Proyecto Aplicado
Johan Sebastian Bolivar Sora
2023-11-01
Para la base de datos se realiza
library (tinytex)## Warning: package 'tinytex' was built under R version 4.2.3library(readxl)
library(utf8)
Basededatos_EUI_LEED <- read_excel("Basededatos-EUI-LEED.xlsx")Es importante que lector que no esta relacionado con tema entienda las variables que estan en estudio, por lo que la siguiente tabla muestra la descripcion de cada variable:
library(readxl)
descvaria <- read_excel("Descripcion _variables.xlsx")
descvaria## # A tibble: 30 × 2
## Variable Descripcion
## <chr> <chr>
## 1 Tipología "La tipología se refiere al uso principal que tendra el p…
## 2 Ciudad "La ciudad donde esta localizado el edificio."
## 3 Zona climática "La zona climática es un valor cualitativo que se le asig…
## 4 Certificación "La certificación se refiere a si el proyecto optó por un…
## 5 Área total "El area total que comprende el proyecto en metros cuadra…
## 6 Área acondicionada "Área que el proyecto considera tendra un sistema HVAC pa…
## 7 Porcentaje WWR "Window to wall ratio. Es la relación ventana-pared con l…
## 8 Área de cubierta "Área de cubierta que tiene el proyecto en metros cuadrad…
## 9 Altura "Altura de la primera planta del proyecto a la cubierta, …
## 10 Lado mas ancho "La del proyecto que tiene mayor longitud, en\r\nmetros"
## # ℹ 20 more rowsEn primer lugar determinamos el tamanio de la base de datos:
base=Basededatos_EUI_LEED
dim(base)## [1] 44 31La base de datos cuenta con 44 filas y 31 columnas o variables.
Se revisa que tipo de dato es cada variable con la que cuenta la base de datos:
str(base)## tibble [44 × 31] (S3: tbl_df/tbl/data.frame)
## $ ID : num [1:44] 1 2 3 4 5 6 7 8 9 10 ...
## $ Tipologia : chr [1:44] "Oficinas" "Retail" "Retail" "Residencial" ...
## $ Ciudad : chr [1:44] "Bogota" "Bogota" "Bogota" "Bogota" ...
## $ Zona_Climatica : chr [1:44] "4C" "4C" "4C" "4C" ...
## $ Certificacion : chr [1:44] "LEED v2009 C&S Development" "LEED v4 ID+C:Retail" "LEED V2009:Retail" "LEED V2009: NC" ...
## $ Area_Total_m2 : num [1:44] 22065 3871 7771 9265 88091 ...
## $ Area_acondicionada_m2 : num [1:44] 13774 3871 7771 5509 59345 ...
## $ Porcentaje_WWR : num [1:44] 38.8 15.5 7.1 58.5 13.3 11.5 40.3 5.1 39.5 8.2 ...
## $ Area_cubierta : num [1:44] 2992 1794 6914 1181 28419 ...
## $ Altura : num [1:44] 20 12 12 42 14 8 12 8 84 4 ...
## $ Lado_mas_ancho : num [1:44] 48.9 139.1 77.3 30.9 167 ...
## $ Esbeltez : num [1:44] 0.409 0.0863 0.1552 1.3597 0.0838 ...
## $ Orientacion_respecto_al_norte_grados : num [1:44] 297 314 293 52 0 17 318 318 288 49 ...
## $ Area_de_fachada_Oriente_m2 : num [1:44] 2308.83 5.85 971.12 741.5 4126.1 ...
## $ Area_de_fachada_Occidente_m2 : num [1:44] 2317 382 971 709 4126 ...
## $ Area_ventaneria_Oriente_m2 : num [1:44] 2317 0 0 474 214 ...
## $ Area_ventaneria_Occidente_m2 : num [1:44] 1149.1 90.4 240.7 378.3 490.2 ...
## $ U_Value_muros_exteriores_W_m2_K : num [1:44] 2.43 2.1 1.47 0.29 1.76 0.06 0.26 2.27 1.93 3.11 ...
## $ U_value_cubierta__W_m2_K : num [1:44] 5.65 4.03 1.64 4.3 0.44 0.37 0.39 0.68 1.98 NA ...
## $ Reflectancia_Muros : num [1:44] 0.55 0.3 0.3 0.55 0.3 0.3 0.3 0.3 0.3 0.3 ...
## $ Reflectancia_Cubiertas : num [1:44] 0.55 0.3 0.3 0.55 0.3 0.3 0.3 0.3 0.3 0.3 ...
## $ U_value_Vidrio_W_m2_K : num [1:44] 6.35 5.1 5.72 1.64 1.78 5.84 2.55 5.9 4.87 5.78 ...
## $ SHGC_Vidrio : num [1:44] 0.6 0.47 0.53 0.31 0.45 0.48 0.24 0.81 0.68 0.81 ...
## $ VLT_Vidrio : num [1:44] 0.76 0.76 0.76 0.62 0.67 0.71 0.51 0.76 0.76 0.76 ...
## $ Aire_acondicionado : chr [1:44] "Ventilacion natural" "Unidades minisplit" "Unidades de expansion directa y minisplits" "Unidades fancoil con agua enfriada y unidades de suministro de outdoorair" ...
## $ Consumo_propuesto_kWh : num [1:44] 1885433 252891 673946 667249 14074621 ...
## $ Consumo_Base_kWh : num [1:44] 2070940 444999 890350 831584 16369954 ...
## $ Energiarenovable_kWh_Producidos_Anualmente: num [1:44] 0 0 0 0 0 0 0 0 0 0 ...
## $ EUI_Propuesto_kWh_año_m2 : num [1:44] 85.4 65.3 86.7 72 159.8 ...
## $ EUI_Base_kWh_año_m2 : num [1:44] 93.9 115 114.6 89.8 185.8 ...
## $ Ahorro_Porcentaje : num [1:44] 0.0896 0.4317 0.2431 0.1976 0.1402 ...En su mayoria las variables son cuantitativas. Para realizar un mejor analisis se separaran las variables cuantitativas de las variables cualitativas ya que estas llevan un analisis diferente.
Por otro lado se realiza un resumen estadistico de las variables cuantitativas:
library(dplyr)## Warning: package 'dplyr' was built under R version 4.2.3##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionbasecuant=base%>%select (-one_of ("ID","Tipologia","Ciudad","Zona_Climatica","Certificacion","Aire_acondicionado"))
summary(basecuant)## Area_Total_m2 Area_acondicionada_m2 Porcentaje_WWR Area_cubierta
## Min. : 79.1 Min. : 0 Min. : 0.42 Min. : 0.0
## 1st Qu.: 2973.0 1st Qu.: 2464 1st Qu.:18.01 1st Qu.: 792.6
## Median : 7770.7 Median : 5674 Median :36.10 Median : 2355.0
## Mean : 30091.5 Mean : 16442 Mean :37.21 Mean : 5305.2
## 3rd Qu.: 32820.2 3rd Qu.: 21014 3rd Qu.:47.65 3rd Qu.: 6346.9
## Max. :236009.7 Max. :117706 Max. :99.80 Max. :28419.3
## NA's :1 NA's :1 NA's :1 NA's :1
## Altura Lado_mas_ancho Esbeltez
## Min. : 3.20 Min. : 16.43 Min. :0.04117
## 1st Qu.: 8.00 1st Qu.: 48.94 1st Qu.:0.09007
## Median :15.04 Median : 62.23 Median :0.18477
## Mean :22.81 Mean : 84.36 Mean :0.39678
## 3rd Qu.:32.12 3rd Qu.: 96.88 3rd Qu.:0.49151
## Max. :84.00 Max. :275.30 Max. :1.82961
## NA's :4 NA's :5 NA's :5
## Orientacion_respecto_al_norte_grados Area_de_fachada_Oriente_m2
## Min. : 0.0 Min. : 0.0
## 1st Qu.: 23.0 1st Qu.: 283.5
## Median :117.0 Median : 759.6
## Mean :167.7 Mean : 1403.3
## 3rd Qu.:305.3 3rd Qu.: 1426.0
## Max. :358.0 Max. :10396.3
## NA's :7 NA's :1
## Area_de_fachada_Occidente_m2 Area_ventaneria_Oriente_m2
## Min. : 0.0 Min. : 0.0
## 1st Qu.: 420.1 1st Qu.: 50.5
## Median : 708.7 Median : 188.0
## Mean : 1403.7 Mean : 407.1
## 3rd Qu.: 1026.6 3rd Qu.: 387.4
## Max. :10653.0 Max. :3281.8
## NA's :1 NA's :1
## Area_ventaneria_Occidente_m2 U_Value_muros_exteriores_W_m2_K
## Min. : 0.0 Min. :0.060
## 1st Qu.: 56.8 1st Qu.:0.810
## Median : 197.8 Median :1.440
## Mean : 386.0 Mean :1.595
## 3rd Qu.: 482.7 3rd Qu.:2.252
## Max. :3795.5 Max. :4.030
## NA's :1 NA's :1
## U_value_cubierta__W_m2_K Reflectancia_Muros Reflectancia_Cubiertas
## Min. :0.2110 Min. :0.3000 Min. :0.3000
## 1st Qu.:0.5175 1st Qu.:0.3000 1st Qu.:0.3000
## Median :0.9300 Median :0.3000 Median :0.3000
## Mean :1.5074 Mean :0.3405 Mean :0.3659
## 3rd Qu.:1.9825 3rd Qu.:0.3000 3rd Qu.:0.4000
## Max. :5.6500 Max. :0.5500 Max. :0.8000
