Universidad Central del Ecuador

Cárdenas Ronald y Tambaco Danny

26 de octubre de 2017

Introduccion

Al interpretar datos multivariados es util encontrar la/las componente/s principales que expliquen una gran
parte de la variabilidad de las variables. Asi se puede sustituir estas variables y representarlas por un número
menor de componentes principales
Para esto se hara 3 ACP de dos variables
1. V2: VivUrbano, V3: VivRural
2. V5: HHUrbano, V6: HHRural
3. V4: VivTotal, V7: HHTotal
Explicamos la variabilidad de dos variables con una componente principal de la matriz de correlacion asociada
a la matriz dada por cada ACP

2. Marco Teórico

2.1. Variables

• Tabla: Contiene la base de datos del último censo.

• Tabla1: Promedio de vivienda área urbana y vivienda área rural.
• Tabla2: Promedio de hogares área urbana y de hogares área rural.
• Tabla3: Promedio de vivienda total cantón y total de hogares.
• PCA.tabla1: Componentes Principales de las Viviendas.
• PCA.tabla2: Componentes Principales de los hogares.
• acpT3: Componentes Principales Tabla3.
• varianzasT1: La varianza de cada uno de las componentes principales.
• varianzasT2: La varianza de cada uno de las componentes principales.
• varianzasT3: La varianza de cada uno de las componentes principales.
• It1: Inercia de tabla 1.
• It2: Inercia de la tabla2.
• It3: Inercia de la tabla3.
• correlaciones1: Correlacion que existe entre tabla1 y PCA.tabla1.
• correlaciones2: Correlacion que existe entre tabla2 y PCA.tabla2.
• correlaciones3: Correlacion que existe entre tabla3 y acpT3.
• comunalidad1: Es el coefciente de correlación multiple entre tabla1 y todas las componenetes de
PCA.tabla1.
• comunalidad2: Es el coefciente de correlación multiple entre tabla2 y todas las componenetes de
PCA.tabla2.

1
2.2. Fórmulas

Cargando archivos

library(readxl)

## Warning: package 'readxl' was built under R version 3.3.2

Marco_VivHhPer <- read_excel("C:/Users/JOSE JOSE/Downloads/Marco VivHhPer.xlsx")
tabla=Marco_VivHhPer

Creando tablas para análisis

tabla1=tabla[,c(2,3)]

tabla2=tabla[,c(5,6)]

tabla3=tabla[,c(4,7)]

Componentes principales de las tablas.

PCA.tabla1=princomp(tabla1,cor=T)
PCA.tabla1

## Call:
## princomp(x = tabla1, cor = T)
##
## Standard deviations:
## Comp.1 Comp.2
## 1.1677537 0.7977163
##
## 2 variables and 224 observations.
PCA.tabla2=princomp(tabla2,cor=T)
PCA.tabla2

## Call:
## princomp(x = tabla2, cor = T)
##
## Standard deviations:
## Comp.1 Comp.2
## 1.2523719 0.6569358
##
## 2 variables and 224 observations.
PCA.tabla3=princomp(tabla2,cor=T)
PCA.tabla3

## Call:
## princomp(x = tabla2, cor = T)
##
## Standard deviations:
## Comp.1 Comp.2

2
## 1.2523719 0.6569358
##
## 2 variables and 224 observations.

Inercias o varianza explicada

It1=PCA.tabla1$sdev
It1

## Comp.1 Comp.2
## 1.1677537 0.7977163
It2=PCA.tabla2$sdev
It2

## Comp.1 Comp.2
## 1.2523719 0.6569358
It3=PCA.tabla3$sdev
It3

## Comp.1 Comp.2
## 1.2523719 0.6569358

Factores o vectores propios asociados a cada valor propio

PCA.tabla1$loadings

##
## Loadings:
## Comp.1 Comp.2
## VivUrbano -0.707 0.707
## VivRural -0.707 -0.707
##
## Comp.1 Comp.2
## SS loadings 1.0 1.0
## Proportion Var 0.5 0.5
## Cumulative Var 0.5 1.0
PCA.tabla2$loadings

##
## Loadings:
## Comp.1 Comp.2
## HHUrbano 0.707 -0.707
## HHRural 0.707 0.707
##
## Comp.1 Comp.2
## SS loadings 1.0 1.0
## Proportion Var 0.5 0.5
## Cumulative Var 0.5 1.0
PCA.tabla3$loadings

##

3
## Loadings:
## Comp.1 Comp.2
## HHUrbano 0.707 -0.707
## HHRural 0.707 0.707
##
## Comp.1 Comp.2
## SS loadings 1.0 1.0
## Proportion Var 0.5 0.5
## Cumulative Var 0.5 1.0

