Escolar Documentos
Profissional Documentos
Cultura Documentos
e-mail: anabiazzi@uol.com.br
Arquiteta e Urbanista, graduada pela Pontifícia Universidade Católica de Campinas. Mestre em Engenharia Civil e Urbana pela
Escola Politécnica da USP. Certificada AAA em Engenharia de Avaliações pelo IBAPE NACIONAL. Socia fundadora da empresa
PLANA ARQUITETURA E URBANISMO. Presidente do IBAPE/SP- Instituto Brasileiro de Avaliações e Perícias de Engenharia de São
Paulo, gestão 2009-2011. Integrante da Comissão de Estudos da ABNT - COBRACON no processo de revisão das Normas de
Avaliações de Bens. Professora mestre em cursos de extensão universitária na disciplina “Inferência Estatística Aplicada
Engenharia de Avaliações de Imóveis” nos cursos de pós-graduação “Latu Sensu” em Engenharia de Avaliações e Perícias e em
cursos de especialização ministrados para entidades e órgãos públicos. Atuação como consultora avaliadora e assistente técnica
em processos judiciais de desapropriação, renovatórias e revisionais de aluguel, desde 1985 com o Engenheiro Joaquim da
Rocha Medeiros Junior; com vasto currículo em avaliações judiciais e extrajudiciais. Coautora do capítulo “Métodos Científicos
e a Engenharia de Avaliações (com ênfase em inferência estatística)” do Livro - Engenharia de Avaliações publicado pelo
IBAPE/SP, 1ª e 2ª. Edições.
1
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Apresentação
Esta apostila tem por objetivo dar subsídios ao curso Estatística Inferencial Aplicada à Engenharia de Avaliações
de Imóveis Urbanos. É dividida em duas partes: uma com conteúdo teórico (parte A) e outra de exercícios
aplicativos (Parte B). A parte B de exercícios, contém um exemplo como um “roteiro” de uma avaliação de um
imóvel com enquadramento nas normas da ABNT usando um software (Sisdea) desenvolvido no curso e outros
serão desenvolvidos no decorrer das aulas presenciais.
A parte teórica é composta por 6 capítulos:
Capítulo 1 – Conceitos Iniciais e Procedimentos Normativos – Normas ABNT- 14.653-1 Avaliação de Bens e
14.653-1 – Avaliação de Imóveis Urbanos........................................................................... Páginas 4 à 29
Reproduz os itens das normas da ABNT recomendados para avaliação de imóveis urbanos quando utilizados
modelos de regressões múltiplas (inferência Estatística) no Tratamento Científico dos Dados pelo Método
Comparativo de Dados de Mercado.
Capítulo 2 - Conceitos Básicos da Inferência estatística ....................................................... Páginas 30 à 47
Apresenta conteúdo teórico resumido da estatística básica e tabelas de probabilidade com ênfase na análise
de regressão múltipla
Capítulo 3 – Pressupostos de um Modelo para Explicação do Mercado Imobiliário ............ Páginas 48 à 58
Considera os conceitos do modelo de regressão de múltiplas variáveis, estimado através do método dos
mínimos quadrados aplicado na avaliação de bens.
Capítulo 4 – Sinopse de Procedimentos .............................................................................Páginas 59 à 83
Apresenta roteiro de procedimentos para avaliação de imóveis quando utilizado Inferência Estatística, com
explicação teórica de todos os pressupostos do modelo de regressão múltipla.
Capítulo 5 – Extensões do Modelo de Regressão - Variáveis Dicotômicas ............................Paginas 84 à 87
Mostra como introduzir variáveis dicotômicas no modelo.
PARTE B Exercícios Aplicativos O curso será desenvolvido a partir dos exercícios, onde serão analisados a
aplicabilidade dos conceitos teóricos contidos nos capítulos anteriores. Inicialmente é apresentada uma
regressão simples com cálculos desenvolvidos no Excel.................................................. A partir da Página 88
Os demais exercícios são desenvolvidos com o Programa SisDea – que é um sistema para modelagem de dados com
suporte às avaliações comparativas do mercado imobiliário e foi especialmente desenvolvido para o profissional de
Engenharia de Avaliações. Trata-se de um Software de Modelagem de Dados que utiliza além da Regressão Múltipla, a
Análise de Envoltória de Dados e as Redes Neurais Artificiais.
Nota: O programa SisDea – utilizado neste treinamento, deve ser adquirido diretamente no site com a
Pelli Sistemas, enviando e-mail para: atendimento@pellisistemas.com.br
ou telefone +55 (31) 3466-1557 | 3467-1502 | 2552-0357
O programa demonstrativo é encontrado no site: https://pellisistemas.com/
É possível baixar o DEMONSTRATIVO do SISDEA no site e montar modelos para amostra limitada a 2 variáveis
e 10 elementos (útil para treinamento do programa).
2
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Bibliografia recomendável:
Livros
Estatística Aplicada e Probabilidade para Engenheiros, Douglas C. Montgomery - Editora LTC
Introdução à Estatística - Mário F. Triola - Editora LTC
Estatística Básica – Wilton O. Bussab Pedro A. Morettin – Editora Saraiva – 9ª. ed. 2017
Estatística Aplicada Serie Essencial – Douglas Downing & Jeffrey Clark – Editora Saraiva
Estatística Aplicada à Administração e Economia. ANDERSON et al. Cengage Learning.
Estatística Básica. MORETTIN, P. A. & BUSSAB, W. O. (2010) 6a ed. São Paulo: Saraiva.
Análise Multivariada de Dados, vários autores (Hair, Black, Babin, Anderson, Tathan
Econometria Básica – Damodar N. Gujarati – Makron Books
Introdução á Econometria - Uma Abordagem Moderna; Autor: Jeffrey M. Wooldridge
Editora: THOMSON
Econometria – Carter Hiil, William Griffiths, George Judge – Editora Saraiva – 2a. Ed. 2.002
Engenharia de Avaliações – Uma introdução à metodologia científica – Rubens Alves Dantas – Editora
Pini (1ª. e 2ª. ediçoes
3
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
CAPÍTULO 1
Conceitos Iniciais e Procedimentos Normativos ABNT NBR –14653 -1 e 2
1. Introdução
Por definição ABNT NBR –14653 -1, a engenharia de avaliações: conjunto de conhecimentos técnico-
científicos especializados, aplicados à avaliação de bens por arquitetos ou engenheiros
A Engenharia de Avaliações não é uma ciência exata, mas sim a arte de estimar os valores de
propriedades específicas onde o conhecimento profissional de engenharia e o bom julgamento são
condições essenciais.
A Engenharia de Avaliações serve para subsidiar tomadas de decisões a respeito de valores, custos e
alternativas de investimentos, envolvendo bens de qualquer natureza, tais como: imóveis, máquinas e
equipamentos, automóveis, móveis e utensílios, culturas, jazidas, instalações, empresas, marcas,
patentes, softwares, obras de arte, empreendimentos de base imobiliária como shopping centers,
hotéis, parques temáticos, cinemas, etc. além de seus frutos e direitos.
A Engenharia de Avaliações deve ser praticada por engenheiros, arquitetos, agrônomos, cada um
obedecendo a sua habilitação profissional, de acordo com as leis dos Conselhos de Engenharia (CREA)
e Arquitetura e Urbanismo (CAU) que detenham os conhecimentos necessários para realização do
trabalho avaliatório a ser executado.
As avaliações de bens devem ser realizadas com base em normas técnicas da ABNT – Associação
Brasileira De Normas Técnicas, através da aplicação de metodologia apropriada.
Campo de aplicação
A Engenharia de Avaliações é de grande interesse para os diversos agentes do mercado imobiliário tais
como: imobiliárias, bancos de crédito imobiliário, compradores ou vendedores de imóveis. Ainda para
empresas seguradoras, o poder judiciário, os fundos de pensão, os incorporadores, os construtores,
prefeituras, investidores etc.
Entre diversos serviços que podem ser realizados, pode subsidiar: Operações de garantias; Transações
de compra e venda; Transações de locação; Decisões judiciais; Partilha oriunda de heranças, meações
ou divórcios, taxação de impostos prediais, territoriais, de transmissão, decisões sobre investimentos,
balanços patrimoniais, operações de seguros, separações ou cisões de empresas, desapropriações e
4
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Neste vasto mercado de trabalho, formado tanto pelo setor público como pelo setor privado, destaca-
se o poder judiciário. Neste último, são necessários três profissionais: um perito do juízo e dois
assistentes técnicos, um para o réu e outro para o autor da ação.
Normas e Legislação
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 condição fundamental a existência de um conjunto
de dados que possa ser tomado estatisticamente, como amostra representativa do mercado
imobiliário.
Se a qualidade da pesquisa de mercado (ou da amostra) 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 heterogêneos – se fossem homogêneos, o que dificilmente
acontece, não existiriam variações e a avaliação poderia ser feita simplesmente pela média de preços.
Isto implica na necessidade de estabelecer relações que expliquem essas variações.
2. Procedimentos Normativos
A ABNT NBR-14.653 - PARTE 2: AVALIAÇÃO DE IMÓVEIS URBANOS, concluída em 2004 e revisada em
2011, traz em seu escopo geral, incialmente: 2 Referências normativas; 3 Termos e definições; 4
Símbolos e termos abreviados; 5 Classificação dos imóveis urbanos (Quanto ao uso, Quanto ao tipo do
imóvel e Quanto ao agrupamento dos imóveis); 6 Procedimentos de excelência; 7 Atividades básicas
(Documentação, Legislação a consultar e Vistoria) itens que devem ser consultados pelo profissional.
Contempla também, itens importantes e que não fazem parte deste curso e que necessitam ser de
conhecimento do profissional: 9.3 Método da quantificação de custo; 9.4 Método involutivo; 9.5
Método evolutivo; 11 Procedimentos específicos (Desapropriações, Servidões, Glebas urbanizáveis,
Avaliação de aluguéis, Liquidação forçada).
Traz referencias importantes no Anexo A (Normativo) Procedimentos para a utilização de modelos de
regressão linear (que é específico para este curso e reproduzido no final deste capítulo) e outros
anexos que merecem atenção especial quando utilizados outros procedimentos avaliatórios: Anexo B
(Normativo) Procedimentos para a utilização de tratamento por fatores Anexo C (informativo)
Recomendações para tratamento de dados por regressão espacial; Anexo D (informativo)
Recomendações para a utilização de análise envoltória de dados (envoltória sob dupla ótica)
(EDO/DEA); Anexo E (informativo) Recomendações para tratamento por Redes Neurais Artificiais
Para fins deste curso, são reproduzidos, neste capítulo, itens específicos da referida Normas para
aplicação do Tratamento Científico, mediante uso de regressões múltiplas (inferência Estatística),
devendo ser alertado da importância de analisar as citadas Normas da ABNT na integra.
6
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
7
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
3.1.26 imóvel
bem constituído de terreno e eventuais benfeitorias a ele incorporadas,
3.1.27 inferência estatística
parte da ciência estatística que permite extrair conclusões sobre a população a partir de amostra
3.1.34 modelo de regressão
modelo utilizado para representar determinado fenômeno ou comportamento considerando-se as
diversas características que possam influenciá-los
3.1.37 população
totalidade de dados do segmento que se pretende analisar
3.1.38 preço
O preço é uma expressão monetária que define uma transação de um bem, de seu fruto, de um direito,
ou da expectativa de sua transação.
3.1.44 tratamento de dados
aplicação de operações que expressem, em termos relativos, as diferenças de atributos entre os dados
de mercado e os do bem avaliando
3.1.45 valor de desmonte
valor de um bem ou conjunto de bens, na condição de sua desativação ou desmobilização
3.1.46 valor de liquidação forçada
valor de um bem, na hipótese de uma venda compulsória ou em espaço de tempo menor do que o
normalmente observado no mercado
3.1.47 valor de mercado
quantia mais provável pela qual se negociaria voluntária e conscientemente um bem, em uma data
de referência, dentro das condições do mercado vigente
3.1.48 valor econômico
valor presente da renda líquida auferível pelo empreendimento, durante sua vida econômica, a uma
taxa de desconto correspondente ao custo de oportunidade, considerados cenários previsíveis sob
condições de risco
3.1.49 valor depreciável
diferença entre o valor do bem na condição de novo e o seu valor residual
3.1.50 valor de indenização
valor atribuído a danos, perdas ou prejuízos provocados, referido a uma determinada data
3.1.51 valor em risco
valor representativo da parcela do bem que se deseja segurar e que pode corresponder ao valor
máximo segurável
3.1.52 valor especial
valor que considera atributos particulares de um bem ou direito, que geram interesse somente para
um comprador especial ou sob as condições de uma premissa especial
3.1.53 valor patrimonial
valor de um bem, partes de um bem ou conjunto de bens de pessoa física ou jurídica, determinado
conforme o objetivo, a finalidade e a abrangência da avaliação
3.1.54 valor residual
valor do bem ao final de sua vida útil ou de seu horizonte projetivo
3.1.55 valor sinérgico
valor resultante da interação de dois ou mais bens ou direitos, quando o valor global for maior do que a soma
dos valores individuais
8
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
9
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
O processo prossegue com o levantamento preliminar do mercado sob análise, que tem por
objetivo reunir dados de mercado.
10
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
7 Metodologia aplicável
7.1 Generalidades
7.1.1 A metodologia aplicável é função, basicamente, da natureza do bem avaliando, da
finalidade da avaliação e da disponibilidade, qualidade e quantidade de informações colhidas no
mercado. A sua escolha deve ser justificada e ater-se ao estabelecido nesta norma (todas as
partes), com o objetivo de retratar o comportamento do mercado por meio de modelos que
suportem racionalmente o convencimento do valor.
7.1.2 Esta Norma (todas as partes) se aplicam a situações normais e típicas do mercado. Em
situações atípicas, onde ficar comprovada a impossibilidade de utilizar as metodologias previstas
nesta Norma, é facultado ao profissional da engenharia de avaliações o emprego de outro
procedimento, desde que devidamente justificado.
7.1.3 Os procedimentos avaliatórios usuais com a finalidade de identificar o valor de um bem,
de seus frutos e direitos, o seu custo, bem como aqueles para determinar indicadores de
viabilidade, estão descritos em 7.2, 7.3 e 7.4, respectivamente.
7.1.4 Para alguns tipos de bens tangíveis e intangíveis, existem métodos específicos que são
apresentados nas respectivas partes desta Norma.
11
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Neste curso, são destacados da Norma ABNT NBR 14653-2, os conceitos o método
comparativo direto de dados de mercado com Tratamento Científico, com uso de
modelos de Regressão Linear Múltipla conforme a seguir:
12
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
13
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
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 consequência 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 geoeconômica e ao mesmo zoneamento do terreno
avaliando, evitando-se assim a presença de duas covariáveis no modelo.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
14
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
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
tendência de 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 informação, bem como a escolha
do tipo de análise (quantitativa ou qualitativa) e a elaboração dos respectivos instrumentos para a
coleta de dados (fichas, planilhas, roteiros de entrevistas, entre outros).
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
15
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
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.
Variáveis independentes
As variáveis independentes referem-se às características físicas (por exemplo, área, frente), de
localização (como bairro, logradouro, distância ao polo de influência, entre outros) e econômicas
(como oferta ou transação, época e condição do negócio – à vista ou a prazo).
As variáveis devem ser escolhidas com base em teorias existentes, conhecimentos adquiridos, senso
comum e outros atributos que se revelem importantes no decorrer dos trabalhos, pois algumas
variáveis consideradas no planejamento da pesquisa podem se mostrar pouco relevantes na explicação
do comportamento da variável explicada e vice-versa.
Quanto à forma de utilização das variáveis no modelo estatístico, a norma recomenda:
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:
1- pelo emprego de tantas variáveis dicotômicas quantas forem necessáriase,
especialmente quando a quantidade de dados for abundante e puderem ser preservados
os graus de liberdade necessários à modelagem estatística definidos nesta Norma (por
exemplo, aplicação de condições booleanas do tipo “maior do que” ou “menor do que”,
“sim” ou “não”);
2- pelo emprego de variáveis proxy, por exemplo:
• custos unitários básicos de entidades setoriais, para expressar padrão construtivo;
• índice fiscal, índice de desenvolvimento humano, renda média do chefe de domicílio, níveis de
renda da população, para expressar localização;
• coeficientes de depreciação para expressar estado de conservação das benfeitorias;
• valores unitários de lojas em locação para expressar a localização na avaliação de lojas para
venda;
3- por meio de códigos ajustados, quando seus valores são extraídos da amostra com a utilização
dos coeficientes de variáveis dicotômicas que representem cada uma das características. O
modelo intermediário gerador dos códigos deve constar no laudo de avaliação (ver A.7);
4- por meio de códigos alocados construídos de acordo com A.6.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
16
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
3.6 códigos ajustados: escala extraída dos elementos amostrais originais por meio de modelo de
regressão, com a utilização de variáveis dicotômicas, para diferenciar as características
qualitativas dos imóveis.
3.7 códigos alocados: escala lógica ordenada para diferenciar as características qualitativas dos
imóveis
A escala será composta por números naturais consecutivos em ordem crescente (1, 2, 3...), em função
da importância das características possíveis na formação do valor, com valor inicial igual a 1.
3.73 variáveis qualitativas: variáveis que não podem ser medidas ou contadas, mas apenas
ordenadas ou hierarquizadas, de acordo com atributos inerentes ao bem.
3.77 variável “Proxy” variável utilizada para substituir outra de difícil mensuração e que se
presume guardar com ela relação de pertinência, obtida por meio de indicadores publicados ou
inferidos em outros estudos de mercado.
A variáveis “proxy”, conforme definidas em 3.77, não devem s er confundidas com a atribuição de
códigos alocados, nem obtidas de relações ou conceitos deduzidos da própria amostra.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
17
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Temos:
Logo a reta y=x contém as bissetrizes do 1° (e do 3°) quadrantes.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
18
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
No caso de utilização de modelos de regressão linear, deve ser observado o Anexo A (reproduzido
nesta apostila)
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
19
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
9.1.2 Todos os trabalhos elaborados de acordo com as prescrições desta Norma serão denominados
Laudos de Avaliação.
O grau de fundamentação atingido deve ser explicitado no corpo do laudo.
Nos casos em que o grau mínimo I não for atingido, devem ser indicados e justificados os itens das
Tabelas de especificação que não puderam ser atendidos e os procedimentos e cálculos utilizados na
identificação do valor.
9.1.3 Os laudos de uso restrito, conforme 10.3 da ABNT NBR 14653-1:2001, podem ser dispensados
de especificação, em comum acordo entre as partes.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
20
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
It Grau
e Descrição
m III II I
Completa quanto a Completa quanto às
Caracterização do imóvel Adoção de situação
1 todas as variáveis variáveis utilizadas no
avaliando paradigma
analisadas modelo
Quantidade mínima de 6 (k + 1), onde k é o 4 (k + 1), onde k é o 3 (k + 1), onde k é o
2 dados de mercado, número de variáveis número de variáveis número de variáveis
efetivamente utilizados independentes independentes independentes
Apresentação de
informações relativas
Apresentação de
a todos os dados e Apresentação de
informações relativas
Identificação dos dados variáveis analisados informações relativas a
3 aos dados e variáveis
de mercado na modelagem, com todos os dados e variáveis
efetivamente
foto e características analisados na modelagem
utilizados no modelo
observadas no local
pelo autor do laudo
Admitida, desde que:
a) as medidas das
Admitida para apenas uma características do
variável, desde que: imóvel avaliando não
a) as medidas das sejam superiores a
características do imóvel 100 % do limite
avaliando não sejam amostral superior, nem
superiores a 100 % do limite inferiores à metade do
amostral superior, nem limite amostral inferior;
4 Extrapolação Não admitida
inferiores à metade do limite b) o valor estimado não
amostral inferior; ultrapasse 20 % do
b) o valor estimado não valor calculado no
ultrapasse 15 % do valor limite da fronteira
calculado no limite da amostral, para as
fronteira amostral, para a referidas variáveis, de
referida variável, em módulo per si e
simultaneamente, e em
módulo
Nível de significância
(somatório do valor das
duas caudas) máximo
5 10 % 20 % 30 %
para a rejeição da
hipótese nula de cada
regressor (teste bicaudal)
Nível de significância
máximo admitido para a
6 rejeição da hipótese nula 1% 2% 5%
do modelo através do
teste F de Snedecor
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
21
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
9.2.1.2 É permitido ao profissional da engenharia de avaliações fazer ajustes prévios nos atributos
dos dados de mercado, sem prejuízo do grau de fundamentação, desde que devidamente justificados,
em casos semelhantes aos seguintes:
a) conversão de valores a prazo em valores à vista, com taxas de desconto praticadas no mercado
na data de referência da avaliação;
b) conversão de valores para a moeda nacional na data de referência da avaliação;
c) conversão de áreas reais de construção em áreas equivalentes, desde que com base em
coeficientes publicados (por exemplo, os da NBR 12721) ou inferidos no mercado;
d) incorporação de luvas ao aluguel, com a consideração do prazo remanescente do contrato e
taxas de desconto praticadas no mercado financeiro.
9.2.1.3 É permitida a utilização de tratamento prévio dos preços observados, limitado a um único
fator de homogeneização, desde que fundamentado conforme 8.2.1.4.2, sem prejuízo dos ajustes
citados em 9.2.1.2 (exemplo: aplicação do fator de fonte para a transformação de preços de oferta
para as condições de transação).
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
22
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
9.2.1.6 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 seis 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 quanto à fundamentação deve considerar a soma de pontos
obtidos para o conjunto de itens, atendendo à Tabela 2.
9.2.1.6.1 No caso de amostras homogêneas1, será adotada a Tabela 1, com as seguintes
particularidades:
a) serão admitidos os itens 3 e 4 apenas no Grau III, de forma a ficar caracterizada a
homogeneidade;
b) será atribuído o Grau III para os itens 5 e 6, por ser nulo o modelo de regressão.
Graus III II I
Pontos mínimos 16 10 6
2, 4, 5 e 6 no grau III 2, 4, 5 e 6 no mínimo no
Todos, no mínimo
Itens obrigatórios e os demais no grau II e os demais no
no grau I
mínimo no grau II mínimo no grau I
1
Em caso de dúvida sobre a homogeneidade da amostra, esta pode ser analisada por meio da Distância de Mahalanobis
entre os elementos amostrais e o centróide amostral.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
23
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
24
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
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:
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 profissional da
engenharia de avaliações tem a respeito do mercado, quando serão formuladas as hipóteses
nula e alternativa para cada parâmetro.
n 3 (k + 1)
para n ≤ 30, ni 3
para 30 < n ≤ 100, ni 10% n
para n > 100, ni 10
onde: nii é o número de dados de mesma característica, no caso de utilização de variáveis
dicotômicas e variáveis qualitativas expressas por códigos alocados ou códigos ajustados;
recomenda-se que as características específicas do imóvel avaliando estejam contempladas
na amostra utilizada em número representativo de dados de mercado;
atentar para o equilíbrio da amostra, com dados bem distribuídos para cada variável no
intervalo amostral;
os erros são variáveis aleatórias com variância constante, ou seja, são homocedásticos;
os erros são variáveis aleatórias com distribuição normal;
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
25
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
A.2.1.1 Linearidade
Recomenda-se 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 versus cada
variável independente, com as respectivas transformações.
