Libro Me Todos Mate Mati Cos 2010

Autor: Jos Rigoberto Parada Daza 1
MTODOS MATEMTICOS EN TEORA

FINANCIERA
Jos Rigoberto Parada Daza
Universidad de Concepcin, Chile
Registro Propiedad Intelectual N120.798
I.S.B.N. 956-8029-19-2
NDICE
CAPTULO I
OPTIMIZACIN CON RESTRICCIONES
1.1. DEFINICIN DE EXTREMOS DE UNA FUNCIN
CON DOS VARIABLES X e Y SIN RESTRICCIONES. 6
1.1.1 Condiciones necesarias para la existencia de
mximo o mnimo. 6
1.1.2 Condiciones suficientes para la existencia de
mximo o mnimo 7
1.2. OPTIMIZACIN CON RESTRICCIONES, CASO DE DOS
VARIABLES 13
1.3. OPTIMIZACIN CON RESTRICCIONES DE VARIAS
VARIABLES 21
CAPITULO II
DISTRIBUCIN DE PROBABILIDADES BSICAS
2.1. DISTRIBUCIN BINOMIAL 22
2.2 DISTRIBUCIN NORMAL 33
CAPITULO III
CONCEPTOS MATEMTICOS SUBYACENTES EN MODELOS
DE OPCIONES FINANCIERAS
3.1. CAPITALIZACIN EN TIEMPO CONTNUO 37
3.2. MOVIMIENTO BROWNIANO 41
3.2.1 Antecedentes Generales 41
3.2.2 Definicin matemtica del Movimiento Geomtrico
Browniano 41
3.2.3 Aplicacin movimiento Browniano al precio de
acciones 44
3.2.4 Procesos geomtricos Browniano y Distribucin
Normal. 49
3.3. VOLATILIDAD Y PROBABILIDAD DE RETORNOS
CON MOVIMIENTOS BROWNIANOS 51
3.4. QU ES UN PROCESO ESTOCSTICO? 60
CAPITULO IV
CLCULO DIFERENCIAL ESTOCSTICO.
4.1. VARIACIN EN TIEMPO DISCRETO Y CONTNUO 63
4.2. CLCULO DE ITO 65
4.3. INTEGRAL DE RIEMANN 66
4.4. INTEGRAL DE RIEMANN Y FUNCION e
t
69
4.5. INTEGRAL DE RIEMANN-STIELTJES 71
4.6. INTEGRALES ESTOCSTICAS 75
4.7. LEMA DE ITO 77
4.8. DESARROLLO MODELO BLACK-SHOLES 81
CAPITULO V
ANALISIS MULTIVARIABLE
5.1 TCNICAS DE ANLISIS MULTIVARIABLE 84
5.2. ANLISIS DE COMPONENTES PRINCIPALES 84
5.2.1. Interpretacin Intuitiva 85
5.2.2. Interpretacin Matemtica 86
5.2.3. Matriz de Varianzas-Covarianzas y Matriz de Correlacin 95
5.2. ANLISIS FACTORIAL 97
5.2.2. Interpretacin Matemtica 98
5.2.3. Comparacin del Mtodo Componentes Principales con el
5.3. ANLISIS DISCRIMINANTE 106
5.3.2. Matemtica del Anlisis Discriminante para dos grupos. 108
APNDICE N 1
Conceptos de clculo diferencial e integral
usados en Teora Financiera 115
APNDICE N 2
Conceptos de matemticas financieras usados en
Teora Financiera. 118
APNDICE N 3
Modelos clsicos financieros 120
BIBLIOGRAFA 121
INTRODUCCIN
El desarrollo de las Finanzas, tanto en su vertiente terica de Teora
Financiera como en su versin aplicada de Gestin Financiera, est basado,
principalmente, en diferentes conceptos matemticos y que normalmente en los
textos de Teora Financiera y Finanzas se dan por conocidos por el lector,
supuesto que es razonablemente vlido debido a que el estudio de estas materias
financieras es normalmente posterior a las enseanzas de matemticas. Sin
embargo, en la educacin de las ciencias econmicas y empresariales no siempre
existe una relacin instantnea entre la ciencia bsica, matemticas en este caso,
con la ciencia aplicada, o sea Finanzas. Esto lleva a que en la enseanza de esta
ltima, a veces, se requiera un repaso o reestudio de las matemticas.
En la perspectiva anterior, es que se ha elaborado este texto como ayuda
y complemento directo hacia personas que estudien los conceptos de Teora
Financiera y Gestin Financiera. Por otro lado, en los cursos de postgrado puede
ayudar a desarrollar ms claramente los enfoques de Teora Financiera, al margen
de los modelos matemticos subyacentes, pues estudiando previamente este
texto, permitir entender de mejor forma los modelos de Finanzas. Este libro, para
una mejor comprensin, requiere de conocimientos previos de Clculo Diferencial
e Integral, Geometra Analtica y conceptos de Estadstica-Matemtica.
Este texto presenta un conjunto de conceptos matemticos que soportan a
diferentes modelos financieros, como es el caso de Clculo Diferencial e Integral,
Clculo Diferencial Estocstico, Movimientos Brownianos y conceptos de Anlisis
Multivariables. Estas materias no siempre se imparten en un solo curso de
matemticas sino que son captulos de diferentes asignaturas. El caso del Clculo
Diferencial Estocstico es bien particular, pues, normalmente no forma parte del
currculum de estudios de pregrado en la enseanza de economa y
empresariales, por lo que se aborda aqu desde una perspectiva diferente a los
cursos de postgrado. La forma de presentar los tpicos por separado se debe a
que esta es la forma de como se usan en diferentes modelos de Finanzas, por lo
que no implica alguna descoordinacin como aparecera si lo observamos bajo
una ptica puramente matemtica. Esta caracterstica del libro, lo hace diferente a
aquellos textos que normalmente se usan bajo la denominacin de Matemticas
Financieras, pues en estos ltimos se incluyen mtodos matemticos aplicados a
considerar principalmente el valor del dinero en el tiempo y que lo que de esta
interpretacin se deriva, que son mtodos complementarios a los que se usan en
este libro.
En el texto se desarrollan los siguientes tpicos: Optimizacin con
restricciones para dos o ms variables, algunas distribuciones de Probabilidades;
Movimientos Brownianos; Proceso Estocstico; Clculo Diferencial Estocstico;
Anlisis de Componentes Principales, Anlisis Factorial y Anlisis Discriminante.
En este texto se ha considerado como punto de partida slo a los modelos
clsicos de Finanzas, entendiendo por clsico lo que ha permanecido en el
tiempo, despus de efectuadas las verificaciones empricas. Lo anterior implica
que hay varios otros modelos, que usando metodologa matemtica, no han
servido de referencia para la elaboracin de este libro. De igual forma, se han
dejado afuera todos los conocimientos previos de Econometra, pues esta
metodologa, ampliamente usada en Finanzas, tiene cursos previos bastante
desarrollados y tienen un uso, principalmente, de contratacin de hiptesis. En
Apndice N 3 se indican los principales modelos financieros y sus metodologas
matemticas subyacentes.
El autor espera que este texto sea de ayuda a los profesores de Finanzas
y, a la vez, que sea un documento amigable para los estudiantes, que les permita
comprender a cabalidad los modelos de la Finanzas y que se pueda discernir con
mayor claridad sobre la aplicacin de estos modelos hacia realidades concretas,
as como apreciar tanto las bondades como las limitaciones de dichos modelos y
conceptos.
Como todo texto de Matemticas su trascripcin es laboriosa y quizs sea
ste un trabajo tan relevante como su contenido y en esta tarea debo expresar mi
reconocimiento a mi secretaria Sra. Ana Guerrero Arru, quien pacientemente ha
desarrollado esta tarea y ha debido corregir una y otra vez los borradores iniciales
de la primera versin. Tambin a mi hijo Miguel Parada Contzen quien me ha
prestado su colaboracin matemtica e informtica.
CAPITULO I
OPTIMIZACIN CON RESTRICCIONES
Tanto en Teora Financiera como en Finanzas de Empresas, es comn el
planteamiento de alguna funcin que se debe optimizar, o sea el clculo de un
mximo o un mnimo, sujeto a restricciones. Es utpico, en Finanzas, suponer que
se optimizan funciones sin ninguna restriccin; es decir no se puede optimizar una
funcin de rentabilidad sin considerar por ejemplo al menos la restriccin de la
capacidad de financiamiento. Por otro lado, es comn optimizar funciones no
necesariamente lineales, en el cual un caso tpico es el problema de clculo de las
proporciones a invertir en una cartera o portafolio con una funcin de rentabilidad,
generalmente lineal, y una funcin de riesgos, generalmente cuadrtica. Por esta
razn, en este captulo se analiza el clculo de mximo y mnimo de funciones no
lineales y con restricciones, aunque como caso especial se ver primero una
optimizacin sin restricciones.
1.1.- DEFINICIN DE EXTREMOS DE UNA FUNCIN CON DOS VARIABLES X
e Y, SIN RESTRICCIONES.
Una funcin f(x,y) tiene un mximo (o un mnimo) f(a,b) en el punto P(a,b) si para
todos los puntos P (x,y) diferentes de P, de un entorno suficientemente pequeo
del punto P, se cumple:
f(a,b) > f(x,y) para mximo
o
f(a,b) < f(x,y) para mnimo
1.1.1.- Condiciones necesarias para la existencia de mximo o mnimo
Los puntos de mximo o mnimo se encuentran resolviendo el siguiente sistema
de ecuaciones:
El sistema (1.1) es equivalente a:
) 1 . 1 ( 0
) , (
0
) , (
y
y x f
y
x
y x f
dy
y
y x f
dx
x
y x f
y x df
) , ( ) , (
0 ) , (
1.1.2.- Condiciones suficientes para la existencia de mximo o mnimo.
Sea P(a,b) un punto estacionario de la funcin f(x,y), o sea df (a,b) = 0, aqu se
puede dar si:
a) d
2
f(a,b) < 0, siendo dx
2
+ dy
2
> 0 entonces
f(a,b) es un mximo de la funcin f(x,y)
b) d
2
f(a,b)> 0, siendo dx
2
+ dy
2
> 0, entonces
f(a,b) es un mnimo de la funcin f(x,y)
c) d
2
f(a,b) cambia de signo, entonces f(a,b) no es un punto de mximo ni de
mnimo de la funcin f(x,y)
Las condiciones anteriores son equivalentes a las siguientes:
Sea:
y sea: D = AC

B
2
Entonces se puede presentar lo siguiente:
1) D> 0

f(x,y) tiene un extremo en el punto P(a,b) y ste ser:
Mximo S A< 0 (o C < 0)
o
Mnimo S A > 0 (o C > 0)
2) D< 0

f(x,y) en punto P (a,b), lo que indica que no hay extremo
3) D = 0

f(x,y) en el punto P(a,b), entonces la existencia de extremo queda
indeterminada y no se puede continuar la investigacin.
Para el caso de varias variables, el procedimiento es anlogo al de dos variables.
0
) , ( ) , (
y
b a f
x
b a f
y x
b a f
B
x
b a f
A
) , ( ) , (
2
2
2
2
2
) , (
y
b a f
C
Ejemplo N 1.1: Sea la funcin z = e
x-y
(x
2

2y
2
)
Calcule los valores extremos y sus puntos de mximo.
Solucin:
Resolviendo el sistema de ecuaciones, se tiene:
x
1
=0 e y
1
=0, o sea P(0,0)
x
2
= -4 e y
2
= -2 o sea P(-4,-2)
Entonces:
A =
2
z/ x
2
= e
x-y
x
2
+4x+2

2y
2

B = z/ x y =e
x-y
-x
2

2x- 4y + 2y
2

C =
2
z/ y
2
= e
x-y
x
2
-2y
2
+ 8y - 4

Expresando en una tabla los valores de A, B y C se tiene lo siguiente:
A B C
P (0,0) 2 0 -4
P(-4,-2) -8e
-2

8e
-2

-12e
-2

Clculo de D para P (0,0) es el siguiente:
D = AC - B
2
= -8 - 0 < 0, como D< 0, entonces no hay extremo
Clculo de D para P (-4,-2)
D= AC - B
2
= 96e
-4

(8e
-2
)
2
= 0,5861
Como D> 0 y A<0

P(a,b) = P(-4,-2) es mximo.
Funcin Mxima en P(a,b) = P(-4,-2) es
Z = e
4+2

16 - 8

= 8e
-2
0 2 2
2 2 y x
e y
y x
xe
y x
e x
x
z
0 4 2
2 2 y x y x y x
ye e y e x
y
z
Ejemplo N 1.2
Un problema clsico en Gestin Financiera es la determinacin de las cantidades
a producir minimizando una funcin de costos. Sea la siguiente funcin:
Donde CT = Costo Total
R = Nmero de unidades elaboradas por secuencia de produccin
I = Unidades de existencia al principio de cada perodo
C
s
= Costos de instalacin
C
1
= Costo unitario variable de produccin
C
2
= Costo de mantenimiento unitario
C
3
= Costo por falta de inventario
q = N de unidades vendidas
Se trata de determinar cul es el nmero de unidades elaboradas (R) y el nivel de
unidades de existencias iniciales (I) de tal forma de optimizar los costos totales
(CT). O sea se debe calcular, el siguiente sistema:
Del sistema de ecuaciones anteriores se obtiene:
3
3 2
2
2 *
C
C C
C
C
q R
s

3 2
3
2
2 *
C C
C
C
C
q I
s

Suponiendo que: q = 10.000 unidades
C
2
= $0,44 por unidad
C
3
= $1 por unidad
C
s
= $8.800
Entonces el valor ptimo de R e I son los siguientes:
R
I R C
I C
R
q C
R
q C
CT
s
2
3 2
2 1
) (
2 2
1
0 0
I
CT
y
R
CT
0
) ( ) (
2
2
2
1
2
2
3 2
2
2 2
R
I R
R
I R C
I C
R R
q C
R
CT
s
0
1
3
2
I R
R
C
I C
R I
CT
Calculando el discriminante D en el punto P (a,b) = P (24.000; 16.667) se tiene:
A =
2
CT/

R
2
> 0
B = (
2
CT/ R I) > 0
C =
2
CT/ I
2
> 0
Entonces si D>0 y como A>0 o C>0, se tiene que en el punto
P(a,b)=P(24.000;16.667) es un punto de Mnimo y el costo Mnimo es:
(suponiendo que C
1
= $ 50)
CT* = (8.800 X 10.000)/24.000+50 X 10.000+0,44(16.667)
2
/48.000+
+ (24.000-16.000)
2
/48.000=$507.333,34.
Ejemplo N 1.3
El modelo de Valoracin de Activos de Capital o CAPM, determina como bsico el
clculo de los coeficientes de volatilidad o Betas a partir del siguiente modelo:
Donde:
it
R = Rentabilidad del activo financiero i en perodo t.
R
mt
= Rentabilidad de un portafolio de mercado en perodo t.
it
= Errores estadsticos de estimacin.
El modelo se basa en que para un conjunto de datos, rentabilidades en este caso,
se tenga el mnimo error
it
, entre las rentabilidades R
it
observadas y las R
it
calculadas segn el modelo. O sea, se trata de minimizar los errores estadsticos
para todos los ttulos, y a partir de esa funcin minimizante obtener el parmetro
Beta ( ) que es lo relevante, as como el parmetro .
La funcin a maximizar es la siguiente:
unidades
x
I 667 . 16
44 , 1
1
44 , 0
000 . 10 800 . 8 * 2
*
n
t
t m i t i
n
t
it
R R F
1
2
, ,
1
2
it mt i it
R R
unidades
x x
R 000 . 24 44 , 1
44 , 0
800 . 8 000 . 10 2
*
Condiciones para clculo de puntos extremos son las siguientes:
Resolviendo las ecuaciones y reordenndolas, se obtiene:
Del sistema de ecuaciones anterior, se obtiene:

i i i
R R

Donde:
im
= Covarianza entre los retornos de ttulo i con los retornos del portafolio de
mercado m.
2
m
= Varianza del portafolio de mercado m.
Calculando los discriminantes A, B y C se tiene que:
A =
2
F/
i
2
> 0
B =
2
F/

i

> 0
C =
2
F/
2
< 0
n
t
mt i i it
i
R R
F
1
0 2
0 2
1
n
t
mt i i it mt
R R R
F
n
t
mt i i
n
t
it
R n R
1 1
n
t
mt
i
n
t
mt i mt
n
t
it
R R R R
1
2
1 1
2 2
1
) (
) )( (
m
im
t m
mt
t m
mt
it
n
t
it
i
R R
R R R R
Entonces D>0 y como A>0 o (C>0) entonces el Punto P(a,b) =P(
im
/
2
m
; i R -
i
R
m
)
es mnimo.
Ejemplo N 1.4
Suponga que una empresa produce dos productos los que se pueden vender en
$10 y $15 la unidad. Las funciones de costos totales de ambos es la siguiente:
CT
1
= 2q
1
+ 0,2
2
1
q
CT
2
= 3q
2
+ 0,15
2
2
q
donde:
CT
i
= Costo total variable de produccin del producto i.
q
i
= Cantidad del producto i producido.
Suponiendo que se desea maximizar el beneficio y que todo lo que se
produce se vende, se desea saber cul es el nivel de produccin del producto
1 y 2.
Funcin a Optimizar: 10q
1
+ 15q
2

2q
1

0,2
2
1
q

3q
2

0,15
2
2
q
Aplicando las condiciones de optimizacin se tiene lo siguiente:
Los puntos de extremo son f(a,b) = f(20;40) que es la solucin del sistema de
ecuaciones. Para verificar si el punto es de mximo o mnimo se deben calcular
los discriminantes A, B y C, que son los siguientes:
A =
2
f/ q
2
1
= -0,4
B = f/ q
1
q
2
= 0
C =
2
f/ q
2
2
= -0,3, calculando D se tiene:
D = AC

B
2
= 0,12 y A< = 0 Punto Mximo,
Donde:
Beneficio Mximo : $ 320
Costo mximo : $ 480
0 3 , 0 3 15
) , (
2
2
2 1
q
q
q q f
0 4 , 0 2 10
) , (
1
1
2 1
q
q
q q f
1.2.- OPTIMIZACIN CON RESTRICCIONES, CASO DE DOS VARIABLES
En Finanzas, normalmente, las funciones a maximizar estn restringidas por
condiciones impuestas, ya sea por el mercado o por factores internos propios de la
empresa. Estas restricciones tambin pueden ser funciones en las que se incluyan
las variables que se intentan optimizar. Por ejemplo, queremos seleccionar los
mejores proyectos de inversin y que tengan la mxima rentabilidad, pero estos
proyectos se pueden llevar delante de acuerdo a las disponibilidades de
financiamiento, a factores legales e impositivos, a condiciones medio ambientales
u otras, las que constituyen las restricciones al problema de maximizacin; por lo
tanto los puntos de posibles ptimos, o puntos extremos, son extremos
condicionados.
Para problemas con extremos condicionados se usa el Mtodo de Lagrange que
en una primera etapa se explicar para funciones de dos variables. Sea f(x,y) la
funcin a optimizar sujeta a restricciones de una funcin g(x,y); con esto se
plantea una funcin conocida con el nombre de funcin Lagrangeana L(x,y) la que
se define de la siguiente forma:
L(x,y) = f(x,y) + g (x,y) con g(x,y) = 0
donde

= Coeficiente de Lagrange y que es una constante que constituye una
incgnita del problema. A partir de la funcin L(x,y) se buscan nuevos puntos de
extremo mediante el siguiente sistema de ecuaciones:
L/ x = f/ x + g / x = 0
L/ y = f/ y + g/ y = 0
L/

= g (x,y ) = 0
Las incgnitas en este sistema de ecuaciones son: , x e y
Para el clculo de los puntos de extremos condicionados se debe analizar el signo
que tendr la segunda diferencial de la funcin Lagrangeana, o sea
para los valores x, y,

que se han obtenido como puntos extremos y que las
diferenciales dx y dy cumplan la siguiente condicin:
S d
2
F<0, entonces f(x,y) tiene un mximo condicionado.
S d
2
F>0, entonces f(x,y) tiene un mnimo condicionado.
2
2
2 2
2
2
2
2
2 ) , ( dy
y
L
dxdy
y x
L
dx
x
L
y x F d
0 dy
y
g
dx
x
g
Con dx
2
+ dy
2

0
o bien, se calcula el valor de D = AC-B
2
para la funcin L(x,y) y si
D>0 habr un mximo condicionado de f(x,y) si A<0 ( C<0)
o habr un mximo condicionado de f(x,y) s
A>0 ( C>0)
El mtodo se puede generalizar para varias variables y varias restricciones a la
vez, con el mismo desarrollo que para dos variables, siempre considerando que el
nmero de ecuaciones de restricciones debe ser menor que el nmero de
variables que incluye el problema.
Ejemplo N 1.5
Un clsico problema en Finanzas es la seleccin de proporciones a invertir en una
cartera minimizando el riesgo. Suponga que se invertir las proporciones x e y en
dos ttulos burstiles, cuya funcin de riesgos es:
2
= x
2
x
2
+ y
2
y
2
+ 2xy
xy
sujeto a:
x + y =1
La funcin de Lagrange es la siguiente:
L = x
2
x
2
+ y
2 2
y
+ 2xy
xy
+

x+y-1

Entonces:
L/ x = 2x
x
2
+ 2y
xy

+

= 0 (1)
L/ y = 2y
y
2
+ 2x
xy
+

=0 (2)
L/

= x +y = 1 (3)
De (1) y (2) se tiene:
De donde se deduce que:
Reemplazando en (3) se tiene:
1
2
2
y xy
xy x
y x
y x
1
2
2
y y
xy x
xy y
) 4 (
2
2
xy x
xy y
y x
Es decir
Reemplazando (5) en (4) se tiene:
Entonces los puntos de extremo son P(a,b)=
Supongamos los siguientes datos:
2
x
= 0,250
2
y
= 0,090
xy
= 0,075
Entonces:
Reemplazando los valores de x e y, se tiene = - 0,1776
O sea P(a,b) = P (0,0789; 0,9211)
El clculo de segundas derivadas es el siguiente
:
2
L / x
2
= 2
2
x
2
L / x y = 2
xy
2
L / y
2
= 2
2
y
Entonces:
d
2
L(x,y) = 2dx
2
+ 2dy
2
S x = 0,0789; y = 0,9211 y

= -0,1776
Por tanto: d
2
L(x,y) > 0

la solucin es un punto de mnimo.
) 5 (
2
2 2
2
y
xy
x
xy
x
y
y
xy
x
xy y
x
2 2
2
2
0789 , 0
09 , 0 15 , 0 25 , 0
075 , 0 09 , 0
x
9211 , 0
09 , 0 15 , 0 25 , 0
075 , 0 25 , 0
y
y
xy
x
xy x
y
xy x
xy y
P
2 2
2
2 2
2
2
;
2
Ejemplo N 1.6
Supongamos que tenemos dos bonos con los siguientes datos:
Bono 1 Bono 2
Precio inicial P
1

= $10 P
2

= $12
Tasa de Inters r
1
= 10% r
2
= 12%
Valor al final perodo
P
1
e
1
r
1
t
= 10e
0,1
1
t
P
2
e
2
r
2
t
= 12e
0,12
2
t

Perodo de vigencia t
1

t
2

Se desea maximizar el valor de la inversin y se debe determinar cul debe ser el
perodo de vigencia o de posesin de ambos bonos, o sea, t
1
y t
2
suponiendo que
se desea que ambos no superen un ao de inversin.
Entonces se tiene la siguiente funcin a maximizar:
Funcin a optimizar V = P
1
e
1
r
1
t
+ P
2
e
2
r
2
t
V = 10 e
0,1
1
t
+ 12 e
0,12
2
t
Sujeto a: t
1
+ t
2
= 12 meses
Entonces L = 10 e
0,1
1
t
+ 12 e
0,12
2
t
+ t
1
+ t
2
-12

Calculando las derivadas parciales se tiene:
O sea, e
0,1
1
t
= 1,44 e
0,12
2
t
Calculando el logaritmo natural a ambos lados, se tiene:
0,1t
1
= ln(1,44) + 0,12 t
2
) 1 ( 0
1
1 , 0
1
t
e
dt
dL
) 2 ( 0 44 , 1
2
12 , 0
2
t
e
t
L
) 3 ( 12
2 1
t t
dL
1
44 , 1
2
1
12 , 0
1 , 0
t
t
e
e
o, sea t
1
= 10 ln(1,44) + 1,2t
2
Reemplazando en (3) se tiene:
10 ln(1,44) + 1,2t
2
+ t
2
= 12
Luego: t
2
= 3,8; t
1
= 8,2 y

= -2,272
Calculando las segundas derivadas se tiene:
2
L/ t
1
2
= 0,1 e
0,1
1
t
2
L/ t
1
t
2
= 0
2
L/ t
2
2
= 0,1728 e
0,12
2
t
Entonces, la segunda derivada de la ecuacin de Lagrange es:
d
2
L = 0,1e
0,1
1
t
+ 0,1728 e
0,12
2
t
> 0
Ejemplo N 1.7
Suponga que un inversionista debe distribuir sus recursos entre consumir hoy da
(C
o
) y destinar parte de esos recursos a consumo futuro o ahorro (C
1
). La funcin
de utilidad de esta distribucin es U= C
o
2
+ C
1
2
; se trabaja con dos perodos de
referencia y su ingreso actual es de $15.000 y el ingreso esperado en el prximo
perodo es $8.000; si el ahorro gana un inters de 7%. Cunto dinero debe
destinar a consumo actual y a consumo futuro?
Funcin a optimizar: C
2
0
+ C
2
1
Funcin condicionante: (15.000 - C
o
) + (8.000 - C
1
)/(1,07)
Entonces L = C
2
o
+ C
2
1
+

(15.000

C
o
) + (8.000- C
1
)/1,07

) 2 ( 0 07 , 1 / 2
1
1
C
C
L
) 3 ( 0 ) 07 , 1 /( ) 8000 ( ) 000 . 15 (
1
C C
L
o
) 1 ( 0 2
o
o
C
C
L
Reemplazando en (3) se obtienen los valores de C
0
y C
1
, luego se obtiene:
$15.000

1,07 C
1
+ $7.476,63

0,934579C
1
= 0
Luego: C
1
= $11.212,63 y C
o
= $11.997,53
Calculando las segundas derivadas, se tiene:
2
L/ C
2
0
= 2
2
L/ C
2
1
= 2
Por lo tanto, d
2
L > 0, entonces la funcin optimizada es un mnimo.
Ejemplo 1.8
Sea la siguiente funcin:
Donde V = Valor de una empresa (en $)
U = Utilidad neta de la empresa (en $)
b = Utilidades retenidas (en tanto por uno)
(1

b) = Dividendos
k = Tasa de Costo de Capital
r = Tasa de rentabilidad de las reinversiones
De acuerdo al modelo presentado, determine si existe una poltica de dividendos
que maximice el valor de la empresa.
Se trata de ver cuando se cumple dV/db = 0 que indicara el probable punto de
inflexin.
En este caso, la igualdad slo se cumple cuando r=k, ya que se sabe que U>0 y
(1+k)>0
1
1
1
07 , 1 07 , 1 C C
C
C
C
C
o
o
o
br k
k b U
V
) 1 )( 1 (
0
) (
) )( 1 (
2
br k
k r k U
db
dV
Si r k, entonces, dV/db nunca es igual a cero.
Si r=k, entonces el valor ptimo de V ser:
En el caso anterior, cualquiera sea el valor de b dar un mximo para V.
Si r < k ocurre lo siguiente:
0

b

1

1-b

0 y (k - br)

0
Como U> 0 y (1+k) >0, entonces V

0 para valores de b entre 0

b 1
As si b=0

V = U (1+k)/k y si b= 1 V = 0 entonces existe un punto que
maximiza y ste est en U(1+ k)/k . Esto implica que aqu convendra entregar
todo como dividendos.
S r>k, entonces el valor de V tiende a infinito.
Ejemplo 1.9
Suponga que el valor de un bono se expresa por la siguiente frmula:
Calcule si existe alguna variacin en el valor del bono ante cambios en la Tasa de
Inters k.
Por simplicidad, se toma el factor (1+k) como el factor que vara.
Entonces:
Si dB/d(1+k)=0 tendramos un punto de extremo.
Esto se presenta en dos casos, los cuales son los siguientes:
Si k = 0

que ser vlido cuando n=0, ya que dB/d(1+k) = -C 1+2+.....n
S 1+2+----n

= n(n+1)/2 entonces slo sera igual a cero cuando n=0.
S k , entonces dB/d(1+k) = 0, que sera el otro punto de extremo.
k
k U
V
) 1 (
n
k
C
k
C
k
C
B
) 1 ( ) 1 (
) 1 (
2
1 3 2
) 1 (
.....
) 1 (
2
) 1 ( ) 1 (
n
k
nC
k
C
k
C
k d
dB
Ejemplo 1.10
Sea la siguiente expresin:
Donde k = Costo de capital promedio de la empresa (en %)
D = Deuda de la empresa (en $)
C = Capital de la empresa (en $)
k
1
= Costo de la deuda (en %)
k
2
= Costo que exigen los propietarios (en %)
Determine si en estos modelos existe alguna relacin deuda/capital que minimice
el Costo de Capital promedio (k).
En este caso, previamente hay que hacer un arreglo algebraico de tal forma que
aparezca la variable D/C, as se divide numerador y denominador por C y se
obtiene la siguiente relacin:
Calculando dk/d(D/C)= 0, sta se cumple cuando k
1
= k
2
.
Por otro lado se tiene:
Cuando k
1
>k
2

es un punto de mximo, ya que d
2
k/d(D/C)
2
<0.
S k
1
< k
2

es un punto de mnimo, pues d
2
k/d(D/C)
2
> 0
2 1
k
C D
C
k
C D
D
k
1 ) / ( 1 ) / (
) / (
2
1
C D
k
k
C D
C D
k
0
) 1 / (
) 1 / )( ( 2
) / (
4
2 1
2
2
C D
C D k k
C D d
k d
1.3. OPTIMIZACIN CON RESTRICCIONES DE VARIAS VARIABLES
El procedimiento para optimizar una funcin f(x
i
), con i=1,.....n, sujeto a una
funcin de restricciones g(x
i
) con i=1,... n, es similar, slo que cambia el sistema
de ecuaciones para encontrar los puntos de extremos y que se transforma en un
sistema de n+1 ecuacin con n + 1 variables.
En efecto, sea:
L = f(x
i
) + g(x
i
),
Entonces los puntos de extremo se encuentran del siguiente sistema de
ecuaciones:
L/ x
1
= f(xi)/ x
1
+ g(x
i
)/ x
1
= 0
L/ x
2
= f(xi)/ x
2
+ g(x
i
)/ x
2
= 0
L/ x
3
= f(x
i
)/ x
3
+ g(x
i
)/ x
3
= 0
L/ x
n
= f(x
i
)/ x
n
+ g(x
i
)/ x
n
= 0
L/ = g(x
1
,x
2
,... x
n
) = 0
Para saber si es mximo o mnimo se requiere lo siguiente:
dx
i
, distintos de dx
i
= 0
i
que satisfaga la siguiente ecuacin:
g
1
dx
1
+ g
2
dx
2
+ .... + g
n
dx
n
= 0
Si hay varias restricciones, entonces el sistema de ecuaciones aumenta y las
restricciones se pueden expresar por otras funciones g
i
para las cuales se
expresan nuevos
i
, o sea la funcin de Lagrange es:
En los casos anteriores se ha trabajado principalmente con funciones no lineales;
en el caso de optimizaciones donde las funciones a maximizar y las restricciones
son lineales el mtodo tradicional de clculo de puntos de solucin es el mtodo
Simplex, el que normalmente no es utilizado en Teora Financiera, por lo que no
se abordar en este captulo.
i j con x g x f L
i j
n
i
n
j
j i
) ( ) (
1
1
1

mximo es
mnimo es
dx dx f
n
i
n
j
j i ij
0
0
1 1
CAPITULO II
DISTRIBUCIONES DE PROBABILIDADES BASICAS
En Finanzas es comn el uso de alguna distribucin de probabilidades para
diferentes eventos y mediante ellas se determina la esperanza matemtica del
suceso, multiplicando el suceso por la probabilidad de ocurrencia. As, se puede
aplicar para el caso de la estimacin de Valores Actuales esperados; precios de
activos financieros esperados, tasas de rentabilidad esperadas, costos de la
deuda esperados, etc. Las distribuciones de utilidades a utilizar dependen de si las
variables son discretas o continuas.
Entre las distribuciones de probabilidades para casos discretos estn:
Distribucin Binomial
Distribucin Multinomial
Distribucin de Poisson
Entre las distribuciones de probabilidades de variables aleatorias contnuas estn:
Distribucin Normal
Distribucin Gamma
Distribucin Beta
En Teora Financiera las distribuciones ms utilizadas son la Distribucin Normal,
especialmente en la especificacin de modelos de valoracin de precios y la
distribucin Binomial para el caso de modelo de Valoracin de Opciones. Por esta
razn, se expondrn los aspectos centrales de ambas distribuciones.
2.1.- DISTRIBUCIN BINOMIAL
S p = Probabilidad de ocurrencia de un suceso en un solo ensayo, o probabilidad
de xito del suceso favorable.
q = (1-p) = Probabilidad de no ocurrencia del suceso en un solo ensayo o
probabilidad de fracaso o de suceso desfavorable.
Entonces la probabilidad de que el suceso se presente exactamente x veces en n
ensayos, o sea, x xitos y (n-x) fracasos est dado por la siguiente expresin:
Con x = 0, 1, 2, 3,...... n
y n! =n(n-1)(n-2)(n-3)..... 1
y 0! = 1 por definicin
1 . 2
)! ( !
!
) (
x n x x n x
x n
q p
x n x
n
q p C x p
A esta distribucin de probabilidad discreta se le denomina Distribucin Binomial,
ya que para las x = 0,1,2.... n, se corresponden sucesivos trminos de la frmula
binomial del tipo:
(p+q)
n
= q
n
+
n
C
1
q
n-1
p +
n
C
2
q
n-2
p
2
+ ...+ p
n
Donde:
n
C
1
,
n
C
2
,
n
C
3
son los coeficientes binomiales los que se pueden tambin
obtener por el Tringulo de Pascal, el que para n=5 se presenta a continuacin:
N
0 1
1 1 1
2 1 2 1
3 1 3 3 1
4 1 4 6 4 1
5 1 5 10 10 5 1
Las propiedades principales de esta distribucin son las siguientes:
Media =

= np
Varianza =
2
= npq
Coeficiente de Sesgo= (npq)
1/2
En la frmula (2.1) se presentan las dos situaciones siguientes:
1) La Probabilidad de obtener cualquier combinacin de x xitos y (n-x) fracasos
es p
x
q
n-x
2)
n
x
son todas las posibles combinaciones de los xitos y fracasos.
Cuando n es muy grande, entonces el clculo de las diferentes opciones es
tedioso y normalmente se usa una aproximacin a la Distribucin Normal como se
ver ms adelante.
El modelo 2.1 es vlido slo cuando las probabilidades de los ensayos son
constantes, de otra forma no se puede aplicar el Tringulo de Pascal. En efecto, la
igualdad (p
1
+q
1
)(p
2
+q
2
)=(p+q)
2
solo se cumple si: p
1
=p
2
y q
1
=q
2
. Generalizando
se tiene que:
slo, si p
1
= p
2
= ..... = p
n
= p y q
1
= q
2
= q
3
= .......... = q
n
= q
n
j
n
i
) q p ( ) q p (
Ejemplo N 2.1
Supongamos que tenemos hoy da un bono con un precio de $1000; se estima
que existen dos posibilidades frente a este precio; que suba en el perodo
siguiente en 10% o que baje en 10%; la probabilidad de que suba, es decir el
suceso favorable, es 2/3 y la probabilidad de que baje es 1/3, es decir, el suceso
desfavorable. Supongamos un horizonte de tres perodos y deseamos determinar
el probable precio del bono al cabo de esos tres aos suponiendo que existen las
condiciones de Distribucin Binomial. En grfico 2.1 se muestran las posibilidades
que se presentan en este caso.
En esta situacin se da un escenario de Distribucin Binomial, pues se observan
dos alternativas de cada suceso y adems, se trabaja en tiempo discreto, es decir
los perodos son: 1, 2 y 3.
GRAFICO 2.1
Grfico de Posibilidad de Precios
Tiempo

Momento Inicial = 0 A $ 1.000 (Precio Inicial)
(*) + 10% - 10%
Fin ao 1 $ 1.100 $ 900
B C
+ 10% - 10% + 10% - 10%

D E F
Fin ao 2 $ 1.210 $ 990 $ 810

+ 10% - 10% + 10% - 10% + 10% - 10%

G H I J
Fin ao 3 $1.331 $ 1.089 $ 891 $729
(*) Con el signo + se indica aumento de precio en 10% y con signo

disminucin
en 10%.
En Grfico 2.1 se ve que si se parte en el momento inicial con un precio de
$1.000, entonces al trmino del ao 1 existen dos posibilidades, que el precio de
$1.000 aumente en 10%, o sea, $1.100 (Punto B) o disminuya en 10%, es decir el
precio final es $900 (Punto C).
Entre el ao 1 y 2 se dan las siguientes situaciones. Si el precio es de $1.100,
entonces al trmino del ao 2 ste puede aumentar en 10%, o sea, $1.210 (Punto
D) o puede disminuir en 10%, o sea llega a $990 (Punto E). La otra posibilidad a
inicios del ao 2 es que el precio sea $900 y al trmino del ao 2 ste puede
aumentar en 10%, o sea suba a $990 o pueda disminuir en 10%, o sea alcance a
$810 (Punto F).
Al trmino del tercer ao se presentan seis posibilidades, las cuales dependen de
los precios iniciales del tercer ao y que son los que se tenan a fines del ao 2.
As, si el precio a inicios del ao 3 es de $1.210, entonces ste puede aumentar
en 10%, o sea subir a $1.331 (Punto G) o bajar en 10%, o sea baja a $1.089
(Punto H); o bajar en 10%, o sea $891 (Punto I) o puede bajar 10%, o sea a $729
(Punto J).
En este ejemplo didctico, se supone que las alzas y las bajas son iguales (10%
en este caso); esto no tiene porqu ser necesariamente as, se puede suponer un
escenario optimista y un escenario pesimista y los porcentajes de alzas no tienen
porqu ser iguales a los porcentajes de las bajas, lo que depende exclusivamente
de los pronsticos y variables consideradas en los anlisis prospectivos. De igual
forma tampoco se puede suponer tres, cuatro o cinco perodos; esto depende del
horizonte de tiempo que los analistas consideren adecuado.
Clculo de las probabilidades asociadas a los sucesos
Las posibilidades que se presentan en el ejemplo son las siguientes:
Situacin Favorable Desfavorable
A 3 alzas 0 baja
B 2 alzas 1 baja
C 1 alza 2 bajas
D 0 alzas 3 bajas
Situacin Puntos de Grfico Probabilidad
a) 3 alzas A B D G 1x(2/3)
3
= = 8/27
b) 2 alzas y 1 baja A B D H (2/3)(2/3)(1/3)
+A B E H +(2/3)(1/3)(2/3)
+A C E H +(1/3)(2/3)(2/3)
TOTAL = 12/27
c) 1 alza y 2 Bajas A B E I (2/3)(1/3)(1/3)
+A C E I
+A C F I
+(1/3)(2/3)(1/3)
+(1/3)(1/3)(2/3)
Total =6/27
d) 3 bajas A C F J 1(1/3)
3

=1/27
TOTAL = 1
Calculando las probabilidades para el tercer perodo usando el modelo 2.1 se
tiene:
Reemplazando en frmula se obtienen los siguientes resultados:
TOTAL = 1
Se observa que usando el modelo se llega al mismo resultado que el que se haba
obtenido directamente del grfico. Entonces el valor esperado del precio del bono
E(P) el que tendra una probabilidad de ocurrencia de p(P
i
), al trmino del tercer
perodo, segn la Distribucin Binomial de probabilidades sera:
E(P)= ) (
4
1
i
i
i
P p P

E(P) = $1.331(8/27)+$1.089(12/27)+$891(6/27)+$729(1/27)
E(P) = $1.103,37
Sin embargo, este ejemplo se puede resolver de una manera muy sencilla sin
hacer uso del rbol binomial. As, se determina el aumento (o disminucin)
esperado por perodo y posteriormente se determina el precio o variable final. Los
datos seran los siguientes:
Aumento (o disminucin) esperado 1er ao = 10(2/3) + (-10)(1/3) = 3,333%
Aumento (o disminucin) esperado 2do. Ao = 10(2/3) + (-10)(1/3) = 3,3333%
Aumento (o disminucin) esperado 3er. Ao = 10(2/3) + (-10)(1/3) = 3,3333%
Precio Esperado =$1000(1,0333)
3
= $1.103,37, que es el mismo obtenido en el
ejercicio con el rbol binomial.
En este sencillo ejemplo se puede ver lo laborioso que resultara calcular el mismo
problema suponiendo que el ejercicio se proyectar para ocho, diez o ms
perodos, en esos casos se procede a tratar el problema como si fuera una
Distribucin Normal, debido al gran nmero de combinaciones que se deben
Situacin N suceso favorable (x) Total (n)
a) x=3 n=3
b) x=2 n=3
c) x=1 n=3
d) x=0 n=3
27 / 8 ) 3 / 1 ( ) 3 / 2 ! 0 ! 3 / ! 3
3
3
)
0 3 0 3
q p a
27 12 ) 3 / 1 ( ) 3 / 2 ( ! 1 ! 2 / ! 3
2
3
)
2 2
q p b
27 1 ) 3 / 1 ( ) 3 / 2 ( ! 3 ! 0 / ! 3
0
3
)
3 0 3 0
q p d
27 6 ) 3 / 1 )( 3 / 2 ( ! 2 ! 1 / ! 3
1
3
)
2 2
pq c
hacer. Si trabajamos con ocho perodos, entonces habran nueve nodos finales
que tendran las siguientes situaciones:
Situacin N sucesos favorable Total
A X=8 n=8
B X=7 n=8
C X=6 n=8
D X=5 n=8
E X=4 n=8
F X=3 n=8
G X=2 n=8
H X=1 n=8
I X=0 n=8
Con los datos anteriores se aplica la frmula N 2.1 y se obtiene la probabilidad de
cada nodo.
Generalizando para n perodos, entonces el nmero de nodos final del rbol
binomial es de (n+1) nodos. Para calcular un precio esperado al trmino de n
perodos se pueden observar las siguientes reglas:
1.- Determinar el nmero de sucesos favorables para cada nodo, es decir x de la
frmula N2.1. Se desarrolla una columna que parte con x=n y desde ah en
adelante los sucesos favorables sern n-1; n-2,.... 0
2.- Para cada nodo se consideran los sucesos favorables y se determina el precio
que ser P
o
(1+a)
n
para el primer nodo; P
o
(1+a)
n-1
(1-b) en el segundo, donde a=
incremento del precio, que es el suceso favorable y b=disminucin del precio;
ambos, o sea a y b, medidos en tanto por uno.
3.- Se multiplica la probabilidad de cada nodo por el valor del precio en cada nodo
y posteriormente se suman todos los precios ponderados de los nodos por sus
respectivas probabilidades. Esta suma total es el precio esperado.
No necesariamente puede ser el precio de un ttulo, pueden ser utilidades,
ingresos por ventas, dividendos, precios de diferentes bienes, etc. En la siguiente
tabla se expresan los tres puntos anteriores.
Nodos Favorables Precios de cada Nodo Probabilidad del Nodo
1 X=n P
o

(1+a)
n

n!/(n!o!) p
n
q
0

2 X=n-1 P
o
(1+a)
n-1
(1-b) n!/((n-1)!1!) p
n-1
q
3 X=n-2 P
o
(1+a)
n-2
(1-b)
2

n!/((n-2)!2!)p
n-2
q
2

4 X=n-3 P
o
(1+a)
n-3
(1-b)
3

n!/((n-3)!3!)p
n-3
q
3

.
.
.
n X=1 P
o
(1+a)(1-b)
n-1

n+1 X=0 P
o
(1-b)
n

n!/(o!(n)!)p
o
q
n

Ejemplo N 2.2
Se estima que el ndice de Precios al Consumidor (IPC) subir en los prximos
tres aos; los escenarios son: que suba lo ms alto en 4% anual o en un
pronstico optimista en 1% anual. La probabilidad que suba un 4% anual es de 2/5
y la probabilidad de que suba en un 1% al ao es 3/5. Cul ser la probable tasa
inflacionaria al final del tercer ao?
En este caso el suceso favorable es que suba menos, es decir 1% y el
desfavorable es que suba ms, o sea 4%. Es decir, se toma como suceso
favorable el que provoque el menos malestar, aunque los dos sean desfavorables
como es el caso de la inflacin en este caso. Esta situacin es equivalente al caso
de incrementos en variables econmicas como: costos de materiales, salarios u
otros.
El Grfico N2.2 explica la situacin, suponiendo un IPC inicial de 100. En este
Grfico se determina que los IPC finales fluctuarn entre 103,03 y 112,49, es decir
la tasa de inflacin puede fluctuar entre 3,03% y 12,49% al cabo del ao 3. En el
grfico se indica con signo + la situacin favorable, es decir que el IPC aumente
anualmente en slo 1% y con signo

la situacin desfavorable que es un aumento
de 4% anual.
Los nodos finales tienen las siguientes situaciones respecto a los sucesos
favorables:
Situacin N sucesos favorables(x) Total (n)
a) 3 3
b) 2 3
c) 1 3
d) 0 3
Reemplazando en frmula N 2.2 para calcular la probabilidad de cada uno de los
nodos, se tiene:
Situacin Probabilidad
a) 3!/(3!0!)

(3/5)
3
(2/5)
0
= 27/125
b) 3!/(2!1!)

(3/5)
2
(2/5) = 54/125
c) 3!/(1!2!)

(3/5) (2/5)
2
= 36/125
d) 3!/(0!3!)

