Você está na página 1de 28

CENTRO UNIVERSITRIO FUNDAO SANTO ANDR

THYELLE TERUYA














ECONOFSICA Estudo de Elementos de Fsica aplicada a
Economia













Santo Andr
2012
THYELLE TERUYA














ECONOFSICA Estudo de Elementos de Fsica aplicada a
Economia
















Santo Andr
2012
Trabalho de Iniciao Cientfica,
apresentado a Faculdade de Engenharia
Celso Daniel cumprindo especificaes
para obteno de bolsa parcial, com
orientaes do professor Mauricio
Bernardino Magro.
SUMRIO
INTRODUO .................................................................................................................. 4
OBJETIVO ......................................................................................................................... 5
METODOLOGIA ............................................................................................................... 6
DESENVOLVIMENTO DO TRABALHO E RESULTADOS ....................................... 7
DISCUSSO E CONCLUSO ..................................................................................... 26
REFERNCIAS ............................................................................................................... 27




































INTRODUO

Recentemente os estudos da fsica aplicada economia tm gerado grandes
avanos em relao aos modelos aplicados ao mercado financeiro, principalmente no
mercado de aes, e em particular na anlise das sries temporais econmicas deu
origem a uma nova rea de pesquisa chamada de Econofsica, a qual foi desenvolvida
a partir de 1990, a fim de aplicar ferramentas e mtodos da fsica para obter o
comportamento dos dados financeiros e ento explicar os fenmenos gerais da
Economia.
A complexidade do mercado aes, como por exemplo, as variaes dos preos
das aes, desperta um enorme interesse de pesquisadores para obter conhecimento e
o desenvolvimento de anlises cientficas quanto a essas variaes. Os mais
interessados nestes estudos so fsicos pelo fato do mercado ser assim um exemplo de
sistema que apresenta um tipo de comportamento complexo, muito estudado na fsica.
Neste projeto ser abordada uma introduo Econofsica, adquirindo
conhecimentos bsicos para aplicao em modelos do mercado de aes e tambm
conhecimentos econmicos, para prever atravs de mtodos matemticos as possveis
variaes. As aes decorrentes do estudo podero ser de qualquer tipo de ativo
financeiro, pois a anlise geral a previso de futuras variaes do respectivo ativo
estudado.











OBJETIVO

O objetivo deste projeto em primeiro lugar assimilar os conhecimentos de fsica
estatstica e matemtica necessrios para sua compreenso, e posteriormente, buscar
ligao entre a teoria estudada e, por exemplo, o mercado de aes.
Inicialmente, pretendia-se realizar estudos cuidadosos para adquirir
conhecimentos da chamada Fsica Estatstica, para que se obtenha o embasamento
terico necessrio para aplicao prtica em exemplos reais do mercado financeiro,
como a modelagem do comportamento do valor de uma ao na bolsa de valores.
Alguns dos conhecimentos bsicos necessrios da fsica estatstica so: Conceitos
estatsticos bsicos; teorema do limite central; movimento browniano geomtrico;
anlise fundamentalista; transformada de Fourier, expanso de Taylor, processos
estocsticos, etc.
Posteriormente, pretende-se aplicar os modelos matemticos estudados em
exemplos do mercado financeiro.

















METODOLOGIA

Foi utilizado um mtodo de pesquisa terico, pois tinha como objetivo estruturar
e desenvolver modelos tericos, e um tipo de pesquisa exploratria, devido pesquisa
bibliogrfica e estudos de caso.
Realizou-se um plano de estudo baseado em seminrios os quais foram
apresentados de forma peridica, supervisionados e lecionados pelo orientador do
projeto baseado em livros disponveis e em meios eletrnicos como a Internet.
A internet foi extremamente necessria, para a consulta de:
mtodos matemticos;
aulas de econofsica da USP;
artigos cientficos.
Foi utilizado como bibliografia bsica sobre econofsica o livro: An Introduction to
Econophysics Correlations and Complexity in Finance, de Rosario Mantegna and H.
Eugene Stanley.
Alguns dos livros utilizados na pesquisa foram do acervo da biblioteca da FSA,
complementado por outros acervos, como o da Universidade de So Paulo, levando em
conta tambm o desenvolvimento de pesquisas na internet.














DESENVOLVIMENTO DO TRABALHO E RESULTADOS

Dos objetivos traados, alguns dos resultados primeiramente esperados foram
obtidos como os conhecimentos de alguns conceitos necessrios para estudar as
variaes e flutuaes de preos de ativos financeiros, vale ressaltar, porm, vale que
os estudos ainda estavam em andamento para aprendizado de mais conceitos, pois
uma matria que abrange mltiplas reas na matemtica e explicaes da fsica.

1 - Anlise Fundamentalista e Tcnica
De acordo com Napolitano (2011) para entender as flutuaes e variaes de
uma determinada ao, necessria uma base terica como a anlise fundamentalista
que analisa a previso do valor intrnseco para uma ao e quem props a primeira
frmula para esse clculo foi John Burr Williams:

onde D
n
o dividendo pago no n-simo ano e t a taxa de desconto j incluindo o
prmio pelo risco, houve variaes e sofisticaes dessa frmula com o passar do
tempo. Se o preo atual de uma ao for menor que seu valor intrnseco, a
recomendao de compra, caso o investidor creia na anlise.
Segundo Napolitano (2011) a anlise tcnica tambm necessria para
entender as variaes, pois os analistas tentam prever as tendncias dos preos dos
ativos financeiros em registros histricos de preos do passado, ou seja, atravs de
uma certa quantidade de flutuaes e variaes de preos de ativos financeiros que os
analistas estudam para tentar prever futuras variaes, sendo assim este mtodo
denominado de anlise quantitativa.

2 O Movimento Browniano
O movimento Browniano o movimento aleatrio de partculas, porm Bachelier
props este movimento em 1900 para a dinmica do preo de um ativo financeiro, o
qual foi a sua tese de PhD A Teoria da Especulao. Seguindo a idia de Napolitano
deve-se, primeiramente estudar o movimento aleatrio em uma dimenso e
posteriormente o seu limite contnuo, definido, assim, o movimento Browniano
unidimensional.

3 Movimento Aleatrio em uma dimenso
Na viso de Kwok (2008) considera-se o movimento de uma partcula apenas ao
longo do eixo x, em qualquer um dos seus sentidos, com passos do tamanho fixo. A
partcula parte da origem e a cada passo existe a probabilidade p de dar um passo no
sentido positivo (+) e a probabilidade q (sendo p+q=1) de dar um passo negativo (-).
Cada passo da partcula independente do passo anterior, considerando p e q
constantes. Portanto o valor esperado, x
i
do i-simo passo, independendo de i, :

Aps n passos, a partcula tem a posio dada pela somatria de todos os n
deslocamentos.

4 Limite contnuo do movimento aleatrio
Quando 0 a partcula pode deslocar-se continuamente, e em cada passo infinitesimal
ainda possui probabilidade p de mover-se + e probabilidade q de mover-se . Seja u(x,t) a
probabilidade de que a partcula esteja na posio x no instante t. Suponhamos que a
partcula da r passos por unidade de tempo. Assim, o intervalo de tempo entre dois passos
dado por:

E, portanto, no limite contnuo, isto , quando 0, temos r e 0. Antes de tomarmos o
limite, podemos dizer que o nmero de passos no instante t dado por

Ou ainda, podemos dizer que o instante de tempo t dado por

Com isso, podemos dizer tambm que, depois de n passos, a partcula tem probabilidade
u(x,t) de encontrar-se em x = X
n
, no instante t. no prximo passo, que ocorre no instante t +
, a probabilidade de a partcula encontrar-se em x dada por

Para entendermos essa equao, basta pensarmos que, para a partcula estar em x no
instante t, pode ter vindo da posio x , dando um passo no sentido positivo do eixo x,
deslocando-se de + , ou pode ter vindo de x + , deslocando-se de . No primeiro caso, a
probabilidade de a partcula estar em x- no instante t, anterior a t + , u(x- ,t) e a
probabilidade de deslocar-se + p. Logo, a probabilidade de que a partcula tenha vindo
da posio x o produto pu(x- ,t), j que para dar um passo no sentido positivo e parar
em x, a partcula precisa, antes, estar em x . Analogamente, qu(x+ ,t) a probabilidade
de a partcula vir da posio x + . Como, em t + , a partcula pode ter vindo de x ou de
x + , segue que a probabilidade de estar em x a soma de pu(x- ,t) com qu(x+ ,t). Como
temos em mente tomar o limite contnuo fazendo 0 e 0, podemos expandir a equao
acima em srie de Taylor para as variveis e . (NAPOLITANO, 2011, p.8)
Considerando as variveis acima temos que a equao para a probabilidade
u(x,t) fica:


Esta a equao de Fokker-Planck.
Verificamos que a soluo dessa equao dada pela distribuio gaussiana:


e podemos provar a afirmao acima, sendo:

Derivando a equao (1) em relao a t:

Derivando a equao (1) em relao a x e multiplicando-a por :

Derivando a equao (1) pela segunda vez e multiplicando-a pelo termo /2:

Simplificando e somando as equaes (2), (3) e (4) temos:


5 Modelo de Bachelier
Na concepo de Napolitano (2011) Bachelier props que a primeira dinmica de
um ativo financeiro e para entendermos o modelo proposto necessrio estudar o
movimento aleatrio em uma dimenso e posteriormente tomar seu limite contnuo.
Porm este modelo possui algumas caractersticas no desejveis, como por exemplo,
o modelo da probabilidade no nula para o preo do ativo (x) assumir valores negativos,
contrariando a condio de responsabilidades limitadas; Bachelier sups =0,
sugerindo uma taxa de juros nula, o que nem sempre verdade.

6 O Movimento Browniano Geomtrico
No entendimento de Napolitano (2011) o modelo de Bachelier contm uma falha,
que ele no pode prever preos negativos de um lote de ao. Por exemplo, quando
compramos um lote de ao de uma certa empresa, ela pode ficar devendo muito aos
seus credores, fazendo com que as aes comprada possam chegar a um valor 0,
porm nunca ser negativo, pois simplesmente no poderamos assumir a dvida da
empresa, o que chamado de responsabilidade limitada, por parte do dono da
companhia.
Porm, o retorno dirio R
i
pode ser positivo ou negativo se o preo de
fechamento de um ativo era S
i
ontem e hoje S
i+1
, ento o retorno relativo de um dia
fica como:


E pode at ser expresso por uma porcentagem e a equao pode ser escrita
assim:

i
1 i
1 i
S
1 S
R 1
+
= +
+
+
Como os preos so positivos ( muito raro o preo ser zero), podemos tomar o
logaritmo de ambos os membros da equao acima, e quando o retorno for muito
pequeno, podemos escrever:
( )
1 i 1 i
R R 1 ln
+ +
+ ou
|
|

\
| +

+
+
i
1 i
1 i
S
1 S
R ln
A expresso acima, para retornos pequenos, sugere que uma varivel
interessante dada pelo logaritmo do quociente entre os preos de fechamento:
|
|

\
| +
=
+
+
i
1 i
1 i
S
1 S
X ln
Caso o preo hoje tender a zero,
1 i
X
+
ir tender a valores negativos muito
grandes e caso o preo hoje tender a valores muito altos,
1 i
X
+
tambm ir tender a
valores positivos imensos. Caso seja contnuo, a varivel pode ser definida assim:
(

