SemestreII-ActividadModulo2Caso C&A
Johan Sebastian Bolivar Sora
2023-09-10
Informe ejecutivo
Vivienda 1
- Realice un filtro a la base de datos e incluya solo las ofertas de : base1: casas, de la zona norte de la ciudad. Presente los primeros 3 registros de las bases y algunas tablas que comprueben la consulta. (Adicional un mapa con los puntos de las bases. Discutir si todos los puntos se ubican en la zona correspondiente o se presentan valores en otras zonas, por que?).
## # A tibble: 3 × 13
## id zona piso estrato preciom areaconst parqueaderos banios habitaciones
## <dbl> <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 1209 Zona N… 02 5 320 150 2 4 6
## 2 1592 Zona N… 02 5 780 380 2 3 3
## 3 4057 Zona N… 02 6 750 445 NA 7 6
## # ℹ 4 more variables: tipo <chr>, barrio <chr>, longitud <dbl>, latitud <dbl>Se imprimen dos tablas para corroborar que el filtro se haya aplicado correctamente:
##
## 3 4 5 6
## Zona Norte 235 161 271 55##
## 3 4 5 6
## Casa 235 161 271 55
- Realizando un análisis de datos faltantes, se puede observar que de
los datos presentes en el filtro, existen un 7% faltante y estos datos
faltantes estan concentrados en las variables piso y parqueaderos, con
un 52% y 40% respectivamente. Esto puede en un dar una idea de lo que
estas variables puedan pesar en el estudio.
Por lo tanto se procede a limpiar los datos.
Ahora, por medio de un mapa se determinan en que lugares de Cali se encuentran ubicadas las coordenadas presentadas en la base de datos:
Del mapa se puede observar que muchas de las coordenadas no se encuentran totalmente en el Norte, esto puede deberse a : 1. Error humano al llenar la base de datos. 2. Que se asocien las casas con mayor precio solo a la zona norte, existiendo casas de mayor precio en otras zonas.
- Se puede observar que existe una relación lineal entre el area construida y el precio, es proble que tengan una correlación alta.
- Existen casas estrato 3 y 4 con un precio mas elevado que el promedio, esto se puede observar en los datos atipicos.
- Existen casas estrato 5 con precios elevados, mucho mayores a los de estrato 6, esto puede deberse a que se ubican en zonas con una mejor ubicacion
- Existe una clara relación entre el número de baños y el precio de las casas
- Existe un dato atipico con 0 baños
- Se procede a limpiar los datos con 0 baños
- Existe una clara relación entre el número de habitaciones y el precio de las casas
- Existe un dato atipico con 0 habitaciones
- Se procede a limpiar los datos con 0 habitaciones
- El promedio de una casa en la zona norte es de 450 Millones.
- Las casas por encima de los 950 millones están en valores muy superiores de lo que cuesta una casa en la zona norte.
- Estime un modelo de regresión lineal múltiple con las variables del punto anterior (precio = f(área construida, estrato, número de cuartos, número de parqueaderos, número de baños ) ) e interprete los coeficientes si son estadísticamente significativos. Las interpretaciones deber están contextualizadas y discutir si los resultados son lógicos. Adicionalmente interprete el coeficiente R2 y discuta el ajuste del modelo e implicaciones (que podrían hacer para mejorarlo).
##
## Call:
## lm(formula = preciom ~ areaconst + habitaciones + parqueaderos +
## banios, data = base1)
##
## Residuals:
## Min 1Q Median 3Q Max
## -903.98 -82.92 -27.60 66.43 968.86
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 91.7391 34.6394 2.648 0.008613 **
## areaconst 0.7480 0.0707 10.579 < 2e-16 ***
## habitaciones -6.5940 7.7857 -0.847 0.397858
## parqueaderos 30.6198 7.3255 4.180 4.06e-05 ***
## banios 35.1115 10.4806 3.350 0.000935 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 163.7 on 245 degrees of freedom
## Multiple R-squared: 0.5286, Adjusted R-squared: 0.5209
## F-statistic: 68.68 on 4 and 245 DF, p-value: < 2.2e-16En el modelo no se toma encuenta la variable estrato ya que es categorica.
Se puede observar que la casas en la zona norte tienen un precio base de 91.7 millones.
Se puede observar que el area construida tiene un peso altamente significativo en el modelo (p<2e-16) y que tienen una estrecha relacion con el precio
Las habitaciones no tienen un peso significativo en el precio de las viviendas, de hecho segun el modelo es negativo.
