Implementación de Metodologías Estadísticas para Pronósticos de Vivienda en Bogotá

La 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 convirtie...

Full description

Autores:
Martinez Arroyo, Daniel Isaac
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2021
Institución:
Universidad Santo Tomás
Repositorio:
Repositorio Institucional USTA
Idioma:
spa
OAI Identifier:
oai:repository.usta.edu.co:11634/34931
Acceso en línea:
http://hdl.handle.net/11634/34931
Palabra clave:
Multiple Linear Regression
Regression Ridge
Lasso regression
k-Nearest Neighbors
Regression Tree
Random Forest
Multilayer Neural Network
living place
real estate
Análisis de regresión
Mercado de la vivienda
Estadística matemática
Regresión Lineal Múltiple
Regresión Ridge
Regresión Lasso
Vecino Más Cercano
Random Forest
Red Neuronal Multicapa
Vivienda
Finca Raíz
Árbol De Regresión
Rights
openAccess
License
Atribución-NoComercial-SinDerivadas 2.5 Colombia
id SANTTOMAS2_236e880900061f5670ecb51711854c9e
oai_identifier_str oai:repository.usta.edu.co:11634/34931
network_acronym_str SANTTOMAS2
network_name_str Repositorio Institucional USTA
repository_id_str
dc.title.spa.fl_str_mv Implementación de Metodologías Estadísticas para Pronósticos de Vivienda en Bogotá
title Implementación de Metodologías Estadísticas para Pronósticos de Vivienda en Bogotá
spellingShingle Implementación de Metodologías Estadísticas para Pronósticos de Vivienda en Bogotá
Multiple Linear Regression
Regression Ridge
Lasso regression
k-Nearest Neighbors
Regression Tree
Random Forest
Multilayer Neural Network
living place
real estate
Análisis de regresión
Mercado de la vivienda
Estadística matemática
Regresión Lineal Múltiple
Regresión Ridge
Regresión Lasso
Vecino Más Cercano
Random Forest
Red Neuronal Multicapa
Vivienda
Finca Raíz
Árbol De Regresión
title_short Implementación de Metodologías Estadísticas para Pronósticos de Vivienda en Bogotá
title_full Implementación de Metodologías Estadísticas para Pronósticos de Vivienda en Bogotá
title_fullStr Implementación de Metodologías Estadísticas para Pronósticos de Vivienda en Bogotá
title_full_unstemmed Implementación de Metodologías Estadísticas para Pronósticos de Vivienda en Bogotá
title_sort Implementación de Metodologías Estadísticas para Pronósticos de Vivienda en Bogotá
dc.creator.fl_str_mv Martinez Arroyo, Daniel Isaac
dc.contributor.advisor.none.fl_str_mv Pineda Ríos, Wilmer Darío
dc.contributor.author.none.fl_str_mv Martinez Arroyo, Daniel Isaac
dc.contributor.orcid.spa.fl_str_mv https://orcid.org/0000-0001-7774-951X
dc.contributor.googlescholar.spa.fl_str_mv https://scholar.google.es/citations?user=5KmOl5oAAAAJ&hl=es
dc.contributor.cvlac.spa.fl_str_mv https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001454199
dc.contributor.corporatename.spa.fl_str_mv Universidad Santo Tomás
dc.subject.keyword.spa.fl_str_mv Multiple Linear Regression
Regression Ridge
Lasso regression
k-Nearest Neighbors
Regression Tree
Random Forest
Multilayer Neural Network
living place
real estate
topic Multiple Linear Regression
Regression Ridge
Lasso regression
k-Nearest Neighbors
Regression Tree
Random Forest
Multilayer Neural Network
living place
real estate
Análisis de regresión
Mercado de la vivienda
Estadística matemática
Regresión Lineal Múltiple
Regresión Ridge
Regresión Lasso
Vecino Más Cercano
Random Forest
Red Neuronal Multicapa
Vivienda
Finca Raíz
Árbol De Regresión
dc.subject.lemb.spa.fl_str_mv Análisis de regresión
Mercado de la vivienda
Estadística matemática
dc.subject.proposal.spa.fl_str_mv Regresión Lineal Múltiple
Regresión Ridge
Regresión Lasso
Vecino Más Cercano
Random Forest
Red Neuronal Multicapa
Vivienda
Finca Raíz
Árbol De Regresión
description La 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.
publishDate 2021
dc.date.accessioned.none.fl_str_mv 2021-07-15T19:41:53Z
dc.date.available.none.fl_str_mv 2021-07-15T19:41:53Z
dc.date.issued.none.fl_str_mv 2021-07-12
dc.type.local.spa.fl_str_mv Trabajo de grado
dc.type.version.none.fl_str_mv info:eu-repo/semantics/acceptedVersion
dc.type.category.spa.fl_str_mv Formación de Recurso Humano para la Ctel: Trabajo de grado de Pregrado
dc.type.coar.none.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.drive.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
format http://purl.org/coar/resource_type/c_7a1f
status_str acceptedVersion
dc.identifier.citation.spa.fl_str_mv Martinez Arroyo, D. (2021). Implementación de Metodologías Estadísticas para Pronósticos de Vivienda en Bogotá [Tesis de Pregrado, Universidad Santo Tomás Colombia]. Repositorio institucional
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/11634/34931
dc.identifier.reponame.spa.fl_str_mv reponame:Repositorio Institucional Universidad Santo Tomás
dc.identifier.instname.spa.fl_str_mv instname:Universidad Santo Tomás
dc.identifier.repourl.spa.fl_str_mv repourl:https://repository.usta.edu.co
identifier_str_mv Martinez Arroyo, D. (2021). Implementación de Metodologías Estadísticas para Pronósticos de Vivienda en Bogotá [Tesis de Pregrado, Universidad Santo Tomás Colombia]. Repositorio institucional
reponame:Repositorio Institucional Universidad Santo Tomás
instname:Universidad Santo Tomás
repourl:https://repository.usta.edu.co
url http://hdl.handle.net/11634/34931
dc.language.iso.spa.fl_str_mv spa
language spa
dc.relation.references.spa.fl_str_mv Abbott. J., Klaibber. H (2011). An Embarrassment Of Riches: Confronting Omitted Variable Bias And Multiscale Capitalization In Hedonic Price Models
Basogain Olabe, X. REDES NEURONALES ARTIFICIALES Y SUS APLICACIONES. Escuela Superior de Ingeniería de Bilbao, EHU.
Berástegui 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.
Calhoun C. A., 2001, “Property Valuation Methods and Data in The United States”, Housing Finance International, 16(2): 12 - 23
Caplin, 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.1316046
Cárdenas 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.7768
Casas. 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.S
Castaño, 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 financiera
Carrasquilla-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 33-45
Carrasco Carrasco, M. (2016). TÉCNICAS DE REGULARIZACIÓN EN REGRESIÓN: IMPLEMENTACIÓN Y APLICACIONES. Universidad de Sevilla.
Ceular, 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\\
Cedeño Mata, M. Técnicas de clustering aplicadas a la discriminación de pigmentos en espectroscopía Raman. Universitat Politècnica de Catalunya (UPC).
Chaphalkar, N. B., & Sandbhor, S. (2013). Use of artificial intelligence in real property valuation. International Journal of Engineering and Technology, 5(3), 2334–2337.
DANE. (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\\
DiPasquale, D., & Wheaton, w. c. (1996). Urban economics and real estate markets. Englewood Cliffs, nj: Prentice Hall.
Ejea Carbonell, D. (2017). Árboles de Regresión. Algunos algoritmos y extensiones a métodos de consenso.. Universidad Zaragoza.
Eurostat (2013), ‘Handbook on Residential Property Price Indices (RPPI)’, Methodologies and Working Papers .
FEDELONJAS. (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/\\
Forero 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.
