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 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.

ASIGNACIÓN DE VARIABLES

Nombres en R

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
)

Variable del análisis

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

TABLA DE DISTRIBUCIÓN DE FRECUENCIAS

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
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.

GRÁFICA DE DISTRIBUCIÓN

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.

INDICADORES ESTADÍSTICOS

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")
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.

CONCLUSIÓN

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.