PROPUESTA DE VALORIZACIÓN DE VIVIENDAS

CONSIDERANDO MICROZONIFICACIÓN SÍSMICA EN LA

CIUDAD DE VALDIVIA MEDIANTE EL USO DE REDES
NEURONALES.

Proyecto para optar al título de

Ingeniero(a) Civil Industrial

Profesor Patrocinante:
Mg. Luis Vidal Vidal
Ingeniero Civil Informático

Profesor Co-Patrocinante:
Mg. Jorge Alvial Pantoja
Ingeniero Constructor

Profesora Informante:
Dra. Dunia Duque Araque
Ingeniera Industrial

BENJAMÍN SANTIAGO ULLOA MARIPILLÁN

VALDIVIA – CHILE
2021
 Declaración del Estudiante
Declaro ser el único autor de este Informe de Trabajo de Titulación y haber referenciado
debidamente todas las fuentes de información utilizadas.

____________________________
Benjamín Santiago Ulloa Maripillán
 Resumen
Es por su importancia histórica en cuanto a terremotos en la ciudad de Valdivia y los
estudios que se han realizados en torno a esta temática en el transcurso de los años, se decide la
vincular al proceso de valorización de viviendas. Se detecta que es necesario elaborar una
propuesta que incluya el peligro sísmico como factor relevante para determinar los precios de los
inmuebles teniendo como punto de inicio la ciudad de Valdivia, con una proyección de
implementar este modelo fuera de la ciudad.

Este trabajo busca elaborar una propuesta de valorización considerando las variables
asociadas y ya establecidas para determinar el precio de las viviendas, pero añadiendo una
variable característica, el peligro sísmico. Para ellos se utilizarán técnicas de inteligencia
artificial, específicamente deep learning o también conocido como redes neuronales profundas,
con la cual se quiere imitar el proceso de aprendizaje del cerebro humano, llevado a procesos
computacionales, neuronas artificiales y modelos internos matemáticos de aprendizaje. Los datos
fueron obtenidos de distintas fuentes de información relacionada al proceso de valorar viviendas,
obteniendo una cantidad considerable de variables, pasando por un proceso de aprendizaje y con
la utilización del método KDD para la eliminación de éstas, hasta conseguir un número reducido
para poder trabajar el modelo. También se trabajó la variable característica del modelo, el peligro
sísmico, de manera tal que a través de distintos trabajos de investigación realizadas en la ciudad
de Valdivia se logra obtener el valor de la variable para introducir a la propuesta de valorización.

Los resultados del trabajo realizado logran identificar que el entrenamiento con 500.000
epochs para la red profunda ha proporcionado un modelo preciso teniendo un porcentaje de error
en torno al 16,3% lo cual es plausible de llevar a cabo para futuros trabajos relacionados a esta
temática. Estos resultados, considerando su volumen y su entrenamiento, es perfectible con el
tiempo considerando nuevos antecedentes que pueden ser aportado por futuros autores.

Los resultados de esta tesis logran corroborar que el peligro sísmico puede ser
considerado como una variable importante para el proceso de valorización de viviendas, así como
las variable más típicas o utilizadas. Teniendo los datos necesarios para ser trabajados se puede
obtener esta propuesta de valorización, que sin lugar a duda puede ser perfectible con trabajos
futuros y un trabajo más focalizado en el área. Esta propuesta no pretende reemplazar los
métodos de valorización existentes, pero si un acercamiento a nuevos procesos que incluyan en la
discusión y análisis una variable presente a lo largo y ancho de Chile, siendo uno de los países
más sísmicos del mundo como lo mencionan diversos autores.
 Abstract

It is due to its historical importance in terms of earthquakes in the city of Valdivia and the
studies that have been carried out on this issue over the years, it is decided to link it to the
housing valuation process. It is detected that it is necessary to elaborate a proposal that includes
the seismic hazard as a relevant factor to determine the prices of real estate, having the city of
Valdivia as a starting point, with a projection of implementing this model outside the city.

This work seeks to develop a valuation proposal considering the variables associated and
already established to determine the price of homes, but adding a characteristic variable, the
seismic hazard. For them, artificial intelligence techniques will be used, specifically deep
learning or also known as deep neural networks, with which we want to imitate the learning
process of the human brain, led to computational processes, artificial neurons, and internal
mathematical learning models. The data were obtained from different sources of information
related to the process of valuing homes, obtaining a considerable amount of variables, going
through a learning process and using the KDD method to eliminate them, until a reduced number
was obtained to be able to work. the model. The characteristic variable of the model, the seismic
hazard, was also worked on, in such a way that through different research works carried out in the
city of Valdivia it was possible to obtain the value of the variable to introduce to the valuation
proposal.

The results of the work carried out identify that the training with 500,000 epochs for the
deep neural networks has provided an accurate model with an error rate of around 16.3%, which
is plausible to carry out for future work related to this topic. These results, considering its volume
and its training, can be improved over time considering new information that may be provided by
future authors.

The results of this thesis corroborate that the seismic hazard can be considered as an
important variable for the home valuation process, as well as the most typical or used variables.
Having the necessary data to be worked on, this valuation proposal can be obtained, which
without a doubt can be improved with future work and a more focused work in the area. This
proposal does not intend to replace the existing valuation methods, but rather an approach to new
processes that include in the discussion and analysis a variable present throughout Chile, being
one of the most seismic countries in the world as mentioned by various authors.
 Agradecimientos

En primer lugar, quiero agradecer a mi Señor Jesús por acompañarme y guiarme a lo

largo de la carrera, por ser siempre mi fortaleza en los momentos difíciles y de debilidad, por
llenarme la vida de aprendizajes en todas las áreas de mi vida, por poner a las personas correctas
en los lugares correctos, por brindarme la fuerza necesaria para llevar a cabo este proceso y etapa
de mi vida. Gracias por tu eterna misericordia y bondad, y porque hoy me permites sonreír, me
bendices mediante la finalización de esta tesis, y mis ganas de decir que todo es gracias a Ti que
esta meta está cumplida.

También quiero agradecer muy especialmente a mis padres, quienes en la medida de lo

posible me han brindado una excelente educación, me han dado el apoyo y la guía necesaria para
sobrellevar este proceso. Muy en especial agradecer a mi madre Sonia, quien desde mi niñez ha
estado presente, se ha sacrificado, ha puesto el hombro en las adversidades, quien muchas veces
dejo de comer por darme lo necesario, porque se encargó de entregarme la educación en casa y de
enseñarme valores de vida, me insta a ser siempre mejor persona, me impulsa siempre a ir más
allá, me entrega el apoyo y el amor de madre que un hijo necesita. Gracias mamita amada porque
este logro también es tuyo.

Gracias a mi amada Priscila, quien ha sido un pilar y apoyo fundamental en este proceso,
quien me ha visto en mis mejores y peores momentos de esta etapa. Quien me ha impulsado
también a sacar esta carrera adelante, gracias por todos estos años de amistad, complicidad y de
amor, por ser siempre mi cable a tierra y por estar siempre en las etapas más importantes en estos
años que estamos juntos, y que gracias a Dios que nos permitió conocernos y casarnos durante
este proceso.

Por otra parte, también quiero darle las gracias a todos los profesores que fueron parte de
este proceso de formación profesional, de los cuales pude obtener también una enseñanza más
allá de la formación académica. Gracias a quienes forman parte de la Escuela de Ingeniería Civil
Industrial y Sistemas con unas palabras sinceras y especiales para Sra. Paola quien siempre ha
estado dispuesta a servir y apoyar a los estudiantes ante cada consulta, cada duda, por estar
preocupada ante las solicitudes que hice tanto en persona como por correo electrónico el cual
siempre responde de manera inmediata con mucha amabilidad.

Quiero agradecer a mi profesor patrocinante de manera especial, Sr. Luis Vidal quien
durante toda la carrea opté por tomar la mayor cantidad de ramos que impartía porque sabía que
en cada una de sus clases se podía obtener un aprendizaje más allá de la asignatura y su
contenido, siempre entregando su calidad humana en el aula, sus enseñanzas de vida profesional,
sus experiencias. Gracias por apoyarme en esta última etapa de la formación profesional y ser un
apoyo en aclarar las dudas, en presentarme personas a quien recurrir para completar este proceso
formativo. Agradecer de igual manera al Sr. Jorge Alvial, quien me fue presentado por el
profesor Luis Vidal, para ser mi copatrocinante y que también fue importante y fundamental en el
desarrollo y término de esta tesis de pregrado.

¡Gracias a todos!
 Dedicatoria

A mi Señor Jesús:

Esta tesis está principalmente dedicada a la persona más importante en mi vida,

quien ha sido mi guía y fortaleza
“Pues todas las cosas provienen de Él y existen por Su poder y son para Su gloria.
¡A él sea toda la gloria por siempre! Amén.” (Romanos 11:36)

A mi esposa Priscila.:

Este logro es tanto mío como tuyo, por ambos y por nuestro futuro juntos.

A mi madre Sonia M.:

Gracias por darme la vida, el amor de madre, educación de calidad, brindarme valores,
apoyarme en mis decisiones y estar siempre en todo. Este logro es tuyo también.
 Comisión de Evaluación

Profesor Patrocinante _______________________________

Mg. Luis Hernán Vidal Vidal
Ingeniero Civil en Informática
Instituto de Ingeniería Industrial y Sistemas
Universidad Austral de Chile

Profesor Copatrocinante _______________________________

Mg. Jorge Alvial Pantoja
Ingeniero Constructor
Instituto de Obras Civiles Universidad Austral de
Chile

Profesora Informante _______________________________

Dra. Dunia Duque Araque
Ingeniera Industrial
Instituto de Ingeniería Industrial y Sistemas
Universidad Austral de Chile
 Índice de Contenidos
Capítulo 1: Introducción....................................................................................................................... 1
1.1 Situación inicial .......................................................................................................................... 1
1.2 Objetivos ..................................................................................................................................... 2
1.2.1 Objetivo General .................................................................................................................. 2
1.2.2 Objetivos Específicos .......................................................................................................... 2
Capítulo 2: Estado del Arte .................................................................................................................. 3
2.1 Técnicas de valorización de viviendas........................................................................................ 3
2.1.1 Tasaciones de viviendas ....................................................................................................... 3
2.1.2 Factores que afectan a los precios de viviendas....................................................................... 4
2.1.3 Plusvalía de suelos ............................................................................................................... 5
2.2 Peligro sísmico aplicado a vivienda y su impacto en su valor .................................................... 5
2.2.1 Concepto de sismo ............................................................................................................... 5
2.2.2 Sismos en Chile y Valdivia................................................................................................. 5
2.2.3 Criterios de vulnerabilidad sísmica en viviendas según expertos........................................ 7
2.2.4 Impacto del sismo en el precio de vivienda ......................................................................... 7
2.3 Inteligencia artificial aplicada a procesos de valorización ......................................................... 8
2.3.1 Inteligencia Artificial (IA) ................................................................................................... 8
2.3.2 Redes neuronales artificiales (RNA) y deep learning.......................................................... 8
2.3.3 Aplicación de redes neuronales ........................................................................................... 9
2.4 Análisis de datos basados en metodología Knowlege Discovery in Database (KDD) ............... 9
2.5 Decision Support System (DSS) ............................................................................................... 11
2.6 Marco metodológico ................................................................................................................. 12
Capítulo 3: Desarrollo del Trabajo ..................................................................................................... 13
3.1 Marco de trabajo ....................................................................................................................... 13
3.2 Propuesta para valorización de viviendas en Valdivia ............................................................. 14
3.2 Ubicación, peligro sísmico y su impacto en la valorización de viviendas en Valdivia ............ 22
3.4 Plan de ataque ........................................................................................................................... 25
3.5 Ejecución de la red neuronal para aplicar ................................................................................. 46
Capítulo 4: Análisis de Resultados..................................................................................................... 48
4.1 Resultados KDD ....................................................................................................................... 48
4.2 Eliminación de variables ........................................................................................................... 48
4.3 Ejecución de la Red Neuronal .................................................................................................. 49
Capítulo 5: Conclusiones ................................................................................................................... 52
Referencias Bibliográficas ................................................................................................................. 54
ANEXOS ............................................................................................................................................ 56
 Índice de Tablas
Tabla 2.1. Clasificación de los métodos de valorización. ............................................................... 3
Tabla 2.2. Terremotos en la ciudad de Valdivia, Chile. .................................................................. 6
Tabla 2.3. Utilización de Inteligencia Artificial (IA) en valoración inmobiliaria. .......................... 9
Tabla 3.1. Variables por considerar para la creación del modelo. ................................................ 14
Tabla 3.2. Fuentes de información de precios de viviendas. ......................................................... 17
Tabla 3.3. Variables para utilizar en propuesta de valorización de viviendas. ............................. 22
Tabla 3.4. Valores promedios de rangos de amplificación dinámica y pesos asociados. ............. 24
Tabla 3.5. Amplificación dinámica del peligro sísmico con pesos respectivos por sector. .......... 25
Tabla 3.6. Coeficiente de peligro sísmico por sector. ................................................................... 25
Tabla 3.7. Variables de red neuronal y descripción. ..................................................................... 26
Tabla 3.8. Abreviatura por sector. ................................................................................................. 27
Tabla 3.9. Variables preliminares de red neuronal y descripción. ................................................ 28
Tabla 3.10. Rango de precios en UF/m2, promedio y porcentaje de incidencia sector 1. ............ 31
Tabla 3.11. Rango de precios en UF/m2, promedio y porcentaje de incidencia sector 2. ............ 32
Tabla 3.12. Rango de precios en UF/m2, promedio y porcentaje de incidencia sector 3. ............ 32
Tabla 3.13. Rango de precios en UF/m2, promedio y porcentaje de incidencia sector 4. ............ 32
Tabla 3.14. Rango de precios en UF/m2, promedio y porcentaje de incidencia sector 5. ............ 33
Tabla 3.15. Rango de precios en UF/m2, promedio y porcentaje de incidencia sector 6. ............ 33
Tabla 3.16. Rango de precios en UF/m2, promedio y porcentaje de incidencia sector 7. ............ 33
Tabla 3.17. Precio de suelo por sector........................................................................................... 34
Tabla 3.18. Grupos, ingresos, rangos y promedio. ........................................................................ 34
Tabla 3.19. Valor asociado a cada grupo ...................................................................................... 35
Tabla 3.20. Variables para utilizar en propuesta de valorización de viviendas ............................ 35
Tabla 3.21. Atributos de red neuronal. .......................................................................................... 42
Tabla 3.22. Precio real y predicho. ................................................................................................ 46
Tabla 4.1. Precio real y predicho mejorado. .................................................................................. 49
 Índice de Figuras
Figura 2.1: Subducción de la Placa de Nazca bajo la Placa Sudamericana. .................................6
Figura 2.2: Etapas del proceso KDD. ............................................................................................10
Figura 2.3: Marco metodológico. ...................................................................................................12
Figura 3.1: Marco de trabajo. .........................................................................................................13
Figura 3.2: Plano Áreas verdes y Espacio público. Valdivia. ........................................................18
Figura 3.2: Mapa grupo socio-económico. Valdivia. .....................................................................18
Figura 3.3: Mapa de localización de principales equipamientos y servicios. Valdivia ..................19
Figura 3.4: Estructura de valores del suelo urbano. Valdivia. .......................................................20
Figura 3.5: Diagrama de causa efecto-Ishikawa de variables que afectan al precio de la
vivienda. .........................................................................................................................................21
Figura 3.6: Sectorización de la zona de estudio. Valdivia.............................................................23
Figura 3.7: Mapa Efectos de Sitio. Valdivia. ..................................................................................24
Figura 3.8: Definición de escala de amplificación dinámica..........................................................24
Figura 3.9: Estructura de la Red Neuronal Profunda. ...................................................................42
Figura 3.10: Gráfico de dispersión de datos de entrenamiento ....................................................45
Figura 3.11: Sistema DSS para la valoración de viviendas. .........................................................45
Figura 3.12: Comparación gráfica precio real vs. Predicho por modelo. ......................................47
Figura 4.1: Comparación gráfica precio real vs. Predicho por modelo mejorado.........................50
 Lista de Abreviaturas