A.2.1.2 Normalidade
A verificação da normalidade pode ser realizada, entre outras, por uma das seguintes formas:
• pelo exame de histograma dos resíduos amostrais padronizados, com o objetivo de verificar
se sua forma guarda semelhança com a da curva normal;
• pela análise do gráfico de resíduos padronizados versus valores ajustados, que deve
apresentar pontos dispostos aleatoriamente, com a grande maioria situados no intervalo [
-2; +2 ].
• pela comparação da frequência 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 %;
• pelo exame do gráfico dos resíduos ordenados padronizados versus quantis da distribuição
normal padronizada, que deve se aproximar da bissetriz do primeiro quadrante;
• pelos testes de aderência não-paramétricos, como, por exemplo, o qui-quadrado, o de
Kolmogorov-Smirnov ajustado por Stephens e o de Jarque-Bera.
2Para justificar o valor escolhido dentro do campo de arbítrio, o profissional da engenharia de avaliações pode utilizar um
modelo auxiliar com a reintrodução de variáveis recusadas no teste da hipótese nula.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
26
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
A.2.1.3 Homocedasticidade
A verificação da homocedasticidade pode ser feita, entre outros, por meio dos seguintes
processos:
• análise gráfica dos resíduos versus valores ajustados, que devem apresentar pontos
dispostos aleatoriamente, sem nenhum padrão definido;
• pelos testes de Park e de White.
A.2.1.4 Verificação da autocorrelação
Sua verificação pode ser feita, entre outros procedimentos, pela análise do gráfico dos
resíduos cotejados com os valores ajustados, que deve apresentar pontos dispersos
aleatoriamente, sem nenhum padrão definido.
A.2.1.5.1 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.2.1.5.4 Nos casos em que o imóvel avaliando segue os padrões estruturais do modelo, a
existência de multicolinearidade pode ser negligenciada.
A existência desses pontos atípicos pode ser verificada pelo gráfico dos resíduos versus
cada variável independente, como também em relação aos valores ajustados, ou usando
técnicas estatísticas mais avançadas, como a estatística de Cook ou a distância de
Mahalanobis para detectar pontos influenciantes.
A.3.1 O nível de significância máximo admitido nos demais testes estatísticos (aqueles não
citados na Tabela 1) não deve ser superior a 10 %.
A.3.2 A significância de subconjuntos de parâmetros, quando pertinente, pode ser testada
pela análise da variância por partes.
A.3.3 Os níveis de significância utilizados nos testes citados em A.3 serão compatíveis com
a especificação da avaliação.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
27
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
28
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
A.10.1 A avaliação intervalar, prevista em 7.7.1.b da ABNT NBR 14653-1, tem como objetivo
estabelecer, quando solicitado pelo contratante, um intervalo de valores admissíveis em
torno da estimativa de tendência central ou do valor arbitrado.
Figura A.1 ─ Valores admissíveis quando for adotada a estimativa de tendência central
A.10.1.2 Quando for adotado o valor arbitrado, o intervalo de valores admissíveis deve estar
limitado simultaneamente (ver Figura A.2):
a) ao intervalo em torno do valor arbitrado com amplitude igual à do intervalo de predição ou
ao intervalo de confiança4 de 80% para a estimativa de tendência central;
b) ao campo de arbítrio em torno da estimativa de tendência central.
A.10.2 No caso de utilização do valor arbitrado, este fato deverá ser citado e não será
calculada a probabilidade associada ao intervalo.
3 O intervalo de confiança será utilizado se o objetivo for estimar o valor de mercado. Se o objetivo for estimar
preços, utiliza-se o intervalo de predição.
4 O intervalo de confiança será utilizado se o objetivo for estimar o valor de mercado. Se o objetivo for estimar
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
29
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
CAPÍTULO 2
Conceitos Básicos da Inferência Estatística
2.1- ANÁLISE DE PEQUENOS CONJUNTOS DE DADOS
Frequentemente, 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:
As medidas da tendência central são indicadores que permitem que se tenha uma primeira
ideia, 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
frequência. 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
frequências, sendo elas: a média, a mediana e a moda.
x
Média =
n
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 (letra grega mil). Logo, a
média de uma amostra de 70, 90 e 110, é:
− 70 + 90 + 110
x= = 90
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.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
30
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Assimetria
A comparação da média, mediana e moda pode nos dizer algo sobre a característica da
assimetria, conforme mostrado nas figuras abaixo.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
31
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
.. ..... .... .. . . . .. . . . .
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 têm 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
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
32
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
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:
quadrados dos desvios de cada ponto em torno da média aritmética.
2
=
(x − x) i
2
Caracteriza a dispersão dos pontos de uma amostra potencializando as
s x
n −1 diferenças.
Variância é
a soma dos
s=
x 2
i − [ ( xi ) 2 n] Na distribuição gaussiana, cerca de 95% dos casos fica
n −1 dentro do intervalo entre a média e +1.96*DP.
s=
(x i − x)2
n −1
O Coeficiente de Variação é o desvio padrão dividido pela média. Indica a variabilidade da amostra
em relação à média.
𝑆𝑒
𝐶. 𝑉. =
𝑋̈
2.2 – 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.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
33
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
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 área 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.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
34
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
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 curva normal reduzida. Suas probabilidades já foram calculadas
e são apresentadas em tabelas de fácil utilização. Como a normal é simétrica, os 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.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
35
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
f(Z)
DESVIOS PADRAO
Fig. 9 – Área sob a curva normal a 1, 2, e 3 desvios padrões a contar de cada lado da média.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
36
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
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
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
37
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
2.3.1-Estimação
Intervalo de Confiança
x-e x x+e
α /2 α /2
Z=0 Z α/2
Fig.10 – A distribuição Normal Padronizada: o valor crítico de z/2
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
38
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
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 z /2 é um
valor crítico que é um escore z com a propriedade de separa uma área de /2 na cauda
direita da distribuição normal padronizada. (Há uma área de 1- entre as fronteiras de - z/2 e
z/2). Os mesmos conceitos valem para distribuição t.
α /2 = 0,025 α /2 = 0,025
−
1 (X1i − X)2
S Yi = s e . + 2
n X − [( X)2 /n]
Intervalo para predizer a o valor médio de Y, o desvio padrão de Yi:
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 primeira fórmula.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
39
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
−
1 (X 0 − X) 2
E = t / 2 .s e . +
X − [( X) 2 /n]
2
n
com média igual a Y e erro padrão igual Si. Portanto, o intervalo de confiança poderá ser
estimado por:
Quanto maior o número da amostra (n) e quanto mais dispersa for a variável x, menor será o
erro padrão e consequentemente a amplitude dos intervalos de confiança. O intervalo de
confiança terá uma amplitude menor à medida que X se aproxima da média x e que eles vão
se alargando progressivamente à medida que se afastam da média.
A norma ABNT 14653 , estipula que, que o valor final a ser indicado , em função do tratamento
estatístico dado, “tem de estar contido em um intervalo de confiança fechado e máximo de
80%” ( que corresponde ao nível de significância igual a 20%, resultando = 10 0 0 ) para o
2
valor médio induzido pela equação de regressão.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
40
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Pelo processo da indução, as estatísticas amostrais tendem a se aproximar ( e não igualar) 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 hipótese nula e se designa pelo símbolo H0;
- a que sugere a afirmação é falsa chama-se hipótese alternativa e se designa pelo símbolo H1.
ou seja:
A hipótese nula H0 é uma afirmação que diz que o parâmetro populacional é tal como
especificado (isto é, a afirmação é verdadeira).
A hipótese alternativa H1 é uma hipótese que oferece uma alternativa à alegação (isto
é, o parâmetro é maior (ou menor) que o alegado).
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.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
41
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Não rejeitar H0
α /2 α /2 Rejeitar H0
Rejeitar H0
H0 : p#0,5
Valor 0 Valor
crítico crítico
Não rejeitar H0
Rejeitar H0
α
H0 : p< 0,5
Valor
crítico 0
Rejeitar H0
Não Rejeitar H0
α
H0 : p>0,5
0 Valor
crítico
Fig.– Comparação da partição de uma distribuição amostral para testes unilaterais e bilaterais. Note-
se, nos testes unilaterais, que o sinal ou o sinal aponta para a cauda utilizada
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: consiste em rejeitar a Hipótese Nula Ho quando ela é verdadeira. A probabilidade de
cometer esse erro é chamada nível de significância de um teste e se denota por (alfa). O valor de
é tipicamente predeterminado: São comuns a escolha =0,05; =0,01.
- erro Tipo II: consiste em não rejeitar a Hipótese Nula Ho, quando ela é falsa. Usa-se o símbolo (beta)
para representar a probabilidade de um erro tipo II.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
42
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
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
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
43
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
2.3.5.1-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 x 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 t5 de Student.
Note-se que a distribuição t tem mais área nas caudas . A partir de 30 dados amostrais, elas
se aproximam.
Para usar a tabela t6 (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:
onde:
5O 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 Student.
6
A tabela de t de Student será usada mais adiante para cálculos de verificação das variáveis e cálculo do intervalo
de confiança.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
44
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
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
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
45
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
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.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
46
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Tabela 3 - Distribuição F
Colunas: Graus de Liberdade Numerador.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
47
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
CAPÍTULO 3
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 estatística7 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.
Na prática, o processo de inferência 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 processo de inferência utilizado na avaliação de bens consiste em obter um modelo de regressão de
múltiplas variáveis, que explique a variação do valor investigado a partir desse conjunto de dados
(neste curso em específico estimado através do método dos mínimos quadrados).
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.
7 De acordo com as recomendações e estipulações das normas da ABNT, NBR-14.653-2, ‘Tratamento científico”.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
48
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Uma maneira de observar o mercado e suas variáveis em relação aos preços praticados são por eixos
cartesianos (Y,X). Esta primeira observação é importante para se tirar conclusões do comportamento
do mercado em relação a cada uma das variáveis que se supõe participar da variação dos preços.
Dado como exemplo a hipótese de que a variável área explica a variação do valor total do imóvel esta
se dá numa função crescente (quanto maior a área maior o valor total do imóvel). Embora óbvio,
através do gráfico de dispersão abaixo pode-se observar com facilidade esta ocorrência. Cada ponto
do gráfico corresponde a um dado coletado no mercado imobiliário.
Ao se analisar os mesmos dados, adotando-se as mesmas áreas, porém analisando sua influencia nos
valores unitários, o aumento da área interfere agora de forma decrescente (quanto maior a área,
menor o valor unitário), conforme identificado no gráfico a seguir.
A partir deste gráfico é possível obter uma reta (ou curva de regressão).
A regressão linear é a melhor forma para visualizar a influência de uma variável em outra e é usada
basicamente com duas finalidades: de previsão (prever o valor de y a partir do valor de x) e estimar o
quanto x influencia ou modifica y.
ERRO OU
RESÍDUO
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
49
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Quanto mais acentuada for a reta ajustada aos dados, mais explicação tem a variável na variação do
valor unitário, dado pelo coeficiente de determinação R2, conceito que será abordado adiante.
Através desta reta ajustada, é possível identificar o valor de qualquer imóvel, desde que se tenham
informações sobre a sua área. Esta afirmação seria verdadeira, se esta afirmação se o valor do imóvel
dependesse apenas da área, mas o que acontece é que inúmeras outras variáveis contribuem na
formação do valor de um bem.
Assim é que, na estimativa do valor de um determinado imóvel (Y i), 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:
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
50
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Devido a esse erro amostral, dificilmente a regressão estimada da amostra coincidirá com a
verdadeira regressão populacional:
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 significância dos regressores através do teste “t” e da equação
como um todo através da distribuição “F” ) e que a distribuição dos resíduos os erros, i , satisfaçam
aos pressupostos de modelo de regressão linear normal, isto é, variância constante (
homocedasticidade) , independência entre as variáveis explicativas e não auto-regressão (quando
usadas séries temporais).
E o que é mais importante, é que este modelo poderá ser utilizado para avaliação, desde que represente
com clareza, coerência e logicidade o efetivo comportamento do segmento de mercado estudado
naquele momento.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
51
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
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 e objeto principal deste
curso.