=
0
(t)
S
S(t)
X ln
Considerando
0
S , o preo no instante t=0 e S(t) no instante t>0. O modelo da
dinmica de preos pode ser obtido se supormos que X(t) faz o movimento browniano
unidimensional, caracterizado --pelos parmetros e
2
. Ento a probabilidade de que
X(t) tenha o valor x no instante t dada pela distribuio gaussiana:

Podemos provar a integral gaussiana acima:


Substituindo (1) em (2):

Fazendo a substituio de varivel, para a resoluo da integral:



Porm a equao deve ser positiva, por se tratar de uma probabilidade, ento:

Por se tratar de coordenadas polares, a substituio pode ser feita da seguinte maneira:


Fazendo as substituies:

Enfim, temos:

Substituindo (3) em (2):

Ou seja:


Para descobrirmos como a probabilidade de que o preo,S(t), tenha o valor s
no instante t, precisamos levar em considerao que a equao gaussiana mostrada
acima no pode descrever a probabilidade no caso contnuo, e sim a densidade de
probabilidade de que a varivel x assuma um valor entre x e x+dx no instante t,
efetuando todos os passos matemticos pode necessrios como: a sua integral;
somatria das probabilidades de todos os possveis eventos; levar em considerao
que para cada valor de X(t) existe um valor correspondente de S(t); Definindo a unidade
de preos como sendo o valor
0
S e em termos dessa unidade
0
S =1 possvel chegar
na equao abaixo :
( )
(


=
t 2
t lns
exp
t 2 s
1
) , (
2
2
2

t s g
Que a densidade de probabilidade de que S(t) tenha o valor s no instante e a
equao que caracteriza o movimento browniano geomtrico. As distribuies dos
preos dos ativos financeiros muitas vezes so paroximadas por esta equao.

7 O Teorema do Limite Central
A teoria do limite central (teoria central do limite) afirma que conforme aumenta-
se o tamanho da amostra a sua distribuio amostral da mdia se aproximar cada vez
mais de uma distribuio normal e na viso de Bussab (2002) a sua varincia igual a
viarincia populacional dividida pelo tamanho da amostra.
Com base em Napolitano, considerando N variveis reais, aleatrias,
identicamente distribudas na reta real, com densidade de probabilidade dada por p(xi),
Para cada i=1,2,...,N, consideramos tambm que a densidade p seja arbitrria, porm
todos os valores mdios das potncias de xi devem ser finitos:
N i com x
i
,..., 2 , 1 , =
A densidade de probabilidade para a varivel:

=
=
N
i
i
x
N
X
1
1
(1)
Para exemplificar um caso discreto, suponhamos uma srie de N nmeros de
lanamentos de um determinado dado. Cada um desses lanamentos poder resultar
em uma das seis possveis faces, ou seja, a probabilidade de sair uma das faces igual
a um sexto, ento provvel a ocorrncia das faces de cada um dos nmeros do dado.
Aps N lanamentos, foram obtidos os seguintes nmeros:
1
x =1,
2
x =5,
3
x =4 e a mdia
a seguinte:
3
10
4) 5 (1
3
1
X = + + =
possvel repetir os lanamentos muitas vezes e estimar a sua distribuio de
probabilidades de que um determinado valor X ocorra para a mdia dos valores de
face. Para o exemplo feito acima a distribuio no gaussiana, porm se fizermos
esse mesmo exemplo levando em conta o teorema do limite central, se o nmero de
lanamentos N for bem maior, ento a distribuio da ocorrncia de X ser gaussiana.
Podemos provar o teorema do limite central, considerando que P(x) a
densidade de probabilidade de que a varivel X, definida pela equao (1), e que
resulte com um valor entre X e X+dX. Sabendo que Q(K) a transformada de Fourier
de P(x), segue a prova do teorema do limite central:

A sua exponencial pode ser escrita como uma srie infinita:

Logo,

Onde denotamos o valor esperado de X
n
por


Depois de desenvolver a equao (4), a densidade de probabilidade pode ser dada por:

Usando a equao acima e a aplicao de alguns mtodos matemticos, como, por
exemplo, o uso das propriedades da funo delta de Dirac e o seu desenvolvimento, foi
possvel obter um resultado aplicado a equao (4), temos:


Utilizando essa igualdade na Equao (3), vem:

Reconhecemos a srie infinita acima como uma exponencial:

Logo,

Como estamos supondo que N muito grande, podemos expandir:

Depois da expanso, a Equao (5) pode ser escrita como:

Para N muito grande, podemos expandir o logaritmo, ento:

Essa a transformada de Fourier da densidade de probabilidade P(X) que procuramos
e podemos inverter a Equao (2):

E a partir do desenvolvimento total da equao acima conclumos que podemos obter
P(X) a partir de Q(K):

Ento, da Equao (6), e completando o quadrado no argumento da exponencial no
integrando, podemos escrever a densidade de probabilidade para a varivel X, quando
N muito grande, como um gaussiana:


7.1 - Transformada de Fourier
Para o entendimento deste tpico, necessrio uma breve explicao sobre a
Transformada de Fourier que tipicamente utilizada para decompor um sinal nas suas
componentes em frequncia e suas amplitudes.
Para chegar na transformada preciso de alguns conhecimento matemticos
como por exemplo entender a relao de Euler:

Para Sodr (2002) a transformada de Fourier uma funo h=h(t) que
absolutamente integrvel definida por:

E sua inversa:
dw e w g w g H
iwt

= ) (
2
1
)) ( (
1


Porm aplicado ao teorema do limite central explicado acima a transformada fica:

E a sua inversa fica:
dk e k f x F
ixk

= ). ( ) (
No desenvolvimento deste teorema, foi considerado a frequncia angular como K
e a sua amplitude complexa como Q(K).

8 Passeio Aleatrio ou The Random Walk
A teoria random walk afirma que no possvel prever o futuro com base nos
dados do passado, como por exemplo no quer dizer que pelo fato do preo da ao ter
aumentado hoje, ontem, ou em outros dias que esse preo ir aumentar amnh
tambm, pois o mercado funciona de maneira irracional portanto o preo de uma ao
seria imprevisvel.

9 Processos Estocsticos de Lvy e teoremas limite.
9.1 Distribuies estveis (I)
Mantegna e Stanley provaram que as distribuies lorentziana e gaussiana so
estveis, isto , suas funes densidade de probabilidade tm as mesmas
caractersticas matemticas que suas distribuies. Para variveis aleatrias
Lorentzianas, a funo da densidade de probabilidade fica:

A transformada de Fourier da funo da densidade de probabilidade fica:

Que chamada de funo caracterstica do processo estocstico. Para distribuies
Lorentzianas, a integral elementar. Se substituirmos (1) em (2), obtemos



O teorema da convoluo afirma que a transformada de Fourier de uma
convoluo de duas funes o produto das transformadas de Fourier de duas
funes,


para variveis aleatrias de distribuies independentes e identicamente distribudas,
considera-se:


A funo da densidade de probabilidade da soma de duas variveis aleatrias,
independentes e identicamente distribudas dada pela convoluo de duas funes de
probabilidade de densidade de cada varivel aleatria



O teorema da convoluo implica ento, que a funo caracterstica de dado
por:
(7)
Em casos gerais,



Ento,


A vantagem da funo caracterstica aproximada pode ser mostrada atravs da soma
de duas variveis aleatrias, independentes e identicamente distribudas, cada uma
das quais obedecendo a equao (1). Aplicar a equao (6) seria desagradvel,
enquanto a funo caracterstica aproximada bastante direta, desde que para a
distribuio Lorentziana,


fazendo a inversa da transformada de Fourier



obtemos a funo de probabilidade de densidade

A forma funcional de , e geralmente de , Lorentziana. Por isso uma
distribuio Lorentziana uma distribuio estvel.
Para variveis aleatrias gaussianas, a analogia da equao (1) a seguinte
funo da densidade de probabilidade:



A funo caracterstica :

onde por isso a partir da equao (7) temos:



Fazendo a inversa da transformada de Fourier, obtemos:


Assim a distribuio gaussiana tambm uma distribuio estvel. Escrevendo a
equao acima na forma, obtemos:

encontramos a seguinte resposta:


Mantegna e Stanley verificaram que dois processos estocsticos existem:
Lorentziana e a Gaussiana. As funes caractersticas dos dois processos tm a
mesma forma funcional:


onde para a Lorentziana da equao (3), e para a Gaussiana da equao
(8).
Paul Pierre Lvy e Aleksandr Khinchin resolveram o problema geral para
determinar a classe inteira de distribuies estveis. Eles encontraram que a forma
mais geral de uma funo caracterstica de um processo estvel dada por:



onde , um fator de escala positivo, um nmero real qualquer, e um
parmetro de assimetria que varia no intervalo de -1 a 1.
A forma analtica da distribuio estvel de Lvy conhecida somente por poucos
parmetros de e :
= , = 1 (Lvy Smirnov)
= 1, = 0 (Lorentziana)
= 2 (Gaussiana)
O livro-texto de Lvy e Khinchin informa que, no caso simtrico, isto , quando =0 e
com =0, tem a varincia finita:
=2 =0 =0 (Simtrico)


com


E a distribuio estvel tem a forma assinttica, quando x muito grande:



E considerando uma conseqncia do resultado acima, que o valor esperado
de , acaba divergindo para, quando < 2:
Assim, particularmente, todos os processos estveis de Lvy com < 2 tem
varincias infinitas, como, por exemplo, a distribuio lorentziana da equao (1):





9.2 Distribuies estveis (II)
Analogamente, h uma outra prova, mais formal, para as distribuies estveis,
que pode ser obtida em NAPOLITANO. Considerando uma distribuio lorentziana:

Onde N uma constante real positiva, calculemos N:

Ento :

A integral no denominador pode ser escrita se simplificarmos seu integrando, fica:

E ento obtm-se:




Considerando o contorno no plano complexo e o teorema dos resduos:



E levando em conta que:




Segue o clculo do resduo:
Plo simples:




Ento:

Para as variveis aleatrias lorentzianas, a funo normalizada da densidade de
probabilidade fica:


Considerando variveis estocsticas independentes e indenticamente
distribudas:


Calculemos a densidade de probabilidade para essa X segundo a equao (1).
Assim:



Ento, considerando a transformada de Fourier de P(X), conhecida tambm
como funo caracterstica da densidade de probabilidade P(X):



Agora vamos calcular a transformada de Fourier, ou a funo caracterstica, da
lorentziana da equao (1):



Ento, devemos considerar dois casos q>0 e q<0. Para q>0, temos:



E para q<0, temos:


Portanto:


Logo:



E para obtermos a distribuio da varivel X, basta somente calcular a
transformada de Fourier inversa:



Logo, podemos presumir que a densidade de probabilidade para a varivel X
tambm lorentziana, com apenas uma mudana de escala:



Segundo a viso de Napolitano, podemos dizer, nesse caso, que a densidade de
probabilidade lorentziana uma distribuio estvel, pois sua convoluo resulta na
mesma distribuio, com uma mudana de escala apenas.
Para variveis aleatrias gaussianas, a funo da densidade de probabilidade :

E a sua funo caracterstica:


Mas, como:


Ento:


Calculando a transformada de Fourier inversa, obtemos:



Portanto, a distribuio gaussiana tambm uma distribuio estvel, porm
com uma escala diferente:

Assim, particularmente, todos os processos estveis de Lvy com < 2 tem
varincias infinitas, como por exemplo a distribuio lorentziana da equao (1):





















DISCUSSO E CONCLUSO

A partir das matrias estudadas para entender a econofsica, foi possvel adquirir
alguns conhecimentos de conceitos tericos mostrados na introduo, entendendo
perfeitamente que o preo de uma determinada ao tem a probabilidade de estar em
um certo ponto e mudar tanto positivamente quanto negativamente sendo que a
densidade de probabilidade para seu valor num dado momento representada pela
funo gaussiana. Deve-se levar em conta, para o aperfeioamento do modelo, a
situao da economia atual do mercado financeiro.
possvel acreditar que a partir do embasamento terico estudado e mais
alguns, a variao do preo de uma ao poder ser calculado e previsto.
Pode-se concluir que a econofsica um assunto complexo, embasando-se
fundamentalmente nos princpios matemticos da estatstica. Tais modelos
assemelham-se a outros fenmenos da natureza como, por exemplo, o movimento
browniano das partculas de um gs. Desse modo, possvel modelar os processos
econmicos atravs das equaes e resultados de processos fsicos conhecidos da
natureza.
Como o estudo no ser continuado, uma vez que a bolsa no ser renovada, os
prximos passos a serem seguidos para que se possa chegar a algum resultado
seriam: refinar mais alguns princpios matemticos envolvidos, analisar alguns dados
financeiros e assim comear a aplicao prtica em alguns exemplos.










REFERNCIAS

BUSSAB, Wilton de O; MORETTIN, Pedro A. Estatstica Bsica. 5 edio. So Paulo:
Saraiva, 2002.

BUTKOV, Eugene Fsica Matemtica, 1 edio. Rio de Janeiro: LTC (1988).
BUTKOV, Eugene Fsica Matemtica. Rio de Janeiro: Guanabara Dois (1983).
GUERRA, Jos Mauri; DONAIRE, Denis. Estatstica Indutiva, teoria e aplicaes. 5
edio. So Paulo: Livraria Cincia e Tecnologia LTDA, 1991.

KWOK, Yue-Kuen. Mathematical Models of Financial Derivatives. 2 edio. Hong
Kong: Springer Finance, 2008.

LORETO, Ana Clia da Costa; Armando Pereira; PAGLIARDE, Jos Emlio. Clculo
Diferencia e Integral 3 Resumo Terico e Exerccios Resolvidos e Propostos. So
Paulo: LCTE Editora, 2006.
MANTEGNA, Rosario; STANLEY, Eugene. An Introduction to Econophysics
Correlations and Complexity in Finance, Cambridge: Univ. Press, 2000.

NAPOLITANO, Reginaldo de Jesus. Notas de aula do curso Introduo a Econofsica,
ministrado na Universidade de So Paulo, So Carlos, 2011. Disponvel em:
< http://www.ifsc.usp.br/~reginaldo/html/aulas.html>
RODRIGUES, Willian Costa. Apostila de Metodologia Cientfica. FAETEC, Paracambi,
2007. Disponvel em:
<http://professor.ucg.br/SiteDocente/admin/arquivosUpload/3922/material/Willian%20Co
sta%20Rodrigues_metodologia_cientifica.pdf>. Acesso em: 1 de ago. 2011.

SALINAS, Silvio R. A. Introduo a Fsica Estatstica. 2 edio. So Paulo: Edusp,
2005.

VALENTE, Diego Castelo Branco. Modelos estocsticos para a volatilidade do
mercado de aes brasileiro. 2004. Tese de Mestrado Pontifcia Universidade
Catlica do Rio de Janeiro, Rio de Janeiro, 2004. Disponvel em:
<http://www.maxwell.lambda.ele.puc.rio.br/Busca_etds.php?strSecao=resultado&nrSeq
=5850@1>. Acesso em 1 de Ago. 2011.