla_nominal),
format(n_total, big.mark = "."),
format(sum(is.na(datos$tipo_mina)), big.mark = "."))
) %>% kable(caption = "Tipo de mina")| Indicador | Valor |
|---|---|
| Moda | Subterránea |
| Frecuencia de la moda | 36.014 |
| Porcentaje de la moda | 68,98 % |
| Número de categorías | 3 |
| Total de observaciones válidas | 52.209 |
| Datos faltantes | 0 |
Indicadores estadísticos de la variable tipo de mina. Minas de carbón de West Virginia, 2016-2026. Elaboración propia.
El muestreo de polvo respirable en West Virginia se concentra de forma marcada en un solo tipo de explotación: la moda es Subterránea, con 68,98 % de las muestras. Las plantas e instalaciones aportan la menor parte del total.
La variable no presenta datos faltantes, de modo que las 52.209 muestras quedan clasificadas y los porcentajes suman 100 % sin ajustes.
Este desbalance debe tenerse en cuenta en los análisis posteriores: cualquier comparación de concentraciones entre tipos de mina partirá de grupos de tamaño muy distinto, lo que afecta la precisión de las estimaciones en las categorías menos representadas.