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 Operador principal (columna Operador: la empresa que opera el pozo, tomada de la fila con más óleo). Se descartan los pozos sin dato (NA).

cat("Valores únicos originales en operador:\n")
## Valores únicos originales en operador:
print(head(sort(unique(pozos$operador)), 20))
##  [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
cat("Pozos sin dato:", sum(is.na(pozos$operador)), "\n")
## Pozos sin dato: 0
cat("Valores únicos:", length(unique(x_raw)), "\n")
## Valores únicos: 39

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(
    "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.

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: 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

5 Representación Gráfica

Se presentan tres gráficas en tonos amarillo y verde claro que permiten analizar visualmente la distribución de la variable cualitativa nominal Operador 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 = 0.75,
        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")

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 = 0.75,
               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")

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 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")

6 Tabla de Indicadores

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

7 Conclusión

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