Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Probabilidad y simulación
Índice
0 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1 Modelos: variables aleatorias y simulación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
• Variables aleatorias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
• Simulación de variables aleatorias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
• Modelos, modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
• Transformación de variables aleatorias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
2 Interludio: Álgebra matricial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
3 Varias dimensiones y simulación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
• Varias variables aleatorias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
• Simulación conjunta de variables aleatorias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
• Cópulas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
• Cambios de probabilidad lognormales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 2
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 3
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
0. Introducción
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 4
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Ejemplo 1. VHS contra BETA, un modelo de competición (podrı́a ser Microsoft contra
Apple, zurdos contra diestros, etc.).
Una historia de la que, sin duda, extraemos conclusiones; o para la que buscamos
explicaciones racionales.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 5
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
¿Se estabiliza esta proporción? ¿En qué posibles valores? ¿Y en cuál de estos valores
es más probable que se estabilice? Recurrimos al ordenador como laboratorio proba-
bilı́stico. En cuanto tenemos el modelo o el mecanismo aleatorio, podemos simularlo
(y quizás extraer conclusiones). Ésta es la esencia del método Montecarlo.
Ilustración
Simulación del mecanismo aleatorio de la urna de Pólya en Excel.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 6
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Ejemplo 2. tenemos dos urnas: U1 tiene 8 billones de bolas negras y 2 billones de bolas
blancas. U2 contiene 8 billones de blancas y 2 billones de negras.
Se sortea, con una moneda equilibrada, qué urna se usa y se extraen 10 bolas de la
elegida. Han salido 5 negras y 5 blancas.
Ilustración
Simulación en Excel.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 7
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Ejemplo 3. Les propongo la siguiente apuesta. Fijamos a priori dos valores, digamos el
1 y el 10. Y jugamos una partida de cara y cruz, con una moneda regular, que acaba la
primera vez que hayamos obtenido tantas caras como cruces. En el dibujo, cara significa
“subir 1”.
10
Acabada la partida, se cuenta el número de veces que hemos visitado las alturas 1 y 10;
por cada visita al 1 les pago 1 euro, mientras que, por cada visita al 10, ustedes me
pagan digamos 3 euros. El juego lo podemos repetir tantas veces como queramos.
Ilustración
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 8
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Un primer ejemplo (sencillo): podemos modelar un tiempo a default (en años) con
una variable aleatoria geométrica de parámetro 1/2.
Esto supone que la probabilidad de hacer default el primer año es 1/2, que la probabilidad
de no hacer default el primer año y sı́ el segundo es 1/4, que con probabilidad 1/8 se
sobrevive a los dos primeros y el default llega el tercero, etc.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 9
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Pero también podemos simular. Es decir, realizamos el experimento muchas veces (por
ejemplo, 1000), para luego componer un histograma con los resultados. Cada simulación
es aquı́ un sólo número, un tiempo a default.
Como veremos más adelante, las leyes de los grandes números garantizan que ambos
histogramas son muy “parecidos”, si el número de simulaciones es suficientemente
“grande” (y claro, las simulaciones están “bien hechas”).
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 10
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Segundo ejemplo: queremos modelizar la curva cupón cero. Por ejemplo, los factores
de descuento de 10 plazos: 1, 2, 3 y 6 meses, 1, 2, 3, 5 y 10 años.
Es claro que no vamos a poder obtener la lista de posibles pagos de la cartera ni sus
probabilidades, y que tampoco dispondremos de fórmulas explı́citas para los estadı́sticos
de interés (pago medio de la cartera, ganancia media, probabilidad de pérdidas, etc.).
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 11
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
• y, para cada una de estas evoluciones, calculamos el pago de nuestra cartera. Ası́ que,
después de todo, el resultado final de la simulación es también un número, el resultado
de la estrategia de inversión.
Repitiendo el experimento el número suficiente de veces, llegaremos a un histograma de
P&L de la cartera del que podremos extraer las conclusiones oportunas.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 12
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 13
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Con más detalle, una variable aleatoria discreta X puede tomar unos ciertos
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 14
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Los valores pueden ser cualesquiera, pero los números pj han de cumplir que
n
X
p1, . . . , pn ≥ 0 (no negativos) y deben sumar 1: pj = 1.
j=1
x1 x2 x3 ··· xn
Nota
En ocasiones, es conveniente permitir que la variable tome infinitos valores: x1 , x2 , . . . , con
probabilidades respectivas p1, p2 , . . .
P∞ p3
Los números pj ≥ 0 suman j=1 pj = 1. p1
p2
(Esta condición exige que los pj deben tender a 0 pn
cuando j → ∞, y además a cierta “velocidad”). x1 x2 x3 ··· xn ···
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 15
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
X X
E(X) = valores × probabilidades = xj pj
j
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 16
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Esto nos exigirı́a, en principio, saber qué valores y1, y2 , . . . toma Y y con qué proba-
bilidades q1, q2, . . . , para luego promediarlos:
X
E(Y ) = yj qj ,
|{z} |{z}
j valores de Y probs de Y
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 17
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Sin embargo, el cálculo que nos interesa se puede realizar usando únicamente las
probabilidades de X:
X
E(Y ) = E(g(X)) = g(xj ) pj ,
| {z } |{z}
j valores de Y probs de X
pues la variable Y = g(X) toma cada valor g(xj ) justamente con probabilidad pj (la
misma con la que X tomaba el valor xj ).
valores −2 −1 0 1 2
probs 20 % 20 % 20 % 20 % 20 %
valores 0 2 4
La variable Y = X 2 es −→
probs 20 % 40 % 40 %
E(Y ) = E(X 2) = (−2)2 ·20 %+(−1)2 ·20 %+(0)2 ·20 %+(1)2 ·20 %+(2)2 ·20 % = 2.4.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 18
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
2
V(X) = E (X − E(X))
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 19
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Observación
68 %
Si nos dicen que una variable aleatoria X tiene media E(X) = 0 95 %
y desviación tı́pica σ(X) = 1, uno tiende a pensar en una s
s
normal estándar.
−2 −1 0 1 2
1 V(X)
P |X − E(X)| > λ σ(X) ≤ 2 también se puede escribir P |X − E(X)| ≥ a ≤
λ a2
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 20
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
El momento µ2 es la varianza.
Son de uso habitual las dos siguientes cantidades, relacionadas con los momentos tercero
y cuarto:
µ3
skewness: 3/2
(da idea de la asimetrı́a de la distribución)
µ2
µ4
(exceso de) kurtosis1: 2 − 3 (da idea del grosor de las colas de la distribución)
µ2
1
Es una medida relativa a la kurtosis de la distribución normal, en la que µ4 /µ22 = 3 (véase la página 40).
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 21
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
La función de distribución
Una descripción alternativa de una variable aleatoria X, más general y que será muy
útil en simulación, viene dada por la función de distribución:
FX (x) = P(X ≤ x) ,
En el caso discreto, X
FX (x) = pj .
j tales que xj ≤ x
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 22
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 23
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Existe un mecanismo universal para simular variables aleatorias. Consta de dos pasos:
2
Se trata de una cuestión sutil, pues en principio el modelo contempla números entre 0 y 1 con infinitas cifras decimales.
Técnicamente, son muestras de una variable uniforme en [0, 1], sobre la que volveremos en la página 37.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 24
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Aceptemos que la función aleatorio() produce muestras entre 0 y 1, todas con igual
probabilidad.
ejemplo 1. Digamos que queremos sortear lanzamientos de una moneda. La moneda
tiene dos resultados, que codificamos como 0 y 1. Asignamos, por ejemplo, 50 % a cada
uno de los resultados.
Para sortear muestras de este modelo
sorteamos un número entre 0 y 1 con aleatorio();
si sale menor que 0.5, declaramos que el resultado es “cara” (ó 1); si es mayor,
declaramos “cruz” (ó 0).
Como esperamos que el 50 % de las muestras que genere la función aleatorio() estén
entre 0 y 0.5, la frecuencia de aparición de “cara” será también del 50 %.
¿Podrı́amos “cargar” la moneda?
ejemplo 2. Queremos sortear ahora de una variable aleatoria X que toma los valores
−2, 0, 1, 3 y 5 con probabilidades 20 %, 10 %, 30 %, 25 % y 15 %, respectivamente.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 25
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Partimos el intervalo [0, 1] en cinco partes (tantas como valores). Los intervalos van
de 0 a 0.2 (longitud 0.2), de 0.2 a 0.3 (longitud 0.1), de 0.3 a 0.6 (longitud 0.3), de
0.6 a 0.85 (longitud 0.25) y, finalmente, de 0.85 a 1 (longitud 0.15). Nótese que las
longitudes de los intervalos vienen dictadas por las probabilidades, pero los extremos de
cada intervalo vienen dados por las probabilidades acumuladas.
Simulación en Excel
Ilustración
Simulación de muestras de una variable discreta en Excel.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 26
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Z b
P(a ≤ X ≤ b) = f (x)dx
a
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 27
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Las definiciones son las mismas que antes, pero ahora se calculan integrando:
Media: Z ∞
E(X) = x f (x) dx .
−∞
Varianza:
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 28
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Función de distribución
La definición es la misma,
FX (x) = P(X ≤ x) ,
pero sus valores se obtienen integrando la función de densidad (hasta x):
Z x
FX (x) = f (y) dy.
−∞
Nota. La función de densidad y la función de distribución describen completamente el modelo. Son descripciones
alternativas. En el caso discreto, se pasa de una a otra sumando y restando.
En el caso continuo, si disponemos de la función de densidad f (x), obtenemos la de distribución integrando, como hemos
visto arriba.
Si disponemos de F (x), entonces recuperamos la de densidad derivando:
′
F (x) = f (x)
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 29
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
1. Generamos una lista de números u1, . . . , un con arreglo a la uniforme [0, 1].
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 30
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Nota
justificación. Se basa en el segundo de estos resultados:
(a) Si X es una variable aleatoria con función de distribución F , entonces U = F (X) es una
variable aleatoria uniforme.
(b) O al revés: si U es una variable aleatoria uniforme, entonces X = F −1(U ) es una variable
aleatoria con distribución F .
1 1
0 0
Lo que no está claro es cómo calcular F −1. En ocasiones, dispondremos de una fórmula
explı́cita, en otras necesitaremos recurrir a métodos numéricos de cálculo (muchos de
ellos almacenados como funciones en Excel).
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 31
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Ilustramos la técnica con una variable triangular, en la que podemos obtener fórmulas
explı́citas para F (x) y F −1(x). Se trata de una variable aleatoria que toma valores en
el intervalo [0, 1], y cuya función de densidad es
2
4x
si 0 ≤ x ≤ 1/2,
fX (x) = 4(1 − x) si 1/2 < x ≤ 1,
0 resto. 1
0 1/2 1
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 32
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Ilustración
Generar 1000 números con arreglo a la distribución triangular. Comprobar el histograma.
Ejercicio
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 33
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Modelos, modelos
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 34
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
0 1
La moneda regular, ber(1/2):
1
0 probabilidad 1/2,
X→ 1/2
1 probabilidad 1/2. función de distribución
0 1
X sigue una ber(p) si toma el valor 1 con probabilidad p y el 0 con 1 − p. Su media y
varianza son
E(X) = p y V(X) = p(1 − p).
Ilustración
Generación de 1000 muestras de la Bernoulli (con el comando si) y comprobación del histograma.
Ejercicio
Analizar la variable X que toma valores 1 con probabilidad p y −1 con probabilidad 1 − p.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 35
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Para simular valores de X, sólo tenemos que definir los “cortes” en el intervalo [0, 1]
dados por
p1 , p1 + p2 , p1 + p2 + p3 , . . .
Ilustración
Generación de 1000 muestras de una variable X que tome valores −2, −1, 0, 1, 2 con
probabilidades 1/8, 1/6, 1/4, 1/12, 3/8 usando la instrucción buscarv.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 36
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
La distribución uniforme
1
1 si x ∈ [0, 1],
Función de densidad fX (x) =
0 resto. 1
0 si x < 0;
1
Función de distribución FX (x) = x si 0 ≤ x ≤ 1; .
1 si x > 1.
1
Media y varianza:
Z 1 Z 1
1 1 1 1 1
E(X) = xdx = y V(X) = x2 dx − = − = .
0 2 0 4 3 4 12
Ilustración
Simulación de muestras de la uniforme con aleatorio(). Comprobación visual del histograma.
Ejercicio
Repetir cálculos y simulaciones para una distribución uniforme en un intervalo general [a, b].
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 37
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
La distribución normal
Decimos que una variable aleatoria X sigue una distribución normal estándar, lo que
denotaremos como N (0, 1), si tiene como funciones de densidad y distribución a
Z x
1 2 1 2
φ(x) = √ e−x /2 Φ(x) = √ e−y /2
dy
2π 2π −∞
0.8
0.3
0.6
0.2
0.4
0.1
0.2
–4 –3 –2 –1 1 2 3 4 –4 –3 –2 –1 1 2 3 4
x x
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 38
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
0.6
0.4 0.4
0.4
0.2 0.2
0.2
–10 –8 –6 –4 –2 0 2 4 x 6 8 10 –6 –4 –2 0 2 x 4 6 –6 –4 –2 0 2 x 4 6
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 39
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
95 %
De hecho, el parámetro σ nos da una idea precisa
de “dónde” pueden estar, con muy alta probabili- ✠
(de integración por partes). Sea X una N (0, 1). Obsérvese que E(X j ) = 0 si j es impar.
