Administración de Riesgos

Lic. Juan Carlos Álvarez Chavira

Formulario
1) Rendimientos

Ganancia o utilidad que produce una inversión o negocio. Hay una relación directa entre riesgo y
rendimiento, es decir, un activo financiero que ofrezca mayor riesgo, usualmente tiene un mayor
riesgo implícito (aunque no se perciba).
Precio actual
Rendimiento = ( )−1
Precio anterior

Precio actual − Precio Anterior

Rendimiento = ( )
Precio anterior

2) Mediana

Es el valor que ocupa la posición central de una serie ordenada de datos. La mediana se representa
por Me.

Para su cálculo requiere que los datos se encuentren ordenados de menor a mayor, si la serie tiene
un número impar de medidas la mediana es la posición central de la misma.

Si la serie tiene un número par de puntuaciones, la mediana es la media entre las dos puntuaciones
centrales.

» Una distribución es asimétrica a la derecha o sesgada positivamente, si la media es mayor

que la mediana: x̅ > Me
» Una distribución es asimétrica a la izquierda o sesgada negativamente, si la media es menor
que la mediana x̅ < Me

1
 Administración de Riesgos
Lic. Juan Carlos Álvarez Chavira

Para determinar la posición de la mediana se utiliza la siguiente fórmula:

𝑛 𝑛
(2 ) + (2 + 1) 𝑛+1
𝑃𝑜𝑠𝑖𝑐𝑖ó𝑛 𝑃𝐴𝑅 𝑑𝑒 𝑀𝑒 = 𝑃𝑜𝑠𝑖𝑐𝑖ó𝑛 𝐼𝑀𝑃𝐴𝑅 𝑑𝑒 𝑀𝑒 = ( )
2 2

3) Moda

Es el valor con mayor frecuencia en una distribución de datos. Se representa por Mo.

» Si en un grupo hay dos o varias puntuaciones con la misma frecuencia y esa frecuencia es la
máxima, la distribución es bimodal o multimodal, es decir, tiene varias modas.
» Cuando todas las puntuaciones de un grupo tienen la misma frecuencia, no hay moda.

Unimodal Bimodal Amodal

4) Media (Promedio)

Es el resultado que se obtiene a partir de la sumatoria de diferentes valores dividida entre el número
de datos.
∑𝒙
̅=
𝒙
𝒏
Sumatoria de datos
Promedio =
Número de datos

5) Desviación Media

Es una medida del grado de dispersión de los datos con respecto al valor promedio. Dicho
de otra manera es el "promedio" o variación esperada con respecto a la media aritmética.
∑ 𝐴𝐵𝑆(𝑥1 − 𝑥̅ )
𝐷𝑒𝑠𝑣 𝑝𝑟𝑜𝑚 =
𝑛−1

2
 Administración de Riesgos
Lic. Juan Carlos Álvarez Chavira

6) Varianza

La varianza es una medida de dispersión que evalúa la variabilidad de los datos alrededor de la
media. Su fórmula matemática para el caso de datos referentes a una muestra es:

∑𝑛𝑖−1(𝑥1 − 𝑥̅ )
2
𝑠 =
𝑛−1
Y para el caso de datos de una población es dada por:

2
∑𝑛𝑖−1(𝑥_1 − 𝜇)2
𝜎 =
𝑁
Hay que tener en cuenta que la varianza puede verse muy influida por los valores atípicos y
no
7) seDesviación
aconseja su uso cuando
media las distribuciones
o desviación promedio de las variables aleatorias tienen colas
pesadas.

8) Deviación Estándar

Es la raíz cuadrada de la varianza. Esta medida nos permite determinar el promedio aritmético de
fluctuación de los datos respecto a su punto central o media.

La desviación estándar da como resultado un valor numérico que representa el promedio de

diferencia que hay entre los datos y la media. Su fórmula para determinar su valor es:

s = √s2

∑ni−1(x1 − x̅)2
s=√
n−1

9) Distribución normal (características)

La distribución normal, es una distribución continua que tiene forma de campana y está
determinada por su media y su desviación estándar.

3
 Administración de Riesgos
Lic. Juan Carlos Álvarez Chavira

Características:

a) Tiene forma de campana y es simétrica respecto a su media.

b) La distribución normal se extiende hasta el infinito en ambas direcciones a partir de la
media.
c) El área total bajo la curva es igual a 1.0 o 100%. El 50% del área está a la derecha de la media
y el 50% a la izquierda.
d) Decrece uniformemente en ambas direcciones a partir del valor central
e) También es llamada distribución z. Un valor z es la distancia entre un valor seleccionado
llamado x y la media 𝑥̅ dividida entre la desviación estándar.
(𝑥 − 𝑥̅ )
𝑧=
𝜎
f) Tiene una curtosis de 3
g) Su coeficiente de asimetría es de cero.