Varianza asocidad a cada factor

varianzat1=(PCA.tabla1$sdev)^2
varianzat1

## Comp.1 Comp.2
## 1.3636487 0.6363513
varianzat2=(PCA.tabla2$sdev)^2
varianzat2

## Comp.1 Comp.2
## 1.5684354 0.4315646
varianzat3=(PCA.tabla3$sdev)^2
varianzat3

## Comp.1 Comp.2
## 1.5684354 0.4315646

Correlaciones

x=c(-0.8256013,-0.8256019)
y=c(0.5639854,-0.5639854)

correlaciones1=data.frame(Comp.1=x,Comp.2=y)
correlaciones1

## Comp.1 Comp.2
## 1 -0.8256013 0.5639854
## 2 -0.8256019 -0.5639854
x1=c(0.8854269,0.8854269)
y1=c(-0.4644555,0.4644555)

correlaciones2=data.frame(Comp.1=x1,Comp.2=y1)
correlaciones2

## Comp.1 Comp.2
## 1 0.8854269 -0.4644555
## 2 0.8854269 0.4644555

4
Correlacion al cudrado

x2=x^2
y2=y^2

cosenos1=data.frame(Comp.1=x2,Comp.2=y2)
cosenos1

## Comp.1 Comp.2
## 1 0.6816175 0.3180795
## 2 0.6816185 0.3180795
x4=x1^2
y4=y1^2

cosenos2=data.frame(Comp.1=x4,Comp.2=y4)
cosenos2

## Comp.1 Comp.2
## 1 0.7839808 0.2157189
## 2 0.7839808 0.2157189

Comunalidad

y3=c(0.999697,0.999697)
comunalidad1=data.frame(Comp.1=x2,Comp.2=y3)
comunalidad1

## Comp.1 Comp.2
## 1 0.6816175 0.999697
## 2 0.6816185 0.999697
y5=c(0.9996997,0.9996997)
comunalidad1=data.frame(Comp.1=x4,Comp.2=y5)
comunalidad1

## Comp.1 Comp.2
## 1 0.7839808 0.9996997
## 2 0.7839808 0.9996997

3. Resultados

ACP1

Tabla1=Tabla[,c(2,3)]
Tabla1

## VivUrbano VivRural
## 1 0.6730266 0.3573833
## 2 0.5648387 0.2270095
## 3 0.5270469 0.2077286
## 4 0.4131933 0.1715259
## 5 0.5263610 0.2204080
## 6 0.4169773 0.2011474

5
## 7 0.4981696 0.2805215
## 8 0.5264426 0.2195750
## 9 0.4761728 0.1823369
## 10 0.3128458 0.1492915
## 11 0.5262759 0.2572142
## 12 0.3903509 0.2224932
## 13 0.4981592 0.2502857
## 14 0.4498782 0.2460026
## 15 0.5281385 0.3004181
## 16 0.5964628 0.2216341
## 17 0.5277596 0.2351508
## 18 0.5837428 0.2801426
## 19 0.5034837 0.2471740
## 20 0.5936542 0.2772169
## 21 0.5060995 0.3199330
## 22 0.4444035 0.3100422
## 23 0.5960655 0.2936682
## 24 0.5423183 0.2813818
## 25 0.5699020 0.2644660
## 26 0.4566755 0.3665421
## 27 0.4940810 0.2820322
## 28 0.4762912 0.2164542
## 29 0.5174494 0.2432797
## 30 0.6688345 0.3896463
## 31 0.5497793 0.3438083
## 32 0.5804897 0.3863567
## 33 0.6334284 0.3041388
## 34 0.6173733 0.3298193
## 35 0.5869892 0.3794684
## 36 0.6131910 0.3273224
## 37 0.4742660 0.2921791
## 38 0.4474551 0.2142767
## 39 0.5704887 0.2001013
## 40 0.6041601 0.2992048
## 41 0.5515702 0.2156345
## 42 0.4277617 0.1727561
## 43 0.6339204 0.2821749
## 44 0.5236055 0.2263669
## 45 0.5003695 0.2347714
## 46 0.5657987 0.3039522
## 47 0.5399163 0.2249029
## 48 0.4498877 0.2330466
## 49 0.4950846 0.2621429
## 50 0.4630580 0.2127639
## 51 0.3757474 0.2378369
## 52 0.5128390 0.2614335
## 53 0.5660463 0.3672483
## 54 0.5159511 0.2811323
## 55 0.6238723 0.4248973
## 56 0.5806617 0.3576916
## 57 0.3825043 0.1295555
## 58 0.5569069 0.3728401
## 59 0.4307366 0.2731313
## 60 0.5734081 0.3444302

6
## 61 0.5558886 0.3917351
## 62 0.6293517 0.3635509
## 63 0.5975364 0.3305345
## 64 0.5814276 0.3805469
## 65 0.6411143 0.3206987
## 66 0.5218034 0.3331411
## 67 0.5866087 0.3226321
## 68 0.4169752 0.2508209
## 69 0.3853445 0.2319919
## 70 0.4704162 0.2799897
## 71 0.4864380 0.2668578
## 72 0.4053370 0.2647476
## 73 0.3573275 0.2351280
## 74 0.4094741 0.3188617
## 75 0.5947775 0.3415472
## 76 0.4325417 0.2756301
## 77 0.4584609 0.3247353
## 78 0.3950317 0.2214498
## 79 0.4388356 0.2100376
## 80 0.4688593 0.2397581
## 81 0.4927207 0.1995130
## 82 0.4022685 0.2603157
## 83 0.4331530 0.2645649
## 84 0.4835362 0.2932872
## 85 0.5214023 0.3157388
## 86 0.4776442 0.2984153
## 87 0.4634376 0.2545455
## 88 0.3998175 0.2060941
## 89 0.6809655 0.2741626
## 90 0.4562431 0.2364861
## 91 0.4064555 0.2367176
## 92 0.4830319 0.3269971
## 93 0.3613608 0.2827858
## 94 0.4061467 0.2940390
## 95 0.6041119 0.3194773
## 96 0.3909590 0.2632628
## 97 0.4966826 0.3400485
## 98 0.5249321 0.2703977
## 99 0.3808246 0.1836931
## 100 0.6774552 0.4184035
## 101 0.6487563 0.5141688
## 102 0.6537362 0.3334369
## 103 0.6408815 0.4010148
## 104 0.5839120 0.2644404
## 105 0.5597377 0.3396628
## 106 0.6330103 0.2487071
## 107 0.6097072 0.2268691
## 108 0.5284065 0.2434732
## 109 0.6063541 0.2697211
## 110 0.4547952 0.1946110
## 111 0.5144667 0.2681187
## 112 0.5558807 0.2055229
## 113 0.5606591 0.2235584
## 114 0.5564064 0.2094431

