parcial 2 estadistica descriptiva

library(readr)

## Warning: package 'readr' was built under R version 4.4.3

train <- read_csv("https://raw.githubusercontent.com/ankita1112/House-Prices-Advanced-Regression/master/train.csv")

## Rows: 1460 Columns: 81
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (43): MSZoning, Street, Alley, LotShape, LandContour, Utilities, LotConf...
## dbl (38): Id, MSSubClass, LotFrontage, LotArea, OverallQual, OverallCond, Ye...
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

View(train)

1. Describir la data: Cantidad de variables, cantidad de observaciones usando dplyr. Limpiar la base de datos en caso de que sea requerido para la descripción.

ncol(train)

## [1] 81

str(train)

## spc_tbl_ [1,460 × 81] (S3: spec_tbl_df/tbl_df/tbl/data.frame)
##  $ Id           : num [1:1460] 1 2 3 4 5 6 7 8 9 10 ...
##  $ MSSubClass   : num [1:1460] 60 20 60 70 60 50 20 60 50 190 ...
##  $ MSZoning     : chr [1:1460] "RL" "RL" "RL" "RL" ...
##  $ LotFrontage  : num [1:1460] 65 80 68 60 84 85 75 NA 51 50 ...
##  $ LotArea      : num [1:1460] 8450 9600 11250 9550 14260 ...
##  $ Street       : chr [1:1460] "Pave" "Pave" "Pave" "Pave" ...
##  $ Alley        : chr [1:1460] NA NA NA NA ...
##  $ LotShape     : chr [1:1460] "Reg" "Reg" "IR1" "IR1" ...
##  $ LandContour  : chr [1:1460] "Lvl" "Lvl" "Lvl" "Lvl" ...
##  $ Utilities    : chr [1:1460] "AllPub" "AllPub" "AllPub" "AllPub" ...
##  $ LotConfig    : chr [1:1460] "Inside" "FR2" "Inside" "Corner" ...
##  $ LandSlope    : chr [1:1460] "Gtl" "Gtl" "Gtl" "Gtl" ...
##  $ Neighborhood : chr [1:1460] "CollgCr" "Veenker" "CollgCr" "Crawfor" ...
##  $ Condition1   : chr [1:1460] "Norm" "Feedr" "Norm" "Norm" ...
##  $ Condition2   : chr [1:1460] "Norm" "Norm" "Norm" "Norm" ...
##  $ BldgType     : chr [1:1460] "1Fam" "1Fam" "1Fam" "1Fam" ...
##  $ HouseStyle   : chr [1:1460] "2Story" "1Story" "2Story" "2Story" ...
##  $ OverallQual  : num [1:1460] 7 6 7 7 8 5 8 7 7 5 ...
##  $ OverallCond  : num [1:1460] 5 8 5 5 5 5 5 6 5 6 ...
##  $ YearBuilt    : num [1:1460] 2003 1976 2001 1915 2000 ...
##  $ YearRemodAdd : num [1:1460] 2003 1976 2002 1970 2000 ...
##  $ RoofStyle    : chr [1:1460] "Gable" "Gable" "Gable" "Gable" ...
##  $ RoofMatl     : chr [1:1460] "CompShg" "CompShg" "CompShg" "CompShg" ...
##  $ Exterior1st  : chr [1:1460] "VinylSd" "MetalSd" "VinylSd" "Wd Sdng" ...
##  $ Exterior2nd  : chr [1:1460] "VinylSd" "MetalSd" "VinylSd" "Wd Shng" ...
##  $ MasVnrType   : chr [1:1460] "BrkFace" "None" "BrkFace" "None" ...
##  $ MasVnrArea   : num [1:1460] 196 0 162 0 350 0 186 240 0 0 ...
##  $ ExterQual    : chr [1:1460] "Gd" "TA" "Gd" "TA" ...
##  $ ExterCond    : chr [1:1460] "TA" "TA" "TA" "TA" ...
##  $ Foundation   : chr [1:1460] "PConc" "CBlock" "PConc" "BrkTil" ...
##  $ BsmtQual     : chr [1:1460] "Gd" "Gd" "Gd" "TA" ...
##  $ BsmtCond     : chr [1:1460] "TA" "TA" "TA" "Gd" ...
##  $ BsmtExposure : chr [1:1460] "No" "Gd" "Mn" "No" ...
##  $ BsmtFinType1 : chr [1:1460] "GLQ" "ALQ" "GLQ" "ALQ" ...
##  $ BsmtFinSF1   : num [1:1460] 706 978 486 216 655 ...
##  $ BsmtFinType2 : chr [1:1460] "Unf" "Unf" "Unf" "Unf" ...
##  $ BsmtFinSF2   : num [1:1460] 0 0 0 0 0 0 0 32 0 0 ...
##  $ BsmtUnfSF    : num [1:1460] 150 284 434 540 490 64 317 216 952 140 ...
##  $ TotalBsmtSF  : num [1:1460] 856 1262 920 756 1145 ...
##  $ Heating      : chr [1:1460] "GasA" "GasA" "GasA" "GasA" ...
##  $ HeatingQC    : chr [1:1460] "Ex" "Ex" "Ex" "Gd" ...
##  $ CentralAir   : chr [1:1460] "Y" "Y" "Y" "Y" ...
##  $ Electrical   : chr [1:1460] "SBrkr" "SBrkr" "SBrkr" "SBrkr" ...
##  $ 1stFlrSF     : num [1:1460] 856 1262 920 961 1145 ...
##  $ 2ndFlrSF     : num [1:1460] 854 0 866 756 1053 ...
##  $ LowQualFinSF : num [1:1460] 0 0 0 0 0 0 0 0 0 0 ...
##  $ GrLivArea    : num [1:1460] 1710 1262 1786 1717 2198 ...
##  $ BsmtFullBath : num [1:1460] 1 0 1 1 1 1 1 1 0 1 ...
##  $ BsmtHalfBath : num [1:1460] 0 1 0 0 0 0 0 0 0 0 ...
##  $ FullBath     : num [1:1460] 2 2 2 1 2 1 2 2 2 1 ...
##  $ HalfBath     : num [1:1460] 1 0 1 0 1 1 0 1 0 0 ...
##  $ BedroomAbvGr : num [1:1460] 3 3 3 3 4 1 3 3 2 2 ...
##  $ KitchenAbvGr : num [1:1460] 1 1 1 1 1 1 1 1 2 2 ...
##  $ KitchenQual  : chr [1:1460] "Gd" "TA" "Gd" "Gd" ...
##  $ TotRmsAbvGrd : num [1:1460] 8 6 6 7 9 5 7 7 8 5 ...
##  $ Functional   : chr [1:1460] "Typ" "Typ" "Typ" "Typ" ...
##  $ Fireplaces   : num [1:1460] 0 1 1 1 1 0 1 2 2 2 ...
##  $ FireplaceQu  : chr [1:1460] NA "TA" "TA" "Gd" ...
##  $ GarageType   : chr [1:1460] "Attchd" "Attchd" "Attchd" "Detchd" ...
##  $ GarageYrBlt  : num [1:1460] 2003 1976 2001 1998 2000 ...
##  $ GarageFinish : chr [1:1460] "RFn" "RFn" "RFn" "Unf" ...
##  $ GarageCars   : num [1:1460] 2 2 2 3 3 2 2 2 2 1 ...
##  $ GarageArea   : num [1:1460] 548 460 608 642 836 480 636 484 468 205 ...
##  $ GarageQual   : chr [1:1460] "TA" "TA" "TA" "TA" ...
##  $ GarageCond   : chr [1:1460] "TA" "TA" "TA" "TA" ...
##  $ PavedDrive   : chr [1:1460] "Y" "Y" "Y" "Y" ...
##  $ WoodDeckSF   : num [1:1460] 0 298 0 0 192 40 255 235 90 0 ...
##  $ OpenPorchSF  : num [1:1460] 61 0 42 35 84 30 57 204 0 4 ...
##  $ EnclosedPorch: num [1:1460] 0 0 0 272 0 0 0 228 205 0 ...
##  $ 3SsnPorch    : num [1:1460] 0 0 0 0 0 320 0 0 0 0 ...
##  $ ScreenPorch  : num [1:1460] 0 0 0 0 0 0 0 0 0 0 ...
##  $ PoolArea     : num [1:1460] 0 0 0 0 0 0 0 0 0 0 ...
##  $ PoolQC       : chr [1:1460] NA NA NA NA ...
##  $ Fence        : chr [1:1460] NA NA NA NA ...
##  $ MiscFeature  : chr [1:1460] NA NA NA NA ...
##  $ MiscVal      : num [1:1460] 0 0 0 0 0 700 0 350 0 0 ...
##  $ MoSold       : num [1:1460] 2 5 9 2 12 10 8 11 4 1 ...
##  $ YrSold       : num [1:1460] 2008 2007 2008 2006 2008 ...
##  $ SaleType     : chr [1:1460] "WD" "WD" "WD" "WD" ...
##  $ SaleCondition: chr [1:1460] "Normal" "Normal" "Normal" "Abnorml" ...
##  $ SalePrice    : num [1:1460] 208500 181500 223500 140000 250000 ...
##  - attr(*, "spec")=
##   .. cols(
##   ..   Id = col_double(),
##   ..   MSSubClass = col_double(),
##   ..   MSZoning = col_character(),
##   ..   LotFrontage = col_double(),
##   ..   LotArea = col_double(),
##   ..   Street = col_character(),
##   ..   Alley = col_character(),
##   ..   LotShape = col_character(),
##   ..   LandContour = col_character(),
##   ..   Utilities = col_character(),
##   ..   LotConfig = col_character(),
##   ..   LandSlope = col_character(),
##   ..   Neighborhood = col_character(),
##   ..   Condition1 = col_character(),
##   ..   Condition2 = col_character(),
##   ..   BldgType = col_character(),
##   ..   HouseStyle = col_character(),
##   ..   OverallQual = col_double(),
##   ..   OverallCond = col_double(),
##   ..   YearBuilt = col_double(),
##   ..   YearRemodAdd = col_double(),
##   ..   RoofStyle = col_character(),
##   ..   RoofMatl = col_character(),
##   ..   Exterior1st = col_character(),
##   ..   Exterior2nd = col_character(),
##   ..   MasVnrType = col_character(),
##   ..   MasVnrArea = col_double(),
##   ..   ExterQual = col_character(),
##   ..   ExterCond = col_character(),
##   ..   Foundation = col_character(),
##   ..   BsmtQual = col_character(),
##   ..   BsmtCond = col_character(),
##   ..   BsmtExposure = col_character(),
##   ..   BsmtFinType1 = col_character(),
##   ..   BsmtFinSF1 = col_double(),
##   ..   BsmtFinType2 = col_character(),
##   ..   BsmtFinSF2 = col_double(),
##   ..   BsmtUnfSF = col_double(),
##   ..   TotalBsmtSF = col_double(),
##   ..   Heating = col_character(),
##   ..   HeatingQC = col_character(),
##   ..   CentralAir = col_character(),
##   ..   Electrical = col_character(),
##   ..   `1stFlrSF` = col_double(),
##   ..   `2ndFlrSF` = col_double(),
##   ..   LowQualFinSF = col_double(),
##   ..   GrLivArea = col_double(),
##   ..   BsmtFullBath = col_double(),
##   ..   BsmtHalfBath = col_double(),
##   ..   FullBath = col_double(),
##   ..   HalfBath = col_double(),
##   ..   BedroomAbvGr = col_double(),
##   ..   KitchenAbvGr = col_double(),
##   ..   KitchenQual = col_character(),
##   ..   TotRmsAbvGrd = col_double(),
##   ..   Functional = col_character(),
##   ..   Fireplaces = col_double(),
##   ..   FireplaceQu = col_character(),
##   ..   GarageType = col_character(),
##   ..   GarageYrBlt = col_double(),
##   ..   GarageFinish = col_character(),
##   ..   GarageCars = col_double(),
##   ..   GarageArea = col_double(),
##   ..   GarageQual = col_character(),
##   ..   GarageCond = col_character(),
##   ..   PavedDrive = col_character(),
##   ..   WoodDeckSF = col_double(),
##   ..   OpenPorchSF = col_double(),
##   ..   EnclosedPorch = col_double(),
##   ..   `3SsnPorch` = col_double(),
##   ..   ScreenPorch = col_double(),
##   ..   PoolArea = col_double(),
##   ..   PoolQC = col_character(),
##   ..   Fence = col_character(),
##   ..   MiscFeature = col_character(),
##   ..   MiscVal = col_double(),
##   ..   MoSold = col_double(),
##   ..   YrSold = col_double(),
##   ..   SaleType = col_character(),
##   ..   SaleCondition = col_character(),
##   ..   SalePrice = col_double()
##   .. )
##  - attr(*, "problems")=<externalptr>

