Implementación de Metodologías Estadísticas para Pronósticos de Vivienda en Bogotá

dc.contributor.advisorPineda Ríos, Wilmer DaríoSpa
dc.contributor.authorMartinez Arroyo, Daniel IsaacSpa
dc.contributor.corporatenameUniversidad Santo Tomásspa
dc.contributor.cvlachttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001454199spa
dc.contributor.googlescholarhttps://scholar.google.es/citations?user=5KmOl5oAAAAJ&hl=esspa
dc.contributor.orcidhttps://orcid.org/0000-0001-7774-951Xspa
dc.coverage.campusCRAI-USTA Bogotáspa
dc.date.accessioned2021-07-15T19:41:53Z
dc.date.available2021-07-15T19:41:53Z
dc.date.issued2021-07-12
dc.descriptionLa adquisición de vivienda ha sido algo indispensable desde hace miles de años, desde que los humanos dejaron de ser nómadas y decidieron asentarse en un lugar en concreto, adicionalmente con el sistema capitalista las viviendas dejaron de ser solo importantes para vivir, ya que también se convirtieron en uno de los principales negocios. Esto es debido a que mueve grandes sumas de dinero y es de los negocios menos riesgosos, pero en contraparte suele no ser muy rentable, pues proporcionalmente no presentan un gran incremento en el precio, adicionalmente no se tiene informaci\'on acerca de cuáles viviendas son las que van a tener una mayor valorización, ni que características son las más relevantes a la hora de determinar el precio final del inmueble, si es el área, el estrato, el número de habitaciones, u otra que tal vez no sea tan evidente. En el presente trabajo se implementarán diferentes metodologías estadísticas con el fin poder tener un mayor entendimiento sobre qué características determinan el valor del inmueble, pero para esto se necesita obtener la mayor información posible sobre las características de los apartamentos y su precio. Esto se pudo realizar gracias a que la galería inmobiliaria brindó sus bases de datos, las cuales lleva recolectando información sobre los inmuebles de varias ciudades del país desde el 2002. Con esta información se puede obtener una mejor perspectiva y una idea más clara y precisa sobre cuáles son los factores más importantes a la hora de determinar el precio de las viviendas de Bogotá, implementando distintas metodologías estadísticas, entre esas modelos de regresión lineal múltiple, regresión ridge y lasso, vecinos más cercanos, \'árboles de regresi\'on, random forest y redes neuronales multicapa, y al final comparar los resultados obtenidos entre ellos, para determinar cuál es la mejor metodología para determinar el precio de vivienda de Bogotá. Después de determinar cuál es el mejor modelo y obtener sus resultados, es posible tomar mejores decisiones a la hora de invertir en una vivienda, debido a que al tener mayor conocimiento sobre qué variables son más importantes a la hora de determinar el precio de vivienda, se puede realizar una mejor inversión, al hacer mejor uso del dinero, usando la menor cantidad y en contraparte obteniendo la mayor valorización. Adicionalmente las personas que deseen usar sus ahorros para comprar un apartamento, podrán usar esta información para encontrar apartamentos con las características deseadas al mejor precio y tener una idea más clara de los valores reales de los precios de las viviendas, con el fin de no pagar más de lo debido.spa