Los parqueaderos son la variable que mas pesa despues del area (p<4.06e-05) y tienen un peso significativo dentro del modelo, y aumenta en 30.619 millones el valor de la casa.
Los baños son la variable que mas pesa despues del area (p<000935) y tienen un peso significativo dentro del modelo , y aumenta en 35.111 millones el valor de la casa.
El coeficiente R2 es de 0.5286 por lo que la variable precio esta predicha en un 52.86% por las variables independientes.
Para ajustar el modelo de pueden realizar las siguientes acciones:
- Realizar una limpieza de los datos y dejar solo aquellos que unicamente hacen parte de la zona norte
- Realice la validación de supuestos del modelo e interprete los resultados (no es necesario corregir en caso de presentar problemas, solo realizar sugerencias de que se podría hacer).
- Se puede observar que los residuos se dispersan aleatoriamente y no
tienen un patron, por lo que el supuesto de linealidad se cumple.
##
## Shapiro-Wilk normality test
##
## data: resid(mrlm)
## W = 0.862, p-value = 3.399e-14- Se puede observar que el grafico QQ siguen aproximadamente una linea recta, lo que prueba que los datos siguen una distribucion normal.
- La prueba Shapiro muestra que el p-value es bastante bajo menor al (5%), por lo que no se afecta la normalidad de los datos.
##
## studentized Breusch-Pagan test
##
## data: mrlm
## BP = 61.717, df = 4, p-value = 1.263e-12- Se puede observar que el grafico de la raiz cuadrada de residuos estandarizados sigue una distribucion parecida a la linea roja, sin embargo, no es aun perfecta , que representa los valores esperados de Y.
- La prueba BP muestra que el p-value es bastante bajo menor al (5%), por lo que no se afecta la normalidad de los datos.
Para poder corregir el modelo se puede realizar una transformacion de variables o utilizar muestras pequeñas a partir de la base de datos.
- Con el modelo identificado debe predecir el precio de la vivienda con las características de la primera solicitud.
## [1] "El precio de la Vivienda 1 sera de alrededor de: 315.805"Para las ofertas se tiene que debe ser de un area de 200 m2, de 1 parqueadero, 2 baños y 4 habitaciones:
## # A tibble: 17 × 13
## id zona piso estrato preciom areaconst parqueaderos banios habitaciones
## <dbl> <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 4210 Zona … 01 5 350 200 3 3 4
## 2 4800 Zona … 01 5 340 250 2 4 4
## 3 4458 Zona … 02 4 315 270 2 4 4
## 4 3352 Zona … <NA> 4 335 300 3 4 4
## 5 819 Zona … 02 5 350 264 2 3 4
## 6 1343 Zona … 02 5 320 200 2 4 4
## 7 3053 Zona … 02 5 320 230 2 4 4
## 8 937 Zona … 02 4 350 280 2 3 4
## 9 1108 Zona … 02 4 330 260 1 3 4
## 10 1144 Zona … <NA> 4 320 200 2 4 4
## 11 1163 Zona … <NA> 5 350 216 2 2 4
## 12 1849 Zona … <NA> 5 330 246 2 4 4
## 13 1887 Zona … 01 5 340 203 2 3 4
## 14 2544 Zona … 01 4 340 264. 2 4 4
## 15 1842 Zona … 02 5 350 240 2 3 4
## 16 1822 Zona … <NA> 4 340 295 2 2 4
## 17 1943 Zona … <NA> 5 350 346 1 2 4
## # ℹ 4 more variables: tipo <chr>, barrio <chr>, longitud <dbl>, latitud <dbl>Del filtro se pueden obtener un total de 17 opciones las cuales Maria puede ofrecer, sin embargo segun el mapa y algunas otras caracteristicas se pueden descartar ciertas opciones:
- La casa con el id 3352 no aplica por su ubicación
- Las casas 4458, 4210 y 4800 colindan con la zona urbana de Cali, lo cual puede afectar la cercania para centros comerciales, hospitales, transporte publico, mercados.
- Las casas 937 y 819 quedan cerca a la base aerea, lo cual puede afectar la comodidad de los habitantes.
Por lo que despues de realizar el filtro:
## [1] "Las ofertas que podrian realizarse para la vivienda 1 son: \n"## # A tibble: 11 × 13
## id zona piso estrato preciom areaconst parqueaderos banios habitaciones
## <dbl> <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 1343 Zona … 02 5 320 200 2 4 4
## 2 3053 Zona … 02 5 320 230 2 4 4
## 3 1108 Zona … 02 4 330 260 1 3 4
## 4 1144 Zona … <NA> 4 320 200 2 4 4
## 5 1163 Zona … <NA> 5 350 216 2 2 4
## 6 1849 Zona … <NA> 5 330 246 2 4 4
## 7 1887 Zona … 01 5 340 203 2 3 4
## 8 2544 Zona … 01 4 340 264. 2 4 4
## 9 1842 Zona … 02 5 350 240 2 3 4
## 10 1822 Zona … <NA> 4 340 295 2 2 4
## 11 1943 Zona … <NA> 5 350 346 1 2 4
## # ℹ 4 more variables: tipo <chr>, barrio <chr>, longitud <dbl>, latitud <dbl>Realice los pasos del 1 al 6. Para la segunda solicitud que tiene un crédito pre-aprobado por valor de $850 millones.
Realice un filtro a la base de datos e incluya solo las ofertas de : base1: casas, de la zona norte de la ciudad. Presente los primeros 3 registros de las bases y algunas tablas que comprueben la consulta. (Adicional un mapa con los puntos de las bases. Discutir si todos los puntos se ubican en la zona correspondiente o se presentan valores en otras zonas, por que?).
Vivienda 2
## # A tibble: 3 × 13
## id zona piso estrato preciom areaconst parqueaderos banios habitaciones
## <dbl> <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 5098 Zona S… 05 4 290 96 1 2 3
## 2 698 Zona S… 02 3 78 40 1 1 2
## 3 8199 Zona S… <NA> 6 875 194 2 5 3
## # ℹ 4 more variables: tipo <chr>, barrio <chr>, longitud <dbl>, latitud <dbl>Se imprimen dos tablas para corroborar que el filtro se haya aplicado correctamente:
##
## 3 4 5 6
## Zona Sur 201 1091 1033 462##
## 3 4 5 6
## Apartamento 201 1091 1033 462
- Realizando un análisis de datos faltantes, se puede observar que de
los datos presentes en el filtro, existen un 2.8% faltante y estos datos
faltantes estan concentrados en las variables piso y parqueaderos, con
un 22% y 15% respectivamente. Esto puede en un dar una idea de lo que
estas variables puedan pesar en el estudio.
Por lo tanto se procede a limpiar los datos.
Ahora, por medio de un mapa se determinan en que lugares de Cali se encuentran ubicadas las coordenadas presentadas en la base de datos:
Del mapa se puede observar que muchas de las coordenadas no se encuentran totalmente en el Sur, esto puede deberse a : 1. Error humano al llenar la base de datos.
- Se puede observar que existe una relación lineal entre el area construida y el precio, es proble que tengan una correlación alta.
- Se podria decir que la relacion tiene una pendiente mas alta que la que se vio en la grafica de la “Vivienda 1”, pero los datos son menos dispersos
- Existen casas estrato 3, 4 con un precio mas elevado que el promedio, esto se puede observar en los datos atipicos, estos precios pueden alcanzar la media de una casa estrato 6.
- Existen casas estrato 5 con precios elevados, mucho mayores a los de estrato 6, esto puede deberse a que se localizan en zonas con una mejor ubicacion, por ejemplo los apartamentos que se ubican en pisos mas altos suelen ser mas caros, asi como los apartamentos que estan localizados en zonas urbanas donde cuenten con hospitales y centros comerciales cerca.
- Existe una clara relación entre el número de baños y el precio de los apartamentos, al igual que pasa con las casas como se vio en el caso vivienda 1. En este caso no contamos con un apartamento con 0 baños por lo que no se tiene que limpiar ese dato.
- Existe una clara relación entre el número de habitaciones y el precio de los apartamentos
- 3 habitaciones tiene bastantes datos atipicos, esto quiere decir que hay bastantes apartamentos con 3 habitaciones con distintos precios.
- Existe un dato atipico con 0 habitaciones
- Se procede a limpiar los datos con 0 habitaciones
- El promedio de un apartamento en la zona sur es de 260 Millones.
- Los apartamentos por encima de los 560 millones están en valores muy superiores de lo que cuesta un apartamento en la zona sur.
- Algo muy importante a tener en cuenta es que muchos de los apartamentos no estan ubicados netamente en la zona sur, como se vio en el mapa, lo que quiere decir que los datos estan sesgados.
- Estime un modelo de regresión lineal múltiple con las variables del punto anterior (precio = f(área construida, estrato, número de cuartos, número de parqueaderos, número de baños ) ) e interprete los coeficientes si son estadísticamente significativos. Las interpretaciones deber están contextualizadas y discutir si los resultados son lógicos. Adicionalmente interprete el coeficiente R2 y discuta el ajuste del modelo e implicaciones (que podrían hacer para mejorarlo).
##
## Call:
## lm(formula = preciom ~ areaconst + habitaciones + parqueaderos +
## banios, data = baseA)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1097.07 -45.65 1.53 40.21 930.44
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -53.29630 12.68096 -4.203 2.76e-05 ***
## areaconst 1.31717 0.06512 20.226 < 2e-16 ***
## habitaciones -26.58441 4.76139 -5.583 2.71e-08 ***
## parqueaderos 101.16287 5.29995 19.088 < 2e-16 ***
## banios 66.78457 3.99583 16.714 < 2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 102.5 on 1851 degrees of freedom
## Multiple R-squared: 0.6971, Adjusted R-squared: 0.6964
## F-statistic: 1065 on 4 and 1851 DF, p-value: < 2.2e-16En el modelo no se toma encuenta la variable estrato ya que es categorica.
Se puede observar que los apartamentos en la zona sur tienen un precio base de -53.3 millones, lo cual no tiene sentido.
Se puede observar que el area construida tiene un peso altamente significativo en el modelo (p<2e-16) y que tienen una estrecha relacion con el precio.
Las habitaciones tienen un peso significativo en el precio de los apartamentos, pero segun el modelo es negativo, lo cual no es muy logico en la vida real, sin embargo revisando la grafica obtenida en el analisis exploratorio, la la grafica precio vs habitaciones no tiene un comportamiento netamente lineal, y se puede observar en el numero de habitaciones 3 donde existen bastantes datos atipicos . Esta variable podria descartarse a la hora de analizar los datos.
Los parqueaderos tiene un peso significativo dentro del modelo(p<2e-16) , y aumenta en 101.16 millones el valor del apartamento, por cada unidad que aumente.
Laos baños son la variable que mas pesa despues del area (p<2e-16) y tienen un peso significativo dentro del modelo , y aumenta en 66.78 millones el valor de la casa.
El coeficiente R2 es de 0.6971 por lo que la variable precio esta predicha en un 69.71% por las variables independientes.
Para ajustar el modelo de pueden realizar las siguientes acciones:
- Realizar una limpieza de los datos y dejar solo aquellos que unicamente hacen parte de la zona sur
- Realice la validación de supuestos del modelo e interprete los resultados (no es necesario corregir en caso de presentar problemas, solo realizar sugerencias de que se podría hacer).
- Se puede observar que los residuos se dispersan aleatoriamente y no
tienen un patron, por lo que el supuesto de linealidad se cumple.
##
## Shapiro-Wilk normality test
##
## data: resid(mrlm)
## W = 0.8098, p-value < 2.2e-16- Se puede observar que el grafico QQ siguen aproximadamente una linea recta, lo que prueba que los datos siguen una distribucion normal.
- La prueba Shapiro muestra que el p-value es bastante bajo menor al (5%), por lo que no se afecta la normalidad de los datos.
##
## studentized Breusch-Pagan test
##
## data: mrlm
## BP = 712.81, df = 4, p-value < 2.2e-16- Se puede observar que el grafico de la raiz cuadrada de residuos estandarizados sigue una distribucion parecida a la linea roja, sin embargo, no es aun perfecta , que representa los valores esperados de Y.
- La prueba BP muestra que el p-value es bastante bajo menor al (5%), por lo que no se afecta la normalidad de los datos.
Para poder corregir el modelo se puede realizar una transformacion de variables o utilizar muestras pequeñas a partir de la base de datos.
- Con el modelo identificado debe predecir el precio de la vivienda con las características de la primera solicitud.
## [1] "El precio de la Vivienda 2 sera de alrededor de: 712.774"Para las ofertas se tiene que debe ser de un area de 300 m2, de 3 parqueaderos, 3 baños y 5 habitaciones:
## # A tibble: 2 × 13
## id zona piso estrato preciom areaconst parqueaderos banios habitaciones
## <dbl> <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 7182 Zona S… <NA> 5 730 573 3 8 5
## 2 7512 Zona S… <NA> 5 670 300 3 5 6
## # ℹ 4 more variables: tipo <chr>, barrio <chr>, longitud <dbl>, latitud <dbl>Del filtro se pueden obtener un total de 2 opciones las cuales Maria puede ofrecer. Para este caso el numero es mas reducido, ya que los apartamentos no suelen tener tantas habitaciones y 300 m2 es un area bastante grande para un apartamento en Colombia.
Estas dos opciones son perfectas para el cliente y tienen un buen precio y ubicacion.