Professional Documents
Culture Documents
Engenharia de Avaliaes
por Inferncia Estatstica
Aplicada Avaliao de Imveis Urbanos
( verso atualizada para a NB-14.653-2, vigncia 03/03/2011)
NDICE
1
Prefcio .................................................................................................................................................................. 4
2.1
Histrico ...................................................................................................................................................... 6
2.2
2.3
CONCEITOS....................................................................................................................................................... 16
3.1
3.2
3.3
3.4
3.5
4.1.2
4.1.3
4.1.4
4.1.5
4.1.6
4.1.7
4.1.8
4.1.9
Multicolinearidade ..................................................................................................................... 64
4.2.2
4.2.3
4.2.4
4.2.5
4.2.6
4.2.7
4.2.8
4.2.9
Prefcio
O primeiro contato que tive com a utilizao da inferncia estatstica como
metodologia para elaborao de laudos de avaliao de bens (em especial bens imveis casas,
apartamentos, lotes residenciais, glebas, etc.) ocorreu em 1993 quando alguns engenheiros e
arquitetos do quadro da CAIXA ECONMICA FEDERAL se dispuseram a nos repassar os
conhecimentos que tinham sobre o tema.
Um
exemplo
disto
software
TS-SISREG,
desenvolvido
pela
TECSYS
ENGENHARIA e que utilizaremos tanto no desenvolvimento desta apostila quanto nas aulas
prticas de laboratrio previstas no curso.
Por ltimo, quero ressaltar que no existe conhecimento pleno sobre nenhum assunto,
sempre necessitaremos continuar estudando e aprofundando nossos conhecimentos sobre a
matria. Em razo disto, os conhecimentos adquiridos em cursos tericos, por melhores que sejam
e por mais que contenham um mdulo prtico, no tero valor se no vierem acompanhados de
uma seqncia de elaborao de trabalhos realizados pelos profissionais no contexto do mercado
imobilirio em que estejam inseridos ou nos quais pretendam atuar.
Espero que os conhecimentos adquiridos com esta apostila e com o curso sejam
tomados como motivao para que cada profissional procure ampliar seus conhecimentos sobre o
tema e, quando se sentirem em condies, se proponham a repassar este conhecimento aos demais
profissionais.
2.1
Histrico
Embora tenha sido aps Berrini (ao se utilizar fatores que procuravam traduzir os
efeitos dos atributos de valor tais como: frente, profundidade, relevo, entre outros) que a
engenharia de Avaliaes tornou-se um instrumento que permitiu minimizar os efeitos dos
achismos, do bom senso e da minha experincia diz que ... 2, foi aps 1970 que a engenharia
de avaliaes comeou a despertar maior ateno dos profissionais do ramo.
1979 publicada a NB 613/79, 2 Norma Brasileira que trata sobre Avaliaes, mais
especificamente sobre avaliao de imveis rurais;
1980 I Congresso Mundial de Avaliaes, realizado no Brasil;
1980 1 Curso de Engenharia de Avaliaes - Escola Politcnica da USP;
1990 a norma brasileira para avaliaes de imveis urbanos registrada no
INMETRO como NBR 5676 sendo os nveis de preciso transformados em nveis de
rigor (expedito, normal, rigoroso e rigoroso especial);
2001 lanada a primeira parte da NBR 14653 que trata especificamente da parte de
procedimentos gerais, servindo como guia de procedimentos gerais para as demais
partes, sendo utilizvel somente em conjunto com cada uma delas, razo pela qual no
trouxe contribuio significativa at o lanamento das partes 2, 3 e 4;
2003 lanamento da parte 4 da NBR 14653 e que trata da avaliao de
empreendimentos, assunto at ento no tratado em norma especfica;
2004 lanamento das partes 2 e 3 da NBR 14653 e que tratam, respectivamente, da
avaliao de imveis urbanos e imveis rurais.
2006 lanamento da partes 5 da NBR 14653 e que trata da avaliao de Mquinas,
equipamentos, instalaes e bens industriais em geral;
2.2
lgica que fazia de engenheiros e arquitetos que se dedicavam a outros segmentos da engenharia e
que tivessem vrios anos de atividade, profissionais habilitados para o exerccio da Engenharia de
Avaliaes. Isto permitia que as avaliaes fossem realizadas por profissionais cuja formao no
agregava qualquer metodologia cientfica vlida em seus trabalhos, ficando adstrito sua
experincia profissional, ou seja, subjetividade do profissional.
Somente nos anos 60 que alguns profissionais comearam a se dedicar
exclusivamente ao exerccio da Engenharia de Avaliaes e a partir dos anos 70 surgem as
primeiras empresas de prestao de servios neste ramo e, mesmo atualmente, vrias so as
faculdades/universidades que no possuem em sua grade uma disciplina prpria de avaliaes.
Portanto, embora os engenheiros e arquitetos sejam os profissionais legalmente
habilitados para realizar laudos de avaliao e percias tcnicas de engenharia, no so todos que
recebem, na prpria graduao, conhecimento tcnico suficiente para fornecer capacitao para
desempenhar esta funo com qualidade. A estes profissionais resta buscar este conhecimento fora
da academia, nos diversos cursos que so ministrados ou mesmo por institutos de Avaliaes
como a SOBRE e o IBAPE.
Esta situao tende a se alterar uma vez que nos dias atuais alm do engenheiro de
avaliaes (Engenheiro, arquiteto ou agrnomo) ter ampla formao nos vrios segmentos da
Engenharia, arquitetura e agronomia (logicamente que dentro da especialidade de cada
profissional), esses conhecimentos devem convergir para aplicao conjunta com tcnicas de
valorao de bens.
A norma de avaliaes de bens (NBR 14.653 Parte 1) definiu este profissional como
sendo o engenheiro de avaliaes que, pela definio da norma o profissional de nvel superior,
com habilitao legal e capacitao tcnico-cientfica para realizar avaliaes, devidamente registrado no
Conselho Regional de Engenharia, Arquitetura e Agronomia CREA. Cabe aqui registrar que o termo
engenheiro de avaliaes, em nossa opinio, no exatamente correta posto que no faz jus aos
colegas arquitetos, tambm habilitados ao desempenho desta funo, de tal modo que poderia ser
mais correto o termo avaliador.
2.3
principalmente no que diz respeito reviso de muitos conceitos que estavam impregnados no
subconsciente de muitos profissionais.
Predominava, at ento, a experincia que o profissional detinha em razo de seus
vrios anos no mercado e de sua vasta experincia no mercado de avaliaes de imveis, em
especial os imveis urbanos; conceito este que perdeu fora na medida em que se comeou a
questionar a validade dos diversos procedimentos empricos adotados nos processos de avaliao
e que se pautavam na subjetividade do profissional avaliador.
Este raciocnio aproximava o profissional avaliador do corretor de imveis que tambm
possui experincia no mercado imobilirio; somente o conhecimento tcnico e a sua correta
aplicao na busca da verdade mercadolgica podem diferenciar o profissional avaliador do
corretor de imveis uma vez que este ltimo desempenha sua atividade num mercado delimitado
e restrito.
O profissional de avaliaes no precisa, necessariamente, estar atuando no mercado
por vrios anos para poder extrair desse mercado as informaes que necessita. A ferramenta de
regresses mltiplas pelo mtodo dos mnimos quadrados permite ao profissional extrair do
mercado as informaes necessrias para traduzir o seu comportamento atravs de frmulas
matemticas acompanhadas de parmetros estatsticos que refletem o grau de confiabilidade do
modelo inferido.
Embora o profissional avaliador, num mercado desconhecido, certamente encontrar
dificultadores maiores do que o mercado em que atue (necessidade de pesquisa para
conhecimento do espao urbano, de suas limitaes e tendncias relativas a aspectos fsicos, legais
e mercadolgicos), este profissional ter a seu favor o conhecimento da metodologia cientfica.
Este conhecimento ir permitir aferir, com base nas informaes do prprio mercado,
os fatores influenciantes na formao do valor, pelo menos os mais relevantes, e ter condies de
comprovar e fundamentar estas aferies a partir de laudo detalhado e justificado, utilizando
ferramentas matemticas e estatsticas consagradas no meio cientfico, condies que no possui o
corretor de imveis em um mercado desconhecido.
11
12
14
O texto da NBR 14.653, parte 2, no cita o parecer tcnico como sendo a classificao a
ser utilizada para classificao dos trabalhos nos quais as informaes sejam insuficientes para a
utilizao dos mtodos previstos em Norma, conforme 8.1.2 da ABNT NBR 14653-1:2001. Questes
como estas devero ensejar a necessidade de ajustes da parte 1 da NBR 14.653 para que se
promova a compatibilizao entre as duas partes do Normativo.
15
CONCEITOS
3.1
A definio de avaliao pode ser dada como o conjunto de operaes tcnicas que leva
a formao de juzo sobre o valor mais provvel de um bem, de seus frutos ou de um direito sobre
ele. Neste sentido a Norma NBR-14653 (Parte 1), em seu item 3.5, define avaliao de bens como
sendo:
Anlise tcnica, realizada por engenheiro de avaliaes, para identificar o valor de um bem, de seus
custos, frutos e direitos, assim como determinar indicadores da viabilidade de sua utilizao
econmica, para uma determinada finalidade, situao e data (grifo nosso).
A publicao das partes 1 e 2 do conjunto de Normas que compem a NBR 14653, que
recebe o ttulo geral de Avaliao de bens, fortalece o conceito de valor nico de um bem, o que
corrobora o entendimento da escola univalente, de que o valor de um bem, em determinado
instante, nico, independente do fim a que se destina a avaliao, em contraposio a escola
plurivalente, que correlaciona o valor de um bem com a finalidade para o qual avaliado,
podendo o mesmo atingir diversos tipos de valor. Veja que a definio dada pela Norma,
conforme transcrevemos acima, indica a obteno do valor (no singular) e no dos valores (no
plural).
Entretanto, mesmo em se considerando o entendimento da escola univalente, a
dificuldade maior reside em conceituar valor, posto que este conceito se reveste de carter
subjetivo, atrelado a circunstncias diversas e o ponto de vista sob o qual estejamos examinando.
O objeto especfico da avaliao de imveis a obteno do valor de mercado,
embora a Parte 1 da NBR 14653 indique tambm valor em risco, patrimonial e residual. No parece
pretender a norma indicar que existam vrios tipos de valores para um mesmo bem, mas valores
diferentes em funo da parcela ou conjunto de bens que se pretende avaliar.
No caso de uma avaliao para seguro, por exemplo, natural que o bem que se deseja
segurar seja a edificao e, por vezes, bens que estejam abrigados pela mesma (mveis,
equipamentos, etc.), no se cogitando o valor do terreno, para o qual no se faz necessria ou
adequada a cobertura securitria; temos ento o valor em risco: valor representativo da parcela do
bem que se deseja segurar.
16
17
18
19
Mdia Aritmtica
A mdia aritmtica uma das medidas de posio ou de tendncia central que orienta
quanto a posio da distribuio em relao ao eixo x (abscissa). A sua obteno dada atravs da
equao abaixo:
x=
n
i =1
xi
(Equao 18)
20
Onde:
x = mdia aritmtica
xi = elementos amostrais
n = nmero de elementos amostrais
3.4
Desvio padro
O desvio padro uma medida de disperso dos dados em relao mdia, isto
porque podem existir conjuntos de valores observados que possuem a mesma mdia, mas cuja
disperso dos valores em relao a esta ltima pode ter valores diferenciados, assim o caso de
mdia de valores constantes (100,100) e de valores distintos (50, 150), ambos os conjuntos
apresentam a mesma mdia (100), mas o primeiro tem flutuao nula em relao mdia,
diferentemente do segundo conjunto que tem flutuao diferente de zero.
xi x
i =1
(n 1)
n
se =
(Equao 19)
Onde:
x = mdia aritmtica
xi = elementos amostrais
n = nmero de elementos amostrais
A frmula para obteno do desvio padro da populao diferente da amostra em funo dos graus de liberdade.
21
3.5
Intervalo de Confiana
O intervalo de confiana aquele para o qual se pode afirmar, com determinada
probabilidade, que o verdadeiro valor do parmetro populacional est nele contido. O clculo
deste intervalo feito utilizando-se a distribuio t de Student. Se considerarmos com sendo a
significncia, a confiana ser dada por 1- , como mostra a figura 1:
1-
/2
/2
Li
Figura 1
Ls
I = x t1( / 2 );n1
se
n
(Equao 21)
Onde:
x=
mdia aritmtica
t1( / 2 );n 1 =
se =
n=
22
Para traduzir o que os elementos amostrais querem nos dizer podemos lanar mo
da teoria das regresses que pressupe o estudo das causas (variveis independentes) e de seu
conseqente efeito (varivel dependente). As variveis independentes podem ser:
Quantitativas: Variveis que podem ser medidas ou contadas (Ex.: rea privativa, nmero de
quartos; vagas de garagem)
Dicotmicas: Varivel que assume apenas dois valores (sim ou no, com ou sem). Podem
ocorrer de forma isolada ou em grupos. Tambm conhecidas como binrias, dummies, de
estado, zero - um.
23
Qualitativas: Variveis que no podem ser medidas ou contadas, mas apenas ordenadas ou
hierarquizadas, de acordo com atributos inerentes ao bem (Ex.: padro construtivo e estado de
conservao):
Cdigos alocados: Ordenao numeral (notas ou pesos) para diferenciar as
caractersticas qualitativas dos imveis (nmeros naturais em ordem crescente das
caractersticas possveis, com valor inicial igual a 1.
Cdigos ajustados: Escala extrada dos elementos amostrais originais por meio de
modelo de regresso, com a utilizao de variveis dicotmicas, para diferenciar as
caractersticas qualitativas dos imveis
Proxy: varivel utilizada para substituir outra de difcil mensurao e que se
presume guardar com ela relao de pertinncia (Ex.: CUB, SINAPI, Ross Heideck,
etc.)
Em cada fato da natureza, nos problemas de ordem social ou de interesse econmico,
verifica-se que as variveis apresentam relao entre si, ou seja, podemos tomar como exemplos o
peso das pessoas que estar relacionado com a altura e o sexo; a produtividade agrcola estar
relacionada com o ndice pluviomtrico ou a quantidade de adubo utilizada, etc.
Nos casos em que o valor da varivel desconhecida (varivel dependente) for calculado
com base apenas em uma nica varivel conhecida (varivel independente) teremos o caso de uma
regresso simples; j nos casos em que o quantitativo de variveis independentes for igual ou
superior a dois estaremos trabalhando com regresso mltipla.
de se pressupor que, na prtica, sero raros os casos em que o valor seja determinado
apenas por uma varivel, pois vrios sero os fatores influenciantes do valor, entretanto, por
motivos de ordem didtica, convm que se inicie o estudo da inferncia estatstica atravs da
anlise de regresso simples o que permitir que trabalhemos com frmulas no to complexas,
mas abrir caminho para tratarmos das situaes de regresso dupla que, por sua vez, daro toda a
noo necessria regresso mltipla.
Para uma determinada varivel influenciante (independente) podero ocorrer
comportamentos distintos na varivel influenciada (dependente), sendo assim, vamos imaginar que
um determinado trabalho de avaliao pretenda verificar o comportamento do preo unitrio de
residncias em relao distncia a um suposto plo desvalorizante (penitenciria, aeroporto,
indstria, estao de tratamento de esgoto, etc.).
