Introduccion

El mercado inmobiliario en Cali ha enfrentado una desaceleración en lo que va del año, impactando las ventas de bienes raíces. Sin embargo, el sector espera una recuperación a medida que se estabilicen las condiciones económicas y sociales. En este contexto, María, una agente con amplia experiencia en el negocio, ha recibido una solicitud de asesoría para la compra de dos viviendas por parte de una empresa internacional. Para brindar una recomendación fundamentada, se emplearán técnicas de modelación que permitan evaluar las opciones disponibles y ofrecer un análisis detallado de las mejores alternativas de inversión.

Analisis Exploratorio de Datos

Paquetes Necesarios

#devtools::install_github("centromagis/paqueteMODELOS", force =TRUE)
#install.packages("leaflet")
#install.packages("nortest") 
#install.packages("fastDummies")
#install.packages("corrplot") 
#install.packages("car")
#install.packages("lmtest") 
library(lmtest)
library(car)
library(corrplot)
library(fastDummies)
library(nortest)
library(paqueteMODELOS)
library(dplyr)
library(leaflet)
library(caret)
library(kableExtra)
library(knitr)
data("vivienda")
head(vivienda,3)
## # A tibble: 3 × 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
## # ℹ 4 more variables: tipo <chr>, barrio <chr>, longitud <dbl>, latitud <dbl>

BASE 1

Para la creación de la base_1, se realizará un filtrado seleccionando únicamente las casas ubicadas en la zona norte de Cali. Para ello, se utilizará la información proporcionada por la Alcaldía de Santiago de Cali, disponible en el siguiente enlace: https://www.cali.gov.co/planeacion/publicaciones/169423/zonas_geograficas_idesc/ En esta fuente se detalla la distribución y delimitación de las diferentes zonas de la ciudad. Como resultado, se obtiene la siguiente información.

Inicio en la Carrera 1 entre la Calle 1 Oeste y la Calle 5:

Punto A: Intersección de la Carrera 1 con la Calle 1 Oeste. Coordenadas aproximadas: 3.4510° N, -76.5320° W Punto B: Intersección de la Carrera 1 con la Calle 5.

Metrocali Coordenadas aproximadas: 3.4540° N, -76.5320° W Desde la Calle 5, continuando hacia el sur hasta el Río Meléndez:

Punto C: Intersección de la Calle 5 con el Río Meléndez. Coordenadas aproximadas: 3.4200° N, -76.5400° W Siguiendo el cauce del Río Meléndez aguas arriba hasta el límite del suelo urbano:

Punto D: Punto donde el Río Meléndez se encuentra con el límite urbano. Coordenadas aproximadas: 3.4000° N, -76.5500° W Continuando por el límite del suelo urbano hacia el norte hasta la Calle 88:

Punto E: Intersección del límite urbano con la Calle 88. Coordenadas aproximadas: 3.5000° N, -76.5000° W Desde la Calle 88, siguiendo hacia el norte por el límite del suelo urbano hasta finalizar en el punto de inicio en la Carrera 1:

Punto F: Retorno al punto inicial en la Carrera 1. Coordenadas aproximadas: 3.4510° N, -76.5320° W

base <- vivienda[(vivienda$zona == "Zona Norte") & (vivienda$tipo == "Casa"), ]
base_1<- base %>%
  filter(latitud >= 3.4600 & latitud <= 3.5200,   # Rango de latitud
         longitud >= -76.5700 & longitud <= -76.4800)  # Rango de longitud
head(base_1,3)
## # A tibble: 3 × 13
##      id zona    piso  estrato preciom areaconst parqueaderos banios habitaciones
##   <dbl> <chr>   <chr>   <dbl>   <dbl>     <dbl>        <dbl>  <dbl>        <dbl>
## 1  1209 Zona N… 02          5     320       150            2      4            6
## 2  1592 Zona N… 02          5     780       380            2      3            3
## 3   504 Zona N… <NA>        3     180       120           NA      3            3
## # ℹ 4 more variables: tipo <chr>, barrio <chr>, longitud <dbl>, latitud <dbl>
dim(base_1)
## [1] 503  13

La base 1 cuenta con 503 registros y 13 variables, ademas se requiere ajustar el formato de la variable estrato.

