💰 quantitative finance

A New Approximation to the Normal Distribution Quantile Function

Este artículo introduce una aproximación más rápida, aunque ligeramente menos precisa, de la función cuantil de la distribución normal en comparación con el método de Beasley y Springer, ofreciendo un error absoluto máximo inferior a $2.5 \cdot 10^{-5}$ que sigue siendo suficiente para muchas aplicaciones, particularmente en los mercados financieros.

Autores originales: Paul M. Voutier

Publicado 2026-06-03

📖 4 min de lectura☕ Lectura para el café

CC BY 3.0

Autores originales: Paul M. Voutier

Artículo original bajo licencia CC BY 3.0 (http://creativecommons.org/licenses/by/3.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres un chef intentando hornear un pastel perfecto (una "Distribución Normal"). Para lograrlo, necesitas un ingrediente muy específico y secreto: la Función Cuantil. Piensa en esta función como un mapa mágico que te dice exactamente cuánto ingrediente añadir basándose en un número de probabilidad que tú le proporciones.

Durante mucho tiempo, los estadísticos han utilizado dos recetas principales para este mapa: una por Beasley y Springer (muy precisa, pero lenta de cocinar) y otra por Abramowitz y Stegun (un poco más rápida, pero menos precisa).

Paul Voutier, el autor de este artículo, quería una receta que fuera más rápida que las otras, incluso si eso significaba sacrificar un poco de precisión. Aquí tienes el desglose sencillo de lo que hizo:

1. La Estrategia: Dividir la Cocina

El autor se dio cuenta de que el "mapa" se comporta de manera diferente en el centro de la habitación frente a las esquinas.

El Centro (Región Central): Aquí es donde ocurre la mayor parte de la acción. Aquí, el mapa es suave y predecible.
Las Esquinas (Las Colas): Estos son los extremos (probabilidades muy bajas o muy altas). Aquí, el mapa se vuelve complicado y requiere operaciones matemáticas costosas y que consumen mucho tiempo (como raíces cuadradas y logaritmos) para ser calculadas.

La Forma Antigua: La receta de Beasley-Springer utilizaba una herramienta muy compleja y de alta precisión para la sección media. Era precisa, pero tardaba mucho tiempo en computarse.

La Nueva Forma: Voutier decidió usar una herramienta más simple y ligera para la sección media. Cambió una máquina pesada y compleja por una herramienta de mano rápida y eficiente.

Él lo llama un esquema (2, 2). Imagínalo como una simple escalera de 2 peldaños en lugar de una escalera de caracol de 5 peldaños.
Para las esquinas complicadas (las colas), utilizó una herramienta ligeramente diferente y un poco más compleja (un esquema (3, 2)) para asegurar que el mapa no se rompiera en los bordes.

2. El Intercambio: Velocidad frente a Perfección

Voutier admite que su nuevo mapa no es tan perfectamente preciso como el de Beasley-Springer.

Beasley-Springer: Como un maestro relojero; su error es microscópico (menos de 1 en mil millones).
El Nuevo Método de Voutier: Como un reloj de bolsillo muy bueno; su error sigue siendo diminuto (menos de 1 en 40,000), pero no es tan perfecto.

Sin embargo, el artículo argumenta que para muchos trabajos del mundo real (como la gestión de mercados financieros), ser "suficientemente bueno" está bien, siempre y cuando obtengas la respuesta mucho más rápido.

3. Los Resultados: La Carrera

El autor puso sus nuevas recetas a prueba contra las antiguas usando una computadora (una portátil Dell con un procesador Intel). Ejecutó los cálculos 200,000 veces para ver quién era el más rápido.

Aquí está cómo quedaron (en milisegundos):

Abramowitz-Stegun (Estándar Antiguo): 25,210 ms (El más lento)
Beasley-Springer (El Preciso): 10,212 ms (El punto medio)
El Nuevo Método de Voutier (Rat22A): 8,052 ms (¡Más rápido!)
El Método Optimizado de Voutier (Rat22B): 6,649 ms (¡El Ganador!)

La Gran Victoria: La versión más rápida de Voutier fue casi 4 veces más rápida que el estándar antiguo y aproximadamente 1.5 veces más rápida que el altamente preciso método de Beasley-Springer.

4. Por qué es Importante

El artículo destaca una lección clave: A veces, hacer menos matemáticas es mejor.
Al hacer la parte "central" del cálculo más simple, la computadora no tuvo que realizar tantas operaciones de gran esfuerzo (como raíces cuadradas y logaritmos). Aunque estas operaciones pesadas solo ocurren en los extremos de los datos, reducirlas a la mitad ahorró casi el 20% del tiempo total.

Resumen

Paul Voutier construyó una calculadora nueva y optimizada para un mapa estadístico específico. No es el mapa más preciso del mundo, pero es el más rápido disponible. Si tienes prisa (como en el trading financiero de alta velocidad) y puedes tolerar un pequeño error de redondeo, este nuevo método es la mejor herramienta para el trabajo.

