Estadistica para Derivados-2019

Estadística para
DERIVADOS
Lic. María Eugenia Fernández de Luco

2019
Temario
 Medidas de posición y dispersión.

 Funciones de densidad, probabilidad y distribución.
 Curtosis y asimetría.
 Distribuciones Binomial, Normal y Log-normal.
 Cálculo de retornos de activos financieros.
 Correlación y Regresión Lineal Simple.
Estadística para Derivados

Medidas descriptivas
Media aritmética
 Medidas de posición
Mediana
Moda
Percentiles
Desvío estándar / Varianza

 Medidas de dispersión
Rango
Rango intercuartílico
Coeficiente de variación

Medidas de posición
 La media puede definirse como la suma ponderada de todos

los valores posibles de la variable aleatoria:
1 n
x   xi
n i 1
 La mediana es el valor de la variable que, una vez ordenados

los datos, deja el mismo número de datos antes y después
que él. De acuerdo con esta definición el conjunto de datos
menores o iguales que la mediana representarán el 50% de
los datos, y los que sean mayores que la mediana
representarán el otro 50% del total de datos de la muestra.

 Aunque la media es la medida de posición más utilizada, en

algunos casos se prefiere la mediana, ya que la media se ve
influida por valores extremos, tanto muy pequeños como
muy grandes.
 La moda es el valor con una mayor frecuencia en un conjunto

de datos. Una distribución puede tener mas de una moda o
no tener ninguna.

 Los percentiles son los 99 valores que dividen la serie de

datos en 100 partes iguales. Generalizando, el percentil p es
un valor tal que por lo menos p porciento de las
observaciones son menores o iguales que él, y por lo menos
el (100-p) porciento son mayores o iguales que él.
 P50 coincide con la mediana.
 Como un caso particular, los cuartiles son los tres valores de
la variable que dividen a un conjunto de datos ordenados en
cuatro partes iguales. Q1 y Q3 determinan los valores
correspondientes al 25% y al 75% de los datos.

Medidas de dispersión
 El rango intercuartil es la diferencia entre el tercer y el primer

cuartil de una distribución.
 La varianza mide la dispersión alrededor de la media:
1 n
S 
2

n  1 i 1
( xi  x ) 2
 El desvío estándar es la raíz cuadrada de la varianza.

 El coeficiente de variación: Su fórmula expresa la desviación
estándar como porcentaje de la media aritmética, mostrando
una interpretación relativa del grado de variabilidad,
independiente de la escala de la variable. 𝐶𝑉 = 𝑆
𝑥

Cálculo con Excel
 Excel cuenta con funciones para el cálculo de todas las

medidas de posición y dispersión:
*PROMEDIO (rango)
*MEDIANA(rango)
*MODA (rango)
*Q1: CUARTIL(rango;1) = PERCENTIL (rango; 0,25)
*Q3: CUARTIL(rango;3) = PERCENTIL (rango; 0,75)
*DESVEST (rango de datos)

Cálculo con Excel
 Por otra parte, en el módulo “Análisis de Datos”, se puede

seleccionar la opción “Estadística Descriptiva”.

Temario


Variables aleatorias
 Una variable aleatoria es una función que asigna un valor

numérico a cada elemento del espacio muestral.
Variable
Aleatoria
Discreta Continua
Función de
probabilidad Función de densidad
Ejemplo: Binomial Ejemplo: Normal

Función de probabilidad
 En el caso de variables discretas, la función de probabilidad

es una función que asocia a cada punto de su espacio
muestral la probabilidad de que ésta lo asuma.
 La función de probabilidad P asociada a X es P( xi )  pi donde pi
es la probabilidad del suceso X=xi.
 Ejemplo:
pi  0i
p
i
i 1

Función de densidad
 Para variables continuas, la función de densidad es una

función o curva que describe la forma general de una
distribución. Se la denomina f(x).
 Es una función no negativa: f ( x)  0x 
 El área total debajo de la curva completa es igual a 1:  f ( x)dx  1