(3/5)
0
(2/5)
3
= 8/125

Total 1
GRAFICO N 2.2
INCREMENTO DE IPC, AO 1 A 3
Inicio 100
1% 4%

(+) (-)
Fin ao 1 101 104

1% 4% 1% 4%
(+) (-) (+) (-)
Fin ao 2 102,01 105,04 108,16

1% 4% 1% 4% 1% 4%
(+) (-) (+) (-) (+) (-)
Fin ao 3 103,3 106,09 109,24 112,49
Por lo tanto, el IPC esperado al final del ao 3, es:
E(IPC) = 103,3(27/125) + 106,09(54/125) + 109,24(36/125) + 112,49(8/125)
E(IPC) = 106,80
Entonces la inflacin acumulada probable al cabo del ao tres ser de 6,8%, lo
que en promedio anual esperado ser 2,22%, que se calcula de la siguiente forma:
(1+i
A
)
3
= (106,8/100)
i
A
= 0,02217
Calculando directamente el aumento esperado por ao ste sera igual a:

1(3/5)+4(2/5) = 2,2%
) ( ) (
4
1
i
i
i
IPC p IPC IPC E
Ejemplo N 2.3
Durante los primeros tres aos las utilidades por accin de una empresa tendrn
un comportamiento probabilstico, presentndose dos escenarios. El primero, que
es ms optimista, indica que stos pueden aumentar anualmente en 1% el primer
ao; 6% el segundo ao y 2% el tercer ao, con probabilidades de 2/3, 1/2 y 3/4
respectivamente. El otro escenario menos optimista es que las utilidades por
accin en los prximos tres aos presenten un incremento anual de 0,5% el primer
ao, 3% el segundo ao y disminuyan en 5% el tercer ao, con probabilidades de
1/3, 1/2 y 1/4 respectivamente. En estos escenarios, Cul ser el valor de las
utilidades por accin el tercer ao si ste hoy alcanza a $1.000 ?.
En este caso el problema se puede resumir en la siguiente tabla:
Suceso Favorable Suceso Desfavorable
Ao % Aumento Probabilidad % Aumento Probabilidad
1 1% 2/3 0,5% 1/3
2 6% 1/2 3% 1/2
3 2% 3/4 -5% 1/4
En este caso la frmula N 2.1 no se puede aplicar directamente porque las
probabilidades para cada ensayo, nmero de aos en este caso, no son
constantes, por lo que se debe desarrollar el problema planteado a travs del
rbol binomial y que se presenta en Grfico N 2.3.
GRFIC0 N 2.3
UTILIDADES POR ACCIN
$1.000
A
1% +0,5%
p(x)=2/3 p(x)=1/3
B C
$ 1.010 $ 1.005

+ 6% + 3% + 6% +3%

p(x)=1/2 p(x)=1/2 p(x)=1/2 p(x)=1/2
D E F G
$ 1.070,6 $ 1.040,3 $ 1.065,3 $ 1.035,15
+2% -5% +2% -5% +2% -5% +2% -5%
p(x)=3/4 p(x)=1/4 p(x)=3/4 p(x)=1/4 p(x)=3/4 p(x)=1/4 p(x)=3/4 p(x)=1/4
H I J K L M N O
$1.092,01 $1.017,07 $1.061,11 $988,29 $1.086,61 $1.012,04 $1.055,85 $983,39
En grfico N 2.3 se presentan 8 nodos finales que tienen las siguientes rutas,
probabilidades y valores esperados de utilidades:
Ruta Probabilidad
(1)
Utilidad Accin
(2)
Utilidad por
Acc.Esperada=(1)x(2)
a) A B D H (2/3)(1/2)(3/4)=6/24 $1.092,01 $273,00
b) A B D I (2/3)(1/2)(1/4)=2/24 $1.017,07 $ 84,756
c) A B E J (2/3)(1/2)(3/4)=6/24 $1.061,11 $265,278
d) A B E K (2/3)(1/2)(1/4)=2/24 $ 988,29 $ 82,358
e) A C F L (1/3)(1/2)(3/4)=3/24 $1.086,61 $135,826
f) A C F M (1/3)(1/2)(1/4)=1/24 $1.012,04 $ 42,168
g) A C G N (1/3)(1/2)(3/4)=3/24 $1.055,85 $131,981
h) A C G O (1/3)(1/2)(1/4)=1/24

$ 983,39 $ 40,975
SUMA = 1 =$1.056,342
Entonces la utilidad esperada al trmino del ao 3 sera de $1.056,34, con un
rango de variacin entre $983,39 y $1.092,01.
Al trmino del ao 2, la utilidad por accin esperada sera:
$1.070,6(2/3)(1/2)+1.040,3(2/3)(1/2)+$1.065,3(1/3)(1/2)+$1.035,15(1/3)(1/2)=$1.053,71
Al trmino del ao 1, la utilidad por accin esperada sera:
$1.010(2/3) + $1.005(1/3) = $1.008,33
Entonces se tiene:
Ao Utilidad Esperada Incremento (en %)
1 $1.008,33 0,833%
2 $1.053,71 4,5%
3 $1.056,34 0,25%
En este caso el problema habra sido muy sencillo calculando directamente los
rendimientos esperados; stos son:
Ao Aumento Esperado (en %)
1 1%(2/3)+0,5%(1/3) =0,833%
2 6%(1/2)+3%(1/2) =4,50%
3 2%(3/4)+(-5%)(1/4)=0,25%
2.2.- DISTRIBUCIN NORMAL
La Distribucin Normal o de Gauss es una distribucin de probabilidades de una
variable aleatoria continua cuya caracterstica principal es que tiene una
distribucin simtrica, en la cual coinciden la mediana, la moda y la media
aritmtica de las variables.
La expresin matemtica de esta funcin es la siguiente:
2
2
2
) (
) (
x x
ke x F 2.2
Donde:
k =Coeficiente a Calcular:
e = 2,718281
x = Media aritmtica de la variable aleatoria x
2
= varianza de la variable aleatoria x
La representacin grfica de la distribucin normal est en grfico N 2.4.
GRAFICO N 2.4
DISTRIBUCIN NORMAL

Por ser una distribucin de probabilidades entonces el rea bajo la curva de la f(x)
debe ser igual a uno. Por lo tanto, el coeficiente k de (2.2) debe ser tal que:
Calculando esta integral, el valor de k es: 1/ 2 , con esto se asegura que la
funcin f(x) tiene un valor total igual a uno entre los puntos -

y +

que son
asintticos con el eje x.
Entonces, la f(x) tiene la siguiente expresin:
f(x) = (1/ 2

) exp -(x - x)
2
/ 2
2

2.3
La expresin (2.3) indica que para cualquier valor de x, su probabilidad de
ocurrencia se puede calcular conociendo su media aritmtica x y su varianza
2
, lo
que da una gran operatividad a esta funcin y lo que ha permitido generar tablas
de clculo, que se encuentran en casi todos los libros de estadstica descriptiva.
Esta funcin tiene un punto mximo, el que se calcula derivando (2.3) y se obtiene
de:
En la derivada anterior se observa que cuando x= x se obtiene el punto mximo de
la funcin.
Calculando los puntos de inflexin de la curva, mediante el clculo de la segunda
derivada y hacindola igual a cero, se obtiene:
De la ecuacin anterior se tiene que los puntos de inflexin son: x = x

Para calcular el rea bajo la curva se debe calcular la integral entre los puntos que
se desea obtener. A travs de este mtodo se puede buscar cualquier
probabilidad de alguna otra distribucin asumiendo que se comportan como una
normal, pero se debe transformar la variable original en variable estandarizada t
mediante el siguiente clculo: t = ( x - x )/

Esta variable t tiene una media igual a cero y una desviacin estndar igual a uno.
Para aclarar, supongamos el siguientes ejemplo: se tiene una serie de precios de
una accin de: $10, $11, $12 y $13. El precio promedio es: $11,5 y la desviacin
estndar se calcula de la siguiente forma:
[ (10 - 11,5)
2
+ (11 - 11,5)
2
+ (12 - 11,5)
2
+ (13 - 11,5)
2
/3 ]
1/2
= $1,29099
Calculando las variables estandarizadas se tiene:
1 } 2 / ) ( exp : ; 1 ) (
2 2
dx x x k sea o dx x f
0 ) ( ) (
1 ) (
2
x f x x
dx
x df
0 ) ( ) ( 1
1 ) (
2
2 2
2
x f
x x
x
x f
t
1
= (10-11,5)/1,29099 = -1,161899
t
2
= (11-11,5)/1,29099 = -0,38729
t
3
= (12-11,5)/1,29099 = +0,38729
t
4
= (13-11,5)/1,29099 = +1,161899
Calculando el promedio de la variable t, se tiene que este es igual a:
4
1
0 ) 1 4 /(
i
i
t y su varianza es igual a:
1,161899
2
+ 0,38729
2
+ 0,38729
2
+ 1,161899
2

/3 = 1
Segn el Teorema Central del Lmite si se tiene una muestra de una variable
aleatoria suficientemente grande, entonces la distribucin de la medias muestral
es normal, independientemente de la distribucin original. Mediante esta teora se
puede razonablemente suponer que cualquier distribucin puede homologarse a
la Normal y con este supuesto se puede usar la aproximacin de la distribucin
Binomial a la Normal. Para explicar esto supongamos el siguiente ejemplo:
Se tiene una variable aleatoria discreta (por ejemplo precios de ttulos) que tienen
tres posibilidades de obtener xitos, o sea tres posibles alzas en tres aos; con
p=2/3 y q=1/3, entonces la probabilidad de dos alzas en los tres aos es la
siguiente:
Si asumimos que la distribucin de estos datos se asemeja a una Normal, no
olvidar que ste es para variables continuas, entonces en este caso debemos
calcular el promedio de los datos y su desviacin, o sea:
E(x) = np = 3(2/3) = 2
2
(x) = np(1-p)=npq = 3 (2/3)(1/3) = 2/3 = 0,66667
(x) = 0,81649658
La probabilidad de que las alzas sean iguales a 2 sera equivalente a que ste se
mueva entre 1,5 y 2,5, o sea se deberan calcular las variables estandarizadas t
1 y
t
2
.
t
1
= (1,5-2) / 0,81649658 = - 0,612372
t
2
= (2,5-2)/0,81649658 = 0,612372
Por lo tanto, se debe buscar el rea en la Distribucin Normal entre 0,612 y
+0,612 entonces: P(-0,61237<x<0,61237) = 0,4516; valor que se aproxima
bastante a la probabilidad obtenida directamente de la distribucin binomonial. En
este caso y en general para transformar la variable discreta en continua se
considera que sta oscila en 0,5 sobre los lmites de la variable discreta; por
ejemplo si se desea calcular en P= 5, entonces continuamente sta se encuentra
entre 4,5 y 5,5. Si se tienen dos datos discretos, por ejemplo de 3 a 6 sucesos
4444 , 0 27 / 12 ) 3 / 1 ( ) 3 / 2 ( ) ! 1 ! 2 /( ! 3 ) (
2 2 3
2
q p
favorables, entonces continuamente stos se pueden mantener entre 2,5 y 6,5 y
se usan stas ltimas como variables a estandarizadas, o sea (2,5

x ) / y
(6,5 x )/

CAPITULO III
CONCEPTOS MATEMTICOS SUBYACENTES EN MODELO DE OPCIONES
FINANCIERAS.
3.1.- CAPITALIZACIN EN TIEMPO CONTNUO
El tratamiento tradicional de capitalizacin es de tipo discreto, es decir se
capitaliza el inters ganado de un perodo a otro periodo, as, el valor final de un
Capital Inicial (C
o
), capitalizado f veces al ao, al final de un perodo de n aos y
capitalizado a una tasa r anual es el siguiente:
A(n,r) = Factor de Acumulacin de $1 en n aos capitalizado a r de inters anual.
El inters continuo o capitalizacin continua equivale a que la frecuencia de
capitalizacin es muy grande, en trminos matemticos significa f , por lo tanto
a medida que la frecuencia de capitalizacin es grande, entonces el factor de
acumulacin cambia. En este caso es necesario analizar qu sucede con el factor
A(n,r) cuando f , es decir cuando en el ao hay muchas capitalizaciones, algo
as como capitalizar en fracciones de segundos.
Tenemos que
Se debe calcular el siguiente lmite: ) , ( r n A lm
f

Matemticamente para el clculo de este lmite hay que traspasar la funcin A(n,r)
a funcin logartmica y posteriormente usar la Regla de L Hopital. As, se tiene:
Para calcular el lmite sobre la funcin h(f) y g(f) se debe derivar numerador y
denominador por f (Regla de L Hopital) y calcular lmite cuando f . Entonces, se
tiene:
Entonces, por definicin,
LnA(n,r) = nr

e
nr
= A(n,r)
) 1 . 3 ( ) , ( ) 1 ( r n A C
f
r
C C
o
fn
o f
) 3 . 3 (
) f ( g
) f ( h
fn / 1
) f / r 1 ( n
) f / r 1 ( n fn ) r , n ( nA
l
l l
) 4 . 3 (
/ 1
/ 1
) / 1 /( ) / (
) ( '
) ( '
2
2
rn
f r
rn
lm
n f
f r f r
lm
f g
f h
lm
f f f
) 2 . 3 ( ) 1 ( ) , (
fn
f
r
r n A

Es decir, el factor de acumulacin para $1 inicial, con capitalizacin contnua es el
nmero neperiano e
nr
. Lo anterior implica que la relacin entre capitalizacin
discreta y contnua es la siguiente:
n r
c
e = (1+r
d
)
n
(3.5)
Donde:
r
c
= Tasa de capitalizacin contnua
r
d
= Tasa de capitalizacin discreta.
Tomando logaritmo natural a ambos lados de la igualdad 3.5, se tiene:
Ln
n r
c
e

= Ln (1+r
d
)
n
r
c
n(lne) = nLn(1+r
d
)
r
c
n = n Ln(1+r
d
)
r
c
= ln (1+r
d
)
Por ejemplo, si un Banco paga 5% de inters capitalizado anualmente, entonces la
tasa equivalente de capitalizacin contnua r
c
es la siguiente:
r
c
= ln (1,05)
r
c
= 0,04879 = 4,879%
Para el clculo de una serie de pagos constantes con capitalizacin contnua
durante un perodo n, su valor actual es:
Donde:
VA = Valor Actual
C
t
= Pagos de anualidades constantes para cada perodo.
Para caso discreto, sabemos que el valor actual de C pagos anuales equivale a la
sumatoria actualizada de los pagos (Ver Apndice N 2). Para el caso de
capitalizacin contnua, la sumatoria del caso discreto se transforma en una
integral. Para resolver la integral de (3.6) se deben usar sustituciones con
variables auxiliares. O sea:
e = e
-rt
de donde se obtiene:
) 6 . 3 ( dt C e VA
t
n
o
rt

= -rt
tomando la diferencial de la igualdad anterior, se tiene:
du = -rdt
despejando dt, se tiene:
dt = -du /r
Reemplazando la ltima igualdad en (3.6) se tiene:
Resolviendo la integral, se tiene:
En capitalizacin discreta el factor de actualizacin de una renta de $1 por periodo
es:
Se puede ver la similitud entre (3.7) y (3.8). Para explicar de mejor forma
supongamos el siguiente ejemplo: Un banco paga por un depsito, un 10% de
inters capitalizado anualmente durante 10 aos. Si se deposita anualmente $100,
entonces el valor actual, capitalizado de forma discreta es:
Capitalizando continuamente se tiene:
r
c
= Ln(1,1) = 0,095310
Entonces:
Se ve que el valor actual capitalizado continuamente es superior al pagado por
capitalizacin discreta.
La simplicidad de trabajar en modelos financieros con el nmero neperiano e ha
llevado a que normativamente el supuesto de capitalizacin contnua inunde la
literatura financiera; es matemticamente ms favorable y simplificador hacia el
trabajo acadmico. Pero tambin la capitalizacin contnua, dada la transferencia
du e C
r
VA
n
T
0
1
) 7 . 3 ( )
1
(
r
e
C VA
rn
t
) 8 . 3 (
) 1 (
1
1
d
n
d
r
r
46 , 614 $ )
1 , 0
1 , 1 / 1 1
( 100
10
VA
692 , 644 $
09531 , 0
1
100
10 09531 , 0 x
e
VA
electrnica de dinero en pequeas fracciones de tiempo, entre zonas geogrficas
distante a miles de kilmetros, ha permitido que este concepto terico se haya
incorporado al mundo real. As un inversionista burstil durante las veinticuatro
horas del da encontrar una bolsa abierta en algn lugar del mundo cuando la
suya est cerrando, esto implica que si transfiere dineros, por transferencia
electrnica, en realidad capitalice en pequeas unidades de tiempo, lo que en el
ao equivale a capitalizar muchas veces, o sea casi infinitas veces.
3.2.- MOVIMIENTO BROWNIANO
3.2.1- Antecedentes Generales
El movimiento Browniano es un fenmeno descubierto por el botnico ingls
Robert Brown y es muy til para procesos estocsticos y Teora de
Probabilidades. El proceso se ha aplicado en algunas reas, as para describir el
movimiento mostrado por pequeas partculas totalmente inmersas en un lquido o
en gas. Se ha usado un test estadstico, anlisis de precios de acciones y en
Mecnica Cuntica.
Albert Einstein en 1905 mostr que el movimiento Browniano podra ser explicado
asumiendo que las partculas inmersas estaban siendo continuamente sujetas a
bombardeo por las molculas del medio que las rodea, como lo afirma Ross
(1996). El proceso geomtrico Browniano ha sido originado en una descripcin en
Fsica de los movimientos de una partcula pesada suspendida en un medio de
partculas livianas. Las partculas livianas se mueven en rededor rpidamente y
por supuesto ocasionalmente tienen choques random o aleatorias con la partcula
pesada. Cada colisin desplaza suavemente la partcula pesada; la direccin y
magnitud de este desplazamiento es aleatorio e independiente de las otras
colisiones, pero la naturaleza de esta aleatoriedad no cambia de una coalicin a
otra (en el lenguaje de la Teora de Probabilidades, cada colisin es un evento
aleatorio independiente e idnticamente distribuido).
El modelo de movimiento geomtrico Browniano toma los cambios o
desplazamiento de las partculas y usando matemticas, deriva que los cambios
de las partculas sobre largos perodos de tiempo deben ser normalmente
distribuido, con media y desviacin estndar dependiente solamente de la
cantidad de tiempo que ha pasado. Es una observacin interesante porque as se
puede medir el promedio de los desplazamientos y la desviacin estndar de
estos desplazamientos sobre algn perodo corto de tiempo y esta medida ser
aplicada para largos perodos de tiempo. La aplicacin de este principio hacia el
movimiento del precio de las acciones aparece como algo novedoso y sugerente y
a partir de homologacin se desarrolla el movimiento geomtrico Browniano hacia
Finanzas y Economa.
3.2.2.- Definicin Matemtica del Movimiento Geomtrico Browniano.
Un proceso estocstico Z
z

Z
z
: t

0,

con tiempo contnuo se define
como un movimiento Browniano con una tasa de expansin (drift)

y varianza
2
,
denotado por
MB ( ,
2
) si:
i) Z
o
= 0
ii) Para algn 0

t
o

t
1
............<t
n
,
U
t,k

Z
t,k

Z
t
,
k-1

s (k=1,..... n)
Son independiente y normalmente distribuido con media t
k
y varianza
2
t
k
, donde t
k
= t
k

t
k-1
El significado de la variable Z es que sta puede ser un flujo o bien rentabilidades
de ttulos y que por convencin se supone que se tienen datos desde el momento
cero (t
o
). Se asume que el primer flujo (rentabilidad o precio) es cero. El significado
de ii) es que el cambio en el flujo (rentabilidad o precio) que se define como U
tk
durante el perodo observado n son todos independientes entre s y a la vez estos
cambios estn normalmente distribuidos. Expresados en una tabla, supongamos
el siguiente ejemplo:
Observacin

k
Tiempo
t
Flujo
Z
t
Variacin tpo.
t
k
= t
k -

t
k-1

Cambio en Flujo
tk
=Z
tk
-Z
t
,
k-1

1 0 Z
o

= 0 - -
2 1 Z
1
=$10 1 $10=z
12
-z
10

3 2 Z
2
=$16 1 $ 6=z
23
-z
12

4 3 Z
3
=$21 1 $ 5=z
34
-z
23

5 4 Z
4
=$22 1 $1=z
45
-z
34

La definicin de ii) significa que los cambios (ltima columna de la tabla) debe ser
independiente y distribuidos normalmente.
Cuando MB(0,1) o sea media cero y varianza uno se denomina proceso Wiener.
Esto significa que los cambios en la variable (precios o rentabilidades) deben tener
media cero y varianza 1.
Para que tengan media cero y varianza uno, la variable Z debe ser estandarizada
(Ver Cap.II,2.2), es decir, se debe hacer un desplazamiento de la variable. As,
pues, el proceso Wiener es un caso particular de Movimiento Browniano.
Las propiedades principales del Proceso Wiener son las siguientes:
1) Para intervalos de tiempo pequeo ( t) el incremento en la variable Z,
Z(t) es: Z(t) = Z(t+ t)

Z(t)
Z(t), en un pequeo intervalo de tiempo, es independiente de Z(t) y tiene una
media y varianza proporcional a t. La funcin de distribucin de probabilidad de la
variable aleatoria es simtrica respecto al origen de t y tiene una distribucin
normal.
2) Z(t) est relacionado con un cambio en el tiempo t por la siguiente
ecuacin:
Z(t) = Y(t) Z

Y(t) es un proceso aleatorio Gauss o Normal con media cero y varianza uno, es
decir, los datos de la variable estn normalizados o estandarizados.
3) Ya se sabe, por definicin, que los cambios en la variable Z(t) o U
tk
son
independientes para cualquier par de diferentes intervalos cortos de tiempo t, que
se define como que Z(t) sigue un proceso de Markov.
4) Se verifica que:
Z
n
= Z
n-1
+ Y
n y
Z
o
= z
o
, n = 1,2,...
Z(t+ t) = Z(t) + Z(t)
Pero se define Z(t) = Y(t) t , luego reemplazando, se tiene:
Z(t+ t) = Z(t) + Y(t) t

Se supone que el proceso de desplazamiento se puede hacer con

y varianza
2
por unidad de tiempo, entonces se tiene:
Z(t) = t + Y (t) t

La ecuacin anterior indica que cualquier cambio en la variable de flujo
(Rentabilidades o Precios) para un intervalo de tiempo pequeo t, tiene
distribucin normal con media t y varianza
2
t y es independiente de Z(t) y del
cambio en cualquier otro intervalo de tiempo. Esta ecuacin indica, adems, que el
cambio en la variable aleatoria est compuesto por un desplazamiento (igual que
las partculas blandas) de

(drift) y una varianza
2
por unidad de tiempo ( t).
Cuando la media es cero, entonces el proceso Wiener se reduce a:
De una manera ms general, la ecuacin de cambio en los precios constituye lo
que se denomina Ecuacin Diferencial Estocstica y ella es:
Donde Y(t) = V(t) / (t,z),
V es variable aleatoria con media cero y Varianza finita denotada por
2
(t,z)
5) La funcin de Densidad de la variable Z(t) es:
t t Y t Z ) ( ) (
) ( )) ( , ( )) ( , ( ) ( t Y t Z t t Z t f t Z
t z
t
e
t
Z f
2 /
2
2
1
) (
3.2.3.-Aplicacin Movimiento Browniano al precio de Acciones.
Para la aplicacin del movimiento Browniano se necesita conocer la media y la
varianza de los datos. Estos cumplen un rol fundamental en todo el clculo
diferencial estocstico, y stos son los conceptos vlidos para el clculo de

y .
En la aplicacin de estos conceptos en las ciencias naturales se requiere que
ambos permanezcan constantes en el tiempo, sin embargo este supuesto es
demasiado fuerte para el caso del precio de ttulos financieros, de aqu que la
media

que se calcule debe tener una transformacin para evitar la alta volatilidad
de los precios y se considera ms apropiado tomar el retorno del precio de las
acciones como un mejor proxy, ya que sus oscilaciones son ms pequeas que la
de los precios. Para esto supongamos que se tienen dos ttulos A y B con los
siguientes precios:
Ttulo A

Ttulo B

Tiempo

Precio

Variacin

$ %

Tiempo

Precio

Variacin

$ %

1 $100 1 $1000

3 $110 $10 10% 2 $1100

$100 10%
3 $121 $11 10% 3 $1210

$110 10%
Varianza $ 8,576 Varianza $85,76
En el ttulo A las variaciones en trminos absolutos son 10 veces menores que las
variaciones del ttulo B y la varianza de ambas tambin estn separadas por 10
veces. Por otro lado, si calculamos los cambios porcentuales con los precios de
los dos ttulos, stos son de 10%. Al calcular la varianza de ambos retornos sta
se acerca a cero y es constante para todos los perodos. Por esta razn, se
prefiere trabajar con el retorno de los ttulos el que tiende a tener
cuantitativamente menores variaciones que las variaciones cuantitativas de los
precios.
En este caso el retorno de los ttulos se ha considerado como la diferencia entre el
precio de un perodo respecto al precio del perodo inmediatamente anterior, es
decir:
Donde: r
it
= Retorno del ttulo i en perodo t. y P
i
,
t
= Precio del ttulo i en perodo t.
1 ,
,
1 ,
1 , ,
t i
t i
t i
t i t i
it
P
P
P
P P
r
1
1 ,
,
t i
t i
it
P
P
r
1 ,
1
t i
it
it
P
P
r
En la bibliografa financiera tambin se usa el concepto de rentabilidad a travs de
logaritmo, como una forma aproximada de clculo. A partir de r
it
, podemos
plantear que:
Aplicando logaritmo natural se tiene:
S: P
i
,
t 1
+ P
t
= P
it
Entonces: lnP
i,t
= ln (P
i,t-1
+

P
t
)
Aplicando la Frmula de la Serie de Taylor y tomando slo los dos primeros
trminos, ya que el resto se puede despreciar pues tiende a cero, se tiene:
Reordenando queda:
Entonces la diferencia entre los logaritmos del Precio actual t ms el precio del
perodo t-1, es una manera aproximada de medir el retorno de los ttulos. En el
movimiento Browniano se asume que los retornos tienen Distribucin Normal por
eso es que a esta forma de clculo, usando logaritmo, se les denomina funcin
Log-normal, o sea los retornos se han calculado usando el logaritmo natural de los
precios y los retornos siguen una distribucin normal. La diferencia numrica entre
el mtodo tradicional de clculo de retorno y el logaritmo no es tan elevada. En
Tabla N3.1 se muestra un caso de diferentes precios y su clculo de rentabilidad:
TABLA N3.1
RETORNO POR DIFERENCIAS DE PRECIOS Y POR LOGARITMO
Precio r
it

LnP
t
-lnP
t-1

Diferencia
$100
$110 10% 9,53% 0,47%
$120 9,09% 8,70% 0,39%
$130 8,33% 8% 0,33%
$140 7,69% 7,41% 0,28%
$150 7,14% 6,90% 0,24%

En tabla N 3.1 se ve que existe una diferencia pequea la que se va haciendo
ms reducida a medida que las diferencias en valores absolutos son menores. As
de $100 a $110 la diferencia de clculos por ambos mtodos es de 0,47%
) ln( ) ln( ) ln(
1 , ,
1 ,
t i t i
t i
it
P P
P
P
1
2
2
1 ,
1 , ,
) (
! 2
1
! 1
1
ln ln
t t i
t
t i t i
P
P
P
P
P P
it
t i
t i t i
r
P
P
P P
1 ,
1 , ,
ln ln
mientras que para un cambio de precios de $140 a $150 la diferencia entre ambos
sistemas de clculo es de 0,24%. A medida que tenemos menor diferencia en los
precios, entonces menor es la diferencia entre el clculo de uno u otro mtodo.
As, pues, el retorno nos da una medida de

y la varianza de esos retornos

nos
da la volatilidad del retorno.
El Proceso Browniano supone que P/P est determinado por un retorno
esperado de

y la segunda parte por la volatilidad del ttulo, pero en un proceso
estocstico, o para un tiempo instantneo, o sea:
Por lo tanto un precio, segn alguna distribucin de probabilidades de ellos,
debera ser:
(P+ P) = P+ tP + P Z(t) t

o sea; = P(1+ t + Z(t) t

De acuerdo con la ecuacin anterior los retornos, o cambios en los precios, estn
representados por una tasa esperada

y para un cambio de tiempo determinado t
ms un factor estocstico dado por Z(t) t

Para aclarar numricamente supongamos el siguiente ejemplo: Se tiene una
accin cuya desviacin estndar anual ( ) es 20% y tiene un rendimiento
esperado, , de 10%. Si el precio en un momento inicial es $100, entonces
anualmente se espera que ste vare, o sea, el retorno del ttulo, sera:
P/P = 0,1 t + 0,20 Z(t) t

o bien, P = P(0,1) ( t) + 0,20Z(t) t (P),
Si el precio al cabo de un ao es $110. Entonces esta variacin se debe a dos
componentes:
a) Componente de retorno esperado:
P t = (100)*(0,1)*(1) = $10
b) Componente aleatorio: ) (t Z P t = 0 2 , 0 / ) 1 , 0 1 , 0 ( 20 , 0 100 x x
En este caso z(t) corresponde al valor de una variable normalizada, por tener
distribucin normal, es decir:
t t Z t P P ) ( /
t t Z P P t P ) ( ) (
Es decir en este caso se dio el precio que se esperaba; si el precio hubiese subido
a $130, entonces esta variacin se explicara por las siguientes datos:
Variacin Total: $10 + $20
El ejercicio anterior implica que la variacin se debi a $10, que se esperaba y a
$20 por razones aleatorias.
En el caso del ejemplo anterior se ha considerado que la variacin del tiempo es
un ao, es decir t =1, sin embargo, para perodo de tiempo menores, por
ejemplo un da, entonces tanto

como

deben expresarse de forma diaria, o sea:
d
=

anual/365 = 0,10/365 = 0,0002739
t = 1/365 = 0,0027397
Entonces, la variacin de Precios (en $) para un da es:
P = 100 0,0002739 + 0,20z(t) 0027397 , 0 .
Esta ltima expresin seala que el aumento del precio de la accin es un valor
aleatorio que tiene una distribucin normal con media $0,02739 y una desviacin
estndar de $1,0468 que se obtiene de $100x0,20x 0027397 , 0
En el caso del traspaso de varianza anuales a perodos menores, la relacin que
se establece es la siguiente:
2
ANUAL
= t
2
t
o
ANUAL
= t
t
Donde t = semestres, trimestres, meses, semanas o das. As, se obtiene:
2
ANUAL
= 2
2
semestral
o
ANUAL
= 2
semest.
2
ANUAL
= 4
2
trimestral
o
ANUAL
= 4
trimest
2
ANUAL
= 12
2
meses
o
ANUAL
= 12
meses
2
ANUAL
=52
2
semana
o
ANUAL
= 52
semana
2
ANUAL
= 365
2
diario
o
ANUAL
= 365
diario
En general:
20 , 0
10 , 0 10 , 0 /
) (
P P
t z
10 $ 1 * 10 , 0 * 100 ) t P a
20 $ 1 *
2 , 0
10 , 0 30 , 0
* 20 , 0 * 100 ) ( ) t t z P b
2
Tma
= (
2
Tme
)T
me
donde:
2
Tma
= Varianza de Tiempo Mayor
2
Tme
= Varianza de Tiempo Menor
T
me
= Tiempo menor respecto al total del tiempo mayor.
Ejemplo: Se sabe que
2
semestral
= 0,15 si queremos calcular la varianza diaria,
entonces esta relacin ser:
2
s
= 180
2
d

2
d
=
2
s
/180 =0,15/180=0,000833
En los clculos presentados de rentabilidades diarias se ha considerado que el
ao tiene 365 das. Sin embargo, existe la opcin de considerar 250 o 260 das, ya
que esa, aproximadamente, son las veces que se transan acciones en el ao
considerando los das feriados. Sin embargo, esto puede llevar a confusiones
pues se est despreciando el efecto Fin de semana , ya que si se toma un retorno
simple, el retorno de los das lunes no es comparable con el del da viernes, pues
la rentabilidad del da lunes corresponde a una rentabilidad de dos das, entonces
si se trabaja con 250 das habra que corregir el promedio del da lunes de las
series histricas.
La dificultad que se produce, al calcular promedios histricos con 365 das o 250
das, se debe a que si se calcula la rentabilidad del da lunes tomando el precio de
cierre del lunes respecto al da viernes de la semana anterior, entonces la
rentabilidad calculada y que aparece el da lunes corresponde en realidad al
retorno de tres das. Si no se considera este detalle, entonces vara el promedio
diario y la desviacin estndar. El procedimiento ms sencillo para mejorar esta
informacin es considerar la rentabilidad del da lunes y tomar un perodo total de
365 das, ya que as se estara estimando que la rentabilidad de acciones
considera todos los das del ao, independientemente de que sea hbil o no, ya
que el dinero sigue invertido por sbados y domingos.
Al tomar 250 das y la rentabilidad del da lunes, se est considerando que el
promedio de ese da est triplicado. Con los siguientes datos se explica esta
situacin:
Sea R
L
= Rentabilidad del da lunes (obtenida de la diferencia de precios entre
los precios de cierre de lunes respecto al viernes de la semana
precedente).
R
M
= Rentabilidad promedio de los das martes a viernes.
Para fines de anlisis supongamos que R
L
y R
M
son constantes, entonces se tiene:
Rentabilidad Promedio =
M L
M L
R R
R R
792 , 0 208 , 0
250
198 52

En el clculo anterior, en realidad se est considerando que durante 52 lunes se
obtuvo una rentabilidad de R
L
, pero sta es un resultado de tres das, por lo que,
asumiendo un promedio simple, la rentabilidad de lunes es R
L
/3 = R
L
, es decir el
promedio anual sera: 52(R
L
/3) + 198 R
M
/250. De no ser as, se considera como
si en el numerador se tom implcitamente sbados y domingos y en el
denominador no se agregaron esos 104 das correspondientes a
aproximadamente a sbados y domingo.
Otro aspecto que llama la atencin es que al considerar un promedio simple de
retornos se est obviando el proceso de reinversin del dinero. Puede ser vlido
considerar tambin un promedio correspondiente a una media geomtrica del
siguiente tipo:
Sea:
r
it
= rentabilidad diaria de la accin i el da t.
r
id
= Rentabilidad diaria promedio de la accin i
Entonces:
La expresin anterior es la rentabilidad diaria promedio de un ttulo i pero que
considera reinversin del dinero.
3.2.4.-PROCESOS GEOMTRICOS BROWNIANO Y DISTRIBUCIN NORMAL
En el proceso Browniano se asume que los retornos tienen una Distribucin
Normal, esto implica que cada retorno tiene asociado una distribucin de
probabilidades, por lo tanto se puede calcular la probabilidad de que se de un
retorno, dado el valor de la tendencia

y el valor de su volatilidad dado por la
varianza. Se asume, por definicin estadstica, que tanto varianza (

) como media
( ) se mantienen constantes, situacin que puede ser vlida en cortos perodos
de tiempo, pero no vlido para largos perodos.
El movimiento Browniano sta est dado por la funcin z(t) y que se define de la
siguiente forma:
365
365
1
) 1 ( ) 1 (
t
id it
r r
1 1
365
365
1 t
it id
r r
Con la funcin z(t) se puede calcular la probabilidad de superar la rentabilidad
esperada de r, o la parte complementaria que equivale a obtener la probabilidad
que la rentabilidad sea inferior a r. Siguiendo con el ejemplo anterior de

= 0,20
anual y =10% podemos calcular la probabilidad que la rentabilidad supere en
13% al nivel esperado de , es decir r = 0,10x1,13=11,3%.
Por lo tanto;
Entonces, la probabilidad de superar una rentabilidad de 11,3% sera el rea
marcada en la figura 3.1, o sea aproximadamente 47,21%, dato que se ha
obtenido de una Tabla de Distribucin Normal.
FIGURA 3.1
Con este procedimiento se puede calcular la probabilidad que el retorno caiga por
debajo de un determinado valor negativo, por ejemplo - % o bien que suba sobre
ese mismo valor pero positivo, o sea + %.
Supongamos que los retornos de un ttulo tienen los siguientes datos:

= 10%

= 20%
Con estos datos podemos calcular qu probabilidad existe que el retorno caiga a
5% o suba a 15% (es decir +5%). Determinando las variables estandarizadas
para el primer y segundo caso se tiene:
t
1
= (-0,05-0,10)/0,20=-0,75 y
r
t z ) (
065 , 0
20 , 0
10 , 0 113 , 0
) ( t z

t
2
= (0,15-0,10)/0,20 = 0,25
Segn los datos obtenidos de una tabla de Distribucin Normal, estas
probabilidades sern:
P (r<-5%) = P(t < 0, 75) = 0,2266 y
P(r>15%)= P (t > 0,25) = 0,4013 (Ver figura 3.2).
O sea:
Figura 3.2
La probabilidad que est entre 5% y 15% ser la siguiente:
P(-5%<r < 15%) = 0,2734+0,0987 = 0,3721, o sea un 37,21%.
3.3. VOLATILIDAD Y PROBABILIDAD DE RETORNOS CON MOVIMIENTOS
BROWNIANOS
Tomando la Distribucin Normal como base del proceso Browniano se puede
analizar la incidencia de la volatilidad en los retornos y de la probabilidad de
obtener dichos retornos. Para explicar sto tomemos dos ttulos con los siguientes
datos:
Ttulo A

Ttulo B

A
= 10%

B
= 10%

A
= 12%

B
= 20%
Supongamos que queremos calcular la probabilidad de que ambos caigan a
( - )%, o suban (

+ )% entonces la probabilidad que el retorno se encuentre
entre ambos tramos para diferentes

se da en la siguiente tabla N 3.2.

TABLA N 3.2
TITULO A TITULO B
P( - <r
A
< + ) P( -

< r
B
< +

)

Probabilidad

Probabilidad

5% 0,3231 5% 0,1974
8% 0,4950 8% 0,3108
10% 0,5953 10% 0,3829
15% 0,7887 15% 0,5467
20% 0,9044 20% 0,6827

En Tabla N 3.2 se observa que el ttulo menos voltil en este caso corresponde al
ttulo A, ya que tiene una menor desviacin estndar. La probabilidad de obtener
rentabilidades en un mismo rango es mayor para el que tiene la ms baja
volatilidad, que en el caso A es de 12% respecto al B que es de 20% y para
ambos casos con un retorno esperado de 10%. As, por ejemplo, se espera que el
retorno baje en 5% o suba a +5%, o sea entre 5% y 15% tanto para A como para
B, la probabilidad de obtener una rentabilidad entre ambos retornos es de 0,3256
para A y de 0,1974 para B. En el caso de que en ambos el retorno baje en
20% del actual o suba en 20% del actual, es decir una rentabilidad entre los
rangos 10% y 30% ( -

r + , con =20% y con =10%), entonces la
probabilidad de que el retorno se encuentre entre ambos retornos es de 0,905
para el ttulo A y de 0,6826 para el ttulo B.
Lo anterior indica que el ttulo ms voltil, es decir ms riesgoso, tiene menos
probabilidad de alcanzar rentabilidades entre rangos predeterminados. El caso
extremo es de aquel ttulo libre de riesgo, es decir =0, en que la probabilidad de
obtener rentabilidades entre cualquier rango es igual a 1. En efecto, se tiene lo
siguiente:
Z(t) = ((

+

)- )/

P(-

< r

< ) =1 por clculo de la probabilidad
segn una Distribucin Normal.
Los clculos de la Tabla N 3.2 se han obtenido de la siguiente forma:
TITULO A

= 10%

= 12
p(- +

r

+ )
a)

= 5%

5 10 5 5 10 /12 0, 41666
5 10 5 15 10 /12 0, 41666

Es decir: P( -0,41666 < r < 0,41666) = 0,3231
b)

= 8%

8 10 2% 2 10 /12 0, 6666
10 8 18% (18 10) /12 0, 6666

Es decir: P(-0,666< r < 0,666)=0,4950
b) =10%

10 10 0 0 10 /12 0, 8333
10 10 20% 20 10 /12 0, 8333 a

Es decir: P(-0,8333<r < 0,8333)=0,5953
c) =15%

15 10 5% 5 10 /12 1, 25
15 10 25% 25 10 /12 1, 25 a

O sea P(-1,25< r < 1,25)=0,7887
d)

=20%

20 10 10% 10 10 /12 1, 666
20 10 30% 30 10 /12 1, 666 a

P(-1,666< r < 1,666)=0,9044
TITULO B

B
= 10%
b
= 20%
a)

=5%

5 10 5% 5 10 / 20 0, 25
5 10 15% 15 10 / 20 0, 25 a

P(-0,25 < r < 0,25)=0,0987 x 2 = 0,1974
b)

= 8%

8 10 2% 2 10 / 20 0, 4
8 10 18% 18 10 / 20 0, 4 a

P(-0,4<r < 0,4) = 0,3108
c)

= 10%

10 10 0% 0 10 / 20 0, 5
10 10 20% 20 10 / 20 0, 5 a

P(-0,5 < r < 0,5)=0,3829
d)

=15%

15 10 5% 5 10 / 20 0, 75
15 10 25% 25 10 / 20 0, 75 a

P(-0,75 < r < 0,75) = 0,5467
e)

=20%

20 10 10% 10 10 / 20 1, 00
20 10 30% 30 10 / 20 1, 00 a

P(-1 < r < 1) = 0,6827
Relacin Probabilidad y Riesgo.

3.4. QU ES UN PROCESO ESTOCSTICO?
El concepto de proceso estocstico proviene de una definicin estadstica bien
precisa y es lo que se desarrolla en este punto, siguiendo a Suriach, Lpez y
Saus (1995).
La idea central de un proceso estocstico radica en el uso de series temporales de
datos o tambin denominado proceso generador de datos (PGD) que en nuestro
caso est dado por series de precios de acciones y series de retornos de
acciones. En trminos tericos y en trabajos economtricos considerando series
de datos, se supone normalmente que tanto la media como la varianza de esos
datos son constantes o estacionarios; esto implica que ni media ni varianza
depende del tiempo. Este supuesto equivale en nuestro caso a considerar que la
media de los retornos y la varianza de dichos retornos deberan ser constantes.
Sin ser erudito en el tema econmico basta con observar cualquier serie de
precios y rentabilidades de ttulos para ver que dicho supuesto es muy difcil de
cumplir y en muchas ocasiones, ya sea la media o la varianza varan con el
tiempo. De aqu se inicia la consideracin de qu ocurrira con series de datos que
no tengan esa caracterstica dando origen a diferentes fenmenos y en los cuales
se asume el proceso estocstico, como un caso particular.
Los problemas economtricos que origina el que las series de datos (precios y
retornos) no tengan media y varianza constante son serios, ya que puede afectar
el anlisis de los test estadsticos tradicionales como son los test t, F, R y otros. Se
han intentado subterfugios matemticos para arreglar el problema o bien se hacen
maquillajes de los datos.
Al desarrollar el tema de los PGD se analiza si la media y varianza siguen ciertas
tendencias en funcin del tiempo lo que se presenta en Tabla N 3.3.
TABLA N3.3
TENDENCIA MEDIA VARIANZA
Ausencia /(1- )
2
/(1-
2
)
Determinstica /(1- )+ t/(1- )
2
/(1-
2
)
Estocstica 0 t
2

Determinstica y
estocstica
t

t
2

Fuente: Elaboracin a partir de Suriach y otros, op.cit.
En tabla N 3.3 se observan cuatro situaciones que permiten analizar si los datos
presentan tendencias en funcin del tiempo. En esta tabla se designa

como la
media de los datos,
2

varianza de los errores de los datos, t el tiempo
considerado en los datos x
t
y

raz en el polinomio autorregresivo. En la tabla se
indica que tendencia en varianza significa que la varianza es una funcin del
tiempo y si se asume que la media de los datos es cero (es decir datos
normalizados) entonces existe un proceso estocstico.
En consecuencia, un proceso estocstico en una serie de datos, retorno o
precios, implica que dichos datos temporales estn estandarizados y que la
varianza de ellos crece en funcin del tiempo, o sea es t veces la varianza. Los
datos estandarizados indican que se ha generado una nueva serie de datos
provenientes de la original donde cada dato nuevo es el original menos el
promedio de la serie, o sea x
t
= x
t
- x, donde x
t
= retorno inicial; x
t
= retorno
modificado y x es el promedio de los retornos de la serie temporal de datos.
El caso de una serie determinstica indica que la media de los retornos de
acciones estn en funcin del tiempo t, pero no as de su varianza la cual, como
se ve en la frmula, no depende del tiempo. Cuando hay ausencia de tendencia
esto indica que ni media ni varianza dependen del tiempo.
As, pues, un proceso estocstico es una definicin precisa y no es sinnimo de
azar como a veces se tiende a asociar. Un ejemplo de estos procesos es lo que
se denomina Recorrido Aleatorio que se explica a continuacin con un ejemplo de
retorno accionario:
Sea R
t
= Retorno de Acciones en el perodo t, entonces el recorrido aleatorio es:
R
t
- R
t-1
= (1- L)R
t
=
t
con = 1
Donde
t
es un proceso ruido blanco y L es el operador de retardo definido como
LR
t
= R
t-1
cuando

=1 y

= Coeficiente de raz unitaria.
Definicin de ruido blanco en las perturbaciones o errores
t
significa lo siguiente:
E(
t
) = 0
E(
2
t
) =
2
E(
t t
) = 0 t t

Que la varianza tenga tendencia, o sea no estacionariedad, se obtiene al sustituir
recursivamente la expresin: R
t
= R
t-1
+
t
, es decir:
S

=1 y
2
= varianza de
t
y la var (R
o
) = 0, entonces la varianza de R
t
ser t
2
.
As, pues, el Recorrido Aleatorio de los retornos tiene una tendencia en la varianza
(depende del tiempo) y se debe a la existencia de la raz unitaria en el polinomio
autorregresivo, siendo este un caso de tendencia estocstica.
Puede ocurrir casos de tendencia estocstica, tal como se defini, con

= 0, es
decir sin crecimiento, pero con tendencia en varianza, o sea:
E(R) =

= 0
2
(R) = t
2
1
1
0
t
t
i
i
o
t
t
R R
El caso anterior puede ser un proceso estocstico donde el retorno en t depende
de los retornos en el perodo anterior ms una perturbacin o error cuya varianza
de los errores es creciente con el tiempo. Esto indica que el retorno a largo plazo
(con t grande) debera ser mayor que el retorno de corto plazo, es decir:
R
t
= R
t-1
+
t
A este ltimo caso se le denomina un recorrido Aleatorio sin constante (drift).
Para el caso de las acciones y de su retorno, E. Fama (1965) realiz un estudio en
Estados Unidos con las series de precios que le llev a la conclusin de que estos
seguan un recorrido aleatorio. Como datos bsicos, Fama tom las acciones del
Indice de Acciones Dow-Jones entre los aos 1957 y 1962. Para el clculo de
retornos us lo siguiente:
LnP
t
= LnP
t-1
+
t
O reescrito tiene la siguiente implicacin:
LnP
t

LnP
t-1
=
t
Como ya se indic en pginas anteriores la diferencia de logaritmo natural es una
manera aproximada de medir los retornos de las acciones, lo que indica la
expresin ltima que esos rendimientos son todos resultado de un proceso
estocstico, que implica que los precios del pasado no tienen ninguna significacin
en los precios futuros. En este caso, lo que Fama ha desarrollado es que las
series de datos de precios de acciones tienen =1. El estudio comprueba la
existencia de recorrido aleatorio, pero para fines de este trabajo no sern
expuestas, pues se alejan del objetivo de este texto y slo se menciona con fines
referenciales.
Respecto a la Tabla N 3.3, el Proceso Browniano tiene las caractersticas de ser
estocstico y determinista. Esto quiere decir que los retornos accionarios tienen
tendencia en la media y tendencia en la varianza, es decir, los rendimientos
accionarios varan en media segn sea el tiempo considerado y varan en varianza
segn el tiempo. En el caso especial de Proceso Wiener, siguiendo los datos de
Tabla N 3.3 se observa claramente la existencia de proceso estocstico con
media cero y si se toma varianza igual a uno entonces el rendimiento depende del
tiempo considerado. No debemos olvidar que media cero y varianza igual uno
implican datos que se distribuyen alrededor de su promedio con distribucin
normal o Gaussiana.
CAPITULO IV
CLCULO DIFERENCIAL ESTOCSTICO.
El Clculo Diferencial es un anlisis respecto a como cambia una variable Y ante
la variacin en una o ms variables X asumiendo que stos son determinsticos y
en tiempo continuo. Cuando se analizan las variaciones de un perodo a otro de
ciertas variables y entre ellas existe alguna que genera dudas de su carcter
determinstico existe alguna probabilidad de que ella no se d en el cien por ciento
de los casos, entonces hay una variable que represente esta probabilidad y en
cuyo caso se habla de Clculo Diferencial Estocstico. Normalmente en Clculo
Diferencial se trabaja con variaciones pequeas y en tiempo continuo; pero
tambin existen variaciones en tiempo discreto y que es lo que se analizar ahora.
4.1. VARIACIN EN TIEMPO DISCRETO Y CONTNUO.
Sea E = 0, 1, 2, 3,......

= Conjunto de nmero enteros positivos ms cero

x(t) = Variable x en el tiempo t, con t T
Entonces un Sistema Dinmico Determinstico se puede describir por la siguiente
ecuacin en diferencia:
x(t+1) = f ( t, x(t)) , t T (4.1)
Con una condicin inicial de x(0) = x
o
El ejemplo citado indica que la variable x en t+1, que puede ser el precio de un
activo en t+1, depende del tiempo t anterior y el precio en t. En economa hay
varios modelos de este tipo, por ejemplo, tomemos el siguiente:
U
t
= P
t
Q
t
- C
t
Q
t
Donde: U
t
= Utilidad de la empresa en t.
P
t
= Precio de venta de los productos en t
Q
t
= Cantidad Producida y Vendida en t
C
t
= Costo Unitario de Produccin en t
Supongamos que:
P
t
=
0
+

1
Q
t-1
Esto quiere decir que el Precio en t depende de la cantidad producida en t-1,
(perodo anterior), reemplazando y suponiendo que se conoce Q
t
, C
t
, entonces se
tiene:
1 1
) ( ) (
t t t
t
t o t
Q Q Q C Q U
El modelo anterior indica que la utilidad en t depende de la cantidad producida y
vendida en el perodo anterior. Sin embargo, este tipo de modelo determinstico en
economa es ms bien ilusorio y no generalizable y lo comn es que exista alguna
parte de la variable dependiente que no es explicado totalmente por las variables
independientes, siendo esa parte aleatoria. As, para explicar U
t
se puede agregar
una variable aleatoria e
t
a la cual se le asume una probabilidad de ocurrencia y su
correspondiente distribucin y puede ser con media cero y varianza finita,
entonces el modelo sera:
El modelo anterior sera una ecuacin en diferencia estocstica, as si tomamos
(4.1) ahora con la variable estocstica, entonces se convierte en la siguiente
ecuacin en diferencia finita estocstica:
x(t+1) = f(t,x(t)) + v(t,x(t)) , con t

T (4.2)
Entonces:
x(t+1) es una variable aleatoria
f es una media condicional de la variable x(t+1)
v es variable aleatoria con media cero y varianza finita denotada por
2
(t,x)
Este modelo tiene los siguientes supuestos:

La Distribucin condicional de la variable estocstica v, dado x(t), es
independiente de x(s) para s < t.

La Distribucin condicional de la variable estocstica v, dado x(t), es Normal de
modo que la variable random (t), donde: (t)= v(t)/ (t,x) tiene Distribucin Normal
con media cero y varianza uno.
(t) es independiente de x.

La ecuacin puede ser tomada como una secuencia de variables independientes
distribuida normalmente con media cero y varianza uno, entonces (4.2) se puede
convertir en:
X(t+1) = f(t,x(t)) + (t,x(t)) (t) (4.3)
La ecuacin (4.3) constituye una ecuacin en diferencia estocstica que es
utilizada en modelaciones econmicas.
Cuando las variaciones de tiempo son pequeas y no discretas se trabaja en
pequeas variaciones infinitesimales, entonces el Sistema dinmico determinstico
descrito en (4.1) se transforma en un Modelo Dinmico Determinstico descrito por
la siguiente ecuacin diferencial.
t t t t
t
t o t
e Q Q Q C Q U
1 1
) ( ) (
Con condicin inicial x(0) = x
o
. Expresando, al igual que el caso discreto con
variable estocstica, (4.4) se transforma en:
dx= (f(t,x(t)) dt + (t,x(t))dz (4.5)
La ecuacin (4.5) constituye una ecuacin diferencial estocstica que es la base
de modelos, como el de Opciones Financieras de Black-Sholes y es un tema
desarrollado por Ito y se conoce, con el nombre de Ecuacin Diferencial de Ito .
4.2. CLCULO DE ITO
Asumamos que los precios de las acciones siguen un proceso aleatorio, con
media cero y varianza uno, es decir estandarizados, y con un Proceso Browniano
que en este caso es adems un proceso Wiener; sea S
t
el precio de la accin en t
y sus variaciones en t se pueden expresar como una ecuacin diferencial
estocstica del siguiente tipo:
dS(t) = (t,S
t
) dt + (t,S
t
) dZ(t) (4.6)
La ecuacin (4.6) indica que el precio de un ttulo vara en dS
t
en un pequeo
perodo de tiempo y esta variacin depende de una funcin (t,S
t
) la cual puede
ser conocida y tambin depende de una variacin estocstica dada por
(t,S
t
) dZ(t). La variable Z(t) tiene Distribucin Normal.
La ecuacin (4.6) se puede transformar en la siguiente integral estocstica:
t
a
s
t
a
a t
) s ( dZ )) s ( x , s ( ds ) S , s ( S S (4.7)
La ecuacin (4.7) indica que la variacin del precio desde el momento a a t se
puede explicar por la suma de dos integrales, la primera conocida con el nombre
de Integral de Rieman o Integral Ordinaria y que es la integral familiar de los
cursos de Clculo Diferencial Elemental. La segunda integral es ms compleja y
es la que defini Ito, por otro lado dZ(t) en realidad no existe. La idea central de la
Integral de Ito es que y(s) = (s, S
s
) es aproximada por una funcin simple y
n
(s),
entonces la integral se define como:
Con t
i
0, donde a= t
o
< t
1
< t
2
< ... < t
n
= t. Cuando a=0 (o sea desde el momento
inicial) entonces:
Para el caso (4.7) cuando a=0, entonces el problema se transforma en:
) 4 . 4 ( )) ( , ( t x t f
dt
dx
) 8 . 4 ( ) ( ) (
1 , 1
1
i t ti i
n
t
n s
t
a
n
z z t y dZ s y
t o t
t
o
t
z z z dz
4.3. INTEGRAL DE RIEMANN
Para recordar Clculo Diferencial Bsico se explicar aqu el concepto de Integral
de Riemann que es la primera integral del lado derecho de (4.7).
Se tomar como intervalo cerrado de a,b

y sobre ese intervalo se presenta una
funcin f(t). Sobre el intervalo cerrado y suponiendo que a=0, se puede hacer una
particin del segmento del eje de las abscisas en porciones menores y esa
particin ser en n partes de tal forma:
P
n
: 0 = t
o
< t
1
< ..... <t
n-1
< t
n
= b
Para simplificar el anlisis se supone que los lmites del intervalo son a,b = 0,1 ,
o sea la particin P
n
ser:
0 = t
o
< t
1
< t
2
< .... < t
n
= 1
Se define:
Tamao del Intervalo = i = t
i

t
i-1
, i =1, ...., n
Por otro lado se asume que t
i-1

y
i

t
i
Con estos datos se define la Suma de Riemann como lo siguiente:
La Suma de Riemann es la sumatoria de un rea de pequeos espacios que
tienen la medida de amplitud del intervalo particionado, o sea (t
i
-t
i-1
), y de altura la
funcin f(y
i
). En otras palabras, la suma de Riemann es un rea. Cuando el
intervalo a,b = 0,1

y n es muy grande, entonces se da lo siguiente:
A esta expresin se le denomina Integral Ordinaria de Rieman en 0,1 .
En Grfico 4.1 se presenta esta situacin. En el eje de las abscisas se representa
el tiempo t y sobre l se hacen cuatro particiones t
1
, t
2
, t
3
y t
4
. Si suponemos
que
f(t) = t entonces en el eje de las ordenadas se presenta los f(t) y que se parte del
punto (0,0). En cada intervalo particionado se toma el punto medio que en el
grfico estn representado por y
1
, y
2
, y
3
, y
4
. Entonces, la suma de las reas es:
) 9 . 4 ( ) ( )) ( , ( ) , (
t
o
s dZ s x s ds
t
o s
S s
o
S
t
S
) 10 . 4 ( ) ( ) )( (
1
1
1
i y f t t y f S
n
i
i i i
n
i
i n
1
1
) ( ) (
o
n
i
i
n
n
n
dt t f i y f lm S lm S
S
4
= t
1
- 0 f(y
1
)+ t
2
- t
1
f(y
2
) + t
3
- t
2
f(y
3
) + t
4
- t
3
f(y
4
)
Esta suma equivale, aproximadamente, al rea bajo la funcin f(t) entre los puntos
0 y 1, que en trminos de integrales equivale a:
GRAFICO 4.1 Representacin de la funcin f(t) con particiones de t
1
,t
2
,t
3
y t
4
.
f(t)
f(y
4
)
f(y
3
)
f(y
2
)
f(y
1
)

t
1

t
2

t
3

t
4

t
y
1
y
2
y
3
y
4
Para llegar a que se tomen los puntos medios y
1
, y
2
, y
3
e y
4
, hay que analizar dos
grficos uno de rea superior (Grfico 4.2) y otro de rea inferior (Grfico 4.2 ).
Para esto se tomar intervalos de t
i
= i/4, i= 0,.....,4, en un intervalo cerrado de
0,1

y para una funcin f(t) = t.
En el Grfico 4.2 , para la funcin f(t)= t la suma de los rectngulos con las lneas
entrecortadas, es igual a lo siguiente:
S
I
= 0,25 0,50-0,25 +0,50 0,75-0,50 + 0,75 1-0,75 = 0,375
En el Grfico 4.2, la suma de los rectngulos con las lneas entrecortadas es:
S
D
= 0,25 0,25-0 + 0,50 0,50-0,25 +0,75 0,75-0,50 + 1 1-0,75

= 0,625
El rea bajo la funcin f(t) es la siguiente suma S
b:
rea de grfico 4.2

: 0,375
+ rea de cuatro Tringulos de 0,25*0,25 c/u : 0,125

rea total = S
b
= : 0,500
1
o
b
a
tdt tdt
GRAFICO 4.2. Participacin de Funcin
f(t)
1
0,75
f(t)= t
0,50

0,25

0,25 0,50 0,75 1,0 t
GRAFICO 4.2 . Participacin de Funcin

f(t)
1

0,75

f(t)= t

0,50

0,25

0,25 0,50 0,75 1 t
Se ve que la Suma de Riemann en este caso es 0,5 y se cumple lo siguiente:
S
I

S

S
D
0,4

0,5

0,6
Ahora, calculando las y
1
, y
2
, y
3
e y
4
como los puntos medios de los intervalos, se
tiene:
y
1
= (0+0,25)/2 = 0,125 f(y
1
) = 0,125
y
2
= (0,25 + 0,50)/2 = 0,375

f(y
2
) = 0,375
y
3
= (0,50+0,75)/2 = 0,625 f(y
3
) = 0,625
y
4
= (1+0,75)/2 = 0,875 f(y
4
) =0,875
Entonces, la suma de Riemann es:
S
R
=0,5
Se puede ver que la S
R
es un promedio de rea del Grfico 4.2 y es coincidente
con el clculo del rea bajo la curva S
b
= 0,5, pero a la vez es equivalente a la
Integral Ordinaria de Riemann, en efecto:
As, pues, la Integral Ordinaria de Riemann, es la clsica integral de Clculo
Diferencial y que nos indica un rea bajo la funcin f(t) para un intervalo cerrado
de a,b

4.4. INTEGRAL DE RIEMANN y FUNCION e
t
Una de las funciones favoritas del Clculo Financiero y Econmico es la funcin
f(t)=e
t
especialmente en el clculo de acumulaciones de intereses con
capitalizacin continua, tal como se desarroll en el Capitulo III de este texto.
Usando las definiciones de la Integral y Suma de Riemann se desarrolla el
siguiente ejemplo.
Tal como se demostr el valor actual de una renta unitaria con capitalizacin
contnua se puede describir a travs de la funcin e
-kt
. Para fines de simplificacin
supongamos que la tasa de inters k=1, entonces el problema se reduce a la
siguiente funcin:
Valor Actual = f(t) = e
-t
Supongamos que en el intervalo de tiempo 0,1

se desea calcular el valor actual
de $1 que se capitaliza en el intervalo 0,1

en cinco oportunidades.
Esto implica 0 = t
o
< t
1
< t
2
< t
3
< t
4
<t
5
= 1
075 1 875 , 0 05 75 , 0 625 , 0 25 , 0 5 , 0 375 , 0 0 25 , 0 125 , 0 ) (
4
2
i
i
i R
y f S
5 , 0
2
1
0
1
2
2
1
0
t
tdt tdt
b
a
Para el clculo de y
i
sabemos que: t
i-1

y
i

t
i
Entonces t
i
= i/5
O sea,
t
o
= 0
t
1
= 1/5 = 0,20
t
2
= 2/5 = 0,40
t
3
= 3/5 = 0,60
t
4
= 4/5 = 0,80
t
5
= 5/5 = 1
En grfico 4.3 se muestran los puntos t
o
a t
5
. Siguiendo el procedimiento explicado
calculamos los puntos y
i
como los puntos medios entre cada sub intervalo, es
decir:
y
1
= (t
o
+t
1
)/2=0,1
y
2
= (t
1
+t
2
)/2 = 0,3
y
3
= (t
2
+t
3
)/2 = 0,5
y
4
= (t
4
+t
3
)/2 = 0,7
y
5
= (t
5
+t
4
)/2 = 0,9
Para cada y
i
se debe calcular f(y
i
) segn el modelo de inters seguido, es decir:
f(y
1
) = e
-t
= e
-0,1
f(y
2
) = e
-0,3
f(y
3
) = e
-0,5
f(y
4
) = e
-0,7
f(y
5
) = e
-0,9
El Grfico 4.3, nos indica que la suma de Riemann, es aproximadamente igual al
rea bajo la curva e
-t
desde 0 a 1 y representa el valor actual de $1 recibido con
capitalizaciones, es decir:
S
R
= (t
1
-t
o
)f(y
1
)+(t
2
-t
1
)f(y
2
)+(t
3
-t
2
)f(y
3
)+(t
4
-t
3
)f(y
4
)+(t
5
-t
4
)f(y
4
)
S
R
= 0,2e
-0,1
+ 0,2 e
-0,3
+ 0,2e
-0,5
+ 0,2 e
-0,7
+ 0,2 e
-0,9
= 0,631068
El problema, es equivalente a usar la Integral Ordinaria, cuando las particiones
son muy pequeas, es decir:
En este caso la suma de Riemann, por ser una aproximacin, subvalu el valor
actual en 0,17% que es extremadamente bajo. Sin embargo, lo que interesa
aqu es sealar que el valor actual es una sumatoria de actualizaciones y
cada vez que el nmero de estas capitalizaciones sean ms grandes,
63212 , 0 1
1 1
0
1
0
e e dt e VA
t t
entonces se habla de capitalizacin continua. Se puede demostrar que
cuando n , la suma de Riemann se acerca a la Integral de Riemann.
GRFICO 4.3. REPRESENTACIN DE FUNCIN f(t)=e
-t
y suma de
Riemann.
e
-0,1
e
-0,3

e
-0,5
e
-0,7
e
-0,9
e
t
y
1
=0,1 y
2
=0,3 y
3
=0,5 y
4
=0,7 y
5
=0,9

t
t
0
t
1
t
2
t
3
t
4
t
5

0 0,2

0,4 0,6 0,8 1

4.5. INTEGRAL DE RIEMANN-STIELTJES
Esta integral es una generalizacin de la Integral de Riemann y es usada,
especialmente, en clculo de probabilidades para calcular el valor esperado de
una variable random y para el caso que nos ocupa es til cuando se toman las
variables estocsticas.
Para la definicin se usan los siguientes trminos:

Existen dos funciones f y g definidas en un intervalo a,b

Sobre el intervalo a, b

= 0, 1

se hacen particiones, tal que
P = a = 0 = t
o
< t
1
< t
2
<...............< t
n
=1

Sobre el conjunto de particiones, se hacen subparticiones intermedias en el
intervalo 0,1 , o sea:
PM = y
1
, y
2
, .... y
n

Tal que t
i-1

y
i

t
i
i=1,......n

Existen variaciones de la funcin g, tal que:
g
i
= g(t
i
)

g(t
i-1
) i =1, ..... n
Entonces, la suma de Riemann-Stieltjes se define como:
Cuando g(t)=t, entonces esta ltima suma coincide con la suma de Riemann.
La suma de Riemann-Stieltjes es un promedio ponderado de las variaciones de la
funcin g por los valores de la funcin f en el punto de y
i
.
Cuando en la suma de Riemann-Stieltjes se tiene un n , entonces esta suma
tiende a la siguiente integral:
Esta ltima integral existe cuando las funciones f y g son derivables en el intervalo
0,1 . Esto implica que las dos funciones deben ser contnuas en dicho intervalo.
Por otro lado, para la existencia de esta integral, la funcin f tiene p-variaciones
lmites y la funcin g tiene q variaciones con p>0 y q>0 tal que: p
-1
+ q
-1
> 1.
La intregral de Riemann-Stieltjes se define como la integral de f respecto a g en el
intervalo a;b . Cuando estas funciones no son contnuas, hay ciertos arreglos que
se pueden efectuar para su clculo. Con algunos ejemplos se aclara la definicin
operativa de esta integral.
Ejemplo 4.1
Sean las funciones f(t) = t y g(t) = 2t, entonces el clculo de la suma de Riemann-
Stieltjes, se efecta de la siguiente forma:
a) Se determina el conjunto P = 0 = t
o
< t
1
< .... <t
n
= 1

En este caso, supongamos cinco particiones, o sea, t
i
= 1/5 = 0,2, entonces
P = 0; 0,2; 0,4; 0,6; 0,8; 1

b) Sobre P se determinan un conjunto de Particiones Intermedias (PM), tal que
t
i-1
< y
i
< t
i
. Se tomaron los puntos medios entre t y t-1, o sea,
y
i
= (t
i
+ t
i-1
)/2
) 11 . 4 ( ) ( ) ( ) ( ) , (
1
1 1
i i
n
n
i i
n
i
i n n
t g t g y f g y f PM P S S
1
0
) ( ) ( t dg t f
Entonces:
PM = 0; 0,10; 0,30; 0,50; 0,70; 0,9

c) Sobre la funcin f, se determina los puntos de cada f(y
i
) , o sea: f(0); f(0,1);
f(0,30); f(0,50); f(0,70) y f(0,9).
d) Sobre la funcin g se determinan los g(t
i
) y g( t
i-1
) para cada t, o sea, g(0);
g(0,4); g(0,8); g(1,2),g(1,6) y g(2). Posteriormente se calculan las diferencias
entre g(t
i
) g(t
i-1
)
e) Se multiplica cada f(y
i
) por g(t
i
)

g(
ti-1
)

y se suman.
En Tabla N 4.1 se presentan estos pasos.
TABLA N 4.1
SUMA DE RIEMANN-STIELTJES
(1)
t
i
(2)
y
i
(3)
f(y
i
)
(4)
g(t
i
)
(5)
g(t
i-1
)
(6)=(4)-(5)
g
i
(3)*(6)
f(y
i
) g
i
0 0 0 0 - 0 0
0,20 0,10 0,10 0,40 0 0,40 0,04
0,40 0,30 0,30 0,80 0,40 0,40 0,12
0,60 0,50 0,50 1,20 0,80 0,40 0,20
0,80 0,70 0,70 1,60 1,20 0,40 0,28
1 0,90 0,90 2 1,60 0,40 0,36
SUMA 1

Calculando la integral de Riemann-Stieltjes, se tiene:
f(t) = t
g(t) = 2t

dg(t)/dt = 2

dg(t) = 2dt
Luego:
En este caso la suma de Riemann-Stieltjes coincide exactamente con el clculo de
la integral de Riemann.
1 ) 2 ( ) ( ) (
1
0
1
0
1
0
2
t dt t t dg t f
Ejemplo 4.2
Calcular la siguiente integral de Riemann-Stieltjes:
Esta es una funcin discontnua y en grfico N 4.2 se observa:
GRAFICO 4.2

Se calculan los puntos donde la funcin no es contnua, o sea:
t
1
= 1
t
2
= 2
t
3
= 3
En esos puntos la funcin f(t) tiene los siguientes saltos:
En t
1
pasa de 0 a 0,5 o sea un salto de 0,5 = S
1
En t
2
pasa de 0,5 a 0,8 o sea un salto de 0,3 = S
2
En t
3
pasa de 0,8 a 1 o sea un saldo de 0,2 = S
3
Entonces la Suma de Riemann-Stieltjes, donde f(t
i
) valor de funcin en puntos de
discontinuidad, es la siguiente:
f(t
1
) S
1
+ f(t
2
) S
2
+ f(t
3
) S
3
= 1x 0,5 + 2x 0,3+3x 0,2 = 1,70
: , ) (
3
0
cuando t tdg
3 1
3 2 8 , 0
2 1 5 , 0
1 0
) (
t cuando
t cuando
t cuando
t cuando
t g
Lo interesante para clculo estocstico es que la segunda parte de la integral de
Ito en formula (4.7) se puede expresar anlogamente como una integral del tipo
Riemann-Stiltjes, ya que se observa que esta integral se define como la sumatoria
de Riemann-Stieltjes coincidente, en la definicin dada previamente y por esa
razn en este texto se ha desarrollado esta integral con algn grado de detalle.
4.6 INTEGRALES ESTOCSTICAS
Las ecuaciones (4.6) y (4.7) son integrales que contienen elementos estocsticos
y con las definiciones previas de Riemann-Stieltjes se pueden comprender de
mejor forma los conceptos y procedimientos que involucra el clculo de una
integral estocstica.
Supongamos la siguiente ecuacin en diferencia ordinaria:
dx = f(t,x)dt (4.12)
con, x(0) = x
o
y t T = 0,T

La solucin a la ecuacin diferencial (4.12) es:
En trminos de diferencias e integrales (4.13) se puede rescribir de la siguiente
forma:
Como se analiz en la integral de Riemann, el lado derecho de (4.14) indica que la
integral se puede descomponer en una sumatoria de pequeas particiones del
intervalo s, t , siendo esos intervalos los siguientes:
S = t
o
< t
1
< t
2
< ........ < t
n
= t
Donde los t
i
corresponden a las pequeas particiones dentro del intervalo s,t , con
estos antecedentes se puede reescribir (4.14) de la siguiente manera:
con, 0( )

0 porque

0
La ecuacin (4.15) es el caso tradicional de Riemann cuando las funciones son
determinsticas. Anlogamente y siguiendo el mismo procedimiento anterior
podemos pasar a Clculo Estocstico en cuyo caso (4.14) se convierte en lo
siguiente:
) 13 . 4 ( )) ( , (
) (
T s cada para s y s f
ds
s dy
) 14 . 4 ( )) ( , ( ) ( ) (
t
s
dr r y r f s y t y
) 15 . 4 ( ) ( 0 ) ))( ( , ( ) ( ) (
1
0
1
n
i
i i i i
t t t y t f s y t y
En (4.16) podemos separar las siguientes integrales:
En (4.16) podemos separar las siguientes integrales:
La suma de las dos integrales anteriores es una forma aproximada de obtener
y(t)-y(s) y se observa que la primera integral es la tradicional Riemann y la
segunda es del tipo Riemann-Stieltjes, sin embargo la solucin de esta ltima no
es un aspecto trivial para los casos estocsticos.
En caso determinstico la integral de Riemann-Stieltjes es claro el procedimiento
anterior, pero el caso estocstico es ms complejo. Para explicar esto con mayor
detalle supongamos las siguientes funciones:
g(t,z) y z(t) y max t
t+1
- t
i

0
Entonces para un caso determinstico los lmites inferior y superior son los
siguientes:
y
Si: g(t,z)= Z(t)
Si Z(t) sigue un proceso Wiener con varianza igual a uno, entonces los LI y LS se
transforman en:
t t
s
r dz r y r dr r y r f s y t y
0
) 16 . 4 ( ) ( )) ( , ( )) ( , ( ) ( ) (
t
s
1 n
0
i 1 i i i
) t t ))( t ( y , t ( f dr )) r ( y , r ( f
t
s
n
i i i i
t z t z t y t r dz r y r
1
0
1
) ( 0 ) ( ) ( )) ( , ( ) ( )) ( , (
) ( ) ( )) ( , ( lm
1 i i
i
i i
t z t z t z t g LI
) ( ) ( )) ( , ( lm
1 1 1 i i
i
i i
t z t z t z t g LS
) ( ) ( ) (
1 i i
i
i
t z t z t z lm LI
En los casos anteriores, si ellos son determinsticos no hay ambigedad en los
conceptos de convergencia. As, si son funciones z(t) integrables, entonces los
lmites superior menos el inferior tienden a cero, o sea, LS-LI 0. Cuando la
funcin z depende de una variable random con z(t,w), donde w es la variable
random, entonces se debe especificar cual es el concepto de lmite porque existen
varios conceptos de convergencia. As, por ejemplo, una interpretacin al
problema puede ser usando el concepto de lmite en media cuadrado y puede
usarse los siguientes conceptos:
4.7 LEMA DE ITO
Sea la funcin (t,x) vlida en el intervalo 0,T xR R en el conjunto de nmeros R
y que es continua y doblemente derivable con las siguientes derivadas parciales:
Cuando un conjunto S
t

sigue un proceso estocstico dS
t
= (t,S
t
)dt + (t,S
t
)dZ,
entonces Y
t
= (t,x) sigue el siguiente proceso:
Para llegar a esta demostracin se usa el Teorema de Taylor, (Ver Malliaris,
pg.81-86). Lo anterior implica lo siguiente:
(dt)(dt)= 0 (dz
t
)(dz
s
) = 0 (t s)
(dt)(dz
t
)=0 (dz
t
)
2
= dt
0 )) ( ) ( ( ) ( (
2
1 i i
i
i
t z t z t z LI E
0 (
2
1 i i
i
t z t z LS E
xx x t
x
x t
x
x t
dt
x t
2
2
) , ( ) , ( ) , (
tt xt
t
x t
y
t x
x t
2
2
) , ( ) , (
: ) , ( ' ) , ( ' donde dZ S t dt S t dY
t t t t
2
) , ( ) , (
2
1
) , ( ) , ( ) , ( ) , ( '
t t xx t t x t t t
S t S t S t S t S t S t
) , ( ) , ( ) , ( '
t t x t
S t S t S t
) ( ) ( ) ( lm
1 1 i i
i
i
t z t z t z LS
(4.17)
(4.18)
(4.19)
Ejemplo 4.3
Supongamos que (t,S
t
) = lnS
t
y que esta funcin sigue un proceso del siguiente
tipo: dS
t
= S
t
d
t
+ S
t
dz
t
Obtenga la funcin de la variable S
t
para un t cualquiera en funcin de un S
o
.
Desarrollo:
Para llegar a la expresin (4.17) y (4.18) se tiene que hacer el siguiente cambio de
variables:
(t,S
t
) = S
t
y (t,S
t
) = S
t
Por definicin del problema, sabemos que: Y
t
= (t,S
t
) = lnS
t
Que es equivalente a S
t
=
t
Y
e , es decir la variable S
t
, la que puede representar a
un precio de un ttulo burstil, sigue un proceso exponencial.
Calculando las derivadas parciales, se tiene:
y
Reemplazando las derivadas parciales en (4.18) y (4.19) se tiene:

2 2
2
1
2
1
0 ) , (
t
t
t
t
t
S
S
S
S
S t

Con estos datos se puede obtener (4.17), de la siguiente forma:
t t
t
x
t
t
S S
S t
u
dt
S t 1 ) , (
0
) , (
2
2
1 ) , (
2
t t
xx
S S
St t
2 2 2
) , (
1
) , ( '
t t
t
t
S S t y
S
S t
t t
t t
t
t t
dz S
S
dt
S
S
S t d dY )
1
( )
2
1
( ) , (
2
O sea:
Esta ltima expresin, por la definicin previamente dada, expresada en trminos
de integral, es igual a:
Resolviendo las integrales se tiene:
y
Aplicando la definicin de logaritmo natural, (o sea ln (a) = b e
b
= a), se tiene
Aplicando la definicin de logaritmo natural, (o sea: Ln(a)=b e
b
=a), se tiene que:
o,
Esta ltima es la expresin pedida, que indica que la variable S
t
, un precio de un
ttulo burstil, se puede obtener en t a partir del precio en el momento cero o
inicial, conociendo su media , su desviacin , el tiempo de clculo t y la
distribucin de la variable Z
t
. Si suponemos que existe t, entonces se tiene:
y si t=1, entonces las diferencias de precios o retornos, siguen una Distribucin
Normal con: N( -(1/2)
2
;
2
)
t t
dz dt dY ) ) 2 / 1 ( (
2
t
t
t
o t
dz ds Y Y
0
2
0
) ) 2 / 1 ( (
t
t t t
sea o z z z dz
0
0
,
t o t
Z t S S ) ) 2 / 1 ( ( ) / ( ln
2
t o t
Z t S S ) ) 2 / 1 ( ( exp /
2
t o t
Z t S S ) ) 2 / 1 ( ( exp
2
) ( ) ) 2 / 1 ( ( ln ln
2
t t t t t t t
z z t S S x
sea o S S S S Y Y
entonces S Y sabe se como Z t Y Y
t t o t
t t t
), / ln( ln ln
: , ln , ) ) 2 / 1 ( (
0 0
2
1 0
) ) 2 / 1 ( (
) 2 / 1 ( ) 2 / 1 ( ) ) 2 / 1 ( (
2
2
0
2
0
2
t
t t S s dS
t
t
Ejemplo 4.4
Suponga que f(t) = t
2
, y que una variable B sigue un proceso Browniano. Calcule la
diferencial de esta variable usando el Lema de Ito.
Otra forma de escribir el Lema de Ito es:
Porque f (t)=2t y f (t)=2
Pero se puede demostrar (ver Mikosch, 1998 pg. 98-99)
que s s=0, entonces:
y
o sea:
En general si f(t) = t
n
se tiene:
f (t)=nt
n-1
y f (t)=n(n-1) t
n-2
entonces:
t
s
s t x
B f B f B df ) ( ) ( ) (
a estocstic Integral t d t
t
o
x x
) (
2
1
2
t
o
t
o
t
o
x
t dx dx dx f
2
2
) ( "
2
1
t t t df
t t
t
o
x
2
1
2
1
) (
2
1
) (
2 2
) ( ) ( ) (
s t
t
s
x
f f df
dx
n n
d n
t
s
n
x x
n
t
s
x
2
1
2
) 1 (
dx f d f f d f
t
s
x x
t
s
x t t t
' '
2
1
) ( '
4.8. DESARROLLO DE MODELO DE OPCIONES DE BLACK-SHOLES
En Finanzas uno de los modelos ms utilizado es el de Black-Sholes (1973),
mediante el cual se determina el valor que tendra una Opcin Financiera. Se
desarrolla en este punto, el enfoque matemtico como un caso particular de
Clculo Diferencial Estocstico.
El planteamiento del modelo se inicia formando un portafolio que incluya
simultneamente Acciones Ordinarias o Comunes y Opciones de Compra sobre
esas Acciones de tipo europea. El valor de este porfolio, es el siguiente:
V = Q
A
P
A
+Q
o
V
o
(4.20)
Donde:
V = Valor del Portafolio de arbitraje (En moneda)
Q
A
= Cantidad de Acciones Ordinarias en el Portafolio
P
A
= Precio de Mercado de las Acciones Ordinarias
Q
o
= Cantidad de Opciones de Compra en el portafolio
V
o
= Valor de la Opcin de Compra.
A partir de (4.20) se plantea, la variacin (en moneda) que se obtiene del
portafolio de arbitraje; para ello se desarrolla la diferencial total de V, o sea
dV = ( V/

P
A
)dP
A
+ ( V/ V
o
)dV
o
Como V/ P
A
= Q
A
y V/ V
o
= Q
o
, entonces se tiene que:
dV = Q
A
dP
A
+ Q
o
dV
o
(4.21)
El significado de (2) indica la variacin (en $) si vara el precio de la Accin
ordinaria (dP
A
) y el Valor de la Opcin de Compra (dV
o
). Para que este cambio se
formule como (2), se considera que ste debe darse en un intervalo de tiempo
infinitesimal dt. Adems, que la funcin V sea continua y derivable.
Si existe una tasa libre de riesgo r, entonces se le exige, que en ese intervalo de
tiempo, el portafolio V, y su cambio dV, rindan al menos la utilidad que generara
una inversin que se coloque en algn activo financiero que rinde esa tasa libre de
riesgo, o sea: rVdt. Para esta relacin se exige que la capitalizacin sea efectuada
de manera continua y en un perodo de tiempo dt. (Ver Cap. III, pg. 50).
Entonces:
rVdt = Q
A
dP
A
+ Q
o
dV
o
(4.22)
Otra forma de expresar, es en trminos de rentabilidad obtenida, o sea dV/V = rdt.
En este caso, se espera que la variacin de la cartera (en tanto por uno), sea al
menos igual a la rentabilidad (en tanto por uno) que se obtendra invirtiendo en un
activo financiero libre de riesgo.
Se supone que la cantidad de acciones Q
A
= 1 y que la cantidad de Opciones
Q
o
= -1/( V
o
/ P
A
), luego el lado derecho de (4.22) sera:
dP
A

(1/( V
o
/ P
A
)) dV
o
El lado izquierdo de (4.22) sera (por reemplazo en r).
r P
A

V
o
/( V
o
/ P
A
)

Por lo tanto, la igualdad queda:
r P
A
-V
o
/( V
o
/ P
A
)

= dP
A

(1/( V
o
/ P
A
))dV
o
(4.23)
Haciendo arreglos algebraicos, se tiene lo siguiente:
Se supone que el precio de una Accin Ordinaria y el Valor de la Opcin de
Compra siguen un proceso estocstico, con Distribucin Normal, es decir:
La relacin anterior indica que la rentabilidad (o los precios) de una Accin
Ordinaria tienen una rentabilidad (o precio), esperada instantnea de , una
varianza instantnea de

y una variable estocstica dz que tiene media cero,
desviacin estndar igual a uno y normalmente distribuida. Esto es siguiendo,
Clculo Diferencial Estocstico, dado esto, entonces el cambio en el Valor de la
Opcin de Compra, se puede obtener usando el Lema de Ito, descrito en las
pginas precedentes (Frmula 4.18, pg.114) y se desarrolla de la siguiente
forma:
Reemplazando (4.25) en (4.24) se tiene:
) 24 . 4 (
/
dt rV dt
P
V
rP dP
P
V
dt
P V
V
P
P
V
r dP
P
V
dV
o
A
o
A A
A
o
A o
o
A
A
o
A
A
o
o
dz P dt P dP o dz dt
P
dP
A A A
A
A
) 25 . 4 (
2
1
2 2
2
2
dt P
P
V
dt
t
V
dP
P
V
dV
A
A
o o
A
A
o
o
Haciendo arreglos algebraicos sobre (4.26), (restando a ambos lados ( V
o
/ P
A
)dP
A
y dividiendo por dt) se tiene:
La expresin anterior es una ecuacin diferencial estocstica, la cual para su
resolucin se usan las definiciones del Valor de una Opcin de Compra, en los dos
casos, o sea:
Resolviendo la ecuacin diferencial (4.27) con las definiciones de la Opcin de
Compra, donde E = Precio de ejecucin de la Opcin, se obtiene la solucin:
V
o
= P
A
N (d
1
)

(E/e
rt
) N (d
2
)
Donde:
N (d) = Valor de la Distribucin Normal acumulativa evaluada hasta d (Ver Cap.
II, N 2.2).
e = 2,7183 (Ver ejercicios 4.2 y 4.3 del Captulo IV)
Para entender e
rt
, ver Captulo III, N 3.1
En el modelo son datos conocidos los siguientes: P
A
, E, r,

y t.
) 26 . 4 (
2
1
2 2
2
2
dt rV dt
P
V
rP dP
P
V
dt P
P
V
dt
t
V
dP
P
V
o
A
o
A A
A
o
A
A
o o
A
A
o
) 27 . 4 (
2
1
2 2
2
2
A
A
o
A
o
A o
o
P
P
V
P
V
rP rV
t
V
E V s
E V s E V
V
A
A A
o
0
t
t r E P
d
A
) ) 2 / 1 ( ( ) / ( ln
2
1
t
t ) ) 2 / 1 ( r ( ) E / P ln(
d
2
A
2
CAPITULO V
ANALISIS MULTIVARIABLE
En diferentes casos de las Finanzas real y no terica y de la Economa real y no
terica, en general, no siempre es fcil reducir el anlisis a que el problema
analizado dependa slo de una variable o a lo ms dos, a veces hay que trabajar
con mas variables. En ocasiones por reducir un problema a una o dos variables
explicativas, el anlisis terico de la vida real aparece como un simplismo
exagerado y finalmente no se explica el problema con todos sus matices. Esto
lleva a que se deben aplicar las tcnicas apropiadas que expliquen los problemas
reales, los que pueden incluir varias variables explicativas, siendo sta la base
intuitiva de lo que se denomina Anlisis Estadstico Multivariable, el que se
caracteriza por tratar de explicar un conjunto de datos (matrices de datos) con p
variables observadas en n casos.
En Teora Financiera ha sido comn el uso de tcnicas economtricas univariables
y bivariables hacia diferentes problemas; especficamente el univariable aclara el
anlisis de una variable aleatoria y aspectos de inferencia estadstica de la
variable. En el caso del anlisis bivariable se estudian las relaciones de dos
variables entre s, en cuyo caso se efectan anlisis de regresin y correlacin
simple con sus respectivos problemas de inferencia estadstica; un ejemplo de
este tipo de estudios es el Modelo de Valoracin de Activos de Capital (CAPM) en
el cual la rentabilidad de un ttulo depende de la rentabilidad de un portafolio de
mercado.
El Anlisis Multivariable se ha empezado a usar en Teora Financiera, a travs de
diferentes tcnicas, por ejemplo el uso de Altman en 1968 del Anlisis
Discriminante, tcnica de Anlisis Multivariable, para intentar explicar la quiebra de
empresas; el caso del Modelo de Teora de Precios por Arbitraje (APT), de Roll y
Ross (1979-1980) hace uso del Anlisis Factorial, otra tcnica del Anlisis
Multivariable, para explicar la rentabilidad de un ttulo financiero, en contraposicin
a lo que es el CAPM. En 1966, King hizo uso de la tcnica multivariable, Anlisis
de Componentes Principales, para ver los factores que explican el precio de las
acciones en la Bolsa de Nueva York.
Por lo tanto, el Anlisis Multivariable se ha usado en Finanzas y ello lleva a que en
este captulo se analicen las ms relevantes, como una manera de mejorar el
entendimiento de su aplicacin.
5.1 TCNICAS DE ANLISIS MULTIVARIABLE.
Johnson y Wichern, (1992), exponen en su libro una clasificacin de las tcnicas
de Anlisis Multivariable. As, se tienen:
I.- Inferencia respecto a modelos multivariables y modelos lineales.
En este tpico se analizan los modelos multivariables y los Modelos de Regresin
Lineal Multivariable, concentrndose principalmente en aspectos de inferencias de
los parmetros y en conceptos de regresin lineal.
II. Anlisis de la estructura de la covarianza.
Aqu se agrupan las siguientes tcnicas de anlisis multivariable:
Componentes Principales
Anlisis Factorial
Anlisis de Cluster
Escalas Multidimensionales no mtricas.
Una descripcin general de las tcnicas de Anlisis Multivariables es la siguiente:
Anlisis de Componentes Principales. Se pretende reducir un problema que es
explicado por k variables a un nmero menor de p componentes sin que cambie la
varianza total de los datos observados de las k variables. Es un modelo estadstico
y que permite comprender de mejor forma un anlisis multivariable. Se trabaja con
una matriz inicial de k variables por n observaciones de cada variable.
Anlisis Factorial. Se pretende ver de qu forma una variable se puede
descomponer en un nmero de factores que explican esa variable. Es tambin una
tcnica estadstica que parte de la base que los factores no son observables, es
decir, no tienen interpretacin directa previa. Por ejemplo, se intenta ver cuntos
factores explican la rentabilidad de un ttulo sin especificar conceptualmente
cules son esos factores.
Anlisis Discriminante. El objetivo es analizar las variables que estadsticamente
pueden separar o distinguir a dos o ms grupos. Por ejemplo, ver qu variables
estadsticas pueden discriminar o separar dos grupos de empresas: las familiares
de las no familiares.
Anlisis de Cluster. Divide las observaciones en grupos que sean homogneos
entre s. Por ejemplo, se usa en Marketing para analizar el mapa de
posicionamiento de productos.
5.2. ANLISIS DE COMPONENTES PRINCIPALES
5.2.1. Interpretacin Intuitiva
Supongamos que se tiene un gran nmero de variables que intentan explicar una
estructura de datos, por ejemplo para 220 sociedades annimas se tiene cuarenta
variables con sus datos para un perodo especfico, entre las que encontramos:
Rentabilidad del Capital, Rentabilidad Operacional, relacin de endeudamiento,
participacin de mercado, etc. Cualquiera sea el modelo del tipo anlisis de
regresin, resulta un modelo de difcil interpretacin y comprensin; entonces la
tcnica de Anlisis de Componentes Principales responde a la siguiente pregunta:
Existir una forma de cmo reducir esas cuarenta o ms variables a una cantidad
de componentes menores que cuarenta y que sean una combinacin de esas
variables? En este caso el Anlisis de Componentes Principales, da esa respuesta
y as se puede conseguir una mejor comprensin del problema, interpretando ms
claramente sus resultados.
Mirado as el tema, el Anlisis de Componentes Principales es un trabajo emprico
y que no requiere de hiptesis previas de cules son las variables que explican
una determinada componente; esto ser trabajo directo del investigador quien
deber observar cul es el peso que cada variable tiene en la Componente
Principal. Este peso relativo es evaluado a travs de coeficientes de sensibilidad
que se calculan mediante un proceso algebraico y que se explicar a continuacin
en el fundamento matemtica del tema.
De lo anterior, las Componentes Principales, consisten en lo siguiente:
a) Reducir el nmero de variables, que a priori explican un problema
determinado, en un nmero menor de componentes.
b) Cada componente resulta de una combinacin lineal de las variables. El peso
de cada variable dentro de una componente es evaluado a travs de
coeficientes de sensibilidad o de la correlacin entre esa variable y la
componente.
c) El criterio para ver cuntas son las componentes que explican un problema
est dado por la explicacin, en %, que la varianza de cada componente
explica a la varianza total de las observaciones.
d) El tema de las Componentes Principales es un mtodo principalmente
emprico y que requiere mucho conocimiento de parte del investigador
respecto al problema que se est analizando, para que se interprete
adecuadamente el significado de las componentes. En este sentido, cada
componente no tiene siempre una interpretacin clara y a veces cuesta
encontrar algunas relaciones intrincadas que se pueden presentar entre las
variables.
5.2.2.- Interpretacin Matemtica
Sea X Matriz de observaciones de p variables, x
1
, x
2
,...x
p
con n observaciones.
x
1

x
2

x
3

............. x
p

1 x
11

x
12

x
13

............. x
1p

2 x
21

x
22

x
23

............. x
2p

3 x
31

x
32

x
33

............. x
3p

. . . . ............. .
. . . . ............. .
. . . . ............. .
. . . . ............ .
. . . . ............ .
n x
n1

x
n2

x
n3

............ X
np

Se pretende encontrar p variables nuevas y
1
, y
2
,.....y
p
denominadas Componentes
Principales que constituyan combinaciones lineales de las x
i
variables, o sea:
b
1
x
1
=y
1
= b
11
x
1
+ b
21
x
2
+ b
31
x
3
+...........+b
p1
x
p
b
2
x
2
=y
2
= b
12
x
1
+ b
22
x
2
+ b
32
x
3
+...........+b
p2
x
p
. . .
. . .
. . .
b
p
x
p
=y
p
= b
1p
x
1
+ b
2p
x
2
+ b
3p
x
3
+..............+b
pp
x
p
En trminos matriciales se tiene:
Y = XB es decir:
Se trata de encontrar los coeficientes de sensibilidad b
ij
denominados coeficientes
Loadings o coeficientes factoriales.
Para resolver este problema se hacen los siguientes supuestos:
a) Las Componentes Principales estn de tal manera ordenada que sus
respectivas varianzas estn en orden decreciente, o sea:
Esto implica que la primera componente es una combinacin lineal con la mxima
varianza. Este proceso se obtiene maximizando la primera varianza, segn
mtodo de Lagrange, suponiendo a la vez que b
1
b
1
=1 .La segunda componente
se obtiene maximizando la segunda combinacin lineal (b
2
x
2
) sujeto a que
b
2
b
2
= 1 y cov(b
1
x
1
, b
2
x
2
) = 0; esta ltima restriccin implica que la primera
componente est incorrelacionada con la segunda componente.
b) Se asume, adems, que la suma de las varianzas de las componentes no sea
diferente a la suma de las varianzas de las x variables originales, o sea:
Adems, se asume:
pp p p
p
p
p p
b b b
b
b b
b b b
x x x x y y y y
2 1
2
22 21
1 12 11
3 2 1 3 2 1
'
'
'
'
'
'
'
'
'
) ,.... , , ( ) ,...... , , (
) ( .......... ) ( ) ( ) (
2
3
2
2
2
1
2
p
y y y y
) ( .... ) ( ) ( ) ( ..... ) ( ) ( ) (
2
2
2
1
2 2
3
2
2
2
1
2
p p
x x x y y y y
Donde: x= Matriz de varianzas

covarianzas de los datos originales.
c) Las componentes principales no deben tener correlacin entre ellas, lo que se
denomina ortogonal. Esto significa que las variables que agrupa una componente
no quede explicado por la otra componente, evitando as la existencia de
multicolinealidad.
A la matriz B se le denomina Matriz de vectores propios y es la que entrega los
coeficientes de sensibilidad b
ij
, es decir:
Los vectores
i
representan la varianza de la componente principal i y se obtiene
de la siguiente forma:
pi
i
i
pi i i
b
b
b
x b b b y
'
'
'
) ,......, , ( ) (
2
1
21 1
2
pp p p
p
p
b b b
b b b
b b b
B
2 1
.
.
.
2
.
.
.
22
.
.
.
21
1 12 11
p
B x B y
0 0 0
. . .
. . .
. . .
0 0 0
0 0 0
0 0 0
) (
3
2
1
1
Para este problema siempre existe una solucin nica ya que la matriz de
varianza-covarianza, o sea = x, es una matriz cuadrada, simtrica, definida y no
negativa. Los datos previamente deben centrarse respecto a su media.
Para explicar el clculo de los coeficientes de sensibilidad o Loadgins,
supongamos que para una empresa se tienen los datos de las rentabilidades de
propietario (x
1
) y rentabilidad operacional (x
2
) y en un perodo de seis aos. Slo
se toman dos variables para simplificar el clculo en beneficio de la comprensin.
Los datos son los siguientes:
Se sabe que la matriz de varianza-covarianza a partir de los datos centrados se
puede obtener de la siguiente forma:
O bien, sin los datos centrados, se tiene:
Debemos buscar los coeficientes b
ij
de las Componentes Principales, o sea:
Aos
X
1
x
2
Datos Centrados
1 1
x x

2 2
x x

1 8% 10% -2 -3
2 9% 11% -1 -2
3 10% 12% 0 -1
4 11% 13% 1 0
5 12% 14% 2 1
6 10% 18% 0 5
Media 10% 13% 0 0
8 2
2 2
5
1
0
1
2
3
0
2
1
0
1
2
5
0
1
2
0
1
1
0
2
1
3
2
5
1
x
13 10
13
10
6
18 10
14 12
13 11
12 10
11 9
10 8
18 14 13 12 11 10
10 12 11 10 9 8
5
1
x
8
2
2
2
y
1
= b
11
x
1
+ b
21
x
2
y
2
= b
12
x
1
+ b
22
x
2
Para ello se deben buscar los valores propios que segn los conceptos de
Geometra Analtica se obtienen del siguiente determinante:
O sea;
1
=8,60555
2
=1,39444
Total=
1
+
2
=10
1
y
2
se denominan valores propios y representan la varianza de la primera y
segunda componente.
Calculando las varianzas de x
1
y x
2
, se tiene:
2
(x
1
) = 2 y
2
(x
2
) = 8
Por lo tanto se cumple que:
2
(x
1
) +
2
(x
2
) =
2
(y
1
)
+ 2
(y
2
) = 10
Esto implica que la primera componente explica el 86,055% (o sea 8,60535/10) de
la varianza total y la segunda componente el 13,9444% restante (o sea
1,3944/10).
Para el clculo de los coeficientes b
ij
se procede de la siguiente forma:
Si
1
= 8,60555, entonces se deben buscar los Vectores Propios, los que se
obtienen de la siguiente ecuacin:
Es decir:
(2-8,60555)y
1
+2y
2
=0 y
1
= 0,302775 y
2
2y
1
+(8-8,60555)y
2
=0 y
1
= 0,302775 y
2

O sea: y
1
= 0,303 y
2
Segn los conceptos de Geometra Analtica, debe existir un valor k de tal forma
que y
1 =
1; lo que se plantea de la siguiente forma:
Y
1
=(0,303 k; k) donde y
1

= 1, o sea:
0
) 8 ( 2
2 ) 2 (
0 4 ) 8 )( 2 (
0 12 10
2
0
0
) 8 (
2
2
) 2 (
2
1 1
Y
Y
1 303 , 0
2
2
1
k k y
Entonces: k = 0,95703
Entonces los coeficientes se obtienen de reemplazar los valores de k en y
1
=
(0,303k; k) o sea y
1
= (0,29; 0,957)
O sea y
1
= 0,29x
1
+ 0,957x
2
Si
2
= 1,39444, se tiene:
0,60556y
1
+2y
2
=0 y
2
= 0,30278 y
1
2y
1
+6,60556 y
2
=0 y
2
= 0,30278 y
1

Se debe cumplir que existe un k, tal que:
O sea:
Despejando k, se tiene: k = 0,95709
Por lo tanto, los coeficientes b
ij
seran:
Y
2
= (+0,95709; - 0,2897)
O sea: y
2
= 0,957 x
1

0,29 x
2
En este caso, por ser un problema didctico, la primera componente explica un
elevado porcentaje de la varianza total, por lo que el problema en realidad est
explicado por slo una componente. Esa componente est, a la vez, explicado en
mayor proporcin por la variable 2, ya que es la que tiene el mayor coeficiente de
sensibilidad (0,957) para la variable x
2
. La segunda componente explica slo el
13,94% de la varianza total y en ella predomina en importancia la variable x
1
que
tiene un coeficiente de sensibilidad de 0,957. En este sencillo ejemplo una
componente ha coincidido con una variable, es decir aqu no habra sido
importante usar componentes principales. No debemos olvidar que esta tcnica se
usa cuando se tienen varias variables.
En el ejemplo se verifica que la matriz de varianzas-covarianzas de la componente
Y es la siguiente:
0
0
) 39444 , 1 8 ( 2
2 ) 39444 , 1 2 (
2
1
y
y
1 30278 , 0 ;
2 2
y que tal k k y
1 ) 30278 , 0 (
2 2
2
k k y
xB B y
1
Tal como se explic, los coeficientes de sensibilidad b
ij
o factores Loadgins
representan la importancia o peso que cada variable tiene en la composicin lineal
que da origen a la componente. Pero tambin dicha importancia se puede evaluar
a travs de los coeficientes de correlacin entre la variable x
i
y la componente y
j
.
As se tiene que:
b
ij
= cov (y
j,
x
i
)/
2
(y
i
)
O bien b
ij
= cov (y
j
,x
i
)/
i
Se sabe que (y
j
,x
i
) = cov (y
j
x
i
)/( (y
j
) (x
i
))
Donde (y
j
,x
i
) =Coeficiente de correlacin entre componente principal j y variable i.
Entonces, reemplazando se tiene:
(y
j
,x
i
) = b
ij
2
(y
j
)/( (y
j
) (x
i
))
Simplificando, se tiene lo siguiente:
(y
j
,x
i
) = b
ij
( (y
j
)/ (x
i
))
La matriz de correlacin entre las Componentes Principales y las variables
originales son muy importantes para interpretar el verdadero significado de la
componente que se analiza y son la base tanto para entender el problema como
para aproximarse a algn nombre que pueda tener esa componente principal.
El proceso manual de clculo, tal como se aplic en el ejercicio didctico, puede
resultar muy largo y tedioso; sin embargo hoy existen paquetes computacionales
de anlisis multivariable y que resuelven este problema en pequeas fracciones
de tiempo, por lo que ya no es una dificultad resolver este problema.
Un aspecto a tener en cuenta es que el nmero de componentes que se deben
elegir no est dado a priori y ste es fijado por el investigador; puede ocurrir que
el proceso de optimizacin de Lagrange permita obtener una primera componente
cuya varianza explique un alto porcentaje de la varianza total, por ejemplo un 90%,
en cuyo caso el problema estara ampliamente explicado por una sola
29 , 0 957 , 0
957 , 0 29 , 0
8 2
2 2
29 , 0 957 , 0
957 , 0 29 , 0
1
y
2
1
0
0
39444 , 1 0
0 60555 , 8
y
componente; pero tambin puede ocurrir lo contrario y as se debe ir probando el
nmero de componentes que se desea. En general, los programas
computacionales de anlisis multivariable piden el nmero de componentes que el
investigador desea.
En algunos enfoques en vez de la matriz de varianzas-covarianzas se usa la
matriz de correlaciones y en tal caso se utiliza la misma metodologa sealada
pero la interpretacin de los valores propios

no es igual, pues lo que indica son
ms bien coeficientes de regresin en vez de varianzas, como es el caso del
ejemplo antes sealado. Resolviendo el problema con una matriz de correlacin,
se tiene lo siguiente:
Se sabe que
ij
=
ij
/(
i j
)
Entonces, la Matriz de Correlacin R, es
a) Clculo de Valores Propios ( )
Es decir (1- )
2
= 0,5
2
(1- ) =

0,5

1
= 1,5

2
= 0,5
b) Clculo de vectores propios:
Para

= 1,5
8 2
2 2
x
1 5 , 0
5 , 0 1
R
0
) 1 ( 5 , 0
5 , 0 ) 1 (
8 2 ; 2
2 1 12
y Aqu
5 , 0 ) 8 2 /( 2
12
tanto lo Por

Coeficiente de Correlacin
Es decir:
(1-1,5)e
1
+ 0,5e
2
=0

0,5e
1

+ (1-1,5)e
2
=0

e
2
=e
1
Entonces existen pares (k,k) tal que:
k = 0,707106
Como e
1
= e
2
, entonces los coeficientes son 0,707106
Para
2
= 0,5
0,5e
1
+ 0,5e
2
=0

0,5e
1

+ 0,5e
2
=0

e
1
= -e
2
Entonces los coeficientes de sensibilidad son 0,707106 y

0,707106, es decir se
tiene:
y
1
= 0,707106x
1
+ 0,707106 x
2
y
2
= 0,707106 x
1

0,707106x
2
En este caso se tiene:
1
+
2
= 1,5 + 0,5 = 2
Por lo tanto, el Primer Componente Principal explica un 75%, (que se obtiene de
1,5/2), del total de los coeficientes de correlacin y no de la varianza total como es
el caso del clculo de los coeficientes de sensibilidad a partir de la matriz de
varianzas. Esto se puede ver en la matriz de partida y sumado sus diagonales; as
S =
1
+
2
; sabemos que
1
=8,60555 y
2
= 1,39444, entonces se tiene:
S = 8,60555 + 1,39444=10
0
0
) 1 ( 5 , 0
5 , 0 ) 1 (
2
1
e
e
1
2 2
1
k k y
0
0
) 5 , 0 1 ( 5 , 0
5 , 0 ) 5 , 0 1 (
2
1
e
e
707106 , 0
1
2
2
2
k
k k y
La diagonal es igual a la suma de las varianzas de todas las variables, por lo tanto
cuando tomamos
1
/S=86,05% y
2
/S=13,94%, estamos diciendo que el primer
factor explica el 86,05% de la suma de las varianzas de todas las variables del
problema.
Para el caso de la Matriz de Correlacin, se tiene:
S=2=
1
+
2
, sabemos que
1
=1,5 y
2
=0,5, entonces: 2= 1,5+0,5
En este caso cuando calculamos
1
/S=1,5/2=0,75, o sea 75%, y
2
/S=0,5/2, o sea
25%, estamos diciendo que la primera componente explica un 75% del total de
coeficientes de correlacin, que en este caso son dos variables. Por lo tanto, como
la diagonal de la Matriz de Correlacin siempre sern nmeros unos, entonces, la
suma ser n para n variables y la explicacin de cada factor ser
i
/n, donde n
representa el nmero de variables. Resumiendo se puede afirmar, que la
interpretacin de la explicacin de los componentes es diferente dependiendo de
si se parte con una matriz de varianzas-covarianzas o de una matriz de
correlacin, y en ambas los resultados no son coincidentes.
5.2.3. Matriz de Varianzas-Covarianzas y Matriz de Correlacin
En el ejemplo anterior se ha explicado que los valores propios
i
no tienen el
mismo significado dependiendo de si se parte de una u otra matriz. Sin embargo,
existe un caso especial en que ambas interpretaciones coinciden en el sentido de
que el vector propio explica un porcentaje de la varianza total de las variables y
esto se presenta cuando los datos de las variables se estandarizan mediante la
relacin (x
i
-
i
)/
i
donde

representa el promedio de la variable i y
i
la desviacin
estndar de dicha variable.
En el caso de estandarizacin de las variables, se demuestra que:
i
2
= 1, =0;
ij
=
ij
Es decir la matriz de Varianzas-Covarianzas, es igual a la matriz de correlacin y
en esta situacin los valores propios representan el porcentaje de la suma de la
diagonal de dicha matriz y que significan las varianzas de las variables, pero de
nuevas variables que son las estandarizadas. Para el ejemplo, las variables
estandarizadas son las siguientes:
S diagonal suma
x
10
8 2
2 2
2
1 5 , 0
5 , 0 1
S diagonal de suma
R
Observacin (x
1
- x
1
)/
1

(x
2
- x
2
)/
2

Entonces se tiene:
1 5 , 0
5 , 0 1
. . Cov Vari Matriz
2 / 1 2 / 1
1 1
0 0
8 / 5 0 6
8 / 1 2 / 2 5
0 2 / 1 4
8 / 1 0 3
8 / 2 2 / 1 2
8 / 3 2 / 2 1
12
Varianza
Media
5.3.-ANLISIS FACTORIAL
5.3.1. Interpretacin Intuitiva
Supongamos que en una Bolsa de Valores se transan 300 acciones con una
matriz de rentabilidades para un largo perodo de las trescientas acciones;
entonces se trata de buscar factores que expliquen la mayor parte de la varianza
comn que existe entre todas las acciones. El nmero de factores debe ser
necesariamente menor que el nmero de variables, en este caso esas variables
son las rentabilidades de las acciones.
El Anlisis Factorial supone que entre todas las variables, en este caso
rentabilidad de acciones, existe una varianza que es comn a todas ellas, es decir
es la parte de la varianza total de la variable que es explicada por una varianza
comn; pero adems existe una varianza nica que es parte de la varianza de
cada variable y que es propia y particular de cada variable. Es decir, que la
rentabilidad de una accin en particular tiene una varianza que es comn con la
rentabilidad de todas las otras rentabilidades y tiene una varianza que es particular
para cada rentabilidad de cada accin. A esta varianza comn se le denomina
Comunalidad.
El Anlisis de Componentes Principales no hace esta distincin entre varianza
comn o Comunalidad y Varianza Propia; considera la varianza total como
elemento central; esta diferencia lleva a que los mtodos de clculo de los
coeficientes factoriales entre ambas tcnicas sean diferentes. En Teora
Financiera, en el Modelo de Teora de Precios por Arbirtraje de Roll-Ross (1979),
se hace uso de la Tcnica de Anlisis Factorial y all lo ms relevante es el clculo
de los coeficientes factoriales.
El Anlisis Factorial, desde un punto de vista operativo, se puede descomponer en
las siguientes etapas:
a) Calcular la matriz de varianzas-covarianzas de los datos; que en nuestro
caso son rentabilidades de acciones. Tambin se usa la matriz de correlaciones
entre las variables.
En este ltimo caso para que se pueda aplicar Anlisis Factorial se requiere, como
requisito, que las variables estn altamente correlacionadas, por ello es que a
veces se recomienda trabajar ms con la matriz de correlaciones. Hay diferentes
test estadsticos para verificar este requisito.
b) Se calcula lo que se denomina matriz reducida, ya sea de la matriz de
correlaciones o de la Matriz de Varianzas-Covarianzas. Esta matriz reducida, se
obtiene reemplazando en su diagonal, el factor de comunalidad el cual se calcula
por diferentes y alternativos mtodos convencionales.
La comunalidad se puede calcular, usando la siguiente regla:
h
2
i
* = 1- * Para el caso de la Matriz de Correlacin
h
2
i
* =
i
2
* Para el caso de la Matriz de Varianzas-Covarianzas
h
i
* = Comunalidad;
2
i
= Varianza de Variable i.
* = 1/r
ii
r
ii
= Elemento de la diagonal de la Matriz Inversa de la Matriz de Varianzas-
Covarianzas o de la Matriz de Correlacin segn sea el caso.
Existen otros mtodos de clculo tales como: estimar la comunalidad a partir del
mayor coeficiente de correlacin en la fila i-sima de la Matriz de Correlaciones.
Otro mtodo es usar el coeficiente de correlacin mltiple elevado al cuadrado
entre una variable especfica y las dems variables. Otro mtodo sugerido en la
literatura es usar el promedio de los coeficientes de correlacin de una variable
con todas las restantes.
c) A partir de la Matriz Reducida se obtienen los Valores Propios y los
Factores Propios.
d) Se calculan los coeficientes factoriales, para lo cual tambin hay varios
mtodos, aunque el usual es el denominado Mtodo del Factor Comn.
5.3.2.- Interpretacin Matemtica
El Anlisis Factorial, consiste en un vector x aleatorio y que es observable, con p
factores, con media

y matriz de Varianzas-Covarianzas V. El modelo factorial se
define como X que es linealmente dependiente de unos pocos factores aleatorios
no observables F
1
,F
2
,......F
m
, llamados Factores Comunes y con errores
1
,
2
,...
p
denominados Factores Especficos; es decir:
x
1
-
1
= b
11
F
1
+ b
12
F
2
+ ..... + b
1m
F
m
+
1
x
2
-
2
= b
21
F
1
+b
22
F
2
+ ... . + b
2m
F
m
+
2
. .
. .
. .
x
p
-
p
= b
p1
F
1
+ b
p2
F
2
+ .. .. + b
pm
F
m
+
p
Lo anterior se puede escribir de la siguiente forma:
x -

= BF +

(px1) (pxm)(mx1) (px1)
Los coeficientes b
ij
se denominan coeficientes factorial (o loading) de la variable i
con el Factor j, entonces la matriz B es Matriz de Coeficientes Factoriales.
El modelo supone que:
E(F) = 0 cov(F) = E(FF ) = I
Cov( ,F)=E( F )=0 (O sea F y

son independientes)
A un modelo que cumpla con los supuestos anteriores se le denomina Modelo
Factorial Ortogonal y que se resume en la siguiente relacin:
x =

+ BF +

(px1) (px1) (pxm)(mx1) (px1)
donde:
i
= Media de la variable i
i
= Factor especfico de la variable i.
F
j
= Factor comn j
B
ij
= Coeficiente Factorial (o loading) de la variable i en el factor j.
El vector F es aleatorio y no observable; esto ltimo implica que es un problema
no definido y los factores F no tienen interpretacin definida a priori, siendo ms
bien un problema estadstico. En este modelo se debe cumplir lo siguiente:
Matriz Varianzas-Covarianza= BB +

Var (x
i
) = b
2
i1
+ b
2
i2
+ ....+ b
2
im
+
i
Cov (x
i
,x
k
) = b
i1
b
k1
+ b
i2
b
k2
+ ... + b
im
b
km
Cov (x,F) = B o Cov(x
i
,F
j
) = b
ij
Tal como se explic, el Anlisis Factorial implica:
Varianza de Variable x
i
= Comunalidad + Varianza Especfica
2
i
= h
2
i
+
i
donde:
Comunalidad = h
2
i
= b
2
i1
+ b
2
i2
+ b
2
i3
+ ..... + b
2
im
Varianza Especfica =
i
con i = 1,2,.....,p
Entonces la varianza total de una variable i se descompone en dos porciones: una
la varianza comn de todas las variables denominada comunalidad y representada
por la suma al cuadrado de los coeficientes factoriales y la otra parte de la
varianza total de una variable x
i
es la varianza especfica de esa variable, o sea
i
.
p
E E
.... 0
.
0
.
0 .... 0 0
0 ... 0
0 ... 0
) ' ( ) cov( 0 ) (
1
1
1
Para el clculo de los coeficientes factoriales b
ij
existen varios mtodos; los ms
conocidos son el mtodo del Factor Principal y el mtodo de Mximo Verosimilitud.
Se expondr aqu el Mtodo del Factor Principal o tambin denominado Mtodo
del Componente Principal.
El mtodo de clculo de los coeficientes factoriales se obtiene de las siguientes
etapas:
a) Determinar Matriz de Varianzas-Covarianzas (S) o la Matriz de Correlaciones
(R).
b) Los factores y sus coeficientes son definidos en funcin de los pares de datos
de los valores propios,
i
, y de los vectores propios, e; o sea
(
1
,e
1
),(
2
,e
2
),.... (
p
,e
p
) donde
1
>
2
>
3
>.......>
p
. El nmero de Factores
Comunes debe ser menor que p.
c) La Matriz de Coeficientes Factoriales, b
ij
, est dada por la siguiente igualdad:
La varianza especfica estimada se expresa por la diagonal de la matriz S-BB , o
sea:
donde :
y
Comunalidad = h
2
i
= b
2
i1
+ b
2
i2
+ ..... + b
2
im
y
Para el caso del clculo de la Comunalidad se debe trabajar con una matriz
reducida S
r
o R
r
para la de Varianzas-Covarianzas o Correlaciones
respectivamente.
Estas matrices son las siguientes:
m m
e e e B .... | , |
2 2 1 1
p
..... 0 0
.
0 .... 0
0 .... 0
2
1
m
j
ij i i
b S
1
2
1
i
i
pp
j
S S S
j
...
22 11
Proporcin de la Varianza total explicada por un factor
Donde:
Donde r
ii
es el elemento diagonal de la Matriz Inversa de R y
ii
es el elemento
diagonal de la Matriz Inversa de Varianzas-Covarianzas.
d) A partir de la Matriz Reducida se calculan los valores propios y vectores
propios.
Valores Propios: det (R
r

I ) = 0
I = Matriz Identidad; = Valor Propio
det = Determinante
Vectores Propios e, se encuentran del siguiente sistema de ecuaciones:
e) Coeficientes Factoriales:
B =
1
e
1

2
e
2
.....
m
e
m

Para explicar esta metodologa tomemos el mismo caso del ejercicio de
Componentes Principales, o sea:
Con estos datos se puede calcular los coeficientes factoriales:
Etapas
p
p p
p
p
r
p
p p
p
p
r
h
h
h
S o
h r r
r h r
r r h
R
2
2 1
2
2
2 12
1 12
2
1
2
2 1
2
2
2 2 1
1 12
2
1
. .
...
...
...
. .
...
...
ii
i
i
ii
i
i h o
r
h
1
1 1
1
1 1
2 2
0
.
.
0
0
.
.
.
. . . .
. . . .
2
1
2
2 1
2
2
2 12
1 12
2
1
n n n n
n
n
e
e
e
h r r
r h r
r r h
1 5 , 0
5 , 0 1
8 2
2 2
R o x S
a) Matriz Reducida:
Entonces
h
2
1
= 1/0,6666=1,5= Comunalidad 1
h
2
2
= 1/0,1666= 6 = Comunalidad 2
b) Valores Propios ( )
Resolviendo el sistema de ecuacin tenemos:
1
=6,76
2
=0,74
c) Vectores Propios (e) (El mtodo de clculo es el mismo usado en
Componentes Principales, y que es tomado de las definiciones de Geometra
Analtica).
Si
1
= 6,76
(1,5-6,76)e
1
+ 2e
2
= 0
2e
1

+ (6-6,76)e
2
= 0

Del sistema anterior se tiene e
1
= 0,3802281e
2
Entonces existen pares de datos (0,38 k; k), con un k que cumple:
Se sabe que :
reducida Cov Var de Matriz
h
h
S
r
2
2
1
2
2
2
Cov Var Matriz de Inversa S
16666 , 0 1666 , 0
1666 , 0 66666 , 0
1
reducida Cov Var de Matriz S
r
6 2
2 5 , 1
0
) 6 ( 2
2 ) 5 , 1 (
Entonces, los vectores propios tienen los siguientes valores:
e
1
=0,3554
e
2
=0,9347
Por lo tanto, los coeficientes factoriales del primer factor sern:
Si
2
= 0,74
Entonces, los vectores propios (e) seran los que se obtienen del siguiente sistema
de ecuaciones:
(1,5-0,74)e
1
+ 2e
2
= 0
2e
1

+ (6-0,74)e
2
= 0

Resolviendo se tiene: e
2
= -0,38e
1
Entonces los pares de datos, con k; seran (k;-0,38 k) tal que:
Entonces e
1
= 0,93478
e
2
= -0,3552 = -0,38(0,93478)
Los coeficientes factoriales del segundo factor sern:
Las comunalidades son:
h
1
2
=(0,92405)
2
+ (0,804128)
2
= 1,5
h
2
2
= (2,43022)
2
+ (-0,30555)
2
= 6
La varianza de cada variable es:
1
=
1
2

h
1
2
= 2-1,5 = 0,5
934713 , 0
1 ) 3802281 , 0 (
2 2
1
k
k k F
40322 , 2 ) 9347 , 0 ( 76 , 6
92405 , 0 ) 3554 , 0 ( 76 , 6
12
11
b
b
93478 , 0
1 ) 38 , 0 (
2 2
k
k k
30555 , 0 ) 3552 , 0 ( 74 , 0 ) 3552 , 0 (
804128 , 0 ) 93478 , 0 ( 74 , 0 93478 , 0
2 22
2 21
x b
x b
Resolviendo para k, se tiene:
2
=
2
2

h
2
2
= 8-6 = 2
Resultado Final
Coeficientes Factoriales

Varianza
Especfica Comunalidad

Varianza total
Variable

F
1

F
2

1
=
2
i

h
2
i

h
i
2

2
i

x1 0,92405 0,804128 0,5 1,5 2
x2 2,43022 -0,30555 2 6 8
F
1
y F
2
son los Factores 1 y 2 respectivamente.
De acuerdo, al Anlisis Factorial, se debe cumplir la siguiente relacin:
Matriz Varia-Cov= x = BB

+

En este caso se ve adems que
1
+
2
=7,5 que es igual a la suma de
h
i
2
(comunalidad) =1,5+6 = 7,5
El primer factor explica: 6,76/7,5=0,901, es decir un 90,1% de los aspectos
comunes.
El segundo factor explica:0,74/7,5=0,099, es decir un 9,9% de los aspectos
comunes o comunalidad.
Hay que notar que la explicacin porcentual de los factores no se refiere a la
varianza total, ya que el primer factor tiene una varianza comn de 1,5 y no 2
como es el total; y el segundo factor, la comunalidad alcanza a 6 y no a 8 que es
la varianza total.
Este problema tambin se puede resolver a partir de la matriz de correlacin R, en
vez de la matriz de varianza-covarianza; siguiendo la misma metodologa
explicada; sin embargo hay que tener cuidado con la interpretacin de cundo
explican los factores, pues en este caso, la diagonal de la matriz de R son
nmeros uno y no varianzas, entonces un valor propio
i
explicar
i
/n, donde n es
el nmero de variables. Slo los
i
tendrn el mismo significado cuando las
variables x
i
estn estandarizadas, tal como se analiz en las Componentes
Principales, ya que en tal caso la diagonal de R es igual a la diagonal de S y sern
nmeros unos y a la vez se da
12
=
12
.
Resolviendo el mismo problema, pero ahora a partir de la Matriz de Correlaciones,
se tiene:
2 0
0 5 , 0
6 2
2 5 , 1
8 2
2 2
2 0
0 5 , 0
30555 , 0 804128 , 0
43022 , 2 92405 , 0
30555 , 0 43022 , 2
804128 , 0 92405 , 0
8 2
2 2
B B x
h
2
1
= 1/1,333=0,75
h
2
2
= 1/1,333=0,75
Los valores propios calculados son:
1
=1,25 y
2
= 0,25.
Se tiene
1
+
2
=1,50 = Suma de diagonal de Matriz reducida. Entonces
1
/ (
1
+
2
)= 83,33%, es decir el factor uno explica un 83,33% de la diagonal de la
matriz reducida, que en este caso son coeficientes de correlacin y no varianzas
como el caso en que se us la Matriz de Varianza-Covarianza. Por eso es que el
primer factor explica un valor diferente al del caso del primer factor usando la
Matriz de Varianza-Covarianza.
Con estos datos, el resultado final del problema es el siguiente:
Coeficientes Factoriales
Correlacin

Especfica Comunalidad
Correlacin
Total
Variable F
1

F
2

h
i
2

X
1

0,79056 0,35355 0,25 0,75 1
X
2

0,79056 -0,35355 0,25 0,75 1
La comunalidad se verifica, ya que:
h
2
1
= (0,79056)
2
+ (0,35355)
2
= 0,75
h
2
2
= (0,79056)
2
+ (-0,35355)
2
= 0,75
Adems se verifica que:
R = BB +

O sea R = R
r
+

333 , 1 6666 , 0
6666 , 0 333 , 1
1 5 , 0
5 , 0 1
1
R R
75 , 0 50 , 0
5 , 0 75 , 0
r
R
Es interesante resaltar que los Factores F
1
y F
2
no tienen interpretacin explcita y
adems son no observables directamente, lo que implica que ste es un mtodo
ms bien matemtico. Para el caso de la rentabilidad de las acciones, la
interpretacin que se le puede dar es que la rentabilidad de un ttulo burstil
cualquiera, la variable x
i
, depende de factores lineales y esos factores tienen
diferentes ponderaciones en la rentabilidad, ponderaciones que se cuantifican por
los coeficientes factoriales; pero estos factores, que matemticamente explican la
varianza, pueden ser diferentes aspectos. La comunalidad, para el caso de las
rentabilidades de las acciones, seran elementos comunes a todas las acciones
que se consideran en el estudio, es decir sera lo que se denomina Riesgo
Sistemtico, o sea el riesgo del sistema financiero en total y el resto de la
varianza, es decir la varianza especfica seran las caractersticas de cada accin
en particular como pueden ser: niveles tecnolgicos, capacidad gerencial y
empresarial, mezcla de productos vendidos, etc. As, se puede resumir, a travs
de matrices, la siguiente relacin:
x = BB +

Riesgo Total = Riesgo Sistemtico + Riesgo Propio.
5.3.3 COMPARACIN MTODO COMPONENTES PRINCIPALES Y ANLISIS
FACTORIAL.
En una primera impresin, Anlisis de Componentes Principales y Anlisis
Factorial parecieran conducir a las mismas conclusiones respecto a los
coeficientes factoriales, sin embargo, su significado es diferente.
El Anlisis de Componentes Principales, es el resultado de una combinacin lineal
de las variables, es decir la Componente Principal es la variable dependiente de
las variables observables x
i
; en este sentido las componentes pueden tener
interpretacin y como se seal esa depende del conocimiento del investigador
que est analizando el problema; es decir:
C P
i
= b
11
x
1
+ .... + b
in
x
n
En el caso de Anlisis Factorial, la variable dependiente es la observada, es decir
x
i
; y las independientes son unos factores F
i
que no son observables ni
25 , 0 0
0 25 , 0
75 , 0 50 , 0
50 , 0 75 , 0
1 5 , 0
5 , 0 1
25 , 0 0
0 25 , 0
35355 , 0 35355 , 0
79056 , 0 79056 , 0
35355 , 0 79056 , 0
35355 , 0 79056 , 0
1 5 , 0
5 , 0 1
interpretados directamente. Se ve, pues, que la variable dependiente en
Componentes Principales es el resultado de variables observables de la realidad y
representan algn suceso especfico y explcito, en cambio en Anlisis Factorial la
variable dependiente es la observable y representa algn aspecto concreto del
problema que se analiza, o sea:
x
i
= b
11
F
1
+ .... + b
in
F
n
Para el caso de rentabilidad de acciones, las Componentes Principales indican un
conjunto de indicadores burstiles y financieros que son agrupados linealmente;
en cambio en Anlisis Factorial existe un solo indicador conceptual que son
rentabilidades de diferentes empresas; pero no muestran ndices financieros.
En conclusin son metodologas diferentes y no necesariamente sustitutos una de
otra.
5.4.- ANLISIS DISCRIMINANTE
5.4.1.- Interpretacin Intuitiva
Desde un punto de vista analtico en diferentes problemas econmicos y
financieros se tiende a separar grupos ya sea de personas, sectores econmicos y
empresas, de tal forma que las conclusiones que se obtengan de los estudios
tengan un grado de homogeneidad en el grupo y a la vez se puedan comparar con
otros grupos. El anlisis de un grupo en particular requiere definir qu variables
pueden diferenciar a un grupo de otro, es decir cules son aquellas variables que
discriminan a un grupo de otro. Los investigadores a priori pueden especificar
ciertas variables que tericamente separen a los grupos, o bien a la inversa, que
se presenten claramente los grupos, pero no se conozca con exactitud qu
variables discriminan entre uno u otro grupo. Este es el problema que resuelve la
metodologa de Anlisis Discriminante.
Un tema que se ha observado con esta tcnica es el estudio de empresas
quebradas y no quebradas, de Altman (1968). As, se pueden separar dos grupos
claramente diferenciables como son las empresas que han fracasado de aquellas
exitosas; el tema aqu es buscar qu variables son las relevantes y que permiten
separar a ambos grupos de empresas. Aqu se conocen a priori los grupos, con
datos ex post, y desde un punto de vista de gestin interesa conocer las variables
que permiten efectuar la separacin o discriminacin entre ambos grupos. Otro
ejemplo, puede ser determinar qu variables identifican a los precios de las
acciones de una empresa industrial de otra de servicios. La verificacin de estas
variables se efecta a travs de la elaboracin de hiptesis nula e hiptesis
alternativas, las que son contrastadas siguiendo el mismo enfoque metodolgico
estadstico de prueba de hiptesis para cualquier variable.
En trminos matriciales el Anlisis Discriminante se puede representar de la
siguiente forma:
Grupo 1
Empresas exitosas

Grupo 2
Empresas no exitosas

Variables
Empresa
x
1
.x
2
x
3
...x
p

Variables
Empresa
x
1
.x
2
x
3
...x
p
1

1
2

2
.
.
.
.

.
.
.
.
n
1

n
2

Las x
i
pueden ser indicadores financieros del tipo Deuda/Capital, Rentabilidad
Patrimonial, Activo Circulante/Pasivo Circulante, etc. y que a priori separaran
estos dos grupos; si se acierta o no a estas variables es lo que se deduce del
Anlisis Discriminante.
5.4.2. Matemticas del Anlisis Discriminante para dos grupos.
Se aplicar aqu el mtodo de determinar una funcin discriminante que es una
combinacin lineal de las variables. Usualmente se asume que la poblacin est
normalmente distribuida.
Una combinacin lineal de las x toma el valor y
11
, y
12
,.... y
1n1
para las
observaciones del primer grupo y el valor y
21
, y
22
,...y
2n2
para las observaciones del
segundo grupo.
El objetivo es seleccionar una combinacin lineal de las x para alcanzar el mximo
de separacin entre las medias grupales y
1
e y
2
.
La recta que se busca es del tipo:
y = a
1
x
1
+ a
2
x
2
.... + a
p
x
p
de tal manera de maximizar el ratio.
Los coeficientes a
i
se calculan de la siguiente ecuacin matricial:
x = Vector de las variables x
1
y x
2
.
S
-1
=Matriz Inversa de la Matriz de Varianzas-Covarianzas Ponderada
d = Vector de diferencia de medias (
1
x -
2
x ) traspuesto
a
i
= Coeficientes de la funcin discriminante.
Para estos clculos se deben usar las siguientes matrices:
2
2
2 1
) (
tan
y
S
y y
y de grupal Varianza
y de grupales medias las de
cuadrado al cia Dis
x S d y
1
'
grupo segundo del nes Observacio x x x
grupo primer del nes Observacio x x x
n
n x p
n
n x p
x
x
2 2 22 21
) (
1 1 12 11
) (
,.... ,
2
,.... ,
1
2
1
1
1
1
1 ) 1 (
1
1
Pr
n
j
j
px
x
n
Grupo imer Media
x
)' )( (
1
1
1
1
1
1
1
1
) (
1
1
1
x x x x
n
j
n
n
j
pxp
S
2
1
2
2 ) 1 (
1
2
n
j
j
px
x
n
Grupo Segundo Media
x
2
) 2 . ( ) 1 ( ) 1 . ( ) 1 (
2 1
2 1
n n
Grupo Cov Var Matriz n Grupo Cov Var Matriz n
S
do er
Matriz Varianza-
Covarianza 1er Grupo
Entonces la Matriz de Varianzas.Covarianzas Ponderada S es calculada de la
siguiente forma:
Adems se tiene lo siguiente:
Se calculan los y
i
de cada observacin para determinar una regla de clasificacin
a travs de y
c
que es:
Si y
i
> y
c
entonces observacin i corresponde al Grupo I.
y
i
< y
c
entonces observacin i corresponde al Grupo II.
Para analizar si los grupos son discriminados por las variables definidas se
establecen las hiptesis siguientes:
Ho = No existe diferencia entre los grupos
H
A
= Existe diferencia entre los grupos.
Para validar esta hiptesis se debe calcular la distancia D al cuadrado, o se:
Si H
0
es verdadera, entonces se calcula la funcin F.
)' )( (
1
1
2
2
2
1
2
2
2
2
x x x x
n
S
j
n
j
j
) 2 (
) 1 ( ) 1 (
) 1 ( ) 1 (
1
) 1 ( ) 1 (
1
2 1
2 2 1 1
2
2 1
2
1
2 1
1
n n
S n S n
S
n n
n
S
n n
n
S
ponderada
2
1
2 1
1
)' ( x S x x y
2
1
2 1
2
)' ( x S x x y
2 / ) (
II I c
y y y
) ( )' ( 2 1
1
2 1
2
x x S x x D
Matriz Varianza
Covarianza 2do
Grupo:

F = (D
2
(N-p-1)n
1
n
2
)/p(N-2)N
N = n
1
+ n
2
p = Nmero de Variables
Si H
0
es verdadera entonces F se distribuye con una funcin F

con p y N-p-1
grados de libertad. Entonces si F>F

(el F de tabla) se acepta la hiptesis
alternativa.
El siguiente ejemplo, con fines didcticos, permite aclarar esta metodologa.
Supongamos que se tienen dos grupos de empresas, clasificadas a priori como
empresas sociedades annimas con propiedad difusa (primer grupo) y sociedades
de personas o familiares (segundo grupo). Se plantea que las variables (x
i
):
rentabilidad operacional (x
1
) y la relacin Deuda/Capital (x
2
) permiten diferenciar
claramente estos dos grupos de empresas. Los datos para ambos grupos son los
siguientes:
GRUPO 1 GRUPO 2
Sociedades Annimas Sociedades de Personas
Sociedad x
1
(en %) x
2
(en %) Sociedad x
1
(en%) x
2
(en %)
1 7 25 1 5 20
2 6 20 2 6 25
3 5 15 3 7 15
4 6 20 4 8 10
5 9 5
Se pretende buscar si realmente las variables x
1
y x
2
sirven para diferenciar a
ambos grupos, es decir si discriminan o no. Ordenando los datos en forma
matricial se tiene:
5 10
9 8
15
7
25
6
20
5
20
6
15
5
20
6
25
7
2 1
x x
15
7
20
6
2
1 x x
Los datos centrados para ambos grupos son los siguientes:
Clculo de Matriz de Varianzas-Covarianzas(S
i
)
Clculo de Matriz Ponderada S.
Clculo de coeficientes (a
i
) de la funcin discriminante:
10
5
0
10
5
2
1
0
1
2
0 0
5 1
0
5
0
1
2 1
2
2
2
2
1
1
1
1
j
j
i
i
j
j
i
i
x x x x x x x x
N Grupo N Grupo
6666 , 16 3333 , 3
3333 , 3 6666 , 0
0 0
5 1
0 0
5 1
0 5 0
0 1 0
5
1
1 4
1
1
S
5 , 62 25 , 11
25 , 11 5 , 2
10
5
2
1
0 0
10 1
5 2
10 5 0 10
2 1 0 1
5
2
1 5
1
2
S
857 , 42 5
5 7143 , 1
) 2 4 5 (
) 1 5 ( ) 1 4 (
2 1
S S
S
035368 , 0 103156 , 0
103156 , 0 8842 , 0
1
S
y = -0,36842x
1
+ 0,073644x
2
En este caso el vector de diferencia de medias se ha obtenido de la siguiente
forma:
Calculando:
Calculando los y
i
para cada empresa, y reemplazando los valores de x
i
en la
funcin discriminante, se tiene:
Empresa y
I

Asignacin Empresa y
II

Asignacin
1 -0,74 I 1 -0,37 II
2 -0,74 I 2 -0,37 II
3 -0,74 I 3 -1,47 I
4 -0,74 I 4 -2,21 I
5 -2,95 I
Si y
i
>y
c
entonces la empresa i corresponde al primer grupo o si y
i
<y
c
entonces la
empresa i corresponde al segundo grupo.
Con estos datos se puede crear lo que se denomina Matriz de Confusin, es decir
cuntas empresas estn bien clasificadas y cuntas no corresponden y en las
intersecciones de esta matriz se buscan las correctas. La matriz es la siguiente:
Segn Anlisis Discriminante
Grupo I Grupo II
Grupo
Original
Grupo I 4 3
Grupo II 0 2
Total 4 5
2
1
03536 , 0 103156 , 0
103156 , 0 8842 , 0
5 1
x
x
y
5
1
15
7
20
6
2 1 x x
738 , 0
20
6
073644 , 0 36842 , 0
1
y
474 , 1
15
7
073644 , 0 36842 , 0
2
y
11 , 1 2 / ) 474 , 1 738 , 0 ( 2 / ) (
2 1
y y y
c
Con un crculo se encierra el nmero de empresa donde coinciden las
asignaciones de las empresas o los grupos segn Anlisis Discriminante y como
estaban inicialmente asignadas. As hay cuatro empresas del grupo que
inicialmente estaban en ese grupo y segn Anlisis Discriminante este tambin es
cuatro, es decir en el primer grupo no existe ninguna empresa mal clasificada. En
el grupo II hay dos empresas que segn Anlisis Discriminante debera estar en
grupo I. Por lo tanto, hay 6 empresas bien clasificadas y 3 mal clasificadas; las
empresas mal clasificadas son los nmeros 3,4 y 5 que habiendo sido
primariamente pertenecientes al grupo II, segn el Anlisis Discriminante deberan
estar agrupadas en el Grupo I.
APENDICE N 1
ALGUNOS CONCEPTOS DE CLCULO DIFERENCIAL E INTEGRAL USADOS
EN TEORA FINANCIERA.
DERIVADAS
Sea y = f( ) = (x), o sea y = f( (x))
Se tiene:
Esta regla se puede aplicar a una cadena.
O sea:
) 0 (
1 ln
1
x
x dx
x d
nx
dx
dx
n
n
) 0 , 0 (
ln
1 log
ln a x
a x dx
x d
a a
dx
da
x
x
) ln 1 ( x x
dx
dx
e
dx
de
x
x
x
x
) 0 (
1
ln
0 1
0 1
x
x dx
x d
x para
x para
dx
x d
dx
du
du
dy
dx
dy
.
Para la diferencial total (o sea dy) con y = F(x
1
, x
2
,.....x
n
)
INTEGRALES:
n
n
n
dx
dx
dx
dx
dx
dx
dx
dy
dx
dy
1
3
2
2
1
1
. . .
n
n
dx
x
y
dx
x
y
dx
x
y
dy .....
2
2
1
1
c x x x xdx n c
n
x
dx x
n
n
ln ln ) 1 (
1
1
c
e
x
dx
e
x
c x
x
dx
x x
1
ln
c e
a
ax
dx xe a c
a
a
dx a
ax ax
x
x
2
1
) 0 (
ln
) 1 , 0 (
ln
1
A A A
A a
dx A c e dx e
b ax b ax x x
1
1
3
2
2
1
1
!
) 1 (
!
) 1 .....(
) 1 (
n
n
n
n
n n n
ax
ax n
ax n
ax n
a
n
a
x n
a
x n n
a
nx
a
x
e
dx e x
a
n
a
e x
dx e x
) 2 (
1 ) 1 (
1 1
n dx
x
e
n
a
x n
e
dx
x
e
n
ax
n
ax
n
ax
) 2 (
) ( ) 1 (
1
) (
1
m
e a m e x
dx e
m ax m ax
ax
APENDICE N2
ALGUNOS CONCEPTOS DE MATEMTICAS FINANCIERAS USADOS EN
TEORA FINANCIERA
1) Valor Actual Neto
Donde VAN = Valor Actual Neto; I = Inversin inicial; Fj = Flujo de Caja perodo j
(j=1,...n); i = Tasa de Inters
Si VAN = 0, entonces i= TIR = Tasa Interna de Retorno
2) Inters Compuesto
Caso discreto
M = C(1+i)
n
; M = Monto en n ; i = tasa de inters por perodo;
n = perodo de capitalizacin
Cuotas de Pago Vencido (R) constantes por perodo.
R = V
a
/A(n,i)
Va = Valor Actual; A(n,i)= 1-(1+i)
-n
/i = Factor de Actualizacin de $1 peridico por
n perodos, capitalizado a la tasa i.
n = perodo total; i = Tasa de inters;
3) Rentas Perpetuas (equivalente a n )
Va = R/i
4) Rentas Diferidas
Va= RF(n,i) V
m
F(n,i)= 1-(1+i)
n

/i
m= Perodo de diferimiento, transcurrido desde el inicio de un contrato y
durante los cuales no se percibe renta.
n = Perodo, a partir de m, en el cual se empieza a recibir renta peridica.
5) Prstamos Bancarios y Bonos
P = RA(n,k)
n
n
i
F
i
F
i
F
I VAN
) 1 (
......
) 1 ( ) 1 (
2
2 1
P = Prstamo recibido; R = Cuota de Inters y amortizacin constante por perodo;
A(n,k) = Factor de Actualizacin de $1 peridico por n perodos; k = Tasa
de inters.
R
k
= C
k
+ I
k
C
j
= R (1+k)
n-j+1
o C
k
= C
1
(1+k)
j-1
C
j
= Pago de amortizacin en perodo j
I
j
= Inters (en $) del prstamo en perodo j.
6) Tasas Efectivas y Tasas Nominales
Sea j una tasa nominal de inters y con capitalizacin al trmino de t-simo de
ao, durante n perodos, entonces el valor futuro de $1 es:
S existe una tasa efectiva por perodo de i, su valor futuro es:
(1+i)
n
Entonces la relacin entre tasa nominal j y tasa efectiva i se obtiene de la
igualacin de ambos factores, es decir:
) 1 (
) 1 ( 1
) 1 , ( ) 1 , (
1
k k
k
k n i F k n i kRF I
k n
j
tn
t
j
) 1 (
1 ) 1 (
t
t
j
i
APENDICE N 3
ALGUNOS MODELOS CLSICOS FINANCIEROS.
Funciones aversin-riesgo 1971 Merton, R. C. Clculo Diferencial
Estocstico
Tasa de inters y Mercado
eficientes
1977 Vasicek, O. Clculo Diferencial
Estocstico
Demanda defectivo 1980 Frenkel, J. Y
Jovanovic B.
Clculo Diferencial
Estocstico
Inversin en Dinero 1956 Tobin, J. Clculo Diferencial
Inversin en Dinero 1969 Mao, J Programacin
Dinmica
Precio Acciones,
Dividendos
1956 M. Gordon y
E. Shapiro
lgebra
MODELO

AO AUTOR TCNICA
MATEMTICA
SUBYACENTE
Valor Empresa 1958, 1963 Modigliani-Miller lgebra,
Regresin simple
Costo de Capital 1963 Ezra Solomon lgebra
Valor Empresa 1963 Fred Weston Regresin Mltiple
Costo de Capital 1963 Alexander Barges Regresin Mltiple
Portfolio 1952,1958 Harry Markowitz Clculo Diferencial
CAPM 1961,63,65
1966
W.Sharpe, Treynor,
Mossin, Lintner
Regresin Corte
Transversal
APT 1976,1980 R. Roll y S. Ross Anlisis Factorial
Opciones financieras 1973 F. Black y M. Scholes Clculo Diferencial
Estocstico
Opciones Financieras 1979 Cox, S. Rubinstein,M Estadstica
Matemtica
(Distribucin
Binomial)
Mercados Eficientes 1970,1976 E. Fama Econometra
Duracin de Bonos 1938 F. Macaulay lgebra
Asignacin de Recursos 1963 H. Weingartner Programacin
Lineal
Funciones de Utilidad 1964,1971 Pratt W., y
Arrow, K
Estadstica
Matemtica
Prediccin Quiebra 1968 E. Altman Anlisis
Discriminante
Contrato Accionistas-
Directivos
1984 Myers, J. y
Majluf, N.
Teora de Juegos
BIBLIOGRAFA
1. Copeland, T. y Weston, J.F. (1998), Financial Theory and Corporate
Police , 3era Edition, Addison Wesley Publishing C. USA.
2. Demidovich, B. (1993), Problemas y Ejercicios de Anlisis Matemtico ,
Undcima Edicin, Editorial Paraninfo, Madrid, Espaa
3. Johnson, R.A. y Wichern,D (1992), Applied Multivariate Statistical
Analysis , 3era Edition, Prentice Hall, Upper Saddle, N. Jersey.
4. Elton; E. y Grube, M. (1991) : Modern Portfolio Theory and Investment
Analysis , New York.
5. Gil F, J.A. (1991), Elementos de Matemticas para las Ciencias del
Seguro , Fundacin Mapfre Estudios, Instituto Ciencias del Seguro,
Madrid, Espaa.
6. Kariya, T. (1993), Quantiative Methods for Portfolio Analysis . Kluwer
Academic Publishers. Dordrecht, The Netherlands, 1993.
7. Malliaris, A.G. y Brock W.,(1982), Stochastic Methods in Economics and
Finance , North-Holland, Amsterdam.
8. Mikosch, T. (1999), Elementary Stochastic Calculus , World Scientific,
London.
9. Murdoch, D.C.,(1977), Geometra Analtica con Vectores y Matrices , 3era
Reimpresin, Editorial Limusa, Mxico.
10. Ross, S. (1996), Stochastic Processes , 2da Edition, John Willey and
Sons, Inc. N. York.
11. Smoliansk, F. L. (1971), Tabla de Integrales Indefinidas , editorial
Universitaria, Stgo. Chile.
12. Soldevilla, E. (1999), Los Fondos de Inversin: Gestin y Valoracin ,
Editorial Pirmide, Madrid, Espaa.
13. Suriach, J.; Arts, M.; Lpez, E. Y Sans, A. (1995), Anlisis Econmico
Regional: Nociones Bsicas de la Teora de la Cointegracin , Antoni
Bosch Editor, Barcelona, Espaa.

Libro Me Todos Mate Mati Cos 2010

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Libro Me Todos Mate Mati Cos 2010

Uploaded by

Copyright:

Available Formats

Autor: Jos Rigoberto Parada Daza 1

MTODOS MATEMTICOS EN TEORA

You might also like