Parcial 2

1. Cargar y describir los datos

url <- 'https://raw.githubusercontent.com/ankita1112/House-Prices-Advanced-Regression/master/train.csv'
Datosparcial <- read.csv(url)

# Descripción general
Datosparcial %>% summarise(filas = n(), columnas = ncol(.))

##   filas columnas
## 1  1460       81

La base de datos cuenta con 1460 filas y 81 columnas.

Limpieza de datos

colSums(is.na(Datosparcial))

##            Id    MSSubClass      MSZoning   LotFrontage       LotArea 
##             0             0             0           259             0 
##        Street         Alley      LotShape   LandContour     Utilities 
##             0          1369             0             0             0 
##     LotConfig     LandSlope  Neighborhood    Condition1    Condition2 
##             0             0             0             0             0 
##      BldgType    HouseStyle   OverallQual   OverallCond     YearBuilt 
##             0             0             0             0             0 
##  YearRemodAdd     RoofStyle      RoofMatl   Exterior1st   Exterior2nd 
##             0             0             0             0             0 
##    MasVnrType    MasVnrArea     ExterQual     ExterCond    Foundation 
##             8             8             0             0             0 
##      BsmtQual      BsmtCond  BsmtExposure  BsmtFinType1    BsmtFinSF1 
##            37            37            38            37             0 
##  BsmtFinType2    BsmtFinSF2     BsmtUnfSF   TotalBsmtSF       Heating 
##            38             0             0             0             0 
##     HeatingQC    CentralAir    Electrical     X1stFlrSF     X2ndFlrSF 
##             0             0             1             0             0 
##  LowQualFinSF     GrLivArea  BsmtFullBath  BsmtHalfBath      FullBath 
##             0             0             0             0             0 
##      HalfBath  BedroomAbvGr  KitchenAbvGr   KitchenQual  TotRmsAbvGrd 
##             0             0             0             0             0 
##    Functional    Fireplaces   FireplaceQu    GarageType   GarageYrBlt 
##             0             0           690            81            81 
##  GarageFinish    GarageCars    GarageArea    GarageQual    GarageCond 
##            81             0             0            81            81 
##    PavedDrive    WoodDeckSF   OpenPorchSF EnclosedPorch    X3SsnPorch 
##             0             0             0             0             0 
##   ScreenPorch      PoolArea        PoolQC         Fence   MiscFeature 
##             0             0          1453          1179          1406 
##       MiscVal        MoSold        YrSold      SaleType SaleCondition 
##             0             0             0             0             0 
##     SalePrice 
##             0

Datosparcial_limpia <- Datosparcial %>% 
  select(SalePrice, GrLivArea, GarageArea, OverallQual, Neighborhood) %>% 
  na.omit()

2. Medidas de tendencia central del precio de venta

Datosparcial_limpia %>% 
  summarise(
    Media = mean(SalePrice),
    Mediana = median(SalePrice),
    Desviación_Estandar = sd(SalePrice)
  )

##      Media Mediana Desviación_Estandar
## 1 180921.2  163000             79442.5

Interpretación:
La media (180921.2) es mayor que la mediana (163000), lo que indica una distribución asimétrica positiva.

3. Media del área habitable

Datosparcial_limpia %>% summarise(Media_GrLivArea = mean(GrLivArea))

##   Media_GrLivArea
## 1        1515.464

Conclusión:
La media del precio de venta es considerablemente mayor que la del área habitable. Esto sugiere que los precios tienden a ser altos, especialmente para viviendas más grandes.

4. Rango y varianza del tamaño del garaje

range(Datosparcial_limpia$GarageArea)

## [1]    0 1418

var(Datosparcial_limpia$GarageArea)

## [1] 45712.51

Conclusión:
La variable GarageArea es heterogénea, debido al amplio rango y alta varianza (45712.51), lo que indica gran variabilidad.

5. Resumen de medidas de tendencia central

summary(Datosparcial_limpia)

##    SalePrice        GrLivArea      GarageArea      OverallQual    
##  Min.   : 34900   Min.   : 334   Min.   :   0.0   Min.   : 1.000  
##  1st Qu.:129975   1st Qu.:1130   1st Qu.: 334.5   1st Qu.: 5.000  
##  Median :163000   Median :1464   Median : 480.0   Median : 6.000  
##  Mean   :180921   Mean   :1515   Mean   : 473.0   Mean   : 6.099  
##  3rd Qu.:214000   3rd Qu.:1777   3rd Qu.: 576.0   3rd Qu.: 7.000  
##  Max.   :755000   Max.   :5642   Max.   :1418.0   Max.   :10.000  
##  Neighborhood      
##  Length:1460       
##  Class :character  
##  Mode  :character  
##                    
##                    
## 

6. Histograma de SalePrice

ggplot(Datosparcial_limpia, aes(x = SalePrice)) +
  geom_histogram(fill = "steelblue", color = "black", bins = 30) +
  ggtitle("Distribución del precio de venta") +
  theme_minimal()

Interpretación:
La distribución es asimétrica positiva, con muchos precios bajos y pocos precios altos.

7. Boxplot de SalePrice por OverallQual

ggplot(Datosparcial_limpia, aes(x = factor(OverallQual), y = SalePrice)) +
  geom_boxplot(fill = "tomato") +
  ggtitle("Precio de venta según calidad general") +
  xlab("Calidad general") +
  ylab("Precio de venta") +
  theme_minimal()

Conclusión:
A mayor OverallQual, mayor precio de venta. Hay varios valores atípicos.

8. Precio promedio por barrio (barplot)

Datosparcial_limpia %>%
  group_by(Neighborhood) %>%
  summarise(PrecioPromedio = mean(SalePrice)) %>%
  ggplot(aes(x = reorder(Neighborhood, -PrecioPromedio), y = PrecioPromedio)) +
  geom_bar(stat = "identity", fill = "darkgreen") +
  theme(axis.text.x = element_text(angle = 90, hjust = 1)) +
  ggtitle("Precio promedio por barrio")

Conclusión:
El barrio con precio más alto es NoRidge y el de precio más bajo es MeadowV.

9. Gráfico de dispersión entre GrLivArea y SalePrice

ggplot(Datosparcial_limpia, aes(x = GrLivArea, y = SalePrice)) +
  geom_point(color = "purple", alpha = 0.5) +
  ggtitle("Relación entre área habitable y precio de venta") +
  theme_minimal()

Conclusión:
Existe una relación positiva entre el área habitable y el precio de venta.

10. Tipo de variable: OverallQual

OverallQual es una variable ordinal.
No es completamente correcto calcular su media, aunque se hace con frecuencia para análisis exploratorios.