Actividad 1
Guillén León
2025-02-04
Evaluación de la oferta inmobiliaria urbana
Problema
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.
Carga de librerias
library(paqueteMODELOS)## Cargando paquete requerido: boot## Cargando paquete requerido: broom## Cargando paquete requerido: GGally## Cargando paquete requerido: ggplot2## Registered S3 method overwritten by 'GGally':
## method from
## +.gg ggplot2## Cargando paquete requerido: gridExtra## Cargando paquete requerido: knitr## Cargando paquete requerido: summarytoolslibrary(tidyverse)## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.5
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ lubridate 1.9.4 ✔ tibble 3.2.1
## ✔ purrr 1.0.2 ✔ tidyr 1.3.1## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::combine() masks gridExtra::combine()
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ✖ tibble::view() masks summarytools::view()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorslibrary(ggplot2)
library(cluster)
library(knitr)
library(naniar)
library(dplyr)
library(psych)##
## Adjuntando el paquete: 'psych'
##
## The following objects are masked from 'package:ggplot2':
##
## %+%, alpha
##
## The following object is masked from 'package:boot':
##
## logitlibrary(tidyr)
data(vivienda)
head(vivienda,5)## # A tibble: 5 × 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
## # 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")=
## .. cols(
## .. id = col_double(),
## .. zona = col_character(),
## .. piso = col_character(),
## .. estrato = col_double(),
## .. preciom = col_double(),
## .. areaconst = col_double(),
## .. parqueaderos = col_double(),
## .. banios = col_double(),
## .. habitaciones = col_double(),
## .. tipo = col_character(),
## .. barrio = col_character(),
## .. longitud = col_double(),
## .. latitud = col_double()
## .. )
## - attr(*, "problems")=<externalptr>if (!require(tidyverse)) {
install.packages("tidyverse")
}
if (!require(ggplot2)) {
install.packages("ggplot2")
}
# Instalar y cargar el paquete 'psych' para cálculos estadísticos
if (!requireNamespace("psych", quietly = TRUE)) {
install.packages("psych")
}
# Instalar y cargar el paquete 'cluster' si no está instalado
if (!requireNamespace("cluster", quietly = TRUE)) {
install.packages("cluster")
}Analisis exploratorio de datos
La base de datos contiene información de 8322 viviendas (filas) con diferentes caracteristicas asignadas en 12 variables (columnas): zona, piso, estrato, preciom, areaconst, parqueaderos, banios, habitaciones, tipo, barrio, longitud y latitud. Las variables son 9 de tipo numérico y 3 de tipo texto. Existen datos faltantes (NA).
valores_faltantes <- colSums(is.na(vivienda))
data.frame(column = names(valores_faltantes), missing_count = valores_faltantes)## column missing_count
## id id 3
## zona zona 3
## piso piso 2638
## estrato estrato 3
## preciom preciom 2
## areaconst areaconst 3
## parqueaderos parqueaderos 1605
## banios banios 3
## habitaciones habitaciones 3
## tipo tipo 3
## barrio barrio 3
## longitud longitud 3
## latitud latitud 3summarytools::view(dfSummary(vivienda))## Switching method to 'browser'## Output file written: C:\Users\ACER\AppData\Local\Temp\Rtmpq4hOId\file83c308d2c0a.htmlTodas las variables tienen datos faltantes. Sin embargo las variables piso y parqueaderos tienen 2638 y 1605 respectivamente, es decir, un 31.7% y 19.3% de NA del total de datos.
