federación de colegios de valuadores a.c. … · memoria descriptiva página resumen ... morelia...
TRANSCRIPT
Federación de Colegios de Valuadores A.C. (FECOVAL)
XLVIII CONVENCIÓN NACIONAL DE VALUACIÓN
XXVII CONGRESO PANAMERICANO DE VALUACIÓN
Propuesta Metodológica para Valoración Inmobiliaria por modelos con salidas no lineales de redes neuronales artificiales con 6 muestras ó información escasa.
José Carlos Preciado Carrillo.
Colegio e Instituto Mexicano de Valuación de Michoacán A.C.
Morelia, Michoacán, México
Teléfonos: 01-443-3-15-80-25 y 01-443-3-24-03-05
Índice General del trabajo
Memoria descriptiva
Página
Resumen
Palabras clave
1.-Introducción 1
2.-Objetivos 1
3.-Marco teórico de redes neuronales artificiales 2
3.1.-Introducción de inteligencia artificial 2
3.2.-Redes neuronales biológicas 2
3.3.-Que es una red neuronal artificial (RNA) 3
3.4.-Elementos de una RNA 4
3.5.- Tipo de funciones de activación a utilizar 6
3.6.-El Percetrón Simple 7
3.6.1.- Que es un perceptrón 7
3.7.2.-El Percetrón Multicapa 7
3.7.3.-Topología del Perceptrón Multicapa 7
4.- Aplicación Metodológica a la Valoración Inmobiliaria 8
5.- Conclusiones 25
6.-Bibliografía relacionada con redes neuronales artificiales 26
7.-Bibliografía consultada de matemáticas y otros 27
8.- Tesis y ponencias 29
9.-Páginas de internet 30
RESUMEN
El presente trabajo pretende desarrollar una nueva metodología para la valoración
de suelos urbanos destinados a uso habitacional y de esta manera obtener el valor de
mercado aplicando modelos con salidas no lineales por redes neuronales
artificiales.Existen ya algunos métodos de valoración denominados clásicos, utilizados en
diferentes trabajos hechos por profesionales en valoración ó tasación que utilizando
diferentes enfoques se llegan a la obtención de un valor monetario. Dentro de estos
métodos podemos mencionar el de costos, ingresos y el de mercado; es precisamente al
método de mercado en el que la mayor parte de los valuadores y tasadores concluyen sus
trabajos valuatorios, haciendo sus comparaciones de forma directa y además de manera
lineal.
La idea es proponer unas alternativas más de cómo abordar mediante los métodos
o modelos de redes neuronales artificiales y sobre todo cuando se trabaja con muestras
escasas disminuir en la medida de posible esas inconsistencias para que los profesionales
dedicados a la valoración cuenten con herramientas que obtengan resultados más fiables
para la mejora del trabajo profesional que vienen desempeñando todos los días, con mayor
grado de justificación de los mismos.
PALABRAS CLAVE: Valoración Económica, Activos Inmobiliarios, modelos con
salidas no lineales por Redes Neuronales Artificiales (RNA).,con 6 muestras o información
escasa.
Ing. José Carlos Preciado Carrillo Servicios Integrales de Valuación y Consultoría Morelia Michoacán, México Página 1 de un total de 30 Páginas
1.- Introducción.
En los activos inmobiliarios, existen ya algunos métodos de valoración utilizados en
diferentes trabajos hechos por profesionales en esta especialidad que utilizando diferentes
enfoques se llega a la obtención de un valor monetario. Dentro de ellos se encuentra el
método de coste, método de capitalización de rentas y el método de mercado utilizando
factores de corrección. Preciado J.C.(2011,P.5).1
Ante la imposibilidad real de encontrar comparables idénticos se recurre a la
técnica de homologación, a través de la cual se pretende corregir, ajustar o reducir las
diferencias que se presentan entre el inmueble a valorar y los inmuebles seleccionados
como comparables o testigos.
Se analizan la influencia de las diferentes características o variables comunes
entre comparables o inmuebles testigos y el inmueble sujeto a valorar; se realiza el cálculo
y se obtiene los factores o corrección, esto se entiende como el ajuste por corrección de
las diferencias que existe entre cada uno de los comparables y el inmueble a valorar y nos
representa en número las diferencias existentes de las variables cualitativas y cuantitativas
si es el caso. Preciado J.C.(2011,P.5).2
2.- Objetivos.
Proporcionar a los profesionales de la valoración inmobiliaria, una nueva
perspectiva y así complementar sus conocimientos en la materia. Que permita compararlos
con las metodologías clásicas que se utilizan actualmente, pudiendo optimizar sus
1 Preciado Carrillo J.C.:Propuesta Metodológica para Valuación Inmobiliaria Por Modelos Multicriterio y Redes Neuronales Artificiales: Convención Morelia, Michoacán, México. 2011
2 Preciado Carrillo J.C.: La Valoración Inmobiliaria Aplicando Métodos de Mercado por Modelos Multicriterio para el Estado de Michoacán México: Tesis para obtener el Diploma de Estudios Avanzados (DEA),por la Universidad Politécnica de Valencia España (20 febrero 2011).
