XVI COBREAP - CONGRESSO BRASILEIRO DE ENGENHARIA DE AVALIAES E PERCIAS - IBAPE/AM - 2011

TRABALHO DE AVALIAO

TRATAMENTO POR FATORES: USO DO MTODO BOOTSTRAP COMO ALTERNATIVA AO SANEAMENTO DA AMOSTRA

Resumo: Nas avaliaes de imveis urbanos em que se utiliza o mtodo comparativo direto de dados de mercado (via tratamento por fatores) recomendado pela NBR 14653-2:2011 e pela norma para avaliao de imveis urbanos do IBAPE-SP (2005), aps a homogeneizao da amostra coletada, o emprego de critrios estatsticos consagrados ou determinsticos de eliminao de dados discrepantes (outliers), para o saneamento da amostra. Entretanto, a excluso indiscriminada e generalizada de observaes discrepantes no coaduna com a habitual escassez de dados de oferta e/ou transao disponveis no mercado e confronta com a teoria estatstica que tipica os casos para a rejeio de elementos atpicos. Ademais, a eliminao de observaes de mercado fundamentada em procedimentos determinsticos ou embasada em suposies equivocadas de distribuio de probabilidade normal principalmente em pequenas amostras para os dados populacionais pode resultar em estimativas imprecisas e irrealistas. Visando lidar com estas diculdades e ao mesmo tempo objetivando conferir cienticidade avaliao, o presente trabalho prope o uso de uma poderosa tcnica estatstica de reamostragem como forma de imprimir maior nvel de preciso e fundamentao nas avaliaes de imveis via tratamento por fatores. Palavras-chave: Avaliao de imveis, Dados discrepantes, Reamostragem, Intervalos de conana.

Introduo

As avaliaes de imveis so realizadas usualmente com base no mtodo comparativo direto de dados de mercado, em que o valor de um bem obtido por comparao com outros de caractersticas similares. Ocorre que, aps a coleta dos elementos de referncia, o engenheiro de avaliaes1 est geralmente de posse de uma amostra composta de eventos similares entre si mas que dicilmente ser homognea o bastante para permitir uma concluso direta quanto ao valor mdio de mercado desses imveis, tornando-se imprescindvel o tratamento dos dados coletados e a homogeneizao dos valores. De acordo com a NBR 14653-2:2011 (Avaliao de Bens Parte 2: Imveis Urbanos), no tratamento dos dados podem ser utilizados, alternativamente e em funo da qualidade e da quantidade de dados e informaes disponveis: tratamento cientco: tratamento de evidncias empricas pelo uso de metodologia cientca que leve induo de modelo validado para o comportamento do mercado; tratamento por fatores: homogeneizao por fatores e critrios, calculados e fundamentados por metodologia cientca, e posterior anlise estatstica dos resultados homogeneizados. Os dois critrios acima mencionados basicamente denem as duas escolas de engenheiros avaliadores no Brasil: (i) aqueles que se utilizam dos modelos de regresso oriundos da aplicao da inferncia estatstica (tratamento cientco) e (ii) aqueles que fazem uso da homogeneizao por fatores (tratamento por fatores). Na dcada de 1990, o tratamento por fatores sofreu duras crticas no que tange ao uso indiscriminado de frmulas, modelos e ponderaes arbitrrias de homogeneizao das discrepncias entre os dados coletados (ver Dantas, 1998). Para Lima (1995) as avaliaes pelo mtodo comparativo de dados de mercado (via tratamento por fatores) estavam sendo relegadas a uma segunda classe, principalmente porque os fatores de homogeneizao empregados se baseavam em critrios consagrados, pelo tempo ou pelo uso, mas no derivados do comportamento do mercado. Com o advento da NBR 14653-2:2004 (atualmente substituda pela NBR 146532:2011), houve um resgate do prestgio dos modelos de homogeneizao por fatores, essencialmente devido recomendao normativa do uso de fatores de homogeneizao fundamentados, ou seja, inferidos no mercado e seguindo os mesmos procedimentos utilizados no tratamento cientco para o ajustamento de modelos de regresso. Desta forma, eliminou-se o emprego dos fatores consagrados e determinsticos,2 antes admitidos na NBR 5676 (NB-502/89).3 Diversas alternativas para a fundamentao da homogeneizao podem ser observadas na literatura, algumas voltadas para a utilizao direta de modelos de regresso, como em Wolferson & Torres (1980), Dantas & Cordeiro (1988) e Franchi (1992), outras
Deve ser entendido por engenheiro de avaliaes no s o prprio engenheiro como tambm o arquiteto, o engenheiro agrnomo ou outro prossional legalmente habilitado e especializado em avaliaes. 2 Alguns dos fatores consagrados podem ser encontrados em Fiker (1993), Meyer (2003) e Thofehrn (2010). 3 A NBR 5676 (NB-502) da ABNT corresponde primeira norma brasileira para avaliao de imveis urbanos. Revista em 1989, a norma brasileira para avaliao de imveis urbanos foi registrada no INMETRO (Instituto Nacional de Metrologia, Normalizao e Qualidade Industrial) como NBR 5676.
1

voltadas para a utilizao de diferentes formas de obteno de fatores de homogeneizao a partir de tcnicas derivadas de modelos de regresso, como em Newsome (1991) e Ghilhon (1993). Alm destes trabalhos, destacamos o estudo desenvolvido por Lima (2001) que props um coeciente de homogeneizao para medir a aderncia dos modelos, seja de regresso, seja de homogeneizao por fatores, e demonstrou que a homogeneizao utilizando tratamento por fatores pode ser prefervel em relao utilizao de um modelo de regresso. Por outro lado, de acordo com o Anexo B da NBR 14653-2:2011, apenas a determinao dos fatores de homogeneizao no suciente para a aplicao do mtodo comparativo de dados de mercado via tratamento por fatores, necessrio ainda que seja realizado o saneamento da amostra4 mediante a utilizao de critrios estatsticos consagrados de eliminao de dados discrepantes.5 Semelhantemente, o item 10.6 - Aplicao dos fatores da norma para avaliao de imveis urbanos do IBAPE-SP (2005)6 determina que o saneamento da amostra seja realizado por meio da excluso dos eventos que sejam discrepantes em mais de da mdia homogeneizada , um elemento por vez, iterativamente, at que todos os elementos dentro do intervalo estejam considerados e os elementos alheios a ele estejam excludos. Acontece que a eliminao de dados imobilirios discrepantes, conforme sugerido nas normas do IBAPE-SP (2005) e NBR 14653-2:2011, aparenta confrontar com os seguintes aspectos: a) De acordo com o Anexo B da NBR 14653-2:2011, os fatores de homogeneizao calculados em relao ao avaliando ou ao paradigma devem estar contidos entre e . Analogamente, a norma do IBAPE-SP (2005) estabelece que no so considerados elementos semelhantes ao avaliando aqueles cujos valores unitrios, aps a aplicao do conjunto de fatores, resultem numa amplitude de homogeneizao aqum da metade ou alm do dobro do valor original de transao (descontada a incidncia do fator oferta quando couber). Aqui, registra-se que apesar dos referidos intervalos admissveis de ajustes para os conjuntos de fatores serem uma ponderao subjetiva de ambas as normas, percebe-se que j h neste primeiro momento da homogeneizao a excluso das eventuais observaes que destoam demasiadamente em seus atributos do imvel avaliando e/ou do paradigma. Note que o procedimento de sanear a amostra somente ocorrer aps a homogeneizao dos dados, ou seja, depois que todas as observaes so homogeneizadas por fatores calculados e situados entre e (no caso da NBR 14653-2:2011) ou posteriormente ao valor homogeneizado de cada elemento depois da aplicao do conjunto de fatores no resultar aqum da metade, ou alm do dobro do valor original de transao, descontada a incidncia do fator de oferta (para o caso da norma do IBAPE-SP (2005)). Por estas razes, presumese que a amostra resultante da (primeira) homogeneizao contenha dados de
Segundo Cappellano (2007), o saneamento da amostra tem por nalidade a eliminao de dados discrepantes, a m de que os eventos atpicos no contaminem o valor do bem ora avaliado. 5 Um dado discrepante uma observao cujo valor medido e/ou observado atpico, pouco frequente, e aparenta no seguir a distribuio caracterstica dos dados restantes constituintes de uma amostra. Estes dados que apresentam um grande afastamento em relao aos demais so habitualmente designados de discrepantes, discordantes, atpicos, outliers, esprios, extremos ou aberrantes. Para uma discusso detalhada sobre outliers ver Barnett & Lewis (1994). 6 Para simplicao da linguagem empregada ao longo deste trabalho, daqui em diante, salvo meno em contrrio, denotaremos a norma para avaliao de imveis urbanos do IBAPE-SP (2005) apenas por norma do IBAPE-SP (2005).
4

mercado com caractersticas fsicas, socioeconmicas e de localizao bastante semelhantes entre si. Pelo exposto, conjectura-se que o saneamento da amostra da forma como atualmente proposto pela NBR 14653-2:2011 e pela norma do IBAPE-SP (2005) uma (segunda) tentativa ad hoc de expurgar os eventos atpicos de bens supostamente singulares, caros ou baratos, decorrentes de ponderaes racionais e emocionais que compradores e vendedores praticam no mercado imobilirio; b) De acordo com o Anexo B da NBR 14653-2:2011, o saneamento da amostra deve ser realizado com base em critrios estatsticos consagrados de eliminao de dados discrepantes. Nesta eliminao, o mtodo mais utilizado entre os avaliadores o de Chauvenet, apresentado em diversas publicaes na rea de Engenharia de Avaliaes, como em Moreira (1994) e Maia Neto (1992). Aqui, trs observaes so pertinentes: (i) o valioso critrio de Chauvenet foi criado h cerca de 150 (cento e cinquenta) anos por William Chauvenet (ver Chauvenet, 1863), a partir de um conjunto com 15 observaes sobre o planeta Vnus. Chauvenet ajustou um modelo com os referidos dados e vericou que os resduos das observaes analisadas seguiam uma distribuio Gaussiana (ou distribuio normal), quando ento foi estabelecido o seguinte critrio para a excluso de elementos discordantes numa amostra: a observao discrepante suspeita ( ) dever ser eliminada se a probabilidade de obter um valor de igual ao valor suspeito, , em medies, for inferior a . De acordo com Holman (2001), deve-se aplicar o critrio apenas 1 (uma) vez. Se diversos pontos extrapolarem o limite crtico estabelecido, provvel que o sistema de instrumentao seja inadequado, ou o processo sendo observado siga uma distribuio de probabilidade diferente da normal. perceptvel para qualquer avaliador, e mesmo para aqueles que no o so, que as suposies e premissas estabelecidas para o uso do critrio de Chauvenet no podem ser generalizadas indiscriminadamente para o mercado imobilirio. at tolervel que estas verdades fossem aceitas, mesmo sabendo-se da impreciso que causavam nos trabalhos avaliatrios. Era o que se tinha de melhor. Atualmente, com as facilidades encontradas para o tratamento de dados de mercado mediante o emprego de tcnicas estatsticas apropriadas, no prudente o uso generalizado deste nem de outros critrios baseados em formulaes empricas; (ii) apesar de ainda hoje ser utilizado em muitos exemplos prticos nas mais diversas reas do conhecimento, principalmente em estudos menos aprofundados, o uso do critrio de Chauvenet na Engenharia de Avaliaes no implica tornar o trabalho avaliatrio mais rigoroso ou preciso, ao contrrio, o procedimento objetivo e quantitativo do mtodo elimina sumariamente qualquer observao que extrapole o limite crtico estabelecido para os elementos discrepantes, independentemente de suas caractersticas fsicas, socioeconmicas e de localizao; (iii) a aplicao do critrio de Chauvenet bastante questionvel quando a amostra composta de poucos elementos comparveis, caso tpico das avaliaes de imveis via tratamento por fatores, e quando no se pode assumir distribuio de probabilidade normal para os dados populacionais, caso usualmente observado

em avaliaes imobilirias (ver, por exemplo, Dantas & Cordeiro, 2000).7 Pelo exposto, conjectura-se que o saneamento da amostra mediante o uso de critrios estatsticos consagrados, como o critrio de Chauvenet, pode resultar em estimativas equivocadas acerca do valor do imvel. c) No mercado imobilirio existem vrias razes para o aparecimento de pontos discrepantes e geralmente podem ser consequncia de: erros de mensurao decorrentes de registro incorreto ou equvoco em medidas ou em clculos; inadequao do elemento amostral, por apresentar determinada(s) caracterstica(s) no presentes nos demais; variabilidade inerente dos elementos da populao: a observao legtima e, apesar de nada improvvel estar ocorrendo, constitui um ponto discrepante em relao aos demais. Neste casos, a distribuio populacional geralmente possui caudas pesadas e elevada curtose. Logicamente, os erros de mensurao devem ser corrigidos ou, se isto for impossvel, retirados do conjunto de dados. No caso de inadequao do elemento amostral, seria razovel estimar o valor do imvel avaliando sem esse elemento ou ento aumentar a pesquisa de forma a comportar a criao de nova(s) varivel(eis) (ou fatores) para informar ao modelo essa(s) caracterstica(s) (Grandiski & Oliveira, 2007). Contudo, nas situaes em que o dado atpico resultado da prpria variabilidade inerente dos elementos da populao, a observao discrepante legtima8 e merece uma anlise mais detalhada. Note que no atual cenrio de avaliaes de imveis via tratamento por fatores h uma evidente contraposio teoria estatstica no que tange identicao, anlise e tratamento de pontos atpicos, haja vista que apesar das causas que levam ao aparecimento de outliers serem diversas, nem a NBR 14653-2:2011 e nem a norma do IBAPE-SP (2005) fazem quaisquer distines acerca dos tipos de observaes discrepantes que devem ser eliminadas durante o saneamento da amostra. A rejeio automtica de dados discrepantes no um procedimento prudente (ver Draper & Smith, 1998). s vezes, esse dado oferece informaes que os outros pontos no do, pois eles decorrem de uma combinao incomum de circunstncias que podem ser de interesse vital e que exigem mais investigao e no rejeio. Para os econometristas (ver, por exemplo, Gujarati, 2006), os dados discrepantes s devem ser rejeitados se puderem ser atribudos a causas como erros de registro ou aos aparelhos (no caso de experimentos fsicos). Nos demais casos, cabe uma atenta investigao. Grandiski & Oliveira (2007), referindo-se presena de observao discrepante legtima em modelos de regresso (via tratamento cientco), ressalta que a manuteno de outliers pode ser imprescindvel, nos casos em que o elemento avaliando dependa dele, ou quando ele incorpora novas informaes ainda
Em uma avaliao do mercado de apartamentos na regio metropolitana do Recife, os autores vericaram que ao considerar a distribuio normal para os dados, alguns preos ajustados foram negativos, uma situao impossvel de acontecer. 8 Corresponde observao que apesar de nada improvvel estar ocorrendo (como erro de mensurao, inadequao do elemento amostral, entre outros fatores), constitui um ponto discrepante em relao aos demais.
7

no absorvidas pelos demais. Os referidos autores complementam destacando que a eliminao ou manuteno de eventuais observaes discrepantes deve ser precedida de anlise estatstica criteriosa. No obstante s recomendaes constantes na literatura, note que nem a NBR 14653-2:2011 e nem a norma do IBAPESP (2005) permite que uma observao atpica, mesmo que legtima, pertena amostra nal homogeneizada (aps o saneamento da amostra) se o elemento discrepante no atender aos requisitos citados no itens a e b anteriores. Pelo exposto, conjectura-se que o saneamento da amostra mediante a eliminao sumria de dados discrepantes aparenta ser infundada e ao mesmo tempo subjetiva o procedimento de estimao do valor via tratamento por fatores. Acrescenta-se ainda, conforme observado por Grandiski & Oliveira (2007) e Dantas (2005), que a base da Engenharia de Avaliaes a informao e muitas vezes a falta de elementos ou diculdades na coleta de dados imobilirios costumam ser as principais causas de falhas na obteno do valor de mercado, razo pela qual torna-se imperativa a busca por tcnicas que reduzam as perdas de informaes e ao mesmo tempo aumentem a acurcia do trabalho avaliatrio. Neste sentido, o presente trabalho prope o uso de uma poderosa tcnica estatstica de reamostragem, denominada bootstrap, como forma de imprimir maior nvel de preciso e fundamentao nas avaliaes de imveis via tratamento por fatores. O mtodo bootstrap, introduzido por Efron (1979), um mtodo de reamostragem baseado na construo de subamostras a partir de uma amostra inicial. Devido a sua generalidade, o mtodo bootstrap se encaixa na soluo de problemas complexos, em particular nos casos em que o nmero de dados reduzido e a distribuio de probabilidade desconhecida, pois possibilita a estimao pontual e por intervalo de diversos parmetros de interesse. O uso do mtodo bootstrap ilustrado neste trabalho a partir de uma aplicao com dados reais de terrenos urbanos situados na cidade de Pesqueira, Pernambuco (PE). As anlises empricas realizadas indicam que o mtodo bootstrap constitui uma eciente alternativa ao saneamento da amostra para a estimao do valor via tratamento por fatores, sobretudo, em amostras reduzidas (com poucos elementos) e em situaes que a suposio de normalidade para os dados populacionais aparenta no ser razovel. O presente trabalho est dividido em 4 (quatro) sees. Na Seo 1, destacamos os tipos de tratamento de dados previstos na NBR 14653-2:2011 quando se utiliza o mtodo comparativo de dados de mercado e enfatizamos a evoluo do tratamento por fatores ao longo dos anos, precipuamente no que tange ao emprego de fatores de homogeneizao fundamentados. Adicionalmente, mencionamos os principais aspectos que aparentam tornar o procedimento de sanear a amostra (previsto na NBR 14653-2:2011 e na norma do IBAPE-SP (2005)) questionvel no que tange eccia e fundamentao terica. Alm disto, apontamos o mtodo bootstrap como uma possvel alternativa ao saneamento da amostra nas avaliaes de imveis via tratamento por fatores. Na Seo 2, apresentamos o mtodo bootstrap e detalhamos os principais aspectos de inferncia, com nfase para a construo de intervalos de conana de parmetros de interesse. Na Seo 3, aplicamos o mtodo bootstrap a um conjunto de dados reais e comparamos as estimativas dos parmetros com os resultados estimados mediante a aplicao dos critrios estabelecidos para o saneamento da amostra previstos na NBR 14653-2:2011 e na norma do IBAPE-SP (2005). Finalmente, na Seo 4, so apresentadas as consideraes nais deste trabalho. 5

2
2.1

Mtodo bootstrap
Introduo

Intervalos de conana exatos muitas vezes so construdos por meio de solues analticas nem sempre simples, enquanto intervalos aproximados dependem de aproximaes assintticas nem sempre alcanadas. Uma ferramenta alternativa, eciente no apenas para construo de intervalos de conana mas tambm para estabelecer erros padro de estimadores de interesse ou ainda quando se quer estimar a distribuio de probabilidade do estimador, so os mtodos computacionalmente intensivos. Livre de complexidades analticas, surge neste mbito o bootstrap.9 O mtodo bootstrap, introduzido por Efron (1979), um mtodo de reamostragem baseado na construo de subamostras a partir de uma amostra inicial (tambm denotada de amostra mestre) de tamanho nito. A reamostragem consiste em sortear com reposio dados pertencentes a uma amostra retirada anteriormente (amostra mestre), de modo a formar uma nova amostra. Observe que a reamostragem no adiciona nenhuma informao nova amostra original. Em princpio pode parecer que o mtodo bootstrap crie dados a partir do nada. Contudo, no estamos utilizando as observaes das reamostras como se elas fossem dados reais o bootstrap no um substituto para o acrscimo de dados com o objetivo de aumentar a preciso. Em vez disso, a ideia do bootstrap empregar, por exemplo, as mdias das reamostras para estimar como a mdia amostral de uma amostra de tamanho , extrada dessa populao, varia em decorrncia da amostragem aleatria. Existem basicamente duas maneiras de se realizar o bootstrap: no-paramtrica e paramtrica. O bootstrap no-paramtrico considera que a funo de distribuio dos dados desconhecida e pode ser estimada pela distribuio emprica . J o bootstrap paramtrico considera que a funo de distribuio pode ser estimada por a partir de um modelo paramtrico conhecido para os dados. Tendo em vista os diversos segmentos do mercado imobilirio (mercado de terrenos, de salas comerciais, de casas, de apartamentos etc. e ainda, mercado de locaes e de compra e venda) e diante da impossibilidade de generalizar comportamentos mercadolgicos em um pas continental como o Brasil, detalharemos neste trabalho o uso do bootstrap no-paramtrico, haja vista que as avaliaes via tratamento por fatores usualmente so realizadas com base em um nmero reduzido de elementos amostrais comparveis e muitas vezes a distribuio de probabilidade da populao analisada desconhecida. Como o bootstrap no-paramtrico no depende da distribuio que os dados seguem (distribuio desconhecida), o mesmo pode ser utilizado para qualquer conjunto de dados, tendo ento maior aplicabilidade do que o bootstrap paramtrico.