24
Grfico 01
Grfico 02
Grfico 03
Grfico 04
25
26
y2
y
1
xi
Grfico 05
Grfico 06
^
y = a + b 1 .x
Se o imvel avaliando possui valor Xi situado entre os valores dos diferentes xi
contidos no intervalo compreendido entre X2 e X3, o valor de y chapu ser definido atravs de
interpolao. Quando o valor de x estiver fora da amplitude dos Xi amostrais (Xi < X1 ; Xi > X4),
o clculo ser feito por extrapolao.
Quando efetuamos interpolao, corremos o risco de que, pela ausncia de
informaes de mercado (pontos vermelhos do grfico 06) de que o valor projetado Y1 no reflita
o verdadeiro valor que seria o valor projetado Y2.
Ressalvadas as situaes atpicas como a demonstrada nos pontos vermelhos do
grfico 06 acima, o resultado estar em acordo com os dados amostrais e perfeitamente
enquadrado na equao de regresso obtida para os dados contidos no intervalo [a,b], conforme
indica o grfico 07. Quando a varivel x do imvel avaliando estiver situada fora do intervalo
[a,b] definido pela amostra, pode ocorrer que o valor de y chapu no se enquadre na linha de
regresso que seria obtida se fossem coletados elementos para o intervalo [b,c] conforme pode se
observar no grfico 07, pois para aquele intervalo a forma funcional da curva pode sofrer
alteraes.
27
Grfico 07
Situaes como esta no so difceis de ocorrer. O grfico 07 pode, por exemplo,
representar a variao do valor unitrio de terrenos (y) em funo da distncia dos lotes a um
determinado plo valorizante. normal que, a partir de uma determinada distncia, a influncia
deste plo sofra diminuio e at mesmo aproxime-se de zero mantendo o preo estvel.
Por este motivo, a utilizao do recurso de extrapolao deve ser feito de forma
criteriosa e, principalmente, dentro dos limites normativos, pois, caso contrrio, o avaliador pode
estar obtendo resultados totalmente fora da realidade do segmento de mercado analisado.
A NBR 14.653-2 estabelece vrios itens para que seja definido o grau de fundamentao
da avaliao, tanto no caso de utilizao de modelos de regresso linear como no caso de utilizao
de tratamento por fatores, e a extrapolao (sua ausncia ou limites de utilizao) um dos itens
utilizados para o enquadramento deste grau de fundamentao.
A classificao quanto ao uso das extrapolaes so as descritas abaixo (sendo Grau III
o maior grau de fundamentao e o Grau I o menor):
Grau I - admitida, desde que:
a) as medidas das caractersticas do imvel avaliando no sejam superiores a 100% do limite
amostral superior, nem inferiores metade do limite amostral inferior ;
b) o valor estimado no ultrapasse 20% do valor calculado no limite da fronteira amostral, para
as referidas variveis, de per si e simultaneamente
28
Grfico 08
Grfico 09
29
Grfico 10
Grfico 11
mesmo um capricho, pode ter atribudas a estas qualidades uma quantidade de unidades
monetrias que represente o montante pelo qual possa ser objeto de transao ou troca, ou seja, ou
seu valor de mercado.
30
31
Caber ao avaliador, ento, atravs da modelagem dos dados, eliminar a maior parte
possvel desta variao existente em torno da mdia em particular no que diz respeito s
diferenas fsicas existentes entre os dados e a influncia de fatores scio econmicos sobre a
formao dos preos praticados.
4.1.1
de valores X i ; Yi coletados em pesquisa, verifica-se que a maior parte deles estaro fora da curva
caracterizando a situao mais comum existente no mercado, a relao imperfeita entre as
variveis, tendo cada um dos pares de valores uma distncia vertical Di at a curva, conforme
demonstrado graficamente no Grfico 14:
Grfico 14
O melhor ajustamento ser definido pela curva em que a soma dos quadrados dos
desvios dos diversos pontos em relao mesma seja mnimo, conforme abaixo:
D i 2 = D 1 2 + D 2 2 + D 3 2 + L D n 2 = mnimo
i =1
(Equao 23)
32
Esta curva ser designada como a curva de mnimos quadrados e ainda, para os casos
em que a relao seja linear, teremos a reta de mnimos quadrados.
(varivel dependente ou explicada) em funo do relacionamento desta com outras variveis cujos
valores dispomos (variveis independentes ou explicativas)
Se esta determinao ocorrer apenas em funo de uma nica varivel independente
ou explicativa, estaremos diante de uma regresso simples, cujo ponto de partida ser aquela de
mais simples relacionamento que a relao linear entre as variveis sendo representada pela
equao da linha reta entre dois pontos:
y = a + b.x
Onde:
y = varivel desconhecida (dependente);
x = varivel conhecida (independente);
a, b = constantes
A constante a define o ponto em que a reta corta o eixo das ordenadas, ou seja, o
valor de y quando x igual a zero sendo denominado, portanto, de intercepto. J a
constante b o coeficiente angular da reta e tambm representa o incremento de y quando o
valor de x aumentado de uma unidade (Grfico 15).
33
b=
y
x
Grfico 15
As constantes a e b tambm so denominadas estimadores da regresso, sendo b
o coeficiente da regresso e a reta chamada de reta de regresso de Y sobre X. A verdadeira
equao de regresso linear, que corresponderia populao ou universo, representada,
seguindo-se a nomenclatura adotada em estatstica de que os parmetros populacionais so
representados por letras gregas pela expresso:
Y = + 1 .x1
Considerando,
(Equao 24)
como
citamos
anteriormente,
dificuldade
ou
mesmo
y = a + b1.x1 + e
(Equao 25)
Onde:
^
34
e = Yi y i
(Equao 26)
O erro tem papel fundamental nas concluses que so obtidas sobre o modelo
matemtico adotado e, no estudo que desenvolveremos a seguir, as frmulas somente contero o
termo referente ao erro quando necessrio, ficando o mesmo subentendido nas demais situaes.
Y = + 1 . X = reta de regresso de Y em X
(Equao 27)
(Equao 28)
2
(
y
i ) = mnimo ou
i
i =1
n
[(
(Equao 29)
^ 2
n
n
( y i y i ) = mn y i a b 1 . x i
i =1
i =1
)2 ]
(Equao 30)
y
a
= 0 ( zero )
y
= 0 ( zero)
b1
35
)] =
= ( 2 ).( 1 ) . ( y i a b 1 . x i ) = 0 e
n
i =1
= ( 2 ). ( x i ). (y i a b 1 . x i
n
i =1
(Equao 31)
(Equao 32)
yi
i =1
(x i . Yi
n
i =1
= n .a
+ b1 x i
(Equao 33)
i =1
= a . x i + b 1 (x i 2
n
i =1
i=1
(Equao 34)
mnimos quadrados e formam um sistema de duas equaes com duas incgnitas (a e b) que,
uma vez solucionado, permite obter o valor dos dois parmetros.
X ; Y
i =1
i =1
; (X i .Yi ) e
i =1
i =1
2
i
Tabela 5
Evento
Varivel
Varivel
explicativa
explicada
xi
yi
Operaes
xi2
(x i . y i )
1
2
3
...
n
Somas
Mdias
xi
i =1
mdia (x i
xi2
yi
i =1
mdia ( y i
i =1
(x i . y i
n
i =1
36
4.1.3
Valor Total *
70
40
55
50
60
80
65
* Valores em R$ 1.000,00
A estimativa do valor mdio de mercado para a populao em estudo seria dada pela
mdia aritmtica desta amostra conforme notao abaixo:
Onde:
y=
y
i =1
Logo:
y=
70 + 40 + 55 + 50 + 60 + 80 + 65 420
=
= 60
7
7
37
Terreno
Valor Total ( yi )*
Valor mdio ( y )*
Diferena ( yi y )*
1
2
3
4
5
6
7
70
40
55
50
60
80
65
60
60
60
60
60
60
60
420
10,00
-20,00
-5,00
-10,00
0,00
20,00
5,00
0
TOTAL
* Valores em R$ 1.000,00
Assim, iremos optar pelo mtodo que utiliza elevar as diferenas ao quadrado, como
forma de eliminar o efeito do sinal, obtendo uma representao mais correta da Variao Total
(Vt), cujos resultados podemos aferir na tabela 3:
Tabela 3
Terreno
1
2
3
4
5
6
7
TOTAL
Diferena
(Diferena)2
Valor Total
( yi ) *
Valor mdio
(y)*
( yi y ) *
( yi y )2 **
70
40
55
50
60
80
65
420
60
60
60
60
60
60
60
420
10,00
-20,00
-5,00
-10,00
0,00
20,00
5,00
0
100
400
25
100
0
400
25
1.050
38
Assim, a Variao Total (Vt) dada pela soma dos quadrados das diferenas entre os
valores dos elementos amostrais e a sua mdia aritmtica, teremos que o valor, para este exemplo,
ser de Vt = R$ 1.050.000.000,00.
Considerando que alm da influncia da aleatoriedade do mercado na formao de
valor, influncia esta que no ser passvel de reduo, existem tambm interferncias das
diferenas fsicas e dos fatores scio-econmicos, iremos tratar, num primeiro plano, das
influncias relativas s caractersticas fsicas entre os elementos amostrais, demonstrando atravs
de metodologia tcnica que a maior parte das variaes em torno da mdia aritmtica so
decorrentes destas ltimas.
O foco inicial deve ser na identificao das variveis que sejam facilmente obtidas e que
tenham maior grau de influncia na formao do valor, neste momento que tem peso a
experincia do profissional avaliador.
rea (m)
700
300
500
400
500
800
600
Valor Total*
70
40
55
50
60
80
65
* Valores em R$ 1.000,00
39
90
Grfico 12
80
50
40
60
(R$ 1.000,00)
Valor Total
70
30
20
10
0
0
200
400
600
800
1000
90
Grfico 13
6
1
70
(R$ 1.000,00)
Valor Total
80
y = mdia
60
d4
50
d2
d7
d6
d1
d1 = 10
d 2 = 20
d 3 = 5
d 4 = 10
d3
d5 = 0
d 6 = 20
d7 = 5
40
30
0
200
400
600
800
1000
40
y = 60
Vt = d 12 + d 22 + d 32 + d 42 + d 52 + d 62 + d 72 = 1.050
(Equao 22)
Quando utilizamos a mdia como uma reta de regresso, embora o valor dos terrenos
no se altere (em funo do coeficiente angular nulo), a Variao Total quadrtica em torno de sua
mdia grande (1.050). Para reduzir esta variao devemos identificar uma outra reta, diferente da
reta dada pela mdia aritmtica, que se aproxime o mximo possvel de todos os elementos da
amostra. A reta inclinada representada no grfico 16 uma estimativa da mdia populacional cuja
variao quadrtica deve ser inferior aos 1.050 obtidos em relao mdia aritmtica.
90
Grfico 16
^
yi = A + B.xi
80
70
(R$ 1.000,00)
Valor Total
y6
y7
y = 60 (mdia)
60
50
y5
y3
y4
40
y1
y2
30
0
200
400
600
800
1000
41
A equao desta reta dada pela frmula y = A + B.x , onde y ser o novo valor
mdio do terreno no segmento de mercado, neste caso no mais um valor constante, mas variando
de acordo com a varivel x que representa a respectiva rea total do terreno.
Fica claro que podero existir infinitas retas que permitam uma Variao Residual
inferior a Variao total, entretanto, ir nos interessar, em particular, aquela que fornecer a menor
Variao Residual e que ser aquela que passa, ao mesmo tempo, o mais prximo de todos os
pontos que representam os diversos elementos amostrais.
e1 = y1 ( A + B.x1 )
e2 = y2 ( A + B.x2 )
e3 = y3 ( A + B.x3 )
e4 = y4 ( A + B.x4 )
e5 = y5 ( A + B.x5 )
e6 = y6 ( A + B.x6 )
e7 = y7 ( A + B.x7 )
Onde ( A + B.x ) fornece os valores mdios estimados pela reta de regresso para os
elementos amostrais ( yi ) em funo da rea ( xi ) respectivos, logo, considerando que a variao
( )
residual dada pelo somatrio dos quadrados destas distncias ei2 , podemos escrever a seguinte
equao:
ou ainda Vr =
e
i =1
2
i
(Equao 35)
42
Vr = [ y i ( A + B.xi )] = ( y i A B.xi )
2
i =1
(Equao 36)
i =1
A reta que procuramos, ou seja, aquela que estar o mais prximo possvel de todos os
elementos amostrais aquela que resultar no menor somatrio para a frmula acima, portanto, de
acordo com a lei dos mnimos, os coeficientes A e B que iro permitir a obteno deste somatrio
mnimo sero aqueles para os quais as derivadas parciais de cada um dos coeficientes em relao a
equao de Vr seja igual a zero (valor nulo). Portanto, a derivada parcial em relao a A :
N
Vr
=
A
( y i A B.xi )
2
N
I =1
i =1
= 2( y i A B.xi ) ( 1) = 2 ( y i A B.xi ) = 0
I =1
Assim,
n
i =1
i =1
yi n A B x = 0
Vr
=
B
( yi A B.xi )
I =1
2
N
I =1
i =1
= 2( yi A B.xi ) ( xi ) = 2 xi yi A xi B.xi2 = 0
Logo,
n
i =1
i =1
i =1
xi yi A xi B xi2 = 0
yi n A B x = 0
i =1
i =1
i =1
i =1
i =1
xi yi A xi B xi2 = 0
Para soluo deste sistema, cujas incgnitas so A e B, uma vez que n conhecido
(n=7), necessrio calcularmos os somatrios abaixo e preenchermos a Tabela 5:
n
i =1
i =1
i =1
i =1
yi , xi ; xi yi e xi2
43
Elemento
1
2
3
4
5
6
7
Somas
Mdias
rea Total
Tabela 5
Valor Total
xi
( yi )
xi2
xi y i
700
300
500
400
500
800
600
3.800
542,86
70
40
55
50
60
80
65
420
60
490.000
90.000
250.000
160.000
250.000
640.000
360.000
2.240.000
49.000
12.000
27.500
20.000
30.000
64.000
39.000
241.500
420 7 A 3.800 B = 0
y i = + 18,62903226 + 0,07620967742 . xi
4.1.4
das diferenas entre os valores dos dados e a mdia estimada para cada um deles, necessrio
calcularmos o valor mdio fornecido pela reta de regresso para cada um dos terrenos (elementos
amostrais) de acordo com a sua varivel rea total ( xi ), conforme abaixo:
44
Obtida a mdia estimada pela reta de regresso ( y i ), podemos calcular, para cada
elemento da amostra, a Variao Residual (Vr), aquela dada pelo valor coletado e o valor
calculado na reta de regresso (vide tabela 6):
Diferena ao quadrado
elemento
amostral
Valor coletado
Mdia estimada
yi
yi
ei = y i y i
70
71,98
-1,98
3,90
40
41,49
-1,49
2,23
55
56,73
-1,73
3,01
50
49,11
0,89
0,79
60
56,73
3,27
10,67
80
79,60
0,40
0,16
65
64,35
0,65
0,42
420
420
0,00
21,17 (*)
i =1
Diferena
^
^
2
ei = y i y i
4.1.5
entre X e Y ( y = a + b 1 .X ):
45
Grfico 17
^
^
y i y = y i y + y i y i
(Equao 39)
O que equivale dizer que o desvio total ( y i y ) obtido pela soma do desvio
^
n ^
n
^
yi y = yi y + yi yi
i = 1
i = 1
i = 1
(Equao 40)
yi y
i = 1
n ^
= yi y
i = 1
n
^
+ yi yi
i = 1
(Equao 41)
Sendo que:
2
y i y = variao total
i = 1
^
yi y
i = 1
= variao explicada
2
y i y i = variao no explicada
i = 1
46
^
y y
variao explicada de y i =1 i
=
2
r =
= n
2
variao total de y
yi y
i =1
n
^
yi y
i =1
2
n
n
^
2
^
y i y + yi y i
i =1
i =1
n
(Equao 42)
Para o exemplo que estamos utilizando, a variao residual (Vr) calculada atravs do
somatrio dos quadrados das diferenas entre os valores totais dos elementos amostrais e os
respectivos valores estimados atravs da reta de regresso (
n
2
i =1 i
a reta de regresso conseguiu reduzir significativamente a Variao total (Vt = 1.050) que dada
pela soma dos quadrados da diferena entre os valores totais de cada elemento e a reta
representada pela mdia.
A variao explicada pode ser obtida pela diferena entre a Variao Total (1.050) e a
variao residual (21,17) do que obtemos que a variao explicada de 1.028,83 e fazendo uso da
equao 37, podemos obter o coeficiente de determinao ( r 2 ) do modelo de regresso:
r2 =
4.1.6
47
Grfico 18
(correlao positiva)
Grfico 19
(correlao negativa)
.........
relao nula
< r
0,30
.........
relao fraca
0,30
< r
0,60
.........
relao mdia
0,60
< r
0,90
.........
relao forte
0,90
< r
0,99
.........
relao fortssima
.........
relao perfeita
r =
48
4.1.7
quadrada do coeficiente de determinao (r) cuja frmula geral dada pela Equao 43 e pode ser
utilizada para qualquer regresso:
n
r =
4.1.8
r2 =
yi y
i = 1
n
(Equao 43)
yi y
i = 1
para o caso de regresso linear simples, pode ser calculado atravs da seguinte frmula:
r =
x i x . y i y
i = 1
n
xi x . yi y
i = 1
(Equao 44)
i = 1
4.1.9
ajustamento a n dados y i ajustados por uma equao y i , fornecido pela seguinte frmula:
49
yi y i
i =1
(n p )
n
se =
(Equao 45)
Como se trata de regresso linear simples temos que p=2 e podemos reescrever a
Equao 45:
^
y
i
i =1
(n 2)
n
se =
(Equao 46)
^ 2
n
yi yi
i = 1
considerados satisfatrios, o mais apropriado a adoo daquele que menor varincia tiver pois
este o que permitir estimativas mais precisas e menor distncia entre os limites do intervalo de
confiana.
relevante tambm destacar que uma determinada varivel importante para explicar
a variabilidade dos preos se a sua incluso gerar uma reduo na varincia residual e ser tanto
mais importante quanto maior for a reduo verificada, ou seja, se a reduo for insignificante, no
ser interessante incluir a varivel.
4.1.10
Hiptese 1
Testar a hiptese acima para uma parmetro 1 , correspondente a uma varivel X1,
semelhante a testar:
50
t *j =
bj j
(Equao 47)
s (b j )
Onde s(bj) obtido pelo quociente do desvio-padro do modelo pela varincia total da
varivel independente a que se refere o parmetro bj.
Demonstra-se que t* tem distribuio t de Student com n-p graus de liberdade
onde n o nmero de dados amostrais e p o nmero de parmetros estimados. Isto , para o
modelo de regresso simples: n-2 graus de liberdade.
t *j =
()
bj
()
onde:
(Equao 48)
s bj
s b j = se .
1
2
(Equao 49)
Xi X
i = 1
se =
^
n
Yi Y i
i =1
n 2
(Equao 50)
51
Como t(1-/2;n-2) um valor tabelado, se t* for superior a t(1-/2;n-2), rejeita-se H0, indicando
que a varivel correspondente ao parmetro testado importante para explicar o fenmeno.
A significncia dos regressores, segundo a NBR 14.653, Parte 2, ser utilizada para
definir o grau de fundamentao da avaliao, no caso de utilizao de modelos de regresso
linear, conforme contido no item 5 da tabela 1(item 9.2.1), que transcrevemos abaixo:
Grau de fundamentao
Descrio
Nvel de significncia (somatrio
do valor das duas caudas) mximo
para a rejeio da hiptese nula de
cada regressor (teste bicaudal)
4.1.11
III
II
10%
20%
30%
individual visto que o modelo tem somente um parmetro a ser testado, qual seja (Hiptese 2):
H 0 : o coeficiente angular da reta de regresso nulo e o comportamento de
H 0 : 1 = 0
H : 0
1
1
Grfico 20
52
n
n
^
y
y
=
y
y
+
i
i
yi
i =1
i =1
i =1
n
i =1
n
i =1
n
n ^
1 (um) para y i y , resultado da diferena entre (n-1)-(n-2).
i = 1
Varincia Total =
(n 1)
(Equao 51)
^
n
yi yi
i = 1
Varincia no explicada =
( n 2)
^
yi yi
i =1
Varincia explicada =
1
n
(Equao 52)
(Equao 53)
A partir disto podemos montar uma tabela de anlise de varincia, tambm conhecida
como tabela da ANOVA que, para o caso de regresso linear simples dada por:
Variao
Explicada
n ^
SQR = y i y
i = 1
No
explicada
^
n
SQE = y i y i
i = 1
Total
n
SQTO = y i y i
i = 1
Graus de
Liberdade
1
Varincia
n ^
yi y
i = 1
n-2
^
n
yi yi
i = 1
n-1
n
yi yi
i = 1
(n 2 )
(n 1)
53
Atravs da anlise do grfico 20 podemos verificar que a situao ideal ser aquela
onde a varincia explicada seja grande e a varincia no explicada pequena. Assim, para se testar
a significncia global do modelo, analisa-se a razo entre essas duas varincias, pela estatstica:
Fc =
n ^
2
y i y 1
i = 1
^ 2
y
y
(n 2 )
i
i
i = 1
n ^
yi y
i = 1
. (n 2 )
=
^ 2
n
1
yi yi
i = 1
(Equao 54)
Quanto maior o fator Fc maior a probabilidade de o modelo ser aceito para explicar o
fenmeno em estudo e, conforme demonstrado estatisticamente, o fator Fc , sob a hiptese H0, tem
distribuio de Snedecor com k graus de liberdade no numerador e n-k-1 no denominador
que, para o caso especfico da regresso linear simples representa um grau de liberdade no
numerador e n-2 graus de liberdade no denominador, sendo que, atravs do tabelamento feito
por Fischer, os pontos crticos para um nvel de significncia simbolizado por F( ; k ; n k 1) que
no caso da regresso linear simples dado por F( ;1; n 2 ) . Estes pontos esto nas tabelas 2 e 3 para
os nveis 5% e 1% (vide APNDICES), onde o nmero dos graus de liberdade do numerador (1=k)
indica a coluna e o nmero dos graus de liberdade no denominador (2=n-k-1) indica a linha onde
se localiza o ponto crtico correspondente.
Isto implica dizer que, para rejeitar a hiptese nula de no haver regresso do modelo
ao nvel de significncia , necessrio que Fc (F calculado) seja superior a F( ;k ;n k 1) , caso
contrrio, dentro do percentual de significncia adotado, h indcios de que a reta inclinada no
explica o fenmeno melhor que a reta horizontal, devendo esta ltima ser a escolhida.
54
Grau de fundamentao
Descrio
III
II
2%
5%
Intervalo de Confiana
^
O intervalo de confiana para um nvel de (1-), em torno de um ponto x 0 ; y 0 , sobre
Y = y 0 t1 / 2;(n k 1) s e
x0 x
1
+
n
2
n
xi x
i =1
(Equao 55)
Onde:
Y = valor da varivel desconhecida na verdadeira reta de regresso
= significncia adotada
n = nmero de dados amostrais;
x0 x
xi x
i = 1
55
Grau de preciso
Descrio
Amplitude do intervalo de confiana de 80%
em torno do valor central da estimativa
III
II
30%
40%
50%
Como se pode observar na Equao 55, a menor amplitude do intervalo ocorre quando
o bem avaliando possui caractersticas iguais mdia das caractersticas dos dados amostrais, isto
-x
Grfico 21
56
4.1.13
Auto-Regresso
A auto-regresso ocorre quando verificamos existir correlao serial na formao dos
valores da varivel dependente, o que poder ter impacto quanto ao procedimento de mnimos
quadrados, quais sejam:
amostral. A diferena entre eles resulta no erro (resduo) da regresso neste ponto: e i = y i y .
Assim, ordenando-se a varivel suspeita de auto-regresso, construmos o algoritmo:
xi
(ordenado)
yi
Resduos
yi
ei
(estimado)
ei 1
Diferena
ei 2
ei 2
ei ei 1
Sendo que a Estatstica de Durbin-Watson dada pela Equao 56, cujo resultado
deve ser cotejado com um valor tabelado (crtico), identificado pelo nmero de elementos da
amostra (n), nvel de significncia e nmero de regressores (k).
n
d=
i =2
n
e
i =1
(Equao 56)
2
57
As tabelas 4, 5 e 6 (vide APNDICES) fornecem quocientes crticos d L e d U (DurbinWatson), conforme o grfico abaixo:
f (d)
e onde se tem:
Grfico 22
Grfico 23
58
Grfico 24
4.1.14
Homocedasticidade
^
apresentando pontos distribudos aleatoriamente em torno de uma reta horizontal, sem nenhum
padro definido, com o formato do grfico 23 (acima), um indicador favorvel a aceitao da
hiptese da varincia constante para o erro; em caso contrrio, se os pontos apresentarem alguma
tendncia, como podemos verificar no grfico 24 (acima), conclui-se que a varincia do erro no
constante.
59
4.1.15
errantes.
Estes
pontos
4.1.16
reta somente ter confiabilidade para explicar o fenmeno se a tendncia de distribuio dos
pontos for linear ( y = a + b.x ).
Na prtica nem sempre se observa este tipo de tendncia, entretanto, alguns modelos
no lineares podem ser linearizados atravs da simples transformao das escalas de medio das
variveis. Considere, por exemplo, os dados sobre lotes residenciais cujos pares de valores valor
unitrio ( Vu ) x rea observados no mercado esto plotados no Grfico 25.
Fica visualmente claro que h uma tendncia de decrscimo do valor unitrio medida
que o valor da rea aumenta, mas no de forma linear e sim de forma hiperblica. O ajustamento
de uma reta aos pontos, conforme graficamente demonstrado no grfico 25, mostra-se inadequado.
60
Vu
Grfico 26
Grfico 25
Z = a + b 1 .rea
(Equao 57)
1
Vu
= a + b1 .rea Vu =
1
a + b1 .rea
(Equao 58)
Que a equao de uma hiprbole, desta forma, na escala Vu temos pontos com
tendncia hiperblica enquanto que na escala Z a tendncia linear. H uma srie de
transformaes que se compatibilizam com as inferncias mais utilizadas na Engenharia de
Avaliaes e que esto disponveis nos softwares de modelagem por regresso linear.
61
Assim, para a equao transformada dada por Y = A + B.X temos, entre outras:
Transformaes
Tipo de
curva
equao
caracterstica
modelo linear
Potencial
y = a.x b
Exponencial
logartmica
Hiperblica
1
Hiperblica
2
transformada
original
ln (y ) = ln (a ) + b. ln( x )
ln(y )
ln ( x )
ln (a )
eA
y = a.b x
ln(y )
ln (a )
ln ( b )
eA
eB
y = a + b. ln( x )
y = a + b. ln( x )
ln ( x )
1
x
1
x
1
= a + b.x
y
1
y
y = a +
y =
b
x
1
a + b.x
y = a + b.
62
4.2
Y = + 1X 1 + 2 X 2 + 3 X 3 + ... + n X n
(Equao 59)
Onde:
Para efeitos deste estudo, em razo das dificuldades adicionais decorrentes da maior
complexidade dos clculos, estaremos desenvolvendo a regresso dupla com os mesmos mtodos
desenvolvidos anteriormente, entretanto, adicionando mais uma varivel independente( x 2 ) e
acrescendo-se um teste que diz respeito a colinearidade das variveis independentes cujo efeito
denominado de multicolinearidade.
63
4.2.1
Multicolinearidade
A regresso linear exige como pressuposto que as variveis independentes no estejam
... seria como investigarmos o valor unitrio de uma gleba, observando-se a rea
superficial e a distncia a importante estrada (as reas aumentam medida que se
afastam da estrada). No haveria danos de estimao, caso propusssemos avaliar
uma gleba de pequeno porte prximo estrada ou vice-versa. A colinearidade
provoca distores no termo varincia e no intervalo de confiana, alm de outros
danos, caso desejemos avaliar gleba de elevada rea junto estrada ou vice-versa.
Entretanto, nos casos em que a colinearidade existente entre as variveis decorrer de
uma funo direta sobre a outra tais como rea x profundidade, rea x coeficiente de
aproveitamento, etc., necessrio que optemos por um ou outro atributo.
4.2.2
o modelo matemtico que promove o melhor ajustamento para a reta aquele em que o valor da
soma dos quadrados dos desvios em relao reta de regresso mnimo. Para a regresso dupla no
diferente, assim:
Y = + 1X1 + 2 X 2 = regresso de Y em X1 e X 2
^
(Equao 60)
(Equao 61)
64
i =1
(Equao 62)
^ 2
n
n
2
( y i y i ) = mn (y i a b1 .x1 b 2 .x2 )
i =1
i =1
]}
(Equao 63)
y
= 0 ( zero)
b1
Y
= 0 ( zero)
b 2
(Equao 64)
(Equao 65)
(Equao 66)
n
Y
= ( 2 ).( 1).(Yi a b 1 .x1i b 2 .x 2 i ) = 0
a
i =1
n
Y
= ( 2 ).( x1i )(
. Yi a b1 .x1i b 2 x 2 i ) = 0
b1
i =1
n
Y
= ( 2 ).( x 2 i )(
. Yi a b1 .x1i b 2 x 2 i ) = 0
b 2
i =1
Yi
i =1
a.n
(x1i.y i ) = a. x1i
n
i =1
i =1
+ b1 x1i
+ b2 x2i
i =1
(Equao 67)
i =1
+ b1 (x1i ) + b 2 x1i.x2 i
n
i =1
i =1
i =1
i =1
i =1
i =1
(Equao 68)
(Equao 69)
65
Uma forma de resolver o sistema atravs do teorema de Crammer de onde temos que
se o determinante de um sistema for diferente de zero, o sistema possvel e determinado. Para uma
matriz 3x3 temos:
a 1x1 + b1x 2 + c 1x2 = k 1
a 2 x1 + b 2 x2 + c 2 x 2 = k 2
a 3 x1 + b 3 x2 + c 3 x2 = k 3
a1
= a2
a3
b1
b2
b3
c1
c2
c3
; x 2 = 2 e x 3 = 3 sendo:
k1
= k2
k3
b1
b2
b3
c1
c2
c3
a1
= a2
a3
k1
k2
k3
c1
c2
c3
a1
= a2
a3
b1
b2
b3
k1
k2
k3
regra de Sarrus que consiste em repetir as duas primeiras linhas e somar os produtos obtidos pelas
transversais que abranjam trs elementos.
a1
a2
b1
b2
c1
c2
a2
b2
c2
= a3
a1
b3
b1
c3
c1
= 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 clculo dos determinantes tambm poderia ser obtido atravs do aplicativo EXCEL,
atravs do boto inserir funo
, conforme figura 2:
Figura 2
4.2.3
(r) obtido pelo quociente da variao explicada e a variao total, conforme frmula abaixo:
r2 =
variao explicada de y
variao total de y
yi y
i = 1
yi y
i = 1
(Equao 70)
4.2.4
coeficiente de determinao (r) cuja frmula geral dada pela Equao 71 e pode ser utilizada
para qualquer regresso:
67
r =
4.2.5
r2 =
yi y
i = 1
(Equao 71)
yi y
i = 1
r =
xm i xm i . xp i xp i
i =1
2
xm i xm i . xp i xp i
i = 1
(Equao 72)
i = 1
4.2.6
ajustamento a n dados y i por uma equao de mdia y i , fornecido pela seguinte frmula:
se =
^
n
yi yi
i = 1
(Equao 73)
(n p)
se =
^
n
yi yi
i = 1
(n 3)
(Equao 74)
68
4.2.7
No caso de mais uma varivel independente, o clculo do erro padro dos parmetros
b apresenta maiores dificuldades, uma vez que os clculos tornam-se cada vez mais complexos,
o que leva a necessidade da utilizao de computadores ou emprego de matrizes. Para o caso
especfico de regresso linear dupla, temos:
t *j =
bj
()
onde:
(Equao 75)
s bj
s (b 1 ) = s e .
