0.- Carga de librerías

library(readxl)
library(dplyr)
library(ggplot2)
library(knitr)

1.- Carga de datos

La columna CONC del archivo original mezcla celdas numéricas, de texto y de fecha. Se lee como lista para que ningún registro se pierda al importar, aunque esta variable no la use.

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)

dim(datos)
## [1] 52209    43

El archivo tiene 52.209 muestras y 43 variables.

2.- Selección de la variable

Se selecciona CURRENT_MINE_TYPE, que en la tabla de variables corresponde a TIPO_MINA y en el código se nombra tipo_mina. Es cualitativa nominal: sus valores identifican grupos sin orden entre ellos.

datos$tipo_mina <- factor(datos$CURRENT_MINE_TYPE,
  levels = c("Underground", "Surface", "Facility"),
  labels = c("Subterránea", "Superficie", "Planta/instalación"))

# Registros sin dato en la variable
sum(is.na(datos$tipo_mina))
## [1] 0
N <- nrow(datos)                                    # total de registros
variable <- datos$tipo_mina[!is.na(datos$tipo_mina)] # casos válidos
n <- length(variable)

c(total = N, validos = n, faltantes = N - n)
##     total   validos faltantes 
##     52209     52209         0

La variable no tiene datos faltantes, de modo que n = N = 52.209 y los porcentajes suman 100 % sin ajustes.

3.- Frecuencia

Se calcula la frecuencia absoluta nᵢ de cada categoría y a partir de ella la frecuencia relativa porcentual hᵢ(%). Las filas se ordenan de mayor a menor frecuencia, que es lo que corresponde en una variable nominal.

TDF <- as.data.frame(table(variable), stringsAsFactors = FALSE)
names(TDF) <- c("categoria", "ni")

TDF <- TDF %>%
  arrange(desc(ni)) %>%
  mutate(hi = round(ni / sum(ni) * 100, 2))

TDF
##            categoria    ni    hi
## 1        Subterránea 36014 68.98
## 2         Superficie 10569 20.24
## 3 Planta/instalación  5626 10.78

Comprobación: Σnᵢ = 52.209 y Σhᵢ(%) = 100.

4.- Tabla de distribución de frecuencias

Al ser nominal, la tabla no lleva frecuencias acumuladas: las categorías no tienen orden, así que «las muestras hasta Superficie» no significaría nada.

Tabla Nro. 1

Distribución de frecuencias de la variable Tipo de Mina (CURRENT_MINE_TYPE) para el análisis de la exposición a polvo respirable de carbón en minas de West Virginia, 2016-2026.

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

data.frame(
  `Tipo de mina` = c(TDF$categoria, "**TOTAL**"),
  ni = c(ent(TDF$ni), paste0("**", ent(sum(TDF$ni)), "**")),
  `hi(%)` = c(dec(TDF$hi, 2), "**100,00**"),
  check.names = FALSE
) %>%
  kable(row.names = FALSE, align = c("l", "c", "c"))
Tipo de mina ni hi(%)
Subterránea 36.014 68,98
Superficie 10.569 20,24
Planta/instalación 5.626 10,78
TOTAL 52.209 100,00

Autor: Grupo 1 · Fuente: MSHA Open Government Data — Coal Dust Samples y Mines.

5.- Gráficos de distribución de frecuencia

Los cuatro primeros gráficos muestran los mismos datos en dos escalas distintas. En la escala local el eje se ajusta al dato, de modo que la categoría mayor llena el gráfico y lo que se compara son las categorías entre sí. En la escala global el eje llega hasta el total de muestras, o hasta el 100 %, así que cada barra se lee como la porción del conjunto que realmente representa. El quinto gráfico es la versión circular del cuarto.

# Paleta Okabe-Ito: distinguible también con daltonismo
paleta    <- c("#0072B2", "#E69F00", "#009E73")
color_etq <- c("white", "#1f2328", "white")   # contraste sobre cada color

TDF$categoria <- factor(TDF$categoria, levels = TDF$categoria)

tema_barras <- theme_minimal(base_size = 11) +
  theme(panel.grid.major.x = element_blank(),
        plot.title    = element_text(face = "bold", hjust = 0.5, size = 13),
        plot.subtitle = element_text(hjust = 0.5, size = 10),
        legend.position = "none")

5.1- Diagrama de cantidad (escala local)

ggplot(TDF, aes(x = categoria, y = ni)) +
  geom_col(width = 0.58, fill = "#0072B2") +
  geom_text(aes(label = ent(ni)), vjust = -0.5, size = 3.6,
            fontface = "bold") +
  scale_y_continuous(expand = expansion(mult = c(0, 0.15))) +
  labs(title = "Gráfica Nro. 1",
       subtitle = paste("Distribución de la cantidad de muestras por tipo de mina",
                        "en minas de carbón de West Virginia\n(escala local)"),
       x = "", y = "Cantidad (nᵢ)") +
  tema_barras

Autor: Grupo 1 · Fuente: MSHA Open Government Data. El eje llega hasta la categoría más frecuente, no hasta el total.

