Você está na página 1de 37

Preparatório CGA

Métodos Quantitativos

Prof. Elder Maurício


Silva
Sobre o material

Esse material foi feito especialmente para quem deseja passar na


certificação CGA e se tornar um Gestor de Investimentos Anbima.

Nesse material você já consegue estudar o primeiro capítulo do edital:


Métodos Quantitativos.

Você pode adquirir o material completo no site


https://proeducacional.com/

Bons estudos!

Dúvidas ou sugestões entre em contato com

contato@proeducacional.com.

proeducacional.com

© Pro Educacional – Todos os direitos reservados


1 Capitulo 1: MÉTODOS
QUANTITATIVOS

Neste capítulo estudaremos os conceitos básicos de estatística e métodos


quantitativos. Iniciaremos estudando como comparar valores financeiros em
diferentes tempos, isto é, o valor do dinheiro no tempo. Em sequência, temos os
conceitos básicos de estatística, como média, mediana, moda etc. Após isso,
vemos os conceitos básicos de probabilidade, como o valor esperado, variáveis
aleatórias e distribuições de probabilidade. Por fim, encerramos o capítulo
estudando os testes de hipóteses, estimação e amostragem. Temos muito trabalho
pela frente, bons estudos.

1.1 Valor do Dinheiro no Tempo

Nesta seção o foco de nosso estudo será o valor do dinheiro no tempo.


Precisaremos entender a natureza do juro, ele é a compensação que se obtém por
emprestar recursos no tempo. Por exemplo, suponha que você coloque um pouco
de dinheiro em uma conta bancária por um ano. Então, o banco pode fazer o que
quiser com esse dinheiro por um ano. Para recompensá-lo por isso, ele irá lhe
pagar juros. O bem que está sendo emprestado é chamado de capital.
Normalmente, tanto o capital quanto os juros são expressos em dinheiro. No
entanto, isso não é necessário. Por exemplo, um agricultor pode emprestar seu
trator para um vizinho e obter 10% do grão colhido em troca.

Iniciaremos estudando o caso dos juros simples. Como vimos os juros são a
recompensa por emprestar o capital a alguém por um período de tempo. Existem
vários métodos para realizar o cálculo de juros acumulados. Como o nome indica,

proeducacional.com

© Pro Educacional – Todos os direitos reservados


o juro simples é o mais fácil de entender. A ideia por trás do juro simples é que a
quantidade de juro produzida é resultado de três fatores: a taxa de juros, o
principal e o período de tempo. No entanto, como veremos, o juro simples possui
um grande problema. Por esse motivo, seu uso na prática é limitado. A definição
do juro simples pode ser dita da seguinte forma: os juros ganhos em um capital C
emprestado ao longo de um período n a uma taxa i será:

J = niC.

Onde o J representa os juros acumulados, n é o número de períodos, i é a taxa de


juros, e C o montante de capital.

Como exemplo, suponha que você ganhe juros ao investir 1000 reais por dois
anos em uma conta de poupança que paga juros simples a uma taxa de 9% ao ano.
E se você deixar a quantia por apenas seis meses? Ao deixar seu dinheiro por dois
anos, você receberá 2 * 0,09 * 1000 = 180 reais de juros. Retirando após seis
meses o resultado seria 1/2 * 0,09 * 1000 = 45 reais. Como ilustra este exemplo,
a taxa de juros é geralmente citada como uma porcentagem, 9%, que corresponde
a 0,09. Além disso, você deve ter cuidado para que a taxa de juros usada tenha a
mesma unidade de tempo que o período. No nosso exemplo, o período é medido
em anos e a taxa de juros é cotada por ano. Estas são as unidades que são usadas
na maioria das vezes.

Entretanto são os juros compostos os usados na maioria das contas. A ideia por
trás do juro composto é que, no segundo ano, você deve obter juros sobre os juros
que recebeu no primeiro ano. Em outras palavras, o juro que você ganha no
primeiro ano é combinado com o principal e no segundo ano você ganha juros
sobre a soma combinada. O que acontece com o exemplo do parágrafo anterior,
onde o investidor colocou 1000 reais por dois anos em uma conta pagando 9%,
se considerarmos juros compostos? No primeiro ano, o investidor receberia 90

proeducacional.com

© Pro Educacional – Todos os direitos reservados


reais de juros (9% de 1000 reais). Isso seria creditado em sua conta, então ele
agora tem 1090 reais. No segundo ano, ele receberia 98,10 reais de juros (9% de
1090 reais) para que ele finalize com 1188,10 reais. O capital é multiplicado por
1.09 a cada ano: 1.09 * 1000 = 1090 e 1.09 * 1090 = 1188.1. Mas geralmente os
juros ao longo de um ano são o iC, onde i é a taxa de juros e C o capital no início
do ano. Assim, no final do ano, o capital cresceu para C + iC = (1+ i) C. No segundo
ano, o principal é (1 + i) C e os juros são computados sobre esse valor, então o
juro é i (1 + i) C e o capital cresceu para (1 + i) C + i (1 + i) C = (1 + i)^2C. No
terceiro ano, o juro é i (1 + i)^2C e o capital cresceu para (1 + i)^3C. Usando
indução chegamos à seguinte definição. Para juros compostos:

𝐽 = (1 + 𝑖)𝑛 𝐶

Onde J é o montante de juros, i é a taxa de juros, n é o total de períodos e C


representa o capital aplicado.

Façamos agora o exercício de comparar essas duas formas de computar os juros.


O juro simples é definido pela fórmula J = inC. Assim, em n anos o capital cresce
de C para C + niC = (1 + ni) C. Enquanto que os juros compostos estarão
acumulados da seguinte forma (1 + 𝑖)𝑛 𝐶. O que significa que os juros compostos
pagarão muito mais no longo prazo. Entretanto, em uma comparação cuidadosa
durante períodos inferiores a um ano, em nosso exemplo a taxa é anual, os
investimentos a juros simples renderão pagamentos superior ao de juros
compostos. Por exemplo, um capital de 1000 reais, investido por meio ano a 9%,
cresce para 1045 reais sob juros simples e para apenas 1044,03 reais sob juros
compostos. Ao mesmo tempo, se o mesmo capital for investido por dois anos
cresce para 1180 reais com juros simples e 1188.10 reais sob o juro composto. A
diferença entre o juro composto e simples aumenta quando o período se prolonga.
Isso decorre das seguintes desigualdades algébricas:

proeducacional.com

© Pro Educacional – Todos os direitos reservados


(1 + 𝑖)𝑛 < 1 + 𝑛𝑖 𝑠𝑒 𝑛 < 1

(1 + 𝑖)𝑛 > 1 + 𝑛𝑖 𝑠𝑒 > 1

É fácil ver que as fórmulas para o juro simples e composto dão os mesmos
resultados se n = 0 e n = 1. Agora considere o caso n = 2. Um capital C cresce para
(1 + 2i) C sob juros simples e para (1+ i) 2C = (1 + 2i + i2) C sob juro composto, o
que leva (1 + 2i + i2) C> (1 + 2i) C (sempre que C for positivo), então o juro
composto paga mais do que juro simples. Assim, você pode usar a fórmula para o
juro simples como uma aproximação para o juro composto se a taxa de juros for
pequena e o cálculo for por poucos períodos. Especialmente no passado, as
pessoas geralmente usavam juro simples em vez de juro composto para
simplificar os cálculos.

Podemos usar o raciocínio dos juros compostos para calcular os descontos. A


fórmula para o juro composto relaciona quatro quantidades: o capital C no início
do cálculo, a taxa de juros i, o período n e o capital no final. Vimos como calcular
a taxa de juros, o período e o capital no final. Isso mostra que o dinheiro tem um
valor que está relacionando ao tempo, em outras palavras, o valor do dinheiro
depende do tempo, isto é, 2000 reais agora valem mais do que 2000 reais em
cinco anos. Em matemática financeira, todos os pagamentos devem ter uma data
anexada a eles. Por exemplo, suponha que a taxa de juros seja i. Quanto você
precisa investir para obter um capital C após uma única unidade de tempo? A
resposta é (1/( 1 + i))C.

1
𝑣= 𝐶
1+𝑖

proeducacional.com

© Pro Educacional – Todos os direitos reservados


Onde v é conhecido como o fator de desconto. É o fator com o qual você tem que
multiplicar um pagamento para deslocá-lo para trás por um ano. Se a taxa de
juros for 4,25% a.a., o fator de desconto é 1/1.0425 = 0.95923. Desde que a taxa
de juros não seja muito grande, o fator de desconto é próximo de um. Portanto,
as pessoas costumam usar a taxa de desconto d = 1-v, geralmente expressa como
uma porcentagem. No nosso exemplo, a taxa de desconto seria 0,04077 ou
4,077%. Isto é, a taxa de juros i é o juro pago no final de uma unidade de tempo
dividido pelo capital no início da unidade de tempo. A taxa de desconto d é o juro
pago no início de uma unidade de tempo dividido pelo capital no final da unidade
de tempo. O fator de desconto v é a quantidade de dinheiro que se precisa investir
para obter uma unidade de capital após uma única unidade de tempo. Esta
definição diz respeito a períodos de um ano, mas o mesmo se aplicada para
diferentes períodos de tempo.

Existe também o desconto composto. Por exemplo, qual o valor x é preciso


investir hoje para acumular o montante C em n anos? Extraindo da formula de
juros compostos encontramos:

𝐶
= 𝑣 𝑛 𝐶 = (1 − 𝑑)𝑛 𝐶
(1 + 𝑖)𝑛

Essa fórmula resume o que é chamado de desconto composto, análogo ao juro


composto. Existe outro método, denominado desconto simples (análogo ao juro
simples) ou desconto comercial onde o valor presente de um pagamento de C
devido em n anos, a uma taxa de desconto simples de d será apenas (1-nd) C. O
desconto simples não é o mesmo que o juro simples. O valor presente de um
pagamento de C devido em n anos, a uma taxa de juros simples de i, é o valor x
que se acumula em C durante n anos. O juro simples é definido por C = (1 + ni) x,
o valor atual seria x = (1 + ni) -1C.

proeducacional.com

© Pro Educacional – Todos os direitos reservados


Passemos agora a estudar os juros com pagamentos mensais, trimestrais, anuais,
etc. Até agora, assumimos que os juros são pagos uma vez por ano. Na prática, o
juro é normalmente pago com maior frequência, por exemplo trimestralmente
(quatro vezes por ano). Isso é correto se a taxa de juros também for cotada por
trimestre. No entanto, as taxas de juros geralmente não são cotadas por trimestre,
mesmo que os juros sejam pagos trimestralmente. A taxa é geralmente citada por
ano. Uma taxa 2% por trimestre seria citada como 8% a.a. pagável
trimestralmente. Essa taxa é chamada de taxa de juros nominal paga
trimestralmente. Pode parecer mais lógico citar a taxa como 8,243%, pois se
calculamos que 1000 reais se acumulam para 1082,43 reais em um ano com taxa
de 2% ao trimestre. Todavia, a taxa de 8,243% é chamada de taxa de juros efetiva.
Muitas vezes aparece em anúncios como taxa equivalente anual. A taxa de juros
efetiva corresponde à taxa de juros tal como definimos acima, os juros pagos no
final de uma unidade de tempo dividido pelo capital no início da unidade de
tempo.

Fique atento para o fato de que o período de conversão de juros é o período entre
dois pagamentos sucessivos de juros. Denotando p para indicar a taxa de juros
por período de conversão, a taxa de juros nominais, denotada por i(p), é então p
vezes i. Os valores comuns para p incluem p = 365 (juros pagos diariamente) e p
= 12 (juros pagos mensalmente). O termo juros por pagar pode ser usado se não
quisermos especificar o período de conversão. No exemplo, o período de
conversão de juros é de um trimestre e a unidade de tempo é um ano, então p =
4. A taxa de juros por trimestre é de 2%, o que significa que i [4] = 0,02, então a
taxa de juros nominal é i (4) = 4 * 0,02 = 0,08 ou 8%, e a taxa de juros efetiva é i
= 0,08243. Para calcular a taxa de juros efetiva da taxa de juros nominal i(p).
Assim, pela fórmula para o juro composto, um C principal se acumula para (1 +
i(p)) pC = (1 + i (p) / p)pC em uma unidade de tempo. No entanto, se a taxa de
juros efetiva é i, então um capital C acumula para (1 + i)C em uma unidade de
tempo. Assim, uma taxa de juros nominal é equivalente a uma taxa de juros
efetiva i se:

proeducacional.com

© Pro Educacional – Todos os direitos reservados


𝑖𝑝 𝑝
1 + 𝑖 = (1 + )
𝑝

Uma discussão semelhante pode ser feita para o desconto, seguindo o mesmo
raciocínio que fizemos para juros acumulados. Uma taxa de desconto de 2%
combinada trimestralmente dá origem a uma taxa nominal de desconto de 8% ao
ano. No entanto, o valor presente de um pagamento de C devido em um ano é (1-
0.02)^ 4C = 0.9224C. Assim, a taxa efetiva de desconto é d = 0,0776 ou 7,76%. A
taxa nominal de desconto composto é denotada d(p), e p representa a quantidade
de vezes da taxa de desconto por cada período de conversão. Assim, a equação
equivalente para o desconto seria de:

𝑑𝑝 𝑝
1 + 𝑑 = (1 + )
𝑝

A taxa de desconto surge em duas situações. Ela acontece ao calcularmos o valor


presente de um pagamento, mas ela também aparece quando os juros são pagos
antecipadamente. Na verdade, se o principal no final de uma unidade de tempo
for 1 e os juros forem pagos com antecedência. O calculo para antecipação de
juros, d, fica da seguinte maneira:

𝑝−1
𝑘/𝑝
𝑑𝑝
𝑑 = ∑(1 − 𝑑)
𝑝
𝑘=0

proeducacional.com

© Pro Educacional – Todos os direitos reservados


Onde k representa o período em que estamos realizando a antecipação do
pagamento, e p representa a capitalização, por exemplo, será 4 quando a
capitalização for trimestral e a taxa nominal dada em anos.

Nosso próximo passo é estudar as anuidades e as perpetuidades. Uma anuidade


é uma sequência de pagamentos com frequência fixa. O termo "anuidade" refere-
se originalmente a pagamentos anuais, entretanto, agora também é usado para
pagamentos de qualquer frequência. Anuidades aparecem em muitas situações;
por exemplo, os pagamentos de juros sobre um investimento podem ser
considerados como uma anuidade. Uma aplicação importante é o cronograma
dos pagamentos para pagamento de um empréstimo. A palavra "anuidade"
refere-se em linguagem cotidiana geralmente a uma anuidade vitalícia. Uma
renda vitalícia paga uma renda em intervalos regulares até você falecer. Assim, o
número de pagamentos que uma renda vitalícia faz é desconhecido. Uma
anuidade com um número fixo de pagamentos é chamada de anuidade certa,
enquanto que uma anuidade cujo número de pagamentos depende de algum
outro evento (como a renda vitalícia) é chamada de uma anuidade contingente.

Iniciemos pelas anuidades imediatas, certas ou diretas. A análise dessas


anuidades depende da fórmula para somas geométricas:

𝑛
𝑟 𝑛+1 − 1
1 + 𝑟 + 𝑟 + ⋯ 𝑟 = ∑ 𝑟𝑘 =
1 2 𝑛
𝑟−1
𝑘=0

A fórmula acima é parecida como a usada para relacionar as taxas de juros


nominais às taxas de juros efetivas. Na verdade, os cálculos básicos para
anuidades são semelhantes aos que fizemos a pouco.

Uma anuidade imediata é uma série regular de pagamentos no final de cada


período. Por exemplo, considere uma anuidade imediata pagando uma unidade

proeducacional.com

© Pro Educacional – Todos os direitos reservados


de capital no final de cada período por n períodos. O valor acumulado desta
anuidade no final do nono período é denotado sn. O valor acumulado depende da
taxa de juros i, mas a taxa geralmente está apenas implícita no símbolo sn. Se for
necessário mencionar a taxa explicitamente, o símbolo sni é usado. Suponha uma
anuidade que consiste em pagamentos de 1 em t = 1,2, ..., n e desejamos calcular
o valor acumulado em t = n. O valor acumulado do primeiro pagamento é (1+ i)
n-1, o valor acumulado do segundo pagamento é (1+ i) n-2 e, assim, até o último
pagamento que acumulou valor 1. Desta forma, os valores acumulados de todos
os pagamentos em conjunto são:

𝑛
𝑛−1 𝑛−2
(1 + 𝑖) + (1 + 𝑖) + ⋯ + 1 = ∑(1 + 𝑖)𝑘
𝑘=0

E usando a fórmula para uma soma geométrica a soma (s) para a anuidade será:

(1 + 𝑖)𝑛 − 1
𝑠=
𝑖

Quando consideramos uma anuidade imediata pagando uma unidade de capital


no final de cada período por n períodos o valor desta anuidade no início do
primeiro período é designado por an à seguinte fórmula representada para o valor
presente desta anuidade imediata:

1 − 𝑣𝑛
𝑎𝑛 =
𝑖

proeducacional.com

© Pro Educacional – Todos os direitos reservados


Onde o v é o nosso conhecido fator de desconto, n representa o total de períodos.
Existe uma relação simples entre o valor presente e o valor acumulado sn, uma
vez que são valores da mesma sequência de pagamentos, mas avaliados em
diferentes épocas. O primeiro é o valor em t = 0, enquanto que o outro é o valor
em t = n. Em outras palavras:

𝑎𝑛 = 𝑣 𝑛 𝑠𝑛

Após vermos as anuidades imediatas estamos prontos para ver as perpetuidades.


Quando consideramos as anuidades imediatas, é como se os pagamentos fossem
pagos em atraso, ou seja, no final do ano. Outra possibilidade é fazer os
pagamentos antecipadamente. As anuidades que pagam no início de cada ano são
chamadas anuidades devidas. Uma anuidade devida é uma série regular de
pagamentos no início de cada período. Pense em uma anuidade imediata pagando
uma unidade de capital no início de cada período por n períodos. O valor desta
anuidade no início do primeiro período é denotado 𝑎̂𝑛 e o valor acumulado no
final do nono período é denotado 𝑠̂𝑛 . O valor atual de uma anuidade imediata é
mensurado um período antes do primeiro pagamento, enquanto o valor presente
de uma anuidade devida é medido no primeiro pagamento. Por outro lado, o valor
acumulado de uma anuidade imediata é o resultado no último pagamento,
enquanto o valor acumulado de uma anuidade devida é mensurado um período
após o último pagamento. Podemos derivar as fórmulas usando o método para
série geométrica. Uma renda devida consiste em pagamentos em t = 0, t = 1, ..., t
= n-1, então seu valor em t = 0 será

proeducacional.com

© Pro Educacional – Todos os direitos reservados


1 − 𝑣𝑛
𝑎̂𝑛 = 1 + 𝑣 + 𝑣 2 + ⋯ + 𝑣 𝑛−1 =
𝑑

E o quando o valor de t em n:

(1 + 𝑖)𝑛
𝑠̂𝑛 = (1 + 𝑖)𝑛 + (1 + 𝑖)𝑛−1 + ⋯ + (1 + 𝑖) =
𝑑

Se compararmos essas fórmulas com as fórmulas para 𝑎𝑛 e 𝑠𝑛 veremos que elas


são idênticas, exceto que o denominador é d em vez o valor de i. Existe uma
explicação simples para isso. Uma anuidade devida é uma anuidade imediata com
todos os pagamentos transferidos para um período de tempo passado. Assim, o
valor de uma anuidade devida em t = 0 é igual ao valor de uma anuidade imediata
em t = 1. Sabemos que uma anuidade imediata vale 𝑎𝑛 em t = 0, então seu valor
em t = 1 é (1+ i )𝑎𝑛 e isso tem que se igualar a 𝑎̂𝑛 . As anuidades imediatas e
anuidades devidas pertencem à mesma sequência, apenas são pagamentos
avaliados em diferentes épocas. Existe outra relação entre anuidades imediatas e
anuidades devidas. Uma anuidade imediata sobre n anos tem pagamentos em t =
1, ..., t = n e uma anuidade devida em mais de 1 ano tem pagamentos em t = 0, t
= 1, ..., t = n. Assim, a diferença é um único pagamento em t = 0.

Não existe um símbolo para o valor acumulado de uma perpetuidade, porque


seria infinito. Não é imediatamente óbvio que o valor presente será também
infinito. Usando a fórmula para a soma de uma sequência geométrica infinita
vemos que:

proeducacional.com

© Pro Educacional – Todos os direitos reservados



1 1
𝑎̂𝑛 = ∑ 𝑣 𝑘 = =
1−𝑣 𝑑
𝑘=0

E,

∞ ∞
𝑣 1
𝑎𝑛 = ∑ 𝑣 = 𝑣 ∑ 𝑣 𝑘
𝑘
=
1−𝑣 𝑖
𝑘=1 𝑘=0

Nosso próximo objeto de estudo são os fluxos de caixa e seu valor presente.
Relembre das anuidades variáveis discutidas agora há pouco, onde consideramos
uma sequência de pagamentos feitos em t = 1,2, ..., n, com o valor pago no tempo
t = k designado por pk. A intenção é generalizar ainda mais essa situação
deixando retirando o pressuposto de que os pagamentos são feitos em intervalos
regulares. Em vez disso, consideramos na sequência dos pagamentos pk
realizados no tempo t = tk. A essa sequência chamamos fluxo de caixa.

O valor de um fluxo de caixa ao tempo 𝑡∗ é calculado da seguinte forma:

∑(1 + 𝑖)𝑡∗−𝑡𝑘 ∗ 𝑃𝑘
𝑘

Que significa que o pagamento k é feito no tempo 𝑡𝑘 , por isso acumula juros para
as unidades de tempo 𝑡∗ − 𝑡𝑘 . Assim, o valor do pagamento k no tempo 𝑡∗ é
(1 + 𝑖)𝑡∗−𝑡𝑘 .. O resultado depende, claramente, da taxa de juros i. Por exemplo, o
valor presente líquido para um projeto de construção cujo total seja R$ 5.000 terá

proeducacional.com

© Pro Educacional – Todos os direitos reservados


diferentes valores presentes a depender da taxa de juros, como, por exemplo, se
segue:

Para i = 0: -15000 - 30000,00 – 25000,00 + 75000.00 =


5000,00

Para i = 0,05: -15000 - 29878,27 – 24696,91 + 72305.16


= 2729,97

Para i = 0,10: -15000 - 29762,67 – 24411,35 + 69825.93


= 651,91

Para i = 0,15: -15000 – 29652,62 - 24141,57 + 67536.40


= -1257,80

E para i = 0,20: -15000 - 29547,64 - 23886,07 + 65414.70 = -


3019,01

Quando o valor presente líquido (VPL) de um fluxo de caixa em função da taxa de


juros for igual a zero significa que o rendimento, ou taxa interna de retorno (TIR),
que nada mais é do que o valor de i que resolve esta equação é zero. O rendimento
igual a zero quer dizer que as despesas totais forem iguais ao rendimento total, o
investidor não recebe retorno algum, isto é, o rendimento será zero. Se as
despesas excederem a receita, o rendimento que resulta é negativo.

No momento de fazer uma avaliação do projeto de investimento o valor presente


líquido de um fluxo de caixa e a taxa interna de retorno precisam ser calculados e
estudados. Ambas as quantidades são frequentemente usadas, pois são úteis para
avaliar e comparar investimentos e outros projetos. Os projetos com maior valor
presente líquido são os mais rentáveis para se investir. Se, como em muitos

proeducacional.com

© Pro Educacional – Todos os direitos reservados


investimentos, há um período de desembolsos seguido de um período de receitas,
então o valor presente líquido é uma função decrescente da taxa de juros. Quando
o valor presente líquido é positivo e, portanto, o projeto dá lucro, significa que se
o investidor pegar dinheiro emprestado a uma taxa de juros que seja menor do
que a TIR ainda assim ele terá retorno positivo. Assim, um projeto com maior
TIR tem mais chance de ser lucrativo. Isso não significa, no entanto, que um
projeto com maior rendimento sempre seja mais lucrativo do que um projeto com
menor rendimento. Por exemplo, imagine que um Projeto A exija um pagamento
inicial de 10.000 reais, em troca do qual o investidor receberá 250 reais no final
de cada trimestre por 15 anos. E um Projeto B que requer um pagamento inicial
de 11.000 reais e que em contrapartida o investidor receberá 605 reais no final de
cada ano por 18 anos, ainda o pagamento inicial de 11.000 reais é reembolsado
no final. Ambos os projetos têm um desembolso no início e pagamentos ao
investidor depois, para que ambos tenham uma taxa de retorno interna bem
definida precisamos verificar seus respectivos valores presentes. O valor presente
líquido para o Projeto A é dado por

4
𝑉𝑃𝐿𝐴(𝑖) = −10000 + 1000𝑎 15

Resolvendo para encontrar a taxa de juros que zera o VPL de A encontramos que
4
𝑎15 = 10, ou seja, uma taxa de aproximadamente 5,88%. Quando fazemos o
exercício para o projeto B temos:

𝑎
𝑉𝑃𝐿𝐵(𝑖) = −11000 + 60515 + 11000𝑣 18

proeducacional.com

© Pro Educacional – Todos os direitos reservados


Aparece um termo adicional que representa o valor inicial sendo pago no final do
período reduzido pela taxa de desconto v elevada ao total de anos decorridos. E a
taxa do Projeto B seria 5,5%. Todavia o valor presente de A é de aproximadamente
2000 reais, enquanto que o do Projeto B é próximo de 4000 reais.

Entretanto, se a taxa de juros que o investidor consegue tomar dinheiro


emprestado for baixa o suficiente o Projeto B pode ser mais lucrativo do que o
Projeto A, embora tenha um rendimento menor. A taxa de juros de dinheiro
emprestado que faz com que os dois valores presentes dos projetos se igualem é
chamada de taxa cross-over. Se o investidor pode pedir dinheiro emprestado por
uma taxa mais baixa do que a taxa da cross-over, neste caso, isto significa que ele
ganhará um lucro maior no Projeto B do que no Projeto A.

Outra quantidade que às vezes é usada para avaliar projetos de investimento é o


payback. Esta quantidade surge como resposta a uma pergunta simples: Quando
eu recupero meu dinheiro investido hoje de volta? O payback é o primeiro tempo
t*, de modo que todos os pagamentos até esse tempo juntos são positivos, em
termos dos pagamentos acumulados Ck, se tivermos um j, que é o menor número
inteiro tal que Cj> 0, então o período de retorno chamado de payback será esse
período, o tj. Uma desvantagem do payback é que não leva em conta o valor do
dinheiro no tempo.

Para solucionar esse problema e não levar o valor do dinheiro no tempo em


consideração, precisamos de uma medida mais sofisticada, denominada payback
descontado. Dada a taxa de juros i, o período de retorno descontado é o primeiro
tempo t*, de modo que o valor de todos os pagamentos até esse momento é
positivo. Em outras palavras, os pagamentos descontados podem ser resumidos
em:

𝐶𝑘 = ∑ 𝑣 𝑡𝑗 𝑃𝑗
𝑗=1

proeducacional.com

© Pro Educacional – Todos os direitos reservados


Onde j é o menor número inteiro tal que o Cj> 0, e é o que chamamos de payback
descontado o período tj. Ou seja, o payback descontado é o período em que os
investidores precisam aguardar para recuperar o dinheiro se eles tivessem
tomado dinheiro emprestado para realizarem seus investimentos a taxa i.

1.2 Conceitos Básicos de Estatística

Agora nosso foco serão as noções básicas de estatísticas. Iniciamos pelo cálculo
das médias, medianas e modas. Depois veremos as medidas de dispersão
variância e o desvio padrão. Fechamos a seção conhecendo a covariância e o
coeficiente de correlação, medidas que serão uteis em posteriores capítulos de
nossa apostila.

1.2.1 Médias

A média é a medida de centro mais comumente utilizada para variáveis


quantitativas. Definição de média: a média da amostra de uma variável é a soma
dos valores observados em um dado dividido pelo número de observações.
Vejamos um exemplo: participantes em corrida de bicicleta tiveram os seguintes
tempos de chegada em minutos: 20, 25, 30, 29, 21. Qual a média?

Para apresentar as ideias e os cálculos, é conveniente representar as variáveis e


os valores observados das variáveis por símbolos para evitar que a discussão se
baseie em um conjunto específico de números. Então, se usarmos x para denotar

proeducacional.com

© Pro Educacional – Todos os direitos reservados


a variável em questão, o símbolo xi denotará a observação dessa variável no
conjunto de dados, e n será o total de observações da variável.

Como temos cinco elementos, n = 5, a média será:

(x1 + x2 + x3 + x4 +x5) / n

= (20 + 25 + 30 + 29 + 21) / 5 = 25 minutos.

De forma ainda resumida, a definição de média pode ser expressa como:

𝑛
𝑥
𝑥̅ = ∑ 𝑖⁄𝑛
𝑖

1.2.2 Mediana

A mediana de uma variável quantitativa é o valor da variável em um conjunto de


dados que divide o conjunto de valores observados ao meio, de modo que os
valores observados em uma metade são menores ou iguais ao valor médio e os
valores observados na outra metade, de forma que seja maior ou igual ao valor
médio. Para se obter a mediana da variável é preciso organizar os valores
observados em um conjunto de dados em ordem crescente e depois
determinamos o valor médio na lista ordenada. A definição de mediana: Organize
os valores observados da variável em um dado em ordem crescente. Existem duas
possibilidades:

proeducacional.com

© Pro Educacional – Todos os direitos reservados


i) Se o número de observação for ímpar, então a mediana da amostra é o
valor observado exatamente no meio da lista ordenada.
ii) Se o número de observações for par, então a mediana da amostra é o
número a meio caminho entre os dois valores observados no meio na lista
ordenada.

Exemplo: participantes em corrida de bicicleta tiveram os seguintes tempos de


chegada em minutos: 20, 25, 30, 29, 21. Qual é a mediana? Organizando os
valores em ordem crescente, 20, 21, 25, 29, 30. O número de observações é ímpar,
n = 5, então nossa media será a observação na posição n = 3, ou seja, 25 minutos.

1.2.3 Moda

A moda de uma amostra de uma variável, seja quantitativa, qualitativa, ou


discreta, é o valor da variável que ocorre com a maior frequência em um conjunto
de dados. Definição da moda: Determine a frequência de cada valor observado da
variável em um conjunto de dados e observe a maior frequência. Então:

i) Quando a maior frequência for 1 isto significará que nenhum valor


ocorre mais de uma vez. Neste caso a moda não existe.
ii) Se a maior frequência for maior que 1, então qualquer dos valores que
ocorra com essa maior frequência é chamado de moda da amostra.

Quando medimos uma variável contínua, ou uma variável discreta com muitos
valores diferentes, por exemplo, a altura ou o peso de pessoas, todas as medidas
podem ser diferentes. Nesse caso, a moda não existe, pois, cada valor observado
terá frequência 1. No entanto, os dados podem ser agrupados em intervalos,
classe, e a moda pode então ser definida em termos de frequências de classes.

proeducacional.com

© Pro Educacional – Todos os direitos reservados


Com a variável quantitativa agrupada, a classe que será chamada de moda é o
intervalo de classe com maior frequência.

1.2.4 Medidas de dispersão, Variância

A variabilidade pode ser definida em termos de quão perto os valores da amostra


estão do meio da distribuição. Usando a média como a medida do meio da
distribuição, a variância é definida como a diferença quadrática entre os valores
a média.

Por exemplo, se em uma avaliação escolar a média de uma turma com cinco
alunos foi 6, e as notas individuais foram: 4, 5, 7, 9, e 5.

Nota Desvio da Média Desvio ao Quadrado


4 -2 4
5 -1 1
7 1 1
9 3 9
5 -1 1
Médias
6 0 3,2

Podemos resumir a fórmula da variância como:

∑ 𝑋 − 𝜇⁄
𝜎2 = 𝑁

proeducacional.com

© Pro Educacional – Todos os direitos reservados


Em que sigma ao quadrado representa a variância, 𝜇 representa a média da
amostra, e N representa o número de observações.

Se a variância em uma amostra for usada para estimar a variância em uma


população, a fórmula anterior subestima a variância. É então necessário fazer a
seguinte adaptação:

∑𝑋 − 𝑀
𝑠2 = ⁄(𝑁 − 1)

Em que s ao quadrado representa a variância estimada para a população, M é a


média da amostra.

1.2.5 Medidas de dispersão, Desvio padrão

O desvio padrão é simplesmente a raiz quadrada da variância. O desvio padrão é


uma medida especialmente útil de variabilidade quando a distribuição é normal
ou aproximadamente normal porque a proporção da distribuição dentro de um
determinado número de desvios padrão da média pode ser calculada.

Por exemplo, 68% dos valores de uma distribuição normal está entre um desvio
padrão e a média. E aproximadamente 95% da distribuição estão dentro do
intervalo de dois desvios padrão e a média. Portanto, se você tiver uma
distribuição normal com uma média de 50 e um desvio padrão de 10, então 68%
da distribuição seria entre 50 - 10 = 40 e 50 +10 = 60. Da mesma forma, cerca de
95% da distribuição seria entre 50 – (2 x 10) = 30 e 50 + (2 x 10) = 70. O símbolo

proeducacional.com

© Pro Educacional – Todos os direitos reservados


para o desvio padrão da população é σ; o símbolo de uma estimativa calculada em
uma amostra é s. A figura abaixo mostra duas distribuições normais. A
distribuição vermelha tem uma média de 40 e um desvio padrão de 5; a
distribuição azul tem uma média de 60 e um desvio padrão de 10. Para a
distribuição vermelha, 68% da distribuição está entre 45 e 55; para a distribuição
azul, 68% está entre 50 e 70.

Figura: Exemplo de desvios padrões.

1.2.6 Covariância e Coeficiente de Correlação

A covariância é uma medida da variação entre duas variáveis aleatórias. No caso


onde os valores maiores de uma variável correspondem principalmente aos
valores maiores da outra variável, e se o mesmo ocorrer com os valores menores,
as variáveis tendem a mostrar comportamento semelhante. Isso significa que a
covariância será positiva. Entretanto, se os valores maiores de uma variável

proeducacional.com

© Pro Educacional – Todos os direitos reservados


correspondem principalmente aos valores menores da outra amostra, as variáveis
tendem a mostrar comportamento oposto, a covariância será negativa.

O sinal da covariância mostrará a tendência na relação linear entre as variáveis.


A magnitude da covariância é de difícil interpretação porque ela não é
normalizada, dependendo das magnitudes das variáveis.

A versão normalizada da covariância, no entanto, o coeficiente de correlação


mostra por sua magnitude a força da relação linear. Resumindo:

𝑐𝑜𝑣(𝑋, 𝑌) = 𝐸[(𝑋 − 𝐸[𝑋]) ∗ (𝑌 − 𝐸[𝑌])]

Onde E representa o operador valor esperado e X, Y, representam as amostras em


estudo.

O Coeficiente de Correlação é uma medida da correlação linear entre duas


variáveis X e Y. O coeficiente de correlação limita-se no intervalo entre +1 e -1,
onde 1 é correlação linear total positiva, 0 não possui correlação linear e -1 é
correlação linear total negativa. O coeficiente de correlação é a covariância das
duas variáveis divididas pelo produto de seus desvios padrão, resumido na
equação:

𝑐𝑜𝑣(𝑋, 𝑌)
𝜌𝑋,𝑌 = ⁄(𝜎 𝜎 )
𝑋 𝑌

1.3 Conceitos Básicos de Probabilidade

proeducacional.com

© Pro Educacional – Todos os direitos reservados


Os métodos estatísticos usam dados de amostra para fazer previsões e descrições
sobre os valores, ou parâmetros, da população. Os métodos de inferência
envolvem a comparação das estatísticas de amostra observadas com os valores
esperados. Por exemplo, suponha que uma organização de pesquisa questione
2000 eleitores para estimar a proporção de todos os eleitores que votarão em uma
eleição. Esperamos que a proporção dos 2000 eleitores na pesquisa forneça
alguma informação sobre todos os eleitores. Existe um grau de aleatoriedade
associado ao resultado da pesquisa, se o resultado for muito próximo do resultado
da eleição, temos confiança no resultado da pesquisa. A probabilidade da
proporção da inquirição ser próxima da proporção da população determina a
confiança no resultado, isso nos motiva a calcular o grau de confiabilidade da
pesquisa.

1.3.1 Valor esperado

A média de uma variável aleatória pode ser interpretada como a média dos
valores assumidos pela variável aleatória e é também chamada de valor esperado.
Sua aplicação é extremamente útil em finanças. Abaixo a definição para em
seguida vermos um exemplo.

𝜇 = 𝐸(𝑋) = ∑ 𝑋𝑃(𝑋)

Onde P(X) representa a probabilidade de que X ocorra. Para fixar, vejamos um


exemplo: suponha que um grupo de amigos compre um cartão de uma rifa a cada
mês, e que todo mês sejam vendidos mil bilhetes do sorteio por R$ 1 cada. Cada
bilhete um tem uma chance igual de ganhar o prêmio, sendo que o primeiro

proeducacional.com

© Pro Educacional – Todos os direitos reservados


prêmio é de R$ 300, o segundo prêmio é de R$ 200 e o terceiro prêmio é de R$
100. Podemos nos perguntar qual o ganho líquido potencial ao se comprar um
desses bilhetes, isto é, qual será o valor esperado de X? Como são mil bilhetes, e
cada um possui igual possibilidade de ser vencedor, os resultados possíveis são:

X 299 199 99 -1
P(X) 0,001 0,001 0,001 0,997

E(X) = 0,001 * 299 + 0,001*199 + 0,001* 99 + 0,997 * (-1) = -0,4

O quadro acima resumiu os valores de X e suas respectivas probabilidades de


ocorrência, na maioria das vezes, 997 em 1000, o resultado é uma perda de
R$1,00 usado para comprar o bilhete. E abaixo temos o cálculo do valor esperado,
que para esse nosso exemplo negativo, igual a -R$0,40.

1.3.2 Variáveis aleatórias discretas e contínuas

Variáveis, como o número de pets em uma casa, são chamadas de variáveis


discretas, uma vez que os valores possíveis são pontos discretos. Por exemplo,
uma família poderia ter três cachorros ou seis gatos, mas não 4,53 tartarugas.
Outras variáveis, como "tempo para responder a uma pergunta", são variáveis
contínuas, uma vez que a escala é contínua e não é feita de etapas discretas. O
tempo de resposta pode ser 5.4 segundos, ou pode ser 5.4584874 segundos. Os
aspectos práticos da medida impedem que as variáveis mais medidas sejam

proeducacional.com

© Pro Educacional – Todos os direitos reservados


verdadeiramente contínuas devido a nossa limitação em representá-las com
infinitas casas.

1.3.3 Distribuições de probabilidade

1.3.3.1 Distribuição Uniforme

Uma variável possui distribuição uniforme quando todos os valores recebem a


mesma chance de ocorrer, ou seja, supondo que os valores em questão pertençam
ao intervalo entre zero e um, a distribuição de probabilidade será como dado na
figura abaixo:

A função de distribuição cumulativa para a distribuição uniforme, com, e.g.,


valores de k dentro do intervalo [a, b], é expressa como:

proeducacional.com

© Pro Educacional – Todos os direitos reservados


𝑘−𝑎+1
𝐹(𝑘;𝑎,𝑏) =
𝑏−𝑎+1

1.3.3.2 Distribuição Binomial

A distribuição binomial, suponha com parâmetros n e p, é a distribuição de


probabilidade discreta de um número de sucessos em uma sequência de n
experimentos independentes. A distribuição binomial é frequentemente usada
para modelar o número de sucessos em uma amostra de tamanho n desenhada
com substituição de uma população de tamanho N. Em geral, se a variável
aleatória X segue a distribuição binomial com os parâmetros n ∈ ℕ e p ∈ [0,1],
escrevemos X ~ B (n, p). A probabilidade de obter k sucessos em n realizações é
dada pela função:

𝑛!
𝑃(𝑘;𝑛,𝑝) = 𝑝𝑘 (1 − 𝑝)𝑛−𝑘
𝑘! (𝑛 − 𝑘)!

E a função de distribuição cumulativa para a distribuição binomial é:

|𝑘|
𝑛
𝐹(𝑘;𝑛,𝑝) = ∑ ( ) 𝑝𝑖 (1 − 𝑝)𝑛−𝑖
𝑖
𝑖=0

proeducacional.com

© Pro Educacional – Todos os direitos reservados


1.3.3.3 Distribuição Normal

A distribuição normal, ou gaussiana, é a distribuição de probabilidade contínua


mais comum. As distribuições normais são importantes nas estatísticas e muitas
vezes são usadas nas ciências naturais e sociais para representar variáveis
aleatórias cujas distribuições não são conhecidas. A distribuição normal é útil por
causa do teorema do limite central. Em sua forma mais geral, o teorema afirma
que as médias de amostras de observações de variáveis aleatórias
independentemente tiradas de distribuições independentes convergem em
distribuição para a distribuição normal. Isto significa que se distribuem
normalmente quando o número de observações é suficientemente grande.
Quantidades físicas que se espera que sejam a soma de muitos processos
independentes geralmente têm distribuições que são quase normais, muitos
resultados e métodos podem ser derivados analiticamente em forma explícita
quando as variáveis relevantes são normalmente distribuídas. Informalmente é
denominada como curva do sino.

A densidade de probabilidade da distribuição normal é:

1 (𝑥−𝜇)2

𝐹(𝑘|𝜇,𝜎2 ) = 2 𝑒 2𝜎2
√2𝜋𝜎 2

1.3.3.4 Distribuição t de Student

A distribuição t de Student é qualquer membro de uma família de distribuições


contínuas de probabilidade que se origina ao estimar a média de uma população
normalmente distribuída em situações em que o tamanho da amostra é pequeno

proeducacional.com

© Pro Educacional – Todos os direitos reservados


e o desvio padrão da população não é conhecido. Foi elaborada por William Sealy
Gosset sob o pseudônimo de Student. A distribuição t desempenha um papel
importante em estatística devido o teste t de Student que é utilizada para avaliar
a significância estatística e a construção dos intervalos de confiança.

A distribuição t é simétrica e em forma de sino, como a distribuição normal, mas


tem caudas mais pesadas, isto é, ela é mais propensa a produzir valores que se
afastam da sua média.

A função densidade de probabilidade da t de Student é dada por:

1 −𝜏+1
𝑡2 2
𝐹(𝑡) = (1 + 𝜏 )
2 √𝜏𝐵(12, 2𝜏 )
2

Onde 𝜏 representa os graus de liberdade, B é função beta com parâmetros ½ e


𝜏/2.

1.3.4 Simulação de Monte Carlo

A principal ideia por trás da simulação de Monte Carlo é que os resultados são
calculados com base em uma amostragem aleatória repetidas vezes, isto é, esse
método é uma experimentação aleatória. As simulações de Monte Carlo são
caracterizadas por uma grande quantidade de parâmetros desconhecidos, alguns
poderiam ser difíceis de obter experimentalmente. Os métodos de simulação de
Monte Carlo nem sempre requerem números verdadeiramente aleatórios para
serem úteis. Algumas das técnicas mais úteis utilizam sequências deterministas

proeducacional.com

© Pro Educacional – Todos os direitos reservados


que facilitam a prova e a conferência das simulações com posteriores
contraprovas.

Uma simulação do tipo Monte Carlo de qualidade deveria ser capaz de gerar
números pseudoaleatórios. Esses valores precisam passar em testes de
aleatoriedade que são comumente disponíveis em diversos softwares de
estatística. É preciso utilizar um número de amostras suficientemente grande
para que se garanta resultados precisos, além disso, é necessário que se utilize
técnicas de amostragem adequadas, de modo que o algoritmo usado consiga
modelar e simular o fenômeno em estudo.

As simulações de Monte Carlo têm sido utilizadas em diversas áreas da ciência,


desde teoria dos jogos à biologia computacional. Mas é talvez em finanças onde
este método tenha uma de suas maiores aplicações. Ela é comumente usada para
avaliar o risco e a incerteza que afetariam o resultado de diferentes opções de
mercado, dúvidas sobre investimentos. É possível, por exemplo, simplesmente
instalando uma extensão no Microsoft Excel realizar simulações de Monte Carlo
e assim permitir que o analista de risco empresarial incorpore os efeitos totais de
incerteza, como variáveis incertas do tipo volume de vendas, commodities e
preços do trabalho, juros e taxas de câmbio- para o trimestre ou ano seguinte.
Simular vários cenários e ver qual seria a situação no futuro para cada um dos
cenários fictícios estipulando assim status como “Otimista”, “Neutro”, ou cenário
“Pessimista”. Além disso, o método é frequentemente usado para avaliar
investimentos em projetos em uma unidade de negócios ou nível corporativo. Sua
utilização também é comum para avaliar derivativos financeiros. Uma das
utilizações mais comuns dos métodos de Monte Carlo é calcular o preço das
opções incorporando análises de risco para diferentes cenários.

1.4 Amostragem, Estimação e Testes de


Hipótese

proeducacional.com

© Pro Educacional – Todos os direitos reservados


Ao interpretar um resultado experimental temos uma questão importante a
saber: poderia esse resultado ter ocorrido por acaso? O teste de hipóteses é um
procedimento estatístico para testar se o acaso é uma explicação plausível de um
achado experimental. Podemos exemplificar o teste de hipóteses com uma
história. Imagine que José insista que as caipirinhas deveriam ser chacoalhadas
em vez de mexidas. Consideremos um experimento hipotético para determinar
se o José pode dizer a diferença entre um caipirinha chacoalhada e uma que foi
mexida. Suponhamos que demos a José uma série de 16 provas de sabor. Em cada
teste, jogamos uma moeda justa para determinar se chacoalhamos ou mexemos
a caipirinha. Então apresentamos a caipirinha ao José e pedimos que ele decidisse
se esta estava chacoalhada ou mexida. Digamos que o José estava correto em 13
dos 16 testes de sabor. Isso prova que o José tem pelo menos alguma habilidade
para dizer se a caipirinha foi chacoalhada ou mexida? Este resultado não prova,
poderia ser que ele foi apenas sortudo e adivinhou de maneira correta 13 em 16
vezes. Mas, como é plausível a explicação de que ele teve sorte? Para avaliar a sua
plausibilidade, determinamos a probabilidade de que alguém que adivinhasse
13/16 vezes ou mais. Essa probabilidade pode ser calculada a partir da
distribuição binomial e é de 0,0106. Esta é uma probabilidade muito baixa e,
portanto, alguém teria que ser muito afortunado de estar correto 13 ou mais vezes
em 16 tentativas, se eles estivessem apenas adivinhando. Então, o José teve muita
sorte, ou pode mesmo dizer se a bebida foi chacoalhada ou mexida. A hipótese de
que ele estava adivinhando não é provada falsa, apensa pouco provável. Portanto,
há uma forte evidência de que o José pode sim dizer se uma bebida foi
chacoalhada ou mexida.

1.4.1 A hipótese Nula

proeducacional.com

© Pro Educacional – Todos os direitos reservados


A hipótese de que um resultado é devido ao acaso é chamada de hipótese nula. A
hipótese nula e a hipótese alternativa são usadas em testes estatísticos. As
hipóteses são conjecturas sobre um modelo estatístico da população que baseia
em uma amostra da população. A afirmação que está sendo testada em um teste
de significância é chamada de hipótese nula. O teste de significância é projetado
para avaliar a força da evidência contra a hipótese nula. A hipótese nula é
simbolizada como H0. A afirmação que se espera ser verdadeira, em vez da
hipótese nula, é a hipótese alternativa. Simbolizada por H1.

Os testes de significância estatística são um procedimento para decidir se os


dados da amostra são consistentes com a hipótese nula ou não. Caso os dados da
amostra sejam inconsistentes com a hipótese nula, então rejeita-se a hipótese
nula e conclui-se que a hipótese alternativa é verdadeira.

1.4.2 Erros Tipo I e Tipo II

Mesmo quando existe um baixo valor de probabilidade ainda é possível que a


hipótese nula seja verdadeira e que o resultado da amostra tenha ocorrido por
acaso. Neste caso, a conclusão que se chega através do teste de hipótese é errada.
Esse tipo de erro é chamado de erro de Tipo I. Um erro de Tipo I ocorre quando
um teste de significância resulta na rejeição de uma verdadeira hipótese nula. Por
convenção, se o valor da probabilidade for inferior a 0,05, a hipótese nula pode
ser rejeitada. Outra opção é rejeitar a hipótese nula se o valor da probabilidade
for inferior a 0,01. O limite para rejeitar a hipótese nula é chamado de nível α ou
simplesmente α, ou nível de significância. É sempre melhor interpretar o valor da
probabilidade como uma indicação do peso da evidência contra a hipótese nula.
A taxa de erro Tipo I é afetada por α, quanto menor for o nível α, menor será a
taxa de erro Tipo I. Pode parecer que α é a probabilidade de um erro de Tipo I,
todavia, isso não é correto. Em vez disso, α é a probabilidade de um erro de Tipo

proeducacional.com

© Pro Educacional – Todos os direitos reservados


I dado que a hipótese nula é verdadeira. Se a hipótese nula for falsa, então é
impossível fazer um erro de Tipo I.

O segundo tipo de erro que pode ser feito no teste de significância é o de não
rejeitar uma falsa hipótese nula. Esse tipo de erro é chamado de erro de Tipo II.
Ao contrário de um erro de Tipo I, um erro de Tipo II não é realmente um erro.
Quando um teste estatístico não é significativo, isso significa que os dados não
fornecem uma forte evidência de que a hipótese nula seja falsa. A falta de
significância não sustenta a conclusão de que a hipótese nula seja verdadeira e,
portanto, um pesquisador não deve cometer o erro de concluir incorretamente
que a hipótese nula é verdadeira quando um teste estatístico não era significativo.
Em vez disso, o pesquisador deve considerar o teste inconclusivo. Contraste isso
com um erro de Tipo I no qual o pesquisador conclui erroneamente que a hipótese
nula é falsa quando, de fato, é verdadeira. Um erro de Tipo II só pode ocorrer se
a hipótese nula for falsa. Se a hipótese nula for falsa, a probabilidade de um erro
de Tipo II é denominada β, a probabilidade de rejeitar corretamente uma
hipótese nula falsa é igual a 1-β.

1.4.3 Os testes unicaudal e bicaudal

Voltando ao nosso exemplo do José, onde José recebeu 16 amostras de


caipirinhas e decidia se ela havia sido mexida ou chacoalhada. Ele esteve correto
em 13 vezes. A partir da distribuição binomial, sabemos que a probabilidade de
estar correto 13 ou mais vezes de 16, se alguém só chutar é de 0,0106. A figura
abaixo mostra um gráfico da distribuição binomial. As barras vermelhas mostram
os valores maiores ou iguais a 13. As probabilidades são calculadas para a parte
superior da cauda da distribuição, uma probabilidade calculada em apenas uma
cauda da distribuição é chamada de "probabilidade unicaudal".

proeducacional.com

© Pro Educacional – Todos os direitos reservados


Outra forma de analisar o problema seria se perguntar qual é a probabilidade de
obter um resultado extremo, tão ou mais extremo do que o observado. Um
resultado de 3/13 é tão extremo quanto 13/16. Assim, para calcular esta
probabilidade, consideramos as duas caudas da distribuição. Como a distribuição
binomial é simétrica, essa probabilidade é exatamente o dobro da probabilidade
de 0,0106 calculada anteriormente. Portanto, p = 0,0212. Uma probabilidade
calculada em ambas as caudas de uma distribuição é chamada de probabilidade
bicaudal.

A probabilidade de uma cauda (ou de duas caudas) deve ser usada para avaliar o
desempenho do José? Isso depende da forma como a questão é colocada. Se
estamos perguntando se o José pode dizer a diferença entre as caipirinhas
chacoalhadas ou mexidas, podemos dizer que ele pode. Se ele se apresentasse
muito pior do que o acaso, concluiríamos que ele poderia distinguir a diferença,

proeducacional.com

© Pro Educacional – Todos os direitos reservados


mas não saberia qual foi preparada de qual forma. Portanto, uma vez que vamos
rejeitar a hipótese nula, se o José foi muito bem ou muito mal, usaremos uma
probabilidade de duas colunas. Por outro lado, se a nossa questão é se o José é
melhor do que o acaso em determinar se uma caipirinha é chacoalhada ou
mexida, usaríamos uma probabilidade unicaudal.

A hipótese nula para o teste bicaudal é π = 0,5. Em contrapartida, a hipótese nula


para o teste unicaudal é π ≤ 0,5. Consequentemente, rejeitamos a hipótese
bicaudal se a proporção da amostra se desvia muito de 0,5 em qualquer direção.
A hipótese unicaudal é rejeitada somente se a proporção da amostra for muito
maior do que 0,05. A hipótese alternativa no teste bicaudal é π ≠ 0,5. No teste
unicaudal é π > 0,5. Você sempre deve decidir se vai usar teste unicaudal ou
bicaudal antes de examinar os dados. Os testes bicaudais são muito mais comuns
do que os testes unicaudais porque geralmente é importante notar um resultado
que signifique que algo além do acaso esteja acontecendo. Os testes unicaudais
são apropriados quando não é importante distinguir entre nenhum efeito e um
efeito na direção inesperada. Por exemplo, considere um experimento projetado
para testar a eficácia do tratamento para gripe. O pesquisador só gostaria de saber
se o tratamento era melhor do que um controle de placebo. Não valeria a pena
distinguir entre o caso em que o tratamento era pior do que um placebo e o caso
em que era o mesmo, porque em ambos os casos o remédio seria inútil.

1.4.4 Análise de variância (ANOVA)

A análise de variância (ANOVA) é um método estatístico usado para testar


diferenças entre duas ou mais médias. Pode parecer estranho que a técnica seja
chamada de "Análise de Variância" ao invés de "Análise de Médias", mas o nome
é apropriado porque as inferências sobre as médias são feitas através da análise

proeducacional.com

© Pro Educacional – Todos os direitos reservados


da variância. A ANOVA é usada para testar diferenças gerais e não especificas
entre as médias.

A ANOVA testa a hipótese nula não especifica de que as médias populacionais são
iguais. Quando a hipótese nula é rejeitada, a conclusão é que pelo menos uma
média de população é diferente de pelo menos uma outra média. No entanto, a
ANOVA não revela quais as médias que são diferentes entre si.

proeducacional.com

© Pro Educacional – Todos os direitos reservados

Você também pode gostar