Caso C&A

EXPLORACION DE LOS DATOS

se inicia con la revisión del Dataset, asi como con el resumen estadistico

# Revisar la estructura del dataset
kable(head(data_base1), format = "markdown")

# Resumen estadístico
summary(data_base1)

##        id             zona               piso              estrato     
##  Min.   :  58.0   Length:722         Length:722         Min.   :3.000  
##  1st Qu.: 766.2   Class :character   Class :character   1st Qu.:3.000  
##  Median :2257.0   Mode  :character   Mode  :character   Median :4.000  
##  Mean   :2574.6                                         Mean   :4.202  
##  3rd Qu.:4225.0                                         3rd Qu.:5.000  
##  Max.   :8319.0                                         Max.   :6.000  
##                                                                        
##     preciom         areaconst       parqueaderos        banios      
##  Min.   :  89.0   Min.   :  30.0   Min.   : 1.000   Min.   : 0.000  
##  1st Qu.: 261.2   1st Qu.: 140.0   1st Qu.: 1.000   1st Qu.: 2.000  
##  Median : 390.0   Median : 240.0   Median : 2.000   Median : 3.000  
##  Mean   : 445.9   Mean   : 264.9   Mean   : 2.182   Mean   : 3.555  
##  3rd Qu.: 550.0   3rd Qu.: 336.8   3rd Qu.: 3.000   3rd Qu.: 4.000  
##  Max.   :1940.0   Max.   :1440.0   Max.   :10.000   Max.   :10.000  
##                                    NA's   :287                      
##   habitaciones        tipo              barrio             longitud     
##  Min.   : 0.000   Length:722         Length:722         Min.   :-76.59  
##  1st Qu.: 3.000   Class :character   Class :character   1st Qu.:-76.53  
##  Median : 4.000   Mode  :character   Mode  :character   Median :-76.52  
##  Mean   : 4.507                                         Mean   :-76.52  
##  3rd Qu.: 5.000                                         3rd Qu.:-76.50  
##  Max.   :10.000                                         Max.   :-76.47  
##                                                                         
##     latitud     
##  Min.   :3.333  
##  1st Qu.:3.452  
##  Median :3.468  
##  Mean   :3.460  
##  3rd Qu.:3.482  
##  Max.   :3.496  
## 

#Se realiza la verificación de valores nulos por cada una de las variables que conforman la data.

# Verificar valores nulos
sum(is.na(data_base1))

## [1] 659

# Verificar la cantidad de valores nulos por columna
colSums(is.na(data_base1))

##           id         zona         piso      estrato      preciom    areaconst 
##            0            0          372            0            0            0 
## parqueaderos       banios habitaciones         tipo       barrio     longitud 
##          287            0            0            0            0            0 
##      latitud 
##            0

grafico_faltantes <-md.pattern(data_base1, rotate.names = TRUE)

   # Ver la distribución de las variables categóricas
  table(data_base1$zona)

## 
## Zona Norte 
##        722

  table(data_base1$estrato)

## 
##   3   4   5   6 
## 235 161 271  55

  table(data_base1$tipo)

## 
## Casa 
##  722

  table(data_base1$barrio)