library(dplyr)

## Warning: package 'dplyr' was built under R version 4.4.3

## 
## Adjuntando el paquete: 'dplyr'

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

train$OverallQual[is.na(train$OverallQual)]

## numeric(0)

train$GrLivArea[is.na(train$GrLivArea)]

## numeric(0)

train$TotalBsmtSF[is.na(train$TotalBsmtSF)]

## numeric(0)

train$GarageArea[is.na(train$GarageArea)]

## numeric(0)

train$GarageCars[is.na(train$GarageCars)]

## numeric(0)

#Variables de ubicación:

train$Neighborhood[is.na(train$Neighborhood)]#Neighborhood: Barrio donde se ubica la casa.

## character(0)

train$LotArea[is.na(train$LotArea)]#LotArea: Área total del lote.

## numeric(0)

train$LotFrontage[is.na(train$LotFrontage)]<- mean (train$LotFrontage,na.m=TRUE)
mean(train$LotFrontage)#LotFrontage: Longitud de fachada del lote en pies.

## [1] NA

#Variables temporales:

train$YearBuilt[is.na(train$YearBuilt)]#YearBuilt: Año de construcción.

## numeric(0)

train$YearRemodAdd[is.na(train$YearRemodAdd)]#YearRemodAdd: Año de renovación (si aplica).

## numeric(0)

train$YrSold[is.na(train$YrSold)]#YrSold: Año de la venta.

## numeric(0)

#Variables adicionales:
train$KitchenAbvGr[is.na(train$kit)]#KitchenAbvGr: Número de cocinas por encima del suelo.

## Warning: Unknown or uninitialised column: `kit`.

## numeric(0)

train$Fireplaces[is.na(train$Fireplaces)]#Fireplaces: Número de chimeneas.

## numeric(0)

train$PoolArea[is.na(train$PoolArea)]#PoolArea: Área de la piscina (si existe).

## numeric(0)

train$MasVnrArea[is.na(train$MasVnrArea)]<- mean (train$MasVnrArea,na.m=TRUE)
mean(train$MasVnrArea)#MasVnrArea: Área de revestimiento de mampostería.

## [1] NA

#Variable objetivo (target):
train$SalePrice[is.na(train$SalePrice)]#SalePrice: Precio final de venta de la vivienda.

## numeric(0)

2. Calcule la media, mediana y desviación estándar del precio de venta de las viviendas (SalePrice). ¿Qué indica la relación entre media y mediana sobre la distribución de los datos?

train_media_saleprice<-mean(train$SalePrice)
print(paste("el promedio de los los precios finles es",train_media_saleprice))

## [1] "el promedio de los los precios finles es 180921.195890411"

train_mediana_saleprice<-median(train$SalePrice)
print(paste("la mediana de los los precios finles es",train_mediana_saleprice))

