CASO C&A APARTAMENTO
DIEGO FORERO
2025-03-03
MODELOS ESTADISTICOS PARA LA TOMA DE DECISIONES
UNIDAD 2: REGRESIÓN LINEAL MULTIPLE
ACTIVIDAD 2: CASO C&A
VIVIENDA 2: COMPRA APARTAMENTO
1. CARACTERISTICAS DEL DATASET Y TRATAMIENTO DE LOS DATOS
## 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>## [1] "id" "zona" "piso" "estrato" "preciom"
## [6] "areaconst" "parqueaderos" "banios" "habitaciones" "tipo"
## [11] "barrio" "longitud" "latitud"## id zona piso estrato
## Min. : 1 Length:8322 Length:8322 Min. :3.000
## 1st Qu.:2080 Class :character Class :character 1st Qu.:4.000
## Median :4160 Mode :character Mode :character Median :5.000
## Mean :4160 Mean :4.634
## 3rd Qu.:6240 3rd Qu.:5.000
## Max. :8319 Max. :6.000
## NA's :3 NA's :3
## preciom areaconst parqueaderos banios
## Min. : 58.0 Min. : 30.0 Min. : 1.000 Min. : 0.000
## 1st Qu.: 220.0 1st Qu.: 80.0 1st Qu.: 1.000 1st Qu.: 2.000
## Median : 330.0 Median : 123.0 Median : 2.000 Median : 3.000
## Mean : 433.9 Mean : 174.9 Mean : 1.835 Mean : 3.111
## 3rd Qu.: 540.0 3rd Qu.: 229.0 3rd Qu.: 2.000 3rd Qu.: 4.000
## Max. :1999.0 Max. :1745.0 Max. :10.000 Max. :10.000
## NA's :2 NA's :3 NA's :1605 NA's :3
## habitaciones tipo barrio longitud
## Min. : 0.000 Length:8322 Length:8322 Min. :-76.59
## 1st Qu.: 3.000 Class :character Class :character 1st Qu.:-76.54
## Median : 3.000 Mode :character Mode :character Median :-76.53
## Mean : 3.605 Mean :-76.53
## 3rd Qu.: 4.000 3rd Qu.:-76.52
## Max. :10.000 Max. :-76.46
## NA's :3 NA's :3
## latitud
## Min. :3.333
## 1st Qu.:3.381
## Median :3.416
## Mean :3.418
## 3rd Qu.:3.452
## Max. :3.498
## NA's :3Al respecto del dataset se púede observar en esta parte del codigo que el mismo contiene 8,322 observaciones y 13 variables, abarcando características como ubicación (zona, barrio, coordenadas), atributos físicos de la vivienda (área construida, número de baños y habitaciones, estrato, tipo de inmueble) y precio por metro cuadrado.
Distribución de variables numéricas:
- El estrato varía entre 3 y 6, con una mediana de 5.
- El precio por metro cuadrado tiene un amplio rango, desde 58 hasta 1,999, con una media de 433.9 y una mediana de 330.
- La área construida también presenta gran variabilidad, con un mínimo de 30 m² y un máximo de 1,745 m².
- El número de parqueaderos, baños y habitaciones tiene distribuciones heterogéneas, con valores atípicos (hasta 10 parqueaderos, baños y habitaciones en algunos casos).
1.1 Determinación de valores no numéricos en variables de interés
## [1] "Número de filas con datos no numéricos en cada columna:"## $preciom
## [1] 2
##
## $estrato
## [1] 3
##
## $areaconst
## [1] 3
##
## $parqueaderos
## [1] 1605
##
## $banios
## [1] 3
##
## $habitaciones
## [1] 31.2 Imputación preciom por la mediana
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 58.0 220.0 330.0 433.9 540.0 1999.0En esta parte del codigo y una vez realizada la imputación de datos (preciom), es posible observar:
- La vivienda más barata cuesta 58 millones.
- El 25% de las viviendas cuestan menos de 220 millones.
