Skip to content

Latest commit

 

History

History
55 lines (43 loc) · 4.75 KB

americo_propuesta.md

File metadata and controls

55 lines (43 loc) · 4.75 KB
Raw

Luego de analizar la data, creo que proporciona datos geoespaciales en formato sobre los vecindarios de Boston. Podemos hacer análisis que permite explorar las delimitaciones y características de cada vecindario, facilitando estudios demográficos, de infraestructura urbana, o cualquier análisis espacial. Podemos hacer agrupaciones, estadísticas y visualizaciones de mapas.

De lo que yo creo que podemos hacer es lo siguiente:

  • se pueden realizar varias agrupaciones útiles:

  1. Agrupación por índice de criminalidad (CRIM): • Uso: Identificar áreas con alta o baja criminalidad para estudios de seguridad y políticas públicas.

  2. Agrupación por uso del suelo (ZN e INDUS): • Uso: Separar zonas residenciales de las comerciales/industriales para planificación urbana.

  3. Agrupación por proximidad al río Charles (CHAS): • Uso: Comparar vecindarios cercanos y lejanos al río para estudios ambientales y de desarrollo urbano.

  4. Agrupación por niveles de contaminación (NOX): • Uso: Evaluar áreas con diferente calidad del aire para estudios de salud pública.

  5. Agrupación por características de vivienda (RM, AGE): • Uso: Analizar vecindarios con diferentes tipos y antigüedad de viviendas para estudios de mercado inmobiliario.

  6. Agrupación por accesibilidad y transporte (DIS, RAD):

    • Uso: Estudiar la conectividad y accesibilidad de los vecindarios para mejorar infraestructuras de transporte.

  7. Agrupación por factores económicos y educativos (TAX, PTRATIO, LSTAT, PRICE): • Uso: Identificar vecindarios con diferentes niveles económicos y educativos para políticas de equidad y desarrollo social.

  8. Agrupación por composición racial (B): • Uso: Analizar la distribución racial para estudios de diversidad y políticas antidiscriminación.

En cuanto a las estadísticas, se me ocurrió esto:

Estadísticas Descriptivas:

  1. Medidas de tendencia central: • Esto se puede sacar desde la descripción del data frame.
  2. Medidas de dispersión: • Rango: Calculamos el rango para características como la concentración de óxidos de nitrógeno (NOX), el impuesto de bienes inmuebles (TAX), etc. • Desviación estándar: Determinamos la desviación estándar para el índice de criminalidad (CRIM), la concentración de óxidos de nitrógeno (NOX), etc. • Percentiles: Calculamos percentiles para características como la proporción de superficie de negocio no minorista (INDUS), la distancia ponderada a centros de empleo (DIS), etc.

Estadísticas Inferenciales:

  1. Pruebas de hipótesis: • Prueba t: Podemos realizar pruebas t para comparar las medias de campos como el número promedio de habitaciones (RM) entre vecindarios cercanos y lejanos al río Charles (CHAS). • Prueba ANOVA: Realizamos pruebas de ANOVA para comparar las medias de campos como el valor mediano de las viviendas (PRICE) entre vecindarios con diferentes niveles de accesibilidad a las autopistas radiales (RAD).
  2. Análisis de correlación: • Correlación de Pearson: Podemos calcular la correlación de Pearson entre campos como el número promedio de habitaciones (RM) y el valor mediano de las viviendas (PRICE). • Correlación de Spearman: Podemos calcular la correlación de Spearman entre campos como el porcentaje de población de "estatus de bajo nivel" (LSTAT) y el valor mediano de las viviendas (PRICE).

Con los paquetes Folium y Plotly creo que podemos sacar estos mapas:

Con Folium:

  1. Mapa de ubicación de vecindarios: se puede crear un mapa que muestre la ubicación de cada vecindario de Boston.
  2. Mapa de densidad de características: Utilizando colores o tamaños de marcadores, se puede representar la densidad de características como la concentración de óxidos de nitrógeno (NOX) o el valor mediano de las viviendas (PRICE) en cada vecindario.
  3. Mapa coroplético: se puede crear un mapa coroplético que muestre la distribución espacial de una característica específica, como el índice de criminalidad (CRIM) o el porcentaje de población de "estatus de bajo nivel" (LSTAT).

Con Plotly:

  1. Mapa de contorno: se puede crear un mapa de contorno que muestre áreas con niveles similares de una característica específica, como la concentración de óxidos de nitrógeno (NOX) o el valor mediano de las viviendas (PRICE).
  2. Mapa de calor: se puede crear mapas de calor interactivos, lo que te permite explorar la distribución espacial de características como el índice de criminalidad (CRIM) o la proporción de superficie residencial (ZN) en Boston.
  3. Mapa de dispersión: se puede crear un mapa de dispersión que muestre la relación espacial entre dos características, como la proporción de superficie de negocio no minorista (INDUS) y la distancia ponderada a centros de empleo (DIS) en cada vecindario.