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 Grado API (columna Grau API: para los pozos con varias filas se toma el primer grado no nulo de la fila con más óleo; los grados de distintas corrientes no se promedian). Se descartan los pozos sin dato (NA).

cat("Resumen de api antes de la limpieza:\n")
## Resumen de api antes de la limpieza:
print(summary(pozos$api))
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.     NAs 
##   13.20   23.20   23.20   25.20   24.50   64.64     873
x_raw <- pozos %>%
  filter(!is.na(api)) %>%
  pull(api)

n <- length(x_raw)

if (n == 0) {
  stop("No se encontraron valores en api. 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: 4435
cat("Sin dato:", sum(is.na(pozos$api)), "\n")
## Sin dato: 873
cat("Valores únicos:", length(unique(x_raw)), "\n")
## Valores únicos: 37
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(
    "Grado API",
    "Grau API",
    "Cuantitativa",
    "Continua",
    "ℝ (valores reales)",
    paste0("[", f_num(min(x_raw)), " ; ", f_num(max(x_raw)), "] °API"),
    "°API",
    "Intervalo",
    "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 Grado API
Nombre técnico Grau API
Tipo Cuantitativa
Subtipo Continua
Dominio ℝ (valores reales)
Rango [13.20 ; 64.64] °API
Unidad °API
Escala Intervalo
Fuente ANP – Producción por pozo en tierra, enero 2023
Autor: Grupo Brasil

Justificación: El grado API se mide en una escala continua cuyo cero es convencional, no ausencia de densidad. Corresponde a una variable cuantitativa continua en escala de intervalo.

4 Tabla de Distribución de Frecuencias

La tabla se construye con clases de igual amplitud; el número de clases sigue la regla de Sturges (k = 1 + log₂ n) y la amplitud es (máx − mín) / k. Cada clase incluye su límite inferior y excluye el superior, salvo la última, que es cerrada. La marca de clase es el punto medio (Li + Ls) / 2.

# 1. Regla de Sturges sobre los valores de la variable
k      <- ceiling(1 + log2(n))
cortes <- seq(min(x_raw), max(x_raw), length.out = k + 1)
clase  <- cut(x_raw, breaks = cortes, right = FALSE, include.lowest = TRUE, labels = FALSE)

lim_inf <- cortes[1:k]
lim_sup <- cortes[2:(k + 1)]

tabla_final <- data.frame(
  Clase         = paste0("[", f_num(lim_inf), " ; ", f_num(lim_sup), ifelse(1:k == k, "]", ")")),
  Lim_inf       = lim_inf,
  Lim_sup       = lim_sup,
  Marca_xi      = (lim_inf + lim_sup) / 2,
  Frecuencia_ni = 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: Grado API (°API)*")
  ) %>%
  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: Grado API (°API)
Clase [Li ; Ls) Marca (xi) Frecuencia (ni) Porcentaje (hi%) Frec. acumulada (Ni) Porc. acumulado (Hi%)
[13.20 ; 16.87) 15.04 279 6.29 279 6.29
[16.87 ; 20.55) 18.71 189 4.26 468 10.55
[20.55 ; 24.22) 22.39 2659 59.95 3127 70.51
[24.22 ; 27.90) 26.06 614 13.84 3741 84.35
[27.90 ; 31.57) 29.73 23 0.52 3764 84.87
[31.57 ; 35.25) 33.41 17 0.38 3781 85.25
[35.25 ; 38.92) 37.08 380 8.57 4161 93.82
[38.92 ; 42.59) 40.76 159 3.59 4320 97.41
[42.59 ; 46.27) 44.43 0 0.00 4320 97.41
[46.27 ; 49.94) 48.11 95 2.14 4415 99.55
[49.94 ; 53.62) 51.78 6 0.14 4421 99.68
[53.62 ; 57.29) 55.45 8 0.18 4429 99.86
[57.29 ; 60.97) 59.13 0 0.00 4429 99.86
[60.97 ; 64.64] 62.80 6 0.14 4435 100.00
TOTAL 4435 100.00 — —
Autor: Grupo Brasil

5 Representación Gráfica

Se presentan cuatro gráficas en tonos amarillo y verde claro para la variable continua Grado API.

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("Grado API (°API)", side = 1, line = 10.5, cex = 1)
mtext("Gráfica N°1: Histograma de la Variable Grado API",
      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("Grado API (°API)", side = 1, line = 10.5, cex = 1)
mtext("Gráfica N°2: Polígono de Frecuencias Porcentuales de la Variable Grado API",
      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 (°API)", side = 1, line = 8, cex = 1)
mtext("Gráfica N°3: Ojiva de la Variable Grado API",
      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, horizontal = TRUE,
        col = "#FBEFC8", border = "#0d2b24",
        outcol = "#8C6D46", pch = 19, cex = 0.5)

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

6 Tabla de Indicadores

Para la variable cuantitativa continua Grado API 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. El coeficiente de variación no se calcula porque la variable está en escala de intervalo: su cero es arbitrario y el cociente desviación/media no tiene sentido.

# 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 °API (clase {0}, ", format(tabla_final$Frecuencia_ni[fila_modal], big.mark = ","), " pozos)")
} else {
  paste0(f_num(tabla_final$Marca_xi[fila_modal]), " °API (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(
    "Grado API",
    "Cuantitativa Continua",
    paste0("[", f_num(min(x_raw)), " ; ", f_num(max(x_raw)), "] °API"),
    moda_texto,
    paste(f_num(mediana), "°API"),
    paste(f_num(media), "°API"),
    f_num(varianza),
    paste(f_num(desv), "°API"),
    "—",
    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: Grado API*")
  ) %>%
  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: Grado API
Indicador Valor
Variable Grado API
Tipo de variable Cuantitativa Continua
Rango [mín ; máx] [13.20 ; 64.64] °API
Moda (Mo) 22.39 °API (clase modal [20.55 ; 24.22))
Mediana (Me) 23.20 °API
Media (X̄) 25.20 °API
Varianza (V) 49.52
Desv. Estándar (Sd) 7.04 °API
Coef. Variación (CV%) —
Asimetría (As) 1.6653
Curtosis (K) 3.8363
Cuartiles (Q1 ; Q3) 23.20 ; 24.50
Valores atípicos 1,211 (27.31%)
Autor: Grupo Brasil

7 Conclusión

La variable Grado API es una variable cuantitativa continua medida en 4,435 pozos con dato. Sus valores van de 13.20 a 64.64 °API; la media es 25.20 y la mediana 23.20 °API. La asimetría vale 1.67, es decir, la distribución tiene asimetría positiva (cola larga hacia los valores altos), y la curtosis en exceso de 3.84 indica una distribución leptocúrtica (más concentrada y con colas más pesadas que la normal). Se detectan 1,211 valores atípicos con la regla de 1,5 · RIC. Los crudos de los pozos terrestres son mayoritariamente de densidad media.

Autor: Grupo Brasil