UNIVERSIDADE FEDERAL DO PARAN SETOR DE CINCIAS DA TERRA DEPARTAMENTO DE GEOMTICA

AVALIAO DE IMVEIS PELO MTODO DOS MNIMOS QUADRADOS

Carlos Aurlio Nadal

Curitiba 2008
Carlos Aurlio Nadal Engenheiro Civil

Mestre em Cincias Geodsicas Doutor em Cincias Geodsicas Professor Titular do Departamento de Geomtica da UFPR.

Catalogao na Fonte Tania Barros Bggio CRB - 9/760

Nadal, Carlos A. Avaliao de imveis pelo mtodo dos mnimos quadrados/Carlos A. Nadal. 1 a Ed. Curitiba, Departamento de Geomtica- UFPr: 2008. 49p,:il. Inclui bibliografia 1. Avaliaes. 2.Mtodo dos mnimos quadrados. 3. Inferncia Estatstica. 4. Terrenos urbanos. I. Ttulo

CDD 20 - 526.6

SUMRIO

TPICO 1. INTRODUO

PGINA 04

2. REVISO DE ESTATSTICA APLICADA A AVALIAES DE IMVEIS 3. EXERCICIO DE ESTATSTICA APLICADA A AVALIAES 4. INFERNCIA ESTATSTICA PELO USO DA REGRESSO LINEAR EM AVALIAES DE BENS 4.1 Regresso Linear Simples 4.2 Validao de uma regresso linear simples 4.2.1 Coeficiente de correlao (r) 4.2.2 Coeficiente de Determinao 4.2.3 Erro padro da estimativa 4.2.4 Anlise de varincia 4.2.5 Teste de hiptese para o regressor b 4.2.6 Intervalo de confiana para b 4.3 Regresses simples no lineares 4.3.1 Funo logaritmica 4.3.2 Funo exponencial 4.3.1 Funo potencial 5. EXERCICIO DE REGRESSO SIMPLES 6. REGRESSESLINEARES MULTIPLAS APLICADAS A AVALIAES DE BENS 6.1. Testes estatsticos como diretrizes em anlise de ajustamento de regresses mltiplas 7. EXERCICIO DE REGRESSO LINEAR MULTIPLA

06

12
16 16 23 23 24 24 24 25 26 26 26 26 26 27 35 37 42 51

REFERNCIAS

1. INTRODUO
O conceito de avaliao imobiliria pode ser entendido como a estimativa do valor de um bem, ou seja, o valor mais provvel pelo qual o mesmo possa ser objeto de transao no mercado em que est inserido. A norma brasileira NBR 14653- 1

Avaliao de bens, em sua parte 1 (ABNT,2001), que dita os procedimentos gerais para avaliaes prescreve como metodologia os mtodos: mtodo comparativo de dados do mercado, mtodo involutivo, mtodo evolutivo e mtodo da capitalizao da renda. No Mtodo Comparativo de Dados de Mercado, que ser o principal objetivo deste trabalho, o valor de mercado dos imveis estimado com base nos preos de um grupo de propriedades semelhantes ao bem avaliando transacionadas no mercado imobilirio em um perodo prximo a data da avaliao. Este mtodo , indiscutivelmente, o mais empregado em avaliaes de imveis, sendo que para a sua aplicao existem alguns requisitos bsicos, entre os quais o fato de que imprescindvel a existncia de bens semelhantes ao avaliando que tenham sido comercializados prximos data da avaliao. Alm disso, o avaliador necessita ter acesso s informaes sobre as condies das transaes e as caractersticas dos bens transacionados. Quanto menos comparveis os elementos tomados como referncia, menor ser a confiabilidade da avaliao (MILLINGTON, 1994). Devido principalmente heterogeneidade dos imveis oferecidos pelo mercado imobilirio, torna- se impossvel a comparao direta de preos, mesmo no caso de imveis semelhantes ao do imvel a ser avaliado, pois ainda assim, existiro fatores que diferenciam os imveis entre si, ou as condies de cada transao. Assim, por exemplo suponha que so ofertadas casas iguais em um condomnio fechado, seus valores podem ser diferentes por exemplo em razo da inflao. Pelos motivos acima expostos, necessrio aplicar uma tcnica que permita ajustar estas diferenas. A anlise de regresso mltipla, que uma tcnica de inferncia estatstica, vem sendo amplamente empregada para identificar os principais fatores que influenciam a determinao dos preos de imveis e estimar o valor de mercado das propriedades, tanto nos casos de avaliaes individuais quanto nas avaliaes em massa. A avaliao de imveis utilizada na grande maioria dos negcios, discusses e pendncias interpessoais e sociais em nossas comunidades, tais como na compra ou na venda de casas, lojas comerciais, instalaes industriais, aluguis, na reavaliao de ativos de empresas, em atendimento legislao vigente, na partilha oriunda de heranas, meaes ou divrcios, no lanamento de impostos, nas hipotecas imobilirias, nas divergncias que originam aes demarcatrias, possessrias, nas indenizaes, nas desapropriaes e servides, enfim, em um nmero expressivo de aes oriundas de problemas inerentes aos relacionamentos humanos, onde o valor de um bem assume importncia fundamental. Nas funes pblicas, o Engenheiro encontra grande aplicabilidade na avaliao de bens, principalmente na definio do valor dos aluguis a ser recebido pelos bens pblicos, na definio de valores a serem pagos como aluguis, compras, desapropriaes, entre outras. Apesar do conceito de valor ser de difcil definio, sujeito e suscetvel s mudanas filosficas, torna- se importante no relacionamento humano e social adotar- se alguns critrios para que se exera um carter de justia em sua aplicao prtica. Assim, um trabalho de avaliao imobiliria constitui - se de uma seqncia de operaes que resultam no que poderia ser chamado de uma formao de juzo sobre o valor de um imvel ou um direito sobre ele. O conceito de que o valor aquele fornecido para um dado instante, nico, no importando qual a finalidade da avaliao. Esse valor corresponde ao preo que se definiria, para um determinado imvel, em um mercado de concorrncia perfeito, sujeito s seguintes premissas: a) homogeneidade dos bens levados a mercado;

b) nmeros elevados de compradores e vendedores (o mercado no pode por eles ser alterado); c) sem influncia externa; d) conhecimento pleno e absolutos sobre o mercado, sobre os bens e das tendncias de avaliao por parte dos compradores e vendedores; e) vendedores e compradores oferecendo liquidez com liberdade plena de entrada e sada do mercado. A determinao do valor de grande interesse para os agentes do mercado mobilirio, servindo para apoiar a tomada de deciso em diferentes reas, tais como: operaes de garantia no sistema financeiro, transaes de compra e venda, transaes de locao, decises judiciais, tributao de imveis urbanos e decises de investimento (DANTAS, 1998). Os trabalhos de avaliaes foram ampliados com a aprovao do Estatuto da Cidade, lei federal na qual diferentes instrumentos de poltica urbana so regulamentados, entre os quais o solo criado, a transferncia de potencial construtivo e a aplicao do Imposto sobre a Propriedade Predial e Territorial Urbana (IPTU) com alquotas progressivas no tempo, visando ao cumprimento da funo social da propriedade. Para garantir a eficcia na aplicao de qualquer destes instrumentos necessrio que sejam obtidas estimativas precisas sobre o valor de mercado dos imveis. Como discutido por De Cesare (2000a), as falhas no processo avaliatrio podem ser geradas pelo uso de mtodos inadequados para o estudo em questo, pelas limitaes das tcnicas empregadas, pela omisso de atributos importantes no processo de valorao, ou ainda pela falta de compreenso do avaliador do fenmeno em anlise. Como conseqncia destas falhas, podem ser citados os seguintes exemplos: a) venda de um bem por preo abaixo do seu valor ou a sua exposio no mercado por um perodo maior do que o necessrio trazendo prejuzos financeiros ao vendedor. b) Avaliaes em desapropriaes podem ser estabelecidas por preos acima ou abaixo do valor de mercado, causando a dilapidao do patrimnio privado, partilhas podem ser realizadas de forma a beneficiar involuntariamente uma ou mais das partes envolvidas, ou o enriquecimento indevido de proprietrios privados com recursos pblicos. c) Injustias na distribuio da carga tributria. Para minimizar os erros e as distores no processo avaliatrio, imprescindvel saber quais so os principais atributos que influenciam a formao do valor dos imveis e a forma de interao entre os mesmos. Enfim, a impossibilidade de considerar e mesmo de identificar todos os atributos que influenciam o valor de um bem e a inexatido contida na mensurao dos atributos determinantes para a formao do valor esto entre as principais razes pelas quais o valor revela- se como uma funo aleatria. Variaes na intensidade de motivaes, preferncias, aspiraes e expectativas, resultam em variaes de carter aleatrio nos preos praticados no mercado. Existem, inclusive, diferenas no nvel de informao entre compradores e vendedores que participam do mercado de forma no freqente, como conseqncia os preos de transaes resultam de negociaes individuais entre compradores e vendedores. 2. REVISO DE ESTATSTICA APLICADA A AVALIAES DE IMVEIS

Neste trabalho, no se pretende discorrer teoricamente sobre estatstica, mas somente utilizar- se de conceitos desta cincia com a finalidade de aplic- los a casos de avaliaes de imveis. Durante um processo de medio, entendendo- se com tal a obteno de uma medida sem correes, que pode ser denominada de observao, incorre- se aos inevitveis erros de observao. Denomina- se dado ao resultado do tratamento de uma observao (por aplicao de uma tcnica ou de um modelo matemtico) para retirada de erros sistemticos. A informao o resultado do tratamento de dados (via modelo matemtico/estatstico). Por exemplo, na avaliao de bens, quando obtemos o valor do aluguel de um imvel, temos uma observao, ao efetuarmos uma vistoria no imvel, para confirmao da existncia, das condies e da validao do valor obtido, esta observao transforma- se em dado, e aps a aplicao de inferncia estatstica pode ser denominada de informao que o resultado da avaliao. Ao consumidor final, ao gestor pblico, ao interessado em um processo, interessa fundamentalmente a informao e sua validao. A NBR- 14653 - 1 (ABNT,2001) traz algumas definies importantes do ponto de vista estatstico: amostra: Conjunto de dados de mercado representativos de uma populao. amostragem: Procedimento utilizado para constituir uma amostra. dado de mercado: Conjunto de informaes coletadas no mercado relacionadas a um determinado bem. tratamento de dados: Aplicao de operaes que expressem, em termos relativos, as diferenas de atributos entre os dados de mercado e os do bem avaliando. Tambm, interessa- nos de perto o conceito de resoluo, que pode ser adaptado da metrologia industrial onde definido como o menor valor de uma medida que um instrumento fornece, j para a avaliao de imveis, entendendose como tal a capacidade de separao de observaes. fcil observar que uma rgua de desenho, graduada no milmetro tem resoluo de 1mm, ou seja a melhor medida que pode ser efetivada com esta da ordem do milmetro. Ao aumentar- se a resoluo instrumental, melhora- se a separao das observaes. Assim por exemplo, a medida que aumentam - se as variveis observadas num imvel, por exemplo, nmero de vagas de garagens, existncia ou no de sute, distncia ao centro comercial, etc., a observao vai sendo diferenciada de outra. Na teoria das medidas o conceito de Exatido, pode ser entendida como o verdadeiro valor de uma grandeza, , no entanto, uma utopia, pois todas as medidas so eivadas de erros. Assim um resultado pode ter preciso, termo que tem como significado o indicativo de repetibilidade dos resultados, sendo geralmente mostrado como o desvio padro de uma medida. A acurcia ou acuracidade demonstra o quanto uma medida tendeu exatido. Na figura 1 demonstram - se estes conceitos atravs de tiros efetivados em um alvo. Comparando- se as duas imagens situadas a esquerda da figura, denominadas de baixa resoluo e alta resoluo, nota- se que as quatro marcas deixadas nos alvos seriam pontuadas diferentemente nestes desenho, demonstrando que ao aumentarse a resoluo (maior nmero de crculos concntricos) separa- se as marcas. Na imagem situada no canto superior direito mostram - se marcas concentradas, porem distantes da mosca, trata- se portanto de preciso, resultando em informaes com desvio padro de pequena magnitude, j a imagem no canto inferior direito

traz as marcas concentradas e localizadas no centro do alvo, trata- se de observaes com preciso e acuracia (quase exatas). Como j havamos afirmado, todas as observaes so eivadas de erros. Os erros podem ser classificados como: grosseiros ou faltas, sistemticos e acidentais. Os erros grosseiros so aqueles oriundos de falhas, falta de ateno do observador e do mau funcionamento de um instrumento, deve ser evitado, pois de difcil deteco aps as medidas, um exemplo deste erro um erro de anotao onde h a inverso de dgitos; deveria ser anotado 25 e anotou - se 52. Em avaliaes, por exemplo, utiliza- se na amostra um imvel que est sendo alugado por um preo muito superior ao do mercado. O avaliador no prestou ateno no intervalo de tempo que esta ofertado no mercado (est para alugar a mais de um ano), este fato pode configurar um erro grosseiro. Os erros sistemticos so produzidos por causas conhecidas, podem ser evitados por tcnicas especiais de observaes ou podem ser modelados matematicamente e eliminados das observaes, um exemplo deste tipo de erro o devido dilatao trmica de uma trena, o erro de calibrao de um distnciometro, etc. No caso de avaliaes, por exemplo, utilizaram - se muitos dados na amostra de uma mesma origem (apartamentos para alugar de uma mesma imobiliria que tende a ter os preos superiores ao do mercado). Os erros acidentais ocorrem de maneira aleatria e devem ser tratados estatisticamente. O ajustamento de observaes diz respeito a minimizao dos erros acidentais das medidas, com a utilizao do mtodo dos mnimos quadrados o qual tem como fundamento: a soma dos quadrados dos resduos mnima [Gemael, 1994].

B a re o aix solu

P recis o

A re o lta solu

A u cia c r

Figura 1 Resoluo, preciso acurcia [Andrade, 1998].

Outra definio muito utilizada nas normas a de tolerncia que pode ser definida como o erro mximo acidental admissvel, geralmente adotado com 3. Utilizando- se o mtodo dos mnimos quadrados, pode- se proceder a propagao de erros acidentais, denominada de propagao de varincias. Seja F uma funo de vrias medidas independentes m 1 , m 2 , m 3 , ..., m k e assumindo - se que os erros mdios quadrticos (desvios padres) so conhecidos, e que as medidas esto livres de erros grosseiros e erros sistemticos, o erro mdio quadrtico de F (F) segue a seguinte lei de propagao [Chrzanowski, 1977]:

( F ) 2 = (

F 2 F 2 F 2 ) (m1 ) 2 + ( ) (m2 ) 2 +...+ ( ) (mk ) 2 m1 m2 mk

Analisando- se esta lei conclui- se que os erros no de propagam linearmente. Utiliza- se em avaliaes de imveis a teoria da estimao, que o processo que usa resultados extrados da amostra para produzir inferncias sobre a populao da qual foi extrada aleatoriamente a amostra. A inferncia estatstica o mtodo que parte do particular para o geral, ou seja, o processo pelo qual so feitas generalizaes para a populao a partir da amostra. A estimao pode ser subdividida em dois tipos: a estimao por ponto que aquela que a partir da amostra, procura obter um valor nico para um certo parmetro populacional e a estimao por intervalo que aquela em que a estimativa de um parmetro populacional dada por dois nmeros, entre os quais pode- se considerar que ele esteja situado. Um exemplo de estimativa pontual a mdia amostral quando utilizada para representar a mdia populacional. A estimativa por intervalo pode ser representada pela mdia associada ao desvio padro, por exemplo a distncia medida de 20,153m 0,150m, significando qua a distncia esta compreendida entre os valores 20,003m e 20,303m. Tem importncia fundamental neste estudo as principais qualidades de um estimador, quais sejam: no tendenciosidade, consistncia e eficincia. Interessa- nos de perto a denominada estatstica descritiva. Os principais medidores de tendncia central de uma amostra so: a mdia, a mediana e a moda. Denomina- se mdia a uma medida de tendncia central resultante da diviso do somatrio das observaes dividido pelo nmero destas: xi = n Onde: = mdia aritmtica x 1 , x 2 ,.... x n = observaes n = nmero de observaes

(2.1)

geralmente, a mdia aritmtica utilizada para dados no agrupados ou para dados de mesma confiabilidade. No caso de utilizar- se dados agrupados ou de diferentes confiabilidades pode ser utilizada a mdia ponderada:

 pi x i = (2.2) pi Onde p o peso de uma observao. A Mediana (Md) o valor que divide uma srie ordenada de observaes de modo que o nmero de itens acima desse valor igual ao nmero de itens abaixo. Se a amostra contiver um nmero mpar de dados, a mediana corresponde ao valor do ponto mdio; se contiver nmero par de dados a mediana igual a mdia dos dois valores dos pontos mdios. A Moda (Mo) o valor com freqncia mxima (pode no existir ou haver mais de um valor). As medidas de disperso, so baseadas nas medidas da amplitude, varincia, desvio padro, quartil, percentil, assimetria e curtose. A amplitude obtida pela diferena entre os valores correspondentes ao valor mximo (x mx ) e mnimo (x min ) de uma observao: A = x mx - x min A varincia dada pela expresso: v. v 2 = n 1 onde v denominado de resduo e, definido como: v = xi O desvio padro ou o erro mdio quadrtico da mdia obtido pela raiz quadrada da varincia. O erro mdio quadrtico de uma observao isolada dado pela expresso: e = . n
1/2

(2.3)

(2.4)

(2.5)

O quartil pode ser definido como qualquer um dos trs valores que divide o conjunto ordenado de dados em quatro partes iguais, e assim cada parte representa 1/4 da amostra ou populao. Assim, no caso duma amostra ordenada tem- se: a) primeiro quartil (Q1/4 ) , ou quartil inferior que corresponde ao valor aos 25% da amostra ordenada, tambm denominado de 25 percentil . b) segundo quartil (Q2/4 ) , corresponde a mediana e corresponde ao valor at ao qual se encontra 50% da amostra ordenada tambm denominado de 50 percentil . c) terceiro quartil (Q3/4 ) , ou quartil superior o valor a partir do qual se encontram 25% dos valores mais elevados ou corresponde ao valor de 75% da amostra ordenada, denominado de 75 percentil . A diferena entre os quartis superior e inferior chama- se amplitude interquartil . Um percentil uma medida da posio relativa de uma unidade obsservacional em relao a todas as outras. O p- simo porcentil tem no mnimo p% dos valores abaixo daquele ponto e no mnimo (100 - p)% dos valores acima. Entende- se por Assimetria , as medidas que possibilitam analisar uma distribuio de acordo com as relaes entre suas medidas de moda, mdia e

mediana, quando observadas graficamente. Uma distribuio dita simtrica quando apresenta o mesmo valor para a moda, a mdia e a mediana. Ou seja assimetria o grau de afastamento que uma distribuio apresenta do seu eixo de simetria. Este afastamento pode acontecer do lado esquerdo ou do lado direito da distribuio, chamado de assimetria negativa ou positiva respectivamente.

fi Eixo d e

Cau d a d es viad a p ar a es q u er d a
Mo Md

Figura 2 Distribuio com curva assimtrica negativa

xi

A assimetria pode ser calculada pela expresso: - Mo AS = Quando: AS = 0 distribuio simtrica; AS > 0 distribuio assimtrica positiva; AS < 0 distribuio assimtrica negativa.

(2.6)

Curtose o grau de achatamento da distribuio. Ou o quanto uma curva de freqncia ser achatada em relao a uma curva normal de referncia. Para o clculo do grau de curtose de uma distribuio utiliza- se o coeficiente de curtose (ou coeficiente percentlico de curtose) (Q3/4 Q1/4 ) K = 2 . (P90 P10 )

(2.7)

onde: Q3/4 e Q1/4 so o terceiro e primeiro quartil e P90 e P10 so o dcimo e nonagsimo. Quanto a curtose a distribuio pode ser: mesocrtica ou normal, ou seja, nem achatada, nem alongada com K = 0,263,p ou achatada com k > 0,263 e leptocrtica ou alongada, com k < 0,263. Outra forma de se medir a disperso de forma relativa obtida com o coeficiente de variao (CV). A principal caracterstica do CV que este elimina o efeito da magnitude dos dados e exprime a variabilidade em relao a mdia, dado pela expresso: CV = 100%

(2.8)

10

 importante, em avaliaes a estimao por intervalos, na qual constri - se um intervalo em torno da estimativa por ponto, de modo que esse intervalo tenha uma probabilidade conhecida de conter o verdadeiro valor do parmetro (Marques, 2000), assim: P (1 u 2) = 1 - Onde: Intervalo de confiana: 1 u 2 Limites de confiana: 1 e 2 Nvel de confiana: 1 - A escolha do nvel de confiana depende da preciso com que desejamos estimar o parmetro, sendo muito comum a utilizao dos nveis 95% e 99%. O aumento de confiana no intervalo, implica no aumento de sua amplitude. Convm tambm discutir as hipteses estatsticas, que so suposies que fazemos a cerca dos parmetros de uma populao, ao tentar a fixao de decises. Essas suposies podero ser verdadeiras ou no. A hiptese pode ser simples se corresponder a um nico valor do parmetro ou composta. A denominada hiptese nula (Ho ) ou bsica a hiptese a ser validade pelo teste, sendo que o teste de hiptese estatstica um procedimento estatstico que mediante observaes amostrais, permite decidir o aceite ou a rejeio da hiptese nula. A denominada hiptese alternativa (H1 ) aquela contrria a hiptese nula. Deve- se observar que indica- se claramente qual a Ho , e qual a H1 , pois aceitar a primeira, significa rejeitar a segunda e vice- versa. Para compreender cientificamente o assunto sugere- se os livros especializados de estatstica, por exemplo, Marques (2000). O teste de hipteses utilizado na avaliao para validar os resultados obtidos. (2.9)

11

3. EXERCICIO DE ESTATSTICA APLICADA A AVALIAES Verificar estatisticamente a amostra a seguir, supondo- se que foram recolhidas observaes de 20 apartamentos com dois quartos, colocados para alugar no centro de Curitiba, todos semelhantes, com 1 vaga na garagem. Na tabela abaixo mostram - se os valores unitrios obtidos em R$/m 2 no tabulados 6,47 7,22 6,55 6,88 6,94 6,59 7,09 7,19 7,25 6,88 8,96 6,88 6,78 6,88 7,22 7,65 8,06 8,16 8,00 8,11

1) Calculo dos indicadores de tendncia central Utilizando a tabela a seguir, retirada de planilha eletrnica
observae s valor R$/m2 desvio desvio ao quadrad v o 0,66912 - 0,818 4 0,00462 - 0,068 4 0,54464 - 0,738 4 0,16646 - 0,408 4 0,12110 - 0,348 4 0,48720 - 0,698 4 0,03920 - 0,198 4 0,00960 - 0,098 4 0,00144 - 0,038 4 0,16646 - 0,408 4 2,79558 1,672 4 0,16646 - 0,408 4 0,25806 - 0,508 4 0,16646 - 0,408 4 0,00462 - 0,068 4

6,47
1

7,22
2

6,55
3

6,88
4

6,94
5

6,59
6

7,09
7

7,19
8

7,25
9

6,88
10

8,96
11

6,88
12

6,78
13

6,88
14

7,22
15

12

7,65
16 0,362

8,06
17 0,772

8,16
18 0,872

8
19 0,712

8,11
20 soma 145,76

0,822 1,33227E14 8,27112

0,13104 4 0,59598 4 0,76038 4 0,50694 4 0,67568 4

1.1)

Mdia aritmtica (utilizando a expresso 2.1). xi 145,76 = = = 7,29 R$/m 2 n 20

1.2) Mediana Para o clculo da mediana os valores devem ser ordenados. 6,47 6,88 6,94 7,22 8,06 6,55 6,88 7,09 7,25 8,11 6,59 6,88 7,19 7,65 8,16 6,78 6,88 7,22 8,00 8,96

Como tem- se um nmero par de dados 7,09 + 7,19 Md = = 7,14 R$/m 2 2 1.3) Moda Mo = 6,88 R$/m 2 (repete- se quatro vezes) 2) Clculo das medidas de disperso 2.1) Amplitude (calculada pela expresso 2.3) A = x mx - x min A = 8,96 6,55 A = 2,41 R$/m 2 2.2) Varincia (calculada pela expresso 2.4) v. v 8,27112 2 = = n 1 19

13

2 = 0,4353 (R$/m 2 )2 2.3) Desvio padro = 0,66 R$/m 2 2.4) Erro mdio quadrtico de uma observao isolada (expresso 2.5) e = . n
1/2

= 0,66 x 20 1/2

e = 0,15 R$/m 2 2.5) Q1/4 Q2/4 Q3/4 2.6) Primeiro, segundo e terceiro quartil = 6,88 R$/m 2 = 7,09 R$/m 2 = 7,65 R$/m 2 Assimetria (expresso 2.6)

Mo 7,29 - 6,88 AS = = 0,66 AS = 0,62 Se AS > 0 a distribuio assimtrica positiva, isto , a moda e a mediana so menores que a mdia. 2.7) Curtose (expresso 2.7) Para aplicar essa expresso necessrio a obteno dos valores dos percentis P90 = 8,11 P10 = 6,55 (Q3/4 Q1/4 ) 7,65 - 6,88 K = = 2 . (P90 P10 ) 2 x (8,11 6,55) K = 0,25 Conclui- se que a distribuio ser leptocrtica ou alongada, pois k < 0,263. 2.8) Coeficiente de variao (expresso 2.8) 0,66 CV = 100% = 100 7,29 CV = 9%

14

2.9) Estimativa por intervalo de confiana da mdia P[ - t x i + t ] = 1- n n Sendo 1- denominado de nvel de significncia, usualmente igual a 95%. 0,05 Na tabela de Student para n- 1 =19 (graus de liberdade) t 0,05 = 2,093 - t n 0,66 = 7,29 - 2,093 = R$ 6,98 20 =

0,66 + t = 7,29 + 2,093 = R$ 7,60 n 20 Neste ponto pode- se analisar os dados e verificar aqueles que encontram - se no intervalo calculado. No caso desta amostra em particular teramos muitos dados fora do intervalo calculado a este nvel de probabilidade, o que poderia desqualificar a amostra. Os valores acima podem ser calculados diretamente na planilha excel, acionando- se na barra principal Ferramentas, nesta escolhe- se Analise de dados e nesta escolhe- se estatstica descritiva. Preenche- se o quadro de estatstica descritiva, obtendo- se o resultado.

15

Na Planilha Excel o erro padro igual ao erro mdio quadrtico de uma observao isolada expresso (2.5). A curtose pode ser avaliada da seguinte forma: se k= 0, distribuio normal, K > 0, mais pico que a normal (alongada) e k< 0, menos pico que a normal (achatada). Se a assimetria AS= 0, dados simtricos, AS> 0, assimetria para direita ou positiva, e AS< 0, assimetria para esquerda ou negativa. Os resultados so semelhantes aos calculados anteriormente, apesar de usar parametrizao diferente. A partir da analise dos resultados pode- se tirar algumas concluses sobre a amostra, como por exemplo, a representatividade da mdia, a qualidade das observaes, etc. Prope- se ao leitor a confeco de histograma de freqncia absoluta e relativa.

4. INFERNCIA ESTATSTICA PELO USO DA REGRESSO LINEAR SIMPLES EM AVALIAES DE BENS A regresso linear utilizada em experimentos que procuram determinar a relao existente entre duas ou mais variveis. Neste caso, podem ocorrer dois tipos de situao: (a) uma varivel (X) pode ser medida acuradamente e seu valor escolhido pelo experimentador. Por exemplo, a dose de uma droga a ser administrada no animal. Esta varivel e chamada de varivel independente. A outra varivel (Y), chamada varivel dependente ou resposta, est sujeita a erro experimental, e seu valor depende do valor escolhido para a varivel independente. Assim, a resposta (Y) uma varivel dependente da varivel independente (X). Este o caso da regresso. Este mesmo caso ocorre quando a avaliaes de bens. (b) As duas variveis esto sujeitas a erros experimentais, isto , erros de natureza aleatria, inerentes ao experimento. Por exemplo, produo de leite e produo de gordura medidas em vacas em lactao. Este tipo de associao entre duas variveis constitui o caso da correlao.

16

Se o problema envolver somente duas variveis tem- se a aplicao de correlao e regresso simples, se no problema for envolvido mais de duas variveis tem- se a correlao e regresso mltipla. 4.1 Regresso Linear Simples O termo regresso usado para designar a expresso que relaciona uma varivel dependente (Y) em funo de outra (X), considerada independente. Diz- se regresso de Y sobre X. Se a relao funcional entre elas expressa por uma equao de 1 grau, cuja a representao geomtrica uma linha reta, a regresso dita linear. Postulada a existncia de uma relao linear entre duas variveis, pode- se representar aquele conjunto de pontos pela equao da reta: yi = a + bx i , (4.1)

que expressa o valor de Y em funo de X. Y a varivel dependente ou regredida, ou resposta X a varivel independente, ou regressora ou explanatria a e b so constantes, a o intercepto e expressa o valor de y quando x zero e b o coeficiente de regresso, coeficiente angular ou inclinao da reta. Um caso especfico obtido para o caso da coordenadas x=0 fazendo com que y=a. Ja no caso de a=0 a reta corta a origem. Da Geometria analtica o problema pode ser resolvido com uma nica soluo, a partir do conhecimento das coordenadas cartesianas de dois pontos. o caso, por exemplo, da determinao da equao do valor de um imvel, se no houvesse erros na amostragem, ou em um mercado perfeito. Neste caso os dois imveis amostrados abaixo, representariam o mercado. Na figura 3 mostra- se esquematicamente o problema. imvel rea R$/m2 1 0 2 0 18 140 15 100

17

Y 14 0

10 0 15 0

Y= a + b X
i

b = tg i

18 0

Figura 3 Determinao da equao de uma reta

A partir dos dados, tem- se o seguinte sistema de equaes: 140 = a + b x 180 100 = a + b x 150 Resolvendo obtm - se: a = - 100 (intercepto) b = 1,333 (declividade) i = arc tg 1,33 (funo arco tangente) i = 53,06 Desta forma o modelo matemtico adotado para este mercado seria: VALOR = - 100 + 1,333 X REA DO IMVEL Por exemplo, neste mercado um imvel cuja rea seja 200 m2 ser avaliado por R$ 166,60 / m 2 . No caso mais geral, o problema bsico consiste em estimar os parmetros a e b para que se conhea a equao da reta. Se a e b so estimados estatisticamente, a equao estimada da reta poder ser escrita como:

yi = a + bxi

(4.2)

O problema fundamental consiste em ajustar uma regresso linear simples, isto , a equao de uma reta ajustada aos dados.

18

1000,00 950,00 900,00 850,00 800,00 750,00 700,00 650,00 600,00 550,00 500,00 130

aluguel

132

134

136

138

140

rea dos imveis

Figura 4 Ajuste de uma reta

No se pode precisar qual das retas a melhor para representar como modelo de regresso o problema. Na inferncia estatstica, procura- se o melhor ajuste da reta aos pontos com um critrio estatstico que permita a determinao da confiabilidade do modelo adotado. A descrio matemtica dada por:

Yi = a + bX i + vi

(4.3)

Assim, por exemplo tem- se na tabela abaixo o valor do aluguel em reais (Y) e a rea de apartamentos em m 2 (X): Y X 487 95 487= 510= 480= 625= 490= 555= 612= 498= 530= 490= a a a a a a a a a a + + + + + + + + + + 510 84 480 102 625 135 490 92 555 89 612 122 498 95 530 100 490 88

95b + v1 84b + v2 102b + v3 135b + v4 92b + v5 89b + v6 122b + v7 95b + v8 100b + v9 88b + v10

Escrevendo estas equaes na forma matricial:

19

487 1 510 1 480 1 625 1 490 1 = 555 1 612 1 498 1 530 1 490 1
ou

95 v1 v 84 2 v3 102 135 v4 v5 92 a + 89 b v6 v 122 7 95 v8 v 100 9 v10 88

Y =AX + V Sendo que a, b e os 10 vs so desconhecidos e no possvel conhece- los, apenas podemos obter suas estimativas. O sistema matematicamente tem incompatibilidades pois apresenta infinitas solues, no podendo ser calculado com uma nica soluo algebricamente, podendo- se obter de cada duas equaes separadas uma soluo. Pode- se estimar a e b por meio do Mtodo dos Quadrados Mnimos , o qual consiste em minimizar a soma de quadrados dos desvios vi . Como

vi = y i y i .

Sendo

yi yi a diferena

entre o valor observado e o estimado pela equao

de regresso para cada observao, procura- se, ento, estimar a e b, de tal modo que

(y

yi ) 2 = min

(4.4)

Portanto, - vi = a + bx i yi e, v2 i = (a + bx i yi )2 Os desvios de Ys observados para a linha ajustada

Yi Y ,

ou resduos,

podem ser considerados como estimativas dos erros verdadeiros. Para os erros verdadeiros assume- se importantes suposies: 1) Todos tm mdia igual a zero; 2) Todos tm a mesma varincia 2 e; (homogeneidade de varincias) 3) Todos so no correlacionados; A soma dos quadrados dos desvios ser: SQR = ( a + bx i yi )2

20

Para tornar mnima esta soma, quando variam a e b, devemos igualar a zero as derivadas parciais:

SQR =0 a

SQR =0 b

Obtemos

SQR = 2 ( a + bx i y i ) a SQR = 2 ( a + bx i y i ) x i b
( a + bx i yi ) = 0 ( a + bx i yi ) x i = 0 a e b so obtidos pelas das equaes normais: na + bx i = yi ax i + bx 2 i = x i yi que produzem

a=

( y i ) ( x i2 ) ( x i )( x i y i ) n x i 2 ( x i ) 2 n x i y i ( x i )( y i ) b= n x i 2 ( x i ) 2

(4.5) (4.6)

A obteno de a se d mediante a diviso da equao na + bx i = yi por n

b x i y i = n n y i b x i a= n n a+ a = y bx
(4.7)

Da equao 4.7, pode- se tirar duas concluses: a) O ponto determinado pelas mdias das variveis ( x , y ) est contido na reta de regresso; b) As diferenas y y , ou seja, os desvios acima e abaixo de Y podem ser determinados por b( x x ) Assim,

y y = b( x x ) y = y + b( x x )

21

Partindo da equao:

y y = b( x x )

e sem alterar a igualdade, multiplicamos por ( x x ) , seus dois membros:

( x x ) ( y y ) = b( x x ) 2
esta equao se refere ao desvio de um determinado valor de Y em relao a mdia Y , assim:

( x x ) ( y y) = b ( x x ) b=

soma de produtos ( x x ) ( y y) = 2 soma de quadrados (x x)

dividindo - se o numerador e o denominador de b por n- 1, v- se que

b=

Cov ( X , Y )
2 sX

[ ( x x ) ( y y )]
( x x )
2

n 1

n 1

b denominado coeficiente de regresso de Y em X; podemos escrever a soma de quadrados de X da seguinte forma:

( x) 2 2 ( xi x ) = x n

e a soma de produtos (numerador) pode ser desenvolvida:

( x x ) ( y y) = ( xy xy xy + xy) = xy y x x y + nxy x y x y n x y = xy + n n n2 x y = xy n = xy nxy

ento

b=

xy x
2

x y
n ( x) 2 n

ou

b=

xy nxy ( x ) x n
2

22

Se dividirmos tanto o denominador como o numerador por n a frmula de b no ficar alterada. Porm o denominador passar a indicar a varincia de X pois:

2 X

(X X ) =
N

e o numerador se constituir o que se denomina de covarincia, isto , variabilidade mdia das variveis X e Y analisadas simultaneamente:

Cov X ,Y = XY = b ==

( X X )(Y Y )
N

Cov X ,Y
2 X

A varincia de X estimada por s 2 = X

(x x)
n 1

E a covarincia de x e y estimada por Cov X ,Y =

( x x )( y y )
n 1

b ==

Cov X ,Y
2 sX

xy nxy
2 ( n 1) s x

Quando se constata que o coeficiente de regresso de uma varivel sobre outra no difere significativamente de zero, significa que os dois caracteres em estudo no esto relacionados. Quando b difere significativamente de zero, seja b<0 ou b>0, existe associao entre os dois caracteres quantitativos. Quando b>0 as variveis em estudo esto correlacionadas positivamente; o valor de uma varivel aumentar com o aumento da outra e diminuir com a diminuio da outra. Quando b<0, as variveis esto correlacionadas negativamente, portanto variam em sentidos opostos. Estes ltimos conceitos podem ser visualizados no exemplo abaixo: Y X 900 132 850 122 850 112 860 125 870 98 880 114 890 120 1000 152

x = 121,875 y = 887 ,5 xy nxy = 869580 8 x(121,875 )(887 ,5) = 2,4346 b= ( x ) 2 (975 ) 2 2 120581 x n 8 a = y bx = 887,5 - 2,4346 (121,875) = 590,7866
Portanto: y = 590,7866 + 2,4346 x

23

4.2 Validao de uma regresso linear simples 4.2.1 Coeficiente de correlao (r) O coeficiente de correlao traduz numericamente o quanto as variaveis esto relacionadas entre si. O coeficiente de correlao est compreendido no intervalo: - 1 r +1 Quando o sinal de r positivo as variaveis variam no mesmo sentido, ou seja um incremento positivo da variavel explicativa implica num incremento positivo na variavel explicada, j o sinal negativo implica numa variao oposta. Se r = 0, conclui - se que no existe correlao entre as variaveis. De forma pratica pode- se interpretar o coeficiente de correlao conforme a tabela a seguir (IMAPE,1998): r= 0 0r 0,30 0,60 0,90 r =1 correlao correlao correlao correlao correlao correlao nula fraca mdia forte fortissima perfeita

0,30 r 0,60 r 0,90 r 0,99

O valor de r poder ser calculado pela expresso:

r=

Cov xy
2 2 x y

(4.8)

A Covxy a covarincia de X e Y pode ser obtida pela expresso:

cov xy = xi yi
i =1

xi y i
i =1 i =1

(4.9)

2 J, x a varincia de X , pode ser obtida da expresso:

2 x = xi2 i =1

( xi ) 2
i =1

(4.10)

2 e y a varincia de y.

2 y = y i2 i =1

( y i ) 2
i =1

(4.11)

O coeficiente de correlao um parmetro que possibilita a escolha do melhor modelo de ajuste, mas no determinante no estudo, pois no permite

24

concluses definitivas sobre o modelo utilizado. Outras analises sero necessrias, para validar os modelos adotados. 4.2.2 Coeficiente de Determinao O coeficiente de determinao traduz numericamente o percentual do valor de avaliao que est sendo explicado pelo modelo de regresso ajustado. Este coeficiente varia no intervalo [0,1]. Pode ser obtido pelo coeficiente de regresso elevado ao quadrado. 0 r 2 +1 Outra expresso que fornece o valor do coeficiente de determinao :

r2 =

( y y) ( y y)

(4.12)

Onde: y a varivel estimada y a mdia aritmtica de y a varivel explicada

4.2.3 Erro padro da estimativa Ao ajustar uma reta, espera- se que ela explique o grupo de valores amostrados. Embora a reta de regresso tenha sido obtida minimizando a soma dos quadrados dos desvios, sempre haver uma variabilidade dos dados ao redor da reta, exceto se os dados fizerem parte da prpria reta de regresso. O desvio padro dos dados ao redor da reta de regresso denominado erro padro da estimativa (Se) cuja medida obtida da varincia com (n- 2) graus de liberdade definida com a frmula:

Se =

(y
i =1

yi )

(4.13)

n2

O conceito do erro padro da estimativa equivalente ao do desvio padro que mede a variabilidade dos valores da amostra ao redor da mdia aritmtica desses valores. 4.2.4 Anlise de varincia O processo de avaliao por anlise de regresso no se encerra com o clculo do valor estimado de Y, obtido do modelo de melhor ajuste, alm dos coeficientes de correlao e determinao. Outras analises devero ser efetivadas para aferir o modelo, tendo em vista o objetivo final das avaliaes que a definio do valor de mercado. A anlise de varincia objetiva a verificao da existncia da equao de regresso, estudando a probabilidade do coeficiente de regresso b ser estatisticamente nulo, quando no haveria regresso. Utiliza- se neste caso o teste estatstico com a distribuio de FischerSnedecor (tabelada nos manuais de estatstica). Calcula- se o coeficiente F da regresso pela expresso:

25

Fcal
Onde

( y y) = ( y y)

2 2

n k 1 k

(4.14)

k o nmero de variveis independentes, na regresso linear simples k=1 n o nmero de dados da amostra A hiptese nula neste caso a de que existe regresso de y em x. Na tabela de Fischer- Snedecor o valor de Ftab para um determinado nvel de significncia obtido. Se Fcal > Ftab aceita- se a hiptese nula, de que h regresso pois b0, com a significncia correspondente ao valor tabelado. Se Fcal < Ftab rejeita- se a hiptese de que h correlao. A partir deste teste pode- se exprimir a confiabilidade do modelo, que ser fornecida pela expresso: c = 100% - (4.15) onde o nvel de significncia adotado. 4.2.5 Teste de hiptese para o regressor b O regressor b determinante para a equao de regresso, pois se b for igual a zero implica que o valor de Y est sendo determinado por uma constante a, que o intercepto da reta de regresso. Na prtica significa que a varivel X no importante na formao do valor de Y e portanto, no h regresso de Y em X. A hiptese bsica neste caso que b0 (o coeficiente b diferente de zero), para isso utiliza- se a distribuio de Student (tabelada nos livros de estatstica). Calcula- se o valor de T para o modelo de melhor ajuste, pela expresso:

Tcalc =

b b

(4.16)

Onde b o desvio padro de b, dado pela expresso:

b =
Onde:

x
( y y)
i =1 n 2

=
e,

n2 ( xi ) 2
i =1 n

x =

x
i =1

2 i

O Tcalc dever ser comparado com o T tab a um determinado nvel de significncia; se o Tcal > Ttab aceita- se a hiptese bsica de que b0 a um nvel de incerteza do valor tabelado. Por outro lado se T cal < Ttab no se pode afirmar que b 0. 4.2.6 Intervalo de confiana para b

26

O intervalo de confiana construdo em torno da estimativa por ponto, de modo que esse intervalo tenha uma probabilidade conhecida de conter o verdadeiro valor do parmetro. Em engenharia de avaliaes este intervalo muitas vezes denominado de campo de arbtrio do Engenheiro de Avaliaes. dentro deste intervalo que o valor do bem avaliando deve ser arbitrado. Os limites inferior (Li ) e superior (Ls)do intervalo so dados pelas expresses:

Li = b T / 2 ( n k 1) b

e,

Ls = b + T / 2 ( n k 1) b

(4.17)

4.3 Regresses simples no lineares Em muitos casos a relao entre a varivel explicativa e a explicada da- se na forma no linear. Algumas destas relaes podem, por transformao de variaveis passar a ter o formato linear. 4.3.1 Funo logaritmica A funo logartimica pode ser observada na equao:
e y = ea xb

Sendo e a base dos logaritmos neperianos. A transformada linear da funo logartmica resulta em:

y = a + bLn ( x)
4.3.2 Funo exponencial A funo exponencial dada pela equao:

y = a + bx
A transformada linear da funo exponencial resulta em:

Ln ( y ) = Ln ( a) + xLn (b)

4.3.3 Funo potencial A funo potencial dada pela equao:

y = ax b
A transformada linear da funo exponencial resulta em:

Ln ( y ) = Ln ( a) + bLn ( x)

5. EXERCICIO DE REGRESSO SIMPLES

27

Um apartamento com rea de 120 m 2 deve ser avaliado. A amostra coletada obteve informaes sobre 20 apartamentos localizados no mesmo bairro, com o mesmo padro de acabamento, com mesmo nmero de suites 01, enfim todos semelhantes e localizados em locais com mesmo tipo de infra- estrutura urbana. A rea uma variavel importante formadora de valor, deve- se entretanto, verificar que as demais variaveis poderiam exercer influncia no valor de mercado. Neste caso, simplificadamente usar- se- a variavel rea como nica.
N 1 00 54, 2 00 69, 3 00 49, 4 00 78, 5 00 32, 6 62 40, 7 00 35, 8 00 41, 9 00 38, 10 00 78, 11 18 66, 12 00 70, 13 00 81, 14 17 81, 15 17 67, 16 31 216, 17 56 30, 18 00 229, 19 00 110, 20 00 Som a 01 00 1.730, 00 1.806.900, 00 90.000, 00 420.000, 00 13.000, 00 235.000, 00 70.000, 00 117.500, 00 117.500, 00 55.000, 00 75.000, 00 58.000, 00 29.000, 00 33.000, 00 37.900, 00 34.000, 00 30.000, 00 70.000, 00 27.000, 00 55.000, rea (m) X 264, 00 45.000, Valor (R$) Y 195.000,

Para efetuar a regresso nessecitam- se alguns calculos preliminares, constantes na tabela a seguir: a) Avaliao utilizando Regresso linear

yi = a + bxi
a.1) Clculo de b

28

b=

xy x
2

x y
n ( x ) 2 n

b = 1227,35

N 1 00

rea (m) X 264, 00 54, 2 00 69, 3 00 49, 4 00 78, 5 00 32, 6 62 40, 7 00 35, 8 00 41, 9 00 38, 00 00 00 00 00 00 00 00

Valor (R$) Y 195.000, 00 45.000, 00 55.000, 00 27.000, 00 70.000, 00 30.000, 00 34.000, 00 37.900, 00 33.000, 00 29.000, 00 00 58.000, 00 00 75.000, 00 00 55.000, 00 00 117.500, 00 00 117.500, 00 00 70.000, 00 00 235.000, 00 00 13.000, 00 00 420.000, 00 00 90.000, 00 00 1.806.900, 00 00 90.345, 00

X.Y 51.480.000, 00 2.430.000, 00 3.795.000, 00 1.323.000, 00 5.460.000, 00 978.600, 06 1.360.000, 00 1.326.500, 00 1.353.000, 00 1.102.000, 00 4.534.440, 11 4.950.000, 00 3.850.000, 00 9.537.475, 57 9.537.475, 57 4.711.700, 64 50.891.600, 23 390.000, 00 96.180.000, 00 9.900.000, 00 265.090.790, 18

X 69.696, 2.916,

Y 38.025.000.000,00 2.025.000.000,00

4.761, 3.025.000.000,00 2.401, 729.000.000,00 6.084, 4.900.000.000,00 1.064, 900.000.000,00 1.600, 1.156.000.000,00 1.225, 1.436.410.000,00 1.681, 1.089.000.000,00 1.444, 841.000.000,00 6.112, 3.364.000.000,00 4.356, 5.625.000.000,00 4.900, 3.025.000.000,00 6.588, 13.806.250.000,00 6.588, 13.806.250.000,00 4.530, 4.900.000.000,00 46.898, 55.225.000.000,00 900, 169.000.000,00 52.441, 176.400.000.000,00 12.100, 8.100.000.000,00 238.287, 338.546.910.000,00

10 00 78, 11 18 66, 12 00 70, 13 00 81, 14 17 81, 15 17 67, 16 31 216, 17 56 30, 18 00 229, 19 00 110, 20 00 1.730, Soma 01 Mdi a 86, 50

a.2) clculo de a a = y bx
a = - 15821,56 a.3) Modelo linear (linha reta)

29

Y = - 15821,56 +1227,35X a.4) Clculo do coeficiente de correlao

r=

Cov xy
2 2 x y

r = 0,87 a.5) Clculo do coeficiente de determinao r 2 = 0,76 a.6) Anlise de varincia

Fcal

( y y) = ( y y)

2 2

n k 1 k

Mais alguns clculos auxiliares so necessrios:

N 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 rea (m) X 264,00 54,00 69,00 49,00 78,00 32,62 40,00 35,00 41,00 38,00 78,18 66,00 70,00 81,17 81,17 67,31 216,56 30,00 229,00 Valor (R$) Y 195.000,00 45.000,00 55.000,00 27.000,00 70.000,00 30.000,00 34.000,00 37.900,00 33.000,00 29.000,00 58.000,00 75.000,00 55.000,00 117.500,00 117.500,00 70.000,00 235.000,00 13.000,00 420.000,00 36 50.455, 45 68.865, 73 44.318, 69 79.911, 89 24.214, 66 33.272, 52 27.135, 76 34.499, 87 30.817, 82 80.132, 82 65.183, 67 70.093, 08 83.802, 60 83.802, 60 66.791, 50 249.973, 78 20.999, 00 265.242, 04 Y^ 308.199, Y^- Ymed 217.854, 36 - 39.889, 55 - 21.479, 27 - 46.026, 31 - 10.433, 11 - 66.130, 34 - 57.072, 48 - 63.209, 24 - 55.845, 13 - 59.527, 18 - 10.212, 18 - 25.161, 33 - 20.251, 92 - 6.542, 40 - 6.542, 40 - 23.553, 50 159.628, 78 - 69.346, 00 174.897, 04 (Y^- Ymed) 47.460.522.911,0 8 1.591.176.424,9 0 461.359.178,0 6 2.118.421.460,65 108.849.689,42 4.373.221.608,22 3.257.268.026,34 3.995.408.063,60 3.118.678.376,10 3.543.485.684,0 4 104.288.663,2 3 633.092.484,1 8 410.140.314,1 5 42.802.993,8 0 42.802.993,8 0 554.767.270,6 7 25.481.348.698,8 1 4.808.867.744,2 5 30.588.975.513, 94 (Y- Y^)^2 12.814.095.488, 96 29.761.903, 83 192.258.379, 14 299.936.929, 84 98.245.653, 48 33.470.136, 14 529.227, 83 115.868.869, 97 2.249.614, 55 3.304.453, 51 489.861.628, 23 96.360.317, 82 227.801.026, 27 1.135.514.746, 35 1.135.514.746, 35 10.294.459, 77 224.214.208, 92 63.983.997, 74 23.950.025.375, 34

30

119.187, 20 Som a 110,00 1.730,01 90.000,00 1.806.900,00 16 16

28.842,

831.870.061, 46 133.527.348.160, 68

851.890.175, 28 41.775.181.339, 32

Fcal = 57,534 Da tabela de Fischer- Snedecor retira- se Ftab 5,32 aceita- se que h regresso de y em x. b) Avaliao utilizando regresso logaritmica linearizada Neste caso, a expresso utilizada j linearizada ser:

y = a + bLn ( x)
Para efetuar os clculos na coluna rea dever ser colocado o logaritmo neperiano da rea.

rea (m) Ln(X) 5, 1 58 3, 2 99 4, 3 23 3, 4 89 4, 5 36 3, 6 48 3, 7 69 3, 8 56 3, 9 71 3, 10 64 11 00 4, 00 00 00 00 00 00 00 00 00

Valor (R$) Y 195.000, 08 45.000, 28 55.000, 86 27.000, 15 70.000, 62 30.000, 77 34.000, 90 37.900, 69 33.000, 88 29.000, 00 58.000,

X.Y 1.087.310, 09 179.504, 91 232.875, 93 105.079, 15 304.969, 98 104.547, 14 125.421, 61 134.747, 64 122.547, 79 105.490, 23 252.822,

X 31, 00 15, 00 17, 00 15, 00 18, 00 12, 00 13, 00 12, 00 13, 00 13, 00 19,

Y 38.025.000.000, 2.025.000.000, 3.025.000.000, 729.000.000, 4.900.000.000, 900.000.000, 1.156.000.000, 1.436.410.000, 1.089.000.000, 841.000.000, 3.364.000.000,

31

36 4, 12 19 4, 13 25 4, 14 40 4, 15 40 4, 16 21 5, 17 38 3, 18 40 5, 19 43 4, 20 70 84, Soma Mdia 84 4, 24

00 75.000, 00 55.000, 00 117.500, 00 117.500, 00 70.000, 00 235.000, 00 13.000, 00 420.000, 00 90.000, 00 1.806.900, 00 90.345, 00

80 314.224, 11 233.667, 24 516.594, 12 516.594, 12 294.651, 62 1.263.798, 90 44.215, 57 2.282.163, 24 423.043, 23 8.644.269, 16

00 17, 55 18, 05 19, 33 19, 33 17, 72 28, 92 11, 57 29, 53 22, 09 367, 56

00 5.625.000.000, 00 3.025.000.000, 00 13.806.250.000, 00 13.806.250.000, 00 4.900.000.000, 00 55.225.000.000, 00 169.000.000, 00 176.400.000.000, 00 8.100.000.000, 00 338.546.910.000, 00

b.1) Clculo de b b = 127.728,93 b.2) Clculo de a a = - 451.485,68 b.3) Modelo linear da funo logartmica Y = - 451.485,68 +127.728,93 ln(X) b.4) Clculo do coeficiente de correlao r = 0,84 b.5) Clculo do coeficiente de determinao r 2 = 0,71 b.6) Anlise de varincia Fcal = 44,481 Da tabela de Fischer- Snedecor retira- se Ftab 5,32 aceita- se que h regresso de y em x. c) Avaliao utilizando regresso da funo exponencial linearizada Neste caso, a expresso utilizada j linearizada ser:

ln( y ) = ln( a) + ln( b)( x)

32

Para efetuar os clculos na coluna valor dever ser colocado o logaritmo neperiano do valor.
N rea (m) X 264, 1 00 54, 2 00 69, 3 00 49, 4 00 78, 5 00 32, 6 62 40, 7 00 35, 8 00 41, 9 00 38, 10 00 78, 11 18 66, 12 00 70, 13 00 81, 14 17 81, 15 17 67, 16 31 216, 17 56 30, 18 00 229, 19 00 110, 20 00 1.730, Soma Mdia 01 86, 50 05 94 11, 41 220, 18 95 11, 83 20.048, 18 47 12, 09 1.254, 00 238.287, 95 37 9, 18 2.965, 00 12.100, 13 2.453, 16 12, 27 284, 00 52.441, 65 130, 67 11, 93 2.678, 23 900, 73 167, 67 11, 59 750, 64 46.898, 95 89, 92 11, 59 947, 57 4.530, 46 152, 23 10, 06 947, 57 6.588, 29 124, 97 11, 87 764, 00 6.588, 29 136, 28 10, 49 740, 00 4.900, 14 136, 40 10, 45 857, 11 4.356, 01 119, 54 10, 57 390, 00 6.112, 30 126, 43 10, 99 426, 00 1.444, 58 120, 31 10, 36 368, 00 1.681, 25 105, 16 10, 28 417, 00 1.225, 15 108, 20 11, 19 336, 06 1.600, 87 111, 92 10, 98 870, 00 1.064, 27 108, 71 10, 14 499, 00 6.084, 46 106, 18 10, 58 753, 00 2.401, 11 124, Valor (R$) Y 12, 72 578, 00 4.761, 14 104, 3.215, 00 2.916, 80 119, 69.696, 37 114, 148, X.Y X Y

c.1) Clculo de ln b ln b = 0,01 c.2) Clculo de a ln a = 10,13 c.3) Modelo linear da funo logaritmica ln Y = 10,13 +0,01 (X) c.4) Clculo do coeficiente de correlao

33

r = 0,87 c.5) Clculo do coeficiente de determinao r 2 = 0,75 c.6) Anlise de varincia Fcal = 54,830 Da tabela de Fischer- Snedecor retira- se Ftab 5,32 aceita- se que h regresso de y em x. d) Avaliao utilizando regresso da funo potencial linearizada Neste caso, a expresso utilizada j linearizada ser:

Ln ( y ) = Ln ( a) + bLn ( x)
Para efetuar os clculos na coluna rea dever ser colocado o valor do logaritmo neperiano da rea e na coluna do valor dever ser colocado o logaritmo neperiano do valor. d.1) Clculo de b b = 1,22 d.2) Clculo de a ln a = 5,86 d.3) Modelo linear da funo logaritmica ln Y = 5,86 +1,22 ln(X) d.4) Clculo do coeficiente de correlao r = 0,93 d.5) Clculo do coeficiente de determinao r 2 = 0,87

34

rea (m) ln(X) 5, 1 58 3, 2 99 4, 3 23 3, 4 89 4, 5 36 3, 6 48 3, 7 69 3, 8 56 3, 9 71 3, 10 64 4, 11 36 4, 12 19 4, 13 25 4, 14 40 4, 15 40 4, 16 21 5, 17 38 3, 18 40 5, 19 43 4, 20 70 84, 41 95 47 37 16 67 67 92 23 97 28 40 54 43 31 16 20 92 71 18

Valor (R$) ln(Y) 12, 92 10, 74 10, 22 10, 71 11, 60 10, 93 10, 49 10, 48 10, 64 10, 38 10, 81 11, 03 10, 37 11, 33 11, 33 11, 96 12, 51 9, 22 12, 36 11, 62 220, 94 4, 11, 05 63

X.Y 67, 09 42, 91 46, 93 39, 15 48, 98 35, 14 38, 61 37, 64 38, 79 37, 23 47, 00 47, 55 46, 05 51, 33 51, 33 46, 72 66, 92 32, 57 70, 53 53, 09 946, 56

X 31, 37 15, 80 17, 14 15, 11 18, 46 12, 27 13, 87 12, 15 13, 25 13, 58 19, 30 17, 01 18, 14 19, 29 19, 29 17, 46 28, 95 11, 73 29, 65 22, 13 367, 95

Y 148, 114, 119, 104, 124, 106, 108, 111, 108, 105, 120, 126, 119, 136, 136, 124, 152, 89, 167, 130, 2.453,

Soma Mdia

84 24

d.6) Anlise de varincia Fcal = 124,239 Da tabela de Fischer- Snedecor retira- se Ftab 5,32 aceita- se que h regresso de y em x. Aps os clculos adota- se o modelo potencial, porque apresenta o maior valor do coeficiente de correlao, e de anlise de varincia (Fcal ) Deve- se efetuar na seqncia os outros testes estatsticos para validao do modelo. d.7) Teste de hiptese para o regressor b

35

Utilizando- se a expresso (4.15), com nvel de confiana de 95%, obtm- se Tcal = 6,15 Da tabela da distribuio t de Student obtm - se: Ttab = 2,093 Como Tcal > Ttab aceita- se a hiptese bsica de que b0 a um nvel de incerteza de 5%.

d.8) Intervalo de confiana para o regressor b.

Li = b T / 2 ( n k 1) b
e,

Ls = b + T / 2 ( n k 1) b
Li = 1,22 2,101*0,20 = 0,7998 Ls = 1,22 + 2,101*0,20 = 1,6402

d.9) Intervalo de y Com o modelo linear adotado, calcula- se o valor do apartamento de 120 m 2 . ln Y = 5,86 +1,22 ln(X) lnY = 5,86 + 1,22 ln (x) Li = Li = Ls = Ls = 122.339,12 + 0,7998* 120 122.435,09 122.339,12 + 1,6402* 120 122.535,94

Portanto, com 95% de probabilidade o preo do apartamento estaria contido no intervalo delimitado pelo limite superior e o inferior acima.

36

6. REGRESSES LINEARES MULTIPLAS APLICADAS A AVALIAES DE BENS A regresso pode ser definida como sendo o estabelecimento de uma relao funcional entre duas ou mais variveis envolvidas para a descrio de um fenmeno. A varivel Y aleatria e pode ser descrita matematicamente pela expresso [Marques, 2000]: Y = f(X) + onde: X a varivel independente ou varivel explicativa; Y a varivel dependente ou varivel resposta; a componente aleatria da variao de Y; f a funo de regresso. Normalmente, X uma varivel que pode ser controlada pelo pesquisador, enquanto Y no passvel de controle. A anlise de um grfico de disperso pode sugerir uma relao funcional entre as variveis, como por exemplo, uma reta, uma exponencial, etc. Surge neste caso o modelo estatstico denominado de regresso linear simples. Uma generalizao dessa regresso conhecida como regresso mltipla. O modelo estatstico utilizado neste caso ser dado por: yi = a + b 1 x 1 + b 2 x 2 +... + b u x u + vi (6.2) (6.1)

onde, a, b 1 , b 2 ... b u so denominados de parmetros da regresso mltipla, v substitui , e ser denominado neste trabalho de resduo. Cabe aqui alguma considerao estatstica sobre este modelo, o qual pressupe que a varivel yi aleatria, que a esperana matemtica dos resduos nula, ou seja, que a mdia dos resduos nula, que a varincia de v i constante e igual a 2 (condio de homocedasticidade dos resduos), que os erros so independentes entre si e que os mesmos tenham distribuio normal. Estatisticamente tambm se supe que v i a componente aleatria da variao de Y, no entanto, devido a problemas prticos, alguns resduos de erros sistemticos e erros grosseiros, que interferem no processo, fazem com que vi contenha tambm parte destes. Por este motivo, podese afirmar que o resduo (v) compe- se de trs componentes: uma aleatria, uma sistemtica e uma grosseira. No problema proposto neste trabalho, y representa as observaes (medidas) dos valores de imveis em moeda corrente, x i representa as variveis, tais como: frente do lote, rea, etc, formando um sistema de n equaes denominado de equaes de observaes, cujas u incgnitas a, b 1 , b 2 , ... b u , so objeto de

37

determinao. O problema geralmente ser resolvido para um nmero de observaes maior que o nmero de incgnitas. De forma matricial, o sistema de equaes de observao pode ser expresso como [Gemael, 1994]:
n

Au

X1 - n L1 = n V1

(6.3)

onde, n Au a matriz dos coeficientes das incgnitas, definida utilizando- se as derivadas parciais da funo em relao s incgnitas e que pode ser escrita como:

Au =

f/ a 1 1

f/ b 1 x1 x1

f/ b 2 x2 x2

...

f/ b u xu xu

............................................................ 1 x1 x2 xu
u

X1 o vetor das incgnitas dado por:

1

Xu T = a

b1

b 2 ... b u

o vetor u L1 das variveis respostas (observaes) dado por:

1 n

y1

y2

...

yn

o vetor n V1 o vetor dos resduos estimados obtido pela expresso:

n

V1 =

Au u X1 - n L1

O estimador dos parmetros, por mnimos quadrados, ser dado pela expresso:
1

Xu = (u An T n Pn n Au )- 1 u An T n Pn n L1 ,

ou, reduzindo a simbologia,

1

Xu = u Nn - 1 u U1

(6.4)

sendo P a matriz dos pesos, que na maioria dos casos de avaliaes coincide com a matriz identidade (I), pois considera- se que as observaes so provenientes de uma mesma populao. No entanto, de forma generalizada tem- se:
n

Pn = o 2 n Lb

-1

sendo, o 2 a varincia da unidad e de peso a priori para a qual arbitra - se o valor da unidade. O valor da varincia da unidade de peso a posteriori , pode ser calculado pela expresso:

38

o 2 =

Vn T n Pn n V1 n u

(6.5)

A matriz varincia - covarincia dos parmet r os ajustad os ser dada por:

n

Xa n = o 2 u Nu

6.1. Testes estatsticos como diretrizes regresses mltiplas

em

anlise

de ajustamento

de

Ao se analisar o ajustamento onde aplicam- se regresses mltiplas s avaliaes, utilizam - se uma srie de testes estatsticos com os mais variados objetivos, principalmente no que concerne validao do modelo adotado. Esta questo estudada atravs de testes de hipteses, sendo que a NBR 14653- 2 Avaliao de bens - Parte 2 Imveis Urbanos, (ABNT,2004) estabelece trs nveis de significncia (): grau I (10%), grau II (5%) e grau III (1%); os quais so utilizados em todos os trabalhos de avaliao. Os principais testes efetivados so os seguintes:

a) Teste de qui - quadrado na verificao da bondade do ajustamento usado na verificao do ajustamento, utilizando como parmetro para este tipo de aplicao um nvel de significncia () que tem como hiptese bsica: (H0 ) o 2 = o 2 , ou seja, a varincia de unidade de peso, a priori , igual estatisticamente varincia da unidade de peso a posteriori , no nvel de significncia que foi pr- definido, adotando- se ainda, como hiptese alternativa (H1 ) o 2 o 2 . O valor de qui- quadrado calculado (2 c ) dado pela expresso: o 2 (n- u) 2 c = o 2 (6.7)

A distribuio qui- quadrado 2 , em funo dos graus de liberdade (n- u) e do nvel de significncia () fornece os valores referentes a: 2 n- u, 0,5 e 2 n- u, 1- 0,5

39

A hiptese H 0 aceitvel se: 2 n- u, 0,5 < 2 c < 2 n- u, 1- 0,5 (6.8)

b) Coeficiente de correlao linear mltiplo (R) e coeficiente de determinao (R2 ) O coeficiente de correlao traduz numericamente o quanto as variveis esto linearmente relacionadas entre si. fornecido matricialmente pela raiz quadrada da expresso: Xu T u An T n Pn n Z1 T 1 Zn n Z1
1

R =
2

(6.9)

com
n

Z1 = n L1 - n L* 1

todos os elementos do vetor n L* 1 so iguais e obtidos pela mdia aritmtica dos n valores de y. O valor de R encontra- se no intervalo: -1 R 1 j o coeficiente de determinao indica numericamente o percentual do valor de avaliaes que esta sendo explicitado pelo modelo, encontra- se no intervalo: 0R 1 c) Teste de existncia da regresso Consiste em se estudar a probabilidade dos parmetros de regresso a, b 1 , b 2 ... b u serem iguais a zero ao mesmo tempo, neste caso no existe regresso. O teste efetivado atravs da distribuio Fischer- Snedecor. O coeficiente Fcal calculado obtido pela expresso matricial: (1 Xu T u An T n Pn n Z1 )(n- k- 1) = ( 1 Zn T n Z1 - 1 Xu T u An T n Pn n Z1 ) k

Fcal com

(6.10)

k=u - 1 A hiptese bsica aceita, ou seja, de que haja regresso de y em x 1 , x 2 , etc. com nvel de significncia () se: Fcal >F tab

40

e) Teste da significncia dos regressores Utiliza- se neste caso a distribuio T de Student (unicaudal), tendo como hiptese bsica que os regressores so diferente de zero a um nvel de significncia . Os valores calculados para o modelo de melhor ajuste so dados pela expresso: bi Tbi = Tipo 1 2 3 bi Nome do erro blunders blunders outliers Magnitude m > 170 m 170 3<m < 100

com base nos valores obtidos da distribuio de Student (T) com entradas 2 e graus de liberdade n- k- 1, aceita- se a hiptese bsica que cada um dos coeficientes b i seja diferente de zero se: Tbi >T

e) Teste data snooping Barda O teste de Barda pode ser definido como a investigao em relao observao na qual um erro grosseiro foi cometido [Barda, 1968], est baseado no teste estatstico de resduos padronizados aps o ajustamento por mnimos quadrados [Moraes, 1997]. A deteco de erros grosseiros foi utilizada na Fotogrametria por Mitishita [1980], que classificou os tipos de erros grosseiros:

Para que se possa aplicar o teste de Barda devem ser observadas as seguintes condies: - deve ser aplicado aps o ajustamento, portanto, os clculos devem estar rigorosamente corretos; - os pesos devem ser escolhidos apropriadamente para evitar- se a distribuio dos erros grosseiros nos resduos; - o nvel de confiana adotado deve ser o mesmo adotado no teste de qui- quadrado para verificao da bondade do ajustamento. Calcula- se a matriz de redundncia ou dos coeficientes de peso dos resduos dada pela expresso [Moraes, 1997]:
n

Qvn = n In - n Au u Nn - 1 u An T n Pn

(6.11) O nmero de redundncia obtido da diagonal principal da matriz fornecida pelo resultado do produto [Moraes, 1997];

41

r i = [ n Qvn n Pn ] ii Os resduos padronizados sero dados pela expresso: vi p i w i = 0 r i

(6.12)

A hiptese bsica que no h nenhum erro grosseiro na observao e rejeitada se: wi > K onde, K o valor crtico de acordo com um nvel de confiana especfico conforme a tabela [Moraes, 1997], onde a probabilidade de erro tipo I (rejeio de Ho quando verdadeira) e a probabilidade de erro tipo II (aceitao de Ho quando falsa) sejam to pequenas quanto possvel:

1- 99,9% 99,7% 99,0% 95,0% f) Teste de Durbin - Watson

K 3,29 3,00 2,56 1,96

1- 76% 84% 93% 98%

Existe autocorrelao ou correlao serial quando os termos de resduos so correlacionados com os valores anteriores ou posteriores da mesma srie. A m especificao do modelo de regresso, em funo de resduos na forma do modelo ou por excluso de variveis independentes importantes para a anlise uma das causas da autocorrelao. Isto ocorre principalmente em aplicaes envolvendo sries temporais [ Johnston, 1977]. A autocorrelao pode ser verificada pela denominada estatstica de DurbinWatson [IMAPE, 1998], onde a hiptese bsica a existncia de autocorrelao entre resduos, que pode ser calculada pela expresso: [v(i)- v(i- 1)] 2 dw = 1 Vn T n Pn n V1 (6.13)

Da estatstica de Durbin- Watson para o nvel de confiana com v =n - k- 1, obtm- se du que o limite superior de variao e di, o limite inferior, assim: se dw> du a hiptese bsica aceita, se dw<di rejeitada e se ocorrer que di<dw <du o teste inconclusivo. g) Teste de Kolmogorov - Smirnov (normalidade dos resduos)

42

A condio de normalidade dos resduos no necessria para a obteno dos estimadores pelo mtodo dos mnimos quadrados, mas sim para a definio de intervalos de confiana e testes de significncia. A falta de normalidade uma indicao de que os estimadores so no tendenciosos. Antes de se aplicar um teste, compara- se a distribuio dos resduos obtidos com a distribuio normal. Para se efetuar esta comparao deve- se homogeneizar os resduos calculados dividindo - os pelo desvio padro obtido a posteriori (resultado positivo da raiz quadrada da varincia a posteriori ). A comparao das distribuies nos permite analisar se os resduos obtidos apresentam ou no uma distribuio aproximada da curva normal, atestando ou no a hiptese de normalidade dos resduos, que pode ser considerada como uma verificao ou inspeo visual subjetiva da normalidade. O teste de Kolmogorov- Smirnov avalia se duas amostras tem distribuies semelhantes, ou melhor dizendo, se foram extradas de uma mesma populao. Se apresentarem grandes diferenas provavelmente estas no se devem ao acaso. um teste que detecta diferenas em relao tendncia central, disperso e simetria. Para se aplicar o teste deve- se ordenar as amostras, construir as distribuies de freqncias acumuladas nos intervalos de classe definidos, calcular as diferenas entre estas freqncias (da primeira menos a da segunda amostra), escolhendo - se a maior diferena em valor absoluto (d mx ) que ser comparada com um valor tabelado (d crtico ). A hiptese bsica do teste que se d mx d crtico rejeita- se a igualdade das amostras. Para maiores detalhes sobre o teste de Kolmogorov- Smirnov sugere- se Bunchaft (1997). g) Anlise grfica dos resduos Ao se colocar em um grfico os resduos e as variveis explicativas possvel a verificao da existncia de uma multi - colinearidade, ou seja, uma relao exata entre as variveis, se o coeficiente de correlao apresenta- se muito prximo de um. Se o grfico demonstrar que os resduos no esto alinhados ento a correlao meramente casual e os resduos no mostram nenhuma tendncia.
40 Resduos 20 0 -20100 -40 Varivel X 1 120 140 160 180 200

Ao se analisar graficamente as distribuies (resduos versus valor estimado) verifica- se a existncia de homocedasticidade, ou seja, a hiptese de varincia constante, que aceita quando no h nenhuma tendncia dos resduos em relao ao valor estimado, neste caso denominado de hetereocedasticidade.
0,6 0,4 0,2 0 -0,2 -0,4 94 96 98 100 102 104 106 108

43

Os resduos mostrados no eixo y e valor estimado no eixo dos x, no demonstra alinhamento, tratando- se portanto de hetereocedasticidade.

7. EXERCICIO DE REGRESSO LINEAR MULTIPLA No ano de 1995, uma construtora de Curitiba, utilizando- se de legislao municipal referente a aquisio de potencial construtivo, aprovou um projeto para construo de um edifcio residencial no centro da cidade, com cinco pavimentos, em uma rea de zoneamento ZR- 3, a qual permite a construo de, no mximo, dois pavimentos. Com o desenvolvimento da obra, percebeu- se que a mesma influenciaria negativamente na paisagem urbana, principalmente porque inviabilizaria a visitao pblica de turistas a um mirante de observao da Cidade. O imvel foi ento desapropriado com base no Cdigo de Posturas de Curitiba e seu valor, para fins de desapropriao, utilizando- se o mtodo comparativo com dados de mercado [Lima, 2001]. O imvel desapropriado possua as seguintes caractersticas: - terreno urbano com rea total de 418,00 m 2 , com forma irregular, de esquina, com testadas de 16,30m e 20,00m, lateral esquerda de 22,00m e fundos de 25,50m, com topografia regular e nvel abaixo da rua; - rea construda total de 1032,32 m 2 , de alvenaria, para fins residenciais com cinco pavimentos e um subsolo. Cada apartamento seria composto por 2 quartos e 1 sute, sala com dois ambientes, banheiro social, banheiro de empregada e rea de servio. O apartamento possuiria duas garagens. O prdio teria dois elevadores. Foram executados cerca de 48% da obra quando desapropriada. Utilizou - se a pesquisa amostral efetivada por Lima [2001] em diversas fontes tais como: instituies de classe, imobilirias e jornais, considerando - se as caractersticas semelhantes ao imvel estudado, tanto em termos de proximidade de localizao, quanto de caractersticas prprias, entre elas: o zoneamento, a infra- estrutura urbana, o coeficiente de aproveitamento, o padro construtivo, o nmero de quartos, etc. Para os imveis considerados como amostra, cada dado foi verificado at o grau de detalhamento que possibilita as condies de cotej- lo com o bem imvel avaliando, fixando - se o nvel de rigor do trabalho com base na NBR- 5676.

44

As amostras podem ser visualizadas no quadro a seguir [Lima, 2001]:

45

No Amostra 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Valor unitrio 857,46 733,00 734,66 737,22 805,74 762,47 770,73 735,71 634,45 630,85 472,17 464,57 629,76 462,81 648,04 513,11 899,28 727,78 639,65 586,32

rea Padro equivalente construtivo 590,00 Alto 400,00 322,00 223,00 235,00 152,03 149,23 140,00 163,00 155,00 180,02 132,15 123,00 134,35 89,50 107,19 139,00 126,00 107,74 85,50 Mdio Mdio Mdio Alto Mdio Mdio Mdio Mdio Mdio Baixo Baixo Mdio Baixo Mdio Baixo Alto Mdio Mdio Baixo

Idade aparente 0 a 1 ano 4 a 6 anos 4 a 6 anos 8 a 10 anos > 12 anos 6 a 8 anos 4 a 6 anos
10 a 12 anos

Vagas de garagens 2 vagas cobertas 2 vagas cobertas 2 vagas cobertas 2 vagas cobertas 2 vagas cobertas 2 vagas cobertas 2 vagas cobertas 1 vaga coberta 1 vaga coberta 1 vaga coberta 2 vagas cobertas 1 vaga coberta 1 vaga coberta 1 vaga coberta 1 vaga coberta 1 vaga coberta 1 vaga coberta 1 vaga coberta 1 vaga coberta 1 vaga coberta

> 12 anos > 12 anos > 12 anos > > > > 4 4 12 anos 12 anos 12 anos 12 anos a 6 anos a 6 anos 8 a 10 anos > 12 anos 0 a 1 ano

I)

Modelo de regresso adotado Foi adotado o seguinte modelo de regresso linear mltipla Y = a + b 1 x 1 + b 2 x 2 + b 3 x 3 + b 4 x 4 + vi

Onde as variveis envolvidas so: a) Varivel Dependente: Valor do Imvel [Y]: valor unitrio do imvel, calculado por metro quadrado de rea. b) Variveis Independentes: rea equivalente[x 1 ]: = definida como a rea equivalente de construo, que calculada multiplicando- se a rea dos componentes do imvel pelos fatores mostrados no quadro abaixo Descrio da rea Pavimento tipo Trreo coberto fechado Trreo coberto aberto (pilotis) Subsolo Atico Fator de rea equivalente 1,00 1,00 0,50 a 0,70 0,50 0,75

Mezanino 0,90 Sobre Loja 0,80 reas complementares 0,15 Terrao coberto 0,50 Piscinas 1,00 Vagas de Garagem 1,00 Cobertas no Trreo 0,50 Descobertas sobre a Laje 0,30 Descobertas sobre a Terra 0,15 Inverso do Fator de Padro Construtivo [x 2 ]: O fator de padro construtivo foi obtido pela linearizao da variao do valor da construo e acabamento entre o imvel avaliando e os elementos que compe a amostra, resultando para padro baixo=408,23; padro mdio=483,93; alto padro=585,51. Utilizou- se o inverso destes valores por experincia prtica usual na avaliao de imveis urbanos. Inverso da Idade Aparente do imvel [x 3 ]: classificaram- se as amostras com fatores de idade aparente: mais que (>) 12 anos = 1; de 10 a 12 anos = 3; de 8 a 10anos = 3; de 6 a 8 anos = 4; de 4 a 6 anos = 5; de 2 a 4 anos = 6; de 1 a 2 anos = 7; de 0 a 1 ano = 8 Inverso do fator de vagas de garagem [x 4 ]: efetuou- se a seguinte classificao: garagem descoberta = 1; vaga coberta = 2; duas vagas cobertas = 3; mais que (>) duas vagas cobertas = 4.) II) Ajustamento pelo mtodo dos mnimos quadrados Para a soluo pelo mtodo dos mnimos quadrados necessrio a montagem numrica das matriz dos coeficientes das incgnitas (A). A matriz dos pesos (P) no problema em pauta foi igualada a matriz identidade, no ser representada de forma explcita. O vetor das variveis explicitadas (L) foi montado com os valores observados. A matriz A e o vetor L so mostrados a seguir. 1 1 1 0,33333333 1 0,33333333 1 1 0,33333333 1 0,33333333 1 1 A= 1 1 1 1 1 1 1 1 1 1 590,00 400,00 322,00 223,00 235,00 152,03 149,23 140,00 163,00 155,00 180,02 132,15 123,00 134,35 89,50 107,19 139,00 126,00 107,74 0,00170791275981623 0,00206641456408985 0,00206641456408985 0,00206641456408985 0,00170791275981623 0,00206641456408985 0,00206641456408985 0,00206641456408985 0,00206641456408985 0,00206641456408985 0,00244959949048331 0,00244959949048331 0,00206641456408985 0,00244959949048331 0,00206641456408985 0,00244959949048331 0,00170791275981623 0,00206641456408985 0,00206641456408985 0,125 0,2 0,2 0.3333333 1 0,25 0,2 0,3333333 0,5 1 0,5 1 0,5 1 0,33333333 1 0,5 1 0,5 1 0,5 1 0,5 0,2 0,5 0,2 0,5 0,3333333 0,5 1 0,5 0,33333333 0,25 0,25

AVALIAO DE IMVEIS PELO MTODO DOS MNIMOS QUADRADOS Prof. Dr. Carlos Aurlio Nadal

47

85,50

0,00244959949048331

0,125

0,5

L=

857,46 733,00 734,66 737,22 805,74 762,47 770,73 735,71 634,45 630,85 472,17 464,57 629,76 462,81 648,04 573,11 899,28 727,78 639,65 586,32

Pela soluo matricial obtm - se o vetor (X) de estimativa dos parmetros solicitados no modelo de regresso, que resultar em: 1824,29715989785 - 0,214930982557917 - 454764,932555851 - 136,132168924983 - 168,353398806299

X=

ou seja, o modelo de regresso resultante para o problema ser dado pela expresso: y =1824,29715989785 0,214930982557917x 1 - 454764,932555851x 2 136,132168924983 x 3 - 168,353398806299 x 4 O vetor dos resduos (V), resultar em:

AVALIAO DE IMVEIS PELO MTODO DOS MNIMOS QUADRADOS Prof. Dr. Carlos Aurlio Nadal

48

V=

4,22417834238195 - 3,72289648263074 - 2,64772974363814 - 2,08051832706883 - 0,90042055944263 - 0,73251908451823 - 1,58410388710683 - 10,7901465758116 - 5,22833845796572 0,09110940249763 7,1933688122088 - 2,97678485379362 8,058900844351 - 1,68963301542095 - 3,02091123995865 2,75362761083841 7,03978910505396 0,148887179999292 1,44874763818473 4,4153932918933

A matriz varincia- covarincia resultar em: 297,684711 - 220,937116 - 0,224692 0,000278 0,2400921 X= - 75736,110107 32,166531 5677,3653844 - 0,997704 0,0044645 - 12,231989 - 220,937116 0,240092 402,207891 II) Testes estatsticos 32,166531 32013965,173475 - 371,031620 5677,365384 150,004464 - 371,031620 10,6794342 - 12,231989 - 0,224692 - 75736,110107 - 0,997704

Uma anlise do ajustamento efetivada atravs de testes estatsticos, conforme proposto no trabalho: a) Teste de qui- quadrado para verificao da bondade do ajustamento.

AVALIAO DE IMVEIS PELO MTODO DOS MNIMOS QUADRADOS Prof. Dr. Carlos Aurlio Nadal

49

O valor da varincia da unidade de peso a posteriori resultou em: o 2 = 27,1307176459636

O valor de qui- quadrado calculado resulta em: 2 c = 406,960764689454 Na distribuio qui- quadrado para um nvel de significncia de 95% tem- se: 2 15, 0,025 = 6,26 2 15, 9,725 = 27,49 Verifica- se neste caso que a hiptese bsica deve ser rejeitada, deve- se proceder a uma anlise aprofundada do ajustamento (pode- se considerar os resduos excessivamente grandes em decorrncia de erros grosseiros ou sistemticos). Deve- se tambm analisar se o modelo matemtico utilizado consistente com as observaes. O ideal seria parar o ajustamento neste ponto e efetuar um estudo sobre diferentes modelos. Por se tratar de um estudo de caso prossegue- se com o tratamento dos erros. b) coeficiente de correlao linear mltiplo (R) e coeficiente de determinao (R2 ) Calculou- se tambm o coeficiente de determinao que resultou em: R2 = 0,998601862578729 cujo significado que 99,86% do valor de mercado est sendo explicitado pelo modelo e, o coeficiente de correlao linear mltiplo resulta em: R = 0,999300686769868 que mostra uma correlao fortssima entre as variveis explicativas e a explicada. c) Teste de existncia da regresso O coeficiente F calculado obtido pela expresso matricial (10) resultando em: Fc=2678,3897832203 O valor tabelado para o nvel de significncia de 5% resultou em: F = 3,056 como Fc >F aceita- se a hiptese de existncia de regresso. c) Teste da significncia dos regressores

AVALIAO DE IMVEIS PELO MTODO DOS MNIMOS QUADRADOS Prof. Dr. Carlos Aurlio Nadal

50

Nesse caso deve- se dividir cada um dos regressores pela raiz quadrada do elemento da diagonal principal da matriz varincia covarincia, que representa o erro mdio quadrtico deste, assim obtm- se: Tb1 Tb2 Tb3 Tb4 = = = = - 12,8797699083259 - 80,3743056845373 - 41,6568706036683 - 8,39453405047628

O valor do coeficiente T de Student retirado da tabela da distribuio com um nvel de significncia de 5% resultou em: T = 2,1314 Como os valores calculados em mdulo so superiores ao valor critico aceitase a hiptese bsica de significncia dos regressores.

d) Teste data snooping Barda

e) Calcula- se a matriz de redundncia ou dos coeficientes de peso dos resduos utilizando - se a expresso matricial (11), que resulta em:
0,3000 - 0,3026 - 0,0548 0,0852 0,0412 0,0732 - 0,3026 0,7374 0,0299 - 0,1410 - 0,0236 - 0,0285 - 0,2345 - 0,1759 0,0052 - 0,0445 - 0,0210 - 0,0729 - 0,0298 - 0,1201 0,0225 - 0,1127 0,0193 - 0,0473 - 0,0458 - 0,0430 - 0,0956 - 0,1107 0,0569 0,2170 0,1122 - 0,0860 0,0580 - 0,1253 0,0696 - 0,0706 0,1165 - 0,0862 0,0654 - 0,1163 0,0771 - 0,0824 - 0,0420 0,0155 - 0,0523 0,1107 - 0,0483 - 0,1322 - 0,0710 0,0257 - 0,1460 - 0,2345 0,0017 - 0,1759 0,0465 0,8605 0,0198 - 0,0832 0,0053 0,0013 - 0,1189 - 0,0578 0,0170 - 0,0607 0,0232 - 0,0298 - 0,0458 0,1122 0,1165 0,0420 - 0,0710 0,0102 - 0,0028 0,0783 0,0311 - 0,0529 - 0,0136 - 0,1201 - 0,0430 - 0,0860 - 0,0862 0,0155 0,0228 0,0257 0,0544 0,0016 0,0268 0,0268

- 0,0248 0,0639 - 0,0832 0,0013

- 0,0372 - 0,0578 - 0,0765

0.,728

- 0,0607 0,0437 - 0,0201 - 0,0373

- 0,0220 0,0351 0,8698

- 0,1006

- 0,1723

- 0,1762 - 0,0171 - 0,0247 0,0414 0,0312

0,0205 0,0127 - 0,1006

- 0,0321

- 0,0325

- 0,0029 - 0,0897 - 0,1301 0,0682 - 0,0025 0,0759 0,0031

0,6020

- 0,1339 0,2162 0,7291 - 0,0359 - 0,2790

- 0,1249

0,0585 0,1434 - 0,1723 - 0,1339

- 0,0880

- 0,2790 0,0225 - 0,0742 - 0,0404

0,0724 - 0,0259 - 0,1762 - 0,1249

0,7117 - 0,0291 - 0,0475

0,0800 0,0209

- 0,0454

- 0,0845

- 0,0437 - 0,0171 0,0414 - 0,0225 - 0,0291 0,8582 - 0,0529 - 0,0169 - 0,0495 - 0,0171 0,0467 - 0,1238 - 0,1911 - 0,1406 0,0016 0,0268 - 0,0897 0,0682 0,0759 - 0,0529 0,8505

AVALIAO DE IMVEIS PELO MTODO DOS MNIMOS QUADRADOS Prof. Dr. Carlos Aurlio Nadal

51

- 0,0149 - 0,1098 - 0,1323 - 0,1107 - 0,1179 0,0050 - 0,0599 - 0,0469 - 0,1257 0,0240 - 0,0548 0,0299 0,0052 0,0225 - 0,0956 0,0580 0,0654 - 0,0523 - 0,1460 0,8567 - 0,0182 - 0,1052 - 0,1321 - 0,1060 - 0,1204 0,0064 - 0,0629 - 0,0474 - 0,1268 0,0236 0,0852 - 0,1410 - 0,0445 - 0,1127 - 0,1107 - 0,1253 - 0,1163 0,1107 - 0,0149 - 0,0182 0,5931 - 0,1689 - 0,0315 - 0,1680 - 0,0454 - 0,0171 0,2694 0,1049 - 0,0378 - 0,0109 0,0017 - 0,0236 - 0,0210 0,0193 0,0569 0,0696 0,0771 - 0,0169 - 0,1098 - 0,1052 - 0,1689 0,7749 - 0,0871 - 0,2263 - 0,0680 - 0,1152 0,1238 - 0,0090 - 0,0784 - 0,0939 0,0102 0,0465 0,0198 0,0053 - 0,1189 0,0170 0,0232 - 0,0495 - 0,1323 - 0,1321 - 0,0315 - 0,0871 0,8685 - 0,0871 0,1308 0,0122 - 0,0748 - 0,0493 - 0,1312 0,0218 - 0,0028 - 0,0248 - 0,0220 0,0205 0,0585 0,0724 0,0800 - 0,0171 - 0,1107 - 0,1060 - 0,1680 - 0,2263 - 0,0871 0,7724 - 0,0673 - 0,1156 0,1247 - 0,0089 - 0,0781 - 0,0937 0,0783 0,0639 0,0351 - 0,0127 - 0,1434 - 0,0259 - 0,0209 - 0,0467 - 0,1179 - 0,1204 - 0,0454 - 0,0680 - 0,1308 - 0,0673 0,8583 0,0182 - 0,0873 - 0,0512 - 0,1358 0,0200 0,0311 - 0,0372 - 0,0765 - 0,0321 0,2162 - 0,0359 - 0,0454 0,1238 0,0050 0,0064 - 0,0171 - 0,1152 0,0122 - 0,1156 0,0182 0,7299 - 0,0326 - 0,1213 0,0149 - 0,2812 - 0,0529 0,0728 - 0,0201 - 0,0325 - 0,0880 - 0,0742 - 0,0845 0,1911 - 0,0599 - 0,0629 0,2694 0,1238 - 0,0748 0,1247 - 0,0873 - 0,0326 0,6013 - 0,1963 - 0,0805 - 0,0545 - 0,0136 0,0228 - 0,0373 - 0,0247 0,0312 - 0,0404 - 0,0475 - 0,1406 - 0,0469 - 0,0474 0,1049 - 0,0090 - 0,0493 - 0,0089 - 0,0512 - 0,1213 - 0,1963 0,8586 - 0,0502 - 0,1329 0,0412 0,0544 0,0268 - 0,0029 - 0,1301 - 0,0025 0,0031 - 0,0483 - 0,1257 - 0,1268 - 0,0378 - 0,0784 - 0,1312 - 0,0781 - 0,1358 0,0149 - 0,0805 - 0,0502 0,8667 0,0210 0,0732 - 0,0285 - 0,0729 - 0,0473 0,2170 - 0,0706 - 0,0824 - 0,1322 0,0240 0,0236 - 0,0109 - 0,0939 0,0218 - 0,0937 0.0200 - 0,2812 - 0,0545 - 0,1329 0,0210 0,7002

j, o nmero de redundncia obtido : r = 15,00

resultando para os resduos padronizados os seguintes valores: 0,2094 - 0,1845 - 0,1312 - 0,1031
AVALIAO DE IMVEIS PELO MTODO DOS MNIMOS QUADRADOS Prof. Dr. Carlos Aurlio Nadal

52

W=

- 0,0446 - 0,0363 - 0,0785 - 0,5349 - 0,2592 0,0045 0,3566 - 0,1476 0,3995 - 0,0838 - 0,1497 0,1365 0,3490 0,0074 0,0718 0,2189

Para um nvel de significncia de 5% retira- se k=1,96 (distribuio F de Snedecor). Como no h resduos padronizados maior que k, aceita- se a hiptese bsica de que no h erros grosseiros nas observaes. f) Teste de Durbin - Watson Obtm - se pela expresso (13) o seguinte valor para essa estatstica: dw = 1,70266906699683 O limite inferior obtido das tabelas foi di = 0,90 J,. o limite superior du = 1,83 Neste caso o teste mostra- se inconclusivo. Deve- se salientar que a autocorrelao s pode ser verificada se as amostragens estiverem ordenadas segundo um critrio especfico. g) Teste de normalidade dos resduos Uma verificao qualitativa da normalidade pode ser analisada com a distribuio dos resduos padronizados em relao ao erro mdio quadrtico. Neste caso nota- se que 80% dos resduos distribuem - se no intervalo definido por mais ou menos uma vez o erro mdio quadrtico e 95% no intervalo de 1,96 vezes o erro que corresponde a um intervalo de 95% na distribuio de Gauss. A aplicao do teste de normalidade de Kolmogorov- Smirnov foi efetivada utilizando - se um nvel de significncia de 95%, obtendo- se que a distribuio dos resduos normal. No presente caso, analisaram- se os grficos de resduos das observaes. cujas distribuies apresentam - se aleatrias, mostrando que h homocedasticidade e no ocorre multi - colinearidade.

AVALIAO DE IMVEIS PELO MTODO DOS MNIMOS QUADRADOS Prof. Dr. Carlos Aurlio Nadal

53

REFERNCIAS ABNT. NBR 14653 - 1 Avaliao de Bens Procedimentos Gerais. Rio de Janeiro, 2001. ABNT. NBR 14653 - 2 Avaliao de Bens Imveis Urbanos. Rio de Janeiro, 2004.

ANDRADE, J.B. Fotogrametria. Editora SBEE. Curitiba, 1998. 258p.

AVALIAO DE IMVEIS PELO MTODO DOS MNIMOS QUADRADOS Prof. Dr. Carlos Aurlio Nadal

54

BAARDA, W. A. A testing procedure for use in geodetic networks . Netherlands Geodetic Comission, v. 2, n. 5, 1968. BUNCHAFT, G. Estatstica sem mistrios. 4 a ed. Petrpolis, RJ. Vozes, 1997.

CHRZANOWSKI, A. Design and error analysis of surveying Projects . Papers and lecture notes . University of New Brunswick. 1977.60p.

Select

DANTAS, R. A.; CORDEIRO, G. M. Uma nova metodologia para avaliao de imveis utilizando modelos lineares generalizados. Revista Brasileira de Estatstica, v.49, p.24- 46, jan./jun. 1988. DANTAS, Rubens Alves. Engenharia de avaliaes: introduo metodologia cientfica. So Paulo: Pini, 1998. DE CESARE, Cludia M. An empirical analysis of equity in property taxation: a case study from Brazil. 1988. Tese (Doutorado em Property Taxation) - University of Salford, Salford (UK), 1998a. GEMAEL, C. Introduo ao ajustamento de observaes: aplicaes geodsicas. 1. ed. Curitiba: Editora UFPR. 1994. IMAPE. Fundamentos de Avaliaes Patrimoniais e Percias de Engenharia. 1. ed. So Paulo. Editora Pini. 1998. JOHNSTON, J. Mtodos economtricos. So Paulo: Atlas, 1977. LIMA, A. J. M. Determinao do valor de indenizao para desapropriao de edifcio residencial em construo, para fins de preservao do patrimnio paisagstico. Seminrio do Curso de Ps- Graduao em Construo Civil da Universidade Federal do Paran, 2001. MARQUES, J. M. Estatstica - Curso de Engenharia . UFPR, Curitiba, 2000. MILLINGTON, A. F. An introduction to property valuation . 4th ed. London: Estates Gazette, 1994. MITISHITA, E. A. Deteco de erros grosseiros nas aerotriangulaes. Curitiba, 1986. Dissertao (Mestrado em Cincias Geodsicas) Curso de Ps- Graduao em Cincias Geodsicas, Universidade Federal do Paran. MORAES, C. V. Aplicao do ajustamento s poligonais. Curitiba, 1997. Dissertao (Mestrado em Cincias Geodsicas) Curso de Ps- Graduao em Cincias Geodsicas, Universidade Federal do Paran.

AVALIAO DE IMVEIS PELO MTODO DOS MNIMOS QUADRADOS Prof. Dr. Carlos Aurlio Nadal

55