INTRODUCCIÓN

La construcción de modelos financieros es una parte esencial en la toma de decisiones en el

mundo de las finanzas. Estos modelos permiten a las empresas, inversores y analistas evaluar
riesgos, proyectar rendimientos y tomar decisiones estratégicas. Sin embargo, en un entorno
financiero caracterizado por la incertidumbre y la variabilidad, la teoría de probabilidades y la
estadística se erigen como herramientas fundamentales.

El deseo inherente del ser humano de prever el futuro ha impulsado el desarrollo de la teoría
de probabilidades, una disciplina que ofrece un enfoque sistemático para abordar la
incertidumbre. En este contexto, la estadística complementa la teoría de probabilidades al
proporcionar métodos robustos para analizar datos financieros y extraer conclusiones
significativas.

En esta exploración, profundizaremos en cómo estas dos áreas del conocimiento, la teoría de
probabilidades y la estadística, se entrelazan y se convierten en piedra angular en la
construcción de modelos financieros que respaldan decisiones críticas en el ámbito financiero y
económico.
 Distribuciones de probabilidades discretas

Las distribuciones de probabilidad discretas se pueden aplicar a finanzas de varias maneras,

incluyendo:

Modelado de precios de activos: Las distribuciones de probabilidad se pueden utilizar para

modelar los precios de activos financieros, como acciones, bonos y materias primas. Por
ejemplo, la distribución binomial se puede utilizar para modelar el precio de una opción, que
es un contrato que da al comprador el derecho, pero no la obligación, de comprar o vender un
activo a un precio determinado en una fecha determinada.

Análisis de riesgos: Las distribuciones de probabilidad se pueden utilizar para analizar los
riesgos asociados con las inversiones financieras. Por ejemplo, la distribución de Poisson se
puede utilizar para modelar el riesgo de pérdida debido a un evento raro, como una quiebra o
una catástrofe natural.

Toma de decisiones financieras: Las distribuciones de probabilidad se pueden utilizar para

tomar decisiones financieras informadas. Por ejemplo, una empresa puede utilizar la
distribución de probabilidad para decidir si lanzar un nuevo producto o invertir en un nuevo
proyecto.

Ejemplos de aplicaciones de las distribuciones de probabilidad discretas en finanzas:

 Una empresa utiliza la distribución binomial para modelar el número de clientes que se
espera que compren su producto nuevo.
 Un inversor utiliza la distribución de Poisson para calcular el riesgo de perder dinero en
un fondo de inversión.
 Un banco utiliza la distribución de probabilidad para determinar la cantidad de dinero
que debe reservar para cubrir las pérdidas potenciales.

Algunas de las distribuciones de probabilidad discretas más comunes utilizadas en finanzas

son:

Distribución binomial: Se utiliza para modelar el número de éxitos en un número fijo de

ensayos independientes. Por ejemplo, se puede utilizar para modelar el número de clientes
que visitan un sitio web en un día o el número de préstamos que se espera que se incumplan
en un año.

Distribución de Poisson: Se utiliza para modelar el número de veces que ocurre un evento raro
en un intervalo de tiempo o espacio. Por ejemplo, se puede utilizar para modelar el número de
accidentes de tráfico que ocurren en una ciudad en un día o el número de llamadas telefónicas
que recibe un centro de atención al cliente en una hora.

Distribución uniforme discreta: Se utiliza para modelar el número de posibles resultados de un

experimento aleatorio en el que todos los resultados son igualmente probables. Por ejemplo,
se puede utilizar para modelar el número de caras que aparecen al lanzar una moneda o el
número de números que se pueden obtener al lanzar un dado.
Las distribuciones de probabilidad discretas son una herramienta importante para los
financieros que desean comprender y gestionar el riesgo. Al comprender cómo funcionan estas
distribuciones, los financieros pueden tomar decisiones más informadas sobre inversiones,
préstamos y otros productos financieros.

Lind, D. A., Marchal, W. G., Wathen, S. A.(2019). Estadística aplicada a los negocios y la
economía. McGraw-Hill. [Link]

Una distribución de probabilidad define o describe las probabilidades de que suceda cierta
gama de resultados futuros posibles. Lista de todos los resultados de un experimento y la
proba-bilidad asociada a cada uno de ellos

CARACTERÍSTICAS DE UNA DISTRIBUCIÓN DE PROBABILIDAD

1. La probabilidad de un resultado en particular se encuentra entre 0 y 1, inclusive.

2. Los resultados son eventos mutuamente excluyentes.

3. La lista es exhaustiva. Por lo tanto, la suma de las probabilidades de los diversos eventos es
igual a 1.

VARIABLE ALEATORIA Cantidad que resulta de un experimento que, por azar, puede adoptar
dife-rentes valores

VARIABLE ALEATORIA DISCRETA Variable aleatoria que solo adopta valores claramente
separados

Variable aleatoria continua: Por otra parte, una variable aleatoria continua puede asumir un
número infinito de valores dentro de cierto rango. Se mide en una escala o un intervalo
continuos. Por ejemplo:• Los tiempos de los vuelos comerciales entre Atlanta y Los Ángeles
son de 4.67 horas, 5.13 horas, etc. La variable aleatoria es el tiempo medido en horas, que se
determina en una escala continua.• La precipitación anual de nieve en Minneapolis,
Minnesota. La variable aleatoria es la cantidad de nieve, medida en una escala continua. Como
en el caso de las variables aleatorias discretas, la probabilidad de una variable aleatoria con-
tinua puede resumirse con una distribución de probabilidad. Por ejemplo, con una distribución
de probabilidad de la duración de un vuelo entre Atlanta y Los Ángeles, podemos afirmar que
hay una pro-babilidad de 0.90 de que el vuelo dure menos de 4.5 horas; lo que también implica
que hay una proba-bilidad de 0.10 de que el vuelo dure más de 4.5 horas. Mediante una
distribución de probabilidad de caída de nieve en Minneapolis podemos afirmar que existe una
probabilidad de 0.25 de que el nivel de precipitación anual exceda las 48 pulgadas; esto implica
también una probabilidad de 0.75 de que el nivel de precipitación de nieve anual sea de menos
de 48 pulgadas. Note que esos ejemplos conciernen a escalas de valores continuas

La media indica la posición central de los datos, y la desviación estándar describe la dispersión
de los mismos. De forma similar, una distribución de probabilidad queda resumida por su
media y su varianza. La media de una distribución de probabilidad se identifica mediante la
letra griega minúscu-la mu (μ), y la desviación estándar, con sigma (σ).MediaLa media
constituye un valor típico para representar la posición central de una distribución de pro-
babilidad. También es el valor promedio de la variable aleatoria. La media de una distribución
de probabilidad también recibe el nombre de valor esperado. Se trata de un promedio
ponderado, en el cual los posibles valores de una variable aleatoria se ponderan con sus
correspondientes proba-bilidades de [Link] media de una distribución de probabilidad
discreta se calcula con la fórmula:MEDIA DE UNA DISTRIBUCIÓN DE PROBABILIDAD μ =
Σ[xP(x)] [6.1]donde P(x) es la probabilidad de un valor particular x. En otras palabras,
cada valor x se multiplica por sus probabilidades de ocurrir y enseguida se suman los
[Link] y desviación estándarLa media constituye un valor típico para resumir una
distribución de probabilidad discreta. Sin embar-go, no describe el grado de dispersión
(variación) en una distribución. La varianza sí lo hace. La fórmu-la de la varianza de una
distribución de probabilidad es:VARIANZA DE UNA DISTRIBUCIÓN DE PROBABILIDAD σ2 = Σ[(x
– μ)2P(x)]

Los pasos para el cálculo son los siguientes:1. La media se resta de cada valor de la variable
aleatoria y la diferencia se eleva al cuadrado.2. Cada diferencia al cuadrado se multiplica por
su probabilidad.3. Se suman los productos resultantes para obtener la [Link] desviación
estándar, σ, se determina al extraer la raíz cuadrada positiva de σ2; es decir, σ = √

Distribución binomial: Se utiliza para modelar el número de éxitos en un número fijo de

ensayos independientes

Hay cuatro requisitos para describir los resultados experimentales con una distribución bino-
mial. El primero es que solo haya dos posibles resultados en determinado ensayo del
experimento.( Una característica clave de ambos resultados es que son mutuamente
excluyentes. Esto significa que la respuesta a una pregunta como la del primer ejemplo debe
ser ya sea cierto o falso, pero no puede ser cierta y falsa a la vez). El segundo requisito de la
distribución binomial es que la variable aleatoria es el número de éxitos en el número total de
ensayos. Por ejemplo, se lanza una moneda cinco veces y se cuenta el número de veces que
aparece una cara; se seleccionan 10 trabajadores aleatoriamente y se registra cuántos tienen
más de 50 años; o se eligen al azar 20 cajas de Raisin Bran de Kellogg's y se identifi-ca cuántas
pesan más de lo que indica el paquete. En cada ejemplo, se cuenta el número de éxitos de un
número fijo de [Link] tercer requisito es que la probabilidad de éxito sea la misma para
cada ensayo. Tres ejemplos son los siguientes