Академический Документы
Профессиональный Документы
Культура Документы
RESUMO
Este trabalho apresenta uma comparao dos resultados obtidos com o tratamento
de dados definidos na NBR 14653 Norma Tcnica de Avaliao de Bens,
especificamente com a Envoltria de Dados e a Lgica Fuzzy, como alternativas para
avaliao de imveis urbanos utilizando o mtodo comparativo direto de dados de
mercado (MCDDM). Ser apresentado um breve resumo de cada uma destas
metodologias e a sua aplicao em um estudo de caso real.
2
tambm as situaes ambguas, no passveis do processamento convencional
computacional fundamentado na lgica booleana (NICOLETTI, 2009).
A expresso Fuzzy (difuso, nebuloso) foi utilizada pela primeira vez em 1965
em uma publicao feita por este professor de Teorias dos Sistemas da Universidade
da Califrnia, Berkeley, considerado o pai da Teoria de Conjuntos Fuzzy (SIMES,
2007).
Desde ento esta lgica seguiu os mesmos rumos de outras recentes
tecnologias: criada nos Estados Unidos, desenvolvida na Europa, massificada no
Japo, estando agora, novamente, retornando aos Estados Unidos. Atualmente
amplamente utilizado em vrios setores e atividades, tais como: robtica, automao
de linhas de produo, simulaes financeiras, avaliaes, entre outros
(FUZZYTECH, 2014).
Busca-se como objetivo geral trabalhar, de forma complementar metodologia
tradicional prevista em norma, as ferramentas da Teoria Fuzzy, mais precisamente
dos Conjuntos Fuzzy, de forma a permitir a adequada considerao das variveis
subjetivas na formao do valor de um imvel, bem como contribuir para a sua correta
aplicao na Avaliao de Imveis.
Nas sees seguintes so apresentadas cada uma das metodologias, a base
de dados selecionada, a construo das duas tcnicas e a anlise dos resultados.
Finalmente as concluses e as perspectivas futuras so apontadas.
1 FUNDAMENTAO TERICA
3
Desde ento, a histria da lgica Fuzzy seguiu o mesmo caminho que outras
tecnologias recentes, quer seja, inventada nos Estados Unidos, desenvolvida na
Europa, massificada no Japo (FUZZYTECH, 2014).
O Professor Lotfi Zadeh afirma que o computador no pode resolver problemas,
tais como os que prescindem de habilidades humanas. A menos, claro, que seja
capaz de pensar na forma caracterstica de um ser humano (FUZZYTECH, 2014).
Os seres humanos, muitas vezes dependem de expresses lingusticas
imprecisas como "perto", "pouco", "bonito", j o processamento booleano de um
computador limitado a um modo 0-1, preto-branco, tudo ou nada, verdadeiro ou
falso.
Neste contexto, Lotfi Zadeh enfatiza o fato de que facilmente nos deixamos
levar por um desejo de atingir a maior preciso possvel, sem prestar ateno ao
carter impreciso da realidade (FUZZYTECH, 2014). A lgica Fuzzy foi criada e
desenvolvida a partir dessa necessidade: a de se desenvolver uma tecnologia que
conseguisse trabalhar a impreciso e a incerteza da expresso humana.
A lgica Fuzzy vem sendo utilizada em diversas reas e aplicaes tais como:
Automao Industrial, Monitoramento de Glaucoma, Gerao de energia a base de
carvo, Sistemas de Refrigerao complexos, Planta de incinerao de resduos,
Sistema de Tratamento de gua, motor de induo AC, Limitador de Velocidade
Caminho, Eletrodomsticos, Engenharia Automotiva, Antilock Braking System (freios
ABS), Planos de voo, Fuso Nuclear, Controle de Trfego, Sistemas de Sonar.
A lgica Fuzzy tem a vantagem de, apesar da matemtica terica complexa
que a sustenta, ser de fcil entendimento e de aplicao simples. A inteligncia do
sistema no est oculto em equaes diferenciais e complexos cdigos fontes
(FUZZYTECH, 2014).
1.2.2 Conceitos Bsicos
a) Incerteza Estocstica versus Incerteza Lxica
A teoria da lgica difusa lida com a incerteza, assim como a teoria probabilstica
e a teoria da informao. Destaca-se na teoria da incerteza duas formas bsicas:
incerteza estocstica e incerteza lxica.
A incerteza estocstica trata a incerteza atravs da ocorrncia de um
determinado evento. Por exemplo: ocorrncia ou no de chuva no dia de amanh. A
incerteza lxica existe devido a linguagem humana, no existindo definies exatas
(Simes, 2007). Por exemplo: as pessoas tm conceitos e percepes diferentes para
chuva, chuva forte, garoa.
Assim a diferena est no uso da expresso probabilidade. Na estocstica ela
expressa em termos matemticos, e na incerteza lxica esta probabilidade no
quantificada em um valor, mas representada por uma categoria subjetiva
(FUZZYTECH, 2014).
Em muitos momentos de deciso as informaes se encontram vagas e
imprecisas, de maneira que s podem ser compreendidas por sua representao
qualitativa. Neste contexto, a lgica difusa trabalha as informaes que se encontram
imprecisas, traduzindo expresses verbais vagas, imprecisas, ambguas, qualitativas,
de categoria subjetiva, de uso comum na linguagem humana, em valores numricos.
Por isto a lgica difusa trabalha diretamente com a incerteza lxica (CALDEIRA,
2007).
4
b) Variveis Lingusticas
O bloco de construo principal de qualquer sistema de lgica fuzzy, a assim
chamada "varivel lingustica". Pode ser considerada o nome dado a um conjunto
fuzzy. A capacidade de classificar de modo impreciso as variveis de um problema
em termos qualitativos ao invs de quantitativos, traduz a ideia de varivel lingustica
(SIMES, 2007).
De fato, uma varivel lingustica caracterizada por {n,T,X,m(n)} onde n o
nome da varivel (por exemplo, altura, temperatura, presso, febre, etc.), T o
conjunto de termos lingusticos de n (alto, baixo, pouco, extenso, etc.), X o domnio
(Universo) de valores de n sobre o qual o significado do termo lingustico
determinado (a febre pode estar, por exemplo, entre 35 e 40 C) e m(t) uma funo
semntica que assinala para cada termo lingustico t T o seu significado, que um
conjunto fuzzy em X (ou seja, m: T (X) onde (X) o espao dos conjuntos fuzzy)
(ORTEGA, 2001).
Estas variveis representam de modo impreciso, ou seja, lingustico, conceitos
de variveis dados a um problema, admitindo termos como mdio, muito pequeno,
longe, forte, bonito. Estes valores se contrapem aos valores precisos admitidos
pelas variveis numricas.
Estes termos so usados para expressar ideias, conceitos, conhecimentos e
tambm percepes na comunicao humana, sendo que em muitas reas so a
forma mais importante, seno a nica, de quantificar os dados e informaes. O uso
de termos lingusticos frequente no nosso cotidiano, tais como o dia est muito
quente, o nibus estava lotado, Tal pessoa alta, magra. Todos estes termos
possuem um significado e transmitem informao.
Aqui, vrias categorias subjetivas que descrevem o mesmo contexto so
combinadas. Por exemplo, no caso de febre. Existe no s a febre forte, mas tambm
a temperatura elevada, a temperatura normal, e a baixa temperatura. Estes so
chamados "termos lingusticos" e representam os possveis valores de uma varivel
lingustica. Exemplo: a temperatura est alta.
A varivel temperatura est recebendo o valor (termo lingustico) alta, que
um dos conjuntos fuzzy definidos para esta varivel. Pode-se, ainda, lanar mo dos
modificadores, que so os termos ou operaes que modificam a forma dos conjuntos
fuzzy, ou seja, a intensidade dos valores. Como exemplo pode-se citar os advrbios
quase, muito, pouco entre outros, que podem ser tanto aumentadores como
diminuidores, conforme aumentam ou diminuem a rea de pertinncia dos conjuntos
fuzzy.
