Versi on preliminar

Construyendo la integral estoc astica de It o

Luis Rinc on Departamento de Matem aticas Facultad de Ciencias UNAM Circuito Exterior de CU 04510 M exico DF lars@fciencias.unam.mx
Resumen Se presenta de una forma sencilla y breve el concepto de integral estoc astica de It o respecto del movimiento Browniano. Con ello se ilustra adem as la noci on de ecuaci on diferencial estoc astica mediante algunos ejemplos.

El presente documento es una versi on modicada de las notas del curso corto de ecuaciones diferenciales estoc asticas impartido por el autor durante el congreso nacional de matem aticas de la SMM celebrado en la ciudad de Ensenada en 2004. Es cada vez m as com un hablar de modelos basados en ecuaciones diferenciales estoc asticas en los u ltimos cursos de algunas carreras de ciencias y nuestro objetivo en este trabajo es el de presentar de una forma sencilla y compacta el concepto de integral de It o respecto del movimiento Browniano y con ello ilustrar el concepto de ecuaci on estoc astica. Nuestra intenci on es proveer de un panorama introductorio y global al tema sin buscar el contexto general o condiciones m nimas para obtener los resultados enunciados. El plan de trabajo es el siguiente. Empezaremos recordando algunas ideas b asicas de probabilidad y procesos estoc asticos, particularmente mencionaremos algunas propiedades del movimiento Browniano. Deniremos despu es la 1

integral de It o respecto de este proceso en una serie de extensiones sucesivas, y nalmente mostraremos el concepto de ecuaci on estoc astica.

1.

Probabilidad y procesos estoc asticos

El modelo matem atico b asico de la teor a de la probabilidad es el espacio de probabilidad, que consta de una terna ordenada (, F , P ) en donde es un conjunto arbitrario que convenientemente puede ser interpretado como el conjunto de todos los posibles resultados de un experimento aleatorio. Al conjunto se le llama espacio muestral, y a un elemento t pico de se le denota por . El segundo elemento es una colecci on no vac a F de subconjuntos de , llamada - algebra, que es cerrada bajo las operaciones de tomar complementos y uniones numerables. A los elementos de F , subconjuntos de , se les llama eventos o conjuntos medibles. Finalmente el tercer elemento es una funci on P : F [0, 1], llamada medida de probabilidad, que cumple los siguientes axiomas (Kolmogorov, 1933): P () = 1 y es -aditiva, es decir, si A1 , A2 , . . . es una sucesi on de eventos, disjuntos dos a dos, entonces P(

An ) =

n=1

n=1

P (An ).

Las leyes del azar est an representadas por las distintas medidas de probabilidad existentes. El n umero P (A) es una medida de la frecuencia con la que se observa el evento A cuando se realiza el experimento aleatorio. Todo lo que se mencione en el resto del curso tiene como estructura base un espacio de probabilidad (, F , P ). A la pareja (, F ) se le llama espacio medible. En particular, si B(R) denota la - algebra m as peque na que contiene a todos los intervalos abiertos de R, entonces se tiene el espacio medible (R, B (R)). A los elementos de la - algebra B(R) se les llama Borelianos o conjuntos Borel medibles. Ahora podemos recordar el concepto ubicuo de variable aleatoria. Una v.a. es una funci on X : R que transforma a los elementos de en n umeros reales y es tal que para cualquier B B(R), el conjunto X 1 B = { : X ( ) B } es un elemento de F . En este caso tambi en se dice que X es una funci on medible entre los espacios medibles (, F ) y (R, B (R)), o simplemente que 2

Figura 1: Andrey Nikolaevich Kolmogorov (Rusia, 1903-1987).

es F -medible. Mediante una de estas funciones uno puede pensar que el azar no escoge elementos de como resultados del experimento aleatorio, sino n umeros reales. Las operaciones b asicas de suma, diferencia, producto y cociente (cuando existe) de v.a.s producen v.a.s. Procesos l mite de v.a.s (cuando existen) resultan tambi en ser v.a.s. El espacio medible (R, B (R)) puede convertirse en un espacio de probabilidad con la ayuda de una variable aleatoria X de la siguiente manera. Para cada B B (R) se dene PX (B ) = P (X 1 B ). La funci on PX resulta ser una medida de probabilidad sobre B (R). Se le llama la distribuci on de X , y encierra en ella toda la informaci on probabil stica de X . Equivalentemente se estudia la funci on F (x) : R [0, 1] dada por F (x) = P (X x) llamada funci on de distribuci on de X . Por ejemplo, la variable X tiene una distribuci on normal o gausiana con par ametros y 2 > 0 si su funci on de distribuci on es x 1 2 2 F (x) = e(u) /2 du. 2 2