Verificacion de la base de datos

##       
##        Zona Norte
##   Casa        503

Datos Faltantes

##           id         zona         piso      estrato      preciom    areaconst 
##            0            0          219            0            0            0 
## parqueaderos       banios habitaciones         tipo       barrio     longitud 
##          168            0            0            0            0            0 
##      latitud 
##            0

Observación: hay valores faltantes mayormente en la variable parqueaderos y piso.

Mapa

ofertas<- base_1 %>% select(longitud,latitud)
oferta<-na.omit(ofertas)
map <- leaflet(oferta) %>%
  addTiles() %>%
  addMarkers(
    lng = ~longitud,
    lat = ~latitud,
    popup = ~as.character(latitud) 
  )

map

Análisis Unidimensional

Inicialmente se hará una exploración sobre el precio analizando su comportamiento individual, para luego realizar una análisis en relación a las variables area construida, estrato, numero de baños, numero de habitaciones, numero de parqueaderos y sus respectivos precios en ubicación.

Boxplot

Se observa la presencia de valores atipicos en el precio.

Histograma

El histograma muestra un sesgo en la distribucion de los precios.

Descriptivas

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   110.0   235.0   360.0   404.9   520.0  1650.0
## [1] "La desviacion estandar es:  231.388"

se tiene un coeficiente de variación de \(\frac{231.3881}{404.9}*100=57.1\%\) lo cual indica una gran variabilidad frente a la media.

prueba de normalidad

Gráficamente

Observación Gráficamente los precios no siguen una distribución normal.

Analisis Bidimensional del Precio

Precio- área construida

teniendo en cuenta el estrato

Correlación

## [1] "La correlacion entre el precio  y el area construida es de 0.73"

Entre las dos variables se presenta una correlación lineal fuerte.

Observación: Debido a que las variables numero de baños, habitaciones y parqueaderos representan valores discretos, para analizar la correlación usaremos el metodo de Spearman, al igual que el estrato ya que es una variable de tipo ordinal.

## [1] "La correlacion entre el precio  y el numero de parqueaderos es de 0.511"
## [1] "La correlacion entre el precio y el numero de banios es de 0.641"
## [1] "La correlacion entre el precio y el numero de habitaciones es de 0.451"
## [1] "La correlacion entre el precio y el estrato es de 0.712"

Conclusion Correlaciones

El precio se relaciona mayormente con el área construida, el numero de baños con los que cuenta la vivienda y el estrato.

Ahora realizaremos un análisis de los precios en teniendo en cuenta la ubicación.

Se observa poca presencia de precios elevados en las casas ubicadas en la zona norte de cali, sin embargo una mayor presencia de precios que oscilan hasta los 800 millones de pesos.ademas las viviendas ubicadas al oeste de la longitud -76.51 tienen precios menores a comparación de las viviendas ubicadas al este de esta longitud.

Procesamiento de Datos para el Modelado

Tranformacion y Creacion de variables

Transformación de la variable Estrato

## [1] "3" "4" "5" "6"

Imputación de la variable Parqueaderos para ello analizaremos la distribución de sus datos

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
##     1.0     1.0     2.0     2.2     3.0    10.0     168

el 75% de las casas tienen hasta 3 parqueaderos.

La distribución del número de parqueaderos no sigue una forma normal, por ende vamos a imputar usando la mediana.

verificación

##           id         zona         piso      estrato      preciom    areaconst 
##            0            0          219            0            0            0 
## parqueaderos       banios habitaciones         tipo       barrio     longitud 
##            0            0            0            0            0            0 
##      latitud 
##            0

La variable piso presenta 219 valores faltantes sobre un total de 503 registros, lo que equivale al 43.5%. Dado que este porcentaje es considerablemente alto, la imputación podría introducir sesgos significativos, ya que casi la mitad de los datos de esta variable son desconocidos. Para evitar posibles errores sistemáticos, se ha decidido eliminar la variable del análisis.

