Maximiliano Schmitz Bonin 8110813

Elaboração de um modelo estatístico para avaliação de terrenos no bairro Jurerê
Internacional em Florianópolis/SC Dezembro/2016

1
Elaboração de um modelo estatístico para avaliação de terrenos no

bairro Jurerê Internacional em Florianópolis/SC
Maximiliano Schmitz Bonin – msbonin@gmail.com

Auditoria, Avaliações e Perícias da Engenharia
Instituto de Pós-Graduação - IPOG
Florianópolis, SC, 30 de maio de 2016
Resumo
A engenharia de avaliações é um ramo da engenharia que trata, essencialmente, da
determinação do valor de um bem. Esta especialidade é regida pela norma NBR 14.653 da
ABNT – Associação Brasileira de Normas Técnicas, que se divide em sete partes. A norma
prevê diversos métodos para avaliação de bens, sendo o mais recomendado o Método
Comparativo Direto de Dados de Mercado. Este artigo tem como objetivo promover uma
aplicação prática deste método, determinando-se um modelo estatístico para a avaliação do
valor de mercado de terrenos no bairro Jurerê Internacional em Florianópolis/SC. Na
revisão bibliográfica, buscou-se abordar de forma sucinta os conceitos relacionados ao
método comparativo, passando por algumas definições básicas, procedimentos e técnicas de
inferência estatística. No desenvolvimento do trabalho, foi realizada extensa pesquisa de
mercado de terrenos na região, através de consulta a anúncios publicados em diversos meios
de comunicação. Após a definição da amostra, procedeu-se ao tratamento estatístico da
mesma com o auxílio de um software específico para esta finalidade. Foram realizadas várias
simulações com as mais diversas combinações de dados e variáveis, sendo que ao final
utilizaram-se efetivamente 62 (sessenta e dois) dados e verificou-se que as variáveis mais
significativas na formação dos preços foram a medida da frente do terreno e a distância do
mesmo até a praia. O modelo estatístico adotado apresentou um ajuste satisfatório aos dados
e atendeu a todos os pressupostos básicos, portanto é um modelo válido e confiável que pode
ser utilizado com segurança para avaliação de terrenos na região e no período estudado.
Palavras-chave: Método comparativo. Avaliação de imóveis. Inferência estatística.
1. Introdução
Na definição de Dantas (2005:1), a engenharia de avaliações consiste em:
uma especialidade da engenharia que reúne um conjunto amplo de conhecimentos

na área de engenharia e arquitetura, bem como em outras áreas das ciências sociais,
exatas e da natureza, com o objetivo de determinar tecnicamente o valor de um bem,
de seus direitos, frutos e custos de reprodução.
A avaliação de bens pode ter diversas finalidades, tais como transações de locação, transações
de compra e venda, desapropriação, garantia de operações, financiamento imobiliário,
ISSN 2179-5568 - Revista Especialize On-line IPOG - Goiânia - 12ª Edição nº 012 Vol.01/2016 Dezembro/2016
2
inventário, perícias judiciais, cobrança de IPTU e outros, sendo particularmente interessante

para imobiliárias, bancos, investidores, seguradoras, incorporadoras, prefeituras e poder
judiciário.
A engenharia de avaliações é regida pela norma NBR 14.653 da ABNT – Associação
Brasileira de Normas Técnicas, dividida em sete partes específicas: Procedimentos gerais;
Imóveis urbanos; Imóveis rurais; Empreendimentos; Máquinas, equipamentos, instalações e
bens industriais em geral; Recursos naturais e ambientais; Patrimônios históricos.
Observando esta divisão da norma, é possível perceber que a engenharia de avaliações
abrange um vasto campo de atuação, possibilitando avaliar desde bens mais corriqueiros,
como os imóveis urbanos e rurais, até bens mais complexos, como os recursos naturais e
ambientais e os patrimônios históricos.
Na Parte 1, a NBR 14.653 prevê quatro métodos para identificar o valor de um bem: Método
Comparativo Direto de Dados de Mercado, Método Involutivo, Método Evolutivo e Método
da Capitalização da Renda. Cada um desses métodos possui aplicação específica e a escolha
do método mais adequado depende das características do bem a ser avaliado, da finalidade da
avaliação e do conjunto de dados de mercado disponíveis.
A NBR 14.653-1 recomenda a utilização, sempre que possível, do Método Comparativo
Direto de Dados de Mercado. Este método “identifica o valor de mercado do bem por meio de
tratamento técnico dos atributos dos elementos comparáveis, constituintes da amostra” (NBR
14.653-1, 2001:8).
O objetivo deste artigo é promover uma aplicação prática do Método Comparativo Direto de
Dados de Mercado, determinando-se um modelo estatístico para a avaliação do valor de
mercado de terrenos no bairro Jurerê Internacional em Florianópolis/SC. Para tanto foi
efetuada extensa pesquisa de dados na região e, posteriormente, o tratamento científico da
amostra obtida, valendo-se das técnicas de inferência estatística.
2. Método Comparativo Direto de Dados de Mercado

Segundo a NBR 14.653-1 (2001:8), este método “identifica o valor do bem por meio de
tratamento técnico dos atributos dos elementos comparáveis, constituintes da amostra”.
Dantas (2005:16) define o Método Comparativo como “aquele em que o valor do bem é
estimado através da comparação com dados de mercado assemelhados quanto às
características intrínsecas e extrínsecas”. Ou seja, como o próprio nome sugere, este método
consiste em comparar diretamente o bem avaliando com outros bens de características
semelhantes. A aplicação do método segue as seguintes etapas: vistoria e caracterização do
imóvel, pesquisa de dados de mercado, tratamento dos dados e cálculo do valor.
2.1. Vistoria e caracterização do imóvel

“A vistoria deve ser efetuada pelo engenheiro de avaliações com o objetivo de conhecer e
caracterizar o bem avaliando e sua adequação ao seu segmento de mercado, daí resultando
condições para a orientação da coleta de dados.” (NBR 14.653-1, 2001:7).
As características a serem observadas no imóvel avaliando são relacionadas à região onde está
inserido e às suas propriedades intrínsecas, como terreno e benfeitorias.
3
Na caracterização da região, devem ser observados aspectos relativos a características físicas,

tendências de mercado, acessibilidade, pólos de influência, zoneamento, crescimento
populacional, estabilidade econômica, entre outros. Na caracterização do terreno, devem ser
observados aspectos relativos a dimensões, topografia, solo, aproveitamento, restrições ao
uso, infra-estrutura disponível, entre outros. Na caracterização das benfeitorias, devem ser
observados aspectos como tipologia, padrão, idade (real e/ou aparente), estado de
conservação, área total e privativa, dependências, entre outros A caracterização do imóvel
avaliando pode ser complementada ainda com fotografias, plantas, desenhos e outros
documentos, para esclarecer aspectos relevantes na avaliação (HOCHHEIM, 2005:1.8).
2.2. Pesquisa de dados de mercado

A coleta de dados consiste em obter dados de mercado com características que se assemelham
ao imóvel avaliando. Para tanto, o profissional pode consultar fontes de dados diversas, tais
como corretores de imóveis, imobiliárias, anúncios de jornais, internet, contratos de compra e
venda, etc.. Segundo Dantas (2005:16), a pesquisa de mercado “é a fase em que se investiga o
mercado imobiliário, obtendo-se dados e informações que servirão de base para o tratamento
estatístico a ser utilizado”. É considerada a etapa mais importante de uma avaliação, pois a
qualidade da amostra coletada é que determinará a confiabilidade e validade do modelo
obtido.
Segundo Hochheim (2005:1.9), “todos os atributos importantes devem ser levantados. Uma
boa amostra deve ser composta de imóveis assemelhados entre si e ter dados atuais,
completos, perfeitamente identificados quanto ao objeto. Os dados devem ser aleatórios, de
fontes diversas e perfeitamente identificadas”.
2.3. Tratamento dos dados e cálculo do valor

Uma vez coletada a amostra, procede-se ao tratamento dos dados obtidos. Usualmente, dois
tipos de tratamento são usados na avaliação de um imóvel: tratamento por fatores e utilização
de modelos de regressão linear (NBR 14653-2, Anexos A e B, respectivamente). Neste artigo
foram adotadas ferramentas de inferência estatística, com uso de modelos de regressão linear.
2.4. Inferência estatística

Segundo Dantas (2005:69):
Inferir significa concluir. Assim, inferir estatisticamente significa tirar conclusões

com base em medidas estatísticas. Em Engenharia de Avaliações o que se pretende é
explicar o comportamento do mercado que se analisa, com base em alguns dados
levantados no mesmo. Neste caso a inferência estatística é fundamental para
solucionar a questão, pois conhecendo-se apenas uma parte do mercado pode-se
concluir sobre o seu comportamento geral, com determinado grau de confiança.
Isto pode ser feito através de duas maneiras, estimação ou teste de hipóteses:
4
 Estimação: quando os resultados extraídos da amostra são usados para produzir inferências
sobre a população (FONSECA & MARTINS, 1982 apud HOCHHEIM, 2005:2.23).
 Teste de hipóteses: quando leva em conta pressupostos a priori sobre o valor de
determinado parâmetro, podendo haver aceitação, se a informação amostral fornecer
evidências a favor da hipótese, ou rejeição, em caso contrário (DANTAS, 2005:71).
2.4.1. Modelos estatísticos

Completada a etapa de pesquisa de dados de mercado, o avaliador parte em busca de modelos
explicativos do mercado, através das técnicas de inferência estatística. Estes modelos, na
verdade, são uma representação simplificada do mercado, pois são construídos considerando-
se apenas uma parte da população (amostra), o que implica cuidados científicos na sua
elaboração, de modo a fornecer respostas válidas e confiáveis (DANTAS, 2005).
Os modelos estatísticos admitem a existência de uma parcela de desvio. O modelo calcula o
valor médio para uma determinada situação de interesse, sendo este o valor mais provável da
variável-resposta. O erro é a diferença entre o valor observado na realidade e o valor obtido
pelo modelo. Neste caso, existem diversas equações que podem representar o conjunto de
dados. Deve-se buscar a melhor delas, utilizando critérios específicos que indiquem a precisão
do modelo (GONZÁLEZ, 1997).
2.4.2 Análise de regressão
De acordo com Dantas (2005:95):
a análise de regressão é um dos ramos da teoria estatística mais utilizados na

pesquisa científica. É a técnica adequada quando se deseja estudar o comportamento
de uma variável (variável dependente) em relação a outras que são responsáveis pela
sua formação (variáveis independentes). Quando é necessária apenas uma variável
independente para explicar a variabilidade dos preços, através de uma função linear,
adota-se o modelo de regressão linear simples. No entanto, quando são necessárias
duas ou mais variáveis independentes para explicar essa variabilidade, adota-se o
modelo de regressão linear múltipla.
2.4.2.1 Regressão linear simples

De acordo com Dantas (2005), o modelo de regressão simples é representado pela seguinte
função linear:
Onde:
 Yi é a variável dependente;
 Xi é a variável independente;
 β0 e β1 são os parâmetros da população;
 εi são os erros aleatórios do modelo.
5
Dantas (2005:96) define ainda cinco hipóteses básicas para um modelo de regressão linear
simples:
1) A variável independente deve ser representada por números reais que não contêm
nenhuma perturbação aleatória;
2) O número de observações deve ser superior ao número de parâmetros estimados, isto é,
para o caso de regressão linear simples deve ser superior a dois;
3) Os erros são variáveis aleatórias com valor esperado nulo e variância constante, isto é, E
(εi) = 0 e Var (εi) = σ², respectivamente;
4) Os erros são variáveis aleatórias com distribuição normal;
5) Os erros não são correlacionados, isto é, são independentes sob a condição de
normalidade.
Como o valor esperado dos erros é nulo (hipótese 3), o valor médio de Yi pode ser
representado por (DANTAS, 2005):
Segundo Dantas (2005), na prática é inviável o levantamento de todos os dados de uma

população. Assim, extrai-se um subconjunto dessa população, denominado amostra, através
da qual, por meio da inferência estatística, estimam-se os parâmetros populacionais. A
equação do modelo inferido é dada por:
Onde:
 Yi são os preços observados no mercado;
 b0 e b1 são os parâmetros estimados correspondentes a β0 e β1;
 ei são os estimadores de εi, também denominados resíduos do modelo.
Portanto, o valor médio de mercado é estimado por (DANTAS, 2005):
A maneira mais fácil de se estimar os parâmetros do modelo é através do Método dos

Mínimos Quadrados. Este método consiste em minimizar a soma dos quadrados dos erros
calculados para uma função qualquer de equação determinada (DANTAS, 2005:105).
Segundo Dantas (2005), o processo de regressão linear simples ajusta retas aos pontos
observados, fazendo com que a reta só tenha significação para explicar o mercado se a
tendência dos pontos for linear. No entanto, na prática, este tipo de tendência nem sempre é
observado. González (1997) afirma que se a distribuição dos pontos não segue uma reta mas
ainda apresenta um comportamento identificável, é possível obter um relacionamento linear
através da transformação das variáveis. Hochheim (2005) apresenta diversas transformações
utilizadas para linearizar relações entre variáveis, dentre as quais destacam-se: função
potência; função exponencial; função logarítmica; função hipérbole.
6
2.4.2.2 Regressão linear múltipla

Segundo Hochheim (2005), na prática avaliatória geralmente são utilizados modelos de
regressão linear múltipla, devido ao grande número de variáveis que influenciam o valor de
um bem. Nesses modelos, o valor da variável dependente Y é explicado por diversas variáveis
independentes X.
O modelo de regressão linear múltipla, para uma população com determinado número de
elementos, consiste na seguinte função linear (DANTAS, 2005):
Onde:
 Yi é a variável dependente ou explicada;
 Xi1 , ... , Xik são as variáveis independentes ou explicativas;
 β0 , ... , βk são os parâmetros da população;
 εi são os erros aleatórios do modelo.
Segundo Dantas (2005), para o modelo de regressão linear múltipla são consideradas as
mesmas cinco hipóteses básicas do modelo de regressão linear simples, com o acréscimo de
uma sexta hipótese:
6) Não deve existir nenhuma relação linear exata entre quaisquer variáveis independentes.
Tal como em um modelo de regressão simples, trabalha-se com um subconjunto extraído da

população. Com base na amostra obtida, os parâmetros da população são estimados através da
inferência estatística (HOCHHEIM, 2005):
Onde:
 Yi é a variável dependente ou explicada;
 Xi1 , ... , Xik são as variáveis independentes ou explicativas;
 b0 , ... , bk são os parâmetros estimados correspondentes a β0 , ... , βk;
 ei são os resíduos do modelo, estimadores dos εi.
Segundo Hochheim (2005:3.2), “a componente do erro aleatório não precisa ser evidenciada,
ficando subentendida”. Portanto, conforme Dantas (2005), o valor médio estimado de
mercado é dado por:
De acordo com Dantas (2005), dentre os vários métodos que existem para estimar os
parâmetros da regressão, os mais utilizados são o Método dos Mínimos Quadrados e o
Método da Máxima Verossimilhança, sendo o primeiro o mais utilizado na prática.
7
A estimação dos parâmetros β0 , ... , βk pelo método dos mínimos quadrados consiste em
encontrar constantes b0 , ... , bk de tal forma que a soma dos quadrados dos erros entre cada
ponto observado e ajustado pela curva de regressão seja mínimo (DANTAS, 2005).
2.4.3 Ajustamento do modelo

Após a definição dos coeficientes, têm-se um modelo estatístico do fenômeno, obtido a partir
de uma amostra do mercado em estudo. É difícil julgar a amostra em si e se ela representa
bem a realidade, no entanto é possível verificar a validade e a precisão do modelo através de
diversos indicadores, tais como coeficiente de determinação, coeficiente de correlação, análise
de variância e significância dos regressores (GONZÁLEZ, 1997).
2.4.3.1 Coeficiente de determinação (r²)

Segundo Hochheim (2005:2.13):
O coeficiente de determinação r² fornece uma medida de quanto as estimativas

baseadas na reta de regressão (Yest) são melhores do que aquelas baseadas na média
da amostra (Ymed). Caso as estimativas baseadas na reta de regressão não sejam
melhores do que aquelas obtidas em função da média de Y, a equação de regressão
de nada adiantará e a estimativa do valor do imóvel pode ser feita usando-se esta
média.
Ainda de acordo com Hochheim (2005:2.15):
O coeficiente de determinação varia de 0 a 1. Ele terá valor próximo de 1 quando a

dispersão em torno da reta de regressão for pequena em relação à variação total dos
valores de Y em torno da sua média, significando que a variação explicada responde
por grande porcentagem da variação total. Assim, o valor de r² indica qual é a
porcentagem da variação no valor de Y que está sendo explicada pela equação de
regressão.
Por exemplo, supondo que em um determinado modelo encontrou-se um r² = 0,853. Isto

significa que 85,3% da variabilidade dos preços observados são devidos às variações nas
variáveis utilizadas, sendo os outros 14,7% atribuídos a outras variáveis não incluídas na
equação e a perturbações aleatórias.
Segundo Dantas (2005), a desvantagem do coeficiente de determinação é que, para uma
mesma amostra, ele cresce juntamente com o aumento do número de variáveis independentes
adicionadas no modelo, não levando em consideração o número de graus de liberdade
perdidos pelos novos parâmetros estimados. Para resolver este problema utiliza-se o
coeficiente de determinação ajustado, o qual é calculado através da seguinte expressão:
Onde:
 r² é o coeficiente de determinação (não-ajustado);
 n é o número de elementos da amostra;
8
 k é o número de variáveis independentes do modelo.
Deste modo, segundo Dantas (2005:140), o r² ajustado “somente aumentará com a inclusão de
uma variável independente no modelo se a contribuição desta variável for superior à perda de
um grau de liberdade (...)”.
2.4.3.2 Coeficiente de correlação (r)

Segundo Hochheim (2005:2.8), o coeficiente de correlação “mede a quantidade de dispersão
em torno da equação linear ajustada através do método dos mínimos quadrados. Assim, ele
expressa o grau de relação das variáveis na amostra considerada.”
O valor que o coeficiente de correlação linear pode assumir situa-se entre -1 e +1. Quanto
mais próximo de 1, em módulo, for este valor, melhor é o ajuste da equação aos dados da
amostra. Quanto mais próximo de zero, pior é o ajuste, indicando ausência de relação linear
entre as variáveis (DANTAS, 2005).
De acordo com González (1997:83), o modo mais simples de obter o coeficiente de
correlação é pela raiz quadrada do coeficiente de determinação.
A Tabela 1 apresenta uma classificação indicativa do grau de relação entre as variáveis, de
acordo com o valor de r:
Valor de r Relação linear

0 (zero) nula
maior que 0 até 0,30 fraca
maior que 0,30 até 0,60 média
maior que 0,60 até 0,90 forte
maior que 0,90 até 0,99 fortíssima
1 (um) perfeita
Tabela 1 – Relação entre as variáveis
Fonte: Hochheim (2005)
2.4.3.3 Análise de variância

Segundo Hochheim (2005:2.31), “a análise de variância é uma outra forma de testar a
hipótese de não existência de regressão. Ela estuda o comportamento das variações totais,
explicadas e residuais”. Esta análise, conhecida também como ANOVA, é feita conforme
indicado na Tabela 2.
Fonte de Soma dos Graus de

Variância Função F de Snedecor
variação quadrados liberdade
Explicada Σ (Yest – Ymed)² k Σ (Yest – Ymed)² / k
Não explicada Σ (Yi – Yest)² n–k–1 Σ (Yi – Yest)² / (n-k-1)
Total Σ (Yi – Ymed)² n–1
Tabela 2 – Tabela de ANOVA
Fonte: adaptado de Hochheim (2005)
9
De acordo com Hochheim (2005), compara-se o valor observado (Fobs) com o valor extraído
da tabela dos pontos críticos da distribuição de Snedecor (Ftab). Esta tabela apresenta valores
de Ftab para uma determinada significância, em função dos graus de liberdade do numerador
(k) e do denominador (n-k-1). Se Fobs > Ftab, conclui-se que existe regressão.
2.4.3.4 Significância dos regressores

