Avaliações e Perícias PDF

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
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
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
Graus de fundamentao
Tabela 1 Graus de fundamentao no caso de utilizao de modelos de regresso linear
Ite
m
Descrio
Grau
III
II
Caracterizao do
imvel avaliando
Completa quanto
a todas as
variveis
analisadas
Completa quanto s
variveis utilizadas no
modelo
Adoo de situao
paradigma
Coleta de dados de
mercado
Caractersticas
conferidas pelo
autor do laudo
Caractersticas
conferidas por
profissional
credenciado pelo
autor do laudo
Podem ser utilizadas

caractersticas
fornecidas por
terceiros
Quantidade mnima
de dados de mercado,
efetivamente utilizados
4 (k+1), onde k o
nmero de variveis
independentes
3 (k+1), onde k o
nmero de variveis
independentes
Apresentao de
informaes relativas
aos dados e variveis
no modelo
Apresentao de
informaes relativas
aos dados e variveis
efetivamente
utilizados no modelo
No admitida
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
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
10%
20%
30%
1%
5%
10%
Identificao dos
dados de mercado
Extrapolao
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
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
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
I
7
3, 5, 6 e 7 no mnimo
no grau II
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
Grau
II
III
Caracterizao do
imvel avaliando
Completa quanto
a todos os fatores
analisados
Coleta de dados de
mercado
Caractersticas
conferidas pelo
autor do laudo
Quantidade mnima de
dados de mercado,
12
Identificao dos dados

de mercado
Apresentao de
informaes
relativas a todas
as caractersticas
dos dados
analisadas, com
foto
Apresentao de
informaes relativas
a todas as
caractersticas dos
dados analisadas
Apresentao de
informaes relativas
a todas as
caractersticas dos
dados
correspondentes aos
fatores utilizados
No admitida
Admitida para
apenas uma varivel
Admitida
0,90 a 1,10
0,80 a 1,20
0,50 a 1,50
Extrapolao conforme
B.5.2 do Anexo B
Intervalo admissvel de
ajuste para o conjunto de
fatores
Completa quanto
aos fatores utilizados
no tratamento
Adoo de situao
paradigma
Caractersticas
conferidas por
profissional
credenciado pelo
autor do laudo
Podem ser utilizadas

caractersticas
fornecidas por
terceiros
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
III
13
Itens obrigatrios
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
comportamentos das variveis
ser
expostas
as
hipteses
relativas
aos
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,
no-
multicolinearidade, 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
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
CAPTULO 2
2.1 A INFERNCIA ESTATSTICA APLICADA NA AVALIAO DE IMVEIS

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
CAPTULO 3
3.1- ANLISE DE PEQUENOS CONJUNTOS DE DADOS

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
Mediana
Moda
M (2, 3, 3, 4)
M=3
Me=3
Mo=3
M (1,18,19,40)
M=19,50
Me=18,50
Mo= no tem
M (1,2,3,3,3,7,7,7,11,20)
M=6,4
Me=5
Mo=3 e 7
M (9,10,80,80,100)
M=55,80
Me=80
Mo=80
A melhor medida de tendncia central

As
diversas
medidas
de
tendncia
central
tm
diferentes
desvantagens, algumas das quais resumidas na tabela abaixo.
vantagens
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
Leva em conta
todos os
valores?
Afetada pelos
valores
extremos?
Vantagens
Mdia
Soma dos valores

dividido pelo nmero de
valores
Sim
Sim
Funciona bem com

muitos mtodos
estatsticos
Mediana
Valor do meio
No
No
Moda
Valor mais freqente
No
No
Costuma ser boa

escolha se h alguns
valores extremos
Apropriada para
dados de nvel nominal
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
MODA
MDIA
MODA
MEDIANA
MEDIANA
MODA
MDIA
MEDIANA
Negativamente Assimtrica: a
Simtrica: a Mdia, a Moda
Positivamente Assimtrica:
Mdia e a Mediana esto
e a Mediana coincidem
a Mdia e a Mediana esto
esquerda da Moda .
Fig. 2 - Assimetria
direita da Moda .
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:
DesvioMdio =
xx
n
O desvio mdio absoluto de um
mdia, ignorando-se o sinal de diferena.

Fornece uma idia da diferena tpica entre
uma medida isolada e a mdia da amostra.
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)
=
n1
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.
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
distribuio de probabilidade (Lei dos

Grandes Nmeros).
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
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.
f(Z)
DISTRIBUICAO NORMAL
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%
-1,96
-1,64
-1
+1
+1,64
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
68%
89,90%
95,0%
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
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.0
0.0000
0.0040
0.0080
0.0120
0.0160
0.0199
0.0239
0.0279
0.0319
0.0359
0.1
0.0398
0.0438
0.0478
0.0517
0.0557
0.0596
0.0636
0.0675
0.0714
0.0753
0.2
0.0793
0.0832
0.0871
0.0910
0.0948
0.0987
0.1026
0.1064
0.1103
0.1141
0.3
0.1179
0.1217
0.1255
0.1293
0.1331
0.1368
0.1406
0.1443
0.1480
0.1517
0.4
0.1554
0.1591
0.1628
0.1664
0.1700
0.1736
0.1772
0.1808
0.1844
0.1879
0.5
0.1915
0.1950
0.1985
0.2019
0.2054
0.2088
0.2123
0.2157
0.2190
0.2224
0.6
0.2257
0.2291
0.2324
0.2357
0.2389
0.2422
0.2454
0.2486
0.2517
0.2549
0.7
0.2580
0.2611
0.2642
0.2673
0.2704
0.2734
0.2764
0.2794
0.2823
0.2852
0.8
0.2881
0.2910
0.2939
0.2967
0.2995
0.3023
0.3051
0.3078
0.3106
0.3133
0.9
0.3159
0.3186
0.3212
0.3238
0.3264
0.3289
0.3315
0.3340
0.3365
0.3389
1.0
0.3413
0.3438
0.3461
0.3485
0.3508
0.3531
0.3554
0.3577
0.3599
0.3621
1.1
0.3643
0.3665
0.3686
0.3708
0.3729
0.3749
0.3770
0.3790
0.3810
0.3830
1.2
0.3849
0.3869
0.3888
0.3907
0.3925
0.3944
0.3962
0.3980
0.3997
0.4015
1.3
0.4032
0.4049
0.4066
0.4082
0.4099
0.4115
0.4131
0.4147
0.4162
0.4177
1.4
0.4192
0.4207
0.4222
0.4236
0.4251
0.4265
0.4279
0.4292
0.4306
0.4319
1.5
0.4332
0.4345
0.4357
0.4370
0.4382
0.4394
0.4406
0.4418
0.4429
0.4441
1.6
0.4452
0.4463
0.4474
0.4484
0.4495
0.4505
0.4515
0.4525
0.4535
0.4545
1.7
0.4554
0.4564
0.4573
0.4582
0.4591
0.4599
0.4608
0.4616
0.4625
0.4633
1.8
0.4641
0.4649
0.4656
0.4664
0.4671
0.4678
0.4686
0.4693
0.4699
0.4706
1.9
0.4713
0.4719
0.4726
0.4732
0.4738
0.4744
0.4750
0.4756
0.4761
0.4767
2.0
0.4772
0.4778
0.4783
0.4788
0.4793
0.4798
0.4803
0.4808
0.4812
0.4817
2.1
0.4821
0.4826
0.4830
0.4834
0.4838
0.4842
0.4846
0.4850
0.4854
0.4857
2.2
0.4861
0.4864
0.4868
0.4871
0.4875
0.4878
0.4881
0.4884
0.4887
0.4890
2.3
0.4893
0.4896
0.4898
0.4901
0.4904
0.4906
0.4909
0.4911
0.4913
0.4916
2.4
0.4918
0.4920
0.4922
0.4925
0.4927
0.4929
0.4931
0.4932
0.4934
0.4936
2.5
0.4938
0.4940
0.4941
0.4943
0.4945
0.4946
0.4948
0.4949
0.4951
0.4952
2.6
0.4953
0.4955
0.4956
0.4957
0.4959
0.4960
0.4961
0.4962
0.4963
0.4964
2.7
0.4965
0.4966
0.4967
0.4968
0.4969
0.4970
0.4971
0.4972
0.4973
0.4974
2.8
0.4974
0.4975
0.4976
0.4977
0.4977
0.4978
0.4979
0.4979
0.4980
0.4981
2.9
0.4981
0.4982
0.4982
0.4983
0.4984
0.4984
0.4985
0.4985
0.4986
0.4986
3.0
0.4987
0.4987
0.4987
0.4988
0.4988
0.4989
0.4989
0.4989
0.4990
0.4990
40
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+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
0,475
z=0
-z /2 = -1,96
+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
X )2
1i
[( X)
/n]
Intervalo para predizer a o valor mdio de Y, o desvio padro de Yi:

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

2
/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
[( 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,
usada para indicar o aspecto da variao,
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
/2
/2
Rejeitar H0
H0 : p#0,5
Valor
crtico
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
Falsa
Deciso Correta
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:
1-
No rejeitar a hiptese nula H0;
2-
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 =
(x x )2
n 1
n-1=graus de liberdade (tamanho da

amostra menos 1)
onde:
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
ser determinado: no existe grau de
10: o primeiro nmero pode ser qualquer
liberdade para ele. H trs nmeros em
um (at negativo); o segundo tambm.
jogo, mas liberdade s para dois, ou seja,
Mas o terceiro ser limitado condio
como os dois primeiros nmeros foram
que a soma dos trs deve ser 10. Escolhido
escolhidos arbitrariamente, h dois graus
os dois primeiros, o terceiro
de liberdade
48
Tabela 2 - Distribuio t de Student

Coeficiente de Confiana
Duas caudas
Uma cauda
0,80
0,90
0,90
0,95
0,95
0,98
0,98
0,99
0,990
0,995
0,9990
0,9995
Testes de Hipteses
Duas caudas
Uma cauda
0,20
0,10
0,10
0,05
0,05
0,03
0,02
0,01
0,010
0,005
0,0010
0,0005
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
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
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
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
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
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
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
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
Soma de
Quadrados
Graus de
Liberdade
Quadrado mdio
das variaes
Razo F
Valor -P
Significncia
E = Explicada
pela regresso
X1...Xn
SQE=r2
R= Residual
no explicada
pela regresso
SQR=SQT-SQE
n-k-1
QMR=SQR/(n-k-1)
T=Total
SQT=(SQE+SQR)
TOTAL
TOTAL
QME=SQE/k
=QME/QMR
obtida da
Tabela F
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
4
5624
0,01
5
5764 5859
7
5928
10
11
12
15
20
25
1000
4052 4999 5404
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
5981 6022 6056 6083 6107 6157 6209 6240 6363
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
9,89
9,72
9,55
9,45
9,03
13,75 10,92 9,78
9,15
8,75
8,47
8,26
8,10
7,98
7,87
7,79
7,72
7,56
7,40
7,30
6,89
12,25 9,55
8,45
7,85
7,46
7,19
6,99
6,84
6,72
6,62
6,54
6,47
6,31
6,16
6,06
5,66
11,26 8,65
7,59
7,01
6,63
6,37
6,18
6,03
5,91
5,81
5,73
5,67
5,52
5,36
5,26
4,87
10,56 8,02
6,99
6,42
6,06
5,80
5,61
5,47
5,35
5,26
5,18
5,11
4,96
4,81
4,71
4,32
10
10,04 7,56
6,55
5,99
5,64
5,39
5,20
5,06
4,94
4,85
4,77
4,71
4,56
4,41
4,31
3,92
11
9,65
7,21
6,22
5,67
5,32
5,07
4,89
4,74
4,63
4,54
4,46
4,40
4,25
4,10
4,01
3,61
12
9,33
6,93
5,95
5,41
5,06
4,82
4,64
4,50
4,39
4,30
4,22
4,16
4,01
3,86
3,76
3,37
13
9,07
6,70
5,74
5,21
4,86
4,62
4,44
4,30
4,19
4,10
4,02
3,96
3,82
3,66
3,57
3,18
14
8,86
6,51
5,56
5,04
4,69
4,46
4,28
4,14
4,03
3,94
3,86
3,80
3,66
3,51
3,41
3,02
15
8,68
6,36
5,42
4,89
4,56
4,32
4,14
4,00
3,89
3,80
3,73
3,67
3,52
3,37
3,28
2,88
16
8,53
6,23
5,29
4,77
4,44
4,20
4,03
3,89
3,78
3,69
3,62
3,55
3,41
3,26
3,16
2,76
17
8,40
6,11
5,19
4,67
4,34
4,10
3,93
3,79
3,68
3,59
3,52
3,46
3,31
3,16
3,07
2,66
18
8,29
6,01
5,09
4,58
4,25
4,01
3,84
3,71
3,60
3,51
3,43
3,37
3,23
3,08
2,98
2,58
19
8,18
5,93
5,01
4,50
4,17
3,94
3,77
3,63
3,52
3,43
3,36
3,30
3,15
3,00
2,91
2,50
20
8,10
5,85
4,94
4,43
4,10
3,87
3,70
3,56
3,46
3,37
3,29
3,23
3,09
2,94
2,84
2,43
21
8,02
5,78
4,87
4,37
4,04
3,81
3,64
3,51
3,40
3,31
3,24
3,17
3,03
2,88
2,79
2,37
22
7,95
5,72
4,82
4,31
3,99
3,76
3,59
3,45
3,35
3,26
3,18
3,12
2,98
2,83
2,73
2,32
23
7,88
5,66
4,76
4,26
3,94
3,71
3,54
3,41
3,30
3,21
3,14
3,07
2,93
2,78
2,69
2,27
24
7,82
5,61
4,72
4,22
3,90
3,67
3,50
3,36
3,26
3,17
3,09
3,03
2,89
2,74
2,64
2,22
25
7,77
5,57
4,68
4,18
3,85
3,63
3,46
3,32
3,22
3,13
3,06
2,99
2,85
2,70
2,60
2,18
26
7,72
5,53
4,64
4,14
3,82
3,59
3,42
3,29
3,18
3,09
3,02
2,96
2,81
2,66
2,57
2,14
27
7,68
5,49
4,60
4,11
3,78
3,56
3,39
3,26
3,15
3,06
2,99
2,93
2,78
2,63
2,54
2,11
28
7,64
5,45
4,57
4,07
3,75
3,53
3,36
3,23
3,12
3,03
2,96
2,90
2,75
2,60
2,51
2,08
29
7,60
5,42
4,54
4,04
3,73
3,50
3,33
3,20
3,09
3,00
2,93
2,87
2,73
2,57
2,48
2,05
30
7,56
5,39
4,51
4,02
3,70
3,47
3,30
3,17
3,07
2,98
2,91
2,84
2,70
2,55
2,45
2,02
40
7,31
5,18
4,31
3,83
3,51
3,29
3,12
2,99
2,89
2,80
2,73
2,66
2,52
2,37
2,27
1,82
50
7,17
5,06
4,20
3,72
3,41
3,19
3,02
2,89
2,78
2,70
2,63
2,56
2,42
2,27
2,17
1,70
60
7,08
4,98
4,13
3,65
3,34
3,12
2,95
2,82
2,72
2,63
2,56
2,50
2,35
2,20
2,10
1,62
70
7,01
4,92
4,07
3,60
3,29
3,07
2,91
2,78
2,67
2,59
2,51
2,45
2,31
2,15
2,05
1,56
80
6,96
4,88
4,04
3,56
3,26
3,04
2,87
2,74
2,64
2,55
2,48
2,42
2,27
2,12
2,01
1,51
90
6,93
4,85
4,01
3,53
3,23
3,01
2,84
2,72
2,61
2,52
2,45
2,39
2,24
2,09
1,99
1,48
100
6,90
4,82
3,98
3,51
3,21
2,99
2,82
2,69
2,59
2,50
2,43
2,37
2,22
2,07
1,97
1,45
500
6,69
4,65
3,82
3,36
3,05
2,84
2,68
2,55
2,44
2,36
2,28
2,22
2,07
1,92
1,81
1,20
1000 6,66
4,63
3,80
3,34
3,04
2,82
2,66
2,53
2,43
2,34
2,27
2,20
2,06
1,90
1,79
1,16
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
2
r r
= y i f ( x ; sendo que, 1, 2,..., K, so tratados como os coeficientes das
i =1
n
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
i
ei
b1
b0
X1
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 :
n
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 =
( xi x )( yi y )
i =1
( xi x )2
i =1
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
variveis expressa o quanto as mesmas
esto relacionadas entre si.

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 =
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 ' ,
pode ser medido por duas
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
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
para
maximizar
predio
(variao
explicada)
da
varivel
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
so
altamente
correlacionadas,
ento
elas
compartilham de algum poder de predio. Ao analisar o poder de predio do

modelo,
imprescindvel
estar
atento
para
que
variaes
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.
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
amostra e das variveis
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
EM TORNO DA
MDIA
DISPERSO
DE PONTOS
DISPERSO
EM TORNO
DE PONTOS
DA RETA DE
EM TORNO
REGRESSO
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
onde (o + 1Xi ) componente explicvel da variao de Yi e i o
componente no explicado.
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
onde y i = b0 + b1 xi e ei = yi y i
Yi
)
)
e i = y I y = COMPONENTE
NO EXPLICADO
i = b0 + b1. xi
VARIAO TOTAL
)
y y = COMPONENTE
( y I yi )
EXPLICADO
(x, y)
X
Xi
Fig.18 Componentes: explicado e no-explicado, de yi
Como ilustra a figura acima, a diferena entre yi
e o seu valor mdio yi (variao total)
consiste em uma parte explicada pelo modelo de regresso ( y i y i ) e uma parte no explicada
( 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.

n
( y y ) 2 = soma de quadrados devido a regresso SQR: que a parcela da variao total de

i=1
y em relao sua media, que explicada pela regresso, ou a parcela atribuda relao
entre X e Y.
n
( y i - y ) 2 = soma do quadrado dos erros SQE: que a parcela da variao total de y em

i =1
relao sua mdia, que no explicada pela regresso e que atribuda a outros fatores
diferentes da relao entre X e Y.
61
Sendo que:
n
(y i - y )
i =1
VARIAO
TOTAL
= (y i - y )
i =1
= VARIAO
EXPLICADA
+ (y i - y ) 2
i =1
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
(Y
i 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
tanto o
nmero de variveis explicativas k e quanto o
tamanho da amostra n:
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
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,
dever
ser
procedido
estudos
de
mercado
devidamente
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.
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
terrenos,
padro
construtivo
depreciao
para
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
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
Valor
6,00
6,00
7,00
7,00
10,00
12,00
15,00
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
Valor
Diferena
(yi) mdio (Y)
(Y-Y)
6,00
9,00
3,00
6,00
9,00
7,00
(Y-Y)2
Logo,
a variao total em torno da
9,00
mdia ser:72,00 (ou variao mdia:
3,00
9,00
72/7 = 10,28)
9,00
2,00
4,00
Isso demonstra que as informaes no
7,00
9,00
2,00
4,00
so homogneas, ou seja, apresentam
10,00
9,00
-1,00
1,00
diferenas entre si que fazem os valores
12,00
9,00
-3,00
9,00
variarem em torno da mdia (Variao
15,00
9,00
-6,00
36,00
0,00
72,00
Soma
63,00
Total de 72) e, por conseqncia, a

avaliao no poderia ser feita pela
mdia simples.
Mdia
Mediana =
Moda=
Desvio
Padro s =
Coeficiente
de
(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.
Valor
1 6 ,0 0
Frente
1 5 ,0 0
1 4 ,0 0
6,00
5,00
6,00
7,00
7,00
6,00
7,00
12,00
10,00
15,00
12,00
18,00
15,00
20,00
1 2 ,0 0
1 2 ,0 0
1 0 ,0 0
1 0 ,0 0
unitrio
8 ,0 0
7 ,0 0
6 ,0 0
6 ,0 0
7 ,0 0
6 ,0 0
4 ,0 0
2 ,0 0
0 ,0 0
0 ,0 0
5 ,0 0
1 0 ,0 0
1 5 ,0 0
2 0 ,0 0
2 5 ,0 0
fre nte
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
varivel independente ( no caso, a frente) e b0 e b1 indicam o intercepto e o coeficiente angular,

respectivamente,
e e,
o termo residual ( ou erro). O objetivo encontrar, a partir dos 7 dados
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
)2 = 0
e = (Yi - Y
i
b1
Substituindo Y chapu:
VARIAO DE Y
b0
[(Yi - (b0 + b1Xi )]2 = 0
VARIAO DE x
equaes normais
(deduzidas atravs
de derivadas ,
somatrias ou
X
1.1.1.1.1.1.1.1.1
matrizes)
Yi = nb0 + b1 Xi
Xi Yi = b0 Xi + b1 Xi2
Mdias de X e Y e respectivos somatrios

Tabela 1
x ( frente)
Ref.
1
2
3
4
5
6
7
5,00
7,00
6,00
12,00
15,00
18,00
20,00
Somas X = 83,00
11,86
Mdias
X barra
Tabela 2
y ( valor
unitrio)
6,00
6,00
7,00
7,00
10,00
12,00
15,00
y= 63,00
9,00
Y barra
X.Y
x^2
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
Y^2
36,00
36,00
49,00
49,00
100,00
124,00
225,00
639,00
y2
b1 =
n( xy ) ( x.)( y )
n( x 2 ) ( x ) 2
b 0 = Y b1 X
b1 =
b0
7 ( 864 ) ( 83 x 63 )
= 0 . 5343
7 ( 1 . 203 ) 83 2
= 9 0 ,5343 x 11 ,86 = 2 . 6612
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= [
864,00( 83,00 x 63,00

1.203,00(
83,00^2
y^2 - ( y)^2/ n]
639,00(
63,00^2
B1 = Sxy / Sxx
Equao de regresso
)/
)/
7
7
117,00
218,86
)/
72,00
B1=
0,5346
Bo = Ybarra - ( B1. X barra)

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

Tabela 3 -
Variao
Projeo
Y=2,6612
+0,5343 . X1
Y chapu
5,33
(2,6612 +0,5346 x 5)
Explicada
(Ychapu - Ybarra)^2
No explicada Resduos
(Y - Ychapu)^2
13,44 (5,33-9)^2
0,44
Total
(Y - Ybarra)^2
(6 -5,33)^2
9,00
(6 -9)^2
6,40
(2,6612 +0,5346 x 7)
6,74 (6,4-9)^2
0,16
(6 -6,4)^2
9,00
(6 -9)^2
5,87
(2,6612 +0,5346 x 6)
9,80 (5,87-9)^2
1,28
(7-5,87)^2
4,00
(7-9)^2
9,08
(2,6612 +0,5346 x 12)
0,01 (9,08-9)^2
4,31
(7-9,08)^2
4,00
(7-9)^2
10,68
(2,6612 +0,5346 x 15)
2,82 (10,68-9)^2
0,46
(10-10,68)^2
1,00
(10-9)^2
12,28
(2,6612 +0,5346 x 18)
10,78 (12,28-9)^2
0,08
(12-12,28)^2
9,00
(12-9)^2
13,35
(2,6612 +0,5346 x 20)
2,71
(15-13,35)^2
36,00
(15-9)^2
Somas
18,95 (13,35-9)^2
62,55
Coeficiente de Correlao
(r) =
Coeficiente de
Determinao
R2
9,45
Sxy/ (Sxx.Syy)^ 0,5

Correlao ao
quadrado
^0,5
117,00/ ( 218,86 x
75)
ou : variao explicada / variao total
0,9321^2
Coeficiente de Determinao
72,00
0,9321
0,8687
62,55/72
R2 = 1- (1-R2). [(n-1)/(n-K-1)
0,8425
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
R E P R E S E N TA O
G R FIC A
1,3749
15%
C O E F I C I E N T E D E D E T E R MI N A O
1 6 ,0 0
1 4 ,0 0
1 2 ,0 0
v a r ia o to ta l
(v -y barra)
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)
V a r ia o
e x p lic a d a
(y c hapu y barra)
unitrio
1 0 ,0 0
8 ,0 0
Pretende-se que Y se aproxime o

mximo de Y ( Y chapu) de forma
1 5 /2 0
1 3 ,3 5 /2 0
2 ,0 0
0 ,0 0
0 ,0 0
5 ,0 0
1 0 ,0 0
f r e n te
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
( yi y$ ) ( ou a soma dos
i= 1
resduos) seja o menor possvel.

2
6 ,0 0
y = + 2 ,6 6 1 2 + 0 ,5 3 4 6 . X 1
R 2 = 0 ,8 6 8 7
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.
M d ia ( Y b a r r a ) = 9
7 /1 2
4 ,0 0
que
2 5 ,0 0
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:
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
Assim tem-se:
Nvel de
significncia
Regio de
rejeio de
H0
Nvel de
significncia
ZONA DE ACEITAO
de H0
Regio de
rejeio de
H0
t calculado = (b1 / Sb) VER tabela abaixo

-
no caso
t calculado = 0,5346/0,09294=5,75
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:
Varincia de X = (x-xbarra)2/ (n-1)
Calculo de Sb 1
x 1( frente) (x- xbarra)
(x- xbarra)^2
Sb 1 = Erro padro de B1= desvio da
5,00
-6,85714
47,020408
regresso dividido pela raiz quadrada
7,00
-4,85714
23,591837
de n-1 vezes varincia da testada (X) =
6,00
-5,85714
34,306122
12,00
0,14286
0,020408
15,00
3,14286
9,877551
18,00
6,14286
37,734694
20,00
8,14286
66,306122
1,3749 / (6 x 36,47) = 0,09294
Soma
Xbarra
83,00
11,8571
218,857143
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)
1
2
3
4
5
6
7
Previsto (
usando a
equao)
6,00
6,00
7,00
7,00
10,00
12,00
15,00
Resduos
( diferena)
5,33
6,40
0,67
-0,40
10,68
12,28
13,35
-0,68
-0,28
1,65
Resduos padro :
resduo dividido pelo
erro padro da
regresso
0,48235 0,67/1,3749
-0,29339 -0,40/1,3749
-0,4946
-0,2065
1,1977
Representao grfica dos resduos padronizados:
.
-3
-2
-1
+1
+2
+3
Parte V - Clculo do valor unitrio ( para imvel com 10 m de

frente) e do intervalo de confiana
Valor unitrio = 2,6612 + 0,5346 x Frente
V unitrio = R$
a) AVALIAO: Modelo :
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
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.

= o valor previsto de Y para a observao i
Onde: Y
i
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)

no sentido de prever valores de Y.
di = Yi Yi Y i
Yi
= b + b .X
Y
i
0
1
1
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:
di = Yi Yi .
Como as diferenas so tanto positivas como negativas, minimizamos

matematicamente da seguinte forma:
n
(Y
i =1
Y i ) 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:

n
[Y
i =1
( b 0 + b 1 . X 1 )] 2
Que tem 2 incgnitas e para resolver o problema, sistema de 2 equaes:

n
Y
i =1
= n.b 0 + b 1 Xi
b1 =
i =1
XY
i
i=1
( Xi Yi )
i=1
i =1
n
n
X
i=1
2
i
X
i=1
XY
i =1
= b0 +
X b X.i
i =1
onde : Y =
y
n 1
i =1
e:X =
x
n 1
2
i
b0 = Y b1.X
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
Distancia
polo
rea
Terreno
Frente
1.000,00
300,00
10,00
60,00
700,00
500,00
15,00
50,00
800,00
300,00
10,00
60,00
300,00
300,00
10,00
100,00
500,00
500,00
15,00
70,00
500,00
300,00
10,00
90,00
300,00
500,00
15,00
80,00
100,00
600,00
18,00
90,00
100,00
1.000,00
20,00
80,00
10
0,01
600,00
15,00
100,00
11
200,00
500,00
15,00
80,00
12
400,00
500,00
15,00
40,00
13
1.000,00
800,00
20,00
55,00
14
800,00
300,00
10,00
70,00
15
200,00
300,00
10,00
80,00
16
1.000,00
600,00
20,00
50,00
17
100,00
500,00
18,00
80,00
18
0,01
300,00
10,00
100,00
19
0,01
500,00
15,00
120,00
20
1.000,00
1.000,00
20,00
40,00
Asfalto
Unitrio

19
PERICIAS abril 2006
Apresentao do 1) Modelo pelo Programa Sisren
Comportamento das Variveis com Valor

120
120
110
110
100
90
Valor Unitrio
Valor Unitrio
100
80
70
90
80
70
60
60
50
50
40
40
300
400
500
600
700
800
900
1.000
100
200
300
400
120
120
110
110
100
100
90
90
Valor Unitrio
Valor Unitrio
rea Total
80
70
500
600
Distancia polo
700
800
900
1.000
17
18
19
20
80
70
60
60
50
50
40
40
0
1
Asfalto
10
11
12
13
14
15
Frente
16
Equao de Regresso:
Valor Unitrio = +126,4384081 -2,76256481 * ln (Distancia polo) -9,079814893 * ln (rea Total)
+71,56555367 / Frente +18,45145095 * Asfalto

20
PERICIAS abril 2006
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:
5o) Rejeitar a hiptese de nulidade se a estatstica teste excede o(s) valor(es) crtico(s); caso
contrrio, aceit-la.
Variveis
Equao
ln(x)
ln(x)
1/x
x
Distancia polo
rea Total
Frente
Asfalto
t-Observado
-3,13
-0,42
0,17
2,64
Sig.
0,68
68,06
86,65
1,84

21
PERICIAS abril 2006
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
Outliers do Modelo: 1
Resduos da varivel Valor Unitrio
3
2
5
1
13
16
7 11
17
13
20
8
14
19
6
10
15
18
-1
-2
12
-3
50
55
60
65
70
75
80
85
90
95
100
105
110
Apresentao do 2) Modelo

22
PERICIAS abril 2006
Informaes do Modelo
Nmero de dados: 20
Fisher-Snedecor:
0,9319870 / 0,9319870
0,8685998
23,14
0,01
Variveis
Equao
ln(x)
x
1/x
x
Distancia polo
rea Total
Frente
Asfalto
t-Observado
-3,67
-1,15
0,09
5,16
Sig.
0,25
26,82
93,29
0,01
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
Isoladas
Influncia
Distancia polo
rea Total
Frente
Asfalto
Valor Unitrio
0,07
-0,03
-0,52
-0,74
0,19
0,02
0,35
0,70
rea Total
Frente
Asfalto
Valor Unitrio
-0,85
-0,11
-0,32
0,81
0,19
0,29
Frente
Asfalto
Valor Unitrio
0,06
0,25
0,05
0,02
Asfalto
Valor Unitrio
0,83
0,81

23
PERICIAS abril 2006
Projees de Valores
Distancia
rea
Frente
Valor
Mdio
Asfato
Mnimo
Maximo
100
300
10
66,63
60,3
72,96
1.000,00
300
10
61,7
55,6
67,8
1.000,00
600
20
54,84
48,2
61,49
100
600
20
59,77
52,96
66,59
100
600
20
59,77
52,96
66,59
Apresentao do 3) Modelo
Nmero de dados: 20
Fisher-Snedecor:
0,9319500 / 0,9319500
0,8685308
33,03
0,01
Variveis
Equao
Distancia polo
rea Total
Asfalto
ln(x)
x
x
t-Observado
-3,80
-2,45
5,35
Sig.
0,18
2,71
0,01

24
PERICIAS abril 2006
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
Outliers do Modelo: 0
Preo
observado
Valor
Estimado
Resduo
Resduo
Relativo
Resd
uo/DP
60
61,57
-1,57
-2,63
-0,19
50
58,04
-8,04
-16,08
-0,97
-0,24
60
62,05
-2,05
-3,42
100
88,29
11,7
11,7
1,41
70
58,76
11,23
16,05
1,35
90
87,2
2,79
3,1
0,33
80
83,99
-3,99
-4,99
-0,48
90
84,19
5,8
6,44
0,7
80
75,6
4,39
5,49
0,53
100
103,9
-3,9
-3,9
-0,47
80
84,86
-4,86
-6,08
-0,58
55
50,83
4,16
7,57
0,5
70
62,05
7,94
11,34
0,96

25
PERICIAS abril 2006

80
89,16
-9,16
-11,45
-1,1
50
55,13
-5,13
-10,26
-0,62
80
86,34
-6,34
-7,93
-0,76
100
110,35
-10,35
-10,35
-1,25
120
106,05
13,94
11,61
1,68
40
46,53
-6,53
-16,33
-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
simulaes com asfalto

Asfato
Valor
Mdio
100,00
300,00
66,50
61,51
71,49
90,64
1.000,00
300,00
61,57
56,81
66,33
85,71
1.000,00
600,00
55,13
51,11
59,14
79,27
100,00
600,00
60,05
55,72
64,39
84,19
100,00
600,00
60,05
55,72
64,39
84,19
Distancia
rea
Mnimo
Maximo
Asfato
Valor Mdio

26
PERICIAS abril 2006
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
Local
Valor
unitrio
Area
m
Frente Profundidade
Indice Local
m
m
Rua A
140,00
216
12,00
18,00
70
Rua B
180,00
480
6,00
80,00
80
Rua C
250,00
480
12,00
40,00
115
Rua D
150,00
200
10,00
20,00
70
Rua E
200,00
250
10,00
25,00
110
Rua F
250,00
450
18,00
25,00
120
Rua F
270,00
500
15,00
33,33
120
1) Parte Fatores oferta e Localizao
Fator
Oferta
Elemento
Valor
Fator
unitrio Oferta
Fator Transposio
Unitrio
deduzido
do fator
oferta
I.LOCAL Fator
elemento Transp.
Diferena Unitrio
transposi Homog
o (R$/m) pela
localiza
o
140,00
0,9
126,00
70
1,43
54,00
180,00
180,00
0,9
162,00
80
1,25
40,50
202,50
250,00
1,0
250,00
115
0,87
-32,61
217,39
150,00
0,9
135,00
70
1,43
57,86
192,86
200,00
0,9
180,00
110
0,91
-16,36
163,64
250,00
0,9
225,00
120
0,83
-37,50
187,50
270,00
0,9
243,00
120
0,83
-40,50
202,50
Mdia
Desvio
padro
Coef. Var.
205,71 Mdia
Desvio
51,92 padro
Coef.
25,24% Var.
188,71
51,04
27,04%
Mdia
LOCAL
Avaliand
o=
100 Desv.padro
Coef. Var.
192,34
17,48
9,09%

27
PERICIAS abril 2006
2) Parte Fator Profundidade
Fator
Oferta
Coeficiente de Profundidade
Fator Oferta
Diferena
Unitrio
Coef.
profundidade Homog pela
Profund.
(R$m/)
Profundidade
Pe
0,9
126,00
18,00
0,18
22,49
148,49
0,9
162,00
80,00
0,17
27,79
189,79
1,0
250,00
40,00
0,00
0,00
250,00
0,9
135,00
20,00
0,12
15,93
150,93
0,9
180,00
25,00
0,00
0,00
180,00
0,9
225,00
25,00
0,00
0,00
225,00
0,9
243,00
33,33
0,00
0,00
243,00
Mdia
Desvio padro
Coef. Var.
Unitrio
deduzido
do fator
oferta
188,71
Mdia
51,04
27,04%
Desv.padro
Pma = 40
Coef. Var.
198,17
41,86
21,12%
Pmi = 25
Exp.profundidade
= 0,5
-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
Coeficiente de Frente
Fator Oferta
Cf
Coef.
Frente
Diferena
frente
(R$m/)
Unitrio
Homog.
pela
Frente
0,9
126,00
12,00
-0,04
-4,51
121,49
0,9
162,00
6,00
0,11
17,43
179,43
1,0
250,00
12,00
-0,04
-8,95
241,05
0,9
135,00
10,00
0,00
0,00
135,00
0,9
180,00
10,00
0,00
0,00
180,00
0,9
225,00
18,00
-0,11
-24,95
200,05
0,9
243,00
15,00
-0,08
-18,93
224,07
Mdia
Desvio padro
Coef. Var.
Unitrio
deduzido
do fator
oferta
188,71
Mdia
51,04
Desv.padro
27,04%
Coef. Var.
Frente
referencia
Expoente frente=
183,01
43,70
23,88%
10
0,2

29
PERICIAS abril 2006
4) Efeito de todos fatores e avaliao
Resultado da aplicao dos fatores
Mdia
Desv.padro
Coef. Var.
Coef geral
homog.
Para a
mdia
Saneada
Coef geral
homog.Para
o
Avaliando
Loc + prof +
frente para a
mdia
Loc + prof
+ test para
o
avaliando
126,00
197,98
189,34
1,57
1,50
162,00
247,72
236,91
1,53
1,46
250,00
208,44
199,34
0,83
0,80
135,00
208,79
199,68
1,55
1,48
180,00
163,64
156,49
0,91
0,87
225,00
162,55
155,45
0,72
0,69
243,00
183,57
175,56
0,76
0,72
188,71
196,10 Mdia
187,54
Unitrio
s com
Fator Fonte
51,04
29,77 Desv.padro
27,04%
15,18% Coef. Var.
Superior
(+30%)
Inferior (30%)
Calculo do
unitrio
15,18%
254,93
137,27
Mdio =
187,54
Intervalo de Confiana de
80% =
t=(n-1) =6
1,44
Desv. Pad. (s) =
28,47
Frmula
Avaliao =
16,74
t x s/(n-1)^0,5
1,44 x 29,74/(71)^0,5
EXEMPLO
BASICO
Intervalo inferior =
Intervalo superior =
Amplitude =
28,47
204,28
170,80
16%
Grau de Preciso
III

30
PERICIAS abril 2006

Avaliações e Perícias PDF

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

Avaliações e Perícias PDF

Uploaded by

Copyright:

Available Formats

AVALIAO DE IMVEIS URBANOS

A estatstica tem uma particularidade: pesquisamos para dizer algo

Instrutora: ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA

CURRICULUM VITAE - RESUMIDO

do IBAPE/SP.Coordenadora do estudo VALORES DE

EDIFICAES DE IMVEIS URBANOS do IBAPE/SP verso 2002.Integrante da

AVALIAO DE IMVEIS URBANOS

Quanto ao tipo do imvel, entre outros:

a) terreno (lote ou gleba);

AVALIAO DE IMVEIS URBANOS

Quanto ao agrupamento dos imveis:

recomendvel registrar as caractersticas fsicas e de utilizao do bem e

O conhecimento de estudos, projetos ou perspectivas tecnolgicas que

Aspectos gerais: anlise das condies econmicas, polticas e sociais, quando

AVALIAO DE IMVEIS URBANOS

Localizao: situao no contexto urbano, com indicao dos principais plos de

Localizao: situao na regio e via pblica, com indicao de limites e

Caracterizao das edificaes e benfeitorias

Aspectos construtivos, qualitativos, quantitativos e tecnolgicos, comparados com

- Vistoria por amostragem

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

2.1 Avaliao pelo Mtodo Comparativo de Dados de Mercado

transacionados (vendidos, locados, etc...) recentemente, ou esto ofertados. As

principalmente, de fenmenos culturais, locacionais e socioeconmicos.

AVALIAO DE IMVEIS URBANOS

A aplicao adequada do mtodo comparativo est fundamentada na

AVALIAO DE IMVEIS URBANOS

2.1.3 - Trabalho de campo - Levantamento de dados de mercado

AVALIAO DE IMVEIS URBANOS

um mercado que est crescendo com tendncia a serem os grandes formadores

AVALIAO DE IMVEIS URBANOS

2.2 - O Mtodo Comparativo e a Avaliao de Imveis

AVALIAO DE IMVEIS URBANOS

As tcnicas de regresso mltipla surgiram como um aperfeioamento do mtodo

AVALIAO DE IMVEIS URBANOS

2.3Procedimentos Metodolgicos em conformidade as Normas da ABNT

passando a ser denominados tratamento por fatores ou tratamento

cientfico e os anteriormente denominados nveis de rigor (expedito, normal ou

AVALIAO DE IMVEIS URBANOS

fundamental a existncia de um conjunto de dados que possa ser tomado

fundamentados por estudos e posterior anlise estatstica dos resultados

Tratamento cientfico: tratamento de evidncias empricas pelo uso de

Deve-se levar em conta que qualquer modelo uma representao simplificada

AVALIAO DE IMVEIS URBANOS

O poder de predio do modelo deve ser verificado a partir do grfico de preos

Alternativamente, podem ser utilizados procedimentos de validao.

No Processo Comparativo busca-se um valor representativo para a populao de

A figura a seguir ilustra a diferena entre aplicar fatores e utilizar anlise de

AVALIAO DE IMVEIS URBANOS

Tratamento por fatores: utiliza-se "fatores" empricos para ajustar os dados de

AVALIAO DE IMVEIS URBANOS

2.4 Especificao das Avaliaes

confiabilidade, qualidade e quantidade dos dados amostrais disponveis.

No caso de informaes insuficientes para a utilizao dos mtodos previstos

AVALIAO DE IMVEIS URBANOS

Podem ser utilizadas

Admitida para apenas

Admitida, desde que:

9.2.1.1 Para atingir o grau III, so obrigatrias: