Avaliação de Imoveis Urbanos

AVALIAO DE IMVEIS URBANOS
ARQUITETAANAMARIADEBIAZZIDIASDEOLIVEIRA
A estatstica tem uma particularidade: pesquisamos para dizer algo significativo sobre o universo que elegemos, porm a pesquisa s ser significativa se conhecermos suficientemente o universo para escolhermos adequadamente as variveis e as condies de amostragem.
Instrutora: ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA

End. : Rua Curuz, 56 Alto da Lapa Tel: 55 (11) 3831-1568/ 8109-7733 So Paulo -S.P e-mail: anabiazzi@uol.com.br
CURRICULUM VITAE - RESUMIDO

Arquiteta, graduada pela Pontifcia Universidade Catlica de Campinas. Ps graduada em Engenharia de Avaliaes e Percias pela Universidade Santa Ceclia -UNISANTA SantosSP. Mestre em Engenharia Civil e Urbana pela Escola Politcnica da USP.Profissional autnoma exercendo as mais diversas funes na rea de Avaliaes e Percias de Engenharia. Vice- presidente do IBAPE/SPInstituto Brasileiro de Avaliaes e Percias de Engenharia de So Paulo. Participao como relatora na elaborao da NORMA PARA AVALIAO DE IMVEIS URBANOS do IBAPE/SP.Coordenadora do estudo VALORES DE
EDIFICAES DE IMVEIS URBANOS do IBAPE/SP verso 2002.Integrante da Comisso de Estudos da ABNT - COBRACON no processo de reviso das Normas de Avaliaes de Bens.Instrutora nos cursos de especializao versando sobre Inferncia Estatstica Aplicada Engenharia de Avaliaes de Imveis ministrados para entidades e rgos pblicos e em cursos em cursos de ps graduao Latu Sensu em Engenharia de Avaliaes e Percias
1 - Conceitos Gerais
1.1- A Natureza da Avaliao de um Bem Imvel Do ponto de vista geral e pela definio contida na NBR (Norma Brasileira) -14.653 PARTE 1: PROCEDIMENTOS GERAIS, a avaliao de um bem consiste na anlise tcnica, realizada por Engenheiro de Avaliaes, para identificar o valor de um bem, de seus custos, frutos e direitos, assim como determinar indicadores da viabilidade de sua utilizao econmica, para uma determinada finalidade, situao e data. Sendo que: 3.6 bem: Coisa que tem valor, suscetvel de utilizao ou que pode ser objeto de direito, que integra um patrimnio 3.6.1 bem tangvel: Bem identificado materialmente (ex.: imveis, equipamentos, matrias-primas) 3.6.2 bem intangvel: Bem no identificado materialmente (ex.: fundo de comrcio, marcas e patentes) 1.2 Classificao dos bens, vistoria e coleta de dados (transcries Normas tcnicas brasileiras NBR 14653-2)) 1.2.1 Classificao dos imveis urbanos Quanto ao uso: a) residencial; b) comercial; c) industrial; d) institucional; e) misto. Quanto ao tipo do imvel, entre outros: a) terreno (lote ou gleba); b) apartamento; c) casa; d) escritrio (sala ou andar corrido); e) loja; f) galpo; g) vaga de garagem; h) misto;

i) hotis e motis; j) hospitais; k) escolas; l) cinemas e teatros; m) clubes recreativos; n) prdios industriais. Quanto ao agrupamento dos imveis: a) loteamento; b) condomnio de casas; c) prdio de apartamentos;
d) conjunto habitacional (casas, prdios ou mistos); e) conjunto de salas comerciais; f) prdio comercial; g) conjunto de prdios comerciais; h) conjunto de unidades comerciais; i) complexo industrial. 1.2.2 - Vistoria do bem avaliando Nenhuma avaliao poder prescindir da vistoria. Em casos excepcionais, quando for impossvel o acesso ao bem avaliando, admite-se a adoo de uma situao paradigma, desde que acordada entre as partes e explicitada no laudo. A vistoria deve ser efetuada pelo engenheiro de avaliaes com o objetivo de conhecer e caracterizar o bem avaliando e sua adequao ao seu segmento de mercado, da resultando condies para a orientao da coleta de dados. recomendvel registrar as caractersticas fsicas e de utilizao do bem e outros aspectos relevantes formao do valor. O conhecimento de estudos, projetos ou perspectivas tecnolgicas que possam vir a afetar o valor do bem avaliando dever ser explicitado e suas conseqncias apreciadas. Caracterizao da regio Aspectos gerais: anlise das condies econmicas, polticas e sociais, quando relevantes para o mercado, inclusive usos anteriores atpicos ou estigmas. Aspectos fsicos: condies de relevo, natureza predominante do solo e condies ambientais.
Localizao: situao no contexto urbano, com indicao dos principais plos de influncia. Uso e ocupao do solo: confrontar a ocupao existente com as leis de zoneamento e uso do solo do municpio, para concluir sobre as tendncias de modificao a curto e mdio prazo. Infra-estrutura urbana: sistema virio, transporte coletivo, coleta de resduos slidos, gua potvel, energia eltrica, telefone, redes de cabeamento para transmisso de dados, comunicao e televiso, esgotamento sanitrio, guas pluviais e gs canalizado. Atividades existentes: comrcio, indstria e servio. Equipamentos comunitrios: segurana, educao, sade, cultura e lazer. Caracterizao do terreno
Localizao: situao na regio e via pblica, com indicao de limites e confrontaes. Utilizao atual e vocao, em confronto com a legislao em vigor. Aspectos fsicos: dimenses, forma, topografia, superfcie, solo. Infra-estrutura urbana disponvel. Restries fsicas e legais ao aproveitamento. Caracterizao das edificaes e benfeitorias
Aspectos construtivos, qualitativos, quantitativos e tecnolgicos, comparados com a documentao disponvel. Aspectos arquitetnicos, paisagsticos e funcionais, inclusive conforto ambiental. Adequao da edificao em relao aos usos recomendveis para a regio. Condies de ocupao.
Situaes especiais
- Vistoria por amostragem Na avaliao de conjunto de unidades autnomas padronizadas, permitida vistoria interna por amostragem aleatria de uma quantidade definida previamente pelas partes ou, se houver omisso no contrato, de um percentual mnimo de 10% do total das unidades de cada bloco ou conjunto de unidades de mesma tipologia.
- Impossibilidade de vistoria Quando no for possvel o acesso do avaliador ao interior do imvel, o motivo deve ser justificado no laudo de avaliao. Neste caso, em comum acordo com o contratante, a vistoria interna pode ser prescindida e a avaliao pode prosseguir com base nos elementos que for possvel obter ou fornecidos pelo contratante, tais como: a) descrio interna; b) no caso de apartamentos, escritrios e conjuntos habitacionais, a vistoria externa de reas comuns, a vistoria de outras unidades do mesmo edifcio e informaes da respectiva administrao; c) no caso de unidades isoladas, a vistoria externa. As consideraes hipotticas sobre o imvel que configuram a situao paradigma, devem estar claramente explicitadas no laudo de avaliao. 1.2.3 Coleta de dados recomendvel que seja planejada com antecedncia, tendo em vista: as caractersticas do bem avaliando, disponibilidade de recursos, informaes e pesquisas anteriores, plantas e documentos, prazo de execuo dos servios, enfim, tudo que possa esclarecer aspectos relevantes para a avaliao. Aspectos Quantitativos recomendvel buscar a maior quantidade possvel de dados de mercado, com atributos comparveis aos do bem avaliando. Aspectos Qualitativos Na fase de coleta de dados recomendvel: a) buscar dados de mercado com atributos mais semelhantes possveis aos do bem avaliando; b) identificar e diversificar as fontes de informao, sendo que as informaes devem ser cruzadas, tanto quanto possvel, com objetivo de aumentar a confiabilidade dos dados de mercado; c) identificar e descrever as caractersticas relevantes dos dados de mercado coletados; d) buscar dados de mercado de preferncia contemporneos com a data de referncia da avaliao.

Planejamento da pesquisa
No planejamento de uma pesquisa, o que se pretende a composio de uma amostra representativa de dados de mercado de imveis com caractersticas, tanto quanto possvel, semelhantes s do avaliando, usando-se toda a evidncia disponvel. Esta etapa que envolve estrutura e estratgia da pesquisa deve iniciar-se pela caracterizao e delimitao do mercado em anlise, com o auxlio de teorias e conceitos existentes ou hipteses advindas de experincias adquiridas pelo avaliador sobre a formao do valor. Na estrutura da pesquisa so eleitas as variveis que, em princpio, so relevantes para explicar a formao de valor e estabelecidas as supostas relaes entre si e com a varivel dependente. A estratgia de pesquisa refere-se abrangncia da amostragem e s tcnicas a serem utilizadas na coleta e anlise dos dados, como a seleo e abordagem de fontes de Levantamento de dados de mercado O levantamento de dados tem como objetivo a obteno de uma amostra representativa para explicar o comportamento do mercado no qual o imvel avaliando esteja inserido e constitui a base do processo avaliatrio. Nesta etapa o engenheiro de avaliaes investiga o mercado, coleta dados e informaes confiveis preferentemente a respeito de negociaes realizadas e ofertas, contemporneas data de referncia da avaliao, com suas principais caractersticas econmicas, fsicas e de localizao.
2 Mtodos para identificar o valor de um bem, de seus frutos e direitos

Mtodo comparativo direto de dados de mercado Identifica o valor de mercado do bem por meio de tratamento tcnico dos atributos dos elementos comparveis, constituintes da amostra. Preferencialmente utilizado na busca do valor de mercado de terrenos, casas padronizadas, lojas, apartamentos, escritrios, armazns, entre outros, sempre que houver dados semelhantes ao avaliando. Mtodo involutivo Identifica o valor de mercado do bem, alicerado no seu aproveitamento eficiente, baseado em modelo de estudo de viabilidade tcnico-econmica, mediante hipottico empreendimento compatvel com as caractersticas do bem e com as condies do mercado no qual est inserido, considerando-se cenrios viveis para execuo e comercializao do produto. Utilizado no caso de inexistncia de dados amostrais semelhantes ao avaliando. Mtodo evolutivo Identifica o valor do bem pelo somatrio dos valores de seus componentes. Caso a finalidade seja a identificao do valor de mercado, deve ser considerado o fator de comercializao. Indicado para obter o valor de mercado no caso de inexistncia de dados amostrais semelhantes ao avaliando. o caso de residncias de alto padro, galpes, entre outros. Mtodo da capitalizao da renda Identifica o valor do bem, com base na capitalizao presente da sua renda lquida prevista, considerando-se cenrios viveis. Recomendado para empreendimentos de base imobiliria, tais como shopping-centers, hotis. Escolha da metodologia A metodologia escolhida deve ser compatvel com a natureza do bem avaliando, a finalidade da avaliao e os dados de mercado disponveis. Para a identificao do valor de mercado, sempre que possvel preferir o mtodo comparativo direto de dados de mercado.
2.1 Avaliao pelo Mtodo Comparativo de Dados de Mercado O Mtodo Comparativo Direto de Dados de Mercado aquele que define o valor atravs da comparao com os preos de bens similares, que foram transacionados (vendidos, locados, etc...) recentemente, ou esto ofertados. As particularidades dos dados pesquisados que exercem influncia na formao dos preos devero ser ponderadas atravs de ajustes, ou pelo Tratamento por Fatores (Homogeneizao) ou atravs de Tratamento Cientfico (inferncia Estatstica). 2.1.1. A Prtica da Pesquisa Na utilizao do Processo Comparativo busca-se um valor representativo para a populao de imveis semelhantes quele que se pretende avaliar. Como a populao , normalmente, inacessvel na sua totalidade, utiliza-se uma amostra, cujo valor mdio fornece estimativas do valor mdio populacional. evidente que, quanto mais homognea a populao investigada, mais homognea ser amostra, sendo provvel que esta contenha dados com valores prximos mdia aritmtica. Entretanto, para previso do valor de mercado de um imvel, pelo Processo Comparativo, o pesquisador enfrenta dificuldades significativas, pelo fato de ser muito heterogneo, e o resultado da pesquisa imobiliria a obteno de amostras heterogneas, conseqncia do prprio fato de que o mercado brasileiro no se faz atravs de imveis padronizados, ,as sim. diferenciado em funo, principalmente, de fenmenos culturais, locacionais e socioeconmicos. Preos unitrios homogneos (difcil na pratica), indicam que, priori, no devem existir atributos influenciantes na formao dos preos. Neste caso, a avaliao poder ser feita a partir da mdia dos preos coletados no mercado. Preos unitrios heterogneos indicam a possibilidade de haver um ou mais atributos que esto influenciando na formao dos preos deste mercado. Parte-se ento para a identificao destes atributos. No incio da pesquisa, necessrio um pr-estudo identificando inicialmente que variveis possam influenciar os preos, mas, em muitos casos, a identificao de certos atributos s ser possvel durante contatos com os agentes do mercado.
A aplicao adequada do mtodo comparativo est fundamentada na metodologia da pesquisa cientfica, que se desenvolve atravs das seguintes fases: 1 - Preparao da pesquisa: 2 - Trabalho de campo; 3 - Processamento e anlise dos dados: 4 - Interpretao e explicao dos resultados; 5 - Redao do laudo avaliatrio. Portanto, a pesquisa abrange todo o processo avaliatrio. Neste curso apresentamse alguns conceitos bsicos sobre as duas primeiras fases. As demais so objetos de outros cursos. 2.1.2 - Preparao da pesquisa Esta fase est vinculada diretamente ao planejamento da pesquisa. Nela se faz a escolha, definio e delimitao do problema em anlise. Observa-se as teorias e abordagens a serem empregadas e os conceitos e hipteses que devem ser levados em considerao. No planejamento da pesquisa imobiliria, o que se pretende a composio de uma amostragem aleatria de valores de imveis com caractersticas, tanto quanto possvel, semelhantes s do avaliando. Cada dado coletado deve reunir condies de tal forma que possa ser considerado um evento representativo do mercado imobilirio na regio de pesquisa. Em geral o avaliador conhece a priori as principais caractersticas influenciantes sobre o valor de um bem e em conseqncia a formulao das hipteses de trabalho. Devido ao grande nmero de variveis independentes (atributos dos imveis) que teriam lugar num modelo explicativo do valor de um imvel e a quantidade reduzida de dados que se trabalha na prtica, tenta-se na fase de planejamento da pesquisa, na medida do possvel eliminar a presena de algumas destas variveis. Por exemplo, na pesquisa de valores para avaliao de um lote urbano, geralmente limita-se a rea de pesquisa mesma regio geo-econmica e ao mesmo zoneamento do terreno avaliando, evitando-se assim a presena de duas covariveis no modelo.
2.1.3 - Trabalho de campo - Levantamento de dados de mercado O trabalho de campo uma das mais importantes fases do processo avaliatrio. Nesta etapa, o engenheiro de avaliaes investiga o mercado imobilirio e coleta dados e informaes que serviro de base para a avaliao. O levantamento de dados tem como objetivo a obteno de uma amostra representativa para explicar o comportamento do mercado no qual o imvel avaliando esteja inserido e constitui a base do processo avaliatrio. Nesta etapa o engenheiro de avaliaes investiga o mercado, coleta dados e informaes confiveis preferentemente a respeito de negociaes realizadas e ofertas, contemporneas data de referncia da avaliao, com suas principais caractersticas econmicas, fsicas e de localizao. O levantamento dos elementos pode ser feito, utilizando-se principalmente: no prprio local, com identificao de placas; banco de dados existentes; sites de internet; empresas Imobilirias; corretores especializados; anncios de Jornais; cartrios de Registro Geral de Imveis; Todas estas fontes devem ser vistas com sua devida cautela. Um cuidado particular deve ser observado quando se tomar como referencia dados de cartrios, pois nem sempre o valor constante numa escritura de compra e venda o efetivamente negociado. Assim. torna-se necessrio verificar junto a um dos participantes da operao, o valor real da transao e confrontar suas informaes com outras. Na entrevista com corretores de imveis ou ofertantes, de grande importncia que o pesquisador se apresente como pessoa realmente interessada em adquirir o bem ofertado, sob pena de receber informaes distorcidas ou at mesmo no receber informao alguma. Neste caso o avaliador pode apresentar contra-propostas, visando retirar a super-estimativa que normalmente acompanha o valor de oferta inicial. Informaes de sites de internet, atualmente so importantes indicadores quanto exposio de imveis no mercado e podem auxiliar nas investigaes.
10
um mercado que est crescendo com tendncia a serem os grandes formadores de bancos de dados. importante a visita aos elementos tomados como referncia, como forma de verificar todas as informaes de interesse. Na prpria visita ao campo, muitas vezes consegue-se referncias importantes com moradores da prpria regio, ou pela verificao de placas indicativas da manifestao de comercializar o bem. importante, tambm, que os dados coletados sejam de forma diversas, buscando o lado mais qualitativo do que quantitativo na composio da amostra, como forma das informaes serem cruzadas, o que aumentar a confiabilidade dos dados levantados. Os dados de oferta so indicaes importantes do valor de mercado. Entretanto, devem-se considerar superestimativas que em geral acompanham esses preos e, sempre que possvel, quantific-las pelo confronto com dados de transaes. Na amostragem deve-se analisar o uso de informaes que impliquem opinies subjetivas do informante e recomenda-se: a) visitar cada imvel tomado como referncia, com o intuito de verificar, tanto quanto possvel, todas as informaes de interesse; b) atentar para os aspectos qualitativos e quantitativos; c) confrontar as informaes das partes envolvidas, de forma a conferir maior confiabilidade aos dados coletados.
11
2.2 - O Mtodo Comparativo e a Avaliao de Imveis

Um Mtodo de Avaliao dever basear-se em um diagnstico de mercado com a identificao de atributos influenciantes que podem ser expressos de forma quantitativa ou qualitativa. As caractersticas do bem em avaliao e do prprio mercado onde est inserido, a forma com que transacionado e o tipo e volume de informao disponvel, determinam a aplicabilidade de cada um dos mtodos para se estimar o valor de mercado. Quando baseados em informaes de um mercado aberto, destaca-se o mtodo comparativo, o qual pode ser considerado como mtodo eletivo quando houver nmero suficiente de elementos para compor uma amostra representativa. O critrio de Aproximao de Mercado (Marketing Approach) foi no passado, a principal ferramenta de avaliao de imveis e contemplava o principio de que: "Imveis similares se vendero a preos similares" Para a sua aplicao bastava obter no mercado elementos comparveis ou similares ao imvel objeto de avaliao e no haviam problemas com este mtodo - que era de fcil compreenso e perfeitamente vlido - devido as condies de mercado e as ferramentas de clculos existentes na poca. Entretanto, com o passar dos anos e a evidente escassez de dados comparveis, foi se tornando cada vez mais difcil obter uma amostra representativa de imveis similares, quando, ento, se passou a recorrer a um processo de corrigir ou homogeneizar os dados referenciais mediante expresses lgicas- matemticas, geralmente empricas, a fim de ajust-los e torn-los semelhantes ao avaliando. As cidades cresceram e se diversificaram e com isto, veio a necessidade de empregar simultaneamente vrios fatores de correo a uma serie de referenciais, os quais, por serem empricos e subjetivos, passaram a afetar a exatido dos clculos do valor do imvel. Com a acessibilidade aos computadores pessoais durante a segunda metade da dcada de oitenta e o advento de pacotes estatsticos, em particular aqueles de Regresso Linear que empregam o mtodo dos Mnimos Quadrados, tornou-se possvel utilizar essa tcnica uma inovadora ferramenta para o clculo do valor de bens.
12
As tcnicas de regresso mltipla surgiram como um aperfeioamento do mtodo comparativo, j que os prprios referenciais se "auto-corrigem" entre si e constituem um modelo, sem necessidade de utilizar critrios subjetivos por parte do Engenheiro de Avaliaes.
13
2.3Procedimentos Metodolgicos em conformidade as Normas da ABNT

2.3.1- Breve histrico A Engenharia de Avaliaes experimentou significativa e definitiva evoluo a partir do ano de 1989, quando a Norma Brasileira para Avaliao de Imveis Urbanos NBR5676/1989 -, teve sua reviso concluda com grandes avanos em relao ao texto anterior - de 1979 -, reformulando conceitos fundamentais e concretizando o uso da inferncia estatstica como ferramenta de pesquisa cientfica e atravs da qual os trabalhos passaram a ter uma classificao de nvel rigoroso e rigoroso especial. Os procedimentos utilizando o mtodo cartesiano at aquele momento, norteados por formulaes empricas atravs de critrios numricos dedutivos e racionais, pelos chamados fatores de homogeneizao, no perderam sua utilidade e tiveram uma classificao com grau de rigor dito normal. Em 1991 entrou em vigor o Cdigo de Defesa do Consumidor, que, por sua vez, tornou obrigatrio o uso das normas tcnicas brasileiras (art. 39, inciso VIII). Em meados de 1998, com o incio de nova reviso, todas normas envolvendo avaliao de bens foram incorporadas numa nica, que passou a ser subdividida em Partes de acordo com a natureza do bem. Esta norma denominada NBR14.653/01 e substituindo a anterior NBR 5676/89, teve a Parte 1 - Procedimentos Gerais, aprovada no ano de 2.001. A Parte 2, NBR-14.653-2, especfica para Imveis Urbanos, foi concluda com reformulaes substanciais, especialmente quanto aos critrios para tratamento de dados, passando a ser denominados tratamento por fatores ou tratamento cientfico e os anteriormente denominados nveis de rigor (expedito, normal ou rigoroso), que passaram a ser substitudos por nveis de fundamentao e nveis de preciso e com classificaes independentes ao tipo de tratamento empregado nos dados. A metodologia cientfica para tratamento dos dados com base na inferncia estatstica referenciada pelas normas tcnicas, como uma das alternativas de aplicao do mtodo comparativo direto e por isso ser o enfoque principal desta apostila. No mtodo comparativo direto, pela prpria designao, o valor do imvel obtido diretamente, pela comparao com imveis similares. Neste sentido, condio
14
fundamental a existncia de um conjunto de dados que possa ser tomado estatisticamente, como amostra representativa do mercado imobilirio. Se a qualidade da pesquisa de mercado (ou da amostra) fundamental, o processo de tratamento dos dados que a compem, pode ser o fator determinante na avaliao de um bem. Os preos dos imveis, por natureza so heterogneos se fossem homogneos, o que dificilmente acontece, no existiriam variaes e a avaliao poderia ser feita simplesmente pela mdia de preos - o que implica na necessidade de estabelecer relaes que expliquem essas variaes. 2.3.2- Tratamento dos dados recomendvel, preliminarmente, a sumarizao das informaes obtidas sob a forma de grficos que mostrem as distribuies de freqncia para cada uma das variveis, bem como as relaes entre elas. Nesta etapa, verificam-se o equilbrio da amostra, a influncia das possveis variveis-chave sobre os preos e a forma de variao, possveis dependncias entre elas, identificao de pontos atpicos, entre outros. Assim, pode-se confrontar as respostas obtidas no mercado com as crenas a priori do engenheiro de avaliaes, bem como permitir a formulao de novas hipteses. Os dados devem ser tratados para obteno de modelos de acordo com a metodologia escolhida. No tratamento dos dados podem ser utilizados, alternativamente e em funo da qualidade e da quantidade de dados e informaes disponveis: Tratamento por fatores: homogeneizao por fatores e critrios,
fundamentados por estudos e posterior anlise estatstica dos resultados homogeneizados. Tratamento cientfico: tratamento de evidncias empricas pelo uso de metodologia cientfica que leve induo de modelo validado para o comportamento do mercado. Deve-se levar em conta que qualquer modelo uma representao simplificada do mercado, uma vez que no considera todas as suas informaes. Por isso, precisam ser tomados cuidados cientficos na sua elaborao, desde a preparao da pesquisa e o trabalho de campo, at o exame final dos resultados.
15
O poder de predio do modelo deve ser verificado a partir do grfico de preos observados na abscissa versus valores estimados pelo modelo na ordenada, que deve apresentar pontos prximos da bissetriz do primeiro quadrante. Alternativamente, podem ser utilizados procedimentos de validao.
No Processo Comparativo busca-se um valor representativo para a populao de imveis semelhantes quele que se pretende avaliar. A populao geralmente inacessvel na sua totalidade, utilizando-se uma amostra, cujo valor mdio fornece estimativas do valor mdio populacional. evidente que, quanto mais homognea a populao investigada, mais homognea ser amostra, sendo provvel que esta contenha dados com valores prximos mdia aritmtica. Preos unitrios homogneos (difcil na pratica) indicam que, priori, devem existir poucos atributos influenciantes na formao dos preos. Neste caso, a avaliao poder ser feita a partir da mdia dos preos coletados no mercado, ou se necessrio, utilizando-se fatores de ajustes com pouca influencia. No Processo Comparativo, portanto, a amostra deve ser representativa de forma a permitir construir um modelo que permita estimar o valor mdio populacional e prever valor mdio do imvel avaliando.
A figura a seguir ilustra a diferena entre aplicar fatores e utilizar anlise de regresso (no exemplo considerada uma varivel explicativa, ou seja, Valor/m2 versus Frente).
16
Tratamento por fatores: utiliza-se "fatores" empricos para ajustar os dados de mercado mdia, ou seja, so efetuadas transformaes matemticas que expressem, em termos relativos, as diferenas entre os atributos dos dados de mercado e os do bem avaliando, que estimado pela mdia ajustada pelos fatores.
Tratamento por anlise de regresso linear: procura-se encontrar a mdia que mais se aproxima dos dados de mercado, ou seja, as diferenas dos atributos dos dados da pesquisa so ajustados com base na prpria amostra, onde possvel construir um modelo e com ele prever o valor mdio do bem avaliando
17
2.4 Especificao das Avaliaes

A especificao de uma avaliao est relacionada tanto com o empenho do engenheiro de avaliaes, como com o mercado e as informaes que possam ser dele extradas. O estabelecimento inicial pelo contratante do grau de fundamentao desejado tem por objetivo a determinao do empenho no trabalho avaliatrio, mas no representa garantia de alcance de graus elevados de fundamentao. Quanto ao grau de preciso, este depende exclusivamente das caractersticas do mercado e da amostra coletada e, por isso, no passvel de fixao a priori.
As avaliaes sero especificadas quanto a fundamentao e preciso, guardado o critrio geral de atribuir graus em ordem numrica e crescente, onde o Grau I o menor: A fundamentao ser funo do aprofundamento do trabalho avaliatrio, com o envolvimento da seleo da metodologia em razo da confiabilidade, qualidade e quantidade dos dados amostrais disponveis. A preciso ser estabelecida quando for possvel medir o grau de certeza e o nvel de erro tolervel numa avaliao. Depende da natureza do bem, do objetivo da avaliao, da conjuntura de mercado, da abrangncia alcanada na coleta de dados (quantidade, qualidade e natureza), da metodologia e dos instrumentos utilizados.
No caso de informaes insuficientes para a utilizao dos mtodos previstos no item 8.1.2 da NBR 14653-1, o trabalho no deve ser classificado quanto fundamentao e preciso e deve ser considerado parecer tcnico, como definido em 3.34 da NBR 14653-1. Os laudos de uso restrito, conforme 10.3 da NBR 14653-1:2001, podem ser dispensados de especificao, em comum acordo entre as partes.
18
AVALIAO DE IMVEIS URBANOS Graus de fundamentao
Tabela 1 Graus de fundamentao no caso de utilizao de modelos de regresso linear
Ite m 1
Descrio
Caracterizao do imvel avaliando
Grau
III
Completa quanto a todas as variveis analisadas Caractersticas conferidas pelo autor do laudo 6 (k+1), onde k o nmero de variveis independentes Apresentao de informaes relativas a todos os dados e variveis analisados na modelagem, com foto
II
Completa quanto s variveis utilizadas no modelo Caractersticas conferidas por profissional credenciado pelo autor do laudo 4 (k+1), onde k o nmero de variveis independentes
I
Adoo de situao paradigma Podem ser utilizadas caractersticas fornecidas por terceiros 3 (k+1), onde k o nmero de variveis independentes
Coleta de dados de mercado
Quantidade mnima de dados de mercado, efetivamente utilizados
Identificao dos dados de mercado
Apresentao de informaes relativas aos dados e variveis efetivamente utilizados no modelo Admitida para apenas uma varivel, desde que: a) as medidas das caractersticas do imvel avaliando no sejam superiores a 100% do limite amostral superior, nem inferiores metade do limite amostral inferior b) o valor estimado no ultrapasse 10% do valor calculado no limite da fronteira amostral, para a referida varivel
Apresentao de informaes relativas aos dados e variveis efetivamente utilizados no modelo Admitida, desde que: a) as medidas das caractersticas do imvel avaliando no sejam superiores a 100% do limite amostral superior, nem inferiores metade do limite amostral inferior b) o valor estimado no ultrapasse 10% do valor calculado no limite da fronteira amostral, para as referidas variveis, simultaneamente
Extrapolao
No admitida
Nvel de significncia (somatrio do valor das duas caudas) mximo para a rejeio da hiptese nula de cada regressor (teste bicaudal) Nvel de significncia mximo admitido nos demais testes estatsticos realizados
10%
20%
30%
1%
5%
10%
9.2.1.1 Para atingir o grau III, so obrigatrias: a) apresentao do laudo na modalidade completa; 19
b) discusso do modelo, verificadas a coerncia da variao das variveis em relao ao mercado, bem como suas elasticidades no ponto de estimao. 9.2.1.2 A utilizao de cdigos alocados no modelo de regresso implica a obteno, no mximo, de grau II de fundamentao. 9.2.1.3 A utilizao de tratamento prvio por fatores de homogeneizao, para a transformao de variveis em modelos de regresso, implica a obteno, no mximo, de grau II de fundamentao. 9.2.1.4 Para fins de enquadramento global do laudo em graus de fundamentao, devem ser considerados os seguintes critrios: a) na tabela 1, identificam-se trs campos (graus III, II e I) e sete itens; b) o atendimento a cada exigncia do grau I ter um ponto; do grau II, dois pontos; e do grau III, trs pontos; c) o enquadramento global do laudo deve considerar a soma de pontos obtidos para o conjunto de itens, atendendo tabela 2.
Tabela 2 Enquadramento dos laudos segundo seu grau de fundamentao no caso de utilizao de modelos de regresso linear Graus Pontos Mnimos Itens obrigatrios no grau correspondente III 18 3, 5, 6 e 7, com os demais no mnimo no grau II II 11 3, 5, 6 e 7 no mnimo no grau II I 7 1 Todos, no mnimo no grau I
Graus de preciso no caso de utilizao de modelos de regresso linear

Tabela 3 - Grau de preciso da estimativa do valor no caso de utilizao de modelos de regresso linear Descrio Amplitude do intervalo de confiana de 80% em torno do valor central da estimativa a) Nota: Observar 9.1 a 9.3 desta Norma. III 30% Grau II 30%-50% I >50%
20
Grau de fundamentao no caso de utilizao do tratamento por fatores Item

1
Descrio
Caracterizao do imvel avaliando Coleta de dados de mercado
III
Completa quanto a todos os fatores analisados Caractersticas conferidas pelo autor do laudo
Grau II
Completa quanto aos fatores utilizados no tratamento Caractersticas conferidas por profissional credenciado pelo autor do laudo 5
I
Adoo de situao paradigma Podem ser utilizadas caractersticas fornecidas por terceiros 3 Apresentao de informaes relativas a todas as caractersticas dos dados correspondentes aos fatores utilizados Admitida 0,50 a 1,50
Quantidade mnima de dados de mercado, efetivamente utilizados
12 Apresentao de informaes relativas a todas as caractersticas dos dados analisadas, com foto No admitida 0,90 a 1,10
Identificao dos dados de mercado
Apresentao de informaes relativas a todas as caractersticas dos dados analisadas Admitida para apenas uma varivel 0,80 a 1,20
Extrapolao conforme B.5.2 do Anexo B Intervalo admissvel de ajuste para o conjunto de fatores
Notas: Observar de 9.1 a 9.2 desta Norma. (*) No caso de utilizao de menos de 5 dados de mercado, o intervalo admissvel de ajuste de 0,80 a 1,25, pois desejvel que, com um nmero menor de dados de mercado, a amostra seja menos heterognea.
Tabela 4 Enquadramento do laudo segundo seu grau de fundamentao no caso de utilizao de tratamento por fatores Graus Pontos Mnimos Itens obrigatrios III 13 Itens 2, 4 e 5 no grau III, com os demais no mnimo no grau II II 8 Itens 2, 4 e 5 no mnimo no grau II e os demais no mnimo no grau I I 5 2 todos, no mnimo no grau I
3 Nota: Observar de 9.1 a 9.2 desta Norma. Tabela 5 - Grau de preciso da estimativa de valor nos casos de utilizao de modelos de regresso linear ou do tratamento por fatores Descrio Amplitude do intervalo de confiana de 80% em torno do valor central da estimativa Nota: Observar de 9.1 a 9.2 desta Norma. III 30% Grau II 30%-50% I >50%
21
1.3 - PROCEDIMENTOS PARA A UTILIZAO DE MODELOS DE REGRESSO LINEAR EXIGNCIAS DA ABNT NBR 14653-2 Anexo A (normativo) A.1 Introduo A.1.1 A tcnica mais utilizada quando se deseja estudar o comportamento de uma varivel dependente em relao a outras que so responsveis pela variabilidade observada nos preos a anlise de regresso. A.1.2 No modelo linear para representar o mercado, a varivel dependente expressa por uma combinao linear das variveis independentes, em escala original ou transformadas, e respectivas estimativas dos parmetros populacionais, acrescida de erro aleatrio, oriundo de variaes do comportamento humano habilidades diversas de negociao, desejos, necessidades, compulses, caprichos, ansiedades, diferenas de poder aquisitivo, entre outros imperfeies acidentais de observao ou de medida e efeitos de variveis irrelevantes no includas no modelo. A.1.3 Com base em uma amostra extrada do mercado, os parmetros populacionais so estimados por inferncia estatstica. A.1.4 Na modelagem, devem ser expostas as hipteses relativas aos
comportamentos das variveis
dependentes e independentes, com base no
conhecimento que o engenheiro de avaliaes tem a respeito do mercado, quando sero formuladas as hipteses nula e alternativa para cada parmetro. A.2 Pressupostos bsicos A.2.1 Ressalta-se a necessidade, quando se usam modelos de regresso, de observar os seus pressupostos bsicos, apresentados a seguir, principalmente no que concerne sua especificao, normalidade, homocedasticidadede, nomulticolinearidade, no-autocorrelao, independncia e inexistncia de pontos atpicos, com o objetivo de obter avaliaes no-tendenciosas, eficientes e consistentes: a) para evitar a micronumerosidade, o nmero mnimo de dados efetivamente utilizados (n) no modelo deve obedecer aos seguintes critrios, com respeito ao nmero de variveis independentes (k): n 3 (k+1) ni 5, at duas variveis dicotmicas ou trs cdigos alocados para a mesma caracterstica;
22
ni 3, para 3 ou mais variveis dicotmicas ou quatro ou mais cdigos alocados para a mesma caracterstica onde ni o nmero de dados de mesma caracterstica, no caso de utilizao de variveis dicotmicas ou de cdigos alocados, ou nmero de valores observados distintos para cada uma das variveis quantitativas; b) os erros so variveis aleatrias com varincia constante, ou seja, homocedsticos; c) os erros so variveis aleatrias com distribuio normal; d) os erros so no-autocorrelacionados, isto , so independentes sob a condio de normalidade; e) no devem existir erros de especificao no modelo, isto , todas as variveis importantes devem estar incorporadas inclusive as decorrentes de interao e nenhuma varivel irrelevante deve estar presente no modelo; f) em caso de correlao linear elevada entre quaisquer subconjuntos de variveis independentes, isto , multicolinearidade, deve-se examinar a coerncia das caractersticas do imvel avaliando com a estrutura de multicolinearidade inferida, vedada a utilizao do modelo em caso de incoerncia; g) no deve existir nenhuma correlao entre o erro aleatrio e as variveis independentes do modelo. h) possveis pontos influenciantes, ou aglomerados deles, devem ser investigados e sua retirada fica condicionada apresentao de justificativas. A.2.2 Verificao dos pressupostos do modelo A.2.2.1 Linearidade Deve ser analisado, primeiramente, o comportamento grfico da varivel dependente em relao a cada varivel independente, em escala original. Isto pode orientar o avaliador na transformao a adotar. Existem formas estatsticas de se buscar a transformao mais adequada, como, por exemplo, os procedimentos de Box e Cox. As transformaes utilizadas para linearizar o modelo devem, tanto quanto possvel, refletir o comportamento do mercado, com preferncia pelas transformaes mais simples de variveis, que resultem em modelo satisfatrio. Aps as transformaes realizadas, se houver, examina-se a linearidade do modelo, pela construo de grficos dos valores observados para a varivel dependente versus cada varivel independente, com as respectivas transformaes.
23

A.2.2.2 Normalidade
A verificao da normalidade pode ser realizada, entre outras, por uma das seguintes formas: a) pelo exame de histograma dos resduos amostrais padronizados, com o objetivo de verificar se sua forma guarda semelhana com a da curva normal; b) pela anlise do grfico de resduos padronizados versus valores ajustados, que deve apresentar pontos dispostos aleatoriamente, com a grande maioria situados no intervalo [-2;+2 ]. c) pela comparao da freqncia relativa dos resduos amostrais padronizados nos intervalos de [-1;+1], [-1,64;+1,64 ] e [-1,96;+1,96 ], com as probabilidades da distribuio normal padro nos mesmos intervalos, ou seja, 68%, 90% e 95%; d) pelo exame do grfico dos resduos ordenados padronizados versus quantis da distribuio normal padronizada, que deve se aproximar da bissetriz do primeiro quadrante; e) pelos testes de aderncia no-paramtricos, como, por exemplo, o quiquadrado, o de Kolmogorov-Smirnov ajustado por Stephens e o de Jarque-Bera. A.2.2.3 Homocedasticidade A verificao da homocedasticidade pode ser feita, entre outros, por meio dos seguintes processos: a) anlise grfica dos resduos versus valores ajustados, que devem apresentar pontos dispostos aleatoriamente, sem nenhum padro definido; b) pelos testes de Park e de White. A.2.2.4 Verificao da autocorrelao O exame da autocorrelao deve ser precedido pelo pr-ordenamento dos elementos amostrais, em relao a cada uma das variveis independentes possivelmente causadoras do problema ou em relao aos valores ajustados. Sua verificao pode ser feita: a) pela anlise do grfico dos resduos cotejados com os valores ajustados, que deve apresentar pontos dispersos aleatoriamente, sem nenhum padro definido; b) pelo Teste de Durbin-Watson, considerando o pr-ordenamento anteriormente citado.
24

A.2.2.5 Colinearidade ou multicolinearidade
A.2.2.5.1 Uma forte dependncia linear entre duas ou mais variveis independentes provoca degeneraes no modelo e limita a sua utilizao. As varincias das estimativas dos parmetros podem ser muito grandes e acarretar a aceitao da hiptese nula e a eliminao de variveis fundamentais. A.2.2.5.2 Para verificao da multicolinearidade deve-se, em primeiro lugar, analisar a matriz das correlaes, que espelha as dependncias lineares de primeira ordem entre as variveis independentes, com ateno especial para resultados superiores a 0,80. Como tambm possvel ocorrer multicolinearidade, mesmo quando a matriz de correlao apresenta coeficientes de valor baixo, recomenda-se, tambm, verificar o correlacionamento de cada varivel com subconjuntos de outras variveis independentes, por meio de regresses auxiliares. A.2.2.5.3 Para tratar dados na presena de multicolinearidade, recomendvel que sejam tomadas medidas corretivas, como a ampliao da amostra ou adoo de tcnicas estatsticas mais avanadas, a exemplo do uso de regresso de componentes principais. A.2.2.5.4 Nos casos em que o imvel avaliando segue os padres estruturais do modelo, a existncia de multicolinearidade pode ser negligenciada, desde que adotada a estimativa pontual. A.2.2.6 Pontos influenciantes ou outliers A existncia desses pontos atpicos pode ser verificada pelo grfico dos resduos versus cada varivel independente, como tambm em relao aos valores ajustados, ou usando tcnicas estatsticas mais avanadas, como a estatstica de Cook para detectar pontos influenciantes. A.3 Testes de significncia A.3.1 A significncia individual dos parmetros das variveis do modelo deve ser submetida ao teste t de Student, em conformidade com as hipteses estabelecidas quando da construo do modelo. A.3.2 A hiptese nula do modelo deve ser submetida ao teste F de Snedecor e rejeitada ao nvel mximo de significncia de 1%. A.3.3 A significncia de subconjuntos de parmetros, quando pertinente, pode ser testada pela anlise da varincia particionada, com a utilizao do teste da razo de verossimilhana.
25
A.3.4 Os nveis de significncia utilizados nos testes citados nesta subseo sero compatveis com a especificao da avaliao. A.4 Poder de explicao Em uma mesma amostra, a explicao do modelo pode ser aferida pelo seu coeficiente de determinao. Devido ao fato de que este coeficiente sempre cresce com o aumento do nmero de variveis independentes e no leva em conta o nmero de graus de liberdade perdidos a cada parmetro estimado, recomendvel considerar tambm o coeficiente de determinao ajustado. A.5 Campo de arbtrio O campo de arbtrio corresponde semi-amplitude de 15% em torno da estimativa pontual adotada. Caso no seja adotada a estimativa pontual, o engenheiro de avaliaes deve justificar sua escolha. A.6 Cdigos alocados Recomenda-se considerar tantas variveis dicotmicas quantas forem necessrias para descrever as diferenas qualitativas, em lugar da utilizao de cdigos alocados, especialmente quando a quantidade de dados abundante e pode-se preservar os graus de liberdade necessrios modelagem estatstica, definidos nesta Norma. A utilizao de cdigos alocados tolerada nos seguintes casos, na seguinte ordem de prioridade: a) quando seus valores so extrados da amostra com a utilizao de variveis dicotmicas; b) quando so utilizados nmeros naturais em ordem crescente das caractersticas possveis, com valor inicial igual a 1, sem a utilizao de transformaes, ou seja, na escala original. A.7 Diferentes agrupamentos No caso de utilizao no mesmo modelo de regresso de diferentes agrupamentos (tipologia, mercados, localizao, usos etc.), recomenda-se verificar a independncia entre os agrupamentos, entre as variveis utilizadas e possveis interaes entre elas. A.8 Apresentao do modelo A varivel dependente no modelo de regresso deve ser apresentada no laudo na forma no transformada.
26
Procedimentos para a utilizao de tratamento por fatores Anexo B (normativo)

B.1 Neste tratamento de dados, aplicvel ao Mtodo Comparativo Direto de Dados de Mercado, admitida a priori a validade da existncia de relaes fixas entre os atributos especficos e os respectivos preos. B.1.1 Para isso, so utilizados fatores de homogeneizao calculados conforme 8.2.1.4.2, por metodologia cientfica, que reflitam, em termos relativos, o comportamento do mercado com determinada abrangncia espacial e temporal. B.2 recomendvel que sejam utilizados dados de mercado: a) com atributos mais semelhantes possveis aos do imvel avaliando; b) que sejam contemporneos. Nos casos de exame de dados no
contemporneos, desaconselhvel a atualizao do mercado imobilirio atravs de ndices econmicos, quando no houver paridade entre eles, devendo, neste caso, o preo ser atualizado mediante consulta direta fonte. Quando a atualizao na forma mencionada for impraticvel, s ser admitida a correo dos dados por ndices resultantes de pesquisa no mercado. B.2.1 Para a utilizao deste tratamento, considera-se como dado de mercado com atributos semelhantes aqueles em que cada um dos fatores de homogeneizao, calculados em relao ao avaliando, estejam contidos entre 0,50 e 1,50. B.2.2 O preo homogeneizado, resultado da aplicao de todos os fatores de homogeneizao ao preo original, deve estar contido no intervalo de 0,50 a 1,50. B.3 Aps a homogeneizao, devem ser utilizados critrios estatsticos consagrados de eliminao de dados discrepantes, para o saneamento da amostra. B.4 O campo de arbtrio corresponde ao intervalo compreendido entre o valor mximo e mnimo dos preos homogeneizados efetivamente utilizados no tratamento, limitado a 10% em torno do valor calculado. Caso no seja adotado o valor calculado, o engenheiro de avaliaes deve justificar sua escolha. B.5 Os fatores de homogeneizao devem apresentar, para cada tipologia, os seus critrios de apurao e respectivos campos de aplicao, bem como a abrangncia regional e temporal. B.5.1 Os fatores de homogeneizao no podem ser utilizados fora de sua tipologia, campo de aplicao e abrangncias regional e temporal.
27
B.5.2 As caractersticas quantitativas, ou expressas por variveis proxy, do imvel avaliando no devem ultrapassar em 50%, para mais ou para menos, respectivamente, os limites superior e inferior observados na amostra. Para as demais caractersticas qualitativas vedada a extrapolao em relao aos limites amostrais. B.5.3 A fonte dos fatores utilizados na homogeneizao deve ser explicitada no trabalho avaliatrio. B.6 Os fatores de homogeneizao que resultem em aumento da heterogeneidade dos valores no devem ser utilizados. 1.2.5- Apresentao do laudo de avaliao 1.2.5.1 Requisitos mnimos O laudo de avaliao dever conter, no mnimo, as informaes abaixo relacionadas: a) identificao da pessoa fsica ou jurdica e/ou seu representante legal que tenha solicitado o trabalho; b) objetivo da avaliao; c) identificao e caracterizao do bem avaliando; d) indicao do(s) mtodo(s) utilizado(s), com justificativa da escolha; e) especificao da avaliao; f) resultado da avaliao e sua data de referncia; g) qualificao legal completa e assinatura do(s) profissional(is) responsvel(is) pela avaliao; h) local e data do laudo; i) outras exigncias previstas nas demais partes desta Norma. 1.2.5.2 Modalidades O laudo de avaliao pode ser apresentado nas seguintes modalidades: a) Simplificado contm de forma sucinta as informaes necessrias ao seu entendimento. b) Completo contm todas as informaes necessrias e suficientes para ser auto-explicvel. 1.2.5.3 Laudo de avaliao de uso restrito Obedece a condies especficas pr combinadas entre as partes contratantes, no tendo validade para outros usos ou exibio para terceiros.
28
Modelagem
2.1 A INFERNCIA ESTATSTICA APLICADA NA AVALIAO DE IMVEIS
CAPTULO 2
As recomendaes explicitadas na Norma Brasileira de Avaliao de Imveis Urbanos visando utilizao da inferncia estatstica na Engenharia de Avaliaes, com algumas excees, tm sido particularmente voltadas, at o momento, para a utilizao da Regresso Linear no clculo do valor do imvel. Atualmente a aplicao dessas tcnicas estatsticas bastante facilitada graas ao avano tecnolgico dos computadores que tornou os clculos relativamente fceis e originaram vasta disposio de programas aplicativos, em particular aqueles de Regresso Linear que empregam o Mtodo dos Mnimos Quadrados, mas isso no condio suficiente, pois sua aplicao no pode prescindir do julgamento crtico e de slidos conhecimentos do mercado imobilirio por parte do engenheiro de avaliaes. 2.2 CONCEITOS DE MODELO Usando dos conceitos introduzidos por Orlando Carneiro de Matos, in Econometria Bsica Teoria e Aplicaes, a palavra modelo, de modo geral, pode ser entendida como representao simplificada da realidade, estruturada de forma tal que permita compreender o funcionamento total ou parcial dessa realidade ou fenmeno. Num sentido mais restrito, modelo, uma representao formal de idias ou conhecimentos acerca de um fenmeno. Essas idias (chamadas teorias) expressam-se por um conjunto de hipteses sobre os elementos essenciais do fenmeno e das leis que os regem, as quais geralmente se traduzem sob a forma de um sistema de equaes matemticas. As definies introduzidas na NBR14653-1, de forma resumida, endossam esses conceitos, ou seja:
3.31 modelo: Representao tcnica da realidade.
e
3.32 modelo de regresso: Modelo utilizado para representar determinado fenmeno, com base numa amostra, considerando-se as diversas caractersticas influenciantes.
Os modelos, de uma forma geral, podem ser puramente tericos ou economtricos. 29
Modelos Tericos so aqueles que expressam leis de mercado sem necessariamente conter a especificao efetiva da forma matemtica nem a enumerao exaustiva das variveis que o compem. Modelos Economtricos so aqueles que necessariamente contm as especificaes (forma matemtica e definio das variveis) para aplicao emprica, alm de incorporar um termo residual com a finalidade de levar em conta variveis ou outros elementos, que, por alguma razo, no puderam ser considerados explicitamente. A montagem de um modelo sempre um processo interativo e geralmente requer o uso da evidncia emprica dos dados e do conhecimento do mercado analisado. Mesmo contendo os elementos que permitam sua operacionalizao, os modelos probabilsticos no admitem relaes exatas em virtude da no-incluso de todas as variveis que determinam o comportamento do fenmeno e de erros de medidas das variveis. Constituem uma formulao incompleta da realidade em face da impossibilidade de um modelo abranger todos os fatores que determinam ou condicionam o comportamento do mercado imobilirio, contrastando com os modelos determinsticos que supem a existncia de variveis que satisfazem exatamente as equaes matemticas.
Em um campo to vasto como o do mercado imobilirio, modelos que simplifiquem a compreenso da realidade, mas que ao mesmo tempo possuam a abrangncia suficiente para que os principais fatores intervenientes e suas interaes estejam claramente identificados, so de extrema importncia.
2.3- OS MTODOS ESTATSTICOS Os mtodos estatsticos, de um modo geral, envolvem a anlise e a interpretao de dados observados em um fenmeno. O conjunto de observaes colhidas constitui-se na amostra (no caso especfico da avaliao de imveis, na pesquisa de mercado) e o grupo todo de elementos do qual ela foi extrada, designado por populao. A parte estatstica referente a coleta, a sumarizao e a descrio dos dados refere-se a estatstica descritiva. Compreende a organizao e o resumo dos mesmos, bem como anlise e interpretaes numricas e grficas, envolvendo clculo de medidas, tais como, a mdia, a mediana, o desvio padro, etc.
30
A inferncia estatstica, por sua vez, envolve a formulao de certos julgamentos (ou concluses) sobre um todo, aps examinar apenas uma parte, ou amostra, dele. Para que a inferncia estatstica seja vlida, a amostra deve ser representativa da populao, e a probabilidade do erro, ser especificada. Deste modo, a inferncia estatstica envolve um raciocnio indutivo: argumentao do especfico - amostra - para o geral - populao - , no qual impe-se que obedea algum modelo de probabilidade. Na prtica, o processo de inferncia consiste em investigar a forma e o grau das relaes entre as observaes colhidas em amostras, que se supem estarem interligadas de alguma maneira e, a partir delas, construir modelos. O modelo escolhido deve satisfazer os pressupostos bsicos determinado por um conjunto de testes de hipteses e, dentro de intervalos de confiana, conferir validade s predies das probabilidades estabelecidas. A abordagem feita pela anlise de regresso, pelo mtodo dos mnimos quadrados.
A aplicao do mtodo dos mnimos quadrados, considerando exemplificativamente duas variveis (Yi, Xi), consiste em encontrar, a partir dos dados amostrais as estimativas para o coeficiente angular b1 (que define o aumento ou diminuio da varivel Yi por unidade de variao da varivel Xi) e para o intercepto b0 (que define o ponto em que a reta corta o eixo das ordenadas), de modo que os erros (ou resduos) sejam mnimos. Conceitos de uma equao de regresso (4 elementos bsicos): - variveis : dependente (Y) independentes (X1, X2,...Xn) que podem ser qualitativas ou quantitativas; - relaes (ou equaes): descrevem o comportamento investigado (no caso o de mercado imobilirio) atravs de uma funo linear (ou linearizveis): - parmetros: so as magnitudes das relaes (B0, B1, ...,Bn); - termo aleatrio ou erro (resduos): includo na anlise de regresso para contemplar erros devidos a no considerao na regresso de variveis de importncia menor (j que o propsito do modelo generalizar e simplificar as relaes apenas das causas mais importantes), levar em conta o efeito de possveis erros de medidas ou informaes e para captar a imprevisibilidade do comportamento humano, inerentemente aleatrio.
31
Identificao das variveis do modelo (item 8.2.1.2 da NBR 14653-2) 8.2.1.2.1 Varivel dependente Para a especificao correta da varivel dependente, necessria uma investigao no mercado em relao sua conduta e s formas de expresso dos preos (por exemplo, preo total ou unitrio, moeda de referncia, formas de pagamento), bem como observar a homogeneidade nas unidades de medida. 8.2.1.2.2 Variveis independentes As variveis independentes referem-se s caractersticas fsicas (por exemplo: rea, frente), de localizao (como bairro, logradouro, distncia a plo de influncia, entre outros) e econmicas (como oferta ou transao, poca e condio do negcio vista ou a prazo). Sempre que possvel, recomenda-se a adoo de variveis quantitativas. As diferenas qualitativas das caractersticas dos imveis podem ser especificadas na seguinte ordem de prioridade:
a) por meio de codificao, com o emprego de variveis dicotmicas (por exemplo: aplicao de condies booleanas do tipo maior do que ou menor do que, sim ou no); b) pelo emprego de variveis proxy (por exemplo: padro construtivo expresso pelo custo unitrio bsico); c) por meio de cdigos alocados (por exemplo: padro construtivo baixo igual a 1, normal igual a 2 e alto igual a 3). DEFINIES BNR 14.653-1 3.63 variveis-chave: Variveis que, a priori e tradicionalmente, so importantes para a formao do valor do imvel. 3.64 variveis independentes: Variveis que do contedo lgico formao do valor do imvel objeto da avaliao. 3.65 variveis qualitativas: Variveis que no podem ser medidas ou contadas, mas apenas ordenadas ou hierarquizadas, de acordo com atributos inerentes ao bem (por exemplo: padro construtivo, estado de conservao, qualidade do solo). 3.66 variveis quantitativas: Variveis que podem ser medidas ou contadas (por exemplo: rea privativa, nmero de quartos, nmero de vagas de garagem). 3.67 varivel dependente: Varivel que se pretende explicar pelas variveis independentes. 3.68 varivel dicotmica: Varivel que assume apenas dois valores. 3.69 varivel proxy: Varivel utilizada para substituir outra de difcil mensurao e que se presume guardar com ela relao de pertinncia.
32
Conceitos Bsicos da Inferncia Estatstica 3.1- ANLISE DE PEQUENOS CONJUNTOS DE DADOS
CAPTULO 3
Freqentemente, um conjunto de dados pode reduzir-se a uma ou algumas medidas que resumem todo o conjunto. Duas so as caractersticas importantes dos dados, que as medidas numricas podem evidenciar: 1o) o valor central ou mais tpico do conjunto 2o) a disperso dos nmeros
3.1.1- Medidas de Tendncia Central As medidas da tendncia central so indicadores que permitem que se tenha uma primeira idia, um resumo, de como se distribuem os dados de um experimento. Essencialmente, elas informam o valor (ou faixa de valores) da varivel aleatria que ocorrem com a maior freqncia. Uma medida de tendncia central um valor no centro ou no meio de um conjunto de dados. Existem trs medidas bsicas que refletem a tendncia central de uma distribuio de freqncias, sendo elas: a mdia, a mediana e a moda. A mdia A mdia de um conjunto de valores o valor obtido somando-se todos
eles e dividindo-se o total pelo nmero de casos. De modo geral a mais importante de todas as mensuraes numricas descritivas. A mdia pode expressar-se como x (x barra) se o conjunto de valores uma amostra; se todos os valores da populao esto presentes, a mdia expressa por (letra grega mu). Logo, a mdia de uma amostra de 70, 90 e 110, :
x Mdia= n
x =
70 + 90 + 110 = 90 3
A mediana A mediana de um conjunto de dados o valor da varivel aleatria a partir do qual metade dos casos se encontra acima dele e metade se encontra abaixo, indicando, portanto, o valor do meio quando os dados esto dispostos em ordem crescente (ou decrescente). Se o nmero de elementos impar, a mediana o meio, se o nmero par a mdia dos dois valores do meio. A moda A moda de um conjunto de dados o evento ou categoria de eventos
que ocorre com maior freqncia,indicando o valor ou categoria mais provvel. Quando dois valores ocorrem com a mesma freqncia mxima, cada um deles uma moda, e o conjunto se diz bimodal; se mais de dois valores, o conjunto multimodal.
33

Sequem alguns exemplos:
Mdia M (2, 3, 3, 4) M (1,18,19,40) M (1,2,3,3,3,7,7,7,11,20) M (9,10,80,80,100) M=3 M=19,50 M=6,4 M=55,80
Mediana Me=3 Me=18,50 Me=5 Me=80
Moda Mo=3 Mo= no tem Mo=3 e 7 Mo=80
A melhor medida de tendncia central As diversas medidas de tendncia central tm diferentes vantagens e desvantagens, algumas das quais resumidas na tabela abaixo. Uma vantagem
importante da mdia que leva em conta todos os valores, mas a grande desvantagem que s vezes pode ser seriamente afetada por valores extremos.
Definio Soma dos valores dividido pelo nmero de valores Valor do meio Valor mais freqente
Leva em conta todos os valores? Sim
Afetada pelos valores extremos? Sim
Vantagens Funciona bem com muitos mtodos estatsticos Costuma ser boa escolha se h alguns valores extremos Apropriada para dados de nvel nominal
Mdia
Mediana Moda
No No
No No
Assimetria Em distribuies de freqncia que refletem uma distribuio de probabilidade mais simtrica, como o caso da Curva Normal, as trs medidas convergem para um mesmo resultado. Em distribuies assimtricas, como o caso da Exponencial, as medidas divergem significativamente. A comparao da mdia, mediana e moda pode nos dizer algo sobre a caracterstica da assimetria, conforme mostrado nas figuras abaixo.
MDIA MEDIANA
MODA
MDIA MODA MEDIANA Simtrica: a Mdia, a Moda e a Mediana coincidem
MODA MEDIANA
MDIA
Negativamente Assimtrica: a Mdia e a Mediana esto esquerda da Moda .
Positivamente Assimtrica: a Mdia e a Mediana esto direita da Moda .
Fig. 2 - Assimetria
34

3.1.2 - Medidas de disperso (ou variao)
Para descrever adequadamente um conjunto de dados, alm da informao quanto ao meio de um conjunto de nmeros, conveniente dispor tambm de um mtodo que permita exprimir a disperso em torno da mdia, ou seja, da maior ou menor variabilidade dos resultados obtidos. As medidas de disperso (ou variao) indicam se os valores esto relativamente prximos um dos outros, ou separados. Elas permitem se identificar at que ponto os resultados se concentram ou no ao redor da tendncia central de um conjunto de observaes.
.. ..... .... ..
Pequena disperso: nmeros relativamente prximos
uns dos outros tm baixas medidas de variao
. .
..
. .
Grande disperso: valores mais dispersos tm maior medida de variao.
Fig. 3 - Disperso Basicamente, os ndices de disperso expressam diferentes formas de se quantificar a tendncia que os resultados de um experimento aleatrio tem de se concentrarem ou no em determinados valores. Existem vrias medidas de disperso que podem avaliar diversos aspectos da variabilidade de um conjunto de dados. As principais so: Amplitude A amplitude de um conjunto de dados a diferena entre o maior e o menor valor que foi observado para a varivel aleatria, servindo para caracterizar a abrangncia do estudo. Para calcul-la, basta subtrair o menor valor do maior. Geralmente no calculada, mas costumeiro mostrar o valor mnimo e o valor mximo da amostra. A utilidade da amplitude bastante limitada pelo fato de s levar em conta os dois valores extremos de um conjunto, nada informando quanto aos outros valores. Desvio padro e varincia De um modo geral, o desvio padro a mais importante medida de variao de valores e desempenha papel relevante em toda estatstica. Ao contrrio da amplitude, leva em conta todos os valores. Ao medir a variao em um conjunto de dados amostrais, razovel comear pelo desvio mdio, que a mdia dos valores absolutos das diferenas entre cada dado e a mdia do conjunto. Entretanto a soma de todos esses valores (por serem negativos e positivos) sempre zero. Para se obter uma estatstica que realmente mea a variao, toma-se, ento, a soma desses valores absolutos (todos positivos). Determinando a mdia deste somatrio, tem-se o desvio mdio, dado pela seguinte expresso: mdia, ignorando-se o sinal de diferena. Fornece uma idia da diferena tpica entre uma medida isolada e a mdia da amostra.
DesvioMdio =
xx
n
O desvio mdio absoluto de um conjunto de nmeros a mdia dos desvios dos valores a contar da
35
Ao invs de utilizar valores absolutos de uma amostra, possvel obter uma medida de variao ainda melhor, tomando os quadrados dos desvios (x-x)2 , que so no-negativos, obtendo-se assim a varincia. Calcula-se a varincia de uma amostra da mesma forma que o desvio mdio, com duas excees (1) os desvios mdios so elevados ao quadrado antes da soma, e (2) tomam-se a mdia dividindo por n-1 em lugar de n, porque isso d uma melhor estimativa da varincia populacional. Pode-se calcular a varincia pela frmula abaixo:
2 x
(x x) =
i
Varincia a soma dos quadrados dos desvios de cada ponto em torno da mdia aritmtica. Caracteriza a disperso dos pontos de uma amostra potencializando as diferenas.
n1
O desvio padro simplesmente a raiz quadrada positiva da varincia:
s=
[ ( xi ) 2 n] n 1
Na distribuio gaussiana, cerca de 95% dos casos fica dentro do intervalo entre a mdia e +1.96*DP.
Ou, ainda, pode-se calcular desvio padro pela frmula:
s=
(x
x)2
n 1
O Coeficiente de Variao o desvio padro dividido pela mdia. Indica a variabilidade da amostra em relao mdia.
C .V . =
Se & X&
3.2 PROBABILIDADE
O mtodo da inferncia estatstica baseia-se na evidncia amostral para formular concluses sobre toda uma populao. As decises inferenciais se baseiam sem chances ou probabilidades- de eventos. 3.2.1 Distribuies de freqncias o conjunto das freqncias relativas observadas para um dado fenmeno estudado, sendo a sua representao grfica o Histograma (diagrama onde o eixo horizontal representa faixas de valores da varivel aleatria e o eixo vertical representa a freqncia relativa). Quanto maior o tamanho da amostra, mais a distribuio de freqncia tende para a Fig. 4 - Distribuio de Freqncias distribuio de probabilidade (Lei dos Grandes Nmeros).
36

3.2.2 Testes de Aderncia
A identificao de uma distribuio de probabilidade a partir de um conjunto de freqncias realizada pelos chamados Testes de Aderncia, os quais calculam a probabilidade da diferena entre uma distribuio de freqncia observada e aquela que seria de se esperar a partir de uma determinada distribuio de probabilidade.
Fig. 5 - Aderncia
3.2.3 Distribuies de probabilidades Os valores das variveis aleatrios s so conhecidos aps a realizao de um experimento e nem todos os valores so igualmente provveis: portanto as afirmaes sobre certos valores so probabilsticos, especificados atravs de uma distribuio de probabilidade. Quando se relacionam os valores de uma varivel aleatria discreta com sua probabilidade de ocorrncia, o resultados um funo densidade de probabilidade: para a varivel aleatria discreta X, o valor da funo densidade de probabilidade f(x) a probabilidade de a varivel aleatria X tomar o valor de x , f (x)= P (X=x). Para a varivel aleatria contnua Y, a funo de densidade de probabilidade f(y) pode ser representada por uma equao, descrita graficamente por uma curva. No caso das variveis contnuas, a rea sob a funo densidade de probabilidade corresponde probabilidade. F(y) f(y)
Fig. 6 Probabilidade como rea sob uma funo de densidade de probabilidade.
A rea total sob a funo de densidade de probabilidade 1, e a probabilidade de Y tomar o valor do intervalo [a,b] ou P [a Y b] a rea sob a funo densidade entre os valores y=a e y = b. Uma distribuio de probabilidades uma distribuio de freqncias para os resultados de um espao amostral. A essncia da anlise estatstica confrontar as hipteses de uma distribuio de probabilidades com as especificaes de determinado problema. H uma variedade de tipos de distribuio de probabilidades na estatstica, tendo cada uma seu prprio conjunto de hipteses que definem as condies sob as quais o tipo de distribuio pode ser utilizado. A mais importante e que ser abordada a seguir, por ser extensamente usada em problemas de inferncia a distribuio normal.
37

3.2.4- Distribuio Normal
O conhecimento desta distribuio de probabilidades se deve a Abraham de Moivre (16671754) que, em 1733, apresentou a funo que a representa. Tratava-se at ento de um exerccio terico, sem aplicao prtica. J. Bernoulli (1654-1705) acreditava que poderia haver aplicao na rea da economia, no entanto, o uso desses conhecimentos na prtica se deve a Pierre-Simon Laplace (1749-1827) na Frana e a Johan K. F. Gauss (1777-1855) na Alemanha. O nome Curva de Gauss se deve suposio que Gauss tivesse sido a primeira pessoa a fazer uso de suas propriedades; no entanto, em 1924, Karl Pearson reafirmou o papel fundamental de Abraham de Moivre. O grfico de uma distribuio normal se assemelha forma de sino.. A curva se prolonga em qualquer das direes a partir da mdia, tendendo ao eixo horizontal medida que aumenta a distancia, mas nunca toca o eixo. Esta curva definida por dois parmetros: sua mdia () e sua varincia (2). Dessa forma so possveis infinitas curvas normais, ora variando a mdia, ora a sua varincia. Suas principais caractersticas so: - A varivel x pode assumir qualquer valor real (- a +) - Os valores de y so assintticos em relao ao eixo das abscissas, isto , nunca tocam o eixo de x. - A curva simtrica e unimodal, apresentando um ponto de inflexo esquerda (x = - 1) e outro direita (x = +1). Como se trata de distribuio de probabilidade contnua, a rea que fica entre a curva e o eixo das abscissas representa a probabilidade. A probabilidade de ocorrer um evento entre os pontos a e b calculada pela integral definida da funo entre os pontos a e b, representada pela rea no grfico
Fig. 07 Curva de Probabilidade Normal
3.2.5-A tabela normal padronizada

Curvas normais, com qualquer e , podem ser transformadas em uma normal muito especial que tem mdia 0 ( = 0) e desvio padro 1 ( = 1). Esta curva normal com mdia 0 e desvio padro 1 conhecida como curva normal reduzida. Suas probabilidades j foram calculadas e so apresentadas em tabelas de fcil utilizao. Como a normal simtrica, os
38
livros apresentam somente as probabilidades da metade direita da curva. A probabilidade de um intervalo qualquer da metade esquerda igual probabilidade do intervalo equivalente na metade direita. Regra bsica para qualquer funo de probabilidade: Total da rea embaixo da curva = 1.00 ou P(- < Zi < + ) = 1.0
P(...) SIGNIFICA PROBABILIDADE e f(Z) a funo de densidade.

DISTRIBUICAO NORMAL
f(Z)
DESVIOS PADRAO
-4
-3
-2
-1
Fig. 8 Distribuio normal
A tabela da paina seguinte d a probabilidade de ocorrncia de um evento entre 0 e z. Na margem esquerda temos o valor de z com uma decimal e, se necessitamos considerar a segunda decimal, a procuramos na margem superior. No interior obtemos as probabilidades. Para calcular a probabilidade de z entre 0 e 1, procuramos na margem esquerda a linha que tem z = 1,0 e a coluna 0,00 e encontramos o valor 0,3413. Isto significa que a probabilidade de encontrar um valor de x entre a mdia zero e z=1,0 0,3413 ou 34,13%. Para se obter a probabilidade de z entre 0 e 1,64, procuramos a clula cuja linha 1,6 e coluna 0,06 o que resulta o valor 0,8990 ou 89,90%, ou seja: REA ENTRE 1 e 1 DESV. PADRO = 68,27% REA ENTRE 1,64 e 1,64 DESV. PADRO = 89,90% REA ENTRE 1,96 e 1,96 DESV. PADRO = 95% REA ENTRE 2 e 2 DESV. PADRO = 95,45% REA ENTRE 3 e 3 DESV. PADRO = 99,73% P(- 1 < Zi < + 1) = 0.6827 P(- 1,64 < Zi < + 1,64) = 0.8990 P(- 1,96 < Zi < + 1,96) = 0.9500 P(- 2 < Zi < + 2) = 0.9545 P(- 3 < Zi < + 3) = 0.9973
-1,96
-1,64
-1
0 68% 89,90% 95,0%
+1
+1,64
+1,96
Fig. 9 rea sob a curva normal a 1, 2, e 3 desvios padres a contar de cada lado da mdia.
39
Tabela 1 -Curva Normal (p = rea entre 0 e z)
segunda casa decimal z 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 3.0 0.00 0.0000 0.0398 0.0793 0.1179 0.1554 0.1915 0.2257 0.2580 0.2881 0.3159 0.3413 0.3643 0.3849 0.4032 0.4192 0.4332 0.4452 0.4554 0.4641 0.4713 0.4772 0.4821 0.4861 0.4893 0.4918 0.4938 0.4953 0.4965 0.4974 0.4981 0.4987 0.01 0.0040 0.0438 0.0832 0.1217 0.1591 0.1950 0.2291 0.2611 0.2910 0.3186 0.3438 0.3665 0.3869 0.4049 0.4207 0.4345 0.4463 0.4564 0.4649 0.4719 0.4778 0.4826 0.4864 0.4896 0.4920 0.4940 0.4955 0.4966 0.4975 0.4982 0.4987 0.02 0.0080 0.0478 0.0871 0.1255 0.1628 0.1985 0.2324 0.2642 0.2939 0.3212 0.3461 0.3686 0.3888 0.4066 0.4222 0.4357 0.4474 0.4573 0.4656 0.4726 0.4783 0.4830 0.4868 0.4898 0.4922 0.4941 0.4956 0.4967 0.4976 0.4982 0.4987 0.03 0.0120 0.0517 0.0910 0.1293 0.1664 0.2019 0.2357 0.2673 0.2967 0.3238 0.3485 0.3708 0.3907 0.4082 0.4236 0.4370 0.4484 0.4582 0.4664 0.4732 0.4788 0.4834 0.4871 0.4901 0.4925 0.4943 0.4957 0.4968 0.4977 0.4983 0.4988 0.04 0.0160 0.0557 0.0948 0.1331 0.1700 0.2054 0.2389 0.2704 0.2995 0.3264 0.3508 0.3729 0.3925 0.4099 0.4251 0.4382 0.4495 0.4591 0.4671 0.4738 0.4793 0.4838 0.4875 0.4904 0.4927 0.4945 0.4959 0.4969 0.4977 0.4984 0.4988 0.05 0.0199 0.0596 0.0987 0.1368 0.1736 0.2088 0.2422 0.2734 0.3023 0.3289 0.3531 0.3749 0.3944 0.4115 0.4265 0.4394 0.4505 0.4599 0.4678 0.4744 0.4798 0.4842 0.4878 0.4906 0.4929 0.4946 0.4960 0.4970 0.4978 0.4984 0.4989 0.06 0.0239 0.0636 0.1026 0.1406 0.1772 0.2123 0.2454 0.2764 0.3051 0.3315 0.3554 0.3770 0.3962 0.4131 0.4279 0.4406 0.4515 0.4608 0.4686 0.4750 0.4803 0.4846 0.4881 0.4909 0.4931 0.4948 0.4961 0.4971 0.4979 0.4985 0.4989 0.07 0.0279 0.0675 0.1064 0.1443 0.1808 0.2157 0.2486 0.2794 0.3078 0.3340 0.3577 0.3790 0.3980 0.4147 0.4292 0.4418 0.4525 0.4616 0.4693 0.4756 0.4808 0.4850 0.4884 0.4911 0.4932 0.4949 0.4962 0.4972 0.4979 0.4985 0.4989 0.08 0.0319 0.0714 0.1103 0.1480 0.1844 0.2190 0.2517 0.2823 0.3106 0.3365 0.3599 0.3810 0.3997 0.4162 0.4306 0.4429 0.4535 0.4625 0.4699 0.4761 0.4812 0.4854 0.4887 0.4913 0.4934 0.4951 0.4963 0.4973 0.4980 0.4986 0.4990 0.09 0.0359 0.0753 0.1141 0.1517 0.1879 0.2224 0.2549 0.2852 0.3133 0.3389 0.3621 0.3830 0.4015 0.4177 0.4319 0.4441 0.4545 0.4633 0.4706 0.4767 0.4817 0.4857 0.4890 0.4916 0.4936 0.4952 0.4964 0.4974 0.4981 0.4986 0.4990
40
AVALIAO DE IMVEIS URBANOS 3.3- Estimao e Testes de Significncia
A estimao e os testes de significncia so os dois principais pontos da inferncia estatstica. 3.3.1-Estimao A estimao envolve a avaliao do valor de algum parmetro populacional com base em dados amostrais. As estimativas podem ser pontuais ou especificar um intervalo de valores em que se julga que o parmetro populacional possa estar. Uma estimativa pontual um valor (ou ponto) nico usado para aproximar um parmetro populacional. Os intervalos de confiana so estimativas intervalares em que incluem a afirmao probabilstica que indica a percentagem de intervalos que possa esperar abranger o verdadeiro valor do parmetro em seus limites. A amplitude de um intervalo de confiana depende: da disperso dos valores, do nvel de confiana indicado, do erro tolervel e, do tamanho da amostra
Um intervalo de confiana est associado a um grau de confiana que uma medida da certeza de que o intervalo contem o par6ametro populacional. A definio de grau de confiana utiliza para descrever uma probabilidade que corresponde a uma rea. Veja a figura abaixo, onde a probabilidade de est dividida igualmente entre duas regies extremas sombreadas (caudas) na distribuio z (ou t no caso de pequenas amostras).
Intervalo de Confiana x-e x x+e
/2
/2
Pela Tabela corresponde rea de 0,5 - /2
Z=0
Z /2
Fig.10 A distribuio Normal Padronizada: o valor crtico de z/2
41
O grau de confiana a probabilidade 1- (comumente expressa como o valor percentual equivalente) de o intervalo de confiana conter o verdadeiro valor do parmetro populacional. (o grau de confiana tambm chamado de nvel de confiana, ou coeficiente de confiana). So escolhas comuns para grau de confiana: 90% (com = 0,10), 95% (com = 0,05). Pelas Normas de avaliaes de imveis conforme comentado adiante, usa-se intervalo de confiana de 80%. Um valor crtico o nmero na fronteira que separa os valores das estatsticas amostrais provveis de ocorrerem, dos valores que tm pouca chance de ocorrer. O nmero z/2 um valor crtico que um escore z com a propriedade de separa uma rea de /2 na cauda direita da distribuio normal padronizada. (H uma rea de 1- entre as fronteiras de - z/2 e z/2). Os mesmos conceitos valem para distribuio t.
GRAU DE CONFIANA = 95%
/2 = 0,025
/2 = 0,025
0,475 -z /2 = -1,96
z=0
0,475 +z /2 = +1,96
Fig.11 Determinao de z/2 para 95% de grau de confiana. Os intervalos de confiana so estimativas intervalares calculadas com auxlio do erropadro da estimativa Se . Pode referir-se ao valor mdio de Y para um dado X, ou ento, a um valor individual esperado de Y. Em ambos os casos o valor esperado o mesmo, mas o intervalo de confiana depende do ponto de vista adotado.
Yi
= se.
1 + n
(X
1i
X )2
2
[( X)
/n]
Intervalo para predizer a o valor mdio de Y, o desvio padro de Yi:

S 1 = se. 1 + + n (X
1i
X )2
Intervalo de Predio para um valor Y individual, soma-se um nico termo (1)

2
Yi
[(
X)
/n]
expresso, ou seja, o desvio padro de Yi
42
No caso, pela interpretao das Normas da ABNT, a estimativa para um valor mdio de Y, portanto, o intervalo deve ser obtido atravs da primeira frmula. Dado um valor fixo X0, o intervalo de predio para um determinado Y ser: E <Y< E +
Onde a margem de erro E envolve a distribuio t, sendo dado por:
1 E = t / 2 .s e . + n
(X 0 X ) 2
2
[( X) 2 /n]
A distribuio de probabilidade de Yi do tipo distribuio t com (n-k-1) graus de liberdade, com mdia igual a Y e erro padro igual Si. Portanto, o intervalo de confiana poder ser estimado por:
Yi t ( n K 1) / 2 .Sy i Yi Yi + t ( n K 1) / 2 .Sy i
onde: t o valor obtido na tabela t de Student e Syi o desvio padro de X0 O intervalo de confiana pode ser calculado para qualquer valor de X, possibilitando a construo de uma faixa de confiana para a reta de regresso populacional como um todo. Quanto maior o nmero da amostra (n) e quanto mais dispersa for a varivel x, menor ser o erro padro e conseqentemente a amplitude dos intervalos de confiana. O intervalo de confiana ter uma amplitude menor a medida que X se aproxima da mdia x e que eles vo se alargando progressivamente medida que se afastam da mdia. O grau de confiana a probabilidade 1- (comumente expressa como o valor percentual equivalente) de o intervalo de confiana conter o verdadeiro valor do parmetro populacional. (o grau de confiana tambm chamado de nvel de confiana, ou coeficiente de confiana). So escolhas comuns para grau de confiana: 90% (com = 0,10), 95% (com = 0,05). A Norma, estipula que, que o valor final a ser indicado , em funo do tratamento estatstico dado, tem de estar contido em um intervalo de confiana fechado e mximo de 80% ( que corresponde ao nvel de significncia igual a 20%, resultando
= 10
) para o valor mdio induzido pela equao de regresso.
43

3.3.2-Testes de Significncia (Testes de Hipteses)
Pelo processo da induo, as estatsticas amostrais tendem a se aproximar ( e no igualar) aos parmetros da populao e os testes de testes de significncia so para verificar se a diferena entre o valor alegado de um parmetro populacional e o valor de uma estatstica amostral pode ser razoavelmente atribudo variabilidade amostral ou se a discrepncia demasiadamente grande. Os testes de significncia so usados para avaliar afirmaes sobre parmetros populacionais e o processo consiste basicamente em: 1o) Formular a hiptese nula e a hiptese alternativa 2o) Escolher a distribuio amostral adequada 3o) Escolher a um nvel de significncia ( e assim os valores crticos) 4o) Calcular a estatstica do teste e compar-la com o(s) valor (es) crtico(s) 5o) Rejeitar a hiptese de nulidade se a estatstica teste excede o(s) valor(es) crtico(s); caso contrrio, aceit-la. Portanto, para iniciar o processo, dois so os tipos de hipteses que devem ser formuladas: a que sugere que a afirmao verdadeira, chama-se hiptese nula e se designa pelo smbolo H0; a que sugere a afirmao falsa chama-se hiptese alternativa e se designa pelo smbolo H1. ou seja: A hiptese nula H0 uma afirmao que diz que o parmetro populacional tal como especificado (isto , a afirmao verdadeira). A hiptese alternativa H1 uma hiptese que oferece uma alternativa alegao (isto , o parmetro maior (ou menor) que o alegado). O segundo passo consiste em identificar a distribuio amostral adequada (normal z, t de Student, F de Fischer, etc..) O terceiro passo consiste em escolher um nvel de significncia aceitvel para indicar um valor crtico como padro de comparao, para no rejeitar uma hiptese nula, quando verdadeira. Valor crtico o valor, ou valores que separa(m) a regio crtica dos valores da estatstica do teste que no levam rejeio da hiptese nula A essncia de um teste de significncia consiste ento em particionar uma distribuio amostral com base na suposio de H0 ser verdadeira em uma regio de aceitao e uma regio de rejeio de H0. Calcula-se, ento, a estatstica do teste com base nos dados amostrais para compar-lo com o valor crtico, cumprindo assim a quarta etapa do teste. Para finalizar o processo, uma estatstica teste que excede o valor crtico sugere a rejeio de H0 , enquanto que uma estatstica teste inferior ao valor crtico sugere H0 que seja aceita.
44

3.3.2.1-Testes unilaterais e testes bilaterais
A distribuio amostral particionada em uma regio que sugere a aceitao de H0 e uma regio (testes unilaterais) ou duas regies (testes bilaterais que sugerem a rejeio de H0). A hiptese alternativa, essencialmente, podendo ocorrer trs casos possveis: 1 - concentrar em ambas direes 2- concentrar os desvios para baixo 3- concentrar os desvios para cima Simbolicamente, no caso da jogada de uma moeda, onde: Ho:p=0,50, tem-se:
Aceitar H0 Rejeitar H0
usada para indicar o aspecto da variao,
/2
Valor crtico
/2
Rejeitar H0 H0 : p#0,5
Valor crtico
Aceitar H0 Rejeitar H0
Valor crtico
H0 : p< 0,5
Rejeitar H0 Aceitar H0
H0 : p>0,5
Valor crtico
Fig. 12 Comparao da partio de uma distribuio amostral para testes unilaterais e bilaterais. Note-se, nos testes unilaterais, que o sinal > ou o sinal < aponta para a cauda utilizada
3.3.2.2-Erros tipo I e tipo II Ao ser testada uma hiptese nula, a concluso rejeit-la ou no rejeit-la: tais concluses ora so corretas, ora so incorretas. H dois tipos de erros inerentes ao processo de teste de significncia: erro Tipo I: consiste em rejeitar a Hiptese Nula Ho quando ela verdadeira. A probabilidade de cometer esse erro chamada nvel de significncia de um teste e se denota por (alfa). O valor de tipicamente predeterminado: So comuns a escolha =0,05; =0,01. erro Tipo II: consiste em no rejeitar a Hiptese Nula Ho quando ela falsa. Usa-se o smbolo (beta) para representar a probabilidade de um erro tipo II.
45
Espera-se naturalmente, que Ho seja aceita quando verdadeira e rejeitada quando falsa. Logo, h 4 resultados possveis indicados na tabela abaixo e tomada a deciso, ou ela ser correta, ou ocorrer um tipo de erro, e a deciso (aceitar ou rejeitar) indicar que tipo de erro possvel.
Deciso
Decidimos rejeitar a Hiptese Nula No rejeitamos a Hiptese Nula
A Hiptese Nula Verdadeira Erro Tipo I (rejeio de uma hiptese nula verdadeira) Deciso Correta
A Hiptese Nula Deciso Correta
Falsa
Erro Tipo II (no rejeio de uma hiptese nula falsa)
Fig. 13 - Erros Tipo I e Tipo II
A probabilidade de cometer o erro do tipo I, , mais fcil de ser detectada e pode ser controlada. Contudo, reduzindo , aumenta a probabilidade de cometer um erro do tipo II, .
chamado o nvel de significncia e 1- o nvel de significncia do teste.

3.3.2.3-Concluso quanto aos testes de Hipteses: A afirmao original, ou bsica, ora se torna a hiptese nula, ora se transforma na hiptese alternativa. Entretanto, o processo exige que sempre seja testada a hiptese nula e a concluso final ser sempre uma das seguintes: 12No rejeitar a hiptese nula H0; Rejeitar a hiptese nula H0
3.3.3- O mtodo tradicional do Teste de Hipteses Este processo consiste em identificar um resultado amostral que significativamente
diferente do valor alegado: uma estatstica amostral importante se converte em uma estatstica de teste, que comparada com um valor crtico e utiliza-se este critrio para concluso: - Rejeitar a hiptese nula se a estatstica de teste est na regio crtica; - No rejeitar a hiptese nula se a estatstica de teste no est na regio crtica. 3.3.4-O mtodo do Valor P para o Teste de Hipteses Os programas de computador utilizam uma outra abordagem para o teste de hipteses, baseada no clculo do valor de uma probalidade, ou valor P. Um valor P muito pequeno (como 0,05 ou menos) sugere que os resultados amostrais so muito improvveis sob a hiptese nula; logo, uma evidncia contra a hiptese nula 3.2.5 Distribuies relacionadas com a distribuio normal Existem duas importantes distribuies de probabilidade utilizadas na estatstica inferencial relacionadas com a distribuio normal: a distribuio t e a distribuio F.
46

3.2.5.1-A Distribuio t
Pelo Teorema do Limite Central, quando o tamanho da amostra superior a 30, a distribuio das mdias aproximadamente normal, mas para observaes menores que 30, a aproximao normal pode no ser adequada. Por outro lado, quando o desvio padro da populao no conhecido (o que ocorre em geral), usa-se o desvio padro da amostra como estimativa, substituindo-se x por Sx nas equaes para intervalos de confiana e erros. Portanto, se a amostra pequena (n 30) e o desvio padro da populao no conhecido, usa-se a distribuio t1 de Student.
A forma da distribuio t similar normal, conforme mostrado na figura a seguir. A principal diferena entre as duas distribuies que a distribuio t tem mais rea nas caudas: isto significa que , para um dado nvel de confiana, o valor t ser um pouco maior que o correspondente ao z.
Fig. 14 Comparao de distribuio normal z e t.

Note-se que a distribuio t tem mais rea nas caudas . A partir de 30 dados amostrais, elas se aproximam. Para usar a tabela t2 (TABELA 2) preciso conhecer duas coisas: o nvel de confiana desejado e o nmero de graus de liberdade. O nmero de graus de liberdade est relacionado com a maneira de calcular o desvio padro:
Sx =
onde:
(x x )2 n 1
n-1=graus de liberdade (tamanho da amostra menos 1)
Sx = desvio padro amostral e
O criador da distribuio t foi W.S.Gosset, empregado de uma cervejaria irlandesa no princpio do sculo XX que precisava de uma distribuio que pudesse ser utilizada com pequenas amostras. Como esta no permitia a publicao de resultados de pesquisas, usou o pseudnimo de Student.
2
A tabela de t de Student ser usada mais adiante para clculos de verificao das variveis e clculo do intervalo de confiana.
47
O nmero de graus de liberdade para um conjunto de dados corresponde ao nmero de valores que podem variar aps terem sido impostas certas restries a todos os valores. Explicao intuitiva sobre o nmero de graus de liberdade: Determinar trs nmeros cuja soma seja 10: o primeiro nmero pode ser qualquer um (at negativo); o segundo tambm. Mas o terceiro ser limitado condio que a soma dos trs deve ser 10. Escolhido os dois primeiros, o terceiro ser determinado: no existe grau de liberdade para ele. H trs nmeros em jogo, mas liberdade s para dois, ou seja, como os dois primeiros nmeros foram escolhidos arbitrariamente, h dois graus de liberdade
48
Tabela 2 - Distribuio t de Student

Coeficiente de Confiana
Duas caudas Uma cauda Duas caudas Uma cauda 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 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 0,80 0,90 0,20 0,10 3,078 1,886 1,638 1,533 1,476 1,440 1,415 1,397 1,383 1,372 1,363 1,356 1,350 1,345 1,341 1,337 1,333 1,330 1,328 1,325 1,323 1,321 1,319 1,318 1,316 1,315 1,314 1,313 1,311 1,310 1,309 1,309 1,308 1,307 1,306 1,306 1,305 1,304 1,304 1,303 1,303 1,302 1,302 1,301 1,301 1,300 1,300 1,299 1,299 1,299 0,90 0,95 0,10 0,05 6,314 2,920 2,353 2,132 2,015 1,943 1,895 1,860 1,833 1,812 1,796 1,782 1,771 1,761 1,753 1,746 1,740 1,734 1,729 1,725 1,721 1,717 1,714 1,711 1,708 1,706 1,703 1,701 1,699 1,697 1,696 1,694 1,692 1,691 1,690 1,688 1,687 1,686 1,685 1,684 1,683 1,682 1,681 1,680 1,679 1,679 1,678 1,677 1,677 1,676 0,95 0,98 0,05 0,03 12,706 4,303 3,182 2,776 2,571 2,447 2,365 2,306 2,262 2,228 2,201 2,179 2,160 2,145 2,131 2,120 2,110 2,101 2,093 2,086 2,080 2,074 2,069 2,064 2,060 2,056 2,052 2,048 2,045 2,042 2,040 2,037 2,035 2,032 2,030 2,028 2,026 2,024 2,023 2,021 2,020 2,018 2,017 2,015 2,014 2,013 2,012 2,011 2,010 2,009 0,98 0,99 0,02 0,01 31,821 6,965 4,541 3,747 3,365 3,143 2,998 2,896 2,821 2,764 2,718 2,681 2,650 2,624 2,602 2,583 2,567 2,552 2,539 2,528 2,518 2,508 2,500 2,492 2,485 2,479 2,473 2,467 2,462 2,457 2,453 2,449 2,445 2,441 2,438 2,434 2,431 2,429 2,426 2,423 2,421 2,418 2,416 2,414 2,412 2,410 2,408 2,407 2,405 2,403 0,990 0,995 0,010 0,005 63,656 9,925 5,841 4,604 4,032 3,707 3,499 3,355 3,250 3,169 3,106 3,055 3,012 2,977 2,947 2,921 2,898 2,878 2,861 2,845 2,831 2,819 2,807 2,797 2,787 2,779 2,771 2,763 2,756 2,750 2,744 2,738 2,733 2,728 2,724 2,719 2,715 2,712 2,708 2,704 2,701 2,698 2,695 2,692 2,690 2,687 2,685 2,682 2,680 2,678 0,9990 0,9995 0,0010 0,0005 636,578 31,600 12,924 8,610 6,869 5,959 5,408 5,041 4,781 4,587 4,437 4,318 4,221 4,140 4,073 4,015 3,965 3,922 3,883 3,850 3,819 3,792 3,768 3,745 3,725 3,707 3,689 3,674 3,660 3,646 3,633 3,622 3,611 3,601 3,591 3,582 3,574 3,566 3,558 3,551 3,544 3,538 3,532 3,526 3,520 3,515 3,510 3,505 3,500 3,496
Testes de Hipteses
49

3.2.5.2- A distribuio F - Anlise de varincia
A distribuio F tem inmeras utilidades, especialmente para comparao de mdias amostrais. No caso especfico da avaliao de imveis, a distribuio F usada para realizar testes de hipteses da equao de regresso como um todo. A distribuio F testa a hiptese de que nenhum dos coeficientes da regresso tenha significado contra a hiptese de que pelo menos um tenha significado, ou seja, formulando as seguintes hiptese nula e alternativa: H0= nenhum dos coeficientes da regresso tenha significado. H1= pelo menos um tem significado. O valor da estatstica deve ser comparado com uma tabela de valores F, no caso da tabela de distribuio F
de Fischer-
Snedecor (TABELA 3), que indica o valor mximo da estatstica no
caso de H0 ser verdadeira, a um determinado nvel de significncia Anlise de Varincia (ANOVA) Usualmente as partes componentes desse teste - compreendendo no s da fonte de
variao como de verificao dos clculos, como tambm a prpria estatstica do teste (razo F) e o P valor - so indicadas numa Tabela chamada Analise da Varincia (ANOVA) reproduzida pelos programas de computador, nos moldes do quadro reproduzido a seguir.
Fonte de variao de Y E = Explicada pela regresso X1...Xn R= Residual no explicada pela regresso T=Total Soma de Quadrados SQE=r2 Graus de Liberdade K Quadrado mdio das variaes QME=SQE/k Razo F =QME/QMR Valor -P Significncia obtida da Tabela F SQR=SQT-SQE SQT=(SQE+SQR) n-k-1 TOTAL QMR=SQR/(n-k-1) TOTAL
Ao fazer a anlise, utilizam-se duas estimativas amostrais da varincia para calcular uma razo F. O F observado dado por: F= Varincia Explicada Varincia no explicada Compara-se o nmero resultante com um valor F da Tabela: se o valor maior que o valor tabulado, rejeita-se a hiptese nula. Se o valor calculado menor, a hiptese nula no pode ser rejeitada. Os valores constantes da tabela F so os valores crticos. Compara-se o nmero resultante com um valor F da Tabela: se o valor maior que o valor tabulado, rejeita-se a hiptese nula. Se o valor calculado menor, a hiptese nula no pode ser rejeitada.
50
Tabela 3 - Distribuio F Colunas: Graus de Liberdade Numerador.
Nivel de Significncia:
1 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 50 60 70 80 90 100 500 2 3 4 5624 4052 4999 5404
0,01
5 6 7 5928 8 9 10 11 12 15 20 25 1000 5764 5859 5981 6022 6056 6083 6107 6157 6209 6240 6363
98,50 99,00 99,16 99,25 99,30 99,33 99,36 99,38 99,39 99,40 99,41 99,42 99,43 99,45 99,46 99,50 34,12 30,82 29,46 28,71 28,24 27,91 27,67 27,49 27,34 27,23 27,13 27,05 26,87 26,69 26,58 26,14 21,20 18,00 16,69 15,98 15,52 15,21 14,98 14,80 14,66 14,55 14,45 14,37 14,20 14,02 13,91 13,47 16,26 13,27 12,06 11,39 10,97 10,67 10,46 10,29 10,16 10,05 9,96 13,75 10,92 9,78 12,25 9,55 11,26 8,65 10,56 8,02 10,04 7,56 9,65 9,33 9,07 8,86 8,68 8,53 8,40 8,29 8,18 8,10 8,02 7,95 7,88 7,82 7,77 7,72 7,68 7,64 7,60 7,56 7,31 7,17 7,08 7,01 6,96 6,93 6,90 6,69 7,21 6,93 6,70 6,51 6,36 6,23 6,11 6,01 5,93 5,85 5,78 5,72 5,66 5,61 5,57 5,53 5,49 5,45 5,42 5,39 5,18 5,06 4,98 4,92 4,88 4,85 4,82 4,65 4,63 8,45 7,59 6,99 6,55 6,22 5,95 5,74 5,56 5,42 5,29 5,19 5,09 5,01 4,94 4,87 4,82 4,76 4,72 4,68 4,64 4,60 4,57 4,54 4,51 4,31 4,20 4,13 4,07 4,04 4,01 3,98 3,82 3,80 9,15 7,85 7,01 6,42 5,99 5,67 5,41 5,21 5,04 4,89 4,77 4,67 4,58 4,50 4,43 4,37 4,31 4,26 4,22 4,18 4,14 4,11 4,07 4,04 4,02 3,83 3,72 3,65 3,60 3,56 3,53 3,51 3,36 3,34 8,75 7,46 6,63 6,06 5,64 5,32 5,06 4,86 4,69 4,56 4,44 4,34 4,25 4,17 4,10 4,04 3,99 3,94 3,90 3,85 3,82 3,78 3,75 3,73 3,70 3,51 3,41 3,34 3,29 3,26 3,23 3,21 3,05 3,04 8,47 7,19 6,37 5,80 5,39 5,07 4,82 4,62 4,46 4,32 4,20 4,10 4,01 3,94 3,87 3,81 3,76 3,71 3,67 3,63 3,59 3,56 3,53 3,50 3,47 3,29 3,19 3,12 3,07 3,04 3,01 2,99 2,84 2,82 8,26 6,99 6,18 5,61 5,20 4,89 4,64 4,44 4,28 4,14 4,03 3,93 3,84 3,77 3,70 3,64 3,59 3,54 3,50 3,46 3,42 3,39 3,36 3,33 3,30 3,12 3,02 2,95 2,91 2,87 2,84 2,82 2,68 2,66 8,10 6,84 6,03 5,47 5,06 4,74 4,50 4,30 4,14 4,00 3,89 3,79 3,71 3,63 3,56 3,51 3,45 3,41 3,36 3,32 3,29 3,26 3,23 3,20 3,17 2,99 2,89 2,82 2,78 2,74 2,72 2,69 2,55 2,53 7,98 6,72 5,91 5,35 4,94 4,63 4,39 4,19 4,03 3,89 3,78 3,68 3,60 3,52 3,46 3,40 3,35 3,30 3,26 3,22 3,18 3,15 3,12 3,09 3,07 2,89 2,78 2,72 2,67 2,64 2,61 2,59 2,44 2,43 7,87 6,62 5,81 5,26 4,85 4,54 4,30 4,10 3,94 3,80 3,69 3,59 3,51 3,43 3,37 3,31 3,26 3,21 3,17 3,13 3,09 3,06 3,03 3,00 2,98 2,80 2,70 2,63 2,59 2,55 2,52 2,50 2,36 2,34 7,79 6,54 5,73 5,18 4,77 4,46 4,22 4,02 3,86 3,73 3,62 3,52 3,43 3,36 3,29 3,24 3,18 3,14 3,09 3,06 3,02 2,99 2,96 2,93 2,91 2,73 2,63 2,56 2,51 2,48 2,45 2,43 2,28 2,27 9,89 7,72 6,47 5,67 5,11 4,71 4,40 4,16 3,96 3,80 3,67 3,55 3,46 3,37 3,30 3,23 3,17 3,12 3,07 3,03 2,99 2,96 2,93 2,90 2,87 2,84 2,66 2,56 2,50 2,45 2,42 2,39 2,37 2,22 2,20 9,72 7,56 6,31 5,52 4,96 4,56 4,25 4,01 3,82 3,66 3,52 3,41 3,31 3,23 3,15 3,09 3,03 2,98 2,93 2,89 2,85 2,81 2,78 2,75 2,73 2,70 2,52 2,42 2,35 2,31 2,27 2,24 2,22 2,07 2,06 9,55 7,40 6,16 5,36 4,81 4,41 4,10 3,86 3,66 3,51 3,37 3,26 3,16 3,08 3,00 2,94 2,88 2,83 2,78 2,74 2,70 2,66 2,63 2,60 2,57 2,55 2,37 2,27 2,20 2,15 2,12 2,09 2,07 1,92 1,90 9,45 7,30 6,06 5,26 4,71 4,31 4,01 3,76 3,57 3,41 3,28 3,16 3,07 2,98 2,91 2,84 2,79 2,73 2,69 2,64 2,60 2,57 2,54 2,51 2,48 2,45 2,27 2,17 2,10 2,05 2,01 1,99 1,97 1,81 1,79 9,03 6,89 5,66 4,87 4,32 3,92 3,61 3,37 3,18 3,02 2,88 2,76 2,66 2,58 2,50 2,43 2,37 2,32 2,27 2,22 2,18 2,14 2,11 2,08 2,05 2,02 1,82 1,70 1,62 1,56 1,51 1,48 1,45 1,20 1,16
1000 6,66
51
CAPTULO 4 Pressupostos de um Modelo para Explicao do Mercado Imobilirio

Na estimativa do valor de um determinado segmento do mercado imobilirio (de um terreno, de uma residncia, de um aluguel, etc...), o processo de inferncia estatstica pode se constituir na metodologia adequada, desde que atenda o pressuposto bsico inicial quanto a existncia de um conjunto de dados que possa ser tomado, estatisticamente, como amostra deste segmento. O processo de inferncia consiste em obter um modelo de regresso de mltiplas variveis, que explique a variao do valor investigado a partir desse conjunto de dados, normalmente estimado atravs do mtodo dos mnimos quadrados. Este mtodo consiste calcular as relaes estatsticas no mbito das informaes colhidas em amostra e o processo que possibilita prever o valor de um parmetro desconhecido (populacional) tem explicao na teoria das probabilidades. Essa teoria permite fazer inferncias, mediante testes de hipteses e intervalos de confiana e nela que esto baseadas as especificaes quanto aos critrios estabelecidos para o tratamento estatstico inferencial introduzidas pelas normas de avaliao de imveis da ANBT (NBR-14.653-2). Assim que, na estimativa do valor de um determinado imvel (Yi), pressupe-se que ele possa ser explicado segundo uma variao de diversas componentes (X1j ,X2j ... Xkj , que podem ser representados por uma variao de: rea, frente, distancia a um polo atrativo, padro construtivo, etc..) e o modelo de regresso ajustado normalmente consiste numa funo linear- ou linearizvel por transformao nas escalas das variveis envolvidas - do tipo:
Yi = 0 + 1X1i + 2X2i + ......... kXki + i ,
onde:
Yi = varivel dependente ou explicada, que se constitui no valor investigado (terreno, casa, loja) X1i ,X2i ... Xki = variveis independentes ou explicativas, que podem ser de natureza quantitativa (rea, frente, distancia a um polo atrativo, etc..) ou qualitativa (padro, topografia, etc..) 1,2 ...k = parmetros da regresso i = os respectivos erros ou resduos, sendo a expresso de inmeras pequenas causas que produzem um desvio do que a varivel dependente deveria ser, se a relao fosse determinstica. Cabe relembrar a natureza do termo erro ei , e especificar que ,no caso de avaliaes, se deve principalmente aos seguintes aspectos: 1o) erros decorrentes de observao ou medidas das variveis (muito comuns na prtica da pesquisa, por serem dependente de informaes de terceiros); 2o) erros devidos a no considerao de variveis influentes na variao de valor, no contempladas na regresso. Isto significa dizer que, alm das variveis reconhecidas no modelo, existiriam fatores que poderiam influenciar indiretamente o valor (Y,) mas que no se revelam suficientemente fortes para estarem no modelo, 3o) aleatoriedade do comportamento humano, elemento imprevisvel e muito presente no mercado imobilirio
52
Devido a esse erro amostral, dificilmente a regresso estimada da amostra coincidir com a verdadeira regresso populacional:
Y = o +1Xi
Regresso verdadeira (desconhecida)
1.1.1.1.1 i =b 0 +b 1 X 1i
Regresso
X
Fig.15 - Representao esquemtica das regresses (amostral e populacional)
O mximo que se pode esperar uma aproximao razovel entre as duas funes. Ao ajustar a regresso amostral, o objetivo manter os resduo ( erros), to pequenos quanto possvel. A tcnica mais usada para determinar a equao de regresso a dos mnimos quadrados e a denominao provem de a reta resultante minimizar a soma dos quadrados dos desvios dos pontos em relao a reta, conforme especificado adiante.
53
Para que este modelo matemtico seja considerado vlido para explicao do fenmeno investigado, considera-se, ainda, que as variveis explicativas ((X1j ,X2j ... Xkj ,, rea, testada, etc...) no contenham nenhuma perturbao aleatria - que deve ser assegurado mediante verificao dos testes de hipteses bsicos (demonstrados pela significncia dos regressores atravs do teste t e da equao como um todo atravs da distribuio F ) e que a distribuio dos resduos os erros,
i , satisfaam aos
pressupostos de modelo de regresso linear normal, isto , varincia constante ( homocedasticidade) , independencia entre as variveis explicativas e no autoregresso (quando usadas sries temporais). E o que mais importante, que este modelo poder ser utilizado para avaliao, desde que represente com clareza, coerncia e logicidade o efetivo comportamento do segmento de mercado estudado naquele momento.
4.1 O MODELO DE REGRESSO LINEAR CLCULO DOS PARMETROS Aps ter selecionado a frmula bsica da parte funcional do modelo, a etapa seguinte no processo a estimao dos parmetros (b0, b1, b2, ..., bk) na funo. Isto deve ser realizado resolvendo um problema que relaciona a resposta varivel e a parte funcional do modelo de uma maneira que produzam as estimativas dos parmetros o mais prximo possvel dos valores dos parmetros verdadeiros, desconhecidos. Existem diversos mtodos para a estimao dos parmetros de uma equao de regresso Os dois mtodos mais comumente utilizados so os dos Mnimos Quadrados Ordinrios e o da Mxima Verossimilhana, sendo o primeiro mais difundido na Engenharia de Avaliaes. 4.1.1 - O mtodo dos mnimos quadrados Pelo critrio dos mnimos quadrados, os valores desconhecidos dos parmetros, 0,
1,...,K so estimados encontrando os valores numricos para os parmetros que

minimizam a soma dos resduos, ou seja, das diferenas entre as respostas observadas e a parcela funcional do modelo (calculadas atravs da equao de regresso). Matematicamente, o critrio da soma dos quadrados, que minimizado para obter as estimativas do parmetro :
54

n
r 2 r y f ( x; = i sendo que, 1, 2,..., K, so tratados como os coeficientes das i =1

variveis X1, X2,..., Xk e resultaro nos valores de predio de Y, em funo da variao destas referidas variveis. Para enfatizar o fato que as estimativas dos valores de parmetro no so as mesmas como os valores verdadeiros dos parmetros as
estimativas so denotados perto 0 , 1,..., k .

A explicao do mtodo ser ilustrada com base em sua expresso mais simples recorrendo regresso linear relacionando apenas duas variveis, considerando o modelo de regresso em linha reta. A relao entre "Y" e "X", pode ser representada em um diagrama de disperso, com os valores yi em ordenada e os xi em abscissa. Cada par de valores xi e yi fornecero um ponto e utilizando-se, por exemplo, o mtodo que minimiza o somatrio dos resduos ao quadrado, pode-se calcular, neste caso, a equao de uma reta de tendncia que melhor se ajuste nuvem de distribuio dos pontos representativos dos dados pesquisados da amostra utilizada.
y Yi Y1 ei b0 X1 X b1 i
Fig.16 Representao da Reta de Regresso.
Para ajustar uma reta aos valores dos dados de uma amostra, pelo princpio dos mnimos quadrados deve-se procurar uma reta tal que a soma dos quadrados das distncias verticais de cada ponto reta seja a menor possvel. Tomam-se os quadrados das distncias para que as distancias positivas sejam canceladas pelas negativas. O intercepto e o coeficiente angular dessa reta, so b0 e b1, que
55
correspondem s estimativas obtidas pelo mtodo dos mnimos quadrados de 0 e 1 e a reta ajustada representada pela expresso:
i= b0 + b1 x1
Considerando o grfico acima, para cada reta que passe pelos pontos do diagrama, existe um resduo correspondente a distancia vertical entre Xi e a reta, para cada par ( Xi,Yi) observado. As distncias verticais de cada ponto reta ajustada so os resduos de mnimos quadrados, e so dados por:
ei = Yi i ou 4 ei = Yi b0 b1 .Xi onde: Yi o valor observado da varivel dependente ii o valor estimado ou previsto pelo modelo ei o resduo estimado b0 e b1 as estimativas dos parmetros 0 e 1 A aplicao do mtodo dos mnimos quadrados, portanto, consiste em encontrar, a partir dos dados amostrais (Yi, Xi), as estimativas para o coeficiente angular b1 (que define o aumento ou diminuio da varivel Yi por unidade de variao da varivel Xi) e para o intercepto b0 (que define o ponto em que a reta corta o eixo das ordenadas), de modo que os erros (ou resduos) sejam mnimos. Uma vez que as diferenas entre valores reais (Yi) e valores previstos ( i ) sero tanto positivas como negativas para diferentes observaes, necessrio minimizar matematicamente como: Como i= b0 + b1.X1,, o que est sendo minimizado :
i =1
[Y i - (b 0 + b 1 X i )] 2
Para este modelo, as estimativas dos mnimos quadrados dos parmetros seriam computadas minimizando:
=
i=1
[Y i - (b 0 + b 1 X i )] 2
Fazendo o exame de derivadas parciais com respeito b0 e b1, ajustando cada derivada parcial igual a zero e resolvendo o sistema resultante de duas equaes com dois desconhecidos, tem-se as seguintes estimativas para os parmetros:
56
b1 =
i =1
( xi x )( yi y )
i =1
( xi x )2
b 0 = y b1 x
Onde,
corresponde ao valor mdio da varivel Xi e
corresponde ao valor mdio
da varivel Yi.
E a equao de regresso , ento, dada por: = b0 + b1 xi

relevante, a esta altura, informar que, no caso de utilizao de duas variveis explicativas e uma explicada, a reta de regresso passa a ser um plano de regresso, em relao ao qual so calculados os resduos. No caso de mais de duas variveis explicativas, diz-se que os resduos so calculados em relao a um hiper-plano terico. As equaes de regresso podem ser teis quando usadas para predizer o valor de uma das variveis, dado um valor da outra varivel, desde que se ajustem bem aos dados e no ultrapasse os limites dos valores disponveis. A regresso mltipla usada, portanto, para testar dependncias cumulativas de uma nica varivel dependente em relao diversas variveis independentes. Cada varivel isolada e mantida constante enquanto as variveis restantes variam sistematicamente, sendo observados os seus efeitos sobre a varivel dependente. A varivel a ser inicialmente mantida constante aquela que ocasiona a maior influncia na variabilidade da varivel dependente.
O modelo geral representado por
yi = b0 + b1 x1 + L + bk xki + ei
A condio inicial, como na regresso linear simples, descrita por
y = bo + b1 x1 + e1 onde xi a varivel independente, responsvel pela

maior variabilidade, b0 e b1 so os coeficientes e e1 o erro, isto , a variabilidade em Y no explicada pela relao linear.
57
A varivel que, em seguida, mais reduz a variabilidade do erro em seqncia adicionada de tal modo que:
y = bo + b1 x1 + b2 x2 + e2 , sendo b0 , b1 e b2 calculados e e2 < e1 .

O processo segue por etapas at que o comportamento de todas as variveis independentes em relao dependente seja verificado. O desenvolvimento dos sistemas de equaes no se constitui no objetivo precpuo deste curso, sendo recomendado aos alunos se aprofundar utilizando as referncias bibliogrficas recomendada na apostila. A mesma recomendao vale para os modelos lineares de regresso mltipla, especialmente aqueles envolvendo muitas variveis explicativas, onde a estimao dos parmetros pelo mtodo dos mnimos quadrados (b0, b1, b2,...., bk) obtida atravs de operaes com matrizes, cujas formulaes tericas baseiam-se em clculos complexos, que no se constituem no principal objetivo deste curso, razo pela qual sero apresentados apenas os conceitos mais importantes, at mesmo porque, os programas aplicativos de computador resolvem todos os sistema de equaes.
Correlaes do modelo e das variveis explicativas
O coeficiente de correlao isolada entre esto relacionadas entre si.
variveis expressa o quanto as mesmas
O coeficiente de correlao entre Y e X, simbolizado por r, pode ser pode ser definido na forma de raiz quadrada do coeficiente de determinao R2 ou pela frmula:
r =
y
2
xy .
x2
O coeficiente de correlao til no processo de investigao das variveis potencialmente importantes no modelo e de eventual existncia de colinearidade entre variveis explicativas. Indicado pela letra ' r ' , caractersticas: a) sua intensidade, que varia de 0 a 1; b) seu sentido, que pode ser positivo ou negativo: a correlao positiva quando as duas variveis examinadas crescem ou diminuem ambas no mesmo sentido, e pode ser medido por duas
58
negativa quando variam em sentidos contrrios, ou seja, quando uma cresce a outra diminui. A anlise das correlaes isoladas entre cada uma das variveis independentes e a varivel dependente permite verificar, pelo seu sinal, a forma da relao (se positiva, aumenta o valor do imvel ou se, negativa, diminui) e, pela magnitude do coeficiente (de 0 a 100%) o quanto cada uma das variveis independentes contribuem isoladamente dependente. Portanto a anlise das correlaes isoladas entre a varivel dependente e as demais varivei til no trabalho exploratrio de investigao das variveis potencialmente importantes a serem includas no modelo, por medir simultaneamente seu sentido e seu grau ou fora de relacionamento, desde que exista a j citada relao de causa e efeito entre elas. Em compensao, uma das hipteses bsicas da aplicao do mtodo dos mnimos quadrados que inexista, ou seja muito baixa, a correlao isolada entre cada uma das variveis explicativas e as demais variveis explicativas. Se essa correlao entre variveis explicativas for muito alta, diz-se que h colineariedade entre elas. Se houver simultaneamente altas correlaes entre duas ou mais variveis explicativas, ocorre a multicolinearidade entre elas Se as variveis independentes estar so altamente para correlacionadas, variaes ento elas compartilham de algum poder de predio. Ao analisar o poder de predio do modelo, imprescindvel atento que compartilhadas (correlacionadas) entre algumas variveis independentes no sejam contadas dobradas, porque alm de problemas estatsticos, expe o modelo a uma redundncia de variveis, como caso por exemplo de rea til e nmero de dormitrios como variveis explicando a variao do valor do apartamento. Esses clculos da variao compartilhada ilustram uma das formas de identificar os efeitos da colinearidade entre variveis independentes atuando sobre a varivel dependente, objeto de anlise especfica e detalhada em tpico parte deste curso. O coeficiente de correlao parcial (por vezes chamada com influncia") indica o relacionamento entre duas variveis analisadas, na presena de uma ou mais variveis que com elas atuam simultaneamente. para maximizar a predio (variao explicada) da varivel
59

Coeficiente de determinao (R2)
O poder de explicao de um modelo feito atravs do coeficiente de determinao. O coeficiente de determinao, indicado por r (quadrado do coeficiente de correlao 'r') mede o percentual da variao total do valor em torno da media que explicada pela variao dos regressores adotados na equao. Quanto maior a variao a ser explicada, maior o coeficiente e vice-versa. Embora seja desejvel o mais prximo de 1 (100% da variao explicada), no se pode definir valor mnimo aceitvel, pois depender do tamanho da variao da colhidas para explicar esta variao. Ao ajustar uma equao, espera-se que ela se ajuste variao de um grupo de dados e a questo que surge naturalmente saber quo precisa a estimativa dada por essa equao. Mas qual seria o critrio para determinar a reta que melhor que todas as outras? Esse critrio baseia-se na distancia vertical entre os pontos que representam os dados originais e a reta de regresso: tais distncias chamam-se resduos.
Dado um par de dados amostrais (x,y), um resduo a diferena (y- ) entre um valor amostral observado y e o valor predito com base na equao de regresso. Portanto: uma reta verifica a propriedade dos mnimos quadrados se a soma dos quadrados dos resduos a menor possvel. Considerando por exemplo a disperso de pontos da figura abaixo em torno da mdia, em oposio disperso vertical de pontos em torno da reta de regresso como ilustra a figura abaixo. Se a disperso associada reta muito menor que a disperso (erro) associada mdia, as predies baseadas na reta sero melhores que a da mdia.
DISPERSO DE PONTOS DISPERSO EM TORNO DE PONTOS DA RETA DE EM TORNO REGRESSO
amostra e das variveis
DISPERSO DE PONTOS EM TORNO DA MDIA
Fig.17 - Comparao de disperso de ys em torno da reta de regresso com a disperso de ys em torno da mdia
60
Para ilustrar a questo e voltando ao caso do relacionamento de duas variveis, ao aplicar modelo de regresso simples, a varivel Xi introduzida na esperana de que sua variao explique a variao de Yi, ou seja: Yi = o +1Xi + i
componente no explicado. onde (o + 1Xi ) componente explicvel da variao de Yi e i o Desta forma, para examinar se a varivel independente prev bem a
varivel dependente no modelo estatstico, necessrio desenvolver essas medidas de variao.
Para tanto, ser necessrio decompor o valor de Yi em:
) ) y i = y i + ei
Y
onde y i = b0 + b1 xi e ei = yi y i
Yi
) ) e i = y I y = COMPONENTE NO EXPLICADO
VARIAO TOTAL
i = b0 + b1. xi
) y y = COMPONENTE EXPLICADO
( y I yi )
(x, y)
Xi X
e o seu valor mdio yi (variao total)
Fig.18 Componentes: explicado e no-explicado, de yi
Como ilustra a figura acima, a diferena entre yi
consiste em uma parte explicada pelo modelo de regresso ( i y i ) e uma parte no explicada y ( y i y i ), que so os resduos. Existem diversas formas de medir a variao total de uma varivel, sendo que uma delas consiste em somar sobre toda a amostra, os quadrados das diferenas entre yi e a sua mdia y i . Especificamente essas somas de quadrado resultam nas seguintes medidas:
n
( y i - y ) 2 = soma de quadrados total STQ: que uma medida de variao total dos valores de
i =1
Yi em torno de sua mdia amostral.

y ( y ) 2 = soma de quadrados devido a regresso SQR: que a parcela da variao total de
i=1 n
y em relao sua media, que explicada pela regresso, ou a parcela atribuda relao entre X e Y.
y ( y i - ) 2 = soma do quadrado dos erros SQE: que a parcela da variao total de y em
i =1 n
relao sua mdia, que no explicada pela regresso e que atribuda a outros fatores diferentes da relao entre X e Y.
61

Sendo que:
(y i - y )
i =1
= ( i - y ) y
i =1
+ (y i - ) 2 y
i =1
VARIAO TOTAL
= VARIAO
EXPLICADA
VARIAO + NO-EXPLICADA
O Coeficiente de Determinao - R representada pela proporo da varincia dos Yi observados "explicada" pelo modelo de regresso ajustado ou o resultado da soma de quadrados devida regresso dividida pela soma total dos quadrados:
n 2 ( Yi Y ) VARIAOEX PLICADA 2 = i =1 R = n VARIAOTO TAL 2 (Yi Y ) i =1
O coeficiente de determinao fornece uma medida dimensional de quantidade do ajuste do modelo de regresso mltipla aos dados, correspondendo a um valor compreendido entre 0 e 1 e podendo ser interpretado como a porcentagem (variando de 0 a 100%) da variao de Yi, em torno de sua mdia, explicada pelo modelo de regresso. Quanto maior for o valor de R2, maior ser a parcela da variao de Yi explicada pela variao das vrias variveis explicativas Xi, e, em princpio, melhor a capacidade de previso do modelo encontrado. Valores de R2 prximos de zero indicam um pssimo ajuste dos dados obtidos pela equao de regresso aos dados obtidos no campo amostral.
Exemplo: Numa regresso simples valor unitrio x rea, o fato de ter R2=0,60 indica que aproximadamente 60% da variao no preo unitrio esto relacionados com a variao da rea, logo os restantes 40% no so explicados por esta varivel. Isto sugere que: 1.1.1.1.1.1 1 o ) Talvez uma equao no linear se ajustasse melhor; 2o) possvel que outras variveis no includas no modelo sejam importantes.
Com a adio de novas variveis ao modelo, sempre possvel aumentar o valor de R2, no entanto, nem sempre um novo modelo com mais variveis regressoras ser melhor que um modelo que no envolva essas variveis. Para contornar esse problema, sugerido que seja calculado um coeficiente de determinao mltipla ajustado, simbolizado por R 2 , em cuja frmula, apresentada a seguir possvel verificar que, diferentemente do R2, reflete tamanho da amostra n: tanto o nmero de variveis explicativas k e quanto o
R 2 = 1 [ (1 R 2 ).
n 1 n k 1
62

Observaes:
No utilizar equaes de regresso com nmero de elementos amostrais igual ao nmero de variveis utilizadas, pois a equao corresponder sempre a coeficiente de determinao 1, j que consiste em resolver um sistema determinstico de n equaes a n incgnitas. Evitar nmero reduzido de elementos amostrais, pois h casos que podem induzir a um elevado coeficiente de correlao ( r ) , porm equivalendo a um grande intervalo de confiana no respectivo valor de ' ' da populao (podendo, inclusive, conter o valor zero). Isto significa dizer que, a equao pode estar explicando grande parte da variao do fenmeno para uma pequena amostra mas, na realidade, pode no estar explicando absolutamente nada da variao do fenmeno na populao da qual essa amostra faz parte. O coeficiente de determinao, apesar de ser um indicador sensvel para explicao do modelo, trata-se de uma medida descritiva e, por si s, no mede a qualidade do modelo de regresso. O fato de ser alto, no implica necessariamente que o modelo ajustado seja adequado, no sendo recomendvel seguir uma estratgia de regresso que vise apenas maximizao de R2. (in Eonometria, Judge). Devem ser verificadas a sua consistncia, atravs dos testes de hipteses (t e F) a distribuio dos resduos e a coerncia do modelo com o mercado. O pesquisador deve se preocupar com a relevncia lgica das variveis explicativas para a varivel dependente e com seu significado estatstico cuja tendncia a de encontrar modelos que representem um comportamento mdio de mercado devendo ter cuidado com modelos que atinjam coeficientes de determinao prximo de 1 (ou 100%) que podem ser o resultado de um ajuste perfeito apenas matemtico O valor de R2 depende do nmero de variveis explicativas k e do tamanho da amostra n , por isso, aumenta o com o acrscimo de variveis. A fim de tornar os R2 comparveis, utilizase R2 ajustado, R 2 , expresso em termos da varincia e no da variao. O R2 um recurso descritivo para informar sobre o ajuste do modelo , enquanto que o R 2 prefervel para medir o grau de ajustamento por levar em conta o no. de variveis independentes (k) em relao a quantidade de observaes (n). se R2 e R2ajustado forem muito diferentes, uma indicao de que foi includo um nmero muito excessivo de variveis explicativas, mas que no contribuem de modo significativo para melhorar a qualidade do modelo ajustado.
63
CAPTULO 5
Tratamento por Fatores - recomendaes

No tratamento por fatores, devem ser utilizados os elementos amostrais mais semelhantes possveis ao avaliando, em todas as suas caractersticas, cujas diferenas perante o mesmo, para mais ou para menos, so levadas em conta. admitida a priori a existncia de relaes fixas entre as diferenas dos atributos especficos e os respectivos preos e, neste caso, aconselhvel que os fatores sejam aplicados ao valor original do elemento comparativo na forma de somatrio. O conjunto de fatores aplicado a cada elemento amostral ser considerado como homogeneizante quando aps a aplicao dos respectivos ajustes, se verificar que o conjunto de novos valores homogeneizados apresenta menor coeficiente de variao dos dados que o conjunto original. Devem refletir, em termos relativos, o comportamento do mercado, numa determinada abrangncia espacial e temporal, com a considerao de: elasticidade de preos; localizao; fatores de forma (frente, profundidade, rea ou mltiplas frentes); fatores padro construtivo e depreciao (no caso de edificaes).
Fator oferta A superestimativa dos dados de oferta (elasticidade dos negcios) dever ser descontada do valor total pela aplicao do fator mdio observado no mercado. Na impossibilidade da sua determinao, pode ser aplicado o fator consagrado 0,9 (desconto de 10% sobre o preo original pedido). Todos os demais fatores devem ser considerados aps a aplicao do fator oferta. Fator localizao Para a transposio da parcela do valor referente ao terreno de um local para outro, poder ser empregada a relao entre os valores dos lanamentos fiscais, obtidos da Planta de Valores Genricos editada pela Prefeitura Municipal, se for constatada a coerncia dos mesmos.
64
Nos casos de inexistncia desses valores ou se forem constatadas incoerncias nas suas inter-relaes, fundamentado. No caso de terrenos com edificaes, os fatores referentes localizao devem incidir exclusivamente na parcela do valor do comparativo correspondente ao terreno. Sero considerados semelhantes, elementos que: a) Estejam na mesma regio e em condies econmico-mercadolgicas equivalentes s do bem avaliando; b) Constituam amostra onde o bem avaliando fique o mais prximo possvel do centride amostral; c) Sejam do mesmo tipo (terrenos, lojas, apartamentos etc); d) Em relao ao bem avaliando, sempre que possvel, tenham: dimenses compatveis; nmero compatveis de dependncias (vagas de estacionamento, dormitrios, entre outros); padro construtivo semelhante; estado de conservao e obsoletismo similares. dever ser procedido estudos de mercado devidamente
Aplicao dos fatores Na aplicao dos fatores, devem ser observados os seguintes princpios: 1. A utilizao dos fatores deve ser na forma de somatrio, aps a considerao do fator oferta. 2. So considerados discrepantes elementos que : a) Os valores unitrios, em relao ao valor mdio amostral, extrapolem a sua metade ou dobro; b) No obstante, recomenda-se que esses sejam descartados caso a discrepncia persista (localizao para aps a aplicao de fatores mais representativos padro construtivo e depreciao para terrenos,
benfeitorias), desde que validados preliminarmente. 3. Somente aps a validao do conjunto de fatores, deve ser realizado o saneamento dos dados homogeneizados, por meio dos seguintes procedimentos
65
a) Calcula-se a mdia dos valores unitrios homogeneizados; b) Adota-se como intervalo de elementos homogneos, aquele definido entre os limites de 30%, para mais ou para menos, do respectivo valor mdio; c) Se todos os elementos estiverem contidos dentro desse intervalo, adota-se essa mdia como representativa do valor unitrio de mercado. Caso contrrio, procurase o elemento que, em mdulo, esteja mais afastado da mdia, que excludo da amostra. Aps a excluso, procede-se como em a) e b), definindo-se novos limites. e) Se elementos anteriormente excludos passarem a estar dentro dos novos limites devem ser reincludos; f) Este processo deve ser reiterado at que todos os dados atendam o intervalo de +/- 30% em torno da ltima mdia; g) Se houver coincidncia de mais de um elemento a ser excludo na etapa d), deve-se excluir apenas um, devidamente justificado Saneamento
No so considerados elementos semelhantes ao avaliando aqueles cujos valores unitrios, aps a aplicao do conjunto de fatores, resultem numa amplitude de homogeneizao aqum da metade ou alm do dobro do valor original de transao (descontada a incidncia do fator oferta quando couber).
66
ANLISE DE REGRESSO SIMPLES

Avaliao de um terreno partindo de uma amostra com 7 elementos comparativos, com as seguintes caractersticas:
Elem. 1 2 3 4 5 6 7 Valor 6,00 6,00 7,00 7,00 10,00 12,00 15,00
Se, na pesquisa efetuada, as nicas informaes disponveis fossem os valores unitrios, a alternativa seria considerar a mdia aritmtica dos dados, dada por: MDIA= 9,00 Ou seja, seria admitido que os terrenos valeriam em mdia R$9,00/m2 (Para maior facilidade de conduo dos clculos, os
valores unitrios foram divididos por 10)
Verificando o quanto os dados disponveis variam em torno da mdia, tem-se: Elem. Valor Valor (yi) mdio (Y) 1 6,00 9,00 2 6,00 9,00 3 7,00 9,00 4 7,00 9,00 5 10,00 9,00 6 12,00 9,00 7 15,00 9,00 Soma 63,00 Diferena (Y-Y) 3,00 3,00 2,00 2,00 -1,00 -3,00 -6,00 0,00
Se
as
diferenas
forem
simplesmente
somadas (compensadas), o resultado ser zero, o que no permite encontrar a medida de variao procurada.
A soluo, ento, elevar essas diferenas ao quadrado para eliminar o sinal negativo e trabalhar apenas com valores positivos, obtendo-se:
Elem. Valor
1 2 3 4 5 6 7
Soma
Valor Diferena (yi) mdio (Y) (Y-Y) 6,00 9,00 3,00 6,00 7,00 7,00 9,00 9,00 9,00 9,00 9,00 9,00 3,00 2,00 2,00 -1,00 -3,00 -6,00 0,00
(Y-Y)2 9,00 9,00 4,00 4,00 1,00 9,00 36,00 72,00
Logo,
a variao total em torno da
mdia ser:72,00 (ou variao mdia: 72/7 = 10,28) Isso demonstra que as informaes no so homogneas, ou seja, apresentam diferenas entre si que fazem os valores variarem em torno da mdia (Variao Total de 72) e, por conseqncia, a avaliao no poderia ser feita pela mdia simples.
10,00 12,00 15,00 63,00
Mdia Mediana = Moda= Desvio Padro s = de Coeficiente
(x
x)2
n 1 variao =
67
Neste caso, e havendo variao, necessrio explica-la, procurando as caractersticas dos terrenos que possam justificar o fato dos mesmos no apresentarem valores aproximadamente iguais ao da referida mdia. Isto ser feito, verificando, por exemplo, se as frentes dos terrenos pudessem ser uma dessas provveis variveis. Configurando em um grfico no plano cartesiano essas duas medidas, tem-se o seguinte diagrama de disperso.
valor unitrio x frente
Elem. 1 2 3 4 5 6 7
Valor 6,00 6,00 7,00 7,00 10,00 12,00 15,00
Frente 5,00 7,00

unitrio
1 6 ,0 0 1 5 ,0 0 1 4 ,0 0 1 2 ,0 0 1 0 ,0 0 8 ,0 0 7 ,0 0 6 ,0 0 4 ,0 0 2 ,0 0 0 ,0 0 0 ,0 0 6 ,0 0 6 ,0 0 7 ,0 0 1 0 ,0 0 1 2 ,0 0
6,00 12,00 15,00 18,00 20,00
5 ,0 0
1 0 ,0 0 fre nte
1 5 ,0 0
2 0 ,0 0
2 5 ,0 0
Com as informaes das frentes dos terrenos, o valor mdio destes no mais constante, mas uma funo da variao destas. A equao seria do tipo y= bo + b1 x1, onde y seria os valores mdios dos terrenos e x as respectivas frentes.
CONCEITO: Uma anlise de regresso geral, essencialmente, uma equao, cujos coeficientes refletem a intensidade da relao entre cada varivel explicativa isolada e a varivel resposta.
A sua interpretao estatstica depende dos seguintes itens:

O Valor de r (Coeficiente de Correlao): um ndice que varia entre -1 e +1, apontando o quanto as diversas medidas obtidas a partir da amostra se ajustam equao matemtica proposta. Quanto maior o valor absoluto de r (seja positivo ou negativo), maior a concordncia entre os dados e a curva de regresso. O valor de r2 (Coeficiente de Determinao) que indica qual o percentual da varincia da varivel dependente que pode ser explicado pela(s) varivel(eis) independente(s). O Valor de p Para a Estatstica t de Cada Varivel: uma probabilidade associada ao valor da funo t, a qual obtida, para cada varivel, a partir do modelo de regresso. Indica a probabilidade de que o coeficiente levantado para cada varivel, seja qual for o seu valor, contribua de forma significativa no modelo. aferir a qualidade de uma regresso pela anlise dos seus resduos, ou seja, das diferenas entre os valores previstos pelo modelo de regresso para a varivel dependente e os valores de fato observados. Qualquer padro ou regularidade observada nos resduos um indicativo de um erro sistemtico do modelo, ou seja, da sua inadequao. O ideal seria que os resduos fossem aleatrios, com distribuio normal e mdia zero.
68
Pgina
69
EXPLICAES BSICAS: Mtodo dos mnimos quadrados

PARTE I - Montagem do modelo: Tomando como base o grfico acima, possvel verificar a
existncia de uma relao (apesar de apresentar alguma disperso) entre os pares dos preos unitrios (Y) com os das frentes (X1), demonstrando a intuio lgica de que quanto maior a frente, maior o preo unitrio. Esta relao pode ser escrita atravs de uma equao matemtica (nesta primeira fase, linear) que descreva o comportamento entre essas duas variveis. A equao de regresso linear tm a forma Y =b0 +b1X1 + e ; onde Y a varivel dependente (no caso, valor unitrio) e X1 a e e, o termo residual ( ou erro). O objetivo encontrar, a partir dos 7 dados varivel independente ( no caso, a frente) e b0 e b1 indicam o intercepto e o coeficiente angular, respectivamente, amostrais, uma expresso para o coeficiente angular b1 (que define o aumento ou diminuio da varivel Y - valor unitrio, por unidade de variao da varivel X1 -frente) e para o intercepto b0 (que define o ponto em que a reta corta o eixo das ordenadas), de modo que os erros sejam mnimos. Para obter uma reta para o exemplo valor unitrio versus frente, necessrio primeiramente calcular os parmetros b0 e b1 da reta, e uma das formas utilizadas efetuando os somatrios, conforme demonstrado nos passos seguintes. Montagem da equao de regresso - Clculo de bo e b1 ( dados das tabelas
e
VARIAO DE x
b1
VARIAO DE Y
e = (Yi - Yi )2 = 0
Substituindo Y chapu:
b0
[(Yi - (b0 + b1Xi )]2 = 0

equaes normais (deduzidas atravs de derivadas , somatrias ou
X
1.1.1.1.1.1.1.1.1
Mdias de X e Y e respectivos somatrios Tabela 1 Ref. 1 2 3 4 5 6 7 x ( frente) y ( valor unitrio) 6,00 6,00 7,00 7,00 10,00 12,00 15,00 y= 63,00 9,00 Y barra Tabela 2 X.Y x^2
Yi = nb0 + b1 Xi
matrizes)
Xi Yi = b0 Xi + b1 Xi2
n( xy ) ( x.)( y ) n( x 2 ) ( x ) 2
Y^2 36,00 36,00 49,00 49,00 100,00 124,00 225,00 639,00 y2
b1 =
5,00 7,00 6,00 12,00 15,00 18,00 20,00 Somas X = 83,00 11,86 Mdias X barra
30,00 25,00 42,00 49,00 42,00 36,00 84,00 144,00 150,00 225,00 216,00 324,00 300,00 400,00 864,00 1.203,00 xy x2
b 0 = Y b1 X
b1 = b0 = 0 . 5343 7 ( 1 . 203 ) 83 2 = 9 0 ,5343 x 11 ,86 = 2 . 6612 7 ( 864 ) ( 83 x 63 )
Nota: Por conveno estatstica: N = nmero de elementos K = nmero de variveis explicativas Y barra = mdia Y chapu = equao de regresso
69
Pgina
70
Pode-se tambm calcular atravs dos Somatrios, ou seja:

Sxy= [ xy - ( x . y)/n] Sxx= [ x^2 - ( x)^2/ n] yy= [ y^2 - ( y)^2/ n] Equao de regresso
864,00( 83,00 x 63,00 1.203,00( 83,00^2 639,00(

B1 = Sxy / Sxx
)/ )/ )/
7 7 7
117,00 218,86 72,00

218,86 B1= 0,5346 2,6612
63,00^2
117,00/
Bo = Ybarra - ( B1. X barra) B0= 9,00- ( 0,5346 x * ,86 ) = 1 Equao de regresso ( Y= Bo +B1.X1) ou seja : Valor unitrio =2,6612 + 0,5346 x Frente
Parte II: Estatsticas da Regresso: Coeficiente de Correlao, de Determinao e do
Erro Padro da Regresso:

Tabela 3 Projeo Y=2,6612 +0,5343 . X1 Y chapu 5,33 (2,6612 +0,5346 x 5) 6,40 5,87 9,08 10,68 12,28 13,35 Explicada (Ychapu - Ybarra)^2 13,44 (5,33-9)^2 6,74 (6,4-9)^2 9,80 (5,87-9)^2 0,01 (9,08-9)^2 2,82 (10,68-9)^2 10,78 (12,28-9)^2 18,95 (13,35-9)^2
Variao
No explicada Resduos (Y - Ychapu)^2 0,44 0,16 1,28 4,31 0,46 0,08 2,71 Total (Y - Ybarra)^2 9,00 9,00 4,00 4,00 1,00 9,00 36,00
(6 -5,33)^2 (6 -6,4)^2 (7-5,87)^2 (7-9,08)^2 (10-10,68)^2 (12-12,28)^2 (15-13,35)^2
(6 -9)^2 (6 -9)^2 (7-9)^2 (7-9)^2 (10-9)^2 (12-9)^2 (15-9)^2
(2,6612 +0,5346 x 7) (2,6612 +0,5346 x 6) (2,6612 +0,5346 x 12) (2,6612 +0,5346 x 15) (2,6612 +0,5346 x 18) (2,6612 +0,5346 x 20)
Somas
Coeficiente de Correlao (r) = Coeficiente de Determinao
62,55
9,45
72,00
Sxy/ (Sxx.Syy)^ 0,5

Correlao ao quadrado
117,00/ ( 218,86 x 75)

62,55/72
^0,5
0,9321 0,8687 0,8425 1,3749
ou : variao explicada / variao total
R2
Coeficiente de Determinao
0,9321^2
R2 = 1- (1-R2). [(n-1)/(n-K-1)
Ajustado R2 =
Erro padro da regresso: raiz quadrada do somatrio dos resduos ao quadrado dividido
pelos graus de liberdade (n-K-1) = 9.45 / ( 7-1-1) =
Coeficiente de Da Equao = erro padro da regresso/mdia de Y (1,37/9) Variao
15%
R E P R E S E N TA O
1 6 ,0 0 1 4 ,0 0 1 2 ,0 0 1 0 ,0 0 unitrio 8 ,0 0
G R FIC A
C O E F I C I E N T E D E D E T E R MI N A O
V a r ia o n o e x p lic a d a o u d e s v io (y -y c hapu) 1 5 /2 0 1 3 ,3 5 /2 0 V a r ia o e x p lic a d a (y c hapu y barra) M d ia ( Y b a r r a ) = 9 7 /1 2
Pretende-se que Y se aproxime o mximo de Y ( Y chapu) de forma que
v a r ia o to ta l (v -y barra)
$ ( yi y ) ( ou a soma dos
i= 1
resduos) seja o menor possvel. COEF. DETERMINAO (R ) = 86,87% da variao do valor unitrio () podem ser explicados pela variao da varivel frente atravs da equao de regresso. Neste caso, 13,13% da variao total permanecem no explicados.
2
6 ,0 0 4 ,0 0 2 ,0 0 0 ,0 0 0 ,0 0 CO EF DETERMINA O ( R2 ) = V A RIA O EX PL ICA DA DIV IDIDA PEL A V A RIA O TO TA L 1 5 ,0 0 2 0 ,0 0 2 5 ,0 0
y = + 2 ,6 6 1 2 + 0 ,5 3 4 6 . X 1 R 2 = 0 ,8 6 8 7
5 ,0 0
1 0 ,0 0
f r e n te
70
PARTE III: Inferncia em Anlise de Regresso At aqui, o estudo envolveu apenas o ajustamento de uma reta. Para fazer inferncias sobre a populao, da qual se extraiu pesquisa (amostra), deve ser efetuado o teste de significncia (teste de hipteses). -Testes de Hipteses: Teste t - Teste da varivel independente (frente). No caso de b1=0, o valor de Yi a varivel X1 (frente) no importa na variao do valor. Para tanto impe-se que b10 , que deve ser assegurado atravs do teste t de Student.
O processo consiste basicamente em: 1o) Formular a hiptese nula e a hiptese alternativa 2o) Escolher a distribuio amostral adequada 3o) Escolher a um nvel de significncia ( e assim os valores crticos) 4o) Calcular a estatstica do teste e compar-la com o(s) valor (es) crtico(s) 5o) Rejeitar a hiptese de nulidade se a estatstica teste excede o(s) valor(es) crtico(s); caso contrrio, aceit-la. Portanto, para iniciar o processo, dois so formuladas dois tipos de hipteses:
a hiptese nula (H0=b1=0) ou H0:0,5343 =0 Contra a a hiptese alternativa (H1b10) ou H1:0,5343 0

O segundo passo consiste em identificar a distribuio amostral adequada (no caso, t de Student) O terceiro passo consiste em escolher um nvel de significncia aceitvel para indicar um valor crtico como padro de comparao, para no rejeitar uma hiptese nula, quando verdadeira. Valor crtico o valor, ou valores que separa(m) a regio crtica dos valores da estatstica do teste que no levam rejeio da hiptese nula
A essncia de um teste de significncia consiste ento em particionar uma distribuio amostral com base na suposio de H0 ser verdadeira em uma regio de aceitao e uma regio de rejeio de H0. Calcula-se, ento, a estatstica do teste com base nos dados amostrais para compar-lo com o valor crtico, cumprindo assim a quarta etapa do teste. Para finalizar o processo, uma estatstica teste que excede o valor crtico sugere a rejeio de H0 , enquanto que uma estatstica teste inferior ao valor crtico sugere H0 que seja aceita.
O teste realizado pela comparao da estatstica t, t calculado, deduzida para a varivel X1 (frente), com o parmetro obtido na tabela de distribuio t de Student, t tabelado, ao nvel de significncia de 10% (teste bicaudal) classificao no GRAU III de Fundamentao)
71
Nvel de significncia
Assim tem-se:
Nvel de significncia
t calculado = (b1 / Sb) VER tabela abaixo no caso t calculado = 0,5346/0,09294=5,75
Regio de rejeio de H0
ZONA DE ACEITAO de H0
Regio de rejeio de H0
2o) Verifica-se o t tabelado (t crtico) na Tabela A1, para o nvel de significncia de 5% e o nmero de graus de liberdade (n-K-1) - no caso t tabelado = 3o) Compara-se o t calculado com o t crtico
1o) Calcula-se o t calculado 4o) Concluso: Se t calc > tab, rejeita-se a hiptese nula H=0, e a varivel frente correspondente ao coeficiente testado (0,5346) pode ser considerado importante na explicao do modelo. Nota importante: Os programas de computador j indicam o nvel de significncia (Valor P), bastando apenas ficar atento para verificar se est abaixo de 5% para uma cauda (que, no caso do exerccio, ser de 0,0001 ou 0,001% ) ou 10% para duas caudas (no caso 0,00223 ou 0,02%)
Nota:
Calculo de Sb 1 Sb 1 = Erro padro de B1= desvio da
Varincia de X = (x-xbarra)2/ (n-1)

x 1( frente) (x- xbarra) 5,00 7,00 6,00 12,00 15,00 18,00 20,00
(x- xbarra)^2 47,020408 23,591837 34,306122 0,020408 9,877551 37,734694 66,306122 218,857143
-6,85714 -4,85714 -5,85714 0,14286 3,14286 6,14286 8,14286
regresso dividido pela raiz quadrada de n-1 vezes varincia da testada (X) = 1,3749 / (6 x 36,47) = 0,09294
Soma Xbarra
83,00 11,8571
Var x
36,476
72
Parte IV - Anlise de Resduos: proceder a verificao da proporo das

diferenas e da existncia de elementos discrepantes
Elemento Originais ( valores advindos do campo) Previsto ( usando a equao) Resduos ( diferena)
Resduos padro : resduo dividido pelo erro padro da regresso
1 2 3 4 5 6 7
6,00 6,00 7,00 7,00 10,00 12,00 15,00
5,33 6,40
0,67 -0,40
0,48235 0,67/1,3749 -0,29339 -0,40/1,3749
10,68 12,28 13,35
-0,68 -0,28 1,65
-0,4946 -0,2065 1,1977
Representao grfica dos resduos padronizados:
.
-3 -2 -1 0 +1 +2 +3
Parte V - Clculo do valor unitrio ( para imvel com 10 m de

frente) e do intervalo de confiana
a) AVALIAO: Modelo :
Valor unitrio = 2,6612 + 0,5346 x Frente V unitrio = R$
b) Calcular o INTERVALO DE CONFIANA de 80% previsto nas Normas da ABNT A Norma NB-502/89, estipula, em seu artigo 7.6.8, que o valor final a ser indicado, tem de estar contido em um intervalo de confiana fechado e mximo de 80% ( que corresponde ao nvel de significncia igual a 20% ) para o valor mdio induzido pela equao de regresso, ou seja:
Y t ( n K 1) / 2 .S Y Y + t ( n K 1) / 2 .. S h h h h h
t= considerando ( n-K-1 =5) =
S Yh = s e .
1 + n
(X 1h X ) 2
2
[( X) 2 / n]
1,37494x { ( 1/7 + [ (10 -11,86)^2 ] / [1203 Syh = [(83)^2 / 7]} ^0,5 Syh =1,37494 x {0,1429 + [ (3,4596/218,857)]}^0,5 = 0,3692
onde: t o valor obtido na tabela t de Student e Syh o desvio padro de Xh
17
AVALIAO DE IMVEIS URBANOS MTODO DOS MNIMOS QUADRADOS

O modelo de regresso:
Yi = b 0 + b1.X1 . O valor previsto de Y igual a interseo, mais a inclinao vezes o valor de X.

Onde: Yi = o valor previsto de Y para a observao i
no sentido de prever valores de Y.
Xi = o valor de X para a observao i
Esta equao requer a determinao de dois coeficientes: b0 ( a interceco de Y) e b1 (a inclinao)
Yi
di = Yi Yi Y i
Yi = b 0 + b1.X1
Xi
A anlise de regresso significa a tentativa de encontrar a linha para a qual as diferenas entre os valores reais (Yi) e os valores que seriam previstos (i) sejam mnimas. Ento, para cada valor de Xi existir um desvio (di), ou seja, para cada valor observado o valor projetado ser diferente: Como as diferenas so tanto positivas como negativas, minimizamos matematicamente da seguinte forma:
di = Yi Yi .
(Y
i =1
Yi ) 2
Yi = o valor previsto de Y para a observao i

X i = o valor de X para a observao i
Na verdade estamos minimizando:
[Y
i =1
( b 0 + b 1 . X 1 )] 2
n n
Que tem 2 incgnitas e para resolver o problema, sistema de 2 equaes:
Y
i =1
= n.b 0 + b 1 Xi
i =1
b1 =
XY
i=1 i i
( Xi Yi )
i=1 i =1
n
n
X
i=1
2 i
X
i=1
b0 = Y b1.X
2 i
n
i
XY
i =1 i
= b0 +
X b X.i
i =1 i 1 i =1
onde : Y =
n
y
n 1
n
i
e:X =
x
n 1
Nota; Por conveno estatstica: n = nmero de elementos Y barra = mdia Ychapu = equao de regresso
Avaliaes com Tratamento por Fatores 18 ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA XXII CONGRESO PANAMERICANO DE VALUACIN e XIII CONGRESSO BRASILEIRO DE ENGENHARIA DE AVALIAES E PERICIAS abril 2006
ESPECIFICAES GERAIS E CONCEITOS INICIAIS DO MODELO DE REGRESSO
Modelo para avaliao de terreno no interior de So Paulo, com 300m2; 10m de frente; localizado a 100m de distncia do plo principal, com asfalto Pesquisa base: amostra abaixo contendo 20 elementos
Varivel Dependente: Unitrio Variveis Indepnedentes: Distancia a Plo (medidas em m) localizao rea do terreno (medidas em m2) Frente do Terreno (medidas em m) Existncia de asfalto (varivel dicotmica que indica: presena =1 ou ausncia =0
Elemento 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Distancia polo 1.000,00 700,00 800,00 300,00 500,00 500,00 300,00 100,00 100,00 0,01 200,00 400,00 1.000,00 800,00 200,00 1.000,00 100,00 0,01 0,01 1.000,00
rea Terreno 300,00 500,00 300,00 300,00 500,00 300,00 500,00 600,00 1.000,00 600,00 500,00 500,00 800,00 300,00 300,00 600,00 500,00 300,00 500,00 1.000,00
Frente 10,00 15,00 10,00 10,00 15,00 10,00 15,00 18,00 20,00 15,00 15,00 15,00 20,00 10,00 10,00 20,00 18,00 10,00 15,00 20,00
Asfalto 0 0 0 1 0 1 1 1 1 1 1 1 0 0 1 0 1 1 1 0
Unitrio 60,00 50,00 60,00 100,00 70,00 90,00 80,00 90,00 80,00 100,00 80,00 40,00 55,00 70,00 80,00 50,00 80,00 100,00 120,00 40,00
Apresentao do 1) Modelo pelo Programa Sisren
Comportamento das Variveis com Valor

120
120
110 100 Valor Unitrio

Valor Unitrio
110 100 90 80 70 60 50 40
90 80 70 60 50 40 300 400 500 600 rea Total 700 800 900 1.000
100
200
300
400
500 600 Distancia polo
700
800
900
1.000
120 110 100 Valor Unitrio 90 80 70 60 50 40 0 Asfalto 1
120 110 100 Valor Unitrio 90 80 70 60 50 40 10 11 12 13 14 15 Frente 16 17 18 19 20
Equao de Regresso: Valor Unitrio = +126,4384081 -2,76256481 * ln (Distancia polo) -9,079814893 * ln (rea Total) +71,56555367 / Frente +18,45145095 * Asfalto
1 ) Coeficiente de Determinao R2
Informaes Complementares: Nmero de variveis: 5 Nmero de variveis consideradas: 5 Nmero de dados: 20 Nmero de dados considerados: 20
Resultados Estatsticos: Coeficiente de Correlao: Coeficiente Determinao: Fisher-Snedecor: Significncia modelo: 0,8441284 / 0,8441284 0,7125527 9,30 0,01
2) Testes de Hipteses
O processo consiste basicamente em: 1o) Formular a hiptese nula e a hiptese alternativa 2o) Escolher a distribuio amostral adequada 3o) Escolher a um nvel de significncia ( e assim os valores crticos) 4o) Calcular a estatstica do teste e compar-la com o(s) valor (es) crtico(s) 5o) Rejeitar a hiptese de nulidade se a estatstica teste excede o(s) valor(es) crtico(s); caso contrrio, aceit-la.
Variveis Distancia polo rea Total Frente Asfalto
Equao ln(x) ln(x) 1/x x
t-Observado -3,13 -0,42 0,17 2,64
Sig. 0,68 68,06 86,65 1,84
3) Anlise de Resduos Normalidade e Verificao de outliers

Normalidade dos resduos: 85% dos residuos situados entre -1 e + 1 s 95% dos resduos situados entre -1,64 e + 1,64 s 95% dos resduos situados entre -1,96 e + 1,96 s Outliers do Modelo: 1
Resduos da varivel Valor Unitrio 3 2 1 13 0 20 -1 -2 12 -3 50 55 60 65 70 75 80 85 90 95 100 105 110 16 2 5 14 13 9 8 7 11 17 6 15 10 18 4 19
Apresentao do 2) Modelo
Informaes do Modelo
Resultados Estatsticos: Coeficiente de Correlao: Coeficiente Determinao: Fisher-Snedecor: Significncia modelo: 0,9319870 / 0,9319870 0,8685998 23,14 0,01 Equao ln(x) x 1/x x t-Observado -3,67 -1,15 0,09 5,16 Sig. 0,25 26,82 93,29 0,01
Variveis Distancia polo rea Total Frente Asfalto
Equao de Regresso: Valor Unitrio = +80,96948632 -2,140581456 * ln (Distancia polo) -0,02020731005 * rea Total +15,81583166 / Frente +24,16070794 * Asfalto
Correlaes entre variveis Distancia polo rea Total Frente Asfalto Valor Unitrio rea Total Frente Asfalto Valor Unitrio Frente Asfalto Valor Unitrio Asfalto Valor Unitrio
Isoladas 0,07 -0,03 -0,52 -0,74 -0,85 -0,11 -0,32 0,06 0,25 0,83
Influncia 0,19 0,02 0,35 0,70 0,81 0,19 0,29 0,05 0,02 0,81
Projees de Valores
Distancia 100 1.000,00 1.000,00 100 100 rea 300 300 600 600 600 Frente 10 10 20 20 20 Asfato 0 0 0 0 0 Valor Mdio 66,63 61,7 54,84 59,77 59,77 Mnimo 60,3 55,6 48,2 52,96 52,96 Maximo 72,96 67,8 61,49 66,59 66,59
Apresentao do 3) Modelo
Resultados Estatsticos: Coeficiente de Correlao: Coeficiente Determinao: Fisher-Snedecor: Significncia modelo: 0,9319500 / 0,9319500 0,8685308 33,03 0,01
Variveis Distancia polo rea Total Asfalto
Equao ln(x) x x
t-Observado -3,80 -2,45 5,35
Sig. 0,18 2,71 0,01
Anlise do modelo (equao de regresso)

Equao de Regresso: Valor Unitrio = +82,80931175 -2,139972135 * ln (Distancia polo) -0,0214923013 * rea Total + 24,14031455 * Asfalto
Anlise de Resduos
Normalidade dos resduos: 73% dos residuos situados entre -1 e + 1 s 94% dos resduos situados entre -1,64 e + 1,64 s 100% dos resduos situados entre -1,96 e + 1,96 s Outliers do Modelo: 0
Preo observado 60 50 60 100 70 90 80 90 80 100 80 55 70 Valor Estimado 61,57 58,04 62,05 88,29 58,76 87,2 83,99 84,19 75,6 103,9 84,86 50,83 62,05 Resduo Relativo -2,63 -16,08 -3,42 11,7 16,05 3,1 -4,99 6,44 5,49 -3,9 -6,08 7,57 11,34 Resd uo/DP -0,19 -0,97 -0,24 1,41 1,35 0,33 -0,48 0,7 0,53 -0,47 -0,58 0,5 0,96
Resduo -1,57 -8,04 -2,05 11,7 11,23 2,79 -3,99 5,8 4,39 -3,9 -4,86 4,16 7,94

80 50 80 100 120 40 89,16 55,13 86,34 110,35 106,05 46,53 -9,16 -5,13 -6,34 -10,35 13,94 -6,53 -11,45 -10,26 -7,93 -10,35 11,61 -16,33 -1,1 -0,62 -0,76 -1,25 1,68 -0,79
Resduos da varivel Valor Unitrio 2
-1
-2 50 55 60 65 70 75 80 85 90 95 100 105 110
Projeo de Valores
simulaes sem asfalto Distancia 100,00 1.000,00 1.000,00 100,00 100,00 rea 300,00 300,00 600,00 600,00 600,00 Asfato 0 0 0 0 0 Valor Mdio 66,50 61,57 55,13 60,05 60,05 Mnimo 61,51 56,81 51,11 55,72 55,72 Maximo 71,49 66,33 59,14 64,39 64,39 simulaes com asfalto Asfato 1 1 1 1 1 Valor Mdio 90,64 85,71 79,27 84,19 84,19
EXEMPLO 1 Exemplo Pratico Aplicao Fatores (Fundamento nos critrios da Norma do IBAPE/SP)
Terreno rua H com 300m2 de rea e 8m de frente: ndice local 100
Elemento 1 2 3 4 5 6 7
Local Rua A Rua B Rua C Rua D Rua E Rua F Rua F
Valor unitrio 140,00 180,00 250,00 150,00 200,00 250,00 270,00
Area m 216 480 480 200 250 450 500
Frente Profundidade Indice Local m m 12,00 6,00 12,00 10,00 10,00 18,00 15,00 18,00 80,00 40,00 20,00 25,00 25,00 33,33 70 80 115 70 110 120 120
1) Parte Fatores oferta e Localizao
Fator Oferta
Elemento Valor Fator unitrio Oferta Unitrio deduzido do fator oferta 126,00 162,00 250,00 135,00 180,00 225,00 243,00 188,71 51,04 27,04% LOCAL Avaliand o=
Fator Transposio
I.LOCAL Fator elemento Transp. Diferena Unitrio transposi Homog o (R$/m) pela localiza o 54,00 40,50 -32,61 57,86 -16,36 -37,50 -40,50
Mdia
1 2 3 4 5 6 7
Mdia Desvio padro Coef. Var.
140,00 180,00 250,00 150,00 200,00 250,00 270,00 205,71 Mdia
0,9 0,9 1,0 0,9 0,9 0,9 0,9
70 80 115 70 110 120 120
1,43 1,25 0,87 1,43 0,91 0,83 0,83
180,00 202,50 217,39 192,86 163,64 187,50 202,50 192,34 17,48 9,09%
51,92 padro
Coef. 25,24% Var.
Desvio
100 Desv.padro
Coef. Var.
2) Parte Fator Profundidade
Fator Oferta
Fator Oferta Unitrio deduzido do fator oferta 126,00 162,00 250,00 135,00 180,00 225,00 243,00 188,71 51,04 27,04%
Coeficiente de Profundidade
Diferena Unitrio Coef. profundidade Homog pela Profund. (R$m/) Profundidade 18,00 80,00 40,00 20,00 25,00 25,00 33,33 0,18 0,17 0,00 0,12 0,00 0,00 0,00
Mdia Desv.padro
Pe
0,9 0,9 1,0 0,9 0,9 0,9 0,9

22,49 27,79 0,00 15,93 0,00 0,00 0,00
148,49 189,79 250,00 150,93 180,00 225,00 243,00 198,17 41,86 21,12%
Pma = 40 Pmi = 25
Exp.profundidade = 0,5
Coef. Var.
-Entre Pmi e Pma admite-se que o fator profundidade Cp igual a 1,00 -Se a profundidade equivalente for inferior mnima e estiver acima da metade da mesma (1/2 Pmi < Pe < Pmi), dever ser empregada a seguinte frmula: Cp = (Pe / Pmi)^ p -Para Pe inferior a Pmi adota-se Cp = (0,5) p -Se a profundidade equivalente for superior mxima at o triplo da mesma (P ma < Pe < 3Pma), o fator somente afeta o valor unitrio da parte do terreno que exceda este limite, a frmula a ser empregada a seguinte: Cp = (Pma /Pe) + {[1-( Pma /Pe )] . (Pma / Pe) ^ p } - Para Pe superior a 3 Pma, adota-se na frmula acima Pe = 3 Pma
28
3) Parte Fator Frente (Testada)
Fator Oferta
Fator Oferta Unitrio deduzido do fator oferta 126,00 162,00 250,00 135,00 180,00 225,00 243,00 188,71 51,04 27,04% Frente referencia
Coeficiente de Frente
Coef. Frente 12,00 6,00 12,00 10,00 10,00 18,00 15,00 -0,04 0,11 -0,04 0,00 0,00 -0,11 -0,08 Diferena frente (R$m/) -4,51 17,43 -8,95 0,00 0,00 -24,95 -18,93
Mdia Desv.padro Coef. Var.
Cf
Unitrio Homog. pela Frente 121,49 179,43 241,05 135,00 180,00 200,05 224,07 183,01 43,70 23,88%
0,9 0,9 1,0 0,9 0,9 0,9 0,9

10 0,2
Expoente frente=
4) Efeito de todos fatores e avaliao
Resultado da aplicao dos fatores

Unitrio s com Fator Fonte 126,00 162,00 250,00 135,00 180,00 225,00 243,00
Mdia Desv.padro Coef. Var.
Loc + prof + frente para a mdia 197,98 247,72 208,44 208,79 163,64 162,55 183,57 196,10 Mdia 29,77 Desv.padro 15,18% Coef. Var.
Loc + prof + test para o avaliando 189,34 236,91 199,34 199,68 156,49 155,45 175,56 187,54 28,47 15,18%
Coef geral homog. Para a mdia Saneada 1,57 1,53 0,83 1,55 0,91 0,72 0,76
Coef geral homog.Para o Avaliando 1,50 1,46 0,80 1,48 0,87 0,69 0,72
188,71 51,04 27,04% Superior (+30%) Inferior (30%)

Calculo do unitrio
254,93 137,27 Mdio = Intervalo de Confiana de 80% = t=(n-1) =6 1,44 Desv. Pad. (s) = 28,47 187,54 16,74
Frmula
Avaliao = Intervalo inferior = Intervalo superior = Amplitude =
t x s/(n-1)^0,5 1,44 x 29,74/(71)^0,5 EXEMPLO BASICO 204,28 170,80 16%
Grau de Preciso III

Avaliação de Imoveis Urbanos

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

Avaliação de Imoveis Urbanos

Uploaded by

Copyright:

Available Formats

AVALIAO DE IMVEIS URBANOS

Instrutora: ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA

CURRICULUM VITAE - RESUMIDO

AVALIAO DE IMVEIS URBANOS

AVALIAO DE IMVEIS URBANOS

AVALIAO DE IMVEIS URBANOS

AVALIAO DE IMVEIS URBANOS

AVALIAO DE IMVEIS URBANOS

AVALIAO DE IMVEIS URBANOS

2 Mtodos para identificar o valor de um bem, de seus frutos e direitos

AVALIAO DE IMVEIS URBANOS

AVALIAO DE IMVEIS URBANOS

AVALIAO DE IMVEIS URBANOS

AVALIAO DE IMVEIS URBANOS

AVALIAO DE IMVEIS URBANOS

2.2 - O Mtodo Comparativo e a Avaliao de Imveis

AVALIAO DE IMVEIS URBANOS

AVALIAO DE IMVEIS URBANOS

2.3Procedimentos Metodolgicos em conformidade as Normas da ABNT

AVALIAO DE IMVEIS URBANOS

AVALIAO DE IMVEIS URBANOS

AVALIAO DE IMVEIS URBANOS

AVALIAO DE IMVEIS URBANOS

2.4 Especificao das Avaliaes

AVALIAO DE IMVEIS URBANOS Graus de fundamentao

Tabela 1 Graus de fundamentao no caso de utilizao de modelos de regresso linear

Coleta de dados de mercado

Quantidade mnima de dados de mercado, efetivamente utilizados

Identificao dos dados de mercado

AVALIAO DE IMVEIS URBANOS

Graus de preciso no caso de utilizao de modelos de regresso linear

AVALIAO DE IMVEIS URBANOS

Grau de fundamentao no caso de utilizao do tratamento por fatores Item

Quantidade mnima de dados de mercado, efetivamente utilizados

Identificao dos dados de mercado

AVALIAO DE IMVEIS URBANOS

comportamentos das variveis

dependentes e independentes, com base no

AVALIAO DE IMVEIS URBANOS

AVALIAO DE IMVEIS URBANOS

AVALIAO DE IMVEIS URBANOS

AVALIAO DE IMVEIS URBANOS

AVALIAO DE IMVEIS URBANOS

Procedimentos para a utilizao de tratamento por fatores Anexo B (normativo)

AVALIAO DE IMVEIS URBANOS

AVALIAO DE IMVEIS URBANOS

Os modelos, de uma forma geral, podem ser puramente tericos ou economtricos. 29

AVALIAO DE IMVEIS URBANOS

AVALIAO DE IMVEIS URBANOS

AVALIAO DE IMVEIS URBANOS

AVALIAO DE IMVEIS URBANOS

Conceitos Bsicos da Inferncia Estatstica 3.1- ANLISE DE PEQUENOS CONJUNTOS DE DADOS

AVALIAO DE IMVEIS URBANOS

Mediana Me=3 Me=18,50 Me=5 Me=80

Moda Mo=3 Mo= no tem Mo=3 e 7 Mo=80

Leva em conta todos os valores? Sim

Afetada pelos valores extremos? Sim

MDIA MODA MEDIANA Simtrica: a Mdia, a Moda e a Mediana coincidem

Negativamente Assimtrica: a Mdia e a Mediana esto esquerda da Moda .

Positivamente Assimtrica: a Mdia e a Mediana esto direita da Moda .

AVALIAO DE IMVEIS URBANOS

Grande disperso: valores mais dispersos tm maior medida de variao.

AVALIAO DE IMVEIS URBANOS