INE Instituto Nacional de Estadísticas

IA Inteligencia Artificial

CChC Cámara Chilena de Construcción

BCCh Banco Central de Chile

DSS Decision Support System

IVA Impuesto al Valor Añadido (o Agregado)

UF Unidad de fomento
 Glosario

Evaluar Señalar, estimar, apreciar, calcular el valor de una cosa.

Riesgo Contingencia o proximidad de un daño.

Sismo Vibraciones de la corteza terrestre, generadas por distintos fenómenos.

Tasación Encontrar el justiprecio o avalúo de las cosas.

.
 Capítulo 1: Introducción
1.1 Situación inicial
Valdivia es la capital de la Región de Los Ríos ubicada en la zona sur de Chile, cuenta con
una historia atrayente por la forma en la que se ha ido conformando en sus aspectos sociales,
demográficos, económicos y espaciales, ha atravesado por distintos acontecimientos que le han ido
dando forma a la infraestructura del lugar, cambios en sus paisajes y también modificaciones a las
condiciones urbanas.
En el año 1960, la ciudad de Valdivia sufrió el terremoto más grande en la historia desde que
se tiene registro generando un impacto económico a la ciudad, cuyos estragos siguen influyendo
hasta la fecha, que incluye un efecto psicológico, en el sentido de evitar la construcción de diversa
infraestructura en zonas inundables, en especial la construcción de viviendas (Araya y otros, 2014).
Para la economía de un hogar, la vivienda representa generalmente la tenencia más importante,
tanto por ser una medida de riqueza (activo no financiero), como por ser el principal costo que debe
afrontar una familia (gastos de arriendo, mantenciones, servicios asociados, etc.) (Parrado y otros,
2009). Para el sistema financiero constituyen la principal garantía para otorgar créditos. Además,
son elementos centrales en la planificación urbana de las ciudades.
Según el Banco Central de Chile (BCCh) (Banco Central, 2019) la vivienda posee una
participación importante tanto dentro de la riqueza como de la deuda de los hogares. Al respecto, la
Encuesta Financiera de Hogares 2017 muestra que un 85,2% de los activos de los hogares
corresponden a activos inmobiliarios y un 74,5% de la deuda constituyen deudas hipotecarias
asociadas a estos activos inmobiliarios. De esta forma, las variaciones en los precios de la vivienda
pueden tener implicancias relevantes sobre las finanzas de los hogares, con repercusiones también
en el sistema financiero, el consumo y la economía en su conjunto.

En el año 2014 el BCCh inició la difusión de un Índice de Precios de Vivienda (IPV), cuya
elaboración se basa en registros administrativos del Servicio de Impuestos Internos (SII),
correspondientes a transacciones efectivas de viviendas que cubren todo el territorio nacional. El
IPV considera desgloses por tipo de propiedad (casas y departamentos) y zonas geográficas, con
series que comienzan el primer trimestre del año 2002. El IPV se difunde semestralmente en el
marco de la publicación del Informe de Estabilidad Financiera (IEF). Este indicador se elabora sobre
la base de registros administrativos innominados del Servicio de Impuestos Internos,

1
correspondientes a transacciones efectivas de viviendas a nivel nacional. El índice considera
desgloses por tipo de propiedad (casas y departamentos) y zonas geográficas (Banco Central, 2019).

La intención de este trabajo es elaborar una propuesta de valorización de viviendas que

considere la variable de peligro sísmico utilizando herramientas de Ingeniería Civil Industrial para
este fin. Este estudio reviste especial importancia que se enfoque en la ciudad de Valdivia dada la
potencialidad de los eventos sísmicos registrados. A pesar de que se han realizado estudios y
aproximaciones para determinar aspectos relacionados a peligros sísmicos, también urge contar con
un mecanismo que incorpore esta variable a la valorización de vivienda.

1.2 Objetivos
1.2.1 Objetivo General
Elaborar una propuesta de valorización de viviendas considerando microzonificación
símica en la ciudad de Valdivia mediante el uso de redes neuronales.

1.2.2 Objetivos Específicos

1. Describir situación actual en el proceso de valorización de viviendas.
2. Identificar microzonificación sísmica en la ciudad de Valdivia.
3. Implementar una red neuronal que permita estimar el valor de una vivienda
considerando su ubicación y la microzonificación sísmica en la ciudad de Valdivia.
4. Comparar valores de viviendas externos al entrenamiento de la red neuronal
utilizando dicha red implementada.

2
 Capítulo 2: Estado del Arte

2.1 Técnicas de valorización de viviendas

Existen diversos métodos de valorización y se pueden clasificar en dos grupos como se puede
observar en la siguiente tabla (ver Tabla 2.1):

Tabla 2.1. Clasificación de los métodos de valorización.

Grupo Método
Técnicos Coste
Comparación con el mercado
Actualización de rentas
Residual (Estático o dinámico)
Avanzados Precios Hedónicos
Inteligencia Artificial (Redes Neuronales Artificiales,
Lógica difusa, Sistemas Expertos y Algoritmos
Genéticos)
Análisis Espacial
K-Vecinos
Basados en la Teoría de decisión multicriterio
Técnicas Box-Jenkins (Modelo ARIMA)
Nota. Elaboración propia basada en Revista Publicando (Rey Carmona & Núñez Tabales, 2017)

Del amplio grupo de métodos descritos anteriormente en la Tabla 2.1 como lo indica Rey
Carmona y Núnez Tabales (2017) las redes neuronales y los precios hedónicos destacan por su
especial relevancia. La mayor parte de estos trabajos apoyan el empleo de redes neuronales y es por
esto por lo que este trabajo de título abordará esta metodología de manera específica incluyendo la
problemática del peligro sísmico como variable para el modelo a crear en este trabajo.

2.1.1 Tasaciones de viviendas

Según el manual de tasaciones del Ministerio de Bienes Nacionales “el avalúo de un
inmueble está regulado por normas aplicables a la finalidad para la cual se efectuó dicha tasación,
llegándose generalmente a resultados diferentes en una misma propiedad, según sean los objetivos
que se persiguen” (Ministerio de Bienes Nacionales, 2007). Existen 5 tipos de tasaciones en Chile de
acuerdo con la finalidad que se busca:

3
 • Tasación bancaria.
• Tasación comercial: Es aquella que generalmente entrega el tasador a particulares que
desean conocer el valor de venta o arrendamiento de un bien raíz para efectuar una
transacción habitual. En este caso, se debe buscar el valor de mercado al momento del
informe considerando el valor físico, valor de renta y el valor de comparación o mercado.
• Tasación tributaria
• Tasación contable.
• Tasación judicial.

2.1.2 Factores que afectan a los precios de viviendas

Es el inventario y clasificación de todos los factores físicos, derechos y obligaciones

inherentes a los bienes raíces. Esta clasificación se divide en factores externos del sector y factores
internos del inmueble (Ministerio de Bienes Nacionales, 2007).
Los principales factores externos del sector, con influencia en el valor del inmueble urbano
son:
• Urbanización.
• Equipamiento.
• Accesibilidad.
• Desarrollo sectorial.
• Oferta y demanda.
• Densidad de construcción.
• Categorías sociales.
Los principales factores internos del inmueble que determinan el valor del inmueble urbano
son:
• Topografía.
• Geometría.
• Inundabilidad.
• Drenaje o capacidad de percolación.

4
 2.1.3 Plusvalía de suelos
El marco conceptual de la captura de plusvalías se basa en la idea de usar la valorización del
precio del suelo producida por la urbanización para financiar la infraestructura y servicios que la
hacen posible. En la medida en que la demanda por suelo es una demanda derivada y su precio
depende de lo que se pueda hacer con él, elementos clave del desarrollo urbano como la
transformación del uso del suelo de rural a urbano, la instalación de infraestructura o la
densificación, permiten incrementar los beneficios potenciales derivados de un terreno o propiedad.
Esto a su vez resultará en mayores precios del suelo. Esta valorización, llamada “plusvalía”, es
susceptible a ser “capturada” para el beneficio de la comunidad en la medida en que los factores
generadores que la producen sean consecuencia de decisiones o acciones públicas (Blanco y otros,
2016).

2.2 Peligro sísmico aplicado a vivienda y su impacto en su valor

2.2.1 Concepto de sismo

Los sismos, terremotos o temblores de tierra, son vibraciones de la corteza terrestre, generadas
por distintos fenómenos, como la actividad volcánica, la caída de techos de cavernas subterráneas y
hasta por explosiones. Pero para el punto de vista de la ingeniería los más importantes y severos son
los que tienen origen tectónico, los cuales se deben a desplazamientos intensos en las placas de la
corteza (Bazán & Meli, 2010).

2.2.2 Sismos en Chile y Valdivia

Según Cisternas (2011), nuestro país es el más sísmico del mundo y su loca geografía ha sido
construida por los terremotos debido a que el territorio nacional está rodeado de placas tectónicas
que están en constante movimiento, como la Placa de Nazca y la Placa Sudamericana.

5
 Figura 2.1: Subducción de la Placa de Nazca bajo la Placa Sudamericana.
Nota: (Cisternas, 2011)

En el año 1960, la ciudad de Valdivia sufrió el terremoto más grande en la historia desde que
se tiene registro generando un impacto económico a la ciudad, cuyos estragos siguen influyendo
hasta la fecha, que incluye un efecto psicológico, en el sentido de evitar la construcción de diversa
infraestructura en zonas inundables, en especial la construcción de viviendas (Araya y otros, 2014).

Tabla 2.2. Terremotos en la ciudad de Valdivia, Chile.

Intensidad Magnitud
Fecha Tsunami
(Mercalli) (Richter)
1575 (16 de diciembre + X - XI 8.5*
1737 (24 de diciembre) -- IX - X 7.5-8.0*
1837 (7 de noviembre) + X - XI 8.0*
1907 (13 de junio) -- VII - VIII 6.8*
1960 (22 de mayo) + XI 8.8*
Nota. Elaboración propia basada en trabajo de tesis de pregrado de (Barriga Monje, 2014)
+: Presente
--: Ausente
*: Magnitud estimada

El 27 de febrero de 2010 se produjo uno de los terremotos más grandes a nivel mundial en la
región comprendida entre Concepción y Valparaíso. Sin embargo, su tamaño es unas 10 veces más
pequeño que el de 1960 (Cisternas, 2011).

6
 Los sismos ocurridos el 22 de mayo de 1960 y el 27 de febrero de 2010 dan cuenta que Chile
es un laboratorio natural para poder estudiar estos fenómenos (Cisternas, 2011).

2.2.3 Criterios de vulnerabilidad sísmica en viviendas según expertos

A continuación, se muestran los criterios de vulnerabilidad sugeridos por expertos en la
primera encuesta realizada por Barriga (2014) que se les realizó con objeto de colaborar en la
elección de los criterios de vulnerabilidad más relevantes para las viviendas sociales de la ciudad de
Valdivia.
• Data de construcción.
• Condiciones pre-existentes.
• Disposición y materialidad de elementos no estructurales.
• Presencia de irregularidades estructurales.
• Fundaciones a base de poyos en terrenos blandos.
• Escuadrías deficientes
• Detalles constructivos muy deficientes.
• Vivienda sin estructuraciones resistentes definidas.
• Capacitación de la mano de obra.
• Tipo de material.
• Tamaño de recintos superficie o medidas.
• Longitud de tabique máximo.
• Tipo de estructura horizontal
• No construir en humedales rellenos.
• Construir con materiales de parecida dilatación.
(Barriga Monje, 2014)

2.2.4 Impacto del sismo en el precio de vivienda

Al igual que Chile, Japón es considerado un país sísmico. Un grupo de expertos realizó un
estudio en cual se explica como los terremotos impactan en los precios de las viviendas. Naoi y
otros (2009) realizan el estudio donde examinan la percepción del individuo en cuanto a la

7
alteración de precios después de ocurrido un terremoto. En su trabajo utilizan datos de peligro
sísmico y registro de terremotos ocurridos mediante el uso de la metodología de precios hedónicos.
En sus conclusiones aseveran que existe un impacto en el precio de las viviendas luego de
que ocurra un evento telúrico sugiriendo que los descuentos posteriores al terremoto para el valor de
las propiedades dentro de las áreas propensas a los terremotos se duplicaron en comparación con los
valores anteriores al terremoto, argumentando que la interpretación más probable a sus resultados es
que los propietarios subestiman inicialmente el riesgo sísmico.
Es así como se logra identificar que la variable de riesgo sísmico tiene un impacto en la
valoración de las viviendas y se considerará como un factor importante para la elaboración de la
propuesta de valorización de viviendas.

2.3 Inteligencia artificial aplicada a procesos de valorización

2.3.1 Inteligencia Artificial (IA)

Según Caridad y Ocerin y otros (2008) los orígenes de las redes neuronales se remontan a los
trabajos realizados por Warren McCulloch y Walter Pitts (1943) con el fin de resolver problemas de
carácter cognitivos, estas personas han sido reconocidas como los autores del primer trabajo de IA.
Partieron de tres fuentes: conocimientos sobre la fisiología básica y funcionamiento de las neuronas
en el cerebro, el análisis formal de la lógica preposicional de Russell y Whitehead y la teoría de la
computación de Turing. Es por esto por lo que se consideran los eventos más importantes en el
origen de la IA (Russel & Norvig, 2008).

2.3.2 Redes neuronales artificiales (RNA) y deep learning

Para Mora (2004) las RNA consisten en sistemas informáticos en los que los
microprocesadores, en lugar de disponerse “en serie” como en los ordenadores tradicionales, se
conectan “en paralelo”, formando capas y con múltiples conexiones, tal y como se organiza la red de
neuronas en el cerebro. Actualmente las RNA están muy desarrolladas, y se aplican en multitud de
campos: diagnóstico de enfermedades, análisis de riesgos en la concesión de créditos, predicción de
la evolución de los mercados de valores, etc.
En cuanto al deep learning es un método específico de machine learning que incorpora las
redes neuronales en capas sucesivas para aprender de los datos de manera iterativa. El deep learning
es especialmente útil cuando se trata de aprender patrones de datos no estructurados. Las redes

8
neuronales complejas de deep learning están diseñadas para emular cómo funciona el cerebro
humano, así que las computadoras pueden ser entrenadas para lidiar con abstracciones y problemas
mal definidos. Las redes neuronales y el deep learning se utilizan a menudo en el reconocimiento de
imágenes, voz y aplicaciones de visión de computadora (Vidal Vidal, 2020).

2.3.3 Aplicación de redes neuronales

Según Caridad y Ocerin y otros (2008) la Inteligencia Artificial comienza a aplicarse en la
valoración de inmuebles en la década de 1990. Desde entonces hasta la actualidad han surgido
numerosas experiencias y la creación de nuevos modelos va en aumento. Entre los autores que han
desarrollado los sistemas más destacables cabe citar los que se recogen en la Tabla 2.3:

Tabla 2.3. Utilización de Inteligencia Artificial (IA) en valoración inmobiliaria.

Autor Año Área de estudio
Borst 1991 Nueva Inglaterra
Tay y Ho 1992 Singapur
Quang Do y Grudnitski 1992 California (EE. UU)
Collins y Evans 1994 Reino Unido
Worzala, Lenk y Silva 1995 Colorado (EE. UU)
Mc Cluskey 1996
Rossini 1997 Sur de Australia
Haynes y Tan 1998 Gold Coast en Australia
Bonissone 1998
Cechin 2000 Porto Alegre (Brasil)
Karakozova 2000 Helsinki (Finlandia)
Nguyen y Cripps 2001 Tennessee (EE. UU)
Kauko 2003
Limsombunchai y otros 2004 Nueva Zelanda
Nota. Elaboración propia en base a trabajo de Caridad y Ocerin y otros (2008).

2.4 Análisis de datos basados en metodología Knowlege Discovery in Database (KDD)

“El Descubrimiento de conocimiento en bases de datos (KDD, del inglés Knowledge
Discovery in Databases) es básicamente un proceso automático en el que se combinan

9
descubrimiento y análisis. El proceso consiste en extraer patrones en forma de reglas o funciones, a
partir de los datos, para que el usuario los analice.” (Timarán et al, 2016)
El proceso KDD que se muestra en la Figura 2.3 es interactivo e iterativo, involucra
numerosos pasos con la intervención del usuario en la toma de muchas decisiones. Se resume en las
siguientes etapas:

Figura 2.2: Etapas del proceso KDD.

Nota: Timarán et. al 2016

1. Selección: Se identifica el conocimiento relevante y prioritario, se definen las metas

desde el punto de vista del usuario final y se elabora un conjunto de datos donde se
puede seleccionar el total de estos o una parte representativa de ellos para poder
realizar el proceso de descubrimiento.
2. Preprocesamiento/limpieza: Se analiza la calidad de los datos bajo diferentes
métodos de reducción, limpieza o reemplazo. Se seleccionan estrategias para el
manejo de datos desconocidos, nulos o duplicados. Esta etapa es de suma
importancia la interacción del usuario.
3. Transformación/reducción: Se buscan características útiles para poder representar
los datos dependiendo el objetivo final del proceso. Se utilizan métodos de reducción

10
 de dimensiones o de transformación para disminuir el número efectivo de variables
bajo consideración o para encontrar representaciones invariantes de los datos.
4. Minería de datos (data mining): Esta etapa tiene como objetivo la búsqueda y
descubrimiento de patrones insospechados y de interés, aplicando distintos tipos de
metodologías de minería de datos, entre los cuales están clasificación, clustering,
patrones secuenciales, asociaciones, etc. Las técnicas de mineria de datos crean
modelos que son predictivos o descriptivos. El primero pretende estimar valores
futuros o desconocidos de variables de interés. El segundo identifican patrones que
explican o resumen los datos, sirven para explorar las propiedades de los datos
examinados.
5. Interpretación/evaluación: Se interpretan los patrones descubiertos y posiblemente
se retorna a las anteriores etapas para posteriores iteraciones. En esta etapa también
se puede incluir la visualización de pateones extraídos, remoción de los patrones
redundantes o irrelevantes y la traducción de patrones útiles para que sean legibles y
entendibles para el usuario. Se consolida el conocimiento descubierto para
incorporarlo a otro sistema, documentarlo y reportarlo a las partes interesadas,
verificar y resolver conflictos potenciales (Timarán et al., 2016, pág. 67).

2.5 Decision Support System (DSS)

“Es un sistema de información basado en un computador interactivo, flexible y adaptable,

especialmente desarrollado para apoyar la solución de un problema de gestión no estructurado para
mejorar la toma de decisiones. Utiliza datos, proporciona una interfaz amigable y permite la toma de
decisiones en el propio análisis de la situación.” (Turban , 1995).

11
2.6 Marco metodológico

La figura 2.3 muestra el marco metodológico para poder alcanzar los objetivos propuestos en
este trabajo de titulación.

Figura 2.1: Marco metodológico.

Nota: Elaboración propia.

Se inicia el marco metodológico determinando el objetivo del estudio, posterior a ello se

define el marco de trabajo para tener organizada la forma en que se va a resolver la problemática
planteada. Continuando es necesario recolectar distintas fuentes de información verificando que esta
sea relevante, fidedigna y en la medida de lo posible actualizada. Luego esta información obtenida
para por un proceso de limpieza y reducción en el preprocesamiento, para luego procesar y
comenzar a cargar los datos que se van a utilizar en la etapa final que es la creación de la propuesta
de modelo.

12
 Capítulo 3: Desarrollo del Trabajo
3.1 Marco de trabajo
En la figura 3.1 se presenta un marco conceptual de trabajo para el desarrollo del proyecto de
título.

Figura 3.1: Marco de trabajo.

Nota: Elaboración propia

13
 1. La metodología base de este trabajo de titulación será KDD debido a que esta es la
adecuada para encontrar información y procesar un gran conjunto de datos con el
objetivo de generar conocimiento y cumplir los objetivos.
2. Las fuentes son principalmente 3, consulta a expertos, trabajos de tesis de pregrado y
la información disponible en la web.
3. Para el procesamiento de datos y su posterior análisis serán necesarios los softwares
Microsoft Excel, Microsoft Word, GoogleColab, Tensorflow+Keras y Python.
4. Se pretende elaborar un sistema de redes neuronales y elaboración de un sistema de
toma de decisiones con relación a las variables a escoger.
5. Finalmente se obtendrá una propuesta de valorización de viviendas.

3.2 Propuesta para valorización de viviendas en Valdivia

En cuanto a la búsqueda de datos se trabajó en recolección de información en diversas fuentes
para la búsqueda y selección de viviendas. Para la elección de variables a considerar para el modelo
se toma en consideración trabajos de tesis de pregrado, consulta a expertos y datos obtenidos en
capítulo 2 estado del arte.
Para poder elaborar la propuesta de valorización de viviendas se realizó un levantamiento de
información relacionado con las variables que afectan al precio de la vivienda. Este proceso se hizo
buscando en diferentes fuentes de datos desde el estado del arte donde se repetían variables que
podrían llegar a ser significativas para el modelo. A continuación, se muestra en la Tabla se
muestran las variables encontradas que podrían ser utilizadas para la creación de la propuesta de
valorización de viviendas.

Tabla 3.1. Variables por considerar para la creación del modelo.

Variable Descripción
Abastecimiento Grado de influencia, cercanía, importancia, tamaño, prestigio de
alimenticio abastecimiento alimenticio en el sector.
Accesibilidad Factor basado en el concepto costo de oportunidad, donde costo de viaje y
tiempo desde el origen a destino son variables por considerar, medido en
porcentaje. Tenemos óptima, buena, regular y deficiente accesibilidad.
Agua potable Porcentaje de agua potable del sector.
Alcantarillado Porcentaje de alcantarillado del sector.
Antigüedad Data de antigüedad de vivienda.

14
 Variable Descripción
Aptitud de suelo Factor que se refiere al comportamiento mecánico del suelo del inmueble,
para fundaciones tiene una incidencia en el valor del terreno, pues las excavaciones en las
construcciones tienen mayor o menor costo, dependiendo de la dureza del
terreno. Se tiene suelo óptimo, bueno, regular y deficiente.
Arborización Porcentaje de arborización del sector.
Áreas verdes y
espacio público Cantidad de áreas verdes y espacios públicos por sector.
Baños Cantidad de servicio sanitario en una vivienda.
Categorías sociales Factor tiene relación con el nivel socioeconómico de los habitantes del
sector, que incide significativamente en el valor de un inmueble.
Centros de salud
pública Cantidad de centros de salud pública por sector.
Comercio Grado de influencia, cercanía, importancia, tamaño, prestigio de comercio
en el sector.
Culto Grado de influencia, cercanía, importancia, tamaño, prestigio de culto en el
sector.
Cultura Grado de influencia, cercanía, importancia, tamaño, prestigio de cultura en
el sector.
Densidad de Factor definido por un instrumento de planificación municipal, tenemos
construcción densidad alta, media, o baja.
Desarrollo sectorial Factor que incide en el precio del suelo y se entiende como tal cuando por
políticas públicas o externalidades, sea por la intervención del gobierno o
privados produce beneficios a terceros que, sin esfuerzo de inversión
alguno, reciben los plusvalores que aumentan el valor de los bienes raíces,
tenemos desarrollo sectorial óptimo, mediano, regular y malo.
Drenaje o Capacidad del suelo de permitir el paso del agua hacia capas interiores. Un
capacidad de rápido drenaje disminuye la inundabilidad. Por el contrario, un drenaje lento
percolación aumenta la posibilidad de inundación. Se tiene drenaje óptimo, bueno,
regular y deficiente.
Electricidad Porcentaje de electrificación del sector.
Establecimientos
educacionales Cantidad de establecimientos educacionales por sector.
Gas de ciudad Porcentaje de gas de ciudad del sector.
Geometría Factor que considera la forma del terreno en su relación frente/fondo. Esta
proporción incide en la mejor utilización del terreno. Se tiene geometría
óptima, buena, regular y deficiente.
Grupo
Nivel socioeconómico por sector.
socioeconómico
Habitaciones Cantidad de habitaciones para dormir en una vivienda.

15
 Variable Descripción
Inundabilidad Posibilidad que el terreno sufra anegaciones por ser parte de
alguna depresión topográfica del sector. Se tiene inundabilidad sin riesgo,
bajo riesgo, mediano riesgo y alto riesgo.
Metros cuadrados
de construcción Metros cuadrados (m2) de construcción en la vivienda.
Metros cuadrados
de terreno Metros cuadrados (m2) del terreno de la vivienda.
Movilización Grado de influencia, cercanía, importancia, tamaño, prestigio de
movilización en el sector.
Oferta y demanda Factor está relacionado con la oferta, cantidad de inmuebles que ofrece el
mercado y la
demanda, interesados en adquirir un inmueble. Alto, buen, regular y bajo
interés.
Pavimentación Porcentaje de pavimentación del sector.
Peligro sísmico Probabilidad de que ocurra un fenómeno físico como consecuencia de un
terremoto.
Pisos Cantidad de pisos de la vivienda.
Precio suelo urbano Precio de suelo urbano por sobre los m2 de la vivienda por sector (UF/ m2).
Precios de
Valor de referencia de viviendas en Valdivia.
referencia
Riesgo sísmico Consecuencias sociales y económicas potenciales provocadas por un
terremoto.
Tipo Discriminación de tipo de vivienda (casa, departamento).
Tipo material Tipo de material de fabricación de la vivienda.
Topografía Un terreno es topográficamente adecuado, cuando sus pendientes no inciden
negativamente en su aprovechamiento, planificación y costos de
construcción.
Topográficamente inadecuado, por el contrario, es aquel terreno que su
utilización o
aprovechamiento óptimo, trae aparejado un aumento significativo en el
costo de las obras. Tenemos topografía óptima, buena, regular y deficiente.
Unidades policiales Cantidad de unidad policiales por sector.
Vulnerabilidad Valor único que permite clasificar a las estructuras de acuerdo con la
sísmica calidad intrínsecas de las mismas
Nota. Elaboración propia basa en el Estado del arte.

