Traduzido do Inglês para o Português - [Link].

com

INTRODUÇÃO ÀS ESTATÍSTICAS

Instituto de Negociação e Gestão de Portfólio

 1

Conteúdo
O que é estatística?.................................................. .................................................. ...........................................2

Dados quantitativos versus qualitativos.................................................. .................................................. ...........2

Dados de série temporal versus dados transversais.................................................. .................................................. ......2

Análise Univariada vs Multivariada.................................................. .................................................. .......2

A distribuição.................................................. .................................................. ...........................................3

Exemplo – Altura masculina adulta nos EUA.................................................. .................................................. ...........3

Distribuições normais (gaussianas).................................................. .................................................. ...........5

A Tendência Central.................................................. .................................................. ................................5

Significar.................................................. .................................................. .................................................. .....5

Mediana.................................................. .................................................. .................................................. ..6

Modo.................................................. .................................................. .................................................. .....6

Tendência central nos dados de altura de homens adultos nos EUA.................................................. ....................................6

A Dispersão.................................................. .................................................. ...................................................7

Faixa.................................................. .................................................. .................................................. ....7

Intervalos interquartis.................................................. .................................................. ..............................7

Desvio Médio.................................................. .................................................. ....................................7

Variância.................................................. .................................................. .................................................. 8

Desvio padrão.................................................. .................................................. ................................8

Os momentos centrais.................................................. .................................................. ................................9

Distorção.................................................. .................................................. ................................................9

Curtose.................................................. .................................................. ....................................................10

Correlação e Covariância.................................................. .................................................. .........................10

Covariância.................................................. .................................................. ...........................................10

Correlação.................................................. .................................................. ...................................................11

INTRODUÇÃO ÀS ESTATÍSTICAS| Instituto de Negociação e Gestão de Portfólio

 2

O que é estatística?
Estatística é uma ciência matemática preocupada com a coleta, análise, interpretação ou explicação e apresentação de dados. É
frequentemente descrita como a ciência da tomada de decisões em condições de incerteza e, como tal, um conhecimento
básico de estatísticas pode contribuir significativamente para os conjuntos de ferramentas dos traders e gestores de carteiras.

As estatísticas podem ser divididas em duas grandes categorias:

- Estatísticas descritivassão usados para organizar, apresentar e resumir dados.

- Métodos Inferenciaissão frequentemente a próxima fase da análise, onde são tiradas conclusões sobre uma
população com base em dados observados numa amostra.

Populaçõesconsulte todo o grupo de dados sobre os quais você deseja tirar conclusões. MenorAmostras são usados
para inferir conclusões sobre a população maior. Na maioria das vezes, os métodos estatísticos são conduzidos em
amostras de dados, não em populações.

Dados quantitativos versus qualitativos

Ao mais alto nível, existem dois tipos de dados – quantitativos e qualitativos. Os dados quantitativos estão em
formato numérico e são o resultado da contagem ou medição de atributos de uma observação ou conjunto de
dados. Os dados qualitativos geralmente categorizam ou descrevem atributos de observações ou conjuntos de
dados. Os métodos estatísticos utilizados nesta série de vídeos utilizarão apenas dados quantitativos.

Dados de série temporal versus dados transversais

Os dados de séries temporais referem-se a um conjunto de observações realizadas ao longo do tempo em intervalos

específicos e iguais. Por exemplo, a relação Preço/Lucro da Microsoft numa base semanal de 1stJaneiro de 2000 até a data

atual.

Os dados transversais referem-se a um conjunto de observações realizadas num momento específico, mas através
de uma série de unidades observacionais. Por exemplo, a relação Preço/Lucro de todas as empresas do índice
S&P500 no dia 27ºOutubro de 2011.

Análise Univariada vs Multivariada

A análise univariada é a forma mais básica de análise de dados. “Uni” significa um e portanto se refere à
análise de dados com apenas uma variável.

- Exemplo: analisando os retornos diários das ações da Apple ao longo do tempo

A análise multivariada examina duas ou mais variáveis. Muitas vezes, envolve testar a relação entre
uma variável dependente e uma série de outras variáveis independentes.

- Exemplo: análise e teste das relações entre os retornos das ações da Apple e da
Amazon ao longo do tempo.

