O conteúdo do gerenciamento de risco e a relação de Gauss são outras histórias interessantes. A curva ortogonal que já mencionamos anteriormente, ou seja, a curva em forma de sino desenhada pelo matemático mais desafortunado de todos os tempos, Von Morse, morreu em 1754 e Gauss nasceu em 1777, mas em estudos posteriores, todos chamamos a distribuição ortogonal de distribuição de Gauss.
Isso pode ser complementado por um conhecimento interessante e frio, chamado Lei de Stigler, que diz que nenhum teorema científico é nomeado em homenagem ao seu primeiro descobridor. Por exemplo, o constante de Euler, o teorema natural e, na verdade, foi descoberto pela família Bernoulli; os dois primeiros dos três grandes leis de Newton foram apresentados por Galileu, Hooke (o irônico favorito de Newton) e outros; a conhecida Lei de Lopes é o resultado de John Bernoulli, que pagou por Lopes; em outras palavras, os números árabes foram inventados pelos indianos.
Então você disse: “Quem é que vai julgar o caso de Weymouth?”
É claro que, de qualquer forma, é muito engraçado acusar Gauss de ter copiado o Wimmerfors, afinal, todos os matemáticos da geração seguinte copiaram Gauss, mais ou menos. Gauss era um gênio incomum, por exemplo, no livro de matemática do ensino médio, todos tinham lido a história de Gauss na infância sobre a soma de equações diferenciais e o desenho regular de 17 rectângulos.
Se um deus tão grande como ele estivesse vivo hoje, não se sabe quantas aplicações estranhas ele teria criado.
Gauss, envolvido em quase todos os tipos de pesquisa da matemática moderna, não tinha opiniões sobre a gestão de risco, mas ele estava muito interessado na teoria da probabilidade e na estatística matemática. Por exemplo, a menor segunda multiplicação familiar, chamada de Teorema de Gauss-Markov, foi um resultado de uma parte da distribuição normal. Gauss foi chamado para uma pequena cidade na Baviera para fazer uma medição geográfica, onde Gauss continuamente reclamou que todos os seus vizinhos não eram tão inteligentes quanto ele.
Gauss precisava estimar o efeito da curvatura da superfície da Terra sobre a distância da superfície, e não havia satélites na época, então o principal método de medição era a medição contínua. Embora os resultados variassem de vez em quando, com o aumento do número de medições, a familiar lei da média vectorial, ou seja, o valor central próximo ao eixo, reaparecia, e através dessa distribuição, Gauss poderia determinar a distribuição desses valores de observação em torno da média, para analisar a precisão do valor da amostra. Gauss pode ter sido o primeiro a descobrir aplicações da distribuição normal além do jogo de azar, e foi por isso que a distribuição normal recebeu o seu nome, sendo também importante para o estudo da qualidade estatística da distribuição.
E isso é, de facto, o mesmo que o nosso pensamento atual de gestão de risco, de que precisamos de julgar a exatidão da informação que temos. O mundo é muito mais diferente do que uniforme, cada flor é diferente, cada pessoa é diferente, mas a razão pela qual nós os colocamos numa categoria é porque há uma consistência comum entre eles, que é a essência do que queremos buscar ou compreender, e que é a curva de relógio, ou seja, a distribuição gaúcha, onde ela se encaixa com a forma como percebemos o mundo: encontrar a ordem no meio do caos.
A distribuição normal provavelmente constitui a base e o núcleo da maioria dos sistemas de gestão de risco. Para as seguradoras, por exemplo, através de inúmeras amostras totalmente independentes, como um acidente de carro em Xangai não afeta a segurança de trânsito geral em Pequim, e um paciente em Chengdu dificilmente afeta o nível de saúde das pessoas em Shenzhen. As seguradoras podem obter a expectativa de vida de cada categoria, estimando a variação da expectativa de vida, extraindo inúmeras amostras de diferentes idades e grupos, e adicionando a história de tabagismo, doenças familiares, dependência de celulares, insônia noturna e tempo de solteiro, essas estimativas serão mais precisas.
E para que uma curva bonita da distribuição normal apareça, são necessárias pelo menos duas condições: a primeira é que haja o maior número possível de amostras, e você pode imaginar que apenas a pesquisa de excessos de tempo de um cão financeiro de um programador não pode ser deduzida de um trânsito em sua cidade, sem falar que um número suficiente de amores pode saber o que é amor (Oh!); a segunda é que cada amostra precisa ser independente uma da outra, porque sem essa independência, não há garantia de representação da lei, o que soa um pouco contra-intuitivo, mas você pode imaginar que todos os exemplos de crianças de famílias discriminadas têm esse problema.
E para a gestão de risco de investimento, temos um padrão analítico semelhante: encontrar a média das mudanças de preços de ações em um mar de dados históricos, interpretar e prever os desvios da média por diferentes razões, como se fosse a maneira como conhecemos o mundo de pequeno a grande. No entanto, o mercado de ações realmente corresponde a uma distribuição normal?
Transcrição feita pela China Quantitative Investment Association