7
## 115 0.5600598 0.2502676
## 116 0.5045387 0.1895095
## 117 0.4847552 0.2194919
## 118 0.4898002 0.2331116
## 119 0.5314440 0.2508347
## 120 0.5028588 0.2370440
## 121 0.4970226 0.1906956
## 122 0.5211823 0.3114974
## 123 0.4625651 0.2663722
## 124 0.4841637 0.3069487
## 125 0.4731015 0.3234995
## 126 0.4845146 0.3231732
## 127 0.4552421 0.3056646
## 128 0.4551456 0.2607299
## 129 0.4644060 0.2369827
## 130 0.4398281 0.2012961
## 131 0.4798477 0.3449759
## 132 0.4661759 0.2597280
## 133 0.4887206 0.2666358
## 134 0.4711981 0.2554575
## 135 0.5557231 0.2950886
## 136 0.5123062 0.2656086
## 137 0.5567208 0.2655883
## 138 0.5274585 0.2697826
## 139 0.4506465 0.2678516
## 140 0.4925333 0.2108640
## 141 0.5510062 0.2837293
## 142 0.5472510 0.2913168
## 143 0.3965687 0.2703245
## 144 0.4693232 0.2053750
## 145 0.4816979 0.2416662
## 146 0.5556255 0.3196709
## 147 0.5555823 0.2838388
## 148 0.5112170 0.3025480
## 149 0.4763502 0.3049716
## 150 0.4660521 0.2423687
## 151 0.4272463 0.2234352
## 152 0.3719599 0.2284292
## 153 0.3702479 0.3144610
## 154 0.5280553 0.3425598
## 155 0.4135169 0.4478306
## 156 0.4503929 0.2709895
## 157 0.6020710 0.2846025
## 158 0.5666640 0.2006031
## 159 0.5499228 0.1998309
## 160 0.5657620 0.2442354
## 161 0.5824659 0.2932732
## 162 0.5858419 0.2834209
## 163 0.4819835 0.2133023
## 164 0.5649038 0.2153110
## 165 0.4330526 0.2114138
## 166 0.4650350 0.2349756
## 167 0.4275520 0.2437462
## 168 0.4313404 0.1787879

8
## 169 0.5844437 0.2595082
## 170 0.6048690 0.2478566
## 171 0.5293917 0.2789829
## 172 0.6313894 0.4283581
## 173 0.5331439 0.3061316
## 174 0.5841787 0.2277290
## 175 0.5410354 0.4604428
## 176 0.4582814 0.2304755
## 177 0.4947368 0.1755051
## 178 0.6897700 0.5833330
## 179 0.6169669 0.3247052
## 180 0.7068844 0.4909873
## 181 0.6035314 0.3767991
## 182 0.7011306 0.4633047
## 183 0.5661559 0.3650038
## 184 0.5701604 0.2730491
## 185 0.5192704 0.2664307
## 186 0.6557406 0.3792425
## 187 0.5778951 0.3346789
## 188 0.5710227 0.4277999
## 189 0.4914061 0.3762280
## 190 0.5673590 0.3369621
## 191 0.5265605 0.2661395
## 192 0.6262038 0.3688298
## 193 0.5471674 0.3119418
## 194 0.4761391 0.3569894
## 195 0.5918401 0.2942693
## 196 0.5173569 0.2013516
## 197 0.4741379 0.2346816
## 198 0.4015748 0.1593127
## 199 0.5646607 0.2633188
## 200 0.5293786 0.2530964
## 201 0.5747439 0.3014960
## 202 0.5272411 0.2154033
## 203 0.4024140 0.2482314
## 204 0.5914892 0.2856265
## 205 0.5670762 0.1731918
## 206 0.5625506 0.4289850
## 207 0.4709218 0.2558149
## 208 0.5575950 0.2965035
## 209 0.5277396 0.2016789
## 210 0.4719875 0.2756602
## 211 0.5359116 0.3273263
## 212 0.5101160 0.2839452
## 213 0.4219226 0.2388077
## 214 0.4378517 0.2207378
## 215 0.4741259 0.2790631
## 216 0.4898952 0.2750340
## 217 0.4610619 0.2124997
## 218 0.5208326 0.3193136
## 219 0.3850029 0.3280111
## 220 0.4526221 0.0000000
## 221 0.3429957 0.3870928
## 222 0.0000000 0.3258159

9
## 223 0.0000000 0.2642688
## 224 0.0000000 0.3154854
## Importance of components:
## Comp.1 Comp.2
## Standard deviation 1.1677537 0.7977163
## Proportion of Variance 0.6818244 0.3181756
## Cumulative Proportion 0.6818244 1.0000000
##
## Loadings:
## Comp.1 Comp.2
## VivUrbano -0.707 0.707
## VivRural -0.707 -0.707
##
## Comp.1 Comp.2
## SS loadings 1.0 1.0
## Proportion Var 0.5 0.5
## Cumulative Var 0.5 1.0

