INDICE

-Introduccion.
-PRECIO.
-ÁREA.
-TIPOS DE VIVIENDA.
-Conclusion.

library(readxl)
library(moments)
Datos_ejercicio_1 <- read_excel("Datos_ejercicio_1.xlsx")

INTRODUCCION

La base de datos que emplearemos contiene tres variables principales: precio, área y tipo de vivienda. Además, la base de datos está compuesta por aproximadamente 1706 registros. Con esta información, buscamos identificar patrones significativos y obtener una comprensión más profunda de cómo estas variables interactúan entre sí y cómo influyen en las decisiones de compra o alquiler de viviendas.

La metodología que se utilizará a lo largo de la práctica será la realización de manera visual de los indicadores de tendencia central seguido de las gráficas pertinentes. Cabe aclarar que cada uno de estos datos tendrá consigo una interpretación y que este procedimiento se repetirá para cada una de nuestras variables.

PRECIO
A continuación, se evidenciarán los indicadores de tendencia central de la variable PRECIOS.

summary(Datos_ejercicio_1$preciom)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   207.4   230.7   238.8   243.7   251.5   309.7

Se puede señalar que los datos oscilan entre 207.4 y 309.7 (unidad medida en MILES). El 25%, 50% y 75% están en los valores 230.7, 238.8 y 251.5, respectivamente.

hist(Datos_ejercicio_1$preciom,main = "HISTOGRAMA DE PRECIOS", xlab="PRECIO(MILES)", ylab = "FRECUENCIA ABSOLUTA", col=c("#8DEEEE","#79CDCD"),xlim=c(200,320),
     ylim = c(0,600))

La gráfica revela que el intervalo con la mayor concentración de datos se sitúa entre 230 y 240, siendo el precio más buscado por la gente, dando un patrón que demuestra las preferencias a un menor precio en el mercado. Indicando que, según su distribución, la media precede a la mediana. Esto sugiere una agrupación significativa de datos al principio, manifestada en picos pronunciados, seguida de una disminución notable, generando así una cola positiva.

library(moments)
skewness(Datos_ejercicio_1$preciom)
## [1] 1.258777
kurtosis(Datos_ejercicio_1$preciom)
## [1] 4.257009

Dado que el coeficiente de asimetría dio 1.25877 > 0, podemos decir que tiene una asimetría positiva con una curva leptocúrtica, pues la curtosis es de 4.257009 > 3. La característica de una curva leptocúrtica es que tiene un “pico alto y delgado”.

boxplot(Datos_ejercicio_1$preciom,main="BOXPLOT VARIABLE PRECIO",col=("#CD8162"))

En esta gráfica, podemos observar de otra manera visual la información presentada anteriormente. Aunque en el boxplot, con la ayuda del “RIC”, podemos determinar la dispersión de los valores con el fin de encontrar, en este caso, precios atípicos. Llegando a observar que a partir de 280.000 aparecen todos los valores que consideramos atípicos. Otro dato a resaltar es que, con los datos de la práctica, tenemos bastantes datos atípicos.
…

plot(Datos_ejercicio_1$preciom,main = "HISTOGRAMA DE PRECIOS", xlab="FRECUENCIA ABSOLUTA", ylab ="PRECIO(MILES)" ,  ,xlim=c(0,1800),
     ylim = c(150,400))

En esta gráfica se puede evidenciar que hay una mayor concentración entre el rango de 200 y 250 (unidad en miles). Dando a conocer que al acumular la mayor cantidad de precios de viviendas en este intervalo, se llega a generalizar que puede ser la moda en esta variable.

ÁREA
A continuación, se evidenciarán los indicadores de tendencia central de la variable ÁREA.

summary(Datos_ejercicio_1$areaconst)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   40.00   60.00   75.00   87.63   98.00  200.00

Con la información brindada, nos encontramos datos que varían entre 40.00 y 200.0 (unidad medida en MILES). El 25%, 50% y 75% están en los valores 60.00, 75.00 y 98.00, respectivamente.

hist(Datos_ejercicio_1$areaconst,main = "HISTOGRAMA DE AREA", xlab="AREA CONSTRUIDA(METRO CUADRADO)", ylab = "FRECUENCIA ABSOLUTA", col=c("#8DEEEE","#79CDCD"),xlim=c(0,250),
     ylim = c(0,400))

Con la información proporcionada por la gráfica, podemos llegar a la conclusión de que las viviendas adquiridas son, en su mayoría, más apetecidas si se encuentran en un rango de 50 a 100 metros cuadrados. Curiosamente, esta tabla coincide en información con una anterior donde podemos ver que al principio de esta cuenta con grandes picos, indicando una mayor acumulación de datos en esta zona y en la posterior un descenso constante, dando a entender una cola positiva.

library(moments)
skewness(Datos_ejercicio_1$areaconst)
## [1] 1.532792
kurtosis(Datos_ejercicio_1$areaconst)
## [1] 4.682735

Al igual que en la variable PRECIO, esta variable presenta una asimetría positiva, pues el coeficiente de asimetría dio 1.532792 > 0. Además, también podemos decir que tiene una curva leptocúrtica, pues la kurtosis que presenta es de 4.682735 > 3.

boxplot(Datos_ejercicio_1$areaconst,main="BOXPLOT VARIABLE AREA",col=("#CD8162"))

En esta grafica con la ayuda del boxplot podemos ver la dispersión de los datos y determinar en terminos de la variable area cuales son las más adquiridas, mostrando que entre los valores de 50 y 100 metros cuadrados se encuentran el 50% de los datos y apartir de los 150 metros cuadrados se evidencias algunas vivivendas exageradamente grandes que no son usuales por los compradores.

plot(Datos_ejercicio_1$areaconst,main = "DIAGRAMA DE DISPERSION DE LA VARIABLE AREA", xlab="FRECUENCIA ABSOLUTA", ylab = "AREA CONSTRUIDA(METRO CUADRADO)",xlim=c(0,1700),
     ylim = c(0,300))

En la gráfica de la variable dispersión de área, podemos detallar la compra de cada usuario de su respectiva vivienda, dando a entender que posiblemente, por términos económicos, la mayoría de personas compran una casa que cuenta con 50 metros cuadrados debido a que sale más económico. A partir de los 150 hasta 200 metros cuadrados, son muy contadas las personas que adquieren una vivienda de esta clase, llegando a interpretarse como atípicos si se comparan desde un boxplot.

A continuación, se evidenciará la frecuencia absoluta de la variable TIPOS DE VIVIENDA.

table(Datos_ejercicio_1$tipo)
## 
## Apartamento        Casa 
##        1363         343

..

barplot(table(Datos_ejercicio_1$tipo), 
        ylim=c(0,1500), ,main = "Diagrama de barras",ylab = "Cantidad de tipos de vivienda",col =c("#8DEEEE","#79CDCD" ))

En esta gráfica “sencilla” podemos determinar que la mayoría de las personas prefieren adquirir un apartamento como vivienda que una casa.

CONCLUSIÓN GENERAL

Haciendo un análisis detallado, hay muchos factores que pueden determinar la influencia en cada persona a la hora de adquirir una vivienda propia. Primeramente, los precios que son apetecidos están entre 220-260 (unidad en miles), ya que puede ser dependiendo del presupuesto con el que cuenta cada persona. Son muy pocas las que prefieren pagar una vivienda con valores superiores a 260 (unidad en miles).

Una vez llegamos a la variable ÁREA, logramos analizar que muchas de las viviendas más adquiridas tienen un rango entre 50 - 100 metros cuadrados. Aunque se tiene que tener en cuenta que a mayor área, será también el mayor precio pagado por dicha vivienda.

Al analizar el diagrama de barras, se destaca una marcada disparidad entre las preferencias de vivienda adquirida. Es evidente que la mayoría de las personas optan por apartamentos en lugar de casas para su residencia. Estos hallazgos sugieren que las casas son menos frecuentes en las adquisiciones, lo que puede relacionarse con la presencia de muy pocos precios y áreas de construcción que se desvíen de la norma. Es posible que la mayor área de las casas, y por ende su mayor precio, contribuyan a esta tendencia. Este fenómeno refleja una clara inclinación hacia los apartamentos, que representan el 79% de las elecciones de vivienda.