1274

CAETANO
CONTEDO O que entendemos como risco? Estamos acostumados a MARCO ANTONIO LEONEL CAETANO
relacionar essa palavra ao resultado negativo de eventos, Bacharel em Matemtica pela Universidade
1 processos ou tarefas. Na realidade, o risco no se refere Estadual Paulista (UNESP) e mestre e doutor em
Tratamento, quanticao e visualizao apenas a resultados negativos, mas tambm a resultados Engenharia Aeronutica pelo Instituto Tecnolgi-
de dados advindos de retornos positivos sobre diversas atividades, co de Aeronutica (ITA). Possui trabalhos em
entre elas aquelas ligadas ao mercado nanceiro. conferncias e revistas tcnicas nacionais e
2 internacionais. Professor desde 2004 no Insper,
Este livro comea descrevendo o risco como uma medida bsica de
ANLISE DE RISCO EM APLICAES FINANCEIRAS

Probabilidades em regime de tempo integral, ligado rea de
estatstica, relacionando diversos comandos do Microsoft Excel com sistemas de informao. Foi coordenador de
3 exemplos prticos e reais do mercado nanceiro. projetos da Fundao de Amparo Pesquisa do
Distribuio normal Estado de So Paulo (Fapesp) e avaliador do
A descrio da medida de risco ultrapassa os limites das disciplinas Ministrio da Educao. Foi coordenador de
4 tradicionais de administrao, economia e nanas, abordando temas Matemtica da Universidade Paulista (Unip)
Identicao de distribuies assimtricas que tambm sero de interesse da matemtica, estatstica, engenharia entre 2003 e 2004. Idealizou o site Mudanas
e computao, como ferramentas para se entender os movimentos abruptas (www.mudancasabruptas.com.br).
5 errticos dos negcios. consultor ad hoc da Fapesp e do Conselho Nacio-
O valor em risco nal de Desenvolvimento Cientco e Tecnolgico
O livro tem diversos nveis, comeando por temas bem compreendidos (CNPq) e professor convidado de ps-graduao
6
O risco em frequncias
por alunos de graduao e se aprofundando nos ltimos captulos para
atingir os cursos de ps-graduao. A ltima parte descreve ANLISE DE RISCO EM no curso de Engenharia Eltrica do ITA. autor de
Mercado nanceiro: programao e solues
APLICAES FINANCEIRAS
formulaes estocsticas e suas solues analtica e numrica. Com dinmicas com Microsoft Ofce Excel 2010 e VBA e
7 dados reais de aes na bolsa de valores, o livro descreve o mercado Mudanas abruptas no mercado nanceiro. Foi
Risco extremo de mudanas abruptas de opes como parte importante do entendimento do risco nas nalista do Prmio Jabuti em 2014.
calculado com wavelets aplicaes nanceiras, utilizando para isso exemplos e conceitos do
modelo Black-Scholes, operao de call, operao de put, volatilidade
8 histrica e volatilidade implcita.
Mapa de risco MARCO ANTONIO LEONEL CAETANO
9
Clculo de It
10
O risco na precicao de opes
11
O risco nal
www.blucher.com.br
Marco Antonio Leonel Caetano
ANLISE DE RISCO EM
APLICAES FINANCEIRAS
Anlise de risco em aplicaes financeiras
2017 Marco Antonio Leonel Caetano
Editora Edgard Blcher Ltda.
FICHA CATALOGRFICA
Rua Pedroso Alvarenga, 1245, 4 andar Caetano, Marco Antonio Leonel

04531-934 So Paulo SP Brasil Anlise de risco em aplicaes financeiras / Marco
Tel.: 55 11 3078-5366 Antonio Leonel Caetano. So Paulo: Blucher, 2017.
contato@blucher.com.br 264 p. ; il.
www.blucher.com.br
Bibliografia
ISBN 978-85-212-1144-0
Segundo Novo Acordo Ortogrfico, conforme
5. ed. do Vocabulrio Ortogrfico da Lngua 1. Finanas Investimentos Avaliao de riscos
Portuguesa, Academia Brasileira de Letras, 2. Administrao de risco - Matemtica 3. Sistemas de
maro de 2009. avaliao de risco de crdito (Finanas) 4. Mercado
financeiro 5. Probabilidades I. Ttulo.
proibida a reproduo total ou parcial por

quaisquer meios, sem autorizao escrita da
15-1526 CDD 332.604
Editora.
Todos os direitos reservados pela Editora ndice para catlogo sistemtico:

Edgard Blcher Ltda. 1. Investimentos Avaliao de riscos
CONTEDO
1. Tratamento, quantificao e visualizao de dados....... 21

1.1 Introduo.................................................................................................. 21
1.2 Representao grfica................................................................................. 22
1.3 Medidas descritivas dos dados................................................................... 26
1.4 Medidas descritivas de posio no Excel.................................................... 37
1.5 Medidas descritivas de disperso no Excel................................................. 43
2. Probabilidades............................................................................. 47
2.1 Introduo.................................................................................................. 47
2.2 Eventos e espao amostral......................................................................... 50
2.3 O que probabilidade?.............................................................................. 54
2.4 Distribuies de probabilidades................................................................. 59
2.5 Probabilidades no Excel.............................................................................. 62
3. Distribuio normal.................................................................. 65
3.1 Introduo.................................................................................................. 65
3.2 Clculo de probabilidades com distribuio normal................................... 66
3.3 Curtose........................................................................................................ 74
18 Anlise de risco em aplicaes financeiras
3.4 Assimetria................................................................................................... 77
3.5 Padro de normalidade no mercado de aes........................................... 80
4. Identificao de distribuies assimtricas....................... 85

4.1 Introduo.................................................................................................. 85
4.2 Identificando a curva normal...................................................................... 86
4.3 Quantil-quantil plot (Q-Q plot)................................................................... 93
4.4 Q-Q plot no Microsoft Excel........................................................................ 96
4.5 Q-Q plot de ativos da Bovespa.................................................................... 105
5. O valor em risco.......................................................................... 109

5.1 Introduo.................................................................................................. 109
5.2 O clculo do valor em risco (value at risk).................................................. 110
5.3 O valor em risco no mercado de aes....................................................... 115
6. O risco em frequncias.............................................................. 125

6.1 Introduo.................................................................................................. 125
6.2 A Transformada de Fourier......................................................................... 128
6.3 Previses com srie de Fourier................................................................... 135
6.4 Srie de Fourier janelada para a Bovespa................................................... 139
6.5 Previses curtas com srie de Fourier para aes...................................... 144
6.6 Ressalvas sobre a FFT para as previses .................................................... 149
7. Risco extremo de mudanas abruptas calculado

com wavelets................................................................................ 155
7.1 Introduo.................................................................................................. 155
7.2 A simples wavelet Haar............................................................................... 159
7.3 Programao de computador para wavelets.............................................. 166
7.4 Pacote wavelet no Matlab.......................................................................... 171
7.5 Transformada wavelet no mercado financeiro........................................... 174
Contedo 19
8. Mapa de risco................................................................................ 183

8.1 Introduo.................................................................................................. 183
8.2 Probabilidade condicional para quedas no mercado e IMA....................... 184
8.3 Nveis de risco para ativos do mercado financeiro..................................... 189
9. Clculo de It............................................................................... 193

9.1 Introduo.................................................................................................. 193
9.2 Processos estocsticos................................................................................ 195
9.3 Solues analticas para modelos estocsticos........................................... 197
9.4 Solues numricas de modelos estocsticos............................................ 207
9.5 Identificao de parmetros para forecasting em modelos estocsticos...... 213
9.6 Previses..................................................................................................... 219
10. O risco na precificao de opes........................................ 223

10.1 Introduo............................................................................................. 223
10.2 O mercado de opes............................................................................ 224
10.3 A frmula de Black-Scholes.................................................................... 226
10.4 Modelo Black-Scholes na prtica........................................................... 235
10.5 Modelo Black-Scholes no Excel e no Matlab.......................................... 242
10.6 Volatilidade implcita............................................................................. 247
10.7 Volatilidade implcita no Visual Basic (VBA)........................................... 255
11. O risco final................................................................................ 259
Referncias........................................................................................ 261
Captulo 1
Tratamento, quantificao e
visualizao de dados
1.1 Introduo
Na divulgao de relatrios, estrategistas e analistas preocupam-se com a melhor
maneira de apresentar os dados obtidos por meio dos resultados das operaes nos
investimentos financeiros. Necessariamente, toda divulgao deve comear sempre
pela divulgao dos resultados com tcnicas estatsticas adequadas.
Na estatstica, existe um amplo campo de tcnicas para expressar e representar
resultados de investimentos em trs subreas bastante distintas e muito bem conec-
tadas: estatstica descritiva, probabilidade e inferncia estatstica. Na estatstica des-
critiva so utilizadas ferramentas como objeto de apresentao, como grficos, tabelas
e anlises de formas e estruturas de representaes dos dados. Esse tipo de estatstica
no tem valor de inferncia, ou seja, as concluses so sempre limitadas, e tambm
no permite a extenso direta dos resultados para a populao da qual foram coletadas
as amostras. No campo da probabilidade, teoremas garantem os tipos de distribuio
que regem um evento ocorrido no mercado, destacam quais so as distribuies mais
adequadas e mostram com que confiana os dados podem ser coletados de forma que
sejam representativos de uma populao de dados. Finalmente, na inferncia esta-
tstica, tcnicas garantem as concluses indicando os erros e as confiabilidades dos
resultados obtidos. Tambm nesse campo possvel fazer previses de tendncias e
correlaes entre variveis e parmetros obtidos experimentalmente.
Desse modo, realizar uma projeo ou divulgao de relatrios de investimentos
sem o devido cuidado com seu tratamento e forma de apresentao pode compro-
meter todo trabalho realizado, por falta de compreenso por parte dos leitores ou de
interpretaes incorretas de determinados resultados obtidos.
1.2 Representao grfica

A melhor forma de representar dados com grficos, que muitas vezes, por si ss,
so bastante explicativos e conclusivos dependendo do evento observado. Para exempli-
ficar alguns tipos de grficos, so usados os dados fornecidos a seguir das exportaes
brasileiras no ano de 2001 em milhes de dlares. Esses dados foram obtidos ms a ms.
Tabela 1.1 Exportaes (total em milhes de dlares US$)
Ms 1 2 3 4 5 6 7 8 9 10 11 12
US$ 4.538 4.083 5.167 4.730 5.367 5.042 4.965 5.727 4.755 5.003 4.500 4.346
Fonte: Ministrio do Desenvolvimento, Indstria e Comrcio Exterior (2001).
1.2.1 Grfico de linhas

uma das formas mais simples de apresentao. Esse tipo de grfico apresentado
com a unio simples de retas entre os pontos do experimento. muito til, principal-
mente, quando se quer, em primeira instncia, verificar as tendncias dos resultados
obtidos. A Figura 1.1 apresenta um grfico tpico de linhas.
Total de exportaes (2001)

6000
5800
5600
(milhes US$) Exportaes
5400
5200
5000
4800
4600
4400
4200
4000
0 2 4 6 8 10 12 14
Meses (2001)
Figura 1.1 Grfico de linhas com dados das exportaes brasileiras em 2001.
1.2.2 Grfico de pontos

Forma de grfico bastante interessante quando h frequncias nos dados coletados.
Nesse caso, o leitor consegue visualizar o valor que mais se repete em uma amostra-
gem. Os dados do exemplo so referentes frequncia da exportao brasileira entre
1999 e 2001 observada nos dias teis do ms.
Tratamento, quantificao e visualizao de dados 23
Tabela 1.2 Frequncia de dias teis do ms (1999-2001)
Dias teis Frequncia
18 3
19 2
20 12
21 10
22 10
23 4
Para elaborar o grfico, so colocados pontos nos valores observados, seguindo

no eixo horizontal e na frequncia com que aparecem na amostra no eixo vertical. A
Figura 1.2 apresenta o grfico de pontos.
Dias teis para exportao (1999-2001)

14
12
10
Frequncia
0
16 17 18 19 20 21 22 23 24
Dias teis
Figura 1.2 Grfico de pontos mostrando dias teis.
1.2.3 Histograma
Esse tipo de grfico consiste em retngulos justapostos que indicam, em sua base,
o intervalo dos valores de dados do experimento cuja frequncia representada pela
altura do retngulo. O sentido um pouco mais amplo que o do grfico de pontos, pois
o interesse no est em um nico valor, mas sim em um intervalo de valores amostrados.
Os valores a seguir correspondem mdia diria mensal de importaes brasileiras
de janeiro de 1999 a janeiro de 2002.
Tabela 1.3 Mdia diria mensal de importaes (em milhes de US$)
183 175 176 183 194 212 183 203 202 223
226 193 170 192 212 210 213 219 232 235
252 247 252 243 228 222 247 230 234 238
220 221 218 216 210 174 172
Histograma
9
6
Frequncia
4 Total
0
170-179 180-189 190-199 200-209 210-219 220-229 230-239 240-249 250-259
Figura 1.3 Histograma dos valores de importaes brasileiras (1999-2002).
A figura apresenta o histograma com os valores da Tabela 1.3. Pode-se notar

alguns fatos interessantes, por exemplo, auxilia a interpretar que o valor mais fre-
quente de importaes est entre US$ 210 milhes e US$ 219 milhes em termos de
mdia diria.
1.2.4 Grfico de barras

Um grfico de barras, assim como o histograma, representa os valores obtidos no
experimento em termos de frequncia para cada valor observado. A diferena que
esse grfico no utilizado para intervalos amostrados, mas sim para os valores obser-
vados de maneira individual. A Figura 1.4 representa os valores das importaes bra-
sileiras da Tabela 1.3.
(milhes US$) Importaes

244
240
236
232
228
224
Valores de importaes
220
216
212
208
204
200
196
192
188
184
180
176
172
0 0,5 1 1,5 2 2,5 3 3,5
Frequncia observada
Figura 1.4 Grfico de barras das importaes brasileiras.
1.2.5 Curvas de nvel

