Apostila Inferencia Estatistica Ibape 2020 Moduloii Arq Ana Maria Biazzi

Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos
Instrutora: Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira
Tel: 55 (11) 98109-7733 São Paulo -S.P
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
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
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
Aplicável à Engenharia de Avaliações
Engenharia de Avaliações – Uma introdução à metodologia científica – Rubens Alves Dantas – Editora
Pini (1ª. e 2ª. ediçoes
Engenharia de Avaliações - “Métodos Científicos e a Engenharia de Avaliações (com ênfase em

inferência estatística) do IBAPE/SP, 1ª Ediçao PINI e 2ª. LEUD
Normas da ABNT NBR 14.653
3
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 é uma especialidade da engenharia que reúne um conjunto amplo de

conhecimentos na área de engenharia e arquitetura, bem como em outras áreas das ciências sociais,
exatas e da natureza, com o objetivo de determinar tecnicamente o valor de um bem, de seus direitos,
frutos e custos de reprodução.
A 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
servidões amigáveis ou judiciais, enfim, em um número expressivo de ações oriundas de problemas

inerentes aos relacionamentos humanos, onde o valor de um bem é fundamental
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 Engenharia de Avaliações experimentou significativa e definitiva evolução a partir do ano de 1989,

quando a Norma Brasileira para Avaliação de Imóveis Urbanos – ABNT NBR 5676/1989 -, teve sua
revisão concluída com grandes avanços em relação ao texto anterior, de 1979, com a reformulação de
conceitos fundamentais e a concretização do uso da inferência estatística como ferramenta de
pesquisa científica, através da qual, os trabalhos passaram a ter uma classificação de “nível rigoroso” e
“rigoroso especial”. Os procedimentos utilizando o método cartesiano até aquele momento, norteados
por formulações empíricas através de critérios numéricos dedutivos e racionais, pelos chamados
“fatores de homogeneização”, não perderam sua utilidade e tiveram uma classificação com grau de
rigor dito “normal”. Em 1991 entrou em vigor o Código de Defesa do Consumidor, que, por sua vez,
tornou obrigatório o uso das Normas Técnicas Brasileiras (art. 39, inciso VIII).
Em meados de 1998 iniciou-se nova revisão e todas normas foram incorporadas em uma única, ABNT
NBR 14653, sob o título geral “Avaliação de bens”. A ABNT NBR 14653 -1 - Procedimentos Gerais
desempenha o papel de guia e visa consolidar os conceitos, métodos e procedimentos gerais para os
serviços técnicos de avaliação de bens. As demais partes relacionadas a seguir e de acordo com a
natureza do bem estão subordinadas à aplicação desta.
ABNT NBR 14653-2, Avaliação de bens – Parte 2: Imóveis urbanos
ABNT NBR 14653-3, Avaliação de bens – Parte 3: Imóveis rurais e seus componentes
ABNT NBR 14653-4, Avaliação de bens – Parte 4: Empreendimentos
ABNT NBR 14653-5, Avaliação de bens – Parte 5: Máquinas, equipamentos, instalações e bens industriais
ABNT NBR 14653-6, Avaliação de bens – Parte 6: Recursos naturais e ambientais
ABNT NBR 14653-7, Avaliação de bens – Parte 7: Bens de patrimônios históricos e artísticos
A norma da ABNT-NBR-14.653-01, teve a Parte 1 - Procedimentos Gerais, aprovada no ano de 2.001,
revista e com nova versão publicada em 2019.
A ABNT- NBR-14.653-2, específica para Imóveis Urbanos, foi concluída com reformulações substanciais
na NBR 5676/1989 , especialmente quanto aos critérios para tratamento de dados, passando a ser
denominados “tratamento por fatores” ou” tratamento científico” e os anteriormente denominados
níveis de rigor (expedito, normal ou rigoroso), que passaram a ser substituídos por níveis de
fundamentação e níveis de precisão e com classificações independentes ao tipo de tratamento
empregado nos dados.
5
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
3 Procedimentos gerais contidos na ABNT NBR -14.653 - 1: 2019

3.1 A Natureza da Avaliação de um Bem Imóvel
Do ponto de vista geral e pela definição – item 3.1.4 da ABNT NBR -14.653 - 1: a avaliação de bens, de
seus frutos e direitos, consiste na
”análise técnica para identificar valores, custos ou indicadores de viabilidade econômica, para um
determinado objetivo, finalidade e data, consideradas determinadas premissas, ressalvas e
condições limitantes”
Sendo que:
“3.1.7 bem coisa que tem valor, suscetível de utilização ou que pode ser objeto de direito, que integra
um patrimônio
3.1.7.1 bem tangível - bem identificado materialmente (por exemplo, imóveis, equipamentos,
matérias-primas)
3.1.7.2 bem intangível - bem não identificado materialmente (por exemplo, fundo de comércio,
marcas e patentes)”
A seguir são destacadas algumas definições contidas no 3 da ABNT 14.653-1

3.1.2 amostra
conjunto de dados representativos de uma população
3.1.3 amostragem
procedimento utilizado para constituir uma amostra
3.1.12 dado de mercado
elemento ou informação disponível em determinado mercado, com as suas respectivas características
3.1.30 laudo de avaliação
relatório com fundamentação técnica e científica, elaborado por profissional da engenharia de
avaliações, em conformidade com esta ABNT NBR 14653, para avaliar o bem
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
3.1.17 engenharia de avaliações
conjunto de conhecimentos técnico-científicos especializados, aplicados à avaliação de bens por
arquitetos ou engenheiros
3.1.61 vistoria
constatação local, presencial, de fatos e aspectos, mediante observações criteriosas em um bem e nos
elementos e condições que o constituem ou o influenciam
3.1.19 engenharia econômica
conjunto de conhecimentos técnico-científicos especializados, aplicados à análise e avaliação técnico-
econômica de empreendimentos
3.1.20 engenharia legal
parte da engenharia e da arquitetura que atua na interface técnico-legal, envolvendo avaliações e
toda espécie de perícias
7
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
3.2 Itens normativos importantes no processo de avaliação do bem

O processo de avaliação é uma técnica que pode ser desenvolvida com alguns estágios, com algumas
variações, dependendo do tipo de propriedade.
Este processo inicia-se com a identificação do problema, onde são definidos a finalidade, o
objetivo e identificação do bem, conceituados no item 6 Atividades Básicas da ABNT NBR 4653-1:2019,
aspectos fundamentais no desenvolvimento do Laudo de Avaliação, reproduzidos a seguir.
“6 Atividades básicas
Aspectos essenciais a serem esclarecidos previamente ao desenvolvimento da avaliação, entre outros:
a) finalidade: locação, arrendamento, comodato, aquisição, doação, alienação, dação em pagamento,
permuta, garantia, fins contábeis, seguro, arrematação, adjudicação, indenização, tributação e
outros;
b) objetivo: valor de mercado de compra e venda ou de locação; outros valores, como valor em risco,
valor patrimonial, valor econômico, custo de reedição, valor de liquidação forçada, valor de
desmonte; indicadores de viabilidade e outros;
c) prazo-limite para apresentação do laudo;
d) expectativa em relação ao grau de fundamentação;
e) forma de apresentação;
f) condições a serem observadas, no caso de laudos de uso restrito.
6.1 Requisição da documentação

Cabe ao profissional da engenharia de avaliações solicitar ao contratante ou interessado o
fornecimento da documentação relativa ao bem, para realização do trabalho.
Não é de responsabilidade do profissional da engenharia de avaliações analisar a legitimidade da
documentação jurídica do bem nem a realização de estudos, auditorias, exames, medições e inspeções
prévias para o desenvolvimento da avaliação.
6.2 Conhecimento da documentação

6.2.1 Convém que, ao iniciar o procedimento de avaliação, a primeira providência do profissional
da engenharia de avaliações seja tomar conhecimento da documentação disponível.
6.2.2 Na impossibilidade de o contratante ou interessado fornecer toda a documentação necessária
ou esclarecer eventuais incoerências, o profissional da engenharia de avaliações deve julgar
sobre a possibilidade de elaborar a avaliação. Em caso positivo, deve deixar claramente
expressas as ressalvas relativas à insuficiência ou incoerência da informação, bem como os
pressupostos assumidos em função dessas condições.
6.3 Vistoria do bem avaliando

6.3.1 A vistoria é atividade essencial para o processo avaliatório.
6.3.1.1 Em casos excepcionais, quando essa atividade for impossível ou inviável, admite-se a
adoção de uma situação-paradigma, desde que acordada entre as partes e explicitada no laudo,
observadas prescrições específicas descritas em 6.9 desta parte 1 e das demais partes desta Norma.
6.3.2 A vistoria deve ser efetuada pelo profissional da engenharia de avaliações com o objetivo de
conhecer e caracterizar o bem avaliando, daí resultando informações essenciais para a
respectiva avaliação.
6.3.3 Recomenda-se que a vistoria seja realizada pelo responsável técnico pela avaliação.
6.3.4 Convém registrar as características físicas, de localização e de utilização do bem.
6.3.5 O conhecimento de estudos, projetos ou perspectivas tecnológicas que possam afetar o valor
do bem avaliando deve ser explicitado e suas consequências apreciadas.”
9
O processo prossegue com o levantamento preliminar do mercado sob análise, que tem por
objetivo reunir dados de mercado.
6.4 Coleta de dados

Convém que seja planejada com antecedência, tendo em vista: as características do bem
avaliando, disponibilidade de recursos, informações e pesquisas anteriores, plantas e
documentos, prazo de execução dos serviços, enfim, tudo que possa esclarecer aspectos
relevantes para a avaliação.
6.4.1 Aspectos quantitativos
Convém buscar a maior quantidade possível de dados de mercado, com atributos comparáveis aos
do bem avaliando.
6.4.2 Aspectos qualitativos
Na fase de coleta de dados convém:
buscar dados de mercado com atributos mais semelhantes possíveis aos do bem avaliando;
identificar e diversificar as fontes de informação, sendo que as informações devem ser cruzadas,
tanto quanto possível, com objetivo de aumentar a confiabilidade dos dados de mercado;
identificar e descrever as características relevantes dos dados de mercado coletados;
buscar dados de mercado de preferência contemporâneos com a data de referência da avaliação.
6.4.3 Coleta de dados de mercado
Na coleta de dados de mercado relativos a ofertas, convém buscar informações sobre o tempo de
exposição no mercado e, no caso de transações, verificar a forma de pagamento praticada e a data
em que ocorreram.
6.5 Diagnóstico do mercado

O profissional, conforme o tipo de bem, as condições de contratação, o método empregado e a
finalidade da avaliação, pode tecer considerações sobre o mercado do bem avaliando, de forma a
indicar, tanto quanto possível, a estrutura, a conduta e o desempenho do mercado.
6.6 Resultado da avaliação

6.6.1 Arredondamento
Permite-se arredondar o resultado da avaliação, bem como os limites do intervalo de confiança e
do campo de arbítrio, em até 1 %.
6.6.2 Intervalo de valores admissíveis
É o intervalo calculado pelo profissional da engenharia de avaliações, com a utilização de critérios
prescritos nas demais partes desta Norma, dentro do qual a adoção de qualquer valor nele contido,
pelo solicitante do laudo, tem respaldo na avaliação.
6.7 Pressupostos, ressalvas e condições limitantes
No caso de adoção de situação-paradigma (hipotética ou virtual) para a avaliação de um bem,

esta deve ser devidamente caracterizada e o profissional da engenharia de avaliações deve
esclarecer as fontes e os pressupostos admitidos, com a consignação na conclusão do laudo de que
o resultado só é válido para essa situação.
Prescrições específicas sobre máquinas e complexos industriais, bem como sobre avaliações de
unidades padronizadas por amostragem, devem ser consultadas nas respectivas partes desta
Norma.
10
Exemplos de avaliação em situação-paradigma:

hipotética: avaliação de imóvel não vistoriado internamente e avaliação de terreno sem a
consideração das benfeitorias existentes;
virtual: avaliação de imóvel ou empreendimento ainda em fase de projeto ou construção,
considerado na condição de pronto, e avaliação de imóvel cujas benfeitorias foram modificadas
ou destruídas.
Sempre que o profissional da engenharia de avaliações presumir e assumir situações ou fatos que
possam afetar a escolha da abordagem ou o resultado do trabalho, deve deixar claramente
expressos no laudo de avaliação os pressupostos considerados, bem como as ressalvas e condições
limitantes.
Os pressupostos, ressalvas e condições limitantes estão, muitas vezes, ligados a restrições e
limitações do profissional da engenharia de avaliações em desenvolver investigações mais
profundas ou em obter os esclarecimentos necessários.
São exemplos de pressupostos, ressalvas e condições limitantes: idoneidade das fontes de
informações, adoção de uma área específica no caso de informações divergentes, não exame de
condições dominiais, não exame de passivos ambientais sobre imóveis, não exame de vícios
ocultos, não verificação de medidas, impossibilidade de vistoria, entre outros.
O processo continua com a análise dos dados, quando deve ser selecionada a metodologia
de avaliação, com objetivo de determinar o valor mais provável da propriedade. Nesta etapa,
destacam-se os Procedimentos Metodológicos e os métodos avaliatórios definidos na Seção 7 da
ABNT NBR 14653-1:2019 - Avaliação de bens - Parte 1:
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
7.2 Métodos para identificar o valor de um bem, de seus frutos e direitos

7.2.1 Método comparativo direto de dados de mercado
Identifica o valor de mercado do bem por meio de tratamento técnico dos atributos dos elementos
comparáveis, constituintes da amostra.
Na aplicação deste método para a avaliação imobiliária, 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.
7.2.2 Método involutivo

Identifica o valor do bem, alicerçado no seu aproveitamento eficiente, baseado em modelo de
estudo de viabilidade técnico-econômica, mediante hipotético empreendimento compatível com
as características do bem e com as condições do mercado no qual está inserido, considerando-se
cenários viáveis para execução e comercialização do produto. O método involutivo pode identificar
o valor de mercado. No caso da utilização de premissas especiais, o resultado é um valor especial.
7.2.3 Método evolutivo

Identifica o valor do bem pelo somatório dos valores de seus componentes. Caso a finalidade seja
a identificação do valor de mercado, deve ser considerado o fator de comercialização.
7.2.4 Método da capitalização da renda

Identifica o valor do bem, com base na capitalização presente da sua renda líquida prevista,
considerando-se cenários viáveis. O método da capitalização da renda pode identificar o valor de
mercado. No caso da utilização de premissas especiais, o resultado é um valor especial.
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
4.1 Avaliação pelo Método Comparativo de Dados de Mercado

O Método Comparativo Direto de Dados de Mercado é aquele que define o valor através da
comparação com os preços de bens similares, que foram transacionados (vendidos, locados, etc...)
recentemente, ou estão ofertados. As particularidades dos dados pesquisados que exercem influência
na formação dos preços deverão ser ponderadas através de ajustes, ou pelo Tratamento por Fatores
(Homogeneização) ou através de Tratamento Científico (inferência Estatística).
4.1.1. A Prática da Pesquisa
Na utilização do Processo Comparativo busca-se um valor representativo para a população de imóveis
semelhantes àquele que se pretende avaliar. Como a população é, normalmente, inacessível na sua
totalidade, utiliza-se uma amostra, cujo valor médio fornece estimativas do valor médio populacional.
É evidente que, quanto mais homogênea a população investigada, mais homogênea será amostra,
sendo provável que esta contenha dados com valores próximos à média aritmética.
Entretanto, para previsão do valor de mercado de um imóvel, pelo Processo Comparativo, o
pesquisador enfrenta dificuldades significativas, pelo fato de ser muito heterogêneo, e o resultado da
pesquisa imobiliária é a obtenção de amostras heterogêneas, consequência do próprio fato de que o
mercado brasileiro não se faz através de imóveis padronizados, e sim diferenciado em função,
principalmente, de fenômenos culturais, locacionais e socioeconômicos.
Preços unitários homogêneos (difícil na prática), indicam que, à priori, devem existir poucos
atributos influenciantes na formação dos preços. Neste caso, a avaliação poderá ser feita a partir
da média dos preços coletados no mercado, ou se necessário, utilizando-se fatores de ajustes
com pouca influência.
Preços unitários heterogêneos indicam a possibilidade de haver um ou mais atributos que estão
influenciando na formação dos preços deste mercado. Parte-se então para a identificação destes
atributos. No início da pesquisa, é necessário um pré-estudo identificando inicialmente que
variáveis possam influenciar os preços, mas, em muitos casos, a identificação de certos atributos
só será possível durante contatos com os agentes do mercado.
A aplicação adequada do método comparativo está fundamentada na metodologia da pesquisa
científica, que se desenvolve através das seguintes fases:
1 - Preparação da pesquisa:
2 - Trabalho de campo;
3 - Processamento e análise dos dados:
4 - Interpretação e explicação dos resultados;
5 - Redação do laudo avaliatório.
Portanto, a pesquisa abrange todo o processo avaliatório. Neste curso apresentam-se alguns conceitos
básicos.
13
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.
Trabalho de campo - Levantamento de dados de mercado

