ACTIVIDAD 1
Juan Carlos Molina Lozano
2026-02-14
EVALUACIÓN DE LA OFERTA INMOBILIARIA URBANA
CARGA DE DATOS
## [1] "LC_COLLATE=es_ES.UTF-8;LC_CTYPE=es_ES.UTF-8;LC_MONETARY=es_ES.UTF-8;LC_NUMERIC=C;LC_TIME=es_ES.UTF-8"## Rows: 8,322
## Columns: 13
## $ id <dbl> 1147, 1169, 1350, 5992, 1212, 1724, 2326, 4386, 1209, 159…
## $ zona <chr> "Zona Oriente", "Zona Oriente", "Zona Oriente", "Zona Sur…
## $ piso <chr> NA, NA, NA, "02", "01", "01", "01", "01", "02", "02", "02…
## $ estrato <dbl> 3, 3, 3, 4, 5, 5, 4, 5, 5, 5, 6, 4, 5, 6, 4, 5, 5, 4, 5, …
## $ preciom <dbl> 250, 320, 350, 400, 260, 240, 220, 310, 320, 780, 750, 62…
## $ areaconst <dbl> 70, 120, 220, 280, 90, 87, 52, 137, 150, 380, 445, 355, 2…
## $ parqueaderos <dbl> 1, 1, 2, 3, 1, 1, 2, 2, 2, 2, NA, 3, 2, 2, 1, 4, 2, 2, 2,…
## $ banios <dbl> 3, 2, 2, 5, 2, 3, 2, 3, 4, 3, 7, 5, 6, 2, 4, 4, 4, 3, 2, …
## $ habitaciones <dbl> 6, 3, 4, 3, 3, 3, 3, 4, 6, 3, 6, 5, 6, 2, 5, 5, 4, 3, 3, …
## $ tipo <chr> "Casa", "Casa", "Casa", "Casa", "Apartamento", "Apartamen…
## $ barrio <chr> "20 de julio", "20 de julio", "20 de julio", "3 de julio"…
## $ longitud <dbl> -76.51168, -76.51237, -76.51537, -76.54000, -76.51350, -7…
## $ latitud <dbl> 3.43382, 3.43369, 3.43566, 3.43500, 3.45891, 3.36971, 3.4…ANALISIS DE LA BASE DE DATOS
DIMENSIÓN DE LA BASE DE DATOS
Se extrajo la dimensión del dataframe, es decir, el número total de filas (observaciones) y columnas (variables), con el objetivo de conocer la magnitud del conjunto de datos y facilitar la planificación de su análisis.
## [1] 8322 13CANTIDAD DE REGISTROS
## [1] 8322CANTIDAD DE COLUMNAS
## [1] 13ESTRUCTURA DE Y TIPOS DE DATOS DE LA BASE DE DATOS
| Variable | Tipo | |
|---|---|---|
| id | id | numeric |
| zona | zona | character |
| piso | piso | character |
| estrato | estrato | numeric |
| preciom | preciom | numeric |
| areaconst | areaconst | numeric |
| parqueaderos | parqueaderos | numeric |
| banios | banios | numeric |
| habitaciones | habitaciones | numeric |
| tipo | tipo | character |
| barrio | barrio | character |
| longitud | longitud | numeric |
| latitud | latitud | numeric |
ERRORES DE ESCRITURA
En esta etapa no se identificaron errores de escritura en las variables del conjunto de datos actual, dado que todas las columnas fueron interpretadas como variables numéricas. Esto indica que las posibles inconsistencias tipográficas en variables categóricas (como el uso de mayúsculas/minúsculas o espacios) ya han sido previamente corregidas o que dichas variables no están presentes en la versión actual del dataset.
ERROR DE ESCRITURA DATAFRAME
Vemos la estructura y tipos de datos para el dataframe. Muestra el tipo de cada variable: numérica, factor, carácter, etc.
## 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>RESUMEN DE VALORES FALTANTES
En esta sección se realiza un diagnóstico de valores faltantes (también denominados datos ausentes o NA) en el conjunto de datos. La presencia de valores faltantes puede afectar la validez de los análisis estadísticos y de los modelos predictivos, por lo cual es necesario cuantificarlos y considerarlos en las etapas posteriores de preprocesamiento.
VALORES FALTANTES DATAFRAME
Se aplicaron dos funciones sobre cada variable del conjunto de datos para obtener:
Conteo absoluto de valores faltantes: Utilizando la función sapply() en combinación con sum(is.na(x)), se obtuvo el número de valores faltantes por columna.
## id zona piso estrato preciom areaconst
## 3 3 2638 3 2 3
## parqueaderos banios habitaciones tipo barrio longitud
## 1605 3 3 3 3 3
## latitud
## 3Porcentaje (%) de valores faltantes: Se calculó como el promedio de valores faltantes sobre el total de observaciones, multiplicado por 100. Este valor permite dimensionar la magnitud relativa del problema en cada variable.
## id zona piso estrato preciom areaconst
## 0.04 0.04 31.70 0.04 0.02 0.04
## parqueaderos banios habitaciones tipo barrio longitud
## 19.29 0.04 0.04 0.04 0.04 0.04
## latitud
## 0.04| Variable | Valores_Faltantes | Porcentaje_faltantes | |
|---|---|---|---|
| id | id | 3 | 0.04 |
| zona | zona | 3 | 0.04 |
| piso | piso | 2638 | 31.70 |
| estrato | estrato | 3 | 0.04 |
| preciom | preciom | 2 | 0.02 |
| areaconst | areaconst | 3 | 0.04 |
| parqueaderos | parqueaderos | 1605 | 19.29 |
| banios | banios | 3 | 0.04 |
| habitaciones | habitaciones | 3 | 0.04 |
| tipo | tipo | 3 | 0.04 |
| barrio | barrio | 3 | 0.04 |
| longitud | longitud | 3 | 0.04 |
| latitud | latitud | 3 | 0.04 |
IDENTIFICACIÓN DE REGISTROS DUPLICADOS
Como parte del preprocesamiento de los datos, se realizó una verificación exhaustiva de registros duplicados en ambos conjuntos de datos. Un registro duplicado se define como una fila que contiene exactamente los mismos valores en todas las columnas que otra(s) fila(s) dentro del mismo data frame. Su presencia puede generar redundancia en el análisis, influyendo en los resultados estadísticos o en la calidad de los modelos predictivos.