Gallardo Campos, M., 2009. Aplicación De Técnicas De Clustering Para La Mejora De Aprendizaje. Universidad Carlos III De Madrid
GARCÍA, 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=607/60722197006
Garcia, N., Gamez, M., & Alfaro, E. (2006). Redes neuronales artificiales: un largo e irregular camino hasta la actualidad. En H. d. estadística.
Garzón , 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/907
Gigi & 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=true
Grajales 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 BOLIVARIANA
Gualdron, 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?...1
H. Kriegel, “Density-based cluster- and outlier analysis.” Website, 2000. http://www.dbs.informatik.uni-muenchen.de/Forschung/KDD/ Clustering/index.html.
Hill, R. (2011), ‘Hedonic Price Indexes for housing’, Statistics Working Papers
Holmes, 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.
James, 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.
Joshi, 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). IEEE
Knight, J. R., Dombrow, J. & Sirmans, C. F. (1995), ‘A varying parameters approach to constructing house price indexes’, Real Estate Economics 23(2), 187–205.
La Galería inmobiliaria. (s. f.). La Galería Inmobiliaria. Recuperado 3 de julio de 2021, de http://www.fincaraiz.com
Lever, G. (2000). Determinantes del precio de la vivienda en Santiago: Una estimación Hedónica. Paper. Santiago, Chile: Editorial.
M. Ester, H.-P. Kriegel, S. Jorg, and X. Xu, “A density-based algorithm for discovering ¨clusters in large spatial databases with noise,” 1996
M. Gallardo Campos, ""Aplicación de técnicas de clustering para la mejora del aprendizaje"," Universidad Carlos III de Madrid, Leganés, 2009
Molino, 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, 254
MONTAÑO MORENO, J. (2002). Redes Neuronales Artificiales aplicadas al Análisis de Datos. UNIVERSITAT DE LES ILLES BALEARS.
Montero Granados. R (2016): Modelos de regresión lineal múltiple. Documentos de Trabajo en Economía Aplicada. Universidad de Granada. España
O’Sullivan, A. (2012). Urban economics. Boston: McGraw-Hill, Irwin. Sevillano P\'erez, F. (2015). Big Data. Economía industrial, 395, 71-86.
Pat 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.com
Peterson, 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.pdf
Rosen S., 1974, “Hedonic Prices and Implicit Markets: Product Differentiation in Pure Competition”, Journal of Political Economics, 82: 34 – 55
RUMELHART, D.E.; HINTON, G.E. y MCCLELLAND, J.L. (1986): Learning representations by backpropagation. Nature, 323, pp. 533-536.
Stanley M., Alastair A., Dylan M. and D. Patterson, 1998, “Neural Networks: The Prediction of Residential Values”, Journal of Property Valuation & Investment, 16(1): 57 – 70
Sullivan, W. (2017) Machine Learning For Beginners Algorithms, Decision Tree Random Forest Introduction. Carolina del Sur, United States: CreateSpace
Syz, J. (2008), Property Derivatives: Pricing, Hedging and applications, John Wiley and Sons Inc.
Viridiana, P, L. (2017) EL USO DE WEB SCRAPING PARA LA EXTRACCIÓN DE DATOS, (11)
Tahir, F., ul-Hassan, T., & Asghar Saqib, M. (2016). Optimal scheduling of electrical power in energy-deficient scenarios using artificial neural network and Bootstrap aggregating
Tibshirani,R. (1996). Regression shrinkage and selection via the Lasso. Journal of the Royal Statistical Society. Series B (Methodological), 58(1): págs. 267288.
Vaca 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.
