Unidad 1.

Procesos estocásticos y Movimiento Browniano

1.1.1. Definición y ejemplos

Un proceso estocástico (o aleatorio) sobre un espacio de probabilidad  , , P  , es

una familia de magnitudes aleatorias X t   que dependen de un parámetro real t, el
cual toma valores en un conjunto T que se le denomina “dominio de definición del
proceso” o “espacio parametral” o “conjunto de índices del proceso”. Al conjunto S
que contiene a todos los valores posibles que pueden tomar las variables aleatorias
X t   es llamado espacio de estados.

Proceso en tiempo discreto

Cuando el conjunto T es numerable. Por ejemplo. T = {1, 2, 3, ……}

Proceso en tiempo continuo

Cuando T es un intervalo de y es usual emplear como T al conjunto  0,  

En virtud de lo anterior, podemos formalizar la definición de proceso estocástico como

se muestra a continuación:

Definición 1.1.1.1 Un proceso estocástico X es una colección de variables aleatorias

 X t , t T    X t   , t T ,   Definida en algún espacio muestral  .

Como puedes ver, la definición nos indica que un proceso estocástico es una función de
dos variables t y  , definidas de la siguiente manera:

1) Para un instante fijo de tiempo t, es la variable aleatoria X t  X t   ,   .

2) Para un suceso aleatorio fijo   , es una función del tiempo dada por
X t  X t   , t  T .
Esta función recibe el nombre de “realización”, “trayectoria” o “camino muestral”
del proceso X.

Debido a que a cada elemento   se le asocia una realización del proceso, es

posible considerar a un proceso estocástico como una función aleatoria.

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

Si consideramos la sucesión de observaciones medidas en ciertos momentos de

tiempo, ordenados de manera cronológica a iguales espacios entre sí de forma
uniforme.

Dichas observaciones pueden representarse por

 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.

Las temperaturas ambientales diarias de una determinada ciudad mexicana

representan una serie temporal, donde, si la temperatura medida al tercer día fue de
30° Celsius, entonces se dice que 30° es el estado del proceso al tiempo t = 3.

Considerando un subconjunto A del espacio de estados S, indicamos que el proceso

estocástico toma un valor determinado en A para el tiempo i, a través del suceso
 X i  A . Es por ello que si consideramos distintos tiempos se pueden tener vectores
como sucesos, con lo que ahora debe ser fácil de comprender por qué es posible
interpretar a un proceso estocástico como una colección de vectores aleatorios.

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.

Si X es un proceso estocástico, entonces sus distribuciones finito dimensionales son las

distribuciones de los vectores finito dimensionales

X t1 
,..., X tn , t1 ,..., tn  T
, para todos
los posibles valores que pueden tomar los tiempos t1 ,..., tn T y cada n  1.
A menudo se hace referencia a las colecciones de distribuciones finito dimensionales
de un proceso estocástico, como su distribución. Cabe mencionar que la distribución de
un proceso aleatorio puede ser útil para realizar su clasificación.

En seguida proporcionaremos tres definiciones importantes que es necesario que

conozcas.

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 

3. La función de varianzas de X se define como

 X2  t   cX t , t   Var  X t  , t T

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

X  A   sen t , donde A   Uniforme(0,1) .

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

Cuando dos elementos aleatorios (variables aleatorias, vectores aleatorios o procesos

d
estocásticos) X y Y tienen la misma distribución, lo denotaremos por el símbolo  . Cabe
aclarar que para el caso de dos vectores aleatorios o variables aleatorias, significa que
sus funciones de distribución son iguales.
Definición 1.1.1.4.

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 .

En otras palabras, un proceso es estacionario en sentido estricto si la función de

distribución conjunta de cualquier subconjunto de variables es constante respecto a un
desplazamiento en el tiempo.

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

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 .

X presenta incrementos independientes si para cada elección que se realice de

ti  T de tal

manera que 1
t  ...  tn con n  1, las variables aleatorias X t2  X t1 ,..., X tn  X tn1 son
independientes.

1.2. Movimiento Browniano

Ahora que ya has revisado la teoría de procesos estocásticos, detallaremos un tipo

especial de dichos procesos, el llamado “Movimiento Browniano” o “Proceso de
Wiener”, el cual es fundamental para modelar muchos fenómenos de la vida real, y
además para tratar la integral estocástica de Itô.

Su nombre se debe a los estudios del botánico Robert

Brown (1773 - 1858), quien encontró, con ayuda de un
Robert microscopio, que los granos de polen de la flor silvestre
Brown.(2009)obtenido el 07 Clarkia Pulcella, suspendidos en una cierta sustancia, se
de mayo 2013 desde movían errática e inexplicablemente. Aunque de manera
http://astrojem.com/teorias posterior a su muerte se llevaron a efecto diversos
materia.html
estudios con la finalidad de brindar una explicación
satisfactoria a este fenómeno, no se contaba con una
estructura rigurosa de este problema, y es aquí donde el
matemático Norbert Wiener (1894–1964) jugó un papel
primordial en el estudio del fenómeno propuesto por
Brown, pues es él quien le confiere una estructura
Norbert Weiner.(2008). matemática, situación por la cual actualmente se da su
obtenido el 07 de mayo
nombre a este tipo de procesos estocásticos.
desde http://canalhypatia-
pensamientosciencia.blog
spot.mx/2009/03/norbert-
wiener.html

1.2.1. Definición y propiedades

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 

Esta definición establece que X n converge c.s. a X si las funciones n   convergen a

X s

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 

Y además la varianza será t debido a que:


  

 
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.

