ESTIMACAO D O R ISCO SISTEMATICO EM MO D EL O S CAP M CO M ER R O S N O R MAIS ASSIMETR ICO S

Vin cius Quintas Souto MAIOR1 F rancisco J os A. C Y SN E IROS1 e

RESUMO: Os modelos de valorizaao de ativos de capital, CAPM (Capital Asset Pricing c Model) t m sido aplicados para u ma variedade de situ aoes em nanas sob a su posiao e c c c de normalidade dos erros. Em algu mas situ aoes, os retornos podem apresentar u ma c certa assimetria. Sendo assim, u ma alternativa para contemplar essa situ ao assu mir ca e distrib u ioes na classe assim trica tal como a normal assim trica. N este artigo c e e e desenvolvida a estimaao do risco sistem tico em modelos CAPMs com erros distrib u c a dos na classe normal assim trica para ex plicar o ex cesso de retorno esperado de u m conju nto e de aoes. Uma aplicaao em q u e a estimativa do risco sistem tico da Microsoft c c a e comparado sob erros normais e normais assim tricos ser apresentada como ilu straao. e a c PAL AV RAS-CH AV E: CAPM; distrib u iao normal assim trica; retornos assim tricos. c e e

Introduo ca

A sup osi o d e norm alid ad e se m p re foi m uito atrativ a p ara e stud ar as ca re ntab ilid ad e s d as a e s e m m od e los d e v aloriz a o d e ativ os d e cap ital (C AP M). co ca E ste s m od e los e stab e le ce m um a re la o funcional e ntre a re ntab ilid ad e e sp e rad a ca d e um t tulo, o re torno liv re d e risco e um p r m io p or risco. Os m od e los C AP Ms e t m sid o ap licad os a um a v arie d ad e d e situa e s e m nan as [v e r, p or e x e m p lo, e co c Rup p e rt (2 0 0 4 )], p articularm e nte p ara o e stud o d o risco siste m tico d os ativ os. O a risco siste m tico um a m e d id a im p ortante d e risco tanto p ara analistas nance iros a e com o p ara ad m inistrad ore s d e carte ira. E ste p ar m e tro te m g rand e im p ort ncia a a p ara o clculo d o custo d e cap ital d os fund os p rp rios, q ue b sico na av alia o a o e a ca d e q ualq ue r p roje to ou m e sm o na v aloriz a o d e um a e m p re sa [v e r, p or e x e m p lo, ca C am p b e ll e t al. (1 9 9 7 )].

1 Departamento

de Estat stica, Universidade Federal de Pernambuco - UFPE, CEP: 50740-540, R ecife, PE, B rasil, E-mail: viniciussoutomaior@gmail.com / cy sne iros@d e .ufp e .b r

R e v. B ras. B iom., S o Paulo, v.2 7, n.2 , p.1 9 7-2 09 , 2 009 a

197

Utiliza-se, em geral, o mtodo de m e nimos quadrados para estimar o risco sistemtico de uma ao. Contudo, em situaes que os dados apresentam a ca co assimetria, esse mtodo pode no ser adequado. Por outro lado, existem evidncias e a e emp ricas de que as rentabilidades das aes tenh am distribuies de retornos co co assimtricos. Extenses do modelo CAPM tm sido propostas na literatura. Por e o e exemplo, Cademartori et al. (2003 ) desenvolveram os modelos CAPM com erros t-student aplicado no mercado de aes ch ileno. G alea et al. (2008 ) consideram o co vetor de erros no modelo CAPM tendo uma distribuio el ca ptica. Enquanto que Paula e Cy sneiros (2009) consideram cada erro t independente e pertencente a classe de distribuies simtricas. co e O objetivo principal do artigo estender a classe de modelos CAPM, que e inicialmente baseada na suposio de normalidade dos erros, para a classe normal e ca assimtrica. e O artigo est organizado em 5 sees. O modelo CAPM e as principais a co caracter sticas da distribuio normal assimtrica so apresentados na segunda ca e a seo. Na Seo 3 so apresentados os materiais e mtodos utilizados. Uma ca ca a e aplicao em que o risco sistemtico comparado sob erros com distribuio normal ca a e ca e normal assimtrica dada na Seo 4. As concluses nais so encontradas na e e ca o a Seo 5 . ca

2
2.1

Referencial terico o
Modelo CAPM

O modelo CAPM foi desenvolvido independentemente por Sh arpe (196 4), L intner (196 5 ) e Mossin (196 6 ). Este modelo estabelece uma relao funcional ca entre a rentabilidade esperada de um t tulo, o retorno livre de risco e um prmio e por risco dada por rt rf t yt = = + (rm t rf t ) + + xt + t ,
t

(1)

em que rt denota o retorno de uma ao no per ca odo t, rf t indica a taxa livre de risco durante o t-simo per e odo e rm t o retorno fornecido pelo mercado medido e por algum ndice, por exemplo, no caso do B rasil o IBOVESPA e no caso do mercado norteamericano o S&P500. Aqui, yt = rt rf t denota o excesso de retorno de uma ao no per ca odo t e xt = rm t rf t denota o excesso de retorno fornecido pelo mercado no mesmo per odo t. Os erros t so considerados mutuamente independentes com a distribuio N(0, 2 ). ca D e posse das sries rt , rf t e rm t para t = 1, ..., n , poss calcular os excessos e e vel de retornos yt e xt e regressar yt em xt para estimar os parmetros e . O a intercepto o retorno do ativo independente das utuaes do mercado, ele mede e co o quo valorizado o ativo. A h iptese de = 0 est testando se o ativo valorizado a e o a e corretamente de acordo com o CAPM. Se > 0 o ativo subvalorizado e os retornos e
198 Rev. Bras. Biom., So Paulo, v.27, n.2, p.197-209, 2009 a

so, em mdia, grandes. O parmetro mede o risco sistemtico do ativo sob estudo a e a a e a recompensa por assumir este risco. Consequentemente, a medida de quo e a agressivo o ativo. Portanto, se > 1 podemos considerar o ativo agressivo, se e = 1 podemos considerar o ativo como sendo de risco mdio e se < 1 o ativo e pode ser considerado de risco no agressivo. a O risco sistemtico assumido no modelo (1) uma quantidade xada a ser a e estimada, entretanto ela pode variar ao longo do tempo. Contudo, como uma e quantidade no diretamente observvel, torn-se dif detectar mudanas ao longo a a a cil c do tempo. Como sugesto, Ruppert (2004, p.250) assume uma funo suave para a e ca modelar (t), tal que (t) = b0 + b1 t ou, alternativamente, (t) = + t (n + 1)/2 n1 , (2)

em que (n + 1)/2 o ponto mdio da varivel temporal t = 1, . . . , n. Aqui, quando e e a t = (n + 1)/2 temos (t) = . Alm disso, pode ser interpretado como a mudana e c em ao logo do intervalo [1, n]. Ento, assumindo (2), tem-se o modelo de regresso a a mltipla u t (n + 1)/2 xt + t , (3) yt = + xt + n1 em que t = 1, . . . , n e 2 t N(0, ).
t

so erros mutualmente independentes distribu a dos como

A validade do CAPM pode ser garantida apenas se as seguintes suposies co econmicas so verdadeiras: o a 1. Os preos de mercado esto em equil c a brio . Em particular, para cada ativo, oferta igual a demanda; 2. T odos ativos tm a mesma previso de riscos e de retornos esperados; e a 3. O mercado recompensa pessoas por assumir inevitvel risco, mas no existe a a recompensa por riscos desnecessrios devido ` ineciente seleo do portfolio; a a ca Certamente ningum acredita que quaisquer dessas suposies so exatamente e co a verdadeiras, mas, apesar de suas falhas, o CAPM vastamente usado em nanas e c e existem controvrsias sobre quo grave realmente a evidncia contra ele. e a e e 2.2 Distribuio normal assimtrica ca e

Dene-se que uma varivel aleatria Y tem distribuio normal assimtrica se a o ca e sua funo de densidade dada por ca e f (y; , , ) = (2/) ( z)(z), em que < y, t , < , > 0, z = (y )/, a funo de distribuio e ca ca acumulada da normal padro e a funo de densidade da normal padro. O a e ca a
Rev. Bras. Biom., So Paulo, v.27, n.2, p.197-209, 2009 a 199

parmetro caracteriza a forma da distribuio e tambm denominado parmetro a ca e e a de assimetria, pois valores negativos de indicam assimetria negativa e valores positivos de indicam assimetria positiva. A distribuio normal assimtrica se ca e reduz ` distribuio normal quando = 0. O fato de a distribuio normal ser um a ca ca caso particular da normal assimtrica faz desta ultima um bom ponto de partida e para o estudo terico e emp o rico do impacto da assimetria nos retornos dos ativos. Ser utilizada a seguinte notao: Y S N (, 2 , ). a ca A Figura 1 ilustra o comportamento da funo de densidade da distribuio ca ca normal assimtrica para alguns valores de . e

0.7

=0.0 =1.0 =2.5 =4.5

f(y) 0.0 2 0.1 0.2 0.3

0.4

0.5

0.6

1 y

Figura 1 - Funo densidade S N (0, 1, ), para diferentes valores de . ca A mdia e a varincia de Y so dadas respectivamente por e a a E(Y ) = + 2 1 + 2 e V a r(Y ) = 2 1 2 2 1 + 2 .

O coeciente de assimetria da distribuo normal assimtrica, dado por ca e 1 = 2 4 1 1 + 2

3

2 2 1 1 + 2

3/2

(4)

caracteriza como e quanto a distribuio se afasta da suposio de simetria da ca ca normal, sendo uma funo crescente em ||, e se = 0 ento 1 = 0. Da expresso ca a a (4) obtemos que 1 [0, 99527; 0, 99527] [ver, Azzalini (1985)]. O coeciente de excesso de curtose, expresso por 2 = 8 ( 3) 2 1 + 2
4

2 2 1 + 2

(5)

200

Rev. Bras. Biom., So Paulo, v.27, n.2, p.197-209, 2009 a

procura caracterizar o formato da distribuio quanto ao seu achatamento, sendo ca menor que 0 para as distribuies platicrticas, igual a 0 para as distribuies co u co mesocrticas e maior do que 0 para as distribuies leptocrticas. Da expresso (5) u co u a obtemos que este coeciente assume valores no intervalo [0; 0,86869] [ver, Azzalini (1985)]. Assim, para = 0 a normal assimtrica uma distribuio leptocrtica. e e ca u A parametrizao centrada para a distribuio normal assimtrica foi ca ca e introduzida por Azzalini (1985) para evitar o problema de singularidade da matriz de informao de Fisher. O modelo de regresso linear normal assimtrico com ca a e parametrizao centrada dado por: ca e yt = + xt + 0 , i onde
0 i

(6) e = (1 2 ) 2 . Com esta

1

parametrizao, a mdia e a varincia da varivel resposta cam sendo X e 2 I, ca e a a respectivamente. No modelo com parmetros diretos, a mdia da varivel resposta a e a
2 X + 1+ 2 1. Azzalini e Capitanio (1999) apresentam algumas vantagens e da parametrizao centrada em relao ` parametrizao direta. Podemos citar que ca ca a ca a parametrizao centrada remove a singularidade da informao de Fisher quando ca ca = 0, este fato examinado numericamente por Azzalini (1985) e checado com e detalhes anal ticos por Chiogna (1997). A forma da funo de verossimilhana ca c e geralmente melhorada e isso conduz ` uma convergncia nmerica de maximizao a e u ca mais rpida. a Esta distribuio permite uma exibilidade maior incorporando uma classe ca mais ampla de modelos que no necessitam da suposio de simetria dos erros. a ca

SN(0, 1, ), =

2 1+ 2

Materiais e mtodos e

O modelo CAPM de regresso mltipla, apresentado na expresso (3), foi a u a utilizado para estimar o risco sistemtico da Microsoft. Com esse propsito, a o considerou-se os preos de fechamento dirios da Microsoft e da S& P500 no per c a odo de 2 de Novembro de 2001 a 31 de Janeiro de 2003. As taxas da T-bill foram usadas como os retornos livres de risco e divididas por 253 para se converter a uma taxa diria [ver, Ruppert (2004)]. A Figura 2 mostra a relao entre o excesso a ca de retorno da S& P500 e o excesso de retorno da Microsoft. Pode-se notar uma forte tendncia linear entre os excessos de retornos; coeciente de correlao igual e ca a 0,68. Todas as funes para estimao, testes de hipteses, anlise de res co ca o a duos para a classe de modelos lineares com erros sk ew -normal foram desenvolvidas a partir de programas constru dos usando utilizando o ambiente de programao R ca em sua verso 2.9.0 atravs da library sn. Esta linguagem foi criada por Ross Ihak a a e e Robert Gentleman na Universidade de Auck land. O R se encontra dispon vel gratuitamente em http:/ / w w w .r-project.org. Os cdigos em R utilizados neste o artigo podem ser solicitado aos autores pelo e-mail (cysneiros@ de.ufpe.br).

Rev. Bras. Biom., So Paulo, v.27, n.2, p.197-209, 2009 a

201

Excesso de retorno da Microsoft

10 4

10

Excesso de retorno da S&P500

Figura 2 - Excesso de retorno da S&P500 versus execesso de retorno da Microsoft.

Resultados

Ajustando o modelo (3) sob a suposio de normalidade para os erros, nota-se ca que a hiptese = 0 no rejeitada indicando que este modelo ajustado est o a e a de acordo com o CAPM, e ainda, a estimativa do parmetro tambm no a e a e signicativa, indicando que o risco sistemtico no sofre mudanas ao longo do a a c tempo. Assim, podemos assumir que modelo nal dado por e rt rf t = (rmt rf t ) +
t

(7)

com t N(0, 2 ). A estimativa de mxima verossimilhana para o risco sistemtico a c a acima de 1,130, com erro padro igual a 0,069 [ver, Tabela 1]. Construindo um e a intervalo assinttico com 95% de conana para o risco sistemtico , tem-se que o c a o limite inferior de 0,994 e o limite superior de 1,265. Estes limites incluem o e e valor 1, portanto, conclui-se que o ativo pode ser considerado de risco mdio, ao e n de 95% de conana. vel c O grco normal de probabilidades com envelope do modelo ajustado sob erros a normais indica que os res duos possuem uma certa assimetria negativa [ver, Figura 3a]. Para captar essa utuao assimtrica, ajustou-se o modelo (3) considerando ca e a suposio para os erros pertencente ` classe normal assimtrica. Nota-se que ca a e as hipteses = 0 e = 0 no so rejeitadas. As estimativas de mxima o a a a verossimilhana so apresentadas na Tabela 1. c a A Figura 3b mostra o grco normal de probabilidades com envelope para o a modelo ajustado sob erros normais assimtricos [ver, Souza (2007)]. Podemos notar e
202 Rev. Bras. Biom., So Paulo, v.27, n.2, p.197-209, 2009 a

QQ Plot
4 4

QQ Plot

Residuo Studentizado

Resduo de Pearson 3 2 1 0 1 Percentis da N(0,1) (a) 2 3

4 3

1 0 1 Quantis da N(0,1) (b)

Figura 3 - Grco normal de probabilidades com envelope do modelo ajustado sob a erros normais (a) e grco normal de probabilidades com envelope do a modelo ajustado sob erros normais assimtricos (b). e que os pontos se comportam dentro das bandas de conana, indicando que no h c a a evidncias contra a suposio de erros com distribuio normal assimtrica. e ca ca e A estimativa de mxima verossimilhana do coeciente de assimetria supondo a c os erros distribu dos na classe normal assimtrica dada por -0,197, com e e isso, verica-se que os retornos possuem uma certa assimetria negativa. Um intervalo assinttico com 95% de conana para o coeciente de assimetria o c e limitado inferiormente por -0,391 e superiormente por -0,003. Este intervalo no a contm o valor 0, portanto, conrmando a assimtria. A estimativa de mxima e e a verossimilhana do risco sistemtico no modelo (7) dada por 1,136. Construindo c a e um intervalo assinttico com 95% de conana para temos que o limite inferior o c e 1,006 e o limite superior 1,267. Este intervalo contm apenas valores maiores que e e 1, portanto, pode-se considerar o ativo como sendo de risco agressivo, ao n de vel 95% de conana. c Entre os modelos ajustados o que apresentou o menor valor para o Critrio e de Informao de Akaike (AIC) foi o modelo CAPM baseado na suposio de erros ca ca normais assimtricos. e

Rev. Bras. Biom., So Paulo, v.27, n.2, p.197-209, 2009 a

203

Tabela 1 - Estimativas de mxima verossimilhana para o risco sistemtico do a c a modelo ajustado sob erros distribu dos na classe normal e normal assimtrica e Erro Normal Normal Assimtrica e Parmetro a assimetria Estimativa 1,130 1,909 1,136 1,902 -0,197 E.P. 0,069 0,069 0,067 0,077 0,099 Valor p < 0, 001 < 0, 001 < 0, 001 < 0, 001 0, 041 AIC 1279,394 1216,514

Concluses o
Neste trabalho, realizou-se a extenso da classe de modelos de valorizao de a ca ativos de capital (CAPM) que inicialmente baseada na suposio de normalidade e ca dos erros para a classe normal assimtrica. A classe normal assimetrica tem como e caso particular a distribuio normal quando o parmetro de assimetria, , igual a ca a e 0. Isso faz dela um bom ponto de partida para o estudo terico e emp o rico do impacto da assimetria nos retornos dos ativos. O exemplo ilustrativo em que o excesso de retorno da Microsoft explicado pelo excesso de retorno da S&P500 no per e odo de 2 de novembro de 2001 a 31 de janeiro de 2003, mostrou que desconsiderando a assimetria presente nos dados poss e vel classicar o risco estimado erroneamente levando ao investigador a tomada de deciso equivocada. a A relevncia do presente artigo consiste na aplicabilidade dos seus resultados a no campo de Finanas, podendo ser objeto de estudo tanto na rea acadmica como c a e no campo prossional nas reas da Estat a stica e Economia. Trabalhos futuros podem desenvolver a estimao do risco sistemtico em ca a modelos CAPMs com erros auto-regressivos para explicar o excesso de retorno esperado de um conjunto de aes. co

A g radecimentos
Este trabalho tem recebido suporte nanceiro do CNPq - Brasil e os autores so muito grato aos dois revisores e ao Editor Chefe pelos comentrios e sugestes. a a o

MAIOR, V. Q. S.; CYSNEIROS, F. J. A. Systematic risk estimation in skew normal models. Rev. Bras. Biom., So Paulo, v.27, n.2, p.197-209, 2009 a
204 Rev. Bras. Biom., So Paulo, v.27, n.2, p.197-209, 2009 a

ABSTRACT: The Capital Asset Pricing Models (CAPMs) have been applied for a variety of situ ations in nance u nder the assu m ption of norm ality of errors. In som e situ ations, the retu rns m ay show a certain asy m m etry . Thu s, an alternative to contem plate this situ ation is tak e distribu tions in the class asy m m etric as the sk ew norm al. In this article w e estim ate the sy stem atic risk in m odels CAPMs w ith distribu tion errors in the class sk ew norm al to ex plain the ex cess of ex pected retu rn of a set of actions. An application w here the estim ation of sy stem atic risk of Microsoft is com pared u nder norm al errors and sk ew norm al w ill be presented as an illu stration. K E Y W O RD S: Asy m m etric retu rns; CAPM; sk ew norm al distribu tion.

Referncias e
AZZALINI, A. A class of distribution which includes the normal ones. Scand. J. Statist., v.12, p.171-178, 1985. AZZALINI, A.; CAPITANIO, A. Statistical applications of the multivariate skewnormal distribution. J. R. Statist. Soc., v.61, p.579-602, 1999. CADEMARTORI, D.; ROMO, C.; CAMPOS, R.; GALEA, M. Robust estimation of systematic risk using the t distribution in the chilean stock markets. A p p lied E conomics L etters, v.10, n.7, p.447-453, 2003. CAMPBELL, J.; LO, A.; MACK INLAY, A. E conometrics of nancial mark ets. New Jersey: Princeton University Press, 1997. CH IOGNA, M. N otes on estimation p rob lems w ith scalar sk ew -normal distrib u tions (Technical Report 1997.15). Department of Statistical Sciences, University of Padua, Padua, 1997. GALEA, M.; D IAZ-GARC J. A.; VILCA, F. Inuence diagnostics in the capital IA, asset pricing model under elliptical distribution. Jou rnal of A p p lied Statistics, v.35, n.2, p.179-192, 2008. LINTNER, J. The valuation of risk assets and the selection of risky investments in stock portfolios and capitals budgetd. Review of E comonics and Statistics, v.42, p.13-37, 1965. MOSSIN, J. Equilibrium in capital asset market. E conometrica, v.35, p.768-783, 1966. PAULA, G. A.; CYSNEIROS, F. J. A. Systematic risk estimation in symmetric models. A p p lied E conomics L etters, v.16, n.2, p.217-212, 2009. R Development Core Team (2009). R: A language and environment for statistical computing. R F ou ndation for Statistical C omp u ting , Vienna, Austria. ISBN 390005107-0, URL http://www.R-project.org. RUPPERT, D. Statistics and nance. New York: Springer, 2004.
Rev. Bras. Biom., So Paulo, v.27, n.2, p.197-209, 2009 a 205

SHARPE, W. Capital asset prices: A theory of markets equilibrium under conditions of risk. Journal of Finance, v.19, p.425-442, 1964. SOUZA, W. B. M odelo de regress o normal assim trico, 2007. 23p. Monograca a e U niv e rsid ad e F e d e ral d e P e rnam b u co, R e cife , P e rnam b u co, 2007 (n o pu b licad a). a

R e ce iv e d in 1 3.05 .2009 . A pprov e d afte r re v ise d in 1 7.08 .2009 .

206

Rev. B ra s. B io m ., S o P a u lo , v .27 , n .2, p .1 9 7 -209 , 2009 a

 APE N D IC E G r c o n o rm a l d e p ro b a b ilid a d e s c o m a n o rm a l a ssim tric o e e n v e lo p e p a ra o m o d e lo lin e a r

Para avaliar o ajuste de um modelo, utizou-se o grco normal de a probabilidades com bandas de conan a. c E m um grco normal de probabilidades, dispomos do i-simo valor ordenado a e do res duo padronizado, t , i = 1, ..., n, versus o valor esperado da estat stica de i ordem da distribui o normal padro, N (0,1), dado por ca a 1 i 3 8 1 n+ 4

sendo () a fun o de distribui o acumulada da N (0,1). ca ca O res duo padronizado, t , dado por i e t = i e a estat stica de ordem t i t t t . . . t . (1) (2) (3) (n) Alg o ritm o : (1) G erar r amostras de tamanh o n de t a m o s tra 1 : t t . . . t (1)1 (2)1 (n)1 a m o s tra 2 : t t . . . t (1)2 (2)2 (n)2 . . . . . . yi yi V a r(yi )

a m o s tra r : t t . . . t (1)r (2)r (n)r (2) Para cada amostra gerada t , gera-se a varivel aleatria normal assimtrica de a o e T 2 . C alcule t e ordene os t a mdia i = Xi e vari ncia e ij (i)j para j = 1, . . . , r, i = 1, . . . , n. (3) C alcule, para i = 1, ..., n, t : o percentil (1 - )% (banda superior) iS t : o valor mediano (q uantil 50% ) iM
Rev. Bras. Biom., So Paulo, v.27, n.2, p.197-209, 2009 a 207

 t : o percentil % (banda inferior) iI (4 ) Fazer o grco dos t estat a stica de ordem do res duo versus estat stica de i ordem da N(0,1), representando por linhas cont nuas as bandas de conana c superior e inferior e pela linha tracejada o quantil mediano emp rico. Espera-se um comportamento aleatrio em torno da linha mediana dentro das bandas de o conana. c

Algoritmo do grco normal de probabilidades com envelope para o a modelo linear normal assimtrico na lingu agem R e envelope.sn<- function(y,X,k,alfa) { alfa1<- ceiling(k*alfa) alfa2<- ceiling(k*(1-alfa)) ajuste<- sn.mle(X,y,plot=FALSE) n<- nrow(X) p<- ncol(X) beta<- array(0,c(p,1)) for(i in 1:p) beta[i]<- ajuste$cp[i] dp<- ajuste$cp[p+1] dp0<- cp.to.dp(ajuste$cp) lam<- dp0[p+2] muz<- sqrt(2/pi)*(lam^2/sqrt(1+lam^2)) varz<- 1-2*lam^2/(pi*(1+lam^2)) print(lam) cd<- (y-X%*%beta)/dp re<- matrix(0,n,k) for(i in 1:k) { nresp<- rsn(n,0,scale=1,lam) nresp<- X%*%beta+dp*(nresp-muz)/sqrt(varz) ajuste2<- sn.mle(X,nresp,plot=FALSE) beta2<- array(0,c(p,1)) for(j in 1:p) { beta2[j]<- ajuste2$cp[j] } dp2<- ajuste2$cp[p+1] cd2<- (nresp-X%*%beta2)/dp2 re[,i]<- sort(cd2)
208 Rev. Bras. Biom., So Paulo, v.27, n.2, p.197-209, 2009 a

} e1<- numeric(n) e2<- numeric(n) for(i in 1:n) { eo<- sort(re[i,]) e1[i]<- eo[alfa1] e2[i]<- eo[alfa2] } xb<- apply(re,1,mean) faixa<- range(cd,e1,e2) par(pty="s") qqnorm(e1,axes=F,xlab="",ylab="",type="l",ylim=faixa,lty=1) par(new=TRUE) qqnorm(e2,axes=F,xlab="",ylab="",type="l",ylim=faixa,lty=1) par(new=TRUE) qqnorm(xb,axes=F,xlab="",ylab="",type="l",ylim=faixa,lty=2) par(new=TRUE) qqnorm(cd,xlab="Quantis da N(0,1)",ylab="Resduo de Pearson",ylim=faixa) }

Rev. Bras. Biom., So Paulo, v.27, n.2, p.197-209, 2009 a

209