FGV Management

MBA em Finanas Empresariais

ESTATSTICA
Marcus Vinicius Quintella Cury, D.Sc
mvqc@fgvmail.br

Realizao Fundao Getulio Vargas FGV Management

Todos os direitos reservados Fundao Getulio Vargas Cury, Marcus Vinicius Quintella Estatstica 1 Rio de Janeiro: FGV Management Cursos de Educao Continuada. 34p. Bibliografia

1. Estatstica 2. Anlise de Risco

I. Ttulo

Coordenao Executiva do FGV Management: Prof. Ricardo Spinelli de Carvalho Coordenador Geral da Central de Qualidade: Prof. Carlos Longo Coordenadores de rea:

Sumrio
1. PROGRAMA DA DISCIPLINA 1 1 1 1 2 2 2 2 3 3 5 6 6 8 10 12 14 21 22 26 30 31 1

1.1 EMENTA 1.2 CARGA HORRIA TOTAL 1.3 OBJETIVOS 1.4 CONTEDO PROGRAMTICO 1.5 METODOLOGIA 1.6 CRITRIOS DE AVALIAO 1.7 BIBLIOGRAFIA RECOMENDADA CURRICULUM RESUMIDO DO PROFESSOR 2. 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 2,10 2,11 2.12 3. ESTATSTICA I NTRODUO SRIES ESTATSTICAS NMEROS RELATIVOS MEDIDAS DE TENDNCIA CENTRAL MEDIDAS DE DISPERSO COVARINCIA E COEFICIENTE DE CORRELAO REGRESSO LINEAR DISTRIBUIO NORMAL ANLISE DE S ENSIBILIDADE SIMULAO DE RISCO EXERCCIOS PROPOSTOS REFERNCIAS B IBLIOGRFICAS MATERIAL COMPLEMENTAR

ii

1. Programa da disciplina
1.1 Ementa
Introduo estatstica e probabilidade. Mdia, moda e mediana: medidas de tendncia. Varincia e desvio-padr o: medidas de disperso. Distribuio dos eventos. Estatstica para controle de desempenho. Estatstica para estimar valores desconhecidos. Correo linear e regresso. Tomada de deciso sob incerteza. Intervalo de confiana. Controle de qualidade. Modelos de previso. Regresso linear.

1.2 Carga horria total

24 horas/aula

1.3 Objetivos
1.3.1 Proporcionar aos participantes uma viso abrangente e sistmica dos mtodos estatsticos, para servir de ponto de partida para estudos mais avanados sobre o assunto. Transmitir aos participantes os fundamentos da estatstica aplicados a finanas, para auxiliar as tomadas de deciso empresariais. Oferecer um quadro referencial que permita a imediata aplicao dos conceitos apresentados. Promover a troca de experincia entre o professor e os participantes, por meio de estudos de casos prticos.

1.3.2 1.3.3 1.3.4

1.4 Contedo programtico

Introduo. Estatstica descritiva. Distribuio de freqncias. Grficos. Medidas de posio e de disperso. Coeficiente de variao. Variveis discretas e contnuas. Introduo probabilidade. Distribuies de probabilidades. Risco e Incerteza. Covarincia e coeficiente de correlao. Amostragem. Intervalos de confiana. Testes de hip teses paramtricos. Anlise de regresso. Modelos aplicados a finanas. Exerccios propostos e casos prticos.

Estatstica

1.5 Metodologia
Aulas expositivas, estudos de caso, trabalhos em grupo e debates.

1.6 Critrios de avaliao

O grau final da disciplina ser composto da seguinte forma: (a) avaliao individual, sob a forma de prova, a ser aplicada aps o trmino da disciplina, no valor de 6 (seis) pontos; (b) trabalhos prticos, individuais ou em grupo, a serem realizados em sala de aula ou em casa, no valor total de 4 (quatro) pontos.

1.7 Bibliografia recomendada

LAPPONI, J. C., Estatstica Usando EXCEL, So Paulo, Lapponi Treinamento e Editora, 1997. ANDERSON, D. R., SWEENEY, D. J. and WILLIANS, T. A., Statistics for Business and Economics, U.S.A., South-Western College Publishing, 1999. DOWNING, D. e JEFFREY, C., Estatstica Aplicada, Rio de Janeiro, Saraiva, 1998. SECURATO, J. R., Decises Financeiras em Condies de Risco, So Paulo, Editora Atlas, 1996.

Curriculum resumido do professor

Marcus Vinicius Quintella Cury Doutor em Engenharia de Produo pela COPPE/UFRJ, Mestre em Transportes pelo IME, Ps-Graduado em Administrao Financeira pela EPGE/FGV e Engenheiro Civil pela Universidade Veiga de Almeida. Sua experincia profissional tem como refernc ia a atuao como engenheiro da Companhia Brasileira de Trens Urbanos (CBTU), desde 1985, e a ocupao da chefia, por oito anos, do Departamento de Controle Financeiro de Contratos desta empresa. Sua experincia acadmica tem como destaque as atuaes como professor dos cursos de ps-graduao da COPPE/UFRJ, IBMEC, EPGE/FGV e do IME. Como consultor empresarial, atua como diretor da MARVIN Consultoria e Treinamento Ltda. (www.marvin.pro.br)

Estatstica

2. Estatstica
2.1 Introduo

At o presente momento, todos os clculos em finanas considerava que os dados empregados eram precisos e de ocorrncia certa, com base em algumas premissas bsicas. No entanto, sabe-se que os dados que compem o fluxo de caixa de um projeto so apenas estimativas de valores e as decises so tomadas envoltas pelo risco e pela incerteza quanto ao futuro. Assim sendo, por mais acuradas que sejam as premissas fundamentais e executadas as melhores projees e estimativas possveis, no se pode garantir a certeza absoluta sobre a ocorrncia dos resultados esperados. Esta impreciso dos resultados encontra-se intimamente correlacionada intuitiva noo de risco do empreendimento. Geralmente, na teoria da deciso existe uma distino entre risco e incerteza, cuja conceituao depende do grau de impreciso associado s estimativas. Quando todas as ocorrncias possveis de uma certa varivel encontra-se sujeitas a uma distribuio de probabilidades conhecida, atravs de experincias passadas, ou que pode ser calculada com algum grau de preciso, diz-se que existe risco associado. Por outro lado, quando esta distribuio de probabilidade no pode ser avaliada, diz -se que h incerteza. A incerteza, de um modo geral, envolve situaes de ocorrncia no repetitiva ou pouco comum na prtica, cujas probabilidades no podem ser determinadas por esta razo. Em ltima anlise, risco uma incerteza que pode ser medida e, opostamente, incerteza um risco que no pode ser avaliado. (Oliveira, 1982) Em resumo, existem trs situaes para a anlise de projetos: situao de certeza, de incerteza e de risco. Em situao de certeza o resultado obtido sempre o esperado. Na situao de incerteza isso no mais o caso, sendo que as probabilidades de ocorrncia dos eventos aleatrios so desconhecidas. Em situao de risco essas probabilidades so conhecidas. (Abreu e Stephan, 1979) Quando uma empresa faz um oramento, risco ou incerteza o nome dado preocupao de que as expectativas e esperanas com relao ao futuro de um negcio possam no se concretizar. necessrio fazer vrias suposies, at mesmo quando se determinam as metas oramentrias. Sabe -se, porm, que por razes diversas, o faturamento e os custos estimados no oramento empresarial nunca sero iguais aos resultados prticos. Isso porque as suposies feitas sobre o nvel de atividade e sobre os custos estavam erradas, ou porque ocorreu algum fato no esperado, como: as vendas de bens e servios foram maiores ou menores do que esperado; os custos foram maiores ou menores do que os orados; o nvel de produtividade foi maior ou menor do que esperado; a conjuntura econmica tornou-se mais ou menos favorvel; mudanas tecnolgicas tornaram o nvel de faturamento e/ou custos diferente no oramento Estatstica

4 planejado; o preo de alguns produtos especficos e servios foi diferente do planejado. (Oldcorn & Parker, 1998) Existem diversas tcnicas desenvolvidas para o tratamento do risco e da incerteza em anlise econmica de projetos, inclusive modelos matemticos e estatsticos sofisticados. Entretanto, muitas dessas tcnicas so demasiadamente tericas, de difcil aplicao prtica, ou muito simplificadas, resultando em informaes insuficientes para a tomada de deciso. Mesmo assim, algumas destas tcnicas so bastante teis e podem ser aplicadas com sucesso no tratamento do risco e da incerteza na anlise de alternativas de projetos, tais como as que sero aqui abordadas: a anlise de sensibilidade e a simulao de risco. Todavia, para uma correta aplicao dessas tcnicas, torna-se necessrio o conhecimento prvio de uma importante ferramenta: a estatstica; cujas noes bsicas sero apresentadas a seguir. Os mtodos estatsticos so hoje utilizados em quase todos os setores da atividade humana. Nos negcios e na economia, figuram entre os mais importantes mtodos de auxlio na tomada de deciso. Como resultado do desenvolvimento da indstria de computadores, os modernos mtodos estatsticos se tornaro cada vez mais importantes para aqueles a quem cabe tomar decises. A estatstica uma disciplina importante para o economista, administrador, engenheiro e analista de projetos investimento, em geral, independentemente de seu setor de especializao. A utilizao sempre crescente dos computadores permite ao especialista nesses setores utilizar tcnicas cada vez mais complexas e aperfeioadas. (Guerra e Donaire, 1982) A estatstica, na verdade, constitui uma parte da matemtica aplicada e tem por objetivo tirar concluses sobre uma populao, a partir de dados observados em uma amostra dessa populao. (Merril e Fox, 1980) A estatstica dividida em estatstica descritiva e estatstica indutiva, conforme a definio abaixo: Estatstica descritiva ou dedutiva: trata da apurao, apresentao, anlise e interpretao dos dados observados (descreve as amostras ou a populao). a parte esttica da estatstica, que consiste no clculo de valores representativos da amostra e na construo grfica dos dados observados; Estatstica indutiva ou inferncia estatstica: parte do particular para o geral, ou seja, o processo pelo qual so feitas generalizaes para a populao, a partir da amostra. Populao o conjunto formado por todos os elementos que tm pelo menos uma caracterstica comum de interesse. Amostra o sub-conjunto da populao, que dever apresentar as caractersticas prprias da populao. O processo pelo qual, atravs da amostra, so estudadas as caractersticas da populao denominado Amostragem. Fundamentalmente, existem dois tipos de amostragem: a probabilstica e a noprobabilstica. A amostragem ser probabilstica (ou aleatria) se todos os elementos da populao tiverem probabilidade conhecida e no nula, de pertencer a amostra; em caso contrrio, ela ser no probabilstica (ou no aleatria). S a amostragem probabilstica permite calcular o erro amostral. As tcnicas de induo estatstica usam a hiptese da amostragem ser probabilstica, a qual implica na existncia de um sorteio (segundo regras bem Estatstica

5 determinadas); esse sorteio, no entanto, nem sempre pode ser realizado como, por exemplo, no caso da populao no ser finita ou no ser totalmente acessvel. Assim sendo, em muitos casos utiliza-se a amostragem no aleatria e, nesses casos, o bomsenso poder indicar a possibilidade de se utilizar ou no as tcnicas de induo para esse tipo de amostragem. Portanto, sempre que possvel, para obter uma amostra que seja representativa da populao, deve-se optar pela amostragem probabilstica. (Guerra e Donaire, 1982) As tcnicas estatsticas aqui abordadas sero de grande valia quando da aplicao no tratamento do risco e da incerteza, na anlise de projetos. Cabe ressaltar que no pretenso deste texto esgotar o assunto, pelo contrrio, deseja -se, apenas, apresentar as tcnicas estatsticas de interesse na matria em questo.

2.2

Sries Estatsticas

As sries estatsticas sumarizam um conjunto ordenado de observaes atravs do tempo, espao e espcie do fenmeno. Conforme cada um desses elementos seja a varivel, surgem trs tipos de sries discretas: histrica, geogrfica e especificativa. A srie histrica ou temporal, quando a varivel o tempo (anos, meses etc), como demonstrado no quadro 1. QUADRO 1 - Custos de Produo da Empresa X Ano 1993 1994 1995 1996 Valores em R$ 120.000 124.000 118.000 132.000

A srie geogrfica quando a varivel o espao (municpios, zonas etc), permanecendo fixos tempo e espcie, conforme mostrado no quadro 2. QUADRO 2 - Vendas Previstas por Regio - RJ - 1995 Mercado PETRPOLIS TERESPOLIS TRS RIOS VOLTA REDONDA Venda (t / ano) 30.000 35.000 28.000 50.000

A srie especificativa quando o que varia a espcie do fenmeno e fixos so os espaos geogrfico e o tempo, conforme se verifica no Quadro 3.

Estatstica

6 QUADRO 3 - Distribuio das Qualificaes Tcnicas - RJ - 1995 Qualificao ENGENHEIRO ARQUITETO ECONOMISTA TECNICO 2 GRAU Quantidade 25 11 5 38

A varivel a quantificar dever inicialmente ser classificada em categorias. A escolha de quantidade e tipo de categorias arbitrria, depender do pesquisador. Contudo, categorizar no to simples.

2.3

Nmeros Relativos

Os valores de uma srie de nmeros absolutos, resultantes de contagens, tero maior significado se o tomarmos com referncia a outro valor, para comparao. Portanto, para maior significao, os dados devero sofrer transformao em nmeros relativos, o que possibilitar interpretaes comparativas. Sero abordados aqui os nmeros relativos de maior significao na anlise de projetos: o coeficiente, as percentagens e o nmero-ndice. Este ltimo ser apresentado no prximo sub-item. Coeficientes ou Taxas - O coeficiente a razo entre o valor de uma varivel e outra varivel, da mesma espcie, tomada como referncia, numa relao de parte para o todo. Percentagem - Trata -se do nmero relativo mais empregado: expressa uma relao da parte com o todo em base de 100. O Quadro 4 apresenta uma srie especificativa em dados brutos e dados relativos.

QUADRO 4 - Distribuio das Vendas por Regio - 1996 Regio RJ SP MG RS Total Vendas (un / ms) 5.500 8.200 7.500 4.000 25.200 % 21,83 32,54 29,76 15,87 100,00

2.4

Medidas de Tendncia Central

As medidas de localizao central, tambm conhecidas como medidas de posio, so valores que representam as tendncias de concentrao dos dados observados. As medidas de posio mais comumente usadas em anlise de projetos so a mdia aritmtica e a mdia ponderada. Cada uma apresenta suas vantagens e Estatstica

7 desvantagens. A medida escolhida depende tanto da natureza dos dados estatsticos como da finalidade a que se destina. A Mdia. A mdia aritmtica muitas vezes chamada simplesmente mdia , e, assim sendo, ser doravante denominada no presente texto. Seja x1 , x2 , ..., xn um conjunto de nmeros reais. A mdia deste conjunto dada por: x = xi / n
i=0 n

(1)

A mdia , freqentemente, utilizada como medida de localizao central e, como resultado disso, a maioria das pessoas est familiarizada com ela. Leva em conta cada nmero do conjunto de observaes, com igua l peso, e nica, no sentido de que um dado conjunto de nmeros tem uma nica mdia. A principal desvantagem da mdia que ela afetada por valores extremamente grandes ou extremamente pequenos. Por isso, a mdia nem sempre a medida de localizao central mais significativa. Essa desvantagem pode tornar-se sria, se estivermos lidando com pequenos conjunto de nmeros. EXERCCIO RESOLVIDO N 01 Considere a renda anual de seis famlias, conforme mostra o quadro abaixo: Pela expresso (28): x = (6000+5000+6000+8000+12000+47 000) / 6 = 14000 E A renda mdia anual das cinco primeiras famlias de R$ 7.400, enquanto que a renda mdia anual das seis famlias de R$ 14.000. Um nico dado - a renda da famlia 6 - teve grande efeito na cifra mdia anual.
Famlia 1 2 3 4 5 6 Renda (R$) 6.000 5.000 6.000 8.000 12.000 47.000

A Mdia Ponderada. Na economia aplicada surgem muitas situaes em que se deseja levar em conta a importncia relativa de diferentes quantidades ao se calcular uma mdia. Seja x 1 , x2 , ... xn um conjunto de nmeros e w1 , w2, ... wn um segundo conjunto de nmeros denominados pesos (ou freqncias). Define-se a mdia ponderada como: Xw = wi xi / wi
i=0 i=0 n n

(2)

A mdia ponderada muito utilizada em nmeros-ndices. A mdia aritmtica um caso especial da mdia ponderada, em que todos os pesos so iguais a 1.