Compruébese que E(X 2 ) = 1 y E(X 4 ) = 3. Sea ahora X una N (µ, σ). Compruébese que
2 2 2 3 3 2 4 4 2 2 4
E(X) = µ , E(X ) = µ + σ , E(X ) = µ + 3µσ , E(X ) = µ + 6µ σ + 3σ .
Dedúzcase que los momentos centrados µj = E((X − E(X))j ) son 0 si j es impar (por ejemplo,
la skewness es 0), por la simetrı́a en torno a la media, que µ2 = σ 2 y que µ4 = 3σ 4 (por lo que la
normal tiene kurtosis 3, independientemente de µ y σ ).
Ilustración
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 40
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Ilustración
Simular (100 veces, por ejemplo) la suma de 10 Bernoulli “independientes” (de parámetro p, para
varios valores de p). Ver el histograma. También tomando valores +1 y −1.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 41
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
10
1
no. de listas prob común
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 42
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Cómo cambia cuando n crece: Cómo cambia cuando p se mueve en [0, 1]:
0.18
0.16
0.16
0.14
0.14
0.12
0.12
0.1 0.1
0.08 0.08
0.06 0.06
0.04 0.04
0.02 0.02
0 20 40 60 80 100 0 10 20 30 40 50
Ilustración
Sortear con la tabla de valores y probabilidades.
La obtención de muestras de la binomial puede ser una tarea delicada. ¡Si n es grande, n! es un número enorme!
si n es pequeño, no hay problema.
si n es grande y p pequeño, podemos utilizar la aproximación de Poisson (véase la página 45).
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 43
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Media y varianza:
1 1−p
E(X) = y V(X) = 2
.
p p
Ilustración
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 44
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
La distribución de Poisson
0.35
0.3 lambda=1,5,10
0.25
0.2
0.15
0.1
0.05
0 5 10 15 20 25 30
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 45
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Ilustración
• Simular 1000 números extraı́dos de una Poisson, para distintos valores de λ (con la tabla de
valores y probabilidades, convenientemente truncada). Ver histogramas.
• Fijado λ, generar muestras de una binomial de parámetros n y p. Manteniendo fijo el producto
n × p = λ, hacer n cada vez más grande. Comparar el resultado con los histogramas obtenidos en
el ejercicio anterior.
Sugerencia para amantes de los cálculos asintóticos: utilı́cese, para k fijo, la aproximación de Stirling: si m es
muy grande,
m −m √
m! ∼ m e 2πm. (¿qué pinta π en esta aproximación?)
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 46
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
La distribución χ2ν
Fijamos un entero positivo ν. Una variable sigue una distribución χ2ν (se lee “ji” o “chi”
cuadrado) con ν grados de libertad si se escribe como la suma
ν
X
Zj2 ,
j=1
Ilustración
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 47
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
1 ν/2−1 −x/2
f (x) = x e , x > 0,
2ν/2Γ(ν/2)
donde Z ∞
z−1 −t
Γ(z) = t e dt
0
es la función gamma.
• Para calcular la función de distribución de la χ2 , podemos, o bien integrar numéricamente la función anterior, o bien utilizar
la función de Excel correspondiente, distr.chi(x,grados de libertad). Pero, ¡atención!, esta función devuelve el valor
P(X > x), para x ≥ 0, donde X sigue una χ2 con los grados de libertad establecidos. Ası́ que la función de distribución
viene dada por:
Fχ2 (x) = P(χ2ν ≤ x) = 1 − distr.chi(x;ν ).
ν
• La inversa de la función de distribución de una χ2 está también en Excel. Para cada 0 < p < 1,
F −1
2 (p) = prueba.chi.inv(1-p;ν ) .
χν
Ilustración
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 48
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Ejercicio
En cálculos posteriores, aparecerá la variable aleatoria 1/Z , donde Z es una χ2ν . Su media resulta
ser 1 1
E = (cuando ν > 2).
Z ν−2
Detalle. 1) Empezamos observando que
Z Z
1 2 +···+z 2 )/2
−(z1 ν
1= ··· e dz1 · · · dzν .
(2π)ν/2
3) Por último, Z Z
1 1 1 2 +···+z 2 )/2
−(z1 ν
E 2
= · · · 2
e dz1 · · · dzν
χν (2π) ν/2 2
z1 + · · · + zν
4) Pasando a polares, utilizando la expresión de 2) y la siguiente propiedad de la función Γ: Γ(z + 1) = zΓ(z),
obtenemos el resultado.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 49
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
La distribución tν de Student
Si Y es N (0, 1) y X es una χ2 con ν grados de libertad (independientes entre sı́),
√ Y
Z= ν√ sigue una tν de Student.
X
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 50
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Ilustración
Generar muestras de una tν de las dos formas. Mover ν y comparar con una normal.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 51
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Ilustración
Implementar la simulación de tiempos a default: a) con una intensidad λ; b) con tres intensidades.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 53
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
0.2
E(X) = pr
0.05
0 20 40 60 80 100
Ejercicio
Simular tiempo de espera hasta tener r éxitos en una sucesión X1 , X2, . . . de Bernoullis.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 54
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Modelos en cascada
Se trata de modelos organizados en varias etapas, en los que los datos obtenidos en una
etapa se utilizan en la siguiente (como parámetros, por ejemplo).
Ilustración
Tenemos una uniforme en [0, 1] y otra en [2, 3]. Paso 1: sorteamos (con p y 1 − p) de
qué distribución extraemos un número. Paso 2: sorteamos un número de la uniforme seleccionada.
Ilustración
Tres escenarios: lateral (probabilidad 90 %), bajista y alcista (5 % a cada). En cada escenario se
sortea una normal (de medias 0, −3 y 2, respectivamente).
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 55
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Ejercicio
Suma de variables Bernoulli no independientes. Una urna con b bolas blancas y n bolas negras.
Se extrae una bola: si sale blanca, contamos 1 (y 0 en caso contrario). La bola no se vuelve a
colocar en la urna y repetimos el experimento. Finalmente, sumamos los resultados obtenidos.
Ejercicio
Se sortea Y (normal N (0, 1)) y luego se sortea una X , una normal N (Y, 1). Estı́mese P(X < 2)
R∞ −y 2 /2
√
por simulación. Compárese con el valor teórico P(X < 2) = −∞ Φ(2 − y)e / 2πdy .
(Nota: la variable X es Y + Z , donde Y y Z son N (0, 1) independientes).
Ejercicio
Tres niveles.
Una urna contiene 3 bolas (roja, verde y azul). Se extrae una bola. Su color determina cuál es la
siguiente urna (roja, verde o azul) que se va a usar. Las urnas contienen bolas blancas y negras,
en diferentes proporciones.
De la urna elegida se extraen 5 bolas: la proporción blancas/negras observada es el parámetro
de una Bernoulli.
Finalmente, se sortea esa Bernoulli.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 56
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
O bien, aunque suene más extraño, podemos también cambiar las probabilidades.
Un mecanismo que será muy útil en lo sucesivo, del que aquı́ mostraremos dos
ilustraciones (página 83), y sobre el que volveremos más adelante (página 157).
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 57
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
O, más generalmente,
Y = h(X1, X2, . . . , Xn) .
Por ejemplo,
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 58
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Y = máx{X − K, 0} .
V es un instrumento que paga flujos c1, . . . , cn en tiempos t1, . . . , tn. Entonces, para
cada t ≤ t1,
Xn
valor de V en tiempo t = cj e−(tj −t) Rj ,
j=1
que es una variable aleatoria que depende de las variables aleatorias (tipos continuos)
R1, . . . , Rn de tiempo t a plazos (t1 − t), (t2 − t), . . .
Capital económico/Basilea:
−1
−ρY + Φ (P D)
porcentaje de incumplimientos en una cartera = Φ p
1 − ρ2
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 59
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Digamos que
Y = h(X) .
X es el modelo que conocemos (disponemos de sus valores y sus probabilidades). Por
su parte, h es una cierta función (que conocemos explı́citamente).
2.- Cálculo de esperanzas. Supongamos que X toma valores x1, x2, . . . con proba-
bilidades p1, p2, . . . . Entonces, Y = h(X) toma los valores h(x1), h(x2), . . . con las
probabilidades originales. Ası́ que
X
E(h(X)) = h(xj )pj .
j
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 60
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
De nuevo, las probabilidades (función de densidad) son las de X, aunque los valores
que se integran son los transformados por h. ¡Muy cómodo!
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 61
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
d d −1 −1 1
fY (y) = FY (y) = FX (h (y)) = fX (h (y)) ′ −1
dy dy h (h (y))
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 62
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Si llamamos t = h−1(y), es decir, y = h(t), entonces la relación anterior se puede escribir como
fY (h(t))h′(t) = fX (t), que nos dice que la función de densidad de Y (en el punto transformado h(t)) es la
de X (en el punto original t), reescalada por el valor de la derivada de h en t.
d −1 1
fY (y) = FY (y) = −fX (h (y)) ′ −1
dy h (h (y))
Si llamamos de nuevo t = h−1 (y), es decir, y = h(t), entonces fY (h(t))h′(t) = −fX (t).
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 63
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Tendremos entonces que considerar (y argumentar por separado en) las regiones donde
h′ cambia de signo.
FY (y) = P(Y ≤ y)
✣
= P(X 2 ≤ y) −y
|X| < y
y
(
0 si y ≤ 0
= √ √ √ √
P(− y ≤ X ≤ y) = FX ( y) − FX (− y) si y > 0
√ √
1
Y, por tanto, fY (y) = √
2 y fX ( y) + fX (− y) para y > 0.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 64
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Y = eX .
1 1
fY (y) = fX (ln(y)) = fX (ln y) (si y > 0).
eln(y) y
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 65
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Ası́ que
1 −(ln y)2 /2
fY (y) = √ e
y 2π
0.6
0.5
0.4
0.3
0.2
0.1
0 2 4 y 6 8 10
Ejercicio
1 2 2
fY (y) = √ e−(ln y−µ) /(2σ )
yσ 2π
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 66
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
donde X es una variable normal con ciertos parámetros y (•)+ es la función “parte
positiva”: (•)+ = máx(•, 0).
Obsérvese que podemos calcular estas dos medias utilizando la función de densidad de la
lognormal, que ya conocemos. Pero aquı́ lo haremos empleando la función de densidad
de la normal.
Este primer cálculo se enmarca dentro de los “ajustes de convexidad” que analizamos
en el apartado siguiente.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 67
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Unos cálculos análogos, para una X que siga una N (µ, σ), nos conducen a
2
E(eX ) = eµ+σ /2
= eE(X)+V(X)/2
2
2
V(eX ) = e2µ+σ eσ −1
Ejercicio
Pruébense las dos identidades anteriores.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 68
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Este cálculo aparecerá en diversos contextos. Como ilustración, digamos que, en el modelo de Black-Scholes, se
postula que el valor de un activo en tiempo T viene dado por
√
(r−σ 2 /2)T σ TX
ST = S0 e e ,
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 69
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Para “quitar” la parte positiva, determinamos para qué valores de x no se anula esa
función:
−A 1
A Bx
e e −K ≥0 =⇒ eBx
≥Ke =⇒ x ≥ ln(K e−A )
|B {z }
≡C
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 70
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
x2
El truco habitual es “completar cuadrados”. Reescribimos el exponente como Bx − 2
2
como − 12 (x − B)2 + B2 , y la integral queda
Z ∞ Z ∞
2
/2 dx 2 dx2
eBx−x √ = eB /2 e−(x−B) √ /2
C 2π C 2π
Z ∞
z=x−B 2
B /2 −z 2 /2 dz B 2 /2
= e e √ =e Φ(B − C) .
C−B 2π
Reuniéndolo todo,
A BX + A B 2 /2
E([e e − K] ) = e e Φ(B − C) − K Φ(−C)
Ejercicio
Fórmula de Black-Scholes para la call. Compruébese que, si ST es como en la página 69,
+ −rT −rT 1 S 0 1 √
E [ST −K] e = S0 Φ(d+)−Ke Φ(d− ) , con d± = √ ln −rT
± σ T
σ T Ke 2
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 71
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Aproximación de transformaciones
de variables aleatorias
Ya hemos visto cuán aparatoso es obtener información sobre una variable aleatoria
Y = h(X) a partir de la información del modelo X y del conocimiento de la función h.
Por eso, es conveniente disponer de aproximaciones que nos proporcionen información
parcial, no exacta, pero fácilmente calculable, sobre ciertas caracterı́sticas de Y :
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 72
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Ejemplo 1. Ya hemos visto que si X es una N (µ, σ), la media de eX no es eE(X) = eµ,
como uno esperarı́a, sino que
ajuste de convexidad
z }| {
2
−σ 2 /2
E(eX ) = eµ+σ /2
. En otras palabras, E(eX ) = eµ .
Ejemplo 2. Digamos que X toma los valores ±σ, cada uno con probabilidad 1/2.
Nótese que E(X) = 0 y V(X) = σ 2 . Consideramos de nuevo la variable Y = eX , que
toma valores eσ y e−σ , con probabilidad 1/2. Su media no es eE(X) = 1, sino que
ajuste
e +e σ −σ z }| {
X X−ln(cosh(σ))
E(Y ) = E(e ) = = cosh(σ) es decir, E e = 1.
2
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 73
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Nota
Convexidad. Una función h es convexa si,
como se muestra en el dibujo, la gráfica de
h(x2 )
la función queda por debajo de la recta que
ph(x1)+(1−p)h(x2)
une cada dos puntos. Es decir, si h(px1 +(1−p)x2)
h(x1 )
p h(x1 )+(1−p) h(x2) ≥ h(px1+(1−p)x2 )
x1 x
De donde se deduce la desigualdad de Jensen px1 +(1−p)x2 2
X X
h( pi xi ) ≤ pih(xi )
i i
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 74
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
1
y0 ≥ .
1 + x0
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 75
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Esto es,
h′′(µ) 2
E(h(X)) − h(µ) = σ + ···
2!
Ejercicio
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 76
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
′h′′(µ)
h(X) − h(µ) ≈ h (µ) (X − µ) + (X − µ)2
2
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 77
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
′ h′′(µ)
h(X) − h(µ) ≈ h (µ) (X − µ) + (X − µ)2 .
| {z } 2 | {z }
una variable N (0, σ) el cuadrado de una normal
lo que supone que aproximamos h(X) como la suma de una normal y una normal al
cuadrado.
Ilustración
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 78
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 79
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Vamos a suponer que la variación de valor (en un dı́a) del activo sigue una normal:
X1 − X0 p
∼ N (0, σdiaria) , donde σdiaria = σ × 1/255.
X0
Ilustración
Compárense los histogramas (de variación de valor de la opción) obtenidos con la fórmula de BS y
con aproximaciones Delta y Delta-Gamma. Para los datos anteriores, ∆ = 0.3125 y Γ = 0.0101.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 80
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Aproximación de percentiles
Digamos que X tiene media E(X) = 0 y varianza V(X) = 1. Los primeros términos
de este desarrollo (de Cornish-Fisher) son
h Φ−1 (α)2 − 1 i
−1 −1
F (α) = Φ (α) + × skewness
6
h Φ−1(α)3 − 3Φ−1 (α) i
+ × exceso de kurtosis + · · ·
24
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 81
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Ilustración
Calcular percentiles con esta aproximación en distribuciones conocidas: N (µ, σ), Exp(λ),
lognormal, etc.; comparar con los valores obtenidos analı́ticamente.
Ilustración
Repetir el ejercicio con una serie de datos.
Ilustración
Supongamos que los rendimientos de una cartera tienen media µ = −0.2 % y desviación tı́pica
σ = −2.2 %. Calcúlese el percentil 1 % si suponemos que los rendimientos siguen una normal con
esos parámetros. Ajústese ese percentil si asumimos que hay un skewness de −0.4 %.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 82
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
X x1 p2 Y = h(X) h(x1 ) p2
.. .. ✲
.. ..
. . . .
xn pn h(xn ) pn
x1 x2x3 x4 x5 y1 y2 y3 y4 y5
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 83
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
El cambio de probabilidad
La idea es bien sencilla y general: de una cierta variable aleatoria X nos interesa calcular
la media, X
E(X) = xi pi .
i
Pero, por alguna razón, este cálculo no es fácil de hacer. Sin embargo, dados unos
número ϕ1, ϕ2, . . . , todos positivos, resulta que sı́ sabemos calcular E(X) a través de
X xi
· |pi{zϕi}
i
ϕi
|{z}
nuevos valores nuevas
probs
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 84
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Estas relaciones nos dicen, simplemente, que podemos calcular EP(X) haciendo prome-
dios, con Q, de otra variable aleatoria (la variable X/ϕ).
O alternativamente, que podemos calcular EQ(X) haciendo promedios, con P, de otra
variable aleatoria (la variable X · ϕ).
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 85
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Ahora tomamos una función ϕ > 0 y definimos una nueva medida de probabilidad dQ:
dQ
dQ(ω) = ϕ(ω)dP(ω); o, simbólicamente, ϕ =
dP
ϕ es el diccionario entre P y Q. Allá donde Q asigne más probabilidad que P,
tendremos ϕ > 1 (y ϕ < 1 en caso contrario).
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 86
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Para que todo funcione, es decir, para que dQ sea una verdadera medida de probabilidad,
la función ϕ deberá cumplir que
Z Z
1= dQ(ω) = ϕ(ω)dP(ω)
Z Z Z dP
dQ(ω) dP(ω)
EP(X) = X(ω)dP(ω) = X(ω) = X(ω) dQ(ω) = EQ X
ϕ(ω) dQ(ω) dQ
Z Z Z dQ
dQ(ω)
EQ(X) = X(ω)dQ(ω) = X(ω)ϕ(ω)dP(ω) = X(ω) dP(ω) = EP X
dP(ω) dP
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 87
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Más adelante tendremos ocasión de descubrir diversos contextos donde es útil aplicar
este truco. Pero veamos ahora unos cuantos ejemplos en los que estamos interesados
en calcular una media por simulación.
Digamos que p es muy pequeño; por ejemplo, p = 10−6. Si sorteamos 1000 muestras de
X y hacemos la media aritmética de los resultados,casi con toda seguridad obtendremos
1000 ceros. ¡Y nuestra estimación de la media de X serı́a 0!
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 88
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Pero ahora, en lugar de registrar 0 ó 1 (los valores de X), registramos ahora 0 ó 1/500
(los valores de X/ϕ).
Ilustración
que vale 0 en cuanto alguna de las xj sea −1 (en cuanto salga una cruz), y vale 230 en
caso contrario. El pago de 230 se produce con probabilidad 1/230. Luego EP(Y ) = 1.
Queremos obtener este valor medio por simulación. Sorteamos en Excel los 30 lanza-
mientos de moneda, que nos dan un valor de Y . Esto lo repetimos, digamos, 5000
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 89
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
veces, y promediamos estos resultados. Ası́ obtendremos, casi con toda seguridad, un
promedio de 0 (porque las simulaciones con pago no nulo no van a aparecer “nunca”).
El esquema de simulación no está bien adaptado a nuestro problema.
Simular con esta nueva Q es sencillo. El “cambio de probabilidad”, sin embargo, es más
aparatoso, pues en cada lista ω = (x1, . . . , x30) tiene un valor distinto:
dP 1/230
ϕ(ω) = (ω) = #{x = +1} #{x = −1}
.
dQ q j (1 − q) j
Pero recordemos que pretendemos calcular EP(Y ) por simulación. Ahora, la probabilidad
de obtener pagos no nulos (es decir, 30 unos seguidos) ya es apreciable; en concreto, es
q 30 = 21.46 %.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 90
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Pero no es el promedio con Q de Y el que hay que hacer, sino el promedio de una
variación de Y . En concreto, de
(
0 con probabilidad 1 − q 30,
Z = Y /ϕ = 30 1/2
30
30
2 q 30 con probabilidad q
(obsérvese que sólo hemos tenido que calcular ϕ para la lista de los 30 unos).
Simbólicamente, hemos aplicado de nuevo la receta
dP
EP(Y ) = EQ(Z) = EQ Y .
dQ
Ilustración
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 91
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Ejemplo 3 (una opción tipo put muy fuera de dinero). En nuestro modelo,
√
(r−σ 2 /2)T σ TX
ST = S0 e e , donde X ∼ N (0, 1).
donde h1(x) es una cierta función. Obsérvese que ST /S0 < 75 % (que es cuando se
producen pagos no nulos) es equivalente a que
− ln(75 %) − (r − σ 2/2)
X< = −3.3268 . . .
σ
Calculamos el valor medio (sin descontar) del pago de la opción por simulación:
sorteamos valores de X, comprobamos si ST /S0 < 75 % y obtenemos el pago de la
opción. Esto lo repetimos muchas veces y promediamos los resultados. Pero, claro, sólo
tendremos pagos no nulos cuando obtengamos muestras de X que sean menores que
−3.3268 . . . Y esto, a priori, tiene probabilidad Φ(−3.3268 . . . ) = 0.0439 %. En 1000
simulaciones esperamos obtener 0, 1, quizás 2, valores no nulos. Demasiada variabilidad.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 92
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
¿Qué hacemos?
Vamos a cambiar la probabilidad de manera que se muestree “más veces” la zona de
interés. Por ejemplo,
modelo original nuevo modelo
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 93
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Ası́ que podemos promediar con Q, pero los valores son h(x)/ϕ(x).
Ilustración
Impleméntese en Excel este procedimiento de simulación. ¡Obsérvese que el “nuevo modelo” ya no
es una normal! ¿Cómo nos las apañamos para sortear de él? Aplı́quese al cálculo del precio de la
opción en la que h1(x) = 15, cuyo valor podemos calcular analı́ticamente:
Z 2 Z 2
e−x /2∞ −3,33
e−x /2
EP (h(X)) = h(x) √ dx = 15 √ dx = 15 Φ(−3.3268) ≈ 0.006588
−∞ 2π −∞ 2π
Ejercicio
Impleméntese en Excel el procedimiento de simulación para otro posible cambio de probabilidad.
Por ejemplo, que el nuevo modelo sea una normal de media cercana al strike de la put; por ejemplo,
que la media sea el propio valor −3.3268.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 94
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 95
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
matrix.xla
(disponible en http://digilander.libero.it/foxes/SoftwareDownload.htm)
poptools (disponible en http://www.cse.csiro.au/poptools/)
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 96
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Matrices y vectores
Los objetos que vamos a manejar en estas sesiones son las matrices (rectangulares) de
dimensiones m × n, disposiciones ordenadas de m × n números:
a11 a12 · · · a1n
a21 a22 · · · a2n m filas y n columnas
A= .. .. ...
.. el elemento aij está en la fila i y en la columna j
am1 am2 · · · amn
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 97
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 98
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Suma de matrices
No hay sorpresas: debemos sumar objetos del mismo tipo (matrices de idénticas
dimensiones). Si A y B son matrices m × n, los elementos (entradas, registros) de la
matriz C = A + B (que tiene también dimensiones m × n) vienen dados por
A + B = B + A (conmutativa);
λ(A + B) = λA + λB;
etc.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 99
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Producto de matrices
Ahora debemos tener cuidado, porque no siempre podemos multiplicar dos matrices.
Dada una matriz A de dimensiones m × n, para definir el producto AB, la matriz B
debe ser de dimensiones n × p. En ese caso, el resultado C = AB es una matriz m × p
cuyas entradas son
n
X
cij = aik bkj para cada i = 1, . . . , m, j = 1, . . . , p.
k=1
Por ejemplo,
1 0
1 3 5 1 2 1 22 0
−1 0 3 1 8 −1
3 −1 =
2 3 4 1 20 1
0 2
A es 3 × 4 B es 4 × 2 C es 3 × 2
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 100
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Pero incluso cuando tanto AB como BA estén definidos (como, por ejemplo, cuando
ambas son matrices cuadradas n × n), los resultados no tienen por qué coincidir (el
producto de matrices no es conmutativo). Por ejemplo,
1 01 −1 1 −1
=
2 23 0 8 2
1 −1 1 0 −1 −2
=
3 0 2 2 3 0
Pn
a11 a12 · · · a1n v1 j=1 a1j vj
a21 a22 · · · a2n v2 Pn
. . . . =
j=1 a2j vj
. . . .. . . ..
Pn
an1 an2 · · · ann vn j=1 anj vj
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 101
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Es decir,
si Av = b, entonces bT = (Av)T = vTAT
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 102
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
la instrucción sumaproducto (para lo que ambos deberán ser vectores fila, o vectores
columna);
o bien la instrucción matricial mmult (o bien m prod, del paquete Matrix.xla), pero
entonces habrá que multiplicarlos en el orden correcto.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 103
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Esto ya lo hemos usado, por ejemplo, cuando calculábamos la media de una variable alea-
toria X que tomaba valores x = (x1, x2, . . . , xn) con probabilidades p = (p1, p2, . . . , pn):
p1 x1
n
X p2 x2
E(X) = T
xj pj = x p = (x1, x2, . . . , xn) . = p x = (p1, p2, . . . , pn)
T
..
.
.
j=1
pn xn
Obsérvese que cuando multiplicamos escalarmente un vector u por sı́ mismo, obtenemos
n
X
uTu = u2j = kuk2 ,
j=1
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 104
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 105
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
−1 −1
|A {z A} x = A b =⇒ x = A−1b
=In
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 106
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Ilustración
Cálculo de carteras replicantes
De un cierto subyacente se sabe que mañana puede alcanzar siete niveles de precio: 70, 80, 90,
100, 110, 120 y 130. Éstos son los siete escenarios posibles.
Una opción paga, en cada una de los escenarios, 30, 20, 10, 0, 0, 10 y 20, respectivamente.
Queremos formar una cartera que replique esos posibles pagos. Para ello disponemos de 6 calls
de strikes diversos, además de dinero (con un tipo de interés R).
Ilustración
Ahora sólo disponemos de cinco instrumentos para la replicación. Por ejemplo, dinero y las cuatro
calls de menores strikes. Ahora no podremos hacer una replicación exacta. Obtener la cartera “más
cercana” a la opción en el sentido de los mı́nimos cuadrados (usando el solver).
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 107
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Resolución matricial del problema de mı́nimos cuadrados. Seguimos en el contexto anterior: la opción u con siete pagos
posibles. Ahora sólo disponemos, digamos, de tres instrumentos x, y, z para formar nuestra cartera. Buscamos
ũ = αx + β y + γ z
2 T
kũ − uk = (αx + β y + γ z − u) (αx + β y + γ z − u)
2 2 2 2 2 2 2
= α kxk + β kyk + γ kzk + kuk
T T T T T T
+2αβ x y + 2αγ x z + 2βγ y z − 2αx u − 2β y u − 2γ z u
Ahora hallamos los valores de α, β, γ que hacen que esa cantidad sea mı́nima:
∂ 2 T T T
0= kũ − uk = 2αkxk + 2β x y + 2γ x z − 2x u
∂α
Y las derivadas análogas con respecto a β y γ . Reuniendo la información en forma matricial, deducimos que α, β, γ son
solución de
2 T T T
kxk xy xz α xu
T 2 T
xy kyk yz β = yTu
xTz yTz kzk2 γ zT u
Y sólo hay que invertir la matriz de la izquierda para hallar la solución.
Nótese que si x, y, z son perpendiculares y de longitud 1, entonces la matriz de la izquierda es la identidad (y la solución
viene dada directamente por los productos escalares de los x, y, z con u).
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 108
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Matrices especiales
AT = A
Por otro, son muy relevantes las matrices ortogonales, las que cumplen que
Obsérvese que esto supone que las columnas de A son de longitud 1, y perpendiculares
dos a dos.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 109
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Descomposición de Cholesky
A = CCT ,
¿Qué significa ser “definida positiva”. Veremos los detalles en la página 188. Definición provisional: una matriz (simétrica)
A es definida positiva si, al calcular la matriz C de Cholesky (con la función MCholesky del matrix.xla) y multiplicar CCT ,
recuperamos la matriz A. Las matrices de covarianza (y de correlación) son simétricas y definidas positivas.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 110
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Y luego
2 2
D =b +d
−→ d, e
E = bc + de
Finalmente,
F = c2 + e2 + f 2 −→ f
Se trata, como se puede apreciar, de un procedimiento recursivo y rápido que está incor-
porado en los paquetes matemáticos habituales (por ejemplo, en el matrix.xla) para
el caso general de matrices n × n.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 111
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 112
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 113
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Vamos ahora a considerar dos variables aleatorias, X e Y , que toman valores x1, . . . , xn
e y1, . . . , ym, respectivamente, con ciertas probabilidades.
Pero ahora nos interesa considerarlas conjuntamente, como un “vector” (X, Y ). La
información por separado no basta, y deberemos prescribir las probabilidades conjuntas
P(X = xj , Y = yk ), que recogemos en la tabla siguiente:
x1 x2 ··· xn
y1 ··· → P(Y = y1)
y2 P(X = x2 , Y = y2 ) ··· → P(Y = y2)
... ...
ym ··· → P(Y = ym)
↓ ↓ ··· ↓
P(X = x1) P(X = x2 ) ··· P(X = xn)
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 114
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
En el dibujo, a la derecha y debajo de la tabla, hemos sumado por filas y columnas para
obtener las “marginales” de X e Y :
m
X n
X
P(X = xj ) = P(X = xj , Y = yk ) y P(Y = yk ) = P(X = xj , Y = yk )
k=1 j=1
Nótese que, en general, esta información “marginal” no basta para recuperar la tabla.
Aunque sı́ en un caso muy especial, a saber, cuando X e Y son independientes, porque
en este caso, las probabilidades conjuntas se obtienen multiplicando las marginales
correspondientes:
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 115
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
En los modelos continuos, (X, Y ) tiene una función de densidad conjunta fX,Y (x, y):
Z ∞Z ∞
fX,Y (x, y) ≥ 0 y fX,Y (x, y) dx dy = 1
−∞ −∞
Z x Z y
La función de distribución conjunta es FX,Y (x, y) = fX,Y (u, v) du dv.
−∞ −∞
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 116
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
cov(X, Y )
ρ(X, Y ) = p
V(X) V(Y )
Ilustración
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 117
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Si esa cantidad es positiva, quiere decir que es más probable que X − E(X) e Y − E(Y )
tengan el mismo signo. Es decir, que si X produce un valor “grande” por encima de la
media, es altamente probable que Y produzca un valor también grande (por encima de
la suya). O al revés, si X es pequeño, es bastante probable que Y sea pequeño.
inferior/derecha. -2
-3
-4
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 118
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Correlación e independencia
Si X e Y son independientes, su covarianza (y su correlación es 0). Porque si son
independientes, entonces
E(XY ) = E(X)E(Y ),
lo que nos da inmediatamente que la covarianza es 0.
Pero, ¡atención!, no al revés, en general. Dos variables incorreladas no tienen por qué ser
independientes. La independencia es una condición muy fuerte, que determina toda la
tabla de probabilidades conjuntas; mientras que correlación cero es solo una restricción.
Una cuenta de grados de libertad nos ayuda a entenderlo. Digamos que la tabla de
probabilidades conjuntas es 2 × 3. Tenemos, en principio, 6 grados de libertad (que
son 5, en realidad, por la condición de suma 1).
Supongamos que conocemos las marginales. Al ir rellenando la
x1 x2
tabla, descubrimos que solo tenemos 2 grados de libertad. Si las
y1 A X
variables independientes, la tabla se rellenarı́a automáticamente.
y2 B X
Correlación 0 solo nos quita un grado de libertad. Ası́ que tenemos
y3 X X
infinitas tablas (pares de variables) incorreladas, y solo una de ellas
se corresponde con el caso de la independencia.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 119
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 120
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
O también elp
correspondiente vector de desviaciones tı́picas, σ = (σ1, σ2, . . . , σn) ,
donde σj = V(Xj ).
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 121
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Para registrar la información sobre la dependencia (lineal) entre (los pares de) variables
utilizamos una tabla n × n, la matriz de varianzas/covarianzas:
V(X1) cov(X1, X2) · · · cov(X1, Xn)
cov(X2, X1) V(X2) · · · cov(X2, Xn)
V= .. .. ..
...
cov(Xn, X1) cov(Xn, X2) · · · V(Xn)
O la matriz de correlaciones:
1 ρ12 · · · ρ1n
ρ21 1 · · · ρ2n cov(Xi, Xj )
Σ= .. .. ... .. ,
donde ρij =
σiσj
ρ1n ρ2n · · · 1
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 122
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Partimos de Y = (Y1 , . . . , Yn ), con vector de medias µ = (µ1, . . . , µn ), y queremos calcular su matriz de correlaciones.
Pasamos a Ye = Y − µ = (Y1 − µ1 , Y2 − µ2 , . . . , Yn − µn ). Y ahora
Y1 − µ 1
µ2
Y e = Y2 −
eT Y . (Y1 − µ1 , Y2 − µ2 , . . . , Yn − µn) =
..
Yn − µ n
(Y1 − µ1 )2 (Y1 − µ1 )(Y1 − µ2 ) ··· (Y1 − µ1 )(Yn − µn)
(Y − µ )(Y − µ ) (Y2 − µ2 ) ··· (Y2 − µ2 )(Yn − µn)
2 2 1 1
= .. .. ... ..
. . .
(Yn − µn )(Y1 − µ1 ) (Yn − µn )(Y1 − µ2 ) ··· (Yn − µn)2
Luego
eT Y
E(Y e) = V
Y − µ Y − µ Yn − µ n
b = 1 1 2 2 bT Y
b) = Σ
Y , ,..., , entonces E(Y
σ1 σ2 σn
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 123
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Se trata de un modelo en el que cada variable por separado es una normal (con cierta
media y varianza). Pero, además, toda la información conjunta queda (únicamente)
codificada por las correlaciones.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 124
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
La normal bidimensional. Primera versión. El par (X, Y ) sigue una normal bidimen-
sional, y tanto X como Y son N (0, 1). Hay un único parámetro, −1 ≤ ρ ≤ 1 (que
resulta ser, justamente, la correlación entre X e Y ). La función de densidad conjunta es
1 1 2 2
f (x, y) = p exp − 2)
(x − 2ρxy + y )
2π 1 − ρ2 2(1 − ρ
Ejercicio
De integración. Comprobar que, para cualquier ρ,
Z ∞ Z ∞
• f (x, y)dxdy = 1 ;
−∞ −∞
Z ∞ 2
Z ∞ 2
1 1
• f (x, y)dx = √ e−y /2 , f (x, y)dy = √ e−x /2 ;
−∞ 2π −∞ 2π
Z ∞ Z ∞
cov(X, Y )
• ρ(X, Y ) = = E(XY ) = xyf (x, y)dxdy = ρ .
σ(X)σ(Y ) −∞ −∞
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 125
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Razón: si ρ = 0, entonces la función de densidad conjunta se factoriza en dos funciones, una en cada variable.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 126
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
• Segunda versión (más general). El par de variables (X, Y ) sigue una normal
bidimensional, pero ahora
X es N (µ1, σ1);
mientras que Y es N (µ2, σ2);
el parámetro ρ es, de nuevo, la correlación entre X e Y .
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 127
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
La normal multidimensional. Las variables (X1, . . . , Xn) siguen una normal multidi-
mensional
1 1 T −1
f (x) = n/2 1/2
exp − (x − µ) V (x − µ)
(2π) det(V) 2
Si la matriz V es diagonal (es decir, si las Xj son incorreladas), entonces las variables Xj
son independientes.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 128
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
1.- Sobre sumas de normales. Si (X, Y ) sigue una normal bidimensional, de parámetros
µ1, µ2, σ1, σ2, ρ, entonces cualquier combinación lineal Z = aX + bY sigue una
distribución normal de parámetros
2.- Transformaciones lineales. Con más generalidad, si (X, Y ) sigue una normal
bidimensional, entonces el vector (X ′, Y ′) dado por
′ ′ a c X ′ = aX + bY
(X , Y ) = (X, Y ) =⇒
b d Y ′ = cX + dY
Si X es una normal n-dimensional N (µ, V) e Y = XA, donde A es una matriz n × n, entonces Y sigue
una normal multidimensional N (µA, ATVA)
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 129
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
3.- Normales que no son, conjuntamente, una normal bidimensional. Pero podemos
tener dos variables X a Y normales para las que (X, Y ) no sea una normal
bidimensional.
X si |X| > c,
Ejemplo 1. Para un c > 0, X ∼ N (0, 1) e Y =
−X si |X| < c.
De manera que Y tiene la misma distribución (normal) que X . Pero X + Y toma el valor 0 con probabilidad
positiva, ası́ que (X, Y ) no puede ser una normal bidimensional.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 130
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Nuestro objetivo es diseñar mecanismos que permitan obtener muestras de unas variables
aleatorias X1, X2, . . . , Xn que tienen una cierta distribución conjunta de probabilidad.
Si tenemos un par de variables (X, Y ) (discretas) y disponemos de la tabla de probabi-
lidades conjuntas, para sortear muestras del par de variables podrı́amos
−→ empezar sorteando el valor de X (teniendo en cuenta su marginal) y, condicionando
al valor obtenido, sortear el valor de Y (lo que exigirá mirar las probabilidades de la
columna correspondiente, convenientemente reescaladas).
−→ O quizás poner “en fila” las probabilidades (que suman 1) y sortear de la manera
habitual (aunque ahora los “valores” son pares de números).
Ilustración
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 131
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
En la práctica, tendremos muy buena información sobre las marginales, pero no sobre
la distribución conjunta. Y justamente lo que querremos es crear (o parametrizar) una
estructura de dependencia. Los procedimientos que “crean” una distribución conjunta a
partir de las marginales se denominan genéricamente cópulas (véase la página 145).
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 132
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
verifica las propiedades buscadas: tanto X como Y son N (0, 1), conjuntamente son
una normal bidimensional y su correlación es ρ.
p
Detalle. Si X = X1 e Y = ρX1 + 1 − ρ2 Y1 , donde X1 , Y1 ∼ N (0, 1) independientes, entonces,
q
E(X) = E(X1 ) = 0 , E(Y ) = ρE(X1 ) + 1 − ρ2 E(Y1 ) = 0
q
2 2
V(X) = V(X1 ) = 1 , V(Y ) = V(ρX1 + 1 − ρ2 Y1 ) = ρ V(X1) + (1 − ρ )V(Y1 ) = 1
q q
2
corr(X, Y ) = E(XY ) = E(X1 (ρX1 + 1 − ρ2 Y1 )) = ρE(X1 ) + 1 − ρ2 E(X1 Y1 ) = ρ
Ilustración
En Excel, sortear dos normales correladas con este procedimiento. Mover el parámetro ρ.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 133
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 134
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
1.- X = (X1, . . . , Xn) es una normal multivariante de medias (0, . . . , 0), desviaciones
tı́picas (1, . . . , 1) y matriz de correlaciones Σ1 = identidad.
2.- La matriz Σ es simétrica y definida positiva. La escribimos (descomposición de
Cholesky) como
Σ = CCT ,
donde C es una matriz triangular inferior.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 135
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Y = XCT
sigue una normal multivariante de medias (0, . . . , 0), desviaciones tı́picas (1, . . . , 1) y
matriz de correlaciones Σ.
4.- Finalmente,
T T
E(Y) = E(XC ) = E(X)C = 0.
Y la matriz de varianzas/covarianzas de Y es
T T T T T T
V(Y) = V(XC ) = E(CX XC ) = C E(X X) C = CC = Σ ,
ası́ que las desviaciones tı́picas de las Yj son 1 y tiene las correlaciones correctas.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 136
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Partimos de n series, cada una de las cuales consta serie 1 serie 2 ······ serie n
de N datos. La media (muestral, estadı́stica) de la x1
(1)
x1
(2)
··· x1
(n)
serie j es x2
(1)
x2
(2)
··· x2
(n)
N
X ... ... ... ...
1 (j)
µ(j) = xk ... ... ... ...
N ... ... ... ...
k=1
(que podemos calcular en Excel con la función xN
(1)
xN
(2)
··· xN
(n)
Nota. Hay quien usa la cuasivarianza estadı́stica (y la correspondiente cuasidesviación tı́pica), que se define con un N − 1
en el denominador. La función desvest de Excel hace uso de esta definición.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 137
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
N
X
1 (i) (j)
V(i,j) = (xk − µ(i))(xk − µ(j))
N
k=1
(i,j) V(i,j)
ρ = (i) (j)
σ σ
(1) (1,2) (1,n) (1,2) (1,n)
V V ··· V 1 ρ ··· ρ
(2,1)
V(2,1) V(2) ··· V(2,n) ρ 1 ··· ρ(2,n)
Vmuestral = ... ... ... ... y Σmuestral = ... ... ... ...
V(n,1) V(n,2) ··· V(n) ρ(n,1) ρ(n,2) ··· 1
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 138
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Obsérvese que
(1) (2) (n)
x1 x1 ··· x1
(1) (1) (1) (1) (2) (n)
x1 x2 ··· ··· ··· xN x x2 ··· x2
(2) 2
x (2) (2)
.. .. .. ..
T x2 ··· ··· ··· xN . . . .
HH =
1
. .. .. .. .. .. .. .. .. ..
.. . . . . . . . . .
.. .. .. ..
(n) (n) (n) . . . .
x1 x2 ··· ··· ··· xN
(1) (2) (n)
xN ···
xN xN
P (1) (1) PN (1) (2) PN (1) (n)
N
k=1 xk xk k=1 xk xk ··· x
k=1 k x k
PN (2) (1) PN (2) (2) PN (2) (n)
x xk ···
= k=1 k k=1 xk xk k=1 xk xk
.. .. ... ..
. . .
PN (n) (1) PN (n) (2) PN (n) (n)
k=1 xk xk k=1 xk xk ··· k=1 xk xk
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 139
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Si hacemos que todas las series tengan media 0 y formamos la correspondiente matriz H̃ (de dimensiones N × n):
(1) (1) (2) (2) (n) (n)
x −µ x1 − µ · · · x1 − µ
1(1) (2) (n)
x − µ (1)
x − µ (2)
· · · x − µ (n)
2 2 2
.. .. .. .. 1 eT e
He = . . . . entonces Vmuestral = H H
.. .. .. .. N
. . . .
.. .. .. ..
. . . .
(1) (2) (n)
xN − µ(1) xN − µ(2) ··· xN − µ(n)
Y si lo que hacemos es normalizar cada una de las series (media 0 y desviación tı́pica 1):
(1) (2) (n)
x1 −µ(1) x1 −µ(2) x1 −µ(n)
···
σ (1) σ (2) σ (n)
(1) (2) (n)
x2 −µ(1) x2 −µ(2) x2 −µ(n)
···
e
e σ (1) σ (2) σ (n)
H = .. .. .. ..
. . . .
.. .. .. ..
. . . .
(1) (2) (n)
x −µ(1) x −µ(2) x −µ (n)
N N ··· N
σ (1) σ (2) σ (n)
entonces
1 e T
e H e
e
Σmuestral = H
N
El paquete matrix tiene incorporadas funciones para hacer estos cálculos. MCorr, MCovar.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 140
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
2.- Podrı́a dar la impresión de que podemos utilizar el método anterior para simular
un vector cualquiera (Z1, . . . , Zn) con correlación Σ, donde las Zj siguieran modelos
especificados (no necesariamente normales).
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 141
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
1 t
Vmuestral = H ·H
N
no es exactamente la matriz identidad.
Para la siguiente etapa, la incorporación de correlaciones, partir de series que no tengan
exactamente vector de medias (muestrales) 0 y matriz de covarianzas (muestrales)
identidad hace que el método no funcione tan bien como quisiéramos.
Ası́, que antes de nada, corregimos las muestras.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 142
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
VH = CholVH · CholTVH .
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 143
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Ilustración
Simulación de muestras de la normal bidimensional con matriz de correlaciones Σ, incluyendo
corrección de muestras.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 144
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Cópulas
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 145
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
a b
a x p−x −→ p
y la restricción es
b q−x x − (p + q − 1) −→ (1 − p)
máx(p + q − 1, 0) ≤ x ≤ mı́n(p, q).
↓ ↓
q (1 − q)
X Y a b
valores probs valores probs c pq + ε p(1 − q) − ε −→ q
a p c q d q(1 − p) − ε (1 − q)(1 − p) + ε −→ (1 − q)
b 1−p d 1−q ↓ ↓
(con a < b) (con c < d) p (1 − p)
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 146
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Detalle: E(XY ) = ac(pq + ε) + cb(p(1 − q) − ε) + ad(q(1 − p) − ε) + db((1 − p)(1 − q) + ε) , de donde
¡Obsérvese cómo la correlación no depende de los valores que toman las variables!
Además, incorreladas, en este caso, es lo mismo que independientes.
Ejercicio
1. X toma 3 valores; Y toma 2 valores. Las marginales están dadas. ¿Cuántos grados de libertad
hay para las probabilidades conjuntas? Compruébese que incorreladas 6= independientes.
2. Si X toma n valores e Y toma m valores, entonces la tabla de probabilidades conjuntas consta
de nm probabilidades. Compruébese que nos quedan (n − 1)(m − 1) grados de libertad.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 147
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Cópulas en la práctica
Partimos del conocimiento de las marginales de unas variables (X1, . . . , Xn), es decir,
de las funciones de distribución FX1 , . . . , FXn . Queremos crear una estructura de
probabilidades conjuntas.
Supongamos que tenemos una distribución de probabilidad en el cubo [0, 1]n, cuyas
marginales son variables U1, . . . , Un uniformes en [0, 1]. Ahora consideremos el vector
de variables
−1 −1
X = (FX 1
(U 1 ), . . . , F X n
(Un))
que se obtiene de (U1, . . . , Un) transformando cada variable con la inversa de cada
función de distribución FXj . La componente j del vector X tiene, como ya sabemos,
la misma distribución que la variable Xj . Pero además tienen una cierta estructura de
probabilidades conjuntas, que “hereda” en cierta manera la original entre las Uj .
Ésta es la idea básica de los procedimientos de cópula (la teorı́a general puede consultarse
en la página 155). Aquı́ nos centraremos en las dos cópulas que más uso tienen en
Finanzas: la cópula normal y la cópula t. Ambas se basan en que sabemos correlar
normales (vı́a la transformación de Cholesky).
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 148
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Cópula normal
Tenemos unas ciertas variables aleatorias (X1, . . . , Xn) que siguen una cierta distribución
conjunta. Digamos que tenemos buena información sobre las marginales: por ejemplo,
las respectivas funciones de distribución F1(x), . . . , Fn(x).
Tenemos una matriz de correlaciones Σ objetivo, que va a guiar el proceso de cópula.
La descomposición de Cholesky de Σ es Σ = CCT (otras descomposiciones de este tipo
valdrı́an también, pero ya hemos visto lo eficiente que es el cálculo de la de Cholesky).
El proceso de simulación va como sigue:
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 149
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
En la práctica, por ejemplo para variables discretas, nos podemos “saltar” el paso por
las uniformes:
área p3
área p2
X área p4
p3 área p1
❄
diccionario
p1 p2 p4 ✛ ✲
◆ ✰
cortes con la normal
❫
x1 x2 x3 x4 c1 c2 c3
área q3 área q
área q2 4
Y área q5
q2 q5 área q1 ✠
❄
diccionario
q1 q3 q4 ✛ ✲
◆ ✰
cortes con la normal
❫
y1 y2 y3 y4 y5 d1 d2 d3 d4
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 150
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Ilustración
Generar dos muestras de uniformes [0, 1]. Transformarlas en normales. Correlar con Cholesky y
volver hacia atrás.
Ilustración
Correlar dos muestras extraı́das de dos variables aleatorias con ciertas distribuciones.
Ilustración
Dos tiempos a default: X1 y X2 toman valores 0, 1, 2, 3, 4, 5, 6 con probabilidades respectivas
0, 0.1, 0.4, 0.2, 0.15, 0.10, 0.05. Crear correlación.
Ilustración
Dos tiempos a default X1 y X2 , que siguen ciertas distribuciones exponenciales. Simular con
correlación.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 151
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
La cópula t de Student
De nuevo tenemos una matriz de correlaciones Σ objetivo, que va a guiar el proceso de
cópula. La descomposición de Cholesky de Σ es Σ = CCT. El proceso de simulación va
como sigue:
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 152
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Comentarios sobre la cópula t. Obsérvese que, en el procedimiento anterior, hemos sorteado una única variable χ2ν (la
muestra s), que sirve como denominador (siempre el mismo) en la construcción de las t’s.
• (X1 , . . . , Xn ) sigue una normal n-dimensional. Cada Xj es una N (0, 1). Las correlaciones son E(Xi · Xj ) = ρij .
• Ahora formamos el vector (T1 , . . . , Tn ) mediante
√ Xj
Tj = ν √ para cada j = 1, . . . , n, donde Z es una χ2ν (independiente de las Xj ).
Z
Cada variable Tj es una t de Student con ν grados de libertad. Es decir, E(Tj ) = 0 y V(Tj ) = ν/(ν − 2).
• La covarianza entre dos de ellas es
X · X 1 ν
i j
E(Ti · Tj ) = ν E = ν E(Xi · Xj ) E = ρij ,
Z | {z } | {zZ} ν−2
=ρij
de manera que la correlación es justamente: 1/(ν−2)
E(Ti · Tj )
ρ(Ti , Tj ) = q = ρij .
V(Ti )V(Tj )
El vector (T1 , . . . , Tn ) ası́ construido sigue lo que se llama una t de Student multidimensional. Su función de densidad es
Γ [(n + ν)/2]
fT1 ,...,Tn (t) = h i(n+ν)/2
n/2 n/2 1/2 1 T −1
Γ(ν/2)ν π |Σ| 1 + νt Σ t
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 153
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Más comentarios sobre la cópula t. ¿Qué ocurrirı́a si, en el procedimiento de cópula t, sorteamos una χ2 para cada
variable (en lugar de una única para todos ellos)?
Lo ilustramos en el caso bidimensional. Digamos que X1 y X2 son normales N (0, 1) que ya llevan correlación ρ. Ahora
formamos
√ X1 √ X2
T1 = ν √ y T2 = ν√ ,
Z1 Z2
donde Z1 y Z2 son sendas χ2ν independientes. Cada variable es una t de Student con ν grados de libertad. Pero su
correlación es ahora
E(T1 · T2 ) ν X ·X 1 2
1 2
ρ(T1 , T2 ) = p = E √ √ = ρ (ν − 2) E √ .
V(T1 )V(T2 ) ν/(ν − 2) Z1 Z2 Z1
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 154
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
C(u1 , . . . , un ) = P(U1 ≤ u1 , . . . , Un ≤ un ) ,
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 155
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Y hay otras muchos ejemplos: cópulas arquimedianas, de Gumbel, de Frank, de Clayton, etc. En estos casos tendremos
fórmulas explı́citas para C , pero el mecanismo de simulación puede ser muy sofisticado.
Otra opción parte de la siguiente observación: si conocemos la distribución conjunta FX1 ,...,Xn y las marginales
FX1 , . . . , FXn , entonces
−1 −1 −1 −1
= P(X1 ≤ F1 (u1 ), . . . , Xn ≤ Fn (un )) = FX1 ,...,Xn (FX (u1 ), . . . , FXn (un ))
1
Esto no nos da una fórmula manejable para C , desde luego. Pero la simulación puede ser sencilla cuando, por ejemplo,
trabajamos con normales (o con t de Student). La clave es que sabemos correlar normales (con la transformación de
Cholesky).
Por “simular” una cópula C entendemos obtener una muestra de (U1, . . . , Un ), donde las Uj son uniformes [0, 1] que
siguen, conjuntamente, una función de distribución dada por C . Esa muestra puede ser transformada en muestras de las
variables originales (X1, . . . , Xn ) por medio de las (inversas de las) funciones de distribución de cada Xj .
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 156
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Tenemos una probabilidad P. Hay dos variables, X e Y , que toman valores x1, . . . , xn
e y1, . . . ym con probabilidades (conjuntas) P(X = xi, Y = yj ).
Bajo esta probabilidad P podemos calcular medias del tipo EP(g(X)), EP(h(Y ))
ó EP(u(X, Y )). Por ejemplo,
XX X X
EP(g(X)) = g(xi )P(X = xi, Y = yj ) = g(xi) P(X = xi , Y = yj )
i j i j
X
= g(xi)P(X = xi )
i
Obsérvese que, como debe ser, para calcular EP(g(X)) sólo necesitamos las probabili-
dades (la marginal) de X.
En este esquema podemos cambiar directamente la probabilidad, pasando a una Q.
Bajo Q, las variables X e Y seguirán modelos distintos (conjuntamente y por separado).
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 157
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Ası́ que debe cumplirse que EP(ϕ(Y )) = 1. Con esta nueva probabilidad,
X X
EQ(h(X, Y )) = h(xi, yj )Q(X = xi, Y = yj ) = h(xi, yj )P(X = xi, Y = yj )ϕ(yj )
i,j i,j
dQ
= EP(h(X, Y )ϕ(Y )) = EP h
dP
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 158
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Cambios lognormales
En la modelización financiera, los cambios más habituales son lognormales. Tenemos una
probabilidad P, bajo la que X es una normal N (µX , σX ), Y es una normal N (µY , σY )
y, conjuntamente, el par (X, Y ) es una normal bidimensional con correlación ρ.
Ahora cambiamos de probabilidad con la regla siguiente:
dQ Y
dQ = dP e o bien = eY .
dP
Para que sea un cambio de probabilidad, necesitamos que
2
1 = EP(eY ) = eµY +σY /2 =⇒ µY + σY2 /2 = 0 .
Obsérvese que la desviación tı́pica no cambia. Ası́ que se trata de un procedimiento para
cambiar (por ejemplo, quitar) la media a X.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 159
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
La segunda tiene que ver con la función generatriz de momentos (véase el apéndice II):
tX 1 2 2
X es una N (µ, σ) bajo P ⇐⇒ EP (e ) = exp(tµ + t σ )
2
Calculamos entonces
1
tX
EQ (e ) = EP (etX eY ) = EP (etX+Y ) = exp (tµX + µY ) + (t2 σX
2 2
+ σY + 2tρσX σY )
2
1 2 2
2
= exp(µY + σY /2) exp t(µX + ρσX σY ) + t σX
| {z } 2
=1
Por lo tanto, X es, bajo Q, una normal de media µX + ρσX σY y desviación tı́pica σX .
Ilustración
Comprobación empı́rica del cambio de probabilidad lognormal.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 160
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
4. Sumas estocásticas
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 161
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
n
X
Y = Xj , donde X1, . . . , Xn son variables aleatorias.
j=1
• En ocasiones podremos suponer que las Xj son variables i.i.d. (idénticas e indepen-
dientemente distribuidas). En este caso, las leyes de los Grandes Números y el Teorema
del Lı́mite Central nos darán mucha información sobre las propiedades de Y , o quizás
sobre la variable “promedio” Y /n.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 162
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Concentración de promedios.
Leyes de los grandes números y TLC
Si X1, . . . , Xn son variables aleatorias i.i.d. con media común µ y desviación tı́pica
común σ, entonces
n
X
E(Sn) = nµ
(suma) Sn = Xj −→ √
j=1
V(Sn) = nσ 2 y σ(Sn) = nσ
n
E(Yn) = µ
1X
(promedio) Yn = Xj −→ σ2 σ
n j=1
V(Yn) = n y σ(Yn) = √
n
(En realidad, las expresiones de las varianzas son válidas sin más que las variables Xi
sean incorreladas).
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 163
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Detalle matemático. Supongamos que X1 , . . . , Xn son variables incorreladas. Esto es, E(XiXj ) = E(Xi )E(Xj )
si i 6= j . Entonces
n
X n
h X n
i2 h X i2 n
h X n
i2 h X i2
V Xj =E Xj − E Xj =E Xj − E(Xj ) .
j=1 j=1 j=1 j=1 j=1
Pero
n
h X i2 n
X X n
X X n
X X
2 2 2
E Xj =E Xj + Xi Xj = E(Xj ) + E(Xi Xj ) = E(Xj ) + E(Xi )E(Xj )
j=1 j=1 i6=j j=1 i6=j j=1 i6=j
n
X X n
X n
X X
2 2
= V(Xj ) + E(Xj ) + E(Xi )E(Xj ) = V(Xj ) + E(Xj ) + E(Xi)E(Xj )
j=1 i6=j j=1 j=1 i6=j
n
X n
hX i2
= V(Xj ) + E(Xj ) .
j=1 j=1
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 164
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 165
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Ilustración
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 166
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
P(Yn ≤ a) ?
Ilustración
Un trabajo de campo previo:
Obtenemos, por simulación, valores del promedio de n = 10 Bernoullis de p = 0.3.
Centramos en 0 (restando la media, p).√
Ahora normalizamos, dividiendo por σ/ n.
Obtener el histograma. Repetir el procedimiento cuando cada Xj toma, por ejemplo, 5 valores con
determinadas probabilidades.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 167
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Tenemos variables aleatorias X1, X2, . . . i.i.d., todas con media µ y varianza σ 2 . La
variable aleatoria promedio tipificada (es decir, con media 0 y desviación tı́pica 1)
X n
1 1
Zn = √ Xj − µ
σ/ n n j=1
cumple que Z x
1
n→∞ 2
P(Zn ≤ x) −−−−→ Φ(x) = √ e−y /2
dy .
2π −∞
y Z
x2
n→∞ 1 2
P(x1 ≤ Zn ≤ x2 ) −−−−→ Φ(x2) − Φ(x1) = √ e−y /2dy .
2π x1
Es decir, la variable Zn se distribuye (aproximadamente, y si n es grande) como una
N (0, 1).
Pn
j=1 Xj −nµ
Versión para sumas (no promedios): la variable √
σ n
se distribuye (aproxima-
damente, y si n es grande) como una N (0, 1).
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 168
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Obsérvese que
Pn
j=1 Xj − nµ
Ley débil de los grandes números: →0
n
Pn
j=1 Xj − nµ
Teorema central del lı́mite: √ → N (0, 1)
σ n
Ilustración
• Simulación, tanto de la ley débil como del TLC, para diversos modelos de variable aleatoria Xj .
• Comprobar gráficamente qué ocurre si en el denominador ponemos n1/4, n3/2, etc.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 169
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
d
|Fn (x) − Φ(x)| ≤ √ .
σ3 n
• Variables no independientes. Hay algunas versiones del TLC en las que se relaja (un poco) la condición de
independencia.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 170
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
n
1X
Yn = Xj ,
n j=1
el promedio de las Xj .
Esta aproximación (cuando sea aplicable) nos permite entender la variable Y sin
necesidad de conocer explı́citamente la distribución de las Xj : de ellas basta conocer la
media µ y la desviación tı́pica σ (además, claro, del número de sumandos n).
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 171
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
ejemplo. Lanzamos 1000 veces la moneda (p = 1/2). Esperamos 500 caras, pe-
ro. . . ¿cuál es la probabilidad de obtener entre 450 y 550 caras?
La variable de interés,
Y = X1 + X2 + · · · + X10000
cuenta el número de caras, donde las Xj son ber(1/2), que tienen media E(Xj ) = 1/2
y varianza V(Xj ) = 1/4.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 172
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Intervalos de confianza
Buen parte del análisis de cuestiones aleatorias que hemos visto hasta aquı́ se basa en
un enfoque “experimental”, y como tal, está expuesto a “errores de medida”.
Por ejemplo, si disponemos de un mecanismo de simulación de una cierta variable
aleatoria Y , para calcular su media E(Y ) generamos una muestra grande de valores
y1, y2, . . . , yN
N
1 X
ȳ = yj .
N j=1
Nos gustarı́a disponer estimaciones de la posible discrepancia entre el valor “real” E(Y )
y el promedio ȳ obtenido.
O mejor aún, estimar a priori cuántas muestras (el valor de N ) son necesarias para que
esa discrepancia no supere un cierto umbral (un 1 %, por ejemplo).
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 173
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
V(Y ) √
E(Y ) = E(Y ) y V(Y ) = (esto es, σ(Y ) = σ(Y )/ N ).
N
No conocemos la distribución precisa de Y , pero el teorema del lı́mite central nos dice
que
Y − E(Y )
√ es, aproximadamente, como una N (0, 1).
σ(Y )/ N
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 174
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
0.45
0.35
0.3
0.2
0.15
0.1
0
−5 −4 −3 −2 −1 0 1 2 3 4 5
Entonces,
Y − E(Y )
1 − α ≈ P − zα < √ < zα
σ(Y )/ N
σ(Y ) σ(Y )
= P Y − zα √ < E(Y ) < Y + zα √
N N
Es decir, que hay una alta probabilidad (1 − α) de que el valor medio buscado, E(Y ),
no difiera de Y en más de zα σ(Y
√ .
N
)
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 175
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Pero, una vez que dispongamos de las muestras y1, . . . , yN de Y , tendremos que la
muestra de la variable Y es
N
1 X
y= yj
N j=1
y podemos estimar σ(Y ) con la desviación tı́pica muestral
N
1 X
s= (yj − y)2
N − 1 j=1
Ilustración
Obtención de intervalos de confianza para muestras dadas. Evolución del intervalo de confianza en
función de N .
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 176
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Un tipo de sumas muy relevante en las aplicaciones (crédito, seguros) son del tipo
n
X n
X
Sn = Ij o quizás S̃n = mj Ij para ciertos números mj ,
j=1 j=1
donde las variables Ij son Bernoulli (toman valores 0 ó 1). Ij puede representar el
default (o no) de un cierto instrumento.
Sn registra el número de defaults que se producen, mientras que S̃n puede representar
el impacto (pérdida) total que tenemos, si mj es el impacto (pérdida) asociado al
instrumento j.
Para analizar este tipo de variables aleatorias, disponemos de técnicas diversas, en
función de las caracterı́sticas de las Ij (de si son independientes o no, de si son idénticas
o no). Lo que sigue es un resumen de estas posibilidades.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 177
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Es decir, cada Ij es una Bernoulli de parámetro p (el mismo para todas). Entonces
sabemos que
Si n es grande,
p se puede aplicar el Teorema del Lı́mite Central, que nos dice que
(Sn − np)/ np(1 − p) es, aproximadamente, una N (0, 1).
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 178
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Sin embargo,
Y el Teorema del Lı́mite Central (una versión más general, que no requiere que las
variables sean idénticas, véase la página 170) también se puede aplicar:
Pn
Sn − j=1 pj
qP ∼ N (0, 1) si n es grande.
n
j=1 pj (1 − pj )
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 179
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
indep.
= P(Sk = j)P(Ik+1 = 0) + P(Sk = j − 1)P(Ik+1 = 1)
= P(Sk = j)(1 − pk+1) + P(Sk = j − 1)pk+1
Ilustración
• Implementar en Excel el procedimiento anterior.
• Comprobar que, si los pj son todos iguales, entonces tenemos una binomial.
• Comprobar que, si los pj son todos muy pequeños, entonces tenemos la aproximación de Poisson.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 180
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
¿Se puede implementar un procedimiento análogo para S̃n? Podemos suponer que los
mj de la suma Xn
S̃n = mj Ij
j=1
son números naturalesP
(múltiplos de una cierta unidad de medida). Ahora los valores de
n
S̃n van desde 0 hasta j=1 mj (y no se toman todos los valores intermedios).
Sk Sk+1
De nuevo, escribimos la probabilidad con la que Sk+1 tome
❄ ❄
mkmk+1
un cierto valor, digamos j, de la siguiente manera:
pk pk+1
j − mk+1
P(Sk+1 = j) ❖
Ilustración
Implementar en Excel el procedimiento anterior.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 181
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Detalle. Son normales, pues son combinación lineal de normales que provienen de una multidimensional.
√ p
E(Zj ) = ρ E(Y ) + 1 − ρ E(Xj ) = 0
q
2 2 2
V(Zj ) = E(Zj ) = ρE(Y ) + (1 − ρ)E(Xj ) + ρ(1 − ρ)E(Xi · Xj ) = 1
p p q
2
corr(Zi, Zj ) = E(Zi Zj ) = ρE(Y ) + 1 − ρE(Y Xi) + 1 − ρE(Y Xj ) + ρ(1 − ρ)E(Xi Xj ) = ρ
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 182
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Φ−1 (p)
el diccionario habitual entre variables Bernoulli y normales.
Nótese que Ij toma el valor 1 con probabilidad p, pero las Ij no son independientes
entre sı́ (porque las Zj no lo son).
Observaciones:
Condicionando sobre el valor de Y , las variables Zj (y, por tanto, las Ij ) son
independientes.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 183
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Si llamamos
√
Φ−1(p) − ρ Y
Π(Y ) = Φ √ ,
1−ρ
entonces la correlación entre dos de las Bernoulli es
E Π(Y ) − p2 2
corr(Ii, Ij ) =
p(1 − p)
Detalle.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 184
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
n
X n
X n
X
Sn = Ij = 1{Zj ≤Φ−1(p)} = 1 √
Φ−1 (p)− ρy
{Xj ≤ √ }
j=1 j=1 j=1 1−ρ
Ilustración
Obtener, por simulación, el histograma de Sn.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 185
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
5. Componentes principales
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 186
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Previo: diagonalización
Matrices simétricas. Diagonalizar una matriz simétrica Σ es factorizarla en la forma
Σ = SΛST ,
T T
W W = W W = In (la identidad n × n).
T T T T
(Wu) (Wv) = u W Wv = uv .
2 2
Y por tanto (tomando u = v en la expresión anterior), conserva también las longitudes: kuk = kWuk
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 187
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Σ = SΛST ,
Una matriz cuadrada M es definida positiva si xTMx > 0 para todo vector x no nulo. Esto equivale a
que los determinantes de todas las (sub)matrices cuadradas que se obtienen de M partiendo de la esquina
superior izquierda son positivos.
Si M es además simétrica, entonces ser definida positiva es equivalente a cualquiera de las siguientes
condiciones:
a) todos sus autovalores son positivos;
b) M se puede escribir como M = AAT , para cierta matriz invertible A (la descomposición de Cholesky es
un ejemplo).
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 188
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
¿Cómo se diagonaliza?
Para una matriz cuadrada A (de dimensiones n × n) general, decimos que λ es un autovalor y que v 6= 0 es un autovector
si son solución de
Av = λv
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 189
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Nota
Matrices de correlación.
T
Σ = SΛS ,
donde Λ es la matriz (diagonal) de autovalores y S es una matriz ortogonal (sus columnas, los
autovectores de Σ, son de longitud unidad y perpendiculares).
2 Por ser definida positiva, los autovalores son todos positivos.
√ √ T
Σ= S Λ S Λ ,
√
las filas de S Λ tienen, vistas como vectores, longitud unidad.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 190
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Nota
El caso general. Sea A una matriz cuadrada de dimensiones n × n, no necesariamente simétrica.
La matriz se dice diagonalizable si se puede factorizar en la forma
−1
A = SΛS
Ilustración
• Diagonalización en Excel de una matriz A, con ayuda del paquete matrix.xla.
• Diagonalización de una matriz simétrica Σ. Compruébese que los autovectores son ortonormales
(perpendiculares y de longitud 1).
• Diagonalización de una matriz de correlaciones Σ. Compruébese que, además, los autovalores son
positivos.
• Diagonalización consiguiendo que los autovalores vayan ordenados de mayor a menor. Nota: las
funciones MEigenvalJacobi y MEigenvecJacobi no ordenan los autovalores de mayor a menor.
Ası́ que pueden resultar útiles también las funciones MEigensortJacobi y MDiagExtr.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 191
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Σ = AAT ,
Y = XAT
tiene a Σ como matriz de correlaciones (véase el detalle del argumento en la página 136).
Una posibilidad, ya lo hemos visto, viene dada por la descomposición de Cholesky. Pero
otra posibilidad pasa por utilizar la descomposición dada por la diagonalización.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 192
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Pero como además es definida positiva, sus autovalores son todos positivos. Ası́ que
podremos tomar raı́ces cuadradas y escribir
√ √ √ √ T
Σ = SΛST = S Λ ΛST = S Λ S Λ
Ilustración
Simulación de normales correladas con Σ con el procedimiento de diagonalización.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 193
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Componentes principales
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 194
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
En ocasiones, serán los propios niveles de las variables, o también sus variaciones o
rendimientos (diarios, semanales,. . . )
el análisis de coberturas;
la medición de riesgos;
la detección de posiciones extremas (oportunidades) que ¿han de revertir?
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 195
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Ejemplo estilizado
y = 0,2827x - 0,0404
3,00 3,00
2,00 2,00
1,00 1,00
0,00 0,00
-4,00 -3,00 -2,00 -1,00 0,00 1,00 2,00 3,00 4,00 -4,00 -3,00 -2,00 -1,00 0,00 1,00 2,00 3,00 4,00
-1,00 -1,00
-2,00 -2,00
-3,00 -3,00
-4,00 -4,00
correladas/dependientes
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 196
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
3,00 3
2,00 2
1,00 1
0,00 0
-4,00 -3,00 -2,00 -1,00 0,00 1,00 2,00 3,00 4,00 -4 -3 -2 -1 0 1 2 3 4
-1,00 -1
-2,00 -2
-3,00 -3
-4,00 -4
~1, w
ejes w ~2 incorreladas/independientes
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 197
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Componentes principales
Datos iniciales: U
Se quiere analizar el comportamiento conjunto de ciertas n variables financieras. Para
ello se dispone
en T fechas pasadas,
de los valores de n variables.
fechas U1 U2 ··· Un
t=1 u1(1) u2(1) ... un(1) ← u(1)
t=2 u1(2) u2(2) ... un(2) ← u(2)
t=3 u1(3) u2(3) ... un(3) ← u(3)
.. .. .. ... ..
t=T u1(T ) u2(T ) ... un(T ) ← u(T )
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 198
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Por ejemplo,
y disponer de U
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 199
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
ejemplo
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 200
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Datos normalizados: X
Normalización. Para el análisis y la adecuada comparación e interpretación de los
resultados se precisa normalizar las variables que componen los datos.Es decir, se han
de normalizar las columnas.
Anotamos y reservamos para uso posterior
las medias de las columnas (µ1, µ2, . . . , µn)
las desviaciones tı́picas de las columnas (σ1 , σ2, . . . , σn)
Nota
Restar las medias es un paso imprescindible. Normalizar las desviaciones tı́picas no es, sin embargo,
imprescindible: el análisis se puede hacer con la matriz de covarianzas en lugar de la de correlaciones.
Véase la página 221.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 201
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
fechas X1 X2 ··· Xn
t=1 x1 (1) x2(1) ... xn(1) ← x(1)
t=2 x1 (2) x2(2) ... xn(2) ← x(2)
t=3 x1 (3) x2(3) ... xn(3) ← x(3)
.. .. .. ... ..
t=T x1(T ) x2(T ) ... xn(T ) ← x(T )
es decir,
x(t) = (x1(t), x2(t), . . . , xn(t)), t = 1, 2, . . . , T
donde
uj (t) − µj
xj (t) = .
σj
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 202
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 203
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Base
w1 , w2 , . . . , wn
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 204
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
p
• El tamaño de cada w1 es λj .
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 205
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Representación e importancia
w1 , w2 , . . . , wn
Hay n factores tan sólo, aunque el número de datos T sea arbitrariamente grande.
λj
importancia relativa de wj = .
λ1 + λ2 + · · · + λn
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 206
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Cada uno de los vectores X(t) se puede expresar en términos de los vectores
w1 , w2 , . . . , wn
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 207
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Cada zj (t), el peso del factor wj en la representación de x(t), se calcula como sigue:
x(t) · wj
zj (t) = .
λj
Columnas de Z.
Interpretación de la representación.
• z1, z2, . . . , zn son muestras de variables aleatorias tipificadas e incorreladas.
• Cada x(t) es muestra de un vector/lista aleatorio que se obtiene mediante
x = z1 · w1 + z2 · w2 + · · · + zn · wn .
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 208
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Cálculo de componentes
PT
1
1.- Partimos de la matriz de correlaciones Σ = Σi,j ⇚ Σi,j = T t=1 Xi(t)Xj (t)
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 209
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 210
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 211
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
otros ejemplos
1,00
primera
segunda
0,50
tercera
0,00
TEF ELE SAN
-0,50
-1,00
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 212
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
1,00
0,50
primera
segunda
0,00
5 - 7 Govt Spread
Banks Senior A 5
AAA 5 - 7 Govt
Banks Senior AA
Banks Senior
- 7 Govt Spread
Spread
-0,50
-1,00
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 213
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
superficie de volatilidades
Componente 1 Componente 2
9% 5%
8% 4%
3%
7%
2%
6%
1%
5%
0%
4%
-1%
3%
-2%
2%
-3%
1%
-4%
-10%
0% -10% -5%
-5%
Moneyness 4Y -5% 4Y
0%
3Y Moneyness
2Y 0% 3Y
5%
1Y 2Y
Vcto 5% 1Y Vcto
6M
10%
3M 6M
10%3M
primera segunda
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 214
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Reducción de dimensión
Aproximamos cada x(t) quedándonos sólo con las tres primeras componentes, por
ejemplo, creando nuevas listas
x̂(t), t = 1, 2, . . . , T .
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 215
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Interpretación.
• z1, z2, z3 son muestras de variables aleatorias tipificadas e incorreladas.
• Cada x(t) es aproximadamente muestra de un vector/lista aleatorio que se
obtiene mediante
x ≈ z1 · w1 + z2 · w2 + z3 · w3.
Error en la aproximación
λ4 + · · · + λn λ1 + λ2 + λ3
= = 1−
n | n
{z }
=capacidad explicativa
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 216
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Nota
La suma λ1 + λ2 + · · · + λn es siempre n y coincide con el tamaño medio al cuadrado de las
listas x(t).
Las tres primeras componentes explican el 99.98 % de la variación conjunta de los tipos
swaps. Pero ya solo la primera explica el 97.56 %.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 217
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Modelación y simulación
Se pueden obtener muestras potenciales/simuladas de las listas x apoyándose en la
aproximación, por ejemplo, con las tres primeras componentes principales:
2. sorteamos muestras
z1, z2, z3
de las variables tipificadas Z1, Z2, Z3 (por ejemplo, normales estándar independien-
tes),
x = z1 · w1 + z2 · w2 + z3 · w3
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 218
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Ilustración
Simulación de curvas de tipos swaps.
Nota
Las variables Zj han de ser tipificadas e incorreladas. La distribución conjunta de las Zj no
está especificada.
La hipótesis de normalidad es cómoda.
Pero también pueden usarse variables t de Student, que suelen ajustar mejor. O bien ajustes
especı́ficos (basados, por ejemplo, en las propias muestras de las Zj ).
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 219
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Modelos, modelos. Hasta ahora tenı́amos únicamente unas series de datos, y hemos hallado una base en la que la
variabilidad total se redistribuye de manera conveniente.
Pero ahora queremos proponer modelos que guı́en la generación de los pesos. ¿De dónde los sacamos? Hay varias opciones.
Una, por supuesto, es proponer un cierto modelo, uno que se pueda ajustar a los comportamientos habituales de las
variables de interés, y en el que nos sintamos cómodos calculando. Como, por ejemplo, un modelo normal, o una t de
Student, o. . .
Pero otra alternativa pasa por considerar que los propios datos de la serie son ya un modelo. Partimos de la serie X,
hacemos el análisis habitual y llegamos a la serie Z. Sus columnas zj están tipificadas y son incorreladas.
→ Vamos un poco más allá y suponemos que las zj son, además, independientes.
→ Ahora tomamos los datos de cada columna y hacemos el histograma correspondiente. Interpretamos este histograma
como un modelo probabilı́stico (discreto), del que podemos sortear. Como hemos supuesto que hay independencia, la
simulación conjunta es directa(∗) .
→ Alternativamente, podemos tomar los datos de cada columna, aplicarles algún procedimiento de “estimación de
densidades” (véase la página 236) con lo que en el modelo aparecen escenarios nuevos que no estaban en los datos. A
partir de ese modelo, simulamos (siempre independientemente).
(∗)
Aunque quizás, en este caso, en lugar de simular, vale la pena manejar todos los posibles escenarios. Si, por ejemplo, hay
cuatro variables (d = 4) y tenemos 1000 datos (N = 1000), podemos combinar cada z1 (t) con todos los datos de las
otras 3 columnas. Obtenemos ası́ 10004 = 1012 datos, en lugar de los 1000 originales.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 220
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
¿Covarianzas o correlaciones?
En el procedimiento descrito hemos tipificado las series originales, lo que supone emplear
la matriz de correlaciones. Por otro lado, hemos anotado las desviaciones tı́picas, que
incorporamos al final del proceso.
Pero en ocasiones no se normalizan las series: se restan las medias, pero no se divide
por las desviaciones tı́picas. Esto supone que utilizamos la matriz de covarianzas, en
lugar de la de correlaciones. El procedimiento de cálculo de componentes se aplica a
esta matriz de covarianzas.