- El precio central: la mitad de las viviendas cuestan menos de 330 millones, la otra mitad más.
- El promedio es 433.9 millones, más alto que la mediana (esto sugiere que hay valores extremos que elevan la media).
- El 75% de las viviendas cuestan menos de 540 millones.
- La vivienda más cara cuesta 1,999 millones.
1.3 Imputación estrato por la mediana
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 3.000 4.000 5.000 4.634 5.000 6.0001.4 Imputación areaconst por la mediana
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 30.0 80.0 123.0 174.9 229.0 1745.01.5 Imputación numero de baños (banios) por la mediana
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.000 2.000 3.000 3.111 4.000 10.0001.6 Imputación habitaciones por la mediana
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.000 3.000 3.000 3.605 4.000 10.0001.7 Reemplazar NA en parqueaderos por el valor cero (Asumiendo que NA en parqueaderos significa que la vivienda no tiene parqueadero)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.000 1.000 1.000 1.481 2.000 10.0002. CASO C&A (COMPRA DE VIVIENDA 2)
2.1 CARACTERISTICAS DE LA VIVIENDA
- Tipo vivienda (tipo): Apartamento
- Zona (zona): Zona Sur
- Área construida (areaconst): 300 m²
- Estrato (estrato): 5 o 6
- Número de habitaciones (habitaciones): 5
- Número de parqueaderos (parqueaderos): 3
- Número de baños (banios): 3
- Precio esperado (preciom): 850 millones
2.2 Realice un filtro a la base de datos e incluya solo las ofertas de : base1: casas, de la zona norte de la ciudad. Presente los primeros 3 registros de las bases y algunas tablas que comprueben la consulta. (Adicional un mapa con los puntos de las bases. Discutir si todos los puntos se ubican en la zona correspondiente o se presentan valores en otras zonas, por que?).
2.2.1 TABLA. NÚMERO DE APARTAMENTOS EN LA ZONA NORTE FILTRADOS POR COLUMNA ZONA
## [1] "Número de apartamentos en la Zona Sur: 2787"En este punto del codigo se esta aplicando un filtro a los apartamentos ubicados en la zona zur que es donde el cliente quiere el apartamento, de esta manera de 8322 registros una vez aplicado el filtro podemos saber que hay 2787 apartamentos en la Zona Sur
## # 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>2.2.2 TABLA. RESUMEN DE LAS VARIABLES CLAVE
## id zona piso estrato
## Min. : 3 Length:2787 Length:2787 Min. :3.00
## 1st Qu.:2292 Class :character Class :character 1st Qu.:4.00
## Median :4004 Mode :character Mode :character Median :5.00
## Mean :4131 Mean :4.63
## 3rd Qu.:5876 3rd Qu.:5.00
## Max. :8302 Max. :6.00
## preciom areaconst parqueaderos banios
## Min. : 75.0 Min. : 40.00 Min. : 0.000 Min. :0.000
## 1st Qu.: 175.0 1st Qu.: 65.00 1st Qu.: 1.000 1st Qu.:2.000
## Median : 245.0 Median : 85.00 Median : 1.000 Median :2.000
## Mean : 297.3 Mean : 97.47 Mean : 1.208 Mean :2.488
## 3rd Qu.: 335.0 3rd Qu.:110.00 3rd Qu.: 2.000 3rd Qu.:3.000
## Max. :1750.0 Max. :932.00 Max. :10.000 Max. :8.000
## habitaciones tipo barrio longitud
## Min. :0.000 Length:2787 Length:2787 Min. :-76.57
## 1st Qu.:3.000 Class :character Class :character 1st Qu.:-76.54
## Median :3.000 Mode :character Mode :character Median :-76.53
## Mean :2.966 Mean :-76.53
## 3rd Qu.:3.000 3rd Qu.:-76.52
## Max. :6.000 Max. :-76.46
## latitud
## Min. :3.334
## 1st Qu.:3.370
## Median :3.383
## Mean :3.390
## 3rd Qu.:3.406
## Max. :3.4972.2.3 TABLA. NÚMERO DE APARTAMEWNTOS POR ESTRATO
##
## 3 4 5 6
## 201 1091 1033 462En esta parte del còdigo podemos observar en que estratos se distribuyen las 722 casas de la Zona Norte:
- 201 apartamentos pertenecen al estrato 3.
