Analisis del mercado inmobiliario en Cali

INTRODUCCION

El análisis descriptivo es una poderosa herramienta estadística que permite explorar, resumir y presentar datos de manera comprensible y significativa. A través de esta metodología, es posible examinar y comprender la distribución, tendencias y patrones de un conjunto de datos, sin necesidad de realizar inferencias o predicciones más allá de lo observado. En este informe, nos adentraremos en un analisis descriptivo exhaustivo, con el objetivo de ofrecer una visión clara y detallada de los datos recopilados.

En un mundo cada vez más inundado de información, el análisis descriptivo se convierte en un pilar fundamental para extraer significado y conocimiento valioso de los datos disponibles. Es una etapa esencial en el proceso de investigación y toma de decisiones, ya que proporciona una base sólida para comprender las características clave de un fenómeno o situación estudiada.

Este informe se basa en un riguroso proceso de recopilación de datos provenientes de diversas fuentes confiables y su posterior análisis, utilizando técnicas estadísticas y herramientas de visualización adecuadas. Se abordarán distintos aspectos de los datos, incluyendo medidas de tendencia central, dispersión, correlación y otras métricas relevantes según el contexto del estudio.

A lo largo del informe, se presentarán gráficos, tablas e interpretaciones claras que ayudarán a los lectores a identificar patrones, tendencias y peculiaridades presentes en los datos analizados. Adicionalmente, se realizarán comparaciones con otros estudios similares o benchmarks relevantes para obtener una perspectiva más completa.

El objetivo de este análisis descriptivo es brindar una comprensión profunda y objetiva de los datos, permitiendo que los lectores obtengan información valiosa y basada en evidencia para tomar decisiones informadas en diversas áreas, como los negocios, la investigación científica, la planificación estratégica y otras esferas donde los datos son fundamentales.

OBJETIVOS

  • proporcionar una descripción detallada del conjunto de datos utilizado en el análisis. Se presentarán las fuentes de los datos, la forma en que fueron recolectados y cualquier proceso de limpieza o transformación realizado para garantizar la calidad y confiabilidad de la información.

  • identificar las tendencias y patrones más relevantes presentes en los datos. Se examinarán medidas de tendencia central, dispersión y frecuencia para comprender la distribución de los datos y determinar si existen comportamientos destacados o anomalías que puedan influir en las conclusiones del estudio.

  • presentar gráficos, tablas e ilustraciones que comuniquen de manera efectiva los hallazgos del análisis descriptivo.

A continuacion se presentaran los calculos, graficos e informacion que se obtuvo luego de realizar el respectivo analisis de la data.

METODO

Se usaran tablas para mostrar lo mas entendible posible los datos que se utilizan, tambien se usaran medidas de tendencia central como lo son la Media, mediana y moda, se hayaran los cuartiles por cada una de las variables y se realizaran los graficos que estos datos nos permitan hacer, como lo son diagramas de barras, diagrama de pastel, histograma, diagrama de cajas, etc.

Se hayaran rangos y se unificaran los datos que lo permitan para de esta forma poder procesar y entender de una manera mas clara y facil los resultados que se obtuvieron.

ZONAS DONDE ESTAN UBICADAS LAS CASAS

options(max.print = .Machine$integer.max)

#Importamos la data
vivienda_faltantes <- read.csv(file ="C:/Users/braya/Downloads/vivienda_faltantes.csv",head=TRUE,sep = ";",dec =".")

