CRASH COURSE

Este corso no esta disenado para ensenarles Probabilidad o

Procesos Estocasticos pero si pave reviser loste mas fundamentales

paraentender elcorsodeMétodos Cuantitativos en Finanzas El

contenido quese presenta aqui no es visto de manera rigorosa
sino como un repaso recordatorio

Definition Espaciomuestral I Ide probabilidad

Es el conjunto detodos 1 enarioselementales de un
experimento aleatoric

Ejemplo Supor que haces el experimento aleatorio de tirar

un dado entonces el espacio muestral R 7,2 3,4 5 6

Ejemplot En probabilidad o analisis estocastico vivimos

en un espacio nuestra continuo

entrees off
Definicion Sigma algebra
Esel conjunto de todos los posfleseventos que complen
las signstpopiedades
ta Es cato
no y contrene a r OEI REF
 Es cerrado bajo complementos Si A A EE
TEs terradobajounconabies
Faz As TTucesiondelementos de F

IYA e I union numerable

Ejemplo si I a b c d

Ito e
I
or
a b
__
c d es una possible G algebra
En general una algebra finita es siempre una 5 algebra
T algebra trivial 0 r
El conjunto potencia Plur es el conjunto de todos los posibles
subconjuntos de R

Definition Evento
Unevento A es un conjunto de e scenarios elementales A es

subconjunto del espacio muestral Aer

Si un experimento produce_gwi y w iA entonces decimos

que A paso

Ejemple D 1,2 3,4 5 63

Estamos interesados en loseventos
A es par 2 4 6

B esimpar 1 3 5

C es un numeromenor a 3 1,23
Si W 2 entonces Apaso Cpaso y Bnopast
 Ejemplo Cuando r IR la s algebra de Borel es la generada por
todoslos intervalos abierto en IR Se denota por Ble

Definition P medida de probabilidad

Es una funcion IP F
t
10,17
0
A cadaelemento de I evento

A EF se le asocia un numeroentre lo I y se interpreta como la

probabilidad de que ese evento pase

11819dam
Sigmaaditividad aditividad contable
Ai e I con IET contable porgemplo IN
AiMA 0 i j
Ai
IP
EI IP Ai
Fondisjunta

Definition Variable aleatoric I

Una variable aleatoric en el espacio R F P es una funcion

I D IR que es medible con respecto a la sigma algebra

de Borel B IR
En practica estosignifica que para cualquierconjunto de
Borel
Be B R B e Jes un evento al que le podemos
calcular la probabilidad
IP BI
Eprobadelacontraimagen
IPC wer w e B
Definition Funcion de distribution acumulada F
Tomando B L a b

Fb IP I B IPL wer w Eb
detodos eventstalesare
conunto ios
P I Ib
aleatoricesmenoroigua
Fa b jagariable

Funcion de densidad
770 Rt
Definicion
Si existe una funcion IR talque
cumple que b

Eb f ly dy

entonces f es la densidad de probabilidad de É

Si Fi es diferenciable entonces I f

Ejemple Si A es una variable aleatoria que se distribute uniformemente

enel intervalo a b entonces sufuncion de densidad es
a
si integramos
Fa cuando
gelaby sobretodo IR
ly b a Ia 1

pyp
O enotrocaso

o si yea a

Fyly Mfa si gelab s

t I si y b e I
y
g
Definition Valor esperadode una variable aleatoric
Se denota como ICI o bien
Mi y se define como
 Ma ICE L Cal dPcw

Ly dFaly

Definicion Varianza de una variable aleatoric

VarCAT I LI MAT
IE X2 ME
Y la desulacion estandar es la raiz cuadradapositive de la varianza

TE Tarte
lat es un indice de dispersion de la variable aleatoricalrededor desu
media
Si tenemos a constante X y t variables aleatorias
I a I a IEEE ICY
Pero la varianza es lineal
NI

Ejempto la variable aleatoria Normal es muy important I NG o

faly go.ly exp I 511
Var 13 02
Unavariable aleatoria normal esta completamente caracterizada por

IEEE Vary
Definitions Sesgo Coeficiente deasimetria
Midela asimetria enlas colas deuna distribucion de probabilidad
I
LIMP
Enuna normal efgoneg.at sIgopfg
El Exceso de curtosis se refiere aque tan amplea o delgada estan las colas
de la distribucion conrespecto a la normal

normales 3

Sielexcesodecurtosis so entonces
Iascolasde ladistributorsonmas
ampleas quelasdela i normal

i
i
h.ati

n.ae
I
NIM GI
t a

MI NIM G A independientede Az entonces

I I th NIMH Efi

Definition Variable aleatoricExponencial con intensedad 8

Estavariablealeatoric X tieneuna funcion dedistribucion acumulada
gjy.jp
1 y densidad de probabilidad
si yo

una exponencial por

expGay sig u constant
y p lg
O si geo

IIFA a xfa.lada

ELLI ul L

fropiedad Pérdida de memoria

Eninglesse le conoce como lackofmemory o memorylessness

Esta propiedad es una caracteristica de ciertas distribuciones de

probabilidad En ellas la probabilidad no esta influenceada
por la historia del proceso
Usando probabilidad condicional

PII at I y
IP I mtg N I y p X a
y
IP LA y
P estamos condicionando
conestavariable
Podemostomar
a y Fuera dela
probabilidadporque yasabemos
Estapro
piedades muy usada en que I y
Credit Risk paracalculardefaulttimes
Definicton normal
Variable aleatoriclog

Tes una variable aleatoric lognormal si Y exp I et con X Normalfuo

Ndconfundircon log Y Normally t

 Muchos models de valvacion deactives particularmente models
de opciones tienen como activo subyacente una accion cura dina
mica se
rige por un proceso lognormal

