Apostila Avaliacoes Regress o

UNIVERSIDADE COMUNITRIA REGIONAL DE CHAPEC
REA DE CINCIAS EXATAS E AMBIENTAIS

CURSO DE ENGENHARIA CIVIL
ENGENHARIA DE AVALIAES
REGRESSO LINEAR
Prof Cesar Augusto Seidler
caseidler@unochapeco.edu.br
Engenharia Econmica e Avaliaes - Regresso Linear
Curso de Engenharia Civil 8 Perodo
4.0 - REGRESSO LENEAR SIMPLES

No perodo de 1809 a 1821 nos trabalhos de astronomia de Gauss teve a origem do modelo
clssico de regresso. Hoje um dos ramos da teoria estatstica utilizada na pesquisa cientfica para
estudar o comportamento de uma varivel (dependente) em relao a outras que so responsveis
pela sua formao (variveis independentes). (Dantas, 1998).
Segundo Silva (1998), a regresso linear simples constitui uma tentativa de estabelecer uma equao
matemtica linear (linha reta) que descreve o relacionamento entre duas variveis.
Ainda, Silva (1998) descreve que a equao linear simples tem como caractersticas o coeficiente
angular da reta de regresso e a cota desta reta em determinado ponto, representado como Y = a
+ bx, onde b o coeficiente angular.
assim denominada por apresentar apenas uma varivel independente, onde a estimativa dos
parmetros da equao de regresso linear feita pelo mtodo dos mnimos quadrados, que consiste
em minimizar a soma dos quadrados dos desvios.
4.1 - O modelo linear
4.1.1 Modelo matemtico
A regresso linear estuda a relao que existe entre uma varivel independente (X) e outra chamada
dependente (Y).
Yi = f (Xi)
Y
.
.
.
X
Figura 4.1
4.1.2 - Modelo estatstico
Y
.
.
.
.
X
Figura 4.2
Prof. Cesar Augusto Seidler
A figura mostra que existem erros de mensurao da varivel dependente e a equao fica afetada de um erro:
Yi = f (Xi) + ei
(4.1)
4.1.2.1 - O Modelo de regresso linear simples:
Yi= + + ei
(4.2)
Onde e parmetros da populao
Pressupostos de uma regresso linear:

-
Relao linear entre X e Y
A varivel independente (X) no aleatria
E(ei) = 0 (mdia do erro nula)
A varincia(2) dos erros constante chamado de homocedstico
Os erros possuem distribuio normal
O erro entre observaes distintas no correlacionado
Na Engenharia de Avaliaes trabalha-se com amostras extradas da populao das quais pretende-se
estimar os parmetros da populao.
Yest i = a + bXi
(4.3)
Sendo a e b estimadores da regresso, aquele chamado de coeficiente linear e este de coeficiente

angular.
Y
Yest = a + bXi
Dy
b = Dy/Dx
Dx
a
0
X
Figura 4.3 Representao grfica da equao de regresso linear
4.1.3 - Mtodo dos mnimos quadrados

Y
.
.
.
X
Figura 4.4 - erros
A cada valor observado pode ser calculado

um valor estimado( Yest) obtendo-se o erro (ei).
ei = Yi Yest = Yi - (a + bXi)
(4.4)
Consiste o mtodo na soma dos quadrados dos desvios.
S = e = [Yi (a + bX i )]
2
i
i =1
i =1
(4.5)
A funo S tem mnimo quando suas derivadas parciais em relao a a e b forem nulas.
S
1
= 2( 1)[Y (a + bX )] = 0
a
S
1
= 2( X )[Y (a + bX )] = 0
b
(4.6)
Simplificando e reordenando, temos o seguinte sistema de equaes:
Y=na+bX
(4.7)
(XY)=a X +bX2
(4.8)
Resolvendo, temos:
a =
b =
Y X
n X
( X )
n XY X Y
n X
( X )
X
XY
(4.9)
As estatsticas bsicas de regresso so o coeficiente de correlao linear, coeficiente de

determinao e o erro padro da regresso.
Exerccio 4.1:
Avaliar um apartamento com 102,00 m2 na cidade X tomando como base a amostra obtida nas
imobilirias locais.
NUMERO DA AMOSTRA
PREO TOTAL (R$)
REA TOTAL (m2)
60.000,00
55
74.000,00
64
76.900,00
60
78.102,00
63
80.000,00
61
84.000,00
65
86.732,00
75
90.000,00
61
100.000,00
72
10
88.000,00
80
11
111.446,00
86
12
114.000,00
90
13
130.000,00
103
14
145.054,00
106
15
146.000,00
105
SOLUO:
Linearidade
120
Preos
100
80
60
40
20
0
0
20000
40000
60000
80000
100000
120000
reas
Como se pode ver existe uma linearidade entre as variveis.
Clculo dos coeficientes linear ( a) e angular (b) da reta de regresso:
a =
b =
Y X
n X
( X )
n XY X Y
n X
( X )
X
A obteno dos somatrios so calculados pelo quadro a seguir:
XY
140000
160000
QUADRO DE REGRESSO
Observao Valor Total Y
rea Total X
X*Y
(X-Xmed)
60000
55
3.300.000,00
3.025,00
3.600.000.000,00
457,96
74000
64
4.736.000,00
4.096,00
5.476.000.000,00
153,76
76900
60
4.614.000,00
3.600,00
5.913.610.000,00
268,96
78102
63
4.920.426,00
3.969,00
6.099.922.404,00
179,56
80000
61
4.880.000,00
3.721,00
6.400.000.000,00
237,16
84000
65
5.460.000,00
4.225,00
7.056.000.000,00
129,96
86732
75
6.504.900,00
5.625,00
7.522.439.824,00
1,96
90000
61
5.490.000,00
3.721,00
8.100.000.000,00
237,16
100000
72
7.200.000,00
5.184,00
10.000.000.000,00
19,36
10
88000
80
7.040.000,00
6.400,00
7.744.000.000,00
12,96
11
112446
86
9.670.356,00
7.396,00
12.644.102.916,00
92,16
12
114000
90
10.260.000,00
8.100,00
12.996.000.000,00
184,96
13
130000
103
13.390.000,00
10.609,00
16.900.000.000,00
707,56
14
145054
106
15.375.724,00
11.236,00
21.040.662.916,00
876,16
15
146000
105
15.330.000,00
11.025,00
21.316.000.000,00
817,96
1.146,00 118.171.406,00
76,40
91.932,00
152.808.738.060,00
4.377,60
Soma
Mdia
1.465.234,00
97.682,27
Clculo do coeficiente linear da equao linear:
a=
91.932,00 x1.465.234,00 1.146,00 x118.171.406,00

= 11.003,58
15 x91.932,00 1.146,00 2
Clculo do coeficiente angular:
b=
15 x118.171.406,00 1.146,00 x1.465.234,00

= 1.422,59
15 x91.932,00 1.146,002
Equao de regresso:
Yest = 11.003,58 + 1.422,59. X

Comentrio: Observa-se que o sinal do coeficiente angular est coerente com realidade do mercado, aumentando a rea aumenta o valor.
Para um apartamento de 102,00m2 o valor estimado ser:
Yest = 11.003,58 + 1.422,59.102 = 134.100,56
4.1.4 Estatstica da Regresso:
As estatsticas bsicas de regresso so o coeficiente de correlao linear, coeficiente de

determinao e o erro padro da regresso.
4.1.4.1 Coeficiente de correlao linear.

Este mede a quantidade de disperso em torno da equao linear ajustada
Quanto mais prximo de 1 ou -1 melhor o ajuste da reta de regresso. Quando positivo, indica
que a varivel cresce no mesmo sentido.
Y
.
.
X
r=1
r=-1]
Y
.
.
X
r>0 - relao positiva forte
r<0 relao negativa forte
Y
.
.
.
.
. .
.
.
.
.
.
.
.
.
.
Relao fraca positiva
ausncia de relao
Figura 4.5 Intensidade e direo entre X e Y
10
Podem existir outras formas de relao no linear como tambm uma pequena amostra indicar a no
relao.
. . .
.
. .
. . . .
. . .
. . .
. . .
. .
Y
. .
.
.
X
Figura 4.6 - Relao no linear e amostra insuficiente
Grau de relao
Valor do Coeficiente r
Zero
Nula
Acima de zero at 0,30
Fraca
Acima de 0,30 at 0,60
Mdia
Forte
Fortssima
1,0
perfeita
Tabela 4.1 - Grau de relao entre X e Y
Pode-se definir que o coeficiente de correlao a relao entre a covariao e a raiz quadrada do
produto das variaes de X e Y.
r=
( X X )(Y Y )
[ ( X X ) ].[ (Y Y ) ]
med
med
med
med
(4.10)
Xmed=X/n (mdia dos valores de X

Ymed=Y/n ( mdia dos valores de Y
Pode-se tambm escrever a equao de outras formas:
r=
[n X
n XY X Y
2
][
( X ) . n Y ( Y )
2
(4.11)
11
ou
r=
Cov( X , Y )
SxS y
(4.12)
Donde:
Sx=desvio padro de X
Sy=desvio padro de Y
Duas variveis independentes podem estar fortemente correlacionadas sem expressar uma
relao de causa e efeito, so chamadas de correlaes sem sentido ou esprias expressando apenas
uma relao matemtica. Nestes casos a equao de regresso no pode ser usada para estimar
resultados.
Uma correlao forte entre rea e frente de um terreno geralmente acusa uma relao de causa e
efeito que no o caso da varivel topografia.
Exemplo 4.2 - Determine o coeficiente de correlao linear para o exerccio 4.1.
Soluo:
r=
r=
[n X
n XY X Y
2
][
( X ) . n Y 2 ( Y )
2
(4.11)
15 x118.171.406,00 1.146,00 x1.465.234,00
[15 x91.932,00 (1.146,00) ]x[15 x152.808.738.060,00 (1.465.234,00) ]

2
= 0,9566
4.1.4.2 - Coeficiente de determinao(r2)

Fornece uma medida de quanto as estimativas baseadas na reta de regresso (Yest) so melhores do
que aquelas baseadas na mdia (Ymed).
Y
. . .
. . .
. . . . Ymed
. . .
. ..
. . .Yest
. . .
. . . . d
. . .
. ..
X
Figura 4.7 - Disperso em torno da mdia e disperso em torno da reta de regresso

12
O desvio de um ponto em torno da mdia denominado de desvio total e em torno da reta de

regresso chamado de desvio no explicado ou resduo. A diferena entre estes dois denominado
de desvio explicado
. Xi ; Yi
(variao total)
Yi Ymed
Yest
Yi Yest (desvio no explicado)

Yest Ymed ( desvio explicado )
Ymed
Xmed
Figura 4.8 Desvio total, explicado e no explicado

O coeficiente de determinao r2 definido como a relao entre a variao explicada e a variao
total observada na amostra.
r2 =
var iao. exp licada

=
var iao.total
(Y Y )
(Y Y )
est
med
(4.13)
med
O valor de r2 indica qual a porcentagem da variao no valor de Y que est sendo explicada
pela equao de regresso. O complemento (1- r2) indica o percentual da variao de Y no explicado
pela varivel X, ficando atribudo a outras variveis no consideradas na equao e a perturbaes
aleatrias. O coeficiente de determinao varia de 0 a 1.
Com a incluso de mais variveis independentes no modelo o valor de r2 aumenta at o valor de 1,
quando o nmero de variveis for igual ao nmero de observaes. Para evitar estas influncias
definido o coeficiente de determinao ajustado (r2ajust), que ajusta o coeficiente em relao ao
nmero de observaes.
2
rajust
= 1
n 1
1 r 2
n k 1
onde: n- nmero de amostras

k- nmero de variveis independentes
(4.14)
13
Exemplo 4.3 - Calcular o coeficiente de determinao e o coeficiente de determinao ajustado para

a equao a equao de regresso obtida no Exemplo 4.1.
Soluo:
Clculo do coeficiente de determinao:
var iao. exp licada

r =
=
var iao.total
2
(Y Y )
(Y Y )
est
med
(4.13)
med
Ser usado um quadro para o clculo do valor estimado (Y est), do Y mdio (Ymed) e das somatrias
do quadrado da diferena de Y estimado com o Y mdio e somatria do quadrado de Y observado
com o Y mdio.
PLANILHA DE CLCULO
Observao
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Soma
Mdia
Valor total
Y
60000
74000
76900
78102
80000
84000
86732
90000
100000
88000
112446
114000
130000
145054
146000
1.465.234,00
V.
estimado
Yest
67.238,85
80.042,16
74.351,80
78.619,57
75.774,39
81.464,74
95.690,64
75.774,39
91.422,87
102.803,59
111.339,13
117.029,49
135.523,15
139.790,92
138.368,33
Diferena
(Y-Yest)
(Yest - Ymed)
Residuos relativa
e= Y-Yest
%
-7.238,85
12,1 52.400.926
926.801.715
-6.042,16
8,2 36.507.639
311.173.534
2.548,20
-3,3
6.493.341
544.310.833
-517,57
0,7
267.874
363.386.575
4.225,61
-5,3 17.855.812
479.955.225
2.535,26
-3,0
6.427.519
263.008.016
-8.958,64
10,3 80.257.252
3.966.572
14.225,61
-15,8 202.368.087
479.955.225
8.577,13
-8,6 73.567.120
39.180.018
-14.803,59
16,8 219.146.258
26.227.946
1.106,87
-1,0
1.225.167
186.509.839
-3.029,49
2,7
9.177.784
374.314.886
-5.523,15
4,2 30.505.197 1.431.932.530
5.263,08
-3,6 27.700.012 1.773.138.682
7.631,67
-5,2 58.242.382 1.655.355.775
822.142.370 8.859.217.373
97.682,27
Substituindo os valores calculados da planilha em (4.13), temos:
r2 =
8.859.217.373
= 0,9151
9.681.359.743
(Y- Ymed)
1.419.953.221
560.849.754
431.902.608
383.386.843
312.662.554
187.204.421
119.908.340
59.017.221
5.371.888
93.746.288
217.967.822
266.268.421
1.044.435.888
2.244.081.119
2.334.603.354
9.681.359.743
erro
padro
-0,9103
-0,7598
0,3204
-0,0651
0,5314
0,3188
-1,1265
1,7888
1,0785
-1,8615
0,1392
-0,3809
-0,6945
0,6618
0,9597
EP ord.cres.
0,91
0,76
0,32
0,07
0,53
0,32
1,13
1,79
1,08
1,86
0,14
0,38
0,69
0,66
0,96
Poderamos ter calculado o coeficiente de determinao elevando ao quadrado o coeficiente de

correlao:
r 2 = 0,9566 2 = 0,9151
Clculo do coeficiente de determinao ajustado:
2
rajust
= 1
2
rajust
= 1
n 1
1 r 2
n k 1
( 4.14)
15 1
(1 0,9151) = 0,9086
15 1 1
4.1.4.3 - Erro padro da equao de regresso.

D a medida de preciso das estimativas de regresso. A quantidade de disperso na populao pode
ser estimada a partir da disperso na amostra em relao reta de regresso, segundo a equao:
(Y Y )
se =
est
(4.15)
n k 1
Onde Se o desvio padro dos resduos.
Exemplo 4.4 Calcular o erro padro da equao de regresso do Exemplo 4.1 .
Soluo:
(Y Y )
se =
est
n k 1
822.142.370
= 7.952,46
15 1 1
- Coeficiente de variao.
Mostra a disperso relativa das observaes.
S
CV = e
Ymed
(4.16)
16
Obs.: Quanto menor for o coeficiente de variao melhor ser o ajuste da reta de regresso.
Exemplo 4.5 Calcular o coeficiente de variao
CV =
Se
7.952,46
=
0,0814
Ymed 97.682,27
4.2 Linearizao
Na maioria das vezes a nossa amostra no possui uma tendncia linear, alguns modelos no
lineares podem ser linearizados pela simples transformao das escalas de medio das variveis. Por
exemplo, numa amostra coletada, conforme figura 4.9, o ajustamento de uma reta seria inadequado,
pois s se pode ajustar retas aos pontos dispostos com tendncias linearidade. Seja (P) o preo de
reas urbanizveis e (A) a rea.
. .
. . .
. . .
. . .. .
... .
. . . .
. . .
. . .
. . . .
. . .
. . ...
.. . . ... . .
. . . . . . . .......
............
A
Figura 4.9 Ajustamento de reta aos pontos
Obs.: Observa-se uma tendncia de decrscimo dos preos unitrios de forma hiperblica. A soluo
utilizar a transformao inversa Z=1/P nos dados da figura 4.9 . A recproca tambm seria verdadeira
.Fazendo-se a regresso de Z sobre A, obtm-se a equao
Z=bo + b1.A ( 4.17)
Em seguida, retorna-se escala original, substituindo-se Z por 1/P na equao (4.17).
17
1/P =Z
.
.
.
. . . .
. . . .
. ... .
. . . .
. . . .
. . . .
. . . .
.....
. .
. .
Figura 4.10 Linearizao dos pontos da figura 4.9
Comentrio: O conhecimento do comportamento dos grficos orienta o avaliador em relao

transformao a adotar. Iremos mostrar algumas funes no lineares, bastante usadas, que possam
ser linearizadas atravs de transformaes com seus respectivos grficos:
4.2.1 - Funo exponencial
Y = a.b x
( 4.18 )
Aplicando logaritmo equao (4.18 ) , obtemos:
ln Y = ln a + X ln b
(4.19)
Fazendo: lnY= Z ; lna = A ; lnB = B, obtm-se
Z = A + BX
( 4.20 ) - Modelo linear
Y
b>1
0<b<1
Figura 4.11 Grfico da funo exponencial Fonte: Fonseca

4.2.2 Funo potncia
Y = a. X b
(4.21)
Aplicando logaritmo a ambos os membros da equao, temos:
ln Y = ln a + b. ln X
(4.22)
Fazendo, Z= lnY ; A= lna ; T=lnX

Tem-se a equao linearizada:
Z = A + bT
(4.23)
Y
b>1
b=1
0<b<1
a
Figura 4.12 Grfico da Funo Potncia Fonte: Fonseca
4.2.3 Funo logartmica
e y = e a .X b
(4.24)
Por transformao logartmica, temos:
Y = a + b. ln X
(4.25)
Fazendo, lnX = T obtem-se a equao linearizada:
Y = a + b.T
(4.26)
18
a>0 b>0
a>0 b<0
Figura 4.13 Funo logartmica
4.2.4 Funo Hiprbole I
Y = a b. X
(4.27)
ou
Y = a
b
X
(4.28)
Fazendo, 1/X = T temos:

Modelo linear ( transformada recproca):
Y = a b.T
(4.29)
Y
Y=a+b/X
Y=a-b/X
Figura 4.14 - Funo Hiprbole I

19
20
4.2.5 Funo Hiprbole II
1
a + bX
Y =
(4.30)
Fazendo , 1/Y = Z, obtemos
Modelo linear ( transformada recproca)
Z = a + bX
(4.31)
a>0
b>0
Figura 4.15 - Grfico funo hiprbole II
4.2.6 Funo Hiprbole III
Y=
a
Xb
(4.32)
Por transformao logartmica:
ln Y = ln a b. ln X
(4.33)
Fazendo: lnY = Z ; lna = A ; lnX = T, obtemos o modelo linear
Z = A bT
(4.34)
Segundo Dantas (1998) a transformao no um mero exerccio de matemtica, deve-se entender o

que representa a escala proposta. A equao deve realmente ser coerente para explicar o mercado.
Deve-se conhecer as teorias do mesmo. Por exemplo, se a questo inferir a taxa de valorizao
territorial em uma regio e de conhecimento do avaliador que o crescimento segue uma taxa
aproximadamente constante, faz sentido utilizar um modelo exponencial; mas se o avaliador espera
que a taxa seja decrescente no perodo observado, o modelo mais apropriado seria o potencial.
0<b<1
b=1
b>1
Figura 4.16 Grfico funo hiprbole III
Exemplo 4.5 Calcule os modelos de regresso , do Exemplo 3.1, com funes no lineares
determine e justifique o melhor modelo.
Soluo:
21
FUNO POTNCIA
Observao Valor Total Y rea Total X
1
60000
55
2
74000
64
3
76900
60
4
78102
63
5
80000
61
6
84000
65
7
86732
75
8
90000
61
9
100000
72
10
88000
80
11
112446
86
12
114000
90
13
130000
103
14
145054
106
15
146000
105
Soma
Mdia
lnY=Z
11,0020998
11,2118204
11,2502612
11,2657709
11,2897819
11,3385721
11,3705782
11,4075649
11,5129255
11,3850921
11,6302284
11,6439537
11,7752897
11,8848614
11,8913619
171,86
11,46
lnX=T
4,00733319
4,15888308
4,09434456
4,14313473
4,11087386
4,17438727
4,31748811
4,11087386
4,27666612
4,38202663
4,4543473
4,49980967
4,63472899
4,66343909
4,65396035
64,68
4,31
Funo:Y= a.X
Modelo linear( transformao logaritmica): lnY= lna + b.lnX
Fazendo:
lnY= Z
lna=A
lnX= T
Temos:
Z= A + b.T
Z*T
44,09
46,63
46,06
46,68
46,41
47,33
49,09
46,90
49,24
49,89
51,81
52,40
54,58
55,42
55,34
741,85
Z
121,05
125,70
126,57
126,92
127,46
128,56
129,29
130,13
132,55
129,62
135,26
135,58
138,66
141,25
141,40
1.970,01
T
16,06
17,30
16,76
17,17
16,90
17,43
18,64
16,90
18,29
19,20
19,84
20,25
21,48
21,75
21,66
279,62
T Z T TZ
A=
n T ( T )
b=
A=
6,71980
b=
1,0986
n. TZ T . Z
n. T 2 ( T )
Z est = 6,02689+ 1,0987.T

Observao: O valor estimado para um apartamento de 102,00m de:
Zest=
11,80102
Como lnY = Z, temos:

Zest
Yest =e
R$133.388,78
=
Ou
Yest =a.X =
R$133.388,78
a=
828,65181
23
FUNO EXPONENCIAL
1
60000
55
2
74000
64
3
76900
60
4
78102
63
5
80000
61
6
84000
65
7
86732
75
8
90000
61
9
100000
72
10
88000
80
11
112446
86
12
114000
90
13
130000
103
14
145054
106
15
146000
105
1.146,00
Soma
76,40
Mdia
lnY=Z
11,0020998
11,2118204
11,2502612
11,2657709
11,2897819
11,3385721
11,3705782
11,4075649
11,5129255
11,3850921
11,6302284
11,6439537
11,7752897
11,8848614
11,8913619
171,86
11,46
Z*X
605,12
717,56
675,02
709,74
688,68
737,01
852,79
695,86
828,93
910,81
1.000,20
1.047,96
1.212,85
1.259,80
1.248,59
13.190,91
Z
121,05
125,70
126,57
126,92
127,46
128,56
129,29
130,13
132,55
129,62
135,26
135,58
138,66
141,25
141,40
1.970,01
Funo:Y=a . b
Modelo linear( transformao logaritmica): lnY= lna + x.lnb
Fazendo:
lnY= Z
lna=A
lnb=B
Temos:
Z= A + B.x
X
3.025,00
4.096,00
3.600,00
3.969,00
3.721,00
4.225,00
5.625,00
3.721,00
5.184,00
6.400,00
7.396,00
8.100,00
10.609,00
11.236,00
11.025,00
91.932,00
24
X Z X XZ
A=
n X ( X )
25
b=
A=
10,39640
a=
32741,69
B=
0,0139
b=
1,014
n. TZ T . Z
n. T 2 ( T )
Zest = 9,70389+ 0,0139.X

