Engenharia Estatística Avaliação Imóveis

Carlos Humberto Maciel
Eng. Civil / Eng. Segurana do Trabalho
Engenharia de Avaliaes
por Inferncia Estatstica
Aplicada Avaliao de Imveis Urbanos
( verso atualizada para a NB-14.653-2, vigncia 03/03/2011)
Engenharia de Avaliaes por Inferncia Estatstica

APLICADA AVALIAO DE IMVEIS URBANOS

Eng Civil e de Segurana do Trabalho
chmaciel@uol.com.br
NDICE
1
Prefcio .................................................................................................................................................................. 4
Engenharia de Avaliaes no Brasil ................................................................................................................. 6
2.1
Histrico ...................................................................................................................................................... 6
2.2
Perfil do profissional avaliador................................................................................................................ 9
2.3
Homogeneizao de dados x Estatstica Inferencial ou Indutiva ..................................................... 11
CONCEITOS....................................................................................................................................................... 16
3.1
Diferenas conceituais entre Preo, custo e valor ................................................................................ 16
3.2
Conceitos utilizados em avaliao por mtodos comparativos......................................................... 19
3.3
Mdia Aritmtica ..................................................................................................................................... 20
3.4
Desvio padro .......................................................................................................................................... 21
3.5
Intervalo de Confiana ............................................................................................................................ 22
Tratamento de dados por tratamento cientfico (inferncia estatstica)................................................... 23

4.1
Correlaes e Regresso Simples ........................................................................................................... 30

4.1.1
Mtodo dos mnimos quadrados ............................................................................................. 32
4.1.2
Algoritmo bsico para ajustagem simples .............................................................................. 33
4.1.3
Mtodo dos Mnimos quadrados (Exemplo prtico) ............................................................ 37
4.1.4
Variao Residual a partir da reta de regresso..................................................................... 44
4.1.5
Clculo do coeficiente de determinao (r) do modelo ....................................................... 45
4.1.6
Coeficiente de correlao (r) ..................................................................................................... 47
4.1.7
Coeficiente de correlao (r) do modelo ................................................................................. 49
4.1.8
Coeficiente de correlao (r) do parmetro ............................................................................ 49
4.1.9
Desvio padro do modelo ......................................................................................................... 49
4.1.10 Significncia dos parmetros (regressores) ............................................................................ 50

4.1.11 Significncia do modelo (Distribuio de Snedecor)............................................................. 52
4.1.12 Intervalo de Confiana .............................................................................................................. 55
4.1.13 Auto-Regresso .......................................................................................................................... 57
4.1.14 Homocedasticidade ................................................................................................................... 59
4.1.15 Normalidade dos Resduos....................................................................................................... 60
4.1.16 Melhoria do modelo linear atravs de transformaes......................................................... 60


chmaciel@uol.com.br
4.2 Correlaes e Regresso Duplas ................................................................................................................. 63

4.2.1
Multicolinearidade ..................................................................................................................... 64
4.2.2
Mtodo dos mnimos quadrados / algoritmo bsico para ajustamento ............................. 64
4.2.3
Coeficiente de determinao (r) do modelo .......................................................................... 67
4.2.4
Coeficiente de correlao (r) do modelo ................................................................................. 67
4.2.5
Coeficiente de correlao (r) dos parmetros ......................................................................... 68
4.2.6
Desvio padro do modelo ......................................................................................................... 68
4.2.7
Significncia dos parmetros (regressores) ............................................................................ 69
4.2.8
Significncia do modelo (Distribuio de Snedecor)............................................................. 70
4.2.9
Intervalo de Confiana .............................................................................................................. 72
4.2.10 Melhoria do modelo para regresses duplas atravs de transformaes .......................... 73

EXERCCIOS PRTICOS RESOLVIDOS ............................................................................................................... 74
Exerccios de Regresso Simples (clculo manual) ........................................................................................ 75
Exerccios de Regresso Simples (clculos atravs do software).................................................................. 82
Exerccios de Regresso Dupla (clculo manual) ........................................................................................... 99
Exerccios de Regresso Dupla (clculos atravs do software) .................................................................. 106
APNDICES ................................................................................................................................................................. 112
TABELA 1 (Distribuio t de Student)........................................................................................................ 113
TABELA 2 (Pontos crticos da distribuio de Snedecor - nvel de significncia 5%) ......................... 114
TABELA 3 (Pontos crticos da distribuio de Snedecor nvel de significncia 1%) ......................... 115
TABELA 4 (Pontos de Significncia 5% - DURBIN-WATSON) .............................................................. 116
TABELA 5 (Pontos de Significncia 1% - DURBIN-WATSON) .............................................................. 117
REFERNCIAS ............................................................................................................................................................ 118


chmaciel@uol.com.br
Prefcio
O primeiro contato que tive com a utilizao da inferncia estatstica como
metodologia para elaborao de laudos de avaliao de bens (em especial bens imveis casas,
apartamentos, lotes residenciais, glebas, etc.) ocorreu em 1993 quando alguns engenheiros e
arquitetos do quadro da CAIXA ECONMICA FEDERAL se dispuseram a nos repassar os
conhecimentos que tinham sobre o tema.
Aquele, para mim, foi um momento de completa mudana na forma de realizarmos os

trabalhos de avaliao de imveis que desenvolvamos na CAIXA ECONMICA FEDERAL;
marcou um divisor muito claro entre mtodos empricos que, embora considerados consagrados,
inegavelmente deixavam a desejar no que diz respeito iseno do profissional que elaborava o
trabalho. Os fatores utilizados, embora possam ter sido eficazes para as pocas e locais para os
quais foram desenvolvidos, certamente poderiam no refletir o comportamento de outros
mercados diferentes daqueles.
Poderiam, em funo do tempo decorrido desde sua elaborao, no refletir nem

mesmo a realidade do mercado para o qual foi desenvolvido afinal, o mercado imobilirio, como
tudo hoje em dia, muito dinmico e susceptvel s mudanas econmicas que temos
experimentado nos ltimos tempos em nvel mundial e que gera reflexos na economia nacional.
O avano tecnolgico que experimentamos atualmente fez com que as metodologias

cientficas evolussem muito no que diz respeito aos softwares de avaliao. Na poca em que
conheci o primeiro software de avaliao por inferncia estatstica1, a plataforma utilizada ainda
DOS e, em funo da capacidade de processamentos dos computadores da poca, cada simulao
demorava minutos para que obtivssemos os resultados.
Atualmente os softwares de avaliao de imveis, dentre eles o TS-SISREG e o SISREN,

funcionam em plataforma WINDOWS e os resultados so quase que instantneos em funo da
grande capacidade de processamento dos computadores pessoais (desktop ou notebook).
SISREG desenvolvido por profissionais do quadro de engenharia e arquitetura da CAIXA

4


chmaciel@uol.com.br
Outro fato relevante o crescimento das opes de softwares voltados modelagem

estatstica atravs de modelos de regresses mltiplas. Esta variedade de opes permite que o
profissional procure por softwares que atendam as suas necessidades. Particularmente tenho
observado que existem softwares que, alm da qualidade tcnica propriamente dita, conseguem
ser mais agradveis aos usurios em funo de suas telas de entrada e sada de dados (telas ou
relatrios impressos), em especial aos profissionais que se propem a ter um primeiro contato com
a metodologia.
Um
exemplo
disto
software
TS-SISREG,
desenvolvido
pela
TECSYS
ENGENHARIA e que utilizaremos tanto no desenvolvimento desta apostila quanto nas aulas
prticas de laboratrio previstas no curso.
Por ltimo, quero ressaltar que no existe conhecimento pleno sobre nenhum assunto,
sempre necessitaremos continuar estudando e aprofundando nossos conhecimentos sobre a
matria. Em razo disto, os conhecimentos adquiridos em cursos tericos, por melhores que sejam
e por mais que contenham um mdulo prtico, no tero valor se no vierem acompanhados de
uma seqncia de elaborao de trabalhos realizados pelos profissionais no contexto do mercado
imobilirio em que estejam inseridos ou nos quais pretendam atuar.
Espero que os conhecimentos adquiridos com esta apostila e com o curso sejam
tomados como motivao para que cada profissional procure ampliar seus conhecimentos sobre o
tema e, quando se sentirem em condies, se proponham a repassar este conhecimento aos demais
profissionais.
A partilha de conhecimento, a meu ver, ceder conhecimento inclusive aos colegas

concorrentes, ou seja, aqueles que atuam na mesma regio. Os concorrentes sempre existiro,
capacitados ou no, melhor ento concorrer com profissionais que partilhem o mesmo nvel de
conhecimento tcnico e que valorizem a qualidade do trabalho produzido cobrando honorrios
compatveis com o tempo necessrio ao desenvolvimento do trabalho, mas tambm ao tempo
necessrio para estudo e aprofundamento dos conhecimentos atravs da realizao de cursos,
participaes em Congressos, etc..

Engenharia de Avaliaes no Brasil
2.1
Histrico

chmaciel@uol.com.br
Embora tenha sido aps Berrini (ao se utilizar fatores que procuravam traduzir os
efeitos dos atributos de valor tais como: frente, profundidade, relevo, entre outros) que a
engenharia de Avaliaes tornou-se um instrumento que permitiu minimizar os efeitos dos
achismos, do bom senso e da minha experincia diz que ... 2, foi aps 1970 que a engenharia
de avaliaes comeou a despertar maior ateno dos profissionais do ramo.
Esta evoluo pode ser resumida conforme abaixo:

Dcada de 50 surgem as primeiras normas de avaliao de imveis organizadas por
entidades pblicas e institutos voltados para a engenharia de avaliaes;
1957 surge o primeiro anteprojeto de normas da ABNT; sendo que outros se
sucedem, elaborados por institutos que atuam no ramo;
Dcada de 60 o assunto ganha destaque em funo do grande nmero de
desapropriaes cujos estudos foram realizados por comisses de profissionais de
percias e avaliaes judiciais;
1973 elaborao de Normas para Avaliao de Imveis nas desapropriaes,
aprovadas pelo IBAPE (Instituto Brasileiro de Avaliaes e Percias de Engenharia) e
pela Diviso de Avaliaes e Percias do Instituto de Engenharia;
1974 realizao do I Congresso Brasileiro de Avaliaes, em So Paulo;
1977 publicao da 1 Norma Brasileira sobre o assunto. A NB-502/77 (Avaliao de
Imveis Urbanos) cuja principal novidade o estabelecimento de nveis de preciso
sendo tambm desta poca a elaborao de normas para outras tipologias tais como
imveis rurais, mquinas e equipamentos e glebas urbanizveis.
Engenheiro Andr Maciel Zeni

6


chmaciel@uol.com.br
1979 publicada a NB 613/79, 2 Norma Brasileira que trata sobre Avaliaes, mais
especificamente sobre avaliao de imveis rurais;
1980 I Congresso Mundial de Avaliaes, realizado no Brasil;
1980 1 Curso de Engenharia de Avaliaes - Escola Politcnica da USP;
1990 a norma brasileira para avaliaes de imveis urbanos registrada no
INMETRO como NBR 5676 sendo os nveis de preciso transformados em nveis de
rigor (expedito, normal, rigoroso e rigoroso especial);
2001 lanada a primeira parte da NBR 14653 que trata especificamente da parte de
procedimentos gerais, servindo como guia de procedimentos gerais para as demais
partes, sendo utilizvel somente em conjunto com cada uma delas, razo pela qual no
trouxe contribuio significativa at o lanamento das partes 2, 3 e 4;
2003 lanamento da parte 4 da NBR 14653 e que trata da avaliao de
empreendimentos, assunto at ento no tratado em norma especfica;
2004 lanamento das partes 2 e 3 da NBR 14653 e que tratam, respectivamente, da
avaliao de imveis urbanos e imveis rurais.
2006 lanamento da partes 5 da NBR 14653 e que trata da avaliao de Mquinas,
equipamentos, instalaes e bens industriais em geral;
At 1980, a maior parte dos trabalhos publicados se baseava na utilizao de fatores de

homogeneizao que eram adotados sem que houvesse comprovao cientfica (matemtica ou
estatstica) e que pouca confiabilidade trazia ao engenheiro de avaliaes.
Muitos deles se pautavam em frmulas empricas desenvolvidas para centros urbanos

especficos e que depois eram utilizados como sendo verdadeiros para outros municpios ou outras
regies nas quais, muitas vezes, no apresentavam a mesma realidade do local onde as frmulas


chmaciel@uol.com.br
foram desenvolvidas o que, obviamente, no traduzia um procedimento tcnico correto, confivel

e consistente para ser defendido.
Comearam, ento, surgir questionamentos do tipo:
frmula empricas desenvolvidas para um local podem ser utilizadas em outros?
frmulas desenvolvidas h dcadas atrs ainda refletem o mercado atual?
a influncia da profundidade modelo potencial de expoente 0,5 (raiz quadrada)?
a influncia da frente modelo potencial de expoente 0,25 (raiz quarta)?
quando adotamos coeficiente de 1,20, por exemplo, para corrigir qualquer distoro
dos elementos amostrais tais como localizao, infra-estrutura disponvel ou
outros, ser que esta relao linear (multiplicao direta do fator)?
De onde vem a confirmao do percentual de 20%?
Pode ser de 30% ou 40%?
no existe processo comparativo de mercado para se avaliar casas?
Em funo disto, a partir da dcada de 80 surgem profissionais que procuram aplicar a
Metodologia de Pesquisa Cientfica Engenharia de Avaliaes, liderados pelo Eng. Domingos
Sabia Barbosa Filho, mestre com tese em Engenharia de Avaliaes, sendo esta a primeira tese de
mestrado sobre o assunto defendida em uma Universidade brasileira. Este processo culminou com
a publicao da NBR-5676 que foi substituda pela NBR 14.653 (Avaliao de Bens), norma esta
constituda por 7 (sete) partes, conforme abaixo:
NBR 14653, parte 1 Procedimentos gerais;

NBR 14653, parte 2 Imveis urbanos;
NBR 14653, parte 3 Imveis rurais;
NBR 14653, parte 4 Empreendimentos;
NBR 14653, parte 5 Mquinas, equipamentos, instalaes e bens industriais em geral;
NBR 14653, parte 6 Recursos naturais e ambientais;
NBR 14653, parte 7 Patrimnios histricos.

2.2

chmaciel@uol.com.br
Perfil do profissional avaliador

Por muito tempo a caracterstica principal do profissional avaliador foi a experincia,
lgica que fazia de engenheiros e arquitetos que se dedicavam a outros segmentos da engenharia e
que tivessem vrios anos de atividade, profissionais habilitados para o exerccio da Engenharia de
Avaliaes. Isto permitia que as avaliaes fossem realizadas por profissionais cuja formao no
agregava qualquer metodologia cientfica vlida em seus trabalhos, ficando adstrito sua
experincia profissional, ou seja, subjetividade do profissional.
Somente nos anos 60 que alguns profissionais comearam a se dedicar
exclusivamente ao exerccio da Engenharia de Avaliaes e a partir dos anos 70 surgem as
primeiras empresas de prestao de servios neste ramo e, mesmo atualmente, vrias so as
faculdades/universidades que no possuem em sua grade uma disciplina prpria de avaliaes.
Portanto, embora os engenheiros e arquitetos sejam os profissionais legalmente
habilitados para realizar laudos de avaliao e percias tcnicas de engenharia, no so todos que
recebem, na prpria graduao, conhecimento tcnico suficiente para fornecer capacitao para
desempenhar esta funo com qualidade. A estes profissionais resta buscar este conhecimento fora
da academia, nos diversos cursos que so ministrados ou mesmo por institutos de Avaliaes
como a SOBRE e o IBAPE.
Esta situao tende a se alterar uma vez que nos dias atuais alm do engenheiro de
avaliaes (Engenheiro, arquiteto ou agrnomo) ter ampla formao nos vrios segmentos da
Engenharia, arquitetura e agronomia (logicamente que dentro da especialidade de cada
profissional), esses conhecimentos devem convergir para aplicao conjunta com tcnicas de
valorao de bens.
A norma de avaliaes de bens (NBR 14.653 Parte 1) definiu este profissional como
sendo o engenheiro de avaliaes que, pela definio da norma o profissional de nvel superior,
com habilitao legal e capacitao tcnico-cientfica para realizar avaliaes, devidamente registrado no
Conselho Regional de Engenharia, Arquitetura e Agronomia CREA. Cabe aqui registrar que o termo
engenheiro de avaliaes, em nossa opinio, no exatamente correta posto que no faz jus aos
colegas arquitetos, tambm habilitados ao desempenho desta funo, de tal modo que poderia ser
mais correto o termo avaliador.


chmaciel@uol.com.br
A estes profissionais, engenheiros e arquitetos, imprescindvel o conhecimento da

Estatstica Inferencial e da Engenharia Econmica bem como conhecimentos bsicos de estrutura,
instalaes, infra-estrutura, acabamentos, custos, planejamento e economia urbana e rural,
mercadologia e, como no poderia ser diferente, sistemas computacionais.
Alm disto, necessrio que o profissional de avaliaes detenha ainda algumas outras
qualidades tais como: autodidatismo, esprito de pesquisador, criatividade e senso crtico uma vez
que, no desempenho de suas funes, esto sujeitos a enfrentar diversos tipos de situaes que
dependem destas caractersticas para obter a melhor fundamentao tcnica atravs de critrios
objetivos, procurando sempre minimizar qualquer tipo de subjetividade.
No se concebe, atualmente, profissionais que manifestem suas opinies pautadas
em frmulas empricas e subjetivas e cujo resultado de seu trabalho no esteja associado
realidade do mercado em que o bem est inserido.
Este mercado deve estar ocupado por profissionais capacitados, ticos, conscientes,
criteriosos e firmes em suas concluses, firmeza esta possvel somente com a utilizao de tcnicas
que tenham fundamentao e comprovao cientfica.
No h como dissociar a exclusividade que a habilitao profissional prev ao
Engenheiro e Arquiteto da necessria capacitao deste profissional, pois um profissional que
esteja habilitado legalmente, mas no esteja capacitado para o exerccio desta funo, ser nocivo
classe de profissionais que se dedicam a este ramo da engenharia, e da sua atuao resultar uma
clientela confusa quanto a esta exclusividade. Neste sentido esclarecedor o entendimento do
engenheiro Andr Maciel Zeni:
Infelizmente temos a admitir que da forma como atuam ainda alguns Avaliadores, com o uso de
coeficientes corretivos, como se estes fossem a grande tcnica avaliatria, qualquer corretor de imveis
o faria, e, desgraadamente para ns, melhor. No ser uma Lei Federal (5.194), que nos dar de fato a
exclusividade e a proteo; ser a competncia e preparo dos Engenheiros, Arquitetos e Agrnomos
que mostraro o caminho das solues tcnicas para o complexo problema avaliatrio. (grifo nosso)
O Engenheiro Andr Maciel Zeni cita como 7 mandamentos do engenheiro Avaliador:

1 Conhecimentos genricos e slidos de segmentos de engenharia que desembocam nas avaliaes
(edificaes, estruturas, instalaes, infra-estrutura, acabamentos, custos, etc.);
2 Fundamentos de planejamento e economia urbana, mercadologia, bem como legislao;
3 Domnio da matemtica financeira, atravs da anlise de investimentos;
4 Domnio da estatstica Indutiva, anlise inferencial e econometria;
5 Esprito de pesquisador, criativo, senso crtico, com afinidade para a investigao e pesquisa
mercadolgica;
6 Autodidata, com disposio para o constante estudo e atualizao;
7 Afinidade com o uso de sistemas e aplicativos, bem como operao de microcomputadores.
10

2.3

chmaciel@uol.com.br
Homogeneizao de dados x Estatstica Inferencial ou Indutiva

inegvel a evoluo da engenharia de Avaliaes no Brasil nas ltimas dcadas,
principalmente no que diz respeito reviso de muitos conceitos que estavam impregnados no
subconsciente de muitos profissionais.
Predominava, at ento, a experincia que o profissional detinha em razo de seus
vrios anos no mercado e de sua vasta experincia no mercado de avaliaes de imveis, em
especial os imveis urbanos; conceito este que perdeu fora na medida em que se comeou a
questionar a validade dos diversos procedimentos empricos adotados nos processos de avaliao
e que se pautavam na subjetividade do profissional avaliador.
Este raciocnio aproximava o profissional avaliador do corretor de imveis que tambm
possui experincia no mercado imobilirio; somente o conhecimento tcnico e a sua correta
aplicao na busca da verdade mercadolgica podem diferenciar o profissional avaliador do
corretor de imveis uma vez que este ltimo desempenha sua atividade num mercado delimitado
e restrito.
O profissional de avaliaes no precisa, necessariamente, estar atuando no mercado
por vrios anos para poder extrair desse mercado as informaes que necessita. A ferramenta de
regresses mltiplas pelo mtodo dos mnimos quadrados permite ao profissional extrair do
mercado as informaes necessrias para traduzir o seu comportamento atravs de frmulas
matemticas acompanhadas de parmetros estatsticos que refletem o grau de confiabilidade do
modelo inferido.
Embora o profissional avaliador, num mercado desconhecido, certamente encontrar
dificultadores maiores do que o mercado em que atue (necessidade de pesquisa para
conhecimento do espao urbano, de suas limitaes e tendncias relativas a aspectos fsicos, legais
e mercadolgicos), este profissional ter a seu favor o conhecimento da metodologia cientfica.
Este conhecimento ir permitir aferir, com base nas informaes do prprio mercado,
os fatores influenciantes na formao do valor, pelo menos os mais relevantes, e ter condies de
comprovar e fundamentar estas aferies a partir de laudo detalhado e justificado, utilizando
ferramentas matemticas e estatsticas consagradas no meio cientfico, condies que no possui o
corretor de imveis em um mercado desconhecido.
11


chmaciel@uol.com.br
fato que os procedimentos empricos dominaram o mercado durante muito tempo,

no porque no houvesse metodologia cientfica disponvel (a regresso ou inferncia estatstica
no uma tcnica recente), mas em funo de que no havia tecnologia que pudesse faz-las
acessveis maior parte dos profissionais avaliadores.
A tcnica da regresso, diferentemente do que muitos podem pensar, no apresenta
seu maior dificultador no seu estudo e compreenso, mas o que dificultava a adoo da tcnica
eram os inmeros e repetitivos procedimentos de clculo, em especial nos modelos que possuam
muitos dados e muitas variveis, cuja realizao de forma manual impraticvel.
A facilidade de acesso microinformtica, que aconteceu no Brasil de forma mais
significativa a partir da dcada de 90, permitiu aos profissionais o acesso a computadores de
capacidade de processamento cada vez melhores e custos mais acessveis. Isto possibilitou a
utilizao de tcnicas fundamentadas em conhecimentos tcnicos cientficos, afastando-se de
tcnicas empricas e subjetivas e permitindo uma interpretao do mercado local e no mais de um
mercado genrico, abstrato e distante.
um grande equvoco, atualmente, pensar na metodologia cientfica como algo que
est fora do alcance dos profissionais de engenharia de avaliaes, principalmente aqueles que no
trabalham nos grandes centros urbanos. Esta confuso fundamenta-se na aparente dificuldade de
adquirir o conhecimento sobre a metodologia cientfica e na idia de que a mesma pautada em
procedimentos to complexos que no seriam facilmente assimilados pelo profissional. A
complexidade se resume aos clculos, problema que resolvido com a utilizao de um bom
aplicativo (software) e de um computador (hardware) com boa capacidade de processamento.
indiscutvel que os profissionais que trabalham em grandes centros tm, de fato,
algumas vantagens em relao aos colegas de cidades menores, tais como a maior disponibilidade
de cursos para aprendizagem da metodologia, possibilidade de obteno de maior nmero de
elementos amostrais (que na metodologia cientfica, como veremos, um fator importante);
melhores condies de discusso sobre o assunto em fruns constantes e, por isso, mais
atualizados quanto metodologia.
12


chmaciel@uol.com.br
Estes diferenciais no impedem os profissionais que desempenhem suas funes nas

mais variadas regies deste pas de usar esta metodologia, afastando-se do subjetivismo que toma
conta dos mtodos empricos ditos outrora consagrados e que, em geral, se afastavam das reais
tendncias de mercado. A metodologia cientfica permitir ao profissional de avaliaes emitir
posies tcnicas fundamentadas sobre o valor do bem avaliando.
Caber ao engenheiro de avaliaes interpretar o mercado, de forma atenta aos seus
indicativos, deixando para trs o autoritarismo que durante muito tempo tomou conta dos
processos avaliatrios e transformando as incertezas do mercado em incertezas estatsticas que
sero devidamente tratadas pela metodologia cientfica.
Os modelos estatsticos coletados diretamente no mercado local podem permitir uma
anlise dos fenmenos mercadolgicos que influenciam a formao do valor, permitindo
identificar o momento atual e tambm as principais tendncias de mercado.
No h mais espao para a pretenso de que os engenheiros de avaliao ditem as
regras de mercado, mas para uma posio oposta, mais passiva em relao ao mercado, a posio
de procurar ouvi-lo, ou seja, identificar quais so a tendncias de um determinado segmento de
mercado, num certo momento histrico.
O profissional deve saber identificar o que efetivamente influencia na formao do
valor, no de uma forma arbitrria e autoritria, mas atravs de comprovao tcnico-cientfica
que possa fundamentar esta concluso.
Para o xito nesta empreitada, h alguns passos que so imprescindveis, quais sejam:
a) promover a coleta, registro e tabulao dos elementos amostrais disponveis no
mercado, procurando, o mximo possvel, a preciso e confiabilidade dos dados
coletados e a segmentao por nichos (segmentos) mercadolgicos distintos (Ex.:
terrenos, casas, apartamentos, etc.), elaborando e mantendo seu banco de dados;
b) possuir aplicativo que permita uma correta anlise cientfica dos modelos obtidos
em mercado ( hoje h vrias opes de softwares disponveis a preos razoveis);
c) implantar processo contnuo de alimentao do banco de dados de forma a permitir
a aferio de possveis alteraes que possam ocorrer no mercado, afinal o modelo
matemtico como uma fotografia do mercado, algo esttico enquanto o
13


chmaciel@uol.com.br
mercado dinmico e pode sofrer alteraes em funo de vrios fenmenos

mercadolgicos que nele interferem alterando valores, para cima ou para baixo;
d) estar continuamente atento para os fenmenos sociais e mercadolgicos bem como
da economia local;
A metodologia cientfica ir permitir maior desempenho operacional e tambm maior
assertividade e segurana ao profissional de avaliaes e seu cliente, diminuindo os eventuais
questionamentos ou respondendo-os de forma a ficar evidente que o valor obtido est adstrito aos
dados coletados em mercado e no mais subjetividade do avaliador.
Esta assertividade e vinculao s informaes advindas dos dados coletados
diretamente no segmento de mercado de interesse prendem-se ao fato de que cada um dos
elementos amostrais traz informaes que vo muito alm do preo, traz consigo o que mais
interessa ao profissional de avaliaes que a explicao do preo, isto significa que as diversas
caractersticas dos elementos amostrais, sejam elas qualitativas ou quantitativas, comporo o que se
denomina variveis independentes e que serviro para fundamentar o valor de mercado (varivel
dependente).
A funo obtida pela modelagem, que demonstre atender aos diversos testes
estatsticos necessrios sua validao (auto-regresso, multicolinearidade, homocedasticidade,
normalidade dos resduos, presena de outliers pontos influenciantes; significncia do modelo e
dos regressores, etc.), fornecer o modelo matemtico de explicao do mercado atravs dos
elementos amostrais coletados que, considerada a hiptese de que o mesmo contenha todos os
fenmenos mercadolgicos presentes, traduzir o prprio mercado.
importante ressaltar que o atendimento a todos estes testes de validao no est na
vontade do avaliador e que, na impossibilidade deste atendimento, deve o engenheiro de
avaliaes informar os dificultadores encontrados do que pode decorrer, ao final e em caso
extremo, para um opinamento sobre o valor, mas mesmo neste caso, com melhor fundamentao.
14


chmaciel@uol.com.br
Neste sentido destacamos trechos das NBR 14653, parte 1 e 2:

parecer tcnico: Relatrio circunstanciado ou esclarecimento tcnico emitido por um profissional
capacitado e legalmente habilitado sobre assunto de sua especialidade. (item 3.34 da ABNT NBR
14653-1)
Esta parte da NBR 14653 e as demais partes se aplicam a situaes normais e tpicas do mercado.
Em situaes atpicas, onde ficar comprovada a impossibilidade de utilizar as metodologias previstas
nesta parte da NBR 14653, facultado ao engenheiro de avaliaes o emprego de outro
procedimento, desde que devidamente justificado. (item 8.1.2 da ABNT NBR 14653-1; grifo
nosso)
A especificao de uma avaliao est relacionada tanto com o empenho do engenheiro de avaliaes,
como com o mercado e as informaes que possam ser dele extradas. O estabelecimento inicial pelo
contratante do grau de fundamentao desejado tem por objetivo a determinao do empenho no
trabalho avaliatrio, mas no representa garantia de alcance de graus elevados de fundamentao.
Quanto ao grau de preciso, este depende exclusivamente das caractersticas do mercado e da amostra
coletada e, por isso, no passvel de fixao a priori.(item 9.1.1 da ABNT NBR 14653-2)
Todos os trabalhos elaborados de acordo com as prescries desta Norma sero denominados laudos
de avaliao. O grau de fundamentao atingido deve ser explicitado no corpo do laudo. Nos casos
em que o grau mnimo I no for atingido, devem ser indicados e justificados os itens das Tabelas
de especificao que no puderam ser atendidos e os procedimentos e clculos utilizados na
identificao do valor (item 9.1.2 da ABNT NBR 14653-2; grifos nossos)
O texto da NBR 14.653, parte 2, no cita o parecer tcnico como sendo a classificao a
ser utilizada para classificao dos trabalhos nos quais as informaes sejam insuficientes para a
utilizao dos mtodos previstos em Norma, conforme 8.1.2 da ABNT NBR 14653-1:2001. Questes
como estas devero ensejar a necessidade de ajustes da parte 1 da NBR 14.653 para que se
promova a compatibilizao entre as duas partes do Normativo.
15

CONCEITOS
3.1
Diferenas conceituais entre Preo, custo e valor

chmaciel@uol.com.br
A definio de avaliao pode ser dada como o conjunto de operaes tcnicas que leva
a formao de juzo sobre o valor mais provvel de um bem, de seus frutos ou de um direito sobre
ele. Neste sentido a Norma NBR-14653 (Parte 1), em seu item 3.5, define avaliao de bens como
sendo:
Anlise tcnica, realizada por engenheiro de avaliaes, para identificar o valor de um bem, de seus
custos, frutos e direitos, assim como determinar indicadores da viabilidade de sua utilizao
econmica, para uma determinada finalidade, situao e data (grifo nosso).
A publicao das partes 1 e 2 do conjunto de Normas que compem a NBR 14653, que
recebe o ttulo geral de Avaliao de bens, fortalece o conceito de valor nico de um bem, o que
corrobora o entendimento da escola univalente, de que o valor de um bem, em determinado
instante, nico, independente do fim a que se destina a avaliao, em contraposio a escola
plurivalente, que correlaciona o valor de um bem com a finalidade para o qual avaliado,
podendo o mesmo atingir diversos tipos de valor. Veja que a definio dada pela Norma,
conforme transcrevemos acima, indica a obteno do valor (no singular) e no dos valores (no
plural).
Entretanto, mesmo em se considerando o entendimento da escola univalente, a
dificuldade maior reside em conceituar valor, posto que este conceito se reveste de carter
subjetivo, atrelado a circunstncias diversas e o ponto de vista sob o qual estejamos examinando.
O objeto especfico da avaliao de imveis a obteno do valor de mercado,
embora a Parte 1 da NBR 14653 indique tambm valor em risco, patrimonial e residual. No parece
pretender a norma indicar que existam vrios tipos de valores para um mesmo bem, mas valores
diferentes em funo da parcela ou conjunto de bens que se pretende avaliar.
No caso de uma avaliao para seguro, por exemplo, natural que o bem que se deseja
segurar seja a edificao e, por vezes, bens que estejam abrigados pela mesma (mveis,
equipamentos, etc.), no se cogitando o valor do terreno, para o qual no se faz necessria ou
adequada a cobertura securitria; temos ento o valor em risco: valor representativo da parcela do
bem que se deseja segurar.
16


chmaciel@uol.com.br
Outras vezes, trata-se do valor de um conjunto de bens pertencentes a uma mesma

pessoa, fsica ou jurdica, que se pretende avaliar. No se trata, portanto, de valores diferentes, mas
de um valor nico correspondente totalidade dos bens, ou seja, o valor patrimonial daquela
pessoa, fsica ou jurdica.
Por ltimo, o valor residual que informar uma quantia representativa do valor do bem ao
final de sua vida til.
O valor mais usual no campo de avaliao de bens o de mercado, que ser extrado de
um intervalo de valores provveis cuja amplitude, por sua vez, ser diretamente decorrente da
disperso dos elementos amostrais e da probabilidade estatstica que representar a confiana de
que o valor real de mercado esteja contido no intervalo estipulado.
O valor de mercado de um bem est relacionado com a sua utilidade, ou seja, com a
sua capacidade de atender a uma necessidade, a um desejo, e at mesmo a um capricho,
entretanto, o valor advindo desta relao estar diretamente ligado s condies do mercado ao
qual o bem avaliando pertence.
A NBR-14653-1 (Norma Brasileira para Avaliaes de bens Procedimentos Geral)
prescreve, em seu item 3.44, que valor de mercado a quantia mais provvel pela qual se negociaria
voluntariamente e conscientemente um bem, numa data de referncia, dentro das condies do
mercado vigente (grifo nosso).
Esta situao colocada pela Norma atual, em contrapartida com a definio da Norma
anterior (NBR 5676), mais adequada ao mercado imobilirio real, pois no existe mercado de
concorrncia perfeita conforme presumia a NBR 5676. A atuao do profissional avaliador
caracterizada pelo desafio de, a partir das imperfeies do mercado e utilizando-se das
ferramentas tcnicas disponveis, promover a adequada homogeneizao dos dados coletados.
Esta homogeneizao deve ser, preferencialmente, por inferncia estatstica e, uma vez
identificado os intervalos de confiana e campo de arbtrio, adotar o valor que considera mais
apropriado realidade e circunstncias do mercado imobilirio naquele determinado local e
momento.
17


chmaciel@uol.com.br
Se no houver nmero elevado de compradores e vendedores, como preconizava a

norma anterior, nem por isso pode o profissional de avaliaes entender impossvel avaliar um
bem, mas atravs da amostra do mercado, mesmo que reduzida, deve o avaliador procurar
traduzir o comportamento de mercado, ainda que com restries quanto confiabilidade do
trabalho que, obviamente, devem estar expressas no Laudo.
Imaginarmos um mercado onde no haja influncias externas, como preconizava a
norma anterior, seria ignorar o que de mais comum existe na essncia humana tais como
necessidades, caprichos, desejos, ansiedades, incertezas, entre tantas outras caractersticas prprias
do homem e que, invariavelmente, exercero influncia sobre o mercado. Cabe ao profissional
avaliador tentar neutraliz-las ou ao menos minimiz-las atravs de metodologia cientfica
adequada que permita adequado tratamento dos dados, atravs de operaes que expressem, em
termos relativos, as diferenas de atributos entre os dados de mercado e os do bem avaliando.
Pretender que os participantes tenham racionalidade e conhecimento absoluto sobre o
bem seria como pensar o mdico que, para um diagnstico adequado, exigisse dos pacientes que
tivessem conhecimento absoluto sobre o seu prprio corpo. Ora, se as pessoas fossem to
conhecedoras sobre o bem, sobre o mercado e as tendncias destes, no haveria razo para
contratar profissionais especializados em avaliao.
Por ltimo, a NBR 5676 colocava como sendo necessria a perfeita mobilidade, a
liberdade plena de entrada e sada do mercado. Ora, ningum venderia se no precisasse, por
algum motivo, vender e ningum compraria se no necessitasse, por alguma razo, comprar; logo,
no h e nunca haver uma liberdade plena. Atrs de toda negociao imobiliria sempre est uma
necessidade. Obviamente que uma necessidade extrema, ou mesmo um procedimento de m f,
pode levar o comprador a pagar um preo extremamente alto ou o vendedor a entregar o bem por
valor nfimo.
Deve o profissional, consciente destas possibilidades, identificar elementos amostrais
que possam provocar condies anmalas, os chamados outliers, a partir das condies mdias
apontadas pelos demais dados e, se for o caso, no consider-lo em seu trabalho, apresentando a
fundamentao para tal excluso.
18


chmaciel@uol.com.br
Antes de avanarmos nas metodologias de avaliao, importante que tenhamos bem

clara a distino entre custo, valor e preo. O valor no deve ser confundido com preo ou custo.
Preo representa a quantidade de dinheiro pela qual se realiza ou se pretende realizar
uma operao de transio de propriedade sobre um determinado bem (inclusive imveis), seus
frutos ou direitos. Nessa operao, logicamente, devem ser considerados outros fatores, que
podem aumentar ou diminuir o preo, como por exemplo, uma necessidade urgente de parte do
vendedor ou do comprador; a inexistncia de um mercado livre; desequilbrio entre oferta e
procura ou ainda outros que impossibilitem o equilbrio necessrio entre as partes envolvidas.
Assim, o preo pode ser inferior, igual ou superior ao valor. A NBR 14.653, Parte 1, define preo
como sendo a quantia pela qual se efetua, ou se prope efetuar, uma transao envolvendo um bem, um
fruto ou um direito sobre ele.
Custo, por sua vez, o preo acrescido de todas as outras despesas em que incorre o
comprador da propriedade quer se refiram a regularizaes legais (registro em cartrio de
imveis, legalizao em rgos pblicos, etc.) ou mesmo regularizaes fsicas (construes,
reformas, ampliaes, etc.). Ressalte-se que algumas regularizaes fsicas podem estar
relacionadas s regularizaes legais, como por exemplo, de intervenes necessrias
regularizao de recuos mnimos, coeficientes de ocupao, reas de iluminao e ventilao,
dentre outras. A NBR 14.653 define custo como sendo o total dos gastos diretos e indiretos necessrios
produo, manuteno ou aquisio de um bem, numa determinada data e situao.
J o valor de mercado, objetivo principal da avaliao de bens, em funo das
peculiaridades do mercado imobilirio, poderia ser definido como sendo a estimao do preo
mdio de mercado, atravs de tratamento matemtico e estatstico adequado de uma amostragem
de preos que carregue o mximo possvel das imperfeies do mercado.
3.2
Conceitos utilizados em avaliao por mtodos comparativos

Para a seqncia do estudo necessrio o entendimento de algumas definies
estatsticas que passaremos a discorrer:
19


chmaciel@uol.com.br
Populao: se pudssemos obter todos os eventos possveis do segmento de mercado

analisado; estaramos de posse do que chamamos populao, sendo que poderamos tomar como
exemplo a populao do mercado de apartamentos ou de terrenos de um determinado municpio.
Amostra: na prtica, por uma srie de fatores entre os quais podemos destacar o
tempo; o fator econmico bem como a disponibilidade das informaes, no vivel a
obteno da populao (conjunto de todos os dados que formam o segmento de mercado que
desejamos analisar), motivo pelo qual trabalhamos com uma parcela desta populao que constitui
a amostra.
Parmetros: so as caractersticas numricas de uma populao e so representados,
geralmente, por letras gregas ou por uma letra maiscula (por exemplo ou B). Dentre os
parmetros mais importantes de uma populao podemos destacar a mdia e o desvio-padro.
Enquanto a mdia indica a tendncia central o desvio-padro indica a disperso, ou seja, o
afastamento com que os dados esto dispostos em torno da mdia.
Estatsticas ou Parmetros Estimados: so as caractersticas numricas da amostra que
pois esta fornece os parmetros estimados da populao da qual foi extrada. Geralmente so
representados por uma letra grega com circunflexo ou por uma letra latina minscula.
Na utilizao de metodologias de obteno do valor por processos comparativos a
meta obter um valor representativo para toda a populao de bens assemelhados ao que
queremos avaliar, entretanto, como os dados da populao , regra geral, de difcil obteno,
utilizamos os recursos das amostras, cujos valores mdios nos fornecero estimativas do valor
mdio da populao.
3.3
Mdia Aritmtica
A mdia aritmtica uma das medidas de posio ou de tendncia central que orienta
quanto a posio da distribuio em relao ao eixo x (abscissa). A sua obteno dada atravs da
equao abaixo:
x=
n
i =1
xi
(Equao 18)
20


chmaciel@uol.com.br
Onde:
x = mdia aritmtica
xi = elementos amostrais
n = nmero de elementos amostrais
Uma das principais propriedades da mdia aritmtica que a soma algbrica da

diferena entre cada valor observado e a mdia aritmtica nula, ou seja, os valores positivos
anulam os negativos e que a mdia de uma constante a prpria constante
3.4
Desvio padro
O desvio padro uma medida de disperso dos dados em relao mdia, isto
porque podem existir conjuntos de valores observados que possuem a mesma mdia, mas cuja
disperso dos valores em relao a esta ltima pode ter valores diferenciados, assim o caso de
mdia de valores constantes (100,100) e de valores distintos (50, 150), ambos os conjuntos
apresentam a mesma mdia (100), mas o primeiro tem flutuao nula em relao mdia,
diferentemente do segundo conjunto que tem flutuao diferente de zero.
A obteno do desvio padro de uma amostra3 dada pela frmula abaixo:
xi x
i =1
(n 1)
n
se =
(Equao 19)
Onde:
s e = desvio padro da amostra;
x = mdia aritmtica
xi = elementos amostrais
A frmula para obteno do desvio padro da populao diferente da amostra em funo dos graus de liberdade.
21

3.5

chmaciel@uol.com.br
Intervalo de Confiana
O intervalo de confiana aquele para o qual se pode afirmar, com determinada
probabilidade, que o verdadeiro valor do parmetro populacional est nele contido. O clculo
deste intervalo feito utilizando-se a distribuio t de Student. Se considerarmos com sendo a
significncia, a confiana ser dada por 1- , como mostra a figura 1:
1-
/2
/2
Li
Figura 1
Ls
O intervalo de confiana calculado pela frmula:
I = x t1( / 2 );n1
se
n
(Equao 21)
Onde:
x=
mdia aritmtica
t1( / 2 );n 1 =
ponto crtico da distribuio t de Student, que deixa uma rea de 1-/2

sua esquerda, considerando-se n-1 graus de liberdade, uma vez que se
estima uma nica mdia para a populao
se =
desvio padro da amostra;
n=
nmero de elementos amostrais
22


chmaciel@uol.com.br
Tratamento de dados por tratamento cientfico (inferncia estatstica)

A Estatstica Inferencial ou tambm designada Estatstica Indutiva possibilita
justamente a obteno destes modelos matemticos justificados que possam representar o

segmento de mercado no qual o bem avaliando est inserido. As concluses obtidas atravs da
Estatstica Inferencial no podem ser consideradas absolutas ou exatas j que no so
determinsticas e sim probabilsticas; sua preciso estar intimamente relacionada ao maior ou
menor grau com que se buscar a verdade mercadolgica.
O profissional de avaliaes deve estar preparado para saber identificar os vetores de
formao de preos como se estivesse ouvindo o que estes esto querendo dizer atravs de
modelos matemticos justificados que nos revele as tendncia e incertezas do mercado na
formao do valor.
No se deve, entretanto, imaginar que apenas um bom equipamento de informtica e
software dedicado a este trabalho basta para o bom xito desta empreitada uma vez que os
resultados fornecidos pela inferncia, sem que o profissional esteja habilitado a interpret-los de
forma correta, poder trazer ainda mais incertezas, limitaes e restries que, em funo da falta
de capacitao do profissional, no tero sua soluo identificada ou o que pode ser mais
desastroso, podero ser ignorados.
Estatisticamente, inferir significa tirar concluses com base em medidas estatsticas. No
caso especfico de Engenharia de Avaliaes buscamos explicar, com base em dados obtidos no
mercado, o comportamento deste ltimo, ou seja, conhecendo-se uma parcela do mercado
(amostra) pode-se inferir sobre seu comportamento geral (populao), logicamente dentro de um
determinado grau de confiana que os procedimentos estatsticos nos permitiro afirmar.
Para traduzir o que os elementos amostrais querem nos dizer podemos lanar mo
da teoria das regresses que pressupe o estudo das causas (variveis independentes) e de seu
conseqente efeito (varivel dependente). As variveis independentes podem ser:
Quantitativas: Variveis que podem ser medidas ou contadas (Ex.: rea privativa, nmero de
quartos; vagas de garagem)
Dicotmicas: Varivel que assume apenas dois valores (sim ou no, com ou sem). Podem
ocorrer de forma isolada ou em grupos. Tambm conhecidas como binrias, dummies, de
estado, zero - um.
23


chmaciel@uol.com.br
Qualitativas: Variveis que no podem ser medidas ou contadas, mas apenas ordenadas ou
hierarquizadas, de acordo com atributos inerentes ao bem (Ex.: padro construtivo e estado de
conservao):
Cdigos alocados: Ordenao numeral (notas ou pesos) para diferenciar as
caractersticas qualitativas dos imveis (nmeros naturais em ordem crescente das
caractersticas possveis, com valor inicial igual a 1.
Cdigos ajustados: Escala extrada dos elementos amostrais originais por meio de
modelo de regresso, com a utilizao de variveis dicotmicas, para diferenciar as
caractersticas qualitativas dos imveis
Proxy: varivel utilizada para substituir outra de difcil mensurao e que se
presume guardar com ela relao de pertinncia (Ex.: CUB, SINAPI, Ross Heideck,
etc.)
Em cada fato da natureza, nos problemas de ordem social ou de interesse econmico,
verifica-se que as variveis apresentam relao entre si, ou seja, podemos tomar como exemplos o
peso das pessoas que estar relacionado com a altura e o sexo; a produtividade agrcola estar
relacionada com o ndice pluviomtrico ou a quantidade de adubo utilizada, etc.
Nos casos em que o valor da varivel desconhecida (varivel dependente) for calculado
com base apenas em uma nica varivel conhecida (varivel independente) teremos o caso de uma
regresso simples; j nos casos em que o quantitativo de variveis independentes for igual ou
superior a dois estaremos trabalhando com regresso mltipla.
de se pressupor que, na prtica, sero raros os casos em que o valor seja determinado
apenas por uma varivel, pois vrios sero os fatores influenciantes do valor, entretanto, por
motivos de ordem didtica, convm que se inicie o estudo da inferncia estatstica atravs da
anlise de regresso simples o que permitir que trabalhemos com frmulas no to complexas,
mas abrir caminho para tratarmos das situaes de regresso dupla que, por sua vez, daro toda a
noo necessria regresso mltipla.
Para uma determinada varivel influenciante (independente) podero ocorrer
comportamentos distintos na varivel influenciada (dependente), sendo assim, vamos imaginar que
um determinado trabalho de avaliao pretenda verificar o comportamento do preo unitrio de
residncias em relao distncia a um suposto plo desvalorizante (penitenciria, aeroporto,
indstria, estao de tratamento de esgoto, etc.).
24


chmaciel@uol.com.br
A partir da amostra obtida na pesquisa do mercado em questo, podemos obter o

grfico de disperso que gerado plotando-se os correspondentes pares de valores da varivel
explicada ou dependente e a respectiva varivel explicativa ou independente em um sistema de
coordenadas ortogonais de onde teremos, como possveis resultados, os grficos representados
pelos grficos 01, 02, 03 e 04:
Grfico 01
Grfico 02
Grfico 03
Grfico 04
Pela observao dos grficos podemos identificar quatro informaes relevantes

fornecidas pelos dados: a tendncia, a intensidade, a forma funcional da curva e a sua disperso.
Nos grficos 01, 02 e 03 verifica-se uma tendncia de acrscimo do valor unitrio em
relao distncia, ou seja, medida que o valor da varivel independente (distncia ao plo
desvalorizante) aumenta, cresce tambm o valor da varivel dependente (preo unitrio),
entretanto, a distribuio dos pontos do grfico 04 no sugere o mesmo. Neste ltimo caso o
mercado estaria indicando que o plo no exerce influncia sobre o preo (o que, para o exemplo
em pauta, dificilmente ocorreria).
25


chmaciel@uol.com.br
Enquanto a inclinao da reta revela a tendncia (positiva ou negativa), a intensidade

dada pelo ngulo de inclinao desta, ou seja, quanto maior for o ngulo, maior a intensidade da
influncia da varivel independente.
Estas demonstraes tm a funo de comprovar as hipteses formuladas inicialmente
pelo avaliador, caso sejam verificadas situaes como as representadas nos grficos 01, 02 e 03, ou
demonstrar que no eram procedentes ou relevantes, se o resultado fornecer situao similar a do
grfico 04.
Quanto forma funcional da curva os grficos 01, 03 e 04 apresentam caractersticas
prprias da linearizao enquanto do grfico 02 indica um comportamento exponencial. Isto
extremamente relevante visto que para os casos dos grficos 01, 03 e 04 podemos obter o
ajustamento atravs de uma regresso linear diferentemente da situao do grfico 03 que
prescinde, anteriormente ao ajustamento, de uma transformao para linearizar os dados.
Finalmente, a quarta e ltima informao, a disperso dos dados ao longo da curva que
melhor se ajustaria aos mesmos revela a existncia de homocedasticidade, ou seja, a disperso
aparentemente constante (varincia constante de erros), nos casos dos grficos 01, 02 e 04 ou
heterocedasticidade, no caso do grfico 03 em que, conforme aumenta a distncia ao plo
desvalorizante, aumenta a varincia dos erros.
Os modelos ideais sero aqueles que se apresentarem favorveis a linearizao, a
homocedasticidade e com intensidade alta, ou seja, retas que possuam coeficiente angular de valor
absoluto significativo e, obviamente, diferente de zero, alm de outras qualidades, no menos
importantes, tais como significncia do modelo e dos parmetros, auto-regresso, distribuio
normal, correlaes, etc. e que veremos adiante.
A anlise grfica uma das ferramentas mais simples, mas no menos importante da
modelagem que visa promover o ajustamento do modelo de regresso. Permite, alm das
informaes j citadas que, em certos casos, como os demonstrados pelo grfico 5, verifiquemos a
ocorrncia de disposies em que, embora seja possvel estabelecer uma reta entre os pontos como
representado no grfico 6, no poderamos assegurar que a equao matemtica desta reta fosse
representativa do comportamento de mercado no intervalo entre X 2 e X 3 e ao realizarmos
simulaes de valores neste intervalo estaramos realizando uma intrapolao interna.
26


chmaciel@uol.com.br
y2
y
1
xi
Grfico 05
Grfico 06
^
A estimativa de valor ( y ) do imvel avaliando dependente da varivel x

correspondente ao mesmo imvel, conforme se verifica na equao:
^
y = a + b 1 .x
Se o imvel avaliando possui valor Xi situado entre os valores dos diferentes xi
contidos no intervalo compreendido entre X2 e X3, o valor de y chapu ser definido atravs de
interpolao. Quando o valor de x estiver fora da amplitude dos Xi amostrais (Xi < X1 ; Xi > X4),
o clculo ser feito por extrapolao.
Quando efetuamos interpolao, corremos o risco de que, pela ausncia de
informaes de mercado (pontos vermelhos do grfico 06) de que o valor projetado Y1 no reflita
o verdadeiro valor que seria o valor projetado Y2.
Ressalvadas as situaes atpicas como a demonstrada nos pontos vermelhos do
grfico 06 acima, o resultado estar em acordo com os dados amostrais e perfeitamente
enquadrado na equao de regresso obtida para os dados contidos no intervalo [a,b], conforme
indica o grfico 07. Quando a varivel x do imvel avaliando estiver situada fora do intervalo
[a,b] definido pela amostra, pode ocorrer que o valor de y chapu no se enquadre na linha de
regresso que seria obtida se fossem coletados elementos para o intervalo [b,c] conforme pode se
observar no grfico 07, pois para aquele intervalo a forma funcional da curva pode sofrer
alteraes.
27


chmaciel@uol.com.br
Grfico 07
Situaes como esta no so difceis de ocorrer. O grfico 07 pode, por exemplo,
representar a variao do valor unitrio de terrenos (y) em funo da distncia dos lotes a um
determinado plo valorizante. normal que, a partir de uma determinada distncia, a influncia
deste plo sofra diminuio e at mesmo aproxime-se de zero mantendo o preo estvel.
Por este motivo, a utilizao do recurso de extrapolao deve ser feito de forma
criteriosa e, principalmente, dentro dos limites normativos, pois, caso contrrio, o avaliador pode
estar obtendo resultados totalmente fora da realidade do segmento de mercado analisado.
A NBR 14.653-2 estabelece vrios itens para que seja definido o grau de fundamentao
da avaliao, tanto no caso de utilizao de modelos de regresso linear como no caso de utilizao
de tratamento por fatores, e a extrapolao (sua ausncia ou limites de utilizao) um dos itens
utilizados para o enquadramento deste grau de fundamentao.
A classificao quanto ao uso das extrapolaes so as descritas abaixo (sendo Grau III
o maior grau de fundamentao e o Grau I o menor):
Grau I - admitida, desde que:
a) as medidas das caractersticas do imvel avaliando no sejam superiores a 100% do limite
amostral superior, nem inferiores metade do limite amostral inferior ;
b) o valor estimado no ultrapasse 20% do valor calculado no limite da fronteira amostral, para
as referidas variveis, de per si e simultaneamente
28


chmaciel@uol.com.br
Grau II - Admitida para apenas uma varivel, desde que:

a) as medidas das caractersticas do imvel avaliando no sejam superiores a 100% do limite
amostral superior, nem inferiores metade do limite amostral Inferior;
b) o valor estimado no ultrapasse 15% do valor calculado no limite da fronteira amostral, para
a referida varivel.
Grau III No admitida.
Alm desta situao, outras podero surgir que, se no analisadas corretamente pelo
profissional avaliador, podero fazer com que este cometa erros graves e grosseiros como a
situao representada no grfico 08. A tendncia que no ajustamento a reta de regresso (reta 1),
buscando minimizar o erro total, passe pela mdia do conjunto de pontos e pelo ponto isolado
como mostra o grfico 09.
Grfico 08
Grfico 09
Entretanto, a reta que melhor representa o comportamento do mercado a reta 2

(grfico 09), mas devido a um ponto totalmente fora do conjunto de pontos o ajustamento ficou
distorcido, invertendo totalmente o comportamento do mercado (tendncia).
Pontos, ou mesmo conjuntos de pontos, deste tipo so denominados pontos
influenciantes e como, possivelmente, no constaro como outliers, que sero tratados adiante,
somente uma anlise grfica poder identific-los (a definio de pontos outliers, ou pontos
errantes, ser tratada mais adiante) .
No recomendvel, entretanto, que apenas desconsideremos o dado, pois muitas
vezes trata-se de erro de coleta ou digitao e, desde que identificada a falha, basta corrigi-la e,
quem sabe, ainda considerar o dado amostral em questo. Neste aspecto, cabe ressaltar que o
objeto mais valioso do profissional de avaliao a informao e, portanto, h que se envidar
29


chmaciel@uol.com.br
todos os esforos para a preservao da informao, desconsiderando um elemento amostral

somente em ltimo caso, fundamentado esta ao.
No grfico 10 observamos um caso de dados provenientes de duas populaes
distintas como, por exemplo, dados de oferta e transao que, em no sendo observados
graficamente, conduziro a um ajustamento conforme a reta 1 do grfico 10 quando o
comportamento de mercado deve ser explicado pela reta 2, conforme grfico 11. Isto poderia ser
resolvido incluindo-se uma varivel dummy ou dicotmica (variveis que apresentam apenas uma
situao binria sim ou no).
Grfico 10
Grfico 11
Considerando o exposto acima, torna-se imperioso promover o que denominamos de

ajustamento da curva que nada mais do que a escolha da equao matemtica que melhor
retrate o relacionamento entre as variveis, ou seja, aquela que apresente o menor erro total. A
metodologia que iremos discorrer adiante permite este ajustamento de forma matemtica e
estatisticamente fundamentada.
4.1
Correlaes e Regresso Simples

Todo bem que tenha a capacidade de atender a uma necessidade, a um desejo e at
mesmo um capricho, pode ter atribudas a estas qualidades uma quantidade de unidades
monetrias que represente o montante pelo qual possa ser objeto de transao ou troca, ou seja, ou
seu valor de mercado.
30


chmaciel@uol.com.br
A obteno de um valor mdio de mercado para um determinado bem leva ao recurso

da comparao, ou seja, obtm-se o valor do bem avaliando comparando-se o preo de outros bens
ofertados ou transacionados no mercado em estudo.
Fcil perceber que a homogeneidade da amostra estar diretamente relacionada com a
homogeneidade da populao, pesquisa de valor sobre produtos industrializados tem maior
probabilidade de que as amostras coletadas possuam valores prximos mdia aritmtica uma
vez que os preos praticados so atrelados diretamente ao valor de aquisio junto ao fornecedor o
que aumenta a confiabilidade sobre a obteno de uma mdia amostral muito prxima da mdia
populacional.
Situao diversa a do mercado de imveis urbanos que caracterizado por uma
populao de caractersticas heterogneas gerando uma amostra de caractersticas tambm
heterogneas que podem gerar acrscimo ou decrscimo do valor do bem em funo de fenmenos
mercadolgicos relacionados cultura local ou outros fatores scio-econmicos. Pires da Silva
(2002) entende que qualquer amostra tomada ao acaso, contm elementos amostrais com valores
distantes da sua mdia aritmtica sendo que as diferenas que geram estas variaes podem ser
divididas em trs partes:
1) diferenas fsicas entre os dados;
2) fatores scio-econmicos;
3) aleatoriedade do mercado.
A aleatoriedade sempre estar presente no mercado e est relacionado a uma

caracterstica do ser humano, uma vez que as pessoas sofrem influncias diferenciadas quando se
propem a oferecer um preo para venda de um bem ou a aceitar um preo de compra. Esta ser
uma variao que no ser passvel de explicao e constituir os erros e resduos no explicados
de uma amostra.
Enquanto em produtos industrializados no h diferenas fsicas entre produtos de um
mesmo modelo e marca, possibilitando a obteno de amostras homogneas no esta a situao
do mercado de imveis urbanos, dada a grande heterogeneidade das amostras coletadas.
31


chmaciel@uol.com.br
Caber ao avaliador, ento, atravs da modelagem dos dados, eliminar a maior parte
possvel desta variao existente em torno da mdia em particular no que diz respeito s
diferenas fsicas existentes entre os dados e a influncia de fatores scio econmicos sobre a
formao dos preos praticados.
4.1.1
Mtodo dos mnimos quadrados

Plotando-se uma equao matemtica ajustada em um grfico juntamente com os pares
de valores X i ; Yi coletados em pesquisa, verifica-se que a maior parte deles estaro fora da curva
caracterizando a situao mais comum existente no mercado, a relao imperfeita entre as
variveis, tendo cada um dos pares de valores uma distncia vertical Di at a curva, conforme
demonstrado graficamente no Grfico 14:
Grfico 14
O melhor ajustamento ser definido pela curva em que a soma dos quadrados dos
desvios dos diversos pontos em relao mesma seja mnimo, conforme abaixo:
D i 2 = D 1 2 + D 2 2 + D 3 2 + L D n 2 = mnimo
i =1
(Equao 23)
32


chmaciel@uol.com.br
Esta curva ser designada como a curva de mnimos quadrados e ainda, para os casos
em que a relao seja linear, teremos a reta de mnimos quadrados.
O mtodo dos mnimos quadrados pode ser assim resumido:

a partir da funo matemtica proposta procura-se minimizar o quadrado das
distncias dos pontos obtidos na pesquisa equao proposta;
o ajustamento permitir anlise quanto consistncia do modelo proposto;
anlise do modelo proposto com outros, comparando-os e adotando aquele de

melhor aderncia;
por fim, a funo identificada como de melhor aderncia representar a verdade

mercadolgica para o segmento de mercado pesquisado;
4.1.2
Algoritmo bsico para ajustagem simples

A regresso permite determinar o valor de uma varivel que no conhecemos
(varivel dependente ou explicada) em funo do relacionamento desta com outras variveis cujos
valores dispomos (variveis independentes ou explicativas)
Se esta determinao ocorrer apenas em funo de uma nica varivel independente
ou explicativa, estaremos diante de uma regresso simples, cujo ponto de partida ser aquela de
mais simples relacionamento que a relao linear entre as variveis sendo representada pela
equao da linha reta entre dois pontos:
y = a + b.x
Onde:
y = varivel desconhecida (dependente);
x = varivel conhecida (independente);
a, b = constantes
A constante a define o ponto em que a reta corta o eixo das ordenadas, ou seja, o
valor de y quando x igual a zero sendo denominado, portanto, de intercepto. J a
constante b o coeficiente angular da reta e tambm representa o incremento de y quando o
valor de x aumentado de uma unidade (Grfico 15).
33

chmaciel@uol.com.br
b=
y
x
Grfico 15
As constantes a e b tambm so denominadas estimadores da regresso, sendo b
o coeficiente da regresso e a reta chamada de reta de regresso de Y sobre X. A verdadeira
equao de regresso linear, que corresponderia populao ou universo, representada,
seguindo-se a nomenclatura adotada em estatstica de que os parmetros populacionais so
representados por letras gregas pela expresso:
Y = + 1 .x1
Considerando,
(Equao 24)
como
citamos
anteriormente,
dificuldade
ou
mesmo
impossibilidade de utilizao da populao, trabalharemos com uma amostra de dados retirados

desta e o que faremos estimar ou inferir o valor de avaliao, logo, temos que considerar uma
diferena entre o verdadeiro valor de Y e o estimado atravs da equao de regresso obtido
com os dados da amostra, o que leva a reescrever a Equao 20 da seguinte forma:
^
y = a + b1.x1 + e
(Equao 25)
Onde:
^
y = chamado y chapu, corresponde ao valor estimado para a varivel Y;

a = parmetro estimado para o intercepto ou estimativa de ;
b1 = valor estimado para o coeficiente de regresso 1 , ou estimativa de 1 ;
x 1 = varivel independente, tambm chamado regressor;
e = erro total da regresso amostral em relao verdadeira equao de regresso,
tambm conhecido como desvio ou disturbncia da regresso;
34


chmaciel@uol.com.br
O erro definido por:

^
e = Yi y i
(Equao 26)
Este erro pode ocorrer em funo de:

a) erros provenientes de falhas na execuo da pesquisa de mercado;
b) erros oriundos da no identificao ou no considerao de variveis influenciantes
na formao do valor e que so denominados erros estocsticos.
O erro tem papel fundamental nas concluses que so obtidas sobre o modelo
matemtico adotado e, no estudo que desenvolveremos a seguir, as frmulas somente contero o
termo referente ao erro quando necessrio, ficando o mesmo subentendido nas demais situaes.
No mtodo dos mnimos quadrados j vimos que o modelo matemtico que

promover o melhor ajustamento para a reta aquele em que a soma dos quadrados dos desvios, em
relao reta, um mnimo. Assim, considerando-se:
Y = + 1 . X = reta de regresso de Y em X
(Equao 27)
y i = a + b 1 . x i = estimativa da reta de regresso de Y em x
(Equao 28)
Para n dados amostrais:

^
2
(
y
i ) = mnimo ou
i
i =1
n
[(
(Equao 29)
^ 2
n
n
( y i y i ) = mn y i a b 1 . x i
i =1
i =1
)2 ]
(Equao 30)
Para minimizao da Equao 30 necessrio que as derivadas parciais em relao s

constantes a e b sejam nulas, logo:
y
a
= 0 ( zero )
y
= 0 ( zero)
b1
35

chmaciel@uol.com.br
Elaborando os procedimentos de derivao, teremos:

y
a
y
b
)] =
= ( 2 ).( 1 ) . ( y i a b 1 . x i ) = 0 e
n
i =1
= ( 2 ). ( x i ). (y i a b 1 . x i
n
i =1
(Equao 31)
(Equao 32)
Promovendo-se as simplificaes possveis nas frmulas acima, temos:

n
yi
i =1
(x i . Yi
n
i =1
= n .a
+ b1 x i
(Equao 33)
i =1
= a . x i + b 1 (x i 2
n
i =1
i=1
(Equao 34)
As equaes 33 e 34 formam o que chamamos de equaes normais da reta de
mnimos quadrados e formam um sistema de duas equaes com duas incgnitas (a e b) que,
uma vez solucionado, permite obter o valor dos dois parmetros.
Para simplificarmos o clculo dos parmetros ae b podemos utilizar uma tabela

n
com todos os valores inclusos no sistema, quais sejam:
X ; Y
i =1
i =1
; (X i .Yi ) e
i =1
i =1
2
i
Tabela 5
Evento
Varivel
Varivel
explicativa
explicada
xi
yi
Operaes
xi2
(x i . y i )
1
2
3
...
n
Somas
Mdias
xi
i =1
mdia (x i
xi2
yi
i =1
mdia ( y i
i =1
(x i . y i
n
i =1
36

chmaciel@uol.com.br
4.1.3
Mtodo dos Mnimos quadrados (Exemplo prtico)

A princpio, tomemos uma coleta de sete terrenos que se situam prximos uns aos
outros, cujos valores de venda esto informados na Tabela 1:

Tabela 1
Terreno
700
300
500
400
500
800
600
Valor Total *
70
40
55
50
60
80
65
* Valores em R$ 1.000,00
A estimativa do valor mdio de mercado para a populao em estudo seria dada pela
mdia aritmtica desta amostra conforme notao abaixo:
Onde:
y=
y
i =1
y = mdia aritmtica da amostra;

yi = os terrenos da amostra (1 i n);
Logo:
y=
70 + 40 + 55 + 50 + 60 + 80 + 65 420
=
= 60
7
7
A partir dos clculos acima, poderamos entender que se os terrenos pesquisados

fossem exatamente iguais, o valor mdio de mercado seria de R$ 60.000,00 e as diferenas seriam
exclusivamente devidas a fatores scio-econmicos e aleatoriedade do mercado, entretanto, no
mercado de imveis, diferentemente do mercado de produtos industrializados, no h esta
homogeneidade de caractersticas, os terrenos, assim como casas, apartamentos, salas, lojas, etc.,
divergem entre si, em funo de suas caractersticas fsicas tais como frente, profundidade, ndices
legais de ocupao e aproveitamento, etc. e isto gera uma variao dos valores em torno da mdia
aritmtica que definida como Variao Total (Vt) sendo que nela estaro contidas tanto as
variaes relativas s diferenas fsicas e aspectos scio-econmicos como as que se referem a
aleatoriedade do mercado.
37

chmaciel@uol.com.br
A variao total, no que diz respeito aleatoriedade de mercado, no ser reduzida

uma vez que esta variao no pode ser explicada, mas poder ser reduzida atravs da reduo
dos efeitos que dizem respeito a outras influncias presentes no mercado (diferenas fsicas e
fatores scio-econmicos).
Para o exemplo em estudo, iremos inicialmente determinar qual o valor da Variao
Total (Vt). Para isto, no basta tomarmos o somatrio das diferenas entre os valores dos
elementos amostrais e a mdia aritmtica obtida posto que o resultado ser nulo em razo de que
um dos princpios da mdia aritmtica que as diferenas positivas so anuladas pelas diferenas
negativas, como podemos ver na tabela 2:
Tabela 2
Terreno
Valor Total ( yi )*
Valor mdio ( y )*
Diferena ( yi y )*
1
2
3
4
5
6
7
70
40
55
50
60
80
65
60
60
60
60
60
60
60
420
10,00
-20,00
-5,00
-10,00
0,00
20,00
5,00
0
TOTAL
Assim, iremos optar pelo mtodo que utiliza elevar as diferenas ao quadrado, como
forma de eliminar o efeito do sinal, obtendo uma representao mais correta da Variao Total
(Vt), cujos resultados podemos aferir na tabela 3:
Tabela 3
Terreno
1
2
3
4
5
6
7
TOTAL
Diferena
(Diferena)2
Valor Total
( yi ) *
Valor mdio
(y)*
( yi y ) *
( yi y )2 **
70
40
55
50
60
80
65
420
60
60
60
60
60
60
60
420
10,00
-20,00
-5,00
-10,00
0,00
20,00
5,00
0
100
400
25
100
0
400
25
1.050
* Valores em R$ 1.000,00 / ** Valores em R$ 1.000.000,00
38


chmaciel@uol.com.br
Assim, a Variao Total (Vt) dada pela soma dos quadrados das diferenas entre os
valores dos elementos amostrais e a sua mdia aritmtica, teremos que o valor, para este exemplo,
ser de Vt = R$ 1.050.000.000,00.
Considerando que alm da influncia da aleatoriedade do mercado na formao de
valor, influncia esta que no ser passvel de reduo, existem tambm interferncias das
diferenas fsicas e dos fatores scio-econmicos, iremos tratar, num primeiro plano, das
influncias relativas s caractersticas fsicas entre os elementos amostrais, demonstrando atravs
de metodologia tcnica que a maior parte das variaes em torno da mdia aritmtica so
decorrentes destas ltimas.
O foco inicial deve ser na identificao das variveis que sejam facilmente obtidas e que
tenham maior grau de influncia na formao do valor, neste momento que tem peso a
experincia do profissional avaliador.
Para o exemplo em estudo, conforme informado na Tabela 4, iremos adotar a rea

Total (At) dos lotes como sendo uma das caractersticas fsicas que tem influncia na formao do
Valor Total, o que natural posto que, em geral, os terrenos apresentam diferenas de rea e esta
, geral, uma varivel de grande peso na formao do valor total fazendo com que terrenos de
reas maiores possua valores totais tambm maiores 4.
Tabela 4
Terreno
1
2
3
4
5
6
7
rea (m)
700
300
500
400
500
800
600
Valor Total*
70
40
55
50
60
80
65
Se plotarmos os correspondentes pares de valores da varivel Valor Total (Vt) e rea

Total (At) obteremos a situao representada pelo Grfico 12:
4
cabe ressaltar que esta concluso pressupe a inexistncia de outras variveis influenciantes no valor, pois no mercado de
imobilirio poder ocorrer a situao em que mesmo possuindo rea maior um terreno valha menos do que outro com rea menor em
funo da influncia de outras caractersticas, em especial a localizao e infra-estrutura urbana.
39

chmaciel@uol.com.br
90
Grfico 12
80
50
40
60
(R$ 1.000,00)
Valor Total
70
30
20
10
0
0
200
400
600
800
1000
rea Total (m)
Partindo-se da mdia aritmtica simples, obtivemos o resultado de R$ 60.000,00, valor

este que no se altera independentemente do fato de que os terrenos possuam reas diferentes,
sendo que a Variao Total (Vt) em torno da mdia aritmtica obtida atravs do somatrio do
quadrado das diferenas entre os valores totais dos elementos amostrais e a mdia aritmtica,
portanto adicionando-se ao grfico 1 a reta representada pela mdia aritmtica ( y ) e as diferenas

d i existentes entre os valores totais de cada elemento amostral , teremos o grfico 13:
90
Grfico 13
6
1
70
(R$ 1.000,00)
Valor Total
80
y = mdia
60
d4
50
d2
d7
d6
d1
d1 = 10
d 2 = 20
d 3 = 5
d 4 = 10
d3
d5 = 0
d 6 = 20
d7 = 5
40
30
0
200
400
600
800
1000
rea Total (m)
40

chmaciel@uol.com.br
Considerando a mdia aritmtica de 60 e a Variao Total de 1.050, podemos escrever:
y = 60
Vt = d 12 + d 22 + d 32 + d 42 + d 52 + d 62 + d 72 = 1.050
Considerando que a equao da reta y = A + Bx , onde y representa o valor total dos

diversos elementos amostrais e x representa a rea total de cada um deles, sendo A o coeficiente
linear da reta (ponto de interseo com o eixo dos y) e B o coeficiente angular da reta (tangente do
ngulo que a reta faz com a abscissa), teremos para o caso da reta que representa a mdia, um
coeficiente B=0 (nulo)uma vez que a reta paralela ao eixo das abscissas e um coeficiente linear
A=60 que corresponde ao prprio valor da mdia, do que resulta:
y = A + Bx y = 60 , pois A=60 e B=0
(Equao 22)
Quando utilizamos a mdia como uma reta de regresso, embora o valor dos terrenos
no se altere (em funo do coeficiente angular nulo), a Variao Total quadrtica em torno de sua
mdia grande (1.050). Para reduzir esta variao devemos identificar uma outra reta, diferente da
reta dada pela mdia aritmtica, que se aproxime o mximo possvel de todos os elementos da
amostra. A reta inclinada representada no grfico 16 uma estimativa da mdia populacional cuja
variao quadrtica deve ser inferior aos 1.050 obtidos em relao mdia aritmtica.
90
Grfico 16
^
yi = A + B.xi
80
70
(R$ 1.000,00)
Valor Total
y6
y7
y = 60 (mdia)
60
50
y5
y3
y4
40
y1
y2
30
0
200
400
600
800
1000
rea Total (m)
41

chmaciel@uol.com.br

^
A equao desta reta dada pela frmula y = A + B.x , onde y ser o novo valor
mdio do terreno no segmento de mercado, neste caso no mais um valor constante, mas variando
de acordo com a varivel x que representa a respectiva rea total do terreno.
Ao determinarmos a equao desta reta, teremos condies de calcular as distncias

dos pontos que representam cada um dos elementos amostrais at a mesma e o somatrio dos
quadrados destas distncias fornecer uma Variao Residual dos elementos amostrais em torno
da mdia estimada em funo da nova reta e cuja expectativa de que seja inferior Variao
Total obtida considerando-se a reta data pela mdia aritmtica que foi de 1.050.
Fica claro que podero existir infinitas retas que permitam uma Variao Residual
inferior a Variao total, entretanto, ir nos interessar, em particular, aquela que fornecer a menor
Variao Residual e que ser aquela que passa, ao mesmo tempo, o mais prximo de todos os
pontos que representam os diversos elementos amostrais.
Se denominarmos as diversas distncias dos pontos que representam os elementos

amostrais y i at a reta de regresso (reta inclinada) por ei sendo que 1 ei n, onde n o
nmero de elementos amostrais (no nosso caso, sete elementos), poderemos escrever as seguintes
equaes:
e1 = y1 ( A + B.x1 )
e2 = y2 ( A + B.x2 )
e3 = y3 ( A + B.x3 )
e4 = y4 ( A + B.x4 )
e5 = y5 ( A + B.x5 )
e6 = y6 ( A + B.x6 )
e7 = y7 ( A + B.x7 )
Onde ( A + B.x ) fornece os valores mdios estimados pela reta de regresso para os
elementos amostrais ( yi ) em funo da rea ( xi ) respectivos, logo, considerando que a variao
( )
residual dada pelo somatrio dos quadrados destas distncias ei2 , podemos escrever a seguinte
equao:
Vr = e12 + e22 + e32 + e42 + e52 + e62 + e72
ou ainda Vr =
e
i =1
2
i
(Equao 35)
42

chmaciel@uol.com.br
Podemos tambm escrever a mesma equao, de forma genrica, da forma abaixo:

n
Vr = [ y i ( A + B.xi )] = ( y i A B.xi )
2
i =1
(Equao 36)
i =1
A reta que procuramos, ou seja, aquela que estar o mais prximo possvel de todos os
elementos amostrais aquela que resultar no menor somatrio para a frmula acima, portanto, de
acordo com a lei dos mnimos, os coeficientes A e B que iro permitir a obteno deste somatrio
mnimo sero aqueles para os quais as derivadas parciais de cada um dos coeficientes em relao a
equao de Vr seja igual a zero (valor nulo). Portanto, a derivada parcial em relao a A :
N
Vr
=
A
( y i A B.xi )
2
N
I =1
i =1
= 2( y i A B.xi ) ( 1) = 2 ( y i A B.xi ) = 0
I =1
Assim,
n
i =1
i =1
yi n A B x = 0
(Equao 37 primeira equao de regresso )
Atravs do mesmo procedimento, a derivada parcial em relao a B :

N
Vr
=
B
( yi A B.xi )
I =1
2
N
I =1
i =1
= 2( yi A B.xi ) ( xi ) = 2 xi yi A xi B.xi2 = 0
Logo,
n
i =1
i =1
i =1
xi yi A xi B xi2 = 0
(Equao 38 segunda equao de regresso )
Podemos compor, finalmente, o seguinte sistema de equaes:

n
yi n A B x = 0
i =1
i =1
i =1
i =1
i =1
xi yi A xi B xi2 = 0
Para soluo deste sistema, cujas incgnitas so A e B, uma vez que n conhecido
(n=7), necessrio calcularmos os somatrios abaixo e preenchermos a Tabela 5:
n
i =1
i =1
i =1
i =1
yi , xi ; xi yi e xi2
43

Elemento
1
2
3
4
5
6
7
Somas
Mdias
rea Total
Tabela 5
Valor Total

chmaciel@uol.com.br
xi
( yi )
xi2
xi y i
700
300
500
400
500
800
600
3.800
542,86
70
40
55
50
60
80
65
420
60
490.000
90.000
250.000
160.000
250.000
640.000
360.000
2.240.000
49.000
12.000
27.500
20.000
30.000
64.000
39.000
241.500
Substituindo-se os valores nas equaes de regresso, temos o seguinte sistema de

equaes:
420 7 A 3.800 B = 0
241.500 3.800 A 2.240.000 B = 0

A soluo deste sistema fornece os seguintes valores para A e B:
A = + 18,62903226 e B= + 0,07620967742
Conhecendo-se os coeficientes da reta de regresso, aquela que passa o mais prximo
possvel de todos os pontos representados pelos elementos amostrais, reduzindo o valor da
variao quadrtica (variao do somatrio dos quadrados das distncias dos pontos reta de
regresso) reduzindo ao mximo a Variao Residual (Vr), podemos finalmente escrever a equao
da reta de regresso conforme abaixo:
^
y i = + 18,62903226 + 0,07620967742 . xi
4.1.4
Variao Residual a partir da reta de regresso

Anteriormente ao clculo da variao residual, valor dado pelo somatrio do quadrado
das diferenas entre os valores dos dados e a mdia estimada para cada um deles, necessrio
calcularmos o valor mdio fornecido pela reta de regresso para cada um dos terrenos (elementos
amostrais) de acordo com a sua varivel rea total ( xi ), conforme abaixo:
44

chmaciel@uol.com.br

^
y1 = +18,62903226 + 0 ,07620967742 700 = 71,98

^
y 2 = +18,62903226 + 0 ,07620967742 300 = 41,49

^
y3 = +18,62903226 + 0 ,07620967742 500 = 56,73

^
y 4 = +18,62903226 + 0 ,07620967742 400 = 49,11

^
y5 = +18,62903226 + 0 ,07620967742 500 = 56,73

^
y 6 = +18,62903226 + 0 ,07620967742 800 = 79,60

^
y 7 = +18,62903226 + 0 ,07620967742 600 = 64,35
Obtida a mdia estimada pela reta de regresso ( y i ), podemos calcular, para cada
elemento da amostra, a Variao Residual (Vr), aquela dada pelo valor coletado e o valor
calculado na reta de regresso (vide tabela 6):
Diferena ao quadrado
elemento
amostral
Valor coletado
Mdia estimada
yi
yi
ei = y i y i
70
71,98
-1,98
3,90
40
41,49
-1,49
2,23
55
56,73
-1,73
3,01
50
49,11
0,89
0,79
60
56,73
3,27
10,67
80
79,60
0,40
0,16
65
64,35
0,65
0,42
420
420
0,00
21,17 (*)
i =1
Diferena
^
^
2
ei = y i y i
(*) Variao Residual Vr
4.1.5
Clculo do coeficiente de determinao (r) do modelo

O grfico 17 representa uma pesquisa de mercado e a decorrente reta de regresso
^
entre X e Y ( y = a + b 1 .X ):
45

chmaciel@uol.com.br
Grfico 17
No grfico podemos observar que:
^
^
y i y = y i y + y i y i

(Equao 39)
O que equivale dizer que o desvio total ( y i y ) obtido pela soma do desvio
^
explicado pela regresso ( y i y ) com o desvio residual no explicado pelo modelo ( y i y i ) de

onde:
n
n ^
n
^
yi y = yi y + yi yi
i = 1
i = 1
i = 1
(Equao 40)
A igualdade permanece se todos os membros forem elevados ao quadrado, logo:

n
yi y
i = 1
n ^
= yi y
i = 1
n
^
+ yi yi
i = 1
(Equao 41)
Sendo que:
2
y i y = variao total
i = 1
^
yi y
i = 1
= variao explicada
2
y i y i = variao no explicada
i = 1
46

chmaciel@uol.com.br
Sendo denominada variao a soma dos desvios elevados ao quadrado.

O coeficiente de determinao (r), obtido pelo quociente da variao explicada e a
variao total:
2
^
y y
variao explicada de y i =1 i
=
2
r =
= n
2
variao total de y
yi y
i =1
n
^
yi y
i =1
2
n
n
^
2
^
y i y + yi y i
i =1
i =1
n
(Equao 42)
O coeficiente de determinao (r) varia de zero a um e representa a porcentagem de

ajustamento (aderncia dos pontos coletados na pesquisa com a equao de regresso) do modelo.
Para o exemplo que estamos utilizando, a variao residual (Vr) calculada atravs do
somatrio dos quadrados das diferenas entre os valores totais dos elementos amostrais e os
respectivos valores estimados atravs da reta de regresso (
n
2
i =1 i
e ) 21,17, o que demonstra que
a reta de regresso conseguiu reduzir significativamente a Variao total (Vt = 1.050) que dada
pela soma dos quadrados da diferena entre os valores totais de cada elemento e a reta
representada pela mdia.
A variao explicada pode ser obtida pela diferena entre a Variao Total (1.050) e a
variao residual (21,17) do que obtemos que a variao explicada de 1.028,83 e fazendo uso da
equao 37, podemos obter o coeficiente de determinao ( r 2 ) do modelo de regresso:
r2 =
4.1.6
variao explicada de y 1.028,83

=
= 97,98%
variao total de y
1.050,00
Coeficiente de correlao (r)

O grau de relao entre as variveis expressa o nvel de influncia que uma exerce
sobre a outra e definido numericamente pelo coeficiente de correlao, representada pelo

smbolo r e que varia entre os limite (-1) e (+1), logo:
(-1) r (+1)
47

chmaciel@uol.com.br
Coeficiente de correlao nulo (r=0) indica que no h relacionamento entre as duas

variveis analisadas enquanto que r igual a unidade (-1 ou +1), define um relacionamento
perfeito entre elas.
Como verificamos acima, o coeficiente r pode possuir sinal positivo ou negativo. O
sinal positivo significa que as variveis alteram-se no mesmo sentido, ou seja, o acrscimo da
varivel independente ir ocasionar um aumento da varivel dependente e, no caso contrrio, um
decrscimo na varivel dependente ir significar uma diminuio do valor da varivel dependente
(Grfico 18).
Grfico 18
(correlao positiva)
Grfico 19
(correlao negativa)
O sinal negativo tambm indica que as variveis se relacionam, entretanto, variam em

sentido oposto, ou seja, para um acrscimo da varivel independente ocorrer um decrscimo da
varivel dependente ou vice-versa (Grfico 19).
O nvel de relacionamento, segundo o mdulo do valor numrico obtido para r pode
ser classificado segundo a tabela abaixo:
Tabela 6
r =
.........
relao nula
< r
0,30
.........
relao fraca
0,30
< r
0,60
.........
relao mdia
0,60
< r
0,90
.........
relao forte
0,90
< r
0,99
.........
relao fortssima
.........
relao perfeita
r =
48


chmaciel@uol.com.br
Embora o coeficiente de correlao seja um elemento de grande importncia na anlise

do modelo utilizado no trabalho avaliatrio, cabe ressaltar que no o nico e, por si s, no
permite concluses definitivas sobre a equao utilizada. Invariavelmente ocorrem situaes em
que, em funo de outros fatores de maior importncia e significado, regresses de correlaes
menores so utilizados em detrimento de regresses cujas correlaes so maiores.
4.1.7
Coeficiente de correlao (r) do modelo

O coeficiente de correlao (r) do modelo ajustado numericamente definido pela raiz
quadrada do coeficiente de determinao (r) cuja frmula geral dada pela Equao 43 e pode ser
utilizada para qualquer regresso:
n
r =
4.1.8
r2 =
yi y
i = 1
n
(Equao 43)
yi y
i = 1
Coeficiente de correlao (r) do parmetro

O coeficiente de correlao entre as diversas variveis (dependente e independentes),
para o caso de regresso linear simples, pode ser calculado atravs da seguinte frmula:
r =
x i x . y i y
i = 1
n
xi x . yi y
i = 1
(Equao 44)
i = 1
A frmula acima, no caso da regresso linear simples, representa a correlao entre a

nica varivel independente (x) e a varivel dependente (y) e, assim, o quadrado da correlao
desta varivel representar tambm o coeficiente de determinao do modelo.
4.1.9
Desvio padro do modelo

O desvio padro de um modelo com p parmetros estimados e considerado o
^
ajustamento a n dados y i ajustados por uma equao y i , fornecido pela seguinte frmula:
49

^
yi y i
i =1
(n p )
n
se =

chmaciel@uol.com.br
(Equao 45)
Como se trata de regresso linear simples temos que p=2 e podemos reescrever a
Equao 45:
^
y
i
i =1
(n 2)
n
se =
(Equao 46)
Na Equao 45 o denominador (n-p) representa o nmero de graus de liberdade do

modelo, pois cada parmetro estimado provoca a perda de um grau de liberdade.
O quadrado do desvio padro fornece a varincia do sistema, ou seja, mdia do
quadrado dos resduos
^ 2
n
yi yi
i = 1

. Esta medida importante pois entre vrios modelos
considerados satisfatrios, o mais apropriado a adoo daquele que menor varincia tiver pois
este o que permitir estimativas mais precisas e menor distncia entre os limites do intervalo de
confiana.
relevante tambm destacar que uma determinada varivel importante para explicar
a variabilidade dos preos se a sua incluso gerar uma reduo na varincia residual e ser tanto
mais importante quanto maior for a reduo verificada, ou seja, se a reduo for insignificante, no
ser interessante incluir a varivel.
4.1.10
Significncia dos parmetros (regressores)

A significncia individual de um parmetro j medida atravs do teste t isolado. As
hipteses a serem testadas so:

H 0 : j = 0 ,
H : 0
j
1
Hiptese 1
Testar a hiptese acima para uma parmetro 1 , correspondente a uma varivel X1,
semelhante a testar:
50


chmaciel@uol.com.br
H 0 : a varivel X 1 no importante no modelo, contra

H1 : a varivel X 1 importante no modelo para explicar o fenmeno em estudo e
deve participar do modelo.

Assim, o que se pretende rejeitar a hiptese nula (H0), j que o avaliador presume que
a varivel em teste influi na formao dos preos. Uma vez verificada e aceita a normalidade dos
resduos, a estatstica de teste :
t *j =
bj j
(Equao 47)
s (b j )
Onde s(bj) obtido pelo quociente do desvio-padro do modelo pela varincia total da
varivel independente a que se refere o parmetro bj.
Demonstra-se que t* tem distribuio t de Student com n-p graus de liberdade
onde n o nmero de dados amostrais e p o nmero de parmetros estimados. Isto , para o
modelo de regresso simples: n-2 graus de liberdade.
Para se testar a hiptese 1 a um nvel de significncia para um modelo de regresso

linear simples, compara-se:
t *j =
()
bj
()
onde:
(Equao 48)
s bj
s b j = se .
1
2
(Equao 49)
Xi X
i = 1
se =
^
n
Yi Y i
i =1
n 2
(Equao 50)
51

chmaciel@uol.com.br
Como t(1-/2;n-2) um valor tabelado, se t* for superior a t(1-/2;n-2), rejeita-se H0, indicando
que a varivel correspondente ao parmetro testado importante para explicar o fenmeno.
A significncia dos regressores, segundo a NBR 14.653, Parte 2, ser utilizada para
definir o grau de fundamentao da avaliao, no caso de utilizao de modelos de regresso
linear, conforme contido no item 5 da tabela 1(item 9.2.1), que transcrevemos abaixo:
Grau de fundamentao
Descrio
Nvel de significncia (somatrio
do valor das duas caudas) mximo
para a rejeio da hiptese nula de
cada regressor (teste bicaudal)
4.1.11
III
II
10%
20%
30%
Significncia do modelo (Distribuio de Snedecor)

De forma anloga, a hiptese a ser testada a mesma que para um parmetro
individual visto que o modelo tem somente um parmetro a ser testado, qual seja (Hiptese 2):
H 0 : o coeficiente angular da reta de regresso nulo e o comportamento de
H 0 : 1 = 0
H : 0
1
1
mercado explicado por uma reta horizontal;

H1
o coeficiente angular da reta de regresso diferente de zero e o

comportamento de mercado explicado por uma reta inclinada.
A visualizao grfica deste teste de hipteses a mostrada no Grfico 20:
Grfico 20
52

chmaciel@uol.com.br
Considerando-se um modelo de regresso linear simples ajustado a uma amostra de n

2
n
n
^
y
y
=
y
y
+
i
i
yi
i =1
i =1
i =1
n
dados, temos que
y e encontramos os seguintes graus
de liberdade para cada um dos somatrios:

2
(n-1) para y i y pois conhecemos somente parmetro estimado que y ;
i =1
n
(n-2) para y i y i pois envolve os parmetros estimados a e b 1 que so
i =1
n
os coeficientes da reta de regresso definida por y ;

2
n ^
1 (um) para y i y , resultado da diferena entre (n-1)-(n-2).
i = 1
Dividindo-se cada um dos somatrios pelos seus respectivos graus de liberdade,

encontram-se as respectivas varincias:

n
yi yi
i = 1
Varincia Total =
(n 1)
(Equao 51)
^
n
yi yi
i = 1
Varincia no explicada =
( n 2)
^
yi yi
i =1
Varincia explicada =
1
n
(Equao 52)
(Equao 53)
A partir disto podemos montar uma tabela de anlise de varincia, tambm conhecida
como tabela da ANOVA que, para o caso de regresso linear simples dada por:
Variao
Soma dos Quadrados

2
Explicada
n ^
SQR = y i y
i = 1
No
explicada
^
n
SQE = y i y i
i = 1
Total
n
SQTO = y i y i
i = 1
Graus de
Liberdade
1
Varincia
n ^
yi y
i = 1
n-2
^
n
yi yi
i = 1
n-1

n
yi yi
i = 1
(n 2 )
(n 1)
53


chmaciel@uol.com.br
Atravs da anlise do grfico 20 podemos verificar que a situao ideal ser aquela
onde a varincia explicada seja grande e a varincia no explicada pequena. Assim, para se testar
a significncia global do modelo, analisa-se a razo entre essas duas varincias, pela estatstica:
Fc =
n ^
2
y i y 1
i = 1
^ 2
y
y
(n 2 )
i
i
i = 1
n ^
yi y
i = 1
. (n 2 )
=
^ 2
n
1
yi yi
i = 1
(Equao 54)
Quanto maior o fator Fc maior a probabilidade de o modelo ser aceito para explicar o
fenmeno em estudo e, conforme demonstrado estatisticamente, o fator Fc , sob a hiptese H0, tem
distribuio de Snedecor com k graus de liberdade no numerador e n-k-1 no denominador
que, para o caso especfico da regresso linear simples representa um grau de liberdade no
numerador e n-2 graus de liberdade no denominador, sendo que, atravs do tabelamento feito
por Fischer, os pontos crticos para um nvel de significncia simbolizado por F( ; k ; n k 1) que
no caso da regresso linear simples dado por F( ;1; n 2 ) . Estes pontos esto nas tabelas 2 e 3 para
os nveis 5% e 1% (vide APNDICES), onde o nmero dos graus de liberdade do numerador (1=k)
indica a coluna e o nmero dos graus de liberdade no denominador (2=n-k-1) indica a linha onde
se localiza o ponto crtico correspondente.
Isto implica dizer que, para rejeitar a hiptese nula de no haver regresso do modelo
ao nvel de significncia , necessrio que Fc (F calculado) seja superior a F( ;k ;n k 1) , caso
contrrio, dentro do percentual de significncia adotado, h indcios de que a reta inclinada no
explica o fenmeno melhor que a reta horizontal, devendo esta ltima ser a escolhida.
Excetuando-se os valores das significncias obtidas para os regressores, a NBR 14.653,

Parte 2, determina, no item 6 da tabela 1 (item 9.2.1), para os demais testes estatsticos realizados (o
que inclui a significncia do modelo), os nveis de significncia mximos e que transcrevemos
abaixo:
54

chmaciel@uol.com.br
Grau de fundamentao
Descrio
III
II
2%
5%
Nvel de significncia mximo admitido

para a rejeio da hiptese nula do
modelo atravs do teste F de Snedecor
4.1.12
^
O intervalo de confiana para um nvel de (1-), em torno de um ponto x 0 ; y 0 , sobre
a reta de regresso, calculado por:
Y = y 0 t1 / 2;(n k 1) s e
x0 x
1
+
n
2
n
xi x
i =1
(Equao 55)
Onde:
Y = valor da varivel desconhecida na verdadeira reta de regresso
x o = valor atribudo varivel independente;

^
y o = valor estimado da varivel dependente;

t 1 / 2 ; ( n k 1 ) = coeficiente de Student
= significncia adotada
n = nmero de dados amostrais;
k = nmero de parmetros estimados;

s e = desvio padro do modelo;
x0 x
xi x
i = 1
= desvio do valor da varivel x0 em relao mdia x .

2
= desvio do valor da varivel xi em torno de sua mdia x .
A NBR 14.653, utiliza a amplitude do intervalo de confiana para classificar a avaliao

quanto a sua preciso, conforme tabela 5 do item 9.2.3 e que transcrevemos abaixo:
55


chmaciel@uol.com.br
Grau de preciso
Descrio
Amplitude do intervalo de confiana de 80%
em torno do valor central da estimativa
III
II
30%
40%
50%
Como se pode observar na Equao 55, a menor amplitude do intervalo ocorre quando
o bem avaliando possui caractersticas iguais mdia das caractersticas dos dados amostrais, isto
, x 0 = x . As maiores amplitudes ocorrem na fronteira do campo amostral.
Em resumo, as estimativas mais precisas ocorrem para avaliaes prximas s

caractersticas mdias dos dados de referncia e as mais imprecisas, nas extremidades conforme a
variao do intervalo de confiana demonstrado no grfico 21:
menor amplitude do intervalo

de confiana ocorre na mdia
-x
Grfico 21
56

chmaciel@uol.com.br
4.1.13
Auto-Regresso
A auto-regresso ocorre quando verificamos existir correlao serial na formao dos
valores da varivel dependente, o que poder ter impacto quanto ao procedimento de mnimos
quadrados, quais sejam:
as varincias amostrais dessas estimativas podem ser excessivamente grandes;

as frmulas de aplicao dos mnimos quadrados no tem mais validade, nem os
testes t e F;
as projees de valor sero ineficientes.
A forma que dispomos para testar a ocorrncia de auto-regresso demonstrarmos

que os erros so no-correlacionados e, portanto, independentes. Para isto utilizamos o Quociente
de Von-Neumann ou Estatstica de Durbin-Watson.
A cada yestimado pelo modelo inferido, tem-se um yi original, retirado do campo

^
amostral. A diferena entre eles resulta no erro (resduo) da regresso neste ponto: e i = y i y .
Assim, ordenando-se a varivel suspeita de auto-regresso, construmos o algoritmo:
xi
(ordenado)
yi
Resduos
yi
ei
(estimado)
ei 1
Diferena
ei 2
ei 2
ei ei 1
Sendo que a Estatstica de Durbin-Watson dada pela Equao 56, cujo resultado
deve ser cotejado com um valor tabelado (crtico), identificado pelo nmero de elementos da
amostra (n), nvel de significncia e nmero de regressores (k).
n
d=
i =2
n
e
i =1
(Equao 56)
2
57

chmaciel@uol.com.br
As tabelas 4, 5 e 6 (vide APNDICES) fornecem quocientes crticos d L e d U (DurbinWatson), conforme o grfico abaixo:
f (d)
e onde se tem:
Grfico 22
Se d < d L ou d > 4 d L existe auto-regresso positiva ou negativa,
respectivamente, ao nvel de significncia estabelecido;

Se d > d U ou d < 4 d U no existe auto-regresso ao nvel de significncia
estabelecido;
Se d L < d < d U ou 4 d U < d < 4 d L , o teste ser inconclusivo.
Tambm podemos fazer a verificao quanto existncia da auto-regresso
visualmente atravs da anlise do grfico resduos x valores estimados. Na grfico 23 podemos
observar que os pontos esto distribudos de forma aleatria revelando que no h auto-regresso.
Grfico 23
58


chmaciel@uol.com.br
Quando o grfico de resduos analisados apresentar uma formao geomtrica que

denotem algum tipo de tendncia como o apresentado na no grfico 24, indicando a no
aleatoriedade dos resduos, h indcios da existncia de auto-regresso.
Grfico 24
As tabelas 4 e 5, includas no APNDICES, apresentam a estatstica d tabelada por

Durbin-Watson para os nveis de significncia de 5% e 1%, respectivamente, considerando
ajustamentos de modelos com 06 at 100 observaes, com at cinco variveis independentes,
estabelecendo limites crticos d L e d U .
4.1.14
Homocedasticidade
^
Um grfico de resduos ( e i ) versus os valores ajustados pelo modelo de regresso ( y i ),
apresentando pontos distribudos aleatoriamente em torno de uma reta horizontal, sem nenhum
padro definido, com o formato do grfico 23 (acima), um indicador favorvel a aceitao da
hiptese da varincia constante para o erro; em caso contrrio, se os pontos apresentarem alguma
tendncia, como podemos verificar no grfico 24 (acima), conclui-se que a varincia do erro no
constante.
Na primeira situao o modelo denominado homocedstico e na segunda,
heterocedstico. Os modelos homocedsticos so os mais desejveis, pois indicam a no existncia

de outros efeitos que possam influenciar o modelo ajustado.
59

4.1.15

chmaciel@uol.com.br
Normalidade dos Resduos

Os resduos e i (erros) devem constituir-se numa distribuio prxima da curva
normal. A anlise de um histograma de resduos uma das formas de se analisar a normalidade

destes. Este histograma formado pelos resultados do quociente entre os resduos e o desviopadro de sua distribuio cujos valores ideais so:
68% de e i s no intervalo [-1;+1]

90% de e i s no intervalo [-1,64;+1,64]
95% de e i s no intervalo [-1,96;+1,96]
Quando os pontos superam a 2 estamos diante da presena de outliers ou pontos
errantes.
Estes
pontos
tambm e s devem ser analisados cuidadosamente, verificando

i
se os mesmos no constituem erros de coleta ou at mesmo de digitao. Pontos outliers no

devem, sumariamente, serem eliminados sem a devida anlise do conjunto de pontos e seu
equilbrio.
4.1.16
Melhoria do modelo linear atravs de transformaes

A regresso linear simples ajusta retas aos pontos observados no mercado. Assim, a
reta somente ter confiabilidade para explicar o fenmeno se a tendncia de distribuio dos
pontos for linear ( y = a + b.x ).
Na prtica nem sempre se observa este tipo de tendncia, entretanto, alguns modelos
no lineares podem ser linearizados atravs da simples transformao das escalas de medio das
variveis. Considere, por exemplo, os dados sobre lotes residenciais cujos pares de valores valor
unitrio ( Vu ) x rea observados no mercado esto plotados no Grfico 25.
Fica visualmente claro que h uma tendncia de decrscimo do valor unitrio medida
que o valor da rea aumenta, mas no de forma linear e sim de forma hiperblica. O ajustamento
de uma reta aos pontos, conforme graficamente demonstrado no grfico 25, mostra-se inadequado.
60


chmaciel@uol.com.br
Vu
Grfico 26
Grfico 25
necessrio, neste caso, uma transformao para tornar a utilizao da regresso

linear possvel e esta transformao tem que, necessariamente, linearizar os dados que, para o
caso apresentado a transformao inversa (Z=1/Vu) nos dados do grfico 25 que resultar em
pontos com tendncia linear conforme o grfico 26.
Desta forma faremos a regresso de Z (1/ Vu ):
Z = a + b 1 .rea
(Equao 57)
Na seqncia, para retornarmos escala original, substitumos Z por (1/ Vu ) na

Equao 57, obtendo-se:
1
Vu
= a + b1 .rea Vu =
1
a + b1 .rea
(Equao 58)
Que a equao de uma hiprbole, desta forma, na escala Vu temos pontos com
tendncia hiperblica enquanto que na escala Z a tendncia linear. H uma srie de
transformaes que se compatibilizam com as inferncias mais utilizadas na Engenharia de
Avaliaes e que esto disponveis nos softwares de modelagem por regresso linear.
61

chmaciel@uol.com.br
Assim, para a equao transformada dada por Y = A + B.X temos, entre outras:
Transformaes
Escala das variveis e parmetros
Tipo de
curva
equao
caracterstica
modelo linear
Potencial
y = a.x b
Exponencial
logartmica
Hiperblica
1
Hiperblica
2
transformada
original
ln (y ) = ln (a ) + b. ln( x )
ln(y )
ln ( x )
ln (a )
eA
y = a.b x
ln(y ) = ln(a ) + x. ln( b )
ln(y )
ln (a )
ln ( b )
eA
eB
y = a + b. ln( x )
y = a + b. ln( x )
ln ( x )
1
x
1
x
1
= a + b.x
y
1
y
y = a +
y =
b
x
1
a + b.x
y = a + b.
62

4.2

chmaciel@uol.com.br
Correlaes e Regresso Duplas

At o presente momento, descrevemos o estudo apenas para a regresso simples, isto ,
o comportamento de uma varivel dependente ( y ) em funo de uma varivel independente ( x1 ).

Corriqueiramente, entretanto, os atributos influenciantes dificilmente se resumem a apenas um, o
que impossibilita, regra geral, a utilizao da regresso simples. Na prtica, o profissional
identificar uma gama de variveis influenciantes (independentes) o que o levar a necessidade de
trabalhar com regresso mltipla.
Regresso mltipla, na qual se inclui a dupla, aquela em que o valor da varivel

dependente ( y ) determinado em funo da influncia de duas ou mais variveis influenciantes
(independentes) e genericamente, a equao representativa relativa populao pode ser
representada por:
Y = + 1X 1 + 2 X 2 + 3 X 3 + ... + n X n
(Equao 59)
Onde:
Y = valor da varivel dependente
= parmetro indicativo do intercepto

i = parmetros indicativo s dos coeficient es de regresso das variveis X i
Da mesma forma que na regresso simples, para a estimativa de Y ser adotada a

^
seguinte equao: y = a + b1x1 + b 2 x 2 + b 3 x 3 + ... + b n xn + e em que e o erro residual da

estimativa.
Para efeitos deste estudo, em razo das dificuldades adicionais decorrentes da maior
complexidade dos clculos, estaremos desenvolvendo a regresso dupla com os mesmos mtodos
desenvolvidos anteriormente, entretanto, adicionando mais uma varivel independente( x 2 ) e
acrescendo-se um teste que diz respeito a colinearidade das variveis independentes cujo efeito
denominado de multicolinearidade.
63

4.2.1

chmaciel@uol.com.br
Multicolinearidade
A regresso linear exige como pressuposto que as variveis independentes no estejam
perfeitamente correlacionadas entre si ou possuam combinao linear sendo a mesma denominada

colinearidade quando ocorrer entre duas variveis independentes ou multicolinearidade quando
ocorrer entre trs ou mais variveis.
A anlise no deve se prender ao fato da existncia ou no da colinearidade ou

multicolinearidade, mas se esta ou no caracterstica da populao, pois se for, no h danos
na estimao desde que observadas algumas regras conforme bem exemplificado pelo engenheiro
Andr Maciel Zeni:
... seria como investigarmos o valor unitrio de uma gleba, observando-se a rea
superficial e a distncia a importante estrada (as reas aumentam medida que se
afastam da estrada). No haveria danos de estimao, caso propusssemos avaliar
uma gleba de pequeno porte prximo estrada ou vice-versa. A colinearidade
provoca distores no termo varincia e no intervalo de confiana, alm de outros
danos, caso desejemos avaliar gleba de elevada rea junto estrada ou vice-versa.
Entretanto, nos casos em que a colinearidade existente entre as variveis decorrer de
uma funo direta sobre a outra tais como rea x profundidade, rea x coeficiente de
aproveitamento, etc., necessrio que optemos por um ou outro atributo.
4.2.2
Mtodo dos mnimos quadrados / algoritmo bsico para ajustamento

O mtodo dos mnimos quadrados que descrevemos para regresso simples prev que
o modelo matemtico que promove o melhor ajustamento para a reta aquele em que o valor da
soma dos quadrados dos desvios em relao reta de regresso mnimo. Para a regresso dupla no
diferente, assim:
Y = + 1X1 + 2 X 2 = regresso de Y em X1 e X 2
^
y i = a + b1 .x1 + b 2 .x 2 = estimativa regresso de y em x 1 e x 2
(Equao 60)
(Equao 61)
64

chmaciel@uol.com.br
tem-se que, para n dados amostrais:

^ 2
n
( y i y i ) = mnimo ou
i =1
(Equao 62)
^ 2
n
n
2
( y i y i ) = mn (y i a b1 .x1 b 2 .x2 )
i =1
i =1
]}
(Equao 63)
Para minimizao da Equao 63 necessrio que as derivadas parciais em relao s

constantes a ; b1 e b 2 sejam nulas, logo:
y
= 0 ( zero)
a
y
= 0 ( zero)
b1
Y
= 0 ( zero)
b 2
Elaborando os procedimentos de derivao, teremos:
(Equao 64)
(Equao 65)
(Equao 66)
n
Y
= ( 2 ).( 1).(Yi a b 1 .x1i b 2 .x 2 i ) = 0
a
i =1
n
Y
= ( 2 ).( x1i )(
. Yi a b1 .x1i b 2 x 2 i ) = 0
b1
i =1
n
Y
= ( 2 ).( x 2 i )(
. Yi a b1 .x1i b 2 x 2 i ) = 0
b 2
i =1
Promovendo-se as simplificaes possveis nas frmulas acima, temos:
Yi
i =1
a.n
(x1i.y i ) = a. x1i
n
i =1
i =1
+ b1 x1i
+ b2 x2i
i =1
(Equao 67)
i =1
+ b1 (x1i ) + b 2 x1i.x2 i
n
i =1
i =1
(x2 i.y i ) = a. x2 i + b 2 x1i.x2 i + b 2 (x 2 i )

n
i =1
i =1
i =1
i =1
(Equao 68)
(Equao 69)
As equaes acima constituem um sistema de trs equaes com trs incgnitas e,

uma vez solucionado o sistema acima, obteremos o valor dos trs parmetros.
65

chmaciel@uol.com.br
Uma forma de resolver o sistema atravs do teorema de Crammer de onde temos que
se o determinante de um sistema for diferente de zero, o sistema possvel e determinado. Para uma
matriz 3x3 temos:
a 1x1 + b1x 2 + c 1x2 = k 1
a 2 x1 + b 2 x2 + c 2 x 2 = k 2
a 3 x1 + b 3 x2 + c 3 x2 = k 3
cuja soluo dada por: x1 =
a1
= a2
a3
b1
b2
b3
c1
c2
c3
; x 2 = 2 e x 3 = 3 sendo:
k1
= k2
k3
b1
b2
b3
c1
c2
c3
a1
= a2
a3
k1
k2
k3
c1
c2
c3
a1
= a2
a3
b1
b2
b3
k1
k2
k3
Lembrando que para soluo de determinante de terceira ordem podemos utilizar a
regra de Sarrus que consiste em repetir as duas primeiras linhas e somar os produtos obtidos pelas
transversais que abranjam trs elementos.
a1
a2
b1
b2
c1
c2
a2
b2
c2
= a3
a1
b3
b1
c3
c1
paralelas diagonal secundria
paralelas diagonal principal
As transversais paralelas diagonal principal fornecem produtos cujos sinais devem

ser mantidos (+) e as paralelas secundria fornecem produtos cujo sinal deve ser trocado (-).
Exemplificando, o valor do determinante seria obtido pela seguinte equao:
= a 1 b 2 c 3 + a 2 b 3 c 1 + a 3 b 1 c 2 (a 3 b 2 c 1 + a 1 b 3 c 2 + a 2 b 1 c 3 )
66


chmaciel@uol.com.br
O clculo dos determinantes tambm poderia ser obtido atravs do aplicativo EXCEL,
atravs do boto inserir funo
, conforme figura 2:
Figura 2
4.2.3
Coeficiente de determinao (r) do modelo

Conforme j demonstrado na regresso linear simples, o coeficiente de determinao
(r) obtido pelo quociente da variao explicada e a variao total, conforme frmula abaixo:
r2 =
variao explicada de y
variao total de y
yi y
i = 1
yi y
i = 1
(Equao 70)
O coeficiente de determinao (r) varia de zero a um e representa a porcentagem de

ajustamento (aderncia dos pontos coletados na pesquisa com a equao de regresso) do modelo.
4.2.4
Coeficiente de correlao (r) do modelo

O coeficiente de correlao (r) numericamente definido pela raiz quadrada do
coeficiente de determinao (r) cuja frmula geral dada pela Equao 71 e pode ser utilizada
para qualquer regresso:
67

n
r =
4.2.5
r2 =

chmaciel@uol.com.br
yi y
i = 1
(Equao 71)
yi y
i = 1
Coeficiente de correlao (r) dos parmetros

O coeficiente de correlao entre duas variveis (xm e xp) dado pela frmula:
r =
xm i xm i . xp i xp i
i =1
2
xm i xm i . xp i xp i
i = 1
(Equao 72)
i = 1
Onde os termos xp i e xm i representam a mdia aritmtica dos n termos coletados

para aquela varivel.
4.2.6
Desvio padro do modelo

O desvio padro de um modelo com p parmetros estimados e considerado o
^
ajustamento a n dados y i por uma equao de mdia y i , fornecido pela seguinte frmula:
se =
^
n
yi yi
i = 1
(Equao 73)
(n p)
Como se trata de regresso linear dupla (p=3) e, portanto, podemos reescrever a

Equao 73:
se =
^
n
yi yi
i = 1
(n 3)
(Equao 74)
68

chmaciel@uol.com.br
4.2.7
Significncia dos parmetros (regressores)
No caso de mais uma varivel independente, o clculo do erro padro dos parmetros
b apresenta maiores dificuldades, uma vez que os clculos tornam-se cada vez mais complexos,
o que leva a necessidade da utilizao de computadores ou emprego de matrizes. Para o caso
especfico de regresso linear dupla, temos:
t *j =
bj
()
onde:
(Equao 75)
s bj
s (b 1 ) = s e .
X 1 i X . X 2 i X
i =1
n
X 1i X
i = 1
s (b 2 ) = s e .
X2i X
i = 1
n
X2i X
i = 1
(Equao 76)
X 1 i X . X 2 i X
i =1
X 1i X
i = 1
(Equao 77)
Como t(1-/2;n-3) um valor tabelado, se t* for superior a t(1-/2;n-2), rejeita-se H0 ao nvel de

significncia indicando que a varivel correspondente ao parmetro testado importante para
explicar o fenmeno.
A significncia dos regressores, segundo a NBR 14.653, Parte 2, ser utilizada para
definir o grau de fundamentao da avaliao, no caso de utilizao de modelos de regresso
linear, conforme contido no item 5 da tabela 1(item 9.2.1), que transcrevemos abaixo:
Descrio
Nvel de significncia (somatrio
do valor das duas caudas) mximo
para a rejeio da hiptese nula de
cada regressor (teste bicaudal)
Grau de fundamentao
III
II
10%
20%
30%
69

4.2.8

chmaciel@uol.com.br
Significncia do modelo (Distribuio de Snedecor)

De forma equivalente utilizada para regresso linear simples, considerando-se um
modelo de regresso linear dupla ajustado a uma amostra de n dados, temos que:
yi y
i = 1
n
n ^
= y i y i + y i y
i = 1
i = 1
(Equao 78)
e encontramos os seguintes graus de liberdade para cada um dos somatrios:

2
n
(n-1) para y i y pois conhecemos somente parmetro estimado que y ;
i = 1
^
n
(n-3) para y i y i pois envolve os parmetros estimados a; b 1 e b 2
i = 1
que so os coeficientes da reta de regresso definida por y ;

2
n ^
2 (dois) para y i y , resultado da diferena entre (n-1)-(n-3).
i = 1
Dividindo-se cada um dos somatrios pelos seus respectivos graus de liberdade,

encontram-se as respectivas varincias:

n
yi yi
i = 1
Varincia Total =
(n 1)
Varincia no explicada =
Varincia explicada =
(Equao 79)
^
n
yi yi
i = 1
( n 3)
n ^
yi yi
i = 1
(Equao 80)
(Equao 81)
A partir disto podemos montar uma tabela de anlise de varincia, tambm conhecida
como tabela da ANOVA que, para o caso de regresso linear simples dada por:
70

chmaciel@uol.com.br
Variao
Soma dos Quadrados
Graus de
Liberdade
Explicada
n ^
SQR = y i y
i = 1
No
explicada
^
n
SQE = y i y i
i = 1
Total
n
SQTO = y i y i
i = 1
Varincia
n ^
yi y
i = 1
n-3
^
n
yi yi
i = 1
n-1

n
yi yi
i = 1
(n 3)
(n 1)
Conforme vimos anteriormente, a situao ideal ser aquela onde a varincia
explicada seja grande e a varincia no explicada pequena. Assim, para se testar a significncia
global do modelo, analisa-se a razo entre essas duas varincias, pela estatstica:
Fc =
n ^ 2
y i y 2
i =1
2
^
n
yi y i
i =1
^
yi y
. (n 3)
i =1
=
2
n
^
2
(n 3) yi y i
i =1
n
(Equao 82)
O fator Fc ter um resultado tanto maior quanto maior for a variao explicada. O fator
F , sob a hiptese H0, tem distribuio de Snedecor com k graus de liberdade no numerador e
n-k-1 no denominador que, para o caso especfico da regresso linear dupla representa dois
grau de liberdade no numerador e n-3 graus de liberdade no denominador, sendo que, atravs
do tabelamento feito por Fischer, os pontos crticos para um nvel de significncia so
simbolizados por F( ; k ; n k 1) que no caso da regresso linear dupla dado por F( ; 2 ; n 3 ) .
Estes pontos esto nas tabelas 2 e 3 para os nveis 5% e 1% (vide APNDICES), onde o
nmero dos graus de liberdade do numerador (1 = k) indica a coluna e o nmero dos graus de
liberdade no denominador (2 = n-k-1) indica a linha onde
se localiza o ponto crtico
correspondente.
Isto implica dizer que, para rejeitar a hiptese nula de no haver regresso do modelo
ao nvel de significncia , necessrio que Fc (F calculado) seja superior a F( ;k ;n k 1) , caso
contrrio, h indcios de que a reta inclinada no explica o fenmeno melhor que a reta horizontal,
devendo esta ltima ser a escolhida.
71


chmaciel@uol.com.br
Excetuando-se os valores das significncias obtidas para os regressores, a NBR 14.653,

Parte 2, determina, no item 6 da tabela 1 (item 9.2.1), para os demais testes estatsticos realizados (o
que inclui a significncia do modelo), os nveis de significncia mximos e que transcrevemos
abaixo:
Grau de fundamentao
Descrio
Nvel de significncia mximo
admitido para a rejeio da
hiptese nula do modelo atravs do
teste F de Snedecor
4.2.9
III
II
1%
2%
5%
Para o caso especfico de regresses duplas, o clculo do intervalo de confiana
apresenta grau de dificuldade bem maior na elaborao dos clculos, demandando a utilizao de
clculo de matrizes que somente ser eficiente, dado quantidade de clculos, se devidamente
sistematizados.
Inobstante o presente curso ter carter introdutrio, apresentaremos, de forma

resumida, a linha de clculo para o intervalo de confiana global do modelo, ressaltando que, para
isto, necessrio conhecer os estimadores x1 e x2:
y t ( 1 / 2 ; n k 1 ) . s ^ < INTERVALO < y + t ( 1 / 2 ; n k 1 ) . s ^

y
y

Onde:
s ^ = M e o valor de M resulta da multiplicao das matrizes 1 ; 2 e 3

y

M =
d.
(x , .x ) 1 .
d . Vres
Sendo que:
72

chmaciel@uol.com.br
Matriz 1:
^
^
d = 1 x 1 x 1 x 2 x 2 onde x 1 e x 2 so os parmetros estimativos
Matriz 2:
1
x , .x
0
0
x2 x2
s 22 s 12 onde: s 22 = i
=1
n
W W
s 12 = x 1 x 1 . x 2 x 2
s 12 s 11
i =1
n
n
n
W W
W = x 1 x 1 . x 2 x 2 x 1 x 1 . x 2 x 2
i = 1
i =1

i = 1
Vres
^
d .Vres = x1 x1.Vres
x 2 x 2 .Vres
4.2.10
n
s 11 = x 1 x 1
i = 1
Onde: Vres =
^
n
yi yi
i = 1
(n p)
Melhoria do modelo linear para regresses duplas atravs de transformaes

Da mesma forma que no caso de regresses linear simples, na prtica nem sempre se
observa este tipo de tendncia, entretanto, alguns modelos no lineares podem ser linearizados
atravs da simples transformao das escalas de medio das variveis.
Para o caso da regresso dupla bem como nos casos de regresses mltiplas valem as
mesmas regras de transformao descritas pra a regresso simples
73


chmaciel@uol.com.br
EXERCCIOS PRTICOS RESOLVIDOS
74

chmaciel@uol.com.br
Exerccios de Regresso Simples (clculo manual)
Exerccio 1.1: A partir de pesquisa com foco em terrenos comerciais, obteve-se, para 10 eventos
^
amostrais, os preos unitrios e reas abaixo. Calcule o valor de y para um lote de 450,00 m.
Evento
Valor Unitrio (R$)
rea do terreno (m)
Yi
Xi
60,00
52,00
61,00
48,00
55,00
52,00
38,00
42,00
57,00
63,00
450,00
500,00
420,00
580,00
600,00
680,00
800,00
720,00
620,00
300,00
1
2
3
4
5
6
7
8
9
10
Primeiramente devemos compor o sistema de 2 equaes e 2 incgnitas (equaes da

reta de regresso vide equaes 33 e 34 ou 37 e 38). Para isto montamos a tabela abaixo, segundo
o modelo da tabela 5:
Evento
Varivel explicativa
Varivel explicada
xi
yi
450,00
500,00
420,00
580,00
600,00
680,00
800,00
720,00
620,00
300,00
5.670,00
567,00
60,00
52,00
61,00
48,00
55,00
52,00
38,00
42,00
57,00
63,00
528,00
52,80
1
2
3
4
5
6
7
8
9
10
Somas
Mdias
Operaes
xi
202.500,00
250.000,00
176.400,00
336.400,00
360.000,00
462.400,00
640.000,00
518.400,00
384.400,00
90.000,00
3.420.500,00
342.050,00
yi2
(x i . y i )
3.600,00
2.704,00
3.721,00
2.304,00
3.025,00
2.704,00
1.444,00
1.764,00
3.249,00
3.969,00
28.484,00
2.848,40
27.000,00
26.000,00
25.620,00
27.840,00
33.000,00
35.360,00
30.400,00
30.240,00
35.340,00
18.900,00
289.700,00
28.970,00
Substituindo-se os valores acima nas equaes 33 e 34, temos:
528,00
= 10a
5.670 ,00b1
289.700 ,00 = 5.670 ,00 a + 3.420.500 ,00b1

Da soluo do sistema acima temos que:
a =
79,4830018
b = (-) 0,0470599679
75

chmaciel@uol.com.br
A partir do que podemos concluir a equao de regresso linear a partir da qual

^
poderemos estimar o valor da varivel dependente, y (valor unitrio), para cada valor de X.
^
y = 79,4830018 0 , 0470599679 . x i
^
Assim, podemos calcular a estimativa y para o imvel avaliando, bastando substituir

X na equao de regresso acima pelo valor da rea do imvel avaliando que de 450,00 m,
conforme abaixo:
^
y = 79,4830018 0,0470599679 . 450,00 = R$ 58,31

^
O valor unitrio estimado y para o lote avaliando com rea de 450,00 m de R$ 58,31
o que permite concluir que o valor total estimado para o terreno avaliando de R$ 26.23,50.
Exerccio 1.2: Em continuidade ao exerccio anterior, calcule os coeficientes de determinao e

correlao do modelo ajustado encontrado.
O primeiro passo preenchermos uma tabela para calcularmos os valores das

variaes explicada e total conforme abaixo:
Varivel
explicativa
Varivel
explicada
Evento
xi
yi
valor
inferido
^
yi
variao
explicada
^
yi y
variao
no
explicada
^
yi yi
quadrado do
desvio da
varivel Xi
X X
i
quadrado da
variao
explicada
quadrado da
variao no
explicada
y y^
i
i
y^ y
i
450
60
58,31
5,51
1,69
13.689,00
30,32
2,87
500
52
55,95
3,15
-3,95
4.489,00
9,94
15,63
420
61
59,72
6,92
1,28
21.609,00
47,86
1,64
580
48
52,19
-0,61
-4,19
169,00
0,37
17,54
600
55
51,25
-1,55
3,75
1.089,00
2,41
14,08
680
52
47,48
-5,32
4,52
12.769,00
28,28
20,41
800
38
41,84
-10,96
-3,84
54.289,00
120,23
14,71
720
42
45,60
-7,20
-3,60
23.409,00
51,84
12,96
620
57
50,31
-2,49
6,69
2.809,00
6,22
44,81
10
300
63
65,37
12,57
-2,37
71.289,00
157,88
5,59
Somas
5.670,00
528,00
205.610,00
455,35
150,25
Mdias
567,00
52,8
76

chmaciel@uol.com.br
Utilizando a equao 42, temos:
^
yi y
i =1
n
r2 =
=
variao total de y
y
n
i =1
y
+
y
i
i
i
i =1
455,35
= 0,7519 ou 75,19%
455,35 + 150,25
O coeficiente de determinao calculado significa que 75,19% do valor estimado y

explicado pelo modelo de regresso utilizado, restando 24,81 atribudos a perturbaes aleatrias
ou a alguma varivel no considerada.
Por conseqncia, utilizando-se a frmula da equao 43, obtemos o coeficiente de

correlao:
r =
r2 =
n
y i y
i =1
n
y i y
455 , 35
= 0,8671
605 , 60
i =1
Exerccio 1.3: Utilizando-se os dados e valores calculados nos exerccios anteriores, calcule o
desvio padro do modelo de regresso adotado.
Por tratar-se de regresso linear simples utilizaremos a equao 45, logo:
se =
150 ,25
(10 2 )
= 4 ,3337
Exerccio 1.4: Utilizando-se os dados e valores calculados nos exerccios anteriores, calcule a
significncia do parmetro b1 para o modelo ajustado encontrado.
Primeiramente, temos que calcular o valor da distribuio de Student do parmetro

b1 conforme a frmula da equao 48, mas para isto necessrio, tambm, o clculo das
equaes 50 e 49, obrigatoriamente nesta seqncia:
77

chmaciel@uol.com.br

2
Yi Y i
150,25
i =1
=
= 4,333734
10 2
n2
n
se =
Em seguida:
s (b1 ) = s e .
t 1* =
i =1
n
= 4,333734.
1
205.610,00
= 0,00955741
b1
(-) 0,04705996 79
=
= ( ) 4 ,92
s (b1 )
0 , 00955741
De posse do t calculado (4,92), nos dirigimos Tabela 1 (ANEXO) e na coluna n-2 (102) graus de liberdade () vericamos que o mesmo est situado entre os nveis de 0,1% (5,041) e
0,2% (4,501) e, atravs de um interpolao linear, obtemos que o nvel de significncia do
parmetro b1 , aproximadamente, de 0,1224%.
Exerccio 1.5: Calcule a significncia do modelo ajustado contido a partir dos dados fornecidos no
exerccio 1:
Primeiramente devemos calcular Fc atravs da equao 54:
n ^
yi y
i = 1
. (n 2 ) = 455,35 . (10 2)) = 24 ,25
Fc =
^ 2
n
1
150 ,25
1
yi yi
i = 1
Para rejeitar a hiptese nula de no haver regresso do modelo ao nvel de significncia

, necessrio que Fc (F calculado) seja superior a F( ; k; n k 1) .
Consultando as tabelas 2 e 3 (APNDICES) para 1 (k) grau de liberdade no numerador

e 8 (n-k-1) graus de liberdade no denominador encontramos que:
78

chmaciel@uol.com.br
F(1%;1; 8 ) = 11,3
Assim, como Fc (24,25) > F(1%;1;8 ) (11,3) , podemos concluir que o modelo possui
significncia menor que 1% o que equivale dizer que a hiptese nula de no haver regresso foi
descartada com 99% de confiana.
Exerccio 1.6: Para o modelo ajustado utilizado nos exemplos anteriores, calcule o intervalo de
confiana para o valor mdio do lote avaliando, considerando um nvel de confiana de 80%.
Utilizando-se dos valores calculados nos exerccios anteriores e da equao 55, temos:
Y = 58 ,30 1,397 . 4 ,3337 .
10
(450 567 )2
ou
205.610 ,00
Y = 58 ,30 2 ,47 Ymx = 58 ,30 + 2 ,47 = 60 ,77 e Ymn = 58 ,30 2 ,47 = 55,83
Exerccio 1.7: Para o modelo ajustado utilizado nos exemplos anteriores, calcular a estatstica de
Durbin-Watson para a varivel rea analisando quanto existncia ou no de auto-regresso.
Para a varivel rea (x) podemos construir o seguinte algoritmo:
Resduos
Diferena
^
xi
y
yi
i
ei
ei 1
(ordenado)
(estimado)
e e
i
300,00
420,00
450,00
500,00
580,00
600,00
620,00
680,00
720,00
800,00
63,00
61,00
60,00
52,00
48,00
55,00
57,00
52,00
42,00
38,00
65,36501
59,71782
58,30602
55,95302
52,18822
51,24702
50,30582
47,48222
45,59982
41,83503
-2,36501
1,28218
1,69398
-3,95302
-4,18822
3,75298
6,69418
4,51778
-3,59982
-3,83503
-2,36501
1,28218
1,69398
-3,95302
-4,18822
3,75298
6,69418
4,51778
-3,59982
ei 2
i 1
3,64720
0,41180
-5,64700
-0,23520
7,94120
2,94120
-2,17640
-8,11760
-0,23520
13,30204
0,16958
31,88863
0,05532
63,06265
8,65065
4,73673
65,89545
0,05532
187,81636
5,59328
1,64400
2,86958
15,62635
17,54119
14,08485
44,81202
20,41030
12,95874
14,70744
150,24775
d =
i=2
n
ei 2
i =1
187,81636
1,25
150,24775
79

chmaciel@uol.com.br
Na tabela 5 do APNDICE que contm a estatstica d tabelada por Durbin-Watson ao

nvel de significncia de 2,5%, encontramos os seguintes pontos crticos para n=15 (menor valor
tabelado) e k=1 (nmero de variveis independentes):
d L = 0,87 e dU = 1,32 o que permite montar o grfico abaixo:

Logo, podemos concluir que no h auto-correlao ao nvel de significncia de 1% ou
ao nvel de 99% de confiana.
Exerccio 1.8: A partir dos dados fornecidos nos exemplos anteriores, calcule o valor de y ,
considerando um lote de 450,00 m, para a transformao potencial.
Tabela de Clculos
Valor
Unitrio
(R$/m)
rea
(m)
Yi
Xi
ln y
ln x
Yi 2
Xi2
(X i .Yi )
1
2
3
4
5
6
7
8
9
10
60,00
52,00
61,00
48,00
55,00
52,00
38,00
42,00
57,00
63,00
450,00
500,00
420,00
580,00
600,00
680,00
800,00
720,00
620,00
300,00
4,09434
3,95124
4,11087
3,87120
4,00733
3,95124
3,63759
3,73767
4,04305
4,14313
6,10925
6,21461
6,04025
6,36303
6,39693
6,52209
6,68461
6,57925
6,42972
5,70378
16,76366
15,61233
16,89928
14,98620
16,05872
15,61233
13,23203
13,97017
16,34626
17,16557
37,32291
38,62135
36,48468
40,48813
40,92071
42,53769
44,68403
43,28655
41,34129
32,53313
25,01336
24,55543
24,83073
24,63256
25,63463
25,77038
24,31585
24,59107
25,99569
23,63154
Somas
Mdias
528,00
52,80
5.670,00
567,00
39,54768
3,95477
63,04353
6,30435
156,64655
398,22047
248,97123
Evento
Operaes
80

chmaciel@uol.com.br
Substituindo-se os valores acima nas equaes 33 e 34, temos:

n
yi
= n .a
i =1
(x i . Yi
n
i =1
= a. x i
i =1
b1 x i
b 1 (x i 2
i =1
n
i=1
39,54768
10.a
248,97123
63,04353.a +
63,04353. b1
398,22047. b1
Da soluo do sistema acima temos que:

a=
6,824084453
b = (-) 0,4551325820
A partir do que podemos formular a equao de regresso linear transformada, a partir
^
da qual poderemos estimar o valor da varivel dependente y para a rea de 450,00 m.
^
ln y = 6 ,824084453

0 , 455132582 . ln (450 , 00 ) = 4 , 043567
Logo, para sabermos o valor unitrio estimado necessrio calcular o antilogaritmo do

valor calculado acima:
^
y=e
^
ln y

= e 4,04367 = 57,03
81

chmaciel@uol.com.br
Exerccios de Regresso Simples (clculos atravs do software)
Exerccio 2.1
Utilizando o software TS-SISREG 5, considerando uma regresso simples, regressores em escala
direta e as informaes contidas na tabela abaixo, calcule:
rea do terreno (m)
Valor Unitrio (R$)
Xi
Yi
450,00
60,00
500,00
52,00
420,00
61,00
580,00
48,00
600,00
55,00
680,00
52,00
800,00
38,00
720,00
42,00
Evento
620,00
57,00
10
300,00
63,00
a) coeficientes
de
determinao
correlao do modelo encontrado;

b) desvio padro;
c) significncia do parmetro b1 ;
d) significncia do modelo;
e) estatstica de Durbin-Watson
f) o valor de um lote com 450 m
1) abrindo o programa e criando um arquivo novo: clique em Iniciar>Programas>TS-Sisreg>TSSisreg (Figura 03) ou d um duplo clique no cone do TS-SISREG na rea de trabalho (Figura 04):
Figura 04
Figura 03
Na seqncia a tela que se abrir dever ser semelhante a Figura 05, selecione o boto CANCELAR
e em seguida abra o menu suspenso Arquivo>Novo (Ctrl+N) vide Figura 06:
Figura 05
5
Figura 06
direitos autorais da TECSYS Engenharia Porto Alegre/RS www.tecsysengenharia.com.br

82


chmaciel@uol.com.br
Na tela seguinte (semelhante a da Figura 07), na paleta Criao, proceda s aes indicadas abaixo:
Figura 07
Figura 08
1) Na caixa denominada Varivel, adicione no campo Nome o texto rea do Terreno e clique no
boto Adicionar (a varivel rea do terreno dever aparecer na caixa Variveis do Modelo -
direita - Figura 08);
2) Adote o mesmo procedimento para incluir a varivel Valor Unitrio;
3) Na seqncia, dentro da caixa denominada Sobre o Modelo clique no campo Autor e escreva o
seu nome (este procedimento servir para identificar o profissional que elaborou o modelo);
4) no campo Nome do Modelo especifique um nome para o modelo;
5) no campo Criao informe a data que preferir ou, por padro, ser inserida a data atual;
6) no campo Observaes informe detalhes sobre o modelo, tais como o objetivo do modelo, a rea
de abrangncia, o nome do cliente, etc. (este procedimento ser til em consultas futuras para
identificar a abrangncia e limitaes do modelo).
7) aps os procedimentos acima, o resultado dever ser semelhante Figura 08.
83


chmaciel@uol.com.br
Aps o correto preenchimento da paleta Criao, clique na paleta Definio das Variveis e a tela
obtida dever ser semelhante Figura 09:
Na caixa Variveis do Modelo, selecione a varivel
rea do Terreno.
Na caixa Tipo de Varivel, confirme se a opo
assinalada Quantitativa (esta costuma ser a opo
padro).
O campo descrio no estar disponvel porque
habilitado apenas quando o tipo de varivel
assinalado como Outra.
Na caixa Crescimento assinale a alternativa que
corresponda expectativa de crescimento da varivel
dependente Valor Unitrio a partir do momento em
Figura 09
que se altere a varivel independente rea do Terreno.
Para o exemplo em questo dever ser assinalada a opo Negativo porque, regra geral, o Valor
Unitrio diminui medida que aumenta a rea do Terreno (esta hiptese ser testada pelo modelo
e caso no seja aceita o modelo indicar que a previso original no se confirmou veremos isto
mais adiante)
O campo Varivel Dependente no dever ser assinalado posto que este no o caso da varivel
rea do terreno que uma varivel independente ou explicativa.
No campo Aparncia dever ser assinalado o nmero de dgitos que se pretende para a varivel
em estudo, no caso manteremos a opo padro de 2 (duas) casas decimais. Quando se tratar de
varivel que possa sofrer variaes do tipo ln, 1/x ou qualquer outra que possa levar a nmeros
muito pequenos, recomendvel aumentar o nmero de casas decimais para que os resultados
no sejam indicados como zero.
No campo Descrio, como o prprio nome indica, descreva a varivel em destaque. No caso
especfico da varivel rea do terreno podemos identificar com sendo: varivel quantitativa,
independente ou explicativa, que representa a rea do terreno em m.
84


chmaciel@uol.com.br
Na seqncia, faa mesmo procedimento para a varivel Valor Unitrio, conforme Figura 10 e
instrues abaixo:
Na caixa Variveis do Modelo, selecione a varivel Valor
Unitrio.
Na caixa Tipo de Varivel, confirme se a opo
assinalada Quantitativa (esta costuma ser a opo
padro).
O campo Varivel Dependente dever ser assinalado,
pois o caso da varivel Valor Unitrio (varivel
dependente ou explicada). Esta ao desabilitar a caixa
Crescimento (no faz sentido estabelecer a relao entre a
varivel dependente e ela prpria).
No campo Aparncia dever ser assinalado o nmero de
Figura 10
dgitos que se pretende para a varivel em estudo
(manteremos a opo padro de 2 casas decimais). Quando for o caso de varivel que possa sofrer
variaes do tipo ln, 1/x ou qualquer outra que gere nmeros muito pequenos, recomendvel
aumentar o nmero de casas decimais para que os resultados no sejam indicados como zero.
No campo Descrio, como o prprio nome indica, descreva a varivel em destaque. No caso
especfico da varivel Valor Unitrio podemos identificar com sendo: Varivel quantitativa,
dependente ou explicada, que representa o valor do terreno em R$/m.
A paleta Informaes Gerais, que no iremos detalhar aqui, permite a opo de insero de senha
para proteo de acesso indevido ao modelo. O risco deste procedimento esquecer a senha e no
conseguir mais acessar o modelo. Esta paleta tambm contm opes de escolha do tipo de
separador de decimal e milhar (vrgulas e pontos), o estabelecimento do nmero de casas decimais
para cada um dos resultados obtidos. Em certos casos, para evitar que obtenhamos valores
aparentemente nulos, cabe reprogramar a preciso das variveis, maior nmero de dgitos
depois da vrgula.
85


chmaciel@uol.com.br
Finalizado todo o processo de incluso das variveis e suas caractersticas clique no boto OK.
Definidas as variveis que sero utilizadas no modelo, vamos agora inserir as informaes
referentes aos elementos amostrais que sero utilizados para obteno do modelo estatstico. Para
isto, caso a tela de Edio no se abra automaticamente, devemos acionar, no menu suspenso, a
opo Modelo>Editar Dados (Figura 11):
Figura 11
A tela que se apresentar dever ser semelhante Figura 12 (Editar Dados) sendo que o cursor
estar posicionado na primeira clula no canto superior esquerdo da tabela que a partir de onde
iniciaremos o preenchimento das informaes relativas a cada um dos elementos amostrais:
Observe que existe apenas uma linha,
ou seja, espao para apenas um
elementos amostral.
Considerando que o nosso exemplo
possui 10 (dez) elementos amostrais,
devemos inserir mais 9 linhas.
Este procedimento deve ser feito
acionando o boto
quantas vezes
forem necessrias para obtermos o

nmero exato de elementos amostrais,
Figura 12
no nosso caso, 9 (nove) vezes.
Observao: para cada informao inserida dever ser acionada a tecla ENTER do teclado,
transferncias de clulas executadas atravs da tecla TAB ou se pressionarmos a tecla ESC far com
que as informaes no sejam registradas.
86

chmaciel@uol.com.br
Aps a insero dos campos e das informaes relativas a cada um dos elementos amostrais o
quadro dever ter um aspecto semelhante Figura 13:
Cuidado para no clicar sobre o
campo que contm os ttulos das
colunas
(Dado,
Endereo,
Observao, rea do terreno e

Valor Unitrio). Isto porque estes
campos de cabealhos de colunas,
ao serem selecionados, tm a funo
de
ordenar
as
informaes
da
coluna (a cada clique obtm-se uma

classificao
crescente
ou
decrescente). Qualquer acionamento

indevido poder fazer com que as
informaes
includas
no
correspondam
aos
que
dados
deveriam corresponder e, lgico,
Figura 13
comprometer todo o resultado.

Inseridas as informaes, clicar sobre os botes
e depois
. A tela que aparecer deve
ser semelhante Figura 14 (caso no aparea, clicar no menu suspenso Modelo>Calcular) . Na tela
Calcular> Regresso teremos as opes:
Dirigido: esta caixa permite escolher o tipo de
transformao (linearizao) que queremos que seja
considerada no clculo (Ex.: 1/x, ln x, x; 1/x, etc.). Para
o caso especfico do nosso exemplo, no qual desejamos
obter a reta de regresso em escala direta, devemos
escolher as transformaes x e y para as variveis rea
do Terreno e Valor Unitrio, respectivamente.
Testes de: dentre as vrias opes de transformao na

caixa Dirigido, existe uma que denominada Auto, esta
opo permite que o programa verifique todas as
combinaes de transformaes possveis entre aquelas
Figura 14
que estiverem ativadas na caixa Testes de.
87


chmaciel@uol.com.br
Em nosso caso, mesmo que haja alguma opo assinalada, o clculo no ser afetado porque na
caixa Dirigido no optamos pela opo Auto.
Mtodo Simplificado: esta opo, se assinalada, far com que o programa teste apenas algumas
das equaes possveis. Esta opo recomendvel apenas quando a capacidade de
processamento do computador utilizado seja pequena ou nos casos de modelos muito complexos
que exijam muito tempo de processamento (conjunto de elementos amostrais e variveis elevados).
Mesmo assim, recomendamos que esta opo seja utilizada apenas nos procedimentos
intermedirios de anlise, mas, ao final, recomendamos utilizar a opo Geral, que a forma de
clculo utilizada quando a opo Mtodo Simplificado no estiver acionada. Em nosso caso, como
iremos realizar clculos sem transformao, esta opo no gera resultados prticos.
Seleo: esta caixa permite escolher se iremos obter os resultados na escada direta (Linear) ou na
escala transformada (No Linear). Nos modelos nos quais houver transformaes, existir mais do
que uma equao possvel, nestes casos o programa ir ordenar as equaes pelo coeficiente de
determinao. A opo assinalada no campo seleo (Linear ou no linear) ir indicar ao
programa se este ordenamento ir ocorrer pelos coeficientes obtidos na escala linear
(transformada) ou na escala no linear (no transformada), visto que os valores podero ser
diferentes face a alterao da grandeza original das variveis em funo das transformaes
utilizadas.
Equaes: esta caixa permite indicar o nmero mximo de equaes que o sistema ir guardar,
ordenadas a partir do maior coeficiente de determinao.
Analisar consistncia: se esta opo estiver ativada, o aplicativo TS-SISREG ir promover anlise
dos valores de cada uma das variveis e, se houver inconsistncias (Ex.: correlao exata entre
variveis; no atendimento do nmero mnimo de dados micronumerosidade, etc.), o programa ir
fornecer uma tela indicando as inconsistncias verificadas.
A tela Opes de Clculo> Rede Neural no objeto do estudo deste curso.
Aps todas as informaes fornecidas devemos acionar o boto:
A tela que dever aparecer sobreposta sobre as demais dever ser semelhante Figura 15:
88


chmaciel@uol.com.br
Figura 15
Comearemos a anlise desta tela a partir do canto superior esquerdo e, a partir dos resultados
obtidos, identificaremos os resultados que buscamos obter neste exerccio bem como outras
informaes sobre o modelo:
1)
Coluna Varivel: nesta coluna esto indicadas todas as variveis que compem o modelo em
estudo. As variveis desabilitadas no aparecero nesta tela, apenas na tela principal.
2)
Coluna Equao/Escala: nesta coluna observamos se a varivel sofreu ou no transformaes,

ou seja, linearizaes visando buscar a adequao dos pontos daquela varivel a uma
distribuio mais prxima possvel de uma reta. No nosso exemplo no h transformaes,
logo, as equaes esto na forma direta x e y.
3)
Coluna T. Observado: este parmetro considera questes relativas ao grau de disperso da

varivel independente em relao s variveis dependentes. O valor obtido para este
parmetro fonte de clculo para a significncia do regressor. Dentre os valores obtidos para
as variveis consideradas no modelo, a varivel que possuir o maior T. Observado (em valor
absoluto) ser aquela que ter o maior peso na formao do valor da varivel dependente (y).
89

4)

chmaciel@uol.com.br
Coluna Significncia: este parmetro indica se a varivel em estudo ou no representativa

na formao de valor da varivel dependente. No nosso exemplo a significncia obtida foi de
0,12%, ou seja, abaixo de 1% e encontra-se, neste item, no maior grau previsto pela NBR-14.653
(ateno porque para este campo o valor j informado em %, diferentemente do campo
significncia do modelo). importante destacar que, em estatstica, quanto maior a
significncia, menor a probabilidade de que a varivel seja importante na formao de valor
da varivel dependente. importante destacar isto porque no cotidiano a palavra significado
nos traz a idia de algo que tem importncia, contrariamente ao sentido da palavra
significncia em estatstica que, quanto maior, indica que menor a probabilidade de que esta
varivel exera influncia sobre a varivel em estudo (varivel dependente).
5)
Campo Variveis, coluna Total: esta coluna indica o nmero total de variveis inseridas no
programa (inclusive as que no foram consideradas).
6)
Campo Variveis, coluna Consideradas: esta coluna indica o total de variveis considerando
apenas as que foram efetivamente utilizadas no modelo para realizao dos clculos. No nosso
exemplo, como no foi excluda nenhuma varivel, os valores so iguais, ou seja, 2.
7)
Campo Dados, colunas Total e Considerados: situao semelhante a que ocorre com as
variveis (vide itens 5 e 6). No exemplo considerado, como no foi excludo nenhum dado, os
valores so iguais, ou seja, 10.
8)
Campos Coeficiente de determinao e correlao do modelo: como podemos observar nos

respectivos campos os coeficientes de determinao (linear e no linear) e correlao so,
respectivamente, 75,19% e 86,71%; o campo Ajustado indica o valor da determinao para
comparaes entre variaes de modelos quando se retira/acrescenta alguma varivel, isto
porque necessrio considerar a perda do nmero de graus de liberdade para se fazer esta
comparao.
9)
Campo Fisher-Snedecor: os parmetros indicados neste campo esto relacionados

significncia do modelo que, neste caso, considerando o Fc de 24,25 resulta em 0,01 ou 1%
(ateno porque neste campo o valor informado no est em %).
10) Campo Desvio padro: no campo relativo ao desvio padro se obtm o valor de 4,33.
11) Campo Normalidade dos resduos: este campo indica a distribuio dos resduos e deve ser
igual, ou pelo menos prxima, da distribuio normal que um grfico obtido pelos
resultados dos quocientes entre os resduos de cada elemento e o desvio-padro do modelo.
90


chmaciel@uol.com.br
Para o nosso exemplo, os resultado obtidos demonstram que 80% de ( e i s ) no intervalo [1;+1]; 100% de ( e i s ) no intervalo [-1,64;+1,64] e 100% de e i s no intervalo [-1,96;+1,96]. No
exemplo didtico que estamos utilizando, pelo pequeno nmero de elementos utilizados (10
elementos), este resultado fica comprometido. A tendncia que, modelos com maior nmero
de elementos tenham melhor aderncia a distribuio de ( e i s ) mais prximo da curva
normal, tambm conhecida como curva gaussiana ou curva em forma de sino.
12) Coluna Durbin-Watson: esta coluna traz parmetro que utilizado para se calcular a
probabilidade da existncia de Auto-regresso (positiva ou negativa). A partir deste valor
que calculado, atravs de tabelas, a probabilidade expressa na coluna DW explicada.
13) Coluna DW explicada: nesta coluna que traduzido o valor obtido na coluna Durbin-
Watson, ou seja, indica se h ou no auto-regresso (positiva ou negativa). No nosso exemplo,

est indicado que o nvel de confiana de que no exista auto-regresso de 95%. A existncia
de auto-regresso (probabilidade de que haja correlao serial na formao dos valores da
varivel dependente) deve ser evitada porque traz prejuzos quanto ao procedimento dos
mnimos quadrados, levando as varincias excessivamente grandes; invalidando as frmulas

de aplicao do mtodo dos mnimos quadrados e os testes t de Student e F de Snedecor,
fazendo com que as projees sejam ineficientes. Pelas caractersticas do teste de Durbin-
Watson, por vezes, pode constar nesta coluna a indicao de Regio no conclusiva, isto quer
dizer que o resultado obtido no permite afirmar se h ou no auto-regresso, logo, situaes
como estas no devem ocorrer para a varivel dependente, entretanto, entendemos que
modelos que apresentem esta condio para uma ou outra varivel independente, desde que
realizada a anlise dos grficos de resduos e no identificada a possibilidade de autoregresso, podero ser utilizados (com exceo de variveis temporais). Esta questo tem
relao com os termos Homocedasticidade e Heterocedasticidade, sendo a primeira situao a
dos modelos que apresentam erros distribudos de maneira aleatria (situao ideal, pois
indica no existncia de auto-regresso) e a segunda a de modelos cujos erros podem estar
correlacionados (situao que deve ser evitada para as variveis independentes e excluda
para a varivel dependente).
14) Campo Outliers: este campo indica se existem elementos amostrais cujos resduos, em valor
absoluto, superam duas vezes o valor do desvio padro do modelo. Nestes casos, estamos
diante da presena de outliers, ou pontos errantes. Estes pontos devem ser analisados
cuidadosamente, verificando se os mesmos no constituem erros de coleta ou at mesmo de
digitao. Pontos outliers no devem, sumariamente, serem eliminados sem a devida anlise
do conjunto de pontos e equilbrio existente entre outliers negativos e positivos.
91

chmaciel@uol.com.br
15) Campo Clculo: neste campo esto informaes sobre o tipo de clculo efetuado. A
informao de que o tipo de clculo Geral, significa que no foi utilizada a opo mtodo
simplificado, ou seja, foram testadas todas as possibilidade de transformaes indicadas (no
nosso exemplo, como efetuamos escolha dirigida para clculo direto sem transformaes
esta questo no faz diferena uma vez que s h uma equao possvel). A informao de que
o critrio foi linear indica que os resultados apresentados consideram a equao em seu
modelo linear. Caso tivssemos optado pela opo No linear os resultados apresentados
seriam obtidos atravs da equao na sua forma caracterstica.
16) Campo Equao: indica, dentre as vrias equaes possveis, a equao que foi utilizada
segundo a seqncia de armazenamento.
Anlise dos Resduos
Para anlise dos resduos, devemos clicar sobre o boto
ou, atravs do menu suspenso, clicar
em Visualizar>Resduos (vide Figura 19):
Figura 19
A tela que surgir dever ser semelhante a da Figura 20 (vide prxima pgina)
Observaes:
a) para que os dados sejam numerados no grfico, necessrio clicar sobre o campo esquerda
do ttulo Valor Observado.
b) ao clicar sobre qualquer uma das colunas podemos orden-las em ordem crescente ou
decrescente (ordem que se altera a cada clique).
92


chmaciel@uol.com.br
Figura 20
Na primeira coluna, identificada como Valor Observado, que so os valores coletados em campo.
Na segunda coluna (Valor Calculado) temos as projees de valores, para cada um dos elementos
amostrais calculados atravs da equao de regresso, utilizando-se todas as caractersticas
inerentes a cada um dos elementos (no caso em questo, apenas a varivel rea Total, em funo
de que uma regresso simples).
Na terceira coluna (Resduo), temos a diferena, em valor absoluto, entre a primeira coluna e a
segunda. Enquanto que, na quarta coluna (Resduo Relativo) temos o resultado percentual desta
diferena. Esta ltima informao mais consistente por considerar a proporo do resduo em
relao ao seu valor original.
Na quinta coluna (Resduo sobre DP) temos o resultado que indica a quantos desvios padro est
distante o valor coletado da reta de regresso. Valores superiores a 2 sero considerados outliers
ou pontos errantes (nem sempre estes pontos devem ser eliminados, pois a prpria distribuio
normal prev um percentual de 5% para estas ocorrncias).
93


chmaciel@uol.com.br
Se observarmos a Figura 20, veremos que a coluna Resduo sobre DP est em ordem crescente de
valores. Desta forma, podemos observar que no intervalo [-1;+ 1] temos oito de dez elementos, ou
seja, 80% dos dados. Alm disso, podemos tambm verificar que os outros dois elementos esto no
intervalo de [-1,64;+1,64], totalizando 100% dos dados j no segundo intervalo, e por conseguinte,
tambm no intervalo [-1,96;+1,96]. Estas informaes conferem com a tela apresentada na Figura
15, no campo Normalidade dos Resduos.
Pela anlise grfica dos resduos, em que pese a pouca quantidade de elementos, h indicativo de
que os erros so aleatrios e que no existe auto-regresso. Esta informao corroborada pelos
resultados da estatstica de Durbin-Watson (vide figura 15) de 95% de confiana da no existncia
de auto-regresso.
A Figura 21 traz o campo que indica qual anlise de resduos est sendo efetuada (no caso a
varivel Valor Unitrio - dependente). A anlise pode ser estendida s demais variveis
independentes, basta clicar sobre o combo no campo Varivel (parte central do quadro) e escolher
qual varivel queremos analisar (vide figura 21):
Figura 21
Um grfico cuja anlise tambm importante o grfico de Aderncia, para acess-lo podemos
clicar o boto apropriado (Figura 22) ou acessar atravs do menu suspenso, conforme Figura 23:
Figura 22
Figura 23
94


chmaciel@uol.com.br
O quadro a ser exibido ser semelhante ao da Figura 24. Neste grfico podemos observar, atravs
do grfico localizado direita, o grau de ajustamento dos pontos coletados. Considerando que os
pontos so marcados na interseco dos valores projetados com os valores observados no
mercado, se tivssemos um ajuste perfeito, onde o valor coletado fosse igual ao valor projetado,
teramos uma reta com ngulo de inclinao de 45 que representada pela linha verde do grfico.
Pontos muito distantes da reta podem configurar elementos amostrais com algum tipo de
perturbao e que podem influenciar nos coeficientes de correlao e determinao..
Figura 24
Outra tela interessante para a que indica os Testes de Hipteses que podemos acessar atravs do
cone prprio ou menu suspenso, conforme Figuras 25:
Figura 25
95


chmaciel@uol.com.br
Na tela seguinte (vide Figura 26) podemos avaliar se a hiptese inicial foi validada. Se tivssemos
iformado no quadro Propriedade do Modelo que o crescimento da varivel independente Valor
Unitrio seria positivo em relao ao aumento da varivel rea total (quanto maior a rea,
maior o valor unitrio); o ndice de crescimento indicado na quinta coluna estaria destacado em
vermelho (como na Figura), indicando que a hiptese no foi aceita e que o comportamento
inverso ao esperado. Se a hiptese fosse aceita, o ndice estaria destacado em azul.
Destaque em vermelho:
significa que a hiptese
inicial no foi aceita
Aqui temos acesso equao
de regresso, na forma linear ou
no linear, conforme a opo
realizada nos campos acima
indicados.
Figura 26
Projeo de valores
Uma vez feitas todas as anlises e escolhida a equao que foi considerada mais apropriada, devese clicar sobre o boto Aplicar para que a equao seja efetivamente considerada e os seus clculos
armazenados para anlise.
Para simularmos o valor do lote com rea de 450 m, devemos clicar sobre o boto projetar valores
(veja cone abaixo), ou clicar no menu Ferramentas>Projetar (Figura 16):
Figura 16
96


chmaciel@uol.com.br
A tela que dever aparecer ser semelhante tela que consta da Figura 17. Na coluna valor, da
linha correspondente varivel rea do Terreno dever ser inserido o valor de 450,00 (rea do
terreno avaliando) e apertar a tecla ENTER.
Figura 17
Neste momento os clculos dos valores de projeo sero realizados (vide Figura 18): valor mdio,
mnimo e mximo tanto do intervalo de confiana, quanto de predio e campo de arbtrio. Cabe
destacara que o intervalo de predio foi inserido quando da reviso da NBR 14.653, parte 2, em
maro de 2011.
Embora conceitualmente exista semelhana na definio do intervalo de confiana e predio, h

que se destacar que o intervalo de confiana construdo para um parmetro que constante,
enquanto para o intervalo de predio o mesmo construdo para uma varivel aleatria o que,
considerando que uma varivel aleatria obviamente apresenta amplitude de variao maior do
que um parmetro constante, nos leva a esperar um intervalo de predio que seja maior do que o
intervalo de confiana, para um mesmo nvel de confiana.
97


chmaciel@uol.com.br
Segundo a NBR 14.653, parte 2 (maro/2011), o intervalo de confiana ser utilizado se o objetivo for
estimar o valor de mercado. Se o objetivo for estimar preos, utiliza-se o intervalo de predio.
Alm dos valores, sero mostrados tambm um grfico com a variao dos valores unitrios em
relao variao da rea Total e uma tabela com a projeo calculada destacada em vermelho.
Figura 18
98

chmaciel@uol.com.br
Exerccios de Regresso Dupla (clculo manual)

^
Exerccio 3.1: A partir dos dados fornecidos abaixo, calcule o valor de y , considerando um lote de
450,00 m com possibilidade de construir uma rea de 950,00 m.
Evento
Preo Unitrio
rea
Yi
rea Edificvel
x2 i
x1i
60,00
450,00
1.080,00
52,00
500,00
1.200,00
61,00
420,00
1.040,00
48,00
580,00
1.160,00
55,00
600,00
1.200,00
52,00
680,00
1.360,00
38,00
800,00
1.600,00
42,00
720,00
1.188,00
57,00
620,00
1.860,00
10
63,00
300,00
720,00
Para simplificarmos o clculo dos parmetros a; b1 b 2 e podemos utilizar uma

tabela com todos os valores inclusos no sistema, quais sejam:
Yi ; x1i ; x2 i ; x1i.y i ; (x1i )2 ; x1i.x2 i ; x2 i.y i ; (x2 i )2
n
i =1
i =1
i =1
i =1
i =1
i =1
i =1
i =1
Preo
Evento Unitrio
rea
rea
Operaes
Edificvel
yi
x1i
x2 i
x1i. y
x1i
60,00
450,00
1.080,00
27.000,00
52,00
500,00
1.200,00
61,00
420,00
48,00
x1i .x 2 i
x2 i. y
202.500,00
486.000,00
64.800,00
1.166.400,00
3.600,00
26.000,00
250.000,00
600.000,00
62.400,00
1.440.000,00
2.704,00
1.040,00
25.620,00
176.400,00
436.800,00
63.440,00
1.081.600,00
3.721,00
580,00
1.160,00
27.840,00
336.400,00
672.800,00
55.680,00
1.345.600,00
2.304,00
55,00
600,00
1.200,00
33.000,00
360.000,00
720.000,00
66.000,00
1.440.000,00
3.025,00
52,00
680,00
1.360,00
35.360,00
462.400,00
924.800,00
70.720,00
1.849.600,00
2.704,00
38,00
800,00
1.600,00
30.400,00
640.000,00
1.280.000,00
60.800,00
2.560.000,00
1.444,00
42,00
720,00
1.188,00
30.240,00
518.400,00
855.360,00
49.896,00
1.411.344,00
1.764,00
57,00
620,00
1.860,00
35.340,00
384.400,00
1.153.200,00 106.020,00
3.459.600,00
3.249,00
10
63,00
300,00
720,00
18.900,00
90.000,00
518.400,00
3.969,00
Somas
528,00
Mdias
52,80
216.000,00
45.360,00
x 2i
yi
5.670,00 12.408,00 289.700,00 3.420.500,00 7.344.960,00 645.116,00 16.272.544,00 28.484,00

567,00
1.240,80
28.970,00
342.050,00
734.496,00
64.511,60
1.627.254,40
2.848,40
99

chmaciel@uol.com.br
Substituindo-se os valores acima nas equaes 67, 68 e 69 temos:

528,00
=
10,00 a +
5.670,00 . b 1 +
12.408,00 . b 2
289.700,00 =
5.670,00 a +
645.116,00 = 12.408,00 a +
3.420.500,00 . b 1 +
7.344.960,00 b 2
7.344.960,00 . b1 + 16.272.544,00 b 2
Da soluo do sistema acima obtemos:

a
=75,19843; b1 = (-) 0,06373 ; b 2 =
0,01107
A partir do que podemos concluir a equao de regresso (vide equao 61) de onde
^
poderemos estimar o valor da varivel dependente, y (valor unitrio), para cada valor de X1 e
X2 .
^
y = 75,19843 0,06373 . x 1 i + 0,01107 . x 2 i

^
Assim, podemos calcular a estimativa y para o imvel avaliando, bastando substituir

os valores de X1 e X2 na equao de regresso acima pelos respectivos valores da rea do
terreno avaliando (450,00 m) e da rea mxima que se pode construir sobre o mesmo (950,00 m).
^
y = 75,19843 0,06373 . 450,00 + 0,01107 . 950,00 = R $ 57 , 04
Exerccio 3.2: Utilizando os dados anteriores, calcule o coeficiente de determinao e correlao.

Para facilitar os clculos, convm montar a tabela abaixo:
Preo
Unitrio
rea
rea
Edificvel
x1
x2
y y
60,00
450,00
1.080,00
58,48
5,68
7,20
32,22
51,84
52,00
500,00
1.200,00
56,62
3,82
-0,80
14,58
0,64
61,00
420,00
1.040,00
59,95
7,15
8,20
51,06
67,24
48,00
580,00
1.160,00
51,08
-1,72
-4,80
2,97
23,04
55,00
600,00
1.200,00
50,25
-2,55
2,20
6,53
4,84
52,00
680,00
1.360,00
46,92
-5,88
-0,80
34,60
0,64
38,00
800,00
1.600,00
41,93
-10,87
-14,80
118,22
219,04
42,00
720,00
1.188,00
42,46
-10,34
-10,80
106,83
116,64
57,00
620,00
1.860,00
56,28
3,48
4,20
12,10
17,64
10
63,00
300,00
720,00
64,05
11,25
10,20
126,57
104,04
Somas
528,00
505,67
605,60
Evento
Mdias
y
52,80
5.670,00 12.408,00
Operaes
^
y y
y^ y
y y
x1
x2
567,00
1.240,80
100

chmaciel@uol.com.br
Assim, podemos calcular o coeficiente de determinao atravs da equao 42:
r2 =
n ^
yi y
i = 1
=
variao total de y
yi y
i = 1
505 , 67
= 0,83499
605 , 60
O coeficiente de determinao calculado significa que 83,50% do valor estimado y

explicado pelo modelo de regresso utilizado, restando 16,50% atribudos a perturbaes aleatrias
ou a alguma varivel no considerada.
Uma vez calculado o coeficiente de determinao (r), podemos obter o valor do
coeficiente de correlao do modelo que dado pela frmula:
yi y
i = 1
n
r =
r2 =
yi y
i = 1
505 , 67
= 0,9137779
605 , 60
Exerccio 3.3: calcule o desvio padro do modelo com base nos resultados dos exerccios anteriores
A frmula para clculo do desvio padro :
^
yi yi
i = 1
se =
(n p)
^
n
Da equao 41 temos que y i y i
i = 1
n
= y i y
i = 1
n ^
y i y
i = 1
o que
permite, a partir dos valores obtidos na tabela 4.2, obtermos que:

^
n
yi yi
i = 1
= 605 , 60 505 , 67 = 99 , 93
Assim, considerando que, no caso de regresso linear dupla, (n-p)=(n-3), temos:
se =
^
n
yi yi
i = 1
(n p)
99 , 93
= 3 , 7783
( 10 3 )
101

chmaciel@uol.com.br
Exerccio 3.4: Calcule, a partir das informaes obtidas nos exemplos anteriores, a significncia dos
parmetros bi referentes rea do imvel e rea edificvel.
Primeiramente, temos que calcular o valor da distribuio de Student dos parmetros

bi em questo. Para isto, necessrio montarmos a tabela abaixo:
Evento
Preo
Unitrio
rea
Edificvel
rea
Varivel x1
Varivel x2
x 1 x1 . x 2 x2
x1
1 60,00
450,00
1.080,00
2 52,00
500,00
1.200,00
-67,00
4.489,00
-40,80
1.664,64
2.733,60
3 61,00
420,00
1.040,00
-147,00
21.609,00
-200,80
40.320,64
29.517,60
4 48,00
580,00
1.160,00
13,00
169,00
-80,80
6.528,64
-1.050,40
5 55,00
600,00
1.200,00
33,00
1.089,00
-40,80
1.664,64
-1.346,40
6 52,00
680,00
1.360,00
113,00
12.769,00
119,20
14.208,64
13.469,60
7 38,00
800,00
1.600,00
233,00
54.289,00
359,20 129.024,64
83.693,60
8 42,00
720,00
1.188,00
153,00
23.409,00
2.787,84
-8.078,40
9 57,00
620,00
1.860,00
53,00
2.809,00
619,20 383.408,64
32.817,60
300,00
720,00
-267,00
71.289,00
-520,80 271.232,64
139.053,60
0,00
205.610,00
0,00 876.697,60
309.624,00
10 63,00
Somas 528,00
x1 x1
-117,00
5.670,00 12.408,00
Mdias
x2
x1
52,80
x 1 x1
x2 x2
13.689,00
-160,80
-52,80
x 2 x2
25.856,64
18.813,60
x2
567,00
1.240,80
Para calcularmos os diversos t *j utilizaremos as frmulas 74 77 e considerando que

estamos desenvolvendo uma regresso dupla, estaremos calculando t 1* e t *2
s ( b 1 ) = 3 , 7783.
s (b1 ) = 3,7783.
1
309.624 , 00 2
205.610 , 00
876.697 , 60
1
309.624,00 2
876.697,60
205.610,00
= 0 , 012177941
= 0,005897542
De onde podemos obter:
t1 =
b2
b1
- 0,06373341 263
=
= 5, 23 e t 2 =
s (b1 )
0,01217794 1
s (b 2
0,01107222 622
0,00589754 2
= 1 , 88
De posse dos valores de t calculados, nos dirigimos Tabela 1 do APNDICE

(valores tabelados de t de Student) na coluna n-3 (10-3) graus de liberdade () vericamos que:
102


chmaciel@uol.com.br
- considerando que o valor do tcalculado(5,23) para regressor rea (x1) est muito prximo
do valor tabelado de t 0 ,9995 (5,408), o que permite concluir que a significncia deste regressor de
aproximadamente 0,1%;
- considerando que o valor do tcalculado(1,88) para regressor rea edificvel (x2) est
muito prximo do valor tabelado de t 0 ,95 (1,895), possvel concluir que a significncia deste
regressor de aproximadamente 10%;
Exerccio 3.5: Calcule, a partir dos dados obtidos nos exerccios anteriores, a significncia do
modelo ajustado.
Primeiramente devemos calcular Fc atravs da equao abaixo:
Fc =
n ^
yi y
i = 1
n
yi yi
i = 1
(n 3)
2
505 , 67 7
. = 17 , 7108
99 , 93 2
Para rejeitar a hiptese nula de no haver regresso do modelo ao nvel de significncia

, necessrio que Fc (F calculado) seja superior a F( ;k ;n k 1) . Consultando a tabela 3
(APNDICES), para 2 (k) graus de liberdade no numerador e 7 (n-k-1) graus de liberdade no
denominador encontramos que F( 1%; 2 ; 7 ) = 9 , 55 .
Assim, como Fc ( 17 , 71 ) > F( 1%; 2 ; 7 ) ( 9 , 55 ) , podemos concluir que o modelo possui
significncia menor que 1% o que equivale dizer que a hiptese nula de no haver regresso foi
descartada com 99% de confiana.
103

chmaciel@uol.com.br
Exerccio 3.6: a partir dos dados fornecidos e resultados obtidos nos exerccios anteriores, calcule o
intervalo de confiana ao nvel de 80% de confiana, considerando um lote de 450,00 m com rea
edificvel de 950,00 m.
A partir do clculo de matrizes indicado na apostila, temos que:
y t ( 1 / 2 ; n k 1 ) . s ^ < INTERVALO < y + t ( 1 / 2 ; n k 1 ) . s ^

y
y

Onde:
^
y

M =
M e o valor de M resulta da multiplicao das matrizes A ; B e C
d.
(x , .x ) 1 .
d . Vres
Sendo que:
Matriz A:
d = 1 ( 450 567 ) ( 950 1.240 , 80 ) ou d = 1 ( 117 ) ( 290 , 80 )
Matriz B:
1
x , .x
10
0
0
876.697 , 60 309.624 , 00

=
10
10
8 , 9341
8 , 9341
309.624 , 00 205.610 , 00
10
10
8 , 9341
8 , 9341
0
10
0
1 , 038854815 5
0
3 , 668931947 6
0
3 , 668931947 6
2 , 436403824 6
Matriz C:
14 , 27571429
d . Vres =
( 450 567 ) .14 , 27571429 Onde: Vres =

( 950 1.240 , 8 ) .14 , 27571429
^
n
yi yi
i = 1
(n p)
99 , 93
7
= 14 , 27571429
Assim:
14 , 27571429
d . Vres = 1.670 , 258572
4.151 , 377716
Temos, portanto, 3 (trs) matrizes para multiplicarmos sendo que podemos
representar as matrizes da seguinte forma:
104

chmaciel@uol.com.br
Matriz A:
d = A 11 A 12
A 13
Matriz B:
x , .x
B 11
= B 21
B 31
B 12
B 22
B 32
B 13
B 23
B 33
Matriz C:
C 11
d . Vres = C 21
C 31
Multiplicando-se as matrizes, teremos:
M =
[(A 11 . B 11
[(A 11 . B 13
] [(A 11 . B 12
+ A 12 . B 21 + A 13 . B 31 ). C 11 +
+ A 12 . B 23 + A 13 . B 33 ). C 31
+ A 12 . B 22 + A 13 . B 32 ). C 21 +
Substituindo os respectivos valores

M = [ ( 1 x 0 ,10 + ( ) 117 x 0 + ( ) 290 , 80 x 0 ) x 14 , 27571429 ] +
[(1x 0 + ( )117 x 1 , 038854815 5
+ ( ) 290 , 80 x ( ) 3 , 668931947 6 )x ( ) 1.670 , 258572 +
[(1x 0 + ( )117 x ( ) 3 , 668931947 6
+ ( ) 290 , 80 x 2 , 436403824 6 )x ( ) 4.151 , 377716
M = 1 , 427571429 + 0 , 248091394 + 1 ,159235671 = 2 , 834898494

s
^
y

M =
2 , 834898494 = 1 , 683715681
^
Uma vez conhecido o valor s y , podemos obter o valor de t ( 0 , 90 ; 7 ) na tabela 1 do

APENDICE (Distribuio t de Student) que se refere ao nvel de significncia de 20% com 7 (n-k-
1) graus de liberdade e cujo valor de 1,415; logo:
[ 57 , 03 1 , 415 x 1 , 683715681 ] < INTERVALO < [ 57 , 03 + 1 , 415 x 1 , 683715681 ] ou

[ 57 , 03 2 , 38 ] < INTERVALO < [ 57 , 03 + 2 , 38 ]
[54 , 64 ] <
INTERVALO
< [59 , 41 ]
Assim, podemos concluir que h uma probabilidade de 80% de que o valor de mercado
esteja entre os limites mnimo e mximo do intervalo acima.
105

chmaciel@uol.com.br
Exerccios de Regresso Dupla (clculos atravs do software)

^
Exerccio 4.1: A partir dos dados fornecidos abaixo, calcule o valor de y , considerando um lote de
450,00 m, com possibilidade de construir uma rea de 950,00 m (sem transformao de variveis).
Evento
rea
x1i
rea Edificvel
x2 i
Preo Unitrio
Yi
450,00
1.080,00
60,00
500,00
1.200,00
52,00
420,00
1.040,00
61,00
580,00
1.160,00
48,00
600,00
1.200,00
55,00
680,00
1.360,00
52,00
800,00
1.600,00
38,00
720,00
1.188,00
42,00
620,00
1.860,00
57,00
10
300,00
720,00
63,00
Este exerccio uma seqncia do exerccio anterior onde foi includa mais uma varivel (rea
Edificvel), com este exerccio aprenderemos como incluir informaes no TS-SISREG importando
diretamente de uma planilha EXCEL (um dos aplicativos muito utilizados para armazenamento de
informaes relativas a banco de dados).
Para isso, iniciamos o aplicativo e selecionamos no menu suspenso Arquivo>Importar do Excel,

conforme Figura 27. O quadro que se abrir dever ser semelhante ao da Figura 28:
Figura 28
Figura 27
106


chmaciel@uol.com.br
Entre os campos Nome e Planilha encontramos um boto de comando indicado Abrir. Ao

clicarmos sobre este boto seremos direcionados a um ambiente do Windows Explorer onde
poderemos selecionar a localizao da planilha EXCEL cujas informaes queremos importar.
Uma vez selecionado o arquivo EXCEL (no caso especfico o arquivo Exercicio 4.1.xls) teremos
algo semelhante a Figura 29:
Note que os campos destacados no quadro vermelho acima esto sem as informaes de
Figura 29
importao dos dados. Para importao, iremos preencher os campos com os valores da Figura 30:
Aps o preenchimento dos campos, pressionaremos o boto de comando Importar que se localiza
Figura 30
na parte superior direita do quadro e teremos aberto o quadro Propriedades do modelo, cujo
preenchimento j vimos no desenvolvimento do Exerccio 2.1 (Figura 31).
107


chmaciel@uol.com.br
A partir deste momento, os procedimentos sero idnticos aos

adotados no exerccio 2.1, com exceo da necessidade de
incluso dos nomes das variveis e da insero das
informaes relativas aos elementos amostrais que j foram
includas automaticamente. Para finalizar o procedimento
exigida a identificao da varivel dependente.
Ao finalizar e clicar sobre o boto OK o TS-SISREG abre sua

tela principal, j com todas as informaes relativas a variveis
e elementos amostrais inseridas no modelo (clique no menu
Figura 31
Dado>Editar Dados e confira).

^
Para calcularmos o valor de y , considerando um lote de 450,00 m e com possibilidade de

construir uma rea de 950,00 m (sem transformao de variveis), temos que efetuar o clculo da
equao de regresso, conforme j exemplificado no Exerccio 2.1. Para isto devemos acionar a
opo do menu suspenso Ferramentas>Calcular ou acionar o boto correspondente, conforme
Figura 32.
Figura 32
A tela que ir aparecer ser semelhante Figura 33, abaixo, que semelhante a que j vimos no
exerccio 2.1, apenas que, agora, h mais uma varivel (rea Edificvel). Lembrando que iremos
considerar apenas a equao de regresso em escala direta, ou seja, sem transformaes. Par isto
necessrio indicar no campo dirigido as transformaes x para as variveis independentes e a
transformao y para a varivel dependente:
108


chmaciel@uol.com.br
Figura 33
A tela que se apresentar dever ser semelhante Figura 34:
Figura 34
109


chmaciel@uol.com.br
As anlises que devero ser efetuadas seguem o mesmo padro da anlise que efetuamos no
exerccio 2.1, mas podemos, aqui, realizar alguns comentrios adicionais, quais sejam:
a)
percebe-se que a incluso da varivel rea Edificvel melhorou os coeficientes de correlao

e determinao, isto significa que foi possvel reduzir ainda mais os resduos entre os valores
coletados e os valores projetados pela equao de regresso. O coeficiente de determinao
ajustado tambm ficou acima do valor calculado no exerccio anterior, quando tnhamos
apenas uma varivel independente.
b)
uma anlise que no foi efetuada no exerccio 2.1 refere-se ao sinal dos coeficientes de
T.Observado. Estes sinais auxiliam na identificao do crescimento da varivel dependente
em funo do crescimento das variveis independentes. No caso da varivel rea temos que o
valor da estatstica T.Observado de -5,23, o sinal negativo indica que a taxa de crescimento
da varivel independente Preo Unitrio inversamente proporcional ao crescimento da
varivel rea, ou ainda, quanto maior o valor da rea menor ser o valor unitrio do terreno.
Isto no quer dizer que terrenos maiores valem menos do que terrenos menores, uma vez que,
mesmo com a diminuio do valor unitrio, o terreno maior ser mais caro em funo de sua
rea maior. O que isto quer dizer que o valor unitrio tem uma tendncia de queda quanto
maior for o valor do terreno que estiver sendo vendido.
J no caso da varivel rea
Edificvel, temos que o valor da estatstica T. Observado de +1,88, o sinal positivo indica
que, quanto maior puder ser o aproveitamento do terreno, maior valor ele ter que uma
tendncia esperada porque, ao permitir uma maior rea de construo, estes terrenos tornamse mais atraentes que os demais.
c)
no que diz respeito ao coeficiente de Durbin Watson, ainda temos um percentual de 90% de
confiana, mas houve uma pequena reduo no nvel de 95% que tnhamos anteriormente;
d)
quanto normalidade dos resduos a concentrao de dados no intervalo [-1;+1] ficou menor
(6 dados em 10), portanto, 2 dados migraram para os demais intervalos. Considerando que
um exemplo didtico e com poucos elementos amostrais, no havia que se esperar resultados
melhores que este. A tendncia que em modelos com maior nmero de elementos, a
conformao seja mais prxima da curva normal;
e)
no h presena de outliers ou pontos errantes.

110


chmaciel@uol.com.br
O prximo passo adotarmos a equao de regresso calculada pelo programa acionando o boto
Aplicar e, para projetarmos o valor, acionarmos a opo Modelo>Projetar, procedimento que j
efetuamos anteriormente no exerccio 2.1. O resultado dever ser semelhante figura 35:
Figura 34
possvel avaliar tambm o grfico e resultados de projeo a partir da varivel rea Edificvel.
Para isto, basta selecionar esta varivel no campo Varivel do quadro acima.
Verificar tambm que os resultados apresentados conferem com o exerccio 3.1, cujos clculos
foram processados manualmente.
111


chmaciel@uol.com.br
APNDICES
112
TABELA 1 (Distribuio t de Student)
APNDICES
Distribuio t de Student
Pontos crticos t
1 / 2
para graus de liberdade
N.C Nvel de confiana

Nvel de significncia
t 0 ,9995
t 0 ,999
t 0 ,995
t 0 ,99
t 0 ,975
t 0 ,95
t 0 ,90
t 0 ,80
t 0 ,75
t 0 ,70
t 0 ,60
t 0 ,55
99,9%
99,8%
99%
98%
95%
90%
80%
60%
50%
40%
20%
10%
0,1%
0,2%
1%
2%
5%
10%
20%
40%
50%
60%
80%
90%
636,619
318,310
63,657
31,821
12,706
6,314
3,078
1,376
1,000
0,727
0,325
0,158
31,598
22,326
9,925
6,965
4,303
2,920
1,886
1,061
0,816
0,617
0,289
0,142
12,924
10,213
5,841
4,541
3,186
2,353
1,638
0,978
0,765
0,584
0,277
0,137
8,610
7,173
4,604
3,747
2,776
2,132
1,533
0,941
0,741
0,569
0,271
0,134
6,869
5,893
4,032
3,365
2,571
2,015
1,476
0,920
0,727
0,559
0,267
0,132
5,959
5,208
3,707
3,143
2,447
1,943
1,440
0,906
0,718
0,553
0,265
0,131
5,408
4,785
3,499
2,998
2,365
1,895
1,415
0,896
0,711
0,549
0,263
0,130
5,041
4,501
3,355
2,896
2,306
1,860
1,397
0,889
0,706
0,546
0,262
0,130
4,781
4,297
3,250
2,821
2,262
1,833
1,383
0,883
0,703
0,543
0,261
0,129
10
4,587
4,144
3,169
2,764
2,228
1,812
1,372
0,879
0,700
0,542
0,260
0,129
11
4,437
4,025
3,106
2,718
2,201
1,796
1,363
0,876
0,697
0,540
0,260
0,129
12
4,318
3,930
3,055
2,681
2,179
1,782
1,356
0,873
0,695
0,539
0,259
0,128
13
4,221
3,852
3,012
2,650
2,160
1,771
1,350
0,870
0,694
0,538
0,259
0,128
14
3,140
3,787
2,977
2,624
2,141
1,761
1,345
0,868
0,692
0,537
0,258
0,128
15
4,073
3,733
2,947
2,602
2,131
1,753
1,341
0,866
0,691
0,536
0,258
0,128
16
4,015
3,686
2,921
2,583
2,120
1,746
1,337
0,865
0,690
0,535
0,258
0,128
17
3,965
3,646
2,898
2,567
2,110
1,740
1,333
0,863
0,689
0,534
0,257
0,128
18
3,922
3,610
2,878
2,552
2,101
1,734
1,330
0,862
0,688
0,534
0,257
0,127
19
3,883
3,579
2,861
2,539
2,093
1,729
1,328
0,861
0,688
0,533
0,257
0,127
20
3,850
3,552
2,845
2,528
2,086
1,725
1,325
0,860
0,687
0,533
0,257
0,127
21
3,819
3,257
2,831
2,518
2,080
1,721
1,323
0,859
0,686
0,532
0,257
0,127
22
3,792
3,505
2,819
2,508
2,074
1,717
1,321
0,858
0,686
0,532
0,256
0,127
23
3,767
3,485
2,807
2,500
2,069
1,714
1,319
0,858
0,685
0,532
0,256
0,127
24
3,745
3,467
2,797
2,492
2,064
1,711
1,318
0,857
0,685
0,531
0,256
0,127
25
3,725
3,450
2,787
2,485
2,060
1,708
1,316
0,856
0,684
0,531
0,256
0,127
N.C
26
3,707
3,435
2,779
2,479
2,056
1,706
1,316
0,856
0,684
0,531
0,256
0,127
27
3,690
3,421
2,771
2,473
2,052
1,703
1,314
0,855
0,684
0,531
0,256
0,127
28
3,674
3,408
2,763
2,467
2,048
1,701
1,313
0,855
0,683
0,530
0,256
0,127
29
3,659
3,396
2,756
2,462
2,045
1,699
1,311
0,854
0,683
0,530
0,256
0,127
30
3,646
3,385
2,750
2,457
2,042
1,697
1,310
0,854
0,683
0,530
0,256
0,127
40
3,551
3,307
2,678
2,403
2,009
1,676
1,299
0,851
0,681
0,529
0,255
0,126
60
3,460
2,232
2,639
2,374
1,990
1,664
1,292
0,848
0,679
0,527
0,254
0,126
120
3,373
3,160
2,618
2,351
1,98
1,657
1,289
0,845
0,677
0,526
0,234
0,126
3,291
3,090
2,576
2,326
1,96
1,645
1,282
0,8452
0,674
0,524
0,233
0,126
113
TABELA 2 (Pontos crticos da distribuio de Snedecor, tabelados por Fischer)

Nvel de significncia de 5% - [F0,05; 1; 2]
APNDICES
2= graus de liberdade do denominador(n-k-1)
1= graus de liberdade do numerador = nmero de variveis (k)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
30
40
60
120
1
161
18,5
10,1
7,71
6,61
5,99
5,59
5,32
5,12
4,96
4,84
4,75
4,67
4,60
4,54
4,49
4,45
4,41
4,38
4,35
4,32
4,30
4,28
4,26
4,24
4,17
4,08
4,00
3,92
3,84
2
200
19,0
9,55
6,94
5,79
5,14
4,74
4,46
4,26
4,10
3,98
3,89
3,81
3,74
3,68
3,63
3,59
3,55
3,52
3,49
3,47
3,44
3,42
3,40
3,39
3,32
2,23
3,15
3,07
3,00
3
216
19,2
9,28
6,59
5,41
4,76
4,35
4,07
3,86
3,71
3,59
3,49
3,41
3,34
3,29
3,24
3,20
3,16
3,13
3,10
3,07
3,05
3,03
3,01
2,99
2,92
2,84
2,79
2,68
2,60
4
225
19,2
9,12
6,39
5,19
4,53
4,12
3,84
3,63
3,48
3,36
3,26
3,18
3,11
3,06
3,01
2,96
2,93
2,90
2,87
2,84
2,82
2,80
2,78
2,76
2,69
2,61
2,53
2,45
2,37
5
230
19,3
9,01
6,26
5,05
4,39
3,97
3,69
3,48
3,33
3,20
3,11
3,03
2,96
2,90
2,85
2,81
2,77
2,74
2,71
2,68
2,66
2,64
2,62
2,60
2,53
2,45
2,37
2,29
2,21
6
234
19,3
8,94
6,16
4,95
4,28
3,87
3,58
3,37
3,22
3,09
3,00
2,92
2,85
2,79
2,74
2,70
2,66
2,63
2,60
2,57
2,55
2,53
2,51
2,49
2,42
2,34
2,25
2,18
2,10
7
237
19,4
8,89
6,09
4,88
4,21
3,79
3,50
3,29
3,14
3,01
2,91
2,83
2,76
2,71
2,66
2,61
2,58
2,54
2,51
2,49
2,46
2,44
2,42
2,40
2,33
2,25
2,17
2,09
2,01
8
239
19,4
8,85
6,04
4,82
4,15
3,73
3,44
3,23
3,07
2,95
2,85
2,77
2,70
2,64
2,59
2,55
2,51
2,48
2,45
2,42
2,40
2,37
2,36
2,34
2,27
2,18
2,10
2,02
1,94
9
241
19,4
8,81
6,00
4,77
4,10
3,68
3,39
3,18
3,02
2,90
2,80
2,71
2,65
2,59
2,54
2,49
2,46
2,42
2,39
2,37
2,34
2,32
2,30
2,28
2,21
2,12
2,04
1,96
1,88
10
242
19,4
8,79
5,96
4,74
4,06
3,64
3,35
3,14
2,98
2,85
2,75
2,67
2,60
2,54
2,49
2,45
2,41
2,38
2,35
2,32
2,30
2,27
2,25
2,24
2,16
2,08
1,99
1,91
1,83
12
244
19,4
8,74
5,91
4,68
4,00
3,57
3,28
3,07
2,91
2,79
2,69
2,60
2,53
2,48
2,42
2,38
2,34
2,31
2,28
2,25
2,23
2,20
2,18
2,16
2,09
2,00
1,92
1,83
1,75
15
246
19,4
8,70
5,86
4,62
3,94
3,41
3,22
3,01
2,85
2,72
2,62
2,53
2,46
2,40
3,35
2,31
2,27
2,23
2,20
2,18
2,15
2,13
2,11
2,09
2,01
1,92
1,84
1,75
1,67
20
248
19,4
8,66
5,80
4,56
3,87
3,44
3,15
2,94
2,77
2,65
2,54
2,46
2,39
2,33
2,28
2,23
2,19
2,16
2,12
2,10
2,07
2,05
2,03
2,01
1,93
1,84
1,75
1,66
1,57
24
249
19,5
8,64
5,77
4,53
3,84
3,41
3,12
2,90
2,74
2,61
2,51
2,42
2,35
2,29
2,24
2,19
2,15
2,11
2,08
2,05
2,03
2,01
1,98
1,96
1,89
1,79
1,70
1,61
1,52
30
250
19,5
8,62
5,75
4,50
3,81
3,38
3,08
2,86
2,70
2,57
2,47
2,38
2,31
2,25
2,19
2,15
2,11
2,07
2,04
2,01
1,98
1,96
1,94
1,92
1,84
1,74
1,65
1,55
1,46
40
251
19,5
8,59
5,72
4,46
3,77
3,34
3,04
2,83
2,66
2,53
2,43
2,34
2,27
2,20
2,15
2,10
2,06
2,03
1,99
1,96
1,94
1,91
1,89
1,87
1,79
1,69
1,59
1,50
1,39
60
252
19,5
8,57
5,69
4,43
3,74
3,30
3,01
2,79
2,62
2,49
2,38
2,30
2,22
2,16
2,11
2,06
2,02
1,98
1,95
1,92
1,89
1,86
1,84
1,82
1,74
1,64
1,53
1,43
1,32
120
253
19,5
8,55
5,66
4,40
3,70
3,27
2,97
2,75
2,58
2,45
2,34
2,25
2,18
2,11
2,06
2,01
1,97
1,93
1,90
1,87
1,84
1,81
1,79
1,77
1,68
1,58
1,47
1,35
1,22
254
19,5
8,53
5,63
4,37
3,67
3,23
2,93
2,71
2,54
2,40
2,30
2,21
2,13
2,07
2,01
1,96
1,92
1,88
1,84
1,81
1,78
1,76
1,73
1,71
1,62
1,51
1,39
1,25
1,00
114
TABELA 3 (Pontos crticos da distribuio de Snedecor, tabelados por Fischer)

Nvel de significncia de 1% - [F0,01; 1; 2]
APNDICES
2= graus de liberdade do denominador(n-k-1)
1= graus de liberdade do numerador = nmero de variveis (k)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
30
40
60
120
1
4.052
98,5
34,1
21,2
16,3
13,7
12,2
11,3
10,6
10,0
9,65
9,33
9,07
8,86
8,68
8,53
8,40
8,29
8,19
8,10
8,02
7,95
7,88
7,82
7,77
7,56
7,31
7,08
6,85
6,63
2
5.000
99,0
30,8
18,0
13,3
10,9
9,55
8,65
8,02
7,56
7,21
6,93
6,70
6,51
6,36
6,23
6,11
6,01
5,93
5,85
5,78
5,72
5,66
5,61
5,57
5,39
5,18
4,98
4,79
4,61
3
5.403
99,2
29,5
16,7
12,1
9,78
8,45
7,59
6,99
6,55
6,22
5,95
5,74
5,56
5,42
5,29
5,19
5,09
5,01
4,94
4,87
4,82
4,76
4,72
4,68
4,51
4,31
4,13
3,95
3,78
4
5.625
99,2
28,7
16,0
11,4
9,15
7,85
7,01
6,42
5,99
5,67
5,41
5,21
5,04
4,89
4,77
4,67
4,58
4,50
4,43
4,37
4,31
4,26
4,22
4,18
4,02
3,83
3,65
3,48
3,32
5
5.764
99,3
28,2
15,5
11,0
8,75
7,46
6,63
6,06
5,64
5,32
5,06
4,86
4,70
4,56
4,44
4,34
4,25
4,17
4,10
4,04
3,99
3,94
3,90
3,86
3,70
3,51
3,34
3,17
3,02
6
5.859
99,3
27,9
15,2
10,7
8,47
7,19
6,37
5,80
5,39
5,07
4,82
4,62
4,46
4,32
4,20
4,10
4,01
3,94
3,87
3,81
3,76
3,71
3,67
3,63
3,47
3,29
3,12
2,96
2,80
7
5.928
99,4
27,7
15,0
10,5
8,26
6,99
6,18
5,61
5,20
4,89
4,64
4,44
4,28
4,14
4,03
3,93
3,84
3,77
3,70
3,64
3,59
3,54
3,50
3,46
3,30
3,12
2,95
2,79
2,64
8
5.982
99,4
27,5
14,8
10,3
8,10
6,84
6,03
5,47
5,06
4,74
4,50
4,30
4,14
4,00
3,89
3,79
3,71
3,63
3,56
3,51
3,45
3,41
3,36
3,32
3,17
2,99
2,82
2,66
2,51
9
6.023
99,4
27,3
14,7
10,2
7,98
6,72
5,91
5,35
4,94
4,63
4,39
4,19
4,03
3,89
3,78
3,68
3,60
3,52
3,46
3,40
3,35
3,30
3,26
3,22
3,07
2,89
2,72
2,56
2,41
10
6.056
99,4
27,2
14,5
10,1
7,87
6,62
5,81
5,26
4,85
4,54
4,30
4,10
3,94
3,80
3,69
3,59
3,51
3,43
3,37
3,31
3,26
3,21
3,17
3,13
2,98
2,80
2,63
2,47
2,32
12
6.106
99,4
27,1
14,4
9,89
7,72
6,47
5,67
5,11
4,71
4,40
4,16
3,96
3,80
3,67
3,55
3,46
3,37
3,30
2,23
3,17
3,12
3,07
3,03
2,99
2,84
2,66
2,50
2,34
2,18
15
6.157
99,4
26,9
14,2
9,72
7,56
6,31
5,52
4,96
4,56
4,25
4,01
3,82
3,66
3,52
3,41
3,31
3,23
3,15
3,09
3,03
2,98
2,93
2,89
2,85
2,70
2,52
2,35
2,19
2,04
20
6.209
99,4
26,7
14,0
9,55
7,40
6,16
5,36
4,81
4,41
4,10
3,86
3,66
3,51
3,37
3,26
3,16
3,08
3,00
2,94
2,88
2,83
2,78
2,74
2,70
2,55
2,37
2,20
2,03
1,88
24
6.235
99,5
26,6
13,9
9,47
7,31
6,07
5,28
4,73
4,33
4,02
3,78
3,59
3,43
3,29
3,18
3,08
3,00
2,92
2,86
2,80
2,75
2,70
2,66
2,62
2,47
2,29
2,12
1,95
1,79
30
6.261
99,5
26,5
13,8
9,38
7,23
5,99
5,20
4,65
4,25
3,94
3,70
3,51
3,35
3,21
3,10
3,00
2,92
2,84
2,78
2,72
2,67
2,62
2,58
2,53
2,39
2,20
2,03
1,86
1,70
40
6.287
99,5
26,4
13,7
9,29
7,14
5,91
5,12
4,57
4,17
3,86
3,62
3,43
3,27
3,13
3,02
2,92
2,84
2,76
2,69
2,64
2,58
2,54
2,49
2,45
2,30
2,11
1,94
1,76
1,59
60
6.313
99,5
26,3
13,7
9,20
7,06
5,82
5,03
4,48
4,08
3,78
3,54
3,34
3,18
3,05
2,93
2,83
2,75
2,67
2,61
2,55
2,50
2,45
2,40
2,36
2,21
2,02
1,84
1,66
1,47
120
6.339
99,5
26,2
13,6
9,11
6,97
5,74
4,95
4,40
4,00
3,69
3,45
3,25
3,09
2,96
2,84
2,75
2,66
2,58
2,52
2,46
2,40
2,35
2,31
2,27
2,11
1,92
1,73
1,53
1,32
6.366
99,5
26,1
13,5
9,02
6,88
5,65
4,86
4,31
3,91
3,60
3,36
3,17
3,00
2,87
2,75
2,65
2,57
2,49
2,42
2,36
2,31
2,26
2,21
2,17
2,01
1,80
1,60
1,38
1,00
115
TABELA 4 Pontos de Significncia de DL e DU - 5%
APNDICES
n
06
07
08
09
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
45
50
55
60
65
70
75
80
85
90
95
100
DURBIN-WATSON
k=1
k=2
dL
dU
0,61
0,70
0,76
0,82
0,87
0,92
0,97
1,01
1,04
1,08
1,10
1,13
1,16
1,18
1,20
1,22
1,24
1,26
1,27
1,29
1,30
1,32
1,33
1,34
1,35
1,36
1,37
1,38
1,39
1,40
1,41
1,42
1,43
1,43
1,44
1,48
1,50
1,53
1,55
1,57
1,58
1,60
1,61
1,62
1,63
1,64
1,65
1,4
1,35
1,33
1,32
1,32
1,32
1,33
1,34
1,35
1,36
1,37
1,38
1,39
1,40
1,41
1,42
1,43
1,44
1,45
1,45
1,46
1,47
1,48
1,48
1,49
1,50
1,50
1,51
1,55
1,52
1,52
1,53
1,54
1,54
1,54
1,57
1,59
1,60
1,62
1,63
1,64
1,65
1,66
1,67
1,68
1,69
1,69
k=3
dL
dU
0,46
0,55
0,62
0,69
0,65
0,81
0,86
0,90
0,95
0,98
1,02
1,05
1,08
1,10
1,13
1,15
1,17
1,19
1,21
1,22
1,24
1,26
1,27
1,28
1,30
1,31
1,32
1,33
1,34
1,35
1,36
1,37
1,38
1,39
1,43
1,46
1,49
1,51
1,54
1,55
1,57
1,59
1,60
1,61
1,62
1,63
1,89
1,77
1,69
1,64
1,6
1,58
1,56
1,55
1,54
1,54
1,54
1,53
1,53
1,54
1,54
1,54
1,54
1,55
1,55
1,55
1,56
1,56
1,56
1,57
1,57
1,57
1,58
1,58
1,58
1,59
1,59
1,59
1,60
1,60
1,62
1,63
1,64
1,65
1,66
1,67
1,68
1,69
1,70
1,70
1,71
1,72
k=4
dL
dU
0,36
0,45
0,52
0,59
0,65
0,71
0,76
0,82
0,86
0,90
0,93
0,97
1,00
1,03
1,05
1,08
1,10
1,12
1,14
1,16
1,18
1,20
1,21
1,23
1,24
1,26
1,27
1,28
1,29
1,31
1,32
1,33
1,34
1,38
1,42
1,45
1,48
1,50
1,52
1,54
1,56
1,57
1,59
1,60
1,61
2,28
2,12
2,01
1,92
1,86
1,81
1,77
1,75
1,73
1,71
1,69
1,68
1,68
1,67
1,66
1,66
1,66
1,66
1,65
1,65
1,65
1,65
1,65
1,65
1,65
1,65
1,65
1,65
1,65
1,66
1,66
1,66
1,66
1,67
1,67
1,68
1,69
1,70
1,70
1,71
1,72
1,72
1,73
1,73
1,74
k=5
dL
dU
dL
dU
0,29
0,37
0,44
0,51
0,57
0,63
0,69
0,74
0,78
0,82
0,86
0,90
0,93
0,96
0,99
1,01
1,04
1,06
1,08
1,10
1,12
1,14
1,16
1,18
1,19
1,21
1,22
1,24
1,25
1,26
1,27
1,29
1,32
1,38
1,41
1,44
1,47
1,49
1,51
1,53
1,55
1,57
1,58
1,59
2,58
2,41
2,28
2,17
2,09
2,03
1,97
1,93
1,90
1,87
1,85
1,83
1,81
1,80
1,79
1,78
1,77
1,76
1,76
1,75
1,74
1,74
1,74
1,73
1,73
1,73
1,73
1,73
1,72
1,72
1,72
1,72
1,72
1,72
1,72
1,73
1,73
1,74
1,74
1,74
1,75
1,75
1,76
1,76
0,24
0,31
0,37
0,44
0,50
0,56
0,62
0,67
0,71
0,75
0,79
0,83
0,86
0,90
0,93
0,95
0,98
1,01
1,03
1,05
1,07
1,09
1,11
1,13
1,15
1,16
1,18
1,19
1,21
1,22
1,23
1,29
1,34
1,38
1,41
1,44
1,46
1,49
1,51
1,52
1,54
1,57
1,57
2,82
2,64
2,50
2,39
2,29
2,22
2,15
2,10
2,06
2,02
1,99
1,96
1,94
1,92
1,90
1,89
1,88
1,86
1,85
1,84
1,83
1,83
1,82
1,81
1,81
1,80
1,80
1,80
1,79
1,79
1,79
1,78
1,77
1,77
1,77
1,77
1,77
1,77
1,77
1,77
1,78
1,78
1,78
Observao:
k= nmero de variveis independentes com excluso do termo constante
116
TABELA 5 Pontos de Significncia de d L
APNDICES
n
06
07
08
09
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
45
50
55
60
65
70
75
80
85
90
95
100
dU - 1 %
DURBIN-WATSON
k=1
k=2
k=3
k=4
k=5
dL
dU
dL
dU
dL
dU
dL
dU
dL
dU
0,39
0,43
0,49
0,55
0,60
0,65
0,69
0,73
0,77
0,81
0,84
0,87
0,90
0,93
0,95
0,97
1,00
1,02
1,04
1,05
1,07
1,09
1,10
1,12
1,13
1,15
1,16
1,17
1,18
1,19
1,21
1,22
1,23
1,24
1,25
1,29
1,32
1,36
1,38
1,41
1,43
1,45
1,47
1,48
1,50
1,51
1,52
1,14
1,03
1,00
0,99
1,00
1,01
1,02
1,03
1,05
1,07
1,09
1,10
1,12
1,13
1,15
1,16
1,17
1,19
1,20
1,21
1,22
1,23
1,24
1,25
1,26
1,27
1,28
1,29
1,30
1,31
1,32
1,32
1,33
1,34
1,34
1,38
1,40
1,43
1,45
1,47
1,49
1,50
1,52
1,53
1,54
1,55
1,56
0,29
0,34
0,40
0,46
0,51
0,56
0,61
0,66
0,70
0,74
0,77
0,80
0,83
0,86
0,89
0,91
0,94
0,96
0,98
1,00
1,02
1,04
1,05
1,07
1,08
1,10
1,11
1,13
1,14
1,15
1,16
1,18
1,19
1,20
1,24
1,28
1,32
1,35
1,38
1,40
1,42
1,44
1,46
1,47
1,49
1,50
1,67
1,48
1,38
1,33
1,29
1,27
1,26
1,25
1,25
1,25
1,25
1,26
1,26
1,27
1,27
1,28
1,29
1,30
1,30
1,31
1,32
1,32
1,33
1,34
1,34
1,35
1,36
1,36
1,37
1,38
1,38
1,39
1,39
1,40
1,42
1,45
1,47
1,48
1,50
1,52
1,53
1,54
1,55
1,56
1,57
1,58
0,22
0,27
0,34
0,39
0,44
0,49
0,54
0,59
0,63
0,67
0,71
0,74
0,77
0,80
0,83
0,86
0,88
0,90
0,93
0,95
0,97
0,99
1,01
1,02
1,04
1,05
1,07
1,08
1,10
1,11
1,12
1,14
1,15
1,20
1,24
1,28
1,32
1,35
1,37
1,39
1,42
1,43
1,45
1,47
1,48
2,10
1,87
1,73
1,64
1,57
1,52
1,49
1,46
1,44
1,43
1,42
1,41
1,41
1,41
1,40
1,40
1,41
1,41
1,41
1,41
1,41
1,42
1,42
1,42
1,43
1,43
1,43
1,44
1,44
1,45
1,45
1,45
1,46
1,48
1,49
1,51
1,52
1,53
1,55
1,56
1,57
1,58
1,59
1,60
1,60
0,18
0,23
0,28
0,33
0,39
0,44
0,49
0,53
0,57
0,61
0,65
0,68
0,72
0,75
0,77
0,80
0,83
0,85
0,88
0,90
0,92
0,94
0,96
0,98
1,00
1,01
1,03
1,04
1,06
1,07
1,09
1,10
1,16
1,20
1,25
1,28
1,31
1,34
1,37
1,39
1,41
1,43
1,45
1,46
2,43
2,19
2,03
1,91
1,82
1,75
1,70
1,66
1,63
1,60
1,58
1,57
1,55
1,54
1,53
1,53
1,52
1,52
1,51
1,51
1,51
1,51
1,51
1,51
1,51
1,51
1,51
1,51
1,51
1,52
1,52
1,52
1,53
1,54
1,55
1,56
1,57
1,58
1,59
1,60
1,60
1,61
1,62
1,63
0,15
0,19
0,24
0,29
0,34
0,39
0,44
0,48
0,52
0,56
0,60
0,63
0,66
0,70
0,72
0,75
0,78
0,81
0,83
0,85
0,88
0,90
0,92
0,94
0,95
0,97
0,99
1,00
1,02
1,03
1,05
1,11
1,16
1,21
1,25
1,28
1,31
1,34
1,36
1,39
1,41
1,42
1,44
2,69
2,45
2,28
2,15
2,04
1,96
1,90
1,85
1,80
1,77
1,74
1,71
1,69
1,67
1,66
1,65
1,64
1,63
1,61
1,61
1,61
1,60
1,60
1,59
1,59
1,59
1,59
1,59
1,58
1,58
1,58
1,58
1,59
1,59
1,60
1,61
1,61
1,62
1,62
1,63
1,64
1,64
1,65
Observao:
k= nmero de variveis independentes com excluso do termo constante
117

REFERNCIAS
BONINI, Edmundo Eboli; BONINI, Sergio Eboli. Estatstica Teoria e Exerccios. So Paulo: Edies
Loyola, 1972.
DANTAS, Rubens Alves. Engenharia de Avaliaes Uma introduo Metodologia Cientfica. So

Paulo: PINI, 1998.
FONSECA, Jairo Simon da; MARTINS, Gilberto de Andrade. Curso de Estatstica. 2 ed., So Paulo:
ATLAS, 1979.
HESS, Geraldo; MARQUES, Jos Luiz de Moura; ROCHA PAES, Luiz Carlos Medeiros da;
PUCCINI, Abelardo de Lima. Engenharia Econmica. 16 ed., So Paulo: DIFEL Difuso Editorial
S.A, 1983.
MOREIRA, Alberto Llio. Princpios de Engenharia de Avaliaes. 4 ed., So Paulo: PINI, 1997.
ILHA MOREIRA FILHO, Ib; FRAINER, Jos Irany; ILHA MOREIRA, Rogrio Medeiros;ILHA
MOREIRA, Ronaldo Medeiros. Avaliaes de bens por estatstica Inferencial e Regresses Mltiplas
Teoria e Aplicaes. 2 ed., vol. 1., Porto Alegre: Diviso, 1993.
NETO, Francisco Maia. Introduo Engenharia de Avaliaes e Percias Judiciais. Belo Horizonte: Del
Rey, 1992.
PIRES DA SILVA, Srgio Alberto. Curso de Avaliaes Imobilirias Mdulos Bsico e Avanado
Fundamentos e aplicao da Estatstica inferencial. Curitiba: IBAPE/PR, 2002.
ZENI, Andr Maciel (1999) Curso de Avaliaes Imobilirias Metodologia Cientfica. Apostila da
ENGEB.
118

Engenharia Estatística Avaliação Imóveis

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Engenharia Estatística Avaliação Imóveis

Uploaded by

Copyright:

Available Formats

Carlos Humberto Maciel

Eng. Civil / Eng. Segurana do Trabalho

Engenharia de Avaliaes por Inferncia Estatstica

Carlos Humberto Maciel

Engenharia de Avaliaes no Brasil ................................................................................................................. 6

Perfil do profissional avaliador................................................................................................................ 9

Homogeneizao de dados x Estatstica Inferencial ou Indutiva ..................................................... 11

Diferenas conceituais entre Preo, custo e valor ................................................................................ 16

Conceitos utilizados em avaliao por mtodos comparativos......................................................... 19

Mdia Aritmtica ..................................................................................................................................... 20

Desvio padro .......................................................................................................................................... 21

Intervalo de Confiana ............................................................................................................................ 22

Tratamento de dados por tratamento cientfico (inferncia estatstica)................................................... 23

Correlaes e Regresso Simples ........................................................................................................... 30

Mtodo dos mnimos quadrados ............................................................................................. 32

Algoritmo bsico para ajustagem simples .............................................................................. 33

Mtodo dos Mnimos quadrados (Exemplo prtico) ............................................................ 37

Variao Residual a partir da reta de regresso..................................................................... 44

Clculo do coeficiente de determinao (r) do modelo ....................................................... 45

Coeficiente de correlao (r) ..................................................................................................... 47

Coeficiente de correlao (r) do modelo ................................................................................. 49

Coeficiente de correlao (r) do parmetro ............................................................................ 49

Desvio padro do modelo ......................................................................................................... 49

4.1.10 Significncia dos parmetros (regressores) ............................................................................ 50

Engenharia de Avaliaes por Inferncia Estatstica

Carlos Humberto Maciel

4.2 Correlaes e Regresso Duplas ................................................................................................................. 63

Mtodo dos mnimos quadrados / algoritmo bsico para ajustamento ............................. 64

Coeficiente de determinao (r) do modelo .......................................................................... 67

Coeficiente de correlao (r) do modelo ................................................................................. 67

Coeficiente de correlao (r) dos parmetros ......................................................................... 68

Desvio padro do modelo ......................................................................................................... 68

Significncia dos parmetros (regressores) ............................................................................ 69

Significncia do modelo (Distribuio de Snedecor)............................................................. 70

Intervalo de Confiana .............................................................................................................. 72

4.2.10 Melhoria do modelo para regresses duplas atravs de transformaes .......................... 73

Engenharia de Avaliaes por Inferncia Estatstica

Carlos Humberto Maciel

Aquele, para mim, foi um momento de completa mudana na forma de realizarmos os

Poderiam, em funo do tempo decorrido desde sua elaborao, no refletir nem

O avano tecnolgico que experimentamos atualmente fez com que as metodologias

Atualmente os softwares de avaliao de imveis, dentre eles o TS-SISREG e o SISREN,

SISREG desenvolvido por profissionais do quadro de engenharia e arquitetura da CAIXA

Engenharia de Avaliaes por Inferncia Estatstica

Carlos Humberto Maciel

Outro fato relevante o crescimento das opes de softwares voltados modelagem

A partilha de conhecimento, a meu ver, ceder conhecimento inclusive aos colegas

Engenharia de Avaliaes por Inferncia Estatstica

Engenharia de Avaliaes no Brasil

Carlos Humberto Maciel

Esta evoluo pode ser resumida conforme abaixo:

Engenheiro Andr Maciel Zeni

Engenharia de Avaliaes por Inferncia Estatstica

Carlos Humberto Maciel

At 1980, a maior parte dos trabalhos publicados se baseava na utilizao de fatores de

Muitos deles se pautavam em frmulas empricas desenvolvidas para centros urbanos

Engenharia de Avaliaes por Inferncia Estatstica

Carlos Humberto Maciel

foram desenvolvidas o que, obviamente, no traduzia um procedimento tcnico correto, confivel

NBR 14653, parte 1 Procedimentos gerais;

Engenharia de Avaliaes por Inferncia Estatstica

Carlos Humberto Maciel

Perfil do profissional avaliador