Expansión de la CASEN sobre el CENSO (Región 07)

ESCOLARIDAD ESCOLARIDAD: Correlación: 0.724

VE-CC-AJ

DataIntelligence

date: 20-07-2021


1 Generación de ingresos expandidos a nivel Urbano

En los siguientes rpubs sólo llamaremos al rds ya construído llamado “Ingresos_expandidos_rural_17.rds”:

1.1 Variable CENSO

Necesitamos calcular las frecuencias a nivel censal de las respuestas correspondientes a la categoría: “ESCOLARIDAD” del campo ESCOLARIDAD del Censo de personas. Recordemos que ésta fué la más alta correlación en relación a los ingresos expandidos (ver punto 2 Correlaciones aquí).

1.1.1 Lectura y filtrado de la tabla censal de personas

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

tabla_con_clave <- readRDS("../censo_personas_con_clave_17")
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 NHOGAR PERSONAN P07 P08 P09 P10 P10COMUNA P10PAIS P11 P11COMUNA P11PAIS P12 P12COMUNA P12PAIS P12A_LLEGADA P12A_TRAMO P13 P14 P15 P15A P16 P16A P16A_OTRO P17 P18 P19 P20 P21M P21A P10PAIS_GRUPO P11PAIS_GRUPO P12PAIS_GRUPO ESCOLARIDAD P16A_GRUPO REGION_15R PROVINCIA_15R COMUNA_15R P10COMUNA_15R P11COMUNA_15R P12COMUNA_15R clave
15 152 15202 1 2 6 13225 1 1 1 1 1 73 1 98 998 3 15101 998 1 98 998 9998 98 2 4 6 2 1 2 98 7 98 98 98 98 9998 998 998 998 4 2 15 152 15202 98 15101 98 15202012006
15 152 15202 1 2 6 13225 3 1 1 1 1 78 1 98 998 2 98 998 1 98 998 9998 98 3 98 98 98 1 2 98 7 98 98 98 98 9998 998 998 998 0 2 15 152 15202 98 98 98 15202012006
15 152 15202 1 2 6 13225 3 1 2 2 2 78 1 98 998 2 98 998 1 98 998 9998 98 3 98 98 98 1 2 98 7 98 1 1 3 1965 998 998 998 0 2 15 152 15202 98 98 98 15202012006
15 152 15202 1 2 6 13225 3 1 3 5 2 52 1 98 998 2 98 998 1 98 998 9998 98 1 2 5 2 1 2 98 7 98 2 1 4 1995 998 998 998 2 2 15 152 15202 98 98 98 15202012006
15 152 15202 1 2 6 13225 3 1 4 11 1 44 1 98 998 2 98 998 1 98 998 9998 98 1 3 5 2 1 2 98 1 Z 98 98 98 9998 998 998 998 3 2 15 152 15202 98 98 98 15202012006
15 152 15202 1 2 6 13225 9 1 1 1 1 39 1 98 998 2 98 998 1 98 998 9998 98 2 8 5 1 1 2 98 8 98 98 98 98 9998 998 998 998 8 2 15 152 15202 98 98 98 15202012006
15 152 15202 1 2 6 13225 9 1 2 2 2 35 1 98 998 2 98 998 1 98 998 9998 98 2 6 5 2 1 2 98 1 Z 2 2 11 2004 998 998 998 6 2 15 152 15202 98 98 98 15202012006
15 152 15202 1 2 6 13225 9 1 3 5 1 13 1 98 998 2 98 998 1 98 998 9998 98 1 7 5 2 1 2 98 98 98 98 98 98 9998 998 998 998 7 2 15 152 15202 98 98 98 15202012006
15 152 15202 1 2 6 13225 9 1 4 5 1 12 1 98 998 2 98 998 1 98 998 9998 98 1 6 5 2 1 2 98 98 98 98 98 98 9998 998 998 998 6 2 15 152 15202 98 98 98 15202012006
15 152 15202 1 2 6 13225 10 1 1 1 2 65 1 98 998 2 98 998 1 98 998 9998 98 2 4 5 2 1 2 98 6 98 3 3 9 1992 998 998 998 4 2 15 152 15202 98 98 98 15202012006
15 152 15202 1 2 6 13225 13 1 1 1 1 50 1 98 998 2 98 998 1 98 998 9998 98 2 5 5 2 1 2 98 1 Z 98 98 98 9998 998 998 998 5 2 15 152 15202 98 98 98 15202012006
15 152 15202 1 2 6 13225 13 1 2 4 2 43 1 98 998 2 98 998 1 98 998 9998 98 2 6 5 2 1 2 98 6 98 2 2 3 2002 998 998 998 6 2 15 152 15202 98 98 98 15202012006
15 152 15202 1 2 6 13225 13 1 3 5 1 15 3 15201 998 2 98 998 1 98 998 9998 98 1 1 7 2 1 2 98 8 98 98 98 98 9998 998 998 998 9 2 15 152 15202 15201 98 98 15202012006
15 152 15202 1 2 6 13225 16 1 1 1 1 75 1 98 998 2 98 998 1 98 998 9998 98 3 98 98 98 1 2 98 7 98 98 98 98 9998 998 998 998 0 2 15 152 15202 98 98 98 15202012006
15 152 15202 1 2 6 13225 16 1 2 16 2 58 4 98 68 6 98 998 5 98 998 9999 1 3 98 98 98 1 2 98 7 98 4 4 99 9999 68 68 68 0 2 15 152 15202 98 98 98 15202012006
15 152 15202 1 2 6 13225 16 1 3 2 2 70 1 98 998 2 98 998 1 98 998 9998 98 3 98 98 98 1 2 98 7 98 5 4 99 9999 998 998 998 0 2 15 152 15202 98 98 98 15202012006
15 152 15202 1 2 6 13225 17 1 1 1 2 43 2 98 998 2 98 998 1 98 998 9998 98 2 8 5 1 1 2 98 1 I 3 3 9 2008 998 998 998 8 2 15 152 15202 98 98 98 15202012006
15 152 15202 1 2 6 13225 17 1 2 4 1 55 2 98 998 2 98 998 1 98 998 9998 98 2 6 5 2 1 2 98 6 98 98 98 98 9998 998 998 998 6 2 15 152 15202 98 98 98 15202012006
15 152 15202 1 2 6 13225 17 1 3 5 2 13 2 98 998 2 98 998 2 15101 998 9998 98 1 7 5 2 1 2 98 98 98 98 98 98 9998 998 998 998 7 2 15 152 15202 98 98 15101 15202012006
15 152 15202 1 2 6 13225 17 1 4 5 1 8 2 98 998 2 98 998 2 15101 998 9998 98 1 2 5 2 1 2 98 98 98 98 98 98 9998 998 998 998 2 2 15 152 15202 98 98 15101 15202012006
