1 Configuración y Carga de Datos

Se carga el archivo de producción de petróleo y gas natural por pozo en tierra de Brasil, publicado por la ANP (Agência Nacional do Petróleo, Gás Natural e Biocombustíveis), correspondiente a enero de 2023. El archivo debe estar en la misma carpeta que este documento; si no se encuentra, se abre una ventana para elegirlo.

library(readr)
library(dplyr)
library(gt)

autor <- "Grupo Brasil"   # cambia aquí el nombre del autor o del grupo

ruta_archivo <- "2023_01_producao_Terra.csv"
if (!file.exists(ruta_archivo)) ruta_archivo <- file.choose()

datos_brasil <- read_delim(
  ruta_archivo,
  delim     = ";",
  col_names = FALSE,
  col_types = cols(.default = col_character()),
  locale    = locale(encoding = "UTF-8")
)

cat("Base de datos cargada correctamente.\n")
## Base de datos cargada correctamente.

Las tres primeras filas del archivo son encabezados (el nombre de la columna y dos subencabezados), por eso se leen las columnas por posición y se conservan solo las filas del período 2023/01. Los números usan coma decimal y punto de miles.

a_numero <- function(x) as.numeric(gsub(",", ".", gsub(".", "", x, fixed = TRUE), fixed = TRUE))

registros <- datos_brasil %>%
  filter(X8 == "2023/01") %>%
  transmute(
    estado          = X1,
    cuenca          = X2,
    pozo            = X3,
    campo           = X5,
    operador        = X6,
    instalacion     = X18,
    oleo            = a_numero(X9),
    condensado      = a_numero(X10),
    gas_asociado    = a_numero(X12),
    gas_no_asociado = a_numero(X13),
    gas_total       = a_numero(X14),
    agua            = a_numero(X16),
    horas           = a_numero(X19),
    api             = a_numero(X22)
  ) %>%
  mutate(orden = row_number())

cat("Total de registros (filas):", nrow(registros), "\n")
## Total de registros (filas): 5471
cat("Total de pozos distintos:", n_distinct(registros$pozo), "\n")
## Total de pozos distintos: 5308

Un mismo pozo puede aparecer en varias filas (una por cada campo al que entrega producción). Se consolida un registro por pozo: los volúmenes se suman, las horas toman el máximo, y los datos cualitativos y el grado API se toman de la fila con más óleo (en caso de empate, la primera del archivo).

suma_na   <- function(x) if (all(is.na(x))) NA_real_ else sum(x, na.rm = TRUE)
maximo_na <- function(x) if (all(is.na(x))) NA_real_ else max(x, na.rm = TRUE)

pozos <- registros %>%
  arrange(desc(oleo), orden) %>%
  group_by(pozo) %>%
  summarise(
    estado          = first(estado),
    cuenca          = first(cuenca),
    campo           = first(campo),
    operador        = first(operador),
    instalacion     = first(instalacion),
    api             = first(api[!is.na(api)]),
    oleo            = suma_na(oleo),
    condensado      = suma_na(condensado),
    gas_asociado    = suma_na(gas_asociado),
    gas_no_asociado = suma_na(gas_no_asociado),
    gas_total       = suma_na(gas_total),
    agua            = suma_na(agua),
    horas           = maximo_na(horas),
    .groups = "drop"
  )

cat("Pozos consolidados:", nrow(pozos), "\n")
## Pozos consolidados: 5308

2 Extracción y Limpieza de la Variable

Se realiza el aislamiento y limpieza de la variable Campo principal (columna Campo; para los pozos que aparecen en varias filas se toma el campo de la fila con más óleo). Se descartan los pozos sin dato (NA). Por eso hay 213 campos principales, aunque el archivo menciona 221 campos.

cat("Valores únicos originales en campo:\n")
## Valores únicos originales en campo:
print(head(sort(unique(pozos$campo)), 20))
##  [1] "ACAJÁ-BURIZINHO"   "ACAUÃ"             "ÁGUA GRANDE"      
##  [4] "AGUILHADA"         "ALTO DO RODRIGUES" "ANAMBÉ"           
##  [7] "ANDORINHA"         "APRAIÚS"           "ARAÇARI"          
## [10] "ARAÇÁS"            "ARAPAÇU"           "ARARA AZUL"       
## [13] "ARARACANGA"        "ARRIBAÇÃ"          "ARUARI"           
## [16] "ASA BRANCA"        "AZULÃO"            "BAIXA DO ALGODÃO" 
## [19] "BAIXA DO JUAZEIRO" "BARRA BONITA"
x_raw <- pozos %>%
  filter(!is.na(campo)) %>%
  pull(campo)

n <- length(x_raw)

if (n == 0) {
  stop("No se encontraron valores en campo. Revisa los valores únicos impresos arriba.")
}

orden_logico <- names(sort(table(x_raw), decreasing = TRUE))
x_raw <- factor(x_raw, levels = orden_logico)

cat("Observaciones válidas:", n, "\n")
## Observaciones válidas: 5308
cat("Pozos sin dato:", sum(is.na(pozos$campo)), "\n")
## Pozos sin dato: 0
cat("Valores únicos:", length(unique(x_raw)), "\n")
## Valores únicos: 213