Ing. José Carlos Preciado Carrillo Servicios Integrales de Valuación y Consultoría Morelia Michoacán, México Página 2 de un total de 30 Páginas
recursos profesionales y afrontar con mayor grado de certidumbre los cambios que
continuamente se producen dentro de esta profesión.
3.-Marco Teórico de Redes Neuronales Artificiales.
3.1.- Introducción de Inteligencia Artificial.
En la actualidad existen muchas aplicaciones que involucran la inteligencia artificial,
hablar de inteligencia artificial, es demasiado amplio, ya que esta involucra lógica difusa,
redes neuronales artificiales y algoritmos genéticos. Se han realizado muchos
avances, se sigue teniendo limitaciones comparado con la del ser humano, no sin
antes reconocer de aplicaciones en la diferentes áreas ha sido benéfico para la
sociedad.
Se trata de un campo multidisciplinario, en donde han tenido que ver
investigadores de diferente formación profesional; hasta el día de hoy al pinchar redes
neuronales artificiales en la página como www.google.com.mx3, me despliega 640,000
aplicaciones. Dentro de estas, están integradas las aplicaciones a la valuación inmobiliaria
.
3.2.-Redes Neuronales Biológicas.
El sistema neuronal del ser humano y el de los animales está compuesto por el
sistema nervioso y hormonal. El diseño general del sistema nervioso está conformado por
la neurona, unidad funcional básica del sistema nervioso central, este sistema se estima
que contiene 100,000 millones de neuronas (GAYTON-HALL 2009).
3 http://www.google.com.mx.
Ing. José Carlos Preciado Carrillo Servicios Integrales de Valuación y Consultoría Morelia Michoacán, México Página 3 de un total de 30 Páginas
Estructura de una neurona biológica típica.
Figura 2.1. Fuente.- Tomada de tesis (Aguilar 2008).
Todas las neuronas se identifican 3 partes principales: Cuerpo celular o soma. Dendritas. Axón.
La palabra sinapsis significa la unión de dos neuronas.4
Dendritas son ramas fibrosas que emanan del cuerpo celular.5
Axón son las fibras principales que emanan el cuerpo celular. Es el canal transmisor
de los impulsos generados por la celular. Se ramifica en su extremo final para
conectar con otras neuronas, a través de las dendritas de estas, que actúan como
canales receptores de información.6
3.3.- Que es una red neuronal artificial (RNA).
4 La palabra sinapsis viene del griego “synapto” que significa unión o conexión estrecha.
5 María Luisa Pérez Delgado, Quintín Martín Martín ; Aplicaciones de las redes neuronales artificiales a la estadística(pag 14-15),edición 2003
6 María Luisa Pérez Delgado, Quintín Martín Martín; Aplicaciones de las redes neuronales artificiales a la estadística(pag 14-15),edición 2003.
Ing. José Carlos Preciado Carrillo Servicios Integrales de Valuación y Consultoría Morelia Michoacán, México Página 4 de un total de 30 Páginas
" La IA, son algoritmos implementados en forma de programas informáticos o
modelos electrónico, basados en el funcionamiento de cerebro humano. Corchado,
Díaz, Borrajo y Fernández(2000,p.3)".7
Autores que han desarrollado modelos de aplicaciones de redes neuronales
artificiales a la valoración inmobiliaria de los más destacables cabe citar tabla 2.1.
Tabla 2.1. Desarrollo de la inteligencia artificial a la valoración inmobiliaria.
Fuente: Núñez, Caridad y Ceular (2009) y elaboración propia.
3.4.-Elementos de una RNA.
Un conjunto de conexiones o sinapsis caracterizadas cada una de ellas por
un peso sináptico, de forma que la señal de entrada Xj, presente en la
neurona k, se verá multiplicada por pesos sináptico Wjk. Este peso puede
variar en un rango que incluye tanto a valores negativos (entrada inhibidora)
como a valores positivo (entrada excitadora). Corchado J.M., Díaz F., Borrajo
L. y Fernández F.(2000,P.6). 8
7Corchado, Díaz, Borrajo y Fernández: Redes neuronales artificiales, un enfoque práctico(2000),Ed. Universidad de Vigo,p.3. 8 Corchado J.M., Díaz F., Borrajo L. y Fernández F.: Redes Neuronales Artificiales un Enfoque Práctico (2000,p.6).
Ing. José Carlos Preciado Carrillo Servicios Integrales de Valuación y Consultoría Morelia Michoacán, México Página 5 de un total de 30 Páginas
La regla de propagación que determina la entrada efectiva o el nivel de
excitación de la neurona k, denotada por sk, a partir de todas las entradas
individuales a la misma, se considera como entrada efectiva a la suma todas
las señales de entrada Xj a la neurona k , ponderaras por su respectivos
pesos sinápticos wjk. Corchado J.M., Díaz F., Borrajo l. y Fernández
F.(2000,P.6). 9
"Fk, función de activación que determina la salida yk de la neurona a partir
de su nivel de excitación. Corchado J.M., Díaz F., Borrajo l. y Fernández
F.(2000,P.6)". 10
El modelo Incluye entrada externa adicional, denominada polarización o "bías" y
denotada por bk, su función es aumentar o disminuir el poder de excitación de la neurona
dependiente de si es un valor positivo o negativo. Ver figura 2.2.
Figura 2.2 Fuente: Tomada de Corchado J.M., Díaz F., Borrajo l. y Fernández F.(2000), p.6. y adaptación propia.
El modelo matemático se describe de la siguiente manera.
9 Corchado J.M. y otros (2000,p.6).
10 Corchado J.M. y otros (2000,p.6).
Ing. José Carlos Preciado Carrillo Servicios Integrales de Valuación y Consultoría Morelia Michoacán, México Página 6 de un total de 30 Páginas
n Sk = ∑ (Wjk) (Xj ) + b k [2.1] i=k Donde: W= Pesos sináptico de la neurona X= Señales de entrada
b= Polarización o bia: disminuir o aumentar el umbral de excitación de la neurona.
Si se considera la polarización bk como peso sináptico de una entrada adicional en el
cual su valor siempre será 1, se reescribe la ecuación a una forma homogénea.
Todo modelo neuronal debe de disponer de una regla de propagación que combine
la salida de cada neurona con su correspondiente ponderación por el patrón de conexión.
n
Sk = ∑ (Wjk) (Xj ) [2.2]
i=k
Siendo en este caso Wk=[bk,w1k,....,wjk,...wnk]T el vector columna de pesos y
x=[1,x1,.....,xN]T el vector columna de entrada, esto a su vez lo podemos escribir de forma
vectorial que: yk=Fk[wTK.x]. Corchado J.M., Díaz F., Borrajo L. y Fernández F.(2000,P.7).11
3.5.- Tipo de funciones de activación a utilizar.
11 Corchado J.M. y otros (2000, p.6).
[2.5]
[2.4]
[2.3]
Ing. José Carlos Preciado Carrillo Servicios Integrales de Valuación y Consultoría Morelia Michoacán, México Página 7 de un total de 30 Páginas
Existe otro tipo de funciones, pero las más utilizadas son las que se han descrito
anteriormente.
3.6.-El Percetrón Simple.
3.6.1.- Que es un perceptrón
Es un dispositivo que, dada la presencia de uno o varios fenómenos de entrada,
permite representarlo mediante una señal de salida fácilmente reconocible. Ahora bien, si
se dota a este simple dispositivo de varios canales de entrada (dos o más), se le habrá
agregado una notable mejoría ya que podrá discriminar o diferenciar entre distintos
fenómenos de entrada variables y entregarnos una salida que representará el criterio
diferenciador o resultado de la interacción entre las entradas.12
3.7.2.-El Percetrón Multicapa.
El perceptron multicapa, crea modelos a partir de multiplicadores, sumadores y
funciones. El entrenamiento se basan en la presentación de pares de vectores en las
capas de entrada y salida (vectores de entrada y salida deseada). La red crea un modelo a
base de ajustar sus pesos en función de los vectores de entrenamiento, de forma que a
medida que pasan estos patrones para cada vector de entrada, la red producirá un valor de
salida más similar al vector de salida esperado. Estas redes también se llaman de
retropropagación (bacpropagation), nombre dado por el tipo de aprendizaje que utilizan.
Corchado J.M. y otros (2000,p.87 y 88).13
3.7.3.-Topología del Perceptrón Multicapa.
12 http://es.wikipedia.org/wiki/Perceptr%C3%B3n#Definici.C3.B3n
13 Corchado J.M. y otros (2000,p.87 y 88)
Ing. José Carlos Preciado Carrillo Servicios Integrales de Valuación y Consultoría Morelia Michoacán, México Página 8 de un total de 30 Páginas
Las redes de este tipo tienen una capa de entrada, una capa intermedia y otra de
salida. La figura 2.3., muestra el diagrama y su topología. La información de propaga de
capa en capa ( de derecha a izquierda). Por medio de las neuronas de cada capa.
Figura 2.3.- Fuente: Propia, muestra topología típica.
Como se observa en la figura 2.3., se muestra una red de un perceptron multicapa,
se trata de un modelo unidireccional compuesto por tres capas, en la primera capa recibe
cuatro entradas ó también denominada biológicamente dendritas, aquí solamente se
encarga de recibir no realiza ningún proceso, en la segunda capa oculta denominada
también sinapsis se realiza la ponderación de pesos y en la tercera capa denominada
también axones , es la capa que conduce la salida de la multiplicación de la ponderación
de los pesos por las entradas, incluyendo las bias, polarización o umbral para cada
entrada, dando un resultado denominado sk. Su ecuación matemática se ha denotado
anteriormente como [2.1].
4.- Aplicación Metodológica a la Valoración Inmobiliaria.
Para la aplicación de la metodología propuesta y en circunstancias muy adversas
en donde el valorador o tasador trabaja con información escasa, obteniendo muestras de
una población de inmuebles en ofertas o ventas concretadas, entendiéndose que en
realidad lo que realiza el valorador es un muestreo de conveniencia, pues previamente ya
de conocer el inmueble que habrá de valorar, en ese sentido busca muestras lo más
parecidas posibles.