 La probabilidad de que X tome un valor en el intervalo [a,b]
es la integral definida en dicho intervalo (área bajo la curva
de la función de densidad en ese intervalo):
b
P(a  X  b)   f ( x)dx
a

Función de distribución
 La función de distribución de una variable aleatoria es la

función que asocia:
F ( x)  P( X  x)
 La probabilidad de que X tome un valor en el intervalo [a,b]
es: P(a  X  b)  F (b)  F (a)
 En variables aleatorias discretas, se define como:
F ( x)   p( x )
i / xi  x
i
 En variables aleatoria continuas, puede definirse como:

x
F ( x)   f (u )du


Temario


Curtosis
 La curtosis es una medida de la forma o apuntamiento de las

distribuciones de variables continuas.

Asimetría
 La asimetría permite identificar si los datos se distribuyen de forma
uniforme alrededor de la media aritmética.
 Se dice que la asimetría es negativa o a la izquierda cuando la
mayoría de los datos se encuentran por encima del valor de la
media aritmética, la curva es simétrica cuando se distribuyen
aproximadamente la misma cantidad de valores en ambos lados de
la media y se conoce como asimetría positiva o a la derecha
cuando la mayor cantidad de datos se aglomeran en los valores
menores que la media.

Medidas de distribución
 El coeficiente de asimetría indica lo siguiente:

 Si es mayor a 0, la distribución es asimétrica positiva o a la derecha.
 Si es igual a 0, la distribución es simétrica.
 Si g1 menor a 0, la distribución es asimétrica negativa o a la izquierda.
 El Coeficiente de Curtosis pretende comparar la curva de una

distribución con la curva de la distribución Normal.
 En una distribución Leptocúrtica (más apuntada que la Normal) el
coeficiente de curtosis es positivo.
 En una distribución Platicúrtica (menos apuntada que la Normal) el
coeficiente es negativo.

Cálculo con Excel
 Se puede obtener ambos coeficientes con las siguientes

funciones:
*COEFICIENTE.ASIMETRIA(rango)
* CURTOSIS(rango)
 Otra manera es a través de la opción “Estadística descriptiva”

dentro de “Análisis de datos”.

Temario


Distribución Binomial
 Ensayo de Bermoulli:
 Sea una experiencia con solo dos posibles resultados, identificados
como éxito y fracaso.
 La probabilidad de ambos resultados es conocida y constante de
repetición en repetición. La probabilidad de éxito se denomina p, y la
de fracaso q=1-p.
 El resultado de cada prueba es independiente de los resultados
obtenidos en pruebas anteriores.
 Se define la variable Y como la cantidad de éxitos en n
repeticiones independientes. Esta variable tiene distribución
Binomial con parámetros n y p: Y ~ Bi (n, p )
n k n!
P(Y  k)    p (1  p ) n  k  p k (1  p) n  k
k k!(n  k )!
Distribución Binomial
 Ejemplo: Una empresa informa que el 20% de las cuentas por

cobrar están vencidas. El contador escoge al azar 5 cuentas.
¿Cuál es la probabilidad de que ninguna de las cuentas esté
vencida?
 Se define Y: Número de cuentas vencidas en una muestra de
tamaño 5.
Y ~ Bi (n  5, p  0,20)

Cálculo en Excel
 Las probabilidades para la distribución Binomial pueden ser

calculadas en Excel, con la función estadística DISTR.BINOM,
de la siguiente forma:

Aplicación: Modelo Binomial
 Se supone que el precio de un activo hoy es P. En el período

siguiente puede aumentar un U% con probabilidad p, y
disminuir un D% con probabilidad (1-p). Por lo tanto, el precio
del activo es una variable Bermoulli.
 U 
Probabilidad=p P  1   P  uP
 100 
Precio hoy: P
Probabilidad=1-p  D 
P  1   P  dP
 100 

 Se extiende el modelo a más períodos, considerando a cada

período como un ensayo independiente, con probabilidad de
aumento p, y probabilidad de disminución (1-p). Se obtiene el
siguiente árbol binomial:
t=0 t=1 t=2 t=3

 En el momento t=3, hay cuatro resultados posibles. La

probabilidad de que el precio sea igual a alguno de estos
cuatro valores se calcula a través de la distribución binomial.
 Por ejemplo, hay 3 secuencias de movimientos que resultan
en un precio de u2dP, que incluyen dos aumentos en tres
movimientos. Por lo tanto, la probabilidad de que el precio
sea P3= u2dP es:
3  2
P( P3  u dP)    p (1  p)  3 p 2 (1  p)
2
 2
 La variable binomial es entonces el número de aumentos.

 Ejemplo de un modelo de un período: Se supone tener una

acción que hoy cuesta 100, y que con una probabilidad del
80% aumentará a 120 dentro de un mes, o bien disminuirá a
80 con una probabilidad del 20%. Se desea determinar la
ganancia de un call con precio de ejercicio K=110.
 De acuerdo a las suposiciones, se obtiene al final por la
posición del call un pago de 10 con probabilidad 80%, y en
caso contrario no se obtiene ningún pago. Se obtiene la
siguiente liquidación esperada:
Prob= Precio: 120
0,80
Ganancia: 10
Precio hoy: 100
Prob=
Precio: 80
0,20 Ganancia: 0
Distribución Normal
 Una función de densidad normal es simétrica, campanular y

centrada en la media μ.
 Debido a que las densidades normales son simétricas y
unimodales, la media, la mediana y la moda coinciden.
 La dispersión de la curva de densidad normal está
determinada por el desvío estándar σ.
 El coeficiente de asimetría es igual a 0 y la curtosis es igual a
3.

Distribución Normal
 La regla del 68-95-99.7 para cualquier Distribución Normal:

 68% de las observaciones caen en (μ- σ, μ+ σ)
 95% de las observaciones caen en (μ- 2σ, μ+ 2σ)
 99.7% de las observaciones caen en (μ- 3σ, μ+ 3σ)

Distribución Normal Estándar
 La distribución normal con media 0 y desvío estándar 1 se

llama distribución normal estándar.
 Cualquier distribución normal se puede transformar

directamente en una distribución normal estándar mediante
la siguiente transformación :

Cálculo en Excel
 Las probabilidades para la distribución normal pueden ser

calculadas en Excel con las funciones (estadísticas)
DISTR.NORM.INV y DISTR.NORM. de la siguiente forma:

Cálculo en Excel
 Las probabilidades para la distribución N(0,1) pueden ser

calculadas en Excel, con las funciones (estadísticas)
DISTR.NORM.ESTAND.INV y DISTR.NORM.ESTAND de la
siguiente forma:

Aplicación: Fórmulas de Black-Scholes
 Las fórmulas de Black-Scholes para determinar el precio de las

opciones son:
call  S 0 N ( d1)  XN ( d 2) e  rt put  N (  d 2) Xe  rt  S 0 N (  d1)
 S0   2 
con ln    r  t
X   2  d 2  d1   t
d1 
 t
Donde:
 X: precio de ejercicio
 S0: el precio de contado del subyacente
 t: el tiempo expresado en años que aún faltan por transcurrir en la opción
 σ: volatilidad
 r: tasa de interés
 N: función de distribución acumulada de la distribución normal estándar
Pruebas de normalidad
Si bien existen técnicas objetivas de probar la normalidad de

conjunto de datos (como gráficos específicos y test de
hipótesis), con los temas incluidos en el curso se puede
evaluar si la distribución de los datos se aproxima a una
normal.
 Obtener las medidas descriptivas y analizar si la media, la
mediana y la moda toman valores similares.
 Evaluar la curtosis y la asimetría: ambas medidas deben ser
próximas a 0.
 Aplicar la regla del 68-95-99.7.
 Obtener el histograma de los datos y analizar su forma.

