Manual RISK Simulator

RISK SIMULATOR
Manual do Usurio
JJoohhnnaatthhaann M
CR
RM
M,, FFR
RM
M,, C
Muunn,, PPhh..D
CFFC
C,, M
MIIFFC
D..,, M
C
MB
BA
A,, M
MSS,, B
BSS,, C
R
Vaalluuaattiioonn,, IInncc..
Reeaall O
Oppttiioonnss V
Real Options Valuation, Inc.
Este manual e o software nele descrito so fornecidos mediante licena e s podem ser usados ou copiados de acordo
com os termos do acordo de licena do usurio final. As informaes neste documento so fornecidas com finalidade
informativa, esto sujeitas a alteraes sem aviso prvio e no representa um compromisso da Real Options Valuation,
Inc. com a comercializao ou a adequao a uma finalidade especfica. Nenhuma parte deste manual pode ser
reproduzida ou transmitida de qualquer forma ou por qualquer meio, eletrnico ou mecnico, inclusive fotocpia ou
gravao, para qualquer finalidade sem a permisso por escrito da Real Options Valuation, Inc. Materiais baseados em
publicaes protegidas por direito autoral do Dr. Johnathan Mun, fundador e CEO, Real Options Valuation, Inc. Escrito
por Dr. Johnathan Mun. Escrito, concebido e publicado nos Estados Unidos da Amrica. Microsoft uma marca
registrada da Microsoft Corporation nos EUA e em outros pases. Os nomes de outros produtos mencionados aqui
podem ser marcas comerciais e/ou registradas dos respectivos proprietrios.
Copyright 2005-2012 Dr. Johnathan Mun. All rights reserved.

4101F Dublin Blvd., Ste. 425
Dublin, California 94568 U.S.A.
Phone 925.271.4438 Fax 925.369.0450
admin@realoptionsvaluation.com
www.risksimulator.com
www.realoptionsvaluation.com
SUMRIO
1. INTRODUO ..........................................................................................................................5
1.1 Bem-vindo ao software RISK SIMULATOR ................................................................................. 5
1.2 Requisitos e procedimentos de instalao ....................................................................................... 6
1.3 Licenciamento ................................................................................................................................. 7
1.4 NOVIDADES DA VERSO 2011/2012 ........................................................................................ 9
1.4.1 Uma lista abrangente das funcionalidades do Risk Simulator ............................................... 9
1.4.2 Recursos gerais ....................................................................................................................... 9
1.4.3 Mdulo de Simulao ........................................................................................................... 10
1.4.4 Mdulo de Previso .............................................................................................................. 11
1.4.5 Modelo de Otimizao .......................................................................................................... 12
1.4.6 Mdulo de Ferramentas analticas ....................................................................................... 12
1.4.7 Mdulo de Estatsticas e Estatsticas de negcios ................................................................ 14
2. SIMULAO MONTE CARLO ...........................................................................................16

2.1 O que a simulao Monte Carlo? ............................................................................................... 16
2.2 Introduo ao Risk Simulator........................................................................................................ 17
2.2.1 Viso geral de alto nvel do software.................................................................................... 17
2.2.2 Executar uma simulao Monte Carlo ................................................................................. 18
2.3 Controle de correlao e preciso ................................................................................................. 31
2.3.1 Noes bsicas de correlaes ............................................................................................. 31
2.3.2 Aplicao .............................................................................................................................. 32
2.3.3 Efeitos da correlao na simulao Monte Carlo ................................................................ 33
2.3.4 Controle de preciso e erro .................................................................................................. 35
2.3.5 Noes bsicas sobre as estatsticas de previso ................................................................. 38
2.3.6 Noes bsicas sobre distribuies de probabilidade na simulao Monte Carlo .............. 42
2.4 Distribuies discretas .................................................................................................................. 45
2.5 Distribuies contnuas ................................................................................................................. 52
Manual do Usurio (Risk Simulator)
2005-2012 Real Options Valuation, Inc.
3. PREVISO ...............................................................................................................................73
3.1 Diferentes tipos de tcnicas de previso .................................................................................. 73
3.2 Execuo da ferramenta Previso no Risk Simulator ................................................................... 78
3.3 Anlise da srie temporal .............................................................................................................. 78
3.4 Regresso multivariada ................................................................................................................. 82
3.5 Previso estocstica ....................................................................................................................... 86
3.6 Extrapolao no linear ................................................................................................................. 89
3.7 Srie temporal avanada Box-Jenkins ARIMA ............................................................................ 92
3.8 AUTOARIMA (srie temporal avanada Box-Jenkins ARIMA) ................................................. 97
3.9 Econometria bsica ....................................................................................................................... 98
3.10 Previses de curvas JS .............................................................................................................. 100
3.11 Previses de volatilidade GARCH ............................................................................................ 101
3.12 Cadeias de Markov .................................................................................................................... 104
3.13 Modelos de Mxima Verossimilhana (MLE) em logit, probit e tobit ..................................... 104
3.14 Spline (interpolao e extrapolao de spline cbico) .............................................................. 107
4. OTIMIZAO ......................................................................................................................110
4.1 Metodologias de otimizao ....................................................................................................... 110
4.2 Otimizao com variveis de deciso contnuas ......................................................................... 112
4.3 Otimizao com variveis inteiras discretas ............................................................................... 117
4.4 Fronteira eficiente e configuraes de otimizao avanada ...................................................... 121
4.5 Otimizao estocstica ................................................................................................................ 122
5. FERRAMENTAS ANALTICAS DE SIMULAO DE RISCO ....................................128

5.1 Ferramentas Tornado e Sensibilidade em simulao .................................................................. 128
5.2 Anlise de sensibilidade .............................................................................................................. 136
5.3 Ajuste da distribuio: varivel nica e mltiplas variveis ....................................................... 140
5.4 Simulao de bootstrap ............................................................................................................... 144
5.5 Teste de hipteses ....................................................................................................................... 146
5.6 Extrair dados e salvar resultados da simulao ........................................................................... 148
5.7 Criar relatrio .............................................................................................................................. 149
5.8 Ferramenta de diagnstico de previso e regresso .................................................................... 151
5.9 Ferramenta Anlise estatstica..................................................................................................... 159
5.10 Ferramenta Anlise da distribuio ........................................................................................... 162
5.11 Ferramenta Anlise de cenrio .................................................................................................. 166

5.12 Ferramenta Agrupamento por segmentao .............................................................................. 167
5.13 Novas ferramentas do Risk Simulator 2011/2012..................................................................... 168
5.14 Mtodos de gerao de nmero aleatrio, Monte Carlo versus hipercubo latino e cpula
de correlao ............................................................................................................................. 168
5.15 Supresso de tendncia de dados, dessazonalizao de dados e teste de sazonalidade............. 170
5.16 Anlise de componentes principais ........................................................................................... 171
5.17 Srie temporal de dados da quebra estrutural............................................................................ 172
5.18 Previses de linha de tendncia................................................................................................. 173
5.19 Ferramenta de verificao de modelo ....................................................................................... 174
5.20 Ferramenta de ajuste da distribuio (percentil) ....................................................................... 176
5.21 Grficos e tabelas de distribuio: Ferramenta de distribuio de probabilidade ..................... 177
5.22 ROV BizStats ............................................................................................................................ 181
5.23 Metodologias de previso de lgica difusa combinatria e de rede neural ............................... 186
5.24 Otimizador de Buscar meta ....................................................................................................... 189
5.25 Otimizador de varivel nica .................................................................................................... 189
5.26 Otimizao de algoritmo gentico............................................................................................. 190
5.27 Mdulo ROV Decision Tree (rvore de Deciso).................................................................... 192
5.27.1 rvore de Deciso............................................................................................................. 192
5.27.2 Modelagem da Simulao ................................................................................................. 195
5.27.3 Anlise Bayesiana ............................................................................................................. 195
5.27.4 Valor Esperado da Informao Perfeita, Anlise Minimax e Maximin, Perfis de
Risco e Valor da Informao Imperfeita .......................................................................... 196
5.27.5 Sensibilidade ..................................................................................................................... 196
5.27.6 Tabela de Cenrios ........................................................................................................... 197
5.27.7 Funes de Utilidade ........................................................................................................ 197
6. Dicas e tcnicas teis ..............................................................................................................205

NDICE REMISSIVO ...............................................................................................................215
1
1. INTRODUO
1.1 Bem-vindo ao software RISK SIMULATOR
Risk Simulator um software de previso, otimizao e simulao

Monte Carlo. O software foi escrito na linguagem Microsoft .NET C# e
funciona com o Excel como um suplemento. Este software tambm
compatvel e usado com frequncia com os softwares, Real Options Super Lattice
Solver (SLS) e Employee Stock Options Valuation Toolkit (ESOV),
desenvolvidos pela Real Options Valuation, Inc. Observe que embora este
manual do usurio pretenda ser completo, ele no de modo algum um substituto
do DVD de treinamento, dos cursos de treinamento presenciais e dos livros
escritos pelo criador do software (por exemplo, os livros do Dr. Johnathan Mun,
Real Options Analysis, 2 edio, Wiley Finance 2005; Modeling Risk, 2 edio:
Applying Monte Carlo Simulation, Real Options Analysis, Forecasting, and
Optimization, 2 edio, Wiley 2010; e Valuing Employee Stock Options (2004
FAS
123R),
Wiley
Finance,
2004).
Visite
nosso
site
www.realoptionsvaluation.com para obter mais informaes sobre esses itens.
O software Risk Simulator contm os seguintes mdulos:

Simulao Monte Carlo (executa simulaes paramtricas e no
paramtricas de 42 distribuies de probabilidade com diferentes perfis
de simulao, simulaes truncadas e correlacionadas, distribuies
personalizveis, simulaes controladas de preciso e erro e muitos
outros algoritmos)
Previso (executa ARIMA, Box-Jenkins, regresso mltipla, extrapolao
no linear, processos estocsticos e anlise de srie temporal)
Otimizao sob incerteza (executa otimizaes usando variveis inteiras
discretas e contnuas para otimizao de portflios e projetos com ou
sem simulao)
Ferramentas analticas e de modelagem (executam anlises tornado,
aranha e de sensibilidade, bem como simulao de bootstrap, teste de
hipteses, ajuste da distribuio etc.)
O software Real Options SLS usado para calcular opes simples e complexas
e permite criar modelos de opes personalizveis. O software Real Options SLS
contm os seguintes mdulos:
Single Asset SLS (para resolver opes de abandono, escolha, contrao,

adiamento e expanso, alm de resolver opes personalizadas)
Multiple Asset and Multiple Phase SLS (para resolver opes sequenciais
de vrias fases, opes com vrios ativos e fases subjacentes,
combinaes de vrias fases sequenciais com abandono, escolha,
contrao, adiamento, expanso e troca de opes; tambm pode ser
usado para resolver opes personalizadas)
Multinomial SLS (para resolver opes trinomiais de reverso mdia,
opes quadrinomiais de difuso com salto e opes pentanomiais de
arco-ris)
Funes suplementares do Excel (para resolver todas as opes acima
alm de modelos de contrato fechado e opes personalizadas em um
ambiente baseado no Excel)
1.2 Requisitos e procedimentos de instalao

Para instalar o software, siga as instrues na tela. Os requisitos mnimos do
software so:
Processador Pentium IV ou mais recente (recomenda-se dual core).

Windows XP, ou Vista ou Windows 7.
Microsoft Excel XP, 2003, 2007, 2010 ou posterior.
Microsoft .NET Framework 2.0 ou 3.0 ou posterior.
500 MB de espao livre.
2 GB de RAM no mnimo (recomenda-se de 2 a 4 GB).
Direitos de administrador para instalar o software.
A maioria dos novos computadores vm com o Microsoft .NET Framework

2.0/3.0 j pr-instalado. No entanto, se durante a instalao, o Risk Simulator
exibir uma mensagem de erro sobre o .NET Framework, saia da instalao.
Instale o software .NET Framework relevante includo no CD (escolha o seu
idioma). Conclua a instalao do .NET, reinicie o computador e reinstale o Risk
Simulator.
H um arquivo de licena de avaliao padro vlido por 10 dias que acompanha
o software. Para obter uma licena corporativa completa, entre em contato com a
Real Options Valuation, Inc. por email para admin@realoptionsvaluation.com,
pelo telefone +1 (925) 271-4438 ou visite o nosso site
www.realoptionsvaluation.com. Visite o site e clique em DOWNLOAD para
obter a verso mais recente do software ou clique no link FAQ para obter
informaes atualizadas sobre problemas e correes relativos ao licenciamento
ou instalao.
1.3 Licenciamento
Se voc instalou o software e comprou uma licena completa para us-lo, voc
precisa enviar um email para ns com a ID do seu hardware para que possamos
gerar um arquivo de licena para voc. Siga estas instrues:
Para Windows XP executando Excel XP, Excel 2003, Excel 2007, ou Excel
2010:
No Excel, clique em Risk SimulatorLicena. Anote a ID do
HARDWARE alfanumrica de 11-20 dgitos e a envie por email para:
admin@realoptionsvaluation.com. (voc tambm pode selecionar a ID
do hardware e copiar com o boto direito do mouse ou clicar no link do
email da ID do hardware). Quando recebermos essa ID, enviaremos por
email uma licena permanente para voc. De posse desse arquivo de
licena, basta salv-lo no disco rgido, iniciar o Excel, clicar em Risk
Simulator Licena, clicar em Instalar licena e selecionar o novo
arquivo de licena. Reinicie o Excel para concluir a operao. O
processo demora menos de um minuto e voc estar totalmente
licenciado para executar o software.
Para Windows Vista/Windows 7 executando Excel XP, Excel 2003, Excel 2007,
ou Excel 2010:
Inicie o Excel 2007/2010 no Windows Vista ou Windows 7, v para a
guia de menus do Risk Simulator, clique no cone Licena ou em Risk
SimulatorLicena e copie sua ID do hardware de 11-20 dgitos
alfanumricos e envie-a por email (tambm possvel selecionar a ID
do hardware, copiar com o boto direito do mouse ou clicar no link de
email da ID do hardware) para: admin@realoptionsvaluation.com.
Quando recebermos essa ID, enviaremos por email uma licena
permanente para voc. De posse desse arquivo de licena, basta salv-lo
no disco rgido. Inicie o Excel, clique em Risk Simulator Licena ou
clique no cone Licena , clique em Instalar licena e selecione o novo
arquivo de licena. Reinicie o Excel para concluir a operao. O
processo demora menos de um minuto e voc estar totalmente
licenciado para executar o software.
Depois de concluda a instalao, inicie o Microsoft Excel. Se a licena tiver sido
instalada com xito, voc ver um item adicional Risk Simulator na barra de
menus do Excel XP/2003 ou no grupo SUPLEMENTO do Excel 2007/2010, e
uma nova barra de cones no Excel, como mostra a Figura 1.1. Alm disso, ser
exibida uma tela inicial como mostra a Figura 1.2, indicando que o software est
funcionando e est carregado no Excel. A Figura 1.3 tambm mostra a barra de
ferramentas do Risk Simulator. Se esses itens existirem no Excel, voc estar
pronto para comear a usar o software. As prximas sees fornecem instrues
passo a passo sobre como usar o software.
Figura 1.1 Menu do Risk Simulator e barra de cones do Excel 2007/2010
Figura 1.2 Tela inicial do Risk Simulator
Figura 1.3 Barras de ferramentas de cones do Risk Simulator no Excel 2007/2010

1.4 NOVIDADES DA VERSO 2011/2012

1.4.1 Uma lista abrangente das funcionalidades do Risk Simulator
Veja a seguir uma lista dos principais recursos do Risk Simulator. Os itens
realados indicam os ltimos acrscimos verso 2011/2012.
1.4.2 Recursos gerais

1. Disponvel em 11 idiomas: ingls, francs, alemo, italiano, japons,
coreano, portugus, espanhol, russo, chins simplificado e chins
tradicional.
2. ROV Decision Tree (rvore de Deciso) usado para criar valor e
avaliar modelos de rvore de deciso. As seguintes metodologias e
anlises avanadas adicionais tambm esto includas:
o Modelos de rvore de Deciso
o Simulao de risco (Monte Carlo)
o Anlise de Sensibilidade
o Anlise de Cenrio
o Anlise Bayesiana (probabilidade conjunta e a posteriori)
o Valor Esperado da Informao
o MINIMAX
o MAXIMIN
o Perfis de Risco
3. Clulas comentadas: ative ou desative os comentrios de clulas e decida
se deseja mostr-los em todos os valores de entrada, resultados de
previso e variveis de deciso.
4. Modelos de exemplo detalhados: 24 modelos de exemplo no Risk
Simulator e mais de 300 modelos no Modeling Toolkit.
5. Relatrios detalhados: todas as anlises vm com relatrios detalhados.
6. Manual do usurio detalhado: manual do usurio passo a passo.
7. Licenciamento flexvel: capacidade de ativar ou desativar determinadas
funcionalidades para permitir a personalizao da experincia de anlise
de risco. Por exemplo, se voc s est interessado nas ferramentas de
previso do Risk Simulator, pode obter uma licena especial que ativa
apenas as ferramentas de previso, mas desativa os outros mdulos.
Assim, economiza-se custos com o software.
8. Requisitos flexveis: funciona no Windows 7, Vista e XP; integrao com
o Excel 2010, 2007, 2003; funciona em mquinas virtuais que executem
sistemas operacionais MAC.
9. Cores e grficos completamente personalizveis: inclinao, 3D, cor, tipo

de grfico e muito mais.
10. Exerccios prticos: guia detalhado passo a passo para a execuo do Risk
Simulator, incluindo guias sobre a interpretao dos resultados.
11. Copiar e colar vrias clulas: permite que suposies, variveis de
deciso e previses sejam copiadas e coladas.
12. Criao de perfis: permite que vrios perfis sejam criados em um nico
modelo, ou seja, possvel criar, duplicar, editar e executar vrios
cenrios de modelos de simulao em um nico modelo.
13. cones revisados no Excel 2007/2010: uma barra de ferramentas de cones
totalmente redesenhada, mais intuitiva e amigvel. H quatro conjuntos
de cones que se ajustam maioria das resolues de tela (1280 x 760 ou
melhor).
14. Menus de atalho: acesse todas as ferramentas e menus do Risk Simulator
clicando com o boto direito do mouse.
15. Integrao com softwares da ROV: funciona bem com outros softwares
da ROV, incluindo o Real Options SLS, o Modeling Toolkit, o Basel
Toolkit, o ROV Compiler, o ROV Extractor and Evaluator, o ROV
Modeler, o ROV Valuator, o ROV Optimizer, o ROV Dashboard, o ESO
Valuation Toolkit, entre outros.
16. Funes RS no Excel: funes RS para configurar suposies e previses
e suporte a cliques com o boto direito do mouse no Excel.
17. Soluo de problemas: esta ferramenta permite reabilitar o software,
verificar os requisitos do sistema, obter a ID do hardware, entre outros.
18. Turbo Speed Analysis: este novo recurso executa previses e outras
ferramentas de anlise em velocidades altssimas (aprimorado na verso
5.2). A anlise e os resultados permanecem os mesmos, mas agora so
calculados e geram relatrios muito rapidamente.
19. Recursos da Web, estudos de caso e vdeos: baixe gratuitamente modelos,
vdeos de introduo, estudos de caso, whitepapers e outros materiais no
nosso site.
1.4.3 Mdulo de Simulao

20. Seis geradores de nmeros aleatrios: gerador subtrativo avanado ROV,
gerador de embaralhamento aleatrio subtrativo, gerador de
embaralhador de longo perodo, gerador de embaralhamento aleatrio
porttil, gerador rpido de hexadecimais IEEE, gerador porttil mnimo
bsico.
21. Dois mtodos de amostragem: Monte Carlo e hipercubo latino.
22. Trs cpulas de correlao: aplicao de cpula normal, cpula T e
cpula quase-normal para simulaes correlacionadas.
23. Quarenta e duas distribuies de probabilidade: arco seno, Bernoulli,
beta, beta 3, beta 4, binomial, Cauchy, qui-quadrada, cosseno,
10
personalizada, uniforme discreta, logartmica dupla, Erlang, exponencial,

exponencial 2, distribuio F, gama, geomtrica, mximo de Gumbel,
mnimo de Gumbel, hipergeomtrica, Laplace, logstica, lognormal
(aritmtica) e lognormal (log), lognormal 3 (aritmtica) e lognormal 3
(log), binomial negativa, normal, parablica, Pareto, Pascal, Pearson V,
Pearson VI, PERT, Poisson, potncia, potncia 3, Rayleigh, T e T2,
triangular, uniforme, Weibull, Weibull 3.
24. Parmetros alternativos: uso de percentis como uma alternativa insero
de parmetros.
25. Distribuio no paramtrica personalizada: crie suas prprias
distribuies, executando simulaes histricas e aplicando o mtodo
Delphi.
26. Truncamento de distribuio: habilitao de limite de dados.
27. Funes do Excel: defina suposies e previses usando funes no Excel
28. Simulao multidimensional: simulao de parmetros de entrada
incertos.
29. Controle de preciso: determina se o nmero de tentativas de simulao
executadas suficiente.
30. Simulao super-rpida: executa 100.000 tentativas em poucos segundos.
1.4.4 Mdulo de Previso

31. ARIMA: modelos ARIMA ou mdia mvel integrada autorregressiva
(P,D,Q).
32. AutoARIMA: executa as combinaes mais comuns do ARIMA para
encontrar o modelo de melhor ajuste.
33. Autoeconometria: executa milhares de combinaes de modelos e
permutaes para obter o modelo de melhor ajuste para os dados
existentes (linear, no linear, interao, defasagem, diferenas, taxa,
diferena).
34. Econometria bsica: modelos de regresso interativa, linear/no linear e
economtricos.
35. Spline cbico: interpolao e extrapolao no lineares.
36. GARCH: projees de volatilidade usando modelos autorregressivos
heteroscedasticidade condicional generalizada: GARCH, GARCH-M,
TGARCH, TGARCH-M, EGARCH, EGARCH-T, GJR-GARCH e GJRTGARCH.
37. Curva J: curvas J exponenciais.
38. Variveis dependentes limitadas: logit, probit e tobit.
39. Cadeias de Markov: dois elementos concorrentes ao longo do tempo e
previses de participao no mercado.
11
40. Regresso mltipla: regresso normal linear e no linear, com

metodologias stepwise (avano, regresso, correlao, avano-regresso).
41. Extrapolao no linear: previso de srie temporal no linear.
42. Curva S: curvas S logsticas.
43. Anlise de srie temporal: oito modelos de decomposio de sries
temporais para a previso de nveis, tendncias e sazonalidades.
44. Linhas de tendncia: previso e ajuste usando mdia linear, no linear,
polinomial, potncia, logartmica, exponencial e mdia mvel com
melhor ajuste.
45. Previso de lgica difusa combinatria
46. Previso de rede neural (linear, logstica, tangente hiperblica, cosseno
com tangente hiperblica)
1.4.5 Modelo de Otimizao

47. Otimizao linear: otimizao multifsica e otimizao linear geral.
48. Otimizao no linear: resultados detalhados, incluindo matrizes
Hessianas, funes de LaGrange e mais.
49. Otimizao esttica: execues rpidas para obter otimizaes contnuas,
integradas e binrias.
50. Otimizao dinmica: simulao com otimizao.
51. Otimizao estocstica: critrios quadrticos, tangenciais, centrais, de
avano, de convergncia.
52. Fronteira eficiente: combinaes de otimizaes estocsticas e dinmicas
em fronteiras eficientes multivariadas.
53. Algoritmos genticos: usados em vrios problemas de otimizao.
54. Otimizao multifsica: testes de otimizao local ou global que
permitem um melhor controle sobre como a otimizao executada e
aumentam a preciso e a dependncia dos resultados.
55. Percentis e mdias condicionais: estatsticas adicionais para otimizao
estocstica, incluindo percentis e mdias condicionais, que so crticas
no clculo de valor condicional em medidas de risco.
56. Algoritmo de pesquisa: algoritmos de pesquisa simples, rpidos e
eficientes para variveis de deciso simples bsicas e aplicaes de busca
de metas.
57. Simulao super-rpida em otimizao dinmica e estocstica: executa
simulaes super-rpidas integradas otimizao.
1.4.6 Mdulo de Ferramentas analticas

58. Verificar modelo: testa os erros mais comuns no seu modelo.
12
59. Editor de correlao: permite que grandes matrizes de correlao sejam

inseridas e editadas diretamente.
60. Criar relatrio: gerao automtica de um relatrio de suposies e
previses em um modelo.
61. Criar relatrio estatstico: gera um relatrio comparativo de todas as
estatsticas de previso.
62. Diagnstico de dados: executa testes de heteroscedasticidade,
micronumerosidade, observaes discrepantes, no linearidade,
autocorrelao, normalidade, esfericidade, no estacionariedade,
multicolinearidade e correlaes.
63. Extrao e exportao de dados: extrai dados para o Excel ou para
arquivos de texto simples e arquivos do Risk Simulator, executa
relatrios estatsticos e relatrios de resultado de previso.
64. Abrir e importar dados: recupera os resultados de execuo de simulaes
anteriores.
65. Supresso de tendncia e dessazonalizao: dessazonaliza e suprime
tendncias nos dados.
66. Anlise da distribuio: calcula o FDP, o FDA e o IFDA exatos de todas
as 42 distribuies e gera tabelas de probabilidade.
67. Designer de distribuio: crie suas prprias distribuies personalizadas.
68. Ajuste da distribuio (mltiplo): executa mltiplas variveis
simultaneamente, levando em conta as correlaes e a significncia das
correlaes.
69. Ajuste da distribuio (simples): testes de Kolmogorov-Smirnov e quiquadrado em distribuies contnuas, completos com relatrios e
suposies de distribuio.
70. Teste de hipteses: testa se duas previses so estatisticamente
semelhantes ou diferentes.
71. Bootstrap no paramtrico: simulao das estatsticas para obter a
preciso e a exatido dos resultados.
72. Grficos sobrepostos: grficos sobrepostos de suposies e previses
totalmente personalizveis (tipos de grfico FDA, FDP, 2D/3D).
73. Anlise de Componentes Principais: testa as variveis do melhor
indicador e as maneiras de reduzir a matriz de dados.
74. Anlise de cenrio: milhares de cenrios estticos bidimensionais.
75. Teste de sazonalidade: testa vrias defasagens de sazonalidade.
76. Agrupamento por segmentao: agrupa dados em combinaes
estatsticas para segment-los.
77. Anlise de sensibilidade: sensibilidade dinmica (anlise simultnea).
78. Teste de quebra estrutural: testa se os dados da srie temporal tm
quebras estruturais estatsticas.
13
79. Anlise tornado: perturbao esttica de sensibilidades, anlises aranha e

tornado, bem como tabelas de cenrios.
1.4.7 Mdulo de Estatsticas e Estatsticas de negcios

80. Ajuste da distribuio (percentil): uso de percentis e otimizao para
encontrar a distribuio de melhor ajuste.
81. Tabelas e grficos das distribuies de probabilidade: executa 45
distribuies de probabilidade, seus quatro momentos, o FDA, o IFDA, o
FDP, os grficos, os vrios grficos sobrepostos de distribuio, alm de
gerar tabelas de distribuio de probabilidade.
82. Anlise estatstica: estatsticas descritivas, ajuste da distribuio,
histogramas, grficos, extrapolao no linear, teste de normalidade,
estimativa de parmetros estocsticos, previso de srie temporal,
projees da linha de tendncia etc.
83. ROV BIZSTATS: mais de 130 modelos analticos e estatsticas
comerciais:
Absolute Values, ANOVA: Randomized Blocks Multiple Treatments, ANOVA:
Single Factor Multiple Treatments, ANOVA: Two Way Analysis, ARIMA, Auto
ARIMA, Autocorrelation and Partial Autocorrelation, Autoeconometrics
(Detailed), Autoeconometrics (Quick), Average, Combinatorial Fuzzy Logic
Forecasting, Control Chart: C, Control Chart: NP, Control Chart: P, Control
Chart: R, Control Chart: U, Control Chart: X, Control Chart: XMR, Correlation,
Correlation (Linear, Nonlinear), Count, Covariance, Cubic Spline, Custom
Econometric Model, Data Descriptive Statistics, Deseasonalize, Difference,
Distributional Fitting, Exponential J Curve, GARCH, Heteroskedasticity, Lag,
Lead, Limited Dependent Variables (Logit), Limited Dependent Variables
(Probit), Limited Dependent Variables (Tobit), Linear Interpolation, Linear
Regression, LN, Log, Logistic S Curve, Markov Chain, Max, Median, Min,
Mode, Neural Network, Nonlinear Regression, Nonparametric: Chi-Square
Goodness of Fit, Nonparametric: Chi-Square Independence, Nonparametric: ChiSquare Population Variance, Nonparametric: Friedmans Test, Nonparametric:
Kruskal-Wallis Test, Nonparametric: Lilliefors Test, Nonparametric: Runs Test,
Nonparametric: Wilcoxon Signed-Rank (One Var), Nonparametric: Wilcoxon
Signed-Rank (Two Var), Parametric: One Variable (T) Mean, Parametric: One
Variable (Z) Mean, Parametric: One Variable (Z) Proportion, Parametric: Two
Variable (F) Variances, Parametric: Two Variable (T) Dependent Means,
Parametric: Two Variable (T) Independent Equal Variance, Parametric: Two
Variable (T) Independent Unequal Variance, Parametric: Two Variable (Z)
Independent Means, Parametric: Two Variable (Z) Independent Proportions,
Power, Principal Component Analysis, Rank Ascending, Rank Descending,
Relative LN Returns, Relative Returns, Seasonality, Segmentation Clustering,
Semi-Standard Deviation (Lower), Semi-Standard Deviation (Upper), Standard
2D Area, Standard 2D Bar, Standard 2D Line, Standard 2D Point, Standard 2D
Scatter, Standard 3D Area, Standard 3D Bar, Standard 3D Line, Standard 3D
Point, Standard 3D Scatter, Standard Deviation (Population), Standard Deviation
(Sample), Stepwise Regression (Backward), Stepwise Regression (Correlation),
Stepwise Regression (Forward), Stepwise Regression (Forward-Backward),
14
Stochastic Processes (Exponential Brownian Motion), Stochastic Processes

(Geometric Brownian Motion), Stochastic Processes (Jump Diffusion),
Stochastic Processes (Mean Reversion with Jump Diffusion), Stochastic
Processes (Mean Reversion), Structural Break, Sum, Time-Series Analysis
(Auto), Time-Series Analysis (Double Exponential Smoothing), Time-Series
Analysis (Double Moving Average), Time-Series Analysis (Holt-Winters
Additive), Time-Series Analysis (Holt-Winters Multiplicative), Time-Series
Analysis (Seasonal Additive), Time-Series Analysis (Seasonal Multiplicative),
Time-Series Analysis (Single Exponential Smoothing), Time-Series Analysis
(Single Moving Average), Trend Line (Difference Detrended), Trend Line
(Exponential Detrended), Trend Line (Exponential), Trend Line (Linear
Detrended), Trend Line (Linear), Trend Line (Logarithmic Detrended), Trend
Line (Logarithmic), Trend Line (Moving Average Detrended), Trend Line
(Moving Average), Trend Line (Polynomial Detrended), Trend Line
(Polynomial), Trend Line (Power Detrended), Trend Line (Power), Trend Line
(Rate Detrended), Trend Line (Static Mean Detrended), Trend Line (Static
Median Detrended), Variance (Population), Variance (Sample), Volatility:
EGARCH, Volatility: EGARCH-T, Volatility: GARCH, Volatility: GARCH-M,
Volatility: GJR GARCH, Volatility: GJR TGARCH, Volatility: Log Returns
Approach, Volatility: TGARCH, Volatility: TGARCH-M, Yield Curve (Bliss),
and Yield Curve (Nelson-Siegel).
15
2
2. SIMULAO
MONTE CARLO
simulao Monte Carlo, assim chamada devido ao famoso cassino no

principado de Mnaco, uma metodologia muito poderosa. Para o
exerccio de uma profisso, a simulao abre as portas para a resoluo
de problemas difceis e complexos, ainda que prticos, com grande facilidade. A
simulao Monte Carlo cria futuros artificiais gerando at milhes de caminhos
de amostras de resultados e observa suas caractersticas predominantes. Para os
analistas em uma empresa, cursar disciplinas de matemtica avanada no nvel de
ps-graduao simplesmente no lgico nem prtico. Um analista brilhante
usaria todas as ferramentas disponveis ao seu dispor para obter a mesma resposta
da maneira mais fcil e prtica possvel. Em todo caso, quando modelada
corretamente, a simulao Monte Carlo fornece respostas semelhantes aos
mtodos matematicamente mais elegantes. Assim, o que a simulao Monte
Carlo e como ela funciona?
2.1 O que a simulao Monte Carlo?

A simulao Monte Carlo na sua forma mais simples um gerador de nmeros
aleatrios til para previses, estimativas e anlises de risco. Uma simulao
calcula numerosos cenrios de um modelo escolhendo valores repetidamente de
uma distribuio de probabilidade predefinida pelo usurio para as variveis
incertas e usando esses valores no modelo. Todos esses cenrios produzem
resultados associados em um modelo, em que cada cenrio pode ter uma
previso. As previses so eventos (normalmente com frmulas ou funes) que
voc define como resultados importantes do modelo. Em geral, so eventos como
totais, lucro lquido ou despesas brutas.
De maneira simplificada, pense na simulao Monte Carlo como escolher bolas
de golfe de uma grande cesta repetidamente com reposies. O tamanho e a
forma da cesta depende dos valores de entrada da distribuio (por exemplo,
uma distribuio normal com uma mdia 100 e um desvio padro 10, comparada
com uma distribuio uniforme ou triangular) em que algumas cestas so mais
fundas ou mais simtricas do que outras, permitindo que certas bolas sejam
tiradas com mais frequncia do que outras. O nmero de bolas tiradas
repetidamente depende do nmero de tentativas simuladas. Para um modelo
grande com vrias suposies relacionadas, imagine o modelo grande como uma
16
cesta muito grande, com muitas cestas menores dentro. Cada cesta menor tem seu
prprio conjunto de bolas que esto se movimentando. Algumas vezes essas
cestas menores esto juntas umas das outras (se houver uma correlao entre as
variveis) e as bolas de golfe esto se movimentando em pares enquanto outras
se movimentam independentemente umas das outras. As bolas que so retiradas
de cada vez dessas interaes dentro do modelo (a cesta maior) so tabuladas e
registradas, fornecendo o resultado de sada da previso da simulao.
2.2 Introduo ao Risk Simulator

2.2.1 Viso geral de alto nvel do software
O software Risk Simulator tem vrios usos diferentes, incluindo simulao Monte
Carlo, previso, otimizao e anlise de risco.
O mdulo Simulao permite executar simulaes em modelos existentes

do Excel, gerar e extrair previses de simulao (distribuio de
resultados), executar o ajuste da distribuio (encontrar automaticamente
a distribuio estatstica mais adequada), calcular correlaes (manter
relaes entre variveis aleatrias simuladas), identificar sensibilidades
(criando grficos tornado e de sensibilidade), testar hipteses estatsticas
(encontrando diferenas estatsticas entre pares de previses), executar
uma simulao de bootstrap (testando a robustez das estatsticas do
resultado) e executar simulaes personalizadas e no paramtricas
(simulaes usando dados histricos sem especificar distribuies ou
parmetros de previso para fazer previses sem dados ou aplicar
previses de especialistas).
O mdulo Previso pode ser usado para gerar previses de sries

temporais automticas (com ou sem sazonalidade e tendncia), regresses
multivariadas (modelando relaes entre variveis), extrapolaes no
lineares (ajuste de curva), processos estocsticos (caminhos aleatrios,
reverses mdia, difuso com salto e processos mistos), ARIMA BoxJenkins (previses economtricas), AutoARIMA, econometria bsica e
autoeconometria (modelagem de relaes e gerao de previses), curvas
J exponenciais, curvas S logsticas, modelos GARCH e suas variaes
(modelagem e previso da volatilidade), modelos de mxima
verossimilhana para variveis dependentes limitadas (modelos logit, tobit
e probit), cadeias de Markov, linhas de tendncia, curvas spline, entre
outros.
O mdulo Otimizao usado para otimizar mltiplas variveis de

deciso sujeitas a restries para maximizar ou minimizar um objetivo.
Ele pode ser executado como uma otimizao esttica, dinmica ou
estocstica sob incerteza junto com a simulao Monte Carlo, ou como
uma otimizao estocstica com simulaes super-rpidas. O software
pode lidar com otimizaes lineares e no lineares com variveis binrias,
inteiras e contnuas, e tambm gerar fronteiras eficientes de Markowitz.
O mdulo Ferramentas analticas permite executar agrupamento por

segmentao, teste de hipteses, testes estatsticos de dados brutos,
17
diagnstico de dados de suposies de previses tcnicas (por exemplo,

heteroscedasticidade, multicolinearidade e semelhantes), anlises de
sensibilidade e de cenrio, anlise de grficos sobrepostos, grficos
aranha, grficos tornado e muitas outras ferramentas poderosas.
O Real Options Super Lattice Solver um software autnomo que

complementa o Risk Simulator e usado para resoluo de problemas de
opes reais simples ou complexos.
As prximas sees apresentam informaes bsicas sobre o uso do mdulo

Simulao do Risk Simulator. Para obter informaes mais detalhadas sobre as
aplicaes dos outros mdulos, consulte outros captulos. Para acompanhar,
verifique se voc tem o Risk Simulator instalado no computador antes de
continuar. recomendvel que primeiro voc assista aos vdeos de introduo
disponveis na Web (www.realoptionsvaluation.com/risksimulator.html) ou
tente fazer os exerccios passo a passo no final deste captulo antes de revisar o
texto deste captulo. Os vdeos e os exerccios so timas maneiras de preparar o
usurio imediatamente, ao passo que este captulo se concentra mais na teoria e
em explicaes detalhadas das propriedades de simulao.
2.2.2 Executar uma simulao Monte Carlo

Em geral, para executar uma simulao no seu modelo Excel existente, estas
etapas devem ser executadas:
1. Iniciar um novo perfil de simulao ou abrir um perfil existente
2. Definir valores de entrada nas clulas relevantes
3. Definir resultados de previso nas clulas relevantes
4. Executar a simulao
5. Interpretar os resultados
Iniciar um novo
perfil de simulao
Se desejar praticar, abra o arquivo de exemplo intitulado Modelo bsico de

simulao e siga os exemplos abaixo para criar uma simulao. O arquivo de
exemplo pode ser encontrado em Iniciar | Real Options Valuation | Risk
Simulator | Exemplos ou acessado diretamente em Risk Simulator | Modelos de
exemplo.
Para iniciar uma nova simulao, primeiro necessrio criar um perfil de
simulao. Um perfil de simulao contm um conjunto completo de instrues
sobre como executar uma simulao, por exemplo, todas as suposies,
previses, preferncias de execuo etc. O uso de perfis facilita a criao de
vrios cenrios de simulao. Ou seja, usando o mesmo modelo, possvel criar
vrios perfis, cada um com propriedades e requisitos de simulao especficos. A
mesma pessoa pode criar diferentes cenrios de teste usando suposies e
entradas de distribuio diferente ou vrias pessoas podem testar suposies e
entradas no mesmo modelo.
Inicie o Excel e crie um novo modelo ou abra um existente (voc pode

usar o exemplo do Modelo bsico de simulao para acompanhar)
Clique em Risk Simulator | Novo perfil de simulao
18
Especifique um ttulo para a simulao, alm de todas as informaes

pertinentes (Figura 2.1)
Figura 2.1 Novo perfil de simulao
Ttulo: A especificao do ttulo de uma simulao permite criar vrios

perfis de simulao em um nico modelo do Excel. Isso significa que
agora voc pode salvar diferentes perfis de cenrio de simulao no
mesmo modelo sem ter que excluir as suposies existentes e alter-las
sempre que um novo cenrio de simulao for necessrio. possvel
alterar o nome do perfil mais tarde (Risk Simulator | Editar perfil).
Nmero de tentativas: Insira o nmero de tentativas de simulao

necessrio. Ou seja, executar 1.000 tentativas significa que sero geradas
1.000 iteraes diferentes de resultados de acordo com os valores de
entrada. Voc pode alterar esse nmero se desejar, mas s so aceitos
inteiros positivos. O nmero padro de execues 1.000 tentativas. Voc
pode usar o controle de preciso e erro para ajudar a determinar
automaticamente quantas tentativas de simulao devem ser executadas
(consulte a seo sobre controle de preciso e erro para obter detalhes).
Pausar simulao em caso de erro: Se selecionado, a simulao ser

interrompida sempre que um erro for encontrado no modelo do Excel. Ou
seja, se o seu modelo encontrar um erro de clculo (por exemplo, alguns
valores de entrada gerados em uma tentativa de simulao podem resultar
em um erro de diviso por zero em uma das clulas da planilha), a
simulao ser interrompida. Isso importante para ajudar a auditar o
modelo do Excel a fim de verificar se ele no contm erros de clculo. No
entanto, se voc tiver certeza de que o modelo funciona, no ser
necessrio selecionar essa preferncia.
Ativar correlaes: Se selecionado, as correlaes entre pares de valores

de entrada sero calculadas. Caso contrrio, as correlaes sero todas
definidas como zero e a simulao ser executada supondo que no h
correlaes entre os valores de entrada. Por exemplo, a aplicao de
correlaes render resultados mais precisos se elas existirem de fato e
tender a resultar em uma confiana de previso mais baixa, se houver
19
correlaes negativas. Aps ativar as correlaes, voc poder definir os

coeficientes de correlao relevantes em cada suposio gerada (consulte
a seo sobre correlaes para obter mais detalhes).
Especifique a sequncia de nmeros aleatrios (propagao): A

simulao por definio apresentar resultados um pouco diferentes toda
vez que uma simulao for executada. Isso ocorre por causa da rotina de
gerao de nmeros aleatrios na simulao Monte Carlo e um fato
terico em todos os geradores de nmeros aleatrios. No entanto, ao criar
apresentaes, possvel que voc precise dos mesmos resultados
(principalmente quando o relatrio apresentado exibe um conjunto de
resultados que tambm devem ser exibidos durante uma apresentao ao
vivo, ou quando voc compartilha modelos com outras pessoas e deseja
que os mesmos resultados sejam obtidos sempre). Nesses casos, selecione
essa preferncia e insira um nmero de propagao inicial. O nmero de
propagao pode ser qualquer inteiro positivo. Usando o mesmo valor de
propagao inicial, o mesmo nmero de tentativas e os mesmos valores de
entrada, a simulao sempre apresentar a mesma sequncia de nmeros
aleatrios, garantindo o mesmo conjunto final de resultados.
Observe que depois de criado um novo perfil de simulao, voc poder

modificar essas selees. Para fazer isso, verifique se o perfil ativo atual aquele
que voc deseja modificar; caso contrrio, clique em Risk Simulator | Alterar
perfil de simulao, selecione o perfil que deseja alterar e clique em OK (a
Figura 2.2 mostra um exemplo com vrios perfis e como ativar um perfil
selecionado). Em seguida, clique em Risk Simulator | Editar perfil de simulao
e faa as alteraes necessrias. Tambm possvel duplicar ou renomear um
perfil existente. Ao criar vrios perfis no mesmo modelo do Excel, d um nome
exclusivo a cada perfil para poder diferenci-los depois. Alm disso, esses perfis
so armazenados dentro de setores ocultos do arquivo *.xls do Excel e voc no
precisa salvar nenhum arquivo adicional. Os perfis e os respectivos contedos
(suposies, previses etc.) so automaticamente salvos quando voc salva o
arquivo do Excel. Por fim, o ltimo perfil ativo quando voc sai do Excel e salva
o arquivo ser aberto na prxima vez que o arquivo do Excel for acessado.
Figura 2.2 Alterar simulao ativa

20
Definir valores de
entrada
A prxima etapa definir os valores de entrada em seu modelo. Observe que as

suposies podem ser atribudas somente a clulas que no contm equaes ou
funes, por exemplo, valores numricos inseridos que sejam entradas em um
modelo, enquanto os resultados de previso podem ser atribudos somente a
clulas que contm equaes e funes, por exemplo, os resultados de um
modelo. Lembre-se de que as suposies e previses no podem ser definidas a
menos que j exista um perfil de simulao. Para definir novos valores de entrada
no modelo, faa o seguinte:
Verifique se existe um perfil de simulao, abra um perfil existente ou

inicie um novo perfil (Risk Simulator | Novo perfil de simulao)
Selecione a clula na qual deseja definir uma suposio (por exemplo, a

clula G8 no exemplo do modelo bsico de simulao)
Clique em Risk Simulator | Definir valores de entrada ou clique no cone

Definir valores de entrada na barra de ferramentas de cones do Risk
Simulator
Selecione a distribuio desejada e insira os parmetros de distribuio

relevantes (por exemplo, distribuio Triangular com 1,5; 2,0; 2,5 como
os valores mnimo, mximo e mais provvel) e clique em OK para inserir
os valores de entrada no modelo (Figura 2.3)
Figura 2.3 Definir um valor de entrada

Observe que voc tambm pode definir suposies selecionando a clula na qual
deseja definir a suposio e clicando com o boto direito do mouse, acesse o
menu de atalho do Risk Simulator para definir valores de entrada. Alm disso,
para usurios experientes, possvel definir valores de entrada usando as
Funes RS do Risk Simulator: selecione a clula desejada e, no Excel, clique
em Inserir, Funo e selecione Todas as Categorias e role para baixo at a lista
21
de funes RS (no recomendvel usar as funes RS se voc no um usurio

experiente). Para os exemplos a seguir, siga as instrues bsicas sobre como
acessar menus e cones.
Observe que em Propriedades da suposio, h vrias reas que merecem ser
mencionadas. A Figura 2.4 mostra as diferentes reas:
Nome da suposio: Esta uma rea opcional que permite inserir nomes
exclusivos para as suposies com o intuito de ajudar a rastrear o que cada
uma delas representa. Uma boa prtica de modelagem usar nomes
curtos, mas precisos para as suposies.
Galeria de distribuies: Esta rea esquerda mostra todas as

distribuies diferentes disponveis no software. Para alterar as exibies,
clique com o boto direito do mouse na galeria e selecione cones grandes,
cones pequenos ou lista. H dezenas de distribuies disponveis.
Parmetros de entrada: Dependendo da distribuio selecionada, so

mostrados os parmetros obrigatrios relevantes. Voc pode inserir os
parmetros diretamente ou vincul-los a clulas especficas na sua
planilha. A incluso de parmetros por codificao ou digitao til
quando se supe que os parmetros da suposio no se alteram. A
vinculao a clulas da planilha til quando os parmetros de entrada
precisam ser visveis ou podem ser alterados (clique no cone de vnculo
para vincular um parmetro de entrada a uma clula da planilha).
Habilitar limite de dados: Em geral, este recurso no usado pela

maioria dos analistas, mas existe para truncar as suposies de
distribuio. Por exemplo, se uma distribuio normal for selecionada, os
limites tericos estaro entre o infinito negativo e o infinito positivo. No
entanto, na prtica, a varivel simulada existe apenas dentro de uma faixa
menor que pode ser inserida para truncar a distribuio de maneira
apropriada.
Correlaes: possvel atribuir correlaes de paridade a valores de

entrada. Se forem necessrias suposies, marque a preferncia Ativar
correlaes clicando em Risk Simulator Editar perfil de simulao.
Consulte a seo sobre correlaes mais adiante neste captulo para obter
mais detalhes sobre a atribuio de correlaes e seus efeitos em um
modelo. Observe que voc pode truncar uma distribuio ou correlacionla a outra suposio, mas no as duas coisas.
Descries resumidas: Elas existem para cada uma das distribuies da

galeria. As descries resumidas explicam quando uma determinada
distribuio usada, bem como os parmetros de entrada obrigatrios.
Consulte a seo Noes bsicas sobre distribuies de probabilidade na
simulao Monte Carlo para obter detalhes sobre cada tipo de distribuio
disponvel no software.
Entrada normal e Entrada de percentil: Estas opes permitem

executar um teste rpido de due diligence nos valores de entrada. Por
exemplo, se estiver definindo uma distribuio normal com algumas
entradas de mdia e desvio padro, voc poder clicar na entrada de
percentil para ver quais so os 10 e 90 percentis correspondentes.
22
Habilitar simulaes dinmicas: Por padro, esta opo no

selecionada, mas para executar uma simulao multidimensional (por
exemplo, se voc vincular os parmetros de entrada da suposio a outra
clula que seja uma suposio, sero simuladas as entradas ou a
simulao), portanto, lembre-se de selecionar esta opo. A simulao
dinmica s funciona se as entradas esto vinculadas a outros valores de
entrada alterveis.
Figura 2.4 Propriedades da suposio

Nota: Se voc estiver acompanhando com o exemplo, continue definindo outra
suposio na clula G9. Desta vez, use a distribuio Uniforme com os valores
mnimo 0,85 e mximo 1,25. Em seguida, defina os resultados de previso na
prxima etapa.
Definir resultados
de previso
A prxima etapa definir os resultados de previso no modelo. As previses s

podem ser definidas em clulas de resultado com equaes ou funes. O
processo de definio de previso descrito a seguir:
Selecione a clula na qual deseja definir uma suposio (por exemplo, a

clula G10 no exemplo do modelo bsico de simulao)
Clique em Risk Simulator e selecione Definir resultado de previso ou

clique no cone de definio de resultado de previso na barra de
ferramentas de cones do Risk Simulator (Figura 1.3)
Insira as informaes relevantes e clique em OK
Observe que voc tambm pode definir resultados de previso selecionando a

clula na qual deseja definir a suposio e clicando com o boto direito do
mouse, acesse o menu de atalho do Risk Simulator para definir resultados de
previso.
23
A Figura 2.5 ilustra as propriedades da previso.
Nome da previso: Especifique o nome da clula de previso. Isso

importante porque, quando voc tem um modelo grande com vrias
clulas de previso, nome-las individualmente permite acessar os
resultados rapidamente. No subestime a importncia dessa etapa simples.
Uma boa prtica de modelagem usar nomes curtos, mas precisos para as
suposies.
Preciso de previso: Em vez de confiar em uma estimativa aleatria de

quantas tentativas devem ser executadas na simulao, voc pode
configurar controles de preciso e erro. Quando uma combinao de erropreciso for obtida, a simulao ser pausada e voc ser informado da
preciso obtida, automatizando o processo de determinado do nmero de
tentativas da simulao que no requer palpites sobre o nmero de
tentativas necessrias. Releia a seo sobre controle de erro e preciso
para obter detalhes mais especficos.
Mostrar janela de previso: Permite ao usurio mostrar ou no uma

determinada janela de previso. O padro sempre mostrar um grfico de
previso.
Figura 2.5 Definir resultado de previso
Executar a
simulao
Se tudo estiver correto, clique em Risk Simulator | Executar simulao ou

clique no cone Executar na barra de ferramentas do Risk Simulator e a
simulao continuar. Voc tambm pode redefinir uma simulao depois que
ela for executada para execut-la novamente (Risk Simulator | Redefinir
simulao ou o cone Redefinir simulao na barra de ferramentas) ou paus-la
durante uma execuo. Alm disso, a funo etapa (Risk Simulator | Simulao
por etapas ou o cone Simulao por etapas na barra de ferramentas) permite
simular uma nica tentativa de cada vez, o que til para ensinar outras pessoas
sobre simulao (por exemplo, voc pode mostrar que em cada tentativa, todos os
valores nas clulas de suposio so substitudos e o modelo inteiro recalculado
24
a cada vez). Voc tambm pode acessar o menu Executar simulao clicando
com o boto direito do mouse em qualquer lugar no modelo e selecionando
Executar simulao.
O Risk Simulator tambm permite executar a simulao em uma velocidade
extremamente rpida, chamada super-rpida. Para fazer isso, clique em Risk
Simulator Executar simulao super-rpida ou use o cone Super-rpido.
Observe a diferena de velocidade da simulao super-rpida quando executada.
Para praticar, clique em Redefinir simulao e Editar perfil de simulao, altere
Nmero de tentativas para 100.000 e clique em Executar simulao superrpida. A execuo demora apenas alguns segundos. No entanto, lembre-se de
que a simulao super-rpida no ser executada se o modelo tiver erros, cdigo
VBA (Visual Basic for Applications) ou vnculos para aplicativos ou fontes de
dados externas. Nessas situaes, voc ser notificado e a simulao ser
executada em velocidade normal. As simulaes em velocidade normal sempre
so executadas, mesmo que contenham erros, cdigo VBA ou vnculos externos.
Interpretao dos
resultados de
previso
A ltima etapa da simulao Monte Carlo interpretar os grficos de previso

resultantes. As Figuras 2.6 a 13 mostram grficos de previso e as estatsticas
correspondentes geradas aps a execuo da simulao. Os itens a seguir
geralmente so importantes para interpretar os resultados de uma simulao:
Grfico de previso: O grfico de previso mostrado na Figura 2.6 um

histograma de probabilidade que mostra a contagem da frequncia dos
valores que ocorrem no nmero total de tentativas simuladas. A barra
vertical mostra a frequncia com que um valorx especfico ocorre no total
de tentativas, enquanto a frequncia cumulativa (linha suave) mostra as
probabilidades totais de todos os valores que ocorrem na previso em x e
abaixo dele.
Estatsticas de previso: As estatsticas de previso mostradas na Figura

2.7 resumem a distribuio dos valores de previso nos quatro momentos
de uma distribuio. Consulte a seo Noes bsicas sobre estatsticas
de previso para obter mais detalhes sobre o significado de algumas
dessas estatsticas. Para alternar entre as guias Histograma e Estatsticas,
pressione a barra de espao.
25
Figura 2.6 Grfico de previso
Figura 2.7 Estatsticas de previso
Preferncias: A guia Preferncias no grfico de previso permite alterar a

aparncia dos grficos. Por exemplo, se Sempre visvel estiver
selecionado, os grficos de previso ficaro sempre visveis,
independentemente de qualquer outro software que esteja sendo
executado no computador. Resoluo do histograma permite alterar o
nmero de compartimentos do histograma, de 5 a at 100
compartimentos. Alm disso, a seo Atualizao de dados permite
controlar a velocidade de execuo da simulao e a frequncia em que o
26
grfico de previso atualizado. Ou seja, se voc deseja que o grfico de

previso seja atualizado em quase todas as tentativas, isso diminuir a
velocidade da simulao, porque alocada mais memria para a
atualizao do grfico do que para a execuo da simulao. Isso
meramente uma preferncia do usurio e no altera os resultados da
simulao, apenas a velocidade com a qual ela ser concluda. Para
aumentar a velocidade da simulao, minimize o Excel enquanto a
simulao estiver sendo executada. Isso reduz a quantidade de memria
necessria para atualizar visivelmente a planilha do Excel e libera
memria para executar a simulao. As opes Limpar tudo e Minimizar
tudo controlam todos os grficos de previso abertos.
Figura 2.8 Preferncias do grfico de previso
Opes: Esta opo do grfico de previso permite mostrar todos os

dados de previso ou filtrar valores que estejam dentro de um intervalo
especfico escolhido por voc ou dentro de um desvio padro de sua
escolha. Alm disso, o nvel de preciso pode ser definido aqui para a
previso especfica a fim de mostrar os nveis de erro na exibio das
estatsticas. Consulte a seo sobre controle de erro e preciso para obter
mais detalhes. Mostrar estas estatsticas uma preferncia do usurio se
for necessrio exibir as linhas de mdia, mediana, primeiro e quarto
quartis (25 e 75 percentis) no grfico de previso.
Controles: Esta guia tem todas as funcionalidades que permitem alterar o

tipo, a cor, o tamanho, o zoom, a inclinao, 3D e outras caractersticas do
grfico de previso. Ela tambm fornece grficos sobrepostos (FDP,
FDA) e executa ajuste da distribuio nos dados de previso (consulte a
seo Ajuste de dados para obter mais detalhes sobre essa metodologia).
27
Figura 2.9 Opes e controles do grfico de previso
Usar grficos de
previso e intervalos
de confiana
Nos grficos de previso, voc pode determinar a probabilidade de ocorrncia,

denominada intervalos de confiana. Ou seja, dados dois valores, quais so as
chances de o resultado estar entre um desses dois valores? A Figura 2.10 ilustra
que h uma probabilidade de 90% de que o resultado final (nesse caso, o nvel de
renda) estar entre $0,5565 e $1,3423. Para obter o intervalo de confiana
bicaudal, primeiro selecione o tipo Bicaudal, insira o valor de certeza desejado
(por exemplo, 90) e pressione TAB. Os dois valores calculados que
correspondem ao valor de certeza sero exibidos. Nesse exemplo, h uma
probabilidade de 5% de que a renda esteja abaixo de $0,5565 e outros 5% de
28
probabilidade de que a renda esteja acima de $1,3423. Ou seja, o intervalo de

confiana bicaudal um intervalo simtrico centrado na mediana ou no valor do
50 percentil. Dessa forma, ambas as caudas tero a mesma probabilidade.
Figura 2.10 Intervalo de confiana bicaudal do grfico de previso

Como alternativa, pode-se calcular uma probabilidade unicaudal. A Figura 2.11
mostra a seleo da cauda esquerda com 95% de confiana (por exemplo, escolha
o tipo Cauda esquerda , insira 95 como o nvel de certeza e pressione a tecla
TAB). Isso significa que h uma probabilidade de 95% de o rendimento estar
abaixo de $1,3423 ou uma probabilidade de 5% de que a renda esteja acima de
$1,3423, correspondendo perfeitamente aos resultados vistos na Figura 2.10.
Figura 2.11 Intervalo de confiana unicaudal do grfico de previso

Alm de avaliar qual o intervalo de confiana (ou seja, dado um nvel de
probabilidade e encontrando os valores de renda relevantes), voc pode
29
determinar a probabilidade de uma renda especfica. Por exemplo, qual a

probabilidade de a renda ser menor ou igual a $1? Para fazer isso, selecione o
tipo de probabilidade Cauda esquerda , insira 1 na caixa de entrada de valor e
pressione a tecla TAB. A certeza correspondente ser calculada. Nesse caso h
uma probabilidade de 59,70% de a renda ser menor ou igual a $1.
Figura 2.12 Avaliao da probabilidade do grfico de previso

Para garantir a integridade, selecione o tipo de probabilidade Cauda direita >,
insira o valor 1 na caixa de entrada de valor e pressione a tecla TAB. A
probabilidade resultante indicar a probabilidade de cauda direita depois do valor
1, ou seja, a probabilidade de a renda exceder $1. Nesse caso, percebe-se que h
uma probabilidade de 40,30% de a renda exceder $1. A soma de 59,70% e
40,30% , evidentemente, 100%: a probabilidade total abaixo da curva.
Figura 2.13 Avaliao da probabilidade do grfico de previso
30
DICAS
Para redimensionar a janela de previso, clique no canto inferior direito da

janela e arraste. recomendvel redefinir a simulao atual sempre antes
de executar uma simulao novamente. Para fazer isso, selecione Risk
Simulator | Redefinir simulao.
Pressione a tecla TAB para atualizar o grfico e os resultados quando

inserir os valores de certeza ou valores de cauda direita e esquerda.
Voc tambm pode pressionar a barra de espao repetidamente para

alternar entre as guias Histograma, Estatsticas, Preferncias, Opes e
Controle.
Alm disso, se voc clicar em Risk Simulator | Opes, ter vrias opes
diferentes do Risk Simulator, incluindo permitir que o Risk Simulator seja
iniciado sempre com o Excel ou somente quando voc quiser (v para
Iniciar | Programas | Real Options Valuation | Risk Simulator | Risk
Simulator), alterar as cores das clulas de suposies e previses, bem
como ativar e desativar os comentrios nas clulas , que permitem ver
quais clulas so valores de entrada e quais so resultados de previso e
seus respectivos parmetros e nomes de entrada. Dedique alguns
momentos a experimentar os resultados e os vrios atrativos do grfico de
previso, especialmente a guia Controles.
2.3 Controle de correlao e preciso

2.3.1 Noes bsicas de correlaes
O coeficiente de correlao uma medida da fora e da direo da relao entre
duas variveis, e aceita qualquer valor entre 1,0 e +1,0. Ou seja, o coeficiente de
correlao pode ser decomposto em seu sinal (relao positiva ou negativa entre
duas variveis) e a magnitude ou fora da relao (quanto mais alto o valor
absoluto do coeficiente de correlao, mais forte a relao).
O coeficiente de correlao pode ser calculado de vrias maneiras. A primeira
abordagem calcular manualmente a correlao r de duas variveis x e y usando:
rx , y
n xi y i xi y i
n xi2 xi
n y i2 y i
A segunda abordagem usar a funo CORREL do Excel. Por exemplo, se os 10

pontos de dados para x e y forem listados nas clulas A1:B10, ento a funo do
Excel a ser usada ser CORREL (A1:A10, B1:B10).
A terceira abordagem executar a ferramenta Multiajuste do Risk Simulatore a
matriz de correlao resultante ser calculada e exibida.
importante observar que a correlao no significa causalidade. Duas variveis
aleatrias completamente no relacionadas podem exibir alguma correlao, mas
isso no significa qualquer relao de causa entre as duas (por exemplo, a
31
atividade solar e eventos no mercado de aes so correlacionadas, mas no

existe nenhuma relao causal entre as duas).
H dois tipos gerais de correlao: correlao paramtrica e no paramtrica. O
coeficiente de correlao de Pearson a medida de correlao mais comum.
Normalmente se refere a ele simplesmente como coeficiente de correlao. No
entanto, a correlao de Pearson uma medida paramtrica, o que significa que
requer que as duas variveis correlacionadas tenham uma distribuio normal
subjacente e que a relao entre as variveis seja linear. Quando essas duas
condies so violadas, que frequentemente o caso na simulao Monte Carlo,
os contrapontos no paramtricos se tornam mais importantes. A correlao de
ranking de Spearman e Tau de Kendall so as duas alternativas. A correlao de
Spearman normalmente a mais usada e a mais apropriada quando aplicada no
contexto da simulao Monte Carlo no h dependncia ou linearidade em
distribuies normais, o que quer dizer que correlaes entre variveis diferentes
com distribuies diferentes podem ser aplicadas. Para calcular a correlao de
Spearman, primeiro classifique todos os valores das variveis x e y e depois
aplique o clculo da correlao de Pearson.
No caso do Risk Simulator, a correlao usada a correlao de ranking de
classificao de Spearman no paramtrica. No entanto, para simplificar o
processo de simulao e ser consistente com a funo de correlao do Excel, as
entradas de correlao obrigatrias so as do coeficiente de correlao de
Pearson. O Risk Simulator aplicar seus prprios algoritmos para convert-las na
correlao de ranking de Spearman, simplificando o processo. Porm, para
simplificar a interface do usurio, os usurios podem inserir a correlao de
Pearson de produto e momento mais comum (por exemplo, as calculadas usando
a funo CORREL do Excel), enquanto nos cdigos matemticos, essas
correlaes simples so convertidas em correlaes baseadas no ranking de
Spearman para simulaes de distribuio.
2.3.2 Aplicao
No Risk Simulator, as correlaes podem ser aplicadas de diversas maneiras:
Ao definir suposies (Risk Simulator Definir valores de entrada),

insira as correlaes na grade da matriz de correlao na Galeria de
distribuies.
Com os dados existentes, execute a ferramenta Multiajuste (Risk

Simulator FerramentasAjuste da distribuioMltiplas variveis)
para executar o ajuste da distribuio e obter a matriz de correlao entre
variveis de paridade. Se existir um perfil de simulao, as suposies
ajustadas contero automaticamente os valores relevantes de correlao.
Para suposies existentes, clique em Risk Simulator Ferramentas

Editar correlaes para inserir as correlaes de paridade de todas as
suposies diretamente na interface.
Observe que a matriz de correlao deve ser definida positiva. Ou seja, a

correlao deve ser matematicamente vlida. Por exemplo, suponha que voc
esteja tentando correlacionar trs variveis: notas de alunos de ps-graduao em
um determinado ano, o nmero de cervejas que eles consomem por semana e o
32
nmero de horas que estudam por semana. Algum pode supor que exista a
seguinte correlao:
Notas e cerveja:
para as provas)
Quanto mais eles bebem, mais baixas as notas (no aparecem
Notas e estudo: +
Quanto mais eles estudam, mais altas as notas
Cerveja e estudo:
o tempo todo)
Quanto mais eles bebem, menos estudam (bebem e vo a festas
No entanto, se voc inserir uma correlao negativa entre notas e estudo, e

supondo que os coeficientes de correlao tm muita magnitude, a matriz de
correlao ser definida no positiva. Isso desafiaria a lgica, os requisitos de
correlao e a matemtica da matriz. No entanto, alguns coeficientes pequenos
podem funcionar ainda que com a lgica incorreta. Quando uma matriz de
correlao no positiva ou incorreta for inserida, o Risk Simulator informar
automaticamente e se oferecer para ajustar essas correlaes para algo que seja
definido semipositivo e ainda manter a estrutura geral da relao de correlao
(os mesmos sinais e as mesmas foras relativas).
2.3.3 Efeitos da correlao na simulao Monte Carlo

Embora os clculos necessrios para correlacionar variveis em uma simulao
sejam complexos, os efeitos resultantes so muito claros. A Figura 2.14 mostra
um modelo de correlao simples (Modelo de efeitos de correlao, na pasta de
exemplo). O clculo da receita simplesmente o preo multiplicado pela
quantidade. O mesmo modelo aplicado novamente para ausncia de
correlaes, correlao positiva (+0,8) e correlao negativa (0,8) entre preo e
quantidade.
Figura 2.14 Modelo de correlao simples

As estatsticas resultantes so mostradas na Figura 2.15. Observe que o desvio
padro do modelo sem correlaes 0,1450, comparado a 0,1886 para a
correlao positiva e 0,0717 para a correlao negativa. Ou seja, para modelos
simples, correlaes negativas tendem a reduzir o spread mdio da distribuio e
criar uma distribuio de previso mais concentrada se comparada a correlaes
33
positivas com spreads mdios maiores. De qualquer forma, a mdia permanece

relativamente estvel. Isso significa que as correlaes no afetam muito o valor
esperado de projetos, mas podem reduzir ou aumentar o risco de um projeto.
Figura 2.15 Resultados de correlao

A Figura 2.16 ilustra os resultados depois de executar uma simulao, extrair os
dados brutos das suposies e calcular as correlaes entre as variveis. A figura
mostra que as suposies de entrada so recuperadas na simulao. Ou seja, voc
insere as correlaes +0,8 e 0,8 e os valores simulados resultantes tm as
mesmas correlaes.
34
Figura 2.16 Correlaes recuperadas
2.3.4 Controle de preciso e erro

Uma ferramenta muito eficiente na simulao Monte Carlo o controle de
preciso. Por exemplo, qual o nmero de tentativas, suficiente para executar
em um modelo complexo? O controle de preciso elimina a adivinhao para
estimar o nmero relevante de tentativas, permitindo que a simulao pare
quando o nvel de preciso pr-especificado for atingido.
A funcionalidade de controle de preciso permite definir o nvel de preciso que
voc deseja que a previso tenha. De modo geral, quanto mais tentativas forem
calculadas, menor o intervalo de confiana e mais precisas as estatsticas. O
recurso de controle de preciso do Risk Simulator usa a caracterstica dos
intervalos de confiana para determinar quando uma preciso especfica de uma
estatstica foi atingida. Para cada previso, voc pode definir o intervalo de
confiana especfico para o nvel de preciso.
No confunda trs termos muito diferentes: erro, preciso e confiana. Apesar
de serem aparentemente semelhantes, os conceitos so muito diferentes um do
outro. A explicao vem a seguir. Suponha que voc um fabricante de tortilhas
que est interessado em descobrir quantas tortilhas quebradas existem, em mdia,
em uma caixa de 100 tortilhas. Uma maneira de fazer isso coletar uma amostra
de caixas pr-empacotadas de 100 tortilhas, abri-las e contar quantas esto
quebradas. Voc fabrica 1 milho de caixas por dia (essa a sua populao), mas
voc abre aleatoriamente 10 caixas (esse o tamanho da sua amostra, tambm
conhecido como o nmero de tentativas em uma simulao). O nmero de
tortilhas quebradas em cada caixa o seguinte: 24, 22, 4, 15, 33, 32, 4, 1, 45 e 2.
O nmero mdio calculado de tortilhas quebradas 18,2. Com base nessas 10
amostras ou tentativas, a mdia 18,2 unidades, enquanto com base na amostra,
o intervalo de confiana de 80 por cento est entre 2 e 33 unidades (ou seja, 80
por cento do tempo, o nmero de tortilhas quebradas est entre 2 e 33 com base
nesse tamanho da amostra ou no nmero de tentativas executadas). No entanto,
como ter certeza de que 18,2 a mdia correta? Seriam 10 tentativas o suficiente
para estabelecer isso? O intervalo de confiana entre 2 e 33 muito amplo e
muito varivel. Suponha que voc queira um valor de mdia mais preciso, no
qual o erro 2 tortilhas 90 por cento do tempo isso significa que se voc
abrir cada uma das 1 milho de caixas fabricadas em um dia, 900.000 delas tero
35
em mdia 2 tortilhas quebradas. Quantas caixas de tortilhas adicionais seriam

necessrias na amostra (ou tentativas executadas) para obter esse nvel de
preciso? Aqui, as 2 tortilhas so o nvel de erro enquanto os 90 por cento so o
nvel de preciso. Se um nmero suficiente de tentativas for executado, o
intervalo de confiana de 90 por cento ser idntico ao nvel de preciso de 90
por cento, no qual uma medida mais precisa da mdia obtida de forma que em
90 por cento do tempo, o erro e, portanto, a confiana, ser 2 tortilhas. Como
exemplo, digamos que a mdia seja 20 unidades, ento o intervalo de confiana
de 90 por cento estar entre 18 e 22 unidades, ou seja, o intervalo preciso 90
por cento do tempo, em que ao abrir todas as 1 milho de caixas, 900.000 delas
tero entre 18 e 22 tortilhas quebradas. O nmero de tentativas necessrias para
atingir essa preciso baseado na equao de erro de amostragem x Z
onde Z
s
n
s
n
o erro de 2 tortilhas, x a mdia da amostra, Z a pontuao
Znormal-padro obtida do nvel de preciso de 90 por cento, s o desvio padro

da amostra e n o nmero de tentativas necessrias para atingir esse nvel de erro
com a preciso especificada. As Figuras 2.17 e 2.18 ilustram como o controle de
preciso pode ser executado em vrias previses simuladas no Risk Simulator.
Com esse recurso, o usurio no precisa decidir quantas tentativas executar em
uma simulao e elimina todas as possibilidades de adivinhao. A Figura 2.17
ilustra o grfico de previso com um nvel de previso definido como 95%. Esse
valor pode ser alterado e ser refletido na guia Estatsticas como mostra a Figura
2.18.
Figura 2.17 Configurao do nvel de preciso da previso
36
Figura 2.18 Clculo do erro
37
2.3.5 Noes bsicas sobre as estatsticas de previso

A maioria das distribuies pode ser definida em at quatro momentos. O
primeiro momento descreve sua localizao ou tendncia central (retorno
esperado), o segundo momento descreve sua largura ou spread (riscos), o terceiro
momento descreve sua obliquidade direcional (eventos mais provveis) e o
quarto momento descreve os picos ou a espessura das caudas (perdas ou ganhos
catastrficos). Todos os quatro momentos devem ser calculados na prtica e
interpretados para fornecer uma viso mais abrangente do projeto analisado. O
Risk Simulator fornece os resultados de todos os quatro momentos em sua
exibio Estatsticas nos grficos de previso.
Medida do centro da
distribuio:
primeiro momento
O primeiro momento de uma distribuio mede a taxa de retorno esperada de um

projeto especfico. Ele mede a localizao dos cenrios do projeto e os possveis
resultados em mdia. As estatsticas comuns para o primeiro momento incluem a
mdia, a mediana (centro de uma distribuio) e a moda (valor que ocorre mais
normalmente). A Figura 2.19 ilustra o primeiro momento. Nesse caso, o primeiro
momento dessa distribuio medido pelo valor mdio ().
Figura 2.19 Primeiro momento
Medida do spread da
distribuio:
segundo momento
O segundo momento mede o spread de uma distribuio, que uma medida de

risco. O spread ou a largura de uma distribuio mede a variabilidade de uma
varivel, ou seja, o potencial que a varivel tem de cair em regies diferentes da
distribuio, em outras palavras, os cenrios potenciais de resultados. A Figura
2.20 ilustra duas distribuies com primeiros momentos idnticos (mdias
idnticas), mas segundos momentos ou riscos muito diferentes. A Figura 2.21
evidencia isso. Por exemplo, suponha que existem duas aes e os movimentos
da primeira ao (linha mais escura) com a menor flutuao so comparados com
os movimentos da segunda ao (linha pontilhada) com uma flutuao de preo
muito maior. Nitidamente um investidor veria a ao com a maior flutuao
como sendo mais arriscada, pois os resultados da ao mais arriscada so
relativamente mais imprevisveis do que os da ao menos arriscada. O eixo
vertical na Figura 2.21 mede os preos das aes, assim, a ao mais arriscada
tem uma faixa mais ampla de resultados potenciais. Essa faixa representada
como a largura de uma distribuio (o eixo horizontal) na Figura 2.20, no qual a
distribuio mais ampla representa o ativo mais arriscado. Assim, a largura ou o
spread de uma distribuio mede os riscos de uma varivel.
38
Observe que na Figura 2.20, as duas distribuies tm um primeiro momento ou

tendncias centrais idnticas, mas nitidamente as distribuies so muito
diferentes. Essa diferena na largura da distribuio mensurvel. Matemtica e
estatisticamente, a largura ou o risco de uma varivel pode ser medido por meio
de vrias estatsticas diferentes, incluindo a faixa, o desvio padro (), a
varincia, o coeficiente de variao e os percentis.
Figura 2.20 Segundo momento
Figura 2.21 Flutuaes no preo das aes
Medida da
obliquidade da
distribuio:
terceiro momento
O terceiro momento mede a obliquidade de uma distribuio, ou seja, como a

distribuio arrastada para um lado ou para o outro. A Figura 2.22 ilustra uma
obliquidade negativa ou para a esquerda (a cauda da distribuio aponta para a
esquerda) e a Figura 2.23 mostra uma obliquidade positiva ou para a direita (a
cauda da distribuio aponta para a direita). A mdia sempre inclinada na
direo da cauda da distribuio enquanto a mediana permanece constante. Outra
maneira de analisar isso que a mdia se move, mas o desvio padro, a varincia
39
ou a largura pode ainda permanecer constante. Se o terceiro momento no for

considerado, analisando apenas os retornos esperados (por exemplo, a mediana
ou a mdia) e o risco (desvio padro), um projeto positivamente inclinado
poderia ser incorretamente escolhido! Por exemplo, se o eixo horizontal
representa a receita lquida de um projeto, poderia se preferir uma distribuio
com obliquidade negativa, ou inclinada para esquerda, j que h uma
probabilidade mais alta de maiores retornos (Figura 2.22) se comparada a uma
probabilidade mais alta de retornos de nvel mais baixo (Figura 2.23). Portanto,
em uma distribuio inclinada, a mediana uma medida melhor dos retornos, j
que as medianas das Figuras 2.22 e 2.23 so idnticas, os riscos so idnticos e,
portanto, um projeto com uma distribuio negativamente inclinada do lucro
lquido uma melhor opo. A desconsiderao da obliquidade de distribuio
de um projeto pode ocasionar a escolha do projeto errado. Por exemplo, dois
projetos podem ter o primeiro e o segundo momentos idnticos, ou seja, ambos
podem ter perfis de retorno e risco idnticos, mas suas obliquidades de
distribuio podem ser bastante diferentes.
Figura 2.22 Terceiro momento (obliquidade para a esquerda)
Figura 2.23 Terceiro momento (obliquidade para a direita)
Medida dos eventos

de cauda
catastrficos em
uma distribuio:
quarto momento
O quarto momento, ou curtose, mede os picos de uma distribuio. A Figura 2.24

ilustra esse efeito. O plano de fundo (denotado pela linha pontilhada) uma
distribuio normal com curtose 3,0 ou curtose excessiva (CurtoseXS) 0.0. Os
resultados do Risk Simulator mostram o valor de CurtoseXS, usando 0 como o
nvel normal de curtose, o que significa que CurtoseXS negativa indica caudas
mais achatadas (distribuies platicrticas como a distribuio uniforme),
enquanto valores positivos indicam caudas mais pesadas (distribuies
leptocrticas como a distribuio T de Student ou a lognormal). A distribuio
descrita pela linha em negrito tem uma curtose excessiva mais alta, logo a rea
40
abaixo da curva mais espessa nas caudas com rea menor no centro. Essa
condio tem impactos importantes sobre a anlise de risco. Por exemplo, nas
duas distribuies na Figura 2.24, os primeiros trs momentos (mdia, desvio
padro e obliquidade) podem ser idnticos, mas o quarto momento (curtose)
diferente. Essa condio significa que, apesar de os retornos e riscos serem
idnticos, as probabilidades de eventos extremos e catastrficos (grandes perdas
ou ganhos potenciais) ocorrerem so mais altas para uma distribuio de curtose
mais alta (por exemplo, retornos do mercado acionrio so leptocrticos ou tm
curtose alta). Ignorar a curtose de um projeto pode ser prejudicial. Geralmente
um valor mais alto de curtose excessiva indica que a os riscos negativos so mais
altos, por exemplo, o valor em risco (VaR) de um projeto pode ser significativo.
Figura 2.24 Quarto momento
Funes dos
momentos
Voc j se perguntou por que essas estatsticas de risco so chamadas de

momentos? No jargo matemtico, momento significa elevado potncia de
algum valor. Em outras palavras, o terceiro momento significa que em uma
equao, trs mais provavelmente a maior potncia. Na verdade, as equaes
abaixo ilustram as funes e aplicaes matemticas de alguns momentos para
uma estatstica de amostra. Por exemplo, observe que a potncia mais alta para a
mdia do primeiro momento um, o desvio padro do segundo momento dois,
a obliquidade do terceiro momento trs e a potncia mais alta para o quarto
momento quatro.
Primeiro momento: mdia aritmtica ou mdia simples (amostra)
n
x
i 1
A funo equivalente do Excel MDIA
Segundo momento: desvio padro (amostra)

n
( x
x )2
A funo equivalente do Excel DESVPAD para o desvio

n 1
padro de uma amostra
i 1
A funo equivalente do Excel DESVPADP para o desvio

padro de uma populao
41
Terceiro momento: obliquidade

n
( xi x )3 A
n
(n 1)(n 2) i 1
s
INCLINAO
obliquidade
funo
equivalente
do
Excel
Quarto momento: curtose

curtose
n
( xi x ) 4
n( n 1)
3(n 1) 2
(n 1)( n 2)(n 3) i 1
(n 2)(n 3)
s
A funo equivalente do Excel CURT
2.3.6 Noes bsicas sobre distribuies de probabilidade na

simulao Monte Carlo
Esta seo demonstra a fora da simulao Monte Carlo, mas antes de comear a
simulao necessrio entender o conceito de distribuies de probabilidade.
Para comear a entender probabilidade, considere este exemplo: voc quer
analisar a distribuio de salrios sem isenes em um departamento de uma
grande empresa. Primeiro, voc coleta dados brutos neste caso, os salrios de
cada funcionrio no-isento no departamento. Depois, organiza os dados em um
formato vlido e plota os dados como uma distribuio de frequncia em um
grfico. Para criar uma distribuio de frequncia, divida os salrios em
intervalos de grupos e liste esses intervalos no eixo horizontal do grfico. Em
seguida, liste o nmero ou a frequncia dos funcionrios em cada intervalo no
eixo vertical do grfico. Agora, possvel ver a distribuio de salrios sem
isenes no departamento.
O grfico na Figura 2.25 revela que a maioria dos funcionrio (aproximadamente
60 de um total de 180) ganham entre $7,00 e $9,00 por hora.
60
50
Number of
Employees
40
30
20
10
7.00 7.50 8.00 8.50 9.00
Hourly Wage Ranges in Dollars
Figura 2.25 Histograma de frequncia I
42
Voc pode representar esses dados como uma distribuio de probabilidade. Uma
distribuio de probabilidade mostra o nmero de funcionrios em cada intervalo
como uma frao do nmero total de funcionrios. Para criar uma distribuio de
probabilidade, divida o nmero de funcionrios em cada intervalo pelo nmero
total de funcionrios e liste os resultados no eixo vertical do grfico.
O grfico na Figura 2.26 mostra o nmero de funcionrios em cada grupo de
salrio como uma frao do total de funcionrios. Voc pode estimar a
probabilidade de que um funcionrio escolhido ao acaso do grupo total ganhe um
salrio pertencente a um determinado intervalo. Por exemplo, supondo que as
condies eram as mesmas no momento em que foi criada a amostra, a
probabilidade de 0,33 (um em trs) de que um funcionrio escolhido ao acaso
do total de funcionrios ganhe entre $8,00 e $8,50 por hora.
0.33
Probability
7.00 7.50 8.00 8.50 9.00
Hourly Wage Ranges in Dollars
Figura 2.26 Histograma de frequncia II

As distribuies de probabilidade podem ser discretas ou contnuas. As
distribuies de probabilidade discretas descrevem valores distintos, geralmente
inteiros, sem valores intermedirios e so mostradas como uma srie de barras
verticais. Uma distribuio discreta, por exemplo, poderia descrever o nmero de
caras em quatro rodadas de cara ou coroa usando uma moeda como 0, 1, 2, 3 ou
4. As distribuies contnuas so abstraes matemticas, porque supem a
existncia de todos os valores intermedirios possveis entre dois nmeros. Ou
seja, uma distribuio contnua presume que h um nmero infinito de valores
entre dois pontos na distribuio. No entanto, em muitas situaes, voc pode
usar uma distribuio contnua para fazer a aproximao de uma distribuio
discreta, ainda que o modelo contnuo no descreva a situao de maneira exata.
Seleo da
distribuio de
probabilidade
apropriada
A plotagem dos dados um guia para selecionar uma distribuio de probabilidade. As

seguintes etapas fornecem outro processo para selecionar distribuies de probabilidade
que melhor descrevem as variveis incertas nas suas planilhas.
Para selecionar a distribuio de probabilidade correta, use estas etapas:
Observe a varivel em questo. Liste tudo o que voc sabe sobre as

condies que envolvem a varivel. Pode ser possvel coletar informaes
valiosas sobre a varivel incerta a partir dos dados histricos. Se no
houver dados histricos disponveis, use seu prprio julgamento, com
43
base na sua experincia, listando tudo o que voc sabe sobre a varivel
incerta.
Simulao Monte
Carlo
Revise as descries de distribuies de probabilidade.
Selecione a distribuio que caracteriza a varivel. Uma distribuio

caracteriza uma varivel quando as condies da distribuio
correspondem quelas da varivel.
A simulao Monte Carlo na sua forma mais simples um gerador de nmeros

aleatrios til para previses, estimativas e anlises de risco. Uma simulao
calcula numerosos cenrios de um modelo escolhendo valores repetidamente de
uma distribuio de probabilidade predefinida pelo usurio para as variveis
incertas e usando esses valores no modelo. Todos esses cenrios produzem
resultados associados em um modelo, em que cada cenrio pode ter uma
previso. As previses so eventos (normalmente com frmulas ou funes) que
voc define como resultados importantes do modelo. Em geral, so eventos como
totais, lucro lquido ou despesas brutas.
De maneira simplificada, pense na simulao Monte Carlo como escolher bolas
de golfe de uma grande cesta repetidamente com reposies. O tamanho e a
forma da cesta depende das suposies da distribuio (por exemplo, uma
distribuio normal com uma mdia 100 e um desvio padro 10, comparada com
uma distribuio uniforme ou triangular) em que algumas cestas so mais fundas
ou mais simtricas do que outras, permitindo que certas bolas sejam tiradas com
mais frequncia do que outras. O nmero de bolas tiradas repetidamente depende
do nmero de tentativas simuladas. Para um modelo grande com vrias
suposies relacionadas, imagine o modelo grande como uma cesta muito
grande, com muitas cestas menores dentro. Cada cesta menor tem seu prprio
conjunto de bolas que esto se movimentando. Algumas vezes essas cestas
menores esto juntas umas das outras (se houver uma correlao entre as
variveis) e as bolas de golfe esto se movimentando em pares enquanto outras
se movimentam independentemente umas das outras. As bolas que so retiradas
de cada vez dessas interaes dentro do modelo (a cesta maior) so tabuladas e
registradas, fornecendo o resultado de previso da simulao. Com a simulao
Monte Carlo, o Risk Simulator gera valores aleatrios para cada distribuio de
probabilidade de suposio que so totalmente independentes. Em outras
palavras, o valor aleatrio selecionado para uma tentativa no afeta o prximo
valor aleatrio gerado. Use a amostragem Monte Carlo quando quiser simular
cenrios hipotticos verossmeis para seu modelo de planilha.
44
2.4 Distribuies discretas

Veja a seguir uma lista detalhada dos diferentes tipos de distribuies de
probabilidade que podem ser usadas na simulao Monte Carlo. A listagem est
includa neste apndice apenas para referncia.
Distribuio
Bernoulli ou
distribuio sim/no
A distribuio Bernoulli uma distribuio discreta com dois resultados: cara ou

coroa, xito ou fracasso, 0(zero) ou 1(um). A distribuio Bernoulli a
distribuio binomial com uma tentativa e pode ser usada para simular condies
do tipo sim/no ou xito/fracasso. Essa distribuio o fundamento de outras
distribuies mais complexas. Por exemplo:
Distribuio binomial: distribuio Bernoulli com um nmero mais alto

de tentativas totais n que calcula a probabilidade de x xitos no nmero
total de tentativas.
Distribuio geomtrica: distribuio Bernoulli com um nmero mais alto

de tentativas que calcula o nmero de fracassos necessrios antes do
primeiro sucesso.
Distribuio binomial negativa: distribuio Bernoulli com um nmero

mais alto de tentativas que calcula o nmero de fracassos antes do Xsimo
sucesso.
Os construtos matemticos da distribuio Bernoulli so os seguintes:
1 p
P (n)
p
ou
para x 0
para x 1
P (n) p x (1 p)1 x
mdia p
desvio padro
obliquidade =
p (1 p )
1 2p
p (1 p )
curtose excessiva =
6 p2 6 p 1
p (1 p )
Probabilidade de xito (p) o nico parmetro de distribuio. Alm disso,

importante observar que h apenas uma tentativa na distribuio Bernoulli e o
valor simulado resultante ser 0 ou 1.
Requisitos de entrada:
Probabilidade de xito > 0 e < 1 (ou seja, 0,0001 p 0,9999)
45
Distribuio
binomial
A distribuio binomial descreve quantas vezes um determinado evento ocorre

em um nmero fixo de tentativas, como o nmero de caras em 10 rodadas de cara
ou coroa ou o nmero de itens defeituosos entre 50 itens escolhidos
Condies
As trs condies subjacentes distribuio binomial so:
Para cada tentativa, apenas dois resultados so possveis e mutuamente

exclusivos.
As tentativas so independentes: o que acontece na primeira tentativa no

afeta a prxima tentativa.
A probabilidade de um evento ocorrer permanece a mesma de uma

tentativa para outra.
Os construtos matemticos da distribuio binomial so os seguintes:
P ( x)
n!
p x (1 p)( n x ) para n 0; x 0, 1, 2, ... n; e 0 p 1
x !(n x)!
mdia np
desvio padro np (1 p )
obliquidade =
1 2p
np(1 p)
curtose excessiva =
6 p2 6 p 1
np (1 p )
A probabilidade de xito (p) e o nmero inteiro do total de tentativas (n) so os

parmetros de distribuio. O nmero de tentativas bem-sucedidas indicado por
x. importante observar que a probabilidade de xito (p) de 0 ou 1 uma
condio trivial e no requer simulao, portanto, no permitida no software.
Probabilidade de xito > 0 e < 1 (ou seja, 0,0001 p 0,9999)
Nmero de tentativas 1 ou inteiros positivos e 1000 (para tentativas maiores,
use a distribuio normal com a mdia binomial calculada relevante e o desvio
padro como os parmetros da distribuio normal).
Distribuio
binomial negativa
A distribuio binomial negativa til para modelar a distribuio do nmero de

tentativas adicionais necessrias alm do nmero de ocorrncias bem-sucedidas
necessrias (R). Por exemplo, para fechar um total de 10 oportunidades de
vendas, quantas chamadas de vendas extras voc precisaria fazer alm de 10
chamadas, dada alguma probabilidade de xito em cada chamada? O eixo x
mostra o nmero de chamadas adicionais necessrias ou o nmero de chamadas
fracassadas. O nmero de tentativas no fixo, as tentativas continuam at o Rsimo xito e a probabilidade de sucesso a mesma em cada tentativa. A
probabilidade de xito (p) e o nmero de xitos necessrios (R) so os parmetros
46
de distribuio. essencialmente uma superdistribuio das distribuies

binomial e geomtrica. A distribuio mostra as probabilidades de cada nmero
de tentativas excessivas de R em produzir o xito necessrio R.
Condies
As trs condies subjacentes distribuio binomial negativa so:
O nmero de tentativas no fixo.
As tentativas continuam at o r-simo xito.
A probabilidade de xito a mesma de uma tentativa para outra.
Os construtos matemticos da distribuio binomial negativa so os seguintes:
P ( x)
( x r 1)! r
p (1 p) x para x r , r 1, ...; e 0 p 1
(r 1)! x !
mdia
r (1 p)
p
desvio padro
obliquidade =
r (1 p)
p2
2 p
r (1 p)
curtose excessiva =
p2 6 p 6
r (1 p )
A probabilidade de xito (p) e o nmero de xitos necessrios (R) so os

parmetros de distribuio.
xitos necessrios devem ser inteiros positivos > 0 e < 8000.
Probabilidade de xito > 0 e < 1 (ou seja, 0,0001 p 0,9999). importante
observar que a probabilidade de xito (p) de 0 ou 1 uma condio trivial e no
requer simulao, portanto, no permitida no software.
Distribuio
geomtrica
A distribuio geomtrica descreve o nmero de tentativas at a primeira

ocorrncia bem-sucedida, como o nmero de vezes que voc precisa girar uma
roleta antes de ganhar.
Condies
As trs condies subjacentes distribuio geomtrica so:
O nmero de tentativas no fixo.
As tentativas continuam at o primeiro xito.
A probabilidade de xito a mesma de uma tentativa para outra.
Os construtos matemticos da distribuio geomtrica so os seguintes:

47
P ( x) p (1 p) x 1 para 0 p 1 e x 1, 2, ..., n
mdia
1
1
p
desvio padro
obliquidade =
1 p
p2
2 p
1 p
curtose excessiva =
p2 6 p 6
1 p
Probabilidade de xito (p) o nico parmetro de distribuio. O nmero de

tentativas bem-sucedidas simuladas indicado por x, que s pode conter inteiros
positivos.
Probabilidade de xito > 0 e < 1 (ou seja, 0,0001 p 0,9999). importante
observar que a probabilidade de xito (p) de 0 ou 1 uma condio trivial e no
requer simulao, portanto, no permitida no software.
Distribuio
hipergeomtrica
A distribuio hipergeomtrica semelhante distribuio binomial, j que

ambas descrevem quantas vezes um determinado evento ocorre dado um certo
nmero fixo de tentativas. A diferena que as tentativas da distribuio
binomial so independentes, enquanto as tentativas da distribuio
hipergeomtrica mudam a probabilidade de cada tentativa subsequente e so
chamadas "tentativas sem substituio. Por exemplo, suponha que uma caixa de
peas fabricadas contenha algumas peas defeituosas. Voc escolhe uma pea da
caixa, descobre que defeituosa e a remove da caixa. Se voc escolher outra pea
da caixa, a probabilidade de ela ser defeituosa um pouco menor do que para a
primeira pea, porque voc retirou uma pea defeituosa. Se voc tivesse
substitudo a pea defeituosa, as probabilidades teriam permanecido as mesmas e
o processo teria satisfeito as condies de uma distribuio binomial.
Condies
As condies subjacentes distribuio hipergeomtrica so:
O nmero total de itens ou elementos (o tamanho da populao) um

nmero fixo, uma populao finita. O tamanho da populao deve ser
menor ou igual a 1.750.
O tamanho da amostra (o nmero de tentativas) representa uma parte da

populao.
A probabilidade de xito inicial conhecida da populao muda depois de

cada tentativa.
Os construtos matemticos da distribuio hipergeomtrica so os seguintes:

48
( N x )!
( N N x )!
x !( N x x)! (n x)!( N N x n x)!
P( x)
para x Max(n ( N N x ), 0), ..., Min(n, N x )
N!
n !( N n)!
mdia =
N xn
N
desvio padro =
obliquidade =
( N N x ) N x n ( N n)
N 2 ( N 1)
N 1
( N N x ) N x n( N n)
curtose excessiva = funo complexa

O nmero de itens na populao ou o tamanho da populao (N), as tentativas
amostradas ou o tamanho da amostra (n) e o nmero de itens da populao que
obtiveram xito ou os xitos da populao (Nx) so os parmetros de distribuio.
O nmero de tentativas bem-sucedidas indicado porx.
Tamanho da populao 2 e inteiro
Tamanho da amostra > 0 e inteiro
xitos da populao > 0 e inteiro
Tamanho da populao > xitos da populao
Tamanho da amostra < xitos da populao
Tamanho da populao < 1750
Distribuio de
Pascal
A distribuio de Pascal til para modelar a distribuio do nmero total de

tentativas necessrias para obter o nmero de ocorrncias bem-sucedidas
necessrias. Por exemplo, para fechar um total de 10 oportunidades de vendas,
quantas chamadas de vendas no total seriam necessrias, dada alguma
probabilidade de xito em cada chamada? O eixo x mostra o nmero total de
chamadas necessrias, que inclui chamadas bem-sucedidas e malsucedidas. O
nmero de tentativas no fixo, as tentativas continuam at o R-simo xito e a
probabilidade de sucesso a mesma em cada tentativa. A distribuio de Pascal
est relacionada distribuio binomial negativa. A distribuio binomial
negativa calcula o nmero de eventos necessrios alm do nmero de xitos
necessrios dada alguma probabilidade (ou seja, o total de falhas), enquanto a
distribuio de Pascal calcula o nmero total de eventos necessrios (ou seja, a
soma de xitos e falhas) para alcanar os xitos necessrios dada alguma
probabilidade. xitos necessrios e probabilidade so os parmetros de
distribuio.
49
Os construtos matemticos da distribuio Pascal so os seguintes:
( x 1)!
p S (1 p) X S for all x s
f ( x) ( x s )!( s 1)!
0 otherwise
( x 1)!
k
p S (1 p) X S for all x s
F ( x) x 1 ( x s)!( s 1)!
0 otherwise
mdia
s
p
desvio padro s (1 p) p 2
obliquidade =
2 p
r (1 p )
curtose excessiva =
p2 6 p 6
r (1 p)
xitos necessrios deve ser maior que 0 e ser um inteiro
0 Probabilidade 1
Distribuio
Poisson
A distribuio Poisson descreve o nmero de vezes que um evento ocorre em um

dado intervalo, como o nmero de telefonemas por minuto ou o nmero de erros
por pgina em um documento.
Condies
As trs condies subjacentes distribuio Poisson so:
O nmero de ocorrncias possveis em qualquer intervalo ilimitado.
As ocorrncias so independentes. O nmero de ocorrncias em um

intervalo no afeta o nmero de ocorrncias em outros intervalos.
O nmero mdio de ocorrncias deve permanecer inalterado de um

intervalo para outro.
Os construtos matemticos da distribuio Poisson so os seguintes:
P ( x)
e x
x!
para x e 0
mdia
desvio padro =
obliquidade =
50
curtose excessiva =
A taxa ou o lambda () o nico parmetro de distribuio.

Taxa > 0 e 1000 (ou seja, 0,0001 taxa 1000)
Distribuio
uniforme discreta
A distribuio uniforme discreta tambm conhecida como a distribuio de

resultados equiprovveis, na qual a distribuio tem um conjunto de N elementos
e cada elemento tem a mesma probabilidade. Essa distribuio est relacionada
distribuio uniforme, mas seus elementos so discretos e no contnuos.
Os construtos matemticos da distribuio binomial so os seguintes:
P ( x)
1
N
mdia =
N 1
valor classificado
2
desvio padro =
( N 1)( N 1)
valor classificado
12
obliquidade = 0 (ou seja, a distribuio perfeitamente simtrica)

curtose excessiva =
6( N 2 1)
valor classificado
5( N 1)( N 1)
Mnimo < mximo, ambos devem ser inteiros (inteiros negativos e zero so
permitidos)
51
2.5 Distribuies contnuas

Distribuio de arco
seno
A distribuio de arco seno tem o formato de U e um caso especial da

distribuio beta no qual o formato e a escala so iguais a 0,5. Valores prximos
ao mnimo e ao mximo tm alta probabilidade de ocorrncia enquanto valores
entre esses dois extremos tm probabilidades muito baixas de ocorrncia.
Mnimo e mximo so os parmetros de distribuio.
Os construtos matemticos da distribuio arco seno so os seguintes:
for 0 x 1
f ( x ) x (1 x)
0
otherwise
x0
0
2
F ( x) sin 1 ( x ) for 0 x 1
x 1
1
mdia
Min Max
2
desvio padro
( Max Min) 2
8
obliquidade = 0
curtose excessiva = 1.5
Mnimo < Mximo
Distribuio beta
A distribuio beta muito flexvel e geralmente usada para representar

variabilidade em uma faixa fixa. Uma das aplicaes mais importantes da
distribuio beta seu uso como uma distribuio conjugada do parmetro de
uma distribuio Bernoulli. Nessa aplicao, a distribuio beta usada para
representar a incerteza na probabilidade de ocorrncia de um evento. Tambm
usada para descrever dados empricos e prever o comportamento aleatrio de
porcentagens e fraes, j que a faixa de resultados fica normalmente entre 0 e 1.
A importncia da distribuio beta est na grande variedade de formas que ela
pode assumir quando voc varia dois parmetros: alfa e beta. Se os parmetros
forem iguais, a distribuio ser simtrica. Se um parmetro for 1 e o outro for
maior do que 1, a distribuio ser no formato J. Se alfa for menor do que beta,
diz-se que a distribuio positivamente oblqua (a maioria dos valores est
prxima do valor mnimo). Se alfa for maior do que beta, diz-se que a
distribuio negativamente oblqua (a maioria dos valores est prxima do
valor mximo).
52
Os construtos matemticos da distribuio beta so os seguintes:
x
f ( x)
( 1)
1 x
( 1)
parar 0; 0; x 0
( )( )
( )
mdia
desvio padro
obliquidade =
( ) (1 )
2
2( ) 1
(2 )
curtose excessiva =
3( 1)[ ( 6) 2( ) 2 ]
3
( 2)( 3)
Alfa () e beta () so os dois parmetros de forma da distribuio e a funo

gama.
Condies
As duas condies subjacentes distribuio beta so:
A varivel incerta um valor aleatrio entre 0 e um valor positivo.
O formato da distribuio pode ser especificado usando dois valores

positivos.
Alfa e beta > 0, podendo ser qualquer valor positivo
Distribuio beta
multiplicativa
deslocada
A distribuio beta muito flexvel e geralmente usada para representar

variabilidade em uma faixa fixa. Ela usada para descrever dados empricos e
prever o comportamento aleatrio de porcentagens e fraes, j que a faixa dos
resultados em geral est entre 0 e 1. A vantagem da distribuio beta a grande
variedade de formas que pode assumir quando os dois parmetros so variados,
alfa e beta. A distribuio beta multiplicativa deslocada obtida pela
multiplicao da distribuio beta por um fator e pelo deslocamento dos
resultados de acordo com um parmetro de local para permitir que a faixa de
resultados seja expandida alm de seus limites naturais de 0 e 1 com um ponto de
partida diferente de 0. Alfa, beta, local e fator so os parmetros de entrada.
Alfa > 0
Beta > 0
Local pode ser qualquer nmero positivo ou negativo incluindo zero
Fator > 0
53
Distribuio
Cauchy, Lorentz ou
Breit-Wigner
A distribuio Cauchy, tambm chamada de distribuio de Lorentz ou de BreitWigner, uma distribuio contnua que descreve comportamento ressonante.
Ela tambm descreve a distribuio de distncias horizontais nas quais um
segmento de linha inclinado a um ngulo aleatrio corta o eixo x.
Os construtos matemticos da distribuio Cauchy ou Lorentz so os seguintes:
f ( x)
/2
( x m) 2 2 / 4
A distribuio Cauchy um caso especial em que no h momentos tericos

(mdia, desvio padro, obliquidade e curtose) j que todos so indefinidos.
Localizao da moda () e escala ( so os nicos parmetros nesta distribuio.
O parmetro de localizao especifica o pico ou a moda da distribuio, enquanto
o parmetro de escala especifica a metade da largura na metade do mximo da
distribuio. Alm disso, a mdia e a varincia de uma distribuio de Cauchy ou
Lorentz so indefinidas.
Alm disso, a distribuio de Cauchy a distribuio T de Student com apenas
um grau de liberdade. Essa distribuio tambm construda tomando-se o
quociente de duas distribuies normais padro (distribuies normais com uma
mdia zero e uma variao de um) que so independentes uma da outra.
O local alfa pode ser qualquer valor
Beta da escala > 0, podendo ser qualquer valor positivo
Distribuio de cosseno
A distribuio de cosseno parece uma distribuio logstica na qual o valor da
mediana entre o mnimo e o mximo possui a moda ou o pico mais alto, tendo a
probabilidade mxima de ocorrncia, enquanto as caudas extremas prximas aos
valores mnimo e mximo tm probabilidades menores. Mnimo e mximo so os
Os construtos matemticos da distribuio cosseno so os seguintes:
1
xa
for min x max
cos
f ( x) 2b
b
0
otherwise
where a
min max
max min
and b
2
1
x a
1 sin
for min x max
F ( x) 2
b
1
for x > max
mdia
Min Max
2
desvio padro =
( Max Min) 2 ( 2 8)
4 2
54
obliquidade = 0
curtose excessiva =
6(90 4 )
5( 2 6)2
Mnimo < Mximo
Distribuio de
Erlang
A distribuio de Erlang igual distribuio gama, com o requisito de que o

parmetro alfa ou o parmetro de formato deve ser um inteiro positivo. Um
exemplo de aplicao da distribuio de Erlang calibrar a taxa de transio de
elementos atravs de um sistema de compartimentos. Tais sistemas so
amplamente usados em biologia e ecologia (por exemplo, em epidemiologia, um
indivduo pode progredir a uma taxa exponencial de um estado saudvel
passando a portador de uma doena e continuar exponencialmente de portador a
infectado). Alfa (tambm conhecido como formato) e beta (tambm conhecido
como escala) so os parmetros de distribuio.
Os construtos matemticos da distribuio Erlang so os seguintes:
x 1 x /
e

f ( x)
for x 0
(
1)
0
otherwise
1
( x / )i
x/
for x 0
1 e
F ( x)
i!
i 0
0
otherwise
mdia
desvio padro 2
obliquidade
curtose excessiva
Alfa (formato) deve ser maior que 0 e ser um inteiro
Beta (escala) > 0
Distribuio
exponencial
A distribuio exponencial amplamente usada para descrever eventos que se

repetem em momentos aleatrios, como o intervalo de tempo entre eventos como
falhas em equipamentos eletrnicos ou entre entradas em um estande de servios.
Ela est relacionada distribuio Poisson, que descreve o nmero de
ocorrncias de um evento em um determinado intervalo de tempo. Uma
55
caracterstica importante da distribuio exponencial a sua propriedade de "no

memorizao", o que significa que a vida til futura de determinado objeto tem a
mesma distribuio, independentemente do tempo de sua existncia. Em outras
palavras, o tempo no tem efeito algum em resultados futuros.
Os construtos matemticos da distribuio exponencial so os seguintes:
f ( x) e x for x 0; 0
mdia =
desvio padro =
obliquidade = 2 (este valor se aplica a todas as entradas de taxa de sucesso)

curtose excessiva = 6 (este valor se aplica a todas as entradas de taxa de
sucesso)
A taxa de xito () o nico parmetro de distribuio. O nmero de tentativas
bem-sucedidas indicado por x.
Condies
A condio subjacente distribuio exponencial :
A distribuio exponencial descreve a quantidade de tempo entre as

ocorrncias.
Taxa > 0
Distribuio
exponencial
deslocada
A distribuio exponencial amplamente usada para descrever eventos que se

repetem em momentos aleatrios, como o intervalo de tempo entre eventos como
falhas em equipamentos eletrnicos ou entre entradas em um estande de servios.
Ela est relacionada distribuio Poisson, que descreve o nmero de
ocorrncias de um evento em um determinado intervalo de tempo. Uma
caracterstica importante da distribuio exponencial a sua propriedade de no
memorizao, o que significa que a vida til futura de determinado objeto tem a
mesma distribuio, independentemente do tempo de sua existncia. Em outras
palavras, o tempo no tem efeito algum em resultados futuros. A taxa de xito ()
o nico parmetro de distribuio.
Lambda da taxa > 0
Distribuio de
valor extremo ou
distribuio Gumbel
A distribuio de valor extremo (tipo 1) normalmente usada para descrever o

maior valor de uma resposta em um perodo de tempo, por exemplo, em fluxos
de inundaes, precipitaes e terremotos. Outras aplicaes incluem a fora
necessria para quebrar um material, projetos de construes e cargas e
56
tolerncias de aeronaves. A distribuio de valor extremo tambm conhecida

como distribuio Gumbel.
Os construtos matemticos da distribuio de valor extremo so os seguintes:
f ( x)
ze
onde z e
para 0; e qualquer valor de x e
mdia = 0.577215
1 2 2

6
desvio padro =
obliquidade =
12 6 (1.2020569)
de moda e escala)
1.13955 (isso se aplica a todos os valores
curtose excessiva = 5,4 (isso se aplica a todos os valores de moda e escala)

Moda () e escala () so os parmetros de distribuio.
Clculo de parmetros
H dois parmetros padro para a distribuio de valor extremo: moda e escala.

O parmetro moda o valor de maior probabilidade para a varivel (o ponto mais
alto na distribuio da probabilidade). Depois de selecionar o parmetro de
moda, voc pode estimar o parmetro de escala. O parmetro de escala um
nmero maior que 0. Quanto maior o parmetro de escala, maior a varincia.
Alfa da moda pode ser qualquer valor
Beta da escala > 0
Distribuio F ou
distribuio de
Fisher-Snedecor
A distribuio F, tambm conhecida como a distribuio de Fisher-Snedecor,

outra distribuio contnua usada mais frequentemente para o teste de hipteses.
Especificamente, ela usada para testar a diferena estatstica entre duas
varincias na anlise de testes de varincia e testes de ndice de verossimilhana.
A distribuio F com o grau de liberdade do numerador n e grau de liberdade do
denominador m est relacionada distribuio qui-quadrada pois:
n2 / n d
~ Fn ,m
m2 / m
mdia =
m
m2
desvio padro =
2m 2 (m n 2)
para todos os m > 4
n(m 2) 2 (m 4)
57
obliquidade =
2(m 2n 2)
2(m 4)
m6
n(m n 2)
curtose
excessiva
12(16 20m 8m m 44n 32mn 5m n 22n 5mn

n(m 6)(m 8)(n m 2)
2
O grau de liberdade do numerador n e o grau de liberdade do denominador m so

os nicos parmetros de distribuio.
Distribuio gama
(distribuio
Erlang)
Graus de liberdade do numerador e do denominador > 0 e inteiros
A distribuio gama se aplica a uma grande variedade de quantidades fsicas e

est relacionada a outras distribuies: lognormal, exponencial, Pascal, Erlang,
Poisson e qui-quadrada. Ela usada em processos meteorolgicos para
representar a concentrao de poluentes e as quantidades de precipitao. A
distribuio gama tambm usada para medir o tempo entre as ocorrncias de
eventos, quando o processo do evento no completamente aleatrio. Outras
aplicaes da distribuio gama incluem controle de estoques, teoria econmica e
a teoria de riscos de seguro.
Condies
A distribuio gama usada com mais frequncia como a distribuio da
quantidade de tempo at a r-sima ocorrncia de um evento em um processo
Poisson. Quando usada dessa maneira, as trs condies subjacentes
distribuio gama so:
O nmero de ocorrncias possveis em qualquer unidade de medida no

est limitado a um nmero fixo.
As ocorrncias so independentes. O nmero de ocorrncias em uma

unidade de medida no afeta o nmero de ocorrncias em outras unidades.
O nmero mdio de ocorrncias deve permanecer inalterado de uma

unidade para outra.
Os construtos matemticos da distribuio gama so os seguintes:

1
x
e
f ( x)
( )
com qualquer valor de 0 e 0
mdia =
desvio padro =
obliquidade =
58
curtose excessiva =
O alfa do parmetro de forma () e o beta do parmetro de escala () so os

parmetros de distribuio e a funo gama.
Quando o parmetro alfa um inteiro positivo, a distribuio gama chamada de
distribuio de Erlang, usada para prever tempos de espera em sistemas de
enfileiramento, nos quais a distribuio de Erlang a soma de variveis
aleatrias independentes e distribudas de forma idntica, cada uma possuindo
uma distribuio exponencial de no memorizao. Definindo n como o nmero
dessas variveis aleatrias, o construto matemtico da distribuio de Erlang :
x n 1e x
f ( x)
, para todos os x > 0 e todos os inteiros positivos de n
(n 1)!
Alfa da forma 0,05 e qualquer valor positivo
A localizao pode ser qualquer valor
Distribuio de
Laplace
A distribuio de Laplace tambm chamada de distribuio exponencial dupla,

pois pode ser construda com duas distribuies exponenciais (com um parmetro
de local adicional) combinadas, criando um pico incomum no meio. A funo
densidade de probabilidade da distribuio de Laplace lembra a distribuio
normal. No entanto, enquanto a distribuio normal expressa em termos da
diferena quadrtica da mdia, a densidade de Laplace expressa em termos da
diferena absoluta da mdia, tornando as caudas da distribuio de Laplace mais
achatadas que as da distribuio normal. Quando o parmetro de local definido
como zero, a varivel aleatria da distribuio de Laplace distribuda
exponencialmente com um inverso do parmetro de escala. Alfa (tambm
conhecido como local) e beta (tambm conhecido como escala) so os
Os construtos matemticos da distribuio Laplace so os seguintes:
x
1
exp
1
x
exp
when x
2

F ( x)
1 1 exp x when x
f ( x)
mdia
desvio padro 1.4142
obliquidade = 0
59
curtose excessiva = 3
Alfa (local) pode assumir valores positivos ou negativos, incluindo zero
Beta (escala) > 0
Distribuio
logartmica dupla
A distribuio logartmica dupla semelhante distribuio Cauchy, na qual a

tendncia central tem um pico e tem a densidade de probabilidade de valor
mximo, mas diminui mais rapidamente quanto mais longe est do centro,
criando uma distribuio simtrica com um pico extremo entre os valores
mnimo e mximo. Mnimo e mximo so os parmetros de distribuio.
Os construtos matemticos da distribuio logartmica dupla so os seguintes:
1 x a
ln
for min x max
f ( x) 2b b
otherwise
0
where a
min max
max min
and b
2
2
1

2
F ( x)
1
2
mdia =
xa
2b
xa
1 ln

b
for min x a

xa
2b
xa
1 ln

b
for a x max

Min Max
2
desvio padro =
( Max Min) 2
36
obliquidade = 0
Mnimo < Mximo
Distribuio
logstica
A distribuio logstica normalmente usada para descrever crescimento, ou

seja, o tamanho de uma populao expresso como uma funo de uma varivel
de tempo. Ela tambm pode ser usada para descrever reaes qumicas e a taxa
de crescimento de uma populao ou um indivduo.
60
Os construtos matemticos da distribuio logstica so os seguintes:
f ( x)
1 e
para qualquer valor de e
mdia
desvio padro
1 2 2

3
obliquidade = 0 (este valor se aplica a todas as entradas de mdia e escala)

curtose excessiva = 1,2 (este valor se aplica a todas as entradas de mdia e
escala)
Mdia () e escala () so os parmetros de distribuio.
Clculo de parmetros
H dois parmetros padro para a distribuio logstica: mdia e escala. O

parmetro de mdia o valor mdio e, para esta distribuio, igual moda,
porque uma distribuio simtrica. Depois de selecionar o parmetro de mdia,
voc pode estimar o parmetro de escala. O parmetro de escala um nmero
maior que 0. Quanto maior o parmetro de escala, maior a varincia.
Alfa da mdia pode ser qualquer valor
Distribuio
lognormal
A distribuio lognormal amplamente usada em situaes nas quais os valores

so positivamente inclinados, por exemplo, em anlises financeiras para
avaliao de ttulos ou avaliaes de propriedades, nas quais os valores no
podem ficar abaixo de zero.
Os preos de aes normalmente so positivamente inclinados em vez de
distribudos normalmente (simetricamente). Os preos de aes apresentam essa
tendncia pois no podem cair abaixo do limite mais baixo, que zero, mas
podem aumentar at atingir qualquer preo sem limite. Do mesmo modo, os
preos de imveis demonstram obliquidade positiva pois no podem tornar-se
negativos.
Condies
As trs condies subjacentes distribuio lognormal so:
As variveis incertas podem crescer sem limites mas no podem ficar

abaixo de zero.
A varivel incerta tem uma obliquidade positiva, com a maioria dos

valores perto do limite inferior.
O logaritmo natural da varivel incerta produz uma distribuio normal.
61
Geralmente, se o coeficiente de variabilidade maior que 30 por cento, use uma

distribuio lognormal. Caso contrrio, use a distribuio normal.
Os construtos matemticos da distribuio lognormal so os seguintes:
f ( x)
1
x 2 ln( )
[ln( x ) ln( )]2
2[ln( )]2
para x 0; 0 e 0
2
mdia exp
desvio padro =
exp 2 2 exp 2 1
1 (2 exp( ))
curtose excessiva = exp4 2 exp3 3 exp2 6
obliquidade =
exp
Mdia () e desvio padro () so os parmetros de distribuio.

Mdia e desvio padro > 0, podendo ser qualquer valor positivo
Conjuntos de parmetros lognormais
Por padro, a distribuio lognormal usa a mdia aritmtica e o desvio padro.

Para aplicaes nas quais dados histricos esto disponveis, mais apropriado
usar a mdia logartmica e o desvio padro ou a mdia geomtrica e o desvio
padro.
Distribuio
lognormal
deslocada
A distribuio lognormal amplamente usada em situaes nas quais os valores

so positivamente inclinados, por exemplo, em anlises financeiras para
avaliao de ttulos ou avaliaes de propriedades, nas quais os valores no
podem ficar abaixo de zero. Os preos de aes normalmente so positivamente
inclinados em vez de distribudos normalmente (simetricamente). Os preos de
aes apresentam essa tendncia pois no podem cair abaixo do limite mais
baixo, que zero, mas podem aumentar at atingir qualquer preo sem limite. Em
contrapartida, a distribuio lognormal deslocada igual distribuio
lognormal, mas deslocada de maneira que o valor resultante possa assumir
valores negativos. Mdia, desvio padro e deslocamento so os parmetros de
distribuio.
Mdia > 0
Desvio padro > 0
Deslocamento pode ser um valor positivo ou negativo incluindo zero
62
Distribuio normal
A distribuio normal a distribuio mais importante em teoria de

probabilidade porque descreve muitos fenmenos naturais, como o QI ou a altura
das pessoas. Pessoas responsveis por tomar decises podem usar a distribuio
normal para descrever variveis incertas, como a taxa de inflao ou o preo
futuro da gasolina.
Condies
As trs condies subjacentes distribuio normal so:
Algum valor da varivel incerta o mais provvel (a mdia da

distribuio).
A varivel incerta pode tanto estar acima da mdia como abaixo dela
(simtrica em relao mdia).
A varivel incerta provavelmente estar mais prxima da mdia do que

mais afastada dela.
Os construtos matemticos da distribuio normal so os seguintes:
f ( x)
1
2
( x )2
2 2
para todos os valores de x e ; enquanto > 0
mdia
desvio padro
obliquidade = 0 (isso se aplica a todas as entradas de mdia e desvio padro)
curtose excessiva = 0 (isso se aplica a todas as entradas de mdia e desvio
padro)
Mdia () e desvio padro () so os parmetros de distribuio.
Desvio padro > 0, podendo ser qualquer valor positivo
A mdia pode assumir qualquer valor
Distribuio
parablica
A distribuio parablica um caso especial da distribuio de beta quando

Forma = Escala = 2. Os valores fecham ao mnimo e mximo tem probabilidades
baixas de ocorrncia ao passo que valores entre estes dois extremos tm
probabilidades mais altas ou ocorrncia. O mnimo e mximo so os parmetros
de distributional.
Os construtos matemticos da distribuio parablica so os seguintes:
f ( x)
x ( 1) 1 x ( 1)
( )( )
( )
for 0; 0; x 0
Where the functional form above is for a Beta distribution, and for a Parabolic
function, we set Alpha = Beta = 2 and a shift of location in Minimum, with a
multiplicative factor of (Maximum Minimum).
63
mdia =
Min Max
2
desvio padro =
( Max Min) 2
20
obliquidade = 0
curtose excessiva = 0.8571
Mnimo < Mximo
Distribuio Pareto
A distribuio Pareto amplamente usada na investigao de distribuies

associadas a fenmenos empricos, como o tamanho da populao de cidades, a
ocorrncia de recursos naturais, o tamanho de empresas, renda pessoal,
flutuaes no preo de aes e agrupamento de erros em circuitos de
comunicao.
Os construtos matemticos da distribuio Pareto so os seguintes:
f ( x)
L
x (1 )
mdia
para x L
L
1
L2
desvio padro
( 1) 2 ( 2)
obliquidade =
2 2( 1)
3
curtose excessiva =
6( 3 2 6 2)
( 3)( 4)
Forma () e local () so os parmetros de distribuio.

Clculo de parmetros
H dois parmetros padro para a distribuio Pareto: localizao e formato. O

parmetro de localizao o limite inferior da varivel. Depois de selecionar o
parmetro de localizao, voc pode estimar o parmetro de formato. O
parmetro de formato um nmero maior que 0 e geralmente maior que 1.
Quanto maior o parmetro de formato, menor a variao e mais grossa a cauda
direita da distribuio.
Localizao > 0, podendo ser qualquer valor positivo
Formato 0,05
64
Distribuio de
Pearson V
A distribuio de Pearson V est relacionada distribuio gama invertida, na

qual ela a recproca da varivel distribuda de acordo com a distribuio gama.
A distribuio de Pearson V tambm usada para modelar atrasos de tempo nos
quais haja quase certeza de algum atraso mnimo e o atraso mximo no tem
limites, por exemplo, atraso na chegada de servios de emergncia e o tempo
para consertar uma mquina. Alfa (tambm conhecido como formato) e beta
(tambm conhecido como escala) so os parmetros de distribuio.
Os construtos matemticos da distribuio Pearson V so os seguintes:
x ( 1) e / x
( )
( , / x)
F ( x)
( )
f ( x)
mdia
desvio padro
obliquidade
2
( 1) 2 ( 2)
4 2
3
curtose excessiva
30 66
3
( 3)( 4)
Alfa (formato) > 0
Beta (escala) > 0
Distribuio de
Pearson VI
A distribuio de Pearson VI est relacionada distribuio gama, na qual ela a

funo racional de duas variveis distribudas de acordo com duas distribuies
gama. Alfa 1 (tambm conhecido como formato 1), alfa 2 (tambm conhecido
como formato 2) e beta (tambm conhecido como escala) so os parmetros de
distribuio.
Os construtos matemticos da distribuio Pearson VI so os seguintes:
f ( x)
( x / )1 1
(1 , 2 )[1 ( x / )]1 2
x
F ( x) FB
x
mdia
1
2 1
65
desvio padro =
obliquidade 2
21 (1 2 1)
( 2 1) 2 ( 2 2)
21 2 1
2 2
1 (1 2 1) 2 3
curtose excessiva
3( 2 2) 2( 2 1) 2
( 2 5) 3
( 2 3)( 2 4) 1 (1 2 1)
Alfa 1 (formato 1) > 0
Alfa 2 (formato 2) > 0
Beta (escala) > 0
Distribuio PERT
A distribuio PERT amplamente usada em gerenciamento de projetos e

programas para definir os cenrios de pior caso, caso nominal e melhor caso para
o prazo de concluso do projeto. Ela est relacionada s distribuies beta e
triangular. A distribuio PERT pode ser usada para identificar riscos em
projetos e modelos de custo com base na probabilidade de cumprir metas e
objetivos em qualquer nmero de componentes de projeto usando os valores
mnimo, mais provvel e mximo, mas foi projetada para gerar uma distribuio
que se assemelhe mais a distribuies de probabilidade realistas. A distribuio
PERT pode fornecer um ajuste prximo distribuio normal ou lognormal.
Assim como a distribuio triangular, a distribuio PERT d mais nfase ao
valor "mais provvel" do que s estimativas mnima e mxima. No entanto,
diferentemente da distribuio triangular, a distribuio PERT constri uma
curva suavizada, que d progressivamente mais nfase a valores prximos ao
valor mais provvel, em detrimento de valores mais prximos das bordas. Na
prtica, isso significa que "confiamos" na estimativa para o valor mais provvel e
acreditamos que, mesmo se ele no for exatamente preciso (e as estimativas
raramente o so), temos uma expectativa de que o valor resultante ser prximo
daquela estimativa. Supondo que muitos fenmenos reais so distribudos
normalmente, a vantagem da distribuio PERT que ela produz uma curva com
forma semelhante da curva normal, sem conhecer os parmetros precisos da
curva normal relacionada. Mnimo, mais provvel e mximo so os parmetros
de distribuio.
Os construtos matemticos da distribuio PERT so os seguintes:
f ( x)
( x min) A11 (max x) A 21

B ( A1, A2)(max min) A1 A 2 1
min 4(likely) max

min 4(likely) max
min
max
6
6
where A1 6
and A2 6
max min
max min
and B is the Beta function

66
mdia
Min 4Mode Max

6
( Min)( Max )
7
desvio padro
7
Min Max 2
( Min)( Max )
4
obliquidade
Mnimo Mais provvel Mximo, podendo ser positivos, negativos ou zero
Distribuio
potencial
A distribuio potencial est relacionada distribuio exponencial uma vez que

a probabilidade de resultados pequenos grande, mas diminui exponencialmente
medida que o valor do resultado aumenta. Alfa (tambm conhecido como
formato) o nico parmetro de distribuio.
Os construtos matemticos da distribuio potencial so os seguintes:
f ( x) x 1
F ( x ) x
mdia
desvio padro
obliquidade
(1 ) 2 (2 )
2 2( 1)
3
Alfa (formato) > 0
Distribuio
potencial
multiplicativa
deslocada
A distribuio potencial est relacionada distribuio exponencial uma vez que

a probabilidade de resultados pequenos grande, mas diminui exponencialmente
medida que o valor do resultado aumenta. Alfa (tambm conhecido como
formato) o nico parmetro de distribuio.
Alfa (formato) > 0
Fator > 0
67
Distribuio quiquadrada
A distribuio qui-quadrada uma distribuio de probabilidade usada

predominantemente em testes de hipteses e est relacionada distribuio gama
e distribuio normal padro. Por exemplo, as somas de distribuies normais
independentes so distribudas como um qui-quadrado () com k graus de
liberdade.
d
Z 12 Z 22 ... Z k2 ~ k2
Os construtos matemticos da distribuio qui-quadrada so os seguintes:
0.5 k / 2 k / 21 x / 2
f ( x)
x
e
para todo x > 0
( k / 2)
mdia = k
desvio padro =
2k
obliquidade = 2
2
k
curtose excessiva =
12
k
a funo gama. O grau de liberdade k o nico parmetro de distribuio.

A distribuio qui-quadrada tambm pode ser modela usando uma distribuio
gama definindo:
k
e escala = 2S 2 , onde S a escala.
2
parmetro de forma =
Graus de liberdade > 1, devendo ser um inteiro < 300
Distribuio t de
Student
A distribuio t de Student a mais amplamente usada em teste de hipteses.

Essa distribuio usada para estimar a mdia de uma populao normalmente
distribuda quando o tamanho da amostra pequeno, sendo usada para testar a
significncia estatstica da diferena entre duas amostras ou intervalos de
confiana para amostras pequenas.
Os construtos matemticos da distribuio t so os seguintes:
f (t )
[(r 1) / 2]
r [ r / 2]
(1 t 2 / r ) ( r 1) / 2
mdia = 0 (isso se aplica a todos os graus de liberdade r exceto se a distribuio

for deslocada para outra localizao central diferente de zero)
desvio padro =
r
r2
obliquidade = 0 (se aplica a todos os graus de liberdade r)

68
curtose excessiva =
onde t
6
for all r 4
r4
xx
e a funo gama.
s
Os graus de liberdade r so o nico parmetro de distribuio. A distribuio t

est relacionada distribuio F, como mostrado a seguir: o quadrado de um
valor de t com r graus de liberdade distribudo como F com 1 e r graus de
liberdade. O formato geral da funo de densidade da probabilidade da
distribuio t lembra o formato de sino de uma varivel normalmente distribuda
com mdia 0 e varincia 1, exceto que essa um pouco mais baixa e mais larga e
leptocrtica (caudas gordas nas extremidades e um pico no centro). medida
que o grau de liberdade aumenta (digamos, acima de 30), a distribuio t se
aproxima da distribuio normal com mdia 0 e varincia 1.
Grau de liberdade 1, devendo ser um inteiro
Distribuio
triangular
A distribuio triangular descreve uma situao na qual voc sabe os valores

mnimo, mximo e os mais provveis (MP) de acontecer. Por exemplo, voc
poderia descrever o nmero de carros vendidos por semana quando as vendas
passadas mostrassem os nmeros mnimo e mximo e o nmero normal de carros
vendidos.
Condies
As trs condies subjacentes distribuio triangular so:
O nmero mnimo de itens fixo.
O nmero mximo de itens fixo.
O nmero mais provvel de itens encontra-se entre os valores mnimo e

mximo, formando uma distribuio de formato triangular, que mostra
que os valores perto do mnimo e do mximo tm menor chance de
ocorrncia do que aqueles perto do valor mais provvel (MP).
Os construtos matemticos da distribuio triangular so os seguintes:
2( x Min)
( Max Min)( MP min) para Min x Mais provavel
f ( x)
2( Max x)
para Mais provavel x Max

( Max Min)( Max MP )
mdia =
1
( Min MP Max)
3
desvio padro =
1
( Min2 MP 2 Max 2 Min Max Min MP Max MP)
18
69
obliquidade =
2( Min Max 2 MP )(2 Min Max MP )( Min 2 Max MP )

5( Min 2 Max 2 MP 2 MinMax MinMP MaxMP )3/ 2
curtose excessiva = 0,6 (isso se aplica a todas as entradas de Mn, Mx e Mais

provvel)
O valor mnimo (Mn), o valor mais provvel (MP) e o valor mximo (Mx) so
os parmetros de distribuio.
Mn Mais provvel Mx, podendo assumir qualquer valor
No entanto, Mn < Mx, podendo assumir qualquer valor
Distribuio
uniforme
Com a distribuio uniforme, todos os valores entre o mnimo e o mximo

ocorrem com a mesma probabilidade.
Condies
As trs condies subjacentes distribuio uniforme so:
O valor mnimo fixo.
O valor mximo fixo.
Todos os valores entre o mnimo e o mximo ocorrem com a mesma

probabilidade.
Os construtos matemticos da distribuio uniforme so os seguintes:
f ( x)
1
para todos os valores de forma que Min Max
Max Min
mdia
Min Max
2
( Max Min) 2
desvio padro
12
obliquidade = 0 (isso se aplica a todas as entradas de Mn e Mx)
curtose excessiva = 1,2 (isso se aplica a todas as entradas de Mn e Mx)
Valor mximo (Mx) e valor mnimo (Mn) so os parmetros de distribuio.
Mn < Mx, podendo assumir qualquer valor
Distribuio de
Weibull
(distribuio de
Rayleigh)
A distribuio Weibull descreve os dados resultantes de testes de vida til e

fatiga. Normalmente ela usada para descrever o tempo de falha em estudos de
confiabilidade, como a fora necessria para quebrar um material em testes de
confiabilidade e controle de qualidade. As distribuies Weibull tambm so
usadas para representar vrias quantidades fsicas, como velocidade do vento. A
distribuio Weibull uma famlia de distribuies que podem assumir as
propriedades de muitas outras distribuies. Por exemplo, dependendo do
70
parmetro de forma que voc definir, a distribuio Weibull pode ser usada para
modelar as distribuies exponencial e Rayleigh, entre outras. A distribuio
Weibull muito flexvel. Quando o parmetro de forma Weibull igual a 1,0, a
distribuio Weibull idntica distribuio exponencial. O parmetro de
localizao Weibull permite configurar uma distribuio exponencial para iniciar
em uma localizao qualquer diferente de 0,0. Quando o parmetro de forma
menor do que 1,0, a distribuio Weibull se torna uma curva com forte inclinao
decrescente. Um fabricante pode achar esse efeito til para descrever falhas de
peas durante um perodo de processamento. Os construtos matemticos da
distribuio Weibull so os seguintes:
x
f ( x)

mdia (1 1 )
desvio padro 2 (1 2 1 ) 2 (1 1 )
obliquidade =
2 3 (1 1 ) 3(1 1 )(1 2 1 ) (1 3 1 )
(1 2
) 2 (1 1 )
3/ 2
curtose excessiva =
6 4 (1 1 ) 12 2 (1 1 )(1 2 1 ) 3 2 (1 2 1 ) 4(1 1 )(1 3 1 ) (1 4 1 )
(1 2
) 2 (1 1 )
Formato () e escala de localizao central () so os parmetros de distribuio

e a funo gama.
Alfa da forma 0,05
Distribuies
Weibull e Rayleigh
multiplicativa
deslocada
A distribuio Weibull descreve os dados resultantes de testes de vida til e

fatiga. Normalmente ela usada para descrever o tempo de falha em estudos de
confiabilidade, como a fora necessria para quebrar um material em testes de
confiabilidade e controle de qualidade. As distribuies Weibull tambm so
usadas para representar vrias quantidades fsicas, como velocidade do vento. A
distribuio Weibull uma famlia de distribuies que podem assumir as
propriedades de muitas outras distribuies. Por exemplo, dependendo do
parmetro de forma que voc definir, a distribuio Weibull pode ser usada para
modelar as distribuies exponencial e Rayleigh, entre outras. A distribuio
Weibull muito flexvel. Quando o parmetro de forma Weibull igual a 1,0, a
distribuio Weibull idntica distribuio exponencial. A escala de
localizao central ou o parmetro beta Weibull permite configurar uma
distribuio exponencial para iniciar em uma localizao qualquer diferente de
0,0. Quando o parmetro de forma menor do que 1,0, a distribuio Weibull se
torna uma curva com forte inclinao decrescente. Um fabricante pode achar esse
71
efeito til para descrever falhas de peas durante um perodo de processamento.

Forma () e escala () so os parmetros de distribuio.
Alfa da forma 0,05
Escala de localizao central ou beta > 0, podendo ser qualquer valor positivo
Fator > 0
72
3
3. PREVISO
previso a ao de prever o futuro, seja ela baseada em dados

histricos ou apenas uma especulao acerca do futuro quando no h
histrico. Quando h dados histricos, uma abordagem quantitativa ou
estatstica melhor, mas se eles no existem, ento uma abordagem qualitativa
ou arbitrria , potencialmente, o nico recurso. A Figura 3.1 lista as
metodologias mais comuns para previses.
FORECASTING
QUANTITATIVE
CROSS-SECTIONAL
Econometric Models
Monte Carlo Simulation
Multiple Regression
Statistical Probabilities
Use Risk Simulators

Forecast Tool for ARIMA,
Classical Decomposition,
Multivariate Regressions,
Nonlinear Regressions, Simulations
and Stochastic Processes
QUALITATIVE
Delphi Method
Expert Opinions
Management Assumptions
Market Research
Polling Data
Surveys
MIXED PANEL
Use Risk Simulator
to run Monte Carlo
Simulations (use
distributional fitting
or nonparametric
custom distributions)
ARIMA(X)
Multiple Regression
TIME-SERIES
ARIMA
Classical Decomposition
(8 Time-Series Models)
Multivariate Regression
Nonlinear Extrapolation
Stochastic Processes
Figura 3.1 Mtodos de previso
3.1 Diferentes tipos de tcnicas de previso

Geralmente, as previses podem ser divididas em quantitativas e qualitativas. As
previses qualitativas so usadas quando h poucos ou nenhum dado histrico,
contemporneo ou comparativo. H vrios mtodos qualitativos, como a
abordagem Delphi ou de opinio de especialista (uma previso de criao de
consenso por peritos na rea, especialistas de marketing ou membros da equipe
73
interna), suposies de gerenciamento (metas de taxa de crescimento definidas

pela alta administrao), bem como pesquisas de mercado, dados externos ou
votaes e pesquisas (dados obtidos por meio de terceiros, ndices setoriais e da
indstria ou de pesquisas de mercado ativas). Essas estimativas podem ser
estimativas de ponto nico (um consenso mdio) ou um conjunto de valores de
previso (uma distribuio de previses). A ltima pode ser inserida no Risk
Simulator como uma distribuio personalizada e as previses resultantes podem
ser simuladas. Ou seja, uma simulao no paramtrica usando os pontos de
dados estimados como a distribuio.
Na parte quantitativa da previso, os dados disponveis ou dados que precisam
ser previstos podem ser divididos sries temporais (valores que tm um elemento
temporal, como receitas de anos diferentes, ndices de inflao, taxas de juros,
participao no mercado, taxas de falha etc.), dados cruzados (valores que
independem do tempo, como a mdia nacional das notas dos universitrios do
segundo ano em um determinado ano, dados os nveis da pontuao de cada
aluno no vestibular, seu QI e nmero de bebidas alcolicas consumidas por
semana) ou um painel misto (mistura entre sries temporais e dados de painel,
por exemplo: previso das vendas para os prximos 10 anos dados o oramento
das despesas de marketing e as projees de participao no mercado, isso
significa que os dados de vendas so sries temporais, mas h variveis
exgenas, como despesas de marketing e participao no mercado, que ajudam a
modelar previses). O software Risk Simulator fornece ao usurio diversas
metodologias de previso:
1. ARIMA (modelo de mdia mvel integrada autorregressiva)
2. AutoARIMA
3. Econometria bsica
4. Autoeconometria
5. Lgica difusa combinatria
6. Distribuies personalizadas
7. GARCH (modelo autorregressivo heteroscedasticidade condicional
generalizado)
8. Curvas J
9. Cadeias de Markov
10. Mxima verossimilhana
11. Rede neural
12. Regresso multivariada
13. Extrapolao no linear
14. Curvas S
15. Spline cbico
16. Previso estocstica
17. Anlise da srie temporal
18. Linhas de tendncia
74
Os detalhes analticos de cada mtodo de previso no fazem parte do escopo

deste manual. Para obter mais detalhes, consulta Modeling Risk, 2 edio:
Applying Monte Carlo Simulation, Real Options Analysis, Stochastic Forecasting
and Portfolio Optimization, de Dr. Johnathan Mun (Wiley Finance 2010), que
tambm criou o software the Risk Simulator. Apesar disso, listamos a seguir
algumas abordagens mais comuns. Todas as outras abordagens de previso
podem ser aplicadas sem dificuldades com o Risk Simulator. A seguir
fornecida uma rpida reviso de cada metodologia e diversos exemplos simples
para comear a usar o software. Descries mais detalhadas e modelos de
exemplos de cada tcnica so encontradas ao longo deste captulo e do prximo.
ARIMA
Mdia mvel integrada autorregressiva (ARIMA, tambm conhecida como

ARIMA Box-Jenkins) uma tcnica de modelagem economtrica avanada.
ARIMA observa dados histricos de sries temporais e executa rotinas de
otimizao de retroajuste para explicar a autocorrelao histrica (a relao de
um valor em oposio a outro no tempo), a estabilidade dos dados para corrigir
as caractersticas no estacionrias dos dados. Este modelo de previso aprende
com o tempo corrigindo seus erros de previso. Normalmente, necessrio ter
conhecimento avanado em econometria para construir bons modelos de previso
usando esta abordagem.
AutoARIMA
O modelo AutoARIMA automatiza algumas das modelagens ARIMA

tradicionais testando automaticamente vrias permutaes de especificaes do
modelo e retorna o modelo mais apropriado. A execuo de AutoARIMA
semelhante execuo das previses ARIMA normais. A diferena que as
entradas P, D e Q no so obrigatrias e diferentes combinaes desses valores
so automaticamente executados e comparados.
Econometria bsica
A econometria se refere a um ramo de tcnicas de previso, modelagem e anlise

de negcios para modelar o comportamento ou prever certas variveis de
negcios, economia, finanas, fsica, fabricao, operaes e outras. A execuo
de modelos de Econometria bsica semelhante execuo da anlise de
regresso normal, exceto que as variveis independentes e dependentes podem
ser modificadas antes da execuo de uma regresso.
Autoeconometria
bsica
Semelhante econometria bsica, mas executa automaticamente milhares de

variveis lineares, no lineares, interativas, defasadas e mistas nos dados para
determinar o modelo economtrico mais apropriado que descreve o
comportamento da varivel dependente, til para modelar os efeitos das variveis
e para prever resultados futuros, sem exigir que o analista seja um econometrista
especializado.
Lgica difusa
combinatria
O termo lgica difusa derivado da teoria de conjuntos difusos, ou Fuzzy, para

lidar com o raciocnio que seja aproximado e no exato. Essa lgica se contrape
lgica clsica, na qual os conjuntos binrios tm lgica binria. As variveis
de lgica difusa podem ter um valor verdadeiro que varie entre 0 e 1 e no seja
restrito aos dois valores verdadeiros da lgica proposicional clssica. Esse
esquema de ponderao difuso usado com mtodo combinatrio para produzir
resultados de previso de srie temporal no Risk Simulator.
Distribuies
personalizadas
Usando o Risk Simulator, possvel coletar opinies de especialistas e gerar uma

distribuio personalizada. Essa tcnica de previso bastante til quando o
conjunto de dados pequeno ou o melhor ajuste ruim quando aplicado a uma
rotina de ajuste da distribuio.
75
GARCH
O modelo de heteroscedasticidade condicional autorregressiva (GARCH) usado

para modelar nveis de volatilidade histricos e prever a volatilidade futura de um
instrumento negocivel, por exemplo, preos de aes, preos de commodities,
preos do petrleo etc. O conjunto de dados deve ser uma srie temporal de
nveis de preos brutos. Primeiro, GARCH converte os preos em retornos
relativos e executa uma otimizao interna para ajustar os dados histricos a uma
estrutura a termo de volatilidade de reverso mdia, supondo que a volatilidade
natureza heteroscedstica (se altera com o tempo de acordo com algumas
caractersticas economtricas). Diversas variaes dessa metodologia esto
disponveis no Risk Simulator, incluindo EGARCH, EGARCH-T, GARCH-M,
GJR-GARCH, GJR-GARCH-T, IGARCH e T-GARCH.
Curva J
A curva J ou curva de crescimento exponencial na qual o crescimento do

prximo perodo depende do nvel do perodo atual e o aumento exponencial.
Isso significa que ao longo do tempo, os valores aumentaro significativamente
de um perodo para o outro. Normalmente, esse modelo usado para prever o
crescimento biolgico e reaes qumicas ao longo do tempo.
Cadeias de Markov
Uma cadeia de Markov existe quando a probabilidade de um estado futuro

depende de um estado anterior e quando unidos formam uma cadeia se reverte a
um nvel de estado estvel no longo prazo. Essa abordagem usada para prever a
participao de mercado de dois concorrentes. Os valores de entrada obrigatrios
so a probabilidade inicial de um cliente na primeira loja (o primeiro estado)
retornar mesma loja no prximo perodo, comparada com a probabilidade de
mudar para uma loja concorrente no prximo estado.
Mxima
verossimilhana em
logit, tobit e probit
A estimativa de mxima verossimilhana (MLE) usada para prever a

probabilidade de que algo ocorra, dado algumas variveis independentes. Por
exemplo, usa-se a MLE para prever se uma linha de crdito ou dbito ficar
inadimplente, dado as caractersticas do devedor (30 anos de idade, solteiro,
salrio de $100.000 por ano e dvida total no carto de crdito de $10.000); ou a
probabilidade de um paciente desenvolver cncer de pulmo, se for um homem
entre 50 e 60 anos que fuma 5 maos de cigarros por ms etc. Nessas
circunstncias, a varivel dependente limitada (ou seja, limitada a ser binria 1
e 0 para inadimplncia/morrer e adimplncia/viver ou limitada a valores inteiros
como 1, 2, 3 etc.) e o resultado desejado do modelo prever a probabilidade de
ocorrncia de um evento. A anlise de regresso tradicional no funciona nessas
situaes, pois a probabilidade prevista normalmente menor que zero ou maior
que um e muitas das suposies de regresso obrigatrias so violadas, como a
independncia e a normalidade dos erros e os erros sero grandes.
Rede neural
O termo rede neural tradicionalmente usado para se referir a uma rede ou um

circuito de neurnios biolgicos, ao passo que o uso moderno do termo se refere
s redes neurais artificiais que compreendem neurnios artificiais ou ns
recriados em um ambiente de software. Essa metodologia tenta imitar os
neurnios ou o crebro humano no modo de pensar e identificar padres, em
nosso caso, para identificar padres com a finalidade de prever dados de srie
temporal.
Regresso
multivariada
A regresso multivariada usada para modelar a estrutura de relaes e

caractersticas de uma determinada varivel dependente j que ela depende de
outras variveis exgenas independentes. Usando a relao modelada, podemos
prever os valores futuros da varivel dependente. Tambm possvel determinar
76
a exatido e o melhor ajuste para o modelo. Os modelos lineares e no lineares

podem ser ajustados na anlise de regresso mltipla.
Extrapolao no
linear
Supe-se que a estrutura fundamental dos dados a serem previstos seja no linear
ao longo do tempo. Por exemplo, um conjunto de dados como 1, 4, 9, 16, 25
considerado como no linear, pois os pontos de dados so de uma funo
quadrada.
Curvas S
A curva S, ou curva de crescimento logstico, comea como uma curva J, com

taxas de crescimento exponenciais. Com o tempo, o ambiente torna-se saturado
(por exemplo, saturao do mercado, competio, superlotao), o crescimento
diminui e o valor da previso por fim termina em um nvel mximo de saturao.
Esse modelo muito usado para prever participao de mercado ou o
crescimento das vendas de um novo produto, desde introduo no mercado at a
maturidade e o declnio, a dinmica de populaes e outros fenmenos naturais.
Spline cbico
s vezes h valores ausentes em um conjunto de dados de uma srie temporal.

Por exemplo, pode-se ter as taxas de juros dos anos 1 a 3, seguidas pelas dos anos
5 a 8 e 10. As curvas spline podem ser usadas para interpolar os valores de taxa
de juros dos anos ausentes com base nos dados existentes. As curvas spline
tambm podem ser usadas para prever ou extrapolar valores de perodos de
tempo futuros alm do perodo de tempo dos dados disponveis. Os dados podem
ser lineares ou no lineares.
Previso de processo
estocstico
s vezes as variveis so estocsticas e no podem ser prontamente previstas

usando meios tradicionais. Essas variveis so chamadas de estocsticas. Porm,
a maioria dos fenmenos financeiros, econmicos e naturais (por exemplo, o
movimento das molculas no ar) segue uma lei ou relacionamento matemtico
conhecido. Apesar de os valores resultantes serem incertos, a estrutura
matemtica fundamental conhecida e pode ser simulada usando a simulao de
risco Monte Carlo. Os processos para os quais o Risk Simulator oferece suporte
incluem o movimento de caminho aleatrio, reverso mdia, difuso com salto
e processos mistos, teis para prever variveis de sries temporais no estticas.
Decomposio e
anlise de srie
temporal
Em dados de srie temporal bem comportados, entre os quais se incluem as

receitas de vendas e as estruturas de custos de grandes corporaes, os valores
tendem a ter at trs elementos, um valor de base, uma tendncia e uma
sazonalidade. A anlise de srie temporal usa os dados histricos e os decompe
nesses trs elementos, recompondo-os em previses do futuro. Em outras
palavras, esse mtodo de previso, bem como outros j descritos, primeiro
executa um retroajuste (backcast) dos dados histricos antes de fornecer
estimativas de valores futuros (previses).
Linhas de tendncia
As linhas de tendncia podem ser usadas para determinar se um conjunto de

dados de srie temporal segue qualquer tendncia considervel. As tendncias
podem ser lineares ou no lineares (como exponencial, logartmica, mdia mvel,
potncia ou polinomial).
77
3.2 Execuo da ferramenta Previso no Risk

Simulator
Em geral, para criar previses, algumas etapas rpidas so necessrias:
Inicie o Excel e entre ou abra os dados histricos
Selecione os dados, clique em Simulao e selecione Previso
Selecione as sees relevantes (ARIMA, Regresso multivariada,

Explorao no linear, Previso estocstica, Anlise de srie temporal) e
insira os valores relevantes
A Figura 3.2 mostra a ferramenta Previso e as vrias metodologias.
Figura 3.2 Mtodos de previso do Risk Simulator

A seguir fornecida uma rpida reviso de cada metodologia e diversos
exemplos simples para comear a usar o software. O arquivo de exemplo pode
ser encontrado em Iniciar | Real Options Valuation | Risk Simulator | Exemplos
ou acessado diretamente em Risk Simulator | Modelos de exemplo.
3.3 Anlise da srie temporal

Teoria:
A Figura 3.3 lista os oito modelos de srie temporal mais comuns separados
por sazonalidade e tendncia. Por exemplo, se a varivel de dados no
possuir tendncia ou sazonalidade, um modelo de mdia mvel simples ou de
suavizao exponencial simples seria suficiente. No entanto, se a sazonalidade
existe, mas nenhuma tendncia discernvel est presente, um modelo sazonal
aditivo ou multiplicativo seria melhor etc.
78
No Trend
With Trend
No Seasonality
With Seasonality
Single Moving Average
Seasonal
Additive
Single Exponential
Smoothing
Seasonal
Multiplicative
Double Moving
Average
Holt-Winter's
Additive
Double Exponential
Smoothing
Holt-Winter's
Multiplicative
Figura 3.3 Os oito mtodos de srie temporal mais comuns
Procedimento:
Inicie o Excel e abra os dados histricos, se necessrio. O exemplo abaixo

usa o arquivo Previso da srie temporal na pasta de exemplos
Selecione os dados histricos (os dados devem ser listados em uma nica
coluna)
Selecione Risk Simulator | Previso | Anlise da srie temporal
Escolha o modelo a ser aplicado, insira as suposies relevantes e clique

em OK
Figura 3.4 Anlise da srie temporal
79
Interpretao dos
resultados:
A Figura 3.5 ilustra os resultados gerados usando a ferramenta Previso. O

modelo usado foi o multiplicativo de Holt-Winters. Observe que na Figura 3.5, o
grfico de ajuste de modelo e previso indica que a tendncia e a sazonalidade
so demonstradas pelo modelo multiplicativo de Holt-Winters. O relatrio de
anlise da srie temporal fornece os parmetros alfa, beta e gama otimizados, as
medidas de erro, os dados ajustados, os valores previstos e o grfico de previso
ajustado. Os parmetros so somente para referncia. Alfa captura os efeitos de
memorizao das alteraes do nvel bsico ao longo do tempo, beta o
parmetro de tendncia que mede o ponto forte da tendncia e gama mede o
ponto forte da sazonalidade dos dados histricos. A anlise decompe os dados
histricos nesses trs elementos e depois os recompe para prever o futuro. Os
dados ajustados ilustram os dados histricos, bem como os dados ajustados que
usam o modelo recomposto e mostram a proximidade das previses no passado
(uma tcnica chamada backcasting). Os valores previstos so estimativas ou
suposies de ponto nico (se a opo de gerao de suposio automtica for
escolhida e um perfil de simulao existir). O grfico ilustra os valores histricos,
ajustados e previstos. O grfico uma ferramenta visual e de comunicao
poderosa para ver a qualidade do modelo de previso.
Notas:
Este mdulo de anlise de srie temporal contm os oito modelos de sries

temporais vistos na Figura 3.3. Voc pode selecionar o modelo especfico para
executar com base nos critrios de tendncia e sazonalidade ou escolher Seleo
automtica de modelo para iterar automaticamente todos os oito mtodos,
otimizar os parmetros e encontrar o modelo de melhor ajuste para os dados.
Como alternativa, se voc escolher um dos oito modelos, poder desmarcar as
caixas de seleo Otimizar e inserir seus prprios parmetros alfa, beta e gama.
Consulte o livro do Dr. Johnathan Mun, Modeling Risk, 2 edio: Applying
Monte Carlo Simulation, Real Options Analysis, Forecasting, and Optimization
(Wiley, 2010) para obter mais detalhes sobre as especificaes tcnicas desses
parmetros. Alm disso, necessrio inserir os perodos de sazonalidade
relevantes se voc escolher a seleo de modelo automtica ou um dos modelos
sazonais. O valor de sazonalidade deve ser um inteiro positivo, por exemplo, se
os dados so trimestrais, insira 4 como o nmero de temporadas ou ciclos por
ano, ou insira 12 se os dados forem mensais. Em seguida, insira o nmero de
perodos a serem previstos. Esse valor tambm deve ser um inteiro positivo. O
tempo de execuo mximo definido como 300. Normalmente, nenhuma
alterao necessria. No entanto, durante uma previso com uma quantidade
significativa de dados histricos, a anlise pode ser um pouco mais demorada e
se o tempo de processamento exceder o tempo de execuo, o processo ser
encerrado. Voc tambm pode definir que a previso gere suposies
automaticamente. Ou seja, em vez de estimativas de ponto nico, as previses
sero suposies. Finalmente, a opo de parmetros polares permite otimizar os
parmetros alfa, beta e gama para incluir zero e um. Alguns softwares de
previso permitem esses parmetros polares, outros, no. O Risk Simulator
permite que voc escolha qual deseja usar. Normalmente, no h necessidade de
usar parmetros polares.
80
Multiplicativa de Holt-Winter
Estatsticas resumidas
Alfa, beta, gama
0.00, 0.00, 0.00
0.10, 0.10, 0.10
0.20, 0.20, 0.20
0.30, 0.30, 0.30
0.40, 0.40, 0.40
0.50, 0.50, 0.50
REQM
914.824
415.322
187.202
118.795
101.794
102.143
Alfa, beta, gama

0.00, 0.00, 0.00
0.10, 0.10, 0.10
0.20, 0.20, 0.20
0.30, 0.30, 0.30
0.40, 0.40, 0.40
REQM
914.824
415.322
187.202
118.795
101.794
A anlise foi executada com alfa = 0.2429, beta = 1.0000, gama = 0.7797 e sazonalidade = 4
Resumo da anlise de srie temporal

Quando h sazonalidade e tendncia, so necessrios modelos mais avanados para decompor os dados em seus elementos bsicos: um nvel de caso de base
(L) ponderado pelo parmetro alfa; um componente de tendncia (b) ponderado pelo parmetro beta; e um componente de sazonalidade (S) ponderado pelo
parmetro gama. Existem vrios mtodos, mas os mais comuns so os mtodos de sazonalidade aditiva de Holt-Winters e de sazonalidade multiplicativa de HoltWinters. No modelo de sazonalidade aditiva de Holt-Winter, o nvel de caso de base, a sazonalidade e a tendncia somados para obter o ajuste de previso.
O teste de melhor ajuste para a previso da mdia mvel usa a raiz do erro quadrtico mdio (REQM). O REQM calcula a raiz quadrada dos desvios quadrados da
mdia dos valores ajustados versus os pontos de dados reais.
O erro quadrtico mdio (EQM) uma medida de erro absoluto que eleva os erros ao quadrado (a diferena entre os dados histricos reais e os dados ajustados
previso previstos pelo modelo) para evitar que os erros positivos e negativos cancelem um aos outros. Essa medida tambm tende a exagerar erros grandes, pois
eleva seu peso ao quadrado e, assim, atribui um peso maior do que a erros pequenos, o que pode ajudar na comparao de modelos de sries temporais
diferentes. A REQM a raiz quadrada do EQM e a medida de erro mais popular, tambm conhecida como funo perda quadrtica. A REQM pode ser definida
como a mdia dos valores absolutos dos erros de previso e muito apropriada quando o custo desses erros proporcional ao seu tamanho absoluto. A REQM
usada como o critrio para seleo do modelo de sries temporais mais adequado.
O erro mdio percentual absoluto (MAPE) uma estatstica de erro relativo medida como uma mdia do erro percentual dos pontos de dados histricos e mais
adequada quando o custo do erro de previso est relacionado mais intimamente ao erro percentual do que ao tamanho numrico do erro. Por ltimo, uma medida
associada a estatstica U-Theil, que mede a ingenuidade da previso do modelo. Ou seja, se a estatstica U-Theil for menor do que 1,0, ento o mtodo de
previso usado fornecer uma estimativa que estatisticamente melhor do que um palpite.
Perodo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Previso21
Previso22
Previso23
Previso24
Previso25
Previso26
Previso27
Previso28
Real Ajuste de previso

684.20
584.10
765.40
892.30
885.40
684.20
677.00
667.55
1006.60
935.45
1122.10
1198.09
1163.40
1112.48
993.20
887.95
1312.50
1348.38
1545.30
1546.53
1596.20
1572.44
1260.40
1299.20
1735.20
1704.77
2029.70
1976.23
2107.80
2026.01
1650.30
1637.28
2304.40
2245.93
2639.40
2643.09
2713.69
2114.79
2900.42
3293.81
3346.55
2580.81
3506.19
3947.61
Medidas de erro
REQM
71.8132
EQM 5157.1348
MAD
53.4071
MAPE
4.50%
U-Theil
0.3054
Figura 3.5 Exemplo de relatrio de previso de Holt-Winters
81
3.4 Regresso multivariada

Teoria:
Supe-se que o usurio tenha conhecimentos suficientes sobre os fundamentos de

anlise de regresso. A equao de regresso linear bivariada assume a forma de
Y 0 1 X onde0 a intercepo, 1 a inclinao e o termo de
erro. Ela bivariada porque tem apenas duas variveis, uma varivel dependente
Y e uma varivel independente X, onde X tambm conhecido como o regressor
(s vezes uma regresso bivariada tambm conhecida como uma regresso
univariada, pois h apenas uma varivel independente X). A varivel dependente
recebe esse nome por depender da varivel independente, por exemplo, a receita
de vendas depende dos custos com marketing com propaganda e promoo de
um produto, ou seja, as vendas so a varivel dependente e os custos com
marketing so a varivel independente. Um exemplo de regresso bivariada a
simples insero da linha de melhor ajuste em um conjunto de pontos de dados
em um plano bidimensional, como visto no painel esquerdo da Figura 3.6. Em
outros casos, possvel executar uma regresso multivariada, na qual haja vrios
ou n nmeros de variveis X independentes, nas quais a equao de regresso
geral ter agora a forma de Y 0 1 X 1 2 X 2 3 X 3 ... n X n .
Nesse caso, a melhor linha de ajuste estar em um plano de n + 1 dimenses.
Figura 3.6 Regresso bivariada

No entanto, ajustar uma linha atravs de um conjunto de pontos de dados em um
diagrama de disperso, como na Figura 3.6, pode resultar em diversas linhas
possveis. A linha de melhor ajuste definida como a nica linha que minimiza o
total de erros verticais, ou seja, a soma das distncias absolutas entre os pontos de
dados reais (Yi) e a linha estimada ( Y ), como mostrado no painel da direita da
Figura 3.6. Para encontrar a melhor linha de ajuste que minimiza os erros,
necessria uma abordagem mais sofisticada: a anlise de regresso. Portanto, a
anlise de regresso encontra a nica linha de melhor ajuste exigindo que os
erros totais sejam minimizados ou calculando;
n
Min (Yi Yi ) 2
i 1
82
onde apenas uma linha nica minimiza essa soma dos erros elevados ao
quadrado. Os erros (distncia vertical entre os dados reais e a linha prevista) so
elevados ao quadrado para evitar que os erros negativos cancelem os erros
positivos. A soluo desse problema de minimizao com relao inclinao e
intercepo requer primeiro o clculo da derivada primeira e defini-la como
zero:
n
d
d 0
(Y
i 1
Yi ) 2 0 e
d
d 1
(Y
i 1
Yi ) 2 0
o que resulta nas equaes quadrticas dos mnimos da regresso bivariada:

n
(Xi X)(Yi Y )
i 1
(X X)
i 1
X Y
i 1
XiYi i1
i 1
Xi
n
Xi2 i1
n
i 1
0 Y 1X
Para a regresso multivariada, a analogia ampliada para explicar as mltiplas
variveis independentes, em que Yi 1 2 X 2,i 3 X 3,i i e as
inclinaes estimadas so calculadas por:
Y X X Y X X
X X X X
Y X X Y X X
X X X X
2
3
2
3,i
2 ,i
2
2 ,i
3,i
2
2 ,i
2 ,i
X 3, i
2
3, i
2
2 ,i
3, i
2 ,i
3, i
2 ,i
2 ,i
X 3, i
2
3, i
2 ,i
3, i
A execuo de regresses multivariadas requer muita ateno na configurao e

interpretao dos resultados. Por exemplo, necessrio ter boa compreenso do
modelo economtrico, por exemplo, identificar armadilhas de regresso como
quebras estruturais, multicolinearidade, heteroscedasticidade, autocorrelao,
testes de especificao, no linearidades etc., antes que um modelo apropriado
possa ser construdo. Consulte Modeling Risk, 2 edio: Applying Monte Carlo
Simulation, Real Options Analysis, Forecasting, and Optimization (Wiley, 2010)
do Dr. Johnathan Mun, para uma anlise mais detalhada e uma discusso sobre a
regresso multivariada, bem como para identificar as armadilhas de regresso.
Procedimento:
Inicie o Excel e abra os dados histricos, se necessrio. A ilustrao a

seguir usa o arquivo Regresso mltipla na pasta de exemplos
Verifique se os dados esto dispostos em colunas, selecione toda a rea de

dados, incluindo o nome da varivel, e selecione Risk Simulator |
Previso | Regresso mltipla
83
Interpretao dos
resultados:
Selcione a varivel dependente e marque as opes relevantes

(defasagem, regresso stepwise , regresso no linear etc.) e clique em
OK
A Figura 3.8 ilustra um exemplo de relatrio dos resultados de regresso

multivariada. O relatrio contm todos os resultados da regresso, a anlise dos
resultados de varincia, o grfico ajustado e os resultados do teste de hipteses.
Os detalhes tcnicos da interpretao desses resultados no fazem parte do
escopo deste manual. Consulte Modeling Risk, 2 edio: Applying Monte Carlo
Simulation, Real Options Analysis, Forecasting, and Optimization (Wiley, 2010)
do Dr. Johnathan Mun, para uma anlise mais detalhada e uma discusso sobre a
regresso multivariada e a interpretao dos relatrios de regresso.
Figura 3.7 Execuo de uma regresso multivariada
84
Relatrio da anlise de regresso

Estatsticas de regresso
R2 (coeficiente de determinao)
R2 ajustado
R mltiplo (coeficiente de correlao mltipla)
Erro padro das estimativas (SEy)
Nmero de observaes
0.3272
0.2508
0.5720
149.6720
50
R2, ou coeficiente de determinao, indica que 0.33 da variao da varivel dependente que pode ser explicado e contabilizado pelas variveis independentes
nessa anlise de regresso. No entanto, em uma regresso mltipla, o R2 ajustado considera a existncia de outras variveis independentes ou regressores
e ajusta esse valor de R2 para obter uma viso mais precisa da fora de explicao da regresso. Assim, apenas 0.25 da variao da varivel dependente
pode ser explicado pelos regressores.
O coeficiente de correlao mltipla (R mltiplo) mede a correlao entre a varivel dependente real (Y) e a estimada ou ajustada (Y) com base na equao de
regresso. Tambm a raiz quadrada do coeficiente de determinao (R2).
O erro padro das estimativas (SEy) descreve a disperso dos pontos de dados acima e abaixo da linha ou do plano de regresso. Esse valor usado como
parte do clculo para obter o intervalo de confiana das estimativas depois.
Resultados da regresso
Coeficientes
Erro padro
Estatstica t
P-valor
5% mais baixos
95% mais altos
Interceptao
X1
X2
X3
X4
X5
57.9555
108.7901
0.5327
0.5969
-161.2966
277.2076
-0.0035
0.0035
-1.0066
0.3197
-0.0106
0.0036
0.4644
0.2535
1.8316
0.0738
-0.0466
0.9753
25.2377
14.1172
1.7877
0.0807
-3.2137
53.6891
-0.0086
0.1016
-0.0843
0.9332
-0.2132
0.1961
16.5579
14.7996
1.1188
0.2693
-13.2687
46.3845
Graus de liberdade
Graus de liberdade para regresso
Graus de liberdade para residual
Total de graus de liberdade
5
44
49
Teste de hipteses
Estatstica t crtica (99% de confiana com df igual a 44)
2.6923
2.0154
1.6802
Os coeficientes fornecem a interceptao e a inclinao estimadas da regresso. Por exemplo, os coeficientes so estimativas dos verdadeiros valores da
populao b nesta equao de regresso: Y = b0 + b1X1 + b2X2 + ... + bnXn. O erro padro mede a preciso dos coeficientes previstos, e as estatsticas t so
os ndices de cada coeficiente previsto para seu erro padro.
A estatstica t usada em testes de hipteses, nos quais possvel definir a hiptese nula (Ho) de tal maneira que a mdia real do coeficiente = 0, e a
hiptese alternativa (Ha) de tal maneira que a mdia real do coeficiente seja diferente de 0. Um teste t executado e a estatstica t calculada comparada aos
valores crticos nos graus de liberdade relevantes para o residual. O teste t muito importante, pois calcula se cada um dos coeficientes estatisticamente
significativo na presena de outros regressores. Isso significa que o teste t verifica estatisticamente se um regressor ou uma varivel independente deve
permanecer na regresso ou ser descartada.
O coeficiente estatisticamente significativo se a sua estatstica t calculada excede a estatstica t crtica nos graus de liberdade relevantes (df). Os trs
principais nveis de confiana usados para testar a significncia so 90%, 95% e 99%. Se a estatstica t de um coeficiente exceder o nvel crtico, ela s er
considerada estatisticamente relevante. Como alternativa, o p-valor calcula a probabilidade de ocorrncia de cada estatstica t, o que significa que quanto
menor o p-valor, mais significativo o coeficiente. Os nveis de significncia do p-valor costumam ser 0,01, 0,05 e 0,10, o que corresponde aos nveis de
confiana 99%, 95% e 90%.
Os coeficientes cujos p-valores so realados em azul indicam que so estatisticamente significativos no nvel de confiana de 90% ou no nvel alfa de 0,10,
enquanto aqueles cujos p-valores so realados em vermelho indicam que no so estatisticamente relevantes em qualquer outro nvel alfa.
85
Anlise de varincia
Somas dos Mdia dos
Estatstica F
quadrados quadrados
479388.49 95877.70
4.28
985675.19 22401.71
1465063.68
Regresso
Residual
Total
P-valor
0.0029
Teste de hipteses
Estatstica F crtica (99% de confiana com df igual a 5 e 44)
3.4651
2.4270
1.9828
A tabela de anlise de varincia (ANOVA) fornece um teste F da significncia estatstica geral do modelo de regresso. Em vez de analisar regressores
individuais como no teste t, o teste F analisa as propriedades estatsticas de todos os coeficientes estimados. A estatstica F calculada como a proporo da
mdia dos quadrados da regresso em relao mdia dos quadrados de residuais. O numerador mede quanto da regresso explicado, enquanto o
denominador mede quanto no explicado. Assim, quanto maior a estatstica F, mais significante o modelo. O p-valor correspondente calculado para
testar a hiptese nula (Ho), segundo a qual todos os coeficientes so simultaneamente iguais a zero, em contraste com a hiptese alternativa (Ha) de que eles
so simultaneamente diferentes de zero, indicando um modelo de regresso geral significante. Se o p-valor for menor do que as significncias alfa 0,01, 0,05
ou 0,10, a regresso ser significante. A mesma abordagem pode ser aplicada estatstica F comparando a estatstica F calculada aos valores F crticos em
vrios nveis de significncia.
Previso
Perodo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
Real (Y)
521.0000
367.0000
443.0000
365.0000
614.0000
385.0000
286.0000
397.0000
764.0000
427.0000
153.0000
231.0000
524.0000
328.0000
240.0000
286.0000
285.0000
569.0000
96.0000
498.0000
481.0000
468.0000
177.0000
198.0000
458.0000
108.0000
246.0000
Previso (F)
299.5124
487.1243
353.2789
276.3296
776.1336
298.9993
354.8718
312.6155
529.7550
347.7034
266.2526
264.6375
406.8009
272.2226
231.7882
257.8862
314.9521
335.3140
282.0356
370.2062
340.8742
427.5118
274.5298
294.7795
295.2180
269.6195
195.5955
Erro (E)
221.4876
(120.1243)
89.7211
88.6704
(162.1336)
86.0007
(68.8718)
84.3845
234.2450
79.2966
(113.2526)
(33.6375)
117.1991
55.7774
8.2118
28.1138
(29.9521)
233.6860
(186.0356)
127.7938
140.1258
40.4882
(97.5298)
(96.7795)
162.7820
(161.6195)
50.4045
Figura 3.8 Resultados de regresso multivariada
3.5 Previso estocstica

Teoria:
Um processo estocstico nada mais do que uma equao definida

matematicamente que pode criar uma srie de resultados ao longo do tempo, os
quais no so de natureza determinista. Ou seja, uma equao ou um processo
que no segue uma regra simples discernvel, como preo aumentar X por cento
todo ano ou a receita aumentar pelo fator de X mais Y por cento. Um processo
estocstico , por definio, no determinstico e uma pessoa pode inserir
nmeros em uma equao de processo estocstico e obter resultados diferentes a
cada vez. Por exemplo, a trajetria do preo de uma ao de natureza
estocstica e no possvel prev-la com certeza. No entanto, a evoluo do
preo ao longo do tempo se insere em um processo que gera esses preos. O
processo fixo e pr-determinado, mas os resultados no so. Assim, por
simulao estocstica, criamos vrias trajetrias de preos, obtemos amostras
estatsticas dessas simulaes e fazemos inferncias quanto s trajetrias
potenciais que o preo real pode tomar, dada a natureza e os parmetros do
processo estocstico, usados para gerar a srie temporal. Trs processos
estocsticos bsicos esto includos na ferramenta Previso do Risk Simulator,
86
incluindo o movimento browniano geomtrico ou caminho aleatrio, que o

processo mais comum e usado devido sua simplicidade e variadas aplicaes.
Os dois outros processos estocsticos so; o processo de reverso mdia e
processo de difuso com salto.
O interessante sobre a simulao de processo estocstico que os dados
histricos no so necessariamente obrigatrios. Ou seja, o modelo no precisa
ajustar conjuntos de dados histricos. Basta calcular os retornos e a volatibilidade
esperados dos dados histricos, estim-los usando dados externos comparveis
ou fazer suposies sobre esses valores. Consulte Modeling Risk, 2 edio:
Applying Monte Carlo Simulation, Real Options Analysis, Forecasting, and
Optimization, 2 edio (Wiley 2010) de Dr. Johnathan Mun, para obter mais
detalhes sobre como cada um dos valores de entrada calculado, por exemplo,
taxa de reverso mdia, probabilidades de salto, volatilidade etc.
Procedimento:
Interpretao dos
resultados:
Para iniciar o mdulo, selecione Risk Simulator | Previso | Processos

estocsticos
Selecione o processo desejado, insira os valores obrigatrios, clique em

Atualizar grfico algumas vezes para verificar se o processo est se
comportando da maneira esperada e clique em OK (Figura 3.9)
A Figura 3.10 mostra os resultados de um processo estocstico de exemplo. O

grfico mostra um conjunto de exemplo das iteraes enquanto o relatrio
explica o bsico sobre processos estocsticos. Alm disso, so fornecidos os
valores de previso (mdia e desvio padro) para cada perodo de tempo. Usando
esses valores, voc pode decidir qual perodo de tempo relevante para a anlise
e definir suposies com base nesses valores de mdia e desvio padro usando a
distribuio normal. Essas suposies podem ento ser simuladas no seu prprio
modelo personalizado.
87
Figura 3.9 Previso de processo estocstico
88
Previso de processo estocstico

Resumo estatstico
Um processo estocstico uma sequncia de eventos ou caminhos gerados pelas leis de probabilidade. Ou seja,
eventos aleatrios podem ocorrer ao longo do tempo, mas so regidos por leis estatsticas probabilsticas especficas.
Os principais processos estocsticos incluem caminho aleatrio ou movimento browniano, reverso mdia e difuso
com salto. Esses processos podem ser usados para prever diversas variveis que parecem seguir tendncias
aleatrias, mas ainda so restringidos pelas leis probabilsticas.
Tempo
Mdia
Desvpad
0.0000
100.00
0.00
0.1000
100.88
5.03
0.2000
102.49
7.80
O processo de caminho aleatrio ou movimento browniano pode ser usado na previso de preos de aes, preos de
commodities e outros dados de srie temporal estocsticos, conhecida uma taxa de crescimento e uma volatilidade ao
redor do caminho de crescimento. Os processos de reverso mdia podem ser usados para reduzir as flutuaes do
processo de caminho aleatrio permitindo que o caminho tenha por meta um valor de longo prazo, tornando-o til na
previso de variveis de srie temporal que possuem uma taxa de longo prazo, como taxas de juros e de inflao, que
so taxas de longo prazo usadas por rgos reguladores ou pelo mercado). O processo de difuso com salto til para
prever dados de srie temporal quando a varivel pode, ocasionalmente, apresentar saltos aleatrios, como os preos
do petrleo ou da eletricidade (choques de evento exgeno discreto podem fazer preos subirem ou descerem
drasticamente). Finalmente, esses trs processos estocsticos podem ser combinados conforme a necessidade.
0.3000
101.59
12.59
0.4000
101.96
13.38
0.5000
102.07
16.89
0.6000
99.95
21.30
0.7000
100.80
18.23
0.8000
101.44
19.93
0.9000
102.38
23.57
1.0000
100.56
26.00
Os resultados direita indicam a mdia e o desvio padro de todas as iteraes geradas a cada etapa. Se a opo
Mostrar todas as iteraes for selecionada, cada caminho de iterao ser mostrado em uma planilha separada. O
grfico gerado abaixo mostra um conjunto de amostras dos caminhos de iterao.
1.1000
102.81
23.14
1.2000
102.56
24.50
1.3000
106.97
29.55
1.4000
109.82
38.26
1.5000
110.34
36.91
1.6000
109.09
34.70
Processo estocstico: Movimento browniano (caminho aleatrio) com crescimento

Valor inicial
100
Etapas
100.00
Taxa de salto
10.00
Tamanho do salto
N/A
1.7000
108.04
32.11
N/A Propagao aleatria
183197059
1.8000
110.77
32.30
Taxa de crescimento
5.00%
Iteraes
Volatilidade
25.00%
Taxa de reverso
Horizonte
10
Valor de longo prazo
N/A
N/A
1.9000
111.25
31.49
2.0000
109.07
26.33
2.1000
114.23
32.22
2.2000
118.18
31.60
2.3000
120.34
31.49
2.4000
120.68
35.01
2.5000
122.35
41.37
2.6000
122.11
43.21
2.7000
119.15
43.01
2.8000
119.25
43.29
2.9000
114.91
44.99
3.0000
115.17
51.98
3.1000
124.39
56.12
3.2000
120.20
54.13
3.3000
118.60
57.79
3.4000
122.20
55.07
3.5000
122.53
56.45
3.6000
123.28
55.32
3.7000
122.94
62.09
3.8000
123.91
61.88
3.9000
124.09
61.30
4.0000
121.04
60.85
4.1000
124.76
63.41
4.2000
123.78
62.22
4.3000
123.51
62.76
4.4000
121.58
64.71
4.5000
123.88
73.86
4.6000
123.71
76.64
Figura 3.10 Resultado de previso estocstica
3.6 Extrapolao no linear

Teoria:
A extrapolao envolve a criao de projees estatsticas usando tendncias

histricas projetadas para um perodo de tempo especfico no futuro. Usa-se
somente para previses de sries temporais. Para dados de seo transversal ou
combinados (srie temporal com dados de seo transversal), a regresso
multivariada mais apropriada. Esta metodologia til quando no se espera
alteraes significativas, ou seja, espera-se que os fatores causais permaneam
constantes ou quando os fatores causais de uma situao no so claramente
89
entendidos. Isso tambm desestimula a insero de vieses pessoais no processo.

A extrapolao bastante confivel, relativamente simples e barata. No entanto,
a extrapolao, que supe que tendncias recentes e histricas tero continuidade,
produz grandes erros de previso em caso de descontinuidades dentro do perodo
de tempo projetado. Isto , a extrapolao pura da srie temporal supe que tudo
o que se conhece esteja contido nos valores histricos da srie que est sendo
prevista. Se supormos que o comportamento passado um bom indicador do
comportamento futuro, a extrapolao ser atraente. Assim, ela uma abordagem
til quando s se necessita de muitas previses de curto prazo.
Esta metodologia estima a funo f(x) para qualquer valor de x arbitrrio,
interpolando uma curva no linear suavizada em todos os valores de x, e usando
essa curva suavizada, extrapola os valores futuros de x alm do conjunto de
dados histrico. O mtodo emprega a forma da funo polinomial ou a forma
funcional racional (uma proporo de dois polinmios). Em geral, uma forma
funcional polinomial suficiente para dados bem comportados, entretanto, as
formas funcionais racionais podem ser s vezes mais exatas (principalmente com
funes polares, ou seja, funes com denominadores que se aproximam de
zero).
Procedimento:
Inicie o Excel e abra os dados histricos, se necessrio. A ilustrao

abaixo usa o arquivo Extrapolao no linear na pasta de exemplos
Escolha os dados da srie temporal e selecione Risk Simulator | Previso

| Extrapolao no linear
Selecione o tipo de extrapolao (seleo automtica, funo polinomial

ou funo racional), insira o nmero do perodo de previso desejado
(Figura 3.11) e clique em OK
Interpretao dos
resultados:
O relatrio de resultados mostrado na Figura 3.12 mostra os valores de previso

extrapolados, as medidas de erro e a representao grfica dos resultados de
extrapolao. As medidas de erro devem ser usadas para verificar a validade da
previso e so especialmente importantes quando usadas para comparar a
qualidade de previso e a preciso da extrapolao versus a anlise da srie
temporal.
Notas:
Quando os dados histricos so suaves e seguem curvas e padres no lineares, a

extrapolao melhor do que a anlise de srie temporal. No entanto, quando
padres da dados seguem ciclos sazonais e uma tendncia, a anlise de srie
temporal fornece resultados melhores.
90
Figura 3.11 Execuo de uma extrapolao no linear

Extrapolao no linear
Resumo estatstico
A extrapolao envolve a criao de projees estatsticas usando tendncias histricas projetadas para um perodo de tempo especfico no futuro. Usa-se somente
para previses de sries temporais. Par dados de seo transverso ou combinados (srie temporal com dados de seo transversal), a regresso multivariada
mais apropriada. Esta metodologia til quando no se espera alteraes significativas, ou seja, espera-se que os fatores causais permaneam constantes ou
quando os fatores causais de uma situao no so claramente entendidos. Isso tambm desestimula a insero de vieses pessoais no processo. A extrapolao
bastante confivel, relativamente simples e barata. No entanto, a extrapolao, que supe que tendncias recentes e histricas tero continuidade, produz grandes
erros de previso em caso de descontinuidades dentro do perodo de tempo projetado. Isto , a extrapolao pura da srie temporal supe que tudo o que se
conhece esteja contido nos valores histricos da srie que est sendo prevista. Se supormos que o comportamento passado um bom indicador do
comportamento futuro, a extrapolao ser atraente. Assim, ela uma abordagem til quando s se necessita de muitas previses de curto prazo.
Esta metodologia estima a funo f(x) para qualquer valor de x arbitrrio, interpolando uma curva no linear suavizada em todos os valores de x, e usando essa curva
suavizada, extrapola os valores futuros de x alm do conjunto de dados histrico. O mtodo emprega a forma da funo polinomial ou a forma funcional racional
(uma proporo de dois polinmios). Em geral, uma forma funcional polinomial suficiente para dados bem comportados, entretanto, as formas funcionais
racionais podem ser s vezes mais exatas (principalmente com funes polares, ou seja, funes com denominadores que se aproximam de zero).
Perodo
1
2
3
4
5
6
7
8
9
10
11
12
Previso 13
Previso 14
Previso 15
Real Ajuste de previso

1.00
6.73
1.00
20.52
-1.42
45.25
99.82
83.59
55.92
138.01
136.71
210.87
211.96
304.44
304.43
420.89
420.89
562.34
562.34
730.85
730.85
928.43
928.43
1157.03
1418.57
1714.95
Medidas de erro
REQM 19.6799
EQM 387.2974
MAD
10.2095
MAPE
31.56%
U-Theil
1.1210
Tipo de funo: Racional
Figura 3.12 Resultados de extrapolao no linear

91
3.7 Srie temporal avanada Box-Jenkins

ARIMA
Teoria:
Uma ferramenta de previso de srie temporal avanada muito poderosa

ARIMA ou mdia mvel integrada autorregressiva. A previso ARIMA agrupa
trs ferramentas separadas em um modelo abrangente. O primeiro segmento da
ferramenta o termo autorregressivo ou AR", que corresponde ao nmero do
valor defasado do residual no modelo de previso incondicional. Essencialmente,
o modelo captura a variao histrica de dados reais para um modelo de previso
e usa essa variao ou residual para criar um modelo de previso melhor. O
segundo segmento da ferramenta a ordem de integrao ou o termo I. Esse
termo de integrao corresponde ao nmero da srie temporal diferenciada a ser
prevista. Esse elemento explica qualquer taxa de crescimento no linear existente
nos dados. O terceiro termo a mdia mvel ou MA", que essencialmente a
mdia mvel de erros de previso defasados. Pela incorporao desses erros de
previso defasados, o modelo aprende a partir de seus erros de previso e os
corrige por meio do clculo de mdia mvel. O modelo ARIMA segue a
metodologia de Box-Jenkins com cada termo representando etapas na construo
do modelo at que apenas rudos aleatrios permaneam. Alm disso, o modelo
ARIMA usa tcnicas de correlao para gerar previses. possvel usar ARIMA
para formar padres que podem no estar visveis em dados plotados. Alm
disso, os modelos ARIMA podem ser combinados com variveis exgenas, mas
essas variveis devem ter pontos de dados suficientes para cobrir o nmero
adicional de perodos a serem previstos. Finalmente, devido complexidade dos
modelos, este mdulo pode levar mais tempo para ser executado.
H muitas razes pelas quais um modelo ARIMA superior anlise de srie
temporal comum e a regresses multivariadas. O senso comum na anlise de
srie temporal e na regresso multivariada que os residuais de erro esto
correlacionados aos seus prprios valores defasados. Essa correlao serial viola
a suposio padro da teoria de regresso de que perturbaes no esto
correlacionadas a outras perturbaes. Os principais problemas associados
correlao serial so:
A anlise de regresso e a anlise de srie temporal bsica no so mais

eficientes entre os diferentes estimadores lineares. No entanto, como os
residuais de erro podem ajudar a prever os residuais de erros atuais,
podemos usar essa informao para formar uma previso melhor da
varivel dependente usando ARIMA.
Os erros padro calculados usando a frmula de regresso e srie temporal

no so corretos e geralmente no so fiis e se h um conjunto de
variveis dependentes defasadas definidas como regressores, as
estimativas de regresso so tendenciosas e inconsistentes, mas podem ser
corrigidas com ARIMA.
Os modelos de mdia mvel integrada autorregressiva ou ARIMA (p,d,q) so

extenses do modelo AR que usam trs componentes para modelar a correlao
serial nos dados de sries temporais. O primeiro componente o perodo
autorregressivo (AR). O modelo AR(p) usa as defasagens p da srie temporal na
equao. Um modelo AR(p) tem esta forma: yt = a1yt-1 + ... + apyt-p + et. O
segundo componente o termo de ordem de integrao (d). Cada ordem de
integrao corresponde diferenciao da srie temporal. I(1) significa a
92
diferenciao dos dados uma vez. I(d) significa a diferenciao dos dados d
vezes. O terceiro componente o perodo da mdia mvel (MA). O modelo
MA(q) usa as defasagens q dos erros de previso para aperfeioar a previso. Um
modelo MA(q) tem a forma: yt = et + b1et-1 + ... + bqet-q. Por fim, um modelo
ARMA(p,q) possui a forma combinada: yt = a1yt-1 + ... + a p yt-p + et + b1 et-1 + ...
+ bqet-q.
Procedimento:
Inicie o Excel e insira os dados ou abra uma planilha com dados histricos
para serem previstos (a ilustrao mostrada a seguir usa o arquivo de
exemplo ARIMA de srie temporal)
Escolha os dados da srie temporal e selecione Risk Simulator | Previso

| ARIMA
Insira os parmetros P, D e Q relevantes (apenas inteiros positivos) e o

nmero do perodo de previso desejado e clique em OK
Nota sobre ARIMA e

AUTOARIMA:
Para ARIMA e AutoARIMA, voc pode modelar e prever perodos futuros

usando apenas a varivel dependente (Y), ou seja, a varivel de srie
temporal sozinha ou pode adicionar variveis exgenas (X1, X2,, Xn) como
em uma anlise de regresso em que possvel ter mltiplas variveis
independentes. Voc pode executar quantos perodos de previso desejar se usar
apenas a varivel da srie temporal (Y). No entanto, se voc adicionar variveis
exgenas (X), observe que seus perodos de previso estaro limitados aos
perodos de dados das variveis exgenas menos o perodos de dados das
variveis de sries temporais. Por exemplo, voc poder prever apenas at 5
perodos se tiver dados histricos de sries temporais de 100 perodos e apenas se
tiver variveis exgenas de 105 perodos (100 perodos histricos para
corresponder varivel de srie temporal e 5 perodos futuros adicionais de
variveis exgenas independentes para prever a varivel dependente da srie
temporal).
Interpretao dos
resultados:
Na interpretao dos resultados do modelo ARIMA, a maioria das especificaes

idntica anlise de regresso multivariada (consulte Modeling Risk, 2 edio
do Dr. Johnathan Mun para obter mais detalhes tcnicos sobre a interpretao dos
modelos de anlise de regresso multivariada e ARIMA). H, entretanto,
diversos conjuntos adicionais de resultados especficos anlise ARIMA, como
observado na Figura 3.14. A primeira a adio do critrio de informao de
Akaike (AIC) e do critrio de Schwarz (SC), que so normalmente usados na
seleo e na identificao do modelo ARIMA. Ou seja, o AIC e o SC so usados
para determinar se um modelo particular com um conjunto de parmetros
especficos p, d e q um bom ajuste estatstico. O SC impe uma penalidade
maior para coeficientes adicionais do que o AIC, mas em geral o modelo com os
menores valores de AIC e SC devem ser escolhidos. Finalmente, um conjunto de
resultados adicional chamado de estatsticas de autocorrelao (AC) e
autocorrelao parcial (PAC) fornecido no relatrio ARIMA.
Por exemplo, se a autocorrelao AC(1) diferente de zero, as sries so
correlacionadas em srie de primeira ordem. Se a AC for extinta mais ou menos
geometricamente com uma defasagem crescente, isso implica que a srie segue
um processo autorregressivo de ordem inferior. Se a AC cair a zero depois de um
93
pequeno nmero de defasagens, isso implica que a srie segue um processo de

mdia mvel de ordem inferior. Em contraste, PAC mede a correlao de valores
que esto k perodos distantes, depois de remover a correlao das defasagens
intermdias. Se for possvel capturar o padro de autocorrelao por uma
autorregresso de ordem menor do que k, ento a autocorrelao parcial na
defasagem k ser prxima a zero. As estatsticas Q de Ljung-Box e seus p-valores
na defasagem k tambm so fornecidas, nas quais a hiptese nula sendo testada
tal que no h autocorrelao at a ordem k. As linhas pontilhadas na plotagem
das autocorrelaes so os limites aproximados dos dois erros padro. Se a
autocorrelao estiver dentro desses limites, no ser significativamente diferente
de zero no nvel de significncia de 5%, aproximadamente. Encontrar o modelo
ARIMA certo requer prtica e experincia. AC, PAC, SC e AIC so ferramentas
de diagnstico, muito teis para ajudar a identificar a especificao de modelo
correta.
Figura 3.13 Ferramenta de previso ARIMA Box Jenkins
94
ARIMA (modelo de mdia mvel integrada autorregressiva)

Estatsticas de regresso
R2 (coeficiente de determinao)
R2 ajustado
R mltiplo (coeficiente de correlao mltipla)
Erro padro das estimativas (SEy)
Nmero de observaes
0.9999
0.9999
1.0000
297.52
435
Critrio de informao Akaike (AIC)

Critrio de Schwarz (SC)
Probabilidade de log
Estatstica de Durbin-Watson (DW)
Nmero de iteraes
4.6213
4.6632
-1005.13
1.8588
5
Os modelos de mdia mvel integrada autorregressiva ou ARIMA (p,d,q) so extenses do modelo AR que usam trs componentes para modelar a correlao serial
nos dados de sries temporais. O primeiro componente o perodo autorregressivo (AR). O modelo AR(p) usa as defasagens p da srie temporal na equao. Um
modelo AR(p) tem esta forma: y(t)=a(1)*y(t-1)+...+a(p)*y(t-p)+e(t). O segundo componente o perodo da ordem (d) de integrao. Cada ordem de integrao
corresponde diferenciao da srie temporal. I(1) significa a diferenciao dos dados uma vez. I(d) significa a diferenciao dos dados d vezes. O terceiro
componente o perodo da mdia mvel (MA). O modelo MA(q) usa as defasagens q dos erros de previso para aperfeioar a previso. Um modelo MA(q) tem esta
forma: y(t)=e(t)+b(1)*e(t-1)+...+b(q)*e(t-q). Por ltimo, um modelo ARMA(p,q) tem esta forma combinada: y(t)=a(1)*y(t-1)+...+a(p)*y(t-p)+e(t)+b(1)*e(t-1)+...+b(q)*e(t-q).
R2, ou coeficiente de determinao, indica a variao percentual da varivel dependente que pode ser explicada e contabilizada pelas variveis independentes nessa
anlise de regresso. No entanto, em uma regresso mltipla, o R2 ajustado considera a existncia de outras variveis independentes ou regressores e ajusta esse
valor de R2 para obter uma viso mais precisa da fora de explicao da regresso. No entanto, em determinadas circunstncias ARIMA (por exemplo, com modelos
no convergentes), o R2 tende a no ser confivel.
O coeficiente de correlao mltipla (R mltiplo) mede a correlao entre a varivel dependente real (Y) e a estimada ou ajustada (Y) com base na equao de
regresso. Essa correlao tambm a raiz quadrada do coeficiente de determinao (R2).
O erro padro das estimativas (SEy) descreve a disperso dos pontos de dados acima e abaixo da linha ou do plano de regresso. Esse valor usado como parte do
clculo para obter o intervalo de confiana das estimativas depois.
O AIC e o SC so frequentemente usados na seleo de modelos. O SC impe uma penalidade maior para coeficientes adicionais. Geralmente, o usurio deve
selecionar um modelo com o valor mais baixo de AIC e SC.
A estatstica de Durbin-Watson mede a correlao serial nos residuais. Em geral, DW menor do que 2 implica uma correlao serial positiva.
Resultados da regresso
Coeficientes
Erro padro
Estatstica t
P-valor
5% mais baixos
95% mais altos
Interceptao
AR(1)
MA(1)
-0.0626
0.3108
-0.2013
0.8406
0.4498
-0.5749
1.0055
0.0006
1691.1373
0.0000
1.0065
1.0046
0.4936
0.0420
11.7633
0.0000
0.5628
0.4244
Graus de liberdade
Graus de liberdade para regresso
Graus de liberdade para residual
Total de graus de liberdade
Teste de hipteses
2
432
434
2.5873
1.9655
1.6484
Os coeficientes fornecem a interceptao e a inclinao estimadas da regresso. Por exemplo, os coeficientes so estimativas dos verdadeiros valores da populao
b nesta equao de regresso: Y = b0 + b1X1 + b2X2 + ... + bnXn. O erro padro mede a preciso dos coeficientes previstos, e as estatsticas t so os ndices de cada
coeficiente previsto para seu erro padro.
A estatstica t usada em testes de hipteses, nos quais possvel definir a hiptese nula (Ho) de tal maneira que a mdia real do coeficiente = 0, e a hiptese
alternativa (Ha) de tal maneira que a mdia real do coeficiente seja diferente de 0. Um teste t executado e a estatstica t calculada comparada aos valores crticos
nos graus de liberdade relevantes para o residual. O teste t muito importante, pois calcula se cada um dos coeficientes estatisticamente significativo na presena
de outros regressores. Isso significa que o teste t verifica estatisticamente se um regressor ou uma varivel independente deve permanecer na regresso ou ser
descartada.
O coeficiente estatisticamente significativo se a sua estatstica t calculada excede a estatstica t crtica nos graus de liberdade relevantes (df). Os trs principais
nveis de confiana usados para testar a significncia so 90%, 95% e 99%. Se a estatstica t de um coeficiente exceder o nvel crtico, ela ser considerada
estatisticamente relevante. Como alternativa, o p-valor calcula a probabilidade de ocorrncia de cada estatstica t, o que significa que quanto menor o p-valor, mais
significativo o coeficiente. Os nveis de significncia do p-valor costumam ser 0,01, 0,05 e 0,10, o que corresponde aos nveis de confiana 99%, 95% e 90%.
Os coeficientes cujos p-valores so realados em azul indicam que so estatisticamente significativos no nvel de confiana de 90% ou no nvel alfa de 0,10,
enquanto aqueles cujos p-valores so realados em vermelho indicam que no so estatisticamente relevantes em qualquer outro nvel alfa.
Anlise de varincia
Regresso
Residual
Total
Somas dos
quadrados
38415447.53
2616.05
38418063.58
Mdia dos
quadrados
19207723.76
6.06
Estatstica
F
3171851.1
P-valor
Teste de hipteses
Estatstica F crtica (99% de confiana com df igual a 2 e 4
0.0000
4.6546
3.0166
2.3149
A tabela de anlise de varincia (ANOVA) fornece um teste F da significncia estatstica geral do modelo de regresso. Em vez de analisar regressores individuais
como no teste t, o teste F analisa as propriedades estatsticas de todos os coeficientes estimados. A estatstica F calculada como a proporo da mdia dos
quadrados da regresso em relao mdia dos quadrados de residuais. O numerador mede quanto da regresso explicado, enquanto o denominador mede
quanto no explicado. Assim, quanto maior a estatstica F, mais significante o modelo. O p-valor correspondente calculado para testar a hiptese nula (Ho),
segundo a qual todos os coeficientes so simultaneamente iguais a zero, em contraste com a hiptese alternativa (Ha) de que eles so simultaneamente diferentes
de zero, indicando um modelo de regresso geral significante. Se o p-valor for menor do que as significncias alfa 0,01, 0,05 ou 0,10, a regresso ser significante. A
mesma abordagem pode ser aplicada estatstica F comparando a estatstica F calculada aos valores F crticos em vrios nveis de significncia.
95
Autocorrelao
Defasagem
de tempo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
AC
0.9921
0.9841
0.9760
0.9678
0.9594
0.9509
0.9423
0.9336
0.9247
0.9156
0.9066
0.8975
0.8883
0.8791
0.8698
0.8605
0.8512
0.8419
0.8326
0.8235
PAC
0.9921
(0.0105)
(0.0109)
(0.0142)
(0.0098)
(0.0113)
(0.0124)
(0.0147)
(0.0121)
(0.0139)
(0.0049)
(0.0068)
(0.0097)
(0.0087)
(0.0064)
(0.0056)
(0.0062)
(0.0038)
(0.0003)
0.0002
Limite inferior Limite superior

(0.0958)
0.0958
(0.0958)
0.0958
(0.0958)
0.0958
(0.0958)
0.0958
(0.0958)
0.0958
(0.0958)
0.0958
(0.0958)
0.0958
(0.0958)
0.0958
(0.0958)
0.0958
(0.0958)
0.0958
(0.0958)
0.0958
(0.0958)
0.0958
(0.0958)
0.0958
(0.0958)
0.0958
(0.0958)
0.0958
(0.0958)
0.0958
(0.0958)
0.0958
(0.0958)
0.0958
(0.0958)
0.0958
(0.0958)
0.0958
Estatstica Q
431.1216
856.3037
1,275.4818
1,688.5499
2,095.4625
2,496.1572
2,890.5594
3,278.5669
3,660.1152
4,035.1192
4,403.6117
4,765.6032
5,121.0697
5,470.0032
5,812.4256
6,148.3694
6,477.8620
6,800.9622
7,117.7709
7,428.3952
Prob
-
Se a autocorrelao AC(1) diferente de zero, as sries so correlacionadas em srie de primeira ordem. Se a AC(k) for extinta mais ou menos geometricamente
com uma defasagem crescente, isso implica que a srie segue um processo autorregressivo de ordem inferior. Se a AC(k) cair a zero depois de um pequeno
nmero de defasagens, isso implica que a srie segue um processo de mdia mvel de ordem inferior. A correlao parcial PAC(k) mede a correlao dos valores
que esto separados por k perodos, depois de remover a correlao das defasagens intermdias. Se for possvel capturar o padro de autocorrelao por uma
autorregresso de ordem menor do que k, ento a autocorrelao parcial na defasagem k ser prxima a zero. As estatsticas Q Ljung-Box e seus p-valores na
defasagem k tm a hiptese nula de que no h autocorrelao at a ordem k. As linhas pontilhadas nos grficos da autocorrelao so os dois limites de erro
padro aproximados. Se a autocorrelao estiver dentro desses limites, no ser significativamente diferente de zero no nvel de significncia de 5%
(aproximadamente).
Previso
Perodo
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
Real (Y)
139.4000
139.7000
139.7000
140.7000
141.2000
141.7000
141.9000
141.0000
140.5000
140.4000
140.0000
140.0000
139.9000
139.8000
139.6000
139.6000
139.6000
140.2000
141.3000
141.2000
140.9000
140.9000
140.7000
141.1000
141.6000
141.9000
142.1000
142.7000
142.9000
142.9000
143.5000
143.8000
144.1000
144.8000
145.2000
145.2000
145.7000
146.0000
146.4000
146.8000
Previso (F)
139.6056
140.0069
140.2586
140.1343
141.6948
141.6741
142.4339
142.3587
141.0466
140.9447
140.8451
140.2946
140.5663
140.2823
140.2726
139.9775
140.1232
140.0513
140.9862
142.1738
141.4377
141.3513
141.3939
141.0731
141.8311
142.2065
142.4709
142.6402
143.4561
143.3532
143.4040
144.2784
144.2966
144.7374
145.5692
145.7582
145.6649
146.4605
146.5176
147.0891
Erro (E)
(0.2056)
(0.3069)
(0.5586)
0.5657
(0.4948)
0.0259
(0.5339)
(1.3587)
(0.5466)
(0.5447)
(0.8451)
(0.2946)
(0.6663)
(0.4823)
(0.6726)
(0.3775)
(0.5231)
0.1487
0.3138
(0.9738)
(0.5377)
(0.4513)
(0.6939)
0.0270
(0.2311)
(0.3065)
(0.3709)
0.0598
(0.5561)
(0.4532)
0.0960
(0.4784)
(0.1966)
0.0626
(0.3692)
(0.5582)
0.0351
(0.4605)
(0.1176)
(0.2891)
Figura 3.13 Relatrio de previso ARIMA Box Jenkins
96
3.8 AUTOARIMA (srie temporal avanada

Box-Jenkins ARIMA)
Teoria:
Esta ferramenta fornece anlises idnticas ao mdulo ARIMA, mas a diferena

que o mdulo AutoARIMA automatiza algumas das modelagens ARIMA
tradicionais por meio do teste automtico de vrias permutaes de
especificaes do modelo e retorna o modelo de melhor ajuste. A execuo de
AutoARIMA semelhante execuo das previses ARIMA normais. A
diferena que as entradas P, D e Q no so obrigatrias e diferentes
combinaes desses valores so automaticamente executados e comparados.
Procedimento:
Nota sobre ARIMA

e AUTOARIMA:
a serem previstos (a Figura 3.14 mostra o arquivo de exemplo Modelos
avanados de previso disponvel no menu Exemplos do Risk Simulator)
Na planilha AutoARIMA, selecione Risk Simulator | Previso |

AUTOARIMA. Voc tambm pode acessar o mtodo usando a faixa de
cones Previso ou clicando com o boto direito do mouse em qualquer
lugar no modelo e selecionando o menu de atalho de previso.
Clique no cone de vnculo; v para os dados de sries temporais; insira o

nmero de perodos de previso desejados e clique em OK
Para ARIMA e AutoARIMA, voc pode modelar e prever perodos futuros

usando apenas a varivel dependente (Y), ou seja, a varivel de srie temporal
sozinha ou pode adicionar variveis exgenas (X1, X2,, Xn) como em uma
anlise de regresso em que possvel ter mltiplas variveis independentes.
Voc pode executar quantos perodos de previso desejar se usar apenas a
varivel da srie temporal (Y). No entanto, se voc adicionar variveis exgenas
(X), observe que seus perodos de previso estaro limitados aos perodos de
dados das variveis exgenas menos os perodos de dados das variveis de sries
temporais. Por exemplo, voc poder prever apenas at 5 perodos se tiver dados
histricos de sries temporais de 100 perodos e apenas se tiver variveis
exgenas de 105 perodos (100 perodos histricos para corresponder varivel
de srie temporal e 5 perodos futuros adicionais de variveis exgenas
independentes para prever a varivel dependente da srie temporal).
97
Figura 3.14 Mdulo AUTOARIMA
3.9 Econometria bsica

Teoria:
A econometria se refere a um ramo de tcnicas de previso, modelagem e anlise

de negcios para modelar o comportamento ou prever certas variveis de
negcios ou economia. A execuo de modelos de Econometria bsica
semelhante execuo da anlise de regresso normal, exceto que as variveis
independentes e dependentes podem ser modificadas antes da execuo de uma
regresso. O relatrio gerado o mesmo mostrado anteriormente na seo
Regresso mltipla e a interpretao idntica quelas descritas anteriormente.
Procedimento:
a serem previstos (a Figura 3.15 mostra o arquivo de exemplo Modelos
avanados de previso disponvel no menu Exemplos do Risk Simulator)
Selecione os dados na planilha Econometria bsica e selecione Risk

Simulator | Previso | Econometria bsica
Insira as variveis dependentes e independentes desejadas (consulte a

Figura 3.15 para obter exemplos) e clique em OK para executar o modelo
e o relatrio, ou clique em Mostrar resultados para ver os resultados antes
de gerar o relatrio, caso precise fazer alteraes no modelo
98
Figura 3.15 Mdulo Econometria bsica
Nota:
Consulte o Captulo 9 para obter mais detalhes sobre a interpretao de

resultados de regresso e tambm os resultados da anlise de econometria
bsica.
Para executar um modelo economtrico, selecione os dados (B5:G55),

incluindo os cabealhos, e clique em Risk Simulator | Previso |
Econometria bsica. Voc pode digitar as variveis e suas modificaes
para as variveis dependentes e independentes (Figura 8.15). Observe que
apenas uma varivel permitida como varivel dependente (Y), enquanto
pode-se usar mltiplas variveis na seo Variveis independentes (X),
separadas por um ponto-e-vrgula; e funes matemticas bsicas
podem ser usadas (por exemplo, LN, LOG, LAG, +, -, /, *, TEMPO,
RESIDUAL, DIFERENA). Clique em Mostrar resultados para
visualizar o modelo calculado e clique em OK para gerar o relatrio do
modelo economtrico.
Voc tambm pode gerar automaticamente vrios modelos inserindo um

modelo de exemplo e usando a varivel predefinida "INTEGER(N)",
bem como deslocar dados para cima ou para baixo nas linhas. Por
exemplo, se voc usar a varivel LAG(VAR1, INTEGER1) e definir
INTEGER1 como entre MIN = 1 e MAX = 3, ento os trs modelos a
seguir sero executados: LAG(VAR1,1), ento LAG(VAR1,2) e por ltimo
LAG(VAR1,3). Alm disso, s vezes pode ser necessrio testar se os dados
99
da srie temporal tm alteraes estruturais ou se o comportamento do

modelo consistente ao longo do tempo, alterando os dados e executando
o mesmo modelo. Por exemplo, se voc tem 100 meses de dados listados
cronologicamente, pode desloc-los 3 meses por vez por 10 vezes (isto ,
o modelo ser executado nos meses 1 a 100, 4 a 100, 7 a 100 etc.).
Usando a seo Modelos mltiplos em Econometria bsica, voc pode
executar centenas de modelos simplesmente inserindo uma equao de
modelo nico se usar estas variveis inteiras predefinidas e mtodos de
deslocamento.
3.10 Previses de curvas JS

Teoria:
A curva J, ou curva de crescimento exponencial, aquela na qual o crescimento

do prximo perodo depende do nvel do perodo atual e o aumento
exponencial. Isso significa que ao longo do tempo, os valores aumentaro
significativamente de um perodo para o outro. Normalmente, esse modelo
usado para prever o crescimento biolgico e reaes qumicas ao longo do
tempo.
Procedimento:
Inicie o Excel e selecione Risk Simulator | Previso | Curvas JS.
Selecione o tipo de curva J ou S, insira as suposies de entrada

obrigatrias (consulte as Figuras 3.16 e 3.17 para obter exemplos) e clique
em OK para executar o modelo e o relatrio.
A curva S ou curva de crescimento logstico comea como uma curva J, com

taxas de crescimento exponenciais. Com o tempo, o ambiente torna-se saturado
(por exemplo, saturao do mercado, competio, superlotao), o crescimento
diminui e o valor da previso por fim termina em um nvel mximo de saturao.
Esse modelo muito usado para prever participao de mercado ou o
crescimento das vendas de um novo produto, desde introduo no mercado at a
maturidade e o declnio, a dinmica de populaes, o crescimento de culturas de
bactrias e outras variveis de ocorrncia natural. A Figura 3.17 ilustra um
exemplo de curva S.
Figura 3.16 Previso de curva J

100
Figura 3.17 Previso de curva S
3.11 Previses de volatilidade GARCH

Teoria:
O modelo de heteroscedasticidade condicional autorregressiva (GARCH) usado

para modelar nveis de volatilidade histricos e prever a volatilidade futura de um
instrumento negocivel, por exemplo, preos de aes, preos de commodities,
preos do petrleo etc. O conjunto de dados deve ser uma srie temporal de
nveis de preos brutos. Primeiro, GARCH converte os preos em retornos
relativos e executa uma otimizao interna para ajustar os dados histricos a uma
estrutura a termo de volatilidade de reverso mdia, supondo que a volatilidade
natureza heteroscedstica (se altera com o tempo de acordo com algumas
caractersticas economtricas). As especificidades tericas de um modelo
GARCH no esto dentro do escopo deste manual. Para obter mais detalhes
sobre modelos GARCH, consulte Advanced Analytical Models, do Dr.
Johnathan Mun (Wiley 2008).
Procedimento:
Nota:
Inicie o Excel, abra o arquivo de exemplo Modelos avanados de

previso, v para a planilha GARCH e selecione Risk Simulator | Previso
| GARCH.
Clique no cone de vnculo, selecione Localizao dos dados, insira as

suposies de entrada obrigatrias (consulte a Figura 3.18) e clique em
OK para executar o modelo e o relatrio.
A situao de previso de volatilidade tpica requer P = 1, Q = 1, Periodicidade =

nmero de perodos por ano (12 para dados mensais, 52 para dados semanais,
252 ou 365 para dados dirios), Base = mnimo de 1 at o valor de periodicidade
e Perodos de previso = nmero de previses de volatilidade anualizadas que
voc deseja obter. H vrios modelos GARCH disponveis no Risk Simulator,
101
incluindo EGARCH, EGARCH-T, GARCH-M, GJR-GARCH, GJR-GARCH-T,

IGARCH e T-GARCH. Consulte Modeling Risk, segunda edio (Wiley 2010),
sobre modelagem GARCH, para obter mais detalhes sobre a utilidade de cada
especificao.
Figura 3.18 Previso de volatilidade GARCH
102
GARCH-M
GARCH-M
zt ~ Normal
zt ~ T
yt c t2 t
yt c t2 t
t t zt
t t zt
t2 t21 t21
t2 t21 t21
yt c t t
yt c t t
t t zt
t t zt

2
t
GARCH-M
2
t 1
t2 t21 t21
yt c ln( t2 ) t
yt c ln( t2 ) t
t t zt
t t zt

2
t
GARCH
2
t 1
2
t 1
2
t 1
t2 t21 t21
y t xt t
yt t
t2 t21 t21
t t zt
t2 t21 t21
EGARCH
yt t
yt t
t t zt
t t zt
ln t2 ln t21
t 1
t 1
E( t )
GJR-GARCH
E ( t ) r t 1
t 1
ln t2 ln t21
t 1
E ( t ) r t 1
t 1
E( t )
2 2 (( 1) / 2)
( 1)( / 2)
t 1
yt t
yt t
t t zt
t t zt
t2 t21
t2 t21
r t21dt 1 t21
r t21dt 1 t21
1if t 1
dt 1
0otherwise
1if t 1
dt 1
0otherwise
103
3.12 Cadeias de Markov

Teoria:
Uma cadeia de Markov existe quando a probabilidade de um estado futuro

depende de um estado anterior e quando unidos formam uma cadeia se reverte a
um nvel de estado estvel no longo prazo. Essa abordagem usada para prever a
participao de mercado de dois concorrentes. Os valores de entrada obrigatrios
so a probabilidade inicial de um cliente na primeira loja (o primeiro estado)
retornar mesma loja no prximo perodo, comparada com a probabilidade de
mudar para uma loja concorrente no prximo estado.
Procedimento:
Nota:
Inicie o Excel e selecione Risk Simulator | Previso | Cadeia de Markov.
Insira as suposies de entrada obrigatrias (consulte a Figura 3.19 para

obter um exemplo) e clique em OK para executar o modelo e o relatrio.
Configure as duas probabilidades como 10% e execute novamente a cadeia de

Markov para ver os efeitos da mudana de comportamentos claramente no
grfico resultante.
Figura 3.19 Cadeias de Markov (troca de regimes)
3.13 Modelos de Mxima Verossimilhana

(MLE) em logit, probit e tobit
Teoria:
As variveis dependentes limitadas descrevem a situao na qual a varivel

dependente contm dados limitados em escopo e faixa, como uma resposta
binria (0 ou 1), dados truncados, ordenados ou censurados. Por exemplo,
conhecido um conjunto de variveis independentes (por exemplo, idade, renda,
nvel de educao de titulares de carto de crdito ou muturios da casa prpria),
podemos modelar a probabilidade de inadimplncia usando o MLE (estimador de
mxima verossimilhana). A resposta ou varivel dependente Y binria, ou
seja, s pode ter dois resultados possveis, que sero indicados como 1 e 0 (por
exemplo, Y pode representar a presena/ausncia de uma determinada condio,
adimplncia/inadimplncia em emprstimos anteriores, sucesso/falha de alguns
dispositivos, respostas sim/no em uma pesquisa etc.). H ainda um vetor de
104
regressores X da varivel independente, que supostamente influenciam o

resultado Y. Uma abordagem tpica de regresso dos quadrados mnimos
invlida porque os erros de regresso so heteroscedsticos e anormais e as
estimativas de probabilidade esperadas resultantes retornaro valores absurdos
maiores do que 1 ou menores do que 0. A anlise MLE trata esses problemas
usando uma rotina de otimizao iterativa para maximizar uma funo de
probabilidade de log quando as variveis dependentes forem limitadas.
Uma regresso logit ou logstica usada para prever a probabilidade de
ocorrncia de um evento ao ajustar os dados em uma curva logstica. um
modelo linear generalizado usado para regresso binomial e, como muitas formas
de anlise de regresso, usa diversas variveis de previso que podem ser
numricas ou categricas. O MLE aplicado em uma anlise logstica
multivariada binria usado para modelar variveis dependentes que determinam
a probabilidade esperada de xito de pertencer a um determinado grupo. Os
coeficientes estimados para o modelo logit so as propores de chances
logartmicas e no podem ser interpretados diretamente como probabilidades.
necessrio antes um clculo rpido e a abordagem simples.
Especificamente, o modelo logit definido como Y estimado = LN[Pi/(1Pi)] ou,
alternativamente, Pi = EXP(Y estimado)/(1+EXP(Y estimado)), e os coeficientes
i so propores de chances de log, sendo assim, ao usar o antilog ou EXP(i),
obtm-se as propores de chances de Pi/(1Pi). Isso significa que com um
aumento de uma unidade em i, a proporo de chances de log aumentam de
acordo com esse valor. Finalmente, a taxa de alterao na probabilidade dP/dX =
iPi(1Pi). O erro padro mede a preciso dos coeficientes previstos, enquanto as
estatsticas t so as razes entre cada coeficiente previsto e seu erro padro e so
usadas no teste de hipteses de regresso tpica da significncia de cada
parmetro estimado. Para estimar a probabilidade de xito de pertencer a um
determinado grupo (por exemplo, prever se um fumante desenvolver doenas
pulmonares conhecida a quantidade de cigarros fumados por ano), simplesmente
calcule o valor de Y estimado usando os coeficientes de MLE. Por exemplo, se o
modelo Y = 1,1 + 0,005 (cigarros), ento, uma pessoa que fume 100 maos por
ano tem um Y estimado de 1,1 + 0,005(100) = 1,6. Em seguida, calcule o antilog
inverso da proporo de chances fazendo: EXP(Y estimado)/[1 + EXP(Y
estimado)] = EXP(1,6)/(1+ EXP(1,6)) = 0,8320. Assim, essa pessoa tem 83,20%
de chance de desenvolver complicaes pulmonares durante sua vida.
Um modelo probit (tambm conhecido como um modelo normit) uma
especificao alternativa comum para um modelo de resposta binria que
emprega uma funo probit estimada usando o estimador de mxima
verossimilhana e a abordagem chamada de regresso probit. Os modelos de
regresso logstica e probit tendem a produzir previses muito semelhantes, nas
quais as estimativas dos parmetros em uma regresso logstica tendem a ser de
1,6 a 1,8 vezes maiores do que em um modelo probit correspondente. A escolha
de usar probit ou logit inteiramente discricionria e a principal distino que a
distribuio logstica possui uma curtose maior (caudas mais largas) para explicar
valores extremos. Por exemplo, suponha que a compra de um imvel seja a
deciso a ser modelada e essa varivel de resposta seja binria (compra ou no do
imvel) e dependa de uma srie de variveis Xi independentes como renda, idade
etc., de tal forma que Ii = 0 + 1X1 +...+ nXn, em que quanto maior for o valor
de Ii, maior ser a a probabilidade de compra do imvel. Para cada famlia h um
105
limite I* crtico, que se excedido, significa que o imvel ser comprado; caso
contrrio, ele no ser comprado, e a probabilidade do resultado (P)
considerada como distribuda normalmente, para que Pi = CDF(I), usando uma
CDF (funo de distribuio acumulada) normal padro. Portanto, use os
coeficientes estimados exatamente como os de um modelo de regresso e, usando
o valor Y estimado, aplique uma distribuio normal padro (voc pode usar a
funo DIST.NORMP do Excel ou a ferramenta Anlise de distribuio do Risk
Simulator, selecionando a distribuio normal e definindo a mdia como 0 e o
desvio padro como 1). Finalmente, para obter uma unidade de medida de
probabilidade ou probit, defina Ii + 5 (isso ocorre porque toda vez que a
probabilidade Pi < 0,5, o Ii estimado negativo, devido ao fato de a distribuio
normal ser simtrica prxima de uma mdia zero).
O modelo tobit (tobit censurado) um mtodo de modelagem economtrica e
biomtrica usado para descrever a relao entre uma varivel dependente no
negativa Yi e uma ou mais variveis independentes Xi. Um modelo tobit um
modelo economtrico em que a varivel dependente censurada, porque os
valores abaixo de zero no so observados. O modelo tobit supe que h uma
varivel no observvel latente Y*. Essa varivel linearmente dependente das
variveis Xi por meio de um vetor de coeficientes i que determina as
interrelaes. Alm disso, h uma condio de erro Ui normalmente distribuda
para capturar influncias aleatrias nessa relao. A varivel observvel Yi
definida como sendo igual s variveis latentes sempre que essas so acima de
zero. Caso contrrio, supe-se Yi igual a zero. Ou seja, Yi = Y* se Y* > 0 e Yi =
0 se Y* = 0. Se o parmetro da relao i for estimado usando uma regresso de
quadrados mnimos normal de Yi observada em Xi, os estimadores da regresso
resultante sero inconsistentes e apresentaro coeficientes de inclinao
polarizada em ordem decrescente e uma interceptao polarizada em ordem
crescente. Apenas o MLE seria consistente para um modelo tobit. Nesse modelo,
h uma estatstica auxiliar chamada sigma, que equivalente ao erro padro da
estimativa em uma regresso dos quadrados mnimos tpica padro e os
coeficientes estimados so usados da mesma maneira que uma anlise de
regresso.
Procedimento:

previso, v para a planilha MLE, selecione o conjunto de dados
incluindo os cabealhos e clique em Risk Simulator | Previso | Mxima
verossimilhana.
Na lista suspensa, selecione a varivel dependente (consulte a Figura

3.20) e clique em OK para executar o modelo e o relatrio.
106
Figura 3.20 Mdulo de mxima verossimilhana
3.14 Spline (interpolao e extrapolao de

spline cbico)
Teoria:
s vezes h valores ausentes em um conjunto de dados de uma srie temporal.

Por exemplo, pode-se ter as taxas de juros dos anos 1 a 3, seguidas pelas dos anos
5 a 8 e 10. As curvas spline podem ser usadas para interpolar os valores de taxa
de juros dos anos ausentes com base nos dados existentes. As curvas spline
tambm podem ser usadas para prever ou extrapolar valores de perodos de
tempo futuros alm do perodo de tempo dos dados disponveis. Os dados podem
ser lineares ou no lineares. A Figura 3.21 ilustra como um spline cbico
executado e a Figura 3.22 mostra o relatrio de previso resultante deste mdulo.
Os valores de X conhecidos representam os valores no eixo X de um grfico (no
nosso exemplo, os anos das taxas de juros conhecidas e, geralmente, o eixo x
apresenta os valores previamente conhecidos, como o tempo ou o nmero de
anos) e os valores conhecidos de Y representam os valores no eixo y (no nosso
caso, as taxas de juros conhecidas). A varivel do eixo y geralmente aquela na
qual voc deseja interpolar valores ausentes ou extrapolar os valores para o
futuro.
107
Figura 3.21 Mdulo de spline cbico
Procedimento:

previso, v para a planilha Spline cbico, selecione o conjunto de dados
excluindo os cabealhos e clique em Risk Simulator | Previso | Spline
cbico.
A localizao dos dados ser inserida automaticamente na interface do

usurio se voc selecionar os dados primeiro, mas tambm possvel
clicar manualmente no cone de vnculo e vincular os valores de X
conhecidos e de Y conhecidos (consulte a Figura 3.21 para obter um
exemplo), inserir os valores obrigatrios Inicial e Final para extrapolar e
interpolar, bem como o Tamanho do incremento obrigatrio entre esses
valores inicial e final. Clique em OK para executar o modelo e o relatrio
(consulte a Figura 3.22).
108
Previses de spline cbico

O modelo de interpolao e extrapolao polinomial de spline cbico usado para "preencher as lacunas" de valores ausentes e prever dados da srie temporal, por
isso, o modelo pode ser usado para interpolar pontos de dados ausentes em uma srie temporal de dados (por exemplo, curvas de rendimento, taxas de juros,
variveis macroeconmicas, como taxas de inflao e preos de commodities ou devolues de mercado) e tambm usado para extrapolar a faixa especificada ou
Resultados da interpolao e extrapolao de spline
X
1.0
2.0
3.0
4.0
5.0
6.0
7.0
8.0
9.0
10.0
11.0
12.0
13.0
14.0
15.0
16.0
17.0
18.0
19.0
20.0
21.0
22.0
23.0
24.0
25.0
26.0
27.0
28.0
29.0
30.0
31.0
32.0
33.0
34.0
35.0
Y ajustado
4.39%
4.13%
4.16%
4.22%
4.26%
4.32%
4.38%
4.44%
4.50%
4.56%
4.61%
4.66%
4.70%
4.74%
4.77%
4.80%
4.83%
4.85%
4.87%
4.88%
4.89%
4.89%
4.89%
4.89%
4.89%
4.88%
4.87%
4.86%
4.85%
4.84%
4.83%
4.82%
4.81%
4.80%
4.79%
Notas
Interpolar
Interpolar
Interpolar
Interpolar
Interpolar
Interpolar
Interpolar
Interpolar
Interpolar
Interpolar
Interpolar
Interpolar
Interpolar
Interpolar
Interpolar
Interpolar
Interpolar
Interpolar
Interpolar
Interpolar
Interpolar
Interpolar
Interpolar
Interpolar
Interpolar
Interpolar
Interpolar
Interpolar
Interpolar
Interpolar
Extrapolar
Extrapolar
Extrapolar
Extrapolar
Extrapolar
Estas so as entradas de
valores conhecidas no modelo
de interpolao e extrapolao
de spline cbico:
Observao X conhecido Y conhecido
1
2
3
4
5
6
7
8
9
10
11
0.0833
0.2500
0.5000
1.0000
2.0000
3.0000
5.0000
7.0000
10.0000
20.0000
30.0000
4.55%
4.47%
4.52%
4.39%
4.13%
4.16%
4.26%
4.38%
4.56%
4.88%
4.84%
Figura 3.22 Resultados de previso de spline
109
4
4. OTIMIZAO
sta seo analisa o processo e as metodologias de otimizao mais

detalhadamente, pois isso est relacionado ao uso do Risk Simulator.
Essas metodologias incluem o uso de otimizao de valores inteiros,
contnuos versus discretos, bem como otimizaes estticas, dinmicas e
estocsticas.
4.1 Metodologias de otimizao

H muitos algoritmos para executar otimizao e h vrios procedimentos
diferentes quando a otimizao usada junto com a simulao Monte Carlo. No
Risk Simulator, h trs procedimentos de otimizao e tipos de otimizao
distintos, alm de diferentes tipos de variveis de deciso. Por exemplo, o Risk
Simulator pode lidar com Variveis de deciso contnuas (1,2535, 0,2215 etc.),
Variveis de deciso inteiras (como 1, 2, 3, 4 ou 1,5, 2,5, 3,5 etc.), Variveis de
deciso binrias (1 e 0 para decises de continuar ou no) e Variveis de deciso
mistas (variveis inteiras e contnuas). Alm disso, o Risk Simulator pode lidar
com otimizaes lineares (como, quando o objetivo e as restries so funes e
equaes lineares) e com otimizaes no lineares (como, quando os objetivos e
as restries so uma mistura de funes e equaes lineares e no lineares).
No que diz respeito ao processo de otimizao, o Risk Simulator pode ser usado
para executar uma otimizao discreta, ou seja, uma otimizao que executada
em um modelo discreto ou esttico, no qual nenhuma simulao executada. Em
outras palavras, todas as entradas no modelo so estticas e no se alteram. Esse
tipo de otimizao se aplica quando se supe que o modelo seja conhecido e no
h nenhuma incerteza. Alm disso, uma otimizao discreta pode ser executada
primeiro, para determinar o portflio timo e a alocao tima de variveis de
deciso correspondentes, antes de aplicar procedimentos de otimizao mais
avanados. Por exemplo, antes de executar um problema de otimizao
estocstica, uma otimizao discreta executada para determinar se existe
soluo para o problema de otimizao antes que uma anlise mais longa seja
realizada.
Em seguida, a otimizao dinmica aplicada quando a simulao Monte Carlo
usada com a otimizao. Outro nome usado para esse procedimento
otimizao de simulao. Ou seja, uma simulao executada antes, os
resultados da simulao so aplicados no modelo do Excel e, em seguida, aplicase uma otimizao aos valores simulados. Em outras palavras, uma simulao
110
executada por N tentativas, em seguida, executa-se um processo de otimizao

por M iteraes at que se obtenha resultados timos, ou seja, encontrado um
conjunto impraticvel. Ou seja, usando o mdulo de otimizao do Risk
Simulator, voc pode escolher quais estatsticas de suposio e previso devem
ser usadas e substitudas no modelo aps a execuo da simulao. Depois, essas
estatsticas de previso podem ser aplicadas no processo de otimizao. Essa
abordagem til quando h um modelo grande, com a interao de muitas
suposies e previses, e quando algumas estatsticas de previso so necessrias
na otimizao. Por exemplo, se o desvio padro de uma suposio ou previso
obrigatrio no modelo de otimizao (por exemplo, para calcular a razo de
Sharpe na alocao de ativos e problemas de otimizao, nos quais temos a
mdia dividida pelo desvio padro do portflio), ento esta abordagem deve ser
usada.
O processo de otimizao estocstica, ao contrrio, semelhante ao
procedimento de otimizao dinmica, com exceo de que todo o processo de
otimizao dinmica repetido T vezes. Isto , executa-se uma simulao com N
tentativas e, em seguida, uma otimizao com M iteraes para obter os
resultados timos. Depois, o processo replicado T vezes. O resultado ser um
grfico de previso para cada varivel de deciso com T valores. Em outras
palavras, uma simulao executada e a previso ou as estatsticas de suposio
so usadas no modelo de otimizao, para encontrar a alocao ideal das
variveis de deciso. Em seguida, outra simulao executada, gerando
estatsticas de previso diferentes e esses valores atualizados so otimizados e
assim por diante. Assim, as variveis de deciso final tero cada uma seu prprio
grfico de previso indicando a faixa tima das variveis de deciso timas. Por
exemplo, em vez de obter estimativas de um nico ponto no processo de
otimizao dinmica, agora voc pode obter uma distribuio das variveis de
deciso e, assim, uma faixa de valores timos para cada varivel de deciso,
tambm conhecido como otimizao estocstica.
Por ltimo, um procedimento de otimizao de fronteira eficiente se aplica aos
conceitos de incrementos marginais e precificao sombreada na otimizao. Ou
seja, o que aconteceria com os resultados da otimizao, se uma das restries
fosse um pouco relaxada? Por exemplo, se a restrio de oramento estiver
definida como $1 milho. O que aconteceria com o resultado do portflio e as
decises timas se a restrio fosse agora $1,5 ou $2 milhes etc. Esse o
conceito de fronteiras eficientes de Markowitz em investimentos financeiros, em
que se o desvio padro do portflio pode aumentar um pouco, quais sero os
retornos adicionais gerados pelo portflio? Esse processo semelhante ao de
otimizao dinmica, com a exceo de que a uma das restries pode se alterar
e, a cada alterao, o processo de simulao e otimizao executado. Esse
processo pode ser melhor aplicado manualmente usando o Risk Simulator. Ou
seja, execute uma otimizao dinmica ou estocstica e execute novamente outra
otimizao com uma restrio, repetindo esse processo, vrias vezes. Esse
processo manual importante porque ao alterar a restrio, o analista pode
determinar se os resultados so semelhantes ou diferentes e, portanto, se deve ser
feita uma anlise adicional, ou determinar quanto deve ser o aumento marginal
da restrio para obter uma alterao significativa no objetivo e nas variveis de
deciso.
111
Deve-se ressaltar um item. H outros softwares que supostamente executam a

otimizao estocstica, mas, de fato, no o fazem. Por exemplo, depois que uma
simulao executada, uma iterao do processo de otimizao gerada e,
depois, outra simulao executada e a segunda iterao de otimizao gerada
e assim por diante. Um desperdcio de tempo e recursos. Ou seja, em otimizao,
o modelo submetido a um rigoroso conjunto de algoritmos, no qual vrias
iteraes (de at milhares de iteraes) so necessrias para obter os resultados
timos. Assim, gerar uma iterao de cada vez um desperdcio de tempo e
recursos. O mesmo portflio pode ser solucionado usando o Risk Simulator em
menos de um minuto, comparado a vrias horas usando essa abordagem
retrgrada. Tal abordagem de otimizao-simulao tambm render resultados
ruins, alm de no ser uma abordagem de otimizao estocstica. Cuidado com
tais metodologias ao aplicar otimizao aos seus modelos.
Veja a seguir dois exemplos de problemas de otimizao. Um, usa variveis de
deciso contnuas, enquanto o outro, usa variveis de deciso inteiras discretas.
Nos dois modelos, voc pode aplicar otimizao discreta, dinmica, estocstica
ou ainda as fronteiras eficientes com precificao sombreada. Qualquer uma
dessas abordagens pode ser usada nestes dois exemplos. Portanto, para
simplificar, somente a configurao do modelo sero ilustrada e cabe ao usurio
decidir qual processo de otimizao executar. Alm disso, o modelo contnuo usa
a abordagem de otimizao no linear (porque o risco do portflio calculado
uma funo no linear e o objetivo uma funo no linear dos retornos do
portflio divididos pelos riscos do portflio), enquanto o segundo exemplo de
uma otimizao inteira um modelo de otimizao linear (o objetivo e todas as
restries so lineares). Consequentemente, os dois exemplos englobam todos os
procedimentos j mencionados.
4.2 Otimizao com variveis de deciso

contnuas
A Figura 4.1 ilustra o exemplo de modelo de otimizao contnua. O exemplo
usa o arquivo Otimizao contnua disponvel no menu Iniciar em Iniciar | Real
Options Valuation | Risk Simulator | Exemplos ou diretamente por meio de Risk
Simulator | Modelos de exemplo. Neste exemplo, h 10 classes de ativos
distintas (diferentes tipos de fundos mtuos, aes ou ativos) cuja finalidade
alocar de maneira mais eficiente e eficaz os investimentos do portflio, de tal
forma, que seja obtida melhor relao custo-benefcio. Ou seja, gerar os melhores
retornos possveis do portflio, conhecidos os riscos inerentes a cada classe de
ativos. Para entender o conceito de otimizao, necessrio analisar o modelo de
exemplo mais atentamente para ver a melhor maneira de usar o processo de
otimizao. O modelo mostra que cada uma das 10 classes de ativos tem seu
prprio conjunto de retornos e de volatilidades anualizados. Essas medidas de
risco e retorno so valores anualizados, de forma que possam ser comparadas
consistentemente em todas as classes de ativos. Os retornos so calculados
usando a mdia geomtrica dos retornos relativos, enquanto os riscos so
calculados usando a abordagem logartmica relativa de retornos de aes.
Consulte o Apndice neste captulo para obter mais detalhes sobre o clculo da
volatilidade anualizada e dos retornos anualizados de uma ao ou classe de
ativos.
112
Figura 4.1 Modelo de otimizao contnua

Os pesos alocados na coluna E incluem as variveis de deciso, as quais so as
variveis que precisam ser ajustadas e testadas para que o peso total se limite a
100% (clula E17). Geralmente, para iniciar a otimizao, essas clulas so
definidas com um valor uniforme, neste caso, as clulas E6 a E15 so definidas
como 10% cada. Alm disso, cada varivel de deciso pode ter restries
especficas na faixa permitida. Neste exemplo, as alocaes inferior e superior
permitidas so 5% e 35%, como mostram as colunas F e G. Isso significa que
cada classe de ativos pode ter seus prprios limites de alocao. Em seguida, a
coluna H mostra a taxa de retorno sobre o risco, que simplesmente o percentual
de retorno dividido pelo percentual de risco; quanto maior esse valor, maior o
retorno. O modelo restante mostra os rankings individuais de classe de ativos por
retornos, risco, taxa de retorno sobre o risco e alocao. Em outras palavras, os
rankings mostram resumidamente qual classe de ativos tem o menor risco ou o
maior retorno etc.
Os retornos totais do portflio na clula C17 so SOMARPRODUTO(C6:C15,
E6:E15), ou seja, a soma dos pesos alocados multiplicados pelos retornos
anualizados de cada classe de ativos. Em outras palavras, temos
RP A R A B RB C RC D RD , onde RP o retorno no portflio, RA,B,C,D
so os retornos individuais nos projetos e A,B,C,D so os respectivos pesos ou
alocao de capital em cada projeto.
Alm disso, o risco diversificado do portflio na clula D17 calculado por
P

i 1
2
i
2
i
i 1
j 1
2 i j i , j i j . Aqui, i,j so as respectivas correlaes
cruzadas entre as classes de ativos. Dessa forma, se a correlao cruzada for

negativa, haver efeitos de diversificao de riscos e o risco do portflio
diminuir. Contudo, para simplificar os clculos, supomos zero correlaes entre
as classes de ativos por meio deste clculo de risco de portflio, mas supomos
que elas existam ao aplicar a simulao nos retornos, como ser visto mais
adiante. Portanto, em vez de aplicar correlaes estticas entre esses diferentes
retornos de ativos, aplicamos as correlaes nas prprias suposies de
simulao, criando uma relao mais dinmica entre os valores de retorno
simulados.
113
Por ltimo, calcula-se a taxa de retorno sobre o risco, ou razo de Sharpe, para o
portflio. Esse valor visto na clula C18 e representa o objetivo a ser
maximizado neste exerccio de otimizao. Para resumir, temos as seguintes
especificaes neste modelo de exemplo:
Objetivo:
Maximizar a taxa de retorno sobre o risco (C18)
Variveis de deciso:
Pesos alocados (E6:E15)
Restries das variveis:
Mnimo e mximo necessrios (F6:G15)
Restries:
A soma total dos pesos alocados 100% (E17)
Procedimento:
Abra o arquivo de exemplo e inicie um novo perfil clicando em Risk

Simulator | Novo perfil e nomeie-o.
A primeira etapa na otimizao definir as variveis de deciso.

Selecione a clula E6 e defina a primeira varivel de deciso(Risk
Simulator | Otimizao | Definir deciso) e clique no cone de vnculo
para selecionar o nome da clula (B6), bem como os valores de limite
inferior e superior das clulas F6 e G6. Em seguida, usando a funo de
cpia do Risk Simulator, copie a varivel de deciso da clula E6 e cole-a
nas clulas restantes em E7 e E15.
A segunda etapa na otimizao definir a restrio. A nica restrio aqui

que o total de alocao no portflio some 100%. Assim, clique em Risk
Simulator | Otimizao | Restries e selecione ADICIONAR para
adicionar uma nova restrio. Em seguida, selecione a clula E17 e a
iguale (=) a 100%. Clique em OK quando concluir.
A etapa final na otimizao definir a funo do objetivo e iniciar a

otimizao. Para isso, selecione a clula de objetivo C18, clique em Risk
Simulator | Otimizao | Executar otimizao e escolha a otimizao
desejada (esttica, dinmica ou estocstica). Para iniciar, selecione
Otimizao esttica. Verifique se a clula de objetivo est definida como
C18 e selecione Maximizar. Agora voc pode revisar as variveis de
deciso e restries, se necessrio, ou clique em OK para executar a
otimizao esttica.
Quando a otimizao estiver concluda, ser possvel selecionar Reverter

para reverter aos valores originais das variveis de deciso e do objetivo.
Alternativamente, voc poder selecionar Substituir para aplicar as
variveis de deciso otimizadas. Geralmente, Substituir escolhido depois
que a otimizao est concluda.
A Figura 4.2 mostra as capturas de tela das etapas do procedimento acima. Voc
pode adicionar suposies de simulao nos retornos e no risco do modelo
(colunas C e D) e aplicar a otimizao dinmica e estocstica para mais prtica.
114
115
Figura 4.2 Execuo de otimizao contnua no Risk Simulator
Interpretao dos
resultados:
Os resultados finais da otimizao so mostrados na Figura 4.3, em que a

alocao de ativos tima para o portflio vista nas clulas E6:E15. Ou seja,
sabendo-se que as restries de cada ativo flutuam entre 5% e 35% e que a soma
da alocao deve ser igual a 100%, a alocao que maximiza a taxa de retorno
sobre o risco vista na Figura 4.3. Alguns pontos importantes devem ser
observados ao revisar os resultados e os procedimentos de otimizao realizados
at agora:
A forma correta de executar a otimizao maximizar a relao custobenefcio ou a razo de Sharpe conforme fizemos.
Se em vez disso maximizarmos os retornos totais do portflio, o resultado

de alocao tima ser trivial e no exigir otimizao para ser obtido. Ou
seja, simplesmente aloque 5% (o mnimo necessrio) para os 8 ativos
mais baixos, 35% (o mximo permitido) para o ativo de maior retorno e o
restante (25%) para os ativos com os segundos melhores retornos. A
otimizao no obrigatria. Contudo, ao alocar o portflio dessa forma,
o risco ser bem maior do que quando a taxa de retornos sobre o risco
maximizada, apesar de os retornos do portflio serem maiores.
Em contraste, possvel minimizar o risco total do portflio, mas os

retornos agora sero menores.
116
Da tabela, a melhor abordagem maximizar a taxa de retorno sobre o risco, ou

seja, para a mesma quantidade de risco, a alocao fornece a maior quantidade de
retorno. Por outro lado, para a mesma quantidade de retorno, a alocao fornece a
quantidade mais baixa de risco possvel. Essa abordagem de melhor relao
custo-benefcio ou taxa de retorno sobre o risco a base da fronteira eficiente de
Markowitz na teoria moderna de portflio. Ou seja, se restringirmos os nveis de
risco totais do portflio e sucessivamente o aumentarmos com o tempo,
obteremos vrias alocaes eficientes de portflio para diferentes caractersticas
de risco. Assim, diferentes alocaes eficientes de portflio podem ser obtidas
para indivduos diferentes com preferncias de risco diferentes.
Figura 4.3 Resultados de otimizao contnua
4.3 Otimizao com variveis inteiras discretas

s vezes, as variveis de deciso no so nmeros inteiros contnuos, mas
discretos, por exemplo, 0 e 1. Ou seja, podemos usar tal otimizao como botes
liga/desliga ou decises do tipo sim/no. A Figura 4.4 ilustra um modelo de
seleo de projeto que lista 12 projetos. O exemplo usa o arquivoOtimizao
discreta disponvel no menu Iniciar em Iniciar | Real Options Valuation | Risk
Simulator | Exemplos ou diretamente por meio de Risk Simulator | Modelos de
exemplo. Como anteriormente, cada projeto tem seus prprios retornos (VPLE
para valor lquido atual expandido e e VPL para no expandido; o VPLE
simplesmente o VPL mais quaisquer valores de opes estratgicas reais), custos
de implementao, riscos etc. Se necessrio, este modelo pode ser modificado
para incluir equivalncias de perodo integral necessrias (FTE) e outros recursos
de vrias funes, podendo-se definir restries adicionais nesses recursos
adicionais. As entradas neste modelo geralmente so vinculadas a outros modelos
de planilha. Por exemplo, cada projeto ter seu prprio fluxo de caixa descontado
ou modelo de retorno do investimento. O uso para maximizar a razo de Sharpe
do portflio de acordo com alguma alocao de oramento. possvel criar
muitas outras verses do modelo, por exemplo, maximizando os retornos do
portflio, minimizando os riscos, adicionando restries nas quais o nmero total
117
de projetos escolhidos no pode exceder 6 etc. Todos esses itens podem ser
executados usando o modelo existente.
Procedimento:
Abra o arquivo de exemplo e inicie um novo perfil clicando em Risk

Simulator | Novo perfil e nomeie-o.
A primeira etapa na otimizao configurar as variveis de deciso. Para

definir a primeira varivel, selecione a clula J4 e Risk Simulator |
Otimizao | Definir deciso, clique no cone de vnculo para escolher o
nome da clula (B4) e selecione a varivel Binria. Em seguida, usando a
funo de cpia do Risk Simulator , copie a varivel de deciso da clula
J4 e cole-a nas clulas restantes em J5 e J15. Esse o melhor mtodo caso
tenha muitas variveis de deciso. possvel dar a cada varivel um nome
exclusivo para posterior identificao.
A segunda etapa na otimizao definir a restrio. H duas restries

aqui: a alocao do oramento total no portflio deve ser menor que
$5.000 e o nmero total de projetos no deve exceder 6. Assim, clique em
Risk Simulator | Otimizao | Restries e selecione ADICIONAR
para adicionar uma nova restrio. Em seguida, selecione a clula D17 e a
faa menor ou igual (<=) a 5000. Repita definindo a clula J17 <= 6.
A etapa final na otimizao definir a funo do objetivo e iniciar a

otimizao. Para fazer isso, selecione a clula de objetivo C19 e clique em
Risk Simulator | Otimizao | Definir objetivo, execute a otimizao
usando Risk Simulator | Otimizao | Executar otimizao e escolha a
otimizao desejada (esttica, dinmica ou estocstica). Para iniciar,
selecione Otimizao esttica. Verifique se a clula de objetivo a razo
de Sharpe ou a taxa de retorno sobre o risco do portflio e selecione
Maximizar. Agora voc pode revisar as variveis de deciso e restries,
se necessrio, ou clique em OK para executar a otimizao esttica.
A Figura 4.5 mostra as capturas de tela das etapas do procedimento acima. Voc
pode adicionar suposies de simulao no VPLE e no risco do modelo (colunas
C e E) e aplicar a otimizao dinmica e estocstica para praticar mais.
Figura 4.4 Modelo de otimizao inteira discreta

118
Figura 4.5 Execuo de otimizao inteira discreta no Risk Simulator
119
Interpretao dos
resultados:
A Figura 4.6 mostra um exemplo de seleo tima de projetos que
maximiza a razo de Sharpe. Em contraste, sempre possvel maximizar
as receitas totais, mas como anteriormente, esse um processo trivial no
qual simplesmente se escolhe o projeto de maior retorno e percorre-se a
lista at ficar sem dinheiro ou exceder a restrio de oramento. Isso,
teoricamente, render projetos indesejveis, pois os projetos de maior
rendimento geralmente apresentam riscos mais altos. Agora, se desejar,
voc pode replicar a otimizao usando uma otimizao estocstica ou
dinmica adicionando suposies nos valores de VPLE, custo ou risco.
Figura 4.6 Seleo tima de projetos que maximiza a razo de Sharpe

Para obter mais exemplos prticos de otimizao, consulte o estudo de
caso no Captulo 11 sobre anlise de risco integrada, no livro Real
Options Analysis: Tools and Techniques, 2 edio (Wiley Finance,
2005). Esse estudo de caso ilustra como gerar uma fronteira eficiente e
como combinar previso, simulao, otimizao e opes reais em um
processo analtico integrado.
120
4.4 Fronteira eficiente e configuraes de

otimizao avanada
O segundo grfico na Figura 4.5 mostra as restries de otimizao.
Aqui, se voc clicou no boto Fronteira eficiente depois de definir
algumas restries, poder agora alter-las. Ou seja, cada uma das
restries pode ser criada para percorrer cada valor mximo e mnimo.
Por exemplo, a restrio na clula J17 <= 6 pode ser definida para ser
executada entre 4 e 8 (Figura 4.7). Ou seja, cinco otimizaes sero
executadas, cada uma com as seguintes restries: J17 <= 4, J17 <= 5,
J17 <= 6, J17 <= 7 e J17 <= 8. Os resultados timos sero plotados
como uma fronteira eficiente e o relatrio ser gerado (Figura 4.8).
Especificamente, o processo a seguir ilustra as etapas necessrias para
criar uma restrio mutante:
Em um modelo de otimizao, ou seja, um modelo com objetivo,

variveis de deciso e restries j configuradas, clique em Risk
Simulator | Otimizao | Restries e em Fronteira eficiente.
Selecione a restrio que deseja alterar ou percorrer (como J17) e

insira os parmetros para Mn., Mx. e Tamanho do incremento
(Figura 4.7), clique em ADICIONAR e em OK duas vezes.
Desmarque a restrio D17 <= 5000 antes de executar.
Execute a otimizao normalmente (Risk Simulator | Otimizao

| Executar otimizao). Voc pode escolher esttica, dinmica ou
estocstica.
Os resultados sero mostrados em uma interface do usurio

(Figura 4.8). Clique em Criar relatrio para gerar uma planilha
de relatrio com todos os detalhes das execues de otimizao.
Figura 4.7 Gerao de restries mutantes em uma fronteira eficiente
121
Figura 4.8 Resultados da fronteira eficiente
4.5 Otimizao estocstica

O prximo exemplo ilustra a aplicao da otimizao estocstica usando
um modelo de exemplo com quatro classes de ativos, cada uma com
caractersticas de risco e de retorno diferentes. O objetivo encontrar a
melhor alocao de portflio, tal que seja maximizada a relao custobenefcio ou a taxa de retorno sobre o risco do portflio. Ou seja, a meta
alocar 100% de um investimento individual entre vrias classes de
ativos diferentes (diferentes tipos de fundos mtuos ou estilos de
investimento: crescimento, valor, crescimento agressivo, rendimento,
global, ndice, contrrio, momento etc.). Este modelo diferente de
outros pois possui vrias suposies de simulao (valores de risco e
retorno para cada ativo nas colunas C e D), como mostra a Figura 4.9.
Executa-se uma simulao e, em seguida, a otimizao e todo o processo
repetido vrias vezes para obter distribuies de cada varivel de
deciso. Toda a anlise pode ser automatizada usando a otimizao
estocstica. Para executar uma otimizao, preciso primeiro identificar
vrias especificaes importantes no modelo:
Objetivo:
Maximizar a taxa de retorno sobre o risco (C12)

Variveis de deciso:
Pesos alocados (E6:E9)

Restries das variveis de deciso:
Mnimo e mximo necessrios (F6:G9)
122
Restries:
Total de 100% dos pesos alocados do portflio (E11

definida como 100%)
Suposies da simulao:
Valores de retorno e risco (C6:D9)

O modelo mostra as vrias classes de ativos. Cada classe de ativo tem
seu prprio conjunto de retornos e volatilidades anualizados. Essas
medidas de risco e retorno so valores anualizados, de forma que possam
ser comparadas consistentemente em todas as classes de ativos. Os
retornos so calculados usando a mdia geomtrica dos retornos
relativos, enquanto os riscos so calculados usando a abordagem
logartmica relativa de retornos de aes.
Os pesos alocados na coluna E incluem as variveis de deciso, as quais
so as variveis que precisam ser ajustadas e testadas para que o peso
total se limite a 100% (clula E17). Geralmente, para iniciar a
otimizao, essas clulas so definidas com um valor uniforme. Neste
caso, as clulas E6 a E9 so definidas como 25% cada. Alm disso, cada
varivel de deciso pode ter restries especficas na faixa permitida.
Neste exemplo, as alocaes inferior e superior permitidas so 10% e
40%, como mostram as colunas F e G. Isso significa que cada classe de
ativos pode ter seus prprios limites de alocao.
Figura 4.9: Modelo de alocao de ativo pronto para otimizao estocstica

Em seguida, a coluna H mostra a taxa de retorno sobre o risco, que
simplesmente o percentual de retorno dividido pelo percentual de risco;
quanto maior esse valor, maior o retorno. As partes restantes do modelo
mostram os rankings individuais de classe de ativos por retornos, risco,
taxa de retorno sobre o risco e alocao. Em outras palavras, os rankings
mostram resumidamente qual classe de ativos tem o menor risco ou o
maior retorno etc.
123
Execuo de uma
otimizao
Para executar o modelo, clique em Risk Simulator | Otimizao |

Executar otimizao. Como alternativa, voc pode configurar o modelo
usando as seguintes etapas.
1. Crie um novo perfil (Risk Simulator | Novo perfil).
2. Para otimizao estocstica, defina suposies de distribuio
sobre o risco e os retornos de cada classe de ativo. Ou seja,
selecione a clula C6 e defina uma suposio (Risk Simulator |
Definir valores de entrada) e crie sua suposio conforme
necessrio. Repita para as clulas C7 a D9.
3. Selecione a clula E6 e defina a varivel de deciso (Risk
Simulator | Otimizao | Definir deciso ou clique no cone
Definir deciso D ), torne-a uma Varivel contnua e vincule o
nome, o mnimo e o mximo da varivel de deciso necessrios
s clulas relevantes (B6, F6, G6).
4. Use a funo copiar do Risk Simulator na clula E6, selecione as
clulas E7 a E9 e use a funo colar do Risk Simulator (Risk
Simulator | Copiar parmetro) e Risk Simulator | Colar
parmetro ou use os cones de cpia e colagem). No use as
funes normais do Excel para copiar e colar.
5. Em seguida, para configurar as restries da otimizao,
selecione Risk Simulator | Otimizao | Restries,
ADICIONAR e a clula E11 e a iguale a 100% (alocao total e
inclua o sinal %).
6. Selecione a clula C12, o objetivo a ser maximizado e
transforme-a no objetivo: Risk Simulator | Otimizao | Definir
objetivo ou clique no cone O.
7. Para executar a otimizao, clique em Risk Simulator |
Otimizao | Executar otimizao. Revise as diferentes guias
para verificar se todas as entradas necessrias nas etapas 2 e 3
esto corretas. Selecione Otimizao estocstica e execute-a por
500 tentativas repetidas 20 vezes (a Figura 4.10 ilustra essas
etapas de configurao).
124
Figura 4.10: Configurao do problema de otimizao estocstica

Quando a simulao for concluda, clique em OK para gerar um relatrio
de otimizao estocstica detalhado, contendo grficos de previso das
variveis de deciso.
Exibir e interpretar
resultados de previses
A otimizao estocstica realizada quando primeiro executada uma

simulao e, depois, uma otimizao. Em seguida, toda a anlise
repetida vrias vezes. O resultado uma distribuio de cada varivel de
deciso, em vez de uma estimativa de nico ponto (Figura 4.11). Isso
significa que em vez de dizer que voc deve investir 31,08% no ativo 1, a
deciso tima investir entre 30,77% e 31,32% desde que o portflio
total some 100%. Dessa forma, os resultados do ao gestor ou aos
125
tomadores de deciso a uma faixa de flexibilidade dentro das decises

timas ao mesmo tempo em que levam em considerao os riscos e as
incertezas das entradas.
Notas:
Simulao super-rpida com otimizao. Voc tambm pode

executar uma otimizao estocstica com a simulao superrpida. Para fazer isso, redefina a otimizao redefinindo todas as
quatro variveis de deciso de volta a 25%. Em seguida, clique
em Executar otimizao e no boto Avanado (Figura 4.10) e
marque a caixa de seleo Executar simulao super-rpida. Na
interface de execuo da otimizao, selecione Otimizao
estocstica na guia Mtodo e a defina para ser executada por 500
tentativas e 20 execues de otimizao, e clique em OK. Essa
abordagem integra a simulao super-rpida otimizao.
Observe que a otimizao estocstica executada muito mais
rapidamente. Agora possvel execut-la de novo com um maior
nmero de tentativas de simulao.
Estatsticas de simulao para otimizaes estocstica e

dinmica. Observe que se houver suposies de entrada de
simulao no modelo de otimizao (ou seja, essas suposies de
entrada forem necessrias para executar as rotinas de otimizao
dinmica ou estocstica), a guia Estatsticas estar preenchida na
janela Executar otimizao. Na lista suspensa, voc pode
selecionar as estatsticas desejadas, como mdia, desvio padro,
coeficiente de variao, mdia condicional e varincia
condicional, um percentil especfico etc. Isso significa que se for
executada uma otimizao estocstica, uma simulao de
milhares de tentativas ser executada primeiro, as estatsticas
selecionadas sero calculadas e o valor ser temporariamente
colocado na clula de suposio de simulao e, em seguida, ser
executa uma otimizao com base nessa estatstica e todo o
processo repetido vrias vezes. Esse mtodo importante e til
para bancos no clculo do valor em risco condicional ou VaR
condicional.
126
Figura 4.11: Resultados simulados da abordagem de otimizao estocstica
127
5
5. FERRAMENTAS
ANALTICAS DE
SIMULAO DE RISCO
ste captulo trata das ferramentas analticas do Risk Simulator.

Essas ferramentas analticas so discutidas por meio de
exemplos de aplicao do software Risk Simulator, com
ilustraes passo-a-passo. Essas ferramentas so valiosas para analistas
que trabalham na rea de anlise de risco. A aplicabilidade de cada
ferramenta discutida em detalhe neste captulo.
5.1 Ferramentas Tornado e Sensibilidade

em simulao
Teoria:
Uma das mais poderosas ferramentas de simulao a anlise tornado:

ela captura os impactos estticos de cada varivel no resultado do
modelo. Ou seja, a ferramenta perturba automaticamente cada varivel
no modelo por um valor predefinido, captura a flutuao na previso do
modelo ou no resultado final e lista as perturbaes resultantes
classificadas em ordem decrescente de relevncia. As Figuras 5.1 a 5.6
ilustram a aplicao de uma anlise tornado. Por exemplo, a Figura 5.1
um exemplo de modelo de fluxo de caixa descontado, que mostra os
valores de entrada. Quais so os fatores de sucesso que mais afetam o
resultado do modelo? Ou seja, o que realmente controla o valor presente
lquido de $96,63 ou qual varivel de entrada causa mais impacto nesse
valor?
A ferramenta de grfico tornado est disponvel em Risk Simulator |
Ferramentas | Anlise tornado. Para seguir o primeiro exemplo, abra o
arquivo Grficos de sensibilidade e tornado (lineares) na pasta de
exemplos. A Figura 5.2 mostra esse modelo de exemplo, no qual a clula
G6 contendo o valor presente lquido escolhida como meta do resultado
a ser analisado. Os precedentes da clula de meta no modelo so usados
para criar o grfico tornado. Os precedentes so todas as variveis de
entrada e intermedirias que afetam o resultado do modelo. Por exemplo,
se o modelo consiste em A = B + C, onde C = D + E, ento B, D e E so
precedentes de A (C no um precedente, pois apenas um valor
128
calculado intermedirio). A Figura 5.2 tambm mostra a faixa de testes

de cada varivel precedente usada para estimar o alvo do resultado. Se as
variveis precedentes forem entradas simples, a faixa de teste ser uma
perturbao simples, de acordo com a faixa escolhida (por exemplo, o
padro 10%). Cada varivel precedente pode ser perturbada em
diferentes porcentagens, se necessrio. Uma faixa maior importante, j
que a capacidade para testar valores extremos melhor do que
perturbaes menores ao redor dos valores esperados. Em algumas
circunstncias, valores extremos podem ter um impacto maior, menor ou
no equilibrado (por exemplo, podem ocorrer no linearidades onde
houver aumento ou diminuio das economias de escala e imprevistos do
escopo para valores maiores ou menores de uma varivel) e somente uma
faixa mais ampla captura esse impacto no linear.
Modelo de fluxo de caixa descontado

Ano base
Taxa de desconto ajustada pelo risco de m
Taxa de desconto de risco privado
Taxa anualizada de crescimento de venda
Taxa de eroso dos preos
Taxa de juros efetiva
2005
15.00%
5.00%
2.00%
5.00%
40.00%
Soma dos benefcios lqu

Soma dos investimentos
Valor presente lquido
Taxa de retorno interna
Retorno do investimento
$1,896.63
$1,800.00
$96.63
18.80%
5.37%
2005
2006
2007
2008
2009
Alterao no capital de giro lquido

Despesas de capital
Fluxo de caixa livre
$10.00
$12.25
$15.15
50.00
35.00
20.00
$1,231.75
$184.76
$1,046.99
$157.50
$15.75
$873.74
$10.00
$3.00
$860.74
$2.00
$858.74
$343.50
$515.24
$13.00
$0.00
$0.00
$528.24
$9.50
$11.64
$14.39
51.00
35.70
20.40
$1,193.57
$179.03
$1,014.53
$160.65
$16.07
$837.82
$10.00
$3.00
$824.82
$2.00
$822.82
$329.13
$493.69
$13.00
$0.00
$0.00
$506.69
$9.03
$11.06
$13.67
52.02
36.41
20.81
$1,156.57
$173.48
$983.08
$163.86
$16.39
$802.83
$10.00
$3.00
$789.83
$2.00
$787.83
$315.13
$472.70
$13.00
$0.00
$0.00
$485.70
$8.57
$10.50
$12.99
53.06
37.14
21.22
$1,120.71
$168.11
$952.60
$167.14
$16.71
$768.75
$10.00
$3.00
$755.75
$2.00
$753.75
$301.50
$452.25
$13.00
$0.00
$0.00
$465.25
$8.15
$9.98
$12.34
54.12
37.89
21.65
$1,085.97
$162.90
$923.07
$170.48
$17.05
$735.54
$10.00
$3.00
$722.54
$2.00
$720.54
$288.22
$432.33
$13.00
$0.00
$0.00
$445.33
Investimentos
$1,800.00
Preo mdio do produto A

Preo mdio do produto B
Preo mdio do produto C
Quantidade do produto A
Quantidade do produto B
Quantidade do produto C
Receita total
Custo dos bens vendidos
Lucro bruto
Despesas operacionais
Custos de vendas, gerais e admin.
Rendimento operacional (EBITDA)

Depreciao
Amortizao
EBIT
Pagamentos de juros
EBT
Impostos
Rendimento lquido
Depreciao
Figura 5.1: Modelo de exemplo
129
Procedimento:
Selecione a nica clula de resultado, por exemplo, uma clula

com uma funo ou equao, em um modelo do Excel, como a
clula G6 selecionada no nosso exemplo
Selecione Risk Simulator | Ferramentas | Anlise tornado
Revise as precedentes e as renomeie de forma apropriada

(renomear as precedentes com nomes mais curtos torna grficos
tornado e aranha visualmente mais agradveis) e clique em OK
Figura 5.2 Execuo da anlise tornado
Interpretao dos
resultados:
A Figura 5.3 mostra o relatrio de anlise tornado resultante, que indica

que o investimento de capital exerce o maior impacto sobre o valor
presente lquido, seguido pela a alquota de impostos, o preo de venda
mdio e a quantidade solicitada das linhas de produto etc. O relatrio
contm quatro elementos distintos:
Resumo estatstico listando o procedimento executado.
A tabela de sensibilidade (Figura 5.4) mostra os valores de base

do VPL inicial de 96,63 e como cada entrada alterada (por
exemplo, o investimento alterado de $1.800 para $1.980 no
lucro com uma oscilao de +10%, e de $1.800 para $1.620 na
perda, com uma oscilao de 10%). Os valores de lucro e perda
resultantes no VPL so $83,37 e $276,63, com uma alterao
total de $360, tornando-a a varivel com maior impacto sobre o
VPL. As variveis precedentes so classificadas do maior ao
menor impacto.
O grfico aranha (Figura 5.5) ilustra esses efeitos graficamente. O

eixo y o valor alvo de VPL e o eixo x representa a alterao
130
percentual em cada valor precedente (o ponto central o valor do

caso bsico, em 96,63 com alterao de 0% do valor bsico de
cada precedente). Uma linha inclinada positivamente indica uma
possvel relao ou efeito, enquanto linhas inclinadas
negativamente indicam uma relao negativa (por exemplo, se o
investimento estiver inclinado negativamente, isso significar que
quanto maior for o nvel do investimento, menor ser o VPL). O
valor absoluto da inclinao indica a magnitude do efeito (uma
linha muito inclinada indica um impacto maior no eixo y do VPL,
dada uma alterao no eixo x precedente).
O grfico tornado ilustra isso de outra maneira grfica, na qual a

precedente de maior impacto listada primeiro. Um eixo x o
valor de VPL com o centro do grfico sendo a condio do caso
bsico. As barras verdes no grfico indicam um efeito positivo e
as barras vermelhas indicam um efeito negativo. Por conseguinte,
em investimentos, a barra vermelha no lado direito indica um
efeito negativo do investimento em um VPL mais alto. Em outras
palavras, o investimento de capital e o VPL so negativamente
correlacionados. O contrrio tambm vale para o preo e a
quantidade dos produtos A a C (as barras verdes esto no lado
direito do grfico).
131
Grficos tornado e aranha

Resumo estatstico
Uma das mais poderosas ferramentas de simulao o grfico tornado ele captura os impactos estticos de cada varivel no resultado do modelo. Ou seja, a ferramenta perturba automaticamente cada varivel
precedente no modelo por um valor predefinido especificado pelo usurio, captura a flutuao na previso do modelo ou no resultado final e lista as perturbaes resultantes classificadas em ordem decrescente de
relevncia. Os precedentes so todas as variveis de entrada e intermedirias que afetam o resultado do modelo. Por exemplo, se o modelo consiste em A = B + C, onde C = D + E, ento B, D e E so precedentes de
A (C no um precedente, pois apenas um valor calculado intermedirio). A faixa e o nmero de valores perturbados so especificados pelo usurio e podem ser definidos para testar valores extremos em vez de
perturbaes menores em torno dos valores esperados. Em algumas circunstncias, valores extremos podem ter um impacto maior, menor ou no equilibrado (por exemplo, podem ocorrer no linearidades onde
houver aumento ou diminuio das economias de escala e imprevistos do escopo para valores maiores ou menores de uma varivel) e somente uma faixa mais ampla captura esse impacto no linear.
Um grfico tornado lista todas as entradas que controlam o modelo, comeando pela varivel de entrada que exerce o maior efeito nos resultados. O grfico obtido pela perturbao de cada entrada precedente em
uma faixa consistente (por exemplo, 10% do caso bsico) de cada vez e pela comparao dos resultados com o caso bsico. Um grfico aranha se assemelha a uma aranha, com um corpo central e muitas patas
salientes. A linha positivamente inclinada indica uma relao positiva e uma linha negativamente inclinada indica uma relao negativa. Alm disso, os grficos aranha podem ser usados para mostrar relaes
lineares e no lineares. Os grficos tornado e aranha ajudam a identificar os fatores crticos de sucesso de uma clula de resultado, para identificar as entradas que devem ser simuladas. As variveis crticas
identificadas como incertas so aquelas que devem ser simuladas. No desperdice tempo simulando variveis que no so incertas ou que exercem pouco impacto nos resultados.
Resultado
Valor de base: 96.6261638553219
Clula precedente
C36: Investimentos
C9: Taxa de juros efetiva
C12: Preo mdio do produto A
C13: Preo mdio do produto B
C15: Quantidade do produto A
C16: Quantidade do produto B
C14: Preo mdio do produto C
C17: Quantidade do produto C
C5: Taxa de desconto ajustada pelo risco de
C8: Taxa de eroso dos preos
C7: Taxa anualizada de crescimento de vend
C24: Depreciao
C25: Amortizao
C27: Pagamentos de juros
Alteraes da entrada
Valor do
caso de
base
$1,800.00
40.00%
$10.00
$12.25
50.00
35.00
$15.15
20.00
15.00%
5.00%
2.00%
$10.00
$3.00
$2.00
Queda do Aumento do
Queda da Aumento
resultado
resultado Faixa efetiva entrada da entrada
276.62616 -83.373836
360.00 $1,620.00 $1,980.00
219.72693 -26.474599
246.20
36.00%
44.00%
3.4255424 189.82679
186.40
$9.00
$11.00
16.706631
176.5457
159.84
$11.03
$13.48
23.177498 170.07483
146.90
45.00
55.00
30.533 162.71933
132.19
31.50
38.50
40.146587 153.10574
112.96
$13.64
$16.67
48.047369 145.20496
97.16
18.00
22.00
138.23913 57.029841
81.21
13.50%
16.50%
116.80381 76.640952
40.16
4.50%
5.50%
90.588354 102.68541
12.10
1.80%
2.20%
95.084173 98.168155
3.08
$9.00
$11.00
96.163566 97.088761
0.93
$2.70
$3.30
97.088761 96.163566
0.93
$1.80
$2.20
Figura 5.3 Relatrio de anlise tornado
Notas:
A anlise tornado uma anlise de sensibilidade esttica aplicada a cada

varivel de entrada no modelo, ou seja, cada varivel perturbada
individualmente e os efeitos resultantes so tabulados. Isso torna a
anlise tornado um componente-chave a ser executado antes de uma
simulao. Uma das primeiras etapas na anlise de risco capturar e
identificar os fatores de maior impacto no modelo. A prxima etapa
identificar quais desses fatores de impacto so incertos. Esses fatores de
impacto incertos so fatores importantes para o sucesso de um projeto,
dos quais dependem os resultados do modelo. Essas variveis so as que
devem ser simuladas. No desperdice tempo simulando variveis que no
so incertas ou que exercem pouco impacto nos resultados. Os grficos
tornado auxiliam na identificao desses fatores de sucesso com rapidez
132
e facilidade. Seguindo este exemplo, possvel que o preo e a

quantidade devam ser simulados, supondo que os investimentos
necessrios e a alquota de impostos efetiva sejam conhecidos
antecipadamente e inalterveis.
Figura 5.4 Tabela de sensibilidade
Figura 5.5 Grfico aranha
133
Figura 5.6 Grfico tornado
Figura 5.7 Grfico aranha no linear

Embora o grfico tornado seja de mais fcil compreenso, o grfico
aranha importante para determinar se existem no linearidades no
modelo. Por exemplo, a Figura 5.7 mostra outro grfico aranha no qual
as no linearidades so bastante evidentes (as linhas no grfico no so
retas, mas curvas). O modelo usado o Grficos de sensibilidade e
tornado (no lineares), que usa o modelo de precificao de opo de
134
Black-Scholes como um exemplo. Tais no linearidades no podem ser

verificadas em um grfico tornado e podem ser informaes importantes
no modelo ou fornecer detalhes importantes sobre a dinmica do modelo
para as pessoas responsveis pela tomada de decises.
Notas adicionais sobre

tornado:
A Figura 5.2 mostra a interface da ferramenta de anlise tornado.

Observe que existem alguns novos aprimoramentos a partir do Risk
Simulator verso 4 e posterior. Veja a seguir algumas dicas para executar
a anlise tornado e detalhes adicionais sobre esses novos
aprimoramentos:
A anlise tornado nunca deve ser executada apenas uma vez. Ela
considerada uma ferramenta de diagnstico de modelo, o que
significa que deve ser executada vrias vezes no mesmo modelo.
Por exemplo, em um modelo grande, o tornado pode ser
executado na primeira vez com todas as configuraes padro e
mostrando todas as precedentes (selecione Mostrar todas as
variveis). Isso pode resultar em um relatrio grande e grficos
tornado longos (e potencialmente confusos). Porm, isso fornece
um timo ponto de partida para determinar a quantidade de
precedentes consideradas fatores crticos de sucesso (por
exemplo, o grfico tornado pode mostrar que as primeiras 5
variveis tm alto impacto sobre o resultado, ao passo que as 200
variveis restantes exercem pouco ou nenhum impacto). Nesse
caso, uma segunda anlise tornado executada com menos
variveis (selecione Mostrar as 10 variveis principais se as
primeiras 5 forem crticas, o que cria bons relatrios e grfico
tornado, que mostra um contraste entre os fatores-chave e os
fatores menos crticos, ou seja, voc nunca deve mostrar um
grfico tornado com apenas as variveis-chave sem mostrar
algumas variveis menos crticas, para que haja assim um
contraste sobre os efeito no resultado). Por fim, os pontos de teste
padro podem ser aumentados de 10% para algum valor maior
para testar no linearidades (o grfico aranha mostrar linhas
no lineares e os grficos tornado sero inclinados para um dos
lados se os efeitos dos precedentes forem no lineares).
A opo Usar endereo de clula uma boa idia se o seu

modelo for grande, o que permite identificar a localizao (o
nome da planilha e o endereo da clula) de uma clula
precedente. Se ela no for selecionada, o software aplicar sua
prpria lgica fuzzy para tentar determinar o nome de cada
varivel precedente (s vezes os nomes podem parecer confusos
em um modelo grande com variveis repetidas ou podem ser
muito extensos, dando uma aparncia desagradvel ao grfico
tornado).
As opes Analisar esta planilha e Analisar todas as planilhas

permitem controlar se as precedentes devem fazer parte apenas da
planilha atual ou se todas as planilhas devem ser includas na
mesma pasta de trabalho. Essa opo til quando voc quer
apenas analisar um resultado com base nos valores da planilha
atual em vez de executar uma pesquisa global de todas as
precedentes vinculadas entre vrias planilhas na mesma pasta de
trabalho.
135
A opo Usar configuraes globais til quando voc tem um

modelo grande e deseja testar todas as precedentes em 50%, em
vez do padro de 10%. Em vez de alterar os valores de teste de
cada precedente, um por vez, voc pode selecionar essa opo,
alterar a configurao e clicar em qualquer lugar na interface do
usurio, para alterar toda a lista de precedentes. Desmarcar essa
opo permite controlar a alterao dos pontos de teste de uma
precedente por vez.
A opo Ignorar zeros ou valores vazios uma opo ativada

por padro, na qual clulas precedentes com valor zero ou vazio
no sero executadas no tornado. Essa a configurao tpica.
A opo Realar valores inteiros possveis permite identificar

rapidamente todas as clulas precedentes possveis que tm, no
momento, entradas de nmeros inteiros. s vezes isso pode ser
importante se o seu modelo usar desvios (por exemplo, funes
como SE uma clula for 1 algo acontecer e SE a clula contiver
valor 0 outra coisa acontecer, ou inteiros como 1, 2, 3 etc. que
voc no deseja testar). Por exemplo, 10% do valor igual a 1 de
um desvio de sinalizador retornar os valores de teste 0,9 e 1,1,
ambos valores de entrada irrelevantes e incorretos no modelo, o
que pode ser interpretado pelo Excel como erro da funo.
Quando selecionada, essa opo destaca rapidamente possveis
reas problemticas para a anlise tornado. Voc pode determinar
quais precedentes ativar ou desativar manualmente ou pode usar
Ignorar valores inteiros possveis para desativar todos
simultaneamente.
5.2 Anlise de sensibilidade

Teoria:
Uma funo relacionada a anlise de sensibilidade. Enquanto a anlise

tornado (grficos tornado e aranha) aplica perturbaes estticas antes
que uma simulao seja executada, a anlise de sensibilidade aplica
perturbaes dinmicas criadas aps a execuo da simulao. Os
grficos tornado e aranha so resultados de perturbaes estticas, o que
significa que cada varivel de suposio ou precedente perturbada com
um valor predefinido, uma por vez, e as flutuaes nos resultados so
tabuladas. Em contraste, os grficos de sensibilidade so os resultados de
perturbaes dinmicas j que vrias suposies so perturbadas
simultaneamente e suas interaes no modelo e as correlaes entre
variveis so capturadas nas flutuaes dos resultados. Os grficos
tornado identificam quais variveis controlam mais os resultados e que
so, assim, adequadas para a simulao, enquanto os grficos de
sensibilidade identificam o impacto nos resultados quando mltiplas
variveis que interagem so simuladas no modelo. Esse efeito
claramente ilustrado na Figura 5.8. Observe que a classificao dos
fatores de sucesso so semelhantes ao grfico tornado dos exemplos
anteriores. No entanto, quando so acrescentadas correlaes entre as
suposies, a Figura 5.9 mostra uma imagem bem diferente. Observe,
por exemplo, que a eroso de preos causou pouco impacto no VPL, mas
quando algumas das suposies de entrada esto correlacionadas, a
136
interao existente entre essas variveis correlacionadas faz com que a

eroso de preos tenha um impacto maior.
Figura 5.8 Grfico de sensibilidade sem correlaes
Figura 5.9 Grfico de sensibilidade com correlaes
137
Procedimento:
Abra ou crie um modelo, defina suposies e previses e execute

a simulao (o exemplo em questo usa o arquivo Grficos de
sensibilidade e tornado (lineares)
Selecione Risk Simulator | Ferramentas | Anlise de sensibilidade
Selecione a previso que deseja analisar e clique em OK (Figura

5.10)
Figura 5.10 Execuo da anlise de sensibilidade
Interpretao dos
resultados:
Os resultados da anlise de sensibilidade compe um relatrio e dois

grficos-chave. O primeiro um grfico de correlao de classificao
no linear (Figura 5.11) que classifica os pares de correlao suposiopreviso do mais alto ao mais baixo. Essas correlaes so no lineares e
no paramtricas, ou seja, elas no tm requisitos de distribuio (por
exemplo, uma suposio com uma distribuio Weibull pode ser
comparada a outra com uma distribuio beta). Os resultados desse
grfico so semelhantes queles da anlise tornado descrita
anteriormente, porm, sem o valor de investimento de capital, que
decidimos ser um valor conhecido e, portanto, no foi simulado, com
uma exceo especial. A alquota de impostos taxa de juros foi relegada
a uma posio muito mais baixa no grfico da anlise de sensibilidade
(Figura 5.11), se comparada ao grfico tornado (Figura 5.6). A razo
disso que a alquota de impostos, por si s, tem um impacto
significativo, mas depois que outras variveis interajam no modelo, a
alquota aparenta ter um efeito dominante menor. Isso acontece porque a
alquota de impostos tem uma distribuio menor enquanto as alquotas
de impostos histricas tendem a no flutuar muito, e tambm porque a
alquota de impostos um valor percentual fixo da renda antes dos
impostos, na qual outras variveis precedentes tm maior efeito). Esse
exemplo prova que a execuo de uma anlise de sensibilidade aps uma
simulao importante para verificar se h interaes no modelo e se os
efeitos de determinadas variveis ainda persistem. O segundo grfico
138
(Figura 5.12) ilustra a variao percentual explicada. Ou seja, o quanto

da variao das flutuaes na previso pode ser explicado por cada uma
das suposies, aps explicar todas as interaes entre as variveis?
Observe que a soma de todas as variaes explicadas , em geral,
prxima de 100% (s vezes h outros elementos que causam impacto no
modelo, mas no podem ser capturados diretamente aqui), e se houver
correlao, a soma poder, s vezes, exceder 100% (devido aos efeitos da
interao que so cumulativos).
Figura 5.11 Grfico de correlao de ranking
Figura 5.12 Grfico de contribuio varincia
Notas:
A anlise tornado executada antes de uma simulao, enquanto a

anlise de sensibilidade executada aps a simulao. Os grficos aranha
na anlise tornado podem considerar no linearidades, enquanto os
grficos de correlao de ranking na anlise de sensibilidade podem
explicar condies no lineares e de distribuio livre.
139
5.3 Ajuste da distribuio: varivel nica

e mltiplas variveis
Teoria:
Uma outra ferramenta de simulao poderosa o ajuste da distribuio.

Ou seja, qual distribuio um analista usa para uma determinada varivel
de entrada em um modelo? Quais so os parmetros de distribuio
relevantes? Se no existirem dados de histricos, o analista dever ento
fazer suposies sobre as variveis em questo. Uma abordagem usar o
mtodo Delphi quando um grupo de especialistas est incumbido de
estimar o comportamento de cada varivel. Por exemplo, um grupo de
engenheiros mecnicos pode ser responsvel por avaliar as possibilidades
extremas do dimetro de uma bobina por meio de experincias rigorosas
ou palpites. Esses valores podem ser usados como parmetros de entrada
da varivel (por exemplo, a distribuio uniforme com valores extremos
entre 0,5 e 1,2). Quando no for possvel testar (por exemplo,
participao no mercado e taxa de crescimento da renda), a gerncia
ainda poder fazer estimativas dos resultados possveis e fornecer os
cenrios de melhor caso, caso mais provvel e o pior caso.
No entanto, se dados de histricos confiveis estiverem disponveis, o
ajuste da distribuio poder ser realizado. Supondo que os padres
histricos se mantm e que a histria tende a se repetir, os dados
histricos podem ento ser usados para encontrar a distribuio de
melhor ajuste com seus parmetros relevantes para definir melhor as
variveis a serem simuladas. As Figuras 5.13 a 5.15 ilustram um
exemplo de ajuste da distribuio. A ilustrao usa o arquivo Ajuste de
dados na pasta de exemplos.
Procedimento:
Abra uma planilha com os dados existentes para ajuste
Selecione os dados que deseja ajustar (os dados devem estar em

uma nica coluna com vrias linhas)
Selecione Risk Simulator | Ferramentas | Ajuste da distribuio

(varivel nica)
Selecione as distribuies especficas que deseja ajustar ou

mantenha o padro, no qual todas as distribuies so
selecionadas, e clique em OK (Figura 5.13)
Analise os resultados do ajuste, escolha a distribuio relevante

desejada e clique em OK (Figura 5.14)
140
Figura 5.13 Ajuste da distribuio de varivel nica
Interpretao dos
resultados:
A hiptese nula sendo testada tal que a distribuio ajustada a mesma

distribuio da populao de origem dos dados da amostra. Portanto, se
um p-valor calculado for menor que um nvel alfa crtico (normalmente
0,10 ou 0,05), a distribuio ser a incorreta. Inversamente, quanto maior
o p-valor, melhor a distribuio se ajustar aos dados. possvel pensar
em um p-valor como uma porcentagem explicada, ou seja, se o p-valor
for 0,9727 (Figura 5.14), ento a configurao de uma distribuio
normal com uma mdia de 99,28 e um desvio padro de 10,17 explicar
cerca de 97,27% da variao nos dados, indicando um bom ajuste. Os
dois resultados (Figura 5.14) e o relatrio (Figura 5.15) mostram a
estatstica do teste, o p-valor, as estatsticas tericas (baseadas na
distribuio selecionada), as estatsticas empricas (baseadas nos dados
brutos), os dados originais (para manter um registro dos dados usados) e
a suposio com os parmetros de distribuio relevantes (por exemplo,
se voc selecionou a opo para gerar automaticamente suposies e se
um perfil de simulao j existe). Os resultados tambm classificam as
distribuies selecionadas e como elas ajustam os dados.
141
Figura 5.14: Resultado do ajuste da distribuio
142
Ajuste da distribuio de varivel nica

Resumo estatstico
Suposio ajustada
100.61
Distribuio ajustada Normal

Mdia
100.67
Sigma
10.40
Estatstica de Kolmogorov-Smirnov
P-valor para estatstica de teste
0.02
0.9996
Mdia
Desvio padro
Obliquidade
Curtose excessiva
Real
100.61
10.31
0.01
-0.13
Terico
100.67
10.40
0.00
0.00
Dados ajustados originais

73.53
78.21
78.52
84.66
85.00
85.35
88.05
88.45
88.51
92.36
92.41
92.45
94.00
94.15
94.51
96.20
96.24
96.40
97.77
97.85
98.15
99.47
99.55
99.73
101.28
101.34
101.45
103.17
103.21
103.22
104.57
104.76
105.20
106.59
107.01
107.68
109.22
109.35
109.52
111.95
112.07
112.19
114.13
114.14
114.21
119.52
124.14
124.16
79.50
85.51
89.95
92.70
94.57
96.43
98.17
99.96
101.46
103.32
105.44
107.70
109.75
112.29
114.91
124.39
79.72
86.04
90.19
92.80
94.64
96.47
98.24
100.08
101.55
103.34
105.50
107.93
110.04
112.32
114.95
132.30
79.74
86.79
90.54
92.84
94.69
96.81
98.28
100.24
101.73
103.45
105.52
108.17
110.16
112.42
115.40
81.56
86.82
90.68
93.21
94.95
96.88
98.32
100.36
101.74
103.65
105.58
108.20
110.25
112.48
115.58
82.08
86.91
90.96
93.26
95.57
97.00
98.33
100.42
101.81
103.66
105.66
108.34
110.54
112.85
115.66
82.68
87.02
91.25
93.48
95.62
97.07
98.35
100.44
102.29
103.72
105.87
108.42
111.05
112.92
116.58
82.75
87.03
91.49
93.73
95.71
97.21
98.65
100.48
102.55
103.81
105.90
108.43
111.06
113.50
116.98
83.34
87.45
91.56
93.75
95.78
97.23
99.03
100.49
102.58
103.90
105.90
108.49
111.44
113.59
117.60
83.64
87.53
91.94
93.77
95.83
97.48
99.27
100.83
102.60
103.99
106.29
108.70
111.76
113.63
118.67
84.09
87.66
92.06
93.82
95.97
97.70
99.46
101.17
102.70
104.46
106.35
109.15
111.90
113.70
119.24
Figura 5.15: Relatrio do ajuste da distribuio

Para ajustar mltiplas variveis, o processo muito semelhante ao ajuste
das variveis individuais. No entanto, os dados devem ser organizados
em colunas (por exemplo, cada varivel organizada em uma coluna) e
todas as variveis so ajustadas, uma por vez.
Procedimento:
Notas:
Abra uma planilha com os dados existentes para ajuste
Selecione os dados que deseja ajustar (os dados devem estar em

vrias colunas com vrias linhas)
Selecione Risk Simulator | Ferramentas | Ajuste da distribuio

(mltiplas variveis)
Revise os dados, escolha os tipos de distribuio relevantes

desejados e clique em OK
Observe que os mtodos de ranking estatstico usados nas rotinas de

ajuste da distribuio so os testes qui-quadrado e de KolmogorovSmirnov. O primeiro usado para testar distribuies discretas e o
ltimo, para distribuies contnuas. Em resumo, usa-se um teste de
hipteses com uma rotina de otimizao interna para encontrar os
parmetros que melhor se ajustam a cada distribuio testada. Os
resultados so classificados do melhor para o pior ajuste.
143
5.4 Simulao de bootstrap

Teoria:
A simulao de bootstrap uma tcnica simples que estima a

confiabilidade ou preciso das estatsticas da previso ou de outra
amostra de dados brutos. Essencialmente, a simulao de bootstrap
usada no teste de hipteses. Mtodos clssicos usados no passado
contavam com frmulas matemticas para descrever a preciso das
estatsticas da amostra. Esses mtodos supem que a distribuio de uma
estatstica da amostra usa uma distribuio normal, tornando o clculo do
erro padro ou do intervalo de confiana da estatstica relativamente
fcil. No entanto, quando a distribuio amostral de uma estatstica no
for distribuda normalmente ou encontrada com facilidade, esses
mtodos clssicos se tornaro difceis para uso ou invlidos. Em
contraste, o bootstrap analisa as estatsticas de amostra de forma
emprica, tomando amostras repetidamente dos dados e criando
distribuies das estatsticas diferentes para cada amostragem.
Procedimento:
Execute uma simulao
Selecione Risk Simulator | Ferramentas | Bootstrap no

paramtrico
Selecione apenas uma previso para realizar bootstrap, selecione

as estatsticas nas quais deseja realizar bootstrap, insira o nmero
de tentativas de bootstrap e clique em OK (Figura 5.16)
Figura 5.16 Simulao de bootstrap no paramtrico
144
Figura 5.17 Resultados da simulao de bootstrap
Interpretao dos
resultados:
Em essncia, a simulao de bootstrap no paramtrico pode ser definida

como uma simulao baseada em uma simulao. Aps executar uma
simulao, as estatsticas resultantes so exibidas, mas a preciso de tais
estatsticas e sua significncia estatstica podem ser s vezes
questionveis. Por exemplo, se a estatstica de obliquidade de uma
execuo de simulao for 0,10, essa distribuio ser de fato
negativamente inclinada ou o valor ligeiramente negativo pode ser
atribudo a uma chance aleatria? E quanto a 0,15 ou 0,20 etc. Ou seja,
qual deve ser a distncia para que a distribuio seja considerada
negativamente inclinada? A mesma pergunta pode ser aplicada a todas as
outras estatsticas. Uma distribuio estatisticamente idntica a outra
com relao a algumas estatsticas calculadas ou so significativamente
diferentes? A Figura 5.17 mostra alguns resultados do bootstrap de
exemplo. Por exemplo, a estatstica de obliquidade de 90 por cento de
confiana est entre 0,0189 e 0,0952, de tal forma que o valor 0 est
nessa faixa de confiana, indicando que com 90 por cento de confiana, a
obliquidade dessa previso no estatisticamente muito diferente de zero
ou que a distribuio pode ser considerada simtrica e no oblqua.
Inversamente, se o valor 0 est fora da faixa de confiana, o contrrio
ser verdadeiro: a distribuio ser oblqua (inclinada positivamente se a
estatstica de previso for positiva e inclinada negativamente se a
estatstica da previso for negativa).
145
Notas:
O termo bootstrap significa usar a distribuio das estatsticas

propriamente ditas para analisar a preciso delas. Uma simulao no
paramtrica significa simplesmente escolher bolas de golfe de forma
aleatria em uma grande cesta com reposio, na qual cada bola
baseada em um ponto de dados histricos. Suponha que h 365 bolas de
golfe em uma cesta (representando 365 pontos de dados histricos).
Imagine que o valor de cada bola de golfe escolhida por acaso est
gravado em um grande quadro branco. Os resultados das 365 bolas
escolhidas com reposio esto gravados na primeira coluna do quadro,
com 365 linhas de nmeros. As estatsticas relevantes (mdia, mediana,
desvio padro etc.) so calculadas sobre essas 365 linhas. O processo
repetido, por exemplo, cinco mil vezes. O quadro branco ser agora
preenchido com 365 linhas e 5.000 colunas. Assim, 5.000 conjuntos de
estatsticas (ou seja, 5.000 mdias, 5.000 medianas, 5.000 desvios
padres etc.) so tabulados e suas distribuies so mostradas. Em
seguida, as estatsticas das estatsticas relevantes so tabuladas e a partir
desses resultados possvel verificar o nvel de confiana em que as
estatsticas simuladas se encontram. Em outras palavras, em uma simples
simulao de 10.000 tentativas, a mdia de previso resultante estimada
em $5,00. O analista pode confiar nesses resultados? O bootstrap permite
que o usurio verifique o intervalo de confiana da estatstica mdia
calculada, indicando a distribuio das estatsticas. Por fim, os resultados
de bootstrap so importantes porque, de acordo com a Lei dos nmeros
grandes e o Teorema do limite central em estatsticas, a mdia das
mdias da amostra significa um estimador no-polarizado e se aproxima
da mdia da populao verdadeira quando o tamanho da amostra
aumenta.
5.5 Teste de hipteses

Teoria:
Um teste de hipteses executado durante o teste das mdias e das

varincias de duas distribuies para determinar se elas so
estatisticamente idnticas ou diferentes uma da outra. Ou seja, para ver
se as diferenas entre as mdias e as varincias de duas previses
diferentes ocorridas so baseadas em chances aleatrias ou se so de fato
estatisticamente diferentes uma da outra.
Procedimento:
Execute uma simulao
Selecione Risk Simulator | Ferramentas | Teste de hipteses
Selecione apenas duas previses para testar por vez, selecione o

tipo de teste de hipteses que deseja executar e clique em OK
(Figura 5.18)
146
Figura 5.18 Teste de hipteses
Interpretao do
relatrio:
Um teste de hipteses bicaudal executado na hiptese nula Ho, de

forma que as mdias da populao das duas variveis sejam
estatisticamente idnticas. A hiptese alternativa (Ha) que as mdias da
populao sejam diferentes entre si. Se os p-valores calculados so
menores ou iguais a 0,01, 0,05 ou 0,10, isso significa que a hiptese nula
rejeitada, o que quer dizer que as mdias da previso so
estatisticamente muito diferentes nos nveis de significncia 1%, 5% e
10%. Se a hiptese nula no rejeitada quando os p-valores so altos, as
mdias das duas distribuies de previso so estatisticamente
semelhantes. A mesma anlise executada em varincias de duas
previses ao mesmo tempo usando o teste-F de paridade. Se os p-valores
so baixos, as varincias (e os desvios padro) so estatisticamente
diferentes; caso contrrio, para p-valores altos, as varincias so
estatisticamente idnticas entre si.
147
Teste de hipteses sobre as mdias e as varincias de duas previses

Resumo estatstico
Um teste de hipteses executado durante o teste das mdias e das varincias de duas distribuies para determinar se elas so estatisticamente idnticas
ou diferentes uma da outra. Ou seja, para ver se as diferenas entre duas mdias e duas varincias ocorridas so baseadas em chances aleatrios ou se
so de fato diferentes uma da outra. O teste-t de duas variveis de varincias diferentes (espera-se que a varincia da populao da previso 1 seja diferente
da varincia da populao da previso 2) apropriado quando as distribuies da previso so de populaes diferentes (por exemplo, dados coletados de
dois locais geogrficos diferentes, duas unidades de negcios distintas e assim por diante). O teste-t de duas variveis de varincias iguais (espera-se que a
varincia da populao da previso 1 seja igual varincia da populao da previso 2) apropriado quando as distribuies da previso so de populaes
semelhantes (por exemplo, dados coletados de dois motores diferentes com especificaes parecidas e assim por diante). O teste-t de duas variveis
dependentes emparelhadas apropriado quando as distribuies de previso so de populaes semelhantes (por exemplo, dados coletados do mesmo
grupo de clientes, mas em ocasies diferentes e assim por diante).
Um teste de hipteses bicaudal executado na hiptese nula Ho, de forma que as mdias da populao das duas variveis sejam estatisticamente idnticas.
A hiptese alternativa que as mdias da populao sejam diferentes entre si. Se os p-valores calculados so menores ou iguais a 0,01, 0,05 ou 0,10, isso
significa que a hiptese rejeitada, o que quer dizer que as mdias da previso so estatisticamente muito diferentes nos nveis de significncia 1%, 5% e
10%. Se a hiptese nula no rejeitada quando os p-valores so altos, as mdias das duas distribuies de previso so estatisticamente semelhantes. A
mesma anlise executada em varincias de duas previses ao mesmo tempo usando o teste-F de paridade. Se os p-valores so baixos, as varincias (e os
desvios padro) so estatisticamente diferentes; caso contrrio, para p-valores altos, as varincias so estatisticamente idnticas entre si.
Resultado
Suposio do teste de hipteses: Varincias diferentes:
Estatstica t calculada:
1.38424
P-valor para estatstica t:
0.16644
Estatstica F calculada:
1.089657
P-valor para estatstica F:
0.174974
Figura 5.19 Resultados do teste de hipteses
Notas:
O teste-t de duas variveis de varincias diferentes (espera-se que a

varincia da populao da previso 1 seja diferente da varincia da
populao da previso 2) apropriado quando as distribuies da
previso so de populaes diferentes (por exemplo, dados coletados de
dois locais geogrficos diferentes, duas unidades de negcios distintas e
assim por diante). O teste-t de duas variveis de varincias iguais
(espera-se que a varincia da populao da previso 1 seja igual
varincia da populao da previso 2) apropriado quando as
distribuies da previso so de populaes semelhantes (por exemplo,
dados coletados de dois motores diferentes com especificaes parecidas
e assim por diante). O teste t de duas variveis dependentes
emparelhadas apropriado quando as distribuies de previso so da
mesma populao (por exemplo, dados coletados do mesmo grupo de
clientes, mas em ocasies diferentes e assim por diante).
5.6 Extrair dados e salvar resultados da simulao

Os dados brutos de uma simulao podem ser extrados com facilidade
usando a rotina de Extrao de dados do Risk Simulator. possvel
extrair suposies e previses, mas antes necessrio executar uma
simulao. Os dados extrados podero ento ser usados para uma
variedade de outras anlises.
Procedimento:

a simulao
Selecione Risk Simulator | Ferramentas | Extrao de dados
Selecione as suposies e/ou previses das quais deseja extrair os

dados e clique em OK
148
Os dados podem ser extrados em vrios formatos:
Dados brutos em uma nova planilha, na qual os valores simulados

(suposies e previses) podem ser salvos ou analisados
posteriormente caso necessrio
Arquivo de texto simples, que permitie exportar os dados para

outro software de anlise de dados
Arquivo do Risk Simulator em que os resultados (suposies e

previses) possam ser recuperados posteriormente selecionando
Risk Simulator | Ferramentas | Abrir/importar dados.
A opo mais comum a terceira opo. Ela salva os resultados

simulados como um arquivo *.risksim, do qual os resultados podem ser
recuperados. No necessrio executar novamente uma simulao toda
vez. A Figura 5.21 mostra a caixa de dilogo para extrair ou exportar e
salvar os resultados da simulao.
Figura 5.21 Relatrio de simulao da amostra
5.7 Criar relatrio

Depois de executar uma simulao, voc pode gerar um relatrio das
suposies, previses e dos resultados obtidos durante a execuo da
simulao.
149
Procedimento:

a simulao
Selecione Risk Simulator | Criar relatrio

Simulao - Modelo de simulao
Geral
Nmero de tentativas
Parar a simulao em cas
Propagao aleatria
Habilitar correlaes
1000
No
123456
Sim
Suposies
Nome
Habilitado
Clula
Simulao dinmica
D8: Receita
Sim
$D$8
No
Nome
Habilitado
Clula
Simulao dinmica
D9: Custo
Sim
$D$9
No
Nome
Habilitado
Clula
Simulao dinmica
G8: Receita
Sim
$G$8
No
Faixa
Mnimo
Mximo
-Infinity
Infinity
Faixa
Mnimo
Mximo
-Infinity
Infinity
Faixa
Mnimo
Mximo
-Infinity
Infinity
Distribuio
Mdia
Desvio padro
Normal
200
20
Distribuio
Mdia
Desvio padro
Normal
100
10
Distribuio
Mdia
Desvio padro
Normal
200
20
Previses
Nome
Habilitado
Clula
Rendimento A
Sim
$D$10
Preciso de previso
Nvel de preciso
Nvel de erro
Nome
Habilitado
Clula
-----
Rendimento B
Sim
$G$10
Preciso de previso
Nvel de preciso
Nvel de erro
-----
Nmero de pontos de dad

Mdia
Mediana
Desvio padro
Varincia
Coeficiente de variao
Mximo
Mnimo
Faixa
Obliquidade
Curtose
25% percentil
75% percentil
Preciso de erro em 95%
1000
100.5485
100.4388
21.6421
468.3797
0.2152
167.0852
38.8005
128.2848
0.0794
-0.0220
86.4456
114.7888
0.0133
Nmero de pontos de dad

Mdia
Mediana
Desvio padro
Varincia
Coeficiente de variao
Mximo
Mnimo
Faixa
Obliquidade
Curtose
25% percentil
75% percentil
Preciso de erro em 95%
1000
99.1790
99.1303
22.5914
510.3735
0.2278
162.7509
32.5085
130.2424
-0.0498
-0.2711
84.0684
114.8800
0.0141
Matriz de correlao
D8: Receita D9: CustoG8: Receita
1.00
D8: Receita
0.00
1.00
D9: Custo
0.00
0.00
1.00
G8: Receita
0.00
0.00
0.00
G9: Custo
G9: Custo
1.00
Figura 5.21 Relatrio de simulao da amostra
150
5.8 Ferramenta de diagnstico de

previso e regresso
Esta ferramenta analtica avanada do Risk Simulator usada para
determinar as propriedades economtricas dos dados. O diagnstico
inclui a verificao de heteroscedasticidade, no linearidade, observaes
discrepantes, erros de especificao, micronumerosidade, propriedades
estacionrias e estocsticas, normalidade e esfericidade dos erros e
multicolinearidade. Cada teste descrito mais detalhadamente em seus
respectivos relatrios no modelo.
Procedimento:
Abra o modelo de exemplo (Risk Simulator | Exemplos |

Diagnstico de regresso) e, na planilha Dados da srie
temporal, selecione os dados incluindo os nomes das variveis
(clulas C5:H55).
Clique em Risk Simulator | Ferramentas | Ferramenta de

diagnstico.
Verifique os dados e, no menu suspenso, selecione Varivel

dependente Y. Clique em OK quando terminar (Figura 5.22).
Figura 5.22 Execuo da ferramenta de diagnstico de dados

Uma violao comum na anlise de previso e regresso a
heteroscedasticidade, ou seja, o aumento da varincia dos erros ao longo
do tempo (consulte a Figura 5.23 para obter os resultados do teste usando
a ferramenta de diagnstico). Visualmente, a largura das flutuaes
verticais dos dados aumenta ou se dispersa com o tempo e, normalmente,
o coeficiente de determinao (coeficiente de R2) cai significantemente
quando h heteroscedasticidade. Se a varincia da varivel dependente
151
no for constante, a varincia do erro no ser constante. A menos que a

heteroscedasticidade da varivel dependente seja pronunciada, seu efeito
no ser grave: as estimativas dos mnimos quadrados continuaram a ser
no polarizadas e as estimativas da inclinao e interceptao sero
distribudas normalmente, caso os erros sejam distribudos normalmente,
ou pelo menos distribudas assintoticamente ( medida que o nmero de
pontos de dados aumenta) caso os erros sejam normalmente distribudos.
A estimativa para a varincia da inclinao e a varincia geral ser
imprecisa, mas no haver probabilidade de o erro ser substancial se os
valores da varivel independente forem simtricos em relao sua
mdia.
Se o nmero de dados for pequeno (micronumerosidade), pode ser difcil
detectar violaes na suposio. Em amostras pequenas, difcil detectar
violaes de suposio, como no normalidade ou heteroscedasticidade
de varincias, at mesmo quando esto presentes. Com um nmero
pequeno de pontos de dados, a regresso linear oferece menos proteo
contra a violao de suposies. Com poucos pontos de dados, pode ser
difcil determinar o nvel de correspondncia entre a linha ajustada e os
dados ou se uma funo no linear seria mais apropriada. Mesmo que
nenhuma das suposies de teste seja violada, uma regresso linear com
pequeno nmero de dados pode no ter capacidade suficiente para
detectar uma diferena significativa entre a inclinao e zero, mesmo que
a inclinao seja diferente de zero. A capacidade depende do erro
residual, da variao observada na varivel independente, da
significncia selecionada no nvel alfa do teste e do nmero de pontos de
dados. A capacidade diminui enquanto a varincia residual aumenta,
diminui enquanto o nvel de significncia diminudo (por exemplo,
medida que o teste fica mais rigoroso), aumenta enquanto a variao na
varivel independente observada aumenta e aumenta medida que o
nmero de pontos de dados aumenta.
Os valores podem no ser igualmente distribudos devido presena de
observaes discrepantes. Essas observaes discrepantes so valores
anmalos nos dados. As discrepncias podem ter uma forte influncia
sobre a inclinao e a interceptao ajustadas, dando um ajuste fraco
massa de pontos de dados. As discrepncias tendem a aumentar a
estimativa da varincia residual, reduzindo a chance de rejeio da
hiptese nula, por exemplo, criando um elevado nmero de erros de
previso. Elas podem ocorrer devido aos erros de registro, que podem ser
corrigveis, ou porque os valores da varivel dependente no so todos
retirados da mesma populao. Discrepncias aparentes podem ocorrer
tambm porque os valores da varivel dependente so da mesma
populao anormal. No entanto, um ponto pode ser um valor incomum,
na varivel independente ou na dependente, sem necessariamente ser
uma observao discrepante no grfico da disperso. Na anlise de
regresso, a linha ajustada pode ser altamente sensvel s observaes
discrepantes. Em outras palavras, a regresso de quadrados mnimos no
resistente s discrepncias, assim, a estimativa de inclinao ajustada
tambm no . Um ponto distante verticalmente de outros pontos pode
fazer com que a linha ajustada passe prximo a ele, em vez de seguir a
tendncia linear geral do resto dos dados, principalmente se o ponto for
relativamente distante na direo horizontal do centro dos dados.
152
No entanto, necessrio ter muito cuidado ao decidir se as observaes

discrepantes devem ser removidas. Apesar de, na maioria dos casos, os
resultados da regresso parecerem melhores quando as discrepncias so
removidas, necessrio haver antes uma justificativa. Por exemplo, se
algo estiver regredindo o desempenho no retorno das aes de uma
determinada firma, as discrepncias causadas por quedas no mercado de
aes devem ser includas, pois elas no so discrepncias , mas fatos
inevitveis no ciclo de negcios. Antecipar essas discrepncias e usar a
equao de regresso para prever o fundo de aposentadoria de uma
pessoa, com base nas aes, render, na melhor das hipteses, resultados
incorretos. Em contrapartida, suponha que as discrepncias so causadas
por uma nica condio comercial no recorrente (por exemplo, fuso e
aquisio) e no se prev a repetio de tais alteraes estruturais, assim,
essas observaes discrepantes devem ser removidas e os dados devem
passar por uma limpeza antes da execuo de uma anlise de regresso.
A anlise aqui apenas identifica as discrepncias, cabendo ao usurio
determinar se elas devem permanecer, ou serem excludas.
s vezes, uma relao no linear entre as variveis dependente e
independente mais apropriada do que uma relao linear. Nesses casos,
executar uma regresso linear no ser uma boa opo. Se o modelo
linear no for a forma correta, as estimativas de inclinao e a
interceptao e os valores ajustados na regresso linear sero
polarizados, e as estimativas de inclinao e interceptao ajustadas no
sero significativas. Acima de uma faixa restrita de variveis
dependentes ou independentes, os modelos no lineares podem ser bem
aproximados por modelos lineares (isso a base da interpolao linear),
mas para uma previso precisa necessrio selecionar um modelo
apropriado para os dados. Uma transformao no linear deve ser
aplicada primeiro aos dados antes de executar uma regresso. Uma
abordagem simples tomar o logaritmo natural da varivel independente
(outras abordagens incluem tomar a raiz quadrada ou elevar a varivel
independente segunda ou terceira potncia) e executar uma regresso
ou uma previso usando os dados transformados no linearmente.
Resultados do diagnstico
Heteroscedasticidade
Varivel
P-valor do
teste W
Resultado do
teste de hipteses
Y
X1
X2
X3
X4
X5
0.2543
0.3371
0.3649
0.3066
0.2495
Homoskedastic
Homoskedastic
Homoskedastic
Homoskedastic
Homoskedastic
Observaes discrepantes
Micronumerosidade
Resultado da
aproximao
nenhum
nenhum
nenhum
nenhum
nenhum
nenhum
problema
problema
problema
problema
problema
problema
No linearidade
Limite inferior
natural
Limite superior
natural
Nmero de
discrepncias potenciais
P-valor do
teste no linear
Resultado do
teste de hipteses
-7.86
-21377.95
77.47
-5.77
-295.96
3.35
671.70
64713.03
445.93
15.69
628.21
9.38
2
3
2
3
4
3
0.2458
0.0335
0.0305
0.9298
0.2727
linear
nonlinear
nonlinear
linear
linear
Figura 5.23 Resultados do teste de observaes discrepantes, heteroscedasticidade,

micronumerosidade e no linearidade
Outro problema comum na previso de dados de srie temporal se os
valores da varivel independente so realmente independentes um do
outro ou se so dependentes. Os valores de varivel dependente
coletados em uma srie temporal podem estar autocorrelacionados. Para
valores de varivel dependente, serialmente correlacionados, as
estimativas da inclinao e da interceptao no sero polarizadas, mas
153
as estimativas da previso e das varincias no sero confiveis e, assim,

a validade de determinados testes de melhor ajuste estatstico ser
imperfeita. Por exemplo, as taxas de juros, taxas de inflao, vendas,
receitas e outros dados de srie temporal so tipicamente
autocorrelacionados, j que o valor no perodo atual est relacionado a
um valor no perodo anterior e assim por diante (a taxa de inflao de
maro est relacionada ao nvel nvel de fevereiro, que por sua vez, est
relacionado ao nvel de janeiro etc.). Se tais relaes bvias forem
ignoradas, sero geradas previses polarizadas e menos precisas. Nesses
casos, um modelo de regresso autocorrelacionada ou um modelo
ARIMA pode ser mais indicado (Risk Simulator | Previso | ARIMA).
Por fim, as funes de autocorrelao de uma srie estacionria tendem a
decair lentamente (consulte o relatrio estacionrio no modelo).
Se a autocorrelao AC(1) diferente de zero, as sries so
correlacionadas em srie de primeira ordem. Se a AC(k) for extinta mais
ou menos geometricamente com uma defasagem crescente, isso implica
que a srie segue um processo autorregressivo de ordem inferior. Se a
AC(k) cair a zero depois de um pequeno nmero de defasagens, isso
implica que a srie segue um processo de mdia mvel de ordem
inferior. A correlao parcial PAC(k) mede a correlao dos valores que
esto separados por k perodos, depois de remover a correlao das
defasagens intermdias. Se for possvel capturar o padro de
autocorrelao por uma autorregresso de ordem menor do que k, ento a
autocorrelao parcial na defasagem k ser prxima a zero. As
estatsticas Q Ljung-Box e seus p-valores na defasagem k tm a hiptese
nula de que no h autocorrelao at a ordem k. As linhas pontilhadas
nos grficos da autocorrelao so os dois limites de erro padro
aproximados. Se a autocorrelao estiver dentro desses limites, no ser
significativamente diferente de zero no nvel de significncia de 5%.
A autocorrelao mede a relao com o passado da varivel dependente
Y com ela mesma. As defasagens de distribuio, ao contrrio, so
relaes de defasagem de tempo entre a varivel dependente Y e as
diferentes variveis independentes X. Nos EUA, por exemplo, o
movimento e a direo das taxas de hipoteca tendem a seguir a taxa do
mercado interbancrio, mas com uma defasagem de tempo (em geral de
1 a 3 meses). s vezes, a defasagem de tempo obedece ciclos e
sazonalidade (por exemplo, as vendas de sorvete tendem a atingir o pico
durante os meses de vero e, sendo assim, esto relacionadas s vendas
do vero passado, 12 meses atrs). A anlise da defasagem da
distribuio (Figura 5.24) mostra como a varivel dependente est
relacionada a cada uma das variveis independentes em vrias
defasagens de tempo, quando todas as defasagens so consideradas
simultaneamente, para determinar quais defasagens so estatisticamente
significantes e devem ser consideradas.
154
Autocorrelao
Defasagem
de tempo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
AC
0.0580
-0.1213
0.0590
0.2423
0.0067
-0.2654
0.0814
0.0634
0.0204
-0.0190
0.1035
0.1658
-0.0524
-0.2050
0.1782
-0.1022
-0.0861
0.0418
0.0869
-0.0091
PAC
0.0580
-0.1251
0.0756
0.2232
-0.0078
-0.2345
0.0939
-0.0442
0.0673
0.0865
0.0790
0.0978
-0.0430
-0.2523
0.2089
-0.2591
0.0808
0.1987
-0.0821
-0.0269
Limite inferior
-0.2828
-0.2828
-0.2828
-0.2828
-0.2828
-0.2828
-0.2828
-0.2828
-0.2828
-0.2828
-0.2828
-0.2828
-0.2828
-0.2828
-0.2828
-0.2828
-0.2828
-0.2828
-0.2828
-0.2828
Limite superior Estatstica Q

0.2828
0.1786
0.2828
0.9754
0.2828
1.1679
0.2828
4.4865
0.2828
4.4890
0.2828
8.6516
0.2828
9.0524
0.2828
9.3012
0.2828
9.3276
0.2828
9.3512
0.2828
10.0648
0.2828
11.9466
0.2828
12.1394
0.2828
15.1738
0.2828
17.5315
0.2828
18.3296
0.2828
18.9141
0.2828
19.0559
0.2828
19.6894
0.2828
19.6966
Prob
0.6726
0.6140
0.7607
0.3442
0.4814
0.1941
0.2489
0.3175
0.4076
0.4991
0.5246
0.4500
0.5162
0.3664
0.2881
0.3050
0.3335
0.3884
0.4135
0.4770
Defasagens de distribuio
P-valores de perodos de defasagem de distribuio de cada varivel independente
Variable
X1
X2
X3
X4
X5
10
11
12
0.8467
0.6077
0.7394
0.0061
0.1591
0.2045
0.9900
0.2396
0.6739
0.2032
0.3336
0.8422
0.2741
0.7932
0.4123
0.9105
0.2851
0.8372
0.7719
0.5599
0.9757
0.0638
0.9808
0.6748
0.6416
0.1020
0.0032
0.0464
0.8627
0.3447
0.9205
0.8007
0.8355
0.5586
0.9190
0.1267
0.1551
0.0545
0.9046
0.9740
0.5431
0.4823
0.6828
0.5726
0.5185
0.9110
0.1126
0.7354
0.6304
0.2856
0.7495
0.0519
0.5093
0.4812
0.1489
0.4016
0.4383
0.3500
0.5707
0.7794
Figura 5.24 Resultados de autocorrelao e defasagem de distribuio

Outra exigncia ao executar um modelo de regresso a suposio de
normalidade e a esfericidade do perodo de erro. Se a suposio de
normalidade for violada ou observaes discrepantes estiverem
presentes, o teste de melhor ajuste da regresso linear pode no ser o
mais poderoso ou informativo disponvel, o que poderia significar a
diferena entre detectar ou no um ajuste linear. Se os erros no forem
independentes e no estiverem normalmente distribudos, eles podero
indicar que os dados podem estar autocorrelacionados ou apresentar no
linearidades ou outros erros mais destrutivos. A independncia dos erros
tambm pode ser detectada nos testes de heteroscedasticidade (Figura
5.25).
O teste de normalidade realizado nos erros um teste no paramtrico
que no faz suposies sobre a forma especfica da populao da qual a
amostra retirada, permitindo que conjuntos de dados amostrais menores
sejam analisados. Esse teste avalia a hiptese nula de erros amostrais
terem sido extrados de uma populao distribuda normalmente em
comparao a uma hiptese alternativa de que a amostra de dados no
distribuda normalmente. Se a estatstica D calculada for maior ou igual
aos valores crticos D em vrios valores de significncia, rejeite a
hiptese nula e aceite a hiptese alternativa (os erros no so distribudos
normalmente). Caso contrrio, se a estatstica D for menor que o valor
crtico D, no rejeite a hiptese nula (os erros so distribudos
normalmente). Esse teste se baseia em duas frequncias cumulativas:
uma derivada do conjunto de dados da amostra e a outra, da distribuio
terica baseada na mdia e no desvio padro dos dados da amostra.
155
Resultado do teste
Media dos erros de regresso

0.00
Desvio padro dos erros
141.83
Estatstica D
0.1036
D crtico em 1%
0.1138
D crtico em 5%
0.1225
D crtico em 10%
0.1458
Hiptese nula: Os erros esto distrib udos normalmente.
Concluso: Os erros sonormalmente distribudos ao
nvel alfa de 1%.
Erros
-219.04
-202.53
-186.04
-174.17
-162.13
-161.62
-160.39
-145.40
-138.92
-133.81
-120.76
-120.12
-113.25
-113.12
-97.53
-96.78
-79.46
-73.50
-68.87
Frequncia
Observado Esperado
relativa
0.02
0.02
0.0612
0.02
0.04
0.0766
0.02
0.06
0.0948
0.02
0.08
0.1097
0.02
0.10
0.1265
0.02
0.12
0.1272
0.02
0.14
0.1291
0.02
0.16
0.1526
0.02
0.18
0.1637
0.02
0.20
0.1727
0.02
0.22
0.1973
0.02
0.24
0.1985
0.02
0.26
0.2123
0.02
0.28
0.2125
0.02
0.30
0.2458
0.02
0.32
0.2475
0.02
0.34
0.2876
0.02
0.36
0.3021
0.02
0.38
0.3136
O-E
-0.0412
-0.0366
-0.0348
-0.0297
-0.0265
-0.0072
0.0109
0.0074
0.0163
0.0273
0.0227
0.0415
0.0477
0.0675
0.0542
0.0725
0.0524
0.0579
0.0664
Figura 5.25 Teste para normalidade de erros

Ocasionalmente, certos tipos de dados de srie temporal no podem ser
modelados usando outros mtodos exceto o processo estocstico, pois os
eventos subjacentes so estocsticos por natureza. Por exemplo, no
possvel prever e modelar, de forma adequada, preos de aes, taxas de
juros, o preo do petrleo e o preo de outras commodities usando um
modelo de regresso simples, porque essas variveis so muito incertas e
volteis e no seguem uma regra esttica predefinida de comportamento;
em outras palavras, o processo no estacionrio. A propriedade
estacionria verificada aqui usando o teste de execuo enquanto outra
dica visual encontrada no relatrio de autocorrelao (o ACF tende a
decair lentamente). Um processo estocstico uma sequncia de eventos
ou caminhos gerados pelas leis de probabilidade. Ou seja, eventos
aleatrios podem ocorrer ao longo do tempo, mas so regidos por leis
estatsticas probabilsticas especficas. Os principais processos
estocsticos incluem caminho aleatrio ou movimento browniano,
reverso mdia e difuso com salto. Esses processos podem ser usados
para prever diversas variveis que parecem seguir tendncias aleatrias,
mas so restringidos pelas leis probabilsticas. A equao de gerao do
processo conhecida antecipadamente, mas os resultados reais gerados
so desconhecidos (Figura 5.26).
O processo de caminho aleatrio ou movimento browniano pode ser
usado na previso de preos de aes, preos de commodities e outros
dados de srie temporal estocsticos, aos quais foram dados uma taxa de
crescimento e uma volatilidade ao redor do caminho de crescimento. Os
processos de reverso mdia podem ser usados para reduzir as
flutuaes do processo de caminho aleatrio permitindo que o caminho
tenha por meta um valor de longo prazo, tornando-o til na previso de
variveis de srie temporal que possuem uma taxa de longo prazo, como
taxas de juros e de inflao, que so taxas de longo prazo usadas por
rgos reguladores ou pelo mercado). O processo de difuso com salto
til para prever dados de srie temporal quando a varivel pode,
ocasionalmente, apresentar saltos aleatrios, como os preos do petrleo
ou da eletricidade (choques de evento exgeno discreto podem fazer
156
preos subirem ou descerem drasticamente). possvel tambm fazer a

mistura e a correspondncia desses processos, quando necessrio.
Resumo estatstico
Os parmetros a seguir so estimados para um processo estocstico, dados os dados fornecidos. Cabe a voc determinar se a probabilidade de ajuste
(semelhante a um clculo de melhor ajuste) suficiente para garantir o uso de uma previso de processo estocstico e, se assim for, se um modelo de
caminho aleatrio, de reverso mdia, de difuso com salto ou de combinaes deles. Ao escolher o modelo de processo estocstico correto, voc
precisa confiar em suas experincias passadas e as expectativas econmicas e financeiras a priori que melhor representam o conjunto de dados
subjacentes. Esses parmetros podem ser inseridos em uma previso de processo estocstico (Risk Simulator l Previso l Processos estocsticos).
Peridico
Taxa de crescimento
Volatilidade
-1.48%
88.84%
Taxa de reverso
Valor de longo prazo
283.89%
327.72
Taxa de salto 0.204082

Tamanho do salto
237.89
Prob ab ilidade de ajuste do modelo estocstico:

46.48%
um alto ajuste significa que um modelo estocstico melhor que os modelos convencionais.
Execues
20
Normal padro
-1.7321
Positivo
25
P-valor (unicaudal)
0.0416
Negativo
25
P-valor (b icaudal)
0.0833
Execuo esperada
26
Um p-valor b aixo (ab aixo de 0,10; 0,05; 0,01) significa que a sequncia no aleatria e, portanto, apresenta prob lemas estacionrios e um modelo ARIMA
pode ser mais apropriado. Inversamente, p-valores mais altos indicam aleatoriedade e modelos de processo estocstico podem ser apropriados.
Figura 5.26 Estimativa de parmetro do processo estocstico

necessrio ter ateno neste ponto. A calibrao dos parmetros
estocsticos mostra todos os parmetros para todos os processos e no
distingue qual processo melhor, pior ou mais apropriado para uso. Essa
determinao cabe ao usurio. Por exemplo, se h uma taxa de reverso
de 283%, provavelmente um processo de reverso mdia ser
inapropriado ou dada uma elevada taxa de salto de, digamos, 100%, isso
significa que um processo de difuso com salto provavelmente no
apropriado e assim por diante. Alm disso, a anlise no pode determinar
o que a varivel e qual a fonte dos dados. Por exemplo, se os dados
brutos so dos preos de aes histricos, so preos histricos de
eletricidade, taxas de inflao ou movimento molecular de partculas
subatmicas etc. Apenas o usurio poderia saber e, assim, usando um
conhecimento e teoria prvios, seria capaz de escolher o processo correto
para o uso (por exemplo, os preos de aes tendem a seguir o caminho
aleatrio do movimento browniano, ao passo que as taxas de inflao
seguem um processo de reverso mdia ou talvez um processo de
difuso com salto seja mais apropriado caso voc esteja prevendo o
preo da eletricidade).
Existe multicolinearidade quando h uma relao linear entre as
variveis independentes. Quando isso acontece, a equao de regresso
no pode ser estimada. Em situaes de colinearidade prxima, a
equao de regresso estimada ser polarizada e fornecer resultados
imprecisos. Essa situao ocorre quando uma abordagem de regresso
157
stepwise usada, na qual as variveis independentes significantes

estatisticamente sero deixadas de fora da combinao de regresso
muito antes do esperado, o que resulta em uma equao de regresso que
no eficiente nem precisa. Um teste rpido da presena de
multicolinearidade em uma equao de regresso mltipla que o valor
de R2 relativamente alto enquanto as estatsticas t so relativamente
baixas.
Outro teste rpido criar uma matriz de correlao entre as variveis
independentes. Uma correlao cruzada alta indica um potencial para
autocorrelao. A regra geral que a uma correlao com valor absoluto
maior do que 0,75 indica forte multicolinearidade. Outro teste para a
multicolinearidade usar o fator de inflao de varincia (VIF), obtido
ao regressar cada varivel independente a todas as outras variveis
independentes, obtendo o valor de R2 e calculando o VIF. Um VIF
superior a 2,0 pode ser considerado uma forte multicolinearidade. Um
VIF superior a 10,0 indica multicolinearidade destrutiva (Figura 5.27).
Matriz de correlao
X2
X3
X4
X5
CORRELAO
0.333 0.959 0.242 0.237
X1
1.000 0.349 0.319 0.120
X2
1.000 0.196 0.227
X3
X4
1.000 0.290
1.000
Fator de inflao de varincia

FIV
X1
X2
X3
X4
X2
X3
X4
1.12 12.46 1.06

N/A 1.14 1.11
N/A 1.04
N/A
X5
1.06
1.01
1.05
1.09
N/A
Figura 5.27 Erros de multicolinearidade

A matriz de correlao lista as correlaes do momento do produto de
Pearson (ou normalmente chamado de R de Pearson) entre pares de
variveis. O coeficiente de correlao varia entre 1,0 e + 1,0, inclusive.
O sinal indica a direo de associao entre as variveis enquanto o
coeficiente indica a magnitude ou fora da associao. O R de Pearson
mede uma relao linear e menos eficiente para medir relaes no
lineares. Para testar se as correlaes so significantes, um teste de
hipteses bicaudal executado e os p-valores resultantes so listados
acima. Os p-valores menores que 0,10, 0,05 e 0,01 esto destacados em
azul para indicar significncia estatstica. Em outras palavras, um p-valor
para um par de correlao menor do que um valor de significncia
determinado estatisticamente muito diferente de zero, indicando que h
significncia em uma relao linear entre as duas variveis.
158
O coeficiente de correlao do momento do produto de Pearson (R) entre

duas variveis (x e y) est relacionado medida de covarincia (cov)
onde R x, y
COV x, y
sxsy
. O benefcio ao dividir a covarincia pelo produto
do desvio padro das duas variveis (s) que o coeficiente de correlao

resultante fica limitado a um valor entre 1,0 e +1,0, inclusive. Isso torna
a correlao uma boa medida relativa para fazer comparaes entre
variveis diferentes (principalmente com magnitudes e unidades
diferentes). A correlao no paramtrica baseada no ranking de
Spearman tambm includa abaixo. O R de Spearman est relacionado
ao R de Pearson, pois os dados primeiro so classificados e depois
correlacionados. As correlaes de ranking fornecem uma estimativa
melhor da relao entre duas variveis, quando uma ou as duas so no
lineares.
necessrio destacar que uma correlao significante no sugere uma
causa. As associaes entre variveis no sugerem de maneira alguma
que a alterao de uma varivel causa a alterao em outra. Quando duas
variveis que esto se movendo de forma independente uma da outra,
mas em um caminho relacionado, elas podem estar correlacionadas, mas
sua relao pode ser espria (por exemplo, uma correlao entre
manchas solares e o mercado de aes pode ser forte, mas algum pode
supor que no h causalidade e que esse relacionamento puramente
esprio).
5.9 Ferramenta Anlise estatstica

Outra ferramenta muito poderosa do Risk Simulator a ferramenta
Anlise estatstica, que determina as propriedades estatsticas dos dados.
Os diagnsticos executados incluem a verificao de vrias propriedades
estatsticas, desde as estatsticas de descrio bsica, testes e at
calibragem de propriedades estocsticas dos dados.
Procedimento:
Abra o modelo de exemplo (Risk Simulator | Exemplos |

Anlise estatstica) e, na planilha Dados, selecione os dados
incluindo os nomes das variveis (clulas C5:E55).
Clique em Risk Simulator | Ferramentas | Anlise estatstica

(Figura 5.28).
Verifique o tipo de dados, se os dados selecionados so de uma

varivel nica ou de mltiplas variveis organizadas em linhas.
No exemplo, sups-se que as reas de dados selecionadas so de
mltiplas variveis. Clique em OK quando terminar.
Escolha os testes estatsticos que deseja realizar. A sugesto (e

definio padro) escolher todos os testes. Clique em OK
quando terminar (Figura 5.29).
Analise os relatrios gerados para entender melhor os testes estatsticos

realizados (as Figuras 5.30 a 5.33 mostram exemplos de relatrios).
159
Figura 5.28 Execuo da ferramenta Anlise estatstica
Figura 5.29 Testes estatsticos
160
Estatsticas descritivas
Anlise de estatsticas
Quase todas as distribuies podem ser descritas em quatro momentos (algumas distribuies exigem um momento, enquanto outras exigem dois e assim por diante). As
estatsticas descritivas capturam quantitativamente esses momentos. O primeiro momento descreve a localizao de uma distribuio (isto , a mdia, a mediana e a moda) e
interpretado como o valor esperado, os retornos esperados ou o valor mdio das ocorrncias.
A mdia aritmtica calcula a mdia de todas as ocorrncias somando todos os pontos de dados e dividindo-os pelo nmero de pontos. A mdia geomtrica calculada obtendo a
raiz da potncia dos produtos de todos os pontos de dados e exige que todos sejam positivos. A mdia geomtrica mais precisa para porcentagens ou taxas que flutuam
significativamente. Por exemplo, voc pode usar a mdia geomtrica para calcular a taxa mdia de crescimento, considerando-se juros compostos com taxas variveis. A mdia
truncada calcula a mdia aritmtica do conjunto de dados depois que as observaes discrepantes so removidas. Como as mdias tendem a distores significativas quando
h observaes discrepantes, a mdia truncada reduz tais erros em distribuies oblquas.
O erro padro da mdia calcula o erro que envolve a mdia da amostra. Quanto maior o tamanho da amostra, menor o erro, de maneira que para um tamanho de amos tra
infinitamente grande, o erro se aproxima de zero, indicando que o parmetro da populao foi estimado. Devido a erros de amostragem, o intervalo de confiana de 95% para a
mdia fornecido. De acordo com uma anlise dos pontos de dados da amostra, a mdia real da populao deve estar entre os intervalos inferior e superior da mdia.
A mediana o ponto de dados no qual 50% de todos os pontos de dados se encontram acima desse valor e 50% abaixo dele. Entre as trs estatsticas de primeiro momento, a
mediana a menos suscetvel a observaes discrepantes. Em uma distribuio simtrica, a mediana igual mdia aritmtica. H uma distribuio oblqua quando a mediana
se distancia da mdia. A moda mede o ponto de dados mais frequente.
O mnimo o menor valor no conjunto de dados enquanto o mximo o maior valor. O intervalo a diferena entre os valores mximo e mnimo.
O segundo momento mede o spread ou a largura de uma distribuio e frequentemente descrito por meio de medidas, como desvios padro, variaes, quartis e intervalos
interquartlicos. O desvio padro indica o desvio mdio de todos os pontos de dados em relao sua mdia. uma medida popular, pois est associada ao risco (os desvios
padro mais altos significam uma distribuio mais ampla, risco mais alto ou disperso mais ampla dos pontos de dados em torno da mdia) e suas unidades so idnticas ao
conjunto de dados original. O desvio padro da amostra diferente do desvio padro da populao, pois o primeiro usa uma correo de grau de liberdade para contabilizar
amostras pequenas. Alm disso, os intervalos de confiana inferior e superior so fornecidos e o desvio padro da populao real se encontra nesse intervalo. Se o seu conjunto
de dados cobre cada elemento da populao, use o desvio padro da populao. As duas medidas de varincia so simplesmente os valores quadrados dos desvios padro.
O coeficiente de variabilidade o desvio padro da amostra dividido pela mdia da amostra, sendo uma medida de disperso sem unidade que pode ser comparada em
distribuies diferentes (agora voc pode comparar distribuies de valores denominados em milhes de dlares com um valor em bilhes de dlares, ou metros e quilogramas
etc.). O primeiro quartil mede o 25 percentil dos pontos de dados quando organizados do menor para o maior valor. O terceiro quartil o valor do ponto de dados do 75 percentil.
Ocasionalmente os quartis so usados como os intervalos superior e inferior de uma distribuio, pois truncam o conjunto de dados para ignorar discrepncias. O intervalo
interquartlico a diferena entre o terceiro e o primeiro quartis, e muito usado para medir a largura do centro de uma distribuio.
A obliquidade o terceiro momento em uma distribuio. Ela caracteriza o grau de assimetria de uma distribuio em torno de sua mdia. Uma obliquidade positiva indica uma
distribuio com uma cauda assimtrica que se estende em direo a valores mais positivos. Uma obliquidade negativa indica uma distribuio com uma cauda assimtrica que
se estende em direo a valores mais negativos.
A curtose caracteriza o afunilamento ou o achatamento relativo de uma distribuio comparada distribuio normal. Esse o quarto momento em uma distribuio. Um valor de
curtose positivo indica uma distribuio que relativamente afunilada. Uma curtose negativa indica uma distribuio relativamente achatada. A curtose aqui medida foi centrada em
zero (outras medidas de curtose so centradas em torno de 3,0). Como ambas so igualmente vlidas, a centralizao em zero torna a interpretao mais simples. Uma curtose
altamente positiva indica uma distribuio afunilada em torno de seu centro e caudas leptocrticas ou gordas. Isso indica uma probabilidade maior de eventos extremos (por
exemplo, eventos catastrficos, ataques terroristas, quebras do mercado de aes) do que previsto em uma distribuio normal.
Estatsticas resumidas
Estatsticas
Ob servaes
Mdia aritmtica
Mdia geomtrica
Mdia truncada
Erro padro da mdia aritmtica
Intervalo de confiana inferior para mdia
Intervalo de confiana superior para mdia
Mediana
Mnimo
Mximo
Faixa
X1
50.0000
21667.5400
13627.8235
19292.9348
3097.9907
15471.5585
27863.5215
15469.5000
1148.0000
100484.0000
99336.0000
Desvio padro (amostra)

Desvio padro (populao)
Intervalo de confiana inferior para desvio padro
Intervalo de confiana superior para desvio padro
Varincia (amostra)
Varincia (populao)
Coeficiente de variab ilidade
Primeiro quartil (Q1)
Terceiro quartil (Q3)
Intervalo interquartlico
Ob liquidade
Curtose
21906.1026
21685.9352
18826.9470
26325.0585
479877330.9473
470279784.3284
1.0110
5242.0000
24917.0000
19675.0000
1.9773
4.1820
Figura 5.30 Relatrio da ferramenta Anlise estatstica da amostra
Teste de hipteses (teste t na mdia da populao de uma varivel)

Resumo estatstico
Estatsticas do conjunto de dados:
Ob servaes
Mdia da amostra
Desvio padro da amostra
Estatsticas calculadas:
50
21667.54
21906.10
Estatstica t
P-valor (cauda direita)
P-valor (cauda esquerd
P-valor (b icaudal)
6.9941
0.0000
1.0000
0.0000
Estatsticas fornecidas pelo usurio:

Mdia hipottica
0.00
Hiptese nula (Ho):

= Mdia hipottica
Hiptese alternativa (Ha):
< > Mdia hipottica
Notas: "<>" indica "maior que" para cauda direita, "menor que" para
cauda esquerda ou "diferente de" para testes de hipteses b icaudais.
Figura 5.31 Relatrio da ferramenta Anlise estatstica da amostra (teste de hipteses de uma
varivel)
161
Teste para normalidade

O teste de normalidade um tipo de teste no paramtrico que no faz suposies sobre a forma especfica da populao da qual a amostra
retirada, permitindo que conjuntos de dados amostrais menores sejam analisados. Esse teste avalia a hiptese nula de a amostra de dados ter
sido retirada de uma populao distribuda normalmente em comparao a uma hiptese alternativa de que a amostra de dados no
distribuda normalmente. Se o p-valor calculado for menor ou igual ao valor de significncia de alfa, rejeite a hiptese nula e aceite a hiptese
alternativa. Caso contrrio, se o p-valor for maior que o valor de significncia alfa, no rejeite a hiptese nula. Esse teste se baseia em duas
frequncias cumulativas: uma derivada do conjunto de dados da amostra e a outra, da distribuio terica baseada na mdia e no desvio padro
dos dados da amostra. Uma alternativa a esse teste o teste qui-quadrado de normalidade. O teste qui-quadrado requer mais pontos de dados
para que seja executado se comparado ao teste de normalidade aqui usado.
Resultado do teste
Dados
Mdia dos dados

21667.54
Desvio padro
21906.10
Estatstica D
0.2042
D crtico em 1%
0.1138
D crtico em 5%
0.1225
D crtico em 10%
0.1458
Hiptese nula: os dados esto distrib udos normalmente.
1148.00
1641.00
2373.00
3136.00
3680.00
3711.00
3872.00
4008.00
4487.00
Concluso: A amostra de dados no normalmente

distribuda.
Frequncia
relativa
0.02
0.02
0.02
0.02
0.02
0.02
0.02
0.02
0.02
Observado
Esperado
O-E
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.1745
0.1803
0.1892
0.1988
0.2058
0.2062
0.2083
0.2101
0.2164
-0.1545
-0.1403
-0.1292
-0.1188
-0.1058
-0.0862
-0.0683
-0.0501
-0.0364
Figura 5.32 Relatrio da ferramenta Anlise estatstica da amostra (teste de normalidade)
Resumo estatstico
Os parmetros a seguir so estimados para um processo estocstico, considerando-se os dados fornecidos. Cabe a voc determinar se a probabilidade de
ajuste (semelhante a um clculo de melhor ajuste) suficiente para garantir o uso de uma previso de processo estocstico e, se assim for, se um modelo de
caminho aleatrio, de reverso mdia, de difuso com salto ou de combinaes deles. Ao escolher o modelo de processo estocstico correto, voc precisa
confiar em suas experincias passadas e as expectativas econmicas e financeiras a priori que melhor representam o conjunto de dados subjacentes. Es ses
parmetros podem ser inseridos em uma previso de processo estocstico (Risk Simulator l Previso l Processos estocsticos).
(Anualizado)
Taxa de crescimento*
Volatilidade*
-4.80%
152.56%
Taxa de reverso**
Valor de longo prazo**
Prob ab ilidade de ajuste do modelo estocstico:

*Os valores so anualizados
**Os valores so peridicos
N/A
21772.52
Taxa de salto**
Tamanho do salto**
14.29%
32960.71
54.62%
Figura 5.33 Relatrio da ferramenta Anlise estatstica da amostra (estimativa do parmetro

estocstico)
5.10 Ferramenta Anlise da distribuio

Esta uma ferramenta de probabilidade estatstica do Risk Simulator que
muito til em diversas situaes e pode ser usada para calcular a funo
densidade de probabilidade (FDP), tambm chamada de funo de
probabilidade de massa (PMF) para distribuies discretas (usaremos
esses termos de maneira intercambivel), na qual dadas algumas
distribuies e seus parmetros, pode-se determinar a probabilidade da
162
ocorrncia considerados um resultado x. Alm disso, a funo

distribuio acumulada (FDA) tambm pode ser calculada, que a soma
dos valores PDF at esse valor x. Por fim, a funo de distribuio
acumulada inversa (IFDA) usada para calcular o valor x, dada a
probabilidade cumulativa de ocorrncia.
Essa ferramenta est disponvel em Risk Simulator | Ferramentas |
Anlise da distribuio. Como exemplo, a Figura 5.34 mostra o clculo
de uma distribuio binomial (por exemplo, uma distribuio com dois
resultados, como jogar uma moeda, em que o resultado cara ou coroa,
com probabilidades prescritas de cara e de coroa). Suponha que uma
moeda tenha sido jogada duas vezes e o resultado cara tenha sido
definido como xito. Usamos a distribuio binomial com tentativas = 2
(a moeda jogada duas vezes) e a probabilidade = 0,50 (a probabilidade
de xito, de o resultado ser cara). Selecionando a FDP e configurando a
faixa de valores de x como 0 a 2, com um incremento de 1 (isso significa
que estamos solicitando os valores 0, 1, 2 para x), as probabilidades
resultantes so fornecidas na tabela e em um formato grfico, alm dos
quatro momentos tericos da distribuio. Enquanto os resultados do
jogo so cara-cara, coroa-coroa, cara-coroa e coroa-cara, a probabilidade
exata de no obter caras 25%, uma cara 50% e duas caras 25%.
Figura 5.34 Ferramenta Anlise da distribuio (distribuio binomial com 2 tentativas)
163
Da mesma forma, podemos obter as probabilidades exatas de jogar a

moeda, digamos 20 vezes, como na Figura 5.35. Os resultados so
apresentados em uma tabela e em um grfico.
Figura 5.35 Ferramenta Anlise da distribuio (distribuio binomial com 20 tentativas)

A Figura 5.36 mostra a mesma distribuio binomial, mas agora a FDA
calculado. A FDA simplesmente a soma dos valores de FDP at o
ponto x. Por exemplo, na Figura 5.35, observamos que as probabilidades
de 0, 1 e 2 so 0,000001, 0,000019 e 0,000181, cuja soma 0,000201,
que o valor de FDA emx = 2 na Figura 5.36. Enquanto FDP calcula as
probabilidades de obter-se exatamente 2 caras, FDA calcula a
probabilidade de obter no mais do que 2 caras ou at 2 caras (ou
probabilidades de 0, 1 e 2 caras). O complemento (por exemplo, 1
0,00021 obtm 0,999799 ou 99,9799%) a probabilidade de se obter
pelo menos 3 caras ou mais.
164
Figura 5.36 Ferramenta Anlise da distribuio (FDA da distribuio binomial com 20

tentativas)
Usando a ferramenta Anlise da distribuio, distribuies ainda mais
avanadas podem ser analisadas no Risk Simulator, como gama, beta,
binomial negativa e muitas outras. Como outro exemplo do uso da
ferramenta em uma distribuio contnua e da funcionalidade de IFDA, a
Figura 5.37 mostra a distribuio normal padro (distribuio normal
com uma mdia zero e desvio padro igual a um), na qual aplicamos
IFDA para encontrar o valor de x que corresponde probabilidade
cumulativa de 97,50% (FDA). Ou seja, uma FDA unicaudal de 97,50%
equivalente a um intervalo de confiana bicaudal de 95% (h uma
probabilidade de 2,50% na cauda direita e 2,50% na cauda esquerda,
restando 95% no centro ou na rea do intervalo de confiana, que
equivale a uma rea de 97,50% para uma cauda). O resultado o
conhecido escore Z de 1,96. Assim, usando a ferramenta Anlise da
distribuio, pode-se obter rpida e facilmente os escores padronizados
para outras distribuies, bem como as probabilidades cumulativas e
exatas de outras distribuies.
165
Figura 5.37 Ferramenta Anlise da distribuio (IFDA e escore Z da distribuio normal)
5.11 Ferramenta Anlise de cenrio

A ferramenta Anlise de cenrio do Risk Simulator permite executar
vrios cenrios rapidamente e sem esforo alterando um ou dois
parmetros de entrada para determinar o resultado de uma varivel. A
Figura 5.38 ilustra como essa ferramenta trabalha no modelo de exemplo
de fluxo de caixa descontado (modelo 7 na pasta de modelos de exemplo
do Risk Simulator). Nesse exemplo, a clula G6 (valor presente lquido)
selecionada como o resultado de interesse, enquanto as clulas C9
(alquota de impostos efetiva) e C12 (preo do produto) so selecionadas
como entradas para causar perturbao. possvel definir os valores
inicial e final a serem testados, alm do tamanho do incremento ou o
nmero de etapas que devem ser executadas entre os valores inicial e
final. O resultado uma tabela de anlise de cenrio (Figura 5.39), na
qual os cabealhos de linha e de coluna so as duas variveis de entrada e
o corpo a tabela mostra os valores presentes lquidos.
166
Figura 5.38 Ferramenta Anlise de cenrio

TABELA DE ANLISE DE CENRIO
Varivel de sada: $G$6
Varivel de coluna: $C$12
Varivel de linha: $C$9
30.00%
31.00%
32.00%
33.00%
34.00%
35.00%
36.00%
37.00%
38.00%
39.00%
40.00%
41.00%
42.00%
43.00%
44.00%
45.00%
46.00%
47.00%
48.00%
49.00%
50.00%
$10.00
$3,904.83
$3,827.14
$3,749.44
$3,671.75
$3,594.05
$3,516.35
$3,438.66
$3,360.96
$3,283.27
$3,205.57
$3,127.87
$3,050.18
$2,972.48
$2,894.79
$2,817.09
$2,739.39
$2,661.70
$2,584.00
$2,506.31
$2,428.61
$2,350.91
$11.00
$4,134.43
$4,053.46
$3,972.48
$3,891.51
$3,810.53
$3,729.55
$3,648.58
$3,567.60
$3,486.63
$3,405.65
$3,324.67
$3,243.70
$3,162.72
$3,081.75
$3,000.77
$2,919.79
$2,838.82
$2,757.84
$2,676.87
$2,595.89
$2,514.91
Valor inicial do caso bsico:

Mn:
10 Mx:
Mn:
0.3 Mx:
$3,127.87
30 Etapas:
0.5 Etapas:
---
$12.00
$4,364.04
$4,279.78
$4,195.52
$4,111.27
$4,027.01
$3,942.76
$3,858.50
$3,774.24
$3,689.99
$3,605.73
$3,521.48
$3,437.22
$3,352.96
$3,268.71
$3,184.45
$3,100.20
$3,015.94
$2,931.68
$2,847.43
$2,763.17
$2,678.92
$15.00
$5,052.84
$4,958.74
$4,864.65
$4,770.55
$4,676.45
$4,582.36
$4,488.26
$4,394.17
$4,300.07
$4,205.97
$4,111.88
$4,017.78
$3,923.69
$3,829.59
$3,735.49
$3,641.40
$3,547.30
$3,453.21
$3,359.11
$3,265.01
$3,170.92
$17.00
$5,512.04
$5,411.39
$5,310.73
$5,210.07
$5,109.42
$5,008.76
$4,908.10
$4,807.45
$4,706.79
$4,606.14
$4,505.48
$4,404.82
$4,304.17
$4,203.51
$4,102.86
$4,002.20
$3,901.54
$3,800.89
$3,700.23
$3,599.58
$3,498.92
$13.00
$4,593.64
$4,506.10
$4,418.56
$4,331.03
$4,243.49
$4,155.96
$4,068.42
$3,980.88
$3,893.35
$3,805.81
$3,718.28
$3,630.74
$3,543.20
$3,455.67
$3,368.13
$3,280.60
$3,193.06
$3,105.52
$3,017.99
$2,930.45
$2,842.92
$14.00
$4,823.24
$4,732.42
$4,641.61
$4,550.79
$4,459.97
$4,369.16
$4,278.34
$4,187.53
$4,096.71
$4,005.89
$3,915.08
$3,824.26
$3,733.45
$3,642.63
$3,551.81
$3,461.00
$3,370.18
$3,279.37
$3,188.55
$3,097.73
$3,006.92
$16.00
$5,282.44
$5,185.06
$5,087.69
$4,990.31
$4,892.94
$4,795.56
$4,698.18
$4,600.81
$4,503.43
$4,406.06
$4,308.68
$4,211.30
$4,113.93
$4,016.55
$3,919.18
$3,821.80
$3,724.42
$3,627.05
$3,529.67
$3,432.29
$3,334.92
20 Incremento: ---
Incremento:
$18.00
$5,741.64
$5,637.71
$5,533.77
$5,429.83
$5,325.90
$5,221.96
$5,118.03
$5,014.09
$4,910.15
$4,806.22
$4,702.28
$4,598.35
$4,494.41
$4,390.47
$4,286.54
$4,182.60
$4,078.66
$3,974.73
$3,870.79
$3,766.86
$3,662.92
Valor inicial do caso bsico:

0.01 Valor inicial do caso bsico:
$19.00
$5,971.24
$5,864.03
$5,756.81
$5,649.60
$5,542.38
$5,435.16
$5,327.95
$5,220.73
$5,113.51
$5,006.30
$4,899.08
$4,791.87
$4,684.65
$4,577.43
$4,470.22
$4,363.00
$4,255.79
$4,148.57
$4,041.35
$3,934.14
$3,826.92
$20.00
$6,200.85
$6,090.35
$5,979.85
$5,869.36
$5,758.86
$5,648.36
$5,537.87
$5,427.37
$5,316.88
$5,206.38
$5,095.88
$4,985.39
$4,874.89
$4,764.40
$4,653.90
$4,543.40
$4,432.91
$4,322.41
$4,211.91
$4,101.42
$3,990.92
$21.00
$6,430.45
$6,316.67
$6,202.89
$6,089.12
$5,975.34
$5,861.57
$5,747.79
$5,634.01
$5,520.24
$5,406.46
$5,292.68
$5,178.91
$5,065.13
$4,951.36
$4,837.58
$4,723.80
$4,610.03
$4,496.25
$4,382.48
$4,268.70
$4,154.92
$22.00
$6,660.05
$6,542.99
$6,425.94
$6,308.88
$6,191.82
$6,074.77
$5,957.71
$5,840.65
$5,723.60
$5,606.54
$5,489.49
$5,372.43
$5,255.37
$5,138.32
$5,021.26
$4,904.20
$4,787.15
$4,670.09
$4,553.04
$4,435.98
$4,318.92
$10.00
40.00%
$23.00
$6,889.65
$6,769.31
$6,648.98
$6,528.64
$6,408.30
$6,287.97
$6,167.63
$6,047.30
$5,926.96
$5,806.62
$5,686.29
$5,565.95
$5,445.61
$5,325.28
$5,204.94
$5,084.61
$4,964.27
$4,843.93
$4,723.60
$4,603.26
$4,482.92
$24.00
$7,119.25
$6,995.63
$6,872.02
$6,748.40
$6,624.79
$6,501.17
$6,377.55
$6,253.94
$6,130.32
$6,006.70
$5,883.09
$5,759.47
$5,635.86
$5,512.24
$5,388.62
$5,265.01
$5,141.39
$5,017.77
$4,894.16
$4,770.54
$4,646.93
$25.00
$7,348.85
$7,221.96
$7,095.06
$6,968.16
$6,841.27
$6,714.37
$6,587.47
$6,460.58
$6,333.68
$6,206.79
$6,079.89
$5,952.99
$5,826.10
$5,699.20
$5,572.30
$5,445.41
$5,318.51
$5,191.62
$5,064.72
$4,937.82
$4,810.93
$26.00
$7,578.45
$7,448.28
$7,318.10
$7,187.92
$7,057.75
$6,927.57
$6,797.39
$6,667.22
$6,537.04
$6,406.87
$6,276.69
$6,146.51
$6,016.34
$5,886.16
$5,755.98
$5,625.81
$5,495.63
$5,365.46
$5,235.28
$5,105.10
$4,974.93
$27.00
$7,808.05
$7,674.60
$7,541.14
$7,407.68
$7,274.23
$7,140.77
$7,007.32
$6,873.86
$6,740.40
$6,606.95
$6,473.49
$6,340.03
$6,206.58
$6,073.12
$5,939.67
$5,806.21
$5,672.75
$5,539.30
$5,405.84
$5,272.38
$5,138.93
$28.00
$8,037.65
$7,900.92
$7,764.18
$7,627.45
$7,490.71
$7,353.97
$7,217.24
$7,080.50
$6,943.76
$6,807.03
$6,670.29
$6,533.56
$6,396.82
$6,260.08
$6,123.35
$5,986.61
$5,849.87
$5,713.14
$5,576.40
$5,439.67
$5,302.93
$29.00
$8,267.26
$8,127.24
$7,987.22
$7,847.21
$7,707.19
$7,567.17
$7,427.16
$7,287.14
$7,147.13
$7,007.11
$6,867.09
$6,727.08
$6,587.06
$6,447.04
$6,307.03
$6,167.01
$6,027.00
$5,886.98
$5,746.96
$5,606.95
$5,466.93
$30.00
$8,496.86
$8,353.56
$8,210.26
$8,066.97
$7,923.67
$7,780.38
$7,637.08
$7,493.78
$7,350.49
$7,207.19
$7,063.89
$6,920.60
$6,777.30
$6,634.01
$6,490.71
$6,347.41
$6,204.12
$6,060.82
$5,917.52
$5,774.23
$5,630.93
Figura 5.39 Tabela de anlise de cenrio
5.12 Ferramenta Agrupamento por

segmentao
Uma ltima tcnica analtica de interesse o agrupamento por
segmentao. A Figura 6.25 ilustra um conjunto de dados de exemplo.
Para selecionar os dados e executar a ferramenta, clique em Risk
Simulator | Ferramentas | Agrupamento por segmentao. A Figura 5.40
mostra um exemplo da segmentao de dois grupos. Ou seja, tomando o
conjunto de dados original, executamos alguns logaritmos internos (uma
combinao ou agrupamento hierrquico de mdias k e outros mtodos
de momentos para encontrar os grupos de ajustamento ou combinaes
estatsticas naturais de melhor ajuste) para dividir ou segmentar
estatisticamente o conjunto de dados original em dois grupos. Voc pode
ver os membros dos dois grupos na Figura 5.40. claro que voc pode
segmentar esse conjunto de dados em quantos grupos desejar. Essa
tcnica valiosa em uma variedade de situaes, incluindo marketing
167
(segmentao do mercado de clientes em vrios grupos de gerenciamento

de relacionamento de clientes etc.), cincias naturais, engenharia, entre
outras.
Figura 5.40 Ferramenta Agrupamento por segmentao e resultados
5.13 Novas ferramentas

Simulator 2011/2012
do
Risk
5.14 Mtodos de gerao de nmero

aleatrio, Monte Carlo versus hipercubo
latino e cpula de correlao
A partir da verso 2011/2012, h seis geradores de nmero aleatrio, trs
cpulas de correlao e dois mtodos de amostragem de simulao
disponveis (Figura 5.41). Essas preferncias so configuradas em Risk
Simulator | Opes.
O gerador de nmero aleatrio (RNG) a parte principal de qualquer
software de simulao. Com base no nmero aleatrio gerado, diferentes
distribuies matemticas podem ser construdas. O mtodo padro a
metodologia patenteada ROV Risk Simulator, que fornece os melhores e
mais slidos nmeros aleatrios. H suporte para seis geradores de
nmero aleatrio e, em geral, o mtodo padro do ROV Risk Simulator e
o mtodo de embaralhamento aleatrio subtrativo avanado so as duas
abordagens de uso recomendadas. No aplique os outros mtodos, a
menos que o seu modelo ou sua anlise necessite especificamente deles
e, mesmo nesse caso, recomendamos testar os resultados com as duas
abordagens indicadas. Quanto mais baixa a posio na lista de RNGs,
mais simples o algoritmo e mais rpido ele executado. De maneira
oposta, quanto mais alta a posio na lista, mais slidos so os
resultados.
168
Na seo Correlaes, h trs mtodos: cpula normal, cpula T e cpula

quasi-normal. Esses mtodos usam tcnicas de integrao matemticas e,
quando h dvidas, a cpula normal fornece os resultados mais seguros e
conservadores. A cpula t fornece valores extremos nas caudas das
distribuies simuladas, enquanto a cpula quasi-normal retorna valores
que esto entre esses valores.
Na seo Mtodos de simulao, h os mtodos de simulao Monte
Carlo (MCS) e amostragem por hipercubo latino (LHS). Observe que as
cpulas e as outras funes multivariadas no so compatveis com o
LHS. Isso acontece porque o LHS pode ser aplicado a uma nica
varivel, mas no a uma distribuio em conjunto. Na realidade, o LHS
possui impacto muito limitado na preciso do resultado do modelo
quanto mais distribuies houver em um modelo, uma vez que o LHS s
se aplica a distribuies individualmente. A vantagem do LHS tambm
ser comprometida se uma pessoa no concluir o nmero de amostras
determinadas no incio, isto , se a simulao for interrompida aps o
incio. O LHS tambm aplica uma carga pesada em um modelo de
simulao com um grande nmero de entradas porque precisa gerar e
organizar amostras de cada distribuio antes de executar a primeira
amostra de uma distribuio. Isso pode causar uma longa demora na
execuo de um modelo grande e fornecer pouca preciso adicional. Por
ltimo, o LHS mais adequado quando as distribuies so bem
comportadas e simtricas e no possuem correlaes. Apesar disso, o
LHS uma abordagem poderosa que rende uma distribuio de
amostragem uniforme, na qual o MCS pode s vezes gerar distribuies
irregulares (ocasionalmente, os dados da amostra podem estar
concentrados em uma rea da distribuio) em comparao a uma
distribuio de amostragem mais uniforme (todas as partes da
distribuio sero amostradas) quando o LHS aplicado.
Figura 5.41 Opes do Risk Simulator
169
5.15 Supresso de tendncia de dados,

dessazonalizao de dados e teste de
sazonalidade
A ferramenta de supresso de tendncia e dessazonalizao de dados do
Risk Simulator permite remover qualquer componente de sazonalidade
ou tendncia nos seus dados. Este processo permite mostrar somente as
alteraes absolutas no valor de perodo a perodo, permitindo a
identificao de possveis padres cclicos nos dados da srie temporal.
A dessazonalizao e a supresso de tendncia removem ciclos de
crescimento, tendncia, variao, curva e outros ciclos sazonais que
possam afetar os dados da srie temporal, deixando o comportamento
verdadeiramente estrutural dos dados ao longo do tempo.
Os perodos de sazonalidade representam quantos perodos teriam de
decorrer antes que o ciclo se repita (por exemplo, 24 horas em um dia, 12
meses em um ano, 4 trimestres em um ano, 60 minutos em uma hora
etc.), mas s vezes existem outros perodos sazonais no inteiramente
evidentes mediante a mera observao dos dados ou da varivel. Esse
teste de sazonalidade observa os dados da srie temporal para determinar
a periodicidade da sazonalidade de melhor ajuste para os dados. Agora,
usando essa sazonalidade, possvel ajustar os efeitos de sazonalidade
usando a ferramenta Dessazonalizao dos dados como mostrado acima
ou usando a ferramenta Anlise de srie temporal para fornecer uma
previso melhor.
Procedimento:
Selecione os dados que deseja analisar (por exemplo, B9:B28) e

clique em Risk Simulator | Ferramentas | Supresso de tendncia e
dessazonalizao dos dados
Selecione Dessazonalizao dos dados e/ou Supresso de

tendncia, selecione os modelos de supresso de tendncia que
deseja executar, insira as ordens relevantes (por exemplo, ordem
polinomial, ordem de mdia mvel, ordem de diferena e ordem
de razo) e clique em OK
Revise os dois relatrios gerados para obter mais detalhes sobre a

metodologia, a aplicao e os grficos de resultados e os dados
sem tendncia/sazonalidade
Procedimento para o teste de sazonalidade:

clique em Risk Simulator | Ferramentas | Teste de Sazonalidade
de Dados

clique em Risk Simulator | Ferramentas | Dados Teste de
sazonalidade
Insira o perodo de sazonalidade mximo para o teste. Ou seja, se

voc inserir 6, o Risk Simulator testar os seguintes perodos de
sazonalidade: 1, 2, 3, 4, 5, 6. O perodo 1 certamente no implica
nenhuma sazonalidade nos dados
170
Revise o relatrio gerado para obter mais detalhes sobre a

metodologia, a aplicao e os grficos resultantes e os resultados
do teste de sazonalidade. A melhor periodicidade de sazonalidade
listada primeiro (classificada pela menor medida de erro de
REQM) e todas as medidas de erro relevantes so includas para
comparao: a raiz do erro quadrtico mdio (REQM), o erro
quadrtico mdio (EQM), o desvio absoluto mdio (MAD) e o
erro mdio percentual absoluto (MAPE)
Figura 5.42 Dados de supresso de tendncia e dessazonalizao
5.16 Anlise de componentes principais

A anlise de componentes principais (ACP) uma maneira de identificar
padres em um conjunto de dados e de reformular os dados, como forma
de destacar as suas semelhanas e diferenas. muito difcil encontrar
padres de dados em dimenses elevadas, quando existem mltiplas
variveis. Tambm muito difcil representar e interpretar grficos
tridimensionais. Quando os padres nos dados so encontrados, eles
podem ser compactados e o nmero de dimenses reduzido. Essa
reduo das dimenses dos dados no significa muito na reduo da
perda de informaes. Em vez disso, os nveis similares de informao,
podem, agora, ser obtidos com um nmero menor de variveis.
Procedimento:
Selecione os dados a serem analisados (por exemplo, B11:K30),

clique em Risk Simulator | Ferramentas | Anlise de
componentes principais e clique em OK
Revise o relatrio gerado com os resultados calculados
171
Figura 5.43 Anlise de componentes principais
5.17 Srie temporal de dados da quebra

estrutural
A quebra estrutural testa se os coeficientes em diferentes conjuntos de
dados so iguais. E esse teste mais comumente usado na anlise de
sries temporais para testar a presena de uma quebra estrutural. A srie
temporal pode ser dividida em dois subgrupos e cada subgrupo testado
contra o outro e no conjunto de dados completo, para determinar
estatisticamente se realmente existe uma pausa a partir de um
determinado perodo de tempo. O teste de quebra estrutural usado com
frequncia para determinar se as variveis independentes tm diferentes
impactos em diferentes subgrupos da populao, como para testar se uma
nova campanha de marketing, uma atividade, um grande evento, uma
aquisio ou uma alienao, por exemplo, tm um impacto sobre os
dados de sries temporais. Suponha que dado um conjunto com 100
pontos de dados de uma srie temporal, pode-se definir pontos de
interrupo diferentes para testar, por exemplo, os pontos de dados 10,
30 e 51 (isso significa que trs testes de quebra estrutural sero
realizados nestes conjuntos de dados: os pontos de dados de 1 a 9 so
comparados com os de 10 a 100; os pontos de dados de 30 a 100 so
comparados com os de 1 a 29, e os de 1 a 50 so comparados com os de
51 a 100, para ver se de fato, no incio dos dados de ponto 10, 30 e 51, h
uma quebra na estrutura subjacente).
Procedimento:
Selecione os dados a serem analisados (por exemplo, B15:D34),

clique em Risk Simulator | Ferramentas | Teste de quebra
estrutural e insira os pontos de teste relevantes que deseja aplicar
aos dados (por exemplo, 6, 10, 12). Clique em OK
Revise o relatrio para determinar quais desses pontos de teste

indicam um ponto de quebra estatisticamente significante nos
seus dados e quais no
172
Figura 5.44 Anlise de quebra estrutural
5.18 Previses de linha de tendncia

As linhas de tendncia podem ser usadas para determinar se um conjunto
de dados de srie temporal segue qualquer tendncia considervel
(Figura 5.45). As tendncias podem ser lineares ou no lineares (como
exponencial, logartmica, mdia mvel, potncia ou polinomial).
Procedimento:
Selecione os dados que deseja analisar e clique em Risk

Simulator | Previso | Linha de tendncia, selecione as linhas de
tendncia relevantes que voc deseja aplicar aos dados (por
exemplo, selecione todos os mtodos por padro), insira o nmero
de perodos para a previso (por exemplo, 6 perodos) e clique em
OK
Revise o relatrio para determinar quais dessas linhas de

tendncia de teste fornecem o melhor ajuste e a melhor previso
para os seus dados
173
Figura 5.45 Previses de linha de tendncia
5.19 Ferramenta de verificao de

modelo
Depois que um modelo criado e as premissas e as previses so
definidas, voc pode executar a simulao normalmente ou a ferramenta
de verificao de modelo (Figura 5.46) para testar se o modelo foi
configurado corretamente. Como alternativa, se o modelo no for
executado e voc suspeitar que algumas configuraes estejam
incorretas, execute a ferramenta em Risk Simulator | Ferramentas |
Verificar modelo para identificar onde pode haver problemas com o seu
modelo. Observe que essa ferramenta verifica os problemas de modelo
mais comuns e tambm problemas nas premissas e previses do Risk
Simulator. Ela no de maneira nenhuma abrangente o suficiente para
testar todos os tipos de problemas. responsabilidade do desenvolvedor
do modelo certificar-se de que o modelo funcione corretamente.
174
Figura 5.46 Ferramenta de verificao de modelo
175
5.20 Ferramenta de ajuste da distribuio

(percentil)
A ferramenta de ajuste da distribuio (percentil), mostrada na Figura
5.47, outra maneira de ajustar as distribuies de probabilidade. H
diversas ferramentas relacionadas e cada uma apresenta usos e vantagens
especficos:
Ajuste da distribuio (percentis) usando o mtodo alternativo

de entrada (percentis e combinaes de primeiro/segundo
momentos), voc pode encontrar os parmetros de distribuio de
melhor ajuste sem a necessidade de dados brutos. Esse mtodo
adequado quando no houver dados suficientes, quando somente
percentis e momentos estiverem disponveis ou como um meio de
recuperar a distribuio integralmente com apenas dois ou trs
pontos de dados, mas o tipo de distribuio precisar ser suposto
ou conhecido.
Ajuste da distribuio (varivel nica) usando mtodos

estatsticos para ajustar seus dados brutos a todas as 42
distribuies a fim de encontrar o melhor ajuste da distribuio e
os parmetros de entrada. So necessrios vrios pontos de dados
para um bom ajuste. O tipo de distribuio pode no ser
conhecido com antecedncia.
Ajuste da distribuio (mltiplas variveis) usa mtodos

estatsticos para ajustar seus dados brutos em diversas variveis
ao mesmo tempo, usando os mesmos algoritmos como a nica
varivel de ajuste, mas incorpora uma matriz de correlao de
paridade entre as variveis. So necessrios vrios pontos de
dados para um bom ajuste. O tipo de distribuio pode no ser
Distribuio personalizada (definir suposio) usa tcnicas de

reamostragem no paramtrica para gerar uma distribuio
personalizada com os dados brutos existentes e para simular a
distribuio com base nessa distribuio emprica. So
necessrios poucos pontos de dados e o tipo de distribuio no
Clique em Risk Simulator | Ferramentas | Ajuste da distribuio

(percentis), escolha a distribuio de probabilidade e os tipos de
valores que voc deseja usar, insira os parmetros e clique em
Executar para obter os resultados. Revise os resultados de Rquadrado ajustados e compare os resultados dos ajustes tericos
com os empricos para determinar se a sua distribuio um bom
ajuste.
Procedimento:
176
Figura 5.47 Ferramenta de ajuste da distribuio percentil
5.21 Grficos e tabelas de distribuio:

Ferramenta de distribuio de
probabilidade
Esta nova ferramenta de distribuio de probabilidade um mdulo
muito rpido e poderoso, usado para gerar grficos e tabelas de
distribuio (Figuras 5.48 a 5.51). Observe que existem trs ferramentas
semelhantes no Risk Simulator, mas cada uma possui funes muito
distintas:
Anlise da distribuio usada para calcular rapidamente o

FDP, a FDA e a IFDA das 42 distribuies de probabilidade
disponveis no Risk Simulator, e para retornar uma tabela de
probabilidades desses valores.
Tabelas e grficos de distribuio esta a ferramenta de

distribuio de probabilidade descrita neste manual e usada para
comparar parmetros diferentes da mesma distribuio (por
exemplo, as formas e os valores de FDP, FDA e IFDA de uma
distribuio Weibull com alfa e beta iguais a [2, 2], [3, 5] e [3,5,
8] e sobrep-los um ao outro).
Grficos sobrepostos: usada para comparar distribuies

diferentes (valores de entrada tericos e previses de sada
empricas simuladas) e sobrep-las uma outra para uma
comparao visual.
177
Procedimento:
Execute o ROV BizStats em Risk Simulator | Tabelas e grficos

de distribuio, clique no boto Aplicar entradas globais para
carregar um conjunto de exemplo de parmetros de entrada ou
insira seus prprios valores e clique em Executar para calcular os
resultados. Os quatro momentos resultantes e a FDA, a IFDA e a
FDP so calculados para cada uma das 45 distribuies de
probabilidade (Figura 5.48).
Figura 5.48 Ferramenta de distribuio da probabilidade (45 distribuies de probabilidade)
Clique na guia Grficos e tabelas (Figura 5.49), selecione uma

distribuio [A] (por exemplo, Arco seno), escolha se deseja
executar a FDA, a IFDA ou a FDP [B], insira as entradas
relevantes e clique em Executar grfico ou em Executar tabela
[C]. Voc pode alternar entre as guias Grfico e Tabela para ver
os resultados. Tambm possvel experimentar alguns cones do
grfico [E] para ver os efeitos no grfico.
Tambm possvel alterar dois parmetros [H] para gerar vrios

grficos e tabelas de distribuio inserindo a entrada
De/Para/Incremento ou usar as entradas Personalizar e
pressionar Executar. Por exemplo, como ilustrado na Figura 5.50,
execute a distribuio beta e selecione FDP [G], selecione o alfa e
o beta a ser alterados [H] usando as entradas Personalizar [I] e
insira os parmetros de entrada relevantes: 2;5;5 para alfa e 5;3;5
para beta [J] e clique em Executar grfico. Sero geradas trs
178
distribuies beta [K]: beta (2,5), beta (5,3) e beta (5,5) [L].
Examine as diversas configuraes de tipos de grficos, linhas de
grade, idioma e casas decimais [M] e execute novamente a
distribuio usando valores simulados tericos e empricos [N].
A Figura 5.51 ilustra as tabelas de probabilidade geradas para

uma distribuio binomial, na qual seleciona-se que a
probabilidade de sucesso e o nmero de tentativas bem-sucedidas
(X varivel aleatrio) devem variar [O] usando a opo
De/Para/Incremento. Tente replicar o clculo como mostrado e
clique na guia Tabela [P] para ver os resultados da funo de
densidade da probabilidade criados. Neste exemplo, a distribuio
binomial com um conjunto de entrada inicial de tentativas = 20,
probabilidade de sucesso = 0,5 e nmero de tentativas bemsucedidas X = 10, onde a probabilidade de sucesso pode variar de
0, 0,25, at 0,50 e mostrada como a varivel de linha, e o
nmero de tentativas bem-sucedidas tambm pode variar de 0, 1,
2, at 8 e mostrado como a varivel de coluna. A FDP
escolhida e, portanto, os resultados na tabela mostram a
probabilidade de que o dado evento acontea. Por exemplo, a
probabilidade de obter exatamente dois sucessos em 20 tentativas,
nas quais cada tentativa tem uma chance de 25% de sucesso
uma probabilidade de 0,0669 ou 6,69%.
Figura 5.49 Distribuio de probabilidade ROV (grficos FDP e FDA)
179
Figura 5.50 Distribuio de probabilidade ROV (vrios grficos sobrepostos)
Figura 5.51 Distribuio de probabilidade ROV (tabelas de distribuio)
180
5.22 ROV BizStats

A nova ferramenta ROV BizStats um mdulo muito rpido e poderoso
do Risk Simulator usado para executar estatsticas comerciais e modelos
analticos nos dados. Ela inclui mais de 130 estatsticas comerciais e
modelos analticos (Figuras 5.52 a 5.55). Veja a seguir algumas etapas
iniciais sobre a execuo do mdulo e os detalhes sobre cada elemento
do software.
Procedimento:
Execute o ROV BizStats em Risk Simulator | ROV BizStats,

clique em Exemplo para carregar dados de exemplo e o perfil de
modelo [A]. Alternativamente, voc pode inserir seus dados ou
copiar e colar na grade de dados [D] (Figura 5.52). possvel
adicionar suas prprias notas ou nomes de variveis na primeira
linha Notas [C].
Selecione o modelo relevante [F] para ser executado na Etapa 2 e,

usando as configuraes de entrada dos dados de exemplo [G],
insira as variveis relevantes [H]. Separe as variveis para o
mesmo parmetro usando ponto-e-vrgula e use uma nova linha
(pressione Enter para criar uma nova linha) para parmetros
diferentes.
Clique em Executar [I] para calcular os resultados [J]. Voc pode

exibir as estatsticas, os grficos ou os resultados relevantes da
anlise nas diversas guias na Etapa 3.
Se necessrio, fornea um nome de modelo para salvar no perfil,

na Etapa 4 [L]. possvel salvar vrios modelos no mesmo perfil.
Os modelos existentes podem ser editados ou excludos [M],
reordenados [N] e todas as alteraes podem ser salvas [O] em
um nico perfil com a extenso de nome de arquivo *.bizstats.
O tamanho da grade de dados pode ser definido no menu e a

grade pode acomodar at mil colunas de variveis com um milho
de linhas de dados por varivel. O menu tambm permite que
voc altere as configuraes de idioma e de casas decimais para
os seus dados.
Para comear, recomendvel carregar o arquivo de exemplo [A]

bastante abrangente que inclui dados e alguns modelos prcriados [S]. Clique duas vezes em cada um desses modelos para
execut-los. Os resultados so mostrados na rea de relatrio [J],
que algumas vezes pode ser um grfico ou as estatsticas do
modelo [T/U]. Usando o arquivo de exemplo, voc pode ver
como os parmetros de entrada [H] so inseridos de acordo com a
descrio do modelo [G] e pode continuar a criar seus prprios
modelos.
Clique nos cabealhos de varivel [D] para selecionar uma ou

vrias variveis ao mesmo tempo. Clique com o boto direito do
mouse para adicionar, excluir, copiar, colar ou exibir [P] as
variveis selecionadas.
Notas:
181
Os modelos tambm podem ser inseridos por um console de

comando [V/W/X]. Para ver seu funcionamento, clique duas
vezes para executar um modelo [S] e v para o console de
comando [V]. possvel replicar o modelo ou criar um modelo
prprio e clicar em Executar comando [X] quando voc estiver
pronto. Cada linha do console representa um modelo e seus
parmetros relevantes.
Todo o perfil *.bizstats (no qual os dados e os vrios modelos so

criados e salvos) pode ser editado diretamente em XML [Z]. Para
fazer isso, abra o editor de XML no menu Arquivo. As alteraes
no perfil podem ser feitas por meio de programao e entraro em
vigor quando o arquivo for salvo.
Click no cabealho da(s) coluna(s) para selecionar a(s) coluna(s)

inteira(s) ou varivel(eis)e, uma vez selecionado, pressione o
boto da direita do seu mouse no cabealho para Auto Ajuste auto
ajuste da coluna, Cortar, Copiar, Apagar, ou Colar dados. Voc
poder tambm clicar nos mltiplos cabealhos de colunas e
selecion-las e, com o boto da direita do mouse, escolher e opo
Visualizar, para visualizar os grficos.
Caso a tenha um valor que completamente visualizado, clique

sobre a clula e paire com o ponteiro sobre a mesma de forma
visualizar o contedo completo da clula, ou simplesmente
redimensione a mesma para que todo o valor seja visualizado
normalmente (ou arraste a borda esquerda no cabealho da coluna
da clula desejada, para aument-la ou d dois cliques na mesma
borda, ou ento com o boto da direita acionado escolha Auto
Ajuste)
Use as teclas acima, abaixo, esquerda, direta para mover-se em

torno da clula, ou utiliza as teclas Home e End do seu teclado
para movimentos mais amplos nas linhas a serem editadas.
Tambm possvel utilizar a combinao de teclas, tais como:
Ctrl+Home para pular para o topo da coluna posicionada
esquerda, que tenha alguma clula com algum valor, Ctrl+End
para pular para o extremo direito inferior da coluna que contenha
algum valor registrado. Da mesma forma, acionando o comando
Shift+Up/Down seleciona uma rea especfica.
possvel inserir pequenas observaes ou notas para cada

varivel na linha de Notas. Lembre-se de fazer suas notas curtas e
simples.
Tente usar os diversos cones de grfico, no modo Visualizar,

para alterar a viso dos mesmos e observar os grficos (p.ex.,
Rotao, Deslocamento, Aumento, Colorir, e adicionar Legendas,
e outras)
O boto Copiar utilizado para copiar nas abas Resultados,

Grficos e Estatsticas, no Passo 3, aps o modelo tiver rodado.
Caso nenhum modelo estiver rodando, ento a funo de cpia ir
apenas copiar uma pgina em branco.
Dicas:
182
O boto Relatrio somente ser ativado caso existam modelos

salvos no Passo 4, ou caso existam dados da grade, caso contrrio
e relatrio gerado estar vazio. Voc tambm necessitar que o
Excel esteja instalado com a capacidade de extrao de dados
produo de relatrios dos resultados, e que o PowerPoint da
Microsoft esteja disponvel para rodar os relatrios Grficos.
Caso tenha dvida sobre como rodar um modelo especfico ou

um mtodo estatstico, inicie no perfil Exemplo e reveja como os
dados so organizados, no Passo 1, ou como os parmetros so
informados no Passo 2. Voc pode utilizar esses modelos de
exemplo para adaptar seus prprios dados e modelos
O Idioma pode ser alterado no Menu Idioma. Observe que

atualmente existem 10 idiomas disponveis para este software,
com perspectivas de novos idiomas serem acrescidos em breve.
Contudo, alguns resultados, por terem um entendimento
universal, ainda sero visualizados em Ingls.
possvel alterar a forma de como os modelos no Passo2 so

exibidos mudando a lista apresentada em Ver. Voc pode listar os
modelos alfabeticamente, por categoria, e por requisitos dos
dados de entrada observar que em certos idiomas em Unicode
(p.ex., Chins, Japons e Coreano), no existe ordenamento
alfabtico e, desse modo, a primeira opo invlida.
O software pode manipular diferentes arranjos regionais para

nmeros e pontuao decimal (p.ex., um mil dlares e cinquenta
centavos pode ser escrito como 1,000.50 ou 1.000,50, ou
1000,50, etc.). O arranjo decimal pode ser definido no ROV
BizStats no menu Dado | Arranjo Decimal. Contudo, quando
houver dvida, mantenha no ROV BizStat a definio regional
coo a Inglesa Americana e o padro default norte americanos
1,000.50 (esse padro comprovadamente operacional e
considerado nos exemplos do ROV BizStats).
183
Figura 5.52 ROV BizStats (anlise estatstica)
Figura 5.53 ROV BizStats (visualizao de dados e grficos de resultados)
184
Figura 5.54 ROV BizStats (console de comando)
Figura 5.55 ROV BizStats (editor de XML)
185
5.23 Metodologias de previso de lgica

difusa combinatria e de rede neural
O termo rede neural tradicionalmente usado para se referir a uma
rede ou um circuito de neurnios biolgicos, ao passo que o uso moderno
do termo se refere s redes neurais artificiais que compreendem
neurnios artificiais ou ns recriados em um ambiente de software. Essa
metodologia tenta imitar os neurnios ou o crebro humano no modo de
pensar e identificar padres, em nosso caso, para identificar padres com
a finalidade de prever dados de srie temporal. Essa metodologia
encontrada no mdulo ROV BizStats do Risk Simulator, localizado em
Risk Simulator | ROV BizStats | Rede neural, bem como em Risk
Simulator | Previso | Rede neural. A Figura 5.56 mostra a
metodologia de previso de rede neural.
Procedimento:
Clique em Risk Simulator | Previso | Rede neural.
Para comear, insira manualmente os dados ou cole-os da rea de

transferncia (por exemplo, selecione e copie dados no Excel,
inicie a ferramenta e clique no boto Colar para colar os dados)
Selecione se voc deseja executar um modelo de rede neural

Linear ou No linear, insira o nmero desejado de Perodos de
previso (por exemplo, 5), o nmero de Camadas ocultas na rede
neural (por exemplo, 3) e o nmero de Perodos de teste (por
exemplo, 5).
Clique em Executar para iniciar a anlise e revise os grficos e os

resultados calculados. Tambm possvel Copiar os resultados e
o grfico para a rea de transferncia e col-los em outro
aplicativo.
Observe que o nmero de camadas ocultas na rede um parmetro de

entrada e dever ser calibrado com seus dados. Em geral, quanto mais
complicado o padro de dados, maior o nmero de camadas ocultas
necessrias e mais demorado ser o clculo. Recomenda-se comear com
3 camadas. Os perodos de teste so simplesmente o nmero de pontos
de dados usados na calibrao final do modelo de rede neural.
Recomenda-se usar como perodo de teste pelo menos o mesmo nmero
de perodos que se deseja prever.
186
Figura 5.56 Previso de rede neural

Em contraste, o termo lgica difusa derivado da teoria de conjuntos
difusa para lidar com o raciocnio que seja aproximado e no exato. Essa
lgica se contrape lgica ntida, na qual os conjuntos binrios tm
lgica binria. As variveis de lgica difusa podem ter um valor
verdadeiro que varie entre 0 e 1 e no seja restrito aos dois valores
verdadeiros da lgica proposicional clssica. Esse esquema de
ponderao difuso usado com mtodo combinatrio para produzir
resultados de previso de srie temporal no Risk Simulator, como
ilustrado na Figura 5.57, e mais adequado quando aplicado a dados de
srie temporal com sazonalidade e tendncia. Essa metodologia
encontrada no mdulo ROV BizStats do Risk Simulator, localizado em
Risk Simulator | ROV BizStats | Lgica difusa combinatria, bem
como em Risk Simulator | Previso | Lgica difusa combinatria. A
Figura 5.57 mostra a metodologia de previso de rede neural.
187
Procedimento
Clique em Risk Simulator | Previso | Lgica difusa combinatria.
Para comear, insira manualmente os dados ou cole-os da rea de

transferncia (por exemplo, selecione e copie dados no Excel,
inicie a ferramenta e clique no boto Colar para colar os dados)
Na lista suspensa, selecione a varivel na qual deseja executar a

anlise, insira o perodo de sazonalidade (por exemplo, 4 para
dados trimestrais, 12 para dados mensais etc.) e o nmero
desejado de Perodos de previso (por exemplo, 5).
Clique em Executar para iniciar a anlise e revise os grficos e os

resultados calculados. Tambm possvel Copiar os resultados e
o grfico para a rea de transferncia e col-los em outro
aplicativo.
Observe que as tcnicas de redes neurais e de lgica difusa ainda no

foram estabelecidas como um mtodo vlido e confivel no domnio das
previses de negcios, seja no nvel estratgico, ttico ou operacional.
Ainda necessrio fazer muitas pesquisas sobre esses campos de
previso avanada, entretanto, o Risk Simulator fornece noes bsicas
sobre essas duas tcnicas com a finalidade de executar previses de
sries temporais. Recomenda-se que voc no use essas tcnicas
isoladamente, mas em combinao com as outras metodologias de
previso do Risk Simulator a fim de construir modelos mais robustos.
Figura 5.57 Previso de srie temporal de lgica difusa
188
5.24 Otimizador de Buscar meta

A ferramenta Buscar meta um algoritmo de pesquisa aplicado para
encontrar a soluo de uma nica varivel dentro de um modelo. Se voc
conhece o resultado que deseja de uma frmula ou um modelo, mas no
tem certeza sobre o valor de entrada de que a frmula precisa para obter
esse resultado, use o recurso Risk Simulator | Ferramentas | Buscar
meta. Observe que Buscar meta funciona apenas com um valor de
entrada varivel. Caso deseje aceitar mais de um valor de entrada, use as
rotinas de otimizao avanada do Risk Simulator. A Figura 5.58 mostra
um modelo simples e a aplicao de Buscar meta.
Figura 5.58 Buscar meta
5.25 Otimizador de varivel nica

A ferramenta Otimizador de varivel nica um algoritmo de pesquisa
usado para encontrar a soluo de uma nica varivel dentro de um
modelo, como a rotina de buscar meta abordada anteriormente. Caso
voc deseje o mximo ou o mnimo resultado possvel de um modelo,
mas no tenha certeza quanto ao valor de entrada de que a frmula
precisa para obter esse resultado, use o recurso Risk Simulator |
Ferramentas | Otimizador de varivel nica (Figura 5.59). Observe
que o Otimizador de varivel nica executado muito rapidamente, mas
s pode ser usado para encontrar uma entrada varivel. Caso deseje
aceitar mais de um valor de entrada, use as rotinas de otimizao
avanada do Risk Simulator. A ferramenta foi includa no Risk
Simulator, porque ocasionalmente pode ser necessrio executar um
clculo de otimizao rpido para uma nica varivel de deciso e a
ferramenta fornece essa capacidade sem exigir a configurao de um
modelo de otimizao com perfis, suposies de simulao, variveis de
deciso, objetivos e restries.
189
Figura 5.59 Otimizao de varivel nica
5.26 Otimizao de algoritmo gentico

O algoritmo gentico um algoritmo heurstico de pesquisa que imita o
processo da evoluo natural. Ele usado com frequncia para gerar
solues teis para problemas de otimizao e de pesquisa. Os
algoritmos genticos pertencem classe geral de algoritmos
evolucionrios, que geram solues para problemas de otimizao
usando tcnicas inspiradas na biologia evolutiva, como hereditariedade,
mutao, seleo natural e recombinao.
O algoritmo gentico est disponvel em Risk Simulator | Ferramentas
| Algoritmo gentico (Figura 5.60). Tome cuidado durante a calibrao
dos valores de entrada do modelo, pois os resultados so muito sensveis
a esses valores (os valores de entrada padro so fornecidos como
orientao geral para os nveis de entrada mais comuns). Recomenda-se
selecionar o Teste de pesquisa de gradiente para obteno de um
conjunto de resultados mais robusto ( possvel cancelar a seleo dessa
opo para comear e, em seguida, selecion-la, executar a anlise
novamente e comparar os resultados).
Nota: em muitos problemas, os algoritmos genticos podem apresentar a
tendncia de convergir para um valor timo local ou at para pontos
arbitrrios em vez do valor timo global do problema. Isso significa que
ele no sabe como sacrificar o ajuste de curto prazo para obter o ajuste de
longo prazo. Para problemas de otimizao especficos e instncias de
problemas, outros algoritmos de otimizao podem encontrar solues
melhores do que os algoritmos genticos (considerando-se o mesmo
prazo de clculo). Portanto, recomendvel primeiro executar o
algoritmo gentico e, depois, execut-lo novamente marcando a opo
Aplicar teste de pesquisa de gradiente (Figura 5.60) para verificar a
robustez do modelo. Esse teste de pesquisa de gradiente tenta executar
combinaes de tcnicas de otimizao tradicionais com mtodos de
algoritmo gentico para retornar a melhor soluo possvel. Por fim, a
menos que haja uma necessidade terica especfica para usar o algoritmo
gentico, recomendamos o uso do mdulo Otimizao do Risk Simulator
para obter resultados mais robustos. Esse mdulo permite que voc
190
execute rotinas mais avanadas de otimizao estocstica e dinmica

com base no risco.
Figura 5.60 Algoritmo gentico
191
5.27 Mdulo ROV Decision Tree (rvore

de Deciso)
5.27.1 rvore de Deciso
ROV Decision Tree (rvore de Deciso, Figura 5.61) usado para criar
valor e avaliar modelos de rvore de deciso. As seguintes metodologias
e anlises avanadas adicionais tambm esto includas:
Modelos de rvore de Deciso
Simulao de risco (Monte Carlo)
Anlise de Sensibilidade
Anlise de Cenrio
Anlise Bayesiana (probabilidade conjunta e a posteriori)
Valor Esperado da Informao
MINIMAX
MAXIMIN
Perfis de Risco
A seguir, esto alguns das principais dicas rpidas e procedimentos para

a utilizao intuitiva dessas ferramentas:
Existem 11 idiomas disponveis neste mdulo e o idioma atual

pode ser alterado atravs do menu Idiomas.
Inserir ou Inserir n de Opo ou n Terminal, selecionando

primeiro qualquer n existente e, em seguida, clicando no cone
n de Opo (quadrado) ou no cone do n Terminal (tringulo),
ou usar as funes do menu Inserir.
Modificar individualmente as propriedades do N de Opo ou do

N Terminal, clicando duas vezes em um n. s vezes, quando
voc clica em um n, todos os ns filhos subsequentes tambm
so selecionados (isso permite que voc mova toda a rvore a
partir daquele n selecionado). Se voc deseja selecionar apenas
um n, voc pode ter que clicar sobre o fundo branco e clicar
novamente no n para selecion-lo individualmente. Alm disso,
voc pode mover os ns individuais ou toda a rvore que
comeou a partir do n selecionado, dependendo da configurao
atual (boto direito do mouse, ou no menu Editar e selecione
Mover ns individualmente ou Mover Juntos ns).
A seguir so apresentadas algumas descries rpidas das coisas

que podem ser personalizadas e configuradas na interface do
usurio das propriedades do n. mais simples para testar
diferentes configuraes para cada um dos seguintes para ver seus
efeitos na rvore de Estratgia:
192
o Nome. Nome acima do n.

o Valor. Valor a ser mostrado abaixo do n.
o Concatenar com Excel. Liga o valor uma clula da
planilha Excel.
o Notas. Notas podem ser inseridas acima ou abaixo do n.
o Mostrar no Modelo. Mostrar qualquer combinao de
Nome, Valor e Notas.
o Cor Local versus Cor Global. As cores dos ns podem
ser trocadas localmente ou globalmente.
o Rtulo dentro da Forma. O texto pode ser colocado
dentro do n (voc pode precisar fazer o n maior para
acomodar mais texto).
o Nome Ramo do Evento. O texto pode ser colocado sobre
o ramo que conduz ao n, para indicar o principal
evento para este n.
o Selecione Opes Reais. Um tipo de opo real
especfica pode ser atribudo ao n atual. Atribuindo
opes reais para ns permite que a ferramenta para
gere uma lista de variveis de entradas necessrias.
Os Elementos Globais so todos personalizveis, incluindo

elementos de fundo da rvore Estratgia, Linhas de conexo, ns
de Opo, ns terminais e caixas de texto. Por exemplo, as
seguintes configuraes podem ser alteradas para cada um dos
elementos:
o Propriedades da Fonte (nome, valor, notas, rtulo, e
nomes do evento).
o Tamanho do N
o Margens (estilo de linha, grossura e cor)
o Sombra (cores e tudo onde puder ser aplicada sombra)
o Cor Global
o Forma Global
O comando Requisitos de Dados para a Modelagem, no menu

Editar, abre uma janela ancorada no lado direito da rvore de
Estratgia de tal forma, que quando um n de Opo ou nodo
Terminal for selecionado e qualificado, as propriedades desse n
sero exibidas e podem ser atualizadas diretamente. Este recurso
fornece uma alternativa ao duplo-clique em um n de cada vez.
Arquivos de exemplo esto disponveis no menu Arquivo, para

ajudar a voc comear a construir rvores de Estratgia.
O item Proteger Arquivo no menu Arquivo, permite que a rvore

de Estratgia seja criptografada, gerando uma senha
criptografada com at 256 bits. Tenha cuidado quando um
arquivo est sendo codificado, porque se a senha for perdida, o
arquivo no mais poder ser aberto.
193
Capturar tela ou imprimir o modelo existente pode ser feito

atravs do menu Arquivo. A capturada de tela pode ento ser
colada em outros software aplicativos.
Adicionar, Duplicar, Renomear e Excluir uma rvore de

Estratgia pode ser realizada atravs de boto direito do mouse na
guia rvore de Estratgia ou no menu Editar.
Voc pode Mudar Estilos Existentes, ou Gerenciar e Criar Estilos

Personalizados de sua rvore de Estratgia (o que inclui tamanho,
forma, esquemas de cores e tamanho da fonte / cor das
especificaes da rvore de Estratgia inteira).
Inserir n de Deciso, n de Incerteza, ou n Terminal

selecionando qualquer n existente e, em seguida, clicando no
cone de n de Deciso (quadrado), cone Incerteza n (crculo),
ou
no cone
de n Terminal (tringulo), ou use as
funcionalidades do menu Inserir
Modificar deciso individual, incerteza, ou propriedades do n

Terminal, clicando duas vezes em um n. A seguir esto alguns
itens adicionais originais no mdulo de rvore de Deciso que
podem ser personalizados e configurados na interface do usurio,
referente propriedade do n:
o Ns de Deciso: Sobrescrever personalizado ou Auto
Calcular o valor em um n. A opo de calcular
automaticamente definida como padro, e quando
voc clica em Executar em um modelo completo de
rvore de Deciso, os ns de deciso sero atualizados
com os resultados.
o Ns de Incerteza: Nomes de Eventos, Probabilidades, e
conjuntos de parmetros da Simulao. Voc somente
pode adicionar nomes de eventos de probabilidade,
probabilidades e hipteses de simulao somente aps a
criao dos ramos de incerteza.
o Ns Terminal: Entrada manual, Link do Excel, e
conjuntos de Pressupostos Simulao. Os Payoffs do
evento Terminal podem ser inseridos manualmente ou
ligados a uma clula do Excel (por exemplo, se voc
tiver um modelo Excel grande, que calcula o retorno,
possvel vincular o modelo clula do resultado do
modelo Excel) ou pode definir hipteses de distribuio
de probabilidade para executar as simulaes.
Ver a janela Propriedades do N est disponvel no menu Editar e

as propriedades do n selecionado sero atualizadas quando um
n for selecionado.
O mdulo de Arvore de Deciso tambm vem com as seguintes

anlises avanadas:
o Modelagem de Simulao Monte Carlo nas rvores de
Deciso
o Anlise Bayesiana para a obteno de probabilidades a
posteriori
194
o Valor Esperado da Informao Perfeita, Anlise

MINIMAX e MAXIMIN, Perfis de Risco e Valor da
Informao Imperfeita
o Anlise de Sensibilidade
o Anlise de Cenrio
o Anlise de Funo de Utilidade
5.27.2 Modelagem da Simulao

Essa ferramenta executada a simulao de Risco Monte Carlo na
rvore de Deciso (Figura 5.62). Esta ferramenta permite que voc
defina os parmetros de entrada das distribuies de probabilidade para a
execuo de simulaes. Voc tanto pode definir um pressuposto para o
n selecionado ou definir um novo pressuposto e usar este novo
pressuposto (ou usar o previamente criado pressupostos) em uma
equao numrica ou frmula. Por exemplo, voc pode definir um novo
pressuposto chamado Normal (p.ex., distribuio normal com uma mdia
de 100 e desvio padro de 10) e executar uma simulao na rvore de
deciso, ou usar esta hiptese em uma equao como (100 * Normal +
15,25).
5.27.3 Anlise Bayesiana

Esta ferramenta de anlise bayesiana (Figura 5.63) pode ser feita com
quaisquer dois eventos incertos, que esto ligados por um caminho. No
exemplo direita, as incertezas A e B esto ligadas, onde, na linha do
tempo, o evento A ocorre primeiro e o evento B ocorre aps o primeiro.
O evento A uma "Pesquisa de Mercado" com dois resultados possveis
(Favorvel ou Desfavorvel). O segundo evento B est associado s
"Condies de Mercado", tambm com dois resultados (Forte e Fraco).
Esta ferramenta usada para calcular as probabilidades Bayesianas:
conjunta, marginal, e a posteriori, informado as probabilidades a priori e
as probabilidades condicionais; ou, as probabilidades condicionais
podem ser calculadas quando voc tem as probabilidades a posteriori
condicionais. Selecione abaixo a anlise desejada e clique em Carregar
Exemplo, para ver uma amostra das entradas correspondente anlise
selecionada e os resultados na grade direita, bem como quais resultados
so utilizados como insumos na rvore de deciso da figura.
PASSO 1: Entre com os nomes do primeiro e segundo evento de

incerteza e escolha quantos eventos probabilsticos (ou estados da
natureza ou resultados) cada evento tem.
PASSO 2: Entre com os nomes de cada evento de probabilstico

ou resultado.
PASSO 3: Entre com o segundo evento de probabilidade a priori e

a probabilidade condicional para cada evento ou resultado. As
probabilidades devem somar 100%.
195
5.27.4 Valor Esperado da Informao Perfeita, Anlise

Minimax e Maximin, Perfis de Risco e Valor da Informao
Imperfeita
Esta ferramenta calcula o Valor Esperado da Informao Perfeita (VEIP),
AnliseMinimax e Maximin, bem como o Perfil de Risco e o Valor da
informao imperfeita (Figura DT4). Para comear, insira o nmero de
ramos de deciso ou estratgias em considerao (por exemplo, construir
uma grande instalao, mdia ou pequena instalao) e o nmero de
eventos incertos ou resultados dos estados da natureza (por exemplo,
mercado bom, mercado ruim), e digite as recompensas esperadas
(Payoffs) em cada cenrio.
O Valor Esperado da Informao Perfeita (VEIP), ou seja, supondo que
se tenha uma previso perfeita e se saiba exatamente o que fazer (atravs
de pesquisa de mercado ou outros meios, para melhor discernir os
resultados probabilsticos), calcular se h valor adicionado em tais
informaes (isto , se a pesquisa de mercado ir adicionar valor), em
comparao com estimativas probabilsticas mais ingnuas dos estados
da natureza. Para comear, insira o nmero de ramos de deciso ou de
estratgias em considerao (p.ex., construir uma grande instalao,
mdia ou pequena instalao) e o nmero de eventos incertos ou estados
da natureza (p.ex., mercado bom, mercado ruim), e digite as
recompensas (Payoffs) esperadas em cada cenrio.
Minimax (minimizar o arrependimento mximo) e Maximin (maximizar
o retorno ou Payoff mnimo) so duas abordagens alternativas para
encontrar o caminho deciso tima. Estas duas abordagens no so
usadas frequentemente, mas ainda fornecem uma viso adicional, no
processo de tomada de deciso. Digite o nmero de alternativas de
deciso ou caminhos que existem (p.ex., a construo de uma instalao
de grande porte, mdio ou pequeno porte), bem como os eventos
incerteza ou estados da natureza em cada caminho (p.ex., economia boa
versus economia ruim). Em seguida, complete a tabela de Payoffs para
os vrios cenrios e calcule os resultados Minimax e Maximin. Voc
tambm pode clicar em Carregar Exemplo para ver um exemplo de
clculo.
5.27.5 Sensibilidade
Anlise de Sensibilidade (Figura 5.65) sobre as probabilidades de
entrada realizada para se determinar seus impactos sobre os valores
obtidos no caminho de deciso. Primeiro selecione um dos Ns de
Deciso abaixo, depois a probabilidade de um dos eventos da lista para
teste. Se existem mltiplos eventos de incerteza com probabilidades
idnticas, elas devem ser analisadas de forma independente ou
concomitante.
Os grficos de sensibilidade mostram os valores dos caminhos de
deciso, sob nveis variveis de probabilidade. Os valores numricos so
mostrados na tabela de resultados. A localizao de linhas cruzadas, se
for o caso, representa, nos eventos probabilsticos, que um determinado
caminho deciso se tornou dominante sobre o outro.
196
5.27.6 Tabela de Cenrios

As tabelas de cenrios (Figura 5.66) podem ser geradas para determinar
os resultados, dadas algumas alteraes na entrada. Voc pode escolher
um ou mais Caminhos de Deciso para analisar (os resultados de cada
caminho escolhido ser representado como uma tabela e grfico em
separado), e um ou dois Ns de Incerteza ou Terminal, como variveis de
entrada para a tabela de cenrios.
Selecione um ou mais caminhos de Deciso para analisar a partir

da lista abaixo.
Selecione um ou dois Eventos de Incerteza ou Payoffs

Terminal para modelar.
Decida se voc deseja mudar a probabilidade do evento por conta

prpria ou todos os eventos de probabilidade idntica de uma vez.
Entre com o intervalo do cenrio de entrada
do
5.27.7 Funes de Utilidade

Funes de utilidade (Figura 5.67), ou U(x), so por vezes usadas no
lugar de valores esperados dos Payoffs dos Terminais em uma rvore de
deciso. A U(x) pode ser desenvolvida de duas maneiras: usando a
experimentao tediosa e detalhanda de cada resultado possvel, ou
utilizando um mtodo de extrapolao exponencial (usado aqui). Elas
podem ser modeladas por um tomador de deciso que avesso ao risco
(as desvantagens so mais desastrosas ou dolorosas do que um potencial
crescimento de igual valor), ou do tipo neutro-ao-risco (as vantagens e
desvantagens tm atratividades iguais), ou amante do risco (o potencial
de upside mais atraente). Digite os valores mnimo e mximo dos
retornos esperados do seu terminal e o nmero de pontos de dados para
calcular a curva de utilidade e a tabela.
Se voc tivesse a alternativa entre realizar uma aposta com a chance de
50:50, onde voc tanto pode ganhar $X ou perde - $X/2 versus no jogar,
recebendo um retorno igual a $0, qual seria o valor de X? Por exemplo,
se voc est indiferente entre uma aposta onde voc pode ganhar $100 ou
perder $50, com igual probabilidade, em comparao com no jogar,
ento o valor de X de $100. Digite o X na caixa de resultados positivos
abaixo. Note-se que quanto maior X, menos avesso ao risco voc ,
enquanto um X menor indica que voc est mais avesso ao risco.
Entrar com os dados solicitados, selecione o tipo de U(x), e clique em
Calcule Utilidade para obter os resultados. Voc tambm pode aplicar os
valores de U(x) rvore de deciso e rexecuta-la, ou reverter rvore
anterior utilizando os valores de retorno (Payoffs) esperados.
197
Figura 5.61 ROV Decision Tree (Arvore de Deciso)
Manual do Usurio (Software Risk Simulator)
198
Figura 5.62 ROV Decision Tree (Resultados da Simulao)

ROV Visual Modeler User Manual
199
Copyright 2005-2012 Dr. Johnathan Mun
Figura 5.63 ROV Decision Tree (Anlise Bayesiana)
200
Figura 5.64 ROV Decision Tree (VEIP, MINIMAX, Perfil de Risco)
201
Figura 5.65 ROV Decision Tree (Anlise de Sensibilidade)
202
Figura 5.66 ROV Decision Tree (Tabelas de Cenrios)
203
Figura 5.67 ROV Decision Tree (Funes de Utilidade)
204
6
6. Dicas e tcnicas teis
Veja a seguir algumas dicas e tcnicas teis para usurios avanados do
Risk Simulator. Para obter detalhes sobre o uso de ferramentas
especficas, consulte as sees relevantes no manual do usurio.
DICAS: suposies (interface Definir valores de entrada)
Salto rpido: selecione uma distribuio e digite qualquer letra

para ir para a primeira distribuio que comece com essa letra
(por exemplo, clique em Normal e insira W para ir para a
distribuio Weibull).
Exibies abertas com o boto direito: selecione uma distribuio,

clique com o boto direito do mouse e selecione exibies
diferentes das distribuies (cones grandes, cones pequenos,
lista).
Pressionar Tab para atualizar os grficos: depois de inserir novos

parmetros de entrada (por exemplo, insero de uma nova mdia
ou um novo valor de desvio padro), pressione Tab no teclado ou
clique em qualquer outra parte da interface do usurio fora da
caixa de entrada para que o grfico de distribuio seja atualizado
automaticamente.
Inserir correlaes: voc pode inserir correlaes de paridade

diretamente aqui (as colunas podem ser redimensionadas se
necessrio), usar a ferramenta de ajuste da distribuio para
calcular automaticamente e inserir todas as correlaes de
paridade ou, aps a configurao de algumas premissas, usar a
ferramenta de edio de correlao para inserir sua matriz de
correlaes.
Equaes em uma clula de suposio: apenas clulas vazias ou

com valores estticos podem ser definidas como suposies.
Contudo, pode haver situaes em que uma funo ou uma
equao seja necessria em uma clula de suposio. Para fazer
isso, insira primeiro o valor de entrada na clula e digite a
equao ou a funo. Quando a simulao est sendo executada,
os valores simulados substituiro a funo e depois que a
simulao concluda, a funo ou a equao mostrada de novo.
205
DICAS: copiar e colar
Copiar e colar usando a tecla Escape: quando voc seleciona uma

clula e usa a funo Copiar do Risk Simulator, tudo copiado
para a rea de transferncia do Windows, incluindo o valor, a
equao, a funo, a cor, a fonte e o tamanho da clula, bem como
as suposies, as previses e as variveis de deciso do Risk
Simulator. Ento, medida que voc aplica a funo Colar do
Risk Simulator, tem duas opes. A primeira aplicar
diretamente o comando Colar do Risk Simulator para que todos
os valores, cores, fontes, equaes, funes e parmetros da clula
sejam colados na nova clula. A segunda opo clicar primeiro
em Escape no teclado e, ento, aplicar o comando Colar do Risk
Simulator. A tecla Escape informa ao Risk Simulator que voc
deseja colar apenas a suposio, a previso ou a varivel de
deciso e no os valores, as cores, as equaes, as funes e as
fontes da clula. Pressionar Escape antes de colar permite que
voc mantenha os valores e os clculos da clula de destino e cole
apenas os parmetros do Risk Simulator.
Copiar e colar em vrias clulas: voc pode selecionar vrias

clulas para copiar e colar (com suposies contguas e no
contguas).
DICAS: correlaes
Definir suposio: define correlaes de paridade usando a caixa

de dilogo Definir valores de entrada (ideal para insero de
vrias correlaes).
Editar correlaes: configura uma matriz de correlaes inserindo

manualmente ou colando da rea de transferncia do Windows
(ideal para matrizes de correlaes grandes e diversas
correlaes).
Ajuste da distribuio de mltiplas variveis: calcula e insere

automaticamente correlaes de paridade (ideal para a execuo
de ajuste de mltiplas variveis, calcular automaticamente
correlaes e decidir o que constitui uma correlao
estatisticamente significante).
DICAS: diagnstico de dados e anlise estatstica
Estimativa do parmetro estocstico: nos relatrios de diagnstico

de dados e anlise estatstica, h uma guia sobre estimativas de
parmetro estocstico que estima a volatilidade, o crescimento, a
taxa de reverso mdia e as taxas de difuso com salto de
acordo com dados histricos. Observe que os resultados desse
parmetro so baseados apenas em dados histricos utilizados e
que os parmetros podem mudar ao longo do tempo e dependendo
206
da quantidade de dados histricos ajustados. Alm disso, os

resultados da anlise mostram todos os parmetros e no
determina qual modelo de processo estocstico (por exemplo,
movimento browniano, reverso mdia, difuso com salto ou
processo misto) o melhor ajuste. Cabe ao usurio fazer essa
escolha dependendo da varivel da srie temporal a ser prevista.
A anlise no pode determinar qual o melhor processo, apenas o
usurio pode fazer isso (por exemplo, o processo movimento
browniano melhor para a modelagem de preos de aes, mas a
anlise no pode determinar se os dados histricos analisados so
de uma ao ou de outra varivel, somente o usurio saber isso).
Por ltimo, uma boa dica que se determinado parmetro no
est na faixa normal, o processo que precisa desse parmetro de
entrada tem mais probabilidade de no ser o correto (por exemplo,
se a taxa de reverso mdia de 110%, provavelmente a
reverso mdia no o processo correto e assim por diante).
DICAS: anlise da distribuio, grficos e tabelas de

probabilidade
Anlise da distribuio: usada para calcular rapidamente o FDP, a

FDA e a IFDA das 42 distribuies de probabilidade disponveis
no Risk Simulator, e para retornar uma tabela desses valores.
Tabelas e grficos de distribuio: usada para comparar

parmetros diferentes da mesma distribuio (por exemplo, as
formas e os valores de FDP, FDA e IFDA de uma distribuio
Weibull com alfa e beta iguais a [2, 2], [3, 5] e [3,5, 8] e sobreplos um ao outro).
Grficos sobrepostos: usada para comparar distribuies

diferentes (valores de entrada tericos e previses de sada
empricas simuladas) e sobrep-las uma outra para uma
comparao visual.
DICAS: fronteira eficiente
Variveis de fronteira eficiente: para acessar as variveis de

fronteira, primeiro defina as restries do modelo antes de
configurar as variveis de fronteira.
DICAS: clulas de previso
Clulas de previso sem equao: voc pode definir previses de

sada em clulas sem equaes ou valores (basta ignorar a
mensagem de aviso), mas lembre-se de que o grfico de previso
resultante estar vazio. As previses de sada so tipicamente
definidas em clulas vazias quando h macros para serem
calculadas e a clula ser continuamente atualizada.
207
DICAS: grficos de previso
Tab versus barra de espao: pressione Tab no teclado para

atualizar o grfico de previso e obter os percentis e os valores de
confiana depois de inserir algumas entradas. Pressione a barra de
espao para alternar entre as vrias guias no grfico de previso.
Exibio normal versus exibio global: clique nessas exibies

para alternar entre uma interface com guias e uma interface global
na qual todos os elementos dos grficos de previso esto visveis
ao mesmo tempo.
Copiar: esta ao copia o grfico de previso ou a exibio global

na ntegra, dependendo da exibio usada, a normal ou a global.
DICAS: previso
Endereo de vnculo da clula: se voc selecionar primeiro os

dados na planilha e depois executar uma ferramenta de previso, o
endereo da clula dos dados selecionados ser inserido
automaticamente na interface do usurio; caso contrrio, ser
necessrio inserir manualmente o endereo da clula ou usar o
cone de vnculo para vincular ao local de dados relevante.
REQM da previso: use como a medida de erro universal em

vrios modelos de previso para obter comparaes diretas da
preciso de cada modelo.
DICAS: previso: ARIMA
Perodos de previso: o nmero de linhas de dados exgenos deve

exceder as linhas de dados da srie temporal em pelo menos os
perodos de previso desejados (por exemplo, se voc desejar
prever cinco perodos no futuro e tiver 100 pontos de dados da
srie temporal, necessitar ter pelo menos 105 ou mais pontos de
dados na varivel exgena); caso contrrio, execute ARIMA sem
a varivel exgena para prever quantos perodos desejar sem
limitaes.
DICAS: previso: econometria bsica
Separao de varivel com ponto-e-vrgula: separe as variveis

independentes usando um ponto-e-vrgula.
DICAS: previso: logit, probit e tobit
Requisitos de dados: as variveis dependentes para executar os

modelos logit e probit devem ser somente binrias (0 e 1),
enquanto o modelo tobit aceita binrios e outros valores decimais
208
numricos. As variveis independentes para todos os trs modelos

podem aceitar qualquer valor numrico.
DICAS: previso: processos estocsticos
Entradas de amostra padro: quando estiver em dvida, use as

entradas padro como um ponto de partida para desenvolver seu
prprio modelo.
Ferramenta de anlise estatstica para estimativa de parmetro:

use esta ferramenta para calibrar os parmetros de entrada nos
modelos de processo estocstico estimando-os a partir de seus
dados brutos.
Modelo de processo estocstico: quando a interface do usurio do

processo estocstico fica congelada por muito tempo, provvel
que as suas entradas estejam incorretas e que o modelo no esteja
corretamente especificado (por exemplo, se a taxa de reverso
mdia de 110%, provvel que a reverso mdia no seja o
processo correto etc.). Tente entradas diferentes ou use um
modelo diferente.
DICAS: previso: linhas de tendncia
Resultados da previso: role para o fim do relatrio para ver os

valores previstos.
DICAS: chamadas de funo
Funes RS: so funes para definir valores de entrada e obter

funes estatsticas de previso que voc pode usar na planilha do
Excel. Para usar estas funes, necessrio primeiro instalar as
funes RS (Iniciar, Programas, Real Options Valuation, Risk
Simulator, Ferramentas e Instalar funes) e depois executar uma
simulao antes de configurar as funes RS no Excel. Consulte o
modelo de exemplo 24 para saber como usar as funes.
DICAS: exerccios e vdeos para iniciantes
Exerccios para iniciantes: h diversos exemplos prticos passo a

passo e exerccios de interpretao de resultados disponveis em
Iniciar > Programas > Real Options Valuation > Risk Simulator.
Esses exerccios foram desenvolvidos para ajud-lo a aprender
rapidamente a usar o software.
Vdeos para iniciantes: esto disponveis gratuitamente no nosso

site em www.realoptionsvaluation.com/download.html ou
www.rovdownloads.com/download.html
209
DICAS: ID do hardware
Clique com o boto direito do mouse em Cpia do ID do

hardware: na interface do usurio Instalar licena, selecione ou
clique duas vezes no HWID para selecionar seu valor, clique com
o boto direito do mouse para copiar ou clique no link Enviar ID
do hardware por email para gerar um email com o ID do
hardware.
Soluo de problemas: execute a Soluo de problemas na pasta

Iniciar > Programas > Real Options Valuation > Risk Simulator e
execute a ferramenta Obter ID do hardware para obter o ID do
hardware do seu computador.
DICAS: amostragem por hipercubo latino (LHS) versus

simulao Monte Carlo (MCS)
Correlaes: na configurao de correlaes de paridade em

valores de entrada, recomendvel usar a configurao Monte
Carlo no menu Opes do Risk Simulator. A amostragem por
hipercubo latino no compatvel com o mtodo de cpula
correlacionada para simulao.
Compartimentos de LHS: um nmero elevado de compartimentos

retarda a simulao, embora fornea um conjunto de resultados de
simulao mais uniforme.
Aleatoriedade: todas as tcnicas de simulao aleatrias no menu

Opes foram testadas e todas so boas simulaes e alcanam os
mesmos nveis de aleatoriedade quando um grande nmero de
tentativas executado.
DICAS: recursos online
Livros, vdeos para iniciantes, modelos, whitepapers: disponveis

gratuitamente no nosso site em
www.realoptionsvaluation.com/download.html ou
www.rovdownloads.com/download.html.
DICAS: otimizao
Resultados impossveis: se a execuo da otimizao retornar

resultados impossveis, altere as restries de uma igualdade (=)
para uma desigualdade (>= ou <=) e tente novamente. Isso
tambm se aplica quando voc est executando uma anlise de
fronteira eficiente.
210
DICAS: perfis
Vrios perfis: crie vrios perfis e alterne entre eles em um nico

modelo. Isso permite que voc execute cenrios em simulaes e
seja capaz de alterar os parmetros de entrada ou os tipos de
distribuio no modelo para ver os efeitos nos resultados.
Perfil necessrio: suposies, previses ou variveis de deciso

no podero ser criadas se no houver um perfil ativo. No entanto,
uma vez que voc possua um perfil, no precisar criar novos
perfis. Se desejar executar um modelo de simulao incluindo
suposies ou previses adicionais, mantenha o mesmo perfil.
Perfil ativo: o ltimo perfil usado quando voc salvar a planilha

no Excel ser aberto automaticamente na prxima vez que o
arquivo do Excel for aberto.
Vrios arquivos do Excel: quando estiver alternando entre vrios

modelos do Excel abertos, o perfil ativo ser do modelo atual e
ativo do Excel.
Perfis em vrias pastas de trabalho: tenha cuidado quando tiver

vrios arquivos do Excel abertos, pois se apenas um desses
arquivos tiver um perfil ativo e voc, acidentalmente, alternar
para outra planilha e definir suposies e previses nela, as
suposies e as previses no sero executadas e sero invlidas.
Excluso de perfis: voc pode clonar e excluir perfis existentes,

mas observe que pelo menos um perfil deve existir no arquivo do
Excel, caso exclua perfis.
Local do perfil: os perfis criados por voc (contendo as

suposies, as previses, as variveis de deciso, os objetivos, as
restries etc.) so salvos como uma planilha oculta
criptografada. por isso que quando voc salva o arquivo da
pasta de trabalho do Excel, o perfil tambm automaticamente
salvo.
DICAS: menu de atalho e outras teclas de atalho
Clicar com o boto direito do mouse: para abrir o menu de atalho

do Risk Simulator, clique com o boto direito do mouse em uma
clula em qualquer lugar no Excel.
DICAS: salvar
Salvar o arquivo do Excel: salva as configuraes do perfil, as

suposies, as previses, as variveis de deciso e o seu modelo
do Excel (incluindo relatrios, grficos e extraes de dados do
Risk Simulator).
211
Salvar configuraes do grfico: salva as configuraes de grfico

de previso de maneira que possam ser recuperadas e aplicadas a
grficos de previses futuros (use os cones de salvar e abrir nos
grficos de previso).
Salvar e extrair dados simulados no Excel: extrai as suposies e

as previses de uma execuo simulada, mas o arquivo do Excel
ainda precisar ser salvo para preservar os dados para recuperao
posterior.
Salvar grficos e dados simulados no Risk Simulator: use o Risk

Simulator, a extrao de dados e salve em um arquivo *.RiskSim
para permitir reabrir o grfico de previso ativo e dinmico com
os mesmos dados posteriormente sem ter que executar a
simulao de novo.
Salvar e gerar relatrios: os relatrios de simulao e outros

relatrios analticos so extrados como planilhas separadas em
sua pasta de trabalho e o arquivo inteiro do Excel dever ser salvo
para preservar os dados para recuperao posterior.
DICAS: tcnicas de amostragem e simulao
Gerador de nmero aleatrio: h seis geradores de nmero

aleatrio para os quais h suporte (consulte o manual do usurio
para obter mais detalhes). Em geral, o mtodo padro do ROV
Risk Simulator e o mtodo Embaralhamento aleatrio subtrativo
avanado so as duas abordagens recomendadas. No aplique os
outros mtodos a menos que o seu modelo ou sua anlise
necessite especificamente deles e, mesmo nesse caso,
recomendamos testar os resultados com as duas abordagens
indicadas.
DICAS: SDK e bibliotecas de DLL
SDK, DLL e OEM: todas as anlises no Risk Simulator podem

ser chamadas fora deste software e integradas a qualquer software
de propriedade do usurio. Entre em contato com
admin@realoptionsvaluation.com para obter detalhes sobre como
usar o nosso SDK para acessar os arquivos de anlises da
biblioteca de vnculos dinmicos (DLL).
DICAS: iniciar o Risk Simulator com o Excel
Soluo de problemas ROV: execute esta soluo de problemas

para obter o ID do hardware do seu computador para fins de
licenciamento, para verificar as configuraes e os pr-requisitos
do computador e para reabilitar o Risk Simulator caso ele tenha
sido acidentalmente desabilitado.
212
Iniciar o Simulator quando o Excel for iniciado: voc pode

permitir que o Risk Simulator inicie automaticamente quando o
Excel for iniciado ou pode inici-lo manualmente em Iniciar >
Programas > Real Options Valuation > Risk Simulator. Essa
preferncia pode ser definida no menu Opes do Risk Simulator.
DICAS: simulao super-rpida
Desenvolvimento de modelo: se voc desejar executar seu modelo

em uma velocidade super-rpida, recomenda-se que, durante a
construo do modelo, sejam executadas algumas simulaes
super-rpidas para test-lo e certificar-se de que o produto final
executar a simulao super-rpida. No teste a velocidade superrpida somente depois que o modelo final estiver concludo para
no ter que identificar se h vnculos corrompidos ou funes
incompatveis.
Velocidade normal: em caso de dvida, a simulao na

velocidade normal sempre funciona.
DICAS: anlise tornado
Anlise tornado: esta anlise jamais deve ser executada apenas

uma vez. Ela considerada uma ferramenta de diagnstico de
modelo, o que significa que deve ser executada vrias vezes no
mesmo modelo. Por exemplo, em um modelo grande, o tornado
pode ser executado na primeira vez com todas as configuraes
padro e mostrando todos os precedentes (selecione Mostrar todas
as variveis). Esta anlise nica pode resultar em um relatrio
grande e grficos tornado muito grandes (e potencialmente
confusos). Porm, ela um timo ponto de partida para
determinar a quantidade de precedentes considerados fatores
crticos de sucesso (por exemplo, o grfico tornado pode mostrar
que as primeiras cinco variveis tm alto impacto sobre o
resultado, ao passo que as 200 variveis restantes exercem pouco
ou nenhum impacto). Nesse caso, uma segunda anlise tornado
executada com menos variveis (selecione Mostrar as 10
variveis principais se as primeiras cinco forem crticas, o que
cria um bom relatrio e um grfico tornado que mostra um
contraste entre os fatores-chave e os fatores menos crticos, ou
seja, voc nunca deve mostrar um grfico tornado com apenas as
variveis-chave sem mostrar algumas variveis menos crticas,
para que haja assim um contraste sobre os efeitos no resultado).
Valores padro: os pontos de teste padro podem ser aumentados

de 10% para um valor maior a fim de testar no linearidades (o
grfico aranha mostra linhas no lineares e os grficos tornado
so oblquos para um dos lados se os efeitos dos precedentes
forem no lineares).
213
Valores zero e inteiros: entradas com valores inteiros ou iguais a

zero s devem ser desmarcadas na anlise tornado antes da
execuo. Caso contrrio, o percentual de perturbao pode
invalidar o modelo (por exemplo, se o modelo usa uma tabela de
pesquisa na qual Jan = 1, Fev = 2, Mar = 3 e assim
sucessivamente, a perturbao do valor 1 em +/- 10% resulta em
0,9 e 1,1, o que no faz sentido para o modelo).
Opes de grfico: tente vrias opes de grfico para encontrar

as opes que deve ser ativadas ou desativadas no seu modelo.
DICAS: soluo de problemas
Soluo de problemas ROVexecute esta soluo de problemas

para obter o HWID de seu computador para fins de licenciamento,
para ver as configuraes e pr-requisitos de seu computador e
para reabilitar o Risk Simulator caso ele tenha sido
acidentalmente desabilitado.
214
NDICE REMISSIVO
abordagem, 31, 73, 75, 76, 82, 90, 104, 105,
111, 112, 117, 123, 124, 126, 127, 140, 153,
157, 169
binomialnegativa, 11, 45, 46, 47, 49, 165
bola de cristal, 44, 128, 142, 143

bootstrap, 5, 17, 144, 145, 146
aleatrio, 10, 44, 52, 53, 54, 58, 77, 87, 156,
157, 168, 179, 212
Box-Jenkins, 5, 17, 75, 92, 97
alfa, 52, 53, 54, 55, 59, 65, 80, 141, 152, 177,
178, 207
causalidade, 31, 159
alocao, 110, 111, 113, 114, 116, 117, 118,

122, 123, 124
classesdeativos, 112, 113, 122, 123
centro, 38, 41, 60, 69, 131, 152, 165
coeficientedecorrelao, 31, 32, 158, 159
amostra, 35, 41, 43, 48, 49, 68, 141, 144, 146,
149, 150, 152, 155, 161, 162, 169, 209
coeficiente de determinao, 151

combinao, 24, 158, 167
anlise, 5, 9, 10, 13, 17, 18, 41, 57, 75, 76, 77,
80, 82, 83, 84, 87, 90, 92, 93, 97, 98, 99, 105,
106, 110, 111, 120, 122, 125, 128, 130, 132,
135, 136, 138, 139, 147, 149, 151, 152, 153,
154, 157, 160, 166, 167, 168, 171, 172, 181,
184, 206, 207, 209, 210, 212, 213, 214
comportamento, 52, 53, 54, 75, 90, 98, 100,

140, 156, 170
confiabilidade, 70, 71, 128, 144
contnua, 43, 54, 57, 110, 112, 113, 116, 117,

124, 165
anlise de regresso, 75, 76, 77, 82, 92, 93,

97, 98, 105, 106, 151, 152, 153
correlao, 10, 12, 13, 17, 20, 31, 32, 33, 34,
44, 92, 94, 113, 138, 139, 154, 158, 159, 168,
176, 205, 206
anualizados, 112, 113, 123
aquisio, 153, 172
correlaoderanking, 32, 139, 159
aranha, 5, 14, 18, 130, 133, 134, 135, 136,

139, 213
correlaes, 13, 17, 19, 22, 31, 32, 33, 34,

113, 136, 137, 138, 158, 159, 169, 205, 206,
210
arco seno, 10, 52

ARIMA, 5, 11, 17, 74, 75, 78, 92, 93, 94, 96,
97, 98, 100, 101, 104, 106, 108, 154, 208
cosseno, 10, 54
crescimento, 60, 76, 77, 100, 122, 156, 170,
206
ativo, 20, 38, 116, 122, 123, 124, 125, 211,

212
cruzados, 74, 89
autocorrelao, 13, 75, 83, 93, 154, 155, 156,

158
curtose, 40, 42, 45, 46, 47, 48, 49, 51, 52, 53,
54, 56, 57, 58, 59, 60, 61, 62, 63, 64, 68, 69,
70, 71, 105
barra de ferramentas, 7, 10, 21, 23, 24

beta, 10, 51, 52, 53, 55, 59, 63, 65, 66, 71, 72,
80, 138, 165, 177, 178, 207
beta multiplicativa deslocada, 53
curtose excessiva, 40, 45, 46, 47, 48, 49, 51,

52, 53, 56, 57, 58, 59, 60, 61, 62, 63, 64, 68,
69, 70, 71
binomial, 10, 45, 46, 47, 48, 49, 51, 105, 163,
164, 165, 179
dados, 11, 13, 17, 22, 25, 26, 27, 28, 31, 32,
34, 42, 43, 52, 53, 62, 70, 71, 73, 74, 75, 76,
215
77, 78, 79, 80, 82, 83, 87, 89, 90, 92, 93, 97,
98, 99, 101, 104, 105, 106, 107, 108, 140, 141,
143, 144, 146, 148, 149, 151, 152, 153, 155,
156, 157, 159, 167, 169, 170, 171, 172, 173,
176, 181, 182, 184, 206, 208, 209, 211, 212
erros, 12, 19, 25, 50, 64, 75, 76, 82, 83, 90, 92,
93, 94, 105, 151, 152, 155, 156, 158
dadosdasrietemporal, 13, 90, 93, 100, 153,

156, 170, 208
estatstica t, 158
erros de especificao, 151

esttico, 110, 156
estatsticas, 12, 13, 14, 17, 25, 27, 33, 35, 38,
39, 41, 86, 89, 93, 94, 105, 111, 126, 141, 144,
145, 146, 154, 156, 158, 159, 167, 181, 209
decisotima, 111, 125

decises, 63, 110, 111, 117, 126, 135
estatsticasdepreviso, 13, 25, 38, 111, 144,

209
defasagens, 13, 92, 94, 154
Delphi, 73, 140
estatsticasQdeLjungBox, 94, 154
desvio padro, 16, 22, 27, 33, 36, 39, 41, 44,
46, 49, 50, 51, 54, 56, 57, 58, 62, 63, 68, 69,
87, 106, 111, 126, 141, 146, 147, 155, 159,
165, 205
estimativa de ponto, 125

estimativas, 16, 44, 66, 74, 77, 80, 92, 105,
111, 140, 152, 153, 206
difusocomsalto, 6, 17, 77, 87, 156, 157, 206
estocstico, 5, 77, 86, 87, 88, 110, 111, 112,

114, 118, 120, 123, 124, 125, 127, 151, 156,
157, 162, 206, 209
discreto, 5, 43, 45, 51, 110, 112, 117, 143, 156

distribuio, 5, 11, 13, 14, 16, 17, 18, 21, 22,
23, 25, 27, 32, 33, 38, 39, 40, 42, 43, 44, 45,
46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57,
58, 59, 60, 61, 62, 63, 64, 65, 66, 67, 68, 69,
70, 71, 74, 75, 87, 105, 111, 124, 125, 138,
139, 140, 141, 142, 143, 144, 145, 146, 154,
155, 162, 163, 164, 165, 166, 169, 176, 177,
178, 179, 180, 205, 206, 207, 211
execuo, 10, 13, 18, 24, 25, 26, 75, 80, 83,
97, 98, 111, 126, 136, 138, 145, 149, 153, 155,
156, 169, 181, 206, 210, 212, 214
distribuiot, 51, 54, 66, 68, 69, 143, 155
exponencial deslocada, 56
distribuies, 5, 10, 11, 13, 14, 17, 22, 32, 38,

39, 40, 42, 43, 44, 45, 47, 54, 58, 59, 64, 65,
66, 68, 70, 71, 122, 140, 141, 143, 144, 146,
147, 148, 162, 165, 168, 169, 176, 177, 178,
179, 205, 207
extrapolao, 5, 11, 14, 90, 91, 107
Distribution, 18
flexibilidade, 126
email, 6, 7, 210
flutuaes, 64, 136, 139, 151, 156
entradas, 18, 21, 22, 23, 32, 55, 56, 61, 63,
70, 75, 97, 110, 117, 124, 126, 129, 136, 166,
169, 178, 208, 209, 214
frequncia, 5, 16, 25, 26, 42, 43, 44, 58, 172
Excel, 5, 6, 7, 8, 9, 10, 11, 13, 17, 18, 19, 20,

21, 27, 31, 32, 41, 42, 78, 79, 83, 90, 93, 97,
98, 100, 101, 104, 106, 108, 110, 124, 130,
136, 209, 211, 212, 213
faixa, 22, 38, 39, 52, 53, 58, 97, 104, 111, 113,
123, 126, 129, 145, 153, 163, 207
Fisher-Snedecor, 57
funes, 10, 11, 12, 16, 21, 22, 23, 41, 44, 90,
99, 110, 117, 124, 136, 154, 169, 177, 206,
209, 213
equao, 36, 41, 82, 86, 92, 100, 130, 153,

156, 157, 205, 206, 207
galeria, 22
Erlang, 11, 55, 58, 59
gama, 11, 53, 55, 58, 59, 65, 68, 69, 71, 80,
165
erro, 5, 6, 19, 24, 27, 35, 37, 64, 80, 82, 90,
92, 94, 105, 106, 136, 144, 152, 154, 155, 171,
208
geomtrica, 11, 45, 47, 62, 112, 123
216
mercado, 11, 32, 41, 74, 76, 77, 100, 104,

140, 153, 154, 156, 159, 168
gesto, 125
heteroscedasticidade, 11, 13, 18, 74, 76, 83,
101, 151, 152, 153, 155
mtodoDelphi, 11, 140
hipergeomtrica, 11, 48
modelo, 10, 11, 12, 13, 16, 18, 19, 20, 21, 22,
23, 24, 25, 33, 35, 43, 44, 74, 75, 76, 77, 78,
79, 80, 83, 87, 92, 93, 94, 97, 98, 99, 100, 101,
104, 105, 106, 108, 110, 111, 112, 113, 114,
117, 118, 121, 122, 123, 124, 126, 128, 129,
130, 132, 134, 135, 136, 138, 140, 148, 150,
151, 153, 154, 155, 156, 159, 166, 168, 169,
174, 175, 181, 182, 207, 208, 209, 211, 212,
213, 214
hiptese, 5, 57, 68, 84, 94, 141, 143, 144, 146,

147, 152, 154, 155
hiptesenula, 94, 141, 147, 152, 154, 155
histograma, 25, 26, 42, 43
Holt-Winter, 80, 81
cone, 7, 21, 22, 23, 24, 25, 97, 101, 108, 114,
118, 124, 208
modelos, 5, 6, 9, 10, 11, 12, 14, 17, 20, 33, 66,

75, 77, 78, 80, 92, 93, 98, 99, 101, 105, 112,
117, 153, 166, 170, 181, 182, 208, 209, 210,
211
cones, 7, 8, 10, 21, 22, 23, 97, 124, 178, 205,

212
inferior, 31, 61, 64, 93, 113, 114, 123, 154
MonteCarlo, 5, 10, 16, 17, 18, 20, 22, 25, 32,

33, 35, 42, 44, 45, 75, 77, 80, 83, 84, 87, 110,
168, 169, 210
inflao, 63, 74, 154, 156, 157, 158

instalao, 6, 7
movimentobrowniano, 87, 156, 157, 207
inteiro, 5, 20, 24, 46, 49, 50, 55, 59, 68, 69,
80, 110, 112, 212
multicolinearidade, 13, 18, 83, 151, 158
intervalo de confiana, 28, 29, 35, 68, 144,

146, 165
multinomial SLS, 6
mltiplasvariveis, 13, 17, 83, 93, 97, 99, 136,
140, 143, 159, 171, 176, 206
investimento, 117, 122, 130, 131, 138

juros, 74, 77, 107, 154, 156
multivariada, 76, 78, 82, 83, 84, 86, 89, 92,

93, 105
linear, 11, 12, 32, 77, 82, 105, 112, 129, 152,
153, 155, 157, 158
M
Muunn, 0, 5, 75, 80, 83, 84, 87, 93, 101
no linear, 5, 11, 12, 13, 14, 17, 74, 75, 77,
78, 83, 84, 89, 90, 91, 92, 107, 110, 112, 129,
134, 135, 138, 139, 151, 152, 153, 155, 158,
159, 173, 213
logartmica dupla, 11, 60

logstica, 11, 54, 60, 61, 105
lognormal, 11, 40, 58, 61, 62, 66
normal, 10, 11, 12, 16, 22, 25, 32, 36, 40, 44,
46, 54, 59, 61, 62, 63, 66, 68, 69, 75, 87, 98,
106, 141, 144, 152, 165, 166, 169, 207, 208,
213
lognormal deslocada, 62
matriz, 13, 31, 32, 33, 158, 176, 205, 206
mdia, 11, 12, 16, 17, 22, 27, 34, 35, 38, 39,
41, 44, 46, 49, 51, 54, 56, 57, 58, 59, 61, 62,
63, 68, 69, 74, 77, 78, 87, 92, 94, 106, 111,
112, 123, 126, 141, 146, 152, 154, 155, 157,
165, 170, 173, 205, 207, 209
nmero aleatrio, 16, 20, 44, 168, 212

objetivo, 17, 110, 111, 112, 114, 118, 121,
122, 124
mdiageomtrica, 62, 112, 123
obliquidade, 38, 39, 40, 41, 42, 45, 46, 47, 48,
49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60,
61, 62, 63, 64, 68, 70, 71, 145
melhor ajuste, 11, 12, 14, 75, 77, 80, 82, 97,
140, 154, 155, 167, 170, 173, 176, 207
217
observaes discrepantes, 13, 151, 152, 153,

155
90, 92, 93, 94, 96, 97, 98, 100, 101, 105, 106,
107, 108, 109, 111, 120, 125, 128, 138, 144,
145, 146, 147, 148, 151, 152, 153, 156, 170,
173, 206, 207, 208, 209, 212
opo, 5, 23, 27, 40, 80, 134, 135, 136, 141,

149, 153, 179, 206
previses, 10, 11, 13, 16, 17, 18, 20, 21, 23,
31, 36, 44, 73, 74, 75, 77, 78, 80, 89, 92, 97,
101, 105, 111, 125, 138, 146, 147, 148, 149,
150, 154, 174, 177, 206, 207, 211, 212
otimizao, 5, 12, 14, 17, 75, 76, 101, 105,

110, 111, 112, 113, 114, 116, 117, 118, 119,
120, 121, 122, 123, 124, 125, 126, 127, 143,
210
primeiro momento, 38, 39, 41
otimizaoestocstica, 12, 17, 110, 111, 112,

120, 122, 123, 124, 125, 126, 127
probabilidade, 5, 10, 13, 14, 16, 22, 25, 28,

29, 30, 40, 42, 43, 44, 45, 46, 47, 48, 49, 51,
52, 54, 57, 59, 60, 63, 66, 67, 68, 69, 70, 76,
104, 105, 152, 156, 162, 163, 164, 165, 176,
177, 178, 179, 180, 207
timo, 110, 125, 135, 153, 213
parablico, 63
parmetro, 22, 45, 48, 51, 52, 53, 54, 55, 56,
57, 59, 61, 62, 64, 67, 68, 69, 71, 80, 105, 106,
124, 157, 162, 181, 206, 209
pvalor, 94, 141, 147, 154, 158
Pareto, 11, 64
quarto momento, 38, 40, 41
Pascal, 11, 49, 50, 58
qui-quadrada, 10, 57, 58, 68
pausar, 24
regresso, 5, 11, 12, 75, 76, 82, 83, 84, 86, 89,
92, 93, 98, 99, 105, 106, 151, 152, 153, 154,
155, 156, 157
quadradosmnimos, 105, 106, 152
Pearson, 11, 32, 65, 158, 159
Pearson V, 11, 65
regressodequadradosmnimos, 106, 152
Pearson VI, 11, 65
regressomltipla, 5, 158
perfil, 18, 19, 20, 21, 22, 25, 32, 80, 114, 118,
124, 141, 181, 182, 211
Poisson, 11, 50, 55, 56, 58
relatrio, 13, 20, 80, 81, 84, 87, 90, 93, 98, 99,
100, 101, 104, 106, 107, 108, 121, 125, 130,
135, 138, 141, 147, 149, 150, 154, 156, 171,
172, 173, 181, 209, 213
populao, 35, 41, 48, 49, 60, 64, 68, 141,

146, 147, 148, 152, 155, 172
restries, 17, 110, 111, 112, 113, 114, 116,

117, 118, 121, 123, 124, 207, 210, 211
portflio, 110, 111, 112, 113, 114, 116, 117,

118, 122, 123, 125
retorno, 38, 40, 112, 113, 114, 116, 117, 118,

120, 122, 123, 153
potencial, 38, 67, 158
retornos, 40, 41, 76, 87, 101, 111, 112, 113,

114, 116, 117, 122, 123, 124, 153
PERT, 11, 66
potencial multiplicativa deslocada, 67
retornosrelativos, 76, 101, 112, 123
preciso, 5, 11, 12, 13, 19, 24, 27, 31, 35, 36,
90, 105, 144, 145, 146, 169, 208
reversomdia, 6, 76, 77, 87, 101, 156, 157,

206, 209
preo, 33, 38, 39, 61, 62, 63, 64, 86, 130, 131,
133, 156, 157, 166
preodeaes, 64, 156
risco, 9, 12, 16, 17, 34, 38, 39, 40, 41, 44, 77,
112, 113, 114, 116, 117, 118, 120, 122, 123,
124, 126, 128, 132
previso, 5, 9, 11, 12, 13, 14, 16, 17, 18, 19,

21, 23, 24, 25, 26, 27, 28, 29, 30, 31, 33, 35,
36, 38, 44, 73, 74, 75, 77, 78, 80, 81, 87, 89,
RiskSimulator, 5, 6, 7, 8, 9, 10, 13, 17, 18, 19,

20, 21, 22, 23, 24, 25, 31, 32, 33, 35, 36, 38,
218
40, 44, 74, 75, 76, 77, 78, 79, 80, 83, 86, 87,
90, 93, 97, 98, 99, 100, 101, 104, 106, 108,
110, 111, 112, 114, 116, 117, 118, 119, 121,
124, 128, 130, 135, 138, 140, 143, 144, 146,
148, 149, 150, 151, 154, 159, 162, 163, 165,
166, 167, 168, 170, 171, 172, 173, 174, 176,
177, 178, 181, 205, 206, 207, 209, 210, 211,
212, 213, 214
136, 138, 139, 140, 141, 148, 149, 150, 152,

155, 205, 206, 211, 212
taxa, 11, 38, 51, 55, 56, 60, 63, 74, 77, 87, 92,
105, 107, 113, 114, 116, 117, 118, 122, 123,
138, 140, 154, 156, 157, 206, 209
taxadecrescimento, 60, 74, 92, 140, 156
taxadejuros, 77, 107, 138, 154, 156
salvar, 7, 19, 20, 148, 149, 181, 211, 212
tendncias, 12, 13, 39, 77, 89, 156, 173
sazonalidade, 13, 17, 77, 78, 80, 154, 170,

171
tentativas, 11, 16, 19, 20, 24, 25, 27, 35, 44,
45, 46, 47, 48, 49, 56, 111, 124, 126, 144, 146,
163, 164, 165, 179, 210
segundo momento, 38, 40, 41, 176

sensibilidade, 5, 13, 17, 18, 128, 130, 132,
133, 134, 136, 137, 138, 139
terceiro momento, 38, 39, 41
srie temporal, 5, 12, 14, 74, 76, 77, 78, 79,

80, 86, 89, 90, 92, 93, 97, 101, 107, 151, 153,
156, 170, 172, 173, 207, 208
teste de Kolmogorov-Smirnov, 143
significncia, 13, 68, 94, 105, 145, 147, 152,

154, 155, 158
testes de melhor ajuste, 154
teste de Anderson-Darling, 143

teste qui-quadrado, 143
sim/no, 45, 104, 117
tipos, 13, 32, 45, 73, 110, 112, 122, 143, 156,
174, 176, 179, 211
simtrico, 29, 152
ttulo, 19
simulao, 5, 10, 11, 12, 13, 16, 17, 18, 19,

20, 21, 22, 23, 24, 25, 26, 31, 32, 33, 34, 35,
42, 44, 45, 46, 47, 48, 74, 77, 80, 86, 87, 110,
111, 112, 113, 114, 118, 120, 122, 123, 124,
125, 126, 128, 132, 136, 138, 139, 140, 141,
144, 145, 146, 148, 149, 150, 151, 159, 162,
166, 167, 168, 169, 174, 205, 209, 210, 211,
212, 213
tornado, 5, 14, 17, 18, 128, 130, 131, 132,

134, 135, 136, 137, 138, 139, 213, 214
triangular, 11, 16, 44, 66, 69
nico, 10, 19, 45, 48, 51, 56, 67, 68, 69, 73,
74, 80, 100, 111, 125, 153, 159, 181, 211
uniforme, 11, 16, 40, 44, 51, 70, 113, 123,
140, 169, 210
Simulao, 168, 186, 189, 190
validade, 90, 154
Single Asset SLS, 6
valor, 12, 20, 21, 28, 30, 31, 34, 35, 38, 40, 41,
44, 45, 51, 52, 53, 54, 56, 57, 59, 60, 61, 62,
63, 64, 66, 67, 69, 70, 71, 72, 75, 77, 80, 90,
92, 100, 101, 105, 113, 114, 117, 121, 122,
123, 126, 128, 130, 131, 135, 136, 138, 141,
145, 146, 152, 154, 155, 156, 158, 159, 163,
164, 165, 166, 170, 205, 206, 209, 210, 213,
214
SLS, 5, 6, 10
Spearman, 32, 159
spread, 33, 38
superior, 92, 113, 114, 123, 158
suposio, 16, 20, 21, 22, 23, 24, 44, 80, 92,
111, 124, 126, 136, 138, 141, 152, 155, 176,
205, 206
valores, 9, 16, 18, 19, 20, 21, 22, 23, 24, 25,
27, 28, 29, 31, 32, 34, 40, 43, 44, 52, 53, 54,
57, 60, 61, 62, 63, 66, 69, 70, 74, 75, 76, 77,
78, 80, 87, 90, 92, 93, 94, 97, 100, 104, 105,
106, 107, 108, 110, 111, 112, 113, 114, 117,
120, 122, 123, 124, 128, 129, 130, 135, 136,
suposies, 10, 11, 13, 16, 18, 19, 20, 21, 22,
24, 31, 32, 34, 44, 74, 76, 79, 80, 87, 100, 101,
104, 111, 113, 114, 118, 120, 122, 124, 126,
219
varivel dependente, 75, 76, 82, 84, 92, 93,

97, 99, 104, 106, 151, 152, 153, 154
140, 147, 149, 152, 153, 154, 155, 158, 163,

164, 166, 169, 176, 177, 178, 179, 205, 206,
207, 208, 209, 210, 214
varivelindependente, 82, 105, 152, 153, 154,

157, 158
varincia, 39, 54, 57, 61, 69, 84, 126, 139,

148, 151, 152, 158
vendas, 46, 49, 69, 74, 77, 82, 100, 154
vrias, 6, 10, 13, 16, 18, 22, 24, 31, 36, 39, 44,
70, 71, 75, 78, 86, 97, 111, 112, 117, 122, 123,
125, 126, 135, 136, 140, 143, 154, 158, 159,
181, 206, 208, 211, 213, 214
volatilidade, 11, 17, 76, 87, 101, 102, 112,

156, 206
variveisdedeciso, 9, 10, 12, 110, 111, 112,

113, 114, 117, 118, 121, 122, 123, 125, 126,
206, 211
Weibull e Rayleigh multiplicativa deslocada,

71
Weibull, 11, 70, 71, 138, 177, 205, 207
varivel de deciso, 110, 111, 112, 113, 114,

117, 118, 122, 123, 124, 125, 206
220

Manual RISK Simulator

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Manual RISK Simulator

Cargado por

Copyright:

Formatos disponibles

RISK SIMULATOR

Real Options Valuation, Inc.

Copyright 2005-2012 Dr. Johnathan Mun. All rights reserved.

2. SIMULAO MONTE CARLO ...........................................................................................16

Manual do Usurio (Risk Simulator)

2005-2012 Real Options Valuation, Inc.

5. FERRAMENTAS ANALTICAS DE SIMULAO DE RISCO ....................................128

2005-2012 Real Options Valuation, Inc.

5.11 Ferramenta Anlise de cenrio .................................................................................................. 166

6. Dicas e tcnicas teis ..............................................................................................................205

Manual do Usurio (Risk Simulator)

2005-2012 Real Options Valuation, Inc.

Risk Simulator um software de previso, otimizao e simulao

O software Risk Simulator contm os seguintes mdulos:

Manual do Usurio (Risk Simulator)

2005-2012 Real Options Valuation, Inc.

Single Asset SLS (para resolver opes de abandono, escolha, contrao,

1.2 Requisitos e procedimentos de instalao

Processador Pentium IV ou mais recente (recomenda-se dual core).

A maioria dos novos computadores vm com o Microsoft .NET Framework

Manual do Usurio (Risk Simulator)

2005-2012 Real Options Valuation, Inc.

Manual do Usurio (Risk Simulator)

2005-2012 Real Options Valuation, Inc.

Figura 1.1 Menu do Risk Simulator e barra de cones do Excel 2007/2010

Figura 1.2 Tela inicial do Risk Simulator

Figura 1.3 Barras de ferramentas de cones do Risk Simulator no Excel 2007/2010

2005-2012 Real Options Valuation, Inc.

1.4 NOVIDADES DA VERSO 2011/2012

1.4.2 Recursos gerais

Manual do Usurio (Risk Simulator)

2005-2012 Real Options Valuation, Inc.

9. Cores e grficos completamente personalizveis: inclinao, 3D, cor, tipo

1.4.3 Mdulo de Simulao

2005-2012 Real Options Valuation, Inc.

personalizada, uniforme discreta, logartmica dupla, Erlang, exponencial,

1.4.4 Mdulo de Previso

Manual do Usurio (Risk Simulator)

2005-2012 Real Options Valuation, Inc.

40. Regresso mltipla: regresso normal linear e no linear, com

1.4.5 Modelo de Otimizao

1.4.6 Mdulo de Ferramentas analticas

2005-2012 Real Options Valuation, Inc.

59. Editor de correlao: permite que grandes matrizes de correlao sejam

2005-2012 Real Options Valuation, Inc.

79. Anlise tornado: perturbao esttica de sensibilidades, anlises aranha e

1.4.7 Mdulo de Estatsticas e Estatsticas de negcios

2005-2012 Real Options Valuation, Inc.

Stochastic Processes (Exponential Brownian Motion), Stochastic Processes

Manual do Usurio (Risk Simulator)

2005-2012 Real Options Valuation, Inc.

simulao Monte Carlo, assim chamada devido ao famoso cassino no

2.1 O que a simulao Monte Carlo?

2005-2012 Real Options Valuation, Inc.

2.2 Introduo ao Risk Simulator

O mdulo Simulao permite executar simulaes em modelos existentes

O mdulo Previso pode ser usado para gerar previses de sries

O mdulo Otimizao usado para otimizar mltiplas variveis de

O mdulo Ferramentas analticas permite executar agrupamento por

Manual do Usurio (Risk Simulator)

2005-2012 Real Options Valuation, Inc.

diagnstico de dados de suposies de previses tcnicas (por exemplo,

O Real Options Super Lattice Solver um software autnomo que

As prximas sees apresentam informaes bsicas sobre o uso do mdulo