1 Variable CENSO

Necesitamos calcular las frecuencias a nivel censal de las respuestas correspondientes a la categoría: “Parquet, piso flotante, cerámico, madera, alfombra, flexit, cubrepiso u otro similar, sobre radier o vigas de madera” del campo P03C del Censo de viviendas. Recordemos que ésta fué la más alta correlación en relación a los ingresos expandidos (ver punto 1.2 aquí).

1.1 Lectura y filtrado de la tabla censal de viviendas

Leemos la tabla Censo 2017 de viviendas que ya tiene integrada la clave zonal:

tabla_con_clave <- readRDS("../censo_viviendas_con_clave_17.rds")
r3_100 <- tabla_con_clave[c(1:100),]
kbl(r3_100) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
REGION PROVINCIA COMUNA DC AREA ZC_LOC ID_ZONA_LOC NVIV P01 P02 P03A P03B P03C P04 P05 CANT_HOG CANT_PER REGION_15R PROVINCIA_15R COMUNA_15R clave
15 152 15202 1 2 6 13225 1 3 1 5 3 5 1 4 1 1 15 152 15202 15202012006
15 152 15202 1 2 6 13225 2 1 3 98 98 98 98 98 0 0 15 152 15202 15202012006
15 152 15202 1 2 6 13225 3 1 1 5 3 5 2 3 1 4 15 152 15202 15202012006
15 152 15202 1 2 6 13225 4 1 4 98 98 98 98 98 0 0 15 152 15202 15202012006
15 152 15202 1 2 6 13225 5 3 4 98 98 98 98 98 0 0 15 152 15202 15202012006
15 152 15202 1 2 6 13225 6 3 4 98 98 98 98 98 0 0 15 152 15202 15202012006
15 152 15202 1 2 6 13225 7 3 4 98 98 98 98 98 0 0 15 152 15202 15202012006
15 152 15202 1 2 6 13225 8 3 3 98 98 98 98 98 0 0 15 152 15202 15202012006
15 152 15202 1 2 6 13225 9 3 1 5 3 5 1 4 1 4 15 152 15202 15202012006
15 152 15202 1 2 6 13225 10 1 1 5 3 4 1 4 1 1 15 152 15202 15202012006
15 152 15202 1 2 6 13225 11 1 2 98 98 98 98 98 0 0 15 152 15202 15202012006
15 152 15202 1 2 6 13225 12 1 4 98 98 98 98 98 0 0 15 152 15202 15202012006
15 152 15202 1 2 6 13225 13 1 1 5 3 4 1 4 1 3 15 152 15202 15202012006
15 152 15202 1 2 6 13225 14 1 3 98 98 98 98 98 0 0 15 152 15202 15202012006
15 152 15202 1 2 6 13225 15 1 4 98 98 98 98 98 0 0 15 152 15202 15202012006
15 152 15202 1 2 6 13225 16 1 1 5 3 5 1 3 1 3 15 152 15202 15202012006
15 152 15202 1 2 6 13225 17 1 1 5 3 5 2 4 1 8 15 152 15202 15202012006
15 152 15202 1 2 6 13225 18 3 1 5 3 5 1 1 1 1 15 152 15202 15202012006
15 152 15202 1 2 6 13225 19 3 1 5 3 5 1 3 1 1 15 152 15202 15202012006
15 152 15202 1 2 6 13225 20 1 1 5 3 5 2 1 1 2 15 152 15202 15202012006
15 152 15202 1 2 6 13225 21 1 4 98 98 98 98 98 0 0 15 152 15202 15202012006
15 152 15202 1 2 6 13225 22 1 4 98 98 98 98 98 0 0 15 152 15202 15202012006
15 152 15202 1 2 6 13225 23 3 4 98 98 98 98 98 0 0 15 152 15202 15202012006
15 152 15202 1 2 6 13225 24 1 3 98 98 98 98 98 0 0 15 152 15202 15202012006
15 152 15202 1 2 6 13225 25 1 1 5 3 5 1 4 1 2 15 152 15202 15202012006
15 152 15202 1 2 6 13225 26 1 4 98 98 98 98 98 0 0 15 152 15202 15202012006
15 152 15202 1 2 6 13225 27 3 4 98 98 98 98 98 0 0 15 152 15202 15202012006
15 152 15202 1 2 6 13225 28 3 1 5 3 5 1 4 1 5 15 152 15202 15202012006
15 152 15202 1 2 6 13225 29 1 4 98 98 98 98 98 0 0 15 152 15202 15202012006
15 152 15202 1 2 6 13225 30 3 4 98 98 98 98 98 0 0 15 152 15202 15202012006
15 152 15202 1 2 6 13225 31 1 3 98 98 98 98 98 0 0 15 152 15202 15202012006
15 152 15202 1 2 6 13225 32 3 4 98 98 98 98 98 0 0 15 152 15202 15202012006
15 152 15202 1 2 6 13225 33 1 1 5 3 5 3 4 1 4 15 152 15202 15202012006
15 152 15202 1 2 6 13225 34 1 4 98 98 98 98 98 0 0 15 152 15202 15202012006
15 152 15202 1 2 6 13225 35 3 4 98 98 98 98 98 0 0 15 152 15202 15202012006
15 152 15202 1 2 6 13225 36 1 1 5 3 5 3 2 1 9 15 152 15202 15202012006
15 152 15202 1 2 6 13225 37 3 3 98 98 98 98 98 0 0 15 152 15202 15202012006
15 152 15202 1 2 6 13225 38 1 1 5 3 5 99 4 1 1 15 152 15202 15202012006
15 152 15202 1 2 6 13225 39 1 1 5 3 5 1 4 1 2 15 152 15202 15202012006
15 152 15202 1 2 6 13225 40 1 3 98 98 98 98 98 0 0 15 152 15202 15202012006
15 152 15202 1 2 6 13225 41 1 3 98 98 98 98 98 0 0 15 152 15202 15202012006
15 152 15202 1 2 6 13225 42 3 3 98 98 98 98 98 0 0 15 152 15202 15202012006
15 152 15202 1 2 6 13225 43 3 1 5 3 5 2 1 1 5 15 152 15202 15202012006
15 152 15202 1 2 6 13225 44 1 4 98 98 98 98 98 0 0 15 152 15202 15202012006
15 152 15202 1 2 6 13225 45 1 4 98 98 98 98 98 0 0 15 152 15202 15202012006
15 152 15202 1 2 8 13910 1 1 2 98 98 98 98 98 0 0 15 152 15202 15202012008
15 152 15202 1 2 8 13910 2 1 3 98 98 98 98 98 0 0 15 152 15202 15202012008
15 152 15202 1 2 8 13910 3 1 3 98 98 98 98 98 0 0 15 152 15202 15202012008
15 152 15202 1 2 8 13910 4 3 3 98 98 98 98 98 0 0 15 152 15202 15202012008
15 152 15202 1 2 8 13910 5 3 1 5 3 5 2 3 1 3 15 152 15202 15202012008
15 152 15202 1 2 8 13910 6 1 2 98 98 98 98 98 0 0 15 152 15202 15202012008
15 152 15202 1 2 8 13910 7 1 1 5 99 5 2 4 1 2 15 152 15202 15202012008
15 152 15202 1 2 8 13910 8 3 1 5 3 5 3 3 1 2 15 152 15202 15202012008
15 152 15202 1 2 8 13910 9 3 3 98 98 98 98 98 0 0 15 152 15202 15202012008
15 152 15202 1 2 8 13910 10 3 3 98 98 98 98 98 0 0 15 152 15202 15202012008
15 152 15202 1 2 8 13910 11 1 4 98 98 98 98 98 0 0 15 152 15202 15202012008
15 152 15202 1 2 8 13910 12 1 2 98 98 98 98 98 0 0 15 152 15202 15202012008
15 152 15202 1 2 8 13910 13 1 4 98 98 98 98 98 0 0 15 152 15202 15202012008
15 152 15202 1 2 8 13910 14 3 3 98 98 98 98 98 0 0 15 152 15202 15202012008
15 152 15202 1 2 8 13910 15 1 4 98 98 98 98 98 0 0 15 152 15202 15202012008
15 152 15202 1 2 8 13910 16 1 4 98 98 98 98 98 0 0 15 152 15202 15202012008
15 152 15202 1 2 8 13910 17 3 2 98 98 98 98 98 0 0 15 152 15202 15202012008
15 152 15202 1 2 8 13910 18 1 2 98 98 98 98 98 0 0 15 152 15202 15202012008
15 152 15202 1 2 8 13910 19 3 1 99 99 99 99 99 1 1 15 152 15202 15202012008
15 152 15202 1 2 8 13910 20 1 2 98 98 98 98 98 0 0 15 152 15202 15202012008
15 152 15202 1 2 8 13910 21 1 1 5 3 5 1 4 1 2 15 152 15202 15202012008
15 152 15202 1 2 8 13910 22 3 1 5 3 5 2 4 1 1 15 152 15202 15202012008
15 152 15202 1 2 8 13910 23 1 4 98 98 98 98 98 0 0 15 152 15202 15202012008
15 152 15202 1 2 8 13910 24 3 4 98 98 98 98 98 0 0 15 152 15202 15202012008
15 152 15202 1 2 8 13910 25 3 3 98 98 98 98 98 0 0 15 152 15202 15202012008
15 152 15202 1 2 8 13910 26 1 2 98 98 98 98 98 0 0 15 152 15202 15202012008
15 152 15202 1 2 8 13910 27 1 4 98 98 98 98 98 0 0 15 152 15202 15202012008
15 152 15202 1 2 8 13910 28 3 2 98 98 98 98 98 0 0 15 152 15202 15202012008
15 152 15202 1 2 8 13910 29 1 3 98 98 98 98 98 0 0 15 152 15202 15202012008
15 152 15202 1 2 8 13910 30 1 1 5 1 4 2 4 1 1 15 152 15202 15202012008
15 152 15202 1 2 12 8394 1 3 4 98 98 98 98 98 0 0 15 152 15202 15202012012
15 152 15202 1 2 12 8394 2 3 4 98 98 98 98 98 0 0 15 152 15202 15202012012
15 152 15202 1 2 12 8394 3 3 1 5 3 5 2 3 1 4 15 152 15202 15202012012
15 152 15202 1 2 12 8394 4 3 2 98 98 98 98 98 0 0 15 152 15202 15202012012
15 152 15202 1 2 12 8394 5 3 3 98 98 98 98 98 0 0 15 152 15202 15202012012
15 152 15202 1 2 12 8394 6 3 3 98 98 98 98 98 0 0 15 152 15202 15202012012
15 152 15202 1 2 12 8394 7 3 4 98 98 98 98 98 0 0 15 152 15202 15202012012
15 152 15202 1 2 12 8394 8 3 2 98 98 98 98 98 0 0 15 152 15202 15202012012
15 152 15202 1 2 12 8394 9 3 1 5 3 5 1 4 1 1 15 152 15202 15202012012
15 152 15202 1 2 12 8394 10 3 4 98 98 98 98 98 0 0 15 152 15202 15202012012
15 152 15202 1 2 12 8394 11 3 2 98 98 98 98 98 0 0 15 152 15202 15202012012
15 152 15202 1 2 12 8394 12 3 4 98 98 98 98 98 0 0 15 152 15202 15202012012
15 152 15202 1 2 12 8394 13 3 4 98 98 98 98 98 0 0 15 152 15202 15202012012
15 152 15202 1 2 12 8394 14 3 2 98 98 98 98 98 0 0 15 152 15202 15202012012
15 152 15202 1 2 12 8394 15 3 2 98 98 98 98 98 0 0 15 152 15202 15202012012
15 152 15202 1 2 12 8394 16 3 4 98 98 98 98 98 0 0 15 152 15202 15202012012
15 152 15202 1 2 12 8394 17 3 2 98 98 98 98 98 0 0 15 152 15202 15202012012
15 152 15202 1 2 12 8394 18 3 2 98 98 98 98 98 0 0 15 152 15202 15202012012
15 152 15202 1 2 12 8394 19 3 1 99 99 99 99 99 1 1 15 152 15202 15202012012
15 152 15202 1 2 12 8394 20 3 1 5 3 5 3 99 1 1 15 152 15202 15202012012
15 152 15202 1 2 12 8394 21 3 1 5 99 5 1 4 1 2 15 152 15202 15202012012
15 152 15202 1 2 12 8394 22 3 2 98 98 98 98 98 0 0 15 152 15202 15202012012
15 152 15202 1 2 12 8394 23 3 4 98 98 98 98 98 0 0 15 152 15202 15202012012
15 152 15202 1 2 12 8394 24 3 1 5 3 5 1 2 1 2 15 152 15202 15202012012
15 152 15202 1 2 12 8394 25 3 4 98 98 98 98 98 0 0 15 152 15202 15202012012