Resumen Técnico: Una Nueva Aproximación a la Función Cuantil de la Distribución Normal

Planteamiento del Problema
El artículo aborda la necesidad de una aproximación computacionalmente eficiente de la función cuantil de la distribución normal, $N^{-1}(x)$ , que es la inversa de la función de distribución acumulativa (CDF). Aunque los métodos existentes, como la aproximación de Beasley-Springer [3] y la de Acklam [2], ofrecen una alta precisión, el autor identifica un requisito específico para un método que priorice la velocidad manteniendo resultados "razonablemente precisos" (específicamente, un error absoluto máximo inferior a $4.5 \cdot 10^{-4}$ , comparable a la aproximación de Abramowitz-Stegun [1]). El desafío principal es reducir el costo computacional de las operaciones costosas, específicamente los logaritmos y las raíces cuadradas, que son típicamente requeridos para los cálculos de las colas.

Metodología
El enfoque propuesto sigue el marco establecido de separar el dominio en una amplia región central y colas estrechas, aprovechando la simetría impar de $N^{-1}(x - 1/2)$ . Sin embargo, el autor introduce una modificación a los esquemas de funciones racionales utilizados para la aproximación:

Aproximación de la Región Central:
- En lugar de los esquemas de orden superior utilizados por Beasley-Springer (un esquema (3,4)) o Acklam (un esquema (5,5)), este artículo propone un esquema (2,2) para la región central.
- La función se define como $f(p) = q \frac{a_2 r^2 + a_1 r + a_0}{r^2 + b_1 r + b_0}$ , donde $q = p - 0.5$ y $r = q^2$ .
- Se presentan dos variaciones:
  - Rat22A: Utiliza límites en $p = 0.0465$ y $p = 0.9535$ .
  - Rat22B: Utiliza límites más amplios en $p = 0.025$ y $p = 0.975$ para reducir aún más la frecuencia de los cálculos de las colas.
- Los coeficientes se derivaron utilizando la función minimax del paquete numapprox de Maple para minimizar el error absoluto máximo (aproximación de Chebyshev).
Aproximación de la Región de las Colas:
- Para las colas ( $p < 0.0465$ y $p > 0.9535$ ), se emplea un esquema (3,2).
- La aproximación utiliza la variable $r = \sqrt{\log(1/p^2)}$ (o $\sqrt{\log(1/(1-p)^2)}$ para la cola superior).
- La función se define como una función racional de $r$ : $f_{tail}(p) = \frac{c_3 r^3 + c_2 r^2 + c_1 r + c_0}{r^2 + d_1 r + d_0}$ .
- Los coeficientes fueron igualmente optimizados utilizando el algoritmo minimax de Maple.
Técnicas de Optimización:
- Las funciones racionales están estructuradas para minimizar el número de multiplicaciones (por ejemplo, normalizando el denominador para que el coeficiente principal sea 1).
- La región central más amplia (Rat22B) está diseñada específicamente para reducir el número de veces que se deben ejecutar las operaciones costosas de log y sqrt.

Contribuciones Clave y Resultados

Precisión: La nueva aproximación (2,2) central logra un error absoluto máximo de aproximadamente $2.5 \cdot 10^{-5}$ $2.5 \cdot 1 0^{- 5}$ en la región central y $2.458 \cdot 10^{-5}$ $2.458 \cdot 1 0^{- 5}$ en las colas. El error absoluto máximo total es inferior a $2.5 \cdot 10^{-5}$ $2.5 \cdot 1 0^{- 5}$ .
- Nota sobre la Precisión: El autor reconoce explícitamente que esto es menos preciso que la aproximación de Beasley-Springer (que tiene un error inferior a $1.85 \cdot 10^{-9}$ en la región central) y la aproximación de Acklam.
Desempeño: La principal contribución es la velocidad. Las pruebas de rendimiento realizadas en un Dell Inspiron 1525 (Intel Core 2 Duo T5800, 2.00 GHz) usando Java (JDK 1.6.0 17) sobre 200,000 iteraciones arrojaron los siguientes resultados:
- Abramowitz-Stegun (AS): 25,210 ms
- Beasley-Springer (BS): 10,212 ms
- Rat22A (Nuevo, región central estrecha): 8,052 ms
- Rat22B (Nuevo, región central amplia): 6,649 ms
Ganancias de Eficiencia: Las nuevas aproximaciones son significativamente más rápidas que los métodos existentes. La comparación entre Rat22A y Rat22B demuestra que reducir el subconjunto de valores que requieren cálculos de log y sqrt en aproximadamente un 50% (al expandir la región central) redujo el tiempo de CPU en casi un 20%.

Significancia y Reivindicaciones
El artículo postula que, si bien la aproximación propuesta sacrifica algo de precisión en comparación con métodos de vanguardia como Beasley-Springer, la compensación está justificada por la ganancia sustancial en velocidad de ejecución. El autor afirma que un margen de error inferior a $2.5 \cdot 10^{-5}$ es "suficiente para muchas aplicaciones", citando específicamente los mercados financieros como un dominio donde la velocidad es crucial.

Además, el artículo revisita las aproximaciones de Abramowitz-Stegun (Ecuaciones 26.2.22 y 26.2.23 en [1]). El autor presenta coeficientes mejorados para estas ecuaciones que ofrecen más de cinco veces la precisión de las originales dentro del rango representable estándar de IEEE-754, aunque la precisión decae a medida que el rango se acerca a los extremos de 0 y 1.

En resumen, el trabajo proporciona una alternativa "más rápida" a las aproximaciones establecidas de la función cuantil, priorizando el tiempo de ejecución para aplicaciones donde el límite de error ligeramente superior sigue siendo aceptable.