FGV Management

MBA em Finanas Empresariais

ESTATSTICA


Marcus Vinicius Quintella Cury, D.Sc
mvqc@fgvmail.br





















Realizao Fundao
Getulio Vargas
FGV Management


i
Todos os direitos reservados Fundao Getulio Vargas

Cury, Marcus Vinicius Quintella
Estatstica 1 Rio de Janeiro: FGV Management
Cursos de Educao Continuada.
34p.


Bibliografia


1. Estatstica 2. Anlise de Risco I. Ttulo

Coordenao Executiva do FGV Management: Prof. Ricardo Spinelli de Carvalho
Coordenador Geral da Central de Qualidade: Prof. Carlos Longo
Coordenadores de rea:



ii
Sumrio
1. PROGRAMA DA DISCIPLINA 1
1.1 EMENTA 1
1.2 CARGA HORRIA TOTAL 1
1.3 OBJETIVOS 1
1.4 CONTEDO PROGRAMTICO 1
1.5 METODOLOGIA 2
1.6 CRITRIOS DE AVALIAO 2
1.7 BIBLIOGRAFIA RECOMENDADA 2
CURRICULUM RESUMIDO DO PROFESSOR 2
2. ESTATSTICA 3
2.1 INTRODUO 3
2.2 SRIES ESTATSTICAS 5
2.3 NMEROS RELATIVOS 6
2.4 MEDIDAS DE TENDNCIA CENTRAL 6
2.5 MEDIDAS DE DISPERSO 8
2.6 COVARINCIA E COEFICIENTE DE CORRELAO 10
2.7 REGRESSO LINEAR 12
2.8 DISTRIBUIO NORMAL 14
2.9 ANLISE DE SENSIBILIDADE 21
2,10 SIMULAO DE RISCO 22
2,11 EXERCCIOS PROPOSTOS 26
2.12 REFERNCIAS BIBLIOGRFICAS 30
3. MATERIAL COMPLEMENTAR 31

Estatstica
1
1. Programa da disciplina
1.1 Ementa
Introduo estatstica e probabilidade. Mdia, moda e mediana: medidas de tendncia.
Varincia e desvio-padro: medidas de disperso. Distribuio dos eventos. Estatstica
para controle de desempenho. Estatstica para estimar valores desconhecidos. Correo
linear e regresso. Tomada de deciso sob incerteza. Intervalo de confiana. Controle de
qualidade. Modelos de previso. Regresso linear.

1.2 Carga horria total
24 horas/aula

1.3 Objetivos
1.3.1 Proporcionar aos participantes uma viso abrangente e sistmica dos mtodos
estatsticos, para servir de ponto de partida para estudos mais avanados sobre o
assunto.
1.3.2 Transmitir aos participantes os fundamentos da estatstica aplicados a finanas,
para auxiliar as tomadas de deciso empresariais.
1.3.3 Oferecer um quadro referencial que permita a imediata aplicao dos conceitos
apresentados.
1.3.4 Promover a troca de experincia entre o professor e os participantes, por meio
de estudos de casos prticos.

1.4 Contedo programtico
Introduo. Estatstica descritiva. Distribuio de freqncias. Grficos. Medidas de
posio e de disperso. Coeficiente de variao. Variveis discretas e contnuas.
Introduo probabilidade. Distribuies de probabilidades. Risco e Incerteza.
Covarincia e coeficiente de correlao. Amostragem. Intervalos de confiana. Testes
de hip teses paramtricos. Anlise de regresso. Modelos aplicados a finanas.
Exerccios propostos e casos prticos.


Estatstica
2
1.5 Metodologia
Aulas expositivas, estudos de caso, trabalhos em grupo e debates.

1.6 Critrios de avaliao
O grau final da disciplina ser composto da seguinte forma: (a) avaliao individual, sob
a forma de prova, a ser aplicada aps o trmino da disciplina, no valor de 6 (seis)
pontos; (b) trabalhos prticos, individuais ou em grupo, a serem realizados em sala de
aula ou em casa, no valor total de 4 (quatro) pontos.

1.7 Bibliografia recomendada
LAPPONI, J. C., Estatstica Usando EXCEL, So Paulo, Lapponi Treinamento e
Editora, 1997.
ANDERSON, D. R., SWEENEY, D. J. and WILLIANS, T. A., Statistics for Business
and Economics, U.S.A., South-Western College Publishing, 1999.
DOWNING, D. e JEFFREY, C., Estatstica Aplicada, Rio de Janeiro, Saraiva, 1998.
SECURATO, J. R., Decises Financeiras em Condies de Risco, So Paulo, Editora
Atlas, 1996.

Curriculum resumido do professor
Marcus Vinicius Quintella Cury Doutor em Engenharia de Produo pela
COPPE/UFRJ, Mestre em Transportes pelo IME, Ps-Graduado em Administrao
Financeira pela EPGE/FGV e Engenheiro Civil pela Universidade Veiga de Almeida.
Sua experincia profissional tem como referncia a atuao como engenheiro da
Companhia Brasileira de Trens Urbanos (CBTU), desde 1985, e a ocupao da chefia,
por oito anos, do Departamento de Controle Financeiro de Contratos desta empresa. Sua
experincia acadmica tem como destaque as atuaes como professor dos cursos de
ps-graduao da COPPE/UFRJ, IBMEC, EPGE/FGV e do IME. Como consultor
empresarial, atua como diretor da MARVIN Consultoria e Treinamento Ltda.
(www. marvin.pro.br)


Estatstica
3
2. Estatstica
2.1 Introduo

At o presente momento, todos os clculos em finanas considerava que os
dados empregados eram precisos e de ocorrncia certa, com base em algumas premissas
bsicas.
No entanto, sabe-se que os dados que compem o fluxo de caixa de um projeto
so apenas estimativas de valores e as decises so tomadas envoltas pelo risco e pela
incerteza quanto ao futuro.
Assim sendo, por mais acuradas que sejam as premissas fundamentais e
executadas as melhores projees e estimativas possveis, no se pode garantir a certeza
absoluta sobre a ocorrncia dos resultados esperados. Esta impreciso dos resultados
encontra-se intimamente correlacionada intuitiva noo de risco do empreendimento.
Geralmente, na teoria da deciso existe uma distino entre risco e incerteza,
cuja conceituao depende do grau de impreciso associado s estimativas. Quando
todas as ocorrncias possveis de uma certa varivel encontra-se sujeitas a uma
distribuio de probabilidades conhecida, atravs de experincias passadas, ou que pode
ser calculada com algum grau de preciso, diz-se que existe risco associado. Por outro
lado, quando esta distribuio de probabilidade no pode ser avaliada, diz-se que h
incerteza. A incerteza, de um modo geral, envolve situaes de ocorrncia no repetitiva
ou pouco comum na prtica, cujas probabilidades no podem ser determinadas por esta
razo. Em ltima anlise, risco uma incerteza que pode ser medida e, opostamente,
incerteza um risco que no pode ser avaliado. (Oliveira, 1982)
Em resumo, existem trs situaes para a anlise de projetos: situao de
certeza, de incerteza e de risco. Em situao de certeza o resultado obtido sempre o
esperado. Na situao de incerteza isso no mais o caso, sendo que as probabilidades
de ocorrncia dos eventos aleatrios so desconhecidas. Em situao de risco essas
probabilidades so conhecidas. (Abreu e Stephan, 1979)
Quando uma empresa faz um oramento, risco ou incerteza o nome dado
preocupao de que as expectativas e esperanas com relao ao futuro de um negcio
possam no se concretizar. necessrio fazer vrias suposies, at mesmo quando se
determinam as metas oramentrias. Sabe-se, porm, que por razes diversas, o
faturamento e os custos estimados no oramento empresarial nunca sero iguais aos
resultados prticos. Isso porque as suposies feitas sobre o nvel de atividade e sobre
os custos estavam erradas, ou porque ocorreu algum fato no esperado, como: as vendas
de bens e servios foram maiores ou menores do que esperado; os custos foram maiores
ou menores do que os orados; o nvel de produtividade foi maior ou menor do que
esperado; a conjuntura econmica tornou-se mais ou menos favorvel; mudanas
tecnolgicas tornaram o nvel de faturamento e/ou custos diferente no oramento