Na Figura 1 pode-se observar um exemplo de varivel lingustica em que o
nome da varivel Altura, que representa a altura de uma pessoa. Os termos
lingusticos que atribuem um significado semi-quantitativo a varivel Altura so:
Baixo, Mdio, Alto. O domnio, em centmetros, da varivel o intervalo [150, 200].
As variveis lingusticas so expressas dentro de determinado domnio de
valores. A definio deste domnio feita por um especialista da rea em estudo,
sendo o papel deste fundamental na modelagem fuzzy.
As variveis numricas expressam o seu valor e utilidade e so amplamente
empregadas nas cincias exatas (engenharia, fsica, matemtica, etc.), porm, as
variveis lingusticas tm conquistado cada vez maior importncia devido ao
desenvolvimento das reas de inteligncia artificial e processos de deciso.
5
A capacidade de combinar variveis lingusticas e numricas uma das
principais razes do sucesso das aplicaes da lgica fuzzy em sistemas inteligentes,
tanto na engenharia quanto em muitas outras reas que lidam com domnios
contnuos (ORTEGA, 2001).
c) Funes de Pertinncia
Ao contrrio da lgica convencional, a lgica difusa utiliza ideias de que todas
as coisas (temperatura, velocidade, altura) admitem graus de pertinncia (). Com
isso, a lgica fuzzy tenta modelar o senso das palavras, tomadas de deciso ou senso
comum do ser humano.
Pode-se dizer que a pertinncia, no sistema fuzzy, equivale a probabilidade dos
modelos estatsticos, sendo os casos = 0 e = 1 um caso particular do conjunto
fuzzy (elemento pertence totalmente a um conjunto) e os casos em que 0 < < 1
representam graus parciais de pertinncia (CALDEIRA, 2007).
Observe a Figura 1 em que tem-se dois elementos x1 = 169 cm e x2 = 171 cm.
Utilizando-se da lgica clssica, esses elementos pertencem a conjuntos diferentes
(baixo e mdio, respectivamente). No entanto, na realidade fica difcil de afirmar que
uma pessoa com 169 cm e outra com 171 cm pertencem a conjuntos diferentes.
cm cm
Figura 1 Classificao para alturas de pessoas em conjuntos clssicos (esquerda) e fuzzy (direita)
considerando, para estes, seus graus de pertinncia.
6
deseja modelar, devendo ser dividido em 2 etapas: (1) avaliar o antecedente da regra,
(2) aplica o resultado ao consequente (SIMES, 2007).
1.2.3 Modelo de Mandami
Para a inferncia Fuzzy existem vrios modelos propostos como o de Takagi-
Sugeno e o modelo de Mandami, que o mais comumente utilizado. Neste trabalho
ser utilizado o modelo de Mandami.
O Modelo de Mandami foi criado pelo professor Ebrahim Mandami da
Universidade de Londres em 1975, baseando-se em regras de conjunto Fuzzy no
intuito de representar experincias da vida real. Para a construo deste sistema foi
definido um processo de raciocnio dividido em trs passos: Fuzzificao, Inferncia,
Defuzzificao. A etapa de Inferncia possui 2 etapas: Avaliao das regras Fuzzy e
Agregao das Regras Fuzzy. (SIMES, 2007).
a) Fuzzificao
Fuzzificao significa usar as funes de pertinncia das variveis lingusticas
para calcular o grau com que cada varivel pertence a cada um dos conjuntos fuzzy
envolvidos no processo. o primeiro passo do sistema lgico fuzzy e corresponde a
transformao dos dados de entrada iniciais em suas respectivas variveis
lingusticas. Nesta etapa todas as incertezas associadas a estas variveis devem ser
consideradas.
Aqui existe a necessidade de que especialistas da rea estudada sejam
consultados durante a atribuio de valores relacionados aos graus de pertinncia
para cada umas das variveis em estudo, para melhor preciso dos resultados
(SIMES, 2007).
1,0 Inadequado (A1) Razovel (A2) Adequado (A3)
0,5
0,2
0
0 X
= (x = A1) = 0,5 = (x = A2) = 0,2
Figura 2 Fuzzificao
b) Inferncia
A finalidade da inferncia Fuzzy relacionar as possveis variveis entre si,
atravs de uma base de regras pr-estabelecidas, conforme objetivos do algoritmo.
Pode-se separar esta fase em dois componentes: Avaliao das Regras Fuzzy e
Agregao.
A avaliao das regras Fuzzy: aps a obteno das entradas fuzzificadas, as
mesmas devem ser aplicadas nos antecedentes (parcela SE), obtendo assim o valor
do consequente (parcela Ento) para cada uma das regras. Para os antecedentes
compostos, os operadores lgicos AND e OR so utilizados para obter um nico
resultado. No caso do operador OR utilizada a unio (maior grau de pertinncia) e
no caso do operador AND utilizada a interseco (menor grau de pertinncia).
7
Depois de se obter um nico valor do antecedente, necessrio obter o valor
do consequente, atravs de um mtodo de correlao dos mesmos, sendo o mais
comum conhecido como clipped, onde o consequente cortado para o nvel de valor
verdade do antecedente da regra avaliada, ou seja, o valor obtido simplesmente
passado para o consequente da regra (SIMES, 2007).
c) Defuzzificao
Para se obter um resultado numrico necessrio defuzzificar a sada obtida
na etapa anterior. Neste processo ocorre a converso difuso para escalar, e as
informaes qualitativas passam a uma informao quantitativa.
Os mtodos de defuzzificao mais utilizados so os do Centro de rea (CoA),
o do Centro de Mximos (CoM), Mdia dos Mximo (MoM) e o do Centroide (CoG)
para citar alguns (Nicoletti, 2009).
Como exemplo, o mtodo do centroide (CoG), Figura 4, obtm o ponto onde
uma linha vertical divide ao meio um conjunto agregado, sendo este o valor de sada.
1,0
0,7
. 0,5
0,1
0
0 X
Figura 4 Modelo do Centroide (CoG)
Desta forma, ficam constitudas, assim, duas ticas para a DEA: a do vendedor
e a do comprador. Para o vendedor, o objetivo oferecer certos atributos relevantes
de um imvel (rea, localizao, etc.) e obter por eles o maior preo possvel; na viso
do comprador, o objetivo pagar um determinado preo e obter em troca o mximo
de atributos relevantes de um imvel (rea, localizao, etc.).
Ao coletarmos uma amostra do Mercado Imobilirio, podemos construir,
assim, duas fronteiras eficientes: a do vendedor e a do comprador:
Y
tica do Vendedor h' YO
YO
tica do Comprador
h YO
X
Figura 5 Grfico de uma situao hipottica, onde: Y = preo e X= rea, com a definio das
fronteiras eficientes para cada uma das duas ticas.
9
Formulao
A formulao do mtodo EDO-DEA para o modelo Produto-orientado (no caso
da avaliao, corresponde tica do vendedor) a mesma do modelo clssico DEA
e se utiliza da formulao do seguinte problema de programao linear (CHARNES et
al, 1978):
a) Problema do Envelope Dual (tica do Vendedor)
Maximizar h, tal que:
Xk X
h Yk Y
0 (1)
h = 1/ h
=1
Onde:
h = eficincia
X = vetor de atributos dos imveis (insumos)
Xk = vetor de atributos do imvel k (insumos)
Y = vetor de preos dos imveis (produtos)
Yk = preo do imvel k (produto)
= vetor dos pesos da combinao linear dos insumos e dos produtos de
unidades eficientes
10
Y = vetor de preos dos imveis (insumos)
Yk = preo do imvel k (insumo)
= vetor dos pesos da combinao linear dos insumos e dos produtos de
unidades eficientes
O EDO-DEA permite que cada dado de mercado, com os seus respectivos
atributos e preo, possam ser associados a valores nas fronteiras do comprador e do
vendedor perfeitamente justificados pelos imveis eficientes em cada uma das ticas.
Torna-se possvel, portanto, considerando um conjunto de dados de mercado,
estabelecer para um determinado imvel que se deseja avaliar, que valor ele deveria
apresentar para ser considerado eficiente do ponto de vista do comprador e que
valor ele deveria apresentar para ser eficiente do ponto de vista do vendedor,
estabelecendo-se um intervalo para a negociao semelhante ao intervalo de
confiana da inferncia estatstica ou ao campo de arbtrio do avaliador.
2 ESTUDO DE CASO
11
Figura 6 Localizao do imvel avaliando
12
mais desvalorizada (bairro do Bixiga ou a mais de 500 metros da avenida
paulista). Varivel dicotmica sendo: 0 (zero) p/ rea mais desvalorizada e 1 (um)
p/ rea mais valorizada.
2.4 Avaliao: Lgica Fuzzy
Para a realizao desta avaliao com a utilizao da Lgica Fuzzy foi utilizado
a mesma pesquisa utilizada para o MCDM do item anterior, sendo utilizado aqui todos
os 25 elementos pesquisados.
Decidiu-se pela utilizao das variveis independentes rea, localizao e
padro, conforme descrio abaixo, para esta avaliao.
rea Privativa (m): Varivel qualitativa que representa a rea privativa da
unidade habitacional em funo da percepo que o tamanho passa. Ser
utilizada na escala pequena, mdia, grande.
Padro: varivel qualitativa que, de forma subjetiva, indica se o imvel possui
qualidades como: ser novo, estado de conservao aparente, possuir
arquitetura mais contempornea ou antiga, infraestrutura disponvel. Esta
varivel substitui a varivel idade utilizada no mtodo feito por inferncia
estatstica. Ser utilizado na escala: Velho (ou antigo); Normal, Bom (ou
moderno).
Localizao: varivel qualitativa que indica a percepo da qualidade do
local, microrregio, em que o imvel est inserido, buscando considerar
valores como: trnsito, aparncia, rudos, vizinhana, infraestrura,
disponibilidade, segurana, comportamento local. Ser utilizado na escala:
Ruim, Mdio, Bom.
A varivel oferta, utilizada na inferncia estatstica, no foi aqui considerado por
representar uma varivel dicotmica no passvel de interpretao subjetiva.
Aps definirmos as variveis, com a utilizao do software Matlab, definiram-
se as relaes de pertinncia para cada varivel, como se segue:
13
Padro: com escala de 0 a 10.
14
Valor: com escala de 300.000,00 a 600.000,00
15
Figura 13 Base de Regras.
3 RESULTADOS
16
O modelo foi verificado quanto aos seus pressupostos de linearidade,
normalidade, homocedasticidade, autocorrelao, colinearidade/multicolinearidade,
outliers, estando os mesmos adequados.
3.2 Avaliao do Imvel: Modelagem Fuzzy
Para o imvel avaliando foi considerado os seguintes valores para entrada no
modelo utilizando a Lgica Fuzzy:
Com estes dados o valor da avaliao pelo modelo gerado pela Lgica fuzzy
foi de R$ 443.000,00 (quatrocentos e quarenta e trs mil reais).
