Índice

Capítulo I...................................................................................................................................3
1.1 Antecedentes..........................................................................................................................4
1.2 Planteamiento del problema..................................................................................................6
1.3 Pregunta de investigación.......................................................................................................8
1.4 Objetivos................................................................................................................................9
1.4.1 Objetivo general.....................................................................................................................................9
1.4.2 Objetivos específicos..............................................................................................................................9

1.5 Delimitación..........................................................................................................................12
1.5.1 Temporal..............................................................................................................................................12
1.5.2 Espacial.................................................................................................................................................12

1.6 Justificación..........................................................................................................................12
Capitulo II...............................................................................................................................13
2. Marco Referencial...................................................................................................................14
2.1 Marco situacional....................................................................................................................................14

2.2 Marco Teórico – Conceptual.................................................................................................14

2.2.1 Sistemas inteligentes............................................................................................................................14
2.2.2Machine Learning..................................................................................................................................15
Desarrollo de Machine Learning en entorno Python...............................................................................20

2.3 Marco Legal..........................................................................................................................21

3.1 Hipótesis...............................................................................................................................23
3.2 Identificación de Variables....................................................................................................23
3.3 Conceptualización de variables.............................................................................................23
3.3.1 Variable Independiente: Sistema inteligente.......................................................................................23
3.3.2 Variable dependiente: Elaboración de un presupuesto de construcción de una vivienda.................23

3.4 Diseño de la investigación.....................................................................................................24

3.5 Población muestra y muestreo..............................................................................................24
3.5.1 Población..............................................................................................................................................24
3.5.2 Cálculo de la muestra...........................................................................................................................24

3.5.3 Muestreo...........................................................................................................................24
3.6 Técnicas e instrumentos de investigación...............................................................................................24

Indicé de gráficos y tabla............................................................................................................25

Referencia bibliográfica..............................................................................................................27
Anexos........................................................................................................................................27
Capítulo I
1.1 Antecedentes
En estos tiempos se puede decir que el déficit habitacional en Bolivia se debe a la falta de
tierras urbanizables, distribución y adquisición de recursos limitados, falta de planificación
estratégica de del territorio, pero la causa principal habitacional es la pobreza y la exclusión.
El sector de la construcción no es ajeno a las innovaciones informáticas y la digitalización
que esta transformando al mundo.
La inteligencia artificial y su herramienta machine learning son pieza clave para el desarrollo
global, porque en el área de la construcción optimiza todos los procesos en el área de la
construcción.
Realizando una búsqueda de trabajos precedentes relacionados con esta investigación,
mencionamos algunos a continuación.
Resumen
“Las decisiones de proyecto y los costes de construcción en la vivienda rural”
El trabajo de investigación propone determinar un estimador o herramienta matemática de
costes para construcción de una vivienda, esta investigación se basará en dos modelos
científicos para el cálculo rápido de costes:
a) Un modelo matemático, con el que se estimara los costes de construcción; modelo que
debe cumplir con las condiciones exigibles a un modelo de predimencionamiento,
(conjunto de tecnicas que permiten calcular elementos de ingeniería de manera
sintetizada).
b) Un modelo de datos aplicando redes neuronales artificiales, con el que se analizara los
factores del diseño arquitectónico que influyen de manera más relevante en el coste de
construcción.
En esta investigación se utilizó una población de 1521 unidades y una muestra de 69 datos,
con un margen de error de la desviación típica del 10% y un nivel de confianza de 95%.
En esta investigación se ha verificado el éxito de la estimación de costes para la construcción
de una vivienda basado en dos modelos, el primero consiste en un modelo matemático y el
segundo en un modelo de datos. Cumple todos los objetivos porque se demuestra que
utilizando los dos modelos se da la información social y económica de los costes de
materiales de construcción de una vivienda.
Diferencia
El trabajo de investigación “Las decisiones de proyecto y los costes de construcción en la
vivienda rural”, utilizada un modelo matemático que aplica técnicas que permiten calcular
elementos de ingeniería de manera sintetizada, y un modelo de datos que utiliza redes
neuronales artificiales, el trabajo de investigación “sistema inteligente basado en modelos
machine learning para la construcción de una vivienda” se va utilizar para modelar con
algoritmos que te dan resultados exactos y que pueden también predecirlos.
“Tutor inteligente para la elaboración de un presupuesto de construcción de una vivienda”
Autor: Roberto Carlos Mamani Mamani (2015)
Resumen
Este trabajo propone plantear un tutor inteligente para la presentación de un presupuesto de
construcción de una vivienda que contribuya con el conocimiento acerca de los materiales
que se usaran en dicha construcción. El cual proporcionara información, recopilación de los
datos de precios de materiales, mano de obra de los distintos tipos de vivienda y al final
proporcionara un informe a detalle sobre los costos de la construcción de la vivienda.
En este trabajo de investigación se concluye que se llegó a cumplir con el objetivo general de
la tesis: Plantear un tutor inteligente para la presentación de un presupuesto de construcción
de una vivienda que contribuya con el conocimiento acerca de los materiales que se usaran en
dicha construcción, y objetivos específicos es decir proporciona todos los informes respecto a
las diferentes etapas de construcción y costo de materiales (obra gruesa, obra fina materiales
de acabado y mano de obra), todo esto para que el usuario se instruya sobre el ámbito de
conocimientos de los materiales a usarcé en la construcción de una vivienda para así poder
elaborar un presupuesto.
Diferencia
En la investigación “Tutor inteligente para la elaboración de un presupuesto de construcción
de una vivienda”, se utiliza agentes inteligentes, (un Agente Inteligente es un programa de
software que ejecuta una tarea dada utilizando información recolectada del ambiente, para
actuar de manera apropiada hasta completar una tarea de manera exitosa), aplicacion
anticuada para estos tiempos. A diferencia el “sistema inteligente basado en modelos machine
learning para la construcción de una vivienda” utiliza algoritmos de machine learning que son
más exactos y pueden predecir resultados.
1.2 Planteamiento del problema
En el mundo, los ciclos de vida nacer, crecer, reproducirse y morir, forman parte de la
existencia de los individuos, de ahí nace la formación de la familia y la necesidad de un
lugar donde vivir.
Una de las necesidades imprescindibles de la humanidad es la vivienda básica, es el refugio
que necesitan las personas para protegerse, para sentirse seguras, resguardarse de las
inclemencias del tiempo, preservar su intimidad, y en la mayoría de los casos representa el
lugar de asentamiento no solo de personas individuales, sino de núcleos familiares. Para
satisfacer esta necesidad, es fundamental proveer de recursos económicos, los cuales sean
utilizados de manera eficaz y eficientemente.
Según la División de Vivienda y Desarrollo Urbano (HUD) del Banco Interamericano de
Desarrollo (2020)
Una de cada tres familias habita en una vivienda inadecuada o construida con
escasos recursos y sin el conocimiento ni el apoyo técnico necesario, con materiales
mala calidad, precarios carentes de servicios básico. Casi dos millones de los tres
millones de familias que se forman cada año en las ciudades latinoamericanas se ven
obligadas a instalarse en viviendas informales, ubicadas en zonas de riesgo, zonas
marginales, inseguros y lo más probable es que sean vulnerables ante amenazas
naturales como terremotos, lluvias, huracanes, inundaciones, cambio climático, a
causa de una oferta insuficiente de viviendas adecuadas y asequibles.
El censo de construcción realizado por el Observatorio Urbano (OBU) de la
Cámara de Construcción de Santa Cruz (CODECOCRUZ), revela que el 46 % de la
población boliviana no posee vivienda, y un 40% esta insatisfecho con el lugar en que
viven.
La situación de la vivienda en Bolivia, de acuerdo a datos del INE 2018, sobre
el déficit cualitativo en Bolivia señala: 30% de las familias bolivianas viven en
hacinamiento 24 % de la población refleja que tres o más personas duermen en una
sola habitación 31 % de la población vive en condiciones inadecuadas 64,8 % no
cuentan con espacio suficiente en su vivienda 35 % de las viviendas en Bolivia no
cuentan con servicios básico, por tal razón podemos decir que las viviendas no
cumplen con las normas de calidad y se genera el descontento del usuario.
Según el INE (Instituto Nacional de Estadística), detalla que, en la última
década el precio de los materiales se incrementó en un promedio de 35% en La Paz,
48,5% en Cochabamba y 55.2% en Santa Cruz al mismo tiempo las remuneraciones o
 mano de obra se incrementó en un 160.8 % en La Paz, 143.2 % en Cochabamba y 159
% en Santa Cruz.
Objetivamente se pudo constatar que la mayoría de las personas que encaran una
construcción de su vivienda carece de información veraz, sobre costos de materiales de
construcción, costo de mano de obra, tiempo requerido, normas de construcción, por tal razón
tienen problemas de tiempos en la ejecución y especialmente económicos en todo el proceso.
El escenario donde se realizará esta investigación es las zonas periurbanas de la ciudad de la
Paz, ciudad del el alto y parte de los yungas, generalmente construcciones de viviendas de
una, dos y tres plantas, utilizando materiales de construcción tradicionales como ser acero,
áridos, cemento, cubiertas, yeso, losas alivianadas, vigas de madera y otros.
Según Hernández (2016)
Entenderemos a una zona periurbana como a aquella que tiene como característica
principal, de ser una zona de transición entre el mundo urbano y el rural, la convierte
en un espacio potencialmente marginal donde proliferan usos que degradan ambiental
y visualmente el paisaje que rodea a la ciudad. Hernández (2016).

En este trabajo de investigación, para dar solución a la problemática planteada,

se utilizará Inteligencia Artificial, según Kaplan Inteligencia Artificial (2016), la
esencia de la Inteligencia Artificial es su capacidad para hacer generalizaciones de un
modo oportuno, basándose en datos limitados. Así, cuanto más amplio sea el campo
de aplicación, más rápido se extraerán las conclusiones con una cantidad mínima de
datos y el comportamiento será más inteligente.
Se aplicará la disciplina Machine Learning, entendida esta como la ciencia que
permite que las computadoras aprendan y actúen como lo hacen los humanos,
mejorando su aprendizaje a lo largo del tiempo de una forma autónoma,
alimentándolas con datos e información en forma de observaciones e interacciones
con el mundo real. Fagella (2020).
El machine learning es una aplicación que puede ayudar a los usuarios a descubrir errores y
omisiones que podrían estar presentes en el diseño. Esto es especialmente cierto cuando la
tecnología se integra con elementos de modelado de información de construcción. También
se puede decir que es el uso de estadística en forma automatizada para identificar patrones en
grandes volúmenes de datos. Dicho así suena poco emocionante, pero en la practica el
machine learning ha revolucionado unos cuantos campos debido a su creciente facilidad de
uso y a su capacidad para predecir resultados con alta precisión.
El problema del déficit habitacional se trata de enfrentar desde las consecuencias, sin atender
necesariamente las causas, y esto conduce a nuevos problemas.
La causa del problema de la vivienda son la pobreza y la exclusión. La exclusión debe
ser entendida en un amplio sentido económico, social y humano. Su principal
característica puede ser la economía, pero incluye oportunidades y capacidades para
labrarse un camino en una ciudad productiva, con empleo, estudios, apoyo financiero y
conocimiento. (División de Vivienda y Desarrollo Urbano del Banco Interamericano
de Desarrollo).
La necesidad social de acceso a una vivienda está respaldada por la
Constitución Política del Estado en el Capítulo I de Derechos Fundamentales del
articulo 19 parágrafo I, establece que “Toda persona tiene derecho a un hábitat y
vivienda adecuada, que dignifique la vida familiar y comunitaria”.
Por otra pare el Decreto Supremo N.º 0986
Capítulo I Disposiciones Generales del Articulo I, parágrafo I establece que “Crear la
Agencia Estatal de Vivienda, como entidad encargada de la dotación de soluciones
habitacionales y hábitat a la población del estado Plurinacional de Bolivia”. Son estos
los documentos legales que respaldan a un derecho fundamental de acceso a una
vivienda a la población boliviana.
La falta de asesoramiento técnico afecta en gran manera porque si no se tiene conocimiento
de construcción no se puede cumplir con las normas y la construcción puede tener muchos
problemas como ser deformaciones de vigas y columnas, fisuras en las paredes y losas
alivianadas etc.
La variación de costos materiales de construcción genera un problema económico cuando
estos escasean en el mercado, y eleva el costo de la vivienda.
La variación del costo de la mano de obra, esto ocurre cuando el crecimiento de la
construcción a nivel departamental y nacional hace que la mano de obra escasee.
El tipo de vivienda, dependiendo de la cantidad de M2, ambientes que tenga la vivienda y
escases de materiales ocasionan demora en el tiempo de construcción.
Los recursos económicos disponibles, se tiene si es que se tiene una estabilidad de trabajo ya
que sin estos no se podría encarar la construcción de una vivienda. (Ver anexo 1)
1.3 Pregunta de investigación
El uso de Modelos basados en Machine Learning permitirá realizar un presupuesto de
construcción de una vivienda, calculando el material de construcción, costos de materiales de
construcción y mano de obra que se usaran en dicha construcción?
1.4 Objetivos
1.4.1 Objetivo general
Aplicar un sistema inteligente basado en modelos de machine learning para la presentación
de un presupuesto de construcción de una vivienda que coadyuve con el conocimiento para el
cálculo de material de construcción, costos de materiales de construcción y mano de obra que
se usaran en dicha construcción.
1.4.2 Objetivos específicos
 Identificar variables para el entrenamiento de los modelos a utilizarse.
 Recopilar información de todos los datos concernientes a las cantidades, precios de
los materiales y de los costos de mano de obra.
 Detallar la información para elegir el tipo de vivienda a construirse.
 Realizar y evaluar el informe en el que se detalle todos los costos de la construcción
de la vivienda.

Tabla 1 Lista de materiales

MATERIALES DE CONTRUCCION (PLANTA TIPO 1)
PRESUPUESTO OBRA GRUESA (Expresado en Bolvianos)
ITE DESCRIPCION PRECIO PRECIO
UNIDAD CANTIDAD
M MATERIALES UNITARIO TOTAL
1 Cemento Portland Bolsa de 50 Kg      
2 Arena corriente M3      
3 Arena Fina M3      
4 Grava 1' M3      
5 Piedra M3      
6 Ladrillo 6H Pza.      
7 Fierro Corrugado Kg      
8 Madera de Construcción P2      
9 Clavos 2 1/2 pulg. Kg      
10 Alambre de Amarre Kg      
11 Calamina Ondulada Nº28 M2      
12 Clavos 4 pulg. Kg      
13 Clavos para calamina Kg      
TOTAL  
Nota: Materiales indispensables para la obra gruesa a utilizarse en la construcción de la
vivienda. Elaboración propia.
Tabla 2 Lista de materiales
MATERIALES DE CONTRUCCION ( PLANTA TIPO 1)
PRESUPUESTO OBRA FINA (Expresado en Bolvianos)
ITE CANTIDA PRECIO PRECIO
DESCRIPCION MATERIALES UNIDAD
M D UNIT. TOTAL
1 Cemento Portland Bolsa de 50 Kg      
2 Cemento Blanco Kg      
3 Clavos Kg      
4 Arena Fina M3      
5 Cerámica para baño M2      
6 Puerta Tablero Pza.      
7 Chapa Exterior (Papaiz) Pza.      
8 Chapa Interior (Poli) Pza.      
9 Chapa Baño Pza.      
10 Bisagra 4'' Pza.      
11 Porcelanato M2      
12 Alambre tejido M2      
13 Estuco Kg      
14 Puerta Tablero (Principal) Pza.      
15 Marco de puerta Pza.      
16 Cielo falso m2      
17 Ventana Metálica Pza.      
18 Caja Interce. E40 6''X30cm Pza.      
19 Pegamento Lt.      
20 Limpiador Lt.      
21 Base de ducha 0,80x0,80 Pza.      
22 Mezclador y trans. P/ducha Pza.      
23 Codo Galvanizado 1/2'' Pza.      
24 T galvanizada 1/2'' Pza.      
25 Niple Hexagonal galv 1/2'' Pza.      
26 Tubo rosca PVC. De 1/2'' ML      
27 Inodoro Pza.      
28 Chicotillo Pza.      
Lavamanos Blanco
29 Pza.      
c/griferia
30 Mezcladora Para Lav. Esp. Pza.      
31 Lavaplatos Pza.      
32 Mezcladora Para Lav. Pza.      
33 Tubo rosca PVC. De 3/4'' ML      
34 Accesorios Galv.D = 1/2'' Pza.      
 35 Teflón 3/4 Pza.      
36 Tuberia de PVC 4 pulg ML      
37 Tuberia de PVC 2 1/2 pulg ML      
38 Accesorios galv. Tupy Pza      
39 Sumidero Pza      
40 Rejilla de Piso Pza      
TOTAL  
Nota: Materiales indispensables para la obra fina a utilizarse en la construcción de la
vivienda. Elaboración propia.