Valor Varianzas
0.0 0.2 0.4 0.6 0.8 1.0 1.2
Variances

Comp.1 Comp.2

10
 −20 −10 −5 0 5 10

0.2
220

10
VivUrbano
205

0.1
89106107
1639
158
159
174112
164
114

5
43170 41
113
2209177
33
65
102
109
160
169
104
115
20
157
204
40 25
199
18
162
184
478116
202
5
44
17
108
3
196
121
81
140 9 57
1179
95
34
36 23
195
161137
119
147 29
200
11 163
45
120 110
144
117
28
118
19 50
217 42
168
130198
4
−0.1 0.0 186
3062 201
63135
208
46
67 191
141
138
24 13
52
98
185
111
54 197
145
136
142
171 166
129
49
150 38
79
165
176
80214
90
48 6
75
192193
187 133
212134
207
71 151 99

0
146
190 15
173 787
216
132
27 14 88 10
Comp.2

100
103 60
105
56
181 148
122
85
211
218
31 128
123
210
215
70
139
84
156
37 213
16778
12
91
68
182172
55 35
183
53
64
32
58 66
1542186
124
149
126 83
59
76 82
726
203 9
152
51
180 97
61 131 127
92
125
2294
77 9673
143

−10 −5
188
206 194
189 74 93
101 26 153
219
178 175
VivRural
155221
−0.3

223

−20
224
222

−0.3 −0.1 0.0 0.1 0.2

Comp.1

Obtenemos las Varianzas

## Comp.1 Comp.2
## 1.3636487 0.6363513
O a su vez por medio de las matriz de correlación
## VivUrbano VivRural
## VivUrbano 1.0000000 0.3636487
## VivRural 0.3636487 1.0000000
## [1] 1.3636487 0.6363513
Mediante el Criterio de Kaiser(Vamos a obtener las componentes principales).
Como estamos trabajando con la matriz X=R de correlacion retenemos las m primeras componentes tales
que la varianza de la componente-m sea >=1 por tanto la componente principal es Comp.1

ACP2

Tabla2=Tabla[,c(5,6)]
Tabla2

## HHUrbano HHRural
## 1 0.6450703 0.5336793
## 2 0.6039927 0.5133439
## 3 0.6025061 0.4849528
## 4 0.6097179 0.4684689

11
## 5 0.5961058 0.4974243
## 6 0.5171633 0.4218230
## 7 0.5808081 0.5491017
## 8 0.6031115 0.4942367
## 9 0.6419036 0.4901784
## 10 0.5206933 0.4315209
## 11 0.6179041 0.4720527
## 12 0.6132756 0.5165490
## 13 0.6118577 0.5458487
## 14 0.5727848 0.5138947
## 15 0.4959934 0.3897340
## 16 0.6120888 0.4089586
## 17 0.5539911 0.4162477
## 18 0.5986248 0.4644797
## 19 0.5627293 0.4780654
## 20 0.6105902 0.4661418
## 21 0.6203449 0.5122655
## 22 0.5055592 0.4523848
## 23 0.7052468 0.5229163
## 24 0.6479058 0.5202693
## 25 0.6556169 0.4637658
## 26 0.5097563 0.4817822
## 27 0.5973350 0.4862834
## 28 0.5880975 0.4988589
## 29 0.5871329 0.4309597
## 30 0.6113306 0.4666103
## 31 0.5658606 0.4695045
## 32 0.5927038 0.5029076
## 33 0.6306467 0.5119617
## 34 0.6060144 0.4841571
## 35 0.5508126 0.4981156
## 36 0.6484545 0.5002580
## 37 0.4459491 0.4451314
## 38 0.5396518 0.4188695
## 39 0.5975900 0.4048307
## 40 0.6296528 0.4818577
## 41 0.5361241 0.4280788
## 42 0.5329314 0.3999298
## 43 0.6198176 0.4673337
## 44 0.6125465 0.3951470
## 45 0.5413034 0.4196297
## 46 0.6062164 0.4670636
## 47 0.6181290 0.4448817
## 48 0.5765053 0.4014747
## 49 0.5793173 0.4733892
## 50 0.5415896 0.4662697
## 51 0.6294591 0.4761810
## 52 0.5289922 0.4584242
## 53 0.5608521 0.4222807
## 54 0.5357672 0.4088329
## 55 0.6804103 0.5456835
## 56 0.6221697 0.5265706
## 57 0.4947214 0.4000436
## 58 0.4742706 0.3952379