3 Identificación de la Variable

Se presenta la ficha técnica de identificación de la variable, especificando su naturaleza estadística y su fuente de origen.

tabla_id <- data.frame(
  Criterio = c(
    "Nombre", "Nombre técnico", "Tipo", "Subtipo",
    "Dominio", "Rango", "Unidad", "Escala", "Fuente"
  ),
  Clasificacion = c(
    "Campo principal",
    "Campo",
    "Cualitativa",
    "Nominal",
    "{Campos petroleros terrestres}",
    paste(nlevels(x_raw), "categorías"),
    "No aplica",
    "Nominal",
    "ANP – Producción por pozo en tierra, enero 2023"
  )
)

tabla_id %>%
  gt() %>%
  tab_header(
    title = md("**Identificación de la Variable**")
  ) %>%
  cols_label(
    Criterio      = md("**Criterio**"),
    Clasificacion = md("**Clasificación**")
  ) %>%
  tab_style(
    style = list(
      cell_fill(color = "#F2C14E"),
      cell_text(color = "#0B221E", weight = "bold")
    ),
    locations = cells_column_labels()
  ) %>%
  tab_style(
    style = cell_text(color = "#0d2b24"),
    locations = cells_title(groups = "title")
  ) %>%
  tab_style(
    style = cell_fill(color = "#EDEAE4"),
    locations = cells_body(rows = seq(1, nrow(tabla_id), by = 2))
  ) %>%
  tab_source_note(source_note = md(paste0("*Autor: ", autor, "*"))) %>%
  tab_style(
    style = cell_text(color = "#8C6D46"),
    locations = cells_source_notes()
  ) %>%
  tab_options(
    table.width                = pct(70),
    heading.title.font.size    = px(16),
    heading.subtitle.font.size = px(12),
    table.font.size            = px(13),
    data_row.padding           = px(6)
  )
Identificación de la Variable
Criterio Clasificación
Nombre Campo principal
Nombre técnico Campo
Tipo Cualitativa
Subtipo Nominal
Dominio {Campos petroleros terrestres}
Rango 213 categorías
Unidad No aplica
Escala Nominal
Fuente ANP – Producción por pozo en tierra, enero 2023
Autor: Grupo Brasil

Justificación: Los campos son nombres sin orden natural. Corresponde a una variable cualitativa nominal con muchas categorías.

4 Tabla de Distribución de Frecuencias

Se calcula la distribución de frecuencias absolutas (ni) y porcentuales (hi%) para las categorías de la variable cualitativa nominal, respetando la estructura de tres columnas estipulada por la cátedra. Como la variable tiene muchas categorías, la tabla muestra las 14 más frecuentes y agrupa las demás en la fila Otros; la moda se calcula con todas las categorías.

# 1. Frecuencias absolutas
frecuencias_base <- data.frame(
  Categoria     = levels(x_raw),
  Frecuencia_ni = as.integer(table(x_raw))
) %>%
  arrange(match(Categoria, orden_logico))

# Para que la tabla y las gráficas sean legibles, se muestran las 14 categorías
# más frecuentes y el resto se agrupa en una fila "Otros"
max_categorias <- 15
if (nrow(frecuencias_base) > max_categorias) {
  resto <- frecuencias_base[max_categorias:nrow(frecuencias_base), ]
  frecuencias_base <- bind_rows(
    frecuencias_base[1:(max_categorias - 1), ],
    data.frame(
      Categoria     = paste0("Otros (", nrow(resto), " categorías)"),
      Frecuencia_ni = sum(resto$Frecuencia_ni)
    )
  )
}

# 2. Porcentaje
tabla_final <- frecuencias_base %>%
  mutate(Porcentaje_hi = (Frecuencia_ni / sum(Frecuencia_ni)) * 100)

# 3. Fila TOTAL
total_fila <- data.frame(
  Categoria     = "TOTAL",
  Frecuencia_ni = sum(tabla_final$Frecuencia_ni),
  Porcentaje_hi = sum(tabla_final$Porcentaje_hi)
)

# 4. Formateo
resultado <- bind_rows(
  tabla_final %>% mutate(Porcentaje_hi = sprintf("%.2f", Porcentaje_hi)),
  total_fila  %>% mutate(Porcentaje_hi = sprintf("%.2f", Porcentaje_hi))
)

