Proyecto AAA
Jorge Barrera
2024-08-13
Introducción.
Una empresa inmobiliaria líder en una gran ciudad está buscando comprender en profundidad el mercado de viviendas urbanas para tomar decisiones estratégicas más informadas. La empresa posee una base de datos extensa que contiene información detallada sobre diversas propiedades residenciales disponibles en el mercado. Se requiere realizar un análisis holístico de estos datos para identificar patrones, relaciones y segmentaciones relevantes que permitan mejorar la toma de decisiones en cuanto a la compra, venta y valoración de propiedades.
Objetivo.
Este informe presenta un análisis exhaustivo de una base de datos inmobiliaria con el objetivo de identificar patrones y tendencias clave que guíen las decisiones estratégicas de la empresa. Mediante técnicas avanzadas de análisis de datos, se ha explorado la distribución de propiedades, precios, y características fundamentales que afectan la oferta y demanda en el mercado. Este análisis proporciona una base sólida para optimizar las inversiones y maximizar los beneficios en un entorno competitivo.
Métodos.
Tras el análisis inicial, se emplearon diversos métodos estadísticos para evaluar la relación entre el precio de la vivienda y su área construida. Entre estos métodos se incluyeron:
1. Validez y confiabilidad: Para validar la confiabilidad de los datos suministrados, se llevó a cabo un proceso exhaustivo Análisis de Componentes Principales: Reducir la dimensionalidad del conjunto de datos y visualizar la estructura de las variables en componentes principales para identificar características clave que influyen en la variación de precios y oferta del mercado.
2.Análisis de Conglomerados: Agrupar las propiedades residenciales en segmentos homogéneos con características similares para entender las dinámicas de las ofertas específicas en diferentes partes de la ciudad y en diferentes estratos socioeconómicos.
3.Análisis de Correspondencia : Examinar la relación entre las variables categóricas (tipo de vivienda, zona y barrio), para identificar patrones de comportamiento de la oferta en mercado inmobiliario.
4.Visualización de resultados: Presentar gráficos, mapas y otros recursos visuales para comunicar los hallazgos de manera clara y efectiva a la dirección de la empresa.
1. Análisis de Componentes Principales:
Valores Nulos y Limpieza de datos: Identificación y tratamiento de valores nulos en los datos.
Los datos han sido revisados para asegurar su integridad, confirmando que no hay información faltante o vacía en el conjunto de datos.
El dataset despues de la limpieza contiene información de 8,262 propiedades distribuidas en diversas zonas y barrios. Las variables principales incluyen el precio por metro cuadrado (preciom), área construida (areaconst), número de parqueaderos, baños, y habitaciones, entre otras. Las estadísticas descriptivas revelan lo siguiente:
• Precio por m² (preciom): La media es de 434.7 unidades monetarias, con un rango que va desde 58 hasta 1999.
• Área construida (areaconst): La media es de 175.1 m², con un rango de 30 m² a 1745 m².
• Número de habitaciones: La mayoría de las propiedades tienen entre 3 y 4 habitaciones.
library(paqueteMODELOS)
library(dplyr)
library(tidyr)
data(vivienda) #Data a analisar
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>viviendas_uso <- (vivienda) #Renombrar tabla para modificar
##Limpieza de Variable areaconst
viviendas_uso$areaconst <- trunc(viviendas_uso$areaconst)
##Limpieza de Variable parquea por nulos
viviendas_uso <- viviendas_uso %>%
mutate(parqueaderos = replace_na(parqueaderos, 0))
##Limpieza de Variable piso por nulos
viviendas_uso$piso [is.na(viviendas_uso$piso ) ] <-0
# Convertir la columna 'barrio' a mayúsculas
viviendas_uso$zona <- toupper(viviendas_uso$zona)
viviendas_uso$barrio <- toupper(viviendas_uso$barrio)
#Borrar datos nulos
viviendas_uso <- viviendas_uso[!is.na(viviendas_uso$id),]
#Eliminar duplicados
viviendas_uso<-distinct(viviendas_uso,zona,piso,estrato,preciom,areaconst,parqueaderos,banios,habitaciones,tipo,barrio,longitud,latitud)
faltantes <- colSums(is.na(viviendas_uso)) %>%
as.data.frame()
faltantes## .
## zona 0
## piso 0
## estrato 0
## preciom 0
## areaconst 0
## parqueaderos 0
## banios 0
## habitaciones 0
## tipo 0
## barrio 0
## longitud 0
## latitud 0Razones para Reemplazar NA por un Valor Específico Preparación de Datos para Análisis:
Problema con NA: Muchos análisis estadísticos y modelos de machine learning no pueden manejar valores NA directamente. Estos valores faltantes pueden causar errores o resultados incorrectos durante el análisis. Solución: Reemplazar los NA con un valor específico como 0 asegura que la columna tenga valores numéricos válidos para ser utilizados en cálculos, modelos y visualizaciones.
Interpretación del Valor 0:
Contexto del Dato: Si NA representa la ausencia de un valor en la columna piso, asignar 0 puede tener sentido si 0 se interpreta como “sin piso” o “piso no especificado”. Esto es común en campos donde 0 tiene un significado lógico, como en el caso de recuentos o medidas donde la ausencia de un piso podría ser representada por 0.
Eliminar información Duplicada: Proceso para eliminar registros duplicados y garantizar la integridad de los datos.
Se examinó minuciosamente el conjunto de datos para detectar duplicados en las variables ‘zona’, ‘tipo’, ‘estrato’, ‘areaconst’ y ‘preciom’ y las demas variables de la cuales se confirmó que no se encontraron duplicados. Este hallazgo demuestra que los datos son integrales y consistentes, lo que es crucial para garantizar la precisión y confiabilidad de los resultados en el análisis subsiguiente.
num_duplicados <- sum(duplicated(viviendas_uso[, c('zona','piso','estrato','preciom','areaconst','parqueaderos','banios','habitaciones','tipo','barrio','longitud','latitud')]))
cat("Se evidencia la existencia de: ", num_duplicados,"duplicados","\n")## Se evidencia la existencia de: 0 duplicadosMostrar la estructura de los datos:
library(dplyr)
library(tidyr)
library(ggplot2)
library(corrplot)
library(psych)
library(ggpubr)
library(sf)
# Mostrar la estructura de los datos
str(viviendas_uso)## spc_tbl_ [8,262 × 12] (S3: spec_tbl_df/tbl_df/tbl/data.frame)
