Valor en Riesgo 01.

sita: CENACE
JL Farah
Sept 6 2018

1. Distribuciones y Probabilidad
Dada una distribución F sobre los reales continua por la derecha , podemos
asignar probabilidades a intervalos …nitos de la forma (a; b] por medio de la
fórmula P f(a; b]g = F (b) F (a); y a sus complementos ( 1; a] [ (b: + 1) con
la fórmula, 1 F (b) + F (a)
A los tres intervalos in…nitos

( 1; b] ; ( 1; 1) y (a; +1)

se les asignan las probabilidades respectivas1 :

F (b) = F (b) l m F (x) ; 1 = l m F (y) l m F (x) y 1 F (a) = P (( 1; a]c )

x! 1 y!1 x! 1

Ejercicio 1 Cerciórese de la consistencia de estas formulaciones al veri…car la

fórmula aditiva

P f(a; b]c g = P f( 1; a]g + P f(b: + 1)g

2
Ejercicio 2 Para un intrevalo …nito cerrado [a; b],se obtiene la fórmula

P f[a; b]g = P f(a; b]g + SF (a) = F (b) F (a )

Ejercicio 3 Para intervalo cerrado degenerado [a; a] = fag ; asignamos el salto

F (a) F (a ) = SF (a) como su probabilidad

Ejercicio 4 Para un intervalo …nito abierto, (a; b),se obtiene la fórmula,

P f(a; b)g = P f(a; b]g SF (b) = F (b ) F (a)

1 El superíndice c denota complementación de conjuntos.
2 Recordamos que el salto de F en a es SF (a) = F (a) F (a ) 0:

1
1.1. De lo general a lo particular
Hemos mencionado la descomposición de Lebesgue (ca. 1900) de cualquier
distribución F en la mezcla de dos distribuciones, una continua y otra de piuros
saltos, esto es, con notación obvia,

F = pFs + qFc ; p; q 0s ; p+q =1 (1)

Existe una descomposici’on adicional de la parte continua:

Fc = q1 Fac + q2 Fsing ; q1 ; q2 0 ; q1 + q2 = 1 (2)

donde la última componnte es llamada distribución singular ([1], Cap.1)

La primer componente es la llamada absolutamente continua que puede
representarse con una densidad f 0 tal que
Z
F (x) = f ( )d
( 1;x]
R
y que resulta difernciable con F 0 (x) = f (x); y evidentemente, R
f ( )d = 1:

Ejercicio 5 Veri…que que la descomposici’on de Lebesgue m’as general la podemos

escribir en la forma

F = ps Fs + qac + rsing Fsing ; ps ; qac ; rsing 0 ; ps + qac + rsing = 1 (3)

Observación 6 En la práctica usual se consideran por separado las

distribuciones con saltos

de las absolutamente continuas. La componente singular rara vez se

utiliza.
Una mezcla importante para riesgos, es la referida como el proceso
de Poisson compuesto,
que veremos próximamente.

Ejercicio 7 Veri…que su familiaridad con las distribuciones, Bernoulli, Bi-

nomial, Poisson, geométrica

Ejercicio 8 Usualmente, las distribuciones absolutamente continuas se dicen

simplemente distribuciones con densidad y muchas veces se re…eren con el mis-
mo nombre a las distribuciones, y sus densidades. Veri…que lo dicho posible-
mente en diferentes textos.con las distribuciones: uniforme,gaussiana, de
Laplace (doble expoencial),exponencial, gamas, ji cuadradas ( 2 ), Stu-
dent, Cauchy.

2
1.2. Resumen
Una vez que sabemos medir la probabilidad de todos estos intervalos de reales,
degenerados o nó, podemos valuar la probabilidad de sus uniones …nitas
e in…nitas (numerables), así como sus complementos.
A toda esta familia de posibles conjuntos,
se le llama la famila de conjuntos de Borel (Emile Borel,ca.1900)
Se denotan como Bor(R); o solamente como B1 :
En suma, para cada distribución sobre los reales,
se puede en principio,
asignar una probabilidad a cada uno de los conjuntos de B1

Ejemplo 9 Considere la distribución siguiente,cn dos saltos que no tiene den-

sidad 8
< 0 if x< 1
F (x) = 0;2 if 1 x<1
:
1 if x 1

1.0
F(x)
0.8

0.6

0.4

0.2

-1.2 -1.0 -0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0 1.2
x
Distribución con saltos de;2 y;8 en 1 y +1 resp.