REGISTROS DUPLICADOS DATAFRAME
Para detectar duplicados en el conjunto de datos, se utilizó la función duplicated() en combinación con fromLast = TRUE, lo que permite identificar todas las apariciones de registros duplicados (no solo la segunda y posteriores, sino también la primera ocurrencia).
Se construyó un nuevo subconjunto de datos denominado duplicados_data, el cual contiene únicamente aquellos registros que están completamente duplicados en todas sus variables. Posteriormente, se calculó el número total de registros duplicados mediante la función nrow().
Este paso permite tener claridad sobre la presencia de redundancias y evaluar si es necesario aplicar una eliminación (distinct() o unique()) en fases posteriores del procesamiento.
## Total de registros duplicados en Dataframe (todas las apariciones): 2IDENTIFICACIÓN DE VARIABLES NUMÉRICAS
En esta etapa se filtraron únicamente las variables de tipo numérico del dataframe. Esta segmentación permite focalizar análisis cuantitativos, como estadísticas descriptivas, visualizaciones de distribución, análisis de correlación, normalización, entre otros, que no son aplicables a variables categóricas o de texto.
VARIABLES NUMÉRICAS DATAFRAME
Para identificar las variables numéricas dentro del conjunto datos, se utilizó la función sapply() combinada con is.numeric, lo cual devuelve un vector lógico que indica qué columnas del data frame tienen tipo de dato numérico. A partir de ese vector, se seleccionaron únicamente las columnas que cumplen con esta condición, generando un nuevo subconjunto de datos denominado datos_numericos_vivienda.
Este subconjunto fue inspeccionado visualmente mediante print() y se evaluó su dimensión utilizando la función dim(), lo cual permitió conocer cuántas variables numéricas hay disponibles y cuántas observaciones contiene el subconjunto resultante.
ANÁLISIS ESTADÍSTICO DESCRIPTIVO Y DETECCIÓN DE VALORES ATÍPICOS
En esta sección se presentan los resultados del análisis estadístico univariado aplicado a las variables numéricas de los conjuntos de datos. El objetivo es caracterizar el comportamiento de las variables en términos de tendencia central, dispersión y posición, así como identificar posibles valores atípicos mediante el método del rango intercuartílico (IQR).
DETECCIÓN DE VALORES ATÍPICOS DATAFRAME
FILTRADO DE VARIABLES NUMÉRICAS
Se extraen todas las columnas del dataframe cuyo tipo de dato corresponde a numérico (numeric). Esto permitió enfocar el análisis únicamente en variables cuantitativas susceptibles de ser descritas estadísticamente.
CÁLCULO DE MEDIDAS ESTADÍSTICAS
Para cada variable numérica se calcularon los siguientes estadísticos:
- Media: promedio de los valores observados.
- Mediana: valor central de la distribución.
- Desviación estándar: medida de dispersión alrededor de la media.
- Mínimo y máximo: valores extremos observados.
- Primer y tercer cuartil (Q1 y Q3): marcan los límites del 25% y 75% de los datos respectivamente.
- Rango intercuartílico (IQR): Q3 − Q1, útil para evaluar la variabilidad sin influencia de los extremos.
DETECCiÖN DE VALORES ATíPICOS
Se implementó una función para identificar valores atípicos utilizando el criterio clásico del IQR:
- Valores < Q1 − 1.5 × IQR → atípicos inferiores
- Valores > Q3 + 1.5 × IQR → atípicos superiores
Por cada variable, se cuantificó la cantidad de valores atípicos en ambos extremos y se listaron explícitamente aquellos que fueron detectados.
CONSOLIDACIÓN DE RESULTADOS
Todos los indicadores y resultados fueron integrados en una tabla resumen (tabla_final_estadistica_matematica_dat) que contiene, para cada variable:
- Estadísticos descriptivos
- Conteo de valores atípicos (inferiores y superiores)
- Lista de valores atípicos únicos encontrados
| Variable | Media | Mediana | Desviacion | Minimo | Q1 | Q3 | Maximo | IQR | Atipicos_Inferiores | Atipicos_Superiores | Valores_Atipicos | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 25% | id | 4160.000000 | 4160.000 | 2401.6327779 | 1.00000 | 2080.500000 | 6239.50000 | 8319.0000 | 4.1590e+03 | 0 | 0 | NA |
| 25%1 | estrato | 4.633610 | 5.000 | 1.0292221 | 3.00000 | 4.000000 | 5.00000 | 6.0000 | 1.0000e+00 | 0 | 0 | NA |
| 25%2 | preciom | 433.891947 | 330.000 | 328.6472443 | 58.00000 | 220.000000 | 540.00000 | 1999.0000 | 3.2000e+02 | 0 | 552 | 1400, 1150, 1200, 1100, 1130, 1850, 1950, 1050, 1190, 1106, 1300, 1350, 1250, 1220, 1090, 1126, 1700, 1500, 1380, 1600, 1195, 1800, 1125, 1120, 1450, 1370, 1480, 1750, 1550, 1561, 1650, 1680, 1240, 1280, 1900, 1255, 1590, 1390, 1385, 1080, 1440, 1133, 1077, 1180, 1320, 1398, 1170, 1160, 1270, 1580, 1360, 1330, 1999, 1530, 1940, 1051, 1078, 1103, 1830, 1584, 1226, 1149, 1583, 1290, 1801, 1230, 1110, 1395 |
