Revisaoestatistica

Reviso de Estatstica Aplicada a Finanas
INTRODUO
A reviso que apresentaremos destina-se a examinar conceitos importantes de Estatstica, que tornem possvel a compreenso do contedo do livro de forma aprofundada. O conhecimento de Estatstica 1 importante para as diversas reas de estudo do livro e, em particular, para o clculo do Value-at-Risk e para o estudo de opes. Na seo E8 apresentaremos alguns tpicos de Finanas, que interagem com o estudo dos diversos temas abordados no livro. Os leitores que j possuem conhecimentos de Estatstica e de Finanas podero estudar ou rever apenas os tpicos que julgarem necessrios. No temos a inteno de esgotar os temas abordados na reviso (isto demandaria um espao excessivo), e o leitor poder recorrer a literaturas especficas a respeito dos temas em que desejar se aprofundar. A respeito da simbologia utilizada na reviso, adotamos a conveno da maioria dos livros de Estatstica, de representar os conjuntos por letras maisculas e os elementos dos conjuntos por letras minsculas. Diferentemente do restante do livro, utilizaremos o smbolo . (ponto) para representar a operao de multiplicao (no restante do livro utilizamos o smbolo x para representar essa operao). Para facilitar a compreenso dos conceitos apresentados, diversas vezes construiremos duas definies desses conceitos. A primeira ser informal, com o objetivo de facilitar a compreenso de modo mais intuitivo, e a segunda definio ser construda de modo mais tradicional.
E1 V ARIVEIS ALEATRIAS UNIDIMENSIONAIS

As variveis aleatrias podem ser definidas da forma a seguir: Uma Varivel Aleatria Unidimensional uma Funo Matemtica que associa um nico nmero real a cada possvel resultado (que pode ser numrico ou no numrico) de um experimento aleatrio. Quando esse experimento aleatrio ocorre em relao ao tempo, tambm se utiliza o termo varivel estocstica como substututo de varivel aleatria.
1 Na seo E7 (pgina 473) mostraremos algumas definies do termo Estatstica.
Cap_12_A.p65
401
11/05/06, 10:19
402
MERCADOS DERIVATIVOS E ANLISE DE RISCO
VOLUME 1
Considere um experimento aleatrio (estocstico) cujos possveis resultados sejam representados pelo conjunto S (espao amostral). Uma funo X que associa a cada elemento de S (cada resultado possvel do experimento aleatrio) um nico nmero real denominada Varivel Aleatria (VA). Por exemplo, se s S, haver um nmero real x que seja funo de s e que representado pela expresso x(s). Alguns autores consideram a denominao Varivel Aleatria no apropriada, na medida em que ela se refere a uma Funo Matemtica de Experimento Aleatrio. O experimento aleatrio pode ser numrico ou no numrico, mas as imagens da funo matemtica (resultados da varivel aleatria) so necessariamente nmeros reais que ocorrero de forma aleatria . Quando o experimento aleatrio for numrico, a varivel aleatria ser a identidade que associa a cada possvel resultado (numrico) do experimento aleatrio um nmero igual.
Exemplo E1.1 Represente a varivel aleatria X que associa ao experimento aleatrio lanamento de duas moedas o resultado numrico igual ao nmero de caras (K) obtidas no lanamento (a face coroa ser representada pela letra C).
Resposta - Na figura E1.1, a seguir, podemos visualizar o conjunto de possveis resultados do experimento aleatrio {KK, KC, CK, CC}, a varivel aleatria X e o conjunto de possveis resultados da varivel aleatria X {0, 1, 2}.
Figura E1.1 Varivel Aleatria Unidimensional
DDD 01
S S KK KK KC KC CK CK CC CC
Funo X Funo X (varivel aleatria) (varivel aleatria) 2 1 0
Sx 2 1 0
Sx
onde: S = domnio da funo (conjunto de argumentos da funo). Os argumentos ocorrem de forma aleatria; Sx = contradomnio da varivel aleatria (conjunto de nmeros reais assumidos pela varivel aleatria X). Os nmeros reais de Sx tambm ocorrem de forma aleatria.
Cap_12_A.p65
402
11/05/06, 10:19
403
E1.1 FUNO DE VARIVEL ALEATRIA UNIDIMENSIONAL

Uma Funo de Varivel Aleatria Unidimensional uma Funo Matemtica que associa um nmero real a cada resultado da varivel aleatria unidimensional X, que tambm um nmero real. Seja Z uma funo que associa um nmero real a cada resultado (nmero real) da varivel aleatria unidimensional X. Portanto, para cada nmero real x, haver um nmero real z, que funo de x, ou seja, z = z(x) . Como uma varivel aleatria uma funo de um experimento aleatrio, uma funo de varivel aleatria , na verdade, uma funo de outra funo. Dessa forma, os possveis resultados de Z, z(x(s)) tambm sero funo de s.
Resposta - Podemos observar que, neste exemplo, Z uma funo linear de varivel aleatria, na medida em que varia a uma razo constante de 100 unidades para cada unidade de variao de x. Na figura E1.2, podemos visualizar o conjunto de possveis resultados do experimento aleatrio {KK, KC, CK, CC}, o conjunto de possveis resultados da varivel aleatria X {0, 1, 2} e o conjunto de possveis resultados da funo de varivel aleatria Z {0, 100, 200}.
Figura E1.2 Funo de Varivel Aleatria Unidimensional
Exemplo E1.2 Represente uma funo de varivel aleatria Z, que funo da varivel aleatria X considerada no exemplo E1.1, que associe um nmero real z a cada nmero real x, de modo que z = 100 . x.
DDD 02
KK KK 2 KC KC 1 CK CK CC
Funo Sx Funo XX Sx (varivel aleatria) (varivel aleatria) 200 100 2 1 0
Funo Z de de Funo Z VA Unidimensional VA Unidimensional
Sz Sz 200 100 0
onde: S = domnio da VA X; Sx = contradomnio da VA X e domnio da funo de VA Z; Sz = contradomnio da funo de VA Z.
Cap_12_A.p65
403
11/05/06, 10:19
404
VOLUME 1
E1.2 VARIVEIS ALEATRIAS DISCRETAS

Uma Varivel Aleatria X ser discreta se o seu contradomnio Sx (conjunto de resultados da varivel aleatria) for finito ou infinito enumervel. Ex.: Sx = { x1, x2,...,xn }, Sx = { 0, 1, 2 } onde: xi (conjunto dos nmeros reais).
Sx = { x1, x2,...,xn... }, Sx = Z (conjunto dos nmeros inteiros), etc.
E1.2.1 FUNO DE PROBABILIDADE DE UMA VARIVEL ALEATRIA DISCRETA

Uma Funo de Probabilidade de uma Varivel Aleatria Discreta uma Funo Matemtica que associa uma probabilidade de ocorrncia (nmero pertencente ao intervalo [0,1]) a cada possvel resultado (nmero real) da Varivel Aleatria. Seja X uma varivel aleatria discreta. A cada possvel valor de X, que chamaremos de xi 2 , ser associado um nmero p (xi) que ser igual probabilidade de que X seja igual a xi. Essa probabilidade ser chamada de P (X=x i).
>> 01 p(xi) 0 para todo x i Sx
i=1
Os nmeros p(xi) devem satisfazer s seguintes restries:

t >> 01
p(x i) = 1
onde: t = nmero de elementos do contradomnio de X, ou seja, a quantidade total de xi 3.
Portanto a Funo de Probabilidade de X (que tambm pode ser chamada de Distribuio de Probabilidade de X) ser a funo matemtica p que associe uma probabilidade de ocorrncia para todos os elementos de Sx e que satisfaa s restries previamente definidas.
2 importante estar atento para a diferena entre oX maisculo, que representa a varivel aleatria, e o x minsculo, que representa os valores numricos que a varivel aleatria pode assumir.
3 Note que est implcita, nas duas condies apresentadas, a hiptese de que 0 p(xi) 1 para todo xi Sx.
Cap_12_A.p65
404
11/05/06, 10:19
405
A representao de uma funo de probabilidade pode ser efetuada por sua expresso matemtica, por uma tabela (ou figura), ou por um grfico.
Exemplo E1.3 Represente a funo de probabilidade associada quantidade de caras que ocorrem no lanamento de duas moedas (no viciadas), das trs formas mencionadas.
Respostas:
Expresso Matemtica
P(X=2) = 1/4 P(X=1) = 1/2 P(X=2) = 1/4
DDD 03
Tabela
DDD 3 Figura Funo X S Sx S (varivel aleatria) Funo X Sx (varivel aleatria) KK 2 KC 1 CK 0 CC
P (X=Xi) (funo de probablidade) P (X=x i) (funo de probabilidade)
14 / 12 / 14 /
Grfico
p (x) 1/2 1/4
Cap_12_A.p65
405
11/05/06, 10:19
406
VOLUME 1
E1.3 VARIVEIS ALEATRIAS CONTNUAS

Uma Varivel Aleatria X ser contnua se o seu contradomnio Sx (conjunto de resultados da varivel aleatria) for infinito no enumervel. Ex.: [0,1], , +, etc.
E1.3.1 FUNO DENSIDADE DE PROBABILIDADE DE UMA VARIVEL ALEATRIA CONTNUA

Convenciona-se chamar a distribuio de probabilidade de uma varivel aleatria contnua de funo densidade de probabilidade (fdp). Na seo anterior vimos que, para as variveis aleatrias discretas, a distribuio de probabilidade denomina-se funo de probabilidade. Uma Funo Densidade de Probabilidade de uma Varivel Aleatria Contnua uma Funo Matemtica que associa aos intervalos dos possveis resultados da Varivel Aleatria (intervalos de nmeros reais) um nmero p, de modo que p seja igual probabilidade de o resultado da Varivel Aleatria pertencer aos intervalos especificados. Uma Funo Densidade de Probabilidade f de uma Varivel Aleatria contnua X deve satisfizer s seguintes condies:
>> 02
+ -
>> 02
f (x) 0 para todo x Sx
f(x) dx = 1
Note que o contradomnio Sx da VA X poder conter um limite inferior ( li) e um limite superior (ls) em que li e ls sejam constantes. Neste caso, sem prejuzo das condies anteriores, poderemos afirmar que:
>> 03
>>f(x) dx = 1 03
li
ls
Para calcularmos a probabilidade de ocorrncia de valores situados em determinado intervalo ]a , b[ Sx, ou seja, P (a < x < b) , deveremos calcular a
Cap_12_A.p65
406
11/05/06, 10:19
407
proporo da rea da fdp que est situada entre os argumentos a e b, em relao rea total da fdp. Como a rea total da fdp igual a 1, P (a < x < b) ser igual rea da fdp que est situada entre os argumentos a e b, que igual integral 4 da fdp, do limite inferior (a) ao limite superior (b), conforme mostrado na expresso a seguir:
b
>> 04
P (a < x < b) =
>> 04
f(x) dx f(x) dx
b b
f(x) dx
1
b a
f(x) dx
Como P (X = b) = f(x) dx = 0 , ou seja, como a rea de uma linha igual a zero, sero verdadeiras as seguintes igualdades:
P (a < x < b) = P (a x < b) = P (a < x b) = P (a x b)
Exemplo E1.4 Admita que o Banco Central de um pas estabeleceu uma banda cambial, na qual a moeda do pas possa ter sua cotao em relao ao dlar variando de 2,80 a 3,00 unidades monetrias. Considere que a probabilidade de a cotao pertencer a qualquer intervalo de mesma amplitude seja igual. A fdp associada a essa varivel aleatria pode ser representada pela expresso a seguir:
f (x) = 1/(2,00 1,80) =0 para 2,80 x 3,00
para qualquer outro valor de x
onde: x = cotao da moeda. Calcule a probabilidade de a cotao da moeda estar situada entre 2,84 e 2,88 e construa uma figura que represente a fdp da VA X.
2,84 e 2,88 . Como a fdp admitida neste exemplo possui imagem constante,
Resposta - A probabilidade ser igual rea da fdp entre os argumentos
4 Aos leitores que no tenham conhecimento de clculo, sugerimos ver conceitos e aplicaes iniciais de derivadas e de integrais de funes em livros de clculo. A integral de uma funo representada pelo smbolo e representa uma funo que, ao ser derivada, ser igual funo original.H diversas regras para o clculo de integrais e que na maior parte das vezes permitem os seus clculos de forma direta. Entretanto, h funes que foram bastante trabalhosas para que se conseguisse calcular suas integrais, e outras para as quais at os dias atuais ainda no se conseguiu efetuar os seus clculos. Quando so especificados um limite inferior e um limite superior para a integral (integral definida), o seu conhecimento permite o clculo da rea da funo entre os limites especificados. Entretanto, na maioria dos exemplos utilizados nesta Reviso de Estatstica ser possvel calcular as reas das funes densidade de probabilidade ( fdp) sem a necessidade de calcular as suas integrais.
Cap_12_A.p65
407
11/05/06, 10:19
408
VOLUME 1
basta multiplicar a altura pela base do retngulo para calcular a sua rea, ou seja, 1/(3,00 2,80) . (2,88 - 2,84) = 5 . 0,04 = 20% . A fdp e a probabilidade de a cotao da moeda estar situada entre 2,84 e 2,88 podem ser representadas no grfico a seguir:
f (x)
5 0 2,80 2,84 2,88 3,00 x
DDD 04
A figura que representa a fdp da VA X a seguinte: DDD 4 Funo X (varivel aleatria) Sx 3,00 f(x) (fdp)
3,00
f(x) 5
2,80
2,80
2,80 3,00 x
Neste exemplo, como o resultado do experimento aleatrio numrico, a varivel aleatria representa a funo identidade entre o seu domnio e o seu contradomnio.
E1.4 VARIVEIS ALEATRIAS MISTAS

Variveis Aleatrias Mistas so variveis aleatrias cujos resultados possam assumir valores especficos com determinada probabilidade ou possam pertencer a determinados intervalos com determinada probabilidade.
Cap_12_A.p65
408
11/05/06, 10:19
409
Um bom exemplo de varivel aleatria mista nos mercados derivativos o preo (prmio) de uma opo de compra na data de seu vencimento. Considere uma opo de compra que permita a seu comprador (titular da opo) adquirir uma ao, cujo preo seja uma varivel aleatria contnua, por R$ 10. Admitindo que a probabilidade de o preo da ao ser igual ou inferior a R$ 10 (na data do vencimento da opo) igual a 40% e que a probabilidade de o preo da ao pertencer ao intervalo ]R$ 10, +[ (na data do vencimento da opo) igual a 60%, a opo ter 40% de probabilidade de valer R$ 0 e ter 60% de probabilidade de ter valor pertencente ao intervalo ]0,+ [ na data de seu vencimento.
E1.5 FUNO DE DISTRIBUIO ACUMULADA

Uma Funo de Distribuio uma Funo Matemtica que varivel aleatria (nmero real) da varivel aleatria (nmeros possveis resultados. Acumulada de uma Varivel Aleatria associa a cada possvel resultado da a probabilidade de que os resultados reais) sejam menores ou iguais aos
Seja X uma varivel aleatria discreta ou contnua. Uma funo de distribuio acumulada de X uma funo F que associa um nmero F(x) para todo x , de modo que F(x) represente a probabilidade da VA X ser igual ou menor a x. Portanto:
F (x) = P (X x)
Desse modo, a funo de distribuio acumulada de um valor real x (possvel valor da varivel aleatria X) ter como resultado (imagem) a probabilidade de a varivel aleatria assumir um valor menor ou igual a x.
F (- ) = 0 F (+ ) = 1
Propriedades de uma Funo de Distribuio Acumulada
F (x) sempre no decrescente F (b) - F (a) = P (a < x b)

x0+
F (b) - F (a - Lim x) = P (a x b)
Cap_12_A.p65
409
11/05/06, 10:19
410
VOLUME 1
E1.5.1 FUNO DE DISTRIBUIO ACUMULADA PARA VARIVEIS ALEATRIAS DISCRETAS

obtida pela expresso matemtica a seguir
>> 05 F>> 05 (x) =
p(x i), para todo x i x

i
Exemplo E1.5 Calcule a funo de distribuio acumulada da varivel aleatria igual ao nmero de caras no lanamento de uma moeda e a represente graficamente.
Respostas:
F (x) = 0 = 1/4 para 0 x < 1 = 3/4 para 1 x < 2 =1 para x 2 para x < 0
Graficamente, a funo seria representada da forma a seguir:

f (x) 1 3/4 1/4 0 1 2 x
E1.5.2 FUNO DE DISTRIBUIO ACUMULADA DE VARIVEIS ALEATRIAS CONTNUAS

obtida pela expresso matemtica a seguir:
>> 06 F (x) = f(x) dx >> 06
- x
x
Cap_12_A.p65
410
11/05/06, 10:19
411
Observe que a derivada da funo de distribuio acumulada igual funo densidade de probabilidade de x , para todo x onde F (x) seja derivvel, ou seja:
>> 07 d 07 >> F (x) = f(x) dx
Exemplo E1.6 Calcule a funo de distribuio acumulada da varivel aleatria considerada no exemplo E1.4 e a represente graficamente.
Respostas:
F (x) = 0 = 5 . (x -2,80) se 2,80 x 3,00 =1 para x > 3,00 para x < 2,80
Graficamente, a funo seria representada da forma a seguir:

f (x)
1,80
2,00
Exemplo E1.7 - Charada. Este exemplo foi apresentado pela autora Marilyn vos Savant (cujo endereo eletrnico www.askmarilyn.com ) em uma coluna do jornal americano Parade Magazine. O exemplo se tornou bastante conhecido pois diversos estatsticos americanos escreveram para a autora afirmando que a sua resposta estava incorreta. Portanto, possvel que alguns leitores tambm a considerem incorreta em um primeiro momento.
Em um programa de auditrio, um indivduo ganha o direito de participar de um jogo no qual poder ganhar um carro. O jogo consiste na escolha, por parte do jogador, de uma entre trs portas, sendo que atrs de apenas uma das portas h o carro. Atrs das outras duas portas h um bode. Portanto, o jogador tem que escolher uma entre as trs portas, objetivando acertar aquela que tenha um carro atrs. Logicamente, a probabilidade inicial de acerto do jogador igual a 1/3.
Cap_12_A.p65
411
11/05/06, 10:19
412
VOLUME 1
a) Aps o jogador escolher uma das portas, o apresentador do programa mostra ao jogador uma das portas que ele no escolheu e que tem um bode atrs. Em seguida o apresentador pergunta ao jogador se ele deseja trocar de porta.
Resposta - Sim, pois ele passaria a ter probabilidade de 2/3 de ganhar o carro se efetuasse a troca. Se voc no concorda com essa resposta procure refletir um pouco antes de seguir adiante. Acrescentamos ao problema original o item b) a seguir, com o objetivo de ajudar a esclarecer o item a) .
b) Considere agora que, aps o jogador escolher uma das portas, o apresentador do programa sorteie uma das trs portas para abrir. Admita que o resultado do sorteio tenha sido uma porta que o jogador no escolheu e que, ao ser aberta, tem um bode atrs. Em seguida o apresentador pergunta ao jogador se ele deseja trocar de porta.
Pergunta: O jogador deveria optar pela troca?
Pergunta: O jogador deveria optar pela troca? Resposta - Ele deveria ser indiferente troca, pois a probabilidade de ganhar o carro seria de 1/2 em cada alternativa. O objetivo de termos mostrado este exemplo o de alertar que, muitas vezes, a dificuldade na resoluo de alguns problemas ou situaes do mundo real, no est nos conhecimentos de Estatstica, mas sim na clareza, ou na compreenso das premissas dos problemas. De fato, a maioria das pessoas tende a responder ao item a) como se ele fosse o item b) , mas, no mundo real, em um programa de auditrio, o apresentador tem o conhecimento prvio de onde est o carro e a sua escolha da primeira porta, a ser mostrada ao jogador e ao pblico, no seria aleatria. Com o objetivo de proporcionar mais emoo e aumentar a durao e elevar a audincia do programa, o apresentador escolheria uma das duas portas que no levasse ao carro e que no tivesse sido escolhida. Se voc ainda no se convenceu quanto resposta do item a), repare que, admitindo que o apresentador necessariamente escolheria uma porta diferente da que o jogador tivesse escolhido e que no tivesse o carro, a probabilidade de o jogador ganhar se ele no alterasse a sua escolha inicial continuaria sendo igual a 1/3 . Conseqentemente, a probabilidade complementar de o jogador ganhar, ou seja, se alterasse a porta escolhida, passaria a ser igual a 2/3.
Cap_12_A.p65
412
11/05/06, 10:19
413
E2 MEDIDAS DE TENDNCIA CENTRAL VARIVEIS ALEATRIAS
DE
E2.1 ESPERANA MATEMTICA OU MDIA ARITMTICA PONDERADA PELAS PROBABILIDADES DE OCORRNCIA

Variveis Aleatrias Discretas
A esperana matemtica de uma varivel aleatria discreta igual ponderao dos nmeros que a varivel aleatria poder assumir, pelas probabilidades de ocorrncia dos nmeros. Trata-se, portanto, de uma mdia aritmtica ponderada dos xi, em que os fatores de ponderao so as suas probabilidades de ocorrncia:
>> 08
>> 08
E (x) = xi . p(x i) para todo x i Sx

i=1
Variveis Aleatrias Contnuas

A definio de esperana matemtica de uma varivel aleatria contnua anloga utilizada para variveis aleatrias discretas, sendo que as probabilidades de ocorrncia so as dos intervalos de valores e no as dos valores individuais. Desse modo, necessrio calcular a integral da varivel aleatria multiplicada por sua fdp, conforme mostrado a seguir:
>> 09
>>(x) = x . f(x) dx E 09
Variveis Aleatrias Mistas

A esperana matemtica obtida da forma a seguir:
>> 10
n ls li
>>(x) = x . p(x ) + x . f(x) dx para todo x Sx 10 E i i i

i=1
E2.2 MODA
Para VA discretas, a moda pode ser definida como o resultado mais provvel. Portanto a moda o resultado da VA para o qual a funo de probabilidade apresenta o maior valor. Por exemplo, a moda da funo de probabilidade do exemplo E1.3 igual a 1 , pois nesse resultado que a funo de probabilidade atinge o maior valor que igual a 1/2.
Cap_12_A.p65
413
11/05/06, 10:19
414
VOLUME 1
Para VA contnuas, a moda pode ser definida como o resultado da VA para o qual a funo densidade de probabilidade apresenta o maior valor. Podem existir distribuies de probabilidade amodais, como, por exemplo, a fdp do exemplo E1.4, e distribuies de probabilidade com mais de uma moda (distribuies bimodais, trimodais, etc.).
E2.3 MEDIANA E PERCENTIS

0,5. Para VA contnuas, a mediana divide a rea da fdp em duas metades com valor
A mediana o valor para o qual a funo de distribuio acumulada igual a
de 0,5. Portanto h 50% de probabilidade de a VA se situar acima ou abaixo da mediana. Os cem percentis de uma VA so os valores para os quais a funo de distribuio acumulada tem valores iguais a 1%, 2%,...,100%. Portanto o 50 percentil igual mediana da distribuio de probabilidade.
Cap_12_A.p65
414
11/05/06, 10:19
415
E3
E3.1 VARINCIA
MEDIDAS
DE
DISPERSO, ASSIMETRIA
CURTOSE

O segundo momento centrado na mdia de uma distribuio conhecido como varincia. A varincia de uma populao de n elementos pode ser calculada de acordo com a frmula a seguir:
>> 11 >> 11 (x i - E[x]) 2 i=1 2 = n
n
(E3.1a)
Esta frmula pode ser reescrita da seguinte forma:

>> 12
>> 12 (xi2 - 2 . xi . E[x] + E[x] 2)

2 =
i=1 n
i=1
(xi2 - 2 . E[x] . xi + E[x] 2)

n
XX
i=1 n
(xi2) - n . (2 . E[x] 2 + E[x] 2)

n - E[x] 2
i=1
(xi2)
n
ento, podemos reescrever a varincia da forma a seguir:

2=E[x2]-E[x]
2
(E3.1b)
Para calcular a varincia de uma varivel aleatria discreta que tenha funo de probabilidade conhecida deve-se utilizar a frmula a seguir:
>> 13 2 >> = 13(xi - E[x] 2 . p(x i))
i=1 n
(E3.1c)
Esta frmula tambm pode ser reescrita como a (E3.1b). A varincia de uma amostra de n elementos pode ser calculada de acordo com a frmula a seguir:
Cap_12_A.p65
415
11/05/06, 10:19
416 >> 14 n
>> 14 s2 =
VOLUME 1
i=1
(xi - E[x]) 2
n-1

A varincia de uma funo densidade de probabilidade f(x) deve ser calculada de acordo com a frmula a seguir:
>> 15
>> = x2 . f (x) dx - x . f (x) dx 2 15
ou
2 = E [x 2] - E [x] 2
Esta ltima frmula igual frmula (E3.1b).
Variveis Aleatrias Mistas

A varincia de uma distribuio de probabilidade que seja parcialmente discreta e parcialmente contnua deve ser calculada da forma a seguir:
>>16
>> 2 = 16 (xi - E[x]) 2 +

i=1
+ -
x2 . f (x) dx - x . f (x) dx

-
ou
2 = E [x 2] - E [x] 2
Esta ltima frmula tambm igual frmula (E3.1b).
E3.2 DESVIO PADRO

O desvio padro igual raiz quadrada da varincia. O desvio padro de uma populao de n elementos pode ser calculado como a raiz quadrada da frmula (E3.1a) como mostrado a seguir: = [ 2 ]
1/2
Cap_12_A.p65
416
11/05/06, 10:19
417
O desvio padro de uma varivel aleatria com funo de probabilidade conhecida tambm pode ser calculado como a raiz quadrada da frmula (E3.1c) como mostrado a seguir: = [ 2 ]
1/2
O desvio padro de uma amostra de n elementos pode ser calculado como a raiz quadrada da frmula (E3.2) como mostrado a seguir:
s = [ s2 ]
1/2
E3.3 VOLATILIDADE DE UM ATIVO

A volatilidade pode ser definida como uma medida de disperso. A forma convencionada para mensurar e comparar a volatilidade das diferentes variveis por meio do clculo dos desvios padro das variveis. Por exemplo, a volatilidade dos diferentes preos unitrios ( PUs ) de negociao de um ttulo pblico em determinado dia ser o desvio padro das diferentes cotaes do ttulo. Entretanto, quando se trata de medir a volatilidade de uma varivel ao longo de diferentes dias, convencionou-se medir a volatilidade da varivel como o desvio padro dos retornos dirios da varivel, medidos em taxas logartmicas, observados ao longo de determinado perodo de tempo (janela temporal). Ao observarmos uma srie histrica de preos de determinado ativo, poderemos medir o retorno mdio e a volatilidade do ativo: o retorno mdio ( r ) igual mdia dos retornos logartmicos ocorridos ao longo de t dias considerados, como mostramos a seguir:
t >> 17 r i
r=
i=1
onde:
ri = Ln
( )
Pt-1 Pt
, ou seja, o retorno logartmico dirio.
a volatilidade igual ao desvio padro dos retornos ocorridos ao longo de t dias considerados, como mostramos a seguir:
Cap_12_A.p65
417
11/05/06, 10:19
418
>> 18
VOLUME 1
= i=1 n - 1
>> t (r i - r ) 2 1/2 18

A tabela 22.1 do seo 22.5 ilustra o clculo da volatilidade de uma ao a partir dos seus 20 retornos logartmicos mais recentes. Na seo 22.8 mostramos outras alternativas para estimar a volatilidade futura de ativos a partir dos retornos ocorridos no passado. Observe que, se o preo do ativo (Pt) casse para um valor bastante pequeno (prximo a zero), o retorno logartmico do ativo tenderia a - . Esta a forma mais utilizada de mensurao de retornos, na medida em que se mostra coerente com a realidade, ao admitir que o retorno logartmico do ativo possa assumir valores de - a + e que o seu preo possa assumir apenas valores positivos. Conforme ser visto nas sees E4.2.3 e E4.2.4, no estudo de Finanas tradicionalmente admite-se que o retorno de um ativo medido em taxas logartmicas tenha funo densidade de probabilidade (fdp) normal. matematicamente demonstrvel que esta hiptese eqivale a admitir que o preo do ativo tenha fdp lognormal. Os retornos medidos em taxas efetivas ( R i) devem ser calculadas da forma a seguir:
>> 19 Ri =
>> Pt - Pt-1 19
Pt-1
Note que, se o preo do ativo ( P t) casse para um valor bastante pequeno (prximo a zero), o retorno efetivo tenderia a -1 (ou - 100%) .
E3.4 ASSIMETRIA
O coeficiente de assimetria pode ser definido a partir do terceiro momento centrado na mdia e do desvio padro, de acordo com a frmula a seguir:
>> 20
>> 20 (xi - E[x]) 3

i=1
Ass =
A assimetria informa se uma distribuio de probabilidade tende a apresentar os valores altos ou os valores baixos mais distante da mdia. Quando a assimetria for positiva, a distribuio dever apresentar cauda direita; quando a assimetria for
Cap_12_A.p65
418
11/05/06, 10:19
419
negativa, a distribuio dever apresentar cauda esquerda; e, quando a assimetria for nula, a distribuio dever ser simtrica em relao sua mdia.
E3.5 CURTOSE
O coeficiente de curtose pode ser definido a partir do quarto momento centrado na mdia e do desvio padro, de acordo com a frmula a seguir: >>21 n
i=1
(xi - E[x]) 4
4 n
Curt =
A curtose informa se uma distribuio de probabilidade achatada ou no. Por exemplo, uma distribuio uniforme que apresente probabilidade constante apresentar curtose muito baixa, ao passo que uma distribuio de probabilidade que apresente um pico de probabilidade no meio e uma queda brusca de probabilidade nas pontas apresentar uma curtose elevada. Como parmetro de comparao, adotou-se a curtose da distribuio normal que igual a 3. Convencionou-se chamar as distribuies de probabilidade achatadas (apresentam curtose abaixo de 3) de platicrticas; as distribuies de probabilidade que apresentam curtose maior do que 3, de leptocrticas; e as distribuies de probabilidade que apresentam curtose igual a 3, de mesocrticas. importante ressaltar que o fato de uma distribuio ser achatada (platicrtica) no significa que ela ter varincia elevada, assim como as distribuies que tm curtose elevada (leptocrticas) no tero necessariamente varincia baixa. Para exemplificar a afirmao anterior, vale mencionar que uma distribuio normal apresenta curtose igual a 3, independentemente de qual seja a sua varincia.
Cap_12_A.p65
419
11/05/06, 10:19
420
VOLUME 1
E4 Distribuies de Probabilidade Importantes

E4.1 FUNO DE PROBABILIDADE BINOMIAL
Seja uma varivel aleatria discreta Y que associa apenas um de dois resultados (nmeros) possveis a cada experimento aleatrio. H, portanto, apenas dois resultados possveis para Y: y1 e y2. Convenciona-se chamar um dos dois resultados de sucesso e o outro de fracasso. Se o experimento aleatrio ao qual a VA Y est associada for repetido n vezes, poder ocorrer o mximo de n sucessos e o mnimo de zero sucessos. Uma Funo de Probabilidade Binomial X associa a x (nmero de ocorrncia de sucessos) a probabilidade de o resultado sucesso ocorrer x vezes em n repeties do experimento aleatrio (portanto 0 x n). A funo de probabilidade binomial pode ser representada pela expresso matemtica de anlise combinatria a seguir (combinao):
>> 22
>> 22 P (X=x) =
C . px . qn-x =
x
onde: x = nmero de ocorrncias do resultado favorvel (sucesso) em n repeties; p = probabilidade de ocorrncia do sucesso; q = 1 - p = probabilidade de ocorrncia do resultado desfavorvel (fracasso). Por exemplo, a funo de probabilidade binomial correspondente ao nmero de caras no lanamento de seis moedas no viciadas pode ser representada no grfico a seguir:
p (X=x) 15/64 6/64 1/64 20/64 15/64 6/64 1/64
(n-x)! . x!
n!
. px . qn-x
Cap_12_A.p65
420
11/05/06, 10:19
421
fcil demonstrar que:

E [X] = n . p
2 X
=n.p.q
Esta distribuio ser til para estudarmos o modelo binomial de precificao de opes no captulo 20.
Exemplo E4.1 Admita que o preo de uma ao siga um caminho aleatrio em que haja 50% de probabilidade de ocorrer alta e 50% de probabilidade de ocorrer baixa a cada perodo, conforme mostrado a seguir:
probabilidade de 50% de ocorrer alta de 20% em taxa logartmica; probabilidade de 50% de ocorrer queda de 20% em taxa logartmica. Calcule a funo de probabilidade do retorno em taxa logartmica e a funo de probabilidade do retorno em taxa efetiva aps decorridos 6 perodos e faa a sua representao grfica. Respostas:
Deixaremos que o leitor efetue os clculos. Os retornos logartmicos e efetivos com suas respectivas probabilidades de ocorrncia so os seguintes:
Retornos Logartmicos 120,00% 80,00% 40,00% -40,00% -120,00% -80,00% 0,00% Retornos Efetivos Probabilidades 1,56%
232,01% 49,18% 0,00%
122,55%
23,44%
9,38%
-32,97% -55,07% -69,88%
31,25% 23,44% 9,38% 1,56%
Cap_12_A.p65
421
11/05/06, 10:19
422
VOLUME 1
As funes de probabilidade podem ser representadas nos grficos a seguir:

Ex. E4.1 Distribuio de Probabilidades de Retornos Medidos em Taxas Logartmicas
35% 3 1 ,25 % 30% 25% 20% 15% 10% 5% 1 ,5 6% 0% - 12 0 % - 80 % - 40 % +0 % +4 0 % +8 0 % +1 2 0% 1 ,5 6% 9 ,3 8% 9 ,3 8% 2 3 ,44 % 2 3 ,44 %
Probabilidades
T ax as de R etor nos L ogar tmi cas
Ex. E4.1 Distribuio de Probabilidades de Retornos Medidos em Taxas Efetivas

3 1 ,2 5 %
Probabilidades
2 3 ,4 4 %
2 3 ,4 4 %
9 ,3 8 %
9 ,3 8 %
1 ,5 6 %
1 ,5 6 %
-1 0 0 %
-5 0 %
+0%
+50%
+100%
+150%
+200%
+250%
T ax as de Retor no E fetivas
medida que se aumenta o nmero de perodos, a funo de probabilidade do retorno logartmico tende para uma fdp normal e a funo de probabilidade do fator de retorno efetivo 1 + R (e do preo) tende para uma fdp lognormal. As fdp normal e lognormal sero estudadas nas sees E4.2.3 e E4.2.4, a seguir.
E4.2 DISTRIBUIES DE PROBABILIDADE CONTNUAS
E4.2.1 FUNO DENSIDADE DE PROBABILIDADE UNIFORME

Uma Funo Densidade de Probabilidade Uniforme possui imagem constante.
Cap_12_A.p65
422
11/05/06, 10:19
423
Seja X uma varivel aleatria contnua, podendo assumir qualquer valor em um intervalo [xa ; xb]. Se a probabilidade de ocorrer um valor em um intervalo de tamanho L [xa ; xb] a mesma para qualquer outro intervalo do mesmo tamanho que pertena a [xa ; xb], ento X ser uniformemente distribuda. A funo densidade de probabilidade uniforme pode ser representada pela expresso a seguir:
f (x) = 1/(x b - xa) =0 para qualquer outro valor de x. para xa x xb
Graficamente, a fdp uniforme pode ser representada da seguinte forma:

f (x) 1
xa - xb
0
xa
xb
fcil demonstrar que:

>> 23 E [x] = xa + x b 2
E4.2.2 FUNO DENSIDADE DE PROBABILIDADE TRIANGULAR

Uma Funo Densidade de Probabilidade Triangular apresenta o formato triangular. Seja X uma varivel aleatria contnua, podendo assumir qualquer valor em um intervalo [x a ; x b]. Uma funo densidade de probabilidade ser triangular quando for definida pela expresso a seguir:
f (x) = 2/(x b - xa)/(x v - xa) . (x - x a) =0 = 2/(xb - xa)-2/(x b - xa)/(x b - xv) . (x - x v) para para x v < x xb xa x xv
onde:
xv = argumento em que a fdp possui o maior valor, ou seja, a moda da fdp.
Cap_12_A.p65
423
11/05/06, 10:19
424
VOLUME 1
A fdp triangular possui o formato semelhante ao mostrado no grfico a seguir:

2 f (x)
xb - xa
xa
xv
xb
Se o tringulo for issceles, ou seja, se xv estiver eqidistante de xa e de xb, fcil demonstrar que:
E [x] = x v = xa + xb 2
Exemplo E4.2 Admita a situao de banda cambial do pas mencionado no exemplo E1.4. Considere que haja uma fdp triangular simtrica para o intervalo de cotaes possveis, que vai de 2,80 at 3,00. Neste caso, como a fdp simtrica, o xV ser igual ao ponto mdio da fdp, que igual a 2,90. Mostre qual a fdp associada a essa varivel aleatria e calcule a probabilidade de a cotao da moeda estar situada entre 2,84 e 2,88.
Respostas: A fdp pode ser representada pela expresso a seguir:
f (x) = 2/(3 - 2,80)/(2,90 - 2,80) . (x - 2,80) =0 = 2/(3 - 2,80) - 2/(3-2,80)/(3-2,90) . (x -2,90)
para 2,80 x 2,90
valor de x
para qualquer outro
para 2,90 < x 3
ou
f (x) = 100 . (x - 2,80) =0 = 10 - 100 . (x -2,90) para para 2,90 < x 3 2,80 x 2,90
A probabilidade de a cotao da moeda estar situada entre 2,84 e 2,88 ser igual rea da fdp entre os argumentos 2,84 e 2,88, ou seja:
Cap_12_A.p65
424
11/05/06, 10:19

2,88
425
2,88 2,84
>> 24 2,84
x2 - 280 . x 100 . x - 280 dx = 100 . 2 = 100 . 2,882 2 - 280 . 2,88 -
100 .
2,842 2
- 280 . 2,84 = 0,24 = 24%
Graficamente, a fdp pode ser representada da forma a seguir:

f (x) 10 24%
2,80 2, 2, 2, 84 88 90
3,00
onde: x = cotao da moeda.
E4.2.3 FUNO DENSIDADE DE PROBABILIDADE NORMAL (OU DISTRIBUIO DE GAUSS)

Esta funo densidade de probabilidade ser bastante utilizada ao longo do livro e de grande importncia para o estudo de mercados derivativos, de Finanas e de diversas outras reas, devido s constataes de que: aproxima-se das distribuies de probabilidade observadas dos retornos, medidos em taxas logartmicas, de diversas variveis, como, por exemplo, aes, taxas de cmbio e commodities. Tambm representa boa aproximao para as probabilidades de ocorrncia de diversos fenmenos da natureza; pelo teorema do limite central (a ser estudado na seo E6.8), quando uma funo de varivel aleatria resulta da soma de n variveis aleatrias independentes e identicamente distribudas (quaisquer que sejam os formatos das suas distribuies de probabilidade) e n , esta funo de varivel aleatria ( n -dimensional) ter distribuio de probabilidade tendendo normal;
Cap_12_A.p65
425
11/05/06, 10:19
426
VOLUME 1
em decorrncia do teorema do limite central, a distribuio normal serve como aproximao de distribuies importantes, como, por exemplo, a distribuio binomial, quando considerado um grande nmero de repeties; em decorrncia do teorema do limite central, as distribuies das mdias e das propores em grandes amostras tendem a ser normalmente distribudas. A Varivel Aleatria Contnua X ser normalmente distribuda se possuir a Funo Densidade de Probabilidade a seguir:
f (x) = . 2. 1 .e -1/2 . ((x-)/)2
para todo - < x < +
onde e so a mdia e o desvio padro da varivel aleatria, respectivamente. A fdp normal apresenta o formato de um sino, como pode ser observado no grfico a seguir:
Grfico E4.4 Funo Densidade de Probabilidade Normal
Probabilidade
Va vel Alea ri tria X
A anlise da funo densidade de probabilidade permite concluir que uma distribuio normal: simtrica em relao mdia (que ser igual mediana e moda); apresenta freqncia mxima em x = (a moda igual a );
Cap_12_A.p65
426
11/05/06, 10:19
427
apresenta pontos de inflexo em x = - e x = + ; tende a zero quando x - e quando x + . Ao efetuar a integral da funo, ou consultando-se uma tabela de distribuio normal, ou utilizando-se uma planilha eletrnica, observa-se que a rea sob a curva normal (a integral da curva normal) para os intervalos especificados na coluna da esquerda, a seguir, apresenta os valores mostrados na coluna da direita:
[( - 2 . ) ; ( + 2 . )] = 95,43% da rea total (que igual a um) [( - ) ; ( + )] = 68,29% da rea total (que igual a um)
apresenta domnio de - at + ;
[( - 3 . ) ; ( + 3 . )] = 99,73% da rea total (que igual a um)
E4.2.3.1 FUNO DENSIDADE DE PROBABILIDADE NORMAL PADRONIZADA E CLCULO DA PROBABILIDADE DE INTERVALOS

O clculo da probabilidade de ocorrncia de um valor pertencente a um dado intervalo de uma fdp pode ser feito, integrando-se a fdp nesse intervalo. No caso da fdp normal, esse clculo trabalhoso devido complexidade da frmula. Alternativamente, utilizam-se tabelas, que facilitam o clculo, ou funo estatstica de aplicativos de computador, como, por exemplo, a funo DIST.NORM(x) do aplicativo Excel. A construo das tabelas est baseada na padronizao das fdp normais. A fdp normal padronizada possui mdia = 0 e desvio padro = 1 . Para transformar-se uma fdp normal em uma fdp normal padronizada, deve-se proceder a uma mudana de varivel. A varivel aleatria X deve ser alterada para a varivel aleatria Z. Os possveis resultados z da VA Z so obtidos pela seguinte transformao linear:
>> 26 z=
>> x - x 26
x
Portanto:
E (z) = 0
=1
A VA Z pode ser vista como uma funo linear da VA X. Por exemplo,
Cap_12_A.p65
427
11/05/06, 10:19
428
VOLUME 1
se x tiver mdia 10 e desvio padro 2 (utiliza-se a simbologia N ~ (10,2) ), z ter mdia 0 e desvio padro 1 ( N ~ (0,1) ). Graficamente, pode-se perceber a seguinte relao entre x e z:
z
x =10
tg = 1/x = 1/2
A transformao linear altera a mdia e o desvio padro da varivel aleatria X para a mdia e o desvio padro da varivel aleatria Z, mas mantm a fdp de z como uma fdp normal, que, neste caso, ser a fdp normal padronizada N ~ (0,1) . As tabelas que disponibilizam a rea sob a fdp normal padronizada geralmente apresentam os valores entre z = 0 e qualquer valor positivo de z. Como a curva simtrica em torno de z = 0, torna-se possvel obter-se a rea entre quaisquer valores de z. No aplicativo Excel, o valor de z obtido na funo estatstica DIST.NORMP(z), que retorna o valor correspondente rea sob a fdp normal padronizada de - at z.
E4.2.4 FUNO DENSIDADE DE PROBABILIDADE LOGNORMAL

Seja Y uma varivel aleatria que possui funo densidade de probabilidade normal com mdia e desvio padro . A varivel aleatria X = e Y apresentar funo densidade de probabilidade lognormal e ser representada pela expresso a seguir:
f(x)= 1 .e - 1 . (ln x - )2 2 . 2 para x > 0
x . . 2.
Como e (base dos logaritmos neperianos, que possui valor aproximado de 2,718) elevado a qualquer valor resulta sempre em nmero positivo, uma fdp lognormal
Cap_12_A.p65
428
11/05/06, 10:19
429
admite apenas valores positivos (conforme vimos na seo anterior, uma fdp normal admite valores positivos e negativos pertencentes ao conjunto dos nmeros reais). A fdp lognormal apresenta cauda direita, como pode ser observado no grfico a seguir:
Grfico E4.5 Densidade de Probabilidade Lognormal GGG13 Grfico E4.5 Funo de Probabilidade Lognormal E4.5 Fun De o nsida de
Probabilidades
Va i Alea iaX r vel tr
+ +
Como uma fdp lognormal X definida a partir dos parmetros de uma fdp normal Y, a mdia e a varincia da fdp lognormal so definidas a partir da mdia e da varincia da fdp normal, conforme mostrado pelas expresses a seguir:
>> = ( + 2 ) E [x]28e 2 = e x ( +
2 2
. e
-1
de grande importncia observar que, quando a varivel aleatria Y (normal) apresentar = 0, a varivel aleatria X (lognormal) apresentar 2 valor esperado positivo igual a e /2. Esta observao de fundamental importncia para o desenvolvimento dos modelos de precificao de opes, binomial e de Black&Scholes, e para a precificao por meio da metodologia de Simulao Monte Carlo (os modelos citados encontram-se nos captulos 20 a 26) e, tambm, para o clculo do Value at Risk a partir das metodologias analtica e da Simulao Monte Carlo (captulos 11, 12, 29 e 30). Tambm possvel definir os parmetros da distribuio normal a partir da distribuio lognormal:
Cap_12_A.p65
429
11/05/06, 10:19
430
VOLUME 1
= Ln
2 x + E[x] 2 2 x + E[x] 2
E[x]
2 = Ln
E[x]2
A distribuio lognormal bastante utilizada para o ajustamento da varivel preo de ativos negociados no mercado financeiro, como, por exemplo, o preo das aes, a cotao de moedas e o preo de commodities. Como se sabe, os preos dos ativos no pode cair abaixo de zero, e a probabilidade de que seus preos atinjam valores muito altos ou prximos a zero bastante reduzida. Como se pode observar no grfico E4.5, essas caractersticas so coerentes com a fdp lognormal. O modelo de precificao de opes de Black&Scholes, que propiciou o prmio Nobel de Economia de 1997 aos pesquisadores Scholes e Merton, e que ser estudado do captulo 22 ao 25, parte da premissa de que a fdp dos preos dos ativos lognormal.
A aceitao de que a varivel aleatria preo de um ativo tenha funo densidade de probabilidade lognormal implica a aceitao de que o retorno do ativo medido em taxas logartmicas tenha funo densidade de probabilidade normal.
A relao entre o preo de um ativo lognormalmente distribudo e o seu retorno, medido em taxas logartmicas, normalmente distribudo, ser explorada em diversas partes do livro.
Cap_12_A.p65
430
11/05/06, 10:19
431
E5 VARIVEIS ALEATRIAS BIDIMENSIONAIS

E5.1 DEFINIO
Uma Varivel Aleatria Bidimensional um conjunto de duas Funes Matemticas que associa um par ordenado de nmeros reais a cada resultado aleatrio possvel de ocorrer em um experimento aleatrio. Portanto os possveis pares ordenados de nmeros reais ocorrero de forma aleatria.
Considere um experimento aleatrio cujos possveis resultados sejam representados pelo conjunto S (espao amostral). Sejam duas variveis aleatrias, X 1 e X2, sendo que cada uma associa um nmero real a cada elemento de S. Por exemplo, se s S, haver um nmero real x1, que funo de s (x1 (s)), e um nmero real x2, que funo de s (x2 (s)). O par (X1,X2) denominado varivel aleatria bidimensional.
Figura E5.1 Varivel Aleatria Bidimensional
S VA X1 VA X2
VA Bidimensional (X1 X2)
Sx1 x1 = x1(s) Sx2 x2= x2(s)
onde: S Sx1
= domnio da VA X 1 , da VA X2 e da VA bidimensional (X1,X2) (conjunto de argumentos das funes). Os argumentos ocorrero de forma aleatria; = contradomnio (conjunto dos resultados) da VA X 1;
= contradomnio (conjunto dos resultados) da VA X 2; . Sx = contradomnio (conjunto dos pares ordenados de nmeros reais Sx1 2 possveis de ocorrer) da VA bidimensional (X1,X 2).
Sx2
Cap_12_A.p65
431
11/05/06, 10:19
432
VOLUME 1
Observe que o contradomnio da VA bidimensional (X1,X 2), ou seja, o conjunto de pares ordenados possveis de serem obtidos, tem que ser representado em um plano bidimensional. Os resultados aleatrios da varivel aleatria bidimensional (x 1,x 2) representam seqncias ordenadas (de segunda ordem) de nmeros reais e, por isto, esses resultados aleatrios tambm so conhecidos como vetores 5 aleatrios.
E5.2 FUNO DE VARIVEL ALEATRIA BIDIMENSIONAL

Uma Funo de Varivel Aleatria Bidimensional uma Funo Matemtica que associa apenas um nmero real a cada resultado da varivel aleatria bidimensional (par ordenado de nmeros reais). Seja Z uma funo que associa um nmero a cada resultado da varivel aleatria bidimensional (X 1,X 2). Portanto, para cada par ordenado aleatrio de nmeros reais (x1,x 2), haver um nmero z, que funo do resultado aleatrio (x1,x2), ou seja, z = z (x 1,x2). Como uma varivel aleatria funo de um experimento aleatrio, uma funo de varivel aleatria bidimensional , na verdade, uma funo de duas funes. Dessa forma, Z = Z (X 1(s),X 2(s)) tambm funo do experimento aleatrio. DDD 6 Figura E5.2 S
Figura E5.2 Funo de Varivel Aleatria Bidimensional
Figura E5.2
DDD 06
S x1 VA X1
x1 = x1(s) S x2
funo de VABidimensional Z=Z (X1 , X2)
Sz z= z (x1 , x2)
s VA X2
x2 = x2(s)
onde: S = domnio da VA X 1, da VA X2 e da VA bidimensional (X1,X2). Os argumentos ocorrero de forma aleatria;

5 Um vetor uma seqncia ordenada de nmeros ou de variveis. Tambm se pode definir vetor como um ponto do espao vetorial de ordem n. Por exemplo, a seqncia ordenada de nmeros [-1,5 , 4] um ponto do espao vetorial 2, assim como a seqncia ordenada [1, -3 , 4 , 5,32] um ponto do espao vetorial 4.
Cap_12_A.p65
432
11/05/06, 10:19
433
Sx1 = contradomnio da VA X 1;
Sz = contradomnio da funo de varivel aleatria bidimensional Z. Por exemplo, se o administrador de um fundo aplicou recursos dos cotistas, comprando 50 aes da empresa A cujo preo inicial de R$ 2 e 80 aes da empresa B cujo preo inicial de R$ 1, o patrimnio lquido inicial ( PLt+0) do fundo igual soma do valor de mercado das aes A e das aes B, portanto PLt+0 = R$ 100 + R$ 80 = R$ 180 . Como os volumes financeiros da ao A (V A) e da ao B (V B) aps decorrido um perodo temporal so iguais aos seus volumes iniciais acrescidos de seus retornos efetivos e estes retornos decorrem do experimento aleatrio negociao das aes A e B em prego, o PL pode ser visto como uma funo (linear) da varivel aleatria bidimensional (RA,RB ), onde R A representa o retorno aleatrio efetivo da ao A e R B representa o retorno aleatrio efetivo da ao B. A figura a seguir representa as relaes de causa e efeito da varivel aleatria bidimensional ( R A , R B ) com a funo de varivel aleatria bidimensional PL. DDD 7 Figura E5.3 Retornos Efetivos das Variveis Aleatrias A e B DDD 07 S S RA VARA
RA = RA(s)
Sx2 = contradomnio da VA X 2;
Figura E5.3
Funo de Varivel Aleatria Bidimensional
funo de VABidimensional PL=PL (RA ,RB)
S pl pl=pl (RA ,RB)
s VA RB
RB
R2 = R2(s)
= R$ 100 . RA +80 . RB + pl t+0
Neste exemplo, como os retornos efetivos das aes no podem ser inferiores a -100%, os preos das aes no podem ser negativos e o Spl (conjunto de valores que o patrimnio lquido poder atingir aps a realizao do prego) no apresenta valores negativos. Em contrapartida, o exemplo E5.1, a ser apresentado na seo E5.7, ilustrar a situao de uma instituio que, por alavancar recursos de terceiros, apresentar a possibilidade de ter o patrimnio lquido negativo.
Cap_12_A.p65
433
11/05/06, 10:19
434
VOLUME 1
E5.3 FUNO DE PROBABILIDADE CONJUNTA DE VARIVEL ALEATRIA BIDIMENSIONAL

Uma Funo de Probabilidade Conjunta de Varivel Aleatria Bidimensional uma Funo Matemtica que associa uma probabilidade de ocorrncia a cada possvel resultado (par ordenado de nmeros reais) de uma varivel aleatria bidimensional discreta. Seja (X1,X 2) uma varivel aleatria bidimensional discreta. Seja P uma funo que associa a cada possvel resultado (par ordenado de nmeros reais) de (X1,X2), que chamaremos de (x1,x 2j), um nmero p(x1i,x 2j) que seja igual probabilidade de que (X1,X2) seja igual a (x1,x2j). A funo P denominada funo de probabilidade conjunta da varivel aleatria bidimensional (X1,X 2). A probabilidade de que (X1,X2) seja igual a (x1,x2j) representada pela simbologia P(X1= x1 , X2=x2j) e igual ao nmero p(x1i,x2j). Os nmeros p(x1i,x 2j) devem satisfazer s seguintes restries:
>> 29 p(x 1i,x2j) 0 para todo (x 1i,x2j) 2 >> 29
onde t1 e t2 so os nmeros de elementos dos contradomnios de X1 e de X2 respectivamente. A figura a seguir ilustra uma funo de probabilidade conjunta:
Figura E5.4 Funo de Probabilidade Conjunta de Varivel Aleatria Bidimensional
j=1
t1
i= 1
t2
p(x 1i,x2j) = 1
DDD 08
DDD 8 Figura E5.4 VABidimensional (X1, X2) VA X VA Y
x1 = x1(s) S x2
S x1
P Funo de ProbabilidadeConjunta daVABidimensional (X1 ,X2)
Sp
p=p (x1 ,x2)
x2 = x2(s)
A funo de probabilidade conjunta de uma varivel aleatria bidimensional tem que ser expressa em um grfico tridimensional, como o seguinte, que se refere ao lanamento conjunto de duas moedas e de um dado:
Cap_12_A.p65
434
11/05/06, 10:19
435
Grfico E5.1 Funo de Probabilidade Conjunta de VA Bidimensional Discreta

E5.1 GGG14 Grfico E5.1 Funo de Probabilidade Conjunta 0,09 0,08 0,07 0,06 0,05 0,04 0,03 0,02 0,01 0 1 N de Coroa s 2 S2 3 S1 S4 S3 S5 S6 Fa de um Da ce do Probabilidade de Ocorrncia dos Pares Ordenados
Cap_12_A.p65
E5.4 FUNO DENSIDADE DE PROBABILIDADE CONJUNTA DE VARIVEL ALEATRIA BIDIMENSIONAL

Uma Funo Densidade de Probabilidade Conjunta de Varivel Aleatria Bidimensional uma Funo Matemtica que associa s reas dos possveis resultados da Varivel Aleatria contnua (conjuntos de pares ordenados) um nmero p, de modo que p seja igual probabilidade de o resultado da Varivel Aleatria pertencer s reas especificadas (subconjuntos de 2). Seja uma varivel aleatria bidimensional contnua (X1,X 2). Sejam [x1a,x1b] e [x2c,x2d] dois intervalos de valores de X1 e X2, respectivamente. A funo densidade de probabilidade conjunta dessa varivel ser a funo f que associar rea [x1a,x1b] . [x2c,x2d ] a probabilidade de que os possveis valores de (X1,X2) pertenam simultaneamente ao intervalo [x1a,x 1b] e ao intervalo [x2c,x 2d ], ou seja, pertenam rea [x1a,x1b] . [x2c,x2d]. A funo f deve satisfazer s seguintes condies:
435
11/05/06, 10:19
436
VOLUME 1
f (x1,x2) 0 para todo (x 1, x2) 2

+ -
+ -
f(x 1 , x2) dx1 dx2 = 1
Note que o contradomnio de X1 (Sx1) poder conter um limite inferior li e um limite superior ls em que lix1 e lsx1 sejam constantes e o contradomnio de X2 (Sx2) poder conter um limite inferior li e um limite superior ls em que lix2 e lsx2 sejam constantes. Neste caso, sem prejuzo das condies mencionadas, poderemos afirmar que:
>> 31
l s x 1 lsx2 lix1 lix2
>> 31 f(x , x ) dx dx = 1 1 2 1 2
Para calcularmos a probabilidade de ocorrncia de valores situados simultaneamente no intervalo [x1a , x 2b] (P (x1a < x1 < x2b )) e no intervalo [x2c , x2d] (P (x2c < x2 < x2d)), deve-se resolver a integral dupla a seguir:
>> 32
x1 x2 >> b 32 d x1a
x2c
f(x 1, x2) dx 1 dx2
A funo densidade de probabilidade conjunta tem que ser expressa em um grfico tridimensional. Por exemplo, a funo densidade de probabilidade conjunta de uma varivel aleatria bidimensional (X1,X2) quando as variveis aleatrias unidimensionais X1 e X2 so independentes e normalmente distribudas tem um formato semelhante ao seguinte:
Varivel Aleatria Normal Bidimensional GGG15 Grfico E5.2
0,010% Probabilidades Conjuntas 0,009% 0,008% 0,007% 0,006% 0,005% 0,004% 0,003% 0,002% 0,001% 0,000%
S1 S4 Variv S5 S6 S7 S8 el Aleat S9 S10 ria X N S11 S12 S13 1 orma S14 lmenteS15 S16 S17 Distrib S18 S19 uda S2 S3
S20
S21
X VA
19
da 7 ibu str 10 Di te 13 en 16 alm m or N

1 4
Cap_12_A.p65
436
11/05/06, 10:19
437
Outro exemplo de funo densidade de probabilidade conjunta de uma varivel aleatria bidimensional (X 1 ,X 2 ) quando as variveis aleatrias unidimensionais X 1 e X 2 so independentes e lognormalmente distribudas pode ser observado no grfico a seguir: GG16 Grfico E5.3 Varivel Aleatria Lognormal Bidimensional
3,5% Probabilidades Conjuntas 3,0% 2,5% 2,0% 1,5%

4 1
1,0% 0,5% 0,0%

S1 S2 S3 S4 S5 VariS6vel A S8 S9 S7 leat S10 ria X LognS12 S11 S13 S14 ormalmen S15 1 te Distribu S16 S17 S18 da
S19
E5.5 DISTRIBUIO DE PROBABILIDADE DE UMA FUNO DE VARIVEL ALEATRIA BIDIMENSIONAL

Uma Funo de Probabilidade de uma Funo de Varivel Aleatria Bidimensional discreta associa uma probabilidade de ocorrncia a cada possvel resultado da Funo de Varivel Aleatria Bidimensional (nmero real). Seja P uma funo que associa a cada resultado (nmero real) de uma funo Z de varivel aleatria bidimensional discreta (X1,X 2) um nmero p, de modo que p seja igual probabilidade de um resultado aleatrio de Z ser igual a z. A funo P a funo de probabilidade da funo Z de varivel aleatria bidimensional (X1,X2). A figura a seguir ilustra as relaes entre as funes mencionadas:
S20
S21
Cap_12_A.p65
437
11/05/06, 10:19
VA X
Lo gn orm alm en teD istr ibu da

7 10 13 16 19
438
VOLUME 1
Figura E5.5 Funo de Probabilidade Funo de VA Bidimensional
S VA X1 VA X2
VA (X1 X2)
x1 = x1(s) Sx2
Sx1
Funo de da VA Bidimensional (X1,X2) Sz z = z (x1, x2) Funo de Probabilidade P=P(z) p=p(z)
x2 = x2(s)
Se a varivel aleatria bidimensional (X1,X2) for contnua, a funo densidade de probabilidade da funo de varivel aleatria Z associar aos intervalos dos possveis resultados de Z (intervalos de nmeros reais) um nmero p, de modo que p seja igual probabilidade de um resultado aleatrio de Z pertencer aos intervalos especificados.
5.6 DISTRIBUIES MARGINAIS

Sabemos que uma varivel aleatria bidimensional (X 1,X 2) corresponde associao de duas variveis aleatrias unidimensionais, X1 e X2, conforme mostrado na figura E5.1. A fim de obtermos as distribuies de probabilidade de X1 e de X 2 separadamente, deveremos trabalhar com as distribuies de probabilidade marginais de X1 e de X2.

>> 33 p(x ) = >> 1i33 p(X 1=x1i) = p (x 1i; x2j) = 1
j=1 t1 t2
para todo x 2j Sx2 para todo x 1i Sx1
(E5.1a)
q(x2j) = p(X 2=x2j) =
i=1
p (x 1i; x2j) = 1
(E5.1b)
>> 34

g(x1) = f (x 1; x2) dx 2
+
>> 34 -
(E5.2a)
Cap_12_A.p65
438
11/05/06, 10:19
439
>> 34
h(x2) = f (x 1; x2) dx 1
-
(E5.2b)
importante ressaltar que o conhecimento de uma distribuio de probabilidade conjunta de uma varivel aleatria bidimensional (X1; X 2), discreta ou contnua, permite que sejam determinadas as distribuies marginais de X 1 e de X 2 . Entretanto o conhecimento das distribuies marginais no permite, em geral, a determinao da distribuio de probabilidade conjunta de (X1,X2). Isso ser possvel quando X1 e X 2 forem independentes. Tambm de fundamental importncia ressaltar que o conhecimento das distribuies de probabilidade marginais no permite, em geral, a determinao da distribuio de probabilidade P da funo Z de varivel aleatria bidimensional (X 1 X 2). Desse modo, o conhecimento das , distribuies de probabilidade de RA e de RB ilustradas na figura E5.5 no permite, em geral, determinar a distribuio de probabilidade do PL. Conforme estudaremos nos captulos 11 e 12, a metodologia da Simulao Monte Carlo permite estimar a distribuio de probabilidade do PL, a partir do conhecimento das distribuies de probabilidade das variveis aleatrias unidimensionais.
E5.7 VARIVEIS ALEATRIAS INDEPENDENTES

Sejam duas variveis aleatrias discretas, X1 e X2. Se os eventos X1=x1 e X2=x2 so independentes entre si para todo x1 e x2, ento X1 e X2 sero ditas variveis aleatrias independentes. Quando duas variveis aleatrias so independentes entre si, a probabilidade de determinado par ordenado ocorrer igual ao produto das probabilidades de ocorrncia de cada valor isoladamente, conforme mostrado na expresso a seguir:
P (X 1=x1, X2=x2) = P (X 1=x1) . P (X2=x2) (E5.3a)
Quando duas variveis aleatrias contnuas so independentes entre si, a probabilidade de determinado resultado (x1i,x2j) pertencer rea [x1a,x1b] . [x2c,x2d] igual ao produto das probabilidades de x1i pertencer ao intervalo [x1a,x1b] e de x2j pertencer ao intervalo [x 2c , x2d], conforme mostrado na expresso seguinte:
P (x1i [x1a,x1b], x2j [x2c,x2d]) = P(x1i [x1a,x1b]) . P (x2j [x2c,x2d]) (E5.3b)
Cap_12_A.p65
439
11/05/06, 10:19
440
VOLUME 1
A seguir, apresentaremos um exemplo que possibilitar a utilizao dos conceitos estudados at este ponto para calcular o Value at Risk de um banco que capta recursos de terceiros.
Exemplo E5.1 Admita que o patrimnio lquido de um banco seja uma funo da varivel aleatria bidimensional (RA,RB) , sendo R A a varivel aleatria retorno efetivo da ao A e R B a varivel aleatria retorno efetivo da ao B. Considere que o banco possua 5 unidades da ao A em seu ativo e que tenha uma unidade da ao B no seu passivo (possua dvida indexada ao preo da ao B). No instante inicial o preo de mercado da ao A era de R$ 1 e o preo de mercado da ao B era de R$ 4. O banco possui tambm um ativo permanente de R$ 3 , cujo valor permanece constante ao longo do tempo. Portanto o patrimnio lquido dever apresentar o valor inicial de R$ 4 . O balano do banco no instante inicial t+0 pode ser representado da forma a seguir:
Ativo Circulante Ativo Passivo Circulante Patrimnio Lquido R$ 4 1 . PB = R$ 4 Passivo
Ativo Permanente
5 . PA = R$ 5 R$ 3
O patrimnio lquido do banco pode ser representado pela seguinte funo linear de varivel aleatria bidimensional :
PL = f (RA,RB) = V A . RA + VB . RB + PL
t+0
= R$ 5 . RA - R$ 4 . RB + R$ 4
Considere que as variveis aleatrias dos retornos efetivos, R A e R B, sejam independentes entre si. Desse modo, o valor do ativo e o valor do passivo sero nmeros aleatrios e independentes entre si, sendo o valor do PL aps decorrido um perodo (no instante t+1) a diferena entre os valores do ativo e do passivo. Com o objetivo de possibilitar a percepo dos resultados de forma intuitiva, vamos admitir que as variveis aleatrias R A e RB tenham funes de probabilidade bastante simples, como mostramos a seguir:
Cap_12_A.p65
440
11/05/06, 10:19
441
P (RA = -100%) = 1/4 P (RA = P (RA = +100%) = 1/4 0%) = 1/2
Funes de Probabilidade das VA
P (RB = -75%) = 1/6 P (RB = -50%) = 1/6 P (RB = -25%) = 1/6 P (RB = P (RB = +25%) = 1/6 P (RB = +50%) = 1/6 0 %) = 1/6
Perguntas:
b) qual a probabilidade de R A ser igual a 0% e de simultaneamente (P ( RA = 0% , RB = -50%)) ?
a) qual a funo de probabilidade conjunta da VA bidimensional (RA , RB)?