# 5. Tabla GT
resultado %>%
  gt() %>%
  tab_header(
    title    = md("**Tabla N°1: Distribución de Frecuencias**"),
    subtitle = md("*Variable Cualitativa Nominal: Campo principal*")
  ) %>%
  cols_label(
    Categoria     = md("**Campo principal**"),
    Frecuencia_ni = md("**Frecuencia (ni)**"),
    Porcentaje_hi = md("**Porcentaje (hi%)**")
  ) %>%
  tab_style(
    style = list(
      cell_fill(color = "#F2C14E"),
      cell_text(color = "#0B221E", weight = "bold")
    ),
    locations = cells_column_labels()
  ) %>%
  tab_style(
    style = cell_text(color = "#0d2b24"),
    locations = cells_title(groups = "title")
  ) %>%
  tab_style(
    style = cell_fill(color = "#EDEAE4"),
    locations = cells_body(rows = seq(1, nrow(resultado), by = 2))
  ) %>%
  tab_style(
    style = list(
      cell_fill(color = "#FBEFC8"),
      cell_text(weight = "bold")
    ),
    locations = cells_body(
      rows    = Categoria == "TOTAL",
      columns = everything()
    )
  ) %>%
  tab_source_note(source_note = md(paste0("*Autor: ", autor, "*"))) %>%
  tab_style(
    style = cell_text(color = "#8C6D46"),
    locations = cells_source_notes()
  ) %>%
  tab_options(
    table.width                = pct(70),
    heading.title.font.size    = px(16),
    heading.subtitle.font.size = px(12),
    table.font.size            = px(13),
    data_row.padding           = px(6)
  )
Tabla N°1: Distribución de Frecuencias
Variable Cualitativa Nominal: Campo principal
Campo principal Frecuencia (ni) Porcentaje (hi%)
ESTREITO 950 17.90
CANTO DO AMARO 707 13.32
ALTO DO RODRIGUES 474 8.93
FAZENDA POCINHO 290 5.46
CARMÓPOLIS 271 5.11
FAZENDA BELÉM CE 200 3.77
MIRANGA 112 2.11
RIACHUELO 105 1.98
SALINA CRISTAL 89 1.68
ARAÇÁS 88 1.66
CASSARONGONGO 78 1.47
GUAMARÉ 76 1.43
PILAR 76 1.43
FAZENDA ALEGRE 74 1.39
Otros (199 categorías) 1718 32.37
TOTAL 5308 100.00
Autor: Grupo Brasil

5 Representación Gráfica

Se presentan tres gráficas en tonos amarillo y verde claro que permiten analizar visualmente la distribución de la variable cualitativa nominal Campo principal.

colores <- colorRampPalette(c("#C9930A", "#FBEFC8", "#EDEAE4", "#0d2b24"))(nrow(tabla_final))

5.1 Gráfica N°1 — Barras de frecuencia absoluta

par(mar = c(11, 6, 5, 2))
bp1 <- barplot(tabla_final$Frecuencia_ni,
        main      = "",
        xlab      = "",
        ylab      = "",
        col       = colores,
        border    = "#8C6D46",
        ylim      = c(0, max(tabla_final$Frecuencia_ni) * 1.15),
        names.arg = as.character(tabla_final$Categoria),
        cex.names = 0.7,
        las       = 2)

mtext("Frecuencia (ni)", side = 2, line = 4.5, cex = 1, font = 1)
mtext("Campo principal",      side = 1, line = 11 - 1.5, cex = 1)
mtext("Gráfica N°1: Distribución de Frecuencias Absolutas de la Variable Campo principal",
      side = 3, line = 2, adj = 0.5, cex = 0.9, font = 2, col = "#0d2b24")

text(x      = bp1,
     y      = tabla_final$Frecuencia_ni,
     labels = format(tabla_final$Frecuencia_ni, big.mark = ","),
     pos    = 3, cex = 0.85, col = "#C9930A")

5.2 Gráfica N°2 — Barras de porcentaje

par(mar = c(11, 6, 5, 2))
bp2 <- barplot(tabla_final$Porcentaje_hi,
               main      = "",
               xlab      = "",
               ylab      = "Porcentaje %",
               col       = colores,
               border    = "#8C6D46",
               ylim      = c(0, max(tabla_final$Porcentaje_hi) * 1.2),
               names.arg = as.character(tabla_final$Categoria),
               cex.names = 0.7,
               las       = 2)

mtext("Campo principal", side = 1, line = 11 - 1.5, cex = 1)
mtext("Gráfica N°2: Distribución Porcentual de la Variable Campo principal",
      side = 3, line = 2, adj = 0.5, cex = 0.9, font = 2, col = "#0d2b24")

text(x      = bp2,
     y      = tabla_final$Porcentaje_hi,
     labels = paste0(round(tabla_final$Porcentaje_hi, 2), "%"),
     pos    = 3, cex = 0.85, col = "#C9930A")

