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 construye la variable Pozos por campo contando cuántos pozos distintos producen en cada campo, a partir de todas las filas del archivo. Aquí la unidad de análisis es el campo, no el pozo.

# Unidad de análisis: el campo. Se cuentan los pozos distintos de cada campo
campos <- registros %>%
  filter(!is.na(campo)) %>%
  group_by(campo) %>%
  summarise(pozos_por_campo = n_distinct(pozo), .groups = "drop")

cat("Resumen de pozos_por_campo antes de la limpieza:\n")
## Resumen de pozos_por_campo antes de la limpieza:
print(summary(campos$pozos_por_campo))
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    1.00    1.00    3.00   24.76   17.00  950.00
x_raw <- campos %>%
  filter(!is.na(pozos_por_campo)) %>%
  pull(pozos_por_campo)

n <- length(x_raw)

if (n == 0) {
  stop("No se encontraron valores en pozos_por_campo. Revisa el resumen impreso arriba.")
}

f_num <- function(x, d = 2) formatC(x, format = "f", digits = d, big.mark = ",")

cat("Observaciones válidas:", n, "\n")
## Observaciones válidas: 221
cat("Sin dato:", sum(is.na(campos$pozos_por_campo)), "\n")
## Sin dato: 0
cat("Valores únicos:", length(unique(x_raw)), "\n")
## Valores únicos: 54
cat("Ceros:", sum(x_raw == 0), "\n")
## Ceros: 0

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(
    "Pozos por campo",
    "Derivada de Campo y Nome Poço",
    "Cuantitativa",
    "Discreta",
    "{1, 2, 3, …}",
    paste0("[", f_num(min(x_raw)), " ; ", f_num(max(x_raw)), "] pozos"),
    "pozos",
    "Razón",
    "Cálculo propio a partir del campo de cada fila (ANP)"
  )
)

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 Pozos por campo
Nombre técnico Derivada de Campo y Nome Poço
Tipo Cuantitativa
Subtipo Discreta
Dominio {1, 2, 3, …}
Rango [1.00 ; 950.00] pozos
Unidad pozos
Escala Razón
Fuente Cálculo propio a partir del campo de cada fila (ANP)
Autor: Grupo Brasil

Justificación: La variable cuenta pozos: toma valores enteros desde 1. Corresponde a una variable cuantitativa discreta en escala de razón.

4 Tabla de Distribución de Frecuencias

La variable va de 1 a más de 900 pozos por campo, por eso los valores se agrupan en clases de amplitud creciente (1, 2, 3, 4, 5, 6–10, 11–20, 21–50, 51–100 y 101 o más). La unidad de análisis es el campo (n = 221), no el pozo.

# 1. Clases de la variable
limites   <- c(1, 2, 3, 4, 5, 6, 11, 21, 51, 101, max(x_raw) + 1)
etiquetas <- c("1", "2", "3", "4", "5", "6 – 10", "11 – 20", "21 – 50", "51 – 100",
               paste0("101 – ", max(x_raw)))
clase <- cut(x_raw, breaks = limites, right = FALSE, labels = etiquetas)

# 2. Frecuencias absolutas, porcentuales y acumuladas
tabla_final <- data.frame(
  Clase         = etiquetas,
  Frecuencia_ni = as.integer(table(clase))
) %>%
  mutate(
    Porcentaje_hi = (Frecuencia_ni / sum(Frecuencia_ni)) * 100,
    Frecuencia_Ni = cumsum(Frecuencia_ni),
    Porcentaje_Hi = cumsum(Porcentaje_hi)
  )

# 3. Fila TOTAL y formateo
resultado <- bind_rows(
  tabla_final %>% mutate(
    Porcentaje_hi = sprintf("%.2f", Porcentaje_hi),
    Frecuencia_Ni = as.character(Frecuencia_Ni),
    Porcentaje_Hi = sprintf("%.2f", Porcentaje_Hi)
  ),
  data.frame(
    Clase         = "TOTAL",
    Frecuencia_ni = sum(tabla_final$Frecuencia_ni),
    Porcentaje_hi = sprintf("%.2f", sum(tabla_final$Porcentaje_hi)),
    Frecuencia_Ni = "—",
    Porcentaje_Hi = "—"
  )
)

