Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
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
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
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
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
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
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
µ = 0; β = 1
0.15
0.05
1 2 3 4 5 6
Media: ∞.
Varianza: ∞, a menos que µ = 2, en cuyo caso es 2c.