## $ zona : chr [1:8262] "ZONA ORIENTE" "ZONA ORIENTE" "ZONA ORIENTE" "ZONA SUR" ...
## $ piso : chr [1:8262] "0" "0" "0" "02" ...
## $ estrato : num [1:8262] 3 3 3 4 5 5 4 5 5 5 ...
## $ preciom : num [1:8262] 250 320 350 400 260 240 220 310 320 780 ...
## $ areaconst : num [1:8262] 70 120 220 280 90 87 52 137 150 380 ...
## $ parqueaderos: num [1:8262] 1 1 2 3 1 1 2 2 2 2 ...
## $ banios : num [1:8262] 3 2 2 5 2 3 2 3 4 3 ...
## $ habitaciones: num [1:8262] 6 3 4 3 3 3 3 4 6 3 ...
## $ tipo : chr [1:8262] "Casa" "Casa" "Casa" "Casa" ...
## $ barrio : chr [1:8262] "20 DE JULIO" "20 DE JULIO" "20 DE JULIO" "3 DE JULIO" ...
## $ longitud : num [1:8262] -76.5 -76.5 -76.5 -76.5 -76.5 ...
## $ latitud : num [1:8262] 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># Resumen estadístico de los datos
summary(viviendas_uso)## zona piso estrato preciom
## Length:8262 Length:8262 Min. :3.000 Min. : 58.0
## Class :character Class :character 1st Qu.:4.000 1st Qu.: 220.0
## Mode :character Mode :character Median :5.000 Median : 330.0
## Mean :4.635 Mean : 434.7
## 3rd Qu.:5.000 3rd Qu.: 548.0
## Max. :6.000 Max. :1999.0
## areaconst parqueaderos banios habitaciones
## Min. : 30.0 Min. : 0.000 Min. : 0.000 Min. : 0.000
## 1st Qu.: 80.0 1st Qu.: 1.000 1st Qu.: 2.000 1st Qu.: 3.000
## Median : 123.0 Median : 1.000 Median : 3.000 Median : 3.000
## Mean : 175.1 Mean : 1.484 Mean : 3.113 Mean : 3.607
## 3rd Qu.: 229.0 3rd Qu.: 2.000 3rd Qu.: 4.000 3rd Qu.: 4.000
## Max. :1745.0 Max. :10.000 Max. :10.000 Max. :10.000
## tipo barrio longitud latitud
## Length:8262 Length:8262 Min. :-76.59 Min. :3.333
## Class :character Class :character 1st Qu.:-76.54 1st Qu.:3.381
## Mode :character Mode :character Median :-76.53 Median :3.416
## Mean :-76.53 Mean :3.418
## 3rd Qu.:-76.52 3rd Qu.:3.452
## Max. :-76.46 Max. :3.498# Ver las primeras filas
head(viviendas_uso)## # A tibble: 6 × 12
## zona piso estrato preciom areaconst parqueaderos banios habitaciones tipo
## <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <chr>
## 1 ZONA O… 0 3 250 70 1 3 6 Casa
## 2 ZONA O… 0 3 320 120 1 2 3 Casa
## 3 ZONA O… 0 3 350 220 2 2 4 Casa
## 4 ZONA S… 02 4 400 280 3 5 3 Casa
## 5 ZONA N… 01 5 260 90 1 2 3 Apar…
## 6 ZONA N… 01 5 240 87 1 3 3 Apar…
## # ℹ 3 more variables: barrio <chr>, longitud <dbl>, latitud <dbl># Estadísticas descriptivas
describe(viviendas_uso)## vars n mean sd median trimmed mad min max
## zona* 1 8262 3.92 1.33 5.00 4.04 0.00 1.00 5.00
## piso* 2 8262 3.57 2.78 3.00 3.09 2.97 1.00 13.00
## estrato 3 8262 4.64 1.03 5.00 4.67 1.48 3.00 6.00
## preciom 4 8262 434.68 329.42 330.00 375.11 212.01 58.00 1999.00
## areaconst 5 8262 175.13 143.15 123.00 149.31 84.51 30.00 1745.00
## parqueaderos 6 8262 1.48 1.24 1.00 1.33 1.48 0.00 10.00
## banios 7 8262 3.11 1.43 3.00 2.99 1.48 0.00 10.00
## habitaciones 8 8262 3.61 1.46 3.00 3.41 1.48 0.00 10.00
## tipo* 9 8262 1.39 0.49 1.00 1.36 0.00 1.00 2.00
## barrio* 10 8262 226.83 120.62 237.00 230.50 160.12 1.00 407.00
## longitud 11 8262 -76.53 0.02 -76.53 -76.53 0.02 -76.59 -76.46
## latitud 12 8262 3.42 0.04 3.42 3.42 0.05 3.33 3.50
## range skew kurtosis se
## zona* 4.00 -0.59 -1.37 0.01
## piso* 12.00 1.31 1.33 0.03
## estrato 3.00 -0.19 -1.11 0.01
## preciom 1941.00 1.84 3.64 3.62
## areaconst 1715.00 2.69 12.91 1.57
## parqueaderos 10.00 1.65 5.41 0.01
## banios 10.00 0.92 1.12 0.02
## habitaciones 10.00 1.63 3.96 0.02
## tipo* 1.00 0.46 -1.79 0.01
## barrio* 406.00 -0.09 -1.25 1.33
## longitud 0.13 0.65 0.58 0.00
## latitud 0.16 0.03 -1.15 0.00Visualización:
Visualización Variables
# Distribución de zonas
ggplot(viviendas_uso, aes(x = zona)) +
geom_bar(fill = "steelblue") +
labs(title = "Distribución de Zonas", x = "Zona", y = "Frecuencia") +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
#--------------------------------------------------------------------
# Distribución de tipos de propiedades
ggplot(viviendas_uso, aes(x = tipo)) +
geom_bar(fill = "darkgreen") +
labs(title = "Distribución de Tipos de Propiedad", x = "Tipo", y = "Frecuencia") +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
#--------------------------------------------------------------------
# Calcular la frecuencia de cada barrio
barrio_frequencies <- viviendas_uso %>%
count(barrio) %>%
arrange(desc(n)) %>%
top_n(10, n)
# Crear el gráfico de barras para los 10 barrios con mayor ocupación
ggplot(barrio_frequencies, aes(x = reorder(barrio, n), y = n)) +
geom_bar(stat = "identity", fill = "purple") +
labs(title = "Top 10 Barrios con Mayor Ocupación", x = "Barrio", y = "Frecuencia") +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
#--------------------------------------------------------------------
# Histograma del precio por m²
ggplot(viviendas_uso, aes(x = preciom)) +
geom_histogram(binwidth = 50, fill = "blue", color = "black") +
labs(title = "Distribución del Precio por m²", x = "Precio por m²", y = "Frecuencia")
#--------------------------------------------------------------------
# Boxplot del precio por m² según el tipo de propiedad
ggplot(viviendas_uso, aes(x = tipo, y = preciom, fill = tipo)) +
geom_boxplot() +
labs(title = "Precio por m² por Tipo de Propiedad", x = "Tipo de Propiedad", y = "Precio por m²")
Distribución de Zonas El análisis de la distribución de zonas mostró que las propiedades están distribuidas principalmente en las zonas Oriente, Norte y Sur, con una menor representación en otras zonas. Esto sugiere una concentración significativa de la oferta en ciertas áreas geográficas, lo que podría influir en los precios y la demanda.
Tipos de Propiedades La mayoría de las propiedades son casas, seguidas por apartamentos. Esta predominancia de un tipo de propiedad en particular puede afectar la estrategia de diversificación de la cartera de inversión.
Distribución de Barrios Se identificaron los siete barrios con mayor frecuencia de propiedades, lo que indica áreas de alta densidad de oferta. Este conocimiento es crucial para entender dónde se concentran las inversiones actuales y dónde podrían surgir oportunidades de mercado no explotadas.
# Correlaciones entre variables numéricas
numeric_vars <- viviendas_uso%>%
select(preciom, areaconst, parqueaderos, banios, habitaciones)
#--------------------------------------------------------------------
# Matriz de correlación
cor_matrix <- cor(numeric_vars, use = "complete.obs")
corrplot(cor_matrix, method = "circle")
#--------------------------------------------------------------------
# Crear un objeto de puntos geoespaciales
viviendas_sf <- st_as_sf(viviendas_uso, coords = c("longitud", "latitud"), crs = 4326)
# Visualizar la distribución geográfica
ggplot(data = viviendas_sf) +
geom_sf() +
labs(title = "Distribución Geográfica de Propiedades") +
theme_minimal()
Correlaciones Destacadas: • preciom vs areaconst:
Existe una correlación positiva fuerte, lo que indica que a medida que
aumenta el área construida, también tiende a aumentar el precio por
metro cuadrado.