Estatstica

EXERCCIO RESOLVIDO N 02 Considere a distribuio de pesos abaixo e encontre o valor da mdia ponderada: Pela expresso (2): xi wi 158 4 163 10 168 15 173 9 178 6

Xw = (158.4 + 163.10 + 168.15 + 173.9 + 178.6)/( 4+10+15+9+6)=168,34 E

Valor Esperado. Dada uma distribuio de probabilidades, o seu valor esperado nada mais que a mdia ponderada da distribuio, cuja soma dos pesos igual unidade. Assim, E(R) indica o valor esperado de R, Pk a probabilidade de ocorrncia de cada resultado e Rk representa o valor de cada resultado considerado.

E(R) = R = Pk . Rk
i=0

(3)

2.5

Medidas de Disperso

As medidas de disperso de uma distribuio so valores que indicam o grau de afastamento dos valores da varivel em relao mdia. As principais medidas de disperso so: a amplitude total, a varincia e o desvio-padro. EXERCCIO RESOLVIDO N 03 A amplitude AT da distribuio 2, 3, 5, 9, 11, 15, 17, 22, 25 igual a 23 (25 - 2 = 23) E

Amplitude Total. A amplitude total (AT) de uma distribuio a diferena entre o maior e o menor valor da varivel. Varincia. A varincia de uma distribuio a mdia dos quadrados dos desvios. A varincia de uma amostra representa da por s2 e constitui uma estimativa da varincia da populao 2. A varincia, que tambm podem ser representada por VAR, calculada pela seguinte expresso: ( xi - x )2 s2 = n-1 Estatstica
i=1 n

(4)

Quando os valores esto agrupados em uma tabela de distribuio de freqncias, a medio da varincia dada da seguinte forma:

( xi - x )2 . f i s2 = n-1
i=1

(5)

No caso de uma distribuio de probabilidades, no estudo do risco de ativos, a frmula da varincia a seguinte: 2 = Pk . (Rk . R)2
k=1 n

(6)

Desvio-Padro. O desvio-padro de uma distribuio a raiz quadrada positiva da varincia. O desvio -padro da populao representado por e o desvio-padro da amostra por s.

EXERCCIO RESOLVIDO N 04 Calcule a varincia e o desvio-padro da seguinte amostra: 7, 10, 12, 15, 16, 18, 20: x = (7+10+12+15+16+18+20)/7 = 14; Pela expresso (4): Varincia:s2=[(7-14) 2 + (10-14)2 + (12-14) 2 + (15-14) 2 + (16-14) 2 + (18-14) 2 + + (20-14) 2] / 6 = 21 E Desvio-Padro: s = 4,58 E Coeficiente de Variao. Enquanto o desvio-padro mede o grau de disperso absoluto dos valores em torno da mdia, o coeficiente de variao, geralmente expresso em porcentagem, indica a disperso relativa, ou seja, a quantidade de desvios-padro por unidade de mdia. CV = s / x (7)

Estatstica

10 EXERCCIO RESOLVIDO N 05 Calcule a varincia, o desvio-padro e o coeficiente de variao da seguinte situao de investimento: Cenrio RECESSO ESTABILIDADE CRESCIMENTO Retorno 7% 16% 20% Probabilidade 20% 50% 30%

E(R) = (7% 0,20 + 16%0,50 + 20%0,30) = 15,4%; E =[(7%-15,4%)20,20+(16% -15,4%)2 0,50+(20% -15,4%)2 0,30] 1/2 = 4,54% E CV = 4,54% / 15,4% = 0,295 E

2.6

Covarincia e Coeficiente de Correlao

As medidas estatsticas que refle tem a variabilidade (grau de disperso) dos valores individualmente em relao a sua mdia so o desvio -padro e a varincia. (Assaf Neto, 1999) Por outro lado, as medidas que objetivam relacionar duas variveis so a covarincia e a correlao. A correlao ser tratada no prximo item. A covarincia visa identificar como determinados valores se inter-relacionam. basicamente uma medida que avalia como as variveis X e Y movimentam-se ao mesmo tempo em relao a seus valores mdios, ou seja, como elas covariam. Por exemplo, se dois ttulos apresentam associaes positivas (COV > 0), admite-se que as taxas de retorno tm comportamento de mesma tendncia, ou seja, o desempenho de um ttulo acompanha o outro. A valorizao de um ttulo reflete tendncia tambm de valorizao em outro e vice-versa. Por outro lado, a covarincia negativa (COV<0) se o retorno de um ttulo assumir o comportamento do outro. A expresso de clculo da covarincia a seguinte, para sries associadas uma distribuio de probabilidades. No caso de valores tabulados, o denominador ser igual a (n 1): (RA RA) (RB RB) COVA,B = n Deve ser ressaltado no estudo da covarincia a dificuldade de interpretao de seu resultado numrico, ficando sua avaliao mais centrada nas tendncias de seus resultados. A anlise numrica da combinao entre valores desenvolvida pelo coeficiente de correlao. (8)

Estatstica

11

EXERCCIO RESOLVIDO N 06 Calcule a covarincia entre os ttulos abaixo: Situao da Economia RECESSO ESTABILIDADE CRESCIMENTO Retorno do Ttulo A (R A) -15% 35% 55% Retorno do Ttulo B (RB) 20% -15% 10%

RA = (-15%+35%+55%) / 3 = 25% ; RB = (20%-15%+10%) / 3 = 5% A,B = [(-15%-25%)(20%-5%) + (35%-25%)(-15%-5%) + 2.7COVCoeficiente de Correlao (Assaf Neto, 1999) + (55%-25%)(10%-5%)] / 3 = -6,5 (% 2) COV A,B <0 E

O conceito de correlao visa explicar o grau de relacionamento verificado no comportamento de duas ou mais variveis. Quando se trata unicamente de duas variveis, tem-se a correlao simples. Quando se relacionam mais de duas variveis, tem-se a correlao mltipla . Neste item ser apresentado apenas a correlao simples, ou seja, o relacionamento entre duas variveis. A correlao entre duas variveis indica a maneira como elas se movem em conjunto. A quantificao desse relacionamento obtida estatisticamente por meio do coeficiente de correlao (rx,y ou x,y), que pode variar de +1 a 1. -1 x,y +1 ou -1 rx,y +1 (9)

Quando o coeficiente de correlao for igual a 1, diz-se que as variveis em estudo esto inversamente correlacionadas, isto , quando a varivel Y diminui, a varivel X tende a elevar-se, na mesma proporo. Quanto mais prximo de 1 situar-se o coeficiente de correlao, mais negativa ser a correlao entre as variveis. Quando o coeficiente de correlao for igual a +1, conclui-se que as variveis em estudo apresentam-se perfeitamente correlacionadas, na mesma proporo, ou seja, um crescimento de X leva tambm a um aumento correspondente de Y, e vice-versa. Quanto mais prximo de +1 estiver o coeficiente de correlao, mais perfeita ser a correlao positiva entre as variveis. Podem ser encontradas, ainda, variveis que se comportam de maneira totalmente independentes entre si, ou seja, sem relao alguma entre os valores. Neste caso, o coeficiente de correlao igual a zero. A frmula matemtica para o clculo do coeficiente de correlao a seguinte: n yi xi - yi xi rx,y = [n xi2 - (xi )2] [n yi2 - (yi ) 2] (10)

Estatstica

12

Em resumo, o valor de r, que se mpre pertencer ao intervalo [-1;1], representa uma medida de intensidade do inter-relacionamento entre duas variveis. Se r = 1, h uma perfeita correlao positiva entre as variveis, isto , se os valores de uma varivel aumentam (ou diminuem), em correspondncia os valores da outra varivel tambm aumentam (ou diminuem) na mesma proporo. Se, por outro lado, r = -1, h uma perfeita correlao negativa entre as variveis, ou seja, os valores de uma varivel variam em proporo inversa aos valores de outra varivel. Se, entretanto, r = 0, no h correlao entre as variveis. (Assaf Neto, 1999) Pela expresso apresentada, pode-se determinar a covarincia de X e Y pelo produto da correlao e desvio -padro das variveis, ou seja:

COVx,y = rx,y . s x . sy

(11)

Nos estudos de risco de carteiras dada preferncia seguinte expresso para o clculo do coeficiente de correlao: rx,y = COVx,y / sx . s y (12)

2.7

Regresso Linear (Merril e Fox, 1980)

Entre os mtodos estatsticos que tm larga aplicao prtica em projees de sries histricas acham-se a anlise de regresso linear e a correlao. Na economia, a tcnica bsica para medir ou estimar relaes entre variveis econmicas que constituem a essncia da teoria econmica e da vida econmica. Na anlise de projetos uma das tcnicas utilizadas para projeo de elementos de um fluxo de caixa, tais como: demanda, custos etc. Neste item sero discutidas as tcnicas de regresso linear que envolvem duas variveis. O propsito fundamental da anlise de regresso linear estimar a relao entre duas variveis x e y. Os economistas tm interesse nessa relao estimada para fins de predio ou previso. Suponha-se, por exemplo, que haja o interesse em estudar as quantidades demandadas de um determinado produto de certo projeto, ao longo do tempo. As quantidades so as variveis dependentes dos anos, que so as variveis independentes. impossvel estimar-se a relao entre duas variveis sem primeiro fazer certas hipteses sobre a forma da relao, que, no presente caso, ser baseada nas funes lineares. As funes lineares tm grande importncia na economia, porque so relativamente fceis de manejar e podem ser, freqentemente, usadas para aproximar funes no-lineares. A Figura 8 ilustra a representao geomtrica de uma funo linear, que, algebricamente, tm a seguinte forma: Estatstica

13

y = + .x

(13)

onde e so constantes. A constante chamada coeficiente linear. A constante o coeficiente angular. yi Y = + .X xi FIGURA 1 - Diagrama de Disperso e Reta Ajustada Os pontos do diagrama da Figura 1 distribuem-se de forma que se pode ajustar a eles uma reta. A equao dessa reta constitui a regresso dos y sobre x. O problema consiste em estimar os parmetros a e b da equao de regresso. Para todos os pontos possveis (x,y) existe uma reta de regresso y = + .x. Atravs de uma amostra, obter-se- uma estimativa da verdadeira equao de regresso, a partir da seguinte expresso: yi = a + b.x i onde yi o yi estimado para xi e a e b as estimativas de e , respectivamente. Com os parmetros estimados, a equao de regresso permite se fazer previses sobre a varivel y para dados valores de x. Entretanto, no se recomenda estimar y para valores de x muito afastados do intervalo dos xi observados na amostra. Um dos mtodos mais simples para o clculo das estimativas dos parmetros a e b o dos mnimos quadrados, cujas expresses so as seguintes: n yi xi - yi xi b = n xi 2 - (xi )2 (15) (14)

b = COVx,y / VARx

(16) (17) Estatstica

a = yi / n - b . xi / n

14

A qualidade da regresso realizada pode ser verificada pelo coeficiente de determinao (R2), que uma medida estatstica que define a porcentagem de Y (varivel dependente) que pode ser identificada pela equao de regresso linear. A partir de R2 possvel avaliar se os valores de X permitem, ou no, proceder a uma boa estimativa de Y. O valor de R2 varia de 0 a 1. Quanto mais prximo de 1, melhor se revela o ajustamento da reta de regresso aos valores. O coefic iente de determinao R2 , tambm chamado de coeficiente de explicao, pode ser calculado a partir do coeficiente de correlao linear rx,y, mostrado anteriormente. A frmula matemtica a seguinte: R2 = (rx,y )2 (18)

EXERCCIO RESOLVIDO N 07 A srie histrica abaixo mostra, para o perodo 1991-1995, as quantidades vendidas de um determinado produto e seus respectivos preos unitrios de mercado. Realize uma regresso linear da varivel Vendas sobre a varivel Preo e verifique se h correlao entre elas. Faa tambm uma projeo das vendas para quando o preo atingir R$24,00. Ano Vendas (un/ano) Preo (R$/un) 1991 1200 30,00 1992 1450 27,50 1993 1370 28,30 1994 1520 25,80 1995 1600 25,00

A partir das expresses (16) e (17), considerando que xi a varivel Preo: xi = 136,60; yi = 7.140; xi2 = 3.747,78; yi2 = 10.289.800; yi xi = 193.862; n = 5 b = -75,80; a = 3.498,87 yi = 3.498,87 75,80 . xi R2 = 97,12% % E A partir da expresso (18) pode-se verificar a correlao entre as variveis: r = -0,9855 existe uma forte correlao negativa entre as variveis E

2.8

Distribuio Normal (Guerra e Donaire, 1982)

Dada uma experincia aleatria, pode -se sempre associar a seus resultados (eventos) mutuamente exclusivos uma probabilidade. claro que esses resultados podem ser expressos sempre numericamente, mesmo quando tm natureza qualitativa. Assim, pode-se considerar uma varivel x, que assume um valor numrico cada vez que ocorre um evento. A esta grandeza numrica, que assume diferentes valores, estando cada um destes valores associado a uma certa probabilidade, d -se o nome de varivel aleatria. Estatstica

15 Chama -se de funo de probabilidade funo P(x) que associa as probabilidades aos valores da varivel. Evidentemente, devido ao aspecto aleatrio da experincia, os resultados, e por conseguinte os valores da varivel, so imprevisveis. A varivel aleatria dita discreta quando pode assumir, com probabilidade diferente de zero, um nmero finito de valores dentro de um intervalo finito (caso tpico das contagens). Por outro lado, a varivel dita contnua quando pode assumir infinitos valores dentro de um intervalo finito (caso tpico das medies). As variveis observadas na prtica so, quase sempre, resultado da soma de inmeras outras variveis aleatrias independentes. Assim, por exemplo: o tempo gasto numa operao industrial a soma dos tempos dispendidos nos diversos estgios de que se compe a operao; as caractersticas biolgicas de indivduos a soma das hereditariedades de seus ancestrais; etc. Tais variveis produzem um distribuio que, por ser muito freqentemente encontrada na prtica, denominada distribuio normal. Muitas variveis aleatrias que, embora no tenham distribuio normal, tm uma distribuio bastante aparentada com a normal e sero ento consideradas como uma aproximao para a normal. A varivel aleatria x, que toma todos os valores reais - < x < + , tm uma distribuio normal se sua funo de probabilidade for da forma: -(x - )2 22 f(x) = 1 2 onde: a mdia da distribuio e o desvio-padro da distribuio. Os parmetros e devem satisfazer s condies: - < < + e > 0 . Utiliza-se a seguinte notao para a varivel x que tem distribuio normal: X = N (, 2)
d

(19)

(20)

A curva dessa funo densidade de probabilidade tem um aspecto de sino e chamada curva de Gauss, conforme mostra a figura 2.

f(x)

FIGURA 2: Curva de Gauss Estatstica

16

Nas anlises de projetos, relativas a contribuies em um fluxo de caixa, ser adotada a hiptese simplificada pela qual o valor e o sinal de cada contribuio so independentes dos valores e sinais das outras contribuies do mesmo fluxo de caixa. Tal hiptese traduz uma situao que, com freqncia, existe entre tais contribuies, pois, de forma geral, as variveis receitas e despesas, em cada perodo de um fluxo de caixa, no apresentam relaes de dependncia com outras variveis, receitas e despesas, dos outros perodos. Tais variveis, sendo independentes, podem ser consideradas aleatrias e constituem uma distribuio normal de freqncias de ocorrncias. (Hirschfeld, 1984) Assim, considera-se que a curva de distribuio de freqncias de ocorrncias das variveis analisadas no fluxo de caixa seja aproximadamente normal, de modo que todas as frmulas relativas distribuio normal possam ser aplicadas. Para cada contribuio do fluxo de caixa, pode -se calcular um valor mdio, ou seja, o valor esperado Ei , tomando-se em considerao as vrias probabilidades associadas aos valores das estimativas, conforme a expresso: Ei = Pin . Fin
i n

(21)

onde Ei corresponde aos valores esperados (mdias) relativos s vrias estimativas e respectivas probabilidades de ocorrncia em cada perodo i; Pin indica as probabilidades de ocorrncia das n estimativas de cada contribuio em cada perodo i; e Fin representa os valores das vrias n estimativas de cada contribuio em cada perodo i. A varincia i2 do valor esperado, de cada contribuio do fluxo de caixa, representa a incerteza associada ao grau de disperso da distribuio das freqncias de ocorrncia. Tal varincia dada pela seguinte expresso: i2 = Pin . (Fin - Ei )2
i n

(22)

onde i2 corresponde varincia relativa aos valores esperados de cada contribuio do fluxo de caixa. O desvio-padro i do valor esperado de cada contribuio do fluxo de caixa, sendo a raiz quadrada da varincia, representa tambm a incerteza, bem como o grau de disperso da distribuio das freqncias de ocorrncias. Na anlise de projetos, considerando-se que as contribuies do fluxo de caixa so variveis independentes e em grande nmero, utiliza -se as propriedades da Lei Normal para a distribuio de freqncias de ocorrncias. Assim, a distribuio normal ser vlida em virtude das aproximaes supostas serem satisfatrias para a preciso desejada.