Datos faltantes
kable(summary(vivienda))| id | zona | piso | estrato | preciom | areaconst | parqueaderos | banios | habitaciones | tipo | barrio | longitud | latitud | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Min. : 1 | Length:8322 | Length:8322 | Min. :3.000 | Min. : 58.0 | Min. : 30.0 | Min. : 1.000 | Min. : 0.000 | Min. : 0.000 | Length:8322 | Length:8322 | Min. :-76.59 | Min. :3.333 | |
| 1st Qu.:2080 | Class :character | Class :character | 1st Qu.:4.000 | 1st Qu.: 220.0 | 1st Qu.: 80.0 | 1st Qu.: 1.000 | 1st Qu.: 2.000 | 1st Qu.: 3.000 | Class :character | Class :character | 1st Qu.:-76.54 | 1st Qu.:3.381 | |
| Median :4160 | Mode :character | Mode :character | Median :5.000 | Median : 330.0 | Median : 123.0 | Median : 2.000 | Median : 3.000 | Median : 3.000 | Mode :character | Mode :character | Median :-76.53 | Median :3.416 | |
| Mean :4160 | NA | NA | Mean :4.634 | Mean : 433.9 | Mean : 174.9 | Mean : 1.835 | Mean : 3.111 | Mean : 3.605 | NA | NA | Mean :-76.53 | Mean :3.418 | |
| 3rd Qu.:6240 | NA | NA | 3rd Qu.:5.000 | 3rd Qu.: 540.0 | 3rd Qu.: 229.0 | 3rd Qu.: 2.000 | 3rd Qu.: 4.000 | 3rd Qu.: 4.000 | NA | NA | 3rd Qu.:-76.52 | 3rd Qu.:3.452 | |
| Max. :8319 | NA | NA | Max. :6.000 | Max. :1999.0 | Max. :1745.0 | Max. :10.000 | Max. :10.000 | Max. :10.000 | NA | NA | Max. :-76.46 | Max. :3.498 | |
| NA’s :3 | NA | NA | NA’s :3 | NA’s :2 | NA’s :3 | NA’s :1605 | NA’s :3 | NA’s :3 | NA | NA | NA’s :3 | NA’s :3 |
# Calcular el total de valores faltantes por columna
total_missing <- colSums(is.na(vivienda))
# Mostrar los resultados en una tabla
kable(data.frame(Columna = names(total_missing), valores_faltantes = total_missing))| Columna | valores_faltantes | |
|---|---|---|
| id | id | 3 |
| zona | zona | 3 |
| piso | piso | 2638 |
| estrato | estrato | 3 |
| preciom | preciom | 2 |
| areaconst | areaconst | 3 |
| parqueaderos | parqueaderos | 1605 |
| banios | banios | 3 |
| habitaciones | habitaciones | 3 |
| tipo | tipo | 3 |
| barrio | barrio | 3 |
| longitud | longitud | 3 |
| latitud | latitud | 3 |
# dataframe con los datos faltantes
missing_data <- data.frame(variables = names(total_missing), Valores_Faltantes = total_missing)
# Graficar los valores faltantes
ggplot(missing_data, aes(x = variables, y = Valores_Faltantes)) +
geom_bar(stat = "identity", fill = "pink", color = "black") +
geom_text(aes(label = Valores_Faltantes), vjust = -0.5, size = 3) + # Agregar etiquetas
labs(title = "Valores faltantes por variable", x = "variables", y = "Cantidad de valores faltantes") +
theme(axis.text.x = element_text(angle = 90, vjust = 0.5, hjust=1))
# Participación del total de filas por zona
total_rows <- nrow(vivienda)
zona_counts <- table(vivienda$zona)
participacion <- round(zona_counts / total_rows * 100, 2) # Calcular la participación en porcentaje y redondear a dos decimales
# Crear el gráfico de barras con etiquetas de frecuencia y participación
ggplot(vivienda, aes(x = zona)) +
geom_bar(fill = rainbow(length(unique(vivienda$zona))), color = "black") +
stat_count(geom = "text", aes(label = paste(after_stat(count), " (", participacion, "%)")), vjust = -0.5, size = 3, angle = 90) + # Etiquetas de frecuencia y participación
labs(title = "Distribución y participación de las viviendas por zona",
x = "Zonas de Cali",
y = "Frecuencia") +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) # Rotar etiquetas del eje X para mejor visualización
Como se observa en el histograma, las zonas más importantes para el
negocio inmobiliario son la zona sur con una participación de 56,8% y la
zona norte con una participación de 23,7% representando en conjunto el
80,5% del mercado.