X 1 i X . X 2 i X
i =1
n
X 1i X
i = 1
s (b 2 ) = s e .
X2i X
i = 1
n
X2i X
i = 1
(Equao 76)
X 1 i X . X 2 i X
i =1
X 1i X
i = 1
(Equao 77)
A significncia dos regressores, segundo a NBR 14.653, Parte 2, ser utilizada para
definir o grau de fundamentao da avaliao, no caso de utilizao de modelos de regresso
linear, conforme contido no item 5 da tabela 1(item 9.2.1), que transcrevemos abaixo:
Descrio
Nvel de significncia (somatrio
do valor das duas caudas) mximo
para a rejeio da hiptese nula de
cada regressor (teste bicaudal)
Grau de fundamentao
III
II
10%
20%
30%
69
4.2.8
modelo de regresso linear dupla ajustado a uma amostra de n dados, temos que:
yi y
i = 1
n
n ^
= y i y i + y i y
i = 1
i = 1
(Equao 78)
n
(n-1) para y i y pois conhecemos somente parmetro estimado que y ;
i = 1
^
n
(n-3) para y i y i pois envolve os parmetros estimados a; b 1 e b 2
i = 1
n ^
2 (dois) para y i y , resultado da diferena entre (n-1)-(n-3).
i = 1
Varincia Total =
(n 1)
Varincia no explicada =
Varincia explicada =
(Equao 79)
^
n
yi yi
i = 1
( n 3)
n ^
yi yi
i = 1
(Equao 80)
(Equao 81)
A partir disto podemos montar uma tabela de anlise de varincia, tambm conhecida
como tabela da ANOVA que, para o caso de regresso linear simples dada por:
70
Variao
Graus de
Liberdade
Explicada
n ^
SQR = y i y
i = 1
No
explicada
^
n
SQE = y i y i
i = 1
Total
n
SQTO = y i y i
i = 1
Varincia
n ^
yi y
i = 1
n-3
^
n
yi yi
i = 1
n-1
n
yi yi
i = 1
(n 3)
(n 1)
explicada seja grande e a varincia no explicada pequena. Assim, para se testar a significncia
global do modelo, analisa-se a razo entre essas duas varincias, pela estatstica:
Fc =
n ^ 2
y i y 2
i =1
2
^
n
yi y i
i =1
^
yi y
. (n 3)
i =1
=
2
n
^
2
(n 3) yi y i
i =1
n
(Equao 82)
O fator Fc ter um resultado tanto maior quanto maior for a variao explicada. O fator
F , sob a hiptese H0, tem distribuio de Snedecor com k graus de liberdade no numerador e
n-k-1 no denominador que, para o caso especfico da regresso linear dupla representa dois
grau de liberdade no numerador e n-3 graus de liberdade no denominador, sendo que, atravs
do tabelamento feito por Fischer, os pontos crticos para um nvel de significncia so
simbolizados por F( ; k ; n k 1) que no caso da regresso linear dupla dado por F( ; 2 ; n 3 ) .
Estes pontos esto nas tabelas 2 e 3 para os nveis 5% e 1% (vide APNDICES), onde o
nmero dos graus de liberdade do numerador (1 = k) indica a coluna e o nmero dos graus de
liberdade no denominador (2 = n-k-1) indica a linha onde
correspondente.
Isto implica dizer que, para rejeitar a hiptese nula de no haver regresso do modelo
ao nvel de significncia , necessrio que Fc (F calculado) seja superior a F( ;k ;n k 1) , caso
contrrio, h indcios de que a reta inclinada no explica o fenmeno melhor que a reta horizontal,
devendo esta ltima ser a escolhida.
71
Descrio
Nvel de significncia mximo
admitido para a rejeio da
hiptese nula do modelo atravs do
teste F de Snedecor
4.2.9
III
II
1%
2%
5%
Intervalo de Confiana
Para o caso especfico de regresses duplas, o clculo do intervalo de confiana
apresenta grau de dificuldade bem maior na elaborao dos clculos, demandando a utilizao de
clculo de matrizes que somente ser eficiente, dado quantidade de clculos, se devidamente
sistematizados.
Onde:
M =
d.
(x , .x ) 1 .
d . Vres
Sendo que:
72
Matriz 1:
^
^
d = 1 x 1 x 1 x 2 x 2 onde x 1 e x 2 so os parmetros estimativos
Matriz 2:
1
x , .x
0
0
x2 x2
s 22 s 12 onde: s 22 = i
=1
n
W W
s 12 = x 1 x 1 . x 2 x 2
s 12 s 11
i =1
n
n
n
W W
W = x 1 x 1 . x 2 x 2 x 1 x 1 . x 2 x 2
i = 1
i =1
i = 1
Vres
^
d .Vres = x1 x1.Vres
x 2 x 2 .Vres
4.2.10
n
s 11 = x 1 x 1
i = 1
Onde: Vres =
^
n
yi yi
i = 1
(n p)
observa este tipo de tendncia, entretanto, alguns modelos no lineares podem ser linearizados
atravs da simples transformao das escalas de medio das variveis.
Para o caso da regresso dupla bem como nos casos de regresses mltiplas valem as
mesmas regras de transformao descritas pra a regresso simples
73
74
Exerccio 1.1: A partir de pesquisa com foco em terrenos comerciais, obteve-se, para 10 eventos
^
amostrais, os preos unitrios e reas abaixo. Calcule o valor de y para um lote de 450,00 m.
Evento
Yi
Xi
60,00
52,00
61,00
48,00
55,00
52,00
38,00
42,00
57,00
63,00
450,00
500,00
420,00
580,00
600,00
680,00
800,00
720,00
620,00
300,00
1
2
3
4
5
6
7
8
9
10
Evento
Varivel explicativa
Varivel explicada
xi
yi
450,00
500,00
420,00
580,00
600,00
680,00
800,00
720,00
620,00
300,00
5.670,00
567,00
60,00
52,00
61,00
48,00
55,00
52,00
38,00
42,00
57,00
63,00
528,00
52,80
1
2
3
4
5
6
7
8
9
10
Somas
Mdias
Operaes
xi
202.500,00
250.000,00
176.400,00
336.400,00
360.000,00
462.400,00
640.000,00
518.400,00
384.400,00
90.000,00
3.420.500,00
342.050,00
yi2
(x i . y i )
3.600,00
2.704,00
3.721,00
2.304,00
3.025,00
2.704,00
1.444,00
1.764,00
3.249,00
3.969,00
28.484,00
2.848,40
27.000,00
26.000,00
25.620,00
27.840,00
33.000,00
35.360,00
30.400,00
30.240,00
35.340,00
18.900,00
289.700,00
28.970,00
528,00
= 10a
5.670 ,00b1
79,4830018
b = (-) 0,0470599679
75
poderemos estimar o valor da varivel dependente, y (valor unitrio), para cada valor de X.
^
y = 79,4830018 0 , 0470599679 . x i
^
O valor unitrio estimado y para o lote avaliando com rea de 450,00 m de R$ 58,31
o que permite concluir que o valor total estimado para o terreno avaliando de R$ 26.23,50.
Varivel
explicada
Evento
xi
yi
valor
inferido
^
yi
variao
explicada
^
yi y
variao
no
explicada
^
yi yi
quadrado do
desvio da
varivel Xi
X X
i
quadrado da
variao
explicada
quadrado da
variao no
explicada
y y^
i
i
y^ y
i
450
60
58,31
5,51
1,69
13.689,00
30,32
2,87
500
52
55,95
3,15
-3,95
4.489,00
9,94
15,63
420
61
59,72
6,92
1,28
21.609,00
47,86
1,64
580
48
52,19
-0,61
-4,19
169,00
0,37
17,54
600
55
51,25
-1,55
3,75
1.089,00
2,41
14,08
680
52
47,48
-5,32
4,52
12.769,00
28,28
20,41
800
38
41,84
-10,96
-3,84
54.289,00
120,23
14,71
720
42
45,60
-7,20
-3,60
23.409,00
51,84
12,96
620
57
50,31
-2,49
6,69
2.809,00
6,22
44,81
10
300
63
65,37
12,57
-2,37
71.289,00
157,88
5,59
Somas
5.670,00
528,00
205.610,00
455,35
150,25
Mdias
567,00
52,8
76
^
yi y
i =1
n
r2 =
variao explicada de y
=
variao total de y
y
n
i =1
y
+
y
i
i
i
i =1
455,35
= 0,7519 ou 75,19%
455,35 + 150,25
r =
r2 =
n
y i y
i =1
n
y i y
455 , 35
= 0,8671
605 , 60
i =1
Exerccio 1.3: Utilizando-se os dados e valores calculados nos exerccios anteriores, calcule o
desvio padro do modelo de regresso adotado.
se =
150 ,25
(10 2 )
= 4 ,3337
Exerccio 1.4: Utilizando-se os dados e valores calculados nos exerccios anteriores, calcule a
significncia do parmetro b1 para o modelo ajustado encontrado.
77
Yi Y i
150,25
i =1
=
= 4,333734
10 2
n2
n
se =
Em seguida:
s (b1 ) = s e .
t 1* =
i =1
n
= 4,333734.
1
205.610,00
= 0,00955741
b1
(-) 0,04705996 79
=
= ( ) 4 ,92
s (b1 )
0 , 00955741
De posse do t calculado (4,92), nos dirigimos Tabela 1 (ANEXO) e na coluna n-2 (102) graus de liberdade () vericamos que o mesmo est situado entre os nveis de 0,1% (5,041) e
0,2% (4,501) e, atravs de um interpolao linear, obtemos que o nvel de significncia do
parmetro b1 , aproximadamente, de 0,1224%.
Exerccio 1.5: Calcule a significncia do modelo ajustado contido a partir dos dados fornecidos no
exerccio 1:
n ^
yi y
i = 1
. (n 2 ) = 455,35 . (10 2)) = 24 ,25
Fc =
^ 2
n
1
150 ,25
1
yi yi
i = 1
78
F(1%;1; 8 ) = 11,3
Assim, como Fc (24,25) > F(1%;1;8 ) (11,3) , podemos concluir que o modelo possui
significncia menor que 1% o que equivale dizer que a hiptese nula de no haver regresso foi
descartada com 99% de confiana.
Exerccio 1.6: Para o modelo ajustado utilizado nos exemplos anteriores, calcule o intervalo de
confiana para o valor mdio do lote avaliando, considerando um nvel de confiana de 80%.
Utilizando-se dos valores calculados nos exerccios anteriores e da equao 55, temos:
Y = 58 ,30 1,397 . 4 ,3337 .
10
(450 567 )2
ou
205.610 ,00
Y = 58 ,30 2 ,47 Ymx = 58 ,30 + 2 ,47 = 60 ,77 e Ymn = 58 ,30 2 ,47 = 55,83
Exerccio 1.7: Para o modelo ajustado utilizado nos exemplos anteriores, calcular a estatstica de
Durbin-Watson para a varivel rea analisando quanto existncia ou no de auto-regresso.
Para a varivel rea (x) podemos construir o seguinte algoritmo:
Resduos
Diferena
^
xi
y
yi
i
ei
ei 1
(ordenado)
(estimado)
e e
i
300,00
420,00
450,00
500,00
580,00
600,00
620,00
680,00
720,00
800,00
63,00
61,00
60,00
52,00
48,00
55,00
57,00
52,00
42,00
38,00
65,36501
59,71782
58,30602
55,95302
52,18822
51,24702
50,30582
47,48222
45,59982
41,83503
-2,36501
1,28218
1,69398
-3,95302
-4,18822
3,75298
6,69418
4,51778
-3,59982
-3,83503
-2,36501
1,28218
1,69398
-3,95302
-4,18822
3,75298
6,69418
4,51778
-3,59982
ei 2
i 1
3,64720
0,41180
-5,64700
-0,23520
7,94120
2,94120
-2,17640
-8,11760
-0,23520
13,30204
0,16958
31,88863
0,05532
63,06265
8,65065
4,73673
65,89545
0,05532
187,81636
5,59328
1,64400
2,86958
15,62635
17,54119
14,08485
44,81202
20,41030
12,95874
14,70744
150,24775
d =
i=2
n
ei 2
i =1
187,81636
1,25
150,24775
79
Exerccio 1.8: A partir dos dados fornecidos nos exemplos anteriores, calcule o valor de y ,
considerando um lote de 450,00 m, para a transformao potencial.
