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 Horas de
producción registradas (columna Tempo de Produção:
para los pozos con varias filas se toma el máximo de horas). Se
descartan los pozos sin dato (NA).
## Resumen de horas antes de la limpieza:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.0 501.0 738.0 585.4 744.0 744.0
x_raw <- pozos %>%
filter(!is.na(horas)) %>%
pull(horas)
n <- length(x_raw)
if (n == 0) {
stop("No se encontraron valores en horas. 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: 5308
## Sin dato: 0
## Valores únicos: 619
## Ceros: 109
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(
"Horas de producción registradas",
"Tempo de Produção (hs por mês)",
"Cuantitativa",
"Continua",
"[0; +∞)",
paste0("[", f_num(min(x_raw)), " ; ", f_num(max(x_raw)), "] h/mes"),
"h/mes",
"Razón",
"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 | Horas de producción registradas |
| Nombre técnico | Tempo de Produção (hs por mês) |
| Tipo | Cuantitativa |
| Subtipo | Continua |
| Dominio | [0; +∞) |
| Rango | [0.00 ; 744.00] h/mes |
| Unidad | h/mes |
| Escala | Razón |
| Fuente | ANP – Producción por pozo en tierra, enero 2023 |
| Autor: Grupo Brasil | |
Justificación: El tiempo es una magnitud continua: se mide. El archivo lo registra en horas enteras, pero eso es una limitación del registro, no de la variable. Corresponde a una variable cuantitativa continua en escala de razón (el cero indica ausencia de producción).
La variable está muy sesgada a la derecha: hay muchos pozos con valores pequeños y unos pocos con valores muy altos. Por eso se usa una clase aparte {0} para los pozos con valor cero y, para los pozos con valor positivo, clases de igual ancho en log₁₀ con el número de clases de Sturges (k = 1 + log₂ n). La marca de clase es la media geométrica de sus límites, √(Li · Ls), que es el centro de la clase en escala logarítmica.
# 1. Clase {0}: pozos sin producción
ceros <- sum(x_raw == 0)
positivos <- x_raw[x_raw > 0]
# 2. Regla de Sturges sobre log10 de los valores positivos
base <- log10(positivos)
k <- ceiling(1 + log2(length(base)))
cortes <- seq(min(base), max(base), length.out = k + 1)
clase <- cut(base, breaks = cortes, right = FALSE, include.lowest = TRUE, labels = FALSE)
lim_inf <- 10^cortes[1:k]
lim_sup <- 10^cortes[2:(k + 1)]
tabla_final <- data.frame(
Clase = c("{0}", paste0("[", f_num(lim_inf), " ; ", f_num(lim_sup), ifelse(1:k == k, "]", ")"))),
Lim_inf = c(0, lim_inf),
Lim_sup = c(0, lim_sup),
Marca_xi = c(0, sqrt(lim_inf * lim_sup)),
Frecuencia_ni = c(ceros, tabulate(clase, nbins = k))
)
# 3. Porcentaje y frecuencias acumuladas
tabla_final <- tabla_final %>%
mutate(
Porcentaje_hi = (Frecuencia_ni / sum(Frecuencia_ni)) * 100,
Frecuencia_Ni = cumsum(Frecuencia_ni),
Porcentaje_Hi = cumsum(Porcentaje_hi)
)
cat("Número de clases de Sturges (k):", k, "\n")## Número de clases de Sturges (k): 14
# 4. Fila TOTAL y formateo
resultado <- bind_rows(
tabla_final %>% transmute(
Clase,
Marca_xi = f_num(Marca_xi),
Frecuencia_ni,
Porcentaje_hi = sprintf("%.2f", Porcentaje_hi),
Frecuencia_Ni = as.character(Frecuencia_Ni),
Porcentaje_Hi = sprintf("%.2f", Porcentaje_Hi)
),
data.frame(
Clase = "TOTAL",
Marca_xi = "",
Frecuencia_ni = sum(tabla_final$Frecuencia_ni),
Porcentaje_hi = sprintf("%.2f", sum(tabla_final$Porcentaje_hi)),
Frecuencia_Ni = "—",
Porcentaje_Hi = "—"
)
)
# 5. Tabla GT
resultado %>%
gt() %>%
tab_header(
title = md("**Tabla N°1: Distribución de Frecuencias**"),
subtitle = md("*Variable Cuantitativa Continua: Horas de producción registradas (h/mes)*")
) %>%
cols_label(
Clase = md("**Clase [Li ; Ls)**"),
Marca_xi = md("**Marca (xi)**"),
Frecuencia_ni = md("**Frecuencia (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(85),
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 Continua: Horas de producción registradas (h/mes) | |||||
| Clase [Li ; Ls) | Marca (xi) | Frecuencia (ni) | Porcentaje (hi%) | Frec. acumulada (Ni) | Porc. acumulado (Hi%) |
|---|---|---|---|---|---|
| {0} | 0.00 | 109 | 2.05 | 109 | 2.05 |
| [1.00 ; 1.60) | 1.27 | 54 | 1.02 | 163 | 3.07 |
| [1.60 ; 2.57) | 2.03 | 0 | 0.00 | 163 | 3.07 |
| [2.57 ; 4.12) | 3.26 | 128 | 2.41 | 291 | 5.48 |
| [4.12 ; 6.61) | 5.22 | 13 | 0.24 | 304 | 5.73 |
| [6.61 ; 10.61) | 8.38 | 16 | 0.30 | 320 | 6.03 |
| [10.61 ; 17.01) | 13.43 | 30 | 0.57 | 350 | 6.59 |
| [17.01 ; 27.28) | 21.54 | 16 | 0.30 | 366 | 6.90 |
| [27.28 ; 43.74) | 34.54 | 38 | 0.72 | 404 | 7.61 |
| [43.74 ; 70.15) | 55.39 | 59 | 1.11 | 463 | 8.72 |
| [70.15 ; 112.49) | 88.83 | 104 | 1.96 | 567 | 10.68 |
| [112.49 ; 180.40) | 142.46 | 170 | 3.20 | 737 | 13.88 |
| [180.40 ; 289.30) | 228.45 | 197 | 3.71 | 934 | 17.60 |
| [289.30 ; 463.94) | 366.36 | 305 | 5.75 | 1239 | 23.34 |
| [463.94 ; 744.00] | 587.51 | 4069 | 76.66 | 5308 | 100.00 |
| TOTAL | 5308 | 100.00 | — | — | |
| Autor: Grupo Brasil | |||||
Se presentan cuatro gráficas en tonos amarillo y verde claro para la variable continua Horas de producción registradas. En el histograma y el polígono, la barra verde es la clase {0} y las amarillas son las clases de igual ancho en log₁₀.
par(mar = c(12, 6, 5, 2))
colores_hist <- ifelse(tabla_final$Clase == "{0}", "#0d2b24", "#F2C14E")
bp1 <- barplot(tabla_final$Frecuencia_ni,
space = 0,
main = "",
ylab = "",
col = colores_hist,
border = "#8C6D46",
ylim = c(0, max(tabla_final$Frecuencia_ni) * 1.15),
names.arg = tabla_final$Clase,
cex.names = 0.7,
las = 2)
mtext("Frecuencia (ni)", side = 2, line = 4.5, cex = 1)
mtext("Horas de producción registradas (h/mes)", side = 1, line = 10.5, cex = 1)
mtext("Gráfica N°1: Histograma de la Variable Horas de producción registradas",
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 = 0.7, col = "#C9930A")par(mar = c(12, 6, 5, 2))
bp2 <- barplot(tabla_final$Porcentaje_hi,
space = 0,
main = "",
ylab = "Porcentaje (hi%)",
col = "#EDEAE4",
border = "#D8D2C5",
ylim = c(0, max(tabla_final$Porcentaje_hi) * 1.2),
names.arg = tabla_final$Clase,
cex.names = 0.7,
las = 2)
lines(bp2, tabla_final$Porcentaje_hi, type = "b", pch = 19, lwd = 2, col = "#8C6D46")
mtext("Horas de producción registradas (h/mes)", side = 1, line = 10.5, cex = 1)
mtext("Gráfica N°2: Polígono de Frecuencias Porcentuales de la Variable Horas de producción registradas",
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 = 0.65, col = "#C9930A")par(mar = c(10, 6, 5, 2))
plot(seq_len(nrow(tabla_final)), tabla_final$Porcentaje_Hi,
type = "n", xaxt = "n",
xlab = "", ylab = "Porcentaje acumulado (Hi%)",
