1 LEGISLAO E AVALIAO DE TERRAS
ESTATSTICA INFERNCIAL Neste ponto destacou-se o papel desenvolvido pelo
1. HISTRICO
1.1.1 - ESCOLA CLSSICA
Aps Berrini, a tcnica avaliatria comeou a se firmar
como instrumento capaz de minimizar os efeitos dos
"achismos", do "bom senso" e da ESTATSTICA
INFERNCIAL "minha experincia diz que". Para
tanto, eram injetados fatores (coeficientes) em relao
a unidade, que procuravam expressar o efeito das
diferenas entre os atributos do valor, tais como:
frente, profundidade, relevo, vizinhana, infra-
estrutura, acessibilidade, posicionamento
(transposio), etc A utilizao desses fatores" (testada
ou frente, profundidade, frentes mltiplas, fonte,
melhoramentos ou infra-estrutura, etc), denominada
ento como "homogeneizao de dados", conceito que
permitia adequar as referncias de mercado a uma
situao paradigma (padro), foi por largo tempo a
tnica dos trabalhos avaliatrios, denominados poca
como estudos de valor com nvel de "Avaliao de
Preciso". Os dados homogeneizados passavam ento
por um processo chamado "saneamento amostral"
(retirada de dados supostamente discrepantes), quer
por sensibilidade, por percentual ou outros (desvio
padro, Chavenet), onde seriam eliminadas referncias
ento "no importantes", resultando em amostra
reduzida e dita "homognea". A mdia aritmtica
calculada representava a amostra homogeneizada, que
com o uso inverso dos fatores, conclua-se pelo valor
do terreno, dito como "valor de mercado".
1.1.2 - ESCOLA CIENTFICA
Muitos avaliadores que se utilizavam da estatstica
descritiva para elaborao de seus trabalhos sentiam-se
inquietos, constrangidos e inseguros com a utilizao
de fatores que sequer sabiam de onde vinham.
Surgiram dessa forma os primeiros questionamentos
sobre a sua validade e adequao as variadas situaes:
- As influncias da testada, profundidade e
topografia so sempre as mesmas para localidades
distintas?
- Quando se adota um coeficiente de 1,20, por
exemplo, para ponderar uma caracterstica do bem
(posicionamento, visual paisagstico, etc) ser que a
relao linear? Ser de 20% este efeito, ou o que
mais interessa a homogeneizao da amostra?
Poder ser de 30% ou 40 %?
- A elasticidade do mercado (diferena entre o valor
de oferta e o de venda) sempre constante e igual a
10%? - Que ndices utilizar para atualizar dados
pretritos?
- Utilizando o saneamento amostral no estamos
mutilando o mercado, inibindo dados que seriam
importantes na formao de valor? No seria um
autoritarismo tcnico?
Eng Domingos Saboya Barbosa Filho, certamente um
dos mais importantes profissionais da rea de
avaliaes, frente da equipe de avaliadores da
PETROBRAS, que assumiu a luta para
reconhecimento desta nova escola, denominada
Metodologia Cientfica, de forma pessoal, pois se
esbarrava em interesses pessoais de renomados
avaliadores, alm da dificuldade na utilizao de
micro-computadores poca (restrito a empresas de
mdio porte at a dcada de 80), ferramenta
fundamental devido quantidade de clculos exigida.
1.2 - A NOVA ESCOLA
Assim, formou-se uma escola de avaliadores que, a
partir dessas inquietudes, constrangimentos e
inseguranas, buscaram incessantemente respostas, que
no incio eram taxados de "visionrios, radicais e
tericos", como ocorre em todas as transformaes;
porm hoje j so considerados normais. Os
fundamentos das atuais tcnicas avaliatrias,
embasam-se em dois pilares:
- ESTATSTICA INFERNCIAL
- ENGENHARIA ECONMICA
Entendemos que o domnio destes dois tpicos
permitir ao profissional grande poder de soluo e
explicao do problema avaliatrio. Esta qualificao
poder ser feita atravs de autodidatismo, fundamental
formao tcnica do Engenheiro e do Arquiteto.
Hoje o avaliador consolida-se no mercado como um
profissional altamente especializado, sendo importante
que seja constantemente cobrado em suas atuaes,
fundamentado em suas teses e responsabilizado em
suas concluses. Isto far com que o avaliador busque
incessantemente a atualizao e o preparo tcnico,
dignificando a atividade, cumprindo sua utilidade
social, para o qual jurou em sua formatura. Deixar de
ser um tcnico opinativo apenas, para tornar-se um
profissional cientfico respeitado em suas concluses.
Podemos afirmar, portanto, sem temor de estarmos
sendo levianos, que esta Escola veio para ficar. O fato
de admitir que o mercado imobilirio no esttico e
est intimamente atrelado s condies e variaes da
economia do pas, a maior segurana de ser perene.
Com a proliferao da utilizao de micro-
computadores e sua evoluo tecnolgica, a tendncia
o aperfeioamento das tcnicas e o surgimento de
novas tecnologias, dentre outras, j podemos
enumerar: redes neurais, regresses espaciais, e dentre
estas, a regresso ponderada geograficamente, GWR
do ingls (Geographically Weighted Regression) que
utiliza fundamentos de geoprocessamento e
geoestatstica.
1.3 - VARIVEIS
Apresentamos a seguir as caractersticas das variveis
normalmente utilizadas em avaliaes:
Quantitativas: expressam caractersticas do bem
que podem ser medidas, e que para um determinado
2 LEGISLAO E AVALIAO DE TERRAS
elemento constante, independentemente do
avaliador ou pesquisador. Exemplo:
- rea do terreno, rea construda, frente (do
terreno ou loja), nmero do andar, distncia a
um plo valorizante, nmero de quartos, vagas
de garagem, etc.
Qualitativas: expressam caractersticas do bem, que
no apresentam medida exata e sim uma qualidade,
trazendo consigo uma dose de subjetividade.
Exemplo: localizao, padro construtivo, projeto
arquitetnico, acesso, infra-estrutura, etc. Neste
caso devemos procurar estabelecer critrios de
forma a minimizar os efeitos da subjetividade,
procurando elencar os parmetros de cada varivel
de forma hierrquica, como por exemplo:
- Apartamento padro 4 - possui trs quartos
(sendo uma sute com hidromassagem) e duas
salas, pisos em granito/tbua corrida/cermica,
revestimentos em azulejos
especiais/granito/pintura artstica, etc.
Dicotmicas: somente assumem dois valores
distintos, indicando a existncia de uma
caracterstica ou no. Exemplo:
- garagem (1 = possui; 0 = no possui). Tambm
denominadas de variveis indicativas, tipo
dummy.
1.4 - CONCEITUAO BSICA
Quando citamos inferncia, referimo-nos anlise
inferncial ou estatstica indutiva, ou seja, a busca de
modelos matemticos justificados que representem o
segmento de mercado em anlise. Os clculos so
feitos utilizando-se o Mtodo dos Mnimos Quadrados,
que consiste em procurar uma funo matemtica que
se ajuste as caractersticas dos dados, buscando-se
minimizar o quadrado da distncia dos pontos ao
modelo eleito.
A anlise visual dos pontos plotados na figura acima
indica uma tendncia de formar valores de Y
decrescentes, medida que crescem os valores de X.
Ao invs de traarmos visualmente uma curva
interpolando os pontos, podemos definir
matematicamente vrias funes que podem ser
ajustadas aos pontos grficos. Alm disso, podemos
calcular, dentre as curvas ajustadas, a de melhor
aderncia aos pontos, demonstrando as condies e
limitaes da ajustagem.
A involuo dos pontos a curva tem o nome de
Regresso, enquanto que a quantidade de aderncia
mede a Correlao entre 2 variveis cotejadas (Y e X)
sem influncia de demais Xi.
A forma utilizada para efetuar estudos de correlao e
regresso o Mtodo dos Mnimos Quadrados
Ordinrios, que assim concebido:
- propondo-se uma determinada funo matemtica
a ser ajustada, busca-se minimizar o quadrado da
distncia dos pontos ao modelo eleito;
- este ajuste resultar em parmetros de controle, os
quais so analisados quanto sua consistncia;
- em seqncia ou paralelamente, testam-se outros
modelos, confrontando-se com os demais,
concluindo-se pelo de melhor aderncia;
- esta funo eleita fornecer a imagem de
comportamento de Y em estudo; - poder ocorrer
que a melhor explicao encontrada no sirva para
estimaes estatsticas (anlise dos parmetros de
controle, o que veremos adiante), descartando-se a
hiptese de pressuposto de causa(s) e efeito(s)
correlacionados.
- poder ocorrer que todos os modelos sejam
justificados, adotando-se o melhor deles como
funo de regresso para explicao do valor;
- poder tambm ocorrer situao mista, ou seja,
alguns modelos no explicam e outros sim,
adotando-se dentre estes ltimos, o melhor.
A estatstica inferncial no um procedimento de
embelezamento de laudos de avaliao ou
demonstraes de "alta tcnica" profissional, mas
constitui-se em ferramenta de fundamental importncia
na interpretao de fenmenos scio-econmicos
(valor de mercado). Alguns profissionais, por
desconhecimento do assunto, tm pregado como
grande vantagem da metodologia, a reduo do tempo
para se concluir a avaliao, o que no corresponde
realidade, porque via de regra, se gasta um tempo
maior, principalmente quando no se domina com
segurana os conceitos e a utilizao dos programas de
computador utilizados. A Inferncia Estatstica
constitui-se em ferramenta de fundamental importncia
na interpretao, dentre outros, de fenmenos scio-
econmicos e sua grande vantagem reside
verdadeiramente na fundamentao das concluses a
que se chega.
Na modelagem, devem ser expostas as hipteses
relativas aos comportamentos das variveis dependente
e independentes, com base no conhecimento que o
pesquisador tem a respeito do assunto em estudo,
quando sero formuladas as hipteses nula e
alternativa para cada parmetro. Sabemos que o valor
de um imvel no absoluto e exato, no sendo,
portanto de cunho determinstico, e sim, probabilstico,
dependendo do seu nvel de preciso, do maior ou
menor grau de empenho cientfico emprestado sua
busca.
3 LEGISLAO E AVALIAO DE TERRAS
Cada elemento do banco de dados da srie (Ei) carrega
consigo, alm de Y, uma diversidade de informaes
(explicaes para Y), as quais podem ser expressas
quantitativamente ou qualitativamente. Estas
informaes produziro um elenco de atributos
(variveis independentes) que explicaro Y (varivel
dependente).
Ei = {X1, X2, X3,........Xn}
Esgotados "i" elementos, faremos as modelagens com
obteno de diferentes
funes (Fk):
Y1 = F1 (X1, X2, X3,........Xn)
Y2 = F2 (X1, X2, X3,........Xn)
Y3 = F3 (X1, X2, X3,........Xn)
. . . . . grfico da varivel dependente em relao a cada
. . . . . varivel independente, em escala original. Isto pode
. . . . . orientar o esquisador na transformao a adotar.
Yk = Fk (X1, X2, X3,........Xn),
onde:
Y = varivel dependente;
X1, X2, X3,........Xn = variveis independentes.
Das funes inferidas, a que melhor representar as
observaes sob o ponto de vista de estimao
estatstica, conforme pressupostos adiante enumerados,
ser o modelo matemtico de explicao dos dados
coletados.
A partir da funo inferida e dos atributos (Xi),
teremos o clculo de , ou seja, teremos o clculo de
valor, juntamente com os seus graus de incertezas,
intervalo de confiana e limitaes de aplicao.
Na modelagem por regresso linear mltipla, diversos
quesitos so observveis para fundamentao cientfica
do modelo obtido, assim ressalta-se a necessidade,
quando se usam modelos de regresso linear,
observarem os seus pressupostos bsicos, apresentados
a seguir, principalmente no que concerne a sua
especificao, normalidade, homocedasticidade,
nomulticolinearidade, no-autocorrelao,
independncia e inexistncia de pontos atpicos, com o
objetivo de obter previses no-tendenciosas,
eficientes e consistentes, em especial os seguintes:
a) O tamanho da amostra deve ser bem superior ao
nmero de parmetros estimados, isto , no deve
existir problemas de micronumerosidade;
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 , a multicolinearidade, deve-se examinar a
coerncia das caractersticas representadas por estas
variveis com a estrutura de multicolinearidade
inferida, vedada a utilizao do modelo em caso de
incoerncia;
g) No deve existir correlao significativa entre o
erro aleatrio e as variveis independentes do
modelo. Assim, na modelagem por regresso linear
mltipla, diversas hipteses so necessrias para
garantir a fundamentao cientfica do modelo
calibrado, a seguir so enumerados e explicitados
diversos pressupostos e testes potenciais de uso nas
anlises de regresso mltipla.
1.4.1 - COLINEARIDADE;
Deve ser analisado, primeiramente, o comportamento
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, serem de preferncia
mais simples 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.
1.4.2 - COEFICIENTE DE CORRELAO;
Mede o grau de aderncia dos pontos a curva, ou a
quantidade de correlacionamento da VARIVEL Y
(DEPENTE OU EXPLICADA) e as VARIVEIS Xi
(INDEPENDENTES OU EXPLICATIVAS). Sendo
medida relativa, permite cotejar funes ajustadas,
indicando dentre essas, a melhor, que a que apresenta
maior coeficiente de correlao. um indicativo, mas
no um teste conclusivo quanto representatividade
da funo, ou seja, no permite afirmar se o modelo
serve para estimaes e predies estatsticas. Nveis
de coeficientes de correlao:
r = 0,00 .....................nula
0,00 < r <= 0,40........fraca
0,40 < r <= 0,80........mdia
0,80 < r <= 0,90........forte
0,90 < r <= 0,99........fortssima
r = 1,00......................perfeita
1.4.3 - COEFICIENTE DE DETERMINAO
Expresso pelo quadrado do coeficiente de correlao,
indica o percentual da varincia que o modelo inferido
explica, ou seja, o percentual da formao de Y. O
complementar para 100% responsvel pela varincia
residual. Assim, em uma mesma amostra, a explicao
do modelo poder 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,
4 LEGISLAO E AVALIAO DE TERRAS
recomendvel considerar tambm o coeficiente de
determinao ajustado:
Ra2justado = 1 (1 R2 )[(N 1)
(N K)]
onde K o nmero de regressores.
O coeficiente de determinao ajustado, que pode ser
negativo, tem uma
srie de propriedades que o tornam uma medida da
qualidade do
ajustamento melhor do que o R2: Quando so
acrescentadas novas
variveis ao modelo de regresso, R2 sempre aumenta,
enquanto que o
ajustado, pode subir.
Dica: se Ra2justado 85%R2 ,H
varivel indesejada no modelo.
1.4.4 - NVEL DE SIGNIFICNCIA ()
Mede a probabilidade de erro do modelo (equao) de
regresso e dos regressores (variveis Xi), ou seja, a
probabilidade de no haver regresso e das variveis
Xi no serem importantes. A anlise feita atravs do
Teste de Hiptese. Para verificar os nveis de
significncia das variveis (regressores) utilizamos a
distribuio t de Student e para a equao (modelo)
verificamos a Varincia Residual utilizando a
distribuio F de Fisher-Snedecor. Os nveis de
significncia () utilizados nos testes citados neste
item sero compatveis com a especificao da
pesquisa.
1.4.5 TESTE DE HIPTESES
Este o teste que nos permite concluir sobre a
aceitao ou rejeio das variveis e do modelo
estatstico. Duas hipteses so consideradas:
H0 HIPTESE NULA: as variveis Xi no so
importantes para explicar a formao de valor e o
modelo (equao) em estudo no expressa a
formao de valor.
H1 HIPTESE ALTERNATIVA OU DE
PESQUISA (contrria a H0): as variveis Xi so
importantes para explicar a formao de valor e o