Pelo critério dos mínimos quadrados, os valores desconhecidos dos parâmetros, 0, 1,...,K 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:
2
n
ˆ
= yi − f ( x ; sendo que, 1, 2,..., K, são tratados como os coeficientes das variáveis X1,
i =1
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
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 yi em
ordenada e os xi em abscissa. Cada par de valores xi e yi 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.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
52
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
y
Yi
Y1 Ŷi
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 b0 e b1, que
correspondem às estimativas obtidas pelo método dos mínimos quadrados de 0 e 1 e a reta ajustada
é representada pela expressão:
Ŷi= 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
ei = Yi – b0 – b1 .Xi
onde: Yi é o valor observado da variável dependente
Ŷii é o valor estimado ou previsto pelo modelo
ei o resíduo estimado
b0 e b1 as estimativas dos parâmetros 0 e 1
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 mínimos.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
53
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Uma vez que as diferenças entre valores reais (Yi) e valores previstos (Ŷi) serão tanto positivas como
negativas para diferentes observações, é necessário minimizar matematicamente como:
n
(Y
i =1
i
ˆ )2
-Yi
[Yi - (b 0 + b1 X i )] 2 n
i =1 =
i =1
[Yi - (b 0 + b 1 X i )] 2
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, têm-se as
seguintes estimativas para os parâmetros:
b 0 = y − b1 x
n
( xi − x )( yi − y ) Onde, x corresponde ao valor médio da
i =1
b1 = y
n variável xi e corresponde ao valor médio da
( xi − x )2
i =1 variável Yi.
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 hiperplano 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 às 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.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
54
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
yi = b0 + b1 x1 + + bk xki + ei
A condição inicial, como na regressão linear simples, é descrita por
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 todo o sistema de equações.
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 estimativa dada por essa equação.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
55
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Mas qual seria o critério para determinar a reta que é melhor que todas as outras? Esse critério baseia-
se na distância vertical entre os pontos que representam os dados originais e a reta de regressão: tais
distâncias chamam-se resíduos.
Dado um par de dados amostrais (x,y), um resíduo é a diferença (y- ŷ ) entre um valor amostral
observado y e o valor ŷ 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 EM
TORNO DA RETA
DISPERSÃO
DE REGRESSÃO
DE PONTOS
EM TORNO
DISPERSÃO DE
PONTOS 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
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:
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
56
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
ei = y I − y = VARIAÇÃO
NÃO − EXPLICADA
y − y = VARIAÇÃO
EXPLICADA
(x, y)
Xi X
Fig.18 – Componentes: explicado e não-explicado, de yi
Como ilustra a figura acima, a diferença entre yi e o seu valor médio y i (variação total) consiste em
uma parte explicada pelo modelo de regressão ( ŷi − yi ) e uma parte não explicada ( yi − 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 entre yi e a sua média yi .
Especificamente essas somas de quadrado resultam nas seguintes medidas:
n
( y i - y ) 2 = soma de quadrados total – STQ: que é uma medida de variação total dos valores de Yi
i=1
n
( ŷ − y ) 2 = soma de quadrados devido a regressão – SQR: que é a parcela da variação total de y em
i =1
relação à sua média, que é explicada pela regressão, ou a parcela atribuída à relação entre X e Y.
n
( y i - ŷ ) 2 = soma do quadrado dos erros – SQE: que é a parcela da variação total de y em relação à
i=1
sua média, que não é explicada pela regressão e que é atribuída a outros fatores diferentes da relação
entre X e Y.
Sendo que:
n 2 n 2 n
(y i - y) = (ˆy i - y) + (y i - ˆy) 2
i=1 i=1 i =1
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
57
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
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
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:
n −1
R 2 = 1 − (1 − R 2 ).
n − k −1
CAPÍTULO 4
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
58
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Sinopse de Procedimentos
Caracterização do Imóvel Avaliando e do Contexto Imobiliário ao qual pertence
S Não
Ampliar a pesquisa.
Abandonar a equação ou
Verificação da coerência do comportamento
OK assumir que o comportamento do
da variação das variáveis na equação de mercado admitido a priori era
Q regressão. Verificação de variáveis equivocado e o modelo é o correto.
correlacionadas (colinearidade)
A
Análise de resíduos e verificação dos Linearidade
Pressupostos Básicos do Modelo Normalidade
Homocedasticidade
Pontos influenciantes (Distancia Cook)
e/ou discrepantes (outliers)
Validação do Modelo Verificação de variáveis correlacionadas
Grafico da Bissetriz Verificar Extrapolação do Imóvel avaliando
(colineares)
Fim da Pesquisa
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
59
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
2- Pesquisa de Mercado
O levantamento de dados de mercado constitui a base do processo avaliatório.
Nesta etapa investiga-se o mercado com a coleta dados e informações confiáveis a respeito de negociações
realizadas e ofertas, contemporâneas à data de referência da avaliação, com suas principais características
econômicas, físicas e de localização.
Recomenda-se buscar a maior quantidade possível de dados de mercado, com atributos comparáveis aos do bem
avaliando.
De acordo com o item 7.2.1 da ABNT 14.653-1:2019: “Na aplicação do método compartivo direto, a natureza
dos bens, a indisponibilidade dos dados e de suas características, bem como os prazos limitados para a concepção
da avaliação, podem levar à coleta de amostras que não atendem na íntegra aos pressupostos formais das
amostras aleatórias simples, exigidos pelos modelos de estatística inferencial.
Assim, as amostras utilizadas nesse tipo de avaliação são mais bem descritas como “amostras acidentais”, que
devem possuir a maior representatividade possível em relação à população, mesmo que não sejam utilizadas as
técnicas tradicionais para a coleta de amostras aleatórias simples.
O profissional da engenharia de avaliações, para alcançar o máximo de representatividade da amostra, deve
especificar claramente as características dos imóveis que compõem a população pesquisada, tomando como
referência as características do imóvel avaliando, além de levar em consideração os aspectos citados em 6.4. Com
a utilização desses cuidados, torna-se viável a aplicação de estatística inferencial”.
2.1 - Identificação das variáveis do modelo (item 8.2.1.2 da ABNT NBR 14653-2)
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
60
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
61
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
62
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Ao se analisar os mesmos dados, adotando-se as mesmas áreas, porém analisando sua influencia nos valores
unitários, o aumento da área interfere agora de forma decrescente (quanto maior a área, menor o valor unitário),
conforme identificado no gráfico a seguir.
Se não houver essa coerência (análises semelhantes às acima, para todas as variáveis investigadas), isto é, as
evidências indicadas pelos elementos amostrais contrariarem o comportamento lógico esperado do mercado
analisado, a equação deve ser abandonada ou:
a) a pesquisa ser ampliada para concluir que, com maior número de elementos amostrais, o modelo
confirma o comportamento esperado, ou
b) que o comportamento admitido 'a priori' era equivocado e neste caso assumir o comportamento
indicado.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
63
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
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.
O coeficiente de correlação parcial (por vezes chamada “correlação com influência") indica o relacionamento
entre duas variáveis analisadas, na presença de uma ou mais variáveis que com elas atuam simultaneamente.
A Matriz de Correlação possui grande significado informativo para a Regressão Múltipla porque estabelece como
os pares de variáveis Dependentes(Y) e Independentes (X1, X2,..., Xk) se correlacionam.
Este será um dos critérios estatísticos iniciais para a seleção de variáveis no modelo. A Correlação Múltipla e o
Coeficiente de Determinação (R2) também indicam como a relação expressa através da equação de regressão
explica as variações da Variável Dependente (Y).
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
64
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
O coeficiente de determinação, indicado por “R²” (quadrado do Coeficiente de Correlação 'r'), deve ser
interpretado como a proporção de variação total da variável dependente que é explicada pela variação das
variáveis independentes adotadas na equação.
Esquematicamente, na reta de regressão (os pontos (x1, xi), pode ser representado esquematicamente por:
Quanto maior a variação a ser explicada, maior o coeficiente e vice-versa. Embora 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. 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
repressoras será melhor que um modelo que não envolva essas variáveis.
Para contornar esse problema, é sugerido que seja calculado um Coeficiente de Determinação Ajustado,
simbolizado por R2 , 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:
n −1
R 2 = 1 − (1 − R 2 ).
n − k −1
Observações:
• Não utilizar equações de regressão com número de elementos amostrais igual 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 ' ' da
população (podendo, inclusive, conter o valor zero). Isto significa 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 descritiva e, por si só, não mede a qualidade do modelo de regressão. 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.
• 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.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
65
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Para avaliar a confiabilidade estatística da estimativa de um modelo, são usados fundamentalmente os testes t
(que testa a significância de cada uma das regressões isoladamente) e F (que testa a significância do modelo
como um todo).
Através dos testes de hipóteses é possível verificar se variáveis independentes (explicativas) são ou não
importantes, perante o modelo adotado, para explicar as variações do valor investigado
• Teste dos coeficientes individuais da regressão (Estatística t)
O processo é necessário para todas as variáveis incluídas no modelo e os níveis de significância utilizados
devem compatíveis com a especificação da avaliação de acordo com o item 5 da tabela 1 da ABNT 14.653-2:
Grau
Item Descrição
III II I
Nível de significância (somatório do valor das duas caudas) máximo para a rejeição
5 10% 20% 30%
da hipótese nula de cada regressor (teste bicaudal)
O teste da importância das variáveis para o modelo é realizado pela comparação da estatística t, t calculado,
deduzida para cada variável com o parâmetro obtido na tabela de distribuição t de Student, t calculado ,
correspondente ao nível de significância desejado (no caso 10%, 20% ou 30%, para garantir Grau de
Fundamentação do Laudo, III, II ou I , item 5 da tabela 1 da Norma). t Tabelado para Nível
de significância
Distribuição t de Student 10% (bicaudal) ou
Testes de Hipóteses 5% (unicaudal)
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
Graus de
Liberdade 1 3,078 6,314 12,706 31,821 63,656 636,578
n-K-1 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
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
66
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Teste da Significância do Modelo de Regressão (Estatística F efeito conjunto das Variáveis Independentes)
A significância global da regressão pode ser testada pela razão F entre a variância explicada com a variância não
explicada (ou residual).
Pelas estipulações da Norma Avaliação de Imóveis Urbanos da ABNT 14.653-2, e os níveis de significância
utilizados devem compatíveis com a especificação da avaliação de acordo com o item 6 da tabela 1 da ABNT
14.653-2:
Grau
Item Descrição
III II I
Nível de significância máximo admitido para a rejeição da hipótese
6 1% 2% 5%
nula do modelo através do teste F de Snedecor
Região de rejeição
de H0
Distribuição F K – Número
Colunas: Graus de Liberdade Numerador. de Variáveis
Linhas: Graus de Liberdade no Denominador Independentes
N-K-1 Nivel de Significancia: 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
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
67
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
68
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
• o profissional da engenharia de avaliações deve se empenhar para que as variáveis importantes estejam
incorporadas no modelo – inclusive as decorrentes de interação – e as variáveis irrelevantes não estejam
presentes;8
• 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;
• não devem existir correlações evidentes entre o erro aleatório e as variáveis independentes do modelo,
ou seja, o gráfico de resíduos não deve sugerir evidências de regularidade estatística com respeito às
variáveis independentes;
• possíveis pontos influenciantes, ou aglomerados deles, devem ser investigados e sua retirada fica
condicionada à apresentação de justificativas.
Pressuposto 1) Linearidade
8Para justificar o valor escolhido dentro do campo de arbítrio, o profissional da engenharia de avaliações pode utilizar um
modelo auxiliar com a reintrodução de variáveis recusadas no teste da hipótese nula.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
69
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Pressuposto 2) Normalidade
De acordo com o item A.1.1.2 (Anexo A) das Normas da ABNT 14653-2:
“A verificação da normalidade pode ser realizada, entre outras, por uma das seguintes formas:
- pelo exame de histograma dos resíduos amostrais padronizados, com o objetivo de verificar se sua
forma guarda semelhança com a da curva normal;
- pela análise do gráfico de resíduos padronizados versus valores ajustados, que deve apresentar
pontos dispostos aleatoriamente, com a grande maioria situados no intervalo [ -2; +2 ].