12
## 59 0.4843210 0.2709181
## 60 0.6050961 0.5391442
## 61 0.5550190 0.4376150
## 62 0.6388286 0.5121395
## 63 0.6135271 0.5059289
## 64 0.5494731 0.4639741
## 65 0.6654127 0.4935098
## 66 0.5638740 0.4767717
## 67 0.5741217 0.4457305
## 68 0.5261072 0.4216659
## 69 0.4722969 0.3970760
## 70 0.5540988 0.4501541
## 71 0.5425570 0.4135088
## 72 0.4922706 0.4612449
## 73 0.4659244 0.4240187
## 74 0.5166949 0.4605956
## 75 0.5789098 0.4347782
## 76 0.4551986 0.4315006
## 77 0.4488314 0.3874663
## 78 0.5054283 0.4042719
## 79 0.4721861 0.4024497
## 80 0.5899561 0.3791718
## 81 0.5558595 0.3776986
## 82 0.5114783 0.4490484
## 83 0.4828326 0.4342367
## 84 0.5214372 0.4518329
## 85 0.4914527 0.4163749
## 86 0.4734878 0.4403794
## 87 0.4875962 0.3906318
## 88 0.4555210 0.3404604
## 89 0.7293572 0.4045365
## 90 0.4954355 0.3759181
## 91 0.4405140 0.3767235
## 92 0.5017415 0.4307679
## 93 0.5268864 0.4419002
## 94 0.5035137 0.4410575
## 95 0.6414666 0.4724177
## 96 0.4407669 0.3350036
## 97 0.4904507 0.4159188
## 98 0.5753899 0.4426945
## 99 0.4430910 0.3514111
## 100 0.6503293 0.5167148
## 101 0.6092174 0.5085627
## 102 0.6301416 0.4531440
## 103 0.6067776 0.4802333
## 104 0.5302436 0.4371347
## 105 0.5669441 0.4784821
## 106 0.6212249 0.4621007
## 107 0.5977105 0.4539762
## 108 0.5358478 0.4577540
## 109 0.6424591 0.4506952
## 110 0.5339746 0.4490532
## 111 0.5722944 0.4366364
## 112 0.6000451 0.4317205

13
## 113 0.5896032 0.4530190
## 114 0.5926332 0.4639698
## 115 0.5921338 0.4778431
## 116 0.5601989 0.4337405
## 117 0.6094958 0.4662394
## 118 0.5721851 0.3987284
## 119 0.5486877 0.4395267
## 120 0.6315982 0.5153854
## 121 0.5847804 0.4475064
## 122 0.5240284 0.4254501
## 123 0.4801695 0.4009699
## 124 0.5405000 0.4535398
## 125 0.4982955 0.4276529
## 126 0.5296981 0.4390739
## 127 0.5423396 0.4516915
## 128 0.5271965 0.4344965
## 129 0.5448589 0.4069339
## 130 0.5062863 0.3705348
## 131 0.4973689 0.4482927
## 132 0.4979021 0.4169435
## 133 0.5086994 0.4254953
## 134 0.5240158 0.4348838
## 135 0.5811583 0.4705939
## 136 0.5448037 0.4575230
## 137 0.5854921 0.4479861
## 138 0.5183846 0.4587700
## 139 0.5197037 0.4598750
## 140 0.5035365 0.4111635
## 141 0.5810988 0.4527289
## 142 0.5611177 0.4342488
## 143 0.4913651 0.4118146
## 144 0.4943954 0.4069905
## 145 0.5831462 0.4370728
## 146 0.5649907 0.4607394
## 147 0.5727769 0.4639154
## 148 0.5595437 0.4509150
## 149 0.5145118 0.4434349
## 150 0.5574030 0.4451126
## 151 0.4798805 0.3999510
## 152 0.5591447 0.4435375
## 153 0.4826096 0.4883713
## 154 0.5397374 0.4340290
## 155 0.4110910 0.5675676
## 156 0.4901498 0.4109867
## 157 0.5870374 0.4344461
## 158 0.6136119 0.4291072
## 159 0.5809406 0.4408434
## 160 0.6231244 0.4335664
## 161 0.6485518 0.4658947
## 162 0.6463507 0.4722535
## 163 0.5385859 0.3908046
## 164 0.5775401 0.4281274
## 165 0.4135778 0.2899682
## 166 0.6201911 0.3712682

14
## 167 0.6046176 0.3805588
## 168 0.4309327 0.3035290
## 169 0.5640469 0.4290089
## 170 0.5863602 0.4317810
## 171 0.6221374 0.5225175
## 172 0.6149266 0.5656738
## 173 0.5335807 0.4450428
## 174 0.6051323 0.4152893
## 175 0.6010793 0.5625783
## 176 0.5491827 0.4800000
## 177 0.4673114 0.3350224
## 178 0.6591757 0.6315814
## 179 0.5696057 0.4757344
## 180 0.6445588 0.5690153
## 181 0.4914338 0.4874829
## 182 0.6768693 0.5803099
## 183 0.6186541 0.5244640
## 184 0.5449032 0.4553617
## 185 0.5444506 0.4599863
## 186 0.6340948 0.5071414
## 187 0.6378416 0.5463304
## 188 0.6077158 0.5489795
## 189 0.5562582 0.5120186
## 190 0.6661367 0.5128848
## 191 0.5566230 0.4770035
## 192 0.6263543 0.5042823
## 193 0.6250475 0.4977842
## 194 0.5419684 0.5144242
## 195 0.6312872 0.4737310
## 196 0.5422193 0.4155939
## 197 0.5468975 0.4046148
## 198 0.4194279 0.3550268
## 199 0.5431947 0.4713559
## 200 0.5869157 0.4569241
## 201 0.5617804 0.4884472
## 202 0.4504887 0.4208277
## 203 0.5057514 0.4376560
## 204 0.6443850 0.5794466
## 205 0.6132155 0.5824916
## 206 0.6131496 0.5694444
## 207 0.5329908 0.4439926
## 208 0.5508394 0.4869155
## 209 0.4891621 0.3853942
## 210 0.4907382 0.4335546
## 211 0.5283353 0.4681629
## 212 0.5862536 0.4546865
## 213 0.4988411 0.4360643
## 214 0.5475720 0.4124970
## 215 0.5126523 0.3526375
## 216 0.5091079 0.4457749
## 217 0.5244591 0.3786944
## 218 0.5442078 0.4727415
## 219 0.5140375 0.4419146
## 220 0.4905344 0.4658273