15 152 15202 1 2 6 13225 17 1 5 15 2 29 2 98 998 4 98 998 3 98 998 2015 1 2 6 5 2 1 2 98 6 98 5 5 11 2014 998 604 604 6 2 15 152 15202 98 98 98 15202012006
15 152 15202 1 2 6 13225 17 1 6 15 1 4 2 98 998 1 98 998 5 98 998 2015 1 1 0 1 2 1 2 98 98 98 98 98 98 9998 998 998 68 0 2 15 152 15202 98 98 98 15202012006
15 152 15202 1 2 6 13225 17 1 7 15 2 2 2 98 998 1 98 998 3 98 998 2015 1 1 0 1 2 1 2 98 98 98 98 98 98 9998 998 998 604 0 2 15 152 15202 98 98 98 15202012006
15 152 15202 1 2 6 13225 17 1 8 15 1 16 2 98 998 6 98 998 1 98 998 9998 98 2 4 5 2 1 2 98 6 98 98 98 98 9998 998 68 998 4 2 15 152 15202 98 98 98 15202012006
15 152 15202 1 2 6 13225 18 1 1 1 2 74 1 98 998 2 98 998 1 98 998 9998 98 2 2 5 2 1 2 98 6 98 2 2 12 1976 998 998 998 2 2 15 152 15202 98 98 98 15202012006
15 152 15202 1 2 6 13225 19 1 1 1 1 68 1 98 998 2 98 998 1 98 998 9998 98 3 98 98 98 1 2 98 7 98 98 98 98 9998 998 998 998 0 2 15 152 15202 98 98 98 15202012006
15 152 15202 1 2 6 13225 20 1 1 1 1 74 1 98 998 3 15101 998 1 98 998 9998 98 2 2 5 2 1 2 98 1 Z 98 98 98 9998 998 998 998 2 2 15 152 15202 98 15101 98 15202012006
15 152 15202 1 2 6 13225 20 1 2 2 2 65 1 98 998 3 997 998 3 98 998 9999 2 2 2 5 2 1 2 98 6 98 2 2 9 1982 998 998 604 2 2 15 152 15202 98 997 98 15202012006
15 152 15202 1 2 6 13225 25 1 1 1 2 76 1 98 998 2 98 998 1 98 998 9998 98 3 98 98 98 1 2 98 6 98 8 6 3 1981 998 998 998 0 2 15 152 15202 98 98 98 15202012006
15 152 15202 1 2 6 13225 25 1 2 5 2 36 1 98 998 2 98 998 1 98 998 9998 98 2 4 8 1 1 2 98 1 A 0 98 98 9998 998 998 998 12 2 15 152 15202 98 98 98 15202012006
15 152 15202 1 2 6 13225 28 1 1 1 2 31 1 98 998 2 98 998 5 98 998 2007 2 2 5 5 2 1 2 98 1 A 2 2 4 2008 998 998 68 5 2 15 152 15202 98 98 98 15202012006
15 152 15202 1 2 6 13225 28 1 2 4 1 35 1 98 998 2 98 998 5 98 998 2007 2 2 6 5 2 1 2 98 1 F 98 98 98 9998 998 998 68 6 2 15 152 15202 98 98 98 15202012006
15 152 15202 1 2 6 13225 28 1 3 5 1 11 1 98 998 2 98 998 5 98 998 2007 2 1 5 5 2 1 2 98 98 98 98 98 98 9998 998 998 68 5 2 15 152 15202 98 98 98 15202012006
15 152 15202 1 2 6 13225 28 1 4 5 1 8 1 98 998 2 98 998 1 98 998 9998 98 1 2 5 2 1 2 98 98 98 98 98 98 9998 998 998 998 2 2 15 152 15202 98 98 98 15202012006
15 152 15202 1 2 6 13225 28 1 5 15 2 74 1 98 998 2 98 998 1 98 998 9998 98 2 3 5 2 1 2 98 6 98 6 6 99 9999 998 998 998 3 2 15 152 15202 98 98 98 15202012006
15 152 15202 1 2 6 13225 33 1 1 1 1 41 1 98 998 2 98 998 1 98 998 9998 98 2 8 5 1 1 2 98 1 Z 98 98 98 9998 998 998 998 8 2 15 152 15202 98 98 98 15202012006
15 152 15202 1 2 6 13225 33 1 2 2 2 47 1 98 998 2 98 998 1 98 998 9998 98 2 8 5 1 1 2 98 1 A 2 1 4 1996 998 998 998 8 2 15 152 15202 98 98 98 15202012006
15 152 15202 1 2 6 13225 33 1 3 14 1 88 1 98 998 2 98 998 1 98 998 9998 98 3 98 98 98 1 2 98 7 98 98 98 98 9998 998 998 998 0 2 15 152 15202 98 98 98 15202012006
15 152 15202 1 2 6 13225 33 1 4 14 1 65 1 98 998 2 98 998 1 98 998 9998 98 2 2 5 2 1 2 98 7 98 98 98 98 9998 998 998 998 2 2 15 152 15202 98 98 98 15202012006
15 152 15202 1 2 6 13225 36 1 1 1 2 59 1 98 998 2 98 998 1 98 998 9998 98 2 2 5 2 1 2 98 6 98 8 8 2 1998 998 998 998 2 2 15 152 15202 98 98 98 15202012006
15 152 15202 1 2 6 13225 36 1 2 2 1 56 1 98 998 99 99 999 1 98 998 9998 98 2 2 5 2 1 2 98 6 98 98 98 98 9998 998 999 998 2 2 15 152 15202 98 99 98 15202012006
15 152 15202 1 2 6 13225 36 1 3 5 2 36 1 98 998 2 98 998 1 98 998 9998 98 2 8 5 1 1 2 98 6 98 2 2 7 2010 998 998 998 8 2 15 152 15202 98 98 98 15202012006
15 152 15202 1 2 6 13225 36 1 4 12 2 13 1 98 998 2 98 998 1 98 998 9998 98 1 7 5 2 1 2 98 98 98 98 98 98 9998 998 998 998 7 2 15 152 15202 98 98 98 15202012006
15 152 15202 1 2 6 13225 36 1 5 12 2 6 1 98 998 2 98 998 1 98 998 9998 98 1 0 3 1 1 2 98 98 98 98 98 98 9998 998 998 998 0 2 15 152 15202 98 98 98 15202012006
15 152 15202 1 2 6 13225 36 1 6 5 1 24 1 98 998 3 15101 998 1 98 998 9998 98 2 4 7 1 1 2 98 1 Z 98 98 98 9998 998 998 998 12 2 15 152 15202 98 15101 98 15202012006
15 152 15202 1 2 6 13225 36 1 7 11 2 24 1 98 998 3 15101 998 1 98 998 9998 98 2 4 7 1 1 2 98 1 N 2 2 11 2015 998 998 998 12 2 15 152 15202 98 15101 98 15202012006
15 152 15202 1 2 6 13225 36 1 8 12 1 6 1 98 998 2 98 998 2 15101 998 9998 98 1 0 3 1 1 2 98 98 98 98 98 98 9998 998 998 998 0 2 15 152 15202 98 98 15101 15202012006