Si manejamos todas las componentes principales, no hay diferencia entre los dos
procedimientos. Sin embargo, al reducir la dimensión, tendremos diferencias entre ellos.
En finanzas, hay quienes optan por un procedimiento, y quienes lo hacen por el otro.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 221
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Σ ≈ FTF
Ası́ que FTF es “parecida” a Σ, pero no es, en general, una matriz de correlaciones: es
simétrica y definida positiva, pero no tiene unos en la diagonal.
Truco: normalizar las columnas de F para que tengan norma 1. La matriz G que se
obtiene cumple que
G × GT ≈ Σ y G es matriz de correlación
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 222
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Escenarios de Jamshidian
Hay una técnica que permite evitar la simulación para generar escenarios de posibles
curvas en el caso en que no se contemplen un número grande de saltos. Las ventajas de
esta técnica (debida a Jamshidian) son:
Idea de la aproximación
Sea W una variable aleatoria con distribución de probabilidad P. La metodologı́a de
Montecarlo consiste en escoger un número grande de realizaciones de esa variable (w’s),
ajustándose a la probabilidad P.
Ası́, si tomamos una muestra de M valores w’s, la proporción de los que caen en un
determinado intervalo, [a, b], ha de ser aproximadamente igual a la probabilidad teórica
P(a ≤ W ≤ b)
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 223
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Una idea para entender y analizar la variable W consiste en seleccionar un valor que
represente al intervalo completo [a, b] para luego asignarle a ese valor concreto toda la
probabilidad teórica del intervalo que representa.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 224
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Si Y es una normal estándar N (µ, σ), una buena aproximación discreta es una variable
X multinomial, de parámetros µ, σ y m (un número par).
2σ
xj = µ + √ j , para j = − m
2 , − m
2 + 1, . . . , −1, 0, 1, . . . , m
2 − 1, m
2.
m
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 225
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Obsérvese que
2σ m
X =µ+√ Y − ,
m 2
1
donde Y es una binomial de m repeticiones y probabilidad de éxito 2 (recuérdese que
E(Y ) = m/2 y V(Y ) = m/4).
La media de X es
2σ m
E(X) = µ + √ E(Y ) − = µ.
m 2
Y la varianza,
h 2σ m i 2σ 4σ 2
V(X) = V µ + √ Y − =V √ Y = V(Y ) = σ 2 ,
m 2 m m
como corresponde.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 226
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Multinomial m=4
0.4
Multinomial m=6
0.35
0.35
0.3
0.3
0.25
0.25
0.2 0.2
0.15 0.15
0.1 0.1
0.05 0.05
0 0
−2 −1 0 1 2 −3 −2 −1 0 1 2 3
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 227
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Generación de escenarios
Una regla sencilla que supone una excelente aproximación usa los siguientes parámetros:
Ahora ya no simulamos. No obtenemos muestras de las tres normales, sino que tenemos
escenarios. El total de escenarios es 7 × 5 × 3 = 105. La probabilidad de cada escenario
será el producto de las probabilidades de los estados de cada multinomial.
Es decir, tenemos exactamente 105 posibles curvas para el salto de curva. Y cada una
de ellas tiene su correspondiente probabilidad. No hay una infinidad de posibles curvas
de las que debamos obtener muestras.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 228
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
6. Apéndice I. Estadı́stica
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 229
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Por ejemplo, queremos decidir si es aceptable la hipótesis de que una cierta muestra
está extraı́da de una distribución de probabilidad dada. Presentaremos dos tests
sencillos y ampliamente utilizados:
• el test de Kolmogorov-Smirnov;
• el test de la χ2.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 230
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Test de Kolmogorov-Smirnov
(Sólo para distribuciones continuas). Tenemos una muestra de tamaño n y generamos
la función de distribución empı́rica ordenando esas muestras de menor a mayor: digamos
que y1, . . . , yn son los datos ya ordenados. Comparamos entonces con la función de
distribución teórica.
} salto 1/n
y1 y2 y3 ··· yn
donde
emp j
F (yj ) = .
N
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 231
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Si Dn es mayor que un cierto valor crı́tico, rechazamos la hipótesis de partida (el que la
muestra corresponda a una variable aleatoria con la función de distribución teórica F ).
Los valores crı́ticos dependen de n y de un nivel de significación, y están tabulados.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 232
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Contraste χ2
Tenemos una muestra x1, . . . , xn. Agrupamos los datos en k clases. Oj es la frecuencia
observada en la muestra de la clase j.
El modelo que estamos contrastando asigna probabilidad pj a la clase j. La frecuencia
esperada es Ej = npj .
Calculamos
Xk
(Oj − Ej )2
discrepancia observada = ,
j=1
E j
Ejercicio
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 233
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Máxima verosimilitud
Tenemos unos datos x1, . . . , xn, que suponemos que son muestras independientes de
una cierta variable aleatoria X con función de densidad fθ (x). Hacemos explı́cito en
la propia notación que la función de densidad depende de un parámetro θ (también
podrı́an ser varios parámetros). Buscamos el valor de θ que mejor se ajuste a los datos.
Para ello, calculamos los valores de la función de densidad en los datos,
fθ (x1), fθ (x2), . . . , fθ (xn)
y formamos la función n
Y
Lθ (x1, . . . , xn) = fθ (xj ) .
j=1
O mejor, su logaritmo:
n
X
verosimilitud(θ) = ln Lθ (x1, . . . , xn)) = ln fθ (xj ) .
j=1
Ahora buscamos (con algún método de búsqueda de extremos, quizás numérico) el valor
de θ que maximiza la función verosimilitud(θ).
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 234
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Observación
Nótese que maximizar una función o su logaritmo produce el mismo resultado (el logaritmo es
una función continua y estrictamente creciente).
En ocasiones, puede haber varios máximos de la función de verosimilitud, o ninguno.
Puede producir estimadores sesgados de los parámetros.
Ilustración
Ejercicio
Compruébese, analı́ticamente, que para una normal N (µ, σ), los estimadores que se obtienen por
máxima verosimilitud son
n n
1X b 1X
µ
b= xj 2
(la media muestral x̄), y σ = (xi − x̄)2 (la varianza muestral).
n j=1 n j=1
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 235
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Estimación de densidades
Partimos de una muestra de datos x1, . . . , xn (quizás históricos, quizás producto de
algún mecanismo de simulación). Nuestro objetivo es estimar la función de densidad
f (x) subyacente.
1.- El primer método (habitual) es la representación gráfica en un histograma. Fijamos
un origen x0 y un paso h. Las clases son los intervalos
x0 + mh, x0 + (m + 1)h
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 236
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
1 1
fb(x) = #{de observaciones xj en el intervalo (x − h, x + h)}
2h
|{z} n
| {z }
para tener área 1 proporción de observaciones xj en el intervalo (x − h, x + h)
Nótese que ya no hay elección de origen x0. La función fb(x) sigue sin ser continua
(tiene saltos en los valores x = xj ± h) y no es diferenciable en punto alguno.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 237
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
3.- Un intento más general: consideramos un núcleo K(x) que cumpla que
Z ∞
K(x) dx = 1 .
−∞
Ventajas: si K(x) es una función de densidad, fb(x) también (y de hecho heredará las
propiedades de continuidad y diferenciabilidad que tenga K(x)).
Posibles elecciones:
una elección óptima (Epanechnikov): K(x) = máx 34 (1 − x2), 0 .
una elección sencilla: “suavizar” el histograma cambiando la altura en cada clase por
un promedio de las clases vecinas. Por ejemplo, 50 % de ella misma, y 25 % para las
dos vecinas.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 238
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 239
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Para ciertas manipulaciones con este tipo de variables aleatorias, es muy conveniente
codificar las probabilidades con una función generatriz:
∞
X
GX (s) = P(X = j) sj
j=0
P
(que siempre converge para |s| < 1, pues j pj = 1). Obsérvese que, en lugar de dar la
lista de los pj , o una fórmula general para ellos, basta con dar la expresión de la función
generatriz GX que los representa.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 240
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Algunos ejemplos
Gber(p)(s) = (1 − p) + ps .
Gpoisson(λ)(s) = eλ(s−1)
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 241
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
X∞ j ∞ j
λ −λ j −λ X (λs) −λ λs λ(s−1)
X ∼ poiss(λ) −→ GX (s) = e s =e =e e =e
j! j!
j=0 j=0
∞
X ∞
j−1 j p X j p 1 ps
X ∼ geom(p) −→ GX (s) = p(1 − p) s = [(1 − p)s] = −1 =
1−p 1 − p 1 − (1 − p)s 1 − (1 − p)s
j=0 j=1
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 242
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
∞
X
E(X) = j P(X = j) .
j=0
Obsérvese que
∞
X ∞
X
GX (s) = P(X = j)sj =⇒ G′X (s) = P(X = j)j sj−1 ,
j=0 j=1
de manera que
E(X) = G′X (1) .
Ası́ que, para calcular la media de X, basta derivar su función generatriz y evaluar en
s = 1. Derivadas de orden mayor nos darı́an los sucesivos momentos (varianza, etc.)
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 243
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Ejercicio
Ampliar el argumento al cálculo de varianzas para comprobar que
′′ ′ ′
V(X) = GX (1) + GX (1) [1 − GX (1)] .
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 244
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
∞
X X∞ X j X∞ ∞
GZ (s) = j
P(Z = j)s =
j
P(X = k)P(Y = j − k)s = P(X = k)s
k X P(Y = j − k)sj−k
j=0 j=0 k=0 k=0 j=k
| {z } | {z }
GX (s) GY (s)
Una vez que tenemos la expresión de GZ (s) (como producto de GX (s) y GY (s)), la
desarrollamos en serie de potencias para obtener sus coeficientes.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 245
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Por eso
n
Y
GX (s) = GX1+···+Xn (s) = [(1 − p) + ps] = [(1 − p) + ps]n
j=1
Lo que nos vuelve a sugerir que, si np = λ (con n grande y p pequeño), una variable
bin(n, p) es, aproximadamente, una variable Poisson con parámetro λ.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 246
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Ejemplo 2. Las Xj son independientes, y cada una de ellas es una ber(pj ). Aten-
ción, ahora no son idénticas, y por tanto Sn no es una bin(n, p). Pero si todas las
probabilidades pj son muy pequeñas, entonces
y, por tanto,
n
Y n
Y Pn
pj (s−1) (s−1) j=1 pj
GSn (s) = GXj (s) ≈ e =e
j=1 j=1
Pn
y Sn es aproximadamente una Poisson de parámetro j=1 pj .
Ejercicio
Función generatriz de una X que sea binneg(r, p). Sugerencia: se trata de una suma de variables
geométricas independientes.
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 247
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Obsérvese que Z toma valores enteros. ¿Cómo podemos obtener información sobre la
P(Z = k), para cada k? Es decir, ¿cuál es la función generatriz GZ (s)?
1.- Si X es una variable que toma valores 0, 1, 2, 3 . . . y a es un entero, la variable
Y = aX toma valores 0, a, 2a, 3a, . . . De manera que
∞
X ∞
X
GY (s) = P(Y = ka)ska = P(X = k)ska = GX (sa) .
k=0 k=0
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 248
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 249
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 250
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
Entonces, condicionando,
X N
X X N
XX X
j j j
GY (s) = P(Y = j)s = P Xk = j s = P Xk = j N = n P(N = n)s
j j k=1 j n k=1
n
XX X X n
X X
j j
= P Xk = j P(N = n)s = P(N = n) P Xk = j s
j n k=1 n j k=1
| {z }
GX (s)n
X n
= P(N = n)GX (s) = GN (GX (s))
n
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 251
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
X tx
Es decir, MX (t) = e j P(X = xj ) si X toma los valores xj ;
j
Z ∞
MX (t) = etx fX (x)dx si X tiene densidad fX .
−∞
Pero claro, estas sumas (o integrales) no tienen por qué estar definidas para valores
arbitrarios de t (más allá del obvio t = 0).
Por ejemplo, si X sigue una lognormal, entonces MX (t) no está definida (salvo en
t = 0).
2 2
Sin embargo, si X sigue una N (µ, σ), MX (t) = E(etX ) = eµt+σ t /2
para todo t.
Si X toma valores 0, 1, 2 . . . , entonces MX (t) = E(etX ) = E((et)X ) = GX (et).
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 252
MES 2014 Fundamentos matemáticos: Probabilidad y simulación
es decir, MX (t) es una serie de potencias cuyos coeficientes son (salvo los factoriales)
los momentos de la variable X. Esto es, los momentos se obtienen derivando MX y
(n)
evaluando en 0: E(X n) = MX (0).
Por último, la función generatriz de momentos está bien adaptada a la suma de variables
aleatorias independientes:
Detalle.
t(X+Y ) tX tY indep. tX tY
MX+Y (t) = E(e ) = E(e e ) = E(e )E(e ) = MX (t)MY (t) .
Afi Escuela de Finanzas Aplicadas 2013-2014. Todos los derechos reservados Fecha de elaboración: 29 de diciembre de 2013 253