O melhor sistema do mercado para avaliação imobiliária com prova científica auditável.

Nenhuma concorrente entrega seleção automática de variáveis, auditoria científica fórmula a fórmula e trilha de auditoria completa como o AvalorMax. O sistema cobre da coleta de dados de mercado à assinatura digital do laudo.

Squad de IA — 6 especialistas

Definição do valor de mercado do imóvel para instruir Cumprimento de Sentença, nos autos do processo (anonimizado), em trâmite perante o juízo da comarca (anonimizada).

A avaliação mostra o valor de mercado na data de referência, podendo variar conforme o mercado imobiliário. As amostras pertencem aos seus anunciantes, empregadas exclusivamente para fins estatísticos.

3.1 Pressupostos e ressalvas

Foram selecionadas 126 amostras de mercado, tratadas estatisticamente. Excluídas 37 (resíduos relativos inferiores/superiores a ±30% — NBR 14.653-2), restando 89 aptas ao modelo (detalhamento no item 15.5).

3.2 Fatores limitantes

O resultado é mais preciso quanto melhores forem a quantidade e a qualidade dos dados de mercado disponíveis na região e na época da pesquisa, e quanto mais parecidas forem as amostras com o imóvel avaliando.

4.1 Classificação

4.3 Vistoria

Realizada em 14/04/2026. Imóvel em estado de abandono, sem residentes; vistoria restrita à inspeção visual externa (item 7.3.5.2 da NBR 14.653-2). Considerações hipotéticas (situação paradigma):

• Conservação: “H” — Reparos importantes a sem valor (Heidecke 75,20%)
• Padrão: R1-B — residencial unifamiliar baixo (CUB R$ 2.467,46/m²)
• Idade aparente: 48 anos · Vida útil: 60 anos

4.4.2 Caracterização da região

Zona residencial de padrão popular, ocupação consolidada, casas unifamiliares de padrão baixo a normal. Infraestrutura básica completa (pavimentação, energia, iluminação, água, coleta de lixo). Renda média do bairro: R$ 2.749,61 (IBGE/Censo).

Matrícula do Registro de Imóveis (anonimizada), onde consta: lote de 250,00 m², com edificação de casa (36,30 m², alvenaria, um pavimento, telhas francesa), averbada em 1978.

Os dados registrais são preservados na análise técnica, mas a identificação da matrícula e do cartório foi anonimizada nesta apresentação.

Pesquisa abrangendo 128 amostras de terrenos/lotes à venda em oito municípios da Região Carbonífera do RS, com fontes em anúncios públicos de mercado (imobiliárias e portais de anúncios).

1. Heterogeneidade de áreas: lotes urbanos de 142 m² a glebas rurais de 141.000 m².
2. VU médio regional: R$ 250/m² a R$ 420/m² para lotes urbanos.
3. Liquidez moderada a baixa: imóveis populares demandam maior tempo de exposição.
4. Oferta suficiente: 128 amostras superam o mínimo para Grau III (n ≥ 16 para 1 variável).

Adotou-se o Método Evolutivo, que compõe o valor do terreno (Comparativo Direto de Dados de Mercado) com o valor da benfeitoria (Custo de Reprodução).

1. I — Comparativo Direto (terreno): regressão linear múltipla (OLS) sobre terrenos da microrregião, validada pelos graus NBR.
2. II — Custo de Reprodução (benfeitoria): CUB/Sinduscon depreciado por Ross-Heidecke.

Campo de arbítrio ±15% do valor total: R$ 139.105,25 a R$ 188.201,23. Valor arbitrado no limite inferior, conforme fundamentação da conclusão.

Amostras empregadas no modelo, com fonte indicada. Relação resumida (endereços e anunciantes anonimizados):

Amostras com KML (Google Earth) — imóvel avaliando e todas as amostras georreferenciadas, com distância em linha reta (haversine). Listagem completa na versão digital do laudo.

Todos os anexos são gerados automaticamente pelo sistema e permanecem vinculados ao projeto.

1. ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR 14.653-1: Avaliação de bens — Parte 1: Procedimentos gerais. Rio de Janeiro: ABNT, 2019.
2. ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR 14.653-2: Avaliação de bens — Parte 2: Imóveis urbanos. Rio de Janeiro: ABNT, 2011.
3. ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR 6023: informação e documentação — referências. Rio de Janeiro: ABNT, 2018.
4. ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR 12.721: avaliação de custos unitários de construção. Rio de Janeiro: ABNT, 2006.
5. AKAIKE, H. A new look at the statistical model identification. IEEE Trans. Automatic Control, v. 19, n. 6, p. 716-723, 1974.
6. BELSLEY, D. A.; KUH, E.; WELSCH, R. E. Regression Diagnostics. New York: Wiley, 1980.
7. BREUSCH, T. S.; PAGAN, A. R. A simple test for heteroscedasticity and random coefficient variation. Econometrica, v. 47, n. 5, p. 1287-1294, 1979.
8. COOK, R. D. Detection of influential observation in linear regression. Technometrics, v. 19, n. 1, p. 15-18, 1977.
9. DANTAS, R. A. Engenharia de Avaliações: uma introdução à metodologia científica. 3. ed. São Paulo: Pini, 2012.
10. DURBIN, J.; WATSON, G. S. Testing for serial correlation in least squares regression II. Biometrika, v. 38, p. 159-178, 1951.
11. FIKER, J. A perícia judicial na avaliação de imóveis. São Paulo: Pini, 2008.
12. GUJARATI, D. N.; PORTER, D. C. Econometria Básica. 5. ed. Porto Alegre: AMGH, 2011.
13. JARQUE, C. M.; BERA, A. K. A test for normality of observations and regression residuals. International Statistical Review, v. 55, n. 2, p. 163-172, 1987.
14. MAHALANOBIS, P. C. On the generalised distance in statistics. Proceedings of the National Institute of Sciences of India, v. 2, n. 1, p. 49-55, 1936.
15. SHAPIRO, S. S.; WILK, M. B. An analysis of variance test for normality. Biometrika, v. 52, p. 591-611, 1965.

O /eng-lider implementa — junto do /mat-lider — o algoritmo de busca exaustiva. Em vez de escolher variáveis “no olho”, o sistema percorre todo o espaço de modelos e seleciona o de melhor ajuste parcimonioso.

Fase 1 — Produto cartesiano de transformações

Cada variável aceita 7 transformações candidatas; o itertools.product() testa todas as combinações por OLS, ranqueando por AIC.

Fase 2 — Power set de subconjuntos

Testa todos os subconjuntos de variáveis (1 até k), eliminando variáveis irrelevantes. 3 variáveis → 7 subconjuntos × dezenas de transformações = centenas de equações.

C:\avalormax\app\avaliacao\motor_mrlm.py — Motor MRLM v1.4 (Squad: Matemático + Engenheiro).

Produto cartesiano de transformações (v1.3)

for combo in itertools.product(*var_cands):
    tx_temp = dict(zip(var_nomes, combo))
    df_t, formula_t, _ = aplicar_transformacoes(
        df_base, var_y, transf_y, variaveis_x, tx_temp)
    res_t = executar_ols(df_t, formula_t)
    _n   = int(res_t.nobs)
    _aic = float(res_t.aic)
    _r2a = float(res_t.rsquared_adj)
    if _aic < melhor_aic:
        melhor_aic  = _aic
        melhor_r2a  = _r2a
        melhor_formula = _formula
        melhor_combo = tx_temp.copy()

Power set de subconjuntos (v1.4)

from itertools import combinations as _comb
subconjuntos = []
for r in range(1, len(variaveis_x) + 1):
    for combo in _comb(variaveis_x, r):
        subconjuntos.append(list(combo))

for subset in subconjuntos:
    tx_subset = {v: cand_por_var[v] for v in subset}
    tx, rel = _resolver_melhor_transf(
        df, var_y, transf_y, subset, tx_subset, progress=progress)
    aic = rel.get("aic_escolhida")
    if aic is not None and aic < melhor_aic:
        melhor_aic  = aic
        melhor_vars = list(subset)
        melhor_tx   = dict(tx)

Diagnósticos (VIF, homocedasticidade, normalidade)

def _vif(res):
    exog  = res.model.exog
    nomes = res.model.exog_names
    vif_d = {}
    for i, nm in enumerate(nomes):
        if nm == "Intercept": continue
        vif_d[nm] = round(float(variance_inflation_factor(exog, i)), 4)
    return {"vif_json": vif_d}

def _homocedasticidade(res):
    lm, lm_pval, _, _ = het_breuschpagan(res.resid, res.model.exog)
    return {"breusch_pagan_stat": round(float(lm), 6),
            "breusch_pagan_pvalue": round(float(lm_pval), 10)}

def _normalidade(residuos):
    jb_stat, jb_pval = stats.jarque_bera(residuos)
    sw_stat, sw_pval = (stats.shapiro(residuos)
                        if len(residuos) <= 5000 else (None, None))
    return {"jarque_bera_stat": round(float(jb_stat), 6),
            "shapiro_wilk_stat": round(float(sw_stat), 6)}

Predição e amplitude do IC 80%

def _predicao_avaliando(res, avaliando, transf_y, transf_x, variaveis_x, area):
    df_av = pd.DataFrame([row])
    pred  = res.get_prediction(df_av)
    summ  = pred.summary_frame(alpha=1 - IC_NIVEL)   # IC_NIVEL = 0.80
    y_hat  = float(summ["mean"].iloc[0])
    ic_inf = float(summ["obs_ci_lower"].iloc[0])
    ic_sup = float(summ["obs_ci_upper"].iloc[0])
    amp = (ic_sup - ic_inf) / y_hat if y_hat > 0 else None

Grau de fundamentação (NBR 14.653-2, Tabela 9)

for grau_label, c in NBR_FUND.items():   # ordem: III, II, I
    n_min = c["n_min_fator"] * (k + 1)
    ok_n  = n >= n_min
    ok_f  = f_pval <= c["pval_f_max"]
    ok_t  = max_pval_t <= c["pval_t_max"]
    if ok_n and ok_f and ok_t:
        grau_por_criterio.append(grau_label)

Motor de custo — Ross-Heidecke (motor_custo.py)

HEIDECKE = {
    "A": ("Novo", 0.0000), "C": ("Regular", 0.0252),
    "E": ("Reparos simples", 0.1810),
    "G": ("Reparos importantes", 0.5260),
    "H": ("Reparos importantes a sem valor", 0.7520),
    "I": ("Sem valor", 1.0000),
}

def dep_ross(idade, vida_util):
    r = _ratio(idade, vida_util)
    return 0.5 * (r + r * r)

def dep_ross_heidecke(idade, vida_util, estado):
    phi = dep_ross(idade, vida_util)
    C   = dep_heidecke(estado)
    return phi + C * (1.0 - phi)      # d = phi + C(1 - phi)

Numéricas (com transformação candidata)

Categóricas (dummies — C(var))

Transformações disponíveis

⚠️ Colunas inexistentes (nunca sem ALTER TABLE): area_construida, ano_construcao, projeto. A variável dependente valor_unitario é STORED GENERATED.

Substitui o cálculo manual — planilhas frágeis e métodos não auditáveis — por um motor estatístico reprodutível, com trilha de auditoria completa da amostra de mercado ao valor final, e prova técnica defensável em juízo.