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.
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 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$conc_mg, na.rm = TRUE) # control: 0.001 y 8.846## [1] 0.001 8.846
La variable estudiada es CLASE_CONCENTRACIÓN, derivada de la concentración de polvo. Es cualitativa ordinal: sus cinco clases representan niveles de exposición que van de menor a mayor, y ese orden es parte de la información de la variable.
datos$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.
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 (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.
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).
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")| 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")| Media | Mediana | Desv. estándar | Mínimo | Máximo |
|---|---|---|---|---|
| 0.2777 | 0.196 | 0.2981 | 0.001 | 8.846 |
## [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.
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.