# Gráfico de dispersión para 'preciom' vs 'areaconst'
ggplot(vivienda, aes(x = areaconst, y = preciom)) +
geom_point(color = "green") +
labs(title = "Relación entre área construida y precio",
x = "Área construida",
y = "Precio")## Warning: Removed 3 rows containing missing values or values outside the scale range
## (`geom_point()`).
Este grafico muestra que una gran cantidad de unidades se concentra en viviendas con precios promedio de 500 y una área construida promedio de 250 mts. Es decir, el mercado inmobiliario presenta una tendencia a viviendas más grandes con precios que se ajustan en base al área construida.
# Gráfico de cajas para 'estrato'
ggplot(vivienda, aes(x = as.factor(estrato), y = preciom, fill = as.factor(estrato))) +
geom_boxplot() +
scale_fill_manual(values = rainbow(length(unique(vivienda$estrato)))) + # Asignar colores diferentes
labs(title = "Precios según estrato",
x = "Estrato",
y = "Precio" ,
fill = "Estrato")## Warning: Removed 2 rows containing non-finite outside the scale range
## (`stat_boxplot()`).
En general las viviendas de estrato 6 tienen precios más altos en comparación con el resto de estratos. Las viviendas del estrato 5 tienen precios en un rango más bajo en comparación con el estrato 6, pero se mantienen por encima de los precios de los estratos 3 y 4.
Reajuste de la base de datos.
Una vez analizados los datos se puede deducir que la variable ID,longitud y latitud, no resultan relevantes para el analisis del mercado inmobiliario y por eso se eliminan, pues no aportan información de interes. Adicionalmente, se revisan los valores ausentes o faltantes para su respectivo tratamiento.
## zona piso estrato preciom
## Length:8322 Length:8322 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 :4.634 Mean : 433.9
## 3rd Qu.:5.000 3rd Qu.: 540.0
## Max. :6.000 Max. :1999.0
## NA's :3 NA's :2
## areaconst parqueaderos banios habitaciones
## Min. : 30.0 Min. : 1.000 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 : 2.000 Median : 3.000 Median : 3.000
## Mean : 174.9 Mean : 1.835 Mean : 3.111 Mean : 3.605
## 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
## NA's :3 NA's :1605 NA's :3 NA's :3
## tipo barrio
## Length:8322 Length:8322
## Class :character Class :character
## Mode :character Mode :character
##
##
##
## ## Switching method to 'browser'## Output file written: C:\Users\ACER\AppData\Local\Temp\Rtmpq4hOId\file83c1d437cfd.html## tibble [4,808 × 10] (S3: tbl_df/tbl/data.frame)
## $ zona : chr [1:4808] "Zona Sur" "Zona Norte" "Zona Norte" "Zona Norte" ...
## $ piso : chr [1:4808] "02" "01" "01" "01" ...
## $ estrato : num [1:4808] 4 5 5 4 5 5 5 4 5 6 ...
## $ preciom : num [1:4808] 400 260 240 220 310 320 780 625 750 520 ...
## $ areaconst : num [1:4808] 280 90 87 52 137 150 380 355 237 98 ...
## $ parqueaderos: num [1:4808] 3 1 1 2 2 2 2 3 2 2 ...
## $ banios : num [1:4808] 5 2 3 2 3 4 3 5 6 2 ...
## $ habitaciones: num [1:4808] 3 3 3 3 4 6 3 5 6 2 ...
## $ tipo : chr [1:4808] "Casa" "Apartamento" "Apartamento" "Apartamento" ...
## $ barrio : chr [1:4808] "3 de julio" "acopi" "acopi" "acopi" ...1. Análisis de Componentes Principales - PCA.
Inicialmente para analizar y obtener los principales componentes se calculan los valores de desviación estándar de las variables, pues estos indicanla cantidad de variabilidad en los datos explicada por cada componente principal. Además, para facilitar este paso se escogieron unicamente las variables numericas, en donde; la proporción de varianza y la proporción acumulativa de varianza indican la cantidad de variabilidad total en los datos explicada por cada componente principal y por las componentes principales originales.
