Modelo de estratificación socioeconómica basado en inteligencia artificial en la localidad de Chapinero, Bogotá D.C.

dc.contributor.advisorPérez Carvajal, Edwin Robert
dc.contributor.authorDíaz Amaya, Laura Estefanía
dc.date.accessioned2025-03-10T19:33:38Z
dc.date.available2025-03-10T19:33:38Z
dc.date.created2024-11-07
dc.descriptionEn este trabajo se determinará y probará la precisión de un algoritmo de inteligencia artificial por medio de machine learning como lo es el Modelo de Estratificación Socioeconómica basado en Inteligencia Artificial para el cálculo de los estratos socioeconómicos de la localidad de Chapinero, mediante el uso de redes neuronales y/o arboles de decisión. Para el trabajo se tuvo en cuenta una base de datos alfanumérica junto con las imágenes de fachada de las propiedades, esto para el cálculo de la estratificación socioeconómica de manzanas ubicadas en la localidad de Chapinero, con el fin de minimizar los recursos tiempo y dinero de la actual metodología e implementar el uso de las nuevas tecnologías en el territorio. Como primera medida se extrajeron imágenes de fachadas de inmuebles que gracias a la extensión del Street View de la empresa Google ofrece de manera gratuita, que junto con variables de cada una de las viviendas o manzanas de los predios objetos de estudio relacionados con la base de datos alfanumérica que pertenece a la Unidad Administrativa Especial de Catastro Distrital. Desde el software WEKA se les hizo el tratamiento de datos, donde dependiendo el caso de la variable se convertía en nominal o continua, para el caso de la imagen con formato .jpg se realizó un tratamiento diferente, posteriormente se comprobaron redes neuronales y arboles de decisión para verificar cuál de estos algoritmos ejecutados es el mejor calificador de estratificación socioeconómica para la localidad de Chapinero. Dentro de los más óptimos algoritmos de clasificación se encuentra el J48, que será el algoritmo Modelo de Estratificación Socioeconómica de Inteligencia Artificial (MESIA), ya que este modelo logra definir la estratificación con más del 90% de precisión, y tiene en cuenta límites entre estratos muy marcados como lo son los estratos 1 y 2 ubicados hacia los cerros orientales en la localidad de Chapinero de Bogotá. Pero, ¿Qué pasaría si el Modelo de Estratificación Socioeconómica basado en Inteligencia Artificial se aplica en otras localidades de Bogotá? o ¿Qué otras variables se le podrían agregar al Modelo de Estratificación Socioeconómica basado en Inteligencia Artificial?
dc.description.abstractIn this work, the accuracy of an artificial intelligence algorithm will be determined and tested through machine learning, such as the Socioeconomic Stratification Model based on Artificial Intelligence for the calculation of the socioeconomic strata of Chapinero locality, through the use of neural networks and/or decision trees. For the work, an alphanumeric database was taken into account along with the facade images of the properties, this for the calculation of the socioeconomic stratification of blocks located in Chapinero locality, in order to minimize the time and money resources of the current methodology and implement the use of new technologies in the territory. As a first step, images of facades of properties were extracted, which thanks to the extension of the Street View of the company Google offers for free, which together with variables of each of the houses or blocks of the properties under study related to the alphanumeric database that belongs to the Special Administrative Unit of the District Cadastre. From the WEKA software, the data was processed, where depending on the case of the variable it was converted into nominal or continuous, for the case of the image with .jpg format a different treatment was carried out, subsequently neural networks and decision trees were tested to verify which of these executed algorithms is the best qualifier of socioeconomic stratification for the Chapinero locality. Among the most optimal classification algorithms is the J48, which will be the Artificial Intelligence Socioeconomic Stratification Model (MESIA) algorithm, since this model manages to define the stratification with more than 90% accuracy, and takes into account very marked limits between strata such as strata 1 and 2 located towards the eastern hills in the Chapinero locality of Bogotá. But what would happen if the Socioeconomic Stratification Model based on Artificial Intelligence is applied in other localities of Bogotá? Or what other variables could be added to the Artificial Intelligence-based Socioeconomic Stratification Model?
dc.format.mimetypepdf