• preciom vs parqueaderos: También se observa una correlación positiva significativa, sugiriendo que propiedades con más parqueaderos tienden a tener un mayor precio por metro cuadrado.
• preciom vs baños y preciom vs habitaciones: Las correlaciones son positivas, pero menos fuertes en comparación con las otras variables, lo que indica que aunque el número de baños y habitaciones influye en el precio, la relación no es tan directa o fuerte como con el área construida y el número de parqueaderos.
• areaconst vs habitaciones: Existe una fuerte correlación positiva, lo que es lógico ya que las propiedades más grandes suelen tener más habitaciones
2. Análisis de Conglomerados:
Análisis de Componentes Principales (PCA) El análisis de componentes principales redujo la dimensionalidad del conjunto de datos para identificar las variables clave que influyen en la variación de precios y oferta. Los primeros dos componentes principales explican el 82.73% de la varianza total, destacando que las variables más influyentes son el área construida y el número de parqueaderos.
El biplot generado muestra cómo se relacionan los diferentes tipos de propiedad con estas variables, permitiendo una visualización clara de los patrones en el mercado.
# Cargar librerías necesarias
library(dplyr)
library(ggplot2)
library(FactoMineR)
library(factoextra)
# Seleccionar y escalar las variables numéricas
numeric_vars <- viviendas_uso %>%
select(areaconst, parqueaderos, banios, habitaciones)
numeric_vars_scaled <- scale(numeric_vars)
# Realizar PCA para reducir la dimensionalidad
pca_result <- prcomp(numeric_vars_scaled, center = TRUE, scale. = TRUE)
# Extraer las componentes principales
pca_data <- pca_result$x[, 1:2] # Usaremos los dos primeros componentes principales para el clustering
# Determinar el número óptimo de clústeres usando el método del codo
fviz_nbclust(pca_data, kmeans, method = "wss") +
labs(title = "Método del Codo para Determinar el Número de Clústeres")
# Aplicar el algoritmo k-means
set.seed(123) # Fijar la semilla para reproducibilidad
k <- 4 # Número de clústeres determinado (ajustar según el gráfico del codo)
kmeans_result <- kmeans(pca_data, centers = k, nstart = 25)
# Agregar la asignación de clústeres a los datos originales
viviendas_uso$cluster <- as.factor(kmeans_result$cluster)
# Visualizar los clústeres en el espacio de las dos primeras componentes principales
fviz_pca_ind(pca_result,
geom.ind = "point",
pointshape = 21,
pointsize = 2,
fill.ind = viviendas_uso$cluster,
col.ind = "black",
palette = "jco",
addEllipses = TRUE,
ellipse.type = "norm") +
labs(title = "Clustering de Propiedades Residenciales", x = "PC1", y = "PC2")
# Resumen por clúster
cluster_summary <- viviendas_uso %>%
group_by(cluster) %>%
summarise(across(c(areaconst, parqueaderos, banios, habitaciones, preciom), mean, na.rm = TRUE))
print(cluster_summary)## # A tibble: 4 × 6
## cluster areaconst parqueaderos banios habitaciones preciom
## <fct> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 1 91.1 0.812 2.07 2.84 239.
## 2 2 196. 2.02 3.72 3.59 570.
## 3 3 458. 4.30 5.48 4.84 1053.
## 4 4 323. 0.989 4.66 6.66 517.Análisis de Conglomerados (Clustering)
Se aplicó un análisis de conglomerados utilizando el método de k-means, identificando cuatro segmentos homogéneos de propiedades: 1. Cluster 1: Propiedades pequeñas con menor precio por m² y menos parqueaderos. 2. Cluster 2: Propiedades medianas con precios y características moderadas. 3. Cluster 3: Propiedades grandes, con altos precios y múltiples parqueaderos. 4. Cluster 4: Propiedades grandes, pero con menos parqueaderos, probablemente ubicadas en zonas con mayor densidad urbana. Este análisis es vital para la segmentación del mercado, permitiendo una focalización precisa de las estrategias de marketing e inversión.
# Crear una tabla de contingencia tridimensional
tabla_contingencia <- table(viviendas_uso$tipo, viviendas_uso$zona, viviendas_uso$barrio)
# Mostrar la tabla para entender su estructura
# Crear tablas de contingencia bidimensionales para cada par de variables
# Para zona vs barrio
tabla_zona_barrio <- margin.table(tabla_contingencia, c(3,2 ))
if (!requireNamespace("ca", quietly = TRUE)) install.packages("ca")
library(ca)
# Análisis de Correspondencia para zona vs barrio
resultado_ac_zona_barrio <- ca(tabla_zona_barrio)
summary(resultado_ac_zona_barrio)##
## Principal inertias (eigenvalues):
##
## dim value % cum% scree plot
## 1 0.961665 27.3 27.3 *******
## 2 0.929560 26.4 53.6 *******
## 3 0.894884 25.4 79.0 ******
## 4 0.739595 21.0 100.0 *****
## -------- -----
## Total: 3.525704 100.0
##
##
## Rows:
## name mass qlt inr k=1 cor ctr k=2 cor ctr
## 1 | 20DE | 0 81 2 | 842 31 0 | -1063 50 0 |
## 2 | 3DEJ | 0 960 0 | -809 856 0 | -282 104 0 |
## 3 | ACOP | 19 862 18 | 1567 749 48 | -607 112 8 |
## 4 | AGUAB | 0 81 1 | 842 31 0 | -1063 50 0 |
## 5 | AGUAB | 0 85 0 | 17 0 0 | -672 85 0 |
## 6 | AGUAC | 13 985 22 | 369 24 2 | 2359 961 79 |
## 7 | ALAMEDA | 2 1 17 | -135 1 0 | -59 0 0 |
## 8 | ALAMEDADELRI | 0 863 0 | 1582 751 0 | -609 111 0 |
## 9 | ALAMEDADELRÍ | 0 863 0 | 1582 751 1 | -609 111 0 |
## 10 | ALAMO | 2 863 2 | 1582 751 4 | -609 111 1 |
## 11 | ALBO | 0 960 0 | -809 856 0 | -282 104 0 |
## 12 | ALCA | 0 863 0 | 1582 751 1 | -609 111 0 |
## 13 | ALFR | 1 960 0 | -809 856 0 | -282 104 0 |
## 14 | ALFE | 0 960 0 | -809 856 0 | -282 104 0 |
## 15 | ALFONSOLO | 0 81 1 | 842 31 0 | -1063 50 0 |
## 16 | ALFONSOLÓPEZ | 3 81 16 | 842 31 2 | -1063 50 3 |
## 17 | ALFONSOLÓPEZI | 0 81 1 | 842 31 0 | -1063 50 0 |
## 18 | ALTOJ | 0 960 0 | -809 856 0 | -282 104 0 |
## 19 | ALTOSDEG | 0 965 0 | -511 617 0 | 385 349 0 |
## 20 | ALTOSDEM | 0 863 0 | 1582 751 1 | -609 111 0 |
## 21 | ALTOSDES | 0 985 0 | 380 24 0 | 2383 960 1 |
## 22 | ANTO | 0 81 2 | 842 31 0 | -1063 50 0 |
## 23 | ARAN | 2 0 29 | 106 0 0 | 21 0 0 |
## 24 | ARBOLEDA | 1 985 1 | 142 6 0 | 1850 979 2 |
## 25 | ARBOLEDAC | 0 81 1 | 842 31 0 | -1063 50 0 |
## 26 | ARBOLEDAS | 5 985 8 | 380 24 1 | 2383 960 28 |
## 27 | ATAN | 1 106 5 | 924 48 1 | -1012 58 1 |
## 28 | AUTO | 0 81 1 | 842 31 0 | -1063 50 0 |
## 29 | BAJO | 0 985 0 | 380 24 0 | 2383 960 1 |
## 30 | BARRA | 1 863 1 | 1582 751 2 | -609 111 0 |
## 31 | BARRIO7 | 0 81 1 | 842 31 0 | -1063 50 0 |
## 32 | BARRIOEL | 0 81 1 | 842 31 0 | -1063 50 0 |
## 33 | BARRIOEU | 0 960 0 | -809 856 0 | -282 104 0 |
## 34 | BARRIOO | 0 0 2 | 172 0 0 | 43 0 0 |
## 35 | BARRIOT | 0 863 0 | 1582 751 0 | -609 111 0 |
## 36 | BASE | 0 863 0 | 1582 751 1 | -609 111 0 |
## 37 | BELA | 0 0 5 | -73 0 0 | -39 0 0 |
## 38 | BELI | 0 960 0 | -809 856 0 | -282 104 0 |
## 39 | BELLASUIZA | 2 985 2 | 50 1 0 | 1643 984 6 |
## 40 | BELLASUIZAA | 0 984 0 | -214 39 0 | 1051 944 1 |
## 41 | BELLAV | 5 985 9 | 380 24 1 | 2383 960 32 |
## 42 | BENJ | 1 65 5 | 675 28 0 | -786 38 1 |
## 43 | BERL | 0 863 0 | 1582 751 0 | -609 111 0 |
## 44 | BLOQ | 0 960 0 | -809 856 0 | -282 104 0 |
## 45 | BOCH | 4 960 1 | -809 856 3 | -282 104 0 |
## 46 | BOLI | 0 863 0 | 1582 751 0 | -609 111 0 |
## 47 | BOSQUESDEA | 0 985 0 | 380 24 0 | 2383 960 1 |
## 48 | BOSQUESDEL | 2 960 1 | -809 856 2 | -282 104 0 |
## 49 | BOYA | 0 81 1 | 842 31 0 | -1063 50 0 |
## 50 | BRET | 2 0 24 | -12 0 0 | -18 0 0 |
## 51 | BRISASDEG | 0 960 0 | -809 856 0 | -282 104 0 |
## 52 | BRISASDELO | 10 863 9 | 1582 751 26 | -609 111 4 |
## 53 | BRISASDELG | 0 863 0 | 1582 751 0 | -609 111 0 |
## 54 | BRISASDELL | 0 960 0 | -809 856 0 | -282 104 0 |
## 55 | BUENOM | 0 863 0 | 1582 751 0 | -609 111 0 |
## 56 | BUENOS | 1 960 0 | -809 856 1 | -282 104 0 |
## 57 | CALD | 0 960 0 | -809 856 0 | -282 104 0 |
## 58 | CALI | 4 844 3 | 1323 710 8 | -573 133 2 |
## 59 | CALIB | 0 863 0 | 1582 751 0 | -609 111 0 |
## 60 | CALICANTO | 0 960 0 | -809 856 0 | -282 104 0 |
## 61 | CALIB | 0 863 0 | 1582 751 0 | -609 111 0 |
## 62 | CALICANTO | 1 960 0 | -809 856 1 | -282 104 0 |
## 63 | CALICANTOV | 0 960 0 | -809 856 0 | -282 104 0 |
## 64 | CALIMA | 1 863 1 | 1582 751 2 | -609 111 0 |
## 65 | CALIMI | 1 863 1 | 1582 751 2 | -609 111 0 |
## 66 | CALIP | 1 81 9 | 842 31 1 | -1063 50 2 |
## 67 | CAMB | 0 577 0 | -12 1 0 | -391 576 0 |
## 68 | CAMI | 4 960 1 | -809 856 3 | -282 104 0 |
## 69 | CAMP | 0 960 0 | -809 856 0 | -282 104 0 |
## 70 | CANEY | 11 960 2 | -809 856 7 | -282 104 1 |
## 71 | CANEYE | 1 960 0 | -809 856 0 | -282 104 0 |
## 72 | CAÑAS | 1 960 0 | -809 856 1 | -282 104 0 |
## 73 | CAÑAVERALEJ | 1 960 0 | -809 856 1 | -282 104 0 |
## 74 | CAÑAVERALES | 3 960 1 | -809 856 2 | -282 104 0 |
## 75 | CAÑAVERALESL | 0 960 0 | -809 856 0 | -282 104 0 |
## 76 | CAPR | 7 960 1 | -809 856 5 | -282 104 1 |
## 77 | CASC | 0 960 0 | -809 856 0 | -282 104 0 |
## 78 | CATA | 0 960 0 | -809 856 0 | -282 104 0 |
## 79 | CEIB | 0 81 1 | 842 31 0 | -1063 50 0 |
## 80 | CENTEL | 0 0 2 | 172 0 0 | 43 0 0 |
## 81 | CENTEN | 2 877 1 | 1356 876 4 | -48 1 0 |
## 82 | CENTR | 0 0 9 | 172 0 0 | 43 0 0 |
## 83 | CERROC | 3 985 4 | 326 20 0 | 2262 965 15 |
## 84 | CERROS | 0 960 0 | -809 856 0 | -282 104 0 |
## 85 | CHAM | 2 960 0 | -809 856 1 | -282 104 0 |
## 86 | CHAP | 1 115 4 | 948 55 1 | -998 61 1 |
## 87 | CHIMINANGOS | 2 863 2 | 1582 751 5 | -609 111 1 |
## 88 | CHIMINANGOS1 | 0 81 1 | 842 31 0 | -1063 50 0 |
## 89 | CHIMINANGOS2 | 0 863 0 | 1582 751 1 | -609 111 0 |
## 90 | CHIP | 4 863 3 | 1582 751 9 | -609 111 1 |
## 91 | CIUDAD2 | 11 960 2 | -809 856 8 | -282 104 1 |
## 92 | CIUDADA | 0 960 0 | -809 856 0 | -282 104 0 |
## 93 | CIUDADB | 6 960 1 | -809 856 4 | -282 104 0 |
## 94 | CIUDADCA | 2 960 0 | -809 856 1 | -282 104 0 |
## 95 | CIUDADCOR | 2 81 16 | 842 31 2 | -1063 50 3 |
## 96 | CIUDADCÓRDOBA | 2 80 10 | 732 27 1 | -1010 52 2 |
## 97 | CIUDADCÓRDOBAR | 