Datos/variables en origen:AMV 60 municipios..

Mun= nombre del municipio
sulr = suelo urbanizado en Ha
ext = extensión del municipio en Km2
cox = coordenada x del centro del municipio (0,0 arriba izq)
coy = coordenada y del centro del municipio (0,0 arriba izq)
viv = número de viviendas
cond = consumo total de energía doméstica del municipio en miles de KWh
coni = consumo total de energía industrial del municipio en miles de KWh
ren = renta per cápita en pps
pob = población de Municipio

CREADAS en Excel
covyy = coordenada y con 0,0 habitual tomamos 1400 (próximo al max, Llauri 1216) será covvy= 1400-coy
hac = Hacinamiento Pob/viv
dr= población por Ha urbana pob/sulr
cdpc= Consumo doméstico per cápita cond/pob
cipc= Consumo industrial per cápita coni/pob

Indice de Gini población del área

## Índice de Gini Poblacio: 0.69
Indice de Gini renta del área 
## Índice de Gini Renta : 0.0583
Conversión de la renta en tres niveles/factores
bajo< 23000 medio entre 23000 y 25000 y alto> 25000, se crea ren_categoria 
## 
##  bajo medio  alto 
##    13    26    21
##  bajo medio  alto 
##    13    26    21

Resumen estadístico por categoría
ren_categoria n media mediana desviacion min max
bajo 13 21782.54 21926 1014.38 20030 22963
medio 26 24089.69 24121 518.00 23112 24997
alto 21 27635.38 27159 2655.26 25057 34603
Renta estudiada en dos entornos : Norte de Valencia coordenada < 921( valencia ) y sur de Valencia coordenada > 921 
norte<-(datos$ren[datos$covyy>921])
summary(norte) 
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   20451   23896   24500   25288   25792   34603
sur<-(datos$ren[datos$covyy<921])
summary(sur) 
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   20030   22267   23814   23985   24924   29327

El resultado nos indica que el Norte de Valencia tiene unos valores superiores como es habitual en las áreas metropolitanas del hemisferio norte

Gráfico del área en base a Habitantes por hectárea construída del municipio
( vendría a ser concentración urbana)

En el gráfico superior se observa claramente la mayor “congestión” urbana en l`horta Sud

Gráfico del área en base a “hacinamiento”
tomesé como habitantes por vivienda .

Se observa que los municipios con menos hacinamiento son
Puebla de Farnals, El Puig , Sueca .. Municipos turíticos de segunda residencia

Regresión : consumo doméstico per cápita en función de Renta per cápita
## 
## Call:
## lm(formula = cdpc ~ ren, data = datos)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -0.72813 -0.18471 -0.01854  0.14415  0.75251 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -1.209e-01  3.449e-01  -0.351 0.727183    
## ren          4.859e-05  1.380e-05   3.520 0.000847 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.2962 on 58 degrees of freedom
## Multiple R-squared:  0.176,  Adjusted R-squared:  0.1618 
## F-statistic: 12.39 on 1 and 58 DF,  p-value: 0.0008474

## consumo doméstico per cápita = -0.1209 + 4.859089e-05 * renta per cápita

Se observa que los valores más anómalos son Sueca y Puebla de Farnals (pueden variar el numéro según la ordenación de los datos pero no su nombre). Curiosamente municipios con menor hacinamiento (2ª vivienda)

## 
## PREDICCIONES EJEMPLO:
## Para renta per cápita de = 20000 → consumo per cápita estimado en miles de kwh= 0.85 
## Para renta per cápita de = 25000 → consumo per cápita estimado en miles de kwh= 1.09 
## Para renta per cápita de = 30000 → consumo per cápita estimado en miles de kwh= 1.34 
## Para renta per cápita de = 35000 → consumo per cápita estimado en miles de kwh= 1.58
Regresión : consumo industrial per cápita en función de Renta per cápita
## 
## Call:
## lm(formula = cipc ~ ren, data = datos)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -7.6835 -2.2132 -1.3164  0.9709 31.3852 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)
## (Intercept) -7.871315   6.922006  -1.137    0.260
## ren          0.000456   0.000277   1.646    0.105
## 
## Residual standard error: 5.944 on 58 degrees of freedom
## Multiple R-squared:  0.04463,    Adjusted R-squared:  0.02816 
## F-statistic:  2.71 on 1 and 58 DF,  p-value: 0.1052

