Modelo Matemático del Tasador Inmobiliario Espacial

Versión extendida: comparables, IDW, Bayes, factores hedónicos y referencias urbanas

Autor

Arq. Juan

Tecnosurf · Desarrollo de herramientas GIS, BIM y tasación inmobiliaria

Contacto: juan@tecnosurf.com

1. Planteamiento del problema

Sea un dominio geográfico de análisis:

$$\Omega \subset \mathbb{R}^2$$

donde cada punto $x \in \Omega$ representa una ubicación espacial expresada mediante coordenadas geográficas, por ejemplo latitud y longitud. Dado un inmueble objetivo ubicado en:

$$x_0 = (lat_0, lon_0) \in \Omega$$

el objetivo del sistema es estimar el valor unitario del inmueble, expresado como precio por metro cuadrado:

$$V(x_0) = \text{precio estimado por m}^2 \text{ en } x_0$$

2. Estructura general del modelo

El valor inmobiliario no depende exclusivamente de la distancia a otros inmuebles. En una tasación urbana razonable, el precio observado surge de una combinación de componentes espaciales, características propias del inmueble, condiciones del entorno y ruido de mercado. Por tanto, se propone el modelo conceptual:

$$V(x) = S(x) \cdot H(x) \cdot R(x) \cdot M(x) + \epsilon(x)$$

Donde:

Símbolo	Interpretación
$S(x)$	Componente espacial derivada de comparables cercanos.
$H(x)$	Componente hedónica o estructural: superficie, frente, calle, servicios, esquina, forma.
$R(x)$	Componente de referencias urbanas: avenidas, comercios, arroyos, zonas bajas, escuelas, equipamientos.
$M(x)$	Factor de mercado: negociación, liquidez y diferencia entre precio ofertado y precio probable.
$\epsilon(x)$	Error residual, dispersión o incertidumbre no explicada.

En la versión implementada, el modelo operativo se resume como una estimación espacial robusta corregida por factores multiplicativos.

$$V_f(x_0) = V_{post}(x_0) \cdot F_H(x_0) \cdot F_R(x_0) \cdot F_M(x_0)$$

3. Conjunto de comparables inmobiliarios

Se define un conjunto de comparables observados:

$$\mathcal{C} = \{c_i\}_{i=1}^{n}$$

donde cada comparable $c_i$ contiene al menos:

$$c_i = (x_i, p_i, A_i, T_i, q_i, f_i, t_i)$$

Variable	Descripción
$x_i$	Coordenada geográfica del comparable.
$p_i$	Precio unitario observado, normalmente USD/m².
$A_i$	Superficie del comparable.
$T_i$	Tipo de inmueble: terreno, casa, departamento, comercial, industrial.
$q_i$	Calidad del dato: completitud, fuente, precisión de ubicación.
$f_i$	Fuente: Infocasas, Clasipar, Facebook, contacto directo, dato manual, etc.
$t_i$	Fecha de captura o antigüedad del dato.

4. Normalización del precio

Para comparar inmuebles entre sí, el precio total debe transformarse en precio unitario. Si el precio está expresado en guaraníes y la tasa de cambio adoptada es $\tau$, entonces:

$$p_i^{USD/m^2} = \frac{P_i^{Gs}}{\tau \cdot A_i}$$

Si el precio está expresado en dólares:

$$p_i^{USD/m^2} = \frac{P_i^{USD}}{A_i}$$

Esta normalización permite trabajar con una variable comparable entre inmuebles de distintas superficies.

5. Distancia geográfica y vecindad local

Para cada comparable $c_i$, se calcula la distancia geográfica al inmueble objetivo:

$$d_i = d(x_0, x_i)$$

En implementación práctica puede utilizarse la fórmula de Haversine para distancias sobre la superficie terrestre. En análisis local urbano, también puede utilizarse una aproximación euclidiana corregida.

Para evitar singularidades cuando un comparable se encuentra demasiado cerca del punto objetivo, se aplica una distancia mínima:

$$d_i^* = \max(d_i, \varepsilon)$$

Un valor típico de $\varepsilon$ puede estar entre 50 m y 100 m, dependiendo de la escala del análisis.