Para poder identificar la valorización correcta de las viviendas se hizo un levantamiento de

información y datos, de manera manual en distintos sitios web en donde los precios de las viviendas
se encontraron en pesos chilenos y en valor UF:

16
 Tabla 3.2. Fuentes de información de precios de viviendas.
Fuente
www.corretajesoettinger.cl
www.portainmobiliario.com
www.empropiedades.cl
www.icasas.cl
www.yapo.cl
www.victoriamonsalvepropiedades.com
www.chilepropiedades.cl
www.vivastreet.cl
www.ccespana.cl
www.nuroa.cl
www.tophousepropiedades.cl
Nota. Elaboración propia.

En esta búsqueda de información de precios de viviendas en Valdivia, se inicia con el proceso

KDD para la selección de datos idóneos para el modelo, además se pudo visualizar en un acto de
aprendizaje un patrón de variables que se repetían en la oferta de viviendas como lo son los metros
cuadrados de construcción de la vivienda, metros cuadrados del terreno, cantidad de habitaciones,
cantidad de baños, cantidad de pisos, el sector en donde se ubica esta, tipo de vivienda si
corresponde a casa o departamento y por supuesto el precio, expresado en UF o pesos chilenos.
Revisando la literatura del estado del arte, se pudo también encontrar ciertas variables que
tenían información respectiva en la ciudad de Valdivia, donde se considera la investigación
realizada por el Observatorio de Sostenibilidad y Estudios Urbanos del Sur Austral (OBSUR) en la
cual se descubren datos con respecto a la cantidad de áreas verdes y espacio público en la ciudad de
Valdivia, además de encontrar información respecto a los grupos socioeconómicos en dicha ciudad
(Ver Figuras 3.3 y 3.4).

17
Figura 3.2: Plano Áreas verdes y Espacio público. Valdivia.
Nota: (OBSUR, 2013)

Figura 3.3: Mapa grupo socio-económico. Valdivia.

Nota: (OBSUR, 2013)

18
 Siguiendo la lógica de la metodología KDD, en la selección de datos basado en el Estado del
Arte se pudo encontrar y registrar información relevante relacionada la cantidad de establecimientos
educacionales, cantidad de unidades policiales, cantidad de centros de salud y precio del suelo
urbano en Valdivia en un estudio realizado por Pablo Trivelli y Cía. Ltda. (2016) en el cual
representa mediante mapas los valores de estos datos (ver Figura 3.2). En la Figura 3.1 se muestra la
localización de equipamiento y servicios de la ciudad de Valdivia en el año 2016, y en la Figura 3.2
se muestra Estructura de valores del suelo urbano.

Figura 3.4: Mapa de localización de principales equipamientos y servicios. Valdivia

Nota: (Trivelli, 2016)

19
 Figura 3.5: Estructura de valores del suelo urbano. Valdivia.
Nota: (Trivelli, 2016)

Como se menciona anteriormente, se utilizó la metodología KDD para identificar los datos la
cual se desarrollará en esta sección del trabajo. Se inició con un conjunto de datos importantes y se
fueron descartando, este trabajo de descarte se hizo con los expertos en el área de sismología y
construcción (Método Delphi) y basado en tesis de grado de Barriga (2014) y Alvarado (2012) que
trabajaron en la temática de vulnerabilidad y microzonificación sísmicas respectivamente. Así se
logra diseñar un diagrama de causa efecto tipo Ishikawa (ver Figura 3.5) con las principales
variables para en un proceso posterior hasta llegar a un número más reducido de estas.

20
Figura 3.6: Diagrama de causa efecto-Ishikawa de variables que afectan al precio de la vivienda.
Nota: (Trivelli, 2016)

Luego de un proceso de aprendizaje, de búsqueda e investigación se logra acotar las variables

del diagrama causa efecto, desligándolas de su espina principal y dejando estas como variables
individuales. Este proceso se pudo llevar a cabo con la información que se logra recolectar del
ambiente, de las distintas fuentes de información, del análisis con los expertos y de los trabajos
relacionados al tema de valoración de viviendas considerando el peligro sísmico. Es así como las
variables elegidas son con las que se cuenta con información suficiente y objetiva, contienen datos
relevantes además que son las necesarias debido a que son las de interés para este tipo de modelo
independiente de que pueda haber otras.

21
 Tabla 3.3. Variables para utilizar en propuesta de valorización de viviendas.
Variable Descripción
Áreas verdes y espacio Cantidad de áreas verdes y espacios públicos por
público sector (n°).
Baños Cantidad de servicio sanitario en una vivienda (n°).

Centros de salud pública Cantidad de centros de salud pública por sector (n°).

Establecimientos Cantidad de establecimientos educacionales por

educacionales sector (n°).
Grupo socioeconómico Nivel socioeconómico por sector (rango).
Habitaciones Cantidad de habitaciones para dormir en una
vivienda (n°).
Metros cuadrados de suelo Metros cuadrados (m2) del terreno de la vivienda.
Metros cuadrados de Metros cuadrados (m2) de construcción en la
construcción vivienda.
Peligro sísmico Probabilidad de ocurrencia de un sismo.
Pisos Cantidad de pisos de la vivienda (n°).
Precio suelo urbano Precio de suelo urbano por sobre los m2 de la
vivienda por sector (UF/ m2).
Tipo (casa/departamento) Discriminación de tipo de vivienda (casa,
departamento).
Unidades policiales Cantidad de unidad policiales por sector (n°).
Nota. Elaboración propia.

La finalidad de la propuesta de valorización es crear luego una Inteligencia Artificial que

permita dadas las variables escogidas de entrada poder identificar un proceso de valorización, en
donde se destaca principalmente la variable relacionada al peligro sísmico que se analizará en la
sección 3.2 de este trabajo.

3.2 Ubicación, peligro sísmico y su impacto en la valorización de viviendas en Valdivia

Para identificar la variable que va a caracterizar este estudio, que tiene relación con el peligro
sísmico en Valdivia, se explora información en trabajos de tesis de pregrado de Barriga (2014) y
Alvarado (2012). En el primer trabajo mencionado se pudo hallar los criterios para poder establecer
parámetros de búsqueda de información relacionada al peligro sísmico. En cuanto al segundo trabajo
mencionado su pudo identificar y establecer la microzonificación sísmica de la ciudad de Valdivia,
la cual ayudará a la modelo de propuesta de valorización a agrupar por sectores las viviendas

22
encontradas anteriormente. En la microzonificación realizada por Alvarado (2012) se puede
identificar la subdivisión de la ciudad de Valdivia en 7 sectores tal como se aprecia a continuación
en la Figura 3.6:

Figura 3.7: Sectorización de la zona de estudio. Valdivia.

Nota: (Alvarado Coello, 2012)

23
 Figura 3.8: Mapa Efectos de Sitio. Valdivia.
Nota: (Alvarado Coello, 2012)
Para poder obtener los valores que se mostrarán a continuación se toma en cuenta el trabajo de
tesis de pregrado de Alvarado (2012) y análisis con expertos, con lo cual se logra identificar la
variable buscada relacionada al peligro sísmico.
En la Figura 3.8 (ver Figura 3.8) se aprecia la definición de escala de amplificación dinámica
de un movimiento telúrico según su intensidad; baja, media, alta y muy alta.

Figura 3.9: Definición de escala de amplificación dinámica.

Nota: (Alvarado Coello, 2012)

En base a esta información se elabora la Tabla 3.4 (ver Tabla 3.4) para poder establecer pesos
para ser utilizados más adelante para la obtención de la variable de peligro sísmico. En esta tabla se
promedian los valores vistos en forma de rangos de la Figura 3.8 además se les asigna un peso de
acuerdo con su razón entre el total de la suma de ellos. Siendo el valor de 20 el total de la suma de
promedios respectivos.

Tabla 3.4. Valores promedios de rangos de amplificación dinámica y pesos asociados.

Amplificación Promedio Peso
Baja 3 0.15
Media 4 0.2
Alta 6 0.3
Muy alta 7 0.35
Total 20
Nota: Elaboración propia.

Se elabora la Tabla 3.5 (ver Tabla 3.5) para obtener la calificación de cada sector en donde
se calcula un porcentaje basado en la Figura 3.7 la cual representa la probabilidad del sector de la

24
amplificación dinámica de un posible sismo en la ciudad de Valdivia. Aquí también se incorpora el
peso obtenido de la Tabla 3.2.

Tabla 3.5. Amplificación dinámica del peligro sísmico con pesos respectivos por sector.
Amplificación Sector Sector Sector Sector Sector Sector Sector
Peso
dinámica 1 2 3 4 5 6 7
bajo 0.15 0 0 0 0 0.1 0.1 0.1
medio 0.2 0.65 0.25 0.8 0.45 0.7 0.4 0.15
alto 0.3 0.35 0.6 0.15 0.4 0.15 0.4 0.4
muy alto 0.35 0 0.15 0.05 0.15 0.05 0.1 0.35
Nota: Elaboración propia.

De la Tabla 3.5 se utiliza la función “SUMAPRODUCTO” de la herramienta de Excel,

proceso del cual se obtuvo una calificación adimensional que representa la variable de peligro
sísmico por sector para el modelo que se busca realizar para la valorización de viviendas.

Tabla 3.6. Coeficiente de peligro sísmico por sector.

Sector Coeficiente

Sector 1 0.2350
Sector 2 0.2825
Sector 3 0.2225
Sector 4 0.2625
Sector 5 0.2175
Sector 6 0.2500
Sector 7 0.2875
Nota: Elaboración propia.

3.4 Plan de ataque

El objetivo principal de este trabajo es implementar una red neuronal para lo cual es necesario
establecer un plan de ataque que consiste en definir el entorno de trabajo, estados, establecer las
variables de entrada, salidas esperadas, tipo de red neuronal a utilizar, cantidad de capas ocultas,
función de activación, recompensa o penalización, función de pérdida de error cuadrático medio,
entre otros. Una vez definido lo anterior permitirá elaborar la propuesta de valorización de viviendas
considerando el peligro sísmico.

25
 La ubicación donde será realizado este estudio es en la ciudad de Valdivia, capital de la
Región de Los Ríos ubicada en la zona Sur de Chile. Dentro de sus límites naturales se encuentran
los ríos Calle-Calle y Cruces. Según datos del último censo 2017 del Instituto Nacional de
Estadísticas (INE) la población es de 166.080 habitantes (INE, 2017).
Se decide trabajar la valorización de viviendas en la ciudad de Valdivia debido al contexto
histórico que la involucra con la actividad sísmica. Cabe destacar que en Valdivia han ocurrido
varios sismos de grandes magnitudes, entre los que destacan los años 1575, 1737, 1837 y el más
actual el del año 1960 que alcanzó una magnitud de 9.5 en la escala de Richter.
Además, se tienen datos de la ciudad para poder trabajar en ella, tales como la construcción
sobre humedales y que no se han protegido en tanto en la ciudad como en la Región de Los Ríos. Se
poseen datos de la ciudad debido al arduo trabajo que han realizado otros autores en cuanto a la
microzonificación sísmica, tipo de suelos y ubicación de humedales, entre otros.
Las herramientas para el entorno de trabajo serán Excel, GoogleColab, Python, librerías
Panda, Tensorflow y Keras.
En cuanto a las variables de entrada necesarias para el modelo se escogieron las mencionadas
en la sección 3.1 y la variable de peligro sísmico obtenida en la sección 3.2 de este trabajo dada la
información obtenida desde los expertos, trabajos de tesis de pregrado e investigación del Capítulo 2
“Estado del arte”. A continuación, en la Tabla 3.7 se presentan las 13 variables de entrada del
modelo a elaborar:

Tabla 3.7. Variables de red neuronal y descripción.

Variable Característica Descripción
X1 m2 Vivienda Metros cuadrados de construcción de la vivienda.
Metros cuadrados del terreno donde se encuentra la
X2 m2 Terreno
vivienda.
X3 n° Habitaciones Cantidad de habitaciones en la vivienda.
X4 n° Baños Cantidad de baños en la vivienda.
X5 n° Pisos Cantidad de pisos de la vivienda.
n°
Cantidad de establecimientos educacionales en el sector de
X6 Establecimientos
la vivienda.
educacionales
n° Unidades
X7 Cantidad de unidades policiales en el sector de la vivienda.
policiales

X8 n° Centros de salud Cantidad de centros de salud en el sector de la vivienda.

26
 Variable Característica Descripción

n° Áreas verdes y Cantidad de áreas verdes y espacio público en el sector de la

X9
espacio público vivienda.

Grupo
X10 Rango grupo socioeconómico en el sector de la vivienda.
socioeconómico
Precio suelo
X11 Precio suelo urbano del sector de la vivienda.
urbano
X12 Peligro sísmico Peligro sísmico en el sector de la vivienda.
X13 Tipo de vivienda Tipo de construcción de la vivienda (casa o departamento).
Nota: Elaboración propia.

