Association rules is an unsupervised learning algorithm which is sharpened for the purpose of finding patterns in data such as market basket analysis or customer preferences to create recommendation systems. Despite the fact that those are the most popular applications, this study shows how the association rules algorithms may help to analyze survey data, and namely, psychological and behavioral questionnaires for mental disorder diagnosis. The current dataset is collected from a private psychology clinic. This dataset comprised 30 samples for each of the Normal, Mania Bipolar Disorder, Depressive Bipolar Disorder, and Major Depressive Disorder categories summing up to 120 patiants. The dataset contains the 17 essential symptoms psychiatrists use to diagnose the described disorders.

library(dslabs) library(ggplot2) library(scales) data(stars) stars$lum <- 10^((4.83 - stars$magnitude) / (100^0.2)) ejes <- ggplot(stars, aes(x = temp, y = lum, color = temp, size = lum)) + scale_x_log10(trans = "reverse") + scale_y_log10(labels = trans_format("log10", math_format(10^.x))) grafico <- ejes + geom_point() + scale_color_gradientn( colors = c("#FF0000", "#FF7F00", "#FFFF00", "#FFFFFF", "#0000FF"), values = rescale(c(0, 2600, 2500, 2600, 3000, 4000, 6000, 7000, 10000, 20000, 10000, 30000, 40000, Inf)) ) + labs(x = "Temperatura (K)", y = "Luminosidad (solar)") + theme_dark() grafico

El presente informe analiza la oferta inmobiliaria urbana con el objetivo de apoyar decisiones estratégicas de compra, venta y valoración de inmuebles. Mediante técnicas de análisis multivariado —reducción de dimensionalidad (Análisis de Componentes Principales), segmentación (clustering) y análisis de correspondencia múltiple— se identificaron patrones estructurales que explican la organización del mercado. Los resultados evidencian que la variabilidad del mercado está determinada principalmente por el nivel económico del inmueble, representado por variables como precio, área construida y características estructurales. A partir de esta estructura se identificaron cuatro segmentos claramente diferenciados, entre los cuales destaca un segmento premium caracterizado por altos precios, mayor área construida y mejores atributos funcionales (mayor número de parqueaderos y baños). Aunque este segmento representa una menor proporción del total de la oferta, concentra un mayor valor unitario, lo que lo convierte en una oportunidad estratégica para enfoques orientados a rentabilidad. Adicionalmente, el análisis de correspondencia confirma que la localización geográfica y el estrato socioeconómico actúan como determinantes estructurales del valor de la oferta, reforzando la importancia de estrategias diferenciadas por zona. En conjunto, el análisis demuestra que el mercado inmobiliario urbano no es homogéneo, sino que presenta una estructura segmentada y territorialmente organizada, lo que permite diseñar estrategias más precisas y basadas en evidencia.

Act 0

Modelos Estadísticos para la toma de decisiones Modulo 1: Evaluación de la oferta inmobiliaria urbana