17
-
5 520.000,00 95% 100% 534.994,87 14.994,87 -2,88%
6 420.000,00 96% 100% 429.066,21 -9.066,21 -2,16%
7 480.000,00 100% 90% 455.990,19 24.009,81 5,00%
-
8 450.000,00 94% 100% 465.001,78 15.001,78 -3,33%
-
9 390.000,00 82% 100% 432.483,92 42.483,92 -10,89%
-
10 390.000,00 93% 100% 403.944,79 13.944,79 -3,58%
-
11 400.000,00 84% 98% 432.468,70 32.468,70 -8,12%
12 470.000,00 96% 100% 479.984,55 -9.984,55 -2,12%
-
13 550.000,00 95% 100% 564.820,71 14.820,71 -2,69%
14 440.000,00 100% 92% 421.760,49 18.239,51 4,15%
15 400.000,00 100% 98% 395.056,84 4.943,16 1,24%
16 410.000,00 98% 95% 403.945,54 6.054,46 1,48%
-
17 420.000,00 88% 93% 432.509,34 12.509,34 -2,98%
18 480.000,00 98% 98% 479.978,58 21,42 0,00%
19 420.000,00 100% 100% 420.094,43 -94,43 -0,02%
-
20 420.000,00 89% 100% 446.090,37 26.090,37 -6,21%
21 450.000,00 95% 93% 446.095,08 3.904,92 0,87%
-
23 450.000,00 80% 100% 507.082,34 57.082,34 -12,68%
24 550.000,00 100% 75% 482.402,70 67.597,30 12,29%
26 438.000,00 100% 96% 429.061,36 8.938,64 2,04%
MTODO R$ Diferena %
18
4 DISCUSSES/CONCLUSES
Os resultados obtidos pelas metodologias mostraram-se coerentes com a
realidade do imvel considerado, h poca considerada.
O MCDDM com a utilizao da inferncia estatstica serviu como base
comparativa, visto ser mtodo j consagrado e utilizado no dia a dia a das avaliaes.
J a metodologia pela lgica fuzzy, por ser ainda pouco aplicada, necessita ter seus
resultados analisados com parcimnia, sendo que a repetio de trabalhos como este
podem vir a subsidiar uma metodologia que tem se mostrado eficiente para dar
respostas principalmente quando fatores subjetivos esto envolvidos.
Aqui cabe, talvez, a maior ressalva: a Lgica Fuzzy tem aplicao quando
variveis subjetivas esto envolvidas na anlise. Pode-se citar como exemplo as
variveis qualitativas: subjetivas, difcil mensurao, sua percepo varia entre as
pessoas. Caso contrrio o caminho mais adequado a utilizao de outra
metodologia, tal qual a Inferncia Estatstica.
Para o sucesso da utilizao da lgica fuzzy, necessrio observar que as
relaes de pertinncia e a base de regras precisam ser tecnicamente construdas e
validadas por profissional tcnico com expertise na rea, no caso aqui, avaliaes de
imveis, e conhecedor do mercado ao qual o imvel est inserido. A participao deste
profissional que garantir o sucesso da aplicao deste mtodo e a pertinncia de
seus resultados.
Outro fator a considerar a necessidade, pela prpria complexidade de
aplicao do mtodo, da utilizao de um software que aplique a Lgica Fuzzy na
realidade do mercado de Avaliao de Imveis, para permitir que seu uso seja
aplicado de maneira adequada e comercial.
A proposta final deste trabalho enfatiza a necessidade da utilizao paralela de
um sistema computacional onde seja possvel estimar o valor de mercado atravs de
outras metodologias, alm da Regresso Linear Mltipla, a fim de estabelecer
intervalos de valores para os resultados obtidos pelos mtodos utilizados.
REFERNCIAS BIBLIOGRFICAS
ABNT. ASSOCIAO BRASILEIRA DE NORMAS TCNICAS. NBR 14653-1:2001:
Avaliao de Bens. Parte 1: Procedimentos Gerais. Rio de Janeiro, 2001.
19
CUN, Y. L.; BOSER, B.; DENKER, J. S.; SOLLA, S. A. Optimal brain damage:
Advances in Neural information processing systems. Ed.: Morgan Kaufman, San
Mateo. Vol.2, P 598, 1990.
20