15
## 221 0.5479561 0.4787736
## 222 0.0000000 0.4565685
## 223 0.0000000 0.4464375
## 224 0.0000000 0.0000000
## Importance of components:
## Comp.1 Comp.2
## Standard deviation 1.2523719 0.6569358
## Proportion of Variance 0.7842177 0.2157823
## Cumulative Proportion 0.7842177 1.0000000
##
## Loadings:
## Comp.1 Comp.2
## HHUrbano 0.707 -0.707
## HHRural 0.707 0.707
##
## Comp.1 Comp.2
## SS loadings 1.0 1.0
## Proportion Var 0.5 0.5
## Cumulative Var 0.5 1.0

Valor Varianzas
1.5
1.0
Variances

0.5
0.0

Comp.1 Comp.2

16
 −15 −10 −5 0 5 10

222
223

0.4

10
155 HHRural

0.2

5
153
181 205178
37 194
26
220189 7
175
206
172
204
188
180
13
Comp.2

72
76
86
202
131
22
73
83
139
13835
208
74
211
176
201
221
218
199
82
210
216
94
52 60
14
187
183
56
32224182
191
84
213
203
14950
108 28
1912
171
101
0.0
77
91219
69
151
1985892
184
97
85
79126
134
156
143
10
104
128
123
144 66
105
64
185
125179
136
110
124
31
93
127
173
207
133
132 49
146 5
21
63
120
8
33
27
192
135
70
6
148 62
186
115
147 3
100
193
34 155

0
99140
122
87
209
15154
119
150
57
68
41
152
7861
38
142
45 103
114
200
18
141
212
67
11646
113
19698
111 190
36
40
4
117
11
20
30
137
121
159
169
54
71 51
107
43
1959
96
8890
130
177 17
42
129
163
217 75
53
145
214106
164
157
197
170 65
95
162
29
102
161
47
11225 23
224 168
165215
81 109
158
118
48160
174
39
16
80
44
59 167
166
−0.2

−5
89
HHUrbano

−15 −10
−0.4

−0.4 −0.2 0.0 0.2 0.4

Comp.1

Obtenemos las Varianzas

## Comp.1 Comp.2
## 1.5684354 0.4315646
O a su vez por medio de las matriz de correlación
## HHUrbano HHRural
## HHUrbano 1.0000000 0.5684354
## HHRural 0.5684354 1.0000000
## [1] 1.5684354 0.4315646
Mediante el Criterio de Kaiser(Vamos a obtener las componentes principales).
Como estamos trabajando con la matriz X=R de correlacion retenemos las m primeras componentes tales
que la varianza de la componente-m sea >=1 por tanto la componente principal es Comp.1

ACP3

Tabla3=Tabla[,c(4,7)]
Tabla3

## VivTotal HHTotal
## 1 0.5474068 0.5947583
## 2 0.3062534 0.5951289
## 3 0.2905335 0.5732074
## 4 0.1871247 0.5270492

17
## 5 0.2892312 0.5761036
## 6 0.2182136 0.4733387
## 7 0.3482949 0.6146606
## 8 0.2931409 0.5780429
## 9 0.2108159 0.5596614
## 10 0.1801761 0.4967213
## 11 0.3265734 0.5684631
## 12 0.2407874 0.5811579
## 13 0.2772943 0.6085502
## 14 0.3010576 0.5844881
## 15 0.3479891 0.4544499
## 16 0.3127786 0.5095917
## 17 0.2818585 0.4831268
## 18 0.3544936 0.5480797
## 19 0.3726948 0.5721511
## 20 0.3559491 0.5524284
## 21 0.4120712 0.6178997
## 22 0.3458477 0.5120412
## 23 0.4077586 0.6568921
## 24 0.3395394 0.6068460
## 25 0.3202801 0.5531227
## 26 0.4259649 0.5440345
## 27 0.3776597 0.5896207
## 28 0.2333977 0.5554606
## 29 0.3061941 0.5146506
## 30 0.5618570 0.6092237
## 31 0.3833939 0.5373725
## 32 0.4446007 0.5835085
## 33 0.3864422 0.5977623
## 34 0.4508212 0.5926376
## 35 0.4753555 0.5732436
## 36 0.4343067 0.6086021
## 37 0.3962325 0.4868149
## 38 0.2354640 0.4716074
## 39 0.2489910 0.4756947
## 40 0.3601704 0.5621033
## 41 0.3039647 0.5043013
## 42 0.1986011 0.4548694
## 43 0.4924698 0.6109452
## 44 0.2696996 0.4683524
## 45 0.2453150 0.4667983
## 46 0.3870437 0.5668384
## 47 0.3070273 0.5438633
## 48 0.2493301 0.4540309
## 49 0.2988672 0.5383699
## 50 0.2946730 0.5409091
## 51 0.2594893 0.5472067
## 52 0.4224398 0.5528280
## 53 0.5531195 0.5911286
## 54 0.4203289 0.5328863
## 55 0.4757325 0.6382228
## 56 0.4815417 0.6351396
## 57 0.2166721 0.4814305
## 58 0.4502025 0.4681720