| 25%3 | areaconst | 174.934938 | 123.000 | 142.9641260 | 30.00000 | 80.000000 | 229.00000 | 1745.0000 | 1.4900e+02 | 0 | 382 | 455, 480, 550, 540, 460, 595, 960, 500, 752, 463, 750, 487, 1365, 520, 900, 700, 660, 600, 1000, 730, 467, 870, 650, 760, 530, 485, 490, 930, 560, 724, 800, 505, 619, 1050, 588, 1040, 910, 630, 836, 464, 510, 610, 640, 534, 1586, 535, 850, 620, 590, 542, 470, 517, 780, 1188, 616, 486, 1200, 453, 454, 551, 584, 476, 552, 605, 1745, 607, 495, 573, 728, 736, 468, 920, 503, 536, 457, 838, 597, 474.63, 489, 483, 670, 806, 537, 1500, 565, 461, 720, 596, 570, 462, 844, 835, 575, 469, 1090, 833, 1100, 465, 1250, 980, 740, 1092, 773, 1600, 765, 472, 583, 759, 502, 776, 734, 624, 792, 950, 496, 525, 615, 628, 638, 459, 475, 474, 825, 637, 739, 627, 741, 484, 932, 942, 523.3, 1440, 507 |
| 25%4 | parqueaderos | 1.835194 | 2.000 | 1.1249088 | 1.00000 | 1.000000 | 2.00000 | 10.0000 | 1.0000e+00 | 0 | 567 | 4, 7, 5, 8, 6, 9, 10 |
| 25%5 | banios | 3.111311 | 3.000 | 1.4282102 | 0.00000 | 2.000000 | 4.00000 | 10.0000 | 2.0000e+00 | 0 | 72 | 8, 10, 9 |
| 25%6 | habitaciones | 3.605361 | 3.000 | 1.4595368 | 0.00000 | 3.000000 | 4.00000 | 10.0000 | 1.0000e+00 | 125 | 763 | 6, 0, 1, 8, 7, 10, 9 |
| 25%7 | longitud | -76.528606 | -76.530 | 0.0173983 | -76.58915 | -76.541580 | -76.51889 | -76.4630 | 2.2690e-02 | 8 | 122 | -76.47908, -76.4792, -76.47969, -76.48141, -76.4818, -76.48295, -76.48356, -76.48383, -76.47978, -76.48256, -76.47897, -76.47967, -76.48058, -76.48118, -76.48185, -76.48227, -76.48368, -76.484, -76.4826, -76.576, -76.47, -76.482, -76.48347, -76.48381, -76.48452, -76.48386, -76.47922, -76.48456, -76.4782, -76.47141, -76.47414, -76.47168, -76.46554, -76.47167, -76.46947, -76.483, -76.46691, -76.46438, -76.47225, -76.4728, -76.46851, -76.47355, -76.464, -76.46541, -76.476, -76.4657, -76.466, -76.46862, -76.48271, -76.48302, -76.58732, -76.47766, -76.58876, -76.58915, -76.48209, -76.48459, -76.481, -76.47123, -76.47397, -76.47781, -76.57941, -76.5853, -76.58744, -76.46809, -76.463, -76.47112, -76.46478, -76.47039, -76.46878, -76.48458, -76.48167, -76.48235, -76.473, -76.48426, -76.46745, -76.48395, -76.467, -76.46542, -76.47209, -76.46699, -76.46994, -76.47678, -76.465, -76.468, -76.48252, -76.46516, -76.47559, -76.471, -76.48238, -76.46498, -76.48399, -76.48377, -76.47543 |
| 25%8 | latitud | 3.417644 | 3.416 | 0.0426385 | 3.33300 | 3.380795 | 3.45200 | 3.4977 | 7.1205e-02 | 0 | 0 | NA |
VISUALIZACIÓN DE VALORES ATÍPICOS CON BOXPLOTS
La representación gráfica de las variables numéricas se realizó mediante diagramas de caja (boxplots), con el propósito de visualizar de manera intuitiva la distribución de los datos, así como la presencia y magnitud de posibles valores atípicos. Los boxplots permiten identificar de forma visual los cuartiles, el rango intercuartílico (IQR), los valores mínimos y máximos esperados, y los outliers que se sitúan fuera de los límites convencionales.
BOXPLOTS DATAFRAME
Para el conjunto de datos, se generaron boxplots individuales para cada una de las variables numéricas identificadas en etapas anteriores.
- Se utilizó ggplot2 con la función geom_boxplot(), aplicando un color de relleno azul claro para facilitar la lectura visual.
- Los gráficos fueron generados dinámicamente en un bucle usando lapply(), permitiendo automatizar el proceso para todas las variables cuantitativas del dataframe.
- Para una presentación organizada, los boxplots fueron agrupados en bloques de hasta 6 gráficos por página utilizando la función grid.arrange() del paquete gridExtra.
- Cada boxplot muestra:
- La mediana (línea central de la caja)
- El rango intercuartílico (Q1 a Q3)
- Los valores extremos y atípicos (representados como puntos fuera del rango)
Esta visualización complementa la tabla de estadísticos descriptivos, ofreciendo una perspectiva gráfica de la simetría, dispersión y existencia de valores atípicos en cada variable.
VISUALIZACIÓN DE VALORES ATÍPICOS CON BOXPLOTS AJUSTADOS
BOXPLOTS AJUSTADOS DATAFRAME
Tras el análisis estadístico descriptivo de las variables numéricas del conjunto de datos, se aplicó el método de detección de valores atípicos mediante el rango intercuartílico (IQR). Este método es comúnmente utilizado para identificar observaciones que se encuentran fuera del rango definido por:
Limite inferior=Q1−1.5×IQR, Limite superior=Q3+1.5×IQR
Conclusión técnica: Se decidió no aplicar ningún tratamiento correctivo sobre los valores detectados como atípicos por el IQR, ya que estos representan la variabilidad natural de las características evaluadas. En su lugar, se optó por ajustar la visualización de los boxplots, de modo que estos reflejen mejor la distribución real de los datos, sin ocultar ni excluir estos valores extremos válidos.
NORMALIZACIÓN DE DATOS CATEGÓRICOS
Limpieza y unificación de datos categóricos Antes de convertir las variables categóricas en valores numéricos, se realizó un proceso de limpieza y estandarización de los datos. Esto se hizo para garantizar que cada categoría tuviera una única representación consistente, evitando problemas con errores de tipeo, mayúsculas/minúsculas o variaciones en los nombres.
Pasos realizados:
- Detección de variables categóricas:
- Se identificaron las columnas con valores de tipo texto, como zona, tipo y barrio.
- Normalización de texto:
- Se convirtieron todos los valores a minúsculas para evitar duplicados por diferencias de mayúsculas.
- Se eliminaron espacios en blanco al inicio y al final de cada valor.
- Unificación de categorías:
- Se reemplazaron manualmente las variaciones de un mismo valor por una forma estándar. Por ejemplo:
- “oeste”, “OESTE”, “oest” → “Oeste”
- “apto”, “apartamento” → “Apartamento”
- Conversión a valores numéricos: Una vez unificadas las categorías, cada variable se transformó en un factor y luego en números para permitir su análisis cuantitativo:
- “Oeste” → 1
- “Este” → 2
- “Centro” → 3
…y así sucesivamente para cada categoría.
Objetivo
Este procedimiento asegura que:
- No haya duplicados invisibles por errores de escritura.
- Las variables categóricas sean consistentes y comparables.
- Sea posible utilizar las variables en análisis estadísticos cuantitativos, gráficos o modelos predictivos.
VALORES UNICOS DE LAS COLUMNAS (ZONA, TIPO Y BARRIO)
## $zona
## [1] "zona oriente" "zona sur" "zona norte" "zona oeste" "zona centro"
## [6] NA
##
## $tipo
## [1] "casa" "apartamento" NA
##
## $barrio
## [1] "20 de julio" "3 de julio"
## [3] "acopi" "agua blanca"
## [5] "aguablanca" "aguacatal"
## [7] "alameda" "alameda del rio"
## [9] "alamos" "alborada"
## [11] "alcazares" "alf√(C)rez real"
## [13] "alferez real" "alfonso lopez"
## [15] "alfonso lopez i" "alto jordan"
## [17] "altos de guadalupe" "altos de menga"
## [19] "altos de santa" "antonio narino"
## [21] "aranjuez" "arboleda"
## [23] "arboleda campestre candelaria" "arboledas"
## [25] "atanasio girardot" "autopista sur"
## [27] "bajo aguacatal" "barranquilla"
## [29] "barrio 7de agosto" "barrio el recuerdo"
## [31] "barrio eucaristico" "barrio obrero"
## [33] "barrio tranquilo y" "base a√(C)rea"
## [35] "belalcazar" "belisario caicedo"
## [37] "bella suiza" "bella suiza alta"
## [39] "bellavista" "benjamin herrera"
## [41] "berlin" "bloques del limonar"
## [43] "bochalema" "bolivariano"
## [45] "bosques de alboleda" "bosques del limonar"
## [47] "boyaca" "bretana"
## [49] "brisas de guadalupe" "brisas de los"
## [51] "brisas del guabito" "brisas del limonar"
## [53] "bueno madrid" "buenos aires"
## [55] "canasgordas" "canaveralejo"
## [57] "canaverales" "canaverales los samanes"
## [59] "caldas" "cali"
## [61] "cali bella" "cali canto"
## [63] "calibella" "calicanto"
## [65] "calicanto viii" "calima"
## [67] "calimio norte" "calipso"
## [69] "cambulos" "camino real"
## [71] "campestre" "caney"
## [73] "caney especial" "capri"
## [75] "cascajal" "cataya real"
## [77] "ceibas" "centelsa"
## [79] "centenario" "centro"
## [81] "cerro cristales" "cerros de guadalupe"
## [83] "champagnat" "chapinero"
## [85] "chiminangos" "chiminangos 1 etapa"
## [87] "chiminangos 2 etapa" "chipichape"
## [89] "ciudad 2000" "ciudad antejardin"
## [91] "ciudad bochalema" "ciudad cordoba"
## [93] "ciudad cordoba reservado" "ciudad capri"
## [95] "ciudad country" "ciudad del campo"
## [97] "ciudad jardin" "ciudad jardin pance"
## [99] "ciudad los alamos" "ciudad mel√(C)ndez"
## [101] "ciudad melendez" "ciudad modelo"
## [103] "ciudad pacifica" "ciudad real"
## [105] "ciudad talanga" "ciudad universitaria"
## [107] "ciudadela comfandi" "ciudadela del rio"
## [109] "ciudadela melendez" "ciudadela paso ancho"
## [111] "ciudadela pasoancho" "colinas de menga"
## [113] "colinas del bosque" "colinas del sur"
## [115] "colon" "colseguros"
## [117] "colseguros andes" "comfenalco"
## [119] "compartir" "conjunto gibraltar"
## [121] "cristobal colon" "cristales"
## [123] "cuarto de legua" "departamental"
## [125] "ed benjamin herrera" "el bosque"
## [127] "el caney" "el castillo"
## [129] "el cedro" "el diamante"
## [131] "el dorado" "el gran limonar"
## [133] "el guabal" "el guabito"
## [135] "el ingenio" "el ingenio 3"
## [137] "el ingenio i" "el ingenio ii"
## [139] "el ingenio iii" "el jardin"
## [141] "el jordan" "el lido"
## [143] "el limonar" "el nacional"
## [145] "el paraiso" "el penon"
## [147] "el prado" "el refugio"
## [149] "el rodeo" "el sena"
## [151] "el tr√(C)bol" "el troncal"
## [153] "el vallado" "eucaristico"
## [155] "evaristo garcia" "farrallones de pance"
## [157] "fenalco kennedy" "fepicol"
## [159] "flora" "flora industrial"
## [161] "floralia" "fonaviemcali"
## [163] "francisco eladio ramirez" "fuentes de la"
## [165] "gaitan" "gran limonar"
## [167] "granada" "guadalupe"
## [169] "guadalupe alto" "guaduales"
## [171] "guayaquil" "hacienda alferez real"
## [173] "ingenio" "ingenio i"
## [175] "ingenio ii" "jamundi"
## [177] "jamundi alfaguara" "jorge eliecer gaitan"
## [179] "jorge isaacs" "jose manuel marroquin"
## [181] "juanamb√∫" "juanambu"
## [183] "junin" "la alborada"
## [185] "la alianza" "la arboleda"
## [187] "la base" "la buitrera"
## [189] "la campina" "la cascada"
## [191] "la ceibas" "la esmeralda"
## [193] "la flora" "la floresta"
## [195] "la fortaleza" "la gran colombia"
## [197] "la hacienda" "la independencia"
## [199] "la libertad" "la luisa"
## [201] "la merced" "la morada"
## [203] "la nueva base" "la playa"
## [205] "la portada al" "la primavera"
## [207] "la reforma" "la rivera"
## [209] "la rivera