5.2- Diagrama porcentual (escala local)

ggplot(TDF, aes(x = categoria, y = hi)) +
  geom_col(width = 0.58, fill = "#AEC6E8") +
  geom_text(aes(label = paste0(dec(hi, 2), " %")), vjust = -0.5, size = 3.6,
            fontface = "bold") +
  scale_y_continuous(expand = expansion(mult = c(0, 0.15))) +
  labs(title = "Gráfica Nro. 2",
       subtitle = paste("Distribución en porcentaje de las muestras por tipo de mina",
                        "en minas de carbón de West Virginia\n(escala local)"),
       x = "", y = "Porcentaje (%)") +
  tema_barras

Autor: Grupo 1 · Fuente: MSHA Open Government Data. Mismo perfil que la Gráfica Nro. 1, con el eje en porcentaje.

5.3- Diagrama de cantidad (escala global)

ggplot(TDF, aes(x = categoria, y = ni)) +
  geom_col(width = 0.58, fill = "#0072B2") +
  geom_text(aes(label = ent(ni)), vjust = -0.6, size = 3.4) +
  geom_hline(yintercept = n, linetype = "dashed", colour = "grey55") +
  annotate("text", x = 0.55, y = n, vjust = -0.6, hjust = 0,
           label = paste0("Total de muestras = ", ent(n)),
           size = 3.1, colour = "grey40") +
  scale_y_continuous(limits = c(0, n * 1.08),
                     expand = expansion(mult = c(0, 0))) +
  labs(title = "Gráfica Nro. 3",
       subtitle = paste("Distribución de la cantidad de muestras por tipo de mina",
                        "en minas de carbón de West Virginia\n(escala global)"),
       x = "", y = "Cantidad (nᵢ)") +
  tema_barras

Autor: Grupo 1 · Fuente: MSHA Open Government Data. El eje llega hasta el total de muestras, así que la altura de cada barra es su peso dentro del conjunto.

5.4- Diagrama porcentual (escala global)

ggplot(TDF, aes(x = categoria, y = hi)) +
  geom_col(width = 0.58, fill = "#AEC6E8") +
  geom_text(aes(label = paste0(dec(hi, 2), " %")), vjust = -0.6, size = 3.4) +
  scale_y_continuous(limits = c(0, 100), breaks = seq(0, 100, 20),
                     expand = expansion(mult = c(0, 0.02))) +
  labs(title = "Gráfica Nro. 4",
       subtitle = paste("Distribución en porcentaje de las muestras por tipo de mina",
                        "en minas de carbón de West Virginia\n(escala global, de 0 a 100 %)"),
       x = "", y = "Porcentaje (%)") +
  tema_barras

Autor: Grupo 1 · Fuente: MSHA Open Government Data. El eje cubre el 100 %, de modo que se ve qué parte del total ocupa cada categoría.

5.5- Diagrama circular

ggplot(TDF, aes(x = 1, y = hi, fill = categoria)) +
  geom_col(width = 1, colour = "white") +
  coord_polar(theta = "y") +
  geom_text(aes(label = paste0(dec(hi, 2), " %"), colour = categoria),
            position = position_stack(vjust = 0.5),
            size = 3.8, fontface = "bold", show.legend = FALSE) +
  scale_fill_manual(values = paleta, name = "Tipo de mina") +
  scale_colour_manual(values = color_etq) +
  labs(title = "Gráfica Nro. 5",
       subtitle = paste("Distribución porcentual de las muestras por tipo de mina",
                        "en minas de carbón de West Virginia\n(sobre el total)")) +
  theme_void(base_size = 11) +
  theme(plot.title    = element_text(face = "bold", hjust = 0.5, size = 13),
        plot.subtitle = element_text(hjust = 0.5, size = 10))

Autor: Grupo 1 · Fuente: MSHA Open Government Data. Cada sector es la fracción del 100 % que aporta la categoría; equivale a la Gráfica Nro. 4 en forma circular.

6.- 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.

Tabla Nro. 2

Indicadores estadísticos de la variable Tipo de Mina (CURRENT_MINE_TYPE) para el análisis de la exposición a polvo respirable de carbón en minas de West Virginia, 2016-2026.

moda <- as.character(TDF$categoria[which.max(TDF$ni)])

data.frame(
  Indicador = c("Moda", "Frecuencia absoluta de la moda",
                "Porcentaje de la moda", "Número de categorías",
                "Observaciones válidas (n)", "Total de registros (N)",
                "Datos faltantes"),
  Valor = c(moda,
            ent(max(TDF$ni)),
            paste0(dec(max(TDF$hi), 2), " %"),
            nrow(TDF),
            ent(n),
            ent(N),
            ent(N - n))
) %>% kable(row.names = FALSE, align = c("l", "c"))
Indicador Valor
Moda Subterránea
Frecuencia absoluta de la moda 36.014
Porcentaje de la moda 68,98 %
Número de categorías 3
Observaciones válidas (n) 52.209
Total de registros (N) 52.209
Datos faltantes 0

Autor: Grupo 1 · Fuente: MSHA Open Government Data — Coal Dust Samples y Mines.

7.- 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 36.014 muestras, es decir el 68,98 % del total. Las plantas e instalaciones aportan apenas el 10,78 %.

La comparación entre las dos escalas deja ver algo que un solo gráfico escondería. En escala local las tres categorías parecen tener pesos comparables, porque el eje se ajusta a la mayor. En escala global queda claro que una sola categoría ocupa casi siete décimas partes del conjunto y las otras dos se reparten el resto. Es el mismo dato leído de dos maneras, y la segunda es la que corresponde cuando se quiere hablar de representatividad.

La variable no presenta datos faltantes, así 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 reduce la precisión de las estimaciones en las categorías menos representadas.