A grande maioria das análises estatísticas nos cursos educacionais de ITPM ocorre na forma de análise
univariada. As três principais características normalmente analisadas em uma única variável são:

- A distribuição
- A tendência central
- A dispersão
As páginas seguintes discutem esses atributos com mais detalhes.

INTRODUÇÃO ÀS ESTATÍSTICAS| Instituto de Negociação e Gestão de Portfólio

 3

A distribuição
A distribuição (empírica) de um conjunto de dados é um resumo da frequência de pontos de dados individuais que estão
dentro de certos intervalos de valores para uma determinada variável. Normalmente, a distribuição abrange todos os dados de
uma amostra e os intervalos de valores são ordenados do menor para o maior. Os gráficos podem ser usados para permitir
uma fácil visualização dos valores/observações e da frequência com que aparecem.

Exemplo – Altura masculina adulta nos EUA

Conjunto de dados: Alturas de 1.000 homens adultos selecionados aleatoriamente nos Estados Unidos

Observe que este é umamostraconjunto de dados, que podemos analisar para tirar conclusões sobre o população

conjunto de dados (todos os homens adultos dos EUA)

A seguinte tabela de frequência foi gerada a partir dos dados da amostra:

Tabela de frequência

Polegadas de altura) Frequência Probabilidade Probabilidade cumulativa

Menos de 60 1 0,10% 0,10%

60-62 2 0,20% 0,30%
62-64 16 1,60% 1,90%
64-66 61 6,10% 8,00%
66-68 154 15,40% 23,40%
68-70 249 24,90% 48,30%
70-72 232 23,20% 71,50%
72-74 181 18,10% 89,60%
74-76 76 7,60% 97,20%
76-78 25 2,50% 99,70%
78-80 3 0,30% 100,00%
Acima de 80 0 0,00% 100,00%

A tabela de frequência conta o número de observações (medidas de altura de homens adultos dos EUA) que estão
dentro de determinados intervalos. Os dados dizem-nos que, das 1000 observações, 232 homens adultos norte-
americanos têm entre 177,8 e 182,9 centímetros (70-72 polegadas) de altura. 232 observações equivalem a 23,2% de
toda a amostra (de 1000 observações) e, portanto, podemos inferir que 23,2% de todos os homens adultos dos EUA
estão dentro dessa faixa de altura. Também podemos inferir que, para qualquer homem adulto selecionado
aleatoriamente nos Estados Unidos, há uma probabilidade de 23,2% de que sua altura esteja na faixa de 70-72
polegadas. Em uma análise robusta, testaríamos então essas hipóteses quanto à significância estatística, mas isso
está além do escopo deste PDF de Introdução à Estatística.

A coluna final da Tabela de Frequência acima mostra a percentagem cumulativa de observações que se
encontram dentro de todas as faixas de altura até e incluindo a atual. Por exemplo, podemos dizer que
89,60% das observações têm um valor de 74 polegadas ou menos, e a partir desses dados podemos inferir
conclusões sobre a população de forma semelhante à que fizemos anteriormente.

Para tornar todos esses dados mais acessíveis visualmente, podemos visualizá-los como um gráfico de colunas
ou histograma, contando o número de observações ou o número percentual de observações para cada faixa de
alturas:

INTRODUÇÃO ÀS ESTATÍSTICAS| Instituto de Negociação e Gestão de Portfólio

 4

Masculino adulto nos EUA (dados de altura)

300

250

Não. Observações
200

150

100

50

Polegadas de altura)

Masculino adulto nos EUA (dados de altura)

30,00%
Frequência de Observações

25,00%

20,00%

15,00%

10,00%

5,00%

0,00%

Polegadas de altura)

Também podemos visualizar a distribuição de probabilidade cumulativa como um gráfico de linhas:

Masculino adulto nos EUA (dados de altura)

100,00%
90,00%
Frequência acumulativa

80,00%
de Observações

70,00%
60,00%
50,00%
40,00%
30,00%
20,00%
10,00%
0,00%

Polegadas de altura)

INTRODUÇÃO ÀS ESTATÍSTICAS| Instituto de Negociação e Gestão de Portfólio

 5

Distribuições normais (gaussianas)

Distribuições normais ou “gaussianas” são mais comumente encontradas na natureza e no comportamento

humano. Para dar alguns exemplos práticos, uma Distribuição Normal pode explicar a probabilidade de ter
uma determinada altura, peso ou nível de QI. Apresentam uma curva em forma de sino, simétrica em torno
da média (média aritmética) da amostra analisada. Conjuntos de dados maiores resultarão em distribuições
de probabilidade mais precisas e, portanto, nos casos em que se aplica uma distribuição normal, mais dados
mostrarão análises empíricas tendendo à normalidade. Daremos uma olhada na “normalidade” de nossa
distribuição de altura masculina adulta nos EUA à medida que avançamos nas próximas seções do PDF.