Histograma
 Un histograma es una representación gráfica de una variable

en forma de barras, donde la superficie de cada barra es
proporcional a la frecuencia de los valores representados. En
el eje vertical se representan las frecuencias, y en el eje
horizontal los valores de las variables, agrupados en
intervalos.

Histograma con Excel

Histograma con Excel
 Una vez obtenido el gráfico, hay que realizar algunos cambios

Distribución Log-normal
 Una variable X sigue una distribución log-normal si los

logaritmos neperianos de sus valores están normalmente
distribuidos, es decir, si la variable Y=ln(X) es N(µ,σ).
 Dicho de otra manera, si Y se distribuye N(µ,σ), X=exp(Y)
tiene una distribución log-normal.

Temario


Cálculo de retornos de activos financieros
 Sea Pt la cotización de un cierto activo en el momento t, se

supone que P se observa en los momentos t=1,2,…,n.
 La rentabilidad de un activo es una variable aleatoria. Para
algunos modelos, se supone que los retornos son
independientes y están idénticamente distribuidos.
 Existen dos formas de calcular los retornos (o tasa de cambio)
de un determinado activo o factor de riesgo:
Retornos
Cálculo discreto Cálculo continuo

Cálculo Discreto
 Un retorno discreto o aritmético en el momento t se define

como:
Pt  Pt 1 Pt
Rt   1 Pt  Pt 1 ( Rt  1)
Pt 1 Pt 1
 Rt representa la tasa de rentabilidad de un cierto activo,

adquirido por Pt-1 y vendido por Pt.

Cálculo Discreto
 Un retorno entre períodos se calcula de la siguiente manera:
Pt Pt Pt 1 Pt  m 1
Rt (m)  1  ... 1
Pt  m Pt 1 Pt  2 Pt  m
 Pt  Pt 1   Pt  m 1 
 1   11   1...1   1  1
 Pt 1  Pt  2   Pt  m 
 1  Rt 1  Rt 1 ...1  Rt  m 1   1 
t
 (1  Rj )  1
j t  m 1

Cálculo Continuo
 Un retorno continuo o logarítmico de una inversión en el

momento t se define como:
 Pt 
rt  ln( Pt )  ln( Pt 1 )  ln   Pt  Pt 1e rt
 Pt 1 
 La relación entre los retornos calculados de ambas maneras

es:
 Pt   Pt 
rt  ln    ln   1  1  ln( Rt  1)
 Pt 1   Pt 1 

Cálculo Continuo
 Un retorno entre períodos se calcula de la siguiente manera:
 Pt 
rt (m)  ln    ln( Pt )  ln( Pt m )
 Pt m 
 ln( Pt )  ln( Pt 1 )  ln( Pt 1 )  .....  ln( Pt  m 1 )  ln( Pt  m 1 )  ln( Pt  m )
t
 rt  rt 1  rt 2  ...  rt m1  r
j t  m 1
j

Comparación
 Emplear interés continuo no es la forma más intuitiva de

calcular la variación de precios. Sin embargo, resulta
conveniente al momento de describir el comportamiento de
los retornos o variaciones de precios de los activos.
 Para datos diarios o semanales se puede asumir que Rt  rt .
 Los retornos discretos pueden llevar a conclusiones erróneas,

ya que pueden provocar un precio negativo. En el caso de
r
cálculo continuo, no existe esta posibilidad ya que Pe t es
siempre positivo por definición.
Comparación
 Los retornos continuos multiperíodos son aditivos, mientras

que los discretos no lo son, por lo que son más fáciles de
modelar.
 Si se considera que los retornost continuos se distribuyen

N(µ,σ2), entonces ln( Pt )  ln( Po )   rj se distribuye N(tµ, tσ2).
j 1
Esto no ocurre con los retornos discretos.

Aplicación: Volatilidad
 La volatilidad es una medida de la frecuencia e intensidad de

los cambios del precio de un activo.
 Se utiliza para cuantificar el riesgo del activo.
 Se calcula mediante el desvío estándar de los rendimientos
de los precios en un horizonte temporal específico.

 En los informes económicos, análisis técnicos y mercados de
opciones, se expresa anualizada y en porcentaje.

 Los supuestos implícitos son:
El rendimiento de un activo es una variable aleatoria.
Los retornos son independientes y están idénticamente

distribuidos.
Aplicación: Volatilidad
 Si el desvío estándar es alto, esto significa que las

rentabilidades del activo se han desviado significativamente
con respecto a la rentabilidad media, y por tanto podemos
deducir que se trata de un activo con un riesgo alto.
 Para interpretarla, también se puede aplicar la regla del 68-
95-99.7. Por ejemplo: Suponiendo que la soja cotiza a u$s
400/ton, con una volatilidad semanal del 2%, esperaríamos
que dentro de una semana cotice aproximadamente entre:
 u$s 392 y u$s 408 con una probabilidad del 68%
 u$s 384 y u$s 416 con una probabilidad del 95%
 u$s 376 y u$s 424 con una probabilidad del 99,7%

Ejemplo (Distribución Normal y Volatilidad)
 Se desea conocer la probabilidad de que un portfolio registre

un rendimiento de -2%, siendo que el rendimiento promedio
es 0,11% y la volatilidad de 1.76%.
𝑃(𝑋 ≤ −2) = 0,115

Ejemplo (Distribución Normal y Volatilidad)
 Por otra parte, se puede determinar una probabilidad, y a

partir de éste definir el rendimiento asociado a dicha
probabilidad. En base al ejemplo anterior, se desea calcular el
rendimiento de la cola inferior que se encuentra asociado al
1% de probabilidad.
𝑃(𝑋 ≤ 𝑥) = 0,01
Con una probabilidad del 1%,

el rendimiento negativo será
mayor que 3,98%.

Temario


Correlación y Regresión lineal
 Ambas técnicas se pueden aplicar cuando hay interés en la

relación entre variables. Si lo que se quiere es obtener un
estadístico que exprese el grado de relación entre dos
variables, se habla de correlación. Si se busca hacer
predicciones de una variable en función de otra, se habla de
regresión.
 Cuando se cuenta con datos de dos variables, la forma más
sencilla para obtener una primera idea de la relación entre
ambas es obtener un gráfico de dispersión.

Gráfico de dispersión
Fuerte relación
Fuerte relación negativa entre x e y, un
positiva, a medida aumento de x
que x aumenta, y corresponde a una
también. disminución de y.
No hay ninguna
relación entre las Existe una relación
variables, no hay entre x e y, pero no
una tendencia de y es lineal.
con respecto a x

Gráfico de dispersión con Excel
 Para obtener un grafico de dispersión, hay que seleccionar

los dos conjuntos de datos, y elegir la opción Gráfico de
dispersión, dentro de los Gráficos disponibles.

Correlación
 El principal objetivo consiste en determinar qué tan intensa
es la relación lineal entre dos variables. Una medida de esta
relación es el coeficiente de correlación. Hay varios
coeficientes, pero el más común es el coeficiente de
correlación de Pearson.
 Este coeficiente toma valores entre -1 y 1. La interpretación
depende del valor y del signo: el signo indica la dirección de
la relación, y el valor indica la fuerza.

Cálculo con Excel
 Se puede obtener el coeficiente de correlación a través de la

función COEF.DE.CORREL:
 Otra manera es a través de la opción “Coeficiente de

Correlación” dentro de “Análisis de datos”.