RB
ser igual a - 50% ,
c) qual a funo de probabilidade do PL (que, neste exemplo, uma funo linear de varivel aleatria bidimensional)? e) qual o PL crtico, a partir do qual h 2/24 de probabilidade de ocorrerem os menores valores do PL e, conseqentemente, acima do qual h 22/24 de ocorrerem os maiores valores do PL? d) qual a probabilidade de o PL ser igual a +R$ 7 (P (pl t+1 = +R$ 7)) ?
Respostas: seja, a probabilidade de ocorrncia de cada par ordenado (RA ,

RA\RB -75% 1/24 2/24 1/24 4/24 -50% 1/24 2/24 1/24 4/24 -25% 1/24 2/24 1/24 4/24 0% +25% 2/24 1/24 1/24
a) A tabela a seguir mostra a funo de probabilidade conjunta (RA , RB), ou

R B):
- 100% 0%
1/24 2/24 1/24 4/24
+50% 2/24 1/24 1/24
TOTAIS f1(RA) 12/24 6/24 1 6/24
+100%
TOTAIS f2(RB)
4/24
4/24
A funo de probabilidade conjunta est representada no grfico E5.1, da seo E5.3.

P ( RA = 0%; b) Conforme se pode observar na funo de probabilidade conjunta (RA , RB),
RB
= -50%) = 2/24 .
Cap_12_A.p65
441
11/05/06, 10:19
442
VOLUME 1
os seus valores, que so decorrentes dos pares ordenados (RA ,

-100% +100% 0% RA\RB -75% +2 +7 -50% +1 +6 -25% +5 0 0% -1
c) A tabela a seguir representa a funo de varivel aleatria do PL e mostra

RB ) :
+25% +3 +8 -2
+50% +2 +7 -3
+12
+11
+10
+4 +9
A funo de probabilidade do PL ser a seguinte:

PL t+1 Possveis -3 -2 -1 0 1 2 3 4 5 6 7 8 9 10 11 12 Probabilidades de Ocorrncia 1/24 1/24 1/24 1/24 1/24 3/24 2/24 2/24 2/24 2/24 3/24 1/24 1/24 1/24 1/24 1/24
A funo de probabilidade da funo de varivel aleatria bidimensional do PL pode ser representada no grfico a seguir:
Cap_12_A.p65
442
11/05/06, 10:19
443
Ex. E5.1 Funo de Probabilidade Funo de VA Bidimensional Discreta

f (PL)
3/24 2/24 1/24
3/24
1/24
-3 -2
-1 0 +1 +2 +3 + 4 +5 +6 +7 +8 +9 +10 +11+12
PL em R$
Observe que a funo de probabilidade da funo de varivel aleatria bidimensional unidimensional, ao passo que a funo de probabilidade conjunta da varivel aleatria bidimensional bidimensional . interessante notar que a combinao de uma funo de probabilidade unidimensional unimodal (funo de probabilidade da VA R A) e de outra amodal (funo de probabilidade da VA RB) resultou em uma funo de probabilidade bimodal para a funo de probabilidade da VA bidimensional (RA,RB). Isto nos d uma idia de como pode ser difcil estimar funes de probabilidade para o PL quando conhecermos apenas as distribuies de probabilidade das variveis nas quais uma instituio mantenha posies. Geralmente no se conhece as distribuies de probabilidade do PL, mas apenas as distribuies de probabilidade das variveis que influenciam seu valor.
d) P (PL= + R$ 7) = P( RA = 0%; RB = -75%) + P( RA = +100%; RB = +50%) = 2/24 + 1/24 = 3/24
Podemos observar que h duas combinaes de valores do ativo e do passivo (dois pares ordenados de retornos) que geram o mesmo PL6 .
e) O patrimnio lquido crtico em t+1 (PLc t+1) que separa os 2/24 piores resultados do PL dos demais resultados o PL = - R$ 2. Como ser visto adiante, a diferena entre o PLt+0 (+R$ 4) e o PLc t+1 (-R$ 2) igual ao Value at Risk do banco, ao nvel de significncia de 2/24 (aproximadamente 8,33%). H, portanto, 8,33% de probabilidade de a perda ser igual ou maior do que R$ 4 - (-R$ 2) = R$ 6 .
6 Como se sabe, dois argumentos de uma funo podem ter a mesma imagem. A recproca no verdadeira, ou seja, cada par ordenado gera um, e somente um, valor de PL.
Cap_12_A.p65
443
11/05/06, 10:19
444
VOLUME 1
Retornaremos a este exemplo no captulo 12 (exemplo 12.6 da sao 12.4.1), quando, ento, iremos comparar o clculo do Value at Risk deste exemplo com os Value at Risk obtidos de acordo com as metodologias analtica e da Simulao Monte Carlo.
E5.8 COVARINCIA ENTRE DUAS VARIVEIS

A covarincia uma medida que informa o quanto duas variveis so associadas. Esta uma medida dimensional, ou seja, varia proporo que variem as unidades de medida das duas variveis para as quais a covarincia estiver sendo calculada. Portanto a covarincia pode assumir valores pertencentes ao conjunto dos nmeros reais (ou seja, pode assumir valores de - at +). Para duas variveis aleatrias discretas, a covarincia obtida pela frmula a seguir:
COV (X1,X236 X1X2 = >> ) = >> 36
+
j=1
x1i . x2j . p(x1i;x2j) - x1i . p (x1i;;x2j) . x2j . p(x1i;x2j)

i=1 j=1 i=1
= E (X 1 . X2) - E (X 1) . E (X2) = E [(X - x ) . (X - x )]

1 1 2 2
(E5.4a) (E5.4b)
Para duas variveis aleatrias contnuas, a covarincia obtida pela frmula a seguir:
COV (X1,X2)37 X1X2 = >> =
+ + - -
>> 37
x1 . x2 . f(x1;x2) dx1dx2 - x1 . f(x1;x2) dx2 . x2 . f(x1;x2) dx1

- -
= E (X 1 . X2) - E (X 1) . E (X2) = E [(X 1 - x1) . (X2 - x2)]
E5.9 PROPRIEDADES DA VARINCIA E DO DESVIO PADRO

Seja t uma constante e X uma varivel aleatria. Considere a funo linear de varivel aleatria unidimensional Y = t . X . A varincia e o desvio padro de Y podem ser obtidos a partir da varincia e do desvio padro da varivel aleatria X, conforme mostrado a seguir:
VAR [Y] = VAR (t . X) = t2 . VAR [X] Y = (t . X) = t . X (E5.5a) (E5.5b)
Cap_12_A.p65
444
11/05/06, 10:19
445
E5.9.1 VARINCIA DE UMA FUNO DE VARIVEL ALEATRIA BIDIMENSIONAL

Sejam X1 e X2 duas variveis aleatrias e a e b duas constantes. Considere a funo de varivel aleatria bidimensional Y = X1 + X 2. Pode-se afirmar que:
VAR (Y) = VAR (X 1 + X2) = VAR [X 1] + VAR [X 2] + 2 . COV (X1,X2) Se Y = X 1 - X 2 , ento: VAR (Y) = VAR (X 1 - X2) = VAR [X 1] + VAR [X 2] - 2 . COV (X1,X2) Se Y = a . X1 + b . X2 , ento: VAR(Y)=VAR (a . X1 + b . X2) = a2 . VAR [X1] + b2 . VAR [X2] + 2 . a . b . COV (X1,X2)
Se Y = a . X1 - b . X2 , ento:
VAR(Y)=VAR (a . X1 - b . X2) = a2 . VAR [X1] + b2 . VAR [X2] - 2 . a . b . COV (X1,X2)
Se X1 e X2 so variveis aleatrias independentes entre si, ento:

COV (X 1 , X2) = 0 Se Y = a . X1 + b . X2 , ento: VAR(Y) = VAR (a . X1 + b . X2) = a 2 . VAR [X1] + b2 . VAR [X2] Se Y = a . X1 - b . X2 , ento: VAR(Y) = VAR (a . X1 - b . X2) = a 2 . VAR [X1] + b 2 . VAR [X2]
Os desvios padro das funes de variveis aleatrias bidimensionais so iguais s varincias elevadas a .
E5.10 CORRELAO ENTRE DUAS VARIVEIS

De forma anloga covarincia, a correlao tambm uma medida do quanto duas variveis aleatrias so associadas. Diferentemente da covarincia, a correlao uma medida adimensional, ou seja, no varia proporo que variem as unidades de medida das duas variveis para as quais a correlao estiver sendo calculada.
Cap_12_A.p65
445
11/05/06, 10:19
446
VOLUME 1
O fato de a correlao ser adimensional favorece que ela seja bem mais utilizada do que a covarincia para medir a associao entre os ativos. A correlao pode assumir valores pertencentes ao intervalo [-1 ,+1] . Seja (X1,X2) uma varivel aleatria bidimensional. O coeficiente de correlao entre X1 e X2 definido como:
>> 41
>> 41 =
E (X1 . X2) - E (X 1) . E (X2) COV (X1,X2) = .X X1 X1 . X2 2
(E5.7)
Da mesma forma que necessrio estimar as volatilidades futuras dos ativos a partir das volatilidades passadas, tambm indispensvel que se estimem as correlaes futuras entre os ativos a partir de suas correlaes passadas, para que se possa calcular o risco de PLs que sejam influenciados por mais de uma varivel.
Exemplo E5.2 Considere que dois ativos, A e B, possuem os retornos efetivos esperados e as volatilidades mostrados a seguir:
Ativo A B E [Retorno Efetivo] anual 10% 20% anual 18% 22%
Se um aplicador decidir alocar 50% de seu capital em cada um dos ativos apresentados, qual ser a esperana de retorno e o risco, se os ativos tiverem correlaes iguais a =1, =0,2, =0 e = -1? Respostas:
O retorno esperado de um conjunto de posies igual mdia dos retornos de cada posio, ponderada pelas participaes das posies em relao aos seus valores iniciais. Portanto, independentemente da correlao entre as variveis, a esperana de retorno do conjunto de posies (a esperana de retorno do PL) ser:
E [Retorno do PL] = 0,5 . 10% + 0,5 . 20% = 15%
Para calcular o risco, devem-se aplicar as propriedades das varincias e dos desvios padro das funes de variveis aleatrias bidimensionais apresentadas anteriormente:
Cap_12_A.p65
446
11/05/06, 10:19
447
PL
= [0,52 . 2 + 0,52 . 2 + 2 . 0,5 . 0,5 AB]1/2 A B = [0,52 . 2 + 0,52 . 2 + 2 . 0,5 . 0,5 A B

AB
. . ]1/2 A B
Para = 1, o risco ser igual a: PL = [0,52 . 0,18 2 + 0,52 . 0,222 + 2 . 0,5 . 0,5 . 1 . 0,18 . 0,22] 1/2
= [0,0081 + 0,0121 + 0,0198] = [0,04] 1/2 = 0,20 = 20%
1/2
Para = 0,2, o risco ser igual a: PL = [0,52 . 0,182 + 0,52 . 0,222 + 2 . 0,5 . 0,5 . 0,2 . 0,18 . 0,22] 1/2
= [0,0081 + 0,0121 + 0,00396] = [0,02416]
1/2 1/2
= 0,155435 = 15,5435%
Para = 0, o risco ser igual a: PL = [0,52 . 0,182 + 0,52 . 0,222 + 2 . 0,5 . 0,5 . 0 . 0,18 . 0,22] 1/2
= [0,0081 + 0,0121 + 0] = [0,0202] 1/2
1/2
= 0,142127 = 14,2127%
Para = -1, o risco ser igual a:

PL = [0,52 . 0,182 + 0,52 . 0,222 + 2 . 0,5 . 0,5 . -1 . 0,18 . 0,22]1/2 = [0,0081 + 0,0121 - 0,0198]1/2 = [0,0004]1/2 = 0,02 = 2,00%
Podemos observar que o risco do aplicador, que igual volatilidade do patrimnio lquido de sua aplicao, reduz-se, medida que se reduz a correlao entre os ativos A e B. A seguir, desenvolveremos um pouco mais o exemplo apresentado, a fim de ilustrar a reduo de risco obtida a partir da diversificao das aplicaes.
Cap_12_A.p65
447
11/05/06, 10:19
448
VOLUME 1
A tabela a seguir mostra diversas combinaes para as propores dos ativos A e B na composio do balano, supondo = 0,20.
Balano B1 B2 B3 B4 B5 B6 B7 B8 B10 B9 Proporo do Ativo A 2,00 1,50 1,00 0,80 0,60 0,40 0,20 -0,50 -1,00 0,00 Proporo do Ativo B -1,00 -0,50 0,00 0,20 0,40 0,60 0,80 1,00 1,50 2,00 Retorno Esperado 0% 5% Desvio Padro
38,25% 27,04% 18,00% 15,88% 15,23% 16,25% 18,66% 22,00% 32,42% 44,08%
10% 12% 14% 16% 18% 20% 25% 30%
Para obter a combinao dos ativos A e B que proporciona a menor varincia possvel, quando se admite a possibilidade de ficar captado em um e aplicado no outro, deve-se derivar a frmula de varincia do PL em relao participao do ativo A no PL (denominaremos essa proporo de x) e igualar a derivada a zero para obter a condio de primeira ordem, conforme mostrado a seguir:
VAR[x . A + (1-x) . B] >> 44 x = (x2 . VAR [A] + (1-x) 2 . VAR [B] + 2 . x . (1-x) . COV(A,B)) x
>> 44
= 2 . x . (2 B + 2 A - 2 . COV (A,B)) - 2 . 2 B + 2 . COV (A,B)
A derivada parcial segunda seria igual a:

2 VAR[x . A + (1-x) . B] x2 = 2 . (2 B + 2 A - 2 . COV (A,B)) > 0 7
7 Se houver alguma dvida de que a derivada parcial segunda positiva sugerimos conferir novamente as propriedades de varincia da seo E5.9.1, tendo em mente que a varincia de uma varivel sempre positiva. Se a varincia for nula trata-se de uma constante. 8 Se a derivada parcial segunda fosse negativa, tratar-se-ia de um ponto de mximo. Lembramos que h casos em que so necessrios outros clculos para saber se determinado ponto representa um mximo ou mnimo da funo.
Cap_12_A.p65 448 11/05/06, 10:19
Como a derivada parcial segunda positiva, a condio de segunda ordem satisfeita e, conseqentemente, ao igualar a derivada parcial primeira a zero, teremos um ponto de mnimo 8 , conforme mostramos a seguir:
449
>> 45
>> 45 2 B - COV (A , B)
x=
2 B + 2 A - 2 . COV (A , B)
(E5.8)
Por exemplo, efetuando esse clculo para o caso em que = 0,2, obtm-se:
x= 0,222 - 0,2 . 0,18 . 0,22 = 0,6232 0,222 + 0,182 - 2 . 0,2 . 0,18 . 0,22
Conseqentemente, ao aplicar 0,6232 no ativo A e 0,3768 (1 - 0,6232) no ativo B, obtm-se a combinao de posies que proporciona a menor volatilidade possvel no PL. Com essas propores, o risco e o retorno esperado do PL ser:
PL= [0,62322 . 0,182 + 0,37682 . 0,222 + 2 . 0,6232 . 0,3768 . 0,2 . 0,18 . 0,22]1/2 = [0,0126 + 0,0069 - 0,0037]1/2 = [0,02317]1/2 = 0,1522 = 15,22% E [Retorno] = 0,6232 . 10% + 0,3768 . 20% = 13,77%
Os resultados da tabela podem ser visualizados no grfico a seguir:

Ex. E5.1 Relao Entre Retorno Esperado e Risco de Diferentes Balaos
E[Retorno]
20,0% 13,77% 10,0% 0%
Bmn
B5
. . ..
B4
B6
.. .
B8 B7 B3 22%
15,22% 18%
Do exemplo anterior, podemos depreender as seguintes concluses:
Cap_12_A.p65
449
11/05/06, 10:19
450
VOLUME 1
para um aplicador avesso ao risco, os balanos B1 e B2 so ineficientes, na medida em que possvel obter balanos com mesmos riscos e maiores retornos esperados; para um aplicador avesso ao risco, balanos que possuam propores aplicadas no ativo B maiores do que aquela contida em Bmn (balano com o menor desvio padro) sero eficientes, na medida em que no possvel obter balanos com maior retorno esperado, para um dado nvel de risco.
Exemplo E5.3 Determine as propores de A e de B que minimizam a varincia do retorno do aplicador do exemplo anterior, considerando que as correlaes entre os ativos sejam iguais a +1 ou -1. Calcule o risco (desvio padro) e o retorno esperado do aplicador, considerando as propores encontradas.
Resposta - Se = +1, a proporo a ser aplicada no ativo A deve ser igual a:
>> 48 x= 0,222 - (+1) . 0,18 . 0,22 = 5,5 0,22 + 0,182 - 2 . (+1) . 0,18 . 0,22
2
Conseqentemente, devem-se aplicar 550% do PL no ativo A e - 450% do PL no ativo B (devem-se captar 450% do PL no ativo B)9 . A volatilidade do PL ser igual a:
PL = [5,52 . 0,182 + (- 4,5)2 . 0,222 + 2 . 5,5 . (- 4,5) . (+1) . 0,18 . 0,22]1/2 = [0,9801 + 0,9801 - 1,9602]1/2 = [0] 1/2
O retorno esperado do PL ser igual a:

E [Retorno] = 5,5 . 10% + (-4,5) . 20% = - 35,00%
Se = -1, a proporo a ser aplicada no ativo A deve ser igual a:

>> 50
>>50
x=
0,222 - (-1) . 0,18 . 0,22 = 0,55 0,222 + 0,182 - 2 . (-1) . 0,18 . 0,22
Conseqentemente, devem-se aplicar 55% do PL no ativo A e 45% do PL no ativo B.

9 Os livros de Finanas, tradicionalmente, tratam a captao como posioShort Seller, ou seja, posio vendida a descoberto no ativoB.
Cap_12_A.p65
450
11/05/06, 10:19
451
A volatilidade do PL ser igual a:

PL = [5,52 . 0,182 + 0,452 . 0,222 + 2 . 0,55 . 0,45 . 0,2 . 0,18 . 0,22]1/2 = [0,0098 + 0,0098 - 0,0196] 1/2 = [0] 1/2 = 0 = 0%
O retorno esperado do PL ser igual a:

E [Retorno] = 0,55 . 10% + 0,45 . 20% = +14,50%
possvel demonstrar que: Sempre que dois ativos possurem = -1 ou = +1 , haver uma combinao entre ambos que proporciona volatilidade do PL igual a zero. Conforme veremos ao longo do livro, ao adotar a combinao de posies que torne a volatilidade da combinao de posies nula, o administrador de risco estar efetuando hedge de uma posio com a outra. Podem-se visualizar os resultados obtidos, no grfico abaixo:
Ex. E5.3 Relao Entre Retorno Esperado e Risco Considerando-se Diferentes Correlaes
20,0% 14,5% 10,0% 0 % E [Retorno] = -1
13,77%
= + 0,2 = +1
15,22% 18%
22%
- 35,00%
Cap_12_A.p65
451
11/05/06, 10:19
452
VOLUME 1
A linha reta ilustra o caso em que dois ativos sejam perfeitamente correlacionados ( = +1 ). Nesse caso no h o efeito diversificao, embora seja possvel montar hedges perfeitos ao combinar posies ativas e posies passivas com os dois ativos. Por exemplo, considerando que o preo do dlar a termo tenha correlao igual a +1 com o preo do dlar vista, ao vender dlar a termo estar-se efetuando hedge do dlar vista que esteja no ativo. O efeito diversificao pode ser percebido pela comparao da linha reta com as curvas sua esquerda (quando = -1 , a combinao de diferentes propores forma as retas mostradas no grfico anterior). Vale lembrar que nem sempre a curva possui pontos esquerda do ativo que tem menor varincia, nas composies de posies em que haja aplicaes em ambos os ativos. Isso depender do grau de correlao entre os ativos (por exemplo, quando = +1, isto no ocorre).
Cap_12_A.p65
452
11/05/06, 10:19
453
E6 Variveis Aleatrias N-Dimensionais e o Teorema do Limite Central

E6.1 DEFINIO
As variveis aleatrias multidimensionais (ou multivariadas) de ordem n podem ser definidas da seguinte forma: Uma Varivel Aleatria N-Dimensional um conjunto de n Funes Matemticas que associa uma seqncia ordenada de n nmeros reais a cada resultado aleatrio possvel de ocorrer em um experimento aleatrio. Portanto as possveis seqncias ordenadas de nmeros reais ocorrero de forma aleatria. Considere uma experincia aleatria cujos possveis resultados sejam representados pelo conjunto S (espao amostral). Sejam n variveis aleatrias unidimensionais, X 1 ,X 2 ,...,X n, em que cada uma associa um nmero real a cada elemento de S. Por exemplo, se s S, haver um nmero x 1 , que funo de s (x 1 (s)), um nmero x 2, que funo de s (x2 (s)),..., e um nmero xn, que funo de s (xn (s)). A seqncia ordenada (X1,X 2,...,X n) denominada varivel aleatria n -dimensional. Os resultados aleatrios da varivel aleatria n -dimensional (x 1 ,x 2 ,...,x n) representam seqncias ordenadas de nmeros reais e, por isto, esses resultados aleatrios tambm so conhecidos como vetores aleatrios (pontos do espao vetorial n).
Figura E6.1 Varivel Aleatria N-Dimensional Figura E6.1
S DDD 10 VA X1 s VA X2 ...
VA (X1 X2,...,Xn)
x1 = x1(s) x2 = x2(s) Sxn Sx2
Sx1
VA Xn
xn = xn(s)
Cap_12_A.p65
453
11/05/06, 10:19
454 onde: S Sxi
VOLUME 1
= domnio da VA X 1, da VA X 2,..., da VA X n e da VA (X 1,X 2,...,X n), ou seja, o conjunto de argumentos das funes. Os argumentos ocorrero de forma aleatria; = contradomnio da VA X i, ou seja, o conjunto de nmeros reais possveis de serem obtidos pela varivel aleatria Xi;
(Sx1,Sx2,...,Sxn) = contradomnio da varivel aleatria n-dimensional, ou seja,
E6.2 FUNO DE VARIVEL ALEATRIA N-DIMENSIONAL
o conjunto de vetores de nmeros reais possveis de serem obtidos pela varivel aleatria n-dimensional (X1,X2,...,Xn).
Uma Funo de Varivel Aleatria N -Dimensional uma Funo Matemtica que associa apenas um nmero real a cada resultado da varivel aleatria n-dimensional (seqncia ordenada de nmeros reais). Seja Z uma funo que associa um nmero real a cada resultado da varivel aleatria (X1,X 2,...,X n). Portanto, para cada seqncia ordenada (x 1,x 2,...,x n), haver um nmero z, que funo do resultado aleatrio (x 1,x 2,...,x n), ou seja, z = z (x1,x2,...,xn). Dessa forma, Z = Z (X1(s),X2(s),...,Xn(s)) uma funo de varivel aleatria n-dimensional, na medida em que o seu resultado funo de n variveis aleatrias que dependem do resultado do experimento aleatrio. A figura a seguir representa uma funo de varivel aleatria n-dimensional. S DDD 11 Figura E6.2
Figura E6.2 Funo de Varivel Aleatria N-Dimensional
Figura E6.2
VA (X1 X2,...,Xn) VA X1 VA X2 ...
x1 = x1(S) Sx2
Sx1
Funo de daVAn-dimensional (X1,X2,...,Xn) Sz z = z (x1, x2,..., xn)
x2 = x2(S) ...
DDD 11
VA Xn
xn = xn(S)
Sxn
Cap_12_A.p65
454
11/05/06, 10:19
455
onde: S = domnio da VA X1, da VA X2,..., da VA Xn e da VA (X1,X2,...,Xn). Os argumentos ocorrero de forma aleatria; Sx i = contradomnio da VA X i; Sz = contradomnio da funo de varivel aleatria n-dimensional (conjunto de nmeros reais possveis de serem obtidos por Z). O conceito apresentado nesta sao de grande importncia para o estudo do risco de mercado, na medida em que o patrimnio lquido de uma instituio pode ser visto como uma funo de varivel aleatria n-dimensional. A varivel aleatria n-dimensional ser o conjunto de retornos efetivos das variveis que influenciam o PL. A respeito do conceito de funo de varivel aleatria n -dimensional, vale ainda lembrar que: quando z = z(x 1,x2,...,x n) varia linearmente em decorrncia de alteraes nos xi, trata-se de um balano composto de posies lineares (como, por exemplo, aes ou moedas), e, portanto, o PL ser uma funo linear de varivel aleatria n -dimensional; quando z = z(x 1,x 2,...,xn) varia de forma no-linear em decorrncia de alteraes nos xi , trata-se de um balano composto de posies no-lineares (como, por exemplo, opes de compra, opes de venda e ttulos de renda fixa prefixados ou ps-fixados, que variam de forma no-linear em decorrncia de alteraes no retorno efetivo do ativo-objeto ou na taxa de juro), e, portanto, o PL ser uma funo no-linear de varivel aleatria n -dimensional.
E6.3 FUNO DE PROBABILIDADE CONJUNTA

Uma Funo de Probabilidade Conjunta associa uma probabilidade de ocorrncia a cada possvel resultado (seqncia ordenada de nmeros reais) de uma varivel aleatria n -dimensional discreta. Seja (X 1,X 2,...,X n) uma varivel aleatria n -dimensional discreta. Seja P uma funo que associa a cada possvel vetor de (X1,X 2,...,X n), que chamaremos de (x1,x2,...,xn), um nmero p (x1,x 2,...,x n) que represente a probabilidade de que (X1,X2,...,Xn) seja igual a (x1,x2,...,xn). A funo P a funo de probabilidade conjunta da varivel aleatria n-dimensional (X1,X 2,...,X n).
Cap_12_A.p65
455
11/05/06, 10:19
456
VOLUME 1
A probabilidade de que (X1,X2,...,Xn) seja igual a (x1,x2,...,xn) representada pela simbologia P(X1=x1,X2=x2,...,Xn=xn) e igual ao nmero p(x1,x2,...,xn). Os nmeros p(x1,x2,...,xn) devem satisfazer s seguintes restries:
p(x 1,x2,...,xn) 0
a=1
para todo (x 1,x2,...,xn) n
t1
b=1
...
t2
tn
c=1
p(x 1a,x2b,...,xnc) = 1
onde os t 1, t 2,...t n so os nmeros de elementos dos contradomnios das VA X 1,X2,...,X n respectivamente. A figura a seguir ilustra uma funo de probabilidade conjunta. S Sx1
Figura E6.3 Funo de Probabilidade Comjunta de VA N-Didimensional
VA (X1 DDD 12 Figura E6.3 X2,...,Xn) VA X1 VA X2 ... VA Xn
x1 = x1(s) Sx2
P Funo de Probabilidade Conjunta daVAn-dimensional (X1,X2,...,Xn) Sz p = p(x1, x2,..., xn)
x2 = x2(S) Sxn ...
xn = xn(S)
E6.4 FUNO DENSIDADE DE PROBABILIDADE CONJUNTA

Uma Funo Densidade de Probabilidade Conjunta N-Dimensional uma Funo Matemtica que associa aos possveis resultados da Varivel Aleatria (seqncias ordenadas de nmeros reais) um nmero p, de modo que p seja igual probabilidade de o resultado da Varivel Aleatria n pertencer aos subconjuntos especificados do espao vetorial . Seja uma varivel aleatria n -dimensional contnua (X 1,X 2,...,X n). Sejam [x1a,x1b], [x2c,x 2d],...,[xne,xnf] n intervalos de nmeros reais de X1,X2,...,Xn, respectivamente. A funo densidade de probabilidade conjunta da VA n-dimensional ser a funo f que associar ao subconjunto do espao vetorial n, delimitado por
Cap_12_A.p65
456
11/05/06, 10:19
457
([x1a ,x1b ], [x2c , x2d],..., [xne , xnf]), a probabilidade de que as possveis seqncias ordenadas de nmeros reais (x1,x 2,...,x n) pertenam simultaneamente ao intervalo [x1a,x 1b], ao intervalo [x2c,x2d],..., e ao intervalo [xne,x nf], ou seja, pertenam ao subconjunto do espao vetorial n. A funo f deve satisfazer s seguintes condies:
f(x 53 >> 1,x2,...,xn) 0
+
para todo (x1,x2,...,xn) n
... f(x 1,x2,...,xn) dx 1 dx2...dxn = 1
Note que o contradomnio de Xi (Sxi) poder conter um limite inferior li e um limite superior ls em que lixi e lsxi sejam constantes. Neste caso, sem prejuzo das condies acima, poderemos afirmar que:
>> 54
>> 54 ...
lix1 lix2
lsx1 lsx2
lsxn lixn
f(x 1, x2,..., xn) dx 1 dx2...dxn = 1
Para calcularmos a probabilidade de ocorrncia de valores pertencentes simultaneamente ao intervalo [x 1a,x 1b ] (P (x1a < x < x1b )), ao intervalo [x 2c,x 2d ] (P (x2c < x < x2d)),..., e ao intervalo [xne,xnf] (P (xne < x < xnf)), deveremos resolver a integral de ordem n, a seguir:
>> 55
>> 55 ...
x1a x2c
x1b
x2d
xnf
xne
f(x 1, x2,..., xn) dx 1 dx2...dxn = 1
Conforme vimos na seo E1.2.1, para representar graficamente uma distribuio de probabilidade unidimensional necessrio um grfico bidimensional e, de acordo com o que vimos na seo E5.3 , para representar graficamente uma distribuio de probabilidade bidimensional necessrio um grfico tridimensional. Distribuies de probabilidade de variveis aleatrias de dimenso igual ou superior a trs no so possveis de serem representadas graficamente, pois isso exigiria grficos de dimenso igual ou superior a quatro. Entretanto este fato no possui qualquer influncia e no reduz a utilizao ou a anlise das funes de probabilidade conjuntas de dimenso igual ou superior a trs.
Cap_12_A.p65
457
11/05/06, 10:19
458
VOLUME 1
E6.5 DISTRIBUIO DE PROBABILIDADE DE FUNO DE VARIVEL ALEATRIA N-DIMENSIONAL

Uma Funo de Probabilidade de uma Funo de Varivel Aleatria N -Dimensional discreta associa uma probabilidade de ocorrncia para cada possvel resultado (nmero real) da Funo de Varivel Aleatria N -Dimensional. Seja P uma funo que associa a cada resultado (nmero real) de uma funo Z de varivel aleatria n-dimensional discreta um nmero p, de modo que p seja igual probabilidade de Z ser igual a z. A funo P a funo de probabilidade da funo de varivel aleatria n-dimensional (X1,X2,...,X n). A figura a seguir ilustra as relaes entre as funes mencionadas:
Figura E6.4 Funo de Probabilidade de Funo de VA N-Didimensional Figura E6.4
S VA X1 VA X2 ... VA Xn
VA (X1 X2,...,Xn)
x1 = x1(s) Sx2
Sx1
Funo de daVAn-dimensional (X1,X2,...,Xn)
Sz
x2 = x2(s) ...
z = z (x1, x2,..., xn) Funo de Probabilidade P=P(z) p=p(z)
xn = xn(s)
Sxn
Se a varivel aleatria n-dimensional (X1,X 2,...,X n) for contnua, a funo densidade de probabilidade da funo de varivel aleatria Z associar a cada intervalo dos possveis resultados de Z (intervalos de nmeros reais) um nmero p, de modo que p seja igual probabilidade de um resultado aleatrio de Z pertencer ao intervalo especificado. de grande importncia para o estudo de risco de mercado ressaltar os seguintes pontos:
Cap_12_A.p65
458
11/05/06, 10:19
459
o conhecimento das distribuies de probabilidade das variveis aleatrias X i no permite (em geral) que se determine a distribuio de probabilidade de Z. Portanto o conhecimento das distribuies de probabilidade das variveis aleatrias que influenciam um balano geralmente no permite que se determine a distribuies de probabilidade do PL; para calcular o risco do PL de acordo com a metodologia analtica (a ser apresentada no captulo 11), necessrio admitir uma distribuio de probabilidade substituta da verdadeira distribuio de probabilidade do PL (proxy da distribuio de probabilidade verdadeira do PL), dado que esta ltima no (em geral) conhecida; a maneira de se estimar o formato da verdadeira distribuio de probabilidade do PL a partir do conhecimento das distribuies de probabilidade das variveis aleatrias unidimensionais que influenciam o PL por meio da metodologia da Simulao Monte Carlo (a ser apresentada no captulo 11). Essa metodologia, alm de estimar o formato da verdadeira distribuio de probabilidade do PL, permite o clculo do risco do PL sem que seja necessrio admitir uma proxy da distribuio de probabilidade verdadeira do PL.
E6.6 DISTRIBUIES MARGINAIS

De forma anloga s distribuies marginais de uma varivel aleatria bidimensional, tambm possvel obter as distribuies de probabilidade de X1, de X2,..., e de Xn separadamente, a partir da distribuio de probabilidade conjunta da VA (X1,X2,...,Xn).

Para variveis aleatrias discretas, as distribuies marginais so obtidas a partir das seguintes frmulas:
p(x1a) = p(X 1=x1a) = >> 56
t2 b=1 c=1 t2 t3
... p (x1a,x2b,...,xne) = 1 para todo (x2b,...,xne) n-1

e=1 tn
t3
tn
>> 56
q(x2b) = p(X2=x2b) =
.................................................................................................................. r(xne) = p(Xn=xne) =
a=1 c=1
... p (x1a,x2b,...,xne) = 1 para todo (x1a, x3c,...,xne) n-1

e=1 t2 tn-1
... p (x1a, x ,...,xn-1d, xne) = 1 para todo (x1a,...,xn-1d) n-1 Variveis Aleatrias Contnuas 2b a=1 b=1 d=1
t1
Cap_12_A.p65
459
11/05/06, 10:19
460
VOLUME 1
Para variveis aleatrias contnuas, as distribuies marginais so obtidas a partir das seguintes frmulas:
>> 57
>> 57
g(x1) = h(x2) = l(xn) =
+ +
+
+
... f(x 1,x2,...,xn) dx 2 dx3...dxn = 1 ... f(x 1,x2,...,xn) dx 1 dx3...dxn = 1

+ +
................................................................
+
... f(x 1,x2,...,xn) dx 1 dx2...dxn-1=1
De forma anloga s variveis aleatrias bidimensionais, o conhecimento de uma distribuio de probabilidade conjunta de variveis aleatrias n -dimensionais possibilita que sejam determinadas as distribuies marginais das variveis aleatrias unidimensionais que compem as variveis aleatrias n -dimensionais. Entretanto o conhecimento das distribuies marginais no permite, em geral, a determinao da distribuio de probabilidade conjunta da varivel aleatria n -dimensional. Isto ser possvel quando as variveis aleatrias unidimensionais forem independentes.

Sejam n variveis aleatrias discretas, X 1,X 2,...,X n. Se os eventos X1=x1, X2=x2,...,Xn=xn so independentes entre si para todo x1,x2,...,xn, ento X1,X2,...,Xn sero ditas variveis aleatrias independentes. Quando n variveis aleatrias so independentes entre si, a probabilidade de determinada seqncia ordenada de valores ocorrer igual ao produto das probabilidades de ocorrncia de cada valor isoladamente, conforme mostrado na expresso a seguir.:
P (X1=x1,X2=x2,..., Xn=xn) = P(X 1=x1) . P(X 2=x2) . ,..., . P(Xn=xn)
Quando n variveis aleatrias contnuas so independentes entre si, a probabilidade de determinado resultado (x1,x2,...,xn) pertencer ao subconjunto do espao vetorial n ([x1a,x1b],[x2c,x2d],...,[xne,xnf]) igual ao produto das probabilidades de x1 pertencer ao intervalo [x1a,x1b], de x2 pertencer ao intervalo [x2c,x2d] e de xn pertencer ao intervalo [xne,x nf], conforme mostrado na expresso a seguir:
Cap_12_A.p65
460
11/05/06, 10:19
461
>> 58
P (x 158 [x1a,x1b],x2 [x 2c,x2d],...,xn [xne, xnf]) = >> P (x 1 [x 1a,x1b]) . P(x 2 [x 2c,x2d] ) . ,..., . P (x n [x ne,xnf])
E6.8 TEOREMA DO LIMITE CENTRAL

O teorema do limite central (tambm conhecido como teorema central do limite) til quando se deseja avaliar resultados que so decorrentes da soma de um nmero grande de variveis aleatrias independentes e identicamente distribudas (independentes e com mesmas distribuies de probabilidade), mesmo quando as distribuies de probabilidade das variveis aleatrias so desconhecidas. Sejam as variveis aleatrias independentes X 1,X 2,...,X n com distribuies de probabilidade idnticas (portanto as variveis aleatrias so independentes e identicamente distribudas iid), com E (xi) = e varincia = 2. Seja uma funo de varivel aleatria n-dimensional, igual soma das variveis aleatrias individuais. Portanto definida pela expresso a seguir: >> = 59xi
i=1 n
De acordo com o teorema do limite central, medida que n aumenta ( n ), a distribuio de probabilidade de tende para uma distribuio de probabilidade normal com mdia n . e varincia n . 2 independentemente de qual seja a distribuio de probabilidade das variveis aleatrias X i . Como um corolrio do teorema do limite central, a mdia dos x i tender a ser normalmente distribuda, medida que n aumenta (n), independentemente de qual seja a distribuio de probabilidade de cada varivel aleatria X i , dado que a mdia igual ao somatrio dividido por n. importante observar que, para a avaliao do risco de uma instituio cujo balano seja influenciado por diversas variveis aleatrias, no se pode aplicar o teorema do limite central, na medida em que as variveis que influenciam um balano no so independentes, nem tampouco identicamente distribudas.
Cap_12_A.p65
461
11/05/06, 10:19
462
VOLUME 1
E6.9 VARINCIA DE FUNES LINEARES DE VARIVEIS ALEATRIAS N-DIMENSIONAIS

Na seo E5.9, vimos como medir a varincia de funes lineares de variveis aleatrias bidimensionais. Nesta seo, veremos como medir a varincia de funes lineares de variveis aleatrias n-dimensionais. Consideraremos que as variveis aleatrias sejam os retornos efetivos R i de n variveis que influenciam o patrimnio lquido de um balano e que a sensibilidade da funo s mudanas de valores das variveis (os coeficientes angulares da funo) sejam os volumes iniciais das variveis (q i . Pi) que influenciam o balano, sendo qi a quantidade e Pi o preo e da varivel aleatria i. Seja R1,R2,...,Rn um conjunto de n variveis aleatrias e sejam V1, V2,...,Vn os respectivos volumes financeiros (Vi = qi . Pi) das variveis nas quais uma instituio mantm posies lineares ativas (V i>0) e posies lineares passivas ( V i <0 ). O patrimnio lquido pode ser visto como uma funo linear da varivel aleatria n-dimensional [R1,R2,...,Rn] e pode ser representado pela expresso a seguir:
PL = V1 . (1+R1) + V 2 . (1+R2) +...+ Vn . (1+Rn) = V1 . R1 + V2 . R2 +...+ Vn . Rn + PLt+0
sendo PLt+0 o valor inicial do patrimnio lquido. A esperana matemtica do PL ser:

E[PL] = V 1 . E[R1] + V 2 . E[R2] +...+ Vn . E[Rn] + PLt+0 (E6.1)
Como a varincia do PL t+0 = 0 (a varincia de uma constante nula), a varincia do PL pode ser calculada como:
VAR(PL) = VAR(V 1 . R1 + V2 . R2 +...+ Vn . Rn) =
V12 . VAR[R1] + V22 . VAR[R2] +........................... ........+ Vn2 . VAR[Rn]
(E6.2a)
+...............0.................+ 2 . V2 . V3 . COV(R2,R3)+...+ 2 . V2 . Vn . COV(R1,Rn) +..............0..................+...............0......................... + 2 . Vn-1 . Vn . COV(Rn-1,Rn) .......................................................................................................................
+ 2 . V1 . V2 . COV(R1,R2) + 2 . V1 . V3 . COV(R1,R3)+...+ 2 . V1 . Vn . COV(R1,Rn)
Cap_12_A.p65
462
11/05/06, 10:19
463
Esta frmula resulta da soma da varincia individual de cada varivel aleatria, multiplicada por seu volume ao quadrado, mais a covarincia individual de cada varivel com as demais variveis multiplicadas pelos respectivos volumes. Como COV(R1,R2) = COV(R 2,R1), a COV(R1,R2) + COV(R 2,R1) ser igual a 2 . COV(R1,R2). Portanto a varincia total de um PL igual soma das varincias individuais das variveis, multiplicadas pelos volumes das variveis ao quadrado, mais as covarincias de cada varivel com as demais variveis multiplicadas pelos respectivos volumes das variveis. Alternativamente, a varincia do PL poderia ser obtida da forma algbrica mostrada a seguir (evidentemente os resultados obtidos seriam os mesmos):
PL >2> 6 2 = E [(PL - E[PL]) 2] = E [( = E [(
= E [(
Vi . ((1+Ri) - E[1+Ri])) 2] Vi . ((Ri) - E[Ri])) 2]
Vi . (1+Ri) - Vi . E[1+Ri]) ]
2
(E6.2b)
= E [ Vi2 . (Ri = Vi2 . E (Ri i=1 n n
E[Ri])2 + 2 . Vi . Vj (Ri - E[Ri]) . (Rj - E[Rj])]

i<j i<j
E[Ri])2 + 2 . Vi . Vj E[(Ri - E[Ri]) . (Rj - E[Rj])]
i=1
Vi2 i2 + 2 . Vi . Vj . COV (Ri,Rj)

i<j
As sees a seguir apresentam mais duas formas alternativas de apresentar a equao do clculo da varincia do PL, que so bastante usuais, por facilitarem a visualizao do clculo.
E6.9.1 UTILIZAO DAS MATRIZES DE VARINCIA-COVARINCIA

Com o objetivo de facilitar a visualizao da varincia de uma funo de varivel aleatria n-dimensional, bastante comum a utilizao de uma matriz (arranjo retangular de nmeros ou de variveis) de varincia-covarincia para representar a varincia da funo de varivel aleatria n-dimensional mostrada na seo anterior. Com objetivos didticos, vamos apresentar, inicialmente, a varincia da soma
Cap_12_A.p65
463
11/05/06, 10:19
464
VOLUME 1
das variveis e, posteriormente, incluiremos os volumes, positivos ou negativos, que representam as aplicaes lquidas ou captaes lquidas nas diversas variveis. Seja Y a funo de varivel aleatria n-dimensional, a seguir:
Y = R1 + R2 +...+ Rn
Calculando as varincias e as covarincias entre as variveis, sem considerar os volumes aplicados ou captados nas variveis Ri , obtm-se a varincia da funo de varivel aleatria Y, conforme mostrado a seguir:
VAR [Y] = VAR [R 1+ R2+...+Rn] = soma10 dos termos da matriz a seguir:
11 12 ........ 1n 21 22 ........ 2n ...................... n1 n2 ........ nn

onde: ii = i2 = varincia da varivel Ri; ij = covarincia da varivel Ri com a varivel Rj. Portanto a diagonal principal da matriz constituda pelas varincias das variveis, e os demais elementos da matriz so as covarincias entre as variveis. Considerando uma constante que multiplica cada varivel (as constantes positivas representam os volumes iniciais das aplicaes, e as constantes negativas representam os volumes iniciais das captaes em cada varivel), obtm-se a seguinte funo linear de varivel aleatria n -dimensional:
PL = V1 . R1 + V2 . R2 +...+ Vn . Rn + PLt+0 n-dimensional do PL pode ser visualizada em uma matriz de varincia-covarincia,
Como a varincia do PLt+0 = 0 , a varincia da funo de varivel aleatria
como a mostrada seguir:

VAR [PL] = VAR [V 1 . R1 + V2 . R2+...+ Vn . Rn] = soma dos termos da matriz
a seguir:
10 freqente o erro de considerar que a varincia da funo de varivel aleatria
n-dimensional seja o determinante da matriz de varincia-covarincia.
Cap_12_A.p65
464
11/05/06, 10:19
465
V . V . ......... V . V . V . V . .............. V . V . V . V . ................................................................ V . V . ......... V . V . V .

1 2 2 1 2 1 1 21 2 2 2 2 2 12 1 n 1n 2 n 2n n 1 n1 n 2 n2 n 2 n 2
(E6.2c)
A volatilidade do PL igual raiz quadrada da varincia do PL: PL = [2 PL]1/2 Para evitar clculos com nmeros muito elevados (h bancos e empresas que possuem bilhes de unidades monetrias aplicados ou captados em determinadas variveis), comum dividir-se o volume das variveis pelo valor do PL inicial, de forma que as constantes que multiplicam as variveis aleatrias passem a representar os pesos nas variveis nas quais se est aplicado ou captado. Seja ai os pesos nas variveis aleatria Ri nas quais se est aplicado ou captado e seja a funo de varivel aleatria n-dimensional que igual soma dos pesos das variveis ai multiplicados pelas variveis aleatrias Ri , conforme mostrado nas equaes a seguir:
>> 63
i >> = 63 ai
q . Pi PL
PL
Vi
= a1 . R1 + a2 . R2 +...+ an . Rn A varincia da funo (linear) de varivel aleatria n-dimensional pode ser calculada pelo mtodo da matriz de varincia-covarincia, conforme mostrado a seguir: 2 = 2 [a1 . R1 + a2 . R2+...+ an . Rn] = soma dos termos da matriz a seguir:
a . a . a . ......... a .a . a . a . a . ......... a .a . ................................................................ a . a . a .a . ......... a .

2 1 2 2 1 1 1 21 2 2 2 2 2 12 1 2 n n n 1 n1 n 2 n2 2 n 2 n
1n 2n
(E6.3a)
Neste caso, a varincia calculada ser igual varincia de uma unidade monetria do PL. Como a volatilidade igual raiz quadrada da varincia e como a volatilidade de uma constante (valor do PL inicial) multiplicada por uma varivel ( ) igual ao
Cap_12_A.p65
465
11/05/06, 10:19
466
VOLUME 1
valor absoluto da constante multiplicada pela volatilidade da varivel, a volatilidade do PL ser igual volatilidade de uma unidade monetria, multiplicada pelo valor absoluto inicial do PL, conforme mostrado na equao a seguir: PL = | PL | . (E6.4)
Este mtodo que considera os pesos das variveis em relao ao PL inicial bem mais prtico (reduz o tamanho das contas) do que o clculo que considera os valores das variveis e ser um dos utilizados para calcular a volatilidade dos PLs dos balanos a serem apresentados no captulo 12.
E6.9.2 UTILIZAO DAS MATRIZES DE CORRELAES

Outra alternativa para calcular a varincia do PL por meio da utilizao da matriz de correlaes entre as variveis que influenciam o PL. Conforme vimos na seo E5.10, ao dividir a covarincia entre duas variveis pelo produto dos desvios padro das variveis, obtm-se a correlao entre as duas variveis. Portanto, ao dividir cada elemento da matriz de varincia-covarincia pelo produto dos desvios padro das respectivas variveis sobre as quais foram calculadas as covarincias, obtm-se as correlaes entre as variveis. A correlao entre n variveis pode ser visualizada em uma matriz de correlaes, como a mostrada a seguir:
11 12 ........ 1n 21 22 ........ 2n .................... = n1 n2 ........ nn
1 12 ........ 1n 21 1 ........ 2n ...................... n1 n2 .......... 1
onde: ii = 1 (trata-se da correlao de uma varivel com ela mesma); ij = correlao da varivel Ri com a varivel Rj. A varincia do PL igual ao produto do vetor linha, com as volatilidades das variveis multiplicadas por seus volumes, pela matriz de correlaes, e desta matriz pelo vetor coluna, com as volatilidades das variveis multiplicadas por seus volumes, conforme mostramos a seguir:
2 [PL] = 2 [V1 . R1+ V2 . R2 + ... + Vn . Rn] =
Cap_12_A.p65
466
11/05/06, 10:19
467
[V1 . 1
V2 . 2 ... Vn . n] . 1
V . 1 ... V . . ................................ ... ... 1 . V

12 ...
21
1n 2n
1 2
1 2
(E6.2d)
n1
A volatilidade do PL igual raiz quadrada da varincia do PL, conforme mostrado a seguir: PL = [2PL]1/2 Utilizando o mtodo dos pesos ai nos quais se est aplicado ou captado em cada varivel aleatria Ri e sendo a funo de varivel aleatria n-dimensional, que igual soma dos pesos das variveis, multiplicados pelas variveis aleatrias Ri, a varincia da funo de varivel aleatria n-dimensional pode ser calculada pelo mtodo da matriz de correlaes, conforme mostrado a seguir: 2 [] = 2 [a1 . R1 + a2 . R2 +...+ an . Rn] =
[a1 . 1 a2 . 2 ... an . n] .
1 ... 1 ... .................... ... 1

12 1n 21 2n n1 n
a . a . ... a .
1 2 1 2 n n
(E6.3b)
Novamente, a varincia calculada ser igual varincia de uma unidade monetria. Tambm mantm-se o clculo da volatilidade do PL : PL = |PL| .

Sejam X 1 ,X 2 ,...,X n n variveis aleatrias independentes. Como as covarincias entre as variveis igual a zero, a varincia da funo de varivel aleatria n-dimensional PL = V1 . R1 + V2 . R2 + ... + Vn . Rn + PLt+0 igual a: >> (PL) VAR 64
= VAR (V 1 . R1 + V2 . R2 + ... + Vn . Rn)
2 2 2 = V1 . VAR [R1] + V 2 . VAR [R2] +...+ Vn . VAR [Rn]
Cap_12_A.p65
467
11/05/06, 10:19
468
VOLUME 1
Portanto o desvio padro ser igual a:

>> 65
>> 65
PL
= [VAR (V 1 . R1 + V2 . R2 + ... + Vn . Rn)]1/2
2 2 2 = [V1 . VAR [R1] + V 2 . VAR [R2] +...+ Vn . VAR [Rn]]1/2
E6.10.1 VARIVEIS ALEATRIAS INDEPENDENTES E IDENTICAMENTE DISTRIBUDAS

Sejam X 1,X 2,...,X n n variveis aleatrias independentes e identicamente distribudas (iid) com varincia igual a 2. Neste caso a funo de varivel aleatria Y = X1 + X2 +...+ Xn apresenta a varincia e a volatilidade mostradas a seguir:
>> 66 VAR Y >> 66 = VAR (X1 + X2 +...+ Xn) = n . VAR [Xi] = n . 2 Y = (X1 + X2 +...+ Xn) = n . Xi = n .
(E6.5a) (E6.5b)
Portanto a varincia aumenta linearmente com o nmero de variveis iid, e a volatilidade aumenta proporcionalmente raiz quadrada do nmero de variveis iid.
E6.11 VARINCIA DO VALOR ESPERADO

Seja uma varivel aleatria X com varincia 2. Se o experimento aleatrio ao qual a VA est associada for repetido n vezes, o valor esperado de x, E[x] (que igual mdia aritmtica de X), ter a seguinte varincia:
>> 67 VAR [E[x]] = >> 67 2 n
(E6.6)
Para demonstrar esta relao, utiliza-se o conceito de que:

>> 68 . E[x] = >> 68 1/n xi
i=1 n
Como:
VAR
[ ]
n i=1
x i = n . 2
e
VAR
1/n . xi = [1/n] 2 . n . 2 = 1/n . x2

i=1
Cap_12_A.p65
468
11/05/06, 10:20
469
ento:
VAR [E[x]] = 1/n . 2
cqd (como queramos demonstrar) Como se pode perceber, a varincia do valor esperado tende para zero, medida que n tende para infinito. Esta propriedade ser utilizada para demonstrar a Lei dos Grandes Nmeros.
E6.12 A DESIGUALDADE DE TCHEBYCHEFF, A LEI DOS GRANDES NMEROS E A SIMULAO MONTE CARLO
A Desigualdade de Tchebycheff
Seja X uma varivel aleatria (discreta ou contnua) com esperana matemtica igual a E[x] e desvio padro x . Considerando-se um valor 0, a desigualdade de Tchebycheff estabelece um limite superior para a probabilidade de um valor obtido aleatoriamente se situar a uma distncia maior do que vezes o desvio padro da varivel, conforme mostrado pela frmula a seguir:
>> 69
>> P x69 E[x]
. x 1/2
(E6.7)
Esta desigualdade til, na medida em que, mesmo que no se conhea a distribuio de probabilidade de x, porm conhecendo-se a sua mdia e o seu desvio padro, possvel estabelecer limites para a probabilidade de ocorrncia de valores de x dentro (ou fora) de determinada faixa em torno da esperana da varivel, correspondentes a desvios padro.
A Lei dos Grandes Nmeros

Seja X uma varivel aleatria e x um dos possveis resultados do experimento. Admita que o experimento aleatrio ao qual X est vinculada seja repetido n vezes, sendo que o resultado de uma repetio independe dos resultados das outras repeties. Ao contar a quantidade de vezes que o possvel resultado x ocorreu (nx) e dividi-lo pela quantidade total de repeties (n), obtm-se a razo n x /n , que denominada freqncia relativa do resultado x (fx).
Cap_12_A.p65
469
11/05/06, 10:20
470
VOLUME 1
A Lei dos Grandes Nmeros assegura que a freqncia relativa de ocorrncia de um possvel resultado x de uma varivel aleatria converge para a probabilidade de ocorrncia do resultado x, medida que aumentado o nmero de repeties do experimento ao qual a varivel aleatria est associada.
Para demonstrar a Lei dos Grandes Nmeros, utiliza-se a desigualdade de Tchebycheff, como mostrado a seguir. Aplicando as relaes de esperana e de varincia do valor esperado mostradas na seo anterior, ao conceito de freqncia relativa, obtemos as seguintes relaes:
>> 70 E[fx] = >> 70 p e 2 [fx] = x2 n
Demonstrao da Lei dos Grandes Nmeros

Segundo a desigualdade de Tchebycheff, para qualquer > 0 teremos:
>> 71 P 71 - p >> fx
. fx = P fx - p . x / n 1/2
Escolhendo = . n /x , sendo um valor, e substituindo na frmula anterior, obtm-se:

P [| fx - p | ] 1/( . n / x)2 P [|fx - p | ] ( x / . n )2
ou
ou
P [|fx - p | ] 2x /( 2 . n)
conclumos, ento, que:

Lim P [ fx - p ] 2x /( 2 . n) = 0 n
(E6.8)
cqd
Cap_12_A.p65
470
11/05/06, 10:20
471
A Simulao Monte Carlo

A Lei dos Grandes Nmeros a base da metodologia de clculo de risco conhecida como metodologia da Simulao Monte Carlo, que ser apresentada a partir do captulo 11. Esta metodologia tambm til para precificar opes de compra e de venda, conforme veremos no captulo 26. Por meio da metodologia da Simulao Monte Carlo, simulam-se milhares de possveis valores para o patrimnio lquido de uma instituio ( necessrio gerar um nmero grande de simulaes para que a freqncia relativa represente a estimativa da probabilidade com grande confiabilidade), de acordo com parmetros previamente estabelecidos, com dois objetivos bsicos: calcular o Value-at-Risk (risco de mercado) da instituio; estimar a distribuio de probabilidade do PL, que em geral desconhecida. Conforme vimos anteriormente, o PL uma funo (linear ou no linear) de varivel aleatria n-dimensional. Portanto, em geral, mesmo que se conhea a distribuio de probabilidade das variveis aleatrias que influenciam um balano, no possvel conhecer a distribuio de probabilidade do PL. A estimativa da distribuio de probabilidade do PL por meio da metodologia da Simulao Monte Carlo decorre da Lei dos Grandes Nmeros, conforme mostrado no corolrio a seguir. Corolrio da Lei dos Grandes Nmeros
A distribuio de probabilidade dos nmeros reais aleatrios decorrentes da realizao de um experimento aleatrio ao qual uma varivel aleatria est associada converge para a distribuio de probabilidade da varivel aleatria, medida que aumentado o nmero de repeties do experimento aleatrio.
Portanto, quando a distribuio de probabilidade de uma varivel aleatria desconhecida, ela pode ser estimada por meio da repetio de um nmero muito grande de experimentos aleatrios. Para demonstrar esse corolrio, de forma anloga que utilizamos para demonstrar a Lei dos Grandes Nmeros, bastaria considerar todos os resultados possveis ou diversos intervalos de resultados possveis 11 .
11 O apndice 12 especifica um mtodo prtico, por meio do aplicativoExcel, para a estimativa de uma distribuio de probabilidade.
Cap_12_A.p65
471
11/05/06, 10:20
472
VOLUME 1
Conforme ser mostrado no apndice 12, ao calcular a freqncia relativa das quantidades de simulaes que tm valor em cada um dos cem intervalos de classe com amplitudes iguais amplitude total (o valor mximo menos o valor mnimo obtidos nas simulaes) dividida por 100 , a metodologia da Simulao Monte Carlo estima a probabilidade de que o patrimnio lquido se situe nos intervalos de classe e, conseqentemente, estima a distribuio de probabilidade do patrimnio lquido.
Cap_12_A.p65
472
11/05/06, 10:20
473
E7 Amostras e Distribuies Amostrais

Quando temos a necessidade de tomar uma deciso que envolva determinada populao, o ideal que tenhamos o conhecimento da distribuio de probabilidade da populao, pois, deste modo, a deciso ser tomada com o conhecimento dos riscos envolvidos. O conhecimento da distribuio de probabilidade da populao possibilita a obteno de todos os parmetros da populao, como, por exemplo, o valor esperado, o desvio padro, a assimetria e a curtose. No outro extremo, se a deciso for tomada sem qualquer conhecimento dos parmetros da populao e sem que haja qualquer estimativa desses parmetros, a deciso ser tomada sem o conhecimento dos riscos envolvidos. Neste caso, diz-se que a deciso ser tomada em condies de incerteza. Embora a primeira situao seja a mais desejada para a tomada de decises, na prtica nem sempre ela se verifica, inclusive por uma questo de custos ( dispendioso manter o conhecimento permanente de toda a populao). Uma situao intermediria consiste na estimativa dos parmetros da populao por meio da obteno dos valores correspondentes das amostras (estatsticas) representativas da populao. Em sentido mais amplo a Estatstica cuida da coleta, organizao, resumo, apresentao e anlise de dados, e tambm da obteno de concluses que aumentem a probabilidade de acertos nos processos de tomada de deciso. A estatstica pode ser dividida em estatstica descritiva, que se preocupa em descrever, calcular e analisar dados das amostras, sem tirar concluses sobre as populaes, e em inferncia estatstica que se utiliza de dados das amostras para que se possa realizar estimativas, previses e concluses sobre as populaes. Em sentido mais restrito o termo Estatstica pode ser definido como um valor obtido a partir dos dados da amostra, que serve de estimador do valor correspondente da populao, o qual denominado parmetro. Em Finanas, os principais parmetros que necessitamos conhecer so as esperanas de retorno, as volatilidades futuras e as correla es futuras dos diversos ativos sobre os quais necessitamos decidir. Como se trata de parmetros futuros que variam com o tempo, geralmente impossvel conhec-los a priori, o que torna
Cap_12_A.p65
473
11/05/06, 10:20
474
VOLUME 1
necessrio que eles sejam estimados para que as decises sejam tomadas com maiores probabilidades de acerto. Na prtica, para estimar as volatilidades dos ativos, utilizam-se amostras das volatilidades dirias de um perodo anterior ou as volatilidades implcitas nas opes de compra e de venda dos ativos12 . Na seo E7.3, estudaremos as estimativas de parmetros por intervalos, que esto intimamente ligadas ao clculo do Value at Risk. Na seo E7.5, estudaremos os testes de hipteses, que so teis para avaliar se os modelos de clculo dos Value at Risk os esto calculando de forma satisfatria, ao longo do tempo. Esses testes so conhecidos como backtests.
E7.1 AMOSTRA ALEATRIA

O objetivo de utilizar amostras de uma populao obter estimativas dos parmetros da populao que permitam o seu conhecimento sem a necessidade de efetuar o censo da populao. Uma das tcnicas de amostragem por meio da realizao de amostras aleatrias 13 .
E7.2 ESTIMATIVAS DOS RETORNOS, DAS VOLATILIDADES E DAS CORRELAES FUTURAS DAS VARIVEIS
Para estimar os retornos, as volatilidades e as correlaes futuras de diversos ativos, o mais comum basear-se nos retornos, nas volatilidades e nas correlaes dos ativos verificados no passado. A quantidade de dias escolhida representa o tamanho da janela temporal a ser utilizada para estimar a volatilidade futura. Normalmente utilizam-se os retornos, as volatilidades e as correlaes dirias verificados nos dias mais recentes (por exemplo, 20, 30, 40 ou 252 dias teis mais recentes). Na seo 22.8.1, discutiremos a convenincia de utilizar janelas temporais maiores ou menores e mencionaremos algumas das tcnicas que se vm destacando para a previso de parmetros futuros, a partir dos dados passados.
Distribuio Amostral
a distribuio de probabilidade de uma estatstica de uma amostra. Por exemplo, as distribuies de probabilidade da mdia e do desvio padro de uma amostra de uma populao so distribuies amostrais.
13 Quando se trata de populaes com tamanhos conhecidos, pode-se calcular a quantidade de amostras possveis de serem obtidas.
12 Na seo 22.8, efetuamos uma breve descrio de alguns dos mtodos utilizados para prever as volatilidades futuras a partir das volatilidades passadas e, na seo 22.9, avaliamos as volatilidades implcitas das opes.
Cap_12_A.p65
474
11/05/06, 10:20
475
E7.3 ESTIMAO POR PONTOS OU POR INTERVALOS

Estimao por Ponto
As estimativas por pontos so representadas por uma estatstica (um valor) obtida a partir da amostra. O valor da estatstica considerado o melhor representante para o parmetro da populao. Portanto a estimativa por ponto fornece, por meio de um nico valor, uma estimativa para o parmetro da populao. Por exemplo, quando se diz que o retorno esperado de um patrimnio lquido de 20% ao ano, est-se apresentando uma estimativa por ponto.
Estimao por Intervalo
Consiste em considerar um intervalo em torno do estimador por ponto. Esse intervalo ter uma probabilidade conhecida de conter o verdadeiro valor do parmetro da populao. As estimativas por intervalos podem ser bilaterais ou unilaterais, conforme definimos a seguir: intervalo bilateral calculam-se limites bilaterais, que delimitam um intervalo para o qual haja uma probabilidade (nvel de confiana) de o parmetro da populao pertencer ao intervalo; intervalo unilateral inferior calcula-se um limite (ou ponto crtico) unilateral inferior, que delimita o intervalo para o qual haja uma probabilidade (nvel de confiana) de o parmetro da populao ser maior ou igual ao limite unilateral inferior; intervalo unilateral superior calcula-se um ponto crtico unilateral superior, que delimita o intervalo para o qual haja uma probabilidade (nvel de confiana) de o parmetro da populao ser menor ou igual ao ponto crtico unilateral superior. Por exemplo, quando se afirma que o patrimnio lquido de uma instituio tem 95% de probabilidade de estar situado entre R$ 90 milhes e R$ 100 milhes , est sendo realizada uma estimativa por intervalo bilateral. Quando se afirma que o patrimnio lquido tem 95% de probabilidade de ser maior ou igual a R$ 70 milhes (conseqentemente, admite-se a hiptese de que haja 5% de probabilidade de o patrimnio lquido ser inferior a esse valor), est sendo realizada uma estimativa por intervalo unilateral inferior. Quando se afirma que o patrimnio lquido tem 95% de probabilidade de ser menor do que R$ 140 milhes (conseqentemente, admite-se a hiptese de que haja 5% de probabilidade de o patrimnio lquido ser igual ou superior a esse valor), h a estimativa por intervalo unilateral superior.
Cap_12_A.p65
475
11/05/06, 10:20
476
VOLUME 1
Para o clculo do risco de mercado (Value at Risk) utiliza-se o conceito de estimativa por intervalo unilateral inferior, pois h a preocupao com o patrimnio lquido atingir valores muito baixos. Como no h a preocupao com o patrimnio lquido atingir valores muito elevados, no so utilizados os outros dois mtodos de estimao por intervalos mencionados, para o clculo do Value at Risk.
E7.3.1 EXEMPLOS DA ESTIMAO POR PONTO E DA ESTIMAO POR INTERVALO

Como exemplos de estimadores por ponto, podemos mencionar os estimadores da mdia e da varincia da populao: o melhor estimador da mdia da populao a mdia da amostra, na medida em que no tendencioso, mais eficiente e consistente 14 ; o melhor estimador da 2 (varincia da populao) s2 (varincia da amostra), na medida em que no tendencioso, mais eficiente e consistente. Como exemplos de estimadores por intervalos, mencionaremos intervalos e probabilidades que so freqentemente utilizados. Sejam PL e PL a mdia e o desvio padro de uma distribuio de probabilidade do PL aps decorrido um perodo (PLt+1). Se for admitido que a fdp do PLt+1 normal (nos captulos 11 e 12 veremos que geralmente a fdp do PLt+1 tem formato desconhecido), pode-se esperar ou estar confiante de encontrar-se o PL (PLt+1) nos intervalos a seguir, com as respectivas probabilidades:
P (PL - PL PL PL + PL) P (PL - 1,96 . PL PL PL + 1,96 . PL) = 95,00% P (PL - 2 . PL PL PL + 2 . PL) P (PL - 3 . PL PL PL + 3 . PL) P (PL - 2,58 . PL PL PL + 2,58 . PL) = 99,00% = 99,73% = 95,45% = 68,27%
Pode-se falar, tambm, em limites unilaterais:

P (PL > PL + 1,65 . PL) = 5% (limite unilateral superior com = 5% ) P (PL < PL - 1,65 . PL) = 5% P (PL < PL - 2,33 . PL) = 1% P (PL > PL + 2,33 . PL) = 1% (limite unilateral superior com = 1% )
(limite unilateral inferior com = 5%) (limite unilateral inferior com = 1%)
14 Essas propriedades de um estimador sero estudadas na seo E7.4.
Se for admitido que a fdp do PL lognormal, definindo como o desvio
Cap_12_A.p65
476
11/05/06, 10:20
477
padro de uma unidade monetria do PL (geralmente calculada a partir das volatilidades e das correlaes dos retornos logartmicos passados das variveis que influenciam o PL), pode-se esperar ou estar confiante de encontrar-se o PL (PLt+1) nos intervalos a seguir, com as respectivas probabilidades:
P (PL - (1 - e
-
P (PL - (1 - e P (PL - (1 - e P (PL - (1 - e P (PL - (1 - e
1,96 . 2.
) . PL PL PL + (e
2,58 . 3.
) . PL PL PL + (e ) . PL PL PL + (e
) . PL PL PL + (e
-1) . PL)
+ 1,96 .
+2.
) . PL PL PL + (e
-1) . PL) -1) . PL)
-1) . PL) = 95,00%
= 68,27% = 95,45% = 99,73%
+ 2,58 .
-1) . PL) = 99,00%
+3.
Pode-se falar, tambm, em limites unilaterais:

P (PL > PL + (e P (PL > PL + (e
+ 1,65
P (PL < PL - (1 - e
- 1) = 5% (limite unilateral superior com = 5%) - 1) = 1% )= 1% )= 5%
- 1,65
(limite unilateral inferior com = 5%) (limite unilateral inferior com = 1%) (limite unilateral superior com = 1%)
+ 2,33
P (PL < PL (1 - e
- 2,33
Vale ressaltar que a mdia do PL aps decorrido um perodo (PL) ser igual ao PL 2 inicial multiplicado pela mdia de uma distribuio lognormal que igual a e+ /2.
Estimao das Mdias
Caso se queira estimar o intervalo de confiana da mdia da populao (desconhecida) a partir da mdia da amostra X (conhecida), e tendo-se um (conhecido), deve-se utilizar a seguinte frmula:
>> 75 _ _ _ _ >> X - Z /2 . / n . X X + Z/2 . / n . X 75 P
) = 1-
onde: _ X = mdia da amostra retirada da populao; = desvio padro da populao; n = tamanho da amostra retirada (nmero de elementos da amostra); 1-= nvel de confiana do intervalo; = nvel de significncia; Z/2 = valor da normal padronizada tal que P (Z > Z/2) = /2. Pode-se perceber que o intervalo de confiana da mdia reduzido medida que se aumenta o tamanho da amostra (n).
Cap_12_A.p65
477
11/05/06, 10:20
478
VOLUME 1
Estimao das Freqncias Relativas

Caso se queira estimar o intervalo da probabilidade (desconhecida) da ocorrncia de determinado resultado da populao a partir das freqncias relativas ( f) de ocorrncia verificadas na amostra (conhecida), e tendo-se um (conhecido), deve-se utilizar a seguinte frmula:
P f76Z /2 . / n p f + Z /2 . / n >> -
) = 1-
Tambm neste caso observa-se que o intervalo de confiana da probabilidade da populao reduzido medida que se aumenta o tamanho da amostra (n). Isto est de acordo com a Lei dos Grandes Nmeros, segundo a qual a freqncia relativa f tende para a probabilidade da populao p, medida que o tamanho da amostra tenda a infinito. Para calcular os intervalos de confiana para ou para p, se no for conhecido e se a amostra tiver n 30 , pode-se utilizar as frmulas anteriores, procedendo-se a substituio de por s (desvio padro da amostra)15 .
E7.4 PROPRIEDADES DESEJVEIS DE UM ESTIMADOR

desejvel que as estatsticas, que so as estimadoras dos parmetros da populao, apresentem as propriedades de ser no tendenciosas, eficientes e consistentes. Baseando-se nas definies a seguir, apresentaremos as trs propriedades: = uma estatstica obtida em uma amostra de uma populao; = parmetro da populao, que dever ser estimado a partir da estatstica da amostra.
^
No Tendenciosidade
O estimador de ser no tendencioso se:
E () =
^ ^
A diferena [E () - ] a tendenciosidade do estimador.

15 Se a amostra fosse inferior a30 deveria ser utilizada a distribuio t de Student. Os estatsticos admitem que quando a amostra grande ( 30) a distribuio t aproxima-se n muito da distribuio normal e, desse modo, pode ser substituda pela distribuio normal.
Cap_12_A.p65
478
11/05/06, 10:20
479
Por exemplo, para efetuar uma simulao Monte Carlo, devem-se inserir no computador que efetuar a simulao, as verdadeiras esperanas de retorno das variveis, pois, caso contrrio, o resultado da simulao ser tendencioso (ou viesado).
Eficincia
Um estimador ser mais eficiente do que outro, se a sua varincia for menor. Portanto, se VAR (1) < VAR (2), ento 1 ser mais eficiente do que 2. Vale lembrar que bastante utilizada a anlise por erro quadrtico mdio ( EQM ) para comparar dois estimadores. O EQM de um estimador obtido pela frmula seguinte:
E [ - ] 2 = VAR () + [E ( ) - ] 2 = varincia de + tendenciosidade de
^ ^ ^ ^ ^ ^ ^ ^ ^ ^ ^
Com base nesta anlise, um estimador 1 ser prefervel a um estimador 2, se ^ EQM 1 < 2. Por exemplo, ao efetuar uma mesma Simulao Monte Carlo por diversas vezes, desejvel que os resultados obtidos nas diversas simulaes sejam bastante prximos uns dos outros, pois, caso contrrio, a simulao Monte Carlo seria ineficiente. Vale lembrar que, como utilizado um nmero bastante grande de simulaes aleatrias em cada Simulao Monte Carlo, segundo a Lei dos Grandes Nmeros esta metodologia tende a ser bastante eficiente. Conforme mencionamos no incio do captulo 12, h estudos a respeito de tcnicas de reduo de varincia que visam tornar a metodologia da Simulao Monte Carlo ainda mais eficiente.
Consistncia
Se a varincia de um estimador diminui medida que o tamanho da amostra aumentado, o estimador ser consistente:
lim E () =
n
^
e
lim VAR () = 0 (zero)
n
^
Cap_12_A.p65
479
11/05/06, 10:20
480
VOLUME 1
Conforme vimos na seo E6.12, pela Lei dos Grandes Nmeros, quando se aumenta o nmero de repeties aleatrias de um evento aleatrio, a varincia da freqncia relativa de ocorrncia do evento aleatrio tende para zero. Portanto a freqncia relativa um estimador consistente e no tendencioso (no viesado) da probabilidade (desconhecida) de ocorrncia do evento. Na mesma seo E6.12, mostramos que a distribuio de probabilidade do PL (pode se visto como uma funo de varivel aleatria n-dimensional) obtida em uma Simulao Monte Carlo um estimador consistente e no tendencioso (no viesado) da verdadeira distribuio de probabilidade do PL.
E7.5 TESTES DE HIPTESES

So testes que permitem aceitar ou rejeitar, com determinada probabilidade de acerto, uma hiptese a respeito do valor de um parmetro populacional, tendo por base os valores obtidos na estatstica correspondente da amostra. Por exemplo, vamos considerar que uma instituio decida testar o seu modelo de avaliao do risco de mercado. O modelo que a instituio utiliza admite o nvel de significncia de 5%, o que eqivale a dizer que, em 5 dias, a cada 100 dias, a instituio deveria apresentar PLs menores do que os PLs crticos unilaterais inferiores previstos pelo modelo. Se a instituio observar que, em um nmero muito pequeno de vezes, os PLs foram inferiores aos PLs crticos unilaterais inferiores previstos pelo modelo, este dever ser rejeitado, pois est superestimando o risco de perdas. Por outro lado, se a instituio observar que, em um nmero muito grande de vezes, os PLs foram inferiores aos PLs crticos unilaterais inferiores previstos pelo modelo, este tambm dever ser rejeitado, pois est subestimando o risco de perdas. Para realizar os testes de hipteses, devem-se admitir duas hipteses iniciais a respeito do valor do modelo que estar sendo testado, conforme mostramos a seguir.
Hiptese Nula (H0)

a que vai ser testada. Supe que a eventual diferena entre o nmero de vezes em que os PLs dirios ficam inferiores aos PLs crticos unilaterais inferiores dirios previstos pelo modelo e o nmero de vezes previsto devida ao acaso e, portanto, no significativa. Para que esta hiptese seja aceita, necessrio que no haja diferena significativa entre o nmero de vezes observado e o nmero de vezes esperado.
Cap_12_A.p65
480
11/05/06, 10:20
481
Se a diferena for significativa, H0 ser rejeitada, e, conseqentemente, no ser aceita a hiptese de que os PLs crticos unilaterais inferiores verdadeiros estejam contidos na regio de aceitao prevista pelo modelo que foi testado.
Hiptese Alternativa (H1)

uma hiptese diferente de H0, ou seja, admite que os PLs crticos unilaterais inferiores verdadeiros estejam fora da regio de aceitao da hiptese nula. Quando H1 testada e a diferena entre o nmero de vezes observado e o nmero de vezes esperado pela hiptese alternativa no significativa, H1 ser aceita. Quando H 1 aceita, H 0 ser rejeitada. Neste caso, a concluso que a diferena entre o nmero de vezes observado e o nmero de vezes esperado pelo modelo da hiptese nula significativa.
E7.5.1 ANLISE DAS HIPTESES

Em torno do valor do parmetro assumido por H 0 cria-se uma regio de aceitao. Se a estimativa do parmetro populacional aceita por H0 estiver compreendida dentro dessa regio, a hiptese nula ser aceita. Se estiver fora da regio determinada, H0 ser rejeitada. Os limites da regio de aceitao so conhecidos como pontos crticos. No caso de teste unilateral, haver apenas um ponto crtico. Tipos de Erros Ao se realizarem testes de hipteses, h dois tipos de erros possveis: erro Tipo I - o que se comete quando se rejeita H0 , sendo ela verdadeira. Tem probabilidade (nvel de significncia da hiptese nula H0);
erro Tipo II - o que se comete quando se aceita H0 , sendo ela falsa. Tem probabilidade (nvel de significncia da hiptese alternativa H1). Em resumo, teremos:
Aceitar H0 Rejeitar H 0
Erro Tipo I Probabilidade Probabilidade (1- )
H0 Verdadeira H1 Verdadeira (H0 Falsa)
Deciso Correta Erro Tipo II
Probabilidade (1- ) Probabilidade
Deciso Correta
Cap_12_A.p65
481
11/05/06, 10:20
482
VOLUME 1
As probabilidades de ocorrncia dos dois tipos de erro podem ser vistas nos grficos a seguir: hiptese de que o parmetro populacional seja normalmente distribudo:
Grfico E7.1a Erros Tipo I e Tipo II, Admitindo Distribuies Normais
Probabilidade de Erro do Tipo I
Probabilidade de Erro do Tipo II
Regio de Aceitao de Ho
hiptese de que o parmetro populacional seja lognormalmente distribudo:

Grfico E7.1b Erros Tipo I e Tipo II, Admitindo Distribuies Normais
Probabilidade de Erro do Tipo I Probabilidade de Erro do Tipo II
Regio de Aceitao de Ho
Exemplo E7.1 Um banco utiliza modelo analtico de clculo de risco (Value at Risk VaR) dirio, admitindo que o nvel de significncia seja de 5%. Ao perceber que, freqentemente, a perda sofrida superior ao VaR previsto pelo modelo, o banco resolve test-lo, realizando um backtest. O banco decidiu realizar o backtest nos 100 dias teis mais recentes e observou que, em 9 dias, a perda verificada foi maior do que o VaR previsto pelo modelo.
Cap_12_A.p65
482
11/05/06, 10:20
483
O banco deveria aceitar ou rejeitar o modelo de clculo de VaR, considerando um nvel de confiana de 95%, admitindo que os percentuais so normalmente distribudos?
Comentrios:
a) perda superior ao VaR ou b) perda inferior ao VaR.
H somente dois resultados possveis quando se efetua um back-test, que so:
Caso se queira avaliar se a freqncia absoluta observada (igual a 9) deve ser aceita ou no, deve-se aplicar a esperana e o desvio padro de uma distribuio de probabilidade Binomial considerando a probabilidade de sucesso igual a 5% e a probabilidade de fracasso igual a 95% e o nmero de repeties igual a 100. Aplicando as frmulas de esperana e de desvio-padro da distribuio binomial, obtemos os seguintes resultados:
Esperana = n . p = 100 . 0,05 = 5 Desvio-padro = n . P . (1-P) = 100 . 0,05 . 0,95 = 2,179
9% ) deve ser aceita ou no. Neste caso deve-se aplicar a esperana e o desvio
Alternativamente, pode-se avaliar se a freqncia relativa observada (igual a
padro de uma distribuio de probabilidade de Bernoulli (anloga a uma binomial com n=1) considerando a probabilidade de sucesso igual a 5% e a probabilidade de fracasso igual a 95%. Aplicando as frmulas de esperana e de desvio padro obtemos:
Esperana = p = 0,05 Desvio-padro = P . (1-P) = 0,05 . 0,95 = 0,2179
Logicamente as regies de aceitao sero equivalentes, sendo que na primeira alternativa, a regio estar expressa em quantidades e, na segunda, estar expressa em percentual Utilizaremos a segunda alternativa para elaborarmos a resposta. Resposta - Considerando que iremos avaliar a freqncia relativa, devemos efetuar o seguinte teste de hipteses a respeito da probabilidade das perdas dirias observadas superarem o VaR que havia sido calculado:
Cap_12_A.p65
483
11/05/06, 10:20
484
H0 : p = 5% e o modelo correto
VOLUME 1
H1 : p 5% e o modelo subestima ou superestima o VaR
Ao nvel de significncia de 5% (no confundir com o nvel de significncia de 5% considerado para o clculo do VaR) tem-se a seguinte regio de aceitao para o percentual de dias em que as perdas superam o VaR:
P (0,05 -1,96 . 0,2179 / 100 percentual 0,05 +1,96 . 0,2179 / 100) = 95% P (0,05 - 0,0427 percentual 0,05 + 0,0427) = 95% P (0,0073 percentual 0,0927) = 95%
ou
P (0,73% percentual 9,27%) = 95%
Concluso: como o percentual observado de 9% est dentro da regio de aceitao ao nvel de significncia de 5%, o modelo deveria ser aceito.
22 dias ( 8,73%), o modelo deveria ser aceito ou rejeitado?
b) Se o backtest fosse realizado em 252 dias e o modelo tivesse falhado em
Resposta - Como o nmero de dias considerado maior, a regio de aceitao seria reduzida, conforme mostramos a seguir:
P (0,05 -1,96 x 0,2179/ 252 percentual 0,05 +1,96 x 0,2179/ 252) = 95% P (0,05 - 0,0269 percentual 0,05 + 0,0269) = 95% P (0,0231 percentual 0,0769) = 95% ou P (2,31% percentual 7,69%) = 95%
Concluso: como o percentual observado de 8,73% est fora da regio de aceitao ao nvel de significncia de 5%, o modelo deveria ser rejeitado. Portanto a concluso a de que o modelo est subestimando o risco, pois as perdas verificadas tm superado o nvel de significncia de 5% considerado para o clculo do VaR em um nvel significativo. Se o percentual observado estivesse abaixo de 2,31% o modelo estaria superestimando o risco, pois as perdas verificadas estariam inferior ao nvel de significncia de 5% considerado para o clculo do VaR em um nvel significativo.
Cap_12_A.p65
484
11/05/06, 10:20
485
E8 Modelos Estatsticos Utilizados em Finanas

Nesta seo, mostraremos algumas das anlises de risco de ativos e de carteiras (conjunto de posies em ativos) que so freqentemente utilizadas em Finanas. Apresentaremos os modelos clssicos Capital Asset Pricing Model (CAPM ) e de Marckowitz, que analisam a relao retorno esperado/risco 16 . Conforme dissemos no incio desta Reviso de Estatstica, os interessados em se aprofundar nos tpicos apresentados devero recorrer a literaturas especializadas nos temas abordados.
E8.1 ANLISES DA RELAO RETORNO ESPERADO/RISCO DA RELAO CUSTO ESPERADO/RISCO
Quando uma instituio ou uma empresa necessita decidir sobre qual alternativa adotar para aplicar recursos ou para captar recursos, ela deve comparar o retorno (ou custo) esperado com a volatilidade (risco) do retorno (ou do custo). Admitindo que a instituio seja avessa ao risco, ela preferir adotar as alternativas que tenham menores volatilidades, para um dado nvel de retorno ou de custo esperado. Por outro lado, para um dado nvel de volatilidade, ela preferir maior retorno esperado e menor custo esperado. Para avaliar e comparar as alternativas de aplicao disponveis no mercado, apresentaremos, na seo a seguir, o modelo CAPM. Na seo E8.3, apresentaremos o modelo de Marckowitz, que avalia a possibilidade de diversificar as aplicaes e captaes e que permite (em algumas situaes) a reduo do risco, sem que haja necessariamente a reduo do retorno. O modelo de Marckowitz tambm avalia as escolhas das alternativas de aplicao disponveis mais adequadas aos perfis dos aplicadores.
E8.2 O CAPITAL ASSET PRICING MODEL

Este modelo parte do pressuposto de que os agentes econmicos sejam avessos ao risco. Conseqentemente, deve-se esperar uma relao de mercado positiva entre retorno esperado e volatilidade dos ativos. Ao plotar em um grfico bidimensional que mea os riscos e os retornos esperados das alternativas de aplicao de recursos, ou de investimento de capital, disponveis na economia, deve-se esperar, segundo o CAPM, que os pontos se situem de forma semelhante aos que se encontram no grfico E8.1, a seguir.
16 No captulo 1, comentamos a respeito da Teoria de Arbitragem de Preos (Arbitrage Price Theory APT).
Cap_12_A.p65
485
11/05/06, 10:20
486
VOLUME 1
Grfico E8.1 Linha Caracterstica de Mercado

E [R]
. .
rf
0
Linha Caracterstica de Mercado
. . .. .
Ao efetuar uma regresso linear 17 entre a varivel esperana de retorno dos ativos e a varivel volatilidade dos ativos, chega-se seguinte equao de reta (chamada de linha caracterstica de mercado, conforme mostrado no grfico anterior), decorrente da regresso:
E[Ri] = i + . i
(E8.1a)
De acordo com o CAPM, o intercepto linear i pode ser substitudo pela taxa de juro dos ttulos de renda fixa. O coeficiente angular (inclinao) da reta igual a , que pode ser vista como uma medida do grau de averso ao risco de mercado, por parte dos agentes econmicos. Portanto o representa o quanto deve haver de acrscimo de retorno esperado, para cada unidade de aumento da volatilidade esperada do ativo:
E[Ri] = r f + . i (E8.1b)
onde: i = volatilidade do ativo i. Seja E[Rm] a esperana de retorno da carteira de mercado. Como o risco da carteira de mercado (m) maior do que o risco de renda fixa (que considerado igual a zero), de acordo com o CAPM deve-se esperar que E[Rm] > r f. Na medida em que o modelo prev uma relao linear entre o aumento do risco e o aumento do retorno para os diversos ativos, o retorno da carteira de mer17 No captulo 8, apresentamos de forma sucinta o conceito de regresso linear.
Cap_12_A.p65
486
11/05/06, 10:20
487
cado (retorno mdio) ser igual taxa de renda fixa mais o coeficiente angular da linha caracterstica de mercado () multiplicada pelo risco da carteira de mercado (m), conforme se pode observar na equao a seguir:
>> 82 E[R ] = >> mE82 r f + . m
(E8.2)
Isolando-se o na equao anterior, chegamos a:

= E[Rm] - r f m
Substituindo o na equao (E8.1b), chega-se a:

E[Ri] = r f + ou E[Ri] = r f + E[Rm- r f] m . i E[Rm] - r f m . i
(E8.3)
Portanto, em equilbrio, o retorno esperado de cada ativo individualmente deve crescer linearmente com o risco do ativo, de acordo com o CAPM. Os pontos que estivessem acima da linha caracterstica de mercado representariam oportunidades de investimento com relao retorno/ risco acima da mdia, e os pontos que estivessem abaixo da linha caracterstica de mercado representariam oportunidades de investimento com relao retorno/risco abaixo da mdia.
E8.2.1 MODELO CAPM E ESPERANAS DE RETORNO DE ATIVOS PARA OS QUAIS H MERCADOS DERIVATIVOS DESENVOLVIDOS
O modelo CAPM no inclui em sua anlise a possibilidade de reduzir ou mesmo de eliminar os riscos de manter ativos em carteira, por meio da realizao de operaes em mercados derivativos. Como veremos ao longo do livro, possvel eliminar o risco de manter posio em um ativo com alta volatilidade, realizando-se operaes especficas (operaes de hedge) em mercados derivativos, como, por exemplo, a venda do ativo no mercado a termo ou no mercado futuro, conforme ser estudado nos captulos 4 e 6.
Cap_12_A.p65
487
11/05/06, 10:20
488
VOLUME 1
Tambm ser visto na seo 6.5 que, em mercados nos quais no h interferncia governamental ou manipulao de preos, o preo vista esperado para determinada data futura ( E[PV V]) dever ser igual ao preo futuro do ativo ( Pfuturo ) em situao de equilbrio, de forma que, em equilbrio, devemos observar a seguinte esperana de retorno (efetivo) do ativo:
>> 83
>> 83 E[PVV]
PV
- 1=
Pfuturo PV
-1
Portanto, na medida em que possvel eliminar o risco de manter um ativo financeiro em posio ativa, vendendo-o no mercado futuro, e que o preo futuro de equilbrio reflete a variao esperada do preo do ativo, pode-se concluir que o retorno esperado desse ativo, em situao de equilbrio, deve ser igual ao retorno dos ttulos de renda fixa (igual taxa de juro), dado que ambos os conjuntos de posies tm risco zero 18 . Nesta anlise consideramos um ativo financeiro que no tenha rendimentos extras como dividendos ou aluguel. Portanto, segundo a anlise anterior a relao tradicional (linearmente positiva) entre retorno esperado e volatilidade do ativo deve ocorrer para os ativos que no apresentam mercados derivativos desenvolvidos e com alta liquidez e tambm quando houver risco na execuo de uma atividade. Por exemplo, a construo de uma fbrica dever ter retorno esperado acima da taxa de juro, ainda que seja possvel vender a sua produo no mercado futuro, pois ainda permanecer o risco operacional referente construo e manuteno da produo da fbrica. Conforme ser visto nos captulos 4 e 6, h diversas frmulas para encontrar os preos a termo e futuros de equilbrio, dependendo das caractersticas do ativo. Por exemplo, se um ativo tem taxa de aluguel (i*) positiva, o seu preo futuro de equilbrio igual a (1+i)t/(1+i*)t . PV (onde (1+i)t igual ao fator de juros previsto at o vencimento do mercado futuro e (1+i*)t igual ao fator de aluguel previsto at o vencimento do mercado futuro. Desse modo, admitindo que este tipo de ativo tenha um mercado futuro ou a termo bem desenvolvido e que seja possvel a todos os seus detentores efetuar hedge, a variao de preo esperada do ativo dever ser, em situao de equilbrio, menor do que a taxa de juro, mesmo que o ativo tenha volatilidade elevada, na medida em que possvel eliminar o seu risco por meio dos mercados futuros ou a termo. Entretanto o rendimento com o aluguel do ativo dever compensar o seu detentor pela baixa variao esperada no seu preo. Se a taxa de aluguel for maior do que a taxa de juro, o preo futuro de
18 Conforme mostrado na seo 6.5, nos mercados futuros bem desenvolvidos verifica-se uma relao mtua de causa e efeito entre o preo vista e o preo futuro.
Cap_12_A.p65
488
11/05/06, 10:20
489
equilbrio torna-se inferior ao preo vista e a esperana de variao de preos torna-se negativa em situao de equilbrio. Tambm neste caso, a taxa de aluguel elevada dever compensar o detentor do ativo. Como exemplos de esperanas de variao de preos negativas, mencionamos, a seguir, duas situaes para as quais teremos que precificar produtos derivativos ao longo do livro: produtos agropecurios no perodo da entressafra tm tendncia de queda de preos at o perodo da safra. Por exemplo, se a arroba do boi gordo custa R$ 40 em julho (ms de entressafra), o preo futuro da arroba para fevereiro (ms de safra) poder ser de R$ 35. Neste caso, a taxa de dividendos equivalentes ao aumento de peso esperado at a poca da safra, seria superior taxa de juro, o que justifica a tendncia de queda de preos. Entretanto, o ganho esperado de peso do gado dever levar o retorno esperado de volta ao equilbrio, que, devido ao risco do desenvolvimento da atividade, dever ser superior taxa de juro. taxas de cmbio em relao ao dlar americano, de pases que tenham taxa de inflao sistematicamente superior dos Estados Unidos tm tendncia de queda, dado que a paridade do poder de compra das moedas no pode ser alterada indefinidamente 19 . Por exemplo, se a taxa de cmbio de um pas que tenha inflao elevada em relao ao dlar americano estiver em US$ 0,50 para uma unidade monetria do pas em determinado momento, o preo futuro da moeda para seis meses poder ser de US$ 0,40 para uma unidade monetria do pas. Neste caso, a diferena entre as taxas de juros dos pases dever compensar a tendncia de queda de valor da moeda. Como possibilidades de esperanas de variao de preos acima das taxas de juros, vamos citar dois exemplos: produtos agropecurios no perodo de safra: Esses produtos tm tendncia de aumento de preo a taxa superior taxa de juro at o perodo da entressafra. Por exemplo, se a arroba do boi gordo custa R$ 35
19 O conceito de taxas de cmbio ao qual estamos nos referindo o da quantidade de dlares necessria para adquirir uma unidade das moedas dos pases. Este o conceito considerado no mercado futuro de real negociado nos Estados Unidos.
Cap_12_A.p65
489
11/05/06, 10:20
490
VOLUME 1
em fevereiro (ms de safra), o preo futuro da arroba para julho (ms de entressafra) poderia ser de R$ 42, ao passo que a taxa de juro efetiva no perodo poderia ser de apenas 8%. Entretanto, a perda de peso do gado dever levar o retorno esperado de volta ao equilbrio, que dever ser superior taxa de juro, devido ao risco de desenvolvimento da atividade. investimento na construo de uma fbrica Devido aos riscos envolvidos, de acordo com o CAPM o retorno esperado do projeto de construo e manuteno da fbrica dever ser superior taxa de juro, pois, caso contrrio, o projeto no seria implementado (conforme vimos, o CAPM admite que os agentes econmicos sejam avessos ao risco). Portanto, se uma empresa pretendesse realizar um contrato particular para comprar uma opo de compra da fbrica a ser construda, que lhe desse o direito (mas no a obrigao) de adqiri-la quando ela estivesse pronta 20 , de acordo com condies previamente estabelecidas, a esperana de retorno da fbrica (superior taxa de juro) deveria ser considerada na determinao do preo justo da opo. Neste caso, o preo justo da opo seria maior do que o preo justo que seria obtido, caso a esperana de retorno da fbrica fosse igual taxa de juro. Na seo 6.5.2 mostraremos que, em mercados em que haja interferncia governamental (como ocorre, geralmente, nos mercados de cmbio, por exemplo) ou em que haja manipulao de preos, o preo futuro poder no representar um bom estimador do preo vista no vencimento. Ao longo do livro teremos que precificar diversos derivativos de ativos que tenham, em situao de equilbrio, esperanas de variao de preos iguais ou diferentes da taxa de juro, e, conforme veremos, os preos de equilbrio dos derivativos tambm so influenciados pelas variveis que afetam a esperana de variao de preos dos ativos.
E8.3 REDUO DE RISCO GERADA PELA DIVERSIFICAO DAS APLICAES

De forma semelhante anlise das combinaes de duas variveis que vimos no exemplo E5.2, tambm possvel fazer uma anlise grfica do conjunto de balanos factveis (balanos possveis de serem montados) para um aplicador de recursos, na hiptese de haver mais de duas variveis nas quais ele possa assumir posies, captando ou aplicando recursos.
20 Essas modalidades de opes so conhecidas como opes reais e h diversos artigos e at livros sobre o tema, que tratam, inclusive, de modelos de precificao das opes reais.
Cap_12_A.p65
490
11/05/06, 10:20
491
Quando h mais de duas variveis, o conjunto das possveis combinaes de posies deixa de ser representado por uma linha e passa a ser representado por uma rea. Por exemplo, admitindo que haja quatro variveis, A, B, C e D, o conjunto de combinaes de posies possveis passa a ser representado por um grfico semelhante ao grfico E8.2, a seguir:
Grfico E8.2 Conjunto de Possibilidades de Aplicao e Fronteira Eficiente
E [Retorno] Fronteira Eficiente .D .C .B .A Conjunto de Possibilidades de Aplicao (Conjunto de Balanos Factveis)
Cmn
Neste caso, a fronteira eficiente representada pela linha de fronteira direita do balano de mnima volatilidade. A rea que representa o conjunto de balanos factveis est situada abaixo da linha de fronteira eficiente. O formato da linha de fronteira eficiente depender da relao retorno/volatilidade de cada varivel e das correlaes entre as variveis.
E8.3.1 FRONTEIRA EFICIENTE E A TEORIA DE ADMINISTRAO DE CARTEIRAS, DE HARRY MARKOWITZ

A teoria de administrao de carteiras (ou de diversificao de carteiras), de Markowitz, visa reduo do risco de um balano cujas posies no sejam perfeitamente correlacionadas, sem que, necessariamente, seja sacrificado o retorno esperado. Markowitz partiu da hiptese de que os retornos dos ativos seguem distribuies normais. O grande atrativo dessa hiptese que uma distribuio fica perfeitamente conhecida apenas pelo conhecimento de sua mdia e de seu desvio padro.
Cap_12_A.p65
491
11/05/06, 10:20
492
VOLUME 1
Markowitz admitiu, tambm, as hipteses de que os aplicadores preferem maiores retornos esperados do que menores retornos esperados e de que ficam mais satisfeitos em estar expostos a menores riscos, em relao a maiores riscos. Portanto as curvas de indiferena (curvas que representam o conjunto de pontos que tornam o aplicador igualmente satisfeito) deveriam ser positivamente inclinadas no grfico retorno esperado/risco, conforme ilustrado no grfico E8.2b. Neste grfico a curva de indiferena U3 representa um nvel de satisfao maior do que o da curva de indiferena U2 que, por sua vez, representa um nvel de satisfao maior do que o da curva U1.
A Escolha da Composio de Posies

As posies deveriam ser combinadas de modo a se obter o balano que maximizasse a utilidade do aplicador. Este processo de maximizao pode ser visualizado no grfico a seguir:
Grfico E8.2b Maximizao da Utilidade do Aplicador
E [Retorno] Fronteira Eficiente Combinao que Maximiza a Utilidade do Aplicador
U3 U2 U1
.
.C .B .A .A
.D
rf
Conjunto de Possibilidades de Aplicao (Conjunto de Balanos Factveis)
Cmn
H programas de computadores que calculam a fronteira eficiente a partir de um conjunto de variveis.
E8.3.1.1 INCLUSO DE TTULOS COM VOLATILIDADE NULA

Conforme ser estudado nos captulos 9, 21 e 30, os ttulos de renda fixa prefixados tm risco, dado que suas cotaes, antes das datas de seus vencimentos,
Cap_12_A.p65
492
11/05/06, 10:20
493
flutuam medida que as taxas de juros previstas pelo mercado at essas datas flutuem. Entretanto, o risco ser nulo se ele estiver sendo analisado para um perodo idntico ao prazo at o vencimento do ttulo. Outra forma de tornar coerente com a realidade a hiptese admitida por Markowitz de que um ttulo de renda fixa prefixado apresenta risco nulo admitir que o ttulo seja intransfervel, e que o seu emissor garanta a sua recompra pelas cotaes de sua curva. necessrio que o ttulo seja intransfervel, para que o seu detentor no possa revend-lo, caso haja uma reduo nas taxas de juros, o que acarretaria um aumento na cotao do ttulo. Este seria o caso de uma empresa que aplicasse recursos sob a forma de um recibo de depsito bancrio ( RDB21 ) em um banco que garantisse a recompra do RDB pela cotao da curva, a qualquer momento. Considerando que existem ttulos de renda fixa que seguem exatamente a trajetria da curva, ou seja, ttulos no intercambiveis em que o emissor garante o resgate antecipado com a rentabilidade proporcional taxa da emisso do ttulo, o comprador do ttulo no estar sujeito ao risco de obter uma taxa de rendimento menor do que a taxa inicial, caso necessite dos recursos antes do vencimento do ttulo. Ao introduzir a possibilidade de aplicar ou de captar recursos taxa do ttulo de renda fixa, que, para Markowitz, seria um ttulo do governo americano, a fronteira eficiente passa a ser uma linha reta que tangencia a fronteira eficiente original, como pode ser observado no grfico a seguir:
Grfico E8.3 Maximizao da Utilidade do Aplicador Quando H Ttulo de Renda Fixa
Fronteira Eficiente
E [Retorno]
U3 U2 U1
.
.A .A
.
.B
Combinao que Maximiza a Utilidade do Aplicador
F .D
.C
Conjunto de Possibilidades de Aplicao (Conjunto de Balanos Factveis)
rf
Cmn
21 Os RDBs no so intercambiveis (so intransferveis) e os certificados de depsitos bancrios (CDBs) so intercambiveis (so transferveis).
Cap_12_A.p65
493
11/05/06, 10:20
494
VOLUME 1
Pelo grfico anterior, pode-se perceber que a combinao que maximiza a utilidade do aplicador a representada pelo ponto F, que est fora do conjunto de pares ordenados (E[R] ,) possveis antes de considerarmos o ttulo de renda fixa. Aps a introduo da varivel renda fixa, h um deslocamento da fronteira eficiente para a reta que tangencia o conjunto de combinaes (E[R],) possveis originalmente. Conseqentemente, o conjunto de combinaes ( E[R] ) possveis amplia-se para a rea situada abaixo da reta de fronteira eficiente. Para que o aplicador possa atingir o ponto F, necessrio que ele aplique o capital inicial em renda varivel, na combinao representada pelo balano E (que um ponto possvel, mesmo quando no se considera a possibilidade de captar ou aplicar recursos no mercado de renda fixa) e capte no mercado de renda fixa (que possui custo menor do que o retorno esperado do balano E) a quantia necessria para complementar a aplicao na composio representada pelo balano E (que possui retorno esperado maior), levando combinao representada pelo balano F. Qualquer combinao eficiente direita do ponto E ser composta de captaes em renda fixa para complementar a aplicao na composio E. As combinaes sobre a fronteira eficiente esquerda do ponto E sero compostas de aplicaes de parte do capital inicial em renda fixa. Caso o aplicador aplique 100% de seu capital em renda fixa, o seu balano ser representado por um ponto sobre o eixo das ordenadas.
E8.4 REDUO DE RISCO, DECORRENTE DO AUMENTO DO NMERO DE ATIVOS E8.4.1 HIPTESE DE INDEPENDNCIA ENTRE OS ATIVOS
Vamos admitir que um aplicador divide as aplicaes do seu patrimnio lquido em n ativos, sendo o valor destinado a cada ativo igual a 1/n . PL. Se os n ativos so independentes e possuem desvio padro igual a , o desvio padro do patrimnio lquido ser igual a:
>> 84 PL
>> 84
= [n . ( 1/n ) 2 . 2]1/2 = [1/n . 2]1/2 = (1/n) 1/2 .
Portanto o desvio padro de um capital alocado em n ativos independentes entre si tende para zero, medida que n tende para infinito, considerando que cada ativo receba a alocao de 1/n do capital total e que possua o mesmo desvio padro.
Cap_12_A.p65
494
11/05/06, 10:20
495
A reduo do risco do capital, em decorrncia do aumento do nmero de ativos, pode ser observada no grfico E8.4 a seguir:
Grfico E8.4 Reduo do Risco do PL Media que Aumenta o Nmero de Ativos
PL
1 ativo
Este grfico nos permite concluir que, medida que n tende para infinito, o risco do capital a ser aplicado (PL) tende para zero.
E8.4.2 DIVERSIFICAO NO MERCADO DE AES

Na realidade de um mercado acionrio, as aes individuais no so independentes entre si (geralmente as aes so positivamente correlacionadas), no possuem desvios padro iguais, e o nmero mximo de aes que podem ser utilizadas para a alocao de um capital no infinito ( igual ao nmero de aes do mercado). Desse modo, a reduo de risco ocasionada pela diversificao no reduz o risco a zero, mas, sim, ao risco da carteira de mercado, que conhecido como risco sistemtico ou risco no-diversificvel . O risco de cada ao individualmente pode ser eliminvel pela diversificao e conhecido como risco nico, risco no-sistemtico ou, ainda, como risco diversificvel. Os riscos mencionados podem ser observados no grfico a seguir.
Cap_12_A.p65
495
11/05/06, 10:20
496
VOLUME 1
Grfico E8.5 Reduo do Risco Decorrente da Diversificao de Aplic ao em Diversas Aes
PL
1 ativo
Risco Total
risco no-sistemtico ou diversificvel (eliminvel por meio da diversificao)
risco sistemtico ou no-diversificvel (eliminvel por meio do mercado futuro dendice)
Pelo que vimos nos grficos anteriores, possvel afirmar que a diversificao reduz riscos (volatilidades). No captulo 8 estudaremos o mercado futuro de ndice da Bolsa de Valores de So Paulo (mercado futuro de IBOVESPA ) e retornaremos a este assunto mais detalhadamente. No referido captulo veremos que o risco no-diversificvel eliminvel por meio do mercado futuro de ndice da bolsa.
As Referncias Bibliogrficas encontram-se ao final do Volume 2.
Cap_12_A.p65
496
11/05/06, 10:20

Revisaoestatistica

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Revisaoestatistica

Enviado por

Direitos autorais:

Formatos disponíveis

Reviso de Estatstica Aplicada a Finanas

E1 V ARIVEIS ALEATRIAS UNIDIMENSIONAIS

MERCADOS DERIVATIVOS E ANLISE DE RISCO

Funo X Funo X (varivel aleatria) (varivel aleatria) 2 1 0

Reviso de Estatstica Aplicada a Finanas

E1.1 FUNO DE VARIVEL ALEATRIA UNIDIMENSIONAL

Funo Sx Funo XX Sx (varivel aleatria) (varivel aleatria) 200 100 2 1 0

Funo Z de de Funo Z VA Unidimensional VA Unidimensional

onde: S = domnio da VA X; Sx = contradomnio da VA X e domnio da funo de VA Z; Sz = contradomnio da funo de VA Z.

MERCADOS DERIVATIVOS E ANLISE DE RISCO

E1.2 VARIVEIS ALEATRIAS DISCRETAS

Sx = { x1, x2,...,xn... }, Sx = Z (conjunto dos nmeros inteiros), etc.

E1.2.1 FUNO DE PROBABILIDADE DE UMA VARIVEL ALEATRIA DISCRETA

Os nmeros p(xi) devem satisfazer s seguintes restries:

Reviso de Estatstica Aplicada a Finanas

DDD 3 Figura Funo X S Sx S (varivel aleatria) Funo X Sx (varivel aleatria) KK 2 KC 1 CK 0 CC

P (X=Xi) (funo de probablidade) P (X=x i) (funo de probabilidade)

MERCADOS DERIVATIVOS E ANLISE DE RISCO

E1.3 VARIVEIS ALEATRIAS CONTNUAS

E1.3.1 FUNO DENSIDADE DE PROBABILIDADE DE UMA VARIVEL ALEATRIA CONTNUA

f (x) 0 para todo x Sx

Reviso de Estatstica Aplicada a Finanas

para qualquer outro valor de x

Resposta - A probabilidade ser igual rea da fdp entre os argumentos

MERCADOS DERIVATIVOS E ANLISE DE RISCO

5 0 2,80 2,84 2,88 3,00 x

E1.4 VARIVEIS ALEATRIAS MISTAS

Reviso de Estatstica Aplicada a Finanas

E1.5 FUNO DE DISTRIBUIO ACUMULADA

Propriedades de uma Funo de Distribuio Acumulada

F (x) sempre no decrescente F (b) - F (a) = P (a < x b)

MERCADOS DERIVATIVOS E ANLISE DE RISCO

E1.5.1 FUNO DE DISTRIBUIO ACUMULADA PARA VARIVEIS ALEATRIAS DISCRETAS

p(x i), para todo x i x

Graficamente, a funo seria representada da forma a seguir:

E1.5.2 FUNO DE DISTRIBUIO ACUMULADA DE VARIVEIS ALEATRIAS CONTNUAS

Reviso de Estatstica Aplicada a Finanas

Graficamente, a funo seria representada da forma a seguir:

MERCADOS DERIVATIVOS E ANLISE DE RISCO

Pergunta: O jogador deveria optar pela troca?

Reviso de Estatstica Aplicada a Finanas

E2 MEDIDAS DE TENDNCIA CENTRAL VARIVEIS ALEATRIAS

E2.1 ESPERANA MATEMTICA OU MDIA ARITMTICA PONDERADA PELAS PROBABILIDADES DE OCORRNCIA

E (x) = xi . p(x i) para todo x i Sx

Variveis Aleatrias Contnuas

Variveis Aleatrias Mistas

>>(x) = x . p(x ) + x . f(x) dx para todo x Sx 10 E i i i

MERCADOS DERIVATIVOS E ANLISE DE RISCO

E2.3 MEDIANA E PERCENTIS

A mediana o valor para o qual a funo de distribuio acumulada igual a

Reviso de Estatstica Aplicada a Finanas

Variveis Aleatrias Discretas

Esta frmula pode ser reescrita da seguinte forma:

>> 12 (xi2 - 2 . xi . E[x] + E[x] 2)

(xi2 - 2 . E[x] . xi + E[x] 2)

(xi2) - n . (2 . E[x] 2 + E[x] 2)

ento, podemos reescrever a varincia da forma a seguir:

MERCADOS DERIVATIVOS E ANLISE DE RISCO

Variveis Aleatrias Contnuas

>> = x2 . f (x) dx - x . f (x) dx 2 15

Esta ltima frmula igual frmula (E3.1b).

Variveis Aleatrias Mistas

>> 2 = 16 (xi - E[x]) 2 +