É importante notar que a Distribuição Normal é a distribuição de probabilidade mais utilizada na

indústria financeira quando se trata de criar modelos quantitativos, em grande parte devido à
simplicidade no seu cálculo. Por exemplo, não é incomum que o risco de um ativo ou carteira seja
calculado sob a suposição de “normalidade” ao considerar suas distribuições de retorno, e o Modelo de
Precificação de Opções Black-Scholes também tem essa suposição incorporada. No entanto, como
veremos mais adiante neste documento, e nos vídeos 3 e 4, os traders/investidores devem estar cientes
de que muitas vezes não é uma representação perfeita dos retornos dos ativos.

A Tendência Central
Ao analisar um conjunto de dados, um dos primeiros cálculos normalmente feitos é encontrar o “meio” dos
dados. No entanto, definir o meio (ou média) não é tão óbvio quanto você imagina. Há várias coisas em que você
precisará pensar ao decidir qual medida usar para o “meio”, mas primeiro deixe-me listar as diversas medidas
que você pode usar:

Significar

A média aritmética é a medida em que a maioria das pessoas pensa ao tentar encontrar o meio ou a média
de um conjunto de dados. A média aritmética é simples, a soma dos valores observacionais dividida pelo
número de observações. Considere o seguinte conjunto de dados de 10 observações:

1, 2, 3, 4, 4, 4, 5, 7, 9, 10

1 + 2 + 3 + 4 + 4 + 4 + 5 + 7 + 9 + 10
ℎ = = 4,9
10

Existem muitos outros tipos diferentes de meios, e cada um deles tem seus próprios casos de uso e
características especiais. Por exemplo, existe omédia geométrica(frequentemente usado para calcular taxas
de crescimento anuais compostas), omédia ponderada(que poderia ser usado para encontrar os retornos do
portfólio, desde que você conheça as ponderações dos ativos dentro do portfólio e seus retornos individuais)
e omédia harmônica(que pode ser usado para calcular uma relação P/L média, por exemplo). Entender
quando usar cada tipo de média é desnecessário para a análise que faremos ao longo deste PDF e na maior
parte da série de vídeos do ITPM e, portanto, não há necessidade de entrar em mais detalhes sobre isso.

INTRODUÇÃO ÀS ESTATÍSTICAS| Instituto de Negociação e Gestão de Portfólio

 6

Mediana

A mediana é a observação intermediária em um conjunto de dados, da observação que divide as metades inferior e
superior dos dados em um conjunto de dados. Por exemplo, num conjunto de dados de 9 observações organizadas
em ordem crescente de valores, a mediana seria 5ºnúmero. Em um conjunto de dados com um número par de
observações, a média aritmética das duas observações intermediárias é considerada a mediana. Considere o
conjunto de dados anterior de 10 observações, os dois números do meio são as observações 5 e 6 (com valores de 4
e 4 respectivamente) quando organizados em ordem crescente. Observe que tomamos os valores de ambas as
observações 5 e 6 porque isso divide os dados pela metade (há 4 observações abaixo desses valores e 4 acima).
Então, neste caso:

4+4
= =8
2
Por que a mediana pode ser preferível à média? Embora a mediana possa ser usada para mais tipos de dados do que
a média, provavelmente a razão mais importante para usar a mediana em vez da média é numa circunstância em
que a média pode ser significativamente afetada por valores discrepantes nos dados. Por exemplo, imagine se o
conjunto de dados para Altura de homens adultos nos EUA incluísse uma observação com um valor de 1 bilhão.
Claramente, este é um valor atípico (e, neste caso, um erro nos dados). Isso distorceria o nosso cálculo para a média
aritmética muito mais alto do que provavelmente deveria ser, e assim a mediana se tornaria uma medida mais
confiável de centralidade dentro do conjunto de dados.