## NA's :4 NA's :2 NA's :3
## U_value_Vidrio_W_m2_K SHGC_Vidrio VLT_Vidrio Consumo_propuesto_kWh
## Min. :1.100 Min. :0.2400 Min. :0.1600 Min. : 3168
## 1st Qu.:2.907 1st Qu.:0.4100 1st Qu.:0.5000 1st Qu.: 251451
## Median :5.100 Median :0.5000 Median :0.7200 Median : 696626
## Mean :4.301 Mean :0.5313 Mean :0.6497 Mean : 3011522
## 3rd Qu.:5.710 3rd Qu.:0.6650 3rd Qu.:0.7600 3rd Qu.: 1981405
## Max. :6.350 Max. :0.9000 Max. :0.9000 Max. :19556455
## NA's :1 NA's :1 NA's :1
## Consumo_Base_kWh Energiarenovable_kWh_Producidos_Anualmente
## Min. : 3876 Min. : 0
## 1st Qu.: 348608 1st Qu.: 0
## Median : 935556 Median : 0
## Mean : 3847061 Mean : 5605
## 3rd Qu.: 2623432 3rd Qu.: 0
## Max. :25102339 Max. :192108
##
## EUI_Propuesto_kWh_año_m2 EUI_Base_kWh_año_m2 Ahorro_Porcentaje
## Min. : 18.90 Min. : 26.31 Min. :0.08958
## 1st Qu.: 60.45 1st Qu.: 78.39 1st Qu.:0.19397
## Median : 82.86 Median :111.23 Median :0.22741
## Mean :100.28 Mean :132.95 Mean :0.24173
## 3rd Qu.:104.66 3rd Qu.:146.97 3rd Qu.:0.28495
## Max. :333.80 Max. :403.73 Max. :0.47011
## NA's :1 NA's :1Tambien se realiza la tabla de coeficientes de variacion de todas las variables cuantitativas:
sapply(basecuant, function(x)sd(x,na.rm = TRUE)/mean(x,na.rm = TRUE)*100)## Area_Total_m2
## 171.82678
## Area_acondicionada_m2
## 150.89093
## Porcentaje_WWR
## 65.91203
## Area_cubierta
## 132.04471
## Altura
## 86.55991
## Lado_mas_ancho
## 69.11980
## Esbeltez
## 116.26235
## Orientacion_respecto_al_norte_grados
## 83.59610
## Area_de_fachada_Oriente_m2
## 150.18119
## Area_de_fachada_Occidente_m2
## 151.67479
## Area_ventaneria_Oriente_m2
## 170.67983
## Area_ventaneria_Occidente_m2
## 179.66361
## U_Value_muros_exteriores_W_m2_K
## 62.66295
## U_value_cubierta__W_m2_K
## 91.00483
## Reflectancia_Muros
## 26.19733
## Reflectancia_Cubiertas
## 32.11507
## U_value_Vidrio_W_m2_K
## 39.08447
## SHGC_Vidrio
## 32.96631
## VLT_Vidrio
## 30.58956
## Consumo_propuesto_kWh
## 173.78255
## Consumo_Base_kWh
## 170.95057
## Energiarenovable_kWh_Producidos_Anualmente
## 525.58947
## EUI_Propuesto_kWh_año_m2
## 66.69813
## EUI_Base_kWh_año_m2
## 63.08654
## Ahorro_Porcentaje
## 34.24071
La mayor cantidad de proyectos son de oficinas y retail. Esto puede deberse a que los propietarios cuentan con mayor capital para poder invertir en proyectos sostenibles.
En su mayoria los proyectos se centran en Bogotá puesto que es la capital y esta tiene la mayor cantidad de proyectos constructivos, seguido de Medellín que es otra ciudad principal del Colombia.
Existe un proyecto ubicado en Quito, esto no interferira en los datos puesto que es un clima que puede encontrarse en Colombia.
Los climas para los modelos enérgeticos van de la 1A a la 4C, los climas como 3A,3C y 4C suelen utilzarse para Bogotá y climas frios, esto puede explicar que sean los mas predominantes. 2A Suele utilizarse para climas calidos- templados como lo es Medellin (Según ASHRAE).
Es importante entender que la zona climatica para cada ciudad puede tener distintos valores, ya que esto depende del criterio de la persona encargada de realizar el modelo, por lo que en resumen por ciudad se tiene el siguiente resumen:
library(dplyr)
library(ggplot2)
# Resumen del porcentaje para todas las columnas
porc_tipo <- prop.table(table(basecual$Tipologia)) * 100
porc_ciu <- prop.table(table(basecual$Ciudad)) * 100
porc_zona <- prop.table(table(basecual$Zona_Climatica)) * 100
porc_certf <- prop.table(table(basecual$Certificacion)) * 100
porc_renov <- prop.table(table(basecuant$Energiarenovable_kWh_Producidos_Anualmente )) * 100
# Agregar los nombres y el símbolo de porcentaje
resul_tipo <- paste(names(porc_tipo), ": ", round(porc_tipo, 2), "%")
resul_ciu <- paste(names(porc_ciu), ": ", round(porc_ciu, 2), "%")
resul_zona <- paste(names(porc_zona), ": ", round(porc_zona, 2), "%")
resul_certf <- paste(names(porc_certf), ": ", round(porc_certf, 2), "%")
resul_renov <- paste(names(porc_renov), ": ", round(porc_renov, 2), "%")
print(as.data.frame(resul_ciu))## resul_ciu
## 1 Barranquilla : 6.82 %
## 2 Bogota : 54.55 %
## 3 Cali : 4.55 %
## 4 Cartagena : 2.27 %
## 5 Floridablanca : 2.27 %
## 6 Manizales : 2.27 %
## 7 Medellin : 13.64 %
## 8 Palmira : 2.27 %
## 9 Quito : 2.27 %
## 10 Rionegro : 2.27 %
## 11 Sincelejo : 2.27 %
## 12 Tocancipa : 2.27 %
## 13 Tunja : 2.27 %print(as.data.frame(resul_tipo))## resul_tipo
## 1 Biblioteca : 2.27 %
## 2 Healthcare : 6.82 %
## 3 Hotel : 2.27 %
## 4 Oficinas : 40.91 %
## 5 Residencial : 9.09 %
## 6 Retail : 34.09 %
## 7 Universidad : 4.55 %print(as.data.frame(resul_zona))## resul_zona
## 1 1A : 9.09 %
## 2 1B : 4.55 %
## 3 2A : 18.18 %
## 4 2B : 2.27 %
## 5 3A : 6.82 %
## 6 3C : 43.18 %
## 7 4C : 15.91 %print(as.data.frame(resul_certf))## resul_certf
## 1 LEED 2009 ID+C:Commercial interiors : 2.27 %
## 2 LEED v2009 C&S Development : 20.45 %
## 3 LEED V2009: NC : 9.09 %
## 4 LEED V2009:Retail : 2.27 %
## 5 LEED v4 BD+C:Core and Shell : 11.36 %
## 6 LEED v4 BD+C:Healthcare : 4.55 %
## 7 LEED v4 BD+C:NC : 29.55 %
## 8 LEED v4 BD+C:Retail : 2.27 %
## 9 LEED v4 ID+C:Commercial interiors : 15.91 %
## 10 LEED v4 ID+C:Retail : 2.27 %print(as.data.frame(resul_renov))## resul_renov
## 1 0 : 93.18 %
## 2 14750 : 2.27 %
## 3 39780 : 2.27 %
## 4 192108 : 2.27 %Luego de realizar el analisis se puede concluir que la mayor parte de las certificaciones estan concentradas en Bogota:54.55%, Medellin: 13.64%, Barranquilla: 6.82% y Cali: 4.55% el 20.43% restante se encuentra distribuido en iguales proporciones en las otras 9 ciudades.
Segun el tipo de edificaciones la distribucion de certificaciones esta concentrado en mayor proporcion en Oficinas:40.91 % y Retail: 34.09%, el 25% restante corresponden a edificaciones de tipo Residencial: 9.09%, Healthcare: 6.82%, Universidad : 4.55%, Hotel: 2.27% y Biblioteca: 2.27%
Segun el tipo de zona climatica la distribucion de certificaciones esta concentrado en mayor proporcion en 3C: 43.18 %, 2A: 18.18% y 4C: 15.91%, estas zonas representan el 77.27% de las zonas con certificacion, el 22.73% restante se distribuye en las zonas 1A, 3A, 1B y 2B con 9.09 %, 6.82 %, 4.55 % y 2.27% respectivamente.
Los tipos de certificaciones mas significativas son LEED v4 BD+C:NC : 29.55%, LEED v2009 C&S Development : 20.45%, LEED v4 ID+C:Commercial interiors : 15.91% y LEED v4 BD+C:Core and Shell : 11.36% representando un 77.27%, valor que es igual a la distribucion de zonas climaticas lo que podria significar que estas variables podrian estar directamente relacionadas, se recomienda complementar el analisis para definir si en realidad existe una correlacion entre estas.
