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 Agua por pozo (columna Água (bbl/dia): el agua producida junto con los hidrocarburos). Se descartan los pozos sin dato (NA).

cat("Resumen de agua antes de la limpieza:\n")
## Resumen de agua antes de la limpieza:
print(summary(pozos$agua))
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    0.00   13.28   99.88  244.65  331.00 5074.23
x_raw <- pozos %>%
  filter(!is.na(agua)) %>%
  pull(agua)

n <- length(x_raw)

if (n == 0) {
  stop("No se encontraron valores en agua. 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$agua)), "\n")
## Sin dato: 0
cat("Valores únicos:", length(unique(x_raw)), "\n")
## Valores únicos: 4903
cat("Ceros:", sum(x_raw == 0), "\n")
## Ceros: 353

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(
    "Agua por pozo",
    "Água (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 Agua por pozo
Nombre técnico Água (bbl/dia)
Tipo Cuantitativa
Subtipo Continua
Dominio [0; +∞)
Rango [0.0000 ; 5,074.2289] bbl/día
Unidad bbl/día
Escala Razón
Fuente ANP – Producción por pozo en tierra, enero 2023
Autor: Grupo Brasil

Justificación: El agua producida 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: Agua 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: Agua por pozo (bbl/día)
Clase [Li ; Ls) Marca (xi) Frecuencia (ni) Porcentaje (hi%) Frec. acumulada (Ni) Porc. acumulado (Hi%)
{0} 0.0000 353 6.65 353 6.65
[0.0002 ; 0.0007) 0.0004 6 0.11 359 6.76
[0.0007 ; 0.0023) 0.0012 8 0.15 367 6.91
[0.0023 ; 0.0077) 0.0042 35 0.66 402 7.57
[0.0077 ; 0.0261) 0.0142 42 0.79 444 8.36
[0.0261 ; 0.0882) 0.0480 41 0.77 485 9.14
[0.0882 ; 0.2981) 0.1621 78 1.47 563 10.61
[0.2981 ; 1.0074) 0.5480 117 2.20 680 12.81
[1.0074 ; 3.4047) 1.8520 182 3.43 862 16.24
[3.4047 ; 11.5070) 6.2592 398 7.50 1260 23.74
[11.5070 ; 38.8906) 21.1545 653 12.30 1913 36.04
[38.8906 ; 131.4395) 71.4965 990 18.65 2903 54.69
[131.4395 ; 444.2293) 241.6387 1472 27.73 4375 82.42
[444.2293 ; 1,501.3731) 816.6725 843 15.88 5218 98.30
[1,501.3731 ; 5,074.2289] 2,760.1287 90 1.70 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 Agua 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("Agua por pozo (bbl/día)", side = 1, line = 10.5, cex = 1)
mtext("Gráfica N°1: Histograma de la Variable Agua 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("Agua por pozo (bbl/día)", side = 1, line = 10.5, cex = 1)
mtext("Gráfica N°2: Polígono de Frecuencias Porcentuales de la Variable Agua 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 Agua 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("Agua 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 Agua 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 Agua 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(
    "Agua 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: Agua 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: Agua por pozo
Indicador Valor
Variable Agua por pozo
Tipo de variable Cuantitativa Continua
Rango [mín ; máx] [0.0000 ; 5,074.2289] bbl/día
Moda (Mo) 241.6387 bbl/día (clase modal [131.4395 ; 444.2293))
Mediana (Me) 99.8821 bbl/día
Media (X̄) 244.6466 bbl/día
Varianza (V) 161,128.5553
Desv. Estándar (Sd) 401.4082 bbl/día
Coef. Variación (CV%) 164.08%
Asimetría (As) 4.2563
Curtosis (K) 27.0791
Cuartiles (Q1 ; Q3) 13.2817 ; 330.9992
Valores atípicos 290 (5.46%)
Autor: Grupo Brasil

7 Conclusión

La variable Agua por pozo es una variable cuantitativa continua medida en 5,308 pozos con dato. Sus valores van de 0.0000 a 5,074.2289 bbl/día; la media es 244.6466 y la mediana 99.8821 bbl/día. La asimetría vale 4.26, es decir, la distribución tiene asimetría positiva (cola larga hacia los valores altos), y la curtosis en exceso de 27.08 indica una distribución leptocúrtica (más concentrada y con colas más pesadas que la normal). Se detectan 290 valores atípicos con la regla de 1,5 · RIC. La mayoría de los pozos produce agua junto con el petróleo, algo típico de campos terrestres maduros.

Autor: Grupo Brasil