Para filtrar la base de datos “vivienda” y seleccionar únicamente las ofertas de vivienda tipo casa en la zona norte de la ciudad, podemos seguir estos pasos:

base = subset(vivienda, tipo =="Casa")
base1 = subset(base, zona =="Zona Norte")
head(base1,3)
## # A tibble: 3 × 13
##      id zona    piso  estrato preciom areaconst parqueaderos banios habitaciones
##   <dbl> <chr>   <chr>   <dbl>   <dbl>     <dbl>        <dbl>  <dbl>        <dbl>
## 1  1209 Zona N… 02          5     320       150            2      4            6
## 2  1592 Zona N… 02          5     780       380            2      3            3
## 3  4057 Zona N… 02          6     750       445           NA      7            6
## # ℹ 4 more variables: tipo <chr>, barrio <chr>, longitud <dbl>, latitud <dbl>

Para obtener la sumatoria de registros de acuerdo al estrato de viviendas tipo Casa en la Zona Norte de Cali, podemos utilizar la función table()

table(base1$estrato)
## 
##   3   4   5   6 
## 235 161 271  55
library(leaflet)
map = leaflet(base1) %>%
  addTiles() %>%
  addMarkers(lat = ~latitud, lng = ~longitud)  
# Display the map
map

El mapa muestra que la mayoría de las propiedades tipo casa se encuentran en la zona norte de la ciudad, aunque hay algunas dispersas en otras áreas. Se sugiere que estas dispersiones pueden ser el resultado de errores en los datos, como errores de entrada o digitación. El próximo paso implica realizar un análisis exploratorio de datos para examinar la correlación entre el precio de las casas y diversas variables, como el área construida, el estrato, el número de baños, el número de habitaciones y la ubicación geográfica de la vivienda. Este análisis utilizará gráficos interactivos proporcionados por el paquete plotly.

Construimos un gráfico de dispersión para visualizar la relación entre dos variables cuantitativas. Cada punto en el gráfico representa una observación con valores en ambas variables, mostrando cómo están distribuidos. Esto permite identificar relaciones entre las variables, como proporcionalidad directa o inversa. Los valores atípicos, que son inusuales y se alejan de la mayoría de los datos, también se pueden identificar en el gráfico. Esta visualización es fundamental para el análisis de modelos de regresión, donde se ajusta una línea o curva para predecir una variable en función de otra, siendo útil para realizar predicciones o inferencias basadas en los datos.

scatter_plot = plot_ly(data = base1, x = ~areaconst, y = ~preciom, color = I("lightgreen"),
                        type = 'scatter', mode = 'markers',
                        marker = list(size = 10, opacity = 0.6)) %>%
  layout(title = "Scatter Plot Area construida vs. Precio",
         xaxis = list(title = "Area Construida"),
         yaxis = list(title = "Precio de vivienda en millones"))

scatter_plot
box_plot_estrato <- plot_ly(data = base1, x = ~estrato, y = ~preciom, type = 'box', color = I("lightgreen")) %>%
  layout(title = "Box Plot",
         xaxis = list(title = "Estrato"),
         yaxis = list(title = "Precio de vivienda (millones)"))

box_plot_estrato
box_plot_zona <- plot_ly(data = base1, x = ~zona, y = ~preciom, type = 'box', color = I("lightgreen")) %>%
  layout(title = "Box Plot",
         xaxis = list(title = "Zona"),
         yaxis = list(title = "Precio de vivienda (millones)"))

box_plot_zona

Se estimará un modelo de regresión lineal múltiple con variables como área construida, estrato, número de cuartos, número de parqueaderos y número de baños. Se interpretarán los coeficientes y su significancia estadística, contextualizando los resultados y evaluando su lógica. Además, se interpretará el coeficiente R2 y se discutirá el ajuste del modelo y posibles mejoras. La función lm() en R se utiliza para ajustar modelos de regresión lineal, predecir valores y evaluar la calidad del ajuste del modelo. Proporciona estadísticas como R-squared, coeficientes de regresión y p-values para evaluar la relación entre variables y el ajuste del modelo. También puede usarse junto con ggplot2 para visualizar resultados. lm() en R es esencial para el análisis de regresión lineal, permitiendo modelar relaciones y hacer predicciones basadas en datos. Se generará el modelo utilizando los datos filtrados por tipo de vivienda (Casa) y zona (Zona Norte).

