Correlaciones entre variables del CENSO de Viviendas, Hogares y Personas e Ingresos promedios comunales de la CASEN 2017.

VE-CC-AJ

DataIntelligence

Jueves 09-07-2021

1 Nivel nacional URBANO (código 1)

1.1 Pregunta P05: Origen del agua

Esta pregunta posee 4 categorias de respuesta:

1 Red pública
2 Pozo o noria
3 Camión aljibe
4 Río, vertiente, estero, canal, lago, etc.

Leemos las respuestas a la pregunta P05 del censo de viviendas 2017 y obtenemos la tabla de frecuencias por categoría:

tabla_con_clave <- readRDS("../censo_viviendas_con_clave_17.rds")
tabla_con_clave_u <- filter(tabla_con_clave, tabla_con_clave$AREA == 1)
b <- tabla_con_clave_u$COMUNA
c <- tabla_con_clave_u$P05
cross_tab =  xtabs( ~ unlist(b) + unlist(c))
tabla <- as.data.frame(cross_tab)
d <-tabla[!(tabla$Freq == 0),]
d$anio <- "2017"


categorias <- sort(unique(tabla_con_clave_u$P05 ))
categorias <- as.data.frame(categorias)
names(categorias)[1] <- "cat"

categorias <- filter(categorias, categorias$cat != 99)
categorias <- filter(categorias, categorias$cat != 98)

d_t <- filter(d,d$unlist.c. == categorias[1,1])
for(i in categorias[2,1]:categorias[nrow(categorias),1]){
  d_i <- filter(d,d$unlist.c. == i)
  d_t = merge( x = d_t, y = d_i, by = "unlist.b.", all.x = TRUE)
}
 
# Agregamos un cero a los códigos comunales de 4 dígitos, que queda en la columna llamada **código**:
codigos <- d_t$unlist.b.
rango <- seq(1:nrow(d_t))
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_t,cadena)
comuna_corr <- comuna_corr[,-c(1),drop=FALSE] 
 
names(comuna_corr)[ncol(comuna_corr)] <- "código"
 
quitar <- seq(3,(ncol(comuna_corr)-1),3)

comuna_corr <- comuna_corr[,-c(quitar),drop=FALSE]
names(comuna_corr )[2] <- "Red pública"
names(comuna_corr )[4] <- "Pozo o noria"
names(comuna_corr )[6] <- "Camión aljibe"
names(comuna_corr )[8] <- " Río, vertiente, estero, canal, lago, etc." 

renombrar <- seq(1,(ncol(comuna_corr)-2),2)
vv <- 0
for (v in renombrar) {
  vv <- vv+1
  contador <- paste0("categoria_",vv)
  names(comuna_corr )[v] <- contador
}
 