O trabalho de campo é uma das mais importantes fases do processo avaliatório. Nesta etapa, o
profissional da engenharia de avaliações investiga o mercado imobiliário e coleta dados e informações
que servirão de base para a avaliação.
O levantamento de dados tem como objetivo a obtenção de uma amostra representativa para explicar
o comportamento do mercado no qual o imóvel avaliando esteja inserido e constitui a base do
processo avaliatório.
Nesta etapa o profissional da engenharia de avaliações investiga o mercado, coleta dados e
informações confiáveis preferentemente a respeito de negociações realizadas e ofertas,
contemporâneas à data de referência da avaliação, com suas principais características econômicas,
físicas e de localização.
O levantamento dos elementos pode ser feito, utilizando-se principalmente:
• no próprio local, com identificação do informante, tais como: placas anunciantes, porteiros e
zeladores de apartamentos, proprietários:
• sites de internet;
• empresas Imobiliárias; corretores especializados;
• anúncios de Jornais;
14
• cartórios de Registro Geral de Imóveis;

Todas estas fontes devem ser vistas com sua devida cautela. Um cuidado particular deve ser observado
quando se tomar como referência dados de cartórios, pois nem sempre o valor constante numa
escritura de compra e venda é o efetivamente negociado. Assim. torna-se necessário verificar junto a
um dos participantes da operação, o valor real da transação e confrontar suas informações com outras.
Na entrevista com corretores de imóveis ou ofertantes, cuidar para não receber informações
distorcidas. Informações de sites de internet, atualmente são importantes indicadores quanto à
exposição de imóveis no mercado e podem auxiliar nas investigações. Pode ser necessária a visita aos
principais elementos tomados como referência, como forma de verificar todas as informações de
interesse. Na própria visita ao campo, muitas vezes consegue-se referências importantes com
moradores da própria região, ou pela verificação de placas indicativas da manifestação de
comercializar o bem.
É importante, também, que os dados coletados sejam de forma diversas, buscando o lado mais
qualitativo do que quantitativo na composição da amostra, como forma das informações serem
cruzadas, o que aumentará a confiabilidade dos dados levantados.
Os dados de oferta são indicações importantes do valor de mercado. Entretanto, devem-se considerar
superestimativas que em geral acompanham esses preços e, sempre que possível, quantificá-las pelo
confronto com dados de transações.
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).
15
Identificação das variáveis do modelo (item 8.2.1.2 da ABNT NBR 14653-2)

As variáveis, em avaliações de imóveis, são as características ou informações que descrevem o imóvel
e contribuem para a formação de seu valor. Na análise de regressão múltipla, as variáveis se dividem
em dependentes (ou explicada) e independentes (ou explicativas).
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.
16
Por definição da ABNT-NBR 14653-2:
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.
3.74 variáveis quantitativas: variáveis que podem ser medidas ou contadas
3.76 variáveis dicotômicas: variável que assume apenas duas posições

As variáveis dicotômicas também são conhecidas na literatura como variáveis binárias, “dummies”, “de estado”,
“zero-um” e outros termos.
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.
Tratamento de dados (ITEM 8.2.1.4 ABNT NBR-14.653-2):

É recomendável, preliminarmente, a sumarização das informações obtidas sob a forma de gráficos que
mostrem as distribuições de frequência para cada uma das variáveis, bem como as relações entre elas.
Nesta etapa, verificam-se o equilíbrio da amostra, a influência das variáveis que presumivelmente
expliquem a variação dos preços a forma dessa variação, possíveis dependências entre elas,
identificação de pontos atípicos, entre outros. Assim, podem-se confrontar as respostas obtidas no
mercado com as crenças a priori do profissional da engenharia de avaliações , bem como permitir a
formulação de novas hipóteses.
No tratamento dos dados podem ser utilizados, alternativamente e em função da qualidade e da
quantidade de dados e informações disponíveis:
• tratamento por fatores
• tratamento científico (foco deste curso)
Deve-se levar em conta que qualquer modelo é uma representação simplificada do mercado, uma vez
que não considera todas as suas informações.
17
Pelo ITEM 8.2.1.4 ABNT NBR-14.653-2, é obrigatória validação do modelo:

O poder de predição do modelo deve ser verificado a partir do gráfico de preços observados na
abscissa versus valores estimados pelo modelo na ordenada, que deve apresentar pontos
próximos da bissetriz do primeiro quadrante. Alternativamente, podem ser utilizados
procedimentos de validação.
Nota explicativa: Bissetriz do primeiro quadrante

Sabendo que y=x, o gráfico dessa função passa pelos pontos (0,0) e (1,1).
Sejam A=(0,0), B=(1,0), C=(1,1), D=(0,1) e q o ângulo que a reta y=x forma com o eixo x,
conforme o gráfico:
Temos:
Logo a reta y=x contém as bissetrizes do 1° (e do 3°) quadrantes.
A qualidade da amostra deve estar assegurada quanto a:

a) correta identificação dos dados de mercado, com especificação e quantificação das principais
variáveis levantadas, mesmo aquelas não utilizadas no modelo;
b) isenção das fontes de informação;
c) identificação das fontes de informação, observada a exceção contida em 8.2.1.3.3;
d) número de dados de mercado efetivamente utilizados, de acordo com o grau de fundamentação;
e) sua semelhança com o imóvel objeto da avaliação, no que diz respeito à sua situação, à destinação,
ao grau de aproveitamento e às características físicas; diferenças relevantes perante o avaliando,
devem ser tratadas adequadamente nos modelos adotados;
f) inserção de mais de um tipo de agrupamento no mesmo modelo. Nestes casos, o profissional da
engenharia de avaliações deve se certificar de ter contemplado as diferenças significativas entre
esses grupos, sendo obrigatória a verificação da influência das interações entre as variáveis.
Recomenda-se a inclusão dos endereços completos dos dados de mercado.
18
Tratamento científico (item 8.2.1.4.3 ABNT NBR-14.653-2)

Quaisquer que sejam os modelos utilizados para inferir o comportamento do mercado e formação de
valores, seus pressupostos devem ser devidamente explicitados e testados. Quando necessário, devem
ser intentadas medidas corretivas, com repercussão na classificação dos graus de fundamentação e
precisão.
Outras ferramentas analíticas para a indução do comportamento do mercado, consideradas de

interesse pelo profissional da engenharia de avaliações , tais como regressão espacial, análise
envoltória de dados e redes neurais artificiais, podem ser aplicadas, desde que devidamente
justificadas do ponto de vista teórico e prático, com a inclusão de validação, quando pertinente.
Os Anexos C, D e E apresentam de forma resumida as características e fundamentos básicos dessas
ferramentas analíticas, em caráter informativo, visando sua difusão para o desenvolvimento técnico
da engenharia de avaliações.
No caso de utilização de modelos de regressão linear, deve ser observado o Anexo A (reproduzido
nesta apostila)
Destaque para o item 8.2.1.5 da Norma quanto ao Campo de arbítrio

8.2.1.5.1 O campo de arbítrio definido em 3.8 da ABNT NBR 14653-1:2001 é o intervalo com amplitude
de 15%, para mais e para menos, em torno da estimativa de tendência central utilizada na avaliação.
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.
19
Especificação das avaliações

ABNT 4-653-1:2019 (seção 9)
“A especificação é resultante do prazo demandado, dos recursos despendidos, bem como da
disponibilidade de dados de mercado, da metodologia e da natureza do tratamento a ser empregado.
As avaliações podem ser especificadas quanto à fundamentação e precisão.
A fundamentação é função do aprofundamento do trabalho avaliatório, com o envolvimento da
seleção da metodologia em razão da confiabilidade, qualidade e quantidade dos dados disponíveis.
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.
A precisão é estabelecida quando for possível medir o grau de certeza e o nível de erro tolerável em
uma avaliação. Depende da natureza do bem, do objetivo da avaliação, da conjuntura de mercado,
da abrangência alcançada na coleta de dados (quantidade, qualidade e natureza), da metodologia e
dos instrumentos utilizados.
Os graus de fundamentação e de precisão nas avaliações são definidos nas demais Partes desta
Norma, guardado o critério geral de atribuir graus em ordem numérica e crescente, onde o grau I é o
menor e o grau III é o maior.”
9- Especificação (de acordo com ABNT NBR-14.653-2 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.
20
9.2 Métodos comparativo direto de dados de mercado

9.2.1 O grau de fundamentação, no caso de utilização de modelos de regressão linear, deve ser
determinado conforme a Tabela 1, observando de 9.1 a 9.2.
Tabela 1 — Grau de fundamentação no caso de utilização de modelos de regressão linear
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)
máximo admitido para a
6 rejeição da hipótese nula 1% 2% 5%
do modelo através do
teste F de Snedecor
21
9.2.1.1 Para atingir o grau III, são obrigatórias:

a) apresentação do laudo na modalidade completa;
b) apresentação da análise do modelo no laudo de avaliação, com a verificação da coerência do
comportamento da variação das variáveis em relação ao mercado, bem como suas elasticidades
em torno do ponto de estimação.
c)identificação completa dos endereços dos dados de mercado usados no modelo, bem como das
fontes de informação;
d)adoção da estimativa de tendência central.
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).
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.
22
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.
Tabela 2 — 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 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
9.2.2 Grau de precisão conforme a Tabela 5.

Tabela 5 — Grau de precisão nos casos de utilização de modelos de regressão linear ou do tratamento
por fatores
Grau
Descrição
III II I
Amplitude do intervalo de confiança de 80 %
 30 %  40 %  50 %
em torno da estimativa de tendência central
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.
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.
23
Apresentação do laudo de avaliação (item 10 – ABNT NBR 14653-2)
10.1 Laudo de avaliação completo

O laudo de avaliação completo deve conter no mínimo os seguintes itens:
a) identificação do solicitante;
b) finalidade do laudo, quando informado pelo solicitante;
c) objetivo da avaliação;
d) pressupostos, ressalvas e fatores limitantes- atender ao disposto em 7.2 da NBR 14653-1:2001;
e) identificação e caracterização do imóvel avaliando – atender ao disposto em 7.3 da ABNT NBR
14653-1:2001, no que couber;
f) diagnóstico do mercado – relatar conforme 7.7.2 da ABNT NBR 14653-1:2001;
g) indicação do(s) método(s) e procedimento(s) utilizado(s) relatar conforme Seção 8 NBR 14653-1;
h) especificação da avaliação - indicar a especificação atingida, com relação aos graus de
fundamentação e precisão, conforme Seção 9. Quando solicitado pelo contratante, deve ser
apresentado demonstrativo da pontuação atingida;
i) planilha dos dados utilizados;
j) no caso de utilização do método comparativo direto de dados de mercado, descrição das variáveis
do modelo, com a definição do critério de enquadramento de cada uma das características dos
elementos amostrais. A escala utilizada para definir as diferenças qualitativas deve ser especificada de
modo a fundamentar o correto agrupamento dos dados de mercado;
k) tratamento dos dados e identificação do resultado - Explicitar os cálculos efetuados, o campo de
arbítrio, se for o caso, e justificativas para o resultado adotado. No caso de utilização do método
comparativo direto de dados de mercado, deve ser apresentado o gráfico de preços observados versus
valores estimados pelo modelo, conforme 8.2.1.4.1;
l) resultado da avaliação e sua data de referência;
m) qualificação legal completa e assinatura do(s) profissional(is) responsável(is) pela avaliação.
10.2 Laudo de avaliação simplificado
O laudo de avaliação simplificado deve atender no mínimo, de forma resumida, aos itens, 10.1 a)
até 10.1 h) e 10.1.k), desta Parte 2.
10.3 Anexos
Para a identificação do valor de mercado, podem ser incluídos, de acordo com o grau de
fundamentação, os seguintes anexos: documentação dominial, fotografias do imóvel avaliando,
plantas, identificação dos dados de mercado, memória de cálculo ou relatórios originais dos programas
computacionais utilizados.
24
Anexo A(reprodução na íntegra da NBR 14653-2)

Procedimentos para a utilização de modelos de regressão linear
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:
– efeitos de variáveis não detectadas e de variáveis irrelevantes não incluídas no modelo;

– imperfeições acidentais de observação ou de medida;
– variações do comportamento humano, como habilidades diversas de negociação, desejos,
necessidades, compulsões, caprichos, ansiedades, diferenças de poder aquisitivo,
diferenças culturais, entre outros
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.
A.2 Pressupostos básicos
Ressalta-se a necessidade, quando se usam modelos de regressão, de observar os seus

pressupostos básicos, apresentados a seguir, principalmente no que concerne à sua
especificação, normalidade, homocedasticidadede, não-multicolinearidade, não-
autocorrelação, independência e inexistência de pontos atípicos, com o objetivo de obter
avaliações não tendenciosas, eficientes e consistentes, em especial as seguintes:
para evitar a micronumerosidade, o número mínimo de dados efetivamente utilizados (n) no

modelo deve obedecer aos seguintes critérios, com respeito ao número de variáveis
independentes (k):
n  3 (k + 1)
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;
25
os erros são não autocorrelacionados, isto é, são independentes sob a condição de

normalidade;
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;2
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.
A.2.1 Verificação dos pressupostos do modelo
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.
26
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
O exame da autocorrelação deve ser precedido pelo pré-ordenamento dos elementos

amostrais, em relação aos valores ajustados e, se for o caso, às variáveis independentes
possivelmente causadoras do problema.
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 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.
A.2.1.6 Pontos influenciantes ou “outliers”
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 Testes de significância
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.
27
A.4 Poder de explicação

Em uma mesma amostra, a explicação do modelo pode ser aferida pelo seu coeficiente de
determinação. Devido ao fato de que este coeficiente sempre cresce com o aumento do
número de variáveis independentes e não leva em conta o número de graus de liberdade
perdidos a cada parâmetro estimado, deve-se considerar o coeficiente de determinação
ajustado.
A.5 Variáveis dicotômicas

Toda variável que possa assumir apenas dois valores deve ser tratada como variável
dicotômica, vedada a extrapolação ou interpolação nessa situação.
É usual a variável dicotômica assumir os valores 0 e 1.
A.6 Códigos alocados

Os critérios da construção dos códigos alocados devem ser explicitados, com a descrição
necessária e suficiente de cada código adotado, de forma a permitir o claro enquadramento
dos dados de mercado e do imóvel avaliando e assegurar que todos os elementos de
mesma característica estejam agrupados no mesmo item da escala.
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. Não é necessário que a amostra contenha dados de mercado em cada uma
das posições da escala construída.
Recomenda-se a utilização prévia da análise de agrupamento de dados para a construção
dos códigos alocados.
É vedada a extrapolação de variáveis expressas por códigos alocados.
A.7 Códigos ajustados

Admite-se que os códigos sejam extraídos da amostra por meio de modelo de regressão com
a utilização de variáveis dicotômicas, desde que haja pelo menos três dados por característica.
É vedada a extrapolação ou a interpolação de variáveis expressas por códigos ajustados.
A.8 Diferentes agrupamentos

No caso de utilização no mesmo modelo de regressão de diferentes agrupamentos (tipologia,
mercados, localização, usos etc.), recomenda-se verificar a independência entre os
agrupamentos, entre as variáveis utilizadas e possíveis interações entre elas.
A.9 Apresentação do modelo

A variável dependente no modelo de regressão deve ser apresentada no laudo na forma
não transformada.
28
A.10 Avaliação intervalar
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.
A.10.1.1 Quando for adotada a estimativa de tendência central, o intervalo de valores

admissíveis deve estar limitado simultaneamente (ver Figura A.1):
a) ao intervalo de predição ou ao intervalo de confiança de 80 % para a estimativa de
tendência central3;
b) ao campo de arbítrio.
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.
Figura A.2 ─ Valores admissíveis quando for adotado o valor arbitrado
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
preços, utiliza-se o intervalo de predição.
29
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:
1o) o valor central ou mais típico do conjunto

2o) a dispersão dos números
2.1.1- Medidas de Tendência Central
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.
A média A média de um conjunto de valores é o valor obtido somando-se todos eles e

dividindo-se o total pelo número de casos, ou seja
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.
A moda A moda de um conjunto de dados é o evento ou categoria de eventos que

ocorre com maior frequência, indicando o valor ou categoria mais provável. Quando dois
valores ocorrem com a mesma frequência máxima, cada um deles é uma moda, e o conjunto
se diz bimodal; se mais de dois valores, o conjunto é multimodal.
30
Sequem alguns exemplos:

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

As diversas medidas de tendência central têm diferentes vantagens e desvantagens, algumas
das quais resumidas na tabela abaixo. Uma vantagem importante da média é que leva em
conta todos os valores, mas a grande desvantagem é que às vezes pode ser seriamente
afetada por valores extremos.
Leva em conta Afetada pelos
Definição todos os valores Vantagens
valores? extremos?
Soma dos valores Funciona bem com
Média dividido pelo número de Sim Sim muitos métodos
valores estatísticos
Costuma ser boa
Mediana Valor do meio Não Não escolha se há alguns
valores extremos
Apropriada para
Moda Valor mais frequente Não Não
dados de nível nominal
Assimetria
Em distribuições de freqüência que refletem uma distribuição de probabilidade mais simétrica,

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

MODA MODA MÉDIA
MEDIANA
MEDIANA MEDIANA
Negativamente Assimétrica: a Simétrica: a Média, a Moda Positivamente Assimétrica:
Média e a Mediana estão à e a Mediana coincidem a Média e a Mediana estão à
esquerda da Moda . Fig. 2 - Assimetria direita da Moda .
31
2.1.2 - Medidas de dispersão (ou variação)

Para descrever adequadamente um conjunto de dados, além da informação quanto ao
“meio” de um conjunto de números, é conveniente dispor também de um método que
permita exprimir a dispersão em torno da média, ou seja, da maior ou menor variabilidade
dos resultados obtidos. As medidas de dispersão (ou variação) indicam se os valores estão
relativamente próximos um dos outros, ou separados. Elas permitem se identificar até que
ponto os resultados se concentram ou não ao redor da tendência central de um conjunto de
observações.
.. ..... .... .. . . . .. . . . .
Grande dispersão: valores mais dispersos têm maior
Pequena dispersão: números relativamente próximos medida de variação.
uns dos outros têm baixas medidas de variação
Fig. 3 - Dispersão
Basicamente, os índices de dispersão expressam diferentes formas de se quantificar a
tendência que os resultados de um experimento aleatório 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
A amplitude de um conjunto de dados é a diferença entre o maior e o menor valor observado

para a variável aleatória, servindo para caracterizar a abrangência do estudo. Para calculá-
la, basta subtrair o menor valor do maior. Geralmente não é calculada, mas é costumeiro
mostrar o valor mínimo e o valor máximo da amostra. A utilidade da amplitude é bastante
limitada pelo fato de só levar em conta os dois valores extremos de um conjunto, nada
informando quanto aos outros valores.
Desvio padrão e variância
De um modo geral, o desvio padrão é a mais importante medida de variação de valores e

desempenha papel relevante em toda estatística. Ao contrário da amplitude, leva em conta
todos os valores. Ao medir a variação em um conjunto de dados amostrais, é razoável
começar pelo desvio médio, que é a média dos valores absolutos das diferenças entre cada
dado e a média do conjunto. Entretanto a soma de todos esses valores (por serem negativos
e positivos) é sempre zero. Para se obter uma estatística que realmente meça a variação,
toma-se, então, a soma desses valores absolutos (todos positivos). Determinando a média
deste somatório, tem-se o desvio médio, dado pela seguinte expressão:
 x−x O desvio médio absoluto de um conjunto de

DesvioMédio =
n números é a média dos desvios dos valores a contar
da média, ignorando-se o sinal de diferença.
Fornece a diferença entre uma medida isolada e a
média da amostra.
32
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
O desvio padrão é simplesmente a raiz quadrada positiva da variância:
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.
Ou, ainda, pode-se calcular desvio padrão pela fórmula:
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.
2.2.1 – Distribuições de frequências

distribuição de probabilidade (Lei dos
É o conjunto das frequências relativas
Grandes Números).
observadas para um dado fenômeno
estudado, sendo a sua representação
gráfica o Histograma (diagrama onde o
eixo horizontal representa faixas de valores
da variável aleatória e o eixo vertical
representa a frequência relativa). Quanto
maior o tamanho da amostra, mais a
distribuição de frequência tende para a
Fig. 4 - Distribuição de Freqüências
33
A identificação de uma distribuição de

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

Os valores das variáveis aleatórios só são conhecidos após a realização de um experimento e
nem todos os valores são igualmente prováveis: portanto as afirmações sobre certos valores são
probabilísticos, especificados através de uma distribuição de probabilidade.
Quando se relacionam os valores de uma variável aleatória discreta com sua probabilidade de
ocorrência, o resultados é um função densidade de probabilidade: para a variável aleatória
discreta X, o valor da função densidade de probabilidade f(x) é a probabilidade de a variável
aleatória X tomar o valor de x , f (x)= P (X=x).
Para a variável aleatória contínua Y, a função de densidade de probabilidade f(y) pode ser
representada por uma equação, descrita graficamente por uma curva. No caso das variáveis
contínuas, a 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.
A área total sob a função de densidade de probabilidade 1, e a probabilidade de Y tomar o valor

do intervalo [a,b] ou P [a  Y  b] é a área sob a função densidade entre os valores y=a e y = b.
Uma distribuição de probabilidades é uma distribuição de frequências para os resultados de um
espaço amostral. A essência da análise estatística é confrontar as hipóteses de uma distribuição
de probabilidades com as especificações de determinado problema. Há uma variedade de tipos
de distribuição de probabilidades na estatística, tendo cada um seu próprio conjunto de
hipóteses que definem as condições sob as quais o tipo de distribuição pode ser utilizado. A mais
importante e que será abordada a seguir, por ser extensamente usada em problemas de
inferência é a distribuição normal.
2.2.4- Distribuição Normal
34
O conhecimento desta distribuição de probabilidades se deve a Abraham de Moivre (1667-1754)

que, em 1733, apresentou a função que a representa. Tratava-se até então de um exercício
teórico, sem aplicação prática. J. Bernoulli (1654-1705) acreditava que poderia haver aplicação
na área da economia, no entanto, o uso desses conhecimentos na prática se deve a Pierre-Simon
Laplace (1749-1827) na França e a Johan K. F. Gauss (1777-1855) na Alemanha.
O nome “Curva de Gauss” se deve à suposição que Gauss tivesse sido a primeira pessoa a fazer
uso de suas propriedades; no entanto, em 1924, Karl Pearson reafirmou o papel fundamental de
Abraham de Moivre.
O gráfico de uma distribuição normal se assemelha à forma de sino. A curva se prolonga em
qualquer das direções a partir da média, tendendo ao eixo horizontal à medida que aumenta a
distância, mas nunca toca o eixo.
Esta curva é definida por dois parâmetros: sua média (µ) e sua variância (ó 2). Dessa forma são
possíveis infinitas curvas normais, ora variando a média, ora a sua variância.
Suas principais características são:
- A variável x pode assumir qualquer valor real (- a +)
- Os valores de y são assintóticos em relação ao eixo das abscissas, isto é, nunca tocam o eixo de x.
- A curva é simétrica e unimodal, apresentando um ponto de inflexão à esquerda (x = µ - 1ó) e outro à
direita (x = µ +1ó).
Como se trata de distribuição de probabilidade contínua, a área que fica entre a curva e o eixo
das abscissas representa a probabilidade. A probabilidade de ocorrer um evento entre os pontos
a e b é calculada pela integral definida da função entre os pontos a e b, representada pela área
no gráfico
Fig. 07– Curva de Probabilidade Normal
2.2.5-A tabela normal padronizada
Curvas normais, com qualquer µ e ó, podem ser transformadas em uma normal muito especial
que tem média 0 (µ = 0) e desvio padrão 1 (ó = 1). Esta curva normal com média 0 e desvio
padrão 1 é conhecida como 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.
35
Regra básica para qualquer função de probabilidade:

Total da área embaixo da curva = 1.00 ou P(-  < Zi < + ) = 1.0
P(...) SIGNIFICA PROBABILIDADE e f(Z) é a função de densidade.

DISTRIBUICAO NORMAL
f(Z)
DESVIOS PADRAO
1900ral 1900ral 1900ral 1900ral 1900ral
Fig. 8– Distribuição normal
A tabela da página seguinte dá a probabilidade de ocorrência de um evento entre 0 e z.
Na margem esquerda temos o valor de z com uma decimal e, se necessitamos considerar a

segunda decimal, a procuramos na margem superior. No interior obtemos as probabilidades.
Para calcular a probabilidade de z entre 0 e 1, procuramos na margem esquerda a linha que
tem z = 1,0 e a coluna 0,00 e encontramos o valor 0,3413. Isto significa que a probabilidade de
encontrar um valor de x entre a média zero e z=1,0 é 0,3413 ou 34,13%. Para se obter a
probabilidade de z entre 0 e 1,64, procuramos a célula cuja linha é 1,6 e coluna 0,06 o que
resulta o valor 0,8990 ou 89,90%, ou seja:
ÁREA ENTRE 1 e –1 DESV. PADRÃO = 68,27% P(- 1 < Zi < + 1) = 0.6827

ÁREA ENTRE 1,64 e –1,64 DESV. PADRÃO = 89,90% P(- 1,64 < Zi < + 1,64) = 0.8990
ÁREA ENTRE 1,96 e –1,96 DESV. PADRÃO = 95% P(- 1,96 < Zi < + 1,96) = 0.9500
-1,96δ -1,64δ -1δ 0 +1δ +1,64δ +1,96δ

68%
89,90%
95,0%
Fig. 9 – Área sob a curva normal a 1, 2, e 3 desvios padrões a contar de cada lado da média.
36
Tabela 1 -Curva Normal (p = área entre 0 e z)
segunda casa decimal
z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359
0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0753
0.2 0.0793 0.0832 0.0871 0.0910 0.0948 0.0987 0.1026 0.1064 0.1103 0.1141
0.3 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.1480 0.1517
0.4 0.1554 0.1591 0.1628 0.1664 0.1700 0.1736 0.1772 0.1808 0.1844 0.1879
0.5 0.1915 0.1950 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2190 0.2224
0.6 0.2257 0.2291 0.2324 0.2357 0.2389 0.2422 0.2454 0.2486 0.2517 0.2549
0.7 0.2580 0.2611 0.2642 0.2673 0.2704 0.2734 0.2764 0.2794 0.2823 0.2852
0.8 0.2881 0.2910 0.2939 0.2967 0.2995 0.3023 0.3051 0.3078 0.3106 0.3133
0.9 0.3159 0.3186 0.3212 0.3238 0.3264 0.3289 0.3315 0.3340 0.3365 0.3389
1.0 0.3413 0.3438 0.3461 0.3485 0.3508 0.3531 0.3554 0.3577 0.3599 0.3621
1.1 0.3643 0.3665 0.3686 0.3708 0.3729 0.3749 0.3770 0.3790 0.3810 0.3830
1.2 0.3849 0.3869 0.3888 0.3907 0.3925 0.3944 0.3962 0.3980 0.3997 0.4015
1.3 0.4032 0.4049 0.4066 0.4082 0.4099 0.4115 0.4131 0.4147 0.4162 0.4177
1.4 0.4192 0.4207 0.4222 0.4236 0.4251 0.4265 0.4279 0.4292 0.4306 0.4319
1.5 0.4332 0.4345 0.4357 0.4370 0.4382 0.4394 0.4406 0.4418 0.4429 0.4441
1.6 0.4452 0.4463 0.4474 0.4484 0.4495 0.4505 0.4515 0.4525 0.4535 0.4545
1.7 0.4554 0.4564 0.4573 0.4582 0.4591 0.4599 0.4608 0.4616 0.4625 0.4633
1.8 0.4641 0.4649 0.4656 0.4664 0.4671 0.4678 0.4686 0.4693 0.4699 0.4706
1.9 0.4713 0.4719 0.4726 0.4732 0.4738 0.4744 0.4750 0.4756 0.4761 0.4767
2.0 0.4772 0.4778 0.4783 0.4788 0.4793 0.4798 0.4803 0.4808 0.4812 0.4817
2.1 0.4821 0.4826 0.4830 0.4834 0.4838 0.4842 0.4846 0.4850 0.4854 0.4857
2.2 0.4861 0.4864 0.4868 0.4871 0.4875 0.4878 0.4881 0.4884 0.4887 0.4890
2.3 0.4893 0.4896 0.4898 0.4901 0.4904 0.4906 0.4909 0.4911 0.4913 0.4916
2.4 0.4918 0.4920 0.4922 0.4925 0.4927 0.4929 0.4931 0.4932 0.4934 0.4936
2.5 0.4938 0.4940 0.4941 0.4943 0.4945 0.4946 0.4948 0.4949 0.4951 0.4952
2.6 0.4953 0.4955 0.4956 0.4957 0.4959 0.4960 0.4961 0.4962 0.4963 0.4964
2.7 0.4965 0.4966 0.4967 0.4968 0.4969 0.4970 0.4971 0.4972 0.4973 0.4974
2.8 0.4974 0.4975 0.4976 0.4977 0.4977 0.4978 0.4979 0.4979 0.4980 0.4981
2.9 0.4981 0.4982 0.4982 0.4983 0.4984 0.4984 0.4985 0.4985 0.4986 0.4986
3.0 0.4987 0.4987 0.4987 0.4988 0.4988 0.4989 0.4989 0.4989 0.4990 0.4990
37
2.3- Estimação e Testes de Significância
A estimação e os testes de significância são os dois principais pontos da inferência estatística.
2.3.1-Estimação
A estimação envolve a avaliação do valor de algum parâmetro populacional com base em

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

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

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

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

equivalente) de o intervalo de confiança conter o verdadeiro valor do parâmetro
38
populacional. (o grau de confiança é também chamado de nível de confiança, ou

coeficiente de confiança). São escolhas comuns para grau de confiança: 90% (com  = 0,10),
95% (com  = 0,05). Pelas Normas de avaliações de imóveis – conforme comentado adiante,
usa-se intervalo de confiança de 80%.
Um valor crítico é o número na fronteira que separa os valores das estatísticas amostrais
prováveis de ocorrerem, dos valores que têm pouca chance de ocorrer. O número 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.
GRAU DE CONFIANÇA = 95%
α /2 = 0,025 α /2 = 0,025
0,475 z=0 0,475

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

da estimativa Se. Pode referir-se ao valor médio de Y para um dado X, ou então, a um valor
individual esperado de Y. Em ambos os casos o valor esperado é o mesmo, mas o intervalo de
confiança depende do ponto de vista adotado.
−
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:
− Intervalo de Predição para um valor Y

1 (X1i − X)2 individual, soma-se um único termo (1) à
S Yi = se . 1 + +
 X − [(  X)2 /n]
2
n
expressão, ou seja, 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.
39
Dado um valor fixo X0, o intervalo de predição para um determinado Y será:

Ŷ – E <Y< E + Ŷ
Onde a margem de erro E envolve a distribuição t, sendo dado por:
−
1 (X 0 − X) 2
E = t / 2 .s e . +
X − [(  X) 2 /n]
2
n
A distribuição de probabilidade de Yi é do tipo distribuição t com (n-k-1) graus de liberdade,
com média igual a Y e erro padrão igual Si. Portanto, o intervalo de confiança poderá ser
estimado por:
Yi − t ( n − K −1) / 2 .Sy i  Yi  Yi + t ( n − K −1) / 2 .Syi
onde: t é o valor obtido na tabela t de Student e Syi o desvio padrão de X0
O intervalo de confiança pode ser calculado para qualquer valor de X, possibilitando a

construção de uma faixa de confiança para a reta de regressão populacional como um todo.
Quanto maior o número da amostra (n) e quanto mais dispersa for a variável x, menor será o
erro padrão e 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.
O grau de confiança é a probabilidade 1- (comumente expressa como o valor percentual

equivalente) de o intervalo de confiança conter o verdadeiro valor do parâmetro
populacional. (o grau de confiança é também chamado de nível de confiança, ou
coeficiente de confiança). São escolhas comuns para grau de confiança: 90% (com  = 0,10),
95% (com  = 0,05).
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.
40
2.3.2-Testes de Significância (Testes de Hipóteses)
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 segundo passo consiste em identificar a distribuição amostral adequada (normal z, t de

Student, F de Fischer, etc..)
O terceiro passo consiste em escolher um 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.
41
2.3.2.1-Testes unilaterais e testes bilaterais