Zest=
11,81284
Como lnY = Z,
temos:
Yest =inv Zest =
R$134.974,65
FUNO
LOGARITMICA
lnX=T
T*Y
1
60000
55
4,00733319
240.439,99
2
74000
64
4,15888308
307.757,35
3
76900
60
4,09434456
314.855,10
4
78102
63
4,14313473
323.587,11
5
80000
61
4,11087386
328.869,91
6
84000
65
4,17438727
350.648,53
7
86732
75
4,31748811
374.464,38
8
90000
61
4,11087386
369.978,65
9
100000
72
4,27666612
427.666,61
10
88000
80
4,38202663
385.618,34
11
112446
86
4,4543473
500.873,54
12
114000
90
4,49980967
512.978,30
13
130000
103
4,63472899
602.514,77
14
145054
106
4,66343909
676.450,49
15
146000
105
4,65396035
679.478,21
1.465.234,00
64,68
6.396.181,28
Soma
97.682,27
4,31
Mdia
y
a
Funo:e =e . Xb
y
a)
Modelo linear( transformao logaritmica): ln(e )= ln(e + b.lnx
Fazendo:
lnX=T
y=a+b.T
Temos:
T
16,06
17,30
16,76
17,17
16,90
17,43
18,64
16,90
18,29
19,20
19,84
20,25
21,48
21,75
21,66
279,62
T Y T TY
a=
n T ( T )
2
b=
a=
-383159,07
b= 111.508,4097
26
Yest = R$132.564,29
n. TZ T . Z
n. T 2 ( T )
FUNO HIPERBOLE1
1/X=T
0,018182
0,015625
0,016667
0,015873
0,016393
0,015385
0,013333
0,016393
0,013889
0,012500
0,011628
0,011111
0,009709
0,009434
0,009524

1
60000
55
2
74000
64
3
76900
60
4
78102
63
5
80000
61
6
84000
65
7
86732
75
8
90000
61
9
100000
72
10
88000
80
11
112446
86
12
114000
90
13
130000
103
14
145054
106
15
146000
105
Soma
Mdia
1.465.234,00
97.682,27
0,21
0,01
T*Y
1.090,91
1.156,25
1.281,67
1.239,71
1.311,48
1.292,31
1.156,43
1.475,41
1.388,89
1.100,00
1.307,51
1.266,67
1.262,14
1.368,43
1.390,48
T
0,000331
0,000244
0,000278
0,000252
0,000269
0,000237
0,000178
0,000269
0,000193
0,000156
0,000135
0,000123
0,000094
0,000089
0,000091
19.088,27
27
Y
3.600.000.000,00
5.476.000.000,00
5.913.610.000,00
6.099.922.404,00
6.400.000.000,00
7.056.000.000,00
7.522.439.824,00
8.100.000.000,00
10.000.000.000,00
7.744.000.000,00
12.644.102.916,00
12.996.000.000,00
16.900.000.000,00
21.040.662.916,00
21.316.000.000,00
0,002938
152.808.738.060,00
Funo:Y=a+b/X
Modelo linear( transformao logaritmica):
Fazendo:
1/X=T
y=a+b.T
Temos:
T Y T TY
a=
n T ( T )
2
b=
n. TZ T . Z
n. T 2 ( T )
213009,88
a=
b=
-8412107,94
Yest=213009,88 - 8412107,94*1/102=
R$130.538,24
4.3 - Teste de Hiptese: uma regra de deciso para aceitar ou rejeitar uma hiptese baseada na
amostra. Designa-se por H0 a hiptese nula e por H1 a hiptese no nula.
Dois tipos de erros podem ser cometidos num teste de hipteses:
Erro Tipo I: rejeitar H0 quando ela verdadeira
Erro Tipo II : Aceitar H0 quando ela falsa.
Para que exista regresso de Y sobre X necessrio que o coeficiente angular da reta de regresso (b) seja diferente de zero caso contrrio no significativo.
A significncia do coeficiente da reta de regresso pode ser testada comparando-o com seu desvio
padro, da seguinte forma:
b= coeficiente angular
b
(4.34)
t =
Sb = desvio padro de b
Devemos ter: tobs > ttab, ento rejeita-se a hiptese b=0 ao nvel de significncia testado concluindo-se que a varivel X importante na formao do valor de Y.
A NB 14653-2:2004 determina que os testes de hiptese para os coeficientes da reta de regresso
devem ser feitos ao nvel de significncia () de no mximo:
Para grau III: 10% (somatrio das duas caudas)
Para grau II:20%
idem
Para grau I: 30%
idem
(Y Y
est
Sb =
)2
n k 1
(4.35)
( X ) 2
n
EXEMPLO: Efetuar o teste de hiptese para o coeficiente angular da equao de regresso do

exerccio anterior.
15
Dados:
n=
k=
1
b=
1.422,59
Soluo: t = b/Sb
Sb= 120,19
tobservado= 11,84
Da Tabela de Student com Nvel de confiana 90% ou t0,95 = 1,771, como tobs>ttab a hiptese nula
deve ser rejeitada donde se conclui que a varivel X (rea) importante na formao do valor de
Y (preo total).
29
4.4 - ANLISE DA VARINCIA OU TESTE DA SIGNIFICNCIA DO MODELO DE REGRESSO
A significncia da regresso pode ser testada pela razo Fc entre a varincia explicada com a varincia
no explicada ( ou residual). Demonstra-se que Fc , sob hiptese Ho, tem distribuio de Snedecor com
1 grau de liberdade no numerador e (n-K-1) no denominador. Esta distribuio foi tabelada por Fisher.
Estes pontos crticos esto tabelados para os nveis de 5% e 1%, onde o nmero de graus de liberdade
do numerador indica a coluna e o nmero de graus de liberdade do denominador indica a linha onde se
localiza o ponto crtico correspondente.
Pela NBR14.653-2:2004 podem ser examinados ao nvel de significncia de 1% ( para classificar a
avaliao no grau III), 5% (grau II) e 10% (grau I).
A anlise feita utilizando-se a distribuio de Snedecor, que representa a distribuio amostral do
quociente entre a varincia de duas amostras independentes.
Fonte de
variao
Explicada
Soma dos
quadrados
(Yest-Ymed)
Graus de
liberdade
Varincia
k
n-k-1
n-1
Total
(Y-Ymed)
est
(Yest-Ymed) /k
(Y-Yest)
(Y
No explicada
Funo F de Snedecor
(Yt-Yest) /n-k1
Fobs =
Ymed ) 2
k
(Y Yest ) 2
n k 1
Quadro 4.1 Significncia do modelo.

Regra de deciso: Para rejeitar a hiptese nula de no haver regresso ao nvel de significncia
adotado (1%, grau III;5%, grau II e 10%, grau I), necessrio que Fcal > Ftab.
O teste unilateral e mostrado pela figura 4.18 abaixo:
Fc
Aceitao de Ho
Rejeio de Ho
Figura 4.16 Distribuio de Snedecor

Exerccio: Verificar o teste de significncia do modelo de regresso do exerccio anterior
Soluo:
Fonte de
variao
Soma dos
quadrados
Graus de
liberdade
Varincia
Explicada
No explicada
8.859.217.373
822.142.370
1
13
8.859.217.373
63.241.721
Total
9.681.359.743
14
Funo F de Snedecor
Fobs= 140,085
Comentrio:Para =1%,1 grau de liberdade no numerador e 13 graus de lib. no denominador

tem-se Ftab = 9,07<< Fobs 141,844 . Portanto rejeita-se a hiptese de no haver regresso,
ou seja, existe regresso.
Para a determinao do grau de fundamentao da avaliao, a NBR 14653-2 ( item 7 da Tabela 3.2,
para os demais testes estatsticos realizados ( nos quais se inclui a anlise de varincia)
Grau
Descrio
Nvel de significncia
III
II
1%
5%
10%
mximo admitido nos

demais testes
estatsticos realizados
Comentrio: Como o nvel de significncia foi menor que 1% atingiu-se Grau III neste item.
4.5 INTERVALO DE CONFIANA PARA A MDIA

O intervalo de confiana a um nvel (1-) para a estimativa de valor de um bem, em torno de um
ponto (X0,Y0), sobre a reta de regresso definido pela equao:
(4.35)
Y = Yest t (
;n k 1) e
( X 0 X m ed ) 2
1
+
n ( X X med ) 2
Onde:
se =
(Y Y
est
)2
...............
n k 1
desvio padro dos resduos
30
31
Quanto maior o nmero da amostra (n) e quanto mais dispersa for a varivel X, menor ser o erro
padro e consequentemente a amplitude dos intervalos de confiana.
A norma NBR 14653-2:2004 estipula uma amplitude do intervalo de confiana de 80% em torno do
valor central da estimativa, que corresponde ao nvel de significncia igual a 20%().
O grau de preciso da avaliao est associado amplitude do intervalo de confiana ( de 80%,
em torno do valor central da estimativa).
Descrio
Amplitude do intervalo de confiana de
80% em torno do valor central da
estimativa
III
Grau
II
<ou=30%
30% - 50%
>50%
Tabela 4.2 Grau de preciso da estimativa de valor. Fonte: NBR 14653-2

Deve ser analisado de forma desassociada do intervalo de confiana e representa o intervalo no
entorno do estimador pontual adotado na avaliao, corresponde semi-amplitude de 15% em torno da estimativa pontual adotada. Caso no seja adotada a estimativa pontual, o engenheiro de
avaliaes deve justificar sua escolha.
Exerccio: Calcular o intervalo de confiana para a mdia do imvel avaliado no exerccio anterior e
determine o grau de preciso atingido na estimativa do valor.
a)
Dados:
n=
15 (Nmero de amostras)
(Nmero de
k=
1 variveis)
t0,10;13=
1,35 (Valor crtico da tabela de Student)
X0=
102 (rea do apartamento)
Xmed
76,40
2
(X-Xmed) =
Yest =
4.377,60
134.974,65
(Equao Exponencial)
Obs.: Eq.c/ menor erro
Soluo:
Y=
Limite inferior:
Limite superior
Y=
Y=
134.974,65
+/-
4.993,88
129.980,77
139.968,53
Comentrio: Nota-se que quanto mais X se afastar da mdia a amplitude aumenta, conforme pode-se
verificar pela equao 4.31 e pela Figura 4.23.
Yest
Yest max
Yest min
Xmed
Figura 4.17 Intervalo de confiana para Y
b) grau de preciso obtido:

A NBR 14653-2 em seu item 9.5.2 apresenta os critrios para a determinao do grau de preciso da
avaliao, conforme tabela 4.3 abaixo.
Soluo:
Grau. preciso =
Amplitude.I .C
9.987,76
=
= 0,0739 = 7,39%
Estimativa
134.974,65
Comentrio: Como 7,39% < 30% o grau de preciso obtido Grau III
32
4.6 - EXTRAPOLAO DE VALORES
Item
Grau
II
I
Admitida apenas para
Admitida, desde que:
uma varivel, desde
a)as medidas das
que:a)as medidas das caracteristicas do imvel
caracteristicas do
avaliando no sejam
imvel avaliando no
superiores a 100% do
sejam superiores a
limite amostral superior,
100% do limite amostral nem inferiores metade
No
superior, nem inferiores
do limite amostral
admitida
metade do limite
inferior.
amostral inferior.b) o
b) o valor estimado no
valor estimado no
ultrapasse 10% do valor
ultrapasse 10% do
calculado no limite da
valor calculado no limite fronteira amostral, para
da fronteira amostral,
as referidas variveis,
para a referida varivel.
simultaneamente.
Descrio
III
Extrapolao
V.U.
.
.
. .
.
.
.
Yreal
Y extrapolado
Xmin
Xmax
X extrapolado
Figura 4.18 - Extrapolao
Distncia
33
4.7- ANLISE DA NORMALIDADE:
Yest
erro
erro
padro
Mdulo
E.P.orden.
Frequncia
Distrib.
Normal
60000,00 70.274,90
10274,90
1,3641
0,0341
74.000,00 79.630,28
-5630,28
0,7475
0,0571
76.900,00 75.327,70
1572,30
0,2087
0,2087
78.102,00 78.532,13
-430,13
0,0571
0,3146
80.000,00 76.381,04
3618,96
0,4805
0,4323
84.000,00 80.743,79
3256,21
0,4323
0,4805
86.732,00 92.772,25
-6040,25
0,8019
0,5792
90.000,00 76.381,04
13618,96
1,8081
0,7015
100.000,00 88.986,76
1,4622
0,8019
88.000,00 99.442,62
11013,24
11442,62
1,5192
0,7475
112.446,00 108.083,13
4362,87
0,5792
0,9110 73%
114.000,00 114.256,65
-256,65
0,0341
1,3641
130.000,00 136.862,07
-6862,07
0,9110
1,4622
145.054,00 142.684,17
2369,83
0,3146
1,5192 93%
1,64 DP=90%
146.000,00 140.716,46
5283,54
0,7015
1,8081 100%
1,96 DP=95%
Comentrio: Os resduos tem uma distribuio aproximadamente normal.
Valor estimado X
resduos
1 DP=68%
34
35
4.8 - AUTOCORRELAO
Os erros devem ser independentes sob a condio de normalidade.
O conceito de independncia dos resduos est ligado independncia dos dados amostrais.A
situao ideal aquela onde cada transao se realiza independentemente da outra, onde o preo e
condies de uma no interfira na outra. (Dantas, 1998)
A existncia de auto-correlao pode ser calculada com o auxilio da razo de Von Neumann:
2
(
)
e
e
i i 1
d=
i=2
n
2
i
(4.36)
i =1
Onde: ei o i-simo resduo do modelo, ordenado crescentemente em relao aos valores ajustados,
considerando-se uma amostra de tamanho n.
A hiptese a ser testada :
Ho: r=0 (no h auto-correlao)
H1: r0 (apresenta auto-correlao)
Para n grande, demonstra-se que d=2(1-r), onde r o coeficiente de correlao entre e(i) e
e(i-1) .
Quando r=-1 os resduos e(i) e e(i-1) so perfeitamente correlacionados negativamente e d=4. Se r=1
tem-se auto-correlao positiva perfeita e d=0. Quando no existe auto-correlao r=0 e d=2.
A estatstica d foi tabelada por Durbin-Watson para nveis de significncia de 5%, 2,5% e 1%,
considerando ajustamentos de modelos com 15 a 100 observaes, com at seis variveis
independentes, estabelecendo limites crticos dL e dU. Entre as regies (dL du) e [(4-dU) (4-dL)] o
teste inconclusivo.
Segundo Dantas (1998) aput Kmenta (1978), pode-se demonstrar com facilidade que, quando as
perturbaes so auto-regressivas os estimadores de mnimos quadrados ainda so no-tendenciosos e
consistentes, porm no so mais eficientes, nem mesmo assintoticamente.
36
Regio no conclusiva
f(d)
Regio no
auto-correlao
dL
Regio auto-corRelao positiva
dU
(4-dU)
(4-dL)
d
Regio auto-correlao
negativa
Figura 4.19 Representao grfica do teste de Durbin-Watson
Exemplo 4.6 Testar a hiptese se existe auto-correlao no modelo do Exemplo 4.1.

Soluo:
Comentrio: como os dados foram coletados aleatoriamente sem respeitar qualquer ordenamento, seja
temporal ou outro critrio, faremos a verificao para efeitos didticos.
Abaixo quadro de clculo para obteno da somatria dos quadrados dos resduos:
Quadro de clculo para obteno da estatstica de Von Neumann:
Obs
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Soma
residuos
(e)
-7.673,77
-5.933,80
2.437,65
-460,69
4.173,07
2.692,97
-8.417,58
14.173,07
9.023,51
-14.141,12
1.858,13
-2.251,69
-4.826,21
5.907,27
8.294,80
(ei-ei-1)^2
ei2
58.886.731,76
3027479,44
35.210.026,54
70081227,47
5.942.134,65
8400376,88
212.236,16
21471715,21
17.414.490,36
2190692,68
7.252.078,72
123444215,74
70.855.600,28
510337202,01 200.875.835,58
26517910,75
81.423.783,94
536600036,48 199.971.166,17
255975927,96
3.452.652,95
16890651,12
5.070.117,58
6628143,00
23.292.304,62
115207693,97
34.895.892,44
5700296,63
68.803.772,31
1702473569,33 754672092,30
37
Frmula da razo de Von Neumann:
2
(
)
e
e
i i 1
d=
i=2
n
2
e
i
1.702.473.569,33
=
= 2,25
754.672.092,30
i =1
Determinao das regies:
Pela tabela de Durbin-Watson, ao nvel de 1% para n=15 dados, com uma varivel (K=1), temos:
du= 1,07
dL = 0,81
dL
du
0,81
1,07
4-dU
2,93
4-dL
3,19
Concluso: Como 2,25 est entre 1,07 e 2,93 pode-se concluir que no existe auto-correlao nos
resduos ao nvel de significncia de 1%.
EXERCCIO PROPOSTO ( Dantas, 1998):

1- Para a avaliao de uma gleba, coletaram-se cinco dados relativos s distncias ao centro urbano e os
respectivos preos unitrios, conforme quadro a seguir:
DADOS
DISTNCIA (KM)
PREO UNIT (R$/M2)
38
Com base nos dados coletados, pede-se:

1- Verificar graficamente o comportamento do preo unitrio com a distncia ao centro urbano.
Interpretar a figura, traar a reta de regresso e encontrar a sua equao.
2- Estimar os parmetros do modelo de regresso pelo mtodo dos mnimos quadrados.
3- A equao do modelo com a sua devida interpretao.
4- Os coeficientes de correlao e determinao, com as devidas interpretaes.
5- Calcular o desvio- padro do modelo
6- Construir a tabela de ANOVA ( Anlise da varincia do modelo)
7- Testar a significncia do modelo ao nvel de 5% e interpretar o resultado
8- Testar a significncia do parmetro correspondente varivel distncia, ao nvel de 5% e interpretar o
resultado.
9- Encontrar um intervalo de confiana de 80% em torno de b1
12- Analisar o grfico dos resduos padronizados versus valores ajustados
11- Testar a hiptese de no auto-regresso ao nvel de 5%.
12- Testar a normalidade dos resduos
13- Estimar o valor unitrio mdio para uma gleba que est a 1,5Km do centro urbano
14- Estimar o intervalo de confiana ao nvel de 80% em torno do valor unitrio mdio estimado e
interpretar o resultado.
39
5.0 - REGRESSO LINEAR MLTIPLA

O modelo de regresso mltipla tem os mesmos pressupostos que o modelo linear simples com o
objetivo de obter avaliaes no tendenciosas, eficientes e consistentes deve atender aos pressupostos
bsicos.
5.1-Pressupostos bsicos:
a)- Para evitar a micro-numerosidade, o nmero mnimo de dados efetivamente utilizados (n) no modelo
deve obedecer aos seguintes critrios com respeito ao nmero de variveis independentes (k):
n> ou = 3(k+1)
ni > ou =5, at duas variveis dicotmicas ou trs cdigos alocados para a mesma caracterstica.
ni > ou=3, para 3 ou mais variveis dicotmicas ou quatro ou mais cdigos alocados para a mesma
caracterstica.
Onde ni o nmero de dados de mesma caracterstica, no caso de utilizao de variveis dicotmicas ou
de cdigos alocados,ou nmero de valores observados distintos para cada uma das variveis
quantitativas.
b) Os erros so variveis aleatrias com varincia constante, ou seja, homocedsticos.
c) Os erros so variveis aleatrias com distribuio normal.
d)Os erros so no autocorrelacionados, isto , so independentes sob a condio de normalidade.
e) No devem existir erros de especificao no modelo, isto , todas as variveis importantes devem
estar incorporadas- inclusive as decorrentes de interao- e nenhuma varivel irrelevante deve estar
presente no modelo.
f) Em caso de correlao linear elevada entre quaisquer subconjuntos de variveis independentes, isto ,
multicolinearidade, deve-se examinar a coerncia das caractersticas do imvel avaliando com a estrutura
de multicolineaeidade inferida, vedada a utilizao do modelo em caso de incoerncia.
g) No deve existir correlao entre o erro aleatrio e as variveis independentes do do modelo.)
possveis pontos influenciantes, ou aglomerados deles, devem ser investigados e sua retirada fica
condicionada apresentao de justificativas.
5.2 - Verificao dos pressupostos do modelo:

5.2.1 - Linearidade:
A suposio de um relacionamento linear entre a varivel dependente e variveis independentes o
ponto de partida em um estudo de anlise de regresso. Todavia, estas relaes podem ser no lineares
ou podem assumir uma combinao de duas ou mais formas e a alternativa utilizar as relaes no
lineares, desde que linearizveis por transformao conforme visto na regresso linear simples. Segundo
a norma: as transformaes para linearizar o modelo devem, tanto quanto possvel, refletir o
comportamento do mercado, com preferncia pelas transformaes mais simples de variveis, que
resultem em modelo satisfatrio.
5.2.2- Normalidade:
40
A sua violao acarreta problemas nos testes de hipteses e na construo de intervalos de confiana,
pois suas propriedades so calcadas na suposio de que os resduos tem distribuio normal. A
verificao da normalidade, implica em examinar se o histograma formado pelos resduos adere
razoavelmente a uma distribuio normal.
Para a verificao da hiptese, divide-se cada resduo pelo desvio padro e compara-se a percentagem
desses resduos com os intervalos a seguir:
Tabela de Gauss
Z= nmero de desvios padro
rea sob a curva entre z z
-1 - 1
68,00%
- 1,64 - 1,64
90,00%
- 1,96 - 1,96
95,00%
f(z)
68%
16%
16%
-1
+1
Figura 5.1 Curva de Gauss indicando 1,0 desvio-padro
f(z)
90%
5%
5%
+1,64
- 1,64
Figura 5.2 Curva de Gauss indicando 1,64 desvios-padro
f(z)
95%
2,5%
- 1,96
2,5%
+1,96
Figura 5.3 Curva de Gauss indicando 1,96 desvios-padro
41
42
EXERCICIOS PROPOSTOS:
1- Um engenheiro de avaliaes coletou e tabulou os preos por metro quadrado de um determinado
Bairro de Chapec obtendo um valor mdio de R$ 150,00/m2 com um desvio padro de R$22,50/m2
para tal populao. Admitindo-se comportamento normal da distribuio dos valores, pede-se calcular:
a) A probabilidade de um terreno selecionado aleatoriamente ser inferior a R$ 160,00/m2.
b) - A probabilidade de um terreno selecionado aleatoriamente ser superior a R$ 160,00/m2
c) - A probabilidade de um terreno selecionado aleatoriamente ser inferior a R$ 120,00/m2
d) - A probabilidade de um terreno selecionado aleatoriamente ser superior a R$ 120,00/m2
e) - A probabilidade de um terreno selecionado aleatoriamente entre os valores de R$ 125,00/m2 e R$
140,00/m2
f) O valor limite para que um terreno selecionado aleatoriamente tenha 80% de probabilidade de ter
preo inferior.
g)- O intervalo de preos eqidistantes da mdia, que correspondem probabilidade de 80% de um
terreno selecionado aleatoriamente, tenha sido negociado por preo dentro deste intervalo.
Comentrio: A padronizao de uma varivel X feita dividindo-se o seu desvio em relao a mdia,
pelo desvio-padro.
z=
XX
Onde: X = varivel
X = mdia.da.amostra
= desvio padro.da.amostra
Z = desvio padronizado ( tabelado)
43
5.2.3 - -Homocedasticidade:
A hiptese de varincia constante, chamada homocedasticidade do modelo em contraposio varincia
varivel (heterocedasticidade) fundamental, pois toda teoria das regresses est baseada nessa
condio. A constatao feita pela plotagem dos resduos versus valores ajustados pela regresso, pela
anlise grfica, se os pontos apresentarem uma tendncia definida indica que a varincia no
constante.
5.2.4 - - Autocorrelao:
O modelo clssico de regresso linear supe que o termo de perturbao (erro) de uma observao no
seja influenciado pelo de outra observao. A possibilidade de auto-correlao deve ser levado em conta
quando o estudo envolve variveis temporais ou dados sequenciais. A existncia de autocorrelao entre
os resduos verificada atravs do teste de Durbin-Watson, usando a estatstica que foi originalmente
chamada de razo de von Neumann
n
(e e
i 1
d=
)2
com d~2(1-r)
i =2
n
2
i
i =1
Onde r coeficiente de correlao entre ei e ei-1

Se r=-1 os resduos so correlacionados negativamente e d=4. Se r=+1, os resduos sero
correlacionados positivamente e d=0. Se r=0 no h autocorrelao e d=2.A hiptese a ser testada :
H0 r=0 ( no h autocorrelao)
H1 r#0 ( h autocorrelao)
Calcula-se a estatstica d e depois compara-se com os pontos crticos dL e du , tabelados por DurbinWatson.
Na tabela abaixo esto mostrados os critrios do teste de autocorrelao:
Valor de d
Tem-se
du < d < 4 - du
D -< dL
D > 4 - dL
dL < d < du
No h outo-correlao
Auto-correlao positiva
Auto-correlao negativa
Teste inconclusivo
ou
4 - du < d < 4 - dL
Valores de d prximos de zero ou de 4 conduzem em aceitar a hiptese alternativa, de que no existe

correlao. Existe ainda um conjunto de valores para os quais no pode-se aceitar nem rejeitar H0.
Nos casos em que existe auto-regresso, os estimadores de mnimo quadrado dos parmetros so notendenciosos e consistentes, porm no so eficientes, ou seja, no apresentam varincia mnima. Isto
conduz a testes e intervalos de confiana incorretos. Nos casos de autocorrelao positiva, os erros
padres sero subestimados, o que leva a uma superestimao de estatstica t . Quando a autocorrelao
for negativa, os erros-padres sero superestimados e as estatsticas t subestimadas. Assim, a autocorrelao positiva mais prejudicial, porque corre-se o risco de rejeitar-se a hiptese nula de ausncia
de efeito, quando ela deveria ser aceita.
44
5.2.5 - - Anlise da Varincia (ANOVA):

A anlise da varincia para um modelo de regresso mltipla feita do mesmo modo que da
regresso simples. A hiptese nula neste caso, considera que nenhuma varivel usada na construo do
modelo importante para explicar a variabilidade dos preos observados. A hiptese alternativa
considera que pelo menos umas das variveis escolhidas contribui de maneira significativa para a
variao dos preos na amostra.
5.2.6 - - Determinao do intervalo de confiana do modelo:
(5.1)
Yest t( / 2;n k 1) s (Yest ) Y Yest + t( / 2;n k 1) s (Yest )
O desvio padro de Yest dado pela equao:
(5.2)
s (Yest ) = se
k
sl2
2
+ ( X j X medj ) sbj + 2 ( X j X medl )( X j X medj ) cov(b j , bl )
n
i, j
Onde:
se =
(Y Y
est
)2
(5.3) desvio padro dos resduos ou Erro Padro
n k 1
i,j = 1,....,k ; l < j
45
EXERCICIO 5.1
Avaliar um apartamento com 132 m2 com 01 vaga de garagem, 02 quartos e um apartamento com
133m2 com 01 garagem e 3 quartos tendo por base a amostra abaixo :
Preos de Apartamentos
Dados
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
Valor T.
85.000,00
80.000,00
86.000,00
81.000,00
82.000,00
85.000,00
136.000,00
125.000,00
97.000,00
88.000,00
92.000,00
82.000,00
86.000,00
63.308,88
60.300,00
59.750,00
60.849,70
64.520,00
66.340,00
62.500,00
66.470,00
62.590,00
99.400,00
88.100,00
111.000,00
99.100,00
45.000,00
65.000,00
74.000,00
78.772,00
40.000,00
32.000,00
55.000,00
74.000,00
27.500,00
80.000,00
25.300,00
58.320,00
57.120,00
75.280,00
106.040,00
81.280,00
78.680,00
91.000,00
75.750,00
57.800,00
93.770,00
102.300,00
Dep.
rea T. N Gar Empr
160,00
1
146,00
1
160,00
1
146,00
1
146,00
1
161,00
1
307,00
2
285,00
2
136,00
1
124,00
1
126,00
1
119,00
1
119,00
1
110,22
1
110,60
1
106,02
1
106,02
1
106,00
0
110,22
1
106,00
1
110,56
1
103,23
1
173,00
1
155,00
1
173,00
1
155,00
1
75,00
1
108,00
1
145,00
1
133,00
1
112,00
1
96,02
0
138,00
1
114,85
1
60,04
0
185,00
0
82,69
1
94,00
1
89,00
1
113,00
1
237,00
1
154,00
1
154,00
1
213,00
1
113,00
1
89,00
1
146,00
1
160,00
1
N Elv
1
0
1
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
1
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
N Suit
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
1
1
0
0
0
0
2
0
1
1
1
1
1
0
1
1
1
1
1
N Q
1
1
1
1
1
1
1
1
1
1
1
0
0
1
1
0
0
1
1
0
1
0
1
1
1
1
0
1
1
1
0
0
1
1
0
1
0
0
0
1
1
0
0
0
1
0
1
1
3
3
3
3
3
3
3
3
3
3
3
3
3
2
2
2
2
2
2
2
2
1
3
3
3
3
1
2
2
3
1
3
2
2
2
3
2
2
2
3
3
2
2
2
3
2
3
3
46
Sero utilizadas para avaliar o apartamento as variveis: rea, quartos e nmero de vagas de garagem.
Dados
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
Valor T.
85.000,00
80.000,00
86.000,00
81.000,00
82.000,00
85.000,00
136.000,00
125.000,00
97.000,00
88.000,00
92.000,00
82.000,00
86.000,00
63.308,88
60.300,00
59.750,00
60.849,70
64.520,00
66.340,00
62.500,00
66.470,00
62.590,00
99.400,00
88.100,00
111.000,00
99.100,00
45.000,00
65.000,00
74.000,00
78.772,00
40.000,00
32.000,00
55.000,00
74.000,00
27.500,00
80.000,00
25.300,00
58.320,00
57.120,00
75.280,00
106.040,00
81.280,00
78.680,00
91.000,00
75.750,00
57.800,00
93.770,00
102.300,00
rea
T.
N Gar
160,00
146,00
160,00
146,00
146,00
161,00
307,00
285,00
136,00
124,00
126,00
119,00
119,00
110,22
110,60
106,02
106,02
106,00
110,22
106,00
110,56
103,23
173,00
155,00
173,00
155,00
75,00
108,00
145,00
133,00
112,00
96,02
138,00
114,85
60,04
185,00
82,69
94,00
89,00
113,00
237,00
154,00
154,00
213,00
113,00
89,00
146,00
160,00
N Q
1
1
1
1
1
1
2
2
1
1
1
1
1
1
1
1
1
0
1
1
1
1
1
1
1
1
1
1
1
1
1
0
1
1
0
0
1
1
1
1
1
1
1
1
1
1
1
1
3
3
3
3
3
3
3
3
3
3
3
3
3
2
2
2
2
2
2
2
2
1
3
3
3
3
1
2
2
3
1
3
2
2
2
3
2
2
2
3
3
2
2
2
3
2
3
3
47
Ser usado a planilha eletrnica do Excel para o clculo da equao de regresso, as estatsticas da
regresso, anlise da varincia, os coeficientes e significncia dos b, os resduos para verificao da
normalidade, multicolinearidade, homocedasticidade, auto-correlao.
a)
Determinao da equao de regresso.
a.1
Coeficientes de Determinao e de Correlao.
Obs.: Foram eliminados os dados de n 25, 32, 33, 35 e 37 (outliers ou dados atpicos de mercado).
RESUMO DOS RESULTADOS

Estatstica de regresso
R mltiplo
0,948642197
R-Quadrado
0,899922018
R-quadrado
ajustado
0,892223712
Erro padro
6275,02545
Observaes
43
a.2- Anlise de varincia.

ANOVA
gl
Regresso
Resduo
Total
F de
SQ
MQ
F
signif.
3 1,38E+10 4602996800 116,8987 1,55E-19
39 1,54E+09 39375944,4
42 1,53E+10
Obs.: A pequena significncia <<< 5%, permite concluir pela existncia de regresso.
a.3 - Clculo dos coeficientes e Significncia dos " b"

Coeficientes
Interseo
rea total
N garagens
N Quartos
Erro padro
4583,3987 4748,611
233,1233 26,6501
8182,1448 3631,486
13581,3119 1776,497
Stat t
0,965208
8,747558
2,253112
7,644995
valor-P
95% inf.
95% sup.
Inf. 95,0%
Sup.95,0%
0,340388
9,81E-11
0,029951
2,84E-09
-5021,56
179,2184
836,7783
9988,011
14188,36
287,0281
15527,51
17174,61
-5021,56
179,2184
836,7783
9988,011
14188,36
287,0281
15527,51
17174,61
a.4 - Equao de regresso:

Valor total= 4583,39+233,12 . rea total + 13581,31 . N de quartos + 8182,14 . N de gar.
a.5 - RESULTADOS DE
RESDUOS
Obs
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
Previsto V. total
90809,2048
87545,47881
90809,2048
87545,47881
87545,47881
91042,32808
133260,4725
128131,7602
85214,24596
82416,76655
82883,01312
81251,15012
81251,15012
65623,01579
65711,60264
64643,898
64643,898
57100
65623,01579
64639,23553
65702,27771
50412,17214
93839,8075
89643,58837
89643,58837
43831,10181
65105,4821
73731,04364
84514,87611
52456,66335
66702,3766
88455,14207
61841,75611
60676,13969
79852,41041
108759,6977
75829,1532
75829,1532
89583,427
79852,41041
60676,13969
87545,47881
90809,2048
Resduos
-5809,2
-7545,48
-4809,2
-6545,48
-5545,48
-6042,33
2739,527
-3131,76
11785,75
5583,233
9116,987
748,8499
4748,85
-2314,14
-5411,6
-4893,9
-3794,2
8062,909
716,9842
-2139,24
767,7223
12177,83
5560,193
-1543,59
9456,412
1168,898
-105,482
268,9564
-5742,88
-12600
7297,623
-8455,14
-3521,76
-3556,14
-4572,41
-2719,7
5450,847
2850,847
1416,573
-4102,41
-2876,14
6224,521
11490,8
Resduos
padro
-0,9607127
-1,2478537
-0,795335
-1,082476
-0,9170983
-0,9992661
0,45305665
-0,5179232
1,94910046
0,9233421
1,50774598
0,12384304
0,78535369
-0,3827064
-0,8949582
-0,8093414
-0,6274756
1,3334251
0,11857317
-0,3537818
0,12696412
2,01394071
0,91953164
-0,255275
1,56387925
0,19330965
-0,0174444
0,04447937
-0,9497434
-2,0600539
1,2068639
-1,3982916
-0,5824198
-0,5881061
-0,7561745
-0,4497773
0,9014483
0,47146638
0,23426953
-0,678447
-0,4756493
1,02939677
1,90032085
48
b) TESTES COMPLEMENTARES:
b.1. Normalidade dos resduos.
RESULTADOS DE RESDUOS
Observao
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
Previsto V.
total
Resduos
90809,2048
-5809,2
87545,47881 -7545,48
90809,2048
-4809,2
87545,47881 -6545,48
87545,47881 -5545,48
91042,32808 -6042,33
133260,4725 2739,527
128131,7602 -3131,76
85214,24596 11785,75
82416,76655 5583,233
82883,01312 9116,987
81251,15012 748,8499
81251,15012
4748,85
65623,01579 -2314,14
65711,60264
-5411,6
64643,898
-4893,9
64643,898
-3794,2
56457,09068 8062,909
65623,01579 716,9842
64639,23553 -2139,24
65702,27771 767,7223
50412,17214 12177,83
93839,8075 5560,193
89643,58837 -1543,59
89643,58837 9456,412
43831,10181 1168,898
65105,4821 -105,482
73731,04364 268,9564
84514,87611 -5742,88
52456,66335 -12456,7
66702,3766 7297,623
88455,14207 -8455,14
61841,75611 -3521,76
60676,13969 -3556,14
79852,41041 -4572,41
108759,6977
-2719,7
75829,1532 5450,847
75829,1532 2850,847
89583,427 1416,573
79852,41041 -4102,41
60676,13969 -2876,14
87545,47881 6224,521
90809,2048
11490,8
Resduos
padro
-0,960712712
-1,247853651
-0,79533505
-1,082475988
-0,917098325
-0,999266096
0,453056654
-0,51792319
1,949100458
0,9233421
1,507745983
0,123843043
0,785353694
-0,382706369
-0,894958197
-0,809341413
-0,627475597
1,333425099
0,118573172
-0,353781772
0,126964118
2,013940709
0,919531641
-0,255275038
1,563879254
0,19330965
-0,017444383
0,044479375
-0,949743429
-2,060053872
1,206863902
-1,398291634
-0,582419795
-0,588106071
-0,756174548
-0,449777253
0,901448304
0,471466381
0,234269532
-0,678447046
-0,47564926
1,029396767
1,900320855
Resduos padroem
mod.
0,960712712
1,247853651
0,79533505
1,082475988
0,917098325
0,999266096
0,453056654
0,51792319
1,949100458
0,9233421
1,507745983
0,123843043
0,785353694
0,382706369
0,894958197
0,809341413
0,627475597
1,333425099
0,118573172
0,353781772
0,126964118
2,013940709
0,919531641
0,255275038
1,563879254
0,19330965
0,017444383
0,044479375
0,949743429
2,060053872
1,206863902
1,398291634
0,582419795
0,588106071
0,756174548
0,449777253
0,901448304
0,471466381
0,234269532
0,678447046
0,47564926
1,029396767
1,900320855
49
Ponto
30
22
9
43
25
11
32
18
2
31
4
42
6
1
29
10
23
5
37
15
16
3
13
35
40
17
34
33
8
41
38
7
36
14
20
24
39
26
21
12
19
28
27
Resduos
padro
2,060
2,014
1,949
1,900
1,564
1,508
1,398
1,333
1,248
1,207
1,082
1,029
0,999
0,961
0,950
0,923
0,920
0,917
0,901
0,895
0,809
0,795
0,785
0,756
0,678
0,627
0,588
0,582
0,518
0,476
0,471
0,453
0,450
0,383
0,354
0,255
0,234
0,193
0,127
0,124
0,119
0,044
0,017
Ordem
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
Porcentagem
100,00%
97,60%
95,20%
92,80%
90,40%
88,00%
85,70%
83,30%
80,90%
78,50%
76,10%
73,80%
71,40%
69,00%
66,60%
64,20%
61,90%
59,50%
57,10%
54,70%
52,30%
50,00%
47,60%
45,20%
42,80%
40,40%
38,00%
35,70%
33,30%
30,90%
28,50%
26,10%
23,80%
21,40%
19,00%
16,60%
14,20%
11,90%
9,50%
7,10%
4,70%
2,30%
,00%
95,20%
90,40%
71,40%
Observao: Para termos uma distribuio normal, devemos ter:

68% na faixa de 1DP.......................... 71,40%
90% na faixa de 1,64DP...................... 90,40%
95% na faixa de 1,96DP...................... 95,20%
Logo podemos concluir que os resduos tem uma distribuio normal.
50
51
b.2.
PONTOS
ATPICOS
Previsto V. total Resduos padro
90809,2048
-0,960712712
87545,47881
-1,247853651
90809,2048
-0,79533505
-1,082475988
87545,47881
87545,47881
-0,917098325
-0,999266096
91042,32808
133260,4725
0,453056654
-0,51792319
128131,7602
85214,24596
1,949100458
0,9233421
82416,76655
82883,01312
1,507745983
0,123843043
81251,15012
81251,15012
0,785353694
-0,382706369
65623,01579
65711,60264
-0,894958197
-0,809341413
64643,898
64643,898
-0,627475597
1,333425099
56457,09068
65623,01579
0,118573172
-0,353781772
64639,23553
65702,27771
0,126964118
2,013940709
50412,17214
93839,8075
0,919531641
-0,255275038
89643,58837
89643,58837
1,563879254
0,19330965
43831,10181
65105,4821
-0,017444383
0,044479375
73731,04364
84514,87611
-0,949743429
-2,060053872
52456,66335
66702,3766
1,206863902
-1,398291634
88455,14207
61841,75611
-0,582419795
60676,13969
-0,588106071
79852,41041
-0,756174548
-0,449777253
108759,6977
0,901448304
75829,1532
75829,1532
0,471466381
89583,427
0,234269532
79852,41041
-0,678447046
60676,13969
-0,47564926
87545,47881
1,029396767
90809,2048
1,900320855
Obs.: quando o resduo padro maior que 2,0 desvios padro, elimina-se aquele dado e calcula-se
novamente a planilha pois acredita-se tratar-se de dado atpico de mercado, os chamados outliers.
Neste caso temos dois valores com desvios padro um pouco acima dos 2 desvios padro que no entanto
foram considerados aceitveis no presente trabalho.
b.3. MULTICOLINEARIDADE
rea total
160,00
146,00
160,00
146,00
146,00
161,00
307,00
285,00
136,00
124,00
126,00
119,00
119,00
110,22
110,60
106,02
106,02
106,00
110,22
106,00
110,56
103,23
173,00
155,00
155,00
75,00
108,00
145,00
133,00
112,00
114,85
185,00
94,00
89,00
113,00
237,00
154,00
154,00
213,00
113,00
89,00
146,00
160,00
Resduos
-5809,2048
-7545,47881
-4809,2048
-6545,47881
-5545,47881
-6042,32808
2739,52749
-3131,76024
11785,754
5583,23345
9116,98688
748,849878
4748,84988
-2314,13579
-5411,60264
-4893,898
-3794,198
8062,90932
716,984207
-2139,23553
767,72229
12177,8279
5560,1925
-1543,58837
9456,41163
1168,89819
-105,482101
268,956363
-5742,87611
-12456,6634
7297,6234
-8455,14207
-3521,75611
-3556,13969
-4572,41041
-2719,69773
5450,8468
2850,8468
1416,573
-4102,41041
-2876,13969
6224,52119
11490,7952
N Quartos
3
3
3
3
3
3
3
3
3
3
3
3
3
2
2
2
2
2
2
2
2
1
3
3
3
1
2
2
3
1
2
3
2
2
3
3
2
2
2
3
2
3
3
Resduos
-5809,2
7545,48
-4809,2
-6545,48
-5545,48
-6042,33
2739,53
-3131,76
11785,8
5583,23
9116,99
748,85
4748,85
-2314,14
-5411,6
-4893,9
-3794,2
8062,91
716,984
-2139,24
767,722
12177,8
5560,19
-1543,59
9456,41
1168,9
-105,482
268,956
-5742,88
-12456,7
7297,62
-8455,14
-3521,76
-3556,14
-4572,41
-2719,7
5450,85
2850,85
1416,57
-4102,41
-2876,14
6224,52
11490,8
N
garagens
Resduos
1
1
1
1
1
1
2
2
1
1
1
1
1
1
1
1
1
0
1
1
1
1
1
1
1
1
1
1
1
1
1
0
1
1
1
1
1
1
1
1
1
1
1
-5809,205
-7545,479
-4809,205
-6545,479
-5545,479
-6042,328
2739,5275
-3131,76
11785,754
5583,2335
9116,9869
748,84988
4748,8499
-2314,136
-5411,603
-4893,898
-3794,198
8062,9093
716,98421
-2139,236
767,72229
12177,828
5560,1925
-1543,588
9456,4116
1168,8982
-105,4821
268,95636
-5742,876
-12456,66
7297,6234
-8455,142
-3521,756
-3556,14
-4572,41
-2719,698
5450,8468
2850,8468
1416,573
-4102,41
-2876,14
6224,5212
11490,795
52
15000
Resduos
10000
5000
0
-5000 0
50
100
150
200
250
300
350
-10000
-15000
rea Total
15000
Residuos
10000
5000
0
-5000 0
-10000
-15000
N de Quartos
15000
Resduos
10000
5000
0
-5000 0
-10000
-15000
N de Garagens
53
Valor total
85.000,00
80.000,00
86.000,00
81.000,00
82.000,00
85.000,00
136.000,00
125.000,00
97.000,00
88.000,00
92.000,00
82.000,00
86.000,00
63.308,88
60.300,00
59.750,00
60.849,70
64.520,00
66.340,00
62.500,00
66.470,00
62.590,00
99.400,00
88.100,00
99.100,00
45.000,00
65.000,00
74.000,00
78.772,00
40.000,00
74.000,00
80.000,00
58.320,00
57.120,00
75.280,00
106.040,00
81.280,00
78.680,00
91.000,00
75.750,00
57.800,00
93.770,00
102.300,00
rea total
160,00
146,00
160,00
146,00
146,00
161,00
307,00
285,00
136,00
124,00
126,00
119,00
119,00
110,22
110,60
106,02
106,02
106,00
110,22
106,00
110,56
103,23
173,00
155,00
155,00
75,00
108,00
145,00
133,00
112,00
114,85
185,00
94,00
89,00
113,00
237,00
154,00
154,00
213,00
113,00
89,00
146,00
160,00
N garagens
N Quartos
1
1
1
1
1
1
2
2
1
1
1
1
1
1
1
1
1
0
1
1
1
1
1
1
1
1
1
1
1
1
1
0
1
1
1
1
1
1
1
1
1
1
1
Valor total
3
3
3
3
3
3
3
3
3
3
3
3
3
2
2
2
2
2
2
2
2
1
3
3
3
1
2
2
3
1
2
3
2
2
3
3
2
2
2
3
2
3
3
rea total
A norma indica como

aceitveis a correlao
entre variveis
independentes cujo
resultado seja inferior a
0,80
N
garagens
N
Quartos
Valor
total
1
rea
total
0,864112
1
N
garagens
0,470157
0,4864
1
N
Quartos
0,746943
0,4856 0,1223607
1
Os coeficientes de correlao entre as variveis independentes so aceitveis.
54
.
b.4. HOMOCEDASTICIDADE
a varincia constante dos erros. Pode ser mostrada pela plotagem do valor previsto
( Yest) X resduos
O grfico indica a existncia de uma pequena tendncia, no permitindo concluir pela

homocedasticidade. Um nmero maior de apartamentos com valor superior a
R$ 100.000,00 permitiria, provavelmente, uma anlise mais conclusiva.
Obs.: Pelo grfico percebe-se que o valor da tangente praticamente zero, indicando
que o ngulo que a reta faz com o eixo muito pequeno ou seja a varincia muito pequena.
55
b.5. AUTO- CORRELAO

Quando o resduo de uma observao no correlacionado com o resduo de outra
podemos afirmar que no h autocorrelao.
A situao ideal aquela na qual uma transao se realiza independentemente de
outra, ou seja, o conhecimento do preo e condies de uma no interfere na outra.
( Dantas, 1998)
O que se pretende que os resduos no sejam correlacionados, ou seja, no tenham
nenhuma tendncia.
A existncia de auto-correlao entre os resduos verificada atravs do teste de
Durbin-Watson originalmente chamada de " razo de von Neumann" :
2
(
)
e
e
i i 1
d=
i=2
n
2
e
i
i =1
r = coeficiente de correlao entre ei e ei-1

A hiptese a ser testada ( Kelejian e Oates, 1978):
H0 : r = 0 ( no h auto-correlao)
H1 : r 0 ( h auto-correlao)
Calcula-se a estatstica d e compara-se com os pontos crticos dL e dU
tabelados por Durbin-Watson.Se d assumir um valor prximo de 2, a hiptese nula aceita, ou seja, no h auto-correlao.
Valores de d prximos de zero ou de 4 conduzem a aceitar a hiptese
alternativa, de que existe auto-correlao.
Existe ainda um conjunto de valores para os quais no pode-se nem aceitar nem rejeitar H0.
Nos casos em que existe auto-correlao, os estimadores de mnimo quadrado dos parmetros so no tendenciosos e consistentes, porm no
so eficientes, ou seja, no apresentam varincia mnima, alm de seu
erro padro ser viesado. Isto conduz a testes e intervalos de confiana
incorretos.
Nos casos de auto-correlao positiva, os erros padres sero subestimados o que leva a uma superestimao da estatstica t. Quando a auto-correlao for negativa, os erros padres sero subestimados e as estatsticas t, subestimadas. Assim, a auto-correlao positiva mais prejudicial,
porque corre-se o risco de rejeitar-se a hiptese nula de ausncia de efeito, quando ela deveria ser aceita ( Matos, 1997).
56
Clculo da razo de von Neumann

ei-1
-5809,2048
-7545,4788
-4809,2048
-6545,4788
-5545,4788
-6042,3281
2739,52749
-3131,7602
11785,754
5583,23345
9116,98688
748,849878
4748,84988
-2314,1358
-5411,6026
-4893,898
-3794,198
8062,90932
716,984207
-2139,2355
767,72229
12177,8279
5560,1925
-1543,5884
9456,41163
1168,89819
-105,4821
268,956363
-5742,8761
-12600
7297,6234
-8455,1421
-3521,7561
-3556,1397
-4572,4104
-2719,6977
5450,8468
2850,8468
1416,573
-4102,4104
-2876,1397
6224,52119
ei
(ei - ei-1)
-5809,2
-7545,48
3.014.647,45
-4809,2
7.487.195,48
-6545,48
3.014.647,45
-5545,48
1.000.000,00
-6042,33
246.859,20
2739,527
77.120.987,33
-3131,76
34.472.019,67
11785,75
222.532.232,29
5583,233
38.471.261,58
9116,987
12.487.413,31
748,8499
70.025.716,96
4748,85
16.000.000,00
-2314,14
49.885.766,59
-5411,6
9.594.300,88
-4893,9
268.018,10
-3794,2
1.209.340,09
8062,909
140.590.993,86
716,9842
53.962.615,73
-2139,24
8.157.991,19
767,7223
8.450.403,78
12177,83
130.190.509,03
5560,193
43.793.097,70
-1543,59
50.463.702,71
9456,412
121.000.000,00
1168,898
68.682.879,04
-105,482
1.624.045,11
268,9564
140.204,16
-5742,88
36.142.129,66
-12600
47.020.148,06
7297,623
395.915.416,91
-8455,14
248.149.619,85
-3521,76
24.338.296,97
-3556,14
1.182,23
-4572,41
1.032.806,18
-2719,7
3.432.544,30
5450,847
66.757.797,83
2850,847
6.760.000,00
1416,573
2.057.141,34
-4102,41
30.459.177,89
-2876,14
1.503.739,89
6224,521
82.822.028,44
11490,8
27.733.641,98
Soma=
2.148.012.520,22
D=DW= 1,395
ei
33.746.860,4
56.934.250,5
23.128.450,8
42.843.292,9
30.752.335,2
36.509.728,7
7.505.010,9
9.807.922,2
138.903.998,2
31.172.495,8
83.119.449,9
560.776,1
22.551.575,2
5.355.224,5
29.285.443,1
23.950.237,6
14.395.938,4
65.010.506,7
514.066,4
4.576.328,7
589.397,5
148.299.491,3
30.915.740,6
2.382.665,1
89.423.720,8
1.366.323,0
11.126,5
72.337,5
32.980.626,0
158.760.000,0
53.255.307,3
71.489.427,4
12.402.766,1
12.646.129,5
20.906.937,0
7.396.755,7
29.711.730,8
8.127.327,5
2.006.679,1
16.829.771,2
8.272.179,5
38.744.664,0
132.038.374,4
1.539.253.369,84
Da tabela: DL= 1,34 e DU= 1,66

4-DL=2,66 e 4-DU= 2,34
Como DL<DW<DU, o teste de DURBIN-WATSON inconclusivo.
57
Contudo, o grfico abaixo mostra que no existe uma tendncia ntida

de auto-correlao, permitindo concluir pela independncia dos resduos
ou seja, a distribuio dos resduos aleatria, com erros independentes.
OBSERVAO IMPORTANTE:
Como os dados no esto ordenados segundo um critrio conhecido
(como uma srie temporal, por exemplo), no tem sentido fazer a anlise de auto-correlao. Esta anlise foi feita apenas para mostrar didadicamente o respectivo procedimento.
15000
10000
e(i)
5000
-15000
0
-10000
-5000
5000
10000
-5000
-10000
-15000
e(i-1)
15000
58
c) Avaliao do Apartamento.
c.1. Valor Total do Apartamento
Valor Total=4583,39+233,12 * rea total + 13581,31 * NQuartos + 8182,14 * NGaragens
Valor Total= 4583,39+233,12 * 132 + 13581 * 2 + 8182,14 * 1
Valor Total= R$70.700,44
c.2. Intervalo de confiana para a estimativa de valor:
c.2.1.-Clculo de b1:
LSb1= b1 + t . Sb1
b1=233,1232848
LIb1=b1 - t . Sb1
Sb1=26,65...
t0,90;39g.l.=
g.l=n-k-1=43-3-1=39
LSb1=233,1232848+1,3001.26,65=
267,77
LIb1=233,1232848-1,3001.26,65=
198,48
c.2.2.- Clculo de b2: LSb2= b2 + t . Sb2

LIb2=b2 - t . Sb2
b2=13581,31189
Sb2=1776,497268
t0,90;39g.l.=
g.l=n-k-1=43-3-1=39
LSb2=13581,31189+1,3001.1776,49726=
15.890,94
LIb2=13581,31189-1,3001.1776,497268=
11.271,69
c.2.3.- Clculo de b3: LSb3= b3 + t . Sb3

LIb3=b3 - t . Sb3
1,3001
1,3001
b3=8182,144849
Sb3=3631,486007
t0,90;39g.l.=
g.l=n-k-1=43-3-1=39
LSb3=8182,14484+1,3001.3631,486007=
12.903,44
LIb3=8182,144849-1,3001.3631,486007=
3.460,85
c.2.4.-Clculo de Y:
YS=a+LSb1 . rea + b2 . N Quartos +b3 . N Garagens
YI=a+LIb1 . rea + b2 . N Quartos +b3 . N Garagens
YS=a+b1 . rea + LSb2 . N Quartos +b3 . N Garagens
YI=a+b1 . rea + LIb2 . N Quartos +b3 . N Garagens
YS=a+b1 . rea + b2 . N Quartos +LSb3 . N Garagens
YI=a+b1 . rea + b2 . N Quartos +LIb3 . N Garagens
1,3001
59
YS= 4583,3987+267,77 . 132+13581,31189 . 2+8182,144849 . 1

YI= 4583,3987+198,48 . 132+13581,31189 . 2+8182,144849 . 1
YS= 4583,3987+233,1232848 . 132+15890,94 . 2+8182,144849 . 1
YI= 4583,3987+233,1232848. 132+11271,69 . 2+8182,144849 . 1
YS= 4583,3987+233,1232848 . 132+13581,31189 . 2+12903,44 . 1
YI= 4583,3987+233,1232848. 132+13581,31189 . 2+3460,85 . 1
Quadro Resumo:
Intervalo de confiana para a estimativa do
valor:
b inf
b sup
Y inf
Y sup
Intervalo
b1
267,77
198,48
75.273,95
66.126,93
9.147,02
b2
15.890,94
11.271,69
75.319,69
66.081,19
9.238,50
b3
12.903,44
3.460,85 75.421,74
65.979,15
9.442,59
c.3. Campo de arbtrio do avaliador.