kbl(head(comuna_corr,50)) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
categoria_1 Red pública categoria_2 Pozo o noria categoria_3 Camión aljibe categoria_4 Río, vertiente, estero, canal, lago, etc. código
1 54612 2 22 3 57 4 15 01101
1 26433 2 75 3 1622 4 21 01107
1 2617 2 20 3 75 4 1 01401
1 327 2 3 3 15 4 5 01404
1 1106 2 132 3 28 4 5 01405
1 95652 2 151 3 1032 4 550 02101
1 2629 2 2 3 255 4 1 02102
1 2818 2 1 3 339 4 2 02104
1 44502 2 33 3 299 4 31 02201
1 1361 2 5 3 136 4 11 02203
1 7504 2 2 3 31 4 1 02301
1 1348 NA NA 3 2 NA NA 02302
1 42747 2 142 3 1351 4 31 03101
1 4544 2 8 3 272 NA NA 03102
1 2559 2 7 3 286 4 2 03103
1 3105 NA NA 3 150 4 2 03201
1 3902 2 1 3 311 4 5 03202
1 13501 2 22 3 141 4 51 03301
1 1231 2 7 3 137 4 6 03303
1 2663 2 5 3 151 4 3 03304
1 60898 2 310 3 90 4 61 04101
1 61957 2 266 3 769 4 73 04102
1 2962 2 8 3 66 4 7 04103
1 370 2 10 3 10 4 4 04104
1 5321 2 9 3 10 4 10 04106
1 6631 2 27 3 60 4 22 04201
1 621 2 5 3 69 4 3 04202
1 5656 2 37 3 35 4 19 04203
1 4753 2 47 3 180 4 11 04204
1 26376 2 59 3 110 4 57 04301
1 2046 2 12 3 15 4 8 04302
1 4691 2 14 3 80 4 8 04303
1 1737 2 62 3 92 4 6 04304
1 94666 2 452 3 1442 4 125 05101
1 5629 2 41 3 22 4 3 05102
1 12814 2 11 3 22 4 3 05103
1 3511 2 1146 3 682 4 14 05105
1 7196 2 1365 3 99 4 14 05107
1 114028 2 392 3 1051 4 139 05109
1 2247 2 23 3 11 4 5 05201
1 19133 2 14 3 52 4 7 05301
1 3200 2 94 3 10 4 3 05302
1 2440 2 25 3 2 4 3 05303
1 3586 2 17 3 4 4 15 05304
1 8289 2 208 3 52 4 19 05401
1 3788 2 19 3 11 4 4 05402
1 1737 2 8 3 3 4 3 05403
1 1351 2 54 3 23 4 1 05404
1 1564 2 83 3 4 4 4 05405
1 24708 2 102 3 47 4 33 05501