modelo (equao) em estudo expressa a formao
de valor.
O objetivo mostrar que a probabilidade da H0 ser
verdadeira pequena, ou seja, procuraremos rejeitar
H0 ao nvel de significncia . Se REJEITAMOS HO
ao nvel de significncia , ACEITAMOS H1, como
verdadeira, com confiabilidade (1- ).
1.4.6 - ANLISE DOS REGRESSORES DAS
VARIVEIS EXPLICATIVAS
feita pela distribuio "t" de STUDENT, e permite
concluir sobre a importncia de cada uma das variveis
independentes (explicativas) com determinada
confiabilidade ou significncia (incerteza). Calcula-se
o valor de t (t observado), que comparado com o
tcrtico, tabelado em funo da confiabilidade ou
significncia (incerteza) a ser admitida. Quando:
- t observado > t crtico admitimos que a
varivel importante, e aceita no modelo;
- t observado < t crtico admitimos que a
varivel no importante, e retirada no modelo.
*** O nvel de significncia (incerteza) geralmente
utilizado de 5% no teste bicaudal ou 10% no teste
unicaudal.
1.4.7 - ANLISE DA VARINCIA (EQUAO
DO MODELO)
Esta anlise pode ser feita pela distribuio "F" de
Ficher-Snedecor, e permite concluir sobre a
confiabilidade ou significncia (incerteza) do modelo
linear proposto e ajustado. Calcula-se o valor de F (F
observado), que comparado com o Fcrtico,
tabelado em funo da confiabilidade ou significncia
(incerteza) a ser admitida. Quando:
- F observado > F crtico admitimos que o
modelo explica a formao de valor de mercado, e
aceito. Em outras palavras, rejeitamos a Hiptese
Nula ao nvel de significncia de ?%;
- F observado < F crtico admitimos que o
modelo no explica a formao de valor de
mercado, e no aceito. Em outras palavras,
aceitamos a Hiptese Nula ao nvel de significncia
de ?%;
*** Se o nvel de significncia (incerteza) utilizado
for de 5% , representa que a confiabilidade mnima
de 95%.
1.4.8 - NORMALIDADE DOS RESDUO
Os resduos "e" devem constituir-se numa distribuio
prxima da curva Normal. A anlise de um histograma
dos resduos, uma forma de se analisar a sua
normalidade.
Os resduos "e" devem constituir-se numa distribuio
prxima da curva Normal e 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 situada no intervalo igual a [-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 Qui-
quadrado e o de Kolmogorov-Smirnov.
Logo, a anlise de um histograma dos resduos, a
forma mais comum de se analisar a sua
normalidade.Tomam-se os resduos, dividindo-os,
5 LEGISLAO E AVALIAO DE TERRAS
individualmente, pelo desvio-padro da regresso
(ei/s), assim, EST GARANTIDA A
NORMALIDADE DOS RESDUOS se:
- 68% de ei/s esto no intervalo [ -1
; +1 ]
- 90% de ei/s esto no intervalo [ -
1,64 ; +1,64 ]
- 95% de ei/s esto no intervalo [ -
1,96 ; +1,96 ]
1.4.9 - AUTO-REGRESSO
Quando ocorre qualquer correlao serial na formao
dos valores da varivel dependente, podemos estar
diante de uma auto-regresso, o que poder gerar
algumas conseqncias, no procedimento dos
"mnimos quadrados":
- as varincias amostrais dessas estimativas podem
ser excessivamente grandes;
- as frmulas de aplicao dos mnimos quadrados
no tem mais validade, nem os testes de "t", e "F";
- as predies so ineficientes.
Para tanto devemos ter cuidado especial na utilizao
de variveis seriais. Isto acontece com a varivel
tempo, quando utilizamos elementos de pocas
distintas, principalmente em perodos de inflao
elevada. Nestes casos, devemos utilizar valores
expressos em uma moeda estvel, para verificar a
variao real de valores ao longo do tempo, em relao
quela moeda.
Os modelos auto-regressivos no se prestam para
estimativas no tendenciosas, tornando as predies
ineficientes (valor centrado e intervalo de confiana).
Na ocorrncia deve-se verificar a existncia de uma
varivel que no foi considerada no modelo ou ainda
se a amostra obtida no muito pequena.
1.4.9.1 VERIFICAO DE AUTO-REGRESSO
1.4.9.1.1. ANLISE GRFICA
Uma forma de se verificar a existncia de auto-
regresso, se faz atravs do grfico Yest x
RESDUOS.
Quando os pontos se apresentam distribudos
aleatoriamente, sem formao de uma figura definida,
revela a no existncia de autoregresso. Quando os
pontos formam uma figura definida, podem revelar a
existncia de auto-regresso. Os grficos abaixo
apresentam as duas situaes:
Logo, pela anlise do grfico dos resduos cotejados
com os valores ajustados, o melhor modelo deve
apresentar pontos dispersos aleatoriamente, sem
nenhum padro definido.
1.4.9.1.2. MEMRIA DE CLCULOS
Tambm pode ser feito atravs do teste do Quociente
de Von-Neumann, tambm conhecido como Estatstica
de Durbin-Watson, d, que dever ser precedido pelo
pr-ordenamento dos elementos amostrais, em relao
a cada uma das variveis independentes possivelmente
causadoras do problema, quando se procura
demonstrar que os erros so no correlacionados e,
portanto independentes. Assim, o erro estocstico ( )
da observao atual no influenciado pelo erro
estocstico da observao anterior. O algoritmo de
clculo, conforme ilustrado na tabela abaixo, feito da
seguinte forma:
onde:
Xi e Yi = valores observados; Yest = valores
estimados pelo modelo, e ei = resduo;
Nveis de significncia exatos para d no so
disponveis, mas Durbin e Watson tabelaram os limites
inferiores (dL) e superiores (dU) para vrios valores de
n (nmero de amostras) e K (nmero de variveis
explicativas). Assim, O valor de d deve ser
comparado com um valor tabelado, identificado pelo
nmero de elementos da amostra (n), nvel de
significncia () e nmero de regressores (K).
Considerando HO como a hiptese nula (no existe
auto-correlao) sumariza-se a seguir o teste de
Durbin-Watson:
- Se 0 < d < dL ou 4 - d < dL < 4; Existe
autocorrelao,
respectivamente, positiva e negativa, ao nvel de
significncia
estabelecido;
6 LEGISLAO E AVALIAO DE TERRAS
- Se dU < d < 2 ou 2 < d < 4 - dU; Aceita-se
Ho, portanto, no existe
autocorrelao ao nvel de significncia
estabelecido;
- Nos demais casos o teste inconclusivo.
1.4.10 - HOMOCEDASTICIDADE
Os modelos HOMOCEDSTICOS so sempre
desejados nas inferncias avaliatrias, pois indicam a
no existncia de outros efeitos que possam influenciar
o modelo ajustado, ou seja, os erros so aleatrios e
possuem mdia nula e varincia constante. A
verificao pode ser feita atravs dos grficos dos
Resduos, conforme indicado a seguir:
Caso o modelo seja Heterocedstico, as estimativas
pelo mtodo dos "mnimos quadrados" no so as de
menor varincia. Os grficos caractersticos esto
indicados a seguir:
Caso o grfico dos resduos indique a
heterocedasticidade, podemos dividir a amostra em
duas iguais e calcular para cada uma:
Amostra 1: SQR1 = soma dos quadrados dos
resduos 1 (sempre o maior);
Amostra 2: SQR2 = soma dos quadrados dos
resduos 2;
Calcula-se Fobs, pela frmula:
Faz-se a comparao:
- Se Fobs > Fcrit : o modelo original pode ser
considerado Homocedstico;
- Se Fobs < Fcrit: o modelo original no pode ser
considerado Homocedstico, portanto no se pode
utilizar o intervalo de confiana, mas o valor centrado
vlido para estimativas.
1.4.11 - MULTICOLINEARIDADE
Quando as variveis independentes esto fortemente
correlacionadas entre si, estamos diante da
multicolinearidade, que mascara as concluses,
aparentemente consistentes. Exemplificando, seria
como investigarmos o valor unitrio de um terreno, o
relacionando com seu ndice de aproveitamento e a
rea permitida construir sobre ele. Ora, a rea
permitida construir funo do ndice de
aproveitamento e, por conseguinte, o efeito estar
contemplado duas vezes e ligados entre si. A
observao do grfico de resduos do modelo versus a
varivel suspeita de colinearidade (que no exemplo
poderia ser a rea permitida construir) poder ser
usado como teste indicativo do fenmeno. Abaixo
apresentamos os diagramas, que mostram um caso
onde h colinearidade e um onde no h colinearidade
A multicolinearidade acarreta tendenciosidade no
intervalo de confiana calculado atravs do modelo,
mas o clculo do valor centrado representativo.
Destacamos algumas observaes e cuidados a serem
tomados:
- o coeficiente de correlao pode sofrer aumento
acentuado com a introduo de uma varivel
colinear a uma existente no modelo, sem que isto
represente um consequente crescimento na
explicao do fenmeno de formao de valor;
- limitar as predies ao domnio da funo, ou
seja, evitar as extrapolaes. importante ressaltar
que este cuidado deve nos acompanhar tambm
quando tratamos com modelos sem colinearidade.
Outro teste que pode indicar uma provvel existncia
de colinearidade analisar a matriz das correlaes
isoladas entre as variveis independentes, que espelha
as dependncias lineares de primeira ordem entre estas
variveis, No h limites indicativos das correlaes
isoladas a partir das quais devemos nos preocupar.
Dica:
D ateno especial para resultados quando um
valor de correlao entre as variveis
independentes for superior ao observado entre a
varivel dependente e qualquer uma das
independentes.
Da mesma forma que os econometristas, algumas
vezes, utilizamos os modelos colineares, mesmo com
as restries conhecidas, porque necessitamos
interpretar os fenmenos, e no dispomos de
alternativa. Nestes casos devemos justificar no laudo a
sua utilizao.
7 LEGISLAO E AVALIAO DE TERRAS
1.4.12 - OUTLIERS
Embora no preconizado em Normas, interessante a
verificao da presena de outliers, que aqui
caracterizado quando um ou mais pontos apresentam
(ei/s) superior a, por exemplo, + ou -2, pois, neste
intervalo, deveriam estar aproximadamente 95% das
informaes. Nestes casos, volta-se aos dados
pesquisados, efetuando-se checagem nas suas
variveis, reavaliando-as. Caso estejam corretas, no
necessitando qualquer alterao, os procedimentos
sero:
- se a amostra possui um nmero de elementos (N)
elevado, retira-se o dado mais errante (outlier),
efetuando-se nova inferncia:
- caso no se verifique novos outliers, adota-se este
novo modelo;
- caso se verifique novos outliers, reinicia-se o
procedimento de procurar novo modelo. Se o
aparecimento de outliers persistir indefinidamente,
deve-se retornar a campo para ampliar a pesquisa;
- se a amostra apresentar nmero N reduzido deve-
se retornar a campo para ampliar a pesquisa, ou
ainda, adotar o modelo obtido com suas
justificativas.
No h prescrio de Norma que obrigue a eliminao
de outliers.
1.5 CLCULO DE INTERVALO DE
CONFIANA
O clculo baseado na Distribuio "t" de Student,
pois se trabalha com amostras, sem se conhecer a
mdia e a varincia da populao. O intervalo resulta
de:
Yest - Q INTERVALO Yest + Q
O valor final da avaliao tem de estar contido em
intervalo de confiana fechado e mximo de 80%.
Quanto maior a confiana de o valor estar contido no
intervalo calculado, maior ser a diferena entre o
limite inferior e o superior, e consequentemente o
intervalo ser mais aberto. Porisso que a confiana
mxima permitida de 80%.
Como o valor no determinstico e sim
probabilstico, o intervalo estabelece a faixa dentro da
qual deve estar contido esse valor. Poder-se-ia
questionar as razes do clculo desse intervalo, e por
que no se adotar o valor centrado na funo inferida?
Em primeiro lugar esclarecemos que o clculo
baseado na distribuio "t" de Student, que no faz
predies pontuais e sim por intervalos, com uma
provvel confiabilidade. Assim, possvel a adoo
simplista do valor centrado, desde que no haja
indcios de outros atributos que possam influenciar o
valor, e que no estejam contemplados no modelo de
regresso. H casos, entretanto, em que no existem
eventos de mercado que apresentem todas as
caractersticas do bem em avaliao (por exemplo, o
"visual paisagstico"), o que pode ser ponderado dentro
do intervalo de confiana, devido a prpria incerteza
do modelo, sem ferir a fundamentao do valor.
Como o valor no determinstico e sim
probabilstico, o intervalo estabelece a faixa dentro da
qual deve estar contido esse valor. Poder-se-ia
questionar as razes do clculo desse intervalo, e por
que no se adotar o valor centrado na funo inferida?
Em primeiro lugar esclarecemos que o clculo
baseado na distribuio "t" de Student, que no faz
predies pontuais e sim por intervalos, com uma
provvel confiabilidade. Assim, possvel a adoo
simplista do valor centrado, desde que no haja
indcios de outros atributos que possam influenciar o
valor, e que no estejam contemplados no modelo de
regresso.
H casos, entretanto, em que no existem eventos de
mercado que apresentem todas as caractersticas do
bem em avaliao (por exemplo, o "visual
paisagstico"), o que pode ser ponderado dentro do
intervalo de confiana, devido prpria incerteza do
modelo, sem ferir a fundamentao do valor.
EXERCCIO - REGRESSO SIMPLES
A regresso simples pressupe o estudo de uma causa
(varivel X) e seu efeito consequente efeito (varivel
Y). A no existncia da relao causa/efeito, nos leva
a utilizar como soluo a mdia aritmtica simples.
Estes casos so muito raros em avaliaes imobilirias.
Via de regra, existem algumas explicaes dos preos,
por mais simples que seja o imvel avaliando. As
caractersticas sero computadas como variveis a
serem analisadas e quantificadas, no se violentando as
influncias atravs de fatores corretivos
homogeneizantes que podem inclusive ser testados
como variveis explicativas. Vamos supor que
coletamos dados de terrenos em determinada regio da
malha urbana, e que pressupomos que somente a rea
superficial destes importante na formao do valor.
Se plotarmos em um grfico, onde o eixo das abcissas
abriga as reas dos terrenos e o das ordenadas os
preos unitrios, temos:
A anlise visual dos pontos plotados indica uma
tendncia de formar valores unitrios decrescentes,
medida que crescem as reas dos terrenos. Ao invs de
traarmos visualmente uma curva interpolando os
8 LEGISLAO E AVALIAO DE TERRAS
pontos, podemos definir matematicamente vrias
funes que podem ser ajustadas aos pontos grficos.
Alm disso, podemos calcular, dentre as curvas
ajustadas, a que melhor aderncia tem aos pontos,
demonstrando as condies e limitaes da ajustagem.
Enfim, o procedimento sempre o mesmo,
dependendo do profissional, com maior ou menor grau
de perspiccia tcnica.
1 ALGORTMO
Inicialmente, vamos supor que desejamos
propor a busca de modelo de regresso (reta), da
forma:
Y = A + B.X
Onde:
Y : varivel explicada (Ex: preo unitrio de
terrenos);
X : varivel explicativa (Ex: rea dos
terrenos);
A e B: coeficientes que resultaro do ajuste
procedido.
Efetua-se a montagem do seguinte quadro:
ALGORTMO BSICO
3 COEFICIENTE DE DETERMINAO
Expresso pelo quadrado do coeficiente de
correlao, indica o percentual da varincia que o
modelo inferido explica, ou seja, o percentual de
formao de valor. O complementar para 100%
responsvel pela varincia residual.
4 DETERMINAO DO MODELO LINEAR
Voltando ao modelo linear proposto como
representativo do fenmeno a explicar, temos:
Os clculos dos coeficientes "A", e "B" sero
fornecidos por:
Onde:
_ _
X e Y so as mdias aritmticas simples de
cada varivel.
5 - ANLISE DOS REGRESSORES
(VARIVEIS)
Feita atravs da distribuio t de STUDENT.

Clculo de t observado t (B):

que deve ser

comparado com
t crtico

Obteno de t crit (TABELA):

Sendo N = nmero de dados.
- 1a entrada: seleciona-se o nvel de
Atravs do algoritmo bsico calculam-
significncia definindo-se o quadro de valores
se os SOMATRIOS, os quais sero
crticos.
utilizados nos clculos seguintes:
- 2a entrada: N - K - 1;
Onde:
N = nmero de elementos obtidos na
pesquisa e efetivamente
utilizados;
K = nmeros de variveis
independentes (explicativas).

Quando:
- t (B) > t crit admitimos que a
varivel importante, e aceita no
modelo;

- t (B) < t crit admitimos que a

2 COEFICIENTE DE CORRELAO varivel no importante, e retirada
Ser calculado pela frmula: no modelo.
9 LEGISLAO E AVALIAO DE TERRAS
5 ANLISE DA VARINCIA
Esta anlise pode ser feita pela distribuio "F"
de Ficher-Snedecor, e permite concluir sobre a
confiabilidade ou significncia (incerteza) do modelo
linear proposto e ajustado.
Clculo da VARINCIA RESIDUAL:
k : nmero de variveis explicativas;
(ABCISSA "F"
DE SNEDECOR)
Calculado Fobs, cotejado com a abcissa
crtica (Fcrit) encontrada em tabelas de tripla
entrada:
- 1a entrada: seleciona-se o nvel
significncia;
*** O nvel de significncia (incerteza)
mximo pode ser igual a:
- 5%, que representa uma
confiabilidade de 95%;
- 1%, que representa uma
confiabilidade de 99%.
- 2a entrada: N - K - 1;
- 3a entrada: K;
Coteja-se Fobs com Fcrit:
- Fobs < Fcrit : aceita-se a hiptese
nula de regresso (no h regresso);
- Fobs > Fcrit : rejeita-se a hiptese
nula de regresso (admite-se que h
regresso cuja incerteza inferior a
significncia utilizada);
6 INTERVALO DE CONFIANA
O seu clculo baseado na Distribuio "t" de
Student, pois trabalha-se com amostras, sem se
conhecer a mdia e a varincia da populao. O
intervalo resulta de:
Yest - Q INTERVALO Yest + Q
Onde:
Onde:
Xest = ponto onde se quer a predio.
Yest = estimado pela funo inferida [ Yest = f
(Xest)].
tcrit = parmetro tabelado (Student), com
dupla entrada:
- 1a entrada: N - K - 1;
- 2a entrada: confiana mxima.
O nvel de confiana comumente
utilizado de 80%, com teste bi-
lateral, referindo-se para intervalos
fechados.
Como o valor no determinstico e sim
probabilstico, o intervalo estabelece a faixa
dentro da qual deve estar contido esse valor.
7 MELHORIA DO MODELO LINEAR
Os procedimentos de clculo vistos at agora
se referem ao modelo linear, ou seja, toda a
formulao aplicvel para a funo reta:
de
Entretanto, via de regra os modelos
avaliatrios no se adequam ao modelo linear,
necessitando-se operar como modelos transformados.
Ressalte-se que transformaes na varivel dependente
"Y" podem ocasionar problemas na aplicao dos
testes estatsticos desenvolvidos. Neste caso, em nveis
mais avanados, convm que efetuemos alguns testes
de controle (teste de TUKEY ou transformaes de
BOX e COX), para que verifiquemos a transformao
mais adequada. Existem diversas famlias de curvas
que se compatibilizam com as inferncias utilizadas
em Engenharia de Avaliaes, das quais apresentamos
algumas formas:
7.1 POTENCIAL
A transformao do modelo linear se faz:
Que, em referncia o modelo linear, vem:
O coeficiente "b" no sofre transformao,
sendo para efeitos de clculo, igual a "B" do
modelo linear. Assim teremos o modelo
transformado:
10 LEGISLAO E AVALIAO DE TERRAS
NOTA: O algoritmo bsico de clculo
para esse caso dever tratar a varivel
X como Ln x, e a varivel Y, como Ln
y. No clculo dos coeficientes,
resultaro A e B, os quais em relao
ao modelo linear correspondem a:
7.2 EXPONENCIAL
Os coeficientes "a" e "b" no sofrem as
transformaes, e assim teremos o modelo
transformado:
NOTA: O algoritmo bsico de clculo
para esse caso dever tratar a varivel
X como Ln x, e a varivel y, sem
transformao. No clculo dos
coeficientes, resultaro A e B, os quais
em relao ao modelo linear
correspondem a:

7.4 - HIPERBLICA 1

A transformao para o modelo linear se faz:

Que, em referncia o modelo linear, vem:

Os coeficientes "a" e "b" sofrem as A transformao para o modelo linear se faz:

transformaes, e assim teremos o modelo
transformado:
Que, em referncia ao modelo linear, vem:

NOTA: O algoritmo bsico de clculo

para esse caso dever tratar a varivel
Y como Ln y, e a varivel x, sem
transformao. No clculo dos
coeficientes, resultaro A e B, os quais
em relao ao modelo linear
correspondem a:
7.3 LOGARTMICA
Os coeficientes "a" e "b" no sofrem as
transformaes, e assim teremos o modelo
transformado:
NOTA: O algoritmo bsico de clculo
para esse caso dever tratar a varivel
Y sem transformao, e a varivel X,
como 1/x. No clculo dos coeficientes,
resultaro A e B, os quais em relao
ao modelo linear correspondem a:

HIPERBLICA 2

A funo j a transformada, que, em

referncia o modelo linear, vem:
11 LEGISLAO E AVALIAO DE TERRAS
A transformao para o modelo linear se faz:

Que, em referncia ao modelo linear, vem:

Os coeficientes "a" e "b" no sofrem as

transformaes, e assim teremos o modelo
transformado:
A transformao para o modelo linear se faz:

NOTA: O algoritmo bsico de clculo Que, em referncia o modelo linear, vem:

para esse caso dever tratar a varivel
Y como 1/y, e a varivel X, sem
transformao. No clculo dos
Os coeficientes "a" e "b" no sofrem as
coeficientes, resultaro A e B, os quais
transformaes, e assim teremos o modelo
em relao ao modelo linear
transformado:
correspondem a:

NOTA: O algoritmo bsico de clculo

7.6 PARABLICA para esse caso dever tratar a varivel
X como x2, e a varivel Y, sem
transformao. No clculo dos
coeficientes, resultaro A e B, os quais
em relao ao modelo linear
correspondem a:

7.7 - EXEMPLO
Avaliar um terreno de 300 m2 , situado em loteamento residencial, cujos lotes tem frente e rea superficial
semelhantes (portanto, pouco variveis). A coleta de dados apresentou 8 (oito) referncias, com preos unitrios
heterogneos, indicando a possibilidade de haver alguma varivel influenciante na formao de preos. Pesquisados
eventuais atributos, verificou-se que havia um indicativo importante nos nveis de preos, a distncia a ponto de
nibus (D). Para tanto, mediram-se tais distncias, formando o elenco de dados a seguir:

Efetuando-se a montagem do algoritmo bsico, mais abrangente, uma vez que vamos estudar o ajuste para 4
(quatro) modelos: RETA (R), POTENCIAL (P), EXPONENCIAL (E) e LOGARTMICO (L).
 12 LEGISLAO E AVALIAO DE TERRAS

1 ALGORTMO BSICO

i EXPLICATIVA EXPLICADA OPERAES

Xi LnXi Yi LnYi Xi Yi (LnXi) (LnYi) Xi*Yi Xi*LnYi Yi*LnXi LnXi*LnYi
1
2
3
4
5
6
7
8

MDIAS Xmed = Ymed = (LnXi) med = (LnYi)med =

13 LEGISLAO E AVALIAO DE TERRAS

SOMATRIOS:

Para a RETA (R):

Sxx =
Syy =
Sxy =
Assim R = -0,987914 (coeficiente de correlao)

Para a POTENCIAL (P):

Sxx =
Syy =
Sxy =
Assim R = -0,927200 (coeficiente de correlao)

Para a EXPONENCIAL (E):

Sxx =
Syy =
Sxy =
Assim R = -0,992002 (coeficiente de correlao)

Para a LOGARTMICA (L):

Sxx =
Syy =
Sxy =
Assim R = -0,95081 (coeficiente de correlao)

Logo, o modelo de melhor aderncia aos pontos o ___________________, porque

possui maior coeficiente de correlao.

2 CLCULO DOS REGRESSORES - COEFICIENTES DE AJUSTE

Estudo do modelo ________________________, que o de maior aderncia:

2.1 - COEFICIENTE "B"

2.2 - COEFICIENTE "A"

3 - VARINCIA RESIDUAL ANLISE DO MODELO

14 LEGISLAO E AVALIAO DE TERRAS

ABCISSA "F" DE SNEDECOR

Fcrit para 5% de significncia, para N-K-1 (8-1-1 = 6 GL) e 1 regressor, conforme

tabela 5,99.

Logo Fcalc > Fcrit, portanto rejeita-se a hiptese nula de regresso ao nvel de
significncia de 5%. Dessa forma, admite-se com confiabilidade (certeza) de 95%, que
o modelo representativo do fenmeno em estudo.

4 ANLISE DO REGRESSOR VARIVEL DISTNCIA

Clculo de t obs:

Verificao de t crit:
- N-K-1 = 8-1-1 = 6
- significncia 0,5% t crit = 3,707428

Assim t obs > t crit, portanto rejeita-se a hiptese nula do regressor DISTNCIA ao
nvel de significncia de 0,5% bicaudal. Dessa forma, admite-se com confiabilidade
(certeza) de 99%, que a varivel importante.

5 EXPRESSO MATEMTICA DO MODELO

O modelo ajustado, na forma transformada (anamorfoseada), o seguinte:

Que na forma _______________________ :

CLCULO DO AVALIANDO

Possui x = 275, resultando em: R$ 716,67/m