dc.identifier.urihttp://hdl.handle.net/11349/93446
dc.language.isospa
dc.publisherUniversidad Distrital Francisco José de Caldas
dc.relation.referencesAlzate, M. C. (s. f.). La estratificación socioeconómica para el cobro de los servicios públicos domiciliarios en Colombia ¿Solidaridad o focalización? 101.
dc.relation.referencesArbol weka—APLICACIÓN DE TÉCNICAS DE INDUCCIÓN DE ÁRBOLES DE DECISIÓN A PROBLEMAS DE CLASIFICACIÓN - StuDocu. (s. f.). Recuperado 7 de diciembre de 2022, de https://www.studocu.com/es/document/universidad-dealicante/ economia/arbol-weka/17561912
dc.relation.referencesÁrboles de Decisión – DT – Numerentur.org. (s. f.). Recuperado 9 de agosto de 2023, de https://numerentur.org/arboles-de-decision/
dc.relation.referencesBerlanga, V., Rubio Hurtado, M. J., & Vilà Baños, R. (2013). Cómo aplicar árboles de decisión en SPSS. https://diposit.ub.edu/dspace/handle/2445/43762
dc.relation.referencesCorrea Valencia, M., & Pamies-Teixeira, J. (2013). Prediction of roughness surface in textured by electrical erosion using bayesian networks. Sistemas y Telemática, 11(27), 77. https://doi.org/10.18046/syt.v11i27.1696
dc.relation.referencesCorso, I., & Lorena, C. (s. f.). Aplicación de algoritmos de clasificación supervisada usando Weka. 11.
dc.relation.referencesDANE - Estratificación socioeconómica. (s. f.). Recuperado 22 de febrero de 2024, de https://www.dane.gov.co/index.php/servicios-al-ciudadano/serviciosinformacion/ estratificacion-socioeconomica#generalidades
dc.relation.referencesDetección de fallas mecánicas mediante «Machine Learning», utilizando el clasificador «Random Forest». (2022). Congreso Iberoamericano de Ingeniería Mecánica- CIBIM 2022. XV Congreso Iberoamericano de Ingeniería Mecánica. https://doi.org/10.5944/bicim2022.293
dc.relation.referencesDíaz Landa, B., Meleán Romero, R., & Marín Rodriguez, W. J. (2021). Rendimiento académico de estudiantes en Educación Superior: Predicciones de factores influyentes a partir de árboles de decisión. Telos: Revista de Estudios Interdisciplinarios en Ciencias Sociales, 23(3 (septiembre-diciembre)), 616-639.
dc.relation.referencesError medio absoluto cuantificacion de la precision del pronostico con el error medio absoluto una guia completa. (s. f.). FasterCapital. Recuperado 22 de febrero de 2024, de https://fastercapital.com/es/contenido/Error-medio-absoluto--cuantificacion-dela- precision-del-pronostico-con-el-error-medio-absoluto--una-guia-completa.html
dc.relation.referencesFachelli, S. (2009). Nuevo modelo de estratificación social y nuevo instrumento para su medición: El caso argentino. Universitat Autònoma de Barcelona,. https://ddd.uab.cat/record/63868
dc.relation.referencesFloIancu. (2017, diciembre 28). How to interpret error measures? [Forum post]. Cross Validated. https://stats.stackexchange.com/q/131267
dc.relation.referencesGómez-Ortega, O. R., & Rey, M. C. del P. A. (2013). ICrESAI-IMeCI: Instrumentos para elegir y evaluar artículos científicos para la investigación y la práctica basada en evidencia. Aquichan, 13(3), Art. 3. https://aquichan.unisabana.edu.co/index.php/aquichan/article/view/2507
dc.relation.referencesGuía: Medidas de concordancia: El índice Kappa—Fisterra. (s. f.). Recuperado 27 de febrero de 2024, de https://www.fisterra.com/formacion/metodologiainvestigacion/ medidas-concordancia-indice-kappa/
dc.relation.referencesHernández, C. N. L., & Jaramillo, M. M. (s. f.). Alcaldesa Mayor de Bogotá. Infraestructura de Datos Espaciales de Bogotá. (s. f.). Ideca. Recuperado 22 de febrero de 2024, de https://ideca.gov.co
dc.relation.referencesIntroducción a Machine Learning. (s. f.).
dc.relation.referencesJ. Pearl. (1998). Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference. San Mateo, CA, USA: Morgan Kaufmann Publishers.
dc.relation.referencesLabañino Urbina, S., Valencia Zayas, H. A., & Toledano López, O. G. (2019). Algoritmo Random Forest para la detección de fallos en redes de computadoras. Serie Científica de la Universidad de las Ciencias Informáticas, 12(8), 27-41.
dc.relation.referencesLey 142 de 1994—Gestor Normativo—Función Pública. (s. f.). Recuperado 22 de febrero de 2024, de https://www.funcionpublica.gov.co/eva/gestornormativo/norma.php?i=2752
dc.relation.referencesLey 505 de 1999—Gestor Normativo—Función Pública. (s. f.). Recuperado 22 de febrero de 2024, de https://www.funcionpublica.gov.co/eva/gestornormativo/norma.php?i=185
dc.relation.referencesLeyes desde 1992—Vigencia expresa y control de constitucionalidad [LEY_0142_1994]. (s. f.). Recuperado 7 de diciembre de 2022, de http://www.secretariasenado.gov.co/senado/basedoc/ley_0142_1994.html