Tabela de Clculos
Valor
Unitrio
(R$/m)
rea
(m)
Yi
Xi
ln y
ln x
Yi 2
Xi2
(X i .Yi )
1
2
3
4
5
6
7
8
9
10
60,00
52,00
61,00
48,00
55,00
52,00
38,00
42,00
57,00
63,00
450,00
500,00
420,00
580,00
600,00
680,00
800,00
720,00
620,00
300,00
4,09434
3,95124
4,11087
3,87120
4,00733
3,95124
3,63759
3,73767
4,04305
4,14313
6,10925
6,21461
6,04025
6,36303
6,39693
6,52209
6,68461
6,57925
6,42972
5,70378
16,76366
15,61233
16,89928
14,98620
16,05872
15,61233
13,23203
13,97017
16,34626
17,16557
37,32291
38,62135
36,48468
40,48813
40,92071
42,53769
44,68403
43,28655
41,34129
32,53313
25,01336
24,55543
24,83073
24,63256
25,63463
25,77038
24,31585
24,59107
25,99569
23,63154
Somas
Mdias
528,00
52,80
5.670,00
567,00
39,54768
3,95477
63,04353
6,30435
156,64655
398,22047
248,97123
Evento
Operaes
80
yi
= n .a
i =1
(x i . Yi
n
i =1
= a. x i
i =1
b1 x i
b 1 (x i 2
i =1
n
i=1
39,54768
10.a
248,97123
63,04353.a +
63,04353. b1
398,22047. b1
6,824084453
b = (-) 0,4551325820
A partir do que podemos formular a equao de regresso linear transformada, a partir
^
^
ln y = 6 ,824084453
y=e
^
ln y
= e 4,04367 = 57,03
81
Exerccio 2.1
Utilizando o software TS-SISREG 5, considerando uma regresso simples, regressores em escala
direta e as informaes contidas na tabela abaixo, calcule:
rea do terreno (m)
Xi
Yi
450,00
60,00
500,00
52,00
420,00
61,00
580,00
48,00
600,00
55,00
680,00
52,00
800,00
38,00
720,00
42,00
Evento
620,00
57,00
10
300,00
63,00
a) coeficientes
de
determinao
1) abrindo o programa e criando um arquivo novo: clique em Iniciar>Programas>TS-Sisreg>TSSisreg (Figura 03) ou d um duplo clique no cone do TS-SISREG na rea de trabalho (Figura 04):
Figura 04
Figura 03
Na seqncia a tela que se abrir dever ser semelhante a Figura 05, selecione o boto CANCELAR
e em seguida abra o menu suspenso Arquivo>Novo (Ctrl+N) vide Figura 06:
Figura 05
5
Figura 06
Na tela seguinte (semelhante a da Figura 07), na paleta Criao, proceda s aes indicadas abaixo:
Figura 07
Figura 08
1) Na caixa denominada Varivel, adicione no campo Nome o texto rea do Terreno e clique no
boto Adicionar (a varivel rea do terreno dever aparecer na caixa Variveis do Modelo -
direita - Figura 08);
2) Adote o mesmo procedimento para incluir a varivel Valor Unitrio;
3) Na seqncia, dentro da caixa denominada Sobre o Modelo clique no campo Autor e escreva o
seu nome (este procedimento servir para identificar o profissional que elaborou o modelo);
4) no campo Nome do Modelo especifique um nome para o modelo;
5) no campo Criao informe a data que preferir ou, por padro, ser inserida a data atual;
6) no campo Observaes informe detalhes sobre o modelo, tais como o objetivo do modelo, a rea
de abrangncia, o nome do cliente, etc. (este procedimento ser til em consultas futuras para
identificar a abrangncia e limitaes do modelo).
7) aps os procedimentos acima, o resultado dever ser semelhante Figura 08.
83
Aps o correto preenchimento da paleta Criao, clique na paleta Definio das Variveis e a tela
obtida dever ser semelhante Figura 09:
Na caixa Variveis do Modelo, selecione a varivel
rea do Terreno.
Na caixa Tipo de Varivel, confirme se a opo
assinalada Quantitativa (esta costuma ser a opo
padro).
O campo descrio no estar disponvel porque
habilitado apenas quando o tipo de varivel
assinalado como Outra.
Na caixa Crescimento assinale a alternativa que
corresponda expectativa de crescimento da varivel
dependente Valor Unitrio a partir do momento em
Figura 09
Para o exemplo em questo dever ser assinalada a opo Negativo porque, regra geral, o Valor
Unitrio diminui medida que aumenta a rea do Terreno (esta hiptese ser testada pelo modelo
e caso no seja aceita o modelo indicar que a previso original no se confirmou veremos isto
mais adiante)
O campo Varivel Dependente no dever ser assinalado posto que este no o caso da varivel
rea do terreno que uma varivel independente ou explicativa.
No campo Aparncia dever ser assinalado o nmero de dgitos que se pretende para a varivel
em estudo, no caso manteremos a opo padro de 2 (duas) casas decimais. Quando se tratar de
varivel que possa sofrer variaes do tipo ln, 1/x ou qualquer outra que possa levar a nmeros
muito pequenos, recomendvel aumentar o nmero de casas decimais para que os resultados
no sejam indicados como zero.
No campo Descrio, como o prprio nome indica, descreva a varivel em destaque. No caso
especfico da varivel rea do terreno podemos identificar com sendo: varivel quantitativa,
independente ou explicativa, que representa a rea do terreno em m.
84
Na seqncia, faa mesmo procedimento para a varivel Valor Unitrio, conforme Figura 10 e
instrues abaixo:
Na caixa Variveis do Modelo, selecione a varivel Valor
Unitrio.
Na caixa Tipo de Varivel, confirme se a opo
assinalada Quantitativa (esta costuma ser a opo
padro).
O campo Varivel Dependente dever ser assinalado,
pois o caso da varivel Valor Unitrio (varivel
dependente ou explicada). Esta ao desabilitar a caixa
Crescimento (no faz sentido estabelecer a relao entre a
varivel dependente e ela prpria).
No campo Aparncia dever ser assinalado o nmero de
Figura 10
(manteremos a opo padro de 2 casas decimais). Quando for o caso de varivel que possa sofrer
variaes do tipo ln, 1/x ou qualquer outra que gere nmeros muito pequenos, recomendvel
aumentar o nmero de casas decimais para que os resultados no sejam indicados como zero.
No campo Descrio, como o prprio nome indica, descreva a varivel em destaque. No caso
especfico da varivel Valor Unitrio podemos identificar com sendo: Varivel quantitativa,
dependente ou explicada, que representa o valor do terreno em R$/m.
A paleta Informaes Gerais, que no iremos detalhar aqui, permite a opo de insero de senha
para proteo de acesso indevido ao modelo. O risco deste procedimento esquecer a senha e no
conseguir mais acessar o modelo. Esta paleta tambm contm opes de escolha do tipo de
separador de decimal e milhar (vrgulas e pontos), o estabelecimento do nmero de casas decimais
para cada um dos resultados obtidos. Em certos casos, para evitar que obtenhamos valores
aparentemente nulos, cabe reprogramar a preciso das variveis, maior nmero de dgitos
depois da vrgula.
85
Finalizado todo o processo de incluso das variveis e suas caractersticas clique no boto OK.
Definidas as variveis que sero utilizadas no modelo, vamos agora inserir as informaes
referentes aos elementos amostrais que sero utilizados para obteno do modelo estatstico. Para
isto, caso a tela de Edio no se abra automaticamente, devemos acionar, no menu suspenso, a
opo Modelo>Editar Dados (Figura 11):
Figura 11
A tela que se apresentar dever ser semelhante Figura 12 (Editar Dados) sendo que o cursor
estar posicionado na primeira clula no canto superior esquerdo da tabela que a partir de onde
iniciaremos o preenchimento das informaes relativas a cada um dos elementos amostrais:
Observe que existe apenas uma linha,
ou seja, espao para apenas um
elementos amostral.
Considerando que o nosso exemplo
possui 10 (dez) elementos amostrais,
devemos inserir mais 9 linhas.
Este procedimento deve ser feito
acionando o boto
quantas vezes
Observao: para cada informao inserida dever ser acionada a tecla ENTER do teclado,
transferncias de clulas executadas atravs da tecla TAB ou se pressionarmos a tecla ESC far com
que as informaes no sejam registradas.
86
Aps a insero dos campos e das informaes relativas a cada um dos elementos amostrais o
quadro dever ter um aspecto semelhante Figura 13:
Cuidado para no clicar sobre o
campo que contm os ttulos das
colunas
(Dado,
Endereo,
ordenar
as
informaes
da
crescente
ou
includas
no
correspondam
aos
que
dados
Figura 13
e depois
ser semelhante Figura 14 (caso no aparea, clicar no menu suspenso Modelo>Calcular) . Na tela
Calcular> Regresso teremos as opes:
Dirigido: esta caixa permite escolher o tipo de
transformao (linearizao) que queremos que seja
considerada no clculo (Ex.: 1/x, ln x, x; 1/x, etc.). Para
o caso especfico do nosso exemplo, no qual desejamos
obter a reta de regresso em escala direta, devemos
escolher as transformaes x e y para as variveis rea
do Terreno e Valor Unitrio, respectivamente.
87
Em nosso caso, mesmo que haja alguma opo assinalada, o clculo no ser afetado porque na
caixa Dirigido no optamos pela opo Auto.
Mtodo Simplificado: esta opo, se assinalada, far com que o programa teste apenas algumas
das equaes possveis. Esta opo recomendvel apenas quando a capacidade de
processamento do computador utilizado seja pequena ou nos casos de modelos muito complexos
que exijam muito tempo de processamento (conjunto de elementos amostrais e variveis elevados).
Mesmo assim, recomendamos que esta opo seja utilizada apenas nos procedimentos
intermedirios de anlise, mas, ao final, recomendamos utilizar a opo Geral, que a forma de
clculo utilizada quando a opo Mtodo Simplificado no estiver acionada. Em nosso caso, como
iremos realizar clculos sem transformao, esta opo no gera resultados prticos.
Seleo: esta caixa permite escolher se iremos obter os resultados na escada direta (Linear) ou na
escala transformada (No Linear). Nos modelos nos quais houver transformaes, existir mais do
que uma equao possvel, nestes casos o programa ir ordenar as equaes pelo coeficiente de
determinao. A opo assinalada no campo seleo (Linear ou no linear) ir indicar ao
programa se este ordenamento ir ocorrer pelos coeficientes obtidos na escala linear
(transformada) ou na escala no linear (no transformada), visto que os valores podero ser
diferentes face a alterao da grandeza original das variveis em funo das transformaes
utilizadas.
Equaes: esta caixa permite indicar o nmero mximo de equaes que o sistema ir guardar,
ordenadas a partir do maior coeficiente de determinao.
Analisar consistncia: se esta opo estiver ativada, o aplicativo TS-SISREG ir promover anlise
dos valores de cada uma das variveis e, se houver inconsistncias (Ex.: correlao exata entre
variveis; no atendimento do nmero mnimo de dados micronumerosidade, etc.), o programa ir
fornecer uma tela indicando as inconsistncias verificadas.
A tela Opes de Clculo> Rede Neural no objeto do estudo deste curso.
Aps todas as informaes fornecidas devemos acionar o boto:
A tela que dever aparecer sobreposta sobre as demais dever ser semelhante Figura 15:
88
Figura 15
Comearemos a anlise desta tela a partir do canto superior esquerdo e, a partir dos resultados
obtidos, identificaremos os resultados que buscamos obter neste exerccio bem como outras
informaes sobre o modelo:
1)
Coluna Varivel: nesta coluna esto indicadas todas as variveis que compem o modelo em
estudo. As variveis desabilitadas no aparecero nesta tela, apenas na tela principal.
2)
3)
89
4)
5)
Campo Variveis, coluna Total: esta coluna indica o nmero total de variveis inseridas no
programa (inclusive as que no foram consideradas).
6)
Campo Variveis, coluna Consideradas: esta coluna indica o total de variveis considerando
apenas as que foram efetivamente utilizadas no modelo para realizao dos clculos. No nosso
exemplo, como no foi excluda nenhuma varivel, os valores so iguais, ou seja, 2.
7)
Campo Dados, colunas Total e Considerados: situao semelhante a que ocorre com as
variveis (vide itens 5 e 6). No exemplo considerado, como no foi excludo nenhum dado, os
valores so iguais, ou seja, 10.
8)
9)
10) Campo Desvio padro: no campo relativo ao desvio padro se obtm o valor de 4,33.
11) Campo Normalidade dos resduos: este campo indica a distribuio dos resduos e deve ser
igual, ou pelo menos prxima, da distribuio normal que um grfico obtido pelos
resultados dos quocientes entre os resduos de cada elemento e o desvio-padro do modelo.
90
Para o nosso exemplo, os resultado obtidos demonstram que 80% de ( e i s ) no intervalo [1;+1]; 100% de ( e i s ) no intervalo [-1,64;+1,64] e 100% de e i s no intervalo [-1,96;+1,96]. No
exemplo didtico que estamos utilizando, pelo pequeno nmero de elementos utilizados (10
elementos), este resultado fica comprometido. A tendncia que, modelos com maior nmero
de elementos tenham melhor aderncia a distribuio de ( e i s ) mais prximo da curva
normal, tambm conhecida como curva gaussiana ou curva em forma de sino.
12) Coluna Durbin-Watson: esta coluna traz parmetro que utilizado para se calcular a
probabilidade da existncia de Auto-regresso (positiva ou negativa). A partir deste valor
que calculado, atravs de tabelas, a probabilidade expressa na coluna DW explicada.
13) Coluna DW explicada: nesta coluna que traduzido o valor obtido na coluna Durbin-
Watson, por vezes, pode constar nesta coluna a indicao de Regio no conclusiva, isto quer
dizer que o resultado obtido no permite afirmar se h ou no auto-regresso, logo, situaes
como estas no devem ocorrer para a varivel dependente, entretanto, entendemos que
modelos que apresentem esta condio para uma ou outra varivel independente, desde que
realizada a anlise dos grficos de resduos e no identificada a possibilidade de autoregresso, podero ser utilizados (com exceo de variveis temporais). Esta questo tem
relao com os termos Homocedasticidade e Heterocedasticidade, sendo a primeira situao a
dos modelos que apresentam erros distribudos de maneira aleatria (situao ideal, pois
indica no existncia de auto-regresso) e a segunda a de modelos cujos erros podem estar
correlacionados (situao que deve ser evitada para as variveis independentes e excluda
para a varivel dependente).
14) Campo Outliers: este campo indica se existem elementos amostrais cujos resduos, em valor
absoluto, superam duas vezes o valor do desvio padro do modelo. Nestes casos, estamos
diante da presena de outliers, ou pontos errantes. Estes pontos devem ser analisados
cuidadosamente, verificando se os mesmos no constituem erros de coleta ou at mesmo de
digitao. Pontos outliers no devem, sumariamente, serem eliminados sem a devida anlise
do conjunto de pontos e equilbrio existente entre outliers negativos e positivos.
91
15) Campo Clculo: neste campo esto informaes sobre o tipo de clculo efetuado. A
informao de que o tipo de clculo Geral, significa que no foi utilizada a opo mtodo
simplificado, ou seja, foram testadas todas as possibilidade de transformaes indicadas (no
nosso exemplo, como efetuamos escolha dirigida para clculo direto sem transformaes
esta questo no faz diferena uma vez que s h uma equao possvel). A informao de que
o critrio foi linear indica que os resultados apresentados consideram a equao em seu
modelo linear. Caso tivssemos optado pela opo No linear os resultados apresentados
seriam obtidos atravs da equao na sua forma caracterstica.
16) Campo Equao: indica, dentre as vrias equaes possveis, a equao que foi utilizada
segundo a seqncia de armazenamento.
Anlise dos Resduos
Para anlise dos resduos, devemos clicar sobre o boto
Figura 19
A tela que surgir dever ser semelhante a da Figura 20 (vide prxima pgina)
Observaes:
a) para que os dados sejam numerados no grfico, necessrio clicar sobre o campo esquerda
do ttulo Valor Observado.
b) ao clicar sobre qualquer uma das colunas podemos orden-las em ordem crescente ou
decrescente (ordem que se altera a cada clique).
92
Figura 20
Na primeira coluna, identificada como Valor Observado, que so os valores coletados em campo.
Na segunda coluna (Valor Calculado) temos as projees de valores, para cada um dos elementos
amostrais calculados atravs da equao de regresso, utilizando-se todas as caractersticas
inerentes a cada um dos elementos (no caso em questo, apenas a varivel rea Total, em funo
de que uma regresso simples).
Na terceira coluna (Resduo), temos a diferena, em valor absoluto, entre a primeira coluna e a
segunda. Enquanto que, na quarta coluna (Resduo Relativo) temos o resultado percentual desta
diferena. Esta ltima informao mais consistente por considerar a proporo do resduo em
relao ao seu valor original.
Na quinta coluna (Resduo sobre DP) temos o resultado que indica a quantos desvios padro est
distante o valor coletado da reta de regresso. Valores superiores a 2 sero considerados outliers
ou pontos errantes (nem sempre estes pontos devem ser eliminados, pois a prpria distribuio
normal prev um percentual de 5% para estas ocorrncias).
93
Se observarmos a Figura 20, veremos que a coluna Resduo sobre DP est em ordem crescente de
valores. Desta forma, podemos observar que no intervalo [-1;+ 1] temos oito de dez elementos, ou
seja, 80% dos dados. Alm disso, podemos tambm verificar que os outros dois elementos esto no
intervalo de [-1,64;+1,64], totalizando 100% dos dados j no segundo intervalo, e por conseguinte,
tambm no intervalo [-1,96;+1,96]. Estas informaes conferem com a tela apresentada na Figura
15, no campo Normalidade dos Resduos.
Pela anlise grfica dos resduos, em que pese a pouca quantidade de elementos, h indicativo de
que os erros so aleatrios e que no existe auto-regresso. Esta informao corroborada pelos
resultados da estatstica de Durbin-Watson (vide figura 15) de 95% de confiana da no existncia
de auto-regresso.
A Figura 21 traz o campo que indica qual anlise de resduos est sendo efetuada (no caso a
varivel Valor Unitrio - dependente). A anlise pode ser estendida s demais variveis
independentes, basta clicar sobre o combo no campo Varivel (parte central do quadro) e escolher
qual varivel queremos analisar (vide figura 21):
Figura 21
Um grfico cuja anlise tambm importante o grfico de Aderncia, para acess-lo podemos
clicar o boto apropriado (Figura 22) ou acessar atravs do menu suspenso, conforme Figura 23:
Figura 22
Figura 23
94
O quadro a ser exibido ser semelhante ao da Figura 24. Neste grfico podemos observar, atravs
do grfico localizado direita, o grau de ajustamento dos pontos coletados. Considerando que os
pontos so marcados na interseco dos valores projetados com os valores observados no
mercado, se tivssemos um ajuste perfeito, onde o valor coletado fosse igual ao valor projetado,
teramos uma reta com ngulo de inclinao de 45 que representada pela linha verde do grfico.
Pontos muito distantes da reta podem configurar elementos amostrais com algum tipo de
perturbao e que podem influenciar nos coeficientes de correlao e determinao..
Figura 24
Outra tela interessante para a que indica os Testes de Hipteses que podemos acessar atravs do
cone prprio ou menu suspenso, conforme Figuras 25:
Figura 25
95
Na tela seguinte (vide Figura 26) podemos avaliar se a hiptese inicial foi validada. Se tivssemos
iformado no quadro Propriedade do Modelo que o crescimento da varivel independente Valor
Unitrio seria positivo em relao ao aumento da varivel rea total (quanto maior a rea,
maior o valor unitrio); o ndice de crescimento indicado na quinta coluna estaria destacado em
vermelho (como na Figura), indicando que a hiptese no foi aceita e que o comportamento
inverso ao esperado. Se a hiptese fosse aceita, o ndice estaria destacado em azul.
Destaque em vermelho:
significa que a hiptese
inicial no foi aceita
Aqui temos acesso equao
de regresso, na forma linear ou
no linear, conforme a opo
realizada nos campos acima
indicados.
Figura 26
Projeo de valores
Uma vez feitas todas as anlises e escolhida a equao que foi considerada mais apropriada, devese clicar sobre o boto Aplicar para que a equao seja efetivamente considerada e os seus clculos
armazenados para anlise.
Para simularmos o valor do lote com rea de 450 m, devemos clicar sobre o boto projetar valores
(veja cone abaixo), ou clicar no menu Ferramentas>Projetar (Figura 16):
Figura 16
96
A tela que dever aparecer ser semelhante tela que consta da Figura 17. Na coluna valor, da
linha correspondente varivel rea do Terreno dever ser inserido o valor de 450,00 (rea do
terreno avaliando) e apertar a tecla ENTER.
Figura 17
Neste momento os clculos dos valores de projeo sero realizados (vide Figura 18): valor mdio,
mnimo e mximo tanto do intervalo de confiana, quanto de predio e campo de arbtrio. Cabe
destacara que o intervalo de predio foi inserido quando da reviso da NBR 14.653, parte 2, em
maro de 2011.
97
Segundo a NBR 14.653, parte 2 (maro/2011), o intervalo de confiana ser utilizado se o objetivo for
estimar o valor de mercado. Se o objetivo for estimar preos, utiliza-se o intervalo de predio.
Alm dos valores, sero mostrados tambm um grfico com a variao dos valores unitrios em
relao variao da rea Total e uma tabela com a projeo calculada destacada em vermelho.
Figura 18
98
Exerccio 3.1: A partir dos dados fornecidos abaixo, calcule o valor de y , considerando um lote de
450,00 m com possibilidade de construir uma rea de 950,00 m.
Evento
Preo Unitrio
rea
Yi
rea Edificvel
x2 i
x1i
60,00
450,00
1.080,00
52,00
500,00
1.200,00
61,00
420,00
1.040,00
48,00
580,00
1.160,00
55,00
600,00
1.200,00
52,00
680,00
1.360,00
38,00
800,00
1.600,00
42,00
720,00
1.188,00
57,00
620,00
1.860,00
10
63,00
300,00
720,00
i =1
i =1
i =1
i =1
i =1
i =1
i =1
i =1
Preo
Evento Unitrio
rea
rea
Operaes
Edificvel
yi
x1i
x2 i
x1i. y
x1i
60,00
450,00
1.080,00
27.000,00
52,00
500,00
1.200,00
61,00
420,00
48,00
x1i .x 2 i
x2 i. y
202.500,00
486.000,00
64.800,00
1.166.400,00
3.600,00
26.000,00
250.000,00
600.000,00
62.400,00
1.440.000,00
2.704,00
1.040,00
25.620,00
176.400,00
436.800,00
63.440,00
1.081.600,00
3.721,00
580,00
1.160,00
27.840,00
336.400,00
672.800,00
55.680,00
1.345.600,00
2.304,00
55,00
600,00
1.200,00
33.000,00
360.000,00
720.000,00
66.000,00
1.440.000,00
3.025,00
52,00
680,00
1.360,00
35.360,00
462.400,00
924.800,00
70.720,00
1.849.600,00
2.704,00
38,00
800,00
1.600,00
30.400,00
640.000,00
1.280.000,00
60.800,00
2.560.000,00
1.444,00
42,00
720,00
1.188,00
30.240,00
518.400,00
855.360,00
49.896,00
1.411.344,00
1.764,00
57,00
620,00
1.860,00
35.340,00
384.400,00
1.153.200,00 106.020,00
3.459.600,00
3.249,00
10
63,00
300,00
720,00
18.900,00
90.000,00
518.400,00
3.969,00
Somas
528,00
Mdias
52,80
216.000,00
45.360,00
x 2i
yi
1.240,80
28.970,00
342.050,00
734.496,00
64.511,60
1.627.254,40
2.848,40
99
5.670,00 a +
645.116,00 = 12.408,00 a +
3.420.500,00 . b 1 +
7.344.960,00 b 2
7.344.960,00 . b1 + 16.272.544,00 b 2
0,01107
A partir do que podemos concluir a equao de regresso (vide equao 61) de onde
^
poderemos estimar o valor da varivel dependente, y (valor unitrio), para cada valor de X1 e
X2 .
^
rea
rea
Edificvel
x1
x2
y y
60,00
450,00
1.080,00
58,48
5,68
7,20
32,22
51,84
52,00
500,00
1.200,00
56,62
3,82
-0,80
14,58
0,64
61,00
420,00
1.040,00
59,95
7,15
8,20
51,06
67,24
48,00
580,00
1.160,00
51,08
-1,72
-4,80
2,97
23,04
55,00
600,00
1.200,00
50,25
-2,55
2,20
6,53
4,84
52,00
680,00
1.360,00
46,92
-5,88
-0,80
34,60
0,64
38,00
800,00
1.600,00
41,93
-10,87
-14,80
118,22
219,04
42,00
720,00
1.188,00
42,46
-10,34
-10,80
106,83
116,64
57,00
620,00
1.860,00
56,28
3,48
4,20
12,10
17,64
10
63,00
300,00
720,00
64,05
11,25
10,20
126,57
104,04
Somas
528,00
505,67
605,60
Evento
Mdias
y
52,80
5.670,00 12.408,00
Operaes
^
y y
y^ y
y y
x1
x2
567,00
1.240,80
100
r2 =
n ^
yi y
i = 1
variao explicada de y
=
variao total de y
yi y
i = 1
505 , 67
= 0,83499
605 , 60
yi y
i = 1
n
r =
r2 =
yi y
i = 1
505 , 67
= 0,9137779
605 , 60
Exerccio 3.3: calcule o desvio padro do modelo com base nos resultados dos exerccios anteriores
A frmula para clculo do desvio padro :
^
yi yi
i = 1
se =
(n p)
^
n
Da equao 41 temos que y i y i
i = 1
n
= y i y
i = 1
n ^
y i y
i = 1
o que
yi yi
i = 1
= 605 , 60 505 , 67 = 99 , 93
se =
^
n
yi yi
i = 1
(n p)
99 , 93
= 3 , 7783
( 10 3 )
101
Exerccio 3.4: Calcule, a partir das informaes obtidas nos exemplos anteriores, a significncia dos
parmetros bi referentes rea do imvel e rea edificvel.
Evento
Preo
Unitrio
rea
Edificvel
rea
Varivel x1
Varivel x2
x 1 x1 . x 2 x2
x1
1 60,00
450,00
1.080,00
2 52,00
500,00
1.200,00
-67,00
4.489,00
-40,80
1.664,64
2.733,60
3 61,00
420,00
1.040,00
-147,00
21.609,00
-200,80
40.320,64
29.517,60
4 48,00
580,00
1.160,00
13,00
169,00
-80,80
6.528,64
-1.050,40
5 55,00
600,00
1.200,00
33,00
1.089,00
-40,80
1.664,64
-1.346,40
6 52,00
680,00
1.360,00
113,00
12.769,00
119,20
14.208,64
13.469,60
7 38,00
800,00
1.600,00
233,00
54.289,00
359,20 129.024,64
83.693,60
8 42,00
720,00
1.188,00
153,00
23.409,00
2.787,84
-8.078,40
9 57,00
620,00
1.860,00
53,00
2.809,00
619,20 383.408,64
32.817,60
300,00
720,00
-267,00
71.289,00
-520,80 271.232,64
139.053,60
0,00
205.610,00
0,00 876.697,60
309.624,00
10 63,00
Somas 528,00
x1 x1
-117,00
5.670,00 12.408,00
Mdias
x2
x1
52,80
x 1 x1
x2 x2
13.689,00
-160,80
-52,80
x 2 x2
25.856,64
18.813,60
x2
567,00
1.240,80
s (b1 ) = 3,7783.
1
309.624 , 00 2
205.610 , 00
876.697 , 60
1
309.624,00 2
876.697,60
205.610,00
= 0 , 012177941
= 0,005897542
t1 =
b2
b1
- 0,06373341 263
=
= 5, 23 e t 2 =
s (b1 )
0,01217794 1
s (b 2
0,01107222 622
0,00589754 2
= 1 , 88
102
- considerando que o valor do tcalculado(5,23) para regressor rea (x1) est muito prximo
do valor tabelado de t 0 ,9995 (5,408), o que permite concluir que a significncia deste regressor de
aproximadamente 0,1%;
- considerando que o valor do tcalculado(1,88) para regressor rea edificvel (x2) est
muito prximo do valor tabelado de t 0 ,95 (1,895), possvel concluir que a significncia deste
regressor de aproximadamente 10%;
Exerccio 3.5: Calcule, a partir dos dados obtidos nos exerccios anteriores, a significncia do
modelo ajustado.
Fc =
n ^
yi y
i = 1
n
yi yi
i = 1
(n 3)
2
505 , 67 7
. = 17 , 7108
99 , 93 2
significncia menor que 1% o que equivale dizer que a hiptese nula de no haver regresso foi
descartada com 99% de confiana.
103
Exerccio 3.6: a partir dos dados fornecidos e resultados obtidos nos exerccios anteriores, calcule o
intervalo de confiana ao nvel de 80% de confiana, considerando um lote de 450,00 m com rea
edificvel de 950,00 m.
A partir do clculo de matrizes indicado na apostila, temos que:
Onde:
^
y
M =
d.
(x , .x ) 1 .
d . Vres
Sendo que:
Matriz A:
d = 1 ( 450 567 ) ( 950 1.240 , 80 ) ou d = 1 ( 117 ) ( 290 , 80 )
Matriz B:
1
x , .x
10
0
0
876.697 , 60 309.624 , 00
=
10
10
8 , 9341
8 , 9341
309.624 , 00 205.610 , 00
10
10
8 , 9341
8 , 9341
0
10
0
1 , 038854815 5
0
3 , 668931947 6
0
3 , 668931947 6
2 , 436403824 6
Matriz C:
14 , 27571429
d . Vres =
^
n
yi yi
i = 1
(n p)
99 , 93
7
= 14 , 27571429
Assim:
14 , 27571429
d . Vres = 1.670 , 258572
4.151 , 377716
Temos, portanto, 3 (trs) matrizes para multiplicarmos sendo que podemos
representar as matrizes da seguinte forma:
104
Matriz A:
d = A 11 A 12
A 13
Matriz B:
x , .x
B 11
= B 21
B 31
B 12
B 22
B 32
B 13
B 23
B 33
Matriz C:
C 11
d . Vres = C 21
C 31
M =
[(A 11 . B 11
[(A 11 . B 13
] [(A 11 . B 12
+ A 12 . B 21 + A 13 . B 31 ). C 11 +
+ A 12 . B 23 + A 13 . B 33 ). C 31
+ A 12 . B 22 + A 13 . B 32 ). C 21 +
^
y
M =
2 , 834898494 = 1 , 683715681
^
Uma vez conhecido o valor s y , podemos obter o valor de t ( 0 , 90 ; 7 ) na tabela 1 do
APENDICE (Distribuio t de Student) que se refere ao nvel de significncia de 20% com 7 (n-k-
[54 , 64 ] <
INTERVALO
< [59 , 41 ]
Assim, podemos concluir que h uma probabilidade de 80% de que o valor de mercado
esteja entre os limites mnimo e mximo do intervalo acima.
105
Exerccio 4.1: A partir dos dados fornecidos abaixo, calcule o valor de y , considerando um lote de
450,00 m, com possibilidade de construir uma rea de 950,00 m (sem transformao de variveis).
Evento
rea
x1i
rea Edificvel
x2 i
Preo Unitrio
Yi
450,00
1.080,00
60,00
500,00
1.200,00
52,00
420,00
1.040,00
61,00
580,00
1.160,00
48,00
600,00
1.200,00
55,00
680,00
1.360,00
52,00
800,00
1.600,00
38,00
720,00
1.188,00
42,00
620,00
1.860,00
57,00
10
300,00
720,00
63,00
Este exerccio uma seqncia do exerccio anterior onde foi includa mais uma varivel (rea
Edificvel), com este exerccio aprenderemos como incluir informaes no TS-SISREG importando
diretamente de uma planilha EXCEL (um dos aplicativos muito utilizados para armazenamento de
informaes relativas a banco de dados).
