knitr::opts_chunk$set(echo = FALSE) require(EPP); library(ggplot2) pop <- pop_epp # Inlcuye aqui tu data.frame con información de la población a cubrir. var_of_weight <- "ICC" # Nombre de la variable usada como "weight". ## Incluye aquí otros parametros que ajusten a tu caso # m = 5 # Numero total de iteraciones. # l = 4 # Numero total de iteraciones con el tamaño de grupo de g1. # g1 = 5 # Tamaño de los grupos para las primeras l iteraciones. # g2 = g1 * 0.5 # Tamaño de los grupos para las últimas m-l iteraciones. # d1 = 1000 # Rango de distancia de los servicios para las primeras iteraciones. # d2 = d1 * 2 # Segundo rango de distancias de atención de los servicios. crs <- sp::CRS("+init=epsg:32721") # Sistema de Coordenadas de Referencia (CRS).
Este reporte presenta la evaluación de cobertura por proximidad de r nrow(pop)
individuos que presentan una media de r var_of_weight
equivalente a r mean(pop$weight)
.
set.seed(1) proy <- eppproy(pop = pop, crs = crs)
La población que no pudo ser cubierta corresponde a r nrow(proy$unassigned)
casos, con una media de r var_of_weight
equivalente a r mean(proy$unassigned$weight)
.
Por su parte la población asignada a los nuevos centros fue de r nrow(proy$assigned_clusters)
casos, con una media de r var_of_weight
equivalente a r mean(proy$assigned_clusters$weight)
.
ggplot(proy$assigned_clusters, aes(x = id, y = weight, color = round)) + geom_point(size = 6)
Desde el punto de los nuevos centros, este procesamiento sugiere ubicaciones para r nrow(proy$centros_clusters)
.
ggplot(proy$assigned_clusters, aes(x = id, y = cubre)) + geom_bar(stat = "identity")
Para Visualizar los resultados, aquí está el mapa.
leafepp(proy, t = "proy", crs = sp::CRS("+init=epsg:32721"))
# crea un archivo bib con todos los paquetes usados en este documento knitr::write_bib(c('base', 'rmarkdown', 'EPP'), file = 'reference.bib')
Add the following code to your website.
For more information on customizing the embed code, read Embedding Snippets.