Regresión Lineal Simple
 Un modelo de regresión lineal simple entre una variable X,

llamada independiente o explicativa, y una variable Y, llamada
variable dependiente o respuesta , tiene la siguiente forma :
Y    X  
donde:
*α es el valor de la ordenada donde la línea de regresión se
intercepta con el eje Y
*β es el coeficiente de regresión (pendiente de la línea recta)
*ε es el término de error. Se supone que es una variable
aleatoria que se distribuye N(0,σ2).

Ecuación de Regresión estimada
 Se cuenta con n observaciones de las variables X e Y. El
objetivo es estimar los valores de α y  que producen la
función lineal que mejor se ajusta a los datos, es decir, la
ecuación para la cual los valores estimados de y sean los más
próximos posibles a los valores de y (errores mínimos).
yˆ  a  bx
 b indica el número de unidades en que varía en promedio Y

cuando se produce un cambio de una unidad en X.

Ejemplo
 Se cuenta con datos de la duración de la cosecha de soja en

días y el rendimiento de la cosecha en toneladas por
hectárea.
2,5
y = -0,0342x + 5,2068
1,5
0,5
0
80 90 100 110 120 130 140 150

Coeficiente de Determinación
 La medida más importante de qué tan bien ajusta la línea de

regresión estimada en los datos muestrales en los que se
basa es el coeficiente de determinación, que es igual a la
proporción de la variación total de los valores de la variable
dependiente que puede explicarse por medio de la variable
independiente. Se lo denomina R2.
 La raíz cuadrada de R2 equivale al coeficiente de correlación.

Test de hipótesis
 La hipótesis son:
H0) No existe relación lineal entre x e y  H0) =0
H1) Existe relación lineal entre x e y  H1) ≠0
b
 Se realiza un test t con el siguiente estadístico: t 
Sb
 Se rechaza H0 si la probabilidad asociada es menor o igual al

nivel de significación establecido (generalmente 0,05).

Supuestos de la Regresión
 Normalidad
Se exige la normalidad de la distribución de los errores. El recurso
que brinda Excel para verificar este supuesto es el Gráfico de
Probabilidad Normal. La idea básica de este gráfico consiste en
representar la proporción acumulada de los datos observados,
frente a la proporción acumulada que se espera si la muestra se
obtuviera de una distribución normal teórica.
Si la muestra se ha obtenido de una distribución normal, los puntos
se agruparán en torno a una línea recta. Es frecuente observar una
mayor variabilidad (separación) en los extremos.

Supuestos de la Regresión
 Varianza constante (Homocedasticidad)

El supuesto de Homocedasticidad exige que para todo el recorrido
de la variable X la variación de los residuos sea constante. Se
espera, a priori, que no exista ningún patrón de comportamiento
sistemático de los errores alrededor de su valor esperado (cero) y
se distribuyan uniformemente presentado “la misma dispersión”.
El recurso gráfico que presenta Excel para comprobar este supuesto
es el de los valores de X versus los residuos. Lo que se busca es que
no haya evidencia de un mayor grosor de la nube de puntos en
alguna dirección.

Cálculo con Excel

Ejemplo (continuación)
Estadísticas de la regresión
Coeficiente de correlación múltiple 0,93964874 La duración de la cosecha
Coeficiente de determinación R^2 0,88293976 explica el 89% de la
variabilidad del rendimiento.
R^2 ajustado 0,86830723
Error típico 0,20442726
Observaciones 10
Coeficientes Error típico Estadístico t Probabilidad

Intercepción 5,206833798 0,471351896 11,04659565 4,01845E-06
Duración -0,034215413 0,004404696 -7,767939302 5,39409E-05 Se rechaza la hipótesis
nula, existe relación lineal
entre la duración y el
El rendimiento se reduce en rendimiento.
promedio en 0,03 toneladas
ante un aumento de un día en
la duración de la cosecha.
Por último, debe hacerse un análisis de los residuos, comprobando los supuestos
de normalidad y varianza constante.