Figura 28
Figura 27
106
Figura 29
importao dos dados. Para importao, iremos preencher os campos com os valores da Figura 30:
Aps o preenchimento dos campos, pressionaremos o boto de comando Importar que se localiza
Figura 30
na parte superior direita do quadro e teremos aberto o quadro Propriedades do modelo, cujo
preenchimento j vimos no desenvolvimento do Exerccio 2.1 (Figura 31).
107
Figura 31
Figura 32
A tela que ir aparecer ser semelhante Figura 33, abaixo, que semelhante a que j vimos no
exerccio 2.1, apenas que, agora, h mais uma varivel (rea Edificvel). Lembrando que iremos
considerar apenas a equao de regresso em escala direta, ou seja, sem transformaes. Par isto
necessrio indicar no campo dirigido as transformaes x para as variveis independentes e a
transformao y para a varivel dependente:
108
Figura 33
Figura 34
109
As anlises que devero ser efetuadas seguem o mesmo padro da anlise que efetuamos no
exerccio 2.1, mas podemos, aqui, realizar alguns comentrios adicionais, quais sejam:
a)
b)
uma anlise que no foi efetuada no exerccio 2.1 refere-se ao sinal dos coeficientes de
T.Observado. Estes sinais auxiliam na identificao do crescimento da varivel dependente
em funo do crescimento das variveis independentes. No caso da varivel rea temos que o
valor da estatstica T.Observado de -5,23, o sinal negativo indica que a taxa de crescimento
da varivel independente Preo Unitrio inversamente proporcional ao crescimento da
varivel rea, ou ainda, quanto maior o valor da rea menor ser o valor unitrio do terreno.
Isto no quer dizer que terrenos maiores valem menos do que terrenos menores, uma vez que,
mesmo com a diminuio do valor unitrio, o terreno maior ser mais caro em funo de sua
rea maior. O que isto quer dizer que o valor unitrio tem uma tendncia de queda quanto
maior for o valor do terreno que estiver sendo vendido.
Edificvel, temos que o valor da estatstica T. Observado de +1,88, o sinal positivo indica
que, quanto maior puder ser o aproveitamento do terreno, maior valor ele ter que uma
tendncia esperada porque, ao permitir uma maior rea de construo, estes terrenos tornamse mais atraentes que os demais.
c)
no que diz respeito ao coeficiente de Durbin Watson, ainda temos um percentual de 90% de
confiana, mas houve uma pequena reduo no nvel de 95% que tnhamos anteriormente;
d)
quanto normalidade dos resduos a concentrao de dados no intervalo [-1;+1] ficou menor
(6 dados em 10), portanto, 2 dados migraram para os demais intervalos. Considerando que
um exemplo didtico e com poucos elementos amostrais, no havia que se esperar resultados
melhores que este. A tendncia que em modelos com maior nmero de elementos, a
conformao seja mais prxima da curva normal;
e)
O prximo passo adotarmos a equao de regresso calculada pelo programa acionando o boto
Aplicar e, para projetarmos o valor, acionarmos a opo Modelo>Projetar, procedimento que j
efetuamos anteriormente no exerccio 2.1. O resultado dever ser semelhante figura 35:
Figura 34
possvel avaliar tambm o grfico e resultados de projeo a partir da varivel rea Edificvel.
Para isto, basta selecionar esta varivel no campo Varivel do quadro acima.
Verificar tambm que os resultados apresentados conferem com o exerccio 3.1, cujos clculos
foram processados manualmente.
111
APNDICES
112
APNDICES
Distribuio t de Student
Pontos crticos t
1 / 2
t 0 ,9995
t 0 ,999
t 0 ,995
t 0 ,99
t 0 ,975
t 0 ,95
t 0 ,90
t 0 ,80
t 0 ,75
t 0 ,70
t 0 ,60
t 0 ,55
99,9%
99,8%
99%
98%
95%
90%
80%
60%
50%
40%
20%
10%
0,1%
0,2%
1%
2%
5%
10%
20%
40%
50%
60%
80%
90%
636,619
318,310
63,657
31,821
12,706
6,314
3,078
1,376
1,000
0,727
0,325
0,158
31,598
22,326
9,925
6,965
4,303
2,920
1,886
1,061
0,816
0,617
0,289
0,142
12,924
10,213
5,841
4,541
3,186
2,353
1,638
0,978
0,765
0,584
0,277
0,137
8,610
7,173
4,604
3,747
2,776
2,132
1,533
0,941
0,741
0,569
0,271
0,134
6,869
5,893
4,032
3,365
2,571
2,015
1,476
0,920
0,727
0,559
0,267
0,132
5,959
5,208
3,707
3,143
2,447
1,943
1,440
0,906
0,718
0,553
0,265
0,131
5,408
4,785
3,499
2,998
2,365
1,895
1,415
0,896
0,711
0,549
0,263
0,130
5,041
4,501
3,355
2,896
2,306
1,860
1,397
0,889
0,706
0,546
0,262
0,130
4,781
4,297
3,250
2,821
2,262
1,833
1,383
0,883
0,703
0,543
0,261
0,129
10
4,587
4,144
3,169
2,764
2,228
1,812
1,372
0,879
0,700
0,542
0,260
0,129
11
4,437
4,025
3,106
2,718
2,201
1,796
1,363
0,876
0,697
0,540
0,260
0,129
12
4,318
3,930
3,055
2,681
2,179
1,782
1,356
0,873
0,695
0,539
0,259
0,128
13
4,221
3,852
3,012
2,650
2,160
1,771
1,350
0,870
0,694
0,538
0,259
0,128
14
3,140
3,787
2,977
2,624
2,141
1,761
1,345
0,868
0,692
0,537
0,258
0,128
15
4,073
3,733
2,947
2,602
2,131
1,753
1,341
0,866
0,691
0,536
0,258
0,128
16
4,015
3,686
2,921
2,583
2,120
1,746
1,337
0,865
0,690
0,535
0,258
0,128
17
3,965
3,646
2,898
2,567
2,110
1,740
1,333
0,863
0,689
0,534
0,257
0,128
18
3,922
3,610
2,878
2,552
2,101
1,734
1,330
0,862
0,688
0,534
0,257
0,127
19
3,883
3,579
2,861
2,539
2,093
1,729
1,328
0,861
0,688
0,533
0,257
0,127
20
3,850
3,552
2,845
2,528
2,086
1,725
1,325
0,860
0,687
0,533
0,257
0,127
21
3,819
3,257
2,831
2,518
2,080
1,721
1,323
0,859
0,686
0,532
0,257
0,127
22
3,792
3,505
2,819
2,508
2,074
1,717
1,321
0,858
0,686
0,532
0,256
0,127
23
3,767
3,485
2,807
2,500
2,069
1,714
1,319
0,858
0,685
0,532
0,256
0,127
24
3,745
3,467
2,797
2,492
2,064
1,711
1,318
0,857
0,685
0,531
0,256
0,127
25
3,725
3,450
2,787
2,485
2,060
1,708
1,316
0,856
0,684
0,531
0,256
0,127
N.C
26
3,707
3,435
2,779
2,479
2,056
1,706
1,316
0,856
0,684
0,531
0,256
0,127
27
3,690
3,421
2,771
2,473
2,052
1,703
1,314
0,855
0,684
0,531
0,256
0,127
28
3,674
3,408
2,763
2,467
2,048
1,701
1,313
0,855
0,683
0,530
0,256
0,127
29
3,659
3,396
2,756
2,462
2,045
1,699
1,311
0,854
0,683
0,530
0,256
0,127
30
3,646
3,385
2,750
2,457
2,042
1,697
1,310
0,854
0,683
0,530
0,256
0,127
40
3,551
3,307
2,678
2,403
2,009
1,676
1,299
0,851
0,681
0,529
0,255
0,126
60
3,460
2,232
2,639
2,374
1,990
1,664
1,292
0,848
0,679
0,527
0,254
0,126
120
3,373
3,160
2,618
2,351
1,98
1,657
1,289
0,845
0,677
0,526
0,234
0,126
3,291
3,090
2,576
2,326
1,96
1,645
1,282
0,8452
0,674
0,524
0,233
0,126
113
APNDICES
1
161
18,5
10,1
7,71
6,61
5,99
5,59
5,32
5,12
4,96
4,84
4,75
4,67
4,60
4,54
4,49
4,45
4,41
4,38
4,35
4,32
4,30
4,28
4,26
4,24
4,17
4,08
4,00
3,92
3,84
2
200
19,0
9,55
6,94
5,79
5,14
4,74
4,46
4,26
4,10
3,98
3,89
3,81
3,74
3,68
3,63
3,59
3,55
3,52
3,49
3,47
3,44
3,42
3,40
3,39
3,32
2,23
3,15
3,07
3,00
3
216
19,2
9,28
6,59
5,41
4,76
4,35
4,07
3,86
3,71
3,59
3,49
3,41
3,34
3,29
3,24
3,20
3,16
3,13
3,10
3,07
3,05
3,03
3,01
2,99
2,92
2,84
2,79
2,68
2,60
4
225
19,2
9,12
6,39
5,19
4,53
4,12
3,84
3,63
3,48
3,36
3,26
3,18
3,11
3,06
3,01
2,96
2,93
2,90
2,87
2,84
2,82
2,80
2,78
2,76
2,69
2,61
2,53
2,45
2,37
5
230
19,3
9,01
6,26
5,05
4,39
3,97
3,69
3,48
3,33
3,20
3,11
3,03
2,96
2,90
2,85
2,81
2,77
2,74
2,71
2,68
2,66
2,64
2,62
2,60
2,53
2,45
2,37
2,29
2,21
6
234
19,3
8,94
6,16
4,95
4,28
3,87
3,58
3,37
3,22
3,09
3,00
2,92
2,85
2,79
2,74
2,70
2,66
2,63
2,60
2,57
2,55
2,53
2,51
2,49
2,42
2,34
2,25
2,18
2,10
7
237
19,4
8,89
6,09
4,88
4,21
3,79
3,50
3,29
3,14
3,01
2,91
2,83
2,76
2,71
2,66
2,61
2,58
2,54
2,51
2,49
2,46
2,44
2,42
2,40
2,33
2,25
2,17
2,09
2,01
8
239
19,4
8,85
6,04
4,82
4,15
3,73
3,44
3,23
3,07
2,95
2,85
2,77
2,70
2,64
2,59
2,55
2,51
2,48
2,45
2,42
2,40
2,37
2,36
2,34
2,27
2,18
2,10
2,02
1,94
9
241
19,4
8,81
6,00
4,77
4,10
3,68
3,39
3,18
3,02
2,90
2,80
2,71
2,65
2,59
2,54
2,49
2,46
2,42
2,39
2,37
2,34
2,32
2,30
2,28
2,21
2,12
2,04
1,96
1,88
10
242
19,4
8,79
5,96
4,74
4,06
3,64
3,35
3,14
2,98
2,85
2,75
2,67
2,60
2,54
2,49
2,45
2,41
2,38
2,35
2,32
2,30
2,27
2,25
2,24
2,16
2,08
1,99
1,91
1,83
12
244
19,4
8,74
5,91
4,68
4,00
3,57
3,28
3,07
2,91
2,79
2,69
2,60
2,53
2,48
2,42
2,38
2,34
2,31
2,28
2,25
2,23
2,20
2,18
2,16
2,09
2,00
1,92
1,83
1,75
15
246
19,4
8,70
5,86
4,62
3,94
3,41
3,22
3,01
2,85
2,72
2,62
2,53
2,46
2,40
3,35
2,31
2,27
2,23
2,20
2,18
2,15
2,13
2,11
2,09
2,01
1,92
1,84
1,75
1,67
20
248
19,4
8,66
5,80
4,56
3,87
3,44
3,15
2,94
2,77
2,65
2,54
2,46
2,39
2,33
2,28
2,23
2,19
2,16
2,12
2,10
2,07
2,05
2,03
2,01
1,93
1,84
1,75
1,66
1,57
24
249
19,5
8,64
5,77
4,53
3,84
3,41
3,12
2,90
2,74
2,61
2,51
2,42
2,35
2,29
2,24
2,19
2,15
2,11
2,08
2,05
2,03
2,01
1,98
1,96
1,89
1,79
1,70
1,61
1,52
30
250
19,5
8,62
5,75
4,50
3,81
3,38
3,08
2,86
2,70
2,57
2,47
2,38
2,31
2,25
2,19
2,15
2,11
2,07
2,04
2,01
1,98
1,96
1,94
1,92
1,84
1,74
1,65
1,55
1,46
40
251
19,5
8,59
5,72
4,46
3,77
3,34
3,04
2,83
2,66
2,53
2,43
2,34
2,27
2,20
2,15
2,10
2,06
2,03
1,99
1,96
1,94
1,91
1,89
1,87
1,79
1,69
1,59
1,50
1,39
60
252
19,5
8,57
5,69
4,43
3,74
3,30
3,01
2,79
2,62
2,49
2,38
2,30
2,22
2,16
2,11
2,06
2,02
1,98
1,95
1,92
1,89
1,86
1,84
1,82
1,74
1,64
1,53
1,43
1,32
120
253
19,5
8,55
5,66
4,40
3,70
3,27
2,97
2,75
2,58
2,45
2,34
2,25
2,18
2,11
2,06
2,01
1,97
1,93
1,90
1,87
1,84
1,81
1,79
1,77
1,68
1,58
1,47
1,35
1,22
254
19,5
8,53
5,63
4,37
3,67
3,23
2,93
2,71
2,54
2,40
2,30
2,21
2,13
2,07
2,01
1,96
1,92
1,88
1,84
1,81
1,78
1,76
1,73
1,71
1,62
1,51
1,39
1,25
1,00
114
APNDICES
1
4.052
98,5
34,1
21,2
16,3
