Avaliacao de Imoveis Urbanos

AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA
ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
“A estatística tem uma particularidade: pesquisamos para dizer algo

significativo sobre o universo que elegemos, porém a pesquisa só será
significativa se conhecermos suficientemente o universo para escolhermos
adequadamente as variáveis e as condições de amostragem.”
Instrutora: ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
End. : Rua C uruzú, 56 – Alto d a La p a Te l: 55 (11) 3831-1568/ 8109-7733 Sã o Pa ulo -S.P
e-mail: anabiazzi@uol.com.br
CURRICULUM VITAE - RESUMIDO
Arquiteta, graduada pela Pontifícia Universidade Católica de Campinas. Pós –
graduada em Engenharia de Avaliações e Perícias pela Universidade Santa
Cecília -UNISANTA – Santos–SP. Mestre em Engenharia Civil e Urbana pela Escola
Politécnica da USP.Profissional autônoma exercendo as mais diversas funções na
área de Avaliações e Perícias de Engenharia. Vice- presidente do IBAPE/SP-
Instituto Brasileiro de Avaliações e Perícias de Engenharia de São Paulo.
Participação como relatora na elaboração da NORMA PARA AVALIAÇÃO DE
IMÓVEIS URBANOS do IBAPE/SP.Coordenadora do estudo “VALORES DE
EDIFICAÇÕES DE IMÓVEIS URBANOS” do IBAPE/SP versão 2002.Integrante da
Comissão de Estudos da ABNT - COBRACON no processo de revisão das Normas
de Avaliações de Bens.Instrutora nos cursos de especialização versando sobre
“Inferência Estatística Aplicada à Engenharia de Avaliações de Imóveis”
ministrados para entidades e órgãos públicos e em cursos em cursos de pós -
graduação “Latu Sensu” em Engenharia de Avaliações e Perícias
1
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
1 - Conceitos Gerais
1.1- A Natureza da Avaliação de um Bem Imóvel

Do ponto de vista geral e pela definição contida na NBR (Norma Brasileira) -14.653 -
PARTE 1: PROCEDIMENTOS GERAIS, a avaliação de um bem consiste na
“análise técnica, realizada por Engenheiro de Avaliações, para identificar o valor de
um bem, de seus custos, frutos e direitos, assim como determinar indicadores da
viabilidade de sua utilização econômica, para uma determinada finalidade,
situação e data”.
Sendo que:
3.6 bem: C o isa q ue te m va lo r, susc e tíve l d e utiliza ç ã o o u q ue p o d e se r o b je to
d e d ire ito , q ue inte g ra um p a trimô nio
3.6.1 bem tangível: Be m id e ntific a d o ma te ria lme nte (e x.: imó ve is,
e q uip a me nto s, ma té ria s-p rima s)
3.6.2 bem intangível: Be m nã o id e ntific a d o ma te ria lme nte (e x.: fund o d e
c o mé rc io , ma rc a s e p a te nte s)
1.2 Classificação dos bens, vistoria e coleta de dados (transcrições Normas

técnicas brasileiras NBR 14653-2))
1.2.1 Classificação dos imóveis urbanos

• Quanto ao uso:
a) residencial;
b) comercial;
c) industrial;
d) institucional;
e) misto.
• Quanto ao tipo do imóvel, entre outros:
a) terreno (lote ou gleba);
b) apartamento;
c) casa;
d) escritório (sala ou andar corrido);
e) loja;
f) galpão;
g) vaga de garagem;
h) misto;
2
i) hotéis e motéis;
j) hospitais;
k) escolas;
l) cinemas e teatros;
m) clubes recreativos;
n) prédios industriais.
• Quanto ao agrupamento dos imóveis:
a) loteamento;
b) condomínio de casas;
c) prédio de apartamentos;
d) conjunto habitacional (casas, prédios ou mistos);
e) conjunto de salas comerciais;
f) prédio comercial;
g) conjunto de prédios comerciais;
h) conjunto de unidades comerciais;
i) complexo industrial.
1.2.2 - Vistoria do bem avaliando

Nenhuma avaliação poderá prescindir da vistoria. Em casos excepcionais, quando
for impossível o acesso ao bem avaliando, admite-se a adoção de uma situação
paradigma, desde que acordada entre as partes e explicitada no laudo.
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.
• É recomendável registrar as características físicas e de utilização do bem e
outros aspectos relevantes à formação do valor.
• O conhecimento de estudos, projetos ou perspectivas tecnológicas que
possam vir a afetar o valor do bem avaliando deverá ser explicitado e suas
conseqüências apreciadas.
• Caracterização da região
― Aspectos gerais: análise das condições econômicas, políticas e sociais, quando
relevantes para o mercado, inclusive usos anteriores atípicos ou estigmas.
― Aspectos físicos: condições de relevo, natureza predominante do solo e
condições
ambientais.
3
― Localização: situação no contexto urbano, com indicação dos principais pólos de

influência.
― Uso e ocupação do solo: confrontar a ocupação existente com as leis de
zoneamento e uso do solo do município, para concluir sobre as tendências de
modificação a curto e médio prazo.
― Infra-estrutura urbana: sistema viário, transporte coletivo, coleta de resíduos
sólidos, água potável, energia elétrica, telefone, redes de cabeamento para
transmissão de dados, comunicação e televisão, esgotamento sanitário, águas
pluviais e gás canalizado.
― Atividades existentes: comércio, indústria e serviço.
― Equipamentos comunitários: segurança, educação, saúde, cultura e lazer.
• Caracterização do terreno
― Localização: situação na região e via pública, com indicação de limites e
confrontações.
― Utilização atual e vocação, em confronto com a legislação em vigor.
― Aspectos físicos: dimensões, forma, topografia, superfície, solo.
― Infra-estrutura urbana disponível.
― Restrições físicas e legais ao aproveitamento.
• Caracterização das edificações e benfeitorias

― Aspectos construtivos, qualitativos, quantitativos e tecnológicos, comparados com
a documentação disponível.
― Aspectos arquitetônicos, paisagísticos e funcionais, inclusive conforto ambiental.
― Adequação da edificação em relação aos usos recomendáveis para a região.
― Condições de ocupação.
• Situações especiais
- Vistoria por amostragem

Na avaliação de conjunto de unidades autônomas padronizadas, é permitida
vistoria interna por amostragem aleatória de uma quantidade definida previamente
pelas partes ou, se houver omissão no contrato, de um percentual mínimo de 10%
do total das unidades de cada bloco ou conjunto de unidades de mesma tipologia.
4
- Impossibilidade de vistoria
Quando não for possível o acesso do avaliador ao interior do imóvel, o motivo deve
ser justificado no laudo de avaliação. Neste caso, em comum acordo com o
contratante, a vistoria interna pode ser prescindida e a avaliação pode prosseguir
com base nos elementos que for possível obter ou fornecidos pelo contratante, tais
como:
a) descrição interna;
b) no caso de apartamentos, escritórios e conjuntos habitacionais, a vistoria externa
de áreas comuns, a vistoria de outras unidades do mesmo edifício e informações da
respectiva administração;
c) no caso de unidades isoladas, a vistoria externa.
As considerações hipotéticas sobre o imóvel que configuram a situação paradigma,
devem estar claramente explicitadas no laudo de avaliação.
1.2.3 Coleta de dados

É recomendável que seja planejada com antecedência, tendo em vista: as
características do bem avaliando, disponibilidade de recursos, informações e
pesquisas anteriores, plantas e documentos, prazo de execução dos serviços, enfim,
tudo que possa esclarecer aspectos relevantes para a avaliação.
Aspectos Quantitativos
É recomendável buscar a maior quantidade possível de dados de mercado, com
atributos comparáveis aos do bem avaliando.
Aspectos Qualitativos
Na fase de coleta de dados é recomendável:
a) buscar dados de mercado com atributos mais semelhantes possíveis aos do
bem avaliando;
b) identificar e diversificar as fontes de informação, sendo que as informações
devem ser cruzadas, tanto quanto
possível, com objetivo de aumentar a confiabilidade dos dados de mercado;
c) identificar e descrever as características relevantes dos dados de mercado
coletados;
d) buscar dados de mercado de preferência contemporâneos com a data de
referência da avaliação.
5
Planejamento da pesquisa
No planejamento de uma pesquisa, o que se pretende é a composição de uma
amostra representativa de dados de mercado de imóveis com características, tanto
quanto possível, semelhantes às do avaliando, usando-se toda a evidência
disponível. Esta etapa – que envolve estrutura e estratégia da pesquisa – deve
iniciar-se pela caracterização e delimitação do mercado em análise, com o auxílio
de teorias e conceitos existentes ou hipóteses advindas de experiências adquiridas
pelo avaliador sobre a formação do valor.
Na estrutura da pesquisa são eleitas as variáveis que, em princípio, são relevantes
para explicar a formação de valor e estabelecidas as supostas relações entre si e
com a variável dependente.
A estratégia de pesquisa refere-se à abrangência da amostragem e às técnicas a
serem utilizadas na coleta e análise dos dados, como a seleção e abordagem de
fontes de
Levantamento de dados de mercado
O levantamento de dados tem como objetivo a obtenção de uma amostra
representativa para explicar o comportamento do mercado no qual o imóvel
avaliando esteja inserido e constitui a base do processo avaliatório. Nesta etapa o
engenheiro de avaliações investiga o mercado, coleta dados e informações
confiáveis preferentemente a respeito de negociações realizadas e ofertas,
contemporâneas à data de referência da avaliação, com suas principais
características econômicas, físicas e de localização.
6
2 Métodos para identificar o valor de um bem, de seus frutos e direitos
Método comparativo direto de dados de mercado

Identifica o valor de mercado do bem por meio de tratamento técnico dos
atributos dos elementos comparáveis, constituintes da amostra. Preferencialmente
utilizado na busca do valor de mercado de terrenos, casas padronizadas, lojas,
apartamentos, escritórios, armazéns, entre outros, sempre que houver dados
semelhantes ao avaliando.
Método involutivo
Identifica o valor de mercado do bem, alicerçado no seu aproveitamento eficiente,
baseado em modelo de estudo de viabilidade técnico-econômica, mediante
hipotético empreendimento compatível com as características do bem e com as
condições do mercado no qual está inserido, considerando-se cenários viáveis para
execução e comercialização do produto. Utilizado no caso de inexistência de
dados amostrais semelhantes ao avaliando.
Método evolutivo
Identifica o valor do bem pelo somatório dos valores de seus componentes. Caso a
finalidade seja a identificação do valor de mercado, deve ser considerado o fator
de comercialização. Indicado para obter o valor de mercado no caso de
inexistência de dados amostrais semelhantes ao avaliando. É o caso de residências
de alto padrão, galpões, entre outros.
Método da capitalização da renda

Identifica o valor do bem, com base na capitalização presente da sua renda líquida
prevista, considerando-se cenários viáveis. Recomendado para empreendimentos
de base imobiliária, tais como shopping-centers, hotéis.
Escolha da metodologia
A metodologia escolhida deve ser compatível com a natureza do bem avaliando, a

finalidade da avaliação e os dados de mercado disponíveis. Para a identificação
do valor de mercado, sempre que possível preferir o método comparativo direto de
dados de mercado.
7
2.1 Avaliação pelo Método Comparativo de Dados de Mercado
O Método Comparativo Direto de Dados de Mercado é aquele que define o valor

através da comparação com os preços de bens similares, que foram
transacionados (vendidos, locados, etc...) recentemente, ou estão ofertados. As
particularidades dos dados pesquisados que exercem influência na formação dos
preços deverão ser ponderadas através de ajustes, ou pelo Tratamento por Fatores
(Homogeneização) ou através de Tratamento Científico (inferência Estatística).
2.1.1. A Prática da Pesquisa
Na utilização do Processo Comparativo busca-se um valor representativo para a

p o p ula ç ã o de imó ve is se me lha nte s àquele que se pretende avaliar. Como a
população é, normalmente, inacessível na sua totalidade, utiliza-se uma a mo stra ,
cujo valor médio fornece estimativas do valor médio populacional.
É evidente que, q ua nto ma is ho mo g ê ne a a p o p ula ç ã o investigada, ma is
ho mo g ê ne a se rá a mo stra , sendo provável que esta contenha dados com valores
próximos à média aritmética.
Entretanto, para previsão do valor de mercado de um imóve l, pelo Pro c e sso
C o mp a ra tivo , o pesquisador enfrenta dificuldades significativas, pelo fato de ser
muito he te ro g ê ne o , e o resultado da pesquisa imobiliária é a obtenção de a mo stra s
he te ro g ê ne a s, conseqüência do próprio fato de que o mercado brasileiro não se
faz através de imóveis padronizados, ,as sim. diferenciado em função,
principalmente, de fenômenos culturais, locacionais e socioeconômicos.
Preços unitários homogêneos (difícil na pratica), indicam que, à priori, não devem
existir atributos influenciantes na formação dos preços. Neste caso, a avaliação
poderá ser feita a partir da média dos preços coletados no mercado.
Preços unitários heterogêneos indicam a possibilidade de haver um ou mais
atributos que estão influenciando na formação dos preços deste mercado. Parte-se
então para a identificação destes atributos. No início da pesquisa, é necessário um
pré-estudo identificando inicialmente que variáveis possam influenciar os preços,
mas, em muitos casos, a identificação de certos atributos só será possível durante
contatos com os agentes do mercado.
8
A aplicação adequada do método comparativo está fundamentada na

metodologia da pesquisa científica, que se desenvolve através das seguintes fases:
1 - Preparação da pesquisa:
2 - Trabalho de campo;
3 - Processamento e análise dos dados:
4 - Interpretação e explicação dos resultados;
5 - Redação do laudo avaliatório.
Portanto, a pesquisa abrange todo o processo avaliatório. Neste curso apresentam-
se alguns conceitos básicos sobre as duas primeiras fases. As demais são objetos de
outros cursos.
2.1.2 - Preparação da pesquisa

Esta fase está vinculada diretamente ao planejamento da pesquisa. Nela se faz a
escolha, definição e delimitação do problema em análise. Observa-se as teorias e
abordagens a serem empregadas e os conceitos e hipóteses que devem ser
levados em consideração.
No planejamento da pesquisa imobiliária, o que se pretende é a composição de
uma amostragem aleatória de valores de imóveis com características, tanto quanto
possível, semelhantes às do avaliando.
Cada dado coletado deve reunir condições de tal forma que possa ser
considerado um evento representativo do mercado imobiliário na região de
pesquisa.
Em geral o avaliador conhece a priori as principais características influenciantes
sobre o valor de um bem e em conseqüência a formulação das hipóteses de
trabalho.
Devido ao grande número de variáveis independentes (atributos dos imóveis) que
teriam lugar num modelo explicativo do valor de um imóvel e a quantidade
reduzida de dados que se trabalha na prática, tenta-se na fase de planejamento
da pesquisa, na medida do possível eliminar a presença de algumas destas
variáveis. Por exemplo, na pesquisa de valores para avaliação de um lote urbano,
geralmente limita-se a área de pesquisa à mesma região geo-econômica e ao
mesmo zoneamento do terreno avaliando, evitando-se assim a presença de duas
covariáveis no modelo.
9
2.1.3 - Trabalho de campo - Levantamento de dados de mercado
O trabalho de campo é uma das mais importantes fases do processo avaliatório.

Nesta etapa, o engenheiro de avaliações investiga o mercado imobiliário e coleta
dados e informações que servirão de base para a avaliação.
O levantamento de dados tem como objetivo a obtenção de uma amostra
representativa para explicar o comportamento do mercado no qual o imóvel
avaliando esteja inserido e constitui a base do processo avaliatório. Nesta etapa o
engenheiro de avaliações investiga o mercado, coleta dados e informações
confiáveis preferentemente a respeito de negociações realizadas e ofertas,
contemporâneas à data de referência da avaliação, com suas principais
características econômicas, físicas e de localização.
O levantamento dos elementos pode ser feito, utilizando-se principalmente:

• no próprio local, com identificação de placas;
• banco de dados existentes;
• sites de internet;
• empresas Imobiliárias;
• corretores especializados;
• anúncios de Jornais;
• cartórios de Registro Geral de Imóveis;
Todas estas fontes devem ser vistas com sua devida cautela. Um cuidado particular
deve ser observado quando se tomar como referencia dados de cartórios, pois nem
sempre o valor constante numa escritura de compra e venda é o efetivamente
negociado. Assim. torna-se necessário verificar junto a um dos participantes da
operação, o valor real da transação e confrontar suas informações com outras. Na
entrevista com corretores de imóveis ou ofertantes, é de grande importância que o
pesquisador se apresente como pessoa realmente interessada em adquirir o bem
ofertado, sob pena de receber informações distorcidas ou até mesmo não receber
informação alguma. Neste caso o avaliador pode apresentar contra-propostas,
visando retirar a super-estimativa que normalmente acompanha o valor de oferta
inicial. Informações de sites de internet, atualmente são importantes indicadores
quanto à exposição de imóveis no mercado e podem auxiliar nas investigações. É
10
um mercado que está crescendo com tendência a serem os grandes formadores

de bancos de dados.
É importante a visita aos elementos tomados como referência, como forma de
verificar todas as informações de interesse. Na própria visita ao campo, muitas vezes
consegue-se referências importantes com moradores da própria região, ou pela
verificação de placas indicativas da manifestação de comercializar o bem.
É importante, também, que os dados coletados sejam de forma diversas, buscando

o lado mais qualitativo do que quantitativo na composição da amostra, como
forma das informações serem cruzadas, o que aumentará a confiabilidade dos
dados levantados.
Os dados de oferta são indicações importantes do valor de mercado. Entretanto,

devem-se considerar superestimativas que em geral acompanham esses preços e,
sempre que possível, quantificá-las pelo confronto com dados de transações.
Na amostragem deve-se analisar o uso de informações que impliquem opiniões
subjetivas do informante e recomenda-se:
a) visitar cada imóvel tomado como referência, com o intuito de verificar, tanto
quanto possível, todas as informações de interesse;
b) atentar para os aspectos qualitativos e quantitativos;
c) confrontar as informações das partes envolvidas, de forma a conferir maior
confiabilidade aos dados coletados.
11
2.2 - O Método Comparativo e a Avaliação de Imóveis
Um Método de Avaliação deverá basear-se em um diagnóstico de mercado com a

identificação de atributos influenciantes que podem ser expressos de forma
quantitativa ou qualitativa.
As características do bem em avaliação e do próprio mercado onde está inserido,

a forma com que é transacionado e o tipo e volume de informação disponível,
determinam a aplicabilidade de cada um dos métodos para se estimar o va lo r d e
me rc a d o .
Quando baseados em informações de um mercado aberto, destaca-se o método

comparativo, o qual pode ser considerado como método eletivo quando houver
número suficiente de elementos para compor uma amostra representativa.
O critério de Aproximação de Mercado (Ma rke ting Ap p ro a c h ) foi no passado, a

principal ferramenta de avaliação de imóveis e contemplava o principio de que:
"Imóveis similares se venderão a preços similares"
Para a sua aplicação bastava obter no mercado elementos comparáveis ou

similares ao imóvel objeto de avaliação e não haviam problemas com este método
- que era de fácil compreensão e perfeitamente válido - devido as condições de
mercado e as ferramentas de cálculos existentes na época.
Entretanto, com o passar dos anos e a evidente escassez de dados comparáveis, foi
se tornando cada vez mais difícil obter uma amostra representativa de imóveis
similares, quando, então, se passou a recorrer a um processo de “corrigir” ou
homogeneizar os dados referenciais mediante expressões lógicas- matemáticas,
geralmente empíricas, a fim de “ajustá-los” e torná-los semelhantes ao avaliando.
As cidades cresceram e se diversificaram e com isto, veio a necessidade de

empregar simultaneamente “vários fatores de correção” a uma serie de
referenciais, os quais, por serem empíricos e subjetivos, passaram a afetar a
exatidão dos cálculos do valor do imóvel.
Com a acessibilidade aos computadores pessoais durante a segunda metade da

década de oitenta e o advento de pacotes estatísticos, em particular aqueles de
Regressão Linear que empregam o método dos Mínimos Quadrados, tornou-se
possível utilizar essa técnica uma inovadora ferramenta para o cálculo do valor de
bens.
12
As técnicas de regressão múltipla surgiram como um aperfeiçoamento do método

comparativo, já que os próprios referenciais se "auto-corrigem" entre si e constituem
um modelo, sem necessidade de utilizar critérios subjetivos por parte do Engenheiro
de Avaliações.
13
2.3–Procedimentos Metodológicos em conformidade as Normas da ABNT
2.3.1- Breve histórico
A Engenharia de Avaliações experimentou significativa e definitiva evolução a partir

do ano de 1989, quando a Norma Brasileira para Avaliação de Imóveis Urbanos -
NBR5676/1989 -, teve sua revisão concluída com grandes avanços em relação ao
texto anterior - de 1979 -, reformulando conceitos fundamentais e concretizando o
uso da infe rê nc ia e sta tístic a como ferramenta de pesquisa científica e através da
qual os trabalhos passaram a ter uma classificação de “nível rigoroso” e “rigoroso
especial”.
Os procedimentos utilizando o método cartesiano até aquele momento, norteados

por formulações empíricas através de critérios numéricos dedutivos e racionais,
pelos chamados “fatores de homogeneização”, não perderam sua utilidade e
tiveram uma classificação com grau de rigor dito “normal”.
Em 1991 entrou em vigor o Código de Defesa do Consumidor, que, por sua vez,
tornou obrigatório o uso das normas técnicas brasileiras (art. 39, inciso VIII).
Em meados de 1998, com o início de nova revisão, todas normas envolvendo
avaliação de bens foram incorporadas numa única, que passou a ser subdividida
em Partes de acordo com a natureza do bem. Esta norma denominada NBR-
14.653/01 e substituindo a anterior NBR 5676/89, teve a Parte 1 - Procedimentos
Gerais, aprovada no ano de 2.001.
A Parte 2, NBR-14.653-2, específica para Imóveis Urbanos, foi concluída com
reformulações substanciais, especialmente quanto aos critérios para tratamento de
dados, passando a ser denominados “tratamento por fatores” ou” tratamento
científico” e os anteriormente denominados níveis de rigor (expedito, normal ou
rigoroso), que passaram a ser substituídos por níveis de fundamentação e níveis de
precisão e com classificações independentes ao tipo de tratamento empregado
nos dados.
A metodologia científica para tratamento dos dados com base na inferência
estatística é referenciada pelas normas técnicas, como uma das alternativas de
aplicação do método comparativo direto e por isso será o enfoque principal desta
apostila.
No método comparativo direto, pela própria designação, o valor do imóvel é obtido
diretamente, pela comparação com imóveis similares. Neste sentido, é c o nd iç ã o
14
fund a me nta l a e xistê nc ia d e um c o njunto d e d a d o s q ue p o ssa se r to ma d o

e sta tistic a me nte , c o mo amostra representativa d o me rc a d o imo b iliá rio .
Se a qualidade da pesquisa de mercado (ou da a mo stra ) é fundamental, o
processo de tratamento dos dados que a compõem, pode ser o fator determinante
na avaliação de um bem.
Os preços dos imóveis, por natureza são he te ro g ê ne o s – se fossem ho mo g ê ne o s, o
que dificilmente acontece, não existiriam variações e a avaliação poderia ser feita
simplesmente pela média de preços - o que implica na necessidade de estabelecer
relações que expliquem essas variações.
2.3.2- Tratamento dos dados