verificación

##           id         zona      estrato      preciom    areaconst parqueaderos 
##            0            0            0            0            0            0 
##       banios habitaciones         tipo       barrio     longitud      latitud 
##            0            0            0            0            0            0
## # A tibble: 6 × 16
##      id zona    estrato preciom areaconst parqueaderos banios habitaciones tipo 
##   <dbl> <chr>   <ord>     <dbl>     <dbl>        <dbl>  <dbl>        <dbl> <chr>
## 1  1209 Zona N… 5           320       150            2      4            6 Casa 
## 2  1592 Zona N… 5           780       380            2      3            3 Casa 
## 3   504 Zona N… 3           180       120            2      3            3 Casa 
## 4   604 Zona N… 5           520       455            2      5            4 Casa 
## 5  1003 Zona N… 3           380       300            2      5            8 Casa 
## 6  1840 Zona N… 5           395       165            2      4            4 Casa 
## # ℹ 7 more variables: barrio <chr>, longitud <dbl>, latitud <dbl>,
## #   estrato_3 <int>, estrato_4 <int>, estrato_5 <int>, estrato_6 <int>

Seleccion de las Variables para el Entrenamiento del Modelo

Para la predicción del precio en el modelo se usarán las variables predictoras areaconst, parqueaderos, banios, habitaciones, estrato_3,estrato_4, estrato_5, estrato_6.

## # A tibble: 3 × 9
##   preciom areaconst parqueaderos banios habitaciones estrato_3 estrato_4
##     <dbl>     <dbl>        <dbl>  <dbl>        <dbl>     <int>     <int>
## 1     320       150            2      4            6         0         0
## 2     780       380            2      3            3         0         0
## 3     180       120            2      3            3         1         0
## # ℹ 2 more variables: estrato_5 <int>, estrato_6 <int>

Modelado

Para la modelación, se considerará la siguiente premisa derivada del análisis exploratorio de datos: el precio presenta valores atípicos cuyo contexto es desconocido. Estos pueden haberse originado por errores de digitación o, por el contrario, ser producto de la variabilidad natural de los datos. Se evaluará el efecto de estos valores en el modelo y en las predicciones, comparando dos enfoques: uno que incluye los valores atípicos y otro en el que se eliminan. Para determinar cuál ofrece un mejor rendimiento, analizaremos los residuales, el criterio de Akaike y el coeficiente de determinación ajustado (\(R^2\) ajustado), ademas de la validacion de los supuestos del modelo de regresion multiple.

Para la eliminación de los valores atípicos, se descartarán aquellos que superen 1.5 veces el rango intercuartílico (RIC), dado que la distribución de los datos no es normal.

## [1] 503   9
## [1] 489   9

del proceso de eliminar los Outliers se obtuvo una disminucion de 14 registros.

verificacion

Correlacion entre las variables predictoras para evitar multicolinealidad

Se observa que no se tienen correlaciones especialmente altas entre las variables.

Modelo con outliers

## 
## Call:
## lm(formula = preciom ~ areaconst + parqueaderos + banios + habitaciones + 
##     estrato_3 + estrato_4 + estrato_5 + estrato_6, data = train)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -799.18  -58.40  -15.34   39.50  950.94 
## 
## Coefficients: (1 not defined because of singularities)
##                Estimate Std. Error t value Pr(>|t|)    
## (Intercept)   340.15246   40.78149   8.341 7.37e-16 ***
## areaconst       0.69346    0.05014  13.829  < 2e-16 ***
## parqueaderos   22.20053    5.50049   4.036 6.30e-05 ***
## banios         16.59138    6.33297   2.620  0.00907 ** 
## habitaciones    7.38402    4.84836   1.523  0.12840    
## estrato_3    -331.96220   36.32912  -9.138  < 2e-16 ***
## estrato_4    -242.48422   35.00367  -6.927 1.34e-11 ***
## estrato_5    -192.19167   33.46288  -5.743 1.62e-08 ***
## estrato_6            NA         NA      NA       NA    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 134.5 on 495 degrees of freedom
## Multiple R-squared:  0.6666, Adjusted R-squared:  0.6619 
## F-statistic: 141.4 on 7 and 495 DF,  p-value: < 2.2e-16

Se observa que los coeficientes de las variables areaconst, parqueaderos, baños, habitaciones, estrato_3, estrato_4 y estrato_5 son estadísticamente significativos para la predicción del precio. Sin embargo, el coeficiente de la variable estrato_6 no pudo ser estimado, posiblemente debido a colinealidad con otras categorías del estrato.

En el caso de parqueaderos, su coeficiente no es significativo, lo que indica que, desde un punto de vista estadístico, no contribuye de manera relevante a la estimación del precio.

Además, se observa que el precio tiende a aumentar cuando se incrementa en una unidad el área construida, el número de habitaciones, baños y parqueaderos. de forma similar se observa que a medida que aumenta el estrato el precio tiende a ser mayor lo cual tiene sentido desde el punto de vista del contexto del problema.

La prueba del estadistico F de la tabla anova muestra que al menos una de las variables es significativa y el modelo tiene poder explicativo.

El valor de \(R^{2}\) y \(R^{2}\) ajustado no presentan una diferencia significativa, indicando que el modelo explica aproximadamente el 66% de la variabilidad en la variable dependiente. Sin embargo, aún queda un 34% de la variabilidad sin explicar, lo que sugiere que hay margen para mejorar el modelo mediante la incorporación de nuevas variables o técnicas de ajuste.

Ajustes para el modelo

Observemos si hay variables redundantes en el modelo

## Model :
## preciom ~ areaconst + parqueaderos + banios + habitaciones + 
##     estrato_3 + estrato_4 + estrato_5 + estrato_6
## 
## Complete :
##           (Intercept) areaconst parqueaderos banios habitaciones estrato_3
## estrato_6  1           0         0            0      0           -1       
##           estrato_4 estrato_5
## estrato_6 -1        -1

Se observa que la variable estrato_6 resulta redundante en el modelo por lo cual puede considerar eliminarse.

A continuación vamos a medir la colinealidad del modelo mediante el VIF (Variance Inflation Factor), con el fin de observar si hay correlaciones fuertes que causen problemas en las estimaciones de los coeficientes, después de eliminar la variable estrato_6

##    areaconst parqueaderos       banios habitaciones    estrato_3    estrato_4 
##     1.720140     1.160008     2.185901     1.860635     8.228631     5.854908 
##    estrato_5 
##     7.489068

de este modo se observa que los valores VIF se encuentran por debajo de 10 lo cual indica que hay una colinealidad moderada y baja entre las variables predicadoras.

Para mejorar el modelo, se recomienda eliminar los valores atípicos de la variable precio y entrenarlo utilizando validación cruzada.

Validacion de Supuestos

Para realizar la validación de los supuestos del modelo de Regresión Lineal Múltiple, se estandarizaran los residuales.

Normalidad en los residuales

gráfico Q-Q plot

Observación

Gráficamente los residuales no siguen una distribución normal, sin embargo corroboraremos mediante una prueba de Shapiro_Wilk.

## 
##  Shapiro-Wilk normality test
## 
## data:  residuos_escalados
## W = 0.81967, p-value < 2.2e-16

En efecto no se cumple el supuesto de normalidad en los residuales.

Varianza constante

Se verificara que la varianza sea constante mediante un gráfico que representa los residuales vs valores ajustados de la respuesta.

Gráficamente, se observa que la varianza de los residuales no es constante, presentando un patrón en forma de embudo. Esto indica que los residuales tienden a aumentar a medida que los valores ajustados crecen. Además, se identifican valores atípicos que exceden el rango de (-3,3), lo que podría afectar la estabilidad del modelo.

Prueba de Goldfeld-Quandt

## 
##  Goldfeld-Quandt test
## 
## data:  modelo_nuevo
## GQ = 1.453, df1 = 250, df2 = 249, p-value = 0.001647
## alternative hypothesis: variance increases from segment 1 to 2

de acuerdo a la prueba se rechaza que los residuales tengan varianza constante.

Independencia de los errores

prueba de Durbin-Watson

##  lag Autocorrelation D-W Statistic p-value
##    1      0.07923614      1.840386   0.074
##  Alternative hypothesis: rho != 0

A un nivel de confianza del 95%, no hay suficiente evidencia para rechazar la independencia de los residuos.

En resumen, el modelo no cumple con los supuestos sobre los residuos, lo que afecta la validez de las inferencias sobre los coeficientes y la precisión de las pruebas de significancia, por ende no se podría tener en cuenta para las estimaciones que se deseen realizar.

Se propone entrenar dos modelos, ambos excluyendo los valores atípicos, aplicando validación cruzada y eliminando la variable estrato_6. La diferencia entre ellos radica en que, mientras el primer modelo se ajustará con las variables en su forma original, el segundo aplicará una transformación logarítmica a las variables precio y área construida.

