Las distribuciones de probabilidad más populares y sus usos en

finanzas

Las variables aleatorias pueden ser continuas o discretas (estas últimas se indican con un asterisco *). O una
combinación. También se pueden crear nuevas distribuciones utilizando variables aleatorias de dos o más
distribuciones.
Aquí hay una lista de distribuciones que se usan en el área de las finanzas, y algunas palabras sobre cada
una.

Normal o Gaussiana
Esta distribución no tiene límites a izquierda o derecha, y es simétrica respecto a su media. Tiene dos
parámetros: µ, ubicación; σ > 0, escala. Su función de densidad de probabilidad viene dada por

 2
Z ∞ x−µ
1 − 12 σ
f (x) = √ e dx
2πσ 2 −∞

Esta distribución se utiliza comúnmente para modelar los rendimientos de las acciones, y, de hecho, los
cambios en muchas cantidades financieras. Los errores en las observaciones de los fenómenos reales suelen
tener una distribución normal. La distribución normal también es común debido al Teorema del Límite
Central.
0.4

µ = 0; σ = 1
0.2
0.0

−4 −2 0 2 4

Figura 1: Normal estándar

Media: µ.
Varianza: σ 2 .

1
Lognormal
Acotada por abajo, no acotada por arriba. Tiene dos parámetros: µ, posición; σ > 0 escala. Su función de
densidad de probabilidad viene dada por
 
1 − 2σ12 (lnx−µ)2
f (x) = √ e , x≥0
2πσx

Esta distribución se utiliza habitualmente para modelar los precios de las acciones. La normalidad logarítmica
de los precios se desprende del supuesto de que los rendimientos se distribuyen normalmente.
0.8

µ = 0.4; σ = 0.3
0.4
0.0

0 1 2 3 4 5

Figura 2: Lognormal
 
σ2
Media: exp µ + 2

2
2
Varianza: eσ − 1 e(2µ+σ )

Poisson*
Las variables aleatorias sólo toman valores enteros no negativos. La distribución tiene un parámetro: λ > 0.
Su función de densidad de probabilidad viene dada por

e−λ λx
gX (x) = , x = 0, 1, 2, 3, . . .
x!
Esta distribución se utiliza en la modelación del riesgo de crédito, representando el número de eventos de
crédito en un tiempo determinado.
Media: λ.
Varianza: λ.

2
 0.20

λ=2
0.10
0.00

2 4 6 8

Figura 3: Poisson

Chi cuadrado
Acotada por abajo y no acotada por arriba. Tiene como parámetro ν, un número entero, los grados de
libertad. Su función de densidad de probabilidad viene dada por

−x


ν
x 2 −1 e 2
fX (x; ν) = ν

, x > 0, donde Γ() es la función Gamma.
Γ 2 2ν/2

La distribución chi-cuadrado proviene de la suma de los cuadrados de ν variables aleatorias normalmente

distribuidas. La distribución chi-cuadrado con un grado de libertad es la distribución del error de cobertura
de una opción que se cubre sólo discretamente. Por tanto, es una distribución muy importante en la práctica
de las opciones, si no en la teoría de las mismas.
Media: ν.
Varianza: 2ν.

Gumbel
Sin límites por arriba y por abajo. Tiene dos parámetros: µ, ubicación; β > 0 escala. Su función de densidad
de probabilidad viene dada por

µ−x
1 µ−x
e β e−e
β
fX (x) =
β

La distribución de Gumbel es útil para modelar valores extremos, representando la distribución del valor
máximo de un gran número de variables aleatorias extraídas de una distribución no limitada.
Media: µ + yβ, donde y es la constante de Euler, 0,577216. . . .
Varianza: 16 π 2 β 2

3
0.20

ν=3
0.10
0.00

0 2 4 6 8 10

Figura 4: Chi cuadrado

0.3

µ = 1; β = −1
0.2
0.1
0.0

−4 −2 0 2 4

Figura 5: Gumbel

4
Weibull
Acotada por abajo y no acotada por arriba. Tiene tres parámetros: c, ubicación; k > 0, escala; λ > 0, forma.
Su función de densidad de probabilidad viene dada por

 k
k  x − c k−1 − x−c
λ
fX (x; c, λ, k) = e , si x > c y λ, k > 0
λ λ
La distribución de Weibull también es útil para modelar valores extremos, representando la distribución del
valor máximo de un gran número de variables aleatorias extraídas de una distribución acotada. (La figura
muestra una Weibull “jorobada”, pero dependiendo de los valores de los parámetros la distribución puede
ser monótona).
0.0 0.2 0.4 0.6 0.8

c = 0; k = 1; λ = 2

0 1 2 3 4

Figura 6: Weibull
 
k+1
Media: c + λΓ k
!
   2
2 k+2 k+1
Varianza: λ Γ k −Γ k , donde Γ() es la función Gamma.