Estatstica
4
planejado; o preo de alguns produtos especficos e servios foi diferente do planejado.
(Oldcorn & Parker, 1998)
Existem diversas tcnicas desenvolvidas para o tratamento do risco e da
incerteza em anlise econmica de projetos, inclusive modelos matemticos e
estatsticos sofisticados. Entretanto, muitas dessas tcnicas so demasiadamente
tericas, de difcil aplicao prtica, ou muito simplificadas, resultando em informaes
insuficientes para a tomada de deciso.
Mesmo assim, algumas destas tcnicas so bastante teis e podem ser aplicadas
com sucesso no tratamento do risco e da incerteza na anlise de alternativas de projetos,
tais como as que sero aqui abordadas: a anlise de sensibilidade e a simulao de
risco.
Todavia, para uma correta aplicao dessas tcnicas, torna-se necessrio o
conhecimento prvio de uma importante ferramenta: a estatstica; cujas noes bsicas
sero apresentadas a seguir.
Os mtodos estatsticos so hoje utilizados em quase todos os setores da
atividade humana. Nos negcios e na economia, figuram entre os mais importantes
mtodos de auxlio na tomada de deciso. Como resultado do desenvolvimento da
indstria de computadores, os modernos mtodos estatsticos se tornaro cada vez mais
importantes para aqueles a quem cabe tomar decises.
A estatstica uma disciplina importante para o economista, administrador,
engenheiro e analista de projetos investimento, em geral, independentemente de seu
setor de especializao. A utilizao sempre crescente dos computadores permite ao
especialista nesses setores utilizar tcnicas cada vez mais complexas e aperfeioadas.
(Guerra e Donaire, 1982)
A estatstica, na verdade, constitui uma parte da matemtica aplicada e tem por
objetivo tirar concluses sobre uma populao, a partir de dados observados em uma
amostra dessa populao. (Merril e Fox, 1980) A estatstica dividida em
estatstica descritiva e estatstica indutiva, conforme a definio abaixo:
Estatstica descritiva ou dedutiva: trata da apurao, apresentao, anlise e
interpretao dos dados observados (descreve as amostras ou a populao). a parte
esttica da estatstica, que consiste no clculo de valores representativos da amostra e
na construo grfica dos dados observados;
Estatstica indutiva ou inferncia estatstica: parte do particular para o geral, ou seja,
o processo pelo qual so feitas generalizaes para a populao, a partir da amostra.
Populao o conjunto formado por todos os elementos que tm pelo menos
uma caracterstica comum de interesse. Amostra o sub-conjunto da populao, que
dever apresentar as caractersticas prprias da populao. O processo pelo qual, atravs
da amostra, so estudadas as caractersticas da populao denominado Amostragem.
Fundamentalmente, existem dois tipos de amostragem: a probabilstica e a no-
probabilstica. A amostragem ser probabilstica (ou aleatria) se todos os elementos da
populao tiverem probabilidade conhecida e no nula, de pertencer a amostra; em caso
contrrio, ela ser no probabilstica (ou no aleatria). S a amostragem probabilstica
permite calcular o erro amostral.
As tcnicas de induo estatstica usam a hiptese da amostragem ser
probabilstica, a qual implica na existncia de um sorteio (segundo regras bem

Estatstica
5
determinadas); esse sorteio, no entanto, nem sempre pode ser realizado como, por
exemplo, no caso da populao no ser finita ou no ser totalmente acessvel. Assim
sendo, em muitos casos utiliza-se a amostragem no aleatria e, nesses casos, o bom-
senso poder indicar a possibilidade de se utilizar ou no as tcnicas de induo para
esse tipo de amostragem. Portanto, sempre que possvel, para obter uma amostra que
seja representativa da populao, deve-se optar pela amostragem probabilstica. (Guerra
e Donaire, 1982)
As tcnicas estatsticas aqui abordadas sero de grande valia quando da
aplicao no tratamento do risco e da incerteza, na anlise de projetos. Cabe ressaltar
que no pretenso deste texto esgotar o assunto, pelo contrrio, deseja-se, apenas,
apresentar as tcnicas estatsticas de interesse na matria em questo.

2.2 Sries Estatsticas
As sries estatsticas sumarizam um conjunto ordenado de observaes atravs
do tempo, espao e espcie do fenmeno. Conforme cada um desses elementos seja a
varivel, surgem trs tipos de sries discretas: histrica, geogrfica e especificativa. A
srie histrica ou temporal, quando a varivel o tempo (anos, meses etc), como
demonstrado no quadro 1.
QUADRO 1 - Custos de Produo da Empresa X
Ano Valores em R$
1993 120.000
1994 124.000
1995 118.000
1996 132.000
A srie geogrfica quando a varivel o espao (municpios, zonas etc),
permanecendo fixos tempo e espcie, conforme mostrado no quadro 2.
QUADRO 2 - Vendas Previstas por Regio - RJ - 1995
Mercado Venda (t / ano)
PETRPOLIS 30.000
TERESPOLIS 35.000
TRS RIOS 28.000
VOLTA REDONDA 50.000
A srie especificativa quando o que varia a espcie do fenmeno e fixos so
os espaos geogrfico e o tempo, conforme se verifica no Quadro 3.






Estatstica
6
QUADRO 3 - Distribuio das Qualificaes Tcnicas - RJ - 1995
Qualificao Quantidade
ENGENHEIRO 25
ARQUITETO 11
ECONOMISTA 5
TECNICO 2 GRAU 38

A varivel a quantificar dever inicialmente ser classificada em categorias. A
escolha de quantidade e tipo de categorias arbitrria, depender do pesquisador.
Contudo, categorizar no to simples.
2.3 Nmeros Relativos
Os valores de uma srie de nmeros absolutos, resultantes de contagens, tero
maior significado se o tomarmos com referncia a outro valor, para comparao.
Portanto, para maior significao, os dados devero sofrer transformao em nmeros
relativos, o que possibilitar interpretaes comparativas.
Sero abordados aqui os nmeros relativos de maior significao na anlise de
projetos: o coeficiente, as percentagens e onmero-ndice. Este ltimo ser apresentado
no prximo sub-item.
Coeficientes ou Taxas - O coeficiente a razo entre o valor de uma varivel e outra
varivel, da mesma espcie, tomada como referncia, numa relao de parte para o todo.
Percentagem - Trata-se do nmero relativo mais empregado: expressa uma relao da
parte com o todo em base de 100. O Quadro 4 apresenta uma srie especificativa em
dados brutos e dados relativos.


QUADRO 4 - Distribuio das Vendas por Regio - 1996

Regio Vendas (un / ms) %
RJ 5.500 21,83
SP 8.200 32,54
MG 7.500 29,76
RS 4.000 15,87
Total 25.200 100,00


2.4 Medidas de Tendncia Central
As medidas de localizao central, tambm conhecidas como medidas de
posio, so valores que representam as tendncias de concentrao dos dados
observados. As medidas de posio mais comumente usadas em anlise de projetos so
a mdia aritmtica e a mdia ponderada. Cada uma apresenta suas vantagens e

Estatstica
7
desvantagens. A medida escolhida depende tanto da natureza dos dados estatsticos
como da finalidade a que se destina.
A Mdia. A mdia aritmtica muitas vezes chamada simplesmente mdia, e, assim
sendo, ser doravante denominada no presente texto. Seja x
1
, x
2
, ..., x
n
um conjunto de
nmeros reais. A mdia deste conjunto dada por:

(1)


A mdia , freqentemente, utilizada como medida de localizao central e,
como resultado disso, a maioria das pessoas est familiarizada com ela. Leva em conta
cada nmero do conjunto de observaes, com igual peso, e nica, no sentido de que
um dado conjunto de nmeros tem uma nica mdia.
A principal desvantagem da mdia que ela afetada por valores extremamente
grandes ou extremamente pequenos. Por isso, a mdia nem sempre a medida de
localizao central mais significativa. Essa desvantagem pode tornar-se sria, se
estivermos lidando com pequenos conjunto de nmeros.


A Mdia Ponderada. Na economia aplicada surgem muitas situaes em que se deseja
levar em conta a importncia relativa de diferentes quantidades ao se calcular uma
mdia. Seja x
1
, x
2
, ... x
n
um conjunto de nmeros e w
1
, w
2,
... w
n
um segundo
conjunto de nmeros denominados pesos (ou freqncias). Define-se a mdia ponderada
como:

(2)


A mdia ponderada muito utilizada em nmeros-ndices. A mdia aritmtica um
caso especial da mdia ponderada, em que todos os pesos so iguais a 1.

EXERCCIO RESOLVIDO N 01
Considere a renda anual de seis famlias, conforme mostra o quadro abaixo:
Pela expresso (28): x = (6000+5000+6000+8000+12000+47 000) / 6 = 14000 E
A renda mdia anual das cinco primeiras famlias de R$ 7.400, enquanto que
a renda mdia anual das seis famlias de R$ 14.000. Um nico dado - a renda
da famlia 6 - teve grande efeito na cifra mdia anual.
Famlia Renda (R$)
1 6.000
2 5.000
3 6.000
4 8.000
5 12.000
6 47.000

n
x = x
i
/ n
i=0
n n
Xw = wi xi / wi
i=0 i=0

Estatstica
8


Valor Esperado. Dada uma distribuio de probabilidades, o seu valor esperado nada
mais que a mdia ponderada da distribuio, cuja soma dos pesos igual unidade.
Assim, E(R) indica o valor esperado de R, P
k
a probabilidade de ocorrncia de cada
resultado e Rk representa o valor de cada resultado considerado.



(3)



2.5 Medidas de Disperso
As medidas de disperso de uma distribuio so valores que indicam o grau de
afastamento dos valores da varivel em relao mdia. As principais medidas de
disperso so: a amplitude total, a varincia e o desvio-padro.



Amplitude Total. A amplitude total (AT) de uma distribuio a diferena entre o
maior e o menor valor da varivel.

Varincia. A varincia de uma distribuio a mdia dos quadrados dos desvios. A
varincia de uma amostra representada por s
2
e constitui uma estimativa da varincia
da populao
2
. A varincia, que tambm podem ser representada por VAR,
calculada pela seguinte expresso:



(4)

EXERCCIO RESOLVIDO N 02
Considere a distribuio de pesos abaixo e encontre o valor da mdia ponderada:
Pela expresso (2):
xi
158 163 168 173 178
wi
4 10 15 9 6

X
w
= (158.4 + 163.10 + 168.15 + 173.9 + 178.6)/( 4+10+15+9+6)=168,34 E

EXERCCIO RESOLVIDO N 03
A amplitude AT da distribuio 2, 3, 5, 9, 11, 15, 17, 22, 25 igual a 23
(25 - 2 = 23) E
n
( x
i
- x )
2


i=1
s
2
=
n - 1

n
E(R) = R = Pk . Rk
i=0

Estatstica
9

Quando os valores esto agrupados em uma tabela de distribuio de freqncias, a
medio da varincia dada da seguinte forma:



(5)


No caso de uma distribuio de probabilidades, no estudo do risco de ativos, a frmula
da varincia a seguinte:

(6)


Desvio-Padro. O desvio-padro de uma distribuio a raiz quadrada positiva da
varincia. O desvio-padro da populao representado por e o desvio-padro da
amostra por s.


Coeficiente de Variao. Enquanto o desvio-padro mede o grau de disperso absoluto
dos valores em torno da mdia, o coeficiente de variao, geralmente expresso em
porcentagem, indica a disperso relativa, ou seja, a quantidade de desvios-padro por
unidade de mdia.

(7)



EXERCCIO RESOLVIDO N 04
Calcule a varincia e o desvio-padro da seguinte amostra: 7, 10, 12, 15, 16, 18,
20:
x = (7+10+12+15+16+18+20)/7 = 14;
Pela expresso (4):
Varincia:s
2
=[(7-14)
2
+ (10-14)
2
+ (12-14)
2
+ (15-14)
2
+ (16-14)
2
+ (18-14)
2
+
+ (20-14)
2
] / 6 = 21 E
Desvio-Padro: s = 4,58 E
n
( xi - x )
2
. fi
i=1
s
2
=
n - 1

CV = s / x
n

2
= P
k
. (R
k
. R)
2

k=1

Estatstica
10


2.6 Covarincia e Coeficiente de Correlao
As medidas estatsticas que refletem a variabilidade (grau de disperso) dos
valores individualmente em relao a sua mdia so o desvio-padro e a varincia.
(Assaf Neto, 1999)
Por outro lado, as medidas que objetivam relacionar duas variveis so a
covarincia e a correlao. A correlao ser tratada no prximo item.
A covarincia visa identificar como determinados valores se inter-relacionam.
basicamente uma medida que avalia como as variveis X e Y movimentam-se ao
mesmo tempo em relao a seus valores mdios, ou seja, como elas covariam.
Por exemplo, se dois ttulos apresentam associaes positivas (COV > 0),
admite-se que as taxas de retorno tm comportamento de mesma tendncia, ou seja, o
desempenho de um ttulo acompanha o outro. A valorizao de um ttulo reflete
tendncia tambm de valorizao em outro e vice-versa. Por outro lado, a covarincia
negativa (COV<0) se o retorno de um ttulo assumir o comportamento do outro.
A expresso de clculo da covarincia a seguinte, para sries associadas uma
distribuio de probabilidades. No caso de valores tabulados, o denominador ser igual
a (n 1):


(8)



Deve ser ressaltado no estudo da covarincia a dificuldade de interpretao de
seu resultado numrico, ficando sua avaliao mais centrada nas tendncias de seus
resultados. A anlise numrica da combinao entre valores desenvolvida pelo
coeficiente de correlao.



EXERCCIO RESOLVIDO N 05
Calcule a varincia, o desvio-padro e o coeficiente de variao da seguinte
situao de investimento:
Cenrio Retorno Probabilidade
RECESSO 7% 20%
ESTABILIDADE 16% 50%
CRESCIMENTO 20% 30%

E(R) = (7%0,20 + 16%0,50 + 20%0,30) = 15,4%; E
=[(7%-15,4%)
2
0,20+(16%-15,4%)
2
0,50+(20%-15,4%)
2
0,30]
1/2
= 4,54% E
CV = 4,54% / 15,4% = 0,295 E

(R
A
R
A
) (R
B
R
B
)
COV
A,B
=
n

Estatstica
11











2.7 Coeficiente de Correlao (Assaf Neto, 1999)


O conceito de correlao visa explicar o grau de relacionamento verificado no
comportamento de duas ou mais variveis. Quando se trata unicamente de duas
variveis, tem-se a correlao simples. Quando se relacionam mais de duas variveis,
tem-se a correlao mltipla. Neste item ser apresentado apenas a correlao simples,
ou seja, o relacionamento entre duas variveis.
A correlao entre duas variveis indica a maneira como elas se movem em
conjunto. A quantificao desse relacionamento obtida estatisticamente por meio do
coeficiente de correlao (r
x,y
ou
x,y
), que pode variar de +1 a 1.

(9)

Quando o coeficiente de correlao for igual a 1, diz-se que as variveis em
estudo esto inversamente correlacionadas, isto , quando a varivel Y diminui, a
varivel X tende a elevar-se, na mesma proporo. Quanto mais prximo de 1 situar-se
o coeficiente de correlao, mais negativa ser a correlao entre as variveis.
Quando o coeficiente de correlao for igual a +1, conclui-se que as variveis
em estudo apresentam-se perfeitamente correlacionadas, na mesma proporo, ou seja,
um crescimento de X leva tambm a um aumento correspondente de Y, e vice-versa.
Quanto mais prximo de +1 estiver o coeficiente de correlao, mais perfeita ser a
correlao positiva entre as variveis.
Podem ser encontradas, ainda, variveis que se comportam de maneira
totalmente independentes entre si, ou seja, sem relao alguma entre os valores. Neste
caso, o coeficiente de correlao igual a zero.
A frmula matemtica para o clculo do coeficiente de correlao a seguinte:


(10)


EXERCCIO RESOLVIDO N 06
Calcule a covarincia entre os ttulos abaixo:
Situao da Economia Retorno do Ttulo A Retorno do Ttulo B
(R
A
) (R
B
)
RECESSO -15% 20%
ESTABILIDADE 35% -15%
CRESCIMENTO 55% 10%

R
A
= (-15%+35%+55%) / 3 = 25% ; R
B
= (20%-15%+10%) / 3 = 5%
COVA,B = [(-15%-25%)(20%-5%) + (35%-25%)(-15%-5%) +
+ (55%-25%)(10%-5%)] / 3 = -6,5 (%
2
) COV
A,B
<0 E
-1
x,y
+1 ou -1 r
x,y
+1

n y
i
x
i
- y
i
x
i

rx,y =
[n xi
2
- ( xi )
2
] [n yi
2
- ( yi )
2
]

Estatstica
12

Em resumo, o valor de r, que sempre pertencer ao intervalo [-1;1], representa
uma medida de intensidade do inter-relacionamento entre duas variveis. Se r = 1, h
uma perfeita correlao positiva entre as variveis, isto , se os valores de uma varivel
aumentam (ou diminuem), em correspondncia os valores da outra varivel tambm
aumentam (ou diminuem) na mesma proporo. Se, por outro lado, r = -1, h uma
perfeita correlao negativa entre as variveis, ou seja, os valores de uma varivel
variam em proporo inversa aos valores de outra varivel. Se, entretanto, r = 0, no h
correlao entre as variveis. (Assaf Neto, 1999)
Pela expresso apresentada, pode-se determinar a covarincia de X e Y pelo
produto da correlao e desvio-padro das variveis, ou seja:

(11)

Nos estudos de risco de carteiras dada preferncia seguinte expresso para o
clculo do coeficiente de correlao:

(12)


2.7 Regresso Linear (Merril e Fox, 1980)
Entre os mtodos estatsticos que tm larga aplicao prtica em projees de
sries histricas acham-se a anlise de regresso linear e a correlao. Na economia, a
tcnica bsica para medir ou estimar relaes entre variveis econmicas que
constituem a essncia da teoria econmica e da vida econmica. Na anlise de projetos
uma das tcnicas utilizadas para projeo de elementos de um fluxo de caixa, tais
como: demanda, custos etc. Neste item sero discutidas as tcnicas de regresso linear
que envolvem duas variveis.
O propsito fundamental da anlise de regresso linear estimar a relao entre
duas variveis x e y. Os economistas tm interesse nessa relao estimada para fins de
predio ou previso.
Suponha-se, por exemplo, que haja o interesse em estudar as quantidades
demandadas de um determinado produto de certo projeto, ao longo do tempo. As
quantidades so as variveis dependentes dos anos, que so as variveis independentes.
impossvel estimar-se a relao entre duas variveis sem primeiro fazer certas
hipteses sobre a forma da relao, que, no presente caso, ser baseada nas funes
lineares.
As funes lineares tm grande importncia na economia, porque so
relativamente fceis de manejar e podem ser, freqentemente, usadas para aproximar
funes no-lineares. A Figura 8 ilustra a representao geomtrica de uma funo
linear, que, algebricamente, tm a seguinte forma:
COVx,y = rx,y . sx . sy
r
x,y
= COV
x,y
/ s
x
. s
y

Estatstica
13

y = + .x (13)

onde e so constantes. A constante chamada coeficiente linear. A constante
o coeficiente angular.

y
i


Y = + .X



x
i


FIGURA 1 - Diagrama de Disperso e Reta Ajustada
Os pontos do diagrama da Figura 1 distribuem-se de forma que se pode ajustar a
eles uma reta. A equao dessa reta constitui a regresso dos y sobre x.
O problema consiste em estimar os parmetros a e b da equao de regresso.
Para todos os pontos possveis (x,y) existe uma reta de regressoy = + .x.
Atravs de uma amostra, obter-se- uma estimativa da verdadeira equao de
regresso, a partir da seguinte expresso:

(14)
onde y
i
o y
i
estimado para x
i
e a e b as estimativas de e , respectivamente.
Com os parmetros estimados, a equao de regresso permite se fazer previses
sobre a varivel y para dados valores de x. Entretanto, no se recomenda estimar y para
valores de x muito afastados do intervalo dos x
i
observados na amostra.
Um dos mtodos mais simples para o clculo das estimativas dos parmetros a e
b o dos mnimos quadrados, cujas expresses so as seguintes:


(15)



(16)

(17)
n yi xi - yi xi
b =
n x
i
2
- ( x
i
)
2

a = y
i
/ n - b . x
i
/ n
b = COV
x,y
/ VAR
x

y
i
= a + b.x
i


Estatstica
14

A qualidade da regresso realizada pode ser verificada pelo coeficiente de
determinao (R
2
), que uma medida estatstica que define a porcentagem de Y
(varivel dependente) que pode ser identificada pela equao de regresso linear. A
partir de R
2
possvel avaliar se os valores de X permitem, ou no, proceder a uma boa
estimativa de Y.
O valor de R
2
varia de 0 a 1. Quanto mais prximo de 1, melhor se revela o
ajustamento da reta de regresso aos valores.
O coeficiente de determinao R
2
, tambm chamado de coeficiente de
explicao, pode ser calculado a partir do coeficiente de correlao linear rx,y, mostrado
anteriormente. A frmula matemtica a seguinte:
(18)



2.8 Distribuio Normal (Guerra e Donaire, 1982)
Dada uma experincia aleatria, pode -se sempre associar a seus resultados
(eventos) mutuamente exclusivos uma probabilidade. claro que esses resultados
podem ser expressos sempre numericamente, mesmo quando tm natureza qualitativa.
Assim, pode-se considerar uma varivel x, que assume um valor numrico cada vez que
ocorre um evento. A esta grandeza numrica, que assume diferentes valores, estando
cada um destes valores associado a uma certa probabilidade, d-se o nome de varivel
aleatria.
EXERCCIO RESOLVIDO N 07
A srie histrica abaixo mostra, para o perodo 1991-1995, as quantidades
vendidas de um determinado produto e seus respectivos preos unitrios de
mercado. Realize uma regresso linear da varivel Vendas sobre a varivel
Preo e verifique se h correlao entre elas. Faa tambm uma projeo das
vendas para quando o preo atingir R$24,00.
Ano 1991 1992 1993 1994 1995
Vendas (un/ano)

1200 1450 1370 1520 1600
Preo (R$/un) 30,00 27,50 28,30 25,80 25,00
A partir das expresses (16) e (17), considerando que x
i
a varivel Preo:
xi = 136,60; yi = 7.140; xi
2
= 3.747,78; yi
2
= 10.289.800;
yi xi = 193.862; n = 5
b = -75,80; a = 3.498,87 y
i
= 3.498,87 75,80 . x
i

R
2
= 97,12% % E
A partir da expresso (18) pode-se verificar a correlao entre as variveis:
r = -0,9855 existe uma forte correlao negativa entre as variveis E
R
2
= (r
x,y
)
2

Estatstica
15
Chama-se de funo de probabilidade funo P(x) que associa as
probabilidades aos valores da varivel. Evidentemente, devido ao aspecto aleatrio da
experincia, os resultados, e por conseguinte os valores da varivel, so imprevisveis.
A varivel aleatria dita discreta quando pode assumir, com probabilidade
diferente de zero, um nmero finito de valores dentro de um intervalo finito (caso tpico
das contagens). Por outro lado, a varivel dita contnua quando pode assumir infinitos
valores dentro de um intervalo finito (caso tpico das medies).
As variveis observadas na prtica so, quase sempre, resultado da soma de
inmeras outras variveis aleatrias independentes. Assim, por exemplo: o tempo gasto
numa operao industrial a soma dos tempos dispendidos nos diversos estgios de que
se compe a operao; as caractersticas biolgicas de indivduos a soma das
hereditariedades de seus ancestrais; etc.
Tais variveis produzem um distribuio que, por ser muito freqentemente
encontrada na prtica, denominada distribuio normal. Muitas variveis aleatrias
que, embora no tenham distribuio normal, tm uma distribuio bastante aparentada
com a normal e sero ento consideradas como uma aproximao para a normal.
A varivel aleatria x, que toma todos os valores reais - < x < + , tm uma
distribuio normal se sua funo de probabilidade for da forma:

-(x - )
2

2
2

f(x) = 1 e (19)
2

onde: a mdia da distribuio e o desvio-padro da distribuio.
Os parmetros e devem satisfazer s condies: - < < + e > 0.
Utiliza-se a seguinte notao para a varivel x que tem distribuio normal:

d

X = N ( ,
2
) (20)

A curva dessa funo densidade de probabilidade tem um aspecto de sino e
chamada curva de Gauss, conforme mostra a figura 2.







FIGURA 2: Curva de Gauss
f(x)








Estatstica
16

Nas anlises de projetos, relativas a contribuies em um fluxo de caixa, ser
adotada a hiptese simplificada pela qual o valor e o sinal de cada contribuio so
independentes dos valores e sinais das outras contribuies do mesmo fluxo de caixa.
Tal hiptese traduz uma situao que, com freqncia, existe entre tais contribuies,
pois, de forma geral, as variveis receitas e despesas, em cada perodo de um fluxo de
caixa, no apresentam relaes de dependncia com outras variveis, receitas e
despesas, dos outros perodos. Tais variveis, sendo independentes, podem ser
consideradas aleatrias e constituem uma distribuio normal de freqncias de
ocorrncias. (Hirschfeld, 1984)
Assim, considera-se que a curva de distribuio de freqncias de ocorrncias
das variveis analisadas no fluxo de caixa seja aproximadamente normal, de modo que
todas as frmulas relativas distribuio normal possam ser aplicadas.
Para cada contribuio do fluxo de caixa, pode-se calcular um valor mdio, ou
seja, o valor esperado E
i
, tomando-se em considerao as vrias probabilidades
associadas aos valores das estimativas, conforme a expresso:

n

E
i
= P
in
. F
in
(21)


i


onde E
i
corresponde aos valores esperados (mdias) relativos s vrias estimativas e
respectivas probabilidades de ocorrncia em cada perodo i; P
in
indica as probabilidades
de ocorrncia das n estimativas de cada contribuio em cada perodo i; e F
in
representa
os valores das vrias n estimativas de cada contribuio em cada perodo i.
A varincia
i
2
do valor esperado, de cada contribuio do fluxo de caixa,
representa a incerteza associada ao grau de disperso da distribuio das freqncias de
ocorrncia. Tal varincia dada pela seguinte expresso:
n
i
2
= Pin . (Fin - Ei )
2
(22)

i


onde i
2
corresponde varincia relativa aos valores esperados de cada contribuio
do fluxo de caixa.
O desvio-padro i do valor esperado de cada contribuio do fluxo de caixa,
sendo a raiz quadrada da varincia, representa tambm a incerteza, bem como o grau de
disperso da distribuio das freqncias de ocorrncias.
Na anlise de projetos, considerando-se que as contribuies do fluxo de caixa
so variveis independentes e em grande nmero, utiliza-se as propriedades da Lei
Normal para a distribuio de freqncias de ocorrncias. Assim, a distribuio normal
ser vlida em virtude das aproximaes supostas serem satisfatrias para a preciso
desejada.


Estatstica
17
No caso do estudo da probabilidade da viabilidade de um projeto de
investimento, calcula-se o VPL dos vrios valores esperados, obtendo-se o valor
esperado do VPL, representado por E(VPL) , alm da varincia e do desvio-padro do
VPL, conforme as expresses abaixo:

(23)



(24)





(25)


(26)

O clculo da varincia e do desvio-padro somente deve ser feito pela expresso
(24) para fluxos de caixas independentes em relao ao tempo. No caso de fluxos de
caixa com perfeita correlao no tempo, deve-se utilizar a expresso (25).
Supondo-se que a distribuio dos VPL seja aproximadamente normal, pode -se
aplicar as propriedades da distribuio normal e calcular a rea sob a curva normal
padro que corresponde probabilidade de viabilidade e de inviabilidade do
empreendimento, em condies de risco.
A curva normal originalmente concebida caracteriza -se por ter uma mdia e
um desvio-padro maior que zero. Como objetiva-se a obteno de uma
probabilidade referente a uma varivel x relacionada a uma curva normal, e as
propriedades tabeladas so referentes a variveis z relacionadas a uma curva normal
padro, deve-se proceder a transformao da curva normal obtida em uma curva normal
padro, em que a mdia igual a zero e o desvio-padro equivale unidade.
Para tal finalidade, utiliza-se uma tabela de probabilidade, funo de uma
varivel z do eixo horizontal relacionado a uma curva normal caracterstica, chamada
curva normal padro. Esta curva caracterizada pela mdia = 0 e pelo desvio-padro
= 1, e simbolicamente representada por N(0,1).
A partir de uma transformao matemtica, adota-se uma nova distribuio
normal, cuja mdia igual a zero e a varincia
2
igual unidade, isto :
(27)



onde: (28)
(VPL) =
2
(VPL)
n
(VPL) =
k
. (1 + i)
k


k=0

n
E(VPL) = E
i
. (1 + i)
-k


k=0
n

2
(VPL) =
i
2
. (1 + i)
2k

k=0

z = N (0, 1)
d

z = (x - ) /


Estatstica
18

A varivel aleatria desta distribuio dita varivel reduzida ou padronizada
(ou score reduzido). Isto consiste, basicamente, em se fazer uma translao do eixo
das ordenadas, mudando-se a origem do eixo das abcissas para x = .
Como a expresso da funo distribuio depende de e , alm da varivel x,
este fato acarreta num grande trabalho para elaborao de uma tabela. Isto pode ser
solucionado ao se trabalhar com a varivel reduzida, pois a expresso de sua funo
distribuio independe de e . Alm disso, como a curva simtrica em relao a x =
(ou z = 0), basta tabelar apenas metade da distribuio.
Embora possam ser construdas tabelas de vrios tipos, aqui ser apresentada
apenas a mais comum, que fornece uma faixa central (vide quadro 5). Assim, para cada
valor de z
i
, basta procurar na tabela do quadro 5 como se fosse positivo e trocar o sinal
encontrado. Da: F(x) = 0,5 (valor tabelado).
A rea hachurada da figura 3 corresponde a: P(0 z z
0
) = F(z
0
) - 0,5.