A distribuição amostral é particionada em uma região que sugere a aceitação de H0 e uma
região (testes unilaterais) ou duas regiões (testes bilaterais que sugerem a rejeição de H0).
A hipótese alternativa, essencialmente, é usada para indicar o aspecto da variação,
podendo ocorrer três casos possíveis:
1 - concentrar em ambas direções
2- concentrar os desvios para baixo
3- concentrar os desvios para cima
Simbolicamente, no caso da jogada de uma moeda, onde: Ho:p=0,50, tem-se:
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
2.3.2.2-Erros tipo I e tipo II
Ao ser testada uma hipótese nula, a conclusão é rejeitá-la ou não rejeitá-la: tais conclusões
ora são corretas, ora são incorretas. Há dois tipos de erros inerentes ao processo de teste de
significância:
- erro Tipo I: 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.
42
Espera-se naturalmente, que Ho seja aceita quando verdadeira e rejeitada quando falsa.
Logo, há 4 resultados possíveis indicados na tabela abaixo e tomada a decisão, ou ela será
correta, ou ocorrerá um tipo de erro, e a decisão (aceitar ou rejeitar) indicará que tipo de erro
é possível.
A Hipótese Nula é
A Hipótese Nula é Falsa
Verdadeira
Decidimos rejeitar a Erro Tipo I (rejeição de uma
Decisão Correta
Hipótese Nula hipótese nula verdadeira)
Decisão
Não rejeitamos a Erro Tipo II (não rejeição
Decisão Correta
Hipótese Nula de uma hipótese nula falsa)
Fig. 13 - Erros Tipo I e Tipo II

A probabilidade de cometer o erro do tipo I, , é mais fácil de ser detectada e pode ser
controlada. Contudo, reduzindo  , aumenta a probabilidade de cometer um erro do tipo II,
.
 é chamado o nível de significância e 1- é o nível de significância do teste.
2.3.2.3-Conclusão quanto aos testes de Hipóteses:
A afirmação original, ou básica, ora se torna a hipótese nula, ora se transforma na hipótese
alternativa. Entretanto, o processo exige que sempre seja testada a hipótese nula e a
conclusão final será sempre uma das seguintes:
1- Não rejeitar a hipótese nula H0;
2- Rejeitar a hipótese nula H0
2.3.3- O método tradicional do Teste de Hipóteses
Este processo consiste em identificar um resultado amostral que é significativamente diferente

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

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

relacionadas com a distribuição normal: a distribuição t e a distribuição F.
43
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.
A forma da distribuição t é similar à normal, conforme mostrado na figura a seguir. A principal

diferença entre as duas distribuições é que a distribuição t tem mais área nas caudas: isto
significa que, para um dado nível de confiança, o valor t será um pouco maior que o
correspondente ao z.
Fig. 14 – Comparação de distribuição normal z e t.
Note-se que a distribuição t tem mais área nas caudas . A partir de 30 dados amostrais, elas
se aproximam.
Para usar a tabela 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:
Sx =  ( x − x )2 Sx = desvio padrão amostral e

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

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

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

Razão F Valor -P
variação de Y Quadrados Liberdade das variações
E = Explicada Significância
pela regressão SQE=r2 K QME=SQE/k F=QME/QMR
obtida da
X1...Xn
Tabela F
R= Residual
não explicada SQR=SQT-SQE n-k-1 QMR=SQR/(n-k-1)
pela regressão
T=Total SQT=(SQE+SQR) TOTAL TOTAL
Ao fazer a análise, utilizam-se duas estimativas amostrais da variância para calcular uma razão
F. O F observado é dado por: F= Variância Explicada  Variância não explicada
Compara-se o número resultante com um valor F da Tabela: se o valor é maior que o valor
tabulado, rejeita-se a hipótese nula. Se o valor calculado é menor, a hipótese nula não pode
ser rejeitada. Os valores constantes da tabela F são os valores críticos.
Compara-se o número resultante com um valor F da Tabela: se o valor é maior que o valor
tabulado, rejeita-se a hipótese nula. Se o valor calculado é menor, a hipótese nula não pode
ser rejeitada.
46
Tabela 3 - Distribuição F
Colunas: Graus de Liberdade Numerador.
Nivel de Significância: 0,01

1 2 3 4 5 6 7 8 9 10 11 12 15 20 25 1000
1 4052 4999 5404 5624 5764 5859 5928 5981 6022 6056 6083 6107 6157 6209 6240 6363
2 98,50 99,00 99,16 99,25 99,30 99,33 99,36 99,38 99,39 99,40 99,41 99,42 99,43 99,45 99,46 99,50
3 34,12 30,82 29,46 28,71 28,24 27,91 27,67 27,49 27,34 27,23 27,13 27,05 26,87 26,69 26,58 26,14
4 21,20 18,00 16,69 15,98 15,52 15,21 14,98 14,80 14,66 14,55 14,45 14,37 14,20 14,02 13,91 13,47
5 16,26 13,27 12,06 11,39 10,97 10,67 10,46 10,29 10,16 10,05 9,96 9,89 9,72 9,55 9,45 9,03
6 13,75 10,92 9,78 9,15 8,75 8,47 8,26 8,10 7,98 7,87 7,79 7,72 7,56 7,40 7,30 6,89
7 12,25 9,55 8,45 7,85 7,46 7,19 6,99 6,84 6,72 6,62 6,54 6,47 6,31 6,16 6,06 5,66
8 11,26 8,65 7,59 7,01 6,63 6,37 6,18 6,03 5,91 5,81 5,73 5,67 5,52 5,36 5,26 4,87
9 10,56 8,02 6,99 6,42 6,06 5,80 5,61 5,47 5,35 5,26 5,18 5,11 4,96 4,81 4,71 4,32
10 10,04 7,56 6,55 5,99 5,64 5,39 5,20 5,06 4,94 4,85 4,77 4,71 4,56 4,41 4,31 3,92
11 9,65 7,21 6,22 5,67 5,32 5,07 4,89 4,74 4,63 4,54 4,46 4,40 4,25 4,10 4,01 3,61
12 9,33 6,93 5,95 5,41 5,06 4,82 4,64 4,50 4,39 4,30 4,22 4,16 4,01 3,86 3,76 3,37
13 9,07 6,70 5,74 5,21 4,86 4,62 4,44 4,30 4,19 4,10 4,02 3,96 3,82 3,66 3,57 3,18
14 8,86 6,51 5,56 5,04 4,69 4,46 4,28 4,14 4,03 3,94 3,86 3,80 3,66 3,51 3,41 3,02
15 8,68 6,36 5,42 4,89 4,56 4,32 4,14 4,00 3,89 3,80 3,73 3,67 3,52 3,37 3,28 2,88
16 8,53 6,23 5,29 4,77 4,44 4,20 4,03 3,89 3,78 3,69 3,62 3,55 3,41 3,26 3,16 2,76
17 8,40 6,11 5,19 4,67 4,34 4,10 3,93 3,79 3,68 3,59 3,52 3,46 3,31 3,16 3,07 2,66
18 8,29 6,01 5,09 4,58 4,25 4,01 3,84 3,71 3,60 3,51 3,43 3,37 3,23 3,08 2,98 2,58
19 8,18 5,93 5,01 4,50 4,17 3,94 3,77 3,63 3,52 3,43 3,36 3,30 3,15 3,00 2,91 2,50
20 8,10 5,85 4,94 4,43 4,10 3,87 3,70 3,56 3,46 3,37 3,29 3,23 3,09 2,94 2,84 2,43
21 8,02 5,78 4,87 4,37 4,04 3,81 3,64 3,51 3,40 3,31 3,24 3,17 3,03 2,88 2,79 2,37
22 7,95 5,72 4,82 4,31 3,99 3,76 3,59 3,45 3,35 3,26 3,18 3,12 2,98 2,83 2,73 2,32
23 7,88 5,66 4,76 4,26 3,94 3,71 3,54 3,41 3,30 3,21 3,14 3,07 2,93 2,78 2,69 2,27
24 7,82 5,61 4,72 4,22 3,90 3,67 3,50 3,36 3,26 3,17 3,09 3,03 2,89 2,74 2,64 2,22
25 7,77 5,57 4,68 4,18 3,85 3,63 3,46 3,32 3,22 3,13 3,06 2,99 2,85 2,70 2,60 2,18
26 7,72 5,53 4,64 4,14 3,82 3,59 3,42 3,29 3,18 3,09 3,02 2,96 2,81 2,66 2,57 2,14
27 7,68 5,49 4,60 4,11 3,78 3,56 3,39 3,26 3,15 3,06 2,99 2,93 2,78 2,63 2,54 2,11
28 7,64 5,45 4,57 4,07 3,75 3,53 3,36 3,23 3,12 3,03 2,96 2,90 2,75 2,60 2,51 2,08
29 7,60 5,42 4,54 4,04 3,73 3,50 3,33 3,20 3,09 3,00 2,93 2,87 2,73 2,57 2,48 2,05
30 7,56 5,39 4,51 4,02 3,70 3,47 3,30 3,17 3,07 2,98 2,91 2,84 2,70 2,55 2,45 2,02
40 7,31 5,18 4,31 3,83 3,51 3,29 3,12 2,99 2,89 2,80 2,73 2,66 2,52 2,37 2,27 1,82
50 7,17 5,06 4,20 3,72 3,41 3,19 3,02 2,89 2,78 2,70 2,63 2,56 2,42 2,27 2,17 1,70
60 7,08 4,98 4,13 3,65 3,34 3,12 2,95 2,82 2,72 2,63 2,56 2,50 2,35 2,20 2,10 1,62
70 7,01 4,92 4,07 3,60 3,29 3,07 2,91 2,78 2,67 2,59 2,51 2,45 2,31 2,15 2,05 1,56
80 6,96 4,88 4,04 3,56 3,26 3,04 2,87 2,74 2,64 2,55 2,48 2,42 2,27 2,12 2,01 1,51
90 6,93 4,85 4,01 3,53 3,23 3,01 2,84 2,72 2,61 2,52 2,45 2,39 2,24 2,09 1,99 1,48
100 6,90 4,82 3,98 3,51 3,21 2,99 2,82 2,69 2,59 2,50 2,43 2,37 2,22 2,07 1,97 1,45
500 6,69 4,65 3,82 3,36 3,05 2,84 2,68 2,55 2,44 2,36 2,28 2,22 2,07 1,92 1,81 1,20
1000 6,66 4,63 3,80 3,34 3,04 2,82 2,66 2,53 2,43 2,34 2,27 2,20 2,06 1,90 1,79 1,16
47
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.
Os métodos estatísticos, de um modo geral, envolvem a análise e a interpretação de dados observados

em um fenômeno. O conjunto de observações colhidas constitui-se na amostra (no caso específico da
avaliação de imóveis, na pesquisa de mercado) e o grupo todo de elementos do qual ela foi extraída, é
designado por população.
A parte estatística referente a coleta, a sumarização e a descrição dos dados referem-se a estatística
descritiva. Compreende a organização e o resumo dos mesmos, bem como análise e interpretações
numéricas e gráficas, envolvendo cálculo de medidas, tais como, a média, a mediana, o desvio padrão,
etc.
A inferência estatística, por sua vez, envolve a formulação de certos julgamentos (ou conclusões) sobre
um todo, após examinar apenas uma parte, ou amostra, dele. Para que a inferência estatística seja
válida, a amostra deve ser representativa da população, e a probabilidade do erro, ser especificada.
Deste modo, a inferência estatística envolve um raciocínio indutivo: argumentação do específico -

amostra - para o geral - população - , no qual impõe-se que obedeça algum modelo de probabilidade.
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”.
48
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.
Graficamente, a reta da regressão pode ser representada da seguinte forma:
RETA DA REGRESSÃO : Y= b0 +b1.x1 + ( erro)

Y
COEFICIENTE ANGULAR (b1)

INTERCEPTO variação de Y correspondente a
(b0) variação de cada unidade de X
ERRO OU
RESÍDUO
49
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:
Yi = 0 + 1X1i + 2X2i + ......... kXki + i , onde:
Yi = variável dependente ou explicada, que se constitui no valor investigado (terreno, residência,

loja, etc..)
X1i ,X2i ... Xki = variáveis independentes ou explicativas, que podem ser de natureza quantitativa
(área, frente, distancia a um polo atrativo, etc..) ou qualitativa (padrão, topografia, etc..)
1,2 ...k = parâmetros da regressão
i = os respectivos erros ou resíduos, sendo a expressão de inúmeras pequenas causas que
produzem um desvio do que a variável dependente deveria ser, se a relação fosse
determinística.
Cabe relembrar a natureza do termo erro ei , e especificar que ,no caso de avaliações, se
deve principalmente aos seguintes aspectos:
1o) erros decorrentes de observação ou medidas das variáveis (muito comuns na prática da
pesquisa, por serem dependente de informações de terceiros);
2o) erros devidos a não consideração de variáveis influentes na variação de valor, não
contempladas na regressão. Isto significa dizer que, além das variáveis reconhecidas no
modelo, existiriam fatores que poderiam influenciar indiretamente o valor (Y,) mas que
não se revelam suficientemente fortes para estarem no modelo,
3o) aleatoriedade do comportamento humano, elemento imprevisível e muito presente no
mercado imobiliário
50
Devido a esse erro amostral, dificilmente a regressão estimada da amostra coincidirá com a
verdadeira regressão populacional:
O máximo que se pode esperar é uma

Y Y = o +1Xi
Regressão verdadeira aproximação razoável entre as duas funções.
(desconhecida)
Ao ajustar a regressão amostral, o objetivo é

Yi =b0 +b1X1i manter os resíduos (erros), tão pequenos
Regressão estimada
quanto possível.
A técnica mais usada para determinar a

equação de regressão é a dos mínimos
quadrados e a denominação provém de a reta
X resultante minimizar a soma dos quadrados
dos desvios dos pontos em relação a reta,
Fig.15 - Representação esquemática das
regressões (amostral e populacional) conforme especificado adiante.
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.
51
3.1 – O MODELO DE REGRESSÃO LINEAR – CÁLCULO DOS PARÂMETROS
Após ter selecionado a fórmula básica da parte funcional do modelo, a etapa seguinte no processo é a
estimação dos parâmetros (b0, b1, b2, ..., bk) na função. Isto deve ser realizado resolvendo um problema
que relaciona a resposta variável e a parte funcional do modelo de uma maneira que produzam as
estimativas dos parâmetros o mais próximo possível dos valores dos parâmetros verdadeiros,
desconhecidos.
Existem diversos métodos para a estimação dos parâmetros de uma equação de regressão
Os dois métodos mais comumente utilizados são os dos Mínimos Quadrados Ordinários e o da Máxima
Verossimilhança, sendo o primeiro mais difundido na Engenharia de Avaliações e objeto principal deste
curso.
3.1.1 - O método dos mínimos quadrados
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
verdadeiros dos parâmetros as estimativas são denotadas por βˆ 0 , βˆ 1,..., βˆ k .
A explicação do método será ilustrada com base em sua expressão mais simples recorrendo à regressão
linear relacionando apenas duas variáveis, considerando o modelo de regressão em linha reta. A
relação entre "Y" e "X", pode ser representada em um diagrama de dispersão, com os valores 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.
52
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.
53
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
Como Ŷi= b0 + b1.X1, o que está sendo minimizado é:

Para este modelo, as estimativas dos mínimos quadrados dos parâmetros seriam computadas
minimizando:
n
 [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.
E a equação de regressão é, então, dada por:
Ŷ = b0 + b1 xi
É relevante, a esta altura, informar que, no caso de utilização de duas variáveis explicativas e uma
explicada, a reta de regressão passa a ser um plano de regressão, em relação ao qual são calculados os
resíduos. No caso de mais de duas variáveis explicativas, diz-se que os resíduos são calculados em
relação a um 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.
54
O modelo geral é representado por
yi = b0 + b1 x1 +  + bk xki + ei
A condição inicial, como na regressão linear simples, é descrita por
y = bo + b1 x1 + e1 onde xi é a variável independente, responsável pela maior

variabilidade, b0 e b1 são os coeficientes e e1 é o erro, isto é, a variabilidade em Y não explicada pela
relação linear. A variável que, em seguida, mais reduz a variabilidade do erro é em sequencia
adicionada de tal modo que:
y = bo + b1x1 + b2 x2 + e2 , sendo b0 , b1 e b2 calculados e e2 < e1 .