1.2 Generación de ingresos promedios a nivel urbano y su unión con la tabla de contingencia

ingresos_expandidos_2017 <- readRDS("Ingresos_expandidos_urbano_17.rds")
df_2017_2 = merge( x = comuna_corr, y = ingresos_expandidos_2017, by = "código", all.x = TRUE)
comuna_corr <- readRDS("cant_personas_17.rds")
df_2017_exp = merge( x = df_2017_2, y = comuna_corr, by = "código", all.x = TRUE)
df_2017_exp$Ingresos_expandidos <- df_2017_exp$promedio_i*df_2017_exp$personas
df_2017_exp <- filter(df_2017_exp, df_2017_exp$Ingresos_expandidos != 'is.na')
write_xlsx(df_2017_exp,"P05_urbano.xlsx")
kbl(head(df_2017_exp,50)) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
código categoria_1 Red pública categoria_2 Pozo o noria categoria_3 Camión aljibe categoria_4 Río, vertiente, estero, canal, lago, etc. comuna.x promedio_i año comuna.y personas Ingresos_expandidos
01101 1 54612 2 22 3 57 4 15 Iquique 375676.9 2017 1101 191468 71930106513
01107 1 26433 2 75 3 1622 4 21 Alto Hospicio 311571.7 2017 1107 108375 33766585496
01401 1 2617 2 20 3 75 4 1 Pozo Almonte 316138.5 2017 1401 15711 4966851883
01405 1 1106 2 132 3 28 4 5 Pica 330061.1 2017 1405 9296 3068247619
02101 1 95652 2 151 3 1032 4 550 Antofagasta 368221.4 2017 2101 361873 133249367039
02102 1 2629 2 2 3 255 4 1 Mejillones 369770.7 2017 2102 13467 4979702302
02104 1 2818 2 1 3 339 4 2 Taltal 383666.2 2017 2104 13317 5109282942
02201 1 44502 2 33 3 299 4 31 Calama 434325.1 2017 2201 165731 71981127235
02203 1 1361 2 5 3 136 4 11 San Pedro de Atacama 442861.0 2017 2203 10996 4869699464
02301 1 7504 2 2 3 31 4 1 Tocopilla 286187.2 2017 2301 25186 7207910819
02302 1 1348 NA NA 3 2 NA NA María Elena 477748.0 2017 2302 6457 3084818966
03101 1 42747 2 142 3 1351 4 31 Copiapó 343121.0 2017 3101 153937 52819016037
03102 1 4544 2 8 3 272 NA NA Caldera 318653.2 2017 3102 17662 5628052276
03103 1 2559 2 7 3 286 4 2 Tierra Amarilla 333194.9 2017 3103 14019 4671058718
03201 1 3105 NA NA 3 150 4 2 Chañaral 286389.3 2017 3201 12219 3499391196
03202 1 3902 2 1 3 311 4 5 Diego de Almagro 351583.9 2017 3202 13925 4895805596
03301 1 13501 2 22 3 141 4 51 Vallenar 315981.5 2017 3301 51917 16404810756
03303 1 1231 2 7 3 137 4 6 Freirina 289049.9 2017 3303 7041 2035200054
03304 1 2663 2 5 3 151 4 3 Huasco 337414.8 2017 3304 10149 3424422750
04101 1 60898 2 310 3 90 4 61 La Serena 279340.1 2017 4101 221054 61749247282
04102 1 61957 2 266 3 769 4 73 Coquimbo 269078.6 2017 4102 227730 61277269093
04103 1 2962 2 8 3 66 4 7 Andacollo 258539.7 2017 4103 11044 2855312920
04104 1 370 2 10 3 10 4 4 La Higuera 214257.0 2017 4104 4241 908664019
04106 1 5321 2 9 3 10 4 10 Vicuña 254177.0 2017 4106 27771 7058750373
04201 1 6631 2 27 3 60 4 22 Illapel 282139.3 2017 4201 30848 8703433491
04202 1 621 2 5 3 69 4 3 Canela 233397.3 2017 4202 9093 2122281844
04203 1 5656 2 37 3 35 4 19 Los Vilos 285214.0 2017 4203 21382 6098444926
04204 1 4753 2 47 3 180 4 11 Salamanca 262056.9 2017 4204 29347 7690585032
04301 1 26376 2 59 3 110 4 57 Ovalle 280373.5 2017 4301 111272 31197719080
04302 1 2046 2 12 3 15 4 8 Combarbalá 234537.3 2017 4302 13322 3124505460
04303 1 4691 2 14 3 80 4 8 Monte Patria 225369.1 2017 4303 30751 6930326684
04304 1 1737 2 62 3 92 4 6 Punitaqui 212496.1 2017 4304 10956 2328107498
05101 1 94666 2 452 3 1442 4 125 Valparaíso 306572.5 2017 5101 296655 90946261553
05102 1 5629 2 41 3 22 4 3 Casablanca 348088.6 2017 5102 26867 9352095757
05103 1 12814 2 11 3 22 4 3 Concón 333932.4 2017 5103 42152 14075920021
05105 1 3511 2 1146 3 682 4 14 Puchuncaví 296035.5 2017 5105 18546 5490274928
05107 1 7196 2 1365 3 99 4 14 Quintero 308224.7 2017 5107 31923 9839456903
05109 1 114028 2 392 3 1051 4 139 Viña del Mar 354715.9 2017 5109 334248 118563074323
05301 1 19133 2 14 3 52 4 7 Los Andes 355446.2 2017 5301 66708 23711104774
05302 1 3200 2 94 3 10 4 3 Calle Larga 246387.3 2017 5302 14832 3654416747
05303 1 2440 2 25 3 2 4 3 Rinconada 279807.9 2017 5303 10207 2855998928
05304 1 3586 2 17 3 4 4 15 San Esteban 219571.6 2017 5304 18855 4140022481
05401 1 8289 2 208 3 52 4 19 La Ligua 259482.3 2017 5401 35390 9183080280
05402 1 3788 2 19 3 11 4 4 Cabildo 262745.9 2017 5402 19388 5094117762
05403 1 1737 2 8 3 3 4 3 Papudo 302317.1 2017 5403 6356 1921527704
05404 1 1351 2 54 3 23 4 1 Petorca 237510.8 2017 5404 9826 2333781007
05405 1 1564 2 83 3 4 4 4 Zapallar 294389.2 2017 5405 7339 2160521991
05501 1 24708 2 102 3 47 4 33 Quillota 288694.2 2017 5501 90517 26131733924
05502 1 14896 2 149 3 127 4 17 Calera 282823.6 2017 5502 50554 14297866792
05503 1 3302 2 215 3 39 4 7 Hijuelas 268449.7 2017 5503 17988 4828872604