En cuanto a los kwh producidos anualmente se puede afirmar que esta variable no es significativa ya que el 93.18% registra 0kwh*.
length_tipologia <- length(basecual$Tipologia)
length_ciudad <- length(basecual$Ciudad)
print(length_tipologia)## [1] 44print(length_ciudad)## [1] 44# Calcular el porcentaje de cada tipologia por ciudad
porc_zona_ciu <- basecual %>%
group_by(Ciudad, Zona_Climatica) %>%
summarize(cantidad = n()) %>%
group_by(Ciudad) %>%
mutate(porcentaje = sprintf("%.2f%%", cantidad / sum(cantidad) * 100))## `summarise()` has grouped output by 'Ciudad'. You can override using the
## `.groups` argument.porc_tip_ciu <- basecual%>%
group_by(Ciudad, Tipologia) %>%
summarize(cantidad = n()) %>%
group_by(Ciudad) %>%
mutate(porcentaje = sprintf("%.2f%%", cantidad / sum(cantidad) * 100))## `summarise()` has grouped output by 'Ciudad'. You can override using the
## `.groups` argument.porc_certf_ciu <- basecual %>%
group_by(Ciudad, Certificacion) %>%
summarize(cantidad = n()) %>%
group_by(Ciudad) %>%
mutate(porcentaje = sprintf("%.2f%%", cantidad / sum(cantidad) * 100))## `summarise()` has grouped output by 'Ciudad'. You can override using the
## `.groups` argument.# Mostrar el resultado
print(porc_tip_ciu)## # A tibble: 23 × 4
## # Groups: Ciudad [13]
## Ciudad Tipologia cantidad porcentaje
## <chr> <chr> <int> <chr>
## 1 Barranquilla Biblioteca 1 33.33%
## 2 Barranquilla Oficinas 1 33.33%
## 3 Barranquilla Retail 1 33.33%
## 4 Bogota Healthcare 2 8.33%
## 5 Bogota Oficinas 14 58.33%
## 6 Bogota Residencial 3 12.50%
## 7 Bogota Retail 4 16.67%
## 8 Bogota Universidad 1 4.17%
## 9 Cali Retail 1 50.00%
## 10 Cali Universidad 1 50.00%
## # ℹ 13 more rowsprint(porc_zona_ciu)## # A tibble: 19 × 4
## # Groups: Ciudad [13]
## Ciudad Zona_Climatica cantidad porcentaje
## <chr> <chr> <int> <chr>
## 1 Barranquilla 1A 1 33.33%
## 2 Barranquilla 1B 2 66.67%
## 3 Bogota 2A 1 4.17%
## 4 Bogota 3A 1 4.17%
## 5 Bogota 3C 17 70.83%
## 6 Bogota 4C 5 20.83%
## 7 Cali 1A 1 50.00%
## 8 Cali 2B 1 50.00%
## 9 Cartagena 1A 1 100.00%
## 10 Floridablanca 2A 1 100.00%
## 11 Manizales 3C 1 100.00%
## 12 Medellin 2A 5 83.33%
## 13 Medellin 3A 1 16.67%
## 14 Palmira 2A 1 100.00%
## 15 Quito 3A 1 100.00%
## 16 Rionegro 3C 1 100.00%
## 17 Sincelejo 1A 1 100.00%
## 18 Tocancipa 4C 1 100.00%
## 19 Tunja 4C 1 100.00%print(porc_certf_ciu)## # A tibble: 28 × 4
## # Groups: Ciudad [13]
## Ciudad Certificacion cantidad porcentaje
## <chr> <chr> <int> <chr>
## 1 Barranquilla LEED V2009: NC 1 33.33%
## 2 Barranquilla LEED v2009 C&S Development 1 33.33%
## 3 Barranquilla LEED v4 BD+C:Core and Shell 1 33.33%
## 4 Bogota LEED 2009 ID+C:Commercial interiors 1 4.17%
## 5 Bogota LEED V2009: NC 1 4.17%
## 6 Bogota LEED V2009:Retail 1 4.17%
## 7 Bogota LEED v2009 C&S Development 4 16.67%
## 8 Bogota LEED v4 BD+C:Core and Shell 2 8.33%
## 9 Bogota LEED v4 BD+C:Healthcare 2 8.33%
## 10 Bogota LEED v4 BD+C:NC 6 25.00%
## # ℹ 18 more rowsbasecual_filtrado <- basecual %>%
filter(Tipologia %in% c("Oficinas", "Retail"))
# Calcular el total por tipologia
total_tipologia <- basecual_filtrado %>%
group_by(Tipologia) %>%
summarize(total = n())
# Calcular el porcentaje por tipologia y ciudad
porcentaje_tipologia_ciudad <- basecual_filtrado %>%
group_by(Ciudad, Tipologia) %>%
summarize(cantidad = n()) %>%
left_join(total_tipologia, by = "Tipologia") %>%
mutate(porcentaje = sprintf("%.2f%%", cantidad / total * 100))## `summarise()` has grouped output by 'Ciudad'. You can override using the
## `.groups` argument.print(porcentaje_tipologia_ciudad)## # A tibble: 15 × 5
## # Groups: Ciudad [12]
## Ciudad Tipologia cantidad total porcentaje
## <chr> <chr> <int> <int> <chr>
## 1 Barranquilla Oficinas 1 18 5.56%
## 2 Barranquilla Retail 1 15 6.67%
## 3 Bogota Oficinas 14 18 77.78%
## 4 Bogota Retail 4 15 26.67%
## 5 Cali Retail 1 15 6.67%
## 6 Floridablanca Retail 1 15 6.67%
## 7 Manizales Retail 1 15 6.67%
## 8 Medellin Oficinas 1 18 5.56%
## 9 Medellin Retail 3 15 20.00%
## 10 Palmira Retail 1 15 6.67%
## 11 Quito Oficinas 1 18 5.56%
## 12 Rionegro Oficinas 1 18 5.56%
## 13 Sincelejo Retail 1 15 6.67%
## 14 Tocancipa Retail 1 15 6.67%
## 15 Tunja Retail 1 15 6.67%tabla_contingencia <- table(basecual_filtrado$Tipologia, basecual_filtrado$Ciudad)
print(as.data.frame(tabla_contingencia))## Var1 Var2 Freq
## 1 Oficinas Barranquilla 1
## 2 Retail Barranquilla 1
## 3 Oficinas Bogota 14
## 4 Retail Bogota 4
## 5 Oficinas Cali 0
## 6 Retail Cali 1
## 7 Oficinas Floridablanca 0
## 8 Retail Floridablanca 1
## 9 Oficinas Manizales 0
## 10 Retail Manizales 1
## 11 Oficinas Medellin 1
## 12 Retail Medellin 3
## 13 Oficinas Palmira 0
## 14 Retail Palmira 1
## 15 Oficinas Quito 1
## 16 Retail Quito 0
## 17 Oficinas Rionegro 1
## 18 Retail Rionegro 0
## 19 Oficinas Sincelejo 0
## 20 Retail Sincelejo 1
## 21 Oficinas Tocancipa 0
## 22 Retail Tocancipa 1
## 23 Oficinas Tunja 0
## 24 Retail Tunja 1Luego de realizar el analisis de la base de datos en funcion de la variable ciudades se puede determinar:
Variable Tipologia x Ciudad
En la ciudad de bogota las Oficinas son el tipo de edificacion mas certificada con un 58.33%, las categorias Retail y Residencial son las que le siguen en porcentage de certificaciones con 16.67% y 12.50% respectivamente para el total de muestras en esta ciudad.
La ciudad de medellin, segunda en el ranking de ciudades, el tipo de edificacion con mayor porcentaje de certificacion es Retail con 50%, el porcentaje restante se distribuye de manera equitativa en las categorias Healthcare, Oficinas y Residencial, esto para el total de muestras en esta ciudad.
En barranquilla tercera en el ranking las certificaciones se distribuyen de manera equitativa en 33.33% en las categorias Biblioteca, Oficinas y Retail.
de manera general la categoria Retail esta al menos 1 vez en la mayoria de las ciudades y en Bogota y Medellin 4 y 3 veces respectivamente lo que explicaria por que esta variable es una de las de mayor frecuencia en toda la base de datos.
Variable Zona Climatica x Ciudad
En la ciudad de Bogota se concentra el mayor numero de certificaciones con clasificacion 3C con 70.83% de todas las clasificaciones de zonas climaticas en esta ciudad, seguido de la clase 4C con 20.83%.
Medellin concentra el 83.33% de lascertificaciones en zonas climaticas de clase 2A.
Los valores obtenidos en este analisis representan en el caso de la clasificacion 3C en Bogota el 89.47% de esta clasificacion en toda la base de datos y para la clase 2A en Medellin esta representa el 62.5% de esta zona climatica en toda la base de datos, es importante tener encuenta que la asignacion de clase es un criterio asignado por el certificador por lo que seria de gran importancia determinar si la asignacion de clases presenta algun tipo de sesgo.