O processo segue por etapas até que o comportamento de todas as variáveis independentes em
relação à dependente seja verificado.
O desenvolvimento dos sistemas de equações não se constitui no objetivo precípuo deste curso, sendo
recomendado aos alunos se aprofundar utilizando as referências bibliográficas recomendada na
apostila.
A mesma recomendação vale para os modelos lineares de regressão múltipla, especialmente aqueles
envolvendo muitas variáveis explicativas, onde a estimação dos parâmetros pelo método dos mínimos
quadrados (b0, b1, b2,..., bk) é obtida através de operações com matrizes, cujas formulações teóricas
baseiam-se em cálculos complexos, que não se constituem no principal objetivo deste curso, razão
pela qual serão apresentados apenas os conceitos mais importantes, até mesmo porque, os programas
aplicativos de computador resolvem todo o sistema de equações.
3.1.2 – Coeficiente de determinação (R2)
O poder de explicação de um modelo é feito através do coeficiente de determinação. O coeficiente

de determinação, indicado por “r²” (quadrado do coeficiente de correlação ‘r’) mede o percentual da
variação total do valor em torno da média que é explicada pela variação dos regressores adotados na
equação. Quanto maior a variação a ser explicada, maior o coeficiente e vice-versa. Embora seja
desejável o mais próximo de 1 (100% da variação explicada), não se pode definir valor mínimo
aceitável, pois dependerá do tamanho da variação da amostra e das variáveis colhidas para explicar
esta variação.
Ao ajustar uma equação, espera-se que ela se ajuste à variação de um grupo de dados e a questão que
surge naturalmente é saber quão precisa é a estimativa dada por essa equação.
55
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:
Yi = o +1Xi +  i onde (o + 1Xi ) é ó componente explicável da variação de Yi e  i é o

componente não explicado. Desta forma, para examinar se a variável independente prevê bem a
variável dependente no modelo estatístico, é necessário desenvolver essas medidas de variação.
56
Para tanto, será necessário decompor o valor de Yi em:

    
y i = y i + ei onde y i = b0 + b1 xi e ei = yi − y i
Y Yi
 
ei = y I − y = VARIAÇÃO
NÃO − EXPLICADA
VARIAÇÃO TOTAL ŷi = b0 + b1. xi

( y I − yi )

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
em torno de sua média amostral.
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
VARIAÇÃO = VARIAÇÃO + VARIAÇÃO

TOTAL EXPLICADA NÃO-EXPLICADA
57
O Coeficiente de Determinação - R² é representada pela proporção da variância dos Yi observados

"explicada" pelo modelo de regressão ajustado ou o resultado da soma de quadrados devida à
regressão dividida pela soma total dos quadrados:
n
ˆ −Y
 (Y ˆ )2
R 2 = i=1 i =
VARIAÇÃO EXPLICADA
n 2 VARIAÇÃO TOTAL
 (Y − Y)
i=1 i
O coeficiente de determinação fornece uma medida dimensional de quantidade do ajuste do modelo

de regressão múltipla aos dados, correspondendo a um valor compreendido entre 0 e 1 e podendo
ser interpretado como a porcentagem (variando de 0 a 100%) da variação de Y i, em torno de sua
média, explicada pelo modelo de regressão.
Quanto maior for o valor de R2, maior será a parcela da variação de Yi “explicada” pela variação das
várias variáveis explicativas Xi, e, em princípio, melhor a capacidade de previsão do modelo
encontrado. Valores de R2 próximos de zero indicam um péssimo ajuste dos dados obtidos pela
equação de regressão aos dados obtidos no campo amostral.
Exemplo: Numa regressão simples valor unitário x área, o fato de ter R2=0,60 indica que
aproximadamente 60% da variação no preço unitário estão relacionados com a variação da área, logo
os restantes 40% não são explicados por esta variável. Isto sugere que:
i.1o) Talvez uma equação não linear se ajustasse melhor;
2o) É possível que outras variáveis não incluídas no modelo sejam importantes.
Com a adição de novas variáveis ao modelo, é sempre possível aumentar o valor de R2, no entanto,
nem sempre um novo modelo com mais variáveis regressoras será melhor que um modelo que não
envolva essas variáveis.
Para contornar esse problema, é sugerido que seja calculado um coeficiente de determinação
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
58
Sinopse de Procedimentos
Caracterização do Imóvel Avaliando e do Contexto Imobiliário ao qual pertence
Coleta de dados e identificação

das variáveis
(Na evidência de dificuldades de atender as
especificações do modelo, ampliar a pesquisa)
Verificação Preliminar
(Análise Exploratória dos Dados)
P Classificação das variáveis independentes e seu

comportamento em relação com a dependente
(aumentar ou diminuir o valor). Constatação do
número de dados de mercado. Evitar
E Micronumerosidade.
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)
U Coeficiente de Correlação ( r ) e Não ok

Coeficiente Determinação R2 Nova especificação do modelo.
Coeficiente de Determinação Ajustado
I
Testes de hipóteses Eliminação de variáveis pouco
S Significância das Variáveis (t Student) e
Não
ok
significativas.
Nova especificação do modelo
Significância do Modelo (F Fischer-Snedecoor)”
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
Escolha da equação dee de FUNDAMENTAÇÃO

regressão para previsão (III,II
do ou I) do
valor. Especificação do Laudo de Avaliação.
LAUDOda ABNT e classificar o Laudo de Avaliação no
Preencher Tabelas 1 e 2 das Normas
GRAU de FUNDAMENTAÇÃO (III, II ou I)
Verificar a amplitude de Intervalo de confiança de 80% projetado para o valor do imóvel avaliando – e
enquadrar no GRAU de PRECISÃO
III - para amplitude < 30%
II - para amplitude < 40%
I -para amplitude < 50%
Nota Se ultrapassar 50% não há classificação de Precisão – justificar com diagnóstico de mercado
59
1- Caracterização do imóvel avaliando

Recomenda-se planejar com antecedência, tendo em vista: as características do bem avaliando, a disponibilidade
de recursos, informações e pesquisas anteriores, plantas e documentos, prazo de execução dos serviços, enfim,
tudo que possa esclarecer aspectos relevantes para a avaliação.
Na vistoria do imóvel avaliando observam-se as suas principais características e o contexto imobiliário ao qual
ele pertence: esta será a base para elaboração da pesquisa de mercado e coleta dos prováveis elementos e
respectivas variáveis.
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)
As variáveis, em avaliações de imóveis, são as características ou informações que descrevem o imóvel e

contribuem para a formação de seu valor. Na análise de regressão múltipla, as variáveis se dividem em
dependentes (ou explicada) e independentes (ou explicativas).
✓ 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).
60
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;
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.
Por definição da ABNT-NBR 14653-2 :
variáveis quantitativas: variáveis que podem ser medidas ou contadas
variáveis qualitativas: variáveis que não podem ser medidas ou contadas, mas apenas ordenadas
ou hierarquizadas, de acordo com atributos inerentes ao bem.
variáveis dicotômicas: variável que assume apenas duas posições. As variáveis dicotômicas
também são conhecidas na literatura como variáveis binárias, “dummies”, “de estado”, “zero-um”
e outros termos
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 ser
confundidas com a atribuição de códigos alocados, nem obtidas de relações ou conceitos
deduzidos da própria amostra.
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.
códigos alocados: escala lógica ordenada para diferenciar as características qual itativas dos
imóveis.
Nota:Os critérios da construção dos códigos alocados devem ser explicitados, com a descrição necessária e suficiente
de cada código adotado, de forma a permitir o claro enquadramento dos dados de mercado e do imóvel avaliando
e assegurar que todos os elementos de mesma característica estejam agrupados no mesmo item da escala. 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. Não é necessário que a amostra contenha
dados de mercado em cada uma das posições da escala construída. Recomenda -se a utilização prévia da análise de
agrupamento de dados para a construção dos códigos alocados. É vedada a extrapolação de variáveis expressas por
códigos alocados.
61
2.2 - Número de elementos da amostra

Pelas normas da ABNT, o número de elementos, n, é definido em função do número de variáveis, k, adotadas
no modelo e dependendo da quantidade utilizados, tem a seguinte classificação quanto aos graus de
fundamentação (item 2 da tabela 1):
Tabela 1 – Graus de fundamentação no caso de utilização de modelos de regressão linear
Grau
Item Descrição
III II I
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
Nota de Norma da ABNT:

“para evitar a micronumerosidade, o número mínimo de dados efetivamente utilizados (n) no modelo deve
obedecer aos seguintes critérios, com respeito ao número de variáveis independentes (k):
n  3 (k + 1)
para n ≤ 30, ni  3
para 30 < n ≤ 100, ni  10% n
para n > 100, ni  10
onde:
ni é o número de dados de mesma característica, no caso de utilização de variáveis dicotômicas e
variáveis qualitativas expressas por códigos alocados ou códigos ajustados;
recomenda-se que as características específicas do imóvel avaliando estejam contempladas na amostra
utilizada em número representativo de dados de mercado.”
2.3 - Análise Exploratória dos Dados da Amostra

Após a coleta e a digitação de dados, o próximo passo é a Análise Exploratória de Dados (AED) afim de examinar
previamente os dados e as relações existentes entre as variáveis analisadas.
Importante analisar:
• Histogramas das variáveis
• Medidas de tendência central, limites das variáveis e dispersão dos dados;
• Identificação de dados e variáveis inconsistentes ou pouco representativas.
• Verificação de erros de digitação;
• Constatar se houve a extrapolação das variáveis independentes em relação aos atributos dos imóveis avaliando;
• Os gráficos de dispersão visando identificar os pontos discrepantes para cada variável independente e também
a tendência linear entre as variáveis independentes e a variável dependente (por exemplo: a área total aumenta,
o valor unitário diminui). Se existir inversão, o problema pode estar na colinearidade ou na existência de pontos
influenciantes, ou ainda, comportamento de mercado diferente do normalmente admitido (por exemplo,
terrenos com topografia plana normalmente possuem valores mais altos, mas em algumas situações pode ser ao
contrário).
62
3 - Análise da Equação de Regressão

A partir da análise inicial antes sumariada, passa-se à investigação do modelo de regressão, com verificação dos
testes estatísticos e interpretação dos resultados com vistas a estimar o valor do imóvel.
Na modelagem, são necessárias as seguintes etapas:
3.1- Verificação da coerência do modelo perante o mercado imobiliário
Deve haver coerência entre o relacionamento das variáveis explicativas perante o valor avaliado pela equação e
o respectivo comportamento do mercado imobiliário. Isto é, os sinais dos coeficientes de regressão (b 1, b2...bK)
devem estar de acordo com o esperado.
Uma maneira de observar o mercado e suas variáveis em relação aos preços praticados são por eixos cartesianos
(Y, X). Esta 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.
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.
63
3.2 - Correlações do modelo e das variáveis explicativas
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 é útil no processo de investigação das variáveis potencialmente importantes no

modelo e de eventual existência de colinearidade entre variáveis explicativas. Indicado pela letra ' r ' , pode ser
medido por duas características:
a) sua intensidade, que varia de 0 a 1;
b) seu sentido, que pode ser positivo ou negativo: a correlação é positiva quando as duas variáveis
examinadas crescem ou diminuem ambas no mesmo sentido, e negativa quando variam em sentidos
contrários, ou seja, quando uma cresce a outra diminui.
A análise das correlações isoladas entre a variável dependente e as demais variáveis é útil no trabalho
exploratório de investigação das variáveis potencialmente importantes a serem incluídas no modelo, por medir
simultaneamente seu sentido e seu grau ou força de relacionamento, desde que exista a já citada relação de
causa e efeito entre elas.
Em compensação, uma das hipóteses básicas da aplicação do método dos mínimos quadrados é que inexista,
ou seja muito baixa, a correlação isolada entre cada uma das variáveis independentes. Se essa correlação entre
variáveis explicativas for muito alta, diz-se que há colinearidade entre elas. Se houver simultaneamente altas
correlações entre duas ou mais variáveis explicativas, ocorre a multicolinearidade entre elas
Se as variáveis independentes são altamente correlacionadas, então elas “compartilham” de algum poder de
predição. Ao analisar o poder de predição do modelo, é imprescindível estar atento para que variações
compartilhadas (correlacionadas) entre algumas variáveis independentes não sejam “contadas dobradas”,
porque além de problemas estatísticos, expõe o modelo a uma redundância de variáveis, como é caso por
exemplo de área útil e número de dormitórios como variáveis explicando a variação do valor do apartamento.
Esses cálculos da variação compartilhada ilustram uma das formas de identificar os efeitos da colinearidade entre
variáveis independentes atuando sobre a variável dependente.
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).
64
3.3 - Coeficiente de determinação (R2)
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.
65
3.4 - Teste de Significância das Variáveis Utilizadas do Modelo de Regressão
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
66
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
O processo utiliza das seguintes regras de decisão:

- Rejeitar a hipótese nula se a significância é no máximo igual ao nível de significância de  (no caso 1% para
o grau III ou 2% e 5% para graus II e I). Não rejeitar a hipótese nula se maior do que ao nível de significância
de  (neste caso, o modelo não é significativo)
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
67
3.5- Análise de resíduos

A essência da análise de regressão é que qualquer observação sobre a variável dependente (valor do imóvel)
pode decompor-se em dois componentes: um previsível (que é a parte do valor "explicada" pelas diversas
variáveis) e um aleatório (que é resíduo e se deve ao restante da variabilidade “não-explicada”). Esse segundo
componente é o que vai indicar a margem de erros na predição do valor do imóvel e precisa ser “medido”. A
principal medida do erro na predição é a análise da variação residual – dada pela diferença entre os valores
observados (originais, advindos da pesquisa de mercado) e os valores ajustados (preditos pela equação de
regressão). Simbolicamente isto significa dizer que, para cada observação i, existe associado o resíduo i -
diferença entre o valor observado Yi e o ajustado y i , isto é:
ˆ i = y i − yˆ i
e
Ao examinar os resíduos encontrados entre os valores originais (observados) e aqueles calculados com o modelo
inferido, é importante concluir que os mesmos são razoavelmente aleatórios, sem nenhum padrão definido. Os
elementos amostrais deverão, sempre que possível, prever uma continuidade de pontos observados, devendo
ser evitadas concentrações exageradas em alguns trechos ou pontos isolados, detalhe que poderá ser observado
com plotagem dos resíduos. Uma maneira, indireta, porém simples para análise dos resíduos é a representação
gráfica bidimensional dos mesmos, podendo ser lançados como uma das componentes as variáveis
independentes, os valores ajustado pela equação, onde é possível investigar a dispersão gerada pelo conjunto
de pontos.
3.6 - Verificação dos pressupostos básicos da equação de regressão

A confiabilidade do modelo inferido depende da validade de um conjunto de pressupostos acerca das relações
entre as variáveis dependentes e independentes que afetam esse procedimento estatístico.
Dependendo da literatura consultada, existem uma enormidade de pressupostos para atender as prerrogativas
de um modelo de regressão. Atendendo as recomendações das Normas da ABNT,
“Ressalta-se a necessidade, quando se usam modelos de regressão, de observar os seus pressupostos
básicos, apresentados a seguir, principalmente no que concerne à sua especificação, normalidade,
homocedasticidade, não-multicolinearidade, não-autocorrelação, independência e inexistência de pontos
atípicos, com o objetivo de obter avaliações não tendenciosas, eficientes e consistentes, em especial as
seguintes:
• 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;
• os erros são não autocorrelacionados, isto é, são independentes sob a condição de normalidade;
68
• 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
A suposição de um relacionamento linear entre a variável dependente e as variáveis independentes é o ponto de

partida usual em um estudo de análise de regressão. No entanto, na maioria dos casos, é possível detectar, por
meio de diagramas de dispersão, análise de resíduos ou pela própria falta de ajuste do modelo que nem sempre
todas as relações são bem equacionadas por uma relação linear.
Todavia, estas relações podem ser não lineares ou podem assumir uma combinação de duas ou mais formas e a
alternativa é utilizar as relações não lineares, desde que linearizáveis por transformação. Na tabela abaixo os
modelos mais comumente utilizados e respectivas transformações (com apenas 2 variáveis Y e X):
Equação
Tipo Forma linearizável por transformação
(forma original)
Linear Yi = b0 + b1 Xi + ei nenhuma
Recíproca I (inversa) Yi = b0 + b1 1/Xi + ei 1/Xi ao invés de X
Recíproca II Yi = 1/(b0 + b1Xi) + ei 1/Yi = b0 + b1Xi + ei
Logarítmica Yi = b0 + b1 ln.Xi + ei Yi = b0 + b1 ln.Xi + ei
Exponencial (log linear) Yi = b0 .e b1 .Xi + ei lnYi = ln b0 + b1 .Xi + ei
Potência Yi = b0 . Xi b1+ ei lnYi = ln b0 + b1 .lnXi + ei
Pelo Anexo A das Normas da ABNT 14653-2: item A.1.1.1:

“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”.
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.
69
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.
70
Pressuposto 3) Homocedasticidade
A hipótese de variância constante, chamada homocedasticidade do modelo em contraposição à variância

variável (heterocedasticidade) é fundamental, pois a condição dos erros ser variáveis aleatórias com variância
constante é base de toda teoria dos modelos de regressões.
O termo homocedasticidade quer dizer igual (homo), dispersão (cedasticidade), ou igual variância.
Segundo a Norma 14.653-2, a homocedasticidade poderá ser verificada, entre outros, por meio dos seguintes
processos:
1) análise gráfica dos resíduos versus valores ajustados, que devem apresentar pontos dispostos aleatoriamente,
sem nenhum padrão definido;
2) pelos testes de Park e de White. Por não ser um teste utilizado, não será abordado neste trabalho.
Um gráfico dos resíduos (e) versus os valores ajustados pelo modelo de regressão (Y), apresentando pontos
distribuídos aleatoriamente em torno de uma reta horizontal que passa na origem, sem nenhum padrão definido,
com o formato da figura abaixo, é um indicador favorável à aceitação da hipótese de variância constante para o
erro; em caso contrário, se os pontos apresentarem alguma tendência, como os da figura ao lado, pode-se
concluir que a variância do erro não é constante.
No primeiro caso o modelo é dito homocedástico e no segundo heterocedástico.
Desvios
Desvios
Padronizados
Padronizados
+2 +2
-2
-2
Valores ajustados Valores ajustados
Modelo homocedástico – Residuos aleatórios Modelo Heterocedástico – Variancia residual crescente

A investigação da heterocedasticidade através da análise gráfica exige que se tenha um razoável número de
dados, pois nem sempre os padrões de comportamento da variável são tão evidentes, porém, quando revelado
padrões importante verificar a evidencia dos erros acarretados no imóvel avaliando, porque quando o modelo é
heterocedástico, os estimadores de mínimos quadrados podem não ser eficientes.
Nas relações estatísticas que tratam de dados microeconômicos, como no caso de avaliação de imóveis é
plausível supor que imóveis de baixo valor tendem a apresentar variações em torno da média maiores que os
imóveis de alto valor. Se tal fato estiver presente na amostragem, indica a presença de heterocedasticidade, o
que pode ser detectado na análise gráfica da dispersão dos dados em torno da média estimada pelo modelo para
cada dado.
71
Pressuposto 4) Não autocorrelação (ou auto-regressão)
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.
Sua verificação pode ser feita:
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.
2) pelo Teste de Durbin-Watson, considerando o pré-ordenamento da variável.