É recomendável, preliminarmente, a sumarização das informações obtidas sob a
forma de gráficos que mostrem as distribuições de freqüência para cada uma das
variáveis, bem como as relações entre elas. Nesta etapa, verificam-se o equilíbrio
da amostra, a influência das possíveis variáveis-chave sobre os preços e a forma de
variação, possíveis dependências entre elas, identificação de pontos atípicos, entre
outros. Assim, pode-se confrontar as respostas obtidas no mercado com as crenças
a p rio ri do engenheiro de avaliações, bem como permitir a formulação de novas
hipóteses.
Os dados devem ser tratados para obtenção de modelos de acordo com a

metodologia escolhida. No tratamento dos dados podem ser utilizados,
alternativamente e em função da qualidade e da quantidade de dados e
informações disponíveis:
− Tratamento por fatores: homogeneização por fatores e critérios,

fundamentados por estudos e posterior análise estatística dos resultados
homogeneizados.
− Tratamento científico: tratamento de evidências empíricas pelo uso de

metodologia científica que leve à indução de modelo validado para o
comportamento do mercado.
Deve-se levar em conta que qualquer modelo é uma representação simplificada
do mercado, uma vez que não considera todas as suas informações. Por isso,
precisam ser tomados cuidados científicos na sua elaboração, desde a preparação
da pesquisa e o trabalho de campo, até o exame final dos resultados.
15
O poder de predição do modelo deve ser verificado a partir do gráfico de preços

observados na abscissa ve rsus valores estimados pelo modelo na ordenada, que
deve apresentar pontos próximos da bissetriz do primeiro quadrante.
Alternativamente, podem ser utilizados procedimentos de validação.
No Processo Comparativo busca-se um valor representativo para a p o p ula ç ã o de

imó ve is se me lha nte s àquele que se pretende avaliar. A população geralmente é
inacessível na sua totalidade, utilizando-se uma a mo stra , cujo valor médio fornece
estimativas do valor médio populacional.
É evidente que, q ua nto ma is ho mo g ê ne a a p o p ula ç ã o investigada, ma is

ho mo g ê ne a se rá a mo stra , sendo provável que esta contenha dados com valores
próximos à média aritmética.
Preços unitários homogêneos (difícil na pratica) indicam que, à priori, devem existir
poucos atributos influenciantes na formação dos preços. Neste caso, a avaliação
poderá ser feita a partir da média dos preços coletados no mercado, ou se
necessário, utilizando-se fatores de ajustes com pouca influencia.
No Processo Comparativo, portanto, a a mo stra deve ser representativa de forma a

permitir construir um modelo que permita estimar o valor médio populacional e
prever valor médio do imóvel avaliando.
A figura a seguir ilustra a diferença entre aplicar fatores e utilizar análise de

regressão (no exemplo é considerada uma variável explicativa, ou seja, Valor/m2
ve rsus Frente).
16
Tratamento por fatores: utiliza-se "fatores" empíricos para ajustar os dados de

mercado à média, ou seja, são efetuadas transformações matemáticas que
expressem, em termos relativos, as diferenças entre os atributos dos dados de
mercado e os do bem avaliando, que é estimado pela média ajustada pelos
fatores.
Tratamento por análise de regressão linear: procura-se encontrar a média que mais
se aproxima dos dados de mercado, ou seja, as diferenças dos atributos dos dados
da pesquisa são ajustados com base na própria amostra, onde é possível construir
um modelo e com ele prever o valor médio do bem avaliando
17
2.4– Especificação das Avaliações
A especificação de uma avaliação está relacionada tanto com o empenho

do engenheiro de avaliações, como com o mercado e as informações que
possam ser dele extraídas. O estabelecimento inicial pelo contratante do
grau de fundamentação desejado tem por objetivo a determinação do
empenho no trabalho avaliatório, mas não representa garantia de alcance
de graus elevados de fundamentação. Quanto ao grau de precisão, este
depende exclusivamente das características do mercado e da amostra
coletada e, por isso, não é passível de fixação a p rio ri.
As avaliações serão especificadas quanto a fundamentação e precisão,
guardado o critério geral de atribuir graus em ordem numérica e crescente,
onde o Grau I é o menor:
A fundamentação será função do aprofundamento do trabalho avaliatório,
com o envolvimento da seleção da metodologia em razão da
confiabilidade, qualidade e quantidade dos dados amostrais disponíveis.
A precisão será estabelecida quando for possível medir o grau de certeza e
o nível de erro tolerável numa avaliação. Depende da natureza do bem, do
objetivo da avaliação, da conjuntura de mercado, da abrangência
alcançada na coleta de dados (quantidade, qualidade e natureza), da
metodologia e dos instrumentos utilizados.
No caso de informações insuficientes para a utilização dos métodos previstos
no item 8.1.2 da NBR 14653-1, o trabalho não deve ser classificado quanto à
fundamentação e à precisão e deve ser considerado parecer técnico, como
definido em 3.34 da NBR 14653-1.
Os laudos de uso restrito, conforme 10.3 da NBR 14653-1:2001, podem ser
dispensados de especificação, em comum acordo entre as partes.
18
Graus de fundamentação
Tabela 1 – Graus de fundamentação no caso de utilização de modelos de regressão linear
Ite Grau
Descrição
m III II I
Completa quanto
Completa quanto às
Caracterização do a todas as Adoção de situação
1 imóvel avaliando variáveis
variáveis utilizadas no
paradigma
modelo
analisadas
Características
Podem ser utilizadas
Características conferidas por
Coleta de dados de características
2 mercado
conferidas pelo profissional
fornecidas por
autor do laudo credenciado pelo
terceiros
autor do laudo
6 (k+1), onde k é o
Quantidade mínima 4 (k+1), onde k é o 3 (k+1), onde k é o
número de
3 de dados de mercado,
variáveis
número de variáveis número de variáveis
efetivamente utilizados independentes independentes
independentes
Apresentação de
informações
Apresentação de Apresentação de
relativas a todos
informações relativas informações relativas
Identificação dos os dados e
4 dados de mercado variáveis
aos dados e variáveis aos dados e variáveis
efetivamente utilizados efetivamente
analisados na
no modelo utilizados no modelo
modelagem, com
foto
Admitida para apenas Admitida, desde que:
uma variável, desde a) as medidas das
que: características do
a) as medidas das imóvel avaliando
características do não sejam superiores
imóvel avaliando não a 100% do limite
sejam superiores a amostral superior,
100% do limite amostral nem inferiores à
5 Extrapolação Não admitida superior, nem inferiores metade do limite
à metade do limite amostral inferior
amostral inferior b) o valor estimado
b) o valor estimado não ultrapasse 10%
não ultrapasse 10% do do valor calculado
valor calculado no no limite da fronteira
limite da fronteira amostral, para as
amostral, para a referidas variáveis,
referida variável simultaneamente
Nível de significância
(somatório do valor
das duas caudas)
6 máximo para a 10% 20% 30%
rejeição da hipótese
nula de cada regressor
(teste bicaudal)
Nível de significância
máximo admitido nos
7 demais testes
1% 5% 10%
estatísticos realizados
9.2.1.1 Para atingir o grau III, são obrigatórias:
a) apresentação do laudo na modalidade completa;

19
b) discussão do modelo, verificadas a coerência da variação das variáveis

em relação ao mercado, bem como suas elasticidades no ponto de
estimação.
9.2.1.2 A utilização de códigos alocados no modelo de regressão implica a

obtenção, no máximo, de grau II de fundamentação.
9.2.1.3 A utilização de tratamento prévio por fatores de homogeneização,

para a transformação de variáveis em modelos de regressão, implica a
obtenção, no máximo, de grau II de fundamentação.
9.2.1.4 Para fins de enquadramento global do laudo em graus de

fundamentação, devem ser considerados os seguintes critérios:
a) na tabela 1, identificam-se três campos (graus III, II e I) e sete itens;
b) o atendimento a cada exigência do grau I terá um ponto; do grau II, dois

pontos; e do grau III, três pontos;
c) o enquadramento global do laudo deve considerar a soma de pontos

obtidos para o conjunto de itens, atendendo à tabela 2.
Tabela 2 – Enquadramento dos laudos segundo seu grau de fundamentação

no caso de utilização de modelos de regressão linear
Graus III II I
Pontos Mínimos 18 11 7
3, 5, 6 e 7, com
Itens obrigatórios no 3, 5, 6 e 7 no mínimo 1 Todos, no
os demais no
grau correspondente no grau II mínimo no grau I
mínimo no grau II
Graus de precisão no caso de utilização de modelos de regressão linear
Tabela 3 - Grau de precisão da estimativa do valor no caso de utilização

de modelos de regressão linear
Grau
Descrição
III II I
≤30%
Amplitude do intervalo de confiança de
80% em torno do valor central da 30%-50% >50%
estimativa
a) Nota: Observar 9.1 a 9.3 desta Norma.
20
Grau de fundamentação no caso de utilização do tratamento por fatores

Grau
Item Descrição
III II I
Completa quanto Completa quanto
Caracterização do Adoção de situação
1 a todos os fatores aos fatores utilizados
imóvel avaliando paradigma
analisados no tratamento
Características
Características Podem ser utilizadas
Coleta de dados de conferidas por
conferidas pelo características
2 mercado profissional
autor do laudo fornecidas por
credenciado pelo
terceiros
autor do laudo
Quantidade mínima de
3 dados de mercado, 12 5 3
efetivamente utilizados
Apresentação de Apresentação de
informações Apresentação de informações relativas
relativas a todas informações relativas a todas as
Identificação dos dados
4 as características a todas as características dos
de mercado
dos dados características dos dados
analisadas, com dados analisadas correspondentes aos
foto fatores utilizados
Extrapolação conforme Admitida para
Não admitida Admitida
B.5.2 do Anexo B apenas uma variável
Intervalo admissível de
5 ajuste para o conjunto de 0,90 a 1,10 0,80 a 1,20 0,50 a 1,50
fatores
Notas: Observar de 9.1 a 9.2 desta Norma.
(*) No caso de utilização de menos de 5 dados de mercado, o intervalo admissível de ajuste é de 0,80 a
1,25, pois é desejável que, com um número menor de dados de mercado, a amostra seja menos
heterogênea.
Tabela 4 – Enquadramento do laudo segundo seu grau de fundamentação no caso de

utilização de tratamento por fatores
Graus III II I
Pontos Mínimos 13 8 5
Itens 2, 4 e 5 no
Itens 2, 4 e 5 no grau
mínimo no grau II e 2 todos, no mínimo
Itens obrigatórios III, com os demais no
os demais no mínimo no grau I
mínimo no grau II
no grau I
3 Nota: Observar de 9.1 a 9.2 desta Norma.
Tabela 5 - Grau de precisão da estimativa de valor nos casos de

utilização de modelos de regressão linear ou do tratamento por fatores
Grau
Descrição
III II I
≤30%
Amplitude do intervalo de confiança de 80%
30%-50% >50%
em torno do valor central da estimativa
Nota: Observar de 9.1 a 9.2 desta Norma.
21
1.3 - PROCEDIMENTOS PARA A UTILIZAÇÃO DE MODELOS DE REGRESSÃO LINEAR

– EXIGÊNCIAS DA ABNT NBR 14653-2 Anexo A (normativo)
A.1 Introdução
A.1.1 A técnica mais utilizada quando se deseja estudar o comportamento de uma
variável dependente em relação a outras que são responsáveis pela variabilidade
observada nos preços é a análise de regressão.
A.1.2 No modelo linear para representar o mercado, a variável dependente é

expressa por uma combinação linear das variáveis independentes, em escala
original ou transformadas, e respectivas estimativas dos parâmetros populacionais,
acrescida de erro aleatório, oriundo de variações do comportamento humano –
habilidades diversas de negociação, desejos, necessidades, compulsões, caprichos,
ansiedades, diferenças de poder aquisitivo, entre outros – imperfeições acidentais
de observação ou de medida e efeitos de variáveis irrelevantes não incluídas no
modelo.
A.1.3 Com base em uma amostra extraída do mercado, os parâmetros

populacionais são estimados por inferência estatística.
A.1.4 Na modelagem, devem ser expostas as hipóteses relativas aos

comportamentos das variáveis dependentes e independentes, com base no
conhecimento que o engenheiro de avaliações tem a respeito do mercado,
quando serão formuladas as hipóteses nula e alternativa para cada parâmetro.
A.2 Pressupostos básicos
A.2.1 Ressalta-se a necessidade, quando se usam modelos de regressão, de

observar os seus pressupostos básicos, apresentados a seguir, principalmente no que
concerne à sua especificação, normalidade, homocedasticidadede, não-
multicolinearidade, não-autocorrelação, independência e inexistência de pontos
atípicos, com o objetivo de obter avaliações não-tendenciosas, eficientes e
consistentes:
a) para evitar a micronumerosidade, 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)
ni ≥ 5, até duas variáveis dicotômicas ou três códigos alocados para a
mesma característica;
22
ni ≥ 3, para 3 ou mais variáveis dicotômicas ou quatro ou mais códigos

alocados para a mesma característica
onde ni é o número de dados de mesma característica, no caso de utilização
de variáveis dicotômicas ou de códigos alocados, ou número de valores
observados distintos para cada uma das variáveis quantitativas;
b) os erros são variáveis aleatórias com variância constante, ou seja,
homocedásticos;
c) os erros são variáveis aleatórias com distribuição normal;
d) os erros são não-autocorrelacionados, isto é, são independentes sob a condição
de normalidade;
e) não devem existir erros de especificação no modelo, isto é, todas as variáveis
importantes devem estar incorporadas – inclusive as decorrentes de interação – e
nenhuma variável irrelevante deve estar presente no modelo;
f) em caso de correlação linear elevada entre quaisquer subconjuntos de variáveis
independentes, isto é, multicolinearidade, deve-se examinar a coerência das
características do imóvel avaliando com a estrutura de multicolinearidade inferida,
vedada a utilização do modelo em caso de incoerência;
g) não deve existir nenhuma correlação entre o erro aleatório e as variáveis
independentes do modelo.
h) possíveis pontos influenciantes, ou aglomerados deles, devem ser investigados e
sua retirada fica condicionada à apresentação de justificativas.
A.2.2 Verificação dos pressupostos do modelo
A.2.2.1 Linearidade
Deve ser analisado, primeiramente, o comportamento gráfico da variável

dependente em relação a cada variável independente, em escala original. Isto
pode orientar o avaliador na transformação a adotar. Existem formas estatísticas de
se buscar a transformação mais adequada, como, por exemplo, os procedimentos
de Box e Cox.
As transformações utilizadas para linearizar o modelo devem, tanto quanto possível,

refletir o comportamento do mercado, com preferência pelas transformações mais
simples de variáveis, que resultem em modelo satisfatório.
Após as transformações realizadas, se houver, examina-se a linearidade do modelo,

pela construção de gráficos dos valores observados para a variável dependente
ve rsus cada variável independente, com as respectivas transformações.
23
A.2.2.2 Normalidade
A verificação da normalidade pode ser realizada, entre outras, por uma das
seguintes formas:
a) pelo exame de histograma dos resíduos amostrais padronizados, com o objetivo
de verificar se sua forma guarda semelhança com a da curva normal;
b) pela análise do gráfico de resíduos padronizados ve rsus valores ajustados, que
deve apresentar pontos dispostos aleatoriamente, com a grande maioria situados
no intervalo [-2;+2 ].
c) pela comparação da freqüência relativa dos resíduos amostrais padronizados
nos intervalos de [-1;+1], [-1,64;+1,64 ] e [-1,96;+1,96 ], com as probabilidades da
distribuição normal padrão nos mesmos intervalos, ou seja, 68%, 90% e 95%;
d) pelo exame do gráfico dos resíduos ordenados padronizados ve rsus quantis da
distribuição normal padronizada, que deve se aproximar da bissetriz do primeiro
quadrante;
e) pelos testes de aderência não-paramétricos, como, por exemplo, o qui-
quadrado, o de
Kolmogorov-Smirnov ajustado por Stephens e o de Jarque-Bera.
A.2.2.3 Homocedasticidade
A verificação da homocedasticidade pode ser feita, entre outros, por meio dos
seguintes processos:
a) análise gráfica dos resíduos ve rsus valores ajustados, que devem apresentar
pontos dispostos aleatoriamente, sem nenhum padrão definido;
b) pelos testes de Park e de White.
A.2.2.4 Verificação da autocorrelação
O exame da autocorrelação deve ser precedido pelo pré-ordenamento dos

elementos amostrais, em relação a cada uma das variáveis independentes
possivelmente causadoras do problema ou em relação aos valores ajustados.
Sua verificação pode ser feita:

a) pela análise do gráfico dos resíduos cotejados com os valores ajustados, que
deve apresentar pontos dispersos aleatoriamente, sem nenhum padrão definido;
b) pelo Teste de Durbin-Watson, considerando o pré-ordenamento anteriormente
citado.
24
A.2.2.5 Colinearidade ou multicolinearidade
A.2.2.5.1 Uma forte dependência linear entre duas ou mais variáveis independentes
provoca degenerações no modelo e limita a sua utilização. As variâncias das
estimativas dos parâmetros podem ser muito grandes e acarretar a aceitação da
hipótese nula e a eliminação de variáveis fundamentais.
A.2.2.5.2 Para verificação da multicolinearidade deve-se, em primeiro lugar, analisar

a matriz das correlações, que espelha as dependências lineares de primeira ordem
entre as variáveis independentes, com atenção especial para resultados superiores
a 0,80. Como também é possível ocorrer multicolinearidade, mesmo quando a
matriz de correlação apresenta coeficientes de valor baixo, recomenda-se,
também, verificar o correlacionamento de cada variável com subconjuntos de
outras variáveis independentes, por meio de regressões auxiliares.
A.2.2.5.3 Para tratar dados na presença de multicolinearidade, é recomendável

que sejam tomadas medidas corretivas, como a ampliação da amostra ou adoção
de técnicas estatísticas mais avançadas, a exemplo do uso de regressão de
componentes principais.
A.2.2.5.4 Nos casos em que o imóvel avaliando segue os padrões estruturais do

modelo, a existência de multicolinearidade pode ser negligenciada, desde que
adotada a estimativa pontual.
A.2.2.6 Pontos influenciantes ou outliers
A existência desses pontos atípicos pode ser verificada pelo gráfico dos resíduos
ve rsus cada variável independente, como também em relação aos valores
ajustados, ou usando técnicas estatísticas mais avançadas, como a estatística de
Cook para detectar pontos influenciantes.
A.3 Testes de significância