## 
##                     acopi           alameda del río                    alamos 
##                        70                         1                         3 
##         atanasio girardot              barranquilla        barrio tranquilo y 
##                         1                         3                         1 
##               base aérea                    berlin             brisas de los 
##                         2                         1                        22 
##        brisas del guabito                      Cali                 calibella 
##                         1                        13                         1 
##                    calima             calimio norte                  cambulos 
##                         6                         3                         1 
##                centenario                 chapinero                chipichape 
##                         3                         1                         5 
##         ciudad los álamos        colinas del bosque                 cristales 
##                        11                         1                         1 
##                 el bosque                  el cedro           el gran limonar 
##                        37                         1                         1 
##                el guabito                   el sena                el trébol 
##                         1                         1                         1 
##           evaristo garcía          flora industrial                  floralia 
##                         1                         4                         3 
##                    gaitan                   granada      jorge eliecer gaitán 
##                         1                        10                         1 
##                 juanamb√∫                   la base                la campiña 
##                        11                         1                         4 
##              la esmeralda                  la flora                  La Flora 
##                         1                        99                         1 
##               la floresta                 la merced                 la rivera 
##                         2                        24                         9 
##               la rivera i              la rivera ii                la riviera 
##                         1                         2                         1 
##              la villa del               las acacias             las américas 
##                         1                         1                         1 
##                las ceibas              las delicias               las granjas 
##                         2                         3                         1 
##                 los andes             los guaduales            los guayacanes 
##                        13                        10                         2 
##                manzanares                     menga   metropolitano del norte 
##                         1                         2                         1 
##          nueva tequendama         oasis de comfandi                 occidente 
##                         1                         1                         1 
##                    pacara     parque residencial el              paseo de los 
##                         2                         1                         2 
##         paso del comercio         poblado campestre                   popular 
##                         2                         1                         5 
##       portada de comfandi      portales de comfandi                  porvenir 
##                         1                         1                         2 
##          prados del norte        quintas de salomia             rozo la torre 
##                        31                         1                         1 
##                   salomia                  san luis                  san luís 
##                        20                         2                         1 
##               san vicente             santa bárbara              santa monica 
##                        31                         1                        16 
##              Santa Monica              santa mónica        santa monica norte 
##                         1                         1                         1 
##  santa monica residencial  santa mónica residencial                 santander 
##                         5                        15                         1 
##            tejares de san        torres de comfandi         unión de vivienda 
##                         1                         2                         1 
## urbanización barranquilla     urbanización la flora    urbanización la merced 
##                         2                        23                         4 
##     urbanización la nueva            valle del lili                 versalles 
##                         1                         1                        16 
##            villa colombia         villa de veracruz           villa del prado 
##                         1                         4                        40 
##           Villa Del Prado             villa del sol        villas de veracruz 
##                         1                        12                         7 
##        Villas De Veracruz                    vipasa                zona norte 
##                         1                        30                        19 
##              zona oriente 
##                         1

Resumen estadístico de las variables numéricas

# Resumen estadístico de las variables numéricas
 summary(data_base1[c("preciom", "areaconst", "parqueaderos", "banios", "habitaciones", "longitud", "latitud")])

##     preciom         areaconst       parqueaderos        banios      
##  Min.   :  89.0   Min.   :  30.0   Min.   : 1.000   Min.   : 0.000  
##  1st Qu.: 261.2   1st Qu.: 140.0   1st Qu.: 1.000   1st Qu.: 2.000  
##  Median : 390.0   Median : 240.0   Median : 2.000   Median : 3.000  
##  Mean   : 445.9   Mean   : 264.9   Mean   : 2.182   Mean   : 3.555  
##  3rd Qu.: 550.0   3rd Qu.: 336.8   3rd Qu.: 3.000   3rd Qu.: 4.000  
##  Max.   :1940.0   Max.   :1440.0   Max.   :10.000   Max.   :10.000  
##                                    NA's   :287                      
##   habitaciones       longitud         latitud     
##  Min.   : 0.000   Min.   :-76.59   Min.   :3.333  
##  1st Qu.: 3.000   1st Qu.:-76.53   1st Qu.:3.452  
##  Median : 4.000   Median :-76.52   Median :3.468  
##  Mean   : 4.507   Mean   :-76.52   Mean   :3.460  
##  3rd Qu.: 5.000   3rd Qu.:-76.50   3rd Qu.:3.482  
##  Max.   :10.000   Max.   :-76.47   Max.   :3.496  
## 

Se realiza la imputacion de los datos para las variables que tienen valores faltantes; para la variable piso , parqueaderos, imputacion mediante la mediana

# Imputar los valores faltantes de "piso" con la mediana

data_base1$piso[is.na(data_base1$piso)] <- median(data_base1$piso, na.rm = TRUE)

# Imputar los valores faltantes de "parqueaderos" con la mediana

data_base1$parqueaderos[is.na(data_base1$parqueaderos)] <- median(data_base1$parqueaderos, na.rm = TRUE)


glimpse(data_base1)