1. La probabilidad asignada a cualquier intervalo a la izquierda de 1 es

cero
2. idem para la derecha de +1:
3. Prob f(a; b]g = 1 si a < 1yb 1:
4. Prob f(a; b]g = 0;2 si a < 1y1 b < 1:

5. Prob f(a; b]g = 0;8 si 1 a < +1 y b 1:

6. Los saltos Prob f[ 1; 1]g = 0;2 = Prob ff 1gg ; Prob f[+1; +1]g =
0;8 = Prob ff+1gg

3
Ejercicio 10 Veri…que las probabilidades 1 6 y veri…que adicionalmente, que
cualquier intervalo (a; b) contenido entre 1 y +1 tiene asiganada P = 0:

Ejemplo 11 Considere la densidad f (x) cuya grá…ca consta de dos rectángulos

ajenos ambos de base 1=2 centrados en x R = 1=4 y x = 5=4;respectivamente
y ambos de altura 1: Debe ser claro que R f (x)dx = 1: y que la distribución
correspondiente a ella F (x)es 0 si x 0; vale x en el intervalo [0; 1=2]; vale
constantemente 1=2 en el intervalo [1=2; 1] para después obeecer la f ’ormula
1=2 + (x 1) en el intervalo [1; 3=2] en cuyo extremo …nal vale 1; y de ahí en
adelante, vale 1: La grá…cas de f y F las exhibimos solamente en el intervalo
[0; 3=2]:

1.0 1.0
f(x) F(x)
0.8 0.8

0.6 0.6

0.4 0.4

0.2 0.2

0.0 0.0
0.0 0.5 1.0 1.5 0.0 0.5 1.0 1.5
x x
1.

Ejercicio 12 Veri…que los cálculos, y que F 0 (x) = f (x):

2. La distribución inversa generalizada, y Monte

Carlo
Para cualquier distribución F; en la literatura de Riesgos, se de…ne su inversa
generalizada con la fórmula y símbolo siguientes,

F (u) = nf fx : F (x) ug ; 0<u<1

En el (Ejemplo 11) obtenemos

u if 0 < u 1=2
F (u) =
1=2 + u if 1=2 < u < 1

4
 1.5
Finversa

1.0

0.5

0.0
0.0 0.2 0.4 0.6 0.8 1.0
u

Observación 13 La distribución inversa posee un salto del tamaño del interva-

lo de constancia (plataforma) de la distribución y el salto comienza (suponien-
do que los entendemos hacia arriba) en la x donde comienza la plataforma
constante. Adicionalmente y muy importante, la inversa es continua por la
izquierda en u = 1=2 Vea la fórmula.

Ejemplo 14 En el ejemplo binario (9), que consta de dos saltos, ilustramos

la construcci’on de la inversa utilizando la gr’a…ca de la distribuci’on con dos
tentativos valores de u (;5) y (.7)

1.0
F(x)
0.8

0.6

0.4

0.2

-1.2 -1.0 -0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0 1.2
x
Distribución con saltos de;2 y;8 en 1 y +1 resp.
La inversa vale 1 si 0 < u 0;2 y vale +1 si 0;2 < u < 1:

5
 1.0
y
0.5

0.0
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
x
-0.5

-1.0

F inversa del ejemplo binario

Observación 15 Notamos las plataformas del tamaño de los saltos donde ocur-
ren los saltos de F y un salto de tamano 2; donde F es constante, que es un
intervalo de esta longitud.
La inversa es continua or la izquierda !

2.1. UnTeorema Fundamental ( El principio fundamental

del Método de Monte-Carlo)
Teorema 16 Sea X una variable aleatoria (v.a.) con distribución F y sea U
e = F (U) se distribuye igual que
una v.a.uniforme en [0; 1]; Entonces, la v.a. X
X:

Ejemplo 17 Simulación de una suma Sn de n v.a.s indepndediente con la dis-

tribución del Ejemplo (9). El Programa incluído en el archivo binp.m se elaboró
en MATLAB R . Se gra…can 100 ´ trayectorias ´ f(n; Sn )g con n de 1 a 50:
Se incluye un histograma (función hist de Mtlb.) de los 100 valores S50 con las
cuentas por bin que es de tamaño 3; lo calcula el programa. Puede incorporarse
por el usuario
45 25

40

35 20

30

25 15

20

15 10

10

5 5

-5 0
0 10 20 30 40 50 60 10 15 20 25 30 35 40 45

:
Note que la media teórica es n(p q) = 30:
Para emular una densidad de probabilidad empírica , las áreas de los
rectángulos deben sumar la unidad. Sigue esta grá…ca:

6
 0.08

0.07

0.06

0.05

0.04

0.03

0.02

0.01

0
10 15 20 25 30 35 40 45

¡ Note la diferencia en los valores de las ordenadas !

¡ Se incluye el programa como material del curso !

Ejemplo 18 Con el mismo programa se hace lo mismo con p = 0;5 y se ob-

tienen las grá…cas siguientes
20 30

15
25

10

20
5

0 15

-5
10

-10

5
-15

-20 0
0 10 20 30 40 50 60 -15 -10 -5 0 5 10 15

la media teórica es 0: Sigue la densidad empírica con el bin=2.8 (default de

Mtlb)
0.12

0.1

0.08

0.06

0.04

0.02

0
-15 -10 -5 0 5 10 15

Ejemplo 19 idem con p = 0;2; Se obtienen las grá…cas siguientes

7
 0.08

0.07

0.06

0.05

0.04

0.03

0.02

0.01

0
-45 -40 -35 -30 -25 -20 -15 -10 -5

5 30

0
25
-5

-10
20
-15

-20 15

-25
10
-30

-35
5
-40

-45 0
0 10 20 30 40 50 60 -45 -40 -35 -30 -25 -20 -15 -10 -5

La media teórica es 30 = n(p q): SIgue la densidad empírica con bin=3.6

3. Riesgos, probabilidad y una primera vista

del V@R
Cuando contemplamos n paradigma que es capaz de arrojar diversas pósi-
bilidades de pérdida numérica, utilizaremos la letra L (ing. loss) para denotar
esta variedad.
El modelamiento probabilístico o también dicho estocástico de estas posibles
pérdidas, lo establecemos una vez que les asignamos una distribución FL ; (con-
tinua por la derecha) de modo que convertimos a L en una variable aleatoria
con probabilidades bien defnidas de pérdidas en intervalos de interés. De modo
que p.e
FL (l3 ) FL (l1 ) = P fl1 < L l2 g = P fL 2 (l1 ; l2 ]g
o bien, por ejemplo,

FL (l) = P flL lg y 1 FL (l) = P fL >lg = P fL 2 (l; +1)g

La última expresión nos brinda una medida numérica enre 0 y 1 de una

pérdida que excede un valor l prescrito. En lo que sigue (y en toda la literatura
de riesgos)

Notacion 20 Se denota por F L (l) a la cola 1 FL (l):

8
 Desde desde luego, nos interesa conocer el menor número l para el cual
FL 1 : Esto es, el umbral apertir del cual, cualquier pérdida mayor
ocurra con una probabilidad pequeña. Usualmente, su utilizan valores de =
0;85; 0;90; 0;91; 0;95; 0;99: En f’órmula
l = nf l : F (l) 1 = nf fl : F (l) g
Este número es el llamado valor en riesgo de la(s) p’erdida(s) L a nivel
; y se denota con el s’imbolo V@RL ( ). En suma,
V@RL ( ) = nf fl : F (l) g (4)
Atendiendo a la de…nición de la distribución inversa generalizada, se obtiene
inmediatamente que
V@RL ( ) = F ( ) (5)
Proposición 21 Si una distribución es estrictamente creciente en todos los
reales. o o en algún intervalo, La inversa generalizada coincide con la inversa
usual. Esto es,
F (u) = F 1 (u) (6)
De…nición 22 Sean F; G dos distribuciones. Decimos que G es del mismo tipo
que F , si existen constantes, A > 0 yB; Tales que
G(x) = F (Ax + B) (7)
(A factor de escala, B factor de corrimiento)
Ejercicio 23 Si F es del mismo tipo que G como en (7), entonces F es del
mismo tipo que G con 1=A y B=A jugando el mismo papel que A y B en (7).
Esto es, la relación tipo forma una clase de equivalencia.
1
Ejercicio 24 SI X es una v.a con distribución F; entonces A (X B) posee
una distribución del mismo tipo
Ejercicio 25 SI F y G dos distribuciones del mismo tipo (usando (7)) .

F (u) B
G(u) =
A
Ejercicio 26 Si F es una normal estándard y A = ; y B = ; entonces con
(7) obtenemos con G; una normal con varianza 2 y media : Basta conocer
N 1 ( ) para la est´ nadar. p.e. para el V@R, para obtener el V@R de cualquier
otra normal.

4. Referencias
Referencias
[1] Feller, W. Introduction to Probability Thepry and Its Applications, Vol. 2.
Wiley, 1973.