Despleguemos los códigos de regiones de nuestra tabla:

regiones <- unique(tabla_con_clave$REGION)

Hagamos un subset con la 1:

tabla_con_clave <- filter(tabla_con_clave, tabla_con_clave$REGION == 11) 
tabla_con_clave <- filter(tabla_con_clave, tabla_con_clave$AREA== 1)

1.2 Cálculo de frecuencias

tabla_con_clave_f <- tabla_con_clave[,-c(1,2,4,5,6,7,8,9,10,11,12,14,15,16,17,18,19,20),drop=FALSE]

aterial de construcción del piso

names(tabla_con_clave_f)[2] <- "Tipo de piso"
# Ahora filtramos por Tipo de techo = 1.
tabla_con_clave_ff <- filter(tabla_con_clave_f, tabla_con_clave_f$`Tipo de piso` == 1)
# Determinamos las frecuencias por zona:
b <- tabla_con_clave_ff$clave
c <- tabla_con_clave_ff$`Tipo de piso`
d <- tabla_con_clave_ff$COMUNA
cross_tab =  xtabs( ~ unlist(b) + unlist(c)+ unlist(d))
tabla <- as.data.frame(cross_tab)
d <-tabla[!(tabla$Freq == 0),]
names(d)[1] <- "zona" 
d$anio <- "2017"

Veamos los primeros 100 registros:

r3_100 <- d[c(1:100),]
kbl(r3_100) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
zona unlist.c. unlist.d. Freq anio
1 11101011001 1 11101 117 2017
2 11101011002 1 11101 392 2017
3 11101011003 1 11101 172 2017
4 11101011004 1 11101 194 2017
5 11101011005 1 11101 335 2017
6 11101011006 1 11101 503 2017
7 11101011007 1 11101 670 2017
8 11101121001 1 11101 285 2017
9 11101121002 1 11101 1026 2017
10 11101121003 1 11101 795 2017
11 11101121004 1 11101 1201 2017
12 11101121005 1 11101 693 2017
13 11101121006 1 11101 746 2017
14 11101121007 1 11101 921 2017
15 11101121008 1 11101 926 2017
16 11101131001 1 11101 543 2017
17 11101131002 1 11101 963 2017
18 11101131003 1 11101 994 2017
19 11101131004 1 11101 1038 2017
20 11101131005 1 11101 802 2017
21 11101131006 1 11101 424 2017
22 11101131007 1 11101 1068 2017
23 11101991999 1 11101 128 2017
63 11201011001 1 11201 607 2017
64 11201011002 1 11201 977 2017
65 11201011003 1 11201 981 2017
66 11201021001 1 11201 492 2017
67 11201041001 1 11201 682 2017
68 11201041002 1 11201 795 2017
69 11201041003 1 11201 789 2017
70 11201071001 1 11201 340 2017
110 11202011001 1 11202 804 2017
111 11202021001 1 11202 452 2017
112 11202991999 1 11202 25 2017
152 11203011001 1 11203 454 2017
192 11301011001 1 11301 829 2017
193 11301991999 1 11301 12 2017
233 11401011001 1 11401 966 2017
234 11401991999 1 11401 14 2017
NA NA NA NA NA NA
NA.1 NA NA NA NA NA
NA.2 NA NA NA NA NA
NA.3 NA NA NA NA NA
NA.4 NA NA NA NA NA
NA.5 NA NA NA NA NA
NA.6 NA NA NA NA NA
NA.7 NA NA NA NA NA
NA.8 NA NA NA NA NA
NA.9 NA NA NA NA NA
NA.10 NA NA NA NA NA
NA.11 NA NA NA NA NA
NA.12 NA NA NA NA NA
NA.13 NA NA NA NA NA
NA.14 NA NA NA NA NA
NA.15 NA NA NA NA NA
NA.16 NA NA NA NA NA
NA.17 NA NA NA NA NA
NA.18 NA NA NA NA NA
NA.19 NA NA NA NA NA
NA.20 NA NA NA NA NA
NA.21 NA NA NA NA NA
NA.22 NA NA NA NA NA
NA.23 NA NA NA NA NA
NA.24 NA NA NA NA NA
NA.25 NA NA NA NA NA
NA.26 NA NA NA NA NA
NA.27 NA NA NA NA NA
NA.28 NA NA NA NA NA
NA.29 NA NA NA NA NA
NA.30 NA NA NA NA NA
NA.31 NA NA NA NA NA
NA.32 NA NA NA NA NA
NA.33 NA NA NA NA NA
NA.34 NA NA NA NA NA
NA.35 NA NA NA NA NA
NA.36 NA NA NA NA NA
NA.37 NA NA NA NA NA
NA.38 NA NA NA NA NA
NA.39 NA NA NA NA NA
NA.40 NA NA NA NA NA
NA.41 NA NA NA NA NA
NA.42 NA NA NA NA NA
NA.43 NA NA NA NA NA
NA.44 NA NA NA NA NA
NA.45 NA NA NA NA NA
NA.46 NA NA NA NA NA
NA.47 NA NA NA NA NA
NA.48 NA NA NA NA NA
NA.49 NA NA NA NA NA
NA.50 NA NA NA NA NA
NA.51 NA NA NA NA NA
NA.52 NA NA NA NA NA
NA.53 NA NA NA NA NA
NA.54 NA NA NA NA NA
NA.55 NA NA NA NA NA
NA.56 NA NA NA NA NA
NA.57 NA NA NA NA NA
NA.58 NA NA NA NA NA
NA.59 NA NA NA NA NA
NA.60 NA NA NA NA NA

Agregamos un cero a los códigos comunales de cuatro dígitos:

codigos <- d$unlist.d.
rango <- seq(1:nrow(d))
cadena <- paste("0",codigos[rango], sep = "")
cadena <- substr(cadena,(nchar(cadena)[rango])-(4),6)
codigos <- as.data.frame(codigos)
cadena <- as.data.frame(cadena)
comuna_corr <- cbind(d,cadena)
comuna_corr <- comuna_corr[,-c(2,3),drop=FALSE]
names(comuna_corr)[4] <- "código" 
r3_100 <- comuna_corr[c(1:100),]
kbl(r3_100) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
zona Freq anio código
1 11101011001 117 2017 11101
2 11101011002 392 2017 11101
3 11101011003 172 2017 11101
4 11101011004 194 2017 11101
5 11101011005 335 2017 11101
6 11101011006 503 2017 11101
7 11101011007 670 2017 11101
8 11101121001 285 2017 11101
9 11101121002 1026 2017 11101
10 11101121003 795 2017 11101
11 11101121004 1201 2017 11101
12 11101121005 693 2017 11101
13 11101121006 746 2017 11101
14 11101121007 921 2017 11101
15 11101121008 926 2017 11101
16 11101131001 543 2017 11101
17 11101131002 963 2017 11101
18 11101131003 994 2017 11101
19 11101131004 1038 2017 11101
20 11101131005 802 2017 11101
21 11101131006 424 2017 11101
22 11101131007 1068 2017 11101
23 11101991999 128 2017 11101
63 11201011001 607 2017 11201
64 11201011002 977 2017 11201
65 11201011003 981 2017 11201
66 11201021001 492 2017 11201
67 11201041001 682 2017 11201
68 11201041002 795 2017 11201
69 11201041003 789 2017 11201
70 11201071001 340 2017 11201
110 11202011001 804 2017 11202
111 11202021001 452 2017 11202
112 11202991999 25 2017 11202
152 11203011001 454 2017 11203
192 11301011001 829 2017 11301
193 11301991999 12 2017 11301
233 11401011001 966 2017 11401
234 11401991999 14 2017 11401
NA NA NA NA NA
NA.1 NA NA NA NA
NA.2 NA NA NA NA
NA.3 NA NA NA NA
NA.4 NA NA NA NA
NA.5 NA NA NA NA
NA.6 NA NA NA NA
NA.7 NA NA NA NA
NA.8 NA NA NA NA
NA.9 NA NA NA NA
NA.10 NA NA NA NA
NA.11 NA NA NA NA
NA.12 NA NA NA NA
NA.13 NA NA NA NA
NA.14 NA NA NA NA
NA.15 NA NA NA NA
NA.16 NA NA NA NA
NA.17 NA NA NA NA
NA.18 NA NA NA NA
NA.19 NA NA NA NA
NA.20 NA NA NA NA
NA.21 NA NA NA NA
NA.22 NA NA NA NA
NA.23 NA NA NA NA
NA.24 NA NA NA NA
NA.25 NA NA NA NA
NA.26 NA NA NA NA
NA.27 NA NA NA NA
NA.28 NA NA NA NA
NA.29 NA NA NA NA
NA.30 NA NA NA NA
NA.31 NA NA NA NA
NA.32 NA NA NA NA
NA.33 NA NA NA NA
NA.34 NA NA NA NA
NA.35 NA NA NA NA
NA.36 NA NA NA NA
NA.37 NA NA NA NA
NA.38 NA NA NA NA
NA.39 NA NA NA NA
NA.40 NA NA NA NA
NA.41 NA NA NA NA
NA.42 NA NA NA NA
NA.43 NA NA NA NA
NA.44 NA NA NA NA
NA.45 NA NA NA NA
NA.46 NA NA NA NA
NA.47 NA NA NA NA
NA.48 NA NA NA NA
NA.49 NA NA NA NA
NA.50 NA NA NA NA
NA.51 NA NA NA NA
NA.52 NA NA NA NA
NA.53 NA NA NA NA
NA.54 NA NA NA NA
NA.55 NA NA NA NA
NA.56 NA NA NA NA
NA.57 NA NA NA NA
NA.58 NA NA NA NA
NA.59 NA NA NA NA
NA.60 NA NA NA NA


2 Variable CASEN

2.1 Tabla de ingresos expandidos

Hemos calculado ya éste valor como conclusión del punto 1.1 de aquí

h_y_m_2017_censo <- readRDS("../ingresos_expandidos_urbano_17.rds")
tablamadre <- head(h_y_m_2017_censo,50)
kbl(tablamadre) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
código comuna.x promedio_i año comuna.y personas Ingresos_expandidos
01101 Iquique 375676.9 2017 1101 191468 71930106513
01107 Alto Hospicio 311571.7 2017 1107 108375 33766585496
01401 Pozo Almonte 316138.5 2017 1401 15711 4966851883
01405 Pica 330061.1 2017 1405 9296 3068247619
02101 Antofagasta 368221.4 2017 2101 361873 133249367039
02102 Mejillones 369770.7 2017 2102 13467 4979702302
02104 Taltal 383666.2 2017 2104 13317 5109282942
02201 Calama 434325.1 2017 2201 165731 71981127235
02203 San Pedro de Atacama 442861.0 2017 2203 10996 4869699464
02301 Tocopilla 286187.2 2017 2301 25186 7207910819
02302 María Elena 477748.0 2017 2302 6457 3084818966
03101 Copiapó 343121.0 2017 3101 153937 52819016037
03102 Caldera 318653.2 2017 3102 17662 5628052276
03103 Tierra Amarilla 333194.9 2017 3103 14019 4671058718
03201 Chañaral 286389.3 2017 3201 12219 3499391196
03202 Diego de Almagro 351583.9 2017 3202 13925 4895805596
03301 Vallenar 315981.5 2017 3301 51917 16404810756
03303 Freirina 289049.9 2017 3303 7041 2035200054
03304 Huasco 337414.8 2017 3304 10149 3424422750
04101 La Serena 279340.1 2017 4101 221054 61749247282
04102 Coquimbo 269078.6 2017 4102 227730 61277269093
04103 Andacollo 258539.7 2017 4103 11044 2855312920
04104 La Higuera 214257.0 2017 4104 4241 908664019
04106 Vicuña 254177.0 2017 4106 27771 7058750373
04201 Illapel 282139.3 2017 4201 30848 8703433491
04202 Canela 233397.3 2017 4202 9093 2122281844
04203 Los Vilos 285214.0 2017 4203 21382 6098444926
04204 Salamanca 262056.9 2017 4204 29347 7690585032
04301 Ovalle 280373.5 2017 4301 111272 31197719080
04302 Combarbalá 234537.3 2017 4302 13322 3124505460
04303 Monte Patria 225369.1 2017 4303 30751 6930326684
04304 Punitaqui 212496.1 2017 4304 10956 2328107498
05101 Valparaíso 306572.5 2017 5101 296655 90946261553
05102 Casablanca 348088.6 2017 5102 26867 9352095757
05103 Concón 333932.4 2017 5103 42152 14075920021
05105 Puchuncaví 296035.5 2017 5105 18546 5490274928
05107 Quintero 308224.7 2017 5107 31923 9839456903
05109 Viña del Mar 354715.9 2017 5109 334248 118563074323
05301 Los Andes 355446.2 2017 5301 66708 23711104774
05302 Calle Larga 246387.3 2017 5302 14832 3654416747
05303 Rinconada 279807.9 2017 5303 10207 2855998928
05304 San Esteban 219571.6 2017 5304 18855 4140022481
05401 La Ligua 259482.3 2017 5401 35390 9183080280
05402 Cabildo 262745.9 2017 5402 19388 5094117762
05403 Papudo 302317.1 2017 5403 6356 1921527704
05404 Petorca 237510.8 2017 5404 9826 2333781007
05405 Zapallar 294389.2 2017 5405 7339 2160521991
05501 Quillota 288694.2 2017 5501 90517 26131733924
05502 Calera 282823.6 2017 5502 50554 14297866792
05503 Hijuelas 268449.7 2017 5503 17988 4828872604

3 Unión Censo-Casen

Integramos a la tabla censal de frecuencias la tabla de ingresos expandidos de la Casen.

comunas_con_ing_exp = merge( x = comuna_corr, y = h_y_m_2017_censo, by = "código", all.x = TRUE)
comunas_con_ing_exp <-comunas_con_ing_exp[!(is.na(comunas_con_ing_exp$Ingresos_expandidos)),]
r3_100 <- comunas_con_ing_exp[c(1:100),]
kbl(r3_100) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
código zona Freq anio comuna.x promedio_i año comuna.y personas Ingresos_expandidos
1 11101 11101011002 392 2017 Coyhaique 327100.3 2017 11101 57818 18912283227
2 11101 11101011003 172 2017 Coyhaique 327100.3 2017 11101 57818 18912283227
3 11101 11101011004 194 2017 Coyhaique 327100.3 2017 11101 57818 18912283227
4 11101 11101011001 117 2017 Coyhaique 327100.3 2017 11101 57818 18912283227
5 11101 11101011006 503 2017 Coyhaique 327100.3 2017 11101 57818 18912283227
6 11101 11101011007 670 2017 Coyhaique 327100.3 2017 11101 57818 18912283227
7 11101 11101121001 285 2017 Coyhaique 327100.3 2017 11101 57818 18912283227
8 11101 11101011005 335 2017 Coyhaique 327100.3 2017 11101 57818 18912283227
9 11101 11101121003 795 2017 Coyhaique 327100.3 2017 11101 57818 18912283227
10 11101 11101121004 1201 2017 Coyhaique 327100.3 2017 11101 57818 18912283227
11 11101 11101121005 693 2017 Coyhaique 327100.3 2017 11101 57818 18912283227
12 11101 11101121006 746 2017 Coyhaique 327100.3 2017 11101 57818 18912283227
13 11101 11101121007 921 2017 Coyhaique 327100.3 2017 11101 57818 18912283227
14 11101 11101121008 926 2017 Coyhaique 327100.3 2017 11101 57818 18912283227
15 11101 11101131001 543 2017 Coyhaique 327100.3 2017 11101 57818 18912283227
16 11101 11101131002 963 2017 Coyhaique 327100.3 2017 11101 57818 18912283227
17 11101 11101131003 994 2017 Coyhaique 327100.3 2017 11101 57818 18912283227
18 11101 11101131004 1038 2017 Coyhaique 327100.3 2017 11101 57818 18912283227
19 11101 11101131005 802 2017 Coyhaique 327100.3 2017 11101 57818 18912283227
20 11101 11101131006 424 2017 Coyhaique 327100.3 2017 11101 57818 18912283227
21 11101 11101121002 1026 2017 Coyhaique 327100.3 2017 11101 57818 18912283227
22 11101 11101991999 128 2017 Coyhaique 327100.3 2017 11101 57818 18912283227
23 11101 11101131007 1068 2017 Coyhaique 327100.3 2017 11101 57818 18912283227
24 11201 11201011001 607 2017 Aysén 307831.4 2017 11201 23959 7375332218
25 11201 11201011002 977 2017 Aysén 307831.4 2017 11201 23959 7375332218
26 11201 11201011003 981 2017 Aysén 307831.4 2017 11201 23959 7375332218
27 11201 11201041001 682 2017 Aysén 307831.4 2017 11201 23959 7375332218
28 11201 11201041002 795 2017 Aysén 307831.4 2017 11201 23959 7375332218
29 11201 11201041003 789 2017 Aysén 307831.4 2017 11201 23959 7375332218
30 11201 11201021001 492 2017 Aysén 307831.4 2017 11201 23959 7375332218
31 11201 11201071001 340 2017 Aysén 307831.4 2017 11201 23959 7375332218
32 11202 11202011001 804 2017 Cisnes 251971.0 2017 11202 6517 1642095149
33 11202 11202021001 452 2017 Cisnes 251971.0 2017 11202 6517 1642095149
34 11202 11202991999 25 2017 Cisnes 251971.0 2017 11202 6517 1642095149
36 11301 11301011001 829 2017 Cochrane 350724.8 2017 11301 3490 1224029692
37 11301 11301991999 12 2017 Cochrane 350724.8 2017 11301 3490 1224029692
38 11401 11401011001 966 2017 Chile Chico 333445.3 2017 11401 4865 1622211456
39 11401 11401991999 14 2017 Chile Chico 333445.3 2017 11401 4865 1622211456
NA NA NA NA NA NA NA NA NA NA NA
NA.1 NA NA NA NA NA NA NA NA NA NA
NA.2 NA NA NA NA NA NA NA NA NA NA
NA.3 NA NA NA NA NA NA NA NA NA NA
NA.4 NA NA NA NA NA NA NA NA NA NA
NA.5 NA NA NA NA NA NA NA NA NA NA
NA.6 NA NA NA NA NA NA NA NA NA NA
NA.7 NA NA NA NA NA NA NA NA NA NA
NA.8 NA NA NA NA NA NA NA NA NA NA
NA.9 NA NA NA NA NA NA NA NA NA NA
NA.10 NA NA NA NA NA NA NA NA NA NA
NA.11 NA NA NA NA NA NA NA NA NA NA
NA.12 NA NA NA NA NA NA NA NA NA NA
NA.13 NA NA NA NA NA NA NA NA NA NA
NA.14 NA NA NA NA NA NA NA NA NA NA
NA.15 NA NA NA NA NA NA NA NA NA NA
NA.16 NA NA NA NA NA NA NA NA NA NA
NA.17 NA NA NA NA NA NA NA NA NA NA
NA.18 NA NA NA NA NA NA NA NA NA NA
NA.19 NA NA NA NA NA NA NA NA NA NA
NA.20 NA NA NA NA NA NA NA NA NA NA
NA.21 NA NA NA NA NA NA NA NA NA NA
NA.22 NA NA NA NA NA NA NA NA NA NA
NA.23 NA NA NA NA NA NA NA NA NA NA
NA.24 NA NA NA NA NA NA NA NA NA NA
NA.25 NA NA NA NA NA NA NA NA NA NA
NA.26 NA NA NA NA NA NA NA NA NA NA
NA.27 NA NA NA NA NA NA NA NA NA NA
NA.28 NA NA NA NA NA NA NA NA NA NA
NA.29 NA NA NA NA NA NA NA NA NA NA
NA.30 NA NA NA NA NA NA NA NA NA NA
NA.31 NA NA NA NA NA NA NA NA NA NA
NA.32 NA NA NA NA NA NA NA NA NA NA
NA.33 NA NA NA NA NA NA NA NA NA NA
NA.34 NA NA NA NA NA NA NA NA NA NA
NA.35 NA NA NA NA NA NA NA NA NA NA
NA.36 NA NA NA NA NA NA NA NA NA NA
NA.37 NA NA NA NA NA NA NA NA NA NA
NA.38 NA NA NA NA NA NA NA NA NA NA
NA.39 NA NA NA NA NA NA NA NA NA NA
NA.40 NA NA NA NA NA NA NA NA NA NA
NA.41 NA NA NA NA NA NA NA NA NA NA
NA.42 NA NA NA NA NA NA NA NA NA NA
NA.43 NA NA NA NA NA NA NA NA NA NA
NA.44 NA NA NA NA NA NA NA NA NA NA
NA.45 NA NA NA NA NA NA NA NA NA NA
NA.46 NA NA NA NA NA NA NA NA NA NA
NA.47 NA NA NA NA NA NA NA NA NA NA
NA.48 NA NA NA NA NA NA NA NA NA NA
NA.49 NA NA NA NA NA NA NA NA NA NA
NA.50 NA NA NA NA NA NA NA NA NA NA
NA.51 NA NA NA NA NA NA NA NA NA NA
NA.52 NA NA NA NA NA NA NA NA NA NA
NA.53 NA NA NA NA NA NA NA NA NA NA
NA.54 NA NA NA NA NA NA NA NA NA NA
NA.55 NA NA NA NA NA NA NA NA NA NA
NA.56 NA NA NA NA NA NA NA NA NA NA
NA.57 NA NA NA NA NA NA NA NA NA NA
NA.58 NA NA NA NA NA NA NA NA NA NA
NA.59 NA NA NA NA NA NA NA NA NA NA
NA.60 NA NA NA NA NA NA NA NA NA NA
NA.61 NA NA NA NA NA NA NA NA NA NA


4 Proporción poblacional zonal respecto a la comunal

Del censo obtenemos la cantidad de población a nivel de zona y estimamos su proporción a nivel comunal. Ya hemos calculado ésta proporción aquí.

prop_pob <- readRDS("../tabla_de_prop_pob.rds")
names(prop_pob)[1] <- "zona"
names(prop_pob)[3] <- "p_poblacional"

Veamos los 100 primeros registros:

r3_100 <- prop_pob[c(1:100),]
kbl(r3_100) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
zona Freq p_poblacional código
1101011001 2491 0.0130100 01101
1101011002 1475 0.0077036 01101
1101021001 1003 0.0052385 01101
1101021002 54 0.0002820 01101
1101021003 2895 0.0151200 01101
1101021004 2398 0.0125243 01101
1101021005 4525 0.0236332 01101
1101031001 2725 0.0142321 01101
1101031002 3554 0.0185618 01101
1101031003 5246 0.0273988 01101
1101031004 3389 0.0177001 01101
1101041001 1800 0.0094010 01101
1101041002 2538 0.0132555 01101
1101041003 3855 0.0201339 01101
1101041004 5663 0.0295767 01101
1101041005 4162 0.0217373 01101
1101041006 2689 0.0140441 01101
1101051001 3296 0.0172144 01101
1101051002 4465 0.0233198 01101
1101051003 4656 0.0243174 01101
1101051004 2097 0.0109522 01101
1101051005 3569 0.0186402 01101
1101051006 2741 0.0143157 01101
1101061001 1625 0.0084871 01101
1101061002 4767 0.0248971 01101
1101061003 4826 0.0252053 01101
1101061004 4077 0.0212934 01101
1101061005 2166 0.0113126 01101
1101071001 2324 0.0121378 01101
1101071002 2801 0.0146291 01101
1101071003 3829 0.0199981 01101
1101071004 1987 0.0103777 01101
1101081001 5133 0.0268087 01101
1101081002 3233 0.0168853 01101
1101081003 2122 0.0110828 01101
1101081004 2392 0.0124929 01101
1101092001 57 0.0002977 01101
1101092004 247 0.0012900 01101
1101092005 76 0.0003969 01101
1101092006 603 0.0031494 01101
1101092007 84 0.0004387 01101
1101092010 398 0.0020787 01101
1101092012 58 0.0003029 01101
1101092014 23 0.0001201 01101
1101092016 20 0.0001045 01101
1101092017 8 0.0000418 01101
1101092018 74 0.0003865 01101
1101092019 25 0.0001306 01101
1101092021 177 0.0009244 01101
1101092022 23 0.0001201 01101
1101092023 288 0.0015042 01101
1101092024 14 0.0000731 01101
1101092901 30 0.0001567 01101
1101101001 2672 0.0139553 01101
1101101002 4398 0.0229699 01101
1101101003 4524 0.0236280 01101
1101101004 3544 0.0185096 01101
1101101005 4911 0.0256492 01101
1101101006 3688 0.0192617 01101
1101111001 3886 0.0202958 01101
1101111002 2312 0.0120751 01101
1101111003 4874 0.0254560 01101
1101111004 4543 0.0237272 01101
1101111005 4331 0.0226200 01101
1101111006 3253 0.0169898 01101
1101111007 4639 0.0242286 01101
1101111008 4881 0.0254925 01101
1101111009 5006 0.0261454 01101
1101111010 366 0.0019115 01101
1101111011 4351 0.0227244 01101
1101111012 2926 0.0152819 01101
1101111013 3390 0.0177053 01101
1101111014 2940 0.0153550 01101
1101112003 33 0.0001724 01101
1101112013 104 0.0005432 01101
1101112019 34 0.0001776 01101
1101112025 21 0.0001097 01101
1101112901 6 0.0000313 01101
1101991999 1062 0.0055466 01101
1107011001 4104 0.0378685 01107
1107011002 4360 0.0402307 01107
1107011003 8549 0.0788835 01107
1107012003 3 0.0000277 01107
1107012901 17 0.0001569 01107
1107021001 6701 0.0618316 01107
1107021002 3971 0.0366413 01107
1107021003 6349 0.0585836 01107
1107021004 5125 0.0472895 01107
1107021005 4451 0.0410704 01107
1107021006 3864 0.0356540 01107
1107021007 5235 0.0483045 01107
1107021008 4566 0.0421315 01107
1107031001 4195 0.0387082 01107
1107031002 7099 0.0655040 01107
1107031003 4720 0.0435525 01107
1107032005 38 0.0003506 01107
1107032006 2399 0.0221361 01107
1107032008 4 0.0000369 01107
1107041001 3630 0.0334948 01107
1107041002 5358 0.0494394 01107


5 Ingreso medio

Deseamos el valor del ingreso promedio a nivel comunal, pero expandido a nivel zonal. Ésta información está contenida en el campo promedio_i de la tabla obtenida en el punto 3.

r3_100 <- comunas_con_ing_exp[c(1:100),]
kbl(r3_100) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
código zona Freq anio comuna.x promedio_i año comuna.y personas Ingresos_expandidos
1 11101 11101011002 392 2017 Coyhaique 327100.3 2017 11101 57818 18912283227
2 11101 11101011003 172 2017 Coyhaique 327100.3 2017 11101 57818 18912283227
3 11101 11101011004 194 2017 Coyhaique 327100.3 2017 11101 57818 18912283227
4 11101 11101011001 117 2017 Coyhaique 327100.3 2017 11101 57818 18912283227
5 11101 11101011006 503 2017 Coyhaique 327100.3 2017 11101 57818 18912283227
6 11101 11101011007 670 2017 Coyhaique 327100.3 2017 11101 57818 18912283227
7 11101 11101121001 285 2017 Coyhaique 327100.3 2017 11101 57818 18912283227
8 11101 11101011005 335 2017 Coyhaique 327100.3 2017 11101 57818 18912283227
9 11101 11101121003 795 2017 Coyhaique 327100.3 2017 11101 57818 18912283227
10 11101 11101121004 1201 2017 Coyhaique 327100.3 2017 11101 57818 18912283227
11 11101 11101121005 693 2017 Coyhaique 327100.3 2017 11101 57818 18912283227
12 11101 11101121006 746 2017 Coyhaique 327100.3 2017 11101 57818 18912283227
13 11101 11101121007 921 2017 Coyhaique 327100.3 2017 11101 57818 18912283227
14 11101 11101121008 926 2017 Coyhaique 327100.3 2017 11101 57818 18912283227
15 11101 11101131001 543 2017 Coyhaique 327100.3 2017 11101 57818 18912283227
16 11101 11101131002 963 2017 Coyhaique 327100.3 2017 11101 57818 18912283227
17 11101 11101131003 994 2017 Coyhaique 327100.3 2017 11101 57818 18912283227
18 11101 11101131004 1038 2017 Coyhaique 327100.3 2017 11101 57818 18912283227
19 11101 11101131005 802 2017 Coyhaique 327100.3 2017 11101 57818 18912283227
20 11101 11101131006 424 2017 Coyhaique 327100.3 2017 11101 57818 18912283227
21 11101 11101121002 1026 2017 Coyhaique 327100.3 2017 11101 57818 18912283227
22 11101 11101991999 128 2017 Coyhaique 327100.3 2017 11101 57818 18912283227
23 11101 11101131007 1068 2017 Coyhaique 327100.3 2017 11101 57818 18912283227
24 11201 11201011001 607 2017 Aysén 307831.4 2017 11201 23959 7375332218
25 11201 11201011002 977 2017 Aysén 307831.4 2017 11201 23959 7375332218
26 11201 11201011003 981 2017 Aysén 307831.4 2017 11201 23959 7375332218
27 11201 11201041001 682 2017 Aysén 307831.4 2017 11201 23959 7375332218
28 11201 11201041002 795 2017 Aysén 307831.4 2017 11201 23959 7375332218
29 11201 11201041003 789 2017 Aysén 307831.4 2017 11201 23959 7375332218
30 11201 11201021001 492 2017 Aysén 307831.4 2017 11201 23959 7375332218
31 11201 11201071001 340 2017 Aysén 307831.4 2017 11201 23959 7375332218
32 11202 11202011001 804 2017 Cisnes 251971.0 2017 11202 6517 1642095149
33 11202 11202021001 452 2017 Cisnes 251971.0 2017 11202 6517 1642095149
34 11202 11202991999 25 2017 Cisnes 251971.0 2017 11202 6517 1642095149
36 11301 11301011001 829 2017 Cochrane 350724.8 2017 11301 3490 1224029692
37 11301 11301991999 12 2017 Cochrane 350724.8 2017 11301 3490 1224029692
38 11401 11401011001 966 2017 Chile Chico 333445.3 2017 11401 4865 1622211456
39 11401 11401991999 14 2017 Chile Chico 333445.3 2017 11401 4865 1622211456
NA NA NA NA NA NA NA NA NA NA NA
NA.1 NA NA NA NA NA NA NA NA NA NA
NA.2 NA NA NA NA NA NA NA NA NA NA
NA.3 NA NA NA NA NA NA NA NA NA NA
NA.4 NA NA NA NA NA NA NA NA NA NA
NA.5 NA NA NA NA NA NA NA NA NA NA
NA.6 NA NA NA NA NA NA NA NA NA NA
NA.7 NA NA NA NA NA NA NA NA NA NA
NA.8 NA NA NA NA NA NA NA NA NA NA
NA.9 NA NA NA NA NA NA NA NA NA NA
NA.10 NA NA NA NA NA NA NA NA NA NA
NA.11 NA NA NA NA NA NA NA NA NA NA
NA.12 NA NA NA NA NA NA NA NA NA NA
NA.13 NA NA NA NA NA NA NA NA NA NA
NA.14 NA NA NA NA NA NA NA NA NA NA
NA.15 NA NA NA NA NA NA NA NA NA NA
NA.16 NA NA NA NA NA NA NA NA NA NA
NA.17 NA NA NA NA NA NA NA NA NA NA
NA.18 NA NA NA NA NA NA NA NA NA NA
NA.19 NA NA NA NA NA NA NA NA NA NA
NA.20 NA NA NA NA NA NA NA NA NA NA
NA.21 NA NA NA NA NA NA NA NA NA NA
NA.22 NA NA NA NA NA NA NA NA NA NA
NA.23 NA NA NA NA NA NA NA NA NA NA
NA.24 NA NA NA NA NA NA NA NA NA NA
NA.25 NA NA NA NA NA NA NA NA NA NA
NA.26 NA NA NA NA NA NA NA NA NA NA
NA.27 NA NA NA NA NA NA NA NA NA NA
NA.28 NA NA NA NA NA NA NA NA NA NA
NA.29 NA NA NA NA NA NA NA NA NA NA
NA.30 NA NA NA NA NA NA NA NA NA NA
NA.31 NA NA NA NA NA NA NA NA NA NA
NA.32 NA NA NA NA NA NA NA NA NA NA
NA.33 NA NA NA NA NA NA NA NA NA NA
NA.34 NA NA NA NA NA NA NA NA NA NA
NA.35 NA NA NA NA NA NA NA NA NA NA
NA.36 NA NA NA NA NA NA NA NA NA NA
NA.37 NA NA NA NA NA NA NA NA NA NA
NA.38 NA NA NA NA NA NA NA NA NA NA
NA.39 NA NA NA NA NA NA NA NA NA NA
NA.40 NA NA NA NA NA NA NA NA NA NA
NA.41 NA NA NA NA NA NA NA NA NA NA
NA.42 NA NA NA NA NA NA NA NA NA NA
NA.43 NA NA NA NA NA NA NA NA NA NA
NA.44 NA NA NA NA NA NA NA NA NA NA
NA.45 NA NA NA NA NA NA NA NA NA NA
NA.46 NA NA NA NA NA NA NA NA NA NA
NA.47 NA NA NA NA NA NA NA NA NA NA
NA.48 NA NA NA NA NA NA NA NA NA NA
NA.49 NA NA NA NA NA NA NA NA NA NA
NA.50 NA NA NA NA NA NA NA NA NA NA
NA.51 NA NA NA NA NA NA NA NA NA NA
NA.52 NA NA NA NA NA NA NA NA NA NA
NA.53 NA NA NA NA NA NA NA NA NA NA
NA.54 NA NA NA NA NA NA NA NA NA NA
NA.55 NA NA NA NA NA NA NA NA NA NA
NA.56 NA NA NA NA NA NA NA NA NA NA
NA.57 NA NA NA NA NA NA NA NA NA NA
NA.58 NA NA NA NA NA NA NA NA NA NA
NA.59 NA NA NA NA NA NA NA NA NA NA
NA.60 NA NA NA NA NA NA NA NA NA NA
NA.61 NA NA NA NA NA NA NA NA NA NA


6 Ingreso promedio expandido por zona (multi_pob)

En éste momento vamos a construir nuestra variable dependiente de regresión aplicando la siguiente fórmula:

\[ multi\_pob = promedio\_i \cdot personas \cdot p\_poblacional \]

Para ello integramos a la tabla de ingresos expandidos a nivel zonal (punto 3) la tabla de proporciones poblacionales zonales respecto al total comunal (punto 4) :

h_y_m_comuna_corr_01 = merge( x = comunas_con_ing_exp, y = prop_pob, by = "zona", all.x = TRUE)
tablamadre <- head(h_y_m_comuna_corr_01,100)
kbl(tablamadre) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
zona código.x Freq.x anio comuna.x promedio_i año comuna.y personas Ingresos_expandidos Freq.y p_poblacional código.y
11101011001 11101 117 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 324 0.0056038 11101
11101011002 11101 392 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 1672 0.0289183 11101
11101011003 11101 172 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 499 0.0086305 11101
11101011004 11101 194 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 667 0.0115362 11101
11101011005 11101 335 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 977 0.0168979 11101
11101011006 11101 503 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 1595 0.0275866 11101
11101011007 11101 670 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 2251 0.0389325 11101
11101121001 11101 285 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 903 0.0156180 11101
11101121002 11101 1026 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 3281 0.0567470 11101
11101121003 11101 795 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 2413 0.0417344 11101
11101121004 11101 1201 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 3717 0.0642879 11101
11101121005 11101 693 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 2462 0.0425819 11101
11101121006 11101 746 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 2381 0.0411809 11101
11101121007 11101 921 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 3498 0.0605002 11101
11101121008 11101 926 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 3334 0.0576637 11101
11101131001 11101 543 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 1906 0.0329655 11101
11101131002 11101 963 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 3237 0.0559860 11101
11101131003 11101 994 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 3439 0.0594797 11101
11101131004 11101 1038 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 3238 0.0560033 11101
11101131005 11101 802 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 2580 0.0446228 11101
11101131006 11101 424 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 1524 0.0263586 11101
11101131007 11101 1068 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 3756 0.0649625 11101
11101991999 11101 128 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 301 0.0052060 11101
11201011001 11201 607 2017 Aysén 307831.4 2017 11201 23959 7375332218 2035 0.0849368 11201
11201011002 11201 977 2017 Aysén 307831.4 2017 11201 23959 7375332218 3187 0.1330189 11201
11201011003 11201 981 2017 Aysén 307831.4 2017 11201 23959 7375332218 3870 0.1615259 11201
11201021001 11201 492 2017 Aysén 307831.4 2017 11201 23959 7375332218 1561 0.0651530 11201
11201041001 11201 682 2017 Aysén 307831.4 2017 11201 23959 7375332218 2623 0.1094787 11201
11201041002 11201 795 2017 Aysén 307831.4 2017 11201 23959 7375332218 2692 0.1123586 11201
11201041003 11201 789 2017 Aysén 307831.4 2017 11201 23959 7375332218 3034 0.1266330 11201
11201071001 11201 340 2017 Aysén 307831.4 2017 11201 23959 7375332218 1239 0.0517133 11201
11202011001 11202 804 2017 Cisnes 251971.0 2017 11202 6517 1642095149 2558 0.3925119 11202
11202021001 11202 452 2017 Cisnes 251971.0 2017 11202 6517 1642095149 1431 0.2195796 11202
11202991999 11202 25 2017 Cisnes 251971.0 2017 11202 6517 1642095149 125 0.0191806 11202
11301011001 11301 829 2017 Cochrane 350724.8 2017 11301 3490 1224029692 2789 0.7991404 11301
11301991999 11301 12 2017 Cochrane 350724.8 2017 11301 3490 1224029692 52 0.0148997 11301
11401011001 11401 966 2017 Chile Chico 333445.3 2017 11401 4865 1622211456 3129 0.6431655 11401
11401991999 11401 14 2017 Chile Chico 333445.3 2017 11401 4865 1622211456 33 0.0067831 11401