Wt1 , ..., Wtn

Si es una colección de movimientos Brownianos independientes

unidimensionales, entonces al vector aleatorio


W  Wt1 , ..., Wtn  se le conoce como
n
movimiento Browniano en .

La siguiente proposición nos proporciona una propiedad de los incrementos de los

procesos de Wiener.
Proposición 1.2.1.5.

Si consideramos un incremento de movimientos Brownianos, Wt  Ws , para cualesquiera

valores 0  s  t tiene distribución con media cero y varianza t  s .

Demostración

La densidad conjunta de Ws y Wt está dada por:

fWs ,Wt  x, y   p  s, 0, x  p t  s, x, y 
Considerando un conjunto de Borel A se tiene:
P  Ws  Wt   A    p  s, 0, x  p  t  s, x, y  dy dx
( x , y ):x  yA

   
 
  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  yA   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.

La proposición anterior establece que el movimiento Browniano W  Wt , t   0,   

tiene incrementos estacionarios.

Proposición 1.2.1.6.

Para cualesquiera tiempos tales que 0  t0  t1  ...  tn los incrementos

Wt1  Wt0 , ..., Wtn  Wtn1
Son independientes.

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
 sr sr  0

Que es lo que se quería probar.

Ahora, proporcionemos un teorema que nos ayudará a probar que un proceso

estocástico es de Wiener, en el que se emplean algunas de las propiedades que ya
hemos demostrado.

Teorema 1.2.1.7.

Un proceso estocástico Wt , t  0 es un proceso de Wiener (o Movimiento Browniano) si

y sólo si cumple las siguientes condiciones:
W0  0 c.s.

Los caminos muestrales t Wt son continuos c.s.

Wt tiene incrementos estacionarios.

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

ii) Se cumplen las condiciones 1 a 4 para un proceso Wt , t  0  Wt , t  0 es de

Wiener
Demostración. i)

Como Wt , t  0 es un proceso de Wiener, entonces debe cumplir las condiciones 1 y 2,

además por la proposición 1.2.1.5. y 1.2.1.6. de que tiene se cumplen las condiciones 3
y 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 n1
 x1 , x2  x1..., xn  xn1 
 fWt  x1  fWt t
 x2  x1   f Wt t
 xn  xn1 
1 2 1 n n1

 p  t1 , 0, x1  p t2  t1 , 0, x2  x1   p tn  tn1 , 0, xn  xn1 

 p  t1 , 0, x1  p  t2  t1 , x1 , x2   p tn  tn1 , xn1 , xn 
Y por tanto
 
P Wt1  A1 , ..., Wtn  An   ...  p  t1 , 0, x1  p  t2  t1 , x1 , x2   p  tn  tn 1 , xn 1 , xn  dxn  dx1
A1 An

para cualquier sucesión finita de tiempos 0  t1  ...  tn y para cualesquiera conjuntos de

Borel A0 ,..., An 
De las pruebas de i) y ii) inferimos que el teorema queda demostrado.

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

Para cada T  0 , y cualquier elección de ti  0, i  1,..., n , y n positivo o cero.

Debes considerar que la propiedad anterior corresponde a la distribución de un

proceso. La propiedad de auto – similaridad es una cualidad fractal, y nos indica que los
modelos propiamente escalonados de un camino muestral en un intervalo de tiempo, se
asemejan en forma pero no son idénticos.

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.

Proposición 1.2.1.9. (No diferenciabilidad de procesos auto – similares)

Si  t  es un proceso H – auto – similar, con incrementos estacionarios para algún

X

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.

Debido a que, para llevar a efecto la demostración de los hechos anteriores se

requieren algunos otros contenidos, los cuales no están contemplados en el desarrollo
de esta unidad, es necesario que, por el momento los consideres una propiedad más de
los procesos de Wiener de forma axiomática.

1.2.2. Procesos derivados del movimiento Browniano

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.

El proceso estocástico definido por:

X t  Wt  tW1 , 0  t  1
Se llama puente Browniano.

Las funciones de esperanzas y covarianzas que presenta son, respectivamente

X t   0

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.

El proceso aleatorio definido por:

X t   t   Wt , t  0

Para escalares   0 y   , recibe el nombre de movimiento Browniano con

dirección.
Su función de esperanzas está dada por
X t    t
, donde s, t  0

y su función de covarianzas es
cX  t , s    2 min t , s 
, con s, t  0

La dirección en este modelo es proporcionada por la función de esperanzas.

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.

El proceso aleatorio definido por:

X t  e t  Wt , t  0

Para escalares   0 y   , se denomina movimiento Browniano Geométrico.

Su función de esperanzas está dada por
  0.5 2  t
X t   e
y su función de varianzas es
 X2  t   e  
 2   2  t e 2t  1

Es fácil darse cuenta de que se trata de un modelo exponencial para el movimiento

Browniano con dirección.

El Movimiento Browniano Geométrico permite calcular el valor esperado de un proceso

en un cierto momento, determinado por un valor para el tiempo t, dado el historial del
proceso al tiempo t.

 Brzezniak, Z. y Zastawniak, T. (1999). Basic stochastic processes. Great Britain:

Springer.
 Chung, K. L. y Williams R. J. (1990). Introduction to Stochastic Integration. USA:
Birkhäuser.
 Klebaner, F. (2005). Introduction to Stochastic Calculus with Applications.
Imperial CollegePress.
 Mikosch, T. (2000). Elementary stochastic calculus with finance in view.
Singapore: WorldScientific Publishing.