Modo
A moda é o valor que aparece com mais frequência no conjunto de dados ou, em outras palavras, o valor que tem maior

probabilidade de ocorrer durante a amostragem do conjunto de dados. Na maioria das vezes, a moda não é tão útil na

análise financeira, uma vez que pode facilmente assumir vários valores ou, como em muitos conjuntos de dados contínuos,

a probabilidade das observações do mesmo valor ocorrer mais de uma vez é muito pequena.

Tendência central nos dados de altura de homens adultos nos EUA

Abaixo está uma tabela de estatísticas descritivas para o conjunto de dados de altura masculina adulta dos EUA:

Estatísticas descritivas
Significar 70,19
Mediana 70,10
Modo 68h30
Variância 9.12
Desenvolvimento padrão 3.02
Mínimo 58,80
Máximo 79,60
Faixa 20h80
25º percentil 68,20
50º percentil 70,10
75º percentil 72h30
Distorção - 0,05
Curtose - 0,11
Contar 1000

INTRODUÇÃO ÀS ESTATÍSTICAS| Instituto de Negociação e Gestão de Portfólio

 7

As três principais estatísticas são as medidas de tendência central que discutimos. Em uma
distribuição normal gaussiana, a média, a mediana e a moda são todas iguais entre si. Neste caso, o
os dados amostrais mostram que a média e a mediana são muito semelhantes, mas a moda é ligeiramente
diferente com um valor de 68,30. Quando o conjunto de dados é analisado mais de perto, fica claro que este é
apenas um dos muitos valores da moda. O valor de 68,30 ocorre 17 vezes no conjunto de dados, mas o mesmo
acontece com os valores de 68,9, 69,5, 69,6, 71,8 e assim por diante. Portanto, neste caso, provavelmente é melhor
avaliar o “Intervalo Modal” em vez do modo em si e podemos ver a partir dos dados do nosso histograma que o
intervalo que ocorre com mais frequência é 68-70, seguido de perto por 70-72, o que nos leva ao conclusão de que
a verdadeira moda provavelmente estará muito próxima de nossos valores médios e medianos. Sabemos que numa
distribuição normal a média = mediana = moda e, portanto, nesta fase já podemos ter quase certeza de que a
distribuição amostral das alturas dos homens adultos nos EUA está próxima da distribuição normal.

A Dispersão
Até agora, analisamos tanto a distribuição empírica como a tendência central dos nossos dados. Agora
passamos a avaliar a variabilidade dos valores em torno da média, e há várias maneiras de fazer isso:

Faixa
O intervalo do conjunto de dados é uma medida muito simples que calcula a diferença entre os valores
máximo e mínimo observados. Por exemplo, no conjunto de dados de altura masculina dos EUA, o
valor mínimo é 58,80 polegadas e o máximo é 79,60. Portanto:

= 79,60 ℎ − 58,80 ℎ = 20,80 ℎ

Intervalos interquartis

Podemos levar nossa análise do intervalo um passo adiante, organizando os valores dos conjuntos de dados
de baixo para alto e dividindo o conjunto de dados em 4 grupos de tamanhos iguais, o que significa que o
mesmo número de observações cai em cada grupo. Assim, os 25% inferiores dos valores cairiam no primeiro
quartil, e os próximos 25% no segundo quartil, e assim por diante. Este tipo de análise é como uma versão
simplificada da nossa tabela de frequência, e podemos calcular os intervalos desses quartis encontrando os
valores de observação nos 25º, 50ºe 75ºpercentis da distribuição e, em seguida, calculando a diferença entre
esses valores:

1 = 25 ℎ - = 68,20 - 58,80 = 9,4 ℎ

2 = 50 ℎ ( ) - 25 ℎ = 1,9 ℎ
3 = 75 ℎ - 50 ℎ ( ) = 2,2 ℎ

4 ℎ = −75 ℎ = 79,60 − 72,30 = 7,3 ℎ

Desvio Médio
O desvio médio calcula a que distância, em média, todas as observações individuais estão da média
aritmética do conjunto de dados. Para fazer isso, a diferença absoluta de cada observação em relação à
média é somada e depois dividida pelo número total de observações. Matematicamente:

∑| − |
=

INTRODUÇÃO ÀS ESTATÍSTICAS| Instituto de Negociação e Gestão de Portfólio

 8

Onde: X = valor de observação

μx= média aritmética do conjunto de dados

N = número de observações no conjunto de dados

∑ é uma abreviação de “soma de”

Observe que tomamos a diferença absoluta (denotada pelos símbolos de módulo ||) porque não nos
importamos se os valores estão acima ou abaixo da média, mas apenas a sua diferença em relação à média
em termos absolutos (termos absolutos significa tomar qualquer valor e fazer é positivo).

Variância

A variância e o desvio padrão (a seguir) são medidas normalmente preferidas de dispersão média da
média para o desvio médio. A variância é calculada tomando a soma dos quadrados das diferenças da
média de cada observação e dividindo-a pelo número total de observações. A razão pela qual elevamos
estes números ao quadrado é porque ainda nos preocupamos apenas com as diferenças de cada
observação em relação à média e não se são positivas ou negativas. Quadrar essas diferenças é um
método algebricamente mais correto de fazer isso do que tomar o módulo como na equação do desvio
médio.

∑( − )2
=

Onde: X = valor de observação

μx= média aritmética do conjunto de dados

N = número de observações no conjunto de dados

∑ é uma abreviação de “soma de”

Há uma pequena diferença entre as equações para calcular a variância para uma população e a
variância para uma amostra, mas isso não é algo que precisamos abordar. Ao usar cálculos de
variância e desvios padrão no Excel, normalmente mostraremos as funções de amostra para esses
cálculos, pois na maioria das vezes estaremos coletando uma amostra de dados para tirar conclusões
sobre a população.

A variação de nosso conjunto de dados de altura de homens adultos nos EUA é igual a 9,12. Infelizmente, este
número não é facilmente compreensível porque suas unidades são polegadas quadradas, e não polegadas, o que
nos leva ao Desvio Padrão.

Desvio padrão
O desvio padrão é o valor mais comumente usado para volatilidade no setor financeiro e uma das
estatísticas que mais usaremos neste curso. É calculado simplesmente tirando a raiz quadrada da
variância e, ao fazer isso, altera as unidades da saída de volta para as mesmas do conjunto de
dados.

=√
Dentro das distribuições de probabilidade normais:

1 O desvio padrão de cada lado da média representa 68,27% dos dados

2 Desvios padrão de cada lado da média representam 95,45% dos dados

INTRODUÇÃO ÀS ESTATÍSTICAS| Instituto de Negociação e Gestão de Portfólio

 9

3 Desvios padrão de cada lado da média representam 99,73% dos dados

Uma distribuição empírica pode ser analisada para avaliar a percentagem de dados que se encontra dentro de 1,
2 e 3 desvios padrão da média, a fim de comparar os resultados com o que esperamos numa distribuição Normal.
Por exemplo, para nosso conjunto de dados de altura masculina adulta nos EUA:

Padrão Mais baixo Superior Não. Frequência normal

Desvios Vinculado Vinculado Observações Frequência % %

1 67,17 73,21 682 68,20% 68,27%
2 64,14 76,23 957 95,70% 95,45%
3 61.12 79,25 998 99,80% 99,73%

Podemos ver que 682 observações estão dentro de 1 desvio padrão da média (67,16 polegadas a 73,21
polegadas), o que em porcentagem equivale a 68,20% dos dados. Quando a mesma análise é feita para 1, 2 e
3 desvios padrão da média, podemos ver que a frequência percentual de observações que vemos nos dados
empíricos é notavelmente próxima do que vemos em uma distribuição Normal. Esta é outra maneira de
realizar um teste rápido de normalidade no conjunto de dados. Você poderia então dar um passo adiante e
conduzir formalmente um teste de hipótese para ver se a diferença entre os valores de% de frequência e% de
frequência normal é estatisticamente significativa. No entanto, conforme descrito anteriormente, isto está
além do escopo deste documento.

Os momentos centrais
Por fim, consideraremos momentos centrais. Nas estatísticas, os momentos centrais descrevem a forma de uma
distribuição de probabilidade em torno da sua média - essencialmente fornecendo-nos valores que nos ajudam a
caracterizar e compreender os dados de forma útil. Sem entrar em muitos detalhes, existem três valores sobre os
quais você precisa saber algo, e eles são os 2e, 3terceiroe 4ºmomentos centrais. Já cobrimos a variação, que é o 2e
momento central e descreve a dispersão de um conjunto de dados em torno de sua média. Então isso nos deixa com
os 3terceiroe 4ºmomentos centrais - Skewness e Kurtosis respectivamente.

