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 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
)

Depuración de la concentración

La variable ordinal se deriva de la concentración, y esa columna llega 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 la hoja de cálculo, que se recuperan leyendo el día y el mes como decimales. Sin este paso la clasificación quedaría mal construida.

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

Variable del análisis

La variable estudiada es CLASE_CONCENTRACIÓN, derivada de la concentración de polvo. Es cualitativa ordinal: sus cinco clases representan niveles de exposición que van de menor a mayor, y ese orden es parte de la información de la variable.

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)

table(datos$clase_conc, useNA = "ifany")
## 
##      < 0,10 0,10 - 0,20 0,20 - 0,30 0,30 - 0,50     >= 0,50 
##       15109       11340        8363        9722        7675

Los intervalos son cerrados por la izquierda y abiertos por la derecha, según el argumento right = FALSE. Por eso la última clase es ≥ 0,50 y no > 0,50.

TABLA DE DISTRIBUCIÓN DE FRECUENCIAS

A diferencia de una variable nominal, aquí las clases sí están ordenadas, de modo que las frecuencias acumuladas tienen sentido y permiten leer qué porcentaje de muestras queda por debajo de cada umbral. Las filas no se reordenan por frecuencia: se respeta el orden natural de menor a mayor.

tabla_ordinal <- datos %>%
  filter(!is.na(clase_conc)) %>%
  count(clase_conc, name = "fi") %>%
  mutate(clase_conc = as.character(clase_conc),
         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))

n_total <- sum(tabla_ordinal$fi)
ent <- function(x) format(x, big.mark = ".", trim = TRUE)
dec <- function(x, d) formatC(x, format = "f", digits = d, decimal.mark = ",")

data.frame(
  `Clase (mg/m³)` = c(tabla_ordinal$clase_conc, "Total"),
  fi = c(ent(tabla_ordinal$fi), ent(n_total)),
  Fi = c(ent(tabla_ordinal$Fi), "—"),
  hi = c(dec(tabla_ordinal$hi, 4), "1,0000"),
  Hi = c(dec(tabla_ordinal$Hi, 4), "—"),
  `pi (%)` = c(dec(tabla_ordinal$pi, 2), "100,00"),
  `Pi (%)` = c(dec(tabla_ordinal$Pi, 2), "—"),
  check.names = FALSE
) %>%
  kable(row.names = FALSE, align = c("l", rep("r", 6)),
        caption = "Clase de concentración")
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
Total 52.209 — 1,0000 — 100,00 —

Distribución de la frecuencia de la variable clase de concentración. Minas de carbón de West Virginia, 2016-2026. Fuente: elaboración propia a partir de CONC (MSHA Open Government Data).

La última fila de Fi coincide con el total de observaciones y la última de Hi vale 1, que es la comprobación de que las acumuladas están bien calculadas.

GRÁFICA DE DISTRIBUCIÓN

El gráfico es también un diagrama de barras simple, con las barras separadas. Dos diferencias respecto al caso nominal: las clases se mantienen en su orden natural y el color va de claro a oscuro, porque en una variable ordinal el degradado refuerza la progresión de la exposición.

ggplot(tabla_ordinal,
       aes(x = factor(clase_conc, levels = clase_conc), y = fi,
           fill = factor(clase_conc, levels = clase_conc))) +
  geom_col(width = 0.62, show.legend = FALSE) +
  geom_text(aes(label = ent(fi)),
            vjust = -1.5, size = 3.6, fontface = "bold") +
  geom_text(aes(label = paste0(dec(pi, 2), " %")),
            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 = "Clase de concentración",
       subtitle = paste0("West Virginia, 2016-2026 (n = ",
                         format(n_total, big.mark = "."), ")"),
       x = "Clase de concentración (mg/m³)",
       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 clase de concentración. Diagrama de barras. Minas de carbón de West Virginia, 2016-2026. Fuente: elaboración propia a partir de CONC (MSHA Open Government Data).

INDICADORES ESTADÍSTICOS

En una variable ordinal se puede calcular la moda y también la clase mediana, que se identifica leyendo la columna Pi hasta superar el 50 %. La media no procede, porque las clases son intervalos y no valores numéricos.

moda <- 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", "Clase mediana", "Número de clases",
                "Total de observaciones válidas", "Datos faltantes"),
  Valor = c(paste(moda, "mg/m³"),
            paste(clase_mediana, "mg/m³"),
            nrow(tabla_ordinal),
            ent(n_total),
            ent(sum(is.na(datos$clase_conc))))
) %>% kable(caption = "Clase de concentración")
Clase de concentración
Indicador Valor
Moda < 0,10 mg/m³
Clase mediana 0,10 - 0,20 mg/m³
Número de clases 5
Total de observaciones válidas 52.209
Datos faltantes 0

Indicadores estadísticos de la variable clase de concentración. Minas de carbón de West Virginia, 2016-2026. Elaboración propia.

Como complemento, los estadísticos de la variable cuantitativa de origen:

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(caption = "Concentración de polvo respirable")
Concentración de polvo respirable
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

Medidas de resumen de la variable concentración de polvo respirable, en mg/m³. Minas de carbón de West Virginia, 2016-2026. Fuente: MSHA Open Government Data. Elaboración propia.

CONCLUSIÓN

La exposición medida se concentra en los niveles bajos de la escala. La moda es la clase < 0,10 mg/m³ y la clase mediana es 0,10 - 0,20 mg/m³: la mitad de las muestras queda por debajo de 0,20 mg/m³ y el 85,30 % no alcanza 0,50 mg/m³.

La ventaja de tratar la variable como ordinal es precisamente esa lectura acumulada, que en una variable nominal no estaría disponible.

Conviene señalar una limitación de la clasificación empleada. La última clase agrupa desde 0,50 hasta 8,846 mg/m³, de manera que las muestras que superan el límite normativo de 1,5 mg/m³ quedan ocultas dentro de ella. Para analizar el incumplimiento haría falta abrir un corte adicional en ese valor, y es una modificación que se recomienda para la siguiente etapa del estudio.