0 81 1 | 842 31 0 | -1063 50 0 |
## 98 | CIUDADCOU | 0 960 0 | -809 856 0 | -282 104 0 |
## 99 | CIUDADD | 0 81 1 | 842 31 0 | -1063 50 0 |
## 100 | CIUDADJARDIN | 3 960 1 | -809 856 2 | -282 104 0 |
## 101 | CIUDADJARDÍ | 62 958 13 | -795 850 41 | -284 108 5 |
## 102 | CIUDADJARDINP | 0 960 0 | -809 856 0 | -282 104 0 |
## 103 | CIUDADLOSA | 0 863 0 | 1582 751 0 | -609 111 0 |
## 104 | CIUDADLOSÁ | 3 863 3 | 1582 751 8 | -609 111 1 |
## 105 | CIUDADMELN | 0 960 0 | -809 856 0 | -282 104 0 |
## 106 | CIUDADMELE | 0 960 0 | -809 856 0 | -282 104 0 |
## 107 | CIUDADMO | 1 78 4 | 606 22 0 | -951 55 1 |
## 108 | CIUDADP | 0 960 0 | -809 856 0 | -282 104 0 |
## 109 | CIUDADR | 0 960 0 | -809 856 0 | -282 104 0 |
## 110 | CIUDADT | 0 81 1 | 842 31 0 | -1063 50 0 |
## 111 | CIUDADU | 0 960 0 | -809 856 0 | -282 104 0 |
## 112 | CIUDADELAC | 2 960 0 | -809 856 1 | -282 104 0 |
## 113 | CIUDADELAD | 0 81 1 | 842 31 0 | -1063 50 0 |
## 114 | CIUDADELAM | 0 960 0 | -809 856 0 | -282 104 0 |
## 115 | CIUDADELAP | 0 960 0 | -809 856 0 | -282 104 0 |
## 116 | CIUDADELAP | 3 960 1 | -809 856 2 | -282 104 0 |
## 117 | COLINASDEM | 0 863 0 | 1582 751 1 | -609 111 0 |
## 118 | COLINASDELB | 0 863 0 | 1582 751 0 | -609 111 0 |
## 119 | COLINASDELS | 1 960 0 | -809 856 1 | -282 104 0 |
## 120 | COLO | 0 960 0 | -809 856 0 | -282 104 0 |
## 121 | COLSEGUROS | 5 965 1 | -786 860 3 | -274 105 0 |
## 122 | COLSEGUROSA | 1 960 0 | -809 856 0 | -282 104 0 |
## 123 | COMF | 0 863 0 | 1582 751 0 | -609 111 0 |
## 124 | COMP | 0 81 1 | 842 31 0 | -1063 50 0 |
## 125 | CONJ | 0 863 0 | 1582 751 0 | -609 111 0 |
## 126 | CRISTA | 10 985 16 | 380 26 2 | 2315 960 58 |
## 127 | CRISTO | 2 960 0 | -809 856 1 | -282 104 0 |
## 128 | CRISTÓ | 0 960 0 | -809 856 0 | -282 104 0 |
## 129 | CUAR | 5 960 1 | -809 856 4 | -282 104 0 |
## 130 | DEPA | 4 960 1 | -809 856 2 | -282 104 0 |
## 131 | EDBE | 0 0 2 | 172 0 0 | 43 0 0 |
## 132 | ELBO | 6 863 6 | 1582 751 16 | -609 111 2 |
## 133 | ELCAN | 25 960 5 | -809 856 17 | -282 104 2 |
## 134 | ELCAS | 1 960 0 | -809 856 0 | -282 104 0 |
## 135 | ELCE | 1 871 0 | -510 622 0 | -323 249 0 |
## 136 | ELDI | 0 81 2 | 842 31 0 | -1063 50 0 |
## 137 | ELDO | 1 960 0 | -809 856 0 | -282 104 0 |
## 138 | ELGR | 1 871 0 | -510 622 0 | -323 249 0 |
## 139 | ELGUABA | 2 960 0 | -809 856 2 | -282 104 0 |
## 140 | ELGUABI | 0 863 0 | 1582 751 0 | -609 111 0 |
## 141 | ELINGENIO | 25 960 5 | -809 856 17 | -282 104 2 |
## 142 | ELINGENIO3 | 0 960 0 | -809 856 0 | -282 104 0 |
## 143 | ELINGENIOI | 2 960 0 | -809 856 2 | -282 104 0 |
## 144 | ELINGENIOII | 2 960 1 | -809 856 2 | -282 104 0 |
## 145 | ELINGENIOIII | 2 960 1 | -809 856 2 | -282 104 0 |
## 146 | ELJA | 2 80 10 | 732 27 1 | -1010 52 2 |
## 147 | ELJO | 0 960 0 | -809 856 0 | -282 104 0 |
## 148 | ELLID | 7 953 1 | -767 836 4 | -287 117 1 |
## 149 | ELLIM | 16 960 3 | -809 856 11 | -282 104 1 |
## 150 | ELNA | 0 985 0 | 380 24 0 | 2383 960 1 |
## 151 | ELPA | 0 81 2 | 842 31 0 | -1063 50 0 |
## 152 | ELPE | 7 986 12 | 400 28 1 | 2333 957 42 |
## 153 | ELPR | 0 81 2 | 842 31 0 | -1063 50 0 |
## 154 | ELRE | 14 960 3 | -809 856 10 | -282 104 1 |
## 155 | ELRO | 0 81 1 | 842 31 0 | -1063 50 0 |
## 156 | ELSE | 0 863 0 | 1582 751 0 | -609 111 0 |
## 157 | ELTRB | 1 135 2 | 990 69 1 | -972 66 1 |
## 158 | ELTRO | 2 106 10 | 885 49 2 | -957 57 2 |
## 159 | ELVA | 0 81 1 | 842 31 0 | -1063 50 0 |
## 160 | EUCA | 0 960 0 | -809 856 0 | -282 104 0 |
## 161 | EVAR | 0 863 0 | 1582 751 1 | -609 111 0 |
## 162 | FARR | 0 960 0 | -809 856 0 | -282 104 0 |
## 163 | FENA | 0 81 1 | 842 31 0 | -1063 50 0 |
## 164 | FEPI | 0 81 1 | 842 31 0 | -1063 50 0 |
## 165 | FLORA | 0 863 0 | 1582 751 0 | -609 111 0 |
## 166 | FLORAI | 2 833 2 | 1494 728 4 | -568 105 1 |
## 167 | FLORAL | 1 863 1 | 1582 751 2 | -609 111 0 |
## 168 | FONA | 0 81 1 | 842 31 0 | -1063 50 0 |
## 169 | FRAN | 0 960 0 | -809 856 0 | -282 104 0 |
## 170 | FUEN | 0 960 0 | -809 856 0 | -282 104 0 |
## 171 | GAIT | 0 863 0 | 1582 751 0 | -609 111 0 |
## 172 | GRANL | 3 960 1 | -809 856 2 | -282 104 0 |
## 173 | GRANA | 2 863 2 | 1582 751 5 | -609 111 1 |
## 174 | GUADALUPE | 3 960 1 | -809 856 2 | -282 104 0 |
## 175 | GUADALUPEA | 0 985 0 | 380 24 0 | 2383 960 1 |
## 176 | GUADU | 0 863 0 | 1582 751 1 | -609 111 0 |
## 177 | GUAY | 2 1 27 | 199 1 0 | -18 0 0 |
## 178 | HACI | 0 960 0 | -809 856 0 | -282 104 0 |
## 179 | INGENIO | 0 960 0 | -809 856 0 | -282 104 0 |
## 180 | INGENIOI | 0 960 0 | -809 856 0 | -282 104 0 |
## 181 | INGENIOII | 0 960 0 | -809 856 0 | -282 104 0 |
## 182 | JAMUNDI | 0 960 0 | -809 856 0 | -282 104 0 |
## 183 | JAMUNDIA | 0 960 0 | -809 856 0 | -282 104 0 |
## 184 | JORGEE | 0 863 0 | 1582 751 0 | -609 111 0 |
## 185 | JORGEI | 0 0 2 | 172 0 0 | 43 0 0 |
## 186 | JOSE | 0 81 1 | 842 31 0 | -1063 50 0 |
## 187 | JUANAMB | 6 874 4 | 1378 869 13 | -101 5 0 |
## 188 | JUANAMBU | 0 966 0 | 981 531 0 | 887 435 0 |
## 189 | JUNI | 2 0 36 | 117 0 0 | 25 0 0 |
## 190 | JUNÍ | 1 4 3 | -43 0 0 | -250 4 0 |
## 191 | LAALB | 1 960 0 | -809 856 0 | -282 104 0 |
## 192 | LAALI | 0 863 0 | 1582 751 1 | -609 111 0 |
## 193 | LAAR | 2 985 4 | 380 24 0 | 2383 960 13 |
## 194 | LABA | 2 95 10 | 892 41 2 | -1032 54 2 |
## 195 | LABU | 0 960 0 | -809 856 0 | -282 104 0 |
## 196 | LACAM | 2 863 1 | 1582 751 4 | -609 111 1 |
## 197 | LACAS | 1 957 0 | -639 934 0 | 99 22 0 |
## 198 | LACE | 0 81 1 | 842 31 0 | -1063 50 0 |
## 199 | LAES | 0 863 0 | 1582 751 0 | -609 111 0 |
## 200 | LAFLORA | 44 862 41 | 1575 750 113 | -608 112 17 |
## 201 | LAFLORE | 2 108 10 | 929 50 2 | -1009 58 2 |
## 202 | LAFO | 0 81 3 | 842 31 0 | -1063 50 1 |
## 203 | LAGR | 0 81 1 | 842 31 0 | -1063 50 0 |
## 204 | LAHA | 20 960 4 | -809 856 14 | -282 104 2 |
## 205 | LAIN | 1 77 6 | 567 21 0 | -932 56 1 |
## 206 | LALI | 0 960 0 | -809 856 0 | -282 104 0 |
## 207 | LALU | 0 960 0 | -809 856 0 | -282 104 0 |
## 208 | LAME | 3 805 3 | 1473 704 7 | -559 101 1 |
## 209 | LAMO | 0 0 2 | 172 0 0 | 43 0 0 |
## 210 | LANU | 1 81 6 | 842 31 1 | -1063 50 1 |
## 211 | LAPL | 0 960 0 | -809 856 0 | -282 104 0 |
## 212 | LAPO | 0 960 0 | -809 856 0 | -282 104 0 |
## 213 | LAPR | 0 81 1 | 842 31 0 | -1063 50 0 |
## 214 | LAREF | 0 960 0 | -809 856 0 | -282 104 0 |
## 215 | LARIVERA | 1 863 1 | 1582 751 3 | -609 111 1 |
## 216 | LARIVERAI | 0 362 0 | 1212 246 0 | -836 117 0 |
## 217 | LARIVERAII | 0 863 0 | 1582 751 1 | -609 111 0 |
## 218 | LARIVERI | 0 960 0 | -809 856 0 | -282 104 0 |
## 219 | LARIVI | 0 863 0 | 1582 751 0 | -609 111 0 |
## 220 | LASE | 1 960 0 | -809 856 1 | -282 104 0 |
## 221 | LAVI | 0 863 0 | 1582 751 0 | -609 111 0 |
## 222 | LAFLORA | 0 863 0 | 1582 751 0 | -609 111 0 |
## 223 | LARES | 0 863 0 | 1582 751 0 | -609 111 0 |
## 224 | LASAC | 1 912 0 | -609 726 1 | -309 186 0 |
## 225 | LASAM | 0 665 0 | 1335 503 1 | -760 163 0 |
## 226 | LASCA | 0 960 0 | -809 856 0 | -282 104 0 |
## 227 | LASCE | 3 125 12 | 971 62 3 | -984 63 3 |
## 228 | LASD | 1 863 1 | 1582 751 2 | -609 111 0 |
## 229 | LASG | 1 897 0 | -570 688 0 | -314 210 0 |
## 230 | LASQ | 0 960 0 | -809 856 0 | -282 104 0 |
## 231 | LASVEGAS | 0 960 0 | -809 856 0 | -282 104 0 |
## 232 | LASVEGASD | 0 960 0 | -809 856 0 | -282 104 0 |
## 233 | LIBE | 0 975 0 | -412 308 0 | 607 667 0 |
## 234 | LOSALA | 0 863 0 | 1582 751 0 | -609 111 0 |
## 235 | LOSALCA | 2 863 2 | 1582 751 5 | -609 111 1 |
## 236 | LOSALCÁ | 1 863 1 | 1582 751 2 | -609 111 0 |
## 237 | LOSAN | 3 863 2 | 1582 751 7 | -609 111 1 |
## 238 | LOSCA | 3 960 1 | -809 856 2 | -282 104 0 |
## 239 | LOSCÁ | 1 816 0 | -410 488 0 | -336 328 0 |
## 240 | LOSCRISTALES | 19 985 31 | 380 24 3 | 2383 960 114 |
## 241 | LOSCRISTALESC | 0 985 0 | 380 24 0 | 2383 960 1 |
## 242 | LOSF | 0 960 0 | -809 856 0 | -282 104 0 |
## 243 | LOSGUAD | 3 923 3 | 1553 794 8 | -626 129 1 |
## 244 | LOSGUAY | 0 863 0 | 1582 751 1 | -609 111 0 |
## 245 | LOSJ | 0 960 0 | -809 856 0 | -282 104 0 |
## 246 | LOSL | 0 256 1 | 31 0 0 | 1132 256 1 |
## 247 | LOSP | 1 863 1 | 1582 751 2 | -609 111 0 |
## 248 | LOSR | 0 863 0 | 1582 751 0 | -609 111 0 |
## 249 | LOUR | 0 960 0 | -809 856 0 | -282 104 0 |
## 250 | MAME | 0 985 0 | 380 24 0 | 2383 960 1 |
## 251 | MANZ | 1 863 1 | 1582 751 2 | -609 111 0 |
## 252 | MARI | 0 81 1 | 842 31 0 | -1063 50 0 |
## 253 | MARR | 0 81 1 | 842 31 0 | -1063 50 0 |
## 254 | MAYA | 6 982 1 | -773 854 3 | -299 128 1 |
## 255 | MELN | 3 961 0 | -680 887 1 | -196 74 0 |
## 256 | MELE | 6 960 1 | -809 856 4 | -282 104 1 |
## 257 | MENG | 3 863 3 | 1582 751 7 | -609 111 1 |
## 258 | METR | 3 863 2 | 1582 751 7 | -609 111 1 |
## 259 | MIRAD | 0 985 0 | 380 24 0 | 2383 960 1 |
## 260 | MIRAF | 3 983 4 | 326 21 0 | 2191 961 16 |
## 261 | MORI | 0 81 2 | 842 31 0 | -1063 50 0 |
## 262 | MULT | 3 960 1 | -809 856 2 | -282 104 0 |
## 263 | MUNI | 0 81 2 | 842 31 0 | -1063 50 0 |
## 264 | NAPO | 0 960 0 | -809 856 0 | -282 104 0 |
## 265 | NÁPO | 4 960 1 | -809 856 2 | -282 104 0 |
## 266 | NORMANDI | 1 985 1 | 380 24 0 | 2383 960 4 |
## 267 | NORMANDÍA | 19 985 31 | 372 24 3 | 2366 961 112 |
## 268 | NORMANDÍAW | 0 985 0 | 380 24 0 | 2383 960 1 |
## 269 | NORTE | 1 990 1 | 514 58 0 | 2051 931 5 |
## 270 | NORTEL | 0 863 0 | 1582 751 0 | -609 111 0 |
## 271 | NUEVAB | 0 81 1 | 842 31 0 | -1063 50 0 |
## 272 | NUEVAF | 2 76 7 | 512 18 0 | -906 58 2 |
## 273 | NUEVAT | 9 969 2 | -762 853 5 | -282 117 1 |
## 274 | OASISDEC | 1 863 1 | 1582 751 2 | -609 111 0 |
## 275 | OASISDEP | 0 960 0 | -809 856 0 | -282 104 0 |
## 276 | OCCI | 1 866 1 | 1473 823 3 | -337 43 0 |
## 277 | PACARA | 2 863 2 | 1582 751 6 | -609 111 1 |
## 278 | PACARÁ | 0 863 0 | 1582 751 1 | -609 111 0 |
## 279 | PALM | 0 960 0 | -809 856 0 | -282 104 0 |