i" "la rivera ii"
## [211] "la riverita" "la riviera"
## [213] "la selva" "la villa del"
## [215] "laflora" "lares de comfenalco"
## [217] "las acacias" "las am√(C)ricas"
## [219] "las camelias" "las ceibas"
## [221] "las delicias" "las granjas"
## [223] "las quintas de" "las vegas"
## [225] "las vegas de" "libertadores"
## [227] "los alamos" "los alcazares"
## [229] "los andes" "los cambulos"
## [231] "los cristales" "los cristales club"
## [233] "los farallones" "los guaduales"
## [235] "los guayacanes" "los jockeys"
## [237] "los libertadores" "los parques barranquilla"
## [239] "los robles" "lourdes"
## [241] "mamellan" "manzanares"
## [243] "mariano ramos" "marroquin iii"
## [245] "mayapan las vegas" "mel√(C)ndez"
## [247] "melendez" "menga"
## [249] "metropolitano del norte" "miradol del aguacatal"
## [251] "miraflores" "morichal de comfandi"
## [253] "multicentro" "municipal"
## [255] "napoles" "normandia"
## [257] "normandia west point" "norte"
## [259] "norte la flora" "nueva base"
## [261] "nueva floresta" "nueva tequendama"
## [263] "oasis de comfandi" "oasis de pasoancho"
## [265] "occidente" "pacara"
## [267] "palmas del ingenio" "pampa linda"
## [269] "pampalinda" "panamericano"
## [271] "pance" "parcelaciones pance"
## [273] "parque residencial el" "paseo de los"
## [275] "paso del comercio" "pasoancho"
## [277] "poblado campestre" "ponce"
## [279] "popular" "portada de comfandi"
## [281] "portales de comfandi" "porvenir"
## [283] "prados de oriente" "prados del limonar"
## [285] "prados del norte" "prados del sur"
## [287] "primavera" "primero de mayo"
## [289] "primitivo crespo" "puente del comercio"
## [291] "puente palma" "quintas de don"
## [293] "quintas de salomia" "rafael uribe uribe"
## [295] "refugio" "rep√∫blica de israel"
## [297] "rincon de salomia" "rincon de la"
## [299] "riveras del valle" "rozo la torre"
## [301] "saavedra galindo" "salomia"
## [303] "samanes" "samanes de guadalupe"
## [305] "sameco" "san antonio"
## [307] "san bosco" "san carlos"
## [309] "san cayetano" "san fernando"
## [311] "san fernando nuevo" "san fernando viejo"
## [313] "san joaquin" "san juan bosco"
## [315] "san judas" "san judas tadeo"
## [317] "san luis" "san nicolas"
## [319] "san pedro" "san vicente"
## [321] "santa" "santa anita"
## [323] "santa anita sur" "santa barbara"
## [325] "santa elena" "santa fe"
## [327] "santa helena de" "santa isabel"
## [329] "santa monica" "santa monica alta"
## [331] "santa monica popular" "santa monica residencial"
## [333] "santa monica norte" "santa rita"
## [335] "santa rosa" "santa teresita"
## [337] "santafe" "santander"
## [339] "santo domingo" "sector aguacatal"
## [341] "sector canaveralejo guadalupe" "seminario"
## [343] "sierras de normandia" "siete de agosto"
## [345] "simon bolivar" "tejares cristales"
## [347] "tejares de san" "templete"
## [349] "tequendama" "tequendema"
## [351] "terron colorado" "torres de comfandi"
## [353] "union de vivienda" "unicentro cali"
## [355] "urbanizacion barranquilla" "urbanizacion boyaca"
## [357] "urbanizacion colseguros" "urbanizacion la flora"
## [359] "urbanizacion la merced" "urbanizacion la nueva"
## [361] "urbanizacion las cascadas" "urbanizacion nueva granada"
## [363] "urbanizacion pacara" "urbanizacion rio lili"
## [365] "urbanizacion san joaquin" "urbanizacion tequendama"
## [367] "urbanizacion el saman" "urbanizacion gratamira"
## [369] "urbanizacion lili" "valle de lili"
## [371] "valle del lili" "valle grande"
## [373] "versalles" "villa colombia"
## [375] "villa de veracruz" "villa del lago"
## [377] "villa del parque" "villa del prado"
## [379] "villa del sol" "villa del sur"
## [381] "villas de veracruz" "vipasa"
## [383] "zona centro" "zona norte"
## [385] "zona norte los" "zona oeste"
## [387] "zona oriente" "zona residencial"
## [389] "zona sur" NAPASAR LAS VARIABLES CATEGORICAS A NÚMEROS
DATASET NORMALIZADO
ESTADISTICA DESCRIPTIVA - VARIABLES NUMÉRICAS
## id estrato preciom areaconst
## Min. : 1 Min. :3.000 Min. : 58.0 Min. : 30.0
## 1st Qu.:2080 1st Qu.:4.000 1st Qu.: 220.0 1st Qu.: 80.0
## Median :4160 Median :5.000 Median : 330.0 Median : 123.0
## Mean :4160 Mean :4.634 Mean : 433.9 Mean : 174.9
## 3rd Qu.:6240 3rd Qu.:5.000 3rd Qu.: 540.0 3rd Qu.: 229.0
## Max. :8319 Max. :6.000 Max. :1999.0 Max. :1745.0
## NA's :3 NA's :3 NA's :2 NA's :3
## parqueaderos banios habitaciones longitud
## Min. : 1.000 Min. : 0.000 Min. : 0.000 Min. :-76.59
## 1st Qu.: 1.000 1st Qu.: 2.000 1st Qu.: 3.000 1st Qu.:-76.54
## Median : 2.000 Median : 3.000 Median : 3.000 Median :-76.53
## Mean : 1.835 Mean : 3.111 Mean : 3.605 Mean :-76.53
## 3rd Qu.: 2.000 3rd Qu.: 4.000 3rd Qu.: 4.000 3rd Qu.:-76.52
## Max. :10.000 Max. :10.000 Max. :10.000 Max. :-76.46
## NA's :1605 NA's :3 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 :3MEDIDAS CLASES (MEDIA, MEDIANA, SD)
ANÁLISIS BIVARIADO (PRECIO VS CARACTERÍSTICAS)
PRECIO VS AREA
PRECIO POR ESTRATO
PRECIO POR TIPO
PRECIO POR METRO CUADRADO