dc.description.abstractThe acquisition of housing has been something essential for miles of years, since humans stopped being nomads and decided to settle in a specific place, additionally with the capitalist system the houses stopped being only significant to live, they also became one big business. This is due to the fact that it moves large sums of money and is one of the least risky businesses, but on the other hand it is not usually very profitable, because proportionally it does not present a large increase in price, additionally there is no information about which housing transfers are those that are going to have a greater appreciation, or what characteristics are the most relevant on determining the final price of the property, whether it is the area, the social stratum, the number of rooms, or another that may not be so obvious. In this work, different statistical methodologies will be implemented in order to have a better understanding of what characteristics determine the value of the property, but for this it is necessary to obtain as much information as possible about the characteristics of the apartments and their price. This could be done thanks to the fact that the real estate gallery provided its databases, which have been collecting information on the properties of various cities in the country since 2002. With this information, a better perspective and a clearer and more precise idea about which are the most important factors when determining the price of houses in Bogotá, implementing different statistical methodologies, among those models of multiple linear regression, ridge and lasso regression, closest neighbors, \ 'regression trees \' on, random forest and multilayer neural networks, and at the end compare the results obtained between them, to determine which is the best methodology to determine the house price in Bogotá. After determining which is the best model and obtaining its results, it is possible to make better decisions when investing in a home, because having greater knowledge about which variables are most important when determining the price of a home, a better investment can be made, by making better use of money, using the least amount and in return obtaining the highest valuation. Additionally, people who wish to use their savings to buy an apartment, will be able to use this information to find apartments with desired characteristics at the best price and have a clearer idea of ​​the real values ​​of the prices of the houses, in order not to pay more than it should.Eng
dc.description.degreelevelPregradospa
dc.description.degreenameProfesional en estadísticaspa
dc.description.domainhttp://unidadinvestigacion.usta.edu.cospa
dc.format.mimetypeapplication/pdfspa
dc.identifier.citationMartinez Arroyo, D. I. (2021). Implementación de Metodologías Estadísticas para Pronósticos de Vivienda en Bogotá. [Trabajo de Grado, Universidad Santo Tomás]. Repositorio Institucional.spa
dc.identifier.instnameinstname:Universidad Santo Tomásspa
dc.identifier.reponamereponame:Repositorio Institucional Universidad Santo Tomásspa
dc.identifier.repourlrepourl:https://repository.usta.edu.cospa
dc.identifier.urihttp://hdl.handle.net/11634/34931
dc.language.isospaspa
dc.publisherUniversidad Santo Tomásspa
dc.publisher.facultyFacultad de estadísticaspa
dc.publisher.programRregrado estadísticaspa
dc.relation.referencesAbbott. J., Klaibber. H (2011). An Embarrassment Of Riches: Confronting Omitted Variable Bias And Multiscale Capitalization In Hedonic Price Modelsspa
dc.relation.referencesBasogain Olabe, X. REDES NEURONALES ARTIFICIALES Y SUS APLICACIONES. Escuela Superior de Ingeniería de Bilbao, EHU.spa
dc.relation.referencesBerástegui Arbeloa, G. (2018). Implementación del algoritmo de los k vecinos m ́as cercanos (k-NN) y estimación del mejor valor local de k para su cálculo. Universidad publica de Navarra.spa
dc.relation.referencesCalhoun C. A., 2001, “Property Valuation Methods and Data in The United States”, Housing Finance International, 16(2): 12 - 23spa
dc.relation.referencesCaplin, A., Chopra, S., Leahy, J. V., LeCun, Y., Thampy, T. (2008). Machine learning and the spatial structure of house prices and housing returns. Disponible en http://dx.doi.org/10.2139/ssrn.1316046spa
