Metodologia para La Tasacion de Inmuebles

METODOLOGA PARA LA
TASACIN DE INMUEBLES
Marco Aurlio Stumpf Gonzlez
METODOLOGA PARA LA
TASACIN DE INMUEBLES
MARCO AURLIO STUMPF GONZLEZ

Ingeniero Civil, Doctor en Ingeniera
Profesor de la Universidade do
Vale do Rio dos Sinos
(UNISINOS), RS, Brasil.
Traduccin, adaptacin y revisin:
MIGUEL CAMACARO PREZ

M.Sc. Gerencia de la Construccin
Ingeniero Civil - Tasador
ULA - UCLA - Venezuela
METODOLOGA PARA LA TASACIN DE INMUEBLES

Primera Edicin en Castellano.
No est permitida la reproduccin total o parcial de este libro, ni su
tratamiento informtico, ni la transmisin de ninguna forma o por cualquier
medio, ya sea electrnico, mecnico, por fotocopia, por registro u otros
mtodos, sin el permiso previo y por escrito de los titulares del Copyright.
Derechos Reservados Copyright 2006, respecto a la Primera Edicin en

Castellano por: Dr. Ing. Marco Aurlio Stumpf Gonzlez y M.Sc. Ing. Miguel
Camacaro Prez. Av. Venezuela entre Avenidas Argimiro Bracamonte y Los
Leones, Edificio IMECA, Piso 2, Local 2H, Barquisimeto, Estado Lara,
Venezuela. Telfonos: 00-58-251-2549028. e-mail: exubras@telcel.net.ve.
Traducido de la Primera Edicin en Portugus de
METODOLOGIA DE AVALIAO DE IMVEIS
Copyright 2003 Marco Aurlio Stumpf Gonzlez y Editora SGE.
ISBN: 85-9816-803-3
Editor: Miguel Camacaro Prez
Depsito Legal: N If0512005620195
ISBN: 980-12-1079-6
Traduccin: Miguel Camacaro Prez
Levantamientos de Textos: Milagros Len
Revisin y Correccin de Textos: Miguel Camacaro y Marco Gonzlez. Jess
Al aro
Portada: Arnoldo Porta
1 Edicin
1.000 ejemplares en el mes de febrero de 2006
Impreso en Venezuela por Tipografa y Litografa Horizonte, C.A.
La vida solo tiene sentido cuando hay adelanto espiritual, y esto

solo sucede cuando encontramos a la persona amada.
Este libro est dedicado a esa persona especial.
Presentacin de la edicin en Castellano
La presentacin que estaba aqu era del libro de Abunahman es preciso

cambiar el texto.
De la mano del Ing. Miguel Camacaro Prez distinguido colega venezolano
de destacada actuacin profesional y gremial en SOITAVE nuevamente nos llega
una produccin literaria de investigadores brasileos en el campo de la Ingeniera
de Tasacin, intitulada Metodologa para la tasasin de inmuebles, que con toda
certeza va a llenar los espacios bibliogrficos para beneplcito de los profesionales
de la ingeniera y de la arquitectura, en especial, para los que actan como
auxiliares de justicia en los tribunales de nuestros pases latinoamericanos.
Para la Sociedad de Ingeniera de Tasacin de Venezuela SOITAVE,
institucin adscrita al Colegio de Ingenieros de Venezuela, que actualmente celebra
el Cuadragsimo Aniversario de su creacin, nada ms oportuno y placentero que
hacer el lanzamiento de este libro, lo que sin duda llega en un momento estelar de
la Ingeniera de Tasacin en nuestro pas.
Aprovecho para recomendar su lectura y profundizar en su estudio, ya que
constituye un gran aporte para el acervo tcnico de nuestra profesin.
Arq. Mara Emilia Pereira Colls

Presidente de la UPAV
Presentacin y Agradecimientos
Este libro representa una contribucin para el desarrollo de la metodologa

para la tasacin de inmuebles, especialmente cuando se refiere a la aplicacin de la
inferencia estadstica; se fundamenta en un conjunto de experiencias profesionales
y acadmicas del Autor. El texto actual consiste en la evolucin de un libro anterior
intitulado: A Engenharia de Avaliaes na Viso Inferencial (La Ingeniera de
Tasaciones en la Visin Inferencial), publicado por la Editora Unisinos en 1997,
que se encuentra agotado, despus de algunas reimpresiones. El texto fue revisado
tomando en cuenta nuevas experiencias derivadas del Doctorado en Ingeniera, de
los cursos y de las materias dictadas en diversos lugares del Brasil, desde entonces.
Durante el proceso de aprendizaje, fue importante la participacin de algunas
personas y entes que tuvieron influencia directa o que colaboraron, de alguna
forma, para que esta obra fuese escrita y publicada. Recuerdo a los profesores
Martim Oscar Smolka (Lincoln Institute of Land Policy-EUA y IPPUR/UFRJ),
Carlos Torres Formoso (UFRGS), Luis Fernando Mhlmann Heineck (UFSC) y
Andr Maciel Zeni (Engeb). Tambin me gustara recordar especialmente al
amigo Diego Alfonso Erba (Lincoln Institute of Land Policy/UNISINOS), con
quien compartimos diversos proyectos. En definitiva, a los que participaron, de
alguna manera, deseo agradecer la colaboracin y el apoyo recibidos.
Vaya tambin mi agradecimiento especial al colega venezolano Miguel
Camacaro Prez, por lo laborioso de la traduccin, adaptacin y revisin para hacer
realidad la Primera Edicin en Castellano del libro, que seguramente permitir su
divulgacin por toda Latinoamrica.
(mgonzalez@unisinos.br / www.exatec.unisinos.br/~gonzalez/index.html)
Novo Hamburgo*, Octubre de 2005.
Para conocer Novo Hamburgo y regin, ver http://www.rotaromantica.com.br.
10 Marco Aurlio Stumpf Gonzlez
11
ndice
PRESENTACIN DE LA EDICIN EN CASTELLANO.............................. vii

PRESENTACIN Y AGRADECIMIENTOS .................................................... ix
INTRODUCCIN ................................................................................................ 13
MERCADO INMOBILIARIO ............................................................................ 15
SINGULARIDAD ..................................................................................................... 17
DURABILIDAD ....................................................................................................... 17
ALTO COSTO ......................................................................................................... 18
LOCALIZACIN...................................................................................................... 18
LA IMPERFECCIN DEL MERCADO INMOBILIARIO .................................................. 19
ALGUNAS CUESTIONES URBANAS .......................................................................... 21
Importancia social de la vivienda..................................................................... 21
Segregacin y barrios ....................................................................................... 21
Tributos inmobiliarios....................................................................................... 22
Programas oficiales de construcccin.............................................................. 22
Reglamentacin del uso del suelo (zonificacin).............................................. 23
Segmentacin en el mercado inmobiliario..................................................... .. 23
MTODOS DE TASACIN DE INMUEBLES................................................ 25
CONCEPTO DE VALOR INMOBILIARIO..................................................................... 26
COMPARACIN DE DATOS DE MERCADO ................................................................ 28
Comparacin simplificada............................................................................... . 29
Ejemplo N1 Tasacin de un terreno ............................................................. 29
Inferencia estadstica e Inteligencia artificial .................................................. 30
Homogeneizacin por factores ......................................................................... 30
EVOLUTIVO (COSTO DE REPRODUCCIN) .............................................................. 32
Determinacin del costo de la construccin..................................................... 33
Depreciacin ..................................................................................................... 34
Fondo de Comercio........................................................................................... 36
Factor de Comercializacin.............................................................................. 37
Ejemplo N 2 Tasacin de una vivienda unifamiliar...................................... 37
RENTA (CAPITALIZACIN DE LOS INGRESOS) ........................................................ 38
Ejemplo N 3 Tasacin de un apartamento ................................................... 40
INVOLUTIVO (DESARROLLO HIPOTTICO DE PROYECTOS URBANSTICOS) ............. 40
Ejemplo N 4 Tasacin de un terreno en una regin desarrollada ............... 41
RECOLECCIN DE INFORMACIONES........................................................ 43
FUENTES DE INFORMACIN................................................................... 43
Agentes e intermediarios de las transacciones ................................................ 43
Clasificados de peridicos...................................................... ......................... .44
Agentes financieros......................................................... ............................ ......44
Alcaldas municipales....................................................... .......................... ......44
Registros Inmobiliarios............................................................................... ......45

MUESTREO ............................................................................................................ 45
INSPECCIONES Y OBTENCIN DE OTROS DATOS ..................................................... 47
Caractersticas del entorno............................................................................... 47

Caractersticas fsicas del inmueble ................................................................ 47
Datos de catastros municipales.......................................... .......................... ....47
REPRESENTACIN NUMRICA DE LAS VARIABLES .............................................. ...47
Cuantitativas.................................................................... ............................. ....48
Cualitativas.. ......................................... 48
BANCOS DE DATOS ................................................................................................ 50
INFERENCIA ESTADSTICA ........................................................................... 51
MODELOS ESTADSTICOS............................................ .......................................... 51
ESTIMACIN DE LOS MODELOS POR ANLISIS DE REGRESIN ................................ 53
Regresin simple................................................................. .............................. 54
Estimacin de los parmetros de la regresin por el MMC........................... ..54
Transformaciones en las variables.......................................... ......................... 56
Regresin mltiple .................................................. ......................................... 57
Regresin mltiple en notacin matricial......................................................... 58
ANLISIS DE LA PRECISIN (AJUSTE) DEL MODELO ............................................... 59
Coeficiente de determinacin(R2)................................................................... .. 59
Coeficiente de correlacin(r)............................................................................ 60
Anlisis de varianza - prueba del modelo (F) .................................................. 61
Prueba de las variables explicativas (t)............................................................ 61
Regresin a travs del origen (prueba del intercepto) ..................................... 62
Intervalo de confianza.................................................................................... .. 63
CONDICIONES PARA LA VALIDEZ DEL ANLISIS DE REGRESIN ............................. 63
Supuestos bsicos de la regresin y otros requisitos. ...................................... 63
Verificacin de fallas de las hiptesis bsicas ....... ......................................... 65
Anlisis de grficos estadsticos ............................. ......................................... 73
PROCESO DE MODELAJE (SELECCIN DEL MEJOR CONJUNTO DE VARIABLES)......... 78
Backward........................................................................................................... 78
Forward............................................................................................................. 79
Stepwise............................................................................................................. 79
Todas las regresiones posibles....................................................................... .. 79
INFERENCIA DE VALORES (ESTIMACIONES) ............ ...............................................80
EJEMPLOS DE TASACIONES A TRAVS DE INFERENCIA .................................. .........80
Ejemplo N5 Tasacin de un terreno utilizando inferencia........................... 81
Ejemplo N 6 Tasacin del alquiler de un apartamento................................ 83
RESUMEN DEL PROCESO DE TASACIN POR INFERENCIA ESTADSTICA................... 89
CONSIDERACIONES FINALES....................................................................... 91
BIBLIOGRAFA................................................................................................... 93
ANEXO I UTILIZACIN DEL MS-EXCEL EN REGRESIONES ............ 99
ANEXO II DISTRIBUCIONES F Y T .......................................................... 101
13
Introduccin
El mercado inmobiliario es uno de los sectores ms complejos de la economa.
Las principales dificultades del anlisis estn vinculadas a algunas caractersticas
especiales de los inmuebles, que son bienes heterogneos, estando conformados por
un conjunto diversificado de atributos, lo que dificulta o impide la comparacin
directa de las unidades.
Asociada al mercado de transacciones, la produccin realizada por la industria
de la construccin tambin tiene peculiaridades que la diferencian de otras
actividades productivas. La construccin civil tiene una gran importancia en el
contexto econmico y social del pas.1 Pero, por otro lado, es un sector conservador
y tecnolgicamente atrasado, con grandes desperdicios y baja calidad de producto.2
En este ambiente es donde acta la Ingeniera de Tasaciones, con la finalidad
bsica de obtener valores para los inmuebles, esto es, buscar representaciones e
interpretaciones numricas para los fenmenos del mercado inmobiliario. Hace
veinte aos, los mtodos eran rudimentarios, porque los profesionales estaban
limitados a clculos simplificados. El desarrollo de los computadores personales y
la aplicacin de tcnicas ms avanzadas (principalmente la inferencia estadstica),
proporcionaron un aumento razonable de calidad en los anlisis realizados.
En el Brasil, la tasacin de inmuebles urbanos es una atribucin legal de
ingenieros civiles y arquitectos, derivada de la Ley Federal N 5914/66 (art. 7, tem
c). Sin embargo, no siempre los profesionales poseen la necesaria preparacin para
este tipo de anlisis de valor, principalmente por la deficiente formacin en
economa urbana, tcnica de tasaciones y estadstica. La bibliografa en lengua
portuguesa es escasa y, en su mayora, trata la tasacin de inmuebles por los
mtodos antiguos o presentan la estadstica de una forma genrica. A excepcin del
trabajo de Rubens Dantas y de nuestro libro anterior.3
Este texto tiene la finalidad de proporcionar una introduccin a la tasacin de
inmuebles, especialmente en cuanto a la inferencia estadstica. Se incluyeron
algunos ejemplos, bajo la forma de problemas tpicos con los cuales se enfrentan
los tasadores, para la demostracin de las tcnicas. No existe la pretensin de
abarcar detalladamente todos los asuntos tratados, y se sugiere la bsqueda, para
profundizar en las reas de mayor inters, en las obras citadas a lo largo del texto o
en otras.
Ermnia Maricato (1987, p.15) recuerda que, en 1980, 7,2% de la poblacin econmicamente activa en
Brasil trabajaba, directa o indirectamente, en la construccin.
2
Soibelman (1993), Souza et al. (1995) y Vargas (1994).
3
Dantas (1998) y Gonzlez (1997, 2003). En este libro, se trata de los inmuebles urbanos. La tasacin de
inmuebles rurales involucra bienes con otras caractersticas. Aunque los procedimientos y tcnicas sean
similares, interesa ms la renta potencial. Las obras de Carlos Daudt (1996) y de Guilherme Vegni-Neri
(1979) pueden ser consultadas por los interesados.
Mercado Inmobiliario
El mercado inmobiliario tiene un comportamiento muy diferente a los
mercados de otros bienes. Los inmuebles son considerados bienes compuestos,
pues existen mltiples atributos que despiertan el inters de los agentes, impidiendo
la comparacin directa de las unidades. Entre los factores que diferencian los
inmuebles, los ms importantes son: la gran vida til, la fijacin espacial, la
singularidad, el alto costo de las unidades y la fuerte interferencia gubernamental.
La combinacin de estos elementos permite explicar en gran parte las variaciones
de precios.4
La falta de informacin emprica (datos de las transacciones) y el
conocimiento deficiente se constituyen en obstculos para el estudio. En este
contexto, es difcil determinar el valor ms probable, o el valor de mercado, que un
inmueble puede alcanzar en un momento dado.
Los principales fenmenos locales identificados estn asociados a la dinmica
inmobiliaria y a la estructura intra-urbana, que continuamente modifican los valores
por efecto de las transformaciones de los usos del suelo, en lo que se refiere a su
tipo y densidad. La actuacin simultnea y no coordinada de emprendedores
intermediarios, poder pblico y poblacin en general, genera transformaciones en
las condiciones del mercado y en los valores observados. En forma ms genrica,
las transformaciones extra-urbanas (regionales y nacionales) tambin influyen
sobre el mercado local. Todas estas modificaciones se reflejan en los cambios de
los valores de los inmuebles, que suceden en forma heterognea en el rea urbana,
y a travs de ciclos econmicos de mediano o largo plazos.5
Existen otras causas ms generales, de naturaleza tecnolgica, que tambin
pueden provocar variaciones en los precios del suelo. Pueden ser citados los casos
del transporte, de la informtica y de las telecomunicaciones. La mejora de los
medios de transporte masivo recorta, en forma relativa, las distancias a los puntos
de inters. El desarrollo de las comunicaciones y de la informtica podr hacer una
revolucin en las relaciones funcionales, al permitir el trabajo a distancia o en casa,
modificando las necesidades de espacio para los usos comerciales e industriales y,
Segn Balchin y Kieve (1986, p.12-13), Evans (1995), Lavender (1990), Lucena (1985), Muth (1975) y
Robinson (1979, p.4-10). Los precios de los inmuebles varan, en el tiempo, y resultan de las condiciones
especficas de la oferta y la demanda. En un momento dado, hay un equilibrio instantneo, del cual
resulta el valor de mercado. Cambios en la oferta y en la demanda provocan un nuevo equilibrio, en otro
nivel de precios.
5
Sobre la dinmica espacial inmobiliaria, ver Abramo (1988, 1995, 1995a, 2001, 2001a), autor que
presenta un profundo anlisis del fenmeno. Balarine (1996) y Lucena (1985) indican influencias macroeconmicas en el mercado.
por consiguiente, disminuyendo la competencia por el uso de suelo, y tambin,

altera su accesibilidad relativa.
La tasacin de inmuebles, cualquiera que sea su finalidad, involucra la
consideracin de caractersticas econmicas. Tasar es buscar el valor, y el valor de
un bien est representado esencialmente por el valor atribuido por el mercado
donde l es transaccionado. Por consiguiente, la tarea que debe hacer el tasador es
or el mercado, intentando entender su funcionamiento. Por tanto, utiliza diversas
tcnicas estadsticas. Los problemas que surgen son debidos a las imprecisiones de
los mtodos y a la falta de conocimientos sobre el mercado inmobiliario. An
existen muchas dudas sobre los fenmenos econmicos, y el mercado inmobiliario
realmente tiene un comportamiento complejo.
Como este es un texto introductorio, es importante resaltar los principales
factores que conllevan a la formacin del valor de los inmuebles. Con base en
estudios tcnicos consultados y de la experiencia prctica en tasaciones, pueden ser
citadas algunas prioridades del anlisis.
Una gran parte de las variaciones de precios es explicada por la localizacin
(calidad del vecindario y la distancia a los puntos de inters general), para cualquier
tipo de inmueble. Sin duda, este es el principal elemento, en general, es responsable
por la mayora de las variaciones de precios unitarios entre diferentes inmuebles.
No es posible obtener buenas estimaciones de valor si no se analiza detenidamente
la localizacin. Es justamente en este atributo donde existen mayores dificultades,
pues no es medible directamente, y depende de medidas aproximadas o juicios
personales. Esta dificultad puede ser superada a travs del uso de modelos
especiales generados a partir de un banco de datos con relevante alcance espacial y
temporal, los cuales pueden proporcionar el contexto del mercado.6
Otras diferencias pueden ser de diversas fuentes, de acuerdo con el tipo de
inmueble. En el caso de terrenos, interesa el uso (tipo de construccin adecuada) y
la potencialidad de construccin, definidos generalmente en los Planos Rectores
(zonificacin), as como la forma y las dimensiones. Para las construcciones, tales
como: casas, apartamentos e inmuebles comerciales, existen algunos factores
comunes. Adems de la localizacin, tambin deben ser considerados: tamao
(rea, nmero de habitaciones o salas, y la existencia de estacionamientos),
tipologa, estndar constructivo (calidad de la construccin, en s), edad y estado de
conservacin del inmueble. Segn sea el caso, tambin adquieren importancia otras
variables, como por ejemplo: la orientacin solar, el porcentaje que puede ser
financiado, la forma de contratacin y las condiciones macroeconmicas de la
regin y del pas en el momento de la transaccin.7
La literatura sobre economa urbana generalmente se refiere a la existencia de
un paquete o vector de atributos. Los atributos son los servicios de vivienda
6
Ver Gonzlez (2002).

El nivel salarial es una variable importante, tomando en cuenta que gran parte de los gastos de una
familia se derivan de los servicios de vivienda (Lucena, 1985; Robinson, 1979).
Metodologa para la Tasacin de Inmuebles
17
ofrecidos por el inmueble, tales como los citados en los prrafos anteriores, y los
precios de los inmuebles pueden ser entendidos como la sumatoria de los productos
de las cantidades de cada uno de estos servicios por sus respectivos precios
implcitos. Inmuebles con mayor cantidad global de servicios de vivienda sern
ms caros. Inicialmente, no se conocen los montos relativos (participaciones en el
precio) de cada una de las caractersticas contenidas en el paquete. Solo se
conoce el precio integral del inmueble. Los precios implcitos (expresin creada por
Rosen), tambin llamados precios hednicos o precios-sombra, son los precios
relacionados, indirectamente, con cada uno de los atributos de los inmuebles, tales
como: rea, edad y localizacin. En el anlisis emprico por inferencia, los
coeficientes que multiplican las variables estiman cunto se paga, en promedio y en
reales, por cada m2 adicional de rea, para obtener un inmueble con un ao menos,
o en determinada urbanizacin, por ejemplo.8
Singularidad
Los bienes del mercado inmobiliario son singulares. No existen,
rigurosamente, dos inmuebles iguales. En general, la localizacin y las diferentes
caractersticas fsicas impiden la comparacin directa. Los inmuebles pueden ser
vistos como un conjunto indivisible de atributos. Para comparar diversos
inmuebles, se debe recurrir a la comparacin simultnea de sus caractersticas. Las
diferenciaciones aparecen en algunos o en todos los variados aspectos que
conforman los inmuebles.
Durabilidad
Las construcciones tienen elevada vida til econmica. En Europa, por
ejemplo, existen construcciones centenarias en uso, generando frutos y participando
en el mercado inmobiliario al lado de inmuebles nuevos. La construccin de nuevas
unidades es lenta, y ellas tienen una participacin proporcionalmente reducida en la
oferta (generalmente, 1% al ao). As, la mayora de los inmuebles en oferta y
vendidos forman el stock. Este factor provoca uno de los efectos ms importantes
en este mercado, que es la fijacin de los precios a travs de los niveles observados
en las operaciones de inmuebles viejos (del stock), esto es, no es el constructor
quien define los precios, pero s el mercado. Hay excepciones, pero generalmente
son casos de oligopolios, en mercados de pequeas dimensiones. El emprendedor
inmobiliario no tiene libertad para fijar precios, por el contrario, necesita realizar un
cuidadoso estudio de viabilidad, construyendo solo s el costo es inferior a los
precios observados en el mercado, para inmuebles similares.9
Esta interpretacin es comn, siendo encontrada, entre otros, en Evans (1995, p.7), Lucena (1985),
Robinson (1979, p.3-5) y Rosen (1974).
9
Balchin y Kieve (1986), Cadman y Topping (1995), Weimer y Hoyt (1948).
Alto costo
Las unidades habitacionales son los bienes ms caros que la mayora de las
familias adquieren en toda su vida. Una parte de los niveles de precios son
explicados por la durabilidad (capitalizacin de los ingresos futuros). El
financiamiento tiene especial importancia, pues sin crdito la adquisicin es muy
difcil. An con financiamiento, los plazos de pago son largos y las personas
realizan pocas transacciones en su vida. De esta forma, las polticas habitacionales
oficiales (y su estabilidad) son fundamentales en el comportamiento del mercado.
Los perodos donde se facilita la obtencin de crditos, generalmente, coinciden
con los perodos de mayor actividad del mercado inmobiliario, lo que puede ocurrir
en forma segmentada. Por ejemplo, la oferta de financiamiento solo para inmuebles
nuevos incide en la cada de los precios de los inmuebles usados, por la
disminucin de la demanda (solo acuden las personas que tienen condiciones para
comprar con capital propio).10
Localizacin
La localizacin es fija, en trminos fsicos. No hay transacciones en mercados
amplios o transporte de unidades hacia las regiones de oferta pequea. Los precios
son determinados con base en las ofertas y bsquedas relativas, dentro del rea
urbana, y el exceso de demanda provoca aumento de precios, porque la oferta es
inelstica, a corto plazo.11 Robinson dice que la demanda es diferente en cada
localizacin y que existen sub-mercados en partes de la ciudad. Con precios
diferentes en cada segmento.12 La transformacin continua de la ciudad provoca
cambios en la calidad del vecindario y en la accesibilidad al lugar. Maricato, con
otra visin, afirma que:
La distribucin desigual de los equipamientos urbanos en el territorio
genera los llamados efectos de vecindario o externalidades otorgando
renta a los propietarios de inmuebles privados que se benefician directa o
indirectamente por las inversiones (Maricato, 1987. p.26).
Con este tipo de efecto, los precios pagados para ocupar determinado lugar
varan, en el tiempo, de acuerdo con las facilidades ofrecidas. La espacialidad del
mercado es una caracterstica extremadamente importante. Existen varios polos de
atraccin en las reas urbanas.
Es fcil notar que, en general, las ciudades no son monocntricas.
Probablemente, solo pequeas reas urbanas presentan una regin nica de valor
elevado. El propio proceso desordenado de crecimiento de los municipios,
10
Ver Balarine (1996), Balchin y Kieve (1986), Lavender (1990) y Robinson, (1979, p.7-8).
La oferta es inelstica por causa del plazo de desarrollo de las nuevas construcciones. Existe
normalmente un intervalo de uno a dos aos entre la necesidad y la disponibilidad de inmuebles. En este
perodo, el mercado se ajusta aumentando los precios. Al contrario, cuando hay un exceso de oferta, los
precios bajan. Naturalmente, la inestabilidad de la economa nacional es perjudicial, pues obstaculiza las
decisiones de los emprendedores.
12
Robinson (1979, p.33-34).
11
19
raramente bien coordinado (o lo que es lo mismo, no controlado) por el poder

pblico, produce distinciones. Aparecen diversos puntos que despiertan inters
cada uno ofreciendo en forma prioritaria, empleos, comercio, recreacin, seguridad,
contaminacin reducida o facilidad de acceso. La bsqueda diferenciada por uno o
ms de estos atributos provoca competencia entre los elementos econmicamente
activos. Adems, deben ser consideradas las diferencias en la competencia por
reas de uso comercial, industrial o residencial.13
Los efectos de vecindario y accesibilidad relativa hacen que los inmuebles
cercanos, con las mismas caractersticas constructivas, tengan valores similares.
Esta similitud tiende a disminuir con el aumento de la distancia que los separa. Las
variaciones son continuas y graduales, esto es, los valores no surgen de forma
aleatoria. Al contrario, es razonable suponer que hay algn tipo de continuidad en
los valores y que el nivel de los precios est influenciado por los inmuebles que lo
rodean. Por esto, en la tasacin de un inmueble, la comparacin debe ser realizada
con inmuebles cercanos, situados en la misma regin, bajo las mismas influencias.14
Como las condiciones locales y de la propia construccin varan lentamente,
existe una relativa estabilidad de precios, en el tiempo. Sin embargo, algunas
intervenciones pueden influenciar el mercado, tales como: proyectos pblicos de
renovacin urbana, construccin de vas expresas, instalacin de shopping centers
o desarrollo de espacios para empresas tecnolgicas o universidades.15
De lo expuesto, se puede comprender que los precios urbanos tienen
distribucin espacial. Evidentemente, existen puntos de mayor atraccin, con los
valores ms elevados, y otros de mayor rechazo, donde hay menores valores del
suelo. Los modelos unidimensionales no pueden ser aceptados, a no ser que estn
referidos a una fraccin del rea urbana o tengan alguna forma eficiente de
delimitacin de las reas de influencia de los centros de valores, esto es, un rea de
mltiples picos puede ser analizada bajo la forma monocntrica si es dividida en
diversos modelos.
La imperfeccin del mercado inmobiliario
En muchos anlisis tericos micro-econmicos se supone que existe una
competencia perfecta en el mercado inmobiliario. La perfeccin de un mercado
significa, sucintamente, que los bienes son idnticos, el ingreso al mercado es libre,
las personas tienen informacin perfecta, deciden libre y prudentemente sin
presiones de ningn orden. Las acciones individuales no afectan los precios. En
estas condiciones, el valor del bien es igual al precio que alcanza en el mercado.
Con mucha certeza, esta situacin no es la del mercado inmobiliario, ya que
cuenta con diversas restricciones. La falta de informacin es un problema serio. La
13
Robinson (1979, p.36) habla de ciudad multi-nuclear y de un ndice de acceso al inmueble para los
usos de inters de las personas.
14
Dubin (1992), Gonzlez (1995, 1995a, 1996c), Schroeder y Sjoquist (1976).
15
Segn Maraschin (1993), Spolidoro (1994) y Tavares (1993).
heterogeneidad de los inmuebles y de sus localizaciones dificulta la comparacin.