- pela comparação da frequência 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 %;
- pelo exame do gráfico dos resíduos ordenados padronizados versus quantis da distribuição normal
padronizada, que deve se aproximar da bissetriz do primeiro quadrante;
- 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 sua violação acarreta problemas nos testes de hipóteses e na construção de intervalos de confiança, pois suas
propriedades são calcadas na suposição de que os resíduos têm distribuição normal. A verificação da
normalidade, implica em examinar se o histograma formado pelos resíduos adere razoavelmente a uma
Distribuição Normal que pode ser constatada por testes específicos aderência (“tais como os recomendados
acima) inclusive pela verificação simplificada e aproximada que em consiste comparar os resíduos 'i' com as
propriedades notáveis da distribuição normal, cujos valores teóricos são:
Tabela de Gauss
Z = número de Área sob a curva
desvios-padrão entre +z e -z
-1,00 a +1,00 68,00%
-1,64 a +1,64 90,00%
-1,96 a +1,96 95,00%
Para verificação da hipótese, divide-se cada resíduo pelo desvio padrão (i/s) e compara-se a percentagem desses
resíduos com os intervalos ao lado: se os percentuais forem aproximadamente iguais às percentagens da curva
normal padronizada, está assegurada a normalidade dos resíduos.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
70
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Pressuposto 3) Homocedasticidade
Desvios
Desvios
Padronizados
Padronizados
+2 +2
-2
-2
Valores ajustados Valores ajustados
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
71
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
O modelo clássico de regressão linear supõe que o termo de perturbação (erro) de uma observação qualquer
não seja influenciado pelo de uma outra observação, ou seja, que o valor estimado equação não esteja
relacionado com qualquer outra previsão. Quando o termo erro em uma observação é correlacionado com o
termo erro de uma observação anterior, depara-se com o problema da autocorrelação (ou auto-regressão).
A norma preconiza que os erros devem ser variáveis não autocorrelacionadas, isto é, são independentes sob a
condição de normalidade. O conceito de independência dos resíduos está ligado à independência dos dados de
mercado. A situação ideal é aquela onde cada transação se realiza independentemente da outra. Isto é, o
conhecimento do preço e condições de uma não interfira na outra.
1) pela análise do gráfico dos resíduos versus valores ajustados, que deve apresentar pontos dispersos
aleatoriamente, sem nenhum padrão definido. Um gráfico apresentando essas características é um forte
indicador da distribuição aleatória de erros independentes; contudo, numa situação em que os pontos se
apresentam dispostos com alguma tendência, pode haver indícios de autocorrelação nos resíduos.
(ê i − êi −1 ) 2
d = i−2
n
ê
i =1
i
2
que é simplesmente a razão entre a soma das diferenças ao quadrado dos sucessivos resíduos e a soma do
quadrado dos resíduos.
O coeficiente “d” de Durbin-Watson é calculado rotineiramente pela maioria dos programas de computador, mas
alguns cuidados devem ser tomados para não tirar conclusões equivocadas quanto aos resultados produzidos
automaticamente.
0 d1 ds 2 4-ds 4-d1 4
ˆ) ,
d = 2(1 - ρ 0<=d <= 4.
Distribuição Durbin-Watson
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
72
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
A estatística d foi tabelada por Durbin-Watson para níveis de significância de 5%, 2,5%, e 1%, considerando
ajustamentos de modelos com 15 a 100 observações, com até seis variáveis independentes, estabelecendo
limites críticos d L e d u. - se d u < d < 4 – d u , rejeita H 0 ou seja, rejeita-se a hipótese de que os resíduos são
correlacionados em favor da hipótese de não-autocorrelação ao nível de significância estabelecido; - se d < d L
aceita-se a hipótese de auto-regressão positiva; - se d > 4 – d L aceita-se a hipótese de auto-regressão negativa,
- nos demais casos o teste é inconclusivo.
O teste é feito utilizando normalmente a significância de 5%: quanto mais próximo de 2 for o valor de 'd'
encontrado, menor a possibilidade de haver autocorrelação.
A possibilidade de autocorrelação deve ser sempre levada em conta quando os estudo envolve pesquisa de
mercado envolvendo um período (variáveis temporais) ou dados sequenciais. Quando acontece dos resíduos
serem correlacionados, as estimativas de mínimos quadrados dos parâmetros não são eficientes, isto é, não
apresentam variância mínima, e o erro padrão é viesado, o que conduz a testes e intervalos de confiança
incorretos. Se a autocorrelação for positiva, por exemplo, os erros padrão serão subestimados e,
consequentemente os valores de t superestimados, havendo risco de rejeitar-se a hipótese nula de ausência de
efeito quando deveria aceitá-la.
A observação sobre a existência de autocorrelação pode ser feita, também, através do exame do gráfico de
resíduos obtidos através da equação de regressão (eixo vertical) e a sequência correta (de meses, de distâncias,
etc.) no eixo horizontal. Se não houver autocorrelação, esses pontos se distribuirão em forma de nuvem
aleatória.
A norma cita que os possíveis pontos influenciantes, ou aglomerados deles, devem ser investigados e sua retirada
fica condicionada à apresentação de justificativas.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
73
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Essas observações, quando extremas, produzem resíduos, que em valor absoluto são consideravelmente maiores
que os dos restantes da massa de dados e são denominados de outliers.
A identificação das observações que têm fortes possibilidades de virem a ser designadas por outliers é feita,
geralmente, por análise gráfica utilizando os Resíduos Padronizados, disponíveis em todos os programas
aplicativos de regressão múltipla e são facilmente identificados pelo número de desvios padrão de seus
afastamentos em relação a 0 (zero), como no gráfico a seguir.
O método é subjetivo e não deve ser considerado valido para todos os casos indiscriminadamente, pois depende
também das condições dos demais elementos do conjunto. Por exemplo, se n-1 elementos amostrais estiverem
na faixa de + ou – 1 desvio-padrão, o enésimo elemento, que correspondesse a 1,5 desvios-padrão (mesmo
abaixo de 2) ele poderia ser um “outlier”.
Existem varias razões para o aparecimento de pontos discrepantes e geralmente podem ser consequência de:
• erros de mensurarão decorrentes de registro incorreto
• inadequação do elemento amostral;
• a observação é legitima e está dentro da especificação do modelo e apesar de nada de improvável
estar ocorrendo, forma um ponto discrepante em comparação com os demais.
A identificação de “outliers” e análise das causas que levaram ao seu surgimento podem resultar em
aperfeiçoamento do modelo com incremento de novos conceitos e, por esse motivo, a eliminação ou
manutenção de eventual (ais) observação (ões) discrepante (s) deve preceder de cuidados, usando de avaliação
dos efeitos com e sem o ponto suspeito, pois o simples fato de um valor se encontrar afastado dos demais não
indica por si só que é um valor mal observado ou errado, esse valor pode conter as características mais
assemelhadas com as do imóvel avaliando.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
74
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Observações influentes
Por vezes, observações distantes da tendência geral podem afetar o próprio ajustamento do modelo, e não serem
facilmente identificáveis a partir dos seus resíduos. Os pontos influenciantes são aqueles que
independentemente do tamanho do resíduo, em algumas vezes até nulos, que se distanciam da massa de dados,
podendo alterar completamente as tendências naturais indicadas pelo mercado.
A presença de pontos influenciantes pode ser detectada na análise do comportamento gráfico da variável
dependente ou dos resíduos, em relação a cada variável independente. Na figura a seguir, por exemplo, um ponto
com as características do demarcado indica a presença de um ponto influenciante. O ponto tem resíduo zero e
parece ser o mais bem ajustado, contudo altera o modelo: enquanto a tendência do mercado é a indicada pela
reta 1, o ponto influenciante desloca a tendência para a situação da reta 2. A idéia básica de influência é verificar
a dependência do modelo estatístico sobre as várias observações ajustadas. Se a eliminação de observações
conduzir a uma mudança apreciável nas estimativas dos parâmetros, estas observações poderão ser
consideradas influentes.
Uma medida frequente para a influência de uma observação (i) é a distância de Cook.
A distância de Cook mede o efeito de excluir uma dada observação. A distância de Cook é definida como
Quanto maior for Di, maior é a influência da i-ésima observação. Os pontos são detectados como influentes
quando Di > 1 (este é o critério utilizado no programa SISDEA, SISREN)
Advertência: Observações atípicas ou influentes, embora podendo estar relacionadas, não são o mesmo conceito.
Por exemplo, uma observação com resíduo (internamente) estandardizado grande e hii elevado, tem de ter uma
distância de Cook grande, logo ser influente, pode, ou não, ser influente, consoante a grandeza relativa desses dois
valores. Estes diagnósticos servem sobretudo para identificar elementos de mercado que merecem maior atenção e
consideração.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
75
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Uma das hipóteses do Modelo Linear Geral estabelece que não é permitida a existência de relação linear entre
qualquer das variáveis explicativas, ou seja, elas têm de ser linearmente independentes.
“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.
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, como pela análise de variância por partes.
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.
Nos casos em que o imóvel avaliando segue os padrões estruturais do modelo, a existência de
multicolinearidade pode ser negligenciada”.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
76
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Tem-se:
Logo a reta y=x contém as bissetrizes do 1° (e do 3°) quadrantes.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
77
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
3.8- Extrapolações
Outro aspecto importante no uso de modelos de regressão é a sua extrapolação. De uma forma geral, não é
recomendada a extrapolação da equação de regressão para além dos limites dos dados amostrais utilizados na
estimativa dos parâmetros do modelo de regressão linear.
O desestímulo à extrapolação apresenta basicamente dois motivos. O primeiro está associado ao fato do
intervalo de confiança sobre a linha de regressão alargar, à medida que os valores da variável independente X se
afastam da média. A outra razão é que a relação entre as variáveis X e Y pode não ser linear para valores que
extrapolam os dados utilizados na regressão, como ilustrado na Figura a seguir.
Um modelo pode ser razoável para o intervalo
coberto pela amostra, mas pode ser absolutamente
impróprio para uma extrapolação, por ser
absolutamente imprevisível além dele.
Pelas Normas da ABNT, no grau III de fundamentação não é permitida extrapolação na projeção do imóvel
avaliando, podendo ocorrer nos demais graus, de acordo com o item 4 da tabela Fundamentação:
Grau
Item III II I
Admitida, desde que:
Admitida para apenas uma variável, desde que:
a) as medidas das características do imóvel
a) as medidas das características do imóvel avaliando
avaliando não sejam superiores a 100% do
não sejam superiores a 100% do limite amostral
limite amostral superior, nem inferiores à
Não superior, nem inferiores à metade do limite amostral
4 metade do limite amostral inferior.
admitida inferior.
b) o valor estimado não ultrapasse 20% do
b) o valor estimado não ultrapasse 15% do valor
valor calculado no limite da fronteira
calculado no limite da fronteira amostral, para a
amostral, para as referidas variáveis,
referida variável.
simultaneamente.
Diferença Inferior
a 15% GRAU II; a
20% GRAU I
L A Inferior L A Superior
X1
GRAU II ou I GRAU II ou I
GRAU III
até metade do até 100% do
Não permite
limite amostral limite amostral
extrapolar
inferior superior
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
78
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
“9.1 Generalidades
9.1.1 A especificação de uma avaliação está relacionada tanto com o empenho do profissional
da engenharia 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 priori.
9.1.2 Todos os trabalhos elaborados de acordo com as prescrições desta Norma serão denominados
Laudos de Avaliação.
O grau de fundamentação atingido deve ser explicitado no corpo do laudo.
