[pt] Nesta tese buscamos fornecer duas diferentes abordagens para a otimização de carteiras de ativos sob incerteza. Demonstramos como a incerteza acerca da distribuição dos retornos esperados pode ser incorporada nas decisões de alocação de ativos, utilizando as seguintes ferramentas: (1) uma extensão da metodologia Bayesiana proposta por Black e Litterman através de uma estratégia de negociação dinâmica construída sobre um modelo de aprendizagem com base na análise fundamentalista, (2 ) uma abordagem adaptativa baseada em técnicas de otimização robusta. Esta última abordagem é apresentada em duas diferentes especificações: uma modelagem robusta com base em uma análise puramente empírica e uma extensão da modelagem robusta proposta por Bertsimas e Sim em 2004. Para avaliar a importância dos modelos propostos no tratamento da incerteza na distribuição dos retornos examinamos a extensão das mudanças nas carteiras ótimas geradas. As principais conclusões são: (a ) é possível obter carteiras ótimas menos influenciadas por erros de estimação, ( b ) tais carteiras são capazes de gerar retornos estatisticamente superiores com perdas bem controladas, quando comparadas com carteiras ótimas de Markowitz e índices de referência selecionados. / [en] In this thesis we provide two different approaches for determining optimal asset allocation portfolios under uncertainty. We show how uncertainty about expected returns distribution can be incorporated in asset allocation decisions by using the following alternative frameworks: (1) an extension of the Bayesian methodology proposed by Black and Litterman through a dynamic trading strategy built on a learning model based on fundamental analysis; (2) an adaptive dynamic approach, based on robust optimization techniques. This latter approach is presented in two different specifications: an empirical robust loss model and a covariancebased robust loss model based on Bertsimas and Sim approach to model uncertainty sets. To evaluate the importance of the proposed models for distribution uncertainty, the extent of changes in the prior optimal asset allocations of investors who embody uncertainty in their portfolio is examined. The key findings are: (a) it is possible to achieve optimal portfolios less influenced by estimation errors; (b) portfolio strategies of such investors generate statistically higher returns with controlled losses when compared to the classical mean-variance optimized portfolios and selected benchmarks.