# Omitimos los NA del dataset
#na.omit(vivienda_faltantes)

table(vivienda_faltantes$zona)
## 
##  Zona Centro   Zona Norte   Zona Oeste Zona Oriente     Zona Sur 
##          124         1922         1204          351         4726
vivienda_faltantes$tipo = str_to_upper(vivienda_faltantes$tipo)
vivienda_faltantes$barrio = str_to_upper(vivienda_faltantes$barrio)
vivienda_faltantes$tipo[vivienda_faltantes$tipo == "APTO"]= "APARTAMENTO"
table(vivienda_faltantes$tipo)
## 
## APARTAMENTO        CASA 
##        5106        3221
Zona = table(vivienda_faltantes$zona)
pie(Zona, main = "ZONA")

#vivienda_faltantes$barrio= chartr("ÁÉÍÓÚ", "AEIOU", toupper(vivienda_faltantes$barrio))
#vivienda_faltantes$barrio= toupper(stri_trans_general(vivienda_faltantes$barrio,"Latin-ASCII"))
#table(vivienda_faltantes$barrio)

Presentados los anteriores datos se puede observar que la zona donde mas predios hay es en la Zona sur, abarcando mas de la mitad de las casas que se tienen registradas en la base de datos, se puede deducir que mas del 50% de las personas prefieren vivir en el sur y la mayoria de estos en apartamento, ya que mas de la mitad asi lo prefirio de acuerdo con lo que nos dicen los 8330 datos recolectados.

De cuantos pisos la prefieren?

De acuerdo con los datos obtenidos, se tienen viviendas desde un piso hasta edificios de 12 pisos, los cuales se pueden observar su nivel de preferencia a continuacion:

table(vivienda_faltantes$piso)
## 
##    1    2    3    4    5    6    7    8    9   10   11   12 
##  861 1450 1097  607  568  245  207  211  146  130   84   83

Tomando como referencia la anterior tabla tambien se pudieron obtener datos como la media, mediana, deaviacion estandar y graficos que seran de aporte para la toma de decisiones.

MEDIA:

mean(vivienda_faltantes$piso,na.rm = TRUE)
## [1] 3.772368

MEDIANA:

median(vivienda_faltantes$piso,na.rm = TRUE)
## [1] 3

DESVIACION ESTANDAR:

sd(vivienda_faltantes$piso,na.rm = TRUE)
## [1] 2.615013

En este caso debido a que la media es mayor que la mediana, se puede decir que la distribucion estara sesgada hacia la derecha y su asimetria es positiva

COMO ESTAN DISTRIBUIDOS?

Para obtener esta informacion utilizaremos los indicadores de posicion como lo son los percentiles del 25%,50% y 75%.

quantile(vivienda_faltantes$piso,0.25,na.rm = TRUE)
## 25% 
##   2
quantile(vivienda_faltantes$piso,0.50,na.rm = TRUE)
## 50% 
##   3
quantile(vivienda_faltantes$piso,0.75,na.rm = TRUE)
## 75% 
##   5

Estos nos indican los valores que estan por debajo del 25% los que estan por debajo del 50% y los que estan por debajo del 75%

posteriormente obtenemos los graficos con los cuales tenemos una representacion visual de los datos.

hist(vivienda_faltantes$piso, xlab = "Pisos de casas", ylab = "Cantidad", main = "HISTOGRAMA")

boxplot(vivienda_faltantes$piso, horizontal = TRUE, xlab="Pisos de casas",ylab="",main="DIAGRAMA DE CAJAS")

Con el diagrama de cajas podemos ver la tendencia central y los valores numericos mediante sus cuartiles, al igual que los datos atipicos.Con el Histograma podemos ver la forma de los datos y su distribucion.

ESTRATOS

table(vivienda_faltantes$estrato)
## 
##    3    4    5    6 
## 1453 2131 2751 1992

MEDIA Y MEDIANA:

mean(vivienda_faltantes$estrato, na.rm = TRUE)
## [1] 4.634322
median(vivienda_faltantes$estrato,na.rm = TRUE)
## [1] 5

Se tomaron en cuenta datos de las casas ubicadas en los 6 estratos de la ciudad evidenciando que el promedio de casas docuemntadas se encuentra entre los estratos 4 y 5

quantile(vivienda_faltantes$estrato,0.25,na.rm = TRUE)
## 25% 
##   4
quantile(vivienda_faltantes$estrato,0.50,na.rm = TRUE)
## 50% 
##   5
quantile(vivienda_faltantes$estrato,0.75,na.rm = TRUE)
## 75% 
##   5
sd(vivienda_faltantes$estrato,na.rm = TRUE)
## [1] 1.029327

