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
## 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
Se realiza el aislamiento y limpieza de la variable Operador
principal (columna Operador: la empresa que opera
el pozo, tomada de la fila con más óleo). Se descartan los pozos sin
dato (NA).
## Valores únicos originales en operador:
## [1] "3R Areia" "3R Candeias S.A." "3R Fazenda Belém"
## [4] "3R Macau" "3R Rio Ventura S.A" "Alvopetro"
## [7] "Barra Bonita" "BGM" "Brasil Refinarias"
## [10] "Capixaba Energia" "Carmo" "Energizzi Energias"
## [13] "Eneva" "EPG Brasil" "Guto & Cacal"
## [16] "Imetame" "Leros" "Mandacaru Energia"
## [19] "Níon Energia" "Nord"
x_raw <- pozos %>%
filter(!is.na(operador)) %>%
pull(operador)
n <- length(x_raw)
if (n == 0) {
stop("No se encontraron valores en operador. 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
## Pozos sin dato: 0
## Valores únicos: 39
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(
"Operador principal",
"Operador",
"Cualitativa",
"Nominal",
"{Empresas operadoras}",
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 | Operador principal |
| Nombre técnico | Operador |
| Tipo | Cualitativa |
| Subtipo | Nominal |
| Dominio | {Empresas operadoras} |
| Rango | 39 categorías |
| Unidad | No aplica |
| Escala | Nominal |
| Fuente | ANP – Producción por pozo en tierra, enero 2023 |
| Autor: Grupo Brasil | |
Justificación: Las empresas operadoras son nombres sin orden natural. Corresponde a una variable cualitativa nominal.
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: Operador principal*")
) %>%
cols_label(
Categoria = md("**Operador 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: Operador principal | ||
| Operador principal | Frecuencia (ni) | Porcentaje (hi%) |
|---|---|---|
| Petrobras | 3099 | 58.38 |
| Carmo | 480 | 9.04 |
| Potiguar E&P S.A. | 312 | 5.88 |
| 3R Fazenda Belém | 202 | 3.81 |
| PetroRecôncavo | 189 | 3.56 |
| Origem Alagoas | 158 | 2.98 |
| SPE Miranga | 146 | 2.75 |
| Seacrest SPE Cricaré | 141 | 2.66 |
| 3R Candeias S.A. | 100 | 1.88 |
| 3R Macau | 99 | 1.87 |
| 3R Rio Ventura S.A | 57 | 1.07 |
| Eneva | 50 | 0.94 |
| 3R Areia | 46 | 0.87 |
| Petrosynergy | 42 | 0.79 |
| Otros (25 categorías) | 187 | 3.52 |
| TOTAL | 5308 | 100.00 |
| Autor: Grupo Brasil | ||
Se presentan tres gráficas en tonos amarillo y verde claro que permiten analizar visualmente la distribución de la variable cualitativa nominal Operador principal.
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 = 0.75,
las = 2)
mtext("Frecuencia (ni)", side = 2, line = 4.5, cex = 1, font = 1)
mtext("Operador principal", side = 1, line = 11 - 1.5, cex = 1)
mtext("Gráfica N°1: Distribución de Frecuencias Absolutas de la Variable Operador 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")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$Categoria),
cex.names = 0.75,
las = 2)
mtext("Operador principal", side = 1, line = 11 - 1.5, cex = 1)
mtext("Gráfica N°2: Distribución Porcentual de la Variable Operador principal",
side = 3, line = 2, adj = 0.5, cex = 0.9, font = 2, col = "#0d2b24")
text(x = bp2,
y = tabla_final$Porcentaje_hi,
labels = paste0(round(tabla_final$Porcentaje_hi, 2), "%"),
pos = 3, cex = 0.85, col = "#C9930A")par(mar = c(5, 2, 4, 14), xpd = TRUE)
pie(tabla_final$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 Operador 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 = "Operador principal",
bty = "n")Para la variable cualitativa nominal Operador 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(
"Operador 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: Operador 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: Operador principal | |
| Indicador | Valor |
|---|---|
| Variable | Operador principal |
| Tipo de variable | Cualitativa Nominal |
| Categorías (Rango) | 39 categorías |
| Moda (Mo) | Petrobras |
| Mediana (Me) | — |
| Media (X̄) | — |
| Varianza (V) | — |
| Desv. Estándar (Sd) | — |
| Coef. Variación (CV%) | — |
| Asimetría (As) | — |
| Curtosis (K) | — |
| Autor: Grupo Brasil | |
La variable Operador principal es una variable cualitativa nominal con 39 categorías observadas en 5,308 pozos con dato. Su valor más frecuente (moda) es Petrobras, con una participación del 58.38% en la muestra, lo que evidencia qué empresa opera la mayor parte de los pozos terrestres de Brasil.
Autor: Grupo Brasil