Nos casos em que o grau mínimo I não for atingido, devem ser indicados e justificados os itens
das Tabelas de especificação que não puderam ser atendidos e os procedimentos e cálculos
utilizados na identificação do valor.
9.1.3 Os laudos de uso restrito, conforme 10.3 da ABNT NBR 14653-1:2001, podem ser
dispensados de especificação, em comum acordo entre as partes.”
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
79
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Ite Grau
m
Descrição
III II I
Completa quanto a
Caracterização do imóvel Completa quanto às variáveis
1 todas as variáveis Adoção de situação paradigma
avaliando utilizadas no modelo
analisadas
Quantidade mínima de 6 (k + 1), onde k é o
4 (k + 1), onde k é o número 3 (k + 1), onde k é o número de
2 dados de mercado, número de variáveis
de variáveis independentes variáveis independentes
efetivamente utilizados independentes
Apresentação de
informações relativas a
todos os dados e Apresentação de informações Apresentação de informações
Identificação dos dados variáveis analisados na relativas a todos os dados e relativas aos dados e variáveis
3
de mercado modelagem, com foto e variáveis analisados na efetivamente utilizados no
características modelagem modelo
observadas no local
pelo autor do laudo
Admitida, desde que:
Admitida para apenas uma
a) as medidas das
variável, desde que:
características do imóvel
a) as medidas das
avaliando não sejam superiores
características do imóvel
a 100 % do limite amostral
avaliando não sejam
superior, nem inferiores à
superiores a 100 % do limite
metade do limite amostral
amostral superior, nem
4 Extrapolação Não admitida inferior;
inferiores à metade do limite
b) o valor estimado não
amostral inferior;
ultrapasse 20 % do valor
b) o valor estimado não
calculado no limite da fronteira
ultrapasse 15 % do valor
amostral, para as referidas
calculado no limite da
variáveis, de per si e
fronteira amostral, para a
simultaneamente, e em
referida variável, em módulo
módulo
Nível de significância
(somatório do valor das
duas caudas) máximo
5 10 % 20 % 30 %
para a rejeição da
hipótese nula de cada
regressor (teste bicaudal)
Nível de significância
máximo admitido para a
6 rejeição da hipótese nula 1% 2% 5%
do modelo através do
teste F de Snedecor
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
80
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
9.2.1.3 É permitida a utilização de tratamento prévio dos preços observados, limitado a um único fator de
homogeneização, desde que fundamentado conforme 8.2.1.4.2, sem prejuízo dos ajustes citados em 9.2.1.2
(exemplo: aplicação do fator de fonte para a transformação de preços de oferta para as condições de transação).
9.2.1.4 Recomenda-se a não extrapolação de variáveis que presumivelmente explicariam a variação dos preços
e que não foram contempladas no modelo, especialmente quando o campo de arbítrio não for suficiente para as
compensações necessárias na estimativa de valor.
9.2.1.5 O profissional da engenharia de avaliações deve analisar o modelo, com a verificação da coerência da
variação das variáveis em relação ao mercado, bem como o exame de suas elasticidades em torno do ponto de
estimação.
9.2.1.6 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 seis 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 quanto à fundamentação deve considerar a soma de pontos obtidos para
o conjunto de itens, atendendo à Tabela 2.
9.2.1.6.1 No caso de amostras homogêneas9, será adotada a Tabela 1, com as seguintes particularidades:
a) serão admitidos os itens 3 e 4 apenas no Grau III, de forma a ficar caracterizada a homogeneidade;
b) será atribuído o Grau III para os itens 5 e 6, por ser nulo o modelo de regressão.
Tabela 4 — Enquadramento do laudo segundo seu grau de fundamentação no caso de utilização de modelos
de regressão linear
Graus III II I
Pontos mínimos 16 10 6
2, 4, 5 e 6 no grau III e 2, 4, 5 e 6 no mínimo no
Todos, no
Itens obrigatórios os demais no mínimo grau II e os demais no
mínimo no grau I
no grau II mínimo no grau I
9
Em caso de dúvida sobre a homogeneidade da amostra, esta pode ser analisada por meio da Distância de Mahalanobis
entre os elementos amostrais e o centróide amostral.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
81
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Nota: Quando a amplitude do intervalo de confiança ultrapassar 50%, não há classificação do resultado quanto
à precisão e é necessária justificativa com base no diagnóstico do mercado.
A estimação de intervalos de confiança é um procedimento para criação de intervalos de
São escolhas comuns para grau de confiança: 90% (com = 0,10), 95% (com = 0,05). A ABNT NBR
14653-2, estipula uma “amplitude do intervalo de confiança de 80% em torno do valor central da
estimativa” (ou nível de significância de 20%, resultando = 10 0 )
0
2
α /2 = 0,10 α /2 = 0,10
Amplitude
GRAU III 30%
GRAU II 40%
GRAU I 50%
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
82
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
• As Normas Avaliatórias permitem utilizar o Campo de Arbítrio, que deve ser utilizado de forma
desassociada do intervalo de confiança
8.2.1.5.2 O campo de arbítrio pode ser utilizado quando variáveis relevantes para a avaliação do imóvel não
tiverem sido contempladas no modelo, por escassez de dados de mercado, por inexistência de fatores de
homogeneização aplicáveis ou porque essas variáveis não se apresentaram estatisticamente significantes
em modelos de regressão, desde que a amplitude de até mais ou menos 15 % seja suficiente para absorver
as influências não consideradas e que os ajustes sejam justificados.
8.2.1.5.3 Quando a amplitude do campo de arbítrio não for suficiente para absorver as influências não
consideradas, o modelo é insuficiente para que a avaliação possa atingir o grau mínimo de fundamentação
no método comparativo direto de dados de mercado e esse fato deve ser consignado no laudo .
8.2.1.5.4 O campo de arbítrio não se confunde com o intervalo de confiança de 80 % calculado para definir
o grau de precisão da estimativa
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
83
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
CONCEITOS PRELIMINARES
Nos estudos envolvendo investigação de preços de mercado imobiliário, é muito comum encontrar em uma
mesma amostra, variáveis de natureza qualitativa (por exemplo, topografia, consistência do solo, padrão
construtivo, número de dormitório, de vagas de garagem) em número superior às variáveis que podem ser
quantificadas em uma escala definida (por exemplo, área, frente, profundidade, distancia à polos) influenciando
a determinação do valor de mercado.
Essas variáveis qualitativas geralmente indicam a ocorrência ou não de um evento ou a presença ou ausência de
uma “qualidade” ou atributo, estabelecendo distinções claras entre uma ou outra situação. A uma forma de
“quantificar” tais atributos é construir variáveis artificiais que assumam valores 1(um) ou 0 (zero), de forma que
um deles indica a presença e o outro a ausência da característica.
As variáveis que assumem tais valores 0 e 1, são chamadas de variáveis dummies - ou alternativamente de
variáveis binárias, variáveis categóricas, variáveis condicionais ou, ainda, variáveis dicotômicas e podem ser
incorporadas nos modelos de regressão da seguinte forma:
Nos casos em que a variável assume mais de duas categorias, como por exemplo, o padrão construtivo (que pode
ser baixo, normal e alto); a idade da construção (que pode ser nova, de 1 a 10 anos, de 11 a 20, de 21 a 30 ou
acima de 31), a vocação (que pode ser comercial, residencial ou mista) etc... , a consideração é feita com uma
variável a menos do que o número de categorias: ou seja, se uma variável apresenta n categorias, sua explicação
se faz com n-1 dicotômicas.
Tomando como exemplo o caso de haver três categorias de padrão construtivo, seriam necessárias apenas duas
variáveis dummies, pois uma delas (no exemplo, o padrão alto) é a de referência, contra a qual estão sendo
testadas as outras isto é:
D1 D2
1 0 Para o Padrão Baixo
0 1 Para o Padrão Normal
0 0 Para o Padrão Alto
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
84
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Obs: Quando diante de mais de uma categoria, não é recomendável usar números que representariam as
chamadas “notas”, assumidas arbitrariamente, tais como 1, 2 e 3 (ou 10, 7, 4): eles se misturam numa mesma
equação e não estabelecem distinções de forma correta entre cada uma das categorias.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
85
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Ao incorporar a dicotomia (padrão A=1 e padrão B=0) ao modelo, a equação seria do tipo:
Y=b0 + b1X1+b2D+ erro, sendo que:
Para a condição onde D assume o valor 1:
Y=(b0 + b2 )+ b1X1+ erro
Para a condição onde D assume o valor 0:
Y= b0+ b1X1+ erro
Os modelos de regressão das equações descrevem duas retas paralelas, com a mesma inclinação (b1) e diferentes
interceptos. Graficamente, o parâmetro b2 representa a diferença entre as duas retas e pode ser interpretado
como uma medida da alteração no valor médio dos terrenos resultante de uma mudança do padrão B para o
padrão A, ou seja:
.
Valor Testada (X1)
Variáveis dummies de intercepto
(Y) Y=(b0 + b2 )+ b1X1 (Padrão A)
Com a adição da variável binária ao modelo de
b1
regressão foi criado um deslocamento paralelo na
b0+ b2 Y= b0+ b1X1 (padrão B)
relação, sendo que, nesse exemplo, é esperado que
b1
terrenos do padrão B sejam avaliados por preços
b0 menores que os do padrão A.
Pelo fato da equação possuir o mesmo coeficiente angular b1 (o que muda é o intercepto b0), a influência da variável
X1 (no caso do exemplo, a testada) influenciaria na variação dos preços (Y) com a mesma intensidade
independentemente de ser de padrão econômico A ou B. A introdução desta variável na forma aditiva só pode ser
considerada válida se esta condição da variação de testada na mesma intensidade for confirmada pelo
comportamento do mercado em ambas situações, caso isto não se confirme, é necessário incorporar uma variável
de interação.
Forma multiplicativa (de inclinação)
Valor
Y=b0 + (b1+ b2)X1 (padrão. A)
Y Y= (b0 + b2) + (b1+ b3)X1
b1+b3 (Padrão A)
b0+b2
b0 Y= b0+ b1X1 (padrão. B)
bo b1 Y= b0+ b1X1 (padrão B)
Testada (X1)
Variáveis dummies de inclinação.
Testada (X1)
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
86
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
A aplicação dos conceitos acima a respeito do uso da variável dummy, pode ser facilmente estendida quando o imóvel
possuir mais de uma variável qualitativa. Tomando por exemplo uma pesquisa de apartamentos com três dormitórios
onde, além da área útil, poderiam existir inúmeras características qualitativas contribuindo para variação de preços,
tais como, a existência de apenas uma ou com duas vagas, com ou sem vista para área verde. Neste caso, o modelo
precisa ter duas categorias para cada uma das variáveis qualitativas, ou seja, uma variável binária para VAGAS
(assumindo 1quando tem duas vagas e 0 caso contrário) e outra para VISTA, (admitindo 1 para apartamentos com
vista para áreas verdes e 0 em caso contrário). Este modelo poderia ser inicialmente expresso da seguinte forma:
O modelo apresentado na forma supra, supõe variação apenas quanto aos coeficientes de interceptos, mas não em
termos dos coeficientes de inclinações.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
87
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
PARTE B
ANÁLISE DE REGRESSÃO SIMPLES : Avaliação de um terreno partindo de uma amostra com 7
elementos comparativos, com as seguintes características:
Elem. Valor
1 R$6,00 Se, na pesquisa efetuada, as únicas informações disponíveis fossem
2 R$6,00 os valores unitários, a alternativa seria considerar a média aritmética
3 R$7,00 dos dados, dada por:
4 R$7,00 MÉDIA= 9,00
5 R$10,00 Ou seja, seria admitido que os terrenos valeriam em média
6 R412,00 R$9,00/m2 (Para maior facilidade de condução dos cálculos, os
7 R$15,00 valores unitários foram divididos por 10)
Média = R$9,00
s=
(x i − x)2
Desvio Padrão Amostra = R$ 3,46 n −1
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
88
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
unitário
8,000
,000
frente
7 20,00 R$15,00
Com as informações das frentes dos terrenos, o valor médio destes não é mais constante, mas
uma função da variação destas.