dc.relation.referencesCárdenas Rubio, J. A., Chaux Guzmán, F. J., Otero, J. (2019). Construcción de una base de datos de precios y características de vivienda para Colombia. Revista de Economía del Rosario, 22(1), 75-100. doi: . http://dx.doi.org/10.12804/revistas. urosario.edu.co/economia/a.7768spa
dc.relation.referencesCasas. J., Torres. N. (Casas Bazurto, J., Torres Amezquita, N. (2017). Plan de negocio Inmobiliaria Casas Torres S.A.S. Retrieved from https://ciencia.lasalle.edu.co/finanzas comercio/94)Plan de negocio Inmobiliaria Casas Torres S.A.Sspa
dc.relation.referencesCastaño, J., Laverde, M., Morales, M,A ., Yaruro, A,M. (2013). ́Indice de Precios de la Vivienda Nueva para Bogotá: Metodología de Precios Hedónicos*. Reporte de estabilidad financieraspa
dc.relation.referencesCarrasquilla-Batista, A; Chacón-Rodríguez, A; NúñezMontero, K; Gómez-Espinoza, O; Valverde, J; GuerreroBarrantes M. Regresión lineal simple y múltiple: aplicación en la predicción de variables naturales relacionadas con el crecimiento microalgal . Tecnolog ́ıa en Marcha. Encuentro de Investigación y Extensión 2016. Pág 33-45spa
dc.relation.referencesCarrasco Carrasco, M. (2016). TÉCNICAS DE REGULARIZACIÓN EN REGRESIÓN: IMPLEMENTACIÓN Y APLICACIONES. Universidad de Sevilla.spa
dc.relation.referencesCeular, N. & Caridad & Ocerín, JM (2001). Un análisis del mercado de la vivienda a través de redes neuronales artificiales. Estudios de Economía Aplicada, 18 (2), 41-66. [Fecha de Consulta 3 de Febrero de 2021]. ISSN: 1133-3197. Disponible en: https://www.redalyc.org/articulo.oa?id=301/30118210\\spa
dc.relation.referencesCedeño Mata, M. Técnicas de clustering aplicadas a la discriminación de pigmentos en espectroscopía Raman. Universitat Politècnica de Catalunya (UPC).spa
dc.relation.referencesChaphalkar, N. B., & Sandbhor, S. (2013). Use of artificial intelligence in real property valuation. International Journal of Engineering and Technology, 5(3), 2334–2337.spa
dc.relation.referencesDANE. (2017). Departamento Administrativo Nacional de Estadística. Recuperado el 03 de Marzo de 2017, de DANE \- Cuentas Trimestrales Nacionales \- Producto Intero Bruto: http://www.dane.gov.co/index.php/estadisticas\-por\-tema/cuentas\-nacionales/cuentas\-nacionalestrimestrales\#pib\-por\-rama\-de\-actividad\\spa
dc.relation.referencesDiPasquale, D., & Wheaton, w. c. (1996). Urban economics and real estate markets. Englewood Cliffs, nj: Prentice Hall.spa
dc.relation.referencesEjea Carbonell, D. (2017). Árboles de Regresión. Algunos algoritmos y extensiones a métodos de consenso.. Universidad Zaragoza.spa
dc.relation.referencesEurostat (2013), ‘Handbook on Residential Property Price Indices (RPPI)’, Methodologies and Working Papers .spa
dc.relation.referencesFEDELONJAS. (16 de Septiembre de 2016). Federación Colombiana de Lonjas de Propiedad Raíz. Recuperado el 05 de Marzo de 2017, de Noticias: Sector inmobiliario demostró ser clave para impulsar desarrollo económico del país: http://www.fedelonjas.org.co/sector-inmobiliariodemostro-ser-clave-para-impulsar-desarrollo-economico-del-pais/\\spa
dc.relation.referencesForero Gómez, G. (2020). MODELO DE REGRESIÓN LINEAL MÚLTIPLE PARA EL PRONÓSTICO DE VENTAS DE BOLSAS ECOLÓGICAS PARA LA EMPRESA BOLECO SA, EN LA CIUDAD DE BOGOTÁ DC. UNIVERSIDAD COOPERATIVA DE COLOMBIA.spa
dc.relation.referencesGallardo Campos, M., 2009. Aplicación De Técnicas De Clustering Para La Mejora De Aprendizaje. Universidad Carlos III De Madridspa
dc.relation.referencesGARCÍA, A (2005). Vivienda, familia, identidad. La casa como prolongación de las relaciones humanas. Trayectorias, VII (17), 43-56. [Fecha de Consulta 2 de Febrero de 2021]. ISSN: 2007-1205. Disponible en: https://www.redalyc.org/articulo.oa?id=607/60722197006spa
dc.relation.referencesGarcia, N., Gamez, M., & Alfaro, E. (2006). Redes neuronales artificiales: un largo e irregular camino hasta la actualidad. En H. d. estadística.spa