As curvas de nvel so um tipo bastante interessante de grfico, pois apresentam
isolinhas para os pontos amostrados. Isso significa que, uma vez que o valor esco-
lhido em uma das linhas, todos os pontos para as posies x e y so iguais para uma
varivel z que seja funo de x e y. Em uma curva em trs dimenses estimada por
uma funo, a representao z = f(x,y).
Exemplo 1.1
Tabela 1.4 Oramento federal (milhes de reais R$)
Administrao Sade
6.532 13.219
18.091 11.836
19.442 10.986
19.740 10.220
Fonte: Sistema Integrado de Administrao Financeira Coordenao Geral de Contabi-

lidade e Custos da Unio/Secretaria do Tesouro Nacional (2003).
Essa tabela apresenta os valores da execuo oramentria das despesas federais

com administrao e sade de janeiro a setembro de 1996 at 1999. Supe-se que
uma curva de ajuste boa para a relao entre gastos com administrao e gastos com
sade seja:
z = x + y
em que x o gasto com administrao e y, o gasto com sade.
Nesse caso, a varivel z expressa uma relao no linear entre os dois tipos de gastos
do governo. Uma aplicao pode advir de uma medida estatstica sobre a correlao
no linear dos dados. Essa representao ajudaria a entender o que acontece com a
relao entre as duas variveis (x,y) quando um dado em x aumenta e outro em y dimi-
nui. Os dados reais so apresentados com o oramento em milhes de reais obtidos do
site do Instituto de Pesquisa Econmica Aplicada (Ipea), a partir de dados mensais da
fonte do governo federal, como mostra a tabela. As isolinhas para esses valores so as
formas traadas no grfico da Figura 1.5.
z = x + y
23.400
22.800
22.200
21.600
21.000
20.400
Sade (milhes de R$)
19.800
19.200
18.600
18.000
17.400
16.800
16.200
15.600
15.000
14.400
13.800
13.200
12.600
12.000
11.400
10.800
10.200
4.000 6.000 8.000 10.000 12.000 14.000 16.000 18.000 20.000 22.000 24.000 26.000 28.000 30.000
Administrao (milhes de R$)
Figura 1.5 Isolinhas dos gastos federais representando a forma da funo z = f(x,y).
Essa representao grfica bastante til no oitavo captulo, quando o risco de

investimentos no mercado financeiro relacionado com um ndice baseado na tcnica
wavelet e com a volatilidade nos preos dos ativos. As isolinhas no estudo do risco
esto relacionadas com a probabilidade de quedas mais fortes no preo dos ativos.
1.3 Medidas descritivas dos dados

Na seo anterior, foram apesentadas formas grficas de representao de dados
de um relatrio empresarial. Cabe ao gestor escolher e adequar a melhor forma de
apresentao de seus resultados, de forma que elucide todos os fatos com uma simples
visualizao dos acontecimentos. No entanto, na maioria das vezes, essa facilidade no

obtida por vrias razes. Seja pela complexidade do fenmeno, seja pela modelagem
com um nmero extremamente grande de variveis ou parmetros, a simples escolha
de um tipo de grfico no consegue expressar quantitativamente a importncia de
certas relaes existentes. Cabe, ento, fazer uso de formas quantitativas de extrao
de informaes por meio de medidas estatsticas que apresentem, de maneira rpida
e sucinta, as inter-relaes existentes no fenmeno em estudo. O gestor deve escolher
como as variveis vo representar os principais fatores decorrentes do experimento.
Uma varivel pode ser discreta ou contnua, dependendo do tipo de estudo execu-
tado. Uma varivel discreta X aquela em que o nmero de valores possveis de X
finito ou infinito enumervel. Ou seja, os valores possveis de X podem ser colocados
em uma fila do tipo x1, x2, x3 ... xn. Geralmente, esse tipo de varivel utilizado em
problemas de contagem (COSTA NETO, 1999). So exemplos as contagens de firmas
em concordata, nvel de emprego, contagem do nmero de vagas abertas por uma
empresa etc. Para uma varivel contnua Y, como o prprio nome diz, os dados podem
at ser observados de forma discreta, mas os valores de Y pertencem ao conjunto dos
nmeros reais.
Exemplo 1.2
A Tabela 1.5 apresenta um exemplo de variveis contnuas.

Tabela 1.5 Taxa de desemprego no Brasil (janeiro de 1999 a maio de 2001, em %)
7,73 7,51 8,16 8,02 7,70

7,84 7,54 7,68 7,37 7,53
7,32 7,30 7,60 8,20 8,10
7,80 7,80 7,40 7,20 7,10
6,70 6,80 6,19 4,83 5,70
5,73 6,46 6,51 6,86
Fonte: Fundao Seade.
Apesar de a taxa de desemprego no Brasil ser uma medida semanal ou mensal

(em %), pode ser considerada uma medida contnua no tempo, pois seus valores so
nmeros reais.
O primeiro tratamento representativo para extrao de informao dessa coleta por
meio de uma tabela, conhecida como tabela de classes. Nesse tipo de tabela, deseja-se
informar a variao dos dados separados em classes de importncia, e no de maneira
isolada. Assim, algumas definies precisam ser colocadas e so bastante comuns na
literatura nacional (COSTA NETO, 1999; FONSECA, 1992; SPIEGEL, 1994).
Dados brutos (n): dados ainda no organizados, como na Tabela 1.5.

Rol: o arranjo dos dados brutos em ordem crescente ou decrescente.
Range ou amplitude total: a diferena entre o maior e o menor valor observado.
F
requncia absoluta da classe (F): nmero de vezes que o elemento aparece na
amostra ou o nmero de elementos pertencentes a uma classe.
N
mero de classes (k): existem algumas maneiras de determinar um nmero ade-
quado de classes, entre elas esto estas duas:
(a) nmero ser k = 5, se o nmero de dados for menor ou igual a 25.
(b) para nmero de dados superior, utiliza-se k = n .
A
mplitude das classes (h): a amplitude pode ter larguras diferentes, mas, para efeitos
prticos, podem ser adotadas como de mesmo tamanho utilizando-se esta definio:
Range
h=
k
L
imite das classes: limite inferior (Li); limite superior (Ls).
Li |-----| Ls: compreende os valores Li e Ls;
Li |----- Ls: no compreende o valor Ls;
Li -----| Ls: no compreende o valor Li.
Ponto mdio das classes (PMi): mdia dos valores limitantes das classes:
Li + Ls
PMi =
2
F requncia absoluta acumulada direta (Fac): a soma das frequncias absolutas
de valores inferiores ou iguais ao valor da frequncia da classe.
Frequncia relativa (f): porcentagem do nmero de dados da classe em relao ao
total de dados: f = F .
n
Uma vez colocadas essas definies, os 29 dados brutos da Tabela 1.5 podem infor-
mar melhor, como na Tabela 1.6 (tabela de classes), o nvel de desemprego no pas.
Tabela 1.6 Tabela de classes para nvel de desemprego no Brasil (janeiro de 1999 a maio de 2001)
Classes F f PM Fac
4,83 -----| 5,504 1 0,034 (3,4%) 5,16 1
5,504 -----| 6,178 2 0,068 (6,8%) 5,60 3
6,178 -----| 6,852 5 0,172 (17,2%) 6,51 8

Classes F f PM Fac
6,852 -----| 7,526 8 0,275 (27,5%) 7,18 16
7,526 -----| 8,20 13 0,448 (44,8%) 7,86 29
Total 29 1 (100%) 29
Fonte: Fundao Seade.
Essa tabela bastante til na construo do histograma e mostra a classe de con-

centraes mais frequente de porcentagem de desemprego. Pode-se observar que a
maior frequncia de porcentagem ocorre para as classes entre 7,526% a 8,20%, de
desemprego, o que corresponde a 44,8% dos dados (frequncia relativa).
1.3.1 Medidas de posio

So definidas de modo que apresentam o valor em torno do qual os dados se dis-
tribuem. Essas medidas so tambm conhecidas como medidas de tendncia central,
pois estabelecem uma indicao do elemento central da amostragem realizada. As
principais medidas so mdia, mediana e moda.
Mdia aritmtica
ados no agrupados: sejam x1, x2, ..., xn valores da varivel x. A mdia aritmtica
D
para os dados brutos coletados em um experimento :
n
xi
i =1
x=
n
n
D
ados agrupados em tabela de frequncia:
n xi sejam x1, x2, ..., xn pontos mdios das
classes construdas para os dados
x = brutos.
i =1xi Fi Sendo as frequncias F1, F2, ..., Fn de
cada classe, a mdia para os dadosi = 1n
x = agrupados calculada por:
n
n
xi Fi
i =1
x=
n
Exemplo 1.3
Tabela 1.7 Cheques sem fundos (mdia/1.000)
Devoluo Frequncia absoluta
14,1 4
13,7 2
13,6 2
14,5 2
16,2 1
14,9 1
12,6 1
Fonte: Serasa.
A tabela representa o nmero de cheques sem fundos devolvidos uma segunda vez
em cada mil cheques apresentados, de maio de 2001 a maio de 2002. A mdia aritm-
tica para essa tabela de 14,1 cheques entre maio de 2001 e maio de 2002 para cada
mil apresentados.
D
ados agrupados em tabela de classes: as classes so representadas pelos seus
pontos mdios, conforme a Tabela 1.6. Nesse caso, a mdia calculada por:
n
PM i Fi
i =1
x=
n
Observando a tabela de classes (Tabela 1.6), pode-se calcular sua mdia pela fr-
mula anterior, a qual fornece o valor mdio x = 7,19.
~
x
Mediana
Um valor dito mediano quando
x = divide o conjunto de dados do experimento
depois de sua ordenao, separando-o em dois subconjuntos com igual nmero de
elementos. Sua notao em geral ~
x:
x=
Dados no agrupados:
x=
5 7 8 10 14 A mediana ~
x =8
5 7 8 10 14 15 A mediana ~
x =9
Uma maneira de encontrar a mediana de um conjunto composto de dados brutos

seria esta: se o nmero de dados n mpar, a mediana o elemento central (n + 1)/2
da amostra ordenada, caso contrrio, a mediana a mdia dos elementos centrais
dessa amostra ordenada formada por [n/2, (n/2) + 1].
D
ados agrupados por frequncia: nesse caso, cria-se uma nova coluna de fre-
quncias acumuladas diretas para auxlio na escolha da mediana. A Tabela 1.7 se
transforma na Tabela 1.8, a seguir.
Tabela 1.8 Cheques sem fundos (mdia/1.000)
Devoluo Frequncia absoluta Frequncia acumulada
14,1 4 4
13,7 2 6
13,6 2 8
14,5 2 10
16,2 1 11
14,9 1 12
12,6 1 13
Fonte: Serasa.
Nesse caso, n = 13 mpar. Ento, (n + 1)/2 = 7, o que significa que o stimo ele-
mento corresponde ao elemento mediano desse conjunto de valores de cheques devol-
vidos. Logo, a mediana 13,6, diferente da mdia, que 14,1.
D
ados agrupados em tabela de classes: nesse caso, necessria uma frmula de
interpolao para se encontrar o elemento mediano. Deve-se ressaltar que esse
valor apenas representativo e que no necessariamente faz parte da amostra. Os
passos a seguir so:
(a) Calcula-se a ordem (n/2), no se preocupando se for par ou mpar, pois a
varivel contnua. A classe da mediana aquela cuja frequncia acumulada
at ela maior ou igual a (n/2), j a imediatamente anterior menor que n/2.
(b) Utiliza-se a seguinte frmula de interpolao:
n
f
2
~
x = Lmd + h
Fmd
em que Lmd limite inferior da classe da mediana; n representa o tamanho da amos-

n
f significa frequncia acumulada da classe imediatamente anterior da mediana;
tra;
2
x = Lmd +
~ h
Fmd
h amplitude da classe da mediana; e Fmd representa a frequncia absoluta da classe

da mediana.
Assim, como exemplo, observando a Tabela 1.6, a classe da mediana seria a quarta
classe, ou seja, 6,852 -----| 7,526, uma vez que o dcimo quarto elemento (n/2) per-
tence a essa classe. Ento, o clculo da mediana :
~
x =8+
(14,5 8) (0,674) = 8,27
16
Existem ainda medidas alternativas para dividir os dados em quatro, dez e cem par-
tes iguais. So conhecidas como quartis, decis e percentis, respectivamente. A nica
alterao na frmula a troca de n/2 por n/4, no caso de quartis, n/10, no caso de
decis, e n/100, no caso de percentis. Os limites e as frequncias acumuladas diretas
tambm so trocados pelos limites das classes dos quartis, decis e percentis.
Moda
Quando a varivel discreta, a medida de moda representa o elemento mais fre-
quente na amostragem, ou seja, aquele que mais se repete. No entanto, para o caso em
que a varivel contnua, essa definio deixa de valer e passa-se a adotar uma medida
de densidade.
Dados no agrupados.
Exemplo 1.4
Sejam os dados de uma amostragem formada por 2, 7, 9, 5, 6, 3, 7, 4, 1, 7, a moda

o nmero 7.
D
ados em tabela de classes: da mesma forma que na mediana se faz necessria a
interpolao dos dados para encontrar a moda, existem alguns tipos de frmulas
que se diferenciam no clculo da moda para a tabela de classes. Uma dessas fr-
mulas pode ser usada adotando-se os seguintes passos:
(a) identifica-se a classe modal, ou seja, aquela com a maior frequncia absoluta.
(b) utiliza-se a frmula:
(Fi Fi 1 )
Mo = Li + h
2 Fi Fi 1 Fi +1
em que Li o limite inferior da classe modal; Fi representa a frequncia absoluta da

(Fi Fi 1 ) a frequncia absoluta da classe imediatamente anterior classe
classe modal;
Mo = Li + h
2 Fi Fi 1 Fi +1
(Fi Fi 1 )
Mo = Li + h
2 Fi modal;
Fi 1 Fi +1 significa a frequncia absoluta da classe imediatamente posterior classe
modal; e h a amplitude da classe modal.
Observando novamente a Tabela 1.6, pode-se verificar que a classe modal a ltima
classe com treze elementos. Ento, aplicando-se a frmula da moda, tem-se:
Mo = 7,526 +
(13 8) 0,674 = 7,713
2 13 8 0
1.3.2 Medidas de disperso

Uma vez conhecidas as medidas de posio de uma curva representativa dos
dados de uma avaliao financeira ou empresarial, faz-se necessrio saber se os
valores numricos dos dados coletados so mais ou menos dispersos em torno das
medidas de posio. Torna-se indispensvel o conhecimento da disperso desses
dados em relao s medidas de posio, principalmente em relao mdia. Essa
disperso fundamental para determinar o grau de confiana nas anlises de infe-
rncia do problema e suas projees para o quadro financeiro. So quatro as medidas
a serem apresentadas.
Amplitude total
Essa medida muito simples e constitui a primeira avaliao sobre a natureza da
amostragem. A amplitude total a diferena entre o maior valor e o menor valor dos
dados coletados. Sua utilizao bastante limitada, pois depende apenas da disperso
dos valores extremos, no sendo afetada pela disperso dos valores internos.
Varincia
Mede a disperso dos dados em torno da mdia. A ttulo de exemplo, suponha-
-se que se tenha o seguinte conjunto de dados A = {3, 4, 5, 6, 7}, em que a mdia 5.
Calculando-se o desvio das unidades do conjunto A em relao mdia, tem-se:
d1 = x1 x = 2
d 2 = x 2 x = 1
d 3 = x3 x = 0
d 4 = x4 x = 1
d 5 = x5 x = 2
Essa
5
soma de desvios poderia servir de medida de disperso se no fosse o fato de
que i=1 i 0. Ou seja, a soma de todas as diferenas dos dados de uma amostra em rela-
d =
o ao elemento central se anula. Elevando-se esses desvios ao quadrado para eliminar

o problema e somando-os, chega-se a:
5 5
sqd = d i2 = ( xi x )2
i =1 i =1
Porm, como est, essa medida 5cresceria5 indefinidamente medida que novos
sqd
dados fossem sendo coletados. = para
Logo, (x(xi ivalor
= 5esse
d2 i2 que xx) )2no se torne indefinidamente
2
sqd = =
crescente, pondera-se a medida sqd,i =dividindo-a
1 i =1 pelo 5 nmero de dados:
i =1
5 5 ( x 2x )2
sqd s=2=2
(x x )
= i i
5
i =1 i =1 5 1
Essa forma de medida passa a ser25chamada (x xx))2 populacional, uma vez que foi
5 2
s 2 = 2n ( x5iivarincia

ponderada por todos os termos ==d i = s
sqdamostrados.
i =1 5 (
) 2
x1i xnossa
vezes, intuio em coletar dados
nos trai em favor de alguns pontos mais
i =1 ifavorveis,
=1 i = 1 n conhecidos como vis ou tenden-
ciosidade na amostragem. Uma primeiran medida de2 correo a ser tomada dividir
(5x5i mas x ) )sim
2 2n = ( x(ix 2x x
5 2 por n1 dados. A teoria de
=25n=de
as somas dos desvios no pelo total

dados,
)2
sqd
sqd=
probabilidade prova que esse um bom d = (
x
itruque 5
n xi ) correes
de de tendenciosidade na
=s 1i =1 ( xi5:
i =1=d ii =1=i = x )2
2 2 i
amostragem. Logo, a segundasqdmedida de varincia n 1
i =1 i =1 i =1
5
( )
x 22x 2
( (( ) ))
2 2 n 5xi
(
sqd s=25=n = 5x5i x 2x x 2
x i
(
)
s =2 2 x 5xi 1 F 2
sqd s =2 == diii===11=ii=1n x1i5 xi
sqd )
1i =n1 15 amostral. De modo geral, pode-
i =1i =1 i =varincia
Nela, a nova medida passa a ser chamada
(5n
) xx 22 os dois tipos de varincia:
xxii existem
-se afirmar que, para um conjuntosde = ( ( ( ) ) )
22 n dados,
=n 5xi 5xi x 2x 2Fi2
5 x
2 2

s s== =2 ii==
(a) varincia populacional sqd =11 ni 1 x
n5 1
i =1i =1
i =1 5
n
( x x 2 )
(
2 = n5 x i xx 22 )
s = i =1 ii n
2
n n 1
i =1 5
(b) varincia amostral
2s 22 = nxi ( ( ) )
n nn x 2x 22
xii x x Fi
s = =
( )
xinx1 2
2
s =
i =1ii==11 n
n
n1
1
i =1
n
(
x x 2 Fi )
2
A varincia amostral para o sconjunto ( ( ) )
= n nxAi xdescrito
i inx
2x 2 anteriormente 2,5. No caso de
1 Fio clculo da varincia pode ser
2s 2 =
haver dados j apresentados em stabela
= i =de
1 frequncias,
1
realizado diretamente com: i =1i =1 n 1
n
(xi x )2 Fi
s =
2
i =1 n 1
em que a varivel Fi representa a frequncia absoluta dos dados.

Exemplo 1.5
A Tabela 1.7 apresenta a devoluo de cheques em tabela de frequncia. Para este

exemplo, a mdia encontrada foi 14,1 e a varincia amostral pode ser calculada da
seguinte forma:
s2 =
1
13 1
[
(14,1 14,1)2 4 + (13,7 14,1)2 2 + (13,6 14,1)2 2 + (14,5 14,1)2 2 +
+ (16,2 14,1)2 12+ (14,19 14,1)2 1 + (12
s = [ ,6 14,1)2 1]
(14,1 14,1)2 4 + (13,7 14,1)2 2 + (13,6 14,1)2 2 + (14,5 14,1)
8,44 13 1
=
12 + (16,2 14,1)2 1 + (14,9 14,1)2 1 + (12,6 14,1)2 1]
= 0,703 8,44
=
12
A ltima forma de apresentao da varincia quando se tem os dados em forma
= 0,703
de(classes. x ) caso,
n 2
de tabela PM i Nesse Fi o clculo da varincia :
s =
2
i =1 n 1
n
(PM i x )2 Fi
s2 =
i =1 n 1
em que PMi o ponto mdio de cada classe.
Exemplo 1.6
Utilizando-se da Tabela 1.6, foi encontrada na seo anterior a mdia para a tabela
de classes de 7,19% de nvel de desemprego. A varincia amostral para esse exemplo
0,618.
Desvio-padro
Essa medida fornece ao pesquisador uma maneira de saber matematicamente a
oscilao em torno dos dados. O desvio-padro, assim como a varincia, apresenta
o grau de confiabilidade dos dados em torno da mdia e corrige um problema da
varincia quanto ao elevado grau de medida. Enquanto os valores da varincia podem
tornar-se bastante elevados, a ponderao da varincia com a extrao da raiz qua-
drada torna a medida mais tratvel do ponto de vista numrico.
No mercado financeiro, comum usar o jargo volatilidade para referir-se ao
desvio-padro. Sabe-se da extensa literatura sobre teoria da probabilidade (MEYER,
1984; PAPOULIS, 1991; MAGALHES; LIMA, 2000) que em um conjunto de dados
contnuos, para ser considerado como um conjunto de dados com distribuio normal,
68% dos dados devem estar em torno da mdia no intervalo [mdia desvio-padro;
mdia + desvio-padro]. Assim, o desvio-padro a raiz quadrada da medida da
varincia, ou dp = s 2 .
s
cv =
Coeficiente dexvariao
uma 0,786relativa da disperso em porcentagem de quanto a variabilidade
cv medida
= = 0,109
influencia na 7confiana
,19 da mdia calculada. Com um coeficiente de alto grau por
exemplo, acima de 50% , pode-se dizer que existe alto grau de disperso dos dados em
relao mdia x Mo 2
AS =encontrada. Assim, a maneira
dp = sde calcular o coeficiente de variao :
s
s
Q + Q1 2 ~
x cv =
AS = 3 x
Q3 Q1 0,786
cv = = 0,109
Exemplo 1.7 7,19
Com a Tabela 1.5, pode-se saber qual dp x Mo
o comportamento
2 dos dados em relao m-
AS == s
dia encontrada no nvel de desemprego. A mdia
s foi de 7,19% de desemprego. Sendo
o desvio-padro 0,786, o coeficiente de
s
cv variao
= :~
Q + Q 2x
AS = 3 x1
Q3 Q1
0,786
cv = = 0,109
7,19
x Mo
Sabendo que a variao de 10,9%,AS =
possvel concluir que os dados sobre o desem-
s
prego oscilam pouco em relao mdia. O cv indica que existe uma variabilidade de
11% com relao ao valor encontrado Q Q1 2 ~
3 +mdia.
pela x
AS =
Q3 Q1
1.3.3 Medidas de assimetria

Esse tipo de medida bastante til quando se deseja saber a forma da curva que os
dados da amostra apresentam. Essa curva pode ser simtrica, quando a rea em rela-
o s medidas de posio so iguais, com valores acima ou abaixo de mdia, mediana
e moda. Se a curva simtrica, h o caso em que a mdia igual moda e ambas so
iguais mediana. No entanto, o contrrio no garantia para a definio de igualdade.
Isso significa que, muitas vezes, pode-se ter as trs medidas iguais e, mesmo assim,
uma curva assimtrica.
A assimetria vai ser positiva quando o coeficiente de assimetria (AS) tambm for
positivo, indicando que o valor modal inferior ao valor mdio. A assimetria vai ser
negativa quando o valor modal for maior que o valor mdio. O coeficiente de assime-
tria pode ser calculado como:
dp = s
s
cv =
x
Tratamento, quantificao e visualizaocv
de = 0,786
dados 37
= 0,109
7,19
dp = s2
x s Mo
AS cv
= =
xs
em que x o valor mdio, Mo cv 0,786 valor ~modal e s o desvio-padro. No
representa
= Q3 +oQ 2x
=10,109
AS = um
entanto, essa frmula pode apresentar 7,19inconveniente. Muitas vezes no se tem um
valor modal ou h muitos valores modais.QNesses
3 Q1 casos, uma frmula alternativa o
coeficiente de Pearson, que faz uso AS x
do valor Mo
= mediano e dos quartis na forma (FON-
SECA, 1992): s
Q + Q1 2 ~ x
AS = 3
Q3 Q1
em que os Q representam os quartis terceiro e primeiro e o valor mediano.
1.4 Medidas descritivas de posio no Excel

Atualmente, as frmulas das sees anteriores esto disponveis e facilmente aces-
sadas em diversos programas de computador. O mais simples, por exemplo, utilizar
as medidas para descrever diversos eventos com planilhas do Microsoft Excel.
A estatstica descritiva apresenta uma foto de momento assim como a inferncia
e, por isso, preciso ter cuidado com tentativas de extrapolao de resultados basea-
das apenas em medidas descritivas ou em medidas de disperso. Em alguns casos, essas
medidas so suficientes para a compreenso dos eventos, mas preciso ter cuidado com
seu poder de previso. Deve-se lembrar que elas apenas descrevem o fenmeno na data
de observao.
Por exemplo, a Figura 1.6 apresenta os dados do Ibovespa (ndice da bolsa de valores
Bovespa) do ano de 2007, portanto, pr-crise financeira de 2008.
Ibovespa (2007)
70.000
65.000
60.000
55.000
50.000
45.000
40.000
Figura 1.6 Ibovespa em 2007.

Na figura, h 245 dados dirios de fechamento do Ibovespa (valores aps o fecha-

mento do prego na Bovespa). Os clculos de algumas medidas descritivas so bas-
tante fceis ao utilizar, por exemplo, funes do Microsoft Excel. Existem algumas
variaes entre uma verso e outra, mas de modo geral as funes mudam pouco.
Para os dados em questo, pode-se calcular a amplitude de variao do Ibovespa
utilizando as funes Mximo( ) e Mnimo( ). Colocando as datas na coluna A de
uma planilha do Excel e o Ibovespa na coluna B, a funo Mximo( ) fica desta forma:
Figura 1.7 Funo mximo no Excel.
Do mesmo modo, a funo Mnimo( ) representada assim:
O clculo da amplitude vai ser a diferena entre o resultado do mximo e o mnimo

valor do Ibovespa. No caso em questo, nossa amplitude :
Figura 1.8 Clculo da amplitude do Ibovespa (2007) no Excel.
As funes mdia e mediana so encontradas no Excel da seguinte maneira:

A medida de moda tambm est programada no Excel, por exemplo, na funo

Modo.nico( ). No caso de dados no repetitivos, porm, no tem muita utilidade.
Dados como os do Ibovespa, que dificilmente se repetem por conta da composio de
diversas aes na Bovespa, fornecem resultado vazio, como mostrado a seguir:
O resultado .
Existe uma maneira bem mais interessante de completar as medidas descritivas
para fazer estatstica de dados tabelados em planilha do Excel. Uma utilizao inte-
ressante o do conceito de tabela dinmica. Essa funo existe em todas as ltimas
verses do Excel na verso 2010 do Microsoft Excel est na aba Inserir, conforme
Figura 1.9. O smbolo sempre muda de uma verso para outra. Aqui apresentado o
da verso 2010 (primeiro cone esquerda):
Figura 1.9 Insero da tabela dinmica.
Ao clicar no smbolo da tabela dinmica, aparece uma tela interativa solicitando o

intervalo de entrada dos dados, conforme a figura a seguir.
Figura 1.10 Tela inicial da tabela dinmica.

Escolhe-se, ento, todo o intervalo em que esto os dados do Ibovespa, por exem-
plo, e clica-se no boto OK. Se os dados estiverem na coluna B, como no caso do
exemplo, o preenchimento fica desta forma:
Figura 1.11 Preenchimento do intervalo na tabela dinmica.
O resultado que aparece uma pequena tabela vazia e uma caixa de informao
esperando detalhes do que se deseja fazer com os dados selecionados.
Figura 1.12 Tabela dinmica.
O primeiro nmero que aparece dentro da caixa de informao da tabela din-

mica o primeiro valor do Ibovespa para o dia 2 de janeiro de 2007. Arrastando esse
nmero para dentro da caixa Rtulos de Linha e depois para dentro da caixa Valores,
so obtidas duas colunas iguais.
Figura 1.13 Tabela dinmica: Rtulos de Linha.

Na coluna da esquerda, possvel, com o boto da direita do mouse, escolher Agru-

par. Esse comando apresenta uma caixa de dilogo perguntando o intervalo de agru-
pamento desejado, como mostrado na figura.
Figura 1.14 Tabela dinmica: Agrupamento.
Por exemplo, escolhendo-se o menor valor numrico do Ibovespa para incio e o

maior valor para trmino, pode-se agrupar os dados em um intervalo de mil, como
mostrado na Figura 1.14. Na caixa Valores da tabela dinmica, deve-se trocar a alter-
nativa selecionada soma de para contagem. Ao clicar em soma de, deve-se escolher
a opo Configurao do Campo de Valor. Dentro dessa opo, aparece a caixa de
Resumir Valores por, com diversas opes, como mostrado na figura a seguir. Como
o intuito criar a tabela de classes, deve-se verificar a frequncia por faixa, conforme j
explicado. Por isso, preciso escolher a contagem de valor para computar a frequncia
com que dados do Ibovespa aparecem em cada intervalo.
Figura 1.15 Mudana da tabela dinmica para frequncia de valores nos intervalos.
Desse modo, para o intervalo de mil dados, possvel encontrar a classe modal, ou
seja, aquela na qual se encontram mais dados. No caso deste exemplo, a tabela resul-
tante seria assim:
Tabela 1.9 Dados do Ibovespa para classes com intervalo de mil dados
41.179-42.178 2
42.179-43.178 14
43.179-44.178 15
44.179-45.178 12
45.179-46.178 16
46.179-47.178 8
47.179-48.178 3
48.179-49.178 9
49.179-50.178 7
50.179-51.178 10
51.179-52.178 13
52.179-53.178 18
53.179-54.178 13
54.179-55.178 17
55.179-56.178 9
56.179-57.178 4
57.179-58.178 10
58.179-59.178 3
59.179-60.178 4
60.179-61.178 8
61.179-62.178 8
62.179-63.178 15
63.179-64.178 11
64.179-65.178 11
65.179-66.178 4
fcil verificar que a classe modal a classe dos pontos do Ibovespa no intervalo
entre 52.179 e 53.178. A quantidade de dados presentes nesse intervalo 18, maior
que em outros intervalos. Com essa tabela resultante da tabela dinmica, possvel
fazer um histograma, como visto antes, selecionando as colunas dos intervalos e
das frequncias. O resultado est na Figura 1.16, que mostra que o intervalo de mil
dados tornou o histograma multimodal, com diversos intervalos de valores frequen-
tes muito prximos.
Histograma do Ibovespa (2007)

20
18
16
14
12
10
8
6
4
2
0
65179-66178
63179-64178
64179-65178
61179-62178
62179-63178
59179-60178
60179-61178
57179-58178
58179-59178
55179-56178
56179-57178
53179-54178
54179-55178
51179-52178
52179-53178
49179-50178
50179-51178
47179-48178
48179-49178
45179-46178
46179-47178
43179-44178
44179-45178
41179-42178
42179-43178
Figura 1.16 Histograma para tabela de frequncias.
1.5 Medidas descritivas de disperso no Excel

Assim como as medidas de posio esto programadas no Excel, tambm as medi-
das de variabilidade ou disperso encontram-se na forma de funo nas planilhas do
Microsoft Excel.
Para estudar a variabilidade de preos, ativos, vendas ou qualquer outra ativi-
dade financeira, torna-se muito mais interessante, em vez de calcular as medidas de
disperso sobre os prprios dados, utilizar o retorno (DANELSSON, 2011). Para
o exemplo do Ibovespa (2007), o retorno positivo (diferena entre fechamento no
dia t e o dia t 1) indica alta no ndice. Valores negativos indicam perdas no ndice.
O mesmo conceito aplicado para preos, resultados de vendas e todas as medidas
financeiras de mercado.
A Figura 1.17 mostra o retorno dos resultados dirios dos fechamentos do Ibo-
vespa. Em especial, a rea circulada e destacada no grfico mostra como a variabili-
dade aumentou no segundo semestre de 2007. O mercado financeiro estava agitado
com dados sobre vendas aquecidas de residncias e altssimos preos de hipotecas nos
Estados Unidos. Isso, por sinal, seria uma das principais causas, um ano depois, da
quebra do Banco Lehman Brothers.
Retorno dirio Ibovespa (2007)

3.000
2.000
1.000
-1.000
-2.000
-3.000
-4.000
Figura 1.17 Retorno do Ibovespa em 2007.
Na seo 1.3, foi apresentada a frmula de clculo do desvio-padro, que o prin-

cipal indicativo e medida de variabiliade dos dados. No caso do Excel, h a funo
conhecida como DesvpadP( ) ou Desvpad.P( ), dependendo da verso. Outras variaes
no nome da funo podem aparecer, mas o resultado sempre o clculo do desvio-
-padro populacional.
O desvio-padro dos retornos do Ibovespa de 2007 , supondo que os clculos
estejam na coluna C, programado no Excel conforme a Figura 1.18.
Figura 1.18 Desvio-padro dos retornos do Ibovespa em 2007.
O valor do desvio-padro obtido para os dados desse exemplo 931,72. Quanto

isso significa? Qual a variabilidade desses dados? Para aumentar a sensibilidade e
a compreenso qualitativa do desvio-padro, pode-se usar o coeficiente de variao.
Como visto na subseo 1.3.2, toma-se o desvio-padro e divide-se pela mdia, trans-
formando o resultado em porcentagem.
Figura 1.19 Coeficiente de variao para o Ibovespa (2007).
O resultado numrico confirma a observao feita do grfico, ou seja, uma exces-

siva variabilidade no mercado financeiro de 1.228% sobre os retornos do ndice da
bolsa de valores. Uma melhor representao para comparar variabilidade dos dados
com retorno a diviso do desvio-padro dos retornos pela mdia do ndice Ibovespa
e no pela mdia do retorno, como realizado antes.
Quando se compara os desvios dos retornos pelo valor mdio do Ibovespa, em vez
de comparar pela mdia dos desvios, que muito baixa, pode-se encontrar algo mais
palpvel, com uma variabilidade de 1,75% ao dia no Ibovespa. Nesse caso, a mdia do
Ibovespa foi de 53.145,79 pontos.
Figura 1.20 Mdia do Ibovespa.
Outra forma de mostrar a variabilidade diria no calcular apenas o coeficiente de

variao esttico e anual, pois no muito sensvel a variaes e oscilaes do mercado
financeiro. Pode-se, ento, modificar os clculos para janela de dias teis, por exemplo,
tomando mdia, desvio-padro e coeficiente de variao a cada cinco dias. Como se
comportaria a variabilidade semanalmente em termos de porcentagem de oscilao?
Retorno dirio Ibovespa (2007)
3.000 3,50%
2.000 3,00%
1.000 2,50%
0 2,00%
-1.000 1,50%
-2.000 1,00%
-3.000 0,50%
Baixa variabilidade Alta variabilidade
-4.000 0,00%
Figura 1.21 A dinmica do coeficiente de variao para janela de cinco dias.