## Importance of components:
## PC1 PC2 PC3 PC4 PC5 PC6
## Standard deviation 1.8866 1.0884 0.69530 0.58528 0.49647 0.42886
## Proportion of Variance 0.5932 0.1974 0.08057 0.05709 0.04108 0.03065
## Cumulative Proportion 0.5932 0.7906 0.87117 0.92827 0.96935 1.00000Como se puede observar la primera componente principal (PC1) explica el 59.32% de la varianza total en los datos. PC1 y PC2 explican el 79.06% de la varianza total en los datos. PC1, PC2 y PC3 explican el 87.11% de la varianza total en los datos. PC1, PC2, PC3 y PC4 explican aproximadamente el 92.83% de la varianza total de los datos PC1, PC2, PC3, PC4 y PC5 explican aproximadamente el 96.93% de la varianza total de los datos. Finalmente, las seis componentes principales explican el 100% de la varianza total en los datos. Sin embargo, la mayoría de la varianza se explica con las dos primeras componentes principales (PC1 y PC2), que capturan el 79.06% de la varianza total como se observa en el histograma. Esto sugiere que las dos primeras componentes principales son suficientes para simplificar el análisis, ya que representan la mayor parte de la variabilidad de los datos.
## `geom_line()`: Each group consists of only one observation.
## ℹ Do you need to adjust the group aesthetic?
Como se observa PC1 y PC2 son suficientes para explicar gran parte de la
variabilidad total de los datos, pues entre ellos explican el 79.06%.
Al aplicar la “regla del codo” se observa en el CP3 un cambio
significativo en la pendiente (“codo”), es decir, la menor capacidad
explicativa de la varianza de este y el resto de componentes. Por tanto,
se ratifica CP1 y CP2 como los componentes suficientes para explicar el
modelo.
2. Análisis de Conglomerados - Cluster.
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.
## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBa## preciom areaconst
## 1 0.4802026 0.5818992
## 2 2.4677661 2.1167169
## 3 -0.5434125 -0.5423895
Los resultados muestran tres grupos de clusters identificados por el algoritmo K-means en función de las variables preciom (precio por metro cuadrado) y areaconst (área construida). Teniendo en cuenta los segmentos homogéneos con características similares, se obtienen los siguientes grupos de clusters:
Cluster 1: Viviendas con precios moderadamente bajos caracterizados por un preciom y areaconst menor. Cluster 2: Viviendas con precios moderadamente altos caracterizados por un preciom y areaconst altos. Cluster 3: Viviendas con precios relativamente altos caracterizados por un preciom y areaconst más altos.
3. Análisis de Correspondencia Multiple - ACM.
Examinar la relación entre las variables categóricas (tipo de vivienda, zona y barrio), para identificar patrones de comportamiento de la oferta en mercado inmobiliario.
El análisis de correspondencia múltiple (ACM) ofrece información sobre las relaciones entre las variables categóricas: tipo de vivienda, zona y barrio, para evaluar sus asociaciones. Las dimensiones obtenidas muestran la estructura subyacente en los datos y cuánto de la varianza total de los datos explican.
Las dimensiones obtenidas capturan el grado de asociación entre las variables categóricas. En ese sentido, el análisis individual de las categorías muestra cómo cada una contribuye a las dimensiones principales y su relación con otras categorías. Por ejemplo, la categoría “casa” se asocia positivamente con la dimensión 1, mientras que la categoría “zona sur” tiene una relación fuerte y positiva con la dimensión 2. Por tanto, la dimensión 1, muestra una relación significativa entre el tipo de vivienda (apartamento o casa) y la zona geográfica (centro, norte, oeste, oriente, sur), con valores de varianza explicada del 0.711 que representan el 0.770% de la varianza total. Por su parte, la dimensión 2, muestra una asociación entre la zona geográfica y otras variables categóricas específicas, como “3 de julio”, “acopi”, y “agua blanca”, con valores de varianza explicada del 0.663 que representa el 0.718% de la varianza total. Finalmente, la dimensión 3, proporciona información adicional sobre la distribución espacial y las características particulares de ciertas zonas en relación con otras variables categóricas, con valores de varianza explicada del 0.658 que representa el 0.713% de la varianza total.
##
## Call:
## MCA(X = df_corr)
##
##
## Eigenvalues
## Dim.1 Dim.2 Dim.3 Dim.4 Dim.5 Dim.6 Dim.7
## Variance 0.711 0.663 0.658 0.645 0.446 0.333 0.333
## % of var. 0.770 0.718 0.713 0.699 0.483 0.361 0.361
## Cumulative % of var. 0.770 1.488 2.201 2.900 3.383 3.744 4.105
## Dim.8 Dim.9 Dim.10 Dim.11 Dim.12 Dim.13 Dim.14
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 4.466 4.827 5.188 5.549 5.910 6.271 6.633
## Dim.15 Dim.16 Dim.17 Dim.18 Dim.19 Dim.20 Dim.21
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 6.994 7.355 7.716 8.077 8.438 8.799 9.160
## Dim.22 Dim.23 Dim.24 Dim.25 Dim.26 Dim.27 Dim.28
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 9.521 9.882 10.243 10.604 10.965 11.326 11.687
## Dim.29 Dim.30 Dim.31 Dim.32 Dim.33 Dim.34 Dim.35
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 12.048 12.409 12.770 13.131 13.492 13.853 14.214
## Dim.36 Dim.37 Dim.38 Dim.39 Dim.40 Dim.41 Dim.42
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 14.575 14.936 15.297 15.658 16.019 16.380 16.741
## Dim.43 Dim.44 Dim.45 Dim.46 Dim.47 Dim.48 Dim.49
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 17.102 17.463 17.824 18.185 18.546 18.907 19.268
## Dim.50 Dim.51 Dim.52 Dim.53 Dim.54 Dim.55 Dim.56
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 19.629 19.990 20.351 20.712 21.073 21.434 21.795
## Dim.57 Dim.58 Dim.59 Dim.60 Dim.61 Dim.62 Dim.63
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 22.156 22.517 22.878 23.239 23.600 23.961 24.322
## Dim.64 Dim.65 Dim.66 Dim.67 Dim.68 Dim.69 Dim.70
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 24.683 25.044 25.405 25.766 26.127 26.488 26.849
## Dim.71 Dim.72 Dim.73 Dim.74 Dim.75 Dim.76 Dim.77
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 27.210 27.571 27.932 28.293 28.654 29.015 29.376
## Dim.78 Dim.79 Dim.80 Dim.81 Dim.82 Dim.83 Dim.84
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 29.737 30.098 30.459 30.820 31.181 31.542 31.903
## Dim.85 Dim.86 Dim.87 Dim.88 Dim.89 Dim.90 Dim.91
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 32.264 32.625 32.986 33.347 33.708 34.069 34.430
## Dim.92 Dim.93 Dim.94 Dim.95 Dim.96 Dim.97 Dim.98
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 34.791 35.152 35.513 35.874 36.235 36.596 36.957
## Dim.99 Dim.100 Dim.101 Dim.102 Dim.103 Dim.104 Dim.105
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 37.318 37.679 38.040 38.401 38.762 39.123 39.484
## Dim.106 Dim.107 Dim.108 Dim.109 Dim.110 Dim.111 Dim.112
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 39.846 40.207 40.568 40.929 41.290 41.651 42.012
## Dim.113 Dim.114 Dim.115 Dim.116 Dim.117 Dim.118 Dim.119
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 42.373 42.734 43.095 43.456 43.817 44.178 44.539
## Dim.120 Dim.121 Dim.122 Dim.123 Dim.124 Dim.125 Dim.126
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 44.900 45.261 45.622 45.983 46.344 46.705 47.066
## Dim.127 Dim.128 Dim.129 Dim.130 Dim.131 Dim.132 Dim.133
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 47.427 47.788 48.149 48.510 48.871 49.232 49.593
## Dim.134 Dim.135 Dim.136 Dim.137 Dim.138 Dim.139 Dim.140
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 49.954 50.315 50.676 51.037 51.398 51.759 52.120
## Dim.141 Dim.142 Dim.143 Dim.144 Dim.145 Dim.146 Dim.147
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 52.481 52.842 53.203 53.564 53.925 54.286 54.647
## Dim.148 Dim.149 Dim.150 Dim.151 Dim.152 Dim.153 Dim.154
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 55.008 55.369 55.730 56.091 56.452 56.813 57.174
## Dim.155 Dim.156 Dim.157 Dim.158 Dim.159 Dim.160 Dim.161
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 57.535 57.896 58.257 58.618 58.979 59.340 59.701
## Dim.162 Dim.163 Dim.164 Dim.165 Dim.166 Dim.167 Dim.168
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 60.062 60.423 60.784 61.145 61.506 61.867 62.228
## Dim.169 Dim.170 Dim.171 Dim.172 Dim.173 Dim.174 Dim.175
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 62.589 62.950 63.311 63.672 64.033 64.394 64.755
## Dim.176 Dim.177 Dim.178 Dim.179 Dim.180 Dim.181 Dim.182
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 65.116 65.477 65.838 66.199 66.560 66.921 67.282
## Dim.183 Dim.184 Dim.185 Dim.186 Dim.187 Dim.188 Dim.189
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 67.643 68.004 68.365 68.726 69.087 69.448 69.809
## Dim.190 Dim.191 Dim.192 Dim.193 Dim.194 Dim.195 Dim.196
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 70.170 70.531 70.892 71.253 71.614 71.975 72.336
## Dim.197 Dim.198 Dim.199 Dim.200 Dim.201 Dim.202 Dim.203
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 72.697 73.059 73.420 73.781 74.142 74.503 74.864
## Dim.204 Dim.205 Dim.206 Dim.207 Dim.208 Dim.209 Dim.210
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 75.225 75.586 75.947 76.308 76.669 77.030 77.391
## Dim.211 Dim.212 Dim.213 Dim.214 Dim.215 Dim.216 Dim.217
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 77.752 78.113 78.474 78.835 79.196 79.557 79.918
## Dim.218 Dim.219 Dim.220 Dim.221 Dim.222 Dim.223 Dim.224
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 80.279 80.640 81.001 81.362 81.723 82.084 82.445
## Dim.225 Dim.226 Dim.227 Dim.228 Dim.229 Dim.230 Dim.231
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 82.806 83.167 83.528 83.889 84.250 84.611 84.972
## Dim.232 Dim.233 Dim.234 Dim.235 Dim.236 Dim.237 Dim.238
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 85.333 85.694 86.055 86.416 86.777 87.138 87.499
## Dim.239 Dim.240 Dim.241 Dim.242 Dim.243 Dim.244 Dim.245
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 87.860 88.221 88.582 88.943 89.304 89.665 90.026
## Dim.246 Dim.247 Dim.248 Dim.249 Dim.250 Dim.251 Dim.252
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 90.387 90.748 91.109 91.470 91.831 92.192 92.553
## Dim.253 Dim.254 Dim.255 Dim.256 Dim.257 Dim.258 Dim.259
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 92.914 93.275 93.636 93.997 94.358 94.719 95.080
## Dim.260 Dim.261 Dim.262 Dim.263 Dim.264 Dim.265 Dim.266
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 95.441 95.802 96.163 96.524 96.885 97.246 97.607
## Dim.267 Dim.268 Dim.269 Dim.270 Dim.271 Dim.272 Dim.273
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.167
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.180