1.2.1 Estadísticas a nivel urbano

III <- seq(3,(ncol(df_2017_exp)-6),2)
df_2017_exp_subset <- df_2017_exp[,c(III,(ncol(df_2017_exp)))]
data_sum <- summary(df_2017_exp_subset)
kbl(head(data_sum)) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "500px")
Red pública Pozo o noria Camión aljibe Río, vertiente, estero, canal, lago, etc. Ingresos_expandidos
Min. : 278 Min. : 1.00 Min. : 1.00 Min. : 1.00 Min. :7.054e+08
1st Qu.: 1842 1st Qu.: 11.00 1st Qu.: 5.00 1st Qu.: 3.00 1st Qu.:2.954e+09
Median : 4484 Median : 37.00 Median : 15.00 Median : 8.00 Median :5.697e+09
Mean : 15214 Mean : 92.44 Mean : 74.11 Mean : 31.15 Mean :1.784e+10
3rd Qu.: 15837 3rd Qu.: 98.75 3rd Qu.: 52.00 3rd Qu.: 22.00 3rd Qu.:1.857e+10
Max. :162197 Max. :1365.00 Max. :1622.00 Max. :635.00 Max. :1.870e+11

1.3 Correlaciones

1.3.1 Kendall

III <- seq(3,(ncol(df_2017_exp)-6),2)
df_2017_exp_subset <- df_2017_exp[,c(III,(ncol(df_2017_exp)))]
chart.Correlation(df_2017_exp_subset, histogram=TRUE, method = c( "kendall"), pch=20)

1.3.2 Pearson

III <- seq(3,(ncol(df_2017_exp)-6),2)
df_2017_exp_subset <- df_2017_exp[,c(III,(ncol(df_2017_exp)))]
chart.Correlation(df_2017_exp_subset, histogram=TRUE, method = c( "pearson"), pch=20)

1.3.3 Spearman

III <- seq(3,(ncol(df_2017_exp)-6),2)
df_2017_exp_subset <- df_2017_exp[,c(III,(ncol(df_2017_exp)))]
chart.Correlation(df_2017_exp_subset, histogram=TRUE, method = c( "spearman"), pch=20)

2 Nivel nacional RURAL (código 2)

2.1 Pregunta P05: Ocupación de la vivienda

Leemos las respuestas a la pregunta P05 del censo de viviendas 2017 y obtenemos la tabla de frecuencias por categoría:

tabla_con_clave <- readRDS("../censo_viviendas_con_clave_17.rds")
tabla_con_clave_u <- filter(tabla_con_clave, tabla_con_clave$AREA == 2)
b <- tabla_con_clave_u$COMUNA
c <- tabla_con_clave_u$P05
cross_tab =  xtabs( ~ unlist(b) + unlist(c))
tabla <- as.data.frame(cross_tab)
d <-tabla[!(tabla$Freq == 0),]
d$anio <- "2017"


categorias <- sort(unique(tabla_con_clave_u$P05 ))
categorias <- as.data.frame(categorias)
names(categorias)[1] <- "cat"

categorias <- filter(categorias, categorias$cat != 99)
categorias <- filter(categorias, categorias$cat != 98)

d_t <- filter(d,d$unlist.c. == categorias[1,1])
for(i in categorias[2,1]:categorias[nrow(categorias),1]){
  d_i <- filter(d,d$unlist.c. == i)
  d_t = merge( x = d_t, y = d_i, by = "unlist.b.", all.x = TRUE)
}
 
# Agregamos un cero a los códigos comunales de 4 dígitos, que queda en la columna llamada **código**:
codigos <- d_t$unlist.b.
rango <- seq(1:nrow(d_t))
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_t,cadena)
comuna_corr <- comuna_corr[,-c(1),drop=FALSE] 
 
names(comuna_corr)[ncol(comuna_corr)] <- "código"
 
quitar <- seq(3,(ncol(comuna_corr)-1),3)

comuna_corr <- comuna_corr[,-c(quitar),drop=FALSE]
names(comuna_corr )[2] <- "Red pública"
names(comuna_corr )[4] <- "Pozo o noria"
names(comuna_corr )[6] <- "Camión aljibe"
names(comuna_corr )[8] <- " Río, vertiente, estero, canal, lago, etc." 

