Está en la página 1de 581

CAPTULO 2

2.1 MTODOS NUMRICOS Y COMPUTACIONALES EN ECONOMA

POR QU SE EMPLEAN MTODOS NUMRICOS Y COMPUTACIONALES EN


ECONOMA?
ALGORITMO DE NEWTON RAPHSON
CALCULO DE LAS RACES DE UNA ECUACIN CON MATLAB
EL PROBLEMA DEL MERCADO CON AYUDAS GUBERNAMENTALES
MTODOS ITERATIVOS DE PUNTO FIJO
INTEGRACIN NUMRICA
INTEGRACIN MONTE C ARLO
SOLUCIN AL PROBLEMA DEL MERCADO CON AYUDAS GUBERNAMENTALES

Versin: 22-1-2016

POR QU SE EMPLEAN MTODOS NUMRICOS Y COMPUTACIONALES EN


ECONOMA?
Consideremos una funcin de demanda de elasticidad constante 0.2

q p 0.2
La funcin de demanda inversa es

p q 5
Supongamos ahora que la funcin de demanda contiene la suma de una demanda domstica
ms una demanda de exportacin

q 0.5 p 0.2 0.5 p 0.5

0.5 0.5

p 0.2 p 0.5

Ejercicio: Demostrar que la demanda es una funcin decreciente del precio viendo que su
derivada es siempre negativa.
Grfica con MATLAB de la demanda
>>q=@(p) 0.5*p.^(-0.2)+0.5*p.^(-0.5)
>>p=0:0.1:5;
>>plot(p,q(p)) ; title('Funcin de demanda'),xlabel('precio'),ylabel('demanda')
Alternativamente tambin es posible dibujar con
>>fplot(q,[0,5]) ; title('Funcin de demanda'),xlabel('precio'),ylabel('demanda')
Funcin de demanda
2.4
2.2
2
1.8

demanda

1.6
1.4
1.2
1
0.8
0.6
0.4

0.5

1.5

2.5
precio

3.5

4.5

Ahora no es inmediato encontrar el precio cuando la demanda sea, por ejemplo, de 2


unidades. No obstante, al ser la demanda una funcin decreciente, para cada valor de la
demanda existe un nico precio que vaca el mercado. Pero cul es la funcin de demanda
inversa?

ALGORITMO DE NEWTON RAPHSON


Recta tangente en un punto x0 , f ( x0 )

y f ( x0 ) f ' ( x0 ) ( x x0 )
La primera aproximacin de la raz de la ecuacin y f ( x) 0 ser el valor x1 donde la recta
tangente corta al eje OX, es decir,

0 f ( x0 ) f ' ( x0 ) ( x1 x0 )
De donde

x1 x0

f ( x0 )
f ' ( x0 )

Ejercicio: Hallar el valor del precio cuando la demanda vale 2


Resolvamos la ecuacin

q 0.5 p 0.2 0.5 p 0.5

0.5 0.5

2
p 0.2 p 0.5

mediante el algoritmo de Newton-Raphson


q ( pi ) 2
pi 1 pi
q '( pi )
q=@(p) 0.5*p.^(-0.2)+0.5*p.^(-0.5)-2
p=[]; p(1)=0.1;
h=0.000001;
for i=1:10
deriv_q=(q(p(i)+h)-q(p(i)))/h;
p(i+1)=p(i)-q(p(i))/deriv_q;
end

Otra versin del mismo programa que incorpora una tolerancia en el algoritmo es
p=0.25;
for i=1:100
deltap=(.5*p^-.2+.5*p^-.5-2)/(-.1*p^-1.2-.25*p^-1.5);
p=p-deltap;
tolerancia=1.e-8; % la tolerancia del algoritmo es 1.e-8
if abs(deltap)<tolerancia, break, end
end
disp(p);
El resultado es p=0.1542
Observar que para valores iniciales de los precios como p=0.45 el algoritmo no converge.
Ejemplo
Hallar alguna de las races de la ecuacin x 5 3x 2 10 0 mediante Newton Raphson.
Dibujemos primero la grfica del polinomio con MATLAB
>>x=-2:0.1:2;
>>plot(x,pol(x))
40

30

20

10

-10

-20

-30
-2

-1.5

-1

-0.5

0.5

1.5

Vemos que hay una nica raz cercana a 1.


% Calcula la raz de una ecuacin mediante el algoritmo de Newton
Raphson.
pol=@(x) x.^5+3*x.^2-10;
x=[ ]; x(1)=1;
h=0.0001;
for i=1:20
x(i+1)=x(i)-pol(x(i))*inv( (pol(x(i)+h)-pol(x(i)))/h);
end
sprintf('la raz del polinomio es %g',x(20))

>> La raz del polinomio es 1.35196


Ejemplo
Hallar alguna de las races de la ecuacin x 4 x3 3 x 2 x 10 0 mediante el algoritmo de
Newton Raphson.
Grficamente vemos que el polinomio tiene dos races cercanas a -1 y 2.

30
25
20
15
10
5
0
-5
-10
-15
-2

-1.5

-1

-0.5

0.5

1.5

Aplicando el algoritmo de Newton Raphson el valor de dichas races es:


-1.23399
1.67941
Convergencia
Para que el mtodo de Newton-Raphson converja deben cumplirse ciertas condiciones de
convergencia. En la siguiente figura podemos apreciar, como aun partiendo de un punto cercano
a la raz buscada, en un caso el mtodo converge y en otro caso no.

Una condicin necesaria de convergencia es que la grfica de la funcin f(x) dentro del
intervalo de trabajo [a,b], debe ser cncava o convexa:
f ''(x) <= 0 f ''(x) >= 0 para todo x que pertenezca a [a,b]
Ejercicio
Empleando el mtodo de Newton-Raphson hallar la raz real del polinomio x 3 2 x 2 5 x 15
con valores iniciales de x0 2 , x0 3 , x0 5 . Dibujar los sucesivos valores de x i y
estudiar la convergencia del algoritmo.
Sucesivos valores de x(i) en el algoritmo de Newton-Raphson para x0=2
9
8
7
6
5
4
3
2
1
0

20

40

60

80

100

120

Ejercicios de autocomprobacin
Calcular por el mtodo de Newton Raphson las races de las siguientes ecuaciones partiendo del
valor inicial x0 que se seala a continuacin:

1
0 x0 1.0 solucin : 0.5671
x
1
ln( x) 0 x0 1.5 solucin :1.7632
x
ln( x) cos x 0 x0 0.6 solucin :1.3030
ex

ln( x) e x 0

x x 16
3

x 1

x0 2 solucin : 2.3879

5x 0
3

x0 1 solucin :1.3098

x0 1.0 solucin : 0.4940

2 x 3 x 2 x 1 x0 1.2 solucin : 1.2238

x0 1.0 solucin : 0.4590


3x 2 e x 0
x0 2.0 solucin : 0.9100
x /2
10e cos 2 x 4 x0 1 solucin : 0.8944
Dada la funcin 1.21e6.6 x sen 11.4 x 11.7 0.28e55.9 x sen 18x 26.1 , dibujarla y,
aplicando Newton-Raphson, comprobar que tiene 4 races positivas en el intervalo [0,1]:

x0
x
0

x0
x0

0.1 solucin : 0.1710


0.5 solucin : 0.4466
0.7 solucin : 0.7222
0.9 solucin : 0.9977

ALGORITMOS DE MATLAB PARA EL CLCULO DE LAS RACES DE UNA ECUACIN


roots :
Permite calcular las races de un polinomio.
roots(X) es un vector fila formado por las races de un polinomio cuyos coeficientes son los
elementos del vector X.
Por ejemplo, para calcular las races del polinomio x 3 3 x 2 2 x 5 , formaremos
previamente el vector
>> X=[1 3 2 5];
las races se obtendrn de la forma:
>> roots(X) = -3.8552

0.4276 + 1.0555i

0.4276 - 1.0555i

Ejercicio
La tasa interna de una inversin o proyecto es la tasa efectiva anual que hace que el valor
actual neto de todos los flujos de efectivo (tanto positivos como negativos) de una determinada
inversin igual a cero.
En trminos ms especficos, la TIR de la inversin es la tasa de inters a la que el valor actual
neto de los costos (los flujos de caja negativos) de la inversin es igual al valor presente neto de
los beneficios (flujos positivos de efectivo) de la inversin.
Hallar la (TIR) un bono cuyo precio es de 110 y cuyo valor facial es de A=100 y tiene tres
periodos hasta la amortizacin, produciendo unos pagos de cupn de c=10 durante sus tres
aos de vida.
El precio de dicho bono viene dado por

c
c
c A

2
1 r (1 r ) (1 r )3

La tasa interna de rendimiento se obtendr resolviendo la ecuacin

p(1 r )3 c(1 r )2 c(1 r ) c A 0


es decir, 110(1 r )3 10(1 r )2 10(1 r ) 110 0
>> roots ( [ 110 -10 -10 -110 ] )
obtiene las races 1.0624 , -0.4858+ 0.8392i , -0.4858+ 0.8392i,
luego 1 r 1.0624 , r 0.0624 .
Comparacin de dos inversiones A y B.
La A es a cuatro aos y se realiza una inversin a comienzos del primer ao de 100
obtenindose pagos de 5 a comienzos de los aos segundo y tercero; finalmente se obtienen
130 al final del cuarto ao.
Flujos negativos: 100 al comienzo del primer ao

5
5
130

2
1 r (1 r ) (1 r ) 4
5
5
130
100

r 0.1238
2
1 r (1 r ) (1 r ) 4

Flujos positivos

La inversin B es a tres aos y se pagan 75 al comienzo de los dos primeros aos para obtener
200 al final del tercer ao. Comparar ambas inversiones desde el punto de vista de su TIR.
Flujos negativos: 75 al comienzo del primer y segundo ao: 75

75
1 r

200
(1 r )3
75
200
75

r 0.2078
1 r (1 r )3

Flujos positivos

fzero :
Busca las races de cualquier funcin de una variable en torno a un determinado punto x01. Su
sintaxis es
fzero( 'funcin' , x0 ) .
[x,fval] = fzero(funcion,x0,...) proporciona el valor de la funcin descrita en x
Ejemplo
Hallar el cero de la funcin y sen( x) ms cercano al punto x=2.
fzero( ' sin ', 2 )=3.1416
[x,fval]=fzero( ' sin ', 2 )
x = 3.1416
fval = 1.2246e-016
En la sintaxis anterior la funcin no se coloca entre comillas cuando se aplica a una funcin
annima.
Ejemplo
Hallar las races de la ecuacin 0.5 p 0.2 0.5 p 0.5 2
>>q_2=@(p) 0.5*p.^(-0.2)+0.5*p.^(-0.5)-2
>>fzero(q_2,0.5)
>>ans = 0.1542
Ejemplo
Hallar las races de la funcin y

1
1

6
2
( x 0.3) 0.01 ( x 0.9) 2 0.04

Construccin de una funcin annima:


>>fun=@(x) 1./((x-0.3).^2+0.01) + 1./((x-0.9).^2+0.04)-6
Grfica
>>fplot (fun, [-3 , 3] )

The algorithm, which was originated by T. Dekker, uses a combination of bisection, secant, and inverse quadratic interpolation
methods.

100

80

60

40

20

-20
-3

-2

-1

Cero ms cercano a 1.4


>>x_cero=fzero ( fun , 1.4 );
>>x_cero= 1.2995
Cero ms cercano a 0
>>x_cero=fzero ( fun , 0 )
>>x_cero =-0.1316
Observar que el valor obtenido cuando evaluemos el valor de la funcin en la raz es igual a
cero:
>>y_cero=fun (1.2995) =0.0011
>>y_cero=fun (-0.1316) =4.3418e-004
Se puede mejorar la precisin del algoritmo mediante una estructura
>> opciones=optimset('Tolfun',1e-10,'MaxIter',400,'TolX',1e-10);
>> [x,fval]= fzero ( fun , 1.4 , opciones)
x = 1.2995
fval = -1.0098e-009
>> [x,fval]= fzero ( fun , 0 , opciones)
x = -0.1316
fval = 6.1871e-012
Tambien se puede obtener informacin adicional sobre las condiciones en que se ha
desarrollado el algoritmo:
>> [x,fval,info]= fzero ( fun , 1.4 , opciones)

Ejercicios de autocomprobacin
Mediante fzero calcular las races de las siguientes ecuaciones partiendo del valor inicial x0 que
se seala a continuacin. Igualmente, representar grficamente las correspondientes funciones

1
1

7 x0 0 solucin : -0.0948
2
( x 0.3) 0.01 ( x 0.9) 2 0.04
x0 0 solucin : 0.5137
10e x /2 cos 2 x 4
x0 3 solucin : 2.4161
1
e x 0 x0 1.0 solucin : 0.5671
x
1
ln( x) 0 x0 1.5 solucin :1.7632
x
ln( x) cos x 0 x0 0.6 solucin :1.3030
ln( x) e x 0
x x 16
3

x0 1 solucin :1.3098

x0 2 solucin : 2.3879

e x 1 5 x3 0

x0 1.0 solucin : 0.4940

2 x x x 1 x0 1.2 solucin : 1.2238


3

x0 1.0 solucin : 0.4590


3x 2 e x 0
x0 2.0 solucin : 0.9100
10e x /2 cos 2 x 4 x0 1 solucin : 0.8944
Dada la funcin 1.21e6.6 x sen 11.4 x 11.7 0.28e55.9 x sen 18x 26.1 , dibujarla y,
aplicando Newton-Raphson, comprobar que tiene 4 races positivas en el intervalo [0,1]:

x0
x
0

x0
x0

0.1 solucin : 0.1710


0.5 solucin : 0.4466
0.7 solucin : 0.7222
0.9 solucin : 0.9977

10

ALGORITMO DE NEWTON-RAPHSON MULTIVARIANTE


Supongamos que queremos resolver el sistema de ecuaciones

f1 x1 , x2 ,..., xn 0

..............................
f n x1 , x2 ,..., xn 0

Llamemos f f1 x ,..., f n x : R n R n .
Aplicando el desarrollo de Taylor entorno a x0 , f 0 se convierte en:

f ( x ) f ( x0 ) f '( x0 )( x x0 ) 0
Donde f '( x0 ) es la matriz Jacobiana de f en x0 :

f1
f1

x x0 ..... x x0
n
1

f '( x0 )
.....
.....
.....

f n x ..... f n x
0
x 0
xn
1

As,

x1 x0 f '( x0 )

f ( x0 )

La raz puede entonces aproximarse por la interaccin

xk 1 xk f '( xk )

f ( xk )

Para conseguir la convergencia es preciso que x0 est lo suficientemente prximo a la raz y que
la matriz Jacobiana sea invertible.

f1 x1 , x2 0
el algoritmo tiene la forma
f 2 x1 , x2 0

Para un sistema 2x2

f1 x1 i , x2 i

x1
x1 i 1 x1 i

x2 i 1 x2 i f 2 x1 i , x2 i

x1

f1 x1 i , x2 i

x2

f 2 x1 i , x2 i

x2

f1 x1 i , x2 i

f 2 x1 i , x2 i

fsolve
Tambin disponible en OCTAVE.
Resuelve sistemas de ecuaciones no lineales de varias variables de la forma F(X)=0, donde F
puede ser una funcin vectorial o matricial y X un vector o una matriz.

2 x1 x2 e x1 0

x2
x1 2 x2 e 0

x = fsolve(funcion,x0,...)
[x,fval] = fsolve(funcion,x0,...) proporciona el valor de la funcin descrita en x
11

O bien, sin comillas para una funcin annima.


F=@(x) [ 2*x(1) - x(2) - exp(-x(1));x(1) + 2*x(2) - exp(-x(2))]
[x,fval]=fsolve(F,[0.1,0.1])
x = 0.4255 0.1976
fval = 1.0e-009 *
-0.1450
-0.0144
Se puede mejorar la precisin del algoritmo mediante una estructura
>> opciones=optimset('Tolfun',1e-10,'MaxIter',400,'TolX',1e-10);
>> [x,fval]=fsolve(F,[-5,-2], opciones)
x = 0.4255 0.1976
fval = 1.0e-012 *
-0.2638
-0.0295
Ejercicios de autocomprobacin
Usando la funcin fsolve de OCTAVE resolver los siguientes sistemas de ecuaciones

x y 290
(13,11) , (11,13)
x y 24

x 2 y xy 2 180

1 1 9
(4,5) , (5, 4)

x y 20

x y 5 y
(4,1) , (9 / 4,1/ 4)
x y 1

1
1

2 13
2
x
y

1 1
1

x y

y 2 2 y 1 x

x y5

12

MERCADO AGRCOLA CON AYUDAS GUBERNAMENTALES


Consideremos un mercado agrcola formado por un conjunto de agricultores (por ejemplo el
cultivo del olivo en Andaluca). Las decisiones de plantar se realizan con anterioridad a saber el
precio que tendr la cosecha en el futuro; dicho precio es una variable aleatoria y suponiendo
que los agricultores forman expectativas racionales2 basarn sus decisiones en el precio
esperado de la cosecha E(p). Supongamos que la superficie total cultivada por el conjunto de
los agricultores es

S 0.5 0.5E p
Despus de plantar la cantidad de cosecha efectivamente obtenida depende de la cantidad
plantada a travs de un rendimiento aleatorio y

N 1,0.1 .

La cantidad ofertada es otra variable aleatoria

qSy
La funcin de demanda inversa del mercado
p 3 2q
El precio de equilibrio que iguala oferta y demanda puede obtenerse sustituyendo

p 3 2q 3 2S y 3 2 0.5 0.5E p y
Como suponemos que existen expectativas racionales y las que resultan del modelo coinciden
con las de los agentes, tomamos expectativas y obtenemos es siguiente valor de equilibrio para
los precios esperados

E p 3 2 0.5 0.5E p E p 1

Donde hemos hecho uso de que 0.5 0.5E p es una constante y de qu E y 1 . Esta
ecuacin puede interpretarse diciendo que el precio esperado que resulta del modelo coincide
con el precio esperado que forman los agentes con sus expectativas racionales.
Por tanto el equilibrio con expectativas conduce a

S 0.5 0.5E p 1

qy

N 1, 0.1

p 3 2q

N 1, 0.4

La teora de las expectativas racionales establece que las predicciones sobre el valor futuro de variables
econmicamente relevantes hechas por los agentes no son sistemticamente errneas y que los errores son aleatorios
(ruido blanco). Las expectativas de los agentes sobre las condiciones econmicas futuras deben formar parte esencial
de los modelos macroeconmicos y se supone que los agentes se comportan como si conocieran el modelo verdadero
generador de datos. Asumir expectativas racionales es asumir que las expectativas de los agentes econmicos pueden
ser individualmente errneas, pero correctas en promedio. En otras palabras, aunque el futuro no es totalmente
predecible, se supone que las expectativas de los agentes no estn sistemticamente sesgadas y que stos usan toda la
informacin relevante para formar sus expectativas sobre variables econmicas.

13

Vamos a valorar las implicaciones de un programa de ayudas de los precios por parte del
gobierno donde se garantiza a cada productor un precio mnimo de 1$. Si el precio del
mercado cae por debajo, el gobierno pagar la diferencia:
el productor recibe un precio efectivo de max(p,1), donde p es el precio del mercado.
Vamos a intentar resolver nuevamente el equilibrio de expectativas del modelo.
Superficie cultivada:

S 0.5 0.5E max p,1


Cantidad ofertada aleatoria

qSy , y

N 1,0.1

Funcin de demanda inversa del mercado


p 3 2q
Equilibrio del mercado con las expectativas

p 3 2S y 3 2 0.5 0.5E max p,1 y


S

Tomando expectativas

E p E 3 2a y 3 2 0.5 0.5E max p,1 E y 3 2 0.5 0.5E max p,1


Es decir

E p 3 2 0.5 0.5E max p,1

Ahora problema no se resuelve fcilmente porque

E max p,1 max E p ,1

En este caso el precio de equilibrio se obtiene combinando mtodos iterativos de punto fijo,
integracin Monte Carlo y tcnicas de cuadratura Gaussiana.

14

MTODOS ITERATIVOS DE PUNTO FIJO


Basados en las propiedades de las soluciones de equilibrio de las ecuaciones en diferencias es
posible desarrollar un sencillo algoritmo que nos permitir aproximar las races de una
determinada ecuacin.

La idea es la siguiente: para resolver una ecuacin F x 0 la transformamos en una ecuacin


del tipo x f x . Si la ecuacin en diferencias xt 1 f xt tiene una solucin xe de
equilibrio estable (verifica

df xe
1 ), dicha solucin de equilibrio tambin es una solucin
dx

de la ecuacin x f x .
La ventaja que obtenemos es que solucin de equilibrio xe se obtiene sin ms que iterar la

ecuacin en diferencias xt 1 f xt . As, partiendo de un valor inicial x0 obtendremos una


sucesin de valores

x0 , x1 , x2 ,..., xi , xi 1 ,...
Se considera que esta sucesin ha convergido cuando la diferencia entre dos trminos
consecutivos es muy pequea, es decir, xi 1 xi .

15

Ejemplo
Consideremos la ecuacin x 3 5 x 2 x 5 0
Tal como muestra la grfica de dicho polinomio, la ecuacin anterior tiene tres races reales.
10

-5

-10

-15
-1

El polinomio tiene tres races cuyos valores aproximados son 1.3, 4.5 y -0.84.
Con el fin de aplicar una ecuacin en diferencias para hallar las races del polinomio la ecuacin
podran escribirse en la forma x f x , por ejemplo, mediante la expresin

x3 x 5
5

Esta expresin dar lugar a una ecuacin en diferencias de la forma

x i x i 5
5
3

x i 1

Como vemos en la siguiente grfica esta ecuacin en diferencias tiene dos puntos de equilibrio
cercanos a 1.3 y 4.5. Pero solo el cercano a 1.3068 es estable.
x(i+1)=sqrt((x(i). 3+x(i)+5)/5)
9
8
7
6
5
4
3
2
1
0
-1
-1

De esta forma iterando la ecuacin en diferencias podemos obtener la raz 1.3068 del polinomio.
x=[];
x(1)=0.5;
for i=1:40
%x(i+1)=-x(i)^3+5*x(i)^2-5;
%x(i+1)=(x(i)^2-x(i)-5)^(1/3);
x(i+1)=sqrt((x(i)^3+x(i)+5)/5);%converge a 1.3068
end
plot(x)

16

Ejercicio
Aproximar las otras dos races del polinomio que son 4.5365 y -0.8434. Para ello considerar las
ecuaciones en diferencias que provienen de escribir el polinomio en las formas siguientes:
x x 3 5x 2 5

x 3 5x 2 x 5
1 1 20( x3 5)
x
10
Esta ltima expresin ha sido obtenida despejando la incgnita x a partir de la ecuacin de
segundo grado 5 x 2 x 5 x 3 0 , donde se supone que el trmino independiente es
5 x 3 . A partir de aqu es posible obtener la raz -0.8434. Por qu resulta ms complicado
encontrar esta tercera raz de la ecuacin? , porque mediante este mtodo iterativo solo es
posible encontrar las races que se correspondan con puntos de equilibrio estables de una
ecuacin del tipo xt 1 f xt ).
Ejemplo: Algoritmo para calcular la raz cuadrada de un nmero
Veamos otro ejemplo que nos permite obtener un algoritmo destinado calcular la raz cuadrada
de un nmero positivo a. Partiendo de la ecuacin x 2 a , la transformamos en
x 2 1 a 1 y por tanto en ( x 1)( x 1) a 1 . A partir de aqu es posible expresar la
ecuacin x 2 a de la forma x f x de dos formas distintas:

a 1
a 1
, es decir x 1
donde f ' a 1 y f ' a 1 por lo que la
x 1
1 x
a 1
ecuacin xt 1 1
converge hacia su solucin de equilibrio estable a .
1 xt
a 1
a 1
b) x 1
, es decir x 1
donde f ' a 1 y f ' a 1 por lo que
x 1
x 1
a 1
la ecuacin xt 1 1
converge hacia su solucin de equilibrio estable a .
xt 1
a)

x 1

El siguiente programa de MATLA permite aproximar

2.

% Calcula la raz cuadrada de un nmero a


a=2;
x=[ ]; x(1)=1
n=10;
for i=1:n
x(i+1)=1+(a-1)/(1+x(i));
end
sprintf(la raz cuadrada del nmero a es %g,x(n))

Raz cuadrada de una matriz definida positiva


Para una matriz A real definida positiva existe un algoritmo para calcular la raz cuadrada de
este importante tipo de matrices. El algoritmo es el siguiente
Sea X0 = I, donde I es la matriz identidad. La iteracin est definida por

X k 1

1
X k AX k1

Comprobar que la solucin de equilibrio es A1/2.


La convergencia no est asegurada, pero si el proceso converge, la matriz X k converge
cuadrticamente a la raz cuadrada A1/2. Este mtodo es una extensin del algoritmo babilnico
para el clculo de races cuadradas de nmeros positivos ordinarios.

17

Ejercicio
Sea la matriz A=[2 3 2;3 5 4;1 3 5]. Usando la funcin eig.m demostrar que es definida positiva.
Hallar su raz cuadrada por medio del algoritmo babilnico. Comparar con A^(1/2).
Ejercicios de autocomprobacin
Transformar cada una de las siguientes ecuaciones en una ecuacin de a forma x f x y
resolverla mediante un mtodo iterativo del tipo xi 1 f xi . Usar el valor inicial x0 que se
seala a continuacin:

10e x /2 cos 2 x 4 x0 1 solucin : 0.8944


1
e x 0 x0 1.0 solucin : 0.5671
x
1
ln( x) 0 x0 1.5 solucin :1.7632
x
ln( x) cos x 0 x0 0.6 solucin :1.3030
ln( x) e x 0
x 3 x 16

x 1

x0 2 solucin : 2.3879

5x 0
3

x0 1 solucin :1.3098
x0 1.0 solucin : 0.4940

2 x x x 1 x0 1.2 solucin : 1.2238


3

x0 1.0 solucin : 0.4590


3x 2 e x 0
x0 2.0 solucin : 0.9100
6.6 x
sen 11.4 x 11.7 0.28e55.9 x sen 18x 26.1 , dibujarla y,
Dada la funcin 1.21e
aplicando Newton-Raphson, comprobar que tiene 4 races positivas en el intervalo [0,1]:

x0
x
0

x0
x0

0.1 solucin : 0.1710


0.5 solucin : 0.4466
0.7 solucin : 0.7222
0.9 solucin : 0.9977

18

INTEGRACIN NUMRICA
Consideremos una integral definida de una funcin f(x), en un intervalo [a,b], cuyo valor
representaremos por la expresin

f x dx
b

Cuando la funcin f(x) es positiva dentro del intervalo [a,b], esta integral representa l rea
encerrada por la funcin sobre el eje OX entre los puntos a y b, tal como se muestra en la Figura
6.1.

f x

f xdx
b

Figura 6.1

f x dx
b

La resolucin analtica de

puede ser complicada, e incluso imposible de obtener

mediante cuadraturas, por lo que es preciso emplear algn tipo de tcnica de aproximacin
numrica. Dichas tcnicas tienen en comn sustituir la funcin f(x) por alguna otra funcin
ms sencilla que se la aproxime y que facilite el clculo del rea encerrada. Las aproximaciones
numricas pueden ser por rectngulos, por trapecios o por arcos de parbola. La idea se
recoge en las diferentes partes de la Figura 6.2.
Figura 6.2

xi

xi+1 b

xi xi+1 b

xi

xi+1

La aproximacin ms sencilla que podemos obtener de una integral definida es aproximar la


funcin mediante otra funcin escalonada, tal como hacen las sumas inferiores de Riemann
asociada a una particin del intervalo [a,b] en n unidades, que se define, tal como muestra la
Figura 6.3, como

19

h f x , donde h
i

i 1

ba
.
n

Este tipo de sumas se implementan fcilmente en MATLAB.

Figura 6.3
a

xi xi+1xi+2

Ejemplo: Para aproximar mediante sumas inferiores de Riemman el rea encerrada por y x 2
sobre el eje OX y entre 1 y 2, escribiremos en la ventana de comandos
x=1:0.1:2; y=x.^2;
area= 0.1*sum(y)
MATLAB posee dos funciones propias muy tiles en la integracin numrica.
quad:
Permite realizar integracin numrica (el trmino quad viene de cuadratura, sinnimo con que
se designa a la integral).
>> quad( 'nombre_de_funcin' , a , b )
calcula el valor aproximado de la integral de la funcin f(x) entre a y b. Para realizar el clculo
aproximado MATLAB realiza una particin adecuada del intervalo de integracin [a,b] y
utiliza la regla de Simpson. Dentro de las comillas ' ' debemos colocar una funcin
previamente definida por el MATLAB o que nosotros creemos en un fichero .m, como veremos
ms adelante. La funcin quad tambin puede aplicarse a funciones annimas. En este caso debe
prescindirse de las comillas:
>> quad( nombre_de_funcin_annima , a , b )
Si deseamos emplear como procedimiento de integracin aproximada el mtodo de NewtonCotes, MATLAB dispone del comando
>> quadl( 'nombre_de_funcin ', a , b ) .
Ejemplo.
3

Calcular sen( x) dx .
0

Como el MATLAB dispone de una funcin sin que representa la funcin seno, la integral se
calcular como :
>> quad( ' sin ' , 1 , 3 ) = 1.5303
20

Ejemplo
3

Calcular

(x

2 x 3 )dx

>> f_pol=@(x) x. ^ 3 2 *x - 3
>> quad(f_pol, 0 , 3) = 2.2500
Ejemplo
Calcular ahora el rea encerrada por la curva y x 3 2 x 3 con el eje X entre los puntos 0 y
3. Dibujemos previamente su grfica y calculemos las races de dicha funcin en el intervalo de
integracin.
>> fplot(f_pol , [0,3])
20

15

10

-5

0.5

1.5

2.5

La nica raz se obtiene mediante


>> fzero(f_pol,2)= 1.8933
1.8933

(x

El rea viene dada entonces por

2 x 3 )dx

(x

2 x 3)dx , es decir

1.8933

>> - quad(f_pol, 0, 1.8933) + quad(f_pol, 1.8933 , 3) = - (-6.0522) + 8.3022 = 14.3544


Observar que
>> quad(f_pol , 0 , 3) = 2.2500 = -6.0522 + 8.3022
Ejercicio.

Obtngase el valor de la integral

sen( x) dx por tres procedimientos de integracin numrica:


0

Regla de Simpson empleando quad( ' sin ', 0 , pi ) .


Mtodo de Newton-Cotes empleando quadl( ' sin ' , 0 , pi ) .
Un burdo procedimiento de integracin aproximada consistente en dividir el intervalo de
integracin [ 0 , pi ] en segmentos de longitud 0.1, formar sobre cada uno de ellos un
rectngulo y finalmente sumar el rea de todos los rectngulos, es decir : x = 0 : 0.1: pi ;

sen( x) dx sum(sin( x)) * 0.1 1.9995 .


0

Comparar cada uno de los resultados anteriores con el valor exacto de dicha integral:

sen( x) dx cos( x)

2.

Emplear formato numrico de diecisis cifras ( format long ) para realizar las comparaciones
entre las diferentes tcnicas.
Ejercicio
Hallar el rea encerrada por la funcin y e x sen (2 x) entre o y 3.
21

MTODOS DE MONTE CARLO


Muchos problemas pueden tratarse por medio de simulacin con nmeros aleatorios. Este tipo
de procedimientos se conocen como mtodos de Monte Carlo.
Ejemplo: Clculo de Integrales
1

x3 1
Consideremos un caso ms sencillo: x dx
0
3 0 3
1

1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

El rea se encuentra inscrita en un cuadrado de rea 1. Vamos a considerar en el cuadrado de


rea 1 un nmero N de puntos aleatorios (x, y), y un nmero N que aparecen dentro de la
superficie a determinar. Clasificaremos estos puntos como VERDADEROS o FALSOS segn
que y x 2 :
x
y
x2
y x2
0,84
0,28
0,64
0,49
0,06
0,05
0,09

0,42
0,87
0,12
0,41
0,46
0,56
0,35

Entonces

0,7056
0,0784
0,4096
0,2401
0,0036
0,0025
0,0081

VERDADERO
FALSO
VERDADERO
FALSO
FALSO
FALSO
FALSO

N' S S

N A 1

La implementacin en MATLAB es sencialla


>> x=rand(1,1000);
>> y=rand(1,1000);
>> sum(y<x.^2)/1000=337/1000=0.337
Ejemplo
Simular el valor

x
2

0.5

2 x 2 1dx

>> x=0.5+1.5*rand(1,1000);
>> y=17*rand(1,1000);
>> plot(x , y, '.', x , x.^3+2*x.^2+1, '.') , title('y=x^3+2*x^2+1')

22

y=x 3+2*x 2+1


18
16
14
12
10
8
6
4
2
0
0.5

1.5

El rea del rectngulo es 1.5*17


La proporcin del rectngulo bajo la curva es
>> sum(y<x.^3+2*x.^2+1)/1000 = 0.4290
El rea bajo la curva es
1.5*17*sum(y<x.^3+2*x.^2+1)/1000 = 10.9395
El valor exacto de la integral obtenido mediante quad es
>> fun=@(x) x.^3+2*x.^2+1
>> quad(fun, 0.5,2) = 10.7344
Ejercicio
Aproximar el nmero / 4 a partir de una circunferencia de radio 1 tal como sugiere la figura.
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

Ejercicio de comprobacin y de examen

x x 1dx

Simular el valor sen x dx


Simular el valor x e dx
Simular el valor

1
2

2x

0.5

Comparar el resultado con el obtenido mediante la funcin quad.


Precisin en el Clculo
El procedimiento de Montecarlo tiene N puntos aleatorios de los que N resultan corresponder al
rea que deseamos calcular. Luego S es proporcional a la probabilidad de que un punto aleatorio
caiga en la superficie.
Estimaremos esa probabilidad p

N ' 337

0.337 como la probabilidad de N xitos en


N 1000

N intentos y que viene dada por la distribucin binomial:

N
P( N xitos en N ) p N ' q N N '
N '
La distribucin binomial se puede aproximar mediante una normal cuando: N p > 5 y N q > 5.
23

La distribucin normal por la que aproximamos tendr media = N p y varianza 2 N p q

Adems para una distribucin normal N , 2 el 95% de las observaciones se encuentran en


el intervalo:

2 , 2

Con lo que suponiendo N p > 5 y N q > 5 tendremos que el intervalo de confianza al 95% del
nmero de aciertos N en S estar en:

N p 2

N p q , N p 2 N p q 307.10,366.89

Observar tambin que el intervalo de confianza para la proporcin de aciertos N/N es

N p 2 N pq N p 2 N pq
,

N
N

As, las estimaciones aleatorias de la integral

x 2 dx estarn dentro del intervalo

(0.30710,0.36689) con una probabilidad del 95%.


Tamao de la Simulacin
En nuestro ejemplo sabemos que:

x 2 dx

1
0.333...
3

y calculamos el rea bajo la curva mediante el mtodo de Montecalo:

N'
N

Cuntas simulaciones son necesarias para estimar S con una precisin de 0.01 por encima y
por debajo de su media?, es decir para que

S 1/ 3 0.001,1/ 3 0.001 0.3233 , 0.3433

Esto equivale a que el nmero de aciertos N est en el siguiente intervalo con un 95% de
confianza:

N ' S N xi , xd 0.3233 N , 0.3433 N

Este intervalo de confianza habr de coincidir con

N p 2

N pq , N p 2 N pq

Por tanto habrn de tener las mismas longitudes:


Luego 4 N p q 0.02 N

4 N 1/ 3 2 / 3 0.02 N N 8889

Ejercicio
Comprobar la precisin de la estimacin realizando diversas simulaciones del tipo
>> x=rand(1,8889);y=rand(1, 8889); sum(y<x.^2)/ 8889
Observacin
Otra forma alternativa de estimar el tamao de la simulacin para obtener un intervalo de

confianza de tamao 0.01 es calcular N tal que P X 0.01 0.95 , donde X=N/N.

X 0.01
0.01 X 0.01
P X 0.01 P




0.01
0.01
0.01
0.01
0.01
F
F
F
1 F
2F
1 0.95





Por tanto
24

0.01
0.01

1.95 / 2
F

Npq

0.01
1.96 N 8537
Npq
N

25

ESPERANZA DE UNA FUNCIN POR MONTE CARLO: TEOREMA ERGDICO


Dada una variable aleatoria Z, con distribucin de probabilidad p(z), es posible hallar mediante
simulacin la esperanza de alguna funcin f(Z) (la variable Z puede ser discreta, continua o
una combinacin de ambas).
Supongamos que queremos evaluar

E f Z f z p z dz

(1)

La idea es obtener un conjunto de muestras independientes z , l 1,..., L de la distribucin


l

p(z). Esto permite aproximar la integral por una suma finita

1 L
f f z l
L l 1

(2)

Notar, que en esta ltima suma ha desaparecido p(z) porque su efecto queda recogido dentro de
la muestra z , l 1,..., L ; as, si p(z) toma valores muy bajos en un subconjunto de la regin
l

de integracin la contribucin de f(x) a la integral (1) en dicha regin ser muy pequea; la baja
probabilidad en dicha regin tambin queda reflejado en la suma porque la probabilidad
de que un elemento de la muestra pertenezca a dicha regin ser muy bajo.
Como muestra la figura, que si f(z) es pequeo en regiones donde p(z) es grande, y viceversa,
entonces las expectativas pueden estar dominadas por regiones de pequea probabilidad, siendo
necesarias muestras muy grandes para alcanzar suficiente precisin.

No obstante, el teorema Ergdico asegura la convergencia

1 L
f f z l E f f z p z dz
L l 1
El problema de calcular el valor esperado se reduce a saber simular muestras aleatorias de una
determinada distribucin; veamos cmo hacerlo.
Ejemplo
Calcular E 3 X

1 x 3


1
e 2
2 2

dx sabiendo que X

N 3, 2

>> fun=@(x) (abs(x)).^(1/3)


>> x=3+sqrt(2)*randn(1,1000);
>> mean(fun(x))
>>ans = 1.3984
Ejercicio: Calcular los tres primeros momentos de la variable aleatoria X 2 2 X 1 sabiendo
que X

N 1,5
26

GENERACIN DE MUESTRAS A PARTIR DE NMEROS ALEATORIOS


UNIFORMES: TEOREMA DE LA TRANSFORMACIN INVERSA
Sea X una v.a. con una distribucin continua F. Entonces Y=F(X) tiene una distribucin
uniforme en [0,1].
Dem:
Sea X un v.a. con funcin de distribucin F x P X x . Hallemos la distribucin de
Y=F(X). Para 0 y 1

P Y y P F X y P X F 1 y F F 1 y y
Esto indica que la distribucin de Y en [0,1] coincide con la de una variable uniforme.
Este resultado posibilita la simulacin Monte Carlo de cualquier distribucin a partir de una
distribucin uniforme por medio de la transformada inversa que se define como

X F 1 U , U Unif 0,1

Ejemplo: muestreo en la distribucin exponencial


Sea p x e x , donde 0 x .
En este caso F x

x
Como y 1 e

dx e x dx e x 1 e x

ln 1 y

1
Entonces la funcin inversa es F x

ln 1 x .

As, transformando la variable uniforme U mediante la funcin y F 1 (U ) 1 ln(1 U ) ,


se tendr una distribucin exponencial.
Ejercicio de MATLAB: Hallar el histograma correspondiente a 10.000 muestras de una
distribucin exponencial.
Ejercicio: Simulacin Monte Carlo de una variable aleatoria con densidad de Cauchy

p x

1
1 x2

Comparar las funciones de densidad de Cauchy y normal:

27

1
1 x2
f ( x)
f
(
x
)

e
y
1 x2
2
1

>>f_cauchy=@(x) (1/pi)*1./(1+x.^2)
>>f_normal=@(x) (1/sqrt(2*pi))*exp(-1/2*x.^2)
>>zz=-10:0.01:10
plot(zz, f_cauchy(zz),'r',zz, f_normal(zz),'b'), xlabel('Funciones de densidad de Cauchy y
normal')
0.4
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
-10

-8

-6
-4
-2
0
2
4
6
Funciones de densidad de Cauchy y normal

10

La funcin de distribucin de Cauchy es

F ( x)

dx
1
1

x
arctg (x) arctg ( x)
2
1 x

1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
-20

-15

-10

-5
0
5
10
Funcin de distribucin de Cauchy

15

20

Esta funcin convierte un nmero real en otro nmero en el intervalo (0,1). La simulacin
Monte Carlo consiste en obtener muestras aleatorias de la distribucin de Cauchy a partir de
muestras aleatorias en de una distribucin uniforme en (0,1) por medio de la funcin inversa
F 1 ( x) , que en este caso resulta fcil de obtener pues:

arctg ( x )

x tan( y / 2)

As, transformando la variable uniforme U mediante la funcin y F 1 (U ) tan(U / 2)


, y se tendr una distribucin de Cauchy:
>>yy=rand(1,100)
MATLAB permite obtener una muestra de Cauchy del mismo tamao
>>xx=tan(pi*yy-pi/2);
Las colas de la distribucin de Cauchy son tan pesadas que no tiene momentos. En este sentido
es fcil comprobar que la integral

1 x

dx es divergente.

La no existencia de momentos implica que si hacemos diversas realizaciones los estadsticos


mean(xx), std(xx), cov(xx), var(xx)
tomarn valores indefinidos a lo largo de las realizaciones que no se aproximan a sus valores
poblacionales porque no existen.
28

Resulta instructivo comparar con lo que ocurre con muestras normales


nn=randn(1,100)
mean(nn), std(nn), cov(nn), var(nn)
Como hemos visto la simulacin Monte Carlo se basa en obtener muestras aleatorias de la
distribucin a partir de muestras aleatorias de una distribucin uniforme en (0,1) por medio de
la funcin inversa F 1 ( x) . No obstante puede resultar muy complicado encontrar esta
funcin inversa de una distribucin, tal como ocurre en la distribucin normal

1
F x
2

z /2
e dz . Por esa razn se han ideado otros procedimientos de simulacin
2

como el mtodo de aceptacin-rechazo que se muestra en uno de los apndices.

SIMULACIN DE VARIABLES ALEATORIAS DISCRETAS


Sea una variable discreta que toma valores 0, 1, 2, 3, 4 con funcin de densidad
P(X = x1=0) = 0.2
P(X = x2=1) = 0.22
P(X = x3=2) = 0.4
P(X = x4=3) = 0.12
P(X = x5=4) = 0.06
En tal caso su funcin de distribucin ser a funcin escalonada

0
0.2

0.2 0.22 0.42


F x
0.42 0.4 0.82
0.82 0.12 0.94

0.94 0.06 1

x0
0 x 1
1 x 2
2 x3
3 x 4
x4

Para generar muestras de esta variable aleatoria sorteamos nmeros en una uniforme U(0,1):
Si u=0.12 X=0
Si u=0.55 X=2
Si u=0.96 X=4
..
En general, supongamos que deseamos simular una V.A.D., X, con una distribucin de
probabilidad dada por:

29

P X x1 p1

P X x2 p2
f x
....
P X x p
n
n

Por ser probabilidades tendremos que

p
i 1

1 , y consideremos entonces el intervalo (0,1) que

lo dividiremos en n subintervalos de amplitudes p1, p2, . . . , pn.


Las coordenadas de los puntos de divisin del intervalo (0,1) sern:

y1 p1
y p p
2
1
2

....
yn p1 p2 ... pn 1
Cada vez que tengamos que simular el valor de la V.A. X, tomaremos un nmero aleatorio de
una distribucin U(0,1) y consideraremos y .
Si y pertenece al subintervalo i-simo, [yi1, yi), entonces diremos que dicha variable
tomar el valor X = xi.
En efecto como U 0,1 , entonces:

P yi 1 yi P p1 ... pi 1 p1 ... pi pi
Ejemplo
En un servicio de reparaciones, la demanda diaria de una pieza de recambio sigue este patrn:
Durante los ltimos 200 das se han demandado 0 unidades 10 das, etc..:
Demanda Frecuencia Prob

f x

F x

xi

ni

10

0.05

0.05

40

0.20

0.25

60

0.30

0.55

40

0.20

0.75

50

0.25

1.00

200

Mediante la bifurcacin condicional IF y el generador uniforme de nmeros aleatorios es


posible simular, mediante MATLAB, 10.000 muestras del nmero de productos que se
demandarn durante los prximos das. Para ello simularemos un nmero aleatorio x U 0,1

30

y, tras comprobar a que intervalo [ yi 1 , yi ) pertenece, asignaremos una determinada demanda

xi de productos tal como muestra el siguiente programa llamado


Monte_Carlo_servicio_reparaciones.m:
x=rand;%simula la frecuencia acumulada
if x<0.05
numero_clientes=0;
elseif x>=0.05 & x<.05+0.2
numero_clientes=1
elseif x>=0.05+0.2 & x<0.05+0.2+0.3
numero_clientes=2
elseif x>=0.05+0.2+0.3 & x<0.05+0.2+0.3+0.2
numero_clientes=3
else
numero_clientes=4
end

Ejercicio de examen
A partir estas simulaciones, hallar el nmero medio estimado de consultas diarias y comprobar
con el resultado terico que proporciona la teora de probabilidades.

31

MUESTREO EN UNA DISTRIBUCIN DE POISSON: SIMULACIN DE CRISIS


FINANCIERAS
Con la distribucin de Poisson se pretende modelizar el nmero de hechos de naturaleza
aleatoria que se pueden producir en un intervalo de tiempo, por ejemplo el nmero de
llamadas telefnicas que recibe una centralita, el nmero de goles marcados en un partido el
primer tiempo o el nmero de crisis financieras durante los prximos diez aos. El proceso ha
de verificar tres condiciones:
1. El nmero de ocurrencias en dos intervalos de tiempo disjuntos deben ser
independientes entre s. Por ejemplo, aunque no se hayan recibido llamadas en una
central durante las ltimas tres horas, la probabilidad de que se reciba una llamada
durante la prxima hora resultar inalterada.
2. La probabilidad de una ocurrencia en un pequeo intervalo de tiempo t es
aproximadamente
proporcional
a
la
amplitud
del
intervalo:

P X 1 t , P X 0 1 t

3. La probabilidad de que se produzcan 2 o ms ocurrencias en un pequeo intervalo


es un infinitsimo de orden superior a que haya solo una ocurrencia.
En este caso se puede demostrar que el nmero de ocurrencias en cualquier intervalo de tiempo
fijo de longitud t tendr una distribucin de Poisson de media t .
Suponiendo que la longitud del intervalo de tiempo es la unidad la distribucin ser

pi P X i e

i 0,1, 2,...

i!

Observar que

p0 P X 0 e

p1 P X 1 e

p2 P X 2 e

0!
1!
1!

e
e 2 / 2!

Como

E X ie
i 0

i
i!

i 1

i 1

i 1!

El parmetro de intensidad de la distribucin es el nmero medio ocurrencias que cabe


esperar que se produzcan en un intervalo unitario (media de la distribucin); y que tambin
coincide con la varianza de la distribucin.
En MATLAB
>>landa=0.1; % en promedio se produce un hecho cada diez das
>> i=0:5;
>> p(i)=exp(-landa).*landa.^i./gamma(i+1)
>> p(i) = 0.9048 0.0905 0.0045 0.0002 0.0000
Para generar una muestra Poisson, primero generamos una uniforme U entre cero y 1.
Si U p0 e 0.9048 entonces X 0 porque no se ha producido el suceso.
Si p0 0.9048 U p0 p1 0.9953

X 1

Si p0 p1 0.9953 U p0 p1 p2 0.9998

X 2

Si p0 p1 p2 0.9998 U p0 p1 p2 p3 1

X 3

32

Y as sucesivamente.
La obtencin de las probabilidades de la distribucin de Poisson puede hacerse recursivamente
por medio de la formula pi 1

i 1

pi

,i0

El proceso de simulacin se resume en el siguiente algoritmo:


landa=0.99;
p=exp(-landa); %P(X=0)
F=p; %Primera frecuencia acumulada
U=rand;
for i=1:10
if U<F; X=i-1;break; end
p=landa*p/(i+1);F=F+p;
end
X

Dada una muestra x1 ,..., xn de una distribucin de Poisson, la funcin de verosimilitud es


n

L e
i 1

x i!

e n

xi
i 1

x !
i 1

El logaritmo de la verosimilitud ser

n
log L n xi log C
i 1
La estimacin mximo verosmil ser
n

xi

log L
n i 1

x
i 1

Ejemplo
Supongamos una muestra aleatoria de 10 observaciones de una distribucin Poisson:
5, 0, 1, 1, 0, 3, 2, 3, 4, 1
En este caso

20
2
10

MUESTREO EN UNA DISTRIBUCIN UNIFORME Y NORMAL EN MATLAB


Matriz 2x10 de nmeros aleatorios distribuidos uniformemente:
>> X6=rand(2,10)
Matriz 3x4 de nmeros aleatorios gaussianos:
>> X5=randn(3,4)
Basndonos en el generador randn de nmeros aleatorios Gaussianos N(0,1), es posible
muestras aleatorias de cualquier distribucin normal. Por ejemplo, para generar nmeros
aleatorios muestreados de una normal N ( , 2 ) bastar con realizar sucesivamente la
operacin * randn , es decir,
>> mu+sigma*randn
33

donde mu y sigma .
Ejercicio.
Escribir una sucesin de 1000 nmeros en los intervalos que se citan a continuacin.
Empleando la funcin hist(x) , que veremos posteriormente, hallar sus correspondientes
histogramas.
a) Numeros aleatorios uniformemente distribuidos entre 2 y 2.
b) Nmeros aleatorios uniformemente distribuidos entre 0 y 5.
c) Nmeros aleatorios gaussianos con media 2 y varianza 3.
d) Nmeros aleatorios gaussianos con media 1 y varianza 0.1.
Ejercicio: Ilustracin del teorema central del lmite: Si tipificamos una suma de distribuciones
idnticas obtenemos, asintticamente, una distribucin normal. Para ello procedamos a sumar
distribuciones uniformes en el intervalo [0,1], tipifiquemos, y hallemos su histograma.

34

SOLUCIN AL PROBLEMA DEL MERCADO CON AYUDAS GUBERNAMENTALES


Veamos cmo resolver la ecuacin de equilibrio de expectativas que se present en el modelo
con ayudas gubernamentales:
Superficie cultivada:

S 0.5 0.5E max p,1


Cantidad ofertada aleatoria

qSy , y

N 1,0.1

Funcin de demanda inversa del mercado


p 3 2q
Equilibrio del mercado con las expectativas

p 3 2S y 3 2 0.5 0.5E max p,1 y


S

Tomando expectativas

E p E 3 2a y 3 2 0.5 0.5E max p,1 E y 3 2 0.5 0.5E max p,1


Es decir, tenemos que resolver la ecuacin

E p 3 2 0.5 0.5E max p,1

Otra forma de hacerlo sera resolver la ecuacin

S 0.5 0.5E max 3 2 Sy ,1

La solucin requiere utilizar Monte Carlo y mtodos iterativos de punto fijo


% generamos 1000 valores de y N(1,0.1)
y=1+sqrt(0.1)*randn(1,1000);
S=[];S(1)=1;
for i=1:100
S(i+1)=0.5+0.5*mean(max(3-2*S(i)*y , 1));
if abs(S(i+1)-S(i))<1.e-8, break, end
end
disp(S);
La solucin es, aproximadamente
S=1.1;
Como p 3 2q 3 2Sy

E p 3 2S 0.8 , que es el precio esperado en el

mercado.
Considerando que y=1+sqrt(0.1)*randn(1,1000) resulta que

E max p,1 mean max p,1 1.19

que es el precio esperado por el agricultor.


Recordar que la cantidad producida por el agricultor y el precio son variables aleatorias

q S y 1.1 N 1,0.1

p 3 2q 3 2.2 N 1,0.1

35

Alternativamente, partiendo de la ecuacin E p 3 2 0.5 0.5E max p,1 , la


solucin tambin podra obtenerse de la forma
% generamos 1000 valores de y N(1,0.1)
y=1+sqrt(0.1)*randn(1,1000);
S=1;
for i=1:100
S_old=S;
p=3-2*S*y;
S=0.5+0.5*mean(max(p,1));
if abs(S-S_old)<1.e-8, break, end
end
disp(S);
Otra forma de desarrollar el algoritmo es mediante el bucle WHILE:
% generamos 1000 valores de y N(1,0.1)
y=1+sqrt(0.1)*randn(1,1000);
S=[];S(1)=0.5;
dif=2;
i=1;
while dif>0.0001
S(i+1)=0.5+0.5*mean(max(3-2*S(i)*y,1));
dif=abs(S(i+1)-S(i));
i=i+1;
end
disp(S);

36

TRABAJO EN GRUPO: MTODO DE LA BISECCIN PARA ENCONTRAR LAS


RACES DE UNA ECUACIN.
Sea una ecuacin no lineal de la forma f(x) = 0 y supongamos que se conocen dos puntos a y b
del dominio en el que est definida f(x) tales que: a < b y que en ellos f(a) tiene signo contrario
a f(b), es decir que f(a) f(b) < 0.
Supongamos que f(a) y f(b) son no nulos pues si alguno de ellos fuese nulo ya se tendra una
solucin de la ecuacin. En estas condiciones si f(x) es una funcin continua en [a, b], por
aplicacin del teorema de los valores intermedios, existir al menos un punto x de este
intervalo en el que f(x) se anule3.

Una primera aproximacin de este punto x puede ser el punto medio:


x1 =(a + b)/2
Si f(x1) = 0 ya se tendra calculada una raz. Supongamos f x1 0
Si f(a) f(x1) < 0 se podr afirmar que en el intervalo [a, x1] habr una raz.
Si f(a) f(x1) > 0 se verificar que f(x1) f(b) < 0 por lo que habr, al menos una raz, en el
intervalo [x1, b].
Se habr definido as un nuevo intervalo [a1, b1] en que encerrar la raz y en el que puede
aplicarse nuevamente el proceso anterior.
En general, partiendo de un intervalo [aj , bj ] en el que f(aj) f(bj) < 0 se procede
de la siguiente forma:
1. Se obtiene el punto medio del intervalo: xj+1 = aj+bj
2. Si f(xj+1) = 0 se habr obtenido una solucin de la ecuacin: el punto xj+1 y se detiene el
proceso. En caso contrario:
a) Si f(aj) f(xj+1) < 0 se denotar por: aj+1 = aj y por bj+1 = xj+1.
b) Si f(aj) f(xj+1) > 0 se denotar por: aj+1 = xj+1 y por bj+1 = bj .
3. Una vez obtenido el nuevo intervalo [aj+1, bj+1], se repite el proceso anterior.

El que existaal menos un punto en el que se anule f(x) no quiere decir que solo haya uno. Contando cada raz de f(x) tantas
veces como sea su multiplicidad, si f(a) f(b) < 0, habr en general un nmero impar de races de f(x) en el intervalo [a, b]. Y si f(a)
f(b) fuese positivo o no hay ninguna raz o habr un nmero par de ellas.

37

function raiz=biseccion ( fun , a , b , tol )


% Resolucin de la ecuacin fun(x)=0 mediante el algoritmo de biseccin.
% Argumentos:
% fun: es la funcin cuya raz se desea calcular (debera definirse
% previamente como annima.
% a: Extremo inferior del intervalo inicial
% b: Extremo superior del intervalo inicial
% tol: tolerancia; si |b-a|<tol el algoritmo se detiene
if a>b % Se comprueba que a<b
aa=a ; % Si b>a se permutan sus valores.
a=b ;
b=aa ;
end %if
xm=(a+b ) / 2 ;
if fun ( a ) *fun ( b )>0 % Comprueba que el signo difiere
% en los extremos del intervalo
disp ( 'ERROR:Debe introducir otro intervalo' )
elseif abs (ba )<tol
raiz=xm ;
else
while ( ( fun ( xm ) ~=0)&& abs (ba )>tol )
if fun ( xm ) *fun ( b )<0
a=xm ;
else
b=xm ;
end % if
xm=(a+b ) / 2 ;
end % while
raiz=xm ;
end % if
raiz ;
end % function
Ejercicio: aplicar el mtodo de biseccin a las funciones

y 2 x 2 10 x 3

y e x 1

1
1 x

38

TRABAJO EN GRUPO EN GRUPO: DUOPOLIO DE COURNOT (1838) CON


DEMANDA LINEAL
Supongamos dos empresas que producen un bien idntico, o bienes que son sustitutivos
perfectos, en cantidades q1 y q 2 . Cada una de ellas utilizar como estrategia la cantidad qi que
produce. La oferta del mercado ser q q1 q2 , mientras que la funcin de demanda inversa
es p M q1 q2 . Hemos supuesto que no hay costes fijos y que los costes marginales son
constantes e iguales c M .
Los beneficios de cada empresa sern

B1 (q1 , q2 ) pq1 cq1 ( p c)q1 (M c q1 q2 )q1


B2 (q1 , q2 ) pq2 cq2 ( p c)q2 (M c q1 q2 )q2
Curva de reaccin de I ( respuesta ptima de la empresa I ante la eleccin de q 2 de II):

B1
M c 2q1 q2 0 ,
q1

Max B1 (q1 , q2 ) :
q1

q1 R1 (q2 )

M c q2
2

Curva de reaccin de II ( respuesta ptima de la empresa II ante la eleccin de q1 de I):

B2
M c 2q2 q1 0 ,
q2

Max B2 (q1 , q2 ) :
q2

q2 R2 (q1 )

M c q1
.
2

El equilibrio de Nash se da donde se cortan las curvas de reaccin q1 R1 (q2 ) y q2 R2 (q1 ) .

M c q2

2q1 q2 M c
M c
2
*
*

q1 q2

M c q1
q1 2q2 M c
3
q2

2
M c
*
*
El equilibrio de Nash ser q1 q2
.
3
2
M 2c
*
El precio de equilibrio del mercado ser pCournot M ( M c)
.
3
3
q1

M c
.
3
2

El beneficio de cada empresa es B1 (q1* , q2* ) B2 (q1* , q2* )

Ejemplo
Consideremos un duopolio de Cournot donde la funcin de demanda inversa es

p q 1/ q1 q2

1/

Y donde las dos empresas se enfrentan a unas funciones de costes

Ci qi

1 2
ci qi
2

, i 1, 2

Los beneficios de las empresas sern entonces


39

B1 q1 , q2 p q1 C1 q1 q1 q2

1/

B2 q1 , q2 p q2 C2 q2 q1 q2

q1 1/ 2c1q12

1/

q2 1/ 2c2 q22

El equilibrio de Nash se obtendr entonces resolviendo el sistema de ecuaciones

B1
dp
q1 , q2 p q1 C1 ' q1 0
q1
dq1
B2
dp
q1 , q2 p q2 C2 ' q2 0
q2
dq2
As, los outputs q1 y q2 de ambas empresas que producen equilibrio en el mercado son las
races del sistema de dos ecuaciones no lineales

f1 q1 , q2 q1 q2

1/

f 2 q1 , q2 q1 q2

1/

1/ q1 q2

1/ 1

1/ q1 q2

1/ 1

q1 c1q1 0
q2 c2 q2 0

Un atajo: el juego es simtrico y c1 c2 . En ese caso q1 q2 y el equilibrio de Nash puede


hallarse con un Newton-Raphson univariante resolviendo la ecuacin

2q

1/

1/ 2q

1/ 1

q cq 0

Supongamos que 1.6 , c1 0.6 , c2 0.8 . Para hallar el EN debemos aplicar un NewtonRaphson multivariante.
Previamente, a partir de la funcin cournot.m obtenemos la funcin

f1 / x1 f1 / x2
.
f 2 / x1 f 2 / x2

f f1 q1 , q2 , f 2 q1 , q2 y su Jacobiano: f '

function
[fval,fjac]=cournot(q)
% q es un vector columna
c=[0.6;0.8]; eta=1.6; e=-1/eta;
fval=sum(q)^e+e*sum(q)^(e-1)*q-diag(c)*q;
fjac=e*sum(q)^(e-1)*ones(2,2)+e*sum(q)^(e-1)*eye(2)
+(e-1)*e*sum(q)^(e-2)*q*[1 1]-diag(c); % matriz Jacobiana

Tomando como valor inicial q1 q2 0.2 , podemos ejecutar el programa


Newton_Raphson_cournot.m:
%Algoritmo de Newton-Raphson bivariante
q=[];
q=[0.2,0.2]'; %valor inicial
for i=1:10
[fval,fjac]=cournot(q);
q=q-inv(fjac)*fval;
if norm(inv(fjac)*fval)<1.e-8, break, end
end
disp(q(1))
disp(q(2))

Obtenemos as unas cantidades de equilibrio q1 0.8396 y q2 0.6888 con una tolerancia


por defecto de 1.5 x10 8 .
40

Repetir el problema con fsolve.

TRABAJO EN GRUPO EN GRUPO: MTODOS QUASI-NEWTON


Sse remplaza la matriz Jacobiana por una aproximacin que es ms fcil de computar. En el
caso univariante se trata de sustituir la tangente por la secante de modo que la derivada se
aproxima por la pendiente de la secante en las dos iteraciones previas:
f ( xi ) f ( xi 1 )
f '( xi )
xi xi 1
De esta forma, el algoritmo de Newton-Raphson xi 1 xi

xi 1 xi

f ( xi )
se transforma en
f ' ( xi )

xi xi 1
f ( xi )
f ( xi ) f ( xi 1 )

% Demanda inversa por Quasi-Newton


q=@(p) 0.5*p.^(-0.2)+0.5*p.^(-0.5)-2

41

p=[]; p(1)=0.9;p(2)=0.1;
%h=0.000001;
%for i=1:10
for i=2:10
%deriv_q=(q(p(i)+h)-q(p(i)))/h;
%p(i+1)=p(i)-q(p(i))/deriv_q;
secante=(q(p(i))-q(p(i-1)))/(p(i)-p(i-1));
p(i+1)=p(i)-q(p(i))/secante;
end
p

En el caso multivariante es muy popular el algoritmo de Broyden en el que

xk 1 xk f '( xk )

f ( xk )

se convierte en

xk 1 xk Ak

f ( xk )

Donde Ak es una aproximacin de la matriz Jacobiana.


La Toolbox CompEcon incluye una rutina llamada broyden.m que permite esta aproximacin.
Tomando como valor inicial q1 q2 0.2 , podemos aplicar la funcin broyden.m:
>> q=broyden(cournot,[0.2;0.2]);
Obtendramos unas cantidades de equilibrio q1 0.8396 y q2 0.6888 con una tolerancia por
defecto de 1.5 x10 8 . Observar que la funcin cournot.m que ahora necesitamos no requiere la
matriz Jacobiana.
Repetir el problema con fsolve.

TRABAJO EN GRUPO EN GRUPO: CUADRATURA GAUSSIANA

Dada una funcin de pesos w x definida en un intervalo de la recta real I R y un


determinado orden de aproximacin n, los nodos de cuadratura x1 , x2 ,..., xn y los pesos de
cuadratura w1 , w2 ,..., wn son elegidos de modo que se satisfagan la coincidencia de los 2n
momentos:

x k w x dx wi xik

, k 0,1,...., 2n 1

i 1

Como una funcin puede ser aproximada por un polinomio, la aproximacin de una integral se
realiza entonces formando una suma ponderada con los pesos prescritos en los nodos descritos
anteriormente:

f x w x dx wi f xi
i 1

Por construccin una cuadratura Gaussiana es exacta de orden 2n-1, lo que significa que salvo
error de redondeo, calcular exactamente la integral de un polinomio de orden 2n-1 o menor,
42

con respecto a las funciones de peso. De este modo, si la funcin f(x) puede ser aproximada por
un polinomio, la cuadratura Gaussiana proporcionar una aproximacin adecuada a la integral.
Cuando w x 1 dicha cuadratura se llama de Gauss-Legendre y aproxima el rea bajo la
curva.
Cuando w x es la funcin de densidad de probabilidad de alguna variable aleatoria continua
X, la curvatura Gaussiana tiene una interpretacin directa pues discretiza la variable continua
X reemplazndola por una variable discreta con masa en los puntos xi y probabilidades

wi que aproximan X en el sentido que ambas variables tienen los mismos momentos hasta
el orden menor que 2n:
n

w x
i 1

k
i i

E X k , k 0,1,...., 2n 1

Dado los puntos de masa y las probabilidades de la aproximacin discreta, la esperanza de


cualquier funcin de la variable continua X puede ser aproximada usando la esperanza de la
funcin aproximante discreta, lo que requiere tan solo la aproximacin de una suma ponderada:
n

E f X f x w x dx wi f xi
I
i 1

Por ejemplo, la aproximacin de tres puntos a la distribucin normal standard univariante Z est
caracterizada por la condicin de que los momentos del 0 al 5 coinciden con los de la normal
standard:

E Z 0 1 , E Z 1 0 , E Z 2 1 , E Z 3 0 , E Z 4 3 , E Z 5 0
Es fcil verificar que estas condiciones se satisfacen por la variable aleatoria

x1 3 , x2 0 , x3 3 y con probabilidades asociadas x1 1/ 6 , x2 2 / 3 , x3 1/ 6


Solucin al problema de ayudas gubernamentales mediante cuadratura Gausiana
Lo primero que debe hacerse es aproximar la distribucin normal original y

N 1,0.1 por

una distribucin discreta y1 ,..., yn con pesos w1 ,..., wn , que tenga iguales los momentos de
orden bajo. Esto se consigue con la rutina qnwnorm.m de la librera CompEcon de MATLAB.
[y,w]=qnwnorm(10,1,0.1);
De aqu se obtienen tanto la distribucin discreta de 10 puntos y1 ,..., y10 como los 10 pesos

w1,..., w10 para aproximar

N 1,0.1 .

Despus ejecutaremos el siguiente programa


S=1;
for i=1:100
S_old=S;
p=3-2*S*y; % y=y1,,y10
f=w*max(p,1); % w= w1,,w10 permite la aproximacin de E[max(p,1)]
S=0.5+0.5*f;
if abs(S-S_old)<1.e-8, break, end
end
43

disp(S); disp(w*p); disp(f);


El equilibrio de expectativas racionales computado por el programa ser:
S=1.1; E[p]=0.81; E[max(p,1)]=1.19

44

TRABAJO EN GRUPO: MTODO ACEPTACIN-RECHAZO


Fue introducido por Von Neumann en 1951 y puede aplicarse al caso multivariante.
Se basa en generar muestras de una distribucin objetivo a base de generar primero candidatos a
partir de otra distribucin ms conveniente y rechazar aleatoriamente un subconjunto de los
candidatos generados.
Supongamos que queremos generar muestras de una funcin de densidad f definida en un
conjunto Z R d . Sea g otra funcin de densidad en Z de la que es fcil generar muestras y que
tiene la propiedad f x cg x , x Z , para alguna constante c.

En el mtodo de aceptacin- rechazo se genera una muestra X a partir de g y se acepta con


probabilidad f(X)/cg(X); esto puede implementarse muestreando una variable uniforme U sobre
(0,1) y aceptando X si U f X / cg X . Si X se rechaza se vuelve a muestrear otro
candidato a partir de g y se le vuelve a aplicar el test de aceptacin:
1. Generar X a partir de la distribucin g
2. Generar U a partir de una Unif[0,1]
3. Si U f X / cg X aadir X a la muestra de f
4. En otro caso volver al paso 1
De forma ms intuitiva, si X resulta poco verosmil como muestra de f , f X / cg X ser
pequeo luego ser poco probable que U f X / cg X ; as aceptaremos con una
probabilidad baja (de f X / cg X ) que X sea una muestra de f .
Ejercicio: empleando el mtodo de aceptacin rechazo generar una normal a partir de una
doble exponencial (Glasserman, pgina 60).
La funcin de densidad exponencial p x e x , donde 0 x , tiene como distribucin

F x

x
x
x
x
e dx e dx e 0 1 e
x

As, ser posible obtener muestras de una distribucin exponencial transformando la variable
uniforme U mediante la funcin y F 1 (U ) 1 ln(1 U ) .
Es posible generar muestras de una normal f x
exponencial g x

1 x
e . Teniendo en cuenta que
2

1 x2 /2
e
a partir de una doble
2

1 2
1
x x
2
2

, resulta fcil encontrar una

cota superior al cociente f x / g x :

f x
2 12 x2 x
2 12
2e

e
1.3155 c
g x

As, la densidad normal est dominada por un mltiplo de la doble exponencial como muestra la
figura

45

Las muestras positivas de g(x) pueden ser generadas a partir de una uniforme de la forma

y F 1 (U ) ln(1 U )
El algoritmo para generar una normal es el siguiente:
1. Generar tres variables uniformes U1 ,U 2 ,U 3
2. Generar una variable exponencial positiva X ln(1 U1 )
3. Si U 2 e

1
x 2 x 1/2
2

volver al paso 1

4. Si U 3 0.5 hacer X X (para darle a veces signo negativo)


% Genera muestras de una normal por el mtodo de Aceptacion-Rechazo
% a partir de una doble exponencial
XX=[];
while size(XX)<1
U1=rand; U2=rand; U3=rand;
X=-log(1-U1);
if U2<=exp(0.5*X.^2+abs(X)-0.5)
XX=[XX X];
if U3<=0.5
XX=-XX;
else
end
else
end
end
XX

TRABAJO EN GRUPO EN GRUPO: LA DISTRIBUCIN BETA


Es una generalizacin de la distribucin binomial: probabilidad de obtener m xitos en n
pruebas de Bernoulli P X m

n!
nm
p m 1 p
m! n m !

La densidad beta en [0,1] con parmetros 0 1 , 2 R es

f x

1 2 1 1
1
x 1 x 2 , 0 x 1
1 2

Donde

e x x 1dx

Se verifica que 1 1 y cuando es un nmero entero n n 1!


46

MATLAB tiene la funcin gamma:


gamma(4)=3!=6
gamma(4.5)= 11.6317
Ejercicio: obtener estos valores aproximando numricamente el valor de al integral

e x x 1dx
0

Haciendo variar los valores de los parmetros 0 1 , 2 R obtenemos una distribucin de


soporte acotado con muy diversas formas.
Ejercicio: dibujar las funciones de densidad beta para los siguientes conjuntos de parmetros:
0.5
0.5
1
1
1
2
2
2
2
3
3
1

0.5

0.5

Generacin de muestras de la distribucin beta por el mtodo de aceptacin-rechazo

Si 1 , 2 1 la densidad beta es unimodal y alcanza su mximo en 1 1 / 1 2 2 . Si


c es el valor de la densidad en este punto, f x c , x ; entonces podemos elegir una
densidad uniforme g x 1, 0 x 1 (que es la beta para 1 2 1 ). El mtodo de
aceptacin-rechazo se convierte en:
1. Generar U1 y U 2 Unif[0,1]
2. Si cU 2 f U1 almacenar U1
3. En caso contrario volver al paso 1
La figura ilustra el procedimiento para 1 3, 2 2 .

TRABAJO EN GRUPO EN GRUPO: MOMENTOS DE LA DISTRIBUCIN BETA


POR EL MTODO DE IMPORTANCE SAMPLING
A la hora de evaluar E f f z p z dz es posible utilizar una distribucin alternativa
q(z) de la cual sea fcil extraer muestras tal como ilustra la siguiente figura:

47

En tal caso podemos expresar la esperanza en forma de una suma finita sobre muestras z
l

extradas a partir de q(z):

p z
E f f z p z dz f z
q z dz
q z
Las cantidades rl

l
1 L p z
f z l

L l 1 q z

son conocidas como pesos de importancia y corrigen el sesgo


q z
p z l
l

introducido por efectuar un muestre a partir de una distribucin equivocada.


Ejercicio: calcular E X 2 cuando la variable X tiene una distribucin beta con

1 2 ; 2 1 . Para ello aplicar un mtodo de muestreo por importancia extrayendo 10.000


muestras por medio de una distribucin uniforme. Repetir el ejercicio extrayendo muestras a
partir de una distribucin normal.

TRABAJO EN GRUPO: TCNICAS DE REDUCCIN DE LA VARIANZA


Variables antitticas
Esta tcnica se utiliza para reducir la varianza del estimador de la media.
En la mayora de las simulaciones, los experimentos tienen por objetivo obtener valores medios
de los resultados que se muestrean (de sus distribuciones).
El mtodo utilizado es el de realizar varias replicaciones independientes.
Cuanto mayor sea la varianza obtenida, mayor debe ser la cantidad de replicaciones a realizar.
Si tenemos N replicaciones X 1 , X 2 ,..., X N de una variable X su media E[X] se estima mediante
el estimador insesgado X

Var X

1
N

X
i 1

. La precisin de esta estimacin se obtiene mediante

1 N
Var
X

2
Cov X i , X j

i
2
N i 1
i , j 1, i j

Si las variables son independientes se tiene Var X

1 N

Var X i
2
N i 1

Una forma sencilla para reducir la varianza en la estimacin de E[X] consiste en hacer que
cada variable con ndice par est negativamente correlada con la variable de ndice
siguiente (siendo independientes de las dems). La forma ms sencilla de conseguir esto cuando
se utiliza el mtodo de inversin para simular las X i consiste en tomar un valor U

U 0,1

48

para simular X 2i 1 y el valor 1 U

U 0,1 para simular X 2i , su variable antittica, para

i 1, 2,..., N / 2 , si N es par.
En el caso particular de simulacin de una trayectoria de una variable independiente con
distribucin normal estndar, la variable antittica puede ser implementada haciendo pares entre
Z1;Z2; : : : iid N(0,1) y -Z1;-Z2; : : : de variables iid N(0,1).
Veamos que el procedimiento de simulacin con variables antitticas es insesgado y de
varianza mnima.
Sean Yi y Yi variables antitticas, muestradas a partir de Y que tienen la misma distribucin
pero que no son independientes. El estimador antittico YAN de E[Y] se define como
N

1 N
YAN
Y

i Yi
2 N i 1
i 1

Resulta inmediato comprobar que el estimador antittico YAN es insesgado: E YAN E Y .

Tambin es inmediato ver que YAN es eficiente (tiene varianza mnima):


N
N

1 N
Var YAN
Var
Y

Var
Y

Cov
Y
,
Y

i
i
i
i
4 N 2 i 1
i 1
i , j 1, i j

N
N

1 N
1 N
NVar Yi Var Yi

Var
Y

Var
Y

Var
Y

Var
Y

i
i
i
i

4N 2 4N
2
4 N 2 i 1
i 1
i 1

4 N i 1

Por tanto, dicha varianza es inferior a la del estimador de Monte Carlo para una muestra de 2N
observaciones independientes

2N

Var Yi Var Y
i

Var i 1
2
N
2
N

TRABAJO EN GRUPO: MERCADO CON AYUDAS GUBERNAMENTALES Y


DISTRIBUCIN BERNOUILLI Y LOGNORMAL
(Miranda Fackler pgina 5)
En el mercado de productos agrcolas con expectativas racionales considerado la superficie
cultivada vena dada por la expresin

a 0.5 0.5E p
En el modelo que se haba considerado, despus de haber plantado, la cantidad de cosecha
efectivamente obtenida depende de la cantidad plantada a travs de un rendimiento aleatorio

N 1,0.1 , de modo que la cantidad ofertada es otra variable aleatoria

q a y
Supongamos ahora que el rendimiento y tiene una distribucin de dos puntos en los cuales los
rendimientos de 0.7 y 1.3 son igualmente probables.
a) Calcular la esperanza y la varianza del precio sin pagos de soporte gubernamental.

49

b) Calcular la esperanza y la varianza del precio efectivo del productor suponiendo un


soporte gubernamental de precio 1.
c) Cul es el subsidio esperado del gobierno por acre plantado?
Ejercicio (Miranda Fackler pgina 111)
Un gobierno estabiliza la oferta y la demanda de una mercanca a S=2 pero permite que el
precio est determinado por el mercado. La demanda domstica y de exportacin est dada por

D 1 P 1 , X 2 P 0.5
Donde log 1 , log 2 estn normalmente distribuidas con media 0 y varianzas 0.02 y 0.01
respectivamente y covarianza 0.01.
a) Calcular el precio esperado E(p) y la varianza ex ante del precio Var(p) usando una
discretizacin Gaussiana de 100 nodos para los shocks de demanda.
b) Calcular el precio esperado E(p) y la varianza ex ante del precio Var(p) usando un
esquema de integracin de Monte Carlo con 1000 replicaciones.
Ejercicio (Miranda Fackler pgina 111)
Consideremos un mercado agrcola con granjeros que reciben un pago gubernamental p p
por unidad de output siempre que el precio del mercado caiga por debajo de un precio objetivo
anunciado p . En este mercado los productores basan sus decisiones de plantacin en sus
expectativas sobre el precio de produccin efectivo f max p, p ; de manera especfica, el
terreno plantado est dado por

a 1 Ef

0.5

La produccin q es igual al terreno plantado a multiplicado por un rendimiento aleatorio y ,


desconocido en el momento en que se planta

q ay
Y la cantidad demandada al recoger la cosecha est dada por

q p 0.2 p 0.5
Supongamos que en el momento de plantar, log y est normalmente distribuido con media 0
y varianza 0.03. Para p 0 , p 1 , p 2 , calcular
a) El subsidio esperado E q f p
b) El precio de produccin esperado ex ante E f
c) La varianza ex ante del precio de produccin Var f
d) La ganancia ex ante esperada de los productores E fq
e) La varianza ex ante de la ganancia esperada Var fq
TRABAJO EN GRUPO: CMPUTO DE UNA ESTIMACIN MXIMO VEROSMIL
Ejemplo 1: Muestreo en una distribucin gamma (DeGroot pgina 332)
Consideremos que las variables X 1 ,..., X n constituyen una muestra aleatoria de una
distribucin gamma cuya funcin de densidad es

50

f x /

x 0 donde x 1e x dx

x 1e x

Estimar por mxima verosimilitud el valor de para una muestra dada.


Ejemplo 2: Muestreo en una distribucin de Cauchy (DeGroot pgina 332)
Consideremos que las variables X 1 ,..., X n constituyen una muestra aleatoria de una
distribucin de Cauchy cuya funcin de densidad es

f x /

2
1 x

Estimar por mxima verosimilitud el valor de para una muestra dada.


Ejemplo 3: Muestreo en una distribucin de logstica (McCabe y Tremayne pgina 121)
Consideremos que las variables X 1 ,..., X n constituyen una muestra aleatoria de una
distribucin logstica cuya funcin de distribucin es

F x /

exp x
1 exp x

Estimar por mxima verosimilitud el valor de para una muestra dada.


Ejemplo 4: (McCabe y Tremayne pgina 138)
Consideremos que las variables X 1 ,..., X n constituyen una muestra aleatoria de una
distribucin normal con media y varianza 4

f x / ,

1
e
2

1 x

1
2 2

1 x
2
2

Estimar por mxima verosimilitud el valor de para una muestra dada.

51

TRABAJO EN GRUPO: BOOTSTRAPPING


El bootstrapping (o bootstrap) es un mtodo de remuestreo propuesto por Bradley Efron en
1979. Se utiliza para aproximar la distribucin en el muestreo de un estadstico. Se usa
frecuentemente para aproximar el sesgo o la varianza de un anlisis estadstico, as como para
construir intervalos de confianza o realizar contrastes de hiptesis sobre parmetros de inters.
En la mayor parte de los casos no pueden obtenerse expresiones cerradas para las
aproximaciones bootstrap y por lo tanto es necesario obtener remuestras en un ordenador para
poner a prueba el mtodo. La enorme potencia de clculo de los ordenadores actuales facilita
considerablemente la aplicabilidad de este mtodo tan costoso computacionalmente.
Bootstrapping es un mtodo estadstico para la estimacin de la distribucin de muestreo de un
estimador mediante el muestreo con reemplazamiento de la muestra original, lo ms a menudo
con el propsito de derivar estimaciones robustas de errores estndar y los intervalos de
confianza de un parmetro de la poblacin como una media, mediana, proporcin,
probabilidades relacin, coeficiente de correlacin o coeficiente de regresin. Tambin puede
ser utilizado para la construccin de las pruebas de hiptesis. A menudo se utiliza como una
alternativa slida a la inferencia basada en supuestos paramtricos cuando esos supuestos estn
en duda, o cuando la inferencia paramtrica es imposible o requiere frmulas muy complicadas
para el clculo de errores estndar.
La verdadera estimacin Monte Carlo requiere un conocimiento total de la poblacin, pero por
supuesto esta no est generalmente disponible. Tpicamente, tenemos solo una muestra extrada
de esa poblacin. La idea bsica del bootstrap es tratar la muestra como si fuera la
poblacin, y aplicar el muestreo Monte Carlo para generar una estimacin emprica de la
distribucin muestral del estadstico. Esto se hace extrayendo un gran nmero de
"remuestras" de tamao n de la muestra original aleatoriamente y con reposicin.
El bootstrap permite resolver problemas relacionados con
Valorar el sesgo y el error muestral de un estadstico calculado a partir de una
muestra.
Establecer un intervalo de confianza para un parmetro estimado.
Realizar una prueba de hiptesis respecto a uno o ms parmetros
poblacionales.
Consideremos una muestra aleatoria X x1 , x 2 ,...., x n generada por una distribucin de
probabilidad desconocida F. Supongamos que deseamos estimar un parmetro zeta de
inters t (F ) de la poblacin sobre la base de la muestra X.
Los valores correspondientes a la muestra nos permiten obtener la distribucin
emprica Fn de F

1 x 0
1 n
Fn x x xi , donde x
n i 1
0 x 0

As, nFn x es el nmero elementos de la muestra menor o iguales que x.


Si X 1 , X 2 ,..., X n son los estadsticos de orden para la muestra la funcin de distribucin
emprica tambin puede escribirse como

0
si x X 1

Fn x k / n si X k x X k 1

si x X 1
1

Fn constituye la estimacin no paramtrica de mxima verosimilitud de la funcin de


distribucin F. En apoyo de esta estimacin, podemos referirnos al Teorema de Glivenko52

Cantelli, que establece una convergencia casi segura, cuando n entre las distribuciones F
y Fn .
Ejercicio
Construir, en cdigo MATLAB, la funcin de distribucin emprica Fn ; para ello construir
previamente la funcin x .

Sea una estimacin s ( X ) del parmetro poblacional

estimada a partir de X. Cul

es la precisin de ? El bootstrap es un mtodo computacional para estimar el error


standard de .
Sea F la distribucin emprica que da probabilidad 1/n a cada una de las observaciones
xi , i 1,..., n . Una muestra bootstrap se define como una muestra aleatoria de tamao n
obtenida a partir de F :

F X * x1* , x2* ,...., xn*


Se dice que X * es una versin remuestreada o randomizada de X x1 , x2 ,...., xn y las
observaciones

x1* , x 2* ,...., x n*

son una muestra aleatoria de tamao n extrada con

reemplazamiento a partir de la muestra de n elementos x1 , x2 ,...., xn .


Ejercicio
Construir, mediante MATLAB, un generador de aleatorio de nmero enteros entre 1 y n que
sirva de base para hacer extracciones con reemplazamiento de la muestra inicial
X x1 , x2 ,...., xn .
Correspondiendo a una muestra bootstrap X * hay replicacin bootstrap de ,

* s( X * ) .
La cantidad s( X * ) es el resultado de aplicar la misma funcin s () a X * que fue aplicada a X.
Por ejemplo, si s ( X ) es la media muestral entonces s( X * ) es la media de la muestra bootstrap
n

x * xi* / n .
i 1

La estimacin bootstrap de se F () , que se denota como se F ( * ) es el error standard de


para el conjunto de observaciones de tamao n muestreadas aleatoriamente a partir de F .
El algoritmo de bootstrap, que describiremos a continuacin, es una forma computacional de
obtener una buena aproximacin del valor numrico de se F ( * ) . Dicho algoritmo se basa en
remuestrear muchas muestras independientes, evaluar las correspondientes replicaciones
bootstrap y estimar el error estndar de por medio de la desviacin emprica estndar
de las replicaciones. El resultado se llama estimacin bootstrap del error estndar y se denota
por seB , donde B es el nmero de muestras bootstrap usadas.

53

Los pasos bsicos en la estimacin bootstrap son:


Construir una distribucin de distribucin emprica (FDE), Fn a partir de la muestra

1.

asignando una probabilidad de 1/n a cada punto x1 , x 2 ,..., x n .


2. A partir de la FDE, Fn

se extrae una muestra aleatoria simple de tamao n con

reposicin. Llamamos a sta una "remuestra", X b* .


3. Se calcula el estadstico de inters,, , a partir de esa remuestra,, obteniendo

* (b) s( X b* ) , b 1, 2,...., B

4. Se repiten llos pasos 2 y 3 B veces, donde B es un numero grande. La magnitud de B


en lla prctica depende de llas pruebas que se van a aplicar a llos datos.
5. Construir una distribucin de probabilidad a partir de los B b* asignando una
probabilidad de 1//B a cada punto 1* ,2* ,...,B* . Esta distribucin es la estimacin

bootstrap de lla distribucin muestral de , que llamaremos F * * .


La afirmacin fundamenttal del bootstrapping es que una distribucin de frecuencias
relativas de esos , * calculada a partir de las remuestras es una estimacin de la distribucin
muestral de , .
As, esta distribucin puede usarse para hacer inferencias sobre :

Por ejemplo, el estimador bootstrap del parmetro se define como::


B

b 1

*
b

Para estimar el error estndar se F () por medio de la desviacin estndar muestral de las B
replicaciones

1 B * * 2 1/2
seB
b
B 1 b 1

1
donde *

B
b 1

*
b

Obsrvese que el error standard estimado seB puede ser considerado como estimacin MonteCarlo de la varianza de s ( X ) por medio de la distribucin muestral F obtenida a partir de

X x1 , x2 ,...., xn . El lmite de seB cuando B tiende a infinito es la estimacin bootstrap


ideal de se F () ,

lim se B se F se F ( * )

En general, B debera ser de entre 50 a 200 para estimar el error tpico de .


Tambin es posible estimar el intervalo de confianza de nuestro parmetro

. Dada la

densidad simulada de los valores , ,..., es inmediato inferir el intervalo de confianza a


*
1

*
2

*
B

partir de sus percentiles. Si nuestro intervalo de confianza comprende la parte central 1 2 de


la masa de probabilidad estar dado por * ,1* , donde * es el cuantil de la distribucin

1* ,2* ,...,B* de los valores obtenidos por bootstraping. En general, B debera ser, al menos de
1000, para estimar intervalos de confianza alrededor de .

54

Ejercicio: intervalo de confianza del coeficiente de correlacin.


Los datos que se presentan en la Tabla 1 estn obtenidos a partir de una poblacin de 82
estudiantes de derecho en USA. Contienen dos medidas:
LSAT representa puntuaciones obtenidas en un test nacional.
GPA es una medida de promedio acadmico general (average undergraduate Grade
Point Average).
Mediante la funcin corrcoef de MATLAB es inmediato comprobar que el coeficiente de
correlacin entre las variables LSAT y GPA es 0,776.
Si se asume la normalidad bivariada de los datos y se aplica la transformacin Z de Fisher se
puede obtener un intervalo de confianza usando el enfoque estadstico clsico. Siguiendo este
procedimiento se obtiene que los lmites inferior y superior al 95 % son 0,44 y 0,92
respectivamente. Alternativamente, podemos interpretar este resultado en trminos del test de
hiptesis convencional, diciendo que el valor observado es estadsticamente significativo,
puesto que el intervalo de confianza no incluye el valor 0.
Tabla 1. Law school data Tomados de Efron y Tibshirani (1993), p.19
Sujeto
LSAT
GPA
1
576
3.39
2
635
3.3
3
558
2.81
4
578
3.03
5
666
3.44
6
580
3.07
7
555
3.0
8
661
3.43
9
651
3.36
10
605
3.13
11
653
3.12
12
575
2.74
13
545
2.76
14
572
2.88
15
594
2.96
Efron y Tibshirani (1993) sealan como limitacin de este tipo de enfoques tradicionales la
dificultad intrnseca del trabajo analtico necesario para derivar este tipo de soluciones, lo cual
es especialmente difcil cuando se trata de estadsticos ms complejo o de distribuciones menos
tratables que la distribucin normal.
Hallar la distribucin emprica bootstrap del coeficiente de correlacin.
Comprobar que la media de estos valores bootstrap es 0.766, con un error estndar de 0.133.
Construir una funcin de MATLAB que permita calcular los percentiles de una distribucin
(puede buscarse en la red).
Comprobar que el intervalo de confianza correspondiente a los percentiles 2.5 y 97.5 de la
distribucin de las muestras bootstrap es [0.46 , 0.96].
En la figura inferior se esquematiza el proceso de bootstrap que trata a estos datos como si
fueran la poblacin y procede extrayendo un gran nmero de muestras con reposicin de los
mismos datos (por ejemplo, 1000 o 2000 muestras). Los diagramas de dispersin en el segundo
nivel del esquema representan ejemplos de muestras con reposicin de los datos originales. En
este tipo de muestras un individuo puede ser seleccionado varias veces, puesto que luego de
cada extraccin aleatoria el elemento es reincorporado. Los puntos de mayor volumen en estos
diagramas representan individuos que han sido seleccionados ms de una vez en la misma
muestra.

55

Figura 2. Representacin esquemtica del procedimiento bootstrap para obtener el IC en el caso


del coeficiente de correlacin r de Pearson.
Ejercicio: Inferencia en un modelo MCO
Es posible realizar inferencia en un modelo y x sin realizar ningn tipo de
hiptesis sobre los residuos del modelo. Cuando suponemos que su distribucin es normal los
manuales de econometra proporcionan contrastes de significacin e intervalos de confianza
sobre los parmetros. Cmo tratar el caso en que no conocemos la distribucin de los residuos?
Dada una muestra de las variables, x1 , y1 , x2 , y2 ,..., xn , yn el siguiente algoritmo

resuelve el problema:
1. Calcular los estimadores MCO de

y estimar los residuos del modelo

i yi xi i 1,..., n
56

*
2. Muestrear con reemplazamiento n errores i

a partir de i i 1 . Formar a partir de


n

i 1

ellos n observaciones bootstrap de la forma yi* xi i*

i 1,..., n

3. Calcular y almacenar los estimadores MCO de las * , * obtenidas a partir de la


muestra

x , y , x , y ,..., x , y
1

*
1

*
2

*
n

4. Repetir los pasos 2 y 3 m veces obteniendo

, , , ,..., ,
*
1

*
1

*
2

*
2

*
m

*
m

Bootstrap paramtrico y no paramtrico


En algunas ocasiones se ttiene algn conocimiento mas que ell estrictamente aportado por lla
muestra, por ejemplo se conoce lla funcion de distribucin de lla variable objeto de estudio pero
se desconocen llos parmetros, que deben ser estimados. En estos casos se estimara llos
parmetros a partir de lla muestra y el remuestreo se realizara
a partir de lla funcion terica conocida,, con llos parmetros estimados,, en llugar de a partir de
lla FDE construida a partir de lla muestra.. En este caso hablamos de Bootstrap Paramtrico.
La funcin de distribucin de la variable aleatoria de inters se estima a partir de la distribucin
emprica, siendo ello la base del Bootstrap no pararntrico.
Si conocemos la funcin de distribucin correspondiente a la variable aleatoria objeto de
estudio, aunque se desconozcan los parmetros de la misma, esto da lugar al Bootstrap
pararntrico. Supongamos que la funcin de distribucin expresarse como F F al depender
de un vector de parmetros desconocido. Sea x es un estimador del vector de
parametros de F, esto dar lugar a una funcin de distribucin estimada F F .
Tambin es posible acudir a una estimacin suavizada; para ello considera la distribucin
emprica Fn como, una estimacin cruda de F porque es escalonada, y presenta
discontinuidades, aunque se supone que la F es suave y derivable en todos los puntos. En estos
casos, es aconsejable suponer que F se asemeja parcialmente a una funcin de distribucin
derivable en todos sus puntos, que denominaremos F s
Puede establecerse que la mejor estimacin de F proviene de una convolucin de las funciones
de distribucin Fn y F s . Este procedimiento de estimacin de F se ha denominado bootstrap
suavizado [Efron (1979b, 1982)].

TRABAJO EN GRUPO: ALGORITMO DE GIBBS


Este mtodo permite extraer muestras a partir de distribuciones a posteriori para hacer
inferencia sobre os parmetros. Excepto para modelos muy simples esto suele ser de difcil
computacin.
Supongamos que la verosimilitud de un modelo que depende de tres parmetros 1 ,2 ,3 es
difcil de obtener, pero que se dispone de las distribuciones condicionales de un solo parmetro,
condicionadas a los otros parmetros y a los datos:

f1 1 / 2 ,3 , Z ,

f 2 2 / 1 ,3 , Z ,

f3 3 / 1 ,2 , Z

Se 2,0 y 3,0 dos valores iniciales de los parmetros 2 y 3 . El procedimiento de muestreo de


Gibbs es el siguiente:

Extraer una muestra aleatoria 1,1 de f1 1 / 2,0 , 3,0 , Z

Extraer una muestra aleatoria 2,1 de f 2 2 / 3,0 , 1,1 , Z

57

Extraer una muestra aleatoria 3,1 de f 3 3 / 1,1 , 2,1 , Z


El proceso se repite m veces para obtener un conjunto de extracciones aleatorias

1,1

, 2,1 , 3,1 ,...., 1,m , 2,m , 3,m

Las primeras observaciones suelen desecharse.


Ya que las realizaciones obtenidas forman una muestra aleatoria de la distribucin conjunta

f1 1 , 2 ,3 / Z pueden emplearse para hacer inferencia. Por ejemplo, una estimacin


puntual de i y su varianza es

1 m

i i , j
m j 1

, i2

1 m
i, j i
m j 1

Por ejemplo, para contrastar la hiptesis H 0 : 1 2 frente a H a : 1 2 , basta con obtener


una estimacin puntual de 1 2 y su varianza

1 m
1 m
1, j 2, j , 2 1, j 2, j

m j 1
m j 1

La hiptesis nula puede contrastarse usando la t-ratio t / .

APNDICE: TRANSFORMACIN INVERSA


Otras formas de demostrar el teorema de la transformacin inversa
Glasserman:
Sea X un v.a. tal que P X x F x . La transformada inversa se define como

X F 1 U , U Unif 0,1 .

Para verificar que la transformacin inversa genera la distribucin inicial F estudiemos la


distribucin de X que produce la transformacin inversa:

P X x P F 1 U x P U F x F x . (La ltima igualdad se sigue por ser

U uniforme).
Bishop procede de la siguiente forma:
Supongamos que z

U 0,1 y que transformamos sus valores mediante alguna funcin y=f(z).

La distribucin de y estar gobernada por

58

p y p z

dz
dy

Donde, por ser uniforme, p(z)=1.