Entrar em DISPERSÃO
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
89
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Para escolher um tipo de linha de tendência diferente, clique na seta ao lado de Linha de Tendência e
depois clique em Exponencial, Previsão Linear ou Média Móvel de Dois Períodos.
Inicialmente, clicar com o botão direito do seu mouse no gráfico e selecionar a opção “Adicionar Linha de
Tendência”.
Em seguida, escolha a regressão que mais se adeque aos dados apresentados em seu gráfico(note que
durante a escolha do tipo de regressão, uma linha vai sendo traçado no seu gráfico, e a forma como ela
se comporta em relação aos pontos lhe mostrará se a regressão escolhida é a mais apropriada.
Pode-se mostrar esse valor no seu gráfico marcando a caixa Exibir valor de R-quadrado no
gráfico (painel Formatar Linha de Tendência, Opções de Linha de Tendência).
O Excel calcula automaticamente o valor de R-quadrado. É possível mostrar esse valor no seu gráfico
marcando a caixa Exibir valor de R-quadrado no gráfico (painel Formatar Linha de Tendência, Opções
de Linha de Tendência).
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
90
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
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 ˆ )2 = 0
e = (Yi - Y
e i
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
91
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Coeficiente de Correlação Sxy/ (Sxx.Syy)^ 0,5 117,00/ ( 218,86 x 75) ^0,5 0,9321
(r) =
Coeficiente de Correlação ao
Determinação quadrado
ou : variação explicada / variação total 0,8687
2
R 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
1,3749
graus de liberdade (n-K-1) = 9.45 / ( 7-1-1) =
8,000
Média (Ybarra)= 9 COEF. DETERMINAÇÃO (R2) =
7/12 86,87% da variação do valor unitário
6,000
(Ỷ) podem ser explicados pela
variação da variável frente através
4,000 COEF DETERMINAÇÃO
y = + 2,6612 + 0,5346. X1 da equação de regressão. Neste
(R2) = VARIAÇÃO
R2 = 0,8687 caso, 13,13% da variação total
2,000 EXPLICADA DIVIDIDA
PELA VARIAÇÃO permanecem não explicados.
,000
,000 5,000 10,000 15,000 20,000 25,000
frente
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br
92
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Avaliar o apartamento pelo Método Comparativo Direto - Tratamento Científico dos Dados -
através de modelo de regressão múltipla.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br 93
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Por Definição:
Variável Proxy: variável utilizada para substituir outra de difícil mensuração e que se presume guardar com
ela relação de pertinência, obtida por meio de indicadores publicados ou inferidos em outros estudos de
mercado. Por exemplo: custos unitários básicos de entidades setoriais, para expressar padrão construtivo
Nota:
É usual, adotar a variável padrão construtivo, sob a Forma Códigos Alocados - que também
atende as Normas da ABNT:
Por DEFINIÇÃO - códigos alocados: escala lógica ordenada para diferenciar as características qualitativas
dos imóveis. A escala será composta por números naturais consecutivos em ordem crescente (1, 2, 3...), em função
da importância das características possíveis na formação do valor, com valor inicial igual a 1.
BAIXO 1
MEDIO 2
ALTO 3
BAIXO 0 0
Dicotômicas MEDIO 1 0
ALTO 0 1
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br 94
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
VARIÁVEL DEPENDENTE
Preço Total Imóvel
Valor Unitário Valor
Dados Cadastrais (oferta descontado Total/Área Privativa
de 10% ou ' 0,9')
VARIÁVEL VARIÁVEL
El. Endereço Preço R$ Natureza
DEPENDENTE DEPENDENTE
1 Aclimação R$ 300.000,00 Oferta R$ 270.000,00 R$ 7.714,29
2 Aclimação R$ 280.000,00 Oferta R$ 252.000,00 R$ 5.600,00
3 Aclimação R$ 350.000,00 Oferta R$ 315.000,00 R$ 7.875,00
4 Aclimação R$ 255.000,00 Oferta R$ 229.500,00 R$ 5.100,00
5 Aclimação R$ 250.000,00 Oferta R$ 225.000,00 R$ 5.000,00
6 Aclimação R$ 360.000,00 Oferta R$ 324.000,00 R$ 10.006,18
7 Aclimação R$ 395.000,00 Oferta R$ 355.500,00 R$ 7.900,00
8 Aclimação R$ 250.000,00 Oferta R$ 225.000,00 R$ 6.666,67
9 Aclimação R$ 240.000,00 Oferta R$ 216.000,00 R$ 6.400,00
10 Aclimação R$ 515.000,00 Oferta R$ 463.500,00 R$ 9.270,00
11 Aclimação R$ 320.000,00 Oferta R$ 288.000,00 R$ 7.200,00
12 Aclimação R$ 320.000,00 Oferta R$ 288.000,00 R$ 9.436,43
13 Aclimação R$ 310.000,00 Oferta R$ 279.000,00 R$ 9.141,57
14 Aclimação R$ 250.000,00 Oferta R$ 225.000,00 R$ 6.617,65
15 Aclimação R$ 315.000,00 Venda R$ 315.000,00 R$ 7.000,00
16 Aclimação R$ 250.000,00 Oferta R$ 225.000,00 R$ 5.625,00
17 Aclimação R$ 250.000,00 Oferta R$ 225.000,00 R$ 5.625,00
18 Aclimação R$ 340.000,00 Oferta R$ 306.000,00 R$ 9.562,50
19 Aclimação R$ 350.000,00 Oferta R$ 315.000,00 R$ 6.300,00
20 Aclimação R$ 270.000,00 Oferta R$ 243.000,00 R$ 7.147,06
21 Aclimação R$ 389.000,00 Oferta R$ 350.100,00 R$ 9.213,16
22 Aclimação R$ 415.000,00 Oferta R$ 373.500,00 R$ 8.686,05
23 Aclimação R$ 432.000,00 Oferta R$ 388.800,00 R$ 9.720,00
24 Aclimação R$ 690.000,00 Oferta R$ 621.000,00 R$ 13.800,00
25 Aclimação R$ 124.657,78 Oferta R$ 112.192,00 R$ 3.506,00
26 Aclimação R$ 430.000,26 Oferta R$ 387.000,23 R$ 9.439,03
27 Aclimação R$ 410.000,07 Oferta R$ 369.000,06 R$ 9.461,54
28 Aclimação R$ 534.999,79 Oferta R$ 481.499,81 R$ 11.197,67
29 Aclimação R$ 540.000,07 Oferta R$ 486.000,06 R$ 11.853,66
30 Aclimação R$ 548.000,00 Oferta R$ 493.200,00 R$ 8.807,14
31 Aclimação R$ 505.400,00 Oferta R$ 454.860,00 R$ 11.951,13
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br 95
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
VARIÁVEIS INDEPENDENTES
Armários/Mobili
Área Privativa Padrão Construtivo Número Vagas Idade /Conservação
ado
QUALITATIVA QUALITATIVA
El. QUANTITATIVA QUALITATIVA (PROXY) QUALITATIVA (Códigos Alocados 1 a 4)
(dicotômica) Dicotômica
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br 96
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br 97
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
• Quantitativas (são as variáveis que podem ser medidas ou contadas); Para as variáveis
qualitativas, ordem de prioridade:
• Dicotômicas, Binárias ou Dummy (assumem somente dois valores);
• Proxy (escalas apropriadas de tabelas ou trabalhos científicos publicados que indicam uma
relação aproximada à variável)
• Códigos Ajustados (obtidos de ajustamentos prévios por variáveis dicotômicas) e
• Códigos Alocados, que devem iniciar com o código 1, utilizando números naturais e
crescentes. O número 1 deve ser atribuído à pior característica.
Obs.: As variáveis de códigos alocados, as dicotômicas e as quantitativas que podem ser
contadas, são variáveis discretas. A NBR 14.653-2 exige o atendimento à micro
numerosidade para as variáveis de códigos alocados e para as dicotômicas.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br 98
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Se desejar proteger: Marque a opção “Modelo protegido por senha”. Você poderá definir dois
tipos de senha:
• Somente leitura (o arquivo pode ser visualizado se a senha não for fornecida durante a
abertura do modelo);
• Acesso completo (para abrir o modelo é necessária a senha definida nesta etapa)
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br 99
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Ao finalizar a criação do modelo, será exibida a caixa de diálogo ilustrada a seguir, solicitando
a confirmação para o nome do modelo. O nome padrão é SisDEA1.
Após salvar o modelo com o nome desejado, será disponibilizado o módulo de edição de
dados.
Para retornar ao menu Dados | Editar Dados, de Menu Dados e depois selecione o primeiro
botão da barra de ferramentas.
Pode-se digitar um elemento por vez ou então adicionar o número de dados para transferir
do Excel
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br 100
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br 101
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br 102
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br 103
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Gráficos de Dispersão
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br 104
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br 105
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br 106
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Definir variável
dependente usada na
modelagem
(Categoria: Total ou
Unitário) e indicar a
variável base a que
está vinculada (em
geral área do imóvel).
Restrições impostas a
cada regressor (b) de
cada variável Indicar a variável
independente (x) em dependente (Y). Marcar
relação a variável (habilitar/desabilitar
dependente (y). as variáveis
Se aumenta ou diminui. independentes (x)
Alterar para opção
adequada admitida a Y?
priori. Exemplo: a
medida em que área
aumenta, espera-se que
no modelo o valor/m²
diminua (sinal negativo).
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br 107
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br 108
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Dentre os procedimentos, pode-se citar como os mais comumente usados: todas as regressões
possíveis, backward, forward e stepwise.
Todas as regressões possíveis: este procedimento consiste em ajustar todas as possíveis equações
de regressão (combinação de todas as variáveis com todas as transformações selecionadas). Após
a obtenção de todas as regressões, deve-se utilizar os critérios para comparação dos modelos
ajustados
Seleção forward (passo a passo): este método computa uma sequência de equações de
regressão, adicionando ou excluindo uma variável independente em cada passo. Esta rotina
empregada, conduz a um teste para rastrear alguma variável independente que seja altamente
correlacionada com variáveis independentes já incluídas no modelo.
Eliminação backward: este procedimento de procura é oposto à seleção forward. Ele começa com
o modelo contendo todas as variáveis independentes potenciais. O procedimento de eliminação
backward requer mais computações que o método de seleção forward, já que ela começa com o
maior modelo possível. Entretanto, ela tem uma vantagem de mostrar as implicações do modelo
com muitas variáveis.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br 109
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Seleção Forward ----- selecionar uma variável independe por vez – por exemplo : Área
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br 110
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br 111
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
É possível NA TELA RESUMO inicial do Sisdea verificar os TESTES FORMAIS, Definidos na NBR
14.653-2.
• Significância das variáveis (teste “t” Student): Grau de Fundamentação (item 5, Tab. 3)
III <= 10%
II <= 20 %
I <= 30 %
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br 112
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Outliers
2 desvios (- ou +)
padrões da média ï
indicada a
quantidade e o %.
Distribuição dos
resíduos do modelo.
