COMITENTE_USUARIOS. 101-20.3-B/101-20-3-B.

DOCUMENTACION

El comitente aporto un registro exterior y detallo la composicion de la vivienda tanto en su interior como exterior, ademas proporciono el estado de conservacion de la misma.

DATOS DEL BIEN. 101-20.3-D.

Medidas de Parcela 101-20.3-d

MEJORAS, CARACTERISTICAS GENERALES, USOS, BALANCE DE SUPERFICIES Y ANTIGUEDAD. 101-20.3-D.

Se trata de un galpon con dependencias externas dentro del lote.

Terminaciones =

Aberturas = Puertas internas compuestas por placa de madera de apertura. Perciana metalica enrollable con puerta trampa de acceso principal. Ventanas mixtas aberturas realizadas en aluminio y chapa.

Revestimientos en pisos= Cemento alisado y Pisos de Ceramico.

Revestimientos en paredes= Mixtos: revoques, ladrillo expuesto y ceramicos.

Techos= Parabolico de chapa montado sobre estructura metalica, chapa con caida montada sobre estructura de madera.

Tipologia Constructiva =

Tradicional

Extras= Ninguno.

Servicios Urbanos

Concluciones

En el mapa expuesto en la parte superior se hace mención alguno de los servicios urbanos circundantes al inmueble, tal es el caso de colegios,mercados, supermercado, entre otros, por lo que se concluye que el inmueble en estudio posee una buena cobertura en referencia a serivios urbanos.

Mapa Interactivo, Calles y sentido de circulacion

Conclusiones

El sentido de circulacion de las calles circundantes, facilita el acceso y egreso al inmueble.

Mapa Interactivo, Paradas de Autobus.

Concluciones

El sector en estudio tiene buena cobertuta ya que a pocos metros se encuentran paradas de autobuses que permiten el translado urbano e interurbano si nos dirigimos hacia la ex Ruta N°22

Arquitectura urbanistica

Concluciones

El sector de estudio tiene una arquitectura uniforme con respecto a la tipologia edilicia la cual es implementada a traves de materiales tradicionales, con respecto a sus usos, encontramos usos mixtos en la zona de estudio encontramos varios galpones con diferentes destinos de usos, como de acopio, talleres mecanicos, talleres de chapa y pintura, hidraulica, entre otroas, ademas se destaca la prescencia de locales comerciales, tambien se encuentran viviendas unifamiliares.

Geoposicionaminto en manzana y linderos

Resultados

Como se puede apreciar en el mapa, el inmueble posee una ubicacion en esquina con respecto a la cuadra.

Linderos

Proceso de valoracion

El proceso de valoración comprende de una serie de procedimientos sistemáticos que un tasador lleva a cabo para proveerle respuestas acerca del valor de cierto bien al cliente. Este proceso se adapta para proveer una amplia variedad de respuestas sobre diferentes problemas que inciden en el valor de la propiedad objeto de estudio. El proceso de valoración empieza cuando el tasador acepta una tarea de la valuación y termina cuando se proveen los resultados de la tarea al cliente. El proceso de valoración se lleva a cabo mediante varios pasos, el número de pasos a seguir dependen en la naturaleza del problema de la valuación y de la disponibilidad de la información, la búsqueda de información empieza luego de que se ha definido e identificado el problema de tasación; Este análisis de información ayuda al tasador a entender el problema y empieza en este caso con una investigación de tendencias observadas a nivel del mercado nacional, regional y del vecindario, el análisis de información ayuda al tasador a entender las relaciones entre los principios, fuerzas y factores que afectan el valor de las propiedades en un área de mercado en específico. En este caso, el objetivo del proceso de valoración es presentar una opinión de valor debidamente sustentada y creíble, reflejando todos los factores que influencian el valor en el mercado de la propiedad objeto de estudio. Para efectivamente lograr este objetivo, el tasador estudia al objeto desde diferentes perspectivas que se conocen como métodos de avalúo y/o tasación.

METODLOGIA A EMPLEAR PARA LA VALORACION DEL BIEN.103-30-30-1-C 105-20-30 105-60

Se aplicará el método directo comparativo (parcela) a través de una regresión lineal (con variables sometidas a una escala de baremos del 1 al 10 invertida), este procesos se realiza en lenguaje de programación R donde a través del método estadístico predictivo “Regresión Lineal Múltiple” en el cual se programara una “RLM” con todas las variables y sus respectivas puntuaciones para que luego se establesca a traves de una linea de programacion un mejor modelo matematico predictivo tomando las variables con la mejor puntuacion en correlacion, de esta manera se obtiene un valor de mercado de la parcela, algunas veces las relaciones estadísticas pueden ser lineales o no lineales. Las mejoras seran analizadas a traves de la metodologia de coste y reposicion, como asi se le aplicara un demerito a traves de la metodologia propuesta por Fitto y Corvinni. Además de estos métodos se aplicarán unos métodos comprobatorios los cuales contemplan un modelo geoestadístico predictivo como así una serie de cálculos los cuales determinan y establecen si los resultados obtenidos tras las metodologias mencionadas tienen optimos resultados.

BASE DE VALOR.104-30

Valor de Mercado.

TAMAÑO MUESTRAL

Se cuenta con la cantidad 40 de muestras las cuales se exponen dentro de mapas interactivos que se reflejaran en este informe, estas muestras surgen de una base de datos personal elaborada con procesos SIG (Sistemas de Información Geográfica) la cual se procesa con geoestadística, solapamientos catastrales e identificación individual de cada muestra es decir ademas de que cada muestra es individualizada las mismas contienen atributos cuantitativos y cualitativos; Nuestra base de datos geográfica y de estructura relacional cuenta con más de 10 mil relevamientos activos en el pais, sin embargo se menciona en el país ya que nuestra base de datos se extiende a varios países de Latinoamérica, formando una de las bases de datos privadas más grande de Latinoamérica superando las 100 mil muestras activas.

NOTA IMPORTANTE = se realizó un análisis del total de las muestras a través de lenguaje SQL (Consultas estructuradas) en software, además de una serie de pruebas para poder determinar las muestras más apropiadas en relación al inmueble en estudio, ya que la zona de estudio en la cual se determinó un cuadrante geográfico de estudio, contaba con una cantidad de muestras que superaban las 200 muestras. El cuadrante también se estableció a través de estudios previos.

NOTA: Las identidades, como así datos identificatorios de las muestras, datos catastrales, son reservadas por el secreto profesional, el mapa expuesto ubica las muestras dentro del sector de origen, no así el punto geoposiciona la muestra sobre el inmueble utilizado con tal fin.

Regresion Lineal Multiple Resumen de codigo ejecutado

El análisis de correlación y regresión son herramientas importantes para entender la relación entre dos o más variables. En R, es posible realizar estos análisis de manera sencilla y eficiente utilizando las funciones cor, ggcorrplot, ggpairs, lm, predict y ggplot. Estas herramientas permiten explorar y visualizar la relación entre las variables, seleccionar el mejor modelo y realizar predicciones.

Lectura de datos: El primer paso es cargar los datos en R. En este ejemplo, los datos se encuentran en un archivo de Excel y se leerán utilizando la función read_excel del paquete readxl.

Cálculo de la matriz de correlación: Una vez que los datos están cargados, se puede calcular la matriz de correlación utilizando la función cor de R. Esta matriz muestra cómo se correlacionan las diferentes variables entre sí.

Creación de un gráfico de correlación: Para visualizar mejor la matriz de correlación, se puede crear un gráfico utilizando la función ggcorrplot del paquete ggcorrplot. Este gráfico muestra la relación entre cada par de variables y facilita la identificación de patrones y relaciones.

Creación de un gráfico de dispersión: Para explorar la relación entre dos variables específicas, se puede crear un gráfico de dispersión utilizando la función ggpairs del paquete GGally. Este gráfico muestra la relación entre dos variables y permite identificar patrones y outliers.

Creación de un modelo de regresión lineal: Si se desea explorar la relación entre dos variables de manera más formal, se puede crear un modelo de regresión lineal utilizando la función lm de R. Este modelo permite predecir el valor de una variable a partir del valor de otra variable.

Selección del mejor modelo: En ocasiones, puede haber varias variables que expliquen la variabilidad en la variable dependiente. En estos casos, es posible utilizar el método stepwise de R para seleccionar el mejor modelo y eliminar variables que no sean significativas.

Predicción del valor de una parcela: Una vez que se ha creado un modelo de regresión lineal, se puede utilizar la función predict de R para predecir el valor de una variable a partir del valor de otra variable.

Creación de gráficos: Finalmente, se pueden crear gráficos para visualizar la relación entre las variables y el modelo de regresión lineal. Para ello, se puede utilizar la función ggplot del paquete ggplot2. Por ejemplo, se puede crear un gráfico de dispersión con una línea de regresión y un gráfico de distribución para visualizar la distribución de los datos.

RLM

Implementacion del modelo de Regresion Lineal Multiple, para la determinacion del valor.

library(readxl)
library(stats)
library(ggplot2)
library(GGally)
library(ggthemes)
library(ggcorrplot)
# Leer los datos
variables <- variables <- read_excel("C:/Users/Marcelo/Desktop/NQN_331/variables.xlsx")
# Matriz de correlación
corr_matrix <- round(cor(variables, use = "pairwise.complete.obs"), 2)

# Modelo de regresión lineal completo
var1 <- lm(Valor_Num ~ Superficie + UBC + S_2Calles + UBZ + Conect + Resci, data = variables)
# Resumen del modelo
summary(var1)

Call:
lm(formula = Valor_Num ~ Superficie + UBC + S_2Calles + UBZ + 
    Conect + Resci, data = variables)

Residuals:
    Min      1Q  Median      3Q     Max 
-15.589  -5.536   0.690   5.646  15.081 

Coefficients: (1 not defined because of singularities)
            Estimate Std. Error t value Pr(>|t|)    
(Intercept)  413.718     37.733  10.964 1.05e-12 ***
Superficie     2.836      2.343   1.211 0.234310    
UBC          -31.045      4.090  -7.590 8.12e-09 ***
S_2Calles         NA         NA      NA       NA    
UBZ          -44.633     10.435  -4.277 0.000145 ***
Conect        31.935      8.851   3.608 0.000980 ***
Resci         -3.625      7.072  -0.513 0.611576    
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 9.229 on 34 degrees of freedom
Multiple R-squared:  0.8145,    Adjusted R-squared:  0.7873 
F-statistic: 29.86 on 5 and 34 DF,  p-value: 1.597e-11

# Coeficientes del modelo
var1$coefficients

(Intercept)  Superficie         UBC   S_2Calles         UBZ      Conect 
 413.718404    2.836394  -31.045222          NA  -44.632774   31.935422 
      Resci 
  -3.624898 

# Selección del mejor modelo usando stepwise
step(object = var1, direction = "both", trace = 1)

Start:  AIC=183.29
Valor_Num ~ Superficie + UBC + S_2Calles + UBZ + Conect + Resci


Step:  AIC=183.29
Valor_Num ~ Superficie + UBC + UBZ + Conect + Resci

             Df Sum of Sq    RSS    AIC
- Resci       1      22.4 2918.3 181.59
- Superficie  1     124.9 3020.8 182.98
<none>                    2895.9 183.29
- Conect      1    1108.9 4004.8 194.25
- UBZ         1    1558.4 4454.3 198.51
- UBC         1    4906.3 7802.2 220.93

Step:  AIC=181.6
Valor_Num ~ Superficie + UBC + UBZ + Conect

             Df Sum of Sq    RSS    AIC
<none>                    2918.3 181.59
+ Resci       1      22.4 2895.9 183.29
- Superficie  1     326.6 3245.0 183.84
- Conect      1    1374.4 4292.7 195.03
- UBZ         1    2569.1 5487.4 204.85
- UBC         1    4913.1 7831.4 219.08

Call:
lm(formula = Valor_Num ~ Superficie + UBC + UBZ + Conect, data = variables)

Coefficients:
(Intercept)   Superficie          UBC          UBZ       Conect  
    395.984        3.585      -30.744      -40.885       29.381  

# Mejor modelo de regresión lineal
mejor_modelo <- lm(formula = Valor_Num ~ Superficie + UBC + UBZ + Conect, data = variables)
# Resumen del mejor modelo
summary(mejor_modelo)

Call:
lm(formula = Valor_Num ~ Superficie + UBC + UBZ + Conect, data = variables)

Residuals:
    Min      1Q  Median      3Q     Max 
-15.532  -5.781   1.373   6.210  14.774 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept)  395.984     14.893  26.589  < 2e-16 ***
Superficie     3.585      1.811   1.979 0.055699 .  
UBC          -30.744      4.005  -7.676 5.24e-09 ***
UBZ          -40.885      7.366  -5.551 3.02e-06 ***
Conect        29.381      7.237   4.060 0.000262 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 9.131 on 35 degrees of freedom
Multiple R-squared:  0.8131,    Adjusted R-squared:  0.7917 
F-statistic: 38.07 on 4 and 35 DF,  p-value: 2.728e-12

# Predicción del valor de la parcela NQN329
parcela_nqn331 <- predict(mejor_modelo, newdata = data.frame(Superficie = 3, UBC = 3, S_2Calles = 3, UBZ = 3, Conect = 3.5))
# Valor de Parcela 
parcela_nqn331

       1 
294.6861 

Valor del lote sin mejoras .

Valor de las mejoras .

Valor del Inmueble (Parcela+Mejoras).

Oferta

El nivel de oferta de inmuebles con similares caracteristicas en el entorno proximo es medio.

Demanda

El nivel de la demanda de inmuebles de similares características ubicadas en el entorno próximo al inmueble estudiado es medio/bajo.

Revalorizacion

La evolución de la oferta y la demanda no prevé una revalorización del inmueble en un futuro cercano, ya que nos encontramos frente a un mercado estable, sin embargo el mismo puede variar por diferentes factores tanto externos como internos, por ello debe de solicitarce un revaluo a fines de obtener una valorizacion mas actualizada.

Observaciones

Se tomo un valor libre de gastos de sucesión, gastos de planos en el caso de que no estén presentados o con su final de obra, tampoco se contempló gastos de labores realizados por Agrimensor, gastos de amojonamiento, recta de comparación, factibilidad, cateos u otro tipo de tramite vinculatorio como así gravámenes o gastos que recaigan sobre el inmueble, en caso de que estos existan se tendrán que descontar del valor de la valoración más el coste de oportunidad en tal caso solicítese un revaluó.

FECHA DE EMISION, CADUCIDAD Y FIRMA.101-20.3-h 101-20.3-a

Emision= 28/04/2023 Ultima inspeccion del inmueble (Virtual)= 27/04/2023

REPRESENTANTE Y VALUADOR, INTERNACIONAL

Marcelo Fabian Larroulet Metzger

FIRMA