dc.relation.referencesGarzón , J. M., & Cardozo, D. (2019). Cerros orientales de Bogotá: una aplicación hedónica al precio de la vivienda para la localidad de Chapinero para el año 2018. Retrieved from https://ciencia.lasalle.edu.co/economia/907spa
dc.relation.referencesGigi & Andres . (2020, 4 julio). Web Scraping: encontrando la propiedad más barata. Muestreo, encuestas y estadísticas oficiales. https://predictive.home.blog/2020/07/03/web-scraping-encontrando-la-propiedad-mas-barata/amp/?\_\_twitter\_impression=truespa
dc.relation.referencesGrajales Alzate, Y. (2019). MODELO DE PREDICCIÓN DE PRECIOS DE VIVIENDAS EN EL MUNICIPIO DE RIONEGRO PARA APOYAR LA TOMA DE DECISIONES DE COMPRA Y VENTA DE PROPIEDAD RAÍZ (MAESTRÍA). UNIVERSIDAD PONTIFICIA BOLIVARIANAspa
dc.relation.referencesGualdron, O. (2006). Desarrollo de diferentes métodos de selección de variables para sistemas multisensoriales. Tarragona, España: Universitat Rovira I Virgili. Tomado en: https://www.tdx.cat/bitstream/handle/10803/8473/Tesis Oscar Gualdron.pdf?...1spa
dc.relation.referencesH. Kriegel, “Density-based cluster- and outlier analysis.” Website, 2000. http://www.dbs.informatik.uni-muenchen.de/Forschung/KDD/ Clustering/index.html.spa
dc.relation.referencesHill, R. (2011), ‘Hedonic Price Indexes for housing’, Statistics Working Papersspa
dc.relation.referencesHolmes, M. J., Otero, J., & Panagiotidis, T. (2011). Investigating regional house price convergence in the United States: Evidence from a pair-wise approach. Economic Modelling, 28(6), 2369-2376.spa
dc.relation.referencesJames, G., Witten, D., Hastie, T. and Tibshinari, R. (2013) An Introduction to Statistical Learning (with applications in R). California, United States: Springer New York Heidelberg Dordrecht London.spa
dc.relation.referencesJoshi, D., Samal, A. K., & Soh, L. K. (2009, March). Density-based clustering of polygons. In Computational Intelligence and Data Mining, 2009.CIDM'09. IEEE Symposium on (pp. 171-178). IEEEspa
dc.relation.referencesKnight, J. R., Dombrow, J. & Sirmans, C. F. (1995), ‘A varying parameters approach to constructing house price indexes’, Real Estate Economics 23(2), 187–205.spa
dc.relation.referencesLa Galería inmobiliaria. (s. f.). La Galería Inmobiliaria. Recuperado 3 de julio de 2021, de http://www.fincaraiz.comspa
dc.relation.referencesLever, G. (2000). Determinantes del precio de la vivienda en Santiago: Una estimación Hedónica. Paper. Santiago, Chile: Editorial.spa
dc.relation.referencesM. Ester, H.-P. Kriegel, S. Jorg, and X. Xu, “A density-based algorithm for discovering ¨clusters in large spatial databases with noise,” 1996spa
dc.relation.referencesM. Gallardo Campos, ""Aplicación de técnicas de clustering para la mejora del aprendizaje"," Universidad Carlos III de Madrid, Leganés, 2009spa
dc.relation.referencesMolino, E., Cardoso, J., Ruíz, A., & Sánchez, J. (2014). Comparación de redes neuronales artificiales y análisis armónico para el pronóstico del nivel del mar (estero de Urías, Mazatlán, México). Ciencias Marinas, 254spa
dc.relation.referencesMONTAÑO MORENO, J. (2002). Redes Neuronales Artificiales aplicadas al Análisis de Datos. UNIVERSITAT DE LES ILLES BALEARS.spa
dc.relation.referencesMontero Granados. R (2016): Modelos de regresión lineal múltiple. Documentos de Trabajo en Economía Aplicada. Universidad de Granada. Españaspa
dc.relation.referencesO’Sullivan, A. (2012). Urban economics. Boston: McGraw-Hill, Irwin. Sevillano P\'erez, F. (2015). Big Data. Economía industrial, 395, 71-86.spa
dc.relation.referencesPat Fernandez, L. A., Martínez Menchaca, A. H., Pat Fernández, J. M., & Martínez Luis, D. (2013 ). Introducción a los Modelos de Regresión. Ciudad del Carmen: Plaza y Valdes. Obtenido de https://ebookcentral.proquest.comspa