Hay diversos sub-mercados, para cada tipo de inmueble. El costo elevado dificulta
o impide la participacin de gran parte de la poblacin, mientras que otra parte
depende de financiamientos (sin embargo, todava hay un gran nmero de
participantes en el mercado, que es llamado atomizado). No hay libertad para
negociar, al contrario, las partes sufren diversas presiones y existen muchos
factores psicolgicos y culturales (no monetarios) que afectan la tasacin subjetiva
de la calidad del bien.16
El costo de la movilidad es elevado, en el sentido de los costos financieros,
tiempo y desgaste psicolgico, dispensados en la bsqueda del inmueble deseado.
Adems existen otros gastos tales como: tasas municipales, intermediacin en el
negocio, registros inmobiliarios y la propia mudanza de un inmueble para otro.
Aunado a esto, la gran mayora de los agentes del mercado inmobiliario no son
expertos y tienen poca informacin, creando barreras para la libre opcin y
dificultando las decisiones.17
Se concluye que el mercado es de competencia imperfecta, acarreando
diversas implicaciones en el anlisis, siendo una de las principales la aceptacin de
que el precio necesariamente no coincide con el valor, existiendo una franja de
precios normales (razonables) en cuyo centro est el valor de mercado (valor ms
probable o valor esperado) para el bien.
No obstante, esta conclusin no es aceptada sin discusin, Evans (1995, p.12),
por ejemplo, cuestiona la existencia de un verdadero valor de mercado alegando
la ineficiencia del mercado y sugiriendo que en verdad slo existe una franja de
precios. El recuerda que, si un grupo de agentes inmobiliarios experimentados
pueden tener dificultades para estimar el valor de un inmueble, con ms razn
tendrn problemas en esta tarea los compradores y vendedores comunes, los
agentes legos que poco frecuentan ese mercado.
Sucede que Evans no piensa en valor de mercado como una media de los
precios observados (esto es, el valor es el precio ms probable), lo que me parece
ms correcto. Por otra parte, no tiene sentido probar que el mercado es imperfecto y
esperar que los inmuebles sean vendidos (todos) a un determinado precio de
mercado, como en efecto ocurre. Las personas, por varios motivos (por la
deficiencia de la informacin, por ejemplo), compran y venden por precios distintos
de aquellos que seran alcanzados en competencia perfecta.
Continua existiendo un nico valor de mercado, idealizado, que puede ser
estimado por la media de los precios, sin embargo, las transacciones pueden ser
realizadas por otros valores. Cabe recordar tambin que esta cuestin no se
confunde con la de la existencia de diversos valores simultneos para un inmueble.
16
Segn Balchin y Kieve (1986, p.12-13), Evans (1995), Franchi (1991, p.11-12) y Robinson (1979, p.410).
17
Balchin y Kieve (1986, p.12) y Robinson (1979, p.7-8).
21
El valor de mercado es nico (pues solo hay un mercado), en un momento

dado, discutindose solo la precisin de las estimaciones de los modelos y de las
expectativas y decisiones de los agentes (la discusin sobre las diferencias entre
precio, valor y valor de mercado ser tratada ms adelante). En definitiva, s los
agentes de mercado e igualmente los tasadores no consiguen calcular con precisin
el valor de mercado de un inmueble, no se puede concluir con base en este hecho de
que no existe este valor.
Algunas cuestiones urbanas
Existen varias cuestiones relacionadas con la dinmica inmobiliaria y con la
estructuracin intra-urbana que afectan el funcionamiento del mercado
inmobiliario. Aunque este sea un tema complejo, es necesario para su estudio, que
se adopte una multiplicidad de puntos de vista, por lo que es importante que sean
por lo menos enunciadas algunas ideas, proporcionando al lector una visin general
del tema. Un anlisis ms detallado necesitara el apoyo de conocimientos jurdicos,
sociales, urbansticos y econmicos, lo cual no se pretende alcanzar en este
momento.
Importancia Social de la vivienda
Adems de ser una de las principales fuentes de empleo para la poblacin
menos favorecida (auxilindola para enfrentar los problemas de desempleo y xodo
rural), sin duda, el producto vivienda tiene elevada significacin social. Ermnia
Maricato, por ejemplo, nos dice que: la casa propia, as se trate de un simple
ncleo bsico de albailera sin revestimientos, es un motivo de gran seguridad y
sensacin de progreso personal para el trabajador.18
Existen varios ejemplos de iniciativas directas de produccin
evidenciando dificultades del mercado formal en atender las necesidades de la
poblacin ms pobre. La cultura brasilea es dada a la casa propia, al contrario de
otros pases, donde el alquiler es bien aceptado. Los problemas legales y las
desigualdades socio-econmicas influyen bastante, en este caso.19
Segregacin y barrios
La situacin habitacional en Amrica Latina es distinta a la que se
encuentra en pases desarrollados. Hay fuertes desigualdades sociales. La
segregacin se da principalmente por cuestiones socio-econmicas y no por
cuestiones raciales. Asimismo, trabajadores empleados regularmente ocupan piezas
en pensiones o en barrios. Existen grandes dificultades para acceder a una casa
propia. Una de las maneras es a travs de la compra de una parcela en la zona
marginal y posterior auto-construccin. Algunas consecuencias de este proceso son
la baja calidad de vida, generada por las calidades del inmueble y su entorno (falta
de saneamiento, dificultad de transporte, salud y comercio). Muchas veces la
produccin privada de la vivienda se aleja de las condiciones adecuadas, generando
problemas que tienen que ser resueltos por el sector pblico. Son comunes los
18
19
Maricato (1987, p.26).

Chinelli (1981) y Lima (1981).
parcelamientos que no poseen los requisitos legales mnimos, por ejemplo. En

ciertos momentos, es necesario reestructurar totalmente una regin. La proximidad
a los barrios es un factor de disminucin de los valores inmobiliarios.
Frecuentemente el poder pblico necesita reaccionar, reubicando familias
provocando nuevas influencias en el mercado.20
Tributos inmobiliarios
El impuesto a la propiedad y el impuesto sobre las ventas son los tributos
recaudados con base en los valores venales de los inmuebles. Las formas
tradicionales de clculo de estos tributos estn bastantes desactualizadas. Todava
se emplean mtodos imprecisos, como la homogeneizacin por factores y el costo
de reproduccin. Adems de esto, a pesar de existir variaciones en los precios, en
la mayora de las ciudades, las plantas de valores no son actualizadas anualmente.
Con el mantenimiento de los valores (corregidos igualmente por un ndice
monetario), no hay posibilidad de obtener una tributacin justa, porque existen
reas que se valorizan y otras que se desvalorizan, relativamente, provocando
desigualdades de tributacin. Es importante la adopcin de mtodos ms modernos
para el clculo de las plantas de valores. No obstante, la influencia de factores
polticos es muy fuerte, y difcilmente la cuestin es resuelta en funcin de modelos
tcnicos de tasaciones.21
Programas oficiales de construccin
Maricato contrapone los esfuerzos aislados de la poblacin, a travs de la
autoconstruccin, con la actuacin del capital inmobiliario. Dice que las ciudades
brasileas se transformaron profundamente despus de la dcada del 40. Hubo un
desarrollo habitacional acelerado en el pas, originando un mercado inmobiliario
activo, principalmente bajo el Sistema Financiero de la Vivienda (SFH, siglas en
portugus). Ella recuerda que seis millones de viviendas fueron construidas entre
1970 y 1980, mientas que el SFH financi 3,5 millones en 17 aos. No obstante, el
Banco Nacional de la Vivienda (BNH, siglas en portugus) atendi las necesidades
de la construccin de la clase baja solo en sus primeros aos. Luego cambio el
rumbo, invirtiendo en grandes obras de saneamiento y transporte. Maricato
identifica las presiones polticas de las grandes contratistas como uno de los
motivos para este cambio. Recuerda que el sector de la construccin civil
habitacional est formado por pequeas empresas, adems de estar ligado a un
mercado popular ms dbil, al contrario de las grandes obras, contratadas con las
administraciones municipales y estatales. Gabriel Bolaffi seala algunas
alternativas de polticas oficiales, buscando resolver estas distorsiones.22
Reglamentacin del uso del suelo (Zonificacin)
El uso del suelo necesita ser regulado. La actividad inmobiliaria no debe
ser totalmente libre y las limitaciones impuestas por la administracin pblica
20
Segn Blank (1981), F.Gonzlez (1994), Lucena (1985), Muth (1975), Smolka y Furtado (2001) y
Richardson (1978).
21
Ver Gonzlez (1995a, 1996a, 1996b, 1996d, 1996e) y Zancan (1996).
22
Bolaffi (1981) y Maricato (1987).
23
buscan garantizar las mejores condiciones de vida para la comunidad, segn

Meirelles. Estas limitaciones son organizadas, bsicamente, en los Planos Rectores
de Desarrollo Urbano. En general, el conjunto mnimo de reglas consiste en
criterios para el parcelamiento y edificacin, delimitacin de la zona urbana,
organizacin del uso y ocupacin del suelo urbano (zonificacin) y del trazado
urbano. Un desarrollo catico o desordenado provoca, a mediano plazo, problemas
tales que perjudican la propia actividad capitalista de produccin (esencialmente los
aumentos de precios de la tierra por el crecimiento de la ciudad) y la venta de
inmuebles, pues las decisiones presentes en el mercado inmobiliario son afectadas
por decisiones del pasado, por causa de la durabilidad elevada.23
La zonificacin tiene una fuerte influencia sobre los precios de los
inmuebles. El permiso o prohibicin de determinados usos puede inhibir la
competencia entre usos comerciales y residenciales, modificando los precios. No
obstante, un aumento en la densidad de construccin, a travs de cambios en el Plan
Rector o de mecanismos como el suelo creado (conceder un porcentaje de
construccin en la parcela, mayor a lo permitido, a cambio de obras pblicas en
otros lugares), no se refleja directamente en variaciones de precios de los inmuebles
nuevos. Esto sucede porque los precios de los terrenos dependen de los valores de
las construcciones que pueden ser realizadas en ellos (renta potencial). As, las
ganancias eventuales son capitalizadas en los valores de los terrenos, siendo
transferidos a los propietarios (de la misma forma que las mejoras urbanas, como la
pavimentacin de una va) o a los promotores ms hbiles y no son pasadas a los
compradores. En otras palabras, habiendo una demanda suficiente de
construcciones, ser producido un conjunto mayor de unidades, a los mismos
precios de antes.24
Segmentacin en el mercado inmobiliario
El mercado inmobiliario no es nico, pues est conformado por un
conjunto de segmentos de mercado. Es evidente la divisin entre segmentos
comerciales y residenciales, pero dentro de cada uno tambin hay sub-divisiones.
Pueden ser identificadas divisiones que constituyen sub-mercados, con un
funcionamiento diferenciado con base en las localizaciones, de los tipos de
inmuebles o de las formas usuales de transaccin. No obstante, los lmites de cada
segmento no estn claros, y muchas veces hay una mezcla entre los sub-mercados.
Por ejemplo, hay competencia entre apartamentos y casas, de 2 y 3 habitaciones,
pues gran parte de los usuarios puede adaptarse a los dos tipos, dependiendo del
rea, de la localizacin y de otras caractersticas. De cualquier manera, el mercado
inmobiliario generalmente realiza, an en forma imperfecta, las funciones de un
23
Sobre este asunto, ver Abramo (1995), Gondim (1995), Fernando Gonzlez (1994), Meirelles (1996) y
Rovatti (1990).
24
Este mecanismo est confirmado por la presin para cambiar reglas, ejercida en repetidas ocasiones, por
los grandes propietarios, intermediarios y promotores. Este esfuerzo no sera lgico, desde el punto de
vista del capitalista, si las ventajas no fuesen obtenidas por ellos mismos (Rovatti, 1990).
mercado, aunque existan autores que afirmen que no existe un mercado

inmobiliario, en el sentido estricto del trmino. 25
25
Balchin et al. (1995), Evans (1995), Harvey (1996) y Lavender (1990).
Mtodos de tasacin de inmuebles

La tasacin de un inmueble es la determinacin tcnica de su valor de
mercado o de un derecho sobre l, siendo utilizada en una variedad de situaciones,
dentro y fuera del mbito judicial, tales como: inventarios, disolucin de sociedad,
operaciones de compra y venta, alquiler, cobros de impuestos, seguros, hipotecas,
estudios de inversin o dinmica inmobiliaria, entre otras.26
Los objetos de una tasacin pueden ser: terrenos para vivienda o comercio,
lotes de terrenos urbanizables, casas, apartamentos, oficinas, edificios industriales o
cualquier otro tipo de inmueble. Para que sea realizada una buena tasacin, el
profesional debe conocer, no slo las tcnicas aplicadas en el clculo, sino tambin
el funcionamiento del mercado en el lugar donde se sita el inmueble.
La funcin principal de una tasacin es obtener una estimacin del valor de
mercado de un inmueble bajo un determinado conjunto de condiciones (contexto de
mercado). Las tasaciones pueden ser divididas, en cuanto al enfoque, en tasaciones
singulares o individuales (el enfoque es uno o pocos inmuebles), tasacin masiva
(en general, para plantas de valores) y estudios de mercado. La diferencia bsica es
el nivel de precisin que puede ser alcanzado, que es mayor en el primer caso en
funcin de la menor diversidad del objeto de la tasacin. Los requisitos
fundamentales son precisin, objetividad y explicabilidad.
Existen varios mtodos para encontrar el valor de un inmueble. El mejor
camino es la comparacin con datos de transacciones de inmuebles similares,
efectuados en la misma poca en que se necesita encontrar el valor. No siempre
esto es posible, principalmente cuando se trata de inmuebles especiales, tales como
grandes edificios comerciales e industriales. En estos casos, deben aplicarse otros
mtodos. Los mtodos de tasacin pueden ser divididos en dos grupos: mtodos
directos e indirectos. Los mtodos directos se fundamentan en la comparacin de
datos de transacciones similares en el mercado o en la determinacin del costo
reproduccin del bien, mientras que los indirectos se basan en la renta que el
inmueble puede proporcionar o en su capacidad de aprovechamiento. En forma
esquemtica se tiene:
Mtodos directos
a) Comparativo de datos de mercado.
b) Evolutivo (Costo de reproduccin).
Mtodos indirectos
c) Renta (capitalizacin de ingresos).
d) Involutivo (Desarrollos Hipotticos de Proyectos Urbansticos).
26
Segn Fiker (1993) y Meirelles (1996).
26
En algunos pases, tal como se realiza en los Estados Unidos, es comn que los
tasadores utilicen tres mtodos, determinando los valores mediante el Comparativo,
de la Renta y del Costo (Evolutivo), y examinan en conjunto los resultados,
realizando al final un promedio de los resultados. Esta prctica le da ms seguridad
al tasador.
El mtodo Involutivo puede ser considerado como una variacin del mtodo
de la Renta, y no toda la literatura lo identifica como un mtodo aislado. Tambin
puede ser recordado el mtodo Residual, el cual no es propiamente un mtodo,
pero si una forma de utilizacin del mtodo Involutivo, que es aplicado a diversos
inmuebles, obtenindose los precios implcitos del terreno, siendo adoptado en
regiones donde no hay oferta suficiente de informacin sobre terrenos.
Cualquiera que sea el mtodo empleado, la intencin es obtener siempre el
valor de mercado del inmueble. Las formas de abordar el clculo son distintas, cada
cual con sus peculiaridades y limitaciones. Antes de discutir los mtodos, no
obstante, es necesario definir algunos conceptos relacionados con el objeto de las
tasaciones, identificando las diferencias entre valor, precio y valor de mercado.
Concepto de valor inmobiliario
Existen varias definiciones e interpretaciones para valor, valor de mercado y
precio. El enfoque del anlisis, bien sea en el rea cientfica de quien los estudia,
tiene influencia en los trminos y en los sentidos en que son empleados, pero
interesa conceptuar desde el punto de vista especfico de la tasacin de bienes
inmuebles. Segn Bonright, todas las definiciones del valor, si se analizan bajo una
visin crtica, contienen ambigedades e invocan conceptos aceptables slo en
casos especficos. Para l, definir valor es una tarea necesaria, pero difcil.27
Fiker afirma que valor es la relacin entre la intensidad de las necesidades
econmicas del hombre y la cantidad de bienes disponibles para satisfacerlas,
siendo determinado a travs de la relacin entre oferta y demanda del bien. Segn
Fernndez, el valor no es una propiedad intrnseca del bien, pero si una
caracterstica definida por el mercado, resultante de la oferta y de la demanda,
nico en un momento considerado. Por otro lado, Berrini afirma que el valor de un
bien se origina por diversas causas, siendo la mayora de ellas de origen
psicolgico, por tanto, no susceptibles de medicin. Segn Weimer y Hoyt, para
una nacin como un todo, valor es la materia de importancia comparativa para los
ciudadanos, de diferentes mercancas que son esenciales para su bienestar, de
acuerdo con sus estndares, pero que no existen en cantidad suficiente para la
demanda de todos.28 Kinnard afirma que el valor es un precio que tiende a
prevalecer con variaciones en las condiciones de oferta y demanda.29
27
Bonright (1937).
Berrini (1957), Fiker (1993), Weimer y Hoyt (1948).
29
Kinnard (1971).
28
27
El valor de mercado es el resultado de una transaccin entre un vendedor

deseoso de vender, pero no forzado a ello, y un comprador que quiere comprar pero
tampoco est forzado, teniendo ambos pleno conocimiento de las condiciones de
compra y venta, y de la utilidad de la propiedad.30 Otra interpretacin es la de que
valor de mercado es el precio ms probable, en dinero, que un bien alcanza,
expuesto a la venta en un mercado abierto y competitivo con todas las condiciones
necesarias para una venta justa, en la cual comprador y vendedor proceden en
forma prudente con todos los conocimientos indispensables, asumiendo que el
precio no sera afectado por estmulos indebidos.31
La importancia relativa de las condiciones presentes en la transaccin se
refleja en sus precios que son los valores convertidos en unidades monetarias. Es el
valor efectivo de la transaccin, la cuanta de recursos cambiados por el inmueble.
Se puede pensar que el valor es una caracterstica potencial del bien, pudiendo
coincidir con el precio en ocasiones especiales de mercado, en momentos de
equilibrio. Los precios estn sujetos, no obstante, a las particularidades de las
transacciones y de los agentes. El precio obtenido se puede diferenciar del valor
porque las partes tienen libertad limitada para negociar, por ejemplo, siempre
existen presiones para la realizacin del negocio. Los agentes tienen deudas, otros
negocios esperando recursos para concretizarlos, viajes, problemas familiares de
todo orden, deseo de invertir recursos estancados en aplicaciones menos rentables,
y muchos otros motivos para realizar los negocios.32
Adems, como ya se hizo referencia, la bsqueda de informacin es un
proceso caro y demorado, impidiendo el conocimiento completo del mercado. Los
vendedores tienen dificultades para presentar la oferta y los compradores no
conocen adecuadamente los bienes (son todos diferentes). Todos tienen dificultades
extremas para definir los mrgenes de negociacin. Es la presin por el correr del
tiempo que se hace sentir: puede no existir un plazo definido para que las partes
concreten un negocio, pero este tambin no es ilimitado.33
Finalmente, es conveniente resaltar que el valor de un bien es nico, para un
determinado momento y situacin de mercado. Esta es la llamada escuela
univalente.34 Evidentemente, si el valor no es una caracterstica intrnseca de la
30
Moreira (1994)
American Institute of Real Estate Appraisers, apud Pellegrino (1983). Idem, apud McMichael (1962).
32
Franchi (1991), Ratcliffe et al. (1993), Seeley (1976), Weimer y Hoyt (1948).
33
Balchin y Kieve (1986, p.12-13) y Robinson (1979, p.7-8).
34
Existe otra visin, segn el cual existen diversos valores, segn la finalidad de la tasacin. Como
ejemplo de esta otra corriente, pueden ser citados Stanley McMichael (1962) y Hely Lopes Meirelles
(1996). Meirelles (1996. p.291) lista diferentes tipos de valores y afirmando que: usualmente se busca,
en las tasaciones judiciales, el valor de mercado, valor de venta, valor venal, dejando a un lado otros
valores para situaciones especiales. No obstante, de los otros valores listados por el, solo recae en los
tasadores de inmuebles, por atribucin profesional, la determinacin de valores fiscales, que Meirelles
incorrectamente, diferencia de valor venal. Efectivamente, se sabe que la base de clculo de los tributos
inmobiliarios generalmente es el valor venal (Baleeiro, 1984, p.359-361; Brito, 1995, p.78-80). As, no
hay que hablar de valor fiscal diferente de valor de mercado. Lo que sucede es que, en virtud de la
cantidad de bienes tasables, el grado de precisin es diferente en la tasacin masiva. En este sentido, De
31
28
cosa, puede variar en el tiempo, pero observado en un determinado momento, es

nico. Precio y valor de mercado estn tambin sujetos a fluctuaciones en el corto
plazo, tales como las que se derivan de cambios peridicos (por ejemplo, en
funcin de perodos de zafra o de temporada turstica), campaas publicitarias,
nuevos emprendimientos o perspectivas de alteraciones en la legislacin, y de
mediano plazo, dentro de los ciclos macro-econmicos.
De lo expuesto, se concluye que, bajo competencia perfecta, el precio es
igual al valor de mercado, ambos representan la cantidad de dinero pagado por un
inmueble transaccionado en el mercado en un momento dado. 35 Sin embargo, a
decir verdad, el mercado de inmuebles es de competencia imperfecta. Entre otros
factores, ya citados, son evidentes la deficiencia de informacin y la desigualdad
de los agentes. Por eso el precio de un inmueble puede que no coincida con el
valor en un momento especfico de tiempo, y el valor de mercado sera una medida
difcil de ser obtenida. Las imperfecciones del mercado generan oscilaciones en los
valores realizados (precios). Los valores obtenidos en las investigaciones de
transacciones, consiste, en verdad, en una franja de precios, cuyo centro o valor
ms probable es lo que llamamos valor de mercado, a ser obtenido, por ejemplo,
a travs de la inferencia estadstica. 36
Comparacin de datos de mercado
El mtodo Comparativo, cotidianamente, es el ms empleado. Consiste en
hacer una comparacin directa de los precios pagados en el mercado por
propiedades similares, cuando existen sustitutos razonablemente similares y
suceden transacciones con cierta frecuencia. Es ampliamente empleado para
propiedades residenciales, en las cuales existe normalmente ms similitud entre
diferentes unidades. La ventaja de este mtodo es que se aproxima ms al
razonamiento de los agentes, que tambin tienen a definir precios a partir de la
comparacin entre las unidades disponibles en el mercado.
Las principales dificultades del uso del mtodo estn asociadas a la obtencin
de datos de propiedades similares hay diferencias en localizacin, rea
construida, acabados, estado de conservacin, etc. Adems de esto, los precios
varan considerablemente en espacios de tiempo relativamente cortos.
Cesare (1998), Mller (1995, p.14), Zancan (1996, p.50-54) y Gonzlez (1996b, p.63-64). Sealan que no
obstante, siempre se busca el valor de mercado, para cualquier finalidad de la tasacin.
35
Esto ocurre porque el vendedor no vendera por menos que el valor real, ni el comprador comprara por
ms, ya que ambos conoceran perfectamente el mercado y no estaran obligados a negociar.
36
El anlisis de regresin se adapta bien a este tipo de estudio, pues el resultado calculado por la ecuacin
es una media, ponderada por las diferentes caractersticas de los inmuebles. Hay una distribucin de
valores alrededor de esta media, siguiendo bajo hiptesis la curva Normal, con posibilidad creciente de
que el valor realizado se aproxime al valor central. Efectivamente, ms adelante, en el estudio de la
estadstica inferencial, sern adoptados los supuestos de Normalidad de los residuos, de no aleatoriedad de
las variables independientes, y de aleatoriedad de las variables dependientes, entre otros. Estos supuestos
deben ser siempre verificados y la hiptesis de la distribucin Normal de los precios es probada en cada
caso (la distribucin Normal es comnmente adoptada para fenmenos de la naturaleza y para fenmenos
socio econmicos donde existen innumerables agentes, lo que puede ser sustentado con base en el
Teorema del Lmite Central).
29
El mtodo se fundamenta en informaciones sobre precios de propiedades

comparables con la que est siendo tasada (comparables desde el punto de vista de
los agentes compradores y vendedores). Los tasadores necesitan comprobar las
condiciones en que son hechas las transacciones (motivos de los compradores y
vendedores), para verificar si los precios son tpicos de mercado o si existen
condiciones normales o no convencionales influyendo en las negociaciones.37
Para obtener el valor de un inmueble por este mtodo, es necesario que existan
datos de transacciones de inmuebles similares, en nmero y especificacin
razonables, para permitir la obtencin de resultados con confiabilidad. A partir de
la muestra del mercado, se pueden adoptar cuatro procedimientos: tasacin
simplificada (intuitiva), homogeneizacin por factores, modelos basados en
inferencia estadstica y aplicacin de tcnicas de inteligencia artificial.38 Todos
constituyen formas de ponderacin de las caractersticas de los inmuebles,
buscando obtener los valores medios (entendidos como los precios ms
probables). El primer camino representa la intervencin del tasador, empleando
una dosis de subjetividad. En la homogeneizacin, el tasador adopta pesos
arbitrarios, basados en frmulas consagradas o en la experiencia del tasador. La
inferencia estadstica, por otro lado, es un procedimiento cientfico, ms objetivo,
que permite la obtencin de los parmetros para la ponderacin de las diferencias.
Por ltimo, pueden ser aplicadas las diversas tcnicas en el rea de la inteligencia
artificial.
Comparacin simplificada
La tasacin puede ser realizada por el anlisis subjetivo de algunos
inmuebles, ya que el tasador realiza las compensaciones de las diferencias de los
inmuebles, a travs de procedimientos heursticos. En este caso, se busca la
informacin de 3 a 5 transacciones. Es muy utilizada en condiciones de mercado
donde hay inmuebles razonablemente similares y con una relativa estabilidad de
precios. Tambin puede ser adoptado el procedimiento cuando la tarea a ser
realizada no exige un grado de precisin elevado, como en el caso de indicaciones
generales o anlisis preliminares. En cualquier tipo de tasacin, el profesional debe
realizar una tasacin simplificada antes de iniciar la recoleccin de datos (muchas
veces, antes de aceptar el trabajo), para tener un valor de referencia (un orden de
magnitud).
Ejemplo No1 Tasacin de un terreno
Problema El inmueble a ser tasado es un terreno urbano de 400 m2.
Solucin: Inicialmente, deben ser recabados los datos de las transacciones de
terrenos. Digamos que los datos obtenidos son los siguientes (todos los inmuebles
vendidos recientemente en la misma regin del terreno tasable - Tabla 1):
37
38
Weimer y Hoyt (1948).

Sobre los dos ltimos, ver Gonzlez (1997) y Gonzlez (2002), respectivamente.
30
Tabla 1 Muestra de terrenos

Terreno
Precio
rea
(US$)
(m2)
1
10.080,00
360
2
11.340,00
360
3
12.600,00
400
4
12.600,00
420
5
12.285,00
420
Medias
11.781,00
392
Precio Unitario
(US$/m2)
28,00
31,50
31,50
30,00
29,25
30,05
Se verifica que esta muestra tiene caractersticas homogneas. La variable llave

identificada, el rea de los terrenos, posee una variacin inferior al 15% del rea
tasable (40060m2), y el terreno puede ser tasado por la media de la muestra. Con
estas informaciones, tomando en cuenta el rea de los terrenos, el terreno puede ser
tasado en US$ 30,00/m2, esto es, el valor de mercado del terreno (VM) ser:VM =
400m2 * US$ 30,00/m2 = US$ 12.000,00
Homogeneizacin por factores
La homogeneizacin es un procedimiento antiguo, pero todava es muy
utilizado, principalmente en pequeas ciudades, las cuales cuentan con un pequeo
volumen de transacciones. Hay una completa bibliografa basada en estas tcnicas,
de viejo uso por parte de los profesionales del ramo, pudiendo ser citadas las obras
de Berrini, Chandias, Fiker, McMichael y Moreira.39 Siempre que sea posible, esta
tcnica debe ser evitada, debido a la subjetividad inherente al proceso de clculo.
La recoleccin de datos de mercado para la tasacin siempre involucra
inmuebles heterogneos, distintos a aquel que se est tasando, por causa de las
particularidades de cada unidad. En funcin de esto, el tasador necesita transformar
(homogeneizar) los valores, para poder comparar estos inmuebles.
En este proceso, los elementos de la muestra son modificados por
factores o coeficientes correctivos, de modo de hacerlos comparables. Es una
especie de ponderacin arbitraria. Son empleados coeficientes de correccin,
frmulas de matemtica financiera y estadsticas descriptivas; y se atribuye un valor
al inmueble tasable. Tales coeficientes dependen del juicio del tasador,
fundamentados en mtodos y bibliografa de uso general. As, hay coeficientes para
la forma de pago, dimensiones y forma del terreno, posicin en la manzana,
topografa, localizacin, disponibilidad de servicios pblicos, cercana a
supermercado, existencia de vialidad y para cualesquiera otra caracterstica
asumida como importante.
39
Berrini (1957), Chandias (1954), Fiker (1993), McMichael (1962) y Moreira (1994).
31
Los precios de los inmuebles, heterogneos por naturaleza, se transforman en

homogneos, a travs de una relacin del tipo presentado en (1):
VHi = VUi*F1i*F2i*...*Fki
(i=1,...,n)
(1)
Donde los Fj son los factores que deben corregir los precios a un
estndar de mercado, considerado medio o normal. El proceso se repite para
todos los inmuebles de la muestra (i=1,...,n), con los factores asumiendo los pesos
segn sea el caso, y se obtiene entonces una media homogeneizada de la muestra.
Este nuevo conjunto de datos es revisado, sacando los valores extremos.
Es un anlisis simple de outliers. Los datos son tratados con la media aritmtica y
la desviacin estndar. Los elementos considerados extremos pueden ser
condicionados como excedentes a una o dos desviaciones estndar, en valor
absoluto. Son retirados y se calcula la nueva media general.
Luego, se invierte el proceso de clculo con la media de los valores
unitarios remanentes, obtenindose el valor del inmueble tasable (2):
VUt = VHmedio / (F1t*F2t*...*Fkt)
(t=tasable)
(2)
Los valores son ponderados arbitrariamente por los factores Fj (j=1,...,k).

Algunos profesionales buscan medidas ms sofisticadas, tales como: asimetra,
mediana, moda armnica o moda, lo que puede ser un intento para aparentar mayor
precisin en el clculo. Como los factores son arbitrarios y generalmente
subjetivos, esta sofisticacin es superflua, y puede no mejorar la calidad o precisin
(cercano al mercado) del valor calculado.
La deficiencia del mtodo reside justamente en la obtencin de los
factores. En la bibliografa indicada hay diversas tablas y frmulas para calcular los
factores de homogeneizacin. Estas tablas fueron obtenidas por experiencia de
parte de los tasadores o por comparacin de una determinada muestra. Sin
embargo, no se puede afirmar que el comportamiento del mercado de una regin se
repite en otras regiones, de caractersticas distintas. Al contrario, todo lleva a creer
que existen diferencias sustanciales entre un lugar y otro, inclusive por la
diversidad socio-econmica-cultural de las diferentes poblaciones. Las
transformaciones constantes de las ciudades y de la economa tambin invalidan
estas tablas. Por tanto, la intervencin del tasador es fundamental para obtener el
valor, teniendo sus criterios y consideraciones mucha influencia en el resultado
final, y por consiguiente, lo hace subjetivo.
Un tasador que conozca bien el mercado y los valores observados podr
llegar a valores justos, no por la homogeneizacin pero si por los conocimientos del
mercado. Este mtodo debe ser cada vez menos utilizado, siendo progresivamente
sustituido por la inferencia estadstica. Con la existencia de softwares estadsticos
especializados, que realizan los clculos para el modelaje estadstico, dejando al
32
tasador solo el anlisis de los modelos y de los resultados, no se justifica seguir

usando este mtodo, excepto por la falta de datos.40
Inferencia Estadstica e Inteligencia Artificial
La inferencia estadstica se utiliza desde hace algunos aos. Con el
desarrollo de computadores y de la propia teora, actualmente pueden ser utilizadas
tcnicas del rea de inteligencia artificial, tales como redes neuronales, sistemas de
reglas difusas y algoritmos genticos. Estas tcnicas fueron investigadas en mi tesis
de doctorado, siendo comparadas con los resultados de la estadstica inferencial.41
En estos procedimientos, se busca un modelo de mercado, obtenido a travs de
mtodos cientficos, con control del nivel de error, e idealmente, separando la
muestra de control, para realizar la validacin cruzada de los modelos. No obstante,
estas tcnicas dependen de la existencia de una cantidad razonable de datos para su
aplicacin, reforzndose la necesidad de un banco de datos. La estadstica
inferencial se desarrollar ms adelante, en captulo aparte, mientras que las
tcnicas de inteligencia artificial, por el volumen de informaciones, pueden ser
consultadas en Gonzlez (2002).
Evolutivo (Costo de reproduccin)

La base del mtodo del Costo es la consideracin de que el valor de un
inmueble es equivalente al costo de ejecucin de la edificacin ms el costo del
terreno (tasado por comparacin de datos de mercado). El mtodo se fundamenta en
la premisa de que un comprador bien informado no pagar ms de lo necesario para
construir una construccin similar, con la misma utilidad de la que est en oferta. A
esta definicin se le debe agregar la necesaria suposicin de racionalidad del
comprador y de la disponibilidad de terrenos en el lugar.
Esta tcnica considera la estimacin imperfecta del valor, pues el valor de
mercado de una propiedad no es determinado por el costo para construirla, pero si
por las relaciones entre la oferta y la demanda, en la interaccin entre compradores
y vendedores. Si existe exceso de demanda de un determinado tipo de inmueble, el
precio cae, pero el costo de construccin no se afecta. En cada segmento del
mercado (considerando en trminos de localizacin o tipo de inmueble) habr
diferentes niveles de oferta y demanda, generando diferentes niveles de precio. Otra
evidencia en este sentido es que el costo de produccin es muy similar para toda la
regin o ciudad, mientras que los precios de mercado de los inmuebles varan
mucho de un lugar a otro, y la variacin de los precios de los terrenos no es
40
Existen diversas opciones. Los costos de los equipos y software no son obstculos, visto que en la
actualidad difcilmente un profesional trabaje sin el uso del computador, y los clculos pueden ser
realizados hasta en el MS-Excel (ver Anexo I). Una buena opcin es el SISREN
(http://www.pellisistemas.com.br).
41
Ver Gonzlez (2002), y Soibelman y Gonzlez (2002).
33
suficiente para explicar estas variaciones.42 Adems de esto, como ya fue visto, la
cantidad de transacciones de inmuebles viejos es mucho mayor que con inmuebles
nuevos, y los precios en verdad, son definidos por los niveles de precio de los
inmuebles en stock y no por el costo de los nuevos.
Tambin se debe recordar que existen otras variables econmicas que confieren
comportamientos diferentes al mercado inmobiliario y a la construccin civil. Los
precios de algunos materiales de construccin estn sujetos a la accin de
oligopolios, por ejemplo, los cuales pueden efectivamente fijar sus precios. En este
caso, en determinadas pocas, los costos se pueden alejar de los precios de los
inmuebles, provocando errores en la estimacin.
No obstante, el mtodo del Costo puede ser usado para construcciones que
raramente cambian de dueo, como: hospitales, escuelas, o para edificios
comerciales e industriales especiales para los cuales existe poca o ninguna
evidencia en forma de precios de venta. Es un mtodo ampliamente utilizado para
el clculo de impuestos prediales, en funcin de la facilidad de aplicacin. Otro uso
se da en la tasacin de bienhechuras (sin el terreno), de edificios sin terminar o en
psimo estado de conservacin (exigiendo remodelaciones significativas). 43 El
mtodo puede ser resumido por la siguiente relacin (4):
VI = (VT+VB)*FC
(4)
Donde VI es el valor del inmueble, VT es el valor del terreno, VB es el valor de

bienhechuras y FC es el factor de comercializacin. La tasacin se inicia por la
determinacin del valor del terreno, utilizando los mtodos Comparativo o
Involutivo. En el clculo del valor de la bienhechura, deben ser considerados todos
los costos para reproducir el inmueble, tales como: el costo bsico de la obra,
costos indirectos, proyectos, ganancias del constructor, tasas e impuestos. Deben
ser descontadas las depreciaciones fsica, funcional y econmica (se obtiene
entonces el costo de reedicin). Si el inmueble es comercial se agrega tambin la
parte debida al Fondo de Comercio. Finalmente, debe ser considerado el Factor de
Comercializacin, que ajusta el costo a los precios observados en el momento de la
tasacin.
Determinacin del costo de la construccin
El clculo del costo de ejecucin es determinado para un inmueble
funcionalmente similar, pero con los materiales de construccin de uso general en
el momento de la tasacin, con estndar semejante. El tasador puede trabajar bajo
varias formas de presupuesto, tales como: costo por presupuesto detallado, costo de
grandes elementos, costo por unidad de rea o de volumen, o tambin, la
comparacin con otro inmueble, de costo conocido, hacindose los ajustes en los
42
Al contrario, los precios de los terrenos son explicados por los precios de venta de los inmuebles
construidos en su entorno (la demanda por el suelo se deriva de la demanda por construcciones).
43
Ratcliffe et al. (1993), Seeley (1976) y Weimer e Hoyt (1948). Para los impuestos, es ms adecuado
emplear la comparacin de datos de mercado, a travs de inferncia estadstica (Gonzlez, 1996b).
34
distintos elementos. Son muy utilizados los costos estandarizados, generalmente

con diversas opciones para los tipos y acabados de inmuebles.
Depreciacin
Cuando se aplica este mtodo, es necesario tomar en cuenta la
depreciacin que ocurre en las construcciones antiguas. La depreciacin se divide
en tres partes: deterioro fsico, obsolescencia funcional y obsolescencia econmica.
La obsolescencia funcional se refiere a los inmuebles que no estn
adaptados a las exigencias de la mayora de la poblacin-objeto tales como
apartamentos de 3 4 dormitorios sin puesto de estacionamiento en grande
ciudades. La obsolescencia econmica est presente en inmuebles que no pueden
ser adaptados a los usos econmicamente viables. Es comn en edificios
industriales en sectores donde el proceso de produccin tuvo cambios
significativos. A veces, el costo de remodelacin del edificio es superior a la
construccin de nuevas instalaciones. Estos dos componentes deben ser
determinados de acuerdo con el comportamiento del mercado, lo cual debe ser
investigado.
Por otro lado, existen varias curvas tericas que pueden ser utilizadas
para el deterioro fsico. En este caso, la depreciacin es calculada segn una
funcin especial (recta, parbola u otra cualquiera), escogida de acuerdo con las
preferencias del tasador, que debe considerar las particularidades del mercado.44 No
obstante, las variaciones intra-urbanas generan constantes cambios en los precios
observados en cada lugar de la ciudad. Si en la prctica se comprueba que algunas
reas son valoradas y otras no valoradas, simultneamente, no se puede aceptar la
hiptesis de una misma formacin de depreciacin para la ciudad entera, y menos
para cualquier ciudad o poca indistintamente. Tambin debe ser considerado el
hecho de que en algunos casos puede suceder la valoracin real del inmueble, esto
es, no existir depreciacin. As, la seleccin de la funcin es arbitraria. En verdad,
el perfil de valoracin o de depreciacin puede variar en el tiempo y en el espacio,
y sera preciso comprobar empricamente, en cada caso, cul es la curva real (como
se demostr en Gonzlez, 1996). Una alternativa es investigar las funciones usando
inmuebles similares o para otros momentos, usando bancos de datos.
La depreciacin est relacionada principalmente con la conservacin del
inmueble. No hay depreciacin fsica sobre el terreno, pero puede haber
depreciacin funcional, debido al sub-aprovechamiento del mismo. El uso y el
mantenimiento influyen en la parte de valor perdida en la construccin, en un
determinado momento de su vida til. La tasacin del estado de conservacin es
una tarea difcil, dependiendo del juicio de cada profesional. Generalmente la edad
del inmueble es empleada para los clculos. Se puede usar la edad fiscal (contada a
partir de la habitabilidad) o la edad aparente (resultado de la inspeccin y juicio del
profesional). En las frmulas, ellas son cotejadas contra la vida til probable. Las
funciones ms conocidas son presentadas en la Tabla 2:
44
Fiker (1993) y Moreira (1994).
35
Tabla 2 Funciones para el clculo de la depreciacin

Funcin
Frmula
Lnea Recta
D = (Vd*E/U + Vr) / Vn
Kuentzle (Parbola)
D = (Vd*(E/U)2 + Vr) / Vn
Ross
D = (Vd*(E/U+E2/U2)/2 + Vr) / Vn
Donde D es la fraccin depreciada, Vn es el valor del inmueble nuevo
(obtenido por el costo de reproduccin), Vd es la parte del valor que se deprecia, Vr
es el valor residual (saldo de la venta al final de la vida til menos el costo de
demolicin o desmontaje), E es la edad aparente (o edad fiscal) del inmueble y U es
la vida til estimada.
En algunos casos, se considera que existe un valor mnimo, residual, el
cual no es afectado (valor residual o de demolicin). Para algunos tipos de
inmuebles, esta parte se considera como 20% del valor total del inmueble nuevo
(Vr=0,2*Vn). En este caso, la parte que sufre depreciacin sera el 80% del total
(Vd=0,8*Vn). Para otros inmuebles, sin embargo, puede ser adoptada la
depreciacin total.
% Depreciado
La vida til (U) indica el lmite de utilizacin econmica del inmueble.

Para apartamentos y residencias unifamiliares construidas en albailera de buen
acabado, generalmente se considera entre 80 y 90 aos, aunque el mercado
inmobiliario de algunas ciudades presente evidencias de que el uso se extiende un
poco ms. La figura 1 permite la comparacin de las diferentes tcnicas de
depreciacin.
Figura 1 - Comparacin de la depreciacin acumulada

para las funciones ms comunes: Recta, Kuentzle y
Ross, considerando un valor residual del 20%.
Puede ser citado tambin el mtodo de Heidecke, que emplea un cuadro
relacionando la clasificacin de la conservacin del inmueble (de ptimo a
36
demolicin) con un coeficiente de depreciacin (de 0% a 100%) y el de Ross

Heidecke, que combina los dos mtodos, generando una tabla de coeficientes de
depreciacin, obtenidos por la consideracin simultnea de la relacin de la
edad/vida til y del estado de conservacin.45
Ante la variedad de criterios, la cuestin principal es la seleccin del
mtodo a ser empelado. No obstante, no hay certeza de cul de ellos sea el ms
adecuado, ni cul de ellos realmente se aplica a un caso especfico.
Fondo de Comercio
Los inmuebles comerciales cuentan con otro componente, referido al
valor del punto. El comerciante busca, de cualquier manera, darle movimiento
comercial a su establecimiento, para atraer clientes. Esta tarea es realizada a travs
de varios elementos, como propaganda, avisos publicitarios, fachada del
establecimiento, entre otros. Es un conjunto de bienes corpreos e incorpreos. A
este conjunto se le da genricamente el nombre de Fondo de Comercio.
Fran Martins cita como elementos incorpreos del Fondo de Comercio;
propiedad comercial, nombre comercial, accesorios del nombre comercial,
propiedad industrial, propiedad inmaterial (reputacin, crdito o fama). Este autor
incorpora al Fondo de Comercio, los bienes materiales (inmuebles, muebles y
mercancas). As, el Fondo de Comercio no solo trata del Punto Comercial, que es
una de sus partes. El Fondo de Comercio tiene evidente valor patrimonial, por su
influencia real en los negocios.46
En el caso de la tasacin de inmuebles, cuando se refiere al Fondo de
Comercio, la idea subyacente es de la parte incorprea, pues la parte corprea es
tasada directamente por el costo de reproduccin o reedicin. Cuando se usa la
comparacin de datos de mercado, implcitamente se est considerando el Fondo de
Comercio al comparar con diversos inmuebles comerciales. Sin embargo, una parte
del Fondo de Comercio no puede ser tasada por la comparacin directa por las
grandes diferencias de un negocio o de un punto comercial para otro, y algunos
ajustes pueden ser necesarios. La frmula ms conocida para el clculo es la de
Pellegrino y Martins (5):47
FCom = L / (1+i)n
(5)
Donde FCom es el Fondo de Comercio, L es el Lucro neto en el perodo

de tres aos inmediatamente anteriores, i es la tasa trimestral de intereses y n es el
nmero de trimestres en tres aos. Esta frmula puede ser adaptada para los casos
donde se disponga de lucros determinados en un perodo distinto. El valor
calculado es sumado al valor de las bienhechuras.
Por otra parte, la crtica puede ser hecha debido a que el punto puede
estar siendo sub-aprovechado. En caso de alquileres basados en el Fondo de
45
Fiker (1993) y Moreira (1994).

Fran Martins (1967, p.79-132).
47
Pellegrino y Martins (1974).
46
37
Comercio, el propietario del inmueble puede ser perjudicado por la ineptitud del
comerciante. En este caso, es ms interesante adoptar la ganancia media de
establecimientos similares o la ganancia potencial, tasada por un especialista en el
sector.
Factor de Comercializacin
Despus del clculo de los costos, el mercado debe ser analizado con
cuidado. Puede existir una gran demanda para el segmento de mercado del
inmueble tasable, la cual origina un aumento de precios en los inmuebles existentes
en virtud del plazo de construccin de los sustitutos. La determinacin del valor del
inmueble por el mtodo del costo debe tomar en cuenta la ventaja relativa de la
construccin ya lista con relacin a la que est en proyecto. Existen diversos
elementos que diferencian estas dos alternativas. Los inmuebles listos (ya
construidos) no estn sujetos a riesgos, costos financieros, tasas, multas,
desperdicios, huelgas, errores de proyecto o de ejecucin. As, el inmueble ya listo
presenta ventajas con relacin a otro, y esta diferencia se debe reflejar en una
cuanta a ser agregada al costo de reproduccin (en este caso, se habla de Ventaja
de la Cosa Hecha o Goodwill value).
Por otro lado el aprovechamiento del terreno puede no ser el mejor y la
construccin puede estar obsoleta, funcionalmente, perdiendo mercado por su
inadaptabilidad a la sociedad actual. Adems, algunas construcciones pueden tener
acabados excesivamente caros y no usuales, y el valor de la propiedad no ser
necesariamente aumentado en la misma proporcin de estos costos extras.
Igualmente, una vivienda proyectada para necesidades especficas de los ocupantes
puede tener pocos interesados (o tal vez no encontrar compradores), y el precio de
venta ser muy inferior al costo de produccin. En esos casos, el Factor de
Comercializacin puede ser menor a uno.
Ejemplo No2 Tasacin de una vivienda unifamiliar
Problema El inmueble tasable es una vivienda, construida en albailera con
acabado estndar, de 100 m2, 20 aos de uso, situada en un terreno de 400 m2.
Suponga que hay transacciones u ofertas de casas similares en el entorno, pero
existen algunas informaciones sobre terrenos vacos.
Solucin: Se utiliza el mtodo del Costo, que consiste en determinar el valor de la
construccin a travs de su costo de reedicin, agregndose el valor del terreno,
cuyo valor debe ser obtenido por el mtodo Comparativo. Suponga que el terreno
sea el que se tas en forma simplificada en el Ejemplo N 1, ya citado, por US$
30,00/m2. En la investigacin de datos pueden ser obtenidas informaciones sobre
transacciones y sobre el comportamiento del mercado en el vecindario.
Una inspeccin detallada permite identificar el estndar de acabado y el estado de
conservacin, atribuyndose una edad aparente e identificando el costo unitario
de la construccin. Digamos que el costo de construccin sea estimado en US$
600,00/m2. Incrementando 15% por los honorarios del proyecto y construccin,
ms 5% por tasas e impuestos (sobre el costo de construccin), y tambin 7,5%
38
referente a los gastos de venta (sobre el costo total), obtenindose el costo de un

inmueble nuevo. As, el costo de reproduccin es el siguiente:
Vn = 100m2 x [(US$ 600/m2 x 1,20) x 1,075] = US$ 77.400,00
La depreciacin puede ser calculada por la tcnica de la Lnea Recta. Si la edad
aparente, comprobada en la inspeccin, es de 25 aos, considerando una vida til
de 100 aos y el valor residual es nulo, la depreciacin calculada ser:
D = (Vd*E/U + Vr) / Vn = E/U = 25/100 = 0,25
Si el Factor de Comercializacin obtenido consultando el mercado es de 0,90 (90%
del costo de reproduccin), se calcula el valor de mercado del inmueble (VM) a
travs de la siguiente relacin;
VM = (VT+VB)*FC= [400m2xUS$30/m2 + US$77.400x(10,25)] x 0,90
VM = [US$ 12.000 + US$ 58.050] x 0,90 = 63.045,00
De esta manera, el valor del inmueble tasable puede ser estimado en US$
63.000,00.
Renta (Capitalizacin de los ingresos)

En este mtodo, el valor del inmueble es obtenido por la capitalizacin de su
renta real o prevista, a una tasa de inters consona con el mercado, representado por
el valor actual de los beneficios futuros. Es usado cuando el valor depende
esencialmente de la capacidad de generar ganancias, como en el caso de hoteles y
cines, y tambin para inmuebles rurales. Es usual estimar el rendimiento bruto y
deducir a ste, los costos de trabajo e intereses sobre el capital.48
Segn Weimer y Hoyt, se determina la renta y los costos de uso del inmueble
basados en informaciones del pasado, y la diferencia entre ellos se proyecta para la
vida til restante. Debido a la depreciacin de las construcciones, estos autores
recomiendan que se tase separadamente la renta de la tierra - no afectada por la
depreciacin y la renta de las construcciones. Afirman que slo se puede usar las
informaciones del pasado si existen razones para creer que la tendencia
comprobada se mantendr. Si se prevn modificaciones en las condiciones de
mercado, deben ser realizados ajustes en los valores. Los aspectos fundamentales
del mtodo son la escogencia de la tasa de descuento y la determinacin del periodo
de capitalizacin. Es importante recordar que las influencias de los cambios en la
ciudad no son previsibles. Por ejemplo, modificaciones en el Plan Rector, o el uso
de instrumentos como el suelo creado, pueden justificar la demolicin de un
edificio para un mejor aprovechamiento del terreno. Las fluctuaciones micro y
macro econmicas, internas o externas a la ciudad, complican mucho el anlisis.49
48
49
Daudt (1996), Fiker (1993), Moreira (1994) y Seeley (1976).

Abramo (1988), Balarine (1996), Franchi (1991), Weimer y Hoyt (1948).
39
El valor de mercado para la venta puede ser calculado capitalizando el valor

de mercado para la renta (alquiler, arrendamiento u otra forma) considerando una
tasa de descuento adecuada para el valor del inmueble. La frmula aplicada es la
del valor presente neto, que consiste en la ecuacin (3):
VM = RN * [(1+i)n 1)/ (i*(1+i)n]
(3)
Donde VM es el valor de mercado del inmueble, RN es la renta neta, i es la tasa

de inters y n es el perodo de capitalizacin (vida til econmica restante). Se debe
determinar la tasa de inters de una aplicacin sustitutiva, en trminos del valor
total y riesgo, obtenindose su valor neto (descontando inflacin e impuestos).
Una de las dificultades se refiere a la diferenciacin de los segmentos de
alquiler y venta para un mismo tipo de inmueble. Puede suceder un exceso de oferta
o de demanda en solo uno de ellos, generando variacin en los precios observados.
Por ejemplo, la situacin existente en Brasil antes del Plan Real era de falta de
oferta para inmuebles en alquiler, ocasionando una relacin entre alquiler y venta
superior al 1,2%. Actualmente, en muchas de las grandes ciudades brasileas, esta
relacin es de 0,7% o hasta mismo 0,5% para apartamentos y oficinas, debido al
exceso de ofertas en algunos segmentos. En este sentido, por ejemplo, Balarine
comprob que los alquileres residenciales variaron de 0,8% a 1,2% en Porto
Alegre, en un largo perodo de investigacin. As, el valor tpico de 1%,
frecuentemente citado, puede ser considerado razonable para una estimacin
sencilla, pero debe ser comparado con las condiciones locales.50
De cualquier manera, la renta a ser considerada debe ser neta, esto es, deben
ser descontados los egresos referidos a la administracin del contrato (as sea
realizada por el propio propietario, pues el tambin tiene gastos de cobranza),
impuesto sobre la renta, otros impuestos y tasas de su responsabilidad, perodo sin
recibir alquileres (y con pagos de tasas de condominio e impuestos para el
propietario), incumplimiento de contratos (prdidas no recuperables), etc.
Los perodos de no ocupacin tienden a ser mayores para inmuebles de mayor
valor, tomando en cuenta el alcance menor de mercado (menor cantidad de
potenciales inquilinos). Se observa que en los momentos de crisis, las personas
compran o alquilan inmuebles ms pequeos, por lo que hay una ocupacin de los
inmuebles medianos y pequeos, que reciben a los clientes que anteriormente
estaban en niveles superiores, y entonces, los segmentos superiores presentan
disminucin de la demanda.
Ejemplo N 3 Tasacin de un apartamento
Problema El inmueble tasable es un apartamento que tiene 15 aos de edad y un
buen estado de conservacin. Suponga que no existen datos de transacciones de
compra y venta, pero existen datos de alquileres de inmuebles similares, inclusive
50
Balarine (1996) Porto Alegre es la capital del estado de Rio Grande do Sul, ubicado en el sur de
Brasil.
40
el apartamento est alquilado por US$ 500,00, segn el antiguo contrato. Cul es
el valor de mercado de este inmueble?
Solucin El valor del alquiler del propio inmueble es una informacin importante,
pero debe ser analizado con cuidado, comprobndose el real valor de mercado.
Puede haber distorsiones en el contrato, que resultan del acuerdo entre las partes,
pero pueden no representar el normal comportamiento del mercado. Digamos que,
verificando el valor de diversos inmuebles similares, el tasador identific que el
alquiler ms adecuado era de US$ 600,00 (utilizando el mtodo comparativo).
Descontando el 10% de la tasa de administracin, 5% por perodo no alquilado, 5%
de impuestos, 1% por incumplimientos de contratos no recuperados y 4%, por
mantenimiento, esto es, 25%, el alquiler neto (AN) es de:
AN = US$ 600 x 0,75 = US$ 450,00
Para el inmueble tasable, el rendimiento neto que puede ser obtenido mediante
aplicaciones financieras, se aproxima al 0,8%, a.m. En este caso, se calcula el valor
de mercado en forma simplificada como:
VM = AN / i = US$ 450 / 0,008 = US$ 56.250,00
Sin embargo, como los inmuebles tienen durabilidad elevada, pero no son eternos,
un mejor resultado ser obtenido por la consideracin de la vida til econmica
restante. La vida til econmica para un inmueble como este puede ser estimada en
100 aos, se asume 85 aos para el inmueble tasable, resultando en n = 85 x 12 =
1.020 meses. Adems, deber ser considerado que el rendimiento es decreciente (un
inmueble ms viejo ofrecer menor rendimiento), alcanzando un alquiler = 0 en el
final del perodo.
Construyendo un flujo de caja con la tasa de descuento i=0,8% (adecuada al
volumen de recursos), el valor de mercado puede ser calculado fcilmente,
resultando US$ 49.753,52, esto es, el valor de mercado del apartamento puede ser
asumido como VM = US$ 50.000,00.
Involutivo (Desarrollos Hipotticos de Proyectos Urbansticos)