## Rows: 722
## Columns: 13
## $ id           <dbl> 1209, 1592, 4057, 4460, 6081, 7824, 7987, 3495, 141, 243,…
## $ zona         <chr> "Zona Norte", "Zona Norte", "Zona Norte", "Zona Norte", "…
## $ piso         <dbl> 2, 2, 2, 2, 2, 2, 2, 3, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, …
## $ estrato      <dbl> 5, 5, 6, 4, 5, 4, 5, 5, 3, 3, 3, 3, 5, 3, 4, 4, 5, 5, 4, …
## $ preciom      <dbl> 320, 780, 750, 625, 750, 600, 420, 490, 230, 190, 180, 50…
## $ areaconst    <dbl> 150, 380, 445, 355, 237, 160, 200, 118, 160, 435, 120, 21…
## $ parqueaderos <dbl> 2, 2, 2, 3, 2, 1, 4, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, …
## $ banios       <dbl> 4, 3, 7, 5, 6, 4, 4, 4, 2, 0, 3, 6, 5, 5, 3, 3, 4, 5, 5, …
## $ habitaciones <dbl> 6, 3, 6, 5, 6, 5, 5, 4, 3, 0, 3, 6, 4, 8, 4, 3, 4, 6, 4, …
## $ tipo         <chr> "Casa", "Casa", "Casa", "Casa", "Casa", "Casa", "Casa", "…
## $ barrio       <chr> "acopi", "acopi", "acopi", "acopi", "acopi", "acopi", "ac…
## $ longitud     <dbl> -76.51341, -76.51674, -76.52950, -76.53179, -76.54044, -7…
## $ latitud      <dbl> 3.47968, 3.48721, 3.38527, 3.40590, 3.36862, 3.42125, 3.4…

write.xlsx(data_base1, file = "D://archivo_amp.xlsx")

Se verifica que no existan datos faltantes

   grafico_faltantes <-md.pattern(data_base1, rotate.names = TRUE)

##  /\     /\
## {  `---'  }
## {  O   O  }
## ==>  V <==  No need for mice. This data set is completely observed.
##  \  \|/  /
##   `-----'

A continuación, se generan gráficos descriptivos para explorar las variables del conjunto de datos, con el objetivo de entender cómo afectan al precio de las viviendas. Estos gráficos ayudarán a visualizar las distribuciones y relaciones entre el precio y variables clave como el área construida, el estrato, el número de baños, el número de habitaciones y la zona. Se utilizarán gráficos interactivos mediante plotly para facilitar la interpretación de los resultados, identificar patrones y tendencias, y detectar posibles anomalías, lo cual es esencial para futuros análisis o modelización.

# Gráfico  precio vs área construida
   g1 <- plot_ly(data_base1, x = ~areaconst, y = ~preciom, type = 'scatter', mode = 'markers', 
              marker = list(color = 'blue', size = 10)) %>%
         layout(title = 'Relación entre Precio y Área Construida',
         xaxis = list(title = 'Área Construida (m²)'),
         yaxis = list(title = 'Precio de la Casa (m²)'))
  g1

# Gráfico  precio vs estrato
   g2 <- plot_ly(data_base1, x = ~estrato, y = ~preciom, type = 'box', 
              boxmean = 'sd', marker = list(color = 'lightblue')) %>%
   layout(title = 'Precio según el Estrato',
         xaxis = list(title = 'Estrato'),
         yaxis = list(title = 'Precio de la Casa'))
   g2

# Gráfico  precio vs baños
   g3 <- plot_ly(data_base1, x = ~banios, y = ~preciom, type = 'scatter', mode = 'markers',
              marker = list(color = 'green', size = 10)) %>%
         layout(title = 'Relación entre Precio y Número de Baños',
         xaxis = list(title = 'Número de Baños'),
         yaxis = list(title = 'Precio de la Casa'))

   g3

# Gráfico  precio vs habitaciones
   g4 <- plot_ly(data_base1, x = ~habitaciones, y = ~preciom, type = 'scatter', mode = 'markers', 
              marker = list(color = 'red', size = 10)) %>%
         layout(title = 'Relación entre Precio y Número de Habitaciones',
         xaxis = list(title = 'Número de Habitaciones'),
         yaxis = list(title = 'Precio de la Casa'))
   g4