Ing. José Carlos Preciado Carrillo Servicios Integrales de Valuación y Consultoría Morelia Michoacán, México Página 9 de un total de 30 Páginas
Para esta aplicación se han obtenido seis muestras de la población finita, en la
ciudad de Morelia Michoacán, México, el experto se ha dado cuenta que de la infinidad de
variables que pueden influir en el valor son diez que habrá que tomar en cuenta, son en
este caso las más representativas y son las siguientes:
Superficie de terreno, superficie construida o vendible, equipamiento urbano, zona
de ubicación, distancias a centros comerciales o de ocio, número de baños, número de
recámaras, vida útil remanente, número de espacios totales y número de espacios para
cocheras. Figura 2.4., representa la red multicapa.
Figura 2.4.- Fuente: Propia, muestra la representación de la red.
La figura 2.4., representa la red multicapa con realimentación, en cada muestra van
incluidas las variables a resolver. Como se trata de información escasa su manera de
resolver es mediante vectores y matrices en programa Microsoft Office Excel.
A continuación se presenta la tabla 2.2.,que contiene la información con el inmueble
a valorar. La red está conformada de la siguiente manera.
Ing. José Carlos Preciado Carrillo Servicios Integrales de Valuación y Consultoría Morelia Michoacán, México Página 10 de un total de 30 Páginas
Tabla 2.2., Fuente propia, contiene información de muestras de mercado y el inmueble a
valorar.
Como se observa en las diez gráficas, ninguna de las variables se comportan
linealmente.( ver figura 2.5).
Figura 2.5., Fuente propia, contiene gráficos de las diez variables que influyen en el
valor de los inmuebles, según percepción del experto.
De acuerdo a la ecuación [2.2],tenemos que calcular los pesos de la red para cada
una de las variables. Cada columna se divide entre el valor máxima de cada una de ellas,
para obtener valor de rangos entre[0,1].Ver tabla (2.3.).
Ing. José Carlos Preciado Carrillo Servicios Integrales de Valuación y Consultoría Morelia Michoacán, México Página 11 de un total de 30 Páginas
Tabla 2.3.,Fuente propia: Contiene valores normalizados por el valor máximo de
cada una de las columnas.
La tabla 2.3.,representa valores normalizados de cada una de las variables que
influyen en los valores, se observa valores que van en rangos entre[0,1].
Una vez que se han normalizado se procede por medio de vectores y matrices al
cálculo primeramente de la matriz de pesos de la red por cada variable.
De la tabla 2.3. Se toman los valores normalizados de la superficie de terreno como
se tiene; un vector columna de nxm en este caso n igual a 7 filas y m igual 1 columna y se
sabe del algebra lineal ;para formar la matriz de pesos como tienen vectores columnas se
transpone el vector columna a vector fila y para realizar la multiplicación, se obtiene una
matriz cuadra, al transponer el vector columna de la superficie se convierte en vector fila de
nxm en este caso n igual a una fila y m igual 7 columnas, de esta manera se ha obtenido
una matriz de nxm, en este caso de 7 filas y siete columnas, esto resulta una matriz de
pesos como se aprecia en la siguiente.(Ver figura 2.6).
Ing. José Carlos Preciado Carrillo Servicios Integrales de Valuación y Consultoría Morelia Michoacán, México Página 12 de un total de 30 Páginas
Figura 2.6.-Fuente propia, representa la manera en que se realiza la multiplicación de
vector fila y vector columna.
En la presente figura 2.7, representa la matriz de pesos de la red, para cada una de
las variables.
Ing. José Carlos Preciado Carrillo Servicios Integrales de Valuación y Consultoría Morelia Michoacán, México Página 13 de un total de 30 Páginas
Figura 2.7.-Fuente propia, representa la matriz de pesos de red, para cada variable.
Una vez obtenida la matriz de pesos de la red, se realiza la multiplicación de la matriz
de pesos y el vector fila o renglón de las entradas o patrones, antes se deben de
normalizar por suma por columna y a su vez dividirlo entre la misma, de esta manera han
quedado normalizados. Figura 2.8. y 2.9.
Figuras 2.8 y 2.9.-Fuente propia.
La figura 2.8., representa la multiplicación de la matriz de pesos por el patrón de
entra a la red y la figura 2.9., representa la salida de la red o resultado de la misma, por
cada variables o cada muestra; esta salida es de forma lineal.
PATRONES ÓMATRIZ DE PESOS DE LAS ENTRADAS O PATRONES ENTRADAS
w11*w11 w11*w12 w11*w13 w11*w14 w11*w15 w11*w16 w11*w17 X1
w12*w11 w12*w12 w12*w13 w12*w14 w12*w15 w12*w16 w12*w17 X2
w13*w11 w13*w12 w13*w13 w13*w14 w13*w15 w13*w16 w13*w17 X3
w14*w11 w14*w12 w14*w13 w14*w14 w14*w5 w14*w16 w14*w17 X4
w15*w11 w15*w12 w15*w13 w15*w14 w15*w15 w15*w16 w15*w17 X5
w16*w11 w16*w12 w16*w13 w16*w14 w16*w15 w16*w16 w16*w17 X6
w17*w11 w17*w12 w17*w13 w17*w14 w17*15 w17*w16 w17*w17 X77X7 7X1
VECTOR O MATRIZ COLUMNA DE LA SALIDA PARA CADA ENTRADA,PATRON O MUESTRA Y EL SUJETOyk1=w11*w11*X1+W11*W12*X2+W11*W13*X3+W11*W14*X4+W11*W15*X5+W11*W16*X6+W11*W17*X7. . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . .ykn=w17*w11*X1+W17*W12*X2+……………………………………………………………………….+W17*W17*X7SALIDA 7X1
Ing. José Carlos Preciado Carrillo Servicios Integrales de Valuación y Consultoría Morelia Michoacán, México Página 14 de un total de 30 Páginas
A esta salida que se obtiene, se realiza una transformación a no lineal, lo que
significa que:
yk=x a una salida del tipo no lineal , como las ecuaciones [2.4] y [2.5].
De acuerdo a la figura 2.6 y 2.7., se realizan los cálculos para cada una de las
variables, en el caso de explicación, se obtienen de la siguiente manera. ver tabla 2.4.
Tabla 2.4.-Fuente propia.
La tabla 2.4, representa la multiplicación del vector fila por vector columna, se
obtiene la matriz de pesos, que multiplicada por el vector fila de los patrones de entrada a
la red, se obtiene la salida lineal para la variables terreno por cada muestra y el inmueble a
valorar, de esta manera se obtienen las salidas de todas las variables.
Ing. José Carlos Preciado Carrillo Servicios Integrales de Valuación y Consultoría Morelia Michoacán, México Página 15 de un total de 30 Páginas
En la tabla 2.5., se muestra el resultado de todas las salidas de todas las variables.
Como se observa en la tabla 2.5., se muestran resultados de la sumas de las
salidas lineales de todas las variables.
En la tabla siguiente 2.6, se mostrará el valor de mercado obtenido por una red
multicapa realimentada con salida lineal y=x.
Tabla 2.6.-Fuente propia.
[2.6]
Ing. José Carlos Preciado Carrillo Servicios Integrales de Valuación y Consultoría Morelia Michoacán, México Página 16 de un total de 30 Páginas
Como se observa en tabla 2.6;en la columna dos denominada suma de salidas
lineales, se suman todas las salidas de las 6 muestras se ha obtenido la suma de salidas
de lineales de todas las variables, esto se obtiene en base a la ecuación [2.6], en la
columna tres pesos normalizados, se divide cada valor de la columna dos entre la suma
total para obtener el peso ponderados de cada muestra, más el inmueble a valorar; una
vez obtenido estos valores de la columna tres y conocidos los valores de mercado de las
muestras de la columna cuatro; se suma y se divide entre la suma de pesos ponderados
de la columna tres, sin tomar en cuenta el inmueble a valorar de la siguiente manera
(2´040,000.00+3´400,000.00+3´500,000.00+1´900,000.00+2´420,000.00+2´000,000)=
15´260,000.00/0.8551, lo que nos da como resultado 17´846,807.21, esto multiplicado por
0.145 que es la participación o valor ponderado para el inmueble a valorar, nos arroja un
valor de mercado para el inmueble a valorar por red de salida lineal de 2´ 587,000.00.
Con la ecuación [2.7], se ha obtenido el coeficiente de correlación lineal, lo que
mide o lo que explica es que tan relacionadas están las variables independientes y la
dependiente, que está detalla en seguida.
[2.7]
Ing. José Carlos Preciado Carrillo Servicios Integrales de Valuación y Consultoría Morelia Michoacán, México Página 17 de un total de 30 Páginas
En la tabla 2.7., se muestran cálculos como son la curtosis y el coeficiente de asimetría
En la tabla 2.7., por medio excel en el aplicativo de datos, análisis de datos y
estadística descriptiva, se obtiene la información detallada; lo más interesante de estos
datos es evaluar si las muestras son obtenidas se comportan como una función de
densidad normal, dicho de otra manera de una función gaussiana y como debe andar en
rangos [-2,2], para que se cumpla 4 sigma, queda claro del resultado de la red multicapa
recurrente con salida lineal no es el valor más confiable.
Ahora estamos en el escenario de trabajar con la misma red, únicamente
cambiando la salida no lineal de la salida de la red, transformarla a una salida no lineal; en
este segundo caso aplicaremos la salida denominada sigmoidal, ecuación[2.4], explicada
anteriormente.
Ing. José Carlos Preciado Carrillo Servicios Integrales de Valuación y Consultoría Morelia Michoacán, México Página 18 de un total de 30 Páginas
Tabla 2.8.-Fuente propia.
La tabla 2.8.,representa la multiplicación del vector fila por vector columna, se
obtiene la matriz de pesos, que multiplicada por el vector fila de los patrones de entrada a
la red, se obtiene en la columna diez, la salida no lineal denominada sigmoidal, para la
variable terreno por cada muestra y el inmueble a valorar, de esta manera se obtienen las
salidas de todas las variables.
En la tabla 2.9., se muestra el resultado de todas las salidas de todas las variables.
Como se observa en la tabla 2.9.,se muestran resultados de la sumas de las salidas
sigmoidales de todas las variables.
Ing. José Carlos Preciado Carrillo Servicios Integrales de Valuación y Consultoría Morelia Michoacán, México Página 19 de un total de 30 Páginas
En la tabla siguiente 2.10, se mostrará el valor de mercado obtenido por una red
multicapa realimentada con salida no lineal denominada sigmoidal y= 1 / (1+ e-x).
Como se observa en tabla 2.10;en la columna dos denominada suma de salidas
sigmoidales, se suman todas las salidas de las 6 muestras se ha obtenido la suma de
salidas de sigmoidales de todas las variables, esto se obtiene en base a la ecuación [2.6],
en la columna tres pesos normalizados, se divide cada valor de la columna dos entre la
suma total para obtener el peso ponderados de cada muestra, más el inmueble a valorar;
una vez obtenido estos valores de la columna tres y conocidos los valores de mercado de
las muestras de la columna cuatro; se suma y se divide entre la suma de pesos
ponderados de la columna tres, sin tomar en cuenta el inmueble a valorar de la siguiente
manera
(2´040,000.00+3´400,000.00+3´500,000.00+1´900,000.00+2´420,000.00+2´000,000)=
15´260,000.00/0.8566,lo que nos da como resultado 17´8814,720.00,esto multiplicado por
0.143 que es la participación o valor ponderado para el inmueble a valorar, nos arroja un
valor de mercado para el inmueble a valorar por red de salida sigmoidal de 2´ 555,000.00.
Ing. José Carlos Preciado Carrillo Servicios Integrales de Valuación y Consultoría Morelia Michoacán, México Página 20 de un total de 30 Páginas
La tabla 2.11, muestra información de ecuaciones para obtener coeficiente de
correlación y coeficiente de determinación.
La tabla 2.11., muestra la manera de cómo obtener primeramente el coeficiente de
determinación y el coeficiente de correlación para un modelo no lineal, en este caso se
trata de modelo o salida sigmoidal, en la siguiente tabla 2.12, se obtendrá la curtosis y el
coeficiente de asimetría.
Como se observa en la tabla 2.12, la información más importante es el coeficiente
de asimetría y la curtosis, porque no indica si las muestras obtenidas pertenecen a una
población normal en rango de 4 sigma [-2,2].
Ing. José Carlos Preciado Carrillo Servicios Integrales de Valuación y Consultoría Morelia Michoacán, México Página 21 de un total de 30 Páginas
Se trabajará una red más con salida no lineal, con la intención de comparar los
resultados, en este escenario será una red multicapa con salida hiperbólica; se hará el
mismo procedimientos que los anteriores con la misma red, únicamente cambiando la
salida no lineal de la salida de la red, transformarla a una salida no lineal; en este segundo
caso aplicaremos la salida denominada hiperbólica, de acuerdo a la ecuación[2.5],
explicada anteriormente.
Tabla 2.13.-Fuente propia.
La tabla anterior, representa la multiplicación del vector fila por vector columna, se
obtiene la matriz de pesos, que multiplicada por el vector fila de los patrones de entrada a
la red, se obtiene en la columna diez, la salida no lineal denominada hiperbólica, para la
variable terreno por cada muestra y el inmueble a valorar, de esta manera se obtienen las
salidas de todas las variables.
Ing. José Carlos Preciado Carrillo Servicios Integrales de Valuación y Consultoría Morelia Michoacán, México Página 22 de un total de 30 Páginas
En la tabla 2.14., se muestra el resultado de todas las salidas de todas las variables.
En la tabla 2.14.,se muestran resultados de la sumas de las salidas hiperbólicas de
todas las variables.
En la tabla siguiente 2.15, se mostrará el valor de mercado obtenido por una red
multicapa realimentada con salida no lineal denominada hiperbólica y= (1- e-x) / (1+ e-x).
En tabla 2.15;en la columna dos denominada suma de salidas hiperbólica, se
suman todas las salidas de las 6 muestras se ha obtenido la suma de salidas de
hiperbólicas de todas las variables, esto se obtiene en base a la ecuación [2.6], en la
columna tres pesos normalizados, se divide cada valor de la columna dos entre la suma
total para obtener el peso ponderados de cada muestra, más el inmueble a valorar; una
vez obtenido estos valores de la columna tres y conocidos los valores de mercado de las
muestras de la columna cuatro; se suma y se divide entre la suma de pesos ponderados
de la columna tres, sin tomar en cuenta el inmueble a valorar de la siguiente manera
Ing. José Carlos Preciado Carrillo Servicios Integrales de Valuación y Consultoría Morelia Michoacán, México Página 23 de un total de 30 Páginas
(2´040,000.00+3´400,000.00+3´500,000.00+1´900,000.00+2´420,000.00+2´000,000)=
15´260,000.00/0.8548,lo que nos da como resultado 17´851,395.00,esto multiplicado por
0.145 que es la participación o valor ponderado para el inmueble a valorar, nos arroja un
valor de mercado para el inmueble a valorar por red de salida hiperbólica de
2´ 591,000.00.
La tabla 2.16, muestra información de ecuaciones para obtener coeficiente de
correlación y coeficiente de determinación.
