UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

(Universidad del Per, DECNA DE AMRICA)

FACULTAD DE ING. GEOGRAFICA MINERA METALURGICA Y

GEOGRAFICA
E.A.P ING. DE MINAS

ANLISIS MATEMATICO III

ECUACIONES DIFERENCIALES ESTOCASTICAS

DOCENTE: JUAN RAYMUNDO FERNANDEZ

ALUMNO: HIDALGO BRUNA DANIEL FRANCISCO

2015

Ecuaciones diferenciales estocsticas

Introduccin.
Este trabajo constituye una exposicin elemental al tema de ecuaciones estocsticas a
tiempo continuo en su versin ms simple. La intencin es la de proporcionar un
panorama introductorio al tema sin buscar el contexto general o las condiciones
mnimas para que los resultados enunciados permanezcan vlidos. La integral
estocstica que se utiliza es la establecida por It y se usa esta nicamente respecto del
movimiento Browniano.
El trabajo consta de las siguientes partes: Se inicia recordando algunas ideas bsicas de
probabilidad y procesos estocsticos. Particularmente se define el movimiento
Browniano y se mencionan algunas de sus propiedades. Se construye despus la integral
de It respecto de este proceso en una serie de extensiones sucesivas. Se muestran
algunos aspectos de la teora de ecuaciones estocsticas.
Probabilidad
El modelo matemtico bsico de la teora de la probabilidad es el as llamado espacio de
probabilidad, que consta de una terna ordenada ( , F , P) en donde es un
conjunto arbitrario no vaco 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 tpico de l se le denota por .
El segundo elemento es una coleccin no vaca 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 funcin P: F [0, 1],
llamada medida de probabilidad, que cumple los siguientes axiomas establecidos en
1933 por A. Kolmogorov: P ( ) = 1, P(A) 0 para cualquier A en F, y P es
-aditiva, es decir, si A1, A2,. . . es una sucesin de eventos, disjuntos dos a dos, entonces
n=1

P ( A n ) = P( A n)
n=1

Las leyes del azar estn representadas por las distintas medidas de probabilidad
existentes. El nmero 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 este
trabajo 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
ms pequea que contiene a todos los intervalos abiertos de R, entonces se tiene el

espacio medible (R, B(R)). A los elementos de la

Borelianos o conjuntos Borel medibles.

-algebra B(R) se les llama

Una variable aleatoria (v.a.) es una funcin X: R que transforma a los

elementos de en nmeros reales y es tal que para cualquier conjunto Boreliano B se
1
X
cumple que
(B) es un elemento de F. En este caso tambin se dice
que X es una funcin medible ( ,F) (R,B(R)), o simplemente que es F-medible.
Mediante una de estas funciones uno puede pensar que el azar no escoge elementos de
como resultados del experimento aleatorio, sino nmeros reales.
Procesos Estocsticos.
Un proceso estocstico es una coleccin 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 parmetros sea
un conjunto discreto, por ejemplo T = {0, 1, 2,. . .}. En este caso el proceso consiste de
una sucesin de variables aleatorias. Se dice en cambio que el proceso es a tiempo
continuo cuando el conjunto de parmetros consiste de un subintervalo de R, por
ejemplo T = (a, b).
En lo sucesivo consideraremos procesos en donde las variables aleatorias toman valores
reales y el espacio parametral es el intervalo . Un proceso estocstico es entonces
una funcin de dos variables
X : R
Tal que para cada t 0, la funcin Xt ( ) es una variable aleatoria,
mientras que para cada en, la funcin t Xt ( ) es una trayectoria del
proceso. En principio no hay ninguna condicin sobre estas trayectorias, pueden ser
continuas o no serlo, aunque una hiptesis comn es suponer trayectorias cdlg, es
decir, continas por la derecha con lmite por la izquierda. Describe la evolucin
temporal de una variable aleatoria.

Tipos de procesos estocsticos:

de tiempo discreto: aquel en el que la variable puede cambiar de valor
nicamente en instantes concretos del tiempo
de tiempo continuo: aquel en el que la variable puede cambiar de valor
en cualquier instante del tiempo
de variable discreta: aquel en el que la variable slo puede tomar
determinados valores discretos
de variable continua: aquel en el que la variable puede tomar cualquier
valor de la recta real

Expresin Analtica De Un Proceso Estocstico

Sabemos que el comportamiento de una variable aleatoria se describe

mediante una adecuada distribucin de probabilidad. En un proceso
estocstico el comportamiento de la variable aleatoria considerada vara en
el tiempo. Por tanto, la distribucin de probabilidad
utilizada
para
describirla tambin podr variar en el tiempo.

Para describir el proceso estocstico que sigue una variable aleatoria

temporal
xt, deberemos indicar en cada instante t cual es la
distribucin de probabilidad asociada a xt.

Ejemplo: Consideremos el proceso estocstico x

dado por:

x t N ( x0 + T , 2 T ) x0 , , son constantes conocidas

En un instante final de tiempo T, xT sigue una distribucin de probabilidad de media
2
x0+T y de varianza T

Cuando se est modelizando un fenmeno real, resulta difcil establecer

directamente cual va ser la distribucin de probabilidad adecuada, as como
determinar cmo van a variar sus parmetros en el tiempo.

Por ello es frecuente que los procesos estocsticos vengan dados mediante
ecuaciones, similares a las de los modelos discretos en diferencias finitas que
aparecan en el ejemplo del tema 1. En dichas ecuaciones se relaciona el valor de
la variable aleatoria xt en el instante t, con su valor en el instante anterior x t-1.

Ahora bien, para que una ecuacin en diferencias sea estocstica es necesario
que en su expresin intervenga una variable aleatoria estndar t... De este modo
el valor de xt no se deduce de forma determinista a partir del valor de x t-1, sino
que depende tambin del comportamiento de la variable aleatoria t.

t inducir en xt una distribucin de probabilidad variable en el tiempo. Es decir,

xt seguir un proceso estocstico.
Procesos de Markov
Procesos de Wiener

Un proceso de Markov es un tipo particular de proceso estocstico en el que

nicamente el estado actual del proceso es relevante a la hora de predecir el
estado futuro. Es decir, la historia pasada del proceso y la forma en que el
presente ha emergido del pasado son irrelevantes.

Ms formalmente, el valor esperado de una variable aleatoria xt en el instante t,

depende nicamente del valor previo x t-1.
Generalizando, si poseemos informacin sobre xr, con r < t, entonces a la hora
de estimar xt, la nica informacin que necesitamos es la de xr, para el mayor r
para el que tengamos informacin.

Un proceso de Wiener es un tipo especial de proceso estocstico de Markov.

Una variable xt se dice que sigue un proceso de Wiener si cumple la ecuacin:
x t=x t 1 + t t

x0 conocido
t = t-1 + t
t sigue una distribucin de probabilidad N(0,1)
t es independiente de s, para todo t s
Movimiento Browniano

El fenmeno natural conocido ahora como movimiento Browniano tiene una larga e
interesante historia. El primer registro, aunque no as la primera observacin del
fenmeno, data de 1828. Cuando el botnico Robert Brown reporto en una revista
cientfica que granos de polen suspendidos en una cierta substancia y vistos a travs de
un microscopio, realizaban un movimiento irregular e inexplicable. Este extrao
movimiento fue objeto de muchas discusiones, y muy diversas hiptesis fueron
formuladas en ese entonces con la intencin de dar una explicacin al fenmeno
observado. Hoy en da este movimiento es entendido y explicado a travs de las
mltiples colisiones aleatorias de las molculas del lquido con los granos de polen.
Llegar a tal aseveracin tomo muchos aos pues debi aceptarse la teora cintico
molecular de la materia, y el seminal trabajo de Einstein de 1905 sobre el movimiento
Browniano contribuyo decididamente a tal tarea.
Las observaciones reales y directas del movimiento de los granos de polen u otras
partculas sugieren que el fenmeno satisface las siguientes propiedades:
(a) El movimiento es continuo.
(b) Parece tener desplazamientos independientes en intervalos de tiempo disjuntos.
(c) Debido al gran nmero de colisiones del grano de polen con las molculas
circundantes en longitudes de tiempo no pequeos, y teniendo en cuenta el teorema
del lmite central, los incrementos pueden modelarse como variables aleatorias
gaussianas.

La estructura matemtica de un proceso estocstico, es decir una coleccin de variables

aleatorias {Bt: t 0}, ha resultado exitosa para modelar este tipo de fenmenos. La
variable Bt puede entonces interpretarse como la posicin de una partcula Browniana al
tiempo t. La definicin matemtica, en el caso unidimensional, es la siguiente.

Las condiciones que aparecen en esta definicin son consecuencia directa de las
observaciones del fenmeno fsico, pero ello no garantiza que tal objeto matemtico
exista. En 1923 el matemtico norteamericano Norbert Wiener demostr la existencia de
un proceso con tales condiciones. Es por esta razn que a menudo a este proceso
tambin se le llama proceso de Wiener y se le denota tambin por {W t: t 0}. En
sentido estricto el movimiento Browniano es el fenmeno fsico mientras que su modelo
matemtico es el proceso de Wiener, aunque es comn llamar a ambas cosas por el
mismo nombre: movimiento Browniano.
Se tiene entonces que cada variable aleatoria Bt tiene distribucin N(0, t) y por lo tanto
E(Bt) = 0 y Var(Bt) = E(Bt)2 = t. En particular para 0 s < t se cumple
E| Bt Bs|2 = t s. Tambin haremos uso de la identidad E| B t Bs|4 = 3(t s)2 para
0s<t

Integral estocstica

Los movimientos brownianos se basan en la definicin del proceso de Wiener.

Las trayectorias del proceso de Wiener son continuas pero no derivables. Por
tanto el paso de un proceso estocstico de tiempo discreto a otro de tiempo
continuo no es inmediato. Requiere de la construccin de una nueva
herramienta matemtica: la integral estocstica

En general podemos definir procesos estocsticos cuyos incrementos dependen

de un proceso de Wiener. Un proceso de It o proceso de difusin es un
proceso de Wiener generalizado en el que los parmetros y son ahora
funciones de la propia variable y del tiempo:

x t1x t =f ( x t , t ) + g ( x t , t ) z

Si hacemos tender t 0, entonces, en tiempo continuo, se puede escribir

formalmente:

dx t =f ( x t , t ) dt + g ( x t ,t ) dz

La variable estocstica

xt

est definida si en la ecuacin integral siguiente las

integrales que aparecen tienen sentido y son calculables:

t

x t=x 0 + f ( x t , t ) ds+ g ( x t , t ) dz
0

Formula de It
En pocos casos una integral de Riemann se calcula usando directamente la definicin,
en lugar de ello existen frmulas bien conocidas para calcular integrales. La misma
situacin se presenta para integrales estocsticas: en muy raros casos se calculan estas a
travs de su definicin. La famosa formula de It es la herramienta fundamental para
este tipo de integrales. Se enuncia a continuacin este resultado en una versin simple y
se ejemplifica su uso.
En lo sucesivo haremos referencia a los siguientes espacios de funciones. Una funcin
real de variable real es de clase C 1, cuando es diferenciable y su derivada es continua.
Anlogamente, una funcin es de clase C 2, si es dos veces diferenciable y su segunda
derivada es una funcin continua.
TEOREMA 1 ( formula de it ) si f es una funcion de clase C 2 entonces
1
df ( Bt ) =f ' ( Bt ) d Bt + f ' ' ( Bt ) dt
2
Esta frmula corresponde a la regla de la cadena del clculo diferencial usual en su
versin estocstica. Mencionaremos a continuacin algunas ideas generales mediante
las cuales esta importante formula puede obtenerse, haciendo uso de la expansin de
Taylor. Para una funcin f suficientemente suave
f ( x )=f ( x0 ) + f ' ( x 0 ) ( xx 0 ) + Rt
En donde el residuo

Rt

puede escribirse como sigue

xx
x 0 +( 0)

Rt = f ' ' ( t )( xt ) dt= (1) f ' '

x0

Ecuaciones diferenciales estocsticas

Una ecuacin diferencial estocstica es una ecuacin de la forma
d X t =b ( t , X t ) dt+ ( t , X t ) d Bt
Definida para valores de t en un intervalo [0, T], y con condicin inicial la variable
aleatoria X0 que se asume F0-medible e independiente del movimiento Browniano. La
incgnita de esta ecuacin es el proceso X . Los coeficientes b ( t , X t ) y ( t , X t )
t

son funciones reales definidas sobre [0, T]R, y se conocen como los coeficientes de
tendencia y de difusin respectivamente. La ecuacin diferencial anterior se interpreta
como la ecuacin integral
t

X t =X 0 + b ( s , X s ) d s= ( s , X s ) d Bs
0

En donde la primera es una integral de Riemann mientras que la segunda es una integral
estocstica de It. El proceso solucin puede interpretarse como el estado de un sistema
que evoluciona de manera determinista gobernado por la parte no aleatoria de la
ecuacin pero perturbado por un ruido aditivo dado por la integral estocstica. A un
proceso de la forma de la ecuacin anterior se le llama proceso de It y para que esta
ecuacin tenga alguna solucin se deben imponer condiciones en los coeficientes.
De manera anloga al caso determinista, existen teoremas bsicos de existencia y
unicidad para ecuaciones diferenciales estocsticas que establecen condiciones de
regularidad para los coeficientes b y , bajo las cuales la primera ecuacin tiene
solucin nica.
Conclusin
Todo lo que transcurre durante la vida son proceso estocstico, porque los procesos
hacen referencia al tiempo, algo que transcurre a lo largo del tiempo y la palabra
estocstico es algo aleatorio, la vida transcurre en forma aleatoria por eso se usa este
tipo de procesos para acercarse al comportamiento de la vida, y utilizndose as
ecuaciones estocsticas relacionadas a cualquier tipo rea (salud, economa, etc.).
Recomendacin

Para lograr entender las ecuaciones estocsticas es necesario conocer los diferentes
procesos estocsticos que ocurren, asu vez estos procesos es indispensable tener previos
conocimientos en probabilidad, matemtica, algebra lineal, Teora de grficas, etc.
Bibliografa

Rincn L. (2005) Construyendo la integral estocstica de Ito. Aportaciones

matemticas, Serie Comunicaciones 35, 265283. SMM

Len J. A. (2001) Una introduccin a las ecuaciones diferenciales estocsticas

Carta Informativa, SMM.

Chung K. L. y Williams R. J. (1983) Introduccin a la integracin estocstica

Birkhauser.

Einstein A. (1956) investigacin de la teora del movimiento Browniano.

Gard T. C. (1988) introduccin a ecuaciones diferenciales estocsticas.

Hernandez-Hernandez D. (2004) Movimiento Browniano y ecuaciones de

Hamilton-Jacobi. Carta Informativa 42, SMM.

Harris B. (1966) teora de probabilidades.