# Gráfico precio vs zona
      g5 <- plot_ly(data_base1, x = ~zona, y = ~preciom, type = 'box', 
              boxmean = 'sd', marker = list(color = 'purple')) %>%
      layout(title = 'Precio según la Zona',
         xaxis = list(title = 'Zona'),
         yaxis = list(title = 'Precio de la Casa'))
  g5

# Gráfico área construida vs precio por zona
      g6 <- plot_ly(data_base1, x = ~areaconst, y = ~preciom, color = ~zona, type = 'scatter', mode = 'markers',
              marker = list(size = 10)) %>%
        layout(title = 'Relación entre Precio y Área Construida por Zona',
         xaxis = list(title = 'Área Construida (m²)'),
         yaxis = list(title = 'Precio de la Casa'))
   g6

# Calcular la matriz de correlación entre las variables numéricas
  correlacion <- data_base1 %>%
  select(preciom, areaconst, estrato, banios, habitaciones) %>%
  cor()

  # Mostrar la matriz de correlación
  correlacion

##                preciom areaconst   estrato    banios habitaciones
## preciom      1.0000000 0.7313480 0.6123503 0.5233357    0.3227096
## areaconst    0.7313480 1.0000000 0.4573818 0.4628152    0.3753323
## estrato      0.6123503 0.4573818 1.0000000 0.4083039    0.1073141
## banios       0.5233357 0.4628152 0.4083039 1.0000000    0.5755314
## habitaciones 0.3227096 0.3753323 0.1073141 0.5755314    1.0000000

Interpretacion de los Resultados

El area construida tiene una fuerte correlación positiva con el precio de la vivienda (0.731), lo que indica que a mayor área construida, mayor es el precio de la casa.

Estrato también está positivamente correlacionado con el precio (0.612), lo que sugiere que las viviendas en estratos más altos tienden a tener precios más altos.

La relación entre número de baños y precio es moderada (0.523), lo que implica que más baños generalmente aumentan el precio, pero no tan significativamente como el área o el estrato.

Número de habitaciones tiene una correlación débil con el precio (0.323), sugiriendo que este factor no influye tanto en el precio comparado con el área o el estrato.

Área construida está positivamente correlacionada con el número de baños (0.463) y el número de habitaciones (0.375), lo que indica que las casas más grandes suelen tener más baños y habitaciones.

El estrato tiene una relación moderada con el número de baños (0.408), pero una relación muy débil con el número de habitaciones (0.107), lo que sugiere que el estrato no es un buen predictor del número de habitaciones.

De forma general podemos indicar que el precio de la vivienda está más influenciado por el área construida y el estrato, mientras que el número de baños y habitaciones tiene una relación más débil con relacion al precio.

4. 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).

    plot(modelo)

La relación entre las variables independientes y la variable dependiente debe ser lineal. Para verificar la linealidad, podemos crear un gráfico de residuos versus los valores ajustados. Si la relación es lineal, los residuos deberían distribuirse aleatoriamente alrededor de cero sin patrones evidentes.

   # Graficar los residuos vs valores ajustados
   plot(modelo$fitted.values, modelo$residuals, 
     main = "Residuos vs Valores Ajustados",
     xlab = "Valores Ajustados", 
     ylab = "Residuos",
     pch = 19, col = "blue")
abline(h = 0, col = "red", lwd = 2)

Independencia de los residuos

El supuesto de independencia implica que los residuos no deben estar correlacionados entre sí. Si los residuos están correlacionados, esto podría indicar que hay alguna variable importante omitida o que hay alguna estructura temporal o espacial no capturada por el modelo.

Podemos usar un gráfico de autocorrelación de los residuos para verificar esto.

# Comprobar la autocorrelación de los residuos
acf(modelo$residuals, main = "Autocorrelación de los Residuos")

# Graficar residuos vs valores ajustados para verificar homoscedasticidad
plot(modelo$fitted.values, modelo$residuals, 
     main = "Residuos vs Valores Ajustados (Homoscedasticidad)",
     xlab = "Valores Ajustados", 
     ylab = "Residuos",
     pch = 19, col = "blue")
abline(h = 0, col = "red", lwd = 2)

     # Histograma de los residuos
     hist(modelo$residuals, 
     main = "Histograma de los Residuos", 
     xlab = "Residuos", 
     col = "lightblue", 
     border = "black")

Interpretación:

   # Prueba de normalidad Shapiro-Wilk 
   shapiro.test(modelo$residuals)

## 
##  Shapiro-Wilk normality test
## 
## data:  modelo$residuals
## W = 0.83433, p-value < 2.2e-16

Interpretación:

Si el valor p de la prueba de Shapiro-Wilk es menor a 0.05, eso indica que los residuos no siguen una distribución normal. Si el valor p es mayor a 0.05, eso sugiere que los residuos son distribuidos normalmente.

   # Gráfico Q-Q de los residuos
   qqnorm(modelo$residuals)
   qqline(modelo$residuals, col = "red")

   # Prueba de normalidad de los residuos (Shapiro-Wilk)
   shapiro.test(modelo$residuals)

## 
##  Shapiro-Wilk normality test
## 
## data:  modelo$residuals
## W = 0.83433, p-value < 2.2e-16

   # Estructura base1_num_na
    str(data_base1_num)

## spc_tbl_ [722 × 6] (S3: spec_tbl_df/tbl_df/tbl/data.frame)
##  $ preciom     : num [1:722] 320 780 750 625 750 600 420 490 230 190 ...
##  $ areaconst   : num [1:722] 150 380 445 355 237 160 200 118 160 435 ...
##  $ estrato     : num [1:722] 5 5 6 4 5 4 5 5 3 3 ...
##  $ habitaciones: num [1:722] 6 3 6 5 6 5 5 4 3 0 ...
##  $ parqueaderos: num [1:722] 2 2 2 3 2 1 4 2 2 2 ...
##  $ banios      : num [1:722] 4 3 7 5 6 4 4 4 2 0 ...
##  - 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>

El test de normalidad de Shapiro-Wilk realizado sobre los residuos del modelo de regresión muestra que los residuos no siguen una distribución normal, ya que el p-valor es muy pequeño (< 2.2e-16), lo que lleva a rechazar la hipótesis nula de normalidad.

Entonces podemos concluir que los residuos no son normales, lo que puede indicar una violación del supuesto de normalidad en la regresión lineal.Esto podría afectar la validez de las inferencias y predicciones del modelo, aunque en muestras grandes, los efectos pueden ser pequeños. Se podría considerar transformar las variables o explorar modelos alternativos si la no normalidad es un problema importante para el análisis.

Esto nos indica que el modelo no cumple con el supuesto de normalidad de los residuos, lo que debe ser tenido en cuenta en la interpretación de los resultados.

Sugerencias para mejorar el modelo si los supuestos no se cumplen

Transformar variables: Si la linealidad no se cumple, se pueden aplicar transformaciones logarítmicas o polinomiales a las variables.

Modelos robustos:

Si la homoscedasticidad no se cumple, se pueden usar modelos de regresión robusta que ajusten los errores estándar.

Incluir variables adicionales:

Si los residuos muestran autocorrelación, se podrían incluir variables omitidas que estén capturando la correlación no explicada.

Regresión no lineal:

Si la relación no es lineal, se podría considerar usar modelos no lineales o agregar términos cuadráticos o cúbicos en el modelo.

Este proceso de validación de supuestos no permite determinar si el modelo de regresión lineal es adecuado para mis datos y si es necesario que se realice ajustes o transformaciones.

5. Con el modelo identificado debe predecir el precio de la vivienda con las características de la primera solicitud.

  # Datos Vivienda 1
  data_vivienda1 = data.frame(
  estrato = c(4, 5),
  areaconst = 200,
  habitaciones = 4,
  banios = 2,
  parqueaderos = 1
  )

  # Dataframe data_vivienda1
  head(data_vivienda1)

##   estrato areaconst habitaciones banios parqueaderos
## 1       4       200            4      2            1
## 2       5       200            4      2            1

# Predicción base1_model con datos vivienda1
predict(modelo, data_vivienda1)

##        1        2 
## 319.1240 403.7351

Interpretacion de los resultados:

Para el estrato 4, el precio estimado de una casa con las caracteristicas de la vivienda1 es 319.12 millones de pesos. Para el estrato 5, el precio estimado de una casa con las caracteristicas de la vivienda1 es 403.74 millones de pesos.