renombrar <- seq(1,(ncol(comuna_corr)-2),2)
vv <- 0
for (v in renombrar) {
  vv <- vv+1
  contador <- paste0("categoria_",vv)
  names(comuna_corr )[v] <- contador
}
 
kbl(head(comuna_corr,50)) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
categoria_1 Red pública categoria_2 Pozo o noria categoria_3 Camión aljibe categoria_4 Río, vertiente, estero, canal, lago, etc. código
1 337 2 8 3 409 4 12 01101
1 8 2 2 3 34 NA NA 01107
1 689 2 370 3 209 4 66 01401
1 352 2 10 3 4 4 92 01402
1 177 2 23 3 1 4 252 01403
1 229 2 82 3 50 4 225 01404
1 204 2 69 3 28 4 23 01405
1 96 NA NA 3 192 4 21 02101
1 56 2 1 3 77 4 1 02102
1 331 NA NA 3 9 4 1 02103
1 37 2 1 3 256 4 4 02104
1 378 2 21 3 452 4 102 02201
1 83 NA NA 3 10 NA NA 02202
1 1141 2 32 3 48 4 104 02203
1 449 2 233 3 256 4 16 03101
1 258 2 8 3 517 4 8 03102
1 341 2 151 3 381 4 56 03103
1 229 2 4 3 175 4 1 03201
1 203 NA NA 3 36 4 8 03202
1 955 2 127 3 478 4 358 03301
1 1405 2 102 3 107 4 127 03302
1 462 2 57 3 322 4 18 03303
1 199 2 110 3 176 4 10 03304
1 2840 2 1147 3 1262 4 465 04101
1 2151 2 939 3 837 4 111 04102
1 79 2 80 3 218 4 27 04103
1 741 2 145 3 155 4 14 04104
1 1403 2 14 3 29 4 144 04105
1 2884 2 191 3 151 4 127 04106
1 2152 2 487 3 466 4 256 04201
1 1283 2 463 3 585 4 345 04202
1 606 2 292 3 338 4 198 04203
1 3125 2 148 3 250 4 144 04204
1 5235 2 951 3 1473 4 173 04301
1 1620 2 434 3 537 4 171 04302
1 4382 2 295 3 433 4 251 04303
1 751 2 494 3 449 4 133 04304
1 1435 2 61 3 82 4 80 04305
1 21 2 95 3 150 4 11 05101
1 1612 2 1201 3 108 4 26 05102
1 237 2 118 3 416 4 5 05103
1 307 2 4 NA NA 4 38 05104
1 394 2 363 3 170 4 39 05105
1 374 2 1060 3 93 4 63 05107
1 62 2 11 3 48 4 13 05201
1 859 2 172 3 38 4 147 05301
1 1092 2 145 3 66 4 13 05302
1 509 2 65 3 76 4 12 05303
1 1963 2 204 3 51 4 200 05304
1 2445 2 356 3 346 4 48 05401

2.2 Generación de ingresos promedios a nivel rural y su unión con la tabla de contingencia

ingresos_expandidos_2017 <- readRDS("Ingresos_expandidos_rural_17.rds")
df_2017_2 = merge( x = comuna_corr, y = ingresos_expandidos_2017, by = "código", all.x = TRUE)
comuna_corr <- readRDS("cant_personas_17.rds")
df_2017_exp = merge( x = df_2017_2, y = comuna_corr, by = "código", all.x = TRUE)
df_2017_exp$Ingresos_expandidos <- df_2017_exp$promedio_i*df_2017_exp$personas
df_2017_exp <- filter(df_2017_exp, df_2017_exp$Ingresos_expandidos != 'is.na')
write_xlsx(df_2017_exp,"P05_rural.xlsx")
kbl(head(df_2017_exp,50)) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
código categoria_1 Red pública categoria_2 Pozo o noria categoria_3 Camión aljibe categoria_4 Río, vertiente, estero, canal, lago, etc. comuna.x promedio_i año comuna.y personas Ingresos_expandidos
01101 1 337 2 8 3 409 4 12 Iquique 272529.7 2017 1101 191468 52180713221
01401 1 689 2 370 3 209 4 66 Pozo Almonte 243272.4 2017 1401 15711 3822052676
01402 1 352 2 10 3 4 4 92 Camiña 226831.0 2017 1402 1250 283538750
01404 1 229 2 82 3 50 4 225 Huara 236599.7 2017 1404 2730 645917134
01405 1 204 2 69 3 28 4 23 Pica 269198.0 2017 1405 9296 2502464414
02103 1 331 NA NA 3 9 4 1 Sierra Gorda 322997.9 2017 2103 10186 3290056742
02104 1 37 2 1 3 256 4 4 Taltal 288653.8 2017 2104 13317 3844002134
02201 1 378 2 21 3 452 4 102 Calama 238080.9 2017 2201 165731 39457387800
02203 1 1141 2 32 3 48 4 104 San Pedro de Atacama 271472.6 2017 2203 10996 2985112297
03101 1 449 2 233 3 256 4 16 Copiapó 251396.0 2017 3101 153937 38699138722
03103 1 341 2 151 3 381 4 56 Tierra Amarilla 287819.4 2017 3103 14019 4034940816
03202 1 203 NA NA 3 36 4 8 Diego de Almagro 326439.0 2017 3202 13925 4545663075
03301 1 955 2 127 3 478 4 358 Vallenar 217644.6 2017 3301 51917 11299454698
03302 1 1405 2 102 3 107 4 127 Alto del Carmen 196109.9 2017 3302 5299 1039186477
03303 1 462 2 57 3 322 4 18 Freirina 202463.8 2017 3303 7041 1425547554
03304 1 199 2 110 3 176 4 10 Huasco 205839.6 2017 3304 10149 2089066548
04101 1 2840 2 1147 3 1262 4 465 La Serena 200287.4 2017 4101 221054 44274327972
04102 1 2151 2 939 3 837 4 111 Coquimbo 206027.8 2017 4102 227730 46918711304
04103 1 79 2 80 3 218 4 27 Andacollo 217096.4 2017 4103 11044 2397612293
04104 1 741 2 145 3 155 4 14 La Higuera 231674.2 2017 4104 4241 982530309
04105 1 1403 2 14 3 29 4 144 Paiguano 174868.5 2017 4105 4497 786383423
04106 1 2884 2 191 3 151 4 127 Vicuña 169077.1 2017 4106 27771 4695441470
04201 1 2152 2 487 3 466 4 256 Illapel 165639.6 2017 4201 30848 5109649759
04202 1 1283 2 463 3 585 4 345 Canela 171370.3 2017 4202 9093 1558270441
04203 1 606 2 292 3 338 4 198 Los Vilos 173238.5 2017 4203 21382 3704185607
04204 1 3125 2 148 3 250 4 144 Salamanca 193602.0 2017 4204 29347 5681637894
04301 1 5235 2 951 3 1473 4 173 Ovalle 230819.8 2017 4301 111272 25683781418
04302 1 1620 2 434 3 537 4 171 Combarbalá 172709.2 2017 4302 13322 2300832587
04303 1 4382 2 295 3 433 4 251 Monte Patria 189761.6 2017 4303 30751 5835357638
04304 1 751 2 494 3 449 4 133 Punitaqui 165862.0 2017 4304 10956 1817183694
04305 1 1435 2 61 3 82 4 80 Río Hurtado 182027.2 2017 4305 4278 778712384
05101 1 21 2 95 3 150 4 11 Valparaíso 251998.5 2017 5101 296655 74756602991
05102 1 1612 2 1201 3 108 4 26 Casablanca 252317.7 2017 5102 26867 6779018483
05105 1 394 2 363 3 170 4 39 Puchuncaví 231606.0 2017 5105 18546 4295363979
05107 1 374 2 1060 3 93 4 63 Quintero 285125.8 2017 5107 31923 9102071069
05301 1 859 2 172 3 38 4 147 Los Andes 280548.0 2017 5301 66708 18714795984
05302 1 1092 2 145 3 66 4 13 Calle Larga 234044.6 2017 5302 14832 3471349123
05303 1 509 2 65 3 76 4 12 Rinconada 246136.9 2017 5303 10207 2512319225
05304 1 1963 2 204 3 51 4 200 San Esteban 211907.3 2017 5304 18855 3995512770
05401 1 2445 2 356 3 346 4 48 La Ligua 172675.9 2017 5401 35390 6111000517
05402 1 1815 2 425 3 3 4 33 Cabildo 212985.0 2017 5402 19388 4129354103
05404 1 1658 2 174 3 86 4 81 Petorca 270139.8 2017 5404 9826 2654393853
05405 1 440 2 238 3 100 4 26 Zapallar 235661.4 2017 5405 7339 1729518700
05501 1 2360 2 1196 3 76 4 40 Quillota 212067.6 2017 5501 90517 19195726144
05502 1 449 2 131 3 8 4 11 Calera 226906.2 2017 5502 50554 11471016698
05503 1 1483 2 439 3 95 4 16 Hijuelas 215402.0 2017 5503 17988 3874650405
05504 1 557 2 239 3 3 4 19 La Cruz 243333.4 2017 5504 22098 5377180726
05506 1 693 2 322 3 43 4 39 Nogales 219800.7 2017 5506 22120 4861992055
05601 1 992 2 465 3 141 4 50 San Antonio 230261.5 2017 5601 91350 21034388728
05602 1 73 2 792 3 194 4 17 Algarrobo 218057.0 2017 5602 13817 3012893845