A.3.1 A significância individual dos parâmetros das variáveis do modelo deve ser
submetida ao teste t de Student, em conformidade com as hipóteses estabelecidas
quando da construção do modelo.
A.3.2 A hipótese nula do modelo deve ser submetida ao teste F de Snedecor e
rejeitada ao nível máximo de significância de 1%.
A.3.3 A significância de subconjuntos de parâmetros, quando pertinente, pode ser
testada pela análise da variância particionada, com a utilização do teste da razão
de verossimilhança.
25
A.3.4 Os níveis de significância utilizados nos testes citados nesta subseção serão
compatíveis com a especificação da avaliação.
A.4 Poder de explicação
Em uma mesma amostra, a explicação do modelo pode ser aferida pelo seu
coeficiente de determinação. Devido ao fato de que este coeficiente sempre
cresce com o aumento do número de variáveis independentes e não leva em
conta o número de graus de liberdade perdidos a cada parâmetro estimado, é
recomendável considerar também o coeficiente de determinação ajustado.
A.5 Campo de arbítrio
O campo de arbítrio corresponde à semi-amplitude de 15% em torno da estimativa

pontual adotada. Caso não seja adotada a estimativa pontual, o engenheiro de
avaliações deve justificar sua escolha.
A.6 Códigos alocados
Recomenda-se considerar tantas variáveis dicotômicas quantas forem necessárias

para descrever as diferenças qualitativas, em lugar da utilização de códigos
alocados, especialmente quando a quantidade de dados é abundante e pode-se
preservar os graus de liberdade necessários à modelagem estatística, definidos
nesta Norma. A utilização de códigos alocados é tolerada nos seguintes casos, na
seguinte ordem de prioridade:
a) quando seus valores são extraídos da amostra com a utilização de variáveis
dicotômicas;
b) quando são utilizados números naturais em ordem crescente das características
possíveis, com valor inicial igual a 1, sem a utilização de transformações, ou seja, na
escala original.
A.7 Diferentes agrupamentos
No caso de utilização no mesmo modelo de regressão de diferentes agrupamentos

(tipologia, mercados, localização, usos etc.), recomenda-se verificar a
independência entre os agrupamentos, entre as variáveis utilizadas e possíveis
interações entre elas.
A.8 Apresentação do modelo
A variável dependente no modelo de regressão deve ser apresentada no laudo na

forma não transformada.
26
Procedimentos para a utilização de tratamento por fatores Anexo B (normativo)
B.1 Neste tratamento de dados, aplicável ao Método Comparativo Direto de Dados

de Mercado, é admitida a p rio ri a validade da existência de relações fixas entre os
atributos específicos e os respectivos preços.
B.1.1 Para isso, são utilizados fatores de homogeneização calculados conforme

8.2.1.4.2, por metodologia científica, que reflitam, em termos relativos, o
comportamento do mercado com determinada abrangência espacial e temporal.
B.2 É recomendável que sejam utilizados dados de mercado:
a) com atributos mais semelhantes possíveis aos do imóvel avaliando;
b) que sejam contemporâneos. Nos casos de exame de dados não

contemporâneos, é desaconselhável a atualização do mercado imobiliário através
de índices econômicos, quando não houver paridade entre eles, devendo, neste
caso, o preço ser atualizado mediante consulta direta à fonte. Quando a
atualização na forma mencionada for impraticável, só será admitida a correção
dos dados por índices resultantes de pesquisa no mercado.
B.2.1 Para a utilização deste tratamento, considera-se como dado de mercado

com atributos semelhantes aqueles em que cada um dos fatores de
homogeneização, calculados em relação ao avaliando, estejam contidos entre
0,50 e 1,50.
B.2.2 O preço homogeneizado, resultado da aplicação de todos os fatores de

homogeneização ao preço original, deve estar contido no intervalo de 0,50 a 1,50.
B.3 Após a homogeneização, devem ser utilizados critérios estatísticos consagrados

de eliminação de dados discrepantes, para o saneamento da amostra.
B.4 O campo de arbítrio corresponde ao intervalo compreendido entre o valor

máximo e mínimo dos preços homogeneizados efetivamente utilizados no
tratamento, limitado a 10% em torno do valor calculado. Caso não seja adotado o
valor calculado, o engenheiro de avaliações deve justificar sua escolha.
B.5 Os fatores de homogeneização devem apresentar, para cada tipologia, os seus

critérios de apuração e respectivos campos de aplicação, bem como a
abrangência regional e temporal.
B.5.1 Os fatores de homogeneização não podem ser utilizados fora de sua tipologia,
campo de aplicação e abrangências regional e temporal.
27
B.5.2 As características quantitativas, ou expressas por variáveis p ro xy , do imóvel

avaliando não devem ultrapassar em 50%, para mais ou para menos,
respectivamente, os limites superior e inferior observados na amostra. Para as demais
características qualitativas é vedada a extrapolação em relação aos limites
amostrais.
B.5.3 A fonte dos fatores utilizados na homogeneização deve ser explicitada no

trabalho avaliatório.
B.6 Os fatores de homogeneização que resultem em aumento da heterogeneidade

dos valores não devem ser utilizados.
1.2.5- Apresentação do laudo de avaliação
1.2.5.1 Requisitos mínimos

O laudo de avaliação deverá conter, no mínimo, as informações abaixo
relacionadas:
a) identificação da pessoa física ou jurídica e/ou seu representante legal que
tenha solicitado o trabalho;
b) objetivo da avaliação;
c) identificação e caracterização do bem avaliando;
d) indicação do(s) método(s) utilizado(s), com justificativa da escolha;
e) especificação da avaliação;
f) resultado da avaliação e sua data de referência;
g) qualificação legal completa e assinatura do(s) profissional(is) responsável(is)
pela avaliação;
h) local e data do laudo;
i) outras exigências previstas nas demais partes desta Norma.
1.2.5.2 Modalidades
O laudo de avaliação pode ser apresentado nas seguintes modalidades:
a) Simplificado – contém de forma sucinta as informações necessárias ao seu
entendimento.
b) Completo – contém todas as informações necessárias e suficientes para ser
auto-explicável.
1.2.5.3 Laudo de avaliação de uso restrito
Obedece a condições específicas pré combinadas entre as partes contratantes,

não tendo validade para outros usos ou exibição para terceiros.
28
Modelagem CAPÍTULO 2
2.1 – A INFERÊNCIA ESTATÍSTICA APLICADA NA AVALIAÇÃO DE IMÓVEIS
As recomendações explicitadas na Norma Brasileira de Avaliação de Imóveis

Urbanos visando à utilização da inferência estatística na Engenharia de Avaliações,
com algumas exceções, têm sido particularmente voltadas, até o momento, para a
utilização da Regressão Linear no cálculo do valor do imóvel.
Atualmente a aplicação dessas técnicas estatísticas é bastante facilitada graças ao

avanço tecnológico dos computadores que tornou os cálculos relativamente fáceis
e originaram vasta disposição de programas aplicativos, em particular aqueles de
Regressão Linear que empregam o Método dos Mínimos Quadrados, mas isso não é
condição suficiente, pois sua aplicação não pode prescindir do julgamento crítico e
de sólidos conhecimentos do mercado imobiliário por parte do engenheiro de
avaliações.
2.2 – CONCEITOS DE MODELO
Usando dos conceitos introduzidos por Orlando Carneiro de Matos, in Econometria

Básica Teoria e Aplicações, a palavra modelo, de modo geral, pode ser entendida
como representação simplificada da realidade, estruturada de forma tal que
permita compreender o funcionamento total ou parcial dessa realidade ou
fenômeno. Num sentido mais restrito, modelo, é uma representação formal de idéias
ou conhecimentos acerca de um fenômeno. Essas idéias (chamadas teorias)
expressam-se por um conjunto de hipóteses sobre os elementos essenciais do
fenômeno e das leis que os regem, as quais geralmente se traduzem sob a forma de
um sistema de equações matemáticas.
As definições introduzidas na NBR14653-1, de forma resumida, endossam esses
conceitos, ou seja:
“3.31 modelo: Re p re se nta ç ã o té c nic a da re a lida de ”.
e
“3.32 modelo de regressão: Mo de lo utiliza do p a ra re p re se nta r de te rmina do fe nô me no ,
c o m b a se numa a mo stra , c o nside ra ndo -se a s dive rsa s c a ra c te rístic a s influe nc ia nte s”.
Os modelos, de uma forma geral, podem ser puramente teóricos ou

econométricos.
29
Modelos Teóricos são aqueles que expressam leis de mercado sem necessariamente
conter a especificação efetiva da forma matemática nem a enumeração exaustiva
das variáveis que o compõem.
Modelos Econométricos são aqueles que necessariamente contêm as especificações
(fo rma ma te má tic a e d e finiç ã o d a s va riá ve is) para aplicação empírica, além de
incorporar um termo residual com a finalidade de levar em conta variáveis ou outros
elementos, que, por alguma razão, não puderam ser considerados explicitamente.
A montagem de um modelo é sempre um processo interativo e geralmente requer o
uso da evidência empírica dos dados e do conhecimento do mercado analisado.
Mesmo contendo os elementos que permitam sua operacionalização, os modelos
probabilísticos não admitem relações exatas em virtude da não-inclusão de todas as
variáveis que determinam o comportamento do fenômeno e de erros de medidas das
variáveis. Constituem uma formulação incompleta da realidade em face da
impossibilidade de um modelo abranger todos os fatores que determinam ou
condicionam o comportamento do mercado imobiliário, contrastando com os
modelos determinísticos que supõem a existência de variáveis que satisfazem
exatamente as equações matemáticas.
Em um campo tão vasto como o do mercado imobiliário, modelos que simplifiquem a

compreensão da realidade, mas que ao mesmo tempo possuam a abrangência suficiente
para que os principais fatores intervenientes e suas interações estejam claramente
identificados, são de extrema importância.
2.3- OS MÉTODOS ESTATÍSTICOS
Os métodos estatísticos, de um modo geral, envolvem a análise e a interpretação

de dados observados em um fenômeno. O conjunto de observações colhidas
constitui-se na amostra (no caso específico da avaliação de imóveis, na p e sq uisa
d e me rc a d o ) e o grupo todo de elementos do qual ela foi extraída, é designado
por população.
A parte estatística referente a coleta, a sumarização e a descrição dos dados

refere-se a estatística descritiva. Compreende a organização e o resumo dos
mesmos, bem como análise e interpretações numéricas e gráficas, envolvendo
cálculo de medidas, tais como, a média, a mediana, o desvio padrão, etc.
30
A inferência estatística, por sua vez, envolve a formulação de certos julgamentos

(ou conclusões) sobre um todo, após examinar apenas uma parte, ou a mo stra ,
dele. Para que a inferência estatística seja válida, a amostra deve ser
re p re se nta tiva da população, e a p ro b a b ilid a d e do erro, ser especificada.
Deste modo, a inferência estatística envolve um raciocínio indutivo: argumentação

do específico - amostra - para o geral - população - , no qual impõe-se que
obedeça algum modelo de p ro b a b ilid a d e .
Na prática, o p ro c e sso d e infe rê nc ia consiste em investigar a forma e o grau das

relações entre as observações colhidas em amostras, que se supõem estarem
interligadas de alguma maneira e, a partir delas, construir modelos.
O modelo escolhido deve satisfazer os pressupostos básicos determinado por um

conjunto de testes de hipóteses e, dentro de intervalos de confiança, conferir
validade às predições das probabilidades estabelecidas.
A abordagem é feita pela análise de regressão, pelo método dos mínimos

quadrados.
A aplicação do método dos mínimos quadrados, considerando exemplificativamente duas

variáveis (Yi, Xi), consiste em encontrar, a partir dos dados amostrais as estimativas para o
coeficiente angular b1 (que define o aumento ou diminuição da variável Yi por unidade de
variação da variável Xi) e para o intercepto b0 (que define o ponto em que a reta corta o
eixo das ordenadas), de modo que os erros (ou resíduos) sejam mínimo s.
Conceitos de uma equação de regressão (4 e le me nto s b á sic o s):
- variáveis : dependente (Y)
independentes (X1, X2,...Xn) que podem ser qualitativas ou quantitativas;
- relações (ou equações) : descrevem o comportamento investigado (no caso o de

mercado imobiliário) através de uma função linear (ou linearizáveis):
- parâmetros: são as magnitudes das relações (B0, B1, ...,Bn);
- termo aleatório ou erro (resíduos): incluído na análise de regressão para contemplar

erros devidos a não consideração na regressão de variáveis de importância menor (já
que o propósito do modelo é generalizar e simplificar as relações apenas das causas
mais importantes), levar em conta o efeito de possíveis erros de medidas ou
informações e para captar a imprevisibilidade do comportamento humano,
inerentemente aleatório.
31
Identificação das variáveis do modelo (ite m 8.2.1.2 d a NBR 14653-2)
8.2.1.2.1 Variável dependente
Para a especificação correta da variável dependente, é necessária uma

investigação no mercado em relação à sua conduta e às formas de expressão dos
preços (por exemplo, preço total ou unitário, moeda de referência, formas de
pagamento), bem como observar a homogeneidade nas unidades de medida.
8.2.1.2.2 Variáveis independentes

As variáveis independentes referem-se às características físicas (por exemplo: área,
frente), de localização (como bairro, logradouro, distância a pólo de influência,
entre outros) e econômicas (como oferta ou transação, época e condição do
negócio – à vista ou a prazo).
Sempre que possível, recomenda-se a adoção de variáveis quantitativas. As
diferenças qualitativas das características dos imóveis podem ser especificadas na
seguinte ordem de prioridade:
a) por meio de codificação, com o emprego de variáveis dicotômicas (por exemplo:
aplicação de condições booleanas do tipo “maior do que” ou “menor do que”, “sim” ou
“não”);
b) pelo emprego de variáveis p ro xy (por exemplo: padrão construtivo expresso pelo custo
unitário básico);
c) por meio de códigos alocados (por exemplo: padrão construtivo baixo igual a 1, normal
igual a 2 e alto igual a 3).
DEFINIÇÕES BNR 14.653-1
3.63 variáveis-chave: Variáveis que, a p rio ri e tradicionalmente, são importantes para a
formação do valor do imóvel.
3.64 variáveis independentes: Variáveis que dão conteúdo lógico à formação do valor do
imóvel objeto da avaliação.
3.65 variáveis qualitativas: Variáveis que não podem ser medidas ou contadas, mas apenas
ordenadas ou hierarquizadas, de acordo com atributos inerentes ao bem (por exemplo:
padrão construtivo, estado de conservação, qualidade do solo).
3.66 variáveis quantitativas: Variáveis que podem ser medidas ou contadas (por exemplo:
área privativa, número de quartos, número de vagas de garagem).
3.67 variável dependente: Variável que se pretende explicar pelas variáveis independentes.
3.68 variável dicotômica: Variável que assume apenas dois valores.
3.69 variável proxy: Variável utilizada para substituir outra de difícil mensuração e que se
presume guardar com ela relação de pertinência.
32
Conceitos Básicos da Inferência Estatística CAPÍTULO 3
3.1- ANÁLISE DE PEQUENOS CONJUNTOS DE DADOS

Freqüentemente, um conjunto de dados pode reduzir-se a uma ou algumas
medidas que resumem todo o conjunto. Duas são as características importantes dos
dados, que as medidas numéricas podem evidenciar:
- 1o) o valor central ou mais típico do conjunto

- 2o) a dispersão dos números
3.1.1- Medidas de Tendência Central
As medidas da tendência central são indicadores que permitem que se tenha uma
primeira idéia, um resumo, de como se distribuem os dados de um experimento.
Essencialmente, elas informam o valor (ou faixa de valores) da variável aleatória
que ocorrem com a maior freqüência. Uma medida de tendência central é um
valor no centro ou no meio de um conjunto de dados.
Existem três medidas básicas que refletem a tendência central de uma distribuição
de freqüências, sendo elas: a mé d ia , a me d ia na e a mo d a .
A média A média de um conjunto de valores é o valor obtido somando-se todos

eles e dividindo-se o total pelo número de casos. De modo geral a mais importante
de todas as mensurações numéricas descritivas. A média pode expressar-se como x
(x barra) se o conjunto de valores é uma amostra; se todos os valores da população
estão presentes, a média é expressa por μ (letra grega mu). Logo, a média de uma
amostra de 70, 90 e 110, é:
∑x − 70 + 90 + 110
Média= x = = 90
n 3
A mediana A mediana de um conjunto de dados é o valor da variável aleatória a
partir do qual metade dos casos se encontra acima dele e metade se encontra
abaixo, indicando, portanto, o valor do meio quando os dados estão dispostos em
ordem crescente (ou decrescente). Se o número de elementos é impar, a mediana
é o meio, se o número é par a média dos dois valores do meio.
A moda A moda de um conjunto de dados é o evento ou categoria de eventos

que ocorre com maior freqüência,indicando o valor ou categoria mais provável.
Quando dois valores ocorrem com a mesma freqüência máxima, cada um deles é
uma moda, e o conjunto se diz bimodal; se mais de dois valores, o conjunto é
multimodal.
33
Sequem alguns exemplos:

Média Mediana Moda
M (2, 3, 3, 4) M=3 Me=3 Mo=3
M (1,18,19,40) M=19,50 Me=18,50 Mo= não tem
M (1,2,3,3,3,7,7,7,11,20) M=6,4 Me=5 Mo=3 e 7
M (9,10,80,80,100) M=55,80 Me=80 Mo=80
A melhor medida de tendência central

As diversas medidas de tendência central têm diferentes vantagens e
desvantagens, algumas das quais resumidas na tabela abaixo. Uma vantagem
importante da média é que leva em conta todos os valores, mas a grande
desvantagem é que às vezes pode ser seriamente afetada por valores extremos.
Leva em conta Afetada pelos

Definição todos os valores Vantagens
valores? extremos?
Soma dos valores Funciona bem com
Média dividido pelo número de Sim Sim muitos métodos
valores estatísticos
Costuma ser boa
Mediana Valor do meio Não Não escolha se há alguns
valores extremos
Apropriada para
Moda Valor mais freqüente Não Não
dados de nível nominal
Assimetria
Em distribuições de freqüência que refletem uma distribuição de probabilidade mais

simétrica, como é o caso da Curva Normal, as três medidas convergem para um
mesmo resultado. Em distribuições assimétricas, como o caso da Exponencial, as
medidas divergem significativamente. A comparação da média, mediana e moda
pode nos dizer algo sobre a característica da assimetria, conforme mostrado nas
figuras abaixo.
MÉDIA MODA MÉDIA MODA MÉDIA

MODA
MEDIANA MEDIANA
MEDIANA
Negativamente Assimétrica: a Simétrica: a Média, a Moda Positivamente Assimétrica:

Média e a Mediana estão à e a Mediana coincidem a Média e a Mediana estão à
esquerda da Moda . Fig. 2 - Assimetria direita da Moda .
34
3.1.2 - Medidas de dispersão (ou variação)

Para descrever adequadamente um conjunto de dados, além da informação quanto ao
“meio” de um conjunto de números, é conveniente dispor também de um método que
permita exprimir a dispersão em torno da média, ou seja, da maior ou menor variabilidade
dos resultados obtidos. As medidas de dispersão (ou variação) indicam se os valores estão
relativamente próximos um dos outros, ou separados. Elas permitem se identificar até que
ponto os resultados se concentram ou não ao redor da tendência central de um conjunto
de observações.
.. ..... .... .. . . . .. . . . .
Grande dispersão: valores mais dispersos têm maior
Pequena dispersão: números relativamente próximos medida de variação.
uns dos outros têm baixas medidas de variação
Fig. 3 - Dispersão
Basicamente, os índices de dispersão expressam diferentes formas de se quantificar a
tendência que os resultados de um experimento aleatório tem de se concentrarem ou não
em determinados valores. Existem várias medidas de dispersão que podem avaliar diversos
aspectos da variabilidade de um conjunto de dados. As principais são:
Amplitude
A amplitude de um conjunto de dados é a diferença entre o maior e o menor valor que foi
observado para a variável aleatória, servindo para caracterizar a abrangência do estudo.
Para calculá-la, basta subtrair o menor valor do maior. Geralmente não é calculada, mas é
costumeiro mostrar o valor mínimo e o valor máximo da amostra. A utilidade da amplitude é
bastante limitada pelo fato de só levar em conta os dois valores extremos de um conjunto,
nada informando quanto aos outros valores.
Desvio padrão e variância
De um modo geral, o desvio padrão é a mais importante medida de variação de valores e

desempenha papel relevante em toda estatística. Ao contrário da amplitude, leva em
conta todos os valores. Ao medir a variação em um conjunto de dados amostrais, é razoável
começar pelo desvio médio, que é a média dos valores absolutos das diferenças entre cada
dado e a média do conjunto. Entretanto a soma de todos esses valores (por serem negativos
e positivos) é sempre zero. Para se obter uma estatística que realmente meça a variação,
toma-se, então, a soma desses valores absolutos (todos positivos). Determinando a média
deste somatório, tem-se o desvio médio, dado pela seguinte expressão:
∑ x−x
DesvioMédio =
média, ignorando-se o sinal de diferença.
Fornece uma idéia da diferença típica entre
n
uma medida isolada e a média da amostra.
O desvio médio absoluto de um
conjunto de números é a média dos
desvios dos valores a contar da
35
Ao invés de utilizar valores absolutos de uma amostra, é possível obter uma medida de
variação ainda melhor, tomando os quadrados dos desvios (x-x)2 , que são não-negativos,
obtendo-se assim a variância. Calcula-se a variância de uma amostra da mesma forma que
o desvio médio, com duas exceções (1) os desvios médios são elevados ao quadrado antes
da soma, e (2) tomam-se a média dividindo por n-1 em lugar de n, porque isso dá uma
melhor estimativa da variância populacional. Pode-se calcular a variância pela fórmula
abaixo:
=
∑(x − x) 2 Variância é a soma dos quadrados dos desvios de cada ponto em torno
n−1
2 i
s x da média aritmética. Caracteriza a dispersão dos pontos de uma
amostra potencializando as diferenças.
O desvio padrão é simplesmente a raiz quadrada positiva da variância:
s=
∑x 2
− [∑ ( xi ) 2 n] Na distribuição gaussiana, cerca de 95% dos casos fica
n −1
i
dentro do intervalo entre a média e +1.96*DP.
Ou, ainda, pode-se calcular desvio padrão pela fórmula:
s=
∑ (x − x)2
n −1
i
O Coeficiente de Variação é o desvio padrão dividido pela média. Indica a variabilidade da

amostra em relação à média.
C .V . =
Se
X&&
3.2 – PROBABILIDADE
O método da inferência estatística baseia-se na evidência amostral para formular
conclusões sobre toda uma população. As decisões inferenciais se baseiam sem chances -
ou probabilidades- de eventos.
3.2.1 – Distribuições de freqüências

distribuição de probabilidade (Lei dos
É o conjunto das freqüências relativas
Grandes Números).
observadas para um dado fenômeno
estudado, sendo a sua representação
gráfica o Histograma (diagrama onde o
eixo horizontal representa faixas de valores
da variável aleatória e o eixo vertical
representa a freqüência relativa). Quanto
maior o tamanho da amostra, mais a
distribuição de freqüência tende para a
Fig. 4 - Distribuição de Freqüências
36
A identificação de uma distribuição de