dc.relation.referencesPeterson, S., & Flanagan, A. B. (2009). Neural Network Hedonic Pricing Models in Mass Real Estate Appraisal. Journal of Real Estate Research, 31(2), 147–165. Retrieved from http://ares.metapress.com/index/M3H27210W6411373.pdfspa
dc.relation.referencesRosen S., 1974, “Hedonic Prices and Implicit Markets: Product Differentiation in Pure Competition”, Journal of Political Economics, 82: 34 – 55spa
dc.relation.referencesRUMELHART, D.E.; HINTON, G.E. y MCCLELLAND, J.L. (1986): Learning representations by backpropagation. Nature, 323, pp. 533-536.spa
dc.relation.referencesStanley M., Alastair A., Dylan M. and D. Patterson, 1998, “Neural Networks: The Prediction of Residential Values”, Journal of Property Valuation & Investment, 16(1): 57 – 70spa
dc.relation.referencesSullivan, W. (2017) Machine Learning For Beginners Algorithms, Decision Tree Random Forest Introduction. Carolina del Sur, United States: CreateSpacespa
dc.relation.referencesSyz, J. (2008), Property Derivatives: Pricing, Hedging and applications, John Wiley and Sons Inc.spa
dc.relation.referencesViridiana, P, L. (2017) EL USO DE WEB SCRAPING PARA LA EXTRACCIÓN DE DATOS, (11)spa
dc.relation.referencesTahir, F., ul-Hassan, T., & Asghar Saqib, M. (2016). Optimal scheduling of electrical power in energy-deficient scenarios using artificial neural network and Bootstrap aggregatingspa
dc.relation.referencesTibshirani,R. (1996). Regression shrinkage and selection via the Lasso. Journal of the Royal Statistical Society. Series B (Methodological), 58(1): págs. 267288.spa
dc.relation.referencesVaca Ramírez, F. (2015). Segmentación geométrica de la ciudad de Quito por medio de un método de aprendizaje no supervisado. UNIVERSIDAD SAN FRANCISCO DE QUITO USFQ.spa
dc.relation.referencesZornoza Martínez, A. (2020). Predicción del precio de una vivienda mediante un proceso de ciencia de datos. ESCUELA SUPERIOR DE INGENIERÍA INFORMÁTICA.spa
dc.rightsAtribución-NoComercial-SinDerivadas 2.5 Colombia*
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.localAbierto (Texto Completo)spa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/co/*
dc.subject.keywordMultiple Linear Regressionspa
dc.subject.keywordRegression RidgeEng
dc.subject.keywordLasso regressionEng
dc.subject.keywordk-Nearest NeighborsEng
dc.subject.keywordRegression TreeEng
dc.subject.keywordRandom ForestEng
dc.subject.keywordMultilayer Neural NetworkEng
dc.subject.keywordliving placeEng
dc.subject.keywordreal estateEng
dc.subject.lembAnálisis de regresiónspa
dc.subject.lembMercado de la viviendaspa
dc.subject.lembEstadística matemáticaspa
dc.subject.lembEstadìsticaSpa
dc.subject.proposalRegresión Lineal Múltiplespa
dc.subject.proposalRegresión Ridgespa
dc.subject.proposalRegresión Lassospa
dc.subject.proposalVecino Más Cercanospa
dc.subject.proposalRandom Forestspa
dc.subject.proposalRed Neuronal Multicapaspa
dc.subject.proposalViviendaspa
dc.subject.proposalFinca Raízspa
dc.subject.proposalÁrbol De Regresiónspa
dc.titleImplementación de Metodologías Estadísticas para Pronósticos de Vivienda en Bogotáspa
dc.typebachelor thesis
dc.type.categoryFormación de Recurso Humano para la Ctel: Trabajo de grado de Pregradospa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.driveinfo:eu-repo/semantics/bachelorThesis
dc.type.localTesis de pregradospa
dc.type.versioninfo:eu-repo/semantics/acceptedVersion

Archivos

Bloque original

Mostrando 1 - 3 de 3
Cargando...
Miniatura
Nombre:
2021danielmartinez
Tamaño:
1.84 MB
Formato:
Adobe Portable Document Format
Descripción:
Thumbnail USTA
Nombre:
2021cartaaprobaciónfacultad
Tamaño:
256.77 KB
Formato:
Adobe Portable Document Format
Descripción:
Thumbnail USTA
Nombre:
2021cartaderechosautor
Tamaño:
218.46 KB
Formato:
Adobe Portable Document Format
Descripción:

Bloque de licencias

Mostrando 1 - 1 de 1
Thumbnail USTA
Nombre:
license.txt
Tamaño:
807 B
Formato:
Item-specific license agreed upon to submission
Descripción: