Apostila PDF

Carlos Humberto Maciel
Eng.º Civil / Eng.º Segurança do Trabalho
Engenharia de Avaliações
por Inferência Estatística
Aplicada à Avaliação de Imóveis Urbanos
( versão atualizada para a NB-14.653-2, vigência 03/03/2011)
Engenharia de Avaliações por Inferência Estatística Carlos Humberto Maciel
Engº Civil e de Segurança do Trabalho
APLICADA À AVALIAÇÃO DE IMÓVEIS URBANOS [email protected]
ÍNDICE
1 Prefácio .................................................................................................................................................................. 4
2 Engenharia de Avaliações no Brasil ................................................................................................................. 6
2.1 Histórico ...................................................................................................................................................... 6
2.2 Perfil do profissional avaliador................................................................................................................ 9
2.3 Homogeneização de dados x Estatística Inferencial ou Indutiva ..................................................... 11
3 CONCEITOS....................................................................................................................................................... 16
3.1 Diferenças conceituais entre Preço, custo e valor ................................................................................ 16
3.2 Conceitos utilizados em avaliação por métodos comparativos......................................................... 19
3.3 Média Aritmética ..................................................................................................................................... 20
3.4 Desvio padrão .......................................................................................................................................... 21
3.5 Intervalo de Confiança ............................................................................................................................ 22
4 Tratamento de dados por tratamento científico (inferência estatística)................................................... 23
4.1 Correlações e Regressão Simples ........................................................................................................... 30
4.1.1 Método dos mínimos quadrados ............................................................................................. 32
4.1.2 Algoritmo básico para ajustagem simples .............................................................................. 33
4.1.3 Método dos Mínimos quadrados (Exemplo prático) ............................................................ 37
4.1.4 Variação Residual a partir da reta de regressão..................................................................... 44
4.1.5 Cálculo do coeficiente de determinação (r²) do modelo ....................................................... 45
4.1.6 Coeficiente de correlação (r) ..................................................................................................... 47
4.1.7 Coeficiente de correlação (r) do modelo ................................................................................. 49
4.1.8 Coeficiente de correlação (r) do parâmetro ............................................................................ 49
4.1.9 Desvio padrão do modelo ......................................................................................................... 49
4.1.10 Significância dos parâmetros (regressores) ............................................................................ 50
4.1.11 Significância do modelo (Distribuição de Snedecor)............................................................. 52
4.1.12 Intervalo de Confiança .............................................................................................................. 55
4.1.13 Auto-Regressão .......................................................................................................................... 57
4.1.14 Homocedasticidade ................................................................................................................... 59
4.1.15 Normalidade dos Resíduos....................................................................................................... 60
4.1.16 Melhoria do modelo linear através de transformações......................................................... 60

4.2 Correlações e Regressão Duplas ................................................................................................................. 63
4.2.1 Multicolinearidade ..................................................................................................................... 64
4.2.2 Método dos mínimos quadrados / algoritmo básico para ajustamento ............................. 64
4.2.3 Coeficiente de determinação (r²) do modelo .......................................................................... 67
4.2.4 Coeficiente de correlação (r) do modelo ................................................................................. 67
4.2.5 Coeficiente de correlação (r) dos parâmetros ......................................................................... 68
4.2.6 Desvio padrão do modelo ......................................................................................................... 68
4.2.7 Significância dos parâmetros (regressores) ............................................................................ 69
4.2.8 Significância do modelo (Distribuição de Snedecor)............................................................. 70
4.2.9 Intervalo de Confiança .............................................................................................................. 72
4.2.10 Melhoria do modelo para regressões duplas através de transformações .......................... 73
EXERCÍCIOS PRÁTICOS RESOLVIDOS ............................................................................................................... 74
Exercícios de Regressão Simples (cálculo manual) ........................................................................................ 75
Exercícios de Regressão Simples (cálculos através do software).................................................................. 82
Exercícios de Regressão Dupla (cálculo manual) ........................................................................................... 99
Exercícios de Regressão Dupla (cálculos através do software) .................................................................. 106
APÊNDICES ................................................................................................................................................................. 112
TABELA 1 – (Distribuição t de Student)........................................................................................................ 113
TABELA 2 – (Pontos críticos da distribuição de Snedecor - nível de significância 5%) ......................... 114
TABELA 3 – (Pontos críticos da distribuição de Snedecor – nível de significância 1%) ......................... 115
TABELA 4 – (Pontos de Significância 5% - DURBIN-WATSON) .............................................................. 116
TABELA 5 – (Pontos de Significância 1% - DURBIN-WATSON) .............................................................. 117
REFERÊNCIAS ............................................................................................................................................................ 118

1 Prefácio
O primeiro contato que tive com a utilização da inferência estatística como
metodologia para elaboração de laudos de avaliação de bens (em especial bens imóveis – casas,
apartamentos, lotes residenciais, glebas, etc.) ocorreu em 1993 quando alguns engenheiros e
arquitetos do quadro da CAIXA ECONÔMICA FEDERAL se dispuseram a nos repassar os
conhecimentos que tinham sobre o tema.
Aquele, para mim, foi um momento de completa mudança na forma de realizarmos os
trabalhos de avaliação de imóveis que desenvolvíamos na CAIXA ECONÔMICA FEDERAL;
marcou um divisor muito claro entre métodos empíricos que, embora considerados consagrados,
inegavelmente deixavam a desejar no que diz respeito à isenção do profissional que elaborava o
trabalho. Os fatores utilizados, embora possam ter sido eficazes para as épocas e locais para os
quais foram desenvolvidos, certamente poderiam não refletir o comportamento de outros
mercados diferentes daqueles.
Poderiam, em função do tempo decorrido desde sua elaboração, não refletir nem
mesmo a realidade do mercado para o qual foi desenvolvido afinal, o mercado imobiliário, como
tudo hoje em dia, é muito dinâmico e susceptível às mudanças econômicas que temos
experimentado nos últimos tempos em nível mundial e que gera reflexos na economia nacional.
O avanço tecnológico que experimentamos atualmente fez com que as metodologias
científicas evoluíssem muito no que diz respeito aos softwares de avaliação. Na época em que
conheci o primeiro software de avaliação por inferência estatística1, a plataforma utilizada ainda
DOS e, em função da capacidade de processamentos dos computadores da época, cada simulação
demorava minutos para que obtivéssemos os resultados.
Atualmente os softwares de avaliação de imóveis, dentre eles o TS-SISREG e o SISREN,
funcionam em plataforma WINDOWS e os resultados são quase que instantâneos em função da
grande capacidade de processamento dos computadores pessoais (desktop ou notebook).
1
SISREG – desenvolvido por profissionais do quadro de engenharia e arquitetura da CAIXA
4
Outro fato relevante é o crescimento das opções de softwares voltados à modelagem
estatística através de modelos de regressões múltiplas. Esta variedade de opções permite que o
profissional procure por softwares que atendam as suas necessidades. Particularmente tenho
observado que existem softwares que, além da qualidade técnica propriamente dita, conseguem
ser mais agradáveis aos usuários em função de suas telas de entrada e saída de dados (telas ou
relatórios impressos), em especial aos profissionais que se propõem a ter um primeiro contato com
a metodologia.
Um exemplo disto é o software TS-SISREG, desenvolvido pela TECSYS
ENGENHARIA e que utilizaremos tanto no desenvolvimento desta apostila quanto nas aulas
práticas de laboratório previstas no curso.
Por último, quero ressaltar que não existe conhecimento pleno sobre nenhum assunto,
sempre necessitaremos continuar estudando e aprofundando nossos conhecimentos sobre a
matéria. Em razão disto, os conhecimentos adquiridos em cursos teóricos, por melhores que sejam
e por mais que contenham um módulo prático, não terão valor se não vierem acompanhados de
uma seqüência de elaboração de trabalhos realizados pelos profissionais no contexto do mercado
imobiliário em que estejam inseridos ou nos quais pretendam atuar.
Espero que os conhecimentos adquiridos com esta apostila e com o curso sejam
tomados como motivação para que cada profissional procure ampliar seus conhecimentos sobre o
tema e, quando se sentirem em condições, se proponham a repassar este conhecimento aos demais
profissionais.
A partilha de conhecimento, a meu ver, é ceder conhecimento inclusive aos colegas
“concorrentes”, ou seja, aqueles que atuam na mesma região. Os concorrentes sempre existirão,
capacitados ou não, melhor então concorrer com profissionais que partilhem o mesmo nível de
conhecimento técnico e que valorizem a qualidade do trabalho produzido cobrando honorários
compatíveis com o tempo necessário ao desenvolvimento do trabalho, mas também ao tempo
necessário para estudo e aprofundamento dos conhecimentos através da realização de cursos,
participações em Congressos, etc..
5
2 Engenharia de Avaliações no Brasil
2.1 Histórico
Embora tenha sido após 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 Avaliações tornou-se um instrumento que permitiu “minimizar os efeitos dos
‘achismos’, do ‘bom senso’ e da ‘minha experiência diz que ...’ ”2, foi após 1970 que a engenharia
de avaliações começou a despertar maior atenção dos profissionais do ramo.
Esta evolução pode ser resumida conforme abaixo:
Década de 50 – surgem as primeiras normas de avaliação de imóveis organizadas por
entidades públicas e institutos voltados para a engenharia de avaliações;
1957 – surge o primeiro anteprojeto de normas da ABNT; sendo que outros se
sucedem, elaborados por institutos que atuam no ramo;
Década de 60 – o assunto ganha destaque em função do grande número de
desapropriações cujos estudos foram realizados por comissões de profissionais de
perícias e avaliações judiciais;
1973 – elaboração de Normas para Avaliação de Imóveis nas desapropriações,
aprovadas pelo IBAPE (Instituto Brasileiro de Avaliações e Perícias de Engenharia) e
pela Divisão de Avaliações e Perícias do Instituto de Engenharia;
1974 – realização do I Congresso Brasileiro de Avaliações, em São Paulo;
1977 – publicação da 1ª Norma Brasileira sobre o assunto. A NB-502/77 (Avaliação de
Imóveis Urbanos) cuja principal novidade é o estabelecimento de níveis de precisão
sendo também desta época a elaboração de normas para outras tipologias tais como
imóveis rurais, máquinas e equipamentos e glebas urbanizáveis.
2
Engenheiro André Maciel Zeni
6
1979 – publicada a NB 613/79, 2ª Norma Brasileira que trata sobre Avaliações, mais
especificamente sobre avaliação de imóveis rurais;
1980 – I Congresso Mundial de Avaliações, realizado no Brasil;
1980 – 1º Curso de Engenharia de Avaliações - Escola Politécnica da USP;
1990 – a norma brasileira para avaliações de imóveis urbanos é registrada no
INMETRO como NBR 5676 sendo os níveis de precisão transformados em níveis de
rigor (expedito, normal, rigoroso e rigoroso especial);
2001 – lançada 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 utilizável somente em conjunto com cada uma delas, razão pela qual não
trouxe contribuição significativa até o lançamento das partes 2, 3 e 4;
2003 – lançamento da parte 4 da NBR 14653 e que trata da avaliação de
empreendimentos, assunto até então não tratado em norma específica;
2004 – lançamento das partes 2 e 3 da NBR 14653 e que tratam, respectivamente, da
avaliação de imóveis urbanos e imóveis rurais.
2006 – lançamento da partes 5 da NBR 14653 e que trata da avaliação de Máquinas,
equipamentos, instalações e bens industriais em geral;
Até 1980, a maior parte dos trabalhos publicados se baseava na utilização de fatores de
homogeneização que eram adotados sem que houvesse comprovação científica (matemática ou
estatística) e que pouca confiabilidade trazia ao engenheiro de avaliações.
Muitos deles se pautavam em fórmulas empíricas desenvolvidas para centros urbanos
específicos e que depois eram utilizados como sendo verdadeiros para outros municípios ou outras
regiões nas quais, muitas vezes, não apresentavam a mesma realidade do local onde as fórmulas
7
foram desenvolvidas o que, obviamente, não traduzia um procedimento técnico correto, confiável
e consistente para ser defendido.
Começaram, então, surgir questionamentos do tipo:
fórmula empíricas desenvolvidas para um local podem ser utilizadas em outros?
fórmulas desenvolvidas há décadas atrás ainda refletem o mercado atual?
a influência da profundidade é modelo potencial de expoente 0,5 (raiz quadrada)?
a influência da frente é modelo potencial de expoente 0,25 (raiz quarta)?
quando adotamos coeficiente de 1,20, por exemplo, para corrigir qualquer distorção
dos elementos amostrais tais como localização, infra-estrutura disponível ou
outros, será que esta relação é linear (multiplicação direta do fator)?
De onde vem a confirmação do percentual de 20%?
Pode ser de 30% ou 40%?
não existe processo comparativo de mercado para se avaliar casas?
Em função disto, a partir da década de 80 surgem profissionais que procuram aplicar a
Metodologia de Pesquisa Científica à Engenharia de Avaliações, liderados pelo Eng.º Domingos
Sabóia Barbosa Filho, mestre com tese em Engenharia de Avaliações, sendo esta a primeira tese de
mestrado sobre o assunto defendida em uma Universidade brasileira. Este processo culminou com
a publicação da NBR-5676 que foi substituída pela NBR 14.653 (Avaliação de Bens), norma esta
constituída por 7 (sete) partes, conforme abaixo:
NBR 14653, parte 1 – Procedimentos gerais;
NBR 14653, parte 2 – Imóveis urbanos;
NBR 14653, parte 3 – Imóveis rurais;
NBR 14653, parte 4 – Empreendimentos;
NBR 14653, parte 5 – Máquinas, equipamentos, instalações e bens industriais em geral;
NBR 14653, parte 6 – Recursos naturais e ambientais;
NBR 14653, parte 7 – Patrimônios históricos.
8
2.2 Perfil do profissional avaliador
Por muito tempo a característica principal do profissional avaliador foi a “experiência”,
lógica que fazia de engenheiros e arquitetos que se dedicavam a outros segmentos da engenharia e
que tivessem vários anos de atividade, profissionais habilitados para o exercício da Engenharia de
Avaliações. Isto permitia que as avaliações fossem realizadas por profissionais cuja formação não
agregava qualquer metodologia científica válida em seus trabalhos, ficando adstrito à sua
experiência profissional, ou seja, à subjetividade do profissional.
Somente nos anos 60 é que alguns profissionais começaram a se dedicar
exclusivamente ao exercício da Engenharia de Avaliações e a partir dos anos 70 surgem as
primeiras empresas de prestação de serviços neste ramo e, mesmo atualmente, várias são as
faculdades/universidades que não possuem em sua grade uma disciplina própria de avaliações.
Portanto, embora os engenheiros e arquitetos sejam os profissionais legalmente
habilitados para realizar laudos de avaliação e perícias técnicas de engenharia, não são todos que
recebem, na própria graduação, conhecimento técnico suficiente para fornecer capacitação para
desempenhar esta função com qualidade. A estes profissionais resta buscar este conhecimento fora
da academia, nos diversos cursos que são ministrados ou mesmo por institutos de Avaliações
como a SOBRE e o IBAPE.
Esta situação tende a se alterar uma vez que nos dias atuais além do engenheiro de
avaliações (Engenheiro, arquiteto ou agrônomo) ter ampla formação nos vários segmentos da
Engenharia, arquitetura e agronomia (logicamente que dentro da especialidade de cada
profissional), esses conhecimentos devem convergir para aplicação conjunta com técnicas de
valoração de bens.
A norma de avaliações de bens (NBR 14.653 – Parte 1) definiu este profissional como
sendo o engenheiro de avaliações que, pela definição da norma é o “profissional de nível superior,
com habilitação legal e capacitação técnico-científica para realizar avaliações, devidamente registrado no
Conselho Regional de Engenharia, Arquitetura e Agronomia – CREA”. Cabe aqui registrar que o termo
engenheiro de avaliações, em nossa opinião, não é exatamente correta posto que não faz jus aos
colegas arquitetos, também habilitados ao desempenho desta função, de tal modo que poderia ser
mais correto o termo avaliador.
9
A estes profissionais, engenheiros e arquitetos, é imprescindível o conhecimento da
Estatística Inferencial e da Engenharia Econômica bem como conhecimentos básicos de estrutura,
instalações, infra-estrutura, acabamentos, custos, planejamento e economia urbana e rural,
mercadologia e, como não poderia ser diferente, sistemas computacionais.
Além disto, é necessário que o profissional de avaliações detenha ainda algumas outras
qualidades tais como: autodidatismo, espírito de pesquisador, criatividade e senso crítico uma vez
que, no desempenho de suas funções, estão sujeitos a enfrentar diversos tipos de situações que
dependem destas características para obter a melhor fundamentação técnica através de critérios
objetivos, procurando sempre minimizar qualquer tipo de subjetividade.
Não se concebe, atualmente, profissionais que manifestem suas “opiniões” pautadas
em fórmulas empíricas e subjetivas e cujo resultado de seu trabalho não esteja associado à
realidade do mercado em que o bem está inserido.
Este mercado deve estar ocupado por profissionais capacitados, éticos, conscientes,
criteriosos e firmes em suas conclusões, firmeza esta possível somente com a utilização de técnicas
que tenham fundamentação e comprovação científica.
Não há como dissociar a exclusividade que a habilitação profissional prevê ao
Engenheiro e Arquiteto da necessária capacitação deste profissional, pois um profissional que
esteja habilitado legalmente, mas não esteja capacitado para o exercício desta função, será nocivo
à classe de profissionais que se dedicam a este ramo da engenharia, e da sua atuação resultará uma
clientela confusa quanto a esta exclusividade. Neste sentido é esclarecedor o entendimento do
engenheiro André 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 técnica avaliatória’, qualquer corretor de imóveis
o faria, e, desgraçadamente para nós, melhor. Não será uma Lei Federal (5.194), que nos dará de fato a
exclusividade e a proteção; será a competência e preparo dos Engenheiros, Arquitetos e Agrônomos
que mostrarão o caminho das soluções técnicas para o complexo problema avaliatório.” (grifo nosso)
O Engenheiro André Maciel Zeni cita como 7 mandamentos do engenheiro Avaliador:

1º Conhecimentos genéricos e sólidos de segmentos de engenharia que desembocam nas avaliações
(edificações, estruturas, instalações, infra-estrutura, acabamentos, custos, etc.);
2º Fundamentos de planejamento e economia urbana, mercadologia, bem como legislação;
3º Domínio da matemática financeira, através da análise de investimentos;
4º Domínio da estatística Indutiva, análise inferencial e econometria;
5º Espírito de pesquisador, criativo, senso crítico, com afinidade para a investigação e pesquisa
mercadológica;
6º Autodidata, com disposição para o constante estudo e atualização;
7º Afinidade com o uso de sistemas e aplicativos, bem como operação de microcomputadores.”
10
2.3 Homogeneização de dados x Estatística Inferencial ou Indutiva
É inegável a evolução da engenharia de Avaliações no Brasil nas últimas décadas,
principalmente no que diz respeito à revisão de muitos conceitos que estavam impregnados no
subconsciente de muitos profissionais.
Predominava, até então, a “experiência” que o profissional detinha em razão de seus
vários anos no mercado e de sua vasta experiência no mercado de avaliações de imóveis, em
especial os imóveis urbanos; conceito este que perdeu força na medida em que se começou a
questionar a validade dos diversos procedimentos empíricos adotados nos processos de avaliação
e que se pautavam na subjetividade do profissional avaliador.
Este raciocínio aproximava o profissional avaliador do corretor de imóveis que também
possui experiência no mercado imobiliário; somente o conhecimento técnico e a sua correta
aplicação na busca da verdade mercadológica podem diferenciar o profissional avaliador do
corretor de imóveis uma vez que este último desempenha sua atividade num mercado delimitado
e restrito.
O profissional de avaliações não precisa, necessariamente, estar atuando no mercado
por vários anos para poder extrair desse mercado as informações que necessita. A ferramenta de
regressões múltiplas pelo método dos mínimos quadrados permite ao profissional extrair do
mercado as informações necessárias para “traduzir” o seu comportamento através de fórmulas
matemáticas acompanhadas de parâmetros estatísticos que refletem o grau de confiabilidade do
modelo inferido.
Embora o profissional avaliador, num mercado desconhecido, certamente encontrará
dificultadores maiores do que o mercado em que atue (necessidade de pesquisa para
conhecimento do espaço urbano, de suas limitações e tendências relativas a aspectos físicos, legais
e mercadológicos), este profissional terá a seu favor o conhecimento da metodologia científica.
Este conhecimento irá permitir aferir, com base nas informações do próprio mercado,
os fatores influenciantes na formação do valor, pelo menos os mais relevantes, e terá condições de
comprovar e fundamentar estas aferições a partir de laudo detalhado e justificado, utilizando
ferramentas matemáticas e estatísticas consagradas no meio científico, condições que não possui o
corretor de imóveis em um mercado desconhecido.
11
É fato que os procedimentos empíricos dominaram o mercado durante muito tempo,
não porque não houvesse metodologia científica disponível (a regressão ou inferência estatística
não é uma técnica recente), mas em função de que não havia tecnologia que pudesse fazê-las
acessíveis à maior parte dos profissionais avaliadores.
A técnica da regressão, diferentemente do que muitos podem pensar, não apresenta
seu maior dificultador no seu estudo e compreensão, mas o que dificultava a adoção da técnica
eram os inúmeros e repetitivos procedimentos de cálculo, em especial nos modelos que possuam
muitos dados e muitas variáveis, cuja realização de forma manual é impraticável.
A facilidade de acesso à microinformática, que aconteceu no Brasil de forma mais
significativa a partir da década de 90, permitiu aos profissionais o acesso a computadores de
capacidade de processamento cada vez melhores e custos mais acessíveis. Isto possibilitou a
utilização de técnicas fundamentadas em conhecimentos técnicos científicos, afastando-se de
técnicas empíricas e subjetivas e permitindo uma interpretação do mercado local e não mais de um
mercado genérico, abstrato e distante.
É um grande equívoco, atualmente, pensar na metodologia científica como algo que
está fora do alcance dos profissionais de engenharia de avaliações, principalmente aqueles que não
trabalham nos grandes centros urbanos. Esta confusão fundamenta-se na aparente dificuldade de
adquirir o conhecimento sobre a metodologia científica e na idéia de que a mesma é pautada em
procedimentos tão complexos que não seriam facilmente assimilados pelo profissional. A
complexidade se resume aos cálculos, problema que é resolvido com a utilização de um bom
aplicativo (software) e de um computador (hardware) com boa capacidade de processamento.
É indiscutível que os profissionais que trabalham em grandes centros têm, de fato,
algumas vantagens em relação aos colegas de cidades menores, tais como a maior disponibilidade
de cursos para aprendizagem da metodologia, possibilidade de obtenção de maior número de
elementos amostrais (que na metodologia científica, como veremos, é um fator importante);
melhores condições de discussão sobre o assunto em fóruns constantes e, por isso, mais
atualizados quanto à metodologia.
12
Estes diferenciais não impedem os profissionais que desempenhem suas funções nas
mais variadas regiões deste país de usar esta metodologia, afastando-se do subjetivismo que toma
conta dos métodos empíricos ditos outrora “consagrados” e que, em geral, se afastavam das reais
tendências de mercado. A metodologia científica permitirá ao profissional de avaliações emitir
posições técnicas fundamentadas sobre o valor do bem avaliando.
Caberá ao engenheiro de avaliações interpretar o mercado, de forma atenta aos seus
indicativos, deixando para trás o autoritarismo que durante muito tempo tomou conta dos
processos avaliatórios e transformando as incertezas do mercado em incertezas estatísticas que
serão devidamente tratadas pela metodologia científica.
Os modelos estatísticos coletados diretamente no mercado local podem permitir uma
análise dos fenômenos mercadológicos que influenciam a formação do valor, permitindo
identificar o momento atual e também as principais tendências de mercado.
Não há mais espaço para a pretensão de que os engenheiros de avaliação ditem as
regras de mercado, mas para uma posição oposta, mais passiva em relação ao mercado, a posição
de procurar “ouvi-lo”, ou seja, identificar quais são a tendências de um determinado segmento de
mercado, num certo momento histórico.
O profissional deve saber identificar o que efetivamente influencia na formação do
valor, não de uma forma arbitrária e autoritária, mas através de comprovação técnico-científica
que possa fundamentar esta conclusão.
Para o êxito nesta empreitada, há alguns passos que são imprescindíveis, quais sejam:
a) promover a coleta, registro e tabulação dos elementos amostrais disponíveis no
mercado, procurando, o máximo possível, a precisão e confiabilidade dos dados
coletados e a segmentação por nichos (segmentos) mercadológicos distintos (Ex.:
terrenos, casas, apartamentos, etc.), elaborando e mantendo seu banco de dados;
b) possuir aplicativo que permita uma correta análise científica dos modelos obtidos
em mercado ( hoje há várias opções de softwares disponíveis a preços razoáveis);
c) implantar processo contínuo de alimentação do banco de dados de forma a permitir
a aferição de possíveis alterações que possam ocorrer no mercado, afinal o modelo
matemático é como uma “fotografia” do mercado, é algo estático enquanto o
13
mercado é dinâmico e pode sofrer alterações em função de vários fenômenos
mercadológicos que nele interferem alterando valores, para cima ou para baixo;
d) estar continuamente atento para os fenômenos sociais e mercadológicos bem como
da economia local;
A metodologia científica irá permitir maior desempenho operacional e também maior
assertividade e segurança ao profissional de avaliações e seu cliente, diminuindo os eventuais
questionamentos ou respondendo-os de forma a ficar evidente que o valor obtido está adstrito aos
dados coletados em mercado e não mais à subjetividade do avaliador.
Esta assertividade e vinculação às informações advindas dos dados coletados
diretamente no segmento de mercado de interesse prendem-se ao fato de que cada um dos
elementos amostrais traz informações que vão muito além do preço, traz consigo o que mais
interessa ao profissional de avaliações que é a explicação do preço, isto significa que as diversas
características dos elementos amostrais, sejam elas qualitativas ou quantitativas, comporão o que se
denomina variáveis independentes e que servirão para fundamentar o valor de mercado (variável
dependente).
A função obtida pela modelagem, que demonstre atender aos diversos testes
estatísticos necessários à sua validação (auto-regressão, multicolinearidade, homocedasticidade,
normalidade dos resíduos, presença de outliers – pontos influenciantes; significância do modelo e
dos regressores, etc.), fornecerá o modelo matemático de explicação do mercado através dos
elementos amostrais coletados que, considerada a hipótese de que o mesmo contenha todos os
fenômenos mercadológicos presentes, traduzirá o próprio mercado.
É importante ressaltar que o atendimento a todos estes testes de validação não está na
vontade do avaliador e que, na impossibilidade deste atendimento, deve o engenheiro de
avaliações 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 fundamentação.
14
Neste sentido destacamos trechos das NBR 14653, parte 1 e 2:
“parecer técnico: Relatório circunstanciado ou esclarecimento técnico 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 situações normais e típicas do mercado.
Em situações atípicas, onde ficar comprovada a impossibilidade de utilizar as metodologias previstas
nesta parte da NBR 14653, é facultado ao engenheiro de avaliações o emprego de outro
procedimento, desde que devidamente justificado.” (item 8.1.2 da ABNT NBR 14653-1; grifo
nosso)
“A especificação de uma avaliação está relacionada tanto com o empenho do engenheiro de avaliações,
como com o mercado e as informações que possam ser dele extraídas. O estabelecimento inicial pelo
contratante do grau de fundamentação desejado tem por objetivo a determinação do empenho no
trabalho avaliatório, mas não representa garantia de alcance de graus elevados de fundamentação.
Quanto ao grau de precisão, este depende exclusivamente das características do mercado e da amostra
coletada e, por isso, não é passível de fixação a priori.”(item 9.1.1 da ABNT NBR 14653-2)
“Todos os trabalhos elaborados de acordo com as prescrições desta Norma serão denominados laudos
de avaliação. O grau de fundamentação atingido deve ser explicitado no corpo do laudo. Nos casos
em que o grau mínimo I não for atingido, devem ser indicados e justificados os itens das Tabelas
de especificação que não puderam ser atendidos e os procedimentos e cálculos utilizados na
identificação do valor” (item 9.1.2 da ABNT NBR 14653-2; grifos nossos)
O texto da NBR 14.653, parte 2, não cita o parecer técnico como sendo a classificação a
ser utilizada para classificação dos trabalhos nos quais as informações sejam insuficientes para a
utilização dos métodos previstos em Norma, conforme 8.1.2 da ABNT NBR 14653-1:2001. Questões
como estas deverão ensejar a necessidade de ajustes da parte 1 da NBR 14.653 para que se
promova a compatibilização entre as duas partes do Normativo.
15
3 CONCEITOS
3.1 Diferenças conceituais entre Preço, custo e valor
A definição de avaliação pode ser dada como o conjunto de operações técnicas que leva
a formação de juízo sobre o valor mais provável 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 avaliação de bens como
sendo:
“Análise técnica, realizada por engenheiro de avaliações, para identificar o valor de um bem, de seus
custos, frutos e direitos, assim como determinar indicadores da viabilidade de sua utilização
econômica, para uma determinada finalidade, situação e data” (grifo nosso).
A publicação das partes 1 e 2 do conjunto de Normas que compõem a NBR 14653, que
recebe o título geral de Avaliação de bens, fortalece o conceito de valor único de um bem, o que
corrobora o entendimento da escola univalente, de que o valor de um bem, em determinado
instante, é único, independente do fim a que se destina a avaliação, em contraposição a escola
plurivalente, que correlaciona o valor de um bem com a finalidade para o qual é avaliado,
podendo o mesmo atingir diversos tipos de valor. Veja que a definição dada pela Norma,
conforme transcrevemos acima, indica a obtenção “do valor” (no singular) e não “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 caráter
subjetivo, atrelado a circunstâncias diversas e o ponto de vista sob o qual estejamos examinando.
O objeto específico da avaliação de imóveis é a obtenção do “valor de mercado”,
embora a Parte 1 da NBR 14653 indique também valor em risco, patrimonial e residual. Não parece
pretender a norma indicar que existam vários tipos de valores para um mesmo bem, mas valores
diferentes em função da parcela ou conjunto de bens que se pretende avaliar.
No caso de uma avaliação para seguro, por exemplo, é natural que o bem que se deseja
segurar seja a edificação e, por vezes, bens que estejam abrigados pela mesma (móveis,
equipamentos, etc.), não se cogitando o valor do terreno, para o qual não se faz necessária ou
adequada a cobertura securitária; temos então o valor em risco: “valor representativo da parcela do
bem que se deseja segurar”.
16
Outras vezes, trata-se do valor de um conjunto de bens pertencentes a uma mesma
pessoa, física ou jurídica, que se pretende avaliar. Não se trata, portanto, de valores diferentes, mas
de um valor único correspondente à “totalidade dos bens”, ou seja, o valor patrimonial daquela
pessoa, física ou jurídica.
Por último, o valor residual que informará uma “quantia representativa do valor do bem ao
final de sua vida útil”.
O valor mais usual no campo de avaliação de bens é o de mercado, que será extraído de
um intervalo de valores prováveis cuja amplitude, por sua vez, será diretamente decorrente da
dispersão dos elementos amostrais e da probabilidade estatística que representará a confiança de
que o valor real de mercado esteja contido no intervalo estipulado.
O “valor de mercado” de um bem está relacionado com a sua utilidade, ou seja, com a
sua capacidade de atender a uma necessidade, a um desejo, e até mesmo a um capricho,
entretanto, o valor advindo desta relação estará diretamente ligado às condições do mercado ao
qual o bem avaliando pertence.
A NBR-14653-1 (Norma Brasileira para Avaliações de bens – Procedimentos Geral)
prescreve, em seu item 3.44, que valor de mercado é a “quantia mais provável pela qual se negociaria
voluntariamente e conscientemente um bem, numa data de referência, dentro das condições do
mercado vigente” (grifo nosso).
Esta situação colocada pela Norma atual, em contrapartida com a definição da Norma
anterior (NBR 5676), é mais adequada ao mercado imobiliário real, pois não existe mercado de
concorrência perfeita conforme presumia a NBR 5676. A atuação do profissional avaliador é
caracterizada pelo desafio de, a partir das imperfeições do mercado e utilizando-se das
“ferramentas técnicas” disponíveis, promover a adequada homogeneização dos dados coletados.
Esta homogeneização deve ser, preferencialmente, por inferência estatística e, uma vez
identificado os intervalos de confiança e campo de arbítrio, adotar o valor que considera mais
apropriado à realidade e circunstâncias do mercado imobiliário naquele determinado local e
momento.
17
Se não houver número elevado de compradores e vendedores, como preconizava a
norma anterior, nem por isso pode o profissional de avaliações entender impossível avaliar um
bem, mas através da amostra do mercado, mesmo que reduzida, deve o avaliador procurar
“traduzir” o comportamento de mercado, ainda que com restrições quanto à confiabilidade do
trabalho que, obviamente, devem estar expressas no Laudo.
Imaginarmos um mercado onde não haja influências externas, como preconizava a
norma anterior, seria ignorar o que de mais comum existe na essência humana tais como
necessidades, caprichos, desejos, ansiedades, incertezas, entre tantas outras características próprias
do homem e que, invariavelmente, exercerão influência sobre o mercado. Cabe ao profissional
avaliador tentar neutralizá-las ou ao menos minimizá-las através de metodologia científica
adequada que permita adequado tratamento dos dados, através de “operações que expressem, em
termos relativos, as diferenças 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 médico que, para um diagnóstico adequado, exigisse dos pacientes que
tivessem conhecimento absoluto sobre o seu próprio corpo. Ora, se as pessoas fossem tão
conhecedoras sobre o bem, sobre o mercado e as tendências destes, não haveria razão para
contratar profissionais especializados em avaliação.
Por último, a NBR 5676 colocava como sendo necessária a perfeita mobilidade, a
liberdade plena de entrada e saída do mercado. Ora, ninguém venderia se não precisasse, por
algum motivo, vender e ninguém compraria se não necessitasse, por alguma razão, comprar; logo,
não há e nunca haverá uma liberdade plena. Atrás de toda negociação imobiliária sempre está uma
necessidade. Obviamente que uma necessidade extrema, ou mesmo um procedimento de má fé,
pode levar o comprador a pagar um preço extremamente alto ou o vendedor a entregar o bem por
valor ínfimo.
Deve o profissional, consciente destas possibilidades, identificar elementos amostrais
que possam provocar condições anômalas, os chamados outliers, a partir das condições médias
apontadas pelos demais dados e, se for o caso, não considerá-lo em seu trabalho, apresentando a
fundamentação para tal exclusão.
18
Antes de avançarmos nas metodologias de avaliação, é importante que tenhamos bem
clara a distinção entre custo, valor e preço. O valor não deve ser confundido com preço ou custo.
Preço representa a quantidade de dinheiro pela qual se realiza ou se pretende realizar
uma operação de transição de propriedade sobre um determinado bem (inclusive imóveis), seus
frutos ou direitos. Nessa operação, logicamente, devem ser considerados outros fatores, que
podem aumentar ou diminuir o preço, como por exemplo, uma necessidade urgente de parte do
vendedor ou do comprador; a inexistência de um mercado livre; desequilíbrio entre oferta e
procura ou ainda outros que impossibilitem o equilíbrio necessário entre as partes envolvidas.
Assim, o preço pode ser inferior, igual ou superior ao valor. A NBR 14.653, Parte 1, define preço
como sendo a “quantia pela qual se efetua, ou se propõe efetuar, uma transação envolvendo um bem, um
fruto ou um direito sobre ele”.
Custo, por sua vez, é o preço acrescido de todas as outras despesas em que incorre o
comprador da propriedade quer se refiram a regularizações legais (registro em cartório de
imóveis, legalização em órgãos públicos, etc.) ou mesmo regularizações físicas (construções,
reformas, ampliações, etc.). Ressalte-se que algumas regularizações físicas podem estar
relacionadas às regularizações legais, como por exemplo, de intervenções necessárias à
regularização de recuos mínimos, coeficientes de ocupação, áreas de iluminação e ventilação,
dentre outras. A NBR 14.653 define custo como sendo o “total dos gastos diretos e indiretos necessários
à produção, manutenção ou aquisição de um bem, numa determinada data e situação”.
Já o “valor de mercado”, objetivo principal da avaliação de bens, em função das
peculiaridades do mercado imobiliário, poderia ser definido como sendo a estimação do “preço
médio” de mercado, através de tratamento matemático e estatístico adequado de uma amostragem
de preços que “carregue” o máximo possível das imperfeições do mercado.
3.2 Conceitos utilizados em avaliação por métodos comparativos
Para a seqüência do estudo é necessário o entendimento de algumas definições
estatísticas que passaremos a discorrer:
19
População: se pudéssemos obter todos os eventos possíveis do segmento de mercado
analisado; estaríamos de posse do que chamamos população, sendo que poderíamos tomar como
exemplo a população do mercado de apartamentos ou de terrenos de um determinado município.
Amostra: na prática, por uma série de fatores entre os quais podemos destacar o
“tempo”; o “fator econômico” bem como a disponibilidade das informações, não é viável a
obtenção da população (conjunto de todos os dados que formam o segmento de mercado que
desejamos analisar), motivo pelo qual trabalhamos com uma parcela desta população que constitui
a amostra.
Parâmetros: são as características numéricas de uma população e são representados,
geralmente, por letras gregas ou por uma letra maiúscula (por exemplo θ ou B). Dentre os
parâmetros mais importantes de uma população podemos destacar a média e o desvio-padrão.
Enquanto a média indica a tendência central o desvio-padrão indica a dispersão, ou seja, o
afastamento com que os dados estão dispostos em torno da média.
Estatísticas ou Parâmetros Estimados: são as características numéricas da amostra que
pois esta fornece os parâmetros “estimados” da população da qual foi extraída. Geralmente são
representados por uma letra grega com circunflexo ou por uma letra latina minúscula.
Na utilização de metodologias de obtenção do valor por processos comparativos a
meta é obter um valor representativo para toda a população de bens assemelhados ao que
queremos avaliar, entretanto, como os dados da população é, regra geral, de difícil obtenção,
utilizamos os recursos das amostras, cujos valores médios nos fornecerão estimativas do valor
médio da população.
3.3 Média Aritmética
A média aritmética é uma das medidas de posição ou de tendência central que orienta
quanto a posição da distribuição em relação ao eixo x (abscissa). A sua obtenção é dada através da
equação abaixo:
∑
n
− xi
x= i =1
(Equação 18)
n
20
Onde:
−
x = média aritmética
xi = elementos amostrais
n = número de elementos amostrais
Uma das principais propriedades da média aritmética é que a soma algébrica da
diferença entre cada valor observado e a média aritmética é nula, ou seja, os valores positivos
anulam os negativos e que a média de uma constante é a própria constante
3.4 Desvio padrão
O desvio padrão é uma medida de dispersão dos dados em relação à média, isto
porque podem existir conjuntos de valores observados que possuem a mesma média, mas cuja
dispersão dos valores em relação a esta última pode ter valores diferenciados, assim é o caso de
média de valores constantes (100,100) e de valores distintos (50, 150), ambos os conjuntos
apresentam a mesma média (100), mas o primeiro tem flutuação nula em relação à média,
diferentemente do segundo conjunto que tem flutuação diferente de zero.
A obtenção do desvio padrão de uma amostra3 é dada pela fórmula abaixo:
− 2
n
 
∑  xi − x 
i =1  
se = (Equação 19)
(n − 1)
Onde:
s e = desvio padrão da amostra;

−
x = média aritmética
xi = elementos amostrais
n = número de elementos amostrais
3
A fórmula para obtenção do desvio padrão da população é diferente da amostra em função dos graus de liberdade.
21
3.5 Intervalo de Confiança
O intervalo de confiança é aquele para o qual se pode afirmar, com determinada
probabilidade, que o verdadeiro valor do parâmetro populacional está nele contido. O cálculo
deste intervalo é feito utilizando-se a distribuição t de Student. Se considerarmos α com sendo a
significância, a confiança será dada por 1- α, como mostra a figura 1:
1-α
α/2 α/2
Li Ls
Figura 1
O intervalo de confiança é calculado pela fórmula:
− se
I = x ± t1−(α / 2 );n−1 ⋅ (Equação 21)
n
Onde:
−
x= média aritmética
t1−(α / 2 );n −1 = ponto crítico da distribuição t de Student, que deixa uma área de 1-α/2 à
sua esquerda, considerando-se n-1 graus de liberdade, uma vez que se
estima uma única média para a população
se = desvio padrão da amostra;
n= número de elementos amostrais
22
4 Tratamento de dados por tratamento científico (inferência estatística)
A Estatística Inferencial ou também designada Estatística Indutiva possibilita

justamente a obtenção destes modelos matemáticos justificados que possam representar o
segmento de mercado no qual o bem avaliando está inserido. As conclusões obtidas através da
Estatística Inferencial não podem ser consideradas absolutas ou exatas já que não são
determinísticas e sim probabilísticas; sua precisão estará intimamente relacionada ao maior ou
menor grau com que se buscará a verdade mercadológica.
O profissional de avaliações deve estar preparado para saber identificar os vetores de

formação de preços como se estivesse “ouvindo” o que estes estão “querendo dizer” através de
modelos matemáticos justificados que nos revele as tendência e incertezas do mercado na
formação do valor.
Não se deve, entretanto, imaginar que apenas um bom equipamento de informática e

software dedicado a este trabalho basta para o bom êxito desta empreitada uma vez que os
resultados fornecidos pela inferência, sem que o profissional esteja habilitado a interpretá-los de
forma correta, poderá trazer ainda mais incertezas, limitações e restrições que, em função da falta
de capacitação do profissional, não terão sua solução identificada ou o que pode ser mais
desastroso, poderão ser ignorados.
Estatisticamente, inferir significa tirar conclusões com base em medidas estatísticas. No

caso específico de Engenharia de Avaliações buscamos explicar, com base em dados obtidos no
mercado, o comportamento deste último, ou seja, conhecendo-se uma parcela do mercado
(amostra) pode-se inferir sobre seu comportamento geral (população), logicamente dentro de um
determinado grau de confiança que os procedimentos estatísticos nos permitirão afirmar.
Para ”traduzir” o que os elementos amostrais “querem nos dizer” podemos lançar mão
da teoria das regressões que pressupõe o estudo das causas (variáveis independentes) e de seu
conseqüente efeito (variável dependente). As variáveis independentes podem ser:
Quantitativas: Variáveis que podem ser medidas ou contadas (Ex.: área privativa, número de
quartos; vagas de garagem)
Dicotômicas: Variável que assume apenas dois valores (sim ou não, com ou sem). Podem
ocorrer de forma isolada ou em grupos. Também conhecidas como “binárias”, ”dummies”, “de
estado”, “zero - um”.
23
Qualitativas: Variáveis que não podem ser medidas ou contadas, mas apenas ordenadas ou
hierarquizadas, de acordo com atributos inerentes ao bem (Ex.: padrão construtivo e estado de
conservação):
Códigos alocados: Ordenação numeral (notas ou pesos) para diferenciar as

características qualitativas dos imóveis (números naturais em ordem crescente das
características possíveis, com valor inicial igual a 1.
Códigos ajustados: Escala extraída dos elementos amostrais originais por meio de
modelo de regressão, com a utilização de variáveis dicotômicas, para diferenciar as
características qualitativas dos imóveis
Proxy: variável utilizada para substituir outra de difícil mensuração e que se

presume guardar com ela relação de pertinência (Ex.: CUB, SINAPI, Ross Heideck,
etc.)
Em cada fato da natureza, nos problemas de ordem social ou de interesse econômico,
verifica-se que as variáveis apresentam relação entre si, ou seja, podemos tomar como exemplos o
peso das pessoas que estará relacionado com a altura e o sexo; a produtividade agrícola estará
relacionada com o índice pluviométrico ou a quantidade de adubo utilizada, etc.
Nos casos em que o valor da variável desconhecida (variável dependente) for calculado
com base apenas em uma única variável conhecida (variável independente) teremos o caso de uma
regressão simples; já nos casos em que o quantitativo de variáveis independentes for igual ou
superior a dois estaremos trabalhando com regressão múltipla.
É de se pressupor que, na prática, serão raros os casos em que o valor seja determinado
apenas por uma variável, pois vários serão os fatores influenciantes do valor, entretanto, por
motivos de ordem didática, convém que se inicie o estudo da inferência estatística através da
análise de regressão simples o que permitirá que trabalhemos com fórmulas não tão complexas,
mas abrirá caminho para tratarmos das situações de regressão dupla que, por sua vez, darão toda a
noção necessária à regressão múltipla.
Para uma determinada variável influenciante (independente) poderão ocorrer
comportamentos distintos na variável influenciada (dependente), sendo assim, vamos imaginar que
um determinado trabalho de avaliação pretenda verificar o comportamento do preço unitário de
residências em relação à distância a um suposto pólo desvalorizante (penitenciária, aeroporto,
indústria, estação de tratamento de esgoto, etc.).
24
A partir da amostra obtida na pesquisa do mercado em questão, podemos obter o
gráfico de dispersão que é gerado plotando-se os correspondentes pares de valores da variável
explicada ou dependente e a respectiva variável explicativa ou independente em um sistema de
coordenadas ortogonais de onde teremos, como possíveis resultados, os gráficos representados
pelos gráficos 01, 02, 03 e 04:
Gráfico 01 Gráfico 02
Pela observação dos gráficos podemos identificar quatro informações relevantes
fornecidas pelos dados: a tendência, a intensidade, a forma funcional da curva e a sua dispersão.
Nos gráficos 01, 02 e 03 verifica-se uma tendência de acréscimo do valor unitário em
relação à distância, ou seja, à medida que o valor da variável independente (distância ao pólo
desvalorizante) aumenta, cresce também o valor da variável dependente (preço unitário),
entretanto, a distribuição dos pontos do gráfico 04 não sugere o mesmo. Neste último caso o
mercado estaria indicando que o pólo não exerce influência sobre o preço (o que, para o exemplo
em pauta, dificilmente ocorreria).
25
Enquanto a inclinação da reta revela a tendência (positiva ou negativa), a intensidade é
dada pelo ângulo de inclinação desta, ou seja, quanto maior for o ângulo, maior a intensidade da
influência da variável independente.
Estas demonstrações têm a função de comprovar as hipóteses formuladas inicialmente
pelo avaliador, caso sejam verificadas situações como as representadas nos gráficos 01, 02 e 03, ou
demonstrar que não eram procedentes ou relevantes, se o resultado fornecer situação similar a do
gráfico 04.
Quanto à forma funcional da curva os gráficos 01, 03 e 04 apresentam características
próprias da linearização enquanto do gráfico 02 indica um comportamento exponencial. Isto é
extremamente relevante visto que para os casos dos gráficos 01, 03 e 04 podemos obter o
ajustamento através de uma regressão linear diferentemente da situação do gráfico 03 que
prescinde, anteriormente ao ajustamento, de uma transformação para linearizar os dados.
Finalmente, a quarta e última informação, a dispersão dos dados ao longo da curva que
melhor se ajustaria aos mesmos revela a existência de homocedasticidade, ou seja, a dispersão é
aparentemente constante (variância constante de erros), nos casos dos gráficos 01, 02 e 04 ou
heterocedasticidade, no caso do gráfico 03 em que, conforme aumenta a distância ao pólo
desvalorizante, aumenta a variância dos erros.
Os modelos ideais serão aqueles que se apresentarem favoráveis a linearização, a
homocedasticidade e com intensidade alta, ou seja, retas que possuam coeficiente angular de valor
absoluto significativo e, obviamente, diferente de zero, além de outras qualidades, não menos
importantes, tais como significância do modelo e dos parâmetros, auto-regressão, distribuição
normal, correlações, etc. e que veremos adiante.
A análise gráfica é uma das ferramentas mais simples, mas não menos importante da
modelagem que visa promover o ajustamento do modelo de regressão. Permite, além das
informações já citadas que, em certos casos, como os demonstrados pelo gráfico 5, verifiquemos a
ocorrência de disposições em que, embora seja possível estabelecer uma reta entre os pontos como
representado no gráfico 6, não poderíamos assegurar que a equação matemática desta reta fosse
representativa do comportamento de mercado no intervalo entre X 2 e X 3 e ao realizarmos
simulações de valores neste intervalo estaríamos realizando uma “intrapolação” interna.
26
y2
y
1
xi
^
A estimativa de valor ( y ) do imóvel avaliando é dependente da variável “x”
correspondente ao mesmo imóvel, conforme se verifica na equação:

^
y = a + b 1 .x
Se o imóvel avaliando possui valor “Xi” situado entre os valores dos diferentes “xi”
contidos no intervalo compreendido entre X2 e X3, o valor de “y chapéu” será definido através de
interpolação. Quando o valor de “x” estiver fora da amplitude dos “Xi ” amostrais (Xi < X1 ; Xi > X4),
o cálculo será feito por extrapolação.
Quando efetuamos interpolação, corremos o risco de que, pela ausência de
informações de mercado (pontos vermelhos do gráfico 06) de que o valor projetado “Y1“ não reflita
o verdadeiro valor que seria o valor projetado “Y2“.
Ressalvadas as situações atípicas como a demonstrada nos pontos vermelhos do
gráfico 06 acima, o resultado estará em acordo com os dados amostrais e perfeitamente
enquadrado na equação de regressão obtida para os dados contidos no intervalo [a,b], conforme
indica o gráfico 07. Quando a variável “x” do imóvel avaliando estiver situada fora do intervalo
[a,b] definido pela amostra, pode ocorrer que o valor de “y chapéu” não se enquadre na linha de
regressão que seria obtida se fossem coletados elementos para o intervalo [b,c] conforme pode se
observar no gráfico 07, pois para aquele intervalo a forma funcional da curva pode sofrer
alterações.
27
Gráfico 07
Situações como esta não são difíceis de ocorrer. O gráfico 07 pode, por exemplo,
representar a variação do valor unitário de terrenos (y) em função da distância dos lotes a um
determinado pólo valorizante. É normal que, a partir de uma determinada distância, a influência
deste pólo sofra diminuição e até mesmo aproxime-se de zero mantendo o preço estável.
Por este motivo, a utilização do recurso de extrapolação deve ser feito de forma
criteriosa e, principalmente, dentro dos limites normativos, pois, caso contrário, o avaliador pode
estar obtendo resultados totalmente fora da realidade do segmento de mercado analisado.
A NBR 14.653-2 estabelece vários itens para que seja definido o grau de fundamentação
da avaliação, tanto no caso de utilização de modelos de regressão linear como no caso de utilização
de tratamento por fatores, e a extrapolação (sua ausência ou limites de utilização) é um dos itens
utilizados para o enquadramento deste grau de fundamentação.
A classificação quanto ao uso das extrapolações são as descritas abaixo (sendo Grau III
o maior grau de fundamentação e o Grau I o menor):
Grau I - admitida, desde que:
a) as medidas das características do imóvel avaliando não sejam superiores a 100% do limite
amostral superior, nem inferiores à metade do limite amostral inferior ;
b) o valor estimado não ultrapasse 20% do valor calculado no limite da fronteira amostral, para
as referidas variáveis, de per si e simultaneamente
28
Grau II - Admitida para apenas uma variável, desde que:
a) as medidas das características do imóvel avaliando não sejam superiores a 100% do limite
amostral superior, nem inferiores à metade do limite amostral Inferior;
b) o valor estimado não ultrapasse 15% do valor calculado no limite da fronteira amostral, para
a referida variável.
Grau III – Não admitida.
Além desta situação, outras poderão surgir que, se não analisadas corretamente pelo
profissional avaliador, poderão fazer com que este cometa erros “graves e grosseiros” como a
situação representada no gráfico 08. A tendência é que no ajustamento a reta de regressão (reta 1),
buscando minimizar o erro total, passe pela média do conjunto de pontos e pelo “ponto isolado”
como mostra o gráfico 09.
Entretanto, a reta que melhor representa o comportamento do mercado é a reta 2
(gráfico 09), mas devido a um ponto totalmente fora do conjunto de pontos o ajustamento ficou
distorcido, invertendo totalmente o comportamento do mercado (tendência).
Pontos, ou mesmo conjuntos de pontos, deste tipo são denominados pontos
influenciantes e como, possivelmente, não constarão como outliers, que serão tratados adiante,
somente uma análise gráfica poderá identificá-los (a definição de pontos outliers, ou pontos
errantes, será tratada mais adiante) .
Não é recomendável, entretanto, que apenas desconsideremos o dado, pois muitas
vezes trata-se de erro de coleta ou digitação e, desde que identificada a falha, basta corrigi-la e,
quem sabe, ainda considerar o dado amostral em questão. Neste aspecto, cabe ressaltar que o
objeto mais valioso do profissional de avaliação é a informação e, portanto, há que se envidar
29
todos os esforços para a preservação da informação, desconsiderando um elemento amostral
somente em último caso, fundamentado esta ação.
No gráfico 10 observamos um caso de dados provenientes de duas populações
distintas como, por exemplo, dados de oferta e transação que, em não sendo observados
graficamente, conduzirão a um ajustamento conforme a reta 1 do gráfico 10 quando o
comportamento de mercado deve ser explicado pela reta 2, conforme gráfico 11. Isto poderia ser
resolvido incluindo-se uma variável dummy ou dicotômica (variáveis que apresentam apenas uma
situação binária – sim ou não).
Considerando o exposto acima, torna-se imperioso promover o que denominamos de
ajustamento da curva que nada mais é do que a escolha da equação matemática que melhor
retrate o relacionamento entre as variáveis, ou seja, aquela que apresente o menor erro total. A
metodologia que iremos discorrer adiante permite este ajustamento de forma matemática e
estatisticamente fundamentada.
4.1 Correlações e Regressão Simples
Todo bem que tenha a capacidade de atender a uma necessidade, a um desejo e até
mesmo um capricho, pode ter atribuídas a estas qualidades uma quantidade de unidades
monetárias que represente o montante pelo qual possa ser objeto de transação ou troca, ou seja, ou
seu valor de mercado.
30
A obtenção de um valor médio de mercado para um determinado bem leva ao recurso
da comparação, ou seja, obtém-se o valor do bem avaliando comparando-se o preço de outros bens
ofertados ou transacionados no mercado em estudo.
Fácil perceber que a homogeneidade da amostra estará diretamente relacionada com a
homogeneidade da população, pesquisa de valor sobre produtos industrializados tem maior
probabilidade de que as amostras coletadas possuam valores próximos à média aritmética uma
vez que os preços praticados são atrelados diretamente ao valor de aquisição junto ao fornecedor o
que aumenta a confiabilidade sobre a obtenção de uma média amostral muito próxima da média
populacional.
Situação diversa é a do mercado de imóveis urbanos que é caracterizado por uma
população de características heterogêneas gerando uma amostra de características também
heterogêneas que podem gerar acréscimo ou decréscimo do valor do bem em função de fenômenos
mercadológicos relacionados à cultura local ou outros fatores sócio-econômicos. Pires da Silva
(2002) entende que qualquer amostra tomada ao acaso, contém elementos amostrais com valores
distantes da sua média aritmética sendo que as diferenças que geram estas variações podem ser
divididas em três partes:
1) diferenças físicas entre os dados;
2) fatores sócio-econômicos;
3) aleatoriedade do mercado.
A aleatoriedade sempre estará presente no mercado e está relacionado a uma

característica do ser humano, uma vez que as pessoas sofrem influências diferenciadas quando se
propõem a oferecer um preço para venda de um bem ou a aceitar um preço de compra. Esta será
uma variação que não será passível de explicação e constituirá os erros e resíduos não explicados
de uma amostra.
Enquanto em produtos industrializados não há diferenças físicas entre produtos de um

mesmo modelo e marca, possibilitando a obtenção de amostras homogêneas não é esta a situação
do mercado de imóveis urbanos, dada a grande heterogeneidade das amostras coletadas.
31
Caberá ao avaliador, então, através da modelagem dos dados, eliminar a maior parte
possível desta variação existente em torno da média em particular no que diz respeito às
diferenças físicas existentes entre os dados e a influência de fatores sócio econômicos sobre a
formação dos preços praticados.
4.1.1 Método dos mínimos quadrados
Plotando-se uma equação matemática ajustada em um gráfico juntamente com os pares

de valores X i ; Yi coletados em pesquisa, verifica-se que a maior parte deles estarão fora da curva
caracterizando a situação mais comum existente no mercado, a relação imperfeita entre as

variáveis, tendo cada um dos pares de valores uma distância vertical Di até a curva, conforme
demonstrado graficamente no Gráfico 14:
Gráfico 14
O melhor ajustamento será definido pela curva em que a soma dos quadrados dos
desvios dos diversos pontos em relação à mesma seja mínimo, conforme abaixo:
n
∑ D i 2 = D 1 2 + D 2 2 + D 3 2 + L D n 2 = mínimo (Equação 23)
i =1
32
Esta curva será designada como a curva de mínimos quadrados e ainda, para os casos
em que a relação seja linear, teremos a reta de mínimos quadrados.
O método dos mínimos quadrados pode ser assim resumido:
a partir da função matemática proposta procura-se minimizar o quadrado das
distâncias dos pontos obtidos na pesquisa à equação proposta;
o ajustamento permitirá análise quanto à consistência do modelo proposto;
análise do modelo proposto com outros, comparando-os e adotando aquele de
melhor aderência;
por fim, a função identificada como de melhor aderência representará a verdade
mercadológica para o segmento de mercado pesquisado;
4.1.2 Algoritmo básico para ajustagem simples
A “regressão” permite determinar o valor de uma variável que não conhecemos
(variável dependente ou explicada) em função do relacionamento desta com outras variáveis cujos
valores dispomos (variáveis independentes ou explicativas)
Se esta determinação ocorrer apenas em função de uma única variável independente
ou explicativa, estaremos diante de uma regressão simples, cujo ponto de partida será aquela de
mais simples relacionamento que é a relação linear entre as variáveis sendo representada pela
equação da linha reta entre dois pontos:
Onde:
y = a + b.x y = variável desconhecida (dependente);
x = variável 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” é igual a zero sendo denominado, portanto, de “intercepto”. Já a
constante “b” é o coeficiente angular da reta e também representa o incremento de “y” quando o
valor de “x” é aumentado de uma unidade (Gráfico 15).
33
∆y
b=
∆x
Gráfico 15
As constantes “a” e “b” também são denominadas estimadores da regressão, sendo “b”
o coeficiente da regressão e a reta é chamada de “reta de regressão de Y sobre X”. A verdadeira
equação de regressão linear, que corresponderia à população ou universo, é representada,
seguindo-se a nomenclatura adotada em estatística de que os parâmetros populacionais são
representados por letras gregas pela expressão:
Y = α + β1 .x1 (Equação 24)
Considerando, como já citamos anteriormente, a dificuldade ou mesmo
impossibilidade de utilização da população, trabalharemos com uma amostra de dados retirados
desta e o que faremos é estimar ou inferir o valor de avaliação, logo, temos que considerar uma
diferença entre o verdadeiro valor de “Y” e o estimado através da equação de regressão obtido
com os dados da amostra, o que leva a reescrever a Equação 20 da seguinte forma:

^
y = a + b1.x1 + e (Equação 25)
Onde:
^
y = chamado “y chapéu”, corresponde ao valor “estimado” para a variável “Y”;
a = parâmetro estimado para o intercepto α ou “estimativa” de α ;
b1 = valor estimado para o coeficiente de regressão β1 , ou “estimativa” de β1 ;
x 1 = variável independente, também chamado “regressor”;
e = erro total da regressão amostral em relação à verdadeira equação de regressão,
também conhecido como desvio ou disturbância da regressão;
34
O erro é definido por:

^
e = Yi − y i (Equação 26)
Este erro pode ocorrer em função de:
a) erros provenientes de falhas na execução da pesquisa de mercado;
b) erros oriundos da não identificação ou não consideração de variáveis influenciantes
na formação do valor e que são denominados erros estocásticos.
O erro tem papel fundamental nas conclusões que são obtidas sobre o modelo
matemático adotado e, no estudo que desenvolveremos a seguir, as fórmulas somente conterão o
termo referente ao erro quando necessário, ficando o mesmo subentendido nas demais situações.
No método dos mínimos quadrados já vimos que o modelo matemático que
promoverá o melhor ajustamento para a reta é aquele em que “a soma dos quadrados dos desvios, em
relação à reta, é um mínimo”. Assim, considerando-se:
Y = α + β1 . X = reta de regressão de Y em X (Equação 27)

^
y i = a + b 1 . x i = estimativa da reta de regressão de Y em x (Equação 28)
Para “n” dados amostrais:
 2
n ^
∑
i =1
(
 iy − y i )  = mínimo ou

(Equação 29)
n ^ 2  n [(
∑ ( y i − y i )  = mín  ∑ y i − a − b 1 . x i
i =1   i =1
)2 ] (Equação 30)
Para minimização da Equação 30 é necessário que as derivadas parciais em relação às
constantes “a” e “b” sejam nulas, logo:
∂y ∂y
= 0 ( zero ) e = 0 ( zero)
∂a ∂b1
35
Elaborando os procedimentos de derivação, teremos:

∂y
[
= ∑ ( 2 ).( − 1 ) . ( y i − a − b 1 . x i ) = 0 e
n
] (Equação 31)
∂a i =1
∂y n
[
= ∑ ( 2 ). (− x i ). (y i − a − b 1 . x i )] = 0 (Equação 32)
∂b i =1
Promovendo-se as simplificações possíveis nas fórmulas acima, temos:

n n
∑ yi = n .a + b1 ∑ x i (Equação 33)
i =1 i =1
∑ (x i . Yi ) = a . ∑ x i + b 1 ∑ (x i 2 )
n n n
(Equação 34)
i =1 i =1 i=1
As equações 33 e 34 formam o que chamamos de “equações normais da reta de
mínimos quadrados” e formam um sistema de duas equações com duas incógnitas (“a” e “b”) que,
uma vez solucionado, permite obter o valor dos dois parâmetros.
Para simplificarmos o cálculo dos parâmetros “a”e “b” podemos utilizar uma tabela
n n n n
∑ X ; ∑Y ; ∑ (X i .Yi ) e ∑X
2
com todos os valores inclusos no sistema, quais sejam: i i i :
i =1 i =1 i =1 i =1
Tabela 5
Variável Variável
Operações
Evento explicativa explicada
xi yi xi2 (x i . y i )
1
2
3
...
n
∑ (x i . y i )
n n n n
Somas ∑ xi ∑ yi ∑ xi2
i =1 i =1 i =1 i =1
Médias média (x i ) média ( y i )
36
4.1.3 Método dos Mínimos quadrados (Exemplo prático)
A princípio, tomemos uma coleta de sete terrenos que se situam próximos uns aos
outros, cujos valores de venda estão informados na Tabela 1:
Tabela 1
Terreno Valor Total *
700 70
300 40
500 55
400 50
500 60
800 80
600 65
* Valores em R$ 1.000,00
A estimativa do valor médio de mercado para a população em estudo seria dada pela
média aritmética desta amostra conforme notação abaixo:
Onde:
−
n y = média aritmética da amostra;
− ∑y i
yi = os terrenos da amostra (1 ≤ i ≤ n);
y= i =1
n n = número de elementos amostrais
Logo:
− 70 + 40 + 55 + 50 + 60 + 80 + 65 420
y= = = 60
7 7
A partir dos cálculos acima, poderíamos entender que se os terrenos pesquisados
fossem exatamente iguais, o valor médio de mercado seria de R$ 60.000,00 e as diferenças seriam
exclusivamente devidas a fatores sócio-econômicos e aleatoriedade do mercado, entretanto, no
mercado de imóveis, diferentemente do mercado de produtos industrializados, não há esta
homogeneidade de características, os terrenos, assim como casas, apartamentos, salas, lojas, etc.,
divergem entre si, em função de suas características físicas tais como frente, profundidade, índices
legais de ocupação e aproveitamento, etc. e isto gera uma variação dos valores em torno da média
aritmética que é definida como Variação Total (Vt) sendo que nela estarão contidas tanto as
variações relativas às diferenças físicas e aspectos sócio-econômicos como as que se referem a
aleatoriedade do mercado.
37
A variação total, no que diz respeito à aleatoriedade de mercado, não será reduzida
uma vez que esta variação não pode ser explicada, mas poderá ser reduzida através da redução
dos efeitos que dizem respeito a outras influências presentes no mercado (diferenças físicas e
fatores sócio-econômicos).
Para o exemplo em estudo, iremos inicialmente determinar qual é o valor da Variação
Total (Vt). Para isto, não basta tomarmos o somatório das diferenças entre os valores dos
elementos amostrais e a média aritmética obtida posto que o resultado será nulo em razão de que
um dos princípios da média aritmética é que as diferenças positivas são anuladas pelas diferenças
negativas, como podemos ver na tabela 2:
Tabela 2
− −
Terreno Valor Total ( yi )* Valor médio ( y )* Diferença ( yi − y )*
1 70 60 10,00
2 40 60 -20,00
3 55 60 -5,00
4 50 60 -10,00
5 60 60 0,00
6 80 60 20,00
7 65 60 5,00
TOTAL 420 0
Assim, iremos optar pelo método que utiliza elevar as diferenças ao quadrado, como
forma de eliminar o efeito do sinal, obtendo uma representação mais correta da Variação Total
(Vt), cujos resultados podemos aferir na tabela 3:
Tabela 3
Valor Total Valor médio Diferença (Diferença)2
Terreno − − −
( yi ) * (y)* ( yi − y ) * ( yi − y )2 **
1 70 60 10,00 100
2 40 60 -20,00 400
3 55 60 -5,00 25
4 50 60 -10,00 100
5 60 60 0,00 0
6 80 60 20,00 400
7 65 60 5,00 25
TOTAL 420 420 0 1.050
* Valores em R$ 1.000,00 / ** Valores em R$ 1.000.000,00
38
Assim, a Variação Total (Vt) dada pela soma dos quadrados das diferenças entre os
valores dos elementos amostrais e a sua média aritmética, teremos que o valor, para este exemplo,
será de Vt = R$ 1.050.000.000,00.
Considerando que além da influência da aleatoriedade do mercado na formação de
valor, influência esta que não será passível de redução, existem também interferências das
diferenças físicas e dos fatores sócio-econômicos, iremos tratar, num primeiro plano, das
influências relativas às características físicas entre os elementos amostrais, demonstrando através
de metodologia técnica que a maior parte das variações em torno da média aritmética são
decorrentes destas últimas.
O foco inicial deve ser na identificação das variáveis que sejam facilmente obtidas e que
tenham maior grau de influência na formação do valor, é neste momento que tem peso a
experiência do profissional avaliador.
Para o exemplo em estudo, conforme informado na Tabela 4, iremos adotar a Área
Total (At) dos lotes como sendo uma das características físicas que tem influência na formação do
Valor Total, o que é natural posto que, em geral, os terrenos apresentam diferenças de área e esta
é, geral, uma variável de grande peso na formação do valor total fazendo com que terrenos de
áreas maiores possua valores totais também maiores 4.
Tabela 4
Terreno Área (m²) Valor Total*
1 700 70
2 300 40
3 500 55
4 400 50
5 500 60
6 800 80
7 600 65
Se plotarmos os correspondentes pares de valores da variável Valor Total (Vt) e Área
Total (At) obteremos a situação representada pelo Gráfico 12:
4
cabe ressaltar que esta conclusão pressupõe a inexistência de outras variáveis influenciantes no valor, pois no mercado de
imobiliário poderá ocorrer a situação em que mesmo possuindo área maior um terreno valha menos do que outro com área menor em
função da influência de outras características, em especial a localização e infra-estrutura urbana.
39
90 Gráfico 12
6
80
1
70 7
5
60
Valor Total
(R$ 1.000,00)
50 3
4
40
2
30
20
10
0
0 200 400 600 800 1000
Área Total (m²)

Partindo-se da média aritmética simples, obtivemos o resultado de R$ 60.000,00, valor
este que não se altera independentemente do fato de que os terrenos possuam áreas diferentes,
sendo que a Variação Total (Vt) em torno da média aritmética é obtida através do somatório do
quadrado das diferenças entre os valores totais dos elementos amostrais e a média aritmética,
−
portanto adicionando-se ao gráfico 1 a reta representada pela média aritmética ( y ) e as diferenças
“ d i ” existentes entre os valores totais de cada elemento amostral , teremos o gráfico 13:
90 Gráfico 13
6
80
d1 = 10
70
1 d6 d 2 = −20
7
d 3 = −5
Valor Total
(R$ 1.000,00)
− d1
y = média 5 d7
60 d 4 = −10
d4 d3 d5 = 0
3
50 d2
4 d 6 = 20
40
d7 = 5
2
30
0 200 400 600 800 1000
Área Total (m²)
40
Considerando a média aritmética de 60 e a Variação Total de 1.050, podemos escrever:

−
y = 60 e Vt = d 12 + d 22 + d 32 + d 42 + d 52 + d 62 + d 72 = 1.050
Considerando que a equação da reta é y = A + Bx , onde y representa o valor total dos
diversos elementos amostrais e x representa a área total de cada um deles, sendo A o coeficiente
linear da reta (ponto de interseção com o eixo dos y) e B o coeficiente angular da reta (tangente do
ângulo que a reta faz com a abscissa), teremos para o caso da reta que representa a média, um
coeficiente B=0 (nulo)uma vez que a reta é paralela ao eixo das abscissas e um coeficiente linear
A=60 que corresponde ao próprio valor da média, do que resulta:
y = A + Bx ∴ y = 60 , pois A=60 e B=0 (Equação 22)
Quando utilizamos a média como uma reta de regressão, embora o valor dos terrenos
não se altere (em função do coeficiente angular nulo), a Variação Total quadrática em torno de sua
média é grande (1.050). Para reduzir esta variação devemos identificar uma outra reta, diferente da
reta dada pela média aritmética, que se aproxime o máximo possível de todos os elementos da
amostra. A reta inclinada representada no gráfico 16 é uma estimativa da média populacional cuja
variação quadrática deve ser inferior aos 1.050 obtidos em relação à média aritmética.
90 Gráfico 16
^
yi = A + B.xi
80
y6
70 y7 y1
Valor Total
−
(R$ 1.000,00)
y = 60 (média) y5
60
y3
50 y4
40
y2
30
0 200 400 600 800 1000
Área Total (m²)
41
^ ^
A equação desta reta é dada pela fórmula y = A + B.x , onde y será o novo valor
médio do terreno no segmento de mercado, neste caso não mais um valor constante, mas variando
de acordo com a variável x que representa a respectiva área total do terreno.
Ao determinarmos a equação desta reta, teremos condições de calcular as distâncias
dos pontos que representam cada um dos elementos amostrais até a mesma e o somatório dos
quadrados destas distâncias fornecerá uma Variação Residual dos elementos amostrais em torno
da média estimada em função da nova reta e cuja expectativa é de que seja inferior à Variação
Total obtida considerando-se a reta data pela média aritmética que foi de 1.050.
Fica claro que poderão existir infinitas retas que permitam uma Variação Residual
inferior a Variação total, entretanto, irá nos interessar, em particular, aquela que fornecer a menor
Variação Residual e que será aquela que passa, ao mesmo tempo, o mais próximo de todos os
pontos que representam os diversos elementos amostrais.
Se denominarmos as diversas distâncias dos pontos que representam os elementos
amostrais y i até a reta de regressão (reta inclinada) por ei sendo que 1 ≤ ei ≤ n, onde n é o
número de elementos amostrais (no nosso caso, sete elementos), poderemos escrever as seguintes
equações:
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 médios estimados pela reta de regressão para os
elementos amostrais ( yi ) em função da área ( xi ) respectivos, logo, considerando que a variação
( )
residual é dada pelo somatório dos quadrados destas distâncias ei2 , podemos escrever a seguinte
equação:
7
Vr = e12 + e22 + e32 + e42 + e52 + e62 + e72 ou ainda Vr = ∑e
i =1
2
i (Equação 35)
42
Podemos também escrever a mesma equação, de forma genérica, da forma abaixo:

n n
Vr = ∑ [ y i − ( A + B.xi )] = ∑ ( y i − A − B.xi )
2 2
(Equação 36)
i =1 i =1
A reta que procuramos, ou seja, aquela que estará o mais próximo possível de todos os
elementos amostrais é aquela que resultar no menor somatório para a fórmula acima, portanto, de
acordo com a lei dos mínimos, os coeficientes A e B que irão permitir a obtenção deste somatório
mínimo serão aqueles para os quais as derivadas parciais de cada um dos coeficientes em relação a
equação de Vr seja igual a zero (valor nulo). Portanto, a derivada parcial em relação a A é:
N
∂ ∑ ( y i − A − B.xi )
2
∂Vr N n
= I =1
= ∑ 2( y i − A − B.xi ) ⋅ (− 1) = −2∑ ( y i − A − B.xi ) = 0
∂A ∂A I =1 i =1
Assim,
n n
∑ yi − n ⋅ A − B ⋅ ∑ x = 0
i =1 i =1
(Equação 37 – primeira equação de regressão )
i
Através do mesmo procedimento, a derivada parcial em relação a B é:
N
∂ ∑ ( yi − A − B.xi )
2
∂Vr
( )
N n
= I =1
= ∑ 2( yi − A − B.xi ) ⋅ (− xi ) = −2∑ xi ⋅ yi − A ⋅ xi − B.xi2 = 0
∂B ∂B I =1 i =1
Logo,
n n n
∑ xi ⋅ yi − A ⋅ ∑ xi − B ⋅ ∑ xi2 = 0
i =1 i =1 i =1
(Equação 38 – segunda equação de regressão )
Podemos compor, finalmente, o seguinte sistema de equações:

n n
∑ yi − n ⋅ A − B ⋅ ∑ x = 0
i =1 i =1 i
n n n
∑ xi ⋅ yi − A ⋅ ∑ xi − B ⋅ ∑ xi2 = 0
i =1 i =1 i =1
Para solução deste sistema, cujas incógnitas são A e B, uma vez que n é conhecido
(n=7), é necessário calcularmos os somatórios abaixo e preenchermos a Tabela 5:

n n n n
∑ yi , ∑ xi ; ∑ xi ⋅ yi e ∑ xi2
i =1 i =1 i =1 i =1
43
Tabela 5
Área Total Valor Total
Elemento xi2 xi ⋅ y i
xi ( yi )
1 700 70 490.000 49.000
2 300 40 90.000 12.000
3 500 55 250.000 27.500
4 400 50 160.000 20.000
5 500 60 250.000 30.000
6 800 80 640.000 64.000
7 600 65 360.000 39.000
Somas 3.800 420 2.240.000 241.500
Médias 542,86 60
Substituindo-se os valores nas equações de regressão, temos o seguinte sistema de
equações:
 420 − 7 ⋅ A − 3.800 ⋅ B = 0

241.500 − 3.800 ⋅ A − 2.240.000 ⋅ B = 0
A solução deste sistema fornece os seguintes valores para A e B:
A = + 18,62903226 e B= + 0,07620967742
Conhecendo-se os coeficientes da reta de regressão, aquela que passa o mais próximo
possível de todos os pontos representados pelos elementos amostrais, reduzindo o valor da
variação quadrática (variação do somatório dos quadrados das distâncias dos pontos à reta de
regressão) reduzindo ao máximo a Variação Residual (Vr), podemos finalmente escrever a equação
da reta de regressão conforme abaixo:

^
y i = + 18,62903226 + 0,07620967742 . xi
4.1.4 Variação Residual a partir da reta de regressão
Anteriormente ao cálculo da variação residual, valor dado pelo somatório do quadrado
das diferenças entre os valores dos dados e a média estimada para cada um deles, é necessário
calcularmos o valor médio fornecido pela reta de regressão para cada um dos terrenos (elementos
amostrais) de acordo com a sua variável área total ( xi ), conforme abaixo:
44
^
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 média estimada pela reta de regressão ( y i ), podemos calcular, para cada
elemento da amostra, a Variação Residual (Vr), aquela dada pelo valor coletado e o valor
calculado na reta de regressão (vide tabela 6):
Média estimada Diferença ao quadrado

elemento Valor coletado Diferença 2
^ ^  ^

ei =  y i − y i 
2
amostral yi yi ei = y i − y i
 
1 70 71,98 -1,98 3,90
2 40 41,49 -1,49 2,23
3 55 56,73 -1,73 3,01
4 50 49,11 0,89 0,79
5 60 56,73 3,27 10,67
6 80 79,60 0,40 0,16
7 65 64,35 0,65 0,42
∑
7
i =1
420 420 0,00 21,17 (*)
(*) Variação Residual Vr
4.1.5 Cálculo do coeficiente de determinação (r²) do modelo
O gráfico 17 representa uma pesquisa de mercado e a decorrente reta de regressão

^
entre “X” e “Y” ( y = a + b 1 .X ):
45
Gráfico 17
No gráfico podemos observar que:
−  ^ −  ^ 
y i − y =  y i − y  +  y i − y i  (Equação 39)
   
−
O que equivale dizer que o desvio total ( y i − y ) é obtido pela soma do desvio
^ − ^
explicado pela regressão ( y i − y ) com o desvio residual não explicado pelo modelo ( y i − y i ) de
onde:
n  − n ^ − n  ^ 
∑  yi − y = ∑  yi − y + ∑  yi − yi  (Equação 40)
i = 1  i = 1  i = 1 
A igualdade permanece se todos os membros forem elevados ao quadrado, logo:
n  − 2 n ^ − 2 n  ^  2
∑ yi − y = ∑  yi − y + ∑  yi − yi  (Equação 41)
i = 1  i = 1  i = 1 
Sendo que:
n  − 2
∑  y i − y  = variação total
i = 1 
n − 2
^
∑  yi − y  = variação explicada
i = 1 
n ^ 2
 
∑  y i − y i  = variação não explicada
i = 1 
46
Sendo denominada variação a soma dos desvios elevados ao quadrado.
O coeficiente de determinação (r²), é obtido pelo quociente da variação explicada e a
variação total:
2 2
^ − ^ −
n n
∑  y − y
variação explicada de y i =1  i  =
∑  yi − y 
i =1  
r =
2
= n 2
(Equação 42)
− − 2 2
     
variação total de y n ^ n ^
∑  yi − y 
i =1  
∑  y i − y  + ∑  yi − y i 
i =1   i =1  
O coeficiente de determinação (r²) varia de zero a um e representa a porcentagem de
ajustamento (aderência dos pontos coletados na pesquisa com a equação de regressão) do modelo.
Para o exemplo que estamos utilizando, a variação residual (Vr) calculada através do
somatório dos quadrados das diferenças entre os valores totais dos elementos amostrais e os
∑
n 2
respectivos valores estimados através da reta de regressão ( e ) é 21,17, o que demonstra que
i =1 i
a reta de regressão conseguiu reduzir significativamente a Variação total (Vt = 1.050) que é dada
pela soma dos quadrados da diferença entre os valores totais de cada elemento e a reta
representada pela média.
A variação explicada pode ser obtida pela diferença entre a Variação Total (1.050) e a
variação residual (21,17) do que obtemos que a variação explicada é de 1.028,83 e fazendo uso da
equação 37, podemos obter o coeficiente de determinação ( r 2 ) do modelo de regressão:
variação explicada de y 1.028,83

r2 = = = 97,98%
variação total de y 1.050,00
4.1.6 Coeficiente de correlação (r)
O grau de relação entre as variáveis expressa o nível de influência que uma exerce
sobre a outra e é definido numericamente pelo coeficiente de correlação, representada pelo
símbolo “r“ e que varia entre os limite (-1) e (+1), logo:
(-1) ≤ r ≤ (+1)
47
Coeficiente de correlação nulo (r=0) indica que não há relacionamento entre as duas
variáveis 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 variáveis alteram-se no mesmo sentido, ou seja, o acréscimo da
variável independente irá ocasionar um aumento da variável dependente e, no caso contrário, um
decréscimo na variável dependente irá significar uma diminuição do valor da variável dependente
(Gráfico 18).
(correlação positiva) (correlação negativa)
O sinal negativo também indica que as variáveis se relacionam, entretanto, variam em
sentido oposto, ou seja, para um acréscimo da variável independente ocorrerá um decréscimo da
variável dependente ou vice-versa (Gráfico 19).
O nível de relacionamento, segundo o módulo do valor numérico obtido para “r” pode
ser classificado segundo a tabela abaixo:
Tabela 6
r = 0 ......... relação nula
0 < r ≤ 0,30 ......... relação fraca
0,30 < r ≤ 0,60 ......... relação média
0,60 < r ≤ 0,90 ......... relação forte
0,90 < r ≤ 0,99 ......... relação fortíssima
r = 1 ......... relação perfeita
48
Embora o coeficiente de correlação seja um elemento de grande importância na análise
do modelo utilizado no trabalho avaliatório, cabe ressaltar que não é o único e, por si só, não
permite conclusões definitivas sobre a equação utilizada. Invariavelmente ocorrem situações em
que, em função de outros fatores de maior importância e significado, regressões de correlações
menores são utilizados em detrimento de regressões cujas correlações são maiores.
4.1.7 Coeficiente de correlação (r) do modelo
O coeficiente de correlação (r) do modelo ajustado é numericamente definido pela raiz
quadrada do coeficiente de determinação (r²) cuja fórmula geral é dada pela Equação 43 e pode ser
utilizada para qualquer regressão:
n  ^ − 2
∑  yi − y 
i = 1 
r = r2 = (Equação 43)
n  − 2
∑  yi − y 
i = 1 
4.1.8 Coeficiente de correlação (r) do parâmetro
O coeficiente de correlação entre as diversas variáveis (dependente e independentes),
para o caso de regressão linear simples, pode ser calculado através da seguinte fórmula:
n  − −
 
∑   x i − x  . y i − y  
i = 1   
r = (Equação 44)
n − 2 n − 2
   
∑  xi − x  . ∑  yi − y 
i = 1  i = 1 
A fórmula acima, no caso da regressão linear simples, representa a correlação entre a
única variável independente (x) e a variável dependente (y) e, assim, o quadrado da correlação
desta variável representará também o coeficiente de determinação do modelo.
4.1.9 Desvio padrão do modelo
O desvio padrão de um modelo com “p” parâmetros estimados e considerado o

^
ajustamento a “n” dados y i ajustados por uma equação y i , é fornecido pela seguinte fórmula:
49
2
n
 ^

∑  yi − y i 
i =1  
se = (Equação 45)
(n − p )
Como se trata de regressão linear simples temos que p=2 e podemos reescrever a
Equação 45:
2
n
 ^

∑  i
i =1 
y − y i 

se = (Equação 46)
(n − 2)
Na Equação 45 o denominador (n-p) representa o número de graus de liberdade do
modelo, pois cada parâmetro estimado provoca a “perda” de um grau de liberdade.
O quadrado do desvio padrão fornece a variância do sistema, ou seja, média do

 n  ^ 2 
quadrado dos resíduos  ∑ yi − yi   . Esta medida é importante pois entre vários modelos
i = 1  

considerados satisfatórios, o mais apropriado é a adoção daquele que menor variância tiver pois
este é o que permitirá estimativas mais precisas e menor distância entre os limites do intervalo de
confiança.
É relevante também destacar que uma determinada variável é importante para explicar
a variabilidade dos preços se a sua inclusão gerar uma redução na variância residual e será tanto
mais importante quanto maior for a redução verificada, ou seja, se a redução for insignificante, não
será interessante incluir a variável.
4.1.10 Significância dos parâmetros (regressores)
A significância individual de um parâmetro βj é medida através do teste “t” isolado. As
hipóteses a serem testadas são:
H 0 : β j = 0 ,
H : β ≠ 0 Hipótese 1
 1 j
Testar a hipótese acima para uma parâmetro β1 , correspondente a uma variável X1, é
semelhante a testar:
50
H 0 : a variável X 1 não é importante no modelo, contra
H1 : a variável X 1 é importante no modelo para explicar o fenômeno em estudo e

deve participar do modelo.
Assim, o que se pretende é rejeitar a hipótese nula (H0), já que o avaliador presume que
a variável em teste influi na formação dos preços. Uma vez verificada e aceita a normalidade dos
resíduos, a estatística de teste é:
bj − β j
t *j = (Equação 47)
s (b j )
Onde s(bj) é obtido pelo quociente do desvio-padrão do modelo pela variância total da
variável independente a que se refere o parâmetro bj.
Demonstra-se que ‘t*‘ tem distribuição “t” de Student com “n-p” graus de liberdade
onde “n” é o número de dados amostrais e “p” é o número de parâmetros estimados. Isto é, para o
modelo de regressão simples: n-2 graus de liberdade.
Para se testar a hipótese 1 a um nível de significância α para um modelo de regressão
linear simples, compara-se:
bj
t *j =
()
onde: (Equação 48)
s bj
()
s b j = se .
n
1
− 2
e (Equação 49)

∑  Xi − X 
i = 1 
n  ^  2
∑  Yi − Y i 
i =1  
se = (Equação 50)
n − 2
51
Como t(1-α/2;n-2) é um valor tabelado, se t* for superior a t(1-α/2;n-2), rejeita-se H0, indicando
que a variável correspondente ao parâmetro testado é importante para explicar o fenômeno.
A significância dos regressores, segundo a NBR 14.653, Parte 2, será utilizada para
definir o grau de fundamentação da avaliação, no caso de utilização de modelos de regressão
linear, conforme contido no item 5 da tabela 1(item 9.2.1), que transcrevemos abaixo:
Grau de fundamentação
Descrição
III II I
Nível de significância á (somatório
do valor das duas caudas) máximo
10% 20% 30%
para a rejeição da hipótese nula de
cada regressor (teste bicaudal)
4.1.11 Significância do modelo (Distribuição de Snedecor)
De forma análoga, a hipótese a ser testada é a mesma que para um parâmetro
individual visto que o modelo tem somente um parâmetro a ser testado, qual seja (Hipótese 2):
H 0 : o coeficiente angular da reta de regressão é nulo e o comportamento de
H 0 : β1 = 0 mercado é explicado por uma reta horizontal;

H : β ≠ 0
 1 1
H1 : o coeficiente angular da reta de regressão é diferente de zero e o
comportamento de mercado é explicado por uma reta inclinada.
A visualização gráfica deste teste de hipóteses é a mostrada no Gráfico 20:
Gráfico 20
52
Considerando-se um modelo de regressão linear simples ajustado a uma amostra de n

− 2 2 − 2
n
  n
 ^
 n
^ 
dados, temos que ∑  i
i =1 
y − y 

= ∑  i
i =1 
y − y i 

+ ∑  yi −
i =1 
y  e encontramos os seguintes graus

de liberdade para cada um dos somatórios:
− 2
 
n
−
(n-1) para ∑  y i − y  pois conhecemos somente parâmetro estimado que é y ;
i =1  
2
 
n ^
(n-2) para ∑  y i − y i  pois envolve os parâmetros estimados “a” e “ b 1 ” que são
i =1  
^
os coeficientes da reta de regressão definida por y ;
n ^ − 2
1 (um) para ∑  y i − y  , resultado da diferença entre (n-1)-(n-2).
i = 1 
Dividindo-se cada um dos somatórios pelos seus respectivos graus de liberdade,
encontram-se as respectivas variâncias:
n  −  2
∑  yi − yi 
i = 1 
Variância Total = (Equação 51)
(n − 1)
n  ^  2
∑  yi − yi 
i = 1 
Variância não explicada = (Equação 52)
( n − 2)
2
^ −  n
∑  yi − yi 
i =1  
Variância explicada = (Equação 53)
1
A partir disto podemos montar uma tabela de análise de variância, também conhecida
como tabela da ANOVA que, para o caso de regressão linear simples é dada por:
Graus de
Variação Soma dos Quadrados Variância
Liberdade
n ^ − 2 n ^ − 2
Explicada SQR = ∑  y i − y  1 ∑  yi − y  1
i = 1  i = 1 
2 2
Não n ^ n  ^ 
SQE = ∑  y i − y i  n-2 ∑  yi − yi  (n − 2 )
explicada i = 1  i = 1 
n − 2 n  −  2
Total SQTO = ∑  y i − y i  n-1 ∑  yi − yi  (n − 1)
i = 1  i = 1 
53
Através da análise do gráfico 20 podemos verificar que a situação ideal será aquela
onde a variância explicada seja grande e a variância não explicada pequena. Assim, para se testar
a significância global do modelo, analisa-se a razão entre essas duas variâncias, pela estatística:
 n ^ − 2  n ^ 2
−
 ∑  y i − y  1 ∑  yi − y 
Fc = i = 1    =
i = 1  . (n − 2 ) (Equação 54)
n  ^ 2  n  ^ 2
∑ i y − y (n − 2 ) ∑  yi − yi  1
i i = 1 
i = 1   
Quanto maior o fator Fc maior a probabilidade de o modelo ser aceito para explicar o
fenômeno em estudo e, conforme demonstrado estatisticamente, o fator Fc , sob a hipótese H0, tem
distribuição de Snedecor com “k” graus de liberdade no numerador e “n-k-1” no denominador
que, para o caso específico da regressão linear simples representa “um” grau de liberdade no
numerador e “n-2” graus de liberdade no denominador, sendo que, através do tabelamento feito
por Fischer, os pontos críticos para um nível de significância α é simbolizado por F(α ; k ; n − k − 1) que
no caso da regressão linear simples é dado por F(α ;1; n − 2 ) . Estes pontos estão nas tabelas 2 e 3 para
os níveis 5% e 1% (vide APÊNDICES), onde o número dos graus de liberdade do numerador (√1=k)
indica a coluna e o número dos graus de liberdade no denominador (√2=n-k-1) indica a linha onde
se localiza o ponto crítico correspondente.
Isto implica dizer que, para rejeitar a hipótese nula de não haver regressão do modelo
ao nível de significância α, é necessário que Fc (F calculado) seja superior a F(α ;k ;n −k −1) , caso
contrário, dentro do percentual de significância adotado, há indícios de que a reta inclinada não
explica o fenômeno melhor que a reta horizontal, devendo esta última ser a escolhida.
Excetuando-se os valores das significâncias 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 estatísticos realizados (o
que inclui a significância do modelo), os níveis de significância máximos e que transcrevemos
abaixo:
54
Descrição
III II I
Nível de significância máximo admitido
para a rejeição da hipótese nula do 1 2% 5%
modelo através do teste F de Snedecor
4.1.12 Intervalo de Confiança
^
O intervalo de confiança para um nível de (1-α), em torno de um ponto  x 0 ; y 0  , sobre
 
a reta de regressão,é calculado por:
− 2
 
 x0 − x 
+  
^ 1
Y = y 0 ± t1−α / 2;(n− k −1) ⋅ s e (Equação 55)
n − 2
n
 
∑  xi − x 
i =1  
Onde:
Y = valor da variável desconhecida na verdadeira reta de regressão
x o = valor atribuído à variável independente;

^
y o = valor estimado da variável dependente;
t 1 − α / 2 ; ( n − k − 1 ) = coeficiente de Student
α = significância adotada
n = número de dados amostrais;
k = número de parâmetros estimados;
s e = desvio padrão do modelo;
− 2 −
  = desvio do valor da variável x0 em relação à média x .
 x0 − x 
 
n  − 2 −
 = desvio do valor da variável xi em torno de sua média x .
∑  xi − x 
i = 1 
A NBR 14.653, utiliza a amplitude do intervalo de confiança para classificar a avaliação
quanto a sua precisão, conforme tabela 5 do item 9.2.3 e que transcrevemos abaixo:
55
Grau de precisão
Descrição
III II I
Amplitude do intervalo de confiança de 80%

≤ 30% ≤ 40% ≤ 50%
em torno do valor central da estimativa
Como se pode observar na Equação 55, a menor amplitude do intervalo ocorre quando
o bem avaliando possui características iguais à média das características dos dados amostrais, isto
−
é, x 0 = x . As maiores amplitudes ocorrem na fronteira do campo amostral.
Em resumo, as estimativas mais precisas ocorrem para avaliações próximas às
características médias dos dados de referência e as mais imprecisas, nas extremidades conforme a
variação do intervalo de confiança demonstrado no gráfico 21:
menor amplitude do intervalo

de confiança ocorre na média
-x
Gráfico 21
56
4.1.13 Auto-Regressão
A auto-regressão ocorre quando verificamos existir correlação serial na formação dos
valores da variável dependente, o que poderá ter impacto quanto ao procedimento de mínimos
quadrados, quais sejam:
as variâncias amostrais dessas estimativas podem ser excessivamente grandes;
as fórmulas de aplicação dos mínimos quadrados não tem mais validade, nem os
testes “t” e “F”;
as projeções de valor serão ineficientes.
A forma que dispomos para testar a ocorrência de auto-regressão é demonstrarmos
que os erros são não-correlacionados e, portanto, independentes. Para isto utilizamos o Quociente
de Von-Neumann ou Estatística de Durbin-Watson.
A cada yestimado pelo modelo inferido, tem-se um yi original, retirado do campo

^
amostral. A diferença entre eles resulta no erro (resíduo) da regressão neste ponto: e i = y i − y .
Assim, ordenando-se a variável suspeita de auto-regressão, construímos o algoritmo:
^ Resíduos Diferença
xi yi
yi Δ Δ² ei 2
(ordenado) ei ei −1
(estimado) ei − ei − 1
∑ ∑Δ² ∑ ei 2
Sendo que a Estatística de Durbin-Watson é dada pela Equação 56, cujo resultado
deve ser cotejado com um valor tabelado (crítico), identificado pelo número de elementos da
amostra (n), nível de significância e número de regressores (k).
∑∆ 2
d= i =2
n
(Equação 56)
∑e
i =1
i
2
57
As tabelas 4, 5 e 6 (vide APÊNDICES) fornecem quocientes críticos d L e d U (Durbin-
Watson), conforme o gráfico abaixo:
f (d)
e onde se tem:
Gráfico 22
Se d < d L ou d > 4 − d L existe auto-regressão positiva ou negativa,
respectivamente, ao nível de significância estabelecido;
Se d > d U ou d < 4 − d U não existe auto-regressão ao nível de significância
estabelecido;
Se d L < d < d U ou 4 − d U < d < 4 − d L , o teste será inconclusivo.
Também podemos fazer a verificação quanto à existência da auto-regressão
visualmente através da análise do gráfico “resíduos x valores estimados”. Na gráfico 23 podemos
observar que os pontos estão distribuídos de forma aleatória revelando que não há auto-regressão.
Gráfico 23
58
Quando o gráfico de resíduos analisados apresentar uma formação geométrica que
denotem algum tipo de tendência como o apresentado na no gráfico 24, indicando a não
aleatoriedade dos resíduos, há indícios da existência de auto-regressão.
Gráfico 24
As tabelas 4 e 5, incluídas no APÊNDICES, apresentam a estatística d tabelada por
Durbin-Watson para os níveis de significância de 5% e 1%, respectivamente, considerando
ajustamentos de modelos com 06 até 100 observações, com até cinco variáveis independentes,
estabelecendo limites críticos d L e d U .
4.1.14 Homocedasticidade
^
Um gráfico de resíduos ( e i ) versus os valores ajustados pelo modelo de regressão ( y i ),
apresentando pontos distribuídos aleatoriamente em torno de uma reta horizontal, sem nenhum
padrão definido, com o formato do gráfico 23 (acima), é um indicador favorável a aceitação da
hipótese da variância constante para o erro; em caso contrário, se os pontos apresentarem alguma
tendência, como podemos verificar no gráfico 24 (acima), conclui-se que a variância do erro não é
constante.
Na primeira situação o modelo é denominado homocedástico e na segunda,
heterocedástico. Os modelos homocedásticos são os mais desejáveis, pois indicam a não existência
de outros efeitos que possam influenciar o modelo ajustado.
59
4.1.15 Normalidade dos Resíduos
Os resíduos e i (erros) devem constituir-se numa distribuição próxima da curva
normal. A análise de um histograma de resíduos é uma das formas de se analisar a normalidade
destes. Este histograma é formado pelos resultados do quociente entre os resíduos e o desvio-
padrão de sua distribuição cujos valores ideais são:
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 presença de outliers ou pontos
errantes. Estes pontos também e s devem ser analisados cuidadosamente, verificando

i
se os mesmos não constituem erros de coleta ou até mesmo de digitação. Pontos outliers não
devem, sumariamente, serem eliminados sem a devida análise do conjunto de pontos e seu
equilíbrio.
4.1.16 Melhoria do modelo linear através de transformações
A regressão linear simples ajusta retas aos pontos observados no mercado. Assim, a
reta somente terá confiabilidade para explicar o fenômeno se a tendência de distribuição dos
pontos for linear ( y = a + b.x ).
Na prática nem sempre se observa este tipo de tendência, entretanto, alguns modelos
não lineares podem ser linearizados através da simples transformação das escalas de medição das
variáveis. Considere, por exemplo, os dados sobre lotes residenciais cujos pares de valores “valor
unitário ( Vu ) x área” observados no mercado estão plotados no Gráfico 25.
Fica visualmente claro que há uma tendência de decréscimo do valor unitário à medida
que o valor da área aumenta, mas não de forma linear e sim de forma hiperbólica. O ajustamento
de uma reta aos pontos, conforme graficamente demonstrado no gráfico 25, mostra-se inadequado.
60
1
Vu
É necessário, neste caso, uma transformação para tornar a utilização da regressão
linear possível e esta transformação tem que, necessariamente, linearizar os dados que, para o
caso apresentado é a transformação inversa (Z=1/Vu) nos dados do gráfico 25 que resultará em
pontos com tendência linear conforme o gráfico 26.
Desta forma faremos a regressão de Z (1/ Vu ):
Z = a + b 1 .Área (Equação 57)
Na seqüência, para retornarmos à escala original, substituímos Z por (1/ Vu ) na
Equação 57, obtendo-se:
1 1
= a + b1 .Área ∴ Vu = (Equação 58)
Vu a + b1 .Área
Que é a equação de uma hipérbole, desta forma, na escala Vu temos pontos com
tendência hiperbólica enquanto que na escala Z a tendência é linear. Há uma série de
transformações que se compatibilizam com as inferências mais utilizadas na Engenharia de
Avaliações e que estão disponíveis nos softwares de modelagem por regressão linear.
61
Assim, para a equação transformada dada por Y = A + B.X temos, entre outras:
Transformações Escala das variáveis e parâmetros

Tipo de equação transformada original
modelo linear
curva característica Y X A B a b
Potencial y = a.x b ln (y ) = ln (a ) + b. ln( x ) ln(y ) ln ( x ) ln (a ) b eA b
Exponencial y = a.b x ln(y ) = ln(a ) + x. ln( b ) ln(y ) x ln (a ) ln ( b ) eA eB
logarítmica y = a + b. ln( x ) y = a + b. ln( x ) y ln ( x ) a b a b
Hiperbólica b 1 1
y = a + y = a + b. y a b a b
1 x x x
Hiperbólica 1 1 1
y = = a + b.x x a b a b
2 a + b.x y y
62
4.2 Correlações e Regressão Duplas
Até o presente momento, descrevemos o estudo apenas para a regressão simples, isto é,
o comportamento de uma variável dependente ( y ) em função de uma variável independente ( x1 ).
Corriqueiramente, entretanto, os atributos influenciantes dificilmente se resumem a apenas um, o
que impossibilita, regra geral, a utilização da regressão simples. Na prática, o profissional
identificará uma gama de variáveis influenciantes (independentes) o que o levará a necessidade de
trabalhar com regressão múltipla.
Regressão múltipla, na qual se inclui a dupla, é aquela em que o valor da variável
dependente ( y ) é determinado em função da influência de duas ou mais variáveis influenciantes
(independentes) e genericamente, a equação representativa relativa à população pode ser
representada por:
Y = α + β1X 1 + β 2 X 2 + β 3 X 3 + ... + β n X n (Equação 59)
Onde:
Y = valor da variável dependente
α = parâmetro indicativo do intercepto
β i = parâmetros indicativo s dos coeficient es de regressão das variáveis X i
Da mesma forma que na regressão simples, para a estimativa de Y será adotada a

^
seguinte equação: y = a + b1x1 + b 2 x 2 + b 3 x 3 + ... + b n xn + e em que “e” é o erro residual da
estimativa.
Para efeitos deste estudo, em razão das dificuldades adicionais decorrentes da maior
complexidade dos cálculos, estaremos desenvolvendo a regressão dupla com os mesmos métodos
desenvolvidos anteriormente, entretanto, adicionando mais uma variável independente( x 2 ) e
acrescendo-se um teste que diz respeito a colinearidade das variáveis independentes cujo efeito é
denominado de multicolinearidade.
63
4.2.1 Multicolinearidade
A regressão linear exige como pressuposto que as variáveis independentes não estejam
perfeitamente correlacionadas entre si ou possuam combinação linear sendo a mesma denominada
colinearidade quando ocorrer entre duas variáveis independentes ou multicolinearidade quando
ocorrer entre três ou mais variáveis.
A análise não deve se prender ao fato da existência ou não da colinearidade ou
multicolinearidade, mas se esta “é” ou “não” característica da população, pois se for, não há danos
na estimação desde que observadas algumas regras conforme bem exemplificado pelo engenheiro
André Maciel Zeni:
“... seria como investigarmos o valor unitário de uma gleba, observando-se a área
superficial e a distância a importante estrada (as áreas aumentam à medida que se
afastam da estrada). Não haveria danos de estimação, caso propuséssemos avaliar
uma gleba de pequeno porte próximo à estrada ou vice-versa. A colinearidade
provoca distorções no termo variância e no intervalo de confiança, além de outros
danos, caso desejemos avaliar gleba de elevada área junto à estrada ou vice-versa.”
Entretanto, nos casos em que a colinearidade existente entre as variáveis decorrer de
uma função direta sobre a outra tais como área x profundidade, área x coeficiente de
aproveitamento, etc., é necessário que optemos por um ou outro atributo.
4.2.2 Método dos mínimos quadrados / algoritmo básico para ajustamento
O método dos mínimos quadrados que descrevemos para regressão simples prevê que
o modelo matemático que promove o melhor ajustamento para a reta é aquele em que “o valor da
soma dos quadrados dos desvios em relação à reta de regressão é mínimo”. Para a regressão dupla não é
diferente, assim:
Y = α + β1X1 + β 2 X 2 = regressão de Y em X1 e X 2 (Equação 60)
^
y i = a + b1 .x1 + b 2 .x 2 = estimativa regressão de y em x 1 e x 2 (Equação 61)
64
tem-se que, para “n” dados amostrais:

n ^ 2
∑ ( y i − y i )  = mínimo ou (Equação 62)
i =1  
n
i =1  
{
i =1
[
∑ ( y i − y i )  = mín ∑ (y i − a − b1 .x1 − b 2 .x2 )
^ 2 n 2
]} (Equação 63)
Para minimização da Equação 63 é necessário que as derivadas parciais em relação às
constantes “ a ”; “ b1 ” e “ b 2 ” sejam nulas, logo:
∂y ∂y ∂Y
= 0 ( zero) ; = 0 ( zero) ; = 0 ( zero)
∂a ∂b1 ∂b 2
Elaborando os procedimentos de derivação, teremos:
∂Y
∂a
n
i =1
[
= ∑ ( 2 ).( − 1).(Yi − a − b 1 .x1i − b 2 .x 2 i ) = 0 ] (Equação 64)
∂Y
∂b1
n
i =1
[
= ∑ ( 2 ).(− x1i )(
. Yi − a − b1 .x1i − b 2 x 2 i ) = 0 ] (Equação 65)
∂Y
∂b 2
n
i =1
[
= ∑ ( 2 ).(− x 2 i )(
. Yi − a − b1 .x1i − b 2 x 2 i ) = 0 ] (Equação 66)
Promovendo-se as simplificações possíveis nas fórmulas acima, temos:
n n n
∑ Yi = a.n + b1 ∑ x1i + b2 ∑ x2i (Equação 67)
i =1 i =1 i =1
2
∑ (x1i.y i ) = a. ∑ x1i + b1 ∑ (x1i ) + b 2 ∑ x1i.x2 i
n n n n
(Equação 68)
i =1 i =1 i =1 i =1
2
∑ (x2 i.y i ) = a. ∑ x2 i + b 2 ∑ x1i.x2 i + b 2 ∑ (x 2 i )
n n n n
(Equação 69)
i =1 i =1 i =1 i =1
As equações acima constituem um sistema de três equações com três incógnitas e,
uma vez solucionado o sistema acima, obteremos o valor dos três parâmetros.
65
Uma forma de resolver o sistema é através do teorema de Crammer de onde temos que
“se o determinante ∆ de um sistema for diferente de zero, o sistema é possível 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
∆1 ∆ ∆
cuja solução é dada por: x1 = ; x 2 = 2 e x 3 = 3 sendo:
∆ ∆ ∆
a1 b1 c1 k1 b1 c1 a1 k1 c1 a1 b1 k1
∆ = a2 b2 c2 ∆1 = k2 b2 c2 ∆2 = a2 k2 c2 ∆3 = a2 b2 k2
a3 b3 c3 k3 b3 c3 a3 k3 c3 a3 b3 k3
Lembrando que para solução 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 três elementos.

a1 b1 c1 
a2 b2 c2  paralelas à diagonal secundária


∆ = a3 b3 c3

a1 b1 c1 
a2 b2 c2  paralelas à diagonal principal


As transversais paralelas à diagonal principal fornecem produtos cujos sinais devem
ser mantidos (+) e as paralelas à secundária fornecem produtos cujo sinal deve ser trocado (-).
Exemplificando, o valor do determinante ∆ seria obtido pela seguinte equação:
∆ = 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
O cálculo dos determinantes também poderia ser obtido através do aplicativo EXCEL,
através do botão inserir função , conforme figura 2:
Figura 2
4.2.3 Coeficiente de determinação (r²) do modelo
Conforme já demonstrado na regressão linear simples, o coeficiente de determinação
(r²) é obtido pelo quociente da variação explicada e a variação total, conforme fórmula abaixo:
n ^
 − 2
∑ yi − y
variação explicada de y i = 1 
r2 = = 2
(Equação 70)
variação total de y n  −
∑ yi − y
i = 1 
O coeficiente de determinação (r²) varia de zero a um e representa a porcentagem de
ajustamento (aderência dos pontos coletados na pesquisa com a equação de regressão) do modelo.
4.2.4 Coeficiente de correlação (r) do modelo
O coeficiente de correlação (r) é numericamente definido pela raiz quadrada do
coeficiente de determinação (r²) cuja fórmula geral é dada pela Equação 71 e pode ser utilizada
para qualquer regressão:
67
n ^  − 2
∑  yi − y 
i = 1 
r = r2 = (Equação 71)
n  − 2
∑  yi − y 
i = 1 
4.2.5 Coeficiente de correlação (r) dos parâmetros
O coeficiente de correlação entre duas variáveis (xm e xp) é dado pela fórmula:
n  − −
 
∑   xm i − xm i  . xp i − xp i  
i =1  
r = (Equação 72)
n − 2 n − 2
   
∑  xm i − xm i  . ∑  xp i − xp i 
i = 1  i = 1 
− −
Onde os termos xp i e xm i representam a média aritmética dos “n” termos coletados
para aquela variável.
4.2.6 Desvio padrão do modelo
O desvio padrão de um modelo com “p” parâmetros estimados e considerado o

^
ajustamento a “n” dados y i por uma equação de média y i , é fornecido pela seguinte fórmula:
n  ^  2
∑  yi − yi 
i = 1 
se = (Equação 73)
(n − p)
Como se trata de regressão linear dupla (p=3) e, portanto, podemos reescrever a
Equação 73:
n  ^ 2

∑  yi − yi 
i = 1 
se = (Equação 74)
(n − 3)
68
4.2.7 Significância dos parâmetros (regressores)
No caso de mais uma variável independente, o cálculo do erro padrão dos parâmetros
“b” apresenta maiores dificuldades, uma vez que os cálculos tornam-se cada vez mais complexos,
o que leva a necessidade da utilização de computadores ou emprego de matrizes. Para o caso
específico de regressão linear dupla, temos:
bj
t *j =
()
onde: (Equação 75)
s bj
s (b 1 ) = s e .
1
(Equação 76)
n − − 2
  
n − 2 ∑   X 1 i − X  . X 2 i − X  
  i =1   
∑  X 1i − X  − 2
i = 1  n  −

∑  X2i − X 
i = 1 
s (b 2 ) = s e .
1
(Equação 77)
n − − 2
  
n − 2 ∑   X 1 i − X  . X 2 i − X  
  i =1   
∑  X2i − X  − 2
i = 1  n  −

∑  X 1i − X 
i = 1 
Como t(1-α/2;n-3) é um valor tabelado, se t* for superior a t(1-α/2;n-2), rejeita-se H0 ao nível de
significância “α“ indicando que a variável correspondente ao parâmetro testado é importante para
explicar o fenômeno.
A significância dos regressores, segundo a NBR 14.653, Parte 2, será utilizada para
definir o grau de fundamentação da avaliação, no caso de utilização de modelos de regressão
linear, conforme contido no item 5 da tabela 1(item 9.2.1), que transcrevemos abaixo:
Descrição
III II I
Nível de significância á (somatório
do valor das duas caudas) máximo
10% 20% 30%
para a rejeição da hipótese nula de
cada regressor (teste bicaudal)
69
4.2.8 Significância do modelo (Distribuição de Snedecor)
De forma equivalente à utilizada para regressão linear simples, considerando-se um
modelo de regressão linear dupla ajustado a uma amostra de n dados, temos que:
n − 2 n ^ 2
n ^ − 2
 = ∑  y i − y i  + ∑  y i − y 
∑  yi − y  (Equação 78)
i = 1  i = 1  i = 1 
e encontramos os seguintes graus de liberdade para cada um dos somatórios:
n − 2 −
(n-1) para ∑  y i − y  pois conhecemos somente parâmetro estimado que é y ;
i = 1 
n ^ 2
(n-3) para ∑  y i − y i  pois envolve os parâmetros estimados “a”; “ b 1 ” e “ b 2 ”
i = 1 
^
que são os coeficientes da reta de regressão definida por y ;
n ^ − 2
2 (dois) para ∑  y i − y  , resultado da diferença entre (n-1)-(n-3).
i = 1 
Dividindo-se cada um dos somatórios pelos seus respectivos graus de liberdade,
encontram-se as respectivas variâncias:
n  −  2
∑  yi − yi 
i = 1 
Variância Total = (Equação 79)
(n − 1)
n  ^ 2

∑  yi − yi 
i = 1 
Variância não explicada = (Equação 80)
( n − 3)
n ^ − 2

∑  yi − yi 
i = 1 
Variância explicada = (Equação 81)
2
A partir disto podemos montar uma tabela de análise de variância, também conhecida
como tabela da ANOVA que, para o caso de regressão linear simples é dada por:
70
Graus de
Variação Soma dos Quadrados Variância
Liberdade
n ^ − 2 n ^ − 2
Explicada SQR = ∑  y i − y  2  
∑  yi − y  2
i = 1  i = 1 
2 2
Não n ^ n ^
SQE = ∑  y i − y i  n-3  
∑  yi − yi  (n − 3)
explicada i = 1  i = 1 
n − 2 n  −  2
Total SQTO = ∑  y i − y i  n-1 ∑  yi − yi  (n − 1)
i = 1  i = 1 
Conforme vimos anteriormente, a situação ideal será aquela onde a variância
explicada seja grande e a variância não explicada pequena. Assim, para se testar a significância
global do modelo, analisa-se a razão entre essas duas variâncias, pela estatística:
 n  ^ − 2  2
 ∑  y i − y  2
n
^ −
 i =1    ∑  yi − y 
i =1   . (n − 3)
Fc = = (Equação 82)
n  
2
 n
 ^

2
2
(n − 3) ∑  yi − y i 
^
∑  yi − y i 
 i =1    i =1  
O fator Fc terá um resultado tanto maior quanto maior for a variação explicada. O fator
“F” , sob a hipótese H0, tem distribuição de Snedecor com “k” graus de liberdade no numerador e
“n-k-1” no denominador que, para o caso específico da regressão linear dupla representa “dois”
grau de liberdade no numerador e “n-3” graus de liberdade no denominador, sendo que, através
do tabelamento feito por Fischer, os pontos críticos para um nível de significância α são
simbolizados por F(α ; k ; n − k − 1) que no caso da regressão linear dupla é dado por F( α ; 2 ; n − 3 ) .
Estes pontos estão nas tabelas 2 e 3 para os níveis 5% e 1% (vide APÊNDICES), onde o
número dos graus de liberdade do numerador (√1 = k) indica a coluna e o número dos graus de
liberdade no denominador (√2 = n-k-1) indica a linha onde se localiza o ponto crítico
correspondente.
Isto implica dizer que, para rejeitar a hipótese nula de não haver regressão do modelo
ao nível de significância α, é necessário que Fc (F calculado) seja superior a F(α ;k ;n −k −1) , caso
contrário, há indícios de que a reta inclinada não explica o fenômeno melhor que a reta horizontal,
devendo esta última ser a escolhida.
71
Excetuando-se os valores das significâncias 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 estatísticos realizados (o
que inclui a significância do modelo), os níveis de significância máximos e que transcrevemos
abaixo:
Descrição
III II I
Nível de significância máximo
admitido para a rejeição da
1% 2% 5%
hipótese nula do modelo através do
teste F de Snedecor
4.2.9 Intervalo de Confiança
Para o caso específico de regressões duplas, o cálculo do intervalo de confiança
apresenta grau de dificuldade bem maior na elaboração dos cálculos, demandando a utilização de
cálculo de matrizes que somente será eficiente, dado à quantidade de cálculos, se devidamente
sistematizados.
Inobstante o presente curso ter caráter introdutório, apresentaremos, de forma
resumida, a linha de cálculo para o intervalo de confiança global do modelo, ressaltando que, para
isto, é necessário conhecer os estimadores “x1” e “ x2”:
   
^  ^ 
 y − t ( 1 − α / 2 ; n − k − 1 ) . s  ^   < INTERVALO <  y + t ( 1 − α / 2 ; n − k − 1 ) . s  ^  
  y     y  
   
Onde:
s ^  = M e o valor de “M” resulta da multiplicação das matrizes 1 ; 2 e 3

 y 
 
M = d. (x , .x ) −1 . d . Vres
Sendo que:
1 2 3
72
Matriz 1:
^ − ^ − ^ ^
d = 1  x 1 − x 1   x 2 − x 2  onde x 1 e x 2 são os parâmetros estimativos
   
Matriz 2:
n − 2
s 11 = ∑  x 1 − x 1 
i = 1 
1 0 0
n n  −

2
−1  s 22   s 12  onde: s 22 = i∑  x2 − x2 
 
x , .x = 0   − 
=1
 W   W  n − −
s 12 = ∑  x 1 − x 1 . x 2 − x 2 
 s 12   s 11  i =1  
0 −    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 n  ^ 2

− ∑  yi − yi 
 ^
 i = 1 
d .Vres =  x1− x1.Vres Onde: Vres =
  (n − p)
−
 ^

 x 2− x 2 .Vres
 
4.2.10 Melhoria do modelo linear para regressões duplas através de transformações
Da mesma forma que no caso de regressões linear simples, na prática nem sempre se
observa este tipo de tendência, entretanto, alguns modelos não lineares podem ser linearizados
através da simples transformação das escalas de medição das variáveis.
Para o caso da regressão dupla bem como nos casos de regressões múltiplas valem as
mesmas regras de transformação descritas pra a regressão simples
73
EXERCÍCIOS PRÁTICOS RESOLVIDOS
74
1 Exercícios de Regressão Simples (cálculo manual)
Exercício 1.1: A partir de pesquisa com foco em terrenos comerciais, obteve-se, para 10 eventos
^
amostrais, os preços unitários e áreas abaixo. Calcule o valor de y para um lote de 450,00 m².
Valor Unitário (R$) Área do terreno (m²)

Evento
Yi Xi
1 60,00 450,00
2 52,00 500,00
3 61,00 420,00
4 48,00 580,00
5 55,00 600,00
6 52,00 680,00
7 38,00 800,00
8 42,00 720,00
9 57,00 620,00
10 63,00 300,00
Primeiramente devemos compor o sistema de 2 equações e 2 incógnitas (equações da
reta de regressão – vide equações 33 e 34 ou 37 e 38). Para isto montamos a tabela abaixo, segundo
o modelo da tabela 5:
Variável explicativa Variável explicada Operações

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

289.700 ,00 = 5.670 ,00 a + 3.420.500 ,00b1
Da solução do sistema acima temos que:
a = 79,4830018
b = (-) 0,0470599679
75
A partir do que podemos concluir a equação de regressão linear a partir da qual

^
poderemos estimar o valor da variável dependente, y (valor unitário), para cada valor de “X”.
^
y = 79,4830018 − 0 , 0470599679 . x i
^
Assim, podemos calcular a estimativa y para o imóvel avaliando, bastando substituir
“X” na equação de regressão acima pelo valor da área do imóvel avaliando que é de 450,00 m²,
conforme abaixo:
^
y = 79,4830018 − 0,0470599679 . 450,00 = R$ 58,31
^
O valor unitário estimado y para o lote avaliando com área de 450,00 m² é de R$ 58,31
o que permite concluir que o valor total estimado para o terreno avaliando é de R$ 26.23,50.
Exercício 1.2: Em continuidade ao exercício anterior, calcule os coeficientes de determinação e
correlação do modelo ajustado encontrado.
O primeiro passo é preenchermos uma tabela para calcularmos os valores das
variações explicada e total conforme abaixo:

variação quadrado do quadrado da quadrado da
Variável Variável valor variação
não desvio da variação variação não
explicativa explicada inferido explicada
explicada variável Xi explicada explicada
Evento
2 2
xi
^ ^ − ^ −
X − X
2
 y^ − y−   y − y^ 
yi yi yi − y yi − yi  i   i   i i
     
1 450 60 58,31 5,51 1,69 13.689,00 30,32 2,87
2 500 52 55,95 3,15 -3,95 4.489,00 9,94 15,63
3 420 61 59,72 6,92 1,28 21.609,00 47,86 1,64
4 580 48 52,19 -0,61 -4,19 169,00 0,37 17,54
5 600 55 51,25 -1,55 3,75 1.089,00 2,41 14,08
6 680 52 47,48 -5,32 4,52 12.769,00 28,28 20,41
7 800 38 41,84 -10,96 -3,84 54.289,00 120,23 14,71
8 720 42 45,60 -7,20 -3,60 23.409,00 51,84 12,96
9 620 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
Médias 567,00 52,8
76
Utilizando a equação 42, temos:

2
n
^ −
variação explicada de y
∑  yi − y
i =1   455,35
r2 = = = = 0,7519 ou 75,19%
variação total de y − 2
455,35 + 150,25
∑  y   
n ^ n ^
i =1
i − y  + ∑ 
 i =1 
y i − y i 

^
O coeficiente de determinação calculado significa que 75,19% do valor estimado y é
explicado pelo modelo de regressão utilizado, restando 24,81 atribuídos a perturbações aleatórias
ou a alguma variável não considerada.
Por conseqüência, utilizando-se a fórmula da equação 43, obtemos o coeficiente de

correlação:
n ^ − 2
∑  y i − y 
i =1   455 , 35
r = r2 = = = 0,8671
n − 2 605 , 60
∑  y i − y 
i =1  
Exercício 1.3: Utilizando-se os dados e valores calculados nos exercícios anteriores, calcule o
desvio padrão do modelo de regressão adotado.
Por tratar-se de regressão linear simples utilizaremos a equação 45, logo:
150 ,25
se = = 4 ,3337
(10 − 2 )
Exercício 1.4: Utilizando-se os dados e valores calculados nos exercícios anteriores, calcule a
significância do parâmetro “b1” para o modelo ajustado encontrado.
Primeiramente, temos que calcular o valor da distribuição de Student do parâmetro
“b1” conforme a fórmula da equação 48, mas para isto é necessário, também, o cálculo das
equações 50 e 49, obrigatoriamente nesta seqüência:
77
2
n
 ^

∑  Yi − Y i 
i =1   150,25
se = = = 4,333734
n−2 10 − 2
Em seguida:
s (b1 ) = s e .
1 1
= 4,333734. = 0,00955741
2
n
 −
 205.610,00
∑ 
i =1 
X i − X 

= (− ) 4 ,92
b1 (-) 0,04705996 79
t 1* = =
s (b1 ) 0 , 00955741
De posse do t calculado (4,92), nos dirigimos à Tabela 1 (ANEXO) e na coluna n-2 (10-
2) graus de liberdade (√) veriﬁcamos que o mesmo está situado entre os níveis de 0,1% (5,041) e
0,2% (4,501) e, através de um interpolação linear, obtemos que o nível de significância do
parâmetro b1 é, aproximadamente, de 0,1224%.
Exercício 1.5: Calcule a significância do modelo ajustado contido a partir dos dados fornecidos no
exercício 1:
Primeiramente devemos calcular Fc através da equação 54:
n ^ − 2
∑  yi − y 
Fc =
i = 1  . (n − 2 ) = 455,35 . (10 − 2)) = 24 ,25
n  ^ 2
∑  yi − yi  1 150 ,25 1
i = 1 
Para rejeitar a hipótese nula de não haver regressão do modelo ao nível de significância
α, é necessário que Fc (F calculado) seja superior a F(α ; k; n − k − 1) .
Consultando as tabelas 2 e 3 (APÊNDICES) para 1 (k) grau de liberdade no numerador
e 8 (n-k-1) graus de liberdade no denominador encontramos que:
78
F(1%;1; 8 ) = 11,3
Assim, como Fc (24,25) > F(1%;1;8 ) (11,3) , podemos concluir que o modelo possui
significância menor que 1% o que equivale dizer que a hipótese nula de não haver regressão foi
descartada com 99% de confiança.
Exercício 1.6: Para o modelo ajustado utilizado nos exemplos anteriores, calcule o intervalo de
confiança para o valor médio do lote avaliando, considerando um nível de confiança de 80%.
Utilizando-se dos valores calculados nos exercícios anteriores e da equação 55, temos:
1 (450 − 567 )2
Y = 58 ,30 ± 1,397 . 4 ,3337 . + ou
10 205.610 ,00
Y = 58 ,30 ± 2 ,47 ∴ Ymáx = 58 ,30 + 2 ,47 = 60 ,77 e Ymín = 58 ,30 − 2 ,47 = 55,83
Exercício 1.7: Para o modelo ajustado utilizado nos exemplos anteriores, calcular a estatística de
Durbin-Watson para a variável área analisando quanto à existência ou não de auto-regressão.
Para a variável área (x) podemos construir o seguinte algoritmo:

^ Resíduos Diferença
xi y
yi i Δ Δ² ei 2
(ordenado) ei ei −1
(estimado) e −e i i −1
300,00 63,00 65,36501 -2,36501 5,59328
420,00 61,00 59,71782 1,28218 -2,36501 3,64720 13,30204 1,64400
450,00 60,00 58,30602 1,69398 1,28218 0,41180 0,16958 2,86958
500,00 52,00 55,95302 -3,95302 1,69398 -5,64700 31,88863 15,62635
580,00 48,00 52,18822 -4,18822 -3,95302 -0,23520 0,05532 17,54119
600,00 55,00 51,24702 3,75298 -4,18822 7,94120 63,06265 14,08485
620,00 57,00 50,30582 6,69418 3,75298 2,94120 8,65065 44,81202
680,00 52,00 47,48222 4,51778 6,69418 -2,17640 4,73673 20,41030
720,00 42,00 45,59982 -3,59982 4,51778 -8,11760 65,89545 12,95874
800,00 38,00 41,83503 -3,83503 -3,59982 -0,23520 0,05532 14,70744
∑ 187,81636 150,24775
n 2
∑∆ 187,81636
i=2
d = = ≅ 1,25
n
∑ ei 2 150,24775
i =1
79
Na tabela 5 do APÊNDICE que contém a estatística d tabelada por Durbin-Watson ao
nível de significância de 2,5%, encontramos os seguintes pontos críticos para n=15 (menor valor
tabelado) e k=1 (número de variáveis independentes):
d L = 0,87 e dU = 1,32 o que permite montar o gráfico abaixo:
Logo, podemos concluir que não há auto-correlação ao nível de significância de 1% ou
ao nível de 99% de confiança.
^
Exercício 1.8: A partir dos dados fornecidos nos exemplos anteriores, calcule o valor de y ,
considerando um lote de 450,00 m², para a transformação potencial.
Tabela de Cálculos
Valor
Área
Unitário Y X Operações
Evento (m²)
(R$/m²)
Yi Xi ln y ln x Yi 2 Xi2 (X i .Yi )
1 60,00 450,00 4,09434 6,10925 16,76366 37,32291 25,01336
2 52,00 500,00 3,95124 6,21461 15,61233 38,62135 24,55543
3 61,00 420,00 4,11087 6,04025 16,89928 36,48468 24,83073
4 48,00 580,00 3,87120 6,36303 14,98620 40,48813 24,63256
5 55,00 600,00 4,00733 6,39693 16,05872 40,92071 25,63463
6 52,00 680,00 3,95124 6,52209 15,61233 42,53769 25,77038
7 38,00 800,00 3,63759 6,68461 13,23203 44,68403 24,31585
8 42,00 720,00 3,73767 6,57925 13,97017 43,28655 24,59107
9 57,00 620,00 4,04305 6,42972 16,34626 41,34129 25,99569
10 63,00 300,00 4,14313 5,70378 17,16557 32,53313 23,63154
Somas 528,00 5.670,00 39,54768 63,04353 156,64655 398,22047 248,97123
Médias 52,80 567,00 3,95477 6,30435
80
Substituindo-se os valores acima nas equações 33 e 34, temos:

n n
∑ yi = n .a + b1 ∑ x i 39,54768 = 10.a + 63,04353. b1
i =1 i =1
∑ (x i . Yi ) b 1 ∑ (x i 2 )
n n n
= a. ∑ x i +
i =1 i =1 i=1 248,97123 = 63,04353.a + 398,22047. b1
Da solução do sistema acima temos que:
a= 6,824084453
b = (-) 0,4551325820
A partir do que podemos formular a equação de regressão linear transformada, a partir

^
da qual poderemos estimar o valor da variável dependente y para a área de 450,00 m².
^
ln  y  = 6 ,824084453 − 0 , 455132582 . ln (450 , 00 ) = 4 , 043567
 
Logo, para sabermos o valor unitário estimado é necessário calcular o antilogaritmo do
valor calculado acima:

^
^ ln  y 
y=e  
= e 4,04367 = 57,03
81
2 Exercícios de Regressão Simples (cálculos através do software)
Exercício 2.1
Utilizando o software TS-SISREG 5, considerando uma regressão simples, regressores em escala

direta e as informações contidas na tabela abaixo, calcule:
Área do terreno (m²) Valor Unitário (R$) a) coeficientes de determinação e

Evento
Xi Yi
1 450,00 60,00
correlação do modelo encontrado;
2 500,00 52,00
b) desvio padrão;
3 420,00 61,00
4 580,00 48,00 c) significância do parâmetro b1 ;
5 600,00 55,00
6 680,00 52,00 d) significância do modelo;
7 800,00 38,00
e) estatística de Durbin-Watson
8 720,00 42,00
9 620,00 57,00 f) o valor de um lote com 450 m²
10 300,00 63,00
1º) abrindo o programa e criando um arquivo novo: clique em Iniciar>Programas>TS-Sisreg>TS-
Sisreg (Figura 03) ou dê um duplo clique no ícone do TS-SISREG na área de trabalho (Figura 04):
Figura 04
Figura 03
Na seqüência a tela que se abrirá deverá ser semelhante a Figura 05, selecione o botão CANCELAR
e em seguida abra o menu suspenso Arquivo>Novo (Ctrl+N) – vide Figura 06:
Figura 05 Figura 06
5
direitos autorais da TECSYS Engenharia – Porto Alegre/RS – www.tecsysengenharia.com.br
82
Na tela seguinte (semelhante a da Figura 07), na paleta Criação, proceda às ações indicadas abaixo:
Figura 07 Figura 08
1) Na caixa denominada Variável, adicione no campo Nome o texto Área do Terreno e clique no
botão Adicionar (a variável Área do terreno deverá aparecer na caixa Variáveis do Modelo - à
direita - Figura 08);
2) Adote o mesmo procedimento para incluir a variável Valor Unitário;
3) Na seqüência, dentro da caixa denominada Sobre o Modelo clique no campo Autor e escreva o
seu nome (este procedimento servirá para identificar o profissional que elaborou o modelo);
4) no campo Nome do Modelo especifique um nome para o modelo;
5) no campo Criação informe a data que preferir ou, por padrão, será inserida a data atual;
6) no campo Observações informe detalhes sobre o modelo, tais como o objetivo do modelo, a área
de abrangência, o nome do cliente, etc. (este procedimento será útil em consultas futuras para
identificar a abrangência e limitações do modelo).
7) após os procedimentos acima, o resultado deverá ser semelhante à Figura 08.
83
Após o correto preenchimento da paleta Criação, clique na paleta Definição das Variáveis e a tela
obtida deverá ser semelhante à Figura 09:
Na caixa Variáveis do Modelo, selecione a variável
Área do Terreno.
Na caixa Tipo de Variável, confirme se a opção
assinalada é Quantitativa (esta costuma ser a opção
padrão).
O campo descrição não estará disponível porque é
habilitado apenas quando o tipo de variável é
assinalado como Outra.
Na caixa Crescimento assinale a alternativa que
corresponda à expectativa de crescimento da variável
dependente Valor Unitário a partir do momento em
que se altere a variável independente Área do Terreno.

Figura 09
Para o exemplo em questão deverá ser assinalada a opção “Negativo” porque, regra geral, o Valor
Unitário diminui à medida que aumenta a Área do Terreno (esta hipótese será testada pelo modelo
e caso não seja aceita o modelo indicará que a previsão original não se confirmou – veremos isto
mais adiante)
O campo Variável Dependente não deverá ser assinalado posto que este não é o caso da variável
Área do terreno que é uma variável independente ou explicativa.
No campo Aparência deverá ser assinalado o número de dígitos que se pretende para a variável
em estudo, no caso manteremos a opção padrão de 2 (duas) casas decimais. Quando se tratar de
variável que possa sofrer variações do tipo ln, 1/x ou qualquer outra que possa levar a números
muito pequenos, é recomendável aumentar o número de casas decimais para que os resultados
não sejam indicados como zero.
No campo Descrição, como o próprio nome indica, descreva a variável em destaque. No caso
específico da variável Área do terreno podemos identificar com sendo: variável quantitativa,
independente ou explicativa, que representa a área do terreno em m².
84
Na seqüência, faça mesmo procedimento para a variável Valor Unitário, conforme Figura 10 e
instruções abaixo:
Na caixa Variáveis do Modelo, selecione a variável Valor
Unitário.
Na caixa Tipo de Variável, confirme se a opção
assinalada é Quantitativa (esta costuma ser a opção
padrão).
O campo Variável Dependente deverá ser assinalado,
pois é o caso da variável Valor Unitário (variável
dependente ou explicada). Esta ação desabilitará a caixa
Crescimento (não faz sentido estabelecer a relação entre a
variável dependente e ela própria).
No campo Aparência deverá ser assinalado o número de
Figura 10 dígitos que se pretende para a variável em estudo
(manteremos a opção padrão de 2 casas decimais). Quando for o caso de variável que possa sofrer
variações do tipo ln, 1/x ou qualquer outra que gere números muito pequenos, é recomendável
aumentar o número de casas decimais para que os resultados não sejam indicados como zero.
No campo Descrição, como o próprio nome indica, descreva a variável em destaque. No caso
específico da variável Valor Unitário podemos identificar com sendo: Variável quantitativa,
dependente ou explicada, que representa o valor do terreno em R$/m².
A paleta Informações Gerais, que não iremos detalhar aqui, permite a opção de inserção de senha
para proteção de acesso indevido ao modelo. O risco deste procedimento é esquecer a senha e não
conseguir mais acessar o modelo. Esta paleta também contém opções de escolha do tipo de
separador de decimal e milhar (vírgulas e pontos), o estabelecimento do número de casas decimais
para cada um dos resultados obtidos. Em certos casos, para evitar que obtenhamos valores
“aparentemente” nulos, cabe reprogramar a precisão das variáveis, maior número de dígitos
depois da vírgula.
85
Finalizado todo o processo de inclusão das variáveis e suas características clique no botão “OK”.
Definidas as variáveis que serão utilizadas no modelo, vamos agora inserir as informações
referentes aos elementos amostrais que serão utilizados para obtenção do modelo estatístico. Para
isto, caso a tela de Edição não se abra automaticamente, devemos acionar, no menu suspenso, a
opção Modelo>Editar Dados (Figura 11):
Figura 11
A tela que se apresentará deverá ser semelhante à Figura 12 (Editar Dados) sendo que o cursor
estará posicionado na primeira célula no canto superior esquerdo da tabela que é a partir de onde
iniciaremos o preenchimento das informações relativas a cada um dos elementos amostrais:
Observe que existe apenas uma linha,

ou seja, espaço 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 botão quantas vezes
forem necessárias para obtermos o
número exato de elementos amostrais,
Figura 12 no nosso caso, 9 (nove) vezes.
Observação: para cada informação inserida deverá ser acionada a tecla ENTER do teclado,
transferências de células executadas através da tecla TAB ou se pressionarmos a tecla ESC fará com
que as informações não sejam registradas.
86
Após a inserção dos campos e das informações relativas a cada um dos elementos amostrais o
quadro deverá ter um aspecto semelhante à Figura 13:
Cuidado para não clicar sobre o

campo que contém os títulos das
colunas (Dado, Endereço,
Observação, Área do terreno e
Valor Unitário). Isto porque estes
campos de cabeçalhos de colunas,
ao serem selecionados, têm a função
de ordenar as informações da
coluna (a cada clique obtêm-se uma
classificação – crescente ou
decrescente). Qualquer acionamento
indevido poderá fazer com que as
informações incluídas não
correspondam aos dados que
Figura 13 deveriam corresponder e, lógico,
comprometerá todo o resultado.
Inseridas as informações, clicar sobre os botões e depois . A tela que aparecerá deve
ser semelhante à Figura 14 (caso não apareça, clicar no menu suspenso Modelo>Calcular) . Na tela
Calcular> Regressão teremos as opções:
Dirigido: esta caixa permite escolher o tipo de
transformação (linearização) que queremos que seja
considerada no cálculo (Ex.: 1/x, ln x, x²; 1/x², etc.). Para
o caso específico do nosso exemplo, no qual desejamos
obter a reta de regressão em escala direta, devemos
escolher as transformações x e y para as variáveis Área
do Terreno e Valor Unitário, respectivamente.
Testes de: dentre as várias opções de transformação na
caixa Dirigido, existe uma que é denominada Auto, esta
opção permite que o programa verifique todas as
combinações de transformações possíveis entre aquelas
que estiverem ativadas na caixa “Testes de”.

Figura 14
87
Em nosso caso, mesmo que haja alguma opção assinalada, o cálculo não será afetado porque na
caixa Dirigido não optamos pela opção Auto.
Método Simplificado: esta opção, se assinalada, fará com que o programa teste apenas algumas
das equações possíveis. Esta opção é recomendável 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 variáveis elevados).
Mesmo assim, recomendamos que esta opção seja utilizada apenas nos procedimentos
intermediários de análise, mas, ao final, recomendamos utilizar a opção Geral, que é a forma de
cálculo utilizada quando a opção Método Simplificado não estiver acionada. Em nosso caso, como
iremos realizar cálculos sem transformação, esta opção não gera resultados práticos.
Seleção: esta caixa permite escolher se iremos obter os resultados na escada direta (Linear) ou na
escala transformada (Não Linear). Nos modelos nos quais houver transformações, existirá mais do
que uma equação possível, nestes casos o programa irá ordenar as equações pelo coeficiente de
determinação. A opção assinalada no campo seleção (Linear ou não linear) irá indicar ao
programa se este ordenamento irá ocorrer pelos coeficientes obtidos na escala linear
(transformada) ou na escala não linear (não transformada), visto que os valores poderão ser
diferentes face a alteração da grandeza original das variáveis em função das transformações
utilizadas.
Equações: esta caixa permite indicar o número máximo de equações que o sistema irá guardar,
ordenadas a partir do maior coeficiente de determinação.
Analisar consistência: se esta opção estiver ativada, o aplicativo TS-SISREG irá promover análise
dos valores de cada uma das variáveis e, se houver inconsistências (Ex.: correlação exata entre
variáveis; não atendimento do número mínimo de dados – micronumerosidade, etc.), o programa irá
fornecer uma tela indicando as inconsistências verificadas.
A tela Opções de Cálculo> Rede Neural não é objeto do estudo deste curso.
Após todas as informações fornecidas devemos acionar o botão:
A tela que deverá aparecer sobreposta sobre as demais deverá ser semelhante à Figura 15:
88
Figura 15
Começaremos a análise desta tela a partir do canto superior esquerdo e, a partir dos resultados
obtidos, identificaremos os resultados que buscamos obter neste exercício bem como outras
informações sobre o modelo:
1) Coluna Variável: nesta coluna estão indicadas todas as variáveis que compõem o modelo em
estudo. As variáveis desabilitadas não aparecerão nesta tela, apenas na tela principal.
2) Coluna Equação/Escala: nesta coluna observamos se a variável sofreu ou não transformações,
ou seja, linearizações visando buscar a adequação dos pontos daquela variável a uma
distribuição mais próxima possível de uma reta. No nosso exemplo não há transformações,
logo, as equações estão na forma direta x e y.
3) Coluna T. Observado: este parâmetro considera questões relativas ao grau de dispersão da
variável independente em relação às variáveis dependentes. O valor obtido para este
parâmetro é fonte de cálculo para a significância do regressor. Dentre os valores obtidos para
as variáveis consideradas no modelo, a variável que possuir o maior T. Observado (em valor
absoluto) será aquela que terá o maior peso na formação do valor da variável dependente (y).
89
4) Coluna Significância: este parâmetro indica se a variável em estudo é ou não representativa
na formação de valor da variável dependente. No nosso exemplo a significância obtida foi de
0,12%, ou seja, abaixo de 1% e encontra-se, neste item, no maior grau previsto pela NBR-14.653
(atenção porque para este campo o valor já é informado em %, diferentemente do campo
significância do modelo). É importante destacar que, em estatística, quanto maior a
significância, menor a probabilidade de que a variável seja importante na formação de valor
da variável dependente. É importante destacar isto porque no cotidiano a palavra significado
nos traz a idéia de algo que tem importância, contrariamente ao sentido da palavra
significância em estatística que, quanto maior, indica que é menor a probabilidade de que esta
variável exerça influência sobre a variável em estudo (variável dependente).
5) Campo Variáveis, coluna Total: esta coluna indica o número total de variáveis inseridas no
programa (inclusive as que não foram consideradas).
6) Campo Variáveis, coluna Consideradas: esta coluna indica o total de variáveis considerando
apenas as que foram efetivamente utilizadas no modelo para realização dos cálculos. No nosso
exemplo, como não foi excluída nenhuma variável, os valores são iguais, ou seja, 2.
7) Campo Dados, colunas Total e Considerados: situação semelhante a que ocorre com as
variáveis (vide itens 5 e 6). No exemplo considerado, como não foi excluído nenhum dado, os
valores são iguais, ou seja, 10.
8) Campos Coeficiente de determinação e correlação do modelo: como podemos observar nos
respectivos campos os coeficientes de determinação (linear e não linear) e correlação são,
respectivamente, 75,19% e 86,71%; o campo Ajustado indica o valor da determinação para
comparações entre variações de modelos quando se retira/acrescenta alguma variável, isto
porque é necessário considerar a perda do número de graus de liberdade para se fazer esta
comparação.
9) Campo Fisher-Snedecor: os parâmetros indicados neste campo estão relacionados à
significância do modelo que, neste caso, considerando o Fc de 24,25 resulta em 0,01 ou 1%
(atenção porque neste campo o valor informado não está em %).
10) Campo Desvio padrão: no campo relativo ao desvio padrão se obtém o valor de 4,33.
11) Campo Normalidade dos resíduos: este campo indica a distribuição dos resíduos e deve ser
igual, ou pelo menos próxima, da distribuição normal que é um gráfico obtido pelos
resultados dos quocientes entre os resíduos de cada elemento e o desvio-padrão do modelo.
90
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 didático que estamos utilizando, pelo pequeno número de elementos utilizados (10
elementos), este resultado fica comprometido. A tendência é que, modelos com maior número
de elementos tenham melhor aderência a distribuição de ( e i s ) mais próximo da curva
normal, também conhecida como curva gaussiana ou curva em forma de sino.

12) Coluna Durbin-Watson: esta coluna traz parâmetro que é utilizado para se calcular a
probabilidade da existência de Auto-regressão (positiva ou negativa). A partir deste valor é
que é calculado, através de tabelas, a probabilidade expressa na coluna DW explicada.
13) Coluna DW explicada: é nesta coluna que é traduzido o valor obtido na coluna Durbin-
Watson, ou seja, indica se há ou não auto-regressão (positiva ou negativa). No nosso exemplo,
está indicado que o nível de confiança de que não exista auto-regressão é de 95%. A existência
de auto-regressão (probabilidade de que haja correlação serial na formação dos valores da
variável dependente) deve ser evitada porque traz prejuízos quanto ao procedimento dos
mínimos quadrados, levando as variâncias excessivamente grandes; invalidando as fórmulas
de aplicação do método dos mínimos quadrados e os testes t de Student e F de Snedecor,
fazendo com que as projeções sejam ineficientes. Pelas características do teste de Durbin-
Watson, por vezes, pode constar nesta coluna a indicação de Região não conclusiva, isto quer
dizer que o resultado obtido não permite afirmar se há ou não auto-regressão, logo, situações
como estas não devem ocorrer para a variável dependente, entretanto, entendemos que
modelos que apresentem esta condição para uma ou outra variável independente, desde que
realizada a análise dos gráficos de resíduos e não identificada a possibilidade de auto-
regressão, poderão ser utilizados (com exceção de variáveis temporais). Esta questão tem
relação com os termos Homocedasticidade e Heterocedasticidade, sendo a primeira situação a
dos modelos que apresentam erros distribuídos de maneira aleatória (situação ideal, pois
indica não existência de auto-regressão) e a segunda a de modelos cujos erros podem estar
correlacionados (situação que deve ser evitada para as variáveis independentes e excluída
para a variável dependente).
14) Campo Outliers: este campo indica se existem elementos amostrais cujos resíduos, em valor
absoluto, superam duas vezes o valor do desvio padrão do modelo. Nestes casos, estamos
diante da presença de outliers, ou pontos errantes. Estes pontos devem ser analisados
cuidadosamente, verificando se os mesmos não constituem erros de coleta ou até mesmo de
digitação. Pontos outliers não devem, sumariamente, serem eliminados sem a devida análise
do conjunto de pontos e equilíbrio existente entre outliers “negativos” e “positivos”.
91
15) Campo Cálculo: neste campo estão informações sobre o tipo de cálculo efetuado. A
informação de que o tipo de cálculo é Geral, significa que não foi utilizada a opção método
simplificado, ou seja, foram testadas todas as possibilidade de transformações indicadas (no
nosso exemplo, como efetuamos escolha dirigida para cálculo direto – sem transformações –
esta questão não faz diferença uma vez que só há uma equação possível). A informação de que
o critério foi linear indica que os resultados apresentados consideram a equação em seu
modelo linear. Caso tivéssemos optado pela opção Não linear os resultados apresentados
seriam obtidos através da equação na sua forma característica.
16) Campo Equação: indica, dentre as várias equações possíveis, a equação que foi utilizada
segundo a seqüência de armazenamento.
Análise dos Resíduos
Para análise dos resíduos, devemos clicar sobre o botão ou, através do menu suspenso, clicar
em Visualizar>Resíduos (vide Figura 19):
Figura 19
A tela que surgir deverá ser semelhante a da Figura 20 (vide próxima página)
Observações:
a) para que os dados sejam numerados no gráfico, é necessário clicar sobre o campo à esquerda
do título Valor Observado.
b) ao clicar sobre qualquer uma das colunas podemos ordená-las em ordem crescente ou
decrescente (ordem que se altera a cada clique).
92
Figura 20
Na primeira coluna, identificada como Valor Observado, que são os valores coletados em campo.
Na segunda coluna (Valor Calculado) temos as projeções de valores, para cada um dos elementos
amostrais calculados através da equação de regressão, utilizando-se todas as características
inerentes a cada um dos elementos (no caso em questão, apenas a variável Área Total, em função
de que é uma regressão simples).
Na terceira coluna (Resíduo), temos a diferença, em valor absoluto, entre a primeira coluna e a
segunda. Enquanto que, na quarta coluna (Resíduo Relativo) temos o resultado percentual desta
diferença. Esta última informação é mais consistente por considerar a proporção do resíduo em
relação ao seu valor original.
Na quinta coluna (Resíduo sobre DP) temos o resultado que indica a quantos desvios padrão está
distante o valor coletado da reta de regressão. Valores superiores a 2 serão considerados outliers
ou pontos errantes (nem sempre estes pontos devem ser eliminados, pois a própria distribuição
normal prevê um percentual de 5% para estas ocorrências).
93
Se observarmos a Figura 20, veremos que a coluna Resíduo sobre DP está em ordem crescente de
valores. Desta forma, podemos observar que no intervalo [-1;+ 1] temos oito de dez elementos, ou
seja, 80% dos dados. Além disso, podemos também verificar que os outros dois elementos estão no
intervalo de [-1,64;+1,64], totalizando 100% dos dados já no segundo intervalo, e por conseguinte,
também no intervalo [-1,96;+1,96]. Estas informações conferem com a tela apresentada na Figura
15, no campo Normalidade dos Resíduos.
Pela análise gráfica dos resíduos, em que pese a pouca quantidade de elementos, há indicativo de
que os erros são aleatórios e que não existe auto-regressão. Esta informação é corroborada pelos
resultados da estatística de Durbin-Watson (vide figura 15) de 95% de confiança da não existência
de auto-regressão.
A Figura 21 traz o campo que indica qual análise de resíduos está sendo efetuada (no caso a
variável Valor Unitário - dependente). A análise pode ser estendida às demais variáveis
independentes, basta clicar sobre o combo no campo Variável (parte central do quadro) e escolher
qual variável queremos analisar (vide figura 21):
Figura 21
Um gráfico cuja análise também é importante é o gráfico de Aderência, para acessá-lo podemos
clicar o botão apropriado (Figura 22) ou acessar através do menu suspenso, conforme Figura 23:
Figura 22
Figura 23
94
O quadro a ser exibido será semelhante ao da Figura 24. Neste gráfico podemos observar, através
do gráfico localizado à direita, o grau de ajustamento dos pontos coletados. Considerando que os
pontos são marcados na intersecção dos valores projetados com os valores observados no
mercado, se tivéssemos um ajuste perfeito, onde o valor coletado fosse igual ao valor projetado,
teríamos uma reta com ângulo de inclinação de 45 que é representada pela linha verde do gráfico.
Pontos muito distantes da reta podem configurar elementos amostrais com algum tipo de
perturbação e que podem influenciar nos coeficientes de correlação e determinação..
Figura 24
Outra tela interessante para é a que indica os Testes de Hipóteses que podemos acessar através do
ícone próprio ou menu suspenso, conforme Figuras 25:
Figura 25
95
Na tela seguinte (vide Figura 26) podemos avaliar se a hipótese inicial foi validada. Se tivéssemos
iformado no quadro Propriedade do Modelo que o crescimento da variável independente Valor
Unitário seria “positivo” em relação ao aumento da variável Área total (quanto maior a área,
maior o valor unitário); o índice de crescimento indicado na quinta coluna estaria destacado em
vermelho (como na Figura), indicando que a hipótese não foi aceita e que o comportamento é
inverso ao esperado. Se a hipótese fosse aceita, o índice estaria destacado em azul.
Destaque em vermelho:
significa que a hipótese
inicial não foi aceita
Aqui temos acesso à equação

de regressão, na forma linear ou
não linear, conforme a opção
realizada nos campos acima
indicados.
Figura 26
Projeção de valores
Uma vez feitas todas as análises e escolhida a equação que foi considerada mais apropriada, deve-
se clicar sobre o botão Aplicar para que a equação seja efetivamente considerada e os seus cálculos
armazenados para análise.
Para simularmos o valor do lote com área de 450 m², devemos clicar sobre o botão projetar valores
(veja ícone abaixo), ou clicar no menu Ferramentas>Projetar (Figura 16):
Figura 16
96
A tela que deverá aparecer será semelhante à tela que consta da Figura 17. Na coluna valor, da
linha correspondente à variável Área do Terreno deverá ser inserido o valor de 450,00 (área do
terreno avaliando) e apertar a tecla ENTER.
Figura 17
Neste momento os cálculos dos valores de projeção serão realizados (vide Figura 18): valor médio,
mínimo e máximo tanto do intervalo de confiança, quanto de predição e campo de arbítrio. Cabe
destacara que o intervalo de predição foi inserido quando da revisão da NBR 14.653, parte 2, em
março de 2011.
Embora conceitualmente exista semelhança na definição do intervalo de confiança e predição, há
que se destacar que o intervalo de confiança é construído para um parâmetro que é constante,
enquanto para o intervalo de predição o mesmo é construído para uma variável aleatória o que,
considerando que uma variável aleatória obviamente apresenta amplitude de variação maior do
que um parâmetro constante, nos leva a esperar um intervalo de predição que seja maior do que o
intervalo de confiança, para um mesmo nível de confiança.
97
Segundo a NBR 14.653, parte 2 (março/2011), o “intervalo de confiança será utilizado se o objetivo for
estimar o valor de mercado. Se o objetivo for estimar preços, utiliza-se o intervalo de predição”.
Além dos valores, serão mostrados também um gráfico com a variação dos valores unitários em
relação à variação da Área Total e uma tabela com a projeção calculada destacada em vermelho.
Figura 18
98
3 Exercícios de Regressão Dupla (cálculo manual)
^
Exercício 3.1: A partir dos dados fornecidos abaixo, calcule o valor de y , considerando um lote de
450,00 m² com possibilidade de construir uma área de 950,00 m².
Preço Unitário Área Área Edificável

Evento
Yi x1i x2 i
1 60,00 450,00 1.080,00
2 52,00 500,00 1.200,00
3 61,00 420,00 1.040,00
4 48,00 580,00 1.160,00
5 55,00 600,00 1.200,00
6 52,00 680,00 1.360,00
7 38,00 800,00 1.600,00
8 42,00 720,00 1.188,00
9 57,00 620,00 1.860,00
10 63,00 300,00 720,00
Para simplificarmos o cálculo dos parâmetros “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 n n n n n n n
i =1 i =1 i =1 i =1 i =1 i =1 i =1 i =1
Preço Área
Área Operações
Evento Unitário Edificável
2 2
yi x1i x2 i x1i. y x1i x1i .x 2 i x2 i. y x 2i yi
2
1 60,00 450,00 1.080,00 27.000,00 202.500,00 486.000,00 64.800,00 1.166.400,00 3.600,00
2 52,00 500,00 1.200,00 26.000,00 250.000,00 600.000,00 62.400,00 1.440.000,00 2.704,00
3 61,00 420,00 1.040,00 25.620,00 176.400,00 436.800,00 63.440,00 1.081.600,00 3.721,00
4 48,00 580,00 1.160,00 27.840,00 336.400,00 672.800,00 55.680,00 1.345.600,00 2.304,00
5 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
6 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
7 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
8 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
9 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 90.000,00 216.000,00 45.360,00 518.400,00 3.969,00
Somas 528,00 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
Médias 52,80 567,00 1.240,80 28.970,00 342.050,00 734.496,00 64.511,60 1.627.254,40 2.848,40
99
Substituindo-se os valores acima nas equações 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 + 3.420.500,00 . b 1 + 7.344.960,00 b 2
645.116,00 = 12.408,00 a + 7.344.960,00 . b1 + 16.272.544,00 b 2
Da solução do sistema acima obtemos:
a =75,19843; b1 = (-) 0,06373 ; b 2 = 0,01107
A partir do que podemos concluir a equação de regressão (vide equação 61) de onde
^
poderemos estimar o valor da variável dependente, y (valor unitário), 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 imóvel avaliando, bastando substituir
os valores de “X1” e “X2” na equação de regressão acima pelos respectivos valores da área do
terreno avaliando (450,00 m²) e da área máxima que se pode construir sobre o mesmo (950,00 m²).
^
y = 75,19843 − 0,06373 . 450,00 + 0,01107 . 950,00 = R $ 57 , 04
Exercício 3.2: Utilizando os dados anteriores, calcule o coeficiente de determinação e correlação.
Para facilitar os cálculos, convém montar a tabela abaixo:
Preço Área
Área Operações
Unitário Edificável
Evento 2 2
y x1 x2
^ ^ −
y − y
−
 y^ − y−   y − y− 
y y− y    
   
1 60,00 450,00 1.080,00 58,48 5,68 7,20 32,22 51,84
2 52,00 500,00 1.200,00 56,62 3,82 -0,80 14,58 0,64
3 61,00 420,00 1.040,00 59,95 7,15 8,20 51,06 67,24
4 48,00 580,00 1.160,00 51,08 -1,72 -4,80 2,97 23,04
5 55,00 600,00 1.200,00 50,25 -2,55 2,20 6,53 4,84
6 52,00 680,00 1.360,00 46,92 -5,88 -0,80 34,60 0,64
7 38,00 800,00 1.600,00 41,93 -10,87 -14,80 118,22 219,04
8 42,00 720,00 1.188,00 42,46 -10,34 -10,80 106,83 116,64
9 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 5.670,00 12.408,00 505,67 605,60
− − −
y x1 x2
Médias
52,80 567,00 1.240,80
100
Assim, podemos calcular o coeficiente de determinação através da equação 42:
n ^ − 2

∑  yi − y 
variação explicada de y i = 1  505 , 67
r2 = = = = 0,83499
variação total de y n  −

2 605 , 60
∑  yi − y
i = 1 
^
O coeficiente de determinação calculado significa que 83,50% do valor estimado y é
explicado pelo modelo de regressão utilizado, restando 16,50% atribuídos a perturbações aleatórias
ou a alguma variável não considerada.
Uma vez calculado o coeficiente de determinação (r²), podemos obter o valor do
coeficiente de correlação do modelo que é dado pela fórmula:
− 2
n ^ 
∑  yi − y 
i = 1  505 , 67
r = r2 = = = 0,9137779
n  −

2 605 , 60
∑  yi − y 
i = 1 
Exercício 3.3: calcule o desvio padrão do modelo com base nos resultados dos exercícios anteriores
A fórmula para cálculo do desvio padrão é:

n ^  2

∑  yi − yi 
i = 1 
se =
(n − p)
n ^ 2 n − 2 n ^ − 2
Da equação 41 temos que ∑  y i − y i  = ∑  y i − y  − ∑  y i − y  o que
i = 1  i = 1  i = 1 
permite, a partir dos valores obtidos na tabela 4.2, obtermos que:

n ^ 2
 
∑  yi − yi  = 605 , 60 − 505 , 67 = 99 , 93
i = 1 
Assim, considerando que, no caso de regressão linear dupla, (n-p)=(n-3), temos:
n  ^ 2

∑  yi − yi 
i = 1  99 , 93
se = = = 3 , 7783
(n − p) ( 10 − 3 )
101
Exercício 3.4: Calcule, a partir das informações obtidas nos exemplos anteriores, a significância dos
parâmetros “bi” referentes à área do imóvel e à área edificável.
Primeiramente, temos que calcular o valor da distribuição de Student dos parâmetros
“bi” em questão. Para isto, é necessário montarmos a tabela abaixo:
Preço Área
Área Variável x1 Variável x2
Unitário Edificável
Evento  x 1 − x−1  .  x 2 − x−2 
   
− 2 − 2    
y x1 x2 x1 − x1  x 1 − x−1 
  x2 − x2  x 2 − x−2 
 
   
1 60,00 450,00 1.080,00 -117,00 13.689,00 -160,80 25.856,64 18.813,60
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 -52,80 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
10 63,00 300,00 720,00 -267,00 71.289,00 -520,80 271.232,64 139.053,60
Somas 528,00 5.670,00 12.408,00 0,00 205.610,00 0,00 876.697,60 309.624,00
− − −
y x1 x2
Médias
52,80 567,00 1.240,80
Para calcularmos os diversos t *j utilizaremos as fórmulas 74 à 77 e considerando que
estamos desenvolvendo uma regressão dupla, estaremos calculando t 1* e t *2
s ( b 1 ) = 3 , 7783.
1
= 0 , 012177941
309.624 , 00 2
205.610 , 00 −
876.697 , 60
s (b1 ) = 3,7783.
1
= 0,005897542
309.624,00 2
876.697,60 −
205.610,00
De onde podemos obter:

b1 - 0,06373341 263 b2 0,01107222 622
t1 = = = − 5, 23 e t 2 = = = 1 , 88
s (b1 ) 0,01217794 1 s (b 2 ) 0,00589754 2
De posse dos valores de “t” calculados, nos dirigimos à Tabela 1 do APÊNDICE
(valores tabelados de t de Student) na coluna n-3 (10-3) graus de liberdade (√) veriﬁcamos que:
102
- considerando que o valor do tcalculado(5,23) para regressor área (x1) está muito próximo
do valor tabelado de t 0 ,9995 (5,408), o que permite concluir que a significância deste regressor é de
aproximadamente 0,1%;
- considerando que o valor do tcalculado(1,88) para regressor área edificável (x2) está
muito próximo do valor tabelado de t 0 ,95 (1,895), é possível concluir que a significância deste
regressor é de aproximadamente 10%;
Exercício 3.5: Calcule, a partir dos dados obtidos nos exercícios anteriores, a significância do
modelo ajustado.
Primeiramente devemos calcular Fc através da equação abaixo:
n ^ − 2

∑  yi − y 
i = 1  (n − 3) 505 , 67 7
Fc = 2
. = . = 17 , 7108
n ^ 2 99 , 93 2
 
∑  yi − yi 
i = 1 
Para rejeitar a hipótese nula de não haver regressão do modelo ao nível de significância
α, é necessário que Fc (F calculado) seja superior a F(α ;k ;n −k −1) . Consultando a tabela 3
(APÊNDICES), 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
significância menor que 1% o que equivale dizer que a hipótese nula de não haver regressão foi
descartada com 99% de confiança.
103
Exercício 3.6: a partir dos dados fornecidos e resultados obtidos nos exercícios anteriores, calcule o
intervalo de confiança ao nível de 80% de confiança, considerando um lote de 450,00 m² com área
edificável de 950,00 m².
A partir do cálculo de matrizes indicado na apostila, temos que:
   
^  ^ 
 y − t ( 1 − α / 2 ; n − k − 1 ) . s  ^   < INTERVALO <  y + t ( 1 − α / 2 ; n − k − 1 ) . s  ^  
  y     y  
   
Onde:
s = M e o valor de “M” resulta da multiplicação das matrizes A ; B e C

^
 y 
 
M = d. (x , .x ) −1 . d . Vres
Sendo que:
A B C
Matriz “A”:
d = 1 ( 450 − 567 ) ( 950 − 1.240 , 80 ) ou d = 1 ( − 117 ) ( − 290 , 80 )
Matriz “B”:
1 0 0
10 1 0 0
10
−1  876.697 , 60   309.624 , 00 
x , .x = 0   −  = 0 1 , 038854815 − 5 − 3 , 668931947 − 6
− 10 − 10
 8 , 9341   8 , 9341  0 − 3 , 668931947 − 6 2 , 436403824 − 6
 309.624 , 00   205.610 , 00 
0 − − 10
  − 10

 8 , 9341   8 , 9341 
Matriz “C”:
n  ^ 2
14 , 27571429 
∑  yi − yi 
i = 1  99 , 93
d . Vres = ( 450 − 567 ) .14 , 27571429 Onde: Vres = = = 14 , 27571429
( 950 − 1.240 , 8 ) .14 , 27571429 (n − p) 7
Assim:
14 , 27571429
d . Vres = − 1.670 , 258572
− 4.151 , 377716
Temos, portanto, 3 (três) matrizes para multiplicarmos sendo que podemos
representar as matrizes da seguinte forma:
104
Matriz “A”:
d = A 11 A 12 A 13
Matriz “B”:
B 11 B 12 B 13
−1
x , .x = B 21 B 22 B 23
B 31 B 32 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 12
+ A 12 . B 21 + A 13 . B 31 ). C 11 + + A 12 . B 22 + A 13 . B 32 ). C 21 + ]
[(A 11 . B 13 + A 12 . B 23 + A 13 . B 33 ). C 31 ]
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 = M = 2 , 834898494 = 1 , 683715681
^
 y 
 
^
Uma vez conhecido o valor s  y  , podemos obter o valor de t ( 0 , 90 ; 7 ) na tabela 1 do
 
APENDICE (Distribuição “t” de Student) que se refere ao nível de significância de 20% com 7 (n-k-
1) graus de liberdade e cujo valor é 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 há uma probabilidade de 80% de que o valor de mercado
esteja entre os limites mínimo e máximo do intervalo acima.
105
4 Exercícios de Regressão Dupla (cálculos através do software)
^
Exercício 4.1: A partir dos dados fornecidos abaixo, calcule o valor de y , considerando um lote de
450,00 m², com possibilidade de construir uma área de 950,00 m² (sem transformação de variáveis).
Área Área Edificável Preço Unitário

Evento
x1i x2 i Yi
1 450,00 1.080,00 60,00
2 500,00 1.200,00 52,00
3 420,00 1.040,00 61,00
4 580,00 1.160,00 48,00
5 600,00 1.200,00 55,00
6 680,00 1.360,00 52,00
7 800,00 1.600,00 38,00
8 720,00 1.188,00 42,00
9 620,00 1.860,00 57,00
10 300,00 720,00 63,00
Este exercício é uma seqüência do exercício anterior onde foi incluída mais uma variável (Área
Edificável), com este exercício aprenderemos como incluir informações no TS-SISREG importando
diretamente de uma planilha EXCEL (um dos aplicativos muito utilizados para armazenamento de
informações 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 abrirá deverá ser semelhante ao da Figura 28:
Figura 28
Figura 27
106
Entre os campos Nome e Planilha encontramos um botão de comando indicado Abrir. Ao
clicarmos sobre este botão seremos direcionados a um ambiente do Windows Explorer onde
poderemos selecionar a localização da planilha EXCEL cujas informações queremos importar.
Uma vez selecionado o arquivo EXCEL (no caso específico o arquivo Exercicio 4.1.xls) teremos
algo semelhante a Figura 29:
Note que os campos destacados no quadro vermelho acima estão sem as informações de
Figura 29
importação dos dados. Para importação, iremos preencher os campos com os valores da Figura 30:
Após o preenchimento dos campos, pressionaremos o botão de comando Importar que se localiza
Figura 30
na parte superior direita do quadro e teremos aberto o quadro Propriedades do modelo, cujo
preenchimento já vimos no desenvolvimento do Exercício 2.1 (Figura 31).
107
A partir deste momento, os procedimentos serão idênticos aos
adotados no exercício 2.1, com exceção da necessidade de
inclusão dos nomes das variáveis e da inserção das
informações relativas aos elementos amostrais que já foram
incluídas automaticamente. Para finalizar o procedimento é
exigida a identificação da variável dependente.
Ao finalizar e clicar sobre o botão OK o TS-SISREG abre sua
tela principal, já com todas as informações relativas a variáveis
Figura 31 e elementos amostrais inseridas no modelo (clique no menu
Dado>Editar Dados e confira).