Zornoza Martínez, A. (2020). Predicción del precio de una vivienda mediante un proceso de ciencia de datos. ESCUELA SUPERIOR DE INGENIERÍA INFORMÁTICA.
dc.rights.*.fl_str_mv Atribución-NoComercial-SinDerivadas 2.5 Colombia
dc.rights.uri.*.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/2.5/co/
dc.rights.local.spa.fl_str_mv Abierto (Texto Completo)
dc.rights.accessrights.none.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.coar.none.fl_str_mv http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv Atribución-NoComercial-SinDerivadas 2.5 Colombia
http://creativecommons.org/licenses/by-nc-nd/2.5/co/
Abierto (Texto Completo)
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.mimetype.spa.fl_str_mv application/pdf
dc.coverage.campus.spa.fl_str_mv CRAI-USTA Bogotá
dc.publisher.spa.fl_str_mv Universidad Santo Tomás
dc.publisher.program.spa.fl_str_mv Rregrado estadística
dc.publisher.faculty.spa.fl_str_mv Facultad de estadística
institution Universidad Santo Tomás
bitstream.url.fl_str_mv https://repository.usta.edu.co/bitstream/11634/34931/4/license_rdf
https://repository.usta.edu.co/bitstream/11634/34931/5/license.txt
https://repository.usta.edu.co/bitstream/11634/34931/1/2021danielmartinez.pdf
https://repository.usta.edu.co/bitstream/11634/34931/2/Carta%20Aprobacio%cc%81n%20Facultad.pdf
https://repository.usta.edu.co/bitstream/11634/34931/3/Carta%20Derecho%20de%20Autor.pdf
https://repository.usta.edu.co/bitstream/11634/34931/6/2021danielmartinez.pdf.jpg
https://repository.usta.edu.co/bitstream/11634/34931/7/Carta%20Aprobacio%cc%81n%20Facultad.pdf.jpg
https://repository.usta.edu.co/bitstream/11634/34931/8/Carta%20Derecho%20de%20Autor.pdf.jpg
bitstream.checksum.fl_str_mv 217700a34da79ed616c2feb68d4c5e06
aedeaf396fcd827b537c73d23464fc27
81c725faa621b20d72a1db3119581f5c
da50a7fa565f4a67031419cfffaa200e
52ef9022219b9e90f40dca2e7e96b261
0312c47d39d0ed1b3a39cc3c57d57078
b99a1872fb16e0500e43601bb574e146
ad4b234076b26659bd5ae79b2155f2b3
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Universidad Santo Tomás
repository.mail.fl_str_mv repositorio@usantotomas.edu.co
_version_ 1782026130978504704
spelling Pineda Ríos, Wilmer DaríoMartinez Arroyo, Daniel Isaachttps://orcid.org/0000-0001-7774-951Xhttps://scholar.google.es/citations?user=5KmOl5oAAAAJ&hl=eshttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001454199Universidad Santo Tomás2021-07-15T19:41:53Z2021-07-15T19:41:53Z2021-07-12Martinez Arroyo, D. (2021). Implementación de Metodologías Estadísticas para Pronósticos de Vivienda en Bogotá [Tesis de Pregrado, Universidad Santo Tomás Colombia]. Repositorio institucionalhttp://hdl.handle.net/11634/34931reponame:Repositorio Institucional Universidad Santo Tomásinstname:Universidad Santo Tomásrepourl:https://repository.usta.edu.coLa 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.The 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.Profesional en estadísticahttp://unidadinvestigacion.usta.edu.coPregradoapplication/pdfspaUniversidad Santo TomásRregrado estadísticaFacultad de estadísticaAtribución-NoComercial-SinDerivadas 2.5 Colombiahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Abierto (Texto Completo)info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Implementación de Metodologías Estadísticas para Pronósticos de Vivienda en BogotáMultiple Linear RegressionRegression RidgeLasso regressionk-Nearest NeighborsRegression TreeRandom ForestMultilayer Neural Networkliving placereal estateAnálisis de regresiónMercado de la viviendaEstadística matemáticaRegresión Lineal MúltipleRegresión RidgeRegresión LassoVecino Más CercanoRandom ForestRed Neuronal MulticapaViviendaFinca RaízÁrbol De RegresiónTrabajo de gradoinfo:eu-repo/semantics/acceptedVersionFormación de