Pronóstico del déficit de viviendas en el estado Mérida,
Venezuela, mediante redes
neuronales artificiales
Prediction of housing deficit in Mérida, Venezuela,
by artificial neural networks
Gerardo A. Colmenares Lacruz
Ph. D., Profesor Titular
Facultad de Ciencias Económicas y Sociales
Instituto de Investigaciones Económicas
y Sociales
Universidad de Los Andes
Núcleo Universitario Liria
Edif. G “Leocadio Hontoria” 3er. Piso
código postal 5101, Mérida, Venezuela
Teléfono: 0274-2401080
E-mail: gcolmen@ula.ve
Annjulie A. Gil Ruiz
Ingeniero de Sistemas
Vía principal Los Chorros de Milla
Centro Comercial Empresarial Villa Los Chorros
Piso 3 Oficina 3-8. Código postal 5101
Mérida. Venezuela
Teléfono: 0274-4148656.
E-mail: kannjulie@hotmail.com
RESUMEN
Se combina Funciones de Bases Radiales (RBF) y Análisis Multivariante para pronosticar
el déficit de viviendas en el estado Mérida. Se construyó un indicador alternativo al usado
convencionalmente para evaluar este fenómeno. La información primaria se obtuvo de las
Encuestas de Hogares por Muestreo (EHM) entre 1994 y 2005. Las variables empleadas
fueron el número de hogares, tenencia, hacinamiento, adecuación y condición de la
vivienda. Se destaca que mediante RBF se alcanzó un aceptable nivel de efectividad y
de adaptación: se adecuó al tipo de problema que se modeló. Los resultados obtenidos
en el entrenamiento y generalización alcanzaron valores del error cuadrático medio muy
bajos, con un buen nivel de acierto para el pronóstico y, debido a la consistencia de estos
resultados, se demostró robustez en el entrenamiento. |
ABSTRACT
This work combines the tools of Radial Basis Function (RBF) and Multivariate Analysis to
predict insufficient housing supply in the state of Merida, Venezuela. An alternative indicator
to the commonly one used was built in order to evaluate this phenomenon. Data covering
the number of families at the same house, house property, overcrowding level, housing
physical condition, and public utilities condition were extracted from The Household
Sampling Survey (HSS), 1994-2005. It is outstanding that RBF showed an acceptable level
of effectiveness and capacity of adapting itself to this kind of problem. In general, results
obtained during training and generalization stages reached very low average quadratic errors,
a good level of success in the prognosis and robustness of the trained models. |