Tabla 3 Lista de materiales

MATERIALES DE CONTRUCCION (PLANTA TIPO1)

PRESUPUESTO TERMINADO (Expresado en Bolvianos)
ITE UNIDA PRECIO PRECIO
DESCRIPCION MATERIALES CANTIDAD
M D UNITARIO TOTAL
1 Interruptor Termico2x15Amp Pza.      
2 Interruptor Termico2x20Amp Pza.      
3 Interruptor Termico2x30Amp Pza      
4 Interruptor Termico2x40Amp Pza      
5 Tablero Medidor 40X40 Pza      
6 Alambre AWG Nº14 ML      
7 Tubo Conduit PVC 5/8'' ML      
8 Caja Plastica Rectangular Pza      
9 Caja Plastica Circular Pza      
10 Socket Pza      
11 Foco ahorrador Pza      
12 Cinta Aislante Pza      
13 Enchufe T.V. Aluminio Pza      
14 Pulsador Esmaltado Pza      
15 Alambre AWG Nº16 ML      
16 Alambre AWG Nº10 ML      
17 Timbre Pza      
18 Plaqueta Tomacorriente D. Pza      
19 Interruptor Pza      
20 Vidrio Plano Arg. Incolor3mm M2      
21 Silicona Pza      
22 Lija Pared ML      
23 Pintura Latex GL      
24 Sellador Para Pared GL      
TOTAL  
Nota: Materiales indispensables de terminado a utilizarse en la construcción de la
vivienda. Elaboración propia.
1.5 Delimitación
1.5.1 Temporal
El presente trabajo de investigación utilizando los instrumentos y herramientas se desarrollará
a partir de agosto a octubre 2022.
1.5.2 Espacial
El escenario donde se desarrolla la investigación es la ciudad de La Paz, zona sur barrios
ovejuyo y chasquipampa, El Alto en los distritos 13,14 y Yungas, capitales de municipios de
Chulumani, Coroico, por ser los lugares con mayor crecimiento de la construcción.
1.6 Justificación

Los sistemas informáticos juegan un papel clave en la cotidianidad de las personas en las
cuales se manejan cantidades de efectivo, razón por la cual la rapidez y simplicidad de los
sistemas de información permiten que las tareas se realicen de forma más eficiente, y por lo
tanto reduce costos o aumenta el ahorro ya sea económico o ahorro en tiempo, que son
ámbitos fundaméntalas para el éxito o el fracaso de un emprendimiento, para así dedicarse a
otras actividades en beneficio propio. Años atrás, las personas tenían maneras limitadas de
obtener información, sin embargo, la necesidad de hacerse con una vivienda obligó a la
obtención de presupuestos para el cual un sistema inteligente evita el constante ir y venir a
recalar información a los proveedores ahorrando dinero y tiempo. La industria de la
construcción cumple un importante rol en el desarrollo de un país en lo cultural ya que, a
través de la construcción se satisface las necesidades de infraestructura de la mayoría de las
actividades sociales de una nación. Pese a ello, la industria de la construcción es,
probablemente, una de las industrias que presenta un menor grado de desarrollo, frente a
otras, tales como la informática o las telecomunicaciones. Es importante que las personas
interesadas en el presupuesto de la construcción de sus casas cuenten con herramientas
automatizadas que les generen excelentes resultados, es por tal motivo que se debe recurrir a
aplicaciones que estén abocadas a dichas necesidades y genere resultados efectivos, entonces
con el uso de la inteligencia artificial con la disciplina machine learning y la modelación de
algoritmos enfocado en un sistema inteligente, tomaran decisiones acertadas en la
construcción de su vivienda.
Capitulo II
2. Marco Referencial
2.1 Marco situacional
El escenario donde se realizará esta investigación es las zonas periurbanas 1 de la ciudad de La
Paz esta tiene 779.728 de habitantes, las zonas de la ciudad dela Paz son, casco viejo ,centro,
Sopocachi, obrajes, ,zona sur, consta de nueve macrodistritos, (siete urbanos y dos rurales)
Ciudad del El Alto que según proyecciones de parte del INE (Instituto Nacional de
Estadística), el municipio del Alto tiene aproximadamente 1.089.100,tiene 14 distritos, y
parte de los Yungas, el cual está dividido en nor yungas con los municipios de Coroico,
Coripata, sud yungas con los municipios de Chulumani, Irupana, Yanacachi, Palos Blancos y
la Asunta, con una población aproximada de 435.214 habitantes, son lugares identificados
con mayor expansión y crecimiento de la construcción.
2.2 Marco Teórico – Conceptual
2.2.1 Sistemas inteligentes
Definición
a. Es un sistema. Es parte del universo, con una extensión limitada en espacio y tiempo.
b. Aprende durante su existencia (en otras palabras, siente su entorno y aprende, para cada
situación que se presenta, cuál sea la acción que le permite alcanzar sus objetivos).
c. Consume energía y la utiliza para sus procesos interiores y para actuar.
Implicaciones a los sistemas inteligentes (SI)
a. Que el sistema debe existir.
b. Que debe existir un entorno con el cual el sistema pueda interactuar.
c. Que debe ser capaz de recibir comunicaciones del entorno, para poder elaborar la situación
actual. Esto es un sumario abstracto de las comunicaciones recibidas por los sentidos. Entendemos por
comunicaciones un intercambio de materia o de energía. Si esta comunicación se realiza con el
propósito de transmitir información, entonces es una variación del flujo de energía o una estructura
específica de materia que el sistema percibe.
d. Que el SI debe tener un objetivo, debe ser capaz de controlar si la última acción realizada
fue favorable, si sirvió para acercarse más a su objetivo o no.
e. Para alcanzar su objetivo, debe seleccionar su respuesta. Una manera fácil para decidirse
por una respuesta, es la de elegir una que haya sido favorable en una situación similar anterior.
f. Que debe ser capaz de aprender. Ya que la misma respuesta es a veces favorable y a veces
falla, debe recordar en qué situación la respuesta resultó favorable y en cuál no lo fue. Es por esto que
almacena situaciones, respuestas y resultados.
g. Finalmente, debe ser capaz de actuar, para alcanzar la respuesta seleccionada.