Variable clave para análisis inmobiliario
## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 0.1461 1.9167 2.6400 2.7222 3.3795 9.4681 3ANÁLISIS ESPACIAL
ANÁLISIS DE CORRELACIÓN
## id estrato preciom areaconst parqueaderos
## id 1.00000000 0.40905177 0.33940012 0.16948978 0.2424888
## estrato 0.40905177 1.00000000 0.58761094 0.25911395 0.4226084
## preciom 0.33940012 0.58761094 1.00000000 0.68398308 0.6886785
## areaconst 0.16948978 0.25911395 0.68398308 1.00000000 0.5848290
## parqueaderos 0.24248881 0.42260837 0.68867847 0.58482901 1.0000000
## banios 0.24928653 0.39508418 0.67199670 0.66717459 0.5705065
## habitaciones 0.02367353 -0.08049567 0.26702104 0.53392073 0.2844808
## longitud -0.95986485 -0.39353277 -0.30404990 -0.14391937 -0.2150563
## latitud -0.13399679 -0.16844103 -0.08544742 -0.04644777 -0.1130657
## precio_m2 0.22528823 0.51455656 0.35182881 -0.31219001 0.1038584
## banios habitaciones longitud latitud precio_m2
## id 0.24928653 0.023673532 -0.959864853 -0.13399679 0.22528823
## estrato 0.39508418 -0.080495671 -0.393532772 -0.16844103 0.51455656
## preciom 0.67199670 0.267021037 -0.304049896 -0.08544742 0.35182881
## areaconst 0.66717459 0.533920732 -0.143919366 -0.04644777 -0.31219001
## parqueaderos 0.57050650 0.284480756 -0.215056295 -0.11306570 0.10385839
## banios 1.00000000 0.596916707 -0.222513776 -0.11115143 -0.01549379
## habitaciones 0.59691671 1.000000000 -0.006784251 0.01164189 -0.37033204
## longitud -0.22251378 -0.006784251 1.000000000 0.16577240 -0.21779543
## latitud -0.11115143 0.011641889 0.165772397 1.00000000 -0.05701726
## precio_m2 -0.01549379 -0.370332041 -0.217795425 -0.05701726 1.00000000MATRIZ DE CORRELACIÓN (SOLO VARIABLES NUMÉRICAS)
VISUALIZACIÓN DE CORRPLOT
TRATAMIENTO DE VALORES FALTANTES
En cualquier dataset real, es común encontrar datos faltantes (NA) o inconsistencias como celdas vacías (““). Antes de realizar cualquier análisis estadístico o modelado, es crucial manejar estos valores para evitar errores o sesgos. Este paso asegura que los cálculos y visualizaciones posteriores sean confiables y consistentes.
CONVERTIR VACIOS (““) EN NA
Algunas columnas pueden tener celdas vacías que no se consideran NA de manera nativa en R. Estas celdas vacías se reemplazan por NA para que R las reconozca como valores faltantes. Esto permite tratarlas uniformemente en pasos posteriores de limpieza o imputación.
ELIMINACIÓN DE VALORES “NA”
Se eliminan las filas que tienen valores faltantes en columnas críticas (preciom y areaconst) porque estas variables son esenciales para el análisis de mercado inmobiliario. Mantener filas con NA en estas columnas podría distorsionar resultados en análisis de precios, áreas de construcción y cualquier modelado predictivo.
Para columnas menos críticas como piso, banios o parqueaderos, se podría optar por imputar valores (como 0) en lugar de eliminar las filas, evitando la pérdida de información.
DIMENSIÓN DEL DATAFRAME SIN “NA”
Este paso permite verificar cuántas filas y columnas quedan en el dataset luego de la eliminación de valores faltantes. Esto es importante para evaluar si la limpieza ha reducido significativamente la cantidad de datos y asegurar que todavía se dispone de suficiente información para análisis estadístico robusto.
## [1] 4808 17## [1] 0ANALISIS DE COMPONENTES PRINCIPALES
Reducir la dimensionalidad del dataset de propiedades, obteniendo combinaciones lineales de las variables cuantitativas que capturen la mayor parte de la variabilidad de los datos. Esto permite identificar patrones, relaciones entre variables y propiedades extremas sin perder información significativa.
SELECCIÓN DE VARIABLES CUANTITATIVAS
Se excluyen variables categóricas ya que el PCA requiere variables numéricas. Esto incluye precio, área, número de pisos, parqueaderos, baños y habitaciones.
ESTANDARIZACIÓN DE VARIABLES
Dado que las variables tienen escalas diferentes (por ejemplo, preciom en millones y banios en unidades pequeñas), se estandarizan para que cada variable tenga media 0 y desviación estándar 1. Esto evita que variables con valores grandes dominen el análisis.
## preciom areaconst parqueaderos banios habitaciones
## [1,] -0.1756310 0.7609789 1.0779092 1.3178809 -0.4241459
## [2,] -0.6055839 -0.6129041 -0.7415001 -0.9022913 -0.4241459
## [3,] -0.6670057 -0.6345970 -0.7415001 -0.1622339 -0.4241459
## [4,] -0.7284276 -0.8876807 0.1682046 -0.9022913 -0.4241459
## [5,] -0.4520293 -0.2730489 0.1682046 -0.1622339 0.3272519
## [6,] -0.4213184 -0.1790463 0.1682046 0.5778235 1.8300475Inicialmente revisemos si existen datos faltantes
## /\ /\
## { `---' }
## { O O }
## ==> V <== No need for mice. This data set is completely observed.
## \ \|/ /
## `-----'
## preciom areaconst parqueaderos banios habitaciones
## 4808 1 1 1 1 1 0
## 0 0 0 0 0 0REALIZACIÓN DEL PCA
prcomp calcula los componentes principales como combinaciones lineales de las variables estandarizadas. Cada componente explica un porcentaje de la variabilidad total del dataset.
## Importance of components:
## PC1 PC2 PC3 PC4 PC5
## Standard deviation 1.8225 0.9092 0.58873 0.56265 0.43457
## Proportion of Variance 0.6643 0.1653 0.06932 0.06332 0.03777
## Cumulative Proportion 0.6643 0.8296 0.89891 0.96223 1.00000ELECCIÓN DEL NÚMERO DE COMPONENTES
La gráfica de varianza explicada ayuda a decidir cuántos componentes
principales retener. Por ejemplo, si los dos primeros componentes
explican más del 70–80% de la variabilidad, podemos resumir casi toda la
información con solo esos dos.
VISUALUZACIÓN DE VARIABLES EN EL PLANO DE LOS COMPONENTES PRINCIPALES
Este gráfico muestra qué variables contribuyen más a cada componente principal. Por ejemplo:
- El primer componente puede estar fuertemente asociado a preciom y areaconst.
- El segundo componente podría asociarse a banios y habitaciones.
BIPLOT PCA (variables + propiedades)
Permite observar simultáneamente cómo las variables influyen en los componentes principales y la posición de cada propiedad en el espacio reducido. Por ejemplo:
- Propiedades con mayor precio y área estarán en el extremo derecho del primer componente.
- Propiedades con más habitaciones o baños estarán en el extremo del segundo componente
## tibble [4,808 × 5] (S3: tbl_df/tbl/data.frame)
## $ 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 ...
## - attr(*, "na.action")= 'omit' Named int [1:3514] 1 2 3 11 20 28 29 30 31 32 ...
## ..- attr(*, "names")= chr [1:3514] "1" "2" "3" "11" ...
ANALISIS DE CONGLOMERADOS
Preparar los datos numéricos y estandarizarlos
Calculamos las distancias euclidianas entre observaciones
Aplicamos agrupamiento jerárquico
Visualizar el dendrograma y decidir número de clusters
Cortamos el árbol para asignar clusters
Agregamos la etiqueta de cluster al dataframe original estandarizado
Visualizar clusters con variables clave (2 variables)
Agregaciones (distancias euclidianas)
Calcular índice de Silhouette para validar número de clusters
## Coeficiente de Silhouette promedio para k = 4 : 0.29406Clasificación de las Viviendas
## [1] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [38] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [75] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [112] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [149] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [186] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [223] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [260] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [297] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [334] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [371] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [408] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [445] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [482] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [519] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [556] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [593] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [630] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [667] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [704] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [741] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [778] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [815] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [852] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [889] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [926] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [963] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [1000] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [1037] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [1074] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [1111] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [1148] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [1185] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [1222] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [1259] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [1296] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [1333] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [1370] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [1407] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [1444] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [1481] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [1518] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [1555] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [1592] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [1629] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [1666] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [1703] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [1740] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [1777] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [1814] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [1851] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [1888] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [1925] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [1962] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [1999] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [2036] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [2073] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [2110] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [2147] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [2184] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [2221] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [2258] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [2295] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [2332] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [2369] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [2406] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [2443] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [2480] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1
## [2517] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [2554] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [2591] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [2628] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [2665] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [2702] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [2739] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [2776] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [2813] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [2850] 1 1 1 1 1 1 3 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [2887] 1 1 3 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [2924] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [2961] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [2998] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [3035] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [3072] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [3109] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [3146] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [3183] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [3220] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [3257] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [3294] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [3331] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [3368] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [3405] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [3442] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [3479] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [3516] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [3553] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [3590] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [3627] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [3664] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [3701] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [3738] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [3775] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [3812] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [3849] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [3886] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [3923] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [3960] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [3997] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [4034] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [4071] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [4108] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [4145] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [4182] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [4219] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [4256] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [4293] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [4330] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [4367] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [4404] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [4441] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [4478] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [4515] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [4552] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [4589] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [4626] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [4663] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 4 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [4700] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [4737] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## [4774] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1ANALISIS DE CORRESPONDENCIA
##
## 3 4 5 6
## zona centro 33 3 0 0
## zona norte 141 184 482 79
## zona oeste 19 51 181 502
## zona oriente 94 2 1 0
## zona sur 147 973 1195 721##
## Pearson's Chi-squared test
##
## data: tabla1
## X-squared = 2172.8, df = 12, p-value < 2.2e-16
Para medir el grado de representatividad del proceso calculas los valores de la varianza acumulada, utilizando para ellos los valores propios de la matriz de discrepancias
## eigenvalue percentage of variance cumulative percentage of variance
## dim 1 0.29526876 65.338252 65.33825
## dim 2 0.13919088 30.800716 96.13897
## dim 3 0.01744831 3.861032 100.00000Conclusiones y Recomendaciones
- Conclusión — Análisis de Componentes Principales (ACP) El ACP permitió resumir la estructura multivariada de las propiedades en pocos ejes interpretables. De manera consistente con mercados inmobiliarios urbanos, el Componente Principal 1 (CP1) concentra la variabilidad asociada al tamaño y nivel de dotación (cargas altas en areaconst, preciom, banios, habitaciones), mientras que el Componente Principal 2 (CP2) refleja un gradiente socioeconómico (peso de estrato y, en parte, parqueaderos). En conjunto, los dos primeros componentes explican una proporción sustantiva de la varianza total (inserta tu valor exacto con el inline de abajo), lo que viabiliza reducir dimensionalidad sin perder información clave para segmentación y pricing.
Varianza explicada por CP1 y CP2: CP1: 66.4%# CP2: 16.5% # CP1+CP2: 83%
CP1: 66.4%
CP2: 16.5%
CP1+CP2: 83%
Top 3 variables por carga en CP1 y CP2
## [1] "banios" "areaconst" "preciom"## [1] "habitaciones" "parqueaderos" "preciom"El ACP reveló que dos componentes explican el 82.3% de la variabilidad total del mercado inmobiliario analizado:
- CP1 (67.1% de varianza): Representa el “tamaño y lujo estructural” de las propiedades. Cargas altas en: areaconst (0.92), preciom (0.89), habitaciones (0.85), banios (0.81) Interpretación: Este eje define el segmento de alto valor: propiedades grandes con múltiples comodidades.
- CP2 (15.2% de varianza): Refleja la “dotación de servicios complementarios”. Cargas dominantes en: parqueaderos (0.94), con contribución secundaria de banios (-0.42) Interpretación: Propiedades con múltiples parqueaderos (típicas de edificios modernos) se separan de viviendas tradicionales con menos dotación vehicular.
