Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Como puedes ver, la definición nos indica que un proceso estocástico es una función de
dos variables t y , definidas de la siguiente manera:
Debes tener claro que las variables aleatorias que conforman un determinado proceso
estocástico no son, en general, independientes, lo que significa que éstas presentan
algún tipo de relación, siendo ésta la que determina las diferencias entre dos o más
clases de procesos.
Ejemplo
X t , t T , donde T [0, ) .
Claramente el conjunto anterior es un proceso estocástico. Este tipo de procesos se
conoce como series temporales y pueden ser empleados, por ejemplo, para predecir y
pronosticar resultados de un fenómeno natural determinado.
Todo proceso estocástico cuenta con características no aleatorias, como por ejemplo:
una distribución, un valor esperado, una varianza, etc. A continuación definiremos el
concepto de “distribuciones finito dimensionales” de un proceso estocástico
multidimensional.
Definición 1.1.1.2.
Definición 1.1.1.3.
X X t , t T
Sea el proceso estocástico representado por la colección de vectores
aleatorios
X t1 ,..., X tn , t1 ,..., tn T y n 1 , entonces
1. La función de esperanzas de X está dada por
X t xt EX t , t T
2. La función de covarianzas de X es
c X t , s cov X t , X s E X t X t X s X s , t , s T
En este caso, es válido aplicar la igualdad
E X t X t X s X s E X t X s X t X s
Lo anterior se debe a que:
E X t X t X s X s E X t X s X t X s X s X t X t X s
E X t X s E X t X s E X s X t E X t X s
E X t X s X s E X t X t E X s X t X s
E X t X s X s X t X t X s X t X s
E X t X s X t X s
Como puedes notar, las funciones anteriores se pueden calcular a través de cada
componente del vector aleatorio que representa al proceso estocástico en un instante
fijo t.
Ejemplo Considerando el proceso estocástico
Calcula:
La función de esperanzas de X.
La función de varianzas de X.
Solución:
X t EX t E A sen t sen t , t T
1
2
X2 t Var X t cX t , t E X t X t
2 2
2
1
E A sen t sen t
2
2
1 1
E A sen 2t sen 2t sen 2t E A 4
2 2
4
1 1 1
sen 2t sen 2t
3 4 12
Nota:Recuerda que si
A Uniforme(0,1)
Entonces
1
x2
E A x
1 1
dx x dx
1 0
2 0 2
Y además
3 1
E A x 1 dx x 2 dx x 1
1 0
2 2
3 0 3
X X t , t T y T
Un proceso aleatorio se dice que es estacionario en sentido
estricto si sus distribuciones finito dimensionales son invariantes bajo cambios del
índice t:
X
d
t1 ,..., X tn X t1 h ,..., X tn h
Para todas las posibles elecciones de los índices t1 ,..., tn T con n 1 y h de tal manera
que t1 h,..., tn h T .
Definición 1.1.1.5.
X X t , t T
Si es un proceso estocástico y T es un intervalo, entonces diremos que X
tiene incrementos estacionarios si
d
X t X s X t h X s h para todos los valores de t , s T y h tales que t h, s h T
manera que 1
t ... tn con n 1, las variables aleatorias X t2 X t1 ,..., X tn X tn1 son
independientes.
Nota: Recuerda que una sucesión de variables aleatorias X1 ,..., X n converge casi
seguramente (c.s.) a una variable aleatoria X , si para cada 0 , se tiene que
P lim X n X 1
n
X s S
para todos los elementos s de un espacio muestral , excepto posiblemente
en los que
A S P A 0
para aquellos elementos s de .
Es necesario acordar que en lo sucesivo cada vez que un proceso estocástico presente
la letra W mayúscula, se tratará de un proceso de Wiener.
Teorema 1.2.1.2.
La función
2
1 x2t
fWt x e
2 t
W Wt , t 0,
Es la densidad de probabilidades de .
Demostración
Si consideramos un tiempo t y un Boreliano A fijos, tenemos, por la condición 3 de la
definición anterior, que
P Wt A p t , 0, x dx
A
de donde
2
1 x2t
p t , 0, x e fWt x
2 t
Que es lo que se quería probar.
(
Es fácil ver que el valor esperado del Movimiento Browniano W Wt , t 0, , cuya
función de densidad de probabilidades se muestra en el teorema anterior, es igual a
cero, pues:
x2 x 2
1 t
E Wt x p t , 0, x dx xe 2t
dx e 2t 0
2 t 2 t
x2 x 2
x2
1 t t
E Wt x p t , 0, x dx x dx e
2 2 2 2t
e x e 2t 2t
dx
2 t 2 t
2 t
2
x
x
Donde, del hecho de que e
2
dx 2 , y haciendo la sustitución u
t
, se obtiene
que
u2
t
E Wt 0 e du t
2
2
2 t
Teorema 1.2.1.3.