model <- lm(preciom ~ areaconst + estrato + habitaciones + parqueaderos + banios, data = base1) #usage of filtered data by "tipo" and "zona"
summary(model)
## 
## Call:
## lm(formula = preciom ~ areaconst + estrato + habitaciones + parqueaderos + 
##     banios, data = base1)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -784.29  -77.56  -16.03   47.67  978.61 
## 
## Coefficients:
##                Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  -238.17090   44.40551  -5.364 1.34e-07 ***
## areaconst       0.67673    0.05281  12.814  < 2e-16 ***
## estrato        80.63495    9.82632   8.206 2.70e-15 ***
## habitaciones    7.64511    5.65873   1.351    0.177    
## parqueaderos   24.00598    5.86889   4.090 5.14e-05 ***
## banios         18.89938    7.48800   2.524    0.012 *  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 155.1 on 429 degrees of freedom
##   (287 observations deleted due to missingness)
## Multiple R-squared:  0.6041, Adjusted R-squared:  0.5995 
## F-statistic: 130.9 on 5 and 429 DF,  p-value: < 2.2e-16

El modelo parece ser de regresión lineal con la variable dependiente “preciom” y cinco variables independientes: “areaconst”, “estrato”, “habitaciones”, “parqueaderos” y “banios”.

Los residuos son las diferencias entre los valores observados y los predichos por el modelo. El resumen incluye estadísticas sobre los residuos como mínimo, primer cuartil, mediana, tercer cuartil y máximo.

La sección de “Coeficientes” muestra los coeficientes estimados para cada variable independiente en el modelo, indicando su significancia estadística.

Los coeficientes estimados indican cómo cada variable independiente afecta la variable dependiente. Por ejemplo, un aumento en “estrato” está asociado con un aumento promedio de “preciom”.

El R-cuadrado mide cuánta variabilidad en “preciom” es explicada por las variables independientes en el modelo. En este caso, alrededor del 60.41% de la variabilidad se puede explicar por las variables independientes.

La estadística F evalúa la significancia general del modelo, indicando si al menos una variable independiente tiene un efecto significativo en “preciom”.

El modelo parece ajustarse bien a los datos, con algunas variables como “areaconst”, “estrato” y “parqueaderos” siendo predictores significativos de “preciom”. Sin embargo, “habitaciones” no parece ser un predictor significativo, lo que sugiere la necesidad de un análisis adicional y posibles mejoras en el modelo.

Validación de supuestos del modelo e interpretación de datos:

  1. Calculo de linealidad:
plot(model$residuals ~ model$fitted.values, xlab = "Valores Ajustados", ylab = "Residuos", main = "Linealidad")

Los puntos en el gráfico de dispersión sugieren una relación lineal entre las variables. Si están distribuidos alrededor de una línea horizontal que pasa por cero, el modelo de regresión lineal es adecuado. Aquí, los datos parecen seguir esta distribución.

  1. Calculo de Independencia de residuos:
plot(model$residuals, xlab = "Orden de Observación", ylab = "Residuos", main = "Independencia de Residuos")

El gráfico de residuos en función del orden de observación es una herramienta para evaluar la independencia de los residuos en un modelo de regresión. La mayoría de los puntos se agrupan alrededor de cero en el eje vertical, lo que sugiere cumplimiento del supuesto de linealidad y ausencia de correlación sistemática. Esto indica que los residuos son independientes entre sí, validando el modelo y sugiriendo que las predicciones son confiables.

  1. Calculo de Homocedasticidad:
plot(model$fitted.values, abs(model$residuals), xlab = "Valores Ajustados", ylab = "|Residuos|", main = "Homocedasticidad")

La dispersión constante de los residuos, sin cambios a medida que avanzan los valores ajustados, sugiere homocedasticidad. 4. Calculo de Normalidad de residuos:

library(car)
## Loading required package: carData
## 
## Attaching package: 'car'
## The following object is masked from 'package:boot':
## 
##     logit
qqPlot(model$residuals, main = "Normalidad de Residuos")