13,7
12,2
11,3
10,6
10,0
9,65
9,33
9,07
8,86
8,68
8,53
8,40
8,29
8,19
8,10
8,02
7,95
7,88
7,82
7,77
7,56
7,31
7,08
6,85
6,63
2
5.000
99,0
30,8
18,0
13,3
10,9
9,55
8,65
8,02
7,56
7,21
6,93
6,70
6,51
6,36
6,23
6,11
6,01
5,93
5,85
5,78
5,72
5,66
5,61
5,57
5,39
5,18
4,98
4,79
4,61
3
5.403
99,2
29,5
16,7
12,1
9,78
8,45
7,59
6,99
6,55
6,22
5,95
5,74
5,56
5,42
5,29
5,19
5,09
5,01
4,94
4,87
4,82
4,76
4,72
4,68
4,51
4,31
4,13
3,95
3,78
4
5.625
99,2
28,7
16,0
11,4
9,15
7,85
7,01
6,42
5,99
5,67
5,41
5,21
5,04
4,89
4,77
4,67
4,58
4,50
4,43
4,37
4,31
4,26
4,22
4,18
4,02
3,83
3,65
3,48
3,32
5
5.764
99,3
28,2
15,5
11,0
8,75
7,46
6,63
6,06
5,64
5,32
5,06
4,86
4,70
4,56
4,44
4,34
4,25
4,17
4,10
4,04
3,99
3,94
3,90
3,86
3,70
3,51
3,34
3,17
3,02
6
5.859
99,3
27,9
15,2
10,7
8,47
7,19
6,37
5,80
5,39
5,07
4,82
4,62
4,46
4,32
4,20
4,10
4,01
3,94
3,87
3,81
3,76
3,71
3,67
3,63
3,47
3,29
3,12
2,96
2,80
7
5.928
99,4
27,7
15,0
10,5
8,26
6,99
6,18
5,61
5,20
4,89
4,64
4,44
4,28
4,14
4,03
3,93
3,84
3,77
3,70
3,64
3,59
3,54
3,50
3,46
3,30
3,12
2,95
2,79
2,64
8
5.982
99,4
27,5
14,8
10,3
8,10
6,84
6,03
5,47
5,06
4,74
4,50
4,30
4,14
4,00
3,89
3,79
3,71
3,63
3,56
3,51
3,45
3,41
3,36
3,32
3,17
2,99
2,82
2,66
2,51
9
6.023
99,4
27,3
14,7
10,2
7,98
6,72
5,91
5,35
4,94
4,63
4,39
4,19
4,03
3,89
3,78
3,68
3,60
3,52
3,46
3,40
3,35
3,30
3,26
3,22
3,07
2,89
2,72
2,56
2,41
10
6.056
99,4
27,2
14,5
10,1
7,87
6,62
5,81
5,26
4,85
4,54
4,30
4,10
3,94
3,80
3,69
3,59
3,51
3,43
3,37
3,31
3,26
3,21
3,17
3,13
2,98
2,80
2,63
2,47
2,32
12
6.106
99,4
27,1
14,4
9,89
7,72
6,47
5,67
5,11
4,71
4,40
4,16
3,96
3,80
3,67
3,55
3,46
3,37
3,30
2,23
3,17
3,12
3,07
3,03
2,99
2,84
2,66
2,50
2,34
2,18
15
6.157
99,4
26,9
14,2
9,72
7,56
6,31
5,52
4,96
4,56
4,25
4,01
3,82
3,66
3,52
3,41
3,31
3,23
3,15
3,09
3,03
2,98
2,93
2,89
2,85
2,70
2,52
2,35
2,19
2,04
20
6.209
99,4
26,7
14,0
9,55
7,40
6,16
5,36
4,81
4,41
4,10
3,86
3,66
3,51
3,37
3,26
3,16
3,08
3,00
2,94
2,88
2,83
2,78
2,74
2,70
2,55
2,37
2,20
2,03
1,88
24
6.235
99,5
26,6
13,9
9,47
7,31
6,07
5,28
4,73
4,33
4,02
3,78
3,59
3,43
3,29
3,18
3,08
3,00
2,92
2,86
2,80
2,75
2,70
2,66
2,62
2,47
2,29
2,12
1,95
1,79
30
6.261
99,5
26,5
13,8
9,38
7,23
5,99
5,20
4,65
4,25
3,94
3,70
3,51
3,35
3,21
3,10
3,00
2,92
2,84
2,78
2,72
2,67
2,62
2,58
2,53
2,39
2,20
2,03
1,86
1,70
40
6.287
99,5
26,4
13,7
9,29
7,14
5,91
5,12
4,57
4,17
3,86
3,62
3,43
3,27
3,13
3,02
2,92
2,84
2,76
2,69
2,64
2,58
2,54
2,49
2,45
2,30
2,11
1,94
1,76
1,59
60
6.313
99,5
26,3
13,7
9,20
7,06
5,82
5,03
4,48
4,08
3,78
3,54
3,34
3,18
3,05
2,93
2,83
2,75
2,67
2,61
2,55
2,50
2,45
2,40
2,36
2,21
2,02
1,84
1,66
1,47
120
6.339
99,5
26,2
13,6
9,11
6,97
5,74
4,95
4,40
4,00
3,69
3,45
3,25
3,09
2,96
2,84
2,75
2,66
2,58
2,52
2,46
2,40
2,35
2,31
2,27
2,11
1,92
1,73
1,53
1,32
6.366
99,5
26,1
13,5
9,02
6,88
5,65
4,86
4,31
3,91
3,60
3,36
3,17
3,00
2,87
2,75
2,65
2,57
2,49
2,42
2,36
2,31
2,26
2,21
2,17
2,01
1,80
1,60
1,38
1,00
115
APNDICES
n
06
07
08
09
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
45
50
55
60
65
70
75
80
85
90
95
100
DURBIN-WATSON
k=1
k=2
dL
dU
0,61
0,70
0,76
0,82
0,87
0,92
0,97
1,01
1,04
1,08
1,10
1,13
1,16
1,18
1,20
1,22
1,24
1,26
1,27
1,29
1,30
1,32
1,33
1,34
1,35
1,36
1,37
1,38
1,39
1,40
1,41
1,42
1,43
1,43
1,44
1,48
1,50
1,53
1,55
1,57
1,58
1,60
1,61
1,62
1,63
1,64
1,65
1,4
1,35
1,33
1,32
1,32
1,32
1,33
1,34
1,35
1,36
1,37
1,38
1,39
1,40
1,41
1,42
1,43
1,44
1,45
1,45
1,46
1,47
1,48
1,48
1,49
1,50
1,50
1,51
1,55
1,52
1,52
1,53
1,54
1,54
1,54
1,57
1,59
1,60
1,62
1,63
1,64
1,65
1,66
1,67
1,68
1,69
1,69
k=3
dL
dU
0,46
0,55
0,62
0,69
0,65
0,81
0,86
0,90
0,95
0,98
1,02
1,05
1,08
1,10
1,13
1,15
1,17
1,19
1,21
1,22
1,24
1,26
1,27
1,28
1,30
1,31
1,32
1,33
1,34
1,35
1,36
1,37
1,38
1,39
1,43
1,46
1,49
1,51
1,54
1,55
1,57
1,59
1,60
1,61
1,62
1,63
1,89
1,77
1,69
1,64
1,6
1,58
1,56
1,55
1,54
1,54
1,54
1,53
1,53
1,54
1,54
1,54
1,54
1,55
1,55
1,55
1,56
1,56
1,56
1,57
1,57
1,57
1,58
1,58
1,58
1,59
1,59
1,59
1,60
1,60
1,62
1,63
1,64
1,65
1,66
1,67
1,68
1,69
1,70
1,70
1,71
1,72
k=4
dL
dU
0,36
0,45
0,52
0,59
0,65
0,71
0,76
0,82
0,86
0,90
0,93
0,97
1,00
1,03
1,05
1,08
1,10
1,12
1,14
1,16
1,18
1,20
1,21
1,23
1,24
1,26
1,27
1,28
1,29
1,31
1,32
1,33
1,34
1,38
1,42
1,45
1,48
1,50
1,52
1,54
1,56
1,57
1,59
1,60
1,61
2,28
2,12
2,01
1,92
1,86
1,81
1,77
1,75
1,73
1,71
1,69
1,68
1,68
1,67
1,66
1,66
1,66
1,66
1,65
1,65
1,65
1,65
1,65
1,65
1,65
1,65
1,65
1,65
1,65
1,66
1,66
1,66
1,66
1,67
1,67
1,68
1,69
1,70
1,70
1,71
1,72
1,72
1,73
1,73
1,74
k=5
dL
dU
dL
dU
0,29
0,37
0,44
0,51
0,57
0,63
0,69
0,74
0,78
0,82
0,86
0,90
0,93
0,96
0,99
1,01
1,04
1,06
1,08
1,10
1,12
1,14
1,16
1,18
1,19
1,21
1,22
1,24
1,25
1,26
1,27
1,29
1,32
1,38
1,41
1,44
1,47
1,49
1,51
1,53
1,55
1,57
1,58
1,59
2,58
2,41
2,28
2,17
2,09
2,03
1,97
1,93
1,90
1,87
1,85
1,83
1,81
1,80
1,79
1,78
1,77
1,76
1,76
1,75
1,74
1,74
1,74
1,73
1,73
1,73
1,73
1,73
1,72
1,72
1,72
1,72
1,72
1,72
1,72
1,73
1,73
1,74
1,74
1,74
1,75
1,75
1,76
1,76
0,24
0,31
0,37
0,44
0,50
0,56
0,62
0,67
0,71
0,75
0,79
0,83
0,86
0,90
0,93
0,95
0,98
1,01
1,03
1,05
1,07
1,09
1,11
1,13
1,15
1,16
1,18
1,19
1,21
1,22
1,23
1,29
1,34
1,38
1,41
1,44
1,46
1,49
1,51
1,52
1,54
1,57
1,57
2,82
2,64
2,50
2,39
2,29
2,22
2,15
2,10
2,06
2,02
1,99
1,96
1,94
1,92
1,90
1,89
1,88
1,86
1,85
1,84
1,83
1,83
1,82
1,81
1,81
1,80
1,80
1,80
1,79
1,79
1,79
1,78
1,77
1,77
1,77
1,77
1,77
1,77
1,77
1,77
1,78
1,78
1,78
Observao:
k= nmero de variveis independentes com excluso do termo constante
116
APNDICES
n
06
07
08
09
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
45
50
55
60
65
70
75
80
85
90
95
100
dU - 1 %
DURBIN-WATSON
k=1
k=2
k=3
k=4
k=5
dL
dU
dL
dU
dL
dU
dL
dU
dL
dU
0,39
0,43
0,49
0,55
0,60
0,65
0,69
0,73
0,77
0,81
0,84
0,87
0,90
0,93
0,95
0,97
1,00
1,02
1,04
1,05
1,07
1,09
1,10
1,12
1,13
1,15
1,16
1,17
1,18
1,19
1,21
1,22
1,23
1,24
1,25
1,29
1,32
1,36
1,38
1,41
1,43
1,45
1,47
1,48
1,50
1,51
1,52
1,14
1,03
1,00
0,99
1,00
1,01
1,02
1,03
1,05
1,07
1,09
1,10
1,12
1,13
1,15
1,16
1,17
1,19
1,20
1,21
1,22
1,23
1,24
1,25
1,26
1,27
1,28
1,29
1,30
1,31
1,32
1,32
1,33
1,34
1,34
1,38
1,40
1,43
1,45
1,47
1,49
1,50
1,52
1,53
1,54
1,55
1,56
0,29
0,34
0,40
0,46
0,51
0,56
0,61
0,66
0,70
0,74
0,77
0,80
0,83
0,86
0,89
0,91
0,94
0,96
0,98
1,00
1,02
1,04
1,05
1,07
1,08
1,10
1,11
1,13
1,14
1,15
1,16
1,18
1,19
1,20
1,24
1,28
1,32
1,35
1,38
1,40
1,42
1,44
1,46
1,47
1,49
1,50
1,67
1,48
1,38
1,33
1,29
1,27
1,26
1,25
1,25
1,25
1,25
1,26
1,26
1,27
1,27
1,28
1,29
1,30
1,30
1,31
1,32
1,32
1,33
1,34
1,34
1,35
1,36
1,36
1,37
1,38
1,38
1,39
1,39
1,40
1,42
1,45
1,47
1,48
1,50
1,52
1,53
1,54
1,55
1,56
1,57
1,58
0,22
0,27
0,34
0,39
0,44
0,49
0,54
0,59
0,63
0,67
0,71
0,74
0,77
0,80
0,83
0,86
0,88
0,90
0,93
0,95
0,97
0,99
1,01
1,02
1,04
1,05
1,07
1,08
1,10
1,11
1,12
1,14
1,15
1,20
1,24
1,28
1,32
1,35
1,37
1,39
1,42
1,43
1,45
1,47
1,48
2,10
1,87
1,73
1,64
1,57
1,52
1,49
1,46
1,44
1,43
1,42
1,41
1,41
1,41
1,40
1,40
1,41
1,41
1,41
1,41
1,41
1,42
1,42
1,42
1,43
1,43
1,43
1,44
1,44
1,45
1,45
1,45
1,46
1,48
1,49
1,51
1,52
1,53
1,55
1,56
1,57
1,58
1,59
1,60
1,60
0,18
0,23
0,28
0,33
0,39
0,44
0,49
0,53
0,57
0,61
0,65
0,68
0,72
0,75
0,77
0,80
0,83
0,85
0,88
0,90
0,92
0,94
0,96
0,98
1,00
1,01
1,03
1,04
1,06
1,07
1,09
1,10
1,16
1,20
1,25
1,28
1,31
1,34
1,37
1,39
1,41
1,43
1,45
1,46
2,43
2,19
2,03
1,91
1,82
1,75
1,70
1,66
1,63
1,60
1,58
1,57
1,55
1,54
1,53
1,53
1,52
1,52
1,51
1,51
1,51
1,51
1,51
1,51
1,51
1,51
1,51
1,51
1,51
1,52
1,52
1,52
1,53
1,54
1,55
1,56
1,57
1,58
1,59
1,60
1,60
1,61
1,62
1,63
0,15
0,19
0,24
0,29
0,34
0,39
0,44
0,48
0,52
0,56
0,60
0,63
0,66
0,70
0,72
0,75
0,78
0,81
0,83
0,85
0,88
0,90
0,92
0,94
0,95
0,97
0,99
1,00
1,02
1,03
1,05
1,11
1,16
1,21
1,25
1,28
1,31
1,34
1,36
1,39
1,41
1,42
1,44
2,69
2,45
2,28
2,15
2,04
1,96
1,90
1,85
1,80
1,77
1,74
1,71
1,69
1,67
1,66
1,65
1,64
1,63
1,61
1,61
1,61
1,60
1,60
1,59
1,59
1,59
1,59
1,59
1,58
1,58
1,58
1,58
1,59
1,59
1,60
1,61
1,61
1,62
1,62
1,63
1,64
1,64
1,65
Observao:
k= nmero de variveis independentes com excluso do termo constante
117
REFERNCIAS
BONINI, Edmundo Eboli; BONINI, Sergio Eboli. Estatstica Teoria e Exerccios. So Paulo: Edies
Loyola, 1972.
FONSECA, Jairo Simon da; MARTINS, Gilberto de Andrade. Curso de Estatstica. 2 ed., So Paulo:
ATLAS, 1979.
HESS, Geraldo; MARQUES, Jos Luiz de Moura; ROCHA PAES, Luiz Carlos Medeiros da;
PUCCINI, Abelardo de Lima. Engenharia Econmica. 16 ed., So Paulo: DIFEL Difuso Editorial
S.A, 1983.
MOREIRA, Alberto Llio. Princpios de Engenharia de Avaliaes. 4 ed., So Paulo: PINI, 1997.
ILHA MOREIRA FILHO, Ib; FRAINER, Jos Irany; ILHA MOREIRA, Rogrio Medeiros;ILHA
MOREIRA, Ronaldo Medeiros. Avaliaes de bens por estatstica Inferencial e Regresses Mltiplas
Teoria e Aplicaes. 2 ed., vol. 1., Porto Alegre: Diviso, 1993.
NETO, Francisco Maia. Introduo Engenharia de Avaliaes e Percias Judiciais. Belo Horizonte: Del
Rey, 1992.
PIRES DA SILVA, Srgio Alberto. Curso de Avaliaes Imobilirias Mdulos Bsico e Avanado
Fundamentos e aplicao da Estatstica inferencial. Curitiba: IBAPE/PR, 2002.
ZENI, Andr Maciel (1999) Curso de Avaliaes Imobilirias Metodologia Cientfica. Apostila da
ENGEB.
118