18
## 59 0.4285035 0.5220994
## 60 0.4852919 0.6381882
## 61 0.5084027 0.5634801
## 62 0.5092261 0.6360674
## 63 0.4904948 0.6253236
## 64 0.5193783 0.5656076
## 65 0.4404657 0.6130701
## 66 0.3720765 0.5457822
## 67 0.5327813 0.5921850
## 68 0.2705241 0.4761589
## 69 0.2651653 0.4529845
## 70 0.3231360 0.5182610
## 71 0.3838044 0.5286057
## 72 0.3114305 0.5130784
## 73 0.2486783 0.4693669
## 74 0.3777119 0.5416457
## 75 0.5862610 0.6148827
## 76 0.3263068 0.4809167
## 77 0.3776701 0.4524618
## 78 0.3137578 0.5013284
## 79 0.2713681 0.4617509
## 80 0.3740846 0.5286848
## 81 0.4859336 0.5948195
## 82 0.3267588 0.5240032
## 83 0.3926269 0.5135670
## 84 0.4439234 0.5490912
## 85 0.3984705 0.4875119
## 86 0.4378367 0.5090414
## 87 0.3659904 0.4835437
## 88 0.2907675 0.4285241
## 89 0.5382348 0.6341975
## 90 0.2855465 0.4407659
## 91 0.2698087 0.4261104
## 92 0.3721296 0.4928687
## 93 0.3470854 0.5570180
## 94 0.3266083 0.5023709
## 95 0.4872459 0.6230410
## 96 0.3568506 0.4523357
## 97 0.4021666 0.4887256
## 98 0.4155504 0.5694857
## 99 0.2832380 0.4391074
## 100 0.6038764 0.6642892
## 101 0.5804408 0.6078527
## 102 0.4060480 0.5414949
## 103 0.4903161 0.5764366
## 104 0.3737134 0.5204136
## 105 0.3781284 0.5451730
## 106 0.5292699 0.6299249
## 107 0.3890193 0.5702355
## 108 0.4308042 0.5614478
## 109 0.3623045 0.5548692
## 110 0.2232580 0.5064008
## 111 0.2977340 0.4971314
## 112 0.2361684 0.4945097

19
## 113 0.4347013 0.5942828
## 114 0.2912196 0.5470205
## 115 0.3381681 0.5624758
## 116 0.2201449 0.4930450
## 117 0.2511172 0.5329936
## 118 0.2867066 0.4784829
## 119 0.3155210 0.5092967
## 120 0.2907474 0.5927273
## 121 0.2240522 0.5107759
## 122 0.4320427 0.5239712
## 123 0.2918328 0.4509286
## 124 0.4011558 0.5457431
## 125 0.3556922 0.4846485
## 126 0.4632554 0.5616516
## 127 0.3361678 0.5146997
## 128 0.3694619 0.5324290
## 129 0.3332260 0.5085402
## 130 0.2709400 0.4485531
## 131 0.4249954 0.5216674
## 132 0.3392351 0.4920484
## 133 0.3108560 0.4853583
## 134 0.3153831 0.5042214
## 135 0.4831725 0.5953745
## 136 0.3729849 0.5425618
## 137 0.3827931 0.5530051
## 138 0.3970926 0.5342777
## 139 0.3135938 0.5206127
## 140 0.3494728 0.5029238
## 141 0.3592568 0.5362821
## 142 0.5359316 0.5977809
## 143 0.3515100 0.5047567
## 144 0.2545350 0.4643471
## 145 0.2725834 0.4998846
## 146 0.3807434 0.5334722
## 147 0.3367372 0.5329153
## 148 0.3743753 0.5341332
## 149 0.3528920 0.5074339
## 150 0.2776391 0.5084384
## 151 0.3019328 0.4725511
## 152 0.2616724 0.5155118
## 153 0.3404719 0.5294524
## 154 0.4014782 0.5130378
## 155 0.4158819 0.4578108
## 156 0.3505472 0.4887222
## 157 0.4374456 0.5582969
## 158 0.3318912 0.5561155
## 159 0.2998955 0.5436825
## 160 0.3764339 0.5725074
## 161 0.3637774 0.5668626
## 162 0.4108945 0.6051360
## 163 0.2489794 0.4512059
## 164 0.3148528 0.5273885
## 165 0.2275583 0.3276293
## 166 0.3048534 0.4929721

20
## 167 0.3348716 0.5285714
## 168 0.2278830 0.3587816
## 169 0.4064181 0.5319966
## 170 0.3315891 0.5132026
## 171 0.3853187 0.6238260
## 172 0.4792841 0.6220652
## 173 0.3656216 0.5145299
## 174 0.4264846 0.5738098
## 175 0.4666472 0.6096432
## 176 0.3153216 0.5553030
## 177 0.2330516 0.3975652
## 178 0.6593738 0.6890438
## 179 0.4505216 0.5666377
## 180 0.5325672 0.6321249
## 181 0.4420046 0.5336817
## 182 0.6673775 0.7002422
## 183 0.4243362 0.6043065
## 184 0.3921178 0.5379669
## 185 0.3017825 0.5180470
## 186 0.5104124 0.6171492
## 187 0.4775060 0.6532430
## 188 0.4694928 0.6195417
## 189 0.3944752 0.5701677
## 190 0.3721007 0.5895839
## 191 0.2976381 0.5355556
## 192 0.4064638 0.5732887
## 193 0.3513304 0.5718843
## 194 0.3682821 0.5677149
## 195 0.4263593 0.5963093
## 196 0.3077257 0.5081338
## 197 0.3156639 0.5020654
## 198 0.2094427 0.4067536
## 199 0.4031572 0.5524149
## 200 0.3477015 0.5541312
## 201 0.3862148 0.5620280
## 202 0.2843536 0.4702673
## 203 0.2931538 0.5012731
## 204 0.5442205 0.6815037
## 205 0.5055458 0.6608262
## 206 0.5352106 0.6470484
## 207 0.3766463 0.5367629
## 208 0.3586164 0.5491176
## 209 0.2798013 0.4510222
## 210 0.3596930 0.4990746
## 211 0.3587879 0.5253714
## 212 0.3320333 0.5280972
## 213 0.2768883 0.4915179
## 214 0.3529172 0.5375718
## 215 0.3026083 0.4052922
## 216 0.3516757 0.5102151
## 217 0.2632634 0.4465007
## 218 0.4664043 0.5694971
## 219 0.3461575 0.5037017
## 220 0.3870928 0.5308085