## Cumulative % of var. 97.968 98.329 98.690 99.051 99.412 99.773 99.954
## Dim.274 Dim.275 Dim.276 Dim.277
## Variance 0.023 0.008 0.008 0.003
## % of var. 0.025 0.009 0.009 0.003
## Cumulative % of var. 99.979 99.988 99.997 100.000
##
## Individuals (the 10 first)
## Dim.1 ctr cos2 Dim.2 ctr cos2 Dim.3 ctr
## 1 | 0.855 0.021 0.000 | -0.463 0.007 0.000 | -0.200 0.001
## 2 | -0.461 0.006 0.003 | 1.433 0.064 0.026 | -0.794 0.020
## 3 | -0.461 0.006 0.003 | 1.433 0.064 0.026 | -0.794 0.020
## 4 | -0.461 0.006 0.003 | 1.433 0.064 0.026 | -0.794 0.020
## 5 | -0.461 0.006 0.003 | 1.433 0.064 0.026 | -0.794 0.020
## 6 | -0.005 0.000 0.000 | 1.448 0.066 0.027 | -0.792 0.020
## 7 | -0.005 0.000 0.000 | 1.448 0.066 0.027 | -0.792 0.020
## 8 | -0.005 0.000 0.000 | 1.448 0.066 0.027 | -0.792 0.020
## 9 | -0.005 0.000 0.000 | 1.448 0.066 0.027 | -0.792 0.020
## 10 | -0.461 0.006 0.003 | 1.433 0.064 0.026 | -0.794 0.020
## cos2
## 1 0.000 |
## 2 0.008 |
## 3 0.008 |
## 4 0.008 |
## 5 0.008 |
## 6 0.008 |
## 7 0.008 |
## 8 0.008 |
## 9 0.008 |
## 10 0.008 |
##
## Categories (the 10 first)
## Dim.1 ctr cos2 v.test Dim.2 ctr cos2
## Apartamento | -0.390 4.729 0.298 -37.867 | -0.013 0.005 0.000
## Casa | 0.764 9.254 0.298 37.867 | 0.025 0.010 0.000
## Zona Centro | 3.157 3.499 0.075 19.013 | 1.318 0.654 0.013
## Zona Norte | -0.428 1.584 0.041 -14.112 | 1.805 30.162 0.736
## Zona Oeste | -1.661 20.262 0.512 -49.634 | -0.177 0.246 0.006
## Zona Oriente | 3.587 12.169 0.265 35.687 | 2.802 7.959 0.162
## Zona Sur | 0.385 4.387 0.254 34.936 | -0.588 10.971 0.592
## 3 de julio | 1.014 0.010 0.000 1.014 | -0.569 0.003 0.000
## acopi | -0.349 0.025 0.001 -1.601 | 1.708 0.640 0.013
## aguablanca | -0.005 0.000 0.000 -0.005 | -0.607 0.004 0.000
## v.test Dim.3 ctr cos2 v.test
## Apartamento -1.230 | -0.002 0.000 0.000 -0.172 |
## Casa 1.230 | 0.003 0.000 0.000 0.172 |
## Zona Centro 7.938 | 1.385 0.727 0.014 8.340 |
## Zona Norte 59.470 | -0.970 8.784 0.213 -31.973 |
## Zona Oeste -5.281 | 1.470 17.137 0.401 43.921 |
## Zona Oriente 27.874 | 4.582 21.443 0.432 45.581 |
## Zona Sur -53.359 | -0.244 1.908 0.102 -22.167 |
## 3 de julio -0.569 | -0.247 0.001 0.000 -0.247 |
## acopi 7.843 | -0.960 0.204 0.004 -4.408 |
## aguablanca -0.607 | -0.252 0.001 0.000 -0.252 |
##
## Categorical variables (eta2)
## Dim.1 Dim.2 Dim.3
## tipo | 0.298 0.000 0.000 |
## zona | 0.894 0.995 0.987 |
## barrio | 0.941 0.995 0.987 |Conclusiones
- Existe una fuerte asociación entre el tamaño de la vivienda, la
ubicación y el precio. En efecto, el ACP sugiere dos componentes (PC1,
PC2) que explican el 79.06% de la varianza total en los datos. En el
caso del primer componente PC1 existe una asociación entre estrato y
precio. Para PC2 la asociación es con la variable habitación.
- Existen segmentos de mercado distintos a través del análisis de conglomerados, lo que sugiere enfocar recursos financieros, estrategias y campañas de marketing según cada sector o clúster. En particular, se encuentran 3 cluster de viviendas con niveles de precios según el metro cuadrado y área construida.
- Las preferencias del mercado varían según la zona geográfica y el barrio, por tanto, la oferta de viviendas debe adaptarse a la condición económica, preferencias y demanda según la zona geográfica, pues es la variable más influyente del mercado local, ya que el precio de la vivienda en determinado barrio puede estar influenciado por la zona de ubicación.