Estatstica

17 No caso do estudo da probabilidade da viabilidade de um projeto de investimento, calcula -se o VPL dos vrios valores esperados, obtendo-se o valor esperado do VPL, representado por E(VPL) , alm da varincia e do desvio-padro do VPL, conforme as expresses abaixo: E(VPL) = E i . (1 + i)-k
k=0 n

(23)

2 (VPL) = i2 . (1 + i) 2k
k=0

(24)

(VPL) = k . (1 + i) k
k=0

(25)

(VPL) =

2 (VPL)

(26)

O clculo da varincia e do desvio-padro somente deve ser feito pela expresso (24) para fluxos de caixas independentes em relao ao tempo. No caso de fluxos de caixa com perfeita correlao no tempo, deve -se utilizar a expresso (25). Supondo-se que a distribuio dos VPL seja aproximadamente normal, pode -se aplicar as propriedades da distribuio normal e calcular a rea sob a curva normal padro que corresponde probabilidade de viabilidade e de inviabilidade do empreendimento, em condies de risco. A curva normal originalmente concebida caracteriza -se por ter uma mdia e um desvio-padro maior que zero. Como objetiva-se a obteno de uma probabilidade referente a uma varivel x relacionada a uma curva normal, e as propriedades tabeladas so referentes a variveis z relacionadas a uma curva normal padro, deve -se proceder a transformao da curva normal obtida em uma curva normal padro, em que a mdia igual a zero e o desvio-padro equivale unidade. Para tal finalidade, utiliza -se uma tabela de probabilidade, funo de uma varivel z do eixo horizontal relacionado a uma curva normal caracterstica, chamada curva normal padro. Esta curva caracterizada pela mdia = 0 e pelo desvio-padro = 1, e simbolicamente representada por N(0,1). A partir de uma transformao matemtica, adota -se uma nova distribuio normal, cuja mdia igual a zero e a varincia 2 igual unidade, isto : z = N (0, 1)
d

(27)

onde:

z = (x - ) /

(28)

Estatstica

18 A varivel aleatria desta distribuio dita varivel reduzida ou padronizada (ou score reduzido). Isto consiste, basicamente, em se fazer uma translao do eixo das ordenadas, mudando-se a origem do eixo das abcissas para x = . Como a expresso da funo distribuio depende de e , alm da varivel x, este fato acarreta num grande trabalho para elaborao de uma tabela. Isto pode ser solucionado ao se trabalhar com a varivel reduzida, pois a expresso de sua funo distribuio independe de e . Alm disso, como a curva simtrica em relao a x = (ou z = 0), basta tabelar apenas metade da distribuio. Embora possam ser construdas tabelas de vrios tipos, aqui ser apresentada apenas a mais comum, que fornece uma faixa central (vide quadro 5). Assim, para cada valor de zi , basta procurar na tabela do quadro 5 como se fosse positivo e trocar o sinal encontrado. Da: F(x) = 0,5 (valor tabelado). A rea hachurada da figura 3 corresponde a: P(0 z z0 ) = F(z0 ) - 0,5. f(x) f(z)

x=0 z=0

x= z0

x z

FIGURA 3: Curva Normal Reduzida No caso especfico da anlise de projetos, da distribuio normal dos VPL, a mdia E(VPL) e o desvio-padro (VPL). Como se objetiva o clculo da probabilidade de inviabilidade do empreendimento, considera-se o valor mnimo de x como sendo igual a zero, pois abaixo de zero o projeto no vivel. Nestas condies, a expresso (28) passa a ter a seguinte forma: z = [0 - E(VPL)] / (VPL) (29)

A partir da obteno do valor z, entra-se na tabela do quadro 5, de probabilidades sob a curva da distribuio normal padro. Como a curva normal simtrica em relao a um eixo central, os valores tabelados analisam um ramo da curva (probabilidade mxima igual a 0,5), assumindo-se os valores de z um valor absoluto e interpretando-se os resultados conforme o sinal e o valor. Desta forma, a probabilidade de viabilidade de uma projeto ser igual a: (30) Estatstica

P (viabilidade) = 1 - P(inviabilidade)

19

EXERC CIO RESOLVIDO N 08 Considere que o ativo X apresenta as rentabilidades esperadas de 10%, 15% e 18%, respectivamente, com as probabilidades para os cenrios de recesso (20%), estabilidade (50%) e crescimento (30%) da economia. Calcule a probabilidade deste ativo apresentar um retorno acima de 16%. Retorno Esperado do Ativo X: E(R) = 10% 0,20+15% 0,50+18% 0,30=14,9% Desvio-Padro: (R) = [0,20 (10-14,9) 2 +0,50(15-14,9) 2 +0,30 (18-14,9) 2 ]1/2 = 2,77% Clculo de z: z = (16-14,9) / 2,77 = 0,40 tabela 0,1554 P(R16%) = 0,5000 0,1554 = 0,3446 34,36% E

Estatstica

20

QUADRO 5: Probabilidades sob a Curva da Distribuio Normal Reduzida

xi - (x) (x)

zi =

F(xi)-F()

0 z VALORES DE F(x) - F() = F(x) 0,5 NA DISTRIBUIO NORMAL

z 0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2,0 2,1 2,2 2,3 2,4 2,5 2,6 2,7 2,8 2,9 3,0 3,1 3,2 3,3 3,4 3,5 3,6 3,7 3,8 3,9 4,0 0,00 0,0000 0,0398 0,0793 0,1179 0,1554 0,1915 0,2257 0,2580 0,2881 0,3159 0,3413 0,3643 0,3849 0,4032 0,4192 0,4332 0,4452 0,4554 0,4641 0,4713 0,4772 0,4821 0,4861 0,4893 0,4918 0,4938 0,4953 0,4965 0,4974 0,4981 0,4987 0,4990 0,4993 0,4995 0,4997 0,4998 0,4998 0,4999 0,4999 0,5000 0,5000 0,01 0,0040 0,0438 0,0832 0,1217 0,1591 0,1950 0,2291 0,2611 0,2910 0,3186 0,3438 0,3665 0,3869 0,4049 0,4207 0,4345 0,4463 0,4564 0,4649 0,4719 0,4778 0,4826 0,4864 0,4896 0,4920 0,4940 0,4955 0,4966 0,4975 0,4982 0,4987 0,4991 0,4993 0,4995 0,4997 0,4998 0,4998 0,4999 0,4999 0,5000 0,5000 0,02 0,0080 0,0478 0,0871 0,1255 0,1628 0,1985 0,2324 0,2642 0,2939 0,3212 0,3461 0,3686 0,3888 0,4066 0,4222 0,4357 0,4474 0,4573 0,4656 0,4726 0,4783 0,4830 0,4868 0,4898 0,4922 0,4941 0,4956 0,4967 0,4976 0,4982 0,4987 0,4991 0,4994 0,4995 0,4997 0,4998 0,4999 0,4999 0,4999 0,5000 0,5000 0,03 0,0120 0,0517 0,0910 0,1293 0,1664 0,2019 0,2357 0,2673 0,2967 0,3238 0,3485 0,3708 0,3907 0,4082 0,4236 0,4370 0,4484 0,4582 0,4664 0,4732 0,4788 0,4834 0,4871 0,4901 0,4925 0,4943 0,4957 0,4968 0,4977 0,4983 0,4988 0,4991 0,4994 0,4996 0,4997 0,4998 0,4999 0,4999 0,4999 0,5000 0,5000 0,04 0,0160 0,0557 0,0948 0,1331 0,1700 0,2054 0,2389 0,2704 0,2995 0,3264 0,3508 0,3729 0,3925 0,4099 0,4251 0,4382 0,4495 0,4591 0,4671 0,4738 0,4793 0,4838 0,4875 0,4904 0,4927 0,4945 0,4959 0,4969 0,4977 0,4984 0,4988 0,4992 0,4994 0,4996 0,4997 0,4998 0,4999 0,4999 0,4999 0,5000 0,5000 0,05 0,0199 0,0596 0,0987 0,1368 0,1736 0,2088 0,2422 0,2734 0,3023 0,3289 0,3531 0,3749 0,3944 0,4115 0,4265 0,4394 0,4505 0,4599 0,4678 0,4744 0,4798 0,4842 0,4878 0,4906 0,4929 0,4946 0,4960 0,4970 0,4978 0,4984 0,4989 0,4992 0,4994 0,4996 0,4997 0,4998 0,4999 0,4999 0,4999 0,5000 0,5000 0,06 0,0239 0,0636 0,1026 0,1406 0,1772 0,2123 0,2454 0,2764 0,3051 0,3315 0,3554 0,3770 0,3962 0,4131 0,4279 0,4406 0,4515 0,4608 0,4686 0,4750 0,4803 0,4846 0,4881 0,4909 0,4931 0,4948 0,4961 0,4971 0,4979 0,4985 0,4989 0,4992 0,4994 0,4996 0,4997 0,4998 0,4999 0,4999 0,4999 0,5000 0,5000 0,07 0,0279 0,0675 0,1064 0,1443 0,1808 0,2157 0,2486 0,2794 0,3078 0,3340 0,3577 0,3790 0,3980 0,4147 0,4292 0,4418 0,4525 0,4616 0,4693 0,4756 0,4808 0,4850 0,4884 0,4911 0,4932 0,4949 0,4962 0,4972 0,4979 0,4985 0,4989 0,4992 0,4995 0,4996 0,4997 0,4998 0,4999 0,4999 0,4999 0,5000 0,5000 0,08 0,0319 0,0714 0,1103 0,1480 0,1844 0,2190 0,2517 0,2823 0,3106 0,3365 0,3599 0,3810 0,3997 0,4162 0,4306 0,4429 0,4535 0,4625 0,4699 0,4761 0,4812 0,4854 0,4887 0,4913 0,4934 0,4951 0,4963 0,4973 0,4980 0,4986 0,4990 0,4993 0,4995 0,4996 0,4997 0,4998 0,4999 0,4999 0,4999 0,5000 0,5000 0,09 0,0359 0,0753 0,1141 0,1517 0,1879 0,2224 0,2549 0,2852 0,3133 0,3389 0,3621 0,3830 0,4015 0,4177 0,4319 0,4441 0,4545 0,4633 0,4706 0,4767 0,4817 0,4857 0,4890 0,4916 0,4936 0,4952 0,4964 0,4974 0,4981 0,4986 0,4990 0,4993 0,4995 0,4997 0,4998 0,4998 0,4999 0,4999 0,4999 0,5000 0,5000

Estatstica

21

2.9

Anlise de Sensibilidade

Dentre todas as tcnicas disponveis para a anlise de risco e incerteza associada a projetos de investimento, a mais usualmente utilizada a Anlise de Sensibilidade. (Abreu e Stephan, 1982) A anlise de sensibilidade tem por finalidade auxiliar a tomada de deciso, a partir do efeito pr oduzido, na rentabilidade do projeto por variaes nos valores de seus parmetros componentes. Quando uma pequena mudana no valor de uma estimativa resulta em mudana na escolha da alternativa ou rejeio de um projeto, diz-se que a deciso sensvel quela estimativa. A sensibilidade da soluo pode ser examinada para inmeras variveis, tais como: taxa de desconto, preo de venda, vida do projeto, valor do investimento, custos operacionais etc. A variao de valores para todas as variveis de uma projeto proporcionaria uma infinidade de combinaes, apresentando resultados diferentes que, provavelmente, levaria qualquer analista a perder sua capacidade de crtica sobre o investimento. Assim, na prtica, conveniente escolher-se algumas variveis mais sensveis e analisar a rentabilidade do empreendimento, mudando uma de cada vez. (Oliveira, 1982) De forma genrica, a anlise de sensibilidade procura responder a perguntas do tipo: o que aconteceria na alternativa de um projeto caso fosse variado um determinado parmetro em seu fluxo de caixa? (Woiler e Mathias, 1987)

EXERCCIO RESOLVIDO N 09 Imagina -se que o VPL de um fluxo de caixa de um certo projeto seja igual a R$14.000 e que sua vida til seja igual a 10 anos. Caso e vida til seja sta alterada de 10%, ou seja, passe de 10 para 11 anos, e os demais componentes do fluxo de caixa permaneam constantes, o VPL deste projeto passaria de R$14.000 para R$17.500, confirmando a sua viabilidade econmica. Diz-se, portanto, que o projeto no sensvel variao procedida. Por outro lado, se a mesma vida til variasse de 10 para 5 anos, o VPL assumiria o valor negativo de R$1.000, inviabilizando, agora, o projeto. Desta forma, o projeto pode ser considerado sensvel alterao proposta.

Outrossim, a anlise de sensibilidade pode ser tratada sob outro enfoque, de forma que se possa medir em que magnitude uma alterao pr-fixada, em um ou mais fatores do projeto, altera o resultado final. (Woiler e Mathias, 1987)

Estatstica

22

EXERCCIO RESOLVIDO N 10 Proceda uma variao de 10% no valor do investimento do fluxo de caixa abaixo, para que a sensibilidade do projeto possa ser observada, a partir da TIR. ANO FLUXO (R$) 0 -100.000 1 50.000 2 2 60.000 3 65.000

Inicialmente, calcula-se a TIR para a situao original e, em seguida, calcula -se a TIR para o caso dos valores do investimento alterados. Assim, pode-se observar que a variao da TIR mais do que proporcional variao provocada no investimento, conforme os resultados mostrados no quadro abaixo: INVESTIMENTO + 10 % INICIAL - 10 % TIR (% a.a.) 25,98 32,40 40,01 % - 20 + 23

2.10 Simulao de Risco

Simulao a representao dinmica de um sistema mediante um modelo. Trata-se de uma tcnica que consiste em realizar um modelo da situao real e nele levar a cabo experincias. Por sistemas entende-se um conjunto de componentes e variaes que se inter-relacionam, formando um corpo nico. Quando um modelo elaborado, deve-se na medida do possvel, tentar retratar a realidade, sem sua complexidade e reduzida a propores manejveis. Torna-se, portanto, vivel ao analista avaliar em que propores e em que sentido ser afetado o sistema, em se alterando algumas de suas variveis. Assim, a simulao dos dados permite o clculo de diferentes combinaes que probabilisticamente podem ocorrer. Como resultado, obtm-se no um ndice, mas sim uma distribuio de freqncias do mesmo. Os modelos de simulao so classificados normalmente como: determinsticos, estocsticos, estticos e dinmicos. No presente trabalho ser estudado o modelo estocstico ou probabilstico, conforme ficar claro a seguir. A grande vantagem da simulao estocstica que ela permite informar adicionalmente que a rentabilidade do projeto poder variar num certo intervalo, que inclui o valor mais provvel, segundo uma distribuio de probabilidade. Assim, mais fcil se avaliar as chances de insucesso de um empreendimento, bem como comparar alternativas, no apenas com base nos valores mais provveis, mas se considerando tambm a variedade de seu retorno. Uma das principais metodologias de anlise de risco por simulao baseada no trabalho de David B. Hertz, intitulado Risk Analysis in Capital Expenditure Decisions , que se divide em quatro fases, conforme segue: (Oliveira, 1982) Estatstica

23 1) Estimar o intervalo de variao possvel para cada varivel que influencia o fluxo de caixa do projeto. Estabelecer uma distribuio de probabilidades correspondente e transform-la numa distribuio de probabilidades acumulada. Estas estimativas devem ser efetuadas para o preo de venda, valor do investimento, taxa de crescimento do mercado, vida do projeto etc; Selecionar, ao acaso, valores para cada varivel, de acordo com suas probabilidades de ocorrncia, e calcular o VPL, TIR, ou outro indicador qualquer, para cada combinao de valores obtida. Se houver dependncia entre variveis, esse fato deve ser considerado de forma a existir a correspondncia entre os valores selecionados; Efetuar esta operao repetidas vezes at obter uma distribuio de probabilidades do retorno do projeto; Acumular a distribuio de probabilidade do retorno para se ter uma melhor viso do comportamento da curva. Em alguns casos pode ser interessante calcular a mdia e o desvio-padro, principalmente para auxiliar na comparao entre alternativas, pois s vezes, pode ser prefervel escolher uma alternativa de retorno inferior, porm de menor variabilidade.

2)

3) 4)

Cabe ressaltar que a metodologia descrita acima utiliza o mtodo Monte Carlo (Shamblin e Stevens, 1979), que um mtodo de simulao baseado na utilizao de nmeros aleatrios, que so sorteados para gerar resultados e as distribuies de probabilidades correspondentes. Alm disso, evidente que a simulao Monte Carlo somente deve ser praticada com utilizao do computador, pois, caso contrrio, a maioria dos modelos com este tipo de simulaes teria sua execuo impraticvel. A seguir, ser apresentado uma aplicao do mtodo Monte Carlo em anlise de projetos de investimento: (Abreu e Sthepan, 1982) Uma fbrica de camisas est considerando a compra de um novo equipamento de costuras, cuja instalao permitir melhorar sensivelmente seu processo de produo e, conseqentemente, aumentar a produo, bem como baratear os custos unitrios de produo. O projeto apresentado estima o equipamento em R$ 20.000, mas a experincia passada mostra que o custo real do investimento pode variar sensivelmente em torno desse valor, tanto para maior quanto para menor. Alm disso, o nvel de produo suplementar P depender essencialmente do nve l de demanda D. Embora as previses de venda sejam bastante favorveis, as variaes possveis no nvel de demanda podem afetar de modo significativo o resultado final. E a estimativa do novo custo unitrio C um parmetro que tambm pode variar em propor es importantes. Para simplificar, ser considerado um horizonte de estudo de 2 anos, ao final dos quais a mquina ter um valor residual VR igual metade do investimento inicial. O custo do capital da empresa de 15% ao ano e o preo unitrio de venda Pu das camisas ao comrcio de R$ 1. Para o gerente financeiro, o problema se resume na determinao do VPL, calculado, para este caso, pela seguinte expresso:

Estatstica

24

VPL =

I + D1 (P - C1 ) + D2 (P - C2) + VR (1 + i) (1 + i) 2 (1 + i)2

(31)

Nessa expresso, as variveis aleatrias so I, D1 , C2 , D2 e C2 , al m de VR que depende do valor de I. A partir de estudos estatsticos, foram estimadas distribuies probabilidades para cada uma das variveis aleatrias, conforme mostrado abaixo: de

Investimento I R$ 18.000 19.000 20.000 21.000 22.000 23.000

% 5 10 35 25 15 10

Demanda Ano1 D1 UN % 22.000 5 25.000 10 28.000 30 30.000 40 32.000 10 33.000 5

Demanda Ano2 D2 UN % 21.000 5 23.000 5 27.000 10 31.000 30 32.000 20 33.000 20 34.000 10

Custo Unit Ano1 C1 R$ % 0,48 10 0,49 20 0,50 40 0,51 20 0,52 10

Custo Unit Ano2 C2 R$ % 0,47 10 0,48 20 0,49 30 0,50 30 0,51 10

Os valores escolhidos so considerados como representativos do intervalo de classe ao qual pertencem e representam o valor mdio de cada intervalo. Assim, I = 20.000 considerado como representando todos os valores entre 19.500 e 20.500. Se a aproximao for muito grande, a nica mudana a ser introduzida reduzir o intervalo entre as classes. Uma vez determinadas as classes e as probabilidades, o trabalho de simulao pode comear. A idia bsica associar a cada probabilidade um nmero de 00 a 99, de modo a representar fisicamente a distribuio de probabilidade. Assim, para o primeiro nvel do valor do investimento, 18.000, que tem probabilidade de 5%, sero associados os 5 primeiros nmeros dos 100 (00 a 99) utilizados, ou seja de 00 a 04. Para o segundo nvel, 19.000, sero associados os valores 06 a 14. Esses 10 valores representam os 10% de probabilidade de ocorrncia de 19.000, e assim por diante at completar os 100% de distribuio. Este processo repetido para cada varivel e o quadro abaixo apresenta os nmeros associados s probabilidades, que so chamados de nmeros de Monte Carlo. Pode-se, agora, gerar 5 nmeros aleatrios por intermdio do computador ou com o auxlio de tabelas existentes. Supondo-se que os 5 primeiros nmeros aleatrios gerados foram 15,47, 38, 52 e 60, tem-se a seguinte combinao: I = 20.000; D1 = 30.000; D2 = 31.000; C1 = 0,50; C2 = 0,50. Tais dados permitem o clculo do VPL desse evento, a partir da expresso (47), lembrando que o preo de venda P igual a R$ 1 e que o valor residual VR equivale metade do investimento I: VPL = 12.325. Estatstica

25

Investimento I R$ 18.000 19.000 20.000 21.000 22.000 23.000

Demanda Ano1 D1 UN 22.000 25.000 28.000 30.000 32.000 33.000

Demanda Ano2 D2 UN 21.000 23.000 27.000 31.000 32.000 33.000 34.000

N.A. 00-04 05-14 15-49 50-74 75-89 90-99

N. A. 00-04 05-14 15-44 45-84 85-94 95-99

N.A. 00-04 05-09 10-19 20-49 50-69 70-89 90-99

Custo Unit Ano1 C1 R$ N.A. 0,48 00-09 0,49 10-29 0,50 30-69 0,51 70-89 0,52 90-99

Custo Unit Ano2 C2 R$ N.A. 0,47 00-09 0,48 10-29 0,49 30-59 0,50 60-89 0,51 90-99

Anota-se este resultado e retorna-se ao processo at que seja obtido um grande nmero de valores de VPL. Com uso do computador, isto pode ser processado muito rapidamente e sries de mais de 1.000 valores podem ser obtidos em pouco tempo. Na realidade, no preciso repetir o processo muito mais do que isso, j que depois de um certo tempo as freqncias tendem a se estabilizar e as modificaes que ocorram s afetam marginalmente a distribuio de probabilidades. Em 1.000 simulaes, foram obtidos os VPL e suas respectivas freqncias: Valor Mnimo (R$) 2.000,00 4.000,01 6.000.01 8.000,01 10.000,01 12.000,01 14.000,01 16.000,01 Valor Mximo (R$) 4.000,00 6.000,00 8.000,00 10.000,00 12.000,00 14.000,00 16.000,00 18.000,00 Freqncia 1 9 33 134 348 409 64 2 Percentual (%) 0,1 0,9 3,3 13,4 34,8 40,9 6,4 0,2

Com esses valores pode-se calcular o VPL esperado, tomando como valor representativo de cada classe de intervalo o valor mdio (R$.10 3): E(VPL) = 3 (0,001) + 5 (0,009) + 7 (0,033) + 9 (0,134) + 11(0,348) + 13 (0,409) + 15 (0,064) + 17 (0,002) = 11,624 E Assim, o VPL esperado corresponde a R$ 11.624 e o analista pode analisar as diversas probabilidades do projeto ser vivel economicamente, a partir da curva de distribuio cumulativa.

Estatstica

26

2.11 Exerccios Propostos

2.11.1 Utilize os mtodos da estatstica descritiva para resumir os dados da amostra de 50 preos do produto X, mostrados no quadro abaixo, conforme segue: (a) as distribuies de freqncia, simples, acumulada e relativa; (b) o histograma e/ou o polgono de freqncia; (c) as medidas de tendncia central e de disperso; (d) o coeficiente de variao.
Moeda: R$

17.50 15.15 14.75 15.10 18.81 11.85 17.41 11.77 12.07 19.00 Resp.: 2.11.2

17.60 20.60 21.58 16.09 12.67 14.67 18.64 17.59 13.14 21.11

20.30 23.76 22.57 16.24 16.13 14.44 13.79 19. 78 12.35 12.63

15.08 20.48 16.28 15.57 16.93 17.17 11.54 13.09 16.69 17.02

22.87 18.16 25.96 21.07 25.38 18.11 19.21 21.74 10.58 19.78

Numa distribuio normal x, a probabilidade de valores maiores de 40 11% e de valores menores de 22 32%. Qual a probabilidade de 20 < x < 36 ? Resp.:

2.11.3

Uma amostra de 100 elementos de uma varivel normalmente distribuda forneceu x = 30 e s = 6,1. Determinar limites de confiana de 95% para . Resp.:

2.11.4

Estabelecer limites de confiana para , no nvel de 95%, sendo que uma amostra de tamanho 25 forneceu mdia igual a 128 e desvio-padro igual a 11,4. Resp.:

Estatstica

27 2.11.5 Um estudo da variao da demanda do produto ABC (y ) em relao i variao do seu preo de venda (xi ), chegou aos valores do quadro abaixo. Pede-se: a) estabelecer a equao de regresso de y sobre x e o coef. de explicao; b) estimar y para x = 5,00 e para x = 7,00; c) determinar o coef. de correlao e a covarincia entre as variveis. Xi Yi Resp.: 2.11.6 A rentabilidade para o prximo ano de uma determinada aplicao financeira foi definida por analistas de mercado com base em 3 cenrios: recesso, estabilidade e crescimento; cujas probabilidades de ocorrncia atribudas so, respectivamente, 35%, 45% e 20%. As rentabilidades estimadas, para cada cenrio proposto, so, respectivamente, de 14%, 20% e 30%. Determine a probabilidade da rentabilidade da aplicao em questo ser maior que 22%. Resp.: 2.11.7 Uma amostra de 100 elementos de uma populao normalmente distribuda forneceu, no nve l de 90%, a estimativa 80<<88. Se a amostra fosse de 20 elementos, qual seria a estimativa? Resp.: 2.11.8 Os dados abaixo referem-se a uma amostra das taxas de juros praticadas no mercado financeiro para financiamento de veculos, coletadas em 18 concessionrias de veculos, de forma a subsidiar uma anlise de mercado. 1,70 1,85 1,96 1,81 1,90 1,86 Taxas de Juros (% a.m.) 1,92 1,74 1,72 1,88 1,81 1,77 1,93 1,71 1,80 1,79 1,82 1,78 3,20 850 3,95 810 4,11 800 4,58 780 4,95 725 5,50 650 5,95 630 6,40 600

Calcule: a) A probabilidade de se conseguir uma taxa abaixo de 1,75 % a.m.; b) O intervalo de confiana para , no nvel de 95%; Resp.:

Estatstica

28 2.11.9 Considerando-se que as amostras de taxas de juros anuais abaixo foram retiradas de 3 carteiras de investimento, pede-se determinar qual a carteira de maior risco. Amostra 1
Classes Freqncias

Amostra 2
Classes Freqncias

Amostra 3
Classes Freqncias

6 12 12 18 18 24 Resp.:

2 6 4

5 10 10 15 15 20

2 7 3

2 8 8 14 14 20

1 7 4

2.11.10 Abaixo se encontram os dados relativos s taxas anuais de rentabilidade de um certo fundo de aes e do Bovespa: Ano 1994 1995 1996 1997 1998 1999 Bovespa 5% 8% 2% 12% 8% 10% Taxa 8% 10% 12% 9% 7% 11% Pede-se: a) Ajustar uma reta; b) Ajustar uma funo exponencial; c) Calcular os coeficientes de explicao; d) Projetar a taxa para 2000; e) Construir o intervalo de confiana da projeo, para =5%. Resp.:

2.11.11 A tabela abaixo indica o lucro lquido de uma empresa, em milhes de reais, no perodo 1992/1997. Ano Lucro 1992 20 1993 30 1994 38 1995 52 1996 58 1997 72

Pede-se: a) Ajustar uma reta aos dados; b) Calcular o coeficiente de explicao para a reta; c) Estimar o lucro para 1998 d) Construir o intervalo de confiana para a estimativa acima =5%. Resp.:

Estatstica

29

2.11.12 Considere que as aes X, Y e Z tenham como parmetros de retorno esperado, de risco e de correlao de retornos os valores mostrados no quadro abaixo:
AES RETORNO ESPERADO DESVIO PADRO COEFICIENTES DE CORRELAO

X Y Z

18% 22% 15%

8% 11% 4%

A 1,00 0,75 0,44

B 0,75 1,00 0,68

C 0,44 0,68 1,00

Supondo que voc construa uma carteira de risco com os trs ativos acima, cujas participaes na na qual os dois primeiros participam com 40% cada um, calcule a probabilidade de que o retorno esperado da carteira seja positivo, considerando-se que os retornos das aes tenham distribuio normal. Resp.: 2.11.13 Com base nos possveis cenrios criados para o retorno esperado de um determinado ativo financeiro, para o prximo ano, mostrados no quadro abaixo, calcule a probabilidade do retorno ser superior a 21%. Cenrios Possveis CRESCIMENTO ESTABILIDADE RECESSO Resp.: 2.11.14 A empresa Alfa pretende abrir uma filial numa outra cidade. O investimento estimado para este projeto de R$ 2.200.000,00 e o fluxo de caixa lquido anual projetado para os prximos 10 anos, aps os impostos, de R$ 700.000,00. Todavia, como existem incertezas quanto performance futura da empresa, a diretoria estabeleceu cen rios probabilsticos para estudar a viabilidade do investimento em questo, conforme mostra o quadro abaixo. Sabendo -se que a T.M.A. da empresa Alfa de 15% ao ano, calcule a probabilidade de sucesso deste projeto, considerando que os fluxos de caixa apresentam perfeita correlao temporal.
Moeda: R$

Probabilidade de Ocorrncia 15% 60% 25%

Retorno Esperado 27% 16% 9%

Cenrio Investimento Fluxo de Caixa Anual Resp.:

Pessimista 20% 2.500.000 1.000.000

Esperado 50% 4.000.000 1.500.000

Otimista 30% 6.000.000 2.250.000

Estatstica

30

2.11 Referncias Bibliogrficas

ABREU, P. F. S. P. e STEPHAN, C., Anlise de Investimentos , Rio de Janeiro, Editora Campus, , 1982. ANDERSON, D. R., SWEENEY, D. J. and WILLIANS, T. A., Statistics for Business and Economics, U.S.A., South-Western College Publishing, 1999. ASSAF NETO, A., Mercado Financeiro, So Paulo, Editora Atlas, 1999. COSTA, P. H. S. e ATTIE, E. V., Anlise de Projetos de Investimento, Rio de Janeiro, Fundao Getlio Vargas, 1990. DOWNING, D. e JEFFREY, C., Estatstica Aplicada, Rio de Janeiro, Saraiva, 1998. GUERRA, M. J. e DONAIRE, D., Estatstica Indutiva, So Paulo, Liv. Cincia e Tecnologia, 1982. HIRSCHFELD, H., Engenharia Econmica, So Paulo, Atlas, 1984. LAPPONI, J. C., Estatstica Usando EXCEL, So Paulo, Lapponi Treinamento e Editora, 1997. MERRILL, W. C. e FOX, K. A., Estatstica Econmica: Uma Introduo, So Paulo, Editora Atlas, 1980. OLDCORN, R. e PARKER, D., Deciso Estratgica para Investidores, So Paulo, Editora Nobel, 1998. OLIVEIRA, J. A. N., Engenharia Econmica: Uma Abordagem s Decises de Investimento, So Paulo, Mc Graw -Hill do Brasil, 1982. ROSS, S. A, WESTERFIELD, R. W. e JAFFE, J. F., Administrao Financeira: Corporate Finance , So Paulo, Editora Atlas, 1995. SECURATO, J. R., Decises Financeiras em Condies de Risco, So Paulo, Editora Atlas, 1996.

Estatstica

31

3.

Material Complementar

Estatstica