21
## 221 0.4460002 0.5476413
## 222 0.3215740 0.5226415
## 223 0.3154854 0.4998597
## 224 0.0000000 0.4882101
## Importance of components:
## Comp.1 Comp.2
## Standard deviation 1.305071 0.5447843
## Proportion of Variance 0.851605 0.1483950
## Cumulative Proportion 0.851605 1.0000000
##
## Loadings:
## Comp.1 Comp.2
## VivTotal 0.707 -0.707
## HHTotal 0.707 0.707
##
## Comp.1 Comp.2
## SS loadings 1.0 1.0
## Proportion Var 0.5 0.5
## Cumulative Var 0.5 1.0

Valor Varianzas
1.5
Variances

1.0
0.5
0.0

Comp.1 Comp.2

22
 −15 −5 0 5 10 15 20

20
224

0.2

15
91213
4 28 120 2 7 23

10
14
5
0.1 10 11751 38 24171
121114
110
Comp.2

116 50
159 11190
176 33 21 187HHTotal
25 27

5
112
57 152 47
49
191 193
115
158 162 205
6 150
4238145 164
185
93
161
200
2019
194
160
40
109 6555
183
36
195 60
56 204
39213139
29
203 147
222
212
82
167
72 18
208
214
153 107
46
189
201 113
192 188
172
17563
9562
0.0

73
45 4170
196
16
119
111 137
66
141
136
105 3443206
9832

0
4868
14417
44
118134
170
78
197
166127
223
94 74
128
207
211
129 199
148
31 174 180
106
186
163
202
79
69 133 22
216
219
149146
80
2 124
184
20
71
104 108
52
102 135
81 89
198217
130151
209 132
76 173
143
140 138
169 179
157
26218 100178
182
210
156 548435
126
103

−5
123125
90
99 83
154
92131 221 142
17791
88 1587 181 67
59 30VivTotal
−0.1

122 61 1101
75
37
85
97 86 6453
96
168 215 77
155
165 58

−15
−0.1 0.0 0.1 0.2

Comp.1

Obtenemos las Varianzas

## Comp.1 Comp.2
## 1.7032101 0.2967899
O a su vez por medio de las matriz de correlación
## VivTotal HHTotal
## VivTotal 1.0000000 0.7032101
## HHTotal 0.7032101 1.0000000
## [1] 1.7032101 0.2967899
Mediante el Criterio de Kaiser(Vamos a obtener las componentes principales).
Como estamos trabajando con la matriz X=R de correlacion retenemos las m primeras componentes tales
que la varianza de la componente-m sea >=1 por tanto la componente principal es Comp.1
En los tres analisis se obtubo como componente principal comp.1
Con porcentaje de variabilidad de :
## [1] 68.18244
## [1] 78.42177
## [1] 85.1605
respectivamente para cada ACP.

23
4. Conclusiones:

• Se concluye en base a los datos que las variables VivUrbano y VivRural no estan correlacionadas
fuertemnete pues la amplitud entre las dos variable es casi 90 grados.
• Se concluye en base a los datos que las variables HHRu y HHUrb estan correlacionadas pues la amplitud
entre las dos variables es menor a 60 grados.
• Se concluye en base a los datos que las variables HHTotal y VivTotal estan correlacionadas fuertemnete
pues la amplitud entre las dos variable es menor a 30 grados.
• Se conculye que las variables Hogares y Viviendas de los cantones del Ecuador estan corrlacionadas.
• Se concluye en base a los datos que la comunalidad entre las variable VivUrb y Comp.2 es del 99%,
esto quiere decir que el modelo explica un 99% de su varianza.
• Se concluye en base a los datos de la comunalidad que la proporción mas alto de su varianza esta dada
entre las variable VivRu y Comp.2 es del 99%, esto quiere decir que el modelo explica un 99% de su
varianza.
• Se concluye en base a los datos de la comunalidad que la proporción mas alto de su varianza esta dada
entre las variable HHUrb y Comp.2 es del 99%, esto quiere decir que el modelo explica un 99% de su
varianza.
• Se concluye en base a los datos de la comunalidad que la proporción mas alto de su varianza esta dada
entre las variable HHUrb y Comp.1 es del 99%, esto quiere decir que el modelo explica un 99% de su
varianza.
• Se concluye en base a los datos de la comunalidad que la proporción mas alto de su varianza esta dada
entre las variable HHRu y Comp.2 es del 99%, esto quiere decir que el modelo explica un 99% de su
varianza.

24