## 280 | PAMP | 3 960 1 | -809 856 2 | -282 104 0 |
## 281 | PAMP | 1 960 0 | -809 856 1 | -282 104 0 |
## 282 | PANA | 1 960 0 | -809 856 1 | -282 104 0 |
## 283 | PANC | 50 964 11 | -805 857 33 | -284 107 4 |
## 284 | PARC | 7 960 2 | -809 856 5 | -282 104 1 |
## 285 | PARQ | 0 863 0 | 1582 751 0 | -609 111 0 |
## 286 | PASE | 0 863 0 | 1582 751 1 | -609 111 0 |
## 287 | PASOD | 1 863 1 | 1582 751 2 | -609 111 0 |
## 288 | PASOA | 1 960 0 | -809 856 0 | -282 104 0 |
## 289 | POBL | 0 664 0 | 387 286 0 | -445 379 0 |
## 290 | PONC | 0 960 0 | -809 856 0 | -282 104 0 |
## 291 | POPU | 1 863 1 | 1582 751 2 | -609 111 0 |
## 292 | PORTAD | 0 863 0 | 1582 751 1 | -609 111 0 |
## 293 | PORTAL | 0 863 0 | 1582 751 0 | -609 111 0 |
## 294 | PORV | 0 863 0 | 1582 751 1 | -609 111 0 |
## 295 | PRADOSDEO | 1 81 5 | 842 31 1 | -1063 50 1 |
## 296 | PRADOSDELL | 3 960 1 | -809 856 2 | -282 104 0 |
## 297 | PRADOSDELN | 15 867 14 | 1561 762 39 | -580 105 6 |
## 298 | PRADOSDELS | 0 960 0 | -809 856 0 | -282 104 0 |
## 299 | PRIMA | 0 122 0 | 611 56 0 | 660 66 0 |
## 300 | PRIME | 4 960 1 | -809 856 3 | -282 104 0 |
## 301 | PRIMI | 0 81 2 | 842 31 0 | -1063 50 0 |
## 302 | PUENTED | 1 863 1 | 1582 751 2 | -609 111 0 |
## 303 | PUENTEP | 0 960 0 | -809 856 0 | -282 104 0 |
## 304 | QUINTASDED | 9 960 2 | -809 856 6 | -282 104 1 |
## 305 | QUINTASDES | 0 156 2 | 1027 84 1 | -949 72 0 |
## 306 | RAFA | 0 81 1 | 842 31 0 | -1063 50 0 |
## 307 | REFU | 0 984 0 | -214 39 0 | 1051 944 0 |
## 308 | REPB | 0 81 1 | 842 31 0 | -1063 50 0 |
## 309 | RINCO | 0 863 0 | 1582 751 0 | -609 111 0 |
## 310 | RINCÓ | 0 863 0 | 1582 751 0 | -609 111 0 |
## 311 | RIVE | 0 960 0 | -809 856 0 | -282 104 0 |
## 312 | ROZO | 0 863 0 | 1582 751 0 | -609 111 0 |
## 313 | SAAV | 0 81 3 | 842 31 0 | -1063 50 1 |
## 314 | SALO | 5 863 4 | 1582 751 12 | -609 111 2 |
## 315 | SAMANES | 0 960 0 | -809 856 0 | -282 104 0 |
## 316 | SAMANESD | 0 960 0 | -809 856 0 | -282 104 0 |
## 317 | SAME | 0 863 0 | 1582 751 0 | -609 111 0 |
## 318 | SANA | 3 724 5 | 345 21 0 | 1993 703 12 |
## 319 | SANB | 1 0 10 | -73 0 0 | -39 0 0 |
## 320 | SANCAR | 0 65 2 | 675 28 0 | -786 38 0 |
## 321 | SANCAY | 1 877 2 | 357 24 0 | 2123 853 5 |
## 322 | SANFERNANDO | 7 937 1 | -657 892 3 | -148 45 0 |
## 323 | SANFERNANDON | 1 960 0 | -809 856 1 | -282 104 0 |
## 324 | SANFERNANDOV | 2 958 0 | -743 928 1 | -134 30 0 |
## 325 | SANJOAQUI | 0 960 0 | -809 856 0 | -282 104 0 |
## 326 | SANJOAQUÍ | 2 960 0 | -809 856 1 | -282 104 0 |
## 327 | SANJUA | 1 0 16 | 172 0 0 | 43 0 0 |
## 328 | SANJUDAS | 0 960 0 | -809 856 0 | -282 104 0 |
## 329 | SANJUDAST | 0 960 0 | -809 856 0 | -282 104 0 |
## 330 | SANLUI | 0 863 0 | 1582 751 1 | -609 111 0 |
## 331 | SANLUÍ | 0 863 0 | 1582 751 0 | -609 111 0 |
## 332 | SANNICOLA | 0 0 2 | 172 0 0 | 43 0 0 |
## 333 | SANNICOLÁ | 0 0 2 | 172 0 0 | 43 0 0 |
## 334 | SANP | 0 15 3 | 642 14 0 | -175 1 0 |
## 335 | SANV | 6 863 5 | 1556 769 14 | -545 94 2 |
## 336 | SANTA | 0 985 0 | 380 24 0 | 2383 960 1 |
## 337 | SANTAANITA | 6 970 1 | -765 894 4 | -222 75 0 |
## 338 | SANTAANITAS | 0 960 0 | -809 856 0 | -282 104 0 |
## 339 | SANTAB | 0 324 0 | 935 304 0 | 237 20 0 |
## 340 | SANTAE | 1 960 0 | -809 856 1 | -282 104 0 |
## 341 | SANTAF | 1 81 6 | 842 31 1 | -1063 50 1 |
## 342 | SANTAH | 0 0 2 | 172 0 0 | 43 0 0 |
## 343 | SANTAI | 8 985 6 | 78 2 0 | 1706 983 24 |
## 344 | SANTAMONICA | 6 863 6 | 1582 751 16 | -609 111 3 |
## 345 | SANTAMÓNICA | 0 863 0 | 1582 751 1 | -609 111 0 |
## 346 | SANTAMÓNICAA | 0 863 0 | 1582 751 0 | -609 111 0 |
## 347 | SANTAMONICAN | 0 863 0 | 1582 751 1 | -609 111 0 |
## 348 | SANTAMONICAP | 0 122 0 | 611 56 0 | 660 66 0 |
## 349 | SANTAMÓNICAP | 1 78 4 | 606 22 0 | -951 55 1 |
## 350 | SANTAMONICAR | 1 863 1 | 1582 751 2 | -609 111 0 |
## 351 | SANTAMÓNICAR | 5 869 3 | 1428 848 10 | -225 21 0 |
## 352 | SANTARI | 5 985 9 | 380 24 1 | 2383 960 33 |
## 353 | SANTARO | 0 0 2 | 172 0 0 | 43 0 0 |
## 354 | SANTAT | 32 985 50 | 362 24 4 | 2300 961 181 |
## 355 | SANTAF | 0 81 1 | 842 31 0 | -1063 50 0 |
## 356 | SANTAN | 0 863 0 | 1582 751 0 | -609 111 0 |
## 357 | SANTO | 1 960 0 | -809 856 0 | -282 104 0 |
## 358 | SECTORA | 0 960 0 | -809 856 0 | -282 104 0 |
## 359 | SECTORC | 0 960 0 | -809 856 0 | -282 104 0 |
## 360 | SEMI | 4 959 1 | -771 899 2 | -198 60 0 |
## 361 | SIER | 0 985 0 | 380 24 0 | 2383 960 1 |
## 362 | SIET | 1 81 6 | 842 31 1 | -1063 50 1 |
## 363 | SIMÓ | 0 81 1 | 842 31 0 | -1063 50 0 |
## 364 | TEJARESC | 0 985 1 | 380 24 0 | 2383 960 3 |
## 365 | TEJARESD | 2 988 1 | 211 17 0 | 1598 971 5 |
## 366 | TEMP | 0 960 0 | -809 856 0 | -282 104 0 |
## 367 | TEQUENDA | 5 950 1 | -753 828 3 | -289 122 0 |
## 368 | TEQUENDE | 0 960 0 | -809 856 0 | -282 104 0 |
## 369 | TERR | 0 985 0 | 380 24 0 | 2383 960 1 |
## 370 | TORR | 7 864 6 | 1532 754 17 | -586 