dc.relation.referencesMachine Learning: Análisis de lenguajes de programación y herramientas para desarrollo - ProQuest. (s. f.). Recuperado 22 de febrero de 2024, de https://www.proquest.com/openview/c7e24c997199215aa26a39107dd2fe98/1?pqorigsite= gscholar&cbl=1006393
dc.relation.referencesManzanares, C. R., Santos, J. M. R., & Fernández, J. M. R. (s. f.). Análisis de los Métodos de Predicción Aplicados a los Desvíos en el Sistema Eléctrico Ibérico. 86.
dc.relation.referencesMáquinas de Soporte Vectorial, Clasificador Naïve Bayes y Algoritmos Genéticos para la Predicción de Riesgos Psicosociales en Docentes de Colegios Públicos Colombianos. (s. f.). Recuperado 9 de agosto de 2023, de https://www.scielo.cl/scielo.php?script=sci_arttext&pid=S0718- 07642018000600153
dc.relation.referencesMartínez, R. E. B., Ramírez, N. C., Mesa, H. G. A., Suárez, I. R., León, P. P., & Morales, S. L. B. (2009). Árboles de decisión como herramienta en el diagnóstico médico.
dc.relation.referencesModelo hibrido para el diagnóstico de enfermedades cardiovasculares basado en inteligencia artificial. (s. f.). Recuperado 22 de febrero de 2024, de http://www.scielo.org.co/scielo.php?pid=S0123- 921X2012000300004&script=sci_arttext
dc.relation.referencesMolinares-Torres, M. F. (2019). SISBÉN Y ESTRATIFICACIÓN: ¿QUIÉNES GANAN CON LA FOCALIZACIÓN EN COLOMBIA? 4.
dc.relation.referencesMunárriz, L. Á. (1994). Fundamentos de inteligencia artificial. EDITUM.
dc.relation.referencesOroquieta, A. L., & González, R. F. (s. f.). PREDICCIONES METEREOLÓGICAS OBTENIDAS DE DATOS DE ESTACIONES NAVARRAS UTLIZANDO TÉCNICAS DE MINERÍA DE DATOS. 347.
dc.relation.referencesProf, C. (2022, enero 3). 3 Ways to Calculate the Root Relative Squared Error (RRSE) in R. CodingProf.Com. https://www.codingprof.com/3-ways-to-calculate-the-rootrelative- squared-error-rrse-in-r/
dc.relation.references¿Qué quiere decir servicio público domiciliario y cuál es la diferencia con los otros servicios públicos? (s. f.). ACUACAR. Recuperado 22 de febrero de 2024, de https://www.acuacar.com/Oficina-virtual/Informacióngeneral/ guiadelusuario/ArticleID/144/¿Qué-quiere-decir-servicio-públicodomiciliario- y-cuál-es-la-diferencia-con-los-otros-servicios-públicos
dc.relation.referencesRaíz de error cuadrado medio (RMSE) | SAP Help Portal. (s. f.). Recuperado 22 de febrero de 2024, de https://help.sap.com/docs/SAP_ANALYTICS_CLOUD/00f68c2e08b941f081002fd 3691d86a7/12cda9ce48b049a8adda7a6f3c240fa4.html
dc.relation.referencesRegresión Logística—Teoría—🤖 Aprende IA. (s. f.). Recuperado 9 de agosto de 2023, de https://aprendeia.com/algoritmo-regresion-logistica-machine-learning-teoria/
dc.relation.referencesRodriguez, J. A. V. (2016). ANÁLISIS DE UN MODELO PARA IDENTIFICAR ALERTAS TEMPRANAS ANTE ATAQUES DE PHISHING.
dc.relation.referencesRosero, L. M. (2004). Estratificación socioeconómica como instrumento de focalización. Economía y Desarrollo, 3, 15.
dc.relation.referencesSepúlveda Rico, C. E., López Camacho, D., & Gallego Acevedo, J. M. (Eds.). (2014). Los límites de la estratificación: En busca de alternativas. Editorial Universidad del Rosario. https://doi.org/10.7476/9789587385373
dc.relation.referencesTim. (2015, enero 5). Answer to «How to interpret error measures?» Cross Validated. https://stats.stackexchange.com/a/131273
dc.relation.referencesYunda, J. G. (2019). Densificación y estratificación social en Bogotá: Distribución sesgada de la inversión privada. EURE (Santiago), 45(134), 237-257. https://doi.org/10.4067/S0250-71612019000100237
dc.rights.accesoAbierto (Texto Completo)
dc.rights.accessrightsOpenAccess
dc.subjectInteligencia artificial
dc.subjectEstratificación
dc.subjectModelo
dc.subject.keywordIntelligence Artificial
dc.subject.keywordStratification
dc.subject.keywordModel
dc.subject.lembIngeniería Catastral y Geodesia -- Tesis y disertaciones académicas
dc.titleModelo de estratificación socioeconómica basado en inteligencia artificial en la localidad de Chapinero, Bogotá D.C.
dc.title.titleenglishSocioeconomic stratification model based on artificial intelligence in Chapinero locality, Bogotá D.C.
dc.typebachelorThesis
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.degreeMonografía
dc.type.driverinfo:eu-repo/semantics/bachelorThesis

Archivos

Bloque original

Mostrando 1 - 2 de 2
Cargando...
Miniatura
Nombre:
DiazAmayaLauraEstefania2024.pdf
Tamaño:
4.83 MB
Formato:
Adobe Portable Document Format
Descripción:
Trabajo de Grado
No hay miniatura disponible
Nombre:
Licencia de uso y publicacion editable.pdf
Tamaño:
274.87 KB
Formato:
Adobe Portable Document Format

Bloque de licencias

Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
7 KB
Formato:
Item-specific license agreed upon to submission
Descripción: