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 Óleo por pozo (columna Óleo (bbl/dia): para los pozos con varias filas se suman sus tasas). Se descartan los pozos sin dato (NA).

cat("Resumen de oleo antes de la limpieza:\n")
## Resumen de oleo antes de la limpieza:
print(summary(pozos$oleo))
##     Min.  1st Qu.   Median     Mean  3rd Qu.     Max. 
##    0.000    1.455    4.420   11.948   10.637 1102.829
x_raw <- pozos %>%
  filter(!is.na(oleo)) %>%
  pull(oleo)

n <- length(x_raw)

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

f_num <- function(x, d = 4) formatC(x, format = "f", digits = d, big.mark = ",")

cat("Observaciones válidas:", n, "\n")
## Observaciones válidas: 5308
cat("Sin dato:", sum(is.na(pozos$oleo)), "\n")
## Sin dato: 0
cat("Valores únicos:", length(unique(x_raw)), "\n")
## Valores únicos: 4693
cat("Ceros:", sum(x_raw == 0), "\n")
## Ceros: 420

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(
    "Óleo por pozo",
    "Óleo (bbl/dia)",
    "Cuantitativa",
    "Continua",
    "[0; +∞)",
    paste0("[", f_num(min(x_raw)), " ; ", f_num(max(x_raw)), "] bbl/día"),
    "bbl/día",
    "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 Óleo por pozo
Nombre técnico Óleo (bbl/dia)
Tipo Cuantitativa
Subtipo Continua
Dominio [0; +∞)
Rango [0.0000 ; 1,102.8289] bbl/día
Unidad bbl/día
Escala Razón
Fuente ANP – Producción por pozo en tierra, enero 2023
Autor: Grupo Brasil

Justificación: El óleo es un caudal medido que puede tomar cualquier valor real no negativo. Corresponde a una variable cuantitativa continua en escala de razón.

4 Tabla de Distribución de Frecuencias

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: Óleo por pozo (bbl/día)*")
  ) %>%
  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: Óleo por pozo (bbl/día)
Clase [Li ; Ls) Marca (xi) Frecuencia (ni) Porcentaje (hi%) Frec. acumulada (Ni) Porc. acumulado (Hi%)
{0} 0.0000 420 7.91 420 7.91
[0.0002 ; 0.0006) 0.0003 3 0.06 423 7.97
[0.0006 ; 0.0018) 0.0011 0 0.00 423 7.97
[0.0018 ; 0.0056) 0.0032 1 0.02 424 7.99
[0.0056 ; 0.0169) 0.0097 3 0.06 427 8.04
[0.0169 ; 0.0511) 0.0294 22 0.41 449 8.46
[0.0511 ; 0.1550) 0.0890 50 0.94 499 9.40
[0.1550 ; 0.4696) 0.2698 122 2.30 621 11.70
[0.4696 ; 1.4233) 0.8176 691 13.02 1312 24.72
[1.4233 ; 4.3136) 2.4778 1320 24.87 2632 49.59
[4.3136 ; 13.0729) 7.5094 1613 30.39 4245 79.97
[13.0729 ; 39.6192) 22.7582 779 14.68 5024 94.65
[39.6192 ; 120.0715) 68.9720 215 4.05 5239 98.70
[120.0715 ; 363.8932) 209.0292 63 1.19 5302 99.89
[363.8932 ; 1,102.8289] 633.4919 6 0.11 5308 100.00
TOTAL 5308 100.00 — —
Autor: Grupo Brasil

5 Representación Gráfica

Se presentan cuatro gráficas en tonos amarillo y verde claro para la variable continua Óleo por pozo. En el histograma y el polígono, la barra verde es la clase {0} y las amarillas son las clases de igual ancho en log₁₀.

5.1 Gráfica N°1 — Histograma de frecuencias absolutas

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("Óleo por pozo (bbl/día)", side = 1, line = 10.5, cex = 1)
mtext("Gráfica N°1: Histograma de la Variable Óleo por pozo",
      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")

5.2 Gráfica N°2 — Polígono de frecuencias porcentuales

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("Óleo por pozo (bbl/día)", side = 1, line = 10.5, cex = 1)
mtext("Gráfica N°2: Polígono de Frecuencias Porcentuales de la Variable Óleo por pozo",
      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")

5.3 Gráfica N°3 — Ojiva (Hi%)

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 (bbl/día)", side = 1, line = 8, cex = 1)
mtext("Gráfica N°3: Ojiva de la Variable Óleo por pozo",
      side = 3, line = 2, adj = 0.5, cex = 0.9, font = 2, col = "#0d2b24")

5.4 Gráfica N°4 — Diagrama de caja

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("Óleo por pozo (bbl/día, escala logarítmica; solo valores > 0)", side = 1, line = 3.5, cex = 1)
mtext("Gráfica N°4: Diagrama de Caja de la Variable Óleo por pozo",
      side = 3, line = 2, adj = 0.5, cex = 0.9, font = 2, col = "#0d2b24")

6 Tabla de Indicadores

Para la variable cuantitativa continua Óleo por pozo 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 bbl/día (clase {0}, ", format(tabla_final$Frecuencia_ni[fila_modal], big.mark = ","), " pozos)")
} else {
  paste0(f_num(tabla_final$Marca_xi[fila_modal]), " bbl/día (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(
    "Óleo por pozo",
    "Cuantitativa Continua",
    paste0("[", f_num(min(x_raw)), " ; ", f_num(max(x_raw)), "] bbl/día"),
    moda_texto,
    paste(f_num(mediana), "bbl/día"),
    paste(f_num(media), "bbl/día"),
    f_num(varianza),
    paste(f_num(desv), "bbl/día"),
    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: Óleo por pozo*")
  ) %>%
  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: Óleo por pozo
Indicador Valor
Variable Óleo por pozo
Tipo de variable Cuantitativa Continua
Rango [mín ; máx] [0.0000 ; 1,102.8289] bbl/día
Moda (Mo) 7.5094 bbl/día (clase modal [4.3136 ; 13.0729))
Mediana (Me) 4.4195 bbl/día
Media (X̄) 11.9485 bbl/día
Varianza (V) 1,087.8526
Desv. Estándar (Sd) 32.9826 bbl/día
Coef. Variación (CV%) 276.04%
Asimetría (As) 12.3623
Curtosis (K) 276.9612
Cuartiles (Q1 ; Q3) 1.4548 ; 10.6372
Valores atípicos 539 (10.15%)
Autor: Grupo Brasil

7 Conclusión

La variable Óleo por pozo es una variable cuantitativa continua medida en 5,308 pozos con dato. Sus valores van de 0.0000 a 1,102.8289 bbl/día; la media es 11.9485 y la mediana 4.4195 bbl/día. La asimetría vale 12.36, es decir, la distribución tiene asimetría positiva (cola larga hacia los valores altos), y la curtosis en exceso de 276.96 indica una distribución leptocúrtica (más concentrada y con colas más pesadas que la normal). Se detectan 539 valores atípicos con la regla de 1,5 · RIC. La mayoría de los pozos produce pocos barriles diarios y unos pocos pozos aportan caudales muy altos.

Autor: Grupo Brasil