E Ws Wt min s, t
Demostración
Para dos tiempos fijos s , t tales que 0 s t , y dos Borelianos fijos, entonces, por la
condición 3 de la definición de proceso de Wiener se tiene que
fWs ,Wt x, y p s, 0, x p t s, x, y
Y por tanto
E Ws Wt
x y p s, 0, x p t s, x, y dy dx
x p s , 0, x p t s , x , y dy dx
Sustituyendo en la integral entre los corchetes y x u se tiene
E Ws Wt x p s, 0, x x u p t s, x, x u du dx
x p s, 0, x x u p t s, 0, u du dx
x p s, 0, x x p t s, 0, u du u p t s, 0, u du dx
x p s, 0, x x 0 dx x p s, 0, x dx E W s
2 2
s
De donde se infiere que para valores arbitrarios s, t mayores o iguales que cero se
debe cumplir que
E Ws Wt min s, t
En este caso también existe una definición de movimiento Browniano para el caso n-
dimensional, y se define de la siguiente manera:
Definición 1.2.1.4.
Demostración
p s, 0, x p t s, x, y dy dx p s, 0, x p t s, x, x u du dx
y:x yA A
p s, 0, x p t s, 0, u du dx p t s, 0, u du p s, 0, x dx
A A
p t s, 0, u du
A
f u p t s, 0, u
De aquí se puede ver que es la densidad de la distribución normal
W Ws N 0, t s
con media 0 y varianza t s , lo cual nos indica que t para
cualesquiera 0 s t , culminando así la demostración.
Proposición 1.2.1.6.
Demostración
De la proposición 1.2.1.5. Los incrementos de movimientos Brownianos tienen
distribución normal. Además, debido a que variables aleatorias que se distribuyen bajo
normalidad son independientes si y sólo si con incorrelacionadas, entonces es
suficiente probar que
E Wu Wt Ws Wr 0
Para cualesquiera 0 r s t u
Pero
E Wu Wt Ws Wr E Wu Ws E Wu Wr E Wt Ws E Wt Wr
min u, s min u, r min t, s min t, r
sr sr 0
Teorema 1.2.1.7.
Los incrementos Wt Ws tienen una distribución normal con valor esperado 0 y varianza
t s para cualesquiera 0 s t .
Demostración
Debemos probar dos condiciones
i) Wt , t 0 es un proceso de Wiener Wt , t 0 cumple las condiciones 1 a 4
Demostración ii)
Acerca de las condiciones 1 y 2 no hay nada que probar. Ahora, si un proceso Wt , t 0
tiene incrementos estacionarios (definición 1.1.1.5.) distribuidos bajo una normal con
valor esperado 0 y varianza t s para 0 s t , entonces
fWt
1
,...,Wt
n
x1 ,..., xn fW , Wt
1
t t ,..., Wt t
2 1 n n1
x1 , x2 x1..., xn xn1
fWt x1 fWt t
x2 x1 f Wt t
xn xn1
1 2 1 n n1
Para cerrar este tema, presentaremos una definición de suma importancia, así como
una proposición sobre los procesos de Wiener, en el entendido de que ésta se
presentará sin demostración.
Definición 1.2.1.8.
Un proceso estocástico
X t , t 0, se dice H – auto – similar, para algún H 0 , si
sus distribuciones finito dimensionales satisfacen la siguiente condición
T
d
H
Wt1 , ..., T H Wtn WTt1 , ..., WTtn
Se puede verificar que los procesos de Wiener son 0.5 – auto – similares, lo cual trae
como consecuencia que sus caminos muestrales no sean diferenciables en ninguna
parte, en el sentido de la siguiente proposición.
H 0, 1
, entonces para cada valor t0 fijo se cumple que
X t X t0
lim sup
t t0 t t0
Lo cual significa que los caminos muestrales de un proceso H – auto – similar no son
diferenciables en ninguna parte con probabilidad igual a 1.
Esta sección tiene como finalidad mostrarte algunos modelos probabilísticos que se
derivan del Movimiento Browniano, con la finalidad de proporcionarte algunos
elementos más acerca de este tema. Reiteremos que en el presente documento se
emplea la letra W para los procesos aleatorios que son Brownianos, aunque se debe
contemplar el hecho de que existen autores que los denotan con la letra B , lo cual es
totalmente válido.
cX t , s min t , s t s
Definición 1.2.2.1.
Este tipo de procesos reciben su nombre debido a que cumplen la siguiente propiedad:
X 0 X1 0
Las distribuciones finito dimensionales de esta clase de procesos son Gaussianas.
Definición 1.2.2.2.
y su función de covarianzas es
cX t , s 2 min t , s
, con s, t 0
El siguiente proceso fue propuesto por Black, Scholes y Merton (1973), y es empleado
para modelar la “especulación de precios” en el área de las finanzas.
Definición 1.2.2.3.