Aplicación: Modelo de Mercado
 Una importante aplicación de la regresión lineal simple es el

Modelo de Mercado. Este modelo supone que la tasa de
retorno de una acción está linealmente relacionada con la
tasa de retorno de todo el mercado. El modelo es:
R j    RM  
donde:
*Rj es el retorno de la acción j
*RM es el retorno de un conjunto de acciones, medido a través
de un índice.
*β=coeficiente Beta (coeficiente de volatilidad).

Aplicación: Modelo de Mercado-Coeficiente Beta
 Mide los cambios esperados en el retorno de la acción en

función de los cambios en el mercado.
 Por ejemplo, si β es mayor que uno, la tasa de retorno de la
acción es más sensible a cambios del mercado que el
promedio de las acciones. Si β =2, un incremento del 1% en el
índice del mercado ocasiona un aumento promedio del 2% en
el retorno de la acción.
 Una acción con un coeficiente beta mayor que uno tiende a
ser más volátil que el mercado.

MUCHAS GRACIAS

Estadistica para Derivados-2019

Cargado por

Información del documento

Título original

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

Estadistica para Derivados-2019

Cargado por

Copyright:

Formatos disponibles

Estadística para

Lic. María Eugenia Fernández de Luco

 Medidas de posición y dispersión.

Estadística para Derivados

Desvío estándar / Varianza

Estadística para Derivados

 La media puede definirse como la suma ponderada de todos

 La mediana es el valor de la variable que, una vez ordenados

Estadística para Derivados

 Aunque la media es la medida de posición más utilizada, en

 La moda es el valor con una mayor frecuencia en un conjunto

Estadística para Derivados

 Los percentiles son los 99 valores que dividen la serie de

Estadística para Derivados

 El rango intercuartil es la diferencia entre el tercer y el primer

 El desvío estándar es la raíz cuadrada de la varianza.

Estadística para Derivados

 Excel cuenta con funciones para el cálculo de todas las

Estadística para Derivados

 Por otra parte, en el módulo “Análisis de Datos”, se puede

Estadística para Derivados

 Medidas de posición y dispersión.

Estadística para Derivados

 Una variable aleatoria es una función que asigna un valor

Ejemplo: Binomial Ejemplo: Normal

Estadística para Derivados

 En el caso de variables discretas, la función de probabilidad

Estadística para Derivados

 Para variables continuas, la función de densidad es una

 El área total debajo de la curva completa es igual a 1:  f ( x)dx  1

Estadística para Derivados

 La función de distribución de una variable aleatoria es la

 En variables aleatoria continuas, puede definirse como:

Estadística para Derivados

 Medidas de posición y dispersión.

Estadística para Derivados

 La curtosis es una medida de la forma o apuntamiento de las

Estadística para Derivados

Estadística para Derivados

 El coeficiente de asimetría indica lo siguiente:

 El Coeficiente de Curtosis pretende comparar la curva de una

Estadística para Derivados

 Se puede obtener ambos coeficientes con las siguientes

 Otra manera es a través de la opción “Estadística descriptiva”

Estadística para Derivados

 Medidas de posición y dispersión.

Estadística para Derivados

 Ejemplo: Una empresa informa que el 20% de las cuentas por

Estadística para Derivados

 Las probabilidades para la distribución Binomial pueden ser

Estadística para Derivados

 Se supone que el precio de un activo hoy es P. En el período

Estadística para Derivados

 Se extiende el modelo a más períodos, considerando a cada

t=0 t=1 t=2 t=3

Estadística para Derivados

 En el momento t=3, hay cuatro resultados posibles. La

Estadística para Derivados

 Ejemplo de un modelo de un período: Se supone tener una

 Una función de densidad normal es simétrica, campanular y

Estadística para Derivados

 La regla del 68-95-99.7 para cualquier Distribución Normal:

Estadística para Derivados