A pesar de obtener una media de 4.6 podemos observar que el 75% de las personas tienen vivienda en estrato , por tal razon se puede deducir que este es el estrato de preferencia de las personas con una dispercion de un poco mas de 1.

estratos = table(vivienda_faltantes$estrato)
pie(estratos, main = "ESTRATOS")

boxplot(vivienda_faltantes$estrato, horizontal = TRUE, xlab="Pisos de casas",ylab="",main="DIAGRAMA DE CAJAS")

Se puede decir que la distribucion es simetrica dado que su media y su mediana es similar al igual en el Diagrama de cajas podemos confirmar los porcentajes obtenidos en los quartiles

PRECIO EN MILLONES

A continuacion se presentaran los precios de las viviendas en pesos colombianos y se realizaran las respectivas deducciones. Dado que se tiene una cantidad grande de datos los tomaremos desde el siguiente rango:

Minimo:

min(vivienda_faltantes$preciom, na.rm =TRUE)
## [1] 58

Maximo:

max(vivienda_faltantes$preciom, na.rm =TRUE)
## [1] 1999

De este conjunto de datos podemos obtener valores como el promedio del valor de las casas, la media, desviacion estandar y tambien cual es la tendencia en el valor de las casas.

Media:

mean(vivienda_faltantes$preciom, na.rm = TRUE)
## [1] 434.2406

Se observa que el promedio del valor de las casas es de mas de 434 millones

PERCENTILES:

quantile(vivienda_faltantes$preciom,0.25,na.rm = TRUE)
## 25% 
## 220
quantile(vivienda_faltantes$preciom,0.50,na.rm = TRUE)
## 50% 
## 330
quantile(vivienda_faltantes$preciom,0.75,na.rm = TRUE)
## 75% 
## 540

De acuerdo con los anteriores datos podemos decir que el 25% de las casas vale menos de 220 millones de pesos. el 50% de las casas vale menos de 330 millones de pesos y menos del 75% vale menos de 540 millones de pesos.

MEDIANA:

median(vivienda_faltantes$preciom, na.rm=TRUE)
## [1] 330

Observamos que la media supera por mucho la mediana, por lo cual se puede decir que tiene una distribucion asimetrica con un sesgo hacia la derecha

Desviacion Estandar:

sd(vivienda_faltantes$preciom,na.rm = TRUE)
## [1] 329.0157

Esta nos muestra la dispersion respescto a la media la cual es superior a los 329 millones

boxplot(vivienda_faltantes$preciom,horizontal = TRUE, labs= 1, xlab = "Millones", ylab = "", main = "DIAGRAMA DE CAJAS")

En el diagrama de cajas se pueden observar los datos dispersos o que presentan anomalia respecto a la media, la cual se encuentra por debajo de los 500 millones de pesos

AREA CONSTRUIDA

Al igual que en la sesion anterior se mostrara el rango en el cual se encuentran las areas construidas las casas, se obtendra, las medidas de tendencia central, dispercion y se haran los calculos y analisis necesarios

RANGO:

rango = max(vivienda_faltantes$areaconst,na.rm = TRUE) - min(vivienda_faltantes$areaconst, na.rm = TRUE)
print(rango)
## [1] 1715

MINIMO:

min(vivienda_faltantes$areaconst,na.rm = TRUE)
## [1] 30

MAXIMO:

max(vivienda_faltantes$areaconst,na.rm = TRUE)
## [1] 1745

El rango de los precios se encuentra en 1715 metros cuadrados y de este se puede observar que la vivienda mas pequeña o con menos metros cuadraros tiene 30 y la que mas tiene es 1745 metros cuadrados.

De estos datos tambien es posible ver cual es el promedio en metros cuadrados de las casas.

PROMEDIO:

mean(vivienda_faltantes$areaconst,na.rm = TRUE)
## [1] 174.9876

Lo que nos demuestra que el promedio de las casas es de mas de 174 metros cuadrados.