- 1,091 apartamentos pertenecen al estrato 4.
- 1,033 apartamentos pertenecen al estrato 5.
- 462 apartamentos pertenecen al estrato 6.
Este resultado indica que la mayoría de los apartamentos en la Zona Sur están en los estratos 4 y 5, con menos presencia en el estrato 3 y el estrato 6.
2.2.4 GRÁFICO. DISTRIBUCIÓN DEL PRECIO POR VIVIENDA
2.2.5 MAPA APARTAMENTOS ZONA SUR FILTRADOS POR COLUMNA ZONA
En el mapa es posible observar que muchas de LOS APARTAMENTOS que se filtraron por Zona Sur en realidad no se encuentran en la Zona Sur, esto se puede deber a que en el dataset original en la columna zona muchos apartamentos estas registrados como viviendas que se encuentran en Zona Sur en realizad no se encuentran en esta zona, razón por la cual se hará un nuevo filtro de las viviendas pero esta vez por coordenadas.
2.2.6 TABLA NÚMERO DE APARTAMENTOS EN LA ZONA SUR FILTRADOS POR COORDENADAS
## [1] "Número de apartamentos realmente en la Zona Sur según coordenadas: 391"2.2.7 MAPA. APARTAMENTOS ZONA SUR FILTRADOS POR COORDENADAS
2.3 Realice un análisis exploratorio de datos enfocado en la correlación entre la variable respuesta (precio de la casa) en función del área construida, estrato, numero de baños, numero de habitaciones y zona donde se ubica la vivienda. Use gráficos interactivos con el paquete plotly e interprete los resultados.
2.3.1 ANÁLISIS DE CORRELACIÓN PRECIO-VARIABLES
## preciom areaconst estrato banios habitaciones parqueaderos
## preciom 1.0000000 0.7579955 0.6727067 0.7196705 0.3317538 0.6747497
## areaconst 0.7579955 1.0000000 0.4815593 0.6618179 0.4339608 0.5586775
## estrato 0.6727067 0.4815593 1.0000000 0.5686171 0.2125953 0.5491353
## banios 0.7196705 0.6618179 0.5686171 1.0000000 0.5149227 0.5651455
## habitaciones 0.3317538 0.4339608 0.2125953 0.5149227 1.0000000 0.2863117
## parqueaderos 0.6747497 0.5586775 0.5491353 0.5651455 0.2863117 1.0000000- El precio por metro cuadrado está fuertemente influenciado por el área construida, el estrato, el número de baños y la cantidad de parqueaderos. -El número de habitaciones no parece ser un factor clave en la determinación del precio, a diferencia del área construida y otros atributos.
- El estrato socioeconómico también juega un papel importante en la cantidad de parqueaderos y baños que tiene una vivienda.
2.3.1 GRÁFICO MAPA DE CALOR PRECIO vs VARIABLES (Base 2)
Es posible observar con el mapa de calor como colores de azul mas claros como el que se da entre preciom y areaconst o el preciom con banios, indican una correlacion mas fuerte entre estos dos factores, si se observa por ejemplo el de preciom con habitaciones, da un color de azul mas intenso sugiriendo una correlacion menos marcada entre estos dos factores.
En este sentido, se puede ver como El precio de la vivienda está fuertemente influenciado por el estrato, el área construida, el número de baños y la cantidad de parqueaderos. El número de habitaciones no parece ser un factor clave en la determinación del precio. Las variables más relacionadas entre sí son área construida, baños y precio, lo que indica que las viviendas más grandes suelen ser más costosas y tener más baños.
2.3.2 GRÁFICO DE DISPERSIÓN INTERACTIVO PRECIO vs ÁREA CONSTRUIDA
Este gráfico de dispersión muestra la relación entre el precio de la vivienda (millones) y el área construida. El área construida tiene una fuerte influencia en el precio de la vivienda. Sin embargo, la relación no es completamente lineal, ya que hay dispersión en los valores. La mayoría de las viviendas están en el rango de 0-200 metros cuadrados con precios relativamente accesibles.
2.3.3 GRÁFICO DE DISPERSIÓN INTERACTIVO PRECIO vs ESTRATO
En el gráfico de dispersión por estrato es posible observar:
Estrato 3: El precio medio es bajo y está más concentrado en un rango pequeño. Existen pocos valores atípicos con precios altos. La dispersión del precio es menor que en los estratos superiores.
Estrato 4: Se observa un aumento en la mediana del precio respecto al estrato 3. La caja es más grande, lo que indica una mayor variabilidad en los precios dentro de este estrato. Aparecen más valores atípicos por encima del rango intercuartil.
Estrato 5: Se mantiene una tendencia creciente en la mediana de los precios. Hay más dispersión en los datos en comparación con el estrato 4. Se identifican varios valores atípicos por encima de 1000 millones.
Estrato 6: Es el estrato con los precios más altos y mayor dispersión. La caja es más grande, lo que indica alta variabilidad. Existen valores extremos que superan los 1200-1500 millones.
2.3.4 GRÁFICO DE DISPERSIÓN INTERACTIVO PRECIO vs BAÑOS
Este gráfico muestra cómo varía el precio de la vivienda (en millones) según el número de baños. El precio tiende a aumentar con el número de baños, lo que indica que las viviendas más caras suelen tener más baños. Existe una gran variabilidad en los precios, incluso dentro de cada categoría de número de baños.Los valores atípicos son frecuentes, especialmente en viviendas con 4 o más baños, lo que sugiere la presencia de propiedades con características únicas o de lujo. Las viviendas con más de 6 baños tienen los precios más altos, lo que puede indicar que son grandes propiedades o casas exclusivas.
2.3.5 GRÁFICO DE DISPERSIÓN INTERACTIVO PRECIO vs HABITACIONES
Este gráfico representa cómo varía el precio en millones dependiendo del número de habitaciones en la vivienda El precio tiende a aumentar con el número de habitaciones, aunque no de forma lineal.La variabilidad de precios aumenta en viviendas con más habitaciones, lo que indica que hay una mayor diversidad de precios en propiedades más grandes.Los valores atípicos son muy frecuentes, especialmente en viviendas con 3 o más habitaciones.
2.3.6 GRÁFICO DE DISPERSIÓN INTERACTIVO PRECIO vs ZONA
Este gráfico representa cómo varían los precios de las viviendas en la Zona Sur. La mayoría de las viviendas en la Zona Sur tienen precios entre 150 y 400 millones. Existen algunas propiedades significativamente más costosas, probablemente viviendas de lujo o con características especiales. La cantidad de valores atípicos sugiere una gran diversidad en el mercado inmobiliario de esta zona
2.4 Estime un modelo de regresión lineal múltiple con las variables del punto anterior (precio = f(área construida, estrato, número de cuartos, número de parqueaderos, número de baños ) ) e interprete los coeficientes si son estadísticamente significativos. Las interpretaciones deber están contextualizadas y discutir si los resultados son lógicos. Adicionalmente interprete el coeficiente R2 y discuta el ajuste del modelo e implicaciones (que podrían hacer para mejorarlo)
2.4.1 MÓDELO DE REGRESIÓN LINEAL MÚLTIPLE.
##
## Call:
## lm(formula = preciom ~ areaconst + estrato + habitaciones + parqueaderos +
## banios, data = base2)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1252.31 -42.15 -2.06 36.32 934.06
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -221.04614 13.47771 -16.401 < 2e-16 ***
## areaconst 1.46061 0.04876 29.956 < 2e-16 ***
## estrato 57.00608 2.79648 20.385 < 2e-16 ***
## habitaciones -22.71789 3.39549 -6.691 2.68e-11 ***
## parqueaderos 48.36353 3.02343 15.996 < 2e-16 ***
## banios 48.60871 3.04050 15.987 < 2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 95.17 on 2781 degrees of freedom
## Multiple R-squared: 0.7536, Adjusted R-squared: 0.7531
## F-statistic: 1701 on 5 and 2781 DF, p-value: < 2.2e-16El modelo de regresión lineal múltiple para apartamentos en la zona sur muestra que el área construida, el estrato, el número de baños y los parqueaderos tienen un impacto positivo en el precio de las viviendas, mientras que el número de habitaciones tiene un efecto negativo.
El coeficiente R² = 0.75 indica que el modelo explica el 75.36% de la variabilidad en los precios, lo que sugiere un buen ajuste. Sin embargo, el error estándar residual (RSE = 95.17 millones) indica que las predicciones pueden presentar una desviación promedio de ±95 millones, lo que sugiere la posible existencia de factores adicionales que afectan el precio.
Este análisis confirma que el área construida, el estrato y la cantidad de baños son factores más relevantes que el número de habitaciones al determinar el valor de una vivienda. La relación negativa entre el número de habitaciones y el precio podría indicar que las viviendas con más habitaciones tienden a tener una distribución menos eficiente o estar en zonas de menor valorización. Para mejorar la precisión del modelo, se recomienda explorar variables adicionales como la ubicación exacta y la antigüedad del inmueble.Asimismo, los valores atípicos pueden distorsionar la regresión y reducir el R². Para identificarlos y manejarlos se puede Graficar los residuos del modelo o eliminar o transformar valores extremos
2.5 Realice la validación de supuestos del modelo e interprete los resultados (no es necesario corregir en caso de presentar problemas, solo realizar sugerencias de que se podría hacer.
2.5.1 SUPUESTO DE LINEALIDAD
El gráfico indica que el modelo presenta heterocedasticidad, lo que significa que los errores no tienen varianza constante. Esto puede hacer que las estimaciones de los coeficientes sean menos confiables.El modelo predice mejor los valores bajos, pero tiene mayor dispersión en viviendas con precios altos. Hay outliers que podrían estar afectando la calidad del ajuste, por lo que se recomienda analizarlos para determinar su impacto.
2.5.2 SUPUESTO DE INDEPENDENCIA DE ERRORES
## lag Autocorrelation D-W Statistic p-value
## 1 0.2460343 1.504052 0
## Alternative hypothesis: rho != 0El resultado de la prueba Durbin-Watson (D-W = 1.504, p < 0.05) indica que los errores del modelo presentan autocorrelación positiva, lo que sugiere que los residuos no son completamente independientes.
2.5.3 SUPUESTO DE HOMOCEDASTICIDAD
##
## studentized Breusch-Pagan test
##
## data: modelo_base2
## BP = 956.83, df = 5, p-value < 2.2e-16La prueba de Breusch-Pagan evalúa si los residuos del modelo tienen varianza constante (homocedasticidad) o si presentan heterocedasticidad, es decir, si la varianza de los errores cambia dependiendo del valor de las variables predictoras.Los resultados (BP = 956.83, p < 2.2e-16) indican que el modelo presenta heterocedasticidad significativa, lo que significa que la varianza de los errores no es constante.
2.5.4 SUPUESTO DE NORMALIDAD DE ERRORESs
2.5.4.1 DISTRIBUCIÓN DE ERRORES
Este histograma muestra la distribución de los residuos del modelo de
regresión, lo que permite evaluar si cumplen con el supuesto de
normalidad y si presentan valores atípicos. El histograma indica que la
mayoría de los residuos están concentrados cerca de 0, pero con valores
extremos en los bordes, lo que sugiere que el modelo podría estar
sobreajustando algunos datos y no capturando completamente la
variabilidad de los errores.
2.5.4.2 GRÁFICO Q-Q plot
El Q-Q Plot se usa para evaluar si los residuos del modelo de regresión
siguen una distribución normal, que es un supuesto clave en la regresión
lineal para garantizar la validez de los intervalos de confianza y
pruebas de hipótesis.El gráfico muestra que los residuos del modelo son
aproximadamente normales en el centro, pero los valores extremos
muestran colas largas y outliers. E
2.5.5 SUPUESTO DE AUSENCIA DE MULTICOLINEALIDAD
## areaconst estrato habitaciones parqueaderos banios
## 2.020543 1.705639 1.418810 1.776016 2.482470- El modelo no presenta un problema significativo de multicolinealidad, ya que todas las variables tienen VIF < 5.
- Los coeficientes del modelo son estables, y no hay riesgo de que la multicolinealidad esté afectando las interpretaciones de los resultados.
- No se requieren ajustes en el modelo en este aspecto.
2.6 Con el modelo identificado debe predecir el precio de la vivienda con las características de la segunda solicitud.
- Tipo vivienda (tipo): Apartamento
- Zona (zona): Zona Sur
- Área construida (areaconst): 300 m²
- Estrato (estrato): 5 o 6
- Número de habitaciones (habitaciones): 5
- Número de parqueaderos (parqueaderos): 3
- Número de baños (banios): 3
- Precio esperado (preciom): 850 millones
2.6.1 PREDICCIÓN DEL PRECIO A TRAVÉS DEL MODELO DE REGRESIÓN MULTIPLE
## [1] "El precio estimado por el modelo es: 777.69 millones"## [1] "Precio esperado por el comprador: 850 millones"Usando un modelo de regresión lineal múltiple, se estimó el precio de una vivienda en Zona Sur con Área construida de 300 m², Estrato 5, Número de habitaciones 5, Número de parqueaderos 3 y Número de baños 3.
La predicción del modelo indica que el precio estimado de la vivienda es 777.69 millones, lo cual se compara con el precio esperado de 850 millones.
Para evaluar si la diferencia entre el valor esperado (850 millones) y el valor estimado por el modelo (777.69 millones) se comparó con el error estándar residual del modelo.Dado que la diferencia de 72.31 millones se encuentra dentro del margen de error del modelo, se concluye que esta diferencia no es estadísticamente significativa.
Por lo tanto, el precio estimado de 777.69 millones es razonable y coherente con el modelo, sin que haya evidencia suficiente para afirmar que difiere significativamente del valor esperado.En caso de que el comprador considere que el valor está por debajo de su expectativa, se podría realizar un ajuste en la oferta considerando factores adicionales como ubicación específica del barrio, acabados o antigüedad del inmueble.
2.7 Con las predicciones del modelo sugiera potenciales ofertas que responda a la solicitud de la vivienda 1. Tenga encuentra que la empresa tiene crédito pre-aprobado de máximo 350 millones de pesos. Realice un análisis y presente en un mapa al menos 5 ofertas potenciales que debe discutir.
2.7.1 TABLA NÚMERO DE OFERTAS DISPONIBLES
## [1] "Número total de ofertas disponibles: 2"2.7.2 TABLA OFERTAS DISPONIBLES
Es posible observar que con las caracvteristicas de la vivienda requerida por el comprador 1, el modelo solo logra encontrar dos viviendas que cumplan dichas especiuficaciones.
A continuación se presenta en el mapa de estas dos ofertas:
2.7.3 MAPA UBICACIÓN DE LAS OFERTAS DISPONIBLES
Como el cliente requiere al menos cinco ofertas, se van a flexibilizar las especificaciones de las caracteristicas de la vivienda para encontrar al menos cinco ofertas:
## [1] "Número total de ofertas disponibles en la Zona Sur: 5"