date: 21-07-2021
1 Censo Personas 2017
2 Análisis de regresión
2.1 región 01
3 Coeficiente de determinación
0.7229
4 Ecuación de regresión
\[ \hat Y = {\ 2621.971}^2 + 2 \ 2621.971 \ 1492.728 \sqrt{X}+ \ 1492.728^2 X \]
5 Análisis de regresión
5.1 región 02
6 Coeficiente de determinación
0.6452
7 Ecuación de regresión
\[ \hat Y = -85596834 + 59936823 \sqrt {X} \]
8 Análisis de regresión
8.1 región 03
9 Coeficiente de determinación
0.5608
10 Ecuación de regresión
\[ \hat Y = e^{16.08802 +0.8943158 \cdot ln{X}} \]
11 Análisis de regresión
11.1 región 04
12 Coeficiente de determinación
0.6716
13 Ecuación de regresión
\[ \hat Y = {\ 1644.978}^2 + 2 \ 1644.978 \ 2326.317 \sqrt{X}+ \ 2326.317^2 X \]
14 Análisis de regresión
14.1 región 05
15 Coeficiente de determinación
0.7669
16 Ecuación de regresión
\[ \hat Y = {\ 1212.349}^2 + 2 \ 1212.349 \ 2452.443 \sqrt{X}+ \ 2452.443^2 X \]
17 Análisis de regresión
17.1 región 06
18 Coeficiente de determinación
0.7519
19 Ecuación de regresión
\[ \hat Y = {\ 1489.315}^2 + 2 \ 1489.315 \ 2679.367 \sqrt{X}+ \ 2679.367^2 X \]
20 Análisis de regresión
20.1 región 07
21 Coeficiente de determinación
0.724
22 Ecuación de regresión
\[ \hat Y = \ 9781981 + \ 9728826 X^2 \]
23 Análisis de regresión
23.1 región 08
24 Coeficiente de determinación
0.7352
25 Ecuación de regresión
\[ \hat Y = {\ 1489.315}^2 + 2 \ 1489.315 \ 2679.367 \sqrt{X}+ \ 2679.367^2 X \]
26 Análisis de regresión
26.1 región 09
27 Coeficiente de determinación
0.547
28 Ecuación de regresión
\[ \hat Y = \ 17399422 + \ 5259096 X^2 \]
29 Análisis de regresión
29.1 región 10
30 Coeficiente de determinación
0.6611
31 Ecuación de regresión
\[ \hat Y = \17572146 + \4831427 X^2 \]
32 Análisis de regresión
32.1 región 11
33 Coeficiente de determinación
0.6576
34 Ecuación de regresión
\[ \hat Y = \-29404628 + \33840753 \sqrt {X} \]
35 Análisis de regresión
35.1 región 12
36 Coeficiente de determinación
0.8083
37 Ecuación de regresión
\[ \hat Y = -39111592 + 39931927 \sqrt {X} \]
38 Análisis de regresión
38.1 región 13
39 Coeficiente de determinación
0.8572
40 Ecuación de regresión
\[ \hat Y = {\ 1794.834}^2 + 2 \ 1794.834 \ 2221.198 \sqrt{X}+ \ 2221.198^2 X \]
41 Análisis de regresión
41.1 región 14
42 Coeficiente de determinación
0.5935
43 Ecuación de regresión
\[ \hat Y = \14572183 + \6731212 X^2 \]
44 Análisis de regresión
44.1 región 15
45 Coeficiente de determinación
0.7814
46 Ecuación de regresión
\[ \hat Y = e^{16.34088 +0.7457676 \cdot ln{X}} \]
47 Análisis de regresión
47.1 región 16
48 Coeficiente de determinación
0.7354
49 Ecuación de regresión
\[ \hat Y = \11027064 + \6574039 X^2 \]
50 Union total de las tablas urbanas
archivos_unidos <- dir("rural/", pattern = "*.rds")
receptaculo <- data.frame()
archivos_df <- as.data.frame(archivos_unidos) for (n in 1:nrow(archivos_df)) {
nombres <- paste("rural/", archivos_df[n,], sep = "")
cargado <- readRDS(nombres)
identificar <- archivos_df[n,1]
identificar <- str_replace(archivos_df[n,1], "_ESCOLARIDAD_r.rds","")
cargado$identificador <- identificar
receptaculo <- rbind(receptaculo,cargado)
# print(receptaculo)
}
write_xlsx(receptaculo,"rural/censo_casen_rur_2017.xlsx")
write_csv2(receptaculo,"rural/censo_casen_rur_2017.csv")51 Gráfica de la recta de regresión versus los valores verdaderos.
receptaculo_1 <- filter(receptaculo, receptaculo$identificador == "region_01" )
# receptaculo_1 <- receptaculo
est_ing <- receptaculo_1$est_ing
frecuencia <- receptaculo_1$Freq.x
multipob <- receptaculo_1$multipob
data <- data.frame(est_ing, multipob, frecuencia)library(plotly)## Warning: package 'plotly' was built under R version 4.0.5##
## Attaching package: 'plotly'## The following object is masked from 'package:rio':
##
## export## The following object is masked from 'package:ggplot2':
##
## last_plot## The following object is masked from 'package:stats':
##
## filter## The following object is masked from 'package:graphics':
##
## layoutfig <- plot_ly(x=data$frecuencia, y=data$est_ing)
fig <- fig %>% add_trace(y=data$multipob, name = 'est_ing', mode = 'markers')
fig <- fig %>% add_trace(y=data$est_ing, name = 'est_ing', mode = 'markers')
fig## No trace type specified:
## Based on info supplied, a 'scatter' trace seems appropriate.
## Read more about this trace type -> https://plotly.com/r/reference/#scatter## Warning: Ignoring 9 observations## No trace type specified:
## Based on info supplied, a 'scatter' trace seems appropriate.
## Read more about this trace type -> https://plotly.com/r/reference/#scatterggplot(receptaculo, aes(x = log(Freq.x) , y = log(Freq.y))) + geom_point() + stat_smooth(method = "lm", col = "red")## `geom_smooth()` using formula 'y ~ x'