^
Para calcularmos o valor de y , considerando um lote de 450,00 m² e com possibilidade de
construir uma área de 950,00 m² (sem transformação de variáveis), temos que efetuar o cálculo da
equação de regressão, conforme já exemplificado no Exercício 2.1. Para isto devemos acionar a
opção do menu suspenso Ferramentas>Calcular ou acionar o botão correspondente, conforme
Figura 32.
Figura 32
A tela que irá aparecer será semelhante à Figura 33, abaixo, que é semelhante a que já vimos no
exercício 2.1, apenas que, agora, há mais uma variável (Área Edificável). Lembrando que iremos
considerar apenas a equação de regressão em escala direta, ou seja, sem transformações. Par isto é
necessário indicar no campo dirigido as transformações “x” para as variáveis independentes e a
transformação “y” para a variável dependente:
108
Figura 33
A tela que se apresentará deverá ser semelhante à Figura 34:
Figura 34
109
As análises que deverão ser efetuadas seguem o mesmo padrão da análise que efetuamos no
exercício 2.1, mas podemos, aqui, realizar alguns comentários adicionais, quais sejam:
a) percebe-se que a inclusão da variável Área Edificável melhorou os coeficientes de correlação

e determinação, isto significa que foi possível reduzir ainda mais os resíduos entre os valores
coletados e os valores projetados pela equação de regressão. O coeficiente de determinação
ajustado também ficou acima do valor calculado no exercício anterior, quando tínhamos
apenas uma variável independente.
b) uma análise que não foi efetuada no exercício 2.1 refere-se ao sinal dos coeficientes de
T.Observado. Estes sinais auxiliam na identificação do crescimento da variável dependente
em função do crescimento das variáveis independentes. No caso da variável Área temos que o
valor da estatística T.Observado é de -5,23, o sinal negativo indica que a taxa de crescimento
da variável independente Preço Unitário é inversamente proporcional ao crescimento da
variável Área, ou ainda, quanto maior o valor da área menor será o valor unitário do terreno.
Isto não quer dizer que terrenos maiores valem menos do que terrenos menores, uma vez que,
mesmo com a diminuição do valor unitário, o terreno maior será mais caro em função de sua
área maior. O que isto quer dizer é que o valor unitário tem uma tendência de queda quanto
maior for o valor do terreno que estiver sendo vendido. Já no caso da variável Área
Edificável, temos que o valor da estatística T. Observado é de +1,88, o sinal positivo indica
que, quanto maior puder ser o aproveitamento do terreno, maior valor ele terá que é uma
tendência esperada porque, ao permitir uma maior área de construção, estes terrenos tornam-
se mais atraentes que os demais.
c) no que diz respeito ao coeficiente de Durbin Watson, ainda temos um percentual de 90% de
confiança, mas houve uma pequena redução no nível de 95% que tínhamos anteriormente;
d) quanto à normalidade dos resíduos a concentração de dados no intervalo [-1;+1] ficou menor
(6 dados em 10), portanto, 2 dados migraram para os demais intervalos. Considerando que é
um exemplo didático e com poucos elementos amostrais, não havia que se esperar resultados
melhores que este. A tendência é que em modelos com maior número de elementos, a
conformação seja mais próxima da curva normal;
e) não há presença de outliers ou pontos errantes.
110
O próximo passo é adotarmos a equação de regressão calculada pelo programa acionando o botão
Aplicar e, para projetarmos o valor, acionarmos a opção Modelo>Projetar, procedimento que já
efetuamos anteriormente no exercício 2.1. O resultado deverá ser semelhante à figura 35:
Figura 34
É possível avaliar também o gráfico e resultados de projeção a partir da variável Área Edificável.
Para isto, basta selecionar esta variável no campo Variável do quadro acima.
Verificar também que os resultados apresentados conferem com o exercício 3.1, cujos cálculos
foram processados manualmente.
111
APÊNDICES
112
APÊNDICES TABELA 1 – (Distribuição “t” de Student)
Distribuição ‘t’ de Student
Pontos críticos t para √ graus de liberdade

1− α / 2
N.C – Nível de confiança
α – Nível de significância
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
N.C 99,9% 99,8% 99% 98% 95% 90% 80% 60% 50% 40% 20% 10%
α 0,1% 0,2% 1% 2% 5% 10% 20% 40% 50% 60% 80% 90%
√
1 636,619 318,310 63,657 31,821 12,706 6,314 3,078 1,376 1,000 0,727 0,325 0,158
2 31,598 22,326 9,925 6,965 4,303 2,920 1,886 1,061 0,816 0,617 0,289 0,142
3 12,924 10,213 5,841 4,541 3,186 2,353 1,638 0,978 0,765 0,584 0,277 0,137
4 8,610 7,173 4,604 3,747 2,776 2,132 1,533 0,941 0,741 0,569 0,271 0,134
5 6,869 5,893 4,032 3,365 2,571 2,015 1,476 0,920 0,727 0,559 0,267 0,132
6 5,959 5,208 3,707 3,143 2,447 1,943 1,440 0,906 0,718 0,553 0,265 0,131
7 5,408 4,785 3,499 2,998 2,365 1,895 1,415 0,896 0,711 0,549 0,263 0,130
8 5,041 4,501 3,355 2,896 2,306 1,860 1,397 0,889 0,706 0,546 0,262 0,130
9 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
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 críticos da distribuição de Snedecor, tabelados por Fischer)
APÊNDICES Nível de significância de 5% - [F0,05; √1; √2]
√1= graus de liberdade do numerador = número de variáveis (k)

1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 60 120 ∞
1 161 200 216 225 230 234 237 239 241 242 244 246 248 249 250 251 252 253 254
2 18,5 19,0 19,2 19,2 19,3 19,3 19,4 19,4 19,4 19,4 19,4 19,4 19,4 19,5 19,5 19,5 19,5 19,5 19,5
3 10,1 9,55 9,28 9,12 9,01 8,94 8,89 8,85 8,81 8,79 8,74 8,70 8,66 8,64 8,62 8,59 8,57 8,55 8,53
4 7,71 6,94 6,59 6,39 6,26 6,16 6,09 6,04 6,00 5,96 5,91 5,86 5,80 5,77 5,75 5,72 5,69 5,66 5,63
5 6,61 5,79 5,41 5,19 5,05 4,95 4,88 4,82 4,77 4,74 4,68 4,62 4,56 4,53 4,50 4,46 4,43 4,40 4,37
6 5,99 5,14 4,76 4,53 4,39 4,28 4,21 4,15 4,10 4,06 4,00 3,94 3,87 3,84 3,81 3,77 3,74 3,70 3,67
7 5,59 4,74 4,35 4,12 3,97 3,87 3,79 3,73 3,68 3,64 3,57 3,41 3,44 3,41 3,38 3,34 3,30 3,27 3,23
8 5,32 4,46 4,07 3,84 3,69 3,58 3,50 3,44 3,39 3,35 3,28 3,22 3,15 3,12 3,08 3,04 3,01 2,97 2,93
√2= graus de liberdade do denominador(n-k-1)
9 5,12 4,26 3,86 3,63 3,48 3,37 3,29 3,23 3,18 3,14 3,07 3,01 2,94 2,90 2,86 2,83 2,79 2,75 2,71
10 4,96 4,10 3,71 3,48 3,33 3,22 3,14 3,07 3,02 2,98 2,91 2,85 2,77 2,74 2,70 2,66 2,62 2,58 2,54
11 4,84 3,98 3,59 3,36 3,20 3,09 3,01 2,95 2,90 2,85 2,79 2,72 2,65 2,61 2,57 2,53 2,49 2,45 2,40
12 4,75 3,89 3,49 3,26 3,11 3,00 2,91 2,85 2,80 2,75 2,69 2,62 2,54 2,51 2,47 2,43 2,38 2,34 2,30
13 4,67 3,81 3,41 3,18 3,03 2,92 2,83 2,77 2,71 2,67 2,60 2,53 2,46 2,42 2,38 2,34 2,30 2,25 2,21
14 4,60 3,74 3,34 3,11 2,96 2,85 2,76 2,70 2,65 2,60 2,53 2,46 2,39 2,35 2,31 2,27 2,22 2,18 2,13
15 4,54 3,68 3,29 3,06 2,90 2,79 2,71 2,64 2,59 2,54 2,48 2,40 2,33 2,29 2,25 2,20 2,16 2,11 2,07
16 4,49 3,63 3,24 3,01 2,85 2,74 2,66 2,59 2,54 2,49 2,42 3,35 2,28 2,24 2,19 2,15 2,11 2,06 2,01
17 4,45 3,59 3,20 2,96 2,81 2,70 2,61 2,55 2,49 2,45 2,38 2,31 2,23 2,19 2,15 2,10 2,06 2,01 1,96
18 4,41 3,55 3,16 2,93 2,77 2,66 2,58 2,51 2,46 2,41 2,34 2,27 2,19 2,15 2,11 2,06 2,02 1,97 1,92
19 4,38 3,52 3,13 2,90 2,74 2,63 2,54 2,48 2,42 2,38 2,31 2,23 2,16 2,11 2,07 2,03 1,98 1,93 1,88
20 4,35 3,49 3,10 2,87 2,71 2,60 2,51 2,45 2,39 2,35 2,28 2,20 2,12 2,08 2,04 1,99 1,95 1,90 1,84
21 4,32 3,47 3,07 2,84 2,68 2,57 2,49 2,42 2,37 2,32 2,25 2,18 2,10 2,05 2,01 1,96 1,92 1,87 1,81
22 4,30 3,44 3,05 2,82 2,66 2,55 2,46 2,40 2,34 2,30 2,23 2,15 2,07 2,03 1,98 1,94 1,89 1,84 1,78
23 4,28 3,42 3,03 2,80 2,64 2,53 2,44 2,37 2,32 2,27 2,20 2,13 2,05 2,01 1,96 1,91 1,86 1,81 1,76
24 4,26 3,40 3,01 2,78 2,62 2,51 2,42 2,36 2,30 2,25 2,18 2,11 2,03 1,98 1,94 1,89 1,84 1,79 1,73
25 4,24 3,39 2,99 2,76 2,60 2,49 2,40 2,34 2,28 2,24 2,16 2,09 2,01 1,96 1,92 1,87 1,82 1,77 1,71
30 4,17 3,32 2,92 2,69 2,53 2,42 2,33 2,27 2,21 2,16 2,09 2,01 1,93 1,89 1,84 1,79 1,74 1,68 1,62
40 4,08 2,23 2,84 2,61 2,45 2,34 2,25 2,18 2,12 2,08 2,00 1,92 1,84 1,79 1,74 1,69 1,64 1,58 1,51
60 4,00 3,15 2,79 2,53 2,37 2,25 2,17 2,10 2,04 1,99 1,92 1,84 1,75 1,70 1,65 1,59 1,53 1,47 1,39
120 3,92 3,07 2,68 2,45 2,29 2,18 2,09 2,02 1,96 1,91 1,83 1,75 1,66 1,61 1,55 1,50 1,43 1,35 1,25
∞ 3,84 3,00 2,60 2,37 2,21 2,10 2,01 1,94 1,88 1,83 1,75 1,67 1,57 1,52 1,46 1,39 1,32 1,22 1,00
114
TABELA 3 – (Pontos críticos da distribuição de Snedecor, tabelados por Fischer)
APÊNDICES Nível de significância de 1% - [F0,01; √1; √2]
√1= graus de liberdade do numerador = número de variáveis (k)

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

n dL dU dL dU dL dU dL dU dL dU
06 0,61 1,4
07 0,70 1,35 0,46 1,89
08 0,76 1,33 0,55 1,77 0,36 2,28
09 0,82 1,32 0,62 1,69 0,45 2,12 0,29 2,58
10 0,87 1,32 0,69 1,64 0,52 2,01 0,37 2,41 0,24 2,82
11 0,92 1,32 0,65 1,6 0,59 1,92 0,44 2,28 0,31 2,64
12 0,97 1,33 0,81 1,58 0,65 1,86 0,51 2,17 0,37 2,50
13 1,01 1,34 0,86 1,56 0,71 1,81 0,57 2,09 0,44 2,39
14 1,04 1,35 0,90 1,55 0,76 1,77 0,63 2,03 0,50 2,29
15 1,08 1,36 0,95 1,54 0,82 1,75 0,69 1,97 0,56 2,22
16 1,10 1,37 0,98 1,54 0,86 1,73 0,74 1,93 0,62 2,15
17 1,13 1,38 1,02 1,54 0,90 1,71 0,78 1,90 0,67 2,10
18 1,16 1,39 1,05 1,53 0,93 1,69 0,82 1,87 0,71 2,06
19 1,18 1,40 1,08 1,53 0,97 1,68 0,86 1,85 0,75 2,02
20 1,20 1,41 1,10 1,54 1,00 1,68 0,90 1,83 0,79 1,99
21 1,22 1,42 1,13 1,54 1,03 1,67 0,93 1,81 0,83 1,96
22 1,24 1,43 1,15 1,54 1,05 1,66 0,96 1,80 0,86 1,94
23 1,26 1,44 1,17 1,54 1,08 1,66 0,99 1,79 0,90 1,92
24 1,27 1,45 1,19 1,55 1,10 1,66 1,01 1,78 0,93 1,90
25 1,29 1,45 1,21 1,55 1,12 1,66 1,04 1,77 0,95 1,89
26 1,30 1,46 1,22 1,55 1,14 1,65 1,06 1,76 0,98 1,88
27 1,32 1,47 1,24 1,56 1,16 1,65 1,08 1,76 1,01 1,86
28 1,33 1,48 1,26 1,56 1,18 1,65 1,10 1,75 1,03 1,85
29 1,34 1,48 1,27 1,56 1,20 1,65 1,12 1,74 1,05 1,84
30 1,35 1,49 1,28 1,57 1,21 1,65 1,14 1,74 1,07 1,83
31 1,36 1,50 1,30 1,57 1,23 1,65 1,16 1,74 1,09 1,83
32 1,37 1,50 1,31 1,57 1,24 1,65 1,18 1,73 1,11 1,82
33 1,38 1,51 1,32 1,58 1,26 1,65 1,19 1,73 1,13 1,81
34 1,39 1,55 1,33 1,58 1,27 1,65 1,21 1,73 1,15 1,81
35 1,40 1,52 1,34 1,58 1,28 1,65 1,22 1,73 1,16 1,80
36 1,41 1,52 1,35 1,59 1,29 1,65 1,24 1,73 1,18 1,80
37 1,42 1,53 1,36 1,59 1,31 1,66 1,25 1,72 1,19 1,80
38 1,43 1,54 1,37 1,59 1,32 1,66 1,26 1,72 1,21 1,79
39 1,43 1,54 1,38 1,60 1,33 1,66 1,27 1,72 1,22 1,79
40 1,44 1,54 1,39 1,60 1,34 1,66 1,29 1,72 1,23 1,79
45 1,48 1,57 1,43 1,62 1,38 1,67 1,32 1,72 1,29 1,78
50 1,50 1,59 1,46 1,63 1,42 1,67 1,38 1,72 1,34 1,77
55 1,53 1,60 1,49 1,64 1,45 1,68 1,41 1,72 1,38 1,77
60 1,55 1,62 1,51 1,65 1,48 1,69 1,44 1,73 1,41 1,77
65 1,57 1,63 1,54 1,66 1,50 1,70 1,47 1,73 1,44 1,77
70 1,58 1,64 1,55 1,67 1,52 1,70 1,49 1,74 1,46 1,77
75 1,60 1,65 1,57 1,68 1,54 1,71 1,51 1,74 1,49 1,77
80 1,61 1,66 1,59 1,69 1,56 1,72 1,53 1,74 1,51 1,77
85 1,62 1,67 1,60 1,70 1,57 1,72 1,55 1,75 1,52 1,77
90 1,63 1,68 1,61 1,70 1,59 1,73 1,57 1,75 1,54 1,78
95 1,64 1,69 1,62 1,71 1,60 1,73 1,58 1,76 1,57 1,78
100 1,65 1,69 1,63 1,72 1,61 1,74 1,59 1,76 1,57 1,78
Observação:
k´= número de variáveis independentes com exclusão do termo constante
116
TABELA 5 – Pontos de Significância de d L e dU - 1 %
APÊNDICES
DURBIN-WATSON
k´=1 k´=2 k´=3 k´=4 k´=5

n dL dU dL dU dL dU dL dU dL dU
06 0,39 1,14
07 0,43 1,03 0,29 1,67
08 0,49 1,00 0,34 1,48 0,22 2,10
09 0,55 0,99 0,40 1,38 0,27 1,87 0,18 2,43
10 0,60 1,00 0,46 1,33 0,34 1,73 0,23 2,19 0,15 2,69
11 0,65 1,01 0,51 1,29 0,39 1,64 0,28 2,03 0,19 2,45
12 0,69 1,02 0,56 1,27 0,44 1,57 0,33 1,91 0,24 2,28
13 0,73 1,03 0,61 1,26 0,49 1,52 0,39 1,82 0,29 2,15
14 0,77 1,05 0,66 1,25 0,54 1,49 0,44 1,75 0,34 2,04
15 0,81 1,07 0,70 1,25 0,59 1,46 0,49 1,70 0,39 1,96
16 0,84 1,09 0,74 1,25 0,63 1,44 0,53 1,66 0,44 1,90
17 0,87 1,10 0,77 1,25 0,67 1,43 0,57 1,63 0,48 1,85
18 0,90 1,12 0,80 1,26 0,71 1,42 0,61 1,60 0,52 1,80
19 0,93 1,13 0,83 1,26 0,74 1,41 0,65 1,58 0,56 1,77
20 0,95 1,15 0,86 1,27 0,77 1,41 0,68 1,57 0,60 1,74
21 0,97 1,16 0,89 1,27 0,80 1,41 0,72 1,55 0,63 1,71
22 1,00 1,17 0,91 1,28 0,83 1,40 0,75 1,54 0,66 1,69
23 1,02 1,19 0,94 1,29 0,86 1,40 0,77 1,53 0,70 1,67
24 1,04 1,20 0,96 1,30 0,88 1,41 0,80 1,53 0,72 1,66
25 1,05 1,21 0,98 1,30 0,90 1,41 0,83 1,52 0,75 1,65
26 1,07 1,22 1,00 1,31 0,93 1,41 0,85 1,52 0,78 1,64
27 1,09 1,23 1,02 1,32 0,95 1,41 0,88 1,51 0,81 1,63
28 1,10 1,24 1,04 1,32 0,97 1,41 0,90 1,51 0,83 1,61
29 1,12 1,25 1,05 1,33 0,99 1,42 0,92 1,51 0,85 1,61
30 1,13 1,26 1,07 1,34 1,01 1,42 0,94 1,51 0,88 1,61
31 1,15 1,27 1,08 1,34 1,02 1,42 0,96 1,51 0,90 1,60
32 1,16 1,28 1,10 1,35 1,04 1,43 0,98 1,51 0,92 1,60
33 1,17 1,29 1,11 1,36 1,05 1,43 1,00 1,51 0,94 1,59
34 1,18 1,30 1,13 1,36 1,07 1,43 1,01 1,51 0,95 1,59
35 1,19 1,31 1,14 1,37 1,08 1,44 1,03 1,51 0,97 1,59
36 1,21 1,32 1,15 1,38 1,10 1,44 1,04 1,51 0,99 1,59
37 1,22 1,32 1,16 1,38 1,11 1,45 1,06 1,51 1,00 1,59
38 1,23 1,33 1,18 1,39 1,12 1,45 1,07 1,52 1,02 1,58
39 1,24 1,34 1,19 1,39 1,14 1,45 1,09 1,52 1,03 1,58
40 1,25 1,34 1,20 1,40 1,15 1,46 1,10 1,52 1,05 1,58
45 1,29 1,38 1,24 1,42 1,20 1,48 1,16 1,53 1,11 1,58
50 1,32 1,40 1,28 1,45 1,24 1,49 1,20 1,54 1,16 1,59
55 1,36 1,43 1,32 1,47 1,28 1,51 1,25 1,55 1,21 1,59
60 1,38 1,45 1,35 1,48 1,32 1,52 1,28 1,56 1,25 1,60
65 1,41 1,47 1,38 1,50 1,35 1,53 1,31 1,57 1,28 1,61
70 1,43 1,49 1,40 1,52 1,37 1,55 1,34 1,58 1,31 1,61
75 1,45 1,50 1,42 1,53 1,39 1,56 1,37 1,59 1,34 1,62
80 1,47 1,52 1,44 1,54 1,42 1,57 1,39 1,60 1,36 1,62
85 1,48 1,53 1,46 1,55 1,43 1,58 1,41 1,60 1,39 1,63
90 1,50 1,54 1,47 1,56 1,45 1,59 1,43 1,61 1,41 1,64
95 1,51 1,55 1,49 1,57 1,47 1,60 1,45 1,62 1,42 1,64
100 1,52 1,56 1,50 1,58 1,48 1,60 1,46 1,63 1,44 1,65
Observação:
k´= número de variáveis independentes com exclusão do termo constante
117
Engenharia de Avaliações por Inferência Estatística
APLICADA À AVALIAÇÃO DE IMÓVEIS URBANOS REFERÊNCIAS
BONINI, Edmundo Eboli; BONINI, Sergio Eboli. Estatística Teoria e Exercícios. São Paulo: Edições
Loyola, 1972.
DANTAS, Rubens Alves. Engenharia de Avaliações – Uma introdução à Metodologia Científica. São
Paulo: PINI, 1998.
FONSECA, Jairo Simon da; MARTINS, Gilberto de Andrade. Curso de Estatística. 2ª ed., São Paulo:
ATLAS, 1979.
HESS, Geraldo; MARQUES, José Luiz de Moura; ROCHA PAES, Luiz Carlos Medeiros da;
PUCCINI, Abelardo de Lima. Engenharia Econômica. 16ª ed., São Paulo: DIFEL Difusão Editorial
S.A, 1983.
MOREIRA, Alberto Lélio. Princípios de Engenharia de Avaliações. 4ª ed., São Paulo: PINI, 1997.
ILHA MOREIRA FILHO, Ibá; FRAINER, José Irany; ILHA MOREIRA, Rogério Medeiros;ILHA
MOREIRA, Ronaldo Medeiros. Avaliações de bens por estatística Inferencial e Regressões Múltiplas –
Teoria e Aplicações. 2ª ed., vol. 1., Porto Alegre: Divisão, 1993.
NETO, Francisco Maia. Introdução à Engenharia de Avaliações e Perícias Judiciais. Belo Horizonte: Del
Rey, 1992.
PIRES DA SILVA, Sérgio Alberto. Curso de Avaliações Imobiliárias – Módulos Básico e Avançado –
Fundamentos e aplicação da Estatística inferencial. Curitiba: IBAPE/PR, 2002.
ZENI, André Maciel (1999) Curso de Avaliações Imobiliárias – Metodologia Científica. Apostila da
ENGEBÊ.
118

Apostila PDF

Enviado por

Dados do documentoclique para ver informações do documento

Direitos autorais:

Formatos disponíveis

Apostila PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Apostila PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Carlos Humberto Maciel

Eng.º Civil / Eng.º Segurança do Trabalho

2 Engenharia de Avaliações no Brasil ................................................................................................................. 6

2.1 Histórico ...................................................................................................................................................... 6

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

2.3 Homogeneização de dados x Estatística Inferencial ou Indutiva ..................................................... 11

3.1 Diferenças conceituais entre Preço, custo e valor ................................................................................ 16

3.2 Conceitos utilizados em avaliação por métodos comparativos......................................................... 19

3.3 Média Aritmética ..................................................................................................................................... 20

3.4 Desvio padrão .......................................................................................................................................... 21

3.5 Intervalo de Confiança ............................................................................................................................ 22

4 Tratamento de dados por tratamento científico (inferência estatística)................................................... 23

4.1 Correlações e Regressão Simples ........................................................................................................... 30

4.1.1 Método dos mínimos quadrados ............................................................................................. 32

4.1.2 Algoritmo básico para ajustagem simples .............................................................................. 33

4.1.3 Método dos Mínimos quadrados (Exemplo prático) ............................................................ 37

4.1.4 Variação Residual a partir da reta de regressão..................................................................... 44

4.1.5 Cálculo do coeficiente de determinação (r²) do modelo ....................................................... 45

4.1.6 Coeficiente de correlação (r) ..................................................................................................... 47

4.1.7 Coeficiente de correlação (r) do modelo ................................................................................. 49

4.1.8 Coeficiente de correlação (r) do parâmetro ............................................................................ 49

4.1.9 Desvio padrão do modelo ......................................................................................................... 49

4.1.10 Significância dos parâmetros (regressores) ............................................................................ 50

4.1.11 Significância do modelo (Distribuição de Snedecor)............................................................. 52

4.1.12 Intervalo de Confiança .............................................................................................................. 55

4.1.13 Auto-Regressão .......................................................................................................................... 57

4.1.14 Homocedasticidade ................................................................................................................... 59

4.1.15 Normalidade dos Resíduos....................................................................................................... 60

4.1.16 Melhoria do modelo linear através de transformações......................................................... 60

4.2 Correlações e Regressão Duplas ................................................................................................................. 63

4.2.1 Multicolinearidade ..................................................................................................................... 64

4.2.3 Coeficiente de determinação (r²) do modelo .......................................................................... 67

4.2.4 Coeficiente de correlação (r) do modelo ................................................................................. 67

4.2.5 Coeficiente de correlação (r) dos parâmetros ......................................................................... 68

4.2.6 Desvio padrão do modelo ......................................................................................................... 68

4.2.7 Significância dos parâmetros (regressores) ............................................................................ 69

4.2.8 Significância do modelo (Distribuição de Snedecor)............................................................. 70

4.2.9 Intervalo de Confiança .............................................................................................................. 72

4.2.10 Melhoria do modelo para regressões duplas através de transformações .......................... 73

EXERCÍCIOS PRÁTICOS RESOLVIDOS ............................................................................................................... 74

Exercícios de Regressão Simples (cálculo manual) ........................................................................................ 75

Exercícios de Regressão Simples (cálculos através do software).................................................................. 82

Exercícios de Regressão Dupla (cálculo manual) ........................................................................................... 99

Exercícios de Regressão Dupla (cálculos através do software) .................................................................. 106

APÊNDICES ................................................................................................................................................................. 112

TABELA 1 – (Distribuição t de Student)........................................................................................................ 113

TABELA 4 – (Pontos de Significância 5% - DURBIN-WATSON) .............................................................. 116

TABELA 5 – (Pontos de Significância 1% - DURBIN-WATSON) .............................................................. 117

REFERÊNCIAS ............................................................................................................................................................ 118

O primeiro contato que tive com a utilização da inferência estatística como

arquitetos do quadro da CAIXA ECONÔMICA FEDERAL se dispuseram a nos repassar os

conhecimentos que tinham sobre o tema.

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

trabalhos de avaliação de imóveis que desenvolvíamos na CAIXA ECONÔMICA FEDERAL;

quais foram desenvolvidos, certamente poderiam não refletir o comportamento de outros

mercados diferentes daqueles.

O avanço tecnológico que experimentamos atualmente fez com que as metodologias

DOS e, em função da capacidade de processamentos dos computadores da época, cada simulação