2.2

Denio e generalidades

Suponhamos que seja observada uma amostra aleatria de uma distribuio estimada pela distribuio , que pode ser paramtrica ou no. Assim, W representa o vetor dos dados, para os quais se calcula o estimador de um parmetro de interesse .
A terminologia bootstrap surgiu de uma analogia com a obra do sculo XVIII intitulada Aventuras do Baro de Munchausen de autoria de Rudolph Rasp. O baro encontrava-se no fundo de um lago e se salvou puxando a si prprio para cima pelas alas de suas botas.
9

 a distribuio emprica de . Ento uma amostra boot construda escolhendo-se aleatoriamente, com reposio, strap elementos da amostra , sendo necessria a suposio de que cada dado tenha identicamente uma massa de probabilidade igual a . Por exemplo, com , poderamos pensar em uma amostra formada por W .A replicao bootstrap do parmetro de interesse para essa amostra bootstrap denotada por . Se forem geradas amostras bootstrap w w w , a replicao bootstrap do parmetro de interesse para a -sima amostra dada por (2.1) ou seja, o valor de para a amostra bootstrap w (Cunha & Colosimo, 2003). Conforme Efron & Tibshirani (1993), a expresso para o estimador bootstrap do erro-padro dada por

Consideraremos que

(2.2)

em que descrita em 2.1 e o nmero de replicaes bootstrap, ou seja, o estimador bootstrap do erro-padro amostral o desvio-padro de suas replicaes.

2.3

Intervalos de conana bootstrap

Em muitas aplicaes prticas de avaliaes imobilirias a estimativa intervalar do valor mdio do bem pode ser considerada mais adequada do que simplesmente uma estimativa pontual. Portanto, a busca por uma estimativa intervalar precisa, com erro de cobertura pequeno, de fundamental importncia. Atravs da metodologia bootstrap possvel construir intervalos de conana que apresentem nveis de cobertura prximos da verdadeira probabilidade de cobertura nominal. A seguir, descreveremos dois mtodos diferentes para a construo de intervalos de conana bootstrap denominados de bootstrap percentil e (Bias-Corrected and accelerated). Para uma descrio completa e detalhada sobre a construo de intervalos de conana bootstrap, ver Davison & Hinkley (1997) e Efron & Tibshirani (1993). Acrescenta-se que a teoria aqui exposta sobre os intervalos de conana bootstrap est fortemente embasada em Efron & Tibshirani (1993) e Cunha & Colosimo (2003). 2.3.1 Intervalo bootstrap percentil

Um conjunto de dados bootstrap gerado de acordo com . De posse desse conjunto de dados so calculadas replicaes bootstrap W . Considerandose que a estimativa da funo desconhecida da distribuio acumulada de , o intervalo percentil de de conana denido pelos percentis e de : (2.3)

J que pela denio o -simo percentil da distribuio bootstrap de , podemos escrever intervalos percentis como (2.4) As expresses 2.3 e 2.4 referem-se situao ideal do bootstrap na qual o nmero de replicaes innito. Na prtica devemos usar um nmero nito de replicaes. Para o processo, geramos conjuntos de dados bootstrap w w w e calculamos as replicaes bootstrap . Seja o -simo percentil emprico dos valores , ou seja, o valor simo na lista ordenada das replicaes de . Assim, se e , o -simo valor ordenado das 2000 replicaes. Se no um inteiro, utiliza-se o maior inteiro menor ou igual a . Como a distribuio bootstrap de aproximada, melhores resultados sero obtidos para amostras de tamanho grande, e quanto maior for , melhores sero os intervalos estimados. Assim, o intervalo bootstrap percentil aproximado de de conana (ver Cunha & Colosimo, 2003) A desvantagem do mtodo percentil que o intervalo de conana resultante pode subestimar as caudas da distribuio bootstrap, razo pela qual o seu uso no recomendvel quando o vcio e a assimetria esto presentes de forma mais intensa. Em razo disto, algumas verses melhoradas do mtodo percentil podem ser observadas na literatura, sendo uma delas o (bias-corrected and acelerated), que apresentamos brevemente na subseo a seguir. 2.3.2 Intervalo bootstrap

O intervalo generaliza o intervalo bootstrap percentil por levar em conta as correes de tendenciosidade e assimetria. O intervalo de cobertura desejada dado por (2.5) sendo e em que a funo de distribuio da normal padro e o -simo percentil da normal padro. Para calcularmos (constante de correo de tendncia) e (constante de acelerao para correo da assimetria) utilizamos as expresses: e (2.6)

em que w , com w sendo a amostra original com o -simo valor, , removido e considerando . Maiores detalhes sobre o clculo de 2.6 podem ser encontrados em Efron & Tibshirani (1993). 8

2.4
2.4.1

Informaes adicionais sobre o mtodo bootstrap

Programas computacionais

Um aspecto relevante e que deve ser considerado como uma vantagem da abordagem do mtodo bootstrap diz respeito facilidade de acesso a programas de livre distribuio, como o ambiente de programao R.10 O R foi criado por Ross Ihaka e Robert Gentleman, na Universidade de Auckland, e tem as vantagens de ser de livre distribuio e de possuir cdigo fonte aberto. R um ambiente integrado que possui grandes facilidades para a manipulao de dados, gerao de grcos e modelagem estatstica em geral. A linguagem e seus pacotes podem ser obtidos gratuitamente no endereo http://www.r-project.org. Mais detalhes podem ser obtidos em Venables et al (2009). No ambiente de programao R, o principal pacote11 utilizado para simulaes pelo mtodo bootstrap o boot, em que outras funes, como a boot.ci e a norm.ci, podem ser utilizadas. Ademais, acrescenta-se que pela simplicidade da ideia do mtodo bootstrap, possvel programar, sem maiores complicaes, as rotinas de reamostragem e clculos dos intervalos de conana em outras linguagens de programao, como em C, Ox12 e, at mesmo, em VBA (Visual Basic for Applications).13 2.4.2 Replicaes bootstrap

Efron & Tibshirani (1993), Kendall & Stuart (1977) e Efron (1987) discutem a quantidade de replicaes bootstrap necessrias para uma estimativa razovel do erro-padro e do intervalo de conana. Efron e Tibshirani (1993) armam que para obtermos uma boa estimativa do erro-padro atravs do bootstrap so necessrias entre 25 e 200 replicaes e que para uma boa estimativa dos limites de conana seriam necessrias mais de 500 replicaes.
Registra-se que todas as representaes grcas e anlises (estimao de parmetros, testes de hipteses, intervalos de conana, entre outras investigaes) realizadas ao longo deste trabalho foram produzidas no ambiente de programao R. Uma abordagem sobre o uso do R na Engenharia de Avaliaes apresentada em Florencio (2009). 11 Pacotes (packages), bibliotecas ou livrarias so os nomes mais usados para designar vrias funes e comandos agrupados no ambiente de programao R. Os pacotes contm um conjunto de funes que facilitam ou possibilitam a realizao das anlises estatsticas. 12 Ox uma linguagem orientada a objetos criada por Jurgen Doornik em 1994 na Universidade de Oxford (Inglaterra). Do ponto de vista da preciso numrica, Ox uma das mais conveis plataformas para computao cientca e caracteriza-se pela ecincia diante de tarefas computacionalmente intensivas e pela enorme gama de recursos matemticos e estatsticos. A verso que no oferece interface grca est disponvel gratuitamente para uso acadmico e se encontra disponvel em http://www.doornik.com. Mais detalhes sobre a linguagem Ox podem ser obtidos em Doornik (2006). 13 O Visual Basic for Applications (VBA) uma implementao do Visual Basic da Microsoft incorporada em todos os programas do Microsoft Ofce, como o Excel. Apesar da grande popularidade do Excel entre os engenheiros avaliadores, alertamos que duras crticas tm sido realizadas pela comunidade acadmica nos ltimos anos (ver, por exemplo, McCullough & Wilson, 2005) acerca das limitaes, preciso e decincias (erros) das anlises estatsticas utilizando o Excel, razo pela qual o seu emprego no tem sido incentivado e recomendado em trabalhos cientcos robustos.
10

Anlise de dados

O uso do mtodo bootstrap nas avaliaes imobilirias via tratamento por fatores ilustrado nesta seo a partir de uma aplicao com dados de terrenos urbanos situados em Pesqueira-PE. Acrescenta-se que, para o mesmo conjunto de dados, os resultados so comparados com aqueles obtidos mediante a aplicao dos critrios de saneamento da amostra atualmente recomendados na NBR 14653-2:2011 e na norma do IBAPE-SP (2005).

3.1

Aplicao

O conjunto de dados a ser analisado composto de 11 (onze) observaes de terrenos urbanos sem construes edicadas, situados na cidade de Pesqueira-PE. Os dados foram coletados pelo autor deste trabalho em janeiro de 2011 e foram obtidos mediante consulta a corretores autnomos e aos proprietrios dos bens. Destaca-se ainda que no constatamos quaisquer indcios de que os imveis transacionados que compem a amostra sejam decorrentes de negociaes que no resultaram da livre negociao entre duas pessoas conhecedoras do bem e do mercado, bem como no identicamos entre os imveis ofertados, vendedores especuladores que no tm interesse na venda efetiva do bem. Acrescenta-se que os dados ora coletados subsidiaram a avaliao de um imvel (terreno com rea de 600,00 ) oferecido em garantia hipotecria para lastrear operao de crdito com uma instituio bancria, razo pela qual a descrio detalhada (endereo, nome do informante, entre outros) dos dados coletados e do imvel avaliando foi intencionalmente omitida.14 Na Figura 1 apresentamos um croqui referente localizao (distribuio espacial) dos terrenos observados (representados na cor cinza e identicados pelos nmeros de 01 a 11) e do avaliando (representado na cor azul e identicado com a letra A).

Figura 1: Croqui referente localizao (distribuio espacial) dos terrenos observados e do avaliando.
A omisso de informaes acerca da descrio dos dados coletados e do imvel avaliando tem por objetivo preservar o sigilo do laudo de avaliao original (de uso restrito). As supresses efetuadas no resultam em perda de rigor tcnico e/ou matemtico neste trabalho, haja vista que as preteries no interferem na exposio do mtodo bootstrap e nas concluses extradas.
14

10

As 11 (onze) observaes coletadas tiveram seus valores unitrios homogeneizados (em relao ao avaliando) mediante o emprego de fatores de homogeneizao medidos no mercado, utilizando-se de regresses lineares simples.15 Os fatores foram calculados em relao aos atributos: rea, frente e tipo de evento (oferta ou transao), sendo o fator de localizao no inserido na homogeneizao por tratarem-se de dados situados relativamente prximos entre si (e comparativamente localizao do avaliando) e em contexto semelhante de aproveitamento, acessibilidade, melhoramentos pblicos e de contribuio scal (valor cobrado pela prefeitura referente ao Imposto Predial e Territorial Urbano IPTU). Ademais, acrescenta-se que os fatores homogeneizados foram aplicados ao valor unitrio original do elemento comparativo na forma de somatrio.16 Na Tabela 1 mostramos os valores unitrios homogeneizados (ao qual denotaremos por VUH(0)) anteriormente ao saneamento da amostra dos 11 (onze) dados coletados, bem como a identicao do tipo de evento que deu origem s observaes. Cumpre registrar que todos os fatores de homogeneizao, calculados em relao ao avaliando, esto situados entre e . Alm disso, o valor homogeneizado de cada elemento aps a aplicao do conjunto de fatores no resultou numa amplitude de homogeneizao aqum da metade, ou alm do dobro do valor original de transao (descontada a incidncia do fator de oferta). Por estas razes, no foi necessria a excluso de nenhuma observao na primeira etapa da homogeneizao. Tabela 1: Valores unitrios homogeneizados VUH(0). Elementos 01 02 03 04 05 06 07 08 09 10 11 Tipo de evento Transao Oferta Transao Oferta Oferta Oferta Transao Oferta Transao Oferta Transao
VUH(0)

( 100 106 108 110 111 112 116 120 132 145 186

Na Tabela 2 mostramos um resumo de algumas medidas de posio e disperso dos VUH(0), enquanto que na Figura 2 apresentamos: (i) o grco box-plot17 dos VUH(0), sobre o qual verica-se apenas uma observao aparentemente discrepante (elemento
A apresentao dos clculos referentes obteno dos fatores de homogeneizao via regresses lineares simples foi intencionalmente omitida neste trabalho, haja vista no ser o enfoque do presente estudo a discusso das etapas que precedem o saneamento da amostra previsto nas normas do IBAPE-SP (2005) e NBR 14653-2:2011. Para uma anlise detalhada sobre a obteno de fatores de homogeneizao via regresses lineares simples ver Nasser Jnior (2011). 16 Adotou-se o critrio recomendado na norma do IBAPE-SP (2005) de que os fatores devem ser aplicados na forma de somatrio, aps a considerao do fator de oferta. Acrescenta-se que a NBR 146532:2011 no faz quaisquer recomendaes e/ou imposies acerca da forma de utilizao dos fatores. 17 Tambm denotado na literatura de diagrama de caixas, o grco box-plot formado pelo primeiro ( ) e terceiro quartil ( ) e pela mediana. As hastes inferiores e superiores se estendem, respectiva15

11

de n 11); (ii) o histograma dos VUH(0), em que constata-se uma distribuio assimtrica direita. Adicionalmente, exibimos na Tabela 3 o resultado do teste de normalidade de Shapiro-Wilk18 para os VUH(0), que constatou com um nvel de signicncia de que a amostra no provm de uma populao com distribuio normal. Tabela 2: Medidas de posio e disperso dos VUH(0). Sigla VUH(0) Mdia Mediana Desvio-padro Mnimo Mximo Amplitude 122,36 112,00 24.63 100,00 186,00 86,00
(i)
q

(ii)
0.04 Densidade 0.00 0.01 0.02 0.03

100

120

140

160

180

100 VUH(0)

120

140

160

180

200

VUH(0)

Figura 2: (i) Grco box-plot dos VUH(0); (ii) Histograma dos VUH(0) Tabela 3: Teste de normalidade de Shapiro-Wilk. Estatstica (Shapiro-Wilk) 0.7691 -valor 0.003698

mente, do quartil inferior at o menor valor no inferior ao limite inferior e do quartil superior at o maior valor no superior ao limite superior. Os limites so calculados da forma abaixo: Limite inferior Limite superior Os pontos fora destes limites so considerados valores discrepantes. 18 Uma abordagem detalhada sobre o teste de normalidade de Shapiro & Wilk apresentada em Shapiro & Wilk (1965).

12

3.2

Estimao do valor com base na NBR 14653-2:2011

Conforme recomendado pela NBR 14653-2:2011, procedemos o saneamento da amostra homogeneizada mediante a utilizao de critrios estatsticos consagrados de eliminao de dados discrepantes no presente caso utilizamos o critrio de Chauvenet. Para os 11 (onze) valores unitrios homogeneizados constantes na Tabela 1, o ponto crtico ( ) estabelecido pelo critrio de Chauvenet igual a . De acordo com o referido critrio, o elemento de n um dado discrepante e deve ser eliminado da amostra. Efetuamos novamente os clculos dos fatores e obtivemos um novo rol de 10 (dez) valores unitrios homogeneizados (ao qual denotamos por VUH(1)), cuja mdia saneada foi de 118,00 . Desta vez, o critrio de Chauvenet (para um ) considerou que o elemento de n 10 deveria ser rejeitado. Repetimos o processo reiteradamente19 e aps mais trs novas homogeneizaes (VUH(2), VUH(3) e VUH(4)), com a excluso total de 04 (quatro) dados da amostra inicial (elementos n s 11, 10, 09 e 08), nalmente o critrio de Chauvenet (para um =1,80) informa que no h mais elementos discrepantes. Na Tabela 4 apresentamos os valores unitrios homogeneizados VUH(4). Tabela 4: Valores unitrios homogeneizados VUH(4). Elementos 01 02 03 04 05 06 07 Mdia saneada Tipo de evento Transao Oferta Transao Oferta Oferta Oferta Transao
VUH(4)

( 102 103 102 108 116 118 123 110,29

Note que os VUH(4) so formados por apenas 07 (sete) elementos de referncia e a mdia saneada dos referidos valores unitrios homogeneizados de 110,29 , o que resulta na estimativa para o avaliando (com rea de 600 m ) de R$ 66.171,43.

3.3

Estimao do valor com base na norma para avaliao de imveis urbanos do IBAPE-SP (2005)

Conforme recomendado pela norma para avaliao de imveis urbanos do IBAPESP (2005), procedemos o saneamento da amostra homogeneizada mediante a excluso dos eventos discrepantes em mais de da mdia amostral homogeneizada, um elemento por vez, iterativamente, at que todos os elementos dentro do intervalo de tenham sido considerados e os elementos alheios a ele excludos.
Embora o critrio de Chauvenet tenha sido utilizado mais de uma vez para a eliminao das observaes atpicas, tal prtica no recomendvel na literatura (ver Holman, 2001).
19

13

Para os mesmos 11 (onze) valores unitrios homogeneizados constantes na Tabela 1, temos que o intervalo de corresponde semi-amplitude de 85,65 a 159,07 ( ). Na primeira tentativa de sanear a amostra, o elemento de n 11 cou fora do intervalo admissvel estabelecido anteriormente, razo pela qual foi eliminado da amostra. Efetuamos novamente os clculos dos fatores e obtivemos um novo rol de 10 (dez) valores unitrios homogeneizados (ao qual denotamos por VUH(I), cuja mdia saneada foi de 118,00 ( ). Desta vez, o critrio sugerido da norma do IBAPESP (2005) considera que o elemento de n 10 deve ser rejeitado. Somente na terceira tentativa de saneamento da amostra, ao qual denotamos por VUH(II), o critrio da norma do IBAPE-SP (2005) informa que no h mais elementos discrepantes. Na Tabela 5 apresentamos os valores unitrios homogeneizados VUH(II). Tabela 5: Valores unitrios homogeneizados VUH(II). Elementos 01 02 03 04 05 06 07 08 09 Mdia saneada Tipo de evento Transao Oferta Transao Oferta Oferta Oferta Transao Oferta Transao
VUH(II)

( 104 110 111 107 108 111 123 120 131 113,89

Note que os VUH(II) so formados por apenas 09 (nove) elementos de referncia e a mdia saneada dos referidos valores unitrios homogeneizados de 113,89 , o que resulta na estimativa para o avaliando (com rea de 600 m ) de R$ 68.333,33.

3.4

Estimao do valor com base no mtodo bootstrap

A partir dos 11 (onze) valores unitrios homogeneizados (VUH(0)) constantes na Tabela 1, foram realizadas 5.000 (cinco mil) replicaes bootstrap e calculado o intervalo de conana para a mdia com grau de conana de . O uso do mtodo bootstrap percorreu as seguintes etapas: 1. Com base na amostra mestre (formada pelos VUH(0)) e a partir de um gerador de nmeros pseudo-aleatrios,20 foram geradas 5.000 reamostras (de tamanho 11 e com reposio) e calculadas as respectivas mdias (estimativas bootstrap) das reamostras (ver Tabela 6):
O gerador de nmeros pseudo-aleatrios utilizado neste trabalho foi o desenvolvido por Marsaglia (1997). Trata-se de um gerador de nmeros pseudo-aleatrios uniformes com perodo aproximado de .
20

14

Tabela 6: Amostra mestre, reamostras e mdias das reamostras. Observaes 1 2 3 4 5 6 7 8 9 10 11 Mdia Amostra mestre 100 106 108 110 111 120 116 120 132 145 186 122,36 Reamostra 1 112 132 111 110 120 108 120 145 112 120 100 117,27 Reamostra 2 120 106 186 106 110 111 116 145 112 106 108 120,55 ... Reamostra 5000 106 111 112 186 145 132 106 132 112 110 116 124,36

2. A partir das estimativas bootstrap das mdias das reamostras, construiu-se o grco quantil-quantil plot normal21 com o objetivo de comparar os quantis da distribuio emprica da mdia com os quantis da distribuio terica normal (ver Figura 3). Conforme pode-se vericar no referido grco, a distribuio das mdias das reamostras aparenta no seguir uma distribuio de probabilidade normal, o que tambm pode ser constatado no grco box-plot das mdias das reamostras (ver Figura 4), em que percebe-se uma distribuio assimtrica direita;

160

Quantis das mdias das reamostras bootstrap

150

q q qq q qqq q qq q qq qq q qqq qq q q qq qq qq q qqqq qqqq qqq qqq qq qq qq qqqq qqq qqq qqq qq qq qq qq qq qq qq qqq qqq qqq q qqq qqq qqq qq qq qq qq qq qq qq qq qq qq qq qq qq qqq qq q qq qq qq qq qq qq qq qq qq qq qq qq qq qq qq qq qq qq qq qq qq q qqq qqq qqq qq qqq qqq qqq qqq qqq qqq qqq qq qqq qq qqq qq qqq qqq qq q q qq qqq qqq qqq qq qq qqq qqq qqq q qq qqq qqq qqq qq qqq qqq qqq qqq qqq qqqq qqq q qq qqqq q qq qqqq q qqq qqqqq q qq q qqq qq qq qqqqq q q qqqqqq qqqqq qqqqq qqqq qqqqq qqqqq q qq qqqqq q qqqqqqq q qqqqq q q qqq q

110

120

130

140

q q q

0 Quantis tericos da distribuio normal

Figura 3: Grco qq-plot normal.

Um quantil-quantil plot normal ou QQ-plot normal um grco que confronta os quantis da amostra analisada com os quantis de uma distribuio normal. Se a amostra tiver sido retirada de uma populao com distribuio normal o grco deve assemelhar-se a um conjunto de pontos mais ou menos sobre uma reta. Caso contrrio, devero surgir zonas de no-linearidade no grco.
21

15

160

150

Figura 4: Grco box-plot das mdias das reamostras. 3. O intervalo de conana (com grau de conana de 80%) para a mdia calculado com base no mtodo percentil (ver a Subseo 2.3.1) foi igual a . Porm, como a suposio de normalidade no se vericou para a distribuio de probabilidades da mdia, bem como constatou-se uma assimetria direita na distribuio e um vcio de na estimativa da mdia (a estimativa bootstrap pontual para a mdia foi de 122,15), aconselhvel o clculo do intervalo de conana por mtodos que levem em considerao estas caractersticas, como o (ver a Subseo 2.3.2); 4. O intervalo de conana (com grau de conana de 80%) para a mdia calculado com base no mtodo foi igual a . Note que como o vcio foi negativo, isto , a estimativa bootstrap subestimou o valor da estatstica, observa-se que o intervalo de conana corrigiu e ampliou o intervalo de conana para a direita; 5. Com base no intervalo de conana (grau de conana de 80%) denido pelo mtodo bootstrap , arbitramos o valor do terreno avaliando (rea de 600,00 m ) em: VALOR DO IMVEL Limite inferior Limite superior R$ 69.120,00 R$ 81.120,00

importante destacar, conforme observado por Grandiski & Oliveira (2007), que no caso do mercado imobilirio, os preos dos imveis so examinados por vendedores e compradores de forma subjetiva e, por isso, suas caractersticas, qualidades, defeitos, utilidades, necessidades etc. so ponderados de formas diferentes ao longo do tempo, dependendo, inclusive, dos usos e costumes locais. Isso justica a diversidade dos preos ofertados e transacionados, mesmo para elementos muito semelhantes, explicitando que o mercado imobilirio no tem tendncias determinsticas na denio de um nico valor de mercado mas sim de uma faixa normal de oscilao de preos.

110

120

130

140

q q q q q q q q q q q q q q q q q q q q

16

3.5

Concluses sobre a aplicao

Conforme evidenciado nesta aplicao, os valores unitrios homogeneizados VUH(0) no seguem uma distribuio de probabilidade normal e os outliers presentes na amostra, apesar de discrepantes, so legtimos e decorrem da prpria variabilidade dos elementos constituintes do conjunto de dados. Apesar disso, as supostas observaes discrepantes foram objetivamente e sumariamente eliminadas da amostra quando utilizado o critrio de Chauvenet e o procedimento determinstico sugerido pela norma do IBAPESP (2005), no sendo ponderados quaisquer aspectos acerca dos dados atpicos. Em virtude disto, alguns dados de mercado com informaes importantes sobre imveis transacionados (como os elementos de n s 09 e 11) foram excludos durante o saneamento amostral, o que tambm aconteceu com os elementos de n s 08 e 10, que possuam caractersticas fsicas e locacionais bastante semelhantes s do avaliando. Aqui, cumpre registrar que a subjetividade do trabalho avaliatrio torna-se to acentuada que para o mesmo conjunto de dados o grco box-plot considerou que h apenas um dado discrepante (elemento de n 11), o critrio de Chauvenet identicou quatro observaes atpicas (elementos de n s 08, 09 10 e 11) e o procedimento determinstico sugerido pela norma do IBAPE-SP (2005) indicou dois pontos esprios (elementos de n s 10 e 11). O mtodo bootstrap, em contrapartida, no excluiu as observaes discrepantes que vale ressaltar so legtimas e as levou em considerao para a estimativa do parmetro de interesse. Contrariamente, o critrio de Chauvenet e o procedimento determinstico sugerido pela norma do IBAPE-SP (2005) ignoraram esta caracterstica e foraram os dados amostrais a um comportamento normal, usualmente observado em outros fenmenos e/ou experimentos da natureza, mediante a excluso indiscriminada dos supostos outliers. Vale salientar ainda que o emprego do mtodo bootstrap possibilitou a estimativa pontual e intervalar do parmetro de interesse mesmo no caso em que a distribuio de probabilidade do parmetro era desconhecida sem a necessidade de exaustivos, complicados e muitas vezes inviveis clculos analticos. Perceba que os valores estimados para o avaliando pelo critrio de Chauvenet (ou seja, R$ 66.171,43) e pelo procedimento determinstico sugerido pela norma do IBAPE-SP (2005) (ou seja, R$ 68.333,33) no esto contidos no intervalo de conana bootstrap (com grau de conana de 80%) estabalecido para o imvel (ou seja, [R$ 69.120,00; R$ 81.120,00]). Em virtude do exposto, constata-se que o emprego do critrio de Chauvenet e do procedimento determinstico sugerido pela norma do IBAPE-SP (2005) podem resultar em estimativas irrealistas e equivocadas. Nestes casos, qualquer tentativa de construo de intervalos de conana (em torno da estimativa de tendncia central) baseada na distribuio de Student seria descabida.

Consideraes nais

No desenvolvimento deste trabalho foi apresentada uma poderosa tcnica estatstica de reamostragem, denominada bootstrap, como forma de imprimir maior nvel de preciso e fundamentao nas avaliaes de imveis via tratamento por fatores. A proposta de utilizar o mtodo bootstrap como uma alternativa excluso indiscriminada e generalizada de observaes discrepantes (outliers) que ocorrem durante o sanea-

17

mento da amostra no tratamento por fatores constitui o enfoque central deste trabalho e visa, sobretudo, possibilitar a estimao do valor mediante procedimento cientco. As anlises realizadas ao longo deste trabalho com um conjunto de dados reais mostraram que o mtodo bootstrap aparenta ser prefervel ao saneamento da amostra para a estimao do valor. A evidncia desta preponderncia pode ser observada em amostras reduzidas cujos valores unitrios dos dados homogeneizados no seguem uma distribuio de probabilidade normal, conforme constatado na Seo 3.5 deste trabalho, bem como nos casos em que os valores unitrios homogeneizados, apesar de normalmente distribudos, possuem elementos atpicos, porm legtimos, que pelas tcnicas tradicionais de saneamento da amostra recomendadas pela NBR 14653-2:2011 e pela norma do IBAPE-SP (2005) seriam sumariamente eliminados, mas pelo mtodo bootstrap podem ser incorporados para a estimao do valor do elemento avaliando. Enquadrado nos procedimentos globais do mtodo bootstrap, o saneamento da amostra (previsto no tratamento por fatores) deixa de ser realizado por mecanismos determinsticos e por meio de formulaes empricas consagradas, como exclusivamente era feito at ento, e substitudo por tcnicas probabilsticas de estimao que minimizam a subjetividade no trabalho avaliatrio. As tcnicas de eliminao de observaes discrepantes recomendadas pela NBR 14653-2:2011 e pela norma do IBAPE-SP (2005) tm sido utilizadas pelos engenheiros avaliadores h bastante tempo. Contudo, com o desenvolvimento da pesquisa cientca e os recentes avanos computacionais, tal busca por solues simplistas no mais se justica e o uso indiscriminado destes critrios temerrio e pode resultar em estimativas equivocadas e irrealistas. Em razo disto, almeja-se com este trabalho despertar e instigar entre os pesquisadores e avaliadores atuantes no mercado imobilirio as potencialidades do mtodo bootstrap no que tange ao ganho de preciso e cienticidade no trabalho avaliatrio via tratamento por fatores. Vale salientar que o uso do mtodo bootstrap na Engenharia de Avaliaes no deve ser confundido com sosticao da valorao de bens, mas mtodo eciente de estimao fruto de tcnicas estatsticas avanadas de reamostragem que aumentam a acurcia do trabalho avaliatrio. Por m, sugerimos que o mtodo bootstrap seja contemplado nas prximas discusses de reviso das normas (NBR 14653-2:2011 e do IBAPE-SP (2005)) e incentivamos a disseminao e o uso do mtodo bootstrap por engenheiros avaliadores que buscam empregar metodologia cientca em seus trabalhos avaliatrios, capaz de contribuir para uma maior ecincia do desenvolvimento das atividades relacionadas s rotinas de avaliaes de bens via tratamento por fatores.

Referncias
[1] ABNT (Associao Brasileira de Normas Tcnicas). (2004). Avaliao de Bens Parte 2: Imveis Urbanos. [2] ABNT (Associao Brasileira de Normas Tcnicas). (2011). Avaliao de Bens Parte 2: Imveis Urbanos. [3] Barnett, V. & Lewis, T. (1994). Outliers in Statistical Data, Wiley & Sons. ed. New York: John

18

[4] Cappellano, L. H. (2007). Engenharia de Avaliaes. In: Instituto Brasileiro de Avaliaes e Percias de Engenharia de So Paulo. Engenharia de Avaliaes, So Paulo: Pini. [5] Chauvenet, W. (1863). A Manual of Spherical and Practical Astronomy, Reprint of 1891 ed. New York: Dover. ed.;

[6] Cunha, W.J. & Colosimo, E.A (2003). Intervalos de conana bootstrap para modelos de regresso com erros de medida. Revista Mat. Estat. 21, 2541. [7] Dantas, R.A. & Cordeiro G.M. (1988). Uma nova metodologia para avaliao de imveis utilizando modelos lineares generalizados. Revista Brasileira de Estatstica 191, 2746. [8] Dantas, R.A. & Cordeiro, G.M. (2000). Uma avaliao do mercado de apartamentos do Recife utilizando modelos lineares generalizados. XIX Congresso Panamericano de Avaliaes, Margarita, Venezuela. [9] Dantas, R.A. (1998). Engenharia de Avaliaes: Uma Introduo Metodologia Cientca, ed. So Paulo: Pini. [10] Dantas, R.A. (2005). Engenharia de Avaliaes: Uma Introduo Metodologia Cientca, ed. So Paulo: Pini. [11] Davison, A. C. & Hinkley, D. V. (1997). Bootstrap Methods and Their Application. New York: Cambridge University Press. [12] Doornik, J. A. (2006). Ox: An Object-Oriented Matrix Language, Consultants Press, London; Oxford, http://www.doornik.com. [13] Draper, N. D & Smith, H. (1998). Applied Regression Analysis, John Wiley e Sons. ed. Timberlake ed. New York:

[14] Efron, B. & Tibshirani, R. J. (1993). An Introduction to the Bootstrap. New York: Chapman & Hall. [15] Efron, B. (1979). Bootstrap methods: another look at the jackknife. The Annals of Statistics 7: 1-25. [16] Efron, B. (1987). Better bootstrap condence intervals (With discussion). J. Am. Stat. Assoc. 82: 171-200. [17] Fiker, J. (1993). Avaliao de Imveis Urbanos, ed. So Paulo: PINI.

[18] Florencio, L.A (2009). Utilizao do Software (gratuito) R na Engenharia de Avaliaes. Anais do XV Congresso Brasileiro de Engenharia de Avaliaes e Percias, So Paulo, So Paulo. [19] Franchi, C. C. (1992). Avaliao das Caractersticas que Contribuem para a Formao do Valor de Apartamentos na Cidade de Porto Alegre. Dissertao (Mestrado em Engenharia Civil) - Escola de Engenharia da Universidade Federal do Rio Grande do Sul, Porto Alegre.

19

[20] Ghilhon, J. E. M. (1993). Anlise dos Fatores de Homogeneizao Derivados das Equaes de Regresso Atravs dos Fatores de Reduo das Mdias. Anais do VII Congresso Brasileiro de Engenharia de Avaliaes e Percias, Natal, RN. [21] Grandiski, P. & Oliveira A.M.B.D. (2007). Engenharia de Avaliaes. In: Instituto Brasileiro de Avaliaes e Percias de Engenharia de So Paulo. Engenharia de Avaliaes, So Paulo: Pini. [22] Gujarati, D.N. (2006). Basic Econometrics, ed. Nova York: McGraw-Hill. ed. Nova York: Mc-

[23] Holman, J.P. (2001). Experimental Methods for Engineers, Graw Hill (2001).

[24] IBAPE (Instituto Brasileiro de Avaliaes e Percias de Engenharia). (2005). Norma de Avaliao de Bens do IBAPE Parte 1: Procedimentos Gerais. [25] IBAPE-SP (Instituto Brasileiro de Avaliaes e Percias de Engenharia de So Paulo). (2005). Norma de Avaliao de Imveis Urbanos. [26] Kendall, M.G. & STUART, A. (1977). The advanced theory of statistics. don: Grifn. ed. Lon-

[27] Lima, G. P. A. (1995). Homogeneizao Fundamentada - Uma Utopia? Anais do VIII Congresso Brasileiro de Engenharia de Avaliaes e Percias, Florianpolis, Santa Catarina. [28] Lima, G. P. A. (2001). Pode Um Modelo de Homogeneizao por Fatores Ser Melhor que um Modelo de Regresso? Resposta pelo Coeciente de Homogeneidade do Modelo!. Anais do XI Congresso Brasileiro de Engenharia de Avaliaes e Percias, Guarapari, Esprito Santo. [29] Maia Neto, F. (1992). Introduo Engenharia de Avaliaes e Percias. Belo Horizonte: Del Rey. [30] Marsaglia, G. (1997). A random number generator for C. Postado no grupo Usenet (sci.stat.math) em 29 de setembro de 1997. [31] McCullough, B. D. & Wilson, B. (2005). On the accuracy of statistical procedures in Microsoft Excel 2003. Computational Statistics and Data Analysis 49, 1244-1252. [32] Meyer, R. M. C. (2003). Avaliao de Imveis: Uma Anlise no Campo da Engenharia Legal. Rio de Janeiro: Lumen Juris. [33] Moreira, A. L. (1994). Princpios de Engenharia de Avaliaes. So Paulo: Pini. [34] Nasser Jnior, R. (2011). Avaliao de Bens - Princpios Bsicos e Aplicaes, ed. So Paulo: Leud. [35] Newsome, B. A. (1991). Adjusting comparable sales for vinyl siding. The Appraisal Journal, january. [36] Shapiro, S.S. & Wilk, M.B. (1965). An analysis of variance test for normality (complete samples). Biometrika 52: 591-611. 20

[37] Thofehrn, R. (2010). Avaliao em Massa de Imveis Urbanos: para clculos de IPTU e ITBI, ed. So Paulo: Pini. [38] Venables, W.N; Smith, D.M. & R Development Core Team. (2009). An introduction to R. Disponvel em: http://cran.r-project.org/doc/manuals/R-intro.pdf. Arquivo obtido em 17 de setembro de 2009. [39] Wolferson, M. & Torres, L. (1980). Homogeneizao de valores em engenharia de avaliaes. Recife: Enapel.

21