Integrando en ambos miembros

h y p y dy
y

dz
dy z
dy

As, y h1 z , con lo que podemos obtener muestras de y a partir de z

U 0,1 por medio

de una funcin que es la inversa de la integral de la funcin p(y) que deseamos muestrear. Esto
se ilustra en la siguiente figura

59

21. OPTIMIZACIN NUMRICA EN ECONOMA Y FINANZAS

FRONTERAS EN OPTIMIZACION:
SIETE CATEGORAS EN PROBLEMAS DE OPTIMIZACIN
CLCULO DE EXTREMOS LOCALES: MTODOS DIRECTOS
MTODOS SIN EL EMPLEO DE DERIVADAS
EL MTODO DE NEWTON-RAPHSON
ALGORITMO DEL GRADIENTE ASCENDENTE
EL DILEMA PTIMO LOCAL / GLOBAL EN PROBLEMAS RESTRINGIDOS
PROGRAMACION LINEAL CONTINUA
PROGRAMACIN CUADRTICA
PROGRAMACION LINEAL ENTERA
PROBLEMAS CLSICOS
OPTIMIZACIN CON MATLAB
APNDICES

SIETE CATEGORAS EN PROBLEMAS DE OPTIMIZACIN


(no excluyentes)

ENSAYO-ERROR / OPTIMIZACIN DE UNA FUNCIN


Ajustar manualmente una antena de TV

LOCAL/GLOBAL

UNIDIMENSIONAL / MULTIDIMENSIONAL
Hallar la curva cerrada de rea dada con longitud mnima.
La funcin objetivo depende de infinitas variables:
La solucin ptima es una funcin.
Problemas isoperimtricos del Clculo de Variaciones

ESTATICA / DINAMICA
Cul es la ruta ms corta entre dos puntos de la ciudad?
Distancia, hora del da, climatologa

VARIABLES DISCRETAS / CONTINUAS


Las variables discretas toman solo un nmero finito de valores aunque
muy grande.
La optimizacin discreta se llama combinatoria
Problema de la mochila.

CON / SIN RESTRICCIONES


Programacin lineal y no lineal

DETERMINISTA / ALEATORIA
Algoritmos deterministas de bsqueda de ptimos.
Algoritmos aleatorios. AG

CLCULO DE EXTREMOS LOCALES:


MTODOS DIRECTOS

Problema de extremos libres: Max

f ( x ) f ( x1 ,....., xn ) en un abierto.

Teorema
Sea f ( x ) derivable dos veces en (a, b) . Sea x0 (a, b) un punto crtico:
f '( x) 0

Si f ''( x0 ) 0 es un mnimo relativo.


Si f ''( x0 ) 0 es un mximo relativo.

Teorema
Sea f ( x ) f ( x1 ,....., xn ) derivable dos veces en U. Sea x0 U un punto
crtico:

f
f
f

......
0 . NEWTON-RAPHSON
x1 x2
xn

2 f
Si H ( f )( x0 )
x x
i j

es definida positiva es un mnimo.

2 f
Si H ( f )( x0 )
x x
i j

es definida negativa es un mximo.

DESVENTAJAS DEL ALGORITMO DE NEWTON-RAPHSON:


Requiere el clculo de las derivadas primeras y segundas de la
funcin objetivo.
No hay garantas de que el valor de la funcin objetivo se vaya
incrementando a cada paso. Como f '( xn ) es el gradiente que apunta
en la direccin de mximo incremento de la funcin, solo se dispondr
de tal garanta si la Hessiana f ''( xn ) es definida negativa; de otro modo
uno puede moverse hacia un punto de silla o incluso hacia un mnimo (si
la Hessiana es definida positiva).
No tiene que converger al ptimo global.
En caso de existencia de varios ptimos la solucin depende del
valor inicial.
No trabaja nada bien en el caso de ptimos restringidos.

ALGORITMO DEL GRADIENTE ASCENDENTE


Opt

z f x1 , x2 , x3 ,

Superficie de nivel

, xn f x diferenciable

f x1 , x2 , x3 ,

, xn u0

f f
Gradiente f x0
x0 ,
x0 ,
x1 x2

f
x 0 perpendicular a las
xn

curvas de nivel.

f
xi

El algoritmo x i 1 x i i

f xi

busca curvas de nivel superiores . Los i se obtendran resolviendo el


segundo problema de optimizacin:

f xi
i max arg h( ) f xi
0

f xi

Los i representan la velocidad de convergencia del proceso.

x0

x1
Problema: Cmo evitar caer en ptimos locales?

EL DILEMA PTIMO LOCAL / GLOBAL EN PROBLEMAS RESTRINGIDOS

Mnimo
absoluto

Mximo
absoluto

Los ptimos en la frontera no se detectan por medio del clculo


diferencial
FUNCION OBJETIVO LINEAL

Mnimo
absoluto

Mximo
absoluto

ALGORITMO DEL SIMPLEX


Max z c1 x1 c2 x2
s.a a11 x1 a12 x2
am1 x1 am 2 x2
x1 0, x2 0,

cn xn

a1n xn b1
amn xn bm

, xn 0

Teorema
Las soluciones de un problema de PL se encuentran sobre los
vrtices.

CMO IDENTIFICAR LOS VRTICES EN

?:

Pasar a forma Standard introduciendo variables de holgura


BUSCAR EL PTIMO: ALGORITMO DEL SIMPLEX

Mximo

Pasar de un vrtice a otro contiguo, de modo que siempre


mejore la funcin objetivo.

PROGRAMACIN LINEAL CUADRTICA


TEORA DE CARTERAS
1 T
x Qx
2
Ax b x 0

Min f x cT x
s.a

Los ptimos no estn en los vrtices

1.

OPTIMIZACIN CON MATLAB

FUNCIONES DISPONIBLES EN MATLAB 2007a:


FMINBND (2007a), FMINSEARCH (2007a), FMINCON
FMINBND Single-variable bounded nonlinear function minimization.
Calcula los mnimos relativos de funciones de una variable. Solo se requiere la
continuidad de la funcin y el algoritmo no emplea derivadas.
>> fminbnd ( ' funcin ' , x1 , x2 )
donde busca el mnimo de la funcin en el intervalo [ x1 , x2 ].
Con el formato
>> fminbnd ( ' funcin ' , x1 , x2 , options)
utiliza un vector de parmetros de control.
Para encontrar un mximo relativo de una funcin es suficiente observar que
max {f( x )} min { f( x )} .
Ejemplo
>> fminbnd ( ' sin ' , 0 , 2*pi )
>> ans = 4.7124
>> sin(ans)= -1.0000
De forma anloga fminbnd puede actuar sobre una funcin annima
Ejemplo.
Encontrar los mximos y mnimos de la funcin y 2e x sen( x ) entre -6 y 0.
Primero hallamos los mnimos:
>> f_x=@(x) 2 * exp (-x).* sin(x);
>> x_min=fminbnd ( f_x , -6 , 0 )= -2.3562
>> y_min =feval ( f_x, x_min )= -14.9210
Para hallar el mximo es necesario calcular el mnimo de la funcin y 2e x sen( x)
>> f_x_menos=@(x) -2 * exp (-x).* sin(x);
>> x_max=fminbnd(f_x_menos,-6,0)= -5.4978
>> y_max =feval ( f_x_menos, x_max )= 345.2817
Ejercicio
Consultar el men de ayuda fminbnd haciendo
>> help fminbnd

10

OPTIMIZACIN NO RESTRINGIDA: fminsearch


fminsearch calcula mnimos de funciones de varias variables en el entorno de un
punto x0. Solo se requiere la continuidad de la funcin y el algoritmo no emplea
derivadas.
FMINSEARCH Multidimensional unconstrained nonlinear minimization (NelderMead).
La sintaxis es ahora:
>> fminsearch ( ' funcin ' , x0)
y tambin
>> fminseach ( ' funcin ' , x0, options) .
Ejemplo.
Calcular el mnimo local de la funcin f( x1 , x 2 ) 100( x 2 x12 ) 2 (1 x1 ) 2 .
Para ello construimos una funcin .m con variable vectorial:
function y=banana(x)
y=100*( x(2)-x(1).^2).^2+(1-x(1)).^2;
Para obtener el mnimo es suficiente escribir
>> fminsearch ( 'banana' , [ -1.2 , 1] )= ( 1 , 1 )
Para emplear opciones debemos usar la estructura optimset:
>> opciones=optimset(Tolfun,1e-10,MaxIter,400,TolX,1e-10);
>> [x,fval]=fminsearch(@fun,X0,opciones)
O bien

>> [x,fval]=fminsearch('banana',[ -1.2 , 1],opciones)

11

OPTIMIZACIN RESTRINGIDA: fmincon (NO DISPONIBLE EN MATLAB (2007 a)


NI EN OCTAVE)
min F(X) subject to: A*X <= B, Aeq*X = Beq (linear constraints)
X

C(X) <= 0, Ceq(X) = 0 (nonlinear constraints)


LB <= X <= UB

(bounds)

[X,FVAL] = fmincon (FUN,X0,A,B)


starts at X0 and finds a minimum X to the function FUN, subject to the linear
inequalities A*X <= B. FUN accepts input X and returns a scalar function value F
evaluated at X. X0 may be a scalar, vector, or matrix.

[X,FVAL] = fmincon (FUN,X0,A,B,Aeq,Beq)


minimizes FUN subject to the linear equalities Aeq*X = Beq as well as A*X <= B. (Set
A=[] and B=[] if no inequalities exist.)
[X,FVAL] = fmincon (FUN,X0,A,B,Aeq,Beq,LB,UB)
defines a set of lower and upper bounds on the design variables, X, so that a solution
is found in the range LB <= X <= UB. Use empty matrices for LB and UB if no bounds
exist. Set LB(i) = -Inf if X(i) is unbounded below; set UB(i) = Inf if X(i) is unbounded
above.

[X,FVAL] = fmincon (FUN,X0,A,B,Aeq,Beq,LB,UB,NONLCON)


subjects the minimization to the constraints defined in NONLCON. The function
NONLCON accepts X and returns the vectors C and Ceq, representing the nonlinear
inequalities and equalities respectively. FMINCON minimizes FUN such that C(X) <= 0
and Ceq(X) = 0. (Set LB = [] and/or UB = [] if no bounds exist.)

[X,FVAL] = fmincon (FUN,X0,A,B,Aeq,Beq,LB,UB,NONLCON,OPTIONS)


minimizes with the default optimization parameters replaced by values in the structure
OPTIONS, an argument created with the OPTIMSET function.

[X,FVAL,EXITFLAG] = fmincon(FUN,X0,...)
returns an EXITFLAG that describes the exit condition of FMINCON.

Ejemplo
function f = myfun(x,a1)

12

f = x(1)^2 + a1*x(2)^2;

function [c,ceq] = mycon(x,a2)


c = a2/x(1) - x(2);
ceq = [];
To optimize for specific values of a1 and a2, first assign the values
to these two parameters. Then create two one-argument anonymous
functions that capture the values of a1 and a2, and call myfun and
mycon with two arguments. Finally, pass these anonymous functions to
FMINCON:

a1 = 2; a2 = 1.5; % define parameters first


options = optimset('Algorithm','active-set'); % run active-set algorithm
x = fmincon(@(x) myfun(x,a1),[1;2],[],[],[],[],[],[],@(x) mycon(x,a2),options)

13

FUNCIONES DE LAS QUE DISPONE OCTAVE

glpk
[xopt, fmin, errnum, extra] = glpk (c, A, b)
Resuelve el problema
min C'*x
subject to A*x = b where x 0.
xopt : valores de las posibles variables de decisin en el ptimo
fmin : valor de la funcin en el mnimo
errnum : detecta inconsistencias de nuestros datos (matriz singular, problemas mal
condicionados)
extra : estructura conteniendo los siguientes campos
lambda: variables duales
redcosts: costes reducidos
time: tiempo (en segundos) usado para resolver el problema
status: solucin indefinida, factible, infactible, no factible, ptima, no acotada
Ejemplo

min 10 x1 6 x2 4 x3
s.a
1 1 1 x1 100

10
4
5

x2 600
2 2 6 x 300

x1 0 , x 2 0 , x 3 0
INPUT VARIABLES
c = [10, 6, 4]';
A = [ 1, 1, 1;10, 4, 5; 2, 2, 6];
b = [100, 600, 300]';
[xopt, fmin, errnum, extra] = glpk (c, A, b)
xopt = 29.1667 , 45.8333 , 25
fmin = 666.67
errnum = 180
extra.lambda= 4.66667 , 0.66667 , -0.66667
extra.redcosts = 0 , 0 , 0 , 0
extra.time = 0
extra.mem = 0

14

[xopt, fmin, errnum, extra] = glpk (c, A, b, LB, UB, ctype, vartype, sense, param)
[ min | max ] C'*x
subject to
A*x [ "=" | "<=" | ">=" ] b
LB<= x <= UB
Ejemplo

min 10 x1 6 x2 4 x3
s.a
1 1 1 x1 100

10 4 5 x2 600
2 2 6 x 300

x1 0 , x 2 0 , x 3 0
INPUT VARIABLES
c = [10, 6, 4]';
A = [ 1, 1, 1;10, 4, 5; 2, 2, 6];
b = [100, 600, 300]';
LB = [0, 0, 0]';
UB = [];
ctype = "UUU";
#"U" : An inequality constraint with an upper bound (A(i,:)*x <= b(i)).
#"F" : A free (unbounded) constraint (the constraint is ignored).
#"S" : An equality constraint (A(i,:)*x = b(i)).
#"L" : An inequality with a lower bound (A(i,:)*x >= b(i)).
#"D" : An inequality constraint with both upper and lower bounds (A(i,:)*x >= -b(i)) and
(A(i,:)*x <= b(i)).
vartype = "CCC"; # continuous variables; "III" integer variable
s = -1; # maximization problem; s=1 minimization
param.msglev = 1;
param.itlim = 100;

15

Ejercicios de Programacin lineal

max Z 25 x 20 y
s.a x y 120
3y x
mximo (100,20), valor 2900
x 100
y 10
x0, y 0

max y min Z 2 x 3 y
s.a x y 5
mximo (0,5), valor mximo 15; mnimo (0,3) valor mnimo 9
x 3y 9
x0, y 0
max Z x y 1
s.a y 2 x 6
x y
mximo (10,26), valor 37
x 10
3x 4 y 24
x0, y 0
min Z 10 x1 20 x2 3x3
s.a

x1 x2 6
x2 x3 6

mnimo (0,6,0), valor -120

x1 x3 26
x1 0 , x2 0 , x3 0

16

Programacin cuadrtica: qp
# min 0.5X'HX+X'*q
# sujeto a
# A*X=b
#LB<=X<=UB
[X, OBJ, INFO, LAMBDA]=qp(x0,H,q,A,b,LB,UB);
X: solucin ptima
OBJ: valor de la funcin objetivo en el ptimo
INFO: informacin sobre la factibilidad del problema y la ejecucin del algoritmo
LAMBDA: multiplicadores de Lagrange
Ejemplo

0.04 0.03 0.04 x1


min 0.5 x1 , x2 , x3 0.03 0.09
0 x2
0.04
0
0.16 x3

s.a
x1

0.03, 0.05, 0.07 x2 0.04
x
3
x1 0 , x 2 0 , x 3 0
x0=[1/3,1/3,1/3]'; #Valor inicial de bsqueda
H=[0.04 0.03 -0.04; 0.03 0.09 0;-0.04 0 0.16];
q=[];
A=[0.03, 0.05, 0.07];
b=[0.04];
LB=[0 0 0]'; #Cota inferior de los pesos
UB=[];#Cota superior de los pesos
[X, OBJ, INFO, LAMBDA]=qp(x0,H,q,A,b,LB,UB)

X = 0.5821 0.0157 0.3107


OBJ = 0.0076
INFO =
Solveiter = 2

(problema resuleto tras dos ietraciones)

Info = 0

The problema is feasible and convex. Global solution found

LAMBDA = 0.37758 0.00000 0.00000 0.00000 0.00000


(multiplicadores de Lagrange)
(como la primera variable dual, que es no nula, corresponde a la restriccin, sta se
satura en el ptimo)

17

Ejercicios de Programacin lineal cuadrtica

min Z 2 x12 2 x22 6 x1 2 x1 x2


s.a x2 x2 2

Solucin (3/2 , )

x1 0 , x2 0
min Z 10 x1 20 x2 x1 x2 2 x12 2 x22
s.a

x2 x3 8

Solucin (2 ,8 ,0 ,0) , valor -332

x1 x2 x4 10
x1 0 , x2 0 , x3 0 , x4 0

min Z x1 x2
s.a

1 2
x1 x22
2

x2 x2 1

Solucin (4/15 , 19/30) , valor -0.6639

4 x1 2 x2 7 / 3
x1 0 , x2 0

min Z 126 x1 9 x12 182 x2 13x22


s.a

x1 4
2 x2 12
3x1 2 x2 18
x1 0 , x2 0

18

TRABAJO EN GRUPO EN GRUPO: OPTIMIZACIN SIN DERIVADAS


El mtodo sin derivadas ms empleado universalmente es el de la seccin
aurea. Supongamos que queremos hallar el mximo local de f(x) en el
intervalo [a,b]. Para ello seleccionamos dos puntos x1 y x2 en dicho intervalo
con x1 x2 .

Si f x1 f x2 remplazamos el intervalo original por a, x2


Si f x1 f x2 remplazamos el intervalo original por x1 , b
Si f x1 f x2 remplazamos el intervalo original por x1 , x2
El procedimiento se repite obteniendo una sucesin de intervalos cada vez ms
pequeos que contienen el mximo local, hasta que la longitud del intervalo es
inferior a un determinado nivel de tolerancia.
La seleccin ptima de los puntos x1 y x2 es
3 5
0.382 ,
2
1 5
donde 2
0.618
2

x1 a 1 b a donde 1
x2 a 2 b a

Donde 1

3 5
1 5
0.382 , 2
0.618
2
2

La Toolbox CompEcon incluye una rutina golden.m para calcular el mximo local de
una funcin univariante utilizando la seccin aurea.

Ejercicios
Programar en MATLAB este algoritmo para calcular el mximo de la
funcin f x x2 2 x 3 en el intervalo [0,5].

19

APNDICES
EL MTODO DE NEWTON-RAPHSON
Para resolver f '( x) 0 podemos aplicar el algoritmo de Newton-Raphson
xn 1 xn

f ' xn
f '' xn

Otra forma de razonar es la siguiente: si consideramos el desarrollo de Taylor


de una funcin de una variable que queremos optimizar
f x f x0 f ' x0 x x0

1
2
f '' x0 x x0
2

En lugar de optimizar f(x) vamos a optimizar su aproximacin cuadrtica. Para


ello derivando respecto de x obtenemos la condicin de primer orden:

f ' x0 f '' x0 x x0 0
De donde
x x1 x0

f ' x0
f '' x0

Ms generalmente:
xn 1 xn

f ' xn
f '' xn

Ejercicio
Disear un algoritmo de optimizacin basado en aproximar la funcin por el
desarrollo de Taylor de tercer orden
f x f x0 f ' x0 x x0

1
1
2
3
f '' x0 x x0 f ''' x0 x x0
2!
3!

En el caso de una funcin de varias variables f x1 ,..., xn Rn R deberemos


resolver el sistema

f
f
f

......
0
x1 x2
xn

Su aproximacin de Taylor de segundo orden ser


f ( x ) f ( x0 ) f '( x0 ) ( x x0 )

1
T
x x0 f ''( x0 )( x x0 )
2

Donde f '( x0 ) es el gradiente y f ''( x0 ) es la matriz Hessiana.

20

Para optimizar la aproximacin derivamos respecto x obteniendo

f '( x0 ) f ''( x0 )( x x0 ) 0
De donde

x1 x0 f ''( x0 )

f '( x0 )

Que conduce al proceso iterativo

xn1 xn f ''( xn )

f '( xn )

Donde

f
f '( xn )
( xn ),...
( xn )
x1
x1

2 f

2
x1
f ''( xn ) ...
2
f
x x
n 1

2 f
...

x1xn
...
...

2 f
...
xn2

Observacin
Otra forma equivalente de razonar para hallar un ptimo es resolver el sistema
f
f
f

......
0
x1 x2
xn

Al que aplicaremos el algoritmo de Newton para resolver sistemas de


ecuaciones
g ( g1 , g 2 ,......, g3 ) (

f f
f
,
,......,
)
x1 x2
xn

xn 1 xn J ( g ) 1 ( xn ) g ( xn )
g1
x
1
J ( g ) ...

g n
x
1

.....
....
....

g1
xn

...

g n
xn

O, lo resulta equivalente:
xk 1 xk f ''( xk )

f '( xk ) xk H f ( xk )

f '( xk )

21

En teora el algoritmo converge si f es dos veces diferenciable con continuidad


y si el valor inicial de x es suficientemente cercano al mximo de f en el cual
la Hessiana de f es definida negativa.
MTODOS QUASI-NEWTON

Remplazan la inversa de la Hessiana por una aproximacin definida negativa,


garantizando que el valor de la funcin se incrementa a cada paso del
algoritmo.
Los algoritmos quasi-Newton son anlogos al de Newton

xn1 xn f ''( xn )

f '( xn )

Pero introducen una aproximacin en la inversa de la matriz Hessiana:

xn1 xn Bk f '( xn )
La aproximacin ms simple consiste en establecer Bk I , donde I es la
matriz identidad. En tal caso obtenemos el mtodo del gradiente ascendente

xn1 xn f '( xn ) xn f ( xn )

Resulta ms eficiente adaptar el avance en la direccin del gradiente.


Para ello es preciso resolver un segundo problema de optimizacin
buscando la cantidad n 0 que maximiza

f xn nf ( xn )

en cada paso del algoritmo.

22

EXTREMOS RESTRINGIDOS: PROGRAMACION LINEAL

CONSTRUCCION DE CHALETS
Tipo A
Tipo B
Restricciones
80 m 2

1.190 m 2

Coste unitario 7 millones

13 millones

91 millones

Beneficio
unitario

1 milln

Superficie

140 m 2

0.7 millones

x1 : nmero de chalets tipo A.

x2 : nmero de chalets tipo B.

Max z 0.7 x1 x2
s.a. 7 x1 13 x2 91
140 x1 80 x2 1190
x1 , x2 0
x2

7 x1 13x2 91
140 x1 80 x2 1190

(6.5,3.5)

z 8

z 0

z4

x1

23

COMPLEJIDAD COMPUTACIONAL
La complejidad de un algoritmo se mide por el esfuerzo
computacional (nmero de operaciones elementales) que
emplea en el peor de los casos.
Algoritmos polinomiales.
Algoritmos exponenciales.
El simplex tiene complejidad exponencial,
complejidad en media es polinomial.

aunque

la

Algoritmos polinomiales en PLC


Khachian (1979)
Karmarkar (1983)
No se conoce ningn algoritmo polinomial para un problema
general de PLE.

ALGORITMOS EXACTOS
Siempre proporcionan la solucin ptima si existe.
Son inviables computacionalmente para problemas grandes.

ALGORITMOS HEURISTICOS
Soluciones subptimas que reducen drsticamente el tiempo
de computacin.

HEURISTICO DEL PROBLEMA DE LA MOCHILA


Estrategia greedy: comenzar a rellenar la mochila con los
objetos ms valiosos.

HEURISTICO DEL PROBLEMA DEL VIAJANTE


Partiendo de C1 ir a la ciudad ms cercana que no hallamos
visitado.

24

2.3 ESTIMACIONES MXIMO VEROSMILES


EL PRINCIPIO DE MXIMA VEROSIMILITUD
ESTIMACIN MXIMO VEROSMIL
P ROBLEMAS DE CLCULO NUMRICO
MTODO DE NEWTON
LA DISTRIBUCIN MIXTURA DE DOS NORMALES

EL PRINCIPIO DE MXIMA VEROSIMILITUD

Consideremos una muestra aleatoria x1 ,..., xn generada por una funcin de densidad de
probabilidad f xi ; . La funcin de verosimilitud se define como
n

L ; x L ; x1 ,..., xn f xi ;
i 1

El principio de mxima verosimilitud consiste en elegir el vector de parmetros que


maximice la probabilidad de la muestra.
Ejemplo con MATLAB
Consideremos una distribucin de Bernoull donde P X 1 p , P X 0 1 p

f Bern x / p p x 1 p

1 x

x 1, 0

La funcin de verosimilitud para una muestra ser


n

L p; x f xi ; p p 1 p
xi

i 1

1 xi

xi
i 1

1 p

xi
i 1

i 1

Ejemplo con MATLAB


Los resultados de lanzar 10 veces una moneda han sido CCCC++++++.
Llamando p a la probabilidad de cara, la probabilidad de la sucesin anterior es p 4 1 p .
6

Dibujar la funcin p 4 1 p

0 p 1.

>> bernoulli=@(p) p.^4.*(1-p).^6


>> fplot(bernoulli,[0,1]), o bien fplot(@(x)x^4.*(1-x)^6,[0,1])
-3

1.2

x 10

0.8

0.6

0.4

0.2

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

Hallar el valor de p que maximiza la probabilidad de la muestra anterior


>> bernoulli _menos=@(p) -p.^4.*(1-p).^6
>> fminbnd(bernoulli_menos,0,1) = 0.4000
1

ESTIMACIN MXIMO VEROSMIL


Sea una muestra aleatoria x x1 ,..., xn . El estimador mximo verosmil (debera denotarse
por n ) es aquel valor que verifica

L ; x L ; x
El problema de maximizar L ; x

f x ; suele simplificarse considerando el


i

i 1

logaritmo de la funcin de verosimilitud


n

l ; x log L ; x log f xi ;
i 1

La funcin score se define como la derivada de la funcin logaritmo de verosimilitud

s ; x

log L ; x l ; x n log f xi ; n

s xi ;

i 1
i 1

Obsrvese que la funcin score tiene la propiedad de ser aditiva.


Bajo situaciones de regularidad la estimacin MV se obtiene resolviendo la ecuacin score

s ; x 0
Ejemplo: Estimacin mximo verosmil de la distribucin de Bernoull
Consideremos una distribucin de Bernoull

f Bern x / p p x 1 p

1 x

x 1, 0

La funcin de verosimilitud para una muestra ser


n

i 1

i 1

L p; x f xi ; p p xi 1 p

1 xi

xi

p i1

n x
1 p i1 i

Tomando logaritmos resulta


n
n
n

l p; x log L p; x log f xi ; xi log p n xi log 1 p


i 1
i 1
i 1

Derivando respecto a p la ecuacin score ser

xi
i 1
0
s p; x i 1
p
1 p
n

xi

De donde resulta
n

x
i 1

Ejercicio: Verificar que en efecto se trata de un mximo y que ste es nico.

Ejemplo: Estimacin mximo verosmil de la distribucin normal

Para una v.a. N , 2 la funcin de verosimilitud para una muestra aleatoria independiente

x1 ,..., xn es
L , ; X 2
2

2 n /2

1 n xi 2
exp

2 i 1

Salvo una constante el logaritmo de la funcin de verosimilitud ser

l , ; X log L , ; X
2

1 n x
n / 2 log 2 i

2 i 1

La ecuacin score ser

n
l , 2 ; X
xi

2
i 1

0
s , ; x


2

n
2
x 0
l , ; X n i

2 2 i 1 2 4
2

La solucin de la primera ecuacin conduce a la estimacin mximo verosmil


n

2
Usando este valor en la segunda ecuacin se obtiene

x
i 1

x
i 1

Ejercicio: Verificar que en efecto se trata de un mximo y que ste es nico.

PROBLEMAS DE CLCULO NUMRICO


Resolviendo la ecuacin score no hay garantas de que aparezcan problemas de existencia
de mltiples ptimos globales o que caigamos en un ptimo local.

MTODO DE NEWTON-RAPHSON
Si buscamos una solucin para la ecuacin score

h s ; x 0
Sea 1 una aproximacin suya. Si consideramos la aproximacin de Taylor de primer orden

h h 1 1

dh 1
d

Sea 1 una raz del segundo miembro, es decir

h 2 h 1 2 1
i 1 i

dh 1
h 1
0 2 1
d
dh 1 / d

h i
dh i / d

Usando MATLAB puede emplearse la funcin fzero.m para hallar las races de la funcin
score; alternativamente se puede hacer uso de la funcin fmincon.m. para minimizar
directamente la funcin de verosimilitud, o su logaritmo.
Ejemplo
Supongamos que X sigue una distribucin logstica

exp x

f x;

1 exp x

, R

Ejercicio: Dibujar la funcin de densidad para varios valores de los parmetros.


0.25

0.2

0.15

0.1

0.05

0
-10

-8

-6

-4

-2

10

El logaritmo de la verosimilitud para una sola observacin x es

l x; x 2 log 1 exp x
La funcin score ser

s x; 1

2exp x

1 exp x

Entonces la funcin score para una muestra independiente de n observaciones ser


n

i 1

i 1

s ; x s xi n 2

exp xi

1 exp xi
4

El segundo sumando del segundo miembro es una funcin continua y montona en que vara
entre 2n, para , y 0 para . Por tanto la funcin score vara montonamente entre n
y n en el espacio de parmetros. Por continuidad de la funcin score existe un valor de tal

que s ; x 0 . Como la funcin score es montona dicha raz es nica. No existe una
expresin analtica para que debe estimarse por computacin.
% Funcion score de la distribucin logstica exp(x-fi)/(1+exp(x-fi))^2
function
s=score_logis(fi)
x_sample=[-1.34,3.03,0.72,-0.06,0.71,-0.20,-0.12,1.48,1.40,1.41];
n=length(x_sample);
m=length(fi);
s=[];
for i=1:m
s(i)=-n+2*sum((exp(x_sample-fi(i)))./(1+exp(x_sample-fi(i))));
end

Comprobar que la funcin score de la logstica no es ni cncava ni convexa y que el algoritmo


de Newton-Raphson no converge.
>>fi=-5:0.1:5;
>>s= score_logis(fi);
>>plot(fi,s)
10
8
6
4
2
0
-2
-4
-6
-8
-10
-5

-4

-3

-2

-1

%Newton_Raphson_MV
x_sample=[-1.34,3.03,0.72,-0.06,0.71,-0.20,-0.12,1.48,1.40,1.41]
fi=[];fi(1)=1;
h=0.00001;
for i=1:10
derivada_logis=(score_logis(x_sample,fi(i))score_logis(x_sample,fi(i)+h))/h;
fi(i+1)=fi(i)-score_logis(x_sample,fi(i))/derivada_logis;
end

En cambio:
>> fzero('score_logis',1)
>> ans = 0.6882

LA DISTRIBUCIN MIXTURA DE DOS NORMALES


Consideremos la funcin de densidad

f x; 1 , 12 , 2 , 22 , N1 x; 1 , 12 1 N 2 x; 2 , 22

1
2 12

1 x 1

2 1

1
2 22

1 x 2

2 2

Con esta densidad representamos una variable aleatoria donde se elige una muestra de la

distribucin N1 x; 1 , 12 con probabilidad y una muestra de N 2 x; 2 , 22 con


probabilidad 1 .

Ejercicio
Simular 1000 observaciones de una mixtura de normales con los siguientes parmetros:

1 1 , 12 0.5 , 2 2 , 22 2 , 0.4
Dibujar su histograma.
p=0.4;
mu1=-1; sigma1=0.5;
mu2=2; sigma2=2;
x=[];
for i=1:10000
z=rand;
if z<=0.4
x(i)=mu1+sigma1*randn;
else
x(i)=mu2+sigma2*randn;
end
end
hist(x,20)

Ejercicio
Simular una mixtura de tres normales.
La funcin logaritmo de verosimilitud para una nica observacin ser

l x; 1 , 12 , 2 , 22 , log

1
2 12

1 x 1

2 1

1
2 22

1 x 2

2 2

Para una muestra ser

2
2
l x; 1 , 1 , 2 , 2 , log

i 1

1
2 12

1 x 1

2 1

1
2 22

1 x 2

2 2

La solucin MV de los parmetros ya no tiene una forma analtica cerrada y existe un problema
debido a la presencia de singularidades. Supongamos que 1 sea exactamente igual a uno de los
datos de la muestra, por ejemplo 1 xn . La contribucin de la observacin xn a la
verosimilitud de la primera normal ser

N1 x; 1 x n , 12

1
2 12

1 x x
n n
2 1

1 1
2 1

Tomando el lmite cuando 1 0 este trmino tender a infinito y arrastrar hacia infinito a la
funcin de verosimilitud.
As la maximizacin de esta verosimilitud contiene siempre soluciones no singulares en las que
una de las componentes gaussianas colapsa en un punto especfico.

Observacin
Este problema no se produce en el caso de una muestra de una sola gaussiana porque en tal
caso la funcin de verosimilitud es

Ln x; 1 x n , 12

1
2

2
1

1
2

1
n

1n

1 x x
1 n
2 1

En este caso cuando 1 0 cada uno de los factores e

1 x x
2 n
2 1

... e

1 x x
n n
2 1

1
1 x x
i n
2 1

i n tiende a cero a una tasa

exponencial haciendo que todo el producto tienda a cero.


Ejercicio: Estimacin mximo verosmil de la distribucin de una mixtura de dos normales
Estimar, por mxima verosimilitud, los parmetros de una mixtura de dos normales a partir de
los datos de una muestra. Para ello hacer uso de la funcin fminsearch.m
function y=mixtura_normales(x)
%Funcin de verosimilitud, cambiada de signo, de una mixtura de dos
normales. Previamente generacin de una muestra
p=0.4;
mu1=-1; sigma1=0.5;
mu2=2; sigma2=2;
xx=[]; global xx
for i=1:1000
z=rand;
if z<=0.4
xx(i)=mu1+sigma1*randn;
else

xx(i)=mu2+sigma2*randn;
end
end
A=(x(5)./sqrt(2*pi*x(2).^2))*exp(-0.5*((xx-x(1))./x(2)).^2);
B=((1-x(5))./sqrt(2*pi*x(4).^2))*exp(-0.5*((xx-x(3))./x(4)).^2);
y=-sum(log(A+B));

Con este algoritmo se obtienen resultados poco prometedores:


>> fminsearch('mixtura_normales',[-0.5 0.7 2.5 3 0.5])
>> ans=-0.6501 0.8419 2.1893 1.9579 0.4592
Para mejorar la precisin mediante opciones sobre la tolerancia e iteraciones podemos usar la
estructura optimset:
>> opciones=optimset(Tolfun,1e-10,MaxIter,400,TolX,1e-10);
>> [x,fval]=fminsearch(@fun,X0,opciones)
>> [x,fval]=fminsearch('mixtura_normales',[-0.5 0.7 2.5 3 0.5],opciones)
>> ans= -0.5177 0.7011 2.5151 2.9746 0.5035

MATLAB obtiene la estimacin MV mediante la funcin gmdistribution: Gaussian mixture


distributions.
obj = gmdistribution.fit(X,k) uses the Expectation Maximization (EM) algorithm to construct an
object obj of the gmdistribution class containing maximum likelihood estimates of the
parameters in a Gaussian mixture model with k components for data in the n-by-d matrix X,
where n is the number of observations and d is the dimension of the data.
>> global xx
>> obj = gmdistribution.fit(xx',2)
obj = Gaussian mixture distribution with 2 components in 1 dimensions
Component 1:
Mixing proportion: 0.603745
(0.6)
Mean: 1.9430
(2)
Sigma: 3.4078
(2)
Component 2:
Mixing proportion: 0.396255
Mean: -1.0267
(-1)
Sigma: 0.2514
(0.5)

(0.4)

Ejercicio
Generar 1000 observaciones de una mistura de una N(1,1) con probabilidad 0.7 y una N(4,3)
con probabilidad 0.3. Hallar su histograma y representar la serie temporal.
Mediante la funcin gmdistribution estimar un modelo de mixtura sobre la serie obtenida en el
apartado anterior.
8

TRABAJO EN GRUPO: PROGRAMAR EL ALGORITMO EM


El algoritimo Expectation-Maximization es un procedimiento alternativo de estimar los
parmetros por mxima verosimilitud (o mxima probabilidad a posteriori) que se emplea
cuando el modelo depende de variables latentes o inobservadas. Las iteraciones de EM alternan
entre realizar una Esperanza (paso E), que crea una funcin para las expectativas de la funcin
log-verosimilitud evaluada usando la estimacin corriente de los parmetros, y una
Maximizacin (paso M), que computa los parmetros maximizando el log-verosimilitud
esperada encontrada en el paso E. Esta estimacin de parmetros es usada para determinar la
distribucin de variables latentes en el siguiente paso E.
Supongamos que queremos modelizar un conjunto de datos claramente bimodales mediante una
mixtura de normales

Y1

N 1 , 12

Y2

N 2 , 22

0,1 , Pr 1

Y 1 Y1 Y2

Denotando como x a la densidad normal con parmetros , 2 , la densidad de Y ser

gY y 1 1 y 2 y

Vamos a ajustar los parmetros , 1 , 12 , 2 , 22 este modelo a los datos


-0.39
0.06

0.12
0.48

0.94
1.01

1.67
1.68

1.76
1.8

2.44
3.25

3.72
4.12

4.28
4.60

4.92
5.28

5.53
6.22

La funcin log-verosimilitud basada en N casos de entrenamiento ser

l , Z log 1 1 yi 2 yi
i 1

Debido a la dificultad del problema numrico consideremos variables latentes no observadas i


tomando valores 0 y 1: Si i 1 entonces Yi viene del modelo 2; en otro caso del modelo 1.
Supongamos que conocisemos los valores de las i , entonces el log-verosimilitud sera
N

l , Z , log 1 i 1 yi i2 yi
i 1

(*)

Y la estimacin mximo verosmil de 1 , 12 podra ser la media y la varianza de aquellos


datos con i 0 ; la de 2 , 22 correspondera a la media y la varianza de aquellos datos con

i 1
Como los valores i son realmente desconocidos, procedemos de forma iterativa sustituyendo
cada i en (*) por su valor esperado que llamaremos responsabilidad del modelo 2 en la
observacin i.

i E i / , Z 1 Pr i 1/ , Z 0 Pr i 0 / , Z Pr i 1/ , Z
El algoritmo EM es el siguiente:

1. Tomar valores iniciales de los parmetros , 1 , 12 , 2 , 22 . Para la media


pueden seleccionarse dos valores de yi al azar. Las varianzas 12 , 22 pueden tomarse
N

y y

iguales a la varianza muestral

i 1

/N.

2. Paso de estimacin de responsabilidades de cada modelo en las observaciones: Esto se


har por medio de una verosimilitud relativa a los parmetros corrientes. Sea A(B) el

suceso yi es extrado a partir de 1 x 2 x , es decir A i 1 B i 0

i P A / yi

yi

P yi / A P A
2

yi
P yi / A P A P yi / B P B 1 yi
1

3. Paso de maximizacin: computar los parmetros maximizando el log-verosimilitud, lo


que da lugar a los habituales estimadores mximo verosmiles de la media y la varianza:
cada parmetro es actualizado maximizando su correspondiente verosimilitud
N

1 i yi
i 1
N

1 i

, 12

1 y
i

i 1

i 1
N

i 1

i 1

, 22

y
i 1

i 1


i 1

4. Iterar los pasos 2 y 3 hasta conseguir convergencia


La estimacin final mximo verosmil es:

1 4.62 , 12 0.87
2 1.06 , 22 0.77
0.546

10

EJEMPLOS Y EJERCICIOS
Consideremos una distribucin de Bernoull donde P X 1 p , P X 0 1 p

f Bern x / p p x 1 p

1 x

x 1, 0

La funcin de verosimilitud para una muestra ser


n

L p; x f xi ; p p 1 p
xi

i 1

1 xi

xi
i 1

1 p

xi
i 1

i 1

Supongamos que p=0.5. Decir cul las muestras resulta ms verosmil.


A: 1,0,1,0,0,0,1,1,0,1,0,0,1,0,1,1
B: 0,0,1,0,0,0,1,1,0,1,0,0,1,0,1,0
C: 0,0,0,1,0,0,0,0,0,1,0,0,1,0,1,0,0,0,1,0
Ejemplo con MATLAB
Consideremos una distribucin binomial

10
10 m
f m / p p m 1 p
, m 0,1,...,10
m
n 1
n
n!


m n m !m ! n m 1 m 1
En MATLAB la funcin gamma que generaliza el factorial de un nmero
>> gamma(4)=(4-1)!=3!=3*2*1=6
>> n=10; m=5; p=0.4;
>> (gamma(n+1))/(gamma(n-m+1)*gamma(m+1))*p^m*(1-p)^(n-m)
Supongamos que p=0.4. Decir cul de las dos muestras resulta ms verosmil.
A: m=5
B: m=7
Ejemplo con MATLAB
Consideremos una distribucin exponencial

f x; e x
Dibujar su grfica. Supongamos que conocemos una realizacin de dicha variable que es x=3.
Decir cul de los siguientes valores del parmetro resulta ms verosmil: 1,1/ 2,1/ 3,1/ 4 .
Ejemplo: Estimacin mximo verosmil de la distribucin uniforme

Consideremos una distribucin uniforme en el rango 0, , de modo que

f x;

para x 0, .

1 xi
0 xi

Si introducimos la funcin indicador I xi


, la funcin de verosimilitud ser

11

Ln ; x n I xi
i 1

Supongamos que xi , i , en cuyo caso Ln ; x n .

, la funcin n es creciente con , de modo tomar

Como la funcin n es decreciente con

su valor mximo para n x n , el valor ms grande observado en la muestra. Si tomsemos un


valor de n superior a alguno de los valores muestrales, por efecto de la funcin indicadora la
verosimilitud sera cero.
Observar que en este caso buscamos el ptimo de una funcin que se encuentra en la frontera
del intervalo por lo que no es posible encontrarlo por medio del clculo diferencial.
Ejemplo: Estimacin mximo verosmil de la distribucin exponencial doble
Consideremos la distribucin exponencial doble con densidad

f x;

1
exp x
2

Comprobar usando MATLAB que se trata de una funcin de distribucin. Dibujar su grfica.
Salvo una constante irrelevante, el logaritmo de la verosimilitud de una observacin x ser

l ; x x
Como esta funcin no es diferenciable respecto a

s ; x

dl ; x 1 x

d
1 x

Y no estar definida en

en x , la funcin score ser

x . El valor mximo de la funcin l x; x se encuentra

en x .
Consideremos ahora una muestra de n observaciones de una distribucin doble exponencial.
Ahora el logaritmo de verosimilitud ser
n

ln ; x xi
i 1

Dibujar la grfica de esta funcin para la muestra

x 5, x 1, x 0, x 2, x 4
1

Ver que la funcin toma el valor ptimo en la mediana.


Ejemplo: Estimacin mximo verosmil de la distribucin de Weibull
Supongamos que X sigue una distribucin de Weibull

f ; x x 1 exp x , x 0 , 0

La funcin logaritmo de la verosimilitud resulta


n

I 01

I 01

l ; x n log 1 logx i x i

, x 0 , 0

Diferenciando respecto a la funcin score resulta

s ; x n / 1 x i logx i
n

I 01

12

Para ver que tiene una raz comprubese que es continua y que para pequeos valores de 0
la funcin score es positiva, mientras que para grandes valores es negativa.
Para comprobar que la raz es nica y corresponde a un mximo comprobar que la derivada
n
ds ; x d 2l ; x
n
2
s ' ; x

xi logx i

2
2
d
d
I 01

es siempre negativa.

Ejercicio
Hallar el estimador MV del parmetro de la distribucin de Pareto

f x, x 1 ,1 x ,

Comprobar usando MATLAB que se trata de una funcin de distribucin.


Ejercicio
Consideremos una muestra aleatoria X1 ,..., X n de la funcin de distribucin

f x, e x , x
Comprobar que el estimador MV para el parmetro es n min X 1 ,..., X n .

13

2.4 ALGORITMOS GENTICOS


2.4.1 ALGUNOS PROBLEMAS DE OPTIMIZACIN
DE ESPECIAL DIFICULTAD
PROGRAMACION LINEAL ENTERA
CONSTRUCCION DE CHALETS
Tipo A

Tipo B

Restricciones

Superficie

140 m 2

80 m 2

1.190 m 2

Coste unitario

7 millones

13 millones

91 millones

Beneficio
unitario

0.7 millones

1 milln

x1 : nmero de chalets del tipo A.

x2 : nmero de chalets del tipo B.


Max z c1 x1 c2 x2
s.a a11 x1 a12 x2
am1 x1 am 2 x2
x1 0, x2 0,

cn xn

a1n xn b1
amn xn bm

, xn 0

xi 0, 1 , 2 , 3 ,....

Max z 0.7 x1 x2
s.a. 7 x1 13 x2 91
140 x1 80 x2 1190
x1 , x2 0
Solucin ptima: x1 6.5 , x2 3.5 con PLC
Soluciones aproximadas por redondeo:

x1 6 , x2 4

x1 7 , x2 4
x1 6 , x2 3

Factible

x1 7 , x2 3
Solucin ptima entera:

x1 5 , x2 4

PROBLEMA DE LA MOCHILA
Dado un conjunto de objetos de n tipos E1 , E2 ,...., En
con un valor unitario
y volumen unitario

c1 , c2 ,...., cn

v1 , v2 ,...., vn

Elegir el conjunto de objetos ms valiosos de forma que no


sobrepasen un determinado volumen b.

Solucin:
Sea x j variable que indica el nmero de objetos del tipo j.
n

Max c j x j
j 1
n

s.a.

v x
j 1

x j 0 , x j entera j 1,...., n
Empleando AGs una codificacin de las soluciones del tipo
x x1 , x2 ,..., xn xi 0,1

No garantiza la factivilidad.
Para evitar el problema vamos a penalizar la no factibilidad de
una solucin mediante la funcin de prdida del algoritmo. Con
ello obligamos al algoritmo a elegir soluciones factibles porque
son mejores
n
n

c
x
si
cjxj b

j j
j 1
j 1

f x n
cx
otro caso
j j

j 1

PROBLEMA DEL VIAJANTE


Un viajante con residencia en la cuidad C1 , quiere viajar a las
ciudades C2 , C3 ,...., Cn y volver nuevamente a ciudad C1 . Puede
recorrerlas en cualquier orden. El viajante, conociendo la
distancia entre las ciudades, desea encontrar una ruta que
minimice la distancia total recorrida.

C2
C5

C1

C3

C4

Nmero de recorridos partiendo de C1 :


Permutaciones de C2 , C3 ,...., Cn

d ij distancia entre las ciudades Ci y C j .


xij 1 si en la ruta se va de Ci a C j

xij 0 en caso contrario


Funcin objetivo:
n

Min z dij xij


i 1 j 1

x
i 1

ij

1 i 1,..., n

De la ciudad Ci sale una sola ruta.

x
j 1

ij

j 1,..., n

De la ciudad C j llega una sola ruta.

Hay que eliminar rutas constituidas por subrutas independientes


como por ejemplo, para n=6
x12 x23 x31 1

x45 x56 x64 1


xij 0

otras i, j

ui u j nxij n 1 i, j 2,..., n; i j
xij 0,1

i, j 1,..., n

ui 0
ui

i 2,..., n

entera
n

Min z d ij xij
i 1 j 1

s.a.
n

x
i 1

ij

x
j 1

ij

1 i 1,..., n
1

j 1,..., n

ui u j nxij n 1 i, j 2,..., n; i j
xij 0,1
ui 0
ui

i, j 1,..., n
i 2,..., n

entera

CAMINO MAS CORTO ENTRE DOS CIUDADES


PRINCIPIO DE OPTIMALIDAD DE BELLMAN
Si una ciudad pertenece a la ruta ptima, el camino entre dicha
ciudad y el final debe ser tambin ptimo con independencia
de las ciudades previamente visitadas.
Demostracin:
Supongamos que la ruta ptima R de 1 a 6 pasa por i. Entonces
la porcin de R que va desde i hasta 6 debe ser el camino ms
corto entre i y 6. De lo contrario podramos crear una ruta ms
corta que R adjuntando el camino ms corto de i hasta 6 a la
porcin de R que va desde 1 hasta i.
Algoritmo de Bellman: Partir de la ltima ciudad final y
retroceder encontrando las rutas ptimas hasta el final.
3
2
8

4
1

2
6

5
6

EL PROBLEMA DEL TRANSPORTE

Centros productores

Puntos de destino
1

2
B
3

Restricciones sobre
disponibilidades:
a,b

Requerimiento
s mnimos:

b1 , b2 , b3

Matriz de costes del transporte


1

cA1

cA2

c A3

cB1 cB 2 cB 3

PROBLEMAS DE FLUJO MXIMO DE REDES


Una compaa petrolfera desea transportar la mayor cantidad
posible de crudo entre los puntos A y Z. El crudo debe pasar a
travs de tres estaciones diferentes B, C y D.
Las tuberas que unen las estaciones son de diferente dimetro
y tienen una capacidad mxima en miles de barriles por hora.
Determinar el nmero mximo de barriles/hora que pueden ser
enviados desde A hasta Z.

2
A

3
B

2
C

2.4.2 ALGORITMOS GENTICOS


IMITAN LAS ESTRATEGIAS OPTIMIZADORAS DE LA
NATURALEZA:
LA SELECCIN NATURAL
(supervivencia de los fuertes)
LA REPRODUCCIN SEXUAL:
HERENCIA
(intercambio informacin gentica)

TRANSMISIN

DE

LA

LA DIVERSIDAD DE LAS POBLACIONES


(recombinacin al azar y mutacin)

ALGORITMOS GENTICOS:
Tcnica de optimizacin basada en la seleccin natural y la adaptacin
de los seres vivos al medio ambiente

HOLLAND (1975)
Adaptation in Natural and Artificial Systems
KOZA (1992)

FUNDAMENTOS DE LOS ALGORITMOS


GENTICOS
1. GENTICA MENDELIANA
1 LEY DE MENDEL: los caracteres que presenta un individuo se
encuentran en parejas de partculas que proceden de la herencia independiente
de cada uno de los progenitores.

2 LEY DE MENDEL: principio de la combinacin independiente de


los caracteres, que expresa que la herencia de las distintas formas que presenta
un carcter (alelo) se realiza al azar.

2. MECANISMOS DE LA DIVERSIDAD.
REPRODUCCIN SEXUAL: En el proceso de formacin de
las clulas reproductoras el mecanismo clave para permitir la diversidad
gentica es la recombinacin de caracteres entre la pareja de cromosomas
homlogos.

MUTACIN:

En los cromosomas se producen cambios al azar que


pueden generar nuevos caracteres o formas hereditarias.

EVOLUCIN POR SELECCIN NATURAL DE


DARWIN.
3.

Slo sobrevive un pequeo porcentaje de los descendientes


La supervivencia de los descendientes dependen de sus
caractersticas heredadas
Los individuos que mejor sobreviven y se reproducen son los mejor
adaptados al medio.

10

REPRESENTACIN DE NMEROS EN BASE DOS


Representacin decimal
2538 2 *103 5 *102 3 * 10 8

Todo nmero puede representarse en base 2


24 22 2 1 1 0 1 1 1

Todo nmero en base 2 puede pasarse a base 10


1 0 1 0 1 24 2 1 19

Algoritmo para pasar de base 10 a base 2

Longitud de la representacin binaria de un nmero


Cuntas cifras se necesitan para representar, en forma binaria, el n 71?
64 26 71 27 128 ,

luego se precisan 7 cifras : 71 26 23 1 1 0 0 1 0 0 1


Si 2n x 2n 1 x necesita la parte entera de log 2 ( x) cifras binarias.

11

CODIFICACIN: FORMACIN DE GENES Y CROMOSOMAS

Cromosoma :
Gen 1

Gen 2

Gen 3

.. Gen k

Cada gen representa una de las variables a optimizar


El gen se representa en forma binaria
Ejemplo: Opt F(x,y,z)
El gen 1 representar la variable x

0 x6

5 1 22 0 21 1 20 1 0 1

El gen 2 representar la variable y


0 y 17

9 1 23 0 22 0 21 1 20 1 0 0 1

El gen 3 representar la variable z

0 z 30

19 1 24 0 23 0 22 1 21 0 20 1 0 0 1 0

1 0 1 ||| 1 0 0 1 ||| 1 0 0 1 0

12

RECOMBINACIN: REPRODUCCIN SEXUAL


Recombinacin, al azar, de caracteres entre parejas de cromosomas.

1
1
1
1
1
1

0
0
0
0
0
0

1
1
1
00
0
0

0
0
0
1
1
1

Un mecanismo que permite:


Diversidad gentica.
Intercambio de informacin.
Adaptacin al medio ambiente.

13

LA MUTACIN
INTRODUCE SHOCKS ALEATORIOS EN LOS CROMOSOMAS
PROVOCANDO CAMBIOS EN SUS GENES.
GARANTIZA LA DIVERSIDAD DE LA POBLACIN.
NO QUEDAN ZONAS SIN EXPLORAR EN EL ESPACIO DE
BSQUEDA.
EVITA CONVERGENCIA EN PTIMOS LOCALES.
gen1

gen2

1010101

.. genn

SELECCIONAMOS ALEATORIAMENTE EL GEN 3


GEN3 : 1 0 1 0 1 0 1

MUTACIN

1010001

PUEDE DAAR LAS BUENAS ESTRUCTURAS CREADAS CON


ANTERIORIDAD.
CONSIDERAR UNA PROBABILIDAD DE MUTACIN pm BAJA .

14

ESTRUCTURA SECUENCIAL DE UN AG

Definir parmetros

Crear poblacin inicial


de cromosomas

Formar un ranking de cromosomas

Seleccionar parejas de los


mejores cromosomas

Recombinar parejas

Producir mutaciones

Nueva poblacin de los


mejores y sus descendientes

Criterio de convergencia

STOP

15

PRINCIPALES VENTAJAS DE LOS AG

No se requiere ni continuidad ni derivabilidad de la funcin


objetivo a optimizar.

La optimizacin se realiza tanto para funciones de variable


continuas o discretas.

Es posible optimizar, sin dificultad, funciones de un gran


nmero de variables.

Al tratarse de un proceso de optimizacin aleatorio que emplea


reglas probabilsticas de recombinacin y mutacin, el algoritmo
puede salir de los ptimos locales.

Pueden optimizar funciones muy complejas.

Los AG pueden trabajar en contextos de datos generados


numricamente, datos experimentales o funciones analticas.

En el peor de los casos proporciona una coleccin de soluciones


sub-ptimas.

16

AG CON PARMETROS CONTINUOS

Con un cdigo binario cada parmetro continuo requerira demasiados bits


para ser representado.

cromosoma p1 , p2 ,......, pN pi , i 1....N es un n decimal.


RECOMBINACIN:
Seleccionamos aleatoriamente un punto de cruce

padre p p1 , p p 2 ,..... p p ....., p pN

madre pm1 , pm2 ,..... pm ....., pmN


Recombinacin:

p new 1 p p (1 ) p m

p new 2 (1 ) p p p m

(0,1) es un nmero aleatorio.

descendiente1 p p1 , p p 2 ,..... pnew1....., p pN


descendiente2 pm1 , pm2 ,..... pnew2 ....., pmN .
Aplicar esta operacin, a todos los dems parmetros (genes) que estn
situados a la derecha de la posicin .

17

PRIMEROS EJEMPLOS
4
2
Minimizar la funcin z x 2 x 2 y

>>[xval,yval,optf]=optga3('fernando1','min',[0 10 0 10],
16,1000,50,0.6,0.005)
>>xval = 2.0392
>>yval = 1.0196
>>optf = 0.0000
>> f=@(x,y) (x-2).^4+(x-2*y).^2;
>> ezmesh(f)
(x-2)4+(x-2 y)2

5000
4000
3000
2000
1000
0
5
5
0

0
-5

-5
x

18

Minimizar la funcin z x sen 4 x 1.1 sen 2 y

>>[xval,yval,optf]=optga3('fernando2','min',[0 10 0 10],
16,1000,50,0.6,0.005)
>>xval = 9.0196
>>yval =2.3529
>>optf =-10.1084
>>f=@(x,y) x.*sin(4*x)+1.1*sin(2*y);
>>ezmesh(f)
x sin(4 x)+1.1 sin(2 y)

10

-5

-10
5
5
0

0
-5

-5
x

19

PROBLEMA DEL VIAJANTE


Un viajante con residencia en la cuidad C1 , quiere viajar a las
ciudades C2 , C3 ,...., Cn y volver nuevamente a ciudad C1 . Puede
recorrerlas en cualquier orden. El viajante, conociendo la
distancia entre las ciudades, desea encontrar una ruta que
minimice la distancia total recorrida.

C2
C5

C1

C3

C4

Nmero de recorridos partiendo de C1 :


Permutaciones de C2 , C3 ,...., Cn

d ij distancia entre las ciudades Ci y C j .


xij 1 si en la ruta se va de Ci a C j

xij 0 en caso contrario


Funcin objetivo:
n

Min z dij xij


i 1 j 1

x
i 1

ij

x
j 1

ij

1 i 1,..., n

De la ciudad Ci sale una sola ruta.

De la ciudad C j llega una sola ruta.

j 1,..., n

20

Hay que eliminar rutas constituidas por sub rutas independientes


como por ejemplo, para n=6
x12 x23 x31 1

x45 x56 x64 1


xij 0

otras i, j

ui u j nxij n 1 i, j 2,..., n; i j
xij 0,1

i, j 1,..., n

ui 0
ui

i 2,..., n

entera
n

Min z d ij xij
i 1 j 1

s.a.
n

x
i 1

ij

x
j 1

ij

1 i 1,..., n
1

j 1,..., n

ui u j nxij n 1 i, j 2,..., n; i j
xij 0,1
ui 0
ui

i, j 1,..., n
i 2,..., n

entera

21

AG DEL PROBLEMA DEL VIAJANTE


Codificacin: vector siguiendo el orden del recorrido
[3 , 2 , 5 , 4 , 1]
3
2
5
4
1
Recombinacin: Pueden aparecer ciudades repetidas y no
se visitan todas
[3 , 2 | 5 , 4 , 1]
[3 , 2 , 1 , 4 , 2]
[3 , 5 | 1 , 4 , 2]
[3 , 5 , 5 , 4 , 1]

Otra codificacin: Asignar a cada ciudad un valor aleatorio


entre 0 y 1. Obtener el recorrido ordenando los nmeros de
mayor a menor
[0.2 , 0.8 , 0.4 , 0.7 , 0.9]
5 2 4 3 1
Recombinacin:
[0.2 , 0.8 | 0.4 , 0.7 , 0.9]
[0.2 , 0.8 , 0.1 , 0 , 0.85]
5 2 1 3 4
[0.6 , 0.5 | 0.1 , 0 , 0.85]
[0.6 , 0.5 , 0.4 , 0.7 , 0.9]
5 4 1 2 3
Mutacin: seleccionamos dos ciudades de la ruta y las
permutamos
1 2 3 4 5 6
1 5 3 4 2 6

22

APLICACIONES DE LOS AG EN LA ECONOMA Y


LAS FINANZAS
ECONOMA
GASIC: SELECCIN DE REGRESORES EN UN MODELO
ECONOMTRICO
FACTORES QUE EXPLICAN LA SEVERIDAD DE LA ACTUAL
CRISIS ECONMICA
FACTORES DETERMINANTES DEL FRACASO EMPRESARIAL
VARIABLES EXPLICATIVAS DE LA ECONOMA SUMERGIDA

FINANZAS
CARTERAS DE SEGUIMIENTO DE NDICES BURSTILES
ESTRUCTURA TEMPORAL DE LOS TIPOS DE INTERES

ESTRATEGIAS DE NEGOCIACIN
OPTIMIZACIN DE PARMETROS EN EL ANALISIS TECNICO
PROBLEMA DE LA CLASIFICACIN CREDITICIA
GESTION DE CARTERAS CON RESTRICCIONES REALISTAS

23

ECUACIONES DIFERENCIALES
Una ecuacin diferencial de primer orden se dice que est escrita en forma normal
cuando viene expresada en la siguiente forma funcional
y ' f ( x y ) o

dy
f ( x y )
dx

En el caso en que se considere el movimiento de una variable y respecto al tiempo


utilizaremos la notacin x t . En tal caso la derivada suele expresarse como y y la
forma normal es
y f (t y )

Una relacin de este tipo suele denominarse tambin sistema dinmico continuo.
Existen tres problemas bsicos a considerar en relacin con una ecuacin
diferencial, la existencia de la solucin, la unicidad de la solucin y el clculo efectivo
de las soluciones. A continuacin enunciaremos cada uno de ellos por separado.

Problema de la existencia de solucin


Dada una ecuacin diferencial cundo podemos afirmar, de antemano, que tiene
solucin? Este es un problema terico complicado, en el que los matemticos invirtieron
mucho esfuerzo hasta encontrar una respuesta afirmativa. Puede demostrarse, bajo
condiciones bastante generales de regularidad para la funcin f ( x y ), tales como la
f

continuidad de las funciones f y y que la ecuacin y ' f ( x y ) posee solucin.

Problema de la unicidad. Soluciones generales y particulares


A continuacin resulta lgico hacerse las siguientes preguntas, cuntas soluciones
admite una ecuacin diferencial? qu tipo de condiciones adicionales deben
especificarse para que la solucin sea nica?
En general, una ecuacin diferencial posee infinitas soluciones. Por ejemplo, es
inmediato comprobar que y ' y tiene infinitas soluciones de la forma y Ce x donde
es una constante arbitraria. Anlogamente, la ecuacin y '' y 0 tiene
C
soluciones tanto de la forma y k1 sen x como de la forma y k2 cos x , para cualquier
k1 k2 .
Como veremos, la unicidad de las soluciones se podr garantizar imponiendo tantas
condiciones adicionales como indique el orden de la derivada ms alta presente en la
ecuacin. Por ejemplo, si nos planteamos resolver la ecuacin diferencial y ' f ( x y )
con la condicin inicial de que su solucin tome en x0 el valor y0 , esto es, y( x0 ) y0
puede demostrarse matemticamente que la solucin de ste problema ser nica.
Por definicin, un problema de valores iniciales, de primer orden, es una ecuacin
diferencial junto con una condicin inicial para la funcin solucin, de la forma

y ' f ( x y)

y( x0 ) y0

Un importante resultado matemtico conocido como teorema de existencia y unicidad


f

afirma, bajo el supuesto de que las funciones f y y sean continuas en un entorno de


x0 , y0 , que el problema de valores iniciales tiene solucin nica.
Obsrvese que el teorema de existencia y unicidad para ecuaciones de primer orden
implica que dos soluciones particulares y1 (x) e y2 (x) de una ecuacin y' f (x, y ) no
pueden cortarse en algn punto x0 , es decir, no puede darse una situacin como la que
muestra la Figura 1.1
y

y1 (x)

y2 (x)

x0

x
Figura 1.1

Ejemplo 1.1
La ecuacin diferencial y ' y tiene infinitas soluciones del tipo y Ce x siendo
C una constante arbitraria. Podemos hallar aquella solucin que pase por el punto
(01) . Como Ce0 1 entonces C 1 y por tanto y e x es la solucin pedida.
A una solucin del tipo y Ce x se le conoce como solucin general de la ecuacin
pues permite obtener cualquier solucin particular que se desee sin ms que fijar el
valor de C La determinacin de una solucin particular tiene un gran contenido
geomtrico. Si partimos de la solucin general y Ce x de la ecuacin diferencial, al
dar valores a C obtenemos una familia uniparamtrica de curvas cada una de las cuales
constituye una solucin particular.
Como se observa en la Figura 1.2, especificar una solucin particular equivale a
elegir una determinada curva particular, lo que suele hacerse fijando unas condiciones
iniciales que definen dicha curva respecto a la familia de curvas y Ce x , C . Por
ejemplo, si queremos encontrar aquella solucin donde y (0) 3 , resultar que
y(0) Ce0 3 , de donde C 3 Anlogamente si queremos que y (0) 2 resultar
C 2

C=4

y
4

C=2

C=1

1
x
C=-1
C=-2

Figura 1.2 Soluciones particulares

Problema del clculo de soluciones


Cmo determinar, de forma efectiva, las soluciones de una ecuacin diferencial?
Existen tres filosofas alternativas en la solucin de un problema de ecuaciones
diferenciales
1. Mtodos analticos. Estn basados en el clculo integral, los cambios de
variable, la resolucin de ecuaciones algebraicas, mtodos algebraicos ms
generales, etc. Los mtodos analticos permiten encontrar la expresin analtica
de las soluciones de una ecuacin diferencial en trminos de las funciones
elementales de las matemticas. Inicialmente la mayora de los esfuerzos de los
matemticos se encaminaron a desarrollar este tipo de mtodo, pero hoy en da se
consideran que estos mtodos tienen poder limitado.
2. Mtodos numricos. Permiten obtener las soluciones de forma aproximada. El
ordenador es una herramienta esencial en este terreno.
3. Mtodos cualitativos. Describen cualitativamente el comportamiento de las
soluciones sin necesidad de calcularlas.
Los mtodos analticos como cambios de variable o las cuadraturas, no son
necesariamente los ms adecuados cuando el problema es complicado. Tambin,
muchas ecuaciones, aunque tengan solucin, no son expresables en trminos de
funciones elementales. En la prctica y con el desarrollo de la informtica, las
ecuaciones diferenciales son resueltas por medio de mtodos numricos entre los que
destaca como pionero el Mtodo de Euler que se expone en el Apndice 1 de este
captulo.

Ecuaciones de variables separadas


El tipo de ecuacin ms sencillo de resolver es el de variables separadas que tienen
la forma
y'

f ( x)
g ( y)

dy f ( x)

dx g ( y)

o g ( y)dy f ( x)dx

En el primero de los casos, por ejemplo, sus soluciones puede expresarse como

g ( y)dy f ( x)dx C
Ejemplo 1.2
Resolver la ecuacin diferencial y ' sen 2 x
dy
sen 2 x se verifica dy sen 2 x dx , por
dx
tanto, la solucin de la ecuacin diferencial dada es y 12 cos 2 x C

Solucin: Teniendo en cuenta que y '

Vamos a determinar la solucin que pasa por el punto 1 Como se verifica


que 1 12 cos 2 4 C obtenemos C 1

La bsqueda de soluciones particulares nos lleva a lo que hemos llamado problema


de valores iniciales. Para el caso de ecuaciones diferenciales con variables separadas, un
problema de valores iniciales es de fcil solucin. Sea
dy f ( x)

dx g ( y )

y ( x0 ) y0

entonces el problema se resuelve mediante el clculo de integrales definidas en la forma

g ( y ) dy f ( x)dx

y0

x0

Ejemplo 1.3
Resolver la ecuacin diferencial y ' sen 2 x con la condicin inicial y ( 4 ) 1
Solucin: De la ecuacin diferencial dada se sigue que dy sen 2 x dx por tanto,
integrando ambos miembros se tiene

dy sen 2 x dx
4

y resolviendo obtenemos
1

y 1 cos 2 x cos 2
2
4

luego, y 12 cos 2 x 1 es la solucin del problema.


Aunque la ecuacin diferencial de variables separadas es muy fcil de resolver
analticamente, no es la mas sencilla desde el punto de vista matemtico pues, en
general, da lugar a dependencias implcitas entre las variable x e y de muy difcil
manejo.
Como iremos viendo en el transcurso del texto, la ecuacin diferencial ms sencilla
es la ecuacin lineal que tiene la forma
y ' p ( x) y g ( x)

Sus soluciones pueden obtenerse explcitamente y obedecen a principios de


superposicin. Como veremos, en la ecuacin lineal puede obtenerse de forma
sistemtica una solucin general que depende de un slo parmetro y que engloba a
todas las soluciones del problema de valores iniciales. En otras palabras, las infinitas
soluciones de la ecuacin lineal pueden guardarse en muy poco espacio.
Como paso previo estudiaremos la ecuacin lineal homognea que es aquella donde el
trmino independiente es cero.

1.4 Ecuaciones lineales de primer orden


Ecuaciones lineales homogneas
La ecuacin diferencial lineal homognea de primer orden con coeficientes constantes
tiene la forma
y ' ay 0

(a )

Su solucin general es inmediata al tratarse de una ecuacin con variables separadas,


procederemos de la forma
dy
dy
ay
a dx ln y ax k y Ce ax
dx
y

donde C es una constante arbitraria.


Ejemplo 1.4
Resolver el problema de valores iniciales y ' 2 y 0 y (0) 4
dy

Solucin: Como dy 2 y dx y 2dx ln y 2 x k resulta que y Ce2x es


la solucin general. Determinemos ahora la solucin particular para x 0
Como 4 Ce0 C 4 resulta que y 4e2 x es la solucin particular. Observamos
que la ecuacin tambin se puede resolver introduciendo directamente los lmites de
integracin en las cuadraturas de la siguiente forma

y
4

x
dy
2 xdx ln y ln 4 2 x y 4e 2 x
0
y

Pese a lo sencillo de las ecuaciones resueltas hasta el momento, stas van a permitir
construir modelos de gran utilidad prctica en la Economa.

Modelo de crecimiento Malthusiano


Supongamos que una poblacin tiene x(t ) individuos en un instante t . Sea r (t x (t )) la
diferencia entre su tasa de nacimientos y su tasa de mortalidad. Si la poblacin est
aislada y no hay inmigracin o emigracin neta, entonces la tasa de cambio obedece a la
ecuacin

dx
r (t x) x o
dt

x r (t x) x.

ax
El caso ms sencillo es aquel donde suponemos que r (t x) a cte entonces dx
dt
Si en el instante t t0 la poblacin tiene x0 individuos, obtenemos el problema de
ax x(t0 ) x0 . Integrando resulta
valores iniciales dx
dt
t
dx
x
a ( t t )

a
x0 x t0 dt ln x0 a(t t0 ) x(t ) x0e 0
x

que se conoce como ley de crecimiento Malthusiano.


x
a t si empleamos, por ejemplo, como unidad de
x
tiempo el ao t 1 , entonces 100 a representar el tanto por ciento de crecimiento

Teniendo en cuenta que

anual de la poblacin.
Una caracterstica importante del modelo de Malthus es que el tiempo que tarda una
poblacin en duplicarse (triplicarse, etc.) slo depende de la tasa de crecimiento a y no
del valor corriente de la poblacin x0 . Suponiendo que x(t0 ) x0 , el tiempo t t0 que
necesita la poblacin para duplicarse se obtiene a partir de la ecuacin x0 e a ( t t0 ) 2 x0
luego t t0 ln2
a .
As, el modelo de Malthus conlleva diversas profecas alarmantes sobre el desarrollo
de la poblacin humana. Se estima que la poblacin humana se increment en un 2%
anual en el periodo 1965-1970. En enero de 1965 la poblacin era de 3.340 millones de
personas, vamos a determinar la ley dinmica que rige el crecimiento de la poblacin y
calcular el tiempo necesario para que la poblacin se duplique.
ax con a 002 , t0 1965 x0 334 109 que tiene como
Nuestro modelo es dx
dt

solucin: x(t ) 334 109 e002(t 1965)


El tiempo necesario para duplicar la poblacin, contado a partir de 1965 ser
334 109 e002(t 1965) 334 109 2 e002(t 1965) 2

tomando logaritmos resulta ln 2 002(t 1965) por tanto


T t 1965

ln 2
34657 aos
002

Se observa que T es una constante de este proceso que no depende de las condiciones
iniciales. De mantenerse el ritmo actual de crecimiento de la poblacin, el efecto de
duplicacin cada 34 aos puede constituir una catstrofe de primera magnitud. Este
modelo de crecimiento poblacional puede aplicarse en otras muchas situaciones.
Malthus supuso que el crecimiento de alimentos obedeca a una ecuacin del tipo
dx
c
dt

x c t c0 .

Superponiendo la dinmica poblacional con la dinmica del crecimiento alimentario se


llegara de inmediato a un colapso poblacional.

t
Figura 1.3 Modelo de Malthus

No obstante Malthus consideraba que las guerras, las epidemias y los desastres naturales
mitigan el colapso poblacional. En la Figura 1.3 puede observarse la evolucin de los
alimentos (la lnea recta) junto con la evolucin de la poblacin que resulta
interrumpida por las numerosas mortandades que se han producido a lo largo de la
historia.
Ejercicio
Comprobar que el tiempo necesario para que una poblacin que crece a una tasa a pase
a tener de N a N individuos es

log N ' log N


a

Inters continuo
En el inters simple la evolucin del capital C depositado a un tipo r a devolver por
el banco dentro de T aos viene dado por la frmula C (1 rT ) . Si la capitalizacin
(acumulacin de intereses al capital) se realiza anualmente, la evolucin del capital tras
T aos viene dada por C (1 r )T . Si la capitalizacin se realiza n veces al ao se obtiene
nT

r
C 1 . En el caso lmite obtenemos el inters continuo donde los intereses se
n
acumulan instantneamente al capital para producir nuevos intereses. En tal caso

r
lim C 1
n
n

nT

e rT .

La capitalizacin mediante inters continuo obedece a una dinmica de crecimiento


maltusiano.
Si un capital C se deposita en el banco a un inters continuo de 6% tendremos que el
incremento en dicha suma es proporcional a su tamao y al intervalo de tiempo
transcurrido, es decir C 006 S t

Cuando t 0 obtenemos la ecuacin diferencial

dC
dt

006C. Suponiendo que

C (0) C0 la solucin particular vendr dada por C C0 e 006t

Si el tipo de inters no es constante, pero depende del tiempo de forma determinista,


mediante una funcin r (t ) , tendremos dC (t ) C (t ) r (t ) dt , en tal caso
t

C (t ) C0 e 0

r ( t ) dt

Ejercicio
Consideremos un trabajador que comienza su vida laboral a los veinte aos con un
sueldo de 1000 /mes y que se retira a los 65 aos recibiendo un crecimiento anual de
su salario a una tasa del 0.02%. Dicho trabajador cotiza a la seguridad social un 7% de
su salario para formar un fondo de pensiones que se revaloriza al 5% anual. Suponiendo
que los crecimientos de todas las variables sean continuos y que el trabajador se jubila a
los 65 aos, calcular el monto de su fondo acumulado en el momento de su jubilacin.
Poblacin mundial de elefantes
Se supone que la poblacin de elefantes decrece a una tasa de 8% anual, la tasa de
crecimiento a es ahora negativa. La ecuacin que rige la poblacin x de elefantes es
dx
008 x
dt

Cunto tiempo tardara esta poblacin en reducirse a la tercera parte? Cunto tiempo
tardara en extinguirse?
Desintegracin de elementos radiactivos
Rutherford encontr que el nmero de tomos de una sustancia radiactiva disminuye
con el tiempo de acuerdo a la ley
dN
N
dt

( 0)

Determinar la vida media de la sustancia, esto es, el tiempo requerido para que la mitad
de los tomos se desintegren.
Ejercicio
Consideremos el siguiente modelo de difusin de la temperatura
dT
r (T A)
dt

donde A es la temperatura del medio ambiental y T es la temperatura de un objeto.


Suponiendo que en el instante inicial t0 0 la temperatura del objeto es T (0) T0 ,
hallar la temperatura en cualquier instante posterior t 0 .

Ecuaciones lineales no homogneas


Las ecuaciones diferenciales lineales no homogneas tienen la forma general

y ' ay g ( x)

Para resolverla haremos uso del siguiente artificio. Multiplicamos ambos miembros por
e ax con el fin de que en el primer miembro aparezca la derivada de un producto. Este
artificio ser, ms adelante, generalizado con el uso de los factores integrantes. Por
tanto, obtenemos
d
( ye ax ) g ( x)e ax
dx

y ' e ax aye ax g ( x)e ax

y su solucin vendr dada por


ye ax g ( x)e ax dx C y e ax g ( x)e ax dx Ce ax

Si se trata de un problema de valores iniciales


y ' ay g ( x)

y( x0 ) y0

las condiciones iniciales pueden incluirse directamente en el proceso de integracin.


Supongamos por simplicidad que x0 0 entonces

ye dx ye
dx
d

ax

ax

ye ax y0 g ( x )e ax dx,
0
0
x

es decir que
x
y e ax g ( x) e ax dx y0
0

es la solucin particular de la ecuacin diferencial.


Como caso particular estudiaremos qu ocurre cuando el trmino g ( x ) permanece
constante. Este tipo de ecuacin ha sido, como veremos, la base de importantes modelos
en la Economa.
Las ecuaciones diferenciales lineales con coeficientes constantes tienen la forma
y ' ay b

Multiplicando ambos miembros por e ax resulta


y ' e ax aye ax be ax

d
( ye ax ) be ax
dx

por tanto
b ax
b
e Ce ax y Ce ax
a
a

ye ax b e ax dx C y e ax

Para comprender en profundidad el sentido de esta solucin es necesario interpretarla


como la suma de la solucin general ms la solucin particular, esto es
y Ce ax

b
Yg Ye
a

siendo Yg Ce ax la solucin general de la ecuacin homognea y ' ay 0 e Ye ba


una solucin particular, como es posible comprobar de forma inmediata, llamada
tambin solucin estacionaria o de equilibrio.
Ejercicio
Comprobar que y b

es una solucin de la ecuacin y ' ay b .

Por otra parte si nos planteamos un problema de valores iniciales con y(0) y0 como

y(0) C ba la solucin tambin puede escribirse


b
b

y ( x) y0 e ax
a
a

o ms generalmente

y( x) y0 ye e ax ye
siendo ye aquella solucin particular constante de la ecuacin diferencial dada, es decir
y 'e aye b ya que obviamente y 'e 0
y

y (0)

ye = b
a

y ( 0)

Figura 1.4 Trayectorias estables

En el caso en que a 0 , el modelo genera trayectorias estables que convergen, a largo


plazo, hacia la trayectoria de equilibrio ye b , como indica la Figura 1.4. Diremos, en
a

tal caso, que el modelo es estable, pues la solucin de equilibrio se alcanza con
independencia de las condiciones iniciales.
Ejercicio
Resolver la ecuacin y ' a y b , como una ecuacin de variables separadas.
Ejercicio
Comprobar que la ecuacin y ' a y b puede ser escrita de forma equivalente como
y ' a ( ye y ) , donde ye b .
a

10

En economa suele preferirse escribir una ecuacin de primer orden que describe el
ajuste de una variable a su valor de equilibrio de la forma y ' a ( ye y ) con a 0 .
Si y ye ye y 0 y ' 0 y crece hacia ye .
Si y ye ye y 0 y ' 0 y decrece hacia ye .
As, la dinmica que expresa la ecuacin y ' a ( ye y ) es justamente el proceso de
ajuste que se observa en la Figura 1.4.
Ejercicio
Resolver las ecuaciones diferenciales
1. y ' y x con la condicin inicial y (0) 4

La ecuacin de Bernoulli
Una ecuacin de Bernoulli es una generalizacin de la ecuacin lineal que tiene la
forma
y ' p( x) y q( x) y n 0

(n 1)

y puede reducirse a lineal mediante un cambio de variable. Dividiendo toda la ecuacin


por y n obtenemos
y ' p( x)

q( x) 0
y n y n 1

Haciendo z

1
y n1

y1 n resulta

dz d 1 n
y'
y (1 n) y n y ' (1 n) n
dx dx
y
luego

y'
1 dz

n
y
1 n dx

por tanto
1 dz
p ( x) z q ( x) 0
1 n dx

donde obtenemos una ecuacin lineal que ya sabemos resolver.

11

Ejercicio
Transformar en una ecuacin lineal la ecuacin de Bernoulli y ' xy y 3 0 y
resolverla. Obtener aquella solucin particular que verifica y (0) 1 (Trabajar con la
integral e x dx sin intentar calcularla porque carece de primitiva).
2

Ecuaciones de primer orden en la Economa


Dinmica del precio en el mercado
Consideremos un bien cuyas funciones de oferta y demanda son funciones lineales,
como se muestran en la Figura 1.5, que tienen la forma

Qd P,
Qs P,

,
,

Q
Qs
Exceso
de
oferta

Exceso
de
demanda

Qd

Pe

Figura 1.5 Pe es el precio de equilibrio del mercado

El precio de equilibrio del mercado es aquel precio Pe donde se igualan la oferta y la


demanda, es decir
Pe

Cuando partimos de un precio de mercado P (0) que no coincide con el precio de


equilibrio Pe se produce un proceso de ajuste que podra llevar el precio hacia su
posicin de equilibrio Pe a lo largo del tiempo.
Se plantea el siguiente problema: si el proceso de ajuste acta un tiempo
suficientemente grande bajo qu condiciones tender dicho proceso a llevar el precio a
su nivel de equilibrio?
Resolveremos este problema planteando un modelo de ajuste temporal del precio
que denominaremos modelo de ajuste intertemporal walrasiano. La hiptesis bsica en

12

que descansa este modelo es que la tasa de cambio del precio, en cada instante, es
proporcional al exceso de demanda
dP (t )
j (Qd Qs )
dt

( j 0)

donde j representa el coeficiente de ajuste. En este caso el proceso de ajuste implica


que la demanda excedente hace subir los precios mientras que el exceso de oferta los
hace bajar, por tanto, a largo plazo parece plausible que el precio alcance su valor de
equilibrio, (ver Figura 1.5).
Sustituyendo ahora la oferta y la demanda por sus valores funcionales resulta
dP
j ( P P) j ( ) j ( ) P
dt

es decir
dP
j ( ) P j ( )
dt

se obtiene una ecuacin diferencial lineal con coeficientes constantes de la forma


dy
ay b . Recordando que la solucin de esta ecuacin viene dada por
dx

y( x) y0 ye e ax ye se tiene, en nuestro caso, que la solucin es


P(t ) P0 Pe e j ( )t Pe

(1.1)

siendo Pe el precio de equilibrio del mercado.


Una cualidad importante del precio de equilibrio es su estabilidad, propiedad que
indica cmo los precios convergen hacia el precio de equilibrio con independencia de
las condiciones iniciales de que partan. La Figura 1.6 muestra el comportamiento de los
precios, respecto al precio de equilibrio, en una situacin de estabilidad y de
inestabilidad.
P

P0

P0

Pe

Pe

P0

P0

Equilibrio estable

Figura 1.6

13

Equilibrio inestable

La estabilidad del equilibrio se consigue imponiendo restricciones en los parmetros


con el fin de que el precio converja a largo plazo hacia el precio Pe es decir, en la
ecuacin (1.1) tendremos que

lim P(t ) Pe lim e j ( )t 0 j ( ) 0


t

como j 0 entonces es decir, que la pendiente de la demanda tiene que ser


inferior a la pendiente de la oferta. El proceso de ajuste ms tpico se produce en el
caso de bienes normales con oferta creciente y demanda decreciente. La Figura 1.7
muestra dos situaciones, una de equilibrio y otra de desequilibrio.
S

P1 Pe

P2

P 1 Pe

P2

Figura 1.7 Situacin de equilibrio y desequilibrio en el proceso de ajuste

Modelo de determinacin del precio de un activo en presencia


de expectativas
La conducta de los agentes econmicos depende no slo de variables y acontecimientos
que han tenido lugar en el pasado, sino tambin de sus expectativas sobre el futuro.
Las hiptesis de expectativas se utilizan en economa para incorporar el hecho de que
los resultados o equilibrios de un modelo dependen de la visin del mundo que tengan
los agentes.
Dos de las hiptesis que se han empleado para modelar cmo perciben el mundo los
individuos son las hiptesis de expectativas adaptativas y de expectativas racionales
(o de previsin perfecta si el contexto es determinstico). La hiptesis de expectativas
adaptativas surge a partir de los trabajos de Cagan [1956] y Nerlove [1958], por
ejemplo. La hiptesis de expectativas racionales fue propuesta por Muth [1961] y se
estableci como paradigma de trabajo a partir de la contribucin de Lucas [1973].
Expectativas adaptativas supone que los agentes, para formular un pronstico
sobre una variable endgena, lo hacen en base a los valores realizados de la
variable que intentan predecir en el pasado. Expectativas racionales asume que las
expectativas de los agentes coinciden con la prediccin de la teora (dada por la
esperanza matemtica condicionada al conjunto de informacin disponible).
Consideremos un mercado financiero donde los agentes tienen que elegir entre dos
activos: bonos gubernamentales que pagan un inters fijo r y acciones que pagan una

14

corriente constante de dividendos d. Tomado r y d como dados vamos a desarrollar un


modelo de la evolucin del precio p de las acciones.
La ganancia obtenida por alguien que invierte p euros en bonos sera r p .
Si comprase una accin sera el dividendo d ms el incremento esperado en el precio de
las acciones pe t dpe / dt .
En equilibrio los rendimientos esperados de ambos activos deben ser iguales. Tal
condicin significa la imposibilidad de arbitraje entre acciones y bonos (siempre que los
agentes sean neutrales al riesgo). En tal caso, la ecuacin funcional que en forma
implcita determina el precio de la accin viene dada por:

pe t d t
d p r p , o bien

r t
p t p t
e

(1)

donde p(t) es le precio de la accin en el instante t , pe t es el tasa de cambio esperada


en el precio del activo, d(t) los dividendos que en forma instantnea distribuye la firma
y r (t) la tasa de rentabilidad del activo libre de riesgo. En caso de que la rentabilidad
esperada de la accin sea superior (inferior) a la tasa libre de riesgo se producira un
exceso de demanda de acciones (bonos) que presionara el precio de las acciones hacia
arriba (abajo). Por lo tanto, en equilibrio las dos rentabilidades deben ser iguales y los
agentes estarn indiferentes entre demandar acciones o bonos libre de riesgo.
El problema consiste en determinar el precio del activo dada cierta informacin sobre el
proceso que siguen los dividendos, la tasa de inters y el modo en que se forman las
expectativas.
La hiptesis de expectativas adaptativas supone que la regla para determinar pe t
viene dada por:
p e t p t p e t (2)
donde > 0 . Esta ecuacin indica que se esperar que el precio aumente (disminuya)
cuando el precio corriente haya resultado superior (inferior) al esperado. El ajuste de las
expectativas depender de la magnitud del parmetro .
Considerando una condicin inicial pe t0 0 p0e las expectativas pueden obtenerse
a partir de los precios pasados:
Como
pe t pe t p t pe t e t pe t et p t e t

d e t
p e
dt

p e e t p e t e t p0e p s e s ds
0
t

De donde
p e t e t p0e e t p s e st ds e t p0e p s e t s ds
t

t0

t0

Es decir, bajo expectativas adaptativas, el precio esperado para el instante corriente


es igual a un promedio exponencialmente ponderado de los precios pasados.

15

Despejando p(t) de (1) y remplazndolo en (2) resulta el siguiente problema de valores


iniciales
e
r t e

p t
d t
p t
r t
r t

pe t pe
0
0

r t

(3)

Suponiendo constantes dividendos y tasas de inters la solucin ser

p t e
e

t t0
r

e d d
p0
r r

(4)

Sustituyendo en (1) la solucin para el nivel de precios es


p t
r

r t t0 e d d
p0
e
r r

(5)

Cuando las expectativas no se ajustan demasiado rpido r se produce estabilidad


asinttica del equilibrio tanto en los precios como en las expectativas a un valor que
viene dado por p* t pe t d / r .
Teniendo en cuenta que

t0

r t t0

1
dt ,
r

el precio de equilibrio puede interpretarse, desde el punto de vista de quien resuelve el


modelo, como el valor presente de la corriente futura de dividendos esperados:

d
r t t
d e 0 dt
t
0
r

A largo plazo las predicciones del modelo son razonables: en el estado estacionario
el precio de mercado de una accin es igual al valor descontado de su corriente de
dividendos y las expectativas son correctas p p e p* d / r .

16

En el corto plazo el modelo es problemtico. Durante la transicin al estado


estacionario, los precios verdaderos y esperados no son iguales y se desvan de su valor
fundamental y estn en lados opuestos del precio de equilibrio

p t p* d / r pe t cuando p0e d / r
pe t p* d / r p t cuando p0e d / r

p t
p* r / d

pe t

Otro problema del modelo es que el error es predecible. Restando 3) y 4) obtenemos


r

r e d r t t0
p t p t
p0 e
r
r
e

Por tanto, excepto cuando los agentes eligen unas condiciones iniciales
p0e d / r

p0 d / r , los agentes cometern en cada momento un error

perfectamente predecible que les cuesta dinero. As, un agente que conociese la
estructura del modelo tendra incentivos para desviarse de su comportamiento predictivo
invalidando la teora.
Por ejemplo, si sabemos que el precio esperado maana estar por debajo del precio real
del mercado, podemos escribir un contrato de futuro hoy ofreciendo comprar maana el
activo al precio esperado. Si las expectativas se forman como hemos asumido, alguien
desear suscribir tal contrato y cuando llegue maana compramos el stock al precio
e
e
Pmaana
y lo vendemos a su precio real Pmaana Pmaana
, obteniendo un beneficio sin

17

riesgo. Tal oportunidad de arbitraje se reconcilia difcilmente con la hiptesis de que los
individuos son racionales y maximizan su utilidad o riqueza.

Expectativas racionales
La hiptesis de expectativas racionales significa que: (a) los agentes conocen el modelo
(1) que se utiliza para determinar el precio del activo, (b) que poseen informacin sobre
toda la trayectoria pasada, corriente y futura de las variables exgenas o fundamentales
y (c) que las expectativas de los agentes sobre la tasa de cambio esperada en el precio
pe t , son consistentes con la estructura del modelo coinciden con la prediccin de la
teora, p t .
Enfaticemos que, en el caso de expectativas adaptativas, los agentes no conocen el
modelo (la ecuacin (1)) y solo utilizan la ecuacin (2) para guiar su pronstico sobre el
precio del activo; los economistas postulan que dado el cambio esperado en el precio, el
precio de equilibrio es aquel que logra sostener la igualdad (1).
El conjunto de informacin en el instante t lo denominaremos por I (t) y consiste en
toda la secuencia pasada, corriente y futura de las variables fundamentales:

I t r s , d s s t
T

Con expectativas racionales la ecuacin (2) cambia por la siguiente previsin perfecta:

pe t p t (2)
Como suponemos que los agentes conocen el modelo (1), sustituyendo (2) en (1) y
considerando que el tipo de inters y la corriente de dividendos es constante, obtenemos
la siguiente ecuacin

p t rp t d

(3)

Dicha ecuacin tiene una nica solucin estacionaria p* d / r como (3) pero su
dinmica es muy diferente. Mientes (3) es estable, (3) es inestable porque r 0 . Su
solucin general es
p t , c p* ce rt p* p0 p* ce rt

(6)

Esta solucin tiene la particularidad que a menos que tomemos p0 p* el precio de las
acciones explotar lo que podra interpretarse como una burbuja: el trmino c e rt recibe
el nombre de burbuja porque es la parte del precio del activo que no se puede
explicar por los fundamentales (los dividendos distribuidos por la firma).
Otra forma de conseguir que la ecuacin (6) tenga solucin nica sin necesidad de
especificar las condiciones iniciales es mediante el siguiente sistema de valores
terminales

18

p t r t p t d t

p T pT

En este caso el precio esperado en el instante inicial no es un dato, sino que debe
determinarse una vez resuelto el problema. Si la firma tiene un perodo de duracin
finito y conocido, entonces el precio en el instante final puede interpretarse como el
precio residual de la firma una vez que deja de operar.
Si asumimos que los dividendos y la tasa de inters se espera que permanezcan
constantes la solucin del problema viene dada por:

d d
d

p t e r T t pT e r T t pT 1 e r T t
r r
r

(7)

La primera parte de esta ecuacin e r T t pT es el valor presente al instante t del precio


terminal del activo, mientras que el segundo sumando es igual al valor presente
descontado de recibir una corriente de dividendos igual a d en el periodo [t,T]:

de r T t ds 1 e r T t d / r

Supongamos ahora que el horizonte de tiempo hacia el futuro es infinito, el problema


anterior puede plantearse como:

p t rp t d

lim p e r T t 0

T T
La condicin terminal indica que en el largo plazo el precio del activo no puede crecer
a una tasa superior a la tasa de inters. En este caso el precio del activo en el instante
t se obtiene a partir de (7) tomando lmites

lim p t d / r

Dicha solucin coincide con la particular de equilibrio que corresponde al precio


explicado por los dividendos

d
r t t
d e 0 dt
t0
r
Este supuesto implica que la solucin particular del problema corresponde a la parte
fundamental y se dejen de lado posibles soluciones no acotadas en el tiempo llamadas
burbujas.
En el caso ms general donde los dividendos y la tasa de inters pueden variar en el
tiempo la solucin del problema, asumiendo que no se producen burbujas, viene dada
por:

19

p t

r v dv
d s e t
ds

(6)

Por lo tanto, el precio corriente depende de la secuencia futura esperada para los
dividendos y la tasa de inters. Desde este punto de vista el futuro determina el presente.
Este tipo de soluciones han si llamadas soluciones que miran hacia adelante (forward
looking solution [Blanchard, 1979]).

El modelo logstico
El modelo de crecimiento Malthusiano no resulta realista. En una poblacin demasiado
grande en relacin a su habitat, pronto aparecern fuerzas que contribuyan al freno de su
crecimiento por competencia entre los individuos. Para ello es preciso traspasar el
marco de las ecuaciones diferenciales lineales y hacer una pequea incursin en las
ecuaciones diferenciales no lineales que, como veremos, introducen una considerable
riqueza dinmica en la modelizacin de los fenmenos.
A continuacin se presenta un modelo logstico de crecimiento poblacional que
refleja la competencia de los miembros de la poblacin por un espacio vital limitado y
sus recursos. En este sentido Verhulst, en 1837, formul el siguiente modelo
dx
ax bx 2
dt

(a b 0)

donde bx 2 es el trmino de competicin y da cuenta del promedio estadstico del


nmero de encuentros de los miembros por unidad de tiempo que puede considerarse
proporcional a x 2 .
Si b a y x es pequeo entonces bx 2 es despreciable frente al trmino ax y el
crecimiento es exponencial. Si x es grande entonces bx 2 no es despreciable y sirve de
freno al crecimiento rpido de la poblacin.
La ecuacin logstica tambin puede interpretarse fcilmente en trminos de la
magnitud x , que se conoce como tasa de crecimiento de la poblacin, que es el
x
incremento porcentual que tiene la poblacin en cada instante. Por ejemplo, en el
modelo maltusiano la tasa de crecimiento de la poblacin es constante, en cambio, en el
modelo logstico, la tasa de crecimiento x a bx decrece con el tamao de la
x

poblacin, llegando a tomar el valor cero en x a

y siendo negativa a partir de dicho

tamao poblacional.
Como la ecuacin logstica es de variables separadas podemos resolverla haciendo

x0

dx
ax bx

dt t t0
t0

Para resolver la primera integral descomponemos el integrando en fracciones simples


1
1
A
B

2
ax bx
x(a bx) x a bx

20

donde resulta A 1 y B b , por tanto,


a

x0

x 1 a
a bx0
dx
ba
1 x

dx ln ln

x
0
ax bx
x
a bx
a x0
a bx

Luego

1 x a bx0
x a bx0
a ( t t0 )
ln

t t0 e
a x0 a bx
x0 a bx
finalmente, despejando x
x(t )

ax0 ea (t t0 )
ax0

a ( t t0 )
a bx0 bx0 e
bx0 (a bx0 )e a (t t0 )

obtenemos el nmero de individuos de la poblacin en funcin del tiempo.

Caractersticas del crecimiento logstico


1. Con independencia de su valor inicial, la poblacin siempre se aproxima al valor
lmite a , ya que
b

lim x(t )
t

a x0 a

b x0 b

2. La tasa de crecimiento de la poblacin

x
x

a bx, siempre se aproxima al valor 0

cuando el tiempo tiende a infinito, pues


lim
t

x
x

ab

a
b

0.

Es decir que a largo plazo la poblacin no crece.


3. Para x0 a , las trayectorias de crecimiento del modelo, representadas en la
b

Figura 1.9, tienen una forma caracterstica similar a una S alargada que se
denomina de crecimiento logstico. Se observa que x(t ) es montona creciente
dx
x(a bx ) ax bx 2 es positiva. Adems como
para 0 x0 a ya que
b
dt
d 2x
dx
dx
a 2bx (a 2bx) x(a bx)
2
dt
dt
dt

resulta que
a
d 2x
0 si x (t )
, en este caso la grfica de la solucin sera convexa.
2
2b
dt

21

a
d 2x
0 si x (t )
, en este caso la grfica de la solucin sera cncava.
2
2b
dt

Por tanto, para x(t )

a
todas las trayectorias de crecimiento tienen un punto de
2b

inflexin.
4. Para x0 a , cada trayectoria x(t ) de crecimiento de la poblacin es montona
b
decreciente.
x

a
b
a
2b
t

Figura 1.9 Diversas trayectorias temporales del modelo logstico

En Ecologa, al trmino a

se le denomina nivel de saturacin o capacidad de carga


b
del medio y juega un papel primordial como parmetro descriptor de la dinmica
poblacional. Antes de que la poblacin alcance la mitad de su lmite, el crecimiento es
acelerado. Posteriormente llega a una fase de crecimiento pausado donde la tasa de
crecimiento x se hace cada vez ms pequea con el tiempo.
x
El modelo logstico puede ser reescrito en la forma
a

x ax bx 2 bx x bx ( K x ).
b

La constante K a

indica la capacidad de carga K del medio y da una idea del valor


b
de equilibrio a largo plazo de la poblacin.,
As, el trmino bx puede interpretarse como favorecedor del crecimiento, mientras que
el trmino K-x, refleja un factor que frena el crecimiento, pues tiende a cero a medida
que x se acerca a la capacidad de carga K.
Ejercicio
Encontrar las trayectorias de crecimiento en el modelo logstico dado por la ecuacin
diferencial

dx
dt

x x 2 con la condicin inicial x(0) 2

22

Difusin de las innovaciones tecnolgicas


El modelo logstico es igualmente aplicable como una buena descripcin de la dinmica
de difusin de las innovaciones tecnolgicas (Mansfield, 1961).
Supongamos que una innovacin es introducida por una determinada firma. Cunto
tardarn el resto de las industrias en adoptarla y qu factores determinarn la rapidez del
cambio?
Para fijar ideas, supongamos que en el instante t 0 una innovacin es introducida
en una comunidad de N granjeros. Sea x(t ) el nmero de granjeros que ya han
adoptado la innovacin en el instante t Supongamos tambin que un granjero adopta la
innovacin slo despus de hablar con otro, entonces x (t ) podr ser expresado de la
forma
x(t ) cx( N x)t

(c 0)

donde x (t ) indica el nmero de granjeros que adopta la innovacin durante el


intervalo t , x el nmero de granjeros que ya adopt la innovacin y N x el nmero
de granjeros que queda por adoptarla. Si hacemos que t 0 resulta la ecuacin
diferencial
dx
cx( N x )
dt

Suponiendo x(0) 1 la solucin es


x(t )

NecNt

N 1 ecNt

Si tenemos en cuenta el papel de los medios de comunicacin en la difusin de las


innovaciones, la difusin debida a los medios de comunicacin puede ser expresada de
la forma
x(t ) c1 ( N x)t

(c1 0)

de donde
dx
cx( N x) c1 ( N x)
dt

siendo x(0) 0 , las trayectorias son en este caso

x(t )

Nc1 e ( c1 cN )t 1
cN c1e ( c1 cN )t

Resolucin cualitativa de ecuaciones


Como veremos, para ciertas ecuaciones, el comportamiento cualitativo de las soluciones
puede determinarse sin necesidad de encontrarlas explcitamente.

23

Cuando la ecuacin diferencial que rige la dinmica del sistema no depende del tiempo,
siendo de la forma x f ( x) se dice que es una ecuacin autnoma. En este caso es
posible acudir a un cmodo estudio del comportamiento cualitativo que se centra en el
estudio de los puntos de equilibrio y su estabilidad sin hallar explcitamente las
soluciones.

Puntos de equilibrio
Una solucin de equilibrio o punto de equilibrio1 de una ecuacin x f ( x ) es una
solucin x xe que se mantiene constante a lo largo del tiempo. Las soluciones de
equilibrio tienen la importante propiedad de que el resto de las soluciones pivotan en
torno a ellas. Las soluciones de equilibrio que se denominan estables sern atractores
de soluciones, las inestables sern repulsoras de soluciones.
Las soluciones de equilibrio se hallan sin ms que imponer como condicin que la
trayectoria x(t ) se mantenga constante a lo largo del tiempo, es decir, x 0 por lo que
para encontrarlas bastar resolver la ecuacin f ( x) 0
Ejemplo 1.6
La ecuacin logstica x ax bx 2 tiene dos puntos de equilibrio, x 0 y x a que se
b
obtienen sin ms que igualar a cero x es decir, haciendo ax bx 2 0

Un punto de equilibrio es estable cuando al considerar condiciones iniciales separadas


ligeramente de l, la dinmica tiende a llevar al sistema al punto de equilibrio.
Representaremos la estabilidad de un punto de equilibrio xe por medio de flechas
convergentes tal y como se indica en la parte superior de la Figura 1.10.
Estabilidad

xe

Inestabilidad

xe

Figura 1.10 Representacin de la estabilidad e inestabilidad de xe

Un punto de equilibrio es inestable cuando tras una pequea separacin del equilibrio,
por pequea que sea, la dinmica tiende al alejamiento del equilibrio. Representaremos
1

Suele usarse igualmente la terminologa de punto de equilibrio o punto crtico para designar las
soluciones de equilibrio cuando se consideran en el contexto del espacio de fase.

24

la inestabilidad de un punto de equilibrio como se indica en la parte inferior de la Figura


1.10.
De manera ms formal llamemos x(t , x0 ) a la solucin particular de la ecuacin
x f ( x) tal que x (t0 ) x0 . Decimos que
i)

xe es estable cuando existe un 0 tal que si x0 ( xe , xe ) entonces

lim x(t , x0 ) xe .
t

ii) xe es marginalmente estable cuando dado un 0 existe un 0 tal


que, si x0 ( xe , xe ) entonces x(t , x0 ) xe .
iii) xe es inestable cuando no es marginalmente estable.
En la Figura 1.11 se esquematiza el comportamiento de una solucin en torno a un
punto de equilibrio estable.

xe+
x0
xe
xe -

Figura 1.11 Punto de equilibrio estable

La figura 1.12 representa un punto de equilibrio marginalmente estable.

x0 +
x0 +
x0
xe
x0 -
x0 -
Figura 1.12 Punto de equilibrio marginalmente estable

En el siguiente apartado veremos cmo los puntos de equilibrio posibilitan la


descripcin cualitativa de un sistema para el caso de ecuaciones autnomas.

25

Diagrama de fase
En las ecuaciones autnomas es posible hacer un estudio de la estabilidad de los puntos
de equilibrio y del comportamiento cualitativo de las soluciones por medio del diagrama
de fase.
Dada una ecuacin diferencial autnoma x f ( x) el diagrama de fase consiste en
la representacin grfica de x frente a x El diagrama de fase revelar, inmediatamente,
las soluciones de equilibrio de la ecuacin por medio de aquellos puntos donde la
grfica corta al eje OX El espacio de fase revela, igualmente, la estabilidad o
inestabilidad de los puntos de equilibrio.
Para ilustrar esta idea volvamos al modelo logstico x ax bx 2 (a b 0) su
diagrama de fase est representado en la Figura 1.13.

+
a
b

Figura 1.13 Diagrama de fase de la ecuacin logstica x ax bx 2

Como hemos visto en el Ejemplo 1.6 aparecen dos soluciones de equilibrio x 0 y


x a Con el fin de estudiar su estabilidad veamos el comportamiento de otras
b

soluciones que parten de posiciones iniciales muy cercanas los dos puntos de equilibrio.
i) Si 0 x0 entonces x 0 luego x(t ) tiende a crecer alejndose del origen.
ii) Si

a
a
x0 entonces x 0 y x(t ) tiende a acercarse al valor a
b
b
b

iii) Si

a
a
x0 entonces x 0 y x(t ) tiende a decrecer y a acercarse tambin al
b
b

valor a
b

En consecuencia, diremos que la solucin x 0 es un punto o solucin de equilibrio


inestable. Mientras que la solucin x a es un punto o solucin de equilibrio estable
b

pues tras pequeos cambios la x regresa siempre al valor de equilibrio2.

Con frecuencia tambin se utiliza el trmino solucin asintticamente estable para designar una

26

Resulta de gran utilidad el siguiente teorema.

Teorema de estabilidad
Sea una ecuacin diferencial autnoma x f ( x ) y sea xe una solucin de equilibrio. Si
se verifica

df xe
0 , entonces xe es una solucin de equilibrio estable.
dx

Ejercicio.
Dar una justificacin grfica del teorema anterior.
Se observa cmo el diagrama de fase representado en la Figura 1.13 permite la
reconstruccin de las caractersticas cualitativas de la Figura 1.9 que representa el
diagrama de trayectorias del modelo para diferentes condiciones iniciales. La trayectoria
estable x a acta como atractor de las trayectorias circundantes, mientras que la
b

inestable x 0 repele las trayectorias circundantes.


En el siguiente ejemplo vamos a describir el comportamiento cualitativo de las
soluciones reconstruyendo el conjunto de trayectorias temporales a partir del espacio de
fase.
Ejemplo 1.7
Consideremos la ecuacin diferencial x ax bx 2 , (a b 0)
Representando x frente a x obtenemos el diagrama de fase representado en la Figura
1.14. La solucin x 0 es ahora estable mientras que x a es inestable. Tambin es
b
posible obtener fcilmente un esquema de las trayectorias temporales como se muestra
en la Figura 1.15.

solucin estable.

27

a
b

Figura 1.14 Diagrama de fase de la ecuacin x ax bx 2

Punto de equilibrio
inestable

a
b
a
2b

Figura 1.15 Diversas trayectorias temporales de x ax bx 2

Ejercicio
Dibujar el diagrama de fase de la ecuacin x x 2 . Representar igualmente diversas
trayectorias frente al tiempo para x0 0 y para x0 0 .
Observacin
Este tratamiento puede aplicarse a una ecuacin lineal con coeficientes constantes del
tipo x ax b Para fijar ideas supongamos que a 0 y b 0 al formar el espacio de
estados x ax b se observa, en la parte izquierda de la Figura 1.16, que el punto de
equilibrio x b

es estable. La parte derecha de la Figura 1.16 representa el esquema

de las trayectorias temporales.

28

.
x

b
a

-ax+b

b
a

Figura 1.16 Diagrama de fase y trayectorias temporales de x ax b

En general, si consideramos la ecuacin autnoma x f ( x ) de modo que la ecuacin


f ( x) 0 tenga diversas races, como son 0 x1 x2 x3 su diagrama de fase ( x x) ser
como el que se muestra en la Figura 1.17.
.
x

x1

x2

x3

Figura 1.17 Diagrama de fase de x f ( x) con diversos puntos de equilibrio

Observamos que los puntos de equilibrio 0 y x2 son inestables mientras que los puntos
x1 y x3 son estables. Un esquema cualitativo de las soluciones se muestra en la Figura
1.18.

29

x
x3

Punto de equibrio estable

x2

Punto de equibrio inestable

x1

Punto de equibrio estable

Punto de equibrio inestable

Figura 1.18 Esquema cualitativo de las soluciones de x f ( x)

Ejercicio
Dadas las ecuaciones diferenciales x x 3 ; x 2x 1 ; x x 3 3x 2 2 x ; x xe x
i) Dibujar su espacio de fase.
ii) Hallar los puntos de equilibrio y estudiar su estabilidad.
iii) Dibujar un esquema, espacio temporal, de las trayectorias.
Ejercicio
Sean xe1 y xe2 dos puntos consecutivos de equilibrio de una ecuacin diferencial
x f ( x ) . Supongamos que f ( x ) tiene un mximo o un mnimo en un punto

xm xe1 , xe2 , razonar que si x0 xe1 , xe2

la solucin particular x( x , t ) de la ecuacin


0

diferencial x f ( x ) tiene un punto de inflexin en xm .


Sugerencia: Utilizar la derivada segunda de x.

Crecimiento y progreso tecnolgico


La relacin causal bsica del progreso macroeconmico es el siguiente bucle,
representado en la Figura 1.19 que se retroalimenta, donde el capital genera renta y sta
a su vez ahorro que se transforma nuevamente en capital. Las fases de este proceso se
llaman produccin, ahorro y acumulacin de capital.

30

Y
Ahorro

Produccin

Acumulacin de capital

S=Y

Figura 1.19 Relacin causal del progreso macroeconmico

No obstante, la acumulacin de capital no mantiene por s sola el crecimiento sino que


la tecnologa juega un papel fundamental. Surge as la siguiente cuestin: dado un
estado de la tecnologa, aumentar el crecimiento de forma sostenida con el simple
aumento de la tasa de ahorro? No! Es inevitable llegar a un estado estacionario. Es
ms, a largo plazo la tasa de crecimiento de la economa no depende de su tasa de
ahorro.

Modelo de Solow con depreciacin de capital y poblacin


constante
El siguiente modelo muestra cmo una economa sin progreso tecnolgico donde el
nmero L de trabajadores es constante con el tiempo est condenada al estancamiento.
Partiendo de cualquier nivel de stock de capital la economa tender a largo plazo a
un estado estacionario donde los niveles de stock de capital K y produccin Y no
varan.
A continuacin vamos a considerar el modelo de crecimiento neoclsico de Solow.
En l se considera una economa en la que se produce una sola mercanca que puede ser
empleada, indistintamente, como artculo de consumo o como inversin. Esta mercanca
est producida por la combinacin del trabajo L y el capital K que se consideran
factores perfectamente sustituibles mediante un proceso descrito por una funcin de
produccin homognea de grado 1. Se realiza la clsica suposicin keynesiana de que el
ahorro S es proporcional a la renta Y . Se supone adems que la economa se encuentra
en equilibrio, en el sentido en que S I
Aunque la tasa de ahorro puede influir positivamente en el nivel de produccin del
estado estacionario, a largo plazo, la tasa de crecimiento de la produccin siempre ser
igual a cero.
La ausencia de cambio tecnolgico se representa por la existencia de una funcin de
produccin Y f K ,L en la economa que es constante con el tiempo, dicha funcin
verifica las propiedades usuales

f
K

0;

f
L

0;

2 f
K 2

0;

2 f
L2

0. las dos primeras

obedecen al concepto de produccin eficiente y aseguran un aumento permanente del


output ante el aumento permanente de uno de los inputs. Las dos ltimas se conocen

31

como ley de los rendimientos marginales decrecientes y aseguran la disminucin del


producto marginal de cada factor a medida que aumenta dicho factor.
El modelo consta de otras dos ecuaciones, la segunda ecuacin revela el equilibrio
entre ahorro S y la inversin bruta I, donde el parmetro s se conoce como propensin
marginal al ahorro, y la tercera ecuacin relaciona la inversin bruta y la neta, esto es:

Y f ( K ,L )
S I sY
dK
I - K
dt
dK
donde dt es la inversin neta y es la tasa de depreciacin.

Dividiendo la primera ecuacin por L, que es constante, resulta Y

f K ,1
L

haciendo el cambio de variable y Y L , k K L , donde y es la productividad del


trabajo y k la intensidad del capital en la produccin, resulta que y f (k ,1) .
Derivando k, se tiene

K I K I
K
Y
K

s ,
L
L
L
L
L
L

luego k s f (k ,1) k , donde el primer termino de esta diferencia indica la inversin


por trabajador y el segundo trmino la depreciacin por trabajador.
A continuacin vamos a resolver cualitativamente esta ecuacin.
Sea k el valor del punto de equilibrio de la ecuacin k s f (k ,1) k representado
en la Figura 1.20. La funcin y f (k ,1) es cncava por la ley de los rendimientos
marginales decrecientes

k
s f ( k ,1)

Figura 1.20 Solucin de equilibrio estable

El valor k es un punto de equilibrio estable que corresponde a la idea de estado


estacionario tan temido por los clsicos.

32

A largo plazo k k por lo que k 0 . En tal caso K k L; Y y L , (donde

y f k ,1 ) tal como muestra la Figura 1.21.


K

yL

k L

Figura 1.21 Comportamiento a largo plazo de la produccin y el capital

Este modelo pone de manifiesto que, con L fijo debido a la depreciacin y a la


ausencia de cambio tecnolgico, por mucho que aumente la propensin al ahorro s
en la economa y la produccin se haga intensiva en capital, a largo plazo siempre
se producir un estancamiento de la produccin hacia el estado estacionario.
Ello se debe a la ley de rendimientos decrecientes y al efecto de la depreciacin.
Con el aumento del stock de capital ste se va haciendo sucesivamente menos
productivo hasta llegar a un estado que toda la inversin bruta se dedicar
exclusivamente a reponer la depreciacin de tal cantidad de capital. Eso estanca
inevitablemente tanto el crecimiento de la productividad y como la intensidad del capital
en la produccin k. En la Figura 1.22 se observa que los efectos de un aumento en la
tasa de ahorro (inversin) slo producen una subida del nivel del estado estacionario de
k1 a k2 .

s2 f(k,1)
s1 f(k,1)

k1

k2

Figura 1.22 Efecto de un aumento en la tasa de ahorro

33

Modelo de Solow con poblacin creciente y depreciacin de


capital
Supongamos que la poblacin L crece a una tasa determinada (tasa natural de
crecimiento). Veamos entonces que a largo plazo las variables k K ; y Y , tienden
L

a un estado estacionario y las variables K, Y e I crecern a la misma tasa que L. As, no


es posible crecer a una tasa superior a la poblacin por mucho que se invierta y el
crecimiento de las variables econmicas ser, por tanto, equilibrado y con una tasa igual
a la mano de obra aunque la productividad y la intensidad del capital tendern a
estancarse.
El modelo ser

Y f ( K , L)
S I sY
dK
I K
dt
L L0 e nt
Igual que en modelo anterior tendremos que y f (k ,1); k K ; y Y , . Derivando se
L

obtiene
k

K L L K K L K I K
K I
K
K
Y
K

n n s n
2
L
L L L
L
L L
L
L
L
L

luego
k s f (k ,1) ( n)k

Por la ley de los rendimientos decrecientes, la funcin f ( k ,1) ser cncava, por ello la
ecuacin diferencial tendr una solucin de equilibrio k estable, tal como muestra la
Figura 1.23.
(+n) k
s f ( k,1)

Figura 1.23 Solucin de equilibrio k estable

34

La estabilidad de la solucin de equilibrio k implica que, a largo plazo, los cocientes


K e Y tendern al estado estacionario k , y f (k ,1) . Con ello las variables K, Y e
L
L
I crecern a la misma tasa que L, es decir

k k k 0
K k L kL0 e nt

Y y L y L0 ent , donde y f k ,1
I s Y s y L0 ent
Luego la senda de crecimiento de la renta y el stock de capital ser la misma que la de
de la mano de obra. Grficamente puede observarse en la Figura 1.24, la evolucin de la
productividad y la intensidad de capital.
Y

Figura 1.24 Evolucin de la productividad y de la intensidad del capital

Segn se observa en la Figura 1.25, un aumento en el instante t 0 de la propensin


marginal al ahorro de s0 a s1 slo conduce a situar el estado estacionario en otro nivel.
As, pasaremos del estado estacionario k0 k0 ( s0 ) , con y0 f (k0 ,1) , al estado
estacionario k1 k1 ( s1 ) .

35

f k1 ,1 y1

f k0 ,1 y0

t0
Figura 1.25

Dado que

d
log Y Y Y , una forma de controlar que la tasa de crecimiento de la
dt

variable Y, esto es, Y , tienda hacia un valor constante, es comprobar que logY tiende
Y

hacia una pendiente constante.


As, el uso de una escala logartmica puede ayudar a representar los efectos en la
variable Y de un incremento en la tasa de ahorro. Teniendo en cuenta que
y f k ( s ),1 , como Y y L0 e nt , entonces resulta que log Y log( y L0 ) nt , donde
se observa en la Figura 1.26 que la alteracin de s no cambia la pendiente n de la recta.

logY

log y1 , L0

log y0 , L0
t0

Figura 1.26 Uso de la escala logartmica

36

En ausencia de cambios tecnolgicos se cumplen las profecas sombras de Malthus y


los clsicos: el excedente productivo se destina a alimentar a la poblacin creciente y no
es posible crecer a una tasa superior a la de la poblacin por mucho que se invierta.

El modelo de Solow y la funcin de produccin de CobbDouglas


Consideremos el modelo de Solow con una poblacin creciente a una tasa n y una tasa
de depreciacin del capital . Segn hemos visto
k s f (k 1) ( n) k

Para examinar un ejemplo ms especfico del modelo de Solow, consideremos la


ecuacin de Cobb-Douglas
(0 1)

f ( K L) K L1

entonces
K
f 1 f (k 1) k
L

sustituyendo en la ecuacin inicial, obtenemos una ecuacin de Bernoulli


k sk ( n)k

dividiendo por k
k n

s 0
k k 1

y haciendo z

1
k

k 1 resulta

z (1 )k k

k
1

k
1

por tanto,
1
z ( n) z s 0 z (1 )( n) z (1 ) s
1

cuya solucin es
z (t ) Ae ( n )(1 )t

siendo A una constante arbitraria y z s

( n)

n la solucin particular de equilibrio.

Deshaciendo el cambio de variable k z 1 resulta

37

s 1

k (t ) Ae ( n )(1 ) t

Si consideramos ahora la condicin inicial k (0) k0 se tiene


1

s 1

k0 A

luego
A k01

donde se obtiene
1

s ( n )(1 )t
s 1
k (t ) k01
e

n
n

Obsrvese que como n 0 y 1 0 se tiene


1

s ( n )(1 ) t

s 1
lim k01
e

lim
k
(
t
)

k
t
t
n

Por tanto, la relacin capital/trabajo k K

tiende, a largo plazo, a un valor de

equilibrio k que es dinmicamente estable. El exponente n 1 es la tasa de


convergencia de la variable k hacia su valor de equilibrio. Obsrvese que k es la
solucin de equilibrio de la ecuacin k sk ( n)k , ya que
1

n 1 s 1
k 0 k


s
n

A este valor de equilibrio de la variable k le corresponde otro valor de equilibrio


estacionario para la variable y

s 1
y f (k )

n

Veamos cmo son las tasas de crecimiento de las variables Y y K.


Teniendo en cuenta que k sk ( n)k se tiene
1

k
sk 1 ( n) pero
k

n
s 1
1
cuando t se tiene k ke
, luego k s . Por tanto cuando
n
k
0 . Como y Y k , entonces Y L k . La tasa de
t se cumple que
L
k
convergencia de Y ser

38

Y Lk Lk 1k nLk Lk 1r
k

n .

Y
Lk
Lk
Lk
k

Luego, cuando t entonces

k
Y
0 , con lo que n .
Y
k

Ejercicio
Comprobar que la tasa de crecimiento del capital, K

, y la tasa de crecimiento de la

inversin, I , tienden a la tasa de crecimiento n de la poblacin cuando t .


I

Se ha visto que en el modelo de crecimiento de Solow las variables alcanzan a largo


plazo un estado estacionario, pero cunto tardar en llegar el largo plazo?
Consideremos la variable z r1 cuyo comportamiento dinmico es
z (t ) ze ( z0 ze )e (1 )( n ) t

donde ze

s
y z r1 .
n

El tiempo en que z o r tardan en alcanzar el estado de equilibrio ze re ze

1
1

es

infinito, pero cabra preguntarse cunto tiempo tc habr de pasar para que nos situemos
en alguna fraccin especfica c, 0 c 1 , de la distancia entre z0 y ze ? es decir
z (tc ) ze c ( z0 ze ).

En la Figura 1.27 se representa esta idea.


1 n t
Utilizando la ecuacin dinmica resulta z0 ze e c c z0 ze , de donde

tc

ln c
.
1 n

Obsrvese que tc no depende de la separacin inicial z0 ze .


Consideremos varios valores razonables de los parmetros como pueden ser
0.5; n 0.02; 0.1, con el tiempo expresado en aos. En tal caso, para que la
variable se acerque a su equilibrio a 10% de su distancia inicial ( c 0.1 ) el tiempo
deber ser tc 38.37 aos.

39

z0

z tc
ze

tc
Figura 1.27

Modelo de Solow con poblacin en crecimiento logstico


Supongamos que la poblacin L tiene un crecimiento logstico. Veamos entonces que a
largo plazo las variables k=K/L , y=Y/L, tienden a un estado estacionario y que las
variables K, Y e I se veran necesariamente avocadas al estancamiento. El modelo sera
en este caso

Y f K , L
I S sY
K I K
L aL bL2
Igual que en modelo anterior tendremos que y f (k ,1); k K ; y Y , . Derivando se
L

obtiene
K L L K K L K I K
K
Y
K

a bL s a bK
2
L
L L L
L
L
L
L
k sf k ,1 a k bkL
k

Pero la solucin de la ecuacin logstica L aL bL2 es


aL0
L t
a t t
bL0 a bL0 e 0
Entonces la ecuacin que describe el movimiento de la variable k ser
aL0
k sf k ,1 a k bk
a t t
bL0 a bL0 e 0

40

En este caso estamos en presencia de una ecuacin no autnoma y no podemos emplear


procedimientos de resolucin cualitativa de espacio de fases para hacer un bosquejo de
sus soluciones. No obstante podemos observar que esta ecuacin tambin evoluciona
con el tiempo y a largo plazo se convierte en la ecuacin
k sf k ,1 a k ak sf k ,1 k
Esta ltima ecuacin corresponde al caso del modelo de Solow con poblacin constante
L=a/b. Por tanto, a largo plazo la variable tender a un valor de equilibrio estable y ser
inevitable el estancamiento.

La introduccin del progreso tecnolgico


La forma ms simple de introducir el progreso tecnolgico en el modelo es suponer que
la funcin de produccin hace aumentar su output con el transcurso del tiempo, para
unas mismas cantidades de inputs. Ello puede suponerse asociado con una mejora de la
organizacin del proceso productivo.
As, el progreso tecnolgico puede introducirse en el modelo mediante una funcin
de produccin Y F( K , A L ) , donde A representa la eficiencia del trabajo, y al
producto AL se le llama trabajo efectivo. Esta forma de progreso tecnolgico se dice
neutral en el sentido Harrod.
Consideremos el siguiente modelo de Solow donde la eficiencia del trabajo crece a
una tasa g.
Y f K, L
I S sY
K I K
A A0e gt
L L0 e nt

Introduciendo las variables y=Y/AL, k=K/AL, es fcil demostrar que la ecuacin que
rige el modelo es
k sf k n g k

En este caso, procediendo como en los modelos anteriores, se comprueba de inmediato


que las variables K, Y e I crecern ahora a la tasa n+g que supera la de la poblacin.
A modo de ejemplo, supongamos una funcin de produccin Cobb-Douglas donde
la produccin crece exponencialmente con el tiempo:
Y e t F( K ,L ) e t K L1

luego

Y e

L e

nt 1

n
t
1

K L0 e

41

K L* 1

Por tanto, aunque la poblacin crece a una tasa n, la efectividad de su trabajo lo hace a

una tasa n
. Esto puede interpretarse como un incremento de la productividad del
1
trabajo, esto es, al pasar el tiempo, las mismas unidades fsicas de trabajo producen un

*
L L0 e

n t
1

mayor output. As, la cantidad


eficiencia y suele llamarse trabajo efectivo.

es el trabajo medido en unidades de

Introduciendo las variables k K * ; y Y * ; llegamos, como antes, a la ecuacin


L
L
dinmica fundamental del modelo, que es ahora

k s k n
k.
1

Obsrvese que como L* L e 1 , un determinado nivel de y o k se alcanza con valores


inferiores de L que se obtiene por la definicin previa de dichas variables, es decir,
k K ; yY .
L

Ejercicio
Demostrar que aunque la variable k converge hacia su valor de equilibrio
1

1
s
n

, las variables Y, K, L tendrn, a largo plazo una tasa de



1

crecimiento n
, que es superior a la tasa n de crecimiento de la poblacin.
1

Ecuaciones diferenciales de orden n


Teorema de existencia y unicidad
f

Dada la ecuacin diferencial de segundo orden y '' f ( x y y ') , si f y son


y
funciones continuas en una regin abierta R del espacio tridimensional que contiene al
punto ( x0 y0 y0' ) entonces en algn intervalo en torno a x0 existe una solucin nica
y ( x ) del problema de valores iniciales

y '' f ( x y y ')
y ( x0 ) y0
y ( x0 ) y0 .

Este teorema se generaliza para las ecuaciones diferenciales de orden n


Para conseguir la unicidad de las soluciones de la
y f ( x y y ' y '' y ( n1) ) habr que imponer n condiciones iniciales
(n)

y ( x0 ) y0 y '( x0 ) y '0 y ''( x0 ) y ''0 y ( n 1) ( x0 ) y0( n 1) .

42

ecuacin

Una ecuacin diferencial de orden n junto con un conjunto de n condiciones iniciales,


expresadas habitualmente en la forma anterior, se conoce como un problema de valores
iniciales. El problema de valores iniciales n dimensional tendr solucin nica.

Ecuaciones lineales de orden n


Las ecuaciones lineales de orden n tienen la forma
P0 ( x)

dny
d n 1 y
dy

P
(
x
)
Pn 1 ( x) Pn ( x) y Q( x)
1
n
n 1
dx
dx
dx

donde suponemos que las funciones Pi ( x) para i 01 n gozan de las buenas


propiedades habituales de continuidad. Como veremos, en la solucin de esta ecuacin
juega un papel clave la llamada ecuacin lineal homognea asociada que corresponde al
caso Q ( x ) 0 esto es
dny
d n 1 y
dy
P0 ( x) n P1 ( x) n 1 Pn 1 ( x) Pn ( x) y 0
dx
dx
dx

La linealidad permitir expresar las infinitas soluciones que tiene la ecuacin


homognea como combinacin lineal de una base de soluciones y dar pie al concepto
de solucin general de la ecuacin diferencial. En este sentido es clave el siguiente
resultado.

Principio de superposicin de soluciones


Las soluciones de la ecuacin diferencial homognea de orden n forman un espacio
vectorial. Esto quiere decir que si y1 ( x) y2 ( x) y3 ( x) yn ( x) son soluciones de la
ecuacin homognea, tambin lo es la siguiente expresin
C1 y1 ( x) C2 y2 ( x) Cn yn ( x)

siendo Ci constantes reales para todo i 1 2n


El principio de superposicin posibilita la introduccin del concepto de solucin
general de una ecuacin homognea de orden n que se definir como una combinacin
lineal con coeficientes arbitrarios, C1 y1 ( x) C2 y2 ( x) Cn yn ( x) de n soluciones
linealmente independientes.
El siguiente teorema proporciona un criterio muy sencillo y prctico de independencia
lineal para las soluciones de una ecuacin diferencial.

Teorema
Sea la ecuacin diferencial homognea
y ( n ) P1 ( x) y ( n 1) Pn 1 ( x) y ' Pn ( x) y 0

(1.2)

donde las funciones P1 ( x) P2 ( x) Pn ( x) son continuas en un intervalo ( ) Sea

y1 ( x), y2 ( x) yn ( x)

un conjunto de n soluciones de dicha ecuacin, entonces se


verifican las siguientes afirmaciones.

43

a) La condicin necesaria y suficiente para que un conjunto de n soluciones sea


linealmente
independiente
es
que
el
siguiente
determinante
W W ( y1 ( x0 ) y2 ( x0 ) yn ( x0 )) , conocido como determinante wronskiano, sea
distinto de cero en algn punto x0 ( ) esto es

y1 ( x0 )
y '1 ( x0 )
W

( n 1)
y1 ( x0 )

y2 ( x0 )
y '2 ( x0 )

( n 1)
y2 ( x0 )

yn ( x0 )
y 'n ( x0 )
0

yn( n 1) ( x0 )

y1 ( x)
y2 ( x) yn ( x) Dicho de otro modo, la dimensin del espacio vectorial de
soluciones de una ecuacin lineal homognea de grado n es igual a n

b) Cada solucin

y ( x) de la ecuacin es combinacin lineal de

Ejemplo 1.13
Demostrar que la ecuacin y '' y 0 tiene dos soluciones independientes de la forma
e rx
Solucin: Siendo y erx entonces y ' rerx y '' r 2erx Sustituyendo en la ecuacin
resulta
r 2erx erx erx (r 2 1) 0

luego r 1
Por tanto, las funciones e x y e x son soluciones de la ecuacin y '' y 0 . Para
comprobar su independencia lineal consideramos el wronskiano

W (e x e x )

ex
ex

e x
2 0
e x

donde se concluye su independencia por el teorema anterior. La solucin general de la


ecuacin diferencial dada ser
y ( x) C1 e x C2 e x

Ejemplo 1.14
Mostrar que la ecuacin diferencial
d3y
dy
x
6 x 12 y 0
3
dx
dx
3

tiene tres soluciones independientes de la forma y x r


Solucin: Derivando esta expresin se tiene
dy
d2y
d3y
r 2
rx r 1

r
(
r

1)
x

r (r 1)(r 2) x r 3
2
3
dx
dx
dx

44

y sustituyendo en la ecuacin diferencial resulta

r (r 1)(r 2) xr 6rxr 12 xr 0 xr r (r 1)(r 2) 6r 12 0


cuyas soluciones son r1 2 r2 2 r3 3 Por tanto, las soluciones de la ecuacin
diferencial son y x 2 y x 2 y x3 Estas soluciones son independientes ya que el
wronskiano es distinto de cero

x 2 x3
W 2 x 3x 2
2 6x

x2
2 x3 20 0
6 x 4

La solucin general es entonces y C1 x 2 C2 x 3 C3 x 2

Ecuaciones lineales con coeficientes constantes


Este tipo de ecuaciones permiten la obtencin de soluciones analticas sin ms que
resolver ecuaciones algebraicas de orden n
Consideremos una ecuacin diferencial lineal de orden n
a0 y ( n ) a1 y ( n 1) a2 y ( n 2) an 1 y an y f ( x )

cuyos coeficientes a0 a1 a2 an sean constantes. Para obtener su solucin general


estudiaremos previamente la ecuacin homognea asociada
a0 y ( n ) a1 y ( n 1) a2 y ( n 2) an 1 y an y 0

Buscamos en la ecuacin homognea soluciones del tipo


sucesivamente tendremos

y e x Derivando

y e x y e x y 2e x y ( n ) ne x

y sustituyendo en la ecuacin homognea resulta


e x a0 n a1 n 1 a2 n 2 an 1 an 0

A la ecuacin a0 n a1 n 1 a2 n 2 an 1 an 0
caracterstica de la ecuacin diferencial.

se le llama ecuacin

Atendiendo a la naturaleza de las soluciones de la ecuacin caracterstica podemos


distinguir diversos casos que exponemos a continuacin.

Races reales y distintas


Si las races 1 2 n de la ecuacin caracterstica son reales y distintas, las
soluciones e1x e2 x en x son linealmente independientes.

45

Por tanto, la solucin general ser de la forma


y C1e1x C2 e2 x Cn e n x

Ejemplo 1.15
Resolver la ecuacin diferencial y ''' 7 y ' 6 y 0
Solucin: La ecuacin caracterstica es 3 7 6 0 cuyas soluciones son
3 1 2 La solucin general ser entonces y C1e3 x C2e x C3e 2 x

Races reales mltiples


Si es una raz mltiple de multiplicidad p entonces puede demostrarse que la
ecuacin admitir p soluciones particulares linealmente independientes de la forma

y1 e x y2 xe x y p x p1e x
La independencia resulta fcilmente demostrable en el caso de soluciones con
multiplicidad 2 pues en este caso

e x
e x

xe x
e2 x 0
e x xe x

Ejemplo 1.16
Resolver la ecuacin diferencial y iv 3 y ''' 3 y '' y ' 0
Solucin: La ecuacin caracterstica es 4 3 3 3 2 0 cuyas soluciones son
0 y 1 triple La solucin general ser y C1 e x (C2 C3 x C4 x 2 )
Ejercicio
Hallar la solucin del problema de valores iniciales:
y '' y 0; y (0) 1; y '(0) 1.

Ejercicio
Sea la ecuacin diferencial

y '' a1 y ' a2 y 0

Supongamos que la ecuacin

caracterstica tiene una raz doble Demostrar que x e x es solucin de la ecuacin de


partida.

Races complejas simples


Si la ecuacin caracterstica tiene races imaginarias a bi , stas darn lugar, a dos
soluciones independientes y eax cos bx , y eaxsenbx
Esta pareja de soluciones contribuye a la solucin general con un sumando del tipo

46

y C1e ax cos bx C2 e ax sen bx

Ejemplo 1.17
Resolver la ecuacin diferencial y '' 2 y ' 17 y 0
Solucin: La ecuacin caracterstica 2 2 17 0 tiene dos races imaginarias
1 4i por tanto, la solucin general ser y e x (C1 cos 4 x C2 sen4 x)
Ejercicio
Representar grficamente las siguientes funciones:
e x cos x, e x sen x, e x cos x, e x sen x, x e x , x e x , x 2 e x , x 2 e x .

Ecuaciones lineales no homogneas


Deseamos ahora encontrar la solucin de la ecuacin diferencial no homognea o
completa
y ( n ) P1 ( x) y ( n 1) Pn ( x) y g ( x)

(1.3)

Proposicin
Sea R ( x ) una solucin particular cualquiera de la ecuacin no homognea, entonces
cualquier otra solucin y de la ecuacin no homognea es de la forma
y( x) C1 y1 ( x) Cn yn ( x) R( x)

donde C1 y1 ( x) Cn yn ( x) es la solucin general de la ecuacin homognea.

Estabilidad de la solucin de equilibrio


Consideremos la ecuacin diferencial no homognea
a0 y ( n ) a1 y ( n 1) an 1 y ' an y b

(1.6)

donde b es una constante y an 0 . La solucin de equilibrio es aquella solucin de la


ecuacin y ye donde ye es una constante. Como en este caso se verifica
y 'e y ''e y ( n ) e 0 sustituyendo en la ecuacin (1.6) obtenemos ye b
an
Suelen distinguirse varios conceptos de estabilidad asociados a una ecuacin de este
tipo 3. Llamemos y ( y0 , x) a una solucin particular de (1.6) que verifica y( x0 ) y0 ,
y '( x0 ) y0 ,, y n 1 ( x0 ) y0n 1 , donde y0 y0 , y0 ,..., y0n 1 .

Para el caso no lineal estos conceptos conllevan mayor complejidad.

47

1. La ecuacin (1.6) se dice que es global asintticamente estable o ms


brevemente, estable, cuando existe un 0 tal que si y0 ye se verifica
lim y ( y0 , x) ye
x

La estabilidad asinttica global se reduce al hecho de que las races j a j b j i


( j 1 2 n) de la ecuacin caracterstica n a1 n 1 an 0 tengan siempre
parte real negativa, es decir, estn situadas en la parte izquierda del plano complejo,
como se muestra en la Figura 1.28.
Im

bj i

a1+b1 i

ar+br i
Re

Figura 1.28

2. La ecuacin (1.6) se dice marginalmente estable cuando dada la solucin


particular y ( y0 , x) con y0 ye para cierto 0 , entonces y( y0 , x) ye se
mantiene acotado cuando x .
La estabilidad marginal se traduce en que todas las races de la ecuacin
caracterstica tengan parte real negativa o nula. Obsrvese que una ecuacin estable
es tambin marginalmente estable.
3. La ecuacin (1.6) se dice inestable cuando alguna de sus soluciones diverge de
la solucin de equilibrio ye , es decir, cuando no es marginalmente estable. La
inestabilidad se refleja en el hecho de que la parte real de alguna de las races de la
ecuacin caracterstica sea positiva.
Los diferentes tipos de estabilidad pueden representarse en las siguientes figuras.

48

ye

x
Figura 1.29 ye es estable

En la Figura 1.29 se verifica que lim y( y0 , x) ye 0 . La parte real de las races de la


x

ecuacin caracterstica es negativa.

ye

x
Figura 1.30 ye es inestable

En la Figura 1.30 se cumple que lim y( y0 , x) ye . Alguna de las races de la


x

ecuacin caracterstica tiene parte real positiva.

49

ye

x
Figura 1.31 ye es marginalmente estable

En la Figura 1.31 se observa que y(t ) ye est acotada cuando t . Las races de la
ecuacin caracterstica tienen parte real menor o igual que cero.
Obsrvese que en presencia de races complejas a bi de la ecuacin caracterstica
aparecen soluciones del tipo y eax cos bx, y eax sen bx. Los diferentes tipos de
estabilidad dependern del signo que tenga la parte real como se observa en la Figura
1.32.

a0

a0

Figura 1.32 Esquema de la estabilidad para races complejas a bi

El problema de la estabilidad en las ecuaciones diferenciales de orden n no es


conceptualmente ms complejo que en las ecuaciones de segundo orden. El problema
principal es el clculo de las races caractersticas. El teorema que vamos a ver a
continuacin proporciona una condicin necesaria y suficiente para que las races de la
ecuacin caracterstica tengan parte real negativa, an en el caso en que sus coeficientes
no sean numricos sino parmetros.

50

Teorema de Routh-Hurwitz
Las partes reales de todas las races de la ecuacin polinmica de grado n
a0 n a1 n 1 an 0 donde a0 0

son negativas si y slo si los n primeros determinantes de la sucesin

a1

a1
a0

a
a3 1
a
a2 0
0

a3
a2
a1

a
a5 1
a
a4 0
0
a3
0

a3
a2
a1
a0

a5
a4
a3
a2

a7
a6

a5
a4

son todos positivos. Dicho de otra forma, dada la matriz de Routh-Hurwitz

a
a
0
0
0
0

a3
a2
a1
a0
0
0

a5
a4
a3
a2
a1
a0

a7
a6
a5
a4
a3
a2

a9
a8
a7
a6
a5
a4

an

los menores principales son todos positivos


1 0 2 0 n 0

Se observa que la estabilidad o inestabilidad de las soluciones de una ecuacin lineal


est asociada a la ecuacin y no depende de las condiciones iniciales de las que parte.
Ejemplo 1.26
Estudiar las condiciones de estabilidad de las soluciones de la ecuacin diferencial
a0 y ''' a1 y '' a2 y ' a3 y 0, donde a0 0.

Solucin: Como la ecuacin caracterstica es a0 3 a1 2 a2 a3 0 la matriz de


Routh-Hurwitz resulta

a
a

a3
a2

a1

a3

por tanto, los menores principales verifican

a1 0
1 0

2 0 a1a2 a0 a3 0
0
a (a a a a ) 0
3
3 1 2 0 3

51

Esto es, las condiciones de estabilidad sern


a1 0 a1a2 a0 a3 0 a3 0

Ejercicio
Dada la ecuacin diferencial a0 y '' a1 y ' a2 y 0, con a0 0
a) Estudiar las condiciones de estabilidad de las soluciones de la ecuacin
empleando el teorema de Routh-Hurwitz.
b) Estudiar las condiciones de estabilidad utilizando simplemente la frmula
algebraica para resolver la ecuacin caracterstica.
c) Estudiar las condiciones de estabilidad de la ecuacin a0 y ' a1 y 0, con a0 0 .

Ecuaciones de orden superior en la Economa


Veamos algunos modelos econmicos donde se emplean ecuaciones diferenciales
lineales de orden superior a uno.

Poltica de estabilizacin
El consumo, la inversin y los gastos del gobierno determinan tanto la renta nacional
como el nivel de empleo. El gobierno, a travs de su poltica fiscal y monetaria, puede
actuar sobre la demanda agregada y constituir un motor fundamental en la actividad
econmica.
Phillips (1954) es el pionero de diversos modelos en este sentido, tambin Gandolfo
(1996) contiene un amplio resumen de tales modelos.
Se considera que el mecanismo bsico que opera en la economa para la
determinacin de la renta es el multiplicador que, desde el punto de vista dinmico,
puede expresarse de la forma
Y ( D Y )

( 0)

1.7)

donde Y representa la renta nacional, D la demanda agregada y la velocidad de


ajuste. La ecuacin (1.7) expresa el hecho de que si la demanda agregada es superior al
nivel corriente de renta en el pas, dicha renta tender a incrementarse, por el contrario,
si fuese inferior al nivel corriente de renta, sta tendera a disminuir.
La demanda agregada tiene tres componentes bsicas, consumo C inversin I y
gastos del gobierno G relacionadas de la forma

D C I G
Vamos a suponer que tanto el consumo como la inversin son proporcionales al nivel de
renta. De forma simplificada supondremos que
C I (1 l )Y

52

(0 l 1)

donde 1 l es la propensin marginal al gasto en el sector privado, es decir, la suma de


las propensiones marginales al consumo y a la inversin.
Se supone que la renta nacional se encuentra, inicialmente, en su nivel deseado Yd
de pleno empleo y que se produce algn tipo de perturbacin exgena en la demanda
agregada que desestabiliza la economa. La demanda agregada ser entonces
D (1 l )Y G u

(1.8)

donde u representa algn tipo de perturbacin externa.


El gobierno tiene la capacidad de manipular su gasto G con el fin de conducir la
demanda agregada Y a su nivel deseado Yd de pleno empleo y evitar los efectos del
shock externo u Tal actividad suele denominarse poltica de estabilizacin.
No obstante aparecern una serie de retardos inherentes al sistema econmico a la
hora de que el nivel de gastos efectivos G del gobierno lleguen a ajustarse a su nivel
realmente deseado G con el fin de anular el efecto de la perturbacin u. Tal ajuste se
produce por medio de una ecuacin de ajuste parcial que se expresa
G (G G)

( 0)

(1.9)

Donde representa la velocidad de ajuste.


Sustituyendo la expresin D dada por la ecuacin (1.8) en la ecuacin (1.7), obtenemos
Y lY u G

(1.10)

Derivando la ecuacin (1.10) respecto al tiempo, obtenemos


Y lY G

(1.11)

donde hemos supuesto que la perturbacin exgena u es constante a lo largo del


tiempo.
Sustituyendo ahora las ecuaciones (1.10) y (1.11) en la ecuacin (1.9) obtenemos la
ecuacin de segundo orden que rige la dinmica de la renta
Y ( l )Y lY G u

(1.12)

Phillips (en Gandolfo, 1996) consider tres tipos de poltica de estabilizacin,


atendiendo a las formas que pudiese adoptar el nivel de gasto G del gobierno.

a) Poltica de estabilizacin proporcional


En este caso, el nivel de gasto gubernamental deseado es proporcional al nivel de renta
deseado Yd de pleno empleo, es decir

G f p Yd

( f p 0)

Por simplicidad se considera f p l , sustituyendo, la ecuacin fundamental (1.12) se


convierte en
Y ( l )Y lY u lYd

53

(1.13)

En ausencia de perturbaciones externas tendremos que u 0 En tal caso, en la ecuacin


(1.13) el nivel de equilibrio a largo plazo de la renta es Y Yd . El valor Yd es el
objetivo a alcanzar por la poltica de estabilizacin que coincide con el pleno empleo.
Cuando se produce una perturbacin u 0 el valor de equilibrio a largo plazo de la
renta es, en cambio
Ye

u
Yd
l

que se considera una desviacin de su nivel deseado Yd


La ecuacin caracterstica de la ecuacin diferencial de segundo orden, dada por la
expresin (1.13) es

2 ( l ) l 0
En el caso de que sus races fueran reales y el discriminante de la ecuacin fuese
positivo ( l )2 4 l 0 como todos sus coeficientes son positivos, la regla de
los signos de Descartes garantizara la existencia de races negativas. En tal caso se
produce una estabilidad de la renta en torno al nivel de equilibrio Yd u sin que la
l
poltica de estabilizacin restaure el objetivo Y Yd .
Cuando el discriminante de la ecuacin caracterstica es negativo 0 se
producirn movimientos oscilatorios en torno al nivel de equilibrio de la renta. No
obstante, ya que ( l ) 0 tales oscilaciones tendrn siempre parte real negativa, por
lo que sern amortiguadas.
Por lo tanto, la poltica de estabilizacin proporcional nunca es capaz de eliminar
completamente esta desviacin u respecto al valor deseado de la renta Yd .
l
Por otra parte, si intensificamos este tipo de poltica incrementando en exceso el
valor f p aparecen oscilaciones cclicas, aunque amortiguadas. Dichas oscilaciones
podran no ocurrir en ausencia de poltica de estabilizacin proporcional.

b) Poltica de estabilizacin derivada


Se trata del caso en que el gasto deseado del gobierno es proporcional y de signo
opuesto a la variacin de la renta, es decir
G fd Y

( f d 0)

Ejercicio
Consideremos que el gobierno sigue una poltica derivada, en la forma G f d Y
( f d 0) Demostrar que el empleo de esta poltica no tiene efectos en la reduccin del
desplazamiento respecto al nivel de pleno empleo deseado Yd de la renta.

54

c) Poltica de estabilizacin integral


En este caso, el gasto del gobierno es proporcional y de signo opuesto a la suma de
todas las diferencias que se han producido entre los valores actuales y deseados de la
renta, es decir
G fi

t
0

(Y Y d ) dt

( f i 0)

donde se supone, por conveniencia, que t 0 es el instante inicial.


Sustituyendo en la ecuacin (1.12) obtenemos
t

Y ( l )Y lY f i (Y Y d ) dt u
0

Derivando respecto al tiempo se tiene


Y ( l )Y lY f i (Y Yd ) 0,

es decir,
Y ( l )Y lY f iY f iYd ,

cuya ecuacin caracterstica es

3 ( l ) 2 l fi 0
Como todos sus coeficientes son positivos, por la regla de los signos de Descartes no
puede haber races reales positivas.
Para asegurar que las posibles races complejas del polinomio
p( ) a0 3 a1 2 a2 a3 tengan parte real negativa, el teorema de Routh-Hurwitz
exige que a1 0 a1a2 a0 a3 0 a3 0, (vase el Ejemplo 1.26).
En nuestro caso, esto conduce a la condicin adicional
( l ) l fi 0 fi ( l )l

Por tanto, si se verifica esta condicin, la poltica de estabilizacin integral tendr xito
haciendo que la renta converja siempre hacia su valor deseado Yd eliminando la
alteracin en la renta causada por la perturbacin externa.

Acelerador de segundo orden


Este modelo refleja el hecho de que los empresarios ajustan la inversin hacia unos
niveles deseados, pero debido a los retardos inherentes en el proceso de ajuste, cuando
se alcanzan dichos niveles stos ya no son los ms convenientes porque han
evolucionado con el tiempo. Tales procesos de desajustes o ajustes parciales, pueden
traducirse en comportamientos oscilatorios de las variables.
Consideremos una ecuacin de ajuste parcial de la inversin I

55

I ( I I )

( 0)

I ( K K ) ( 0)
donde I es el nivel deseado de inversin y K es el stock de capital deseado.
Por la primera ecuacin, si I I * I 0 entonces I crece hacia I , mientras que
si I I * I 0 entonces I decrece hacia I . Se verifica
I [ ( K K ) I ]

Teniendo en cuenta que I K I K , se obtiene la ecuacin diferencial


K ( ( K K ) K ) K K K K

(1.14)

Supongamos en primer lugar que el stock de capital deseado depende del tiempo, es
decir K K (t ) La ecuacin caracterstica es entonces

2 0
Las races de esta ecuacin sern complejas si

2 4 0 2 4 4
Aplicando el teorema de Routh-Hurwitz para la estabilidad de las soluciones,
construimos la matriz

a
a

0 0


a2 1

El modelo ser estable si


1 0 2 0 0 0

Cuando 4 , el modelo es capaz de generar ciclos independientemente de la


especificacin de K (t ) Estos ciclos estn generados solamente por el sector de la
inversin, lo que implica un papel menor del consumo en la causa de los ciclos.
En este modelo es igualmente posible suponer que el stock de capital deseado
depende de la renta (Gandolfo, 1996)
K kY

Suponiendo una funcin de consumo keynesiana


C a bY

(0 b 1)

resultar que
Y C I a bY I Y

1
1
( I a)
( K a )
1 b
1 b

siendo 1b el multiplicador keynesiano. Es decir

56

K kY

k
( K a )
1 b

Por tanto la ecuacin (1.14) quedar


K K K k

K
a
k

1 b
1 b

esto es

k
a

K 1

K K k
1 b
1 b
Su solucin particular de equilibrio es K e

ka
1 b

. A continuacin vamos a analizar bajo

qu condiciones se producen oscilaciones cclicas estables y oscilaciones cclicas que no


se amortigen nunca en torno a la solucin dequilibrio
Aplicando el teorema de Routh-Hurwitz para la estabilidad de las soluciones,
construimos la matriz

k

0 1
0


1 b

a2
1

a
a

El modelo ser estable si 1 0 y 2 0 , por tanto tendr que verificarse

k
2
0 1
0
1 b
1 b

como 0 y 0 por hiptesis inicial del modelo, la condicin de estabilidad ser


1

k
1 b

0 b 1 k

Es decir que la propensin marginal al consumo b tiene que ser menor que 1 k , en
este caso se producen oscilaciones cclicas estables.
Para que las oscilaciones cclicas no se amortigen nunca, las races de la ecuacin
caracterstica han de ser imaginarias puras. Como la ecuacin caracterstica es

2 1

0
1 b

sus soluciones vienen dadas por


2

1
k k
1,2 1
1
4 .
2 1 b
1

La condicin para que sean imaginarias puras ser

57

k

k

1
0 1
4 0
1 b
1 b
como 4 es positivo siempre, la condicin de races imaginarias se reduce a

k
1 b

1 k 1 b

que es la condicin para que el modelo presente oscilaciones cclicas no explosivas pero
sostenidas.
Ejercicio
De forma alternativa suponer que existe una tasa de depreciacin del capital de modo
que la inversin neta es igual a la inversin bruta menos la depreciacin, es decir
K I K

Encontrar en este caso la nueva ecuacin diferencial que describe el comportamiento del
capital y, aplicando el criterio de Routh-Hurwitz, encontrar la nueva condicin de
estabilidad de las soluciones. Finalmente, volver a suponer que el stock de capital
deseado depende de la renta y estudiar en este caso la estabilidad del modelo.

Apndice 1
El mtodo de Euler
Vamos a considerar un mtodo, original de Euler, conocido como mtodo de la tangente
que permite resolver, de forma aproximada, un problema de valores iniciales de la
forma
y ' f ( x y)

y( x0 ) y0

La idea se basa en que si y ( x ) es la solucin que pretendemos buscar, para obtener


una aproximacin a dicha solucin en un punto x1 cercano a x0 podemos considerar la
recta tangente cuya pendiente '( x0 ) f ( x0 y0 ) la conocemos a travs de la ecuacin
diferencial.
El valor aproximado y1 de ( x1 ) vendr dado, como muestra la Figura 1.33, por
y1 y0 '( x0 )( x1 x0 ) y0 f ( x0 y0 )( x1 x0 )

Una vez calculado y1 es posible obtener el valor aproximado y2 de ( x2 ) en otro


nuevo punto cercano a x1 reiterando el proceso anterior. Para ello calculamos la
pendiente y1 f ( x1 y1 ) de la recta tangente a la solucin que pasa por ( x1 y1 ) es decir,
y2 y1 y1( x2 x1 ) y1 f ( x1 y1 )( x2 x1 )

De forma general se obtiene

58

yn1 yn f ( xn yn )( xn1 xn )

tal como muestra la Figura 1.33


y
y=(x)
y3

y2
y1
y0
x0

x1

x2

x3

Figura 1.33 Mtodo de la tangente de Euler

Si consideramos una separacin uniforme entre los puntos x0 x1 x2 la expresin


anterior se convierte en yn1 yn f ( xn yn )h donde xn xn1 h , para n 1, de muy
fcil manejo.

59

SISTEMAS LINEALES CONTINUOS


Consideremos un sistema lineal en su forma normal

x1 (t ) a11 (t ) x1 a12 (t ) x2 a1n (t ) xn w1 (t )


x (t ) a (t ) x a (t ) x a (t ) x w (t )
2
21
1
22
2
2n
n
2

xn (t ) an1 (t ) x1 an 2 (t ) x2 ann (t ) xn wn (t )
donde aij (t ) son funciones del tiempo y wi (t ) indican inputs o trminos exteriores que
fuerzan el sistema.
Con frecuencia emplearemos la notacin matricial donde el sistema puede ser
expresado en la forma

X A t X W t

Ejercicio Comprobar que las funciones vectoriales

2e7t 2e 5t
y
son soluciones del
e7t e5t

sistema

x1 x1 12 x2

x2 3x1 x2

Reduccin a forma normal


La forma normal de un sistema lineal es una expresin muy universal a la que pueden
reducirse muchsimas otras formas en las que se encuentren los sistemas.
Como ejemplo paradigmtico veamos que toda ecuacin diferencial lineal puede
convertirse en un sistema lineal, de primer orden, con n ecuaciones y en forma normal.
En efecto, dada la ecuacin diferencial de orden n
dny
dt

a1 (t )

d n-1 y
dt

n-1

an-1 (t )

dy
dt

an y wt ,

(3.1)

es posible transformarla en un sistema, definiendo las n variables de estado del


siguiente modo
x1 (t ) y x2 (t )

dy
d2y
d n1 y
x3 (t ) 2 xn (t ) n1
dt
dt
dt

donde resulta

dx1 dy
dt dt x2

2
dx2 d y x

3
dt 2
dt
...

n
dxn d y
dt dt n a1 (t ) xn ... an 1 (t ) x2 an (t ) x1 w(t ).
En forma matricial el sistema se expresa de la forma

x1 0


x 2 0


x n 1 0


x n an

1
0

0
an 1

0 x1 0

0 x2 0

wt

1 xn 1 0
a1 xn 1

Esta matriz suele llamarse compaera de la ecuacin (3.1) de partida.

Ejemplo 3.2
Convertir el problema
d3y
dy
4 3 y et
3
dt
dt

y (0) 1 y '(0) 0 y ''(0) 0

en un problema de valores iniciales en forma de sistema de ecuaciones.


Solucin: Para ello hacemos
x1 y x2

dy
d2y
x3 2
dt
dt

entonces

dy
x1 dt x2

d2y
x2 2 x3
dt

d3y
x

4 x2 3x1et
3
3
dt

Escribamos ahora las condiciones iniciales en trminos de las variable xi Teniendo en


cuenta el cambio de variables, se tiene que, y (0) 1 conduce a x1 (0) 1 y '(0) 0
conduce a x2 (0) 0 y, finalmente, y ''(0) 0 conduce a x3 (0) 0
El sistema puede igualmente escribirse en forma matricial

0 1 0
0

x 0 0 1 x 0 et
3 4 0
1

Sistemas lineales homogneos


Consideremos un problema de valores iniciales formado por un sistema lineal, en forma
normal

x1 (t ) a11 (t ) x1 a12 (t ) x2 a1n (t ) xn w1 (t )


x (t ) a (t ) x a (t ) x a (t ) x w (t )
2
21
1
22
2
2n
n
2

xn (t ) an1 (t ) x1 an 2 (t ) x2 ann (t ) xn wn (t )

(3.2)

junto con el conjunto de condiciones iniciales


x1 (0) x1 x2 (0) x2 xn (0) xn

( xi )

Abreviadamente, el sistema puede expresarse en forma matricial

X A t X W

(3.3)

junto con las condiciones iniciales x (0) x0 al que llamaremos sistema lineal no
homogneo.

Teorema de existencia y unicidad


Suponiendo que las funciones aij (t ) y wi (t ) del sistema de ecuaciones (3.2) son
continuas en un intervalo (a b) el problema de valores iniciales tiene solucin y sta es
nica en dicho intervalo (a b)

Teorema
La dimensin del espacio vectorial de todas las soluciones del sistema lineal

homogneo de orden n , dado por la ecuacin X A t X , es n


En virtud de este teorema, dado un sistema lineal homogneo de n ecuaciones,
siempre es posible encontrar una familia 1 t , 2 t , , n t de soluciones,

linealmente independientes, que generen cualquier otra solucin t . Es decir,

(t ) C11 t C22 t

Cnn t ,

para ciertos C1 , C2 ,..., Cn .


Solucin general

Llamaremos solucin general del sistema X A t X , a una solucin de la forma


C11 t C22 t

Cnn t ,

donde Ci (i 1 2 n) son constantes arbitrarias y 1 t , 2 t ,

, n t constituyen

una base de soluciones del sistema.

Sistemas homogneos con coeficientes constantes


Consideremos un sistema lineal homogneo de ecuaciones diferenciales con
coeficientes constantes, que podemos expresar en forma matricial
X (t ) AX (t )

Supongamos que A es diagonalizable, siendo

v 1 v 2 v n

(3.4)

una base de autovectores.

d (e t v ) e t v al sustituir en el
Buscaremos soluciones del tipo X (t ) et v . Como dt
sistema dado por la ecuacin (3.4) resulta

et v Aet v Av v
En consecuencia, debe ser un autovalor de la matriz A y v un autovector de A
Para determinar las distintas soluciones del sistema, del tipo et v resolveremos en
primer lugar la ecuacin caracterstica det( A I ) 0 obteniendo los respectivos
autovalores 1 2 n . A continuacin obtendremos los respectivos autovectores
resolviendo los sistemas ( A i I )i 0
Luego la solucin ser

X C1e1t v 1 C2e2t v 2 Cnent v n

El tipo de soluciones a que da lugar el sistema homogneo (3.4) depender,


esencialmente, de la naturaleza de las races de la ecuacin caracterstica.

Races reales
Consideremos que el conjunto de autovalores 1 2 n son reales y sean
{v 1 v 2 v n} la correspondiente base de autovectores linealmente independientes. Se
tiene por tanto un conjunto de soluciones de la forma
x1 (t ) e1t v1 x2 (t ) e2t v2 xn (t ) ent vn

Por el test de independencia de soluciones sabemos que x1 (t ) x2 (t ),..., xn (t ) son


independientes si y slo si x1 (0) v1 x2 (0) v2 ,..., xn (0) vn , son vectores
independientes en

. Por tanto, la solucin general del sistema es


x (t ) C1e1t v1 C2e 2t v2 Cn e nt vn

Si considersemos el problema de valores iniciales


X (t ) AX (t )

X (0) X 0 ,

tendremos que

X (0) C1v1 C2v2 Cnvn X 0


Como los autovectores v 1 v 2 v n forman una base de soluciones, los coeficientes
C1 C2 Cn pueden determinarse de forma nica, lo que permite obtener la solucin
particular buscada en el problema de valores iniciales.
Ejemplo 3.7
Encontrar la solucin general del sistema de ecuaciones

x1 1 1 4 x1

3
2

1
x
2

x2
x 2 1 1 x
3
3
Solucin: Calculamos la ecuacin caracterstica

1
1
4
det( A I ) 3
2
1 0
2
1
1
cuyas soluciones son 1 1 2 3 y 3 2 por lo que todos los autovalores son
reales.
Para 1 1 , se tiene

0 1 4 a1 0


( A 1I )v1 3 1 1 a2 0
2 1 2 a 0

3
1
1

t
luego v1 4 . As se obtiene la solucin x1 (t ) e 4
1
1


Para 2 3 , se tiene

2 1 4 a1 0


( A 3I )v2 3 1 1 a2 0
2 1 4 a 0

3
1
1

3t
luego v 2 2 As, se obtiene la solucin x2 (t ) e 2
1
1


Para 3 2 , se tiene

3 1 4 a1 0


( A 2 I )v3 3 4 1 a2 0
2 1 1 a 0

3
1
1

2 t
luego v3 1 As, se obtiene la solucin x3 (t ) e 1
1
1


Las tres soluciones son independientes ya que para t 0 se tiene

e t
4et
et

e3t
2e3t
e3t

e2t 1 1 1
e2t 4 2 1 0
e2t
1 1 1

Por tanto, la solucin general ser de la forma

X (t ) C1 x1 (t ) C2 x2 (t ) C3 x3 (t )
1
1
1

3t
2 t
C1e 4 C2e 2 C3e 1
1
1
1



t

C1et C2e3t C3e 2t

4C1et 2C2e3t C3e2t

C1et C2e3t C3e2t

Autovalores complejos
Puede ocurrir que en el sistema X (t ) AX (t ) la ecuacin caracterstica
det( A I ) 0 tenga autovalores complejos. Sean 1 i 2 i una pareja
de autovalores complejos conjugados. Separando cada autovector 1 , 2 en
componentes reales e imaginarias i a bi se tienen dos soluciones U (t ) y V (t )
dadas por

U (t ) e t a cos t b sen t

V (t ) e t a sen t b cos t

Ejemplo 3.8

2 0 0

Resolver el sistema X (t ) AX (t ) siendo A 0 1 1


0 5 3

Solucin: Buscando soluciones de la forma x et resulta

0
2

1
0
0
5

0 1 0

1 2 0

3 3 0

La ecuacin caracterstica

2
0
det( A I ) 0
1
0
5

0
1 0
3

tiene como soluciones 1 2 2 1 i y 3 1 i


Para 1 2 se tiene

0 0 0 1 0
3 2 3 0
2 0


0
3


5 2 53 0
3 0
0 5 5 0

1
por tanto, el autovector correspondiente ser 1 0
0

Para 2 1 i se tiene

0
0 1 0
1 i


0
2

2 0
0
5
2 i 3 0

(1 i)1 0
1 0

(2 i) 2 3 0 2 1

5 2 (2 i)3 0
3 2 i

0
por tanto, el autovector correspondiente ser 2 1
2i

0
Anlogamente, para 3 1 i el autovector correspondiente ser 3 1
2i

Un conjunto fundamental de soluciones del sistema es entonces

1
0
0
2t

( 1i )t

x1 (t ) 0 e ; x2 (t ) 1 e
; x3 (t ) 1 e( 1i )t
0
2i
2i

donde los vectores x2 (t ) y x3 (t ) se pueden expresar como sigue

0
0

( 1i )t

x2 (t ) 1 e
1 e t (cos t i sen t )
2i
2i

0
0

t
t

e cos t
e sen t
i

2et cos t et sen t e t cos t 2e t sen t

0
0

( 1i )t

x3 (t ) 1 e
1 e t (cos t i sen t )
2i
2i

0
0

t
t

e cos t
e sen t
i

2e t cos t e t sen t e t cos t 2e t sen t

La solucin general del sistema se obtiene considerando las partes reales e imaginarias
de los vectores x2 (t ) y x3 (t ) es

e2t
0
0

t
t
x (t ) C1 0 C2
e cos t
e sen t
C3

0
2e cos t e sen t
e cos t 2e sen t

Sistemas no homogneos
Un sistema se dice completo o no homogneo si tiene la forma
X (t ) AX (t ) b (t )

(3.5)

donde b (t ) es un vector, no nulo, que depende de tiempo.

Proposicin
La solucin general del sistema no homogneo es suma de la solucin general del
sistema homogneo ms cualquier solucin particular del sistema no homogneo.

Bsqueda de soluciones particulares


Cuando la matriz A del sistema (3.5) no depende del tiempo, la nica dificultad
adicional para resolver un sistema no homogneo consiste en la bsqueda de una
solucin particular de dicho sistema. Tal solucin particular puede ser encontrada por
diversos procedimientos, el ms sencillo consiste en el denominado mtodo de los
coeficientes indeterminados. En este caso, procederemos buscando una solucin con

forma funcional anloga a la del trmino independiente b (t )

Mtodo de los coeficientes indeterminados


Segn la forma funcional del vector b (t ) en la ecuacin (3.5), se presentan diversos
casos.
Caso 1. b (t ) es un vector constante.
Buscaremos una solucin particular tambin constante

c
c

xp

c
Sustituyendo en el sistema completo dado por la ecuacin (3.5) resulta 0 Ax p b
Cuando A 0 se verifica x p A1b Si A 0 entonces 0 es solucin de la
ecuacin caracterstica. Supongamos que dicha raz es de orden r , en tal caso
ensayaremos una solucin particular de la forma

c
c
t
xp

c
Ejemplo 3.9
Dado el sistema no homogneo
x 2 1 x 1


y 2 2 y 1

buscamos una solucin particular constante

xp

por tanto

2 1 c1 1 0


2 2 c2 1 0

10

Como

1
1 2 1 3
A1

6 2 2 1
3

la solucin particular ser

c
3
1
c

6 1
2

1 1

Ejemplo 3.12
Resolver el sistema

1 0 0
1


x 2 1 2 x 0 e2t
3 2
0
1


Solucin: Busquemos una solucin particular de la forma (t ) be2t Derivando y
sustituyendo en el sistema se tiene

1 0 0
1

2t 2t
2be 2 1 2 be 0 e
3 2
0
1


2t

Simplificando el trmino e 2t y llamando

1 0 0

A 2 1 2
3 2
1

se tiene

1

( A 2 I )b 0
0

Por tanto

11

1 1

b ( A 2 I ) 1 0 4 .
5
0
7
5
Se observa que ( A 2 I ) tiene matriz inversa ya que 2 no es raz caracterstica de A.
Ejercicio Comprobar que la solucin general del ejemplo anterior es

2
0
0 1

x (t ) et C1 3 C2 cos 2t C3 sen 2t 4
5
sen 2t
cos 2t
2

7
5

Puntos de equilibrio y estabilidad


Dado el sistema no homogneo
X (t ) AX (t ) b

(3.12)

donde la matriz A se supone constante con el tiempo. Supongamos que b es un vector


constante. Una solucin X X e con X e n se dice que es una solucin de
equilibrio o punto de equilibrio del sistema dinmico si tiene la propiedad de que
cuando el vector X toma el valor X e permanece en l indefinidamente.
El sistema homogneo X (t ) AX (t ) tiene siempre al origen X 0 como punto de
equilibrio. Este punto de equilibrio es nico, si A es no singular. Si la matriz A es
singular ( det ( A) 0) entonces hay infinitos puntos de equilibrio.
Para el sistema no homogneo (3.6), un punto de equilibrio X e debe satisfacer

AX e (t ) b 0
Si A es no singular, habr un nico punto de equilibrio X e A1b Si A es singular,
puede que no exista ningn punto de equilibrio.

Estabilidad
Un punto de equilibrio es estable si cuando el vector de estado se separa ligeramente de
l, tiende a retornar al mismo o al menos se encontrar, en cualquier instante futuro,
suficientemente cerca.

12

De forma ms precisa, el punto de equilibrio es asintticamente estable si para


cualquier condicin inicial, el vector de estado tiende a X e cuando t
El punto de equilibrio es inestable si para alguna condicin inicial, el vector de
estado correspondiente tiende a infinito.
La solucin de equilibrio es marginalmente estable, cuando a largo plazo, aunque el
vector de estado X no converja a la solucin de equilibrio X e , el sistema se queda en
sus proximidades.

Teorema de estabilidad
La condicin necesaria y suficiente para que el punto de equilibrio del sistema
X (t ) AX (t ) b , sea asintticamente estable, es que los autovalores de A tengan
todos parte real negativa (todos estn en la mitad izquierda del plano complejo). Si al
menos un autovalor tiene parte real positiva, el punto es inestable.

Obsrvese que como la solucin general del sistema no homogneo es

X (t ) C1v1e1t C2v2 e2t Cnvnent X e


donde algn autovalor puede ser complejo, el hecho de que todos los autovalores tengan
parte real negativa conduce a que lim X (t ) X e .
t

Condiciones de estabilidad para sistemas


Segn hemos visto, el comportamiento estable o inestable en el tiempo, de las
soluciones del sistema X (t ) AX (t ) b depende de los autovalores 1 2 n de la
matriz A El sistema es asintticamente estable si y slo si Re(i ) 0 (i 1 2 n)
Existen diversos conjuntos de condiciones que describimos a continuacin.
1. Una condicin necesaria y suficiente para que una matriz simtrica sea
estable, esto es, tenga autovalores con parte real negativa, es que los menores
principales tengan el signo alternado, comenzando con negativo

a11 0

a11 a12
0
a21 a22

a11 a12
a21 a22
a31 a32

a11 a12
a13
a
a
a23 0 ... sign 21 22

a33
an1 an 2

a1n
a2 n
sign(1) n

ann

2. Una condicin necesaria y suficiente de estabilidad para la matriz A es que los

13

menores principales de la matriz B

1
(a12 a21 )
2

a11

1
(a21 a12 )
1
t
A

2
2

1
(an1 a1n )
2

a22

1
(a1n an1 )

(a2 n an 2 )

1
(an 2 a2 n )
2

ann

tengan el signo alternado, comenzando por negativo.


3. Sea A una matriz que tenga todos los elementos no pertenecientes a la diagonal
principal no negativos, esto es, aij 0i j entonces una condicin necesaria y
suficiente de estabilidad para la matriz A es la misma que la condicin 1.
4. Diagonal negativa dominante.
Un conjunto de condiciones suficientes de estabilidad es que todos los elementos de
la diagonal principal sean negativos y cada uno, en valor absoluto, mayor que la
suma de los valores absolutos de todos los otros elementos de su misma lnea (fila o
columna), es decir
n

aii 0

aii aij

aii 0

aii a ji

Dominacion por filas

j 1
i j
n

Dominacion por columnas

j 1
i j

5. Traza
Una condicin necesaria de estabilidad es que la traza de la matriz A sea
negativa, esto es
n

tr ( A) aii 0
i 1

6. Determinante
Una condicin necesaria de estabilidad es que el determinante de A tenga el
signo de (1)n

Estabilidad de los sistemas 2x2


Estudiemos la estabilidad del sistema 2x2

x a11 a12 x
a a
y 21 22 y

14

La ecuacin caracterstica A I 0 resulta

a11
a12
2 (a11 a22 ) (a11a22 a12 a21 ) 0
a21
a22
esto es

2 tr( A) det( A) 0.
La estabilidad del sistema vendr dada por el hecho de que la ecuacin caracterstica
tenga ambos autovalores con parte real negativa.
Aplicando el criterio de Routh-Hurwitz a esta ltima ecuacin, las condiciones de
estabilidad sern
tr( A) 0

tr( A)
0
0
1
det( A)

por tanto, el sistema ser estable si y slo si tr( A) 0 y det( A) 0


El estudio de los posibles estados dinmicos del sistema se realiza teniendo en
2
cuenta los tres parmetros tr( A) det( A) y tr( A) 4 det( A) Si 0 los
autovalores son reales, si 0 los autovalores son reales e iguales y si 0 los
autovalores son complejos.
Todo ello puede representarse fcilmente en el espacio de parmetros
tr( A) det( A) como se observa en la Figura 3.1.
det(A)
=0

Estabilidad
<0

Inestabilidad
>0

tr(A)
Inestabilidad

Inestabilidad

Figura 3.1 Espacio de parmetros tr( A) det( A)

15

3.9 El plano de fase


Consideremos el sistema autnomo
dx
dt ax by

dy cx dy
dt

(3.11)

Para cada punto ( x0 y0 ) el teorema de existencia y unicidad garantiza la existencia de


una solucin x x(t ) y y (t ) del sistema, verificando x(t0 ) x0 y (t0 ) y0
Un par de ecuaciones x x(t ) y y (t ) define lo que se conoce como la
representacin paramtrica de una curva en el plano ( x y ) . La representacin
paramtrica de una curva consiste en asociar un punto del plano a cada valor del tiempo
t . Al variar el tiempo, en forma continua, el punto del plano ( x(t ) y (t )) evolucionar,
tambin en forma continua, describiendo una curva del plano ( x y ) En la Figura (3.2)
se esquematiza la evolucin de los diferentes puntos de dicha curva con el tiempo.
La curva ( x(t ) y (t )) se le conoce como trayectoria de la solucin. La trayectoria es
un concepto que no slo hace referencia a la curva que describe la solucin sino que
considera, igualmente, el sentido, la velocidad y todas las caractersticas dinmicas con
que se recorre dicha curva. En la Figura 3.2, se seala mediante flechas, el sentido en
una trayectoria. Cuando se considera la curva solucin sin tener en cuenta ningn
sentido de movimiento a lo largo de ella, se habla de rbita de la solucin. Desde el
punto de vista dinmico el concepto de rbita tiene menos significado que el de
trayectoria, al carecer de orientacin temporal.

y
t=t2

(x ,y )
2 2

t=t1 (x1 ,y1)


t=t0
(x0 ,y0)
Figura 3.2 Evolucin de una trayectoria con el tiempo

Al plano ( x y ) se le llama plano de fase del sistema (3.11). El concepto de plano de


fase puede extenderse al caso n dimensional aunque, por simplicidad, y para facilitar la
visualizacin nos remitiremos, inicialmente, al caso n 2

16

Configuraciones de los espacios de fase bidimensionales


En el caso de que la matriz A sea una matriz de orden 2, diagonalizable, se tienen las
siguientes configuraciones en el espacio de fase segn la naturaleza de las races de la
ecuacin caracterstica1.
Si 1 y 2 son las races de la ecuacin caracterstica, reales o complejas, dicha
ecuacin puede reconstruirse en la forma

( 1 )( 2 ) 2 1 2 12
Comparando con la ecuacin 2 tr( A) det( A) 0 , resulta que tr( A) 1 2 y
det( A) 12 Si los autovalores son reales y det( A) 0 entonces 1 y 2 deben tener
el mismo signo, mientras que si det( A) 0 los autovalores 1 y 2 tienen signos
contrarios.
I. Nodo. Un nodo se presenta cuando los autovalores son reales, 0 , y del mismo
signo det( A) 0 . En este caso, a largo plazo, todas las trayectorias son tangentes a
una misma recta. La solucin del sistema viene dada por
x C1v1e1t C2v2e 2t

donde v1 y v2 son los autovectores de la matriz del sistema. Atendiendo al valor de


los autovalores podemos encontrar los siguientes casos.
1 En el nodo inestable, ambos autovalores son positivos. En este caso, todas las
trayectorias divergen, de manera no cclica, hacia el infinito. Suponiendo que
1 2 0 entonces 1 ser un autovalor dominante positivo y se verifica que
e1t

e2t Cuando t la solucin tiende a alinearse con C1v1e1t es decir, a

largo plazo x C1v1 e1t


2 En el nodo estable, ambos autovalores son negativos. En este caso, todas las
trayectorias convergen, de manera no cclica, hacia el punto de equilibrio.
Suponiendo que 0 1 2 entonces 1 ser un autovalor dominante negativo y se
verifica que e1t

e2t Cuando t la solucin tiende a alinearse con C1v1e1t

es decir, a largo plazo x C1v1 e1t aunque en este caso x 0 por ser los
autovalores negativos. Las trayectorias del espacio de fase vienen descritas
esquemticamente en la Figura 3.6.

Cuando la matriz A no sea diagonalizable, recurriendo a las formas cannicas de Jordan, las
configuraciones de los espacios de fase de los sistemas 2x2 son los mismos que en el caso diagonalizable.

17

y
v1

v1

v2

v2
Nodo
inestable

Nodo
estable

Figura 3.6 Nodos inestable y estable

II. Estrella. Si 0 hay dos posibilidades:


1 Si 1 2 0 se obtiene una estrella inestable
2 Si 1 2 0 se obtiene una estrella estable o nodo impropio donde las
trayectoria son lneas rectas que convergen hacia el origen pues se tiene que

x C1v1 e1t C2v2 e1t e1t C1v1 C2v2


donde x 0 cuando t
Las trayectorias del espacio de fase, en estos dos ltimos casos, vienen descritas en
la Figura 3.7.
y

Estrella estable

Estrella inestable

Figura 3.7 Estrellas inestable y estable

Ejemplo 3.16
Analizar las trayectorias de las soluciones del sistema
x x

y y

18

Al estar el sistema desacoplado, la solucin general viene dada por x k1e t y k2e t
siendo k1 y k2 constantes arbitrarias.
k

Dividiendo y entre x las rbitas son las posibles rectas de la forma y k2 x


1
Como lim x(t ) 0 y lim y (t ) 0 el conjunto de trayectorias es el que se muestra en la
t

Figura 3.8.
y

Figura 3.8 Conjunto de trayectorias del sistema x x y y

Debido al teorema de existencia y unicidad de las soluciones de un sistema de


ecuaciones diferenciales, tendremos que dado un sistema autnomo de ecuaciones
dx
dt ax by

dy cx dy
dt

las trayectorias en el espacio de fase ( x y ) nunca se autointersectan.


Obsrvese que en un punto como el (0 0) de la Figura 3.8 se incumple,
aparentemente el teorema anterior. Sin embargo, esto no ocurre as por dos razones. En
primer lugar, el punto (0 0) constituye por s solo una rbita formada por un solo
punto. Y en segundo lugar, la trayectoria que partiese de cualquier otro punto
( x0 y0 ) (0 0) tardara un tiempo infinito en llegar al origen.
III. Punto de silla. Si los autovalores son reales, 0 , y de distinto signo det( A) 0 ,
obtendremos un punto de silla. Todas las trayectorias del punto de silla divergen
hacia el infinito excepto la que parte de un punto inicial situado en la recta que pasa
por el origen y tiene la direccin del autovector correspondiente al autovalor
negativo. La solucin del sistema viene dada por
x C1v1 e1t C2 v2 e 2t

19

donde v1 y v2 son los autovectores de la matriz del sistema. Si suponemos que

1 0 y 2 0 entonces cuando t se verifica que e t y e t 0 En


1

este caso, las trayectorias del espacio de fase estn reflejadas en la Figura 3.9.
y

v1

v2

Figura 3.9 Punto de silla

IV. Espirales. Si los autovalores son complejos conjugados, 0 , se tiene que


1 2 i de donde se obtienen focos o espirales. En este caso la solucin del
sistema es
x C1v1e( i )t C2v2e( i )t

Descomponiendo los autovalores en parte real e imaginaria se tiene v1 u vi y


v2 u vi , luego

x et C1 (u cos t v sen t ) C2 (u sen t v cos t )i


1 Si 0 se tiene un espiral inestable y las trayectorias divergen hacia el infinito
en forma de espiral.
2 Si 0 se trata de un espiral estable y las trayectorias se aproximan al punto
de equilibrio en forma de espiral.
En la Figura 3.10 se presentan diferentes trayectorias segn los valores del
parmetro

20

>0

<0
Espiral
estable

Espiral
inestable

Figura 3.10 Focos inestable y estable

Para determinar el sentido de giro puede recurrirse a elegir algn punto de la trayectoria
y calcular el vector tangente ( x(t0 ) y(t0 )) en dicho punto. Tambin suele recurrirse a
considerar un punto de los ejes de coordenadas y determinar la direccin del
movimiento en ese punto. Si consideramos, por ejemplo, un punto de la espiral sobre el
eje OX , ( y 0) por la segunda ecuacin del sistema

x a11 a12 x

a
y 21 a22 y
resultar que y a21 x El movimiento se produce en el sentido de las agujas del reloj
cuando a21 0 tal y como muestra la Figura 3.11.

a21 < 0

a21 > 0

Figura 3.11 Sentido de giro en focos

Ejemplo 3.17

21

Es fcil verificar que x et cos t y et sen t ( t ) es una solucin particular


del sistema
x x y

y x y

Una rbita del sistema es la curva x 2 y 2 e2t que representa una espiral como se
refleja en la Figura 3.12, si la consideramos como una circunferencia cuyo radio e t
tiende a cero, cuando t

Figura 3.12 Espiral estable

V. Centros Si los autovalores son imaginarios puros, 1 2 i se obtiene un


centro. Esto se caracteriza porque 0 y tr( A) 0 . Las trayectorias sern
circunferencias, o ms generalmente, elipses cuyo sentido de giro viene dado por el
signo de a21 como se observa en la Figura 3.13.

=0
Figura 3.13 Centros

22

Estabilidad y trayectorias
Ya habamos visto que si 1 y 2 son las races de la ecuacin caracterstica, entonces
tr( A) 1 2 y det( A) 12 Esto nos permite completar el espacio de parmetros
(tr( A) det( A)) por medio de la Figura 3.14 en la que se sumarizan todos los tipos de
trayectorias.
det(A)=1 2

Sumideros

Nodos
estables

Espirales
estables

Centros

Fuentes
2
det(A)= tr(A)
4
Espirales
inestables
Nodos
inestables

tr(A)=1 +2

Puntos de silla

Figura 3.14 Trayectorias de los sistemas bidimensionales

En la Figura 3.14 se han denominado sumideros a todas aquellas configuraciones del


espacio de fase en que todas las trayectorias son atradas hacia el punto de equilibrio
que es global, asintticamente estable. Se ha denominado fuentes a las configuraciones
donde todas las trayectorias son divergentes del punto de equilibrio que es inestable.
Los puntos de silla son igualmente inestables. En el caso de los centros el punto de
equilibrio es marginalmente estable.
Ejemplo 3.18
Dibujar, esquemticamente, el espacio de fase del sistema
2 1
x
x
4 7

Solucin: Resolviendo la ecuacin caracterstica, det( A I ) 0 resultarn los


autovalores y autovectores siguientes

23

1 3 2 6 v 1 v 2
1
4
Se trata, entonces, de un nodo estable siendo 1 3 el autovector dominante negativo.
A largo plazo, todas las trayectorias tendern a alinearse con el vector v1 .
Ejemplo 3.19
Dibujar el espacio de fase del sistema
1 3
x
x
3 1

Solucin: Resolviendo la ecuacin caracterstica, det( A I ) 0 resultarn los


autovalores y autovectores siguientes
1

1 2 2 4 v 1 v 2
1
1
El espacio de fase corresponde a un punto de silla como seala Figura 3.9.
Ejemplo 3.20
Dibujar el espacio de fase del sistema
1 1
x
x
1 1

Solucin: Al resolver la ecuacin caracterstica, det( A I ) 0 resultan los


autovalores 1 2 1 i que corresponden a un espacio de fase de espiral estable.
Para determinar la direccin de rotacin hay que observar que para los puntos de la
trayectoria sobre el eje OX (cuando y 0) se verifica que y x La Figura 3.15
muestra este caso.
x

Figura 3.15 Espiral estable

24

Ejemplo 3.21
0 4
Demostrar que las trayectorias del sistema x
x son elipses y encontrar su
9 0
sentido de giro.

Solucin: Como x 4 y y 9 x pueden encontrarse fcilmente las rbitas


dy
2
2
2
2
dt dy 9 x 4 ydy 9 xdx x y C x y 1
dx
2
1
2C
C
dx 4 y
dt
9
2
9
2

que son, por tanto, elipses. Para encontrar la direccin de rotacin habr que tener en
cuenta que cuando x 0 se verifica que y 0 luego el sentido de giro coincide con el
de las agujas del reloj.

Algunos modelos econmicos


Modelo keynesiano IS-LM
Vamos a considerar una versin dinmica del modelo keynesiano donde se representa la
convergencia hacia el equilibrio simultneo en el mercado de bienes y en el mercado
monetario.
En el modelo IS LM , la curva IS representa las combinaciones de tipos de
inters r y los niveles de produccin Y en los que el ahorro planeado S es igual a la
inversin planeada I . Esta curva describe el conjunto de puntos de equilibrio en el
mercado de bienes.
La curva LM muestra las combinaciones de r y de Y con los que son iguales oferta
y demanda de dinero, esto es, el conjunto de puntos de equilibrio en el mercado de
dinero. En trminos de Keynes, sobre esta curva, la preferencia por la liquidez L es
igual a la oferta monetaria M .
r (Tipo de inters)
LM: ( L(Y,r)=M )

r0

E
IS: ( I=S )
Y0

Y (Produccin real)

25

Figura 3.18. Modelo keynesiano IS-LM

En la Figura 3.18 podemos observar las caractersticas fundamentales de las curvas IS y


LM. La curva IS es decreciente lo que indica que en el mercado de bienes, cuando los
tipos de inters son bajos, la inversin, y por tanto la renta de equilibrio son mayores.
La curva LM es creciente lo que significa que, en el mercado de dinero, al aumentar la
renta tambin aumenta la demanda de dinero por lo que suben los tipos de inters
La interseccin de las curvas IS y LM se produce en un punto E donde tanto el
mercado de bienes como el de dinero estn en equilibrio. El equilibrio macroeconmico
de la produccin y los tipos de inters est determinado conjuntamente por la
interseccin de IS con LM.
Dinmica del modelo
Siguiendo a Tu (1994) El modelo keynesiano IS LM es susceptible de un interesante
anlisis dinmico. Para ello consideremos un modelo en el cual la renta Y responde al
exceso de demanda de mercancas que se traduce en un exceso de inversin I sobre el
ahorro S El tipo de inters r responde al exceso de demanda de dinero L(Y r ) sobre
la oferta monetaria M determinada exgenamente. Todo ello se concreta en el
siguiente sistema de ecuaciones

Y h1 I S

r h2 L Y r M
donde hi son constantes positivas, que supondremos iguales a 1, y que miden la
velocidad de ajuste. Adems supondremos que

I I0 r

S S p S g s Y T T G
siendo el ahorro privado S p una fraccin de la renta disponible s (Y T ) donde T son
los impuestos. El ahorro del gobierno viene dado por S g T G donde G indica
gastos del gobierno, y la funcin de liquidez por L(Y r ) kY r siendo kY la
demanda por transacciones y r la demanda especulativa.
En el modelo dinmico IS-LM se plantean diversos problemas fundamentales:
a) Bajo qu condiciones el punto de equilibrio Ye , re es estable?
b) Supuesta la estabilidad, en qu forma se aproximar el sistema hacia el equilibrio,
segn los valores de los parmetros?
Resolvamos ahora la cuestin a) dejando la b) como ejercicio.

26

La dinmica del modelo podr ser expresada por el siguiente sistema

Y I 0 r s Y T T G

r kY r M
y en forma matricial ser

Y s Y (1 s)T G I 0

r k r
La ecuacin caracterstica viene dada por

2 tr( A) det( A) 2 ( s) ( s k ) 0
donde los autovalores son 12

1
2

( s )

siendo ( s)2 4 k Haciendo

uso de las exponenciales de matrices, la solucin es

x (t ) e At x0 xe xe Pe At P1 x0 xe xe
siendo xe es la solucin de equilibrio del sistema, esto es

0 Axe b xe A1b
La estabilidad se produce en aquella regin que verifique
det( A) s k 0 tr( A) ( s ) 0

Las races sern reales o complejas, pudiendo producirse movimientos oscilatorios


segn que 0 o 0 respectivamente.
Ejercicio Consideremos el modelo dinmico IS-LM
a) Estudiar las condiciones para las que el punto de equilibrio es estable.
b) Bajo qu condiciones el modelo tendr comportamiento estable y oscilante
(espiral)?
c) Bajo qu condiciones tendr un comportamiento estable con convergencia
montona (nodo)?
d) Bajo qu condiciones tendr un punto de silla?

Estabilidad del equilibrio general Walrasiano


Una cuestin que intrig profundamente a los economistas de finales del siglo XIX fue
la posible existencia de un conjunto de precios que asegurasen la igualdad entre la oferta

27

y la demanda en todos los mercados de la economa. El problema no consiste solamente


en resolver el sistema de ecuaciones que igualen oferta y demanda de todos los
mercados. Para que dichos precios de equilibrio tengan sentido es preciso la estabilidad,
es decir, si algunos de los precios se sale del equilibrio deben existir fuerzas que lo
conduzcan nuevamente hacia l.
Los modelos de mercado estudiados en los Captulos I y II denominados de
equilibrio parcial, se supona que todos los precios, salvo el del bien estudiado, se
mantenan fijos. En la realidad se produce un complejo fenmeno de interconexin
entre el conjunto de mercados que componen la economa. Para su estudio se requiere
un modelo de equilibrio general, donde todos los precios son variables y se alcance un
equilibrio por medio de un conjunto de precios que vacen simultneamente todos los
mercados.
Con el fin de ilustrar el proceso de convergencia hacia un equilibrio simultneo,
consideramos una economa formada por un mercado.
En un modelo de equilibrio general las ofertas y demandas de cada mercanca se
suponen, en principio, funciones de los precios de todas las mercancas, esto es

E1 E1 ( P1 P2 Pm ) D1 ( P1 P2 Pm ) S1 ( P1 P2 Pm )
E E ( P P P ) D ( P P P ) S ( P P P )
2
2
1
2
m
2
1
2
m
2
1
2
m

Em Em ( P1 P2 Pm ) Dm ( P1 P2 Pm ) S m ( P1 P2 Pm )
donde E j j 1 2 m es el exceso de demanda de la mercanca j
Un punto de equilibrio ( P1e P2e Pme ) es aquel punto donde todos los excesos de
demanda son cero simultneamente.
Len Walras intent resolver, a finales del siglo pasado, el gran problema terico de
la interrelacin de los numerosos mercados que componen la economa. Walras supuso
que los precios se movern para contrarrestar los excesos de demanda, pero no
consigui demostrar que el equilibrio fuera estable. Quedaba sin resolver la cuestin de
que cuando un conjunto de precios tiende a hacer cero el exceso de demanda de una
mercanca, podran sacar del equilibrio a otras mercancas.
Carente de herramientas matemticas ms sofisticadas, Walras desarroll su teora
de los ttonnements, es decir, de las aproximaciones al equilibrio por tanteo. En ella se
supone que un subastador va visitando los diferentes mercados buscando su equilibrio
mediante las alteraciones sucesivas de sus precios. Walras conjetur que el proceso de
tanteo es convergente hacia un equilibrio con independencia de los precios iniciales de
que partiese. En esta teora quedaban sin resolver numerosos problemas relativos a la
unicidad, la existencia, la estabilidad y la trayectoria temporal de los precios mediante la
cual los mercados alcanzan el equilibrio.
Como veremos, la teora de los sistemas de ecuaciones puede contribuir a la

28

solucin del problema. Vamos a considerar que las variaciones de los precios son
funcin positiva del exceso de demanda. La estabilidad del equilibrio general se reduce
a la estabilidad del sistema de ecuaciones

P1 F1 E1 ( P1 P2 Pm )

P2 F2 E2 ( P1 P2 Pm )

Pm Fm Em ( P1 P2 Pm )

donde F j son funciones que preservan el signo, esto es

signFj sign , Fj 0 0

dFj 0
dE j

La forma matemtica ms sencilla de concebir este proceso es suponer que tanto las
funciones F j como las E j son lineales, as, el sistema puede venir expresado de la
forma siguiente

P1 a11 P1 a12 P2 a1m Pm a1

P2 a21 P1 a22 P2 a2 m Pm a2

P m a P a P a P a .
m1 1
m2 2
mm m
m

En general, suponiendo que exista un punto de equilibrio ( P1e P2e Pme ) , el sistema
puede expresarse de la forma

P1 P1e a11 ( P1 P1e ) a12 ( P2 P2e ) a1m ( Pm Pme )

P2 P2e a21 ( P1 P1e ) a22 ( P2 P2e ) a2 m ( Pm Pme )

e
e
e
e
Pn Pn am1 ( P1 P1 ) am 2 ( P2 P2 ) amm ( Pm Pm ).
La conjetura de Walras de que el proceso de tanteo deba converger hacia el equilibrio
con independencia de los precios iniciales de que partiese, puede expresarse en un
lenguaje dinmico diciendo que este sistema de ecuaciones diferenciales es
globalmente, asintticamente estable, es decir, cuando t se verifica que
lim Pj Pje para j 1 2 m Dicha condicin se produce cuando los autovalores de
matriz del sistema tengan parte real negativa.
Se han producido numerosas investigaciones en este sentido, intentando buscar una
interpretacin econmica a las condiciones de estabilidad. Destacamos dos tipos de
condiciones.

29

En primer lugar, puede demostrarse que la alta sustituibilidad de todas las


mercancas asegura la estabilidad global (Metzler, 1945). Se dice que las mercancas
son altamente sustituibles2 cuando un incremento en el precio de una mercanca,
dejando las dems constantes, incrementa el exceso de demanda de otras mercancas

Ei
P aij 0
j

Ei a 0
ii
Pi

(i j ),

para los bienes sustituibles


para los bienes normales

En segundo lugar, una condicin suficiente de estabilidad es la diagonal dominante


negativa, es decir, que los elementos de la diagonal son negativos y exceden, en valor
absoluto a la suma de los valores absolutos de los elementos de su propia fila, esto es

Ei
0
Pi
m
Ei
Ei

Pi
j 1 Pj

(i j ).

Esta condicin formaliza lo que Walras haba establecido intuitivamente como garanta
de equilibrio general, que el exceso de demanda de cada mercanca resulta ms afectado
por los cambios en los precios de dicha mercanca que por los cambios en los restantes
precios.

Modelo de Richardson
De sobra son conocidos argumentos tpicos tales como Los armamentos son los
mejores seguros contra la guerra o Una nacin indefensa invita a la guerra por su
debilidad. Tales argumentos condujeron, en varias ocasiones, a las espirales
armamentsticas.
Richardson (1960), es el autor de diversos modelos que intentaban describir la
carrera armamentstica.
Sean x(t ) e y (t ) los niveles de armamento de dos naciones X e Y . Las reacciones
armamentsticas de cada nacin ante el rearme de la otra, as como la fatiga producida
por el esfuerzo econmico de los gastos militares pueden reflejarse en el siguiente
sistema de ecuaciones diferenciales

Sean dos bienes x e y cuyos precios y demandas llamaremos Px, Py, Dx, y Dy respectivamente. Dichos
bienes se dicen que son sustitutivos cuando D P 0 tal y como sucede con la mantequilla y la
x

margarina. Los bienes se dicen complementarios cuando D P


x

coches.

30

0 como puede ser la gasolina y los

x(t ) ky (t ) x(t ) g

y (t ) lx(t ) y (t ) h

(k g 0)
(l h 0)

Los parmetros g y h expresan las motivaciones estratgicas y psicolgicas para


cambiar los niveles de armamento. Los parmetros k y l son los coeficientes de
defensa y reflejan la propensin hacia el rearme de una nacin en vista del nivel de
armamento alcanzado por la otra. Los parmetros y se denominan coeficientes de
fatiga, indican la fatiga econmica de los gastos de defensa (Luenberger, 1979).
El punto de equilibrio del sistema se obtiene cuando
ky x g 0

lx y h 0

donde resulta
x

g kh
h gl
y

kl
kl

El punto de equilibrio ( x y ) corresponde a un nivel de defensa positivo cuando


kl 0 Supongamos que kl 0
Estabilidad del equilibrio
Estudiemos la condicin de estabilidad del equilibrio, teniendo en cuenta que la matriz
A del sistema es

A
l

La estabilidad se produce cuando


tr( A) 0

det( A) kl 0.

La segunda condicin establece que el equilibrio ser estable cuando el producto de los
coeficientes de fatiga sea superior al producto de los coeficientes de defensa. Por tanto,
todo equilibrio no negativo es estable y viceversa. Obsrvese que el tamao de los
niveles de equilibrio x e y es inversamente proporcional a la diferencia kl por lo
que dichos niveles de equilibrio podran hacerse arbitrariamente elevados si kl se
aproximase lo suficiente a

Carrera armamentstica multinacional


Supongamos que en la carrera armamentstica intervienen n naciones. Sea xi el nivel
de defensa de la i -sima nacin. El modelo de defensa dinmico de Richardson se

31

convierte en el siguiente sistema

x1 1 x1 k12 x2 k1n xn g1
x k x x k x g
2
21 1
2 2
2n n
2

x n1 kn1 x1 kn 2 x2 n xn g n
siendo kij 0 i 0 En forma matricial el sistema se expresa
X (t ) KX (t ) g

El punto de equilibrio se obtiene suponiendo que la matriz K es no singular, luego


X K 1 g

Puede demostrarse que la condicin de estabilidad asinttica del equilibrio X


corresponde con el hecho de que el punto de equilibrio sea no negativo.

32

Ejercicios propuestos
1 Supongamos que lo que mueve a los gobiernos al armamento no es la magnitud del
armamento de otras naciones sino la diferencia entre su propio armamento y el de la
otra. Entonces
dx
dt k ( y x) x g

dy l ( x y ) y h
dt

Mostrar que si kl ( k )( l ) cada solucin de este sistema de ecuaciones es


estable, en caso contrario sera inestable.
2 Consideremos el caso de tres naciones, cada una teniendo los mismos coeficientes
dedefensa k y el mismo coeficiente de fatiga . Entonces

dx
dt x ky kz g1

dy
kx y kz g 2
dt
dz
dt kx ky z g 3

i) Comprobar que det( A I ) ( )3 3k 2 ( ) 2k 3


ii) Mostrar que k es una solucin de la ecuacin caracterstica. Usar esta
informacin para encontrar las dos restantes races.
iii) Demostrar que cada solucin es estable si 2k e inestable en caso contrario.
Supongamos ahora que z es una nacin pacifista, con lo que la 3 a ecuacin del sistema
ser
dz
0 x 0 y z g3
dt

iv) Mostrar que cada solucin es estable si y slo si k

5 Dibujar el espacio de fase de cada uno de los sistemas x Ax para los siguientes
valores de la matriz A

33

i)

5 1
A

1 5

0 1
ii) A

8 6
4 1
iii) A

2 5
4 1
iv) A

1 6
1 4
v) A

8 4

3 1
vi) A

5 3

6 Dibujar el espacio de fase de cada uno de los sistemas siguientes.


i)

0 2
1
x
x
2 1
3

1 1
2
ii) x
x
5 3
1
2 1
1
iii) x
x
5 2
1

34

SISTEMAS LINEALES DISCRETOS


Un sistema de ecuaciones en diferencias diremos que est expresado en su forma
normal cuando podemos escribirlo de la siguiente forma

xt11 f1 ( xt1 xt2 xtn t )


2
1
2
n
xt 1 f 2 ( xt xt xt t )

xtn1 f n ( xt1 xt2 xtn t )


donde en la expresin xti el ndice superior se emplea para especificar la variable y el
ndice inferior se refiere al tiempo.
Una solucin particular del sistema de ecuaciones en diferencias es un conjunto de n
sucesiones numricas que verifiquen el sistema de partida.
Alternativamente, tambin suele emplearse la siguiente notacin para designar un
sistema de ecuaciones en diferencias

x1 (t 1) f1 ( x1 (t ) x2 (t ) xn (t ) t )
x (t 1) f ( x (t ) x (t ) x (t ) t )
2
2
1
2
n

xn (t 1) f n ( x1 (t ) x2 (t ) xn (t ) t )
A las variables xt1 xt2 xtn se les denomina variables de estado. Representaremos por
x01 x02 x0n a las condiciones iniciales de donde parten las variables de estado.

Los sistemas definidos de la forma anterior cumplen de manera natural los teoremas
de existencia y unicidad. Fijadas unas condiciones iniciales x01 x02 x0n el sistema
admite una solucin nica, verificando, en el instante t 0 dichas condiciones
iniciales.

Sistemas lineales homogneos


Sea un sistema lineal de ecuaciones en diferencias, homogneo, en su forma matricial
x t 1 A x t

siendo A una matriz no singular ( det( A) 0) De forma anloga a los sistemas lineales
de ecuaciones diferenciales, vistos en el captulo anterior, pueden demostrarse los
siguientes resultados.

35

Proposicin
Suponiendo una matriz A no singular, de orden n x n , las soluciones del sistema dado
por la ecuacin (4.4) forman un espacio vectorial de dimensin n Por lo tanto, dado un
conjunto de n soluciones independientes del sistema, x1t x t2 x tn cualquier otra
solucin puede escribirse como combinacin lineal de ellas.
A una expresin de la forma
c1 x 1t c2 x t2 cn x tn

siendo ci coeficientes arbitrarios, se le llama solucin general del sistema homogneo.


Este resultado suele conocerse como principio de superposicin de soluciones.

Tambin, de forma anloga al caso de las ecuaciones en diferencias, se tiene el siguiente


criterio de independencia de soluciones.

Sistemas homogneos con coeficientes constantes


La solucin de un sistema de ecuaciones, homogneo, con coeficientes constantes puede
obtenerse de forma sencilla. Consideremos inicialmente el problema homogneo de
valores iniciales
x t 1 A x t

x (0) x 0

Sustituyendo recursivamente obtenemos


x1 A x 0

2
x 2 A x 1 A( A x 0) A x 0

3
x3 A x0

x t At x 0

El problema de encontrar la solucin se reduce, por tanto, a obtener las sucesivas


potencias de la matriz A El caso ms sencillo es aquel donde la matriz A es una
matriz diagonal de la forma

0 2
A

0 0
0

36

con lo que la potencia t -sima de A ser

t
1

2
At

0 0 nt
0

Supongamos ahora que la matriz A es diagonalizable, considerando una base


v i(i 12n ) de autovectores de la matriz A , la matriz M cuyas columnas son los
autovalores del sistema que diagonaliza la matriz A , es decir existe una matriz
M v 1 v 2 v n de tal forma que

0 2
M 1 AM D

0 0
0

donde alguno de los autovalores i podra ser un nmero complejo


Las sucesivas potencias de la matriz A se pueden obtener, entonces, de forma
inmediata, pues

A MDM 1
A2 MDM 1MDM 1 MD 2 M 1
A3 A2 A MD3 M 1
At MDt M 1
Por tanto, la solucin del sistema puede expresarse de la forma

t
1

0 c1

c
0

2
t
t
1
2

x t A x 0 MD M x 0 M

0 0 nt cn
Siendo M 1 x 0 c por lo que

37

xt v1 v 2 v

t
1

0 c1

0 2t 0 c2

0 0 nt cn
0

c11t v 1 c2 2t v 2 cn nt v n

Si consideramos unas constantes arbitrarias c1 c2 cn sta ltima expresin se conoce


como solucin general del sistema (4.5). Igual que en los sistemas de ecuaciones
diferenciales, la solucin general puede interpretarse fcilmente desde el punto de vista
de superposicin de soluciones de un sistema lineal homogneo, por el que cualquier
combinacin lineal de soluciones de un sistema homogneo es tambin una solucin.
Desde el punto de vista prctico, este mtodo suele tambin razonarse de la
siguiente forma. Dado el problema de valores iniciales (4.5), busquemos soluciones del
tipo

t
xt v

t v1

t v2

t vn

Sustituyendo en la expresin x t 1 A x t , tenemos que t 1v A t v Av v Luego,


si A es diagonalizable, las posibles soluciones t v sern 1t v 1 2t v 2 nt v n siendo

1 2 n los autovalores de A y

v 1 v 2 v n

la correspondiente base de
autovectores. La solucin general ser, por tanto, una combinacin lineal de dichas
soluciones
c11t v 1 c2 2t v 2 cn nt v n

Ha de tenerse en cuenta, una vez ms, que los autovalores de la matriz A se obtendrn
resolviendo la ecuacin caracterstica det( A I ) 0 Para cada autovalor i el
correspondiente autovector verifica la ecuacin ( A i I )v i 0

Autovalores reales
Consideramos que los autovalores 1 2 n son reales y sea v 1 v 2 v n la
correspondiente base de autovectores. Una base se soluciones ser entonces
1t v 1 2t v 2 nt v n y la correspondiente solucin general ser

38

c11t v 1 c2 2t v 2 cn nt v n

Si queremos resolver el problema de valores iniciales dado por el sistema (4.5),


haciendo t 0 obtenemos
c110 v 1 c2 20 v 2 cn n0 v n x 0

Para calcular la solucin particular es preciso resolver el siguiente sistema de


ecuaciones en las incgnitas ci
c1 v 1 c2 v 2 cn v n x 0

donde los valores de c1 c2 cn son las coordenadas de x 0 en la base de autovectores.


Ejemplo 4.4
Calcular la solucin particular del siguiente problema de valores iniciales
3 0
x t 1
x t
5 2

1
x0
2

Solucin: La solucin general del sistema es


t
t
x t c11 v 1 c2 2 v 2

siendo 1 y 2 los autovalores y v 1 v 2 la correspondiente base de autovectores.


Resolviendo la ecuacin caracterstica resulta det A I 3 2 0 Los
autovalores son

1 3

2 2

y los correspondientes autovectores son

1
0
t 1
t 0
v 1 v 2 La solucin general es entonces c1 3 c2 2
5
1
5
1
1
Para encontrar la solucin particular, determinamos c1 y c2 de modo que x 0
2
1
1
0
luego c1 c2
2
5
1

Resolviendo el sistema obtenemos c1 1 y c2 3 La solucin particular, dados los


1
0
valores iniciales, ser x t 3t 3 2t
5
1

Autovalores complejos
Supongamos ahora que la ecuacin caracterstica, det( A I ) 0 tiene dos autovalores
complejos conjugados de la forma 1 i y 2 i , que escritos en forma

39

trigonomtrica son:

1 m (cos i sen )

2 m (cos i sen )
Sean 1 a bi y 2 a bi los correspondientes autovectores.
El sistema tiene entonces dos soluciones reales independientes de la forma:

u t m (a cos t b sen t )
t

v t m (a sen t b cos t )
t

Sistemas no homogneos
Un sistema se dice no homogneo o completo si tiene la forma
x t A x t 1 b (t )

donde b (t ) es un vector, no nulo, que depende del tiempo y A una matriz constante
con el tiempo.

Proposicin
Dado un sistema lineal de ecuaciones en diferencias, no homogneo, dado por la
expresin (4.6), la solucin general de esta ecuacin es suma de una solucin general de
la ecuacin homognea x t A x t 1 ms cualquier solucin particular de la ecuacin no
homognea (4.6).

Mtodo de los coeficientes indeterminados


Este mtodo consiste en buscar soluciones particulares que tengan una forma funcional
semejante del vector b (t ) se presentan diversos casos.
Caso 1. b (t ) es un vector constante.
Buscaremos una solucin particular tambin constante

c
c

xp

c
siendo ci constantes, para i 1 2n Sustituyendo en la ecuacin (4.6) del sistema se

40

obtiene x p Ax p b ( I A) x p b luego x p ( I A)1 b donde suponemos que


( I A) es una matriz no singular.
Ejemplo 4.6
Resolver el siguiente sistema

yt 1 yt zt 3

zt 1 4 yt zt 2
Solucin: El sistema homogneo es

yt 1 yt zt

zt 1 4 yt zt
en forma matricial sera

yt 1 1 1 yt

zt 1 4 1 zt

y t
c 1 1 t c
t c

Buscaremos soluciones del tipo


por tanto t 1

zt
d 4 1 d
d
1 c 0
1
o lo que es lo mismo

4 1 d 0

A continuacin calculamos el polinomio caracterstico


1
1
2 2 3 0
4 1

donde los autovalores resultan 1 3 y 2 1 Ahora, calcularemos los autovectores


asociados a cada autovalor.
Para 1 3 se tiene
1 3 1 c 0
2c d 0


4 1 3 d 0
4c 2d 0

El sistema tiene infinitas soluciones, ya que d 2c , un autovector sera, por ejemplo


c 1

d 2

Para 2 1 se tiene

41

1 1 1 c 0
2c d 0


4 1 1 d 0
4c 2d 0

De este sistema se deduce que d 2c , un autovector podra ser, por ejemplo


c 1

d 2

Las soluciones son por tanto

yt 1 t

3
zt 2

yt 1

(1)t
zt 2

Veamos que las soluciones son independientes comprobando que el determinante


compuesto por los dos autovectores es distinto de cero. En este caso, se cumple que
1 1
0
2 2

La solucin general homognea es

t
t

yt
3
( 1)

C
1
2

23t
2( 1)t
zt

La solucin particular de equilibrio es

z 3
y y z 3

1
z 4 y z 2
y 2
La solucin general del sistema no homogneo ser

t
t

1
yt
3
( 1)

C
2
C
1
2
3
23t
2( 1)t
zt

Puntos de equilibrio y estabilidad


Consideremos el sistema de ecuaciones en diferencias no homogneo
x t 1 A x t b

siendo b un vector constante. Se llama punto de equilibrio o solucin de equilibrio


x e (t ) a aquella solucin del sistema que se mantiene invariante a lo largo del tiempo
cumpliendo, por tanto, la siguiente igualdad

42

x e(t ) x e(t 1)

La solucin de equilibrio puede obtenerse fcilmente sustituyendo sta expresin en la


ecuacin del sistema (4.7), es decir
x e Ax e b

I A x e b

x e I A b
1

(4.

donde supondremos que I A es una matriz no singular.


Para los sistemas lineales de ecuaciones en diferencias no homogneos, existen unos
resultados paralelos al caso de los sistemas de ecuaciones diferenciales que permiten
abordar el problema de encontrar una solucin particular.

Proposicin
Dado el problema de valores iniciales xt A xt 1 b , x (0) x0 , la solucin del sistema
no homogneo viene dada por la siguiente expresin

xt At x0 xe xe
donde suponemos que la matriz ( I A) es no singular.
Demostracin
Procediendo recursivamente obtenemos

x1 Ax 0 b

2
x 2 A x 0 ( I A)b

3
2

x 3 A x 0 I A A b

...
At I A ... At 1 b
x0

xt
pero como se verifica
( I A At 1 )( I A) I At

se tiene, por tanto


I A At 1 I At ( I A) 1

Luego, esto implica que

xt At x0 ( I At )( I A)1 b At x0 ( I A)1 b ( I A)1 b

y teniendo en cuenta la expresin (4.8) resulta

43

xt At x0 xe xe
lo que concluye la demostracin.
Cuando la matriz A es diagonalizable existe una matriz M , cuyas columnas son los
autovectores de A tal que M 1 AM D es una matriz diagonal. En este caso, las
potencias de la matriz A se calculan fcilmente. La solucin del sistema ser entonces,

xt At x0 xe xe MDt M 1 x0 xe xe
Ejemplo 4.8
Resolver el problema de valores iniciales
2 1
2
xt
x t 1
1 2
4

3
x0
4

Solucin: Resolviendo la ecuacin caracterstica det A I 1 3 0


resultan los autovalores 1 1 y 2 3 Para 1 1 se tiene el autovector
1
1
v 1 y para 2 3 se tiene el autovector v 2 La matriz M viene dada
3
1
por

1
2
1 1
1
M
M
3 1
3

1
2

1

2

La solucin de equilibrio es
x e I A b
1

1 3 1 2 1


10 7 3 4 1

esto es

xt At x 0 xe x e MD t M 1 x0 xe xe
1
1
t

0 2
1 1 (1)
2 1


xt

1 1
(3)t 3
3 1 0

2
2
1
5 1
9 1
t
t
x t (1) (3)
2 3
2 1
1

44

Estabilidad
Consideremos el sistema no homogneo xt 1 Axt b siendo b un vector constante.
Sea xe ( I A)1 b su correspondiente solucin de equilibrio. Una solucin de
equilibrio es estable si cuando el vector de estado se mueve ligeramente fuera del punto
de equilibrio, tiende a retornar a l o al menos, no sigue alejndose de l.
De forma anloga al caso de los sistemas de ecuaciones diferenciales se establecen
las siguientes definiciones asociadas al equilibrio.
i. La solucin de equilibrio x e del sistema es asintticamente estable si, para
cualquier condicin inicial, el vector de estado tiende a x e cuando el tiempo
tiende a infinito.
ii. La solucin de equilibrio x e del sistema es inestable si, para alguna condicin
inicial, el correspondiente vector de estado x tiende a infinito con el paso del
tiempo.
iii. La solucin de equilibrio x e del sistema es marginalmente estable cuando, a
largo plazo, aunque el vector de estado x no converja a la solucin de
equilibrio, el sistema se queda en sus proximidades.
Veamos que la estabilidad no depende del punto de equilibrio, sino de las
caractersticas del sistema.
Consideremos un sistema no homogneo
correspondiente, se sigue que

y su solucin de equilibrio

x t 1 A x t b
xt 1 xe A xt xe

x e A x e b

Haciendo el cambio de variable zt xt xe xt zt xe resulta que xt xe cuando


t si y slo si zt 0 siendo zt la solucin del sistema zt 1 Azt Por tanto, la

estabilidad asinttica del punto de equilibrio es independiente de xe y de b


dependiendo slo de la matriz A
A continuacin veamos cmo puede caracterizarse la estabilidad de un sistema en
trminos de la matriz A
Estudiemos el sistema homogneo xt 1 A xt con el fin de encontrar condiciones
para la estabilidad asinttica. Supongamos primero que A es diagonalizable, esto es
A MDM 1 donde

45

0 2 0
D

0 0 m
0

Como hemos visto en el apartado 4.4, se verifica que

k
1

0 2k 0 1
k
k
1
A MD M M
M

0 0 mk
0

La estabilidad asinttica es equivalente a que los elementos de la matriz Ak tiendan a


cero cuando k crece, es decir ik 0i i 1i donde i representa el valor
absoluto, en el caso de nmeros reales, y el mdulo en caso de nmeros complejos. Por
tanto una condicin necesaria y suficiente para la estabilidad asinttica es que todos los
autovalores de A estn dentro del crculo unidad del plano complejo. Si al menos un
autovalor tiene mdulo mayor que uno, el punto de equilibrio es inestable.
La estabilidad marginal puede caracterizarse por la no existencia de autovalores
fuera del crculo unidad, pudiendo situarse alguno de ellos en la frontera del crculo.

Estabilidad de los sistemas 2 2


Sabemos que para una ecuacin en diferencias de segundo orden
xt 2 a1 xt 1 a2 xt 0

cuya ecuacin caracterstica es f ( ) 2 a1 a2 la estabilidad se produce cuando


las races de la ecuacin caracterstica tienen mdulo menor que uno. Tambin vimos en
el Captulo 2, que las condiciones necesarias y suficientes de estabilidad son
f (1) 0 a2 1 f (1) 0
Consideramos a continuacin el sistema de ecuaciones en diferencias de orden 2 ,

x t A x t 1 Su ecuacin caracterstica vendr dada por la expresin

f ( ) A I

a11
a12

a21
a22

luego
f ( ) 2 (a11 a22 ) (a11a22 a12 a21 )

Por tanto, siendo la traza de A tr ( A) a11 a22


det( A) a11a22 a12 a21 la ecuacin caracterstica es de la forma

46

su

determinante

f ( ) 2 tr ( A) det( A)

Las condiciones de estabilidad son entonces

f (1) 1 tr( A) det( A) 0

det( A) 1
f (1) 1 tr( A) det( A) 0.

En el espacio de parmetros tr( A) det( A) pueden representarse los distintos estados


dinmicos del sistema segn su traza y su determinante, como se muestra en la Figura
4.1.

det(A)

f(-1)=0
f(-1)<0

=0
<0

-2

f(1)=0

f(1)<0
>0

-1

tr(A)

-1 A

Figura 4.1. Espacio de parmetros (tr( A) det( A))

Por tanto, cuando los coeficientes estn dentro del tringulo ABC sistema es estable.
Siendo (tr( A))2 4det( A) el discriminante de la ecuacin caracterstica, la
curva 0 divide el espacio de parmetros en las regiones 0 donde los
autovalores son reales y 0 donde son complejos.

47

4.7 El plano de fase


Sea el sistema de segundo orden x t A x t 1 cuya ecuacin caracterstica es
det A I 2 tr ( A) det( A) 0 Sea (tr( A))2 4det( A) el discriminante de
esta ecuacin, podemos establecer la siguiente clasificacin.
1. Si 0 entonces los autovalores 1 y 2 son reales y distintos.
a) Se produce un nodo estable si ambos autovalores son reales y menores que uno
en valor absoluto, esto es, 1 1 y 2 1 En este caso, las trayectorias
convergen, montonamente, hacia el punto de equilibrio. Teniendo en cuenta la
solucin general
t
t
x t c11 v 1 c2 2 v 2

Si 1 2 el sistema se alinea, a largo plazo, con su autovalor dominante, es


decir x t c11t v 1 cuando t segn se muestra en la parte izquierda de la
Figura 4.2.
b) Se produce un nodo inestable, segn indica la parte derecha de la Figura 4.2, si
los autovalores son reales y mayores que uno en valor absoluto, esto es, 1 1 y

2 1 En este caso, las trayectorias divergen, de manera no cclica, hacia el


infinito. Si 1 2 el sistema se alinea, a largo plazo, con su autovalor
dominante, es decir x t c11t v 1 cuando t
yt

yt

v1

v1

xt

xt

v2
Nodo
estable

v2
Nodo
inestable

Figura 4.2. Nodo estable e inestable

c) Se produce un punto de silla, segn se muestra en la Figura 4.3, cuando los


autovalores son reales siendo uno de ellos mayor que uno, en valor absoluto, y el
otro menor que uno, esto es, 2 1 1 En este caso, todas las trayectorias

48

divergen hacia el infinito, excepto la que parte de un punto inicial situado en la


recta que pasa por el origen y tiene la direccin del autovector v 2
correspondiente al autovalor no dominante 2
v1

yt

xt

v2

Figura 4.3. Punto de silla

2. Si 0 entonces los autovalores son reales e iguales, esto es 1 2


obtenindose estrellas estables o inestables segn que los autovalores sean mayores
o menores que uno, en valor absoluto. Diversas trayectorias se muestran en la Figura
4.4.
yt

v1

yt

xt

v1

v2

Estrella
estable

xt

v2

Estrella
inestable

Figura 4.4. Estrellas estable e inestable

3. Si 0 entonces los autovalores son complejos conjugados, esto es, 12 i


siendo el mdulo m 2 2
Si m 1 se obtiene una espiral estable, si m 1 se obtiene un centro y si m 1 se
obtiene una espiral inestable como se refleja en la Figura 4.5.

49

m<1

m=1

Espiral
estable

m>1

Centro

Espiral
inestable

Figura 4.5. Espiral estable, centro y espiral inestable

Modelos de poblacin por grupos


En muchas situaciones, el modelo de crecimiento geomtrico es inadecuado. Existe gran
cantidad de poblaciones donde el nivel de actividad reproductiva no es uniforme durante
el tiempo de vida. Se precisan, entonces, modelos ms sofisticados que tengan en cuenta
la distribucin de edades dentro de la propia poblacin. Luenberger (1979), considera
modelos de este tipo que suelen denominarse modelos de poblacin por grupos de edad.
Por ejemplo, podemos considerar grupos de individuos con edades comprendidas
entre 0 y 5 aos, entre 5 y 10 aos y entre 10 y 15 aos. Para simplificar el modelo,
supondremos que la distribucin de varones y mujeres en los grupos es idntica, por lo
que es posible considerar slo la evolucin de la poblacin femenina.
Sea xi (t ) la poblacin del i -simo grupo de edad en el periodo t , se supone que
hay n 1 grupos indicados desde 0 hasta n . Durante un perodo de tiempo, los
individuos del grupo i se movern hacia el grupo i 1 . Supongamos que existe un
factor de supervivencia i diferente para cada grupo, entonces la evolucin del nmero
de individuos del grupo i con el transcurso del tiempo, obedece a la ecuacin
xi 1 (t 1) i xi (t )

(i 01 n 1)

Para determinar el grupo de edad x0 (t 1) que corresponde al grupo de individuos


nacidos durante el ltimo perodo, hay que considerar la tasa de nacimientos de cada
grupo que vendr dada por los coeficientes 0 1 n segn el grupo de edad de los
individuos. Tendremos por tanto
x0 (t 1) 0 x0 (t ) 1 x1 (t ) 2 x2 (t ) n xn (t )

50

donde quizs los primeros coeficientes i sean iguales a cero.


La evolucin dinmica del nmero de individuos de los distintos grupos vendr dada
por las ecuaciones
x0 (t 1) 0 x0 (t ) 1 x1 (t ) 2 x2 (t ) n xn (t )
x1 (t 1) 0 x0 (t )
x2 (t 1) 1 x1 (t )
...
xn (t 1) n 1 xn 1 (t )

que puede escribirse en forma matricial como sigue

x0 (t 1) 0 1 2 n x0 (t )

0 x1 (t )
x1 (t 1) 0 0 0
x2 (t 1) 0 1 0 x2 (t )


x (t 1) 0 0 0
0 xn (t )
n 1
n

es decir

X t 1 P X t .

Para manipular el sistema suele realizarse un cambio de variable. Llamemos l0 1


l1 0 l2 0 1 lk 0 1 k 1 , siendo k 1 n Los nmeros lk se interpretan
como la probabilidad de que un nuevo nacido sobreviva hasta alcanzar el k -simo
grupo de edad. As definimos la matriz diagonal

l
0
D 0

0
l1
0

0
0
l2

ln

Definimos entonces el siguiente el cambio de variable X t DYt , con lo que tenemos


que

DYt 1 P DYt

Yt 1 D1P DYt

Puede comprobarse que

51

a0 l1 a1
1
0

1
D PD 0
1


0
0

ln 1 an 1 ln an

0
0

0
0 .

0
0

1
0

Introduciendo i li i , se tiene
a0 a1
1 0

P0 1


0 0

an 1
0
0

1

an
0
0

A la matriz P se le denomina matriz de poblacin. La estructura de la matriz de


poblacin posibilita deducir diversos resultados relativos al autovalor dominante. Como
las matrices P y P son semejantes, tienen el mismo polinomio caracterstico, entonces
es posible trabajar con P , obtener los resultados y transferirlos a P El polinomio
caracterstico de P es
a0
1

a1

an
0
(1) n 1 n 1 a0 n a1 n 1 an 0

es decir

n 1 a0 n a1 n 1 an .
Bajo la suposicin de que ai 0 (i 01, n), y de que al menos dos ai consecutivos
son estrictamente positivos, es posible demostrar que el autovalor dominante de esta
ecuacin es positivo, nico y real y que el autovector correspondiente tiene
componentes positivas (Luenberger, 1979).
Sea 0 el autovalor dominante positivo. Los correspondientes autovectores de P y
P denominados e0 y e 0 , sern respectivamente

l
l
e0
l
l

0n
n 1
0
eo

0
1

0 0

n 1
1 0

n 1 0

52

Puede comprobarse directamente que P e 0 0 e 0 por lo que e 0 De 0


El autovalor dominante y su correspondiente autovector dominante tienen una
importante interpretacin en los modelos de poblaciones. El autovalor dominante es la
tasa natural de crecimiento del sistema a largo plazo. Adems, el vector de estado estar
casi alineado con el autovector dominante. Esta tasa es siempre positiva, aunque puede
ser menor que uno en el caso de poblaciones en descenso.
El autovector que corresponde al autovalor dominante representa la distribucin
estable de los grupos de poblacin a largo plazo. Una vez se alcanza esta distribucin,
cada grupo de edad de la poblacin crece en la misma proporcin 0 en cada perodo.
Entonces, con el paso del tiempo, la distribucin relativa de la poblacin permanece fija.
Ejemplo 4.9
Vamos a hacer la siguiente simplificacin en el modelo de poblacin:
i. Las mujeres tienen hijos en el intervalo de edad de 15 a 44 aos inclusive.
ii. Cada mujer tiene exactamente una hija de sexo femenino.
iii. Cada mujer vive como mximo hasta los 45 aos.
Usando intervalos de tiempo de 15 aos y considerando slo aquellas mujeres de
menos de 45 aos, resulta el siguiente modelo

x1 (t 1) 0 1 x1 (t )

0 x2 (t )
x2 (t 1) 1 0
x (t 1) 0 1
0 x3 (t )
3

donde 0 1
En este modelo se plantean las siguientes cuestiones.
(a) Encontrar los autovalores, determinar la tasa de crecimiento y estudiar cmo
se mueve la poblacin hacia el equilibrio 0 .
(b) Cmo afecta a la dinmica del modelo la variacin de desde cero hasta
uno?
El polinomio caracterstico del sistema es

1
0

0 3 (1 ) 0
1

53

por lo que las races del polinomio sern 1 1 y 23 1 234 Estudiemos la


naturaleza de las races.
i. Races reales, se tiene que cumplir que: 3 4 0 3
4

ii. Races complejas, se verificar que: 3 4 0 3


4

Veamos que 1 es el autovalor dominante. Los autovalores reales positivos son


crecientes en . Como 01 , el mximo autovalor dependiente de se da en el
caso de 1 por tanto, en este caso 23 1 234 2 0 y 3 1
Hallemos el autovalor dominante

1 1 x x


0 y y
1 1
0 1
1 z z

resolviendo se tiene

x y (1 ) z 0
x y


v (111)
x y 0
z y
yz 0

por tanto, la solucin del sistema ser

1

t
t
x t c v 1 c v 2 c v 3 c11 1 c12 v 2 c33 v 3
1

t
1 1

t
1 2

t
3 3

o lo que es lo mismo

1

t
t
x t c1 1 c12 v 2 c33 v 3
1

Ahora bien, como 2 3 1 , a largo plazo se verifica

1

x t c1 1
1

Esto indica que las distribuciones de los tres grupos tendern a estabilizarse. La

54

velocidad con que la poblacin tiende a su distribucin viene dada por el autovalor
subdominante 2 , o por su mdulo 2 en el caso de que sea complejo.
Modelo de poblacin por grupos.
Consideremos el siguiente modelo poblacional humana en el que se consideran las
siguientes variables que representan el nmero de individuos de cada grupo de edad.

X 0 : nmero de recin nacidos,


X1 : nmero de nios,
X 2 : nmero de jvenes,
X 3 : nmero de adultos,
X 4 : nmero de jubilados.
Las ecuaciones que rigen la dinmica del modelo son

X 0 (t 1) a2 X 2 (t ) a3 X 3 (t )
X 1 (t 1) b0 X 0 (t )
X 2 (t 1) b1 X 1 (t )
X 3 (t 1) b2 X 2 (t )
X 4 (t 1) b3 X 3 (t )
Donde los parmetros de fertilidad son a2 1.5 y a3 1 , y los parmetros de
supervivencia son b0 0.99 , b1 0.95 , b2 0.9 , b3 0.8 .
Consideremos ahora dos posibles estados iniciales de los que parte la poblacin:
Una poblacin con grupos en equilibrio X 0 X1 X 2 X 3 X 4 1 .

Una

poblacin

en

la

que
slo
existen
nios,
X1 1 , X 0 X 2 X 3 X 4 0 .
En ambos casos las unidades se suponen expresadas en millones.

es

decir,

a) Estudiar la evolucin de ambos grupos de poblacin durante los prximos 20


aos. Encontrar las pirmides de poblacin correspondientes. Comprobar que,
con independencia de la proporcin inicial de individuos dentro de cada grupo,
la distribucin por edades de la poblacin tiende al autovector dominante.
Dibujar la grfica de la evolucin de los diferentes grupos de poblacin.
b) Con el avance de la medicina y la falta de nacimientos, las pirmides de
poblacin de las sociedades occidentales tienden a invertirse. Vamos a
considerar ahora el caso en que parte de los jubilados sobrevive pasando a
una nueva categora de jubilados ancianos. Para describir tal fenmeno
aadiremos una nueva ecuacin X 41 (t 1) b3 X 3 (t ) b4 X 4 (t ) , b4 0.7 , donde

X 41 representa ahora el nmero total de jubilados, mientras que X 4


representa ahora el nmero de personas recin jubilados. Estudiar ahora la
poblacin de jubilados y la nueva pirmide poblacional.
A continuacin vamos a considerar el siguiente modelo de poblacin no lineal con
reclutamiento, que viene dado por el modelo

55

b
X t d
1 X tk d
donde a, b, k y d son los parmetros del sistema. Para k 10 se trata de una versin
X t 1 aX t

discreta del modelo de Mackey-Glass, desarrollado originalmente para modelizar la


produccin y prdida de glbulos blancos.
Este modelo puede ser interpretado como un modelo de dinmica poblacional. Si
0 a 1 y b 0 y si X t denota el nmero de adultos de la poblacin, entonces a es
la tasa de supervivencia de adultos y d es el tiempo de retardo entre nacimiento
y maduracin de un individuo hasta alcanzar la edad frtil.
El factor

b
puede interpretarse como la tasa de fertilidad de los adultos nacidos
1 X tk d

hace d periodos en el pasado, la cual es no lineal como consecuencia de una


fecundidad decreciente a altos niveles de la poblacin. As, el trmino

b
X t d da
1 X tk d

cuenta del reclutamiento de nuevos adultos que han nacido hace d aos.
Estudiar las 400 primeras evoluciones del modelo para los parmetros
(a, b, k , d ) (0.2, 2, 6, 2) .
MODELO DE EPIDEMIAS
Como un ejemplo ilustrativo de la utilizacin de sistemas de ecuaciones en diferencias,
estudiaremos un modelo de epidemia bastante conocido: el sarampin.
Todos, de alguna u otra manera, hemos tenido contacto con esta enfermedad,
altamente contagiosa, que afecta especialmente a los nios. Tambin sabemos que
una vez superada, el organismo se vuelve inmune a ella. Al nio no expuesto a la
enfermedad (ni la ha sufrido ni ha sido debidamente vacunado) se le denomina
susceptible, y S ser el nmero de nios que en un determinado momento y lugar se
encuentran en este estado.
Un problema que debemos considerar, es la duracin de la enfermedad. Existe
un periodo de latencia despus del contagio, durante el cual el virus no se ha
desarrollado suficientemente, y el individuo no es contagioso y no tiene sntomas.
Pasado este periodo, el individuo se vuelve contagioso. I representar al numero de
individuos infectados que pueden contagiar a aquellos que entren en contacto con
ellos (I es el nmero de infecciosos). Al cabo de cierto tiempo los enfermos se vuelven
inmunes y no pueden reinfectarse.
Trataremos este problema haciendo algunas simplificaciones. Para ello
consideremos que el periodo de latencia es de una semana, y que permanecen en el
estado contagioso, hasta que comienza su recuperacin y por tanto se vuelven
inmunes, otra semana.
Sea Ik el nmero de enfermos, con capacidad de contagiar, presentes en la
semana k, mientras que Sk ser el numero de susceptibles esa semana. Ik+1 ser el
nmero de susceptibles que fueron infectados por la enfermedad al principio de la
semana k (recordemos que el periodo de latencia es de una semana).
Sk+1 representa el numero de nios susceptibles de padecer la enfermedad en
la semana k, menos el numero de nios que han sido contagiados al comienzo de esta
semana, mas el numero de nacimientos B (nios que se incorporan al estado de
susceptibles) durante la semana en cuestin. Este ultimo sumando B, lo consideramos
constante.
Finalmente, nos queda por sealar cul es la capacidad de contagio de un nio

56

infectado sobre los dems. Para ello consideramos que un enfermo contagioso, en
promedio, infecta de forma constante una fraccin f del total de susceptibles, y por
tanto f Sk es la cantidad de susceptibles infectados por cada uno de los Ik. El total de
infectados, ser por tanto, Ik f Sk.
Podemos seguir la evolucin de un sistema de este tipo, a partir de unas
ciertas condiciones iniciales, mediante el siguiente sistema de ecuaciones en
diferencias
Sk+1=Sk-fSkIk+B
Ik+1=fSkIk.
La situacin de equilibrio, es decir, los puntos fijos, se obtienen resolviendo el sistema
Sk=Sk-fSkIk+B
Ik=fSkIk.
Dando como resultado los valores S*=

1
; I*=B.
f

1
I k 1
= fSk, y por tanto, si Sk <
;
f
Ik
1
<1, luego I decrece. Si por el contrario, Sk>
los valores de I
f

De la segunda ecuacin, dividiendo por Ik, queda


se verifica que

I k 1
Ik

crecern. Lo ideal parece ser mantener la poblacin de candidatos a padecer la


enfermedad por debajo de

1
, lo cual podra conseguirse con una adecuada campaa
f

de vacunacin.
En el siguiente recuadro se propone un programa en MATLAB para simular este
proceso.
S0=50000; f=0.00003;I0=15;B=200; % condiciones iniciales
S=[ ];I=[ ];S(1)=S0;I(1)=I0;
for i=1:499;
S(i+1)=S(i)-f*S(i)*I(i)+B;
I(i+1)=f*S(i)*I(i);
end
figure(1), plot([S' I'])
Ie = B; Se=1/f;
% espacio de fases
figure(2), plot(S,I,Se,Ie,+) % ciclo lmite resultante alrededor del punto fijo

57

Modelo de obsolescencia de automviles


Existen modelos muy similares al de poblacin por grupos que tienen aplicaciones
econmicas.
Resulta de considerable inters conocer la distribucin, por edades, del parque de
automviles de un pas. Los consumidores compran los vehculos y stos van
envejeciendo hasta quedar inservibles u obsoletos.
Para la descripcin de los diferentes grupos de edad resulta adecuado emplear la
formulacin discreta basada en perodos de un ao. Las variables x0 x1 ... xi xn
representan el nmero de automviles que tienen i aos de servicio.
Supondremos que hay una probabilidad i de que un vehculo de i aos
permanezca de servicio al ao siguiente. Esta probabilidad ser ms alta para los
vehculos jvenes. Supondremos que ningn automvil sobrevive ms de n 1 aos. Si
xi (t ) representa el nmero de automviles de edad i en el periodo t , entonces se tiene
xi 1 (t 1) i xi (t )

(i 01 n 1)

El nmero de automviles de menos de un ao es igual al nmero de compras u (t )


realizadas en el pas durante ese ao, es decir
x0 (t 1) u (t )

Se trata, por tanto, del siguiente sistema de ecuaciones en diferencias

0 x0 (t ) 1
x0 (t 1) 0 0

0 x1 (t ) 0
x1 (t 1) 0 0
x2 (t 1) 0 1 0 x2 (t ) 0 u (t )



x (t 1) 0 0
0 xn (t ) 0
n 1
n

Obsrvese cmo este modelo es un caso particular del modelo de poblacin por grupos
donde los nuevos individuos no surgen por reproduccin sino de manera exgena.

Modelo Keynesiano con retardos distribuidos


Recordemos el modelo keynesiano de Samuelson de interaccin entre el acelerador y el
multiplicador que vena definido por las siguientes ecuaciones dinmicas

Yt Ct I t

(0 c 1)
Ct cYt 1
I v(C C ) cv(Y Y )
t
t 1
t 1
t 2
t

58

(v 0)

donde Yt es la renta, Ct el consumo e I t la inversin en el perodo t


Este modelo puede convertirse en un modelo, ms general, de determinacin de la
renta donde el pasado distante tambin influye en la actividad econmica presente.
Supongamos, como hace Tu (1994), que la inversin inducida I t tiene un retardo de dos
perodos y el consumo Ct de tres, de modo que se verifica

I t v1 (Yt 1 Yt 2 ) v2 (Yt 2 Yt 3 )

Ct c1Yt 1 c2Yt 2 c3Yt 3


Y I C
t
t
t
Para determinar la dinmica de la ecuacin en diferencias resultante, sustituimos en la
tercera ecuacin, obteniendo que

Yt It Ct v1 c1 Yt 1 c2 v2 v1 Yt 2 c3 v2 Yt 3
Vamos a suponer que
a1 (v1 c1 )
a2 (c2 v2 v1 )
a3 (c3 v2 )

tenemos, por tanto, una ecuacin lineal de tercer orden dada por la expresin
Yt a1Yt 1 a2Yt 2 a3Yt 3

Para convertirla en un sistema, realizamos el cambio de variables

X t Yt 3
X t 1 Z t

Zt Yt 2 Z t 1 U t
U Y
U Y a U a Z a X
t 1
1 t
2 t
3 t
t
t 1 t
El sistema, en forma matricial, quedara

X t 1 0


Zt 1 0
U a
t 1 3

1
0
a2

0 Xt

1 Zt
a1 Ut

Modelo multiplicador-acelerador multisectorial


El modelo de Samuelson puede ser tambin generalizado al caso de una economa con
mltiples sectores. Tal como hace Tu (1994) vamos a considerar el siguiente modelo

59

Y C I
t
t
t
C t A Yt 1

I t B Yt 1 Yt 2

donde A [aij ] es la matriz de propensiones marginales al consumo, siendo 0 aij 1


La inversin I t se considera funcin creciente del incremento del consumo, por medio
de una matriz B [bij ] siendo bij 0 Sustituyendo el sistema anterior queda en la
forma

Yt AYt 1 B Yt 1 Yt 2 A B Yt 1 BYt 2

Para reducir esta ecuacin a forma normal hacemos el cambio de variable Zt 1 Yt 2


con lo que resulta

Y t A B B Y t 1

0 Z t 1
Zt I
que en forma puramente escalar, sera

y1 (t ) a11 b11



yn (t ) an1 bn1

z1 (t ) 1


zn (t ) 0

a1n b1n

ann bnn

b11

bn1
0

b1n y1 (t 1)


bnn yn (t 1)

0 z1 (t 1)

0 zn (t 1)

Modelo de ajuste de stock de capital de Duesenberry


Sea la extensin del modelo de Samuelson debida a Duesenberry (1959) siguiente
I t a1Yt 1 a2 K t 1
Ct b1Yt 1 b2 K t 1
K t I t (1 ) K t 1
Yt Ct I t

ai 0
bi 0
0

En las dos primeras ecuaciones la inversin I t y el consumo Ct son funcin de la renta


Yt 1 y el stock de capital Kt 1 del perodo anterior respectivamente. La tercera ecuacin
explica el stock de capital a partir de la inversin del perodo actual, ms el stock de
capital neto (menos depreciacin) del periodo anterior. El coeficiente es la constante

60

de depreciacin.
Sustituyendo las dos primeras ecuaciones en las dos ltimas resulta

Kt a1Yt 1 a2 Kt 1 1 Kt 1 a1Yt 1 1 a2 Kt 1

1 t 1 b2 Kt 1 aY
1 t 1 a2 Kt 1 b1 a1 Yt 1 b2 a2 Kt 1

Yt bY
Matricialmente, el modelo se puede expresar de la forma

Yt a1 b1 b2 a2 Yt 1

1 a2 Kt 1
Kt a1

Ejercicio Estudiar, en este modelo de ajuste, las condiciones de estabilidad en relacin


a las constantes estructurales del modelo (ai bi ) , sobre la base de lo expuesto en las
secciones anteriores.

Modelo de telaraa con dos mercados interrelacionados


Ezekiel (1938)
Consideremos el siguiente modelo que describe el posible comportamiento cclico que
se puede producir en los precios de dos productos agrcolas cuyos mercados interactan.
Tales fluctuaciones cclica se producen debido a que la funcin de oferta en ambos
mercados depende de los precios existentes en el instante anterior. Aunque vamos a
considerar el ejemplo concreto de los mercados del maz y del cerdo, el modelo es
extensivo a cualquier interaccin entre el precio de mercado de un determinado animal
y el precio de su comida.
Llamemos Stm , Dtm , ptm a la oferta, demanda y precio del maz en el instante t , y
Stc , Dtc , ptc representarn la oferta, demanda y precio del cerdo en el instante t .
En el mercado del maz la demanda es una funcin decreciente del precio, pero la
oferta es funcin creciente al precio del periodo anterior:

Dtm a1 b1 ptm , b1 0
Stm c1 d1 ptm1 , d1 0
Dtm Stm
Mercado del cerdo la demanda es una funcin decreciente del precio, pero la oferta es
funcin creciente del precio del periodo anterior, pero tambin es funcin decreciente
del precio del maz en el periodo anterior:

Dtc a2 b2 ptc , b2 0
Stc c2 d 2 ptc1 eptm1 , d 2 0 , e 0
Dtc Stc

61

Empleando en las ecuaciones anteriores las condiciones de equilibrio, la interaccin


entre ambos mercados puede sintetizarse en el siguiente sistema de ecuaciones en
diferencias:

d
a c
ptm 1 ptm1 1 1
b1
b1
e
d
a c
ptc ptm1 2 ptc1 2 2
b2
b2
b2
Es inmediato que las races de la ecuacin caracterstica asociadas al sistema son

d1
d2
, 2
b1
b2

La estabilidad del sistema se caracteriza entonces por las condiciones

d1
d
1 y 2 2 1
b1
b2

Observar que la primera de estas condiciones es la condicin de estabilidad en el


mercado del maz, mientras que la segunda es la condicin de estabilidad en el mercado
del cerdo, suponiendo constante el precio del maz.

62

Ejercicios propuestos
1. Hallar la solucin general de los sistemas de ecuaciones en diferencias que se
citan a continuacin.
0 1
(a) x t 1
xt
6 5
3 5
(b) x t 1
xt
1 7

3 1 2

(c) x t 1 1 3 1 x t
2 1 3

0 1 1

(d) x t 1 1 1 0 x t
1 0 1

2. Estudiar la estabilidad, clasificar y dibujar un esquema del plano de fase para


cada uno de los sistemas que se citan a continuacin hallando tambin los
correspondientes puntos de equilibrio.
(a)

t 1

t 1

x
y

xt 2 yt
2 xt yt

x 3xt 5 yt
(b) t 1
yt 1 xt 7 yt 2

xt 1 23 xt 16 yt 1
(c)
1
1
yt 1 3 xt 6 yt 1
x yt 2
(d) t 1
yt 1 2 xt 2 yt 1

xt 1 yt 3
(e)
1
yt 1 2 xt yt 1
3. Consideremos el siguiente modelo de crecimiento econmico

63

(a 0) (b 0)
St aYt b

(c 0)
I t c(Yt Yt 1 )
S I
t
t
donde para cada perodo t , Yt indica la renta nacional, St es el ahorro e I t la
inversin. Supongamos igualmente que c a
(a) Escribir la ecuacin en diferencias que describe la evolucin temporal de
Yt Encontrar su solucin suponiendo que la renta parte de un valor
inicial Y0
(b) Encontrar la expresin del ahorro y la inversin, a travs del tiempo.
(c) Demostrar que cuando b 0 la tasa de crecimiento de la variable renta,
Y Y
es decir tY t1 es constante y vale caa
t 1

(d) Para b 0 demostrar que el ahorro y la inversin crecen a la misma tasa


que la renta, con lo que el modelo describira un crecimiento equilibrado
de todas las variables econmicas.
4. La teora de la supervivencia de la cultura supone que cualquier manifestacin
cultural est sujeta a un proceso que favorece la supervivencia de las grandes
obras. Supongamos, para concretar, que es posible distinguir tres niveles de
calidad distintos, 1 sera el mejor nivel de calidad, 2 el segundo mejor y 3 el
peor. Sea xti la cantidad de material cultural de nivel de calidad i 1 2 3
Llamamos i a la proporcin de material de calidad i 1 2 3 que sobrevive en
cada perodo, siendo 0 i 1 para cada i Por ltimo, denotamos como bi al
material que se incorpora al nivel i en cada perodo.
(a) Plantear el modelo dinmico correspondiente.
(b) Hallar la solucin de equilibrio
sistema.

en funcin de los parmetros del

(c) Hallar la solucin general.


5. 9 Estudios del Ministerio de Sanidad muestran que el 60% de los fumadores
continan sindolo el ao siguiente y que, por el contrario, slo el 20% de los no
fumadores pasan a serlo un ao despus. Si actualmente la proporcin de
fumadores es del 60% y se supone que la tendencia observada persiste en el
futuro, se pide:
6.

(a) Modelizar la evolucin de las proporciones de fumadores y no fumadores


cada ao mediante un sistema plano de ecuaciones en diferencias.

64

7.

(b) Obtener su nica solucin y determinar el comportamiento a largo plazo


(cuando t ) de las proporciones de fumadores y no fumadores de la
poblacin.

8. 10 Una empresa tiene distribuidos a sus empleados en dos secciones: la de


marketing y la de contabilidad. Actualmente, su plantilla es de 60 personas, 30
en cada una de ellas. Los directivos de la empresa estiman que el 50% de los
trabajadores de cada seccin permanecen en ella al ao siguiente, un 30% de
ellos cambia de seccin y el 20% restante es despedido. Adems, se prev que
cada ao se contratarn 10 nuevos empleados para la seccin de marketing y 2
para la de contabilidad. Suponiendo que esta dinmica se mantiene en el tiempo,
se pide:
9. (a) Formular el sistema de ecuaciones en diferencias que describe la evolucin
temporal del nmero de trabajadores de cada una de las secciones.
10. (b) Obtener su nica solucin. Cul es el comportamiento a largo plazo del
tamao de la plantilla de cada seccin? Justifquese razonadamente la respuesta.

65

CADENAS DE MARKOV
Una cadena de Markov de orden n es una sucesin de variables aleatorias
X t / t 1, 2,3,... determinado por un espacio de n estados

S S1 , S2 ,..., Sn 1, 2,..., n cuya distribucin satisface


Pr X t 1 A / X t , X t 1 ,..., X1 Pr X t 1 A / X t A S 1, 2,..., n
Es decir, se trata de un proceso estocstico sin memoria.
Una cadena de Markov se dice estacionaria cuando queda completamente determinada
por su matriz de probabilidades de transicin entre los estados, que no dependen de t.
pij Pr X t 1 j / X t i
Ejemplo 1
El tiempo de una ciudad puede ser caracterizado como Soleado, Nublado o Lluvioso
con las probabilidades de transicin
Soleado
1/2
1/2
0

Soleado
Nublado
Lluviosos

Nublado
1/2
1/4
1/2

Lluvioso
0
1/4
1/2

Ejemplo 2
Matrices de transicin del rating en el mercado de USA segn Satandard &Poors a
finales de 1999
S&P
AAA
AA
A
BBB
BB
B
CCC
d

AAA
91.94
0.64
0.07
0.04
0.04
0.00
0.19
0.00

AA
7.46
91.80
2.27
0.27
0.10
0.10
0.00
0.00

A
0.48
6.75
91.69
5.56
0.61
0.28
0.37
0.00

BBB
0.08
0.60
5.11
87.87
7.75
0.46
0.75
0.00

BB
0.04
0.06
0.56
4.83
81.49
6.95
2.43
0.00

B
0.00
0.12
0.25
1.02
7.89
82.80
12.13
0.00

CCC
0.00
0.03
0.01
0.17
1.11
3.96
60.44
0.00

D
0.00
0.00
0.04
0.24
1.01
5.45
23.69
100

Una matriz estocstica es una matriz nxn de elementos positivos tal que la suma de los
elementos de cada una de sus filas es igual a 1
p11 ... p1n

P ... ... ...


p ... p
nn
n1
Un vector de probabilidad tiene todos sus elementos positivos y su suma es iguala a
uno.
Proposicin
La matriz de transicin de una cadena de Markov es estocstica.
Dem: pij Pr X t 1 j / X t i Pr X t 1 S / X t i 1
jS

jS

Proposicin (ejercicio)
Si x T es un vector fila de probabilidad y P es una matriz estocstica, entonces x T P

66

tambin es un vector de probabilidad.


Si la cadena de Markov parte inicialmente del estado i despus del primer paso estar en
el estado S j con pij lo que corresponde al producto de matrices

p11 ... p1n


0,...,1,...0 ... ... ... pi1 pi 2 ... pin
p

n1 ... pnn
Veamos que la probabilidad de que la cadena pase del estado i al j en dos pasos es P 2
n

k 1

k 1

pij 2 Pr X t 1 k / X t i Pr X t 2 j / X t 1 k pik pkj P 2


ij

De la misma forma la probabilidad de transicin m pasos queda definida por medio de


la matriz P m . As la probabilidad de pasar del i estado y al j en m pasos viene dado por
pij m P m
ij

Existe una asociacin natural entre una cadena de Markov y un sistema dinmico
x1 (t )
standard. Sea xt ... , es decir xk T x1 (t ),..., xn (t ) , un vector de probabilidad
x (t )
n
cuya componente x j (t ) corresponde a la probabilidad de que en el instante t el
sistema est en el estado j. Si el proceso se inicia en el estado i x0T es un vector con un
1 en la posicin i-sima y cero en las dems. Es fcil comprobar que los sucesivos
vectores de probabilidad pueden obtener de forma recursiva como
xtT1 xt T P
La demostracin puede inturise fcilmente en el saso de tres estados:
p11 p12 p13
x1 (t ), x2 (t ), x3 (t ) p21 p22 p23 x1 (t ) p11 x2 (t ) p21 x3 (t ) p31 ,..., x1 (t ) p13 x2 (t ) p23 x3 (t ) p33
p

31 p32 p33
x1 (t 1), x2 (t 1) p21 , x3 (t 1)
As, x1 (t ) p11 x2 (t ) p21 x3 (t ) p31 es la probabilidad de que en el instante t est en el
estado 1, multiplicado por la probabilidad de que en el instante t+1 siga en el estado 1,
ms la probabilidad de que en el instante t est en el estado 2, multiplicado por la
probabilidad de que en el instante t+1 pase al estado 1, ms la probabilidad de que en el
instante t est en el estado 3, multiplicado por la probabilidad de que en el instante t+1
pase al estado 1. Esta suma coincide obviamente con la probabilidad x1 (t 1) de que, en
el instante t+1, el sistema est en el estado 1.
El sistema tambin podra escribirse como xt 1 PT xt aunque suele expresarse de la
forma anterior en el contexto de las cadenas de Markov.
Debe tenerse en cuenta que el vector xt T no es realmente el estado del proceso de
Markov. A cada paso el estado es uno de los distintos estados 1, 2,..., n y el vector

xk T x1 (t ),..., xn (t ) indica la probabilidad de que el proceso est en un determinado

67

estado. Por ejemplo, si en el caso del raiting hay un nmero N de empresas que todas
ellas comienzan con el mismo rating inicial, al cabo de t periodos de tiempo alrededor
de Nx1 (t ) empresas estarn en el estado 1, alrededor de Nx2 (t ) en el estado 2 y as
sucesivamente. De la misma forma, en el ejemplo del tiempo de una ciudad que poda
ser caracterizado como Soleado, Nublado o Lluvioso, x1 (t ) representa la probabilidad
de tiempo soleado en el instante t, mientras que x1 (t ) y x2 (t ) representan las
probilidades de tiempo nublado y lluvioso, respectivamente.
Teorema (Frobenius-Perron)
Dada una matriz estocstica P siempre tiene el autovalor 1 y cualquier otro
autovalor tiene valor absoluto menor que uno.
Una cadena de Markov se llama regular si P m 0 (es positiva ) para algn entero
positivo m. Esto indica que dados dos estados i,j existe un nmero m>0 tal que
Pr X t m j / X t i P m 0
ij

Esto indica que partiendo de cualquier estado i existe una probabilidad positiva de
visitar cualquier otro estado.
Ejemplo
1/ 2 1/ 2 0

En el problema del tiempo la matriz P 1/ 2 1/ 4 1/ 4 , pero en cambio P 2 0 .


0 1/ 2 1/ 2

DISTRIBUCIONES INVARIANTES Y ESTADOS ESTACIONARIOS


Dada la cadena de Markov xtT1 xt T P , al tratarse de un sistema dinmico cuyo
autovalor dominante es 1 1 , a largo plazo el vector de estados del sistema tender a
alinearse con el autovector dominante v1 , es decir
xt T 1t v1 v1

Dicho autovector dominante representa una distribucin de estados invariante con


el tiempo pues verifica

v1 v1P
Se le conoce como el estado estacionario de una cadena de Markov y se corresponde
con una distribucin de probabilidad que llamaremos v1 1 ,..., n . Describe la
probabilidad de llegar, a largo plazo, a un determinado estado con independencia del
estado inicial i del que partamos, es decir,
j lim Pr X j / X t i con independencia de i.

Si la distribucin de estado estacionario existe, caracteriza completamente el


comportamiento a largo plazo de una cadena de Markov estacionaria.

68

Teoremas lmites bsicos para cadenas de Markov


Sea P la matriz de transicin de una cadena regular ( P m 0 (es positiva ) para algn
entero). Entonces
a) Existe un nico vector de probabilidad T 0 tal que T P T .
b) Para cualquier estado inicial i (que corresponde con el vector de probabilidad eiT que 1
en la i-sima coordenada), el vector lmite

lim eiT P m T

Existe y es independiente de i y coincide con el autovector T . Es decir, a largo


plazo, la probabilidad de que el proceso se encuentre en el estado j es la
componente j del autovector T que recibe el nombre de distribucin
invariante.
c) lim Pm P , donde P es una matriz nxn donde cada una de sus filas es igual al
m

T
vector . Observar que P transforma cualquier vector inicial de probabilidad eiT en
T
el vector .

Ejemplo
En el modelo del tiempo
1/ 2 1/ 2 0

P 1/ 2 1/ 4 1/ 4
0 1/ 2 1/ 2

El autovector de probabilidad es T 0.4 , 0.4 , 0.2


Comprobar como ejercicio de MATLAB que para m suficientemente grande
0.4 0.4 0.2

m
P 0.4 0.4 0.2
0.4 0.4 0.2

As, a largo plazo, deberamos esperar un tiempo soleado el 40% de los das,
nublado el 40% y lluvioso el 20%.

69

Una cadena de Markov de orden n es una sucesin de variables aleatorias X t / t 1, 2,3,...


determinado por un espacio de n estados S S1 , S2 ,..., Sn 1, 2,..., n cuya distribucin
satisface

Pr X t 1 A / X t , X t 1 ,..., X1 Pr X t 1 A / X t A S 1, 2,..., n
Es decir, se trata de un proceso estocstico sin memoria.
Una cadena de Markov se dice estacionaria cuando queda completamente determinada por su
matriz de probabilidades de transicin entre los estados, que no dependen de t.

pij Pr X t 1 j / X t i
Ejemplo 1
El tiempo de una ciudad puede ser caracterizado como Soleado, Nublado o Lluvioso con las
probabilidades de transicin
Soleado
Nublado
Lluvioso
Soleado
1/2
1/2
0
Nublado
1/2
1/4
1/4
Lluviosos
0
1/2
1/2
Ejemplo 2
Matrices de transicin del rating en el mercado de USA segn Satandard &Poors a finales de
1999
S&P
AAA
AA
A
BBB
BB
B
CCC
D
AAA
91.94
7.46
0.48
0.08
0.04
0.00
0.00
0.00
AA
0.64
91.80
6.75
0.60
0.06
0.12
0.03
0.00
A
0.07
2.27
91.69
5.11
0.56
0.25
0.01
0.04
BBB
0.04
0.27
5.56
87.87
4.83
1.02
0.17
0.24
BB
0.04
0.10
0.61
7.75
81.49
7.89
1.11
1.01
B
0.00
0.10
0.28
0.46
6.95
82.80
3.96
5.45
CCC
0.19
0.00
0.37
0.75
2.43
12.13
60.44
23.69
d
0.00
0.00
0.00
0.00
0.00
0.00
0.00
100
Una matriz estocstica es una matriz nxn de elementos positivos tal que la suma de los
elementos de cada una de sus filas es igual a 1

p11 ...

P ... ...
p ...
n1

p1n

...
pnn

Un vector de probabilidad tiene todos sus elementos positivos y su suma es iguala a uno.
Proposicin
La matriz de transicin de una cadena de Markov es estocstica.
Dem:

p Pr X
jS

ij

jS

t 1

j / X t i Pr X t 1 S / X t i 1

Proposicin (ejercicio)
T
T
Si x es un vector fila de probabilidad y P es una matriz estocstica, entonces x P tambin
es un vector de probabilidad.

Si la cadena de Markov parte inicialmente del estado i despus del primer paso estar en el
estado S j con pij lo que corresponde al producto de matrices

p11 ...
0,...,1,...0 ... ...
p
n1 ...

p1n

... pi1
pnn

pi 2 ...

pin

Veamos que la probabilidad de que la cadena pase del estado i al j en dos pasos es P 2
n

k 1

k 1

pij 2 Pr X t 1 k / X t i Pr X t 2 j / X t 1 k pik pkj P 2


ij
De la misma forma la probabilidad de transicin m pasos queda definida por medio de la
matriz P m . As la probabilidad de pasar del i estado y al j en m pasos viene dado por

pij m P m
ij
La discusin anterior puede expresarse ms directamente por medio de una asociacin

x1 (k )

natural entre una cadena de Markov y un sistema dinmico standard. Sea xk


... , es
x (k )
n
decir xk T x1 (k ),..., xn (k ) , un vector de probabilidad cuya componente x j ( k )
corresponde a la probabilidad de que en el instante k el sistema est en el estado j. Si el
proceso se inicia en el estado i x0T es un vector con un 1 en la posicin i-sima y cero en las
dems. Los sucesivos vectores de probabilidad son generados recursivamente como

xkT1 xk T P
El sistema tambin podra escribirse como xk 1 PT xk aunque suele expresarse de la forma
anterior en el contexto de las cadenas de Markov.
Debe tenerse en cuenta que el vector xk T no es realmente el estado del proceso de Markov. A
cada paso el estado es uno de los distintos estados 1, 2,..., n y el vector

xk T x1 (k ),..., xn (k ) indica la probabilidad de que el proceso est en un determinado


estado. Por ejemplo, si en el ejemplo del raiting hay un nmero N de empresas que todas ellas
comienzan con el mismo rating inicial, al cabo de k periodos de tiempo alrededor de Nx1 (k )
estarn en el estado 1, alrededor de Nx2 (k ) en el estado 2 y as sucesivamente.
Teorema (Frobenius-Perron)
Dada una matriz estocstica P siempre tiene el autovalor 1 y cualquier otro autovalor
tiene valor absoluto menor que uno.
Una cadena de Markov se llama regular si P 0 (es positiva ) para algn entero positivo m.
Esto indica que dados dos estados i,j existe un nmero m>0 tal que
m

Pr X t m j / X t i P m 0
ij

Esto indica que partiendo de cualquier estado i existe una probabilidad positiva de visitar
cualquier otro estado.
2

Ejemplo

1/ 2 1/ 2 0

En el problema del tiempo la matriz P 1/ 2 1/ 4 1/ 4 , pero en cambio P 2 0 .


0 1/ 2 1/ 2

DISTRIBUCIONES INVARIANTES Y ESTADOS ESTACIONARIOS


Dada la cadena de Markov xkT1 xk T P , al tratarse de un sistema dinmico cuyo autovalor
dominante es 1 1 , a largo plazo el vector de estados del sistema tender a alinearse con el
autovector dominante v1 , es decir

xk T 1t v1 v1
Dicho autovector dominante representa una distribucin invariante pues verifica

v1 v1P
Se le conoce como el estado estacionario de una cadena de Markov y se corresponde con una
distribucin de probabilidad que llamaremos v1 1 ,..., n . Describe la probabilidad
de llegar a largo plazo a un determinado estado con independencia del estado inicial i del que
partamos, es decir,

j lim Pr X j / X t i con independencia de i.


Si la distribucin de estado estacionario existe caracteriza completamente el


comportamiento a largo plazo de una cadena de Markov estacionaria.
Teoremas lmites bsicos para cadenas de Markov
Sea P la matriz de transicin de una cadena regular. Entonces
a) Existe un nico vector de probabilidad T 0 tal que T P T .
b) Para cualquier estado inicial i (que corresponde con el vector de probabilidad eiT que 1
en la i-sima coordenada), el vector lmite

lim eiT P m T

Existe y es independiente de i y coincide con el autovector T . Es decir, a largo plazo,


la probabilidad de que el proceso se encuentre en el estado j es la componente j del
autovector T que recibe el nombre de distribucin invariante.
c)

lim Pm P , donde P es una matriz nxn donde cada una de sus filas es igual al

vector T . Observar que P transforma cualquier vector inicial de probabilidad eiT en


T
el vector .

Ejemplo
En el modelo del tiempo

1/ 2 1/ 2 0

P 1/ 2 1/ 4 1/ 4
0 1/ 2 1/ 2

El autovector de probabilidad es T 0.4 , 0.4 , 0.2


Comprobar como ejercicio de MATLAB que para m suficientemente grande

0.4 0.4 0.2

P 0.4 0.4 0.2


0.4 0.4 0.2

As, a largo plazo, deberamos esperar un tiempo soleado el 40% de los das, nublado el
40% y lluvioso el 20%.
CLASIFICACIN DE ESTADOS
Una cadena de Markov se llama regular si P m 0 para algn entero positivo m. Esto
indica que dado cualquier par de estados i,j existe una probabilidad positiva de pasar de
uno al otro.
m
Decimos que un estado i es accesible desde un estado j cuando pij P m 0 para
ij

algn entero m. Observar que la propiedad de accesibilidad no es simtrica.


Dos estados i y j estn comunicados si cada uno de ellos es accesible desde el otro, es
m

decir pij

0 y pjik 0 , para ciertos enteros m y k.

Como la propiedad de que dos estados estn comunicados es una relacin de


equivalencia, el conjunto de estados de una cadena de Markov puede ser dividido en
clases de comunicacin y cada estado de una clase estar comunicado con cualquier otro
estado de la clase y con ningn otro. Por ejemplo la cadena

1/ 2 1/ 2 0

P 1/ 3 2 / 3 0
1/ 3 1/ 3 1/ 3

Tiene dos clases de comunicacin, la clase 1, 2 y la clase 3 .


Si una cadena de Markov tiene una sola clase de comunicacin se dice irreducible, en otro
caso se dir reducible.
Una cadena de Markov regular es irreducible, ya que todos los estados estn
comunicados. No obstante no todas las cadenas irreducibles son regulares. Por ejemplo,
consideremos la cadena

0 1
P

1 0
La cadena va de 1 a 2 o de 2 a 1 en un paso con probabilidad 1. Va de cualquier estado a s
mismo en dos pasos. Sin embargo, cualquier potencia de P contiene dos ceros.
Una clase de comunicacin C se llama cerrada si no hay posibles transiciones de la clase C
a cualquier otro estado fuera de C, es decir, ningn estado fuera de C es accesible desde C.
4

As, una vez que entramos en una clase cerrada nunca podremos volver a salir fuera. Por
ejemplo, en la matriz

1/ 2 1/ 2 0

P 1/ 3 2 / 3 0
1/ 3 1/ 3 1/ 3

La clase 1, 2 es una clase cerrada. Las clases cerradas tambin suelen llamarse
absorbentes. Si una clase cerrada consiste de un solo estado dicho estado se dice que es
absorbente. Por ejemplo

0
1/ 2 1/ 2 0

1/ 3 2 / 3 0
0
P
1/ 4 1/ 4 1/ 4 1/ 4

0
0
1
0
Esta cadena tiene tres clases de comunicacin 1, 2 , 3 y 4 . 1, 2 y 4 son clases
cerradas o absorbentes. El estado 4 es absorbente.
Una clase de comunicacin C es transitoria si algn otro estado fuera de C es accesible
desde C. Se puede entrar o salir de una clase transitoria pero no puede haber un camino
cerrado que salga de la clase transitoria para luego regresar. Esto implicara que habra
estados fuera de C que se comunican con estados dentro de C. La estructura de conecsin
entre clases de comunicacin debe tener un flujo ordenado que siempre termina en
alguna clase cerrada. Por ejemplo, en la cadena anterior la clase 3 es transitoria
terminar en alguna de las clases cerradas 1, 2 y 4 . En general puede demostrarse:
Teorema
Cualquier estado de una cadena de Markov finita entrar con certeza en alguna clase
cerrada de comunicacin.
RELACIN CON LA ESTRUCTURA MATRICIAL
Supongamos que el estado i es absorbente (cerrado), entonces una vez que se alcanza no
se abandona. Si eiT es el vector de probabilidad correspondiente al estado i se tendr que

eiT P eiT , luego es un autovector que representa una distribucin degenerada de


equilibrio. Si hay otros estados absorbentes corresponderan a otros autovectores. De
forma ms general los autovectores de equilibrio estn asociados con las clases de
comunicacin cerradas de P. Estas relaciones pueden ser expresadas en trminos de
formas cannicas para las matrices de las cadenas de Markov. Para ello ordenamos los
estados asociados con las clases cerradas primero, seguidos por los asociados con las
clases transitorias. De esta forma la matriz puede escribirse de la forma

P 0
P 1

R Q
Suponiendo que hay r estados en las clases cerradas y n-r en las transitorias, P1 ser una
matriz estocstica rxr representando las probabilidades de transicin dentro de las clases
cerradas; Q ser una matriz sub-estocstica (n-r)x(n-r) (la suma de los elementos de cada
5

fila es menor que 1) que representa las probabilidades de transicin entre los estados
transitorios ; R en una matriz (n-r)xr que representa las probabilidades de transitar desde
los estados transitorios a las clases cerradas. Las clases cerradas actan como cadenas de
Markov separadas y tienen distribuciones de equilibrio. Las clases transitorias no tienen un
equilibrio.
Vamos a resolver diversas cuestiones relacionadas al proceso de movimientos dentro de
los estados transitorios antes de la absorcin del proceso por una clase cerrada: el tiempo
promedio que la cadena permanece dentro de una clase transitoria, el promedio de visitas
a varios estados y la verosimilitud relativa de la entrada en las diferentes clases cerradas.
La matriz Q determina completamente el comportamiento de la cadena dentro de las
clases transitorias. Un papel central en dicho anlisis lo juega la matriz M I Q

llamada matriz fundamental de la cadena de Markov.


Proposicin
La matriz M I Q

existe y es positiva. (Luenberger pgina 240).

Los elementos de M tienen una interpretacin directa en trminos del nmero medio de
visitas a los diferentes estados transitorios. Si la cadena parte del estado transitorio i la
m

probabilidad que visite el estado j en k pasos es qij , que es el elemento ij de la matriz


0
Q k . Si incluimos la probabilidad transicin en cero pasos qij que es 1 si i=j y cero en caso

contrario, entonces la suma

qij 0 qij1 qij 2 .... qij k ...


es el nmero medio de veces que partiendo del estado transitorio i el proceso alcanza el
estado j antes de dejar los estados transitorios y entrar en una clase cerrada. Esta suma
puede ser expresada como el elemento ij de la suma matricial

Q 0 Q1 Q 2 ... Q k ... I Q M
1

Es decir, el elemento mij de la matriz fundamental M es el nmero medio de veces que el


proceso pasa por el estado transitorio j si la cadena se inicia en el estado transitorio i.
Igualmente, partiendo de un estado transitorio i, es posible encontrar el nmero medio de
visitas a todos los estados transitorios antes de entrar en una clase cerrada. Para ello es
suficiente hallar la suma de los elementos de M en la fila i:

mi nr mi nr 1 ... min
Finalmente, cuando la cadena parte de un estado transitorio terminar en alguna clase
cerrada con probabilidad uno. Surge la cuestin de calcular la probabilidad de que

partiendo de determinado estado transitorio i, la cadena entre en una determinada clase


cerrada.
Teorema
Sea bij la probabilidad de que si la cadena de Markov comienza en un estado transitorio i
entre en una clase cerrada visitando el estado j. Si B es la matriz (n-r)xr con elementos bij ,
entonces

B MR
Dem:
La probabilidad bij puede ser expresada como la probabilidad de ir de i a j directamente
en un solo paso, ms la probabilidad de ir primero a un estado transitorio y despus ir a j.
As,

bij pij pik bkj


k

Donde la suma sobre k se realiza sobre todos los estados transitorios. En forma matricial se
tiene

B R QB y por tanto B I Q R MR .
1

Ejemplo: Una lnea de produccin


Consideremos un proceso de produccin que consta de tres estados. Al final de cada uno
de ellos el artculo es inspeccionado y existe una probabilidad p de que sea desechado, q
de que sea devuelto al mismo estado para repararlo y r de que pase al siguiente estado. Es
importante determinar la probabilidad de que cada tem, una vez comenzado, sea
completado en lugar de ser desechado y determinar el nmero de tems que deben ser
procesados a travs de cada estado.
Este proceso es una cadena de Markov con cinco estados
(1) Items desechados
(2) Items finalizados
(3) Items en el primer estado de manofacturacin
(4) Items en el segundo estado de manofacturacin
(5) Items en el tercer estado de manufacturacin.
La correspondiente matriz de transicin es

0
P p

p
p

0
1
0
0
r

0
0
q
0
0

0
0
r
q
0

0
0

r
q

Los primeros dos estados son absorbentes y los otros tres son transitorios. La matriz de
transicin est en forma cannica y la matriz fundamental es
7

1 q 2
0
1 q r
1

0
M 0 1 q r
3

0
0 1 q
0

r 1 q

1 q

r 1 q

2
1 q
r2

Los elementos de la primera fila de M representan el nmero medio de veces que cada
tem pasa a travs de primero, segundo y tercer estado de manufacturacin,
respectivamente.
La probabilidad de entrar en los dos estados absorbentes est dado por los elementos de
la matriz B=MR. En este caso

1 q 2
1
0
B MR
3
1 q
0

r 1 q

1 q

p 0

r 1 q p 0

2
1 q p r
r2

Por ejemplo, si partimos del primer estado, la probabilidad de que un tem sea
eventualmente completado en lugar de ser desechado es el primer elemento de la
3
segunda columna de B, que es igual a r / 1 q .
3

Ejercicio: Movilidad social (Luenberger pgina 248)


Los elementos de la siguiente matriz representan la probabilidad de que elhijo de un padre
de la clase i este en la clase j.
Clase alta
0.5 0.4 0.1
Clase media 0.1 0.7 0.2
Clase baja
0.05 0.55 0.4
Encontrar la distribucin de equilibrio de las clases sociales.
Ejercicio: Dinmica de la pobreza y la riqueza. Justificacin de la distribucin de Pareto.
(Luenberger pgina 251)

Estimacin mximo verosmil


Sea P una matriz de transicin de estados 1,2,,n. Sea x0 un vector de probabilidad cuya
componente x0 i representa la probabilidad de que el sistema se encuentre en el estado
i en el instante 0. Supongamos una muestra de la cadena que siga el camino

X 0 , X1 ,..., X K 1 , X K ei , ei ,..., ei
0

Donde pasa por los estados i0 , i1 ,..., iK en los instantes 0,1,..., K .


La propiedad de Markov implica que la probabilidad de que se verifique esta muestra es

Pr X K , X K 1 ,..., X 1 , X 0 Pr X K / X K 1 ,..., X 1 , X 0 Pr X K 1 ,..., X 1 , X 0


Pr X K / X K 1 Pr X K 1 / X K 2 .... Pr X 1 / X 0 Pr X 0
Pr X K iK / X K 1 iK 1 Pr X K 1 iK 1 / X K 2 iK 2 .... Pr X 1 i1 / X 0 i0 Pr X 0 i0
piK 1 ,iK piK 2 ,iK 1 ... pi1 ,i1 Pr X 0 i0
Llamando nij el nmero de veces que se produce una transicin del estado i al estado j, la
funcin de verosimilitud puede ser escrita como

L Pr X 0 i0 pi ,ijj
n

Que corresponde a una distribucin multinomial.


Esta frmula puede ser usada para describir la probabilidad de diferentes realizaciones
alternativas de la cadena de Markov. Tambin se emplea para realizar una estimacin
mximo verosmil de los parmetros (probabilidades de transicin) de la cadena.
Ejemplo
Consideremos que deseamos estimar los parmetros de la cadena cuya matriz de
transicin es

p
P 11
p21

p12

p22

Supongamos que tenemos una muestra donde el nmero de veces que hemos realizado
las diferentes transiciones es el siguiente
Transiciones de 1 a 1: 2 veces
Transiciones de 1 a 2: 5 veces
Transiciones de 2 a 1: 3 veces
Transiciones de 2 a 2: 8 veces
Suponiendo que inicialmente la cadena comenz en el estado i1 , en tal caso la funcin de
verosimilitud ser
3
8
L Pr X1 i1 p112 p125 p21
p22

Para proceder a la estimacin mximo verosmil maximizaremos el logaritmo de la


verosimilitud sujeto a las condiciones de que las sumas de las filas de la matriz son iguales
a la unidad. El Lagrangiano ser entonces

Lagr log Pr X 1 i1 2 log p11 5log p12 3log p21 8log p21
1 p11 p12 1 2 p21 p22 1

Lagr
2
2

0 p11
p11
p11
1
Lagr
5
5

0 p12
p12
p12
1
Pero como

p11

2 5

7
p11 p12 1 1 1 7
1 1
p 5
12 7
De forma anloga p21

3
8
, p12
11
11

10

Modelos de poblacin por grupos


En muchas situaciones, el modelo de crecimiento geomtrico es inadecuado. Existe gran
cantidad de poblaciones donde el nivel de actividad reproductiva no es uniforme durante el
tiempo de vida. Se precisan, entonces, modelos ms sofisticados que tengan en cuenta la
distribucin de edades dentro de la propia poblacin. Luenberger (1979), considera modelos
de este tipo que suelen denominarse modelos de poblacin por grupos de edad.
Por ejemplo, podemos considerar grupos de individuos con edades comprendidas entre 0
y 5 aos, entre 5 y 10 aos y entre 10 y 15 aos. Para simplificar el modelo, supondremos que
la distribucin de varones y mujeres en los grupos es idntica, por lo que es posible considerar
slo la evolucin de la poblacin femenina.
Sea xi (t ) la poblacin del i -simo grupo de edad en el periodo t , se supone que hay

n 1 grupos indicados desde 0 hasta n . Durante un perodo de tiempo, los individuos del
grupo i se movern hacia el grupo i 1 . Supongamos que existe un factor de supervivencia
i diferente para cada grupo, entonces la evolucin del nmero de individuos del grupo i
con el transcurso del tiempo, obedece a la ecuacin

xi 1 (t 1) i xi (t )
(i 01 n 1)
Para determinar el grupo de edad x0 (t 1) que corresponde al grupo de individuos nacidos
durante el ltimo perodo, hay que considerar la tasa de nacimientos de cada grupo que
vendr dada por los coeficientes 0 1 n segn el grupo de edad de los individuos.
Tendremos por tanto

x0 (t 1) 0 x0 (t ) 1 x1 (t ) 2 x2 (t ) n xn (t )
donde quizs los primeros coeficientes i sean iguales a cero.
La evolucin dinmica del nmero de individuos de los distintos grupos vendr dada por
las ecuaciones

x0 (t 1) 0 x0 (t ) 1 x1 (t ) 2 x2 (t ) n xn (t )
x1 (t 1) 0 x0 (t )
x2 (t 1) 1 x1 (t )
...
xn (t 1) n 1 xn 1 (t )
que puede escribirse en forma matricial como sigue

x0 (t 1) 0 1 2 n x0 (t )

0 x1 (t )
x1 (t 1) 0 0 0
x2 (t 1) 0 1 0 x2 (t )


x (t 1) 0 0 0
0 xn (t )
n 1
n

es decir

X t 1 P X t .

11

Para manipular el sistema suele realizarse un cambio de variable. Llamemos l0 1 l1 0

l2 0 1 lk 0 1 k 1 , siendo k 1 n Los nmeros lk se interpretan como la


probabilidad de que un nuevo nacido sobreviva hasta alcanzar el k -simo grupo de edad. As
definimos la matriz diagonal

l
0
D 0

0
l1
0

0
0
l2

ln

Definimos entonces el siguiente el cambio de variable X t DYt , con lo que tenemos que

DYt 1 P DYt

Yt 1 D1P DYt

Puede comprobarse que

a0 l1 a1
1
0

1
D PD 0
1


0
0

Introduciendo i li i , se tiene

a0 a1
1 0

P0 1


0 0

ln 1 an 1 ln an

0
0

0
0 .

0
0

1
0
an 1 an
0
0
0
0


1
0

A la matriz P se le denomina matriz de poblacin. La estructura de la matriz de poblacin


posibilita deducir diversos resultados relativos al autovalor dominante. Como las matrices P y

P son semejantes, tienen el mismo polinomio caracterstico, entonces es posible trabajar con
P , obtener los resultados y transferirlos a P El polinomio caracterstico de P es
a0 a1 an
1
0
(1) n 1 n 1 a0 n a1 n 1 an 0


0
0
es decir

n 1 a0 n a1 n 1 an .
Bajo la suposicin de que ai 0 (i 01, n), y de que al menos dos ai consecutivos son
estrictamente positivos, es posible demostrar que el autovalor dominante de esta ecuacin es
positivo, nico y real y que el autovector correspondiente tiene componentes positivas
(Luenberger, 1979).

12

Sea 0 el autovalor dominante positivo. Los correspondientes autovectores de P y P


denominados e0 y e 0 , sern respectivamente

0n
n 1
0
eo

0
1

l
l
e0
l
l
n

0 0

n 1
1 0

n 1 0

Puede comprobarse directamente que P e 0 0 e 0 por lo que e 0 D e 0


El autovalor dominante y su correspondiente autovector dominante tienen una
importante interpretacin en los modelos de poblaciones. El autovalor dominante es la tasa
natural de crecimiento del sistema a largo plazo. Adems, el vector de estado estar casi
alineado con el autovector dominante. Esta tasa es siempre positiva, aunque puede ser menor
que uno en el caso de poblaciones en descenso.
El autovector que corresponde al autovalor dominante representa la distribucin estable
de los grupos de poblacin a largo plazo. Una vez se alcanza esta distribucin, cada grupo de
edad de la poblacin crece en la misma proporcin 0 en cada perodo. Entonces, con el paso
del tiempo, la distribucin relativa de la poblacin permanece fija.

Ejemplo 4.9
Vamos a hacer la siguiente simplificacin en el modelo de poblacin:

i. Las mujeres tienen hijos en el intervalo de edad de 15 a 44 aos inclusive.


ii. Cada mujer tiene exactamente una hija de sexo femenino.
iii. Cada mujer vive como mximo hasta los 45 aos.
Usando intervalos de tiempo de 15 aos y considerando slo aquellas mujeres de menos
de 45 aos, resulta el siguiente modelo

x1 (t 1) 0 1 x1 (t )

0 x2 (t )
x2 (t 1) 1 0
x (t 1) 0 1
0 x3 (t )
3

donde 0 1
En este modelo se plantean las siguientes cuestiones.
(a) Encontrar los autovalores, determinar la tasa de crecimiento y estudiar cmo se
mueve la poblacin hacia el equilibrio 0 .
(b) Cmo afecta a la dinmica del modelo la variacin de desde cero hasta uno?
El polinomio caracterstico del sistema es

1
0

0 3 (1 ) 0
1

por lo que las races del polinomio sern 1 1 y 23 1 234 Estudiemos la naturaleza
de las races.
i.

Races reales, se tiene que cumplir que: 3 4 0 3


4
13

ii. Races complejas, se verificar que: 3 4 0 3


4
Veamos que 1 es el autovalor dominante. Los autovalores reales positivos son
crecientes en

. Como 01 , el mximo autovalor dependiente de se da en el caso de

1 por tanto, en este caso 23 1 234 2 0 y 3 1


Hallemos el autovalor dominante

1 1 x x


0 y y
1 1
0 1
1 z z

resolviendo se tiene

x y (1 ) z 0
x y


v (111)
x y 0
z

yz 0

por tanto, la solucin del sistema ser

1

t
t
x t c v 1 c v 2 c v 3 c11 1 c12 v 2 c33 v 3
1

t
1 1

t
1 2

t
3 3

o lo que es lo mismo

1

t
t
x t c1 1 c12 v 2 c33 v 3
1

Ahora bien, como 2 3 1 , a largo plazo se verifica

1

x t c1 1
1

Esto indica que las distribuciones de los tres grupos tendern a estabilizarse. La velocidad con
que la poblacin tiende a su distribucin viene dada por el autovalor subdominante 2 , o por
su mdulo 2 en el caso de que sea complejo.

Modelo de obsolescencia de automviles


Existen modelos muy similares al de poblacin por grupos que tienen aplicaciones econmicas.
Resulta de considerable inters conocer la distribucin, por edades, del parque de
automviles de un pas. Los consumidores compran los vehculos y stos van envejeciendo
hasta quedar inservibles u obsoletos.
Para la descripcin de los diferentes grupos de edad resulta adecuado emplear la
formulacin discreta basada en perodos de un ao. Las variables x0 x1 ... xi xn
representan el nmero de automviles que tienen i aos de servicio.
Supondremos que hay una probabilidad i de que un vehculo de i aos permanezca de
servicio al ao siguiente. Esta probabilidad ser ms alta para los vehculos jvenes.

14

Supondremos que ningn automvil sobrevive ms de n 1 aos. Si xi (t ) representa el


nmero de automviles de edad i en el periodo t , entonces se tiene

xi 1 (t 1) i xi (t )

(i 01 n 1)

El nmero de automviles de menos de un ao es igual al nmero de compras u (t ) realizadas


en el pas durante ese ao, es decir

x0 (t 1) u (t )
Se trata, por tanto, del siguiente sistema de ecuaciones en diferencias

0 x0 (t ) 1
x0 (t 1) 0 0

0 x1 (t ) 0
x1 (t 1) 0 0
x2 (t 1) 0 1 0 x2 (t ) 0 u (t )



x (t 1) 0 0
0 xn (t ) 0
n 1
n

Obsrvese cmo este modelo es un caso particular del modelo de poblacin por grupos donde
los nuevos individuos no surgen por reproduccin sino de manera exgena.

15

ACTIVOS DE LOS MERCADOS FINANCIEROS

ESTRATEGIAS DE INVERSIN

ANLISIS TCNICO Y FUNDAMENTAL

ESTRATEGIAS DE INVERSIN ACTIVA

HIPTESIS DEL MERCADO EFICIENTE

ESTRATEGIAS DE INVERSIN PASIVAS

INDEX TRACKING (SEGUIMIENTO DE NDICES) (AG)

CARTERAS EFICIENTES

LOS GRANDES GURUS

LAS GRANDES REVOLUCIONES EN LAS FINANZAS

BONOS
Son instrumentos que las empresas y administraciones pblicas pueden usar para
financiar sus actividades. Bsicamente el comprador de un bono presta dinero al
emisor durante un tiempo hasta la maduracin del bono; en ese momento el emisor
pagar al poseedor del bono su valor facial, tambin llamado valor a la par. Adems
pueden hacerse pagos peridicos de cupones. Los bonos cupn cero suelen tener
maduraciones cortas.
Gracias al desarrollo de los mercados secundarios de bonos no es necesario
comprarlos cuando son emitidos, ni mantenerlos hasta su maduracin.
Supongamos que el valor facial de un bono es 100; si el bono cotiza a un precio
superior a 100 decimos que cotiza por encima de la par; si es ms pequeo cotiza bajo
par; en otro caso a la par.
El valor de dos bonos con los mismos cupones puede diferir dependiendo de la
probabilidad de quiebra del emisor, que se conoce como riesgo de crdito. Los bonos
emitidos por los gobiernos suelen considerarse libres de riesgo, pero los bonos
corporativos no. El papel de las agencias de calificacin es analizar el riesgo de los
bonos. Los bonos afectados por riesgo de crdito se venden a precios ms bajos, o
prometer pagos de cupn ms altos.
Algunos bonos tienen opciones inmersas; un bono callable puede ser redimido por el
emisor antes del vencimiento; esta ventaja debe reflejarse en su precio o en sus
cupones porque el inversor est expuesto a un riesgo de reinversin a unos tipos ms
bajos.
STOCKS
Conllevan la posesin de la firma que las ha emitido. Tienen responsabilidad
limitada: en el peor de los casos el precio ser cero y se perder lo invertido. No
tienen una maduracin predefinida. Dan derecho a pagos en dividendos que tienen
naturaleza estocstica que depende del estado de la empresa, que puede distribuir o
reinvertir sus beneficios
Si compramos un stock a un precio S 0 , lo vendemos al precio S1 y recibimos un
dividendo podemos tener una prdida o una ganancia.
El rendimiento total es

S1 D
S0
La tasa de rendimiento o rentabilidad
2

S1 D S0
S0
Un inversor puede seguir la estrategia de ventas en corto (short-selling) si piensa
que el precio del stock bajar. Para ello pedir prestada la accin a travs de un
brker. En tal caso los dividendos recibidos deben ser pagados al poseedor de la
accin. Las ventas en corto estn restringidas a cierto tipo traders; algunos inversores
institucionales, tal como los fondos de pensiones, no pueden usarlas por lo arriesgado
de su naturaleza especulativa.
DERIVADOS
Son una amplia familia de contratos financieros cuyos pagos dependen de un valor
subyacente que puede ser el precio de un stock, un conjunto de stocks, un tipo de
inters, un ndice, o un activo no financiero genrico
Un contrato forward obliga a dos partes a comprar y vender, respectivamente, cierto
activo en una determinada fecha T, y a un precio F fijado de ante mano.
La parte que acuerda comprar se llama la posicin larga; el vendedor tiene la posicin
corta.
Una opcin, en cambio, no obliga a una de las partes.

ESTRATEGIAS DE INVERSIN ACTIVA


El mercado no es eficiente.
Estrategias basadas en el Anlisis Tcnico
Cruce de medias mviles

1.
Bsqueda de tendencias

1.
Trading Rank break: ruptura de niveles de soporte y resistencia

1.

PROFECAS AUTOCOMPLACIENTES?
4

ESTRATEGIAS BASADAS EN EL ANLISIS FUNDAMENTAL


STOCK

PICKING

seleccin

de

valores:

identificacin

de

valores

incorrectamente valorados.

Calculan el valor intrnseco de una empresa al que debera cotizar la accin en un


mercado eficiente. Si el valor cotiza por debajo del valor intrnseco deberamos
comprar; si cotiza por arriba deberamos vender.

ALGUNOS RATIOS DE VALORACIN RPIDA


El PER (price-to-earnings ratio) precio/ beneficios
PER elevado puede significar el precio de la accin est sobrevalorado y, por tanto,
que resulte improbable que su cotizacin siga subiendo.
PER bajo puede significar que la accin est infravalorada y que su cotizacin puede
aumentar a corto plazo.
Precio/Valor en libros

BPA: Beneficio por accin

PEG: PER/crecimiento BPA

Ratios que contengan el crecimiento potencial de la empresa: estrategias Growth


Investing

FUENTES DE INFORMACIN FINANCIERA PARA EL ANLISIS FUNDAMENTAL.

Morningstar

Morningstar.com

Morningstar Espaa
Yahoo Finance
Cuenta con informacin financiera de acciones que cotizan en mercados financieros
de todo el mundo, entre los que, por desgracia, no se encuentra el mercado espaol, a
no ser que coticen en otros mercados como Frankfurt, Pars, Londres o Nueva York,
como es el caso de muchas de las grandes compaas que cotizan en el Ibex-35.

Yahoo Finance EEUU

Yahoo Finance Espaa


Google Finance

Google Finance
El Economista
La informacin slo es completa para empresas cotizadas en Espaa. Esta web
destaca por poder ordenar las empresas cotizadas segn su PER (Price-Earnings
Ratio), lo que es de gran utilidad como primer filtro para buscar empresas
infravaloradas en bolsa.

El Economista

Empresas cotizadas espaolas ordenadas por su PER


La web de cada empresa
Todas las empresas cotizadas estn obligadas por ley a tener un apartado en su
pgina web donde contenga su informacin financiera relativa a las cuentas anuales.
Este apartado suele denominarse accionistas e inversores.

ESTRATEGIAS CONTRARIAS Y DE MOMENTUM

ESTRATEGIAS CONTRARIAS:
Las rentabilidades exhiben tendencia al cambio de sentido o reversin a la
media en el largo plazo (3 o ms aos)
Comprar perdedores y vender ganadores.

ESTRATEGIAS DE MOMENTUM
Las rentabilidades exhiben continuacin a medio plazo (3-12 meses)
Comprar ganadores y vender perdedores.

UN PROBLEMA CON AMBAS ESTRATEGIAS:


LAS BURBUJAS ESPECULATIVAS, EL MERCADO PUEDE NO VALORAR
CORRECTAMENTE

HIPTESIS DEL MERCADO EFICIENTE:


MODELO MARKOVIANO O "TEORA DEL PASEO ALEATORIO"
Debido a la competencia entre los distintos participantes se produce una situacin de
equilibrio en la que el precio de mercado de un ttulo constituye una buena
estimacin de su precio terico o intrnseco. Los precios reflejan toda la
informacin existente y se ajustan total y rpidamente a la nueva informacin, es decir,
el mejor pronstico que existe para el precio de maana es el precio de hoy.
FORMA DBIL
La cotizacin de los ttulos refleja la informacin pasada, obtenida de las series
histricas de precios. No es posible hallar estrategias de inversin basadas en
precios histricos:

El anlisis tcnico no es til.

La mejor prediccin para el valor de un activo maana es utilizar el valor que


tuvo hoy. El nico factor que afecta a los precios es la llegada a los mercados
de noticias desconocidas que mueven a los precios aleatoriamente.

FORMA SEMIFUERTE
Los precios reflejan la informacin pasada y tambin toda la informacin hecha
pblica acerca de una empresa o de su entorno y que pueda afectar a cada ttulo,
tales como los informes de resultados, los anuncios de dividendos, las variaciones del
tipo de inters, etc.

Los precios de los activos se ajustan instantneamente a toda informacin que


se hace pblica y no puede lograrse un rendimiento superior al del mercado
utilizando dicha informacin.

El anlisis fundamental no sern capaces de lograr rendimientos


superiores a los del mercado. La nica forma de lograrlo es mediante
informacin privilegiada.

FORMA FUERTE
El precio de los activos refleja toda la informacin, pblica y privilegiada, y nadie
puede obtener un rendimiento superior al del mercado.
El hecho de que algunos fondos de inversin consistentemente superen el rendimiento
del mercado no invalida la hiptesis porque otros fondos tienen un resultado inferior al
del mercado.

CONTROVERSIA SOBRE LA HIPTESIS DEL MERCADO EFICIENTE

Premios Nobel de Economa 2013

Eugene F. Fama, terico de la racionalidad de los mercados. El precio de los activos


financieros en cada momento recoga toda la informacin disponible, o que la decisin
conjunta de los inversores facilitaba la asignacin de capital a los usos ms eficientes.
Robert J. Shiller, defensor del comportamiento irracional de los inversores y la
formacin de burbujas. Renace el Animal Spirits de John Maynard Keynes (la
psicologa determina la economa). Una de las fuentes de Exuberancia Irracional en el
funcionamiento de los mercados es el comportamiento de rebao cuando todo el
mundo hace lo que el resto de la multitud est haciendo

Lars Peter Hansen, analista y econmetra que estudi cmo se fijan los precios de
los activos financieros.

10

ESTRATEGIAS DE INVERSIN PASIVAS


El mercado es eficiente
INDEX TRACKING (SEGUIMIENTO DE NDICES) : comprar y mantener el ndice.
Replicar los ndices de mercado al menor coste posible:
Exchange-Traded Funds fondos de inversin cotizados (ETFs)

R It c0 c1R1t ... c5 R5t t

It c0 c1P1t ... c5 P5t t


Buscar 5 activos con el mximo nivel de integracin con el ndice (Minimizar el t-ratio
del estadstico de Dickey-Fuller aumentado). 324632 posibilidades.
Usar un Algoritmo Gentico partiendo de soluciones al azar:
1 0 0 1 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
0 1 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0

0 0 0 0 1 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0

Seguimiento del ndice mejorado con 5 activos

R It 0.1 c0 c1R1t ... c5 R5t t


It 0.1 It c0 c1P1t ... c5 P5t t
DIVERSIFICACIN Y CARTERAS EFICIENTES
No invertir en un solo activo. Usar varios para compensar los riesgos.

11

LOS GURUS
Charles Dow

En 1882 fundan junto a su colega Edward Jones una agencia de consultores


financieros llamada Dow Jones & Company. En 1887 ambos crean el el Dow Jones
Industrial Average con el propsito de reflejar la salud econmica del pas
Charles Dow considera que existen una serie de principios para entender y analizar el
funcionamiento de los mercados financieros donde dej escritas en unas 255 notas
editoriales que fueron publicadas entre 1900 y 1902 en el Wall Street Journal. Tras su
fallecimiento en Nueva York en 1902, Nelson en 1903 recopila sus editoriales en un
libro denominado "El ABC de la Especulacin con Valores", ms tarde fueron
conocidos como Teora de Dow y han supuesto el inicio y el fundamento del anlisis
grfico y anlisis tcnico.
Nouriel Rubini, conocido como el doctor muerte el gur que anticip la crisis
financiera

12

George Soros
El hombre que provoc la quiebra del Banco de Inglaterra el 16 de septiembre de
1992, episodio llamado mircoles negro, donde Soros obtuvo unas ganancias de unos
1000 millones de dlares y produjo prdidas al Estado ingls por valor de unas 3400
millones de libras

Warren Buffett
Es uno de los grandes inversores en el mundo. En 2015 ocupaba la tercera posicin
en la lista de hombres ms ricos del mundo elaborada por la revista Forbes, por detrs
de Bill Gates y Carlos Slim, con una fortuna estimada de 72.700 millones de dlares.

13

Nunca invierta en un negocio que no pueda entender, como tecnologas


complicadas.

No intente predecir la direccin del mercado de valores, la economa, los


tipos de inters o las elecciones.

Compre compaas con buen historial de beneficios y posicin dominante de


mercado.

El optimismo es el enemigo del comprador racional.

Gran parte de xito puede atribuirse a la inactividad. La mayora de los


inversores no resiste la tentacin de comprar y vender constantemente,
pero la piedra angular debe ser el letargo, bordeando la pereza.

Las

oscilaciones

salvajes

de

precios

estn

ms

relacionadas

al

comportamiento de los inversores que a los resultados empresariales.

No tome seriamente los resultados anuales, sino los promedios de cuatro


o cinco aos.

Cntrese en el retorno de la inversin (no en las ganancias por accin), el nivel


de endeudamiento y los mrgenes de beneficio.

Invierta siempre a largo plazo.

Recuerde siempre que el mercado de valores es manaco-depresivo.

Busque empresas con mercados amplios, fuerte imagen de marca y


consumidores fieles, como Gillette o Coca-Cola.

Tambin son interesantes algunas compaas con marcas consolidadas pero


que estn infravaloradas por dificultades transitorias. Para buscar estas
oportunidades, deben aprovecharse los mercados bajistas.

14

LOS REVOLUCIONARIOS

TEORA DE INMUNIZACIN DE CARTERAS DE RENTA FIJA: DURACIN


Frederick Macaulay 1938

TEORA DEL INVERSOR RACIONAL: CARTERAS EFICIENTES


Harry Markowiz (1952)

15

TEORA DE LA VALORACIN DE ACTIVOS DE CAPITAL


La CAPM fue introducida independientemente por Jack Treynor (1961, 1962), William
F. Sharpe (1964), John Lintner (1965) y Jan Mossin (1966).

Rentabilidad

Security Market Line

mnima exigida
Activos infravalorados

Activos sobrevalorados

Rf

BETA: Riesgo de la
inversin

16

TEORA DE LA VALORACIN DE OPCIONES


Black-Scholes-Merton (1973)

17

RENTA FIJA. DURACIN Y CONVEXIDAD. INMUNIZACIN


BONOS
Son instrumentos que las empresas y administraciones pblicas pueden usar para
financiar sus actividades. Bsicamente el comprador de un bono presta dinero al
emisor durante un tiempo hasta la maduracin del bono; en ese momento el emisor
pagar al poseedor del bono su valor facial, tambin llamado valor a la par. Adems
pueden hacerse pagos peridicos de cupones. Los bonos cupn cero suelen tener
maduraciones cortas.
Gracias al desarrollo de los mercados secundarios de bonos no es necesario
comprarlos cuando son emitidos, ni mantenerlos hasta su maduracin.
Supongamos que el valor facial de un bono es 100; si el bono cotiza a un precio
superior a 100 decimos que cotiza por encima de la par; si es ms pequeo cotiza bajo
par; en otro caso a la par.
El valor de dos bonos con los mismos cupones puede diferir dependiendo de la
probabilidad de quiebra del emisor, que se conoce como riesgo de crdito. Los bonos
emitidos por los gobiernos suelen considerarse libres de riesgo, pero los bonos
corporativos no. El papel de las agencias de calificacin es analizar el riesgo de los
bonos. Los bonos afectados por riesgo de crdito se venden a precios ms bajos, o
prometer pagos de cupn ms altos.
Algunos bonos tienen opciones inmersas; un bono callable puede ser redimido por el
emisor antes del vencimiento; esta ventaja debe reflejarse en su precio o en sus
cupones porque el inversor est expuesto a un riesgo de reinversin a unos tipos ms
bajos.
VALORACIN DE PRODUCTOS FINANCIEROS POR AUSENCIA DE ARBITRAJE
Tres actividades fundamentales en los mercados financieros:

ESPECULACIN: reaccin ante las expectativas de evolucin futura de los precios de


un mercado, con el fin de obtener unos beneficios asociados al riesgo de cumplimiento
de dichas expectativas.

COBERTURA DE RIESGOS

ARBITRAJE: El arbitraje se refiere a la obtencin de beneficios sin riesgo por


entrada simultnea en dos o ms mercados o posiciones diferentes. Los
arbitrajistas se encargan, en todo momento, de aprovechar y anular cualquier
posibilidad de arbitraje sin riesgo.

Ejemplo: arbitraje espacial

Consideremos un stock cuyo precio es de 10 $ en New York y 10.1 en Madrid


cuando el tipo de cambio es 1 $/. Un arbitrajista podra simultneamente comprar
el stock en NY y venderlo en Madrid obteniendo un beneficio sin riesgo de 0.1$ por
accin.
Ejemplo: arbitraje triangular
Supongamos que en el mercado de cambios nos encontramos los diferentes tipos de
cambio entre el dlar, la libre y el euro:
El tipo $/ es 1.45
El tipo / es 1.5
El tipo $/ 2.2
Como
1.45 ($/) x 1.5 (/) = 2.175 < 2.2 ($/)
suponiendo que no existiesen comisiones en los mercados de divisas, un arbitrajista
obtendra beneficios comprando euros con dlares y transformando dichos euros en
libras. Esta operacin le costara 1.45x1.5 = 2.175 dlares la libra, cuando el mercado
directo el precio de la libra es de 2.2 dlares.
Las oportunidades de arbitraje slo pueden ser momentneas:

Aumentar la demanda de dichos activos en Madrid, y con ello su precio, y disminuir la


demanda de dichos activos en NY, y con ello su precio.

Subir el precio del dlar y baje el euro.

El arbitraje juega un papel estabilizador.

VALORACIN DE ACTIVOS POR AUSENCIA DE ARBITRAJE


Un activo est correctamente valorado o que su precio es justo (fair price) si no
existen oportunidades de arbitraje (sin riesgo) sobre el precio del activo.
Principios de valoracin por arbitraje: Ley del precio nico

Si dos activos financieros A y B tienen el mismo flujo de pagos futuro T (tienen el


mismo precio en el futuro), hoy han de tener necesariamente el mismo precio.

PA (T ) PB (T ) PA (0) PB (0)
Si PA (0) PB (0)
Hoy obtendramos un beneficio sin riesgo PB (0) PA (0)

tomando una posicin

larga en el activo A (el ms barato) y una posicin corta en el activo B. En el instante T


venderemos el activo A compraremos el activo B y lo devolveremos.
La relacin de no existencia de arbitraje permite la valoracin de los activos
financieros, en particular los bonos.
VALOR DE UNA CORRIENTE DE RENTAS (BONOS)
Veamos que, por el principio de no existencia de arbitraje, el valor terico de
cualquier activo financiero, es el valor presente de la corriente de rentas generadas
(esperadas) en el futuro.
Sea un bono que produce 100 euros dentro de un ao con seguridad.
Veamos que su valor hoy viene dado por V
Si V

100
(1 r )

100
(1 r )

Obtendremos beneficio sin riesgo comprando hoy el bono y pidiendo prestado

100
100
V como beneficio sin riesgo porque
. Me quedo con la diferencia
(1 r )
(1 r )
dentro de un ao el bono me permite cancelar el crdito.
Si V

100
(1 r )

Obtendremos beneficio vendiendo hoy (en descubierto) el activo y depositando en


el banco la cantidad

100
(comprar un bono) que dentro de un ao me permitir
(1 r )

volver a comprar el bono para devolverlo. El beneficio sin riesgo obtenido hoy ser

100
(1 r )
3

Ms generalmente, sea bono en el instante que paga cupones Ci en los instantes


futuros t1 1, t2 2,..., tn T a partir de hoy, y que paga al vencimiento una cantidad
N; sea una estructura temporal

r1,..., rn

de los tipos de inters. Dicho bono con

cupones puede considerarse como la suma de sucesivos bonos cupn cero, cada
uno de los cuales, debido a la ausencia de arbitraje, tendr un valor

Ct
. Ello
(1 rt )t

implica que el precio de un bono con cupn ser:

T
Cn N
Ct
C1
C2
N

.....

t
T
2
n
(1 r1 ) (1 r2 )
(1 rn )
t 1 1 rt
1 rT

(Inters compuesto)

P C1e r1 C2 e r2 2 ... CT N e rnT Ne rnT Ct e t rt

(Inters continuo1)

t 1

Si suponemos que hoy es el instante t y que el bono paga cupones en los instantes
futuros t1 , t2 ,..., tn T el precio del bono obedece a las expresiones

n
Cn N
Ci
C1
C2
N

.....

ti t
T t
tn t
t1 t
t2 t
(1 r1 )
(1 r2 )
(1 rn )
i 1 1 rt
1 rT

P C1e r1 t1 t C2 e r2 t2 t ... CT N e

rn tn t

Ne rn T t Ci e

rt ti t

i 1

Ejemplo
Calcular el valor de un bono con valor nominal de 120 al que le faltan 30 aos hasta
el vencimiento, que paga un cupn de 4 al final de cada ao y suponiendo una curva
de tipos plana donde r1 r2 ... rn 0.04
30

4
120

106.17
t
1.0430
t 1 1.04

En cdigo MATLAB
>> t=1:30;
>> sum(4./(1+0.04).^t)+120/(1+0.04).^30 = 106.1664

En el supuesto de capitalizacin continua el precio sera


30

P 4e 0.04t 120e 0.04 30 104.64


t 1

>> sum(4*exp(-0.04*t))+120* exp(-0.04*30) = 104.6356

Ver el Apndice sobre el inters continuo

Ejemplo
Consideremos un bono con valor nominal de 100 al que le faltan 5 aos hasta el
vencimiento y que pagar unos cupones de 3, 2, 4, 5, 4 al final de cada ao. Calcular
su precio para una estructura temporal de tipos de inters 0.01, 0.02, 0.03, 0.04, 0.05.
En cdigo MATLAB
>> t=1:5;
>> C=[3, 2, 4, 5, 4];
>> r=[0.01, 0.02, 0.03, 0.04, 0.05];
El precio del bono ser:
>> sum(C./(1+r).^t)+100/(1+0.05)^5 = 94.3139

EJERCICIO EN GRUPO CON MATLAB


Construir una funcin de MATLAB valor_bono( r1 ,, rn , N , C1 ,, Cn , interes)
que proporciona el valor de un bono dado:

La estructura temporal de los tipos de inters r1 ,..., rn .

El valor nominal del bono N.

Sus cupones C1 ,...,Cn .

El tipo de capitalizacin empleada rala los intereses: simple, compuesto y continuo.


Usar para ello la bifurcacin condicional IF.

MEDICIN DEL RENDIMIENTO DE UN BONO:


La Tasa Interna de Rentabilidad (TIR) ) (yield to maturity) es aquella rentabilidad y que
verifica la ecuacin:

C1
C2
C N

..... T

2
T
1 y 1 y
1 y

P 1 y C1 1 y
T

T 1

.... CT 1 1 y CT N

La TIR computa el retorno anual esperado del bono teniendo en cuenta, adems del
cupn, la ganancia o prdida de capital en funcin del precio actual de mercado. La
segunda de las ecuaciones expresa que para la inversin en un bono produzca la
cantidad prometida inicialmente por la TIR, P 1 y , es necesario reinvertir todos los
T

cupones al tipo expresado por la TIR: C1 1 y

T 1

.... CT 1 1 y CT N .

As, detrs del clculo de la TIR hay un supuesto extremadamente simplificador: La


TIR asume que todos los pagos intermedios hasta el vencimiento son reinvertidos a la

misma TIR. Si las tasas de inters caen en el futuro, los pagos intermedios recibidos
sern reinvertidos a una menor tasa, reduciendo la tasa efectiva.

Ejercicio
Dado un bono d precio 120 euros, valor al vencimiento en cuatro aos 100 y que paga
4 cupones al final de cada ao de 3 euros, hallar, usando la funcin roots de MATLAB,
la TIR de dicho bono.

TIPOS DE DIESGOS PRESENTES EN LA COMPRA DE UN BONO

Riesgo de crdito: probabilidad de impago por parte del emisor.

Riesgo de inflacin.

Riesgo de mercado: Riesgo de subida de los tipos de inters, riesgo de


reinversin de los cupones producida por la bajada de tipos.

Riesgo de divisas: cuando la reinversin est realizada en un bono extranjero.

Riesgo de liquidez: dificultad de convertir dicho activo en dinero efectivo.

VOLATILIDAD Y RIESGO DE MERCADO DE UN BONO. SENSIBILIDAD DE UN


BONO FRENTE A LAS VARIACIONES DE LOS TIPOS DE INTERS: DURACIN
DE MACAULEY (1938)

Cuando los tipos de inters suben, el precio del bono baja y se produce una prdida
inmediata de capital, en cambio los cupones pueden ser reinvertidos a tipos ms altos.
Consideremos el desarrollo de Taylor del precio de un bono en relacin a su TIR

P( y)

dP
1 d 2P
y
(y)2 ,
2
dy
2 dy

Igualmente, el cambio relativo en el valor de la cartera (elasticidad) es

P( y) 1 dP
1 1 d 2P

y
(y)2
2
P
P dy
2 P dy
A la cantidad D

1 d 2P
1 dP 2
se le llama duracin y a la cantidad C
se le
P dy
P dy 2

llama convexidad.
2

Observar que dP/dy es siempre negativa y la duracin siempre positiva

Efecto duracin +convexidad


Precio
Efecto duracin

La duracin es una medida del riesgo de un bono porque proporciona una


aproximacin del cambio porcentual en el valor del bono para pequeos
movimientos en la TIR (en general de los tipos de inters) pues

P 1 dP

y o( y )
P
P dy

D y

Ejemplo
Si un bono tiene duracin 5, un incremento en los tipos de 100 puntos bsicos (un 1%)
produce descenso del 5% en su precio y viceversa.

Como para capitalizacin continua el precio de un bono, en funcin de la TIR, viene


dado por la expresin
T

P C1e y C2 e 2 y ... CT N e Ty Ne yT Ci e t y
t 1

Derivando respecto a la TIR se obtiene


T
dP
C1e y 2C2e 2 y ... T CT N e Ty TNe yT tCi e y t
dy
i 1

Dividiendo entre P obtenemos la expresin de la duracin

CT N CT e Ty

C1e y
C2e 2 y
1 dP
D
1
2
... T
P dy
P
P
P
Es decir,

1 dP T
twt
P dy t 1

C e yt
(CT N )e yT
, wt t
,
w

T
P
P
7

Para capitalizacin compuesta la expresin de la TIR de un bono

C1
C2
C N

..... T
2
T
1 y 1 y
1 y

C1
C2
CT N
C2
C N
dP
1 C1

.....

..... T

2
3
T 1
2
T
dy
1 y 1 y 1 y
1 y 1 y
1 y
1 y

En este caso se habla de duracin modificada definida como

C1

1 dP 1 y
D _ modificada

P dy

C2

1 y

..... T

(CT N )

1 y

T 1

Por simplicidad, y buscando analoga con el caso de capitalizacin continua,


emplearemos una duracin D definida simplemente como

C1
C2
(C N )
2
..... T T
2
T
T
1 y 1 y
1 y

D
twt
P
t 1
(C N ) 1 y
wT T
P

C (1 y ) t
, wt t
,
P

Observar que D _ mod ificada

dP 1
D

dy P 1 y

En resumen, la duracin de Macaulay es un promedio ponderado (una


combinacin lineal convexa) de los vencimientos de los bonos cupn cero que
subyacen en un bono con cupn, donde los coeficientes de ponderacin son los
valores actuales de los flujos de pago divididos por el precio del bono.

VA flujos
t
P
t 1
T

Es una medida del tiempo medio de espera del poseedor de un bono antes de
recibir el flujo de pagos. Para bonos cupn cero el vencimiento mide la longitud del
tiempo que el poseedor del bono ha invertido su dinero. Para bonos con cupn el
vencimiento es una medida incorrecta del tiempo en que se inmoviliza la inversin.

PROPIEDADES DE LA DURACIN:
La duracin de un bono es una cantidad intrnsecamente positiva.

Un bono que paga inicialmente cupones bajos y cupones altos al final tendr una
duracin ms alta que un bono que paga cupones altos al principio y bajos al final. El
caso extremo es un bono cupn cero cuya duracin es igual al tiempo hasta el
vencimiento.

La duracin de un bono no puede superar su tiempo hasta el vencimiento y la duracin


de un bono con cupn es siempre inferior a la de un bono cupn cero con igual tiempo
hasta el vencimiento.

Cuanto mayor sea la duracin de un bono, mayor ser su sensibilidad para un cambio
dado de la TIR. Por ejemplo, cuando se produce un desplazamiento en los tipos de
inters, un bono con un ao hasta el vencimiento apenas cambia su precio. En
cambio, un bono a 30 aos recin emitido se mueve dramticamente.

La expresin

P
P

D y puede interpretarse diciendo: si se espera un incremento

en los tipos de inters, los inversores debern comprar aquellos bonos con
cupones grandes y vencimientos cercanos. Si se espera una bajada de tipos, los
inversores debern comprar bonos con vencimientos lejanos (cupones pequeos).

Observar que la duracin decrece con el nivel del tipo de inters porque el valor
descontado de los cupones es inferior.

Ejemplo
Consideremos un bono con valor nominal de 100 al que le faltan 30 aos hasta el
vencimiento y que paga un cupn de 8 al final de cada ao. Calcular su duracin
para un TIR del 5% y del 10%.
Para y 0.05 , el precio del bono es
30

8
100

146.12
t
1.0530
t 1 1.05

En cdigo MATLAB
>> t=1:30;
>> sum(8./(1+0.05).^t)+100/(1+0.05)^30 = 146.1174
La duracin ser entonces

8
100
t
30
D t 1.05 30 1.05 10.23
146.12
t 1 146.12
30

>> sum( t*8./(146.12*(1+0.05).^t))+100*30/(146.12*(1+0.05).^30) = 14.8241


Si calculamos la duracin para y 0.1 , el precio del bono es
30

8
100
30 81.15
t
1.1
t 1 1.1

>> sum(8./(1+0.1).^t)+100/(1+0.1).^30 = 81.1462


La duracin ser entonces
9

8
100
t
30
D t 1.1 30 1.1 8.60
81.15
t 1 81.15
30

sum( t*8./(81.15*(1+0.1).^t))+100*30/(81.15*(1+0.1).^30) = 10.6464

Ejercicio: repetir el ejemplo en caso de capitalizacin continua.

Ejercicio
Consideremos un bono que paga 10 cupones anuales a un tipo c=5.34% y con TIR
anual y=5.34%. Calcular su duracin y comprobar que es igual a 8 aos (D=8). Ello
indica que el vencimiento promediando de los flujos de caja es 8 aos. En otras
palabras, este bono con cupn a diez aos se comporta esencialmente (en
trminos de inmovilizacin de la inversin, y como sensibilidad a los tipos de inters)
como un bono cupn cero a 8 aos.

EJERCICIO EN GRUPO CON MATLAB


Construir una funcin de MATLAB duracion_bono( y , N , C1 ,, Cn , interes) que
proporciona la duracin de un bono dado:

La TIR del bono y.

El valor nominal del bono N.

Sus cupones C1 ,...,Cn .

El tipo de capitalizacin empleada rala los intereses: simple, compuesto y continuo.


Usar para ello la bifurcacin condicional IF.

TRABAJO EN GRUPO CON MATLAB


Consideremos un bono con valor nominal de 100 al que le faltan 30 aos hasta el
vencimiento y que paga un cupn de 8 al final de cada ao. Calcular la evolucin de
su duracin en funcin de un TIR variable entre el 0% y el 30%. Comprobar que la
duracin decrece con el nivel del tipo de inters.

DURACIN DE UNA CARTERA DE BONOS


Consideremos una cartera de bonos
n

P j Pj
j 1

10

donde j es el nmero (posiblemente negativo, indicando una posicin corta) de


participaciones del bono j de precio Pj . En tal caso el porcentaje de participacin
de cada bono en la cartera es wi

j Pj
P

, donde

w
j 1

1.

Proposicin
Supongamos que la ETTI es plana, de modo que la TIR de los bonos es igual al tipo
de inters. Entonces, la duracin de una cartera formada por n bonos con pesos

wi

j Pj

de participacin en la cartera es el promedio ponderado de las

duraciones de cada uno de los bonos:


n

D portfolio wi Di
i 1

As, la duracin es un operador lineal.

Control de la duracin de una cartera


Veamos que es posible controlar a voluntad la duracin de una cartera
cambiando los pesos de los bonos que participan en ella.
Supongamos que tenemos dos bonos con duraciones D1 1 y D2 20 . Veamos
cmo formar una cartera de duracin 5 aos. Llamemos x al porcentaje de
participacin del bono 1 en la cartera y a 1 x al porcentaje de participacin del bono
2.
Entonces D xD1 (1 x) D2
Es decir, 5 x (1 x)20 de donde resulta x 5/19 y 1 x 14 /19
Si se trata de tres o ms bonos el control de la duracin de la cartera tiene infinitas
soluciones. Una forma de conseguir unicidad es imponer el objetivo de maximizar el
rendimiento de la cartera. Supongamos que las TIR de los bonos son

y1,..., yN ; esto

conduce el siguiente problema de programacin lineal, donde no se permiten


posiciones cortas
N

max

yw
i 1

s.t.

Dw

w
i 1

i 1

wi 0 i
11

Ejemplo
Sea la cartera de tres bonos cuyas TIR son y1 0.02, y2 0.03, y3 0.04 y sus
duraciones D1 2, D2 3, D3 5 . Podemos formar una cartera de rentabilidad mxima
con una duracin objetivo de 3.5 aos resolviendo el problema de programacin lineal
planteado previamente. En OCTAVE resulta:
c = [0.02, 0.03, 0.04]'; #TIR
A = [ 2,4,5;1,1,1];#Duracin y restricciones
b = [3.5, 1]'; #Duracin objetivo y restriccin
LB = [0,0]';
UB = [];
ctype = "SS"; #"S" : An equality constraint (A(i,:)*x = b(i)).
vartype = "CCC"; # continuous variables; "I" integer variable
sense = -1; # maximization problem; s=1 minimization
[xopt, fmin, errnum, extra] = glpk (c, A, b, LB, UB, ctype, vartype, sense)
Resulta la cartera de pesos 0.5 , 0.0 , 0.5

12

INMUNIZACIN: RIESGO DE PRDIDAS DE CAPITAL Y REINVERSIN EN UN


BONO
Sea H el horizonte temporal de una inversin. Si compramos un bono con un
vencimiento superior o inferior a H estamos expuestos a las subidas o bajadas de los
tipos.
Cuando los tipos de inters suben, el precio del bono baja y se produce una prdida
inmediata de capital, en cambio los cupones pueden ser reinvertidos a tipos ms altos.
Si y 0 y H es pequeo: Ganancias de Capital > Prdidas por Reinversin
Si y 0 baja y H es grande: Ganancias de Capital < Prdidas por Reinversin

Cuando los tipos de inters bajan, el precio del bono sube y se produce una ganancia
inmediata de capital, en cambio los cupones deben ser reinvertidos a tipos ms bajos.
Si y 0 H es pequeo: Prdidas de Capital > Ganancias por Reinversin
Si y 0 y sube y H es grande: Prdidas de Capital < Ganancias por Reinversin
Se puede demostrar que existe un horizonte D, la duracin, tal que estos dos
riesgos se cancelan mutuamente, as, a los inversores con dicho horizonte
temporal de inversin no les importar si los tipos suben o bajan (para pequeos
cambios).
Si y sube o baja y H = D: Prdidas de Capital = Ganancias por Reinversin

INMUNIZACIN Y CASH FLOW MATCHING


Un fondo de pensiones se enfrenta siempre con el problema de hacer coincidir sus
flujos de cobros con sus flujos de pagos. Por ello buscar alguna estrategia que
posibilite la eliminacin del riesgo de los tipos de inters. Tales estrategias se llaman
de inmunizacin. Pueden desarrollarse en base a dos criterios:

Haciendo coincidir los vencimientos de los flujos de pago a realizar con la


cartera, con sus flujos de cobros, i.e, cash flow matching

Eliminando el riesgo de la cartera, al haciendo coincidir la duracin de la misma


con la duracin de la corriente de pagos que se deben realizar con dicha
cartera.

En una institucin bancaria, donde parte sustancial de los beneficios va a realizarse


por la diferencia entre el tipo al que se presta el dinero y el tipo a que se pide prestado,
es importante controlar la cartera de prstamos duracin de la cartera de prstamos y
su exposicin a las variaciones de los tipos de inters. En este caso podemos
considerar la cartera como una corriente de rentas (positivas o negativas) procedente
de cada uno de los prstamos que la componen.
13

La condicin necesaria y suficiente para que el precio de la cartera sea


insensible a los cambios de su TIR es que la duracin sea cero:

dP
0 D 0
dy
Debido a la linealidad que tiene la duracin esto es equivalente a que la duracin de
los activos de la cartera sea igual a la duracin que tengan sus pasivos. En tal caso se
dice que la cartera est inmunizada. Este resultado puede interpretarse diciendo que
si

el

horizonte

temporal

al

que

queremos

inmunizar

la

inversin

es

extremadamente corto (como en el caso de un banco donde la duracin de sus


pasivos es muy corta), debemos hacer cero la duracin de la posicin neta de la
entidad.
Resumiendo, para una cartera de bonos con posiciones cortas y largas (como
ocurre con un banco, que presta y pide prestado, o un fondo de pensiones), los flujos

Fi pueden ser positivos o negativos. En este caso la cartera ser insensible a los
movimientos de los tipos cuando la duracin sea cero.
Pero no todas las carteras son equivalentes, aunque tengan la misma duracin. La
cartera ptima inmunizada es aquella que maximiza su convexidad, para una duracin
dada.

Ejemplo
Los pasivos de un fondo de pensiones tienen una duracin de 5 aos y sus activos
una duracin de 3. Suponiendo que el valor de los activos es de 100 millones de
euros, Qu cantidad de dinero x debera invertir en activos de duracin de 10 aos
para ser inmune a la evolucin de los tipos?
Como la duracin de una cartera es el promedio ponderado por los pesos de las
duraciones de cada uno de los activos se tiene

100
x
3
10 5
100 x
100 x

x 40 millones de euros

Si quisiese invertir en activos de duracin 25 aos

100
x
3
25 5
100 x
100 x

x 10 millones de euros

14

CONVEXIDAD

Precio de bonos con vencimiento de 1, 2, y 5 aos


1
0.9
0.8

Precio del bono

0.7
0.6
0.5
0.4
0.3
0.2
0.1
0

0.5

1.5
Tipo de inters

2.5

La convexidad de un bono se define como

1 d 2P
C
P dy 2
La convexidad puede ser empleada en la aproximacin de segundo orden del
impacto relativo en el precio del cambio en la TIR:

P( y )
1
( Duracion )y (Convexidad )(y ) 2
P
2

Efecto duracin + convexidad


Precio
Efecto duracin

15

Para el caso de capitalizacin compuesta esta expresin adopta la forma de

Ct t (t 1) T (T 1) N

t 2
1 d P t 1
(1 y)t 2
,
C

P dy 2
P
T

(1 y)

donde
T

P
t 1

Ct
N

t
(1 y ) (1 y )t

Para el caso de capitalizacin continua:

T
1 d 2P
2
yT

T
Ne

Cit 2e yt

P dy 2
i 1

Como caso particular, la convexidad de un bono cupn cero, en el supuesto de


capitalizacin discreta, es

T (T 1)
(1 y)2

Dicha convexidad es creciente con el tiempo T hasta el vencimiento y


decreciente con el tipo de inters:

C 2(1 y )T (T 1)
C 2T 1

0 y

0
2
y
(1 y) 4
T (1 y )
Ejemplo
Consideremos un bono con valor nominal de 100 al que le faltan 30 aos hasta el
vencimiento y que paga un cupn de 8 al final de cada ao. Calcular su convexidad
para un TIR del 5%.
El precio del bono es
30

8
100

146.12
t
1.0530
t 1 1.05

En cdigo MATLAB
>> t=1:30;
>> sum(8./(1+0.05).^t)+100/(1+0.05).^30 = 146.1174
La duracin ser:
>> D=1/P*(sum(8*t./(1+0.05).^t)+100*30/(1+0.05).^30) = 14.82 aos
La convexidad ser entonces
T

8 t (t 1)

T (T 1) N
(1 0.05)t 2
146.12

(1 0.05)
t 1

t 2

En cdigo MATLAB
16

>> t=1:30;
>>sum(8*t.*(t+1)./(146.12*(1+0.05).^(t+2)))+30*31*100/(146.12*(1+0.05).^32)=303.61
Efecto conjunto de la duracin y la convexidad
Veamos el efecto de un incremento del 1% en la TIR sobre el precio del bono cuando
se consideran tanto la duracin y la convexidad del bono anterior.
Como

P( y )
1
1
( Duracion )y (Convexidad )(y) 2 14.82y 303.61(y) 2
P
2
2
1
14.82 0.01 303.61 0.012 0.1482+0.0152 -0.1330
2
Esto quiere decir que, dada una subida de tipos del 1%, mientras la duracin es
responsable de una cada porcentual del 14.82% del precio del bono, la convexidad es
responsable de una subida del 1.52%.
Si, por el contrario, se produjese una cada del 1% de los tipos de inters, el
incremento porcentual del precio del bono sera

P ( y )
1
2
14.82 0.01 303.61 0.01 0.1482+0.0152 0.1634
P
2
Este ejemplo revela que, debido al efecto de la convexidad, las variaciones
porcentuales de los precios de los bonos son mayores tras los descensos de los tipos
de inters que tras las subidas de dichos tipos. Es decir, la convexidad introduce un
efecto asimtrico ante el signo de las variaciones de los tipos de inters, algo que no
ocurrira si solo consideramos la duracin.

Ejercicio: repetir el ejemplo anterior calculando la convexidad en caso de capitalizacin


continua.

Ejercicio
Consideremos dos bonos de precios P1 y P2 y convexidades 1 y 2 . Comprobar que
la convexidad de la cartera 1P1 2 P2 viene dado por la expresin

1 P11 2 P2 2
1 P1 2 P2

Ejercicio
Obtener a partir de la frmulas anteriores las principales propiedades de la
convexidad:

17

Para un determinado bono el cambio en el valor debido al trmino de convexidad es


siempre positivo.

Para un tiempo hasta el vencimiento y una TIR dadas, cuanto ms bajo es el tipo de
cupn ms alta ser su convexidad.

Para un tipo de cupn y una TIR constantes, la convexidad se incrementan con el


tiempo hasta el vencimiento y con la duracin del bono.

Manteniendo los otros factores constantes, la convexidad de un bono con cupones es


ms alta cuando la TIR es ms baja.

La convexidad es un operador lineal y la convexidad de una cartera formada por n


bonos en la misma moneda con pesos wi es la suma ponderada de las convexidades
relativas de cada bono.

EJERCICIO EN GRUPO CON MATLAB


Construir una funcin de MATLAB convexidad_bono( y , N , C1 ,, Cn , interes) que
proporciona la convexidad de un bono dado:

La TIR del bono y.

El valor nominal del bono N.

Sus cupones C1 ,...,Cn .

El tipo de capitalizacin empleada rala los intereses: simple, compuesto y continuo.


Usar para ello la bifurcacin condicional IF.

VALOR DE LA CONVEXIDAD
En la figura vemos la relacin entre el cambio porcentual en el precio de un bono y los
cambios en la TIR para dos bonos A y B. Ambos bonos tienen la misma duracin pues
las curvas que proporcionan los cambios porcentuales de precio en funcin de los
cambios de la TIR son tangentes para cambios muy pequeos; ello significa que su
sensibilidad a los cambios en los rendimientos es igual para pequeas fluctuaciones
de la TIR. No obstante, el bono A tiene mayor convexidad que el B. Esto significa que
el bono A obtiene un mayor incremento porcentual del precio y una menor
disminucin cuando se producen grandes fluctuaciones en la TIR. En el contexto
de un movimiento aleatorio de los tipos, la convexidad produce una asimetra que
aumenta la rentabilidad esperada del bono A respecto al bono B: el bono A se
beneficia ms de las disminuciones de tipos y sufre menos por su subida. La
18

convexidad ser, por tanto, un atributo deseable para un bono que los inversores
estarn dispuestos a pagar. No obstante la mayor convexidad implica ms riesgo
porque est asociada con mayor duracin.

A
Precio
B

CRTICAS A LA CONVEXIDAD
La convexidad es una medida de la estabilidad de la duracin. Una convexidad
alta significa que un desplazamiento en la estructura temporal tendr un efecto
relativamente grande en la duracin de un bono. La convexidad puede resultar
perjudicial si existe incertidumbre sobre cmo evolucionar la curva de tipos porque
una mayor convexidad implica una dispersin mayor de los flujos de caja. El
xito de las estrategias de cobertura basadas en la duracin y la convexidad
depende de dos factores cruciales:

Que la ETTI pueda considerarse plana.

Que sus desplazamientos sean paralelos.

19

GESTION DE DURACIN Y CONVEXIDAD DE UNA CARTERA DE BONOS CON


PROGRAMACIN LINEAL
Ejemplo (Brandimarte, pgina 64 y 380)
Supongamos que hoy es el 28-8-2007 y podemos comprar tres bonos que tienen las
siguientes fechas de vencimiento:
Bono1: 15-6-2012, Bono2: 31-10-2017, Bono3: 1-3-2027.
Supongamos que sus tipos de cupn son [0.07 ; 0.06 ; 0.081]
Que sus TIR son [0.06 ; 0.07 ; 0.0751]
Calculemos la duracin D y convexidad Ci de dichos bonos.
Disear una cartera de bonos que tenga una duracin D=10 dada y una convexidad
C=160.
Para ello basta encontrar un conjunto de pesos w1 , w2 , w3 verificando el siguiente
sistema de tres ecuaciones con tres incgnitas
3

Dw

i 1
3

C w
i 1

w
i 1

Resolviendo el sistema mediante MATLAB se obtienen los pesos 0.1209 , -0.4169 ,


1.2960. Notar que tenemos que vender en corto el bono 2 lo que puede no ser factible.

Supongamos ahora que existen 10 posibles bonos que podramos introducir en


nuestra cartera para obtener nuestros objetivos de duracin y convexidad. En tal caso
el sistema se convierte en
10

Dw

i 1
10

C w
i 1

10

w
i 1

Este sistema tiene 3 ecuaciones con 10 incgnitas y tiene, por tanto, infinitas
soluciones. En este caso deberamos buscar la mejor solucin entre todas las
soluciones factibles disponibles. Consideraremos como la mejor solucin como
aquella que tiene la mxima rentabilidad promedio de la cartera, aunque podra
incluirse explcitamente alguna caracterizacin de la incertidumbre de los tipos de
inters.
20

Suponiendo que las TIR de los bonos son

y1,..., yN ,

esto conduce el siguiente

problema de programacin lineal, donde no se permiten posiciones cortas


N

max

yw
i 1

s.t.

Dw
i

i 1

C w C
i 1

w
i 1

wi 0 i
Ejemplo con OCTAVE
c = [0.01, 0.02, 0.03,0.04, 0.05]'; #TIR de los bonos
A = [ 1,2,3,4,5;1.8,5.4,10.9,18.1,27.7;1,1,1,1,1];#Duracion y Conveidad Bonos
b = [4, 20, 1]'; #Duracin y Convexidad objetivos
LB = [0,0,0,0,0]';
UB = [];
ctype = "SSS";
#"U" : An inequality constraint with an upper bound (A(i,:)*x <= b(i)).
#"F" : A free (unbounded) constraint (the constraint is ignored).
#"S" : An equality constraint (A(i,:)*x = b(i)).
#"L" : An inequality with a lower bound (A(i,:)*x >= b(i)).
vartype = "CCCCC"; # continuous variables; "I" integer variable
sense = -1; # maximization problem; s=1 minimization
[xopt, fmin, errnum, extra] = glpk (c, A, b, LB, UB, ctype, vartype, sense
Xopt= 0.00, 0.24, 0.14, 0.00, 0.62
Fmax=0.04

En otros casos el inversor podra plantearse maximizar la convexidad de su cartera


para una duracin dada que coincida con su horizonte temporal de inversin. Esto
dara lugar al siguiente problema de programacin lineal

21

C w

max

i 1

Dw

s.t.

w
i 1

i 1

wi 0 i

APNDICE: INTERS CONTINUO


El capital final C f que se obtiene al colocar un capital C a un tipo de inters r al cabo
de un tiempo T puede ser de la forma:
En el inters simple Cf C 1 rT
Inters compuesto Cf C 1 r

T
kT

Si la capitalizacin del inters compuesto se realiza k veces al ao Cf C 1


k

El inters continuo es un caso lmite del inters compuesto cuando el nmero de veces
kT
r

que se realiza la capitalizacin tiende a infinito. Como lim 1 e rT , en el inters


k
k

continuo Cf CerT
Ejercicio
Comparar las grficas de las posibles formas de capitalizacin a lo largo del tiempo
que se emplean en finanzas: inters simple, compuesto y continuo.
Para dibujar conjuntamente las grficas de las tres formas de capitalizacin
procederemos de la forma:
T=1:20; r=0.03; C=100;
C_f_simple=C*(1+r*T);
C_f_compuesto=C*(1+r).^T;
C_f_continuo=C*exp(r*T);
plot(T,C_f_simple,T,C_f_compuesto,T,C_f_continuo);
190
180
170
160
150
140
130
120
110
100

10

12

14

16

18

20

22

STOCKS
Conllevan la posesin de la firma que las ha emitido. Tienen responsabilidad
limitada: en el peor de los casos el precio ser cero y se perder lo invertido. No
tienen una maduracin predefinida. Dan derecho a pagos en dividendos que tienen
naturaleza estocstica que depende del estado de la empresa, que puede distribuir o
reinvertir sus beneficios
Un inversor puede seguir la estrategia de ventas en corto (short-selling) si piensa
que el precio del stock bajar. Para ello pedir prestada la accin a travs de un
brker. En tal caso los dividendos recibidos deben ser pagados al poseedor de la
accin. Las ventas en corto estn restringidas a cierto tipo traders; algunos inversores
institucionales, tal como los fondos de pensiones, no pueden usarlas por lo arriesgado
de su naturaleza especulativa.
TASA DE RENDIMIENTO O RENTABILIDAD DE LOS STOCKS
Si compramos un stock a un precio Pt 1 el da t-1 y lo vendemos al precio Pt al da
siguiente, podemos tener una prdida o una ganancia.
Su tasa de rendimiento o rentabilidad es

Rt

Pt Pt 1 105 100

0.05 rentabilidad 5%
Pt 1
100

Cuando el activo paga un dividendo Dt el da t su rentabilidad es

Rt

Pt Dt Pt 1
Pt 1

La rentabilidad para un periodo de k das se define como

Rt k

Pt Pt k
Pt k

El rendimiento logartmico se define como

P
P

rt log Pt log Pt 1 log t log t 1 1 log Rt 1 Rt


Pt 1
Pt 1

Los rendimientos logartmicos son aditivos:

Pt k 1
P P P
Pt k 1
P
P
P
rt k log t log t t 1 t 2 ...
log t log t 1 ... log

P P P
P
Pt k
Pt k
Pt 1
Pt 2
t 1 t 2 t 3
t k
Rt Rt 1 .... Rt k 1
Suponiendo rendimientos IID, resulta fcil encontrar la relacin entre la rentabilidad
diaria y anual.
1

E R1 ... R252 E R1 ... E R252 252 E Ri


Re ntavilidad anual 252 Re ntavilidad diaria

VOLATILIDAD DE LOS STOCKS


La volatilidad anual de los rendimientos de un activo es la raz de su varianza.

Vola = Varianza
Suponiendo que dichos rendimientos son independientes resulta fcil encontrar la
relacin entre la volatilidad diaria y anual.

Var R1 ... R252 Var R1 ... Var R252 252 Var R1


As: Vola anual Var R1 ... R252 252 Var R1 252 Vola diaria
En general

Vola Rt T T Vola Rt

Observar que

La rentabilidad y varianza media crece en proporcin al tamao muestral

La volatilidad crece en proporcin a la raz cuadrada del tamao muestral

Ejemplo: rentabilidad y volatilidad del BBVA


>> load BBVA.txt
>> plot(BBVA)
Cotizaciones diarias del BBVA
10

200

400

600

800

1000

1200

>> Rentabilidades_BBVA=diff(log(BBVA));
>> plot(Rentabilidades_BBVA)

Rendimientos diarios del BBVA


0.15

0.1

0.05

-0.05

-0.1

200

400

600

800

1000

1200

>> length(BBVA) = 1026


Suponiendo que el mercado cuenta con 252 das hbiles el nmero de aos que
contiene la serie del BBVA es
>> 1026/252 = 4.0714
La rentabilidad y volatilidad de toda la serie son:
>> Rent_BBVA_diaria=mean(Rentabilidades_BBVA) = 2.2631e-005
>> Vola_BBVA_diaria=std(Rentabilidades_BBVA) = 0.0212
Para calcular la rentabilidad y volatilidad anuales se supondr que el mercado cuenta
con 252 das hbiles.
>> Rent_BBVA_anual = Rent_BBVA_media*252 = 0.0057
Que corresponde a una rentabilidad anual 0.57 %
>> Vola_BBVA_anual = Vola_BBVA_media * sqrt(252) = 0.3366
Que corresponde a una rentabilidad anual del 33.66 %

MODELO NOMAL DE RENDIMIENTO DE LOS STOCKS


El modelo ms frecuente consiste en suponer que las rentabilidades de los activos
tienen son INDEPENDIENTES e idnticamente distribuida (IID), en particular, tienen

una distribucin normal N , 2 . Por ejemplo si un activo tiene una rentabilidad

anual R N 0.1, 0.12

esto quiere decir que

P (0.1 0.1 R 0.1 0.1) P (0 R 0.2) 0.64


P (0.1 2 0.1 R 0.1 2 0.1) P(0.1 R 0.3) 0.95

Ejemplo: Simulacin de la rentabilidad de un activo


Consideremos un activo burstil cuya rentabilidad media anual es del 12% anual y
cuya volatilidad anual del 20%. Un modelo para la rentabilidad anual de dicho activo
sera

N 0.12, 0.2

0.12 0.2 randn


3

Para simular valores de la rentabilidad diaria se procedera de la forma:

0.12 0.2 2 0.12


0.2
N
,

randn

252 252 252


252

Ejemplo
Cul es la probabilidad de que la rentabilidad de dicho activo el prximo ao sea
superior al 14%?

R 0.12 0.14 0.12


P R 0.14 1 P R 0.14 1 P

1 P z 0.1
0.2
0.2

Donde z es una variable normal tipificada. En tal caso la probabilidad 1 P z 0.1


puede hallarse por medio de la funcin cdf de MATLAB:
>> 1- cdf('norm',0.1,0,1) = 0.4602
O bien, directamente:
1- cdf('norm',0.14,0.12,0.2) = 0.4602

Ejemplo
Cul es la probabilidad de que el activo tenga maana una rentabilidad superior al
2%?

R 0.12 / 252 0.02 0.12 / 252


P R 0.02 1 P R 0.02 1 P

1 P z 1.5497
0.2 / 252
0.2 / 252
>> 1- cdf('norm',1.5497,0,1) = 0.0606
O bien, directamente:
1- cdf('norm',0.02,0.12/252,0.2/sqrt(252)) = 0.0606

Cul es la probabilidad de que el activo sufra durante el prximo mes una cada del
superior al 5%?: P R 0.05
cdf('norm',- 0.05,12*0.12/252,0.2*sqrt(12)/sqrt(252)) = 0.1009
Suponiendo que las rentabilidades tienen una distribucin t de Student, no
estandarizada, con cuatro grados de libertad y parmetros de escala

12*0.12 / 252 , 0.2* sqrt 12 / sqrt 252


Cul es la probabilidad de que el activo sufra durante el prximo mes una cada del
superior al 5%?
cdf('tlocationscale',- 0.05,4,12*0.12/252,0.2*sqrt(12)/sqrt(252)) = 0.3405
Como puede observarse ahora las colas son mucho ms pesadas.
4

MODELIZACIN DEL PRECIO DE LOS STOCKS

MODELO DE PASEO ALEATORIO: LOUIS BACHELIER (1900)


Sea Pt el precio de un stock en el cierre del da t. El modelo aditivo supone que el
precio diario sigue un modelo de paseo aleatorio

Pt diaria Pt 1 diaria t

t IID , N 0,1

Las variables aleatorias t se suponen independientes e idnticamente distribuidas, lo


que est relacionado con la hiptesis de eficiencia del mercado que establece que los
precios corrientes reflejan toda la informacin disponible hasta ese momento.
En este proceso estocstico cada da se realiza una variable aleatoria t que puede
tomar valores negativos por lo que no queda garantizado que Pt 0 . En este
modelo

los

incrementos

de

los

precios

tienen

una

distribucin

normal

2
Pt Pt 1 N diaria , diaria
.

La simulacin del precio diario de un activo dada una determinada media y volatilidad
anuales ser de la forma

Pt

anual
252

Pt 1

anual
252

t t IID , N 0,1

Ejemplo: Simulacin en MATLAB de las series de precios de tres activos


%Monte_Activos.m
%Simula los precios x, y, z de tres activos dada la media y volatilidades anuales
media_x=0.06; vola_x=0.5;
media_y=0.03; vola_y=0.3;
media_z=0.01; vola_z=0.2;
x=[];x(1)=1; y=[];y(1)=1; z=[];z(1)=1;

for i=1:252
x(i+1)=x(i)+media_x/252+vola_x/sqrt(252)*randn;
y(i+1)=y(i)+media_y/252+vola_y/sqrt(252)*randn;
z(i+1)=z(i)+media_z/252+vola_z/sqrt(252)*randn;
end
Activos=[x' y' z'];
plot(Activos)
5

MODELO DE PRECIOS A PARTIR DE LOS RENDIMIENTOS


Un modelo que tambin garantiza precios positivos, es el que supone normalidad en
los rendimientos. En trminos de rentabilidad y volatilidad anual la evolucin diaria del
precio es

Pt Pt 1

t
Pt 1
252
252
Pt Pt 1

252

Pt 1

252

Pt 1 t

t IID , N 0,1

En general, el rendimiento en periodos de h das es

Pt Pt h
h

t
Pt h
252
Es decir,

h
252

, t IID , N 0,1 .

Pt Pt h
h
h
N
, 2
, siendo , la rentabilidad y volatilidad
Pt h
252
252

anual y h el tiempo expresado en das.


EL MODELO MULTIPLICATIVO
El modelo ms universal que garantiza precios positivos, es el que supone normalidad
en los rendimientos logartmicos

log Pt / Pt 1 t

, t IID , N 0,1

siendo , la rentabilidad y volatilidad diaria.


En tal caso

Pt / Pt 1 e t Pt Pt 1 e t

, t IID , N 0,1

Este se conoce como modelo multiplicativo1 porque implica que la evolucin del
precio con el tiempo es de la forma:

Pt ut Pt 1
t
Donde ut e
son una variables aleatorias no negativas y el precio inicial P0 es

conocido. En este modelo el precio cae cuando ut 1 pero queda garantizado que

Pt 0 .

Con el fin de determinar una distribucin de probabilidad plausible para ut es til


considerar el logaritmo en la expresin Pt ut Pt 1 , resultando
1

(Brandimarte, pgina 88)

log Pt 1 log Pt log ut log Pt zt


Donde zt es el incremento del logaritmo de los precios (rentabilidad logartmica) que
se supone normalmente distribuida. A una variable como ut cuyo logaritmo es normal
se le conoce como distribucin log-normal.
Partiendo de un precio inicial P0 obtenemos
t 1

Pt uk P0
k 0

Lo que implica que


t 1

log Pt logP0 zk
k 0

Como la suma de variables normales es normal, tendremos que logPt estarn


normalmente distribuida, por lo que, de acuerdo con este modelo, los precios de los
stocks tendrn una distribucin log-normal.
Usando la notacin

E zt v Var zt
Vemos que
t 1

E logPt E logP0 zk logP0 vt


k 0

t 1

t 1
Var logPt Var logP0 zk Var zk t 2
k 0

k 0

En resumen, el modelo multiplicativo que supone que Pt / Pt 1 tiene una distribucin

logaritmo normal, es decir, log Pt / Pt 1 N , 2 , donde , estn expresadas


en las mismas unidades que el tiempo (diarias, mensuales, anuales,). En tal caso la
dinmica de los precios es de la forma:

, t IID , N 0,1

Pt Pt 1 e t

La aplicacin del lema de Ito conduce a una aproximacin ligeramente diferente:

Pt Pt 1 e

2
2

) t

, t IID , N 0,1

x
Haciendo uso de la aproximacin e 1 x , resulta la siguiente aproximacin al

modelo de rendimientos normales

Pt Pt 1 (

2
2

) Pt 1 Pt 1 t

Ejercicio
Supongamos que el precio de un activo hoy es de 2 euros por accin y que la
rentabilidad y volatilidad anual de dicho activo sean el 5% y el 10% respectivamente.
Simular la distribucin log-normal del precio del activo dentro de un ao y hallar su
histograma.
Para ello simularemos 10000 posibles precios del activo dentro de un ao:
>> P=2*exp(0.05+0.1*randn(1,10000));
>> hist(P,20)
1600
1400
1200
1000
800
600
400
200
0
1.4

1.6

1.8

2.2

2.4

2.6

2.8

Repetir la simulacin cuando la volatilidad anual del mercado sea del 40%:
>> P1=2*exp(0.05+0.4*randn(1,10000));
>> hist(P,20)
2500

2000

1500

1000

500

10

EJEMPLO DE SIMULACIN DINMICA DE PRECIOS


Consideremos un activo con rendimientos anuales log P252 / P1 N

,
2

Los rendimientos diarios sern


2
2


log Pt / Pt 1 N
,
log Pt 1 ,
log Pt N

252 252
252
252

que conduce al modelo multiplicativo

Pt e

252

log Pt 1

252

Pt 1 e

252

252

, t IID , N 0,1

sigma=0.2;mu=0.06; % volatilidad y rentabilidad anual


P=[];P(1)=1;
for i=1:252
%P(i+1)=P(i)+(mu/252)*P(i)+(sigma/sqrt(252))*P(i)*randn;
P(i+1)= P(i)*exp((mu/252)+(sigma/sqrt(252))*randn);
end
plot(P)

TRABAJO EN GRUPO PARA LOS ALUMNOS


Consideremos un activo cuyos rendimientos anuales siguen una distribucin

N 0.06, 0.22 . Supongamos que el precio hoy de dicho producto es de 1 por accin.
Mediante la simulacin de 1000 trayectorias de su precio hallar el valor de un producto
financiero que paga 100 euros dentro de un ao si el precio del activo es superior a 3.
TRABAJO EN GRUPO PARA LOS ALUMNOS
Simular la evolucin diaria de los precios del IBEX introduciendo, adems del modelo
log-normal, un proceso de Poisson que produce cadas repentinas del 4%. Para ello
estimar, empricamente, en nmero de medio de veces por ao que el IBEX 35 tiene
una cada superior al 4%. Estimar igualmente los parmetros de , de la
distribucin log-normal a partir de los rendimientos del IBEX 35. Se pueden buscar los
datos en la Web Yahoo Finance.

MODELO LOGNORMAL DE LOS PRECIOS DE UN ACTIVO


Segn hemos visto suele hacerse la hiptesis de que los rendimientos son normales

log PT / P1

N , 2 log PT

N log P1 , 2

En tal caso PT / P1 sigue una distribucin log-normal:


Si ln Y

N , 2 Y es log-normal con funcin de densidad

1
e
2 x
2

ln x
1/2

Para demostrarlo sea Y e X , X N , 2 . Sea G(y) la funcin de distribucin de Y


y F(x) la funcin de distribucin de X, y g(y) y f(y) sus funciones de densidad.

G y P Y y P e X y P X ln y F ln y
La funcin de densidad g(y) se obtiene ahora fcilmente:

g y

dG y
1
1
F ' ln y f ln y
dy
y
y

As,

f longn x

1
f norm log x
x

Ejercicio
Supongamos que la rentabilidad anual de un activo tiene una distribucin

log P252 / P1 N 0.05, 0.42 log P252 N log P1 0.05, 0.42 .


Suponiendo que el precio del activo hoy es 1.5 ( P1 1.5 ), hallar la probabilidad de que:

El precio dentro de un ao este comprendido entre 1 y 2.

El activo tenga un precio ms bajo que hoy dentro de un ao.

El precio supere dentro de un ao el valor 3.

Consideremos un producto financiero que paga 100 euros dentro de un ao si el


precio es superior a 3, y 5 euros si el precio es inferior a 3. Cul sera el precio de
este producto?

La funcin de densidad de los precios dentro de un ao condicionada a que el precio


de hoy es 1.5 ser2:
2

Esta function de densidad puede obtenerrse igualmente a partir pdf de MATLAB

Dens_lognorm=@(x) pdf('logn',x,0.05+log(1.5),0.4)

10

>>P=@(x) (1/sqrt(2*pi*0.4^2))*(1./x).*exp(-0.5*((log(x)-0.05-log(1.5))/0.4).^2)
>>fplot(P,[0,4])
0.7

0.6

0.5

0.4

0.3

0.2

0.1

0.5

1.5

2.5

3.5

La probabilidad de que el precio dentro de un ao este comprendido entre 1 y 2 es:


>> quad(P,1,2) = 0.5964
Observar que esta probabilidad se puede obtener igualmente como
>> f_logn=@(x) pdf('logn',x,0.05+log(1.5),0.4)
>> quad(f_logn,1,2) = 0.5964

La probabilidad de que el activo tenga un precio ms bajo que hoy dentro de un ao es


>> quad(P,0,1.5) = 0.4503

La probabilidad de que el precio supere dentro de un ao el valor 3 es


>> 1-quad(P,0,3) = 0.0539

El precio que tiene hoy el producto financiero ser su valor esperado, descontado,
porque se paga dentro de un ao:

E Porducto 100 Pr P 3 5 Pr P 3 100 (1-quad(P,0,3))+5 (quad(P,0,3))

1 r
1 r
1 r
100 95 quad(P,0,3) 10.1236

1 r
1 r
Qu factor de descuento emplear?
Valoracin de riesgo neutro: Suponer que el activo tiene una tasa de crecimiento
igual al activo libre de riesgo

rf 0.03

Para ello definimos una nueva log-normal con

y descontar con la tasa libre de riesgo.

rf 0.03

P_rf=@(x) (1/sqrt(2*pi*0.4^2))*(1./x).*exp(-0.5*((log(x)-0.03-log(1.5))/0.4).^2)

11

Erf Porducto
1 rf

100 Pr P _ rf 3 5 Pr P _ rf 3

1 rf

100 95 quad(P _ rf ,0,3) 9.6239

9.3436
1 rf
1.05
TRABAJO EN GRUPO PARA LOS ALUMNOS
Mediante la funcin gmdistribucion.m de MATLAB ajustar un modelo de mixtura de
dos normales a los rendimientos del BBVA. Considerar posteriormente el modelo de
precios donde log PT / P1 tiene una distribucin mixtura de dos normales.
Hallar el precio justo de un producto financiero que paga 100 euros dentro de un ao si
el precio de una accin del BBVA es superior a 6, dentro de un ao, y 5 euros si el
precio es inferior a 6. Comparar con el caso en que el modelo de precios del BBVA es
log-normal.
TRABAJO EN GRUPO PARA LOS ALUMNOS
Repetir el ejercicio anterior suponiendo que log PT / P1 tiene una distribucin t de
Student no estandarizada. Para ajustar la distribucin t emplear la funcin fitdist.m
que permite ajustar una distribucin a los datos.
Por ejemplo:
>> x=randn(10000,1);
>> fitdist(x,'tlocationscale')
ans = tlocationscale distribution
mu = -0.00122349
sigma = 0.985485
nu = 260.577

Ver tambien: http://es.mathworks.com/help/stats/fitdist.html

12

CRTICAS AL MODELO NORMAL DE RENDIMIENTOS


Existencia de eventos extremos.
Las volatilidades y correlaciones son estadsticos heredados de la distribucin normal
pero los rendimientos de los activos, a corto plazo, no son normales. De acuerdo
a la normalidad los acontecimientos de 1987, 1995, 1998, 2008 etc, no deberan haber
ocurrido.
Un intento para capturar eventos de las colas de la distribucin es introducir los
momentos de alto orden (sesgo y kurtosis) para medir grandes desviaciones de
la normalidad. El sesgo (skew) da cuanta de la asimetra de la distribucin de
rendimientos:

E R E ( R)

3
El sesgo negativo es tpico del mercado de acciones y es sntoma de sorpresas
negativas. Los rendimientos de las acciones a corto plazo (diarios, mensuales)
muestran sesgo negativo. En cambio, Existe evidencia, en cambio, que los
rendimientos a largo plazo, por ejemplo plazos de 30 aos, s son normales.

El sesgo positivo es tpico del mercado de bonos y es sntoma de sorpresas


positivas

La kurtosis mide el peso de las colas de la distribucin.

E R E ( R)

4
Para una distribucin normal el sesgo es cero y la kurtosis toma el valor 3.
13

Las funciones de MATLAB skewness y kurtosis, proporcionan el sesgo y la kurtosis de


una muestra.

Ejemplo
>> load BBVA.txt
>> rend_BBVA=diff(log(BBVA));

>> skewness(rend_BBVA) = 0.1563


>> kurtosis(rend_BBVA) = 4.8964

TRABAJO EN GRUPO PARA LOS ALUMNOS


Estimar, mediante bootstraping, la varianza del sesgo y de la kurtosis de una muestra.
Pista: usar la funcin round para el remuestreo; por ejemplo, si la muestra tiene 50
observaciones, round(50*rand(1,20)) nos proporcionara 20 ndices de sendas
observaciones tomadas con reemplazamiento, de entre otras 50 observaciones.
TRABAJO EN GRUPO PARA LOS ALUMNOS
Desarrollos en serie de Gram-Charlier en torno a una normal usando momentos de
orden superior.

14

Dos distribuciones con la misma varianza se pueden comparar por su cuarto


memento. El exceso de kurtosis y las colas gruesas es un fenmeno tpico en todos
los mercados de stocks, bonos, hedge funds, etc..

1.
MIXTURA DE NORMALES
Para de modelizar la asimetra y la kurtosis suelen estudiarse las mezclas de
normales:
Buenos tiempos el 80% de las veces.
Malos tiempos el 20% de las veces.

La distribucin es

f ( R) p f Bad Normal (1 p) f Good Normal

15

LA DISTRIBUCIN t DE STUDENT
La distribucin t de Student es la distribucin de probabilidad del cociente

donde

Z es una variable aleatoria distribuida segn una normal tpica (de media nula y
varianza 1).

V es una variable aleatoria que sigue una distribucin con grados de


libertad.

Z y V son independientes
Si es una constante no nula, el cociente

Z
es una variable aleatoria que sigue
V /

la distribucin t de Student no central con parmetro de no-centralidad

Aparicin y especificaciones de la distribucin t de Student


Supongamos que X1,..., Xn son variables aleatorias independientes distribuidas
normalmente, con media y varianza 2. Sea

la media muestral. Entonces

sigue una distribucin normal de media 0 y varianza 1.


Sin embargo, dado que la desviacin estndar no siempre es conocida de antemano,
Gosset estudi un cociente relacionado,

es la varianza muestral y demostr que la funcin de densidad de T es

1
1
2
f (x/ )
x 2 21

(1 )

2
donde es igual a n 1.
La distribucin de T se llama t de Student.
16

El parmetro

representa el nmero de grados de libertad.

Para 1 la media de la distribucin existe y vele 0. Para 2 su varianza existe y


vale / 2 .

La distribucin t puede generalizarse a 3 parmetros, introduciendo un parmero


locacional

y otro de escala

. El resultado es una distribucin t de Student no

estandarizada cuya densidad est definida por:

f (x/ , , )

1
2
1

1 x 2 2
2 1

Otras propiedades de esta versin de la distribucin t son:

En MATLAB
nctpdf Noncentral T probability density function (pdf).
Y = NCTPDF(X,V,DELTA) Returns the noncentral T pdf with V degrees
of freedom and noncentrality parameter, DELTA, at the values in X.

Es fcil comparar las funciones de densidad de ambas distribuciones mediante la


funcin pdf de MATLAB.
>> y_t=pdf('t',[-5:0.01:5],2);
>> y_n=pdf('norm',[-5:0.01:5],0,1);
>> plot([-5:0.01:5],y_t,[-5:0.01:5],y_n),title('Distribuciones N(0,1) y t con 2 grados de
libertad')

17

Distribuciones N(0,1) y t con 4 grados de libertad


0.4
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
-5

-4

-3

-2

-1

Como se observa las colas de la distribucin t son ms pesadas y permiten con mayor
probabilidad la existencia de eventos extremos.
Tambin puede observarse que la distribucin de Cauchy coincide con una
distribucin t de un grado de libertad.
Cuando el nmero de grados de libertad tiende a infinito la distribucin t coincide con
la normal
Ejemplo
>> pdf('t',1,100000) = 0.2420

>> pdf('norm',1,0,1) = 0.2420

CONTRASTE DE NORMALIDAD DE LOS RENDIMIENTOS


El contraste chi-cuadrado de bondad de ajuste agrupa los datos en intervalos de clase
y calcula el nmero O de datos observados y E de esperados segn la distribucin. El
estadstico sum((O-E).^2./E) tiene una distribucin chi-cuadrado para un nmero de
datos suficientemente grande.
En MATLAB se implementa con chi2gof.
[H,P,STATS] = chi2gof(sample, 'CDF',pd, 'Alpha',0.05)

Los inputs son los siguientes:

Datos en columna.

Parmetros de la cdf que se recogen en pd

Nivel de significacin (Alfa) del contraste que suponemos 0.05.


18

Los outputs son

H=0 si la H0 de distribucin normal no se rechaza a un nivel de significacin del


5%. H=1 si la H0 se rechaza.

P es el p-valor: probabilidad de rechazar H0 siendo cierta. H0 es rechazada si


P<Alfa.

STATS es una variable con estructura con los siguientes campos:

'chi2stat' Chi-square statistic


'df'
'edges'

Degrees of freedom
Vector of bin edges after pooling

'O'

Observed count in each bin

'E'

Expected count in each bin

Ejemplo:
Contraste de normalidad de rentabilidades con los datos del BBVA.
>> load BBVA.txt
Primero se ajustan los parmetros de la distribucin de probabilidad (pd) mediante
fitdist:
>> pd = fitdist(rend_BBVA,'norm');
>> pd
mu = 2.26311e-005
sigma = 0.0212017

Ahora se realiza el contraste chi-cuadrado de bondad de ajuste


[H,P,STATS] = chi2gof(rend_BBVA, 'CDF',pd, 'Alpha',0.05)
H=1
P = 3.5297e-010

STATS
chi2stat: 50.0473
df: 4
edges: [1x8 double]
O: [26 68 221 426 204 56 24]
E: [16,25 87,02 247,48 345,00 236,05 79,16 14,04]

Veamos que tambin se rechaza una distribucin t de Student no estandarizada.


>> pd = fitdist(rend_BBVA,'t')
19

pd =
tlocationscale distribution
mu = -0.000108546
sigma = 0.0161606
nu = 4.43738
>> [H,P] = chi2gof(rend_BBVA, 'CDF',pd, 'Alpha',0.05)
H=1
P = 0.0453

EJERCICIO EN GRUPO PARA LOS ALUMNOS


Programar el contraste chi-cuadrado de bondad de ajuste para una mixtura de
normales. Para ello ajustar los datos de rendimientos del BBVA a una mistura de dos
normales mediante
>> gmdistribution.fit(rend_BBVA,2)
A continuacin construir la funcin de probabilidad de la mixtura

f x; 1 , 12 , 2 , 22 , N1 x; 1 , 12 1 N 2 x; 2 , 22

1
2

2
1

1 x 1

2 1

1
2 22

1 x 2

2 2

Despus dividir el rango de rendimientos en diez intervalos de clase del mismo tamao
y contar el nmero de observaciones que hay en cada clase. Finalmente estimar los
valores esperados por la mixtura en cada intervalo de case en funcin de su
probabilidad. Usar para ello la funcin quad(mixtura, clase_i,clase_i+1).
Para realizar el contraste chi-cuadrado de bondad de ajuste considerar el estadstico
sum((O-E).^2./E) donde O de datos observados y E de esperados segn la
distribucin en cada intervalo de clase. Esta distribucin es una chi-cuadrado de 10
grados de libertad.
Pista: para encontrar el nmero de observaciones contenidas en el intervalo
[clase_i,clase_i+1), usar la funcin find.m, que proporciona los ndices de las
observaciones:
>>indices=find( x>=clase_i & x<clase_i+1);
>>x(indices) % da los elementos de x dentro de la clase.
Probar, igualmente, con sum(x>=clase_i & x<clase_i+1)

20

COMPARACIN DE INVERSIONES
Una inversin puede definirse por medio de la distribucin de probabilidad de los
posibles resultados.
Consideremos, por ejemplo, dos inversiones I1 e I2 cuyas distribuciones de
probabilidad son las siguientes:

Rendimientos de dos inversiones I1 y I2


Rendimientos

0%

10%

20%

30%

Prob Invers I1

0.2

0.3

0.4

0.1

Prob Invers I2

0.3

0.2

0.3

0.2

Cul de las dos inversiones prefiere un inversor?


Algunos inversores podran considerar que la mejor inversin sera la que proporciona
la mxima rentabilidad esperada por lo que seran indiferentes a las dos anteriores.
4

E I 1 xi pi 0 0.2 0.1 0.3 0.2 0.4 0.3 0.1 0.14


1 1
4

E I 2 xi pi 0 0.3 0.1 0.2 0.2 0.3 0.3 0.2 0.14


1 1

Ejercicio
Cul de las siguientes inversiones preferiras?
Rendimientos de tres inversiones I1, I2 y I3
Rendimientos

-30% -20% -10% 0% 10% 20% 30%

Prob Invers I1 0

0.2

0.6

0.2

Prob Invers I2 0.1

0.1

0.1

0.4

0.1

0.1

0.1

Prob Invers I3 0.5

0.5

Ejercicios
Qu preferiras, participar en la siguiente inversin, un billete de lotera que paga un
milln de euros con probabilidad 0.0001 o que te den 50 euros en metlico? Calcula
los pagos esperados.

Premios

-300 -200 -100 0

Probabilidad 0

0.1

100 200 300

0.4 0.5

21

Cuando se considera la rentabilidad una variable continua se presenta el mismo


problema. Supongamos dos activos cuyas rentabilidades anuales son variables

aleatorias R1 N 0.1, 0.22 , R2 N 0.15, 0.42 .


En este caso E R1 0.1, E R2 0.15 y el criterio de seleccionar un activo por su
rentabilidad esperada conduce al segundo activo.

Las dudas sobre el criterio de mxima rentabilidad esperada se suscitan por medio de
la paradoja de San Petersburgo que considera una inversin que proporciona los
siguientes pagos con las siguientes probabilidades:

Pagos

Probabilidad 1/2

16

2n ..

1/4

1/8

1/16

1 / 2n .

22

LA PARADOJA DE SAN PETERSBURGO


(Teora de Juegos, Binmore, pgina 104, Brandimarte, pgina 41)
Consideremos el juego de azar donde se lanza sucesivamente una moneda hasta
que salga cara. Si esto ocurre en el k-simo intento se ganan 2 k unidades
monetarias.
Si sale cara la primera vez el jugador gana 21 = 2 ; si la cara sale en el segundo
lanzamiento gana 22 = 4 ; si sale en el tercero 23 = 8; si en el cuarto 24 = 16,..

Cunto deberamos de estar dispuestos a pagar por participar en este juego?.


En tal caso, el valor esperado del juego es

1
1
1
2 prob(C ) 4 prob(C ) 8 prob( C ) ... 2 4 8 ... 1 1 1 ...
2
4
8
Como el valor esperado de este juego es infinita deberamos estar dispuestos a pagar
cualquier cantidad, por grande que fuese por participar en l. No obstante nadie
probablemente lo hara, especialmente si se observa que la probabilidad de conseguir
ms de 32 euros (tienen que salir al principio al menos 4 cruces seguidas), es slo de
1/16.
Este juego pone de manifiesto que el valor esperado que se deriva de una
situacin aleatoria no es suficiente para describir el comportamiento de un
jugador ante el juego o de un inversor ante un negocio. Es necesario describir
otra informacin que tenga en cuenta la actitud frente al riesgo de los inversores, tal
como la varianza de las rentabilidades o sus cuantiles, lo que viene caracterizado por
su funcin de utilidad. Si medimos el riesgo por medio de la varianza de los
rendimientos obtenemos la teora media-varianza de Marcowitz.

LA UTILIDAD ESPERADA
La solucin propuesta por Daniel Bernoulli a la paradoja de San Petersburgo considera
que el jugador debe atender a su funcin de utilidad y al valor de la utilidad esperada.

La utilidad esperada permite resolver la paradoja de San Petersburgo.


Supongamos un jugador cuya utilidad frente al dinero viene descrita por medio de la
funcin de utilidad

u ( x) 2 x
23

Su utilidad esperada para el juego de San Petersburgo se define como


2

1
1
1
E u ( X ) u (2) u (22 ) u (23 ) ...
2
2
2
1
1
2 2
2
2

1
22
2

2 2
23 ...
4.8285
2 2

El nmero 4.8285 es la utilidad media que recibiremos por participar en el juego y


esta medido en unidades de utilidad. La cantidad monetaria que estaremos
dispuestos a pagar por participar en el juego ser el equivalente cierto a dicha
utilidad media que recibiremos por participar. As, el jugador ser indiferente ante la
participacin en el juego y una cantidad de dinero segura EC ( X ) si sus utilidades son
las mismas, es decir,

u ( EC ( X )) E u ( X )
2 EC ( X ) 4.8285
EC ( X ) 5.8286
Luego un jugador con esta utilidad pagara como mximo la cantidad de 5.8285 euros
por participar en el juego.
Para otro jugador con otra funcin de utilidad el equivalente cierto que estara
dispuesto a pagar sera distinto. Supongamos otro jugador con utilidad logartmica

u( x) log x .
En este caso la utilidad esperada ser
2

1
1
1
E u ( X ) log(2) log(22 ) log(23 ) ...
2
2
2
2
3

n
1 1

1
log 2 2 3 ... log 2 n 2 log 2 log 4
2
n 1 2
2 2

Puede verse, cmo ejercicio de MATLAB4, que

2
n 1

2.

En este caso para hallar el equivalente cierto

u ( EC ( X )) E u ( X ) log 4
log EC ( X ) log 4
EC ( X ) 4

2/2

Suma de los trminos de una progresin geomtrica de razn

Estudiar, igualmente, como ejercicio de MATLAB la suma de las series

1
y

n 1 n

n
n 1

24

Ejemplo
Sean las dos inversiones consideradas previamente. Supongamos un inversor cuya
funcin de utilidad fuese u ( x)

x . Aadimos una nueva fila con la utilidad de las

rentabilidades:

Rendimientos de dos inversiones I1 y I2


Rendimientos

0% 10%

Utilidad rendimientos 0

0.1

20%

30%

0.2

0.3

Prob Invers I1

0.2

0.3

0.4

0.1

Prob Invers I2

0.3

0.2

0.3

0.2

E u I1 0.3285 , E u I 2 0.3070
EL CRITERIO MEDIA VARIANZA EN UNA INVERSIN
Consideremos un inversor con una funcin de utilidad exponencial

U W exp W , 0
Supongamos que desea invertir en una cartera cuyos rendimientos son normalmente

distribuidos N , 2 .

suele interpretarse como el coeficiente de aversin al riego absoluto

U '' W
que indica las preferencias de riesgo del inversor.
U ' W

Desarrollando por Taylor la funcin U W en el entorno de su media resulta

1
2
U W U U ' W U '' W
2
2
Tomando esperanzas y teniendo en cuenta que E W 0 , E W
2

1
U EC W E U W U P2U ''
2
Resulta
2
1
exp EC exp 1
2

25

1
2
EC
1
Es decir, e
2

Teniendo en cuenta la aproximacin de segundo orden del logaritmo

ln 1 x x
Resulta que

1
EC 2
2
La mejor inversin es aquella que maximiza el equivalente cierto, que penaliza la
varianza de los rendimientos de la inversin. Observar que cuanto ms averso al
riesgo es el inversor mayor es el valor de .

Ejemplo
Consideremos un inversor que tiene una funcin de utilidad exponencial

U W exp W , 1 y que decide entre dos inversiones I1 , I 2 cuyas


rentabilidades son N 0.15,0.2 y N 0.1,0.1

1
2
0.2 0.13
2
Con una aversin al riesgo 1 el inversor prefiere I1 .
1
2
EC2 0.1 0.1 0.095
2
EC1 0.15

Supongamos ahora que su funcin de utilidad es U W exp W , 5 .


Entonces

1
2
EC1 0.15 5 0.2 0.05
2
Con una aversin al riesgo 5 el inversor prefiere I 2 .
1
2
EC2 0.1 5 0.1 0.075
2
LA RATIO DE SHARPE.
El criterio ms universalmente empleado para la seleccin de inversiones es la ratio de
Sharpe que proporciona la rentabilidad obtenida por cada unidad de riesgo
soportado de una inversin.

Ri R f

26

Mide el exceso de rendimiento esperado sobre el activo libre de riesgo R f por invertir
en un activo, expresado en unidades de riesgo, es decir, el rendimiento adicional que
se necesita para compensar por una unidad adicional de riesgo.
Ejemplo

R f 0.05

Inversin 1

Inversin 2

Rentabilidad

0.1

0.08

Riesgo

0.3

0.2

Ratio de Sharpe

0.1667

0.1500

La inversin 1 sera preferida a la 2.

TRABAJO EN GRUPO: EXTENSIONES DE LA RATIO DE SHARPE


Dada una serie temporal de los precios de un activo, programar con MATLAB la ratio
de Sharpe, la ratio de Sortino y la ratio Omega.

The Sortino ratio, Sortino y Van Der Meer (1991), is a modification of Sharpe ratio
which penalizes only those returns falling below a user-specific target and its
expression is:

Sortino p

E R p MAR
1 T
( Rp,t MAR)2 , MAR Rp,t
T t 0

(2)

where MAR is the minimum accepted ratio, in our case is the benchmark return, Rp,t is
the portfolio return at moment t and T is the number of observations.
The Omega ratio, Keating y Shadwick (2002), which involves partitioning returns into
loss and gain above and below a given threshold and is defined as the ratio of the
probability of having a gain by the probability of having a loss, that is :

1 F x dx ,
F x dx

(3)

where F is a return distribution accumulative function which doesnt have to be a


normal distribution and r is the point which splits profits and losses.

27

DIVERSIFICACIN: ELEGIR TODOS LOS ACTIVOS. NUNCA PONER TODOS LOS


HUEVOS EN LA MISMA CESTA

DIVERSIFICACIN
Consideremos un inversor que debe colocar su riqueza en n activos. El rendimiento de
cada activo ser una variable aleatoria Ri con valor esperado E Ri i . Llamando

wi al tanto por ciento de la inversin colocada en el activo i. Descartando ventas en


corto estas variables de decisin cumplen 0 wi 1 .
El inversor puede resolver el problema de optimizacin
n

max i wi
i 1
n

s.t

w 1
i 1

wi 0
Su solucin es trivial: elegir el activo de mxima rentabilidad esperada i* arg max i
i 1,..., n

y tomar wi* 1 . Esto conduce a poner todos los huevos en la misma cesta.
La tenencia de carteras de activos reduce el riesgo con respecto al riesgo relativo a
cada uno de los activos individuales.

Un inversor racional no slo tiene en cuenta la suma de las varianzas individuales


de sus activos sino que tambin su covariabilidad.

El riesgo de la cartera se reduce con la combinacin de activos con variabilidades


contrapuestas mediante correlaciones negativas.

Esto proporciona una forma natural de cobertura de riesgos en una cartera


mediante la introduccin de activos que tengan una covarianza negativa.
Los beneficios de la diversificacin se obtienen siempre que no exista una
correlacin perfecta entre todos los activos.
Cuando un inversor compra un activo tiene en cuenta tanto la forma que el nuevo
activo afectar el rendimiento esperado de su cartera como la forma en que
afectar al riesgo de la cartera. La contribucin de un nuevo activo al riesgo de una
cartera se mide por la covarianza de ese activo con los restantes. El inversor puede
aceptar la introduccin en su cartera activos de bajo rendimiento porque pueden
reducir su riesgo.

28

CARTERAS
Cartera con posiciones en k activos.

Pit el precio del activo i-simo en el tiempo t.


En el tiempo 0 hemos comprado un nmero

ni

de unidades del activo i.

n1 , n2 ,..., nk vector de asignacin de activos en el tiempo 0.


Posiciones largas todas las participaciones son positivas.
Posiciones cortas: hay participaciones negativas.
Una posicin corta puede conseguirse tomando una posicin corta en un futuro del
activo o haciendo una venta en corto, lo que requiere usar el mercado repo para pedir
prestado el activo que no poseemos, con el acuerdo de devolverlo en una fecha futura;
el activo tambin podra pedirse prestado a un brker.
Para t>0 el valor de la cartera es la suma de los productos de los precios de los
activos por la participacin en cada uno de ellos
k

Valor _ Portfoliot ni Pit


i 1

La proporcin de capital invertido en cierto activo i en el tiempo t se llama el peso


de la cartera en dicho activo:

wit

ni Pit
Valor _ Portfoliot

Cartera autofinanciada: la suma de sus pesos es cero.


Cartera totalmente financiada: la suma de sus pesos es uno.

29

Cuando las cantidades invertidas en cada activo permanecen constantes la proporcin


de capital invertido en cada activo cambia si el precio de alguno de los activos cambia.
Por tanto, los pesos de la cartera cambiarn con el tiempo a menos que sta sea
continuamente reequilibrada a travs de uno de los activos.

Ejercicio
Supongamos que invertimos en dos activos cuyos precios en euros al comienzo de
cuatro aos consecutivos se muestran en la tabla. Al comienzo de 2003 compramos
600 unidades del activo 1 y 200 unidades del activo 2. Encontrar el valor de la cartera
y sus pesos para el resto del periodo suponiendo que no sufre reequilibrios.
Precio de los activos
Ao

Precio del activo 1

Precio del activo 2

2003

100

200

2004

125

500

2005

80

250

2006

120

400

30

TEORA DE CARTERAS: RENDIMIENTO Y RIESGO DE UNA CARTERA


En el modelo solo hay dos periodos: el presente, en el que se conocen con certeza
los rendimientos, el futuro donde las rentabilidades son variables aleatorias; as, el
inversor compra distribuciones de probabilidad.
Supondremos que los rendimientos de los activos que forman la cartera durante el
prximo periodo son variables aleatorias Ri i 1 con una distribucin normal
n

multivariante con matriz de covarianzas

Cartera con dos activos, con pesos w ( w1 , w2 ) , el rendimiento de la cartera ser


una variable aleatoria

R p w1 R1 w2 R2
El rendimiento esperado de la cartera ser

E R p w1 E R1 w2 E R2
El riesgo de la cartera vendr medido por la varianza del rendimiento.

2 VaR Rp VaR w1R1 w2 R2 E w1 R1 E R1 w2 R2 E R2


2

w12Var ( R1 ) w22Var ( R2 ) 2w1w2Cov( R1 , R2 )


En forma matricial

Cov( R1 , R2 ) w1
Var ( R1 )

Var ( R2 ) w2
Cov( R1 , R2 )

2 Var ( R p ) w1 w2
w1

12
w2
1 2

1 2 w1

22 w2

31

CARTERAS CON N ACTIVOS

La rentabilidad de la cartera ser una variable aleatoria

R p wi Ri
i 1

E ( R p ) wi E ( Ri ) w ' E R
N

Su valor esperado

i 1

Llamando

w w1 ,..., wN ' , su riesgo se medir mediante su varianza

i 1

i , j 1
i j

2 Var ( R p ) Var wi Ri wi2 Var Ri wi w j Cov Ri , R j


N

i 1

w
i 1

2
i

wi w j ij wi w j ij w ' w
2
i

i , j 1
i j

i 1 j 1

es la matriz de varianzas y covarianzas. Para el caso de tres activos la expresin


de la varianza es

11 12 13 w1

wi w j ij w w w1 w2 w3 21 22 23
w2

i 1 j 1


31 32 33 w3
12
12 1 2 13 1 3 w1

w1 w2 w3 12 1 2
22
23 2 3 w2
13 1 3 23 2 3
32 w3

2
p

La raz de su varianza que se tambin se conoce como volatilidad

p w ' w

32

DE DNDE PROVIENE EL BENEFICIO DE LA DIVERSIFICACIN

Var (w1 R1 w 2 R2 ) Var (w1 R1 ) Var (w 2 R 2 ) 2Cov(w1 R1 , w 2 R2 )


w12 12 w2 2 22 2w1w2 1 2
Si

Var (w1 R1 w 2 R2 ) w12 12 w22 22 2 w1w 2 1 2 w1 1 w 2 2


En el caso

1 2

y w1 w2 la varianza es cero con lo que hay una cobertura total

ante el riesgo pero rentabilidad cero.

Si

1 Var (w1 R1 w 2 R2 ) w12 12 w22 22 2 w1w 2 1 2 w1 1 w 2 2 2

Con lo que

(w1 R1 w 2 R2 ) 1 2
Para

no se obtiene ningn beneficio de la diversificacin.

Var (w1 R1 w 2 R2 ) w1212 w22 22 2 w1w 2 1 2


w12 12 w22 22 2 w1w 2 1 2 2( 1) w1w 2 1 2

w1 1 w 2 2
Como

2( 1) w1w 2 1 2

1 0 concluimos que

(w1 R1 w 2 R2 ) w1 1 w 2 2

En resumen, dada la cartera

R p w1 R1 w2 R2

Var R p w12 12 w2 2 22 2w1w2 1 2


La varianza es una funcin creciente de la correlacin:
toma un valor mnimo w1 1 w2 2 cuando 1
2

y un valor mximo w1 1 w2 2 cuando 1


2

Por tanto

w11 w2 2

Var Rp w11 w2 2

La volatilidad de la cartera siempre es menor o igual que la suma ponderada de las


volatilidades de cada uno de sus componentes
33

Rp Var Rp w11 w2 2
Esta propiedad puede expresarse de forma ms abstracta diciendo que, mientras que
la rentabilidad es una funcin lineal, la Desviacin Standard (DS) es una funcin
convexa:

E ( w1R1 w2 R2 ) w1E ( R1 ) w2 E ( R2 )
DS ( w1R1 w2 R2 ) w1DS ( R1 ) w2 DS ( R2 )
Estas dos ecuaciones pueden leerse diciendo que la diversificacin es el nico
free lunch en economa, reduce el riesgo sin reducir el rendimiento.

CARTERAS CON N ACTIVOS


Esta igualdad puede generalizarse a una cartera de muchos activos
N

p w w wi i
t

i 1

donde la igualdad se produce en caso de correlacin perfecta.

34

LA DIVERSIFICACIN EN CARTERAS CON MUCHO ACTIVOS


Cuando hay muchos activos los beneficios de la diversificacin pueden obtenerse
incluso si los activos estn incorrelacionados.
Supongamos una cartera donde todas las varianzas de los stocks son iguales a V 0

i2 V 2 , que las covarianzas son iguales a

C 0 ij C

y que todos los inversores

invierten con iguales pesos en cada stock.


Al aumentar el nmero de ttulos, el papel de las varianzas individuales llega a
ser despreciable y la varianza de la cartera depender slo de la suma de las
covarianzas ponderadas:
En tal caso wi 1/ N .
Sabemos que
N

i 1

i , j 1
i j

i 1

i , j 1
i j

Var ( R p ) wi2 i2 wi w j ij wi2 i2 2 wi w j ij


El nmero de covarianzas que aparecen en la expresin anterior es:

12 , 13 ,.........., 1N
23 , 24 ,..., 2 N
.....................

N 1 N

N 1 N 2 ... 2 1

N N 1
2

y por tanto
N

i 1

i , j 1
i j

Var ( R p ) wi2 i2 2 wi w j ij

As,

1
1 1 N N 1
V2
1
2
NV

2
C

1 C
2
N
N N
2
N N

lim Var ( R p ) C

Supongamos que todos los activos estn incorrelacionados. En este caso, la


varianza de la cartera tiende a cero.

35

EFECTO DE LA CORRELACIN SOBRE LA VOLATILIDAD DE UNA CARTERA


Sean dos activos cuyas volatilidades son del 20% y el 40% ; el 75% de los fondos se
invierten en el activo de volatilidad ms baja. Ver que cuanto ms baja sea la
correlacin entre sus activos, ms baja ser la volatilidad de dicha cartera.

Var R p w12 12 w2 2 22 2w1w2 1 2


w1=0.75;
w2=0.25;
sigma1=20;
sigma2=40;
ro=-1:0.01:1;
Varianza=w1^2*sigma1^2+w2^2*sigma2^2+2*ro*w1*w2*sigma1*sigma2;
Vola=sqrt(Varianza);

plot(ro,Vola); title('Efecto de la correlacin sobre la volatilidad');


xlabel('Correlacin');ylabel('Volatilidad')

Efecto de la correlacin sobre la volatilidad


25

Volatilidad

20

15

10

5
-1

-0.8

-0.6

-0.4

-0.2

0
0.2
Correlacin

0.4

0.6

0.8

36

CARTERAS DE MNIMA VARIANZA


La varianza es una funcin de los pesos de una cartera

Var Rp w12 12 w2 2 22 2w1w2 1 2


w12 12 1 w1 22 2w1 1 w1 1 2
2

Ejemplo
Consideremos dos activos con riesgo cuyas volatilidades son del 20% y el 40% y cuya
correlacin es -0.5. Dibujemos su volatilidad en funcin del peso del activo 1.
w1=0:0.01:1;
sigma1=20;
sigma2=40;
ro=-0.5;
Varianza=w1.^2*sigma1^2+(1-w1).^2*sigma2^2+2*ro*w1.*(1-w1)*sigma1*sigma2;
Vola=sqrt(Varianza);
plot(w1,Vola); title('Efecto del peso sobre la volatilidad'); xlabel('Peso del activo
1');ylabel('Volatilidad')

Efecto del peso sobre la volatilidad


40

35

Volatilidad

30

25

20

15

10

0.1

0.2

0.3

0.4
0.5
0.6
Peso del activo 1

0.7

0.8

0.9

37

CMO DEBERAMOS ELEGIR LOS PESOS EN UNA CARTERA PARA QUE SU


VARIANZA SEA MNIMA?

Ejemplo
Consideremos dos activos con riesgo cuyas volatilidades son del 20% y el 30% y cuya
correlacin es -0.25. Qu asignacin de pesos minizar la varianza de la cartera?

Var Rp w12 12 w2 2 22 2w1w2 1 2


w12 12 1 w1 22 2w1 1 w1 1 2
2

V w 400w12 900 1 w1 300w1 1 w1 102 16w12 21w1 9


2

d V w
dw

102 32w 21 0 w*

21
0.65625
32

As, para una inversin de un milln de euros la cartera de mnima varianza implica
una inversin en el activo 1 de 656,250 y en el segundo activo 343,750.

Ejercicio
Comprobar que la volatilidad de la cartera de mnima varianza es 14.52%, que es
considerablemente inferior a la volatilidad de cada uno de los activos individuales.

38

CMO DIVERSIFICAR CON CORRELACIN ELEVADA?:


CARTERA CON POSICIONES CORTAS
Ejemplo
Consideremos dos activos con riesgo cuyas volatilidades son del 20% y el 30% y cuya
correlacin es 0.9. Con una correlacin tan alta la cartera de mnima varianza se
produce para w 1.636 . Si la cantidad que posee el inversor para realizar la inversin
es de 100, en este caso invertiramos 163.6 en el activo 1 tomando una posicin
corta de 63.6 en el activo 2 (pedimos prestado 63.6 del activo 2, seguidamente lo
vendemos y destinamos los 63.6, junto con los 100 de que disponamos, en
financiar la posicin larga de 163.6 en el activo 1). En este caso la volatilidad de la
cartera w1 1.636 , w2 0.636 es del 17.6327%.
Si no queremos tomar posiciones cortas y obligamos a que 0 w 1 , la
volatilidad mnima de la cartera es del 20% y se consigue con w=1 invirtiendo
exclusivamente en el activo de menor volatilidad.
Efecto del peso sobre la volatilidad
30

28

Volatilidad

26

24

22

20

18

16
0

0.2

0.4

0.6

0.8
1
1.2
Peso del activo 1

1.4

1.6

1.8

39

En general, dada la varianza de una cartera cualquiera

Var Rp w212 1 w 22 2w 1 w 1 2
2

El peso del Activo 1 en la cartera de varianza mnima ser

w*

22 1 2
12 22 2 1 2

El denominador es siempre positivo: 12 22 21 2 1 2 1 2 22


2

Resulta entonces que


0 w* 1 min 1 , 2
2 1
En el caso de una cartera con muchos activos el problema de obtener los pesos que
minimizan la varianza de la cartera: min w ' w sujeto a las restricciones
w

tiene una expresin analticas wi i i


i 1
elementos in la columna i-sima de

w
i 1

1,

donde i es la suma de todos los

1 . La varianza de dicha cartera es

V * i .
i 1

40

LA DISYUNTIVA EN AUMENTAR LA RENTABILIDAD DE UNA CARTERA Y


DISMINUIR SU RIESGO
Supongamos que:
Activo 1 tiene un rendimiento esperado del 5% y volatilidad 20%.
Activo 2 tiene un rendimiento esperado del 60% y volatilidad 20%.
Su correlacin es -0.55.
Veamos cmo cambian simultneamente los rendimientos de la cartera y su volatilidad
cuando cambian los pesos.
w=0:0.01:1;
mu1=5;sigma1=20; % tambin podra ser mu1=0.05;sigma1=0.2;
mu2=60;sigma2=20; % tambin podra ser mu1=0.6;sigma1=0.2;
ro=-0.55;
Rend_esp=mu1*w+mu2*(1-w);
Varianza=w.^2*sigma1^2+(1-w).^2*sigma2^2+2*ro*w.*(1-w)*sigma1*sigma2;
Vola=sqrt(Varianza);
plot(w,Rend_esp,w,Vola); title('Riesgo y rendimiento de una cartera en funcin del
peso'); xlabel('Peso del activo 1');ylabel('Volatilidad y Rencimiento')

Riesgo y rendimiento de una cartera en funcin del peso


60

Volatilidad y Rencimiento

50

40

30

20

10

0.1

0.2

0.3

0.4
0.5
0.6
Peso del activo 1

0.7

0.8

0.9

El rendimiento esperado de la cartera caer con el peso w pero su volatilidad presenta


forma de U. A medida que w aumenta entre 0 y 0.5 tanto la rentabilidad como la
volatilidad disminuyen. En 0.5 se produce la cartera de varianza mnima y para

0.5 w 1 ninguna de esas carteras son interesantes para el inversor pues


para 0 w 0.5 tienen otras carteras de la misma varianza pero mayor rentabilidad.
Si dibujamos la volatilidad de la cartera frente a su rentabilidad:
41

plot(Vola,Rend_esp); title('Rendimiento frente al riesgo');


xlabel('Volatilidad');ylabel('Rencimiento esperado')
Rendimiento frente al riesgo
60

Activo 2

Rencimiento esperado

50

40

30

20

10

10

12

14
Volatilidad

16

18

20

Activo 1

El Activo 2 N (60, 202 ) siempre ser preferido individualmente al Activo 1 que es

N (5, 202 ) ; no obstante el Activo 1 juega un papel en la diversificacin permitiendo


muchas otras carteras con menor rendimiento pero de menor riesgo.

Ejercicio
Estudiar la evolucin del grfico anterior cuando hacemos que la correlacin entre los
activos vare ente -1 y 1.

42

TEORA DE MARKOWITZ DEL COMPORTAMIENTO RACIONAL DEL INVERSOR


El comportamiento de un activo depende exclusivamente:

La rentabilidad esperada, que es la esperanza de una variable aleatoria.

La varianza. Su raz cuadrada se llama volatilidad y mide el riesgo del activo.


Los inversores sienten aversin al riesgo:

Ei E j
Ai
i j
Ei E j
Aj
i j

Aj
Ai

Un inverso racional busca una cartera eficiente minimizando el riesgo para un


determinado objetivo de rendimiento o maximizando el rendimiento para un nivel de
riesgo dado. Una cartera es ineficiente cuando es posible incrementar su rentabilidad
sin aumentar su riesgo o disminuir riesgo sin disminuir rentabilidad.
Ventajas de la diversificacin en una cartera:

Para soportar un mnimo riesgo es preferible formar una cartera en lugar de comprar
un nico activo.

La existencia de covariabilidades que no sean perfectas ayudar a que el


inversor disminuya su riesgo, dado un objetivo de rentabilidad, o aumente su
rentabilidad dado el nivel riesgo que acepte.

Cuando solo se toman posiciones largas, la rentabilidad de una cartera estar


comprendida entre la rentabilidad del activo ms rentable y la del que tiene menor
rentabilidad. El riesgo estar en funcin de la correlacin entre sus activos y puede
reducirse por debajo del riesgo del activo menos arriesgado.

43

DESCRIPCIN DE UNA CARTERA


Para cada uno de los activos debe conocerse:

Su valor esperado,

Su desviacin tpica

Su covarianza con el resto de los activos de la cartera.


Esta informacin se resume en el vector de rentabilidades y la matriz de varianzas
y covarianzas:

E R1

E E R2
ER
3

2
11 12 13 1


21 22 23 12 1 2


31 32 33 13 1 3

12 1 2 13 1 3

22
23 2 3
23 2 3
32

Suele aceptarse la hiptesis de que las rentabilidades de los activos son variables
aleatorias de normalidad multivariante.

Ri

N Ei , i2

P Ei i Ri Ei i 68%
P Ei 2 i Ri Ei 2 i 95%
P Ei 3 i Ri Ei 3 i 99%
El horizonte temporal de todos los inversores es de un nico periodo.
Los mercados son perfectos: todos los inversores poseen la misma informacin.
Pueden prestar y pedir prestado sin limitaciones; no existen impuestos; no existen
costes de transaccin; no hay inflacin y todas las inversiones son perfectamente
divisibles.
La rentabilidad esperada de una cartera es:
N

E p E ( R p ) wi E ( Ri ) donde w1 .... wN 1
i 1

El riesgo de la cartera es su deviacin standard:


N

wi w j ij w w w1 w2
2
p

i 1 j 1

11 12 13 w1


w3 21 22 23 w2


31 32 33 w3

44

PROBLEMA DEL INVERSOR RACIONAL


Cada inversor se enfrenta a un problema de optimizacin multiobjetivo: Maximizar
simultneamente el rendimiento y minimizar el riesgo no es posible por tratarse de
objetivos incompatibles. Hay que llegar a un compromiso teniendo en cuenta las
prioridades del inversor.
Las carteras eficientes resuelven el problema de minimizar el riesgo para una
rentabilidad objetivo E * dada
N N

Min p2 wi w j ij wt w
w
i 1 j 1

s.a. E p E ( R p ) wi E ( Ri ) E *
i 1

w1 .... wN 1
Observar que en este problema NO se imponen las restricciones de positividad

w1 0,...., wN 0 por lo que SI ESTN PERMITIDAS LAS POSICIONES CORTAS en


la cartera. La posibilidad de poder tomar posiciones cortas implica que algunos pesos
podran ser superiores a uno a cambio de que otros sean negativos.

45

Curvas de nivel de la volatilidad tangentes a los conjuntos de oportunidad dados


por las diferentes rentabilidades objetivo

46

EL PROBLEMA DUAL
Maximizar el rendimiento de una cartera para unas preferencias de riesgo V * del
inversor fijadas de antemano:
N

Max E p E ( R p ) wi E ( Ri )
w
i 1

s.a. p2 wi w j ij wt w V *
i 1 j 1

w1 .... wN 1
El problema
N N

Min p2 wi w j ij wt w
w
i 1 j 1

s.a. E p E ( R p ) wi E ( Ri ) E *
i 1

w1 .... wN 1
tiene dos multiplicadores de Lagrange y su solucin analtica es:

2
1 E R 0
w

1
'
0
0
1
*


0 E
2 E R ' 0

47

Ejemplo
Consideremos una cartera con tres activos
Activo 1: Rentabilidad esperada 5%, volatilidad 15%
Activo 2: Rentabilidad esperada 6%, volatilidad 20%
Activo 3: Rentabilidad esperada 0%, volatilidad 40%
Sus correlaciones son 12 0.5 , 13 0.7 , 23 0.4

12

12 1 2
13 1 3

12 1 2 13 1 3 0.0225 0.015 0.042

22
23 2 3 0.015
0.04 0.032
23 2 3
32 0.042 0.032 0.16

En tal caso

0.03 0.084
0.045
1
2

1 E R
0.08
0.64
w
0 0.03


0
0 1 0.084 0.064 0.32
1 1 '


*
1
1
0 E 1
2 E R ' 0

0.05
0.06
0

1 0.05

1 0.06 0

1
0 1

0
0 E *
0
0

La solucin es

w1, w2 , w3 , 1, 2 0.3732 , 0.6890 , 0.0622 , 0.095 , 2.761


Entre todas las cartera que tienen una rentabilidad anual del 6% esta tiene la de menor
volatilidad que es 18.75%.

EJERCICIO EN GRUPO PARA LOS ALUMNOS


A partir de los tres activos anteriores formar 10000 posibles carteras seleccionando
otros tantos posibles valores de los pesos que siempre se suponen positivos. Dibujar
cada una de las posibles carteras en el plano (volatilidad, rentabilidad). Comprobar
que en dicho plano el conjunto de todas las carteras es convexo. Comparar la frontera
de dicho conjunto con con la frontera eficiente de Markowitz.

48

CARTERAS CON SOLO POSICIONES LARGAS


Cuando NO se permiten posiciones cortas el problema minimizar el riesgo para una
rentabilidad dada E * se convierte en
N N

Min p2 wi w j ij wt w
w
i 1 j 1

s.a. E p E ( R p ) wi E ( Ri ) E *
i 1

w1 .... wN 1
w1 0,...., wN 0
El de maximizar el rendimiento de una cartera para unas preferencias de riesgo V *
N

Max E p E ( R p ) wi E ( Ri )
w
i 1

s.a. wi w j ij wt w V *
2
p

i 1 j 1

w1 .... wN 1
w1 0,...., wN 0

49

RESTRICCIONES REALISTAS EN LOS PESOS DE LA CARTERA


Una de las desventajas del modelo media-varianza reside en que las carteras ptimas
suelen estar compuestas por un gran nmero de activos, en muchos de los cuales
las inversiones son nfimas. Pueden imponerse otras restricciones realistas a los
pesos de la cartera:
1. Restricciones de cardinalidad: Aunque existan cientos de productos financieros
slo se puede invertir en unos pocos

i 1,..., N : w

0 c

i 1,..., N : w

0 c

2. Restricciones para evitar inversiones mnimas y mximas:


Las inversiones nfimas suponen un coste transaccional que no se compensa por el
rendimiento final de la cartera.
Las inversiones excesivas pueden concentrar demasiado los recursos en ciertos
productos.

ai wi bi , ai 0, bi 0 i 1,..., N
3. Restricciones de concentracin de capital
Con el fin de controlar la diversificacin se puede restringir la proporcin de capital
que se invierte en ciertos grupos de subyacentes. Por ejemplo

0.1 w1 w4 0.2
4.Combinacin de restricciones (1)+(2)
N

i 1

c , i 0,1 , ai i wi i zi , ai , bi 0 , i 1,..., N

5. Pesos de inversin wi discretos

wi yi fi

f i son constantes , yi son variables enteras

La discretizacin de pesos hace imposible el uso de tcnicas de gradiente


descendente. Pierde importancia a medida que aumenta el capital manejado.
Cuantas ms restricciones se aaden el problema resulta ms complejo desde el
punto de vista matemtico.

50

LA FRONTERA EFICIENTE DE MARKOWITZ:


El problema de la inversin se reduce a dos dimensiones

E ( R ), .
p

TEOREMA: el espacio de las posibles carteras es convexo.


Demostracin: Si W A y WB son los pesos de dos carteras A y B entonces

WA 1 WB son los pesos de otra cartera.


As, las carteras eficientes deben estar en la frontera.
La frontera eficiente de Markowitz representa el conjunto de carteras que ofrecen el
mnimo riesgo para un rendimiento dado y una mxima rentabilidad para un nivel de
riesgo dado. Sobre la frontera eficiente ninguna cartera es mejor que otra. Al tener
pendiente positiva, el aumento de la rentabilidad esperada slo se consigue a costa de
un mayor nivel de riesgo. En otras palabras, Una cartera es eficiente si no se puede
incrementar su rendimiento esperado sin incrementar tambin su riesgo.
El conjunto de carteras eficientes se puede representar, en el espacio de rendimientos
y riesgos esperados, por una curva uniparamtrica llamada frontera eficiente que se
obtiene variando uniformemente el objetivo de rentabilidad E * del inversor y
resolviendo en cada caso el correspondiente problema de minimizacin de los riesgos:

p2 p ( E p E* )
De forma dual, haciendo variar las preferencias de riesgo del inversor V * y
resolviendo en cada caso el correspondiente problema de maximizacin de los
rendimientos, obtenemos la curva:

E p E p ( p2 V * )

51

Existe una cartera que tiene mnimo riesgo. La frontera eficiente corresponde con la
parte superior de la curva que est por encima de cartera de mnimo riesgo. Las
carteras que se encuentran en la frontera por debajo de la cartera de mnimo riesgo no
son eficientes ni tienen mnima varianza y se llaman carteras ineficientes. Pese a ello
tienen importante papel en la diversificacin.

E ( R)
x

x
x

x
x

Cartera de
mnimo riesgo

( R)

Los siete puntos representan carteras (o activos) de sectores industriales


individuales que no estn bien diversificadas.
Si tomamos dos carteras sobre la frontera eficiente, la curvatura de la frontera eficiente
entre ellos depender de la correlacin entre los rendimientos de ambas carteras. La
frontera eficiente ser una lnea recta entre ellos si las dos carteras tienen
rendimientos perfectamente correlacionados. La frontera se hace ms convexa en la
medida que su correlacin decrece porque la habilidad para reducir el riesgo aumenta.

52

EL PARAISO DE MARKOWITZ

Using quadratic programming to trace efficient portfolio frontier (Pag 383)


Numerical Methods in Finance and Economics. A MATLAB-Based Introduction
Paolo Brandimarte

53

OTRAS PROPIEDADES DE LA FRONTERA EFICIENTE:

Cualquier cartera en la frontera eficiente tiene unos pesos que son combinacin lineal
de cualquier otro par de carteras en la frontera (Teorema de los dos fondos de
Tobin).

Cualquier cartera de la frontera eficiente contendr probablemente todos los


activos del conjunto de oportunidad con pesos positivos o negativos, a menos que
a algn peso se le obligue a ser cero en las restricciones.

Si se permiten posiciones cortas no existe lmite superior al riesgo que se puede


tomar y el conjunto de oportunidad tiende a infinito cuando se incrementa el
rendimiento esperado; dicho incremento ir asociado a un incremento del riesgo
(desviacin standard de los rendimientos). La frontera eficiente es una curva creciente
ilimitada.

Si no se permiten las ventas en corto la frontera no se extiende indefinidamente


en la direccin en que aumenta el riesgo. Estar situada entre la cartera de varianza
mnima y la cartera formada por el activo de mxima rentabilidad esperada.

54

ASIGNACIN PTIMA DE UN INVERSOR SEGN SU ACTITUD ANTE EL RIESGO


Qu cartera preferir un inversor sobre la frontera eficiente? Depender de su
actitud frente al riesgo reflejada por sus curvas de indiferencia. El punto de la
frontera eficiente en que su curva de indiferencia sea lo ms alta posible (tangente a la
frontera eficiente) constituir la cartera eficiente para el inversor.
La actitud del inversor frente al riesgo se especifica por medio de su funcin de
utilidad U ( E p , p2 ) , que expresa la tasa de intercambio entre rendimiento y riesgo que
prefiere el inversor, y con las curvas de indiferencia U ( E p , p2 ) k , se determina la
cartera ptima. Supongamos que el inversor siente aversin al riesgo

U 0 , U 0 , U 0 , U 0
Empleando el conjunto de curvas de indiferencia para la funcin de utilidad del
inversor encontraremos una cartera ptima en el sentido en que es eficiente y
maximiza la utilidad del inversor.

Ep

p
Cuando el inversor es amante del riesgo y su utilidad aumenta con el riesgo U 0

Ep

55

PROBLEMAS DE LA TEORA DE CARTERAS

Las rentabilidades esperadas son muy sensibles periodo histrico donde se


estiman
RIESGO DE MODELO: las covarianzas son sensibles al mtodo de estimacin
empleado
ASIMETRA: las volatilidades se incrementan ms ante shocks negativos que
positivos

CONTAGIO: durante las crisis aumentan las covarianzas entre activos. Elegir activos
con correlaciones histricas bajas no elimina posibles co-movimientos adversos en
pocas de crisis
EJERCICIO EN GRUPO PARA LOS ALUMNOS
SENSIBILIDAD DE LA SOLUCIN A PEQUEOS CAMBIOS EN LOS INPUTS
Consideremos carteras en los siguientes casos:
(0) i , i i 1,...,5 (8%;12%), (7%;10%),
(7:5%;11%), (8:5%;13%) and (8%;12%). La correlacin entre cada pareja de activos es
constante y vale 0.6
(a) 0.5
(b) 2 8%
(c) 0.5 ,

2 8%

(d) 3 10%

Calculamos la cartera ptima x* tal que x* 10% . Los pesos son


Case (0)

(a)

(b)

(c)

(d)

x1

23.96 26.46 6.87 6.88 21.64

x2

6.43 0.00 44.47 33.61 0.00

x3

16.92 6.97

0.00 0.00 22.77

x4

28.73 40.11 41.79 52.63 33.95

x5

23.96 26.46 6.87 6.88

21.64
56

Some equivalent portfolios


Let us consider the case (0) and the optimal portfolio x with
( (x) ; (x)) = (7:99%;10%). Here are some portfolios which are
closed to the optimal portfolio:
x1 23.96 5 5 35 35 50 5 5 10
x2 6.43 25 25 10 25 10 30 25
x3 16.92 5 40 10 5 15 45 10
x4 28.73 35 20 30 5 35 10 35 20 45
x5 23.96 35 35 40 40 15 30 30 10
(x) 7.99 7.90 7.90 7.90 7.88 7.90 7.88 7.88 7.88 7.93
(x) 10.00 10.07 10.06 10.07 10.01 10.07 10.03 10.00 10.03 10.10
) These portfolios have very dierent compositions, but lead to very
close mean-variance features.
) Some of these portfolios appear more balanced and, in some
sense, more diversied than the optimal potfolio.

1.2 Some solutions


Portfolio resampling (Michaud, 1989)
Robust asset allocation (Tutuncu and Koenig, 2004)
57

) Market practice: many investors prefer more heuristic solutions,


which are computationally simple to implement and appear robust as
they are not dependent on expected returns.
The minimum variance (mv) portfolio
It is obtained for = 0 in the mean-variance problem and does
not depend on the expected returns.
The equally-weighted (ew or 1/n) portfolio
Another simple way is to attribute the same weight to all the
assets of the portfolio (Bernartzi and Thaler, 2001).

The minimum variance portfolio


In the previous example, the mv portfolio is x1 = 11:7%, x2 = 49:1%,
x3 = 27:2%, x4 = 0:0% and x5 = 11:7%.
) This portfolio suers from large concentration in the second asset
whose volatility is the lowest.
The 1/n portfolio
In the previous example, the ew portfolio is
x1 = x2 = x3 = x4 = x5 = 20%.
) This portfolio does not take into account volatilities and
cross-correlations!

58

SIMPLIFICACIN DEL MODELO DE MARKOWITZ. EL MODELO DIAGONAL DE


SHARPE

Un problema del modelo de Markowitz es el elevado nmero de parmetros que debe


estimarse. Para una cartera con N ttulos:

N esperanzas matemticas de los rendimientos de los ttulos.

N varianzas.

N N 1
covarianzas
2
En total 2 N

N N 1 N N 3

estimaciones. Para N=400 ttulos resultan 80.600


2
2

estimaciones.
El modelo diagonal de Sharpe considera que la dependencia estadstica entre los
rendimientos de los diferentes ttulos no es una dependencia directa sino derivada de
una dependencia entre esos ttulos y una serie de factores de riesgo: PIB, IPC, renta
per cpita, ndice General de la Bolsa, etc., representativos de la actividad econmica.
El caso ms simple es considerar como nico factor de riesgo un ndice burstil.
Sharpe supuso una relacin de dependencia entre los rendimientos de los ttulos y
el rendimiento del mercado medido a travs de un ndice representativo. Tal
relacin es del tipo:

Ri i i RM i

i 1, 2,..., N

Destaca la perturbacin aleatoria i , una variable aleatoria no observable que incluye


todos aquellos factores, individualmente irrelevantes, que influyen en el valor de Ri y
que son independientes del mercado. Su varianza i2 se toma como medida del
riesgo propio o especfico del ttulo.
De cara a la estimacin de los parmetros de estos i modelos se considera que, para
cada activo i, tenemos una muestra de T observaciones en los instantes t=1,,T:

Rit i i RMt it

t 1, 2,..., T

Haciendo las hiptesis habituales de sobre dichas perturbaciones de


homocedasticidad, no correlacin con el ndice, no autocorrelacin y normalidad
( it

N 0, i2 ), estimaremos para cada activo i los parmetros ai , bi , i2 .

A partir de cada una de estas relaciones tenemos

59

E Ri Ei i i E RM i 1, 2,..., N

2 Ri i2 M2 i2

i 1, 2,..., N

El trmino 2 Ri nos proporciona una medida del riesgo total del ttulo i que se
descompone en riesgo sistemtico o de mercado i2 M2 , y riesgo especfico o
propio del ttulo i2 .
A la recta

Ri i i RM i

i 1, 2,..., N

se le llama lnea caracterstica de ttulo (Security characteristic line).


El coeficiente de determinacin de esta recta de regresin, que es igual al cuadrado
del coeficiente de correlacin entre las variables Rit y RMt , nos proporciona una
medida de la capacidad explicativa del modelo.
La beta refleja lo arriesgado que es el stock relativo al mercado. Por tanto, cuanto
mayor es la beta mayor es el rendimiento esperado del activo.
Los ttulos con beta mayor que uno responden a los cambios de coyuntura en mayor
intensidad que el mercado: son agresivos.
Los ttulos con beta menor que uno responden a los cambios de coyuntura en menor
intensidad que el mercado: son defensivos.
De igual forma se llama lnea caracterstica de la cartera a la recta

R pt p p RMt pt
El rendimiento de la cartera viene dado por
N

R p wi Ri , donde
i 1

w 1
i 1

Sustituyendo Ri i i RM i , resulta
N

i 1

i 1

R p wi Ri wi i i RM i w11 w2 2 ... wN N

w11 w2 2 ... wN N RM w11 w2 2 ... wN N


El trmino w11 w2 2 ... wN N proporciona una medida del riesgo sistemtico o de
mercado de la cartera pues describe la intensidad en que las fluctuaciones del
mercado inciden sobre los rendimientos de la cartera. Tomando esperanzas:

60

E R p E p wi i E RM wi i
i 1

i 1

2 Rp p2 wi i M2 wi2 i2
N

i 1

i 1

Este modelo se conoce como modelo diagonal porque la matriz de varianzas y


covarianzas es diagonal:

p2 w1 , w2 ,..., w N , wi i
i 1

12

0
...
0
0

22
...
0
0

... 0
... 0
... ...
... N2
... 0

2
M

i i
i 1

w1
w2
...
wN

0
0
...
0

El nmero de parmetros a estimar en el modelo diagonal es 3N+2.

N
2
w

wi2 i2

i i M
i 1
i 1

La expresin de la varianza de la cartera 2 R p p2

permite descompone el riesgo de la cartera en riesgo sistemtico


N

nunca podr desaparecer, y riesgo especfico

w
i 1

2
i

i 1

2
M

, que

i2 que puede eliminarse

mediante la diversificacin. Para ello es suficiente con elegir en la cartera un nmero


suficientemente elevado de activos. Supongamos que tomamos wi 1/ N y que

i2 K , i , siendo K una constante; resulta que


N

wi2 i2
i 1

1
N2

i 1

2
i

NK K
0 cuando N aumenta.
N2 N

61

EL TEOREMA DE TOBIN DE LOS DOS FONDOS


Si se permite tomar posiciones cortas, cualquier cartera de la frontera eficiente
se puede generar a partir de otras dos carteras eficientes. As, un inversor racional
podra especificar sus preferencias mediante una determinada combinacin
lineal de dos fondos de inversin situados en la frontera eficiente.
Qu pareja de carteras eficientes deberamos utilizar para generar la frontera
eficiente? Suelen emplearse

Cartera eficiente x: cartera de varianza global mnima.

Cartera eficiente y: cartera eficiente con un objetivo de rendimiento esperado igual al


rendimiento esperado ms alto entre los activos bajo consideracin.
Sean x x1 ,..., xn e y y1 ,..., yn los vectores de pesos de ambas carteras.
Cualquier otra cartera z tendr unos pesos de la forma: z x (1 ) y
Entonces

E z E x (1 ) E y
Var z z z t x (1 ) y x (1 ) y
t

2 x x t 2 (1 ) x y t (1 ) 2 y y t
2Var x 2 (1 ) Cov ar x , y (1 ) 2Var y
Haciendo variar obtenemos las diferentes carteras eficientes de la frontera.

EJERCICIO EN GRUPO PARA LOS ALUMNOS


Consideremos una cartera con tres activos
Activo 1: Rentabilidad esperada 5%, volatilidad 15%
Activo 2: Rentabilidad esperada 6%, volatilidad 20%
Activo 3: Rentabilidad esperada 0%, volatilidad 40%
Sus correlaciones son 12 0.5 , 13 0.7 , 23 0.4
Por medio de combinaciones lineales convexas, construir la frontera eficiente a
partir de la cartera de mnima varianza y la cartera de mxima rentabilidad.

62

LOS DESARROLLOS DE SHARPE


Carteras que son combinacin de la cartera tangente y el activo libre de riesgo

R f , en distintas proporciones.
Capital market line

Ep
M

Rf

p
El inversor especificar su actitud ante el riesgo decidiendo que parte de su riqueza
invertir en el activo libre de riesgo.
Se puede demostrar que la cartera tangente, que maximiza la ratio de Sharpe,

E ( RM ) R f

M
coincide con la cartera de mercado M, formada por todos los activos disponibles
en el mercado y posedos en una proporcin igual a su capitalizacin.
Todas las carteras formadas por una combinacin del activo libre de riesgo y la cartera
tangente de la frontera de Markowitz tambin son ptimas pues en todas ellas se
maximiza la ratio de Sharpe.
Hiptesis del modelo:

Existe un activo libre de riesgo de riesgo que se puede prestar o pedir prestado sin
limitaciones.

Todos los activos est plenamente descritos por su rendimiento y volatilidad


esperados y por sus correlaciones con otros activos.

Todos los activos pueden ser comprados o vendidos en cualquier cantidad.

Todos los inversores comparten la misma informacin.

Todos los inversores son aversos al riesgo y prefieren carteras de mnima varianza
para un nivel dado de rendimientos.
63

CAPITAL MARKET LINE


La introduccin del activo libre de riesgo introduce una nueva frontera eficiente
llamada Capital Market Line (CML) formada por cualquier combinacin lineal del
activo libre de riesgo y la cartera de mercado M. Esto facilita mucho la labor de un
gestor de carteras.
Todas las carteras que se encuentran en la CML son ms eficientes que las
situadas en la frontera de Markowitz. As, la CML pasar a convertirse en la
verdadera frontera eficiente. Si los inversores desean soportar un riesgo menor que
el de la cartera de mercado, deben invertir parcialmente en la cartera de mercado
y prestar el dinero restante: situarse en la CML a la izquierda de M. Si los
inversores desean un mayor rendimiento que el ofrecido por el propio mercado
debern pedir prestado, con el fin de adquirir los activos de la cartera M, de esta
forma se situarn en la CML a la derecha del punto M, colocando una mayor
cantidad que la de sus fondos iniciales en la cartera de mercado.
Pedir prestado
a Rf

Capital market
line

Ep
M
Prestar a R f

Rf

Ecuacin de la recta CML.

En el plano p , E ( R p ) la CML tiene pendiente la ratio de Sharpe de la cartera


tangente

E ( RM ) R f

y ordenada en el origen R f .

La ecuacin de la CML es

E ( RM ) R f
E ( Rp ) R f
M

64

La pendiente se le conoce tambin como precio de mercado del riesgo de equilibrio


y describe el grado de aversin al riesgo implcito en el mercado. Escribiendo la
ecuacin de la CML de la forma

E ( Rp ) R f

E ( RM ) R f

Vemos que en un mercado en equilibrio cualquier cartera tiene el mismo exceso


de rendimiento por unidad de riesgo: las ratios de Sharpe de todas las carteras
eficientes coinciden.
Por tanto, la ecuacin de la CML

E ( RM ) R f
E ( Rp ) R f
M

expresa que el rendimiento esperado de cualquier cartera es igual al tipo libre de

E ( RM ) R f
p que es igual al precio de mercado
M

riesgo ms una prima de riesgo

del riesgo multiplicado por el riesgo de dicha cartera medido por medio de su
desviacin Standard.

Ejemplo
Supongamos que la cartera de mercado verifica E ( RM ) 10% , M 25% , R f 2% .
Consideremos otra cartera de la Lnea del Mercado de Capitales (CML) cuya
volatilidad es del 30%. Suponiendo que el mercado est en equilibrio, cul ser la
rentabilidad de dicha cartera?
La ratio de Sharpe de la cartera de mercado ser:

10 5
0.2
25

La otra cartera de la CML deber tener la misma ratio de Sharpe, es decir

E ( Rp ) R f

E ( Rp ) 5
30

0.2 E ( R p ) 11%

65

UNA PROPIEDAD DE LA RATIO DE SHARPE


Sharpe se plantea el problema de en qu cartera de la frontera eficiente debe
situarse un gestor con el fin de que la probabilidad de que el rendimiento R p de
su cartera supere un determinado benchmark c R f sea mxima. Debido a que al
aumentar el rendimiento de la cartera tambin lo hace el riesgo no est clara la
solucin del problema.
La funcin objetivo a maximizar ser entonces

R E ( Rp ) c E ( Rp )
c E ( Rp )

P Rp c P p

p
p
p

Donde es la distribucin acumulada de la variable

Rp E (Rp )

que es N (0,1) .

Como es creciente, la probabilidad ptima de superar el benchmark se obtiene

minimizando R f E ( R p ) / p , es decir, maximizando la ratio de Sharpe

E(R ) R /
p

de la cartera.

66

ETIMACION DE LOS PARMETROS DE UNA CARTERA EFICIENTE


Los estimadores muestrales de los parmetros de la cartera eficiente se obtienen a
partir de T observaciones de excesos de rendimientos sobre cada uno de los N activos
denotados por el vector Nx1 rt , t 1,..., T .
Suponiendo los elementos de rt seleccionados aleatoriamente de una poblacin
normal multivariante N , , la estimacin de sus parmetros puede obtenerse a
partir de

1 T
rt
T i 1
1 T
rt rt
T i 1

'

Problemas:
Las rentabilidades esperadas son muy sensibles periodo histrico donde se
estiman.
Las varianzas y covarianzas son incluso sensibles al mtodo de estimacin
empleado (riesgo de modelo).

67

Ejemplo: Abengoa y ACS desde 2011 a 2014


>> load abengoa.txt
>> plot(abengoa)
Abengoa
18
17
16
15
14
13
12
11
10
9
8

200

400

600

800

1000

1200

>> r_abengoa=diff(log(abengoa));
Media y desviacin estndar anual de Abengoa
>> mean(r_abengoa)*252= 0.0708
>> std(r_abengoa)* sqrt(252)= 0.2349

>> load ACS.txt


>> plot(ACS)
ACS
35

30

25

20

15

10

200

400

600

800

1000

1200

>> r_ACS=diff(log(ACS));
Media y desviacin estndar anual de ACS
>> mean(r_ACS)*252= -0.0127
>> std(r_ACS)*sqrt(252)= 0.3274
Covarianzas anuales entre los activos
>> 252*cov(r_abengoa,r_ACS)
0.0556

0.0449

0.0449

0.1072

>> corrcoef(r_abengoa,r_ACS) = 0.5821

Ejemplo
ACS BBVA GAMESA IBERDROLA Abengoa JAZZTEL desde 2011 a 2014
68

>> A=[ACS BBVA GAMESA IBERDROLA abengoa JAZZTEL];


>> plot(A)
ACS BBVA GAMESA IBERDROLA Abengoa JAZZTEL
35

30

25

20

15

10

200

400

600

800

1000

1200

Matrices de covarianzas y correlaciones anuales


>> r_A=[r_ACS r_BBVA r_GAMESA r_IBERDROLA r_abengoa r_JAZZTEL];
>> 252*cov(r_A)
0.1072

0.0721

0.0873

0.0595

0.0449

0.0343

0.0721

0.1133

0.0955

0.0737

0.0493

0.0421

0.0873

0.0955

0.2287

0.0732

0.0567

0.0503

0.0595

0.0737

0.0732

0.0721

0.0383

0.0309

0.0449

0.0493

0.0567

0.0383

0.0556

0.0288

0.0343

0.0421

0.0503

0.0309

0.0288

0.0928

>> corrcoef(r_A)
1.0000

0.6541

0.5573

0.6772

0.5821

0.3435

0.6541

1.0000

0.5935

0.8153

0.6218

0.4102

0.5573

0.5935

1.0000

0.5703

0.5028

0.3455

0.6772

0.8153

0.5703

1.0000

0.6052

0.3773

0.5821

0.6218

0.5028

0.6052

1.0000

0.4011

0.3435

0.4102

0.3455

0.3773

0.4011

1.0000

69

Contraste por Monte Carlo de volatilidades y correlaciones constantes


Modern Investment Management. Bob Litterman (pag. 228)
Consideremos una cartera formada por cuatro activos. Vamos a usar dos estimadores
diferentes de la matriz de covarianzas. El primero supone que los momentos de la
distribucin son constantes en la muestra y usa el conjunto de todos los datos
histricos y asigna el mismo peso a todas las observaciones. El segundo estimador
estima los momentos segundos usando solo los datos ms recientes contenidos en
una ventana mvil de longitud pre especificada, por ejemplo, 100.
Las estimaciones de volatilidades obtenidas a partir de la rolling window oscilan
alrededor de la estimacin constante. Se puede contrastar, por simulaciones Monte
Carlo, la hiptesis nula de volatilidad constante igual a la volatilidad muestral.

Para ello generamos 1000 historias de longitud igual a la de la muestra, suponiendo


que los datos fueron extraidos de una distribucin con volatilidad igual a la de la
muestra.

Para cada historia construimos la serie de volatilidades basada en la tcnica de rolling


window y calculamos la desviacin absoluta promedio entre aquellas volatilidades y
la volatilidad constante de la muestra.

De las 1000 simulaciones podemos calcular 1000 desviaciones absolutas promedio.

A partir de ellas formamos un intervalo de confianza entorno a su media de radio dos


desviaciones tpicas.

Si la desviacin absoluta promedio de la muestra original cae fuera del intervalo de


confianza rechazamos la hiptesis nula con un nivel de significacin del 95%.
Puede aplicarse un contraste similar a la hiptesis nula de correlacin constante entre
cada pareja de series.

70

RIESGO SISTEMTICO Y ESPECFICO DE UN TTULO. TEORA DE LA BETA


Sharpe obtiene otra medida de riesgo de un activo regresando sus rendimientos
sobre el rendimiento del mercado medido a travs de un ndice representativo:

Ri i i RM i

i 1, 2,..., N

Esta recta llamada lnea caracterstica del ttulo y descompone el rendimiento del
activo se descompone en tres sumandos:

representa la sensibilidad del activo al factor de riesgo que supone el

mercado proporcionando una medida de cmo el stock responde a cambios en el


ndice.

t representa el impacto eventual de sucesos inesperados particulares a la


empresa. Se supone E 0 .

A partir de cada una de estas estimaciones tenemos

E Ri Ei i i E RM i 1, 2,..., N

2 Ri i2 M2 i2

i 1, 2,..., N

El rendimiento se descompone en

Un rendimiento especfico

Un rendimiento sistemtico asociada a su covariablidad con la cartera de mercado

propio del ttulo

i E RM
El riesgo total del ttulo i trmino 2 Ri se descompone:

Riesgo sistemtico o de mercado i2 M2

Riesgo especfico o propio del ttulo i2 Var i

71

CLASIFICACIN DE LOS TTULOS SEGN LA BETA


La beta refleja lo arriesgado que es el stock relativo al mercado. Por tanto, cuanto
mayor es la beta mayor es el rendimiento esperado del activo.
Los ttulos con beta mayor que uno responden a los cambios de coyuntura en mayor
intensidad que el mercado: son agresivos.
Los ttulos con beta menor que uno responden a los cambios de coyuntura en menor
intensidad que el mercado: son defensivos.

Ejemplo
>> a=randn(1,252); %simula rendimientos del ndice
>> b=a+0.5* randn(1,252); %simula rendimientos de un activo
>> polyfit(b,a,1) = 0.9868 %beta

-0.0187

% alfa

>> b1=a+2*randn(1,252)+0.1;
>> polyfit (b,a,1) =1.0175

0.2089

Ejemplo
>> load abertis_2000.txt ; r_abertis_2000=diff(log(abertis_2000));
>> polyfit (r_IBEX35_2000, r_abertis_2000, 1) = 0.4386
>> polyfit (r_IBEX35_2000, r_ACS_2000,1)= 0.3835
>> polyfit (r_IBEX35_2000, r_BBVA_2000, 1)= 0.8276

0.0006

0.0010
0.0017

>> polyfit (r_IBEX35_2000, r_ENDESA_2000, 1)= 0.3854

0.0001

>> polyfit (r_IBEX35_2000, r_telefonica_2000, 1)= 1.6341

-0.0002

72

MODELO DE VALORACIN DE ACTIVOS DE CAPITAL (CAPM).


Mientras el modelos CML explica el comportamiento de cualquier cartera
eficiente sostenida por inversores racionales, el modelo CAPM es un modelo de
equilibrio del precio de los activos que explica su comportamiento individual.
Como los activos individuales no son carteras eficientes por la gran cantidad de
riesgo especfico que poseen y que podra ser diversificado formando una
cartera, el mercado solo retribuir su riesgo no diversificable
En el modelo CML

E ( RM ) R f
E ( Rp ) R f
p
M

la prima de riesgo con que se retribuye a una cartera bien diversificada es proporcional
al precio de mercado del riesgo por la desviacin Standard del rendimiento de dicha
cartera su rendimiento.
A la hora de obtener la prima de riesgo de un activo individual, Sharpe consider
que el riesgo por el que un inversor debera ser compensado no viene dado por
la varianza del rendimiento del activo ya que parte de ese riesgo puede
diversificarse formando una cartera. Esto quiere decir que no tendr sentido aplicar
a un solo activo i el modelo CML

E ( RM ) R f
E ( Ri ) R f
i
M

73

LA SECURITY MARKET LINE


Un activo ha de retribuirse por su riesgo sistemtico que define como su grado de
covariabilidad con la cartera del mercado.

E ( RM ) R f
p para carteras ser sustituida
M

En este caso la ecuacin E ( Rp ) R f


por

E ( RM ) R f cov( Ri , RM )
E ( Ri ) R f

M
M

Para un mercado en equilibrio el exceso de rendimiento esperado de un activo


individual es proporcional al exceso de rendimiento de la cartera de mercado
multiplicado por una medida del riesgo sistemtico de dicho activo dado por su
covariabilidad con la cartera del mercado.
La cov( Ri , RM ) se halla a partir de la

Ri i i RM i
Tomando esperanzas y covarianzas en ambos miembros resulta

i E Ri i E RM , i

cov Ri , RM

M2

Sustituyendo obtenemos la lnea del mercado de ttulos o Security Market Line


(SML), que es la base del modelo CAPM

E ( Ri ) R f i E ( RM ) R f
establece que el exceso de rendimiento esperado (prima de riesgo) de un activo
individual es proporcional al exceso de rendimiento esperado de la cartera de mercado
multiplicado por una medida de su riesgo sistemtico dada por la beta.
La lnea del mercado de ttulos nos indica como el mercado retribuye al riesgo en un
determinado momento. Su ordenada en el origen corresponde a la rentabilidad del
activo libre de riesgo R f se le llama precio del tiempo. Su pendiente representa la
prima de riesgo de la cartera de mercado, dndonos idea del grado de aversin al
riesgo implcito en el mercado (a ms pendiente, ms conservador ser el
mercado). Slo son aceptables las inversiones por encima de dicha lnea que harn
incrementarse el valor de los ttulos y que baje su rentabilidad hasta volver a caer en la

Notar que la covarianza tiene dimensin de R mientras que la desviacin estndar tiene dimensin R,
con lo que la frmula tiene una dimensionalidad equilibrada.
5

74

SML. Si un activo est por debajo, su precio descender, aumentar su rentabilidad y


subir para situarse en la lnea.

Rentabilidad
requerida por el
inversor

SECURITY MARKET LINE

Rentabilidad por riesgo

Rf
Rentabilidad por tiempo
BETA: Riesgo de la
inversin

Observar que la rentabilidad requerida por el inversor se puede descomponer:

Una rentabilidad por tiempo o precio por tiempo R f que retribuye al


inversor por no disponer durante cierto tiempo de la inversin.

Una rentabilidad por riesgo que el inversor exigir por el nivel de riesgo
especfico de su inversin.

75

DETECCIN DE ACTIVOS INFRAVALORADOS


El modelo CAPM y la SML como modelo de valoracin de activos puede emplearse
para encontrar estrategias activas de inversin que buscan la compra de activos
infravalorados y la venta de activos sobrevalorados. Un activo cuyo precio de
mercado es tal que su rendimiento esperado es inferior que la prediccin de la SML
estar sobrevalorado: debera bajar su precio en el mercado para que subiese su
rentabilidad y se situase en la SML. Lo contrario ocurrir con los activos infravalorado.
Rentabilidad

Security Market Line

mnima exigida
Activos infravalorados

Activos sobrevalorados

Rf

BETA: Riesgo de la
inversin
La CML es una lnea de referencia que nos indica lo lejos que puede estar una
cartera de su comportamiento eficiente. Ninguna cartera puede situarse por encima de
la CML porque la CML dejara de representar carteras ineficientes. Por el contrario la
SML acta como un imn y las fuerzas del mercado empujan a que cualquier activo
se sienta atrado hacia la SML aumentando o disminuyendo su precio y, con ello,
disminuyendo o aumentando su rentabilidad. La capacidad predictiva de la SML radica
de cara a la valoracin de activos radica en que sobre aquellos que no estn situados
sobre ella actuarn la fuerzas del mercado empujndolos hacia ella.
EJERCICIO EN GRUPO PARA LOS ALUMNOS
Estudiar la evolucin histrica de la matriz de covarianzas de los cinco principales
activos del IBEX35. Estimar las covarianzas en una rolling-window de seis meses.
EJERCICIO EN GRUPO PARA LOS ALUMNOS
Estudiar la evolucin histrica de la beta de los cinco principales activos del IBEX35.
Estimar las betas en una rolling-window de seis meses.
76

EJERCICIO EN GRUPO PARA LOS ALUMNOS


Siguiendo la CAPM detectar todos los activos sobrevalorados e infravalorados del
IBEX35 en tres periodos diferentes:
a) El primer mes de cotizacin del ao 2001.
b) El primer mes de cotizacin del ao 2007, antes del comienzo de la crisis
c) El primer mes de cotizacin de octubre de 2008, tras la cada de Lehman-Brothers.
Buscar en la Web datos sobre el activo libre de riesgo para cada caso.
EJERCICIO EN GRUPO PARA LOS ALUMNOS
Frontera eficiente con EXCEL

77

Ejemplo
Supongamos que la rentabilidad esperada (histrica) de la cartera de mercado es del
12% anual y que la del activo libre de riesgo es del 4%. Consideremos tres activos
cuyas betas son 1, 0.8 y 1.2 y cuyas rentabilidades el ltimo ao han sido 14%, 11% y
12%, respectivamente. Estudiar la sobrevaloracin o infravaloracin que hace el
mercado de los tres activos segn el modelo CAPM.

Activo 1

Activo 2

Activo 3

Betas

0.8

1.2

Rentabilidades

14%

11%

12%

Vamos a hallar la rentabilidad terica que asigna la CAPM a cada uno de los activos
segn su riesgo sistemtico (beta):

E ( Ri ) R f E ( RM ) R f i
E ( R1 ) 0.04 0.12 0.04 1 0.12 0.14 sobrevalorado por el mercado vender
E ( R1 ) 0.04 0.12 0.04 0.8 0.104 0.11 sobrevalorado por el mercado vender
E ( R1 ) 0.04 0.12 0.04 1.2 0.146 0.12 inf ravalorado por el mercado comprar

78

LA BETA DE UNA CARTERA


La beta de una cartera puede obtenerse como la suma ponderada de las betas
individuales de los componentes segn la proporcin con que participan en la
cartera:
n

P wi i
i 1

La beta de la cartera proporciona un sistema muy simple para predecir los riesgos de
una cartera y modelizar su riesgo. Por ejemplo, si un gestor busca simplemente una
estrategia de seguir el ndice diversificar su cartera con el fin de obtener una beta de
1 y un alfa de 0 y obtener unos rendimientos residuales los ms pequeos posibles
con el fin de minimizar el tracking error.

79

CARTERA EFICIENTE CON PROGRAMACIN CUADRTICA EN OCTAVE:


qp.m
Consideremos que la matriz de covarianzas de tres activos es

12

12 1 2
13 1 3

12 1 2 13 1 3 0.0225 0.015 0.042

22
23 2 3 0.015
0.04 0.032
23 2 3
32 0.042 0.032 0.16

y que sus rendimientos esperados son


E=[0.03, 0.05, 0.07];
Supongamos que el inversor tiene una rentabilidad objetivo en la inversin
del 6%
OBTENCIN DE LA FROTERA EFICIENTE CON QP DE OCTAVE
#OBTENCIN DE LA CARTERA CON VARIANZA MNIMA
#qp resuelve el programa cuadrtico
# min 0.5X'HX+X'*q
# sujeto a
# A*X=b
#LB<=X<=UB
H=[0.0225 0.015 -0.042; 0.015 0.04 -0.032;-0.042 -0.032 0.16]; #%covarianzas
de los tres activos
A=[0.03, 0.05, 0.07; 1,1,1]; #Rentabilidades de tres activos
b=[0.06; 1]; #Rentabilidad objetivo y suma de pesos
q=[];
LB=[0 0 0]'; #Cota inferior de los pesos
UB=[]'; #Cota superior de los pesos
x0=[1/3,1/3,1/3]'; #Valor inicial de bsqueda
[X, OBJ, INFO, LAMBDA]=qp(x0,H,q,A,b,LB,UB);
Ep=A(1,:)*X;#Rentabilidad
Vola= sqrt(X'*H*X);#Volatilidad
X
Ep
Vola

GENERACIN DE VARIOS PUNTOS DE LA FRONTERA EFICIENTE


#GENERA VARIOS PUNTOS DE LA FRONTERA EFICIENTE MEDIANTE
QP.m
#qp resuelve el programa cuadrtico
# min 0.5X'HX+X'*q
# sujeto a
# A*X=b
#LB<=X<=UB
H=[0.0225 0.015 -0.042; 0.015 0.04 -0.032;-0.042 -0.032 0.16]; #%covarianzas
de los tres activos
A=[0.03, 0.05, 0.07; 1,1,1]; #Rentabilidades de tres activos
q=[];
LB=[0 0 0]'; #Cota inferior de los pesos
UB=[]'; #Cota superior de los pesos
x0=[1/3,1/3,1/3]'; #Valor inicial de bsqueda
Ep=[]; Varp=[];
for i=1:40
# 40 rentabilidades entre 0.03 y 0.07 tomadas de 0.001 en 0.001
b=[0.03+(i-1)*0.001;1]; #Rentabilidad objetivo y suma de pesos
[X, OBJ, INFO, LAMBDA]=qp(x0,H,q,A,b,LB,UB);
#[X, OBJ, INFO, LAMBDA]=qp(x0,H,q,A,b);
#El punto de la frontera eficiente ser (Varp,Ep)
Ep(i)=A(1,:)*X;
Varp(i)= X'*H*X;
end
plot(Varp,Ep); title('Frontera Eficiente'); xlabel('Varianza de la cartera');
ylabel('Rentabilidad de la cartera')
Ejercicio
Repetir el problema para
H=[0.0225 0.015 0.042; 0.015 0.04 0.032;0.042 0.032 0.16];
Comparar la convexidad de la cartera

Ejemplo
Sea una cartera de tres activos con
mu1=0.03; mu2=0.05 ;mu3=0.07;
sigma1=0.03; sigma 2=0.05 ; sigma 3=0.07;
Supongamos que los tres activos estn completamente correlacionados.
Hallar la frontera eficiente.
Para construir la matriz de varianzas y covarianzas SIGMA:
ro=ones(3,3);
mu=[0.03 0.05 0.07];
sigma=[0.15 0.20 0.4];
SIGMA =[];
for i=1:3
for j=1:3
SIGMA (i,j)= ro(i,j)*sigma(i)*sigma(j);
end
end

Ejercicio
Dibujar en este caso a frontera eficiente

COTIZACIONES DE LOS ACTIVOS DEL IBEX 35


Yahoo finanzas, Ibex 35, Componentes, BBVA, cotizaciones histricas
CONVERTIR UNA COLUMNA DE EXCEL EN UN ARCHIVO TXT O DAT QUE
LEA OCTAVE O MATLAB
Poner la columna o columnas (matriz de datos) en una hoja de EXCEL.
Archivo
Guardar como
En la pestaa inferior: Guardar como tipo: Text(MS-DOS)
XLSREAD
MATLAB permite leer directamente datos desde una hoja de clculo sin pasarlo
previamente a formato txt. Usar xlsread.
CARGAR UN ARCHIVO TXT EN UNA HOJA DE CALCULO
Abrir una hoja de calculo
Archivo
Abrir
Buscar el fichero en cuestin y marcarlo (debe estar en columna)
Marcar Abrir en la parte inferior de la ventana
Siguiente, siguiente, Finalizar.
Marcar la columna
Formato de celdas
Nmero: 10 decimales
Aceptar
PROBLEMAS CON LAS COMAS DE EXCEL EN MATLAB?:
HAY QUE CAMBIAR LA CONFIGURACIN REGIONAL
Cmo cambiar coma (como separador decimal) por punto en EXCEL
Panel de control
Reloj, idioma y regin
Cambiar formato de fecha, hora o nmero
Configuracin adicional
Smbolo decimal
Smbolo de separacin de miles: dejar espacio en blanco con el cursor
Aplicar
Aceptar

QUITAR SEPARADOR DE MILES


Marcar nmero
Botn derecho
4

Formato de celda
Nmero
Marcar usar separador de miles (dejarlo con un espacio en blanco)
Aplicar
Aceptar
CAMBIAR , POR . EN EXCEL
Dentro de una hoja de clculo
Buscar y reemplazar para cambiar , por .

PONER SOLO TRES DECIMALES


Formato de celda
Nmero

CARTERA EFICIENTE CON PROGRAMACIN CUADRTICA EN MATLAB:


quadprog.m
Consideremos que la matriz de covarianzas de tres activos es

12

12 1 2
13 1 3

12 1 2 13 1 3 0.0225 0.015 0.042

22
23 2 3 0.015
0.04 0.032
23 2 3
32 0.042 0.032 0.16

y que sus rendimientos esperados son


E=[0.05, 0.06, 0];
Supongamos que el inversor tiene una rentabilidad objetivo en la inversin
del 6%
La cartera de mnima varianza puede obtenerse por medio de programacin
cuadrtica:
X = QUADPROG(H,f,A,b)

resuelve

min 0.5*x'*H*x + f'*x subject to: A*x <= b


x
X = QUADPROG(H,f,A,b,Aeq,beq)

resuelve

min 0.5*x'*H*x + f'*x subject to: A*x <= b , Aeq*x = beq


x
X = QUADPROG(H,f,A,b,Aeq,beq,LB,UB)

resuelve

min 0.5*x'*H*x + f'*x subject to: A*x <= b , Aeq*x = beq , LB <= x <=
UB
x
H=[0.0225 0.015 -0.042; 0.015 0.04 -0.032;-0.042 -0.032 0.16];
A=[-0.05,- 0.06, 0]; b=-0.06;
f=[];
Aeq=[1 1 1];
beq=1

X = QUADPROG(H,f,A,b,Aeq,beq)
X = 0.3732
0.6890
-0.0622
El punto de la frontera eficiente ser
Ep= -A*X= 0.0600
Vp= X'*H*X = 0.0351
SOLO POSICIONES LARGAS
LB=[0 0 0]; UB=[]; b=-0.06;
X = QUADPROG(H,f,A,b,Aeq,beq,LB,UB)
X =0.0000
1.0000
0
b=-0.04;
X = QUADPROG(H,f,A,b,Aeq,beq,LB,UB)
X = 0.6507
0.1244
0.2249

OBTENCIN DE LA FROTERA EFICIENTE CON QUADPROG DE MATLAB


%Frontera_Eficiente_QUADPROG
%Genera varios puntos de la frontera eficiente
H=[0.0225 0.015 -0.042; 0.015 0.04 -0.032;-0.042 -0.032 0.16];
A=[-0.05,- 0.06, 0]; %b=-0.06;
f=[];
Aeq=[1 1 1];
beq=1
Ep=[]; Varp=[];
for i=1:100
b=-0-0.01*i;
X = QUADPROG(H,f,A,b,Aeq,beq)
%El punto de la frontera eficiente ser
Ep(i)= -A*X;
Varp(i)= X'*H*X;
end
plot(Varp,Ep); title('Frontera Eficiente'); xlabel('Varianza de la cartera');
ylabel('Rentabilidad de la cartera')
Frontera Eficiente
1
0.9

Rentabilidad de la cartera

0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0

10

20

30
40
Varianza de la cartera

50

60

70

FRONTERA EFICIENTE TOLBOOX DE CARTERAS MATLAB


Frontcon: Mean-variance efficient frontier with portfolio constraints.
Dadas las matrices de rendimientos y covarianzas esperadas genera la
Frontera Eficiente donde no se permiten posiciones cortas.
[PortRisk, PortReturn, PortWts]=frontcon(ExpReturn, ExpCovariance,
NumPort)
ExpReturn: vector fila de los rendimientos esperados de la cartera
ExpCovariance: matriz de varianzas y covarianzas de la cartera
NumPort: nmero de carteras en la frontera eficiente. Por defecto son 10.
PortRisk: Volatilidad (desviacin standard) de las carteras estimadas en la
frontera eficiente.
PortReturn: Rendimientos de las carteras estimadas en la frontera eficiente.
PortWts : Pesos de las carteras estimadas en la frontera eficiente.
Ejemplo
Sea una cartera con dos activos.
Activo 1: Rentabilidad esperada 10%, volatilidad 20%
Activo 2: Rentabilidad esperada 5%, volatilidad 30%
Correlacin entre los activos -0.5
Su matriz de varianzas y covarianzas ser
2
1 2 0.04 0.03
ExpCovariance 1

22 0.03 0.09
1 2
Su vector de rentabilidades esperadas ser ExpReturn [0.1 , 0.05]
ExpCovariance=[0.04 -0.03;-0.03 0.09]
ExpReturn=[0.1 0.05]
[PortRisk, PortReturn, PortWts]=frontcon(ExpReturn, ExpCovariance)
Produce, por defecto, una frontera eficiente de 10 carteras cuyos
rendimientos, riesgos (desviaciones standard) y pesos en ambos activos sern
Rendimiento Riesgo
W1
Cartera 1 0.0816
0.1192
0.6316
Cartera 2
0.0836
0.1205
0.6725
Cartera 3
0.0857
0.1244
0.7135
Cartera 4
0.0877
0.1307
0.7544
Cartera 5
0.0898
0.1389
0.7953
Cartera 6
0.0918
0.1489
0.8363
Cartera 7
0.0939
0.1602
0.8772
Cartera 8
0.0959
0.1727
0.9181
Cartera 9
0.0980
0.1860
0.9591
Cartera 10
0.1000
0.2000
1.0000

W2
0.3684
0.3275
0.2865
0.2456
0.2047
0.1637
0.1228
0.0819
0.0409
0

La Cartera 1 corresponde al vrtice izquierdo de la frontera eficiente y


corresponde a la cartera de varianza mnima.
Hay alguna de las carteras iniciales en la frontera eficiente?
Por qu el activo 2 no est en la frontera?
9

Para dibujar la frontera eficiente:


plot(PortRisk, PortReturn); xlabel('Riesgo');ylabel('Rendimiento');title('Frontera
eficiente')
Frontera eficiente (Correlacin=-0.5)
0.105

Rendimiento

0.1

0.095

0.09

0.085

0.08
0.1

0.11

0.12

0.13

0.14

0.15 0.16
Riesgo

0.17

0.18

0.19

0.2

Qu ocurrir cuando la correlacin es cero?


En la siguiente grafica vemos la evolucin de la frontera eficiente cuando la
correlacin pasa por los valores -1, -0.5, 0, 0.5
Frontera eficiente (Correlaciones=-1; -0.5; 0; 0.5)
0.105

0.1

Rendimiento

0.095

0.09

0.085

0.08

0.075

0.02

0.04

0.06

0.08

0.1
0.12
Riesgo

0.14

0.16

0.18

0.2

10

Qu ocurrir cuando la correlacin se acerca a uno?


%Frontera_Eficiente_Fernando_2.m
%Frontera Eficiente para diversos valores de la correlacin
ro=0.5;
vola1=0.2;rend1=0.1;
vola2=0.3;rend2=0.05;
%Ver que para r0>=0.7 solo elige el activo 1
ExpReturn=[rend1 rend2];
ExpCovariance=[vola1^2 ro*vola1*vola2;ro*vola1*vola2 vola2^2];

[PortRisk, PortReturn, PortWts]=frontcon(ExpReturn, ExpCovariance);


PortWts
plot(PortRisk, PortReturn); xlabel('Riesgo');ylabel('Rendimiento');title('Frontera
eficiente')

11

CARTERAS CON TRES ACTIVOS


Activo 1: Rentabilidad esperada 5%, volatilidad 15%
Activo 2: Rentabilidad esperada 6%, volatilidad 20%
Activo 3: Rentabilidad esperada 0%, volatilidad 40%
Sus correlaciones son 12 0.5 , 13 0.7 , 23 0.4

12
12 1 2 13 1 3 0.0225 0.015 0.042

ExpCovariance 12 1 2
22
23 2 3 0.015
0.04 0.032
13 1 3 23 2 3
32 0.042 0.032 0.16

ExpCovariance=[0.0225 0.015 -0.042 ; 0.015 0.04 -0.032 ; -0.042 -0.032


0.16];
ExpReturn=[0.05 0.06 0];
[PortRisk, PortReturn, PortWts]=frontcon(ExpReturn, ExpCovariance)

12

CARTERAS DE MNIMA VARIANZA FIJANDO UN OBJETIVO DE


RENDIMIENTOS
Tambin es posible encontrar la cartera de varianza mnima para un
determinado rendimiento prefijado de antemano. Dicho rendimiento ha de
estar comprendido entre el mximo rendimiento alcanzable por la cartera
mediante posiciones largas y el rendimiento de la cartera de riesgo
mnimo (vrtice inferior de la frontera eficiente).
[PortRisk, PortReturn, PortWts] = frontcon(ExpReturn,
ExpCovariance,[],PortReturn)
NumPorts debe hacerse igual al [].
Si, por ejemplo PortReturn =[0.05]
[PortRisk, PortReturn, PortWts] = frontcon(ExpReturn, ExpCovariance,[],[0.05])
Resulta
PortRisk = 0.1192
PortReturn = 0.0500
PortWts = 0.5120 0.4067 0.0813
Es posible generar varios puntos de la frontera
[PortRisk, PortReturn, PortWts] = frontcon(ExpRet, ExpCov,[],[0.04 , 0.045 ,
0.05, 0.055])

13

Cuntos activos forman una cartera de la frontera eficiente?


Partiendo de un mercado formado por un conjunto dado de activos individuales,
cada cartera de la frontera eficiente, que no sea demasiado arriesgada,
contiene casi todos los activos.
Ejemplo
Consideremos una cartera que contiene 10 activos cuyos rendimientos son
variables aleatorias normales N(0,1).
rend=randn(100,10);
ExpRet =mean(rend);
ExpCov =cov(rend);
[PortRisk, PortReturn, PortWts] = frontcon(ExpRet , ExpCov)
Rendimie Ries W1
W2
W3
W4
W5
W6
W7
nto
go
Carte -0.0034
0.347 0.21 0.10 0.13 0.14 0.16 0.15 0.09
ra 1
5
26
04
53
44
26
25
21
Carte 0.0273
0.357 0.18 0.11 0.12 0.15 0.12 0.13 0.15
ra 2
5
39
96
06
32
96
37
95
Carte 0.0579
0.386 0.15 0.13 0.10 0.16 0.09 0.11 0.22
ra 3
2
51
88
59
20
66
49
68
Carte 0.0886
0.429 0.12 0.15 0.09 0.17 0.06 0.09 0.29
ra 4
7
63
80
13
07
35
61
41
Carte 0.1193
0.484 0.09 0.17 0.07 0.17 0.03 0.07 0.36
ra 5
1
75
71
66
95
05
73
15
Carte 0.1499
0.546 0.06 0.19 0.06 0.18
0.05 0.42
ra 6
1
79
67
12
76
0
78
89
Carte 0.1806
0.614 0.02 0.22 0.03 0.18
0.03 0.49
ra 7
6
76
04
74
71
0
01
74
Carte 0.2113
0.688
0.24 0.00 0.18
0.56
ra 8
4
0
44
41
30
0
0
84
Carte 0.2419
0.784
0.20
0.05
0.73
ra 9
4
0
80
0
58
0
0
62
Carte 0.2726
0.935 0
0
0
0
0
0
1
ra 10
9
Observar como a medida que las carteras aumentan su riesgo tambin
aumenta su rendimiento. La Cartera 10 contiene un solo activo, el nmero 7; su
rendimiento es del 27.26%, que es el mximo de los siete; pero su volatilidad
es del 93.59%.

Otro ejemplo
Rendimie
nto
Carte 0.0264
ra 1

Ries W1
go
0.378 0.12
6
76

W2

W3

W4

W5

W6

W7

0.09
03

0.16
79

0.15
14

0.13
08

0.19
85

0.13
35
14

Carte
ra 2

0.0381

Carte
ra 3

0.0498

Carte
ra 4

0.0615

Carte
ra 5

0.0733

Carte
ra 6

0.0850

Carte
ra 7

0.0967

Carte
ra 8

0.1084

Carte
ra 9

0.1201

Carte
ra 10

0.1318

0.382 0.11
6
51

0.10
83

0.17
86

0.18
26

0.09
58

0.16
18

0.15
78

0.394 0.10
1
26

0.12
62

0.18
93

0.21
39

0.06
07

0.12
51

0.18
21

0.412 0.09
5
00

0.14
42

0.20
00

0.24
51

0.02
57

0.08
85

0.20
65

0.437 0.07
2
55

0.16
07

0.20
91

0.27
83

0.04
68

0.22
97

0.469 0.04
4
59

0.16
95

0.21
19

0.32
21

0.25
06

0.523 0
7

0.14
16

0.16
47

0.42
84

0.26
53

0.621 0
8

0.08
90

0.06
52

0.58
01

0.26
56

0.752 0
3

0.00
67

0.75
19

0.24
15

0.00
00
0.03
50

0.00
00
0.06
44

0.945 0.00
2
00
Rendimiento individual de los activos
0.01
32

0.07
15

0.04
58

1.00
00
0.13
18

0
0.08
50

Observar que como las posiciones siempre son largas la frontera eficiente
siempre termina en el activo de mxima rentabilidad de la cartera: el activo 4.

15

CARTERAS EFICIENTES CON EXCEL


ACTIVAR SOLVER:
Archivo > Opciones > Complementos > SOLVER > IR (Marcar con una cruz en
solver)
Una vez activado solver aparecer en el men de DATOS, a la derecha.

12

ExpCovariance 12 1 2
13 1 3

ExpReturn=[0.05 0.06 0];

12 1 2 13 1 3 0.0225 0.015 0.042

22
23 2 3 0.015
0.04 0.032
23 2 3
32 0.042 0.032 0.16

Buscar la cartera de mnima varianza cuya rentabilidad sea del 6%.


Las restricciones sern
W1+W2+W3=1
0.05*W1+0.06*W2+0*W3=0.06
W1>=0
W2>=0
W3>=0
Funcin objetivo que colocamos en la celda D30
=MMULT(MMULT(A30:C30;D22:F24);TRANSPONER(A30:C30))
En SOLVER hacer variar las celdas A30, B30 y C30 para minimizar la celda
D30 donde hemos puesto la frmula de la funcin objetivo.
Vamos a depositar las restricciones en las celdas A28 y A29:
En A28 colocamos A30+B30+C30
En A29 colocamos 0.05*A30+0.06*B30+0*C30
Las restricciones en SOLVER son:
$A$28=1
$A$29=0.06
$A$30>=0
$B$30>=0
$C$30>=0
Multiplicacin de matrices en EXCEL
Sita el cursor en la celda A6.
Selecciona con el ratn el rectngulo A6:C8
Mientras el rea A6:C8 permanece resaltada introduce en A6 la
expresin =MMULT(A2:C4;E2:G4)
Pulsar F2 (Fernando)
Pulsa simultneamente las teclas CTRL.+MAYUSC+INTRO (pulsa
primero CTRL y sin soltarla pulsa MAYUSC y por ltimo INTRO)

16

GENERACION MULTIVARIANTE DE RENDIMIENTOS CON MEDIA Y


COVARIANZA DADAS
Para generar vectores con una distribucin Gaussiana multivariante de media
y covarianzas podemos hacer uso de la descomposicin de Cholesky
que toma la forma

LLT
y L es una matriz triangular inferior mientras que su transpuesta es triangular
superior.
Partimos de un vector z de v.a cuyas componentes son independientes y
Gaussianas de media cero y varianza unitaria, por ejemplo
z1 z11 z12 ... z1n

z z2 z21 z22 ... z2 n


z z

3 31 z32 ... z3n


Entonces el vector

y1 y11

y Lz y2 y21
y y
3 31

y12
y22
y32

...
...
...

y1n

y2 n
y3n

tendrn media y covarianza .


Demostracin: Consideremos un vector aleatorio fila
z N 0, I E zz ' I
Por ejemplo vector aleatorio fila z z1 , z2
Si hacemos y Lz resulta
E y y ' E Lz Lz ' E Lzz ' L ' LE zz ' L ' LIL ' LL '

Ejemplo
>> A=[0.0225 0.015 -0.042; 0.015 0.04 -0.032;-0.042 -0.032 0.16];
>> eig(A) =0.0093 , 0.0328 , 0.1805
>> [V D]=eig(A)
0
0
0.1500

L 0.1000 0.1732
0
>> L = chol(A,'lower')
0.2800 0.0231 0.2847

17

%Cholesky_Cov.m
%Simula los rendimientos tres activos CON MEDIAS Y COVARIANZA DADAS
%Matriz de covarianzas
A=[0.0225 0.015 -0.042; 0.015 0.04 -0.032;-0.042 -0.032 0.16];
%Rendimientos esperados
E=[0.05 0.06 0]';
L = chol(A,'lower');
%Rendimientos de los activos
%Producto de Kroneker E*ones(1,252)
y=E*ones(1,252)+L*randn(3,252);
%Rendimientos medios anualizados
mean(y')
%Matriz de Covarianzas anuales
cov(y')

18

PROGRAMAS DE ELABORACIN PROPIA


OBTENCIN DE LA FRONTERA EFICIENTE PERMITIENDO POSICIONES
CORTAS CON RESTRICCIN SOBRE LA SUMA DE PESOS
Supongamos que la tasa de intercambio entre riesgo y rendimiento de un
inversor se obtiene maximizando el equivalente cierto

1
1
EC P P2 w ' w ' w
2
2
Donde el parmetro representa la tolerancia o aversin al riesgo del
inversor. Adems, los pesos de los activos de la cartera suman la unidad,
es decir, w ' I 1.
El problema de seleccin de carteras consiste en el problema de optimizacin

1
L( w ', ) w ' w ' w ( w ' I 1)
2
Donde denota el multiplicador asociado con las restricciones de inversin
plena w ' I 1. Derivando resulta el teorema de separacin en dos fondos de
Tobin:

' 1 1 1 1
w

1
1
1'

1
1'

*
mv

La cartera ptima de Markowitz puede ser escrita como una combinacin de


dos carteras: la cartera de mnima varianza que no depende de las
preferencias de riesgo del inversor ni del rendimiento esperado

wmin

1 1

1 ' 1 1

La cartera especulativa que depende de ambos factores

wespec

' 1 1

1
1'

Observar que ' 1 1 / 1 ' 1 1 es igual al rendimiento de la cartera de mnima


varianza. As, la parte especulativa se incrementa si los rendimientos medios
19

esperados se incrementan (surgen nuevas oportunidades), o desciende la


aversin al riesgo.
Si construimos sucesivas carteras ptimas para diferentes valores de la
tolerancia al riesgo , obtendremos la frontera eficiente.

20

OBTENCIN DE LA FRONTERA EFICIENTE PERMITIENDO POSICIONES


CORTAS SIN RESTRICCIN SOBRE LA SUMA DE PESOS
Alternativamente podemos considerar el problema de optimizar la utilidad
de un inversor sin restricciones sobre la suma de los pesos.
En este caso podemos considerar que en la cartera existe un activo libre de
riesgo que el inversor posee en la cantidad

w0 1 w1 w2 .... wk
Que puede ser positiva, cartera con prstamo, o negativa, cartera con
endeudamiento.
Supondremos, adems, que P representa el exceso de rendimientos
esperados de los activos de la cartera sobre el activo libre de riesgo r0 .1
Teniendo en cuenta que la prima de riesgo de r0 es igual a cero y que no tiene
varianza, el equivalente cierto de la cartera seguir siendo

1
1
EC P P2 w ' w ' w
2
2
Este problema de optimizacin libre se resuelve sin ms que derivar respecto al
vector de pesos
d EC
1
2w w 0
dw
2
1
w* 1

Como en la cartera ahora formada tambin existe un activo libre de riesgo, la


anterior expresin del vector de pesos ptimos nos dice que la asignacin de
activos con riesgo dentro de la cartera aumentar por tres razones:

Cuando aumente la tolerancia al riesgo .

Cuando aumente los rendimientos medios esperados de los activos.

Cuando disminuya la incertidumbre sobre el rendimiento medio (la


inversa de la matriz de covarianzas es una media de la precisin de los
rendimientos medios).

La diferencia con suponer que

la frontera eficiente

es el rendimiento de la cartera es que habremos de trasladar

r0 unidades hacia arriba.


21

IMPLEMENTACIN EN MATLAB
%Calcula la frontera de Markowitz PERMITIENDO POSICIONES CORTAS
%matriz de covarianzas
%A=[0.15 0.1;0.1 0.2];
A=[0.0225 0.015 -0.042; 0.015 0.04 -0.032;-0.042 -0.032 0.16];
%matriz de exceso de rendimientos medios
%m=[0.1 0.14];
m=[0.05,0.06, 0];
%LANDA ES LA AVERSIN AL RIESGO
%landa= 0.4:0.01:2;%Genera carteras de la FRONTERA EFICIENTE
%landa=0.06;%Inversor poco averso al riesgo
landa=0.2;%Inversor muy averso al riesgo
w=[]; ww=[]; media=[]; riesgo=[];
for i=1:length(landa)
%PROBLEMA RESTRINJIDO A QUE LOS PESOS SUMEN UNO.
%SE PERMITEN POSICIONES CORTAS
wmin=inv(A)*ones(length(m),1)/(ones(1,length(m))*inv(A)*ones(1,length(m))');%
cartera de mnima varianza
wspec=inv(landa(i))*inv(A)*(m'((m*inv(A)*ones(length(m),1))/(ones(1,length(m))*inv(A)*ones(1,length(m))'))*on
es(length(m),1));%cartera especulativa
w=wmin+wspec;
%PROBLEMA SIN RESTRICCIONES SOBRE LA SUMA DE PESOS A UNO.
%hay un activo Libre de riesgo FORNTERA DE SHARPE
%w=landa(i)*inv(A)*m'; % vector columna de pesos
ww=[ww w];
media(i)=w'*m';
riesgo(i)=sqrt(w'*A*w);
end
landa %aversin al riesgo
w %pesos cartera eficiente
media % rendimiento cartera eficiente
riesgo %riesg cartera eficiente
%plot(riesgo,media,'.')%FRONTERA EFICIENTE

22

CARTERA EFICIENTE CON FMINREARCH (FUNCIONA BASTANTE MAL)


Fminsearch es una funcin para resolver problemas de ptimos libres y solo
obtiene carteras donde se permiten posiciones cortas.
X = FMINSEARCH(FUN,X0,OPTIONS)

FUN es necesariamente una funcin vectorial


Hay que construir la funcin objetivo
function y=cartera_fun(w)
%Matriz de covarianzas de tres activos
B=[0.0225 0.015 -0.042; 0.015 0.04 -0.032;-0.042 -0.032
0.16];
w(3)=1-w(1)-w(2);
%Matriz de rentabilidades esperadas
E=[0.03 0.05 0.07];
rent_objetivo=0.06;
%0.03*w(1)+0.05*w(2)+0.07*w(3)=rent_objetivo
w(2)=(rent_objetivo-0.03*w(1)-0.07*w(3))/0.05;
y=[w(1) w(2) w(3)]*B*[w(1) w(2) w(3)]';
x0 es el punto inicial de bsqueda
>>x0=[1/3 1/3 1/3];

OPTIONS permite introducer opciones adicionales sobre tolerancia y nmero


de iteracciones del algoritmo por medio de optimset.
>>options=optimset('TolFun',1e-10,'MaxIter',400,'TolX',1e-10);
>> [X,fval]=fminsearch('cartera_fun',x0,options)
X = 0.7579 -0.1034
fval =

0.1420

0.0129

23

Diversificacin de carteras por medio de bonos


soberanos. Panormica internacional antes y
despus de la crisis de 2008

Stock-bond decoupling before and


after the 2008 crisis
E. Acosta-Gonzlez J. Andrada-Flix
and F. Fernndez-Rodrguez
Applied Economic Letters

DIVERSIFICACIN
nico free lunch en las finanzas
La existencia de covariabilidades que no sean
perfectas permite disminuir el riesgo
Teora de Markowitz del comportamiento del
consumidor racional

FRONTERA EFICIENTE Y CORRELACIN

HIPTESIS de MARKOWITZ
Solo existen dos periodos (teora esttica)
Rentabilidades y covarianzas se estiman a
partir del periodo anterior
La distribucin conjunta de rentabilidades es
normal multivariante
El inversor compra distribuciones de
probabilidad

PROBLEMAS
Las rentabilidades esperadas son muy sensibles
periodo histrico donde se estiman
RIESGO DE MODELO: las covarianzas son sensibles
al mtodo de estimacin empleado
ASIMETRA: las volatilidades se incrementan ms
ante shocks negativos que positivos
CONTAGIO: durante las crisis aumentan las
covarianzas entre activos. Elegir activos con
correlaciones histricas bajas no elimina posibles comovimientos adversos en pocas de crisis

USAR BONOS EN LA DIVERSIFICACIN?


Finales de los 70: correlaciones negativas Bodie (1976)
(Modelos de correlacin constante)
Fama (1981) y Shiller (1982): la correlacin negativa es
puramente espuria
Mehera y Prescot (1985): Equity Premium puzzle
Aparicin de los ARCH en los 80: correlacin dinmica,
condicional variable con el tiempo [Campbell and Ammer
(1993), and Glabadanidis (2003)]
DECOUPLING o flight to quality aunque la correlacin es
generalmente positiva, durante las cadas burstiles pasa a
ser negativa

NUESTRA METODOLOGA
ASIMETRA: las volatilidades y correlaciones se
incrementan ms ante shocks negativos que
positivos
Investigar la correlacin asimtrica y condicional
entre stocks y bonos
Cappiello, L., Engle R. F. and Sheppard K. (2006)
Asymmetric Dynamics in the Correlations of
Global Equity and Bond Returns, Journal of
Financial Econometrics 4 (4): 537-572

RESULTADOS EMPRICOS
Indices burstiles: DAX 100 (Alemania), CAC 40
(Francia), MIB (Italia), IBEX 35 (Espaa), FTSE 100
(Inglaterra), Nikkei 225 (Japn) y Dow Jones (USA)
Tras las crisis del 97 emerge un nuevo patrn de
desacoplamiento o huida hacia la seguridad:
cuando los mercados de stocks se derrumban los de
bonos se recuperan
Se adelanta en Japn a 1992
En Espaa e Italia desaparece con sus crisis de deuda

Correlacin condicional entre


rendimientos burstiles y de bonos
CAC40 Francia

DAX30 Alemania

7,000

12,000

6,000

10,000

5,000

8,000

1,000

.4

Correlations

.8

4,000
2,000

0.8

0
0.4
0.0

Correlations

Correlations
-0.4

-.4

-0.8
-1.2

-.8
90

92

94

96

98

00

02
Time

04

06

08

10

12

14

90

92

94

96

98

00

02
Time

04

06

08

10

12

14

Index

2,000

.0

6,000
Stock index (DAX30)

3,000

Stock index (CAC40)

Index

Correlations

4,000

Correlacin condicional entre


rendimientos burstiles y de bonos
DOW JONES USA

FTSE100 Inglaterra

20,000

7,000

16,000

6,000
5,000

12,000

4,000

.4

3,000

.8

2,000
.4

1,000

.0

.0

Correlations

Correlations

-.4

-.4
-.8

-.8
90

92

94

96

98

00

02
Time

04

06

08

10

12

14

90

92

94

96

98

00

02
Time

04

06

08

10

12

14

Index

4,000

.8

Correlations

8,000
Index

Correlations

Stock index (Dow Jones)

Stock index (FTSE100)

Correlacin condicional entre


rendimientos burstiles y de bonos
FTSEMIB Italia

IBEX35 Espaa

40,000

20,000
16,000

30,000

Stock index (FTSEMIB)

Stock index (IBEX35)

12,000

20,000

Correlations

.0

Correlations

.4

4,000

.8

.4
.0
Correlations

-.4

-.4

-.8

-.8
92

94

96

98

00

02
Time

04

06

08

10

12

14

92

94

96

98

00

02
Time

04

06

08

10

12

14

Index

.8

Index

Correlations

8,000
10,000

Correlacin condicional entre


rendimientos burstiles y de bonos
NIKKEI225 Japn

DOW JONES USA

40,000

20,000
16,000

30,000

12,000

Stock index (NIKKEI225)


.8

Stock index (Dow Jones)

8,000

.0
0

Correlations

10,000

4,000

.8

.4
.0
Correlations

-.4

-.4

Correlations
-.8

-.8
90

92

94

96

98

00

02
Time

04

06

08

10

12

14

90

92

94

96

98

00

02
Time

04

06

08

10

12

14

Index

.4

Index

Correlations

20,000

CONCLUSIONES
Contagio reduccin de los beneficios de la
diversificacin cuando ms se necesita.
Desacoplamiento de stocks y bonos. Huida
hacia la seguridad en los derrumbes
burstiles. Se crean correlaciones negativas
cuando ms se necesitan.
El nuevo patrn surge tras la crisis del 97.
Espaa e Italia son diferentes.

CAC40 FRANCIA
7,000
6,000
5,000

3,000

Stock index (CAC40)

2,000
.8

1,000

.4
.0

Correlations

-.4
-.8
90

92

94

96

98

00

02
Time

04

06

08

10

12

14

Index

Correlations

4,000

DAX30 ALEMANIA
12,000
10,000
8,000
6,000
4,000
2,000

0.8

0
0.4
0.0
Correlations
-0.4
-0.8
-1.2
90

92

94

96

98

00

02
Time

04

06

08

10

12

14

Index

Correlations

Stock index (DAX30)

DOW JONES USA


20,000
16,000
12,000
8,000
4,000

.8

.4
.0
Correlations
-.4
-.8
90

92

94

96

98

00

02
Time

04

06

08

10

12

14

Index

Correlations

Stock index (Dow Jones)

FTSE100 INGLATERRA
7,000
6,000
5,000
4,000
3,000

.8

2,000
.4

1,000

.0
Correlations
-.4
-.8
90

92

94

96

98

00

02
Time

04

06

08

10

12

14

Index

Correlations

Stock index (FTSE100)

FTSEMIB ITALIA
40,000
30,000

Stock index (FTSEMIB)

10,000

.8

.4
Correlations

.0
-.4
-.8
92

94

96

98

00

02
Time

04

06

08

10

12

14

Index

Correlations

20,000

IBEX35 ESPAA
20,000
16,000
Stock index (IBEX35)

12,000

4,000

.8

.4
.0
Correlations
-.4
-.8
92

94

96

98

00

02
Time

04

06

08

10

12

14

Index

Correlations

8,000

NIKKEI225 JAPN
40,000

30,000
Stock index (NIKKEI225)
.8

.4
10,000
.0
0
-.4
Correlations
-.8
90

92

94

96

98

00

02
Time

04

06

08

10

12

14

Index

Correlations

20,000

Captulo 1 : Opciones y Futuros

OPCIONES Y FUTUROS
OPCIONES
Un derivado es un contrato entre dos partes cuyo valor depende del nivel de
algn activo subyacente, tasa de referencia o ndice, como puede ser una
accin, un ndice burstil, una divisa, un bono o una materia fsica.
Los derivados son unos instrumentos financieros que permiten a los usuarios
controlar su exposicin al riesgo, decidiendo que tipo de riesgos quieren
asumir y cuales desean transferir a otros agentes.

Una opcin de compra (call opcin) da al poseedor el derecho, no la


obligacin, a comprar un activo subyacente por una cantidad E llamada
precio de ejercicio E (strike price) en un instante del tiempo T llamada fecha
de expiracin, de vencimiento o de maduracin.
Los calls son seguros contra incrementos potenciales en los precios

Una opcin de venta (put option) da al poseedor (que la ha comprado) el


derecho a vender el activo por un precio E. Los puts son seguros contra el
riesgo de cadas indeseadas del subyacente.
ST

ST

T
Otro tipo de opciones (call y put) muy populares entre los pequeos inversores
son los warrants, que son opciones emitidas por una institucin financiera.

Una opcin europea es aquella que puede ser ejercitada slo en la fecha de
expiracin.
1

Captulo 1 : Opciones y Futuros

Una opcin americana es aquella que puede ser ejercitada antes en la fecha
de maduracin.

Para el titular de la opcin, el contrato es un derecho, no una obligacin. La


otra parte, el vendedor o emisor, (writter) tiene una obligacin potencial:
debe vender el activo si el titular exige comprarlo. Ya que el titular tiene un
derecho y no una obligacin, cunto debera pagar el comprador por tener
ese derecho?.

Visiones opuestas sobre la evolucin del precio del activo:


El poseedor de una opcin de compra (call) desea que el precio del activo
suba todo lo posible. El vendedor de un call espera que baje.
El poseedor de una opcin de venta (put) desea que el precio del activo
caiga todo lo posible. El vendedor de un put espera que suba.

POSICIONES CORTAS Y LARGAS Y VENTAS AL DESCUBIERTO

La venta al descubierto o venta a corto (short selling) consiste en la venta de


activos, por parte de un inversor, que no posee en propiedad.
Si un inversor piensa que el mercado va a bajar puede apostar por sus
creencias vendiendo en corto el stock, pidindolo prestado a alguien que lo
posee y vendindolo.
En contraste, cuando una persona compra un activo se dice que va largo en el
activo o que adopta una posicin larga en el activo.

Hay dos lados en cada contrato de una opcin que tienen visiones opuestas
sobre el futuro del mercado.
Por una lado el comprador de la opcin (que toma la posicin larga).
Por otro el vendedor de la opcin (que toma la posicin corta).
El inters abierto, es el nmero de contratos pendientes de vencimiento
en una fecha dada. Su anlisis nos permite detectar las expectativas bajistas o
alcistas del mercado. Por lo general, en un mercado alcista existirn ms
contratos cal que put pendientes de vencimiento.

Captulo 1 : Opciones y Futuros

MAS JERGA
En cada instante del tiempo t las opciones call suelen clasificarse como:

En dinero (In the money) cuando S(t)>E

A dinero (At the money) S(t)=E

Fuera de dinero (Out of the money) cuando S(t)<E

Las opciones put suelen clasificarse como:

In the money cuando S(t)<E

At the money S(t)=E

out of the money cuando S(t)>E

ST

Call en dinero
Put fuera de dinero

E
Call fuera de dinero
Put en dinero

Captulo 1 : Opciones y Futuros

LOS PARTICIPANTES

Market maker (creadores de mercado)


En la prctica es difcil casar transacciones de compraventa entre particulares.
Un market-maker para cierta opcin es alguien que se compromete a mantener
tanto un precio de compra (bid price) y otro de de venta (ask price) para la
opcin.
El precio de venta es siempre superior al de compra y el margen se llama
orquilla de precios de compraventa (bid-offer spread).
La existencia de market makers asegura que las rdenes de compra y venta
siempre pueden cruzarse a algn precio, sin demora, aadiendo liquidez al
mercado y suavizan sus fluctuaciones. Obtienen sus beneficios a partir del bidoffer spread.

Los dealers son agentes muy poderosos relacionados con bancos y grandes
empresas, compran tanto por cuenta propia como ajena y por eso deben
gestionar un inventario.

Los brokers (corredores de bolsa) slo compran por cuenta ajena.

Captulo 1 : Opciones y Futuros

CONTRATOS FORWARD

Son acuerdos entre dos partes donde una parte contrata la compra de un
activo especificado a la otra parte por un precio especificado, conocido
como precio forward de entrega, en una fecha futura especificada. As, los
contratos forward no se realizan en mercados organizados sino over the
counter, es decir, en una red telefnica e informtica de agentes sin presencia
fsica.
El dinero no cambia de manos hasta la entrega; en cambio, la prima de una
opcin es pagada por adelantado (up-front).

El valor al vencimiento o valor terminal para una posicin larga


(compradora) de un forward es
ST E
ST es el precio spot del activo en el vencimiento y E es el precio de entrega.

Valor terminal de un contrato forward para el comprador


Comprador de Forward
Beneficio

ST

0
E

Captulo 1 : Opciones y Futuros

Valor terminal para una posicin corta (posicin vendedora) de un forward


E ST

Beneficio

Vendedor de Forward

ST

0
E

Ejemplo:
Una compaa Espaola sabe que ha de pagar 1000 en 90 das. As, entra
en una posicin larga en un contrato forward de compra de 1000 en 90
das al precio, por ejemplo, de 1850 . Con ello se cubre contra el riesgo de
subida de la libra.
De forma similar otra empresa Espaola que debe recibir 1000 en 90 das
entra en una posicin corta en un contrato forward de 1000 en 90 das por
1850 . As, se cubre contra el riesgo de subida del euro.

RIESGO DE CRDITO
El problema de los contratos over the counter es el riesgo de crdito
producido por el incumplimiento de una de las partes, donde el nico
recurso que quedar a la otra parte es acudir a los tribunales. En 1973
comienza a operar el CBOE (Chicago Board Options Exchange), el primer
mercado organizado de derivados que se crea en el mundo. Se crea una
cmara de compensacin que se interpone entre ambas partes y que asume
todos los riesgos de contrapartida. Surgen as los mercados de futuros
organizados.

Captulo 1 : Opciones y Futuros

CONTRATOS DE FUTUROS
Los contratos forward, tiene un riesgo de incumplimiento (riesgo de
crdito).

Los mercados de futuro se crean para eliminar este riesgo interponiendo


una sociedad annima solvente (el mercado de futuros) y obligando a las
partes a un deposito de garanta (margin account).

En el contrato de futuros se establece una liquidacin diaria en funcin de las


prdidas o ganancias del inversor segn la evolucin del mercado.

ESTRATEGIAS DE COBERTURA CON FORWARDS Y FUTUROS


Una posicin larga en contratos de futuros crea una proteccin contra los
efectos adversos que pueda tener la subida de determinado activo.
Una posicin larga es adecuada cuando una empresa desea garantizar el
precio de una mercanca que ha de comprar en el futuro, por ejemplo, una
refinera puede garantizar el precio del petrleo comprando futuros sobre el
crudo.
Una posicin corta en contratos de futuros sobre un subyacente crear una
proteccin contra las bajadas de dicho subyacente.
Esta cobertura es apropiada cuando se posee un activo y se desea asegurar su
precio de venta futuro.
Por ejemplo, si un granjero quiere proteger el precio de venta de su cosecha
(maz) que vender dentro de tres meses, debe tomar una posicin corta en
futuros sobre el maz.

El mercado de futuros tambin posibilita la cobertura de carteras. La cobertura


de una cartera de acciones puede realizarse tomando posiciones cortas en
futuros sobre un ndice burstil.

Captulo 1 : Opciones y Futuros

PARA QUE SE EMPLEAN LAS OPCIONES?

ESPECULACIN:

Las opciones son un gran instrumento de especulacin que limita las


prdidas a la prima y deja abiertas todas las posibilidades de beneficio si
acertamos en la evolucin del subyacente.

Los compradores de calls, los vendedores de puts y las posiciones largas


en futuros esperan que el mercado suba. Se laman bulls y son clientes
potenciales de opciones de compra.

Los vendedores de calls, los compradores de puts y las posiciones cortas


en futuros esperan que su valor caiga. Se les llama bears y son clientes
potenciales de opciones de venta.

COBERTURA DE RIESGOS:

Una cartera puede cubrirse contra las bajadas comprando una cantidad
adecuada de puts sobre sus activos o con una posicin corta en futuros
sobre ellos.

Las opciones y los futuros tienen un riesgo mayor que sus activos
subyacentes. No obstante, una funcin fundamental de los productos
derivados es la redistribucin del riesgo.
Pese a todo, las opciones y los futuros pueden verse como instrumentos
especulativos de muy alto riesgo pudiendo obtenerse grandes rentabilidades
frente a cambios relativamente pequeos del precio del activo subyacente.

Captulo 1 : Opciones y Futuros

APALANCAMIENTO

Se denomina apalancamiento de una posicin especulativa al cociente entre


el valor monetario de la posicin especulativa y la inversin requerida
para tomar dicha posicin.
El apalancamiento acta como un multiplicador de los beneficios/prdidas
obtenidos en la especulacin y tambin nos indica en nivel de riesgo asumido
por el especulador (a ms apalancamiento ms riesgo).
Cuando se especula en los mercados al contado (spot), el apalancamiento es
1. En los mercados de opciones el apalancamiento es mucho mayor. Por eso
se dice que las opciones son productos apalancados.

Ejemplo
Un inversor se encuentra con las alternativas:
Comprar directamente el activo XYZ en 250
Comprar un call con precio de ejercicio a 3 meses con E=250 .
Supongamos dos posibilidades para el precio del activo subyacente en tres
meses:
XYZ sube a 270 : ejercitando la opcin se gana 270-250=20
XYZ baja a 230 : la opcin no se ejercita y se pierde
Supongamos que el precio justo de compra de la opcin es

1
1
0 20 10 .
2
2

Si el mercado sube a 270 el beneficio neto obtenido en el call es 20-10=10


que representa el 100% en las opciones.
El beneficio en el activo subyacente es

270 250
0.08 , que es el 8%.
250

Si el mercado baja a 230 la prdida en las opciones es del 100%, mientras


que en el stock es del 8%.

Captulo 1 : Opciones y Futuros

VALOR DE LAS OPCIONES

El valor del call europeo en el momento de expiracin con precio de


ejercicio E es

S E si ST E
Ce ( ST , T ) max( ST E, 0) T
si ST E
0

Se llama valor intrnseco de una opcin al valor que se obtendra al ejercitar


dicha opcin en un determinado momento t T del tiempo, es decir,
max( St E, 0)

La grfica del valor intrnseco frente a St se llama diagrama de pagos . En


caso de una call, el diagrama de pagos del comprador puede dibujarse en
MATLAB:
>>E=100; S=0:0.1:200; plot(S,max(S-E,0))
En la grfica habr de descontar el valor de la prima de la opcin:
plot(S,max(S-E,0)-Call)

Ce ( St , t )

Comprador de un call

Valor temporal

Valor intrnseco

0
E

St

el valor del call (valor de la prima de la opcin) en el instante t, Ce ( St , t ) , t T


tiene dos componentes: valor intrnseco y valor temporal.
El valor intrnseco es el valor que se obtendra al ejercitar dicha opcin en un
determinado momento: el precio del subyacente menos el precio de ejercicio.
El valor temporal remunera la capacidad que tiene el call de conseguir mayor
valor intrnseco hasta su vencimiento, es decir, mide la capacidad de
convertir tiempo en dinero.
10

Captulo 1 : Opciones y Futuros

Valor de las cuatro posiciones bsicas al vencimiento:


Posicin larga en un call europeo cuyo valor al vencimiento es:

max ST E,0 .
En MATLAB:E=100; S=0:0.1:200; plot(S,max(S-E,0))

Posicin corta en un call europeo cuyo valor al vencimiento es:

max ST E,0 .
En MATLAB:E=100; S=0:0.1:200; plot(S,-max(S-E,0))

Posicin larga en un put europeo cuyo valor al vencimiento es:

max E ST ,0 .
En MATLAB:E=100; S=0:0.1:200; plot(S,max(E-S,0))

Posicin corta en un put europeo cuyo valor al vencimiento es:

max E ST ,0 .
En MATLAB:E=100; S=0:0.1:200; plot(S,-max(E-S,0))

En todos los casos habr de descontarse el valor de la prima. Por ejemplo, el


diagrama de pagos para el vendedor de un call al vencimiento es
E=100; S=0:0.1:200; plot(S,0,S,-max(S-E,0)+Call)
Vendedor de un call
0
ST

11

Captulo 1 : Opciones y Futuros

El el valor intrnseco de una posicin larga en un put europeo en el


momento de expiracin es
Pe ( ST , T ) max( E ST ,0) .

Teniendo en cuenta la prima, el diagrama de pagos al vencimiento ser


E=100; S=0:0.1:200; plot(S,0,S,max(E-S,0)-Put)
La figura representa, junto el valor del put Pe ( St , t ) , t T .

Pe ( St , t )

Comprador de un put

St
E

El diagrama de pagos para el emisor de un put (posicin corta) es la


siguientes
E=100; S=0:0.1:200; plot(S,0,S,-max(E-S,0)+Put)

Vendedor de un put
0
ST

12

Captulo 1 : Opciones y Futuros

ESTRATEGIAS SIMPLES DE ESPECULACIN CON OPCIONES

Las formas ms simples de especular con opciones son:

Comprar un call apostando por la subida del subyacente.

Acta como una pliza de seguros para especular sobre


expectativas de subidas: el comprador del call se asegura contra el
descenso de las cotizaciones del activo.

Se garantiza prdidas limitadas mientras que el poseedor de una


accin est expuesto a cadas ilimitadas).

Se beneficia de posibles ganancias ilimitadas.

No obstante la opcin tiene un riesgo superior al de la accin pues


es ms voltil.

Comprar un put apostando la bajada del subyacente.

Un put acta como una pliza de seguros para especular ante


expectativas de bajada.

Garantiza un beneficio limitado con los descensos del subyacente


junto con una prdida limitada ante sus ascensos.

13

Captulo 1 : Opciones y Futuros

PUNTO MUERTO
El punto muerto de una opcin es el umbral de rentabilidad a partir del
cual la opcin genera beneficios si se ejerce.
Se ve alterando con el paso del tiempo y con los posibles cambios que se
puedan producir en la volatilidad, tal como muestra la figura.

14

Captulo 1 : Opciones y Futuros

ESTRATEGIAS TCNICAS COMBINANDO ACCIONES Y OPCIONES

Estrategia protectora con un put: Posicin larga en la accin y posicin


larga en el put.
La posesin de una opcin de venta (put) genera un beneficio cuando baja
el precio de la accin a la que hace referencia. La manera de proteger una
accin contra el descenso del mercado es comprando un put. Una
posicin combinada de una accin comprada al precio P con la compra de
un put asegura al poseedor de la accin contra el descenso en las
cotizaciones, pero permite que se beneficie del ascenso.

En MATLAB
E=100; S0=90; S=0:0.1:200; Put=10;

plot(S,S-S0,S, max(E-S,0)-Put ,S,max(E-S,0)-Put+S-S0,*)

put
Long Stock
+ put
P

E
ST

put
Long Stock

15

Captulo 1 : Opciones y Futuros

Las diversas estrategias combinando posiciones de una opcin y el subyacente


se muestran en la figura

Todas estas figuras sugieren una relacin determinista entre los precios de un
call, un put y el subyacente llamada paridad put-call,: P S C E e r (T t ) .
De donde se obtienen ,
a) S C P E e r (T t )
b) S C P E e r (T t )
c) P S C E e r (T t )
d) P S C E e r (T t )
Ejercicio:
Dado el precio de un call hallar el precio de un put del mismo vencimiento por
medio de la paridad put-call.

16

Captulo 1 : Opciones y Futuros

ESTRATEGIAS TCNICAS COMBINANDO OPCIONES

La combinacin de opciones permite conseguir una gran variedad de


exposiciones ante el riesgo para los inversores (perfiles de riesgo).

Spread:

tomar posiciones de riesgo sobre diferenciales de precios.

Combina dos o ms opciones de un mismo tipo, por ejemplo varios calls


europeos, con la misma madurez.

Bullish vertical spread: comprar un call con precio de ejercicio

E1

y vender un call con precio de ejercicio ms grande E2 , donde E2 E1 .


Se llama bullish porque el inversor gana con una subida del precio del
activo; vertical porque hay dos precios de ejercicio diferentes; spread
porque esta hecha con el mismo tipo de opciones, las call.
La funcin de pagos al vencimiento es
max( S E1 , 0) max(S E2 , 0) con E2 E1 .

El diagrama de pagos en MATLAB es


E1=100; E2=110; Call1=10; Call2=15; S=70:0.1:150;

plot(S, max(S-E1,0)-Call1,S,-(max(S-E2,0)-Call2),S,max(S-E1,0)Call1-(max(S-E2,0)-Call2),'.')
Diagrama de pagos
Bullish vertical spread

E1 E2
0
ST

E1

E2

Permite especular sobre subidas del precio del subyacente, limitando las
prdidas.

17

Captulo 1 : Opciones y Futuros

Bearish vertical spread: vender un call con precio de ejercicio

E1

y comprar un call con precio de ejercicio E2 , donde E2 E1 .


La funcin de pagos al vencimiento es
max( S E1 , 0) max( S E2 , 0) con E2 E1 .

El diagrama de pagos en MATLAB es


E1=100; E2=110; Call1=10; Call2=15; S=70:0.1:150;

plot(S,S,S,0,S, -max(S-E1,0)+Call1+(max(S-E2,0)-Call2))
plot(S,

-(max(S-E1,0)-Call1),S,max(S-E2,0)-Call2,S,-(max(S-

E1,0)-Call1)+max(S-E2,0)-Call2,'.')

Bearish vertical spread

E2

ST

E1

Permite especular sobre bajadas del precio del subyacente, limitando


considerablemente las prdidas.

18

Captulo 1 : Opciones y Futuros

SPREADS DE VOLATILIDAD
Tienen como objetivo especular sobre las variaciones de la volatilidad en el
futuro y no sobre los precios.
Algunos spreads de volatilidad combinan posiciones tanto en opciones de
compra como en opciones de venta. Son populares los straddles, los strips,
los straps y los strangles.
Una posicin larga en un straddle consiste en comprar un call y un put con
igual precio de ejercicio y vencimiento. Como muestra su diagrama de
pagos, si al vencimiento el precio de la accin es similar al precio de ejercicio
se incurre en prdidas. Si hay un movimiento del subyacente suficientemente
grande en cualquier direccin, se producir un beneficio.

La funcin de pagos al vencimiento es

max( S E , 0) Call max(E S , 0) Put


El diagrama de pagos en MATLAB es
E=100; Call=15; Put=10; S=50:0.1:150;

plot(S,0,S, max(S-E,0)-Call+max(E-S,0)-Put)

Long Straddle

ST

19

Captulo 1 : Opciones y Futuros

Una posicin corta en un straddle consiste en vender un call y un put con


igual precio de ejercicio y vencimiento
E=100; Call=15; Put=10; S=50:0.1:150;

plot(S,0,S, -(max(S-E,0)-Call+max(E-S,0)-Put))

SHORT STRADDLE
25
20
15
10
5
0
-5
-10
-15
-20
-25
50

60

70

80

90

100

110

120

130

140

150

20

Captulo 1 : Opciones y Futuros

BUTTERFLY

Esta estrategia esta basada en la toma de tres posiciones simultneas en


opciones. Comprando una mariposa se apuesta por una bajada de la
volatilidad del mercado. Una posicin compradora en una mariposa consiste en
comprar un call a E1 vender 2 calls a E2 y compara un call a E3 .
Su diagrama de pagos es

E1

E2

E3

ST

Ejercicio:
Dibujar con MATLAB el diagrama de pagos de una estrategia butterfly.

21

Captulo 1 : Opciones y Futuros

TNELES: RISK REVERSAL

Tnel alcista: Compra de un call y venta de un put

Tnel alcista

ST

Tnel bajista: Venta de un call y compra de un put

Tnel bajista

ST

El objeto del tnel es apostar por una subida (bajada) del subyacente
aminorando el riesgo que se obtendra si comprsemos (vendisemos)
directamente el subyacente y sufrisemos un error en nuestras expectativas.
El tnel se utiliza cuando se estima que el movimiento del subyacente va a ser
muy fuerte en algn sentido y que existen pocas posibilidades de que se
mueva en sentido contrario (por ejemplo, una OPA inicial sobre una compaa
estando abierta la posibilidad de una contra OPA).

Ejercicio:
Dibujar con MATLAB los diagrama de pagos de un tnel alcista y un tnel
bajista.

22

Captulo 2 : Valoracin mediante arbitraje

VALORACIN MEDIANTE ARBITRAJE


Tres actividades fundamentales en los mercados financieros:
ESPECULACIN: reaccin ante las expectativas de evolucin futura de
los precios de un mercado, con el fin de obtener unos beneficios
asociados al riesgo de cumplimiento de dichas expectativas.
COBERTURA DE RIESGOS
ARBITRAJE: El arbitraje se refiere a la obtencin de beneficios

sin riesgo por entrada simultnea en dos o ms mercados o


posiciones diferentes. Los arbitrajistas se encargan, en todo
momento, de aprovechar y anular cualquier posibilidad de arbitraje
sin riesgo.

Ejemplo: arbitraje espacial


Consideremos un stock cuyo precio es de 10 $ en New York y 10.1 en
Madrid cuando el tipo de cambio es 1 $/. Un arbitrajista podra
simultneamente comprar el stock en NY y venderlo en Madrid obteniendo
un beneficio sin riesgo de 0.1$ por accin.

Ejemplo: arbitraje triangular


Supongamos que en el mercado de cambios nos encontramos los diferentes
tipos de cambio entre el dlar, la libre y el euro:
El tipo $/ es 1.45
El tipo / es 1.5
El tipo $/ 2.2
Como

1.45 ($/) x 1.5 (/) = 2.175 < 2.2 ($/)


suponiendo que no existiesen comisiones en los mercados de divisas, un
arbitrajista obtendra beneficios comprando euros con dlares y transformando
dichos euros en libras. Esta operacin le costara 1.45x1.5 = 2.175 dlares la
libra, cuando el mercado directo el precio de la libra es de 2.2 dlares.

Fernando Fernndez Rodrguez

Captulo 2 : Valoracin mediante arbitraje

Las oportunidades de arbitraje slo pueden ser momentneas:


Aumentara la demanda de dichos activos en Madrid, y con ello su precio,
y disminuir la demanda de dichos activos en NY, y con ello su precio.
Subir el precio del dlar y baje el euro.

El arbitraje juega un papel estabilizador.


VALORACIN DE ACTIVOS POR AUSENCIA DE ARBITRAJE
Un activo est correctamente valorado o que su precio es justo (fair price)
si no existen oportunidades de arbitraje (sin riesgo) sobre el precio del
activo.

Principios de valoracin por arbitraje: Ley del precio nico


Si dos activos financieros A y B tienen el mismo flujo de pagos
futuro T (tienen el mismo precio), hoy han de tener necesariamente
el mismo precio.
PA (T ) PB (T ) PA (0) PB (0)

Si PA (0) PB (0)
Hoy obtendramos un beneficio sin riesgo PB (0) PA (0)

tomando una

posicin larga en el activo A (el ms barato) y una posicin corta en el activo B.


En el instante T venderemos el activo A compraremos el activo B y lo
devolveremos.

Veamos como la relacin de no existencia de arbitraje permite la valoracin de


algunos productos financieros.

Fernando Fernndez Rodrguez

Captulo 2 : Valoracin mediante arbitraje

VALOR DE UNA CORRIENTE DE RENTAS

Veamos que por el principio de no existencia de arbitraje, el valor terico de


cualquier activo financiero, es el valor presente de la corriente de rentas
generadas (esperadas) en el futuro.
Sea un bono que produce 100 euros dentro de un ao con seguridad.
Veamos que su valor hoy viene dado por
Supongamos que V

100
(1 r )

100
(1 r )

Obtendremos beneficio sin riesgo comprando hoy el activo y pidiendo


prestado

100
100
. Me quedo con la diferencia
V como beneficio sin
(1 r )
(1 r )

riesgo porque dentro de un ao el bono me permite cancelar el crdito.


Supongamos que V

100
(1 r )

Obtendremos beneficio vendiendo hoy (en descubierto) el activo y


depositando en el banco la cantidad

100
(comprar un bono) que dentro
(1 r )

de un ao me permitir volver a comprar el bono para devolverlo. El beneficio


sin riesgo obtenido hoy ser V

Fernando Fernndez Rodrguez

100
(1 r )

Captulo 2 : Valoracin mediante arbitraje

Ms generalmente, sea un activo de valor V que produce unos flujos


monetarios seguros Fi en los instantes ti .
Veamos que V

Fn
F1
F2

.....
t1
t2
(1 r1 )
(1 r2 )
(1 rn )tn

Supongamos que
V

Fn
F1
F2

.....
t1
t2
(1 r1 )
(1 r2 )
(1 rn )tn

Entonces consideramos la estrategia de comprar hoy en activo en V y,


simultneamente, pedir n prstamos de cuantas

Fi
a devolver en los
(1 ri )ti

instantes ti .
En el futuro, la corriente de rentas F1 ,...., Fn que produce nuestro activo en los
instantes t1 ,...., tn permite ir cancelando nuestros prstamos.
Como consecuencia se produce hoy una oportunidad de arbitraje obteniendo
n

un beneficio sin riesgo

Fi

(1 r )
i 1

ti

V en el momento presente.

Si se cumpliese que
V

Fn
F1
F2

.....
t1
t2
(1 r1 )
(1 r2 )
(1 rn )tn

La estrategia arbitrajista sera vender hoy (en descubierto) el activo y


prestar las cantidades

Fi
(comprar un bono) que nos devolvern en los
(1 ri )ti

instantes ti los flujos Fi . El beneficio sin riesgo obtenido hoy ser de


n

V
i 1

Fi
.
(1 ri )ti

Fernando Fernndez Rodrguez

Captulo 2 : Valoracin mediante arbitraje

PRECIO DE UN CONTRATO FORWARD


Hirsa y Neftci pgina 56:
Supongamos que compramos una unidad fsica de oro en el tiempo t por St
euros usando fondos que hemos pedido prestados a un tipo continuo rt que se
supone fijo en el periodo. Sea c el coste de almacenamiento por unidad de
tiempo que ser pagado en T. El coste total de mantener en nuestro poder ese
oro durante un periodo de longitud T-t ser
e rt T t St T t c

Un contrato forward es otro mtodo para asegurarnos la posesin del oro en el


tiempo T. Al firmar dicho contrato se acuerda la entrega del oro en T y los
pagos se realizan en el momento de la expiracin en T.
Los resultados de ambas carteras son idnticas y su coste ha de ser el mismo:
F St , t e rt T t St T t c

Hull lo expone ms formalmente:


El precio forward es igual al valor que toma en el instante T un depsito
bancario realizado en el instante t 0 , de cuanta igual al valor del
subyacente, que permita comprar en el instante t 0 el activo St0 , es decir,

Ft0 E St0 er (T t0 )
Considerando argumentos de arbitraje en dos carteras de activos:
La cartera 1 contiene un contrato forward.
La cartera 2 contiene el subyacente y un prstamo a devolver en la fecha de
ejercicio t 0 .
Pago hoy t 0

Pago fecha de
ejercicio T

Cartera 1:

Comprar forward

Fernando Fernndez Rodrguez

ST E

Captulo 2 : Valoracin mediante arbitraje

E e r (T t0 )

St0

ST

Flujo Cartera 1

ST E

Flujo Cartera 2

St0 E er (T t0 )

ST E

Cartera 2:

Tomar prestado
+
Comprar
subyacente

Como los flujos de ambas carteras en la fecha de ejercicio son iguales, su


coste en el momento presente ha de ser el mismo. As,

St0 E e r (T t0 ) 0 , E St0 er (T t0 )

Fernando Fernndez Rodrguez

Captulo 2 : Valoracin mediante arbitraje

LA PARIDAD PUT Y CALL DE OPCIONES EUROPEAS


Existe una relacin determinista entre los valores de las opciones put y
call europeas
Consideremos las carteras A y C con opciones europeas

Valor antes de la Valor

Cartera A:

Call europea

la

madurez

madurez T

Ce

max 0, ST E E
max E, ST

+
Bono de valor E en

en

E e r (T t )

T
Cartera C:

Put europea

max E ST ,0 ST

Pe

max E, ST

+
Accin

Relaciones
de valor

VA VB

VA VB

Ambas carteras tienen al madurar un valor de max E, ST . Como las opciones


son europeas no pueden ejercitarse antes de la maduracin y las carteras
tendrn valor idntico en el instante t T . Por tanto
Ce E e r (T t ) Pe S

Esta relacin se conoce como paridad put-call.


Tal paridad puede interpretarse diciendo que una posicin larga en una opcin
de venta combinada con una posicin larga en la accin es equivalente a una
posicin larga en una opcin de compra ms cierta cantidad en metlico.

Si escribimos la paridad put-call de la forma

S Ce E e r (T t ) Pe , puede

interpretarse diciendo que una posicin larga en acciones combinada con una
posicin corta en una opcin de compra equivale a una posicin corta en una
opcin de venta ms cierta cantidad en metlico.

Fernando Fernndez Rodrguez

Captulo 2 : Valoracin mediante arbitraje

VALORACIN DE LAS OPCIONES


Por el principio de no existencia de arbitraje, el valor terico de una opcin,
como el de cualquier otro activo financiero, es el valor presente de la
corriente de beneficios esperados en el futuro.
Consideremos como ejemplo una opcin de compra europea con vencimiento
dentro de un ao, con precio de ejercicio E=100 y donde el tipo de inters es
r=5%. Supongamos que la distribucin de precios del subyacente al
vencimiento y los valores intrnsecos vienen dados en el cuadro
Precios del subyacente al vencimiento de la opcin
Precio del subyacente

Probabilidad %

Valor

del

call

vencimiento

Max ST E,0
70

80

90

20

100

40

110

20

10

120

20

130

30

En una primera aproximacin el valor terico de la opcin ser

C=

1
[0 0.02 + 0 0.08 + 0 0.02 + 0 0.40 +10 0.20 + 20 0.08 + 30 0.02] = 4
1+ 0.05

Existen dos dificultades para definir modelos ms sofisticados basados en esta


idea:

Tener una descripcin adecuada de la evolucin de precios del


subyacente y sus correspondientes probabilidades.

Emplear un factor de descuento adecuado al riesgo que soporta la


opcin. Obtener la prima de riesgo con que debe descontarse los flujos
futuros proporcionados por una opcin puede resultar ciertamente
complicado.

Por esa razn se han desarrollado modelos de valoracin mas sofisticados.

Fernando Fernndez Rodrguez

Captulo 2 : Valoracin mediante arbitraje

VALORACIN DE OPCIONES POR AUSENCIA DE ARBITRAJE


ESTRATEGIA REPLICADORA PARA UN CALL EUROPEAO
Solo hay dos periodos: hoy y maana
Solo hay dos activos fundamentales: Un stock con riesgo S y un bono sin
riesgo B cuyo precio hoy B=1 y el tipo a un ao 6%.
El precio hoy del stock es S0 50 ; el precio dentro de un ao ser
55 con probabilidad p
S1
48 con probabilidad 1 p

Hay un call escrito con precio de ejercicio E=50, sobre el stock cuyo pago al
vencimiento ser:
55 50 5
max S1 E , 0
0

con probabilidad p
con probabilidad 1 p

Si conocisemos la probabilidad p y una prima de riesgo adecuada a la


volatilidad de las opciones el precio CO de un call podr obtenerse como
CO

E (C ) 5 p 0(1 p )

1 rO
1 r

No obstante vamos a valorar la opcin por ausencia de arbitraje usando la ley


del precio nico:

Construyamos una cartera formada por el stock y el bono que


replique los futuros pagos del call.
55n1 1.06n2 5 valor de la cartera cuando S1 55
48n1 1.06n2 0 valor de la cartera cuando S1 48

n1 es el nmero de unidades del subyacente y n2 el nmero de unidades

del bono B que hoy vale 1 y paga con seguridad 1+r en el instante t=1.
Resolviendo el sistema n1 , n2 0.71, 32.34
As, comprando un 0.71 unidades de una accin del stock por 50x0.71=35.72
y pidiendo prestado 1x32.34 = 32.34 al 6% al ao, conseguiremos replicar el
precio del call C1 .
Por tanto, el precio hoy C0 del call debe ser igual al coste de la

cartera de rplica:
C0 50w1 1w2 50 0.71429 1 32.345 35.72 32.35 3.37

Fernando Fernndez Rodrguez

Captulo 2 : Valoracin mediante arbitraje

GENERALIZANDO: MODELO BINOMIAL DE COX-ROSS-RUBINSTEIN

Valorar un call con precio de ejercicio E.


Slo existen dos periodos entre los que median T unidades de tiempo.
t=0 que es el presente, donde un activo tiene el valor S 0 ,
t=1 que es el futuro donde hay dos posibles estados de la economa e1 y
e2 , y el activo puede tomar un valor al alza S1u S0u , u 1 con probabilidad p y

un valor a la baja S1d S0 d , d 1 y con probabilidad 1 p :

S1u S0u
C1u Max S0u E,0

S0

1-p

S1d S0 d
C1d Max S0 d E ,0

Si el subyacente sube a S 0u el pago del call es C1u Max S0u E,0 y si baja a
S0 d su pago es C1d Max S0 d E,0 .

Veamos dos formas alternativas de valorar un call siguiendo este modelo: La


construccin de una estrategia replicadora y la construccin de una cartera sin
riesgo.

Fernando Fernndez Rodrguez

10

Captulo 2 : Valoracin mediante arbitraje

CONSTRUCCIN DE UNA ESTRATEGIA REPLICADORA


Formamos una cartera con el subyacente y un bono replique en el futuro el
valor que el derivado, conteniendo

n1 unidades del subyacente y n2

unidades de un bono P que hoy vale 1 y paga con seguridad 1+r en el


instante t=1.
En t=0 la cartera valdr
X 0 n1S0 n2 P0

En t=1 la cartera valdr


n1S1u 1 r n2 n1S0u 1 r n2 el estado e1 de la economa
X1 d
n1S1 1 r n2 n1S0 d 1 r n2 el estado e2 de la economa

Vamos a imponer ahora que la cartera tenga el mismo valor que el call C
el instante t=1.
n1S1u 1 r n2 n1S0u 1 r n2 C1u

n1S1d 1 r n2 n1S0 d 1 r n2 C1d

El sistema tiene solucin nica ya que

S1u
det d
S1

1 r det S0u 1 r 0 ,

1 r
S0 d 1 r

Por la regla de Cramer los parmetros de la estrategia replicadora son


n1

C1u C1d
C1u C1d

S1u S1d S0u S0 d

n2

C1d S0u C1u S0 d


C1d S1u C1u S1d

1 r S1u S1d 1 r S0u S0d

Por el principio de no existencia de arbitraje si la cartera replica el derivado en


t=1 tambin lo replicar hoy, en t=0, es decir

C1d S0u C1u S0 d


C1u C1d
C0 X 0 n1S0 n2 P0
S0

S 0u S 0u
1 r S0u S0 d
n1

n2

r d C d u r 1 C u 1 r d C d u 1 r
C0 C1u
1
1 r u d 1 1 r u d 1 r 1 u d
u d

p
1 p

Fernando Fernndez Rodrguez

11

Captulo 2 : Valoracin mediante arbitraje

A las cantidades p y 1 p

1 r d
u d
u 1 r
1 p
u d
p

se les llama pseudo-probabilidades de riesgo neutro; aunque suman


1, no son necesariamente positivas.
En resumen, la frmula de valoracin puede escribirse como

C0

1 r

E C1

1 r

C1u p C1d 1 p

el precio de hoy de la opcin se interpreta como el valor actual del pago

esperado en el futuro, descontado a la tasa libre de riesgo.


Ejercicio
Comprobar que la condicin para que p est comprendido estrictamente entre
0 y 1 es que d S0 1 r u

Alternativamente, si suponemos capitalizacin continua y un tiempo T entre


el presente y el futuro resulta la frmula

C0 e rT E C1 e rT C1u p C1d 1 p

e
p

rT

u d

Fernando Fernndez Rodrguez

12

Captulo 2 : Valoracin mediante arbitraje

EL MUNDO DE RIEGO NEUTRO


Resulta natural interpretar a p

rd
y 1 p como alguna probabilidad de un
ud

movimiento al alza y a la baja del precio del subyacente. Con estas


probabilidades su precio esperado ser

E ( S1 ) pS0u (1 p ) S0 d pS0 (u d ) S0 d
como p

1 r d
, resulta
ud

E(S1 ) S0 1 r

Por tanto, suponer que p es la probabilidad de un movimiento al alza del


subyacente es equivalente a suponer que el precio del subyacente crece, en
promedio, a la tasa libre de riesgo.
La ecuacin E(S1 ) S0 1 r puede interpretarse diciendo que la medida de
probabilidad

p ,1 p

es neutral al riesgo, lo que significa que nos

encontramos en un mundo neutral al riego (o de riesgo neutro):


Los inversores no necesitan compensacin por tomar

riesgo
Descuentan los activos al tipo libre de riesgo
El rendimiento esperado de todos los activos es la tasa
libre de riesgo.

Fernando Fernndez Rodrguez

13

Captulo 2 : Valoracin mediante arbitraje

PRINCIPIO DE VALORACIN NEUTRAL AL RIESGO:


Suponer que el rendimiento esperado de todos los activos
negociados es igual al tipo libre de riesgo, lo que equivale a usar las
pseudo-probabilidades p ,1 p , lo que es falso en el mundo real.

Suponer

que

los

flujos

de

caja

futuros

pueden

valorarse

descontando sus valores esperados al tipo libre de riesgo, cosa


tambin falsa porque el factor de descuento a aplicar debe de contener
una prima de riesgo que d cuenta de su incertidumbre.

Aunque ambas hiptesis son falsas, se compensan mutuamente resultando


una valoracin correcta de la opcin. La valoracin en un mundo neutral al
riesgo tambin ser vlida en el mundo real.

Fernando Fernndez Rodrguez

14

Captulo 2 : Valoracin mediante arbitraje

UN ATAJO EN EL CLCULO DE LAS PROBABILIDADES DE RIESGO


NEUTRO
Consideremos un modelo bonomial donde el precio actual del subyacente es
S0 1 y en el periodo futuro puede moverse a 2 y 0.5 en los prximo ao.

S1u 2
E 1
C1u Max S1u E , 0 Max 2 1, 0 1

S0 1

1-p

S1d 0.5
E 1
C1d Max S1d E , 0 Max 0.5 1, 0 0

Supongamos que el tipo libre de riesgo es del 5% y consideremos una opcin


de compra europea de precio de ejercicio de 1 vencimiento en un ao.
Para aplicar la frmula de valoracin

C0

1
1
pC1u (1 p) C1d
E C1
1 r
1 r

Es posible determinar p haciendo uso de la informacin del precio del


activo subyacente S. Como estamos en un mundo de riego neutro valoramos
el subyacente descontando sus valores esperados al tipo libre de riesgo

S0 1

2 p 0.5(1 p )
1 r

Suponiendo r 0.05 resulta que p 0.3667 . Ello permite encontrar ahora el


precio de la opcin

CO

1 p 0(1 p) 0.3667

0.3492
1 r
1.05

Las cantidades de S0u 2 y S0 d 0.5 de subida y bajada del subyacente, han


sido elegidas de forma bastante arbitrarias. Como puede verse en el Apndice
1, si hacemos u 1/ d , los valores de u y d pueden obtenerse a partir de la
volatilidad de los rendimientos

u e

, d e

Fernando Fernndez Rodrguez

15

Captulo 2 : Valoracin mediante arbitraje

Ejemplo
Consideremos un modelo bonomial donde el precio actual de una accin es
10 y en el periodo futuro puede moverse a 12 y 8 en los prximos 3 meses.
Supongamos que el tipo libre de riesgo es del 5% y consideremos una opcin
de compra europea de precio de ejercicio de 11 vencimiento en tres
meses.
Llamemos p a la probabilidad de una subida en el precio de las acciones en
un mundo de riesgo neutro. En tal mundo, el rendimiento esperado de los
activos igualar al tipo libre de riesgo, es decir,

E S S0 erT
12 p 8(1 p) 10e0.05 x 0.25

En tal caso p=0.5314 y 1 p 0.4686

Al cabo de tres meses el call tiene entonces una probabilidad 0.5314 de


ejercitarse con valor 12-11 y una probabilidad de 0.4686 de no ejercitase. Su
valor, descontado al tipo libre de riesgo ser

C0 e rT E C1 e rT pCu1 (1 p)Cd1
(0.5314 (12-11)+ 0.4686 0)e-0.050.25 0.5248

Supongamos ahora que en el mundo real el rendimiento esperado de las


acciones se estima en un 12%. En tal caso es posible estimar tambin las
probabilidades del mundo real.
12 p 8(1 p) 10e0.12 x 0.25

De aqu resulta ahora que


p 0.5761 y 1 p 0.4239

No obstante, no resulta fcil valorar ahora la opcin porque no es fcil saber


cul es el tipo de descuento correcto que debe aplicarse al valor esperado
de la opcin porque soporta un riesgo superior al del activo subyacente y el
tipo de descuento a aplicar debe ser superior al 12%.
Observar que si aplicsemos las probabilidades reales, el tipo de descuento
correcto que habra que aplicar sera en este caso
(0.5761 (12-11)+ 0.4239 0)e-r0.25 0.5248

de donde resulta r=0.3731, es decir un descuento del 37.31%.

Fernando Fernndez Rodrguez

16

Captulo 2 : Valoracin mediante arbitraje

Ejercicio
Supongamos que el subyacente toma hoy el valor S=10 y que dentro de un ao
puede subir a 11 con probabilidad p o bajar a 9 con probabilidad 1-p. Si el tipo
libre de riesgo es del 5% hallar la medida de probabilidad de riesgo neutro.
Basta despejar p de la ecuacin
11 p 9(1 p) 10(1 0.05) de donde p 0.75

Fernando Fernndez Rodrguez

17

Captulo 2 : Valoracin mediante arbitraje

CONSTRUCCIN DE UNA CARTERA SIN RIESGO


Consideremos una cartera X que consiste en una posicin larga de

acciones y una posicin corta de un call. Es decir X S0 C 1.


Vamos a calcular el valor de para que la cartera no tenga riesgo
con independencia de los movimientos del subyacente.
Para un movimiento al alza el valor de la cartera es
S0u C1u .

Para un movimiento a la baja el valor de la cartera es


S 0 d C1d .

Si igualamos ambos valores


S0u C1u S0 d C1d

obtenemos una delta

C1u C1d
S 0u S 0 d

Este valor de inmuniza la cartera ante los cambios del subyacente pues
hace que su valor sea el mismo tanto en el movimiento al alza como a la baja.
Obsrvese que es el cociente entre la variacin del precio de la opcin y el
precio del subyacente.
Llamemos r al tipo libre de riesgo. Como la cartera X S0 C es sin riesgo,
por el principio de no existencia de arbitraje ha de tener el mismo
rendimiento que el activo libre de riesgo2.
As, se ha de cumplir

(S0 C0 ) 1 r S0u C1u


Por tanto
C0

1
S0 1 r u C1u
1 r

Observar que ponemos signo positivo a las posiciones largas y signo negativo a las posiciones cortas.
Si tenemos garantizado un rendimiento en la cartera superior a r entonces podemos obtener
beneficio sin riesgo pidiendo prestado al banco a inters r e invirtindolo en la cartera neutral. Si el rendimiento de dicha cartera fuese inferior que el activo libre de riesgo
venderamos la opcin, practicaramos cobertura e invertiramos el dinero obtenido en el
banco. Por tanto, la accin conjunta de los inversores intentando explotar las oportunidades de
arbitraje mover el precio de la opcin en la direccin en que elimina el arbitraje.
2

Fernando Fernndez Rodrguez

18

Captulo 2 : Valoracin mediante arbitraje

Sustituyendo el valor de

C C
, despus de operar volvemos a obtener
S 0u S 0 d
u
1

d
1

la frmula de valoracin de riesgo neutro


C0

1
1
pC1u (1 p )C1d
E C1
1 r
1 r

donde
p

1 r d
ud

Fernando Fernndez Rodrguez

19

Captulo 2 : Valoracin mediante arbitraje

MODELO BINOMIAL CON VARIOS PERIODOS


Para el caso de tres periodos, primeramente habr que determinar los valores
2

de Ctu 2 t , Ctud 2 t , Ctd 2 t a partir de los valores de la opcin al vencimiento.


Seguidamente se hallarn los valores de Ctut y Ctdt y finalmente el calor de

C . La frmula de recursin ser

Ctuidt e rt p Ctu(i d1) t (1 p) Ctu(di 1) t

j i j

j 1 i j

j i ( j 1)

(4)

Ctu3t Max(u 3 S E , 0)
3

u2
t 2 t

C
Ctut

Ctu3dt Max(uS E, 0)
2

ud
t 2 t

C
Ctud3t Max(dS E, 0)
2

Ctdt

Ctd3t Max(d 3 S E , 0)
3

d2
t 2 t

Para el caso de N periodos puede llegarse al resultado

C e

r N t

N!
p j (1 p) N j C j
j !( N j )!

j 0

(5)

donde C j es el valor de la opcin en el momento de vencimiento que se


supone

alcanzado

tras

periodos

de

longitud

t : j

movimientos

ascendentes y N j movimientos descendentes, es decir

C j Max(u d N j S E , 0)
j

Fernando Fernndez Rodrguez

(6)

20

Captulo 2 : Valoracin mediante arbitraje

Para el caso de un put europeo sobre un activo que no paga dividendos


las frmulas de recurrencia (4) y (5) son similares, con la nica diferencia que
la frmula (6) se convierte en

Pj Max( E u d N j S , 0)
j

(7)

Por ello, la frmula (4) suele expresarse conjuntamente tanto para un cal
como para un put sobre un activo que no paga dividendos como

u j d i j
t it

r t

p ft u(i d1) t (1 p) ft u(di 1) t

Fernando Fernndez Rodrguez

j 1 i j

j i ( j 1)

(8)

21

Captulo 2 : Valoracin mediante arbitraje

VALORACIN DE LAS OPCIONES POR SIMULACIN


MONTE CARLO
Para la aplicacin de Monte Carlo es preciso la representacin de los derivados
como esperanza de objetos aleatorios que puedan ser simulados. En un
mundo neutral ante el riesgo las opciones pueden valorarse mediante la
esperanza condicional del valor esperado en el futuro descontado al tipo
libre de riesgo como:

Ct Et ( e r (T t ) CT )
donde Et denota la esperanza condicional neutral ante el riesgo, y r
denota el promedio del tipo de inters instantneo, libre de riesgo, entre los
instantes t y T. Si suponemos que r se conoce con certidumbre

Ct e r (T t ) Et ( CT )
Para valorar un call europeo es preciso simular numerosas realizaciones del
proceso que sigue el activo subyacente Si t y en cada una de ellas encontrar el
valor de la opcin Max( Si T E , 0) .
Por la ley de los grandes nmeros, estimaremos Et (CT ) como

1 n
Et (CT ) Max( Si T E , 0)
n i 1
El nmero n de simulaciones requerido depende de la precisin que se
requiera. Si es la desviacin standard de los valores simulados del derivado,
el error standard de la estimacin de CT es / n .

Fernando Fernndez Rodrguez

22

Captulo 2 : Valoracin mediante arbitraje

Ejemplo 1
Consideremos que el activo subyacente S (t ) sigue un movimiento Browniano
geomtrico.
dS
dt dW
S

dS Sdt SdW o bien

La ecuacin anterior puede interpretarse como


St h St St h St (Wt h Wt )
Wt es un proceso estocstico continuo que generaliza el ruido blanco t y tiene

la propiedad de que

Wt h Wt

N 0, h

As

St h St St h St h

En un mundo de riesgo neutro

y la realizacin puede

simularse mediante la ecuacin en diferencias

Sk Sk 1 rSk 1h Sk 1 (Wk Wk 1 )
Sk 1 rSk 1h Sk 1

donde

N (0,1) .

Como ejemplo vamos a proceder a la valoracin de un call donde el tiempo


hasta el vencimiento es de un ao (252 das):
E=10; r=0.1; sigma=0.2;
valor_vencimiento=[];
for i=1:1000
S=[]; S(1)=10;
for t=1:251
S(t+1)=S(t)+r/252*S(t)+ sigma/sqrt(252)*randn;
end
valor_vencimiento=[valor_vencimiento max(S(252)-E,0)];
%opcin asitica
%valor_vencimiento=[valor_vencimiento max(mean(S)-E,0)];
end
call=1/(1+r)*mean(valor_vencimiento)

Fernando Fernndez Rodrguez

23

Captulo 2 : Valoracin mediante arbitraje

Resulta ligeramente ms preciso suponer que Sk / Sk 1 tiene una distribucin


logaritmo normal. En tal caso la expresin de recurrencia sera

Sk Sk 1 e

2
2

) h h

donde r y

N (0,1)

donde haciendo uso de la aproximacin e x 1 x , resulta

Sk Sk 1 (r

2
2

) Sk 1h Sk 1

Obsrvese que para simular los valores del call Max( ST E, 0) los valores de
ST tambin pueden obtenerse directamente a la expresin

log ST

2
N log S0 ( )(T t ), 2 (T t ) o bien,
2

ST S0 e

2
2

)T T

donde r y

Fernando Fernndez Rodrguez

N (0,1)

24

Captulo 2 : Valoracin mediante arbitraje

Ejemplo
Consideremos que el precio de un stock 6 meses antes de la expiracin de una
opcin es de 42$, y que el precio de ejercicio de la opcin europea es 40$, el
tipo libre de riesgo es 10% p.a. y que la volatilidad es del 20% p.a.
Por tratarse de una distribucin logaritmo normal, el valor esperado del activo
subyacente E ( ST ) obtenido tericamente ser

E (ST ) S0 e

(r

2
2

)T

2
2

S0 erT 42e0.1x 0.5 44.15

El valor esperado del activo subyacente obtenido por simulacin es


1 10000
Si T 44.06
10000 i 1

Por otra parte, los rendimientos RT log ( ST / S0 ) durante los seis meses
pueden obtenerse tericamente haciendo uso de su distribucin normal

log ( ST / S0 )

2
N (r )T , 2T
2

As, la rentabilidad esperada tericamente y su desviacin standard sern


respectivamente

0.22
E RT E log ( ST / S0 ) (r )T (0.1
)0.5 0.04
2
2

Var RT T 0.1414
Los valores obtenidos por simulacin son, en cambio

E RT 0.0378
Var RT 0.1416

Aplicando la frmula de Black-Scholes el precio de un call y un put sern


respectivamente
>>[call put]=BS(42 , 40 , 0.1 , 0.2 , 0.5)
CBS 4.76 , PBS 0.81

Fernando Fernndez Rodrguez

25

Captulo 2 : Valoracin mediante arbitraje

El m-archivo monte_val.m permite estimar el precio del call y del put mediante
10000 simulaciones Monte Carlo resultando
CMC 4.69 , PMC 0.83

La desviacin standard de la distribucin de los valores crticos al vencimiento


Si T E es 6.2748. El error standard en la estimacin es

6.2748/ 10000 0.0627

que explica las pequeas divergencias.


El histograma de Si T E es

La probabilidad de ejercer el call ( S T E ) es 72.87%.


La probabilidad de ejercer el put es 27.13%.

Si considersemos que el precio de ejercicio es el precio forward, es decir


E S0 e rT 42 e0.1x 0.5 44.15

resultara,

CMC 2.34 , PMC 2.42

Lo que se aproxima a lo que afirma tericamente la paridad put-call3.

Cuando el precio de ejercicio es igual al precio forward, la paridad put-call P S C Ee

r (T t )

afirma que el put y el call tienen idntica valoracin.

Fernando Fernndez Rodrguez

26

Captulo 2 : Valoracin mediante arbitraje

Ejemplo 2
Como segundo ejemplo vamos a valorar una opcin europea en un modelo
de volatilidad estocstica de y Hull y White (1987) donde existen dos factores
de riesgo y tanto el cuadrado de la volatilidad como el activo son movimientos
Brownianos geomtricos:
d 2 2 dt 2 dW

dS Sdt SdWS

Cada una de estas ecuaciones ser sustituida por su versin discreta

2 2 t 2 t
S S t S S t
En un mundo neutral al riesgo tenemos r , por tanto

k2 k21 k21h k21 h


Sk Sk 1 r Sk 1 h k Sk 1 S

Para la simulacin de las dos variables aleatorias normales standard S y


con una correlacin dada , procederemos como:

S x1
x1 x2 1 2

siendo x1 , x2

N (0,1) e independientes.

Tras realizar numerosas simulaciones del activo subyacente Si t obteniendo en


cada una el valor de la opcin Si T E , obtendremos finalmente

Et (CT )

1 n
Max(Si T E, 0)
n i 1

y el valor de la opcin de compra ser

Fernando Fernndez Rodrguez

27

Captulo 2 : Valoracin mediante arbitraje

Ct e r (T t ) Et (CT ) e r (T t )

1 n
Max(Si T E , 0)
n i 1

Como caso prctico concreto consideremos, igual que antes, que el precio de
un stock 6 meses antes de la expiracin de una opcin es de 43.56$, y que el
precio de ejercicio de la opcin europea es 40$, el tipo libre de riesgo es 10%
p.a. y que la volatilidad es estocstica, siendo los valores de los parmetros del
modelo los siguientes:

250 , 0.5 , 0.3 , r 0.1 , h 1/ 250 , E 43.56 , T t 0.5

El archivo monte_volatil_est.m proporciona una simulacin del activo


subyacente (parte superior) y de la volatilidad (parte inferior) se muestran
en la siguiente figura

Si aplicasemos la frmula de Black-Scholes el precio de un call y un put son

Fernando Fernndez Rodrguez

28

Captulo 2 : Valoracin mediante arbitraje

CBS 4.76 , PBS 0.81

El m-archivo monte_volatil_est.m permite estimar el precio del call y del put


mediante 10000 simulaciones Monte Carlo con modelo de volatilidad
estocstica, resultando
CMC 4.37 , PMC 0.88

Si repetimos la simulacin considerando que el precio de ejercicio es el precio


forward E S0 e rT 42 e0.1x 0.5 44.15 , resulta
CMC 2.11 , PMC 2.50

lo que refleja una distorsin en la paridad put-call por efecto de la volatilidad


estocstica.

Ejercicio
Computar, usando el mtodo de Monte Carlo, el precio de una opcin asitica
1 T

cuya funcin de pago es f Max S (u )du E , 0 .


T 0

Fernando Fernndez Rodrguez

29

Captulo 2 : Valoracin mediante arbitraje

Generalizacin de Monte Carlo a procesos multidemnsionales


Algunos problemas de valoracin contienen un nmero n>1 de variables de
estado siguiendo procesos de difusin, por ejemplo podemos generar un
camino conjunto para el activo subyacente y el tipo de inters a corto plazo. La
simulacin de Monte Carlo puede extenderse a tales casos. Para ello
generaremos en primer lugar simulaciones para cada una de las variables de
estado de la forma

Sti t Sti 1 r t i t i

Para tener en cuenta las correlaciones entre las perturbaciones aleatorias,


supongamos que
E i j ij

El mtodo de factorizacin de Cholesky puede usarse para generar variables


aleatorias correlacionadas partiendo de variables incorrelacionadas.
Partamos de un vector columna de variables aleatorias incorrelacionadas
1 ,....., n genradas de forma Standard. Vamos a obtener un vector
T

1 ,....., n de variables con una matriz de correlacin prefijada de


T

antemano, es decir, E T .
Para ello aplicaremos la siguiente transformacin
M

Donde M satisface
M MT

Para verlo tomemos esperanzas:


E T E M T M T ME T M T MM T

Observacin
La descomposicin de la matriz de correlacin en el producto MM T no es
nica y el mtodo de factorizacin de Cholesky permite seleccionar una de
estas descomposiciones por medio de una matriz triangular inferior M .

Fernando Fernndez Rodrguez

30

Captulo 2 : Valoracin mediante arbitraje

TRABAJOS

EN

GRUPO:

VALORACIN

DE

OPCIONES

EXTICAS POR MONTE CARLO

Opciones asiticas
Opciones asiticas, aquellas cuya remuneracin depende del
promedio de los valores que ha alcanzado el precio del subyacente
en determinados momentos a lo largo de la vida de la opcin
acordados por las partes contratantes, en intervalos de tiempo
regulares: das, semanas o meses.
El valor de una opcin call asitica aritmtica en la fecha de
ejercicio es:
1 n
Max A E , 0 donde A S Ti
n i 1
Siendo S Ti el precio del subyacente en las fechas tomadas como
referencia, n el nmero de referencias tomadas, Ti la fecha en que
se toma la referencia i-sima, Te la fecha en la que expira la opcin
y E el precio de ejercicio.
Anlogamente, el valor de una opcin call asitica geomtrica en

la fecha de ejercicio es:


Max G E , 0 donde G

1/ n
1
S Ti .... S Tn

Opcin rango (range digital option)


Es una opcin que paga una cantidad ST-E en el momento de
ejercicio:
ST E

si

K1 St K 2

0t T

0 caso contrario

Opciones lookback, aquellas en las que la remuneracin al


tenedor de la opcin se establece en funcin de la cotizacin
mxima o mnima alcanzada por el subyacente a lo largo de la vida
de la opcin.
Valor en la fecha de ejercicio de un call lookback:
Max(0; MAX ( S1,..., ST) - E).

Fernando Fernndez Rodrguez

31

Captulo 2 : Valoracin mediante arbitraje

Valor en la fecha de ejercicio de un put lookback:


Max(0; E - MIN ( S1, ..., ST)).
Opciones barrera, aquellas en las que se determina un valor
denominado barrera, de forma que la opcin comienza a existir o
desaparece (es activada o desactivada) si el valor del subyacente
alcanza dicho nivel; es decir, que el tenedor de la opcin percibir
su remuneracin en funcin de que el precio del subyacente
alcance o no, en algn momento de la vida de la opcin, el nivel
predeterminado.
Las opciones de tipo In comienzan su existencia sin ningn valor y
solo se vuelven activas en el evento de que una barrera de precios
predeterminada Knock-in sea alcanzada. Por el contrario las
opciones de tipo Out comienzan su existencia ya activas y llegan a
ser nulas y a carecer de valor alguno en el evento de que una
barrera de precios predeterminada Knock-out sea alcanzada.
En caso de que la opcin expire sin haber sido activada, entonces
no tendr el menor valor, o puede que haya un pago en efectivo o
reembolso que es equivalente a una fraccin de la prima de la
opcin (el precio de adquisicin de la opcin).
Existen cuatro tipos principales de opciones de barrera:

Opciones Up-and-Out: Son opciones en las cules el precio


spot del subyacente inicia por debajo del nivel de la barrera. Si
el precio sube y alcanza la barrera entonces la opcin se
vuelve nula y carente de valor.
Opciones Down-and-out: Este tipo de opcin inicia con el
precio spot del activo subyacente arriba del nivel de la barrera.
En este caso la opcin se vuelve nula y carece de valor
cuando el precio spot baja y alcanza la barrera.
Opciones Up-and-in: Al inicio el precio comienza por debajo
del nivel de la barrera y tiene que subir y alcanzar esta para
que la opcin se active.
Opciones Down-and-in: En estas opciones al inicio el precio
se ubica por encima del nivel de la barrera y tiene que caer y
alcanzar esta para que la opcin se vuelva activa.

Por ejemplo, puede negociarse con una opcin Call Europea


basada en un activo subyacente con un precio spot de $100 y una
barrera Knock-out de $120. Esta opcin se comporta en todo
sentido como una opcin Call de estilo europeo con la gran
excepcin de que si el precio sube y llaga hasta $120, entonces la
opcin es desactivada y deja de existir para todo propsito por la

Fernando Fernndez Rodrguez

32

Captulo 2 : Valoracin mediante arbitraje

cual ya no tiene valor. En este caso la opcin no se reactiva si el


precio cae por debajo de $120.
Opciones digitales, aquellas opciones en las que, al igual que en
las opciones de barrera, el tenedor de la opcin ser remunerado
en funcin de que el precio del subyacente alcance o no un
determinado nivel, pero con la diferencia de que, en este caso, la
remuneracin es una cantidad fija preestablecida.
Sea B la barrera, suponiendo que S0 B el precio de ejercicio de la
opcin ser
0 si ST B

E si ST B
Opciones Rainbow
Son opciones que tienen ms de un activo subyacente.
Se distingue entre:
Opciones exchange u opciones sobre dos activos
intercambiables: Las opciones exchange, permiten al poseedor
cambiar un activo por otro activo.
Opciones el mejor de dos: Opciones que entregan el mejor de
dos activos. Al vencimiento, entregan a su comprador el activo que
presente mayor valor. Por tanto, al vencimiento tendr un valor
intrnseco dado por las expresiones:
Call: Max [Max (Sn1, Sn2 ) E , 0]
Put: Max [E - Max (Sn1, Sn2 ) , 0]
Opciones el peor de dos: Opciones que entregan el peor de
dos activos. Son opciones sobre dos activos que al vencimiento
entregan a su comprador el activo de menor valor, por tanto la
prima ser mucho menor. Tienen un valor
intrnseco, al vencimiento, dado por:
Call: Max [Min (Sn1, Sn2 ) E , 0]
Put: Max [E - Min (Sn1, Sn2 ) , 0]
Opciones el mejor de dos activos o dinero: Son opciones que,
como su nombre indica, entregan el mejor de dos activos o dinero.
Su valor intrnseco es el mayor valor entre los alcanzados por los
activos al vencimiento o una cantidad fija monetaria.

Fernando Fernndez Rodrguez

33

Captulo 2 : Valoracin mediante arbitraje

Opciones spread u opciones sobre diferenciales: Son


opciones con variaciones sobre tipo de subyacente, constituidas por
un diferencial entre dos parmetros. Su resultado a la fecha de
vencimiento, vendr dado por la diferencia de rentabilidad, precios,
tipos o cualquier otro parmetro entre dos activos (bonos, acciones,
fondos, swaps o ndices). Tienen un valor intrnseco al
vencimiento dado por:
Call: Max [(Sn1- Sn2 ) E , 0]
Put: Max [E - (Sn1 -Sn2 ) , , 0]

Fernando Fernndez Rodrguez

34

Captulo 2 : Valoracin mediante arbitraje

APNDICE 1
OBTENCIN DE LOS PARMETROS DEL MODELO BINOMIAL
Hemos visto el modelo binomial con dos periodos donde el precio S de un
activo se mueve al alza hasta una cantidad uS con probabilidad p , y a la
baja hasta dS con probabilidad 1 p , en un pequeo intervalo de tiempo t .

Vamos a determinar u y d.

Su
p

S
1 p

Sd

Los valores de u, d , p se eligen mediante las condiciones que han de


verificar la media y la varianza de los cambios de los precios del stock
durante el intervalo t .
Suponiendo una distribucin logaritmo normal en el precio de los activos, el
valor esperado del precio del activo al final del periodo en un mundo neutral al
riesgo donde la tasa media de crecimiento de todos los activos es igual a la
rentabilidad del activo libre de riesgo: r

E ( St t ) Se r t

Luego,
Sert pSu (1 p)S d ,

donde p es la probabilidad de un movimiento al alza del subyacente en un


mundo neutral al riesgo, por tanto

Fernando Fernndez Rodrguez

35

Captulo 2 : Valoracin mediante arbitraje

r t

pu (1 p)d

(1)

Teniendo en cuanta que Var (Q) E (Q 2 ) E (Q) 2 ,


la varianza del cambio en el precio del stock en el intervalo t es

Var (St t ) E (St2t ) E (St t )2 S 2 pu 2 (1 p)d 2 S 2 pu (1 p)d

Alternativamente, como el subyacente tiene una distribucin logaritmo normal

Var (St t ) S 2 e2 t t (e

1)

Aplicando el desarrollo de Taylor

ex 1 x

x 2 x3
..... y despreciando
2! 3!

trminos de orden t 2 o superior se obtiene que


Var ( St t ) S 2 (1 2 t 2 t )( 2 t ) S 2 ( 2 t 2 2 t 2 4 t 2 ) S 2 2 t

S 2 2 t S 2 pu 2 (1 p)d 2 S 2 pu (1 p)d

luego

2 t pu 2 (1 p )d 2 pu (1 p )d

(2)

Si a las ecuaciones (1) y (2) aadimos la ecuacin


u

1
d

Puede obtenerse

(3)
u e

, d e

er t d
ud

Suponiendo ausencia de arbitraje, el valor de la call ser


Ct e r t p Ctut (1 p ) Ctdt

que es la esperanza del valor esperado en el futuro, descontado al tipo


libre de riesgo.

Fernando Fernndez Rodrguez

36

Captulo 2 : Valoracin mediante arbitraje

APNDICE 2
EL MODELO BINOMIAL EN MATLAB
La funcin binprice.m de la toolbox de Finanzas permite la valoracin por el
mtodo binomial.
Su sintaxis es la siguiente

[ pr , opt ] = binprice ( S0 , E , r , T_t , dt, sigma , flag )

donde la funcin proporciona [ pr , opt ] que son los sucesivos precios del
activo y los valores de la opcin, respectivamente.
Adems, la variable dt representa los sucesivos incrementos del tiempo y flag
especifica si la opcin es un call (flag=1) o de un put (flag=0).

Como ejemplo consideremos la valoracin de un put

>> [pr,opt]=binprice(52,50,0.1,5/12,1/12,0.4,0)

de donde resulta
pr =
52.0000 58.3648 65.5088 73.5271 82.5269 92.6282
0 46.3293 52.0000 58.3648 65.5088 73.5271
0

41.2769 46.3293 52.0000 58.3648

36.7756 41.2769 46.3293

32.7651 36.7756

0 29.1920

opt =
3.7284

1.6637

0.4281

5.9177

2.9641

0.8763

9.0596

5.1644

1.7935

13.2244

8.7231

3.6707

17.2349

13.2244

20.8080

Fernando Fernndez Rodrguez

37

Captulo 2 : Valoracin mediante arbitraje

APNDICE 3
VALORACIN DE OPCIONES AMERICANAS
Una opcin es de tipo americano, o brevemente es una opcin americana, si el
poseedor de la opcin puede ejercitarla en cualquier instante t antes de la
madurez T. La valoracin de este tipo de opciones es un problema
matemtico mucho ms complicado que la valoracin de opciones europeas
ya que involucra un problema de optimizacin: el poseedor de la opcin ha de
decidir cundo es ptimo el ejercicio de la opcin.

En el caso de opciones americanas, la frmula (8) debe modificarse.


Supongamos, por ejemplo un put americano que no paga dividendos valorado
con un modelo binomial de N periodos. Sabemos que los valores del put en
los N+1 nodos terminales son

N j

Pt u Ndt Max( E u d N j S ,0)


j

No obstante, por tratarse de un put americano, en cada instante t it , el


poseedor de la opcin puede decidir ejercitarla y recibir el valor intrnseco
E u d i j S , o esperar. En tal caso la frmula de recurrencia ser
j

ft uidt Max E u d i j S , e r t p f t u (i d1) t (1 p ) f t u (di 1) t

j i j

Fernando Fernndez Rodrguez

j 1 i j

j i ( j 1)

.(9)

38

Captulo 2 : Valoracin mediante arbitraje

APNDICE 4
TEOREMA FUNDAMENTAL DE LA VALORACIN MEDIANTE
AUSENCIA DE ARBITRJE
Sea un mercado con k activos A1 ,..., Ak .
El valor de Ai en t=0 es S 0i .
Supondremos que el activo A1 es sin riesgo y que en t=1 S01 1 .
Consideremos que en el instante t=1 hay N posibles escenarios del mercado
1 ,..., N
Los precios de los activos en t=1 cuando se produce el escenario i sern:

S11 i 1 r, S12 i ,..., S1k i

Una cartera es un vector 1 ,..,k Rk donde i representa el nmero de


acciones que se poseen del activo Ai . Si i 0 decimos que tenemos una
posicin corta en el activo Ai .
El valor de la cartera en el instante t=0.
El valor de una cartera en el instante t=0 ser
k

V0 j S0j
j 1

El valor de la cartera en t=1 en el escenario i ser


k

V1 ; i j S1j i
j 1

Un arbitraje es una cartera que hace dinero de la nada:


V0 0 y V1 ; i 0 i 1, 2,..., N
o bien
V0 0

y V1 ; i 0 i 1, 2,..., N

Una medida de riesgo neutro es una distribucin de probabilidad i i


en 1 ,..., N , si para cada activo A su precio en t=0 es el valor esperado,
bajo , y descontado a la tasa libre de riesgo del precio del activo en t=1:
1 N
S0j
i S1j i j 1, 2,..., k
1 r i 1
Teorema fundamental de valoracin mediante arbitraje
La condicin necesaria y suficiente para que exista una medida de riesgo
neutro es la no existencia de arbitraje
Una cartera con los activos A1 ,..., Ak es una cartera de rplica del activo B si
N

B
1

i j S1j i

i 1, 2,..., N

j 1

Proposicin

Fernando Fernndez Rodrguez

39

Captulo 2 : Valoracin mediante arbitraje

Sea una cartera de rplica del activo B. Si el mercado es libre de arbitraje,


entonces en t=0 el valor de los activos mantienen idntica relacin en el
instante t=0:
N

S0B j S0j
j 1

Tres activos, dos perodos y dos escenarios


Slo has dos perodos: t y t . Por simplicidad supondremos 1 .
Consideremos un mercado en el que hay solo tres activos:
Un activo libre de riesgo, B t como una letra del tesoro, cuyo rendimiento
bruto hasta el siguiente perodo es 1 r .Por simplicidad supondremos que

B t 1 .
Un activo subyacente S t que toma dos posibles valores en el instante

t : S1 t S1u , S2 t S1d
Una opcin call de prima C t y precio de ejercicio K, que expira en el
siguiente perodo pudiendo tomar dos valores: C1 t C1u , C2 t C1d .
Por el teorema fundamental la condicin necesaria y suficiente para la no
existencia de arbitraje es que exista una medida de riesgo neutro 1 , 2 que
permite valorar cada uno de los tres activos como en valor esperado en el
futuro descontado a la tasa libre de riesgo, es decir

1 1 r 1 r

/ 1 r
u
S1d 1

S0 S1
/ 1 r
d 2
C Cu
C1
0 1
Lo que equivale a la existencia de dos constantes positivas 1 , 2 que
satisfacen las ecuaciones

1 1 r 1 r


u
S1d 1
S0 S1

C Cu
C1d 2
0 1
Ejemplo numrico:
Supongamos que S0 100 , S1d 100 , S1u 150 y que r=0.1

Fernando Fernndez Rodrguez

40

Captulo 2 : Valoracin mediante arbitraje

Consideremos un call con precio de ejercicio K=100 y valor no especificado C0


. Las condiciones de no arbitraje sern:

1 1.1 1.1


1
100

100
150



C 0
50 2
0
Si

resolvemos

las

dos

primeras

ecuaciones

obtendremos

1 0.7273 , 2 0.1818
La tercera ecuacin nos permite obtener C0 9.09 . A este precio para el call no
existe arbitraje.

Ejercicio (Hirsa y Nettci pgina 31)


En una economa hay dos estados del mundo y tres activos
Valor corriente

Futuro estado u

Futuro Estado d

Activo A

100

120

70

Activo B

70

80

60

Activo C

180

90

150

Son los precios corrientes de los activos libres de arbitraje?


Para ello hace falta que el siguiente sistema

100 120 70


1
70 80 60
180 90 150 2

sea compatible, cosa que es falsa porque su determinante es distinto de cero.

Si no es as, qu tipo de cartera de arbitraje podramos formar?


Si resolvemos el sistema

100 120 70 1

obtenemos 1 =0.6875 ; 2 =0.2500 . Si aplicamos estos


70 80 60 2
valores en la tercera de las ecuaciones 90 1 +150 2 =99.3750<180 . Esto quiere
decir que el tercero de los activos est sobrevalorado. Se podra realizar
arbitraje con l tomando hoy una posicin corta en dicho activo y vendindolo a

Fernando Fernndez Rodrguez

41

Captulo 2 : Valoracin mediante arbitraje

180 y recomprndolo en el siguiente periodo. El beneficio esperado ser

180- 90 1 +150 2 =180-99.3750=80.6250

Determinar un conjunto de precios libres de arbitraje para los activos A, B


y C.
Si tomamos 1 =0.6875 ; 2 =0.2500 tres precios libres de arbitraje seran

120 70
100

80 60 70
90 150 2 99.3750

Si tomamos 1 =0.5 ; 2 =0.5 tres precios libres de arbitraje seran

120 70
120 70
90

1
0.5

80 60 80 60 0.5 75
90 150 2 90 150 120

Supongamos que introducimos un cuarto activo, que es un contrato de


futuro a un periodo escrito sobre B. Cul es su precio?
Sea K el precio de dicho contrato de futuros sobre el activo B. K ser
determinado de modo que el valor en el instante inicial de dicho contrato de
futuros sea cero:

1 80 K + 1 1 60 K =0 K=201 60

Supongamos una opcin put con strike K=125 emitida sobre C que aspira
en el segundo periodo. Cul es su precio libre de arbitraje?.

1 max 125 90,0 + 2 max 125 150,0 135

Fernando Fernndez Rodrguez

42

Captulo 2 : Valoracin mediante arbitraje

Fernando Fernndez Rodrguez

43

Captulo 4 : La ecuacin diferencial de Black-Scholes

HIPTESIS DEL MODELO DE BLACK-SCHOLES


El anlisis de Black y Scholes para valoracin de cualquier derivado se basa el
la formacin de una cartera sin riesgo que puede ser establecida porque el
stock y su derivado estn afectados por la misma fuente de incertidumbre.
As, durante cortos periodos de tiempo estn perfectamente correlacionados.
Para una cartera de composicin adecuada las ganancias (prdidas) para la
posicin del activo siempre contrapesaran las prdidas (ganancias) de la
posicin del derivado de modo que el incremento del valor de la cartera,
durante un corto periodo de tiempo, se conoce con certeza pues ha de coincidir
con el del activo libre de riesgo.

Las hiptesis para obtener la ecuacin diferencial de Black-Scholes, que


posibilita la valoracin de un derivado, son las siguientes:
1. El precio del subyacente sigue un proceso dS Sdt SdB
2. Se permite la venta en corto de activos con pleno uso de sus
ganancias: podemos vender activos que no poseemos.
3. No hay impuestos ni costes de transaccin.
4. Todos los activos son perfectamente divisibles.
5. No se pagan dividendos a los activos durante la vida de los derivados.
6. No hay oportunidades de arbitraje sin riesgo, lo que significa que
todas las carteras libres de riesgo deben tener el mismo rendimiento.
7. El mercado es continuo.
8. El tipo libre de riesgo es constante y el mismo para todos los periodos
de vencimiento.

Captulo 4 : La ecuacin diferencial de Black-Scholes

FRMULAS DE BLACK-SCHOLES PARA CALLS EUROPEAS


Partimos de la frmula de valoracin neutral ante el riesgo, es decir
C0 e r (T t ) E0 Max ST E , 0

E0 denota el valor esperado hoy, t=0; en un mundo neutral al riesgo.

Como la distribucin condicional de ST dado S 0 es logaritmo-Normal, tenemos

log ST

2
N log S0 ( ) T, 2 T
2

por neutralidad ante el riego r .


Entonces

C0 e r (T t ) E0 Max ST E , 0 e r (T t ) ST E g ( ST ) dST
E

donde g ( S ) es la densidad logaritmo-Normal con r ,

log ST / S0 r 2 T

1
1
2

g ( ST )
exp

2
2 ST T
T

Para S0 =100 , r=0.1, =0.3, T=5 su grfica es de la forma

Indicando la probabilidad de los diversos valores de ST dentro de 5 aos.


La anterior integral tambin puede obtenerse numricamente haciendo uso
de la funcin de MATLAB S_E_lognormal_dens,
function y=S_E_lognormal_dens(S)
E=40;S0=42;r=0.1;sigma=0.2;T=0.5;
y=(S-E).*(1./(sqrt(2*pi)*S*sigma*sqrt(T))).*exp(1/2*((log(S./S0)-(r-1/2*sigma^2)*T)/(sigma*sqrt(T))).^2);

Captulo 4 : La ecuacin diferencial de Black-Scholes

Para integrar entre E=40 y E= hacemos :


quad('S_E_lognormal_dens',40,600) = 5.0034
Haciendo el cambio de variable S e w en la integral
C0 e

r (T t )

E0 Max ST E , 0 e

r (T t )

E g ( ST ) dST

se puede obtener la frmula de Black-Scholes para un call europeas que no


reparten dividendos:

C0 S0 (d1 ) E e rT (d 2 )
1
log( S0 / E ) (r 2 ) T
2
d1
T
1
log( S0 / E ) (r 2 ) T
2
d2
T
donde

( x)

1 12 u2
e du
2

es la distribucin normal acumulada, y T es el tiempo hasta el vencimiento.


El valor de un call europeo al vencimiento puede replicarse en cada instante
mediante una cartera formada por (d1 ) unidades del subyacente junto
con (d 2 ) unidades de un bono que paga E al vencimiento del call.

Captulo 4 : La ecuacin diferencial de Black-Scholes

DIAGRAMA DE PAGOS DEL COMPRADOR DE UN CALL

C0

Comprador de un call

Valor temporal

Valor intrnseco

0
E

S0

El valor del call en el instante t, C0 tiene dos componentes:


El valor intrnseco es el valor que se obtendra al ejercitarlo en un
determinado momento: max S E,0
El valor temporal remunera la capacidad que tiene el call de conseguir
mayor valor intrnseco hasta su vencimiento, es decir, mide la
capacidad de convertir tiempo en dinero.

La geometra de la superficie solucin de la ecuacin de Black-Scholes


f f ( S , t ) se aprecia en la siguiente figura:

Captulo 4 : La ecuacin diferencial de Black-Scholes

FRMULAS DE BLACK-SCHOLES PARA PUTS EUROPEAS


El valor del put europeo sin dividendos se obtiene por la paridad put-call
C0 E e r (T t ) P0 S , resultando

P0 E e rT [1 (d 2 )] S0 [1 (d1 )]
1
log( S0 / E ) (r 2 ) T
2
d1
T
1
log( S0 / E ) (r 2 ) T
2
d2
T
En la figura vemos la variacin del valor de un put europeo cuando cambia la
fecha de vencimiento y su relacin con el valor intrnseco.

Captulo 4 : La ecuacin diferencial de Black-Scholes

IMPLEMENTACINES EN MATLAB
La funcin programada en Matlab BS
[call,put]=BS( S , E, r , sigma , T_t )
permite la valoracin de calls y puts europeas sin dividendos.
BS.m
%Formula de Black-Scholes para valorar opciones europeas de compra y
venta
function [call,put]=BS(S,E,r,sigma,T)
%el tiempo va expresado en aos
d1=(log(S./E)+(r+0.5*sigma.^2).*(T))./(sigma.*sqrt(T);
d2=(log(S./E)+(r-0.5*sigma.^2).*(T))./(sigma.*sqrt(T));
Valor_acciones=S.*normcdf(d1);
B=E*exp(-r.*T).*normcdf(d2);
% replicacion del call
call=Valor_acciones-B;
put=call+E.*exp(-r.*T)-S;

Por ejemplo,
>> [call put]=BS(42 , 40 , 0.1 , 0.2 , 0.5)
>> call =4.7594

put =0.8086

La toolbox de Finanzas contiene una funcin blsprice similar.

Captulo 4 : La ecuacin diferencial de Black-Scholes

EFECTO SOBRE DEL PRECIO DEL CALL POR VARIACIN DE LOS


PARMETROS
Cuando T , r , , o S se incrementan, el valor de C0 se mueve hacia arriba como
indica la flecha. Cuando el precio de ejercicio se incremente, el valor de C0 se
mover en sentido contrario a la flecha, teniendo como valor limite el valor
intrnseco.

Precio
de call

Precio del
activo St
E

Captulo 4 : La ecuacin diferencial de Black-Scholes

EFECTO SOBRE DEL PRECIO DEL CALL POR VARIACIN DEL PRECIO
DEL SUBYACENTE
C0
(d1 ) 0
S
1
log( S0 / E ) ( r 2 ) T
2
d1
T

puede observarse mediante la secuencia de instrucciones

>> S=1 :1 :60 ; E=40;


>> [ c

, p ]=BS(S, 40 , 0.1 , 0.2 , 0.5);

>> plot(S,max(S-E,0),S,c), title('Variacion del valor de un call frente a S')

proporciona tanto el valor como el valor intrnseco del call frente a S.

Captulo 4 : La ecuacin diferencial de Black-Scholes

EFECTO SOBRE DEL PRECIO DEL PUT POR VARIACIN DEL PRECIO
DEL SUBYACENTE
P0
1 ( d1 ) 1 0
S
1
log( S0 / E ) ( r 2 ) T
2
d1
T

puede observarse mediante la secuencia de instrucciones

>> S=1 :1 :60 ; E=40;


>> [ c

, p ]=BS(S, 40 , 0.1 , 0.2 , 0.5);

>> plot(S,max(E-S,0),S,p), title('Variacion del valor de un put frente a S')

Captulo 4 : La ecuacin diferencial de Black-Scholes

Efecto en

C0

del cambio del precio de ejercicio E

C0
e rT (d 2 ) 0
E

puede observarse mediante la secuencia de instrucciones

>> E=1:1:60;
>> [ c

, p ]=BS( 42 , E , 0.1 , 0.2 , 0.5);

>> plot(E,c), title('Variacion del valor de un call frente a E')

10

Captulo 4 : La ecuacin diferencial de Black-Scholes

Efecto en

C0

del cambio de la volatilidad

Ce
S T (d1 ) 0

puede observarse mediante la secuencia de instrucciones

>> sigma=0.01:0.01:0.5;
>> [ c

, p ]=BS( 42 , 40 , 0.1 , sigma , 0.5);

>> plot(sigma,c), title('Variacion del valor de un call frente a sigma')

11

Captulo 4 : La ecuacin diferencial de Black-Scholes

Efecto en

C0

del cambio del tipo de inters

Ce
(T t ) E e r (T t 1) (d 2 ) 0
r

puede observarse mediante la secuencia de instrucciones

>> r=0.01:0.01:0.20;
>> [ c

, p ]=BS( 42 , 40 , r , 0.2 , 0.5);

>> plot(r,c), title('Variacion del valor de un call frente a r')

12

Captulo 4 : La ecuacin diferencial de Black-Scholes

Efecto en

Ce

del cambio de la fecha de ejercicio

Ce S (d1 )

E e r (T t ) log(r ) (d 2 ) 0
T
2 t

puede observarse mediante la secuencia de instrucciones que al aumentar el


tiempo que falta para el ejercicio el valor del call aumenta.

>> T_t=0 :1/12 :2;


>> [ c

p ]=BS( 42 , 40 , 0.1 , 0.2 , T_t);

>> plot(T_t,c), title('Variacion del valor de un call frente a T-t')

13

Captulo 4 : La ecuacin diferencial de Black-Scholes

EXTENSIONES DEL MODELO DE BLACK AND SCHOLES: OPCIONES


SOBRE NDICES BURSTILES
Las opciones sobre ndices se pueden usar para limitar el riesgo de cada
en una cartera.
Supongamos que la de la cartera es 1 (los rendimientos de la cartera son los
del ndice). Sea S 0 el nivel del ndice. Si compramos una opcin de venta con
precio de ejercicio E por cada 100S0 euros en la cartera, dicha cartera
quedar protegida contra cadas por debajo de E.
Si 1 , la cobertura se realizar comprando por cada 100S0 euros opciones
de venta sobre el ndice.
Las opciones sobre ndices burstiles pueden valorarse usando B&S.
Habr que sustituir S 0 por S0 D , el precio inicial de las acciones de la cartera
reducido en el valor presente de los dividendos D. Su valor ser entonces

c ( S0 D) (d1 ) E e rT (d 2 )
1
log ( S0 D) / E (r 2 )T
2
d1
T
1
log ( S0 D) / E (r 2 )T
2
d2
d1 T
T
donde

( x)

1 12 u2
e du es la distribucin normal acumulada.
2

14

Captulo 4 : La ecuacin diferencial de Black-Scholes

EXTENSIONES DEL MODELO DE BLACK AND SCHOLES: OPCIONES


SOBRE DIVISAS
Las opciones sobre divisas se emplean para cubrir la exposicin al riego
cambiario.
Una empresa europea que va a recibir dlares en el futuro puede
cubrir su riesgo comprando opciones de venta sobre dlares que
venzan en ese momento futuro.
Si la empresa debe pagar cierta cantidad de dlares en el futuro
puede cubrirse comprando opciones de compra sobre dlares, lo
que garantiza un precio del dlar con tope mximo.

Valoracin de las opciones sobre divisas mediante una extensin de la


frmula de B&S.
Si S 0 es el tipo de cambio al contado. Una divisa extranjera es anloga a una
accin que paga una tasa de rendimiento por dividendos igual al tipo libre
de riesgo de la divisa extranjera r f . La frmula de valoracin para opciones
europeas es

c S0 e

rf T

(d1 ) E e rT (d 2 )

1
log S0 / E (r rf 2 )T
2
d1
T
1
log S0 / E (r rf 2 )T
2
d2
d1 T
T

15

Captulo 4 : La ecuacin diferencial de Black-Scholes

CARTERA DE RPLICA EQUIVALENTE A UNA OPCIN DE COMPRA

La frmula de B&S proporciona una cartera de rplica de un call con


acciones y dinero prestado a devolver en la fecha de ejercicio del call
Ce (d1 ) S E e r (T t ) (d 2 )

o bien C S B

Para replicar un call largo hay que recomponer instantneamente la cartera:


si sube el subyacente, aumentar el precio del call y habr que comprar
ms acciones con dinero prestado.
El archivo replica.m permite simular la composicin de la cartera de rplica
para un call comprado con E 100 . En la figura resulta que ST E y la opcin
finalmente no se ejerce.

La curva superior representa el activo St .


La siguiente curva, hacia abajo, representa el valor de las acciones en la
cartera de rplica St St (d1 ) . ( (d1 ) 1 )
La siguiente curva, hacia abajo, representa el dinero prestado en la cartera
de rplica E e r (T t ) (d 2 ) . ( (d 2 ) 1 )
La curva ms baja representa el valor del call Ce que tiende a ST E .

16

Captulo 4 : La ecuacin diferencial de Black-Scholes

La figura de abajo muestra la evolucin de los componentes de la cartera


de rplica, que reajustamos instantneamente, para un call comprado con

E 100 que finalmente NO se ejercita porque ST E :


La curva superior representa el activo St .
La siguiente curva, representa el valor de las acciones en la cartera de
rplica St St (d1 ) . Observar que St (d1 ) 0 porque (d1 ) 0 .
La siguiente curva, representa el valor del dinero en la cartera de rplica
E e r (T t ) (d 2 ) . Observar que E e r (T t ) (d 2 ) 0 porque (d2 ) 0 .

La curva ltima representa el valor del call Ce que tiende a 0 porque ST E .

INMUNIZACIN
Si la frmula es escrita en la forma
S (d1 ) Ce E e r (T t ) (d 2 ) 0

o bien S C B 0

seala que la cartera formada por una posicin corta en un call, (d1 )
acciones y un prstamo de B unidades tiene valor cero con independencia del
subyacente. Esa cartera estar entonces inmunizada frente a cambios de S.

17

Captulo 4 : La ecuacin diferencial de Black-Scholes

CREACIN DE PUTS SINTTICOS Y MERCADOS INCOMPLETOS


Cuando un inversor toma posiciones simultneamente en un activo y un put
sobre dicho activo el inversor se cubre frente a las cadas del activo.
Esta cobertura puede realizarse de dos formas.

Comprar puts sobre el activo subyacente.

Crear un put sinttico: tratar de replicar un put.

Veamos que la replicacin de un put implica la venta en descubierto de


cierta cantidad de activos en la cartera y mantener una posicin larga en el
activo libre de riesgo.
La frmula de B&S y la paridad put y call muestran como sintetizar un put.
C S ( d1 ) E e r ( T t ) ( d 2 )

o bien C S B

P S C Ee r (T t )

Sustituyendo resulta

P (d1 ) 1 S E e r (T t ) 1 (d 2 )
Como (d1 ) 1 0 y que 1 (d 2 ) 0 un put se sintetiza con la venta en
descubierto de 1 (d1 ) acciones del subyacente junto con una posicin
larga en el activo libre de riesgo (un depsito bancario).
Obsrvese que si el valor del subyacente baja, (d1 ) tambin baja y la
proporcin (d1 ) 1 del activo vendido en descubierto debe incrementarse. Si
el valor del subyacente aumenta, (d1 ) tambin aumenta y la proporcin
(d1 ) 1 del subyacente vendido debe disminuir.

El crash de Octubre de 1987 mostr la imposibilidad de una cobertura


eficiente mediante la creacin de puts sintticos debido a la prdida de
liquidez que se produca con las repentinas cadas del mercado (es difcil
vender grandes cantidades de activos cuando el mercado est en un crash).

18

Captulo 4 : La ecuacin diferencial de Black-Scholes

VALORACIN DE RIESGO NEUTRO Y MARTINGALAS


En un mundo neutral al riesgo no hay compensacin por mantener activos con
riesgo pues todos los inversores son neutrales ante el riego, as, el
rendimiento esperado de todos los activos es el tipo libre de riesgo r ,
porque los inversores no requieren una prima para tomar riesgo.
Como Cox y Ross (1976) sugirieron, en un mundo neutral ante el riesgo las
opciones pueden valorarse mediante esperanzas condicionales del valor
esperado en el futuro, descontado al tipo libre de riesgo como
f (t ) e r (T t ) Et* Max S (T ) E , 0 e r (T t ) E * Max S (T ) E , 0 / I t
Et* es la esperanza condicional en un mundo neutral al riesgo.

f (t )
f (T )
f (T )
Et* rT E * rT / I t
rt
e
e
e

f (t )
e rt

es una martingala: su esperanza de en un instante futuro,

condicionada a la informacin de hoy, es igual al valor del proceso hoy.


As, si el proceso Z t es una martingala se verifica
Et ( ZT ) Zt

t T

Puede demostrarse que una martingala es un proceso estocstico sin


deriva instantnea, es decir, que su ecuacin diferencial es de la forma
dZ dW ,

Ejemplo
Como ejemplo calculemos el valor de un contrato forward sobre un stock,
que madura en el instante T y tiene un precio de entrega E .
Su valor al vencimiento ser
ST E

donde ST es el precio del stock en el instante T .


Suponiendo un tipo de inters constante r , el valor del contrato forward en
el instante t ser

19

Captulo 4 : La ecuacin diferencial de Black-Scholes

f (t ) e

r (T t )

E ST E e
*
t

r (T t )

E ST e r (T t ) Et* E
*
t

como E es constante

f (t ) e r (T t ) Et* ST E e r (T t )
Pero en un mundo neutral al riesgo la tasa esperada de crecimiento de
precio del stock ser igual a r . Teniendo en cuenta las propiedades de la
distribucin logaritmo normal sealadas en el captulo anterior

log( ST / St )

2
N ( )(T t ), 2 (T t )
2

E ST / St e
*
t

2 2
2

)(T t )

e (T t ) e r (T t )

luego

Et* ST St er (T t )
por tanto
f (t ) St E e r (T t )

Ejercicio:
Comprobar que la funcin anterior satisface la ecuacin de Black-Scholes
f
f 1 2 2 2 f
rS
S
rf
t
S 2
S 2

Como segundo ejemplo de valoracin neutral al riesgo vamos a deducir la


formula de valoraciones call europeas de Black-Scholes.
Partimos de la frmula de valoracin neutral ante el riesgo, es decir
c(t ) e r (T t ) Et* Max ST E , 0

Et* denota el valor esperado en un mundo neutral al riesgo.

Como la distribucin condicional de ST dado St es logaritmo-Normal, tenemos


20

Captulo 4 : La ecuacin diferencial de Black-Scholes

log ST

2
N log St ( )(T t ), 2 (T t )
2

por neutralidad ante el riego r .


Entonces

Ce (t ) e r (T t ) Et* Max ST E , 0 e r (T t ) ST E g ( ST ) dST


E

donde g ( S ) es la densidad logaritmo-Normal con r ,

log ST / S0 r 2 T

1
1
2

g ( ST )
exp
2
2 ST T
T

Para S0 =100 , r=0.1, =0.3, T=5 su grfica es de la forma

21

Captulo 4 : La ecuacin diferencial de Black-Scholes

Indicando la probabilidad de los diversos valores de ST dentro de 5 aos.


Haciendo el cambio de variable S e w se puede obtener la frmula de BlackScholes.
La

anterior

integral tambin

puede obtenerse

numricamente

con

independencia de cual sea la distribucin g ( ST ) .

A modo de ejemplo vamos a aplicar la integracin numrica en la frmula de


valoracin

Ce (t ) e

r (T t )

E Max ST E , 0 e
*
t

r (T t )

E g ( ST ) dST

donde

log ST / St r 2 T

1
1
2

g ( ST )
exp
2
2 ST T
T

La integracin numrica puede realizarse haciendo uso de la funcin de


MATLAB lognormal_dens,

y=lognorm_dens(ST,S0,r,sigma,T)
Para integrar entre E=40 y E= , tomemos ST 40 :1: 600 .Esta integral puede
aproximarse de la forma

>>exp(- 0.1*0.5)*sum( (0:1:560).*lognormal_dens(40:1:600,42,0.1,0.2,0.5) )


=4.7548

Observar que la valoracin mediante la frmula de Blak-Scholes resulta


CBS 4.7594 .

22

Captulo 4 : La ecuacin diferencial de Black-Scholes

ESTRATEGIAS DE COBERTURA Y LETRAS GRIEGAS


Un creador de mercado se enfrenta con el riesgo que genera en cada
momento la evolucin del subyacente. La cobertura (hedging) es la
reduccin de la sensibilidad de una cartera a los movimientos en el activo
subyacente tomando posiciones de riesgo opuestas en diferentes
instrumentos financieros.
Para la emisin de un call la cobertura ms simple implica la compra de una
accin del activo subyacente cuando su precio suba por encima de E y
venderla tan pronto como su precio baje por debajo de E.
St
ST

T
cobertura_simple.m muestra costes de transaccin de dicha estrategia para el
call: E=100, S0=100; r=0.1; sigma=0.3; y costes de transaccin del 0.02%;

Costes transaccin =5.4231


Das transaccin = 2

57 112 115 116 133 134 143 180 181 182

191 193 194 199 211 214 228 230 232 240 244 245 263 264
273 354
23

Captulo 4 : La ecuacin diferencial de Black-Scholes

LAS LETRAS GRIEGAS

Son parmetros que miden diferentes dimensiones del riesgo en una


determinada posicin en una opcin y el objetivo del operador es gestionar
estos parmetros de forma que todos los riesgos sean aceptables.

El trader estar atento a cada una de las letras griegas pero no se cubrir
necesariamente contra todos los riesgos en todo momento. Puede decidir
cules son importantes y cules no desea cubrir pudiendo hacer apuestas
sobre las direcciones en que se movern ciertos parmetros en el
mercado.

Las letras griegas describen, va el teorema de Taylor, el efecto de la variacin


de los parmetros sobre el valor X de la opcin o la cartera.

X
X
X
X
1 2 X
1 2 X 2 2 X
2
S
t
r

t
S t ....
S
t
r

2 S 2
2 t 2
S t

24

Captulo 4 : La ecuacin diferencial de Black-Scholes

DELTA
La delta ( ) de una opcin es su sensibilidad ante cambios en el precio
del activo subyacente:

f
S

Cuando el precio del subyacente cambia en una pequea cantidad S , el


precio del derivado cambia en f

En la figura se ve como cambia la delta de un call comprado dependiendo de la


posicin en dinero del subyacente.
En C (out of the money) la delta es muy pequea
En B (in the money) la delta es prxima a 1.
En A (at the money) la delta es 0.5.

La cobertura delta de una posicin larga en un call consiste en tomar una


posicin corta en de acciones del activo subyacente (una posicin corta
en el call puede cubrirse con una posicin larga de acciones del activo).
As, la cartera

X f S

con

f
tiene delta igual a cero:
S

X f f

0
S S S

Observar entonces que, dada una posicin larga en un call

Se replica con una posicin larga de unidades del subyacente.

Se cubre con una posicin corta de unidades del subyacente.

25

Captulo 4 : La ecuacin diferencial de Black-Scholes

As, la cartera quedar cubierta frente a pequeos cambios en el precio del


subyacente. En tal caso se habla de una posicin -neutral.
Las estrategias de cobertura delta (delta-hedging) tratan de emparejar cada
unidad de la opcin con unidades del activo subyacente. As, el derivado
f puede ser replicado localmente mediante la cartera S prestamo , tal

como muestra la figura

Ejemplo:
Consideremos una call cuyo precio cuyo precio es de 10 sobre un
subyacente cuyo precio es de 100 . Supongamos un market maker que
vendido 2000 opciones call con 0.5 . El market maker podr cubrir su
posicin comprando 0.5 x 2000=1000 acciones del subyacente. De modo que
las prdidas (ganancias) de las opciones pueden ser compensadas con las
ganancias (prdidas) del subyacente. Por tanto, el inversor pierde 1000 S
cuando el precio del subyacente aumenta en S y gana 1000 S cuando
baja. As, por ejemplo, si el subyacente sube 1 , produciendo una ganancia de
1000 en el subyacente, compensar la prdida de 0.5 x 1 x 2000 euros que
se producir en el call por la subida del subyacente.
En este ejemplo la delta de la posicin en opciones del market maker es de
0.5 x (-2000) =-1000
Como la delta de cada accin es 1, la posicin larga de 1000 acciones tiene
una delta de 1000. En tal caso la delta de la cartera es cero y la posicin global
del inversor es delta neutral.
26

Captulo 4 : La ecuacin diferencial de Black-Scholes

Por la frmula de Black-Scholes, la delta de una posicin larga en un call


europeo que no paga dividendos es
(d1 ) 0

1
donde ( x)
2

x2
2

dx es la funcin de distribucin de la normal.

luego 0 1 y la funcin ( S ) tiene forma en S de distribucin acumulada.

La delta de un put europeo comprado que no pagan dividendos es


(d1 ) 1 0

lo que significa que una posicin larga en un put

Se replica con una posicin corta de (d1 ) 1 unidades del subyacente.

Se cubre con una posicin larga en el activo subyacente y viceversa.

As, un market-maker, para cubrir la emisin de un put necesita la venta de


unidades del activo subyacente. Si tales acciones no se poseen deben

pedirse prestadas.

La delta de una cartera se define como el cambio en el valor de la cartera


dividido por el cambio en el activo subyacente. Si la cartera consiste en una
cantidad de la opcin wi (1 i n) , la delta de la cartera viene dada por
n

wi i
i 1

donde i es la delta de la opcin i.


Una cartera tenga una delta grande est muy expuesto al riesgo de cambio
en el subyacente. Ganar mucho si St aumenta, perder mucho si disminuye.

Ejemplo
Sea una cartera con tres tipos de opciones sobre un mismo subyacente:

Una posicin larga en 100.000 opciones de compra con un precio de


ejercicio de 0.55 y vencimiento en tres meses. Su delta es 0.533.

Una posicin corta en 200.000 opciones de compra cuyo precio de


ejercicio es de 0.56 , con vencimiento a 5 meses. Su delta el 0.468.

27

Captulo 4 : La ecuacin diferencial de Black-Scholes

Una posicin corta en 50.000 opciones de venta con precio de ejercicio


de 0.56 y vencimiento en dos meses. Su delta es -0.508.

La delta de la cartera ser


100.000 x 0,533 200.000 x 0,468 - 50.000 x (-0,508) = -14.900

28

Captulo 4 : La ecuacin diferencial de Black-Scholes

THETA
La zeta, , de un derivado es la tasa de cambio del valor de la opcin con
respecto al tiempo, es decir

f
t

Mide como disminuye con el tiempo el valor de una opcin. Cuando el tiempo
pasa queda menos tiempo para ganar dinero a partir de las futuras oscilaciones
de St . As, el valor temporal de las opciones decrece cada da que pasa y
theta<0.
La siguiente figura muestra como el valor de un call comprado para distintas
fechas que se aproximan al vencimiento desciende y se aproxima
paulatinamente al valor intrnseco.

Obsrvese, que el mero paso del tiempo causa desajustes en la cartera de


cobertura, tal como muestra la siguiente figura.

29

Captulo 4 : La ecuacin diferencial de Black-Scholes

La zeta, , de una cartera de derivados es la tasa de cambio del valor de la


cartera con respecto al tiempo, es decir

X
t

Por la frmula de Black-Scholes

S
(d1 ) Ere r (T t ) (d 2 )
2 T t

donde '( x)

x2
2

30

Captulo 4 : La ecuacin diferencial de Black-Scholes

GAMMA
La gamma de un derivado es la tasa de cambio de la delta de la cartera
con respecto al precio del activo subyacente, es decir

2 f

S S 2

As, la gamma mide el nivel de bondad de la cobertura delta. Si la


gamma es pequea el reequilibrio de la cartera en la estrategia delta slo
deber realizarse de modo infrecuente. As, la gamma es una medida del
riesgo que se corre como resultado de no re-equilibrar la cartera .

A partir de la frmula de B&S para un call podemos obtener

'(d1 )
f
,
2
S S
S T t
2

donde '( x)

x2
2

As, el precio B&S de un call comprado es una funcin convexa del subyacente
pues su derivada segunda es siempre positiva.
Su representacin grfica indica que la gamma es ms alta para las
opciones at the money y se aproxima a cero para opciones profundamente in
y out of the money. Adems, cuando la fecha de maduracin se acerca, la
delta de una opcin cerca de dinero ir de casi 0 a casi 1 y la gammma se
har cada vez ms puntiaguda y tiende a infinito.

31

Captulo 4 : La ecuacin diferencial de Black-Scholes

Para hacer cobertura delta-gamma es necesario aproximar el valor de un


derivado por una curva que tenga tanto la derivada primera ( ) como la
segunda

( )

iguales

que

el

derivado.

La

cobertura

delta+gamma

proporciona proteccin contra grandes movimientos del subyacente.


Como el subyacente tiene una gamma nula la cobertura delta-gamma
requiere formar una cartera con el derivado y otros instrumentos de
mercado con derivada segunda no nula.
Como ejemplo, vamos a realizar la cobertura deta-gamma de un call vendido.
Formaremos una cartera
X C f S prestamo

donde C es el derivado que se pretende cubrir, f es otro derivado sobre S y


y son las cantidades de f y S que hacen que la cartera X tenga sus dos
primeras derivadas iguales a cero.

2C
2
S2
f
S 2

C
f

S
S

As, la cartera f S prestamo aproxima mejor el precio del derivado C que


la cartera S prestamo , consiguiendo cometer menores errores ante los
movimientos del subyacente.

32

Captulo 4 : La ecuacin diferencial de Black-Scholes

Para relacionar las letras griegas definidas, consideremos la frmula de


Taylor del valor de la cartera, donde suponemos que tanto la volatilidad del
activo subyacente como el tipo de inters son constantes. Entonces

X
X
1 2 X
1 2 X 2 2 X
2
S
t

t
S t ....
S
t
2 S 2
2 t 2
S t

X
X
1 2 X
1
S
t
S 2 S t S 2
2
S
t
2 S
2

Por tanto, el valor una cartera delta-neutral 0 cambiar proporcionalmente


a ( S )2 que ser ms pequeo si S es pequeo.
Para una cartera delta neutral resultar que

1
2

X t S 2
Supongamos una cartera donde (zeta) es pequea y que tiene una gamma
positiva; en tal caso el valor de la cartera se incrementar con

independencia del signo de los cambios en el stock, entonces haremos


dinero con la cobertura delta. Si la gamma es negativa perderemos dinero con
la cobertura delta ante los cambios del stock.

Observar que la gamma de una posicin compradora en un call es siempre


positiva. Esto no quiere decir que exista una oportunidad de arbitraje con
una estrategia delta-neutral porque existen tambin unos riesgos y unos costes
tales como la zeta y los intereses a devolver por el prstamo bancario.

33

Captulo 4 : La ecuacin diferencial de Black-Scholes

Una posicin en el activo subyacente o un futuro suyo tiene gamma cero y no


puede usarse para cambiar la gamma de una cartera. La nica forma de
cambiar la gamma de una cartera es tomar posiciones en un instrumento
que

no

dependa

linealmente

del

activo

subyacente

(que

tenga

convexidad) tal como ocurre con otras opciones.


Supongamos que una cartera delta-neutral tiene una gamma igual a cart y
consideremos otra opcin que tiene una gamma igual a opc . Si el nmero de
opciones aadidas a la cartera es wopc , la gamma de la cartera ser

wopc opc cart

Luego la posicin en la opcin necesaria para hacer la cartera gamma-neutral


es

wopc

cart
opc

Ejemplo
Consideremos una cartera delta neutral X que tiene una gamma 5000 y
una opcin C cuya delta es C 0.4 y C 2 .
Con el fin de hacer la cartera gamma neutral es preciso comprar n opciones
de modo que
n C 0 n

5000

2500
C
2

Tal operacin hace la delta de la cartera


X 2500 0.4 1000

Por tanto, ser necesario vender 1000 acciones del activo subyacente para
mantener la cartera delta-neutral. Observar que esta accin no cambia el valor
de la gamma de la cartera porque el activo subyacente S tiene una gamma
igual a cero.

34

Captulo 4 : La ecuacin diferencial de Black-Scholes

Existe una relacin entre la Delta, la Zeta y la Gamma que proporciona la


ecuacin de Black-Scholes
f
f 1 2 2 2 f
rS
S
rf
t
S 2
S 2

Como

2 X
f
X f
,
, 2

S
S
t
t

se tiene que

1
rS 2 S 2 rf
2

Para una cartera delta-neutral, 0 , se tiene

1
2 S 2 rf
2

La ecuacin de Black-Scholes suele interpretarse como una medida de la


diferencia entre el rendimiento en una cartera de opciones no cubierta
ante el riesgo (tres primeros trminos) y el rendimiento de un depsito
bancario (ltimo trmino).

35

Captulo 4 : La ecuacin diferencial de Black-Scholes

VEGA
La vega (a veces llamada lambda ) de una cartera de derivados, es la
tasa de cambio del valor de la cartera con respecto a la volatilidad del activo
subyacente, que se supone es variable con el tiempo.

La vega es mxima cuando la opcin est at the money habiendo entonces una
exposicin mxima a los movimientos en la volatilidad.
Para opciones call y put europeas la frmula de Black-Scholes da lugar a

S T t '(d1 ) ,

donde '( x)

x2
2

En general, la vega de una posicin larga en opciones europeas o americanas


es siempre positiva. Una cartera con vega positiva indica que su gestor
tiene la opinin de que las volatilidades subirn en el futuro, si es negativa
de que bajarn.

36

Captulo 4 : La ecuacin diferencial de Black-Scholes

Una posicin en el activo subyacente o en un futuro suyo tiene una vega


igual a cero. (En la cartera N S S N f f el nico activo que depende de es el
derivado).

El vega de una cartera puede cambiar aadiendo posiciones en una


opcin. Si cart es la vega de una cartera y opc es la vega de una opcin y
aadimos un nmero de opciones wopc a la cartera, la vega de la cartera ser

wopc opc cart

Luego la posicin en la opcin necesaria para hacer la cartera vega-neutral por


un instante es

wopc

cart
opc

Una cartera que es gammma-neutral no es necesariamente vega-neutral y


viceversa. Para conseguir una cobertura que sea simultneamente gamma y
vega neutral, deben usarse al menos al menos dos derivados dependientes
del activo subyacente S . Llamando ni al nmero de unidades del derivado Ci
que posee una gamma i y una vega i , se cumplir
gamma 0 n11 n2 2 0
vega 0 n11 n2 2 0

Tras elegir n1 y n2 verificando el sistema de ecuaciones, es preciso ajustar


finalmente el nmero de acciones de la nueva cartera con el fin de volver a
hacerla delta neutral.

37

Captulo 4 : La ecuacin diferencial de Black-Scholes

RHO
El rho, R, de una cartera de derivados es la tasa de cambio del valor de la
cartera con respecto al tipo de inters.

X
r

Para opciones call y put europeas la frmula de Black-Scholes da lugar a


R (T t ) E e r (T t ) (d 2 )

38

Captulo 4 : La ecuacin diferencial de Black-Scholes

LA VOLATILIDAD IMPLICITA

La volatilidad implcita es aquella volatilidad que hace que el modelo B&S


proporcione un precio igual al precio del mercado.
Una de las hiptesis de B&S es la volatilidad constante en el subyacente.

Ce ( S (t ), t ) S (t ) (d1 ) E e r (T t ) (d 2 )
1
log( S (t ) / E ) (r 2 )(T t )
2
d1
T t
1
log( S (t ) / E ) (r 2 )(T t )
2
d2
T t

Fijadas las variables tipo de inters, precio del activo subyacente, precio de
ejercicio, y tiempo para la expiracin, existe una correspondencia uno a uno
entre la volatilidad y el precio de la opcin. As, podramos tomar el precio
de la opcin cotizada en el mercado y deducir el valor de la volatilidad para la
vida restante de la opcin. Esta volatilidad que se deriva del precio cotizado de
la opcin se llama volatilidad implcita y da una idea de las expectativas del
mercado de cul ser la volatilidad hasta el vencimiento ya que sta no es
realmente observable.
Para diferenciarla de la volatilidad histrica, la volatilidad implcita suele
tambin denominarse volatilidad de mercado. Si la frmula de BlackScholes fuese correcta la volatilidad implcita coincidira con la histrica. La
volatilidad no parece ser constante durante largos periodos.
La volatilidad implcita cambia continuamente en funcin de las alteraciones del
precio de las primas de las opciones, del precio del subyacente, etc.
Constituye el autntico precio de los mercados de opciones. Si la
volatilidad implcita est por encima de sus valores histricos, se dir que el
nivel de primas del mercado es alto (caro) y viceversa.

39

Captulo 4 : La ecuacin diferencial de Black-Scholes

SONRISAS Y SESGOS EN LA VOLATILIDAD


La grfica de la volatilidad implcita de una opcin en funcin de su precio
de ejercicio se conoce como curva o sonrisa o sesgo de la volatilidad. Es
decir, si consideramos un mismo activo y varias opciones con diferente precio
de ejercicio las volatilidades implcitas seran diferentes. Tal hecho emprico
que se observa en la mayora de los activos donde la grfica de la volatilidad
implcita frente al precio de ejercicio tiene una forma peculiar y no recta como
implicara el modelo B&S. Si la frmula de Black y Scholes fuese correcta la
volatilidad implcitas por un call con E E1 sera la misma que la implicada por
otro call sobre el mismo activo con diferente precio de ejercicio E E2 .
Por ejemplo, en los mercados de divisas se observa que la volatilidad es
relativamente baja para opciones a dinero (at-the-money) y resulta ms
elevada a medida que una opcin se mueve tanto en dinero (in-the-money)
como fuera de dinero (at-the-money). Tal efecto sonrisa se muestra en la
siguiente Figura.

Volatilidad
Implcita

Sonrisa de la volatilidad

E , E/S
Puts out-of-the-money

Calls out-of-the-money

40

Captulo 4 : La ecuacin diferencial de Black-Scholes

En los mercados burstiles la grfica de las volatilidades implcitas tiene


forma decreciente hablndose de sesgo de la volatilidad.

Volatilidad
Implcita

Sesgo de la volatilidad

E , E/S

La volatilidad implcita suele representarse frente a una medida de cunto la


opcin esta fuera de dinero (moneyness), que suele definirse como E / St
E e r (T t ) / St la delta de una opcin (la delta de una opcin OTM es casi cero,

ATM entorno a 0.5 y ITM prximo a 1). As, la sonrisa de la volatilidad es una
grfica de las volatilidades implcitas que son semejantes en todos los aspectos
excepto en su moneyness.
Las sonrisas y sesgo de la volatilidad complican la tarea de valorar y cubrir las
opciones.
Puede dar la impresin de que la sonrisa o el sesgo en la volatilidad
proporcionan oportunidades de arbitraje: o la opcin con la volatilidad
implcita ms alta est sobre valorada, o la opcin con la volatilidad ms baja
est infravalorada. Podra parecer beneficiosa la estrategia: vender la opcin
con volatilidad ms alta y comprar la de volatilidad ms baja. Sin embargo,
tales sonrisas son persistentes en el mercado y no desaparecen con el tiempo.
La relacin entre los precios de ejercicio y las volatilidades implcitas esta
documentada, al menos, desde el crash de 1987. Antes del crash la curva
era, aproximadamente, una recta, posteriormente adquiri diferentes
aspectos peculiares. En aos ms recientes ha adquirido un aspecto de
mueca mostrando un decrecimiento con el precio de ejercicio llamado sesgo
de la volatilidad.

41

Captulo 4 : La ecuacin diferencial de Black-Scholes

ESTRUCTURA TEMPORAL DE LA VOLATILIDAD

Usando los precios de varias opciones con diferentes fechas de


expiracin se puede obtener la opinin del mercado sobre los futuros valores
de la volatilidad del activo subyacente, es decir, la estructura temporal de la
volatilidad.

Volatilidad
Implcita

Estructura temporal de la volatilidad

T
La existencia de una estructura temporal de la volatilidad implica que la
volatilidad utilizada para valorar una opcin a dinero depende del vencimiento
de la opcin. Las superficies de volatilidad combinan las curvas de volatilidad
con la estructura temporal de la volatilidad. Con ello se obtienen unas
volatilidades adecuadas para valorar una opcin para cualquier fecha de
ejercicio y vencimiento.

42

Captulo 4 : La ecuacin diferencial de Black-Scholes

IMPLEMENTACIONES EN MATLAB
La volatilidad implcita puede obtenerse primariamente por un simple mtodo
de ensayo-error alterando la volatilidad en la funcin BS.m hasta ajustar el
precio de la opcin.
Ejemplo
Hallar la volatilidad de un call que tiene las siguientes caractersticas:
C 6, S 100, E 100, r 0.05, T t 1/ 4

0.3 , obteniendo ,

BS(100,100,0.05,0.3,1/4) = 6.5831

0.2 , obteniendo ,

BS(100,100,0.05,0.2,1/4) = 4.6150

A partir de aqu probamos con valores intermedios

0.25 , obteniendo ,

BS(100,100,0.05,0.25,1/4) = 5.5984

finalmente, para

0.27 , obtenemos ,

BS(100,100,0.05,0.27,1/4) = 5.9922

Tambin puede emplearse el algoritmo de Newton-Raphson.


As, la funcin BS_call_imp_volatil que representa f ( ) ( ) S B( ) C
La volatilidad implcita se obtiene resolviendo la ecuacin
( ) S B ( ) C 0

por el mtodo de Newton por medio de la funcin fzero.

Considerando los parmetros S=100; E=95; r=0.075; T_t=0.25; c=10;


Obtenemos

fzero('BS_call_imp_volatil',1/2)= 0.3130

43

Captulo 4 : La ecuacin diferencial de Black-Scholes

La Toolbox de Finanzas de MATLAB tiene una funcin especfica para


calcular la volatilidad implcita mediante la funcin blsimps donde emplea el
algoritmo de Newton para resolver la correspondiente ecuacin.
Su sintaxis es la siguiente

v=blsimpv(S0,E,r,T_t,call,maxiter)

donde call representa el valor de la opcin.


La variable maxiter es opcional y representa el nmero de iteraciones usado
para obtener v por el mtodo de Newton.
Por defecto

v=blsimpv(S0,E,r,T_t,call)
se toma maxiter=50.
Por ejemplo

>> v=blsimpv(100,95,0.075,0.25,10)
>> v=0.3130

44

Captulo III : Clculo estocstico

CLCULO ESTOCSTICO
PROCESOS ESTOCSTICOS DISCRETOS Y CONTINUOS.
Un proceso estocstico es una coleccin de variables aleatorias, una para
cada instante del tiempo. Ejemplos:

El precio de un stock al cierre puede representarse mediante la


evolucin errtica de variables aleatorias X 0 (w), X1 (w),...., X n (w),.... con
ndices discretos en tiempo.

El precio de un stock en un instante cualquiera t dentro de una


sesin burstil da lugar a una coleccin de variables aleatorias

X t , t 0

Los

con ndices en un conjunto continuo.

resultados

c, , , c, c, ,.....

de

lanzamientos

sucesivo

de

una

moneda

son a una coleccin de variables aleatorias con ndices

discretos.
Formalmente, sea un espacio de probabilidad (, F , P ) con espacio de
sucesos . Un proceso estocstico como una coleccin infinita de variables
aleatorias

X (t, w) , t I , w
tomando valores en un conjunto S espacio de estados: X (t , w) : I x S
Ms brevemente se usa la notacin X (t ) X t .
Si fijamos t t * I

, X (t * , ) es una variable aleatoria en (, F , P ) .

Si fijamos un suceso * , X (t , * ) es una funcin de I en S que se llama


camino muestral, trayectoria o realizacin muestral del proceso, que en caso
discreto es de la forma X 0 ( w* ), X 1 ( w* ),...., X n ( w* ),.... .
En el lanzamiento sucesivo de monedas X i ( w* ) 1 , 0 y una realizacin del
proceso es una sucesin de ceros y unos, por ejemplo, 100110...
En el caso continuo una realizacin muestral es una funcin de la forma:
t X t ( w) .

En la figura pueden contemplarse los dos aspectos esenciales aludidos, de un


proceso estocstico.

Captulo III : Clculo estocstico

Captulo III : Clculo estocstico

PROCESOS DE WIENER
Un proceso estocstico es de Markov cuando para predecir el futuro slo es
relevante el estado actual del proceso, siendo su historia irrelevante.
Ejemplo de proceso de Markov en tiempo discreto es el paseo aleatorio:
xt xt 1 t , t

N (0, )

El paseo aleatorio es un proceso no estacionario donde la media


condicional y la varianza son lineales en t.
xt t t 1 .... 1 x0 t , i

IIN (0, 2 )

de donde
Var ( xt / x0 ) E ( t .... 1 ) 2t

E ( xt / x0 ) x0

El movimiento Browniano es un proceso estocstico en tiempo continuo que


generaliza el modelo de paseo aleatorio
St St 1 t , t

N (0, 2 )

donde el periodo de tiempo transcurrido entre la generacin entre dos


observaciones tiende a cero. No obstante, la varianza 2

de las

perturbaciones aleatorias no puede mantenerse constante. Supongamos que


dividimos el tiempo transcurrido T, que supondremos que es igual a 1 por
comodidad, en n periodos de longitud t
S n n n 1 .... 1 S0

, i

IIN (0, 2 )

Cuando t 0 y n este modelo tiene el inconveniente que como


Var ( Sn / S0 ) E ( n .... 1 ) 2 2 n

limVar (Sn / S0 ) lim 2n


n

Para controlar la varianza del proceso imponemos la condicin de que las


perturbaciones tengan una varianza cada vez ms pequea cuando n .
As, consideramos que i son IID y N (0,1/ n) , o bien N (0, t ) .
De esta forma obtendremos el modelo

Captulo III : Clculo estocstico

St St 1 t t , t

N (0,1)

As,

Sn n t n1 t .... 1 t S0 , i

IIN (0, 2 )

En este caso la diferencia entre dos variables aleatorias correspondientes a


dos instantes diferentes k y j, donde k j del proceso ser

Sk S j k t k 1 t ... j 1 t

i j 1

De esta forma el proceso estocstico resultante est caracterizado por las


propiedades
E S k S j 0
2

Var Sk S j E i t E i2 t (k j )t
i j 1

i j 1

Adems, tambin resulta inmediato que las diferencias entre dos variables
relativa a dos intervalos de tiempo diferentes estn incorrelacionadas si dichos
intervalos no se solapan. Es decir, para k1 k2 k3 k4 , S k2 S k1

est

incorrelacionado con S k4 S k3 .
El movimiento Browniano, o proceso de Wiener W (t ) , se obtiene tomando
cuando t 0 en el modelo

St St 1 t t , t

N (0,1)

De forma simblica la ecuacin que gobierna el movimiento Browniano puede


escribirse como
dW (t ) (t ) dt , (t )

N (0,1)

Captulo III : Clculo estocstico

Para generalizar el paseo aleatorio al caso continuo, necesitamos un ruido


motor W (t ) , llamado movimiento Browniano standard o proceso de
Wiener, anlogo a St t t 1 .... 1 , i

IIN (0, 2 ) , con las siguientes

propiedades:
1. El proceso W (t ) comienza en cero, es decir P W (0) 0 1
2. t1 , t2 1 t1 t2 T W (t2 ) W (t1 )

N 0,(t2 t1 )

3. t1 , t2 1 t1 t2 t3 t4 T W (t2 ) W (t1 )

es

estadsticamente

independiente de W (t4 ) W (t3 )


4. Los caminos muestrales son continuos.

Las propiedades de este proceso W (t ) se obtienen a partir de sus incrementos.

W (t ) W (0) W (t ) W (0) con W (0) 0


entonces W (t )

N (0, t )

Captulo III : Clculo estocstico

EL MOVIMIENTO BROWNIANO GENERALIZADO


Para generalizar el paseo aleatorio con deriva
St St 1 t , t

N (0, 2 )

Es decir
St t t 1 .... 1 S0 t , i

IIN (0, 2 )

se define el movimiento Browniano generalizado W (t ) W (0) t W (t )

La media y la varianza condicionales son lineales en t.


Teniendo en cuenta que W (t ) W (t0 )

N (t t0 ), 2 (t t0 )

E W (t ) / W (t0 ) W (t0 ) (t t0 )
Var W (t ) / W (t0 ) 2 (t t0 )

Cov W (t1 ),W (t2 ) Cov W (t1 ),W (t2 ) W (t1 ) W (t1 )
Cov W (t1 ),W (t2 ) W (t1 ) Cov W (t1 ),W (t1 ) Var W (t1 ) 2t1

Captulo III : Clculo estocstico

Las trayectorias muestrales de W (t ) son errticas porque los incrementos


infinitesimales
W (t h) W (t ) y W (t ) W (t h)

son independientes.
Como W (t h) W (t )

N (0, h)

W (t h) W (t ) h 1
Var
h 2 h
h

la derivada W '(t ) no existe y los caminos muestrales del movimiento


Browniano son continuos y no diferenciables en ningn punto.

Ejercicio (Rennie y Baxter , p 50)


Supongamos un activo cuyo comportamiento es un movimiento Browniano con
deriva St Wt t . Demostrar que para todo valor 0, , T 0 , existe
siempre una probabilidad positiva de que ST sea negativo:
Como ST

N ( T , 2T ) , P( ST 0) P( ST T T ) P(

ST T
T

) tal
T
T

probabilidad que es siempre positiva.

Captulo III : Clculo estocstico

ECUACIONES DIFERENCIALES ESTOCSTICAS


En la generacin de un proceso estocstico discreto, por ejemplo xt xt 1 t ,
el ruido t xt xt 1 juega el papel motor fundamental.
La generacin de un proceso estocstico continuo se realiza mediante el
estudio de sus incrementos infinitesimales cuando transcurre un pequeo
instante de tiempo. Ello da lugar a una ecuacin diferencial estocstica.
Estas ecuaciones tienen gran utilidad para generar procesos estocsticos
continuos.

As, un incremento infinitesimal del movimiento Browniano Standard


dW (t ) W (t h) W (t )

es una variable aleatoria en cada instante, definida como


dW (t ) lim W (t h) W (t )
h dt

que puede ser visto intuitivamente como ruido blanco Gaussiano N (0, dt ) .
dW (t ) dWt es una diferencial estocstica y obedece a las relaciones

mecnicas de las diferenciales ordinarias.

Los momentos de dW son:

E dW lim E W (t h) W (t ) 0
hdt

Var dW lim E (W (t h) W (t )) 2 lim h dt


h dt

h dt

As, dW (t ) est normalmente distribuida con media cero y varianza dt :

dW (t )

N (0, dt )

Captulo III : Clculo estocstico

Adems
E (dW )(dW ) lim E (W (t h) W (t )) 2 dt
h dt

Var (dW )(dW ) E (dW dW ) 2 E (dWdW )


2

lim E (W (t h) W (t )) h
h dt
4

lim 3 h

h dt

o(dt )

E (dW )(dt ) lim E (W (t h) W (t ))h 0


hdt

Var (dW )(dt ) lim E (W (t h) W (t )) 2 h 2 o(dt )


h dt

En este mundo infinitesimal consideramos despreciables los infinitsimos de


un orden superior a dt .
Las variables (dW )2 y dWdt tienen una varianza despreciable y se consideran
no estocsticas, cumplindose las relaciones
(dW )2 dt , (dW )(dt ) 0

no slo en media sino exactamente.

Ello da lugar a la tabla de multiplicacin de infinitsimos

dW

dt

dW

dt

dt

De gran utilidad en el clculo estocstico

Teniendo en cuanta que la funcin generatriz de momentos de una distribucin normal es

t 2 2
2

es

4
inmediato comprobar que el momento de cuarto orden respecto al origen es 3h
Adems, o( dt ) representa trminos que son de orden asinttico superior que dt .

Captulo III : Clculo estocstico

ECUACIONES DIFERENCIALES ESTOCSTICAS


En el ambiente estocstico no existe una definicin formal de derivada
porque las trayectorias son demasiado errticas; por ello en lugar de
ecuaciones diferenciales ordinarias se usan ecuaciones diferenciales
estocsticas.
En este contexto, el cambio infinitesimal que presenta un activo S se
considera que tiene dos componentes durante el intervalo dt , una predecible
y determinista y otra impredecible asociada a eventos impredecibles:
dS ( S , t )dt ( S , t ) dW

dSt t dt t dW

El trmino t dt representa la componente determinista y predecible del


proceso. A t se le llama deriva del proceso.
El trmino t dW es la componente estocstica del proceso. dW es el trmino
de innovacin que representa eventos impredecibles durante el intervalo
infinitesimal dt . A t se le llama volatilidad del proceso.

Debido a la ausencia de derivadas en el contexto estocstico los futuros


movimientos de un activo se expresan en funcin de diferenciales dS , dt y dW
en lugar de derivadas tales como

dS
dt

en las ecuaciones diferenciales

ordinarias.

Veamos algunos ejemplos de procesos estocsticos definidos por medio


de ecuaciones diferenciales, tambin como modelos de difusin, que
constituyen los principales modelos de los precios de los activos.

10

Captulo III : Clculo estocstico

MOVIMIENTO BROWNIANO GENERALIZADO O ARITMTICO


Este proceso estocstico es la generalizacin al caso continuo del paseo
aleatorio con deriva xt xt 1 t , t

N (0, ) :

Se define por la ecuacin diferencial estocstica


dSt dt dWt

Se justificar que integrando ambos miembros entre 0 y t se obtiene


St S0 t (W (t ) W (0)) , W (t ) W (0) W (t )

N (0, t )

Veamos como obtener a una aproximacin a la realizacin de un proceso


estocstico continuo mediante una ecuacin en diferencias
dSt dt dWt

S t W

Sk Sk 1 h (Wk Wk 1 )
Sk 1 h

donde

N (0,1) .

Tomando 0.1, 0.3, h 0.001, S0 100 obtenemos

Sk Sk 1 0.1(0.001) 0.3 0.001 k , k

N (0,1) , k 1,....,1000

El archivo de MATLAB wiener.m permite recrear las realizaciones del proceso.


St flucta entorno a una lnea recta de pendiente

11

Captulo III : Clculo estocstico

EL MODELO BROWNIANO GEOMTRICO


En el movimiento Browniano aritmtico los cambios de precio estn
normalmente distribuidos, ello implica que los precios pueden ser negativos.
Por ello suele trabajarse con un proceso S (t ) cuyo logaritmo log( S (t )) es un
movimiento Browniano aritmtico, al que se llama movimiento Browniano
geomtrico. Se puede demostrar que obedece a

dS Sdt SdW o bien

dS
dt dW
S

Observar que el porcentaje instantneo de cambios en el precio dS / S es


un movimiento Browniano aritmtico.

La simulacin puede realizarse mediante la ecuacin

Sk Sk 1 Sk 1h Sk 1 (Wk Wk 1 ) Sk 1 Sk 1h Sk 1 h

donde

N (0,1)

12

Captulo III : Clculo estocstico

Los archivos de MATLAB geomet.m y geometf.m permiten recrear las


realizaciones del proceso.
Si realizsemos la simulacin 0.1, 0.3, h 0.001, S0 100 .

Como se ver ms adelante, las simulaciones del movimiento Browniano


geomtrico son ligeramente ms precisas al suponer que Sk / Sk 1 tiene una
distribucin logaritmo normal. En tal caso la expresin de recurrencia sera

Sk Sk 1 e

2
2

) h h

donde haciendo uso de la aproximacin e x

Sk Sk 1 (

2
2

) Sk 1h Sk 1

1 x , resulta

13

Captulo III : Clculo estocstico

PROCESOS NO LINEALES DE RAZ CUADRADA


Como generalizacin del proceso no lineal discreto
xt (1 ) xt 1 xt t

, t

N (0, )

No es fcil dar la distribucin de xt s para s finito.


En tiempo continuo
dSt (1 )dt St dWt

, dWt

N (0, dt )

cuya volatilidad cambia con el tiempo


Et (dSt2 ) 2 St dt

Anlogamente podra considerarse el modelo


dSt St dt St dWt

, dWt

N (0, dt ) , t (0, )

que sigue una tendencia exponencial con una varianza del trmino de error
proporcional a

St . En ambos casos la volatilidad no crecer demasiado

cuando aumenta St tal como ocurre en el modelo geomtrico:

14

Captulo III : Clculo estocstico

PROCESOS DE ORNSTEIN-UHLENBECH: PROCESOS QUE REVIERTEN


HACIA LA MEDIA

El proceso AR(1) en tiempo discreto es


xt (1 ) xt 1 t

o bien

, t

N (0, )

xt xt 1 (1 )( xt 1 ) t

, t

N (0, )

se caracteriza porque xt E ( xt )
su anlogo en tiempo continuo es el proceso de Ohrnstein-Uhlenbech
dSt ( St )dt dWt

cuya deriva es

Et (dSt ) ( St )dt

por lo que el proceso es impulsado hacia su estado estacionario por su


deriva, mientras que el shock dB (t ) le hace salir de l: si St cae por
debajo de su valor medio , el trmino entre parntesis ( St ) se har
positivo. Esto har que sea ms probable que dSt sea positivo con lo que St se
mover hacia su valor medio, revertiendo as hacia la media.
Anlogamente puede considerarse el proceso
dSt ( St )dt St dWt

Estos procesos tienen una tendencia pero sus desviaciones entorno a la media
no son completamente al azar, pudiendo exhibir cierta predecibilidad
inconsistente con la hiptesis de mercados eficientes. Sus excursiones
entorno a la tendencia a largo plazo tardan un tiempo medio que est
controlado por el parmetro 0 . Cuanto ms pequeo sea el parmetro las
excursiones son ms largas.
Una simulacin interesante es 50, 0.5, 0.8, h 0.001, S0 100

Sk Sk 1 0.5(50 Sk 1 )0.001 0.8 Sk 1 0.001 k , k

N (0,1) , k 1,....,1000

El archivo de MATLAB mean_rev.m permite recrear las realizaciones del


proceso.

15

Captulo III : Clculo estocstico

Los modelos con reversin hacia la media suelen emplearse para modelizar la
dinmica de los tipos de inters. Existen dos modelos continuos caractersticos
de dinmicas estocsticas de tipos de inters.
En el modelo de Vasicek (1977)
dr a (b r ) dt dW

donde a, b, son constantes positivas.

El proceso tiene reversin hacia la media. As, b representa la media a largo


plazo y a es la velocidad de reversin hacia la media. Este modelo tiene el
defecto de que el tipo de inters puede hacerse negativo.

Cox, Ingersol y Ross (1985) consideran el modelo


dr a (b r ) dt r dW

que contiene a

r en el trmino de difusin, por lo que la volatilidad del tipo de

inters es estocstica. En este modelo el tipo de inters es siempre no


negativo. Si el inters se acercase a cero, el trmino de difusin tambin se
acercara a cero y la deriva positiva lo movera hacia valores positivos.

16

Captulo III : Clculo estocstico

PROCESOS CON EVENTOS RAROS

Vamos a modelizar procesos estocsticos que simulen crisis financieras y


eventos de gran volatilidad con grandes saltos en cortos periodos de tiempo.
Para ello consideremos un proceso del tipo
dS r dt 1 dW 2 dM

donde dM se define como sigue:


Sea un proceso de saltos de Poisson N (t ) que representa el nmero de
saltos en el intervalo [0, t ] , siendo dN el nmero de saltos en un pequeo
intervalo de tiempo dt y que tiene las siguientes caractersticas:

Se trata de unos saltos cuya ocurrencia es impredecible.

Cada salto es independiente de los restantes.

Durante un pequeo intervalo t la probabilidad de observar ms de un


salto es despreciable.

Supongamos que la probabilidad de un salto durante un pequeo intervalo de


tiempo t puede aproximarse por

P Nt 1 t

P Nt 0 1 t

donde es una constante positiva llamada intensidad del proceso.


Por tanto, para valores razonables de , durante un corto periodo de tiempo
hay una alta probabilidad de que no se produzca salto.
Se demuestra que la probabilidad de que se den n saltos en un intervalo t es
P Nt n

e t ( t )n
n!

Debido a que E Nt t se define el proceso M t de la forma


M t Nt t o bien dM t dNt dt

con lo que E M t 0 y E M t 2 t

17

Captulo III : Clculo estocstico

El proceso de saltos de define entonces de la forma


1 t con probabilidad t
dM t
t con probabilidad 1 t

Observar que el proceso


dS r dt 1 dB 2 dM

tiene dos volatilidades 1 y 2 . La primera de ellas est asociada a la difusin


con independencia de los saltos. La segunda controla la amplitud de los saltos.
La siguiente figura muestra una realizacin de un proceso con eventos raros.
El archivo de MATLAB rare_event.m permite recrear las realizaciones del
proceso. La siguiente figura muestra una realizacin de un proceso con
eventos raros.

18

Captulo III : Clculo estocstico

PROCESOS DE ITO

El modelo de movimiento Browniano aritmtico

S (t ) t W (t ) , t 0, T o su contrapartida
dS dt dW

es demasiado restrictivo para representar el precio de un stock.

El modelo de precios de activos usado ms ampliamente es el movimiento


Browniano geomtrico
dS Sdt SdW

De forma ms general, Ito (1951) construy una amplia clase de procesos


estocsticos continuos basados en el movimiento Browniano que son
cerradas bajo transformaciones no lineales: Si S (t ) es un proceso de Ito,
f ( S (t ), t ) es un proceso de Ito para cualquier funcin no lineal.

As, un proceso de Ito es una generalizacin del proceso de Wiener, de la


forma
dS ( S , t )dt ( S , t ) dW

Una de las ventajas de los modelos de tiempo continuo es que dan lugar a
herramientas muy interesantes para manipular modelos no lineales de series
temporales, existiendo una forma cerrada de encontrar sus soluciones por
medio del lema de Ito.

19

Captulo III : Clculo estocstico

En el caso determinista, el clculo diferencial de Newton se basa en sustituir,


localmente,

el

incremento

de

una

funcin

por

su

diferencial.

o( dx )

df f '( x0 ) dx

x0

dx

La diferencial es la parte principal del infinitsimo f ( x0 h) f ( x0 ) . Por


ejemplo, hallemos la diferencial de f ( x) x 2 .
f ( x0 h) f ( x0 ) x02 2hx h 2 x02 2hx h 2

As, la parte principal de f ( x0 h) f ( x0 ) es d ( x 2 ) 2 x dx .

Para una funcin de dos variables f ( x, y ) , la parte principal del incremento de


una funcin se expresa como

f f ( x0 h, y0 k ) f ( x0 , y0 )

df

f
f
( x0 , y0 )h ( x0 , y0 )k
x
y

f
f
( x0 , y0 )dx ( x0 , y0 )dy
x
y

20

Captulo III : Clculo estocstico

EL LEMA DE ITO

El lema de Ito es la versin estocstica de la diferencial de una funcin.

El lema de Ito (1951) proporciona una frmula para calcular explcitamente la


ecuacin diferencial estocstica que gobierna la dinmica no lineal f ( S (t ), t ) :

df ( S , t )

f
f
1 2 f
dS dt
(dS ) 2
2
S
t
2 S

Teniendo en cuenta que (dW )2 dt

(dS ) 2 ( S , t )dt ( S , t )dW t2 (dt ) 2 2 t t dt dW t2 (dW ) 2 t2 dt


2

por tanto

df ( S , t )

f
f
1 2 f 2
dS dt
t dt
S
t
2 S 2

Ejemplo
1
Suponiendo que St exp( t Wt ) demostrar que dSt ( 2 ) St dt St dWt .
2

Llamando W t W , tenemos dW dt dW .
Aplicando el lema de Ito al proceso S (t ) eW (t ) :

S
S
1 2S
1
dW
dt
(dW )2 eW dW eW (dW )2
2
W
t
2 W
2
1
1
S ( dt dW ) S ( dt dW ) 2 S ( dt dW ) S ( 2dt )
2
2

dS

luego

1
dS ( 2 ) S dt SdW
2

Se dice que la solucin de la ecuacin diferencial

dSt St ( dt dW )

es el proceso estocstico
1

St exp ( 2 )t Wt
2

como Wt

N (0, t ) ,

o bien

log( St ) log( S0 )

St S 0 e

2
2

) t Wt

2
N ( )t , 2t
2

21

Captulo III : Clculo estocstico

INTEGRACIN ESTOCSTICA

En ocasiones es suficiente la representacin diferencial de proceso


estocstico. Dada

dS ( S , t )dt ( S , t ) dW

es posible intuir su significado escribindola como


St h St (S , t )h (S , t ) (Wt h Wh )

o bien

St ( S , t )h (S , t ) Wh

Otras veces queremos conocer la variable St para grandes horizontes, como


por ejemplo hallar la distribucin de St s dada la informacin en el instante t.
En tal caso necesitamos recurrir a una integral estocstica

St S0 dSt ( S , r )dr ( S , , r )dWr

Una integral estocstica produce un resultado diferente para cada camino


muestral de ( S , , r ) y de Wr ( ) asociados al suceso . Por tanto una
integral estocstica es otro proceso estocstico.

El lema de Ito permite la resolucin directa de algunas ecuaciones diferenciales


estocsticas obteniendo la distribucin de los valores futuros de las
variables que definen el proceso.

22

Captulo III : Clculo estocstico

COMPORTAMIENTO LOG-NORMAL DEL PRECIO DE LOS ACTIVOS

Suponiendo que los precios siguen el proceso


dS Sdt SdW , donde dW

N (0, dt ) ,

Aplicando el lema de Ito, el proceso seguido por la funcin G log( S ) .es

1
dG ( 2 )dt dW
2

1
G log( S ) ( 2 )t W
2

por lo que G log( S ) sigue un proceso de Wiener (Browniano aritmtico) con


1
deriva 2 y varianza 2 . Por ello los cambios de G log( S ) entre los
2

instantes t y T son normales, resultando que

log S (T ) log S (t ) log(

S (T )
)
S (t )

2
N ( )(T t ), 2 (T t )
2

As, el precio del activo S (T ) tiene una distribucin logaritmo normal.

23

Captulo III : Clculo estocstico

LA DISTRIBUCIN LOG-NORMAL
La variable aleatoria Y tiene una distribucin log-normal si log Y
que es lo mismo Y exp( Z ) , Z

N ( , 2 ) , o lo

N (0,1) .

Esta distribucin viene dada por


log( y )

log( y )
P(Y y ) P exp( Z ) y P Z

y su densidad es
1 log( y )

Los momentos de la distribucin log-normal puede calcularse usando la


identidad bsica
E e

sZ

s2
2

que proporciona la funcin generatriz de momentos de la normal Standard2.

De aqu se sigue que para la distribucin log-normal se tiene

E (Y ) E (e Z ) e E (e Z ) e

1
2

Var (Y ) E (Y 2 ) ( EY )2 e2( Z ) e2(

/ 2)

e2 e 1
2

La mediana de Y es e , como puede observarse teniendo en cuenta que

P Y e P ( Z 0)

1
2

As, la media de Y es mayor que la mediana, lo que refleja un sesgo positivo.

La derivada k-sima de la funcin generatriz de momentos en s=0 es el momento de orden k repecto al

origen:

E (e sX )

(k )

( s 0) E ( X k )

24

Captulo III : Clculo estocstico

LA ECUACIN DIFERENCIAL DE BLACK-SCHOLES


El anlisis de Black y Scholes para valoracin de cualquier derivado se basa el
la formacin de una cartera sin riesgo que puede ser establecida porque el
stock y su derivado estn afectados por la misma fuente de incertidumbre.
As, durante cortos periodos de tiempo estn perfectamente correlacionados.
Para una cartera de composicin adecuada las ganancias (prdidas) para la
posicin del activo siempre contrapesaran las prdidas (ganancias) de la
posicin del derivado de modo que el incremento del valor de la cartera,
durante un corto periodo de tiempo, se conoce con certeza pues ha de coincidir
con el del activo libre de riesgo.

Las hiptesis para obtener la ecuacin diferencial de Black-Scholes, que


posibilita la valoracin de un derivado, son las siguientes:
1. El precio del subyacente sigue un proceso dS Sdt SdB
2. Se permite la venta en corto de activos con pleno uso de sus
ganancias: podemos vender activos que no poseemos.
3. No hay impuestos ni costes de transaccin.
4. Todos los activos son perfectamente divisibles.
5. No se pagan dividendos a los activos durante la vida de los derivados.
6. No hay oportunidades de arbitraje sin riesgo, lo que significa que
todas las carteras libres de riesgo deben tener el mismo rendimiento.
7. El mercado es continuo.
8. El tipo libre de riesgo es constante y el mismo para todos los periodos
de vencimiento.

25

Captulo III : Clculo estocstico

Consideremos un activo cuyo precio sigue el proceso


dS Sdt SdB

Sea f ( S , t ) el precio de un derivado sobre de dicho activo que no paga


dividendos. Por el lema de Ito

df ( S (t ), t )

f
f
1 2 f
dS dt
(dS ) 2
S
t
2 S 2

Sustituyendo obtenemos
f
f
1 2 f
( Sdt SdW ) dt
( Sdt SdW ) 2
2
S
t
2 S
2
f
f 1 f 2 2
f
( S
S )dt SdW
2
S
t 2 S
S
df ( S (t ), t )

Si elegimos una cartera adecuada compuesta del stock y un derivado


suyo, la componente impredecible del proceso de Wiener puede ser
eliminada. Ello es posible porque los incrementos df y dS tienen la misma
fuente de incertidumbre que no es otra que la que proviene de la innovacin

dW en dS . Tal dependencia hace posible la formacin de carteras libres de


riesgo en tiempo continuo.
Sea la cartera formada por N S acciones y N f opciones; el valor de la cartera
ser
X S NS f N f

Consideremos una estrategia dinmica autofinanciada donde, en los


cambios que se producen en la cartera, no hay ningn flujo neto de dinero, de
modo que si compramos dN S acciones esto se har vendiendo dN f opciones
Luego

S dN S f dN f 0

Por tanto

dX S dN S f dN f N S dS N f df N S dS N f df

26

Captulo III : Clculo estocstico

Observar que la cartera N S , N f

es autofinanciada si y slo si se verifica

dX N S dS N f df

es decir, el cambio en el valor de la cartera slo dependen de los precios de los


activos que contiene y no de ninguna cantidad extra de dinero para la inversin.
Vamos a considerar que N f 1 , lo que se corresponde con una posicin
corta en una opcin. Determinemos ahora el nmero N S de acciones del
activo subyacente que debe contener la cartera para ser una cartera sin
riesgo donde se ha eliminado la componente aleatoria.
El valor de la cartera ser
X f N f S NS f S

el cambio en el valor de la cartera ser


dX N f df N S dS df dS

df (

Como

f
f 1 2 f 2 2
f
S
S )dt SdW
2
S
t 2 S
S

dS Sdt SdW

Sustituyendo df y dS de las ecuaciones anteriores resulta

dX (

f 1 2 f 2 2
f

S )dt S ( )dW
2
t 2 S
S

podemos eliminar instantneamente el riesgo de la cartera eligiendo

NS

f
S

Con lo que

dX (

f 1 2 f 2 2

S )dt
t 2 S 2

27

Captulo III : Clculo estocstico

Dicha cartera debe ganar instantneamente el mismo rendimiento que


otros activos libres de riesgo a corto plazo. Entonces

dX rXdt
(

f 1 2 f 2 2
f

S )dt r ( f S )dt
2
t 2 S
S

Ello conduce a la ecuacin diferencial de Black-Scholes para un derivado

f
f 1 2 2 2 f
rS
S
rf
t
S 2
S 2

f f (S , t , T , r , , E )

Esta ecuacin tiene muchas soluciones correspondientes a los diferentes


derivados que pueden ser definidos sobre el activo subyacente. La solucin
depende de las condiciones en la frontera que se empleen.

En el caso de calls europeas las condiciones de frontera son:


f Ce max(S E,0) cuando t T

Tambin deben especificarse condiciones frontera de tipo espacial para S 0


y para S :
Ce (0, t ) 0 : la opcin no tiene valor cuando S 0 , incluso si falta mucho para

la expiracin, porque dS 0 y S nunca cambiar.


Ce (S , t )

S cuando S : cuando el precio del activo S aumenta sin cota la

magnitud del precio de ejercicio de la opcin E es muy poco importante en su


valoracin.

En el caso de opciones de venta europeas (puts) las condiciones de


frontera son
f Pe max( E S , 0) cuando t T
Pe (0, t ) E e r (T t ) porque el pago final max( E S , 0) del put se conoce con

certeza si S 0 y es E. Anlogamente ha de cumplirse


Pe ( S , t ) 0 cuando S .

28

Captulo III : Clculo estocstico

29

Captulo III : Clculo estocstico

FRMULAS DE BLACK-SCHOLES PARA CALLS EUROPEAS

Para un call europeas que no reparten dividendos, la solucin nica de la


ecuacin

diferencial

de

Black-Scholes

es

la

frmula

de

valoracin:

Ce ( S (t ), t ) S (t ) (d1 ) E e r (T t ) (d 2 )
1
log( S (t ) / E ) (r 2 )(T t )
2
d1
T t
1
log( S (t ) / E ) (r 2 )(T t )
2
d2
T t
donde

( x)

1 12 u2
e du
2

es la distribucin normal acumulada, y T-t es el tiempo hasta el vencimiento.


La figura muestra la forma en que Ce ( St ) St ( d1 ( St ) ) E e r (T t ) ( d 2 ( St ) )
vara con S y E, indicando que el valor de Ce es siempre superior a su valor
intrnseco que es el mximo entre cero y el valor que tendra si fuese
ejercitada inmediatamente, es decir, max S E,0 . Cuando T , r , , o S se
incrementan, el valor de Ce se mueve hacia arriba como indica la flecha.
En cambio cuando el precio de ejercicio se incremente, el valor de Ce se
mover en sentido contrario a la flecha, teniendo como valor limite el valor
intrnseco.

Precio
de call

Precio del
activo St
E

30

Captulo III : Clculo estocstico

La geometra de la superficie solucin de la ecuacin de Black-Scholes


f f ( S , t ) se aprecia en la siguiente figura:

FRMULAS DE BLACK-SCHOLES PARA PUTS EUROPEAS


El valor del put europeo sin dividendos se obtiene por la paridad put-call
Ce E e r (T t ) Pe S , resultando

Pe ( S (t ), t ) E e r (T t ) [1 (d 2 )] S (t )[1 (d1 )]
1
log( S (t ) / E ) (r 2 )(T t )
2
d1
T t
1
log( S (t ) / E ) ( r 2 )(T t )
2
d2
T t
En la figura vemos la variacin del valor de un put europeo cuando cambia la
fecha de vencimiento y su relacin con el valor intrnseco.

31

Captulo III : Clculo estocstico

32

Aragons y Mascareas

Mercados Eficientes

La eficiencia y el equilibrio en los


mercados de capital
Jos R. Aragons y Juan Mascareas
Universidad Complutense de Madrid
Anlisis Financiero n 64. 1994. Pgs.: 76-89

En este artculo se realiza una examen de lo que implica la eficiencia y el equilibrio de


los mercados de valores de cara al cumplimiento de las teoras de gestin de carteras
ms conocidas como son el CAPM o la APT y, por tanto, en las decisiones de inversin
y de financiacin empresariales. Adems se hace un recorrido histrico de las diferentes contrastaciones a las que la hiptesis de eficiencia ha sido sometida con el fin de
comprobar hasta que punto es una hiptesis realista.

1. Mercados financieros: liquidez, arbitraje y especulacin.


Una de las principales razones de la existencia de los mercados de valores es la
liquidez, entendida sta como la facilidad con que los activos financieros se transfieren sin
prdida de valor. As, el mercado de valores facilita el intercambio de dichos activos, puesto
que sin l sera necesario incurrir en altos costes financieros y temporales para realizar una
transaccin. Por tanto, el mercado de valores reduce esos costes de transaccin en gran
parte, proporcionndonos una medida rpida, exacta y gratuita del valor real de los activos
financieros que en l se intercambian.
No todos los activos que se negocian en un mercado financiero tienen la misma
liquidez, una forma de ver qu activos son ms lquidos y cules menos es comparando la
diferencia entre el precio comprador y el precio vendedor que en promedio ofertan los
intermediarios financieros. Cuanto ms pequea sea esta diferencia ms lquido es el activo,
mientras que si es grande querr decir que la falta de liquidez hace correr un riesgo mayor al
intermediario puesto que si ste nos lo compra tardar un tiempo en poder deshacerse del
mismo, durante el cual puede depreciarse haciendo que el intermediario incurra en una
prdida.
En los mercados financieros existen una serie de operadores que persiguen la
adquisicin de un activo en un mercado determinado para venderlo inmediatamente en otro
mercado a un precio superior. Se les conoce como arbitrajistas porque a la operacin
antedicha se la denomina arbitraje. Dicha operacin no acarrea ningn riesgo puesto que la
compra y venta del activo tienen lugar de forma instantnea.
Precisamente, la existencia de arbitrajistas que compiten entre s buscando
continuamente esas oportunidades de realizar beneficios sin riesgo, aseguran que el precio
de un activo determinado prcticamente sea igual en todos los mercados financieros en los
que se cotiza (a esto se le conoce como la "ley del precio nico"). Las pequeas diferencias
observadas entre los mismos se deben a los costes de transaccin que no hacen rentable
aprovecharse de las mismas y que actan como un lmite para la realizacin del arbitraje. Los
costes de transaccin dependen en gran medida de las diferencias fsicas entre los productos
1

Aragons y Mascareas

Mercados Eficientes

que se negocian en un mercado (por ello en los mercados financieros son mucho ms
pequeos que en los mercados de productos fsicos) y del tamao del mercado (el nmero
de activos financieros que se intercambian diariamente es muy grande).
Por todo lo dicho, la existencia de la competencia entre arbitrajistas es fundamental
para que el mercado llegue a ser eficiente. De hecho, un mercado en el que no existan
oportunidades de arbitraje se puede decir que es eficiente. Es preciso tener en cuenta, que un
factor importante para favorecer la competencia en los mercados estriba en la homogeneidad
de la mercanca intercambiada, y dado que los activos financieros son muy homogneos ello
facilita la competencia en los mercados financieros y, por tanto, su eficiencia.
A diferencia del arbitrajista quin slo posea el activo durante un instante, el
especulador lo mantiene en su poder durante cierto tiempo con el objetivo de beneficiarse de
una variacin futura favorable en su precio, a cambio de lo cual corre un riesgo. La
importancia del paso del arbitraje a la especulacin radica en que, en muchos casos, los
especuladores anticipan los cambios en los precios sin tener informacin perfecta.
Al hilo de lo anterior, comentaremos que los participantes en el mercado reaccionan
rpidamente a los sucesos que proporcionan informacin til. Primero reaccionarn aqullos
que tengan acceso a dicha informacin, lo que les hace tomar ventaja y beneficiarse de ser
los primeros en tomar posiciones ante lo que se avecina (este es el concepto de "informacin
asimtrica"). Seguidamente, el resto de los participantes reacciona ante dicha informacin,
no porque la conozcan, sino porque la infieren de las variaciones en los precios producidas
por los participantes que tienen acceso a la misma. A este proceso se le denomina
sealizacin. Las compras y ventas de los activos financieros y la consiguiente alteracin de
sus precios son el mecanismo por el que la informacin contenida en las seales se refleja en
los precios. As, por ejemplo, los cambios en la poltica de dividendos seguida habitualmente
por la compaa o en su estructura de capital proporcionan seales al mercado que ste
deber interpretar y reflejar en el precio de las acciones de la empresa.
Pues bien, los especuladores buscan continuamente nueva informacin que les
permita saber si los ttulos van a subir o a bajar en el futuro para saber cul debe ser su
decisin actual: comprar o vender. La competencia entre ellos es brutal, puesto que el que
primero acierte ser el que ms gane, ello hace que se llegue a veces a incumplir la Ley en la
bsqueda y consecucin de informacin privilegiada. Tngase en cuenta, que los beneficios
de los especuladores son el resultado del coste, tiempo, esfuerzo y dinero empleados en
reunir, analizar y utilizar la informacin para negociar con ventaja. Cuanto ms reciente sea
la informacin ms til ser, pero tambin ms difcil y costosa de conseguir.
Como hemos sealado, los participantes en el mercado financiero estn
continuamente interpretando la informacin disponible. Por regla general, el proceso de
interpretar la informacin implica utilizar el "razonamiento inductivo", esto es, utilizar una
situacin especfica para obtener conclusiones generales. La competencia por conseguir
informacin e interpretarla adecuadamente hace que los precios de los activos financieros
sean unos buenos estimadores del futuro.

2. Concepto de mercado eficiente


A la luz de todo lo comentado en el epgrafe anterior, se dice que un mercado de
valores es eficiente cuando la competencia entre los distintos participantes que intervienen

Aragons y Mascareas

Mercados Eficientes

en el mismo, guiados por el principio del mximo beneficio, conduce a una situacin de
equilibrio en la que el precio de mercado de cualquier ttulo constituye una buena estimacin
de su precio terico o intrnseco (valor actual de todos los flujos de caja esperados).
Dicho de otra forma, los precios de los ttulos que se negocian en los mercados
financieros eficientes reflejan toda la informacin disponible y ajustan total y rpidamente la
nueva informacin. Adems, se supone que dicha informacin es gratuita.
Si todos los ttulos estn perfectamente valorados, los inversores obtendrn un
rendimiento sobre su inversin que ser el apropiado para el nivel de riesgo asumido, sin
importar cules sean los ttulos adquiridos. Es decir, en un mercado eficiente todos los
ttulos estarn perfectamente valorados, por lo que no existirn ttulos sobre o infravalorados, con lo que el valor actual neto de la inversin ser nulo. Esto implica que si el mercado
es eficiente, el tiempo, el dinero y el esfuerzo gastados en el anlisis del valor intrnseco de
los ttulos sern intiles.
Si en un mercado eficiente se produjese una disparidad entre el precio de mercado de
un ttulo y su valor intrnseco, sta sera aprovechada por los especuladores avispados que
actuaran en consecuencia para beneficiarse de dicha "ineficiencia temporal". Si, por
ejemplo, el ttulo estuviese infravalorado dichos especuladores lo adquiriran, con objeto de
obtener una rpida ganancia de capital, lo que creara una presin de la demanda sobre dicho
ttulo que impulsara su precio hacia arriba hasta situarlo en su valor intrnseco. Si, por el
contrario, el ttulo estuviese sobrevalorado esos mismos especuladores lo venderan con lo
que el precio del mismo descendera, debido a la presin de la oferta, hasta situarse en su
valor terico. Resumiendo, slo los ms avispados sacarn un beneficio de las ineficiencias
temporales (cuantos ms especuladores de este tipo haya menor ser el beneficio), el resto
de los participantes creer realmente encontrarse en un mercado eficiente.
Como es lgico, existe una gran dificultad a la hora de estimar el precio terico de
un ttulo cualquiera; dado que tanto las expectativas sobre los dividendos futuros, como el
horizonte econmico de la planificacin, o las predicciones sobre la evolucin del marco
socioeconmico, son diferentes para cada inversor en particular. Ahora bien, si el mercado
es eficiente, las mltiples estimaciones del valor de un activo financiero debern oscilar de
forma aleatoria alrededor de su verdadero valor intrnseco. Por tanto, todos los inversores
tienen las mismas probabilidades de ganar o perder (la mayor rentabilidad que algunos inversores puedan obtener sobre el resto, ser producto del azar). Este tipo de mercado debe
ser forzosamente competitivo, puesto que es la nica manera de que toda la informacin que
afecte al valor intrnseco de los ttulos se refleje inmediatamente en sus precios.
Concretando, alguien podra pensar que si fuese capaz de predecir cundo va a
producirse una nueva informacin y cmo afectara a los precios de los ttulos estara en
ventaja con respecto a los dems competidores; por desgracia, la nueva informacin no se
puede predecir antes de que se produzca porque si as fuese la prediccin formara parte de
la informacin actual. Por lo tanto las alteraciones en los precios reflejarn precisamente lo
impredecible, ello hace que la serie de cambios en los precios sea de tipo aleatorio, ms
concretamente se dice que siguen un recorrido aleatorio1.
1 Estrictamente hablando, los precios de los ttulos se comportan como una submartingala, lo

que significa que las variaciones en los mismos suelen ser positivas debido a una
compensacin del valor temporal del dinero y al riesgo sistemtico. Adems, los rendimientos
esperados pueden cambiar a lo largo del tiempo conforme lo hagan los factores de riesgo. Un
"recorrido aleatorio" es ms restrictivo en el sentido de que los rendimientos de los
ttulos deben ser independientes y estar idnticamente distribuidos. La idea aqu utilizada
es que al referirnos al "recorrido aleatorio" queremos hacer mencin a que las variaciones
en los precios de los ttulos son impredecibles.

Aragons y Mascareas

Mercados Eficientes

La razn de que los cambios en los precios sean aleatorios se debe a que los
participantes en el mercado financiero son racionales2 y se mueven en un ambiente de
competencia, tal y como ya sealbamos ms arriba. As que si los precios se determinan
racionalmente, slo la nueva informacin producir alteraciones en los mismos y el recorrido
aleatorio ser el resultado natural de los precios que reflejen siempre todo el conocimiento
disponible actualmente por el mercado financiero en su totalidad. Como veremos ms
adelante, la prueba emprica de que esto se cumple consistir en calcular el coeficiente de
correlacin entre dos cambios sucesivos del precio de un ttulo. Si ste est prximo a cero
concluiremos diciendo que los cambios son independientes entre s, en caso contrario
encontraramos una pauta de variacin que hara depender el cambio del precio de un da
con respecto al anterior.
Eugene Fama (1965) resume todo esto en dos puntos:
1. Los precios actuales cambiarn rpidamente para ajustarse al nuevo valor
intrnseco derivado de la nueva informacin.
2. El tiempo que transcurre entre dos ajustes sucesivos de precios (o entre dos
informaciones sucesivas) de un mismo ttulo es una variable aleatoria
independiente.

3. Las hiptesis del mercado eficiente


Eugene Fama (1965) defini los mercados eficientes como un "juego equitativo" en
el que los precios de los ttulos reflejan completamente toda la informacin disponible. Esto
es, si los mercados son eficientes, los ttulos estn valorados para proporcionar un rendimiento acorde con su nivel de riesgo.
La idea subyacente es que los precios de los ttulos se ajustan a la ya comentada
teora del recorrido aleatorio, segn la cual los cambios en los precios de los ttulos son
independientes entre s y tienen la misma distribucin de probabilidad. Esto es, la variacin
que se produce en el precio de un ttulo del da t al t+1, no est influida por la variacin producida del da t-1 al t; y el tamao de ambas es totalmente aleatorio o impredecible. Cuando
se cumple totalmente, se dice que el mercado de valores en cuestin "no tiene memoria", en
el sentido de que no "recuerda" lo que ocurri anteriormente y, por lo tanto, la variacin que
se pueda producir hoy en los precios no tiene nada que ver con la de ayer.
Ahora bien, en la prctica los mercados de valores parecen ser relativamente
eficientes al reflejar la nueva informacin en los precios, aunque por otra parte tengan costes
de transaccin, impuestos, etc. Lo que nos lleva a preguntarnos cun eficientes son los
mercados de valores?.
Harry Roberts (1967), defini tres niveles de eficiencia de los mercados de valores,
donde cada nivel reflejaba la clase de informacin que era rpidamente reflejada en el precio.
Estos niveles de eficiencia eran denominados: dbil, intermedio y fuerte.

2 No se debe confundir aleatoriedad en las variaciones de los precios con irracionalidad en

el valor de los precios, precisamente


praticipantes en el mercado financiero.

la

primera

surge

de

la

racionalidad

de

los

Aragons y Mascareas

Mercados Eficientes

3.1 La hiptesis dbil del mercado eficiente


En la hiptesis dbil se supone que cada ttulo refleja totalmente la informacin
contenida en la serie histrica de precios, es decir, toda la informacin pasada. Los
inversores, por lo tanto, no pueden obtener rentabilidades superiores analizando dichas series (es decir, utilizando el anlisis tcnico, que se basa en el estudio de los grficos
representativos de la evolucin pasada del precio) o ideando reglas de comportamiento de
los precios basadas en ellas, puesto que todos los participantes del mercado habrn
aprendido ya a explotar las seales que dichas series de precios pueden mostrar y actuarn
en consecuencia.
Segn esta hiptesis ningn inversor podr conseguir un rendimiento superior al del
promedio del mercado analizando exclusivamente la informacin pasada (la serie histrica de
precios) y si lo logra ser slo por azar. Ahora bien, si el mercado se ajusta a esta hiptesis,
un inversor s podr "batir al mercado" utilizando la informacin hecha pblica y la informacin privilegiada.
3.2 La hiptesis intermedia del mercado eficiente
Segn esta hiptesis un mercado es eficiente en su forma intermedia cuando los
precios reflejan, no slo toda la informacin pasada, sino tambin toda la informacin hecha
pblica acerca de la empresa o de su entorno, que pueda afectar a cada ttulo en particular
(informe de resultados, anuncios de dividendos, balances anuales, trimestrales, variacin del
tipo de inters, etc.). Dado que una gran parte de la informacin utilizada por los analistas financieros est ampliamente disponible para el pblico, esta hiptesis golpea fuertemente en
el corazn de la profesin de analista financiero. Esto es, si la eficiencia del mercado se
ajusta a dicha hiptesis, la persona que emplee el anlisis fundamental para intentar lograr
un rendimiento superior a la media del mercado est perdiendo el tiempo, puesto que la
cotizacin de los ttulos ya refleja exactamente su valor terico o intrnseco.
La nica forma de lograr un rendimiento superior al promedio, que no sea por medio
del azar, es a travs de la utilizacin de la informacin privilegiada.
3.3 La hiptesis fuerte del mercado eficiente
La hiptesis fuerte parte del supuesto de que los precios reflejan absolutamente toda
la informacin ya sea pasada, pblica o privada. Segn ella, ningn inversor podr "batir al
mercado" como no sea por azar. Esta es una hiptesis extrema que es prcticamente
imposible de cumplir en ningn mercado, pues ello implicara que dicho mercado sera
perfecto y eso es una quimera.
Antes de continuar con el epgrafe siguiente es necesario hacer hincapi en que para
que un mercado sea eficiente es necesario que los participantes en el mismo utilicen el anlisis tcnico (que busca formas en las series histricas de precios que sean recurrentes y, por
tanto, predecibles) y el anlisis fundamental (que utiliza las predicciones de beneficios y
dividendos de la empresa, las expectativas sobre los tipos de inters y la valoracin del
riesgo de la compaa para determinar el precio intrnseco de la accin) con objeto de que la
competencia entre los analistas asegure que, como regla general, los precios de los ttulos

Aragons y Mascareas

Mercados Eficientes

reflejarn toda la informacin disponible. Por supuesto, si el mercado llega a ser eficiente en
su forma intermedia todo el tiempo y dinero empleado en los dos tipos de anlisis anteriores
se habr gastado en vano (excepto en lo tocante a hacer que el mercado alcance un alto
grado de eficiencia, pero esto no creemos que les importe demasiado a los accionistas de los
fondos de inversin, que vern como sus gestores cobran altos sueldos por no conseguir
"batir al mercado"), pero si los analistas pensaran que el mercado es eficiente y renunciaran a
realizar sus anlisis entonces tngase por seguro que el mercado llegara a ser rpida y
completamente ineficiente. En resumen, los mercados se aproximan a la eficiencia cuando
los participantes en los mismos creen que no son eficientes y compiten buscando esa
ineficiencia que les har ganar una mayor rentabilidad que el promedio de los inversores.

4. Son eficientes los mercados financieros?


El concepto de mercados eficientes, as como la teora de formacin de precios,
surge como necesidad de dar una respuesta adecuada al comportamiento de los precios de
las acciones que cotizan en Bolsa. Antes de pasar a analizar los test que se han utilizado con
objeto de probar el grado de eficiencia de los mercados financieros, convendr sealar tres
factores que hacen que el debate entre los tericos de las inversiones financieras y los
prcticos de las mismas, sobre si los mercados son o no eficientes, no tenga final.
El primer factor tiene que ver con la magnitud de las carteras gestionadas por
directivos profesionales. Si los precios de las acciones se encuentran cercanos a su valor
intrnseco, slo aqullos que gestionen grandes carteras pueden obtener beneficios que,
aunque en trminos relativos sean muy pequeos, en trminos absolutos compensan de sobra
sus propios sueldos. Por ejemplo, si la cartera tiene un valor de 50.000 millones de pesetas y
se consigue un beneficio del 0,1% superior al promedio del mercado ello implicar 50
millones de pesetas. Si, por el contrario, usted gestionando una cartera de 10 millones de
pesetas consigue un rendimiento superior al promedio del 0,1% querr decir que ha
invertido su tiempo en conseguir 10.000 pesetas por encima del promedio. Segn esta idea
son las acciones de los inversores inteligentes las que impulsan a los precios de mercado a
aproximarse a sus valores intrnsecos. Tal vez deberamos preguntarnos cun eficientes son
los mercados? ms que si son o no eficientes.
El segundo factor es el sesgo en la seleccin de la cartera. Si usted es capaz de
descubrir una estrategia de gestin de carteras que logre un rendimiento acorde a su riesgo
mayor que el promedio del mercado, se guardar muy mucho de proclamar su
descubrimiento so pena de que otros gestores le copien y desaparezca su ventaja. Sin
embargo, los gestores que no pueden generar rendimientos anormalmente ganadores no
perdern nada con confesarlo abiertamente. Por ello, los oponentes a la teora del mercado
eficiente siempre podrn decir que se publican las evidencias de que el mercado es eficiente
pero no as las que demuestran que no lo es, puesto que los resultados que se pueden
observar han sido preseleccionados en favor de los intentos fallidos de mostrar la ineficiencia
de aqul. Por esta razn, no podemos evaluar claramente la verdadera posibilidad de los
gestores de carteras para generar estrategias ganadoras.
El tercer factor es la suerte. Casi cada mes es posible leer en algn peridico
financiero que un fondo de inversiones determinado, o un inversor especfico, ha conseguido
unos resultados extraordinarios. Esto parece ir en contra de la eficiencia del mercado, pero

Aragons y Mascareas

Mercados Eficientes

no es as. Veamos un ejemplo, imagine 10.000 personas tirando una moneda al aire 50 veces
consecutivas. Es probable, la ley de probabilidades as lo dice, que unas dos personas logren
ms del 75% de caras, pero esto no les hace ser los mejores tiradores de monedas,
simplemente son los que han tenido ms suerte ese da. Lo mismo ocurre en los mercados
financieros eficientes, un gestor de carteras puede situarse como el mayor ganador de todo
el mercado en un mes determinado, lo difcil es mantener el puesto el resto de los meses;
adems, y esto es lo ms curioso, lo mismo que unos gestores ganan mucho ms que el
promedio por pura buena suerte, otros perdern bastante ms que el promedio por mala
suerte pero de stos ltimos no se suele or hablar. Concluyendo, lo importante es saber si la
estrategia ganadora durante un perodo determinado va a seguir siendo ganadora durante el
siguiente perodo.
Veamos ahora qu tan eficientes son los mercados financieros a travs de una serie
de estudios realizados a largo de las ltimas dcadas.
El primer estudio sistemtico de la distribucin de las cotizaciones de los ttulos de
renta variable, suele atribuirse a Bachelier (1900) que sugiri, en contra de la creencia del
momento (la existencia de un carcter cclico), que exista un comportamiento aleatorio en la
evolucin de los precios de las acciones. Asimismo, lleg a la conclusin de que si los
cambios sucesivos en los precios son variables aleatorias independientes e idnticamente
distribuidas con varianza finita y, si el volumen de transacciones es amplio y uniformemente
extendido a lo largo del tiempo, en virtud del "teorema central del lmite", los cambios
diarios, semanales o mensuales, debern tender a una distribucin normal.
El conocimiento sobre el tipo de distribucin que siguen los rendimientos de las
acciones y la posibilidad de que se ajuste a una normal es muy importante para el posterior
desarrollo de modelos de decisin y seleccin de carteras para inversores individuales que
intentarn optimizar la relacin entre la rentabilidad esperada de las acciones y su riesgo. De
hecho, los principales modelos de formacin de precios de equilibrio, estn basados en la
hiptesis de normalidad, como es el caso del modelo de mercado o el CAPM. Por otro lado,
aunque en los ltimos aos ha habido un gran avance en la investigacin sobre distribuciones
estables no normales, las herramientas estadsticas disponibles para distribuciones normales
son mucho ms numerosas y mucho mejor conocidas.
En general, la mayora de los estudios que se han realizado sobre la distribucin de
las cotizaciones burstiles llevan a conclusiones muy similares.
Kendall (1953) realiz un estudio sobre los cambios semanales de los precios de las
acciones industriales britnicas y llega a la conclusin de que la distribucin de los
rendimientos se aproximaba a una de tipo normal. Los precios parecan moverse
aleatoriamente y no existan patrones predecibles sobre su comportamiento.
Moore (1962), por su parte, analiza las primeras diferencias de los logaritmos de los
precios de ocho acciones del NYSE (New York Stock Exchange) y tambin se inclina por la
hiptesis de normalidad.
En ambos casos, sin embargo, los autores observaron que sus distribuciones eran
leptocrticas, con las colas anchas (mayor probabilidad de observaciones extremas de las
esperadas que si la distribucin se ajustase a una normal) y demasiados valores en torno a la
media.
Por su parte, Mandelbrot (1963) sugiere que este tipo de distribuciones podra
quedar mejor explicado por una distribucin estable no-normal con un exponente
caracterstico inferior a dos.

Aragons y Mascareas

Mercados Eficientes

Fama (1963), corrobora esta postura en cuanto a los rendimientos diarios de cada
una de las treinta acciones que componen el Dow-Jones Industrial Average para el perodo
que va desde el final de 1957 hasta septiembre de 1962; en un estudio posterior, no
obstante, al analizar 210 observaciones mensuales entre 1951 y 1968, Fama (1976) seala
que, aunque ligeramente leptocrtica, se aproxima lo suficiente a una distribucin normal
para que sta pueda ser utilizada como una buena hiptesis de trabajo.
Al examinar los rendimientos semanales de 25 acciones que cotizaron en la Bolsa de
Madrid -representando alrededor del 85% de la contratacin burstil anual- para 116
observaciones que incluan hasta diciembre de 1981, Aragons (1986) pudo comprobar que
su distribucin result ser asimtrica hacia la derecha y leptocrtica pudindose comprobar a
travs de los grficos de distribucin normal esta desviacin por parte de varios de los
ttulos analizados. Asimismo, el recorrido estudentizado para cada una de las acciones y el
clculo del estadstico chi-cuadrado ratificaban los resultados anteriores en el sentido de
rechazar la hiptesis de normalidad en varios de los ttulos examinados en el perodo
reseado.
En este contexto, un mercado de capitales ideal ser aquel en el que las empresas se
hallan en condiciones de adoptar decisiones de produccin e inversin, y los inversores
pueden elegir entre los ttulos que representan la propiedad sobre las actividades de las
empresas, bajo el supuesto de que los precios de dichos ttulos en cualquier momento
reflejan totalmente toda la informacin disponible.
Cuando el mercado fija los precios de los activos en un momento t, lo realizar a
partir de la informacin que tenga disponible hasta justo ese momento; en funcin de esa
informacin, se crear sus expectativas sobre la distribucin conjunta de esos precios en el
futuro, para, finalmente, a la vista de sus previsiones, y de acuerdo con un determinado
modelo de equilibrio, establecer los precios actuales de equilibrio.
Dentro de este proceso de fijacin de precios, se dice que un mercado es eficiente
cuando la informacin que utiliza es toda la informacin relevante (no omite ninguna
informacin importante) y adems lo hace de forma adecuada (conoce exactamente la
repercusin de esa informacin en la evolucin futura del precio del activo).
La contrastacin emprica de esta proposicin consistir en comprobar que las
expectativas del mercado coincidan con los valores posteriores que realmente tomaron los
activos. Ahora bien, mientras que los valores reales que tomaron los precios en t+1 son
perfectamente observables "a posteriori", las expectativas que tena el mercado respecto de
esos valores en el momento t no lo son. Lo que s es tambin observable "ex-post", son los
precios que fij el mercado en t en funcin de sus expectativas y de un determinado modelo
de equilibrio. Para poder subsanar este punto, se acepta que los precios actuales se establecen mediante algn tipo de modelo de equilibrio de mercado.
Uno de los problemas principales con este tipo de pruebas se refiere a que la mayora
de ellas requiere ajustar los resultados de la cartera a su riesgo y la mayora de las contrastaciones utiliza el CAPM para realizar dicho ajuste. Sabemos que, aunque la eta parece ser
un descriptor relevante del riesgo del ttulo, empricamente los rendimientos esperados
calculados en funcin de la eta como indicador del riesgo a travs del CAPM difieren de
los rendimientos esperados obtenidos en el mercado. Si, por tanto, utilizamos el CAPM para
ajustar los rendimientos de la carteras a su riesgo, podemos encontrarnos con que varias
estrategias puedan generar rendimientos superiores cuando de hecho lo que ha fallado es el
procedimiento de ajuste, es decir, el modelo de equilibrio utilizado.

Aragons y Mascareas

Mercados Eficientes

La implicacin directa de lo anterior, es que cualquier contrastacin que se pretenda


llevar a cabo, lo ser simultneamente de eficiencia y de un determinado modelo de equilibrio de ajuste del riesgo. Significa, por tanto, que cualquier resultado positivo supondr
aceptar la eficiencia del mercado objeto de anlisis as como de las caractersticas que se
hayan supuesto con respecto al modelo de formacin de precios de equilibrio. En cambio, si
del anlisis se desprende un resultado negativo, supondr tener que decidir si de ello se
puede inferir la ineficiencia del mercado o si, por el contrario, refleja la inadecuacin a la
realidad de los supuestos asumidos sobre el equilibrio del mercado.
La contrastacin emprica de la teora del mercado eficiente se ha realizado
tradicionalmente en los mercados burstiles mediante el anlisis de las tres hiptesis de eficiencia, enunciadas por Harry Roberts, utilizando diversos modelos de equilibrio. Debido a
la gran cantidad de estudios de este tipo que se han llevado a cabo, destacaremos algunos de
los que, quizs, sean ms representativos.
4.1 Estudios sobre la hiptesis dbil
Los primeros trabajos de eficiencia se centraron especialmente en la hiptesis dbil;
el conjunto de informacin considerado se reduce a la serie histrica de los precios. De las
diversas tcnicas empleadas para este anlisis quiz la ms frecuente sea el estudio de la
autocorrelacin serial de los precios o rendimientos de las acciones, utilizando como modelo
de equilibrio la fijacin de los precios de tal forma que los rendimientos esperados sean
constantes.
Entre los autores que realizan esta clase de contrastacin cabe destacar algunos
previamente citados como son Kendall (1953), Moore (1962) y Fama (1965) que analizan
las diferencias primeras logartmicas de los precios diarios de las treinta acciones del DowJones Industrial. En los tres casos coinciden en su conclusin de que no observan
correlacin serial significativa como para apoyar la existencia de dependencia lineal sustancial entre los cambios sucesivos de los precios de los ttulos analizados. Aragons (1986)
obtiene, en general, coeficientes relativamente pequeos, sin embargo, en nueve casos son
superiores en ms de dos veces los errores estndar computados para un retardo de una
unidad; el resultado parece indicar cierto grado de dependencia.
Otro tipo de prueba que parte de un modelo de equilibrio en el que los precios se
determinan de forma que los rendimientos esperados sean positivos, es la denominada regla
de los filtros. El test consiste en comparar el beneficio obtenido durante el periodo de
anlisis mediante la aplicacin de la tcnica de los filtros con la alternativa de comprar el
ttulo al principio del perodo y venderlo al final. Alexander (1961 y 1964) considera
distintos filtros que oscilan entre un 1% y un 50%, mientras que Fama y Blume (1966)
abarcan desde un 0,5% hasta un 50%. Los resultados iniciales reflejaron la posibilidad de
"batir" al mercado mediante el empleo sistemtico de sta tcnica para filtros pequeos (1,0
para Alexander y 0,5; 1,0 y 1,5 Fama y Blume). Sin embargo, estos dos autores demuestran
que debido al gran nmero de operaciones que acarrea la utilizacin de filtros pequeos, al
considerar los costes de transaccin, los beneficios quedaran totalmente absorbidos.
La independencia de los cambios sucesivos en los precios tambin se puede
comprobar a travs del test de las direcciones. Se entiende por una direccin una secuencia
de cotizaciones que tienen el mismo signo (aumento "+" o disminucin "-"); en el supuesto
de independencia en el nmero de direcciones observado en nuestra serie no debera diferir

Aragons y Mascareas

Mercados Eficientes

significativamente del de una serie de nmeros aleatorios. Fama (1965) no observa indicios
de dependencia, mientras que Aragons (1986) obtiene ligeras muestras de dependencia.
Una de las formas ms populares de combinar informacin pasada en los precios de
los ttulos con objeto de seleccionarlos es el ndice de fuerza relativa. Un ejemplo de ste
fue sugerido por Levy (1967); as pues definamos por P el precio medio de un ttulo
determinado durante las ltimas 27 semanas (incluido el da de hoy) y por Pt el precio actual
de dicho ttulo, entonces la fuerza relativa del mismo ser Pt/P. De acuerdo con Levy, los
ttulos que se seleccionarn son el X% con el ndice ms alto en los que deberemos invertir
la misma cantidad de dinero. En los siguientes perodos si el ndice de fuerza relativa de un
ttulo cayese por debajo del K% de los ttulos, deberemos venderlo e invertir el dinero
recibido en los X% de mayor ndice. Para Levy X = 5% y K = 70%. Jensen y Bennington
(1970) probaron diversos ndices de fuerza relativa, incluido el de Levy, y encontraron que
el rendimiento despus de detraer los costes de transaccin no superaba al rendimiento del
mercado; ms an, despus de ajustar el riesgo el rendimiento era incluso inferior.
4.2 Estudios sobre la hiptesis intermedia
A partir de los resultados obtenidos, que aparentemente confirmaban la hiptesis del
mercado eficiente, se plante la necesidad de examinar la reaccin de los precios con
respecto a otro tipo de informacin de disponibilidad pblica. Ante esta nueva situacin, fue
necesario utilizar unos modelos de equilibrio ms desarrollados; uno de ellos es el modelo de
mercado, es decir:
Ri = i + i RM + i

donde Ri es el rendimiento del ttulo i, RM es el rendimiento del ndice de mercado, i y i


son las dos constantes del modelo de regresin (respectivamente, indican el rendimiento del
ttulo cuando el rendimiento del ndice es nulo y el coeficiente de volatilidad del ttulo con
respecto al rendimiento del ndice), por ltimo, i es la perturbacin aleatoria.
La tcnica consiste en calcular el rendimiento extraordinario (tomando como
rendimiento esperado el del modelo de mercado, Ri) y calcular su valor acumulado desde un
perodo anterior hasta otro posterior al anuncio pblico de determinado tipo de informacin.
Ball y Brown (1968) examinan el comportamiento del mercado ante el anuncio de
los beneficios anuales de 261 empresas importantes, en EE.UU., entre 1946 y 1966; Fama,
Fisher, Jensen y Roll (1968), estudian la reaccin ante el anuncio de un desdoblamiento de
acciones o split para 622 empresas que realizaron 940 splits a lo largo del periodo de
consideracin y Scholes (1972) analiza la evolucin de las cotizaciones burstiles ante el
anuncio de la venta de un total de 345 grandes paquetes accionariales. En todos los casos
los resultados llevan a los autores conclusiones favorables a la definicin intermedia de
eficiencia, aunque del estudio de Scholes, adems, se desprende la posibilidad de que el
modelo no sea adecuado en cuanto a la hiptesis fuerte.
Los estudios de eficiencia se impulsaron vigorosamente a partir del desarrollo del
modelo de dos parmetros (CAPM), que ha sido sin lugar a duda el ms empleado en este
tipo de anlisis en los ltimos veinticinco aos. Recordemos, este modelo se expresa de la
siguiente forma:

10

Aragons y Mascareas

Mercados Eficientes

Ei = Rf + (EM - Rf) i
donde Ei indica el rendimiento esperado del ttulo, EM es el rendimiento esperado del ndice
del mercado, Rf es el rendimiento del activo sin riesgo a lo largo del perodo considerado, y
i es el coeficiente de volatilidad del ttulo analizado.
De la gran cantidad de trabajos que examinan la hiptesis conjunta de eficiencia y el
modelo de dos parmetros researemos las conclusiones de algunos de los que nos parecen
ms interesantes. Ball (1972), examina la reaccin del mercado ante 267 cambios en las
prcticas contables entre 1947 y 1960; mientras que Ibbotson (1975) analiza su
comportamiento ante nuevas ofertas pblicas seleccionando una al azar cada mes para el periodo 1960-1969: ambos son favorables a la eficiencia intermedia.
Ball (1978) realiza una revisin de veinte estudios sobre la publicacin de los
beneficios del ejercicio y concluye que los resultados no son globalmente compatibles con el
modelo de dos parmetros: estos beneficios estaran representando a otras variables omitidas
en el modelo. Watts (1978), en un anlisis similar a los comentados por Ball, se inclina por
la ineficiencia del mercado. Banz (1981), en su estudio examina el comportamiento del
mercado ante el distinto tamao de las empresas. Incluye los rendimientos mensuales de
todos los ttulos cotizados en la NYSE por un mnimo de cinco aos en el periodo comprendido entre 1926 y 1975; a pesar de que la informacin sobre el tamao de la empresa
est disponible, las de menor tamao parecen obtener una mayor rentabilidad una vez
ajustado para el riesgo: estos resultados negativos, los atribuyen a la mala definicin del
modelo. Otros autores como Charest (1978) que observa la reaccin del mercado ante el
anuncio de dividendos para un total de 1720 cambios en el dividendo entre 1947 y 1968,
llegando a la conclusin que cuando se produce un aumento en el dividendo despus de un
perodo de estabilidad (dos aos), existen beneficios extraordinarios desde un ao antes
hasta dos despus del anuncio o Thompson (1978) en su estudio de 23 fondos de inversin
en el periodo 1940-1975, comprueba que cuando se venden con descuento superan la
rentabilidad esperada (infravalorados) y cuando se venden con prima ocurre lo contrario. En
ninguno de estos dos casos se pronuncian ni por la eficiencia del mercado, ni por la
inadecuacin del modelo como posible explicacin a los resultados observados, aunque este
ltimo tiende a achacarlo al modelo utilizado. Basu (1977) agrupa las ms de 500 empresas
industriales de su muestra entre 1956 y 1971, en cinco carteras en funcin de su PER y
observa que las de menor PER obtenan una mayor rentabilidad una vez ajustado el riesgo:
se inclina por la ineficiencia del mercado aunque, como es lgico, no de forma categrica:
otros autores podran interpretar sus resultados de diferente modo.
4.3 Estudios sobre la hiptesis fuerte
En cuanto a los estudios sobre la hiptesis fuerte de eficiencia, se suelen centrar en la
existencia de informacin no hecha pblica, que poseen exclusivamente determinados
agentes que intervienen en el mercado, permitindoles obtener rendimientos superiores a los
que les corresponden en funcin del riesgo que asumen. Este tipo de anlisis, conjuntamente
con el modelo de equilibrio de dos parmetros es el que lleva a cabo Jensen (1969) cuando
analiza 115 fondos de inversin para el perodo 1955-1964 y observa que hay un
rendimiento medio superior en un 8,9% al esperado; al incluir gastos de gestin y
comisiones esa diferencia se ve reducida a prcticamente cero con lo que el autor se muestra

11

Aragons y Mascareas

Mercados Eficientes

favorables a la hiptesis conjunta. Jaffe (1974) analiza la compra y venta por parte de los
directivos y grandes accionista que ttulos de renta variable de sus propias empresas y
concluye que hay personas con acceso a informacin privilegiada, que todava no ha sido
divulgada y que les asegura beneficios excepcionales, hecho claramente contrario a la
hiptesis fuerte de eficiencia, en donde los precios deben reflejar toda la informacin
existente; el resultado tampoco favorece la hiptesis intermedia, porque esos posibles
beneficios extraordinarios se prolongaban an ms all de la fecha en la que esa informacin
se haca pblica.
Dimson y Marsh (1984) analizaron 4.000 previsiones de rendimientos de las acciones
de 200 de las principales empresas britnicas, realizadas por 35 analistas diferentes. Los
datos fueron reunidos en un gran fondo y se pidi a los intermediarios financieros que
previeran el exceso de rendimiento del mismo sobre el mercado (al de ste se le dio un valor
nulo). Los dos autores correlacionaron el rendimiento actual con el previsto encontrando un
coeficiente de correlacin medio del 0,08. A pesar de la pequea cantidad de informacin
contenida en las previsiones, los resultados del fondo superaron en un 2,2% al rendimiento
del mercado. Los tests mostraron que ms de la mitad de la informacin contenida en las
previsiones era incorporada en el precio de las acciones en el primer mes siguiente a las
mismas. De esta manera era necesaria una rpida reaccin a las previsiones de los analistas.
Elton, Gruber y Grossman (1986) emplearon una base de datos del Bankers Trust
que jerarquizaba los ttulos en cinco categoras: mejores compras, compras, mantener, y dos
clases de ventas. Los datos contenan 10.000 clasificaciones mensuales preparadas por 720
analistas de 34 empresas de intermediacin financiera. Un anlisis de las previsiones
preparadas en la forma de clasificaciones discretas es interesante debido a que esta es la
manera en la que los directivos de la comunidad financiera reciben la informacin. Los
autores encontraron que tanto un cambio en la clasificacin como la clasificacin en s
misma contenan informacin. Un rendimiento superior se poda conseguir comprando los
ttulos mejor clasificados y vendiendo los peor situados. Los rendimientos superiores se
encontraron no slo en el mes de la previsin sino tambin en los dos siguientes. Actuando
sobre los cambios en la clasificacin se poda conseguir un mayor rendimiento que actuando
sobre las recomendaciones en s mismas. Es decir, era mejor seguir el consejo del promedio
que el de unos pocos analistas por muy buenos que estos fuesen sobre un perodo
determinado. En resumen, estos dos estudios ltimos que hemos visto no parecen encontrar
informacin adicional en el consejo de un intermediario financiero individual, pero s parece
encontrarse si agregamos los consejos de una gran parte de dichos intermediarios, al menos
durante cortos perodos de tiempo dicha informacin existe.
Bogle (1991) muestra como el rendimiento conseguido por el ndice Standard &
Poor 500 durante los aos setenta y ochenta fue del 11,5% anual mientras que la media de
los fondos de inversin alcanz el 9,4%. La diferencia puede ser atribuida a los costes de
transaccin y a los costes de gestin de los fondos. Tambin en el mercado de renta fija los
gerentes de las carteras se ven incapaces de mejorar al ndice elegido para el estudio (el
Salomon Brothers Broad Investment Grade -BIG-).
4.4 Anomalas en el mercado financiero
Los mercados financieros parecen comportarse eficientemente con respecto a la
informacin pblicamente disponible. Sin embargo, se han detectado algunas irregularidades

12

Aragons y Mascareas

Mercados Eficientes

que al ser persistentes y de tan gran magnitud se han llamado anomalas del mercado.
Algunas de las cuales pasaremos a analizar seguidamente.

4.4.1 El efecto fin de semana


French (1980) y, Gibbons y Hess (1981) estudiaron la forma del rendimiento de los
ttulos desde el cierre del mercado el Viernes al cierre del Lunes, con objeto de averiguar si
el rendimiento de los tres das naturales era tres veces mayor que el de un da cualquiera.
Intentaban saber si el mercado operaba sobre los das hbiles o sobre los naturales. La
sorpresa fue grande cuando vieron que el rendimiento del Lunes no slo no se pareca al de
los otros cuatro das hbiles sino que era, incluso, bastante negativo.
Si los inversores quisieran hacer arbitraje deberan vender sus ttulos el Viernes por la
tarde y recomprarlos el Lunes a un precio esperado inferior. El resultado sera una cada del
precio el Viernes como consecuencia de las ventas y un ascenso del mismo el Lunes al
existir una presin de la demanda, lo que producira un rendimiento positivo. El arbitraje no
se suele hacer debido a que los costes de transaccin eliminan el posible beneficio anormal.
Adems, una forma de reducir este efecto consiste en que los que planeen adquirir sus ttulos el Jueves o el Viernes podran esperar hasta el Lunes prximo, mientras que los que
piensan venderlos el Lunes pueden retrasar la operacin hasta el fin de semana. En todo
caso, este efecto fin de semana proporciona un interesante contraejemplo de la hiptesis del
mercado eficiente, puesto que la persistencia de esta anomala puede indicar que los
inversores no han prestado atencin a la posibilidad de predecir los precios de los ttulos.

4.4.2 El efecto tamao


Tal vez la anomala ms estudiada es la que consiste en el efecto tamao, segn la
cual las empresas cuya capitalizacin burstil es baja produce rendimientos superiores a los
indicados por el CAPM. Banz (1981) fue uno de los primeros en analizar dicha anomala
mostrando que el efecto tamao tena una gran significacin estadstica y una importante
relevancia emprica llegando a ser, incluso, igual a la significacin de la eta. Debido a que
Banz compuso las carteras objeto del estudio de tal manera que todas tuviesen la misma
eta, estos resultados sugieren que el CAPM est mal especificado y que la ecuacin del
rendimiento debera contener un factor adicional que estuviera fuertemente correlacionado
con la empresa.
Diversos estudios han confirmado la presencia de dicho efecto tamao, por ejemplo,
Reinganum (1981, 1982), Roll (1981) Edmister (1983), etc. Estos estudios han descubierto
que el riesgo de las empresas de menor tamao estaba subestimado dado que los ttulos de
dichas compaas se negocian con una menor frecuencia que los de las grandes, es decir, se
detect la existencia de primas de liquidez. Por otro lado, Roll (1983) y, Blume y
Stambaugh (1983) han demostrado que el mtodo utilizado para formar las carteras en los
estudios acerca de los mercados de valores sobreestiman los rendimientos de las empresas
de menor tamao. Si se miden correctamente el riesgo y el rendimiento de las empresas de
menor tamao el efecto tamao disminuye en un 50%.
Keim (1983) mostr que el efecto tamao suele ocurrir en enero y, ms
concretamente, las dos primeras semanas de dicho mes. Esto ha hecho pensar a bastantes

13

Aragons y Mascareas

Mercados Eficientes

investigadores sobre la posibilidad de que dicho efecto tenga que ver con la oleada de ventas
que se produce en diciembre para obtener prdidas fiscales que desgraven en la declaracin
de la renta de las personas fsicas o de las sociedades. Posteriormente, en los primeros das
de enero, se recompran los ttulos produciendo un aumento de su rentabilidad. Ritter (1988)
muestra como el ratio ttulos comprados / ttulos vendidos tiene un mnimo anual en
diciembre y un mximo en enero.
En todo caso, la cuestin es por qu los participantes del mercado no explotan el
efecto enero y lo acaban eliminando llevando los precios de los ttulos a sus valores
apropiados. Una posible explicacin puede ser la segmentacin del mercado entre inversores
institucionales, que invierten en grandes compaas, e inversores individuales que se
concentran sobre las compaas ms pequeas. Los inversores institucionales, verdadero
motor de la eficiencia en los mercados, no estn interesados en aprovechar esas anomalas
debido a que traspasaran los lmites permitidos sobre las posiciones de sus carteras.

4.4.3 El efecto olvido y el efecto liquidez


Otra interpretacin del efecto tamao en el mes de enero es la que proporcionan
Arbel y Strebel (1983). Suponen que las empresas de menor tamao tienden a ser olvidadas
por los grandes operadores institucionales debido a que la informacin sobre tales
compaas est menos disponible. Precisamente, esta deficiencia en la informacin hace ms
arriesgado invertir en dichas empresas por lo que se exige un rendimiento esperado ms alto.
Arbel (1985) midi la deficiencia de la informacin utilizando el coeficiente de variacin de
los beneficios previstos por los analistas. El coeficiente de correlacin entre el coeficiente de
variacin y el rendimiento total fue del 0,676 bastante alto y estadsticamente significativo.
Amihud y Mendelson (1986 y 1991) opinan que los inversores exigirn una tasa de
rendimiento superior por invertir en ttulos menos lquidos que acarrean mayores costes de
transaccin. De hecho, los diferenciales entre los precios comprador y vendedor de dichos
ttulos pueden valer ms de un 5% del precio de mercado de los mismos. En todo caso, esta
teora no explica por qu los rendimientos anormales de las pequeas empresas se concentran en el mes de enero. Si bien es cierto que los costes de transaccin sobre dichos
ttulos contrarrestarn cualquier oportunidad de obtener un beneficio anormal.

4.4.4 Valor de mercado de las acciones "versus" valor contable


Adems del efecto tamao mostrado por Banz (1981) es interesante observar la
relacin positiva que existe entre el rendimiento medio y el apalancamiento financiero
sealado por Bhandari (1988); as como, la relacin tambin significativa entre el
rendimiento del ttulo y el cociente entre el valor contable y valor de capitalizacin
manifestado en el estudio de Chan, Hamao y Lakonishok (1991). El estudio de Basu (1983)
muestra que la inversa del PER ayuda a explicar el rendimiento esperado, mientras que Ball
(1978) opina que la inversa del PER viene a sustituir de alguna manera a todos los factores
desconocidos de los que depende el rendimiento esperado de los ttulos.
Fama y French (1992) analizaron los efectos anteriores conjuntamente y concluyen
que la eta, el tamao de la compaa, el apalancamiento, la relacin entre el valor contable
y el valor de mercado de las acciones y el ratio beneficio-precio pueden ser sustituidos a la

14

Aragons y Mascareas

Mercados Eficientes

hora de captar las variaciones en los rendimientos medios de las acciones burstiles por dos
variables fciles de determinar como son el tamao y la relacin valor contable-valor de
capitalizacin.
Los resultados son, por tanto, poco favorables a la validez del CAPM o, si se quiere,
a la capacidad de la eta para determinar el rendimiento medio. Ahora bien, como indican
estos dos autores, suponiendo que el comportamiento de los rendimientos quede
adecuadamente explicado a travs de la relacin valor contable-valor de capitalizacin y del
tamao, como es el caso en su estudio, el problema actual de discusin, se centrara en
determinar cul es la explicacin econmica del papel de estas variables y qu clase de
riesgo representan.
Una posible explicacin sera que estas dos variables recogen un factor de riesgo en
los rendimientos relacionados con las perspectivas de los beneficios relativos. As, por
ejemplo, como sealan los autores, las empresas con un menor precio de mercado y, por
tanto, con una relacin valor contable-valor de capitalizacin alta, tienden a obtener mayores
rendimientos (porque son penalizadas con mayores costes del capital) que aquellas
compaas que tienen un ratio ms bajo, es decir, un precio de mercado superior.

5. Conclusiones
Aquellos inversores que crean que los mercados financieros son eficientes se
dedicarn a realizar una gestin pasiva de sus carteras puesto que pensarn que todo anlisis
de la informacin pasada y actual es una prdida de tiempo. Sin embargo, hay suficientes
anomalas en dichos mercados que justifican la bsqueda de activos financieros
infravalorados. Si bien es cierto, que toda estrategia de inversin que inicialmente comience
batiendo al mercado ser rpidamente contrarrestada por el resto de los inversores debido a
la fuerte competencia existente en el mercado. Slo la consecucin de una mejor informacin que el resto de los competidores (informacin privilegiada incluida) puede dar
una ligera superioridad a la gestin de las carteras realizada por profesionales.

Bibliografa
ALEXANDER, S.S. (1961): "Price Movements in Speculative Markets: Trends or Random Walks",
Industrial Management Review, 2, mayo.
ALEXANDER, S.S. (1964): "Price Movements in Speculative Markets: Trends or Random Walks, n 2",
Industrial Management Review, 5, primavera.
AMIHUD, Y. y MENDELSON, H. (1986): "Asset Pricing and the Bid-Ask Spread". Journal of Financial
Economics, 17, diciembre. Pgs.: 223-250
AMIHUD, Y. y MENDELSON, H. (1991): "Liquidity, Assets Prices, and Financial Policy". Financial
Analysts Journal, 47. nov/dic. Pgs.: 56-66
ARAGONES, J.R. (1986): "Anlisis del comportamiento de los rendimientos burstiles". Gestin
Cientfica, N 3, Madrid.
ARBEL, A. (1985): "Generic Stocks: An Old Product in a New Package". Journal of Portfolio
Management, verano.
ARBEL, A. y STREBEL, P.(1983): "Pay Attention to Neglected Firms". Journal of Portfolio Management,
invierno.

15

Aragons y Mascareas

Mercados Eficientes

BACHELIER, L. (1900): Thorie de la Speculation. Gauthier-Villars. Pars. Existe traduccin al ingls en


COOTNER,P. (ed.) (1964): The Random Character of Stock Market Prices. MIT Press. Cambridge
(Mass.). Pgs: 17-78
BALL, R. (1972): "Changes in Accounting Technique and Stock Prices", Journal of Accounting Research,
(Selected Studies)
BALL, R. (1978): "Anomalies in Relationships between Securities' Yields and Yields Surrogates", Journal
of Financial Economics, 2/3, junio-septiembre.
BALL, R. y BROWN, P. (1968): "An Empirical Evaluation of Accounting Income Numbers", Journal of
Accounting Research, 6, otoo.
BANZ, R. W. (1981): "The Relationship between Return and Market Value of Common Stock", Journal of
Financial Economics, 9, marzo. Pgs.: 3-18
BASU, S. (1977): "The Investment Performance of Common Stocks in Relation to Their Price-Earning
Ratio: A Test of Efficient Market Hypothesis", Journal of Finance, 32 n 2, junio. Pgs.: 663-682
BASU, S. (1983): "The Relantionship between Earnings Yield, Market Value, and Return for NYSE
Common Stocks: Further Evidence". Journal of Financial Economics 12. Pgs.: 129-156
BHANDARI, L.C. (1988): "Debt/Equity ratio and expected common stock returns: Empirical evidence".
Journal of Finance, 43, pgs. 507-528.
BLUME, M. y STAMBAUGH, R. (1983): "Biases in Computed Returns: An Application to the Size Effect".
Journal of Financial Economics, 12, septiembre. Pgs.: 387-404
BODIE, Z., KANE, a., y MARCUS, A. (1993): Investments. Irwin. Homewood (Il). 2 ed. Pgs.: 355 -402
BOGLE, J. (1991): "Investing in the 1990s: Remembrance of Things Past and Things Yet to Come".
Journal of Portfolio Management. Primavera. Pgs.: 5-14
BREALEY, R., y MYERS, S. (1993): Fundamentos de Financiacin Empresarial. McGraw Hill. Madrid.
(4 ed.). Pgs.: 343 -376
CHAN, L. HAMAO, Y y LAKONISHOK, J. (1991): "Fundamentals y Stock Returns in Japan". Journal of
Finance, 46. Pgs.: 1739-1789
CHAREST, G. (1978):"Dividend Information, Stock Returns and Market Efficiency, II", Journal of
Financial Economics, 2/3, junio-septiembre.
DIMSON, E. y MARSH, P. (1984): "An Analysis of Brokers' and Analysts' Unpublished Forecasts of UK
Stock Returns". The Journal of Finance, 39 n 5, diciembre. Pgs.: 1257 -1292
EDMISTER, J. y R. (1983): "The Relation between Common Stock Returns, Trading Activity and Market
Value". Journal of Finance, septiembre.
ELTON, E. GRUBER, M. y GROSSMAN, S. (1986): "Discreet Expectational Data and portfolio
Performance". Journal of Finance 41 n 3, julio. Pgs.: 699-712
ELTON, E., Y GRUBER, M. (1991): Modern Portfolio Theory and Investment Analysis. John Wiley. Nueva
York. 4 ed. Pgs.: 399-448
EMERY,D. y FINNERTY, J. (1991): Principles of Finance. West. Saint Paul (MN). Pgs.: 98-122
FAMA, E.F. (1963): "Mandelbrot and the Stable Paretian Hypothesis". Journal of Business, N 36, octubre.
FAMA, E.F. (1965): "Random Walks in Stock Markets". Financial Analyst Journal. sept-oct. Pgs.: 55-59
FAMA, E.F. (1965): "The Behavior of Stock Market Prices". Journal of Business, 38, enero. Pgs.: 34-105
FAMA, E.F. (1970): "Efficient Capital Markets: a Review of Theory and Empirical Work.". The Journal of
Finance, 25, N 2, mayo, pg. 383.
FAMA, E.F. (1976): Foundations of Finance. Basic Books. Nueva York.
FAMA, E.F. y BLUME, M. (1966): "Filter Rules and Stock Market Trading Profits", Journal of Business,
39, enero. Pgs.: 226-241
FAMA, E.F. y FRENCH, K. (1988): "Permanent and Temporary Components of Stock Prices". Journal of
Political Economy, 96, abril. Pgs.: 246-273
FAMA, E.F. y FRENCH, K.R. (1992): "The Cross Section of Expected Stock Returns". The Journal of
Finance 47 n 2, junio. Pgs.: 427-465
FAMA, E.F., FISHER, L., JENSEN, M. y ROLL, R. (1969):"The Adjustment of Stock Prices to New
Information", International Economic Review, 10, febrero.
FRENCH, K. (1980): "Stock Returns and the Weekend Effect". Journal of Financial Economics, 8. Pgs.:
55-70
FULLER, R. y FARRELL, J. (1987): Modern Investments and Securiy Analysis. McGraw Hill. Nueva York.
Pgs.: 96-127

16

Aragons y Mascareas

Mercados Eficientes

GIBBONS, M. y HESS, P. (1981): "Day of the Week Effects and Asset Returns". Journal of Business, 54,
octubre. Pgs.: 579-596
IBBOTSON, R. (1975): "Price Performance of Common Stock New Issues", Journal of Financial
Economics, 2, septiembre.
JAFFE, J. (1974): "Special Information and Insider Trading". Journal of Business, 47, n 3, julio. Pg s.:
410-428
JENSEN, M. (1969): "Risk, the Pricing of Capital Assets, and the Evaluation of Investment Porfolios",
Journal of Business, 42, abril.
JENSEN, M., y BENNINGTON, G. (1970): "Random Walks and Technical Theories: Some Additional
Evidence". Journal of Finance, 25 n 2, mayo. Pgs.: 469-482
KEIM, D. (1983): "Size Related Anomalies and Stock Returns Seasonality: Further Empirical Evidence".
Journal of Financial Economics, 12, junio.
KENDALL, M.G. (1953): "The Analysis of Economic Time Series, Part I: Prices". Journal of the Royal
Statistical Society, N 96, pgs. 11 -25.
LEVY, R. (1967): "Relative Strenght as a Criterion for Investment Selection". Journal of Finance, 22,
diciembre. Pgs.: 595-610
MANDELBROT, B. (1963): "The Variation of Certain Speculative Prices". Journal of
Busines, N 36, octubre.

MOORE, A. (1962): A Statistical Analysis of Common Stock Prices. Tesis Doctoral no publicada. Graduate
School of Business. Universidad de Chicago.
REINGANUM, M. (1981): "Misspecification of Capital Asset Pricing: Empirical Anomalies Based on
Earnings Yields and Market Values". Journal of Financial Economics, 9, marzo. Pgs.: 19-46
REINGANUM, M. (1982): "A Direct Test of Roll's Conjecture on the Firm Size Effect". Journal of
Finance, 37 n 1, marzo. Pgs.: 27-36
REINGANUM, M. (1988): "The Anatomy of a Stock Market Winner". Financial Analysts Journal, marzoabril. Pgs.: 272-284
RITTER, J. (1988): "The Buying and Selling Behavior of Individual Investors at the Turn of the Year".
Journal of Finance, 43, julio. Pgs.: 701-717
ROBERTS, H. (1967): "Statistical versus Clinical Prediction of the Stock Market". Documento no
publicado, citado por Brealey y Myers (1993).
ROLL, R. (1981): "A Possible Explanation of the Small Firm Effect". Journal of Finance, 36, septiembre.
Pgs.: 879-888
ROLL, R. (1983): "On Computing Mean Returns and the Small Firm Premium". Journal of Financial
Economics, 12, septiembre. Pgs.: 371-386
SCHOLES, M. (1972): "The Market for Securities: Substitution Versus Price Price Pressure and the Effects
of Information on Share Prices", Journal of Business, 45, abril.
STATTMAN, D. (1980): "Book values and stock returns". The Chicago MBA: A Journal of Selected
Papers, 4.
SUAREZ, A. (1993): Decisiones Optimas de Inversin y Financiacin en la Empresa. Pirmide. Madrid.
(15 ed.). Pgs.: 433-450
THOMPSON, R. (1978): "The Information Contents of Discounts and Premiums on Closed-End Fund
Shares", Journal of Financial Economics, 2/3, junio-septiembre.
WATTS, R. L. (1978): "Systematic 'Abnormal' Returns After Quarterly Earnings Announcements", Journal
of Financial Economics, 2/3, junio-septiembre.

17