## 513 405 
## 309 239
  1. Calculo de Multicolinealidad:
cor_matrix <- cor(base1[, c("areaconst", "estrato", "habitaciones", "parqueaderos", "banios")])
print(cor_matrix)
##              areaconst   estrato habitaciones parqueaderos    banios
## areaconst    1.0000000 0.4573818    0.3753323           NA 0.4628152
## estrato      0.4573818 1.0000000    0.1073141           NA 0.4083039
## habitaciones 0.3753323 0.1073141    1.0000000           NA 0.5755314
## parqueaderos        NA        NA           NA            1        NA
## banios       0.4628152 0.4083039    0.5755314           NA 1.0000000

Correlaciones Positivas: Se observan correlaciones positivas entre variables como “areaconst” y “estrato”, “areaconst” y “banios”, “estrato” y “banios”, y “habitaciones” y “banios”.

Correlaciones Bajas o No Disponibles: Algunas correlaciones son bajas o no están disponibles, como la falta de correlación entre “parqueaderos” y otras variables, posiblemente debido a la falta de variabilidad en “parqueaderos”.

Multicolinealidad Potencial: Existen correlaciones moderadas entre variables como “areaconst” y “estrato”, “areaconst” y “banios”, y “habitaciones” y “banios”, lo que sugiere una posible multicolinealidad entre estas variables predictoras.

Consideraciones para el Modelo: La multicolinealidad puede dificultar la interpretación de los coeficientes y hacer que las estimaciones sean menos estables. Se sugiere explorar opciones como eliminar variables altamente correlacionadas o utilizar técnicas de regularización para mitigar sus efectos.

  1. Calculo de Outliers
plot(model$fitted.values, rstandard(model), xlab = "Valores Ajustados", ylab = "Residuos Estandarizados", main = "Outliers")

Se observan puntos lejanos de la línea central en el gráfico, posibles outliers. Estos pueden impactar el modelo y la precisión de las predicciones.

  1. Calculo Heretoscedasticidad Condicional:
residuals = rstandard(model)

fitted_values = fitted(model)

plot(fitted_values, residuals, 
     main = "Heteroscedasticidad Condicional",
     xlab = "Valores Ajustados",
     ylab = "Residuos Estandarizados")

La heteroscedasticidad condicional implica que la variabilidad de los residuos cambia con los valores ajustados. No se observa una tendencia de dispersión en forma de embudo en el gráfico, lo que indica la ausencia de heteroscedasticidad condicional.

Predicción del precio de la vivienda con las caracteristicas de la solicitud Número 1

solicitud1 = data.frame(
  areaconst = 200,
  estrato = 4,
  habitaciones = 4,
  parqueaderos = 1,
  banios = 2
)

solicitud11 = data.frame(
  areaconst = 200,
  estrato = 5,
  habitaciones = 4,
  parqueaderos = 1,
  banios = 2
)

solicitud = rbind(solicitud1, solicitud11)
print(solicitud)
##   areaconst estrato habitaciones parqueaderos banios
## 1       200       4            4            1      2
## 2       200       5            4            1      2
prediccion1 = predict(model, newdata = solicitud)

prediccion1
##        1        2 
## 312.1010 392.7359

Con las predicciones del modelo, se sugerirán ofertas potenciales para la vivienda 1, considerando un crédito pre-aprobado de máximo 350 millones de pesos. Se presentaran las ofertas.

# Realizar la predicción del precio de la vivienda 1
prediccion_precio_vivienda1 = predict(model, newdata = solicitud)

# Definir el presupuesto máximo (350 millones de pesos)
presupuesto_maximo = 350

# Filtrar las ofertas potenciales dentro del presupuesto
ofertas_potenciales = base1 %>%
  filter(preciom <= presupuesto_maximo) %>%
  select(latitud, longitud, preciom)  # Seleccionar columnas relevantes para el mapa

# Visualizar las ofertas potenciales en un mapa (usando leaflet)
library(leaflet)

# Construccion del mapa
mapa_ofertas <- leaflet(data = ofertas_potenciales) %>%
  addTiles() %>%
  addMarkers(
    ~longitud, ~latitud,
    label = ~paste("Precio: $", preciom, "M"),  
    popup = ~paste("Precio: $", preciom, "M"),
    clusterOptions = markerClusterOptions()
  )

# Mostrar el mapa
mapa_ofertas

Implementar los pasos anteriores para una segunda solicitud en donde se tiene un crédito pre-aprobado por un valor de 850 millones de pesos (COP) y se esta buscando una vivienda tipo apartamento en la zona sur de la ciudad.

base2 = subset(vivienda, tipo =="Apartamento")
base3 = subset(base2, zona =="Zona Sur")
head(base3,3)
## # A tibble: 3 × 13
##      id zona    piso  estrato preciom areaconst parqueaderos banios habitaciones
##   <dbl> <chr>   <chr>   <dbl>   <dbl>     <dbl>        <dbl>  <dbl>        <dbl>
## 1  5098 Zona S… 05          4     290        96            1      2            3
## 2   698 Zona S… 02          3      78        40            1      1            2
## 3  8199 Zona S… <NA>        6     875       194            2      5            3
## # ℹ 4 more variables: tipo <chr>, barrio <chr>, longitud <dbl>, latitud <dbl>

Para obtener la sumatoria de registros de acuerdo al estrato de viviendas tipo Casa en la Zona Norte de Cali, podemos utilizar la función table()

table(base3$estrato)
## 
##    3    4    5    6 
##  201 1091 1033  462
library(leaflet)
map = leaflet(base3) %>%
  addTiles() %>%
  addMarkers(lat = ~latitud, lng = ~longitud)  
# Display the map
map

El mapa muestra que la mayoría de las propiedades tipo apartamento que se encuentran en la zona sur de la ciudad, aunque hay algunas dispersas en otras áreas. Se sugiere que estas dispersiones pueden ser el resultado de errores en los datos, como errores de entrada o digitación. El próximo paso implica realizar un análisis exploratorio de datos para examinar la correlación entre el precio de los apartamentos y diversas variables, como el área construida, el estrato, el número de baños, el número de habitaciones y la ubicación geográfica de la vivienda. Este análisis utilizará gráficos interactivos proporcionados por el paquete plotly.

#install.packages("plotly")
library(plotly)

Construimos un gráfico de dispersión para visualizar la relación entre dos variables cuantitativas. Cada punto en el gráfico representa una observación con valores en ambas variables, mostrando cómo están distribuidos. Esto permite identificar relaciones entre las variables, como proporcionalidad directa o inversa. Los valores atípicos, que son inusuales y se alejan de la mayoría de los datos, también se pueden identificar en el gráfico. Esta visualización es fundamental para el análisis de modelos de regresión, donde se ajusta una línea o curva para predecir una variable en función de otra, siendo útil para realizar predicciones o inferencias basadas en los datos.

scatter_plot = plot_ly(data = base3, x = ~areaconst, y = ~preciom, color = I("lightgreen"),
                        type = 'scatter', mode = 'markers',
                        marker = list(size = 10, opacity = 0.6)) %>%
  layout(title = "Scatter Plot Area construida vs. Precio",
         xaxis = list(title = "Area Construida"),
         yaxis = list(title = "Precio de vivienda en millones"))

scatter_plot
box_plot_estrato <- plot_ly(data = base3, x = ~estrato, y = ~preciom, type = 'box', color = I("lightgreen")) %>%
  layout(title = "Box Plot",
         xaxis = list(title = "Estrato"),
         yaxis = list(title = "Precio de vivienda (millones)"))

box_plot_estrato
box_plot_zona <- plot_ly(data = base3, x = ~zona, y = ~preciom, type = 'box', color = I("lightgreen")) %>%
  layout(title = "Box Plot",
         xaxis = list(title = "Zona"),
         yaxis = list(title = "Precio de vivienda (millones)"))

box_plot_zona

Se estimará un modelo de regresión lineal múltiple con variables como área construida, estrato, número de cuartos, número de parqueaderos y número de baños. Se interpretarán los coeficientes y su significancia estadística, contextualizando los resultados y evaluando su lógica. Además, se interpretará el coeficiente R2 y se discutirá el ajuste del modelo y posibles mejoras. La función lm() en R se utiliza para ajustar modelos de regresión lineal, predecir valores y evaluar la calidad del ajuste del modelo. Proporciona estadísticas como R-squared, coeficientes de regresión y p-values para evaluar la relación entre variables y el ajuste del modelo. También puede usarse junto con ggplot2 para visualizar resultados. lm() en R es esencial para el análisis de regresión lineal, permitiendo modelar relaciones y hacer predicciones basadas en datos. Se generará el modelo utilizando los datos filtrados por tipo de vivienda (Casa) y zona (Zona Norte).

model2 <- lm(preciom ~ areaconst + estrato + habitaciones + parqueaderos + banios, data = base3)
summary(model2)
## 
## Call:
## lm(formula = preciom ~ areaconst + estrato + habitaciones + parqueaderos + 
##     banios, data = base3)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -1092.02   -42.28    -1.33    40.58   926.56 
## 
## Coefficients:
##                Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  -261.62501   15.63220 -16.736  < 2e-16 ***
## areaconst       1.28505    0.05403  23.785  < 2e-16 ***
## estrato        60.89709    3.08408  19.746  < 2e-16 ***
## habitaciones  -24.83693    3.89229  -6.381 2.11e-10 ***
## parqueaderos   72.91468    3.95797  18.422  < 2e-16 ***
## banios         50.69675    3.39637  14.927  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 98.02 on 2375 degrees of freedom
##   (406 observations deleted due to missingness)
## Multiple R-squared:  0.7485, Adjusted R-squared:  0.748 
## F-statistic:  1414 on 5 and 2375 DF,  p-value: < 2.2e-16

Se concluye lo siguiente:

Descripción del Modelo: Se ajustó un modelo de regresión lineal utilizando la fórmula “preciom ~ areaconst + estrato + habitaciones + parqueaderos + banios” en un conjunto de datos llamado “base3”.

Residuos: La sección de “Residuals” muestra estadísticas descriptivas de los residuos del modelo, que son las diferencias entre los valores observados y los valores predichos. Esto incluye el mínimo, primer cuartil, mediana, tercer cuartil y máximo de los residuos.

Coeficientes: La sección de “Coefficients” muestra los coeficientes de regresión estimados para cada variable independiente en el modelo, incluyendo el intercepto. Se proporciona la estimación, error estándar, valor t y valor p para cada coeficiente, indicando su significancia estadística.

R-cuadrado: El coeficiente de determinación (R-squared) es aproximadamente 0.7485, indicando cuánta variabilidad en la variable dependiente es explicada por el modelo.

F-statistic: El valor del F-statistic es 1414, con un valor p extremadamente pequeño (< 2.2e-16), lo que sugiere que el modelo en su conjunto es estadísticamente significativo.

En resumen, el summary() del modelo proporciona información sobre la calidad del ajuste, significancia de los coeficientes y la cantidad de variabilidad explicada. Aunque el modelo parece tener un buen ajuste con coeficientes significativos y un alto R-cuadrado, es importante considerar otras validaciones del modelo y sus supuestos.

Validación de supuestos del modelo e interpretación de datos:

  1. Calculo de linealidad:
plot(model2$residuals ~ model2$fitted.values, xlab = "Valores Ajustados", ylab = "Residuos", main = "Linealidad")

Los puntos en el gráfico de dispersión sugieren una relación lineal entre las variables. Si están distribuidos alrededor de una línea horizontal que pasa por cero, el modelo de regresión lineal es adecuado. Aquí, los datos parecen seguir esta distribución.

  1. Calculo de Independencia de residuos:
plot(model2$residuals, xlab = "Orden de Observación", ylab = "Residuos", main = "Independencia de Residuos")

El gráfico de residuos en función del orden de observación es una herramienta para evaluar la independencia de los residuos en un modelo de regresión. La mayoría de los puntos se agrupan alrededor de cero en el eje vertical, lo que sugiere cumplimiento del supuesto de linealidad y ausencia de correlación sistemática. Esto indica que los residuos son independientes entre sí, validando el modelo y sugiriendo que las predicciones son confiables.