La tasacin de un lote de terreno o de una parcela puede ser realizada en
funcin de su aprovechamiento potencial. El mtodo involutivo o del Mximo
Aprovechamiento Potencial pretende identificar los mejores usos viables, legal y
econmicamente, en calidad y cantidad. Todos los tipos de usos posibles deben ser
investigados. El tasador realiza un anteproyecto del parcelamiento o de la
construccin, tomando en cuenta los usos permitidos por planos rectores y los usos
tradicionales y la demanda reciente en la regin. En este momento, es importante la
asesora de un profesional que trabaje habitualmente en el sector. El procedimiento
se aproxima bastante al anlisis de viabilidad. Definido el uso, el anlisis continua
con la ejecucin de presupuestos (ms o menos detallado, segn sea el caso),
investigacin de datos de mercado para bienes que deben ser producidos (parcelas o
unidades construidas), verificando la vialidad, los ingresos y egresos esperados
41
(alquileres, ganancias en la venta, tasas, costos de publicidad, corretaje y contratos,

etc.) y de la distribucin de los valores monetarios en el tiempo.
Si el inmueble tasable es un terreno urbano, se realiza un estudio para
desarrollarlo, considerando los gastos necesarios para producir el mejor
emprendimiento para el lugar, incluyendo todos los costos y el lucro del promotor.
El valor del terreno es la diferencia entre el precio de mercado de las unidades
construidas (tasado por comparacin con inmuebles similares) y el total de los
gastos.
Siendo un lote de terreno urbano (de gran rea), generalmente se comprueba la
alternativa de parcelamiento. Debe ser preparado un anteproyecto de parcelamiento,
obtenindose el nmero de parcelas, el tamao y estndar adecuados para la regin,
verificndose los gastos a ser realizados. Los precios de los terrenos en la regin
son determinados por comparacin de datos de mercado. El valor del lote es la
diferencia entre la cantidad de las ventas de estas parcelas y el costo para
obtenerlas. Es importante examinar la distribucin de los gastos e ingresos en el
tiempo, visto que generalmente los parcelamientos son negocios a largo plazo,
organizados en etapas.
Otros usos de este mtodo son la evaluacin de inmuebles no concluidos
(construcciones abandonadas) o de inmuebles viejos, que deben pasar por grandes
reformas para que recuperen usos econmicos factibles (casos de retrofit).
Ejemplo N 4 Tasacin de un terreno en una regin desarrollada.
Problema Suponga un terreno en un rea de desarrollo residencial, en el cual
pueden ser construidos 2.100 m2. No fueron registradas ventas recientes y no
existen otros terrenos en oferta en la regin. Cul es el valor de mercado de este
terreno?
Solucin El valor es determinado a travs de la comparacin de gastos e ingresos
para la construccin adecuada en el lugar. En un primer momento, se define el tipo
o las caractersticas de las unidades a ser producidas. Una revisin de los recientes
proyectos ejecutados en el entorno y el contacto con los proyectistas es til.
Digamos que seran 12 apartamentos de 3 habitaciones, de estndar medio, con dos
puestos de estacionamiento, con un total de 1.140 m2 de rea vendible, 360 m2 de
estacionamiento, y 600 m2 de reas comunes, incluyendo la sala de fiestas, fitness
center y otras amenidades.
Una investigacin del mercado local revela que el valor de mercado de estas
unidades sera de US$ 235 mil. Los costos deben ser estimados segn los
estndares de cada rea del edificio. Deben ser incluidos los costos de proyecto
(estimados en 5%), gerencia de la construccin (10%), lucros de la constructora y
de la promotora (10% y 40%), impuestos (10%), todos calculados sobre el costo
bsico de la obra (en este ejemplo, suman 75%) y an hay que considerar los gastos
por la venta, incluyendo el corretaje, contratos, marketing, tasas e impuestos
registrales (10% sobre el total de ventas), como se describe a continuacin. En una
42
forma simplificada, se puede calcular econmicamente sin considerar la

distribucin en el tiempo, como se describe a continuacin:
a) Valor de Venta Neto = (US$ 235.000,00 x 12) x 0,90 = US$ 2.538.000,00
b) Costo total = (1.140m2x700 US$/m2+360m2x350 US$/m2+600m2x500 US$/m2)
x 1,75 = US$ 2.142.000,00
c) Valor del terreno = US$ 2.538.000,00 US$ 2.142.000,00 = US$ 396.000,00
As, el terreno sera tasado en US$ 396.000,00, representando cerca del 14% del
precio final del desarrollo, lo que es razonable. Nuevamente, un valor ms definido
puede ser obtenido considerando un flujo de caja detallado, ubicando los ingresos y
egresos a lo largo del perodo del emprendimiento de acuerdo con las prcticas del
mercado. Tambin puede ser considerado el porcentaje del cambio del terreno por
el rea construida que se observa en el lugar.
Recoleccin de informaciones
La bsqueda de informaciones es fundamental para la tasacin de inmuebles,
principalmente, para los mtodos basados en la comparacin de precios. En otros
mtodos, no se habla de modelos de precios ni de variables, por esto, este
captulo se coloca despus de la presentacin de aquellos y antes de los
procedimientos que utilizan la comparacin de datos de mercado (homogeneizacin
e inferencia). Se exponen a continuacin las caractersticas de las fuentes de
informacin, la forma de obtencin de datos, la organizacin de los datos para el
anlisis (a travs de recoleccin y separacin de ellos en variables) y la
formacin de bancos de datos.
Fuentes de Informacin
A travs de la investigacin en peridicos e inmobiliarias pueden ser obtenidas
diversas informaciones, entre las cuales estn: valor del inmueble, nmero de
habitaciones, existencia de puestos de estacionamientos, Penthouse, dependencias
del servicio, salas o baos extras, localizacin y fecha. El procesamiento de estas
informaciones da como resultado diversas variables. Las fuentes de informacin
ms comunes son: los corredores inmobiliarios, las propias partes (comprador y
vendedor), clasificados de peridicos, oficinas de registro inmobiliario, agentes
financieros y las administraciones municipales.
En las ciudades pequeas es comn obtener informaciones de la poblacin
local, entrevistndolas en los puntos usuales de concentracin (plazas, bares,
iglesias, etc.). En estas ciudades, el mercado inmobiliario es reducido, y
generalmente, los detalles de las transacciones son conocidas por todos.
Agentes e intermediarios de las transacciones
En funcin de la fuerte competencia en el sector, los corredores y las
inmobiliarias tienden a restringir las informaciones. Antes de que suceda una
transaccin, es ms fcil obtener los datos que estn siendo divulgados por la
Internet. De todas maneras, se hace difcil descubrir el valor final, resultante de un
intenso proceso de negociaciones, y que puede efectivamente ser bastante inferior
al precio base de la oferta. Despus de la transaccin, la dificultad para obtener
los datos es mayor. Es interesante establecer algn tipo de sociedad profesional,
para hacer viable la creacin de una base de datos. Por otro lado, los propios
compradores y vendedores no tienen inters en divulgar el valor exacto y las
caractersticas del inmueble y de la transaccin, por varios motivos, entre ellos los
impuestos sobre los inmuebles (impuestos sobre la propiedad y sobre las ventas) y
sobre la renta.
44
Clasificados de peridicos
Para las transacciones de compra y venta, los anuncios en los peridicos
raramente contienen todos los datos sobre el inmueble, tales como: rea o edad.
Muchas veces, ni la direccin es suministrada, exigiendo mucho tiempo para
contactar a los vendedores. Adems de esto, los valores representan precios de
ofertas, que incluyen, como regla, un razonable margen de negociacin. En general,
los anuncios son ms completos para los alquileres y pueden ser aprovechados,
necesitndose solo la informacin sobre el valor final pactado. En perodos de baja
oferta de inmuebles para alquiler, la tendencia es la permanencia de los valores
publicados, mientras que en pocas de exceso de oferta, suceden variaciones
apreciables, derivadas de la negociacin.
Agentes financieros
Los agentes financieros, muchas veces con una baja participacin en el
nmero de transacciones y con un pblico representado por las clases econmicas
ms altas, pueden no representar una buena fuente de informacin, ya que no
atienden una parte del mercado. Adems de esto, el financiamiento para
transacciones de terrenos o inmuebles comerciales no es comn.
Alcaldas municipales
Existen diversos datos de inters que son recabados por las
administraciones municipales. Los registros de aprobacin de proyectos y las
inspecciones para la habitabilidad son indicativos tiles de la actividad
inmobiliaria, principalmente si estn organizados por regiones o urbanizaciones.
Los catastros del impuesto sobre la propiedad tambin son interesantes, aunque por
razones prcticas y polticas no se revisan constantemente. As, generalmente los
valores de los inmuebles estn desactualizados, y a veces hasta el catastro entero
est lejos de la realidad, adems de ello hay una cierta dificultad para acceder a la
informacin.
Por otro lado, el impuesto sobre las ventas es bastante interesante debido
al volumen de informaciones archivadas. Es cierto que una parte de las
transacciones evade la tributacin, como el mercado informal (especialmente de
baja renta) o los inmuebles financiados que cambian de poseedor sin cambiar
formalmente de propietario (para evitar la transferencia y consecuente
refinanciamiento). Pero an as, es la fuente de amplia cobertura, en alcance
temporal y espacial. La cuestin de la falsa declaracin puede ser resuelta con un
simple anlisis de outliers, que siempre es necesaria, cualquiera que sea la fuente de
datos.51
En el Brasil, las alcaldas municipales necesitan, por va legal, archivar
sus guas de declaracin del impuesto sobre las ventas. Si se obtiene el permiso
51
Los outliers son elementos anormales (valores muy grandes o muy pequeos) y distorsionan el anlisis.
Sern estudiados en detalle, ms adelante. El uso de datos del impuesto sobre las ventas en tasaciones,
principalmente en tasaciones masivas (para el impuesto sobre la propiedad) fue descrito en Gonzlez
(1996b).
45
para la investigacin, el costo de obtener informaciones de las guas del impuesto

es casi nulo, permitiendo adems la bsqueda de informaciones pretritas, de todos
los tipos de inmuebles, y en cantidad elevada. Sin embargo, el acceso a las
informaciones no es fcil, por causa del sigilo fiscal. En general, solo los
investigadores acadmicos o expertos judiciales tienen acceso a este tipo de datos.
En trabajos anteriores, ya fue sugerida la publicacin de las informaciones, para
hacerlas pblicas y transparentes.52 Reservndose las informaciones realmente
secretas, sera perfectamente posible esta divulgacin. En otros pases, como en los
Estados Unidos, es bastante comn encontrarse, condensadas en un volumen, todas
las ventas realizadas en la ciudad durante un ao, con la localizacin, las
caractersticas fsicas y el valor de los inmuebles. Inclusive es una forma de control
de la sociedad sobre los negocios realizados.
Registros inmobiliarios
El registro de la propiedad representa la transferencia efectiva,
concretando legalmente la venta. Deben ser incluidas todas las caractersticas del
inmueble, las cuales deben ser iguales a las de los archivos de la Alcalda. La nica
informacin sobre la cual existen dudas es el valor de la transaccin, que puede
estar por debajo de los niveles de mercado. En otras fuentes, tambin existe este
problema, sin embargo, en sentido contrario: los valores obtenidos tienden a ser
mayores que los de mercado, porque representan valores de oferta, que raramente
son los finales.
Sin embargo, el acceso a las informaciones es complejo. Adems del
costo y de la necesidad de un permiso especial para la consulta, la recoleccin de
datos es difcil, pues los ndices no son llevados por direccin o fecha y, en las
grandes ciudades, el rea urbana est dividida en regiones, cada una con un registro
responsable. Finalmente, la sistematizacin de la informacin es rara, generalmente
se almacena el documento total (digitalizado), sin claves de bsqueda tiles para
los propsitos de la investigacin.
Muestreo
En general, las tcnicas de muestreo tradicional no se aplican en el
mercado inmobiliario. No existen listas completas ni formas de enumerar todos los
elementos participantes en el universo del anlisis. Los muestreos por rea o zona
tampoco son del mayor inters, pues las tasaciones se enfocan en un lugar
especfico (o de la situacin del inmueble tasable). As, se busca la mayor cantidad
de elementos posibles, ubicados en la misma regin y con las mismas
caractersticas del tasable. Las muestras son siempre del tipo juzgadas, esto es, el
profesional escoge los datos, de acuerdo con sus criterios, buscando obtener la
mejor muestra posible, pero sin utilizar criterios rigurosamente cientficos. No hay
52
Gonzlez (1996b).
46
aleatoriedad o chance igual de seleccin para todos los elementos del universo, por
ejemplo.53
Inspeccin y obtencin de otros datos
La tasacin de un inmueble exige una muestra de elementos similares y
cercanos al tasable, y la inspeccin del lugar es importante, adems de los datos
sobre el inmueble en s.
Mltiples informaciones pueden ser obtenidas en inspecciones al lugar. La
tarea es difcil y exige conocimientos de construccin, para la calificacin de los
edificios. La rutina de inspeccin debe ser bien gerenciada, para evitar prdidas de
tiempo y recursos. La etapa de la investigacin de mercado debe cerrarse, una vez
obtenida la muestra definitiva de inmuebles, que luego sern inspeccionados.
Despus, el profesional debe elaborar una lista con las direcciones y un plan
de visitas, marcando en un mapa los inmuebles a ser inspeccionados. Juicios y
calificaciones deben ser efectuados dentro de criterios rgidos, evitando la divisin
del trabajo dentro de una muestra, pues los criterios de cada profesional son
evidentemente distintos, lo que causa errores en el anlisis.
Es importante definir las escalas de calificacin anticipadamente. Deben ser
establecidos los niveles y criterios objetivos enmarcados en cada nivel. Es
interesante realizar una prueba antes de la inspeccin, por ejemplo, con inmuebles
cercanos a la oficina del profesional. Las inspecciones deben ser realizadas en
horarios de poco movimiento, como los fines de semana o en las primeras horas de
la maana. El trabajo nocturno no es conveniente, por la falta de iluminacin
natural, que perjudica el anlisis en detalles de los inmuebles.
Otra forma de trabajo, que minimiza los problemas, es el uso de fotografas de
todos los elementos de la muestra. Efectivamente, mientras mayor es la muestra
ms importante es la eficiencia de las inspecciones. Pueden ser utilizados cmaras
digitales para captar mltiples vistas del inmueble y del entorno. Las fotografas
ofrecen un anlisis ms tranquilo y detallado del que se realiza en campo, y puede
ser obtenida por los asistentes. Es conveniente registrar la fachada del inmueble y
una panormica de la va donde se sita, para la evaluacin del vecindario. De
cualquier manera, el profesional que conoce bien la ciudad sabe calificar la regin,
sin necesidad de inspeccin, necesitando solamente detalles del edificio, tarea para
lo cual las fotografas son importantes.
Con la direccin completa del inmueble pueden ser buscadas, en los catastros
municipales, diversas informaciones sobre el terreno y la construccin, de gran
inters para el anlisis.54
53
Sobre muestreo ver Hansen et al. (1953), Raj (1972) y Sudman (1976).
Efectivamente, variables tpicas del catastro, como: rea, edad, tipo y calidad de construccin, son
elementos que generalmente aparecen en las ecuaciones de regresin.
54
47
Algunas de las caractersticas a ser observadas se presentan a continuacin,

como ejemplo. Muchas otras pueden ser recordadas y hasta asumen vital
importancia en casos especficos. Es importante verificar que la dificultad (y el
costo) de obtencin de cada una es distinta. En algunos casos, es necesario ir al
lugar. En otros, buscar informaciones en organismos pblicos, haciendo eventuales
pagos. Por otro lado, puede ser necesario solo un trabajo de oficina, como en la
comprobacin de las distancias o calificacin relativa de regiones.
Caractersticas del entorno
a) densidad actual del uso del suelo.
b) densidad prevista en el Plan Rector.
c) uso predominante en la manzana (residencial, comercial o industrial).
d) usos previstos o permitidos por el Plan Rector.
e) pavimentacin de las vas de acceso.
f) renta y escolaridad de la poblacin residente.
g) existencia de barrios o de sub-vivienda en el entorno.
h) nivel de ruido y de contaminacin ambiental.
i) noticias de nuevos emprendimientos, pblicos o privados.
j) nivel de actividad del mercado en la regin.
k) distancia al centro de la ciudad y a otros puntos de inters (medidas en
mapas o en tiempo de desplazamiento).
l) calidad general de la regin.
Caractersticas fsicas del inmueble
a) estndar de construccin (calidad).
b) edad aparente (estado de conservacin).
c) fachada: material, estado.
d) puertas y ventanas: material, estado.
e) piso: material, estado.
f) jardn: tipo, tamao.
g) retiro lateral y posicin en la manzana (medianero o esquina).
h) insolacin y ventilacin.
i) edificios: nmero de pisos, nmero de apartamentos, existencia de portn
elctrico, saln de fiestas, piscina, parque infantil y otros equipamientos,
cantidad de edificios iguales en la manzana.
j) apariencia general del edificio.
Datos de catastros municipales
a) rea del terreno.
b) reas vendible y total.
c) edad (edad fiscal desde el permiso de habitabilidad).
d) tipos y calidad de la construccin.
e) zona o referencia espacial.
48
Representacin numrica de las variables

Las medidas y observaciones realizadas permiten diferenciar los inmuebles
bajo diversos aspectos. Las informaciones obtenidas son transformadas en medidas
numricas, posibilitando la comparacin objetiva de los inmuebles a travs de las
tcnicas estadsticas, o tambin por la homogeneizacin por factores. Las
caractersticas en anlisis son representadas por variables numricas. No siempre
hay coincidencia y pueden cometerse errores en la medida o en la necesidad de
aproximaciones, cuando las caractersticas no pueden ser medidas directamente o
cuando existen tasaciones cualitativas.55
Las variables pueden ser identificadas y reunidas segn el tipo de informacin
a ser presentada. Los tipos bsicos son presentados en la Tabla 3 y descritos a
seguir:
Tabla 3 - Tipos de variables

Descripcin
Escala
Cuantitativa
nmeros reales
Cualitativa binaria (dummy)
0/1
Cualitativa de varios niveles
nmeros naturales
Cualitativa ndice
[0-10] , [0-100]
Cuantitativas
Las variables cuantitativas son aquellas medidas directamente de las
magnitudes en estudio, en una escala numrica conocida. Generalmente son
continuas, esto es, pueden asumir valores en cualquier punto de la escala numrica
o en parte de ella, como el caso del rea de la construccin o del terreno.
Cualitativas
Las variables cualitativas identifican las caractersticas que no son
medidas por una escala numrica definida o que se resumen a la existencia o no de
determinado atributo. Pueden ser limitadas a dos opciones (si/no) o poseer una
escala de niveles de calificacin. En la mayora de los casos son usadas variables
con escala numrica discreta, esto es, las diferencias entre clases son medidas en
intervalos de tamao fijo, normalmente representados por nmeros enteros.
Variables binarias (dummies)
Las variables binarias son usadas cuando un investigador desea incluir
una variable de escala nominal en una ecuacin de regresin. Los nmeros en una
escala de este tipo no tienen un orden convencional de valor, ni unidad de medida.
Estas variables tambin son llamadas dicotmicas, dummies o indicadoras. Poseen
apenas dos posibilidades: si/no, 0/1, y as sucesivamente. Se recomienda que la
55
Kmenta (1994), Johnston (1970), Maddala (1988) y Nie et al. (1975).
49
muestra presente varios casos de cada situacin (al menos 5 casos), para que los
coeficientes calculados sean relevantes.
Esas variables indican la presencia o ausencia de determinada
caracterstica. Un ejemplo, es el caso de la variable que identifica la existencia o no
del puesto de estacionamiento. La condicin implcita en la ecuacin es que los dos
grupos (con o sin la caracterstica) difieren solo en el trmino constante
(intercepto), pero no en la inclinacin de la lnea de regresin. Grficamente,
podran ser representados por dos lneas paralelas.56
Variables cualitativas de varios niveles
Existen varias caractersticas que son medidas directamente e
identificadas a travs de nmeros, pero cada parte de la escala es, en verdad, una
clase diferente. Normalmente son medidas a travs de variables discretas, aunque
no siempre haya informacin suficiente para concluir que los valores reales sean
separados por intervalos de igual tamao. Estas variables con ms de dos
situaciones pueden ser sustituidas por un grupo de variables binarias, siempre una
menos que la cantidad de situaciones, posibilitando medir el real distanciamiento de
las clases de calidad, ejemplo de ello, cuando se trata del nmero de habitaciones.
En este caso, tambin es interesante disminuir la cantidad de niveles, para reforzar
la calidad de los coeficientes calculados.
Por otro lado, cuando se mide el estado de conservacin se emplean este
tipo de variables, con puntuaciones provenientes del juicio del tasador, en cualquier
escala, tal como [0-10]. La calificacin del entorno (regin) tambin puede ser
hecha de esta forma.
Para facilitar la clasificacin, es interesante que se limiten las categoras,
a pocas opciones, a menos que el profesional tenga una gran experiencia y criterios
definidos. Por ejemplo, la clasificacin del estado de conservacin podra contener
tres opciones: (malo: 1; medio: 2; bueno: 3) o cinco (malo: 1; razonable: 2; medio:
3; bueno: 4; excelente: 5). La precisin aumenta, en la prctica, cuando disminuyen
los errores de clasificacin.
Nada impide que sean usados nmeros con decimales, sin embargo,
como provienen de observaciones subjetivas, se hace complejo establecer criterios
razonables para las mediciones. Es difcil, por ejemplo, diferenciar el estado de
conservacin de inmuebles en valores como 7; 7,3 6,8; en una escala de cero a
diez. Probablemente no existen diferencias significativas entre ellos. Es
conveniente limitar las clases a nmeros enteros o, como mximo, emplear un valor
intermedio (7; 7,5; 8). En este caso, tal vez sea ms conveniente emplear una escala
[0-20], manteniendo solo nmeros enteros.
Otro camino es tener objetividad en los juicios, estableciendo una lista de
elementos a ser verificados, cada uno ellos recibiendo una apreciacin simple. Por
56
Por esto las variables binarias pueden ser representadas por 0/1 y no deben sufrir transformaciones
matemticas que, efectivamente, son innecesarias. Ms adelante, en el captulo sobre inferencia
estadstica, en la seccin transformaciones de las variables se profundiza este asunto.
50
ejemplo, el estado de conservacin podr ser examinado parcialmente,

verificndose el estado de las puertas y ventanas, del piso, de la fachada en general,
de la entrada al edificio, etc. Cada tem recibe una puntuacin 0, 1 2 y la suma de
todos los tems ser la puntuacin del estado de conservacin.
Variables cualitativas basadas en ndices
Puede suceder que diversas informaciones sean compiladas en escalas
cualitativas con intervalos numricos diferentes. Como no existe un intervalo
definido, puede ser empleada una estandarizacin de los intervalos de variacin,
facilitando la comparacin de variables. De esta forma, los valores mnimo y
mximo de todos pueden ser los mismos nmeros, preferiblemente enteros, tales
como 0-10 0-100.
Por ejemplo, medidas de calidad del ambiente con puntuaciones de 1 a 5
pueden ser comparadas con medidas de calidad del vecindario, stas evaluadas de 3
a 15, reduciendo ambas a una misma escala, variando, tal vez, de 0 a 10. Por tanto,
basta realizar el siguiente clculo: [(medida mnimo original)*nuevo limite
mximo]/intervalo original. Esto es, para las variables enunciadas, cada medida
sera convertida por:
1) Ambiente = [(medida1)*10]/(51)
2) Vecindario = [(medida3)*10]/(153)
Banco de datos
Es extremadamente importante crear bancos de datos, con la recoleccin
constante de informaciones sobre el mercado inmobiliario. A travs del examen de
una cantidad de datos, el tasador podr extraer informaciones sobre tendencias de
valorizacin en determinadas partes de la ciudad u obtener tasaciones simplificadas,
necesarias en el inicio de la tasacin (hasta para definir los honorarios o el plazo de
ejecucin del trabajo). A travs de los bancos de datos pueden ser aplicados
procesos de descubrimiento de conocimiento, automatizando algunas tareas (ver
Gonzlez, 2002 Soibelman y Gonzlez, 2002). En la tasacin de inmuebles, es
importante contar con el apoyo de datos de una serie de 2 3 aos para identificar
en forma ms precisa los valores en un momento dado. En el anlisis de inversiones
inmobiliarias, esta informacin es fundamental para identificar el potencial futuro
de desarrollo.
Inferencia estadstica
La aplicacin de la estadstica inferencial en la tasacin de inmuebles permiti
el aumento de la precisin en las estimaciones. La tasacin utilizando inferencia
posee caractersticas cientficas, no encontradas en los mtodos anteriores, las
cuales emplean una gran dosis de subjetividad, aunque estn basados en tcnicas
reconocidas en el medio profesional. Hace algunos aos, el principal obstculo para
la difusin de la inferencia estadstica era la complejidad de los clculos exigidos
para la determinacin de las ecuaciones de regresin. Con el uso de computadoras
personales y de softwares estadsticos poderosos, ese tipo de anlisis se volvi
efectivamente accesible a los profesionales en ejercicio en el rea, dependiendo
solo de la comprensin de la teora estadstica. En este captulo, son repasados los
principales elementos de la teora, presentndose tambin algunos ejemplos.57
Modelos estadsticos
Un modelo es una representacin de la realidad, en general, contiene un cierto
grado de imperfeccin. Un fenmeno puede ser modelado para su mejor
comprensin o para permitir la estimacin de valores para nuevas situaciones. Por
ejemplo: un croquis, una maqueta y un conjunto de fotografas pueden representar
un edificio, cada uno con sus ventajas y limitaciones. El modelo puede ser
deliberadamente simplificado, para facilitar el entendimiento (como en las
ecuaciones de movimiento de la Fsica que estudiamos en educacin media) o
derivado de limitaciones de tiempo o de recursos financieros. En este caso, es
importante establecer los lmites aceptables para los errores.
Los modelos numricos asumen la forma de ecuaciones o funciones,
relacionando las variaciones de una variable respuesta (variable dependiente o
explicada) con las variaciones de aquellos elementos que son sealados como
causantes de esas variaciones (variables independientes o explicativas). En el
caso del mercado inmobiliario, los modelos que relacionan el precio de un
inmueble con sus caractersticas son conocidos como modelos de formacin de
precios o modelos de precios hednicos, siendo casos particulares de los
modelos economtricos en los cuales las ecuaciones son modelos microeconmicos.
La relacin existente entre dos variables X e Y puede ser definida como una
funcin entre ellas, tal como Y=f (X). Conociendo la funcin f, podemos calcular el
valor de Y para cualquier valor de X dentro del intervalo de validez de esta funcin.
Generalmente, la funcin f es determinada a partir de los datos recabados sobre el
57
Para este captulo, fueron consultados, en general: Belsley et al. (1980), Cuthbertson et al. (1992),
Daniel y Wood (1980), Draper y Smith (1966), Harnett y Murphy (1976), Intriligator (1990), Johnston
(1970), Kmenta (1994), Maddala (1988), Neter et al. (1990) y Nie et al. (1975).
52
fenmeno en estudio, los cuales representan la realidad (son evidencias de esta

realidad).
Si la ecuacin se adapta exactamente a las observaciones (y viceversa), para
todos los valores en el intervalo de inters, se trata de un modelo determinstico o
matemtico. Por ejemplo, si los puntos estuvieran alineados (perteneciendo a una
recta o curva), como en la Figura 2, la ecuacin exacta puede ser obtenida con solo
dos observaciones y cualquier otro punto puede ser calculado, dentro del intervalo
de validez del modelo. En este caso, no hay errores de prediccin, esto es, los
valores calculados por la ecuacin son iguales a los reales. Delante de un modelo
as, no se habla de nivel precisin, no hay necesidad de pruebas para examinar la
ecuacin, y naturalmente no hay ecuaciones alternativas.
Figura 2 Puntos de una Recta modelo

determinstico.
Sin embargo, los datos reales pueden estar sujetos a muchas influencias a un
mismo tiempo o puede tener partes aleatorias, exigiendo un modelo ms complejo o
que considere partes de error. En estas situaciones no existir ajuste perfecto. Por
ejemplo, en los grficos siguientes (Figuras 3 y 4) existen desviaciones, pero
tambin se puede aceptar una representacin en el plano a travs de una recta o de
una curva, dentro de determinada medida de error. La cuestin que surge es la de
obtener los coeficientes de la ecuacin, los cuales representan una solucin de
compromiso, respetando un criterio de ajuste pre-determinado, como se ver a
seguir.
Figura 3 - Puntos en una distribucin

aproximadamente lineal.
53
Figura 4 - Puntos en una distribucin

curva.
En otras palabras, a partir de los datos recabados, el modelo se obtiene a travs
del proceso de anlisis de regresin y el valor de mercado es estimado (inferido)
utilizando este modelo, segn es presentado esquemticamente en la Figura 5.
Figura 5 Esquema del proceso de

tasacin.
Estimacin de los modelos por anlisis de regresin

Los modelos estocsticos (estadsticos) aceptan la existencia de una parte de
error. El modelo ofrece una estimacin del valor medio para una situacin de
inters dada, y esta estimacin se entiende como el valor ms probable de la
variable respuesta. El error del modelo (residuo o desviacin) es la diferencia
entre la observacin de la realidad (obtenida por muestreo) y el valor calculado por
el modelo (inferencia o prediccin). En este caso, no existe una ecuacin nica para
representar los datos y se debe buscar la mejor ecuacin, con base en algn
criterio de seleccin. Normalmente se adopta la suma de los cuadrados de los
residuos como indicador de la precisin del modelo. Este criterio es conocido como
Mtodo de los Mnimos Cuadrados (MMC), u Ordinary Last Squares (OLS), en
lengua inglesa.
Despus de seleccionar un conjunto de datos que sea considerado como una
buena muestra del mercado en estudio, se deben identificar los modelos tericos de
relacin entre las variables (esto es, proponer una forma inicial para la funcin),
54
pasando luego a la estimacin de los coeficientes de la ecuacin (los precios ms

probables, como vimos). La variable explicada es el precio de venta o de alquiler.
Los modelos pueden tener una o ms variables explicativas, consideradas
importantes en la formacin del valor, siendo utilizados modelos de regresin
simple o mltiple, respectivamente. Luego, el modelo se somete a algunas pruebas
estadsticas y, si es aprobado, puede ser utilizado para la inferencia de los valores
de mercado de los inmuebles.
La regresin puede ser desarrollada a travs de varias tcnicas, esto es, pueden
ser utilizados varios mtodos de clculo de los coeficientes de las ecuaciones. El
proceso ms conocido y empleado es el MMC, pero los coeficientes de la ecuacin
tambin pueden ser calculados por la Mxima Verosimilitud, por Algoritmos
Genticos o a travs de Redes Neuronales asociadas con Reglas Difusas, entre
otros.58
Regresin simple
El anlisis del mercado puede indicar que una nica variable explica bien
las fluctuaciones de la variable en estudio. En este caso, puede ser empleada una
regresin simple. Geomtricamente, podemos imaginar un plano. Los puntos (casos
u observaciones del mercado) estn distribuidos de alguna forma, tal como en las
Figuras 3 y 4, ya vistas, y se busca una ecuacin que explique las variaciones de Y
(precio del inmueble) que suceden en funcin de las variaciones de X (rea, calidad
de construccin, distancia a un punto importante, etc.), con un nivel aceptable de
error.
El modelo ms simple a ser estimado es una recta, como se indica en la
ecuacin (6), donde 0 es el intercepto y 1 es la inclinacin de esta recta. La
variable independiente es X y la dependiente es Y. El trmino de error aleatorio es
y el sub - ndice i indica los elementos de la muestra.59
Yi= 0 + 1Xi + i
(6)
(i=1,2,...,n)
Estimacin de los parmetros de la regresin por el MMC
El Mtodo de los Mnimos Cuadrados (MMC) es un proceso de ajustes
que busca los coeficientes que minimizan la sumatoria de los cuadrados de los
residuos. Para ello, una de las condiciones es que la forma seleccionada para la
ecuacin sea adecuada, esto es, debe al menos acercarse a la forma real.
Si la forma seleccionada para la ecuacin a ser ajustada y la forma de
distribucin del error aleatorio son conocidas, cada conjunto posible de coeficientes
de la ecuacin tiene una probabilidad de ajustar el modelo a los datos. Existe
58
Las tcnicas de inteligencia artificial fueron examinadas y comparadas con la regresin convencional en
Gonzlez (2002).
59
Siendo n el total de datos de la muestra con i=1,2,.n. Para la simplificacin de las ecuaciones, las
sumatorias sern presentadas a seguir con el smbolo . Las sumatorias son siempre desde i=1 hasta i=n,
esto es, considerando todos los elementos de la muestra.
55
normalmente un conjunto de coeficientes que se adapta mejor, llamado conjunto de

mxima probabilidad. Cuando la distribucin de los residuos sigue la distribucin
Normal, las estimaciones de mxima probabilidad pueden ser encontradas por el
Mtodo de los Mnimos Cuadrados. En este caso, bajo algunas condiciones bsicas,
las estimaciones del MMC para los coeficientes de la ecuacin son las estimaciones
lineales insesgadas de mnima varianza (o best linear unbiased estimators - BLUE).
El ajuste de los coeficientes i toma en cuenta su influencia en el error
del ajuste, pues los residuos varan con cada conjunto i, como puede ser calculado
por la ecuacin (7). As los cuadrados de los errores son determinados en funcin
de estos coeficientes, generando la funcin Q, a ser minimizada (8).
i = Yi 0 1Xi
(7)
Q = f (0,1) = (i)2 = (Yi 0 1Xi)2
(8)
(i=1,2,...,n)
Para un determinado conjunto de datos (Xi,Yi), son innumerables los
conjuntos (0,1) que permiten ajustar ecuaciones razonables, pero existe un par
especial, que lleva al menor error posible. A travs del MMC, son buscados los
coeficientes que permiten obtener el menor valor para la sumatoria del cuadrado de
los residuos. Los coeficientes tambin podran ser encontrados por ensayo y error o
por procesos iterativos de optimizacin numrica, como Gauss-Newton, pero es
ms productivo determinarlos genricamente a travs del clculo diferencial.
Se sabe que una funcin alcanza sus extremos (mximos o mnimos)
cuando su derivada es nula. En este caso, solo hay mnimos, pues la funcin Q es
de valores positivos (cuadrados de los errores). Los valores muestrales (Xi,Yi) son
constantes, para una muestra dada. As, derivando Q en relacin a 0 y 1
(ecuaciones 9 y 10) y haciendo estas derivadas parciales iguales a cero, podemos
obtener estimaciones para estos coeficientes.
Q/0 = 2 [ Yi 0 1 Xi ]
(9)
Q/1 = 2 [(Yi 0 1 Xi ) Xi ]
(10)
Igualando a cero las derivadas parciales, para el caso particular del

mnimo de la funcin Q, son obtenidos b0 y b1, los cuales son denominados
Estimadores de Mnimos Cuadrados para los valores reales y desconocidos
(0,1). Transformando y substituyendo convenientemente los trminos, a travs de
relaciones como b0 = nb0 y b1Xi=b1Xi, son obtenidas las denominadas
Ecuaciones Normales (11 y 12):
Yi = nb0 + b1Xi
(11)
56
XiYi = b0Xi + b1Xi2
(12)
Y finalmente, se obtiene la inclinacin y el intercepto en (13) y (14). El

intercepto es calculado con los valores medios de X e Y (X y Y).
b1 = [nXiYi XiYi] / [nXi2 (Xi)2]
(13)
b0 = (Yi b1Xi)/n = Y b1X
(14)
Con esto, la ecuacin de la recta que representa los datos est

determinada. El ajuste puede ser medido o comprobado, a travs de diversas
pruebas, que sern estudiadas ms adelante. Por otro lado, segn el comportamiento
de los datos, pueden ser especificados modelos alternativos, con transformaciones
numricas sobre las variables en estudio. Otra modificacin es la inclusin de ms
variables, representando otras caractersticas, pues generalmente los modelos del
mercado inmobiliario involucran diversas variables, y la regresin simple no
permite explicar adecuadamente el comportamiento de los precios.
Transformaciones en las variables
Si la distribucin de los puntos no sigue una lnea recta, ni se aproxima, y
adems puede ser identificado una relacin entre la variable dependiente y la
independiente (como en la Figura 4), se puede obtener una relacin similar al de la
ecuacin (6) a travs de la transformacin de las variables. Son las llamadas
regresiones curvilneas. Se busca llevar el problema tambin al modelo lineal,
probando transformaciones en las variables dependiente e independiente.
En este caso, una variable Xj, que presenta un comportamiento no lineal,
se sustituye por otra variable, Xj, aproximadamente lineal, siendo que Xj=f(Xj).
Las transformaciones son aplicadas en las variables, y entonces, se busca
nuevamente el ajuste al modelo lineal.
La forma de transformacin adecuada (la funcin f a ser aplicada) puede
ser identificada grficamente. A travs de un grfico de la variable independiente y
con la dependiente en estudio, el patrn de distribucin indicar la curva a ser
utilizada. Veamos algunos ejemplos en la Figura 6, a seguir:
57
Figura 6 - Diferentes curvas y formas de las ecuaciones correspondientes 60

Naturalmente, las variables binarias quedan excluidas de este proceso, pues
no existe propiamente una curva de valores, slo dos situaciones distintas. En
este caso, la aplicacin de alguna transformacin matemtica solo modificara
proporcionalmente el coeficiente que multiplica la variable, sin afectar los dems
resultados del anlisis de regresin.61 As, se destaca, que es absolutamente
innecesario transformar variables de dos opciones. Ellas continan con dos
opciones, solo con la adaptacin del coeficiente correspondiente, sin modificar los
valores calculados por la ecuacin, ni las pruebas de hiptesis o coeficientes de
determinacin.
Regresin mltiple
Los modelos sobre el mercado inmobiliario raramente son de regresin
simple. Existen diversas variables importantes en la formacin de los valores de los
inmuebles. As se disponga de pocos datos e informaciones, el modelo
probablemente necesitar ms de una variable explicativa, forzando el uso de
regresiones mltiples.
A partir del modelo simple, es interesante ahora extender el concepto
para el caso de ms de una variable independiente. Si en la regresin simple, la
ecuacin representaba una recta o curva, en la regresin doble la ecuacin ser una
superficie. En la regresin con tres o ms variables independientes, hay un hiperplano o hiper-espacio. La representacin grfica es ms difcil, pero pueden ser
obtenidas curvas de nivel, fijando algunas variables (una curva para cada nivel de
las variables mantenidas constantes).
60
61
Ezekiel y Fox (1959), apud Arkin y Colton (1970, p.101).

Una demostracin emprica fue presentada en Gonzlez (1997a).
58
La regresin mltiple tambin est basada en el modelo lineal clsico. El

modelo de relacin entre la variable dependiente (Y) y las variables independientes
(Xj) tienen la forma siguiente (15):
Yi= 0 +1X1i +2X2i + ... +kXki + i
(i=1,2,...,n)
(15)
En este modelo, existen k variables independientes. El coeficiente 0 se

denomina intercepto (o constante) de la regresin y los dems coeficientes j
(j=1,...,k) de denominan inclinacin de la regresin (o coeficientes parciales de
regresin). Las variables incluidas se indican como Y y Xj, y es el trmino de
error de la ecuacin. Tambin se puede escribir este modelo como Y = f
(X1,X2,...,Xk) + , en la forma usada en el clculo diferencial, sumando los residuos.
El modelo es considerado lineal, aunque las variables hayan sufrido
transformaciones.
La deduccin de las frmulas de clculo de los coeficientes sigue la
misma lnea de razonamiento de la regresin simple, pero utilizando matrices. El
clculo de regresiones de mltiples variables a mano no es comn. Para fines
prcticos, debe ser empleado un software estadstico (de uso general) para los
clculos.
Regresin mltiple en notacin matricial
La regresin mltiple puede ser expuesta en notacin matricial. Este
abordaje exige una notacin especial. Los trminos en negrillas a seguir son
matrices. As, si existen k variables independientes y n observaciones, es la
representacin de un vector (k x 1), mientras que las variables independientes estn
en la matriz X, (n x k), y los valores de la variable independiente en el vector Y, (n
x 1). Los errores aleatorios se incluyen en , tambin un vector (n x 1) y la relacin
entre estos trminos es la siguiente (16):
Y= X +
(16)
Vase la similitud de la ecuacin (16) con la presentada en (6). Una

observacin importante es que la constante de la ecuacin (0) entra en este modelo
como si fuese multiplicada por una variable con valor igual a uno (X0=1), para la
simplificacin de la notacin.
59
El proceso de clculo es similar, obtenindose el vector b, que contiene

las estimaciones de , segn el Mtodo de los Mnimos Cuadrados. Las
Ecuaciones Normales se presentan en (17) y la solucin en (18):62
XXb = XY
(17)
b=(XX)1XY
(18)
En esta forma, X es la matriz transpuesta de X, y (XX)1 es la inversa

de (XX). Los valores estimados de la variable independiente (Yh) y las
estimaciones de los errores se obtienen por (19) y(20), respectivamente:
Yh = Xb
(19)
e = YYh = YXb
(20)
Esta seccin fue incluida solo para demostrar la notacin. El resto del
anlisis ser desarrollado con notacin simplificada, para una ms fcil
comprensin. Los interesados pueden encontrar detalles en diversas obras.63
Anlisis de precisin (ajuste) del modelo
Definidos los coeficientes, encontramos un modelo estadstico del fenmeno,
obtenido a travs de una muestra de la realidad en estudio. Es difcil juzgar la
muestra en s y si ella representa bien la realidad. El profesional necesita conocer el
mercado y juzgar subjetivamente este aspecto. Sin embargo, los parmetros del
modelo pueden ser verificados de varias maneras. Inicialmente son analizados los
aspectos que dependen de medidas objetivas y pruebas de hiptesis, que a
continuacin se repasan. Siendo el modelo aceptado preliminarmente, se inicia el
anlisis de los supuestos, basados especialmente en los residuos del modelo, los
cuales son examinados en la prxima seccin.
Coeficiente de determinacin (R2)
En la regresin mltiple, la medida relativa de la adecuacin del ajuste es
llamada coeficiente de determinacin mltiple y se designa por el smbolo (R2). Es
la relacin entre la variacin de la variable dependiente explicada por la ecuacin
de regresin y la variacin total de esta variable dependiente. As, un R2=0,75
significa que el 75% de las variaciones son explicadas por el modelo. El coeficiente
de determinacin es un nmero contenido en el intervalo [0,1], y se calcula por
(21):
variacin explicada
(Yhi Y)2
2
R = =
variacin total
(Yi Y)2
62
63
(21)
Recordando que contiene los valores reales, que son desconocidos, esto es, E(b)=.
Ver Amemiya (1989), Brownlee (1965), Draper y Smith (1966), Maddala (1988) y Neter et al. (1990).
60
Donde Y es el valor medio de los Yi contenidos en la muestra y Yhi es el

correspondiente valor estimado a travs de la ecuacin de regresin (Yhi=0 + 1X1i
+ 2X2i + ... + kXki), para el elemento i de la muestra. Algunos autores
recomiendan el uso del coeficiente de determinacin ajustado, que toma en
cuenta el nmero de variables explicativas en relacin al nmero de observaciones
(R2a). El propsito de esta medida es facilitar la comparacin entre diversos
modelos de regresin, cuando hay alteracin en el nmero de variables o en la
cantidad de datos, de un modelo a otro. Tal coeficiente es determinado de la
siguiente forma (22):
n1
R a = 1 ().(1R2)
nk1
2
(22)
Donde R2a es el coeficiente ajustado, R2 es el coeficiente de determinacin

normal, k es el nmero de regresores y n es el tamao de la muestra. El coeficiente
de determinacin es empleado como un indicador inicial de la precisin de las
regresiones, para la seleccin de los modelos ms ajustados. La mayora de los
softwares calcula los dos coeficientes. Como regla general, se espera que los
anlisis del mercado inmobiliario resulten con coeficientes de determinacin entre
0,666 y 0,999. Debajo de 0,666 hay un dbil poder de explicacin, y por encima de
0,999, pueden existir problemas estadsticos, debiendo el modelo ser examinado
con cuidado.
Coeficiente de correlacin (r)
El coeficiente de correlacin representa la relacin entre dos o ms
variables. Si existe relacin directa, es positivo. Si la relacin es inversa, ser
negativo. Existen varias frmulas para el clculo del coeficiente de correlacin. El
modo ms simple de obtenerlo es por la raz cuadrada del propio coeficiente de
2
determinacin (r= R ). Se acostumbra a clasificar el coeficiente de correlacin

segn su valor como se presenta en la Tabla 4:
Tabla 4 Niveles de correlacin

Valor
Correlacin
r=0
Nula
Dbil
0 < r 0,30
Media
0,30 < r 0,60
Fuerte
0,60 < r 0,90
Fortsima
0,90 < r < 1
Perfecta
r = 1
61
Anlisis de varianza prueba del modelo (F)

Existen varias pruebas para analizar los parmetros de un modelo de
regresin mltiple. La prueba usual es la del anlisis de varianza, en el cual se
compara la variacin explicada de la variable dependiente con su variacin no
explicada. Esa relacin tiene una distribucin F, con k y (nk1), grados de
libertad, siendo k el nmero de regresores y n el tamao de la muestra. Entonces, se
compara el parmetro calculado Fcalc con el valor tabulado F(1,k,nk1), adoptando
un determinando nivel de significancia, en general, =5%.64 Si Fcalc>Ftab, se
rechaza la hiptesis nula de no existencia de relacin lineal, esto es, no hay motivos
para no ser aceptada la ecuacin de regresin. Esta prueba es realizada calculando
el estadstico Fcalc por la frmula (23):
Fcalc = [(YhiY)2/k] / [(ei2)/(nk1)]
(i=1,2,...,n)
(23)
La hiptesis nula probada es la hiptesis de la no existencia del modelo

de regresin, equivalente a probar si el valor de todos los coeficientes es igual a
cero:
H0: b1= b2= ...= bk= 0 , si | Fcalc | F(1, k, nk1)
H1: al menos un bj 0 , si | Fcalc | > F(1, k, nk1)
La prueba de b1=b2=...=bk=0 verifica si existe relacin significativa entre
los Xj e Y, en la forma propuesta para el modelo. Si todos los coeficientes son
nulos, entonces no hay regresin con esta forma, y los valores son dados apenas por
la constante de la ecuacin (b0). Si al menos un coeficiente no es nulo, el modelo
puede ser aceptado (provisionalmente). Vea que la prueba verifica si los
coeficientes son significativamente diferentes de cero, a un dado nivel de
significancia , y no interesan los valores calculados para los coeficientes (bj). Por
otro lado, en la prctica es muy raro que un modelo sea rechazado por esta prueba,
visto que difcilmente el tasador propondr una regresin donde ninguna variable
explicativa tenga relevancia.
Prueba de las variables explicativas (t)
Para determinar la importancia de un coeficiente individual en el modelo
de regresin, se usa una prueba basada en el estadstico t de Student. El parmetro
estadstico (tcalc), calculado debe ser mayor que el tabulado, ttab(1/2; nk1), donde
es el nivel de significancia de la prueba, para dos colas, k es el nmero de
regresiones y n es el tamao de la muestra. En general, se considera =5% o 10%
para la prueba de dos colas.65 Si tcalc>ttab, se rechaza la hiptesis nula de no
importancia del parmetro. Para cada coeficiente bj, la prueba es realizada por el
estadstico de prueba t, calculado por la siguiente frmula (24):
64
65
En el Anexo II se presenta una tabla con los valores crticos de la distribucin F para =0,05.
En el Anexo II se presenta la distribucin t, para los niveles =0,05 y =0,10.
62
tj = bj / s(bj)
(24)
La desviacin estndar de cada coeficiente (s(bj)) es calculado por (25):

[n(Yibob1X1b2X2...bkXk)2/(nk1)]
0.5
s(bj)={}
[nXj2(Xj)2]
(25)
La hiptesis nula probada es de la no importancia del coeficiente, esto es,

si el valor del coeficiente es cero o no:
H0: bj = 0 , si | tj | t(1/2; nk1)
H1: bj 0 , si | tj | > t(1/2; nk1)
Probar si bj=0 significa verificar si existe relacin entre la variable Xj e
Y, esto es, si Y vara en funcin de la variacin de Xj. Si el coeficiente es nulo,
entonces la variacin de Xj no se refleja en la variacin de Y. Nuevamente, se
discute la influencia significativa de la variable Xj sobre Y, al nivel de error .
Regresin a travs del origen (prueba del intercepto)
Algunas veces puede ser estimada una relacin que incluya el origen,
esto es, cuando todas las variables independientes asumen el valor cero, la variable
dependiente tambin resulta nula. Para esto, se estipula un modelo sin el trmino
constante. Pueden ser empleados modelos de este tipo si las relaciones entre las
variables indican esta forma, o si hay transformaciones en estas. Este tipo de
modelo no puede ser adoptado sin un anlisis cuidadoso de los datos. Si los valores
de la muestra de las variables independientes son distantes de cero, forzar el ajuste
a travs del origen no es adecuado. Puede ser que la verdadera relacin sea
curvilnea, distancindose o aproximndose a cero apenas muy cerca del origen.
Despreciando los errores de redondeo, la suma de los errores en cualquier
modelo de regresin es cero, siempre que exista un trmino constante en la
ecuacin. La remocin del trmino puede generar el ajuste de un modelo sin que
haya garanta de que ese trmino sea nulo o que el modelo es adecuado a los datos.
En el mercado inmobiliario, diversas variables no pueden tener valor nulo, tal es el
caso del rea de construccin. Adems de eso, son innumerables las contribuciones
para el valor y algunas no pueden ser medidas, en funcin de los recursos
disponibles para la recoleccin de datos. As, normalmente hay necesidad de un
trmino constante.
En verdad, es ms fcil y seguro incluir la constante en el modelo
investigado y probar su importancia. La prueba de la relevancia de la constante es
realizada de la misma forma que para las variables independientes. El valor
calculado ser sometido a la prueba de hiptesis basada en el estadstico t, como las
63
variables explicativas. Si el valor es significativamente diferente de cero

(estadstico t de la prueba con valor por encima del mnimo), la hiptesis de
existencia de la constante es confirmada. Al contrario, si la significancia es alta
(digamos 25%) o si el propio valor de la constante es cercano a cero, entonces,
puede ser aceptada la hiptesis nula, retirndose la constante del modelo y
repitindose la estimacin de los coeficientes.
Intervalo de confianza
El valor medio estimado es el valor ms probable (valor de mercado),
pero tambin es conveniente considerar una franja de valores que pueden ser
aceptados dentro de determinados lmites de confianza. En el caso del mercado
inmobiliario, es importante recordar que existe una parte aleatoria que incluye, por
ejemplo, las necesidades particulares de los agentes que afectan sensiblemente los
precios y que difcilmente pueden ser medidas. Este intervalo de prediccin
alrededor del valor estimado Yh, es determinado con base en la distribucin t y en
la desviacin estndar estimada para Yh, (s(Yh)), como se demuestra en (26):
Yh t(1/2; nk1).s(Yh) Yh Yh+ t(1/2; nk1).s(Yh)
(26)
Condiciones para la validez del anlisis de regresin

Cuando un modelo de regresin es escogido en una investigacin, se debe
verificar que es adecuado para los propsitos a que se destina. Una o ms
caractersticas del modelo pueden no ajustarse a los datos de la muestra. Entonces
es importante investigar la aptitud del modelo, antes de cualquier anlisis en
profundidad de los resultados. Un examen inicial es realizado respecto al ajuste del
modelo (R2a), y luego a travs de las pruebas de varianza del modelo (F) y de las
variables explicativas (t) y de los errores del modelo (desviaciones con relacin a
los datos de la muestra). El propio anlisis de regresin se fundamenta en diversas
premisas. Si estas no se respetan, todo el proceso no ser validado.66
Supuestos bsicos de la regresin y otros requisitos
El modelo determinado no puede ser generalizado y aceptado en
cualquier situacin. Para que pueda ser empleado en la estimacin de valores, el
modelo debe cumplir algunas exigencias del anlisis de regresin. Estos requisitos
esenciales se denominan supuestos bsicos, pero hay otras condiciones importantes
vinculadas a los supuestos, las cuales tambin necesitan ser respetadas para que el
anlisis sea vlido, y las inferencias (estimaciones) puedan ser realizadas con la
ecuacin calculada.
Los principios a ser atendidos para la garanta de la validez de los
modelos, y las consecuencias de la violacin de estos supuestos, son los siguientes:
66
Esta seccin se bas en: Cuthbertson et al. (1992), Draper y Smith (1966), Harnett y Murphy (1976),
Johnston (1970), Kmenta (1994), Maddala (1988) y Neter et al. (1990).
64
a) El modelo es lineal en los parmetros: este supuesto se deriva de

la propia forma del modelo clsico (ecuacin 15) y la falla, por no-linealidad de la
funcin, genera tendencias en los residuos.
b) Las variables independientes estn representadas por valores
constantes: es necesario para garantizar la estabilidad de los coeficientes en la
repeticin de muestras de la misma poblacin. Adems de esto, si las variables
explicativas son aleatorias sucede una disminucin del poder de las pruebas de
hiptesis.
c) Los residuos tienen distribucin Normal: la suposicin de
normalidad de los residuos simplifica la teora de anlisis de regresin y es
necesaria para garantizar la validez de las pruebas de hiptesis y la estimacin de
intervalos de confianza. Pequeas fallas no son importantes, pues las pruebas de
hiptesis estn basadas en la distribucin t, que no es muy sensible a estas
desviaciones.
d) Los residuos tienen media nula: generalmente este supuesto es
garantizado para fijar convenientemente el trmino constante (b0), pero debe ser
verificado para evitar tendencias en los residuos.
e) Hay homocedasticidad de los residuos (la varianza es constante):
La heterocedasticidad trae como consecuencia que las estimaciones de los
parmetros de la regresin son ineficientes (esto es, la varianza no es mnima), las
estimaciones de la varianza son sesgadas y las pruebas de hiptesis (t, F) pueden
suministrar resultados incorrectos.
f) Los residuos son independientes entre s, esto es, no hay
autocorrelacin: existiendo correlacin entre los residuos, los estimadores de
mnimos cuadrados no son ya los mejores estimadores lineales insesgados (BLUE)
y las pruebas t y F indican conclusiones incorrectas.
g) No hay colinealidad entre cualesquiera de las variables
independientes: la perfecta correlacin entre dos o ms variables, esto es, una es
combinacin lineal de otra (s), implica la existencia de diversos modelos con un
mismo grado de ajuste, no siendo posible seleccionar uno de los modelos, lo que
impide la interpretacin sobre los coeficientes. En la prctica, es ms comn la
existencia de colinealidad en menor grado (|r|<1), lo que provoca alteracin en los
coeficientes de las variables afectadas, inclusive invirtiendo los signos.
El modelo debe tambin atender los siguientes requisitos, derivados de
los supuestos y de la forma de clculo de los coeficientes:67
h) No existen observaciones espurias: la existencia de elementos
claramente no adaptados al modelo (llamados outliers), genera distorsiones en los
coeficientes, cuando estos son calculados por el MMC, pues un error relativamente
grande tiene una sensible influencia en los coeficientes, disfrazando los resultados.
67
Neter et al. (1990).
65
i) Las variables importantes fueron incluidas: el modelo

especificado debe ser similar al real, y la falta de variables importantes genera
sesgo en los residuos, por la falta de explicacin del fenmeno (variacin de la
variable dependiente).
j) La muestra de datos es suficientemente grande: esto es, el nmero
de observaciones es mayor que el de los coeficientes a ser estimados. Este requisito
es necesario para que puedan ser realizados los clculos de los coeficientes (si el
nmero de casos y de los coeficientes es igual, se trata de un sistema de ecuaciones,
en los dominios de la Matemtica).
Comprobacin de fallas en las hiptesis bsicas
Las diferencias entre los valores observados para la variable dependiente
(muestra) y los inferidos por la ecuacin (calculados) se denominan errores,
desviaciones o residuos. Los errores pueden ser debidos a: deficiencias del modelo
o problemas del propio mercado. De un lado, el modelo puede incluir variables con
errores de medicin o no incluir todas las variables relevantes, pero, por otro lado,
los agentes que participan en el mercado tiene libertad para transaccionar con
precios que no correspondan al valor de mercado, por tanto, as sea una ecuacin
perfecta tendr errores, visto que la estimacin de la ecuacin es el valor de
mercado, y los valores recolectados son los precios observados. Sin embargo, la
ecuacin necesita alcanzar un buen desempeo para ser utilizada. Hay un conjunto
de criterios que deben ser atendidos, para que la ecuacin sea considerada apta, los
cuales se describen a continuacin.
Con respecto al modelo, los errores se deben a errores de medicin en las
variables, variables omitidas, forma incorrecta del modelo y otras variaciones. Si
hay una gran cantidad de influencias aleatorias o no controladas, los errores pueden
ser considerados aleatorios (siguiendo el Teorema del Lmite Central). El estudio
de los residuos es una de las ms importantes e informativas partes del anlisis de
regresin. Despus de determinados los coeficientes de la ecuacin, el anlisis de
los residuos pueden determinar si hay alguna particularidad en los datos, si la forma
del modelo est correcta, si fueron omitidas variables importantes y si las
condiciones en las cuales el modelo es vlido, son satisfechas.
Si el muestreo es representativo de la poblacin y el modelo es ajustado a los
datos, se encuentra la verdadera relacin entre las caractersticas de los inmuebles,
entonces, la desviacin entre los valores observados, y los obtenidos por el modelo,
ser nula. Mientras mayor es el ajuste, menores son los valores absolutos de los
residuos. Sin embargo, normalmente suceden errores de medicin o de
especificacin del modelo (por falta de conocimientos de la relacin entre las
variables). En la prctica, las imprecisiones por varias fuentes son reflejadas en el
trmino de error. Para el anlisis en las formas grficas o no, normalmente se
66
trabaja con los residuos en forma estandarizada, ep (27). En esta frmula, ei son los
residuos calculados y s(e) es la desviacin estndar de los residuos (27):68
ep = ei/s(e)
(27)
0,5
Donde s(e) = [ (ei2) / (nk1) ]

Falta de linealidad
En caso de no haber indicios tericos de la forma de la relacin de las

variables, el anlisis de una funcin lineal de regresin para verificar si ella es
apropiada para los datos o no, puede ser realizado a travs de grficos de residuos
contra las variables dependientes o independientes del modelo. Si hay una forma
definida, con tendencias al crecimiento o curvaturas, puede ser que el modelo lineal
no sea el ms adecuado, y se debe intentar el ajuste de funciones lineales o
linealizar, a travs de transformaciones en las variables, tales como: logaritmos,
inversas o potencias (ver Figura 6).
Variables independientes aleatorias
No siempre es posible asegurar que las variaciones de las variables
independientes sean plenamente determinsticas. Pueden tener una parte aleatoria.
Por ejemplo, las medidas de las edades de los inmuebles son basadas en el ao de la
habitabilidad. Sin embargo, existen diversos factores aleatorios que afectan la fecha
de la inspeccin, como la distribucin de los fiscales por sectores. Hay diferencias
de productividad, y la sobrecarga de trabajo de un sector podr atrasar las
inspecciones. Los responsables por la construccin o venta pueden tambin atrasar
la solicitud de la inspeccin, por motivos relacionados con el financiamiento de los
inmuebles. Adems de esto, la escala numrica es discreta. Inspecciones realizadas
en diciembre y enero estn en verdad desfasadas en un mes, pero sern catastradas
en aos distintos.
La formacin del rea total est sujeta a las variaciones de las leyes de
construccin y zonificacin, de las carencias del mercado, de las innovaciones
introducidas por los promotores y otras. As, dos inmuebles de zafras diferentes,
con la misma rea, tienen efectivamente reas tiles distintas, lo que es precedido
y valorado por el comprador (sensible a las medidas cualitativas del espacio
interior) pero no puede ser captado por el tasador, que generalmente no tiene
acceso al interior de los inmuebles del muestreo. As inspeccione la muestra, los
criterios de diferenciacin seran necesariamente complejos.
De modo que la condicin de independencia podr ser afectada. En ese
sentido, para fines prcticos, en el grado de precisin adoptado en el mercado
inmobiliario, no hay mayores problemas si se aceptan pequeas influencias
aleatorias. No obstante, el tasador debe comprobar los datos, decidiendo si se aleja
de las consideraciones o no. Recordando que estas variables deben ser
68
Se usa ei para representar los errores del modelo, pues formalmente, los errores i son tericos, y seran
resultantes de la consideracin de los verdaderos coeficientes (0,1), segn Neter et al.(1990).
67
determinsticas, el anlisis de distribucin de ellas no debe seguir la curva Normal,

ni cualquier otra.
Falta de normalidad de los residuos
La condicin de normalidad de los residuos no es necesaria para la
obtencin de los estimadores de mnimos cuadrados, pero si para la definicin de
intervalos de confianza y pruebas de significancia. Eso es, cuando no exista
normalidad, los estimadores son insesgados, pero las pruebas no tienen validez,
principalmente en pequeas muestras.
Pequeas fugas de normalidad no causan grandes problemas. La
investigacin puede ser hecha a travs de un grfico de frecuencia acumulada de los
residuos estandarizados (ecuacin 27), comparndolo con el grfico de la curva
normal. Por las propiedades de la Normal, 68% de los residuos deben estar en el
intervalo (1;1), 90% en el intervalo (-1,64;1,64) y 95% en el intervalo (-1,96;1,96).
Entonces, si los residuos se encuentran dentro de estos lmites,
aproximadamente, se puede decir que la normalidad est garantizada. Si la muestra
es pequea, se pueden usar los valores correspondientes de la distribucin t. Otra
forma de probar la normalidad es a travs de pruebas numricas como Chicuadrado o Kolmogorov - Smirnov. El anlisis de la no normalidad de los residuos
es ms difcil que la de otras fallas en las condiciones necesarias. Diversas
violaciones en las condiciones bsicas pueden causar problemas en la distribucin
de los errores, como varianza no constante o seleccin de un modelo incorrecto
para la regresin. El anlisis de normalidad debe ser realizado despus de analizar
otras propiedades. Si se constata la no normalidad, se puede intentar la
transformacin de datos, a travs de logaritmos o raz cuadrada, por ejemplo.
Heterocedasticidad
Una de las condiciones ms importantes del modelo de regresin lineal es
que los errores deben tener varianza constante. Esta condicin se denomina
homocedasticidad. Cuando las perturbaciones son oscilantes, los errores se
denominados heterocedsticos.
El problema es ms frecuente en muestreos del tipo cross-sections
(recortes: observaciones recolectadas en un breve perodo en el tiempo) que en las
series temporales. La condicin de varianza constante elimina, por ejemplo, la
posibilidad de que la distribucin de las perturbaciones crezca o disminuya directa
o indirectamente con la variable dependiente.
Las consecuencias de la heterocedasticidad son que las estimaciones de
los parmetros de regresin son insesgadas pero son ineficientes y las estimaciones
de las varianzas son sesgadas. En definitiva, las pruebas t y F tienden a presentar
resultados incorrectos.
Existen varias pruebas estadsticas para detectar la heterocedasticidad. Una
forma es a travs de grficos de dispersin de residuos. El grfico de los errores
68
contra los valores ajustados por la ecuacin es un medio adecuado para estudiar la
confianza de la varianza de los errores principalmente cuando se trata de regresin
mltiple o cuando sta no es lineal. Se puede encontrar figuras de forma
trapezoidal, con varianza creciendo o direccionando con los valores ajustados, o en
otra forma de relacin. Si las lneas de frontera del grfico de los residuos son
aproximadamente paralelas, la varianza es constante. La figura 7, que a
continuacin se presenta, ayuda el entendimiento de estos casos.
(a) Varianza
creciente
(b) Varianza
inconstante
(c) Varianza
constante
Figura 7 - Identificacin de heterocedasticidad a travs de grficos de residuos 69

Las dos soluciones ms comunes para la heterocedasticidad son la
transformacin de las variables (generalmente transformaciones logartmicas) y la
reduccin de las variables por alguna medida de varianza (este proceso no puede
ser empleado en ecuaciones que tengan el inverso de la varianza del error (1/s(e)2).
Esta forma de regresin es denominada regresin ponderada. An existiendo
diversos mtodos, la dificultad est en encontrar uno de ellos adecuado para
determinar los pesos.
Autocorrelacin
Cuando los trminos de errores estn correlacionados con los valores
anteriores o posteriores en la misma serie, existe autocorrelacin o correlacin
serial. Una de las fuentes de autocorrelacin es la mala especificacin del modelo o
la exclusin de variables independientes importantes para el anlisis. Esto sucede
principalmente en aplicaciones que involucran series temporales. Si la
autocorrelacin sucede por omisin de variables importantes, ellas mismas
correlacionadas serialmente, puede suceder tambin autocorrelacin en
observaciones cross-section.
En presencia de autocorrelacin, los estimadores ordinarios de mnimos
cuadrados ya no son los mejores estimadores lineales insesgados (las varianzas
mustrales de los coeficientes estimados para la ecuacin sern excesivamente
grandes, esas varianzas sern subestimadas, las frmulas perdern la validez y sern
obtenidas predicciones ineficientes). En este caso existirn otros mtodos que
producen menor varianza muestral en los estimadores.
69
Harnett y Murphy (1976, p.465).
69
Adems de eso, en presencia de correlacin serial, las pruebas de

significancia (t y F) y de construccin de intervalos de confianza de los coeficientes
de la regresin, tambin dan conclusiones incorrectas, esto es, las regiones de
aceptacin y los intervalos de confianza pueden ser ms anchos o ms estrechos
que los calculados, dependiendo si la tendencia es positiva o negativa.
Se puede detectar la autocorrelacin a travs de grficos de los residuos
contra los valores de la variable dependiente. Si los residuos parecen seguir un
patrn hay autocorrelacin. En la figura 8, son presentadas las situaciones tpicas,
cuando son confrontados los residuos contra sus antecesores, esto es, utilizado et x
et-1.
(a) Autocorrelacin
Positiva.
(b) Autocorrelacin
Negativa.
(c) No Autocorrelacin
Figura 8 - Identificacin de autocorrelacin a travs de grficos de residuos 70

Si los datos son obtenidos en una secuencia de tiempo, es interesante
construir un grfico de los residuos contra el tiempo, asi ste no haya sido
explcitamente incluido en el modelo. De esta forma, se verifica si hay relacin
entre los errores en el tiempo. Existiendo esta relacin, se puede interpretar como
un caso de una variable omitida (tiempo). Cuando los trminos de error son
independientes, se pueden esperar residuos fluctuando alrededor de cero. Si aparece
una alternancia excesiva de residuos positivos y negativos, o pocas alteraciones,
pueden existir problemas de falta de aleatoriedad.
La autocorrelacin es un problema estadstico serio, que exige la
verificacin y anlisis detallados, aunque es difcil que ocurra en el mercado
inmobiliario, porque no existe serie, esto, es, los datos no estn ordenados. Si,
eventualmente se detecta la autocorrelacin de datos, el problema puede ser
resuelto con un sencillo ordenamiento de los datos (lo que no puede ser realizado
en el caso de series temporales).
Para comprobar la existencia de autocorrelacin, la prueba no grfica ms
conocida es la de Durbin-Watson. Se calcula el estadstico D, comparndose con
los lmites tabulados inferior (dL) y superior (dU). Si D<dL se acepta la hiptesis de
autocorrelacin positiva. Si D>dU, se rechaza esta hiptesis. Si dLDdU, la prueba
no es concluyente. Para autocorrelacin negativa, la prueba es usada comparando
dL y dU con 4-D, en la misma forma (28).
70
Harnett y Murphy (1976, p.467).
70
D = (ei ei1)2 / (ei2)
(28)
El esquema general del resultado de la prueba est presentado en la

Figura 9, que se muestra ms adelante. Sin embargo, las tablas de valores dL y dU
fueron determinadas para cinco (05) variables explicativas y cien (100) elementos,
y no alcanzan los valores necesarios, en algunos casos, impidiendo la utilizacin de
esta prueba en grandes muestras.71
f(d)
Regin
No conclusiva
Regin
No conclusiva
No autocorrelacin
dL
Autocorrelacin
Positiva
dU
(4 dU)
Autocorrelacin
Negativa
(4 dL)
Figura 9 - Representacin de los intervalos de la prueba de Durbin-Watson .72
Multicolinealidad
Formalmente, dos o ms variables son colineales si uno de los vectores es
una combinacin lineal de los otros, esto es, los vectores que ellas representan estn
sobre la misma lnea. En la prctica, la correlacin perfecta raramente sucede.
Entonces, se consideran colineales dos o ms variables que presentan
aproximadamente la misma informacin (el ngulo entre los vectores es pequeo).
El caso normal es el intermedio, con cuidados necesarios cuando la correlacin es
alta. Uno de los problemas es definir el nivel de relacin que debe ser considerado
alto.73
La multicolinealidad tiene serios efectos sobre los valores de los
coeficientes de regresin, y puede causar hasta el cambio de signo en relacin a los
que se obtendran en ausencia de este problema. Cuando una variable es una
combinacin de otras, no existirn coeficientes nicos. Si hay una alta correlacin
71
Las tablas de valores para el estadstico DW pueden ser encontradas en varios libros del rea, tal como
en Neter et al. (1990, p.1140-1141).
72
Kmenta (1994, p.296).
73
Especialmente sobre multicolinealidad fueron consultados: Belsley et al. (1980), Harnett y Murphy
(1976), Johnston (1970), Maddala (1988), Neter et al. (1990) y Nie et al. (1975).
71
(|r| entre 0,8 y 1), los coeficientes de regresin estimados tienden a ser imprecisos y
las estimaciones de los coeficientes varan bastante de una muestra a otra. As, en
presencia de colinealidad, los coeficientes no son confiables, imposibilitando el uso
de los modelos para el anlisis del mercado o estimacin de valores. Otro efecto de
la colinealidad es que dificulta obtener interpretaciones sobre el efecto aislado de
cada una de las variables. El ejemplo anterior, el de la variacin de las reas
tiles en el tiempo, es una forma de correlacin entre rea y Edad.
Cuando sucede la colinealidad, las estimaciones de los mnimos
cuadrados son insesgadas y eficientes, sin embargo, el error estndar de los
coeficientes tiende a ser grande, y la prueba basada en el estadstico t de Student
calcular con una significancia menor que la real. De esta forma, la colinelidad
interfiere en los procesos de seleccin de variables del tipo stepwise, forzando la
inclusin o exclusin de variables. El orden en que las variables son examinadas se
hace importante.
En los casos de correlacin alta, una de las alternativas es la remocin de
la variable ms afectada. Eso puede introducir sesgos, siendo ms adecuado
sustituir esta variable por otra menos colineal pero que tenga aproximadamente la
misma construccin terica. Sin embargo, no siempre la remocin o sustitucin de
la variable afectada es la solucin. Cuando se trabaja con prediccin de valores y
existen indicios de que la colinealidad encontrada continuar en el futuro, el
modelo podr presentar buenos resultados. El uso combinado de series temporales
y cross-sections permite paliar los maleficios de la colinealidad. Una de las
alternativas es el uso del anlisis factorial, para identificar o bien sustituir las
variables colineales por factores (que no son colineales).74
La colinealidad no es un problema estadstico y si de los datos
recolectados. La colinealidad puede ser controlada si los datos provienen de
experimentos. Sin embargo, cuando son no experimentales, como es el caso de
los anlisis sobre el mercado inmobiliario, ese problema gana importancia. Altas
correlaciones entre variables independientes son frecuentes en estudios del campo
de la Economa.
Presencia de elementos espurios (outliers)
Un outlier es una observacin que tiene un comportamiento muy
diferente del resto de las observaciones. El trmino puede identificar informaciones
sorprendentes o discordantes. Se puede decir que son observaciones sospechosas.
Este concepto es relativo y los lmites pueden ser ms o menos rgidos,
dependiendo en parte de las necesidades de la investigacin.75
Los outliers pueden tener varios orgenes, tales como: errores de lectura,
registro, transcripcin y clculo, los cuales pueden ser corregidos fcilmente
cuando son detectados, con la nueva recoleccin, sustitucin o exclusin. Sin
embargo, puede ser tambin de naturaleza aleatoria. En este caso, la observacin
74
Harmann (1976).
Sobre outliers, fueron consultados: Belsley et al. (1980), Barnett y Lewis (1984), Daniel y Wood
(1980), Draper y Smith (1966), Maddala (1988) y Neter et al. (1990).
75
72
sospechosa puede ser debida a la variabilidad inherente a los datos, errores de

medicin (por mtodos inadecuados) o errores de proyecto y ejecucin de la
investigacin (por ejemplo, con la seleccin de datos con sesgos, por falta de
conocimiento de la poblacin).
Son observaciones extremas, que crean dificultades en el anlisis,
principalmente en el uso del Mtodo de las Mnimos Cuadrados, que busca el ajuste
de todos los puntos observados. Un punto extremo afecta los coeficientes de
regresin, disfrazando los resultados. Necesariamente no representan una mala
observacin ms, por el contrario, deben ser examinadas cuidadosamente para
verificar la razn de la disparidad. No se recomienda su remocin automtica, pues
el dato puede ser til para explicar combinaciones circunstanciales o no usuales. La
remocin debe ser hecha si se encuentra un error de medicin o de especificacin u
otra causa identificable y no corregible.
Una tcnica para tratar la aparicin de outliers es la exclusin de datos
extraos, estructurando una nueva regresin y comparando esta ltima con la
anterior. Entonces, se calculan los residuos de los puntos removidos con la nueva
ecuacin. Observaciones que generan grandes variaciones en los parmetros
estimados tambin pueden ser consideradas perjudiciales al modelo. Si un punto
sospechoso es rechazado, se debe verificar si existen condiciones particulares o
algn error de medicin en la observacin.
Otra forma de enfrentar esta situacin es la de mantener los outliers y
usar mtodos robustos de estimacin, que atiendan la adecuacin de los valores,
emplendose pruebas para evitar las distorsiones causadas por los valores extremos
de estas observaciones. Tambin se pueden interpretar los outliers como seales de
la necesidad de un anlisis de alguna caracterstica no considerada o de un modelo
ms adecuado. Para la decisin sobre cul camino seguir, se deben realizar pruebas
estadsticas que permitan detectar los outliers, indicando si son observaciones
normales o no, tales procedimientos son denominadas pruebas de discordancia. La
mayora de estas pruebas estn basadas en los residuos del modelo ajustado.
Si el modelo est correcto, se pueden emplear los residuos estandarizados
(26), para verificar la existencia de outliers. Como el 95% de la distribucin
Normal est contenida en el intervalo (-1,96 ; 1,96), se puede esperar que
aproximadamente el 95% de las cantidades ei/s(e) estn dentro de estos lmites
(generalmente se aproxima a 2 desviaciones estndar). Las observaciones que
estn fuera de este lmite deben ser analizadas, verificndose la existencia de
errores de medicin o transcripcin, adecuacin del inmueble al mercado y
existencia de otros factores no considerados.
Entonces, la idea bsica es que, en presencia de observaciones extraas o
exageradas, la exclusin no debe ser la primera alternativa. Al contrario se deben
buscar explicaciones para tal valor, mantenindolas si no existen indicios de errores
incorregibles. As, los outliers pueden ser interpretados como indicios de fallas en
la recoleccin, anlisis o explicacin de los datos y no de los propios datos.
73
Variables omitidas
El grfico de residuos contra las variables que no participan en el modelo
ajustado puede revelar efectos importantes. Si existe un patrn de variacin
sistemtica de los residuos, posiblemente es causado por la variable no incluida en
el modelo. La solucin es la inclusin de la variable en el modelo. Si una variable
no se emplea por la imposibilidad de medicin, se deben usar otras variables, que
puedan simular los efectos de la verdadera. Esas variables sustitutas son conocidas
como variables proxy. Hay diversos ejemplos del uso de variables de este tipo,
como es el caso de la distancia de los inmuebles al centro de la ciudad, que es una
medida aproximada de la accesibilidad.
Anlisis de grficos estadsticos
La parte fundamental del anlisis estadstico de regresin mltiple es el
anlisis del comportamiento de las variables y de los errores, realizado a travs de
los grficos, especialmente en las cuestiones de normalidad de los residuos,
presencia de outliers y omisin de variables importantes. A continuacin, se
presenta un conjunto de grficos tpicos, para evidenciar estos anlisis. Casi todos
los grficos pueden ser usados para detectar outliers, solo se debe verificar en ellos,
los puntos con comportamiento distinto, aislados o alejados de los dems.
Naturalmente, deben ser minora. Una vez detectados, se continua con el anlisis de
los motivos (por ejemplo, errores de tipeo o recoleccin).
Residuos x valores estimados
Resduos
Despus del ajuste de los modelos estadsticos, se realiza la estimacin de

valores para los inmuebles de la muestra, comparndose los valores obtenidos con
los reales. Los residuos (diferencia entre ellos) son ploteados contra los valores
estimados, verificndose si la dispersin es aleatoria o si existen tendencias. Los
grficos presentados a seguir demuestran estas situaciones. En el primer grfico
(Figura 10), los residuos (en el eje Y) presentan un buen comportamiento
aprobndose el modelo. No se observan tendencias. En el segundo (Figura 11),
existen claras tendencias con errores creciendo en valor absoluto cuando aumenta
el valor total de los inmuebles (en el eje X). Los grficos provienen, de modelos
logartmicos. Por lo tanto, en el segundo grfico, los inmuebles por encima de US$
100.000 no estn bien calculados por el modelo y este debe ser rechazado.
Figura 10 - Residuos x Valores

Estimados.
Resduos
74
Figura 11 - Residuos x Valores

Estimados.
Valores observados x valores estimados
Valores Originais (Observados)
Otra comparacin que debe ser realizada es la de los valores calculados

por la ecuacin contra los valores observados (o de la investigacin). La mayora de
los softwares presenta estos datos en un grfico con una lnea diagonal, que
representa la posicin donde los observados y estimados son iguales. Es la
situacin ideal. Buscamos modelos cuyas previsiones se aproximan al mximo a los
valores reales. Cuanto ms puntos del grfico coinciden con la recta, es mejor. El
grfico a seguir (Figura 12) presenta puntos con algunas tendencias en los mayores
valores. Los valores estimados (X) son superiores a los reales (Y), causando errores
negativos (este grfico se refiere al mismo modelo utilizado para el grfico antes
citado). Nuevamente, la conclusin es que el modelo debe ser rechazado.
Figura 12 - Valores Observados x

Estimados.
Normalidad
La forma ms simple de observar la normalidad de los residuos es a
travs de grficos. Generalmente, los softwares estadsticos presentan grficos de
residuos (X) contra valores esperados (Y). Hay una recta de referencia,
representando la curva Normal. En cuanto los residuos ms se aproximen a una
recta, coincidente con la de referencia, mayor es la confianza de que se puede tener
Normalidad. Los grficos a seguir son ejemplos tpicos y muestran dos situaciones
antagnicas. En el primero (Figura 13), se acepta la hiptesis de Normalidad. En el
segundo (Figura 14), esta debe ser rechazada.
75
Valor Normal esperado
Valor Normal Esperado
Figura 13 - Residuos x Normalidad
Figura 14 - Residuos x Normalidad

Variables omitidas
La hiptesis de omisin de variables importantes puede ser verificada
fcilmente, si la variable fue medida y est disponible. Si una variable es
importante, su participacin o no condiciona los residuos. As, al no ser incluida
una variable, dos situaciones pueden ocurrir:
a) Ella es importante para la formacin de los precios, reflejndose
en los errores, que presentan un crecimiento o decrecimiento simultneo (siguiendo
a la variable).
b) La variable no es importante, y los errores no estn relacionados
con su variacin.
Para decidir sobre la inclusin de una variable, se deben ajustar dos
modelos, con y sin la variable. El ejemplo a seguir presenta modelos ajustados con
los mismos datos, y con las mismas variables y formas, excepto por la inclusin o
exclusin de la variable rea, que representa el rea construida del inmueble. En el
primer caso (Figura 15), sin incluir la variable, los errores siguen el crecimiento del
rea, indicando su ausencia. En el segundo caso (Figura 16), con la participacin de
la variable, se percibe que los errores (X) estn bien distribuidos en el espectro de
datos.
rea (m2)
76
rea (m2)
Figura 15 - Residuos x rea (excluida)
Figura 16 - Residuos x rea (incluida)
Comportamiento de las variables independientes
Varivel Binria
Las variables incluidas en el modelo deben presentar errores bien

distribuidos. No obstante, segn el tipo de variable, los grficos presentan una
disposicin caracterstica. No se debe esperar una gran dispersin en variables que
tienen pocos niveles, como las binarias (dos situaciones) o las cualitativas que
contengan solo algunas situaciones. Los grficos se presentan como conjuntos de
lneas, coincidiendo con los niveles de la variable. En estos casos, deben ser
analizadas las distribuciones dentro de los niveles. Los errores no deben
concentrarse prioritariamente en el lado positivo, por ejemplo. Tambin se verifican
los outliers, como se observa en el grfico a seguir (Figura 17), de una variable
binaria (un error negativo grande). Adems de este problema, a ser investigado, el
grfico est bueno.
Figura 17 - Residuos x Variable
77
Binaria.
Bairro
En las variables cualitativas discretas, hay un conjunto de lneas,

especiales de acuerdo con los niveles de la variable. Si existen diversos niveles,
puede tener un aspecto grfico como el que sigue (Figura 18).

Cualitativa Discreta.
Distncia ao CBD
Solo en variables continuas se puede esperar una mancha. Sin embargo,

pueden existir fallas, sin que existan problemas en el modelo. Por ejemplo, si el
grfico presenta la distancia de los inmuebles a un punto de inters (shopping
center, avenida o centro de la ciudad) y existe un tramo con inmuebles pblicos, los
datos recabados deben presentar un espacio sin inmuebles, continuando luego. No
es el caso del grfico presentado a continuacin, continuo (Figura 19). La
distribucin de los residuos es buena, sin problemas por corregir.

Continua.
Proceso de modelaje (seleccin del mejor conjunto de variables)
Muchas veces el conjunto de variables es amplio. Algunas variables pueden
ser eliminadas por no ser fundamentales para el estudio, por estar sujetas a grandes
errores de medicin o porque explican lo mismo que otras (variables colineales).
Entre las variables independientes que efectivamente participando en el estudio,
tambin pueden existir correlaciones internas, en un menor grado. Modelos con un
gran nmero de variables son ms difciles de analizar e interpretar. As, como
78
inicialmente no hay certeza de cules variables del conjunto recolectado son

importantes, es necesario emplear mtodos de seleccin.76
El problema entonces es cmo seleccionar las variables para obtener el mejor
conjunto de variables independientes. Existen varios procedimientos de bsqueda,
pero ninguno puede garantizar invariablemente el mejor conjunto de variables.
Adems de eso, no siempre existe un modelo mejor, por causa de las diversas
pruebas y requisitos a ser satisfechos. Algunos modelos pueden tener buenos
desempeos en algunas pruebas y peor en otras.
El anlisis manual est basado en un conjunto de criterios. Generalmente,
por conveniencia, son aplicados inicialmente los criterios de juicio ms fciles, esto
es, los que cuentan con parmetros objetivos del anlisis. As, en general, los
modelos son analizados con base en el coeficiente de determinacin ajustado (R2a)
y en el anlisis de varianza (F), mientras que las variables son examinadas con base
en el estadstico t. Si el modelo tiene una baja explicacin (digamos, R2a debajo de
0,666) o no cumple con la prueba de hiptesis sobre la varianza, el modelo es
rechazado. Si es aprobado, se analizan las variables. Cuando ms de una variable
alcanza una significancia mayor de 5%, u otro lmite estipulado, se remueve la de
menor importancia (una a una) repitiendo el proceso.
Cuando el modelo alcanza un desempeo al menos razonable, deben ser
analizados los residuos estandarizados, investigndose el comportamiento de los
residuos y la presencia de elementos espurios. En verdad, la seleccin de casos
(datos que deben permanecer en la muestra) sucede en forma simultnea con la
seleccin de las variables.
Existen varios procedimientos semi-automatizados para la escogencia de las
variables que deben participar en un modelo, como los mtodos que escogen la
variable basados en criterios definidos por el investigador (backward, forward y
stepwise) o probando todas las regresiones posibles.
Backward
El procedimiento se inicia con la regresin calculada con todas las
variables independientes disponibles, eliminndose progresivamente (una a una) las
variables que posean correlacin parcial, t o F debajo de un lmite mnimo
previamente establecido. Despus de eliminar a cada una, el modelo es nuevamente
conformado, repitindose el ciclo hasta que no existan ms variables que puedan
ser eliminadas (debajo de los lmites). Sin embargo, el mtodo no funciona bien
con datos que posean un alto grado de colinealidad.
Forward
Este procedimiento involucra un menor esfuerzo de procesamiento, ya que
inicia con un modelo con una sola variable, aquella que posee la mayor correlacin
simple con la variable dependiente. Entonces, el sistema calcula las correlaciones
parciales con cada variable no incluida, escogiendo nuevamente la de mayor
76
Nie et al. (1975).
79
coeficiente de correlacin. El procedimiento contina mientras el coeficiente de

determinacin contine creciendo, o mientras el valor de F para una variable no
incluida est por encima de un lmite establecido.
Stepwise
El mtodo stepwise consiste en la combinacin de los dos anteriores,
backward y forward. Se emplea el sistema forward para la inclusin y el backward
para la exclusin de variables, esto es, en forma iterativa. Existen dos lmites
especiales del estadstico F, para la adicin o remocin de las variables. El mtodo
de bsqueda por pasos es probablemente el mtodo ms usado de los mtodos que
no exigen la realizacin de todas las regresiones posibles. Esencialmente, este
mtodo realiza una secuencia de ecuaciones de regresin, adicionando o retirando
variables en cada paso.
El criterio de seleccin puede ser por reduccin de los cuadrados de la suma
de los errores, coeficiente de correlacin parcial o estadstico F. Inicialmente son
calculadas regresiones simples para cada una de las variables seleccionadas, con el
estadstico F probando si hay o no hay regresin. Un valor mnimo de F es
determinado por el investigador, y slo las variables que alcancen este nivel son
incluidas. La variable independiente con mayor F es la primera a ser incluida.
Luego, se calculan las regresiones con dos variables, la incluida y cada una de las
otras. Se calcula el estadstico F para cada una de las dos opciones, escogindose
nuevamente la de mayor valor. A cada inclusin de variable, las variables que ya
estn en el modelo son examinadas nuevamente, excluyndose las que estn debajo
del nivel establecido. Otro procedimiento es a travs de la prueba t de student,
fijndose las variables que alcancen un valor determinado y probando todas las
regresiones posibles, incluyendo y excluyendo las otras.
Todas las regresiones posibles
Este procedimiento consiste en realizar todas las regresiones que pueden
ser hechas con los datos y escoger aquella con mayor coeficiente de correlacin (r),
de determinacin (R2) o con la menor varianza de los valores estimados (s(Yh)2). El
problema es la gran cantidad de ecuaciones que deben ser calculadas (son 2k1,
donde k es el nmero de regresores). Adems de esto, las variables tambin son
evaluadas bajo transformaciones (log(x), 1/x, exp(x)), haciendo el proceso inviable
por el gran nmero de variables, a no ser que sea empleado un sistema
especializado (un software especfico para tasaciones).
No obstante, as se adopte un programa gil, basado en un computador
personal moderno, el tiempo necesario puede ser grande si la muestra es grande. Es
conveniente reducir las opciones a ser probadas, adoptando un sistema de todas las
regresiones inteligentes. Las pruebas de algunas transformaciones pueden ser
absolutamente innecesarias, en virtud de que las relaciones son injustificables en la
teora. Por ejemplo, en un modelo de apartamentos con valores totales, el rea del
inmueble debe ser proporcional al precio, y todas las formas que prueban relaciones
inversas pueden ser eliminadas. De la misma manera, las transformaciones en
variables binarias son intiles. La remocin usando criterios pueden reducir
80
sensiblemente el nmero de ecuaciones a ser probadas y, por consiguiente, el

tiempo dispensado.
Inferencia de valores (estimaciones)
Una vez obtenido el modelo de regresin, pueden ser realizadas las
estimaciones para el valor del inmueble. Es interesante desarrollar algunas
simulaciones, examinando el comportamiento de la ecuacin, antes de la
estimacin final. Sustituyendo las caractersticas del inmueble tasable en la
ecuacin se obtiene la estimacin del valor medio de mercado (o el precio ms
probable) para las situaciones de inters (Yh). Es importante considerar que las
extrapolaciones son peligrosas. Para cada variable considerada (rea, edad o
distancia al centro), los valores correspondientes al inmueble tasable deben estar
cercanos al centro del intervalo de la muestra, pues la ecuacin de regresin tiene
su mejor desempeo en el centro de los intervalos de la variables independientes
incluidas en el modelo, pues la estimacin es una forma de interpolacin.
As, en la tasacin de un inmueble con 70 m2 y 10 aos de edad, la muestra
puede contener elementos entre 50 y 90 m2 ; y entre 5 y 12 aos, pero no debe ser
solo de inmuebles nuevos con ms de 80 m2, por ejemplo, excepto en las casos de
absoluta indisponibilidad de datos, cuando se debe hacer un anlisis cuidadoso de
este aspecto.
Ejemplos de tasaciones a travs de inferencia
Para demostrar como son desarrollados los anlisis bajo el enfoque inferencial,
son presentados a seguir dos ejemplos. Es importante comprobar que no son
modelos ya listos, pero si ejemplos de anlisis, los cuales dependen de los datos y
del problema de tasacin a ser solucionado.
El primer ejemplo, es bastante sencillo, para demostrar la tcnica, se trata de la
tasacin de un terreno. El ejemplo siguiente es de una tasacin de alquileres,
presentado como un informe. Se trata de un caso tpico a ser resuelto en Experticias
Judiciales, efectuadas comnmente en los procesos de Revisin o de Renovacin de
alquileres. Una importante cuota de la actividad de los tasadores es la referente a
los trabajos judiciales, actuando como Peritos o Asistentes Tcnicos. Es comn
repetir la estructura del informe, pero una revisin detallada es siempre
conveniente, para evitar mantener partes de informes anteriores que no se adaptan
a un determinado caso.
Ejemplo No5 Tasacin de un terreno utilizando inferencia
Problema El inmueble tasable es un terreno con un rea de 360 m2.
Solucin: Digamos que los datos obtenidos sean un conjunto de informaciones
sobre terrenos en la regin, tal como el siguiente (Tabla 5):
Tabla 5 Muestra de datos de terrenos
#
1
2
3
4
5
6
7
8
9
10
11
12
81
Precio (US$) rea (m2) Distancia (km) Local

26.250,00
300,00
8,150
8
48.360,00
520,00
6,200
7
33.285,00
420,00
7,650
6
33.600,00
280,00
6,900
8
50.048,00
736,00
7,350
7
20.250,00
360,00
8,500
5
30.260,00
475,00
7,300
4
28.500,00
305,00
8,000
9
31.700,00
360,00
7,750
8
29.750,00
610,00
8,500
4
59.000,00
580,00
6,000
9
24.500,00
320,00
7,900
7
Donde: Precio es el valor por el cual el inmueble fue vendido. rea y

Distancia al centro comercial de la ciudad (el CBD) son medidas reales, y Local es
una variable cualitativa que mide la accesibilidad y vecindario, derivada de la
inspeccin in loco del tasador. El terreno tasable est en un Local clasificado como
6 y est ubicado a 7 km del CBD. La Tabla 6 presenta los resultados del anlisis:
Tabla 6 Resultados del anlisis
Variable
coeficiente (ai)
Desviacin estndar
(deai)
constante
52331,3996
7147,1320
rea
49,9363
3,4561
Distancia
-7341,0634
647,9070
Local
2277,1421
298,6949
tai (=ai/deai)
7,3220
14,4488
-11,3304
7,6236
Los resultados arrojan tambin un coeficiente de determinacin de 98,95%. El

estadstico de prueba calculado para el modelo fue F=250,188, siendo superior al
mnimo para 5%, Ftab(0,05;3;8)=4,066. Las pruebas t no permitieron rechazar las
variables, pues son muy superiores al mnimo (ttab(0,05;8)=2,306). El modelo puede
ser presentado en forma de ecuacin, para el clculo de los errores:
Valor = 52.331,3996 +49,9363xrea 7.341,0634xDistncia +2.277,1421xLocal
Los valores estimados, los errores y los errores estandarizados (ei/dpy), calculados
con la desviacin estndar del modelo, dey=1.402,31, son los siguientes (Tabla 7):
Tabla 7 Clculo de los errores y errores estandarizados
#
Precio
Valor
Error
Error
Estimado
Estandarizado
82
1
2
3
4
5
6
7
8
9
10
11
12
Medias
26.250,00
48.360,00
33.285,00
33.600,00
50.048,00
20.250,00
30.260,00
28.500,00
31.700,00
29.750,00
59.000,00
24.500,00
34.625,25
25.699,75
48.723,67
30.808,36
33.877,36
51.067,68
19.295,13
31.569,94
29.327,74
31.632,36
29.502,06
57.742,34
26.256,60
34.625,25
550,25
-363,67
2476,64
-277,36
-1019,68
954,87
-1309,94
-827,74
67,64
247,94
1257,66
-1756,60
0,00
0,3924
-0,2593
1,7661
-0,1978
-0,7271
0,6809
-0,9341
-0,5903
0,0482
0,1768
0,8968
-1,2527
0,0000
Las medias de los precios y valores estimados deben ser iguales, as como la
media de los errores debe ser nula, visto que estos puntos son fundamentales del
MMC, utilizado para el clculo de los coeficientes. Los errores y los grficos
desarrollados con ellos tambin indican un buen modelo (Figura 20 y 21). El
anlisis de Normalidad y de los otros supuestos tambin fue favorable.
70000
1,500
60000
1,000
50000
0,500
40000
0,000
30000
-0,500
20000
-1,000
10000
-1,500
-2,000
20000
40000
60000
80000
20000
40000
60000
80000
Figura
20 - Valores Figura 21 - Valores
Estimados x Precios.
Estimados x Errores
Estandarizados.
As, la ecuacin podra ser aceptada y el inmueble sera tasado en:

Valor= 52.331,3996 + 49,9363x3607.341,0634x7 + 2.277,1421x6 = 32.583,87
Esto es, el inmueble puede ser tasado por US$ 32.600,00
Ejemplo No6 Tasacin del alquiler de un apartamento
Problema Determinar el valor de mercado para el alquiler de un apartamento de
dos habitaciones.
Solucin: Este ejemplo tiene como objeto demostrar el proceso de tasacin, de
acuerdo con las caractersticas y evidencias del mercado de alquileres, en la poca
83
de inters y en la regin donde l se encuentra. El procedimiento que permite la

determinacin del valor final tiene las siguientes etapas, que sern descritas a
continuacin:
a) Anlisis preliminar e inspeccin.
b) Investigacin de datos de mercado para inmuebles similares.
c) Anlisis y pruebas estadsticas para la obtencin del modelo de inferencia.
d) Estimacin del valor medio de mercado y ajuste para las condiciones
particulares del inmueble.
a) Anlisis preliminar e inspeccin
El inmueble tasable es un apartamento residencial que tiene dos
habitaciones, sala, cocina, bao y rea de servicios, dispone de un puesto de
estacionamiento. Tiene 68 m2 de rea total, y recibi el permiso de habitabilidad en
1989. Se sita en un conjunto residencial, de estndar medio-bajo, en la
urbanizacin Nonoai, en Porto Alegre.
La regin donde se localiza el edificio es de uso mixto, con una
poblacin dentro de la franja de renta media. Hay servicios pblicos indispensables
como: agua, luz, telfono, vialidad y transporte. Existe facilidad de acceso por las
lneas de autobs y busetas que circulan por la avenida donde est localizado,
aunque la distancia que la separa del centro de la ciudad sea grande (unos 10 km).
El comercio y los servicios privados estn poco desarrollados en el lugar.
Para la tasacin interesa calificar el inmueble, en forma relativa con los
ofertados normalmente en el mercado de alquileres. El edificio tiene buena
apariencia, pero el apartamento presenta problemas de ocupacin, con daos serios
en dos ambientes, impidiendo al inquilino usufructuar libremente el bien. Se puede
concluir, por lo expuesto, que el inmueble tiene deficiencias que disminuyen su
valor de alquiler, en relacin al promedio.
b) Investigacin de datos de mercado
Los datos de mercado, utilizados para ajustar los modelos y para la
definicin del valor del alquiler, fueron recolectados buscando elementos similares,
cercanos al inmueble tasable en el tiempo y en el espacio, formando una muestra de
buen tamao para el anlisis, con 92 elementos, todos situados en la misma regin.
Las caractersticas de los inmuebles de la muestra son similares al inmueble en
referencia, permitiendo confianza en la ecuacin de regresin obtenida en este
anlisis y empleada para la inferencia de los alquileres. El tamao de la muestra
supera bastante el mnimo exigido en general, alejando las consideraciones en este
sentido.
Diversas variables fueron probadas, a travs del procedimiento
estadstico de creacin de modelos de regresin conocido con stepwise, que evala
la importancia relativa de cada variable una a una, manteniendo las importantes en
el modelo. De las analizadas, las variables que se mostraron significativamente
fueron enumeradas y descritas a seguir:
84
b.1) ALQUILER. Valor mensual de oferta. Para el presente anlisis, el valor de

los alquileres fue corregido monetariamente a travs de un ndice oficial y
convertido en US$.
b.2) REA y EDAD. Fueron empleadas el rea total (m2) y la edad fiscal (en
anos, referida a la fecha del permiso de habitabilidad), obtenidas en investigacin
en el catastro de la Alcalda.
b.3) URBANIZACIN. Es una variable cualitativa para la urbanizacin donde se
ubica el inmueble, basada en la observacin de las caractersticas constructivas de
los inmuebles en el entorno, pavimentacin de las vas de acceso, existencia de
comercio y servicios; y de la renta media de la poblacin residente, de acuerdo con
la siguiente clasificacin (Tabla 8):
Tabla 8 Variable Urbanizacin
Regin de la ciudad
Urbanizacin
Camaqu
6,9
Cavalhada
5,2
Cristal
5,0
Nonoai
9,7
Santa Teresa
10,0
Terespolis
6,2
Tristeza
14,2
Vila Nova
2,5
b.4) DISTANCIA. Mide la distancia, en kilmetros, entre los inmuebles y el
centro comercial histrico de la ciudad, en lnea recta.
b.5) GARAJE. Es una variable binaria (dummy), que indica si el inmueble tiene
puesto de estacionamiento o garaje. En estos casos, asume el valor 1. En caso
contrario, su valor es 0.
b.6) MES. Mes de oferta o alquiler del inmueble, variando de 2 a 7 (febrero a
julio).
b.7) ESTNDAR. Es una medida del estado general de los edificios de la
muestra. Considera, en conjunto, la calidad de la construccin y el estado de
conservacin. Se trata de una variable sujetiva, que depende de los criterios del
tasador. Los niveles considerados fueron los que se presentan en la Tabla 9. Es
necesario planificar previamente las variables que dependan de observaciones
sujetivas, in loco, para que exista un criterio definido. La escala fue determinada
antes de las inspecciones, de forma de cubrir todos los tipos de inmuebles de la
muestra. El inmueble tasable fue clasificado en el nivel Medio (3).
Tabla 9 Clasificacin del Edificio
Clasificacin
Estndar
Malo
Regular
Medio
Bueno
ptimo
2
3
4
5
85
b.8) H1/H2/H3. Este conjunto de dummies indica si el inmueble es de una, dos o

tres habitaciones, dividiendo la muestra en tres categoras, segn se resume en la
Tabla 10. Solo dos de estas variables deben ser incluidas simultneamente en el
modelo estadstico.
Tabla 10 Variables binarias para

Habitaciones.
Habitaciones
H1
H2
H3
1H
1
0
0
2H
0
1
0
3H
0
0
1
c) Anlisis estadstico
El anlisis de regresin permite la obtencin de un modelo representativo
del comportamiento del mercado. El modelo consiste, formalmente, en una
ecuacin de mltiples variables, las cuales miden las diversas caractersticas
importantes de los inmuebles. La ecuacin bsica investigada fue de la forma:
Alquiler =a0 +a1*rea +a2*Urbanizacin +a3*Distancia +a4*Garaje +a5*Edad
+a6*Mes +a7*Estndar +a8*H2 +a9*H3
En este modelo, los trminos ai son los parmetros a ser estimados, por la
regresin (i=0,...,9). El trmino constante de la ecuacin es a0. Los dems son los
coeficientes resultantes del tratamiento estadstico, representando la participacin
relativa de cada una de las variables independientes en el modelo para explicar la
variable dependiente. La ecuacin de inferencia de valores, basada en los datos de
la muestra y en los anlisis estadsticos, se presenta a continuacin. Los
coeficientes de las ecuaciones representan los precios implcitos de las respectivas
caractersticas (Tabla 11).
Tabla 11 Modelo de formacin de precios de alquiler.
variable
coeficiente
t
significancia
Constante
92,723
17,82
<0,01%
rea
1,374
3,21
0,19%
Urbanizacin
8,306
3,87
0,02%
86
Distancia
Garaje
Edad
Ln(Mes)
Estndar
H2
H3
26,047
51,812
2,207
127,066
54,413
116,775
299,938
4,91
4,09
2,01
5,34
7,79
8,24
10,80
<0,01%
0,01%
4,77%
<0,01%
0,00%
<0,01%
<0,01%
Pruebas de validez del modelo

Inicialmente debe ser examinado el coeficiente de determinacin.
Este coeficiente es un indicador de la precisin alcanzada en el modelo. Cuando es
igual a la unidad, la regresin explica totalmente los datos. El coeficiente de
determinacin ajustado para los grados de libertad fue de R2a=0,784, indicando que
el modelo explica cerca del 78% de la variabilidad de los valores del alquiler.
La hiptesis de validez del modelo fue probado por el anlisis de
varianza, a travs de la distribucin de Fischer Snedecor (F), que permite concluir
sobre la significancia o incerteza del modelo de regresin. El valor calculado para
el modelo fue Fcalc=37,788. El mnimo exigido es de 5% para la incerteza, siendo el
correspondiente valor F(0,05;9;82)=1,996. El modelo supera ampliamente las
exigencias, indicando que la hiptesis de no existir la relacin propuesta debe ser
rechazada.
Prueba de las variables independientes
La prueba de importancia de las variables para el modelo fue
realizado por comparacin del estadstico de la prueba (t), calculado para cada
variable, con un parmetro correspondiente al nivel mnimo deseado. Para el
conjunto de la muestra y las variables consideradas, el valor crtico del estadstico
es t(0,05;82)=1,989. Cuando el valor estadstico calculado para cada variable es mayor
que ese valor, la incerteza (nivel de significancia) es menor que 5% (una cola) y la
confianza en el valor inferido es mayor. En nuestro caso, el comportamiento de las
variables fue el indicado en la Tabla 11. As, todas las variables independientes
fueron aceptadas, con una confianza superior al 95%, superando las exigencias.
Esta prueba tambin permite la aprobacin del modelo propuesto.
Anlisis de los supuestos bsicos
No fueron detectadas correlaciones fuertes entre las variables
explicativas. Los coeficientes quedaron por debajo de 0,50, alejndose el problema
de multicolinealidad. El anlisis de los residuos tambin es favorable. Los valores
de los errores estandarizados son pequeos, lo que indica que no hay problemas
estadsticos. No fueron detectados outliers, ni tendencias de agrupamiento de los
residuos. El anlisis grfico de los errores no demostr fallas en la condicin de
normalidad.
87
d) Determinacin del valor del alquiler

Los valores especficos para el inmueble en anlisis son calculados
utilizando sus caractersticas en las ecuaciones ajustadas (inferencia estadstica).
Fue calculado tambin el Intervalo de Confianza, alrededor del valor estimado, para
que el tasador pueda considerar los efectos que no pueden ser estimados en el
modelo estadstico.
Inferencia del valor medio de alquiler
El anlisis estadstico permite considerar las ecuaciones de regresin
estimadas para la inferencia de valores. Con base en las informaciones sobre el
inmueble tasable, se calcula el valor del alquiler, de acuerdo con sus atributos,
segn se presenta a continuacin:
Alquiler = 92,723 + 1,374 x 68 + 8,306 x 9,7 26,047 x 7,2 + 51,812 x 1 2,207 x
16 + 127,066 x Ln(5) +54,413 x 3 +116,775 x 1 +299,938 x 0
Alquiler = 580,2036
Por tanto, el valor calculado es de US$ 580,20. Este valor de renta
representa la media del mercado de alquileres, en la regin, considerando un
inmueble similar con diferencias debida a las particularidades de los modelos
estadsticos. Para el inmueble especfico, existen caractersticas particulares a ser
consideradas, de acuerdo con las informaciones obtenidas en la inspeccin.
Intervalo de confianza en el modelo
Este intervalo es calculado cuando hay evidencias de otros atributos,
no considerados por ser de difcil medicin, que puedan influir en el valor, esto es,
cuando hay necesidad de correcciones en el valor calculado por la regresin. El
intervalo de confianza es determinado con base en la muestra de datos, centrado en
el valor del alquiler estimado por la ecuacin de regresin. Considerando los
atributos del inmueble, el intervalo para las estimaciones va desde US$ 455,00 a
US$ 705,00.
Conclusin
El inmueble en cuestin presenta problemas de construccin, segn lo
que se expuso anteriormente, que indican la necesidad de reduccin del valor rental
de mercado. Tomando en cuenta el estado de conservacin, las particularidades del
inmueble tasable y de aquellos considerados en la muestra, el valor ms adecuado
para alquiler es de: quinientos veinte reales (US$ 520,00), que se sita dentro del
intervalo de confianza y con base en el anlisis estadstico presentando.
88
Resumen del proceso de tasacin por inferencia estadstica

Para simplificar el estudio, se presenta una gua bsica de las tasaciones de
inmuebles con regresin mltiple, como referencia para los trabajos (Tabla 12).
Tabla 12 Gua bsica para las tasaciones con regresin mltiple
Etapa
Cuidados
Anlisis
problema.
del Inspeccionar el inmueble tasable, reunir documentos,

formar un juicio (aproximado) sobre las
caractersticas importantes, sobre el comportamiento
del mercado en la regin y sobre el probable valor del
mismo. Es importante tener una clara nocin del
trabajo a ser realizado antes de iniciar la investigacin
de datos.
Investigacin de datos Los datos deben representar el mercado y deben ser
similares a los del tasable.
del mercado.
Introduccin de los (A) Analizar la distribucin de los datos (medias y
datos en el software y diferencia de valores entre el mayor y el menor en
anlisis inicial.
cada una de las variables) - las medias deben
aproximarse a los valores correspondientes al
inmueble tasable. Por ejemplo: si el rea del tasable
es 70m2, la muestra puede contener datos entre 40 y
100m2, con predominio de la franja de 65-75, pero
con un equilibrio entre las mayores y menores.
(B) Verificar la relacin entre las variables:
Hay relacin aproximadamente lineal entre
Precio x variable independientes? Si no hay, aplicar
transformaciones numricas.
Hay colinealidades importantes entre las
variables independientes (usando un lmite como
|r|>0,5 |r|>0,8)? Si hay, transformar una de las
variables o remover una de ellas (escogiendo la de
menor estadstico t)
Desarrollo del modelo Montaje de un modelo lineal, con todas las variables.
inicial
Anlisis
de
los (A) Evaluacin de la ecuacin: signos y valores de
resultados
fase los coeficientes deben ser razonables - simular
variaciones en algunos parmetros para identificar si
cuantitativa
la influencia en el valor es razonable.
(B) Verificacin del R2a: debe estar en el intervalo
0,666-0,999.
(C) Prueba del modelo: Fcalc (programa)> Ftab
89
(=0,05)
(D) Prueba de las variables: tcalc(programa)>
ttab(=0,05)
Anlisis
de
resultados
cuantitativa
Estimacin
Si la ecuacin no esta bien con el R2a, o es reprobada

en una de las pruebas, rehacer el
modelo,
modificando la forma, incluyendo variables,
excluyendo las variables que no alcanzan el mnimo,
verificando potenciales outliers, etc.
los (A)Clculo de los errores estandarizados y
fase verificacin de la suma de los errores (debe ser
cero).
(B) Anlisis grfico de la relacin entre los valores
observados y estimados: debe ser una diagonal, al
menos aproximadamente.
(C) Anlisis grfico de los errores (errores
estandarizados x valores estimados):
Homocedasticidad grfico con dispersin
aleatoria.
Outliers los errores deben estar en el intervalo
de [2;+2] desviaciones-estndar.
(D)Anlisis de los dems supuestos y requisitos.
(E) Evaluacin del comportamiento de la ecuacin
(simulacin de situaciones diversas y anlisis de los
resultados).
(A) Clculo del Intervalo de Confianza.
(B) Aplicacin de los valores de las caractersticas
del tasable en la ecuacin y clculo del valor del
inmueble.
En caso de que haya problemas en estas etapas, se debe buscar la solucin en

las etapas anteriores, corrigiendo errores, modificando modelos o incrementando
datos, y retomando la secuencia a partir de all. Por ejemplo, si una variable no
alcanza el mnimo exigido en la prueba t, se puede intentar alguna transformacin
numrica (ln x, 1/x, x^0.5), intentar la combinacin de sta con otra o quitar la
variable.
Consideraciones finales
Este libro pretende contribuir para la divulgacin de los conocimientos en el
rea de la estadstica inferencial aplicada a las tasaciones de inmuebles. Se busc
conjugar algunos elementos tericos sobre el mercado inmobiliario con las tcnicas
ms modernas empleadas para la determinacin del valor de propiedades urbanas (o
de sus frutos), presentando algunos ejemplos prcticos.
La regresin mltiple fue estudiada, limitndose a la deduccin de las
frmulas indispensables y evitndose el empleo de matrices, ya que actualmente los
clculos pueden ser realizados en programas especficos de computacin.
Reuniendo un buen conjunto de datos, el tasador tiene condiciones de estudiar
complejos modelos de los fenmenos de mercado en cuestin de minutos, siendo lo
ms importante el anlisis de los resultados.
No obstante, no puede existir mistificacin de este avance tecnolgico, que
posibilit el uso de poderosos softwares y anlisis estadstico. La tasacin de un
inmueble slo podr ser realizado por un profesional que conozca bien la regin
donde el bien se ubica, fsicamente y en relacin al comportamiento del propio
mercado. La tasacin exige tambin la atencin permanente sobre las
transformaciones de la ciudad y de la sociedad que en ella habita.
El tasador necesita ser siempre un expert en mercado inmobiliario, conociendo
los fenmenos de la economa urbana, y usando las estadsticas apenas como
herramienta de trabajo. En este sentido, se recomienda el estudio continuo, no slo
de la tcnica de tasacin, sino tambin en las reas relacionadas, como las ciencias
econmicas y jurdicas, con especial atencin en los cambios de las tendencias
econmicas, del funcionamiento de la economa regional, de los planos rectores y
de otros elementos.
92
Referencias Bibliogrficas
ABRAMO, P. A dinmica espacial: O ciclo de vida das localizaes e os processos
de difuso das inovaes espaciais. Anais do XXIII Encontro Nacional de
Economia. Salvador: ANPEC, v.2. p.324-346, Dez. 1995a.
ABRAMO, P. A dinmica imobiliria: Elementos para o entendimento da
espacialidade urbana. Rio de Janeiro: IPPUR/UFRJ, 1988. Dissertao
(Mestrado em Planejamento Urbano).
ABRAMO, P. A regulao urbana e o regime urbano: A estrutura urbana, sua
reprodutibilidade e o capital. Ensaios FEE, v.16, n.2, p.510-555, 1995.
ABRAMO, P. Mercado e ordem urbana: Do caos teoria da localizao
residencial. Rio de Janeiro: Bertrand Brasil/FAPERJ, 2001.
ABRAMO, P. (Org.). Cidades em transformao: Entre o plano e o mercado. Rio
de Janeiro: Ed. Autor, 2001a.
AMEMIYA, T. Advanced econometrics. Oxford: Basil Blackwell, 1989.
ARKIN, H. y COLTON, R. R. Statistical methods. 5ed. New York: Barnes y
Noble, 1970.
BALARINE, O. F. O. Determinao do impacto de fatores scio-econmicos na
formao do estoque habitacional em Porto Alegre. Porto Alegre: EDIPUCRS,
1996.
BALCHIN, P. N. y KIEVE, J. L. Urban land economics. 3ed. London:
MacMillan, 1986.
BALEEIRO, A. Uma introduo cincia das finanas. 14ed. Rio de Janeiro:
Forense, 1984.
BARNETT, V. y LEWIS, T. Outliers in statistical data. 2ed. New York: John
Wiley, 1984.
BELSLEY, D. A., KUH, E. y WELSCH, R. E. Regression diagnostics: Identifying
influential data and sources of collinearity. New York: John Wiley, 1980.
BERRINI, L. C. Avaliaes de imveis. 3ed. So Paulo: Freitas Bastos, 1957.
BLANK, G. Brs de Pina: Experincia de urbanizao de favela. In:
VALLADARES, L. do P. (org). Habitao em questo. 2ed. Rio de Janeiro:
Zahar, p.93-124, 1981.
BOLAFFI, G. Para uma nova poltica habitacional e urbana: Possibilidades
econmicas, alternativas operacionais e limites polticos. In: VALLADARES,
L. do P. (org). Habitao em questo. 2ed. Rio de Janeiro: Zahar, p.167-196,
1981.
BONRIGHT, J.C. The valuation of property. v.1. New York: McGraw-Hill, 1937.
BRITO, E. IPTU - Competncia para a atualizao monetria da base de clculo no
regime jurdico Plano Real. Cadernos de Direito Tributrio e Finanas
Pblicas, n.10, p.73-88, 1995.
94
BROWNLEE, K. A. Statistical theory and methodology in science and

engineering. 2ed. New York: John Wiley, 1965.
CADMAN, D. y TOPPING, R. Property development. 4ed. London: E&FN Spon,
1995.
CHANDIAS, M. E. Tasacion de inmuebles urbanos. Buenos Aires: Alsina, 1954.
CHINELLI, F. Os loteamentos de periferia. In: VALLADARES, L. do P. (org).
Habitao em questo. 2ed. Rio de Janeiro: Zahar, p.49-68, 1981.
CUTHBERTSON, Keith, HALL, Stephen G. e TAYLOR, Mark P. Applied
econometric techniques. New York: Harvester Wheatsheaf, 1992.
DANIEL, C. y WOOD, F. S. Fitting equations to data. 2ed. New York: John
Wiley, 1980.
DANTAS, R. A. Engenharia de avaliaes. So Paulo: Pini, 1998.
DAUDT, C. D. L. Metodologia dos diferenciais agronmicos na vistoria e
avaliao do imvel rural. Porto Alegre: CREA, 1996.
DE CESARE, C. M. de. An empirical analysis of equity in property taxation: A
case study from Brazil. 1998. PhD Thesis - University of Salford, Salford.
DRAPER, N. R. y SMITH, H. Applied regression analysis. New York: John
Wiley, 1966.
DUBIN, R. A. Spatial autocorrelation and neighborhood quality. Regional Science
and Urban Economics, v.22, n.3, p.433-452, Sept. 1992.
EVANS, A. W. The property market: Ninety per cent efficient? Urban Studies,
v.52, n.1, p.5-29, 1995.
EZEKIEL, M. y FOX, K. A. Methods of correlation and regression analysis. 3ed.
New York: John Wiley, 1959.
FIKER, J. Avaliao de terrenos e imveis urbanos. 4ed. So Paulo: Pini, 1993.
FRANCHI, C. De C. Avaliao das caractersticas que contribuem para a
formao do valor de apartamentos na cidade de Porto Alegre. Porto Alegre:
UFRGS, 1991. Dissertao (Mestrado em Engenharia).
GONDIM, L. M. P. O plano diretor como instrumento de um pacto social urbano:
quem pe o guizo no gato? Ensaios FEE, v.16, n.2, p.472-490, 1995.
GONZLEZ, F. A estruturao urbana e a participao da comunidade: A
unidade de vizinhana, o bairro, a cidade e a evoluo sociocultural da cidade.
Porto Alegre: Prefeitura Municipal/UFRGS, 1994.
GONZLEZ, M. A. S. A engenharia de avaliaes na viso inferencial. So
Leopoldo: Ed.UNISINOS, 1997.
GONZLEZ, M. A. S. A formao do valor de alugueis de apartamentos
residenciais na cidade de Porto Alegre. Porto Alegre: UFRGS, 1993.
77
Dissertao (Mestrado em Engenharia).
77
Algunas
de
las
publicaciones
de
mi
http://www.exatec.unisinos.br/~gonzalez/public.html.
autoria
pueden
ser
encontradas
en:
95
GONZLEZ, M. A. S. As variveis binrias nas avaliaes de imveis. Anais do

IX COBREAP (Congresso Brasileiro de Engenharia de Avaliaes e Percias).
So Paulo: IBAPE, Out. 1997a.
GONZLEZ, M. A. S. Avaliao de aluguis residenciais com ponderao pela
distncia ao imvel-objeto. Anais do VIII COBREAP (Congresso Brasileiro de
Engenharia de Avaliaes e Percias). Florianpolis: ICAPE/ABRAP, p. 17-22,
Nov. 1995.
GONZLEZ, M. A. S. Estimativa da curva de depreciao de valores de imveis
atravs de inferncia estatstica. Anais do II Congresso de Engenharia Civil.
Juiz de Fora: UFJF, Maio, 1996.
GONZLEZ, M. A. S. Metodologia de avaliao de imveis. Novo Hamburgo:
Editora SGE, 2003.
GONZLEZ, M. A. S. Planta de valores imobilirios urbanos utilizando ITBI e
GIS. Anais do XVI ENEGEP (Encontro Nacional de Engenharia de Produo).
Piracicaba: UNIMEP/ABEPRO, Out. 1996a.
GONZLEZ, M. A. S. Planta inferencial de valores com dados de ITBI: Um
estudo sobre integrao dos cadastros e modernizao do sistema de tributos
imobilirios. Porto Alegre: NORIE/UFRGS, 1996b.
GONZLEZ, M. A. S. Plantas de valores inferenciais: A espacialidade
considerada atravs de trend surfaces. Anais do VIII COBREAP (Congresso
Brasileiro de Engenharia de Avaliaes e Percias). Florianpolis: ICAPE,
p.390-397, Nov. 1995a.
GONZLEZ, M. A. S. Ponderao pela distncia ao imvel-objeto: O modelo
com vistorias. Caderno Brasileiro de Avaliaes e Percias, v.7, n.86, Ago.
1996c.
GONZLEZ, M. A. S. Um estudo sobre integrao dos cadastros e modernizao
do sistema de tributos imobilirios. Estudos Jurdicos, v.29, n.75, p.143-161,
Jan. 1996d.
GONZLEZ, M. A. S.. Especificao de modelos hednicos de preos para
plantas de valores. Anais do II Congresso de Engenharia Civil. Juiz de Fora:
UFJF, Maio, 1996e.
GONZLEZ, M. A. S.; SOIBELMAN, L. y FORMOSO, C. T. A new approach to
spatial analysis in CAMA. In: 9th European Real Estate Society Conference
(ERES 2002), June, 2002, Glasgow. Proceedings... Glasgow: ERES, 2002.
GONZLEZ, M. A. S.; SOIBELMAN, L. y FORMOSO, C. T. Explaining results
in a mass-appraisal model. In: 9th European Real Estate Society Conference
(ERES 2002), June, 2002, Glasgow. Proceedings... Glasgow: ERES, 2002a.
HANSEN, M. H.; HURWITZ, W. N. y MADOW, W. G. Sample survey methods
and theory - Methods and applications (v.1). New York: John Wiley, 1953.
HARNETT, D. L. y MURPHY, J. L. Introductory statistical analysis. Reading:
Addison-Wesley, 1976.
HARVEY, J. Urban land economics. 4ed. London: MacMillan, 1996.
96
INTRILIGATOR, M. D. Modelos economtricos, tcnicas y aplicaciones. Cidade

do Mxico: Fondo de Cultura Econmica, 1990.
JOHNSTON, J. Mtodos de econometra. 2ed. Barcelona: Vicens-vives, 1970.
KINNARD Jr., W.N. Income property valuation. Lexington: Heath Lexington,
1971.
KMENTA, J. Elementos de econometria. So Paulo: Atlas, 1994.
LAVENDER, S. D. Economics for builders and surveyors. Essex: Longman,
1990.
LIMA, M. H. B. Em busca da casa prpria: Autoconstruo na periferia do Rio de
Janeiro. In: VALLADARES, L. do P. (org). Habitao em questo. 2ed. Rio
de Janeiro: Zahar, p.69-91, 1981.
LUCENA, J. M. P. de. O mercado habitacional no Brasil. Rio de Janeiro: FGV,
1985.
MADDALA, G. S. Introduction to econometrics. New York: Macmillan, 1988.
MAGALHES, G. Telecomunicaes. In: VARGAS, M. (org). Histria da
tcnica e da tecnologia no Brasil. So Paulo: UNESP, p.315-342, 1994.
MARASCHIN, C. Alteraes provocadas pelo shopping center em aspectos da
estrutura urbana - Iguatemi, Porto Alegre, RS. Porto Alegre: PROPUR/UFRGS,
1993. Dissertao (Mestrado em Planejamento Urbano).
MARICATO, E. Poltica habitacional no regime militar: do milagre brasileiro
crise econmica. Petrpolis: Vozes, 1987.
MARTINS, F. Curso de direito comercial. 3ed. Rio de Janeiro: Forense, 1967.
McMICHAEL, S. L. McMichaels appraising manual. 4ed. Englewood Cliffs
(NJ): Prentice-Hall, 1962.
MEIRELLES, H. L. Direito de construir. 7ed. So Paulo: Malheiros, 1996.
(Edio atualizada por Eurico de Andrade Azevedo).
MLLER, L. F. C. Planta de valores genricos. Porto Alegre: Sagra-DC
Luzzatto, 1995.
MOREIRA, A. L. Princpios de engenharia de avaliaes. 3ed. So Paulo: Pini,
1994.
MOTOYAMA, S. y MARQUES, P. Q. Informtica no Brasil - Apontamentos para
o estudo da sua histria. In: VARGAS, M. (org). Histria da tcnica e da
tecnologia no Brasil. So Paulo: UNESP, p.375-398, 1994.
MUTH, R. F. Urban economic problems. New York: Harper y Row, 1975.
NETER, J.; WASSERMAN, W. y KUTNER, M. H. Applied linear statistical
models: Regression, analysis of variance, and experimental design. 3ed. Burr
Ridge: Richard D. Irwin, 1990.
NIE, N. H.; HULL, H.; JENKINS, J. G.; STEINBRENNER, K. y BENT, D. II.
SPSS - Statistical package for social sciences. 2ed. New York: McGraw-Hill,
1975.
97
PELLEGRINO, J. C. A propsito do valor potencial: razes, problemas e

implicaes. In: IBAPE (Instituto Brasileiro de Avaliaes e Percias de
Engenharia). Avaliaes para garantias. So Paulo: Pini, 1983.
PELLEGRINO, J. C. y MARTINS, F. G. Critrio de clculo de fundo de comrcio.
In: IBAPE (Instituto Brasileiro de Avaliaes e Percias de Engenharia).
Engenharia de avaliaes. So Paulo: Pini, p. 90-96, 1974.
PORTO ALEGRE. Lei complementar n197. Porto Alegre: PMPA, 1989.
RAJ, D. The design of sample survey. New York: McGraw-Hill, 1972.
RATCLIFFE, J. S.; SIMON, T. Y-p.; THOMAS, P. N-t.; ZHAOLING, Y.;
YABIAO, Y. An examination of land and property appraisal techniques
suitable for application in the peoples republic of China. Hong Kong:
Department of Building and Real Estate/H.K. Polytechnic, 1993.
RICHARDSON, H. W. Economia urbana. Rio de Janeiro: Intercincia, 1978.
ROBINSON, R. Housing economics and public policy. London: MacMillan,
1979.
ROSEN, S. Hedonic prices and implicit markets. Journal of Political Economy,
v.82, p.35-55, 1974.
ROVATTI, J. F. A fertilidade da terra urbana em Porto Alegre: Uma leitura da
interveno do estado na cidade. Rio de Janeiro: IPPUR/UFRJ, 1990.
Dissertao (Mestrado).
SCHMUTZ, G. L. O processo de avaliao. So Paulo: Berrini, 1943. (Traduo
de L.C. Berrini).
SCHROEDER, L. D. y SJOQUIST, D. L. Investigation of population density
gradients using trend surface analysis. Land Economics, v.52, n.3, p.382-392,
Aug. 1976.
SEELEY, I. H. Building economics. 2ed. London: MacMillan, 1976.
SMOLKA, M; FURTADO, F. (Eds.) Recuperacin de plusvalas em Amrica
Latina. Alternativas para el desarrollo urbano. Cambridge/Santiago:
LILP/Eurelibros, 2001.
SOIBELMAN, L. As perdas de materiais na construo de edificaes: sua
incidncia e controle. Porto Alegre: UFRGS, 1993. Dissertao (Mestrado em
Engenharia).
SOIBELMAN, L. y GONZLEZ, M. A. S. A Knowledge Discovery in Databases
Framework to Property Valuation. Journal of Property Tax Assessment and
Administration, v.7, n.2, p.77-106, 2002.
SOUZA, R. de; MEKBEKIAN, G.; SILVA, M. A. C.; LEITO, A. C. M. T. y
SANTOS, M. M. dos. Sistema de gesto da qualidade para empresas
construtoras. So Paulo: Pini, 1995.
SPOLIDORO, R. Mudanas tecnolgicas e suas implicaes na (re)organizao do
territrio. In: Seminrio A cidade e a metrpole latino-americana. Porto
Alegre: Faculdade de Cincias Econmicas/UFRGS, 1994.
SUDMAN, S. Applied sampling. New York: Academic Press, 1976.
98
TAVARES, H. M. Complexos de alta tecnologia e reestruturao do espao.

Cadernos do IPPUR/UFRJ, a.7, n.1, p.39-51, Abr. 1993.
VARGAS, M. A tecnologia na Engenharia Civil. In: VARGAS, Milton (org).
Histria da tcnica e da tecnologia no Brasil. So Paulo: UNESP, p.224-245,
1994.
VEGNI-NERI, G. B. Dei. Avaliao de imveis urbanos e rurais: mtodo prtico
e moderno. 4ed. So Paulo: Nacional, 1979.
WEIMER, A. M. y HOYT, H. Principles of urban real estate. Rev. ed. New
York: Ronald Press, 1948.
ZANCAN, E. C. Avaliao de imveis em massa para efeitos de tributos
municipais. Florianpolis: Rocha, 1996.
Anexo I Utilizacin del MS-Excel en regresiones

Es fcil utilizar el Microsoft Excel78 para ajustar curvas o ecuaciones de
mltiples variables. Hay dos herramientas para desarrollar regresiones. La primera
tiene la ventaja de ser ms automatizada, y necesita ser instalada, a travs del men
Herramientas/Suplementos/Anlisis de Datos, se escoge despus la opcin:
Herramientas/Anlisis de Datos/Regresin. En este caso, el MS-Excel puede
calcular los residuos y generar los grficos automticamente, sin embargo, cada
nueva ecuacin necesita ser generada desde el inicio.
De esta manera, los resultados se ajustan inmediatamente a las modificaciones
en los datos y el programa acepta hasta 16 variables independientes, reconociendo
automticamente los datos en una hoja de clculo, a partir de la forma de la variable
dependiente (y), como se describe a seguir:
Inicialmente los datos recolectados deben ser introducidos en la hoja de
clculo. Digamos que los precios estn en la columna (a) y las variables
independientes estn en las columnas desde la (b) a la (d), en las lneas 2 a la 13,
con los rtulos en la primera lnea. Para una funcin lineal, con un aspecto formal
tipo Y = a0 + a1*X1+ a2*X2+ ... +ak*Xk, el ajuste de la ecuacin de regresin puede
ser realizado con la funcin estadstica ESTIMACION.LINEAL (en la versin
inglesa, LINEST), de la siguiente manera:
1) Seleccionar (con el ratn o teclas de direccin) un grupo de celdas: 5
lneas x nmero de columnas igual al nmero de parmetros a estimar (variables
independientes ms la constante).
2) Tipear la frmula, indicando primero la columna de la variable
dependiente, enseguida la franja de columnas de las variables independientes,
despus la existencia o no de la constante en el modelo (verdadero=si, falso=no) y
el deseo de recibir el conjunto de informaciones (verdadero=si, falso=no,),
adquiriendo el siguiente aspecto:
=ESTIMACION.LINEAL (a2:a13; b2:d13;verdadero;verdadero)
No siempre se usa : y ;. De acuerdo con las opciones de instalacin del
programa, puede ser que sean utilizados : y ;. En la versin en ingls, se usa la
palabra true en vez de verdadero, por lo que tambin es correcto (para un
sistema dado) lo siguiente:
=LINEST (a2.a13, b2.d13,true,true)
3) Introducir esta funcin como matriz, presionando simultneamente
CTRL+MAYS+ENTRAR. Cualquier cambio en la frmula solamente tendr
78
Microsoft y Excel son marcas registradas de la Microsoft Corporation (http://www.microsoft.com).
100
efecto si la matriz respuesta es seleccionada integralmente y la nueva funcin sea

introducida igualmente con CTRL+MAYS+ENTRAR.
Como resultado de los clculos efectuados por el programa, ser mostrada una
matriz, siempre con la forma siguiente. Verifique que los coeficientes son
presentados en el sentido contrario al que est en la tabla de datos originales.
a3
a2
dea3
dea2
2
R
dpy
F
GL
SCRegres SCResid
a1
dea1
#N/A
#N/A
#N/A
a0
dea0
#N/A
#N/A
#N/A
Donde a0 es la constante, a1...ak son los coeficientes de las variables,

dea0...deak son las desviaciones estndar de cada estimacin de estos coeficientes,
R2 es el coeficiente de determinacin, F es el parmetro de prueba de FischerSnedecor, GL es el nmero de grados de libertad, SCRegres es la suma de los
cuadrados de la regresin y SCResid es la suma de los cuadrados de los residuos.
Los elementos marcados como #N/A son los espacios sin resultado, normales,
derivados del diseo de la funcin (en la versin en ingls es #N/A). Mayores
explicaciones pueden ser encontradas en el tem (regresin) en la ayuda del
programa.
Es importante verificar que la posicin de los elementos en el cuadro de
resultados es siempre la misma, independientemente de la posicin de los datos de
la muestra en la hoja de clculo, indicados en la funcin. Por ejemplo, para los
datos del Ejemplo N 5, presentando anteriormente, el resultado sera el siguiente:
Local
2277,1421
298,6949
0,9895
250,188228
1475961236
Frente
-7341,0634
647,9070
1402,31
8
15731741,91
rea
49,9363
3,4561
#N/A
#N/A
#N/A
constante
52331,3996
7147,1320
#N/A
#N/A
#N/A
Las pruebas t pueden ser determinadas por la razn entre los datos de la
primera y de la segunda lneas (ta1=a1/dea1). Los errores son calculados utilizando
los coeficientes determinados.
La produccin de modelos alternativos se facilitar si los datos originales se
copian para otro sector de la hoja de clculo, trabajndose las variables en un sector
fijo. Modelos semi-logartmicos, usando LN(Precio), pueden ser obtenidos
aplicando la funcin LN a los datos o directamente en la funcin
ESTIMACION.LOGARITMICA (o LOGEST).
101
Anexo II Distribuciones F y t
Los parmetros de la tabla indican los valores crticos para las pruebas del
modelo y de las variables, considerando el nmero de variables incluidas en el
modelo (k) y los Grados de Libertad (GL=nk1). La distribucin F fue calculada
para un nivel =0,05 y la distribucin t para los niveles =0,05 y =0,10, ambos
para el caso de dos colas.
GL
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
40
60
120
1
161,
18,5
10,1
7,71
6,61
5,99
5,59
5,32
5,12
4,96
4,84
4,75
4,67
4,60
4,54
4,49
4,45
4,41
4,38
4,35
4,32
4,30
4,28
4,26
4,24
4,23
4,21
4,20
4,18
4,17
4,08
4,00
3,92
3,84
2
199,
19,0
9,55
6,94
5,79
5,14
4,74
4,46
4,26
4,10
3,98
3,89
3,81
3,74
3,68
3,63
3,59
3,55
3,52
3,49
3,47
3,44
3,42
3,40
3,39
3,37
3,35
3,34
3,33
3,32
3,23
3,15
3,07
3,00
3
216,
19,2
9,28
6,59
5,41
4,76
4,35
4,07
3,86
3,71
3,59
3,49
3,41
3,34
3,29
3,24
3,20
3,16
3,13
3,10
3,07
3,05
3,03
3,01
2,99
2,98
2,96
2,95
2,93
2,92
2,84
2,76
2,68
2,60
4
224,
19,2
9,12
6,39
5,19
4,53
4,12
3,84
3,63
3,48
3,36
3,26
3,18
3,11
3,06
3,01
2,96
2,93
2,90
2,87
2,84
2,82
2,80
2,78
2,76
2,74
2,73
2,71
2,70
2,69
2,61
2,53
2,45
2,37
5
230,
19,3
9,01
6,26
5,05
4,39
3,97
3,69
3,48
3,33
3,20
3,11
3,03
2,96
2,90
2,85
2,81
2,77
2,74
2,71
2,68
2,66
2,64
2,62
2,60
2,59
2,57
2,56
2,55
2,53
2,45
2,37
2,29
2,21
Distribucin F - =0,05
k
6
7
8
9
234, 237, 239, 240,
19,3 19,3 19,4 19,4
8,94 8,89 8,85 8,81
6,16 6,09 6,04 6,00
4,95 4,88 4,82 4,77
4,28 4,21 4,15 4,10
3,87 3,79 3,73 3,68
3,58 3,50 3,44 3,39
3,37 3,29 3,23 3,18
3,22 3,14 3,07 3,02
3,09 3,01 2,95 2,90
3,00 2,91 2,85 2,80
2,92 2,83 2,77 2,71
2,85 2,76 2,70 2,65
2,79 2,71 2,64 2,59
2,74 2,66 2,59 2,54
2,70 2,61 2,55 2,49
2,66 2,58 2,51 2,46
2,63 2,54 2,48 2,42
2,60 2,51 2,45 2,39
2,57 2,49 2,42 2,37
2,55 2,46 2,40 2,34
2,53 2,44 2,37 2,32
2,51 2,42 2,36 2,30
2,49 2,40 2,34 2,28
2,47 2,39 2,32 2,27
2,46 2,37 2,31 2,25
2,45 2,36 2,29 2,24
2,43 2,35 2,28 2,22
2,42 2,33 2,27 2,21
2,34 2,25 2,18 2,12
2,25 2,17 2,10 2,04
2,18 2,09 2,02 1,96
2,10 2,01 1,94 1,88
10
242,
19,4
8,79
5,96
4,74
4,06
3,64
3,35
3,14
2,98
2,85
2,75
2,67
2,60
2,54
2,49
2,45
2,41
2,38
2,35
2,32
2,30
2,27
2,25
2,24
2,22
2,20
2,19
2,18
2,16
2,08
1,99
1,91
1,83
15
246,
19,4
8,70
5,86
4,62
3,94
3,51
3,22
3,01
2,85
2,72
2,62
2,53
2,46
2,40
2,35
2,31
2,27
2,23
2,20
2,18
2,15
2,13
2,11
2,09
2,07
2,06
2,04
2,03
2,01
1,92
1,84
1,75
1,67
20
248,
19,4
8,66
5,80
4,56
3,87
3,44
3,15
2,94
2,77
2,65
2,54
2,46
2,39
2,33
2,28
2,23
2,19
2,16
2,12
2,10
2,07
2,05
2,03
2,01
1,99
1,97
1,96
1,94
1,93
1,84
1,75
1,66
1,57
30
250,
19,5
8,62
5,75
4,50
3,81
3,38
3,08
2,86
2,70
2,57
2,47
2,38
2,31
2,25
2,19
2,15
2,11
2,07
2,04
2,01
1,98
1,96
1,94
1,92
1,90
1,88
1,87
1,85
1,84
1,74
1,65
1,55
1,46
254,
19,5
8,53
5,63
4,37
3,67
3,23
2,93
2,71
2,54
2,40
2,30
2,21
2,13
2,07
2,01
1,96
1,92
1,88
1,84
1,81
1,78
1,76
1,73
1,71
1,69
1,67
1,65
1,64
1,62
1,51
1,39
1,25
1,00
Distribucin t
- bilateral
0,05 0,10
12,7 6,31
4,30 2,92
3,18 2,35
2,78 2,13
2,57 2,02
2,45 1,94
2,36 1,89
2,31 1,86
2,26 1,83
2,23 1,81
2,20 1,80
2,18 1,78
2,16 1,77
2,14 1,76
2,13 1,75
2,12 1,75
2,11 1,74
2,10 1,73
2,09 1,73
2,09 1,72
2,08 1,72
2,07 1,72
2,07 1,71
2,06 1,71
2,06 1,71
2,06 1,71
2,05 1,70
2,05 1,70
2,05 1,70
2,04 1,70
2,02 1,68
2,00 1,67
1,98 1,66
1,96 1,64

Metodologia para La Tasacion de Inmuebles

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Metodologia para La Tasacion de Inmuebles

Uploaded by

Copyright:

Available Formats

METODOLOGA PARA LA

Marco Aurlio Stumpf Gonzlez

MARCO AURLIO STUMPF GONZLEZ

Traduccin, adaptacin y revisin:

MIGUEL CAMACARO PREZ

Marco Aurlio Stumpf Gonzlez

METODOLOGA PARA LA TASACIN DE INMUEBLES

Derechos Reservados Copyright 2006, respecto a la Primera Edicin en

La vida solo tiene sentido cuando hay adelanto espiritual, y esto

Marco Aurlio Stumpf Gonzlez

Presentacin de la edicin en Castellano

La presentacin que estaba aqu era del libro de Abunahman es preciso

Arq. Mara Emilia Pereira Colls

Marco Aurlio Stumpf Gonzlez

Este libro representa una contribucin para el desarrollo de la metodologa

Novo Hamburgo*, Octubre de 2005.

Para conocer Novo Hamburgo y regin, ver http://www.rotaromantica.com.br.

10 Marco Aurlio Stumpf Gonzlez

PRESENTACIN DE LA EDICIN EN CASTELLANO.............................. vii

12 Marco Aurlio Stumpf Gonzlez

Caractersticas del entorno............................................................................... 47

14 Marco Aurlio Stumpf Gonzlez

16 Marco Aurlio Stumpf Gonzlez

por consiguiente, disminuyendo la competencia por el uso de suelo, y tambin,

Ver Gonzlez (2002).

Metodologa para la Tasacin de Inmuebles

18 Marco Aurlio Stumpf Gonzlez

Metodologa para la Tasacin de Inmuebles

raramente bien coordinado (o lo que es lo mismo, no controlado) por el poder

20 Marco Aurlio Stumpf Gonzlez

heterogeneidad de los inmuebles y de sus localizaciones dificulta la comparacin.

Metodologa para la Tasacin de Inmuebles

El valor de mercado es nico (pues solo hay un mercado), en un momento

Maricato (1987, p.26).

22 Marco Aurlio Stumpf Gonzlez

parcelamientos que no poseen los requisitos legales mnimos, por ejemplo. En

Metodologa para la Tasacin de Inmuebles

buscan garantizar las mejores condiciones de vida para la comunidad, segn

24 Marco Aurlio Stumpf Gonzlez

mercado, aunque existan autores que afirmen que no existe un mercado

Balchin et al. (1995), Evans (1995), Harvey (1996) y Lavender (1990).

Mtodos de tasacin de inmuebles

Segn Fiker (1993) y Meirelles (1996).

Marco Aurlio Stumpf Gonzlez

Metodologa para la Tasacin de Inmuebles

El valor de mercado es el resultado de una transaccin entre un vendedor

Marco Aurlio Stumpf Gonzlez

cosa, puede variar en el tiempo, pero observado en un determinado momento, es

Metodologa para la Tasacin de Inmuebles

El mtodo se fundamenta en informaciones sobre precios de propiedades

Weimer y Hoyt (1948).

Marco Aurlio Stumpf Gonzlez

Tabla 1 Muestra de terrenos

Se verifica que esta muestra tiene caractersticas homogneas. La variable llave

Metodologa para la Tasacin de Inmuebles

Los precios de los inmuebles, heterogneos por naturaleza, se transforman en

Los valores son ponderados arbitrariamente por los factores Fj (j=1,...,k).

Marco Aurlio Stumpf Gonzlez

tasador solo el anlisis de los modelos y de los resultados, no se justifica seguir

Evolutivo (Costo de reproduccin)

Metodologa para la Tasacin de Inmuebles

Donde VI es el valor del inmueble, VT es el valor del terreno, VB es el valor de

Marco Aurlio Stumpf Gonzlez