Scribd
Cargar
6 vistas2 páginas

Distribuciones de Probabilidad en Finanzas

El capítulo 5 presenta distribuciones de probabilidad esenciales en estadística y finanzas para modelar la incertidumbre y evaluar riesgos. Se describen distribuciones discretas como la binomial y de Poisson, así como continuas como la uniforme, normal y log-normal. Además, se introduce la simulación de Monte Carlo como un método para modelar distribuciones complejas y realizar análisis de riesgo.

Cargado por

Andres Felipe Rico Gantiva
Derechos de autor
© All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como DOCX, PDF, TXT o lee en línea desde Scribd
6 vistas2 páginas

Distribuciones de Probabilidad en Finanzas

El capítulo 5 presenta distribuciones de probabilidad esenciales en estadística y finanzas para modelar la incertidumbre y evaluar riesgos. Se describen distribuciones discretas como la binomial y de Poisson, así como continuas como la uniforme, normal y log-normal. Además, se introduce la simulación de Monte Carlo como un método para modelar distribuciones complejas y realizar análisis de riesgo.

Cargado por

Andres Felipe Rico Gantiva
Derechos de autor
© All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como DOCX, PDF, TXT o lee en línea desde Scribd

Resumen Detallado del Capítulo 5: Common Probability Distributions

Este capítulo introduce las distribuciones de probabilidad utilizadas en estadística y


finanzas para modelar la incertidumbre y evaluar riesgos en inversiones.

1. Introducción a las Distribuciones de Probabilidad


 Variable Aleatoria: Una variable cuyo valor es incierto y depende del resultado de
un experimento aleatorio.
 Distribución de Probabilidad: Describe la probabilidad de ocurrencia de
diferentes valores de una variable aleatoria.
 Dos tipos principales:
o Distribuciones Discretas: Toman un número finito de valores (ej.,
lanzamiento de un dado).
o Distribuciones Continuas: Pueden tomar cualquier valor dentro de un
rango (ej., rendimientos del mercado).

2. Distribuciones de Variables Aleatorias Discretas


 Distribución Binomial:
o Modela el número de éxitos en una serie de ensayos independientes.
o Fórmula de probabilidad: P(X = k) = (nCk) p^k (1 - p)^(n - k)
o Ejemplo: Probabilidad de que una acción suba en 3 de 5 días.
 Distribución de Poisson:
o Modela el número de eventos en un intervalo de tiempo dado.
o Fórmula de probabilidad: P(X = k) = (e^(-λ) λ^k) / k!
o Ejemplo: Cantidad de quiebras bancarias en un año.

3. Distribuciones de Variables Aleatorias Continuas


 Distribución Uniforme:
o Todos los valores en un rango tienen la misma probabilidad.
o Fórmula de densidad: f(x) = 1 / (b - a), a ≤ x ≤ b
 Distribución Normal (Distribución de Gauss):
o Caracterizada por la media (μ) y la desviación estándar (σ).
o Función de densidad: f(x) = (1 / (σ√(2π))) e^(-(x - μ)² / (2σ²))
o Aplicación: Modelar retornos de activos financieros.
 Distribución Log-Normal:
o Modela variables cuyos logaritmos siguen una distribución normal.
o Utilizada para modelar precios de activos financieros.

4. Simulación de Monte Carlo


 Método utilizado para modelar distribuciones complejas y evaluar riesgos.
 Implica generar miles de escenarios aleatorios para estimar probabilidades.
 Aplicaciones:
o Valoración de opciones financieras.
o Análisis de riesgo en portafolios.

Resumen Final

Este capítulo proporciona las herramientas clave para modelar la incertidumbre en finanzas.
Comprender estas distribuciones permite evaluar mejor los riesgos y tomar decisiones
informadas en inversión.

También podría gustarte