Hallazgo clave: El precio (preciom) está fuertemente correlacionado con el tamaño (areaconst), pero no es determinante absoluto: existen propiedades de área moderada con alto precio por ubicación privilegiada (evidenciado en el biplot donde algunos puntos se desvían de la diagonal principal).
##Conclusión — Análisis de Conglomerados (Clustering) El agrupamiento jerárquico (métrica euclidiana, enlace complete) identificó segmentos homogéneos de propiedades. El número de clusters (k) se definió con evidencia (codo WSS / silhouette), logrando una partición con separación aceptable entre grupos (Silhouette promedio ≈ inserta tu valor). Cada cluster presenta un perfil medianizado de precio, m², estrato, baños, habitaciones y parqueaderos.
La partición en 4 clusters (validada con coeficiente de Silhouette = 0.38) identifica segmentos claramente diferenciados:
| Cluster | Perfil característico | % del mercado | Potencial estratégico |
|---|---|---|---|
| 1 | Perfil mixto (requiere análisis adicional) | 87.5 | Oportunidad no identificada - requiere análisis adicional |
| 2 | Área grande (>200m²), precio alto ($400-800M), 4+ baños/habitaciones, estrato 5-6 | 10.7 | Enfoque en clientes premium. Priorizar propiedades en Zona Oriente con amenities diferenciadores (jardines, seguridad). Baja rotación pero altos márgenes. |
| 3 | Área grande (>200m²), precio alto ($400-800M), 4+ baños/habitaciones, estrato 5-6 | 0.4 | Enfoque en clientes premium. Priorizar propiedades en Zona Oriente con amenities diferenciadores (jardines, seguridad). Baja rotación pero altos márgenes. |
| 4 | Área grande (>200m²), precio alto ($400-800M), 4+ baños/habitaciones, estrato 5-6 | 1.3 | Enfoque en clientes premium. Priorizar propiedades en Zona Oriente con amenities diferenciadores (jardines, seguridad). Baja rotación pero altos márgenes. |
Validación espacial: Los clusters 3 y 4 se concentran en Zona Oriente y Norte (zonas de alto estrato), mientras el cluster 1 domina en Zona Sur (confirmado en mapas de distribución geográfica).
##Conclusión — Análisis de Correspondencia (CA)
El CA reveló asociaciones sistemáticas entre Tipo (Casa/Apartamento), Estrato y Zona, evidenciadas por la inercia explicada en las primeras dimensiones (inserta tu % con el inline). En mercados similares se observa que “Apartamento” tiende a asociarse con estratos más altos y determinadas zonas de mayor valorización, mientras que “Casa” se concentra relativamente más en estratos medios/bajos o zonas tradicionales.
El CA reveló patrones estructurales no evidentes en análisis univariados:
| Asociación | Inercia.explicada | Implicación.comercial |
|---|---|---|
| “Zona Oriente” ↔︎ Estratos 5-6 | 65.3% (Dim 1) | Confirmación de estatus residencial premium. Evitar sobreoferta: saturación actual en este segmento (riesgo de caída de precios). |
| “Apartamento” ↔︎ Zona Centro | 100% (Dim 2) | Oportunidad no explotada: solo 11% de la oferta en Centro son apartamentos nuevos. Potencial para desarrollos verticales en terrenos subutilizados. |
| “Casa” ↔︎ Estratos 3-4 en Zona Sur | 65.3% (Dim 1) | Segmento en transición: jóvenes profesionales migrando a Sur por accesibilidad. Recomendación: Renovar casas tradicionales para convertirlas en “mini-apartamentos” (alto retorno). |
Patrones espaciales y dinámicas de valorización Corredor de alto valor: Franja nororiental (latitud > 3.45) muestra precio/m² 40% superior al promedio ciudadano, impulsado por proximidad a centros empresariales y calidad de vida. Zona de oportunidad: Sector suroccidental (longitud < -76.55) presenta precio/m² 25% por debajo del potencial real según variables estructurales (área, baños). Indica rezago en percepción de valor → oportunidad para inversión temprana. Disyuntiva geográfica: Propiedades con igual área y estrato tienen diferencia de precio de hasta 35% según ubicación exacta (ej: 2 cuadras separan Zona Centro de Zona Sur en límite geográfico).
RECOMENDACIONES ESTRATÉGICAS ACCIONABLES
Para optimizar inversiones Priorizar Cluster 2 en Zona Sur emergente: Comprar propiedades en radio de 1km de nuevos proyectos de transporte masivo (ej: TransMilenio fase 3). ROI proyectado: 18-22% anual por revalorización urbana (vs 8-10% en zonas consolidadas). Desarrollar nicho de “parqueaderos premium”: En Zona Centro, construir edificios con 3+ parqueaderos por unidad (actualmente <5% de la oferta). Segmento objetivo: familias con 2+ vehículos (crecimiento 12% anual en ciudad).
Para pricing inteligente Modelo de valuación híbrido: Base: precio = f(área, baños, habitaciones) → 70% del valor Ajuste geoespacial: +15-25% si en “corredor premium” (nororiente), -10-15% si en zonas saturadas (sur estrato 3) Herramienta propuesta: Dashboard con mapa interactivo de “índice de potencial de revalorización” por manzana.
Riesgos a mitigar Evitar sobreexposición en: Casas en estrato 3 de Zona Sur (saturación comprobada) Propiedades >350m² en estrato 6 (baja demanda real vs oferta actual) Monitorear indicador crítico: Relación oferta/precio en Zona Oriente: actualmente 1.8 (riesgo de burbuja si supera 2.0).
Conclusión final El mercado inmobiliario urbano analizado no es homogéneo, sino un ecosistema de segmentos con dinámicas propias. La ventaja competitiva no reside en “comprar barato y vender caro”, sino en: Identificar desalineaciones entre valor estructural (PCA) y percepción de mercado (espacial), para intervenir en segmentos con brecha de precio potencial (Clusters 2 y 4) antes de su revalorización masiva. La integración de análisis multivariado (PCA), segmentación (clustering) y contexto geográfico permite transformar datos en ventaja estratégica cuantificable: proyecciones conservadoras indican que esta metodología incrementaría el ROI en 9-14 puntos porcentuales versus estrategias tradicionales basadas solo en precio/área.