Recurso Humano para la Ctel: Trabajo de grado de Pregradohttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/bachelorThesisCRAI-USTA BogotáAbbott. J., Klaibber. H (2011). An Embarrassment Of Riches: Confronting Omitted Variable Bias And Multiscale Capitalization In Hedonic Price ModelsBasogain Olabe, X. REDES NEURONALES ARTIFICIALES Y SUS APLICACIONES. Escuela Superior de Ingeniería de Bilbao, EHU.Berástegui 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.Calhoun C. A., 2001, “Property Valuation Methods and Data in The United States”, Housing Finance International, 16(2): 12 - 23Caplin, 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.1316046Cárdenas 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.7768Casas. 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.SCastaño, 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 financieraCarrasquilla-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 33-45Carrasco Carrasco, M. (2016). TÉCNICAS DE REGULARIZACIÓN EN REGRESIÓN: IMPLEMENTACIÓN Y APLICACIONES. Universidad de Sevilla.Ceular, 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\\Cedeño Mata, M. Técnicas de clustering aplicadas a la discriminación de pigmentos en espectroscopía Raman. Universitat Politècnica de Catalunya (UPC).Chaphalkar, N. B., & Sandbhor, S. (2013). Use of artificial intelligence in real property valuation. International Journal of Engineering and Technology, 5(3), 2334–2337.DANE. (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\\DiPasquale, D., & Wheaton, w. c. (1996). Urban economics and real estate markets. Englewood Cliffs, nj: Prentice Hall.Ejea Carbonell, D. (2017). Árboles de Regresión. Algunos algoritmos y extensiones a métodos de consenso.. Universidad Zaragoza.Eurostat (2013), ‘Handbook on Residential Property Price Indices (RPPI)’, Methodologies and Working Papers .FEDELONJAS. (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/\\Forero 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.Gallardo Campos, M., 2009. Aplicación De Técnicas De Clustering Para La Mejora De Aprendizaje. Universidad Carlos III De MadridGARCÍA, 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=607/60722197006Garcia, N., Gamez, M., & Alfaro, E. (2006). Redes neuronales artificiales: un largo e irregular camino hasta la actualidad. En H. d. estadística.Garzón , 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/907Gigi & 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=trueGrajales 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 BOLIVARIANAGualdron, 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?...1H. Kriegel, “Density-based cluster- and outlier analysis.” Website, 2000. http://www.dbs.informatik.uni-muenchen.de/Forschung/KDD/ Clustering/index.html.Hill, R. (2011), ‘Hedonic Price Indexes for housing’, Statistics Working PapersHolmes, 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.James, 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.Joshi, 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). IEEEKnight, J. R., Dombrow, J. & Sirmans, C. F. (1995), ‘A varying parameters approach to constructing house price indexes’, Real Estate Economics 23(2), 187–205.La Galería inmobiliaria. (s. f.). La Galería Inmobiliaria. Recuperado 3 de julio de 2021, de http://www.fincaraiz.comLever, G. (2000). Determinantes del precio de la vivienda en Santiago: Una estimación Hedónica. Paper. Santiago, Chile: Editorial.M. Ester, H.-P. Kriegel, S. Jorg, and X. Xu, “A density-based algorithm for discovering ¨clusters in large spatial databases with noise,” 1996M. Gallardo Campos, ""Aplicación de técnicas de clustering para la mejora del aprendizaje"," Universidad Carlos III de Madrid, Leganés, 2009Molino, 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, 254MONTAÑO MORENO, J. (2002). Redes Neuronales Artificiales aplicadas al Análisis de Datos. UNIVERSITAT DE LES ILLES BALEARS.Montero Granados. R (2016): Modelos de regresión lineal múltiple. Documentos de Trabajo en Economía Aplicada. Universidad de Granada. EspañaO’Sullivan, A. (2012). Urban economics. Boston: McGraw-Hill, Irwin. Sevillano P\'erez, F. (2015). Big Data. Economía industrial, 395, 71-86.Pat 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.comPeterson, 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.pdfRosen S., 1974, “Hedonic Prices and Implicit Markets: Product Differentiation in Pure Competition”, Journal of Political Economics, 82: 34 – 55RUMELHART, D.E.; HINTON, G.E. y MCCLELLAND, J.L. (1986): Learning representations by backpropagation. Nature, 323, pp. 533-536.Stanley M., Alastair A., Dylan M. and D. Patterson, 1998, “Neural Networks: The Prediction of Residential Values”, Journal of Property Valuation & Investment, 16(1): 57 – 70Sullivan, W. (2017) Machine Learning For Beginners Algorithms, Decision Tree Random Forest Introduction. Carolina del Sur, United States: CreateSpaceSyz, J. (2008), Property Derivatives: Pricing, Hedging and applications, John Wiley and Sons Inc.Viridiana, P, L. (2017) EL USO DE WEB SCRAPING PARA LA EXTRACCIÓN DE DATOS, (11)Tahir, F., ul-Hassan, T., & Asghar Saqib, M. (2016). Optimal scheduling of electrical power in energy-deficient scenarios using artificial neural network and Bootstrap aggregatingTibshirani,R. (1996). Regression shrinkage and selection via the Lasso. Journal of the Royal Statistical Society. Series B (Methodological), 58(1): págs. 267288.Vaca 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.Zornoza Martínez, A. (2020). Predicción del precio de una vivienda mediante un proceso de ciencia de datos. ESCUELA SUPERIOR DE INGENIERÍA INFORMÁTICA.CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repository.usta.edu.co/bitstream/11634/34931/4/license_rdf217700a34da79ed616c2feb68d4c5e06MD54open accessLICENSElicense.txtlicense.txttext/plain; charset=utf-8807https://repository.usta.edu.co/bitstream/11634/34931/5/license.txtaedeaf396fcd827b537c73d23464fc27MD55open accessORIGINAL2021danielmartinez.pdf2021danielmartinez.pdfapplication/pdf1934381https://repository.usta.edu.co/bitstream/11634/34931/1/2021danielmartinez.pdf81c725faa621b20d72a1db3119581f5cMD51open accessCarta Aprobación Facultad.pdfCarta Aprobación Facultad.pdfapplication/pdf262937https://repository.usta.edu.co/bitstream/11634/34931/2/Carta%20Aprobacio%cc%81n%20Facultad.pdfda50a7fa565f4a67031419cfffaa200eMD52metadata only accessCarta Derecho de Autor.pdfCarta Derecho de Autor.pdfapplication/pdf223704https://repository.usta.edu.co/bitstream/11634/34931/3/Carta%20Derecho%20de%20Autor.pdf52ef9022219b9e90f40dca2e7e96b261MD53metadata only accessTHUMBNAIL2021danielmartinez.pdf.jpg2021danielmartinez.pdf.jpgIM Thumbnailimage/jpeg7958https://repository.usta.edu.co/bitstream/11634/34931/6/2021danielmartinez.pdf.jpg0312c47d39d0ed1b3a39cc3c57d57078MD56open accessCarta Aprobación Facultad.pdf.jpgCarta Aprobación Facultad.pdf.jpgIM Thumbnailimage/jpeg9102https://repository.usta.edu.co/bitstream/11634/34931/7/Carta%20Aprobacio%cc%81n%20Facultad.pdf.jpgb99a1872fb16e0500e43601bb574e146MD57open accessCarta Derecho de Autor.pdf.jpgCarta Derecho de Autor.pdf.jpgIM Thumbnailimage/jpeg7499https://repository.usta.edu.co/bitstream/11634/34931/8/Carta%20Derecho%20de%20Autor.pdf.jpgad4b234076b26659bd5ae79b2155f2b3MD58open access11634/34931oai:repository.usta.edu.co:11634/349312022-10-10 14:39:34.964open accessRepositorio Universidad Santo Tomásrepositorio@usantotomas.edu.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

Publicaciones similares