1
Las zonas periurbanas o territorios periurbanos constituyen espacios en los que se manifiesta con especial intensidad esa aproximación, tal
y como corresponde a la naturaleza socioeconómica, híbrida entre lo urbano y lo rural, que caracteriza a las crecientemente preponderantes
formas de ciudad difusa que en tales territorios se materializan.
Detalles del sistema inteligente
Los procesos principales que ocurren dentro de los sistemas inteligentes son los siguientes: El Sistema
Inteligente tiene un objetivo temporal, que ha derivado de su objetivo principal. Siente su entorno, a
pesar de que debemos ser conscientes de que sólo posee unos pocos sentidos, y que éstos solamente
pueden captar, por ejemplo, la luz y el sonido, características y comportamiento asimilables al de la
inteligencia humana, pero no pueden captar o conocer el objeto mismo. El sistema luego almacena
estas impresiones sensoriales, características y comportamientos asimilables como conceptos
elementales. Los conceptos son una forma material de almacenar información. Trabajando con
conceptos, el sistema crea nuevos conceptos y almacena la relación que tienen éstos con otros
conceptos totales, parciales, abstractos y concretos. Se apreciará que hay una diferencia entre un
objeto o un hecho del entorno, el concepto que el sistema utiliza para su procesamiento interno y la
palabra que utiliza para transmitir el concepto. Los sistemas más inteligentes, deberían controlar, la
información entrante antes de continuar con los demás procesos internos. Después el sistema define la
situación actual aplicando toda la información recibida, expresada como conceptos. Ahora busca en su
memoria y encuentra reglas de actuación que pueden ser aplicables. Elige una de las mejores y realiza
la acción correspondiente. Las reglas de actuación son un campo de almacenamiento que incluye la
situación actual, a la que la regla es aplicable, y la acción correspondiente. El sistema inteligente
almacena continuamente la situación actual y la acción hecha como regla de actuación. Las primeras
reglas de actuación son la consecuencia de acciones casuales y de la enseñanza. Cuando el sistema
está inactivo en su parte externa, es decir, cuando duerme, revisa las reglas de actuación que están
almacenadas en su memoria realiza algunas generalizaciones. Hace abstracciones de conceptos y crea
las correspondientes reglas de actuación, usando estas abstracciones. Otras comparaciones se realizan
entre la situación y la acción de una serie de reglas de actuación recientemente aprendidas, como
también las comparaciones entre situaciones de diferentes reglas de actuación que se presentan y las
acciones de las mismas. Con todas estas actividades y partiendo de reglas de actuación muy concretas,
el sistema crea reglas de actuación que son aplicables a varias situaciones diferentes pero similares.
Después de un tiempo, la memoria está llena y el sistema olvida los conceptos y las reglas de
actuación menos usados.
Las limitaciones que se conocen es que las personas no invierten en estos sistemas por considerarlos
complicados en cuanto a su manejo y desarrollo, debido a que piensan que se requiere un nivel
elevado de conocimientos en computación y electrónica, asunto que no es correcto y también porque
consideran que soluciones como estas son muy costosas. Cuando este tipo de aplicaciones se difunda
más, educando sobre su fácil uso e implementación podrá optarse por estas soluciones en nuestra
sociedad.
2.2.2Machine Learning
Conocido también en español como aprendizaje automático, es una rama científica de la
inteligencia artificial que permite que las computadoras adquieran conocimiento y mejoren de
forma progresiva la realización de tareas y el análisis de datos para los que han sido
destinados sin recibir una programación explicita. Tomando los datos y su comportamiento
estos modelos de aprendizaje también podemos crear modelos predictivos de sucesos con un
nivel de eficiencia considerablemente alto.
El ‘machine learning’ –aprendizaje automático– es una rama de la inteligencia
artificial que permite que las máquinas aprendan sin ser expresamente programadas para ello.
Una habilidad indispensable para hacer sistemas capaces de identificar patrones entre los
datos para hacer predicciones.
“En definitiva, el ‘machine learning’ es un maestro del reconocimiento de patrones, y
es capaz de convertir una muestra de datos en un programa informático capaz de
extraer inferencias de nuevos conjuntos de datos para los que no ha sido entrenado
previamente”, explica José Luis Espinoza, científico de datos de BBVA México.
(Institución Financiera de Banca múltiple).
El desarrollo de aprendizaje automático se centra en tres categorías principales que se
conocen como aprendizaje supervisado, aprendizaje no supervisado, aprendizaje profundo.
Aprendizaje Supervisado
El aprendizaje del tipo supervisado se refiere a un modelo específico de Machine Learning en
el cual el proceso de generación de conocimiento se realiza con un grupo de ejemplos o datos
etiquetados en los que los resultados que arroja la operación son conocidos previamente. Este
tipo de modelo aprende de estos resultados e incorpora ajustes en los parámetros interiores
para poder adaptarse a datos nuevos que ingresan al sistema.
Gracias al aprendizaje desarrollado por estos modelos supervisados se alimenta un conjunto
de resultados que permite realizar predicciones adecuadas del comportamiento de datos
nuevos que aún no han sido procesados. Este tipo de aprendizaje es el que se incorpora en
aplicaciones tecnológicas como filtros detectores de spam en correos electrónicos, detectores
de imágenes en captchas2 o en aplicaciones de reconocimiento de voz o escritura.

2
Captchas, es el acrónimo de "Completely Automated Public Turing test to tell Computers and Humans Apart". Traducido al castellano,
"Prueba de Turing pública y automática para diferenciar máquinas y humanos".
Un captcha es una prueba de tipo desafío-respuesta que se utiliza para determinar cuándo el usuario de un sistema informático es o no
humano.
Gráfico 1. Etapas en un proyecto de Machine Learning

Nota: Un proyecto de Machine Learning no se centra únicamente en elegir un modelo y

entrenarlo, sino que, como todo proyecto, cuenta con una serie de etapas o pasos a seguir.
Extraido de: D.A. Maisuechese Cuadrado, Utilizacion del Machine Learning en la industria
4.0, Tesis.
Aprendizaje no Supervisado
Otro de los tipos de machine learning es el conocido como Aprendizaje No Supervisado. En
el cual se incluyen conjuntos de datos sin etiquetar en los que no se conoce previamente la
estructura que estos poseen. En este tipo de aprendizaje se busca obtener información clave o
importante sin conocer previamente la referencia de las variables de salida, explorando la
estructura de los datos que no están etiquetados.
Dentro de este tipo de aprendizaje hay dos categorías específicas que se conocen
como clustering y reducción dimensional. El clustering consiste en una técnica exploratoria
para analizar datos en la que se organiza la información por grupos desconociendo de forma
previa la estructura que los compone. Esto se hace con la finalidad de obtener grupos de datos
con características similares.
Es usual utilizar este tipo de análisis de datos en estrategias de marketing ya que facilitan la
construcción de segmentos o nichos de mercado utilizando variables específicas para su
análisis.
Por su parte la reducción dimensional3 se utiliza con datos de alta complejidad que
demandan mayor capacidad de procesamiento. Esta funciona determinando correlaciones
entre las características que se presentan en los conjuntos de datos, disminuyendo las
redundancias de información y reduciendo el tiempo de análisis para poder obtener de
forma más eficiente la información considerada de mayor valor.

3
Reducción de dimensionalidad se define como una forma de convertir un conjunto de datos de dimensiones elevadas en un conjunto de
datos de dimensiones menores, asegurando que la información que proporciona en similar en ambos casos.
Aprendizaje Reforzado
Otro modelo de Machine Learning es el que conocemos como aprendizaje reforzado. Es un
modelo diferente a los tipos que explicamos anteriormente. Este tipo de aprendizaje forma
parte de lo que conocemos como “Deep Learning4” o aprendizaje profundo.
El Aprendizaje reforzado tiene como finalidad construir modelos que aumenten el
rendimiento tomando como base el resultado o la recompensa que se genera por cada
interacción realizada. Esta recompensa es el producto de una acción correcta o conjunto de
datos devueltos que entran en una medida especifica.
El modelo mediante un agente utiliza la recompensa como parámetro de ajuste en su
comportamiento para acciones futuras, de forma tal de que la acción nueva cumpla
igualmente con el objetivo o acción correcta y así obtener una recompensa máxima.
El aprendizaje reforzado es públicamente reconocido por ser el aplicado en el
programa Alpha Zero de la desarrolladora tecnológica Deep Mind. Su programación permitió
que este agente de Machine Learning conociera la totalidad de combinaciones y jugadas
posibles en un tablero de ajedrez y vencer a después de solo 4 horas de aprendizaje al motor
de ajedrez computarizado Stockfish.
Gráfico 2 Tipos de aprendizaje

Nota: En el Aprendizaje Supervisado utilizamos información (dataset) de entrenamiento. En

el Aprendizaje No Supervisado se tiene un valor verdadero o label. Y en el Aprendizaje por
Refuerzo, esta técnica los modelos aprenden a partir de la experiencia. Extraído: O.
Sanseveiro.

4
El deep learning es un tipo de machine learning que entrena a una computadora para que realice tareas como las hacemos los seres
humanos, como el reconocimiento del habla, la identificación de imágenes o hacer predicciones.
Algoritmos de Machine Learning
Para ejecutar los tipos o modelos de Machine Learning supervisados, no supervisados o de
aprendizaje reforzado necesitamos implementar algunos algoritmos.
A continuación, descubrirás los principales algoritmos implementados.
Algoritmos de regresión
Cuando se requieren realizar tareas de regresión, el programa de machine learning debe
realizar estimaciones y comprender a profundidad las relaciones existentes entre las variables
que debe estudiar.
En este caso el análisis de regresión debe enfocarse en una variable dependiente y una serie
de variables diferentes de tipo independientes. Al ejecutarse el algoritmo puede realizar
pronósticos o predicciones de una forma muy eficiente.
Algoritmos Bayesianos
Aplicando el teorema de Bayes, estos algoritmos clasifican los valores como independientes
de cualquier otro dato en el conjunto en estudio permitiendo predecir una clase o categoría en
función de un conjunto predeterminado de características utilizando un índice probabilístico.
Este tipo de algoritmo es uno de los más implementados ya que a pesar de su simplicidad
permite realizar clasificaciones de datos de alta complejidad.
Algoritmos de agrupación
Principalmente son utilizados en el aprendizaje automático de tipo no supervisado ya que
permite organizar y categorizar datos no etiquetados. Este algoritmo ejecuta búsquedas de
grupos dentro de los datos representados por una variable. Funciona de manera iterativa para
asignar cada punto de datos a uno los grupos representados en la variable tomando como base
las características que se establecieron como predeterminadas.
Algoritmos de árbol de decisión
Un árbol de decisión es una herramienta estructural muy útil para elegir opciones en base a
criterios gerenciales preestablecidos. Similar a un diagrama de flujo, utiliza un método de
bifurcación para representar los resultados posibles al ejecutar una decisión. Dentro del árbol
se generan nodos que representan variables específicas y en las ramas se puede observar el
resultado de las pruebas ejecutadas.
Algoritmos de redes neuronales
Una red neuronal artificial comprende un conjunto de unidades que se encuentran en una
serie de capas que a su vez están conectadas a capas anexas, asemejando el tipo de
conexiones que se generan en sistema biológicos como las neuronas del cerebro. Estás redes
son conjuntos interconectados de datos que trabajan en conjunto para darle solución a
problemas específicos.
Algoritmos de aprendizaje profundo
Los algoritmos de Deep Learning son aquellos que ejecutan datos a través de capas
compuestas por varias capas de algoritmos de redes neuronales en las que pasan una
representación simplificada de los datos obtenidos a la capa siguiente. Estos algoritmos
funcionan de forma fluida con conjuntos de datos estructurados.
Lenguajes de Programación
Python
Programar un módulo de aprendizaje automatizado requiere obligatoriamente la utilización
de un lenguaje de programación que reúna condiciones propicias para analizar datos.
Actualmente el lenguaje de programación Python es uno de los más utilizados en el mundo
informático gracias a sus características positivas, es por eso que no debe extrañarnos que la
gran mayoría de los modelos de machine learning estén construidos en entornos Python.

Desarrollo de Machine Learning en entorno Python

El hecho de que Python se convirtiera recientemente en el lenguaje favorito de los programadores a
nivel mundial ha facilitado los procesos de desarrollo de entornos de trabajo para machine learning.
Este lenguaje posee un conjunto de características positivas y de fácil manejo que ayuda a desarrollar
entornos estables e inclusive la generación de espacios colaborativos de trabajo para de alguna forma
democratizar el uso de la tecnología de aprendizaje automatizado.
Existen distribuciones de Python excepcionales para desarrollar este tipo de modelos de aprendizajes.
Uno de los más populares y estables es la conocida distribución Anaconda.
Este es un medio de desarrollo muy sencillo de instalar y ejecutar que permite la inclusión de
numerosos paquetes de trabajo para el análisis de datos en texto, imágenes, visibilización de datos
entre otros aspectos interesantes.
Dentro de los espacios democratizados de desarrollo de machine learning en lenguaje Python están
plataformas interconectadas y de libre acceso como Google Colaboratory y Microsoft Azure
Notebooks en los que podemos obtener una generosa cantidad de desarrollo computacional para
desarrollar tareas exigentes sin que eso represente la realización de una cuantiosa inversión en
hardware.
Razones por las cuales usar Python
Python no es el único entorno en el cual podemos desarrollar modelos de machine learning. Pero es
importante conocer las razones principales por las cuales este entorno es ampliamente utilizado.
En primer lugar este es un lenguaje altamente legible. Es un lenguaje sencillo, elegante y similar a los
conjuntos matemáticos que no son más comunes. Adicionalmente es un lenguaje probado que facilita
la creación de prototipos.
Además de lo antes mencionado Python es un lenguaje amplio que tiene capacidad de servir como un
puente unificador entre los estudios que se desarrollan desde el ámbito de ingeniería con los campos
matemáticos y científicos. Al permitir la utilización de librerías de datos, podemos contar con un
entorno de alta rendimiento.
Machine Learning en R
Otro de los entornos de programación de gran relevancia para el desarrollo de modelos de aprendizaje
automático son los creados en el lenguaje que conocemos como R Project.
Su popularidad se debe principalmente a que es un proyecto libre y por lo tanto cuenta con miles de
espacios colaborativos públicos en los que se comparten librerías de datos para ser implementadas de
forma gratuita.
Utilizando R Estudio como entorno de desarrollo de aprendizaje automático pueden realizarse
diversas actividades interesantes como análisis confirmativos o análisis exploratorios.
También podemos desarrollar modelos de regresión no lineal, análisis bayesianos y clustering con
cierta comodidad.
2.3 Marco Legal

La necesidad social de acceso a una vivienda está respaldada por la Constitución Política del
Estado en el Capítulo I de Derechos Fundamentales del articulo 19 parágrafo I, establece que
“Toda persona tiene derecho a un hábitat y vivienda adecuada, que dignifique la vida familiar
y comunitaria”. Por otra pare el Decreto Supremo N.º 0986 Capítulo I Disposiciones
Generales del Articulo I, parágrafo I establece que “Crear la Agencia Estatal de Vivienda,
como entidad encargada de la dotación de soluciones habitacionales y hábitat a la población
del Estado Plurinacional de Bolivia”. Son estos los documentos legales que respaldan a un
derecho fundamental de acceso a una vivienda a la población boliviana.
Capitulo III
3.1 Hipótesis
“El sistema inteligente usando modelos basados en machine learning, permite la elaboración
de un presupuesto de construcción de una vivienda, y mejora el conocimiento de los costos y
tipos de materiales de construcción a usarse”.
3.2 Identificación de Variables
Variable Independiente: Sistema inteligente.
Variable Dependiente: Elaboración de un presupuesto de construcción de una
vivienda.
3.3 Conceptualización de variables
3.3.1 Variable Independiente: Sistema inteligente

Según Laura lanzarini.