Definition Independencia de variables aleatorias

y't v a son independientes si
PEIXEA N EYEB IP IKEA IPAYEB
HA Be T
Recuerdoque si I y son independiente
IE ENT IE LATELY
varex.tt Vare Var
t.IE a n

Ahora incluiremos a la variable

Tiempo en nuestro repaso
g
Proceso estocastico
Definition
Es una coleccion de variables aleatorias It indexadas en
el tiempo con te Rt
At variable aleatoric en Cr I ter t 0

It to
Satisface condiciones minimas de consistencea Iver la construction
de temasdeseparabilidadt
togorov y
Definition Filtracion
E to
Unafiltracion en el espacio de probabilidad R F IP es una Familia
creciente de sub r algebras de F

EET E e Eth con h O

Idealmente It modela loseventos queson conocidos a tiempo t

En finanzas matematicas se utiliza
para modelar la informacion en el
mercado
Definiaon Movimiento Browniano Wt Wiennerprocess

Esun proceso estocastico que satisface lassiguientes condiciones

Wo O
Tiene trayectorias continues t Wa w fyando wer

Tiene incrementos independientes

Us tea Wu Nt es independiente a Wi Ws
Tiene incrementos estacionarios La distribucion de Wan Wt no

depende de t con h 0

Tienemedia cero IE W 0

g
n
We Ws
off
NCO t s

Ecuaciones Diferenciales Ordinaries EDO

Una EDO seleecomo

d Xlt f Xlt X 01 Xo condiaoninicial

dt

Y en su forma difereneral
cambio enel tiempo
ol Xlt f Xlt II
Interpretacion

Xlt AH XIA f Xlt Idt

lineatanjenteenonpunto

Xoxo i

tt
condicioninicialxotambien

Resolver la EDO es encontrar la curvaverde

La solucion a una EDO existe y es onica bajo algunas condiciones de
lafuncion fl lipschitz continua crecimiento lineal

Ejemplo Suponquetiene un modelo de crecimiento looblacional

0.1Xlt 4101 2
Interpretacion

Elcambio instantaneo en la poblacion encadatiempo es 0.1 veces la poblacion en

esemismomomento
a
Solution

Xlt 2exploit
2

i n i s

Como seresolved

Tenemos unaEDOdelaforma da uXodt con m 0.1 y Xlt I

despejamos Xt paratener d Mdt lo quees igual a dlna ndt
integramos enamboslados utilizando una variable dummie s eintegrando desde O a s

Ident Mdt

InXs Into us no

exp us

Xs Xoexpus X 2exp 0 It

Ejercic
Obtenlasoluciondelaecuacion diferencial
dog
fig
o en amboslados
1 2 1912
integrand

flydy e f it dx

Itanagar
attanly c tartanla ca usamosque conA arctanlylyBantankl

tanlarctancyll tanlarctanlys tanto con c

constante co c c
I tancarctancy tancarctanca

ca caconstante
y
y c xy at x

g I

dying
te an diferencial

Yj
of Xlity

T
 I dy xdx

Inllty
I
I
Hy exp
y exp E I

Ecuaciones Diferenciales Estocasticas EDE

Una EDE es una generalization de una ED donde un

e aleatoric es anadido comp nent

al sistema
_Estocastico
d Ht f X dt play d
Tergat tesudarntfggn.to
I It
independientedelpasado

LF
est man
diffusion

UnaEDE SDE por sus siglas en ingles NO tiene una Unica

ator h
solucion porque ahora tenemos trayectoriasale

Xltw i

I worst Latrayectoriafuturg
es unaposibilidad

Iiiiimming
p
Tseveasigracias It
at BMquees
enningon

I lado diferenciable
EDO
n ttdt
the
 Ejemple Un modelo poblacional pero ahora estocastico seria
dXlt 0.1 Xlt at t o dWE X 07 2
volatilidad
crecimiento

inimiciini
tiii
lavariable ocontrola
cuantaestocasticidad
hayenelsistema

dPodemosderivar un Movimiento Browmano

I date derivadifuss
fadhtowdnt
Enrealidadnosabemosquésignifica dwt detalformaque definimos la EDE da
como unaecuacion integral

Xt Xo
If Lxslds t Joks dNs

iMuyBien Pasanos de nosaberquees dWs a no saber como integrar Sfcdws

En calculo Estocastico se prueba queW no es devariacionacotada detal forma que
no Podemosdefiner una integral de Stieltjes en lastrayectorias
fijando wer

Iousewildwscw
3855,1555 1
I Necesitamos definir
No existe como una integral Riemann Stiltjes unanueva integral

If
 Si W Fueradifferenceable podriamos definir una particion creciente

to O ti ti T de COT para toda n d

tended0 sin x

jolts dws linnEI Tatti Wy Wt

para cualquier possible seleccion de ti e tj tjat

Pero
para W no funciona I

Noobstante aparentemente logramos definer una integral de

estetipo siagregamos una especificacion extra Tenemos
que decider en que punto explicitamentedelyntervaloltiiting
es evalvado

Analisis Estocastico

Qpcion1 Punto inicial tj tj hmm

DO
if Ito IME time
it With tiempo

foudws
it

1 1 44
em 3
Ifl
FEstratono
n
 Usar el punto medio Stratonovich integral no nos

gusto en finanzas porque en cada incremento esta integral

un valor delfultug
Pergimple Siel proceso A modela el precio de un activo a tiempo t
entonces X ti toconoces
pero Xlt esta en el futuro

NosquedaremosconlaintegraldeItoporsiemp.ie