Escolar Documentos
Profissional Documentos
Cultura Documentos
ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
e-mail: anabiazzi@uol.com.br
1
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
1 - Conceitos Gerais
2
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
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.
3
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
• 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.
• Situações especiais
4
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
- 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.
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
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
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
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
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.
Escolha da metodologia
7
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
8
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
9
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
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
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
11
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
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.
12
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
13
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
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
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
15
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
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.
16
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
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
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
18
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
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
≤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
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
21
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
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.
22
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
A.2.2.1 Linearidade
23
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
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.
24
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
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 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.
25
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
A.3.4 Os níveis de significância utilizados nos testes citados nesta subseção serão
compatíveis com a especificação da avaliação.
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.
26
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
B.5.1 Os fatores de homogeneização não podem ser utilizados fora de sua tipologia,
campo de aplicação e abrangências regional e temporal.
27
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
amostrais.
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.
28
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
Modelagem CAPÍTULO 2
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”.
29
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
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.
30
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
31
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
32
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
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 .
∑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.
33
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
Assimetria
34
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
.. ..... .... .. . . . .. . . . .
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.
∑ 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
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
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.
s=
∑x 2
− [∑ ( xi ) 2 n] Na distribuição gaussiana, cerca de 95% dos casos fica
n −1
i
s=
∑ (x − x)2
n −1
i
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.
36
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
Fig. 5 - Aderência
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
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
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
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
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
DISTRIBUICAO NORMAL
f(Z)
DESVIOS PADRAO
-4 -3 -2 -1 0 1 2 3 4
Fig. 9 – Área sob a curva normal a 1, 2, e 3 desvios padrões a contar de cada lado da média.
39
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
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
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
3.3.1-Estimação
Intervalo de Confiança
x-e x x+e
α /2 α /2
Z=0 Z α/2
41
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
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.
α /2 = 0,025 α /2 = 0,025
−
− X )2
= se. +
1 (X
∑ − [( ∑ X)
1i
S Yi 2
n X 2
/n]
= 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
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
−
(X 0 − X ) 2
E = t α / 2 .s e . +
∑X − [( ∑ X) 2 /n]
1
2
n
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.
43
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
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
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
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.
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
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
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)
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
46
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
3.2.5.1-A Distribuição 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
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
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
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
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
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
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
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
Tabela 3 - Distribuição F
51
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
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.
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
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
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
53
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
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).
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.
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).
54
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
∂ = ∑ y i − f ( x ; β sendo que, β1, β2,..., βK, são tratados como os coeficientes das
⎡ r ˆr ⎤
2
⎢ ⎥⎦
n
i =1 ⎣
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
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
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
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
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:
∑ [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
56
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
∑ ( 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.
Ŷ = b0 + b1 xi
57
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
∑
na forma de raiz quadrada do coeficiente de determinação R2 ou pela fórmula:
∑ ∑
r =
xy
2
y . x2
58
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
59
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
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.
DISPERSÃO
DE PONTOS
DISPERSÃO
EM TORNO
DISPERSÃO DE PONTOS
DA RETA DE
DE PONTOS EM TORNO
REGRESSÃO
EM TORNO DA
MÉDIA
60
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
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
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
i=1
y em relação à sua media, que é explicada pela regressão, ou a parcela atribuída à relação
entre X e Y.
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
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
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
∑ (Yi − Y)
n ˆ ˆ 2
R = n
2 i = 1 =
VARIAÇÃOEX PLICADA
∑ (Yi − Y ) 2 VARIAÇÃOTO TAL
i =1
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
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
Observações:
• 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 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”
• 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
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
CAPÍTULO 5
Tratamento por Fatores - recomendações
- localização;
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
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
Nos casos de inexistência desses valores ou se forem constatadas incoerências nas suas
inter-relações, deverá ser procedido estudos de mercado devidamente
fundamentado.
65
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
66
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
A solução, então, é elevar essas diferenças ao quadrado para eliminar o sinal negativo e
trabalhar apenas com valores positivos, obtendo-se:
Média
Mediana =
∑ (x − x)2
Moda=
Padrão s =
n − 1 variação =
i
Desvio =
Coeficiente de
67
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
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.
68
Página 69
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.
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
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
69
Página 70
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
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
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.
Portanto, para iniciar o processo, dois são formuladas dois tipos de hipóteses:
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.
71
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
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
72
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
.
-3 -2 -1 0 +1 +2 +3
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
17
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
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.
.
Xi
di = Yi − Ŷi .
Como as diferenças são tanto positivas como negativas, minimizamos
∑ (Y
matematicamente da seguinte forma:
i =1
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
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
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:
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
•
•
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
Outliers do Modelo: 1
4 19
1 5 8
14 9 6
13
7 11
17
0 16 13 10
2 15
20
18
-1
-2
12
-3
Informações do Modelo
Informações Complementares:
•
•
Número de variáveis: 5
•
Número de variáveis consideradas: 5
•
Número de dados: 20
Número de dados considerados: 19
Resultados Estatísticos:
•
•
Coeficiente de Correlação: 0,9319870 / 0,9319870
•
Coeficiente Determinação: 0,8685998
•
Fisher-Snedecor: 23,14
Significância modelo: 0,01
•
•
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
Equação de Regressão:
• 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
Informações Complementares:
•
•
Número de variáveis: 5
•
Número de variáveis consideradas: 4
•
Número de dados: 20
Número de dados considerados: 19
Resultados Estatísticos:
•
•
Coeficiente de Correlação: 0,9319500 / 0,9319500
•
Coeficiente Determinação: 0,8685308
•
Fisher-Snedecor: 33,03
Significância modelo: 0,01
• Distancia polo
• Área Total
ln(x) -3,80 0,18
• Asfalto
x -2,45 2,71
x 5,35 0,01
Equação de Regressão:
Análise de Resíduos
Normalidade dos resíduos:
Outliers do Modelo: 0
-1
-2
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
Fator
Oferta Fator Transposição
Elemento Valor Fator Unitário I.LOCAL Fator Diferença Unitário
unitário Oferta deduzido elemento Transp. transposiç Homog
do fator ão (R$/m²) pela
oferta localizaç
ão
1 140,00 0,9 126,00 70 1,43 54,00 180,00
2 180,00 0,9 162,00 80 1,25 40,50 202,50
3 250,00 1,0 250,00 115 0,87 -32,61 217,39
4 150,00 0,9 135,00 70 1,43 57,86 192,86
5 200,00 0,9 180,00 110 0,91 -16,36 163,64
6 250,00 0,9 225,00 120 0,83 -37,50 187,50
7 270,00 0,9 243,00 120 0,83 -40,50 202,50
Média 205,71 Média 188,71 Média 192,34
LOCAL
Desvio Desvio Avaliand
padrão 51,92 padrão 51,04 o= 100 Desv.padrão 17,48
Coef.
Coef. Var. 25,24% Var. 27,04% Coef. Var. 9,09%
Fator
Oferta Coeficiente de Profundidade
Fator Oferta Unitário
deduzido Diferença Unitário
Coef.
do fator Pe profundidade Homog pela
Profund.
oferta (R$m/²) Profundidade
28
AVALIAÇÃO DE IMÓVEIS URBANOS ARQUITETA ANA MARIA DE BIAZZI DIAS DE OLIVEIRA
Fator
Oferta Coeficiente de Frente
Fator Oferta Unitário Unitário
deduzido Diferença
Coef. Homog.
do fator Cf frente
Frente pela
oferta (R$m/²)
Frente
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