  1. Calculo de Homocedasticidad:
plot(model2$fitted.values, abs(model2$residuals), xlab = "Valores Ajustados", ylab = "|Residuos|", main = "Homocedasticidad")

La dispersión constante de los residuos, sin cambios a medida que avanzan los valores ajustados, sugiere homocedasticidad. 4. Calculo de Normalidad de residuos:

#library(car)
qqPlot(model2$residuals, main = "Normalidad de Residuos")

## 2383 1533 
## 2042 1316
  1. Calculo de Multicolinealidad:
cor_matrix2 <- cor(base3[, c("areaconst", "estrato", "habitaciones", "parqueaderos", "banios")])
print(cor_matrix2)
##              areaconst   estrato habitaciones parqueaderos    banios
## areaconst    1.0000000 0.4815593    0.4339608           NA 0.6618179
## estrato      0.4815593 1.0000000    0.2125953           NA 0.5686171
## habitaciones 0.4339608 0.2125953    1.0000000           NA 0.5149227
## parqueaderos        NA        NA           NA            1        NA
## banios       0.6618179 0.5686171    0.5149227           NA 1.0000000

Correlaciones Positivas: Se observan correlaciones positivas entre variables como “areaconst” y “estrato”, “areaconst” y “banios”, “estrato” y “banios”, y “habitaciones” y “banios”.

Correlaciones Bajas o No Disponibles: Algunas correlaciones son bajas o no están disponibles, como la falta de correlación entre “parqueaderos” y otras variables, posiblemente debido a la falta de variabilidad en “parqueaderos”.

Multicolinealidad Potencial: Existen correlaciones moderadas entre variables como “areaconst” y “estrato”, “areaconst” y “banios”, y “habitaciones” y “banios”, lo que sugiere una posible multicolinealidad entre estas variables predictoras.

Consideraciones para el Modelo: La multicolinealidad puede dificultar la interpretación de los coeficientes y hacer que las estimaciones sean menos estables. Se sugiere explorar opciones como eliminar variables altamente correlacionadas o utilizar técnicas de regularización para mitigar sus efectos.

  1. Calculo de Outliers
plot(model2$fitted.values, rstandard(model2), xlab = "Valores Ajustados", ylab = "Residuos Estandarizados", main = "Outliers")

Se observan puntos lejanos de la línea central en el gráfico, posibles outliers. Estos pueden impactar el modelo y la precisión de las predicciones.

  1. Calculo Heretoscedasticidad Condicional:
residuals2 = rstandard(model2)

fitted_values2 = fitted(model2)

plot(fitted_values2, residuals2, 
     main = "Heteroscedasticidad Condicional",
     xlab = "Valores Ajustados",
     ylab = "Residuos Estandarizados")

La heteroscedasticidad condicional implica que la variabilidad de los residuos cambia con los valores ajustados. No se observa una tendencia de dispersión en forma de embudo en el gráfico, lo que indica la ausencia de heteroscedasticidad condicional.

Predicción del precio de la vivienda con las caracteristicas de la solicitud Número 2

solicitud2 = data.frame(
  areaconst = 300,
  estrato = 5,
  habitaciones = 5,
  parqueaderos = 3,
  banios = 3
)

solicitud21 = data.frame(
  areaconst = 300,
  estrato = 6,
  habitaciones = 5,
  parqueaderos = 3,
  banios = 3
)

solicitud3 = rbind(solicitud2, solicitud21)
print(solicitud3)
##   areaconst estrato habitaciones parqueaderos banios
## 1       300       5            5            3      3
## 2       300       6            5            3      3
prediccion2 = predict(model2, newdata = solicitud3)

prediccion2
##        1        2 
## 675.0247 735.9218

Con las predicciones del modelo, se sugerirán ofertas potenciales para la vivienda 2, considerando un crédito pre-aprobado de máximo 850 millones de pesos. Se presentaran las ofertas.

# Realizar la predicción del precio de la vivienda 2
prediccion_precio_vivienda2 = predict(model2, newdata = solicitud3)

# Definir el presupuesto máximo (850 millones de pesos)
presupuesto_maximo2 = 850

# Filtrar las ofertas potenciales dentro del presupuesto
ofertas_potenciales2 = base3 %>%
  filter(preciom <= presupuesto_maximo2) %>%
  select(latitud, longitud, preciom)  # Seleccionar columnas relevantes para el mapa

# Visualizar las ofertas potenciales en un mapa (usando leaflet)
library(leaflet)

# Construccion del mapa
mapa_ofertas2 <- leaflet(data = ofertas_potenciales2) %>%
  addTiles() %>%
  addMarkers(
    ~longitud, ~latitud,
    label = ~paste("Precio: $", preciom, "M"),  
    popup = ~paste("Precio: $", preciom, "M"),
    clusterOptions = markerClusterOptions()
  )

# Mostrar el mapa
mapa_ofertas2