6. Peso espacial por IDW

El primer peso del modelo proviene de la interpolación inversa de distancia, conocida como IDW o Inverse Distance Weighting:

$$w_i^{esp} = \frac{(d_i^*)^{-\gamma}}{\sum_{j=1}^{k}(d_j^*)^{-\gamma}}$$

donde $\gamma$ controla la velocidad con que disminuye la influencia de un comparable al alejarse del punto objetivo. En la implementación práctica se puede usar:

$$\gamma \in [2, 3]$$

El estimador IDW del valor unitario es:

$$V_{IDW}(x_0)=\sum_{i=1}^{k} w_i^{esp}p_i$$

7. Peso por similitud inmobiliaria

Dos propiedades cercanas no necesariamente son comparables. Por tanto, el peso total debe incorporar similitud de tipo, superficie, calidad del dato y eventualmente antigüedad.

$$W_i = w_i^{esp} \cdot w_i^{tipo} \cdot w_i^{sup} \cdot w_i^{calidad} \cdot w_i^{fecha}$$

Donde:

Peso	Interpretación
$w_i^{tipo}$	Mayor peso si el comparable tiene el mismo uso o tipo que el inmueble sujeto.
$w_i^{sup}$	Mayor peso si las superficies son similares.
$w_i^{calidad}$	Mayor peso si el dato tiene precio, superficie, ubicación y fuente verificable.
$w_i^{fecha}$	Mayor peso para datos recientes.

El peso normalizado final es:

$$\tilde{W}_i = \frac{W_i}{\sum_{j=1}^{k}W_j}$$

8. Estimador espacial robusto

Para evitar que precios anómalos contaminen la tasación, se utiliza una lectura robusta de la muestra local. En vez de depender solo del promedio, se calcula una mediana local:

$$V_{med}(x_0)=\operatorname{mediana}\{p_1,p_2,\dots,p_k\}$$

También se eliminan o reducen comparables extremos mediante reglas robustas, por ejemplo usando rangos relativos respecto de la mediana o desviación absoluta mediana.

$$|z_i^{rob}| < z_{max}$$

donde $z_i^{rob}$ mide qué tan extremo es el precio $p_i$ frente al comportamiento central del mercado local.

9. Actualización bayesiana simple

El modelo combina dos fuentes de información: una lectura robusta local, interpretada como conocimiento previo, y la estimación IDW, interpretada como evidencia espacial ponderada.

Prior local

$$V \sim \mathcal{N}(\mu_0, \sigma_0^2)$$

donde:

$$\mu_0 = V_{med}(x_0)$$

y $\sigma_0^2$ representa la dispersión observada en los comparables locales.

Evidencia espacial

$$Y = V_{IDW}(x_0), \qquad Y \sim \mathcal{N}(V, \sigma_L^2)$$

donde $\sigma_L^2$ representa la incertidumbre de la evidencia espacial.

Posterior

Bajo normalidad conjugada, el valor posterior se obtiene como promedio ponderado por precisión:

$$V_{post}(x_0)=\frac{\frac{\mu_0}{\sigma_0^2}+\frac{V_{IDW}}{\sigma_L^2}}{\frac{1}{\sigma_0^2}+\frac{1}{\sigma_L^2}}$$

La varianza posterior es:

$$\sigma_{post}^2=\left(\frac{1}{\sigma_0^2}+\frac{1}{\sigma_L^2}\right)^{-1}$$

10. Factores hedónicos propios del inmueble

El componente $F_H(x_0)$ corrige el valor espacial base según características propias del inmueble. En la versión operativa se adopta una estructura multiplicativa:

$$F_H = F_{calle}\cdot F_{servicios}\cdot F_{esquina}\cdot F_{forma}\cdot F_{superficie}\cdot F_{frente}$$

Ejemplos de factores posibles:

Condición	Factor orientativo	Interpretación
Sobre asfalto	1.08	Incremento por mejor accesibilidad.
Sobre empedrado	1.00	Condición urbana estándar.
Calle de tierra	0.88	Castigo por accesibilidad y menor urbanización.
Esquina	1.05 a 1.08	Mayor exposición y flexibilidad de uso.
Forma irregular	0.90 a 0.95	Menor aprovechamiento geométrico.
Servicios escasos	0.75 a 0.85	Castigo por falta de infraestructura.