A figura apresenta os dados iniciais dos retornos do Ibovespa em cinza e os dados

do coeficiente de variao calculado a cada cinco dias em preto. Percebe-se a dinmica
do comportamento da variabilidade, com dominncia de baixa variabilidade na osci-
lao do retorno no primeiro semestre e aumento significativo no segundo semestre
de 2007. O coeficiente de variao apresentado no eixo vertical da direita, com a
trajetria em preto. Enquanto no primeiro semestre de 2007 a oscilao foi de 0,5%
a 1,5%, no segundo o coeficiente de variao mudou significativamente para valores
entre 1% e 3%. Interessante tambm ver a comparao da variabilidade entre os dois
anos nos retornos do Ibovespa. Para isso, basta fazer os mesmos clculos dinmicos
para o coeficiente de variao, com janela de cinco dias.
A Figura 1.22, a seguir, mostra quanto a variablidade foi maior para o Ibovespa no
ano de 2008 em relao a 2007. A linha cinza no grfico mostra o coeficiente de varia-
o para os retornos do Ibovespa em 2007, enquanto a linha tracejada mais escura
mostra o mesmo coeficiente em 2008. A barra vertical no centro apresenta a separao
entre o primeiro e o segundo semestres.
Coeficiente variao-comparao
(2007-2008)
9,00%
8,00% 1 semestre 2 semestre
7,00%
6,00%
5,00%
2007
4,00% 2008
3,00%
2,00%
1,00%
0,00%
106
113
120
127
134
141
148
155
162
169
176
183
190
197
204
211
218
225
232
239
15
22
29
36
43
50
57
64
71
78
85
92
99
1
8
Figura 1.22 Comparao do coeficiente de variao dinmico (2007-2008).
Enquanto o mximo valor de variabilidade em 2007 foi de 3%, a variabilidade em

2008 atingiu, na poca da crise e das falncias nos Estados Unidos, o pice de 9% de
coeficiente de variao.
Essa maneira de mostrar a variabilidade ou a disperso mais interessante que a
esttica para o conjunto todo de dados. Isso se d porque consegue separar perodos de
calmaria de perodos de crise. Procedimento similar pode ser feito para vendas, compras,
projees de resultados etc., pois interessante para o investidor ou empreendedor
ter um entendimento do processo separado por fases ou sazonalidades decorrentes de
perturbaes financeiras no ano.
Clique aqui e:
Veja na loja
Anlise de Risco
em Aplicaes Financeiras
Marco Antonio Leonel Caetano
ISBN: 9788521211440
Pginas: 264
Formato: 17x24 cm
Ano de Publicao: 2017

1274

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

1274

Încărcat de

Drepturi de autor:

Formate disponibile

CAETANO

ANLISE DE RISCO EM APLICAES FINANCEIRAS

Rua Pedroso Alvarenga, 1245, 4 andar Caetano, Marco Antonio Leonel

proibida a reproduo total ou parcial por

Todos os direitos reservados pela Editora ndice para catlogo sistemtico:

1. Tratamento, quantificao e visualizao de dados....... 21

4. Identificao de distribuies assimtricas....................... 85

5. O valor em risco.......................................................................... 109

6. O risco em frequncias.............................................................. 125

7. Risco extremo de mudanas abruptas calculado

8. Mapa de risco................................................................................ 183

9. Clculo de It............................................................................... 193

10. O risco na precificao de opes........................................ 223

11. O risco final................................................................................ 259

1.2 Representao grfica

Tabela 1.1 Exportaes (total em milhes de dlares US$)

Fonte: Ministrio do Desenvolvimento, Indstria e Comrcio Exterior (2001).

1.2.1 Grfico de linhas

Total de exportaes (2001)

1.2.2 Grfico de pontos

Tabela 1.2 Frequncia de dias teis do ms (1999-2001)

Dias teis Frequncia

Fonte: Ministrio do Desenvolvimento, Indstria e Comrcio Exterior (2001).

Para elaborar o grfico, so colocados pontos nos valores observados, seguindo

Dias teis para exportao (1999-2001)

Figura 1.2 Grfico de pontos mostrando dias teis.

Tabela 1.3 Mdia diria mensal de importaes (em milhes de US$)

Fonte: Ministrio do Desenvolvimento, Indstria e Comrcio Exterior (2001).

Figura 1.3 Histograma dos valores de importaes brasileiras (1999-2002).

A figura apresenta o histograma com os valores da Tabela 1.3. Pode-se notar

1.2.4 Grfico de barras

(milhes US$) Importaes

Figura 1.4 Grfico de barras das importaes brasileiras.

1.2.5 Curvas de nvel

Tabela 1.4 Oramento federal (milhes de reais R$)

Fonte: Sistema Integrado de Administrao Financeira Coordenao Geral de Contabi-

Essa tabela apresenta os valores da execuo oramentria das despesas federais

Administrao (milhes de R$)

Essa representao grfica bastante til no oitavo captulo, quando o risco de

1.3 Medidas descritivas dos dados

visualizao dos acontecimentos. No entanto, na maioria das vezes, essa facilidade no

A Tabela 1.5 apresenta um exemplo de variveis contnuas.

7,73 7,51 8,16 8,02 7,70

Fonte: Fundao Seade.

Apesar de a taxa de desemprego no Brasil ser uma medida semanal ou mensal

Dados brutos (n): dados ainda no organizados, como na Tabela 1.5.

4,83 -----| 5,504 1 0,034 (3,4%) 5,16 1

5,504 -----| 6,178 2 0,068 (6,8%) 5,60 3

6,178 -----| 6,852 5 0,172 (17,2%) 6,51 8

6,852 -----| 7,526 8 0,275 (27,5%) 7,18 16

7,526 -----| 8,20 13 0,448 (44,8%) 7,86 29

Fonte: Fundao Seade.

Essa tabela bastante til na construo do histograma e mostra a classe de con-

1.3.1 Medidas de posio

Tabela 1.7 Cheques sem fundos (mdia/1.000)

Devoluo Frequncia absoluta

Uma maneira de encontrar a mediana de um conjunto composto de dados brutos

Tabela 1.8 Cheques sem fundos (mdia/1.000)

Devoluo Frequncia absoluta Frequncia acumulada

em que Lmd limite inferior da classe da mediana; n representa o tamanho da amos-

h amplitude da classe da mediana; e Fmd representa a frequncia absoluta da classe

Sejam os dados de uma amostragem formada por 2, 7, 9, 5, 6, 3, 7, 4, 1, 7, a moda

em que Li o limite inferior da classe modal; Fi representa a frequncia absoluta da

1.3.2 Medidas de disperso