FIGURA 3: Curva Normal Reduzida

No caso especfico da anlise de projetos, da distribuio normal dos VPL, a
mdia E(VPL) e o desvio-padro (VPL). Como se objetiva o clculo da
probabilidade de inviabilidade do empreendimento, considera-se o valor mnimo de x
como sendo igual a zero, pois abaixo de zero o projeto no vivel. Nestas condies, a
expresso (28) passa a ter a seguinte forma:

(29)

A partir da obteno do valor z, entra-se na tabela do quadro 5, de
probabilidades sob a curva da distribuio normal padro. Como a curva normal
simtrica em relao a um eixo central, os valores tabelados analisam um ramo da curva
(probabilidade mxima igual a 0,5), assumindo-se os valores de z um valor absoluto e
interpretando-se os resultados conforme o sinal e o valor.
Desta forma, a probabilidade de viabilidade de uma projeto ser igual a:

(30)
f(x) f(z)






x=0 x = x
z = 0 z
0
z
P (viabilidade) = 1 - P(inviabilidade)
z = [0 - E(VPL)] / (VPL)

Estatstica
19
EXERCCIO RESOLVIDO N 08
Considere que o ativo X apresenta as rentabilidades esperadas de 10%, 15% e 18%,
respectivamente, com as probabilidades para os cenrios de recesso (20%),
estabilidade (50%) e crescimento (30%) da economia. Calcule a probabilidade deste
ativo apresentar um retorno acima de 16%.
Retorno Esperado do Ativo X: E(R) = 10%0,20+15%0,50+18%0,30=14,9%
Desvio-Padro:
(R) = [0,20 (10-14,9)
2
+0,50(15-14,9)
2
+0,30 (18-14,9)
2
]
1/2
= 2,77%
Clculo de z: z = (16-14,9) / 2,77 = 0,40 tabela 0,1554
P(R16%) = 0,5000 0,1554 = 0,3446 34,36% E


Estatstica
20



QUADRO 5: Probabilidades sob a Curva da Distribuio Normal Reduzida





VALORES DE F(x) - F() = F(x) 0,5 NA DISTRIBUIO NORMAL
z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,3 0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,4 0,1554 0,1591 0,1628 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0,5 0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,6 0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0,7 0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,8 0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
0,9 0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389
1,0 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
1,2 0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1,3 0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1,4 0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1,5 0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
1,7 0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,8 0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
1,9 0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767
2,0 0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
2,1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857
2,2 0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890
2,3 0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
2,4 0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936
2,5 0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
2,6 0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964
2,7 0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974
2,8 0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981
2,9 0,4981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986
3,0 0,4987 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990 0,4990
3,1 0,4990 0,4991 0,4991 0,4991 0,4992 0,4992 0,4992 0,4992 0,4993 0,4993
3,2 0,4993 0,4993 0,4994 0,4994 0,4994 0,4994 0,4994 0,4995 0,4995 0,4995
3,3 0,4995 0,4995 0,4995 0,4996 0,4996 0,4996 0,4996 0,4996 0,4996 0,4997
3,4 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4998
3,5 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998
3,6 0,4998 0,4998 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,7 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,8 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,9 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000
4,0 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000





F(x
i
)-F( )



0 z
x
i
- (x)
(x)
zi =

Estatstica
21
2.9 Anlise de Sensibilidade
Dentre todas as tcnicas disponveis para a anlise de risco e incerteza
associada a projetos de investimento, a mais usualmente utilizada a Anlise de
Sensibilidade. (Abreu e Stephan, 1982)
A anlise de sensibilidade tem por finalidade auxiliar a tomada de deciso, a
partir do efeito pr oduzido, na rentabilidade do projeto por variaes nos valores de seus
parmetros componentes.
Quando uma pequena mudana no valor de uma estimativa resulta em
mudana na escolha da alternativa ou rejeio de um projeto, diz-se que a deciso
sensvel quela estimativa.
A sensibilidade da soluo pode ser examinada para inmeras variveis, tais
como: taxa de desconto, preo de venda, vida do projeto, valor do investimento, custos
operacionais etc.
A variao de valores para todas as variveis de uma projeto proporcionaria
uma infinidade de combinaes, apresentando resultados diferentes que, provavelmente,
levaria qualquer analista a perder sua capacidade de crtica sobre o investimento. Assim,
na prtica, conveniente escolher-se algumas variveis mais sensveis e analisar a
rentabilidade do empreendimento, mudando uma de cada vez. (Oliveira, 1982)
De forma genrica, a anlise de sensibilidade procura responder a perguntas do
tipo: o que aconteceria na alternativa de um projeto caso fosse variado um determinado
parmetro em seu fluxo de caixa? (Woiler e Mathias, 1987)



Outrossim, a anlise de sensibilidade pode ser tratada sob outro enfoque, de
forma que se possa medir em que magnitude uma alterao pr-fixada, em um ou mais
fatores do projeto, altera o resultado final. (Woiler e Mathias, 1987)







EXERCCIO RESOLVIDO N 09
Imagina-se que o VPL de um fluxo de caixa de um certo projeto seja igual a
R$14.000 e que sua vida til seja igual a 10 anos. Caso esta vida til seja
alterada de 10%, ou seja, passe de 10 para 11 anos, e os demais componentes
do fluxo de caixa permaneam constantes, o VPL deste projeto passaria de
R$14.000 para R$17.500, confirmando a sua viabilidade econmica. Diz-se,
portanto, que o projeto no sensvel variao procedida. Por outro lado, se
a mesma vida til variasse de 10 para 5 anos, o VPL assumiria o valor
negativo de R$1.000, inviabilizando, agora, o projeto. Desta forma, o projeto
pode ser considerado sensvel alterao proposta.


Estatstica
22




2.10 Simulao de Risco
Simulao a representao dinmica de um sistema mediante um modelo.
Trata-se de uma tcnica que consiste em realizar um modelo da situao real e nele
levar a cabo experincias. Por sistemas entende-se um conjunto de componentes e
variaes que se inter-relacionam, formando um corpo nico. Quando um modelo
elaborado, deve-se na medida do possvel, tentar retratar a realidade, sem sua
complexidade e reduzida a propores manejveis. Torna-se, portanto, vivel ao
analista avaliar em que propores e em que sentido ser afetado o sistema, em se
alterando algumas de suas variveis. Assim, a simulao dos dados permite o clculo de
diferentes combinaes que probabilisticamente podem ocorrer. Como resultado,
obtm-se no um ndice, mas sim uma distribuio de freqncias do mesmo.
Os modelos de simulao so classificados normalmente como: determinsticos,
estocsticos, estticos e dinmicos. No presente trabalho ser estudado o modelo
estocstico ou probabilstico, conforme ficar claro a seguir.
A grande vantagem da simulao estocstica que ela permite informar
adicionalmente que a rentabilidade do projeto poder variar num certo intervalo, que
inclui o valor mais provvel, segundo uma distribuio de probabilidade. Assim, mais
fcil se avaliar as chances de insucesso de um empreendimento, bem como comparar
alternativas, no apenas com base nos valores mais provveis, mas se considerando
tambm a variedade de seu retorno.
Uma das principais metodologias de anlise de risco por simulao baseada no
trabalho de David B. Hertz, intitulado Risk Analysis in Capital Expenditure Decisions ,
que se divide em quatro fases, conforme segue: (Oliveira, 1982)
EXERCCIO RESOLVIDO N 10
Proceda uma variao de 10% no valor do investimento do fluxo de caixa
abaixo, para que a sensibilidade do projeto possa ser observada, a partir da
TIR.
ANO 0 1 2
2
3
FLUXO (R$) -100.000 50.000 60.000 65.000
Inicialmente, calcula-se a TIR para a situao original e, em seguida,
calcula -se a TIR para o caso dos valores do investimento alterados. Assim,
pode-se observar que a variao da TIR mais do que proporcional
variao provocada no investimento, conforme os resultados mostrados no
quadro abaixo:
INVESTIMENTO TIR (% a.a.) %
+ 10 % 25,98 - 20
INICIAL 32,40 -
- 10 % 40,01 + 23

Estatstica
23
1) Estimar o intervalo de variao possvel para cada varivel que influencia
o fluxo de caixa do projeto. Estabelecer uma distribuio de
probabilidades correspondente e transform-la numa distribuio de
probabilidades acumulada. Estas estimativas devem ser efetuadas para o
preo de venda, valor do investimento, taxa de crescimento do mercado,
vida do projeto etc;
2) Selecionar, ao acaso, valores para cada varivel, de acordo com suas
probabilidades de ocorrncia, e calcular o VPL, TIR, ou outro indicador
qualquer, para cada combinao de valores obtida. Se houver
dependncia entre variveis, esse fato deve ser considerado de forma a
existir a correspondncia entre os valores selecionados;
3) Efetuar esta operao repetidas vezes at obter uma distribuio de
probabilidades do retorno do projeto;
4) Acumular a distribuio de probabilidade do retorno para se ter uma
melhor viso do comportamento da curva. Em alguns casos pode ser
interessante calcular a mdia e o desvio-padro, principalmente para
auxiliar na comparao entre alternativas, pois s vezes, pode ser
prefervel escolher uma alternativa de retorno inferior, porm de menor
variabilidade.

Cabe ressaltar que a metodologia descrita acima utiliza o mtodo Monte Carlo
(Shamblin e Stevens, 1979), que um mtodo de simulao baseado na utilizao de
nmeros aleatrios, que so sorteados para gerar resultados e as distribuies de
probabilidades correspondentes. Alm disso, evidente que a simulao Monte Carlo
somente deve ser praticada com utilizao do computador, pois, caso contrrio, a
maioria dos modelos com este tipo de simulaes teria sua execuo impraticvel.
A seguir, ser apresentado uma aplicao do mtodo Monte Carlo em anlise
de projetos de investimento: (Abreu e Sthepan, 1982)
Uma fbrica de camisas est considerando a compra de um novo equipamento
de costuras, cuja instalao permitir melhorar sensivelmente seu processo de produo
e, conseqentemente, aumentar a produo, bem como baratear os custos unitrios de
produo. O projeto apresentado estima o equipamento em R$ 20.000, mas a
experincia passada mostra que o custo real do investimento pode variar sensivelmente
em torno desse valor, tanto para maior quanto para menor. Alm disso, o nvel de
produo suplementar P depender essencialmente do nve l de demanda D. Embora as
previses de venda sejam bastante favorveis, as variaes possveis no nvel de
demanda podem afetar de modo significativo o resultado final. E a estimativa do novo
custo unitrio C um parmetro que tambm pode variar em propor es importantes.
Para simplificar, ser considerado um horizonte de estudo de 2 anos, ao final
dos quais a mquina ter um valor residual VR igual metade do investimento inicial.
O custo do capital da empresa de 15% ao ano e o preo unitrio de venda Pu das
camisas ao comrcio de R$ 1.
Para o gerente financeiro, o problema se resume na determinao do VPL,
calculado, para este caso, pela seguinte expresso:


Estatstica
24


(31)

Nessa expresso, as variveis aleatrias so I, D
1
, C
2
, D
2
e C
2
, alm de VR
que depende do valor de I.
A partir de estudos estatsticos, foram estimadas distribuies de
probabilidades para cada uma das variveis aleatrias, conforme mostrado abaixo:

Investimento Demanda
Ano1
Demanda
Ano2
Custo Unit
Ano1
Custo Unit
Ano2
I D1 D2 C1 C2
R$ % UN % UN % R$ % R$ %
18.000 5 22.000 5 21.000 5 0,48 10 0,47 10
19.000 10 25.000 10 23.000 5 0,49 20 0,48 20
20.000 35 28.000 30 27.000 10 0,50 40 0,49 30
21.000 25 30.000 40 31.000 30 0,51 20 0,50 30
22.000 15 32.000 10 32.000 20 0,52 10 0,51 10
23.000 10 33.000 5 33.000 20
34.000 10

Os valores escolhidos so considerados como representativos do intervalo de
classe ao qual pertencem e representam o valor mdio de cada intervalo. Assim, I =
20.000 considerado como representando todos os valores entre 19.500 e 20.500. Se a
aproximao for muito grande, a nica mudana a ser introduzida reduzir o intervalo
entre as classes.
Uma vez determinadas as classes e as probabilidades, o trabalho de simulao
pode comear. A idia bsica associar a cada probabilidade um nmero de 00 a 99, de
modo a representar fisicamente a distribuio de probabilidade. Assim, para o
primeiro nvel do valor do investimento, 18.000, que tem probabilidade de 5%, sero
associados os 5 primeiros nmeros dos 100 (00 a 99) utilizados, ou seja de 00 a 04. Para
o segundo nvel, 19.000, sero associados os valores 06 a 14. Esses 10 valores
representam os 10% de probabilidade de ocorrncia de 19.000, e assim por diante at
completar os 100% de distribuio. Este processo repetido para cada varivel e o
quadro abaixo apresenta os nmeros associados s probabilidades, que so chamados de
nmeros de Monte Carlo.
Pode-se, agora, gerar 5 nmeros aleatrios por intermdio do computador ou
com o auxlio de tabelas existentes. Supondo-se que os 5 primeiros nmeros aleatrios
gerados foram 15,47, 38, 52 e 60, tem-se a seguinte combinao: I = 20.000; D1 =
30.000; D
2
= 31.000; C
1
= 0,50; C
2
= 0,50. Tais dados permitem o clculo do VPL desse
evento, a partir da expresso (47), lembrando que o preo de venda P igual a R$ 1 e
que o valor residual VR equivale metade do investimento I: VPL = 12.325.
I + D1 (P - C1 ) + D2(P - C2) + VR
(1 + i) (1 + i)
2
(1 + i)
2


VPL =

Estatstica
25


Investimento Demanda Ano1 Demanda Ano2 Custo Unit
Ano1
Custo Unit
Ano2
I D
1
D
2
C
1
C
2

R$ N.A. UN N. A. UN N.A. R$ N.A. R$ N.A.
18.000 00-04 22.000 00-04 21.000 00-04 0,48 00-09 0,47 00-09
19.000 05-14 25.000 05-14 23.000 05-09 0,49 10-29 0,48 10-29
20.000 15-49 28.000 15-44 27.000 10-19 0,50 30-69 0,49 30-59
21.000 50-74 30.000 45-84 31.000 20-49 0,51 70-89 0,50 60-89
22.000 75-89 32.000 85-94 32.000 50-69 0,52 90-99 0,51 90-99
23.000 90-99 33.000 95-99 33.000 70-89
34.000 90-99

Anota-se este resultado e retorna-se ao processo at que seja obtido um grande
nmero de valores de VPL. Com uso do computador, isto pode ser processado muito
rapidamente e sries de mais de 1.000 valores podem ser obtidos em pouco tempo. Na
realidade, no preciso repetir o processo muito mais do que isso, j que depois de um
certo tempo as freqncias tendem a se estabilizar e as modificaes que ocorram s
afetam marginalmente a distribuio de probabilidades. Em 1.000 simulaes, foram
obtidos os VPL e suas respectivas freqncias:
Valor Mnimo
(R$)
Valor Mximo
(R$)
Freqncia Percentual
(%)
2.000,00 4.000,00 1 0,1
4.000,01 6.000,00 9 0,9
6.000.01 8.000,00 33 3,3
8.000,01 10.000,00 134 13,4
10.000,01 12.000,00 348 34,8
12.000,01 14.000,00 409 40,9
14.000,01 16.000,00 64 6,4
16.000,01 18.000,00 2 0,2

Com esses valores pode-se calcular o VPL esperado, tomando como valor
representativo de cada classe de intervalo o valor mdio (R$.10
3
):
E(VPL) = 3 (0,001) + 5 (0,009) + 7 (0,033) + 9 (0,134) + 11(0,348) + 13 (0,409) +
15 (0,064) + 17 (0,002) = 11,624 E
Assim, o VPL esperado corresponde a R$ 11.624 e o analista pode analisar as
diversas probabilidades do projeto ser vivel economicamente, a partir da curva de
distribuio cumulativa.



Estatstica
26
2.11 Exerccios Propostos

2.11.1 Utilize os mtodos da estatstica descritiva para resumir os dados da
amostra de 50 preos do produto X, mostrados no quadro abaixo,
conforme segue: (a) as distribuies de freqncia, simples, acumulada e
relativa; (b) o histograma e/ou o polgono de freqncia; (c) as medidas de
tendncia central e de disperso; (d) o coeficiente de variao.
Moeda: R$
17.50 17.60 20.30 15.08 22.87
15.15 20.60 23.76 20.48 18.16
14.75 21.58 22.57 16.28 25.96
15.10 16.09 16.24 15.57 21.07
18.81 12.67 16.13 16.93 25.38
11.85 14.67 14.44 17.17 18.11
17.41 18.64 13.79 11.54 19.21
11.77 17.59 19. 78 13.09 21.74
12.07 13.14 12.35 16.69 10.58
19.00 21.11 12.63 17.02 19.78
Resp.:

2.11.2 Numa distribuio normal x, a probabilidade de valores maiores de 40
11% e de valores menores de 22 32%. Qual a probabilidade de 20 < x <
36 ?
Resp.:

2.11.3 Uma amostra de 100 elementos de uma varivel normalmente distribuda
forneceu x = 30 e s = 6,1. Determinar limites de confiana de 95% para .
Resp.:

2.11.4 Estabelecer limites de confiana para , no nvel de 95%, sendo que uma
amostra de tamanho 25 forneceu mdia igual a 128 e desvio-padro igual
a 11,4.
Resp.:








Estatstica
27
2.11.5 Um estudo da variao da demanda do produto ABC (y
i
) em relao
variao do seu preo de venda (x
i
), chegou aos valores do quadro abaixo.
Pede-se:
a) estabelecer a equao de regresso de y sobre x e o coef. de explicao;
b) estimar y para x = 5,00 e para x = 7,00;
c) determinar o coef. de correlao e a covarincia entre as variveis.
Xi 3,20 3,95 4,11 4,58 4,95 5,50 5,95 6,40
Y
i
850 810 800 780 725 650 630 600
Resp.:

2.11.6 A rentabilidade para o prximo ano de uma determinada aplicao
financeira foi definida por analistas de mercado com base em 3 cenrios:
recesso, estabilidade e crescimento; cujas probabilidades de ocorrncia
atribudas so, respectivamente, 35%, 45% e 20%. As rentabilidades
estimadas, para cada cenrio proposto, so, respectivamente, de 14%,
20% e 30%. Determine a probabilidade da rentabilidade da aplicao em
questo ser maior que 22%.
Resp.:

2.11.7 Uma amostra de 100 elementos de uma populao normalmente
distribuda forneceu, no nvel de 90%, a estimativa 80< <88. Se a amostra
fosse de 20 elementos, qual seria a estimativa?
Resp.:

2.11.8 Os dados abaixo referem-se a uma amostra das taxas de juros praticadas
no mercado financeiro para financiamento de veculos, coletadas em 18
concessionrias de veculos, de forma a subsidiar uma anlise de mercado.
Taxas de Juros (% a.m.)
1,70 1,81 1,92 1,74 1,72 1,79
1,85 1,90 1,88 1,81 1,77 1,82
1,96 1,86 1,93 1,71 1,80 1,78

Calcule:
a) A probabilidade de se conseguir uma taxa abaixo de 1,75 % a.m.;
b) O intervalo de confiana para , no nvel de 95%;
Resp.:




Estatstica
28
2.11.9 Considerando-se que as amostras de taxas de juros anuais abaixo
foram retiradas de 3 carteiras de investimento, pede-se determinar qual
a carteira de maior risco.
Amostra 1 Amostra 2 Amostra 3
Classes Freqncias Classes Freqncias Classes Freqncias
6 12 2 5 10 2 2 8 1
12 18 6 10 15 7 8 14 7
18 24 4 15 20 3 14 20 4
Resp.:

2.11.10 Abaixo se encontram os dados relativos s taxas anuais de
rentabilidade de um certo fundo de aes e do Bovespa:
Ano 1994 1995 1996 1997 1998 1999
Bovespa 5% 8% 2% 12% 8% 10%
Taxa 8% 10% 12% 9% 7% 11%
Pede-se:
a) Ajustar uma reta;
b) Ajustar uma funo exponencial;
c) Calcular os coeficientes de explicao;
d) Projetar a taxa para 2000;
e) Construir o intervalo de confiana da projeo, para =5%.
Resp.:

2.11.11 A tabela abaixo indica o lucro lquido de uma empresa, em milhes de
reais, no perodo 1992/1997.
Ano 1992 1993 1994 1995 1996 1997
Lucro 20 30 38 52 58 72
Pede-se:
a) Ajustar uma reta aos dados;
b) Calcular o coeficiente de explicao para a reta;
c) Estimar o lucro para 1998
d) Construir o intervalo de confiana para a estimativa acima =5%.
Resp.:







Estatstica
29

2.11.12 Considere que as aes X, Y e Z tenham como parmetros de retorno
esperado, de risco e de correlao de retornos os valores mostrados no
quadro abaixo:
AES RETORNO DESVIO COEFICIENTES DE CORRELAO
ESPERADO PADRO
A B C
X 18% 8% 1,00 0,75 0,44
Y 22% 11% 0,75 1,00 0,68
Z 15% 4% 0,44 0,68 1,00

Supondo que voc construa uma carteira de risco com os trs ativos
acima, cujas participaes na na qual os dois primeiros participam com
40% cada um, calcule a probabilidade de que o retorno esperado da
carteira seja positivo, considerando-se que os retornos das aes tenham
distribuio normal.
Resp.:

2.11.13 Com base nos possveis cenrios criados para o retorno esperado de um
determinado ativo financeiro, para o prximo ano, mostrados no quadro
abaixo, calcule a probabilidade do retorno ser superior a 21%.
Cenrios Probabilidade de Retorno Esperado
Possveis Ocorrncia
CRESCIMENTO 15% 27%
ESTABILIDADE 60% 16%
RECESSO 25% 9%
Resp.:

2.11.14 A empresa Alfa pretende abrir uma filial numa outra cidade. O
investimento estimado para este projeto de R$ 2.200.000,00 e o fluxo de
caixa lquido anual projetado para os prximos 10 anos, aps os impostos,
de R$ 700.000,00. Todavia, como existem incertezas quanto
performance futura da empresa, a diretoria estabeleceu cenrios
probabilsticos para estudar a viabilidade do investimento em questo,
conforme mostra o quadro abaixo. Sabendo-se que a T.M.A. da empresa
Alfa de 15% ao ano, calcule a probabilidade de sucesso deste projeto,
considerando que os fluxos de caixa apresentam perfeita correlao
temporal.
Moeda: R$
Cenrio Pessimista Esperado Otimista
20% 50% 30%
Investimento 2.500.000 4.000.000 6.000.000
Fluxo de Caixa Anual 1.000.000 1.500.000 2.250.000
Resp.:

Estatstica
30

2.11 Referncias Bibliogrficas
ABREU, P. F. S. P. e STEPHAN, C., Anlise de Investimentos , Rio de Janeiro,
Editora Campus, , 1982.
ANDERSON, D. R., SWEENEY, D. J. and WILLIANS, T. A., Statistics for Business
and Economics, U.S.A., South-Western College Publishing, 1999.
ASSAF NETO, A., Mercado Financeiro, So Paulo, Editora Atlas, 1999.
COSTA, P. H. S. e ATTIE, E. V., Anlise de Projetos de Investimento, Rio de
Janeiro, Fundao Getlio Vargas, 1990.
DOWNING, D. e JEFFREY, C., Estatstica Aplicada, Rio de Janeiro, Saraiva, 1998.
GUERRA, M. J. e DONAIRE, D., Estatstica Indutiva, So Paulo, Liv. Cincia e
Tecnologia, 1982.
HIRSCHFELD, H., Engenharia Econmica, So Paulo, Atlas, 1984.
LAPPONI, J. C., Estatstica Usando EXCEL, So Paulo, Lapponi Treinamento e
Editora, 1997.
MERRILL, W. C. e FOX, K. A., Estatstica Econmica: Uma Introduo, So Paulo,
Editora Atlas, 1980.
OLDCORN, R. e PARKER, D., Deciso Estratgica para Investidores, So Paulo,
Editora Nobel, 1998.
OLIVEIRA, J. A. N., Engenharia Econmica: Uma Abordagem s Decises de
Investimento, So Paulo, Mc Graw-Hill do Brasil, 1982.
ROSS, S. A, WESTERFIELD, R. W. e JAFFE, J. F., Administrao Financeira:
Corporate Finance , So Paulo, Editora Atlas, 1995.
SECURATO, J. R., Decises Financeiras em Condies de Risco, So Paulo, Editora
Atlas, 1996.










Estatstica
31
3. Material Complementar