La tabla 2.16., muestra la manera de cómo obtener primeramente el coeficiente de
determinación y el coeficiente de correlación para un modelo no lineal, en este caso se
trata de modelo o salida hiperbólica, como también se muestran resultados de la curtosis y
el coeficiente de asimetría para 4 sigma con rangos de [-2,2].
Ing. José Carlos Preciado Carrillo Servicios Integrales de Valuación y Consultoría Morelia Michoacán, México Página 24 de un total de 30 Páginas
A continuación se muestra el resumen de resultados de las tres redes aplicadas para la
obtención del valor de mercado del inmueble propuesto. ver tabla 2.17
Mediante la red multicapa con salida hiperbólica, se ha obtenido el valor de
mercado más consistente, una vez que se han verificado las pruebas estadísticas como
son el coeficiente de correlación, coeficiente de determinación, curtosis y el coeficiente de
asimetría. Está claro que la homologación directo nos llevan a muchos errores de
inconsistencia, no se abordó este tema, pero es información obtenida de un valorador que
llegó al valor indicado y las pruebas estadísticas nos arrojan inconsistencias.
Ing. José Carlos Preciado Carrillo Servicios Integrales de Valuación y Consultoría Morelia Michoacán, México Página 25 de un total de 30 Páginas
5.- Conclusiones.
En el presente trabajo se han abordado el modelo de red multicapa con salida lineal
y la transformación a dos salidas no lineales, se desarrollaron los tres métodos tanto
teóricos como el caso práctico, los resultados obtenido, una vez comparando los mismos,
el modelo de red multicapa salida hiperbólica es el de mejor consistencia de acuerdo a
todas las pruebas estadísticas aplicadas.
Las diferencias entre todas las pruebas para cada uno de los modelos son
milimétricas, pero eso hace la diferencia en qué modelo elegir como el óptimo.
Existen otras redes multicapa salidas no lineales que pueden aplicarse como es el
caso de la red multicapa salida gaussiana, salida polinomial etc., estas se abordarán en
otra ocasión.
Ante un escenario donde la influencia en el valor de mercado depende de varias
variables, el comportamiento de las mismas tenderá a modelos no lineales como alguno de
los casos que ya se han explicado.
El experto en este caso el valorador o tasador debe verificar muy bien sus variables
más importantes que explican el valor; verificar muy bien los resultados con alguna de las
pruebas estadísticas, en una gran mayoría de ejercicios reales aplicados a la valoración
inmueble por diferentes técnicas la homologación directa y sobre todo lineal es la que
mayor inconsistencia ha presentado.
Ing. José Carlos Preciado Carrillo Servicios Integrales de Valuación y Consultoría Morelia Michoacán, México Página 26 de un total de 30 Páginas
6.-Bibliografía relacionada con redes neuronales artificiales. Anderson, J. A. (2007). Redes Neuronales. México: Alfaomega.
Corchado, J.M., Díaz, F., Borrajo, L. y Fernández, F. (2000). Redes neuronales artificiales:
Un enfoque práctico. España: Servicio de Publicacións da Universidade de Vigo.
Florez López, R, y Fernández Fernández, J.M. (2008). Las Redes neuronales artificiales:
Fundamentos teóricos y aplicaciones prácticas. España: Netbiblo, S.L.
Hilera González, J.R. y Martínez Hernando V.J. (1995). Redes neuronales artificiales:
Fundamentos, modelos y aplicaciones. España: Ra-Ma Editorial.
Isasi Viñuela, P. y Galván León, I.M. (2004). Redes de neuronas artificiales: Un enfoque
práctico. España: Pearson Prentice Hall.
Martín Martín, Q. y De la Paz Santana, Y.R (2007). Aplicación de las redes neuronales
artificiales a la regresión. España: Editorial La Muralla, S.A.
Núñez Tabales, J.M., Caridad y Ocerin, J.M. y Ceular Villamandos, N. (2009). Propuestas
metodológicas para valoración de inmuebles urbanos. Granada: Editorial Comares.
Pérez Delgado, M.L. y Martín Martín, Q. (2003). Aplicaciones de las redes neuronales
artificiales a la estadística. España: Editorial La Muralla, S.A.
Ponce Cruz, P. (2010). Inteligencia Artificial: Con aplicaciones a la ingeniería. México:
Alfaomega.
Russell Stuart J. y Norvig Peter. (2011). Inteligencia Artificial: Un enfoque moderno.
España: Pearson Prentice Hall.
Ing. José Carlos Preciado Carrillo Servicios Integrales de Valuación y Consultoría Morelia Michoacán, México Página 27 de un total de 30 Páginas
Sánchez Camperos, E.N. y Alanís García, A.Y. (2006). Redes neuronales: Conceptos
fundamentales y aplicaciones a control automático. España: Pearson Prentice Hall.
7.-Bibliografía consultada de matemáticas y otros. Aznar Bellver, J. y Guijarro Martínez, F. (2005). Nuevo método de valoración modelos
multicriterio. España: Universidad Politécnica de Valencia.
Aznar Bellver, J. y López Perales, A. (2008). Valoración inmobiliaria métodos y
aplicaciones. España: Universidad Politécnica de Valencia.