15 152 15202 1 2 6 13225 36 1 9 12 2 1 1 98 998 1 98 998 2 15101 998 9998 98 3 98 98 98 1 2 98 98 98 98 98 98 9998 998 998 998 0 2 15 152 15202 98 98 15101 15202012006
15 152 15202 1 2 6 13225 38 1 1 1 1 19 1 98 998 3 15101 998 2 15101 998 9998 98 1 1 8 2 1 2 98 1 A 98 98 98 9998 998 998 998 9 2 15 152 15202 98 15101 15101 15202012006
15 152 15202 1 2 6 13225 39 1 1 1 1 21 1 98 998 2 98 998 1 98 998 9998 98 2 1 7 2 1 2 98 1 F 98 98 98 9998 998 998 998 9 2 15 152 15202 98 98 98 15202012006
15 152 15202 1 2 6 13225 39 1 2 4 2 22 1 98 998 2 98 998 1 98 998 9998 98 2 1 8 2 1 2 98 6 98 0 98 98 9998 998 998 998 9 2 15 152 15202 98 98 98 15202012006
15 152 15202 1 2 6 13225 43 1 1 1 2 26 1 98 998 2 98 998 1 98 998 9998 98 2 8 5 1 1 2 98 6 98 2 2 10 2013 998 998 998 8 2 15 152 15202 98 98 98 15202012006
15 152 15202 1 2 6 13225 43 1 2 2 1 24 1 98 998 2 98 998 1 98 998 9998 98 2 8 5 1 1 2 98 1 Z 98 98 98 9998 998 998 998 8 2 15 152 15202 98 98 98 15202012006
15 152 15202 1 2 6 13225 43 1 3 13 2 71 1 98 998 2 98 998 1 98 998 9998 98 2 1 5 2 1 2 98 6 98 3 3 12 1974 998 998 998 1 2 15 152 15202 98 98 98 15202012006
15 152 15202 1 2 6 13225 43 1 4 5 2 6 1 98 998 2 98 998 1 98 998 9998 98 1 0 3 1 1 2 98 98 98 98 98 98 9998 998 998 998 0 2 15 152 15202 98 98 98 15202012006
15 152 15202 1 2 6 13225 43 1 5 5 2 3 1 98 998 1 98 998 1 98 998 9998 98 1 0 1 1 1 2 98 98 98 98 98 98 9998 998 998 998 0 2 15 152 15202 98 98 98 15202012006
15 152 15202 1 2 8 13910 5 1 1 1 1 44 1 98 998 2 98 998 3 98 998 2005 2 2 4 7 1 1 2 98 6 98 98 98 98 9998 998 998 604 12 2 15 152 15202 98 98 98 15202012008
15 152 15202 1 2 8 13910 5 1 2 2 2 42 1 98 998 2 98 998 1 98 998 9998 98 2 3 5 2 1 2 98 1 P 3 3 12 2006 998 998 998 3 2 15 152 15202 98 98 98 15202012008
15 152 15202 1 2 8 13910 5 1 3 5 2 10 1 98 998 2 98 998 1 98 998 9998 98 1 4 5 2 1 2 98 98 98 98 98 98 9998 998 998 998 4 2 15 152 15202 98 98 98 15202012008
15 152 15202 1 2 8 13910 7 1 1 1 2 70 1 98 998 2 98 998 1 98 998 9998 98 2 2 5 2 1 2 98 6 98 7 7 6 1994 998 998 998 2 2 15 152 15202 98 98 98 15202012008
15 152 15202 1 2 8 13910 7 1 2 5 1 44 1 98 998 2 98 998 1 98 998 9998 98 2 5 5 2 1 2 98 7 98 98 98 98 9998 998 998 998 5 2 15 152 15202 98 98 98 15202012008
15 152 15202 1 2 8 13910 8 1 1 1 1 58 1 98 998 2 98 998 3 98 998 2004 2 2 4 5 2 1 2 98 6 98 98 98 98 9998 998 998 604 4 2 15 152 15202 98 98 98 15202012008
15 152 15202 1 2 8 13910 8 1 2 2 2 59 1 98 998 2 98 998 3 98 998 2004 2 2 2 5 2 1 2 98 6 98 3 3 7 1999 998 998 604 2 2 15 152 15202 98 98 98 15202012008
15 152 15202 1 2 8 13910 19 1 1 1 1 58 99 99 999 99 99 999 99 99 999 9999 99 99 99 99 99 99 99 99 99 99 98 98 98 9998 999 999 999 99 99 15 152 15202 99 99 99 15202012008
15 152 15202 1 2 8 13910 21 1 1 1 1 53 1 98 998 2 98 998 1 98 998 9998 98 2 8 5 1 1 2 98 1 H 98 98 98 9998 998 998 998 8 2 15 152 15202 98 98 98 15202012008
15 152 15202 1 2 8 13910 21 1 2 2 2 46 1 98 998 2 98 998 1 98 998 9998 98 2 3 5 2 1 2 98 6 98 3 3 2 1990 998 998 998 3 2 15 152 15202 98 98 98 15202012008
15 152 15202 1 2 8 13910 22 1 1 1 2 73 1 98 998 2 98 998 1 98 998 9998 98 3 98 98 98 1 2 98 6 98 6 5 3 1979 998 998 998 0 2 15 152 15202 98 98 98 15202012008
15 152 15202 1 2 8 13910 30 1 1 1 1 57 1 98 998 2 98 998 2 997 998 9998 98 2 3 5 2 1 2 98 6 98 98 98 98 9998 998 998 998 3 2 15 152 15202 98 98 997 15202012008
15 152 15202 1 2 12 8394 3 1 1 2 2 64 1 98 998 2 98 998 3 98 998 1974 4 3 98 98 98 1 2 98 1 A 12 10 99 9999 998 998 604 0 2 15 152 15202 98 98 98 15202012012
15 152 15202 1 2 12 8394 3 1 2 1 1 74 2 98 998 2 98 998 1 98 998 9998 98 3 98 98 98 1 2 98 99 99 98 98 98 9998 998 998 998 0 2 15 152 15202 98 98 98 15202012012
15 152 15202 1 2 12 8394 3 1 3 5 2 38 1 98 998 2 98 998 1 98 998 9998 98 2 8 5 1 1 2 98 2 A 0 98 98 9998 998 998 998 8 2 15 152 15202 98 98 98 15202012012
15 152 15202 1 2 12 8394 3 1 4 14 1 38 99 99 999 99 99 999 99 99 999 9999 99 99 99 99 99 99 99 99 8 98 98 98 98 9998 999 999 999 99 99 15 152 15202 99 99 99 15202012012
15 152 15202 1 2 12 8394 9 1 1 1 2 79 1 98 998 2 98 998 1 98 998 9998 98 3 98 98 98 1 2 98 8 98 2 2 99 9999 998 998 998 0 2 15 152 15202 98 98 98 15202012012
15 152 15202 1 2 12 8394 19 1 1 1 1 46 99 99 999 99 99 999 99 99 999 9999 99 99 99 99 99 99 99 99 99 99 98 98 98 9998 999 999 999 99 99 15 152 15202 99 99 99 15202012012
15 152 15202 1 2 12 8394 20 1 1 1 2 58 1 98 998 2 98 998 1 98 998 9998 98 2 8 5 1 1 2 98 1 A 3 3 7 1982 998 998 998 8 2 15 152 15202 98 98 98 15202012012
15 152 15202 1 2 12 8394 21 1 1 1 2 45 1 98 998 6 98 998 2 997 998 9998 98 2 4 5 2 1 2 98 1 A 6 6 2 2007 998 68 998 4 2 15 152 15202 98 98 997 15202012012
15 152 15202 1 2 12 8394 21 1 2 5 2 10 1 98 998 6 98 998 2 3201 998 9998 98 1 4 5 2 1 2 98 98 98 98 98 98 9998 998 68 998 4 2 15 152 15202 98 98 3201 15202012012
15 152 15202 1 2 12 8394 24 1 1 1 1 67 1 98 998 2 98 998 1 98 998 9998 98 3 98 98 98 1 2 98 8 98 98 98 98 9998 998 998 998 0 2 15 152 15202 98 98 98 15202012012
15 152 15202 1 2 12 8394 24 1 2 2 2 53 1 98 998 2 98 998 3 98 998 9999 99 3 98 98 98 1 2 98 8 98 0 98 98 9998 998 998 604 0 2 15 152 15202 98 98 98 15202012012
15 152 15202 1 2 12 8394 27 1 1 1 1 48 1 98 998 2 98 998 1 98 998 9998 98 2 4 7 1 1 2 98 8 98 98 98 98 9998 998 998 998 12 2 15 152 15202 98 98 98 15202012012
15 152 15202 1 2 12 8394 31 1 1 1 1 49 1 98 998 4 98 998 3 98 998 2001 2 2 8 5 1 1 2 98 1 A 98 98 98 9998 998 604 604 8 2 15 152 15202 98 98 98 15202012012
15 152 15202 1 2 12 8394 42 1 1 1 1 46 1 98 998 2 98 998 3 98 998 1992 3 2 8 5 1 1 2 98 2 A 98 98 98 9998 998 998 604 8 2 15 152 15202 98 98 98 15202012012
15 152 15202 1 2 12 8394 42 1 2 2 2 24 1 98 998 6 98 998 5 98 998 2013 1 2 7 5 2 1 2 98 6 98 2 2 6 2016 998 68 68 7 2 15 152 15202 98 98 98 15202012012
15 152 15202 1 2 12 8394 42 1 3 6 2 2 1 98 998 1 98 998 1 98 998 9998 98 3 98 98 98 1 2 98 98 98 98 98 98 9998 998 998 998 0 2 15 152 15202 98 98 98 15202012012
15 152 15202 1 2 12 8394 42 1 4 5 1 0 1 98 998 1 98 998 2 15101 998 9998 98 99 99 99 99 1 2 98 98 98 98 98 98 9998 998 998 998 99 2 15 152 15202 98 98 15101 15202012012
15 152 15202 1 2 12 8394 42 1 5 5 2 13 1 98 998 2 98 998 3 98 998 9999 99 1 7 5 2 1 2 98 98 98 98 98 98 9998 998 998 604 7 2 15 152 15202 98 98 98 15202012012
15 152 15202 1 2 12 8394 42 1 6 5 1 6 1 98 998 2 98 998 2 15101 998 9998 98 1 0 3 1 1 2 98 98 98 98 98 98 9998 998 998 998 0 2 15 152 15202 98 98 15101 15202012012
15 152 15202 1 2 15 4094 2 1 1 1 1 41 1 98 998 2 98 998 1 98 998 9998 98 2 4 12 1 1 2 98 1 O 98 98 98 9998 998 998 998 16 2 15 152 15202 98 98 98 15202012015
15 152 15202 1 2 15 4094 8 1 1 17 1 70 2 98 998 2 98 998 1 98 998 9998 98 3 98 98 98 1 2 98 7 98 98 98 98 9998 998 998 998 0 2 15 152 15202 98 98 98 15202012015
15 152 15202 1 2 15 4094 8 1 2 17 1 47 2 98 998 3 15101 998 2 8101 998 9998 98 2 4 8 1 1 2 98 1 Z 98 98 98 9998 998 998 998 12 2 15 152 15202 98 15101 8101 15202012015
15 152 15202 1 2 15 4094 8 1 3 17 1 19 2 98 998 3 15101 998 2 15101 998 9998 98 1 99 7 99 1 2 98 1 I 98 98 98 9998 998 998 998 99 2 15 152 15202 98 15101 15101 15202012015
15 152 15202 1 2 15 4094 8 1 4 17 1 43 2 98 998 3 4302 998 2 8101 998 9998 98 99 4 8 1 1 2 98 1 N 98 98 98 9998 998 998 998 12 2 15 152 15202 98 4302 8101 15202012015
15 152 15202 1 2 15 4094 8 1 5 17 2 35 2 98 998 6 98 998 5 98 998 2016 1 2 8 5 1 1 2 98 1 I 2 2 3 2007 998 68 68 8 2 15 152 15202 98 98 98 15202012015
15 152 15202 1 2 15 4094 8 1 6 17 1 36 3 13123 998 3 13123 998 2 12101 998 9998 98 2 5 12 1 2 98 98 1 J 98 98 98 9998 998 998 998 17 98 15 152 15202 13123 13123 12101 15202012015
15 152 15202 1 2 15 4094 8 1 7 17 2 25 2 98 998 3 15101 998 2 15101 998 9998 98 2 5 12 1 1 2 98 1 Q 1 1 12 2011 998 998 998 17 2 15 152 15202 98 15101 15101 15202012015
15 152 15202 1 2 15 4094 9 1 1 1 1 72 1 98 998 2 98 998 1 98 998 9998 98 2 1 5 2 1 2 98 1 G 98 98 98 9998 998 998 998 1 2 15 152 15202 98 98 98 15202012015
15 152 15202 1 2 15 4094 12 1 1 1 1 21 1 98 998 3 15101 998 2 15101 998 9998 98 2 4 8 1 1 2 98 1 N 98 98 98 9998 998 998 998 12 2 15 152 15202 98 15101 15101 15202012015
15 152 15202 1 2 15 4094 15 1 1 1 1 61 1 98 998 2 98 998 1 98 998 9998 98 2 3 7 2 1 2 98 4 98 98 98 98 9998 998 998 998 11 2 15 152 15202 98 98 98 15202012015
15 152 15202 1 2 15 4094 15 1 2 5 2 31 1 98 998 3 15101 998 1 98 998 9998 98 2 4 12 1 1 2 98 1 P 1 1 10 2007 998 998 998 16 2 15 152 15202 98 15101 98 15202012015
15 152 15202 1 2 15 4094 16 1 1 1 1 34 1 98 998 3 15101 998 1 98 998 9998 98 2 5 12 1 1 2 98 1 O 98 98 98 9998 998 998 998 17 2 15 152 15202 98 15101 98 15202012015

Despleguemos los códigos de regiones de nuestra tabla:

regiones <- unique(tabla_con_clave$REGION)
regiones
##  [1] 15 14 13 12 11 10  9 16  8  7  6  5  4  3  2  1

Hagamos un subset con la region = 1, y área URBANA = 1.

tabla_con_clave <- filter(tabla_con_clave, tabla_con_clave$REGION == 7) 
tabla_con_clave <- filter(tabla_con_clave, tabla_con_clave$AREA== 2)

1.1.2 Cálculo de frecuencias

Obtenemos las frecuencias a la pregunta ESCOLARIDAD por zona:

tabla_con_clave_f <- tabla_con_clave[,c("clave","ESCOLARIDAD","COMUNA") ]

Renombramos y filtramos por la categoria Trabajo por un sueldo == 1:

names(tabla_con_clave_f)[2] <- "ESCOLARIDAD"
tabla_con_clave_ff <- filter(tabla_con_clave_f, tabla_con_clave_f$ESCOLARIDAD == 14)
# Determinamos las frecuencias por zona:
b <- tabla_con_clave_ff$clave
c <- tabla_con_clave_ff$ESCOLARIDAD
d <- tabla_con_clave_ff$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"

head(d,5)
##         zona unlist.c. unlist.d. Freq anio
## 1 7101092003        14      7101    8 2017
## 2 7101092024        14      7101    1 2017
## 3 7101102004        14      7101    2 2017
## 4 7101102005        14      7101    4 2017
## 5 7101102017        14      7101   22 2017

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"

1.1.3 Tabla de frecuencias:

head(comuna_corr,5)
##         zona Freq anio código
## 1 7101092003    8 2017  07101
## 2 7101092024    1 2017  07101
## 3 7101102004    2 2017  07101
## 4 7101102005    4 2017  07101
## 5 7101102017   22 2017  07101


1.2 Variable CASEN

1.2.1 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_rural_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 personas comuna promedio_i año ingresos_expandidos
1 01101 191468 Iquique 272529.7 2017 52180713221
3 01401 15711 Pozo Almonte 243272.4 2017 3822052676
4 01402 1250 Camiña 226831.0 2017 283538750
6 01404 2730 Huara 236599.7 2017 645917134
7 01405 9296 Pica 269198.0 2017 2502464414
10 02103 10186 Sierra Gorda 322997.9 2017 3290056742
11 02104 13317 Taltal 288653.8 2017 3844002134
12 02201 165731 Calama 238080.9 2017 39457387800
14 02203 10996 San Pedro de Atacama 271472.6 2017 2985112297
15 02301 25186 Tocopilla 166115.9 2017 4183793832
17 03101 153937 Copiapó 251396.0 2017 38699138722
19 03103 14019 Tierra Amarilla 287819.4 2017 4034940816
21 03202 13925 Diego de Almagro 326439.0 2017 4545663075
22 03301 51917 Vallenar 217644.6 2017 11299454698
23 03302 5299 Alto del Carmen 196109.9 2017 1039186477
24 03303 7041 Freirina 202463.8 2017 1425547554
25 03304 10149 Huasco 205839.6 2017 2089066548
26 04101 221054 La Serena 200287.4 2017 44274327972
27 04102 227730 Coquimbo 206027.8 2017 46918711304
28 04103 11044 Andacollo 217096.4 2017 2397612293
29 04104 4241 La Higuera 231674.2 2017 982530309
30 04105 4497 Paiguano 174868.5 2017 786383423
31 04106 27771 Vicuña 169077.1 2017 4695441470
32 04201 30848 Illapel 165639.6 2017 5109649759
33 04202 9093 Canela 171370.3 2017 1558270441
34 04203 21382 Los Vilos 173238.5 2017 3704185607
35 04204 29347 Salamanca 193602.0 2017 5681637894
36 04301 111272 Ovalle 230819.8 2017 25683781418
37 04302 13322 Combarbalá 172709.2 2017 2300832587
38 04303 30751 Monte Patria 189761.6 2017 5835357638
39 04304 10956 Punitaqui 165862.0 2017 1817183694
40 04305 4278 Río Hurtado 182027.2 2017 778712384
41 05101 296655 Valparaíso 251998.5 2017 74756602991
42 05102 26867 Casablanca 252317.7 2017 6779018483
45 05105 18546 Puchuncaví 231606.0 2017 4295363979
46 05107 31923 Quintero 285125.8 2017 9102071069
49 05301 66708 Los Andes 280548.0 2017 18714795984
50 05302 14832 Calle Larga 234044.6 2017 3471349123
51 05303 10207 Rinconada 246136.9 2017 2512319225
52 05304 18855 San Esteban 211907.3 2017 3995512770
53 05401 35390 La Ligua 172675.9 2017 6111000517
54 05402 19388 Cabildo 212985.0 2017 4129354103
56 05404 9826 Petorca 270139.8 2017 2654393853
57 05405 7339 Zapallar 235661.4 2017 1729518700
58 05501 90517 Quillota 212067.6 2017 19195726144
59 05502 50554 Calera 226906.2 2017 11471016698
60 05503 17988 Hijuelas 215402.0 2017 3874650405
61 05504 22098 La Cruz 243333.4 2017 5377180726
62 05506 22120 Nogales 219800.7 2017 4861992055
63 05601 91350 San Antonio 230261.5 2017 21034388728

1.3 Unión Censo-Casen:

y creamos la columna multipob:

comunas_censo_casen = merge( x = comuna_corr, y = h_y_m_2017_censo, by = "código", all.x = TRUE)
comunas_censo_casen <- comunas_censo_casen[,-c(4)]
head(comunas_censo_casen,5)
##   código       zona Freq personas comuna promedio_i  año ingresos_expandidos
## 1  07101 7101092003    8   220357  Talca     244658 2017         53912095394
## 2  07101 7101092024    1   220357  Talca     244658 2017         53912095394
## 3  07101 7101102004    2   220357  Talca     244658 2017         53912095394
## 4  07101 7101102005    4   220357  Talca     244658 2017         53912095394
## 5  07101 7101102017   22   220357  Talca     244658 2017         53912095394

1.4 Unión de la proporcion zonal por comuna con la tabla censo-casen:

unimos a nuestra tabla de proporciones zonales por comuna:

Para calcular la variable multipob, debemos multiplicarla por su proporcion 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.

1.5 Ingreso promedio expandido por zona (multi_pob)

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

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

tabla_de_prop_pob <- readRDS("../tabla_de_prop_pob.rds")
names(tabla_de_prop_pob)[1]  <- "zona"
comunas_censo_casen = merge( x = comunas_censo_casen, y = tabla_de_prop_pob, by = "zona", all.x = TRUE)
head(comunas_censo_casen,5)
##         zona código.x Freq.x personas comuna promedio_i  año
## 1 7101092003    07101      8   220357  Talca     244658 2017
## 2 7101092024    07101      1   220357  Talca     244658 2017
## 3 7101102004    07101      2   220357  Talca     244658 2017
## 4 7101102005    07101      4   220357  Talca     244658 2017
## 5 7101102017    07101     22   220357  Talca     244658 2017
##   ingresos_expandidos Freq.y            p código.y
## 1         53912095394    191 0.0008667753    07101
## 2         53912095394     50 0.0002269045    07101
## 3         53912095394     66 0.0002995140    07101
## 4         53912095394    260 0.0011799035    07101
## 5         53912095394    991 0.0044972476    07101
comunas_censo_casen$multipob <- comunas_censo_casen$ingresos_expandidos*comunas_censo_casen$p
head(comunas_censo_casen,5)
##         zona código.x Freq.x personas comuna promedio_i  año
## 1 7101092003    07101      8   220357  Talca     244658 2017
## 2 7101092024    07101      1   220357  Talca     244658 2017
## 3 7101102004    07101      2   220357  Talca     244658 2017
## 4 7101102005    07101      4   220357  Talca     244658 2017
## 5 7101102017    07101     22   220357  Talca     244658 2017
##   ingresos_expandidos Freq.y            p código.y  multipob
## 1         53912095394    191 0.0008667753    07101  46729671
## 2         53912095394     50 0.0002269045    07101  12232898
## 3         53912095394     66 0.0002995140    07101  16147426
## 4         53912095394    260 0.0011799035    07101  63611071
## 5         53912095394    991 0.0044972476    07101 242456044

1.6 Análisis de regresión

Aplicaremos un análisis de regresión donde:

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

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

1.6.1 Diagrama de dispersión loess

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

1.6.2 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.

1.6.3 Modelo lineal

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

linearMod <- lm( multipob~(Freq.x) , data=comunas_censo_casen)
summary(linearMod) 
## 
## Call:
## lm(formula = multipob ~ (Freq.x), data = comunas_censo_casen)
## 
## Residuals:
##        Min         1Q     Median         3Q        Max 
## -148083479  -17348870   -5384417   11966568  205005300 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  9781981    1640685   5.962 3.69e-09 ***
## Freq.x       9728826     208711  46.614  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 35600000 on 827 degrees of freedom
## Multiple R-squared:  0.7243, Adjusted R-squared:  0.724 
## F-statistic:  2173 on 1 and 827 DF,  p-value: < 2.2e-16

1.6.4 Gráfica de la recta de regresión lineal

ggplot(comunas_censo_casen, aes(x = Freq.x , y = multipob)) + 
  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.

1.7 Modelos alternativos

### 8.1 Modelo cuadrático

linearMod <- lm( multipob~(Freq.x^2) , data=comunas_censo_casen)
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)"

modelos1 <- cbind(modelo,dato,sintaxis)


modelos1 <- cbind(modelo,dato,sintaxis)
 
### 8.2 Modelo cúbico
 
linearMod <- lm( multipob~(Freq.x^3) , data=comunas_censo_casen)
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)"

modelos2 <- cbind(modelo,dato,sintaxis)
 
### 8.3 Modelo logarítmico
 
linearMod <- lm( multipob~log(Freq.x) , data=comunas_censo_casen)
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)"

modelos3 <- cbind(modelo,dato,sintaxis)
 
### 8.5 Modelo con raíz cuadrada 
 
linearMod <- lm( multipob~sqrt(Freq.x) , data=comunas_censo_casen)
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)"

modelos5 <- cbind(modelo,dato,sintaxis)
 
### 8.6 Modelo raíz-raíz
 
linearMod <- lm( sqrt(multipob)~sqrt(Freq.x) , data=comunas_censo_casen)
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)"

modelos6 <- cbind(modelo,dato,sintaxis)
 
### 8.7 Modelo log-raíz
 
linearMod <- lm( log(multipob)~sqrt(Freq.x) , data=comunas_censo_casen)
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)"

modelos7 <- cbind(modelo,dato,sintaxis)
 
### 8.8 Modelo raíz-log
 
linearMod <- lm( sqrt(multipob)~log(Freq.x) , data=comunas_censo_casen)
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)"

modelos8 <- cbind(modelo,dato,sintaxis)
 
### 8.9 Modelo log-log
 
linearMod <- lm( log(multipob)~log(Freq.x) , data=comunas_censo_casen)
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)"

modelos9 <- cbind(modelo,dato,sintaxis)
 
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, decreasing = T ),]
h_y_m_comuna_corr_01 <<- comunas_censo_casen

kbl(modelos_bind) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
modelo dato sintaxis
1 cuadrático 0.723987124639391 linearMod <- lm( multi_pob~(Freq.x^2) , data=h_y_m_comuna_corr_01)
2 cúbico 0.723987124639391 linearMod <- lm( multi_pob~(Freq.x^3) , data=h_y_m_comuna_corr_01)
5 raíz-raíz 0.707838503880098 linearMod <- lm( sqrt(multi_pob)~sqrt(Freq.x) , data=h_y_m_comuna_corr_01)
4 raíz cuadrada 0.684110596175769 linearMod <- lm( multi_pob~sqrt(Freq.x) , data=h_y_m_comuna_corr_01)
7 raíz-log 0.658081642054467 linearMod <- lm( sqrt(multi_pob)~log(Freq.x) , data=h_y_m_comuna_corr_01)
8 log-log 0.607581426033394 linearMod <- lm( log(multi_pob)~log(Freq.x) , data=h_y_m_comuna_corr_01)
6 log-raíz 0.57883443871533 linearMod <- lm( log(multi_pob)~sqrt(Freq.x) , data=h_y_m_comuna_corr_01)
3 logarítmico 0.565082793967918 linearMod <- lm( multi_pob~log(Freq.x) , data=h_y_m_comuna_corr_01)

Elegimos el 1 pues tiene el ma alto \(R^2\)

h_y_m_comuna_corr <- h_y_m_comuna_corr_01
metodo <- 1


switch (metodo,
        case = linearMod <- lm( multipob~(Freq.x^2) , data=h_y_m_comuna_corr),
        case = linearMod <- lm( multipob~(Freq.x^3) , data=h_y_m_comuna_corr),
        case = linearMod <- lm( multipob~log(Freq.x) , data=h_y_m_comuna_corr),
        case = linearMod <- lm( multipob~sqrt(Freq.x) , data=h_y_m_comuna_corr),
        case = linearMod <- lm( sqrt(multipob)~sqrt(Freq.x) , data=h_y_m_comuna_corr),
        case = linearMod <- lm( log(multipob)~sqrt(Freq.x) , data=h_y_m_comuna_corr),
        case = linearMod <- lm( sqrt(multipob)~log(Freq.x) , data=h_y_m_comuna_corr),
        case = linearMod <- lm( log(multipob)~log(Freq.x) , data=h_y_m_comuna_corr)
)
summary(linearMod)
## 
## Call:
## lm(formula = multipob ~ (Freq.x^2), data = h_y_m_comuna_corr)
## 
## Residuals:
##        Min         1Q     Median         3Q        Max 
## -148083479  -17348870   -5384417   11966568  205005300 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  9781981    1640685   5.962 3.69e-09 ***
## Freq.x       9728826     208711  46.614  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 35600000 on 827 degrees of freedom
## Multiple R-squared:  0.7243, Adjusted R-squared:  0.724 
## F-statistic:  2173 on 1 and 827 DF,  p-value: < 2.2e-16
aa <- linearMod$coefficients[1]
aa
## (Intercept) 
##     9781981
bb <- linearMod$coefficients[2]
bb
##  Freq.x 
## 9728826

1.8 Modelo cuadrático (cuadrático)

Es éste el modelo que nos entrega el mayor coeficiente de determinación de todos (0.724).

1.8.1 Diagrama de dispersión sobre cuadrático

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

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

ggplot(comunas_censo_casen, aes(x =  (Freq.x)^2 , y =  (multipob))) + geom_point() + stat_smooth(method = "lm", col = "red")

1.8.2 Análisis de residuos

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

1.8.3 Ecuación del modelo


1.8.4 8.1 Modelo cuadrático

\[ \hat Y = \9781981 + \9728826 X^2 \]

1.9 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$est_ing = aa + bb  * (h_y_m_comuna_corr$Freq.x)^2


1.10 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)

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 personas comuna promedio_i año ingresos_expandidos Freq.y p código.y multipob est_ing ing_medio_zona
7101092003 07101 8 220357 Talca 244658.0 2017 53912095394 191 0.0008668 07101 46729671 632426862 3311135.40
7101092024 07101 1 220357 Talca 244658.0 2017 53912095394 50 0.0002269 07101 12232898 19510807 390216.14
7101102004 07101 2 220357 Talca 244658.0 2017 53912095394 66 0.0002995 07101 16147426 48697286 737837.67
7101102005 07101 4 220357 Talca 244658.0 2017 53912095394 260 0.0011799 07101 63611071 165443201 636320.00
7101102017 07101 22 220357 Talca 244658.0 2017 53912095394 991 0.0044972 07101 242456044 4718533891 4761386.37
7101102018 07101 3 220357 Talca 244658.0 2017 53912095394 123 0.0005582 07101 30092930 97341417 791393.64
7101112010 07101 3 220357 Talca 244658.0 2017 53912095394 74 0.0003358 07101 18104689 97341417 1315424.56
7101112015 07101 7 220357 Talca 244658.0 2017 53912095394 349 0.0015838 07101 85385630 486494468 1393966.96
7101112020 07101 15 220357 Talca 244658.0 2017 53912095394 668 0.0030314 07101 163431521 2198767889 3291568.70
7101112022 07101 9 220357 Talca 244658.0 2017 53912095394 287 0.0013024 07101 70216836 797816908 2779849.85
7101122001 07101 29 220357 Talca 244658.0 2017 53912095394 795 0.0036078 07101 194503083 8191724866 10304056.43
7101122010 07101 11 220357 Talca 244658.0 2017 53912095394 223 0.0010120 07101 54558726 1186969958 5322735.24
7101122014 07101 2 220357 Talca 244658.0 2017 53912095394 59 0.0002677 07101 14434820 48697286 825377.73
7101122021 07101 2 220357 Talca 244658.0 2017 53912095394 41 0.0001861 07101 10030977 48697286 1187738.68
7101122022 07101 12 220357 Talca 244658.0 2017 53912095394 435 0.0019741 07101 106426215 1410732962 3243064.28
7101122901 07101 1 220357 Talca 244658.0 2017 53912095394 31 0.0001407 07101 7584397 19510807 629380.88
7101152008 07101 11 220357 Talca 244658.0 2017 53912095394 1194 0.0054185 07101 292121611 1186969958 994112.19
7101152010 07101 7 220357 Talca 244658.0 2017 53912095394 300 0.0013614 07101 73397390 486494468 1621648.23
7101152016 07101 4 220357 Talca 244658.0 2017 53912095394 308 0.0013977 07101 75354654 165443201 537153.25
7101152023 07101 6 220357 Talca 244658.0 2017 53912095394 287 0.0013024 07101 70216836 360019726 1254424.13
7101162002 07101 7 220357 Talca 244658.0 2017 53912095394 465 0.0021102 07101 113765954 486494468 1046224.66
7101162007 07101 11 220357 Talca 244658.0 2017 53912095394 601 0.0027274 07101 147039438 1186969958 1974991.61
7101162010 07101 6 220357 Talca 244658.0 2017 53912095394 212 0.0009621 07101 51867489 360019726 1698206.26
7101162019 07101 27 220357 Talca 244658.0 2017 53912095394 1358 0.0061627 07101 332245518 7102096325 5229820.56
7102022033 07102 1 46068 Constitución 198314.7 2017 9135962663 22 0.0004776 07102 4362924 19510807 886854.87
7102022038 07102 2 46068 Constitución 198314.7 2017 9135962663 180 0.0039073 07102 35696650 48697286 270540.48
7102022046 07102 1 46068 Constitución 198314.7 2017 9135962663 22 0.0004776 07102 4362924 19510807 886854.87
7102022060 07102 1 46068 Constitución 198314.7 2017 9135962663 154 0.0033429 07102 30540467 19510807 126693.55
7102032001 07102 1 46068 Constitución 198314.7 2017 9135962663 44 0.0009551 07102 8725848 19510807 443427.44
7102032030 07102 2 46068 Constitución 198314.7 2017 9135962663 59 0.0012807 07102 11700569 48697286 825377.73
7102032038 07102 2 46068 Constitución 198314.7 2017 9135962663 262 0.0056872 07102 51958457 48697286 185867.50
7102032043 07102 2 46068 Constitución 198314.7 2017 9135962663 18 0.0003907 07102 3569665 48697286 2705404.77
7102032045 07102 8 46068 Constitución 198314.7 2017 9135962663 776 0.0168447 07102 153892225 632426862 814983.07
7102032056 07102 21 46068 Constitución 198314.7 2017 9135962663 1833 0.0397890 07102 363510887 4300194362 2345987.10
7102032060 07102 2 46068 Constitución 198314.7 2017 9135962663 148 0.0032126 07102 29350579 48697286 329035.72
7102042007 07102 3 46068 Constitución 198314.7 2017 9135962663 353 0.0076626 07102 70005097 97341417 275754.72
7102042016 07102 6 46068 Constitución 198314.7 2017 9135962663 178 0.0038639 07102 35300021 360019726 2022582.73
7102042024 07102 5 46068 Constitución 198314.7 2017 9135962663 382 0.0082921 07102 75756224 253002637 662310.57
7102042036 07102 2 46068 Constitución 198314.7 2017 9135962663 181 0.0039290 07102 35894965 48697286 269045.78
7102042047 07102 11 46068 Constitución 198314.7 2017 9135962663 328 0.0071199 07102 65047229 1186969958 3618810.85
7102042901 07102 12 46068 Constitución 198314.7 2017 9135962663 350 0.0075975 07102 69410153 1410732962 4030665.61
7102052012 07102 1 46068 Constitución 198314.7 2017 9135962663 128 0.0027785 07102 25384285 19510807 152428.18
7102052017 07102 1 46068 Constitución 198314.7 2017 9135962663 28 0.0006078 07102 5552812 19510807 696814.54
7102052032 07102 2 46068 Constitución 198314.7 2017 9135962663 9 0.0001954 07102 1784833 48697286 5410809.55
7102062018 07102 1 46068 Constitución 198314.7 2017 9135962663 77 0.0016714 07102 15270234 19510807 253387.11
7102062053 07102 3 46068 Constitución 198314.7 2017 9135962663 378 0.0082053 07102 74962965 97341417 257516.98
7102062057 07102 1 46068 Constitución 198314.7 2017 9135962663 129 0.0028002 07102 25582599 19510807 151246.57
7102062059 07102 5 46068 Constitución 198314.7 2017 9135962663 903 0.0196015 07102 179078195 253002637 280180.11
7102072027 07102 7 46068 Constitución 198314.7 2017 9135962663 462 0.0100287 07102 91621402 486494468 1053018.33
7102072048 07102 1 46068 Constitución 198314.7 2017 9135962663 124 0.0026917 07102 24591026 19510807 157345.22
7103012027 07103 2 9448 Curepto 191743.1 2017 1811588746 158 0.0167231 07103 30295409 48697286 308210.67
7103012038 07103 4 9448 Curepto 191743.1 2017 1811588746 143 0.0151355 07103 27419262 165443201 1156945.46
7103012042 07103 2 9448 Curepto 191743.1 2017 1811588746 147 0.0155588 07103 28186235 48697286 331274.05
7103012054 07103 1 9448 Curepto 191743.1 2017 1811588746 61 0.0064564 07103 11696329 19510807 319849.30
7103022003 07103 6 9448 Curepto 191743.1 2017 1811588746 328 0.0347163 07103 62891735 360019726 1097621.12
7103022019 07103 1 9448 Curepto 191743.1 2017 1811588746 61 0.0064564 07103 11696329 19510807 319849.30
7103022020 07103 2 9448 Curepto 191743.1 2017 1811588746 167 0.0176757 07103 32021097 48697286 291600.51
7103022025 07103 5 9448 Curepto 191743.1 2017 1811588746 252 0.0266723 07103 48319260 253002637 1003978.72
7103022052 07103 2 9448 Curepto 191743.1 2017 1811588746 181 0.0191575 07103 34705500 48697286 269045.78
7103032007 07103 4 9448 Curepto 191743.1 2017 1811588746 242 0.0256139 07103 46401829 165443201 683649.59
7103032012 07103 1 9448 Curepto 191743.1 2017 1811588746 202 0.0213802 07103 38732105 19510807 96588.15
7103032053 07103 1 9448 Curepto 191743.1 2017 1811588746 40 0.0042337 07103 7669724 19510807 487770.18
7103042027 07103 2 9448 Curepto 191743.1 2017 1811588746 110 0.0116427 07103 21091740 48697286 442702.60
7103042031 07103 5 9448 Curepto 191743.1 2017 1811588746 184 0.0194750 07103 35280729 253002637 1375014.33
7103042037 07103 2 9448 Curepto 191743.1 2017 1811588746 27 0.0028577 07103 5177064 48697286 1803603.18
7103042043 07103 1 9448 Curepto 191743.1 2017 1811588746 17 0.0017993 07103 3259633 19510807 1147694.54
7103052051 07103 1 9448 Curepto 191743.1 2017 1811588746 20 0.0021169 07103 3834862 19510807 975540.36
7103052058 07103 1 9448 Curepto 191743.1 2017 1811588746 40 0.0042337 07103 7669724 19510807 487770.18
7103062022 07103 3 9448 Curepto 191743.1 2017 1811588746 448 0.0474174 07103 85900906 97341417 217279.95
7103072901 07103 1 9448 Curepto 191743.1 2017 1811588746 108 0.0114310 07103 20708254 19510807 180655.62
7103082011 07103 1 9448 Curepto 191743.1 2017 1811588746 125 0.0132303 07103 23967887 19510807 156086.46
7103082017 07103 1 9448 Curepto 191743.1 2017 1811588746 85 0.0089966 07103 16298163 19510807 229538.91
7103082059 07103 2 9448 Curepto 191743.1 2017 1811588746 43 0.0045512 07103 8244953 48697286 1132495.02
7103102026 07103 9 9448 Curepto 191743.1 2017 1811588746 967 0.1023497 07103 185415571 797816908 825043.34
7103102039 07103 2 9448 Curepto 191743.1 2017 1811588746 330 0.0349280 07103 63275221 48697286 147567.53
7103112018 07103 1 9448 Curepto 191743.1 2017 1811588746 80 0.0084674 07103 15339447 19510807 243885.09
7103112023 07103 1 9448 Curepto 191743.1 2017 1811588746 32 0.0033870 07103 6135779 19510807 609712.72
7103112901 07103 1 9448 Curepto 191743.1 2017 1811588746 18 0.0019052 07103 3451376 19510807 1083933.73
7104012033 07104 1 4142 Empedrado 172428.7 2017 714199777 18 0.0043457 07104 3103717 19510807 1083933.73
7104012901 07104 3 4142 Empedrado 172428.7 2017 714199777 24 0.0057943 07104 4138289 97341417 4055892.38
7104022007 07104 2 4142 Empedrado 172428.7 2017 714199777 162 0.0391115 07104 27933453 48697286 300600.53
7104022012 07104 1 4142 Empedrado 172428.7 2017 714199777 241 0.0581845 07104 41555323 19510807 80957.71
7104032008 07104 1 4142 Empedrado 172428.7 2017 714199777 94 0.0226944 07104 16208300 19510807 207561.78
7105012020 07105 2 49721 Maule 195207.4 2017 9705908393 173 0.0034794 07105 33770885 48697286 281487.20
7105022020 07105 8 49721 Maule 195207.4 2017 9705908393 492 0.0098952 07105 96042053 632426862 1285420.45
7105022024 07105 3 49721 Maule 195207.4 2017 9705908393 232 0.0046660 07105 45288123 97341417 419575.07
7105022901 07105 1 49721 Maule 195207.4 2017 9705908393 26 0.0005229 07105 5075393 19510807 750415.66
7105032014 07105 5 49721 Maule 195207.4 2017 9705908393 222 0.0044649 07105 43336048 253002637 1139651.52
7105032021 07105 3 49721 Maule 195207.4 2017 9705908393 58 0.0011665 07105 11322031 97341417 1678300.30
7105032024 07105 1 49721 Maule 195207.4 2017 9705908393 109 0.0021922 07105 21277609 19510807 178998.23
7105042001 07105 4 49721 Maule 195207.4 2017 9705908393 167 0.0033587 07105 32599640 165443201 990677.85
7105042004 07105 2 49721 Maule 195207.4 2017 9705908393 83 0.0016693 07105 16202216 48697286 586714.29
7105042005 07105 51 49721 Maule 195207.4 2017 9705908393 2479 0.0498582 07105 483919207 25314459084 10211560.74
7105042017 07105 14 49721 Maule 195207.4 2017 9705908393 388 0.0078035 07105 75740481 1916631928 4939773.01
7105042018 07105 3 49721 Maule 195207.4 2017 9705908393 212 0.0042638 07105 41383974 97341417 459157.63
7105042027 07105 18 49721 Maule 195207.4 2017 9705908393 471 0.0094729 07105 91942697 3161921689 6713209.53
7105052005 07105 1 49721 Maule 195207.4 2017 9705908393 88 0.0017699 07105 17178253 19510807 221713.72
7105052027 07105 27 49721 Maule 195207.4 2017 9705908393 858 0.0172563 07105 167487971 7102096325 8277501.54
7105052901 07105 1 49721 Maule 195207.4 2017 9705908393 37 0.0007442 07105 7222675 19510807 527319.11
7105062002 07105 7 49721 Maule 195207.4 2017 9705908393 436 0.0087689 07105 85110437 486494468 1115813.00


Guardamos:

saveRDS(h_y_m_comuna_corr, "Rural/region_07_ESCOLARIDAD_r.rds")