Hacemos la multiplicación que queda almacenada en la variable multi_pob:

h_y_m_comuna_corr_01$multi_pob <- h_y_m_comuna_corr_01$promedio_i * h_y_m_comuna_corr_01$personas * h_y_m_comuna_corr_01$p_poblacional
tablamadre <- head(h_y_m_comuna_corr_01,100)
kbl(tablamadre) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
zona código.x Freq.x anio comuna.x promedio_i año comuna.y personas Ingresos_expandidos Freq.y p_poblacional código.y multi_pob
11101011001 11101 117 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 324 0.0056038 11101 105980486
11101011002 11101 392 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 1672 0.0289183 11101 546911646
11101011003 11101 172 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 499 0.0086305 11101 163223033
11101011004 11101 194 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 667 0.0115362 11101 218175878
11101011005 11101 335 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 977 0.0168979 11101 319576961
11101011006 11101 503 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 1595 0.0275866 11101 521724926
11101011007 11101 670 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 2251 0.0389325 11101 736302701
11101121001 11101 285 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 903 0.0156180 11101 295371541
11101121002 11101 1026 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 3281 0.0567470 11101 1073215975
11101121003 11101 795 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 2413 0.0417344 11101 789292944
11101121004 11101 1201 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 3717 0.0642879 11101 1215831692
11101121005 11101 693 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 2462 0.0425819 11101 805320857
11101121006 11101 746 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 2381 0.0411809 11101 778825735
11101121007 11101 921 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 3498 0.0605002 11101 1144196733
11101121008 11101 926 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 3334 0.0576637 11101 1090552290
11101131001 11101 543 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 1906 0.0329655 11101 623453109
11101131002 11101 963 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 3237 0.0559860 11101 1058823564
11101131003 11101 994 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 3439 0.0594797 11101 1124897818
11101131004 11101 1038 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 3238 0.0560033 11101 1059150664
11101131005 11101 802 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 2580 0.0446228 11101 843918688
11101131006 11101 424 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 1524 0.0263586 11101 498500807
11101131007 11101 1068 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 3756 0.0649625 11101 1228588602
11101991999 11101 128 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 301 0.0052060 11101 98457180
11201011001 11201 607 2017 Aysén 307831.4 2017 11201 23959 7375332218 2035 0.0849368 11201 626436874
11201011002 11201 977 2017 Aysén 307831.4 2017 11201 23959 7375332218 3187 0.1330189 11201 981058633
11201011003 11201 981 2017 Aysén 307831.4 2017 11201 23959 7375332218 3870 0.1615259 11201 1191307470
11201021001 11201 492 2017 Aysén 307831.4 2017 11201 23959 7375332218 1561 0.0651530 11201 480524796
11201041001 11201 682 2017 Aysén 307831.4 2017 11201 23959 7375332218 2623 0.1094787 11201 807441730
11201041002 11201 795 2017 Aysén 307831.4 2017 11201 23959 7375332218 2692 0.1123586 11201 828682096
11201041003 11201 789 2017 Aysén 307831.4 2017 11201 23959 7375332218 3034 0.1266330 11201 933960430
11201071001 11201 340 2017 Aysén 307831.4 2017 11201 23959 7375332218 1239 0.0517133 11201 381403089
11202011001 11202 804 2017 Cisnes 251971.0 2017 11202 6517 1642095149 2558 0.3925119 11202 644541874
11202021001 11202 452 2017 Cisnes 251971.0 2017 11202 6517 1642095149 1431 0.2195796 11202 360570532
11202991999 11202 25 2017 Cisnes 251971.0 2017 11202 6517 1642095149 125 0.0191806 11202 31496378
11301011001 11301 829 2017 Cochrane 350724.8 2017 11301 3490 1224029692 2789 0.7991404 11301 978171579
11301991999 11301 12 2017 Cochrane 350724.8 2017 11301 3490 1224029692 52 0.0148997 11301 18237692
11401011001 11401 966 2017 Chile Chico 333445.3 2017 11401 4865 1622211456 3129 0.6431655 11401 1043350389
11401991999 11401 14 2017 Chile Chico 333445.3 2017 11401 4865 1622211456 33 0.0067831 11401 11003695

7 Análisis de regresión

Aplicaremos un análisis de regresión donde:

\[ Y(dependiente) = ingreso \ expandido \ por \ zona \ (multi\_pob)\]

\[ X(independiente) = frecuencia \ de \ población \ que \ posee \ la \ variable \ Censal \ respecto \ a \ la \ zona \ (Freq.x) \]

7.1 Diagrama de dispersión loess

scatter.smooth(x=h_y_m_comuna_corr_01$Freq.x, y=h_y_m_comuna_corr_01$multi_pob, main="multi_pob ~ Freq.x",
     xlab = "Freq.x",
     ylab = "multi_pob",
           col = 2)

7.2 Outliers

Hemos demostrado en el punto 5.7.2 de aquí que la exclusión de ouliers no genera ninguna mejora en el modelo de regresión.

7.3 Modelo lineal

Aplicaremos un análisis de regresión lineal del ingreso expandido por zona sobre las frecuencias de respuestas zonales.

linearMod <- lm( multi_pob~(Freq.x) , data=h_y_m_comuna_corr_01)
summary(linearMod) 
## 
## Call:
## lm(formula = multi_pob ~ (Freq.x), data = h_y_m_comuna_corr_01)
## 
## Residuals:
##        Min         1Q     Median         3Q        Max 
## -228607967  -34080876   -1255117   43001942  142601133 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -9503076   25071337  -0.379    0.707    
## Freq.x       1097827      35362  31.046   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 73490000 on 36 degrees of freedom
## Multiple R-squared:  0.964,  Adjusted R-squared:  0.963 
## F-statistic: 963.8 on 1 and 36 DF,  p-value: < 2.2e-16

7.4 Gráfica de la recta de regresión lineal

ggplot(h_y_m_comuna_corr_01, aes(x = Freq.x , y = multi_pob)) + 
  geom_point() +
  stat_smooth(method = "lm", col = "red")

Si bien obtenemos nuestro modelo lineal da cuenta del 0.8214 de la variabilidad de los datos de respuesta en torno a su media, modelos alternativos pueden ofrecernos una explicación de la variable dependiente aún mayor.

8 Modelos alternativos

### 8.1 Modelo cuadrático

linearMod <- lm( multi_pob~(Freq.x^2) , data=h_y_m_comuna_corr_01)
datos <- summary(linearMod)
dato <- datos$adj.r.squared
modelo <- "cuadrático"
sintaxis <- "linearMod <- lm( multi_pob~(Freq.x^2) , data=h_y_m_comuna_corr_01)"
latex <- "$$ '\'hat Y = '\'beta_0 + '\'beta_1  X^2  $$"
modelos1 <- cbind(modelo,dato,sintaxis,latex)
 
### 8.2 Modelo cúbico
 
linearMod <- lm( multi_pob~(Freq.x^3) , data=h_y_m_comuna_corr_01)
datos <- summary(linearMod)
dato <- datos$adj.r.squared
modelo <- "cúbico"
sintaxis <- "linearMod <- lm( multi_pob~(Freq.x^3) , data=h_y_m_comuna_corr_01)"
latex <- "$$ '\'hat Y = '\'beta_0 + '\'beta_1  X^3  $$"
modelos2 <- cbind(modelo,dato,sintaxis,latex)
 
### 8.3 Modelo logarítmico
 
linearMod <- lm( multi_pob~log(Freq.x) , data=h_y_m_comuna_corr_01)
datos <- summary(linearMod)
dato <- datos$adj.r.squared
modelo <- "logarítmico"
sintaxis <- "linearMod <- lm( multi_pob~log(Freq.x) , data=h_y_m_comuna_corr_01)"
latex <- "$$ '\'hat Y = '\'beta_0 + '\'beta_1 ln X  $$"
modelos3 <- cbind(modelo,dato,sintaxis,latex)
 
### 8.5 Modelo con raíz cuadrada 
 
linearMod <- lm( multi_pob~sqrt(Freq.x) , data=h_y_m_comuna_corr_01)
datos <- summary(linearMod)
dato <- datos$adj.r.squared
modelo <- "raíz cuadrada"
sintaxis <- "linearMod <- lm( multi_pob~sqrt(Freq.x) , data=h_y_m_comuna_corr_01)"
latex <- "$$ '\'hat Y = '\'beta_0 + '\'beta_1  '\'sqrt {X}  $$"
modelos5 <- cbind(modelo,dato,sintaxis,latex)
 