En este caso se dice que X tiene distribuci on N(, 2 ). De particular importancia es el concepto de esperanza de una variable aleatoria o m as generalmente de una funci on de una variable aleatoria. Si g es una funci on real de variable real tal que la composici on g (X ) es una variable aleatoria, entonces

se dene la esperanza de g (X ) como sigue E (g (X )) = g (x)dF (x),

en donde F (x) es la funci on de distribuci on de X y la integral involucrada es una integral de Riemann-Stieltjes sobre la cual se asume su existencia. En particular, cuando g (x) = x se obtiene la esperanza de X denotada por E (X ) y cuando g (x) = (x E (X ))2 entonces se obtiene la varianza de X denotada por Var(X ). Para la distribuci on normal mencionada antes puede demostrarse que E (X ) = y Var(X ) = 2 . M as generalmente, la esperanza condicional de una variable aleatoria integrable X , dada una sub- - algebra G F , es una variable aleatoria, denotada usualmente por E (X |G ), que es integrable, G -medible y satisface la igualdad E (X |G )dP = XdP
G G

para cualquier G G . Estas tres propiedades caracterizan de manera u nica (en el sentido casi seguro) a la esperanza condicional. Particularmente haremos uso de las siguientes propiedades. Si X es G -medible entonces X mismo cumple con la denici on de esperanza condicional y por lo tanto E (X |G ) = X . Por otro lado tambi en usaremos el hecho de que si X es independiente de G entonces la esperanza condicional E (X |G ) es la constante E (X ). El siguiente concepto de nuestro inter es es el de proceso estoc astico. Un proceso estoc astico es una colecci on de variables aleatorias {Xt : t T} parametrizada por un conjunto T, usualmente interpretado como un conjunto de tiempos y llamado naturalmente espacio parametral. Se dice que el proceso es a tiempo discreto en caso de que el conjunto de ndices T sea un conjunto discreto, por ejemplo T = {0, 1, 2, . . .}. En este caso el proceso consiste de una sucesi on de variables aleatorias. En cambio se dice que el proceso es a tiempo continuo cuando T consiste de un subintervalo de R, por ejemplo T = (a, b). En lo sucesivo consideraremos procesos en donde las v.a.s toman valores en R y el espacio parametral T es el intervalo [0, ). Un proceso estoc astico es entonces una funci on de dos variables X : [0, ) R tal que para cada t 0, la funci on Xt ( ) es una variable aleatoria, mientras que para cada en , la funci on t Xt ( ) es una trayectoria 4

del proceso. En principio no hay ninguna condici on sobre estas trayectorias, pueden ser continuas o no serlo, aunque una hip otesis com un es suponer trayectorias c` adl` ag, es decir, continuas por la derecha con l mite por la izquierda. Por simplicidad denotaremos un proceso por Xt anteponiendo tal adjetivo para evitar confusiones. Revisamos a continuaci on algunos conceptos t ecnicos generales relativos a procesos estoc asticos. Una familia (Ft )t0 de - algebras es una ltraci on si para 0 s t, se cumple Fs Ft F . Al espacio (, F , P, (Ft )t0 ) se le llama espacio de probabilidad ltrado. Cuando Xt es Ft -medible para cada t 0 entonces se dice que el proceso es adaptado a la ltraci on. Todo proceso estoc astico Xt determina una ltraci on natural dada por Ft = {Xs : 0 s t}. Claramente todo proceso es adaptado a su ltraci on natural. En este caso a la - algebra Ft se le interpreta como la historia del proceso al tiempo t, pues en ella se encuentran todos los posibles eventos o sucesos que el proceso haya tenido hasta el tiempo t. Adicionalmente se dice que una ltraci on es continua por la derecha cuando Ft+ = s>t Fs coincide con Ft . Es de utilidad tambi en conocer alguna noci on de igualdad entre procesos estoc asticos. Dos procesos Xt y Yt son equivalentes, o tambi en se dice que uno es una versi on (o modicaci on) del otro, si para cada t 0 se cumple P (Xt = Yt ) = 1. Un tipo de igualdad m as fuerte establece que los procesos son indistinguibles si P (Xt = Yt para cada t 0) = 1.

Esto signica que con probabilidad uno las trayectorias de los dos procesos son id enticas. Claramente la indistinguibilidad es m as fuerte que la equivalencia. Sin embargo, cuando los procesos son continuos, es decir, cuando sus trayectorias son funciones continuas del par ametro, ambas nociones de igualdad coinciden. Una caracter stica importante que cumplen algunos procesos es la de tener incrementos independientes. Esta propiedad, que usaremos m as adelante, puede escribirse de la siguiente forma. Para cualesquiera tiempos t0 < t1 < < tn , las variables incremento Xt1 Xt0 , . . . , Xtn Xtn1 son independientes, es decir, la funci on de distribuci on conjunta de todas ellas coincide con el producto de las funciones de distribuci on individuales. Finalmente, para concluir esta breve secci on mencionaremos a continuaci on dos tipos de procesos de conocida relevancia. Un proceso estoc astico Xt es de Markov (Markov, 1906) si para cada 0 5

s t y A B (R), con probabilidad uno se cumple P (Xt A|Fs ) = P (Xt A|Xs ). Esta igualdad establece que el estado del proceso al tiempo futuro t > s es independiente del pasado (tiempos antes de s) dado el estado del proceso al tiempo presente s 0. Esta propiedad es equivalente a la que exhiben los sistemas din amicos deterministas, cuya evoluci on queda perfectamente determinada una vez que se establece la ley de movimiento y un estado inicial del sistema, no inuyendo lo sucedido antes del estado inicial. Un proceso de Markov determina por tanto una funci on de probabilidad de transici on dada por p(s, x, t, A) = P (Xt A|Xs = x) en donde 0 s t, x R y A B(R). Esta funci on de cuatro variables proporciona la probabilidad de que el proceso se encuentre en A al tiempo t dado que se encontr o en el estado x en un tiempo anterior s. Inversamente, dada una funci on de transici on de esta forma (junto con algunas hip otesis adicionales) y una distribuci on de probabilidad inicial, es posible construir un proceso de Markov cuya funci on de transici on es la dada. Otro ejemplo de proceso estoc astico de inter es es aquel conocido con el nombre de martingala. Un proceso Xt es una martingala (L evy) si es adaptado, integrable y para 0 s t, con probabilidad uno se cumple E (Xt |Fs ) = Xs . (1) Las martingalas son procesos que estan relacionados con los juegos justos. Si Xt representa la fortuna de un jugador que apuesta continuamente entonces la igualdad anterior se interpreta del siguiente modo. En promedio la fortuna del jugador al tiempo t dada toda la historia del juego hasta el tiempo s t es la fortuna del jugador al tiempo s, es decir, el juego es justo pues el jugador en promedio no pierde ni gana. Cuando en lugar de (1) se cumple E (Xt |Fs ) Xs se dice el proceso es una supermartingala (juego desfavorable al jugador pues en promedio su fortuna disminuye). En caso de la desigualdad contraria el proceso es una submartingala (juego favorable al jugador). El cl asico libro de Karlin y Taylor [8] constituye una excelente referencia general sobre el tema de los procesos estoc asticos. En la siguiente secci on estudiaremos muy brevemente el proceso estoc astico de trayectorias continuas que posiblemente pueda considerarse de mayor importancia. 6

2.

Movimiento Browniano

El fen omeno natural conocido ahora como movimiento Browniano tiene una larga e interesante historia. El primer registro, aunque no as la primera observaci on del fen omeno, data de 1828 (v ease [1]) cuando el bot anico Robert Brown report o en una revista cient ca que granos de polen suspendidos en una cierta substancia y vistos a trav es de un microscopio, realizaban un movimiento irregular e inexplicable. Este extra no movimiento fue objeto de muchas discusiones, y muy diversas hip otesis fueron formuladas en ese entonces con la intenci on de dar una explicaci on al fen omeno observado. Hoy en d a este movimiento es entendido y explicado a trav es de las m ultiples colisiones aleatorias de las mol eculas del l quido con los granos de polen. Llegar a tal aseveraci on tom o muchos a nos pues debi o aceptarse la teor a cin etico molecular de la materia, y el seminal trabajo de Einstein de 1905 sobre el movimiento Browniano [4] contribuy o decididamente a tal tarea. Las observaciones reales y directas del movimiento de los granos de polen u otras part culas sugieren que el fen omeno satisface las siguientes propiedades: (a) El movimiento es continuo. (b) Parece tener desplazamientos independientes en intervalos de tiempo disjuntos. (c) Debido al gran n umero de colisiones del grano de polen con las mol eculas circundantes en longitudes de tiempo no peque nos, y teniendo en cuenta el teorema del l mite central, los incrementos pueden modelarse como variables aleatorias gausianas. La estructura matem atica de un proceso estoc astico, es decir una colecci on de variables aleatorias {Bt : t 0}, ha resultado exitosa para modelar este tipo de fen omenos. La variable Bt puede entonces interpretarse como la posici on de una part cula Browniana al tiempo t. La denici on matem atica, en el caso unidimensional, es la siguiente. Denici on 1 Un movimiento Browniano est andar unidimensional es un proceso estoc astico {Bt : t 0} tal que 1. B0 = 0 casi seguramente. 2. Las trayectorias t Bt son continuas. 3. El proceso tiene incrementos independientes. 4. La variable Bt Bs tiene distribuci on N (0, t s) para 0 s < t. 7

Las condiciones que aparecen en esta denici on son consecuencia directa de las observaciones del fen omeno f sico, pero ello no garantiza que tal objeto matem atico exista. En 1923 el matem atico norteamericano Norbert Wiener demostr o la existencia de un proceso con tales condiciones. Es por esta raz on que a menudo a este proceso tambi en se le llama proceso de Wiener y se le denota tambi en por {Wt : t 0}. En sentido estricto el movimiento Browniano es el fen omeno f sico mientras que su modelo matem atico es el proceso de Wiener, aunque es com un llamar a ambas cosas por el mismo nombre: movimiento Browniano.

Figura 2: Norbert Wiener (Estados Unidos, 1894-1964). Fuente: Archivo MacTutor,

St. Andrews.

Se tiene entonces que cada variable aleatoria Bt tiene distribuci on N (0, t) y 2 ) = t. En particular para 0 s < t por lo tanto E (Bt ) = 0 y Var(Bt ) = E (Bt se cumple E |Bt Bs |2 = t s. El movimiento Browniano f sico se presenta en tres dimensiones y es completamente err atico. En la Figura 3 puede apreciarse una posible trayectoria Browniana cuando esta se proyecta sobre una de sus coordenadas. Este movimiento tiene muchas propiedades y conexiones con otras ramas de las matem aticas, por ejemplo es un proceso de Markov y es tambi en una martingala continua. Es interesante tambi en mencionar que casi todas sus 8

Figura 3: Una trayectoria Browniana.

trayectorias son no diferenciables en ning un punto, las trayectorias Brownianas son entonces ejemplos de funciones, otrora consideradas extra nas, que son continuas pero no diferenciables en ning un punto. Tambi en puede demostrarse que sobre un intervalo de tiempo nito [a, b], casi todas las trayectorias tienen variaci on no acotada. Esto es,
n 1

sup

i=1

|Bti+1 Bti | = ,

en donde es una partici on a = t0 < t1 < < tn = b del intervalo [a, b]. Esta propiedad es particularmente importante en el presente trabajo pues tiene como consecuencia el hecho de que no se pueden usar las trayectorias Brownianas como integradores en el sentido de Riemann-Stieltjes. Por otro lado puede demostrarse que la variaci on cuadr atica sobre [a, b] es
n 1

sup

i=1

|Bti+1 Bti |2 = b a.

Otro de los muchos resultados interesantes del movimiento Browniano es el teorema de caracterizaci on de Paul L evy que establece que un proceso cualquiera {Xt : t 0} es un movimiento Browniano si y s olo si tiene 2 t : trayectorias continuas, empieza en cero, y tanto {Xt : t 0} como {Xt 9

t 0} son martingalas. A trav es de este resultado o directamente de la denici on, puede demostrarse que los siguientes procesos son versiones del movimiento Browniano: a) Xt = 1 c Bc2 t con c > 0 constante, b) Xt = tX1/t para t > 0, con X0 = 0, c) Xt = Bt+s Bs con s 0 jo. El lector interesado puede encontrar una muy interesante y motivadora exposici on hist orica sobre el descubrimiento del movimiento Browniano en el excelente libro de Edward Nelson [12], ahora disponible en la red en formato electr onico en la p agina web del autor. Para una primera introducci on a algunos aspectos matem aticos del movimiento Browniano puede consultarse por ejemplo [8].

3.

Integraci on estoc astica

Esta secci on es la parte central de nuestro trabajo y la intenci on es denir la integral de It o de un proceso estoc astico {Xt : 0 t T } respecto del movimiento Browniano, es decir, una integral de la forma T Xt dBt . (2)
0

Llevar a cabo tal tarea nos conducir a a enunciar sin demostraci on algunos resultados t ecnicos pero los esfuerzos tendr an su recompensa hacia el nal del curso donde haremos necesariamente uso de este tipo de integrales. Igualmente la justicaci on para desear denir integrales de la forma (2) se volver a evidente m as adelante. Se dene (2) en varios pasos. Primero para procesos simples y despu es, por aproximaci on, para procesos m as generales. Consideraremos entonces como elementos iniciales un espacio de probabilidad (, F , P ) y un movimiento Browniano est andar unidimensional {Bt : t 0} junto con su ltraci on natural (Ft )t0 . Asumiremos que el proceso {Xt : 0 t T } visto como funci on X : [0, T ] R es FT B [0, T ]-medible, y es adem as adaptado, es decir, para cada t en [0, T ], la funci on Xt : R es Ft -medible. Denotaremos por L2 (P ) al espacio vectorial de variables aleatorias X que son cuadrado integrables, es decir, que cumplen la condici on ||X ||L2 (P ) = (E |X |2 )1/2 < .

10

La funci on X ||X ||L2 (P ) dene una norma1 en L2 (P ) y este espacio es completo respecto de esta norma, es decir, es una espacio de Banach. Esto quiere decir que toda sucesi on de Cauchy en este espacio tiene l mite en el. En lo que resta del curso consideraremos procesos con espacio parametral el intervalo [0, T ] con T > 0 jo. Tambi en denotaremos por L2 (P dt) al espacio de Banach de procesos {Xt : 0 t T } que cumplen la condici on ||X ||L2 (P dt) = (E
T 0

|Xt |2 dt)1/2 < .

Paso 1: Integral para procesos simples. Sea 0 = t0 < t1 < < tn1 < tn = T una partici on nita del intervalo [0, T ]. Un proceso estoc astico simple es un proceso de la forma Xt =
n 1 k=0

X k 1[tk ,tk+1 ) (t),

en donde X k es una variable aleatoria Ftk -medible y cuadrado integrable. La expresi on 1[a,b) (t) corresponde a la funci on indicadora del intervalo [a, b). Un proceso simple es entonces un proceso constante por pedazos con trayectorias c` adl` ag, y las condiciones solicitadas garantizan que el proceso es adapta2 al espacio do y tiene trayectorias cuadrado integrables. Denotaremos por H0 vectorial de todos los procesos estoc asticos simples. La integral estoc astica de It o de un proceso simple X respecto del movimiento Browniano, denotada por I (X ), se dene entonces naturalmente como la variable aleatoria I (X ) =
n 1 k=0

X (Btk+1 Btk ) =
k

Xs dBs .

Observe que esta integral es una variable aleatoria integrable pues es evidente que su esperanza es cero. Adem as es cuadrado integrable y cumple la siguiente igualdad fundamental llamada isometr a de It o, ||I (X )||L2 (P ) = ||X ||L2 (P dt) .
1

(3)

Una norma es una funci on real denotada regularmente por || || y denida sobre un espacio lineal que cumple: ||x|| 0, ||x|| = 0 x = 0, ||x + y || ||x|| + ||y || y ||x|| = ||||x||.

11

En efecto, si Bk denota la diferencia Btk+1 Btk , y tk = tk+1 tk entonces ||I (X )||2 L2 (P ) = E (| = E( = E( =

n 1

j,k=0 n 1

k=0 n 1

X k (Btk+1 Btk )|2 ) X j X k Bj Bk )

(X k )2 (Bk )2 )

= E(

k=0 n 1 k=0 0

E (X k )2 tk
T

|Xt |2 dt)

= ||X ||2 L2 (P dt) . Hemos usado el hecho de que Xk es Ftk -medible y teniendo el movimiento Browniano incrementos independientes, las variables Xk y Bk resultan ser independientes. Esta igualdad juega un papel primordial en la denici on de integral estoc astica como se ver a m as adelante. La integral estoc astica asigna 2 una variable aleatoria dentro del entonces a cada elemento del espacio H0 2 L2 (P ), que espacio L2 (P ). De esta forma se tiene el mapeo lineal I : H0 resulta ser continuo por la isometr a de It o. Paso 2: Extensi on por aproximaci on. Ahora extendemos la integral estoc astica a procesos un poco m as generales. Sea H2 el espacio de todos los procesos {Xt : 0 t T } medibles y adaptados tales que T E( |Xt |2 dt) < .
0

El espacio H2 resulta ser un subespacio lineal cerrado de L2 (P dt). Observe que la u nica diferencia entre estos dos espacios es que a los elementos de H2 se les pide que sean medibles y adaptados. Claramente todo proceso simple es un elemento de H2 . Tenemos entonces la contenci on de espacios 2 2 2 2 H0 H L (P dt), en donde puede probarse que H0 es denso en H2 respecto de la norma en L2 (P dt). Esto signica que para cualquier proceso 2 tales que X en H2 existe un sucesi on de procesos X k en H0
k

l m ||X X k ||L2 (P dt) = 0. 12

(4)

Este procedimiento de aproximaci on puede llevarse a cabo de la siguiente forma. Mediante la t ecnica de truncaci on todo proceso en H2 puede ser aproximado por un proceso acotado. A su vez todo proceso en H2 que es acotado se puede aproximar por procesos acotados y continuos. Y estos a su vez se aproximan por procesos simples de la forma
n j =0

Xtj 1[tj ,ttj +1 ) (t),

en donde 0 = t0 < t1 < < tn1 < tn = T una partici on nita de [0, T ]. Los detalles completos de esta sucesi on de aproximaciones pueden encontrarse en [13]. Por la isometr a de It o, la sucesi on I (X k ) es una sucesi on 2 de Cauchy en el espacio L (P ). En efecto, ||I (X k ) I (X l )||L2 (P ) = ||I (X k X l )||L2 (P ) = ||X k X l ||L2 (P dt) ||X X k ||L2 (P dt) + ||X X l ||L2 (P dt) . Debido a (4) la u ltima expresi on puede hacerse tan peque na como se desee tomando ndices k y l sucientemente grandes. Entonces de manera natural se dene, para cada X en H2 , I (X ) = l m I (X k )
k

en donde el l mite debe entenderse dentro del espacio L2 (P ). Esto signica que la variable aleatoria I (X ) es un elemento de L2 (P ) y es tal que l mn ||I (X ) I (X k )||L2 (P ) = 0. No es dif cil vericar que tal denici on es correcta en el sentido de que el l mite no depende de la sucesi on aproximante. La isometr a de It o y la propiedad de esperanza nula se cumplen tambi en para procesos en H2 . De esta forma tenemos ahora el mapeo lineal y continuo I : H2 L2 (P ). Paso 3: La integral como un proceso. Hagamos ahora una peque na extensi on. Para cada t en [0, T ] y para X en H2 se dene T t It (X ) = Xs 1[0,t] (s)dBs = Xs dBs .
0 0

Esto permite ver a la integral estoc astica no como una variable aleatoria sino como un proceso. Es claro que tal proceso no es necesariamente continuo sin embargo puede demostrarse que existe una versi on continua de el, y que esa 13

versi on es una martingala respecto de la ltraci on natural del movimiento Browniano. Denotaremos por el mismo s mbolo a tal martingala continua. Paso 4: Extensi on por localizaci on. Mediante un procedimiento llamado de localizaci on es posible extender la denici on de integral de It o a procesos medibles y adaptados que cumplen la condici on m as relajada T P( |Xt |2 dt < ) = 1.
0

Denotaremos por L2 loc el espacio de todos estos procesos. Este procedimiento de localizaci on hace uso de tiempos de paro. Los tiempos de paro relativos a una ltraci on (Ft )t0 son variables aleatorias : [0, ] tales que para cada t 0, el evento ( t) pertenece a Ft . Cuando la ltraci on es continua por la derecha, la condici on anterior es equivalente a ( t) Ft . 2 y es tal que para cada proceso X en El nuevo espacio L2 contiene a H loc L2 on creciente de tiempos de paro {n : n 1} tal que loc existe una sucesi Xt 1(n t) H2 en donde n T cuando n crece a innito. Se dene entonces la integral estoc astica t T Xs dBs = l m Xs 1[0,t] (s) 1(n t) ( )dBs .
0 n 0

Nuevamente es posible demostrar que tal l mite existe, que existe una versi on continua de tal l mite, y que es independiente de la sucesi on de tiempos de paro localizante. En este caso la integral ya no es una martingala sino una martingala local, es decir, el proceso Itn (X ) es una martingala para cada natural n. En particular, para cualquier funci on continua f el proceso {f (Bt ) : 0 t T } tiene trayectorias continuas y acotadas, por lo tanto es un elemento de L2 on loc y tiene sentido la expresi t f (Bs )dBs .
0

Finalmente mencionaremos que es posible demostrar la integral anterior puede ser calculada mediante el siguiente l mite cuya convergencia es en probabilidad
t

f (Bs )dBs = l m

Con esto concluimos la serie de ideas generales bajo las cuales puede construirse la integral de It o. Las demostraciones de algunos detalles t ecnicos 14

n 1 i=0

f (Bti )(Bti+1 Bti ).

(5)

2 H0

L2 (P )

Aproximaci on

Localizaci on

H2 L2 loc

L2 (P )

L2 (P )

Figura 4: Diagrama para la denici on de la integral estoc astica.

que hemos simplemente mencionado se pueden encontrar en [14]. El esquema simplicado del procedimiento seguido para denir la integral estoc astica se ilustra en la Figura 4. Ejemplo. Con la ayuda de (5) calcularemos la integral estoc astica t Bs dBs .
0

Sea 0 = t0 < t1 < < tn = t una partici on uniforme de [0, t], es decir ti+1 ti = 1/n. Usando la identidad 1 1 a(b a) = (b2 a2 ) (a b)2 2 2
n 1 j =0 n 1 j =0

se obtiene t
0

Bs dBs = =

l m l m

Btj (Btj +1 Btj )

1 2 1 2 [ (Bt Bt ) (Btj +1 Btj )2 ] j +1 j 2 2

1 2 1 = B t. 2 t 2 Observe que el primer t ermino del lado derecho corresponde a las reglas de integraci on usual. El t ermino adicional se conoce como la correcci on de It o. Ahora veamos el cambio en la soluci on cuando modicamos ligeramente la forma de calcular la integral, al hacer la evaluci on del integrando en el extremo derecho de cada subintervalo. Observe que en este caso el proceso a 15

integrar ya no es adaptado y por lo tanto queda fuera de la teor a desarrollada antes. Usando la identidad 1 1 b(b a) = (b2 a2 ) + (a b)2 2 2 se obtiene t
0 n 1 j =0 n 1 j =0

Bs dBs = = =

l m l m

Btj +1 (Btj +1 Btj )

1 2 1 2 [ (Bt Bt ) + (Btj +1 Btj )2 ] j +1 j 2 2

1 2 1 B + t. 2 t 2

El signo del segundo t ermino cambi o de negativo a positivo. Esto muestra que, a diferencia de la integral de Riemann, la integral estoc astica es sensible al punto donde se eval ua el integrando. Al considerar en cambio el promedio de las evaluaciones en los extremos se obtiene la as llamada integral de Stratonovich, denotada de la forma siguiente t 1 2 Bs dBs = Bt . 2 0 Observe que el t ermino adicional de la integral de It o ha desaparecido. La integral de Stratonovich tiene algunas ventajas operacionales pues sigue algunas reglas usuales del c alculo integral, pero vista como proceso deja de ser una martingala. Propiedades de la integral. La integral estoc astica de It o cumple varias propiedades aunque s olo mencionaremos algunas de ellas aqu a manera de resumen de las caracter sticas mencionadas antes. Primeramente debemos 2 mencionar que la integral It : L2 loc L (P ) es lineal, su esperanza es cero y se cumple la isometr a de It o t t 2 E| Xs dBs | = E |Xs |2 ds.
0 0

En particular, para X la integral It (X ) vista como un proceso es una martingala, es decir, es integrable, adaptado y para 0 s t, se cumple E (It (X )|Fs ) = Is (X ). Adem as existe una versi on continua de tal proceso. En general para X L2 , la integral I ( X ) ya no es una martingala sino t loc una martingala local. H2 16

Figura 5: Kiyosi It o (Jap on, 1915). Fuente: Archivo MacTutor, St. Andrews.

4.

Ecuaciones diferenciales estoc asticas

Una ecuaci on diferencial estoc astica es una ecuaci on de la forma dXt = b(t, Xt )dt + (t, Xt )dBt (6)

denida para t en [0, T ] y con condici on inicial la variable aleatoria X0 que se asume F0 -medible e independiente del movimiento Browniano. La inc ognita de esta ecuaci on es el proceso Xt y los coecientes b(t, x) y (t, x) son funciones de [0, T ] R en R y se conocen como los coecientes de tendencia (drift en ingl es o deriva en espa nol) y de difusi on respectivamente. La ecuaci on diferencial (6) se interpreta como la ecuaci on integral t t Xt = X0 + b(s, Xs )ds + (s, Xs )dBs (7)
0 0

en donde la primera es una integral de Riemann mientras que la segunda es una integral estoc astica de It o. Este proceso puede interpretarse como un sistema determinista gobernado por la parte no aleatoria de la ecuaci on pero perturbado por un ruido aditivo dado por la integral estoc astica. A un proceso estoc astico de la forma (7) se le llama proceso de It o y para que esta ecuaci on tenga alguna soluci on se deben imponer condiciones en los coecientes. De manera an aloga al caso determinista, los teoremas b asicos 17

de existencia y unicidad para ecuaciones diferenciales estoc asticas establecen que bajo ciertas condiciones de regularidad para los coecientes b y , la ecuaci on (6) tiene una soluci on u nica, por ejemplo, si b y satisfacen la condici on de Lipschitz en la variable x, |b(t, x) b(t, y )|2 + | (t, x) (t, y )|2 K |x y |2 , y la condici on de crecimiento en x, |b(t, x)|2 + | (t, x)|2 K (1 + |x|2 ), para alguna constante K > 0, entonces existe proceso estoc astico Xt soluci on de (6) que es adaptado, continuo, uniformemente acotado en L2 (P ), es decir, 2 ) < , y es adem sup0tT E (Xt as u nico en el sentido de indistinguibilidad. En este caso a tal soluci on se le llama soluci on fuerte de la ecuaci on. Estos teoremas b asicos no establecen la forma de encontrar la soluci on a una ecuaci on estoc astica dada. La famosa f ormula de It o es el resultado clave para realizar algunos de estos c alculos. Este importante resultado establece que si Xt un proceso de It o dado por (6) y f (t, x) es un funci on de clase 1 2 en un C en t y de clase C en x, entonces el proceso Yt = f (t, Xt ) es tambi proceso de It o y satisface la ecuaci on 1 dYt = ft (t, Xt )dt + fx (t, Xt )dXt + fxx (t, Xt )(dXt )2 2 (8)

en donde los sub ndices indican derivada y (6) se substituye en (8) usando la siguiente tabla de multiplicaci on de McKean, dt dBt dt 0 0 dBt 0 dt

Observe que como las derivadas involucradas son funciones continuas las integrales estoc asticas resultantes est an bien denidas. Por ejemplo, si se 2 y el proceso X = B entonces la f toma f (t, x) = 1 x ormula de It o establece t t 2 que t 1 2 1 Bs dBs = Bt t. 2 2 0 Este mismo resultado hab a sido obtenido antes mediante un procedimiento 3 l mite. Veamos otro ejemplo sencillo. Para la funci on f (t, x) = 1 3 x y Xt = Bt se obtiene t t 1 3 2 Bs dBs = Bt Bt dt. 3 0 0 18

Un ejemplo mas,

Para vericar esta formula puede tomarse el proceso Xt = Bt y la funci on f (t, x) = tx. Entonces 1 d(f (t, Bt )) = ft (t, Bt )dt + fx (t, Bt )dBt + fxx (t, Bt )(dBt )2 2 d(tBt ) = Bt dt + tdBt . Integrando se obtiene la f ormula enunciada.

sdBs = tBt

Bt dt.

5.

Dos modelos simples

Estudiamos ahora dos ejemplos importantes de ecuaciones diferenciales estoc asticas. El primero de ellos con aplicaci on en nanzas y el otro en f sica. Estos modelos son sencillos y podremos encontrarles soluci on expl cita. Movimiento Browniano geom etrico. Suponga que el proceso Xt sigue una ley de movimiento dada por la ecuaci on estoc astica dXt = Xt dt + Xt dBt (9)

con condici on inicial X0 = x0 > 0, en donde y > 0 son constantes. Este ecuaci on es de amplio uso en nanzas para modelar el precio de algunos bienes que uct uan siguiendo los vaivenes de los mercados nancieros. La ecuaci on (9) puede interpretarse de la siguiente forma. En ausencia del t ermino estoc astico la ecuaci on se reduce a dXt = Xt dt con soluci on Xt = x0 et . Esta soluci on representa el comportamiento de un capital inicial x0 > 0 que crece de manera continua y determinista a una tasa efectiva del 100 % suponiendo > 0 2 . Por otro lado la parte estoc astica corresponde a la volatilidad de una inversi on con riesgo sujeta a las uctuaciones de los mercados nancieros. El modelo asume que dicha variabilidad es proporcional al valor de la inversi on.
Esto es equivalente a una tasa continua o nominal del 100 ln(1 + ) %. Por ejemplo si =0.1 entonces al nal de una unidad de tiempo, el capital inicial x0 crecer a a x0 e0.1 = x0 1.10517092= x0 (1+0.10517092) unidades monetarias.
2

19

A mayor valor de la inversi on mayor variaci on en el precio. En la Figura 6 puede apreciarse una trayectoria de este proceso con una inversi on inicial x0 2 de una unidad monetaria y con par ametros = 1 y = 1/2. La curva creciente corresponde al crecimiento determinista de la inversi on cuando no hay aleatoriedad, es decir cuando 2 = 0. Realmente se efectuaron varias simulaciones resultando trayectorias a veces por arriba y a veces por abajo de la curva determinista y eventualmente alg un cruce, pero se decidi o mostrar la presente pues en ella se observa que efectivamente la trayectoria estoc astica sigue la curva determinista y oscila alrededor de ella. El lector interesado en la simulaci on de ecuaciones estoc asticas puede consultar el cl asico y muy completo libro de Kloeden y Platen [9]. Observe que los coecientes de esta ecuaci on satisfacen las condiciones para la existencia y unicidad de la soluci on. Es posible resolver la ecuaci on (9) usando el m etodo de igualaci on de coecientes. Para ello se necesita encontrar una funci on f (t, x) tal que al aplicar la f ormula de It o al proceso Xt = f (t, Bt ) se obtenga la ecuaci on (9). Comparando entonces los coecientes de 1 dXt = ft (t, Xt )dt + fx (t, Xt )dBt + fxx (t, Xt )dt 2 con los de (9) se obtienen las igualdades 1 f (t, x) = ft (t, x) + fxx (t, x), 2 f (t, x) = fx (t, x). De la segunda ecuaci on se obtiene que f (t, x) = exp[ x + g (t)] para alguna 2 funci on g (t). Substituyendo en la primera ecuaci on se obtiene g (t) = 1 2 2 cuya soluci on es g (t) = ( 1 on de (9) es 2 )t. Por lo tanto la soluci 1 Xt = x0 exp[( 2 )t + Bt ]. 2 A este proceso se le llama movimiento Browniano geom etrico y tambi en se le conoce como movimiento Browniano exponencial. Proceso de Ornstein-Uhlenbeck. Considere ahora la ecuaci on estoc astica dXt = Xt dt + dBt (10)

en donde y son constantes positivas. Esta ecuaci on fue propuesta por Ornstein y Uhlenbeck para modelar la variaci on de la velocidad en el movimien20

2.4

1.6

1.2

200

400

600

800

1000

Figura 6: Simulaci on del movimiento Browniano geom etrico.

to difuso de una part cula para tiempos peque nos. La variable Xt se interpreta entonces como la velocidad de la part cula al tiempo t. La parte determinista Xt corresponde a la fuerza de fricci on y el sumando dBt es una perturbaci on aleatoria. Encontraremos la soluci on de (10) suponiendo la condici on inicial X0 = x0 . Considere una soluci on de la forma t Xt = a(t)[x0 + b(s)dBs ] (11)
0

en donde a y b son funciones diferenciables. Derivando (11) y usando la f ormula de It o se obtiene t dXt = a (t)[x0 + b(s)dBs ]dt + a(t)b(t)dBt = a (t) Xt dt + a(t)b(t)dBt . a(t)
0

Comparando con (10) las funciones a y b deben entonces cumplir a (t) = , a(t) 21 a(t)b(t) = .

Suponiendo a(0) = 1 se obtiene a(t) = exp(t) y b(t) = exp(t). Por lo tanto el proceso soluci on de (10), llamado proceso de Ornstein-Uhlenbeck, es Xt = x0 e
t

e(ts) dBs .

Otros modelos de ecuaciones estoc asticas y una gran variedad de aplicaciones pueden encontrarse en el libro de Kloeden y Platen [9]. Para un estudio sistem atico y detallado de estos temas pueden consultarse [3],[5],[7],[13], o [14].

Referencias
[1] Brown R. (1828) A brief account of Microscopical Observations made in the Months of June, July, and August, 1827, on the Particles contained in the Pollen of Plants; and on the general Existence of active Molecules in Organic and Inorganic Bodies, Philosophical Magazine N. S. 4, 161173. [2] Brze zniak Z. y Zastawniak T. (1999) Basic stochastic processes. Springer. [3] Chung K. L. y Williams R. J. (1983) Introduction to stochastic integration. Birkh auser. [4] Einstein A. (1956) Investigations on the theory of the Brownian movement. Dover. [5] Gard T. C. (1988) Introduction to stochastic dierential equations. Marcel Dekker, Inc. [6] Hern andez-Hern andez D. (2004) Movimiento Browniano y ecuaciones de Hamilton-Jacobi. Carta Informativa 42, SMM. [7] Karatzas I. y Shreve S. E. (1991) Brownian motion and stochastic calculus. Springer. [8] Karlin S. y Taylor H. M. (1975) A rst course in stochastic processes. Academic Press, Inc. [9] Kloeden P. E. y Platen E. (1999) Numerical solution of stochastic differential equations. SpringerVerlag. 22

[10] Korn R. y Korn E. (2001) Option pricing and portfolio optimization: modern methods of nancial mathematics. Graduate Studies in Mathematics 31. AMS. [11] Le on J. A. (2001) Una introducci on a las ecuaciones diferenciales estoc asticas. Carta Informativa, SMM. [12] Nelson E. (1967) Dynamical theories of Brownian motion. Princeton University Press. [13] ksendal B. (1992) Stochastic dierential equations: an introduction with applications. SpringerVerlag. [14] Steele J. M. (2001) Stochastic calculus and nancial applications. SpringerVerlag.

23