Variable Certificacion x Ciudad
En la ciudad de Bogota la certificacion mas significativa es la LEED v4 BD+C:NC con 25% del total de las certificaciones emitidas en esta ciudad, adicionalmente las certificaciones LEED v4 ID+C:Commercial interiors y LEED v2009 C&S Development fueron otrogadas en un 20.83% y 16.67% respectivamente.
En Medellin la certificacion LEED v2009 C&S Development fue otrogada en un 33.33% al igual que LEED v4 BD+C:NC, el 33.33% restante esta distribuido de manera equitativa en las certificaciones LEED v4 ID+C:Commercial interiors y LEED v4 BD+C:Core and Shell
Para el caso de Barranquilla las certificaciones LEED V2009: NC, LEED v2009 C&S Development y LEED v4 BD+C:Core and Shell fueron otorgadas en equitativamente (33.33%) cada una.
Variable Tipologia (“Oficinas”, “Retail”) x ciudad
tabla resumen de % de datos por tipologia*
- tabla resumen de % de datos por ciudad*
tabla resumen de % de datos por certificacion*
Tabla de energia renovable* , Analisis
Tabla resumen por ciudad-zona climatica * , Analisis
Grafico Oficinas y retail por ciudad, Analisis
Para dar un mayor entendimiento de los datos se realizara el análsis de ciertas variables. El análisis se presenta a continuación:
## # A tibble: 11 × 1
## Area_Total_m2
## <dbl>
## 1 88091.
## 2 211446.
## 3 60020.
## 4 60630.
## 5 236010.
## 6 33937
## 7 33937
## 8 77996
## 9 33380.
## 10 87725.
## 11 119290.## # A tibble: 6 × 1
## Area_Total_m2
## <dbl>
## 1 88091.
## 2 211446.
## 3 236010.
## 4 77996
## 5 87725.
## 6 119290.Del Area total se puede observar que:
- Existe un rango bastante amplio entre las areas totales de los proyectos, van desde 79.1 m2 a 236000 m2.
- El 75% de los datos se encuentra por debajo de un area de 32820.2 m2.
- Existen 6 datos atipicos, como se puede evidenciar en el diagrama de caja, estos datos atipicos van de 77996 m2 a 236000 m2.
- El coeficiente de variacion de la variable Area total es de 171.83%, lo que nos dice que los datos tienen una variacion muy alta, esto se puede evidenciar con el rango de areas.
Del Area Acondicionada se puede observar que:
- El comportamiento del area acondicionada es similar al del area total, esto tiene sentido pues asi como crece el area total debe crecer el area acondicionada. Esto puede comprobarse observando el comportamiento de las graficas de densidad, diagrama de cajas y diagrama de poligonos, en donde son muy similares con las graficas del area total.
Del %WWR observar que:
- El 75% de los datos se encuentra por debajo de un %WWR de 47.65. Lo cual es un porcentaje alto, esto puede estar relacionado a que la mayoria de los proyectos son retail u oficinas.
- La grafica de densidad tiene una distribucion mas uniforme que de lo que se observa en el Area total y Area acondicionada.
- Existe solo un dato atipico y es un un proyecto de aproximadamente 100% de WWR, lo cual no es comun ver un proyecto asi.
- El coeficiente de variacion de la variable %WWR es de 65.91%, lo que nos dice que los datos tienen una variacion alta.
- Consumo por Oficinas y Por Retail* Consumo por medellin y Bogota,Analisis
Consumo_Base_kWh * General, Consumo por Oficinas y Por Retail* Consumo por medellin y Bogota,Analisis
EUI_Propuesto_kWh_año_m2
- General, Consumo por Oficinas y Por Retail* Consumo por medellin y Bogota,Analisis
EUI_Base_kWh_año_m2
- General, Consumo por Oficinas y Por Retail* Consumo por medellin y Bogota,Analisis
Ahorro_Porcentaje
General, Consumo por Oficinas y Por Retail* Consumo por medellin y Bogota,Por certificacion,Analisis
Hay proyectos que no tienen área acondicionada, esto quiere decir que utilizan ventilacion natural como metodo de acondicionamiento.
En promedio los edificios estudiados tienen 37% de WWR, lo cual es relativamente alto. Esto puede a deberser a que muchos de los edificios pueden ser comerciales o de oficinas.
Existen proyectos que tienen 0 m2 de area de cubierta, esto se debe a que algunos proyectos se encuentran en los pisos intermedios de los edificios.
El 75% de los proyectos se consideran esbeltos.
En promedio los proyectos se orientan a 167.7° respecto al norte.
La reflectancia de muros y cubiertas es similar en los dos casos con un valor medio de 0.3, lo cual es un valor de reflectancia bajo.
Los muros y cubiertas tienen un U-Value de alrededor de 1.5 W/m2-K lo cual es bueno para proyectos que usan aire acondicionado.
El vidrio promedio tiene un U-Value de 4.3 W/m2-K, SHGC de 0.5 y VLT 0.6, lo que quiere decir que es reduce un 50% de la radiación y un 40% de la luz, lo que se considera opaco.
La mayoria de los proyectos no cuenta con generación de energia por fuentes alternativas
Los proyectos en promedio ahoran un 24%.
## Warning: package 'mice' was built under R version 4.2.3##
## Attaching package: 'mice'## The following object is masked from 'package:stats':
##
## filter## The following objects are masked from 'package:base':
##
## cbind, rbind## Warning: package 'VIM' was built under R version 4.2.3## Loading required package: colorspace## Loading required package: grid## The legacy packages maptools, rgdal, and rgeos, underpinning the sp package,
## which was just loaded, will retire in October 2023.
## Please refer to R-spatial evolution reports for details, especially
## https://r-spatial.org/r/2023/05/15/evolution4.html.
## It may be desirable to make the sf package available;
## package maintainers should consider adding sf to Suggests:.
## The sp package is now running under evolution status 2
## (status 2 uses the sf package in place of rgdal)## VIM is ready to use.## Suggestions and bug-reports can be submitted at: https://github.com/statistikat/VIM/issues##
## Attaching package: 'VIM'## The following object is masked from 'package:datasets':
##
## sleep
## ID Tipologia Ciudad Zona_Climatica Certificacion Consumo_propuesto_kWh
## 33 1 1 1 1 1 1
## 3 1 1 1 1 1 1
## 1 1 1 1 1 1 1
## 2 1 1 1 1 1 1
## 1 1 1 1 1 1 1
## 1 1 1 1 1 1 1
## 1 1 1 1 1 1 1
## 1 1 1 1 1 1 1
## 1 1 1 1 1 1 1
## 0 0 0 0 0 0
## Consumo_Base_kWh Energiarenovable_kWh_Producidos_Anualmente
## 33 1 1
## 3 1 1
## 1 1 1
## 2 1 1
## 1 1 1
## 1 1 1
## 1 1 1
## 1 1 1
## 1 1 1
## 0 0
## Ahorro_Porcentaje Area_Total_m2 Area_acondicionada_m2 Porcentaje_WWR
## 33 1 1 1 1
## 3 1 1 1 1
## 1 1 1 1 1
## 2 1 1 1 1
## 1 1 1 1 1
## 1 1 1 1 1
## 1 1 1 1 1
## 1 1 1 1 1
## 1 1 0 0 0
## 0 1 1 1
## Area_cubierta Area_de_fachada_Oriente_m2 Area_de_fachada_Occidente_m2
## 33 1 1 1
## 3 1 1 1
## 1 1 1 1
## 2 1 1 1
## 1 1 1 1
## 1 1 1 1
## 1 1 1 1
## 1 1 1 1
## 1 0 0 0
## 1 1 1
## Area_ventaneria_Oriente_m2 Area_ventaneria_Occidente_m2
## 33 1 1
## 3 1 1
## 1 1 1
## 2 1 1
## 1 1 1
## 1 1 1
## 1 1 1
## 1 1 1
## 1 0 0
## 1 1
## U_Value_muros_exteriores_W_m2_K U_value_Vidrio_W_m2_K SHGC_Vidrio VLT_Vidrio
## 33 1 1 1 1
## 3 1 1 1 1
## 1 1 1 1 1
## 2 1 1 1 1
## 1 1 1 1 1
## 1 1 1 1 1
## 1 1 1 1 1
## 1 1 1 1 1
## 1 0 0 0 0
## 1 1 1 1
## Aire_acondicionado EUI_Propuesto_kWh_año_m2 EUI_Base_kWh_año_m2
## 33 1 1 1
## 3 1 1 1
## 1 1 1 1
## 2 1 1 1
## 1 1 1 1
## 1 1 1 1
## 1 1 1 1
## 1 1 1 1
## 1 0 0 0
## 1 1 1
## Reflectancia_Muros Reflectancia_Cubiertas Altura U_value_cubierta__W_m2_K
## 33 1 1 1 1
## 3 1 1 1 1
## 1 1 1 1 1
## 2 1 1 1 0
## 1 1 1 0 1
## 1 1 1 0 1
## 1 1 0 1 0
## 1 0 0 0 1
## 1 0 0 0 0
## 2 3 4 4
## Lado_mas_ancho Esbeltez Orientacion_respecto_al_norte_grados
## 33 1 1 1 0
## 3 1 1 0 1
## 1 0 0 0 3
## 2 1 1 1 1
## 1 0 0 1 3
## 1 0 0 0 4
## 1 1 1 1 2
## 1 0 0 0 6
## 1 0 0 0 22
## 5 5 7 45La imagen anterior es el diagrama de datos ausentes, como su nombre lo indica, es un resumen de los datos ausentes que existen en la base de datos.El nombre de las variables de la base de datos se encuentra en la parte superior y en la parte inferior se encuentra el conteo de datos ausentes por variable. En la parte izquierda del diagrama se muestra el numero de proyectos con ciertas variables faltantes, por ejemplo, en la primera fila del diagrama se muestra que existen 33 proyectos sin variables faltantes y la segunda fila muestra 3 proyectos con solo la orientacion del norte faltante. Asi mismo, los numeros a la derecha, representan el numero de variables faltantes por fila.Y el numero que aparece en la esquina inferior derecha es la suma del total de datos faltantes en la base de datos, en este caso 45.
Del diagrama de datos ausentes del estudio se puede analizar que:
- De la base de datos existente hay 45 datos faltantes, lo cual no afecta el estudio.
- Existen 33 proyectos que cuentan con todas las variables completas.
- La variable orientacion respecto al norte tiene 7 valores ausentes, lo que la convierte en la variable con mas valores faltantes, seguida de la esbeltez y el lado mas ancho con 5.
- Los datos ausentes no presentan un patron que pueda ser definido.
- Un dato proyecto cuenta con la ausencia de 22 variables, esto puede ser debido a que es un proyecto antiguo y en este las practicas de almacenamiento de las caracteristicas de los proyectos eran diferentes o no se hacian.
- Un dato cuenta con la ausencia de 6 variables, esto puede ser debido a que es un proyecto antiguo y en este las practicas de almacenamiento de las caracteristicas de los proyectos eran diferentes o no se hacian.
- En la base de datos hay 3 proyectos con solo 1 dato faltante y es la oriención respecto al norte.
- En la base de datos hay 1 proyecto con 3 datos faltantes, que son el lado mas ancho, la esbeltez y la orientacion respecto al norte.
- En la base de datos hay 2 proyectos con la informacion de U-value cubierta faltante, esto puede deberse a que el proyecto esta en pisos intermedios o la informacion no se encontraba disponible.
- En la base de datos hay 1 proyecto con los datos ausentes de altura,lado mas ancho y esbeltez ausentes.
- En la base de datos hay 1 proyecto con los datos ausentes de altura,lado mas ancho, esbeltez y orientacion respecto al norte.
- En la base de datos hay 1 proyecto con los datos ausentes de altura y U-value cubierta.
# Identificar los valores faltantes
missing_data <- is.na(columnas_analisis)
# Resumir la presencia de valores faltantes por columna
missing_summary <- colSums(missing_data)
# Crear un data frame para visualizar la información
missing_summary_df <- data.frame(Columna = names(missing_summary), Valores_Faltantes = missing_summary)
# Cargar la librería ggplot2
library(ggplot2)
# Crear un gráfico de barras
ggplot(missing_summary_df, aes(x = Columna, y = Valores_Faltantes)) +
geom_bar(stat = "identity", fill = "blue") +
labs(title = "Valores Faltantes por Columna", x = "Columna", y = "Número de Valores Faltantes") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Calcular la mediana de cada columna
median_values <- sapply(columnas_analisis, median, na.rm = TRUE)
# Imputar los valores faltantes con las medianas
columnas_analisis_imputado <- columnas_analisis
for (col_name in names(columnas_analisis)) {
is_na <- is.na(columnas_analisis[, col_name])
columnas_analisis_imputado[is_na, col_name] <- median_values[col_name]
}md.pattern(columnas_analisis_imputado, rotate.names = TRUE)## /\ /\
## { `---' }
## { O O }
## ==> V <== No need for mice. This data set is completely observed.
## \ \|/ /
## `-----'
## Area_Total_m2 Area_acondicionada_m2 Porcentaje_WWR Area_cubierta Altura
## 44 1 1 1 1 1
## 0 0 0 0 0
## Lado_mas_ancho Esbeltez Orientacion_respecto_al_norte_grados
## 44 1 1 1
## 0 0 0
## Area_de_fachada_Oriente_m2 Area_de_fachada_Occidente_m2
## 44 1 1
## 0 0
## Area_ventaneria_Oriente_m2 Area_ventaneria_Occidente_m2
## 44 1 1
## 0 0
## U_Value_muros_exteriores_W_m2_K U_value_cubierta__W_m2_K Reflectancia_Muros
## 44 1 1 1
## 0 0 0
## Reflectancia_Cubiertas U_value_Vidrio_W_m2_K SHGC_Vidrio VLT_Vidrio
## 44 1 1 1 1
## 0 0 0 0
## Consumo_propuesto_kWh Consumo_Base_kWh
## 44 1 1
## 0 0
## Energiarenovable_kWh_Producidos_Anualmente EUI_Propuesto_kWh_año_m2
## 44 1 1
## 0 0
## EUI_Base_kWh_año_m2 Ahorro_Porcentaje
## 44 1 1 0
## 0 0 0## Area_Total_m2 Area_acondicionada_m2 Porcentaje_WWR Area_cubierta
## [1,] -0.1468254 -0.09860276 0.06684162 -0.3237808
## [2,] -0.5021016 -0.50161430 -0.89452244 -0.4963915
## [3,] -0.4259523 -0.34291088 -1.24110863 0.2415779
## [4,] -0.3967778 -0.43497002 0.87966875 -0.5847710
## [5,] 1.1424568 1.75596091 -0.98529501 3.3413916
## [6,] -0.4471142 -0.45020997 -1.05956348 2.3016659
## Altura Lado_mas_ancho Esbeltez Orientacion_respecto_al_norte_grados
## [1,] -0.1108675 -0.59601304 0.08270773 1.0594518
## [2,] -0.5333569 1.03649811 -0.65252946 1.1905764
## [3,] -0.5333569 -0.08217821 -0.49536854 1.0285990
## [4,] 1.0509785 -0.92186393 2.24837632 -0.8302852
## [5,] -0.4277346 1.54020099 -0.65800333 -1.2313723
## [6,] -0.7446017 0.14579076 -0.64629329 -1.1002477
## Area_de_fachada_Oriente_m2 Area_de_fachada_Occidente_m2
## [1,] 0.4412722 0.4410857
## [2,] -0.6631906 -0.4773718
## [3,] -0.2002665 -0.1978379
## [4,] -0.3103877 -0.3223969
## [5,] 1.3127982 1.2996891
## [6,] -0.2145676 -0.2014073
## Area_ventaneria_Oriente_m2 Area_ventaneria_Occidente_m2
## [1,] 2.7858722 1.118743656
## [2,] -0.5848994 -0.424676850
## [3,] -0.5848994 -0.205562746
## [4,] 0.1051982 -0.004963273
## [5,] -0.2729881 0.158242475
## [6,] -0.4538187 0.147271025
## U_Value_muros_exteriores_W_m2_K U_value_cubierta__W_m2_K
## [1,] 0.8487972 3.1849489
## [2,] 0.5147899 1.9550377
## [3,] -0.1228604 0.1405391
## [4,] -1.3171895 2.1600229
## [5,] 0.1706612 -0.7705062
## [6,] -1.5499825 -0.8236505
## Reflectancia_Muros Reflectancia_Cubiertas U_value_Vidrio_W_m2_K
## [1,] 2.4152197 1.6466361 1.2192154
## [2,] -0.4414918 -0.5356527 0.4687863
## [3,] -0.4414918 -0.5356527 0.8409991
## [4,] 2.4152197 1.6466361 -1.6084016
## [5,] -0.4414918 -0.5356527 -1.5243535
## [6,] -0.4414918 -0.5356527 0.9130403
## SHGC_Vidrio VLT_Vidrio Consumo_propuesto_kWh Consumo_Base_kWh
## [1,] 0.400971917 0.55263884 -0.2151694 -0.2700679
## [2,] -0.349784012 0.55263884 -0.5271102 -0.5173001
## [3,] -0.003281276 0.55263884 -0.4466563 -0.4495824
## [4,] -1.273791309 -0.15910175 -0.4479360 -0.4585181
## [5,] -0.465284924 0.09509132 2.1139010 1.9041667
## [6,] -0.292033556 0.29844577 -0.4589817 -0.4493417
## Energiarenovable_kWh_Producidos_Anualmente EUI_Propuesto_kWh_año_m2
## [1,] -0.1902626 -0.2182240
## [2,] -0.1902626 -0.5223400
## [3,] -0.1902626 -0.1988669
## [4,] -0.1902626 -0.4212072
## [5,] -0.1902626 0.9052725
## [6,] -0.1902626 -0.1322136
## EUI_Base_kWh_año_m2 Ahorro_Porcentaje
## [1,] -0.46530606 -1.83827736
## [2,] -0.21094171 2.29517259
## [3,] -0.21551418 0.01598466
## [4,] -0.51470635 -0.53298118
## [5,] 0.64339558 -1.22646642
## [6,] 0.01117936 0.90595641prcomp(columnas_analisis_scaled)## Standard deviations (1, .., p=25):
## [1] 2.78353495 1.79907530 1.66991663 1.38176357 1.19758445 1.16316515
## [7] 1.14435610 0.96379072 0.93688438 0.88005620 0.77800068 0.74539738
## [13] 0.61371956 0.54450090 0.49502257 0.47386212 0.34216241 0.29397037
## [19] 0.25479322 0.18585621 0.13832381 0.10213200 0.04401764 0.03328189
## [25] 0.01787195
##
## Rotation (n x k) = (25 x 25):
## PC1 PC2
## Area_Total_m2 0.32549148 -0.103088781
## Area_acondicionada_m2 0.32095063 -0.079654686
## Porcentaje_WWR -0.05533059 0.275743430
## Area_cubierta 0.23671432 -0.279777388
## Altura 0.12826376 0.275744620
## Lado_mas_ancho 0.17008213 -0.393011048
## Esbeltez 0.06115769 0.378268593
## Orientacion_respecto_al_norte_grados 0.09161518 0.111358342
## Area_de_fachada_Oriente_m2 0.34341900 0.058360123
## Area_de_fachada_Occidente_m2 0.33890268 0.087266383
## Area_ventaneria_Oriente_m2 0.28542080 0.246563421
## Area_ventaneria_Occidente_m2 0.26154327 0.256877460
## U_Value_muros_exteriores_W_m2_K -0.09321585 0.072236544
## U_value_cubierta__W_m2_K 0.02676070 0.306296695
## Reflectancia_Muros 0.08053402 0.298207145
## Reflectancia_Cubiertas 0.05206555 0.249799692
## U_value_Vidrio_W_m2_K -0.11831562 0.009549679
## SHGC_Vidrio -0.02286179 -0.040573768
## VLT_Vidrio 0.04126032 -0.133610515
## Consumo_propuesto_kWh 0.34370410 -0.119433055
## Consumo_Base_kWh 0.34365531 -0.110638135
## Energiarenovable_kWh_Producidos_Anualmente -0.05294731 -0.052477675
## EUI_Propuesto_kWh_año_m2 0.08141225 -0.051709790
## EUI_Base_kWh_año_m2 0.07067109 -0.045329473
## Ahorro_Porcentaje -0.07933075 -0.031568263
## PC3 PC4
## Area_Total_m2 0.1402274877 -0.085026172
## Area_acondicionada_m2 0.1479635673 -0.063721276
## Porcentaje_WWR 0.1498577263 0.128266943
## Area_cubierta -0.0610835233 0.114317331
## Altura 0.0005474147 0.367301931
## Lado_mas_ancho 0.0859820273 -0.107528307
## Esbeltez -0.0196499478 0.400229865
## Orientacion_respecto_al_norte_grados -0.0087635086 -0.101314679
## Area_de_fachada_Oriente_m2 0.0164048607 0.024596336
## Area_de_fachada_Occidente_m2 -0.0255346409 0.036464128
## Area_ventaneria_Oriente_m2 -0.0159770580 -0.020593006
## Area_ventaneria_Occidente_m2 -0.1115983763 0.160174589
## U_Value_muros_exteriores_W_m2_K -0.2952015702 -0.172699557
## U_value_cubierta__W_m2_K -0.1238948899 -0.363283062
## Reflectancia_Muros -0.0615986760 -0.407681328
## Reflectancia_Cubiertas 0.0454684033 -0.432280424
## U_value_Vidrio_W_m2_K -0.2237730065 0.223277030
## SHGC_Vidrio -0.4368927233 0.141476343
## VLT_Vidrio -0.2705933049 -0.012748950
## Consumo_propuesto_kWh -0.0273469188 -0.003565549
## Consumo_Base_kWh -0.0363051440 -0.001751116
## Energiarenovable_kWh_Producidos_Anualmente -0.0679189234 -0.088234218
## EUI_Propuesto_kWh_año_m2 -0.4867977987 -0.029093694
## EUI_Base_kWh_año_m2 -0.4945415484 -0.061349915
## Ahorro_Porcentaje 0.0044048117 -0.130157080
## PC5 PC6
## Area_Total_m2 0.052207403 -0.011750841
## Area_acondicionada_m2 0.055465961 -0.002132879
## Porcentaje_WWR -0.222643182 0.114643968
## Area_cubierta -0.054963108 0.088731363
## Altura 0.089637607 0.269465294
## Lado_mas_ancho 0.007069238 0.087474762
## Esbeltez 0.084790208 0.184836734
## Orientacion_respecto_al_norte_grados -0.150549643 -0.537058405
## Area_de_fachada_Oriente_m2 0.016363194 -0.048499873
## Area_de_fachada_Occidente_m2 0.009173647 -0.057139082
## Area_ventaneria_Oriente_m2 0.064511007 -0.132262091
## Area_ventaneria_Occidente_m2 0.032657123 0.003455584
## U_Value_muros_exteriores_W_m2_K -0.111838720 0.073130047
## U_value_cubierta__W_m2_K 0.036261030 -0.177419776
## Reflectancia_Muros 0.186240916 0.125885840
## Reflectancia_Cubiertas 0.020176950 0.115686791
## U_value_Vidrio_W_m2_K 0.069567411 -0.370486824
## SHGC_Vidrio 0.368512546 -0.162958197
## VLT_Vidrio 0.562079742 -0.112848838
## Consumo_propuesto_kWh -0.034956637 0.029135887
## Consumo_Base_kWh -0.022278255 0.031526363
## Energiarenovable_kWh_Producidos_Anualmente 0.289155903 0.399046889
## EUI_Propuesto_kWh_año_m2 -0.372323712 0.149471352
## EUI_Base_kWh_año_m2 -0.333804117 0.208137737
## Ahorro_Porcentaje 0.239202014 0.288976503
## PC7 PC8
## Area_Total_m2 0.026839198 -0.086845903
## Area_acondicionada_m2 0.026116126 -0.083199626
## Porcentaje_WWR 0.280433050 0.154422409
## Area_cubierta -0.122641058 0.186052521
## Altura -0.148483582 -0.071046316
## Lado_mas_ancho -0.086531226 0.076043492
## Esbeltez -0.157762960 -0.094194975
## Orientacion_respecto_al_norte_grados 0.291419548 0.033008184
## Area_de_fachada_Oriente_m2 0.124535603 -0.002965483
## Area_de_fachada_Occidente_m2 0.124281568 0.030801075
## Area_ventaneria_Oriente_m2 0.133994045 0.032850686
## Area_ventaneria_Occidente_m2 0.127517417 0.146181036
## U_Value_muros_exteriores_W_m2_K 0.394780368 -0.458302368
## U_value_cubierta__W_m2_K -0.000431681 0.046949265
## Reflectancia_Muros -0.235679191 0.118755141
## Reflectancia_Cubiertas -0.360988902 0.032144955
## U_value_Vidrio_W_m2_K -0.012823674 0.427921514
## SHGC_Vidrio -0.055871277 -0.115918198
## VLT_Vidrio -0.074809771 -0.089915371
## Consumo_propuesto_kWh 0.035438329 -0.028462648
## Consumo_Base_kWh 0.038511102 -0.005918297
## Energiarenovable_kWh_Producidos_Anualmente 0.472793452 -0.126774169
## EUI_Propuesto_kWh_año_m2 -0.099932858 0.043824605
## EUI_Base_kWh_año_m2 -0.045606421 0.144796185
## Ahorro_Porcentaje 0.333861254 0.641133708
## PC9 PC10 PC11
## Area_Total_m2 0.01954504 -0.01741336 0.15902548
## Area_acondicionada_m2 0.04206440 -0.02970651 0.13669237
## Porcentaje_WWR 0.31001132 0.12872258 0.69598163
## Area_cubierta -0.08170304 -0.12345083 -0.05472611
## Altura -0.43417972 -0.12512985 0.10362146
## Lado_mas_ancho -0.26208341 -0.14398283 0.25227958
## Esbeltez -0.22216484 -0.03690143 0.05860478
## Orientacion_respecto_al_norte_grados -0.42669314 -0.13531769 0.26235483
## Area_de_fachada_Oriente_m2 0.08703846 0.01981911 -0.14757891
## Area_de_fachada_Occidente_m2 0.08477095 0.01398011 -0.18819952
## Area_ventaneria_Oriente_m2 0.22369551 0.01667037 -0.14681086
## Area_ventaneria_Occidente_m2 0.11061741 0.10627868 -0.27650485
## U_Value_muros_exteriores_W_m2_K -0.32296898 -0.04611609 -0.10280481
## U_value_cubierta__W_m2_K -0.11438544 0.13193096 -0.02508906
## Reflectancia_Muros 0.06503484 -0.05890319 0.12744289
## Reflectancia_Cubiertas -0.02719100 -0.34595855 0.04996360
## U_value_Vidrio_W_m2_K 0.08874353 -0.53237247 -0.01608779
## SHGC_Vidrio 0.06638786 -0.06495100 0.23505768
## VLT_Vidrio 0.03776489 0.38338417 0.22813031
## Consumo_propuesto_kWh -0.03291378 -0.03488509 0.08312028
## Consumo_Base_kWh -0.04724080 -0.02384233 0.08332487
## Energiarenovable_kWh_Producidos_Anualmente 0.23411183 -0.50420549 0.01335331
## EUI_Propuesto_kWh_año_m2 0.09692653 0.05404107 0.06905052
## EUI_Base_kWh_año_m2 0.02477298 0.07489397 0.06253818
## Ahorro_Porcentaje -0.35383874 0.23860477 -0.08115885
## PC12 PC13
## Area_Total_m2 -0.0004799009 0.2762924754
## Area_acondicionada_m2 -0.0544904271 0.3416336092
## Porcentaje_WWR -0.1321542919 -0.0706768339
## Area_cubierta -0.2095063758 -0.4950226109
## Altura -0.0390214256 0.0106778849
## Lado_mas_ancho -0.2904885340 -0.0191133790
## Esbeltez -0.0449763364 -0.0076181602
## Orientacion_respecto_al_norte_grados 0.3761291349 -0.2665080111
## Area_de_fachada_Oriente_m2 0.0923666027 0.0773410486
## Area_de_fachada_Occidente_m2 0.0952850857 0.0624500471
## Area_ventaneria_Oriente_m2 -0.0882196476 -0.0146617772
## Area_ventaneria_Occidente_m2 0.0163575752 -0.2046392977
## U_Value_muros_exteriores_W_m2_K -0.1244739113 0.0762766911
## U_value_cubierta__W_m2_K -0.7237896530 -0.0232337208
## Reflectancia_Muros 0.1635751634 -0.0706714084
## Reflectancia_Cubiertas 0.2166597121 -0.0243026550
## U_value_Vidrio_W_m2_K -0.1767530663 0.1352243600
## SHGC_Vidrio 0.0383519436 0.3872067626
## VLT_Vidrio 0.0746499592 -0.3708567522
## Consumo_propuesto_kWh -0.0151471000 -0.0004671955
## Consumo_Base_kWh 0.0013287962 0.0225595771
## Energiarenovable_kWh_Producidos_Anualmente -0.0066515216 -0.2292562344
## EUI_Propuesto_kWh_año_m2 0.0706745238 0.0270951544
## EUI_Base_kWh_año_m2 0.1047954421 0.0398811034
## Ahorro_Porcentaje 0.1140547349 0.2455278576
## PC14 PC15 PC16
## Area_Total_m2 -0.005941057 0.16337524 -0.09057592
## Area_acondicionada_m2 -0.073356920 0.13223449 -0.03014075
## Porcentaje_WWR -0.043508029 -0.25917708 -0.09875185
## Area_cubierta -0.166395382 -0.40119194 0.23785341
## Altura -0.008639230 0.14472048 -0.29789057
## Lado_mas_ancho 0.030192773 0.15986802 -0.14823392
## Esbeltez 0.004000712 0.10465805 0.34448902
## Orientacion_respecto_al_norte_grados 0.117446694 0.16506002 0.17921004
## Area_de_fachada_Oriente_m2 -0.066876499 -0.02122309 0.07680527
## Area_de_fachada_Occidente_m2 -0.057568868 -0.05891406 0.12365599
## Area_ventaneria_Oriente_m2 -0.029985773 0.08112536 -0.23646999
## Area_ventaneria_Occidente_m2 0.203257696 -0.08653722 -0.20792929
## U_Value_muros_exteriores_W_m2_K -0.341841990 -0.33722075 -0.27223228
## U_value_cubierta__W_m2_K 0.228034818 0.12912400 0.21083118
## Reflectancia_Muros -0.648011795 0.09293244 0.20527069
## Reflectancia_Cubiertas 0.413250227 -0.35213265 -0.26462425
## U_value_Vidrio_W_m2_K -0.242574510 0.04831023 -0.27789498
## SHGC_Vidrio 0.189206076 -0.34310048 0.31197441
## VLT_Vidrio -0.006368085 0.11537922 -0.32522617
## Consumo_propuesto_kWh 0.017633515 -0.16390240 0.04038172
## Consumo_Base_kWh 0.033349572 -0.16552101 0.02635728
## Energiarenovable_kWh_Producidos_Anualmente 0.180347388 0.26744304 0.16508455
## EUI_Propuesto_kWh_año_m2 0.088492321 0.23403475 0.01296345
## EUI_Base_kWh_año_m2 0.039478536 0.19332523 -0.03777560
## Ahorro_Porcentaje 0.051353077 -0.10334828 0.02228335
## PC17 PC18
## Area_Total_m2 0.12719345 -0.009213065
## Area_acondicionada_m2 0.39222190 0.375991850
## Porcentaje_WWR 0.04504378 -0.013283870
## Area_cubierta 0.18581742 0.181212806
## Altura -0.05606427 0.358181113
## Lado_mas_ancho -0.40813784 -0.190187125
## Esbeltez 0.14616274 -0.489687955
## Orientacion_respecto_al_norte_grados -0.02358338 0.086128040
## Area_de_fachada_Oriente_m2 0.18694421 -0.198370921
## Area_de_fachada_Occidente_m2 0.17022917 -0.069275002
## Area_ventaneria_Oriente_m2 -0.41064919 -0.247229426
## Area_ventaneria_Occidente_m2 -0.21434246 0.362886685
## U_Value_muros_exteriores_W_m2_K 0.07277907 -0.085694460
## U_value_cubierta__W_m2_K 0.12636398 0.074004259
## Reflectancia_Muros -0.21851610 0.137465385
## Reflectancia_Cubiertas 0.18292895 -0.139034740
## U_value_Vidrio_W_m2_K 0.19540484 -0.119257789
## SHGC_Vidrio -0.27378774 0.183295892
## VLT_Vidrio 0.27328477 -0.151397577
## Consumo_propuesto_kWh -0.09169866 -0.169486163
## Consumo_Base_kWh -0.12227693 -0.137499427
## Energiarenovable_kWh_Producidos_Anualmente 0.03027578 0.041362250
## EUI_Propuesto_kWh_año_m2 0.06383850 -0.004350855
## EUI_Base_kWh_año_m2 0.04709710 -0.013187055
## Ahorro_Porcentaje 0.04910280 -0.074635307
## PC19 PC20
## Area_Total_m2 0.063537064 -0.316107292
## Area_acondicionada_m2 -0.087527380 -0.149457553
## Porcentaje_WWR -0.075312814 0.095662569
## Area_cubierta -0.230770351 -0.312364934
## Altura -0.020170159 0.066972378
## Lado_mas_ancho -0.314785974 0.330929662
## Esbeltez -0.004261186 -0.125561231
## Orientacion_respecto_al_norte_grados -0.049755227 -0.072225894
## Area_de_fachada_Oriente_m2 -0.326824408 0.258466727
## Area_de_fachada_Occidente_m2 -0.162939656 0.509631879
## Area_ventaneria_Oriente_m2 -0.282646742 -0.502147663
## Area_ventaneria_Occidente_m2 0.122627761 0.143455112
## U_Value_muros_exteriores_W_m2_K -0.049043212 -0.021111429
## U_value_cubierta__W_m2_K 0.093302684 0.061659052
## Reflectancia_Muros 0.078512512 0.075243325
## Reflectancia_Cubiertas -0.100107472 -0.008510057
## U_value_Vidrio_W_m2_K 0.148867323 0.050828868
## SHGC_Vidrio -0.173987564 -0.013233430
## VLT_Vidrio 0.022718644 0.040081293
## Consumo_propuesto_kWh 0.459018371 0.050996305
## Consumo_Base_kWh 0.549450920 -0.005761351
## Energiarenovable_kWh_Producidos_Anualmente 0.039723759 -0.002514946
## EUI_Propuesto_kWh_año_m2 -0.055639600 -0.062245422
## EUI_Base_kWh_año_m2 -0.032931805 -0.024910794
## Ahorro_Porcentaje -0.022268923 -0.123653761
## PC21 PC22
## Area_Total_m2 0.130261623 -0.6861913412
## Area_acondicionada_m2 0.250058978 0.5184997853
## Porcentaje_WWR -0.012023501 -0.0276971370
## Area_cubierta -0.038981272 -0.0631000694
## Altura -0.445771718 -0.0472584867
## Lado_mas_ancho 0.271897158 0.0466026181
## Esbeltez 0.385835816 0.0733950975
## Orientacion_respecto_al_norte_grados 0.021958257 0.0259679892
## Area_de_fachada_Oriente_m2 -0.236122155 -0.3035913871
## Area_de_fachada_Occidente_m2 -0.107906259 0.1518539262
## Area_ventaneria_Oriente_m2 -0.194805815 0.2545219954
## Area_ventaneria_Occidente_m2 0.552172837 -0.1486329245
## U_Value_muros_exteriores_W_m2_K 0.156557417 -0.0161469332
## U_value_cubierta__W_m2_K -0.126929856 -0.0611155355
## Reflectancia_Muros 0.065874732 -0.0466409560
## Reflectancia_Cubiertas 0.038140357 0.0315336925
## U_value_Vidrio_W_m2_K 0.048101203 -0.0274719327
## SHGC_Vidrio -0.019326100 -0.0465460958
## VLT_Vidrio -0.004885543 0.0452321643
## Consumo_propuesto_kWh -0.108534355 0.1243216087
## Consumo_Base_kWh -0.140898371 0.1013096051
## Energiarenovable_kWh_Producidos_Anualmente -0.046685312 0.0005098359
## EUI_Propuesto_kWh_año_m2 -0.050089631 0.0529080409
## EUI_Base_kWh_año_m2 0.026918043 -0.0316340302
## Ahorro_Porcentaje -0.020808677 0.0364866016
## PC23 PC24
## Area_Total_m2 0.2926448106 -0.102235538
## Area_acondicionada_m2 -0.1612574219 0.075454652
## Porcentaje_WWR 0.0149738567 -0.012944093
## Area_cubierta 0.0743650465 -0.006938900
## Altura 0.0211724321 -0.008726490
## Lado_mas_ancho -0.0225330521 -0.016458734
## Esbeltez -0.0009141091 0.006543521
## Orientacion_respecto_al_norte_grados -0.0059548925 0.004625937
## Area_de_fachada_Oriente_m2 -0.6126179757 0.134504633
## Area_de_fachada_Occidente_m2 0.6349827227 -0.126459646
## Area_ventaneria_Oriente_m2 0.0863133923 0.019713471
## Area_ventaneria_Occidente_m2 -0.1137479708 -0.034406581
## U_Value_muros_exteriores_W_m2_K 0.0061986524 -0.041432744
## U_value_cubierta__W_m2_K -0.0057338972 0.024898914
## Reflectancia_Muros -0.0416392508 -0.034823274
## Reflectancia_Cubiertas 0.0107665188 -0.008648918
## U_value_Vidrio_W_m2_K -0.0239838565 -0.017548045
## SHGC_Vidrio 0.0004529150 0.014298829
## VLT_Vidrio 0.0106877959 -0.009324828
## Consumo_propuesto_kWh -0.2157198632 -0.106181438
## Consumo_Base_kWh 0.0456499154 0.132334962
## Energiarenovable_kWh_Producidos_Anualmente 0.0019804058 0.008567711
## EUI_Propuesto_kWh_año_m2 -0.1195103637 -0.666373140
## EUI_Base_kWh_año_m2 0.1304453388 0.677860780
## Ahorro_Porcentaje -0.0135504791 -0.104591025
## PC25
## Area_Total_m2 -0.0634201894
## Area_acondicionada_m2 0.0306021876
## Porcentaje_WWR 0.0107413202
## Area_cubierta 0.0009324723
## Altura -0.0275789337
## Lado_mas_ancho 0.0469140594
## Esbeltez 0.0192080431
## Orientacion_respecto_al_norte_grados -0.0032501184
## Area_de_fachada_Oriente_m2 0.1238152382
## Area_de_fachada_Occidente_m2 -0.0632383191
## Area_ventaneria_Oriente_m2 -0.0272105588
## Area_ventaneria_Occidente_m2 0.0163559889
## U_Value_muros_exteriores_W_m2_K 0.0188998962
## U_value_cubierta__W_m2_K -0.0063689493
## Reflectancia_Muros 0.0095351017
## Reflectancia_Cubiertas 0.0060928791
## U_value_Vidrio_W_m2_K 0.0039860418
## SHGC_Vidrio -0.0123790581
## VLT_Vidrio 0.0052873262
## Consumo_propuesto_kWh -0.6992735154
## Consumo_Base_kWh 0.6636061013
## Energiarenovable_kWh_Producidos_Anualmente 0.0020727009
## EUI_Propuesto_kWh_año_m2 0.1404056065
## EUI_Base_kWh_año_m2 -0.1463662379
## Ahorro_Porcentaje -0.0051343007library(factoextra)## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBares.pca <- prcomp(columnas_analisis_scaled)
fviz_eig(res.pca, addlabels = TRUE, main = "Analisis de Varianzas Explicadas")
library(factoextra)
library(FactoMineR)## Warning: package 'FactoMineR' was built under R version 4.2.3library(plotly)
# Realiza un análisis de componentes principales (PCA)
res.pca <- prcomp(columnas_analisis_scaled)
# Utiliza fviz_pca_var para visualizar las contribuciones de las variables a los 7 primeros componentes principales
pca_var_plot <- fviz_pca_var(res.pca, col.var = "contrib",
gradient.cols = c("#FF7F00", "#034D94"), repel = FALSE)
# Convierte el gráfico en un gráfico interactivo utilizando plotly
pca_var_plot_interactivo <- ggplotly(pca_var_plot)
# Muestra el gráfico interactivo
pca_var_plot_interactivolibrary(GGally)## Warning: package 'GGally' was built under R version 4.2.3## Registered S3 method overwritten by 'GGally':
## method from
## +.gg ggplot2ggally_autopoint(basecual, mapping = aes(x = Zona_Climatica, y = Ciudad, color= Zona_Climatica ), size= 2)+
labs(title = "Relación entre Zona_Climatica y Ciudad")
- Bogota tiene clasificaciones climaticas como 2A, 3A, 3C y 4C. Esto es
debido a que apartir del estandar ASHRAE 90.1 de 2019 se dio una
clasificacion ofical del clima de Bogota y este es de 3A(Tibio-humedo),
por lo que se asume que los modelos que no tienen esta clasificacion
fueron hechos antes de 2019 y por esto la variacion en la zona climatica
adecuada. - El clima 3C y 4C eran los mas utilizado para el clima de
Bogota. - Se asocia a que los climas de Manizales, Rionegro, Tunja y
Tocancipa son similares al de Bogota, por eso en el grafico conciden con
el mismo eje de clasificacion climatica. - Los climas 1A y 1B Muy
caliente-humedo y Muy caliente-Seco Respectivamente se asocian a climas
en la costa, por lo que Cali no deberia tener esta clasificacion. -La
clasificacion 2A Caliente-Humedo Se asocia a Medellin,Cali y Palmira por
lo que Bogotá no deberia ir en esta clasificación.
ggplot(base, aes(x= Area_Total_m2, y=Area_acondicionada_m2, size=Ahorro_Porcentaje , color= Ciudad))+
geom_point()+
scale_size_continuous(range= c(1,10))+
labs(title = "Relación entre Area Total, Area acondicionada y Ahorro energetico por Ciudad")
- De la grafica se puede observar que entre menor sea el area total y
menor sea el area acondicionada mayor es el ahorro. Esto se puede ver en
que los circulos de mayor tamaño estan orientados en la esquina inferior
izquierda de la grafica. - Los proyectos con mayor area total y
acondicionada estan ubicados en Bogota y Medellin y tienen ahorros en
consumo menores al 20%.
library(ggplot2)
ggplot(base, aes(x= Area_de_fachada_Oriente_m2, y= Orientacion_respecto_al_norte_grados, size=Consumo_propuesto_kWh, color= Ciudad))+
geom_point()+
scale_size_continuous(range= c(1,10))+
labs(title = "Relación entre Area de fachada oriente, Orientacion respecto al norte y consumo por Ciudad")
- Los proyectos que no sobre pasan los 150° Respecto al norte y tienen
un area de fachada de menos de 2500 m2 consumiran menos energia. - Los
proyectos que estan entre 200° y 350° especto al norte y tienen un area
de fachada de menos de 1250 m2 consumiran menos energia. - No existen
proyectos en la base de datos orientadas entre 150° y 200° respecto al
norte. - Los proyectos ubicados entre 250° y 360° respecto al norte y
tien mas de 2500 m2 de area orientada hacia la fachada oriente tienen
mas consumo de energia.
library(ggplot2)
ggplot(base, aes(x= Porcentaje_WWR, y= Area_acondicionada_m2, size= Consumo_propuesto_kWh, color= Tipologia ))+
geom_point()+
scale_size_continuous(range= c(1,10))+
labs(title = "Relación entre Porcentaje WWR, Area acondicionada y Consumo propuesto por Ciudad")
- Si el area acondicionada se mantiene menor a 15000 m2 el consumo
energetico es bajo independiente del porcentaje WWR. - El area
acondicionada esta estrechamente ligada con el consumo energetico y
entre mayor sea el WWR esto puede aumentar los consumos de energia. - La
tipologia de edificios que mas tiene consumos es la de Retail, esto
puede ser por que tienen gran cantidad de gente y suelen ser muy
grandes. - La tipologia de edificios que mas porcentaje de WWR tiene es
la de oficinas, sin embargo, no tiene areas acondicionadas de mas de
30000 m2.
library(ggplot2)
ggplot(base, aes(x= Area_cubierta , y= Ahorro_Porcentaje , size= Consumo_propuesto_kWh , color= Ciudad))+
geom_point()+
scale_size_continuous(range= c(1,10))+
labs(title = "Relación entre SHGC_Vidrio, Ahorro_Porcentaje y Area_cubierta por Ciudad")
- Los proyectos con mayor area de cubierta son los que mayor consumo
tienen, independientemente de la ciudad, por lo que existe una estrecha
relacion. - Los proyectos con porcentaje de ahorro mayor a 25% tienen un
area de cubierta menor a 1000 m2.A excepcion de un proyecto en
Floridablanca que tiene un area de cubierta mayor a 20000 m2 pero tiene
alrededor de 33%, esto quizas por que uso paneles fotovoltaicos o
utilizo estrategias bioclimaticas para evitar la ganancia de rdiacion
solar. - Los proyectos con un area de cubierta mayor a 1000 m2 no tienen
un ahorro mayor al 25%.