Área bajo la curva de la distribución normal

4
 Administración de Riesgos
Lic. Juan Carlos Álvarez Chavira

10) Coeficiente de asimetría (Sesgo)

Permite identificar si los datos se distribuyen de forma uniforme alrededor del punto central (Media
aritmética).

La asimetría presenta tres estados diferentes, cada uno de los cuales define de forma concisa como
están distribuidos los datos respecto al eje de simetría (media 0).

Se dice que la asimetría es positiva cuando los valores de los datos más dispersos (cola de la
distribución) son mayores al valor de la media aritmética, la curva es Simétrica cuando se
distribuyen aproximadamente la misma cantidad de valores en ambos lados de la media y se conoce
como asimetría negativa cuando los valores de los datos más dispersos (cola de la distribución) son
menores que la media.

El Coeficiente de Asimetría, se representa mediante la ecuación matemática:

Donde 𝐶𝐴𝐹 representa el coeficiente de asimetría de Fisher, 𝑥𝑖 cada uno de los valores, la media
de la muestra y 𝑛𝑖 la frecuencia de cada valor. Los resultados de esta ecuación se interpretan:

» ( = 0): Se acepta que la distribución es Simétrica, es decir, existe aproximadamente la misma

cantidad de valores a los dos lados de la media. Este valor es difícil de conseguir por lo que
se tiende a tomar los valores que son cercanos ya sean positivos o negativos (± 0.5).
» ( > 0): La curva es asimétricamente positiva por lo que los valores se tienden a reunir más
en la parte izquierda de la media. En la parte derecha se ubican los datos más dispersos.
» (< 0): La curva es asimétricamente negativa por lo que los valores se tienden a reunir más
en la parte derecha de la media. En la parte izquierda se ubican los datos más dispersos.

Entre mayor sea el número (Positivo o Negativo), mayor será la distancia que separa la aglomeración
de los valores con respecto a la media.

5
 Administración de Riesgos
Lic. Juan Carlos Álvarez Chavira

11) Coeficiente de curtosis

Determina el grado de concentración que presentan los valores en la región central de la

distribución. Por medio del Coeficiente de Curtosis, podemos identificar si existe una gran
concentración de valores (Leptocúrtica), una concentración normal (Mesocúrtica) ó una baja
concentración (Platicúrtica).

Para calcular el coeficiente de Curtosis se utiliza la ecuación:

Donde C representa el coeficiente de Curtosis, 𝑥𝑖 cada uno de los valores, la media de la muestra y
𝑛𝑖 la frecuencia de cada valor. Los resultados de esta fórmula se interpretan:

» (= 0) la distribución es Mesocúrtica: Al igual que en la asimetría es bastante difícil encontrar

un coeficiente de Curtosis de cero (0), por lo que se suelen aceptar los valores cercanos (±
0.5 aprox.).
» (> 0) la distribución es Leptocúrtica
» (< 0) la distribución es Platicúrtica

Cuando la distribución de los datos cuenta con un coeficiente de asimetría (= ±0.5) y un coeficiente
de Curtosis de (= ±0.5), se le denomina Curva Normal. Este criterio es de suma importancia ya que
para la mayoría de los procedimientos de la estadística de inferencia se requiere que los datos se
distribuyan normalmente.

12) Coeficiente de variación

Su fórmula expresa la desviación estándar como porcentaje de la media aritmética, mostrando

una mejor interpretación porcentual del grado de variabilidad que la desviación típica o estándar.

6
 Administración de Riesgos
Lic. Juan Carlos Álvarez Chavira

» A mayor valor del coeficiente de variación mayor heterogeneidad de los valores de la

variable.
» Un valor menor del coeficiente representa una mayor homogeneidad en los valores de la
variable.
» Suele representarse por medio de las siglas CV

Se calcula:

Donde es la desviación estándar, y es la Media. Se puede dar en porcentaje calculando:

13) Error típico

En estadística, un error típico se refiere a las variaciones que son a menudo inevitables. El error
típico puede definirse también como la variación producida por factores distorsionantes tanto
conocidos como desconocidos.

Error tipico es equivalente a error estándar; es una medida de dispersión promedio de las
desviaciones de los valores muestrales hacia su valor medio. Cuando el valor es pequeño significa
que los datos se parecen mucho a su valor medio de la población, lo contrario ocurre cuando el valor
es grande.

14) Prueba Jarque-Bera

Es una prueba de bondad de ajuste para comprobar si una muestra de datos tiene la asimetría y la
curtosis de una distribución normal.
𝑛−𝐾+1 2 1
𝐽𝐵 = (𝑠 + (𝐶 − 3)2 )
6 4
Donde n es el número de observaciones (o grados de libertad en general); S es la asimetría de la
muestra, C la curtosis de la muestra y k el número de regresores.

15) Nivel de confianza

Probabilidad “a priori” de que el intervalo contenga el verdadero valor del parámetro. Decimos que
es “a priori” porque es la probabilidad que tenemos (antes de extraer la muestra) de capturar dentro
del intervalo al intervalo del parámetro.

El nivel de confianza se indica por 1-α y habitualmente se da en porcentaje (1-α) %. Los valores que
se suelen utilizar para el nivel de confianza son el 95%, 99% y 99.9%

7
 Administración de Riesgos
Lic. Juan Carlos Álvarez Chavira

Para un nivel de confianza del 98%,

1-α=0.98

α=0.02

16) Intervalo de confianza

Subconjunto de extremos aleatorios que con un nivel de confianza determinado, contiene el

verdadero valor del parámetro.

17) Covarianza

La covarianza mide la relación lineal entre dos variables. No es estandarizada, a diferencia del
coeficiente de correlación, por lo tanto, los valores de covarianza pueden encontrarse entre infinito
negativo e infinito positivo.
∑(𝑋 − 𝑋)(𝑌 − 𝑌)
𝜎(𝑥, 𝑦) =
𝑛−1

Los valores positivos indican que los valores por encima del promedio de una variable están
asociados con los valores por encima del promedio de la otra variable y los valores por debajo del
promedio están asociados de manera similar.

Los valores negativos indican que los valores por encima del promedio de una variable están
asociados con los valores por debajo del promedio de la otra variable.

 Si 𝜎(𝑥, 𝑦) > 0; hay dependencia directa (positiva), es decir, a grandes valores de x

corresponden grandes valores de y.

 Si 𝜎(𝑥, 𝑦) = 0; una covarianza 0 se interpreta como la no existencia de una relación lineal entre
las dos variables estudiadas.

 Si 𝜎(𝑥, 𝑦) < 0; hay dependencia inversa o negativa, es decir, a grandes valores de x

corresponden pequeños valores de y.

18) Coeficiente de correlación lineal.

Es el cociente entre la covarianza y el producto de las desviaciones típicas de ambas variables.

El coeficiente de correlación lineal se expresa mediante la letra r. Y su fórmula matemática es:

𝜎𝑥𝑦
𝑟=
𝜎𝑥 𝜎𝑦

8
 Administración de Riesgos
Lic. Juan Carlos Álvarez Chavira

El coeficiente de correlación lineal es un número real comprendido entre −1 y 1. −1 ≤ r ≤ 1

» Si el coeficiente de correlación lineal toma valores cercanos a −1 la correlación es fuerte e

inversa, y será tanto más fuerte cuanto más se aproxime r a −1.
» Si el coeficiente de correlación lineal toma valores cercanos a 1 la correlación es fuerte y
directa, y será tanto más fuerte cuanto más se aproxime r a 1.
» Si el coeficiente de correlación lineal toma valores cercanos a 0, la correlación es débil.
» Si r = 1 ó −1, los puntos están sobre la recta creciente o decreciente.

19) Coeficiente Beta β

Es una medida de la volatilidad de un activo (una acción o un valor) relativa a la variabilidad del
mercado, de modo que valores altos de Beta denotan más volatilidad y Beta 1,0 es equivalencia con
el mercado.

» Un valor con Beta 1.75 es 75% más volátil que el mercado.

» Igualmente, un valor con Beta 0.7 sería 30 % menos volátil que el mercado.

Una primera forma de estimar el Beta es calcularlo mediante una regresión lineal entre el
rendimiento del mercado como variable exógena o independiente y el rendimiento del activo a
analizar como variable endógena o dependiente. Esta regresión se expresa mediante la siguiente
fórmula:

𝑅𝑖 = 𝛼 + 𝛽 × 𝑅𝑀

Un segundo y tercer método sería el método de la varianza y del coeficiente de correlación medidos
a través de las fórmulas que se muestran a continuación:
𝐶𝑂𝑉(𝑅𝑖 , 𝑅𝑀 )
𝛽𝑒𝑡𝑎 =
𝑉𝐴𝑅(𝑅𝑀 )
Donde:

𝑅𝑖 = Rendimiento del activo

𝑅𝑀 = Rendimiento del mercado

9
 Administración de Riesgos
Lic. Juan Carlos Álvarez Chavira

20) Alfa de Jensen

Es un ratio que mide la habilidad de un gestor de carteras de inversión por obtener rentabilidades
por encima del índice bursátil de referencia ajustada por el riesgo.

α= (Rc-Rf)-(Rm-Rf) βc
• α: Alfa de Jensen

• Rc: Rentabilidad de la cartera

• Rf: Activo libre de riesgo (risk free)

• Rm: Rentabilidad de mercado

• βc: Beta de la cartera

Riesgo total = Riesgo sistemático + Riesgo no sistemático

Podemos deducir que es el diferencial de rentabilidad conseguida real (restando el activo libre de
riesgo) ajustado por el riesgo sistemático, que es el medido por la beta. Al utilizar nada más el riesgo
medido por la beta, es un ratio que no mide el grado de diversificación de la cartera, como sí lo hace
el ratio de sharpe.

10