110 3 |
## 371 | UNIC | 0 960 0 | -809 856 0 | -282 104 0 |
## 372 | UNIÓ | 0 202 1 | 1089 119 0 | -911 83 0 |
## 373 | URBANIZACIÓNBA | 0 863 0 | 1582 751 1 | -609 111 0 |
## 374 | URBANIZACIÓNBO | 0 81 1 | 842 31 0 | -1063 50 0 |
## 375 | URBANIZACIÓNC | 0 960 0 | -809 856 0 | -282 104 0 |
## 376 | URBANIZACIONE | 0 960 0 | -809 856 0 | -282 104 0 |
## 377 | URBANIZACIONG | 0 960 0 | -809 856 0 | -282 104 0 |
## 378 | URBANIZACIÓNLAF | 10 863 9 | 1582 751 26 | -609 111 4 |
## 379 | URBANIZACIÓNLAM | 0 863 0 | 1582 751 1 | -609 111 0 |
## 380 | URBANIZACIÓNLAN | 0 362 1 | 1212 246 1 | -836 117 0 |
## 381 | URBANIZACIÓNLAS | 0 960 0 | -809 856 0 | -282 104 0 |
## 382 | URBANIZACIONL | 0 960 0 | -809 856 0 | -282 104 0 |
## 383 | URBANIZACIÓNN | 0 960 0 | -809 856 0 | -282 104 0 |
## 384 | URBANIZACIÓNP | 0 863 0 | 1582 751 0 | -609 111 0 |
## 385 | URBANIZACIÓNR | 1 960 0 | -809 856 0 | -282 104 0 |
## 386 | URBANIZACIÓNS | 0 960 0 | -809 856 0 | -282 104 0 |
## 387 | URBANIZACIÓNT | 1 960 0 | -809 856 1 | -282 104 0 |
## 388 | VALLEDELI | 0 960 0 | -809 856 0 | -282 104 0 |
## 389 | VALLEDELL | 120 959 26 | -799 852 80 | -283 107 10 |
## 390 | VALLEG | 0 81 1 | 842 31 0 | -1063 50 0 |
## 391 | VERS | 9 861 8 | 1548 747 21 | -604 114 3 |
## 392 | VILLAC | 1 123 3 | 966 60 1 | -987 63 1 |
## 393 | VILLADEV | 1 863 1 | 1582 751 2 | -609 111 0 |
## 394 | VILLADELL | 1 81 8 | 842 31 1 | -1063 50 1 |
## 395 | VILLADELPA | 0 863 0 | 1582 751 0 | -609 111 0 |
## 396 | VILLADELPR | 6 863 6 | 1582 751 16 | -609 111 3 |
## 397 | VILLADELSO | 3 863 3 | 1582 751 8 | -609 111 1 |
## 398 | VILLADELSU | 1 77 1 | 182 4 0 | -750 72 0 |
## 399 | VILLAS | 1 863 1 | 1582 751 3 | -609 111 0 |
## 400 | VIPA | 4 853 3 | 1432 729 8 | -588 123 1 |
## 401 | ZONAC | 0 0 2 | 172 0 0 | 43 0 0 |
## 402 | ZONANORTE | 4 864 3 | 1507 801 9 | -422 63 1 |
## 403 | ZONANORTEL | 0 863 0 | 1582 751 0 | -609 111 0 |
## 404 | ZONAOE | 3 985 5 | 380 24 0 | 2383 960 19 |
## 405 | ZONAOR | 2 93 12 | 883 39 2 | -1037 54 3 |
## 406 | ZONAR | 0 863 0 | 1582 751 0 | -609 111 0 |
## 407 | ZONAS | 9 960 2 | -809 856 6 | -282 104 1 |
##
## Columns:
## name mass qlt inr k=1 cor ctr k=2 cor ctr
## 1 | ZONAC | 15 1 207 | 169 1 0 | 41 0 0 |
## 2 | ZONAN | 231 871 207 | 1551 762 578 | -587 109 86 |
## 3 | ZONAOE | 145 986 225 | 373 25 21 | 2298 961 822 |
## 4 | ZONAOR | 42 85 244 | 826 34 30 | -1024 52 48 |
## 5 | ZONAS | 567 965 117 | -793 863 371 | -272 101 45 |plot(resultado_ac_zona_barrio, main = "Análisis de Correspondencia: Zona vs Barrio")
3. Análisis de Correspondencia:
Análisis de Correspondencia: El análisis de correspondencia identificó la relación entre variables categóricas como el tipo de vivienda, zona y barrio. Los resultados mostraron patrones significativos, donde ciertas zonas y barrios están estrechamente asociados con tipos específicos de propiedades. Este conocimiento es esencial para entender las preferencias de los compradores y ajustar la oferta de acuerdo con la demanda local.
Conclusiones.
Barrios: La alta concentración de propiedades en VALLE DEL LILI sugiere que este barrio es una zona clave en el mercado inmobiliario, posiblemente debido a factores como infraestructura, accesibilidad, o crecimiento urbano. CIUDAD JARDÍN y PANCE también son áreas con una oferta significativa, lo que podría estar relacionado con su atractivo para ciertos segmentos del mercado, como familias o profesionales.
Zonas: Esta distribución sugiere que la ZONA SUR es el área con mayor concentración de propiedades, lo que podría ser relevante para decisiones estratégicas de marketing e inversión, enfocando esfuerzos en esta zona debido a su alta oferta. Por otro lado, la ZONA CENTRO muestra una escasa presencia, lo que podría indicar oportunidades de expansión en áreas menos saturadas, dependiendo del contexto urbano y de la demanda en esa zona específica.
Conclusiones y Recomendaciones
Optimización de Inversiones: Las zonas Oriente, Norte y Sur presentan las mayores concentraciones de propiedades. Se recomienda enfocar las inversiones en estas áreas, mientras se exploran oportunidades emergentes en zonas con menos oferta.
Segmentación de Mercado: Los cuatro clústeres identificados permiten una segmentación más precisa del mercado, facilitando estrategias de marketing personalizadas para cada segmento.
Diversificación de la Cartera: La predominancia de casas en el mercado sugiere la necesidad de diversificación, incorporando más apartamentos y propiedades en áreas de alto crecimiento.
Estrategia de Precio: Los insights obtenidos del análisis de PCA y clustering deben guiar la fijación de precios, alineándolos con las características de la propiedad y su ubicación.
Monitoreo Continuo: Es fundamental mantener un monitoreo constante del mercado, ajustando las estrategias según las fluctuaciones en la oferta y demanda.