Modelos propuestos.

Modelo 1

primera propuesta de modelo excluyendo valores atípicos variables estrato_6 y entrenado mediante validación cruzada

## 
## Call:
## lm(formula = .outcome ~ ., data = dat)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -555.56  -52.55  -16.41   45.73  388.74 
## 
## Coefficients:
##                Estimate Std. Error t value Pr(>|t|)    
## (Intercept)   326.96680   31.62415  10.339  < 2e-16 ***
## areaconst       0.50723    0.03945  12.858  < 2e-16 ***
## parqueaderos   14.63839    4.29023   3.412 0.000699 ***
## banios         22.82668    4.83852   4.718 3.13e-06 ***
## habitaciones    4.32899    3.70343   1.169 0.243017    
## estrato_3    -281.04693   28.56977  -9.837  < 2e-16 ***
## estrato_4    -184.27840   27.80036  -6.629 9.11e-11 ***
## estrato_5    -137.36689   26.83379  -5.119 4.45e-07 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 99.67 on 481 degrees of freedom
## Multiple R-squared:  0.7033, Adjusted R-squared:  0.699 
## F-statistic: 162.9 on 7 and 481 DF,  p-value: < 2.2e-16

Validación de supuestos

Estandarizacion de residuales

Prueba de normalidad

prueba de Normalidad Shapiro-wilk

## 
##  Shapiro-Wilk normality test
## 
## data:  residuos_escalados_cv
## W = 0.93901, p-value = 2.855e-13

Residuos escalados vs valores ajustados

Prueba de Goldfeld-Quandt

## 
##  Goldfeld-Quandt test
## 
## data:  modelo_nuevo_cv
## GQ = 1.4043, df1 = 243, df2 = 242, p-value = 0.004219
## alternative hypothesis: variance increases from segment 1 to 2

** independencia de los errores**

prueba de Durbin-Watson

##  lag Autocorrelation D-W Statistic p-value
##    1       0.1206439      1.756788   0.002
##  Alternative hypothesis: rho != 0

Se observa que este modelo no cumple con los supuestos requeridos, lo que impide su uso para realizar predicciones de manera confiable, ya que presenta mas deficiencias que el modelo anterior.

Modelo 2

Segunda propuesta de modelo: Se entrena un modelo excluyendo los valores atípicos y la variable estrato_6. Además, se aplica validación cruzada y se realiza una transformación logarítmica a las variables precio y área construida para mejorar la linealidad y estabilizar la varianza de los residuos.

## 
## Call:
## lm(formula = .outcome ~ ., data = dat)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -0.62411 -0.14857 -0.00502  0.14581  0.78010 
## 
## Coefficients:
##                  Estimate Std. Error t value Pr(>|t|)    
## (Intercept)       3.60307    0.14811  24.327  < 2e-16 ***
## `log(areaconst)`  0.43091    0.02576  16.726  < 2e-16 ***
## parqueaderos      0.02090    0.01014   2.060  0.03989 *  
## banios            0.05164    0.01147   4.502 8.46e-06 ***
## habitaciones      0.01591    0.00883   1.801  0.07229 .  
## estrato_3        -0.58576    0.06910  -8.477 2.85e-16 ***
## estrato_4        -0.31136    0.06583  -4.729 2.96e-06 ***
## estrato_5        -0.20462    0.06343  -3.226  0.00134 ** 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.2355 on 481 degrees of freedom
## Multiple R-squared:   0.79,  Adjusted R-squared:  0.7869 
## F-statistic: 258.4 on 7 and 481 DF,  p-value: < 2.2e-16

Validación de supuestos

Estandarizacion de residuales

Prueba de normalidad

prueba de Normalidad Shapiro-wilk

## 
##  Shapiro-Wilk normality test
## 
## data:  residuos_escalados_cv_log
## W = 0.99236, p-value = 0.01325

Los residuos escalados del modelo con validación cruzada y transformación logarítmica no siguen una distribución normal de manera estricta. Esto puede afectar la validez de algunas inferencias estadísticas, como la significancia de los coeficientes y la confiabilidad de los intervalos de confianza

Residuos escalados vs valores ajustados

Prueba de Goldfeld-Quandt

## 
##  Goldfeld-Quandt test
## 
## data:  modelo_nuevo_cv_log
## GQ = 1.0967, df1 = 243, df2 = 242, p-value = 0.2365
## alternative hypothesis: variance increases from segment 1 to 2

El modelo no presenta signos de heterocedasticidad significativa, por lo que la suposición de varianza constante se mantiene.

** independencia de los errores**

prueba de Durbin-Watson

##  lag Autocorrelation D-W Statistic p-value
##    1       0.1384465      1.720049       0
##  Alternative hypothesis: rho != 0

el valor de Autocorrelación en lag 1 0.1384 indica que existe una ligera correlación entre los residuos consecutivos. Estadístico de Durbin-Watson 1.7200 Indica la presencia (moderada) de autocorrelación positiva. El p-value 0.002 Se rechaza la hipótesis nula de que no hay autocorrelación

Conclusion del Proceso de Modelado

Ninguno de los tres modelos implementados cumplió con los supuestos sobre los residuales. En consecuencia, es importante considerar que esto puede afectar la precisión de las predicciones y la validez de las inferencias sobre los coeficientes, lo que podría generar estimaciones poco realistas y resultados menos confiables. No obstante, seleccionaremos el modelo con mejor rendimiento basado en el \(R^{2}\),\(R^{2}\) ajustado y el criterio de Akaik.

##            Modelo        AIC        R2 R2_Ajustado
## 3   modelo_cv_log  -16.61067 0.7899514   0.7868946
## 2       modelo_cv 5898.25272 0.7033448   0.6990276
## 1 modelo_outliers 6368.71322 0.6665984   0.6618837

El modelo obtenido al transformar las variables precio y área construida es el mejor según los criterios establecidos para la selección del modelo.

Prediccion

Se hara una prediccion del para una casa con area construida 200 metros, 1 parqueadero, 2 baños, 4 habitaciones, estrato 4 o 5 con un intervalo de confianza del 95%

## [1] "Predicción con intervalo de confianza para estrato 4:"
##   Estimación Límite_Inferior Límite_Superior
## 1   318.1864        300.5853        336.8181
## [1] "Predicción con intervalo de confianza para estrato 5:"
##   Estimación Límite_Inferior Límite_Superior
## 1   354.0289        336.1683        372.8385

Propuesta

Tomando como referencia los intervalos de confianza para las viviendas en estratos 4 y 5, así como los requisitos establecidos en la solicitud de la compañía, se ha elaborado una propuesta con 10 opciones de casas. Estas propiedades cumplen con las condiciones mínimas exigidas para la vivienda de sus empleados y se encuentran dentro del rango de precio definido por los créditos pre aprobados

Características de las Viviendas
Características Vivienda_1
Tipo Casa
Área construida (m²) 200
Parqueaderos 1
Baños 2
Habitaciones 4
Estrato 4 o 5
Zona Norte
Crédito preaprobado 350 millones
Propuesta de Viviendas en Estratos 4 y 5
id zona estrato preciom areaconst parqueaderos banios habitaciones tipo barrio longitud latitud estrato_3 estrato_4 estrato_5 estrato_6
4458 Zona Norte 4 315 270.0 2 4 4 Casa el bosque -76.53176 3.48780 0 1 0 0
952 Zona Norte 4 330 275.0 2 3 5 Casa la merced -76.50647 3.47516 0 1 0 0
1108 Zona Norte 4 330 260.0 1 3 4 Casa la merced -76.51060 3.48108 0 1 0 0
2544 Zona Norte 4 340 264.5 2 4 4 Casa vipasa -76.52096 3.47665 0 1 0 0
1822 Zona Norte 4 340 295.0 2 2 4 Casa vipasa -76.51777 3.48060 0 1 0 0
4800 Zona Norte 5 340 250.0 2 4 4 Casa el bosque -76.53300 3.46500 0 0 1 0
852 Zona Norte 5 340 208.0 2 6 4 Casa el bosque -76.50400 3.46300 0 0 1 0
3453 Zona Norte 5 340 240.0 2 5 6 Casa la campiña -76.52640 3.48211 0 0 1 0
3101 Zona Norte 5 340 355.0 2 5 8 Casa san vicente -76.52377 3.46384 0 0 1 0
1887 Zona Norte 5 340 203.0 2 3 4 Casa vipasa -76.51803 3.48257 0 0 1 0

Ubicacion