Estatística aplicada à avaliações

• Estatística Descritiva - Trata da coleta,

organização e apresentação dos dados
• Inferência Estatística-Trata de
generalizações da parte do todo, a partir de
informações incompletas
População- Pode ser definida como a
totalidade de todas as observações
possíveis sobre medidas ou ocorrências
Amostra- Conjunto de medidas ou
sucessos selecionados de uma população
Estatística aplicada à avaliações
Estatística trata de fenômenos susceptíveis
da mensuração ou contagem. Quando o
fenômeno pode ser medido falamos de
VARIÁVEL, significando uma quantidade
homogênea que assume valores diversos
em diferentes pontos de observação. Se o
fenômeno pode ser contado, mas não
medido falamos de ATRIBUTO. Assim o
atributo é a presença ou ausência de
determinada característica.
.
Diferença entre metodologia tradicional e inferência
estatística

A metodologia tradicional utiliza fatores de

homogeneização (estatística descritiva) para
ajustar os dados à média, o que equivale dizer
que os dados devem ser movidos para próximo
da sua média. Com o uso da inferência
estatística, o processo torna-se mais preciso, pois
invertemos o processo, isto é, em vez de
aproximarmos os dados da média, tentamos
encontrar a média que mais se aproxima dos
dados de mercado, sem alterar seus atributos.
Inferência estatística
• Obtenção da curva representativa da relação
entre o valor e os atributos;

• Obtenção de uma equação matemática capaz

de expressar quantitativamente a relação
existente

• A variável que se procura conhecer é

denominada dependente ou explicada e as
formadoras de valor são as variáveis
conhecidas, denominadas independentes ou
explicativas.
• Variável- Entende-se por variável uma quantidade
que assume valores diferentes em diferentes
pontos de observação podendo ser:
• Quantitativa - quando o fenômeno pode ser
quantificado através de instrumentos de medida
ou por contagem. Ex: área, frente, distância a um
pólo valorizante, número de dorm, número de
pavimentos;
• Qualitativa- a qualificação pode ser feita de
acordo com a observação do analista para cada
variável podendo atribuir critérios: boa, regular,
ruim no caso de conservação: favorável,
desfavorável ou sem influência para topografia.
Variável Qualitativa-
A qualificação pode ser feita de acordo com a
observação do analista para cada variável podendo
atribuir critérios: boa, regular, ruim no caso de
conservação: favorável, desfavorável ou sem
influência para topografia
Por meio de codificação:

Dicotômica: por exemplo: tipo sim:1; não:0

Código Alocado: padrão construtivo:
baixo=1;normal=2 e alto=3
Proxy: padrão construtivo expresso pelo CUB ou a
localização expressa pela renda
Análise por Regressão
• A utilização de regressão permite ao avaliador predizer o
valor desconhecido de uma variável partindo do valor
conhecido de outra.
• Curva de Mínimos Quadrados
• O que é um bom ajustamento? O ajustamento que
minimizar o erro total
• a) elevando ao quadrado todos os erros se tornam
positivos;
• b) elevando ao quadrado são enfatizados os grandes erros;
• c) a álgebra dos mínimos quadrados é simples
Análise por Regressão
• A utilização de regressão linear permite ao
avaliador predizer o valor desconhecido de uma
variável partindo do valor conhecido de outra.
• Frequentemente com base em dados amostrais
deseja-se estimar o valor de uma variável y,
correspondente ao conhecido de uma variável x;
isso pode ser alcançado mediante a avaliação do
valor y a partir de uma curva de mínimos
quadrados que se ajuste aos dados amostrais. A
curva resultante é denominada de regressão de y
para x visto que y é avaliado a partir de x.
• Exemplos: a)A avaliação do preço de venda
(variável desconhecido) a partir de m² de uma
residência (variável conhecida);
• b)O valor unitário de um terreno vai depender das
suas dimensões de frente e profundidade, da
topografia, do índice de aproveitamento e da sua
localização na malha urbana da cidade;
• c)O valor unitário de locação de um apto guarda
estreita relação com o nº de dorm, da existência ou
não de dependências de empregada, da existência
ou não de espaços para estacionamento de veículos
(além de outros atributos de interesse).
• d) A avaliação do faturamento de um restaurante
(variável desconhecida) a partir do nº de pessoas
que frequentam o restaurante (variável conhecida)
Regressão Linear
• Realizada a pesquisa de valores, relativa a um
imóvel cujo valor se pretenda determinar,
registradas em uma sistema de coordenadas
ortogonais os diversos pares de valores obtidos
para uma variável independente e sua
correspondente variável dependente.
Gráfico de preços observados (abscissa) versus valores estimados pelo
modelo (ordenada)
Regressão Simples y = a + b.x
• y = variável desconhecida (dependente)
• x = variável conhecida (independente)
• a,b constantes

• r - coeficiente de correlação
• r² - coeficiente de determinação
• r=0 nula
• 0 < r < 0,30 fraca
• 0,30 < r < 0,60 média
• 0,60 < r < 0,90 forte
• 0,90 < r < 0,99 fortíssima
• r=1 perfeita
Modelos não lineares
• Y = a . X ^ b ( potencial)
• Ln y = ln a + b. ln x
• Y = a . B ^ x (exponencial)
• Ln y = ln a + x. ln b
• Y = a + b. ln x ( logarítmica)
Intervalo de Confiança
• Recomenda a teoria das regressões e exige a NBR
14.653 para avaliações que se determine para y
um intervalo de confiança em torno da média y,
máximo de 80% que indica a faixa dentro do qual
deve situar o valor estimado,
• Dentro desse intervalo deve ser definido o valor
final da avaliação, que deverá ser adequadamente
justificado especialmente quando diferir o valor
médio estimado pela regressão y.
Coeficiente de determinação e correlação

Um coeficiente de correlação igual a zero, significa

que não há qualquer correlação entre as variáveis,
quando igual a um, significa uma correlação perfeita,
isto é, toda a variação foi explicada.
A correlação e a regressão são duas técnicas
estreitamente relacionadas que envolvem uma forma
de estimar ou descrever uma relação que possa existir
entre variáveis de uma população analisada através
de dados amostrais.
A análise da correlação dá um número que resume o
grau de relacionamento entre variáveis; análise da
regressão tem como resultado uma equação
Com a análise da correlação buscamos as variáveis
relacionadas medindo o grau de relacionamento
entre elas. Com a regressão buscamos a equação
para predizer valores prováveis de uma variável
quando se conhecem ou se supõem conhecidos
valores das outras variáveis.
Uso de Distribuições Probabilísticas
Como vimos, para medir o tamanho do erro que
podemos estar cometendo, e então decidir se está
aceitável (nível de significância reduzido),
precisamos saber qual a probabilidade do erro
acontecer. As distribuições utilizadas para testar
hipóteses formuladas a respeito das variações dos
valores dos imóveis no mercado imobiliário:
t Student- Mede a probabilidade de erro na
formulação das hipóteses de contribuição
individual das variáveis independentes na
formação do valor da variável dependente
F Snedecor - Mede a probabilidade de erro na
formulação das hipóteses de contribuição do
conjunto das variáveis independentes na formação
do valor da variável dependente.

Valor do t Student- Quanto maior o valor do t, maior

a influência da variável no modelo. Assim, se uma
variável apresenta valor do t muito superior as
demais estão dando pequena contribuição.
 Análise de Variância

A análise de variância é outra forma de testar a hipótese

de não-existência de regressão, verificando a
significância do modelo a adotar.
A figura reproduz uma reta de regressão de y em x,
y = valor da média observada
_
(yi-y)= desvio total

 _
(yi-y)= desvio explicado


(yi-yi)= desvio não explicado

_  _ 
(yi -y) = (yi-y) + (yi-yi)
Análise de Variância

Esta igualdade se mantém se todos os membros forem elevados

ao quadrado.
_ _ 
(yi-y)²=  (yi-y)² + (yi-yi)²

_
(yi-y)²= variação total

_
(yi-y)²= variação explicada


(yi-yi)²= variação não explicada

Para isso, deve-se construir uma tabela de análise de variância

conhecida como tabela ANOVA.
Análise de Variância
FONTE DE VARIAÇÃO VARIAÇÃO GRAUS DE VARIÂNCIA
LIBERDADE g.l

_ _
explicada (yi - y)² k (yi - y)²/k

 _
não explicada (yi - y)² n-k-1 (yi-y)²/

 n-k-1
total (yi - yi)² n-1

onde: n- número de elementos da amostra

K- número de variáveis independentes

F = variância explicada pela regressão

variância não explicada
Análise de Variância

Assim, para se fazer um teste de significância do modelo a um nível

=5%, basta comparar o F calculado com F(1-;k;n-k-1), que se
encontra tabelado para vários níveis de . Se Fcalc > F (1-;k;n-k-1),
rejeita-se a hipótese Ho e, em caso contrário, Ho não pode ser
rejeitado ao nível  e, pelo menos, um dos parâmetros não pode ser
considerado significativamente diferente de zero.
Enfatiza-se que o exposto acima é, simplesmente, um modo
alternativo de testar a hipótese nula.