1 Nivel nacional URBANO (código 1)
1.1 Antecedentes Pregunta TIPO_OPERATIVO:
POBLACIÓN TOTAL POR TIPO DE OPERATIVO En este tabulado se presenta la cantidad de personas efectivamente censadas de acuerdo al tipo de operativo en que fueron censadas. Es decir, se muestra la cantidad de población censada en viviendas particulares ocupadas con moradores presentes, en viviendas colectivas, en operativo especial de tránsito y en operativo especial calle.
Población efectivamente censada: Corresponde al total de personas que fueron censadas en los distintos operativos de empadronamiento, es decir, viviendas particulares ocupadas con moradores presentes, viviendas colectivas, operativo especial tránsito y operativo especial calle.
Personas en viviendas particulares ocupadas con moradores presentes: Corresponde a aquellas personas que fueron censadas en viviendas dentro de una propiedad, destinada total o parcialmente a la habitación permanente o temporal de personas. Para ser considerada vivienda particular, debe necesariamente disponer de acceso independiente para sus moradores. El concepto de propiedad no hace alusión a la propiedad legal, sino que se refiere a un espacio geográfico con límites reconocibles, en el que se ubica una o más viviendas particulares.
Personas en otros operativos: Hace alusión a aquellas personas que fueron censadas a través de alguno de los operativos adicionales al de viviendas particulares. Estos son: operativo de viviendas colectivas, operativo especial tránsito y operativo especial calle.
El objetivo de estos operativos fue censar a las personas que pasaron el momento censal (00:00 horas del 19 de abril de 2017) en territorio nacional, pero que no alojaron esa noche en una vivienda particular.
1.2 Las categorías de respuesta:
Esta pregunta posee 4 categorías de respuesta:
1 Hogar en vivienda particular
8 Vivienda colectiva (no es hogar)
9 Operativo personas en tránsito (no es hogar)
10 Operativo calle (no es hogar)
Leemos las respuestas a la pregunta TIPO_OPERATIVO del censo de viviendas 2017 y obtenemos la tabla de frecuencias por categoría:
URBANO
tabla_con_clave <- readRDS("censos/censo_hogares_con_clave_17")
tabla_con_clave_u <- filter(tabla_con_clave, tabla_con_clave$AREA == 1)
b <- tabla_con_clave_u$COMUNA
c <- tabla_con_clave_u$TIPO_OPERATIVO
cross_tab = xtabs( ~ unlist(b) + unlist(c))
tabla <- as.data.frame(cross_tab)
d <-tabla[!(tabla$Freq == 0),]
d$anio <- "2017"# apilamos:
d_t <- filter(d,d$unlist.c. == 1)
for(i in c(8,9,10)){
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"names(comuna_corr)[1] <- "Hogar en vivienda particular"
names(comuna_corr)[2] <- "Vivienda colectiva (no es hogar)"
names(comuna_corr)[3] <- "Operativo personas en tránsito (no es hogar)"
names(comuna_corr)[4] <- "Operativo calle (no es hogar)"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)
df_2017_2 <- df_2017_2[,-c(6)]
df_2017_3 <- df_2017_2 kbl(head(df_2017_2)) %>%
kable_styling(bootstrap_options = c("striped", "hover")) %>%
kable_paper() %>%
scroll_box(width = "100%", height = "500px")| código | Hogar en vivienda particular | Vivienda colectiva (no es hogar) | Operativo personas en tránsito (no es hogar) | Operativo calle (no es hogar) | ingresos_expandidos |
|---|---|---|---|---|---|
| 01101 | 59435 | 236 | 1 | 1 | 71930106513 |
| 01107 | 29652 | 11 | NA | 1 | 33766585496 |
| 01401 | 2829 | 22 | 1 | NA | 4966851883 |
| 01404 | 358 | 3 | NA | NA | NA |
| 01405 | 1313 | 13 | NA | NA | 3068247619 |
| 02101 | 105521 | 164 | 1 | 1 | 133249367039 |
1.2.0.1 Tabla a correlacionar:
1.2.0.2 Estadísticos básicos de nuestras frecuencias
data_sum <- summary(comuna_corr)
kbl(head(data_sum)) %>%
kable_styling(bootstrap_options = c("striped", "hover")) %>%
kable_paper() %>%
scroll_box(width = "100%", height = "500px")| código | Hogar en vivienda particular | Vivienda colectiva (no es hogar) | Operativo personas en tránsito (no es hogar) | Operativo calle (no es hogar) | ingresos_expandidos | |
|---|---|---|---|---|---|---|
| Length:319 | Min. : 320 | Min. : 1.00 | Min. :1 | Min. :1 | Min. :7.054e+08 | |
| Class :character | 1st Qu.: 1842 | 1st Qu.: 6.00 | 1st Qu.:1 | 1st Qu.:1 | 1st Qu.:2.954e+09 | |
| Mode :character | Median : 4522 | Median : 11.50 | Median :1 | Median :1 | Median :5.697e+09 | |
| NA | Mean : 15524 | Mean : 32.41 | Mean :1 | Mean :1 | Mean :1.784e+10 | |
| NA | 3rd Qu.: 15622 | 3rd Qu.: 30.00 | 3rd Qu.:1 | 3rd Qu.:1 | 3rd Qu.:1.857e+10 | |
| NA | Max. :173881 | Max. :365.00 | Max. :1 | Max. :1 | Max. :1.870e+11 |
1.2.0.3 Gráficas:
library(plotly)
df_2017_fig <- df_2017_exp_subset
df_2017_fig <- mutate_all(df_2017_fig, ~replace(., is.na(.), -99))fig <- plot_ly(df_2017_fig, x = df_2017_fig$código, y = df_2017_fig[,2]
, name = colnames(df_2017_fig[2]), type = 'scatter', mode = 'lines',
width=7000, height=400)
grafica_fn <- function(g){
fig <<- fig %>% add_trace(y = ~df_2017_fig[,g]
, name = colnames(df_2017_fig[g]), mode = 'lines',
width=7000, height=400)
}
for (g in 3:(ncol(df_2017_fig))) {
grafica_fn(g)
}
fig <- fig %>% layout(autosize = T)
fig 2 \(\tau\) de Kendall
df_2017_4 <- df_2017_3[,-c(1,4,5)]
df_2017_2 <- df_2017_4
df_2017_2f <- filter(df_2017_2, df_2017_2$ingresos_expandidos != 'is.na')
my_data <- df_2017_2f[,-c(3)]
tabla <- cor(x=my_data, y=df_2017_2f$ingresos_expandidos, method=c("kendall"), use = "pairwise")
tabla <- as.data.frame(tabla)
saveRDS(tabla,"C_TIPO_OPERATIVO_URB.rds")
names(tabla)[1] <- "Correlación"
saveRDS(tabla,"tablas_de_corr/C_TIPO_OPERATIVO_URBANO.rds")
tabla %>% rownames_to_column("Tipo de operativo")%>%
mutate(Correlación = cell_spec(Correlación, background=ifelse(Correlación == max(Correlación), "#fc0303", "#5cb81f"))) %>%
kbl(booktabs = T, linesep = "", escape=FALSE) %>%
kable_paper(full_width = F) %>%
column_spec(1, color = "black")%>%
column_spec(2, color = "white")| Tipo de operativo | Correlación |
|---|---|
| Hogar en vivienda particular | 0.860283755002406 |
| Vivienda colectiva (no es hogar) | 0.513870008636653 |
2.1 Kendall
2.3 Spearman
RURAL
tabla_con_clave <- readRDS("censos/censo_hogares_con_clave_17")
tabla_con_clave_u <- filter(tabla_con_clave, tabla_con_clave$AREA == 2)
b <- tabla_con_clave_u$COMUNA
c <- tabla_con_clave_u$TIPO_OPERATIVO
cross_tab = xtabs( ~ unlist(b) + unlist(c))
tabla <- as.data.frame(cross_tab)
d <-tabla[!(tabla$Freq == 0),]
d$anio <- "2017"# apilamos:
d_t <- filter(d,d$unlist.c. == 1)
for(i in c(8,9,10)){
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"names(comuna_corr)[1] <- "Hogar en vivienda particular"
names(comuna_corr)[2] <- "Vivienda colectiva (no es hogar)"
names(comuna_corr)[3] <- "Operativo personas en tránsito (no es hogar)"
names(comuna_corr)[4] <- "Operativo calle (no es hogar)"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)
df_2017_2 <- df_2017_2[,-c(6)]
df_2017_3 <- df_2017_2 kbl(head(df_2017_2)) %>%
kable_styling(bootstrap_options = c("striped", "hover")) %>%
kable_paper() %>%
scroll_box(width = "100%", height = "500px")| código | Hogar en vivienda particular | Vivienda colectiva (no es hogar) | Operativo personas en tránsito (no es hogar) | Operativo calle (no es hogar) | ingresos_expandidos |
|---|---|---|---|---|---|
| 01101 | 791 | 25 | NA | NA | 52180713221 |
| 01107 | 47 | 5 | NA | NA | NA |
| 01401 | 1359 | 20 | NA | NA | 3822052676 |
| 01402 | 484 | 4 | NA | NA | 283538750 |
| 01403 | 488 | 5 | 1 | NA | NA |
| 01404 | 607 | 5 | NA | NA | 645917134 |
2.3.0.1 Tabla a correlacionar:
2.3.0.2 Estadísticos básicos de nuestras frecuencias
data_sum <- summary(comuna_corr)
kbl(head(data_sum)) %>%
kable_styling(bootstrap_options = c("striped", "hover")) %>%
kable_paper() %>%
scroll_box(width = "100%", height = "500px")| código | Hogar en vivienda particular | Vivienda colectiva (no es hogar) | Operativo personas en tránsito (no es hogar) | Operativo calle (no es hogar) | ingresos_expandidos | |
|---|---|---|---|---|---|---|
| Length:319 | Min. : 3.0 | Min. : 1.000 | Min. :1 | Min. : NA | Min. :2.792e+08 | |
| Class :character | 1st Qu.: 883.5 | 1st Qu.: 2.000 | 1st Qu.:1 | 1st Qu.: NA | 1st Qu.:1.809e+09 | |
| Mode :character | Median : 1750.0 | Median : 5.000 | Median :1 | Median : NA | Median :3.546e+09 | |
| NA | Mean : 2192.3 | Mean : 8.859 | Mean :1 | Mean :NaN | Mean :8.206e+09 | |
| NA | 3rd Qu.: 2978.5 | 3rd Qu.:11.000 | 3rd Qu.:1 | 3rd Qu.: NA | 3rd Qu.:7.252e+09 | |
| NA | Max. :16405.0 | Max. :84.000 | Max. :1 | Max. : NA | Max. :7.585e+10 |
2.3.0.3 Gráficas:
library(plotly)
df_2017_fig <- df_2017_exp_subset
df_2017_fig <- mutate_all(df_2017_fig, ~replace(., is.na(.), -99))fig <- plot_ly(df_2017_fig, x = df_2017_fig$código, y = df_2017_fig[,2]
, name = colnames(df_2017_fig[2]), type = 'scatter', mode = 'lines',
width=7000, height=400)
grafica_fn <- function(g){
fig <<- fig %>% add_trace(y = ~df_2017_fig[,g]
, name = colnames(df_2017_fig[g]), mode = 'lines',
width=7000, height=400)
}
for (g in 3:(ncol(df_2017_fig))) {
grafica_fn(g)
}
fig <- fig %>% layout(autosize = T)
fig 3 \(\tau\) de Kendall
tabla <- cor(x=my_data, y=df_2017_2f$ingresos_expandidos, method=c("kendall"), use = "pairwise")
tabla ## [,1]
## Hogar en vivienda particular 0.3239732
## Vivienda colectiva (no es hogar) 0.0934850tabla <- as.data.frame(tabla)
names(tabla)[1] <- "Correlación"
saveRDS(tabla,"tablas_de_corr/C_P01_RURAL.rds")
tabla %>% rownames_to_column("Tipo de vivienda")%>%
mutate(Correlación = cell_spec(Correlación, background=ifelse(Correlación == max(Correlación), "#fc0303", "#5cb81f"))) %>%
kbl(booktabs = T, linesep = "", escape=FALSE) %>%
kable_paper(full_width = F) %>%
column_spec(1, color = "black")%>%
column_spec(2, color = "white")| Tipo de vivienda | Correlación |
|---|---|
| Hogar en vivienda particular | 0.323973174745707 |
| Vivienda colectiva (no es hogar) | 0.0934850007284526 |
3.1 Kendall