Distorção

A assimetria é o terceiro momento central e mede a tendência de os dados se distribuirem acima ou abaixo da
média. Os dados normalmente distribuídos têm uma distorção de 0, enquanto os dados negativos ou distorcidos à
esquerda têm um valor abaixo de 0 e os dados positivos da inclinação à direita têm um valor acima de 0.

É mais fácil entender visualmente a assimetria por meio de gráficos. Como você pode ver abaixo, os dados distorcidos negativamente têm uma

cauda longa para a esquerda, enquanto os dados distorcidos positivamente têm uma cauda longa para a direita.

INTRODUÇÃO ÀS ESTATÍSTICAS| Instituto de Negociação e Gestão de Portfólio

 10

Se imaginarmos isto em termos de retornos de ativos, uma inclinação negativa significaria que os valores extremos têm

mais probabilidade de serem negativos do que positivos, o que muitas vezes é o caso na realidade.

(embora em menor grau do que os gráficos acima mostram).

Olhando novamente para nosso conjunto de dados de Altura, podemos ver que ele tem um valor de assimetria de

-0,05, que é muito próximo de 0 e, portanto, indica ainda um perfil normalmente distribuído.

Curtose

O quarto momento central, a curtose, é uma medida do “pico” ou “cauda” de uma distribuição. As
distribuições normais têm um valor de curtose de 3 e um valor de curtose em excesso de 0. Distribuições
com valores de curtose em excesso acima de 0 são “mais picos” em torno da média, o que significa que uma
porção maior da distribuição de probabilidade está localizada em torno da média do que uma distribuição
Normal estaria. prever. O excesso de curtose positiva também exibe “caudas mais grossas”, o que indica
que valores extremos positivos e negativos ocorrem com mais frequência do que uma distribuição Normal
poderia prever. Distribuições com curtose excessiva positiva são chamadas de distribuições leptocúrticas,
em oposição às distribuições platicúrticas que têm curtose excessiva negativa.

A tabela de estatísticas descritivas para nosso conjunto de dados de altura é gerada no Excel e o valor de curtose

listado é na verdade o excesso de curtose. Portanto, como esse valor é -0,11, também está de acordo com todas as

análises anteriores, pois indica que o conjunto de dados de altura de homens adultos nos EUA está muito próximo

de uma distribuição normal.

Correlação e Covariância

Covariância

A covariância fornece informações sobre como duas variáveis estão relacionadas entre si. Mais precisamente, a
covariância refere-se à medida de como duas variáveis aleatórias num conjunto de dados irão mudar juntas. Uma
covariância positiva significa que as duas variáveis em questão estão positivamente relacionadas e se movem na
mesma direção. Uma covariância negativa significa que as variáveis estão inversamente relacionadas ou que se
movem em direções opostas.

INTRODUÇÃO ÀS ESTATÍSTICAS| Instituto de Negociação e Gestão de Portfólio

 11

∑ =1 ( − )̅( − �)
( , )=
−1

Onde:

= 1
= 2

�=

= ℎ

... 1
=1

Correlação

O coeficiente de correlação é o termo usado para se referir à medida de correlação resultante. Sempre
manterá um valor entre um e menos um. Quando o coeficiente de correlação é um, as variáveis em
exame apresentam uma correlação positiva perfeita. Em outras palavras, quando um se move, o outro
também se move na mesma direção, proporcionalmente. Se o coeficiente de correlação for menor que
um, mas ainda maior que zero, indica uma correlação positiva menos que perfeita. Quanto mais
próximo o coeficiente de correlação chegar de um, mais forte será a correlação entre as duas variáveis.
Quando o coeficiente de correlação é zero, significa que não há relação identificável entre as variáveis.
Se uma variável se move, é impossível fazer previsões sobre o movimento da outra variável. Se o
coeficiente de correlação for negativo, isso significa que as variáveis estão perfeitamente
correlacionadas negativamente ou inversamente. Se uma variável aumentar, a outra diminuirá na
mesma proporção. As variáveis se moverão em direções opostas umas das outras. Se o coeficiente de
correlação for maior que negativo, indica que existe uma correlação negativa imperfeita. À medida que
a correlação se aproxima de negativo, a correlação aumenta.

∑ =1( − )̅( − �)
=
�∑=1( − )̅ ( 2− �)2

Onde:
= 1
= 2

�=

= ℎ

... 1
=1

INTRODUÇÃO ÀS ESTATÍSTICAS| Instituto de Negociação e Gestão de Portfólio