11. Referencias urbanas georreferenciadas

Además de comparables inmobiliarios, el modelo incorpora referencias urbanas cargadas manualmente por el tasador. Estas referencias no son precios observados, sino factores del entorno que pueden afectar el valor.

Sea:

$$\mathcal{R}=\{r_j\}_{j=1}^{m}$$

donde cada referencia urbana contiene:

$$r_j=(y_j, a_j, \rho_j, \eta_j, u_j)$$

Variable	Descripción
$y_j$	Coordenada de la referencia urbana.
$a_j$	Impacto máximo: positivo o negativo. Por ejemplo, $0.08$ o $-0.20$.
$\rho_j$	Radio de influencia en metros.
$\eta_j$	Confianza asignada a la referencia.
$u_j$	Tipo de uso al que aplica: terreno, casa, comercial, industrial, todos.

12. Decaimiento de influencia por distancia

Una referencia urbana no debe afectar igual a un inmueble ubicado a 50 m que a otro ubicado a 800 m. Por eso se utiliza una función de decaimiento radial. Si:

$$\delta_j = d(x_0,y_j)$$

entonces la influencia efectiva de la referencia $j$ puede modelarse como:

$$I_j(x_0)= \begin{cases} a_j\left(1-\frac{\delta_j}{\rho_j}\right)^2\eta_j, & \text{si } \delta_j \leq \rho_j \\ 0, & \text{si } \delta_j > \rho_j \end{cases}$$

De este modo, la influencia es máxima cerca de la referencia y se anula en el borde del radio.

13. Factor total de entorno urbano

La suma de influencias urbanas cercanas define un ajuste neto:

$$A_R(x_0)=\sum_{j=1}^{m} I_j(x_0)$$

Para evitar resultados exagerados, este ajuste debe limitarse dentro de un rango razonable:

$$A_R^*(x_0)=\operatorname{clip}(A_R(x_0), -a_{max}, a_{max})$$

Por ejemplo:

$$a_{max}=0.45$$

El factor de entorno queda entonces:

$$F_R(x_0)=1+A_R^*(x_0)$$

14. Factor de mercado y negociación

Los portales inmobiliarios suelen mostrar precios ofertados, no necesariamente precios de cierre. Por eso puede introducirse un factor de mercado:

$$F_M \in (0,1]$$

En una versión simple:

$$F_M = 1 - \lambda$$

donde $\lambda$ representa el descuento esperado entre precio pedido y precio probable de cierre. Para terrenos urbanos, un valor preliminar podría estar entre 8% y 15%, dependiendo del mercado local.

15. Valor final unitario y valor total

El valor unitario final se obtiene mediante:

$$V_f(x_0)=V_{post}(x_0)\cdot F_H(x_0)\cdot F_R(x_0)\cdot F_M(x_0)$$

Si el inmueble tiene superficie $A_0$, el valor total estimado es:

$$P_f = V_f(x_0)\cdot A_0$$

Para expresar el resultado en guaraníes:

$$P_f^{Gs}=P_f^{USD}\cdot \tau$$

16. Incertidumbre e intervalo de valor

Una tasación responsable no debe entregar un único número aislado, sino un valor probable acompañado de un rango. La incertidumbre puede depender de:

cantidad de comparables disponibles;
dispersión de precios locales;
calidad y antigüedad de los datos;
precisión de las coordenadas;
magnitud de los ajustes urbanos y hedónicos.

Si $u$ es el margen relativo de incertidumbre, entonces:

$$P_{min}=P_f(1-u)$$ $$P_{max}=P_f(1+u)$$

Un margen bajo puede ubicarse alrededor del 10%, mientras que un margen alto, en zonas con pocos datos o mucha dispersión, puede superar el 30%.

