Distribuição de Probabilidades – Distribuições Uniforme, Log-Normal, Binomial e T de Student

Distribuição uniforme discreta

Uma variável possui distribuição uniforme discreta quando os valores finitos em um intervalo recebem a mesma chance de ocorrer, ou seja, entre n valores possíveis, cada um recebe a probabilidade 1/n. Um exemplo é o lançamento de um dado: os valores possíveis são {1; 2; 3; 4; 5; 6}, e cada valor possui probabilidade de 1/6:

 

Figura – Distribuição uniforme discreta do lançamento de um dado (função massa de probabilidade).

Fonte: Elaborada pelo autor.

Se a é o valor mínimo e b é o valor máximo da distribuição uniforme discreta, n = b – a + 1 e a média será . No lançamento de um dado, por exemplo, n é igual a 6 – 1 + 1 = 6 e a média é (1+6)/2 = 3,5.

 

Distribuição uniforme contínua

Uma variável possui distribuição uniforme contínua quando todos os valores no intervalo [a,b] recebem a mesma chance de ocorrer. Supondo que os valores em questão pertençam ao intervalo entre 0 e 9, a distribuição de probabilidade será dada como na figura abaixo:

 

Figura – Distribuição uniforme contínua (função densidade de probabilidade).

Fonte: Elaborada pelo autor.

 

Em que a é o valor mínimo e b é o valor máximo da distribuição. 1/(b-a) é a função densidade de probabilidade, e portanto altura de todos os pontos entre a e b da distribuição uniforme. A média e a variância de uma distribuição uniforme contínua é dada pelas fórmulas:

 

 

Na imagem acima a = 0 e b = 9, e então a média é (0 + 9)/2 = 4,5 e a variância é igual a (9 – 0)²/12 = 6,75.

A função de distribuição cumulativa para a distribuição uniforme, com, por exemplo, valores de k dentro do intervalo [a, b], é expressa como:

 

 

Exemplo: Um valor é escolhido entre 0 e 2. Qual é a probabilidade de esse valor estar entre 1 e 3/2?

Intuitivamente, podemos ver que a distribuição cumulativa quando k = 1 é 1/2 ou 50%, pois se a = 0 e b = 2, andamos por metade da distribuição até chegar no 1. Matematicamente:

 

 

Igualmente, de a = 0 até k = 3/2 em uma distribuição com final em b = 2, andamos 3/4 do caminho:

 

 

A probabilidade de acharmos um valor entre 1 e 3/2, P(1 ≤ x ≤ 3/2), será a função cumulativa de 3/2 menos a função cumulativa de 1:

 

 

Generalizando, a probabilidade de um valor estar entre d é:

 

 

Distribuição binomial

A distribuição binomial (com parâmetros n e p) é a distribuição de probabilidade discreta de um número de sucessos em uma sequência de n experimentos independentes com probabilidade de ocorrência p. A distribuição binomial é frequentemente usada para modelar o número de sucessos em uma amostra de tamanho n desenhada com substituição de uma população de tamanho N. Em geral, se a variável aleatória X segue a distribuição binomial com os parâmetros n ∈ ℕ e p ∈ [0,1], escrevemos X ~ B (n, p).

 

Figura – Distribuição binomial (função massa de probabilidade).

Fonte: Elaborada pelo autor.

 

A função massa de probabilidade da distribuição é dada pela seguinte fórmula:

 

 

Em que n é o número total de jogadas, p é a probabilidade de sucesso, P(X = k) é a probabilidade de ter sucesso em exatamente k tentativas e:

 

 

Exemplo: Considere o lançamento de uma moeda justa, em que o resultado de sucesso é “cara”. Se lançarmos a moeda 10 vezes, qual a probabilidade de observarmos a face “cara” 8 vezes?

Sabendo que k = 8, n = 10 e a probabilidade de sucesso p é 50%:

 

 

Assim, a probabilidade de dar “cara” em 8 de 10 lançamentos é 4,39%.

 

Distribuição log-normal

Uma variável aleatória X tem distribuição log-normal se sua função densidade de probabilidade for dada por:

 

 

em que μ ∈ é a média do logaritmo do tempo de falha e σ > 0 é o desvio-padrão.

 

Figura – Distribuição log-normal (função densidade de probabilidade).

Fonte: Elaborada pelo autor.

 

Assim como a distribuição normal aparece quando as variáveis são somadas (pelo teorema do limite central), a distribuição log-normal aparece quando as variáveis (positivas) são multiplicadas.

Na modelagem de preço de ativos, o preço de uma ação no futuro pode ser modelado como o efeito de vários pequenos ajustes independentes, ou seja:

 

 

Ou seja, aplicando o log, tem-se que log Pn é a soma de várias variáveis aleatórias independentes, ou seja, pode ser aproximado por uma distribuição normal. Nesse sentido, Pn pode ser aproximado por uma log-normal.

 

Utilização da distribuição log-normal na modelagem de preços de ativos

A distribuição log-normal é uma distribuição flexível relacionada com a distribuição normal, e que é bastante útil para modelar dados que são mais ou menos simétricos ou assimétricos à direita. É um modelo que geralmente é utilizado para aplicações de alta tecnologia. Sua distribuição é baseada no modelo de crescimento multiplicativo. Como as variáveis aleatórias log-normais assumem apenas valores positivos, são úteis para modelar preços e cotações em geral.

Na modelagem dos retornos de ações, é utilizado o log-retorno, ou retorno geométrico. Hull (2009) fornece um modelo para o comportamento de preço das ações. O modelo é basicamente um processo estocástico de Markov do tipo dS = μSdt + σSdz.

Esse processo é também conhecido como movimento browniano geométrico, que resumidamente significa que tanto o percentual esperado da ação bem como a volatilidade do retorno percentual é constante e independe do valor absoluto do preço. Dessa forma, considerando que uma ação esteja precificada a R$ 20,00 ou R$40,00, o retorno percentual esperado e a volatilidade deste retorno são os mesmos nos dois casos, ceteris paribus. Considerando assim, que sejam suposições verdadeiras, o retorno dos preços obedeceria a uma distribuição log-normal (log-retornos dos preços seguem uma distribuição normal).

 

Distribuição t de Student

A distribuição t de Student é qualquer membro de uma família de distribuições contínuas de probabilidade que se origina ao estimar a média de uma população normalmente distribuída em situações em que o tamanho da amostra é pequeno e o desvio-padrão da população não é conhecido. A distribuição t desempenha um papel importante na estatística devido ao teste t de Student, que é utilizado para avaliar a significância estatística e a construção dos intervalos de confiança.

 

Figura – Distribuição t de Student (função densidade de probabilidade).

Fonte: Elaborada pelo autor.

 

A distribuição t é simétrica e em forma de sino, como a distribuição normal, mas tem caudas mais pesadas caso o grau de liberdade (gl) seja pequeno, e, portanto, é mais propensa a produzir valores que se afastam da sua média.

 

 

Referência da aula

HULL, John C. Options, Futures, and Other Derivatives. 7th edition. Pearson Education International. 2009.


Você não está logado!
Para ter acesso ao curso, .

Pressione F11 para tela cheia
Insira no mínimo 3 caracteres.
Nenhum resultado.
Suporte? Clique aqui.