T de Student
Sin límites por arriba y por abajo. Tiene tres parámetros: µ, ubicación; k > 0, escala; ν > 0, grados de
libertad. Su función de densidad de probabilidad viene dada por
  !− ν+1
Γ ν+1 ( x−µ
2
2
r
2 k ) ν−2
fX (x; ν, µ, k) = √   1+ , para x > 0 y k = σ
k νπΓ ν2 ν 2

donde Γ() es la función Gamma. Esta distribución representa dibujos de muestras pequeñas de una distribu-
ción normal. También se utiliza para representar los rendimientos de las acciones.
Media: µ para ν > 1.
ν
Varianza: k ν−2 , para ν > 2.

5
 0.30

µ = −1; k = 1, ν = 2
0.20
0.10
0.00

−4 −2 0 2 4

Figura 7: t de Student

Pareto
Acotado por abajo, no acotado por arriba. Tiene dos parámetros: µ > 0, escala; α > 0 forma. Su función de
densidad de probabilidad viene dada por

αµα
fX (x; α, µ) = , para todo x ≥ µ
xα+1
Utilizada comúnmente para describir la distribución de la riqueza, es la clásica distribución de ley de potencia.
0.5

α = 1; µ = 2
0.3
0.1

2 3 4 5 6 7 8

Figura 8: Pareto
αµ
Media: α−1 , para α > 1

6
 µ2 α
Varianza: (α−1)2 (α−2) , para α > 2
Nótese que el momento n sólo existe si α > n.

Normal inversa
Acotada por abajo, no acotada por arriba. Tiene dos parámetros: µ > 0, localización; β > 0, escala. Su
función de densidad de probabilidad viene dada por
r
2
β − 2xβ x−µ
fX (x) = 3
e µ ,x≥0
2πx

Esta distribución modela el tiempo que tarda un movimiento browniano en recorrer una determinada distan-
cia.

µ = 1; β = 0.5
0.8
0.4
0.0

0 1 2 3 4 5 6

Figura 9: Normal inversa

Media: µ.
µ3
Varianza: β

Logística
Esta distribución es ilimitada por abajo y por arriba. Tiene dos parámetros: µ, localización; σ > 0 escala.
Su función de densidad de probabilidad viene dada por

x−µ
1 e σ
fX (x; µ, σ) =
2
σ 1 + e x−µ
σ

La distribución logística modela el valor medio de los máximos y mínimos de una colección de variables
aleatorias, a medida que el número de muestras se hace grande.
Media: µ.
π2 σ2
Varianza: 3

7
 0.20

µ = 2; σ = 1
0.10
0.00

−5 0 5 10

Figura 10: Logistica

Laplace
Esta distribución es ilimitada por abajo y por arriba. Tiene dos parámetros: µ, localización; β > 0 escala.
Su función de densidad de probabilidad viene dada por

1 − |x−µ|
fX (x; µ, b) = e b
2b
Los errores en las observaciones suelen ser normales o de Laplace.

µ = 2; b = 1
0.4
0.2
0.0

−5 0 5 10

Figura 11: Laplace

Media: µ.
Varianza: 2b2 .

8
Lévy
Sin límites por abajo y por arriba. Tiene dos parámetros: µ, ubicación y c > 0, escala.

c
c e− 2(x−µ)
r
fX (x; µ, c) =
2π (x − µ)3/2

La distribución normal es un caso especial de ésta con µ = 2 y c = 0, y con el parámetro c siendo la

mitad de la varianza. La distribución de Lévy, o distribución de Pareto Lévy, es cada vez más popular en
las finanzas porque se ajusta bien a los datos y tiene colas pesadas adecuadas. También tiene la importante
propiedad teórica de ser una distribución estable, ya que la suma de números aleatorios independientes
extraídos de la distribución de Lévy será en sí misma Lévy. Esta es una propiedad útil para la distribución
de los rendimientos. Si se suman n números independientes de la distribución de Lévy con los parámetros
anteriores, se obtendrá un número de otra distribución de Lévy con los mismos µ y f, pero con una media
de nl/ax y una dispersión nl/av. La cola de la distribución decae como | x | −1 − µ.
0.25

µ = 0; β = 1
0.15
0.05

1 2 3 4 5 6

Figura 12: Levy

Media: ∞.
Varianza: ∞, a menos que µ = 2, en cuyo caso es 2c.

Referencias y lecturas adicionales

Spiegel, MR, Schiller & JJ Srinivasan, RA 2000 Schaum’s Outline of Probability and Statistics. McGraw-Hill
Wikipedia