5.3 Gráfica N°3 — Gráfico circular porcentual

par(mar = c(5, 2, 4, 14), xpd = TRUE)

pie(tabla_final$Porcentaje_hi,
    main   = "",
    radius = 1,
    labels = ifelse(tabla_final$Porcentaje_hi >= 2,
                    paste0(round(tabla_final$Porcentaje_hi, 2), "%"), ""),
    col    = colores,
    border = "#8C6D46",
    cex    = 0.9)

mtext("Gráfica N°3: Distribución Porcentual de la Variable Campo principal",
      side = 3, line = 2, adj = 0.5, cex = 0.9, font = 2, col = "#0d2b24")

legend(x      = 1.2,
       y      = 1.1,
       legend = as.character(tabla_final$Categoria),
       fill   = colores,
       cex    = 0.75,
       title  = "Campo principal",
       bty    = "n")

6 Tabla de Indicadores

Para la variable cualitativa nominal Campo principal, el único indicador de tendencia central aplicable es la moda. La mediana, media, varianza y demás medidas de dispersión no aplican para este tipo de variable.

# Moda: categoría con mayor frecuencia (con todas las categorías)
moda_variable   <- names(which.max(table(x_raw)))
porcentaje_moda <- max(table(x_raw)) / n * 100

# Tabla de indicadores en formato largo
tabla_indicadores <- data.frame(
  Indicador = c(
    "Variable",
    "Tipo de variable",
    "Categorías (Rango)",
    "Moda (Mo)",
    "Mediana (Me)",
    "Media (X̄)",
    "Varianza (V)",
    "Desv. Estándar (Sd)",
    "Coef. Variación (CV%)",
    "Asimetría (As)",
    "Curtosis (K)"
  ),
  Valor = c(
    "Campo principal",
    "Cualitativa Nominal",
    if (nlevels(x_raw) <= 4) paste(levels(x_raw), collapse = " — ") else paste(nlevels(x_raw), "categorías"),
    moda_variable,
    "—",
    "—",
    "—",
    "—",
    "—",
    "—",
    "—"
  )
)

# Tabla GT de indicadores
tabla_indicadores %>%
  gt() %>%
  tab_header(
    title    = md("**Tabla N°2: Indicadores Estadísticos**"),
    subtitle = md("*Variable Cualitativa Nominal: Campo principal*")
  ) %>%
  cols_label(
    Indicador = md("**Indicador**"),
    Valor     = md("**Valor**")
  ) %>%
  tab_style(
    style = list(
      cell_fill(color = "#F2C14E"),
      cell_text(color = "#0B221E", weight = "bold")
    ),
    locations = cells_column_labels()
  ) %>%
  tab_style(
    style = cell_text(color = "#0d2b24"),
    locations = cells_title(groups = "title")
  ) %>%
  tab_style(
    style = cell_fill(color = "#EDEAE4"),
    locations = cells_body(rows = seq(1, nrow(tabla_indicadores), by = 2))
  ) %>%
  tab_style(
    style = list(
      cell_fill(color = "#FBEFC8"),
      cell_text(weight = "bold")
    ),
    locations = cells_body(
      rows    = Indicador == "Moda (Mo)",
      columns = everything()
    )
  ) %>%
  tab_style(
    style = cell_text(style = "italic", color = "#2C3531"),
    locations = cells_body(
      rows    = Valor == "—",
      columns = Valor
    )
  ) %>%
  tab_source_note(source_note = md(paste0("*Autor: ", autor, "*"))) %>%
  tab_style(
    style = cell_text(color = "#8C6D46"),
    locations = cells_source_notes()
  ) %>%
  tab_options(
    table.width                = pct(60),
    heading.title.font.size    = px(16),
    heading.subtitle.font.size = px(12),
    table.font.size            = px(13),
    data_row.padding           = px(6)
  )
Tabla N°2: Indicadores Estadísticos
Variable Cualitativa Nominal: Campo principal
Indicador Valor
Variable Campo principal
Tipo de variable Cualitativa Nominal
Categorías (Rango) 213 categorías
Moda (Mo) ESTREITO
Mediana (Me) —
Media (X̄) —
Varianza (V) —
Desv. Estándar (Sd) —
Coef. Variación (CV%) —
Asimetría (As) —
Curtosis (K) —
Autor: Grupo Brasil

7 Conclusión

La variable Campo principal es una variable cualitativa nominal con 213 categorías observadas en 5,308 pozos con dato. Su valor más frecuente (moda) es ESTREITO, con una participación del 17.90% en la muestra, lo que muestra que la producción terrestre se concentra en pocos campos grandes mientras la mayoría de campos reúne pocos pozos.

Autor: Grupo Brasil