### 8.6 Modelo raíz-raíz
 
linearMod <- lm( sqrt(multi_pob)~sqrt(Freq.x) , data=h_y_m_comuna_corr_01)
datos <- summary(linearMod)
dato <- datos$adj.r.squared
modelo <- "raíz-raíz"
sintaxis <- "linearMod <- lm( sqrt(multi_pob)~sqrt(Freq.x) , data=h_y_m_comuna_corr_01)"
latex <- "$$ '\'hat Y = {'\'beta_0}^2 + 2  '\'beta_0  '\'beta_1 '\'sqrt{X}+  '\'beta_1^2 X  $$"
modelos6 <- cbind(modelo,dato,sintaxis,latex)
 
### 8.7 Modelo log-raíz
 
linearMod <- lm( log(multi_pob)~sqrt(Freq.x) , data=h_y_m_comuna_corr_01)
datos <- summary(linearMod)
dato <- datos$adj.r.squared
modelo <- "log-raíz"
sintaxis <- "linearMod <- lm( log(multi_pob)~sqrt(Freq.x) , data=h_y_m_comuna_corr_01)"
latex <- "$$ '\'hat Y = e^{'\'beta_0 + '\'beta_1 '\'sqrt{X}} $$"
modelos7 <- cbind(modelo,dato,sintaxis,latex)
 
### 8.8 Modelo raíz-log
 
linearMod <- lm( sqrt(multi_pob)~log(Freq.x) , data=h_y_m_comuna_corr_01)
datos <- summary(linearMod)
dato <- datos$adj.r.squared
modelo <- "raíz-log"
sintaxis <- "linearMod <- lm( sqrt(multi_pob)~log(Freq.x) , data=h_y_m_comuna_corr_01)"
latex <- "$$ '\'hat Y = {'\'beta_0}^2 + 2  '\'beta_0  '\'beta_1 '\'ln{X}+  '\'beta_1^2 ln^2X  $$"
modelos8 <- cbind(modelo,dato,sintaxis,latex)
 
### 8.9 Modelo log-log
 
linearMod <- lm( log(multi_pob)~log(Freq.x) , data=h_y_m_comuna_corr_01)
datos <- summary(linearMod)
dato <- datos$adj.r.squared
modelo <- "log-log"
sintaxis <- "linearMod <- lm( log(multi_pob)~log(Freq.x) , data=h_y_m_comuna_corr_01)"
latex <- "$$ '\'hat Y = e^{'\'beta_0+'\'beta_1  ln{X}} $$"
modelos9 <- cbind(modelo,dato,sintaxis,latex)
 
modelos_bind <- rbind(modelos1,modelos2,modelos3,modelos5,modelos6,modelos7,modelos8,modelos9)
modelos_bind <- as.data.frame(modelos_bind)

modelos_bind <<- modelos_bind[order(modelos_bind$dato ),]
h_y_m_comuna_corr_01 <<- h_y_m_comuna_corr_01

kbl(modelos_bind) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
modelo dato sintaxis latex
3 logarítmico 0.718267567408481 linearMod <- lm( multi_pob~log(Freq.x) , data=h_y_m_comuna_corr_01) \[ ''hat Y = ''beta_0 + ''beta_1 ln X \]
7 raíz-log 0.876497778970446 linearMod <- lm( sqrt(multi_pob)~log(Freq.x) , data=h_y_m_comuna_corr_01) \[ ''hat Y = {''beta_0}^2 + 2 ''beta_0 ''beta_1 ''ln{X}+ ''beta_1^2 ln^2X \]
6 log-raíz 0.910576294314856 linearMod <- lm( log(multi_pob)~sqrt(Freq.x) , data=h_y_m_comuna_corr_01) \[ ''hat Y = e^{''beta_0 + ''beta_1 ''sqrt{X}} \]
4 raíz cuadrada 0.915843477150105 linearMod <- lm( multi_pob~sqrt(Freq.x) , data=h_y_m_comuna_corr_01) \[ ''hat Y = ''beta_0 + ''beta_1 ''sqrt {X} \]
1 cuadrático 0.962994255326296 linearMod <- lm( multi_pob~(Freq.x^2) , data=h_y_m_comuna_corr_01) \[ ''hat Y = ''beta_0 + ''beta_1 X^2 \]
2 cúbico 0.962994255326296 linearMod <- lm( multi_pob~(Freq.x^3) , data=h_y_m_comuna_corr_01) \[ ''hat Y = ''beta_0 + ''beta_1 X^3 \]
5 raíz-raíz 0.976821234550605 linearMod <- lm( sqrt(multi_pob)~sqrt(Freq.x) , data=h_y_m_comuna_corr_01) \[ ''hat Y = {''beta_0}^2 + 2 ''beta_0 ''beta_1 ''sqrt{X}+ ''beta_1^2 X \]
8 log-log 0.983850617976653 linearMod <- lm( log(multi_pob)~log(Freq.x) , data=h_y_m_comuna_corr_01) \[ ''hat Y = e^{''beta_0+''beta_1 ln{X}} \] 
h_y_m_comuna_corr <- h_y_m_comuna_corr_01
metodo <- 8


switch (metodo,
        case = linearMod <- lm( multi_pob~(Freq.x^2) , data=h_y_m_comuna_corr),
        case = linearMod <- lm( multi_pob~(Freq.x^3) , data=h_y_m_comuna_corr),
        case = linearMod <- lm( multi_pob~log(Freq.x) , data=h_y_m_comuna_corr),
        case = linearMod <- lm( multi_pob~sqrt(Freq.x) , data=h_y_m_comuna_corr),
        case = linearMod <- lm( sqrt(multi_pob)~sqrt(Freq.x) , data=h_y_m_comuna_corr),
        case = linearMod <- lm( log(multi_pob)~sqrt(Freq.x) , data=h_y_m_comuna_corr),
        case = linearMod <- lm( sqrt(multi_pob)~log(Freq.x) , data=h_y_m_comuna_corr),
        case = linearMod <- lm( log(multi_pob)~log(Freq.x) , data=h_y_m_comuna_corr)
)
summary(linearMod)
## 
## Call:
## lm(formula = log(multi_pob) ~ log(Freq.x), data = h_y_m_comuna_corr)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -0.32031 -0.06124 -0.00272  0.09362  0.37149 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 13.85126    0.13096  105.77   <2e-16 ***
## log(Freq.x)  1.00457    0.02115   47.49   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.1481 on 36 degrees of freedom
## Multiple R-squared:  0.9843, Adjusted R-squared:  0.9839 
## F-statistic:  2255 on 1 and 36 DF,  p-value: < 2.2e-16
aa <- linearMod$coefficients[1]
aa
## (Intercept) 
##    13.85126
bb <- linearMod$coefficients[2]
bb
## log(Freq.x) 
##    1.004565

9 Modelo log-log (log-log)

Es éste el modelo que nos entrega el mayor coeficiente de determinación de todos (0.9734).

9.1 Diagrama de dispersión sobre log-log

Desplegamos una curva suavizada por loess en el diagrama de dispersión.

scatter.smooth(x=log(h_y_m_comuna_corr$Freq.x), y=log(h_y_m_comuna_corr$multi_pob), lpars = list(col = "red", lwd = 2, lty = 1), main="multi_pob ~ Freq.x")

9.2 Modelo log-log

Observemos nuevamente el resultado sobre log-log.

linearMod <- lm(log( multi_pob)~log(Freq.x) , data=h_y_m_comuna_corr)
summary(linearMod) 
## 
## Call:
## lm(formula = log(multi_pob) ~ log(Freq.x), data = h_y_m_comuna_corr)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -0.32031 -0.06124 -0.00272  0.09362  0.37149 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 13.85126    0.13096  105.77   <2e-16 ***
## log(Freq.x)  1.00457    0.02115   47.49   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.1481 on 36 degrees of freedom
## Multiple R-squared:  0.9843, Adjusted R-squared:  0.9839 
## F-statistic:  2255 on 1 and 36 DF,  p-value: < 2.2e-16
ggplot(h_y_m_comuna_corr, aes(x = log(Freq.x) , y = log(multi_pob))) + geom_point() + stat_smooth(method = "lm", col = "red")

9.3 Análisis de residuos

par(mfrow = c (2,2))
plot(linearMod)

9.4 Ecuación del modelo


\[ \hat Y = e^{13.50912 +1.040405 \cdot ln{X}} \]