En la sección 3.2 se dejan establecidos los 7 sectores zonificados en los cuales se trabajará con
las distintos inmuebles que se muestran a continuación en la Tabla 3.9 (ver Tabla 3.9) en conjunto
con datos obtenidos en el proceso de búsqueda de información de precios de viviendas en distintos
portales declarados en la Tabla 3.2 donde se ofertaban públicamente estas 120 viviendas elegidas,
además se realiza el proceso de convertir el valor de pesos chilenos a valores en UF (valor de
referencia UF al 9 de septiembre de 2021 correspondiente a $30.004) y se caracteriza a que tipo de
vivienda corresponde ubicándola en su sector respectivo con las variables asociadas. Es necesario
enfatizar que para la propuesta de valorización de viviendas se consideraron los precios ofertados
públicamente y se decide convertir los precios de pesos chilenos a UF por los siguientes motivos
basado en la Comisión para los Mercados Financieros (2021):
• Permite expresar los precios de compra y venta de viviendas.
• Evitar recálculos por la reajustabilidad del peso chileno debido a la inflación.
Tabla 3.8. Abreviatura por sector.
Sector Abreviatura
Sector 1 S1
Sector 2 S2
Sector 3 S3
Sector 4 S4
Sector 5 S5
Sector 6 S6
Sector 7 S7
Nota: Elaboración propia.

27
Tabla 3.9. Variables preliminares de red neuronal y descripción.

Valor m2 m2 n° n° n°
Sector Tipo Valor
en UF vivienda terreno habitaciones baños pisos

S1 Casa $115,000,000 3,833 85 185 3 2 1

S1 Departamento UF 6,800 6,800 123 123 4 2 1
S1 Casa UF 7,937 7,937 140 224 4 2 2
S1 Departamento $150,000,000 4,999 67 67 3 2 1
S1 Departamento $180,000,000 5,998 108 108 3 3 1
S1 Casa UF 3,433 3,433 86 193 3 2 2
S1 Casa $150,000,000 4,999 130 203 3 2 1
S1 Departamento UF 10,800 10,800 120 120 3 2 1
S1 Casa UF 7,331 7,331 140 221 4 2 2
S1 Departamento $280,000,000 9,331 111 111 3 2 1
S1 Casa $105,000,000 3,500 86 193 3 2 2
S1 Departamento UF 6,800 6,800 90 90 2 2 1
S1 Departamento UF 6,216 6,216 103 113 3 3 2
S1 Departamento UF 6,048 6,048 84 84 3 2 1
S1 Departamento UF 9,408 9,408 140 140 4 3 1
S1 Departamento $150,000,000 4,999 76 76 2 2 1
S1 Casa $165,000,000 5,499 104 202 3 2 1
S2 Casa $165,000,000 5,499 120 380 3 2 1
S2 Casa UF 7,981 7,981 160 361 3 2 2
S2 Casa $325,000,000 10,832 160 286 4 2 2
S2 Departamento $130,000,000 4,333 84 84 4 2 1
S2 Casa $142,000,000 4,733 131 222 3 2 1
S2 Casa $ 65,000,000 2,166 110 140 4 1 1
S2 Departamento UF 4,328 4,328 84 84 4 2 1
S2 Casa $115,000,000 3,832 125 220 3 1 2
S2 Casa $235,000,000 7,831 149 415 4 3 2
S2 Casa $165,000,000 5,499 90 201 3 2 1
S2 Departamento UF 4,704 4,704 70 70 3 2 1
S2 Departamento UF 3,461 3,461 63 63 3 2 1
S2 Departamento UF 1,917 1,917 59 59 2 1 1
S2 Casa $200,000,000 6,665 200 221 3 2 2
S2 Casa $135,000,000 4,499 130 319 2 1 2
S3 Casa $130,000,000 4,332 85 212 3 2 2
S3 Casa $200,000,000 6,666 120 202 4 2 2
S3 Casa $ 65,000,000 2,166 47 150 3 1 2
S3 Casa $130,000,000 4,333 99 231 4 2 1
S3 Casa $187,000,000 6,233 160 262 3 3 2

28
 Valor m2 m2 n° n° n°
Sector Tipo Valor
en UF vivienda terreno habitaciones baños pisos

S3 Casa $120,000,000 3,999 82 190 3 2 2

S3 Departamento $ 93,000,000 3,100 65 65 3 2 1
S3 Departamento $ 53,000,000 1,766 62 65 2 1 1
S3 Casa $180,000,000 5,999 120 180 3 2 2
S3 Casa $150,000,000 4,999 130 300 3 1 2
S3 Departamento $ 74,000,000 2,466 57 57 3 1 1
S3 Casa UF 2,097 2,097 58 95 3 2 2
S3 Casa UF 5,900 5,900 140 180 4 2 2
S3 Casa UF 5,600 5,600 100 209 3 2 1
S3 Casa UF 4,998 4,998 130 320 3 2 2
S3 Departamento UF 2,130 2,130 52 52 2 1 1
S3 Casa UF 5,167 5,167 120 210 3 2 1
S3 Casa UF 2,832 2,832 126 150 4 2 2
S4 Casa $ 69,000,000 2,300 103 118 2 1 2
S4 Casa $ 79,000,000 2,633 61 167 3 2 1
S4 Casa $ 69,000,000 2,300 68 168 3 2 1
S4 Departamento $ 93,000,000 3,100 60 60 3 2 1
S4 Casa $ 70,000,000 2,333 200 240 3 1 1
S4 Casa $103,000,000 3,433 80 140 3 2 2
S4 Departamento UF 2,330 2,330 50 50 2 1 1
S4 Casa UF 2,896 2,896 82 127 3 2 2
S4 Departamento UF 2,856 2,856 60 60 2 1 2
S4 Departamento $ 70,000,000 2,333 50 50 2 1 1
S4 Casa UF 4,733 4,733 82 267 3 2 1
S4 Casa UF 3499 3,499 95 200 3 1 1
S4 Casa UF 1,666 1,666 36 100 2 1 1
S4 Casa $ 55,000,000 1,833 65 140 3 1 2
S4 Casa UF 5,400 5,400 108 120 3 2 2
S4 Departamento UF 3,665 3,665 63 63 3 2 1
S4 Casa $ 80,000,000 2,666 60 120 3 1 1
S4 Casa UF 2,318 2,318 86 186 2 2 2
S5 Departamento UF 3,499 3,499 57 57 2 1 1
S5 Casa $120,000,000 3,999 134 234 4 2 1
S5 Casa $155,000,000 5,166 101 186 3 3 2
S5 Casa $170,000,000 5,666 120 265 3 2 2
S5 Casa $ 63,000,000 2,100 77 144 2 1 1
S5 Departamento $119,000,000 3,966 63 63 2 2 1
S5 Departamento $ 42,000,000 1,400 45 45 1 1 1

29
 Valor m2 m2 n° n° n°
Sector Tipo Valor
en UF vivienda terreno habitaciones baños pisos

S5 Casa UF 6,098 6,098 117 293 3 2 2

S5 Casa UF 5,665 5,665 150 297 3 2 2
S5 Casa $ 48,000,000 1,600 100 200 4 2 2
S5 Casa UF 3,887 3,887 55 171 2 2 2
S5 Casa UF 5,600 5,600 96 200 3 2 2
S5 Casa UF 5,265 5,265 293 309 3 2 1
S5 Casa $135,000,000 4,499 124 120 3 1 2
S5 Departamento UF 1,747 1,747 52 52 2 1 1
S5 Casa UF 2,663 2,663 50 159 3 1 1
S5 Casa UF 2,266 2,266 80 90 4 2 2
S6 Departamento UF 6,000 6,000 72 72 3 3 1
S6 Casa $205,000,000 6,832 130 297 4 2 2
S6 Departamento $103,000,000 3,433 52 52 1 1 1
S6 Departamento $ 88,000,000 2,933 57 57 2 1 1
S6 Casa $220,000,000 7,331 128 285 3 2 2
S6 Departamento UF 6,151 6,151 72 72 3 2 1
S6 Casa UF 8,700 8,700 140 272 4 3 2
S6 Departamento UF 7,080 7,080 98 98 3 2 1
S6 Departamento UF 3,096 3,096 38 38 1 1 1
S6 Departamento UF 4,470 4,470 64 64 2 1 1
S6 Departamento UF 3,461 3,461 51 51 1 1 1
S6 Departamento UF 6,200 6,200 104 104 3 2 1
S6 Departamento UF 3,125 3,125 38 38 1 1 1
S6 Departamento UF 7,080 7,080 107 107 2 2 1
S6 Casa $220,000,000 7,331 128 285 3 2 2
S6 Departamento UF 3,461 3,461 52 52 1 1 1
S6 Departamento $222,062,160 7,400 94 94 3 2 1
S6 Casa UF 8000 8,000 140 270 3 2 2
S7 Casa UF 3300 3,300 82 178 3 2 2
S7 Casa $ 74,000,000 2,466 68 141 2 1 2
S7 Casa $ 75,000,000 2,500 80 115 3 1 2
S7 Casa $ 74,000,000 2,466 62 114 3 2 2
S7 Casa $ 63,000,000 2,100 49 130 2 1 1
S7 Casa UF 4,830 4,830 82 250 3 3 2
S7 Casa UF 2,730 2,730 70 120 3 2 2
S7 Departamento UF 2,500 2,500 51 51 2 2 1
S7 Casa UF 2,732 2,732 67 170 3 2 2
S7 Casa UF 2,822 2,822 65 168 4 2 2

30
 Valor m2 m2 n° n° n°
Sector Tipo Valor
en UF vivienda terreno habitaciones baños pisos

S7 Casa UF 3,091 3,091 161 170 3 2 2

S7 Casa UF 3,158 3,158 75 130 3 2 2
S7 Casa UF 2,520 2,520 122 120 4 1 2
S7 Casa UF 3,145 3,145 75 150 3 2 2
S7 Casa UF 3,180 3,180 75 170 3 2 2
S7 Casa UF4,871 4,871 72 176 3 3 2
S7 Casa UF 2,278 2,278 90 122 3 1 2
Nota: Elaboración propia.

El precio del suelo es un factor relevante por considerar para trabajar en el modelo que se
quiere elaborar, por este motivo se decide combinar la información de precios de suelo urbano
declarada en la sección 3.1 de la Figura 3.4 junto con la información correspondiente a la
microzonificación de la sección 3.2 de la Figura 3.6 para poder establecer la variable precio de suelo
que se incorporará a la propuesta de valorización de las viviendas. Para ello, se realizaron promedios
de los precios de suelos señalados en la Figura 3.4 categorizando estos en los distintos 7 sectores ya
mencionados para el trabajo mediante un proceso minucioso de observar el porcentaje que este
representa en la Figura 3.6. Se muestran a continuación las tablas de cada sector enumerados como
S1, S2, S3, S4, S5, S6 y S7 con sus respectivos valores asociados a rangos de valores de precio en
UF por metro cuadrado, promedio y porcentaje de incidencia.

Tabla 3.10. Rango de precios en UF/m2, promedio y porcentaje de incidencia sector 1.

Valor UF/m2 S1 %

20.01-25 22.505 0.1

10.01-12 11.005 0.1
9.01-10 9.505 0.1
8.01-9 8.505 0.1
7.01-8 7.505 0.05
5.01-6 5.505 0.05
4.01-5 4.505 0.2
3.51-4 3.755 0.1
3.01-3.5 3.255 0.05
2.51-3 2.755 0.05

31
 1.51-2 1.755 0.05
1.01-1.5 1.255 0.05
Nota: Elaboración propia.

Tabla 3.11. Rango de precios en UF/m2, promedio y porcentaje de incidencia sector 2.

Valor UF/m2 S2 %

4.01-5 4.505 0.1

3.01-3.5 3.255 0.05
2.51-3 2.755 0.05
2.01-2.5 2.255 0.15
1.01-1.5 1.255 0.2
0.51-1 0.755 0.2
0-0.5 0.25 0.25
Nota: Elaboración propia.

Tabla 3.12. Rango de precios en UF/m2, promedio y porcentaje de incidencia sector 3.

Valor UF/m2 S3 %

3.51-4 3.755 0.2

3.01-3.5 3.255 0.1
2.51-3 2.755 0.05
2.01-2.5 2.255 0.3
1.51-2 1.755 0.05
1.01-1.5 1.255 0.15
0.51-1 0.755 0.05
0-0.5 0.25 0.1
Nota: Elaboración propia.

Tabla 3.13. Rango de precios en UF/m2, promedio y porcentaje de incidencia sector 4.

Valor UF/m2 S4 %

2.51-3 2.755 0.05

1.01-1.5 1.255 0.4
0.51-1 0.755 0.25
0-0.5 0.25 0.3
Nota: Elaboración propia.

32
Tabla 3.14. Rango de precios en UF/m2, promedio y porcentaje de incidencia sector 5.

Valor UF/m2 S5 %

3.01-3.5 3.255 0.15

1.51-2 1.755 0.3
1.01-1.5 1.255 0.05
0.51-1 0.755 0.1
0-0.5 0.25 0.4
Nota: Elaboración propia.

Tabla 3.15. Rango de precios en UF/m2, promedio y porcentaje de incidencia sector 6.

Valor UF/m2 S6 %

4.01-5 4.505 0.3

2.51-3 2.755 0.15
2.01-2.5 2.255 0.05
1.01-1.5 1.255 0.15
0-0.5 0.25 0.35
Nota: Elaboración propia.

Tabla 3.16. Rango de precios en UF/m2, promedio y porcentaje de incidencia sector 7.

Valor UF/m2 S7 %

4.01-5 4.505 0.05

2.01-2.5 2.255 0.1
1.51-2 1.755 0.4
0.51-1 0.755 0.25
0-0.5 0.25 0.2
Nota: Elaboración propia.

33
 Así con las tablas anteriores de puede realizar en Excel la función “SUMAPRODUCTO” para
obtener el precio del suelo por sector como se muestra a continuación en la Tabla 3.17:

Tabla 3.17. Precio de suelo por sector.

Sector Precio suelo
S1 7.53000
S2 1.55375
S3 2.22950
S4 0.90350
S5 1.25300
S6 2.15325
S7 1.39150
Nota: Elaboración propia.

Para la variable de nivel socioeconómico se realiza también un promedio de los rangos

establecidos según el manual de tasaciones vistos en la sección 2 estado del arte. Estableciendo así
un promedio para grupo socioeconómico que posteriormente se añadirá al modelo de propuesta de
valorización de viviendas. A continuación, se muestra la Tabla 3.18 con los distintos grupos,
ingresos, rangos y el promedio establecido:

Tabla 3.18. Grupos, ingresos, rangos y promedio.

Grupo
Ingresos Rangos Promedio
socioeconómico
ABC1 $5.000.000 y más 10 - 9 9.5
C2 $500.000 y más 8-7 7.5
C3 $300.000 y más 6-5 5.5
D $150.000 y más 4-3 3.5
E $149.000 y menos 2-1 1.5
Nota: Elaboración propia.

Con la información de la Tabla 3.18 junto a la visible en la Figura 3.2 se establece el valor del

grupo socioeconómico asociado a cada sector, para simplificar el cálculo de la variable categórica se

consideran al grupo predominante por cada sector como se muestra en la Tabla 3.19:

34
 Tabla 3.19. Valor asociado a cada grupo
socioeconómico por sector.
Grupo
Sector
socioeconómico
S1 7.5
S2 3.5
S3 5.5
S4 3.5
S5 5.5
S6 7.5
S7 3.5
Nota: Elaboración propia.

Ya se tienen todas las variables con sus respectivos valores motivo por el cual se elabora la
tabla (ver Tabla 3.20) ordenando cada una de ellas incluyendo esta vez el precio real de las
viviendas como la variable independiente (Y) del modelo a crear:

Tabla 3.20. Variables para utilizar en propuesta de valorización de viviendas

Y X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13
3832 85 185 3 2 1 13 1 0 18 7.5 7.53 0.235 Casa
6800 123 123 4 2 1 13 1 0 18 7.5 7.53 0.235 Departamento
7937 140 224 4 2 2 13 1 0 18 7.5 7.53 0.235 Casa
4998 67 67 3 2 1 13 1 0 18 7.5 7.53 0.235 Departamento
5998 108 108 3 3 1 13 1 0 18 7.5 7.53 0.235 Departamento
3433 86 193 3 2 2 13 1 0 18 7.5 7.53 0.235 Casa
4998 130 203 3 2 1 13 1 0 18 7.5 7.53 0.235 Casa
10800 120 120 3 2 1 13 1 0 18 7.5 7.53 0.235 Departamento
7331 140 221 4 2 2 13 1 0 18 7.5 7.53 0.235 Casa
9330 111 111 3 2 1 13 1 0 18 7.5 7.53 0.235 Departamento
3499 86 193 3 2 2 13 1 0 18 7.5 7.53 0.235 Casa
6800 90 90 2 2 1 13 1 0 18 7.5 7.53 0.235 Departamento
6216 103 113 3 3 2 13 1 0 18 7.5 7.53 0.235 Departamento
6048 84 84 3 2 1 13 1 0 18 7.5 7.53 0.235 Departamento
9408 140 140 4 3 1 13 1 0 18 7.5 7.53 0.235 Departamento
4999 76 76 2 2 1 13 1 0 18 7.5 7.53 0.235 Departamento
5499 104 202 3 2 1 13 1 0 18 7.5 7.53 0.235 Casa
5499 120 380 3 2 1 14 0 3 8 3.5 1.5538 0.2825 Casa
7981 160 361 3 2 2 14 0 3 8 3.5 1.5538 0.2825 Casa
10831 160 286 4 2 2 14 0 3 8 3.5 1.5538 0.2825 Casa
4332 84 84 4 2 1 14 0 3 8 3.5 1.5538 0.2825 Departamento

35
 Y X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13
4732 131 222 3 2 1 14 0 3 8 3.5 1.5538 0.2825 Casa
2166 110 140 4 1 1 14 0 3 8 3.5 1.5538 0.2825 Casa
4328 84 84 4 2 1 14 0 3 8 3.5 1.5538 0.2825 Departamento
3832 125 220 3 1 2 14 0 3 8 3.5 1.5538 0.2825 Casa
7831 149 415 4 3 2 14 0 3 8 3.5 1.5538 0.2825 Casa
5498 90 201 3 2 1 14 0 3 8 3.5 1.5538 0.2825 Casa
4704 70 70 3 2 1 14 0 3 8 3.5 1.5538 0.2825 Departamento
3461 63 63 3 2 1 14 0 3 8 3.5 1.5538 0.2825 Departamento
1917 59 59 2 1 1 14 0 3 8 3.5 1.5538 0.2825 Departamento
6664 200 221 3 2 2 14 0 3 8 3.5 1.5538 0.2825 Casa
4499 130 319 2 1 2 14 0 3 8 3.5 1.5538 0.2825 Casa
4332 85 212 3 2 2 19 0 3 53 5.5 2.2295 0.2225 Casa
6665 120 202 4 2 2 19 0 3 53 5.5 2.2295 0.2225 Casa
2166 47 150 3 1 2 19 0 3 53 5.5 2.2295 0.2225 Casa
4332 99 231 4 2 1 19 0 3 53 5.5 2.2295 0.2225 Casa
6232 160 262 3 3 2 19 0 3 53 5.5 2.2295 0.2225 Casa
3999 82 190 3 2 2 19 0 3 53 5.5 2.2295 0.2225 Casa
3099 65 65 3 2 1 19 0 3 53 5.5 2.2295 0.2225 Departamento
1766 62 65 2 1 1 19 0 3 53 5.5 2.2295 0.2225 Departamento
5999 120 180 3 2 2 19 0 3 53 5.5 2.2295 0.2225 Casa
4998 130 300 3 1 2 19 0 3 53 5.5 2.2295 0.2225 Casa
2466 57 57 3 1 1 19 0 3 53 5.5 2.2295 0.2225 Departamento
2097 58 95 3 2 2 19 0 3 53 5.5 2.2295 0.2225 Casa
5900 140 180 4 2 2 19 0 3 53 5.5 2.2295 0.2225 Casa
5600 100 209 3 2 1 19 0 3 53 5.5 2.2295 0.2225 Casa
4998 130 320 3 2 2 19 0 3 53 5.5 2.2295 0.2225 Casa
2130 52 52 2 1 1 19 0 3 53 5.5 2.2295 0.2225 Departamento
5167 120 210 3 2 1 19 0 3 53 5.5 2.2295 0.2225 Casa
2832 126 150 4 2 2 19 0 3 53 5.5 2.2295 0.2225 Casa
2299 103 118 2 1 2 11 2 1 51 3.5 0.9035 0.2625 Casa
2632 61 167 3 2 1 11 2 1 51 3.5 0.9035 0.2625 Casa
2299 68 168 3 2 1 11 2 1 51 3.5 0.9035 0.2625 Casa
3099 60 60 3 2 1 11 2 1 51 3.5 0.9035 0.2625 Departamento
2333 200 240 3 1 1 11 2 1 51 3.5 0.9035 0.2625 Casa
3432 80 140 3 2 2 11 2 1 51 3.5 0.9035 0.2625 Casa
2330 50 50 2 1 1 11 2 1 51 3.5 0.9035 0.2625 Departamento
2896 82 127 3 2 2 11 2 1 51 3.5 0.9035 0.2625 Casa
2856 60 60 2 1 2 11 2 1 51 3.5 0.9035 0.2625 Departamento
2333 50 50 2 1 1 11 2 1 51 3.5 0.9035 0.2625 Departamento
4733 82 267 3 2 1 11 2 1 51 3.5 0.9035 0.2625 Casa

36
 Y X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13
3499 95 200 3 1 1 11 2 1 51 3.5 0.9035 0.2625 Casa
1666 36 100 2 1 1 11 2 1 51 3.5 0.9035 0.2625 Casa
1832 65 140 3 1 2 11 2 1 51 3.5 0.9035 0.2625 Casa
5400 108 120 3 2 2 11 2 1 51 3.5 0.9035 0.2625 Casa
3665 63 63 3 2 1 11 2 1 51 3.5 0.9035 0.2625 Departamento
2665 60 120 3 1 1 11 2 1 51 3.5 0.9035 0.2625 Casa
2318 86 186 2 2 2 11 2 1 51 3.5 0.9035 0.2625 Casa
3499 57 57 2 1 1 23 1 3 130 5.5 1.2530 0.2175 Departamento
3999 134 234 4 2 1 23 1 3 130 5.5 1.2530 0.2175 Casa
5166 101 186 3 3 2 23 1 3 130 5.5 1.2530 0.2175 Casa
5665 120 265 3 2 2 23 1 3 130 5.5 1.2530 0.2175 Casa
2100 77 144 2 1 1 23 1 3 130 5.5 1.2530 0.2175 Casa
3966 63 63 2 2 1 23 1 3 130 5.5 1.2530 0.2175 Departamento
1399 45 45 1 1 1 23 1 3 130 5.5 1.2530 0.2175 Departamento
6098 117 293 3 2 2 23 1 3 130 5.5 1.2530 0.2175 Casa
5665 150 297 3 2 2 23 1 3 130 5.5 1.2530 0.2175 Casa
1599 100 200 4 2 2 23 1 3 130 5.5 1.2530 0.2175 Casa
3887 55 171 2 2 2 23 1 3 130 5.5 1.2530 0.2175 Casa
5600 96 200 3 2 2 23 1 3 130 5.5 1.2530 0.2175 Casa
5265 293 309 3 2 1 23 1 3 130 5.5 1.2530 0.2175 Casa
4498 124 120 3 1 2 23 1 3 130 5.5 1.2530 0.2175 Casa
1747 52 52 2 1 1 23 1 3 130 5.5 1.2530 0.2175 Departamento
2663 50 159 3 1 1 23 1 3 130 5.5 1.2530 0.2175 Casa
2266 80 90 4 2 2 23 1 3 130 5.5 1.2530 0.2175 Casa
6000 72 72 3 3 1 2 1 0 28 7.5 2.1533 0.25 Departamento
6832 130 297 4 2 2 2 1 0 28 7.5 2.1533 0.25 Casa
3432 52 52 1 1 1 2 1 0 28 7.5 2.1533 0.25 Departamento
2932 57 57 2 1 1 2 1 0 28 7.5 2.1533 0.25 Departamento
7331 128 285 3 2 2 2 1 0 28 7.5 2.1533 0.25 Casa
6151 72 72 3 2 1 2 1 0 28 7.5 2.1533 0.25 Departamento
8700 140 272 4 3 2 2 1 0 28 7.5 2.1533 0.25 Casa
7080 98 98 3 2 1 2 1 0 28 7.5 2.1533 0.25 Departamento
3096 38 38 1 1 1 2 1 0 28 7.5 2.1533 0.25 Departamento
4470 64 64 2 1 1 2 1 0 28 7.5 2.1533 0.25 Departamento
3461 51 51 1 1 1 2 1 0 28 7.5 2.1533 0.25 Departamento
6200 104 104 3 2 1 2 1 0 28 7.5 2.1533 0.25 Departamento
3125 38 38 1 1 1 2 1 0 28 7.5 2.1533 0.25 Departamento
7080 107 107 2 2 1 2 1 0 28 7.5 2.1533 0.25 Departamento
7331 128 285 3 2 2 2 1 0 28 7.5 2.1533 0.25 Casa
3461 52 52 1 1 1 2 1 0 28 7.5 2.1533 0.25 Departamento

37
 Y X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13
7400 94 94 3 2 1 2 1 0 28 7.5 2.1533 0.25 Departamento
8000 140 270 3 2 2 2 1 0 28 7.5 2.1533 0.25 Casa
3300 82 178 3 2 2 6 1 3 18 3.5 1.3915 0.2875 Casa
2466 68 141 2 1 2 6 1 3 18 3.5 1.3915 0.2875 Casa
2499 80 115 3 1 2 6 1 3 18 3.5 1.3915 0.2875 Casa
2466 62 114 3 2 2 6 1 3 18 3.5 1.3915 0.2875 Casa
2099 49 130 2 1 1 6 1 3 18 3.5 1.3915 0.2875 Casa
4830 82 250 3 3 2 6 1 3 18 3.5 1.3915 0.2875 Casa
2730 70 120 3 2 2 6 1 3 18 3.5 1.3915 0.2875 Casa
2500 51 51 2 2 1 6 1 3 18 3.5 1.3915 0.2875 Departamento
2732 67 170 3 2 2 6 1 3 18 3.5 1.3915 0.2875 Casa
2822 65 168 4 2 2 6 1 3 18 3.5 1.3915 0.2875 Casa
3091 161 170 3 2 2 6 1 3 18 3.5 1.3915 0.2875 Casa
3158 75 130 3 2 2 6 1 3 18 3.5 1.3915 0.2875 Casa
2520 122 120 4 1 2 6 1 3 18 3.5 1.3915 0.2875 Casa
3145 75 150 3 2 2 6 1 3 18 3.5 1.3915 0.2875 Casa
3180 75 170 3 2 2 6 1 3 18 3.5 1.3915 0.2875 Casa
4871 72 176 3 3 2 6 1 3 18 3.5 1.3915 0.2875 Casa
2278 90 122 3 1 2 6 1 3 18 3.5 1.3915 0.2875 Casa
Nota: Elaboración propia.

De la tabla anterior (Ver Tabla 3.20) se realizó un proceso de estandarización de variables

(Ver Anexo A) y con ello se crea el archivo “var120.csv”. El procedimiento implica restar la media
de cada observación y luego dividir por la desviación estándar, el resultado de la estandarización es
que las características se volverán a escalar para que tengan las propiedades de una distribución
normal estándar. Este proceso es importante ya que se está comparando medidas que tienen
diferentes unidades y medidas. Así, se transforman los datos a escalas comparables para evitar que
alguna variable tenga más peso que otra en el análisis, por tanto, se igualan los rangos o la
variabilidad de datos. A continuación, se muestra la ecuación que se utilizó para el procedimiento de
estandarización:

𝑥 − 𝑚𝑒𝑑𝑖𝑎(𝑥)
𝑋𝐸𝑠𝑡𝑎𝑛𝑑𝑎𝑟𝑖𝑧𝑎𝑑𝑎 =
𝑑𝑒𝑠𝑣𝑖𝑎𝑐𝑖ó𝑛 𝑒𝑠𝑡á𝑛𝑑𝑎𝑟

38
 Las salidas esperadas del modelo son valores de precio de viviendas cercanos a los precios
reales. El tipo de red neuronal a utilizar será de tipo Deep Learning dado que se utilizarán 3 capas
ocultas para el proceso, además de la capa de entrada y salida respectivamente.

El procesamiento de los datos se realizó mediante el uso e importación de la librería pandas en

su versión 1.1.5. Posterior a ello se importa y carga el archivo en formato .csv con el nombre de
“var120.csv” (Ver Anexo B) en el cual se puede visualizar las características Xi = {1,2,3,…,13}
correspondiente a las 13 variables del modelo junto con el predictor ‘Y’. Se puede apreciar en
código mostrado a continuación que tanto la variable ‘Y’ como las variables ‘X1’ a la ‘X12’ poseen
cantidades numéricas, y la variable ‘X13’ es una variable categórica por lo que se tuvo que utilizar
el comando de la librería pandas “get_dummies( )” para quitarle esta característica.

Dejando la variable ‘X13’ separada en dos variables y asignando valor numérico a estas
nuevas variables ‘X13_Casa’ y ‘X13_Departamento’ quedando así el modelo con 14 variables para
la creación del modelo.

39
 El modelo por crear tiene la característica de predictor, por lo que se realizó un dataset dentro
del código de programación el cual contiene el conjunto de datos separados en X e Y donde toma las
14 columnas/variables a las cuales no se le asignan los encabezados correspondientes al nombre de
la característica correspondiente que representa. En tanto el dataset de la variable objetivo ‘Y’ solo
toma los valores de precios de viviendas en UF, sin su respectivo encabezado. Todas parten en 0 y
no se contabiliza la última. A continuación, se visualiza la creación del dataset y la impresión de
ambos:

40
 A continuación, se importan las librerías para el funcionamiento de la red neuronal, aquí se
utiliza la librería ‘Tensorflow’ que es plataforma de código abierto que facilita la creación de
modelos de aprendizaje automatizado junto con la utilización de Keras, la cual s la API de alto nivel
de TensorFlow para construir y entrenar modelos de aprendizaje profundo. Se utiliza para la
creación rápida de prototipos, la investigación de vanguardia y en producción, con tres ventajas
claves; amigable con el usuario, modular y configurable y fácil de entender (Tensorflow, 2021). En
esta ocasión se utiliza la versión 2.7.0 para la elaboración de la red neuronal.

Como se mencionó anteriormente el modelo a construir constara con una capa de entrada, tres
capas ocultas y una de salida. Este tipo de red neuronal se categoriza del tipo red neuronal profunda
o deep neural network (DNN) debido a que se trabaja con más de dos capas ocultas. En la Figura 3.9
se muestra la estructura de la red neuronal creada para entrenar.

41
Figura 3.10: Estructura de la Red Neuronal Profunda.
Nota: Elaboración propia. De izquierda a derecha capa de entrada, tres capas ocultas y capa de
salida.

Los atributos por considerar en este tipo de red neuronal son los que se mencionan a
continuación en la Tabla 3.21:

Tabla 3.21. Atributos de red neuronal.

Atributo Descripción
Capas ocultas 3 capas, por lo que se conoce como DNN.

Calcula la información de salida de una

Función de activación
neurona.

42
 Una pasada hacia adelante y hacia atrás para
One epoch
todos los valores de entrenamiento.
Es la función de penalización al modelo, por
Loss
una mala predicción.
Es la función de pérdida y representa al
MSE
cuadrado de la media del error.
MAE Error absoluto medio.
Learning rate (razón Controla que tan rápido se adapta el modelo
de aprendizaje) al problema.
Nota: Elaboración propia.

La compilación del modelo se realizó con 3 capas ocultas, 14 variables de entrada y una
variable de salida. Como función de activación de neuronas se utiliza ‘ReLU’ que una función de
activación lineal rectificada comúnmente utilizada para redes neuronales de capas ocultas. En cuanto
a la optimización del modelo se realiza mediante ‘keras’ con una taza de aprendizaje del 0.001, con
la cual se quiere cumplir el objetivo mediante la función de penalización ‘loss’, es decir, que cada
vez que una neurona termina de pasar por un lote a través de la red y genera los resultados
predictivos, esta debe decidir cómo usar la diferencia entre los resultados obtenidos y los valores
reales para ajustar los pesos en los nodos para que la red avance a una solución. Para finalizar la
creación del modelo se debe estructurar la función de perdida ‘mse’, el optimizador, las métricas
‘mae’ y ‘mse’. Una vez compilado todo esto, se retorna al modelo.
La función ReLU ayuda a las redes neuronales a formar modelos de aprendizaje profundo.
Puede superar los problemas de gradiente mediante la función de activación ReLU. Esto permite que
el modelo funcione mejor y aprenda más rápido. Cuando desarrolle el Perceptrón convolucional y
multicapa, la función de activación lineal rectificada de las redes neuronales será la opción por
defecto.
0 𝑓𝑜𝑟 𝑥 < 0
𝑓 (𝑥 ) = max(0, 𝑥 ) = {
𝑥 𝑓𝑜𝑟 𝑥 ≥ 0

43
 Para el proceso de mejorado del modelo se recurre al código ‘tfdocs.EpochDocs’ el cual
cumple con la función de imprimir solamente un punto por cada ‘epoch’ y los métricos cada 100
‘epochs’. Para poder llevar a cabo este proceso es necesario instalar el módulo ‘tensorflow_docs’.
Luego se procede a entrenar el modelo utilizando los datos cargados anteriormente, para ello se
decide entrenar con la cantidad de 500.000 epochs, este proceso tardó 3 horas.

Una vez entrenado el modelo se procede a guardar el modelo y escribir la línea de código que
permitirá cargar el modelo entrenado.

44
 La Figura 3.10 enseña la gráfica de valores reales vs. Predicción realzada por el modelo
predictor creado, en el cual se observa los datos que se lograron predecir respecto a los datos reales.

Figura 3.11: Gráfico de dispersión de datos de entrenamiento

mediante Python.
Nota: Elaboración propia mediante Python.

Finalmente, para poder lograr el objetivo de este trabajo, se elabora un sistema DSS que
permitirá al usuario que lo requiera acceder de manera intuitiva y aplicarlo a datos nuevos de precios
de viviendas. Para la estructura del modelo DSS se utilizó la base de Python la cual proporciona las
herramientas necesarias para la administración de ventanas.
En la Figura 3.11 se puede observar la interfaz final del sistema de apoyo creado para la toma
de decisiones. En el Anexo C puede observar el código que hay detrás de este DSS.

Figura 3.12: Sistema DSS para la valoración de viviendas.

Nota: Elaboración propia

45
3.5 Ejecución de la red neuronal para aplicar

Para la realización de este estudio se decide trabajar con 150 sujetos, o viviendas, de las cuales
se decide separar en un 80% correspondiente a 120 sujetos para el entrenamiento y en un 20%
correspondiente a 30 sujetos que servirán de prueba para el modelo en el sistema DSS. La selección
de los 30 sujetos fue realizada completamente al azar tomando los sujetos de cinco en cinco, es
decir, el sujeto 5, 10, 15, etc. Sin conocer el comportamiento que estos tendrían en los resultados en
el modelo final. Para poder ver los 150 sujetos y su separación en 80/20 ver Anexo D, además de
poder visualizar otros datos, como fuente, precio, etc.
Se procede a probar el modelo conseguido con el uso de las redes neuronales profundas, con
valores asociados a los 30 sujetos de prueba (ver Anexo E) con los que se obtiene el precio estimado
y se compara con el precio real.

Tabla 3.22. Precio real y predicho.

Precio real Precio predicho

7050 9451
5498 6386
6800 5197
3433 3081
4666 4434
10664 10797
2166 902
4499 2890
5866 14055
2466 300
3432 3758
2599 3551
2300 1003
2896 2904
2856 4197
1666 2618
5166 4475
2100 5302
3887 3151
2663 5968
2266 2629
3333 3626

46
 7400 7267
7400 8219
7400 8120
2833 2860
3500 3172
3180 3101
3166 1988
3933 2913
Nota: Elaboración propia

Comparación precio real / precio predicho

16000
14000
12000
10000
8000
6000
4000
2000
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

Precio real Precio predicho

Figura 3.13: Comparación gráfica precio real vs. Predicho por modelo.
Nota: Elaboración propia

El realce que tiene este trabajo de tesis de pregrado es que se implementa una red neuronal
profunda capaz de predecir los precios de las viviendas incorporando una variable que no suele
incorporarse en la valorización de viviendas, la variable relacionada a los terremotos, el peligro
sísmico, una variable presente a lo largo y ancho del país, que acompaña a lo largo de la historia y
que es parte de la idiosincrasia de Chile, y particularmente para la ciudad de Valdivia, ciudad que
fue afectada en el año 1960 por el fenómeno natural como lo es un terremoto más fuerte registrado
en la historia de la humanidad.

47
 Capítulo 4: Análisis de Resultados

4.1 Resultados KDD

Mediante el proceso KDD se logra identificar las variables de interés necesarias para el
estudio, en un acto de aprendizaje personal, con las diversas fuentes de información, la ayuda de
otras tesis de pregrado y también con la ayuda de expertos principalmente el Profesor Jorge Alvial
Pantoja con sus diversos trabajos e investigaciones previas realizadas en la región de Los Ríos, fue
quien ayudó a categorizar los lugares de peligro sísmico e identificar esta variable para el estudio. Se
pudo establecer la meta desde punto de vista del usuario final.

4.2 Eliminación de variables

Para el proceso de eliminación de variables se tomó en cuenta la información disponible en
distintas fuentes de información y datos objetivos, también se tomó en cuenta la opinión objetiva de
los expertos, es por ellos que se eligieron las 13 variables necesarias para la elaboración de la
propuesta de valorización de viviendas.
El factor información fue fundamental para tomar la decisión de trabajar con las variables
escogidas, habiendo un número mayor de variables a considerar, pero no todas las variables tenían
las información completa o clara. De hecho, algunas de las variables escogidas se le tuvo que hacer
una limpieza y trabajo posterior como lo fueron el precio del suelo y peligro sísmico. Esta última se
elige por sobre el riesgo y vulnerabilidad sísmica por motivos que se podía consolidar una variable
objetiva con los datos del ambiente y por la definición. El riesgo consiste en las consecuencias
sociales y económicas potenciales provocadas por un terremoto por lo que escapaba con el objetivo
del trabajo de tesis de pregrado, asimismo con la vulnerabilidad ya que tenía relación con la calidad
de las estructuras ya que compete a otras áreas de la ingeniería.
En cuanto a los criterios para escoger a los sujetos se pone la condición, bajo la mirada de
los expertos, de que la vivienda no podía tener más de 2 pisos, más de 3 baños y no más de 4
habitaciones. El terreno de la vivienda no podía exceder los 500 metros cuadrados y la construcción
de esta no podía superar los 300 metros cuadrados.
Para el resto de las variables escogidas, centros de salud, unidades policiales, áreas verdes,
establecimientos educacionales, grupo socioeconómico se utiliza el criterio de las fuentes de
información disponible siempre guiado por la opinión de los expertos.

48
4.3 Ejecución de la Red Neuronal
La ejecución de la red neuronal nos muestra los resultados vistos en la Tabla 3.22 donde se
puede apreciar la comparación de los precios reales de los 30 sujetos de prueba y los precios que
fueron predichos por la red neuronal. A continuación, se muestra con los errores asociados en la
Tabla 4.1, pero habiendo quitado los errores porcentuales por sobre el 50% debido a que se
consideran outlayer o fuera de rango para el estudio:

Tabla 4.1. Precio real y predicho mejorado.

Precio Precio Error Error Error
real predicho absoluto relativo porcentual
7050 9451 2401 0.34057 34.05674
5498 6386 888 0.16151 16.15133
6800 5197 1603 0.23574 23.57353
3433 3081 352 0.10253 10.25342
4666 4434 232 0.04972 4.97214
10664 10797 133 0.01247 1.24719
4499 2890 1609 0.35764 35.76350
3432 3758 326 0.09499 9.49883
2599 3551 952 0.36629 36.62947
2896 2904 8 0.00276 0.27624
2856 4197 1341 0.46954 46.95378
5166 4475 691 0.13376 13.37592
3887 3151 736 0.18935 18.93491
2266 2629 363 0.16019 16.01942
3333 3626 293 0.08791 8.79088
7400 7267 133 0.01797 1.79730
7400 8219 819 0.11068 11.06757
7400 8120 720 0.09730 9.72973
2833 2860 27 0.00953 0.95305
3500 3172 328 0.09371 9.37143
3180 3101 79 0.02484 2.48428
3166 1988 1178 0.37208 37.20783
3933 2913 1020 0.25934 25.93440
Nota: Elaboración propia

La suma de los errores porcentuales arroja que el modelo tiene un 16,30% de error lo que
significa que la propuesta de valorización de viviendas es plausible de ser utilizado para predecir los
precios de estas. Se hace el alcance que este porcentaje puede variar con cambios en la forma de
trabajo, haciendo encuestas, que debido a la contingencia actual de pandemia se dificultó y se

49
descartó el realizarlas, pero que en tiempos que se puedan hacer sería importante para el avance y
mejora de este porcentaje de error. A pesar de lo anterior, se logra un porcentaje aceptable para
iniciar nuevos trabajos e investigaciones en esta área, solicitando apoyo en instituciones privadas y
estatales para lograr ser más exacto en la medición. Esta propuesta de valorización de viviendas que
considera la variable de peligro sísmica es perfectible con el tiempo y nuevos resultados a
desarrollar a futuro.

En cuanto a la gráfica mostrada en la Figura 3.12 se aprecia que hay picos en el gráfico
muy altos y esos datos son los que se quitaron debido a que se encuentran fuera de rango. El gráfico
mencionado arroja un 35,03% de error porcentual que tampoco esta errado del todo, pero ahí se
pueden apreciar que los outlayer son los que influyen en el alza de 16,30% a un 35,03%. A
continuación, se muestra en la Figura 3.13 el gráfico mejorado en donde se puede apreciar que las
líneas ya están más uniforme y continuas una de la otra:

Comparación precio real / precio estimado

mejorado
12000

10000

8000

6000

4000

2000

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

Precio real Precio predicho

Figura 4.1: Comparación gráfica precio real vs. Predicho por modelo mejorado.
Nota: Elaboración propia

50
 Los resultados mostrados tanto en la Tabla 3.22 como en la Tabla 4.1 reflejan los resultados
obtenidos en la Figura 3.10 (ver Figura 3.10) donde se puede aprecias una alta correlación positiva,
el valor de X aumenta nítidamente a medida que el valor de Y aumenta también y por ende se
entiende que las variables necesarias fueron acertadas para la propuesta de valorización de viviendas
considerando el peligro sísmico,

51
 Capítulo 5: Conclusiones

Se logró el resultado de obtener valores a través de una exploración a través de precios de

quienes venden propiedades en diversas fuentes de ofertas de viviendas. Con ello se logró describir
la situación actual en el proceso de valorización de viviendas, donde se descubre también los
distintos tipos y técnicas para poder obtener el precio de un inmueble, donde se destacan los precios
hedónicos y las redes neuronales artificiales como métodos avanzados para lograr obtener el valor
de las propiedades. En la misma línea, se puede mencionar que ciertas variables tienen incidencia en
el valor de las viviendas, resaltando por sobre todas las variables de peligro sísmico. También se
pudo hallar informaciones relevantes de las demás variables utilizadas para la propuesta que fueron
las necesarias y precisas para la obtención de resultados mostrados en el capítulo 4 de resultados,
aun cuando existen muchas más variables asociadas a la valorización.
Se pudo identificar la microzonificación sísmica basado en trabajos previos realizados por
algunas tesis de grado y trabajos realizados por los expertos, y esto fue posible integrarlo al modelo
que se estaba implementando para la creación de la red neuronal. Este modelo de implementación se
basó principalmente en definir zonas sobre las cuales interactuar y tener como marco de trabajo para
la búsqueda y elección de viviendas, siguiendo los criterios utilizados para no salir de los márgenes
del trabajo y buscando siempre el objetivo final de poder elaborar la propuesta de valorización.
Se logró implementar una red neuronal la cual tuvo un buen ajuste logrando un 16.30% error
porcentual lo cual demuestra que esta propuesta es coherente y plausible de ser utilizado para
futuros trabajos relacionados con el tema y que es perfectible haciendo algunos ajustes e
implementando variables más subjetivas a través de encuestas por ejemplo y así hacer una futura
evaluación en el impacto que genera el peligro sísmico en el precio de las viviendas en Valdivia.
lograr ser más exacto en la medición. Esta propuesta de valorización de viviendas que considera la
variable de peligro sísmica es perfectible con el tiempo y nuevos resultados a desarrollar a futuro.
Se pudo comparar los valores de las viviendas tomadas como sujetos de prueba, el 20% del
total de viviendas utilizadas fueron parte de la comparación de precios reales de estas contra lo que
la red neuronal implementada arrojó. Además, se pudo elaborar un sistema de toma de decisiones
pensando en un usuario final que pueda también hacer las comparaciones teniendo las variables
solicitadas en este DSS, esperando que sus resultados estén dentro del porcentaje de error calculado
en este trabajo desarrollado.

52
 Finalmente, se puede mencionar y recalcar que el Ingeniero Civil Industrial de este proyecto
es capaz de resolver problemas con la información del entorno y crear las soluciones adecuadas con
resultados coherentes y plausibles, permitiendo así también abrir paso a otros profesionales a
involucrarse en las temáticas desarrolladas en este para su mejora. También se considera que el
Ingeniero Civil Industrial es capaz de involucrarse en temáticas de otras áreas como lo es la
construcción y geología, recolectando datos e información para transformarlas con las herramientas
de su área y las de informática en soluciones factibles a problemáticas reales, haciendo partícipe
también del contexto e historia del lugar en el que se desenvuelve, identificando siempre las
oportunidades de mejora en su trabajo.

53
 Referencias Bibliográficas

Alvarado Coello, D. A. (2012). MIcrozonificación sísmica de la ciudad de Valdivia etapa 1:

Determinación del peligro uniforme y caracterización dinámica de los suelos empleando la
técnica de razón espectral de Nakamura. Tesis de Pregrado, Universidad Austral de Chile,
Valdivia. Recuperado el 2021
Araya, C., Cisternas, M., & González, F. (2014). Evolución morfológica del principal deslizamiento
del "Riñihuazo", generado por el terremoto de 1960. doi:10.13140/RG.2.1.4403.9520.
Banco Central. (Abril de 2019). www.bcentral.cl. Obtenido de
https://www.bcentral.cl/documents/33528/133329/Nota%2BT%25C3%25A9cnica%2BActu
alizaci%25C3%25B3n%2BIPV.pdf/e8d65791-b51b-43a3-3e6b-
94fbb52732de?t=1573271941197
Barriga Monje, N. F. (2014). Ánalisis y determinaciónde de criterios de vulnerabilidad, en la ciudad
de Valdivia, de proyectos de viviendas sociales ante eventos sísmicos, para generar un
modelo de identificación del riesgo. Valdivia.
Bazán, E., & Meli, R. (2010). Diseño sísmico de edificios. México: Limusa Noriega Editores .
Blanco, A., Moreno, N., Vetter, D., & Vetter, M. (2016). El potencial de la captura de plusvalías
para la financiación de proyectos urbanos: consideraciones metodológicas y casos prácticos.
Banco Interamericano de Desarrollo.
Cámara Chilena de la Construcción. (2020). Obtenido de CChC: https://www.cchc.cl/centro-de-
informacion/indicadores/indice-real-de-precios-de-vivienda
Caridad y Ocerin, J. M., Núñez Tabales, J. M., & Ceular, V. N. (2008). Metodología de precios
hedónicos vs. Redes Neuronales Artificiales como alternativas a la valoración de inmuebles.
Un caso real. Catastro.
CChC. (2018). Factores que afectan a los precios de la vivienda. Cámara Chilena de la
Construcción.
Centro UC CLAPES UC. (Diciembre de 2019). Obtenido de clapesuc.cl:
https://clapesuc.cl/indicadores/indice-inmobiliario-clapes-uc-real-data
Cisternas, A. (Mayo de 2011). El país más sísmico del mundo. Revista Anales Séptima Serie, N°1.
Comisión para el Mercado Financiero. (2021). Recuperado el 15 de Septiembre de 2021, de CMF
EDUCA: https://www.cmfeduca.cl/educa/600/w3-article-27474.html
IBM. (2020). Obtenido de IBM: https://www.ibm.com/ar-es/analytics/machine-learning
INE. (2017). Obtenido de INE: https://www.ine.cl/estadisticas/sociales/censos-de-poblacion-y-
vivienda/poblacion-y-vivienda
Ministerio de Bienes Nacionales. (2007). Tasación Rural Tasación Urbana de Propiedad Fiscal.
Santiago.
Mora Esperanza, J. G. (2004). La Inteligencia artificial aplicada a la valoración de inmuebles. Un
ejemplo para valorar Madrid. Catastro.
Naoi, M., Seko, M., & Sumita, K. (2009). Earthquake risk and housing prices in Japan: Evidence
before and after massive earthquake. Regional Science and Urban Economics(39), 658-669.
Recuperado el Julio de 2021
OBSUR. (2013). Recuperado el Septiembre de 2021, de Observatorio de Sostenibilidad y Estudios
Urbanos del Sur Austral: https://obsur.cl/bases-de-datos/planos-y-mapas/
Parrado, E., Cox, P., & Fuenzalida, M. (2009). Evolución de los Precios de Viviendas en Chile.
Revista Economía Chilena 12, 51-68. Recuperado el 8 de Diciembre de 2020

54
Rey Carmona, F. J., & Núñez Tabales, J. M. (2017). Alternativas para la valoración de inmuebles
urbanos. Revista Publicando, 4(11), 3-19.
Russel, S., & Norvig, P. (2008). Inteligencia Artificial Un Enfoque Moderno. España: Pearson
Education.
SAS. (2019). Minería de datos. Obtenido de SAS:
https://www.sas.com/es_cl/insights/analytics/data-mining.html
Tensorflow. (octubre de 2021). Tensorflow Core. Obtenido de Tensorflow:
https://www.tensorflow.org
Timarán Pereira, S. R., Hernández Arteaga, I., Caicedo Zambrano, S. J., Hidalgo Troya, A., &
Alvarado Pérez, J. C. (2016). Descubrimiento de patrones de desempeño académico con
árboles de decisión en las competencias genéricas de la formación profesional. Bogotá:
Universidad Cooperativa de Colombia .
Trivelli, P. (2016). Estimación y análisis de arriendo de precios de arriendo residencial para las
capitales regionales, Valdivia. Comisión de Estudios Habitacionales y Urbanos, Valdivia.
Recuperado el Agosto de 2021
Turban , E. (1995). Decision support and expert systems management support systems. Patience
Hall.
Vidal Vidal, L. H. (2020). Inteligencia artificial. Clases de inteligencia artificial. Valdivia.

55
 ANEXOS

Anexo A.

Proceso de estandarización de variables tanto de entrenamiento como de prueba.

https://github.com/benji88puq/Variables_Estandariazaci-
n/blob/19270b8f929e479241bfc69ebe21d90af7cb9f3e/Variables.xlsx

56
Anexo B.

Archivo que contiene las características de las variables estandarizadas en un archivo “.csv”.

https://raw.githubusercontent.com/benji88puq/Variables_Estandariazaci-n/main/var120.csv

57
Anexo C.

Interfaz final del sistema de apoyo creado para la toma de decisiones (DSS).

58
Anexo D.

150 sujetos del modelo, se puede visualizar los correspondientes al 80% de entrenamiento y el 20%
que fueron utilizados de prueba.

https://github.com/benji88puq/Variables_Estandariazaci-n/blob/main/var150.xlsx

59
Anexo E.

Valores asociados a los 30 sujetos de prueba.

n° n° áreas Rango
n° n° de precio
m2 n° n° Establecimien verdes y grupo Peligro
Precio UF m2 Casa n° baños unidades centros suelo
terreno habitaciones pisos tos espacio socioeco sísmico Tipo (X13)
(Y) (X1) (X4) policiales de salud urbano
(X2) (X3) (X5) educacionales público nómico (X12)
(X7) (X8) (X11)
(X6) (X9) (X10)
7050 115 115 3 3 1 13 1 0 18 7.5 7.53 0.235 Departamento
5498 90 201 3 1 1 13 1 0 18 7.5 7.53 0.235 Casa
4233 62 62 3 2 1 13 1 0 18 7.5 7.53 0.235 Departamento
4332 119 108 4 1 2 13 1 0 18 7.5 7.53 0.235 Casa
4666 70 70 3 2 1 14 0 3 8 3.5 1.55375 0.2825 Departamento
10664 156 286 4 2 2 14 0 3 8 3.5 1.55375 0.2825 Casa
2166 60 60 2 1 1 14 0 3 8 3.5 1.55375 0.2825 Departamento
4199 78 190 2 1 2 14 0 3 8 3.5 1.55375 0.2825 Casa
5866 155 326 4 2 2 19 0 3 53 5.5 2.2295 0.2225 Casa
2663 30 30 1 1 1 19 0 3 53 5.5 2.2295 0.2225 Departamento
3432 63 63 3 2 1 19 0 3 53 5.5 2.2295 0.2225 Departamento
2599 125 110 4 2 2 19 0 3 53 5.5 2.2295 0.2225 Casa
2300 54 174 3 1 1 11 2 1 51 3.5 0.9035 0.2625 Casa
3296 69 100 3 2 2 11 2 1 51 3.5 0.9035 0.2625 Casa
3461 63 63 3 2 1 11 2 1 51 3.5 0.9035 0.2625 Departamento
3300 69 113 3 2 2 11 2 1 51 3.5 0.9035 0.2625 Casa
4166 124 143 4 2 2 23 1 3 130 5.5 1.253 0.2175 Casa
3833 100 200 3 2 2 23 1 3 130 5.5 1.253 0.2175 Casa
4999 55 120 2 1 1 23 1 3 130 5.5 1.253 0.2175 Casa
5900 140 180 4 2 2 23 1 3 130 5.5 1.253 0.2175 Casa
2833 180 200 3 1 2 23 1 3 130 5.5 1.253 0.2175 Casa
3333 47 47 1 1 1 2 1 0 28 7.5 2.15325 0.25 Departamento
7400 105 105 3 2 1 2 1 0 28 7.5 2.15325 0.25 Departamento
7400 94 105 3 2 1 2 1 0 28 7.5 2.15325 0.25 Departamento
7400 105 116 3 2 1 2 1 0 28 7.5 2.15325 0.25 Departamento
2833 64 113 4 2 2 6 1 3 18 3.5 1.3915 0.2875 Casa
3500 80 140 3 2 2 6 1 3 18 3.5 1.3915 0.2875 Casa
3180 75 150 3 2 2 6 1 3 18 3.5 1.3915 0.2875 Casa
3166 62 117 3 1 2 6 1 3 18 3.5 1.3915 0.2875 Casa
3933 81 173 3 2 2 6 1 3 18 3.5 1.3915 0.2875 Casa

60