Maria comenzó como agente de bienes raíces en Cali hace 10 años. Después de laborar dos años para una empresa nacional, se traslado a Bogotá y trabajó para otra agencia de bienes raíces. Sus amigos y familiares la convencieron de que con su experiencia y conocimientos del negocio debía abrir su propia agencia. Terminó por adquirir la licencia de intermediario y al poco tiempo fundó su propia compañía, C&A (Casas y Apartamentos) en Cali. Santiago y Lina, dos vendedores de la empresa anterior aceptaron trabajar en la nueva compaña. En la actualidad ocho agentes de bienes raíces colaboran con ella en C&A.
Actualmente las ventas de bienes raíces en Cali se han visto disminuidas de manera significativa en lo corrido del año. Durante este periodo muchas instituciones bancarias de ahorro y vivienda están prestando grandes sumas de dinero para la industria y la construcción comercial y residencial. Cuando el efecto producto de las tensiones políticas y sociales disminuya, se espera que la actividad económica de este sector se reactive.
Hace dos días, María recibió una carta solicitando asesoría para la compra de dos viviendas por parte de una compañía internacional que desea ubicar a dos de sus empleados con sus familias en la ciudad
library(paqueteMODELOS)
library(leaflet)
data("vivienda")
head(vivienda)
## # A tibble: 6 × 13
## id zona piso estrato preciom areaconst parqueaderos banios habitaciones
## <dbl> <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 1147 Zona O… <NA> 3 250 70 1 3 6
## 2 1169 Zona O… <NA> 3 320 120 1 2 3
## 3 1350 Zona O… <NA> 3 350 220 2 2 4
## 4 5992 Zona S… 02 4 400 280 3 5 3
## 5 1212 Zona N… 01 5 260 90 1 2 3
## 6 1724 Zona N… 01 5 240 87 1 3 3
## # ℹ 4 more variables: tipo <chr>, barrio <chr>, longitud <dbl>, latitud <dbl>
str(vivienda)
## spc_tbl_ [8,322 × 13] (S3: spec_tbl_df/tbl_df/tbl/data.frame)
## $ id : num [1:8322] 1147 1169 1350 5992 1212 ...
## $ zona : chr [1:8322] "Zona Oriente" "Zona Oriente" "Zona Oriente" "Zona Sur" ...
## $ piso : chr [1:8322] NA NA NA "02" ...
## $ estrato : num [1:8322] 3 3 3 4 5 5 4 5 5 5 ...
## $ preciom : num [1:8322] 250 320 350 400 260 240 220 310 320 780 ...
## $ areaconst : num [1:8322] 70 120 220 280 90 87 52 137 150 380 ...
## $ parqueaderos: num [1:8322] 1 1 2 3 1 1 2 2 2 2 ...
## $ banios : num [1:8322] 3 2 2 5 2 3 2 3 4 3 ...
## $ habitaciones: num [1:8322] 6 3 4 3 3 3 3 4 6 3 ...
## $ tipo : chr [1:8322] "Casa" "Casa" "Casa" "Casa" ...
## $ barrio : chr [1:8322] "20 de julio" "20 de julio" "20 de julio" "3 de julio" ...
## $ longitud : num [1:8322] -76.5 -76.5 -76.5 -76.5 -76.5 ...
## $ latitud : num [1:8322] 3.43 3.43 3.44 3.44 3.46 ...
## - attr(*, "spec")=List of 3
## ..$ cols :List of 13
## .. ..$ id : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ zona : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_character" "collector"
## .. ..$ piso : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_character" "collector"
## .. ..$ estrato : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ preciom : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ areaconst : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ parqueaderos: list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ banios : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ habitaciones: list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ tipo : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_character" "collector"
## .. ..$ barrio : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_character" "collector"
## .. ..$ longitud : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ latitud : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## ..$ default: list()
## .. ..- attr(*, "class")= chr [1:2] "collector_guess" "collector"
## ..$ delim : chr ";"
## ..- attr(*, "class")= chr "col_spec"
## - attr(*, "problems")=<externalptr>
#revision de datos faltantes
datosina <- colSums(is.na(vivienda))
datosina
## id zona piso estrato preciom areaconst
## 3 3 2638 3 2 3
## parqueaderos banios habitaciones tipo barrio longitud
## 1605 3 3 3 3 3
## latitud
## 3
# Eliminacion de variables parqueadero y piso ya que contienen demasiados vacios y no son variables claras
vivienda$parquea<-NULL
vivienda$piso<-NULL
vivienda<- na.omit(vivienda)
norte<- subset(vivienda, zona == "Zona Norte" & tipo == "Casa")
head(norte, 3)
## # A tibble: 3 × 12
## id zona estrato preciom areaconst parqueaderos banios habitaciones tipo
## <dbl> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <chr>
## 1 1209 Zona N… 5 320 150 2 4 6 Casa
## 2 1592 Zona N… 5 780 380 2 3 3 Casa
## 3 4460 Zona N… 4 625 355 3 5 5 Casa
## # ℹ 3 more variables: barrio <chr>, longitud <dbl>, latitud <dbl>
mapaNorte <- leaflet(norte) %>%
addTiles() %>%
addCircleMarkers(lng = ~longitud, lat = ~latitud, color = "green", radius = 2)
mapaNorte
oeste <- subset(vivienda, zona == "Zona Oeste" & tipo == "Casa")
head(oeste, 3)
## # A tibble: 3 × 12
## id zona estrato preciom areaconst parqueaderos banios habitaciones tipo
## <dbl> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <chr>
## 1 6928 Zona O… 6 1850 302 4 4 3 Casa
## 2 7510 Zona O… 6 1950 400 4 5 3 Casa
## 3 7586 Zona O… 6 870 275 3 5 4 Casa
## # ℹ 3 more variables: barrio <chr>, longitud <dbl>, latitud <dbl>
mapaoeste <- leaflet(oeste) %>%
addTiles() %>%
addCircleMarkers(lng = ~longitud, lat = ~latitud, color = "green", radius = 2)
mapaoeste
oriente <- subset(vivienda, zona == "Zona Oriente" & tipo == "Casa")
head(oriente, 3)
## # A tibble: 3 × 12
## id zona estrato preciom areaconst parqueaderos banios habitaciones tipo
## <dbl> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <chr>
## 1 1147 Zona O… 3 250 70 1 3 6 Casa
## 2 1169 Zona O… 3 320 120 1 2 3 Casa
## 3 1350 Zona O… 3 350 220 2 2 4 Casa
## # ℹ 3 more variables: barrio <chr>, longitud <dbl>, latitud <dbl>
mapaoriente <- leaflet(oriente) %>%
addTiles() %>%
addCircleMarkers(lng = ~longitud, lat = ~latitud, color = "green", radius = 2)
mapaoriente
centro <- subset(vivienda, zona == "Zona Centro" & tipo == "Casa")
head(centro, 3)
## # A tibble: 3 × 12
## id zona estrato preciom areaconst parqueaderos banios habitaciones tipo
## <dbl> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <chr>
## 1 5298 Zona C… 3 650 240 2 4 4 Casa
## 2 5608 Zona C… 3 295 200 1 5 9 Casa
## 3 3355 Zona C… 4 1100 217 1 3 1 Casa
## # ℹ 3 more variables: barrio <chr>, longitud <dbl>, latitud <dbl>
mapacentro <- leaflet(centro) %>%
addTiles() %>%
addCircleMarkers(lng = ~longitud, lat = ~latitud, color = "green", radius = 2)
mapacentro
sur <- subset(vivienda, zona == "Zona Sur" & tipo == "Casa")
head(sur, 3)
## # A tibble: 3 × 12
## id zona estrato preciom areaconst parqueaderos banios habitaciones tipo
## <dbl> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <chr>
## 1 5992 Zona S… 4 400 280 3 5 3 Casa
## 2 5157 Zona S… 3 500 354 1 2 4 Casa
## 3 5156 Zona S… 3 420 369 1 5 5 Casa
## # ℹ 3 more variables: barrio <chr>, longitud <dbl>, latitud <dbl>
mapasur <- leaflet(sur) %>%
addTiles() %>%
addCircleMarkers(lng = ~longitud, lat = ~latitud, color = "green", radius = 2)
mapasur
Podemos notar que en varias zonas se observa un patrón similar al de la zona norte, donde los puntos están dispersos en ubicaciones diferentes. Esto podría deberse a errores al registrar la zona durante la encuesta. No obstante, es posible que el error se deba a que los encuestados estaban ubicados en áreas que no estaban claramente definidas entre dos zonas, lo que puede entenderse dada la ambigüedad de la situación.
library(GGally)
vivienda_casas <- subset(vivienda, tipo == "Casa")
correlaciones <-vivienda_casas[,c("preciom","areaconst","estrato","banios","habitaciones")]
ggpairs(correlaciones, title="GGally ")
La relación entre el precio y el número de habitaciones muestra una correlación positiva de 0.097, lo que indica que generalmente, a medida que el precio de la propiedad aumenta, también lo hace la cantidad de habitaciones. Sin embargo, esta relación es bastante débil.
Para el precio y el número de baños, la correlación de 0.558, lo que sugiere que, al igual que con las habitaciones, un mayor número de baños tiende a asociarse con un precio más alto.
La correlación entre el precio y el estrato es 0.666, lo que indica que a medida que el estrato de la vivienda aumenta, es probable que también lo haga su precio.
En cuanto al precio y el área construida, la correlación es 0.653, lo que sugiere una relación sólida entre un mayor tamaño del inmueble y un precio más alto.
Al revisar la relación entre las variables predictoras, se observa que el área construida y el número de habitaciones tienen una correlación de 0.287, lo que indica que, en general, un mayor área construida se asocia con más habitaciones.
La correlación entre el área construida y el número de baños también es 0.449, lo que sugiere una relación similar de que un área construida más grande se relaciona con más baños.
Sin embargo, la correlación entre el estrato y el área construida es -0.114, lo que indica que hay una relación mínima entre el estrato de la vivienda y su tamaño.
Para el estrato y el número de habitaciones, la correlación es -0.067, lo que sugiere que no hay una relación clara entre el estrato y la cantidad de habitaciones.
La correlación entre el estrato y el número de baños es 0.449, lo que indica una relación más sólida entre el estrato de la vivienda y el número de baños.
Finalmente, la correlación entre el número de baños y el número de habitaciones es 0.476, lo que sugiere que, en general, una mayor cantidad de baños se asocia con una mayor cantidad de habitaciones.
modelado <- lm(preciom ~ areaconst + estrato + banios + habitaciones, data = vivienda_casas)
summary(modelado)
##
## Call:
## lm(formula = preciom ~ areaconst + estrato + banios + habitaciones,
## data = vivienda_casas)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1388.05 -128.96 -33.44 83.12 1114.50
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -471.55507 27.08664 -17.409 < 2e-16 ***
## areaconst 0.89922 0.03004 29.939 < 2e-16 ***
## estrato 140.99904 5.42925 25.970 < 2e-16 ***
## banios 52.36735 4.25123 12.318 < 2e-16 ***
## habitaciones -17.31540 3.38970 -5.108 3.5e-07 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 218.9 on 2481 degrees of freedom
## Multiple R-squared: 0.6397, Adjusted R-squared: 0.6392
## F-statistic: 1101 on 4 and 2481 DF, p-value: < 2.2e-16
resumen <- summary(modelado)
r_cuadrado <- resumen$r.squared
r_cuadrado
## [1] 0.6397414
El coeficiente de determinación, comúnmente conocido como R cuadrado (R²), es una medida estadística que proporciona información sobre la proporción de la varianza en la variable dependiente que es explicada por el modelo de regresión. En otras palabras, indica qué tan bien se ajustan los valores predichos por el modelo a los valores observados de la variable dependiente.
Un R cuadrado igual a 0.6397414 significa que aproximadamente el 63.97% de la variabilidad en la variable dependiente puede explicarse por las variables independientes incluidas en el modelo de regresión. En términos simples, esto sugiere que el modelo es capaz de explicar un porcentaje significativo de la variabilidad en los datos observados. Un R cuadrado más cercano a 1 indica un mejor ajuste del modelo a los datos, lo que implica que las variables independientes incluidas en el modelo explican una mayor proporción de la variabilidad en la variable dependiente. Por otro lado, un R cuadrad
qqnorm(resid(modelado))
plot(modelado, which = 1)
summary(lm(preciom ~ areaconst + estrato + banios + habitaciones, data = vivienda))$coef
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -413.602930 15.17401292 -27.25732 2.999241e-155
## areaconst 1.075152 0.02203221 48.79911 0.000000e+00
## estrato 116.587653 2.92369306 39.87684 2.860450e-312
## banios 77.335744 2.71870341 28.44582 3.753622e-168
## habitaciones -35.226849 2.39204721 -14.72665 2.454247e-48
En esta tabla se presentan los coeficientes estimados, sus errores estándar, los valores t y los valores p asociados con cada coeficiente:
La estimación para el número de habitaciones revela una relación inversa entre la variable independiente correspondiente y la variable de respuesta. Los errores estándar son relativamente pequeños, lo que indica una mayor precisión en la estimación. Los valores t muestran que el coeficiente es significativamente distinto de cero. Los valores p son bajos (generalmente <0.05) en todos los casos, lo que indica una significancia estadística para cada coeficiente estimado
solicitud1 <- data.frame(areaconst = 200, estrato = 4, banios = 2, habitaciones = 4)
Prediccion_estrato4 <- predict(modelado, solicitud1, interval = "confidence")
Prediccion_estrato4
## fit lwr upr
## 1 307.7585 292.3319 323.185
En la predicción para la solicitud 1, con un estrato de 4, el precio por metro cuadrado se estima en $307 millones, con un rango de confianza que indica una incertidumbre entre $292 y $323 millones.
solicitud2 <- data.frame(areaconst = 200, estrato = 5, banios = 2, habitaciones = 4)
Prediccion_estrato5 <- predict(modelado, solicitud2, interval = "confidence")
Prediccion_estrato5
## fit lwr upr
## 1 448.7575 429.9893 467.5257
En la predicción para la solicitud 2, con un estrato de 5, el precio por metro cuadrado se estima en $448 millones, con un rango de confianza que indica una incertidumbre entre $429 y $467 millones.
oferta <- subset(vivienda_casas, areaconst >= 200 & parqueaderos >= 1 & banios >= 2 & habitaciones >= 4 & zona == "Zona Norte" & estrato >= 4 & estrato <= 5 & preciom <= 350)
min(oferta$preciom)
## [1] 230
max(oferta$preciom)
## [1] 350
oferta
## # A tibble: 34 × 12
## id zona estrato preciom areaconst parqueaderos banios habitaciones tipo
## <dbl> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <chr>
## 1 4210 Zona … 5 350 200 3 3 4 Casa
## 2 4267 Zona … 5 335 202 1 4 5 Casa
## 3 4800 Zona … 5 340 250 2 4 4 Casa
## 4 4209 Zona … 5 350 300 3 5 6 Casa
## 5 4422 Zona … 5 350 240 2 3 6 Casa
## 6 4458 Zona … 4 315 270 2 4 4 Casa
## 7 4483 Zona … 5 342 250 1 4 6 Casa
## 8 1009 Zona … 5 250 243 1 4 5 Casa
## 9 1270 Zona … 5 350 203 2 2 5 Casa
## 10 3352 Zona … 4 335 300 3 4 4 Casa
## # ℹ 24 more rows
## # ℹ 3 more variables: barrio <chr>, longitud <dbl>, latitud <dbl>
library(paqueteMODELOS)
library(leaflet)
data("vivienda")
head(vivienda)
## # A tibble: 6 × 13
## id zona piso estrato preciom areaconst parqueaderos banios habitaciones
## <dbl> <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 1147 Zona O… <NA> 3 250 70 1 3 6
## 2 1169 Zona O… <NA> 3 320 120 1 2 3
## 3 1350 Zona O… <NA> 3 350 220 2 2 4
## 4 5992 Zona S… 02 4 400 280 3 5 3
## 5 1212 Zona N… 01 5 260 90 1 2 3
## 6 1724 Zona N… 01 5 240 87 1 3 3
## # ℹ 4 more variables: tipo <chr>, barrio <chr>, longitud <dbl>, latitud <dbl>
str(vivienda)
## spc_tbl_ [8,322 × 13] (S3: spec_tbl_df/tbl_df/tbl/data.frame)
## $ id : num [1:8322] 1147 1169 1350 5992 1212 ...
## $ zona : chr [1:8322] "Zona Oriente" "Zona Oriente" "Zona Oriente" "Zona Sur" ...
## $ piso : chr [1:8322] NA NA NA "02" ...
## $ estrato : num [1:8322] 3 3 3 4 5 5 4 5 5 5 ...
## $ preciom : num [1:8322] 250 320 350 400 260 240 220 310 320 780 ...
## $ areaconst : num [1:8322] 70 120 220 280 90 87 52 137 150 380 ...
## $ parqueaderos: num [1:8322] 1 1 2 3 1 1 2 2 2 2 ...
## $ banios : num [1:8322] 3 2 2 5 2 3 2 3 4 3 ...
## $ habitaciones: num [1:8322] 6 3 4 3 3 3 3 4 6 3 ...
## $ tipo : chr [1:8322] "Casa" "Casa" "Casa" "Casa" ...
## $ barrio : chr [1:8322] "20 de julio" "20 de julio" "20 de julio" "3 de julio" ...
## $ longitud : num [1:8322] -76.5 -76.5 -76.5 -76.5 -76.5 ...
## $ latitud : num [1:8322] 3.43 3.43 3.44 3.44 3.46 ...
## - attr(*, "spec")=List of 3
## ..$ cols :List of 13
## .. ..$ id : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ zona : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_character" "collector"
## .. ..$ piso : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_character" "collector"
## .. ..$ estrato : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ preciom : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ areaconst : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ parqueaderos: list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ banios : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ habitaciones: list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ tipo : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_character" "collector"
## .. ..$ barrio : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_character" "collector"
## .. ..$ longitud : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ latitud : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## ..$ default: list()
## .. ..- attr(*, "class")= chr [1:2] "collector_guess" "collector"
## ..$ delim : chr ";"
## ..- attr(*, "class")= chr "col_spec"
## - attr(*, "problems")=<externalptr>
#revision de datos faltantes
datosina <- colSums(is.na(vivienda))
datosina
## id zona piso estrato preciom areaconst
## 3 3 2638 3 2 3
## parqueaderos banios habitaciones tipo barrio longitud
## 1605 3 3 3 3 3
## latitud
## 3
# Eliminacion de variables parqueadero y piso ya que contienen demasiados vacios y no son variables claras
vivienda$parquea<-NULL
vivienda$piso<-NULL
vivienda<- na.omit(vivienda)
norte<- subset(vivienda, zona == "Zona Norte" & tipo == "Apartamento")
head(norte, 3)
## # A tibble: 3 × 12
## id zona estrato preciom areaconst parqueaderos banios habitaciones tipo
## <dbl> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <chr>
## 1 1212 Zona N… 5 260 90 1 2 3 Apar…
## 2 1724 Zona N… 5 240 87 1 3 3 Apar…
## 3 2326 Zona N… 4 220 52 2 2 3 Apar…
## # ℹ 3 more variables: barrio <chr>, longitud <dbl>, latitud <dbl>
mapaNorte <- leaflet(norte) %>%
addTiles() %>%
addCircleMarkers(lng = ~longitud, lat = ~latitud, color = "green", radius = 2)
mapaNorte
oeste <- subset(vivienda, zona == "Zona Oeste" & tipo == "Apartamento")
head(oeste, 3)
## # A tibble: 3 × 12
## id zona estrato preciom areaconst parqueaderos banios habitaciones tipo
## <dbl> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <chr>
## 1 6999 Zona O… 6 870 200 2 5 3 Apar…
## 2 8055 Zona O… 4 165 61 1 2 3 Apar…
## 3 8058 Zona O… 4 165 61 1 2 2 Apar…
## # ℹ 3 more variables: barrio <chr>, longitud <dbl>, latitud <dbl>
mapaoeste <- leaflet(oeste) %>%
addTiles() %>%
addCircleMarkers(lng = ~longitud, lat = ~latitud, color = "green", radius = 2)
mapaoeste
oriente <- subset(vivienda, zona == "Zona Oriente" & tipo == "Apartamento")
head(oriente, 3)
## # A tibble: 3 × 12
## id zona estrato preciom areaconst parqueaderos banios habitaciones tipo
## <dbl> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <chr>
## 1 82 Zona O… 3 115 111 1 2 4 Apar…
## 2 78 Zona O… 3 58 50 1 1 2 Apar…
## 3 2342 Zona O… 3 113 72 1 1 3 Apar…
## # ℹ 3 more variables: barrio <chr>, longitud <dbl>, latitud <dbl>
mapaoriente <- leaflet(oriente) %>%
addTiles() %>%
addCircleMarkers(lng = ~longitud, lat = ~latitud, color = "green", radius = 2)
mapaoriente
centro <- subset(vivienda, zona == "Zona Centro" & tipo == "Apartamento")
head(centro, 3)
## # A tibble: 3 × 12
## id zona estrato preciom areaconst parqueaderos banios habitaciones tipo
## <dbl> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <chr>
## 1 4408 Zona C… 3 120 84 1 2 3 Apar…
## 2 4305 Zona C… 3 120 84 1 2 3 Apar…
## 3 1132 Zona C… 5 325 89 1 2 3 Apar…
## # ℹ 3 more variables: barrio <chr>, longitud <dbl>, latitud <dbl>
mapacentro <- leaflet(centro) %>%
addTiles() %>%
addCircleMarkers(lng = ~longitud, lat = ~latitud, color = "green", radius = 2)
mapacentro
sur <- subset(vivienda, zona == "Zona Sur" & tipo == "Apartamento")
head(sur, 3)
## # A tibble: 3 × 12
## id zona estrato preciom areaconst parqueaderos banios habitaciones tipo
## <dbl> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <chr>
## 1 5098 Zona S… 4 290 96 1 2 3 Apar…
## 2 698 Zona S… 3 78 40 1 1 2 Apar…
## 3 8199 Zona S… 6 875 194 2 5 3 Apar…
## # ℹ 3 more variables: barrio <chr>, longitud <dbl>, latitud <dbl>
mapasur <- leaflet(sur) %>%
addTiles() %>%
addCircleMarkers(lng = ~longitud, lat = ~latitud, color = "green", radius = 2)
mapasur
Podemos notar que en varias zonas se observa un patrón similar al de la zona norte, donde los puntos están dispersos en ubicaciones diferentes. Esto podría deberse a errores al registrar la zona durante la encuesta. No obstante, es posible que el error se deba a que los encuestados estaban ubicados en áreas que no estaban claramente definidas entre dos zonas, lo que puede entenderse dada la ambigüedad de la situación
library(GGally)
vivienda_apto <- subset(vivienda, tipo == "Apartamento")
correlaciones <-vivienda_apto[,c("preciom","areaconst","estrato","banios","habitaciones")]
ggpairs(correlaciones, title="GGally ")
La correlación entre el precio y el número de habitaciones es 0.297, lo que sugiere que, aunque existe una tendencia de que los precios aumenten con el número de habitaciones, esta relación no es muy fuerte.
En cuanto a la correlación entre el precio y el número de baños, es 0.740, lo que indica que un mayor número de baños tiende a aumentar el precio del inmueble, de manera similar a lo que ocurre con el número de habitaciones.
La correlación entre el precio y el estrato es 0.667, lo que significa que a medida que aumenta el estrato de la vivienda, es probable que también aumente su precio.
Para la correlación entre el precio por metro cuadrado y el área construida, es 0.829, lo que indica una relación fuerte entre el valor del inmueble y su tamaño.
En cuanto a las variables predictoras entre sí:
La correlación entre el área construida y el número de habitaciones es 0.409, lo que sugiere que hay una relación bastante uniforme entre el tamaño del área construida y la cantidad de habitaciones en el inmueble.
La correlación entre el área construida y el número de baños es 0.727, lo que indica una relación similar a la anterior, donde un mayor tamaño de área construida se asocia con un mayor número de baños.
La correlación entre el área construida y el estrato es 0.549, lo que sugiere que la relación entre el tamaño del área construida y el estrato de la vivienda es relativamente baja.
La correlación entre el estrato y el número de habitaciones es 0.178, lo que significa que la relación entre el estrato de la vivienda y el número de habitaciones es mínima y no significativa.
La correlación entre el estrato y el número de baños es 0.616, lo que sugiere que hay una relación más sólida entre el estrato de la vivienda y el número de baños.
Finalmente, la correlación entre el número de baños y el número de habitaciones es 0.501, lo que indica una relación significativa entre estas dos variables.
modelado <- lm(preciom ~ areaconst + estrato + banios + habitaciones, data = vivienda_apto)
summary(modelado)
##
## Call:
## lm(formula = preciom ~ areaconst + estrato + banios + habitaciones,
## data = vivienda_apto)
##
## Residuals:
## Min 1Q Median 3Q Max
## -2092.41 -60.11 -1.86 47.54 992.38
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -282.68009 16.73576 -16.89 <2e-16 ***
## areaconst 2.41972 0.04693 51.55 <2e-16 ***
## estrato 71.26960 3.14377 22.67 <2e-16 ***
## banios 68.58350 3.54375 19.35 <2e-16 ***
## habitaciones -47.73153 4.00796 -11.91 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 145.3 on 4226 degrees of freedom
## Multiple R-squared: 0.7602, Adjusted R-squared: 0.76
## F-statistic: 3350 on 4 and 4226 DF, p-value: < 2.2e-16
resumen <- summary(modelado)
r_cuadrado <- resumen$r.squared
r_cuadrado
## [1] 0.7602395
Un valor de R cuadrado de 0.7602395 significa que aproximadamente el 76.02% de la variabilidad en la variable de respuesta (la variable que estamos tratando de predecir) puede ser explicada por las variables predictoras incluidas en el modelo. En otras palabras, el 76.02% de la variación en la variable de interés puede ser explicada por las características o factores que hemos considerado en nuestro análisis.
qqnorm(resid(modelado))
plot(modelado, which = 1)
summary(lm(preciom ~ areaconst + estrato + banios + habitaciones, data = vivienda_apto))$coef
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -282.680085 16.7357576 -16.89079 5.454197e-62
## areaconst 2.419724 0.0469347 51.55511 0.000000e+00
## estrato 71.269601 3.1437699 22.67011 1.789572e-107
## banios 68.583499 3.5437463 19.35339 5.055014e-80
## habitaciones -47.731533 4.0079561 -11.90920 3.451060e-32
En este cuadro se presentan los coeficientes estimados junto con sus errores estándar, los valores t y los valores p asociados a cada coeficiente:
Para la estimación del número de habitaciones, se identifica una relación negativa entre la variable independiente correspondiente y la variable de respuesta. Los errores estándar son observados como relativamente pequeños, lo que sugiere una mayor precisión en la estimación. En cuanto a los valores p, se observa que todos son bajos (generalmente <0.05), indicando que son significativamente diferentes de cero.
solicitud1 <- data.frame(areaconst = 300, estrato = 5, banios = 3, habitaciones = 5)
Prediccion_estrato4 <- predict(modelado, solicitud1, interval = "confidence")
Prediccion_estrato4
## fit lwr upr
## 1 766.6779 745.5157 787.8401
En la predicción para la solicitud 1, con un estrato de 4, el precio por metro cuadrado se estima en $766 millones, con un rango de confianza que indica una incertidumbre entre $745 y $787 millones.
solicitud2 <- data.frame(areaconst = 300, estrato = 6, banios = 3, habitaciones = 5)
Prediccion_estrato5 <- predict(modelado, solicitud2, interval = "confidence")
Prediccion_estrato5
## fit lwr upr
## 1 837.9475 815.9726 859.9224
En la predicción para la solicitud 2, con un estrato de 5, el precio por metro cuadrado se estima en $837 millones, con un rango de confianza que indica una incertidumbre entre $815 y $859 millones.
oferta <- subset(vivienda_casas, areaconst >= 300 & parqueaderos >= 3 & banios >= 3 & habitaciones >= 5 & zona == "Zona Norte" & estrato >= 5 & estrato <= 6 & preciom <= 850)
min(oferta$preciom)
## [1] 350
max(oferta$preciom)
## [1] 850
oferta
## # A tibble: 30 × 12
## id zona estrato preciom areaconst parqueaderos banios habitaciones tipo
## <dbl> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <chr>
## 1 4209 Zona … 5 350 300 3 5 6 Casa
## 2 3906 Zona … 5 750 700 3 7 5 Casa
## 3 4349 Zona … 5 650 1188 4 6 6 Casa
## 4 5444 Zona … 6 850 736 4 8 9 Casa
## 5 5587 Zona … 6 750 376 3 5 9 Casa
## 6 677 Zona … 5 430 357 3 3 5 Casa
## 7 1813 Zona … 5 520 340 4 5 7 Casa
## 8 2629 Zona … 5 655 400 5 5 6 Casa
## 9 3041 Zona … 5 550 380 4 4 5 Casa
## 10 3084 Zona … 5 449 560 4 4 5 Casa
## # ℹ 20 more rows
## # ℹ 3 more variables: barrio <chr>, longitud <dbl>, latitud <dbl>