10 Aplicación la regresión a los valores de la variable a nivel de zona

Esta nueva variable se llamará: est_ing

h_y_m_comuna_corr$est_ing <- exp(aa+bb * log(h_y_m_comuna_corr$Freq.x))

r3_100 <- h_y_m_comuna_corr[c(1:100),]
kbl(r3_100) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
zona código.x Freq.x anio comuna.x promedio_i año comuna.y personas Ingresos_expandidos Freq.y p_poblacional código.y multi_pob est_ing
1 11101011001 11101 117 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 324 0.0056038 11101 105980486 123923962
2 11101011002 11101 392 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 1672 0.0289183 11101 546911646 417496492
3 11101011003 11101 172 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 499 0.0086305 11101 163223033 182499582
4 11101011004 11101 194 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 667 0.0115362 11101 218175878 205955698
5 11101011005 11101 335 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 977 0.0168979 11101 319576961 356533233
6 11101011006 11101 503 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 1595 0.0275866 11101 521724926 536326317
7 11101011007 11101 670 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 2251 0.0389325 11101 736302701 715326574
8 11101121001 11101 285 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 903 0.0156180 11101 295371541 303095559
9 11101121002 11101 1026 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 3281 0.0567470 11101 1073215975 1097543805
10 11101121003 11101 795 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 2413 0.0417344 11101 789292944 849446176
11 11101121004 11101 1201 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 3717 0.0642879 11101 1215831692 1285670765
12 11101121005 11101 693 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 2462 0.0425819 11101 805320857 739996583
13 11101121006 11101 746 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 2381 0.0411809 11101 778825735 796858901
14 11101121007 11101 921 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 3498 0.0605002 11101 1144196733 984736572
15 11101121008 11101 926 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 3334 0.0576637 11101 1090552290 990107064
16 11101131001 11101 543 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 1906 0.0329655 11101 623453109 579178820
17 11101131002 11101 963 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 3237 0.0559860 11101 1058823564 1029852772
18 11101131003 11101 994 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 3439 0.0594797 11101 1124897818 1063158611
19 11101131004 11101 1038 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 3238 0.0560033 11101 1059150664 1110439524
20 11101131005 11101 802 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 2580 0.0446228 11101 843918688 856959874
21 11101131006 11101 424 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 1524 0.0263586 11101 498500807 451739650
22 11101131007 11101 1068 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 3756 0.0649625 11101 1228588602 1142681782
23 11101991999 11101 128 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 301 0.0052060 11101 98457180 135630562
24 11201011001 11201 607 2017 Aysén 307831.4 2017 11201 23959 7375332218 2035 0.0849368 11201 626436874 647772418
25 11201011002 11201 977 2017 Aysén 307831.4 2017 11201 23959 7375332218 3187 0.1330189 11201 981058633 1044893522
26 11201011003 11201 981 2017 Aysén 307831.4 2017 11201 23959 7375332218 3870 0.1615259 11201 1191307470 1049191060
27 11201021001 11201 492 2017 Aysén 307831.4 2017 11201 23959 7375332218 1561 0.0651530 11201 480524796 524544556
28 11201041001 11201 682 2017 Aysén 307831.4 2017 11201 23959 7375332218 2623 0.1094787 11201 807441730 728197409
29 11201041002 11201 795 2017 Aysén 307831.4 2017 11201 23959 7375332218 2692 0.1123586 11201 828682096 849446176
30 11201041003 11201 789 2017 Aysén 307831.4 2017 11201 23959 7375332218 3034 0.1266330 11201 933960430 843006104
31 11201071001 11201 340 2017 Aysén 307831.4 2017 11201 23959 7375332218 1239 0.0517133 11201 381403089 361879100
32 11202011001 11202 804 2017 Cisnes 251971.0 2017 11202 6517 1642095149 2558 0.3925119 11202 644541874 859106700
33 11202021001 11202 452 2017 Cisnes 251971.0 2017 11202 6517 1642095149 1431 0.2195796 11202 360570532 481712133
34 11202991999 11202 25 2017 Cisnes 251971.0 2017 11202 6517 1642095149 125 0.0191806 11202 31496378 26293563
35 11301011001 11301 829 2017 Cochrane 350724.8 2017 11301 3490 1224029692 2789 0.7991404 11301 978171579 885944062
36 11301991999 11301 12 2017 Cochrane 350724.8 2017 11301 3490 1224029692 52 0.0148997 11301 18237692 12578689
37 11401011001 11401 966 2017 Chile Chico 333445.3 2017 11401 4865 1622211456 3129 0.6431655 11401 1043350389 1033075706
38 11401991999 11401 14 2017 Chile Chico 333445.3 2017 11401 4865 1622211456 33 0.0067831 11401 11003695 14685469
NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.1 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.2 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.3 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.4 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.5 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.6 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.7 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.8 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.9 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.10 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.11 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.12 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.13 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.14 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.15 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.16 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.17 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.18 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.19 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.20 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.21 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.22 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.23 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.24 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.25 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.26 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.27 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.28 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.29 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.30 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.31 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.32 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.33 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.34 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.35 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.36 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.37 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.38 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.39 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.40 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.41 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.42 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.43 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.44 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.45 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.46 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.47 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.48 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.49 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.50 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.51 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.52 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.53 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.54 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.55 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.56 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.57 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.58 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.59 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.60 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.61 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA


11 División del valor estimado entre la población total de la zona para obtener el ingreso medio por zona


\[ Ingreso \_ Medio\_zona = est\_ing / (personas * p\_poblacional) \]


h_y_m_comuna_corr$ing_medio_zona <- h_y_m_comuna_corr$est_ing  /( h_y_m_comuna_corr$personas  * h_y_m_comuna_corr$p_poblacional)

r3_100 <- h_y_m_comuna_corr[c(1:100),]
kbl(r3_100) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
zona código.x Freq.x anio comuna.x promedio_i año comuna.y personas Ingresos_expandidos Freq.y p_poblacional código.y multi_pob est_ing ing_medio_zona
1 11101011001 11101 117 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 324 0.0056038 11101 105980486 123923962 382481.4
2 11101011002 11101 392 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 1672 0.0289183 11101 546911646 417496492 249698.9
3 11101011003 11101 172 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 499 0.0086305 11101 163223033 182499582 365730.6
4 11101011004 11101 194 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 667 0.0115362 11101 218175878 205955698 308779.2
5 11101011005 11101 335 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 977 0.0168979 11101 319576961 356533233 364926.5
6 11101011006 11101 503 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 1595 0.0275866 11101 521724926 536326317 336254.7
7 11101011007 11101 670 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 2251 0.0389325 11101 736302701 715326574 317781.7
8 11101121001 11101 285 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 903 0.0156180 11101 295371541 303095559 335654.0
9 11101121002 11101 1026 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 3281 0.0567470 11101 1073215975 1097543805 334515.0
10 11101121003 11101 795 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 2413 0.0417344 11101 789292944 849446176 352029.1
11 11101121004 11101 1201 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 3717 0.0642879 11101 1215831692 1285670765 345889.4
12 11101121005 11101 693 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 2462 0.0425819 11101 805320857 739996583 300567.3
13 11101121006 11101 746 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 2381 0.0411809 11101 778825735 796858901 334674.0
14 11101121007 11101 921 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 3498 0.0605002 11101 1144196733 984736572 281514.2
15 11101121008 11101 926 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 3334 0.0576637 11101 1090552290 990107064 296972.7
16 11101131001 11101 543 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 1906 0.0329655 11101 623453109 579178820 303871.4
17 11101131002 11101 963 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 3237 0.0559860 11101 1058823564 1029852772 318150.4
18 11101131003 11101 994 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 3439 0.0594797 11101 1124897818 1063158611 309147.6
19 11101131004 11101 1038 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 3238 0.0560033 11101 1059150664 1110439524 342939.9
20 11101131005 11101 802 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 2580 0.0446228 11101 843918688 856959874 332155.0
21 11101131006 11101 424 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 1524 0.0263586 11101 498500807 451739650 296417.1
22 11101131007 11101 1068 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 3756 0.0649625 11101 1228588602 1142681782 304228.4
23 11101991999 11101 128 2017 Coyhaique 327100.3 2017 11101 57818 18912283227 301 0.0052060 11101 98457180 135630562 450599.9
24 11201011001 11201 607 2017 Aysén 307831.4 2017 11201 23959 7375332218 2035 0.0849368 11201 626436874 647772418 318315.7
25 11201011002 11201 977 2017 Aysén 307831.4 2017 11201 23959 7375332218 3187 0.1330189 11201 981058633 1044893522 327861.2
26 11201011003 11201 981 2017 Aysén 307831.4 2017 11201 23959 7375332218 3870 0.1615259 11201 1191307470 1049191060 271108.8
27 11201021001 11201 492 2017 Aysén 307831.4 2017 11201 23959 7375332218 1561 0.0651530 11201 480524796 524544556 336031.1
28 11201041001 11201 682 2017 Aysén 307831.4 2017 11201 23959 7375332218 2623 0.1094787 11201 807441730 728197409 277620.1
29 11201041002 11201 795 2017 Aysén 307831.4 2017 11201 23959 7375332218 2692 0.1123586 11201 828682096 849446176 315544.6
30 11201041003 11201 789 2017 Aysén 307831.4 2017 11201 23959 7375332218 3034 0.1266330 11201 933960430 843006104 277853.0
31 11201071001 11201 340 2017 Aysén 307831.4 2017 11201 23959 7375332218 1239 0.0517133 11201 381403089 361879100 292073.5
32 11202011001 11202 804 2017 Cisnes 251971.0 2017 11202 6517 1642095149 2558 0.3925119 11202 644541874 859106700 335850.9
33 11202021001 11202 452 2017 Cisnes 251971.0 2017 11202 6517 1642095149 1431 0.2195796 11202 360570532 481712133 336626.2
34 11202991999 11202 25 2017 Cisnes 251971.0 2017 11202 6517 1642095149 125 0.0191806 11202 31496378 26293563 210348.5
35 11301011001 11301 829 2017 Cochrane 350724.8 2017 11301 3490 1224029692 2789 0.7991404 11301 978171579 885944062 317656.5
36 11301991999 11301 12 2017 Cochrane 350724.8 2017 11301 3490 1224029692 52 0.0148997 11301 18237692 12578689 241897.9
37 11401011001 11401 966 2017 Chile Chico 333445.3 2017 11401 4865 1622211456 3129 0.6431655 11401 1043350389 1033075706 330161.6
38 11401991999 11401 14 2017 Chile Chico 333445.3 2017 11401 4865 1622211456 33 0.0067831 11401 11003695 14685469 445014.2
NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.1 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.2 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.3 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.4 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.5 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.6 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.7 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.8 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.9 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.10 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.11 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.12 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.13 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.14 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.15 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.16 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.17 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.18 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.19 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.20 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.21 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.22 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.23 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.24 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.25 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.26 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.27 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.28 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.29 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.30 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.31 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.32 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.33 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.34 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.35 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.36 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.37 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.38 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.39 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.40 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.41 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.42 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.43 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.44 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.45 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.46 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.47 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.48 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.49 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.50 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.51 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.52 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.53 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.54 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.55 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.56 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.57 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.58 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.59 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.60 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
NA.61 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA


Guardamos:

saveRDS(h_y_m_comuna_corr, "P03C/region_11_P03C_u.rds")