# 4. Tabla GT
resultado %>%
  gt() %>%
  tab_header(
    title    = md("**Tabla N°1: Distribución de Frecuencias**"),
    subtitle = md("*Variable Cuantitativa Discreta: Pozos por campo*")
  ) %>%
  cols_label(
    Clase         = md("**Pozos por campo**"),
    Frecuencia_ni = md("**Campos (ni)**"),
    Porcentaje_hi = md("**Porcentaje (hi%)**"),
    Frecuencia_Ni = md("**Frec. acumulada (Ni)**"),
    Porcentaje_Hi = md("**Porc. acumulado (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    = Clase == "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(75),
    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 Cuantitativa Discreta: Pozos por campo
Pozos por campo Campos (ni) Porcentaje (hi%) Frec. acumulada (Ni) Porc. acumulado (Hi%)
1 72 32.58 72 32.58
2 34 15.38 106 47.96
3 18 8.14 124 56.11
4 5 2.26 129 58.37
5 3 1.36 132 59.73
6 – 10 23 10.41 155 70.14
11 – 20 17 7.69 172 77.83
21 – 50 29 13.12 201 90.95
51 – 100 12 5.43 213 96.38
101 – 950 8 3.62 221 100.00
TOTAL 221 100.00 — —
Autor: Grupo Brasil

5 Representación Gráfica

Se presentan cuatro gráficas en tonos amarillo y verde claro para la variable discreta Pozos por campo.

colores <- colorRampPalette(c("#F2C14E", "#FBEFC8", "#EDEAE4", "#0d2b24"))(nrow(tabla_final))

5.1 Gráfica N°1 — Barras de frecuencia absoluta

par(mar = c(7, 6, 5, 2))
bp1 <- barplot(tabla_final$Frecuencia_ni,
               main = "", ylab = "",
               col = colores, border = "#8C6D46",
               ylim = c(0, max(tabla_final$Frecuencia_ni) * 1.15),
               names.arg = tabla_final$Clase, cex.names = 0.85, las = 2)

mtext("Número de campos (ni)", side = 2, line = 4.5, cex = 1)
mtext("Pozos por campo",       side = 1, line = 5.5, cex = 1)
mtext("Gráfica N°1: Distribución de Frecuencias Absolutas de la Variable Pozos por campo",
      side = 3, line = 2, adj = 0.5, cex = 0.9, font = 2, col = "#0d2b24")

text(x = bp1, y = tabla_final$Frecuencia_ni,
     labels = tabla_final$Frecuencia_ni, pos = 3, cex = 0.9, col = "#C9930A")

5.2 Gráfica N°2 — Barras de porcentaje

par(mar = c(7, 6, 5, 2))
bp2 <- barplot(tabla_final$Porcentaje_hi,
               main = "", ylab = "Porcentaje %",
               col = colores, border = "#8C6D46",
               ylim = c(0, max(tabla_final$Porcentaje_hi) * 1.2),
               names.arg = tabla_final$Clase, cex.names = 0.85, las = 2)

mtext("Pozos por campo", side = 1, line = 5.5, cex = 1)
mtext("Gráfica N°2: Distribución Porcentual de la Variable Pozos por campo",
      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 — Ojiva (Hi%)

par(mar = c(7, 6, 5, 2))
bp3 <- barplot(tabla_final$Porcentaje_Hi,
               main = "", ylab = "Porcentaje acumulado (Hi%)",
               col = "#FBEFC8", border = "#D8D2C5",
               ylim = c(0, 115),
               names.arg = tabla_final$Clase, cex.names = 0.85, las = 2)
lines(bp3, tabla_final$Porcentaje_Hi, type = "b", pch = 19, lwd = 2, col = "#8C6D46")
abline(h = 50, lty = 2, col = "#0d2b24")

mtext("Pozos por campo", side = 1, line = 5.5, cex = 1)
mtext("Gráfica N°3: Ojiva de la Variable Pozos por campo",
      side = 3, line = 2, adj = 0.5, cex = 0.9, font = 2, col = "#0d2b24")

5.4 Gráfica N°4 — Diagrama de caja (escala logarítmica)

par(mar = c(6, 4, 5, 2))
boxplot(x_raw, horizontal = TRUE, log = "x",
        col = "#FBEFC8", border = "#0d2b24",
        outcol = "#8C6D46", pch = 19, cex = 0.6)

mtext("Pozos por campo (escala logarítmica)", side = 1, line = 3.5, cex = 1)
mtext("Gráfica N°4: Diagrama de Caja de la Variable Pozos por campo",
      side = 3, line = 2, adj = 0.5, cex = 0.9, font = 2, col = "#0d2b24")

6 Tabla de Indicadores

Para la variable cuantitativa discreta Pozos por campo se calculan las medidas de tendencia central, dispersión y forma. La varianza y la desviación estándar son muestrales (n − 1); la asimetría y la curtosis son los coeficientes ajustados por tamaño de muestra (la curtosis se informa como exceso sobre la normal, que vale 0). Los valores atípicos se cuentan con la regla de 1,5 veces el rango intercuartílico.

# Tendencia central y dispersión
media    <- mean(x_raw)
mediana  <- median(x_raw)
varianza <- var(x_raw)
desv     <- sd(x_raw)
cv       <- desv / media * 100

# Forma: asimetría (G1) y curtosis en exceso (G2) ajustadas
m2 <- mean((x_raw - media)^2)
m3 <- mean((x_raw - media)^3)
m4 <- mean((x_raw - media)^4)
asimetria <- (m3 / m2^1.5) * sqrt(n * (n - 1)) / (n - 2)
curtosis  <- ((n + 1) * (m4 / m2^2 - 3) + 6) * (n - 1) / ((n - 2) * (n - 3))

# Cuartiles y valores atípicos (regla 1,5 · RIC)
q1  <- unname(quantile(x_raw, 0.25))
q3  <- unname(quantile(x_raw, 0.75))
ric <- q3 - q1
limite_inferior <- q1 - 1.5 * ric
limite_superior <- q3 + 1.5 * ric
atipicos <- sum(x_raw < limite_inferior | x_raw > limite_superior)

# Moda: valor con mayor frecuencia
moda_valor <- as.numeric(names(which.max(table(x_raw))))
moda_texto <- paste0(moda_valor, " pozos (", max(table(x_raw)), " campos)")

# Tabla de indicadores en formato largo
tabla_indicadores <- data.frame(
  Indicador = c(
    "Variable",
    "Tipo de variable",
    "Rango [mín ; máx]",
    "Moda (Mo)",
    "Mediana (Me)",
    "Media (X̄)",
    "Varianza (V)",
    "Desv. Estándar (Sd)",
    "Coef. Variación (CV%)",
    "Asimetría (As)",
    "Curtosis (K)",
    "Cuartiles (Q1 ; Q3)",
    "Valores atípicos"
  ),
  Valor = c(
    "Pozos por campo",
    "Cuantitativa Discreta",
    paste0("[", f_num(min(x_raw)), " ; ", f_num(max(x_raw)), "] pozos"),
    moda_texto,
    paste(f_num(mediana), "pozos"),
    paste(f_num(media), "pozos"),
    f_num(varianza),
    paste(f_num(desv), "pozos"),
    paste0(sprintf("%.2f", cv), "%"),
    f_num(asimetria, 4),
    f_num(curtosis, 4),
    paste0(f_num(q1), " ; ", f_num(q3)),
    paste0(format(atipicos, big.mark = ","), " (", sprintf("%.2f", atipicos / n * 100), "%)")
  )
)

# Tabla GT de indicadores
tabla_indicadores %>%
  gt() %>%
  tab_header(
    title    = md("**Tabla N°2: Indicadores Estadísticos**"),
    subtitle = md("*Variable Cuantitativa Discreta: Pozos por campo*")
  ) %>%
  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 %in% c("Media (X̄)", "Mediana (Me)", "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(65),
    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 Cuantitativa Discreta: Pozos por campo
Indicador Valor
Variable Pozos por campo
Tipo de variable Cuantitativa Discreta
Rango [mín ; máx] [1.00 ; 950.00] pozos
Moda (Mo) 1 pozos (72 campos)
Mediana (Me) 3.00 pozos
Media (X̄) 24.76 pozos
Varianza (V) 8,214.16
Desv. Estándar (Sd) 90.63 pozos
Coef. Variación (CV%) 366.11%
Asimetría (As) 7.6409
Curtosis (K) 66.1912
Cuartiles (Q1 ; Q3) 1.00 ; 17.00
Valores atípicos 24 (10.86%)
Autor: Grupo Brasil

7 Conclusión

La variable Pozos por campo es una variable cuantitativa discreta medida en 221 campos con dato. Sus valores van de 1.00 a 950.00 pozos; la media es 24.76 y la mediana 3.00 pozos. La asimetría vale 7.64, es decir, la distribución tiene asimetría positiva (cola larga hacia los valores altos), y la curtosis en exceso de 66.19 indica una distribución leptocúrtica (más concentrada y con colas más pesadas que la normal). Se detectan 24 valores atípicos con la regla de 1,5 · RIC. Unos pocos campos grandes reúnen cientos de pozos, mientras la mayoría de campos tiene muy pocos.

Autor: Grupo Brasil