17. Interpretación como regresión kernel espacial

La parte espacial del modelo puede interpretarse como una regresión kernel no paramétrica:

$$\hat{V}(x_0)=\sum_{i=1}^{k}\tilde{W}_i(x_0)p_i$$

donde el kernel base es una función decreciente de la distancia:

$$K(d)=d^{-\gamma}$$

El modelo puede reemplazar este kernel por otros, por ejemplo un kernel gaussiano:

$$K(d)=\exp\left(-\frac{d^2}{2\sigma^2}\right)$$

18. Relación con kriging y modelos geoestadísticos

El modelo implementado no es kriging en sentido estricto, porque no estima explícitamente un variograma ni resuelve el sistema geoestadístico completo. Sin embargo, puede entenderse como una aproximación práctica a un modelo espacial:

$$V(x)=X(x)\beta+S(x)+\epsilon(x)$$

donde $X(x)\beta$ representa variables explicativas o hedónicas, $S(x)$ representa dependencia espacial y $\epsilon(x)$ representa ruido de mercado.

Una evolución futura podría implementar kriging universal:

$$\operatorname{Var}(\hat{V}(x_0)) = K(x_0,x_0)-k^T K^{-1}k$$

19. Lectura como AVM simplificado

El sistema puede clasificarse como un AVM simplificado, es decir, un Automated Valuation Model basado en:

comparables georreferenciados;
interpolación espacial;
ajustes hedónicos manuales;
referencias urbanas cualitativas;
estimación de incertidumbre.

No pretende reemplazar una tasación formal con inspección física, revisión dominial y análisis jurídico, sino producir una pre-tasación razonada, transparente y reproducible.

20. Ejemplo conceptual

Supóngase que los comparables locales producen:

$$V_{post}=45\;USD/m^2$$

y que el inmueble tiene calle empedrada, servicios básicos, forma regular y no es esquina:

$$F_H=1.00$$

Además, se detectan las siguientes referencias urbanas:

Referencia	Impacto efectivo
Avenida cercana	+6%
Colegio cercano	+2%
Zona baja o arroyo	-12%

Entonces:

$$F_R=1+0.06+0.02-0.12=0.96$$

Por tanto:

$$V_f=45\cdot1.00\cdot0.96=43.2\;USD/m^2$$

21. Supuestos del modelo

El precio del suelo presenta dependencia espacial local.
Los comparables cercanos y similares contienen información relevante para estimar el valor.
Los precios ofertados son aproximaciones imperfectas del valor probable de mercado.
Las características urbanas pueden modelarse mediante factores multiplicativos.
Las referencias urbanas tienen influencia decreciente con la distancia.
La incertidumbre aumenta cuando hay pocos datos, alta dispersión o referencias débiles.

22. Limitaciones

No reemplaza una inspección física del inmueble.
No verifica dominio, restricciones legales, servidumbres ni situación catastral.
Depende de la calidad de los comparables cargados.
Los precios de portales pueden estar inflados frente al precio real de cierre.
Las referencias urbanas manuales introducen criterio experto, pero también subjetividad.
No modela plenamente anisotropías urbanas complejas, como barreras físicas, ríos, rutas o cambios bruscos de barrio.

23. Potencial de evolución

El sistema puede evolucionar hacia una plataforma de tasación asistida por GIS mediante:

integración de datos reales de portales inmobiliarios;
importación de capas GIS: calles, uso de suelo, inundabilidad, equipamientos, transporte;
modelo hedónico calibrado con regresión;
estimación automática de outliers;
ajuste por liquidez y tiempo de publicación;
kriging o procesos gaussianos para estimar superficies continuas de valor;
calibración por ciudad, barrio y tipo de inmueble;
generación de informes técnicos con trazabilidad de cada comparable.

24. Conclusión

El modelo extendido del Tasador PY puede entenderse como un AVM espacial híbrido: combina regresión kernel por comparables, lectura robusta del mercado local, actualización bayesiana, factores hedónicos y referencias urbanas georreferenciadas.

Su valor principal no está en producir una verdad absoluta, sino en organizar de manera transparente el razonamiento que un tasador realiza al comparar inmuebles: proximidad, similitud, calidad urbana, condiciones propias del lote y nivel de incertidumbre. Por ello, el resultado debe interpretarse como una pre-tasación técnica y defendible, especialmente útil para análisis preliminares de mercado en Paraguay.