ylim = c(0, 105), main = "")
grid(col = "#D8D2C5")
polygon(c(1, seq_len(nrow(tabla_final)), nrow(tabla_final)),
c(0, tabla_final$Porcentaje_Hi, 0),
col = "#FBEFC8", border = NA)
lines(seq_len(nrow(tabla_final)), tabla_final$Porcentaje_Hi,
type = "b", pch = 19, lwd = 2, col = "#8C6D46")
abline(h = 50, lty = 2, col = "#0d2b24")
axis(1, at = seq_len(nrow(tabla_final)), labels = f_num(tabla_final$Lim_sup),
las = 2, cex.axis = 0.7)
mtext("Límite superior de clase (h/mes)", side = 1, line = 8, cex = 1)
mtext("Gráfica N°3: Ojiva de la Variable Horas de producción registradas",
side = 3, line = 2, adj = 0.5, cex = 0.9, font = 2, col = "#0d2b24")par(mar = c(6, 4, 5, 2))
boxplot(x_raw[x_raw > 0], horizontal = TRUE, log = "x",
col = "#FBEFC8", border = "#0d2b24",
outcol = "#8C6D46", pch = 19, cex = 0.5)
mtext("Horas de producción registradas (h/mes, escala logarítmica; solo valores > 0)", side = 1, line = 3.5, cex = 1)
mtext("Gráfica N°4: Diagrama de Caja de la Variable Horas de producción registradas",
side = 3, line = 2, adj = 0.5, cex = 0.9, font = 2, col = "#0d2b24")Para la variable cuantitativa continua Horas de producción registradas 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: marca de la clase modal (la clase con mayor frecuencia)
fila_modal <- which.max(tabla_final$Frecuencia_ni)
moda_texto <- if (tabla_final$Clase[fila_modal] == "{0}") {
paste0("0 h/mes (clase {0}, ", format(tabla_final$Frecuencia_ni[fila_modal], big.mark = ","), " pozos)")
} else {
paste0(f_num(tabla_final$Marca_xi[fila_modal]), " h/mes (clase modal ", tabla_final$Clase[fila_modal], ")")
}
# 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(
"Horas de producción registradas",
"Cuantitativa Continua",
paste0("[", f_num(min(x_raw)), " ; ", f_num(max(x_raw)), "] h/mes"),
moda_texto,
paste(f_num(mediana), "h/mes"),
paste(f_num(media), "h/mes"),
f_num(varianza),
paste(f_num(desv), "h/mes"),
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 Continua: Horas de producción registradas*")
) %>%
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 Continua: Horas de producción registradas | |
| Indicador | Valor |
|---|---|
| Variable | Horas de producción registradas |
| Tipo de variable | Cuantitativa Continua |
| Rango [mín ; máx] | [0.00 ; 744.00] h/mes |
| Moda (Mo) | 587.51 h/mes (clase modal [463.94 ; 744.00]) |
| Mediana (Me) | 738.00 h/mes |
| Media (X̄) | 585.38 h/mes |
| Varianza (V) | 61,530.74 |
| Desv. Estándar (Sd) | 248.05 h/mes |
| Coef. Variación (CV%) | 42.37% |
| Asimetría (As) | -1.3833 |
| Curtosis (K) | 0.3618 |
| Cuartiles (Q1 ; Q3) | 501.00 ; 744.00 |
| Valores atípicos | 615 (11.59%) |
| Autor: Grupo Brasil | |
La variable Horas de producción registradas es una variable cuantitativa continua medida en 5,308 pozos con dato. Sus valores van de 0.00 a 744.00 h/mes; la media es 585.38 y la mediana 738.00 h/mes. La asimetría vale -1.38, es decir, la distribución tiene asimetría negativa (cola hacia los valores bajos), y la curtosis en exceso de 0.36 indica una distribución cercana a la mesocúrtica. Se detectan 615 valores atípicos con la regla de 1,5 · RIC. Muchos pozos se acercan a las 744 horas del mes completo, mientras otros produjeron solo una fracción del mes.
Autor: Grupo Brasil