Lo que indica que el precio de la vivienda aumenta significativamente con el estrato, lo cual es consistente con los coeficientes del modelo, que indican que cada unidad de aumento en el estrato incrementa el precio en aproximadamente 84.6 millones de pesos.

El modelo muestra que el estrato es un factor clave en la determinación del precio de la vivienda, con una diferencia considerable de precios entre los estratos 4 y 5.

6. 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.

 data_ofertas <- subset(
  data_base1,
  preciom <= 350 &
  areaconst >= 200 &
  parqueaderos >= 1 &
  banios >= 2 &
  habitaciones >= 4 &
  estrato %in% c(4,5)
)

# Verificar cuántas ofertas cumplen con el criterio
nrow(data_ofertas)

## [1] 39

# Mostrar las primeras filas de las ofertas filtradas
head(data_ofertas)

## # A tibble: 6 × 13
##      id zona     piso estrato preciom areaconst parqueaderos banios habitaciones
##   <dbl> <chr>   <dbl>   <dbl>   <dbl>     <dbl>        <dbl>  <dbl>        <dbl>
## 1  7471 Zona N…     2       4     330       240            2      4            4
## 2  4210 Zona N…     1       5     350       200            3      3            4
## 3  4267 Zona N…     1       5     335       202            1      4            5
## 4  4800 Zona N…     1       5     340       250            2      4            4
## 5  4209 Zona N…     2       5     350       300            3      5            6
## 6  4422 Zona N…     2       5     350       240            2      3            6
## # ℹ 4 more variables: tipo <chr>, barrio <chr>, longitud <dbl>, latitud <dbl>

write.xlsx(data_ofertas, file = "D://data_ofertas.xlsx")

## Warning in file.create(to[okay]): cannot create file 'D://data_ofertas.xlsx',
## reason 'Permission denied'

# Crear un mapa con leaflet para mostrar las 5 ofertas potenciales
leaflet(data_ofertas) %>%
  addTiles() %>%
  addMarkers(~longitud, ~latitud, 
             popup = ~paste("ID:", id, 
                            "<br>Precio:", preciom, "Millones",
                            "<br>Área:", areaconst, "m²",
                            "<br>Estrato:", estrato,
                            "<br>Baños:", banios, 
                            "<br>Habitaciones:", habitaciones))

+−

Leaflet | © OpenStreetMap, ODbL

Análisis de las ofertas:

Precio: Todas las ofertas están dentro del presupuesto de 350 millones de pesos, lo que las hace aptas para la solicitud de la Vivienda 1. Área construida: La mayoría de las ofertas tienen un área superior a la Vivienda1, lo cual puede ser una ventaja si la empresa busca más espacio. Sin embargo, todas estas propiedades se mantienen dentro de un rango razonable.

Número de habitaciones: Las ofertas seleccionadas tienen 4 o más habitaciones, cumpliendo con los requisitos mínimos de la Vivienda 1, que tiene 4 habitaciones.

Número de baños: Todas las ofertas tienen más de 2 baños, lo que es adecuado ya que la Vivienda 1 tiene 2 baños.

Parqueaderos: Las viviendas tienen entre 1 y 3 parqueaderos, lo que también se ajusta a la solicitud de la Vivienda 1, que tiene 1 parqueadero.

Utilizando las coordenadas proporcionadas en los datos, se visualizan las ofertas seleccionadas en el mapa lo que permite evaluar la proximidad entre ellas y a servicios relevantes. Esto puede ayudar a elegir opciones basadas en la ubicación.

Potenciales ventajas de estas ofertas:

En cuanto a la variación del tamaño algunas opciones tienen más área construida, lo que podría ser una ventaja si se busca una vivienda más espaciosa.

En cuanto a la proximidad entre ofertas las viviendas están ubicadas en zonas cercanas (principalmente en el barrio El Bosque), lo que podría ofrecer una buena conectividad y calidad de zona.

Todas las ofertas cumplen con los requisitos de precio, características de la vivienda1.

Sin embargo se recomienda que se visite las viviendas para evaluar aspectos como la condición del inmueble, el entorno del barrio y la accesibilidad; asi como tambien es importante evaluar el valor de reventa, el potencial de valorización y la seguridad de las zonas