## [1] "la mediana de los los precios finles es 163000"

train_des_estandar_saleprice<-sd(train$SalePrice)
print(paste("la desviasion estandar del precio final es",train_des_estandar_saleprice))

## [1] "la desviasion estandar del precio final es 79442.5028828866"

print(paste("Indican que la mayor cantidad son precios finales son superiores al numero de datos existentes  "))

## [1] "Indican que la mayor cantidad son precios finales son superiores al numero de datos existentes  "

3. Calcule la media del área habitable (GrLivArea) ¿Qué puedes concluir al compararla con la media de precios de venta?

train_mean_grlivarea<-mean(train$GrLivArea)

prom_pies_cuadrados<-train_media_saleprice/train_mean_grlivarea

print(paste("la media de GrLivArea es Área habitable sobre el suelo, valor es de",train_mean_grlivarea, "pies cuadrados esto quiere decir que en promedio las viviedas tienen esa area contruida parra vivir y de acuerdo con el romedio de los precios que es  ", train_media_saleprice," podemos promediar que el vaor de un pie  cuadrado es de ",prom_pies_cuadrados ))

## [1] "la media de GrLivArea es Área habitable sobre el suelo, valor es de 1515.46369863014 pies cuadrados esto quiere decir que en promedio las viviedas tienen esa area contruida parra vivir y de acuerdo con el romedio de los precios que es   180921.195890411  podemos promediar que el vaor de un pie  cuadrado es de  119.383391402875"

4. Calcule el rango y varianza del tamaño del garaje en pies cuadrados (GarageArea).

train_garagearea_rango<- range(train$GarageArea)
train_garagearea_varianza<-var(train$GarageArea)
print(paste("el rango del tamaño del garaje en pies cuadrados es de",train_garagearea_rango,"y la vaianza es de", train_garagearea_varianza))

## [1] "el rango del tamaño del garaje en pies cuadrados es de 0 y la vaianza es de 45712.5102289051"   
## [2] "el rango del tamaño del garaje en pies cuadrados es de 1418 y la vaianza es de 45712.5102289051"

¿Consideras que es una variable homogénea o heterogénea? ¿Por qué?

5. Realice un resumen de las medidas de tendencia central.

print(paste("el resumen de precios de vivienda, area construida, area de garage y area de piscina"))

## [1] "el resumen de precios de vivienda, area construida, area de garage y area de piscina"

summary(train$SalePrice)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   34900  129975  163000  180921  214000  755000

summary(train$GarageArea)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##     0.0   334.5   480.0   473.0   576.0  1418.0

summary(train$GrLivArea)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##     334    1130    1464    1515    1777    5642

summary(train$PoolArea)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   0.000   0.000   0.000   2.759   0.000 738.000

6. Realice un histograma para la variable SalePrice usando ggplot2, que contenga: • Título: “Distribución del precio de venta” • Interprete la forma de la distribución: ¿La distribución es simétrica o asimétrica? ¿Hay muchos precios altos o bajos?

library(ggplot2)

## Warning: package 'ggplot2' was built under R version 4.4.3

#ventas<- data.frame(vivienda=c(1;460),
                    #precio=c(train$SalePrice))
                    

#ggplot(ventas, (x = viviendas, y = precio)) +
 # geom_point(color = "pink") +
#  ggtitle("Distribución del precio de venta") +
 # xlab("viviendas") +
#  ylab("precio (dolares)")

7. Realice un boxplot del precio de venta (SalePrice) agrupado por la calidad general (OverallQual).

• Título: “Precio de venta según calidad general” • ¿Qué conclusiones puedes obtener sobre la relación entre calidad y precio?. Describir el grafico 8. Genere un gráfico de barras apiladas con el precio promedio (SalePrice) por barrio (Neighborhood). • ¿Qué barrios presentan los precios más altos y más bajos en promedio? 10. Haga un gráfico de dispersión (plot) entre GrLivArea y SalePrice. • ¿Existe alguna relación entre estas dos variables? 11. ¿Qué tipo de variable es OverallQual? ¿Es correcto calcular la media de esta variable?