Un Sistema Inteligente es una aplicación capaz de adaptar su respuesta en función de la
información que recibe de su entorno mostrando características o comportamientos similares a
la inteligencia humana. Se caracteriza por poder registrar lo que ocurre en el entorno, no
presentar un comportamiento repetitivo, adaptar su respuesta en base a experiencias previas y
utilizar técnicas de Inteligencia Artificial. Su capacidad para extraer patrones de modelización
o comportamiento y su flexibilidad a los cambios de información los convierte en una
herramienta sumamente útil en áreas muy diversas tales como: procesamiento de lenguaje
natural, robótica, salud, planificación de tráfico, defensa y seguridad, entre otros. La
resolución de problemas reales utilizando Sistemas Inteligentes requiere conocer no sólo la
manera de procesar la información del entorno sino la forma de adquirirla y representarla.
3.3.2 Variable dependiente: Elaboración de un presupuesto de construcción de una
vivienda
Según Rincón Soto & Narváez Grisales
El presupuesto es un análisis del futuro y presente de un proceso producto-financiero
de una organización o actividad, empleando distintos recursos (dinero, tiempo,
materiales, maquinaria y espacio). Es un indicador financiero sobre la cantidad de
recursos y su respectivo costo, el cual bajo un concepto financiero estudia y calcula la
entrada de los distintos recursos con el objetivo de mostrar la rentabilidad de los
recursos dispuestos. Implementar un presupuesto, permite a quien lo realiza generar
una visión realista de lo que se plantea, además, permite prever circunstancias
inciertas, trabajar con ritmo definido, planear metas razonables, anticiparse al futuro,
idear un mecanismo para obtener logros y analizar estrategias.
3.4 Diseño de la investigación
El enfoque de la investigación es cuantitativo porque se basa en estudios de números estadísticos para
dar respuesta a unas causas-efectos concretas y tiene el objetivo de obtener respuestas de la población
a preguntas específicas. El tipo de investigación es descriptivo porque se va a recopilar información
cuantificable para ser utilizada en el análisis estadístico de la muestra de la población.
3.5 Población muestra y muestreo
3.5.1 Población
La población de esta investigación es de 486 personas identificadas que realizaran una
construcción de una vivienda
3.5.2 Cálculo de la muestra

2
Z ∗p∗q∗N
Datos n= 2 2
N∗E + Z ∗p∗q
n =?
Z = 1.96 Calculo
2
1.96 ∗0.5∗0.5∗486
P = 50% - 0.5 n=
486∗0.052 +1.962∗0.5∗0.5
3.8416∗0.25∗486
Q = 1 – 0.5 0.5 n=
486∗0.0025+3.8416∗0.25
466.7544
N = 486 n=
1.215+ 0.9604
466.7544
E = 0.05 n=
2.1754
n=214.56

3.5.3 Muestreo
En este trabajo de investigación se utilizará para trabajar con el resultado de la muestra, el
muestreo probabilístico, de manera específica el muestreo aleatorio al azar, ya que es muy
importante el aspecto de que cada uno de los miembros de una población tiene iguales
posibilidades de pertenecer a la muestra.
3.6 Técnicas e instrumentos de investigación
Se utilizo las técnicas directas para el planteamiento del problema, porque mediante estas se
desarrollará una comunicación o relación cara a cara entre el investigador con los sujetos
investigados. Se va a realizar las entrevistas a los propietarios del bien inmueble para poder
saber qué grado de información tiene sobre construcción, y así tener un parámetro de la
situación.
Indicé de gráficos y tablas

Tabla 1 Lista de materiales obra gruesa

Tabla 2 Lista de materiales obra fina
Tabla 3 Lista de materiales de terminado
Gráfico 1 Etapas en un proyecto de machine learning
Gráfico 2 Tipos de aprendizaje
 Referencia
Bibliográficas
Referencia bibliográfica
Banco Interamericano de Desarrollo (BID)., (2020), Informe sobre Acceso a la Vivienda,
División de Vivienda y Desarrollo Urbano (HUD), Banco Interamericano de Desarrollo.
Cámara de la Construcción de Santa Cruz (2020)., Censo de construcción, Observatorio
Urbano (OBU), CODECRUZ.
Instituto Nacional de Estadística (2018), LXI Encuesta permanente de hogares de propósitos –
EPHPM – JUNIO 2018, INE.
Estado Plurinacional de Bolivia (2009)., Constitución Política del Estado Plurinacional, Gaceta
Oficial.
Estado Plurinacional de Bolivia (2011), Bolivia: Decreto Supremo Nº 986, 21 de septiembre de 2011,
Gaceta Oficial.
Hernández, P.S. (2016)., El periurbano, un espacio estratégico de oportunidad, Revista
Bibliográfica de geografía y Ciencias Sociales, de Geografía y Ciencias Sociales Universidad de
Barcelona. ISSN: 1138-9796. Depósito Legal: B. 21.742-98 Vol. XXI, núm. 1.160.
Kaplan, J., Inteligencia Artificial lo que todo el mundo debe saber, Teel.

https://www.upc.edu.pe/
ANEXOS
ANEXO 1