3.2.2 – Testes de Aderência
probabilidade a partir de um conjunto de
freqüências é realizada pelos chamados
Testes de Aderência, os quais calculam a
probabilidade da diferença entre uma
distribuição de freqüência observada e
aquela que seria de se esperar a partir de
uma determinada distribuição de
probabilidade.
Fig. 5 - Aderência
3.2.3 – Distribuições de probabilidades

Os valores das variáveis aleatórios só são conhecidos após a realização de um experimento e
nem todos os valores são igualmente prováveis: portanto as afirmações sobre certos valores são
probabilïsticos, especificados através de uma distribuição de probabilidade.
Quando se relacionam os valores de uma variável aleatória discreta com sua probabilidade de
ocorrência, o resultados é um função densidade de probabilidade: para a variável aleatória
discreta X, o valor da função densidade de probabilidade f(x) é a probabilidade de a variável
aleatória X tomar o valor de x , f (x)= P (X=x).
Para a variável aleatória contínua Y, a função de densidade de probabilidade f(y) pode ser
representada por uma equação, descrita graficamente por uma curva. No caso das variáveis
contínuas, a á re a sob a função densidade de probabilidade corresponde à probabilidade.
F(y) f(y)
a b y
Fig. 6– Probabilidade como área sob uma função de densidade de probabilidade.
A área total sob a função de densidade de probabilidade 1, e a probabilidade de Y tomar o
valor do intervalo [a,b] ou P [a ≤ Y ≤ b] é a área sob a função densidade entre os valores y=a e y
= b. Uma distribuição de probabilidades é uma distribuição de freqüências para os resultados
de um espaço amostral. A essência da análise estatística é confrontar as hipóteses de uma
distribuição de probabilidades com as especificações de determinado problema. Há uma
variedade de tipos de distribuição de probabilidades na estatística, tendo cada uma seu
próprio conjunto de hipóteses que definem as condições sob as quais o tipo de distribuição
pode ser utilizado. A mais importante e que será abordada a seguir, por ser extensamente usada
em problemas de inferência é a distribuição normal.
37
3.2.4- Distribuição Normal

O conhecimento desta distribuição de probabilidades se deve a Abraham de Moivre (1667-
1754) que, em 1733, apresentou a função que a representa. Tratava-se até então de um
exercício teórico, sem aplicação prática. J. Bernoulli (1654-1705) acreditava que poderia haver
aplicação na área da economia, no entanto, o uso desses conhecimentos na prática se deve a
Pierre-Simon Laplace (1749-1827) na França e a Johan K. F. Gauss (1777-1855) na Alemanha.
O nome “Curva de Gauss” se deve à suposição que Gauss tivesse sido a primeira pessoa a fazer
uso de suas propriedades; no entanto, em 1924, Karl Pearson reafirmou o papel fundamental de
Abraham de Moivre.
O gráfico de uma distribuição normal se assemelha à forma de sino.. A curva se prolonga em
qualquer das direções a partir da média, tendendo ao eixo horizontal à medida que aumenta a
distancia, mas nunca toca o eixo.
Esta curva é definida por dois parâmetros: sua média (µ) e sua variância (ó2). Dessa forma são
possíveis infinitas curvas normais, ora variando a média, ora a sua variância.
Suas principais características são:
- A variável x pode assumir qualquer valor real (-∝ a +∝)
- Os valores de y são assintóticos em relação ao eixo das abscissas, isto é, nunca tocam o eixo
de x.
- A curva é simétrica e unimodal, apresentando um ponto de inflexão à esquerda (x = µ - 1ó) e
outro à direita (x = µ +1ó).
Como se trata de distribuição de probabilidade contínua, a área que fica entre a curva e o eixo
das abscissas representa a probabilidade. A probabilidade de ocorrer um evento entre os
pontos a e b é calculada pela integral definida da função entre os pontos a e b, representada
pela área no gráfico
Fig. 07– Curva de Probabilidade Normal
3.2.5-A tabela normal padronizada
Curvas normais, com qualquer µ e ó, podem ser transformadas em uma normal muito
especial que tem média 0 (µ = 0) e desvio padrão 1 (ó = 1). Esta curva normal com média 0
e desvio padrão 1 é conhecida como c urva no rma l re d uzid a . Suas probabilidades já foram
calculadas e são apresentadas em tabelas de fácil utilização. Como a normal é simétrica, os
38
livros apresentam somente as probabilidades da metade direita da curva. A probabilidade

de um intervalo qualquer da metade esquerda é igual à probabilidade do intervalo
equivalente na metade direita.
Regra básica para qualquer função de probabilidade:

Total da área embaixo da curva = 1.00 ou P(- ∞ < Zi < + ∞) = 1.0
P(...) SIGNIFICA PROBABILIDADE e f(Z) é a função de densidade.
DISTRIBUICAO NORMAL
f(Z)
DESVIOS PADRAO
-4 -3 -2 -1 0 1 2 3 4
Fig. 8– Distribuição normal

A tabela da paina seguinte dá a probabilidade de ocorrência de um evento entre 0 e z. Na
margem esquerda temos o valor de z com uma decimal e, se necessitamos considerar a
segunda decimal, a procuramos na margem superior. No interior obtemos as p ro b a b ilid a de s.
Para calcular a probabilidade de z entre 0 e 1, procuramos na margem esquerda a linha
que tem z = 1,0 e a coluna 0,00 e encontramos o valor 0,3413. Isto significa que a
probabilidade de encontrar um valor de x entre a média zero e z=1,0 é 0,3413 ou 34,13%.
Para se obter a probabilidade de z entre 0 e 1,64, procuramos a célula cuja linha é 1,6 e
coluna 0,06 o que resulta o valor 0,8990 ou 89,90%, ou seja:
ÁREA ENTRE 1 e –1 DESV. PADRÃO = 68,27% P(- 1 < Zi < + 1) = 0.6827
ÁREA ENTRE 1,64 e –1,64 DESV. PADRÃO = 89,90% P(- 1,64 < Zi < + 1,64) = 0.8990
ÁREA ENTRE 1,96 e –1,96 DESV. PADRÃO = 95% P(- 1,96 < Zi < + 1,96) = 0.9500
-1,96δ -1,64δ -1δ 0 +1δ +1,64δ +1,96δ

68%
89,90%
95,0%
Fig. 9 – Área sob a curva normal a 1, 2, e 3 desvios padrões a contar de cada lado da média.
39
Tabela 1 -Curva Normal (p = área entre 0 e z)
segunda casa decimal
z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359
0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0753
0.2 0.0793 0.0832 0.0871 0.0910 0.0948 0.0987 0.1026 0.1064 0.1103 0.1141
0.3 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.1480 0.1517
0.4 0.1554 0.1591 0.1628 0.1664 0.1700 0.1736 0.1772 0.1808 0.1844 0.1879
0.5 0.1915 0.1950 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2190 0.2224
0.6 0.2257 0.2291 0.2324 0.2357 0.2389 0.2422 0.2454 0.2486 0.2517 0.2549
0.7 0.2580 0.2611 0.2642 0.2673 0.2704 0.2734 0.2764 0.2794 0.2823 0.2852
0.8 0.2881 0.2910 0.2939 0.2967 0.2995 0.3023 0.3051 0.3078 0.3106 0.3133
0.9 0.3159 0.3186 0.3212 0.3238 0.3264 0.3289 0.3315 0.3340 0.3365 0.3389
1.0 0.3413 0.3438 0.3461 0.3485 0.3508 0.3531 0.3554 0.3577 0.3599 0.3621
1.1 0.3643 0.3665 0.3686 0.3708 0.3729 0.3749 0.3770 0.3790 0.3810 0.3830
1.2 0.3849 0.3869 0.3888 0.3907 0.3925 0.3944 0.3962 0.3980 0.3997 0.4015
1.3 0.4032 0.4049 0.4066 0.4082 0.4099 0.4115 0.4131 0.4147 0.4162 0.4177
1.4 0.4192 0.4207 0.4222 0.4236 0.4251 0.4265 0.4279 0.4292 0.4306 0.4319
1.5 0.4332 0.4345 0.4357 0.4370 0.4382 0.4394 0.4406 0.4418 0.4429 0.4441
1.6 0.4452 0.4463 0.4474 0.4484 0.4495 0.4505 0.4515 0.4525 0.4535 0.4545
1.7 0.4554 0.4564 0.4573 0.4582 0.4591 0.4599 0.4608 0.4616 0.4625 0.4633
1.8 0.4641 0.4649 0.4656 0.4664 0.4671 0.4678 0.4686 0.4693 0.4699 0.4706
1.9 0.4713 0.4719 0.4726 0.4732 0.4738 0.4744 0.4750 0.4756 0.4761 0.4767
2.0 0.4772 0.4778 0.4783 0.4788 0.4793 0.4798 0.4803 0.4808 0.4812 0.4817
2.1 0.4821 0.4826 0.4830 0.4834 0.4838 0.4842 0.4846 0.4850 0.4854 0.4857
2.2 0.4861 0.4864 0.4868 0.4871 0.4875 0.4878 0.4881 0.4884 0.4887 0.4890
2.3 0.4893 0.4896 0.4898 0.4901 0.4904 0.4906 0.4909 0.4911 0.4913 0.4916
2.4 0.4918 0.4920 0.4922 0.4925 0.4927 0.4929 0.4931 0.4932 0.4934 0.4936
2.5 0.4938 0.4940 0.4941 0.4943 0.4945 0.4946 0.4948 0.4949 0.4951 0.4952
2.6 0.4953 0.4955 0.4956 0.4957 0.4959 0.4960 0.4961 0.4962 0.4963 0.4964
2.7 0.4965 0.4966 0.4967 0.4968 0.4969 0.4970 0.4971 0.4972 0.4973 0.4974
2.8 0.4974 0.4975 0.4976 0.4977 0.4977 0.4978 0.4979 0.4979 0.4980 0.4981
2.9 0.4981 0.4982 0.4982 0.4983 0.4984 0.4984 0.4985 0.4985 0.4986 0.4986
3.0 0.4987 0.4987 0.4987 0.4988 0.4988 0.4989 0.4989 0.4989 0.4990 0.4990
40
3.3- Estimação e Testes de Significância
A estimação e os testes de significância são os dois principais pontos da inferência

estatística.
3.3.1-Estimação
A estimação envolve a avaliação do valor de algum parâmetro populacional com base em

dados amostrais. As estimativas podem ser pontuais ou especificar um intervalo de valores
em que se julga que o parâmetro populacional possa estar. Uma estimativa pontual é um
valor (ou ponto) único usado para aproximar um parâmetro populacional.
Os intervalos de confiança são estimativas intervalares em que incluem a afirmação

probabilística que indica a percentagem de intervalos que possa esperar abranger o
verdadeiro valor do parâmetro em seus limites. A amplitude de um intervalo de confiança
depende:
- da dispersão dos valores,

- do nível de confiança indicado,
- do erro tolerável e,
- do tamanho da amostra
Um intervalo de confiança está associado a um grau de confiança que é uma medida da

certeza de que o intervalo contem o par6ametro populacional. A definição de grau de
confiança utiliza α para descrever uma probabilidade que corresponde a uma área. Veja a
figura abaixo, onde a probabilidade de α está dividida igualmente entre duas regiões
extremas sombreadas (caudas) na distribuição z (ou t no caso de pequenas amostras).
Intervalo de Confiança
x-e x x+e
α /2 α /2
Pela Tabela corresponde à Área de 0,5 - α/2
Z=0 Z α/2
Fig.10 – A distribuição Normal Padronizada: o valor crítico de zα/2
41
O grau de confiança é a probabilidade 1-α (comumente expressa como o valor percentual

equivalente) de o intervalo de confiança conter o verdadeiro valor do parâmetro
populacional. (o grau de confiança é também chamado de nível de confiança, ou
coeficiente de confiança). São escolhas comuns para grau de confiança: 90% (com α =
0,10), 95% (com α = 0,05). Pelas Normas de avaliações de imóveis – conforme comentado
adiante, usa-se intervalo de confiança de 80%.
Um valor crítico é o número na fronteira que separa os valores das estatísticas amostrais
prováveis de ocorrerem, dos valores que têm pouca chance de ocorrer. O número zα/2 é um
valor crítico que é um escore z com a propriedade de separa uma área de α/2 na cauda
direita da distribuição normal padronizada. (Há uma área de 1-α entre as fronteiras de - zα/2
e zα/2). Os mesmos conceitos valem para distribuição t.
GRAU DE CONFIANÇA = 95%
α /2 = 0,025 α /2 = 0,025
0,475 z=0 0,475

-z α /2 = -1,96 +z α /2 = +1,96
Fig.11 – Determinação de zα/2 para 95% de grau de confiança.
Os intervalos de confiança são estimativas intervalares calculadas com auxílio do erro-

padrão da estimativa Se . Pode referir-se ao valor médio de Y para um dado X, ou então, a
um valor individual esperado de Y. Em ambos os casos o valor esperado é o mesmo, mas o
intervalo de confiança depende do ponto de vista adotado.
−
− X )2
= se. +
1 (X
∑ − [( ∑ X)
1i
S Yi 2
n X 2
/n]
Intervalo para predizer a o valor médio de Y, o desvio padrão de Yi:

−
− X )2
Intervalo de Predição para um valor Y
= se. 1 + +
∑ ∑
1 (X
− [(
S 1i individual, soma-se um único termo (1) à
Yi 2
n X X) 2
/n] expressão, ou seja, o desvio padrão de Yi
42
No caso, pela interpretação das Normas da ABNT, a estimativa é para um valor

médio de Y, portanto, o intervalo deve ser obtido através da p rime ira fó rmula .
Dado um valor fixo X0, o intervalo de predição para um determinado Y será:
– E <Y< E +
Onde a margem de erro E envolve a distribuição t, se nd o da d o p o r:
−
(X 0 − X ) 2
E = t α / 2 .s e . +
∑X − [( ∑ X) 2 /n]
1
2
n
A distribuição de probabilidade de Yi é do tipo distribuição t com (n-k-1) graus de liberdade,

com média igual a Y e erro padrão igual Si. Portanto, o intervalo de confiança poderá ser
estimado por:
Yi − t ( n − K −1) λ / 2 .Sy i ≤ Yi ≤ Yi + t ( n − K −1) λ / 2 .Sy i
onde: t é o valor obtido na tabela t de Student e Syi o desvio padrão de X0
O intervalo de confiança pode ser calculado para qualquer valor de X, possibilitando a

construção de uma faixa de confiança para a reta de regressão populacional como um
todo.
Quanto maior o número da amostra (n) e quanto mais dispersa for a variável x, menor será o
erro padrão e conseqüentemente a amplitude dos intervalos de confiança. O intervalo de
confiança terá uma amplitude menor a medida que X se aproxima da média x e que eles
vão se alargando progressivamente à medida que se afastam da média.
O grau de confiança é a probabilidade 1-α (comumente expressa como o valor percentual

equivalente) de o intervalo de confiança conter o verdadeiro valor do parâmetro
populacional. (o grau de confiança é também chamado de nível de confiança, ou
coeficiente de confiança). São escolhas comuns para grau de confiança: 90% (com α =
0,10), 95% (com α = 0,05). A Norma, estipula que, que o valor final a ser indicado , em
função do tratamento estatístico dado, “ te m d e e sta r c o ntid o e m um inte rva lo d e
c o nfia nç a fe c ha d o e má ximo de 80%” ( que corresponde ao nível de significância igual a
λ
20%, resultando = 10 0
0
) para o valor médio induzido pela equação de regressão.
2
43
3.3.2-Testes de Significância (Testes de Hipóteses)
Pelo processo da indução, as estatísticas amostrais tendem a se a p ro xima r ( e nã o ig ua la r)

aos parâmetros da população e os testes de testes de significância são para verificar se a
diferença entre o valor alegado de um parâmetro populacional e o valor de uma estatística
amostral pode ser razoavelmente atribuído à variabilidade amostral ou se a discrepância é
demasiadamente grande.
Os testes de significância são usados para avaliar afirmações sobre parâmetros

populacionais e o processo consiste basicamente em:
1o) Formular a hipótese nula e a hipótese alternativa
2o) Escolher a distribuição amostral adequada
3o) Escolher a um nível de significância ( e assim os valores críticos)
4o) Calcular a estatística do teste e compará-la com o(s) valor (es) crítico(s)
5o) Rejeitar a hipótese de nulidade se a estatística teste excede o(s) valor(es) crítico(s);
caso contrário, aceitá-la.
Portanto, para iniciar o processo, dois são os tipos de hipóteses que devem ser formuladas:
- a que sugere que a afirmação é verdadeira, chama-se hip ó te se nula e se designa pelo
símbolo H0;
- a que sugere a afirmação é falsa chama-se hip ó te se a lte rna tiva e se designa pelo
símbolo H1.
ou seja: A hip ó te se nula H0 é uma afirmação que diz que o parâmetro populacional é tal
como especificado (isto é, a afirmação é verdadeira).
A hip ó te se a lte rna tiva H1 é uma hipótese que oferece uma alternativa à alegação
(isto é, o parâmetro é maior (ou menor) que o alegado).
O segundo passo consiste em identificar a distribuição amostral adequada (normal z, t de

Student, F de Fischer, etc..)
O terceiro passo consiste em escolher um níve l d e sig nific â nc ia aceitável para indicar um
va lo r c rític o como padrão de comparação, para não rejeitar uma hipótese nula, quando
verdadeira.
Valor crítico é o valor, ou valores que separa(m) a região crítica dos valores da
estatística do teste que não levam à rejeição da hipótese nula
A essência de um teste de significância consiste então em particionar uma distribuição
amostral – com base na suposição de H0 se r ve rd a d e ira – e m uma região de aceitação e
uma região de rejeição de H0. Calcula-se, então, a estatística do teste com base nos dados
amostrais para compará-lo com o valor crítico, cumprindo assim a quarta etapa do teste.
Para finalizar o processo, uma estatística teste que excede o valor crítico sugere a rejeição
de H0 , enquanto que uma estatística teste inferior ao valor crítico sugere H0 que seja
aceita.
44
3.3.2.1-Testes unilaterais e testes bilaterais

A distribuição amostral é particionada em uma região que sugere a aceitação de H0 e uma
região (testes unilaterais) ou duas regiões (testes bilaterais que sugerem a rejeição de H0).
A hipótese alternativa, essencialmente, é usada para indicar o aspecto da variação,
podendo ocorrer três casos possíveis:
1 - concentrar em ambas direções
2- concentrar os desvios para baixo
3- concentrar os desvios para cima
Simbolicamente, no caso da jogada de uma moeda, onde: Ho :p =0,50, tem-se:
Aceitar H0
α /2 α /2 Rejeitar H0
Rejeitar H0
H0 : p#0,5
Valor 0 Valor
crítico crítico
Aceitar H0
Rejeitar H0
α
H0 : p< 0,5
Valor
crítico 0
Rejeitar H0
Aceitar H0
α
H0 : p>0,5
Valor
0 crítico
Note-se, nos testes unilaterais, que o sinal > ou o sinal < aponta para a cauda utilizada
Fig. 12 – Comparação da partição de uma distribuição amostral para testes unilaterais e bilaterais.
3.3.2.2-Erros tipo I e tipo II
Ao ser testada uma hipótese nula, a conclusão é rejeitá-la ou não rejeitá-la: tais conclusões
ora são corretas, ora são incorretas. Há dois tipos de erros inerentes ao processo de teste de
significância:
- erro Tipo I: c o nsiste e m rejeitar a Hip ó te se Nula Ho q ua nd o e la é ve rd a de ira . A
probabilidade de cometer esse erro é chamada nível de significância de um teste e se
denota por α (alfa). O valor de α é tipicamente predeterminado: São comuns a escolha
α =0,05; α =0,01.
- erro Tipo II: c o nsiste e m não rejeitar a Hip ó te se Nula Ho q ua nd o e la é fa lsa . Usa-se o
símbolo β (beta) para representar a probabilidade de um erro tipo II.
45
Espera-se naturalmente, que Ho seja aceita quando verdadeira e rejeitada quando falsa.
Logo, há 4 resultados possíveis indicados na tabela abaixo e tomada a decisão, ou ela será
correta, ou ocorrerá um tipo de erro, e a decisão (aceitar ou rejeitar) indicará que tipo de
erro é possível.
A Hipótese Nula é
A Hipótese Nula é Falsa
Verdadeira
Decidimos rejeitar a Erro Tipo I (rejeição de uma
Decisão Correta
Hipótese Nula hipótese nula verdadeira)
Decisão
Não rejeitamos a Erro Tipo II (não rejeição
Decisão Correta
Hipótese Nula de uma hipótese nula falsa)
Fig. 13 - Erros Tipo I e Tipo II

A probabilidade de cometer o erro do tipo I, α, é mais fácil de ser detectada e pode ser
controlada. Contudo, reduzindo α , aumenta a probabilidade de cometer um erro do tipo II,
β.
α é c ha ma d o o níve l d e sig nific â nc ia e 1-α é o níve l d e sig nific â nc ia do te ste .
3.3.2.3-Conclusão quanto aos testes de Hipóteses:
A afirmação original, ou básica, ora se torna a hipótese nula, ora se transforma na hipótese
alternativa. Entretanto, o processo exige que sempre seja testada a hipótese nula e a
conclusão final será sempre uma das seguintes:
1- Não rejeitar a hipótese nula H0;
2- Rejeitar a hipótese nula H0
3.3.3- O método tradicional do Teste de Hipóteses
Este processo consiste em identificar um resultado amostral que é significativamente

diferente do valor alegado: uma estatística amostral importante se converte em uma
estatística de teste, que é comparada com um valor crítico e utiliza-se este critério para
conclusão:
- Rejeitar a hipótese nula se a estatística de teste está na região crítica;
- Não rejeitar a hipótese nula se a estatística de teste não está na região crítica.
3.3.4-O método do Valor P para o Teste de Hipóteses
Os programas de computador utilizam uma outra abordagem para o teste de hipóteses,

baseada no cálculo do valor de uma probalidade, ou valor P. Um valor P muito pequeno
(como 0,05 ou menos) sugere que os resultados amostrais são muito improváveis sob a
hipótese nula; logo, uma evidência contra a hipótese nula
3.2.5 – Distribuições relacionadas com a distribuição normal
Existem duas importantes distribuições de probabilidade utilizadas na estatística inferencial

relacionadas com a distribuição normal: a distribuição t e a distribuição F.
46
3.2.5.1-A Distribuição t
Pelo Teorema do Limite Central, quando o tamanho da amostra é superior a 30, a

distribuição das médias é aproximadamente normal, mas para observações menores que
30, a aproximação normal pode não ser adequada. Por outro lado, quando o desvio
padrão da população não é conhecido (o que ocorre em geral), usa-se o desvio padrão
da amostra como estimativa, substituindo-se σx por Sx nas equações para intervalos de
confiança e erros. Portanto, se a amostra é pequena (n ≤30) e o desvio padrão da
população não é conhecido, usa-se a distribuição t1 de Student.
A forma da distribuição t é similar à normal, conforme mostrado na figura a seguir. A

principal diferença entre as duas distribuições é que a distribuição t tem mais área nas
caudas: isto significa que , para um dado nível de confiança, o valor t será um pouco maior
que o correspondente ao z.
Fig. 14 – Comparação de distribuição normal z e t.
Note-se que a distribuição t tem mais área nas caudas . A partir de 30 dados amostrais, elas
se aproximam.
Para usar a tabela t2 (TABELA 2) é preciso conhecer duas coisas: o nível de confiança
desejado e o número de graus de liberdade. O número de graus de liberdade está
∑
relacionado com a maneira de calcular o desvio padrão:
(x − x )2
Sx =
n-1=graus de liberdade (tamanho da
n −1
amostra menos 1)
onde:
Sx = desvio padrão amostral e
1
O criador da distribuição t foi W.S.Gosset, empregado de uma cervejaria irlandesa no princípio do século XX
que precisava de uma distribuição que pudesse ser utilizada com pequenas amostras. Como esta não permitia a
publicação de resultados de pesquisas, usou o pseudônimo de St udent .
2
A tabela de t de Student será usada mais adiante para cálculos de verificação das variáveis e cálculo do
intervalo de confiança.
47
O número de graus de liberdade para um conjunto de dados corresponde ao número de

valores que podem variar após terem sido impostas certas restrições a todos os valores.
Explicação intuitiva sobre o número de graus de liberdade:
Determinar três números cuja soma seja será determinado: não existe grau de
10: o primeiro número pode ser qualquer liberdade para ele. Há três números em
um (até negativo); o segundo também. jogo, mas liberdade só para dois, ou seja,
Mas o terceiro será limitado à condição como os dois primeiros números foram
que a soma dos três deve ser 10. Escolhido escolhidos arbitrariamente, há dois graus
os dois primeiros, o terceiro de liberdade
48
Tabela 2 - Distribuição t de Student
Coeficiente de Confiança
Duas caudas 0,80 0,90 0,95 0,98 0,990 0,9990
Uma cauda 0,90 0,95 0,98 0,99 0,995 0,9995
Testes de Hipóteses
Duas caudas 0,20 0,10 0,05 0,02 0,010 0,0010
Uma cauda 0,10 0,05 0,03 0,01 0,005 0,0005
1 3,078 6,314 12,706 31,821 63,656 636,578
2 1,886 2,920 4,303 6,965 9,925 31,600
3 1,638 2,353 3,182 4,541 5,841 12,924
4 1,533 2,132 2,776 3,747 4,604 8,610
5 1,476 2,015 2,571 3,365 4,032 6,869
6 1,440 1,943 2,447 3,143 3,707 5,959
7 1,415 1,895 2,365 2,998 3,499 5,408
8 1,397 1,860 2,306 2,896 3,355 5,041
9 1,383 1,833 2,262 2,821 3,250 4,781
10 1,372 1,812 2,228 2,764 3,169 4,587
11 1,363 1,796 2,201 2,718 3,106 4,437
12 1,356 1,782 2,179 2,681 3,055 4,318
13 1,350 1,771 2,160 2,650 3,012 4,221
14 1,345 1,761 2,145 2,624 2,977 4,140
15 1,341 1,753 2,131 2,602 2,947 4,073
16 1,337 1,746 2,120 2,583 2,921 4,015
17 1,333 1,740 2,110 2,567 2,898 3,965
18 1,330 1,734 2,101 2,552 2,878 3,922
19 1,328 1,729 2,093 2,539 2,861 3,883
20 1,325 1,725 2,086 2,528 2,845 3,850
21 1,323 1,721 2,080 2,518 2,831 3,819
22 1,321 1,717 2,074 2,508 2,819 3,792
23 1,319 1,714 2,069 2,500 2,807 3,768
24 1,318 1,711 2,064 2,492 2,797 3,745
25 1,316 1,708 2,060 2,485 2,787 3,725
26 1,315 1,706 2,056 2,479 2,779 3,707
27 1,314 1,703 2,052 2,473 2,771 3,689
28 1,313 1,701 2,048 2,467 2,763 3,674
29 1,311 1,699 2,045 2,462 2,756 3,660
30 1,310 1,697 2,042 2,457 2,750 3,646
31 1,309 1,696 2,040 2,453 2,744 3,633
32 1,309 1,694 2,037 2,449 2,738 3,622
33 1,308 1,692 2,035 2,445 2,733 3,611
34 1,307 1,691 2,032 2,441 2,728 3,601
35 1,306 1,690 2,030 2,438 2,724 3,591
36 1,306 1,688 2,028 2,434 2,719 3,582
37 1,305 1,687 2,026 2,431 2,715 3,574
38 1,304 1,686 2,024 2,429 2,712 3,566
39 1,304 1,685 2,023 2,426 2,708 3,558
40 1,303 1,684 2,021 2,423 2,704 3,551
41 1,303 1,683 2,020 2,421 2,701 3,544
42 1,302 1,682 2,018 2,418 2,698 3,538
43 1,302 1,681 2,017 2,416 2,695 3,532
44 1,301 1,680 2,015 2,414 2,692 3,526
45 1,301 1,679 2,014 2,412 2,690 3,520
46 1,300 1,679 2,013 2,410 2,687 3,515
47 1,300 1,678 2,012 2,408 2,685 3,510
48 1,299 1,677 2,011 2,407 2,682 3,505
49 1,299 1,677 2,010 2,405 2,680 3,500
50 1,299 1,676 2,009 2,403 2,678 3,496
49
3.2.5.2- A distribuição F - Análise de variância
A distribuição F tem inúmeras utilidades, especialmente para comparação de médias

amostrais. No caso específico da avaliação de imóveis, a distribuição F é usada para realizar
testes de hipóteses da equação de regressão como um todo. A distribuição F testa a
hipótese de que nenhum dos coeficientes da regressão tenha significado contra a hipótese
de que pelo menos um tenha significado, ou seja, formulando as seguintes hipótese nula e
alternativa:
H0= nenhum dos coeficientes da regressão tenha significado.
H1= pelo menos um tem significado.
O valor da estatística deve ser comparado com uma tabela de valores F, no caso da tabela
de distribuição F de Fischer- Snedecor (TABELA 3), que indica o valor máximo da estatística no
caso de H0 ser verdadeira, a um determinado nível de significância
Análise de Variância (ANOVA)
Usualmente as partes componentes desse teste - compreendendo não só da fonte de

variação como de verificação dos cálculos, como também a própria estatística do teste
(razão F) e o P va lo r - são indicadas numa Tabela chamada Analise da Variância (ANOVA)
reproduzida pelos programas de computador, nos moldes do quadro reproduzido a seguir.
Fonte de Soma de Graus de Quadrado médio

Razão F Valor -P
variação de Y Quadrados Liberdade das variações
E = Explicada Significância
pela regressão SQE=r2 K QME=SQE/k =QME/QMR
obtida da
X1...Xn
Tabela F
R= Residual
não explicada SQR=SQT-SQE n-k-1 QMR=SQR/(n-k-1)
pela regressão
T=Total SQT=(SQE+SQR) TOTAL TOTAL
Ao fazer a análise, utilizam-se duas estimativas amostrais da variância para calcular uma
razão F. O F observado é dado por: F= Variância Explicada ÷ Variância não explicada
Compara-se o número resultante com um valor F da Tabela: se o valor é maior que o valor
tabulado, rejeita-se a hipótese nula. Se o valor calculado é menor, a hipótese nula não
pode ser rejeitada. Os valores constantes da tabela F são os valores críticos.
Compara-se o número resultante com um valor F da Tabela: se o valor é maior que o valor
tabulado, rejeita-se a hipótese nula. Se o valor calculado é menor, a hipótese nula não
pode ser rejeitada.
50
Tabela 3 - Distribuição F
Colunas: Graus de Liberdade Numerador.
Nivel de Significância: 0,01

1 2 3 4 5 6 7 8 9 10 11 12 15 20 25 1000
1 4052 4999 5404 5624 5764 5859 5928 5981 6022 6056 6083 6107 6157 6209 6240 6363
2 98,50 99,00 99,16 99,25 99,30 99,33 99,36 99,38 99,39 99,40 99,41 99,42 99,43 99,45 99,46 99,50
3 34,12 30,82 29,46 28,71 28,24 27,91 27,67 27,49 27,34 27,23 27,13 27,05 26,87 26,69 26,58 26,14
4 21,20 18,00 16,69 15,98 15,52 15,21 14,98 14,80 14,66 14,55 14,45 14,37 14,20 14,02 13,91 13,47
5 16,26 13,27 12,06 11,39 10,97 10,67 10,46 10,29 10,16 10,05 9,96 9,89 9,72 9,55 9,45 9,03
6 13,75 10,92 9,78 9,15 8,75 8,47 8,26 8,10 7,98 7,87 7,79 7,72 7,56 7,40 7,30 6,89
7 12,25 9,55 8,45 7,85 7,46 7,19 6,99 6,84 6,72 6,62 6,54 6,47 6,31 6,16 6,06 5,66
8 11,26 8,65 7,59 7,01 6,63 6,37 6,18 6,03 5,91 5,81 5,73 5,67 5,52 5,36 5,26 4,87
9 10,56 8,02 6,99 6,42 6,06 5,80 5,61 5,47 5,35 5,26 5,18 5,11 4,96 4,81 4,71 4,32
10 10,04 7,56 6,55 5,99 5,64 5,39 5,20 5,06 4,94 4,85 4,77 4,71 4,56 4,41 4,31 3,92
11 9,65 7,21 6,22 5,67 5,32 5,07 4,89 4,74 4,63 4,54 4,46 4,40 4,25 4,10 4,01 3,61
12 9,33 6,93 5,95 5,41 5,06 4,82 4,64 4,50 4,39 4,30 4,22 4,16 4,01 3,86 3,76 3,37
13 9,07 6,70 5,74 5,21 4,86 4,62 4,44 4,30 4,19 4,10 4,02 3,96 3,82 3,66 3,57 3,18
14 8,86 6,51 5,56 5,04 4,69 4,46 4,28 4,14 4,03 3,94 3,86 3,80 3,66 3,51 3,41 3,02
15 8,68 6,36 5,42 4,89 4,56 4,32 4,14 4,00 3,89 3,80 3,73 3,67 3,52 3,37 3,28 2,88
16 8,53 6,23 5,29 4,77 4,44 4,20 4,03 3,89 3,78 3,69 3,62 3,55 3,41 3,26 3,16 2,76
17 8,40 6,11 5,19 4,67 4,34 4,10 3,93 3,79 3,68 3,59 3,52 3,46 3,31 3,16 3,07 2,66
18 8,29 6,01 5,09 4,58 4,25 4,01 3,84 3,71 3,60 3,51 3,43 3,37 3,23 3,08 2,98 2,58
19 8,18 5,93 5,01 4,50 4,17 3,94 3,77 3,63 3,52 3,43 3,36 3,30 3,15 3,00 2,91 2,50
20 8,10 5,85 4,94 4,43 4,10 3,87 3,70 3,56 3,46 3,37 3,29 3,23 3,09 2,94 2,84 2,43
21 8,02 5,78 4,87 4,37 4,04 3,81 3,64 3,51 3,40 3,31 3,24 3,17 3,03 2,88 2,79 2,37
22 7,95 5,72 4,82 4,31 3,99 3,76 3,59 3,45 3,35 3,26 3,18 3,12 2,98 2,83 2,73 2,32
23 7,88 5,66 4,76 4,26 3,94 3,71 3,54 3,41 3,30 3,21 3,14 3,07 2,93 2,78 2,69 2,27
24 7,82 5,61 4,72 4,22 3,90 3,67 3,50 3,36 3,26 3,17 3,09 3,03 2,89 2,74 2,64 2,22
25 7,77 5,57 4,68 4,18 3,85 3,63 3,46 3,32 3,22 3,13 3,06 2,99 2,85 2,70 2,60 2,18
26 7,72 5,53 4,64 4,14 3,82 3,59 3,42 3,29 3,18 3,09 3,02 2,96 2,81 2,66 2,57 2,14
27 7,68 5,49 4,60 4,11 3,78 3,56 3,39 3,26 3,15 3,06 2,99 2,93 2,78 2,63 2,54 2,11
28 7,64 5,45 4,57 4,07 3,75 3,53 3,36 3,23 3,12 3,03 2,96 2,90 2,75 2,60 2,51 2,08
29 7,60 5,42 4,54 4,04 3,73 3,50 3,33 3,20 3,09 3,00 2,93 2,87 2,73 2,57 2,48 2,05
30 7,56 5,39 4,51 4,02 3,70 3,47 3,30 3,17 3,07 2,98 2,91 2,84 2,70 2,55 2,45 2,02
40 7,31 5,18 4,31 3,83 3,51 3,29 3,12 2,99 2,89 2,80 2,73 2,66 2,52 2,37 2,27 1,82
50 7,17 5,06 4,20 3,72 3,41 3,19 3,02 2,89 2,78 2,70 2,63 2,56 2,42 2,27 2,17 1,70
60 7,08 4,98 4,13 3,65 3,34 3,12 2,95 2,82 2,72 2,63 2,56 2,50 2,35 2,20 2,10 1,62
70 7,01 4,92 4,07 3,60 3,29 3,07 2,91 2,78 2,67 2,59 2,51 2,45 2,31 2,15 2,05 1,56
80 6,96 4,88 4,04 3,56 3,26 3,04 2,87 2,74 2,64 2,55 2,48 2,42 2,27 2,12 2,01 1,51
90 6,93 4,85 4,01 3,53 3,23 3,01 2,84 2,72 2,61 2,52 2,45 2,39 2,24 2,09 1,99 1,48
100 6,90 4,82 3,98 3,51 3,21 2,99 2,82 2,69 2,59 2,50 2,43 2,37 2,22 2,07 1,97 1,45
500 6,69 4,65 3,82 3,36 3,05 2,84 2,68 2,55 2,44 2,36 2,28 2,22 2,07 1,92 1,81 1,20
1000 6,66 4,63 3,80 3,34 3,04 2,82 2,66 2,53 2,43 2,34 2,27 2,20 2,06 1,90 1,79 1,16
51
CAPÍTULO 4
Pressupostos de um Modelo para Explicação do Mercado Imobiliário
Na estimativa do valor de um determinado segmento do mercado imobiliário (de um
terreno, de uma residência, de um aluguel, etc...), o processo de inferência estatística pode
se constituir na metodologia adequada, desde que atenda o pressuposto básico inicial
quanto a existência de um conjunto de dados que possa ser tomado, estatisticamente,
como amostra deste segmento.
O processo de inferência consiste em obter um modelo de regressão de múltiplas variáveis,

que explique a variação do valor investigado a partir desse conjunto de dados,
normalmente estimado através do método dos m ínimo s q ua d ra d o s.
Este método consiste calcular as relações estatísticas no âmbito das informações colhidas
em amostra e o processo que possibilita prever o valor de um parâmetro desconhecido
(populacional) tem explicação na teoria das probabilidades. Essa teoria permite fazer
inferências, mediante testes de hipóteses e intervalos de confiança e é nela que estão
baseadas as especificações quanto aos critérios estabelecidos para o tratamento estatístico
inferencial introduzidas pelas normas de avaliação de imóveis da ANBT (NBR-14.653-2).
Assim é que, na estimativa do valor de um determinado imóvel (Yi), pressupõe-se que ele
possa ser explicado segundo uma variação de diversas componentes (X1j ,X2j ... Xkj , que
podem ser representados por uma variação de: área, frente, distancia a um polo atrativo,
padrão construtivo, etc..) e o modelo de regressão ajustado normalmente consiste numa
função linear- ou linearizável por transformação nas escalas das variáveis envolvidas - do
tipo:
Yi = β0 + β1X1i + β2X2i + ......... βkXki + εi , onde:
Yi = variável dependente ou explicada, que se constitui no valor investigado (terreno, casa, loja)
X1i ,X2i ... Xki = variáveis independentes ou explicativas, que podem ser de natureza quantitativa
(área, frente, distancia a um polo atrativo, etc..) ou qualitativa (padrão, topografia, etc..)
β1,β2 ...βk = parâmetros da regressão
εi = os respectivos erros ou resíduos, sendo a expressão de inúmeras pequenas causas que
produzem um desvio do que a variável dependente deveria ser, se a relação fosse
determinística.
Cabe relembrar a natureza do termo erro ei , e especificar que ,no caso de avaliações, se deve
principalmente aos seguintes aspectos:
1o) erros decorrentes de observação ou medidas das variáveis (muito comuns na prática da
pesquisa, por serem dependente de informações de terceiros);
2o) erros devidos a não consideração de variáveis influentes na variação de valor, não
contempladas na regressão. Isto significa dizer que, além das variáveis reconhecidas no
modelo, existiriam fatores que poderiam influenciar indiretamente o valor (Y,) mas que não
se revelam suficientemente fortes para estarem no modelo,
3o) aleatoriedade do comportamento humano, elemento imprevisível e muito presente no
mercado imobiliário
52
Devido a esse erro amostral, dificilmente a regressão estimada da amostra coincidirá com a
verdadeira regressão populacional:
Y Y = βo +β1Xi
Regressão verdadeira
(desconhecida)
1.1.1.1.1
i =b 0 +b 1 X 1i
Regressão
Fig.15 - Representação esquemática das

regressões (amostral e populacional)
O máximo que se pode esperar é uma

aproximação razoável entre as duas
funções. Ao ajustar a regressão amostral,
o objetivo é manter os resíduo ( erros), tã o
p e q ue no s q ua nto p o ssíve l.
A técnica mais usada para determinar a

equação de regressão é a dos mínimos
quadrados e a denominação provem de
a reta resultante minimizar a soma dos
quadrados dos desvios dos pontos em
relação a reta, conforme especificado
adiante.
53
Para que este modelo matemático seja considerado válido para explicação do
fenômeno investigado, considera-se, ainda, que as variáveis explicativas ((X1j ,X2j ... Xkj ,,
área, testada, etc...) não contenham nenhuma perturbação aleatória - que deve ser
assegurado mediante verificação dos testes de hipóteses básicos (demonstrados pela
sig nific â nc ia d o s re g re sso re s através do teste “ t” e da e q ua ç ã o c o mo um to d o através
da distribuição “ F” ) e que a distribuição dos resíduos os erros, εi , satisfaçam aos
pressupostos de modelo de regressão linear normal, isto é, variância constante (
homocedasticidade) , independencia entre as variáveis explicativas e não auto-
regressão (quando usadas séries temporais).
E o que é mais importante, é que este mo d e lo p o d e rá se r utiliza d o p a ra a va lia ç ã o ,

d e sd e q ue re p re se nte c o m c la re za , c o e rê nc ia e lo g ic id a d e o e fe tivo c o mp o rta me nto
d o se g me nto d e me rc a d o e stud a d o na q ue le mo me nto .
4.1 – O MODELO DE REGRESSÃO LINEAR – CÁLCULO DOS PARÂMETROS
Após ter selecionado a fórmula básica da parte funcional do modelo, a etapa seguinte
no processo é a estimação dos parâmetros (b0, b1, b2, ..., bk) na função. Isto deve ser
realizado resolvendo um problema que relaciona a resposta variável e a parte
funcional do modelo de uma maneira que produzam as estimativas dos parâmetros o
mais próximo possível dos valores dos parâmetros verdadeiros, desconhecidos.
Existem diversos métodos para a estimação dos parâmetros de uma equação de

regressão
Os dois métodos mais comumente utilizados são os dos Mínimos Quadrados Ordinários e
o da Máxima Verossimilhança, sendo o primeiro mais difundido na Engenharia de
Avaliações.
4.1.1 - O método dos mínimos quadrados
Pelo critério dos mínimos quadrados, os valores desconhecidos dos parâmetros, β0,
β1,...,βK são estimados encontrando os valores numéricos para os parâmetros que
minimizam a soma dos resíduos, ou seja, das diferenças entre as respostas observadas e
a parcela funcional do modelo (calculadas através da equação de regressão).
Matematicamente, o critério da soma dos quadrados, que é minimizado para obter as

estimativas do parâmetro é:
54
∂ = ∑ y i − f ( x ; β sendo que, β1, β2,..., βK, são tratados como os coeficientes das
⎡ r ˆr ⎤
2
⎢ ⎥⎦
n
i =1 ⎣
variáveis X1, X2,..., Xk e resultarão nos valores de predição de Y, em função da variação

destas referidas variáveis. Para enfatizar o fato que as estimativas dos valores de
parâmetro não são as mesmas como os valores verdadeiros dos parâmetros as
estimativas são denotados perto βˆ 0 , βˆ 1,...,βˆ k .
A explicação do método será ilustrada com base em sua expressão mais simples
recorrendo à regressão linear relacionando apenas duas variáveis, considerando o
modelo de regressão em linha reta. A relação entre "Y" e "X", pode ser representada em
um diagrama de dispersão, com os valores y i em ordenada e os xi em abscissa. Cada
par de valores xi e y i fornecerão um ponto e utilizando-se, por exemplo, o método que
minimiza o somatório dos resíduos ao quadrado, pode-se calcular, neste caso, a
equação de uma reta de tendência que melhor se ajuste à nuvem de distribuição dos
pontos representativos dos dados pesquisados da amostra utilizada.
Yi
Y1 i
ei b1
b0
X1 X
Fig.16 – Representação da Reta de Regressão.
Para ajustar uma reta aos valores dos dados de uma amostra, pelo princípio dos
mínimos quadrados deve-se procurar uma reta tal que a soma dos quadrados das
distâncias verticais de cada ponto à reta seja a menor possível. Tomam-se os
quadrados das distâncias para que as distancias positivas sejam canceladas pelas
negativas. O intercepto e o coeficiente angular dessa reta, são b 0 e b 1, que
55
correspondem às estimativas obtidas pelo método dos mínimos quadrados de β0 e β1

e a reta ajustada é representada pela expressão:
i= b0 + b1 x1
Considerando o gráfico acima, para cada reta que passe pelos pontos do diagrama,
existe um resíduo correspondente a distancia vertical entre Xi e a reta, para cada par (
Xi,Yi) observado. As distâncias verticais de cada ponto à reta ajustada são os resíduos
de mínimos quadrados, e são dados por:
ei = Yi – Ŷi ou
4 ei = Yi – b0 – b1 .Xi
onde: Yi é o va lo r o b se rva d o d a va riá ve l d e p e nd e nte

Ŷii é o va lo r e stima d o o u p re visto p e lo mo d e lo
e i o re síd uo e stima d o
b 0 e b 1 a s e stima tiva s d o s p a râ me tro s β0 e β1
A aplicação do método dos mínimos quadrados, portanto, consiste em encontrar, a partir dos
dados amostrais (Yi, Xi), as estimativas para o coeficiente angular b1 (que define o aumento ou
diminuição da variável Yi por unidade de variação da variável Xi) e para o intercepto b0 (que
define o ponto em que a reta corta o eixo das ordenadas), de modo que os erros (ou resíduos)
sejam m ínimo s.
Uma vez que as diferenças entre valores reais (Yi) e valores previstos ( i ) serão tanto positivas
como negativas para diferentes observações, é necessário minimizar matematicamente como:
Como i= b0 + b1.X1,, o que está sendo minimizado é:
∑ [Y i - (b 0 + b 1 X i )] 2
n
i =1
Para este modelo, as estimativas dos mínimos quadrados dos parâmetros seriam
computadas minimizando:
∂ = ∑ [Y i - (b 0 + b 1 X i )] 2
n
i=1
Fazendo o exame de derivadas parciais δ com respeito à b0 e b1, ajustando cada

derivada parcial igual a zero e resolvendo o sistema resultante de duas equações com
dois desconhecidos, tem-se as seguintes estimativas para os parâmetros:
56
∑ ( xi − x )( yi − y )
n
b1 = i =1
∑ ( xi − x )2
n
i =1
b 0 = y − b1 x
Onde, x corresponde ao valor médio da variável Xi e y corresponde ao valor médio
da variável Yi.
E a equação de regressão é, então, dada por:
Ŷ = b0 + b1 xi
É relevante, a esta altura, informar que, no caso de utilização de duas variáveis

explicativas e uma explicada, a reta de regressão passa a ser um plano de regressão,
em relação ao qual são calculados os resíduos. No caso de mais de duas variáveis
explicativas, diz-se que os resíduos são calculados em relação a um hiper-plano teórico.
As equações de regressão podem ser úteis quando usadas para predizer o valor de
uma das variáveis, dado um valor da outra variável, desde que se ajustem bem aos
dados e não ultrapasse os limites dos valores disponíveis. A regressão múltipla é usada,
portanto, para testar dependências cumulativas de uma única variável dependente
em relação à diversas variáveis independentes. Cada variável é isolada e mantida
constante enquanto as variáveis restantes variam sistematicamente, sendo observados
os seus efeitos sobre a variável dependente. A variável a ser inicialmente mantida
constante é aquela que ocasiona a maior influência na variabilidade da variável
dependente.
O modelo geral é representado por

yi = b0 + b1 x1 + L + bk xki + ei
A condição inicial, como na regressão linear simples, é descrita por
y = bo + b1 x1 + e1 onde xi é a variável independente, responsável pela
maior variabilidade, b0 e b1 são os coeficientes e e1 é o erro, isto é, a
variabilidade em Y não explicada pela relação linear.
57
A variável que, em seguida, mais reduz a variabilidade do erro é em seqüência

adicionada de tal modo que:
y = bo + b1 x1 + b2 x2 + e2 , sendo b0 , b1 e b2 calculados e e2 < e1 .
O processo segue por etapas até que o comportamento de todas as variáveis
independentes em relação à dependente seja verificado.
O desenvolvimento dos sistemas de equações não se constitui no objetivo precípuo
deste curso, sendo recomendado aos alunos se aprofundar utilizando as referências
bibliográficas recomendada na apostila.
A mesma recomendação vale para os modelos lineares de regressão múltipla,

especialmente aqueles envolvendo muitas variáveis explicativas, onde a estimação dos
parâmetros pelo método dos mínimos quadrados (b0, b1, b2,...., bk) é obtida através de
operações com matrizes, cujas formulações teóricas baseiam-se em cálculos
complexos, que não se constituem no principal objetivo deste curso, razão pela qual
serão apresentados apenas os conceitos mais importantes, até mesmo porque, os
programas aplicativos de computador resolvem todos os sistema de equações.
Correlações do modelo e das variáveis explicativas
O coeficiente de correlação isolada entre variáveis expressa o quanto as mesmas

estão relacionadas entre si.
O coeficiente de correlação entre Y e X, simbolizado por r, pode ser pode ser definido
∑
na forma de raiz quadrada do coeficiente de determinação R2 ou pela fórmula:
∑ ∑
r =
xy
2
y . x2
O coeficiente de correlação é útil no processo de investigação das variáveis

potencialmente importantes no modelo e de eventual existência de colinearidade
entre variáveis explicativas. Indicado pela letra ' r ' , pode ser medido por duas
características:
a) sua intensidade, que varia de 0 a 1;
b) seu sentido, que pode ser positivo ou negativo: a correlação é positiva quando
as duas variáveis examinadas crescem ou diminuem ambas no mesmo sentido, e
58
negativa quando variam em sentidos contrários, ou seja, quando uma cresce a

outra diminui.
A análise das correlações “isoladas” entre cada uma das variáveis independentes e a
variável dependente permite verificar, pelo seu sinal, a forma da relação (se positiva,
aumenta o valor do imóvel ou se, negativa, diminui) e, pela magnitude do coeficiente
(de 0 a 100%) o quanto cada uma das variáveis independentes contribuem
isoladamente para maximizar a predição (variação explicada) da variável
dependente.
Portanto a análise das correlações isoladas entre a variável dependente e as demais
variávei é útil no trabalho exploratório de investigação das variáveis potencialmente
importantes a serem incluídas no modelo, por medir simultaneamente seu sentido e seu
grau ou força de relacionamento, desde que exista a já citada relação de causa e
efeito entre elas.
Em compensação, uma das hipóteses básicas da aplicação do método dos mínimos
quadrados é que inexista, ou seja muito baixa, a correlação isolada entre cada uma
das variáveis explicativas e as demais variáveis explicativas. Se essa correlação entre
variáveis explicativas for muito alta, diz-se que há colineariedade entre elas. Se houver
simultaneamente altas correlações entre duas ou mais variáveis explicativas, ocorre a
multicolinearidade entre elas
Se as variáveis independentes são altamente correlacionadas, então elas
“compartilham” de algum poder de predição. Ao analisar o poder de predição do
modelo, é imprescindível estar atento para que variações compartilhadas
(correlacionadas) entre algumas variáveis independentes não sejam “contadas
dobradas”, porque além de problemas estatísticos, expõe o modelo a uma
redundância de variáveis, como é caso por exemplo de área útil e número de
dormitórios como variáveis explicando a variação do valor do apartamento. Esses
cálculos da variação compartilhada ilustram uma das formas de identificar os efeitos
da colinearidade entre variáveis independentes atuando sobre a variável dependente,
objeto de análise específica e detalhada em tópico à parte deste curso.
O coeficiente de correlação parcial (por vezes chamada “com influência") indica o

relacionamento entre duas variáveis analisadas, na presença de uma ou mais variáveis
que com elas atuam simultaneamente.
59
Coeficiente de determinação (R2)
O poder de explicação de um modelo é feito através do coeficiente de determinação.

O coeficiente de determinação, indicado por “r²” (quadrado do coeficiente de
correlação 'r') mede o p e rc e ntua l d a va ria ç ã o to ta l d o va lo r em torno da media que
é explicada pela variação dos regressores adotados na equação. Quanto maior a
variação a ser explicada, maior o coeficiente e vice-versa. Embora seja desejável o
mais próximo de 1 (100% da variação explicada), não se pode definir valor mínimo
aceitável, pois dependerá do tamanho da variação da amostra e das variáveis
colhidas para explicar esta variação.
Ao ajustar uma equação, espera-se que ela se ajuste à variação de um grupo de

dados e a questão que surge naturalmente é saber quão precisa é a e stima tiva dada
por essa equação.
Mas qual seria o critério para determinar a reta que é melhor que todas as outras? Esse
critério baseia-se na distancia vertical entre os pontos que representam os dados
originais e a reta de regressão: tais distâncias chamam-se re síd uo s.
Dado um par de dados amostrais (x,y), um resíduo é a diferença (y- ) entre um valor amostral
observado y e o valor predito com base na equação de regressão. Portanto: uma reta verifica
a propriedade dos mínimos quadrados se a soma dos quadrados dos resíduos é a menor
possível.
Considerando por exemplo a dispersão de pontos da figura abaixo em torno da média, em

oposição à dispersão vertical de pontos em torno da reta de regressão como ilustra a figura
abaixo. Se a dispersão associada à reta é muito menor que a dispersão (erro) associada à
média, as predições baseadas na reta serão melhores que a da média.
DISPERSÃO
DE PONTOS
DISPERSÃO
EM TORNO
DISPERSÃO DE PONTOS
DA RETA DE
DE PONTOS EM TORNO
REGRESSÃO
EM TORNO DA
MÉDIA
Fig.17 - Comparação de dispersão de y’ s em torno da reta de regressão com a dispersão de y’ s em torno

da média
60
Para ilustrar a questão e voltando ao caso do relacionamento de duas variáveis, ao aplicar

modelo de regressão simples, a variável Xi é introduzida na esperança de que sua variação
“explique” a variação de Yi, ou seja:
Yi = βo +β1Xi + ε i onde (βo + β1Xi ) é ó componente explicável da variação de Yi e ε i é o

componente não explicado. Desta forma, para examinar se a variável independente prevê bem a
variável dependente no modelo estatístico, é necessário desenvolver essas medidas de variação.
Para tanto, será necessário decompor o valor de Yi em:
y i = y i + ei onde y i = b0 + b1 xi e ei = yi − y i
) ) ) ) )
Y Yi
e i = y I − y = COMPONENTE
) )
NÃO − EXPLICADO
VARIAÇÃO TOTAL i = b0 + b1. xi
y − y = COMPONENTE
)
( y I − yi )
EXPLICADO
(x, y)
Xi X
Fig.18 – Componentes: explicado e não-explicado, de yi
r
Como ilustra a figura acima, a diferença entre y i e o seu valor médio yi (variação total)
consiste em uma parte explicada pelo modelo de regressão ( ŷ i − y i ) e uma parte não explicada
( y i − yˆ i ), que são os resíduos. Existem diversas formas de medir a variação total de uma variável,
sendo que uma delas consiste em somar sobre toda a amostra, os quadrados das diferenças
r
entre y i e a sua média y i . Especificamente essas somas de quadrado resultam nas seguintes
medidas:
∑ ( y i - y ) 2 = soma de quadrados total – STQ: que é uma medida de variação total dos valores de
n
i =1
Yi em torno de sua média amostral.
∑ ( ŷ − y ) 2 = soma de quadrados devido a regressão – SQR: que é a parcela da variação total de

n
i=1
y em relação à sua media, que é explicada pela regressão, ou a parcela atribuída à relação
entre X e Y.
∑ ( y i - ŷ ) 2 = soma do quadrado dos erros – SQE: que é a parcela da variação total de y em

n
i =1
relação à sua média, que não é explicada pela regressão e que é atribuída a outros fatores
diferentes da relação entre X e Y.
61
Sendo que:
∑ (y i - y ) = ∑ (ˆy i - y ) + ∑ (y i - ˆy ) 2
n 2 n 2 n
i =1 i =1 i =1
VARIAÇÃO = VARIAÇÃO +
VARIAÇÃO
TOTAL EXPLICADA NÃO-EXPLICADA
O Coeficiente de Determinação - R² é representada pela proporção da variância dos Yi

observados "explicada" pelo modelo de regressão ajustado ou o resultado da soma de
quadrados devida à regressão dividida pela soma total dos quadrados:
∑ (Yi − Y)
n ˆ ˆ 2
R = n
2 i = 1 =
VARIAÇÃOEX PLICADA
∑ (Yi − Y ) 2 VARIAÇÃOTO TAL
i =1
O coeficiente de determinação fornece uma medida dimensional de quantidade do ajuste do

modelo de regressão múltipla aos dados, correspondendo a um valor compreendido entre 0 e 1
e podendo ser interpretado como a porcentagem (variando de 0 a 100%) da variação de Yi,
em torno de sua média, explicada pelo modelo de regressão.
Quanto maior for o valor de R2, maior será a parcela da variação de Yi “explicada” pela
variação das várias variáveis explicativas Xi, e, em princípio, melhor a capacidade de previsão
do modelo encontrado. Valores de R2 próximos de zero indicam um péssimo ajuste dos dados
obtidos pela equação de regressão aos dados obtidos no campo amostral.
Exemplo: Numa regressão simples valor unitário x área, o fato de ter R2=0,60 indica que aproximadamente
60% da variação no preço unitário estão relacionados com a variação da área, logo os restantes 40% não
são explicados por esta variável. Isto sugere que:
1.1.1.1.1.1 1 o ) Talvez uma equação não linear se ajustasse melhor;
2o) É possível que outras variáveis não incluídas no modelo sejam importantes.
Com a adição de novas variáveis ao modelo, é sempre possível aumentar o valor de R2, no
entanto, nem sempre um novo modelo com mais variáveis regressoras será melhor que um
modelo que não envolva essas variáveis.
Para contornar esse problema, é sugerido que seja calculado um coeficiente de determinação
múltipla ajustado, simbolizado por R 2 , em cuja fórmula, apresentada a seguir é possível verificar
que, diferentemente do R2, reflete tanto o número de variáveis explicativas k e quanto o
tamanho da amostra n:
R 2 = 1 − [ (1 − R 2 ). ]
n −1
n − k −1
62
Observações:
• Não utilizar equações de regressão com número de elementos amostrais ig ua l ao número de

variáveis utilizadas, pois a equação corresponderá sempre a coeficiente de determinação 1,
já que consiste em resolver um sistema determinístico de n equações a n incógnitas.
• Evitar número reduzido de elementos amostrais, pois há casos que podem induzir a um
elevado coeficiente de correlação ( r ) , porém equivalendo a um grande intervalo de
confiança no respectivo valor de ' ρ ' da população (podendo, inclusive, conter o valor
zero). Isto significa dizer que, a equação pode estar explicando grande parte da variação
do fenômeno para uma pequena amostra mas, na realidade, pode não estar explicando
absolutamente nada da variação do fenômeno na população da qual essa amostra faz
parte.
• O coeficiente de determinação, apesar de ser um indicador sensível para explicação do

modelo, trata-se de uma medida d e sc ritiva e, por si só, não mede a qualidade do modelo de
regressão. O fato de ser alto, não implica necessariamente que o modelo ajustado seja
adequado, nã o se nd o re c o me nd á ve l se g uir uma e stra té g ia d e re g re ssã o q ue vise a p e na s à
ma ximiza ç ã o d e R2. (in Eonometria, Judge). Devem ser verificadas a sua consistência, através
dos testes de hipóteses (t e F) a distribuição dos resíduos e a coerência do modelo com o
mercado.
• O pesquisador deve se preocupar com a relevância lógica das variáveis explicativas para a
variável dependente e com seu significado estatístico cuja tendência é a de encontrar
modelos que representem um comportamento médio de mercado devendo ter cuidado com
modelos que atinjam coeficientes de determinação próximo de 1 (ou 100%) que podem ser o
resultado de um ajuste perfeito apenas “matemático”
• O valor de R2 depende do número de variáveis explicativas k e do tamanho da amostra n ,

por isso, aumenta o com o acréscimo de variáveis. A fim de tornar os R2 comparáveis, utiliza-
se R2 ajustado, R 2 , expresso em termos da variância e não da variação.
• O R2 é um recurso descritivo para informar sobre o ajuste do modelo , enquanto que o R 2 é

preferível para medir o grau de ajustamento por levar em conta o no. de variáveis
independentes (k) em relação a quantidade de observações (n).
• se R2 e R2ajustado forem muito diferentes, é uma indicação de que foi incluído um número muito
excessivo de variáveis explicativas, mas que não contribuem de modo significativo para
melhorar a qualidade do modelo ajustado.
63
CAPÍTULO 5
Tratamento por Fatores - recomendações
No tratamento por fatores, devem ser utilizados os elementos amostrais mais

semelhantes possíveis ao avaliando, em todas as suas características, cujas diferenças
perante o mesmo, para mais ou para menos, são levadas em conta.
É admitida a p rio ri a existência de relações fixas entre as diferenças dos atributos
específicos e os respectivos preços e, neste caso, é aconselhável que os fatores sejam
aplicados ao valor original do elemento comparativo na forma de somatório.
O conjunto de fatores aplicado a cada elemento amostral será considerado como

homogeneizante quando após a aplicação dos respectivos ajustes, se verificar que o
conjunto de novos valores homogeneizados apresenta menor coeficiente de variação
dos dados que o conjunto original. Devem refletir, em termos relativos, o
comportamento do mercado, numa determinada abrangência espacial e temporal,
com a consideração de:
- elasticidade de preços;
- localização;
- fatores de forma (frente, profundidade, área ou múltiplas frentes);
- fatores padrão construtivo e depreciação (no caso de edificações).
Fator oferta
A superestimativa dos dados de oferta (elasticidade dos negócios) deverá ser
descontada do valor total pela aplicação do fator médio observado no mercado. Na
impossibilidade da sua determinação, pode ser aplicado o fator consagrado 0,9
(desconto de 10% sobre o preço original pedido). Todos os demais fatores devem ser
considerados após a aplicação do fator oferta.
Fator localização
Para a transposição da parcela do valor referente ao terreno de um local para outro,
poderá ser empregada a relação entre os valores dos lançamentos fiscais, obtidos da
Planta de Valores Genéricos editada pela Prefeitura Municipal, se for constatada a
coerência dos mesmos.
64
Nos casos de inexistência desses valores ou se forem constatadas incoerências nas suas
inter-relações, deverá ser procedido estudos de mercado devidamente
fundamentado.
No caso de terrenos com edificações, os fatores referentes à localização devem incidir

exclusivamente na parcela do valor do comparativo correspondente ao terreno.
Serão considerados semelhantes, elementos que:

a) Estejam na mesma região e em condições econômico-mercadológicas equivalentes
às do bem avaliando;
b) Constituam amostra onde o bem avaliando fique o mais próximo possível do
centróide amostral;
c) Sejam do mesmo tipo (terrenos, lojas, apartamentos etc);
d) Em relação ao bem avaliando, sempre que possível, tenham:
- dimensões compatíveis;
- número compatíveis de dependências (vagas de estacionamento, dormitórios,
entre outros);
- padrão construtivo semelhante;
- estado de conservação e obsoletismo similares.
Aplicação dos fatores
Na aplicação dos fatores, devem ser observados os seguintes princípios:

1. A utilização dos fatores deve ser na forma de somatório, após a consideração do
fator oferta.
2. São considerados discrepantes elementos que :
a) Os valores unitários, em relação ao valor médio amostral, extrapolem a sua
metade ou dobro;
b) Não obstante, recomenda-se que esses sejam descartados caso a
discrepância persista após a aplicação de fatores mais representativos
(localização para terrenos, padrão construtivo e depreciação para
benfeitorias), desde que validados preliminarmente.
3. Somente após a validação do conjunto de fatores, deve ser realizado o
saneamento dos dados homogeneizados, por meio dos seguintes procedimentos
65
a) Calcula-se a média dos valores unitários homogeneizados;

b) Adota-se como intervalo de elementos homogêneos, aquele definido entre os
limites de 30%, para mais ou para menos, do respectivo valor médio;
c) Se todos os elementos estiverem contidos dentro desse intervalo, adota-se essa
média como representativa do valor unitário de mercado. Caso contrário, procura-
se o elemento que, em módulo, esteja mais afastado da média, que é excluído da
amostra. Após a exclusão, procede-se como em a) e b), definindo-se novos limites.
e) Se elementos anteriormente excluídos passarem a estar dentro dos novos limites
devem ser reincluídos;
f) Este processo deve ser reiterado até que todos os dados atendam o intervalo
de +/- 30% em torno da última média;
g) Se houver coincidência de mais de um elemento a ser excluído na etapa d),
deve-se excluir apenas um, devidamente justificado Saneamento
Não são considerados elementos semelhantes ao avaliando aqueles cujos valores

unitários, após a aplicação do conjunto de fatores, resultem numa amplitude de
homogeneização aquém da metade ou além do dobro do valor original de transação
(descontada a incidência do fator oferta quando couber).
66
ANÁLISE DE REGRESSÃO SIMPLES

Avaliação de um terreno partindo de uma amostra com 7 elementos comparativos, com as
seguintes características:
Elem. Valor Se, na pesquisa efetuada, as únicas informações disponíveis

1 6,00 fossem os valores unitários, a alternativa seria considerar a
2 6,00 média aritmética dos dados, dada por:
3 7,00 MÉDIA= 9,00
4 7,00 Ou seja, seria admitido que os terrenos valeriam em média
5 10,00 R$9,00/m2 (Para maior facilidade de condução dos cálculos, os
6 12,00 valores unitários foram divididos por 10)
7 15,00
Verificando o quanto os dados disponíveis variam em torno da média, tem-se:

Elem. Valor Valor Diferença
(yi) médio (Y) (Y-Y)
1 6,00 9,00 3,00
2 6,00 9,00 3,00 Se as diferenças forem simplesmente
3 7,00 9,00 2,00 somadas (compensadas), o resultado será
4 7,00 9,00 2,00
5 10,00 9,00 -1,00 zero, o que não permite encontrar a medida
6 12,00 9,00 -3,00 de variação procurada.
7 15,00 9,00 -6,00
Soma 63,00 0,00
A solução, então, é elevar essas diferenças ao quadrado para eliminar o sinal negativo e
trabalhar apenas com valores positivos, obtendo-se:
Elem. Valor Valor Diferença (Y-Y)2

Logo, a variação total em torno da
(yi) médio (Y) (Y-Y)
1 6,00 9,00 3,00 9,00 média será:72,00 (ou variação média:
2 6,00 9,00 3,00 9,00 72/7 = 10,28)
3 7,00 9,00 2,00 4,00 Isso demonstra que as informações não

4 7,00 9,00 2,00 4,00 são homogêneas, ou seja, apresentam
5 10,00 9,00 -1,00 1,00 diferenças entre si que fazem os valores

variarem em torno da média (Variação
6 12,00 9,00 -3,00 9,00
Total de 72) e, por conseqüência, a
7 15,00 9,00 -6,00 36,00
avaliação não poderia ser feita pela
Soma 0,00 72,00
63,00 média simples.
Média
Mediana =
∑ (x − x)2
Moda=
Padrão s =
n − 1 variação =
i
Desvio =
Coeficiente de
67
Neste caso, e havendo variação, é necessário explica-la, procurando as características dos

terrenos que possam justificar o fato dos mesmos não apresentarem valores aproximadamente
iguais ao da referida média. Isto será feito, verificando, por exemplo, se as frentes dos terrenos
pudessem ser uma dessas prováveis variáveis.
Configurando em um gráfico no plano cartesiano essas duas medidas, tem-se o seguinte

diagrama de dispersão.
valor unitário x frente

1 6 ,0 0
Elem. Valor Frente 1 5 ,0 0
1 4 ,0 0
1 6,00 5,00 1 2 ,0 0 1 2 ,0 0
2 6,00 7,00 1 0 ,0 0 1 0 ,0 0
unitário
8 ,0 0
3 7,00 6,00 7 ,0 0 7 ,0 0
6 ,0 0 6 ,0 0 6 ,0 0
4 7,00 12,00 4 ,0 0
5 10,00 15,00 2 ,0 0
0 ,0 0
6 12,00 18,00 0 ,0 0 5 ,0 0 1 0 ,0 0
fre nte
1 5 ,0 0 2 0 ,0 0 2 5 ,0 0
7 15,00 20,00
Com as informações das frentes dos terrenos, o valor médio destes não é mais constante, mas
uma função da variação destas.
A equação seria do tipo y= bo + b1 x1, onde y seria os valores médios dos terrenos e x as
respectivas frentes.
CONCEITO: Uma análise de regressão geral, essencialmente, uma equação, cujos coeficientes refletem
a intensidade da relação entre cada variável explicativa isolada e a variável resposta.
A sua interpretação estatística depende dos seguintes itens:

• O Valor de r (Coeficiente de Correlação): É um índice que varia entre -1 e +1, apontando o quanto as
diversas medidas obtidas a partir da amostra se ajustam à equação matemática proposta. Quanto maior o valor
absoluto de r (seja positivo ou negativo), maior a concordância entre os dados e a curva de regressão.
• O valor de r2 (Coeficiente de Determinação) que indica qual o percentual da variância da variável
dependente que pode ser explicado pela(s) variável(eis) independente(s).
• O Valor de p Para a Estatística t de Cada Variável: É uma probabilidade associada ao valor da função t, a
qual é obtida, para cada variável, a partir do modelo de regressão. Indica a probabilidade de que o coeficiente
levantado para cada variável, seja qual for o seu valor, contribua de forma significativa no modelo.
• aferir a qualidade de uma regressão pela análise dos seus resíduos, ou seja, das diferenças entre os
valores previstos pelo modelo de regressão para a variável dependente e os valores de fato observados. Qualquer
padrão ou regularidade observada nos resíduos é um indicativo de um erro sistemático do modelo, ou seja, da sua
inadequação. O ideal seria que os resíduos fossem aleatórios, com distribuição normal e média zero.
68
Página 69
EXPLICAÇÕES BÁSICAS: Método dos mínimos quadrados

PARTE I - Montagem do modelo: Tomando como base o gráfico acima, é possível verificar a
existência de uma relação (apesar de apresentar alguma dispersão) entre os pares dos preços unitários
(Y) com os das frentes (X1), demonstrando a intuição lógica de que quanto maior a frente, maior o
preço unitário. Esta relação pode ser escrita através de uma equação matemática (nesta primeira
fase, linear) que descreva o comportamento entre essas duas variáveis. A equação de regressão linear
têm a forma Y =b0 +b1X1 + e ; onde Y é a variável dependente (no caso, valor unitário) e X1 é a
variável independente ( no caso, a frente) e b0 e b1 indicam o intercepto e o coeficiente angular,
respectivamente, e e, o termo residual ( ou erro). O objetivo é encontrar, a partir dos 7 dados
amostrais, uma expressão para o coeficiente angular b1 (que define o aumento ou diminuição da
variável Y - valor unitário, por unidade de variação da variável X1 -frente) e para o intercepto b0 (que
define o ponto em que a reta corta o eixo das ordenadas), de modo que os erros sejam mínimos.
Para obter uma reta para o exemplo valor unitário versus frente, é necessário primeiramente calcular
os parâmetros b0 e b1 da reta, e uma das formas utilizadas é efetuando os somatórios, conforme
demonstrado nos passos seguintes.
Montagem da equação de regressão - Cálculo de bo e b1 ( dados das tabelas
Y b1 e = ∑ (Yi - Y
ˆ )2 = 0
i
e
VARIAÇÃO DE Y Substituindo Y chapéu:
b0 VARIAÇÃO DE x
∑ [(Yi - (b0 + b1Xi )]2 = 0
∑Yi = nb0 + b1 ∑Xi

equações “normais”
∑Xi Yi = b0 ∑Xi + b1 ∑Xi2

(deduzidas através
X de derivadas ,
somatórias ou
1.1.1.1.1.1.1.1.1 matrizes)
n( ∑ xy ) − ( ∑ x.)( ∑ y )
Médias de X e Y e respectivos somatórios
b1 =
n( ∑ x 2 ) − ( ∑ x ) 2
Tabela 1 Tabela 2
y ( valor
Ref. x ( frente) X.Y x^2 Y^2
b 0 = Y − b1 X
unitário)
1 5,00 6,00 30,00 25,00 36,00
2 7,00 6,00 42,00 49,00 36,00
7 ( 864 ) − ( 83 x 63 )
b1 = = 0 . 5343
3 6,00 7,00 42,00 36,00 49,00
7 ( 1 . 203 ) − 83 2
4 12,00 7,00 84,00 144,00 49,00
= 9 − 0 ,5343 x 11 ,86 = 2 . 6612

5 15,00 10,00 150,00 225,00 100,00
6 18,00 12,00 216,00 324,00 124,00 b0
7 20,00 15,00 300,00 400,00 225,00
Somas ∑X = 83,00 ∑y= 63,00 864,00 1.203,00 639,00
∑xy ∑x2 ∑y2
Nota: Por convenção estatística:
Médias 11,86 9,00
N = número de elementos
X barra Y barra K = número de variáveis explicativas
Y barra = média
Y chapéu = equação de regressão
69
Página 70
Pode-se também calcular através dos Somatórios, ou seja:

Sxy= [ xy - ( x . y)/n] 864,00( 83,00 x 63,00 )/ 7 117,00
Sxx= [ x^2 - ( x)^2/ n] 1.203,00( 83,00^2 )/ 7 218,86
yy= [ y^2 - ( y)^2/ n] 639,00( 63,00^2 )/ 7 72,00
Equação de regressão B1 = Sxy / Sxx 117,00/ 218,86 B1= 0,5346
Bo = Ybarra - ( B1. X barra) 9,00- ( 0,5346 x *1,86 ) = B0= 2,6612
Equação de regressão ( Y= Bo +B1.X1) ou seja : Valor unitário =2,6612 + 0,5346 x Frente
Parte II: Estatísticas da Regressão: Coeficiente de Correlação, de Determinação e do

Erro Padrão da Regressão:
Tabela 3 - Variação
Projeção Explicada Não explicada Resíduos Total
Y chapéu Y=2,6612 +0,5343 . X1 (Ychapéu - Ybarra)^2 (Y - Ychapéu)^2 (Y - Ybarra)^2
5,33 (2,6612 +0,5346 x 5) 13,44 (5,33-9)^2 0,44 (6 -5,33)^2 9,00 (6 -9)^2
6,40 (2,6612 +0,5346 x 7) 6,74 (6,4-9)^2 0,16 (6 -6,4)^2 9,00 (6 -9)^2
5,87 (2,6612 +0,5346 x 6) 9,80 (5,87-9)^2 1,28 (7-5,87)^2 4,00 (7-9)^2
9,08 (2,6612 +0,5346 x 12) 0,01 (9,08-9)^2 4,31 (7-9,08)^2 4,00 (7-9)^2
10,68 (2,6612 +0,5346 x 15) 2,82 (10,68-9)^2 0,46 (10-10,68)^2 1,00 (10-9)^2
12,28 (2,6612 +0,5346 x 18) 10,78 (12,28-9)^2 0,08 (12-12,28)^2 9,00 (12-9)^2
13,35 (2,6612 +0,5346 x 20) 18,95 (13,35-9)^2 2,71 (15-13,35)^2 36,00 (15-9)^2
Somas 62,55 9,45 72,00
Coeficiente de Correlação Sxy/ (Sxx.Syy)^ 0,5 117,00/ ( 218,86 x ^0,5

(r) = 0,9321
75)
Coeficiente de Correlação ao
Determinação quadrado
ou : variação explicada / variação total 0,8687
R2 0,9321^2 62,55/72
Coeficiente de Determinação R2 = 1- (1-R2). [(n-1)/(n-K-1) 0,8425
Ajustado R2 =
Erro padrão da regressão: raiz quadrada do somatório dos resíduos ao quadrado dividido
pelos graus de liberdade (n-K-1) =√ 9.45 / ( 7-1-1) =
1,3749
Coeficiente de Da Equação = erro padrão da regressão/média de Y (1,37/9)

15%
Variação
R E P R E S E N TA Ç Ã O G R ÁFIC A C O E F I C I E N T E D E D E T E R MI N A Ç Ã O
1 6 ,0 0
V a r ia ç ã o n ã o 1 5 /2 0 Pretende-se que Y se aproxime o
∑
1 4 ,0 0 e x p lic a d a o u d e s v io 1 3 ,3 5 /2 0 máximo de Y ( Y chapéu) de forma
( yi − y$ ) ( ou a soma dos
(y -y c hapéu) n
v a r ia ç ã o to ta l
V a r ia ç ã o que
1 2 ,0 0 (v -y barra)
i= 1
e x p lic a d a
(y c hapéu -
1 0 ,0 0 y barra)
resíduos) seja o menor possível.
unitário
8 ,0 0 2
M é d ia ( Y b a r r a ) = 9 COEF. DETERMINAÇÃO (R ) =
7 /1 2
86,87% da variação do valor
6 ,0 0
unitário (Ỷ) podem ser explicados
pela variação da variável frente
4 ,0 0 CO EF DETERMINA ÇÃ O ( R2 )
y = + 2 ,6 6 1 2 + 0 ,5 3 4 6 . X 1 = V A RIA ÇÃ O EX PL ICA DA
através da equação de regressão.
2 ,0 0
R 2 = 0 ,8 6 8 7 DIV IDIDA PEL A V A RIA ÇÃ O Neste caso, 13,13% da variação
TO TA L total permanecem não explicados.
0 ,0 0
0 ,0 0 5 ,0 0 1 0 ,0 0 1 5 ,0 0 2 0 ,0 0 2 5 ,0 0
f r e n te
70
PARTE III: Inferência em Análise de Regressão Até aqui, o estudo envolveu apenas o
ajustamento de uma reta. Para fazer inferências sobre a população, da qual se extraiu
pesquisa (amostra), deve ser efetuado o teste de significância (teste de hipóteses).
-Testes de Hipóteses: Teste “t” - Teste da variável independente (frente).
No caso de b1=0, o valor de Yi a variável X1 (frente) não importa na variação do valor. Para
tanto impõe-se que b1≠0 , que deve ser assegurado através do teste t de Student.
O processo consiste basicamente em:

5o) Rejeitar a hipótese de nulidade se a estatística teste excede o(s) valor(es) crítico(s); caso
contrário, aceitá-la.
Portanto, para iniciar o processo, dois são formuladas dois tipos de hipóteses:
a hipótese nula (H0=b1=0) ou H0:0,5343 =0

Contra a
a hipótese alternativa (H1≠b1≠0) ou H1:0,5343 ≠0
O segundo passo consiste em identificar a distribuição amostral adequada (no caso, t de Student)
O terceiro passo consiste em escolher um nível de significância aceitável para indicar um valor crítico
como padrão de comparação, para não rejeitar uma hipótese nula, quando verdadeira.
Valor crítico é o valor, ou valores que separa(m) a região crítica dos valores da estatística do
teste que não levam à rejeição da hipótese nula
A essência de um teste de significância consiste então em particionar uma distribuição amostral – com
base na suposição de H0 ser verdadeira – em uma região de aceitação e uma região de rejeição de H0.
Calcula-se, então, a estatística do teste com base nos dados amostrais para compará-lo com o valor
crítico, cumprindo assim a quarta etapa do teste. Para finalizar o processo, uma estatística teste
que excede o valor crítico sugere a rejeição de H0 , enquanto que uma estatística teste inferior ao
valor crítico sugere H0 que seja aceita.
O teste é realizado pela comparação da estatística t, t calculado, deduzida para a variável X1

(frente), com o parâmetro obtido na tabela de distribuição t de Student, t tabelado, ao nível de
significância de 10% (teste bicaudal) – classificação no GRAU III de Fundamentação)
71
Assim tem-se:
Nível de
significância Nível de
significância
t calculado = (b1 / Sb) – VER tabela abaixo
- no caso
- t calculado = 0,5346/0,09294=5,75
Região de Região de
rejeição de rejeição de
H0 H0 2o) Verifica-se o t tabelado (t crítico) na Tabela
ZONA DE ACEITAÇÃO
de H0 A1, para o nível de significância de 5% e o
número de graus de liberdade (n-K-1)
- no caso t tabelado =
- 0 + 3o) Compara-se o t calculado com o t crítico
1o) Calcula-se o t calculado

4o) Conclusão:
Se t calc > tab, rejeita-se a hipótese nula H=0, e a variável frente correspondente ao coeficiente
testado (0,5346) pode ser considerado importante na explicação do modelo.
Nota importante: Os programas de computador já indicam o nível de significância (Valor P),
bastando apenas ficar atento para verificar se está abaixo de 5% para uma cauda (que, no
caso do exercício, será de 0,0001 ou 0,001% ) ou 10% para duas caudas (no caso 0,00223
ou 0,02%)
Nota: Variância de X =√∑ (x-xbarra)2/ (n-1)

Calculo de Sb 1 x 1( frente) (x- xbarra) (x- xbarra)^2
Sb 1 = Erro padrão de B1= desvio da 5,00 -6,85714 47,020408
regressão dividido pela raiz quadrada 7,00 -4,85714 23,591837
de n-1 vezes variância da testada (X) = 6,00 -5,85714 34,306122
1,3749 / √ (6 x 36,47) = 0,09294 12,00 0,14286 0,020408
15,00 3,14286 9,877551
18,00 6,14286 37,734694
20,00 8,14286 66,306122

Soma 83,00 218,857143
Xbarra 11,8571 Var x 36,476
72
Parte IV - Análise de Resíduos: proceder a verificação da proporção das

diferenças e da existência de elementos discrepantes
Elemento Originais ( valores Previsto ( Resíduos Resíduos padrão :
advindos do usando a ( diferença) resíduo dividido pelo
campo) equação) erro padrão da
regressão
1 6,00 5,33 0,67 0,48235 0,67/1,3749
2 6,00 6,40 -0,40 -0,29339 -0,40/1,3749
3 7,00
4 7,00
5 10,00 10,68 -0,68 -0,4946
6 12,00 12,28 -0,28 -0,2065
7 15,00 13,35 1,65 1,1977
Representação gráfica dos resíduos padronizados:
.
-3 -2 -1 0 +1 +2 +3
Parte V - Cálculo do valor unitário ( para imóvel com 10 m de

frente) e do intervalo de confiança
a) AVALIAÇÃO: Modelo : Valor unitário = 2,6612 + 0,5346 x Frente

V unitário = R$
b) Calcular o INTERVALO DE CONFIANÇA de 80% previsto nas Normas da ABNT

A Norma NB-502/89, estipula, em seu artigo 7.6.8, que o valor final a
ser indicado, tem de estar contido em um intervalo de confiança fechado
e máximo de 80%” ( que corresponde ao nível de significância igual a
Y − t ( n − K − 1) λ / 2 .S ≥ Y ≥ Y + t ( n − K − 1) λ / 2 .. S
20% ) para o valor médio induzido pela equação de regressão, ou seja:
h h h h h
t= considerando ( n-K-1 =5) =
−
(X 1h − X ) 2
∑X − [( ∑ X) 2 / n]
S Yh = s e . +
e 1
2
n
1,37494x { ( 1/7 + [ (10 -11,86)^2 ] / [1203 - onde: t é o valor obtido na tabela t de

Syh = [(83)^2 / 7]} ^0,5 Student e Syh o desvio padrão de Xh
Syh =1,37494 x {0,1429 + [ (3,4596/218,857)]}^0,5 = 0,3692
17
MÉTODO DOS MÍNIMOS QUADRADOS

O modelo de regressão:
Ŷi = b 0 + b1.X1 . O valor previsto de Y igual a interseção, mais a inclinação vezes o valor de X.
Onde: Ŷi = é o valor previsto de Ŷ para a observação i Xi = é o valor de X para a observação i
Esta equação requer a determinação de dois coeficientes: b0 ( a intercecção de Y) e b1 (a inclinação)
no sentido de prever valores de Y.
.
Yi di = Yi − Ŷi Ŷ i Ŷi = b 0 + b1.X1
Xi
A análise de regressão significa a tentativa de encontrar a linha para a qual as diferenças

entre os valores reais (Yi) e os valores que seriam previstos (Ỷi) sejam mínimas. Então, para
cada valor de Xi existirá um desvio (di), ou seja, para cada valor observado o valor projetado
será diferente:
di = Yi − Ŷi .
Como as diferenças são tanto positivas como negativas, minimizamos
∑ (Y
matematicamente da seguinte forma:
− Ŷ i ) 2 Ŷi = é o valor previsto de Ŷ para a observação i

n
i =1
i
X i = é o valor de X para a observação i
∑ [Y
Na verdade estamos minimizando:
− ( b 0 + b 1 . X 1 )] 2
n
i =1
i
(∑ Xi ∑ Yi )
Que tem 2 incógnitas e para resolver o problema, sistema de 2 equações:
∑Y = n.b 0 + b 1 ∑ Xi ∑XY −
n n
i=1 i =1
n
b0 = Ŷ − b1.X
n n
b1 = i=1
∑X
i i
n
i =1 i =1
i
∑ Xi2 −
n
2
i=1
n i
i=1
∑y
n
n
Nota; Por convenção estatística:
onde : Y =
∑XY ∑ X b ∑ X.i
n −1
i n = número de elementos
= b0 +
n n n Y barra = média
∑x
2 n Ychapéu = equação de
i =1 i =1 i =1
i i i 1 n regressão
e:X = n −1
i
Avaliações com Tratamento por Fatores 18

ARQUI TETA ANA MARI A DE BI AZZI DI AS DE OLI VEI RA
XXI I CONGRESO PANAMERI CANO DE VALUACI ÓN e XI I I CONGRESSO BRASI LEI RO DE ENGENHARI A DE AVALI AÇÕES E
PERI CI AS – abril 2006
ESPECIFICAÇÕES GERAIS E CONCEITOS INICIAIS DO MODELO DE REGRESSÃO
Modelo para avaliação de terreno no interior de São Paulo, com 300m2; 10m de frente;
localizado a 100m de distância do pólo principal, com asfalto
Pesquisa base: amostra abaixo contendo 20 elementos
Variável Dependente: Unitário
Variáveis Indepnedentes:
Distancia a Pólo (medidas em m) – localização
Área do terreno (medidas em m2)
Frente do Terreno (medidas em m)
Existência de asfalto (variável dicotômica que indica: presença =1 ou ausência =0
Distancia Área
Elemento polo Terreno Frente Asfalto Unitário
1 1.000,00 300,00 10,00 0 60,00
2 700,00 500,00 15,00 0 50,00
3 800,00 300,00 10,00 0 60,00
4 300,00 300,00 10,00 1 100,00
5 500,00 500,00 15,00 0 70,00
6 500,00 300,00 10,00 1 90,00
7 300,00 500,00 15,00 1 80,00
8 100,00 600,00 18,00 1 90,00
9 100,00 1.000,00 20,00 1 80,00
10 0,01 600,00 15,00 1 100,00
11 200,00 500,00 15,00 1 80,00
12 400,00 500,00 15,00 1 40,00
13 1.000,00 800,00 20,00 0 55,00
14 800,00 300,00 10,00 0 70,00
15 200,00 300,00 10,00 1 80,00
16 1.000,00 600,00 20,00 0 50,00
17 100,00 500,00 18,00 1 80,00
18 0,01 300,00 10,00 1 100,00
19 0,01 500,00 15,00 1 120,00
20 1.000,00 1.000,00 20,00 0 40,00

Apresentação do 1º) Modelo pelo Programa Sisren
Comportamento das Variáveis com Valor
120
120
110
110
100
100
90
Valor Unitário
90
Valor Unitário
80
80
70
70
60 60
50 50
40 40
300 400 500 600 700 800 900 1.000 0 100 200 300 400 500 600 700 800 900 1.000
Área Total Distancia polo
120 120
110 110
100 100
Valor Unitário
90 90
Valor Unitário
80 80
70 70
60 60
50 50
40 40
0 1 10 11 12 13 14 15 16 17 18 19 20
Asfalto Frente
Equação de Regressão:
Valor Unitário = +126,4384081 -2,76256481 * ln (Distancia polo) -9,079814893 * ln (Área Total)

+71,56555367 / Frente +18,45145095 * Asfalto

1º ) – Coeficiente de Determinação – R2
Informações Complementares:
•
•
Número de variáveis: 5
•
Número de variáveis consideradas: 5
•
Número de dados: 20
Número de dados considerados: 20
Resultados Estatísticos:
•
•
Coeficiente de Correlação: 0,8441284 / 0,8441284
•
Coeficiente Determinação: 0,7125527
•
Fisher-Snedecor: 9,30
Significância modelo: 0,01
2º) – Testes de Hipóteses

O processo consiste basicamente em:
5o) Rejeitar a hipótese de nulidade se a estatística teste excede o(s) valor(es) crítico(s); caso
contrário, aceitá-la.
Variáveis Equação t-Observado Sig.
•
•
Distancia polo ln(x) -3,13 0,68
•
Área Total ln(x) -0,42 68,06
•
Frente 1/x 0,17 86,65
Asfalto x 2,64 1,84

3º) – Análise de Resíduos – Normalidade e Verificação de “outliers”

Normalidade dos resíduos:
• 85% dos residuos situados entre -1 e + 1 s

• 95% dos resíduos situados entre -1,64 e + 1,64 s
Outliers do Modelo: 1
Resíduos da variável Valor Unitário
4 19
1 5 8
14 9 6
13
7 11
17
0 16 13 10
2 15
20
18
-1
-2
12
-3
50 55 60 65 70 75 80 85 90 95 100 105 110
Apresentação do 2º) Modelo

Informações do Modelo
•
•
•
•
•
•
•
•
•
•
Distancia polo ln(x) -3,67 0,25
•
Área Total x -1,15 26,82
•
Frente 1/x 0,09 93,29
Asfalto x 5,16 0,01
Valor Unitário = +80,96948632 -2,140581456 * ln (Distancia polo) -0,02020731005 * Área Total

+15,81583166 / Frente +24,16070794 * Asfalto
Correlações entre variáveis Isoladas Influência
• Distancia polo
Área Total 0,07 0,19
Frente -0,03 0,02
Asfalto -0,52 0,35
Valor Unitário -0,74 0,70
• Área Total
Frente -0,85 0,81
Asfalto -0,11 0,19
Valor Unitário -0,32 0,29
• Frente
Asfalto 0,06 0,05
Valor Unitário 0,25 0,02
• Asfalto
Valor Unitário 0,83 0,81

Projeções de Valores
Valor
Distancia Área Frente Asfato Médio Mínimo Maximo
100 300 10 0 66,63 60,3 72,96
1.000,00 300 10 0 61,7 55,6 67,8
1.000,00 600 20 0 54,84 48,2 61,49
100 600 20 0 59,77 52,96 66,59
100 600 20 0 59,77 52,96 66,59
Apresentação do 3º) Modelo
•
•
•
•
•
•
•
•
• Distancia polo
• Área Total
ln(x) -3,80 0,18
• Asfalto
x -2,45 2,71
x 5,35 0,01

Análise do modelo (equação de regressão)
Valor Unitário = +82,80931175 -2,139972135 * ln (Distancia polo) -0,0214923013 * Área Total +

24,14031455 * Asfalto
Análise de Resíduos
Normalidade dos resíduos:
• 73% dos residuos situados entre -1 e + 1 s

Outliers do Modelo: 0
Preço Valor Resíduo Resíd

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

80 89,16 -9,16 -11,45 -1,1

50 55,13 -5,13 -10,26 -0,62
80 86,34 -6,34 -7,93 -0,76
100 110,35 -10,35 -10,35 -1,25
120 106,05 13,94 11,61 1,68
40 46,53 -6,53 -16,33 -0,79
Resíduos da variável Valor Unitário
-1
-2
50 55 60 65 70 75 80 85 90 95 100 105 110
Projeção de Valores
simulações sem asfalto simulações com asfalto
Valor
Distancia Área Asfato Médio Mínimo Maximo Asfato Valor Médio
100,00 300,00 0 66,50 61,51 71,49 1 90,64
1.000,00 300,00 0 61,57 56,81 66,33 1 85,71
1.000,00 600,00 0 55,13 51,11 59,14 1 79,27
100,00 600,00 0 60,05 55,72 64,39 1 84,19
100,00 600,00 0 60,05 55,72 64,39 1 84,19

EXEMPLO 1 Exemplo Pratico Aplicação Fatores (Fundamento nos critérios da

Norma do IBAPE/SP)
Terreno rua H com 300m2 de área e 8m de frente: índice local 100
Valor Area Frente Profundidade

Elemento Local Indice Local
unitário m² m m
1 Rua A 140,00 216 12,00 18,00 70
2 Rua B 180,00 480 6,00 80,00 80
3 Rua C 250,00 480 12,00 40,00 115
4 Rua D 150,00 200 10,00 20,00 70
5 Rua E 200,00 250 10,00 25,00 110
6 Rua F 250,00 450 18,00 25,00 120
7 Rua F 270,00 500 15,00 33,33 120
1ª) Parte – Fatores oferta e Localização
Fator
Oferta Fator Transposição
Elemento Valor Fator Unitário I.LOCAL Fator Diferença Unitário
unitário Oferta deduzido elemento Transp. transposiç Homog
do fator ão (R$/m²) pela
oferta localizaç
ão
1 140,00 0,9 126,00 70 1,43 54,00 180,00
2 180,00 0,9 162,00 80 1,25 40,50 202,50
3 250,00 1,0 250,00 115 0,87 -32,61 217,39
4 150,00 0,9 135,00 70 1,43 57,86 192,86
5 200,00 0,9 180,00 110 0,91 -16,36 163,64
6 250,00 0,9 225,00 120 0,83 -37,50 187,50
7 270,00 0,9 243,00 120 0,83 -40,50 202,50
Média 205,71 Média 188,71 Média 192,34
LOCAL
Desvio Desvio Avaliand
padrão 51,92 padrão 51,04 o= 100 Desv.padrão 17,48
Coef.
Coef. Var. 25,24% Var. 27,04% Coef. Var. 9,09%

2ª) Parte – Fator Profundidade
Fator
Oferta Coeficiente de Profundidade
Fator Oferta Unitário
deduzido Diferença Unitário
Coef.
do fator Pe profundidade Homog pela
Profund.
oferta (R$m/²) Profundidade
0,9 126,00 18,00 0,18 22,49 148,49

0,9 162,00 80,00 0,17 27,79 189,79
1,0 250,00 40,00 0,00 0,00 250,00
0,9 135,00 20,00 0,12 15,93 150,93
0,9 180,00 25,00 0,00 0,00 180,00
0,9 225,00 25,00 0,00 0,00 225,00
0,9 243,00 33,33 0,00 0,00 243,00
Média 188,71 Média 198,17
Desvio padrão 51,04 Desv.padrão 41,86
Coef. Var. 27,04% Pma = 40 Coef. Var. 21,12%
Pmi = 25
Exp.profundidade
= 0,5
-Entre Pmi e Pma admite-se que o fator profundidade Cp é igual a 1,00

-Se a profundidade equivalente for inferior à mínima e estiver acima da
metade da mesma (1/2 Pmi < Pe < Pmi), deverá ser empregada a
seguinte fórmula:
Cp = (Pe / Pmi)^ p
-Para Pe inferior a ½ Pmi adota-se Cp = (0,5) p
-Se a profundidade equivalente for superior à máxima até o triplo da

mesma (P ma < Pe < 3Pma), o fator somente afeta o valor unitário da
parte do terreno que exceda este limite, a fórmula a ser empregada é a
seguinte:
Cp = (Pma /Pe) + {[1-( Pma /Pe )] . (Pma / Pe) ^ p }
- Para Pe superior a 3 Pma, adota-se na fórmula acima Pe = 3 Pma
28
3ª) Parte – Fator Frente (Testada)
Fator
Oferta Coeficiente de Frente
Fator Oferta Unitário Unitário
deduzido Diferença
Coef. Homog.
do fator Cf frente
Frente pela
oferta (R$m/²)
Frente
0,9 126,00 12,00 -0,04 -4,51 121,49

0,9 162,00 6,00 0,11 17,43 179,43
1,0 250,00 12,00 -0,04 -8,95 241,05
0,9 135,00 10,00 0,00 0,00 135,00
0,9 180,00 10,00 0,00 0,00 180,00
0,9 225,00 18,00 -0,11 -24,95 200,05
0,9 243,00 15,00 -0,08 -18,93 224,07
Média 188,71 Média 183,01
Desvio padrão 51,04 Desv.padrão 43,70
Coef. Var. 27,04% Coef. Var. 23,88%
Frente
referencia 10
Expoente frente= 0,2

4ª) Efeito de todos fatores e avaliação
Resultado da aplicação dos fatores
Coef geral
Loc + prof Coef geral
Unitário Loc + prof + homog.
+ test para homog.Para
só com frente para a Para a
o o
Fator Fonte média média
avaliando Avaliando
Saneada
126,00 197,98 189,34 1,57 1,50
162,00 247,72 236,91 1,53 1,46
250,00 208,44 199,34 0,83 0,80
135,00 208,79 199,68 1,55 1,48
180,00 163,64 156,49 0,91 0,87
225,00 162,55 155,45 0,72 0,69
243,00 183,57 175,56 0,76 0,72
Média 188,71 196,10 Média 187,54
Desv.padrão 51,04 29,77 Desv.padrão 28,47
Coef. Var. 27,04% 15,18% Coef. Var. 15,18%
Superior
(+30%) 254,93
Inferior (-
30%) 137,27
Calculo do
unitário Médio = 187,54
Intervalo de Confiança de
16,74
80% =
t=(n-1) =6 1,44
Desv. Pad. (s) = 28,47
Fórmula t x s/(n-1)^0,5
1,44 x 29,74/(7-
1)^0,5
EXEMPLO
Avaliação =
BASICO
Intervalo inferior = 204,28
Intervalo superior = 170,80
Grau de Precisão
Amplitude = 16% III


Avaliacao de Imoveis Urbanos

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Avaliacao de Imoveis Urbanos

Enviado por

Direitos autorais:

Formatos disponíveis

AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA

“A estatística tem uma particularidade: pesquisamos para dizer algo

Instrutora: ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA

End. : Rua C uruzú, 56 – Alto d a La p a Te l: 55 (11) 3831-1568/ 8109-7733 Sã o Pa ulo -S.P

CURRICULUM VITAE - RESUMIDO

Arquiteta, graduada pela Pontifícia Universidade Católica de Campinas. Pós –

graduada em Engenharia de Avaliações e Perícias pela Universidade Santa

Cecília -UNISANTA – Santos–SP. Mestre em Engenharia Civil e Urbana pela Escola

Politécnica da USP.Profissional autônoma exercendo as mais diversas funções na

área de Avaliações e Perícias de Engenharia. Vice- presidente do IBAPE/SP-

Instituto Brasileiro de Avaliações e Perícias de Engenharia de São Paulo.

Participação como relatora na elaboração da NORMA PARA AVALIAÇÃO DE

IMÓVEIS URBANOS do IBAPE/SP.Coordenadora do estudo “VALORES DE

EDIFICAÇÕES DE IMÓVEIS URBANOS” do IBAPE/SP versão 2002.Integrante da

Comissão de Estudos da ABNT - COBRACON no processo de revisão das Normas

de Avaliações de Bens.Instrutora nos cursos de especialização versando sobre

“Inferência Estatística Aplicada à Engenharia de Avaliações de Imóveis”

ministrados para entidades e órgãos públicos e em cursos em cursos de pós -

graduação “Latu Sensu” em Engenharia de Avaliações e Perícias

1.1- A Natureza da Avaliação de um Bem Imóvel

1.2 Classificação dos bens, vistoria e coleta de dados (transcrições Normas

1.2.1 Classificação dos imóveis urbanos

1.2.2 - Vistoria do bem avaliando

― Localização: situação no contexto urbano, com indicação dos principais pólos de

• Caracterização das edificações e benfeitorias

- Vistoria por amostragem

1.2.3 Coleta de dados

2 Métodos para identificar o valor de um bem, de seus frutos e direitos

Método comparativo direto de dados de mercado

Método da capitalização da renda

A metodologia escolhida deve ser compatível com a natureza do bem avaliando, a

2.1 Avaliação pelo Método Comparativo de Dados de Mercado

O Método Comparativo Direto de Dados de Mercado é aquele que define o valor

2.1.1. A Prática da Pesquisa

Na utilização do Processo Comparativo busca-se um valor representativo para a

A aplicação adequada do método comparativo está fundamentada na

2.1.2 - Preparação da pesquisa

2.1.3 - Trabalho de campo - Levantamento de dados de mercado

O trabalho de campo é uma das mais importantes fases do processo avaliatório.

O levantamento dos elementos pode ser feito, utilizando-se principalmente:

um mercado que está crescendo com tendência a serem os grandes formadores

É importante, também, que os dados coletados sejam de forma diversas, buscando

Os dados de oferta são indicações importantes do valor de mercado. Entretanto,

2.2 - O Método Comparativo e a Avaliação de Imóveis

Um Método de Avaliação deverá basear-se em um diagnóstico de mercado com a

As características do bem em avaliação e do próprio mercado onde está inserido,

Quando baseados em informações de um mercado aberto, destaca-se o método

O critério de Aproximação de Mercado (Ma rke ting Ap p ro a c h ) foi no passado, a

Para a sua aplicação bastava obter no mercado elementos comparáveis ou

As cidades cresceram e se diversificaram e com isto, veio a necessidade de

Com a acessibilidade aos computadores pessoais durante a segunda metade da

As técnicas de regressão múltipla surgiram como um aperfeiçoamento do método

2.3–Procedimentos Metodológicos em conformidade as Normas da ABNT

2.3.1- Breve histórico

A Engenharia de Avaliações experimentou significativa e definitiva evolução a partir

Os procedimentos utilizando o método cartesiano até aquele momento, norteados

fund a me nta l a e xistê nc ia d e um c o njunto d e d a d o s q ue p o ssa se r to ma d o

2.3.2- Tratamento dos dados

Os dados devem ser tratados para obtenção de modelos de acordo com a

− Tratamento por fatores: homogeneização por fatores e critérios,

− Tratamento científico: tratamento de evidências empíricas pelo uso de

O poder de predição do modelo deve ser verificado a partir do gráfico de preços