Segundo Dantas (2005:138):
A importância individual de uma variável Xj que participa de um modelo de

regressão com k variáveis independentes é medida testando-se a hipótese nula de
que seu respectivo parâmetro βj é não significante, contra a hipótese alternativa de
que o mesmo é significante, a um determinado nível considerado.
Neste caso, é feito o seguinte teste de hipótese (DANTAS, 2005):
H0 : βj = 0 ; H1 : βj ≠ 0
Segundo Dantas (2005), a estatística de teste é dada por:
Onde:
 bj é o estimador do parâmetro βj;
 s(bj) é o desvio-padrão estimado, correspondente ao parâmetro βj.
De acordo com Dantas (2005:138), “uma vez comprovada a condição de normalidade do erro
aleatório εi, demonstra-se que t* tem distribuição t de Student com n-k-1 graus de liberdade”.
Assim, calcula-se o valor de t *j através da seguinte expressão:
O valor obtido é comparado com t (1-α/2 ; n-k-1), que se encontra na tabela dos pontos críticos da
distribuição t de Student. “Se t*j for superior a t(1-α/2 ; n-k-1), rejeita-se H0 e em caso contrário H0
não pode ser rejeitada e o parâmetro pode não ser importante na composição do modelo.”
(DANTAS, 2005:138).
2.4.4 Verificação das hipóteses básicas

Segundo Dantas (2005), é muito importante verificar as hipóteses básicas citadas nas seções
2.4.2.1 e 2.4.2.2. Esta verificação, de acordo com Hochheim (2005), garante a obtenção de
avaliações consistentes, não-tendenciosas e eficientes.
10
2.4.4.1 Primeira hipótese

A variável independente deve ser representada por números reais que não contêm nenhuma
perturbação aleatória.
Segundo Dantas (2005:108), “no caso de dados imobiliários, as variáveis independentes estão
relacionadas com as características fixas de cada elemento tomado como referência, estando a
hipótese atendida.”
2.4.4.2 Segunda hipótese

O número de observações deve ser superior ao número de parâmetros estimados.
Para evitar problemas de micronumerosidade, a NBR 14.653-2 (2011) estabelece que “o
número mínimo de dados efetivamente utilizados (n) no modelo deve obedecer aos seguintes
critérios, com respeito ao número de variáveis independentes (k)”:
 n ≥ 3 (k+1);
 para n ≤ 30, ni ≥ 3;
 para 30 < n ≤ 100, ni ≥ 10% n;
 para n > 100, ni ≥ 10.
Onde ni é o número de dados de mesma característica, no caso de utilização de variáveis

dicotômicas e variáveis qualitativas expressas por códigos alocados ou códigos ajustados.
2.4.4.3 Terceira hipótese

Os erros são variáveis aleatórias com valor esperado nulo e variância constante.
Com relação ao primeiro aspecto desta hipótese, González (1997) afirma que o valor esperado
dos erros é sempre nulo caso exista a constante na equação, pois o processo de estimação
ajusta esta constante para que isto ocorra e em praticamente todos os modelos do mercado
imobiliário existe constante. Com relação ao segundo aspecto, também conhecido como
homocedasticidade dos resíduos, Dantas (2005) diz que ele pode ser facilmente verificado
através de uma análise gráfica dos erros.
Plota-se um gráfico com os valores estimados pelo modelo de regressão no eixo x e os
correspondentes resíduos no eixo y. Se os pontos estiverem distribuídos aleatoriamente, sem
padrão definido, em torno de uma reta horizontal que passa pela origem, aceita-se a hipótese
de variância constante para o erro (modelo homocedástico). Caso os pontos apresentem
alguma tendência, conclui-se que a variância do erro não é constante (modelo
heterocedástico) (DANTAS, 2005).
2.4.4.4 Quarta hipótese

Os erros são variáveis aleatórias com distribuição normal.
Segundo Hochheim (2005), pode-se verificar esta hipótese comparando-se as freqüências
acumuladas dos erros padronizados observados na amostra com as porcentagens esperadas
para uma distribuição normal. Estas porcentagens são apresentadas na Tabela 3:
11
Intervalo Distribuição Normal (%)

-1 ≤ σ ≤ +1 68%
-1,64 ≤ σ ≤ +1,64 90%
-1,96 ≤ σ ≤ +1,96 95%
Tabela 3 – Valores notáveis da distribuição normal
Fonte: Hochheim (2005)
Caso as freqüências acumuladas dos erros normalizados sejam semelhantes aos valores da
Tabela 3, aceita-se a hipótese de normalidade dos resíduos (HOCHHEIM, 2005).
Segundo Dantas (2005), um histograma dos erros que apresente simetria e formato parecido
com o da curva normal também é um indicador a favor da hipótese de normalidade dos
resíduos.
2.4.4.5 Quinta hipótese

Os erros não são correlacionados, isto é, são independentes sob a condição de normalidade.
Segundo Hochheim (2005:4.12):
Em observações coletadas periodicamente, como em séries temporais, o efeito da

perturbação que ocorre em um período pode afetar a perturbação do período
seguinte, ou seja, os resíduos são correlacionados entre si. Esta ocorrência é
denominada autocorrelação.
Os dados do mercado imobiliário coletados num mesmo período são observações seccionais,
nas quais a presença de autocorrelação é pouco provável (SILVA; ZENI, 1998 apud
HOCHHEIM, 2005).
Segundo Dantas (2005), a ocorrência de autocorrelação serial nos termos de perturbação
aleatória pode ser verificada através da razão de Von Neumann, que é mais conhecida
atualmente como “teste de Durbin-Watson”.
De acordo com González (1997:91), outra alternativa para detectar a autocorrelação é através
do gráfico dos resíduos contra os seus antecessores, isto é, et x et-1. Se os resíduos parecem
seguir um padrão, há autocorrelação.
2.4.4.6 Sexta hipótese

Não deve existir nenhuma relação linear exata entre quaisquer variáveis independentes.
Segundo Dantas (2005), a verificação desta hipótese pode ser feita através da análise da
matriz das correlações, que mostra os coeficientes de correlação linear entre as variáveis
explicativas consideradas no modelo.
Segundo a NBR 14.653-2 (2011), deve-se prestar atenção especial em resultados maiores que
0,80. No entanto, mesmo para valores abaixo de 0,80, não se exclui a possibilidade de haver
multicolinearidade, motivo pelo qual recomenda-se verificar a correlação de cada variável
com subconjuntos de outras variáveis, através de regressões auxiliares.
Uma forte correlação linear entre duas ou mais variáveis independentes acarreta degenerações
no modelo e limita a sua utilização. Porém, nos casos em que o imóvel avaliando possua um
12
padrão estrutural semelhante àquele que provoca a multicolinearidade, esta pode ser
negligenciada e o modelo pode ser utilizado, desde que seja adotada a estimativa pontual
(NBR 14.653-2, 2011).
Segundo Hochheim (2005), uma outra forma de verificar a multicolinearidade é através da
análise dos gráficos dos resíduos versus variáveis independentes. Se a distribuição dos erros
acontece de forma aleatória, não há multicolinearidade. Caso a distribuição siga uma
tendência definida, existe o indicativo de multicolinearidade.
2.4.5. Pontos influenciantes e outliers

Segundo Dantas (2005), é importante verificar se existem outliers ou pontos influenciantes na
amostra, pois os estimadores de mínimos quadrados não são robustos quando esses pontos
contribuem para o ajustamento da reta de regressão. Neste caso, o modelo não se ajusta
adequadamente nem à parte majoritária dos dados, nem aos dados atípicos.
Pontos influenciantes são aqueles com pequenos resíduos, em algumas vezes até nulos, mas
que se distanciam da massa de dados, podendo alterar completamente as tendências naturais
indicadas pelo mercado (DANTAS, 2005:113). Uma das maneiras mais utilizadas para se
detectar pontos influenciantes em uma amostra é o teste da distância de Cook.
Outliers, na definição de Hochheim (2005:2.34):
(...) são observações que contém um grande resíduo em relação aos

demais que constituem a amostra. São identificados facilmente através
de uma análise gráfica, plotando-se os resíduos padronizados (epad)
contra os valores ajustados correspondentes (Yest). Normalmente,
adota-se como critério considerar elementos suspeitos de serem
outliers todos os dados que apresentam resíduo padronizado superior a
2, em módulo (...).
No entanto, segundo Hochheim (2005:2.35), “a eliminação dos dados discrepantes não deve
ser automática, baseado apenas no valor de seu resíduo padronizado”. Dados que apresentam
resíduo superior a 2 mas fazem parte da nuvem de pontos das demais observações não podem
ser considerados outliers. Por outro lado, dados que apresentam resíduo inferior a 2 mas se
afastam consideravelmente da nuvem de pontos podem ser considerados outliers, devendo ser
eliminados da amostra.
3. Método
Nesta seção será apresentada, resumidamente, a seqüência de atividades executadas para a
realização desse estudo. Esta seqüência começa pela delimitação da região, prosseguindo com
a pesquisa de mercado de terrenos, tratamento estatístico da amostra obtida e finaliza com a
seleção do modelo estatístico mais ajustado.
Neste caso foi escolhido o bairro Jurerê Internacional, situado na região norte da parte insular
do município de Florianópolis. Trata-se de uma região balneária bastante valorizada e muito
freqüentada na temporada de verão, sendo ocupada predominantemente por residências
unifamiliares e multifamiliares de alto padrão.
13
Após a definição do local, procedeu-se à pesquisa de mercado de terrenos. Os dados coletados

foram obtidos basicamente através de consulta a anúncios de imobiliárias, corretores de
imóveis e de proprietários, publicados em jornais, internet e através de faixas ou placas no
próprio imóvel. Para cada dado foram anotadas as características julgadas mais relevantes na
formação dos preços.
De posse da amostra coletada, procedeu-se ao tratamento estatístico da mesma, de acordo
com os procedimentos e condições estabelecidas no item 2 deste artigo. Para facilitar e
agilizar a obtenção do modelo estatístico foi utilizado um software específico para esta
finalidade, denominado INFER 32, desenvolvido pela empresa Ária Sistemas de Informática
Ltda.. Neste sistema os dados são inseridos em uma planilha e o programa calcula milhares de
modelos, apresentando ao usuário os cinqüenta melhores, em ordem decrescente de
coeficiente de correlação. O software também emite um relatório detalhado do tratamento
estatístico, com gráficos e tabelas que permitem verificar a validade e a qualidade de cada
modelo calculado.
Finalmente, após o tratamento estatístico, foi selecionado o modelo válido mais ajustado aos
dados, ou seja, que atendeu todos as hipóteses básicas e que apresentou o coeficiente de
correlação mais alto.
4. Pesquisa de mercado
Foram pesquisados no mercado local valores de transações e ofertas de terrenos em toda a
extensão do bairro Jurerê Internacional.
Durante a realização da pesquisa foram consultados anúncios de imobiliárias, corretores e
proprietários, publicados em jornais, internet e através de faixas ou placas nos respectivos
imóveis. A amostra obtida é constituída exclusivamente por ofertas e contém no total 73
(setenta e três) dados, coletados no decorrer do mês de maio/2016. A amostra completa e
detalhada pode ser visualizada no Anexo.
4.1. Definição das variáveis

A etapa de definição das variáveis é de suma importância na construção de um modelo
estatístico e tem como objetivo identificar as características mais relevantes na formação dos
preços. No decorrer da pesquisa de mercado foram observadas diversas características
relativas à região e aos dados pesquisados, dentre as quais foram selecionadas, inicialmente,
seis variáveis, sendo uma dependente (valor unitário) e quatro independentes (área, frente,
esquina e distância), descritas detalhadamente a seguir:
a) Valor unitário: variável numérica, dependente, que representa o valor unitário do terreno,
obtido através da divisão do preço total pela área e expresso em R$/m²;
b) Área: variável numérica, independente, que representa a área do terreno em m². Espera-se
que o valor unitário diminua conforme aumenta a área;
c) Frente: variável numérica, independente, que representa a medida da frente do terreno em
metros. Espera-se que o valor unitário aumente conforme aumenta a frente;
14
d) Esquina: variável dicotômica, independente, que indica se o terreno é de esquina ou não.

Para terrenos de esquina a variável assume o valor 1, caso contrário a variável assume o valor
0. Espera-se que o valor unitário aumente para terrenos de esquina;
e) Distância: variável numérica, independente, que representa a distância do terreno até a
praia em metros. Espera-se que o valor unitário diminua conforme aumenta a distância.
5. Tratamento estatístico
Uma vez concluída a pesquisa de mercado e a definição das variáveis, o estudo prosseguiu
com o tratamento estatístico da amostra obtida. Existem alguns sistemas (softwares)
disponíveis no mercado para o tratamento de dados por regressão. Conforme mencionado no
item 3, neste trabalho foi utilizado o sistema denominado INFER 32, desenvolvido pela
empresa Ária Sistemas de Informática Ltda.. Foram realizadas várias simulações com as mais
diversas combinações de dados e variáveis, eliminando-se as variáveis que não apresentaram
significância estatística bem como os dados discrepantes. Ao final dos testes, foram
eliminados no total 11 (onze) dados, restando assim 62 (sessenta e dois) dados efetivamente
utilizados. A variável “Área” apresentou forte correlação com a variável “Frente” e a variável
“Esquina” não demonstrou significância estatística, portanto ambas foram desconsideradas.
Finalmente, dentre os diversos modelos que o sistema permite calcular, foi escolhido aquele
que permitiu o melhor ajustamento dos dados, descrito a seguir:
[VU] = 1 / (-1,6986x10-4 + 1,2607x10-3 / Ln([Frente]) + 4,6285x10-7 x [Distância])
Este modelo apresenta uma correlação fortíssima, 0,9678, e um coeficiente r2 ajustado de

0,9344. Num modelo de regressão múltipla, como é o caso, é desejável que o módulo do
coeficiente de correlação entre a variável dependente e as variáveis independentes seja
próximo da unidade. O coeficiente de determinação (r2) indica o poder de explicação do
modelo em função das variáveis independentes consideradas. No caso, encontrou-se r2 =
0,9344, indicando que 93,44% da variabilidade dos preços observados são devidos às
variações encontradas nas variáveis estudadas.
A análise de variância, descrita no item 2.4.3.3, indicou que a hipótese de existência de
regressão pode ser aceita, uma vez que o valor de F calculado é maior do que o valor de F
tabelado da distribuição de Snedecor para um nível de significância de 1%, conforme pode ser
visualizado na Tabela 4.
Fonte de Soma dos Graus de

Variância F calculado F tabelado Fcalc > Ftab
variação quadrados liberdade
Explicada 2,1353 x 10-6 2 1,0676 x 10-6
Não explicada 1,4464 x 10-7 59 2,4516 x 10-9 435,5 4,984 Sim
Total 2,2799 x 10-6 61 3,7376 x 10-8
Tabela 4 – Análise de variância
Fonte: Dados produzidos pelo autor (2016)
15
O teste de significância dos regressores, descrito no item 2.4.3.4, indicou que todas as
variáveis apresentam significância estatística ao nível de 10%, ou seja, são importantes na
composição do modelo, conforme pode ser visualizado na Tabela 5.
Variável t tabelado t calculado Significância |tcalc| > ttab

Frente 1,6711 5,18 2,8 x 10-4% Sim
Distância 1,6711 29,03 5,4 x 10-18% Sim
Tabela 5 – Significância dos regressores
5.1. Verificação das hipóteses básicas

a) Primeira hipótese: conforme já mencionado no item 2.4.4.1, esta hipótese sempre é
atendida no caso de dados do mercado imobiliário, dispensando quaisquer outras verificações;
b) Segunda hipótese (micronumerosidade): A norma exige a utilização de um número mínimo
de 3(k+1) dados, o que representa, neste caso, 9 dados. Como foram utilizados efetivamente
62 elementos, a hipótese foi atendida.
c) Terceira hipótese (homocedasticidade): A verificação da homocedasticidade foi realizada
através do gráfico de resíduos x valores estimados, com os valores estimados plotados no eixo
das abscissas e os respectivos resíduos no eixo das ordenadas. Os pontos devem estar
distribuídos aleatoriamente, sem padrão definido. O modelo escolhido atende esta hipótese,
conforme pode ser visualizado na Figura 1.
Figura 1 – Gráfico de resíduos x valores estimados

d) Quarta hipótese (normalidade): A verificação da normalidade foi realizada através da
comparação das freqüências acumuladas dos resíduos padronizados do modelo com as
porcentagens notáveis da distribuição normal, sendo que os valores devem ser semelhantes. O
modelo escolhido atende esta hipótese, conforme pode ser visualizado na Tabela 6.
Intervalo Distr. Normal Valor observado

-1 ≤ σ ≤ +1 68% 64,52 %
16
-1,64 ≤ σ ≤ +1,64 90% 88,71 %

-1,96 ≤ σ ≤ +1,96 95% 98,39 %
Tabela 6 – Verificação da normalidade dos resíduos
e) Quinta hipótese (autocorrelação): A verificação da autocorrelação foi realizada através do

gráfico dos resíduos contra os seus antecessores. Os pontos devem estar distribuídos
aleatoriamente, sem padrão definido. O modelo escolhido atende esta hipótese, conforme
pode ser visualizado na Figura 2.
Figura 2 – Gráfico de autocorrelação

f) Sexta hipótese (multicolinearidade): A verificação da multicolinearidade foi realizada

através da matriz de correlações, que retrata as dependências lineares entre as variáveis
independentes, com atenção especial para resultados superiores a 0,80. Conforme pode ser
visualizado na Tabela 7, não há resultados acima de 0,80 na correlação entre as variáveis
independentes, indicando ausência de multicolinearidade.
VU Frente Distância
VU - 0,1738 0,9527
Frente 0,1738 - 0,0041
Distância 0,9527 0,0041 -
Tabela 7 – Matriz de correlações
5.2. Ajuste do modelo

Segundo González (1997:100), outra comparação que deve ser realizada é dos valores
calculados pelo modelo contra os valores observados na pesquisa. Esta verificação é realizada
através de um gráfico contendo uma linha diagonal que representa a posição em que os
17
valores estimados e observados são iguais. Quanto mais próximos da diagonal estiverem os
pontos, melhor é o ajuste do modelo. Na Figura 3 é possível visualizar o ajuste do modelo
escolhido.
Figura 3 – Gráfico de valores estimados x valores observados

6. Conclusão
De uma maneira geral, conclui-se que a utilização do Método Comparativo Direto de Dados
de Mercado para avaliação de terrenos no bairro Jurerê Internacional, situado no município de
Florianópolis/SC, foi bem sucedida.
A pesquisa de mercado revelou uma grande quantidade de dados, permitindo a formação de
uma amostra consistente e descartando a necessidade de utilização dos outros métodos
previstos na norma.
Dentre os diversos aspectos observados e estudados, verificou-se que as características mais
significativas na formação dos valores de terrenos naquela região foram as medidas da frente
(que está diretamente relacionada à área) e da distância à praia. As demais variáveis não
demonstraram significância estatística.
Finalmente, o tratamento estatístico da amostra resultou em um modelo com coeficientes de
correlação e determinação bastante altos, apresentando um ajuste satisfatório aos dados. Além
disso, o modelo atendeu a todos as hipóteses básicas indispensáveis para a sua validação.
Portanto, trata-se de um modelo preciso e confiável, que pode ser utilizado com segurança
para avaliação de terrenos naquele bairro e no período estudado.
Referências
ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR 14.653-1: Avaliação de

bens, Parte 1: Procedimentos gerais. Rio de Janeiro, 2001. 10 p.
ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR 14.653-2: Avaliação de

bens, Parte 2: Imóveis urbanos. Rio de Janeiro, 2011. 54 p.
18
DANTAS, R. A. Engenharia de Avaliações: Uma Introdução à Metodologia Científica. 2.

ed. São Paulo: Pini, 2005. 257 p.
HOCHHEIM, Norberto. Engenharia de Avaliações II: Modelos de Regressão Linear para

Avaliação de Imóveis Urbanos. 2005. 110 p. Digitado.
GONZÁLEZ, M. A. S. A Engenharia de Avaliações na Visão Inferencial. São Leopoldo:
UNISINOS, 1997. 142 p.
BONIN, M. S. Estudo sobre fatores de comercialização de casas em Florianópolis.

Trabalho de conclusão de curso. Florianópolis, Universidade Federal de Santa Catarina, 2011.
Elaboração de um modelo estatístico para
avaliação de terrenos no bairro Jurerê Internacional em Florianópolis/SC Dezembro/2016
19
Anexo – Pesquisa de mercado
Dado Endereço Informante Telefone Valor (R$) VU (R$/m²) Área (m²) Frente (m) Esquina Dist. (m)
1 Av. dos Dourados, esq. Rua dos Cações 100% Floripa 3284-6641 700.000,00 1.142,65 612,61 21,00 1 760,00
2 Rua das Caraúnas 100% Floripa 3284-6641 720.000,00 1.200,00 600,00 20,00 0 1.120,00
3 Rua das Piraúnas, esq. Rua dos Robaletes 100% Floripa 3284-6641 720.000,00 1.600,00 450,00 15,00 1 570,00
4 Rua dos Cações 100% Floripa 3284-6641 750.000,00 1.666,67 450,00 15,00 0 700,00
5 Rua das Algas ABR 3369-6368 850.000,00 1.574,07 540,00 20,00 0 790,00
6 Av. dos Dourados, esq. Rua dos Botos Amorae 3266-0900 700.000,00 1.555,56 450,00 15,00 1 720,00
7 Rua das Caraúnas, esq. Rua dos Calangos Amorae 3266-0900 915.000,00 1.616,61 566,00 18,39 1 910,00
8 Rua das Trutas Amorae 3266-0900 1.650.000,00 2.750,00 600,00 20,00 0 180,00
9 Rua das Trutas Amorae 3266-0900 1.500.000,00 2.500,00 600,00 20,00 0 210,00
10 Rua dos Tambaquis, esq. Rua das Cambevas Amorae 3266-0900 3.000.000,00 4.000,00 750,00 25,00 1 50,00
11 Trav. dos Robalos Amorae 3266-0900 1.200.000,00 2.666,67 450,00 15,00 0 170,00
12 Rua dos Pargos, esq. Rua das Miraguaias Atual 3236-2003 3.500.000,00 4.704,30 744,00 23,34 1 60,00
13 Av. dos Pampos Casa da Praia 3307-1657 1.980.000,00 3.300,00 600,00 20,00 0 110,00
14 Rua dos Lambarí Guaçu Casa da Praia 3307-1657 1.750.000,00 2.916,67 600,00 20,00 0 210,00
15 Av. dos Merlins CVD 4104-2958 2.500.000,00 4.166,67 600,00 20,00 0 140,00
16 Rua das Baúnas CVD 4104-2958 1.000.000,00 1.552,80 644,00 25,00 1 1.110,00
17 Rua das Caraúnas CVD 4104-2958 810.000,00 1.426,31 567,90 18,93 0 1.120,00
18 Rua das Piracemas CVD 4104-2958 750.000,00 1.666,67 450,00 15,00 0 530,00
19 Rua dos Badejos CVD 4104-2958 3.000.000,00 3.333,33 900,00 30,00 0 140,00
20 Av. dos Búzios Gralha 3028-8383 1.250.000,00 2.777,78 450,00 15,00 0 260,00
21 Rua das Caraúnas, esq. Rua dos Calangos Gralha 3028-8383 795.000,00 1.202,72 661,00 21,35 1 880,00
22 Av. dos Dourados High Class 3258-0839 850.000,00 1.133,33 750,00 18,75 0 760,00
20
23 Rua das Garoupas Ilha Floripa 3207-3090 1.500.000,00 3.333,33 450,00 15,00 0 210,00
24 Rua dos Amborés Ilha Floripa 3207-3090 900.000,00 2.000,00 450,00 15,00 0 370,00
25 Rua dos Uararas Invista 3222-3222 1.600.000,00 2.666,67 600,00 20,00 0 190,00
26 Av. dos Búzios Jurerê Golden 3365-6501 1.200.000,00 2.000,00 600,00 20,00 0 270,00
27 Av. dos Búzios, esq. Rua dos Peixes-Serra Jurerê Golden 3365-6501 1.250.000,00 2.500,00 500,00 18,00 1 250,00
28 Rua dos Tamoatas Jurerê Golden 3365-6501 850.000,00 1.430,98 594,00 18,00 0 1.000,00
29 Rua dos Tucunarés Jurerê Golden 3365-6501 2.100.000,00 3.500,00 600,00 20,00 0 130,00
30 Rua das Caraúnas Jurerê Vip 3307-7576 790.000,00 1.357,39 582,00 19,42 0 1.060,00
31 Av. dos Dourados Kátia Freitas 3209-6061 1.500.000,00 2.000,00 750,00 18,75 0 760,00
32 Rua dos Botos Kátia Freitas 3209-6061 755.000,00 1.677,78 450,00 15,00 0 500,00
33 Rua dos Cações Kátia Freitas 3209-6061 720.000,00 1.600,00 450,00 15,00 0 500,00
34 Rua dos Pirapemas L. V. Borries 8811-0443 1.100.000,00 1.419,35 775,00 19,46 0 1.100,00
35 Av. dos Búzios Mar de Jurerê 3282-1980 1.060.000,00 2.355,56 450,00 15,00 0 250,00
36 Av. dos Dourados Mar de Jurerê 3282-1980 790.000,00 1.316,67 600,00 20,00 0 760,00
37 Rua dos Pirapemas MM 3369-7673 1.700.000,00 1.189,69 1.428,94 43,42 0 1.140,00
38 Rua dos Pirapemas Piasseta 4141-4542 920.000,00 1.299,44 708,00 23,88 0 1.140,00
39 Rua dos Pirapemas Piasseta 4141-4542 940.000,00 1.303,74 721,00 19,54 0 1.140,00
40 Av. dos Merlins, esq. Rua dos Lambarí Guaçu Reis 8454-8478 1.650.000,00 2.750,00 600,00 20,00 1 180,00
41 Av. dos Búzios Savas 3024-2004 1.050.000,00 2.333,33 450,00 15,00 0 280,00
42 Av. das Lagostas, esq. Rua dos Amborés Silvio Melo 9674-2040 750.000,00 1.666,67 450,00 15,00 1 350,00
43 Rua dos Uararas, esq. Rua dos Peixes-Espada Smolka 3307-7377 2.200.000,00 3.666,67 600,00 20,00 1 180,00
44 Av. dos Dourados, esq. Rua dos Botos Steinhaus 3282-1650 690.000,00 1.533,33 450,00 15,00 1 720,00
45 Av. dos Salmões, esq. Rua das Tainhas Steinhaus 3282-1650 870.000,00 1.933,33 450,00 15,00 1 670,00
46 Av. dos Amores Viva Jurerê 3209-7090 930.000,00 1.200,00 775,00 20,00 0 1.200,00
47 Av. dos Búzios Viva Jurerê 3209-7090 2.800.000,00 2.333,33 1.200,00 40,00 0 270,00
21
48 Av. dos Búzios Viva Jurerê 3209-7090 3.600.000,00 2.666,67 1.350,00 45,00 0 290,00
49 Av. dos Búzios, esq. Rua dos Tandujus Viva Jurerê 3209-7090 2.700.000,00 3.000,00 900,00 30,00 1 300,00
50 Av. dos Dourados, esq. Av. dos Bonitos Viva Jurerê 3209-7090 720.000,00 1.600,00 450,00 15,00 1 720,00
51 Av. dos Pampos, esq. Rua dos Pargos Viva Jurerê 3209-7090 6.500.000,00 6.372,55 1.020,00 20,00 1 1,00
52 Largo dos Acaraís Viva Jurerê 3209-7090 900.000,00 1.161,29 775,00 20,00 0 980,00
53 Rua das Algas Viva Jurerê 3209-7090 750.000,00 1.400,56 535,50 20,00 0 810,00
54 Rua das Baúnas Viva Jurerê 3209-7090 960.000,00 1.368,50 701,50 23,00 0 1.090,00
55 Rua das Baúnas Viva Jurerê 3209-7090 1.000.000,00 1.290,32 775,00 20,00 0 1.110,00
56 Rua das Baúnas Viva Jurerê 3209-7090 780.000,00 1.207,90 645,75 25,83 0 1.140,00
57 Rua das Caraúnas Viva Jurerê 3209-7090 1.800.000,00 1.584,79 1.135,80 37,86 0 1.140,00
58 Rua das Tibiras Viva Jurerê 3209-7090 800.000,00 1.777,78 450,00 15,00 0 680,00
59 Rua dos Arenques Viva Jurerê 3209-7090 900.000,00 2.000,00 450,00 15,00 0 380,00
60 Rua dos Aruanãs, esq. Rua dos Lambarí Guaçu Viva Jurerê 3209-7090 1.750.000,00 2.916,67 600,00 20,00 1 180,00
61 Rua dos Badejos Viva Jurerê 3209-7090 1.700.000,00 2.833,33 600,00 20,00 0 140,00
62 Rua dos Botos Viva Jurerê 3209-7090 750.000,00 1.666,67 450,00 15,00 0 660,00
63 Rua dos Fidalgos Viva Jurerê 3209-7090 2.750.000,00 3.933,63 699,10 20,06 0 60,00
64 Rua dos Lambarí Guaçu Viva Jurerê 3209-7090 1.550.000,00 2.583,33 600,00 20,00 0 200,00
65 Rua dos Lambarí Guaçu Viva Jurerê 3209-7090 1.550.000,00 2.421,88 640,00 20,00 0 210,00
66 Rua dos Mandis Viva Jurerê 3209-7090 950.000,00 1.393,00 681,98 26,00 0 1.020,00
67 Rua dos Meros Viva Jurerê 3209-7090 780.000,00 1.733,33 450,00 15,00 0 610,00
68 Rua dos Pargos Viva Jurerê 3209-7090 7.600.000,00 5.428,57 1.400,00 35,00 0 1,00
69 Rua dos Robaletes Viva Jurerê 3209-7090 850.000,00 1.588,79 535,00 20,00 0 810,00
70 Rua dos Tambaquis Viva Jurerê 3209-7090 5.500.000,00 5.392,16 1.020,00 25,50 0 1,00
71 Rua dos Tambaquis Viva Jurerê 3209-7090 2.800.000,00 4.666,67 600,00 20,00 0 50,00
72 Rua dos Tucunarés Viva Jurerê 3209-7090 2.000.000,00 3.333,33 600,00 20,00 0 130,00
22
73 Av. dos Dourados, esq. Rua dos Bagres Viver 8405-6555 750.000,00 1.223,67 612,91 21,00 1 760,00

Idioma

Bem-vindo(a) ao Scribd!

Maximiliano Schmitz Bonin 8110813

Enviado por

Dados do documento

Descrição:

Data de envio

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Descrição:

Direitos autorais:

Formatos disponíveis

Maximiliano Schmitz Bonin 8110813

Enviado por

Descrição:

Direitos autorais:

Formatos disponíveis

Títulos relacionados

Elaboração de um modelo estatístico para avaliação de terrenos no bairro Jurerê

Internacional em Florianópolis/SC Dezembro/2016

Elaboração de um modelo estatístico para avaliação de terrenos no

Maximiliano Schmitz Bonin – msbonin@gmail.com

Palavras-chave: Método comparativo. Avaliação de imóveis. Inferência estatística.

uma especialidade da engenharia que reúne um conjunto amplo de conhecimentos

inventário, perícias judiciais, cobrança de IPTU e outros, sendo particularmente interessante

2. Método Comparativo Direto de Dados de Mercado

2.1. Vistoria e caracterização do imóvel

Na caracterização da região, devem ser observados aspectos relativos a características físicas,

2.2. Pesquisa de dados de mercado

2.3. Tratamento dos dados e cálculo do valor

2.4. Inferência estatística

Inferir significa concluir. Assim, inferir estatisticamente significa tirar conclusões

2.4.1. Modelos estatísticos

a análise de regressão é um dos ramos da teoria estatística mais utilizados na

2.4.2.1 Regressão linear simples

Segundo Dantas (2005), na prática é inviável o levantamento de todos os dados de uma

A maneira mais fácil de se estimar os parâmetros do modelo é através do Método dos

2.4.2.2 Regressão linear múltipla

Tal como em um modelo de regressão simples, trabalha-se com um subconjunto extraído da

2.4.3 Ajustamento do modelo

2.4.3.1 Coeficiente de determinação (r²)

O coeficiente de determinação r² fornece uma medida de quanto as estimativas

Ainda de acordo com Hochheim (2005:2.15):

O coeficiente de determinação varia de 0 a 1. Ele terá valor próximo de 1 quando a

Por exemplo, supondo que em um determinado modelo encontrou-se um r² = 0,853. Isto

 k é o número de variáveis independentes do modelo.

2.4.3.2 Coeficiente de correlação (r)

Valor de r Relação linear

2.4.3.3 Análise de variância

Fonte de Soma dos Graus de

2.4.3.4 Significância dos regressores

A importância individual de uma variável Xj que participa de um modelo de

Neste caso, é feito o seguinte teste de hipótese (DANTAS, 2005):

Segundo Dantas (2005), a estatística de teste é dada por:

2.4.4 Verificação das hipóteses básicas

2.4.4.1 Primeira hipótese

2.4.4.2 Segunda hipótese

Onde ni é o número de dados de mesma característica, no caso de utilização de variáveis

2.4.4.3 Terceira hipótese

2.4.4.4 Quarta hipótese

Intervalo Distribuição Normal (%)

2.4.4.5 Quinta hipótese

Em observações coletadas periodicamente, como em séries temporais, o efeito da

2.4.4.6 Sexta hipótese

2.4.5. Pontos influenciantes e outliers

(...) são observações que contém um grande resíduo em relação aos

Após a definição do local, procedeu-se à pesquisa de mercado de terrenos. Os dados coletados

4.1. Definição das variáveis

d) Esquina: variável dicotômica, independente, que indica se o terreno é de esquina ou não.

[VU] = 1 / (-1,6986x10-4 + 1,2607x10-3 / Ln([Frente]) + 4,6285x10-7 x [Distância])

Este modelo apresenta uma correlação fortíssima, 0,9678, e um coeficiente r2 ajustado de

Fonte de Soma dos Graus de

Variável t tabelado t calculado Significância |tcalc| > ttab

5.1. Verificação das hipóteses básicas

Figura 1 – Gráfico de resíduos x valores estimados