library(readxl)
Easton_Imobiliaria <- read_excel("C:/Users/lineb/Desktop/Base_de_dados-master/Easton_Imobiliaria.xlsx")
summary(Easton_Imobiliaria)
##       Mês            Preço           Tamanho          Quartos     
##  Min.   :3.000   Min.   : 99000   Min.   : 99.31   Min.   :2.000  
##  1st Qu.:3.000   1st Qu.:121800   1st Qu.:154.13   1st Qu.:3.000  
##  Median :4.000   Median :138600   Median :169.27   Median :3.000  
##  Mean   :4.421   Mean   :140057   Mean   :173.48   Mean   :3.111  
##  3rd Qu.:5.000   3rd Qu.:157200   3rd Qu.:192.40   3rd Qu.:3.000  
##  Max.   :6.000   Max.   :190650   Max.   :266.82   Max.   :4.000  
##      Idade         Localização     Corretora      
##  Min.   : 1.000   Min.   :1.00   Min.   :0.00000  
##  1st Qu.: 5.000   1st Qu.:1.00   1st Qu.:0.00000  
##  Median : 6.000   Median :2.00   Median :0.00000  
##  Mean   : 6.139   Mean   :1.74   Mean   :0.09978  
##  3rd Qu.: 8.000   3rd Qu.:2.00   3rd Qu.:0.00000  
##  Max.   :13.000   Max.   :3.00   Max.   :1.00000

Mudança de nomes das variáveis

names(Easton_Imobiliaria)
## [1] "Mês"         "Preço"       "Tamanho"     "Quartos"     "Idade"      
## [6] "Localização" "Corretora"
nomes<-c( "Mes","Valor","Tamanho","Quartos","Idade","Localidade","Corretora")
colnames(Easton_Imobiliaria) <- nomes

Gráficos de Análise

par(mfrow=c(2,2))
par(bg="#f5b3ff")
boxplot(Valor~Localidade, data=Easton_Imobiliaria, main="Preço X Localização",col="yellow")
boxplot(Valor~Idade, data=Easton_Imobiliaria, main="Preço X Idade",col="#a9f4fc")
boxplot(Valor~Corretora, data=Easton_Imobiliaria, main="Preço X Corretora",col="grey")
plot(Valor~Tamanho, data=Easton_Imobiliaria, main="Preço X tamanho",col="#316b39", pch=20)

Legenda: 1-> Dallas, 2-> Fort Worth, 3 -> Arlington; 0 -> Outra corretora, 1 -> Easton Imobiliária

1) Nesses gráficos, conseguimos ter uma visualização melhor das informações. Através do Boxplot, visualizamos a média de preço em relação a localização, idade, corretora e tamanho.

2) Conseguimos enxergar também que em Dallas as residências possuem maior preço, em Fort Worth a média de preços é inferior a esperada e em Arlington aparenta ser o esperado.

3) Em relação as corretoras, a concorrente de Easton aparenta ter uma variedade maior e possui uma média mais homogênea.

Dados obtidos no Caso em relação as casas: A primeira casa é em Arlington, tem 4 anos, tem 203 m², 3 quartos e foi vendida por 88.500 dólares. A segunda casa é em Fort Worth, tem 9 anos, tem 172 m², 3 quartos e foi vendida por 79.500.

Visto isso, analisaremos graficamente de forma mais restrita

1º Análise: Preço x Corretora - Filtro: Casas de 4 anos e 3 quartos.

Ao visualizar o gráfico conseguimos ter a impressão de que as casas vendidas pela corretora concorrente possui preços mais elevados.

2º Análise: Preço x Corretora - Filtro: Casas de 9 anos e 3 quartos.

Assim como na 1º análise, conseguimos ter a impressão de que as casas vendidas pela corretora concorrente são mais valorizadas.

Apesar dessas análises, não conseguimos ver a relação entre os meses x preço.

boxplot(Valor~Mes, data=Easton_Imobiliaria,main="Preço X Mês",col="orange", pch=20)

Neste último gráfico, conseguimos visualizar que ao decorrer dos meses os valores dos imóveis vão decaindo. Portanto, pode-se associar que a Easton Imobiliária estava acompanhando o decaimento dos preços de acordo com o decorrer da crise.

CONCLUSÕES:

- Devemos levar em conta que os donos das casas geralmente possuem uma ideia errônea em relação ao valor de sua residência.

- Com o decorrer da crise o preço das residências foi diminuindo e, para não tirar vantagem da má situação econômica, a imobiliária acompanhou o decaimento, o que não deve ser considerado subvalorização. Caso permanecessem os preços originais as residências não seriam vendidas.

- Não pode esperar a mesma valorização para diferentes áreas. Além da crise da região, outros fatores influenciam o valor do imóvel como: segurança, proximidade com escolas, hospitais, etc.

- Portanto, considero que a Easton Imobiliária não subvalorizou as residências vendidas.