A estatística de testes propostos por Durbin e Watson (d), definida pela seguinte expressão:
n
 (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.
Sendo: Ho – Hipótese de autocorrelação

Não Rejeitar
H0 ou H0* ou
positiva
Rejeitar H0 Área Área Rejeitar H0*
indício de Inconclusiva ambas Inconclusiva indício de
Autocorrelação Autocorrelação Ho* - Hipótese de autocorrelação
Negativa Negativa
negativa
0 d1 ds 2 4-ds 4-d1 4
ˆ) ,
d = 2(1 - ρ 0<=d <= 4.
Distribuição Durbin-Watson
72
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.
Pressuposto 5) Observações Atípicas
O mercado imobiliário é, por natureza, heterogêneo, surgindo frequentemente observações cujo

comportamento pode ser razoavelmente diferenciado das demais e, dependendo da amplitude do seu
afastamento, podem ocasionar conclusões errôneas e distorções nos parâmetros do modelo.
A norma cita que os possíveis pontos influenciantes, ou aglomerados deles, devem ser investigados e sua retirada
fica condicionada à apresentação de justificativas.
73
Observações Discrepantes (outliers)
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.
A literatura existente não fixa um número de desvios

padrão em relação a zero como definidor do que seria
um outlier, para o qual não existem regras específicas.
É comum partir do pressuposto da normalidade dos
erros e adotar como critério que resíduos fora do
intervalo que conteriam aproximadamente 95% dos
desvios padronizados (-2; +2) poderiam se constituir
Indicação de Outlier em outliers.
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.
74
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
Que é algebricamente equivalente à expressão
Nas equações acima:

é a previsão do modelo de regressão completo para a observação j;
é a previsão de observação j de um modelo de regressão recalculado em que a observação i foi omitida;
é o i-nésimo elemento da diagonal da matriz de projeção ;
é o resíduo bruto (i.e., a diferença entre o valor observado e o valor ajustado pelo modelo proposto);
é o erro quadrático médio do modelo de regressão;
é o número de parâmetros ajustados no modelo
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.
75
Pressuposto 6) Ausência de Colinearidade (ou multicolienaridade) entre as variáveis

independentes.
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”.
Na prática, a colinearidade pode ser examinada, de maneira simplificada e superficial:

1o.) comparando os gráficos dos resíduos de cada uma das variáveis explicativas e verificar se eles se colocam
de forma ordenada, sugerindo uma certa relação; ou
2o.) pela observação do coeficiente de correlação simples entre as variáveis independentes tomadas duas a
duas.
Se esse coeficiente for forte verificar se a relação não é meramente casual, isto é, se não existe relação de causa
e efeito entre as mesmas (caso em que as variáveis colineares podem ser aceitas).
A violação desta hipótese implica na impossibilidade de isolar os efeitos de cada uma das variáveis explicativas
sobre a explicada, ou seja, se X2=X1, cada mudança em X1 será acompanhada por uma mudança em X2, sendo
impossível separar as variações ocorridas em Y causada por alterações em X 1 daquelas devido à influência de X2.
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.
76
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 X 2, X3 e X4,
são altamente Inter correlacionadas e que alguma dessas variáveis pode ser supérflua.
3.7- Validação do Modelo
É obrigatório, pelas normas da ABNT, validação do modelo:

“O poder de predição do modelo deve ser verificado a partir do gráfico de preços observados na abscissa versus
valores estimados pelo modelo na ordenada, que deve apresentar pontos próximos da bissetriz do primeiro
quadrante. Alternativamente, podem ser utilizados procedimentos de validação.”
Nota explicativa: Bissetriz do primeiro quadrante

Sabendo que y=x, o gráfico dessa função passa pelos pontos (0,0) e (1,1).
Sejam A=(0,0), B=(1,0), C=(1,1), D=(0,1) e q o ângulo que a reta y=x forma com o eixo x, conforme o
gráfico:
Tem-se:
Logo a reta y=x contém as bissetrizes do 1° (e do 3°) quadrantes.
77
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 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
78
4 Especificação das avaliações

De acordo com o item 9 da ABNT NBR-14.653-2
“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.”
4.1- Grau de Fundamentação

O grau de fundamentação, no caso de utilização de modelos de regressão linear, deve ser determinado
conforme a Tabela 1, observando de 9.1 a 9.2.
79
Tabela 3 — Grau de fundamentação no caso de utilização de modelos de regressão linear
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 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
referida variável, em módulo
módulo
duas caudas) máximo
5 10 % 20 % 30 %
para a rejeição da
hipótese nula de cada
regressor (teste bicaudal)
6 rejeição da hipótese nula 1% 2% 5%
do modelo através do
teste F de Snedecor
9.2.1.1 Para atingir o grau III, são obrigatórias:

a) apresentação do laudo na modalidade completa;
b) apresentação da análise do modelo no laudo de avaliação, com a verificação da coerência do
comportamento da variação das variáveis em relação ao mercado, bem como suas elasticidades em torno
do ponto de estimação.
c) identificação completa dos endereços dos dados de mercado usados no modelo, bem como das fontes de
informação;
d) adoção da estimativa de tendência central.
80
De acordo com o item 9.2.1.2

É permitido fazer ajustes prévios nos atributos dos dados de mercado, sem prejuízo do grau de fundamentação,
desde que devidamente justificados, em casos semelhantes aos seguintes:
conversão de valores a prazo em valores à vista, com taxas de desconto praticadas no mercado na data
de referência da avaliação;
conversão de valores para a moeda nacional na data de a avaliação;
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;
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).
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.
81
4.2- Grau de precisão.

Finalizada análise e escolhido o modelo, é possível utilizar a equação de regressão para previsão do valor do
imóvel, sendo necessário analisar o intervalo de confiança para indicar o Grau de Precisão do Laudo de
Avaliação:
Tabela 5 — Grau de precisão nos casos de utilização de modelos de regressão linear ou do tratamento por fatores
Grau
Descrição
III II I
Amplitude do intervalo de confiança de 80 % em torno da
 30 %  40 %  50 %
estimativa de tendência central
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
valores, nos quais o valor de Yi tem a chance de estar localizado.
Y=b0+b1X1 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.
Note-se - pelo gráfico ao lado - que o intervalo de

confiança terá uma amplitude menor a medida que
X se aproxima da média x e que eles vão se
Intervalo de
previsão para uma alargando progressivamente à medida que se
observação
afastam da média.
Intervalo de
previsão para a
Média
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
GRAU DE CONFIANÇA = 80%
α /2 = 0,10 α /2 = 0,10
Valor central da estimativa

Limite Mínimo Média/ Moda/ mediana Limite Máximo
Amplitude
GRAU III 30%
GRAU II 40%
GRAU I 50%
82
Com relação ao valor final da avaliação:

• No Grau III de Fundamentação, é obrigatório (alinea d do item 9.2.1.1, ABNT NBR 14.653-2: 2011):
“d) adoção da estimativa de tendência central.”
• As Normas Avaliatórias permitem utilizar o Campo de Arbítrio, que deve ser utilizado de forma
desassociada do intervalo de confiança
Pela ABNT NBR 14.653-1:2019:

3.1.9 campo de arbítrio
intervalo de variação no entorno do estimador pontual adotado na avaliação, dentro do qual
pode-se arbitrar o valor do bem, desde que justificado pela existência de características próprias
não contempladas no modelo
E especificamente pela NBR 14.653-2: 2011
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
83
EXTENSÕES DO MODELO DE REGRESSÃO - VARIÁVEIS DICOTÔMICAS Capítulo 5
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:
1 se a característica está presente

D=
0 em caso contrário
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
D1 = 1 se padrão baixo; 0 em caso contrário;
D2 = 1 se padrão normal; 0 em caso contrário
84
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.
As variáveis dummies visam captar, principalmente, efeitos:

- de variáveis qualitativas (padrão construtivo, vagas de garagem; condições relativas à topografia, etc.);
- de variáveis quantitativas em que apenas grandes agrupamentos interessam à análise (imóveis novos versus
usados);
- advindos de combinação de dados cross section com sereis temporais (um subconjunto de dados
compreendendo valores de imóveis antes de um plano econômico e outros, depois do plano)
Os casos mais simples são os de duas hipóteses alternativas de escolha, como por exemplo:
- ofertas ou transações;
- locações ou venda
- vias principais ou secundárias
- vias pavimentadas ou de terra
- prédio tendo garagem privativa (sim ou não)
- números de vagas de garagem
- apartamento tendo suíte (sim ou não)
- lotes apropriados a incorporação (sim ou não)
- vocação comercial (sim ou não)
- existência de elevador (sim ou não)
- existência de área social (sim ou não)
- conservação (boa ou ruim)
- topografia (plana, aclive ou declive)
FORMAS DE INCORPORAR VARIÁVEIS DUMMIES AO MODELO

• Variáveis binárias na forma aditiva (ou de Intercepto)
Quando a hipótese é de que a variável dummy altera apenas o termo constante (intercepto) do modelo, ela
adicionada ao modelo.
Considerando como exemplo (que teoricamente poderia servir de base para outras situações similares), um
determinado local onde os valores unitários (Y) dos terrenos fossem explicados pelas variações das testadas (X 1),
situação em que o modelo de regressão seria especificado da seguinte forma:
Y=b0 + b1.X1+ erro,
Entretanto, caso na amostra contenha elementos comparativos de classes econômicas distintas (definidos por
padrão A ou B, por exemplo), será necessário incorporar esses fatores qualitativos no modelo, ou seja, construir
uma variável (D) que indique uma situação (1) ou a outra (0).
85
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)
Y=b0 + b1X1+ b2 (X1 * D) + erro Combinação das formas aditivas e multiplicativas

Valor Y
Y=b0 + b1X1+ b2D + b3(X1 * D) + erro
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)
86
MODELOS COM MAIS DE UMA VARIÁVEL DUMMY
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:
Valor = b0 + b1ÁREA + b2VAGAS + b3VISTA (+ e).
O modelo apresentado na forma supra, supõe variação apenas quanto aos coeficientes de interceptos, mas não em
termos dos coeficientes de inclinações.
87
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)
Verificando o quanto os dados disponíveis variam em torno da média, tem-se:

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

Logo, a variação total em torno da média
(Yi) medio (Y) (Yi-Y)
1 6,00 9,00 -3,00 9,00 será:72,00 Isso demonstra que as
2 6,00 9,00 -3,00 9,00 informações não são homogêneas, ou

seja, apresentam diferenças entre si que
3 7,00 9,00 -2,00 4,00
fazem os valores variarem em torno da
4 7,00 9,00 -2,00 4,00
média (Variação Total de 72) e, por
5 10,00 9,00 1,00 1,00
consequência, a avaliação não poderia
6 12,00 9,00 3,00 9,00 ser feita pela média simples.
7 15,00 9,00 6,00 36,00
Soma 0,00 72,00
63,00
Média = R$9,00
s=
 (x i − x)2
Desvio Padrão Amostra = R$ 3,46 n −1
Coeficiente de variação = Desvio Padrão/Média=38%
88
Neste caso, e havendo variação, é necessário explica-la, procurando as características dos

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

diagrama de dispersão.
valor unitário x frente

16,000
Elem. Frente Valor 15,000

14,000
1 5,00 R$6,00 12,000 12,000
2 7,00 R$6,00 10,000 10,000
unitário
8,000
3 6,00 R$7,00 7,000 7,000

6,000 6,000 6,000
4 12,00 R$7,00 4,000
5 15,00 R$10,00 2,000
,000
6 18,00 R$12,00 ,000 5,000 10,000 15,000 20,000 25,000
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.
Linhas de tendências e equações de curvas no Excel
Para criar um gráfico – INSERIR, onde tem-se diversas opções.
Entrar em DISPERSÃO
Marque a caixa Linha de tendência.
89
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).
90
EXPLICAÇÕES BÁSICAS: Método dos mínimos quadrados

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

i.
b0 VARIAÇÃO DE x
 [(Yi - (b0 + b1Xi )]2 = 0
equações “normais”
(deduzidas através
de derivadas,
 Yi = nb0 + b1  Xi
 Xi Yi = b 0  Xi + b1  Xi2
X somatórias ou
matrizes)
Médias de X e Y e respectivos somatórios

n(  xy ) − (  x.)(  y )
Tabela 1 Tabela 2 b1 =
y ( valor
n(  x 2 ) − (  x ) 2
Ref. x ( frente) X.Y x^2 Y^2
unitário) b0 = Y − b1 X
1 5,00 6,00 30,00 25,00 36,00
2 7,00 6,00 42,00 49,00 36,00
3 6,00 7,00 42,00 36,00 49,00 7( 864 ) − ( 83 x63 )
4 12,00 7,00 84,00 144,00 49,00 b1 = = 0.5343
5 15,00 10,00 150,00 225,00 100,00 7( 1.203 ) − 83 2
6 18,00 12,00 216,00 324,00 124,00 b0 = 9 − 0 ,5343 x11,86 = 2.6612
7 20,00 15,00 300,00 400,00 225,00
Somas X = 83,00 y= 63,00 864,00 1.203,00 639,00
Médias 11,86 9,00 xy x2 y2 Nota: Por convenção estatística:
X barra Y barra N = número de elementos
K = número de variáveis explicativas
Y barra = média
Y chapéu = equação de regressão
91
Pode-se também calcular através dos Somatórios, ou seja:

Sxy= [ xy - ( x . y)/n] 864,00 ( 83,00 x 63,00
* )/ 7 117,00
Sxx= [ x^2 - ( x)^2/ n] 1.203,00( 83,00^2 )/ 7 218,86
yy= [ y^2 - ( y)^2/ n] 639,00( 63,00^2 )/ 7 72,00
Equação de regressão B1 = Sxy / Sxx 117,00 / 218,86 B1= 0,5346
Bo = Ybarra - ( B1. X barra) 9,00- ( 0,5346 x *11,86
* ) = B0= 2,6612
Equação de regressão ( Y= Bo +B1.X1) ou seja : Valor unitário =2,6612 + 0,5346 x Frente
Parte II: Estatísticas da Regressão: Coeficiente de Correlação, de Determinação e do Erro Padrão

da Regressão:
Tabela 3 - Variação
Projeção Explicada Não explicada Resíduos Total
Y chapéu Y=2,6612 +0,5343 . X1 (Ychapéu - Ybarra)^2 (Y - Ychapéu)^2 (Y - Ybarra)^2
5,33 (2,6612 +0,5346 x 5) 13,44 (5,33-9)^2 0,44 (6 -5,33)^2 9,00 (6 -9)^2
6,40 (2,6612 +0,5346 x 7) 6,74 (6,4-9)^2 0,16 (6 -6,4)^2 9,00 (6 -9)^2
5,87 (2,6612 +0,5346 x 6) 9,80 (5,87-9)^2 1,28 (7-5,87)^2 4,00 (7-9)^2
9,08 (2,6612 +0,5346 x 12) 0,01 (9,08-9)^2 4,31 (7-9,08)^2 4,00 (7-9)^2
10,68 (2,6612 +0,5346 x 15) 2,82 (10,68-9)^2 0,46 (10-10,68)^2 1,00 (10-9)^2
12,28 (2,6612 +0,5346 x 18) 10,78 (12,28-9)^2 0,08 (12-12,28)^2 9,00 (12-9)^2
13,35 (2,6612 +0,5346 x 20) 18,95 (13,35-9)^2 2,71 (15-13,35)^2 36,00 (15-9)^2
Somas 62,55 9,45 72,00
Coeficiente de Correlação Sxy/ (Sxx.Syy)^ 0,5 117,00/ ( 218,86 x 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) =
Coeficiente de Variação Da Equação = erro padrão da regressão/média de Y (1,37/9) 15%
REPRESENTAÇÃO GRÁFICA COEFICIENTE DE DETERMINAÇÃO