Comparar com a
Grau de Precisão Distribuição Normal
III < 30% 1,00 - 68%
II < 40% 1,64 - 90%
I < 50% 1,94 - 95%
Coeficiente de
determinação R2:
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br 113
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Teste de hipótese das variáveis isoladas (teste t): na Tela abaixo é possível identificar o t
calculado para cada uma das variáveis e a significância correspondente
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br 114
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Contra
a hipótese alternativa (H1b10) ou H1: (-7.672646) 0
2º.) Escolher a distribuição amostral - T Student
3º) Escolher o nível de significância para indicar um valor crítico, para não rejeitar uma hipótese nula, quando
verdadeira. Neste passo utilizam-se como nível de significância limites, 10%, 20% ou 30%, respectivamente
para os graus de fundamentação III, II , I (item 5 da tabela da Norma da ABNT)
Uni caudal- Nível
de significância
5% de cada lado
Região de
Aceitação de H0 Região de
rejeição de H0
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
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br 115
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
1º) a hipótese nula (H0=b1, b2,b3,b4,b5)=0 nenhuma variável escolhida é importante para
explicar a variabilidade dos preços.
a hipótese alternativa (H1= b1,b2,b3,b4,b5)0 (pelo menos uma é diferente de 0)
2º.) Escolher a distribuição amostral - F Fisher Snedecor
3º) Escolher o nível de significância para indicar um valor crítico, para não rejeitar uma hipótese nula, quando
verdadeira. Neste passo utilizam-se como nível de significância limites, 1%, 2% ou 5%, respectivamente para
os graus de fundamentação III, II, I (item 6 da tabela da Norma da ABNT)
Região de rejeição
de H0
0 F tabelado
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br 116
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
n-K-1
Graus de Liberdade no denominador,
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br 117
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Se houver inversão em uma ou mais variáveis independentes, estas serão exibidas em negrito neste
módulo. Os principais motivos podem ser:
a. pontos influenciantes (dados discrepantes para a variável);
b. colinearidade (auto grau de correlação linear entre as variáveis independentes); ou
c. omissão de variável chave no modelo. Ou ainda comportamento diferente do admitido
preliminarmente, neste caso a hipótese de comportamento assumida está equivocada
O gráfico pode ser utilizado para a análise de variáveis qualitativas (dicotômicas, códigos alocados ou
ajustados), quantitativas e Proxy. Para as variáveis DICOTOMICAS a sugestão é verificar a coluna da
elasticidade com a variável dependente.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br 118
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Também verifica-se de existem correlações entre as variáveis independentes (neste caso não
é aconselhável correlações altas – acima de 80%, 70%), porque pode-se suspeitar de
colinearidade.
Ver Norma
A.10.1.1 Colinearidade ou multicolinearidade
A.2.1.5.1 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.2.1.5.2 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, como pela análise de variância por
partes.
A.2.1.5.3 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.2.1.5.4 Nos casos em que o imóvel avaliando segue os padrões estruturais do modelo, a
existência de multicolinearidade pode ser negligenciada.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br 119
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Analisar o Gráfico
Importante analisar o Gráfico para identificar:
• Outliers do modelo (ponto atípico ou elemento discrepante) verificar se existem dados
que apresentam um grande afastamento das demais da série ("fora" dela). A existência
de outliers implica, tipicamente, em prejuízos a interpretação os resultados dos
testes estatísticos aplicados as amostras. Uma das formas de identificar outliers: Uma
das formas de identificar “outlier” é do escore z, ou do desvio-padrão, ou seja, será
considerado outlier o valor se encontrar a uma determinada quantidade de desvios
padrões da média, geralmente 2 desvios (- ou +) .
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br 120
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br 121
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
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
3.0 0.4987 0.4987 0.4987 0.4988 0.4988 0.4989 0.4989 0.4989 0.4990 0.4990
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br 122
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Os pontos são detectados como influentes quando Di > 1 (este é o critério utilizado no
programa SISDEA, SISREN)
Advertência: Observações influenciantes e Outliers, embora podendo estar relacionadas, não são o mesmo
conceito. Estes diagnósticos servem sobretudo para identificar elementos de mercado que merecem maior
atenção e consideração.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br 123
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
10. ADERENCIA
O segundo gráfico (verde) é para verificar se houve aderência dos resíduos do modelo de
regressão à distribuição normal, que está representada pela distribuição normal reduzida.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br 124
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br 125
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Os principais resultados estatísticos gerados pelo SisDEA podem ser editados em um arquivo
compatível com o Microsoft Word. Selecione esta opção, conforme ilustrado abaixo, através
do Menu Exibir | Resultados.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br 126
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
1) Modelo:
• Exercício Aclimação
2) Data de referência:
3) Informações Complementares:
1) Estatísticas:
Quantidade de outliers: 0
% de outliers: 0,00%
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br 127
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
1) Análise da variância:
Valor unitário = +22362,23312 -49,33423246 * Area privativa -15196025,42 / Padrão construtivo +1420,366575
* Vagas de garagem -2216,303437 / Estado Conservação
9) Testes de Hipóteses:
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br 128
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br 129
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br 130
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
PROJEÇÃO DE VALORES
•Valor Unitário
• Minimo (5,73%) = 7.289,52
• Médio = 7.732,88
• Máximo (5,73%) = 8.176,25
•Valor Total
• Mínimo = 222.476,00
• Médio = 236.007,62
• Máximo = 249.539,23
•Intervalo Predição
• Mínimo = 201.812,01
• Máximo = 270.203,22
• Minimo (14,49%) = 6.612,45
• Máximo (14,49%) = 8.853,32
• Campo de Arbítrio
• RL Mínimo = 6.572,95
• RL Máximo = 8.892,82
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br 131
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Intervalo de
Confiança Unitário Total
Mínimo 7.289,52 222.476,15
Máximo 8.176,25 249.539,15
Intervalo de
Predição Unitário Total
Mínimo 6.612,45 201.811,97
Máximo 8.853,32 270.203,33
0
5587,01 6087,01 6587,01 7087,01 7587,01 8087,01 8587,01 9087,01
Valor adotado Intervalo de confiança
Campo de arbítrio Valor Médio
Limite mínimo CA Limite máximo CA
Intervalo de predição
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br 132
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Objetivo: Avaliar apartamento Bairro Vila Romana (Zona Oeste), São Paulo, com área de
94m2, três dormitórios, sendo 01 suíte, 3 vagas na garagem, 12 anos, Padrão Médio Alto,
com varanda gourmet.
Características do condomínio
• Churrasqueira
• Piscina
• Quadra Poliesportiva
• Sala de Ginástica
• Salão de Festa
• Sauna
• Número de Unidades por andar
• Número de torres
• Valor do Condomínio
Para o caso foi levantada uma amostra onde serão estudadas as seguintes variáveis:
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br 133
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
VARIÁVEL
VARIÁVEIS INDEPENDENTES
DEPENDENTE
Valor
Unitário
(quando Varanda Núm
Preço Total Área Número
Evento oferta Padrão Construtivo Gourrmet Idade ero
Imóvel Privativa Vagas
descontado (sim ou não) suítes
de 10% ou '
0,9')
QUALI
TATIV QUALI QUA
QUANT
VARIÁVEL QUANTI PROXY A TATIVA NTIT
El. ITATIV
DEPENDENTE TATIVA (PADRÃO) DICOT DICOT ATIV
A
ÔMIC ÔMICA A
A
1 Médio Baixo 872,22 Duas 0 Não 0 12 1
R$ 712.000,00 Oferta R$ 7.442,51 86,10
2 Médio Baixo 872,22 Três 1 Sim 1 2 1
R$ 875.300,00 Oferta R$ 9.264,61 85,03
3 Médio 1.064,20 Duas 0 Não 0 8 1
R$ 900.000,00 Oferta R$ 8.804,35 92,00
4 Médio Baixo 872,22 Duas 0 Não 0 10 1
R$ 737.138,00 Oferta R$ 7.804,99 85,00
5 Médio Alto 1.106,04 Três 1 Sim 1 6 1
R$ 905.000,00 Oferta R$ 9.538,59 85,39
6 Médio Alto 1.106,04 Três 1 Não 0 15 1
R$ 875.500,00 Oferta R$ 8.948,89 88,05
7 Médio 1.064,20 Duas 0 Não 0 13 1
R$ 670.500,00 Venda R$ 7.888,24 85,00
8 Médio 1.064,20 Três 1 Sim 1 4 3
R$ 1.065.000,00 Oferta R$ 9.490,10 101,00
9 Médio Baixo 872,22 Tres 1 Não 0 12 2
R$ 950.200,00 Oferta R$ 9.000,00 95,02
10 Médio 1.064,20 Tres 1 Sim 1 3 3
R$ 972.000,00 Oferta R$ 8.720,97 100,31
11 Médio Alto 1.106,04 Tres 1 Sim 1 4 1
R$ 980.000,00 Oferta R$ 9.586,96 92,00
12 Médio 1.064,20 Duas 0 Não 0 15 2
R$ 900.100,00 Oferta R$ 8.617,06 94,01
13 Médio Alto 1.106,04 Tres 1 Não 0 10 3
R$ 1.160.000,00 Oferta R$ 9.000,00 116,00
14 Médio Alto 1.106,04 Tres 1 Sim 1 2 3
R$ 940.500,00 Venda R$ 9.131,07 103,00
15 Médio Alto 1.106,04 Tres 1 Sim 1 2 2
R$ 1.038.000,00 Oferta R$ 9.938,30 94,00
16 Médio 1.064,20 Tres 1 Sim 1 9 3
R$ 1.300.000,00 Oferta R$ 8.917,68 131,20
17 Médio 1.064,20 Tres 1 Sim 1 5 3
R$ 1.300.000,00 Oferta R$ 8.871,70 131,88
18 Médio Baixo 872,22 Duas 0 Não 0 15 1
R$ 744.000,00 Oferta R$ 7.796,02 85,89
19 Médio Baixo 872,22 Duas 0 Não 0 13 3
R$ 1.000.000,00 Oferta R$ 7.758,62 116,00
20 Médio 1.064,20 Duas 0 Não 0 10 3
R$ 1.163.560,00 Oferta R$ 7.939,98 131,89
21 Médio Alto 1.106,04 Tres 1 Sim 1 2 1
R$ 920.000,00 Oferta R$ 10.086,49 82,09
22 Médio 1.064,20 Duas 0 Sim 1 7 1
R$ 850.200,00 Oferta R$ 8.138,48 94,02
23 Médio Alto 1.106,04 Tres 1 Sim 1 1 3
R$ 978.000,00 Oferta R$ 9.977,33 88,22
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br 134
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Uma das hipóteses do Modelo Linear Geral estabelece que não é permitida a existência de relação linear entre
qualquer das variáveis explicativas, ou seja, elas têm de ser linearmente independentes.
“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.
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, como pela análise de variância por partes.
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.
Nos casos em que o imóvel avaliando segue os padrões estruturais do modelo, a existência de
multicolinearidade pode ser negligenciada”.
A principal fonte de multicolinearidade verificada na análise do mercado imobiliário é intrínseca à própria
característica dos preços dos imóveis que sendo por natureza heterogêneos, sofrem influência de muitos fatores
simultaneamente e alguns deles podem apresentar comportamentos semelhantes, fazendo com que exista uma
correlação entre variáveis maior do que se espera durante o processo de modelagem.
A multicolinearidade é essencialmente um fenômeno da amostra e não existe um método para detecta-la ou
identificar sua intensidade. O que existe, são algumas regras práticas para diagnosticá-la, das quais algumas das
principais serão examinadas a seguir.
- Alto R2, porém poucas variáveis significativas: sintoma “clássico” da multicolinearidade, onde constata-se
que poucas ou nenhuma das variáveis explicativas são estatisticamente significativas.
- Altas correlações dois a dois entre os regressores: o exame das correlações simples podem sugerir
colinearidade entre duas variáveis.
- Exame das correlações parciais: quando na regressão de Y sobre X2, X3 e X4, uma verificação de que R21,234 é
bastante alto, porém, r 212,34, r213,.24 e r214,.23 são relativamente baixos, pode sugerir que as variáveis X2, X3 e X4,
são altamente intercorrelacionadas e que alguma dessas variáveis pode ser supérflua.
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br 135
Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Amostra
Variáveis Independentes
Variável
LOCALIZAÇÃO
Dependente
El Via Principal/Secundária Distancia a Polo Índice fiscal Área Oferta/ Transação Valor Unitário
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br 136