Arya, J.C. y Lardner, R.W. (1992). Matemáticas aplicadas. México: Pearson Educación.
Apraisal Institute (2002). El avalúo de bienes raíces. Chicago: Apraisal Institute.
Autoridades de la Facultad de Ciencias Económicas y Empresariales (2005). Boletín matemático- Instituto de Investigaciones de Matemática Aplicada. Argentina: Universidad de Morón.
Comité de las Normas Internacionales de Valuación. (2005) Normas Internacionales de
Valuación. España: Asociación Profesional de Sociedades de Valuación de España
(ATASA) y Unión Panamericana de Sociedades de Valuación (UPAV).
Caballero, R. y Fernández, G.M. (2002). Toma de decisiones con criterios múltiples.
España: Asepuma.
Eppen, G.D., Gould, F.J., Schmindt, C.P., Moore, J.H. y Weatherford, L.R. (2000).
Investigación de operaciones en la ciencia administrativa. México: Prentice Hall.
Ferrán Aranaz, M. (2001). SPSS para windows análisis estadístico. México: Mcgraw-Hill.
Ing. José Carlos Preciado Carrillo Servicios Integrales de Valuación y Consultoría Morelia Michoacán, México Página 28 de un total de 30 Páginas
Ferrando Corell, J.V. (2008). Valoración de inmuebles de naturaleza urbana. España:
Universidad Politécnica de Valencia.
Fotheringham, A.S., Brunsdon, C. y Charlton, M. (2002). Geographically weighted regression: The analysis of spatially varying relationships [Regresión geográficamente cargada: El análisis de relaciones espacial diversas]. Gran Bretaña: Wiley. Grossman, S.I. (2007). Álgebra lineal. México: McGraw-Hill.
González Alcantara, J.L. (2000). Derechos del arrendador. México: Universidad Nacional
Autónoma de México.
Hillier, F.S. y Lieberman, G.J. (2006). Introducción a la investigación de operaciones.
Estados Unidos de América: Mcgraw-Hill.
Hair, J.F., Anderson, R.E., Tatham, R.L. y Black, W.C. (1999). Análisis multivariante.
España: Prentice Hall.
Hillier, F.S. y Lieberman, G.J. (2006). Introducción a la investigación de operaciones.
México: McGraw-Hill.
Lind, D.A., Mason, R.D. y Marchal, W.G. (2001). Estadística para administración y
economía. México: Irwin McGraw-Hill
Marqués Tapia, M.R. (2004). Criterios metodológicos para la valuación de terrenos
urbanos. México: SEP-INDAUTOR 03-2000-111013133400-01.
Marqués Tapia, M.R. (2004). Criterios metodológicos para la valuación de inmuebles
urbanos. México: SEP-INDAUTOR 03-2000-111013133400-01.
Pratt, S.P. (2002). Cost of Capital. Estados Unidos de América: John Wiley & Sons, INC.
Ing. José Carlos Preciado Carrillo Servicios Integrales de Valuación y Consultoría Morelia Michoacán, México Página 29 de un total de 30 Páginas
Quiroga Cantu, G.E. (2007). Métodos para valuar predios urbanos. México: SEP-
INDAUTOR 03-2006-080315585300-01.
Quiroga Cantu, G.E. (2007). Valuación de Construcciones. México: SEP-INDAUTOR 03-
2006-080315585300-01.
Romero, C. (1993). Teoría de la decisión multicriterio: Conceptos, técnicas y aplicaciones.
España: Alianza Editorial.
Romero, C. (1996). Análisis de las decisiones multicriterio. España: Isdefe.
Roy, B. (2007). Metodología Multicriterio de ayuda a la decisión. Santiago de Compostela:
Tórculo.
Hillier, F.S. y Lieberman, G.J. (2006). Introducción a la investigación de operaciones.
Estados Unidos de América: Mcgraw-Hill.
Hair, J.F., Anderson, R.E., Tatham, R.L. y Black, W.C. (1999). Análisis multivariante.
España: Prentice Hall.
Hillier, F.S. y Lieberman, G.J. (2006). Introducción a la investigación de operaciones.
México: McGraw-Hill.
Lind, D.A., Mason, R.D. y Marchal, W.G. (2001). Estadística para administración y
economía. México: Irwin McGraw-Hill
8.-Tesis y ponencias. Preciado Carrillo J.C.:Propuesta Metodológica para Valuación Inmobiliaria Por Modelos
Multicriterio y Redes Neuronales Artificiales: Convención Morelia, Michoacán, México. 2011
Ing. José Carlos Preciado Carrillo Servicios Integrales de Valuación y Consultoría Morelia Michoacán, México Página 30 de un total de 30 Páginas
Preciado Carrillo J.C.: La Valoración Inmobiliaria Aplicando Métodos de Mercado por
Modelos Multicriterio para el Estado de Michoacán México: Tesis para obtener el Diploma
de Estudios Avanzados (DEA),por la Universidad Politécnica de Valencia España (20
febrero 2011).
9.-Páginas de internet. http://es.wikipedia.org/wiki/Perceptr%C3%B3n#Definici.C3.B3n http://www.google.com.mx.