MEDIANA:

median(vivienda_faltantes$areaconst,na.rm = TRUE)
## [1] 123

Al comparar los resultados obtenidos en la media y la mediana nos damos cuenta que la media supera por mucho el valor de la mediana, demostrandonos que esta tiene una distribucion asimetrica sesgada hacia la derecha

CUARTILES:

quantile(vivienda_faltantes$areaconst,0.25,na.rm = TRUE)
## 25% 
##  80
quantile(vivienda_faltantes$areaconst,0.50,na.rm = TRUE)
## 50% 
## 123
quantile(vivienda_faltantes$areaconst,0.75,na.rm = TRUE)
## 75% 
## 229

Menos del 50% de las casas tienen 123 metros cuadrados, menos del 25% tienen 80 metros cuadrados y menos del 75% de las casas tienen 229 metros cuadrados de construccion.

DESVIACION ESTANDAR:

sd(vivienda_faltantes$areaconst,na.rm = TRUE)
## [1] 142.9498

En el diagrama de cjas podemos observar la dispercion de los datos y los caurtiles, tambien es posible ver que hay muchos datos atipicos, al igual que se puede observar que coincide con la media y la mediana hallada.

CANTIDAD DE BAÑOS EN LAS CASAS

A continuacion presentamos la cantidad de baños que se encuentran en las casas de las cuales se obtuvieron los datos.

table(vivienda_faltantes$banios)
## 
##    0    1    2    3    4    5    6    7    8    9   10 
##   45  497 2946 1994 1460  891  315  107   48   15    9

Se observa que la catidad mayor de baños en las casas en de 2, con 2946 baños y la cantidad minima es de 10 con tan solo 9 datos registrados. De igual forma se evidencia que la casa que mas baños tiene es de 10 baños.

CUARTILES:

quantile(vivienda_faltantes$banios,0.25,na.rm = TRUE)
## 25% 
##   2
quantile(vivienda_faltantes$banios,0.50,na.rm = TRUE)
## 50% 
##   3
quantile(vivienda_faltantes$banios,0.75,na.rm = TRUE)
## 75% 
##   4

Podemos deducir que menos del 50% de las casas tienen 3 baños, al igual que menos del 75% tienen 4 baños

PROMEDIO:

baños = table(vivienda_faltantes$banios)
barplot(baños, main = "CANTIDAD DE BAÑOS POR CASA", xlab = "Numero de baños")

PROMEDIO Y MEDIANA:

mean(vivienda_faltantes$banios,na.rm = TRUE)
## [1] 3.112045
median(vivienda_faltantes$banios,na.rm = TRUE)
## [1] 3

Tambien obtuvimos de los datos que el promedio de baños por casa es de 3.11 y la mediana es de 3, por lo tanto podemos decir que tiene una distribucion simetrica ya que sus valores son similares.

DESVIACION ESTANDAR:

sd(vivienda_faltantes$banios, na.rm=TRUE)
## [1] 1.428345

DIAGRAMAS:

boxplot(vivienda_faltantes$banios,horizontal = TRUE, labs = 1, xlab = "Baños", ylab = "", main = "DIAGRAMA DE CAJAS")

Confirmando los datos anteriormente hayados, se puede observas los cuartiles la media y los datos atipicos.

PARQUEADEROS

DATOS DE PARQUEADEROS:

table(vivienda_faltantes$parquea)
## 
##    1    2    3    4    5    6    7    8    9   10 
## 3156 2478  521  386   68   68   18   17    4    8

RANGO DE PARQUEADEROS:

rango = max(vivienda_faltantes$parquea,na.rm = TRUE)- min(vivienda_faltantes$parquea, na.rm = TRUE)
print(rango)
## [1] 9
parqueaderos = table(vivienda_faltantes$parquea)
barplot(parqueaderos, xlab = "Numero de parqueaderos por casa", main = "PARQUEADEROS")

pie(parqueaderos)

La mayoria de las casas solo tienen un parqueadero sin embargo el promedio de parqueadero por casas es el siguiente:

PROMEDIO Y MEDIANA:

mean(vivienda_faltantes$parquea,na.rm = TRUE)
## [1] 1.835961
median(vivienda_faltantes$parquea, na.rm = TRUE)
## [1] 2

Lo cual nos da un resultado asimetrico y al ser superior la mediana crea un sesgo hacia la izquierda.

CUARTILES:

quantile(vivienda_faltantes$parquea,0.25,na.rm = TRUE)
## 25% 
##   1
quantile(vivienda_faltantes$parquea,0.50,na.rm = TRUE)
## 50% 
##   2
quantile(vivienda_faltantes$parquea,0.75,na.rm = TRUE)
## 75% 
##   2

De los cuartiles podemos deducir que mas de la mitad de casas solo tienen dos parqueaderos y que menos del 25% tiene solo un parqueadero.

boxplot(vivienda_faltantes$parquea, horizontal = TRUE, xlab = "CANTIDAD DE PARQUEADEROS",main = "DIAGRAMA DE CAJAS" )

En este observamos los limites que hay y la gran cantidad de datos atipicos en los datos de los parqueaderos

HABITACIONES POR CASA

A continuacion podremos observar la catidad de habitaciones recolectadas por casa

table(vivienda_faltantes$habitac)
## 
##    0    1    2    3    4    5    6    7    8    9   10 
##   66   59  927 4101 1731  680  318  173  138   83   51

Podemos observar que el numero minimo de habitaciones por casa es 0 y se repite 66 veces y la cantidad mayor registrada en una casa es de 10 con 51 registros en la base de datos.

PROMEDIO Y MEDIANA:

mean(vivienda_faltantes$habitac, na.rm = TRUE)
## [1] 3.60514
median(vivienda_faltantes$habitac, na.rm = TRUE)
## [1] 3

El promedio de habitaciones es de 3.6 y su media es de 3, lo cual por sus valores similares podemos decir que son simetricas y no hay ningun sesgo.

DESVIACION ESTANDAR:

sd(vivienda_faltantes$habitac, na.rm = TRUE)
## [1] 1.459095

GRAFICOS OBTENIDOS DE LOS DATOS:

habitaciones = table(vivienda_faltantes$habitac)
barplot(habitaciones, xlab = "HABITACIONES POR CASA")

pie(habitaciones)

Obteniendo los cuartiles podemos observar los porcentajes en los que se encuentran los datos:

CUARTILES:

quantile(vivienda_faltantes$habitac,0.25,na.rm = TRUE)
## 25% 
##   3
quantile(vivienda_faltantes$habitac,0.50,na.rm = TRUE)
## 50% 
##   3
quantile(vivienda_faltantes$habitac,0.75,na.rm = TRUE)
## 75% 
##   4

Menos del 75% de las casas tiene 4 habitaciones y mas del 50% tienen 3 habitaciones o menos

boxplot(vivienda_faltantes$habitac, horizontal = FALSE, main = "DIAGRAMA DE CAJAS", xlab = "HABITACIONES")

Podemos observar los datos atipicos, la media, la mediana y los cuartiles. Confirmando la informacion anteriormente hayada.

LATITUD DE LAS CASAS

Para la latitud obtuvimos un rango el cual se mostrara a continuacion, partiendo del valor minimo, finalizando en el valor maximo.

MINIMO:

min(vivienda_faltantes$latitud, na.rm = TRUE)
## [1] 3.34

MAXIMO:

max(vivienda_faltantes$latitud, na.rm = TRUE)
## [1] 3497

RANGO:

rango = max(vivienda_faltantes$latitud, na.rm = TRUE)- min(vivienda_faltantes$latitud, na.rm = TRUE)
print(rango)
## [1] 3493.66

De estos datos se calcula el promedio, mediana, y sus respectivos cuartiles con los que podemos ver los porcentajes de los datos:}