16,000
15/20 Pretende-se que Y se aproxime o
Variação não
14,000
explicada ou desvio 13,35/20 máximo de Y ( Y chapéu) de forma
n
12,000
variação total Variação
explicada
que
 (yi − y)
i =1
 ( ou a soma dos
10,000 (ychapéu - resíduos) seja o menor possível.

unitário
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
92
Exemplo Aplicativo 1- Compatibilização Mercado Imobiliário, Normas da ABNT, Inferência

Estatística e programa SISDEA.
Avaliação de apartamento Bairro Aclimação/Liberdade - rua Tamandaré, com 1 Dormitório,

Sem Vaga de Garagem, Área Privativa 30,52m2, Padrão Médio, 15 anos de idade estado de
conservação regular
Avaliar o apartamento pelo Método Comparativo Direto - Tratamento Científico dos Dados -
através de modelo de regressão múltipla.
Apresentar um Laudo informando o Grau de Fundamentação e Grau de Precisão – verificar as

recomendações do ANEXO A da Norma da ABNT 14.653-2
Amostra: Pesquisa de Mercado
Para formação da amostra, foram selecionados dados de apartamentos de 1 dormitório,

localizados na mesma região geoeconômica do avaliando (bairro Aclimação).
As variáveis relacionadas à apartamentos são inúmeras, características da unidade avalianda

em si, às do prédio avaliando, do condomínio, etc....
Para fins de aplicação no curso, a pesquisa (amostra) é composta de 31 apartamentos

e 5 variáveis independentes
Descrição das variáveis independentes
VARIÁVEIS CLASSIFICAÇÃO DESCRIÇÃO
Área Quantitativa (em m2) Identifica a área útil/privativa do
apartamento
Padrão construtivo Proxy utilizando escalas do CUB identifica escala para diferenciação no
BAIXO 1.189,14 padrão construtivo (que é médio,
porém foram detectadas variações
MEDIO 1.226,98
escalonadas em 3 níveis)
ALTO 1.411,10
Vagas de Garagem Dicotômica Identifica o número de vagas de
(Número de Vagas) (Sem=0/Com 1 Vaga=1) garagem (no caso com 1 vaga ou sem
vaga)
Armários/Mobília Dicotômica Identifica se a unidade possui armários
(Sem=0/Com 1) ou encontra-se mobiliados
Idade/Conservação Qualitativa – Códigos Alocados identifica escala para diferenciação da
Superior a 30 anos ou necessitando idade /estado de Conservação do
1
reforma apartamento (variações escalonadas
Entre 20 e 30 Anos 2 em 4 níveis)
Entre 10 e 20 anos bem conservado 3
Novo ou reformado 4
Valor Unitário Variável Dependente Variável dependente – Valor do Imóvel
Quantitativa em R$/m2 dividido pela Área Privativa,
descontado do fator de oferta
APOSTILA DE CURSO Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira anabiazzi@uol.com.br 93
Explicação Adicional sobre a Variável Qualitativa -Padrão Construtivo:
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
Como Montar variável Proxy – pelo CUB

– entrar no site do Sinduscon – no Caso São Paulo (https://sindusconsp.com.br/cub/) e escolher uma sequencia
de Custos em ordem crescente
Para o caso:
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
Uma outra alternativa é a codifição binária (explicação da montagem da matriz de

dicotômicas em exemplo posterior)
BAIXO 0 0
Dicotômicas MEDIO 1 0
ALTO 0 1
Dados e variáveis seguem reproduzidos nas tabelas seguintes:
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
15 Aclimação R$ 315.000,00 Venda R$ 315.000,00 R$ 7.000,00
Nota importante: no Laudo de Avaliação, devem constar na planilha, os endereços completos

dos dados de mercado, especificação e quantificação das principais variáveis levantadas (mesmo
aquelas não utilizadas no modelo), identificação das fontes de informação (observada a exceção
contida em 8.2.1.3.3).
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
1 35,00 BAIXO 1.189,14 Sem 0 Entre 20 e 30 Anos 2 Não 0

Superior a 30 anos necessitando
2 45,00 MEDIO 1.226,98 Sem 0 1 Não 0
reforma
3 40,00 MEDIO 1.226,98 Uma 1 1 Não 0
reforma
4 45,00 MEDIO 1.226,98 Sem 0 1 Não 0
reforma
5 45,00 MEDIO 1.226,98 Sem 0 1 Não 0
reforma
6 32,38 ALTO 1.411,10 Uma 1 Novo/reformado 4 Não 0
7 45,00 MEDIO 1.226,98 Uma 1 Novo/reformado 4 Sim 1
8 33,75 BAIXO 1.189,14 Sem 0 Entre 10 e 20 anos bem conservado 3 Não 0
9 33,75 BAIXO 1.189,14 Sem 0 Entre 10 e 20 anos bem conservado 3 Não 0
10 50,00 ALTO 1.411,10 Uma 1 Entre 10 e 20 anos bem conservado 3 Não 0
12 30,52 MEDIO 1.226,98 Uma 1 Entre 10 e 20 anos bem conservado 3 Não 0
Entre 10 e 20 anos bem
13 30,52 MEDIO 1.226,98 Uma 1 3 Não 0
conservado
15 45,00 MEDIO 1.226,98 Sem 0 Entre 10 e 20 anos bem conservado 3 Não 0

16 40,00 BAIXO 1.189,14 Sem 0 1 Não 0
reforma
17 40,00 BAIXO 1.189,14 Sem 0 1 Não 0
reforma
18 32,00 ALTO 1.411,10 Sem 0 Entre 10 e 20 anos bem conservado 3 Sim 1
19 50,00 BAIXO 1.189,14 Uma 1 Entre 20 e 30 Anos 2 Não 0
20 34,00 MEDIO 1.226,98 Uma 1 1 Não 0
reforma
21 38,00 MEDIO 1.226,98 Uma 1 Novo/reformado 4 Sim 1
22 43,00 MEDIO 1.226,98 Uma 1 Entre 20 e 30 Anos 2 Não 0
24 45,00 ALTO 1.411,10 Uma 1 Novo/reformado 4 Sim 1
25 32,00 BAIXO 1.189,14 Uma 1 Entre 20 e 30 Anos 2 Não 0
27 39,00 ALTO 1.411,10 Uma 1 Entre 10 e 20 anos bem conservado 3 Sim 1
30 56,00 MEDIO 1.226,98 Uma 1 Entre 10 e 20 anos bem conservado 3 Sim 1
1 REQUISITOS PARA USAR O PROGRAMA SISDEA:

1.1 O trabalho se inicia com a tela abaixo você será solicitado a informar: Etapa 1/4
1.2. Definir as variáveis do modelo: Etapa 2/4
1.3. Classificar as variáveis do modelo - Etapa 3 de 4
As escalas das variáveis independentes devem ser estabelecida (em resumo)
• 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.
1.4. Definir a senha para o modelo:
Ao finalizar a criação do modelo, é possível proteger o mesmo de possíveis alterações

selecionando a opção “Modelo protegido por Senha”.
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)
1.5. Digitando os dados da amostra e das projeções de valores:
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.
Editando os dados da amostra e das projeções de valores:
Os modelos do SisDEA possuem a extensão. SDa.
Após salvar, Será aberta planilha para Editar os Dados de Mercado
3. DIGITAÇÃO DOS DADOS DA AMOSTRA E DO IMÓVEL AVALIANDO
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
selecione a opção do menu DADOS e INCLUIR DADOS - adicionar a quantidade de dados da

amostra, conforme a seguir
Na aba Amostra – digitar os elementos da pesquisa (ou importar/copiar do Excel)

Na aba Projeções - acrescentar os dados do imóvel avaliando
Digitando os dados da Pesquisa – Amostra
Criada a planilha com a quantidade de dados – copiar do EXCEL e Colar no SISDEA
Digitando os dados do imóvel avaliando – Projeções
2. RETORNANDO AO MENU MODELO / PROPRIEDADES

Para retornar ao menu Modelo | Propriedades, selecione a opção de Menu Modelo, e depois
Propriedades.
(Retorna ao início do trabalho e permite edição/ alteração variáveis)
1. ANALISE EXPLORATÓRIA DOS DADOS DA AMOSTRA
Distribuição de Frequências (histograma)
Gráficos de Dispersão
Uso da estatística descritiva:

• Gráficos de dispersão (Exibir Variáveis)
• Histogramas das variáveis
• Medidas de tendência central, limites das variáveis e dispersão dos dados;
• Identificação de dados e variáveis inconsistentes ou pouco representativas.
No módulo exibir variáveis será possível:

• Identificar erros de digitação;
• Verificar se houve a extrapolação das variáveis independentes em relação aos atributos dos
imóveis avaliando;
• Identificar no gráfico de dispersão os pontos discrepantes para cada variável independente;
• Identificar a tendência linear entre as variáveis independentes e a variável dependente. Por
exemplo: A área total aumenta, o valor unitário diminui.
Se existir inversão, o problema pode estar na colinearidade ou na existência de pontos
influenciantes, ou ainda, comportamento de mercado diferente do normalmente admitido
(por exemplo, terrenos com topografia plana normalmente possuem valores mais altos, mas
em algumas situações podem ser ao contrário)
5. CÁLCULO DA EQUAÇÃO DE REGRESSÃO
Para acessar o módulo de opções de cálculo, selecione a aba Ferramentas e em

seguida o botão Calcular do grupo da Regressão Linear.
Abre-se a tela do modelo de regressão linear.
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).
Nota: As restrições não são

para “direcionar” a construção
do modelo e nem “conduzir” o
comportamento (negativo ou
positivo) da variável
independente. X aumenta
Auxilia a verificação posterior
a coerência do modelo
(equação).
CALCULAR - abre-se tela com principais resultados
METODOS DE CÁLCULO DA EQUAÇÃO DE REGRESSÃO

• GERAL – todas as regressões possíveis (combinação de todas as variáveis com todas as
transformações selecionadas).
• SIMPLIFICADO – mais do que 10 variáveis e todas as transformações selecionadas (útil quando o
cálculo da equação de regressão levar a um número muito grande de modelos e o tempo de espera
pela resposta do programa também é grande);
OBS.: A sugestão é iniciar com as transformações mais simples: x, 1/x e ln x.
A estatística de DURBIN WATSON é específica para uso em séries temporais (pesquisa ao longo de um
período, em anos, meses..., onde tem-se a variável data do evento) para verificar se existe auto-
regressão dos resíduos (positiva ou negativa).
Calculo Dos Coeficientes • Sugere-se utilizar o método dos mínimos quadrados para amostras com
poucos dados;
Seleção do modelo regressão, estimativa, F calculado ou Significância dos regressores
A decisão de escolha é por aquele que gere modelos satisfatórios e que atendam outros requisitos
estatísticos, de mercado e das Normas da ABNT.
Nesta fase, seleciona-se um modelo e passa-se para a análise detalhada para posterior escolha.
SELEÇAO DE VARIÁVEIS INDEPENDENTES
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.
Seleção Forward ----- selecionar uma variável independe por vez – por exemplo : Área
Pode-se analisar a equação e ir acrescentando outras variáveis e analisado os resultados
Seleção Backward ----- selecionar todas variáveis independentes
Todas variáveis selecionadas, analisam os resultados estatísticos, podendo-se excluir variáveis ou

elementos que não se ajustam e encontrar o modelo adequado para avaliar o imóvel (que atenda o
mercado, as normas avaliatórias, a inferência estatística)
6. SELEÇÃO DO MODELO (critérios básicos)

• COEFICIENTE DE DETERMINAÇÃO (R2) - desejável que seja suficiente para explicar a variação
total em torno da média (geralmente maior que 70% em amostras pequenas, inferior a 30
dados). Se o coeficiente for baixo sugere-se analisar as variáveis e os dados. Podem existir
dados influenciantes, as escalas das variáveis independentes podem estar inadequadas ou,
variáveis importantes omitidas. Verificar se os valores da variável dependente são pouco
dispersos, indicando amostra homogênea (modelo de regressão nulo).
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 %
• Significância do modelo (teste “F” Fischer): Grau de Fundamentação (item 6, Tab. 3)

III <= 0,01
II <= 0,02
I < =0,05
• Grau de Precisão do Laudo: Amplitude do Intervalo de Confiança de 80% (Tab 5)

III ≤ 30%
II > 30% ≤ 40 %
I > 40 % ≤ 50 %
• Análise dos resíduos

Outliers do modelo (ponto atípico ou elemento discrepante) são dados que
apresentam um grande afastamento das demais da série ("fora" dela).
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 +).
O programa indica a quantidade de outliers e o % em relação ao número de dados
Distribuição Dos Resíduos – indicam os percentuais do modelo - relacionado com a
Normalidade
Distribuição dos resíduos Curva Normal
Resíduos situados entre -1 e + 1 68%
Resíduos situados entre -1,64 e + 1,64 90%
Na tela “resumo” do Sisdea, identificam-se os TESTES FORMAIS, definidos na NBR 14.653-2:
Item 5 - Grau de Item 6 - Grau de

Fundamentação Fundamentação
III < 10% III < 0,01
II < 20% II < 0,02
I < 30% I < 0,05
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:
Ao aplicar o modelo selecionado, abre-se a tela detalhada

Na telha detalhada identifica-se:
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
Nesta tela, analisam-se as variáveis significativas do modelo selecionado – aplicando

conceitos do item 5 da tabela dos Graus de Fundamentação da ABNT 14.653-2
Grau
Item Descrição
III II I
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)
O processo dos testes de significância das variáveis, consiste basicamente em:

1º.) Formular a hipótese nula e a hipótese alternativa
2º.) Escolher a distribuição amostral adequada
3º.) Escolher 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 ou analisar de a probabilidade excede o nível de significância crítico, ou então analisar pelo nível de
significância.
Nota: O programa indica o nível de significância (Valor P), bastando apenas ficar atento para verificar se está
abaixo de 10%, 20% ou 30% (graus III, II, I, respectivamente) para duas caudas
Processo dos testes de significância das variáveis isoladas (t Student)

1º) Portanto, para iniciar o processo, dois são formulados dois tipos de hipóteses:
a hipótese nula (H0=b1=0) ou H0 (-7.672646) =0 - X1 não é importante para explicar variação de Y
:
Contra
a hipótese alternativa (H1b10) 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
Grau III – Fundamentação (10%, bicaudal)
Região de
Aceitação de H0 Região de
rejeição de H0
- 0 t tabelado (Graus de Liberdade , n-K-1) =
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
Teste de significância do modelo– Teste “F “de Fisher-Snedecoor e Análise da Variância-

Examina-se o nível de significância (para classificar a avaliação grau III 1%, II 2% ou I 5%), de
acordo com o item 6 da Norma da ABNT
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)
Nível de significância máximo admitido para

6 a rejeição da hipótese nula do modelo 1% 2% 5%
Gráfico através do teste F de Snedecor
Região de rejeição
de H0
0 F tabelado
Graus de Liberdade no numerador, K
n-K-1
Graus de Liberdade no denominador,
7. ANALISE DA EQUAÇÃO – verificar o gráfico da função estimativa.
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.
8 CORRELAÇÕES – verificar matriz e gráficos.
Na matriz de correlações analisa-se as correlações isoladas (entre a variável dependente e

independentes) para verificar o grau de relacionamento e se é positivo ou negativo.
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.
9. ANÁLISE DOS RESIDUOS
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 +) .
• Normalidade Distribuição Dos Resíduos

A regressão linear só deve ser usada se os erros são normais, portanto, caso o teste
aponte que esta premissa é inválida, os resultados da regressão (intervalos de
confiança, etc.) não podem ser usados.
Essa condição pode ser verificada através de uma regra empírica segundo a qual,
cerca de 68% da área está a 1 desvio padrão da Média Zero, cerca de 90% a 1,64
desvios e 95% da área a 1,96 desvios, conforme figura abaixo.
Um gráfico de resíduos padronizados versus preço previsto, apresentando 95% dos
pontos no intervalo [-1,96;+1,96] é um indicador favorável a verificação da hipótese.
-1,96δ -1,64δ -1δ 0 +1δ +1,64δ +1,96δ

68%
90%
95%
No modelo espera-se que os resíduos estejam distribuídos desta forma
Distribuição dos resíduos Curva Normal
Resíduos situados entre -1 e + 1 68%
Tabela 1 -Curva Normal (p = área entre 0 e z)
segunda casa decimal
z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359
0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0753
0.2 0.0793 0.0832 0.0871 0.0910 0.0948 0.0987 0.1026 0.1064 0.1103 0.1141
0.3 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.1480 0.1517
0.4 0.1554 0.1591 0.1628 0.1664 0.1700 0.1736 0.1772 0.1808 0.1844 0.1879
0.5 0.1915 0.1950 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2190 0.2224
0.6 0.2257 0.2291 0.2324 0.2357 0.2389 0.2422 0.2454 0.2486 0.2517 0.2549
0.7 0.2580 0.2611 0.2642 0.2673 0.2704 0.2734 0.2764 0.2794 0.2823 0.2852
0.8 0.2881 0.2910 0.2939 0.2967 0.2995 0.3023 0.3051 0.3078 0.3106 0.3133
0.9 0.3159 0.3186 0.3212 0.3238 0.3264 0.3289 0.3315 0.3340 0.3365 0.3389
1.0 0.3413 0.3438 0.3461 0.3485 0.3508 0.3531 0.3554 0.3577 0.3599 0.3621
1.1 0.3643 0.3665 0.3686 0.3708 0.3729 0.3749 0.3770 0.3790 0.3810 0.3830
1.2 0.3849 0.3869 0.3888 0.3907 0.3925 0.3944 0.3962 0.3980 0.3997 0.4015
1.3 0.4032 0.4049 0.4066 0.4082 0.4099 0.4115 0.4131 0.4147 0.4162 0.4177
1.4 0.4192 0.4207 0.4222 0.4236 0.4251 0.4265 0.4279 0.4292 0.4306 0.4319
1.5 0.4332 0.4345 0.4357 0.4370 0.4382 0.4394 0.4406 0.4418 0.4429 0.4441
1.6 0.4452 0.4463 0.4474 0.4484 0.4495 0.4505 0.4515 0.4525 0.4535 0.4545
1.7 0.4554 0.4564 0.4573 0.4582 0.4591 0.4599 0.4608 0.4616 0.4625 0.4633
1.8 0.4641 0.4649 0.4656 0.4664 0.4671 0.4678 0.4686 0.4693 0.4699 0.4706
1.9 0.4713 0.4719 0.4726 0.4732 0.4738 0.4744 0.4750 0.4756 0.4761 0.4767
2.0 0.4772 0.4778 0.4783 0.4788 0.4793 0.4798 0.4803 0.4808 0.4812 0.4817
3.0 0.4987 0.4987 0.4987 0.4988 0.4988 0.4989 0.4989 0.4989 0.4990 0.4990
• HOMOCEDASTICIDADE (verificar se no gráfico de resíduos da regressão o erro

constante, ou seja, os pontos devem estar espalhados sem nenhuma tendência
definido).
• Neste caso, o modelo deve ser modificado (introduzindo outras variáveis, ou

mudando o modelo) para que os erros se comportem como uma variável normal
Identificação de Pontos influenciantes - Distancia de COOK
Quanto maior for Di, maior é a influência.
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.
10. ADERENCIA
O módulo de aderência permite analisar dois gráficos:

O primeiro, localizado à direita no canto superior, é o da Aderência entre os dados
observados e os valores estimados. Este gráfico permite verificar com rapidez o poder de
“predição” do modelo, definido pela linha amarela que representa a biessetriz do primeiro
quadrante), ou o quanto o modelo ajustou-se aos dados coletados.
Neste módulo, é importante salientar que:
• Pelas Normas da ABNT 14.653-2 (item 8.2.1.4) Laudo de Avaliação, na modalidade
completo, deve ter anexado o Gráfico de Aderência (valores estimados x preços observados).
“O poder de predição do modelo deve ser verificado a partir do gráfico de preços observados
na abscissa versus valores estimados pelo modelo na ordenada, que deve apresentar pontos
próximos da bissetriz do primeiro quadrante.
• Os pontos mais distantes da diagonal (linha amarela) são os dados mais discrepantes, e
devemos analisar e dar a estes a maior atenção.
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.
11. PROJEÇÃO DE VALORES
• O “intervalo de confiança” é utilizado para medir a precisão da avaliação
• O “intervalo de predição“ ou para fazer estimativas (avaliações) intervalares – quando

solicitado pelo cliente
• O “campo de arbítrio” é utilizado para arbitrar valores quando o imóvel avaliando

apresentar uma ou mais singularidades não consideradas no modelo. (até 15% para mais
ou 15% para menos).
Ao utilizar o campo de arbítrio, será necessário apresentar a justificativa no laudo de

avaliação.
Ver regras das NORMAS ABNT
IMPRESSÃO DOS DADOS anexar ao LAUDO de AVALIAÇÃO - A pesquisa deve ser

continuada e selecionar um modelo que atenda as regras da ABNT (Conclusão será no curso)
12. EXPORTANDO OS DADOS PARA O EXCEL

Os resultados podem ser exportados para a planilha Microsoft Excel
Selecione a opção através do menu Dados | Exportar, conforme ilustrado a seguir:
• Opçao EXCEL – ir em DADOS Exportar Planilha EXCEL – salvar a planilha
As planilhas serão analisadas após finalizado modelo
13. GERANDO RELATORIO SINTETICO DE VALORES
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.
• Opção Word - ir em EXIBIR – Resultados
os resultados do relatório serão analisados após finalizado modelo
Relatório Estatístico - Regressão Linear
1) Modelo:
• Exercício Aclimação
2) Data de referência:
• segunda-feira, 28 de março de 2016
3) Informações Complementares:
Variáveis e dados do modelo Quant.

Total de variáveis: 6
Variáveis utilizadas no modelo: 5
Total de dados: 31
Dados utilizados no modelo: 29
1) Estatísticas:
Estatísticas do modelo Valor

Coeficiente de correlação: 0,9294954 / 0,9294954
Coeficiente de determinação: 0,8639617
Fisher - Snedecor: 38,11
Significância do modelo (%): 0,01
1) Normalidade dos resíduos:
Distribuição dos resíduos Curva Normal Modelo

Resíduos situados entre -1 e + 1 68% 68%
Resíduos situados entre -1,64 e + 1,64 90% 93%
Resíduos situados entre -1,96 e + 1,96 95% 100%
1) Outliers do modelo de regressão:
Quantidade de outliers: 0
% de outliers: 0,00%
1) Análise da variância:
Fonte de variação Soma dos Graus de Quadrado F

Quadrados Liberdade Médio
Explicada 92901979,602 4 23225494,901 38,105
Não Explicada 14628228,970 24 609509,540
Total 107530208,572 28
1) Equação de regressão / Função estimativa (moda, mediana e média):
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:
Variáveis Transf. t Obs. Sig.(%)

Area privativa x -2,02 5,45
Padrão construtivo 1/x -4,70 0,01
Vagas de garagem x 3,98 0,06
Estado Conservação 1/x -3,71 0,11
Valor unitário y 8,30 0,01
10) Correlações Parciais:
Correlações parciais para Area privativa Isoladas Influência

Padrão construtivo 0,00 0,26
Vagas de garagem 0,13 0,38
Estado Conservação 0,12 0,09
Valor unitário -0,15 0,38
Correlações parciais para Padrão construtivo Isoladas Influência

Vagas de garagem -0,49 0,24
Estado Conservação 0,49 0,22
Correlações parciais para Vagas de garagem Isoladas Influência

Estado Conservação -0,44 0,20
Valor unitário 0,70 0,63
Correlações parciais para Estado Conservação Isoladas Influência

Tabela de Fundamentação - NBR 14653-2
Ite Descrição Grau Grau Grau Pontos

m obtidos
III II I
1 Caracterização do imóvel Completa quanto a Completa quanto às Adoção de situação
avaliando todas as variáveis variáveis utilizadas no paradigma
analisadas modelo
2 Quantidade mínima de 6 (k+1), onde k é o 4 (k+1), onde k é o 3 (k+1), onde k é o II
dados de mercado, número de variáveis número de variáveis número de variáveis
3 Identificação dos dados de Apresentação de Apresentação de Apresentação de
mercado informações relativas a informações relativas a informações relativas aos
todos os dados e todos os dados e dados e variáveis
variáveis analisados na variáveis analisados na efetivamente utilizados
modelagem, com foto e modelagem no modelo
características
conferidas pelo autor
do laudo
4 Extrapolação Não admitida Admitida para apenas Admitida, desde que: a)
uma variável, desde que: as medidas das
a) as medidas das características do imóvel
características do imóvel avaliando não sejam
avaliando não sejam superiores a 100 % do
superiores a 100% do limite amostral superior,
limite amostral superior, nem inferiores à metade
nem inferiores à metade do limite amostral
do limite amostral inferior; b) o valor
inferior, b) o valor estimado não ultrapasse
estimado não ultrapasse 20 % do valor calculado
15% do valor calculado no limite da fronteira
no limite da fronteira amostral, para as
amostral, para a referida referidas variáveis, de
variável per si e
módulo
5 Nível de significância 10% 20% 30% III
duas caudas) máximo para a
rejeição da hipótese nula de
cada regressor (teste
bicaudal)
6 Nível de significância 1% 2% 5% III
rejeição da hipótese nula do
modelo através do teste F
de Snedecor
Gráfico de Aderência - Regressão Linear
Gráfico de resíduos - Regressão Linear
14 GERANDO RELATORIOS SINTETICOS DE VALORES
PROJEÇÃO DE VALORES
Dados para a projeção de valores:
• Área privativa = 30,52

• Padrão construtivo = 1.226,98
• Vagas de garagem = 0
• Estado Conservação = 3
Valores da Moda para Nível de Confiança de 80%
•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
Variáveis Conteúdo Valor estimado Unitário Total

x1 Área privativa 31 Médio 7.732,88 236.007,50
x2 Padrão construtivo 1226,98 Mínimo 7.289,52 222.476,15
x3 Vagas de garagem 0 Máximo 8.176,25 249.539,15
x4 Estado Conservação 3
Campo de arbitrio Unitário Total
Mínimo 6.572,95 200.606,43
Endereço Rua Tamandaré Máximo 8.892,82 271.408,87
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
Resultado final Unitário Total

Valor adotado 7.732,88 236.007,50
Variável base 30,52
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
Exemplo Aplicativo 2- Compatibilização Mercado Imobiliário, Normas da ABNT,

Inferência Estatística e programa SISDEA.
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.
Amostra: Pesquisa de Mercado (Amostra)

As variáveis relacionadas à apartamentos são inúmeras, indo desde as características da
unidade avalianda em si, às do prédio avaliando, do condomínio, etc... e que podem se
constituir em variáveis na modelagem:
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:
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
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
R$ 940.500,00 Venda R$ 9.131,07 103,00
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
R$ 744.000,00 Oferta R$ 7.796,02 85,89
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
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
R$ 978.000,00 Oferta R$ 9.977,33 88,22
EXERCÍCIO Aplicativo 3 -Avaliar terreno com 300m2, em via principal, a

300 metros de distância do polo e índice fiscal 521,36.
Objetivo principal análise de Colinearidade (ou multicolienaridade) entre as variáveis
independentes.
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.
Amostra
Variáveis Independentes
Variável
LOCALIZAÇÃO
Dependente
Dicotômicas Quantitativa Proxy Quantitativa Dicotômica
El Via Principal/Secundária Distancia a Polo Índice fiscal Área Oferta/ Transação Valor Unitário
1 Via Principal 1 150,00 518,21 640,00 Oferta 1 R$ 1.200,00
2 Via Secundária 0 1.350,00 520,12 400,00 Transação 0 R$ 940,00
3 Via Secundária 0 1.180,00 520,12 1.000,00 Oferta 1 R$ 850,00
5 Via Secundária 0 1.200,00 520,40 1.000,00 Transação 0 R$ 750,00
6 Via Principal 1 250,00 520,74 510,00 Transação 0 R$ 1.050,00
8 Via Secundária 0 1.200,00 521,36 625,00 Oferta 1 R$ 890,00
10 Via Principal 1 350,00 521,36 1.000,00 Oferta 1 R$ 1.150,00
13 Via Secundária 0 600,00 582,66 800,00 Transação 0 R$ 750,00
16 Via Secundária 0 450,00 587,72 700,00 Oferta 1 R$ 900,00
17 Via Principal 1 350,00 633,72 900,00 Transação 0 R$ 750,00
20 Via Secundária 0 1.220,00 633,72 1.000,00 Oferta 1 R$ 700,00
21 Via Secundária 0 800,00 633,72 650,00 Transação 0 R$ 700,00

Apostila Inferencia Estatistica Ibape 2020 Moduloii Arq Ana Maria Biazzi

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Apostila Inferencia Estatistica Ibape 2020 Moduloii Arq Ana Maria Biazzi

Enviado por

Direitos autorais:

Formatos disponíveis

Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos

Inferência Estatística Aplicada a Engenharia de Avaliações de Imóveis Urbanos

Instrutora: Arquiteta e Urbanista Ana Maria de Biazzi Dias de Oliveira

Tel: 55 (11) 98109-7733 São Paulo -S.P

Aplicável à Engenharia de Avaliações

Engenharia de Avaliações - “Métodos Científicos e a Engenharia de Avaliações (com ênfase em

Normas da ABNT NBR 14.653

A Engenharia de Avaliações é uma especialidade da engenharia que reúne um conjunto amplo de

servidões amigáveis ou judiciais, enfim, em um número expressivo de ações oriundas de problemas

A Engenharia de Avaliações experimentou significativa e definitiva evolução a partir do ano de 1989,

3 Procedimentos gerais contidos na ABNT NBR -14.653 - 1: 2019

A seguir são destacadas algumas definições contidas no 3 da ABNT 14.653-1

3.2 Itens normativos importantes no processo de avaliação do bem

6.1 Requisição da documentação

6.2 Conhecimento da documentação

6.3 Vistoria do bem avaliando

6.4 Coleta de dados

6.5 Diagnóstico do mercado

6.6 Resultado da avaliação

6.7 Pressupostos, ressalvas e condições limitantes

No caso de adoção de situação-paradigma (hipotética ou virtual) para a avaliação de um bem,

Exemplos de avaliação em situação-paradigma:

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

7.2.2 Método involutivo

7.2.3 Método evolutivo

7.2.4 Método da capitalização da renda

4.1 Avaliação pelo Método Comparativo de Dados de Mercado

Trabalho de campo - Levantamento de dados de mercado

• cartórios de Registro Geral de Imóveis;

Identificação das variáveis do modelo (item 8.2.1.2 da ABNT NBR 14653-2)

Por definição da ABNT-NBR 14653-2:

3.74 variáveis quantitativas: variáveis que podem ser medidas ou contadas

3.76 variáveis dicotômicas: variável que assume apenas duas posições

Tratamento de dados (ITEM 8.2.1.4 ABNT NBR-14.653-2):

Pelo ITEM 8.2.1.4 ABNT NBR-14.653-2, é obrigatória validação do modelo:

Nota explicativa: Bissetriz do primeiro quadrante

A qualidade da amostra deve estar assegurada quanto a:

Tratamento científico (item 8.2.1.4.3 ABNT NBR-14.653-2)

Outras ferramentas analíticas para a indução do comportamento do mercado, consideradas de

Destaque para o item 8.2.1.5 da Norma quanto ao Campo de arbítrio

Especificação das avaliações

9- Especificação (de acordo com ABNT NBR-14.653-2 Imóveis Urbanos)

9.2 Métodos comparativo direto de dados de mercado

9.2.1.1 Para atingir o grau III, são obrigatórias:

9.2.1.4 Recomenda-se a não extrapolação de variáveis que presumivelmente explicariam a variação

9.2.1.5 O profissional da engenharia de avaliações deve analisar o modelo, com a verificação da

Tabela 2 — Enquadramento do laudo segundo seu grau de fundamentação no caso de utilização de

9.2.2 Grau de precisão conforme a Tabela 5.

Nota: Quando a amplitude do intervalo de confiança ultrapassar 50%, não há classificação do

Apresentação do laudo de avaliação (item 10 – ABNT NBR 14653-2)

10.1 Laudo de avaliação completo

Anexo A(reprodução na íntegra da NBR 14653-2)

– efeitos de variáveis não detectadas e de variáveis irrelevantes não incluídas no modelo;

A.2 Pressupostos básicos

Ressalta-se a necessidade, quando se usam modelos de regressão, de observar os seus

para evitar a micronumerosidade, o número mínimo de dados efetivamente utilizados (n) no

os erros são não autocorrelacionados, isto é, são independentes sob a condição de

O exame da autocorrelação deve ser precedido pelo pré-ordenamento dos elementos

A.2.1.5 Colinearidade ou multicolinearidade

A.2.1.5.2 Para verificação da multicolinearidade deve-se, em primeiro lugar, analisar a matriz

A.2.1.5.3 Para tratar dados na presença de multicolinearidade, é recomendável que sejam

A.2.1.6 Pontos influenciantes ou “outliers”

A.3 Testes de significância

A.4 Poder de explicação