2.2.1 Estadísticas a nivel Rural

III <- seq(3,(ncol(df_2017_exp)-6),2)
df_2017_exp_subset <- df_2017_exp[,c(III,(ncol(df_2017_exp)))]
data_sum <- summary(df_2017_exp_subset)
kbl(head(data_sum)) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "500px")
Red pública Pozo o noria Camión aljibe Río, vertiente, estero, canal, lago, etc. Ingresos_expandidos
Min. : 8 Min. : 1.0 Min. : 1.0 Min. : 1.00 Min. :2.792e+08
1st Qu.: 440 1st Qu.: 177.0 1st Qu.: 46.5 1st Qu.: 33.75 1st Qu.:1.817e+09
Median : 874 Median : 419.0 Median : 102.5 Median : 129.00 Median :3.604e+09
Mean :1310 Mean : 695.5 Mean : 175.2 Mean : 293.00 Mean :8.276e+09
3rd Qu.:1771 3rd Qu.: 943.0 3rd Qu.: 209.2 3rd Qu.: 375.25 3rd Qu.:7.285e+09
Max. :9046 Max. :11255.0 Max. :1824.0 Max. :3365.00 Max. :7.585e+10

2.3 Correlaciones

2.3.1 Kendall

III <- seq(3,(ncol(df_2017_exp)-6),2)
df_2017_exp_subset <- df_2017_exp[,c(III,(ncol(df_2017_exp)))]
chart.Correlation(df_2017_exp_subset, histogram=TRUE, method = c( "kendall"), pch=20)

2.3.2 Pearson

III <- seq(3,(ncol(df_2017_exp)-6),2)
df_2017_exp_subset <- df_2017_exp[,c(III,(ncol(df_2017_exp)))]
chart.Correlation(df_2017_exp_subset, histogram=TRUE, method = c( "pearson"), pch=20)

2.3.3 Spearman

III <- seq(3,(ncol(df_2017_exp)-6),2)
df_2017_exp_subset <- df_2017_exp[,c(III,(ncol(df_2017_exp)))]
chart.Correlation(df_2017_exp_subset, histogram=TRUE, method = c( "spearman"), pch=20)