MEDIA:

mean(vivienda_faltantes$latitud, na.rm = TRUE)
## [1] 1180.802

Lo que nos indica que el valor promedio de latitud en las casas es de 1180

MEDIANA:

median(vivienda_faltantes$latitud, na.rm = TRUE)
## [1] 344.077

Y su mediana es muy superior a su media por lo cual podremos decir que tiene una distribucion asimetrica sesgada hacia la izquierda

DESVIACION ESTANDAR:

sd(vivienda_faltantes$latitud, na.rm = TRUE)
## [1] 1410.056

CUARTILES:

A continuacion obtendremos los porcentajes de los datos de 25%, 50% y 75%.

quantile(vivienda_faltantes$latitud,0.25,na.rm = TRUE)
##      25% 
## 337.7925
quantile(vivienda_faltantes$latitud,0.50,na.rm = TRUE)
##     50% 
## 344.077
quantile(vivienda_faltantes$latitud,0.75,na.rm = TRUE)
##  75% 
## 3367

De los resultados obtenidos se puede decir lo siguiente: Menos del 75% tiene una latitud de 3367m, menos del 50% tiene 344m y menos del 25% tiene 337m

boxplot(vivienda_faltantes$latitud, horizontal = TRUE, main = "DIAGRAMA DE CAJAS", xlab = "LATITUD")

De acuerdo con el diagrama de cajas podemos observar la media y en esta ocasion no se tienen valores atipicos y los cuartiles son muy amplios por lo cual abarcan todos los datos obtenidos

DISCUSION DE RESULTADOS

De acuerdo al analisis de todos los resultados anteriormente mostrados podemos hacer las siguientes observaciones o recomendaciones para una mejor venta de casas:

CARACTERISTICAS DE CASAS MAS COMPRADAS

Las casas mas compradas son las que tienen las siguientes caracteristicas.

  • Ubicadas en el Sur

  • Preferiblemente apartamento

  • (Si es casa) que sea de 2 pisos

  • Estrato 5

  • Su precio debe occilar entre 220 y 330 millones de pesos

  • Su area debe de estar entre los 80 y 123 metros cuadrados

  • Debe de tener de dos a tres baños preferiblemente

  • Que tenga un parqueadero o maximo 2

  • Que tenga 3 habitaciones

  • Que su latitud este entre los 337.792 y 344.077Metros

CASAS CON CARACTERISTICAS MENOS VENDIDAS

Las casas con caracteristicas menos vendidas o que requieren de alguna estrategia publicitaria mas rigurosa para venderse serian las siguientes:

-Zona Centro

  • Casa
  • Mas de 4 pisos
  • Estrato 3 o menor
  • Precio de mas de 540 millones de pesos
  • Area de mas de 229 metros
  • Con mas de 4 baños
  • mas de 3 parqueaderos
  • Mas de 5 habitaciones
  • Con una latitud superior a los 400

CONCLUSION

En conclusión, el presente informe sobre la venta de casas en Cali ha brindado una visión completa y detallada del mercado inmobiliario en esta ciudad. Durante el estudio, hemos examinado diversas variables relacionadas con las ventas de casas, lo que nos ha permitido obtener una comprensión profunda de las tendencias y características que influyen en este mercado.

El análisis por zonas ha demostrado que existen áreas específicas con una mayor concentración de ventas y un valor promedio de viviendas más elevado, lo que sugiere la existencia de mercados inmobiliarios locales diferenciados dentro de Cali.

Además, hemos identificado que factores como la ubicación, tamaño, latitud, parqueaderos, entre otros. Son determinantes en la toma de decisiones de compra por parte de los compradores.

Es importante destacar que este informe se basa en datos y cifras recopiladas hasta [fecha de corte]. Por lo tanto, es fundamental tener en cuenta que la situación del mercado inmobiliario puede seguir evolucionando, y se recomienda realizar análisis periódicos para mantenerse actualizado sobre las tendencias y cambios que puedan surgir.

En última instancia, esperamos que este informe sea una herramienta valiosa para aquellos interesados en comprender el comportamiento del mercado inmobiliario en Cali y contribuir al desarrollo sostenible y equitativo del sector.