O menor intervalo de variao foi obtido para b1. Ento:
LIYValor Total=R$66.126,93
LSYValor Total=R$75.273,95
=
=
75.273,95
66.126,93
75.319,69
66.081,19
=
=
=
=
75.421,74
65.979,15
60
61
d) - GRAUS DE FUNDAMENTAO
Existem trs graus de fundamentao: Grau I, Grau II e Grau III. O enquadramento do laudo feito com
a soma dos pontos. Cada requisito atingido no Grau III vale 03 pontos, no Grau II 02 pontos e no Grau I
vale 01 pontos. A NBR 14653-2, na seo 9 apresenta os requisitos, conforme quadro abaixo. Para atingir
Grau III obrigatria a apresentao do laudo na modalidade completa. Quando a norma no puder ser
atendida o trabalho ser classificado como parecer tcnico.
Quadro para o Modelo de regresso Linear
Item
Grau
Descrio
III
Caracterizao do
imvel avaliando
Completa quanto a todas as

variveis analisadas
II
Completa quanto s
variveis utilizadas no
I
Adoo de
situao paradigma
modelo
Coleta de dados no
Caractersticas conferidas pelo
Caractersticas conferidas
mercado
autor do laudo
por profissional credenciado caractersticas fornecidas
Podem ser utilizadas
pelo autor do laudo
por terceiros
Quantidade mnima de
dados de mercado
efetivamente utilizados
6 (k+1), onde k o
nmero de
variveis
independentes
4 (k+1), onde k o
nmero de variveis
independentes
3 (k+1), onde k o
nmero de
variveis
independentes
Identificao dos dados

de mercado
Apresentao de
informaes
relativas a todos os
dados e variveis
analisados na
modelagem, com
foto
Apresentao de
informaes relativas
aos dados e variveis
efetivamente
utilizados no modelo
Apresentao de
informaes
relativas aos dados
e variveis
efetivamente
utilizados no
modelo
Extrapolao
No permitida
Admitida para apenas uma

varivel, desde que:
a) as medidas das
caractersticas do imvel
avaliando no sejam
nem
inferiores metade do
limite amostral inferior
fronteira amostral, para a
referida varivel

a) as medidas das
caractersticas do
imvel avaliando no
sejam superiores a 100%
do limite amostral
metade do limite amostral
inferior
fronteira amostral, para as
referidas variveis,
simultaneamente
(somatrio do valor
das duas caudas)
mximo para a rejeio
da hiptese nula de
cada regressor (teste
bicaudal)
10%
20%
30%
mximo admitido nos
demais testes
1%
5%
10%
Fonte: NBR 14653-2 Tabela 1

62
Para o enquadramento feita uma soma de pontos conforme Tabela 2 da norma abaixo:
Graus
III
II
Pontos mnimos
18
11
Itens obrigatrios no
3, 5, 6 e 7, com com os
3, 5, 6, e 7 no mnimo
Todos, no mnimo no
grau correspondente
demais no grau II
no grau II
grau I
Para o enquadramento no Grau III a norma exige:

a- Apresentao do laudo no modelo completo
b- Discusso do modelo, verificadas a coerncia da variao das variveis em
relao ao mercado, bem como suas elasticidades no ponto de estimao.
c- Na utilizao de cdigos alocados no modelo de regresso implica na
obteno, no mximo, de Grau II de fundamentao.
d- A utilizao de tratamento prvio por fatores de homogeneizao, para a
transformao de variveis em modelos de regresso, implica na obteno,
no mximo, de Grau II de fundamentao.
e) GRAUS DE PRECISO
Segundo a norma, em seu item 9.2.2.1, a utilizao de cdigos alocados no modelo de regresso implica
a obteno, no mximo, de Grau II de preciso. Quanto ao Grau de preciso, este depende
exclusivamente das caractersticas do mercado e da amostra coletada e, por isso, no passvel de
fixao a priori. No caso de informaes insuficientes para a utilizao dos mtodos previstos nesta
Norma, conforme 8.1.2 da ABNT NBR 14653-2, o trabalho no deve ser classificado quanto a preciso, e
deve ser considerado parecer tcnico.
Descrio
Amplitude do Intervalo
Grau
III
II
<ou=30%
30%-50%
>50%
de confiana de 80%
em torno do valor
central da estimativa
Fonte: NBR 14653-2
Enquadramento da avaliao do Exerccio 5.1. Quanto Fundamentao:
Item
Descrio
Grau
III
Caracterizao do
imvel avaliando
Completa quanto a todas as

variveis analisadas (*3)
II
Completa quanto s
variveis utilizadas no
I
Adoo de
situao paradigma
modelo
Coleta de dados no
Caractersticas conferidas pelo
Caractersticas conferidas
Podem ser utilizadas
mercado
autor do laudo
por profissional credenciado caractersticas fornecidas

pelo autor do laudo
por terceiros (*1)
Quantidade mnima de
dados de mercado
efetivamente utilizados
6 (k+1), onde k o
nmero de
variveis
independentes (*3)
4 (k+1), onde k o
nmero de variveis
independentes
3 (k+1), onde k o
nmero de
variveis
independentes
Identificao dos dados

de mercado
Apresentao de
informaes
relativas a todos os
dados e variveis
analisados na
modelagem, com
foto
Apresentao de
informaes relativas
aos dados e variveis
efetivamente
utilizados no modelo (*2)
Apresentao de
informaes
relativas aos dados
e variveis
efetivamente
utilizados no
modelo
Extrapolao
No permitida (*3)
Admitida para apenas uma

varivel, desde que:
a) as medidas das
caractersticas do imvel
avaliando no sejam
nem
inferiores metade do
limite amostral inferior
fronteira amostral, para a
referida varivel

a) as medidas das
caractersticas do
imvel avaliando no
sejam superiores a 100%
do limite amostral
metade do limite amostral
inferior
fronteira amostral, para as
referidas variveis,
simultaneamente
(somatrio do valor
das duas caudas)
mximo para a rejeio
da hiptese nula de
cada regressor (teste
bicaudal)
10% (*3)
20%
30%
mximo admitido nos
demais testes
1%
5% (*2)
10%
Total de pontos no Grau

Total de pontos
12
4
17
* grau especfico obtido
63
Graus
III
II
Pontos mnimos
18
11
Itens obrigatrios no
3, 5, 6 e 7, com com os
3, 5, 6, e 7 no mnimo
Todos, no mnimo no
grau correspondente
demais no grau II
no grau II
grau I
Comentrio: Foi atingido Grau II de fundamentao.
b) Quanto a Preciso:
Grau. preciso =
Amplitude.I .C
9.147,02
=
= 0,1293 = 12,93%
Estimativa
70.700,44
Descrio
Amplitude do Intervalo
Grau
III
II
<= 30%
30% - 50%
> 50%
de confiana de 80%
em torno do valor
central da estimativa
Comentrio: Foi atingido Grau III de preciso.
64
65
BIBLIOGRAFIA
BARBETTA, Pedro Alberto. Estatstica aplicada s cincias sociais. 5. ed. rev. Florianpolis: UFSC Universidade Federal de Santa Catarina, 2002-2003. 340 p. ISBN 8532800106
BRAULE, Ricardo. Estatstica aplicada com excel: para cursos de administrao e economia. Rio de
Janeiro: Campus, 2001. 199 p. ISBN 8535208151
CRESPO, Antnio Arnot. Estatstica fcil. 18. ed. So Paulo: Saraiva, 2002. 224 p. ISBN 85-02-02056-0
DANTAS, Rubens Alves. Engenharia de Avaliaes Uma introduo metodologia cientfica.
So Paulo: Pini, 1998.
HOCHHEIM, Norberto. Engenharia de avaliaes II. Curso IBAPE ( Apostila). Florianpolis, 2000.
KAZMIER, L.J. Estatstica aplicada economia e administrao. So Paulo: McGraw-Hill, 1982.
KMENTA, Jan Elementos de Econometria. Vol. 1 e 2 So Paulo: Atlas, 1988.
LAPPONI, Juan Carlos. Estatstica usando Excel 5 e 7.So Paulo: Lapponi Treinamento e Editora,
1997.
MAGNUSSON, William E. Estatstica sem matemtica: a ligao entre as questes e a anlise.
Londrina: Editora Planta, 2003.
MARQUES, J.M Estatstica: curso de engenharia. Curitiba, UFP, 1995. (Apostila)
MEYER, P.L. Probabilidade: aplicao estatstica. Rio: LCT, 1983.
MENDONA, Marcelo Corra; e outros. Fundamentos de avaliaes patrimoniais e percias de
engenharia : curso bsico do IMAPE. So Paulo: Pini, 1998.
MONTGOMERY, D. C. RUNGER, G.C., HBELE N. F. Estatstica Aplicada Engenharia. 2. Ed. Rio de
Janeiro: LTC, 2004.
MOREIRA, Alberto Llio. Princpios de engenharia de avaliaes. 4 ed. So Paulo: Pini, 1997.
MORETTIN, Pedro A.; BUSSAB, Wilton de Oliveira. Estatstica bsica. 5. ed. rev. e atual. So Paulo:
Saraiva, 2003. 526 p. ISBN 85-7056-716-2
SILVA, Sergio A. P. da; ZENI, Andr M. Curso de Inferncia Estatstica avanada para avaliaes
imobilirias (apostila). Porto Alegre : Engeb, 1988.
NBR 14653 . Avaliao de bens. ABNT, 2004
SALVADOR, A. Anotaes em sala de aula. Mestrado UDESC. 2000.
SILVA, Ermes Medeiros da; e outros. Estatstica para os cursos de :economia, administrao,
cincias contbeis. Vol 1 e 2 . So Paulo: Atlas, 1996.
SPIEGEL R.M., Estatstica. Coleo Schaum. So Paulo: Editora McGrw-Hill do Brasil. 1977.
STEVENSON, W.J. Estatstica aplicada administrao. Traduo de Alfredo Alves de Farias. So
Paulo: Harbra, 1981.

Apostila Avaliacoes Regress o

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Apostila Avaliacoes Regress o

Hochgeladen von

Copyright:

Verfügbare Formate

UNIVERSIDADE COMUNITRIA REGIONAL DE CHAPEC

REA DE CINCIAS EXATAS E AMBIENTAIS

Prof Cesar Augusto Seidler

Engenharia Econmica e Avaliaes - Regresso Linear

Curso de Engenharia Civil 8 Perodo

4.0 - REGRESSO LENEAR SIMPLES

Engenharia Econmica e Avaliaes - Regresso Linear

Curso de Engenharia Civil 8 Perodo

4.1.2.1 - O Modelo de regresso linear simples:

Onde e parmetros da populao

Pressupostos de uma regresso linear:

Relao linear entre X e Y

A varivel independente (X) no aleatria

E(ei) = 0 (mdia do erro nula)

A varincia(2) dos erros constante chamado de homocedstico

Os erros possuem distribuio normal

O erro entre observaes distintas no correlacionado

Sendo a e b estimadores da regresso, aquele chamado de coeficiente linear e este de coeficiente

Figura 4.3 Representao grfica da equao de regresso linear

Prof. Cesar Augusto Seidler

Engenharia Econmica e Avaliaes - Regresso Linear

Curso de Engenharia Civil 8 Perodo

4.1.3 - Mtodo dos mnimos quadrados

Figura 4.4 - erros

A cada valor observado pode ser calculado

Consiste o mtodo na soma dos quadrados dos desvios.

Simplificando e reordenando, temos o seguinte sistema de equaes:

Prof. Cesar Augusto Seidler

Engenharia Econmica e Avaliaes - Regresso Linear

Curso de Engenharia Civil 8 Perodo

As estatsticas bsicas de regresso so o coeficiente de correlao linear, coeficiente de

PREO TOTAL (R$)

REA TOTAL (m2)

Prof. Cesar Augusto Seidler

Engenharia Econmica e Avaliaes - Regresso Linear

Curso de Engenharia Civil 8 Perodo

Como se pode ver existe uma linearidade entre as variveis.

Clculo dos coeficientes linear ( a) e angular (b) da reta de regresso:

A obteno dos somatrios so calculados pelo quadro a seguir:

Prof. Cesar Augusto Seidler

Engenharia Econmica e Avaliaes - Regresso Linear

Curso de Engenharia Civil 8 Perodo

Clculo do coeficiente linear da equao linear:

91.932,00 x1.465.234,00 1.146,00 x118.171.406,00

Clculo do coeficiente angular:

15 x118.171.406,00 1.146,00 x1.465.234,00

Yest = 11.003,58 + 1.422,59. X

Yest = 11.003,58 + 1.422,59.102 = 134.100,56

Prof. Cesar Augusto Seidler

4.1.4 Estatstica da Regresso:

As estatsticas bsicas de regresso so o coeficiente de correlao linear, coeficiente de

4.1.4.1 Coeficiente de correlao linear.

r>0 - relao positiva forte

r<0 relao negativa forte

Relao fraca positiva

Figura 4.5 Intensidade e direo entre X e Y

Engenharia Econmica e Avaliaes - Regresso Linear

Curso de Engenharia Civil 8 Perodo

Figura 4.6 - Relao no linear e amostra insuficiente

Acima de zero at 0,30

Acima de 0,30 at 0,60

Acima de 0,60 at 0,90

Acima de 0,90 at 0,99

Tabela 4.1 - Grau de relao entre X e Y