## Ecuación de regresión:
## consumo industrial per cápita = -7.8713 + 5e-04 * renta per cápita

Se observa que los valores más anómalos son Beniparrel y Almusafes Curiosamente municipioscon mayor industrializació

## 
## PREDICCIONES EJEMPLO:
## Para una renta per cápita de  = 20000 → consumo estimado en miles de kwh = 1.25 
## Para una renta per cápita de  = 25000 → consumo estimado en miles de kwh = 3.53 
## Para una renta per cápita de  = 30000 → consumo estimado en miles de kwh = 5.81 
## Para una renta per cápita de  = 35000 → consumo estimado en miles de kwh = 8.09
Regresión Renta per cápita en función del consumo de energia industrial per cápita 
## 
## Call:
## lm(formula = ren ~ cipc, data = datos)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -4557.1 -1485.7  -352.4   961.9 10088.0 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 24492.91     410.50  59.666   <2e-16 ***
## cipc           97.87      59.45   1.646    0.105    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 2754 on 58 degrees of freedom
## Multiple R-squared:  0.04463,    Adjusted R-squared:  0.02816 
## F-statistic:  2.71 on 1 and 58 DF,  p-value: 0.1052

## Ecuación de regresión:
## Renta per cápita 24492.91 + 97.8669 * consumo i per cápita

## 
## PREDICCIONES EJEMPLO:
## Para un consumo industrial per cápita en miles de kwh = 0.75 → renta per cápita estimada  = 24566.31 
## Para un consumo industrial per cápita en miles de kwh = 1 → renta per cápita estimada  = 24590.77 
## Para un consumo industrial per cápita en miles de kwh = 1.5 → renta per cápita estimada  = 24639.71 
## Para un consumo industrial per cápita en miles de kwh = 2 → renta per cápita estimada  = 24688.64

Comprobar si la extensión de los municipios sigue una distribución de Poisson

## Frecuencias observadas:
##  [1] 3 5 3 6 3 3 2 4 2 1 1 3 2 2 1 4 1 1 1 1 1 2 1 1 1 1 1 1 1 1
## 
## Frecuencias teóricas:
##  [1] 0.000 0.000 0.000 0.001 0.003 0.009 0.027 0.068 0.152 0.308 0.567 1.489
## [13] 2.154 3.680 4.932 5.322 3.509 2.842 1.660 0.144 0.028 0.004 0.001 0.000
## [25] 0.000 0.000 0.000 0.000 0.000 0.000
## 
## --- RESULTADOS DEL TEST ---
## Estadístico chi-cuadrado: 5.374347e+60 
## Grados de libertad: 29 
## Valor p: 0 
## Conclusión: Se rechaza H0 - Existen diferencias significativas
## Frecuencias observadas:
## 
##   1   2   3   4   5   6   7   8   9  10  11  13  14  16  18  20  24  25  27  33 
##   3   5   3   6   3   3   2   4   2   1   1   3   2   2   1   4   1   1   1   1 
##  36  39  42  58  69  72  76  86  93 135 
##   1   2   1   1   1   1   1   1   1   1 
## 
## Lambda estimado: 20.25 
## 
## Frecuencias esperadas:
##  [1] 0.000 0.000 0.000 0.001 0.003 0.009 0.027 0.068 0.152 0.308 0.567 1.489
## [13] 2.154 3.680 4.932 5.322 3.509 2.842 1.660 0.144 0.028 0.004 0.001 0.000
## [25] 0.000 0.000 0.000 0.000 0.000 0.000

## 
## --- RESULTADOS DEL TEST ---
## Estadístico chi-cuadrado: 5.374347e+60 
## Grados de libertad: 29 
## Valor p: 0 
## Conclusión: Se rechaza H0 - Los datos NO siguen una distribución Poisson
## Frecuencias observadas:
## 
##   1   2   3   4   5   6   7   8   9  10  11  13  14  16  18  20  24  25  27  33 
##   3   5   3   6   3   3   2   4   2   1   1   3   2   2   1   4   1   1   1   1 
##  36  39  42  58  69  72  76  86  93 135 
##   1   2   1   1   1   1   1   1   1   1 
## 
## Lambda estimado: 20.25
## 
## --- RESULTADOS DEL TEST KOLMOGOROV-SMIRNOV ---
## Estadístico D: 0.5404 
## Valor p: 0 
## Conclusión: Se rechaza H0 - Los datos NO siguen una distribución Poisson

me he cansado

juan

juan