Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Procesos básicos
Contenido
4.1. Proceso de Wiener . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
4.1.1. Propiedades del Proceso de Wiener . . . . . . . . . . . . . . . 99
4.1.2. Algunas aplicaciones del proceso de Wiener . . . . . . . . . . . 101
4.1.3. La prueba KPPS para estacionariedad . . . . . . . . . . . . . . 101
4.1.4. El movimiento Browniano . . . . . . . . . . . . . . . . . . . . 102
4.1.5. Integral de una función con respecto al proceso Wiener . . . . . 104
4.1.6. Ecuaciones diferenciales lineales estocásticas con ruido Wiener 105
4.2. Modelos Langevin, OU centrado, Vasicek . . . . . . . . . . . . . . . 106
4.2.1. Proceso OU centrado . . . . . . . . . . . . . . . . . . . . . . . 108
4.2.2. Modelo Vasicek para tasas de interés . . . . . . . . . . . . . . . 110
4.2.3. Modelo movimiento Browniano geométrico . . . . . . . . . . . 111
4.2.4. Caso de coeficientes constantes . . . . . . . . . . . . . . . . . 112
4.2.5. Caso coeficientes variables . . . . . . . . . . . . . . . . . . . . 113
4.2.6. Aplicación en finanzas del MBG . . . . . . . . . . . . . . . . . 114
4.2.7. Algunas consecuencias de las propiedades del proceso Wiener . 115
97
98
2. E(Wt Ws ) = mı́n(s , t) = s ∧ t s, t ≥ 0
1. V ar(Wt ) = E(Wt2) = t , t ≥ 0
5. P(W0 = 0) = 1.
Xn = a + bn + Yn + Zn ,
Aquı́ algunos hechos de la historia del desarrollo de la teorı́a del movimiento Browniano.
Un resumen más completo está en Wikipedia, (1). Hay desarrollos más técnicos que
requieren bases de fı́sica molecular.
En 1827 el botánico Robert Brown observó cómo los granos de polen en un lı́quido
coloidal mostraban movimientos erráticos que no paraban. Pero no supo explicar
1
https://es.wikipedia.org/wiki/Movimiento browniano
103
este hecho. Desde ese momento se denominó este fenómeno como el movimiento
Browniano.
El miembro de la derecha es la fuerza que ejercen las moléculas del lı́quido que la
rodean. Se compone de una fuerza amortiguadora proporcional a la velocidad más
una fuerza desconocida, producto de las colisiones de las moléculas del lı́quido, del
orden de 1012 por segundo, en direcciones y magnitudes diferentes.
Es un modelo para cada una de las componentes de la velocidad v~t ∈ R3 de una
partı́cula en el lı́quido, ver Schuss [1980, pag. 41], Arnold [1974, pag. 134, sec
8.3]).
La imagen en la Figura 4.1 muestra una representación de una partı́cula en un lı́quido
(baño), y está tomada de (4)
La idea de Langevin fué Lt debı́a ser un proceso estocástico para el que se asumen
propiedades de ruido blanco.
2
Einstein, A. (1905). On the motion of small particles suspended in liquids at rest required by the
molecular-kinetic theory of heat. Annalen der Physik 17: 549-560.
3
Langevin M P (1908) Sur la théorie du mouvement Brownien C. R. Acad. Sci., Paris 146, 530-3
4
http://physics.gu.se/f̃rtbm/joomla/media/mydocs/LennartSjogren/kap6.pdf
104
incluye una serie similar a la función de Weierstrass (6) que fué un primer ejemplo
de función continua sin derivada.
3. Si g(t) es una función con derivada continua en [a, b], la integral de g con respecto
Rb
al proceso Wiener se denota por a g(t)dWt y se define como, ver Hassler et al.
[2016, pag. 200],
Z b b
Z b
g(t) dWt = g(t) Wt − Wt g 0 (t) dt (4.10)
a a a
5
https://en.wikipedia.org/wiki/Wiener process
6
https://es.wikipedia.org/wiki/Función de Weierstrass
105
Rt
El proceso estocástico Xt = 0
g(s)dWs , para t ≥ 0, es un proceso Gaussiano con:
E(Xt ) = 0, (4.11a)
Z t
V ar(Xt ) = g 2 (s)ds, (4.11b)
Z0 t∧s
Cov(Xt, Xs ) = g 2 (u)du, 0 ≥ s, t (4.11c)
0
Z b Z c
E g(s)dWs × g(s)dWs = 0, 0 ≤ a < b < c. (4.11d)
a b
Nótese que la ecuación (4.16) puede escribirse como una ecuación diferencial lineal
ordinaria de la forma Xt0 = at + µt Xt + btWt0 , considerando derivadas en lugar de
diferenciales y colocando el sı́mbolo Wt0 en lugar del cociente dWt /dt. Procediendo
como si se tratara de una ecuación diferencial ordinaria se obtiene la solución
Z t R
Rt
µs ds − 0s µv dv 0
Xt = e 0 C+ e as + bs Ws ds .
0
donde
Z t σs2
Z t
Yt = exp − µs − ds − σs dWs . (4.19)
0 2 0
Rt
El témino 0
bs Ys dWs require la definición de integral de Ito.
La ecuación de Langevin (4.9) es un ejemplo básico de EDE Lineal. Se define aquı́ como
El proceso Xt , se puede utilizar como una aproximación más aceptable, desde el punto de
vista fı́sico, del ruido blanco (ver Schuss [1980], pag. 41 ). El modelo Langevin también
se denomina Ornstein-Uhlenbeck no centrado.
De acuerdo con el caso 1, la ecuación de Langevin corresponde a at = 0, µt = −α y
bt = σ, y la solución única es
Rt
Z t Rs Z t Rs
µs ds − µv dv − µv dv
Xt = e 0 C+ e 0 as ds + e 0 bs dWs
0 0
Z t
−αt
=e C +σ eαs dWs , t ≥ 0.
0
Cov(Xs , Xt ) = E(Xs Xt )
Z s Z t
−αs αu −αt αs
=E e C+σ e dWu e C + σ e dWs
0 0
Z t Z s Z s Z t
−αs −αt 2 αu αu 2 αu αu
= e e E C + Cσ e dWu + Cσ e dWu + σ e dWu e dWu
0
2 Z s∧t 0 0 0
σ
= e−α(t+s) + 0 + 0 + σ2 e2αudu
2α 0
2 2
−α(t+s) σ σ 2αs∧t σ2
=e + (e − 1) = exp(−α(t + s) + 2α s ∧ t)
2α 2α 2α
El proceso Xt OU centrado, que se vió en pag. 44, definición (2.36), se puede definir
también como la solución de la EDE lineal
donde X0 = x0 > 0. Centrado significa que su valor incial está fijo. No centrado significa
que el valor inicial es aleatorio.
La solución está dada por
Z t
−αt −αt −αt
Xt = x0e + µ(1 − e ) + σe eαu dWu . (4.22)
0
σ2
Xt ∼ N(x0 e−αt + µ(1 − e−αt ), (1 − e−2αt )). (4.23)
2α
Además, su autocovarianza se dió en (2.37)
σ 2 −α|s−t|
Cov(Xt, Xs ) = (e − e−α|t+s| ),
2α
Ejemplo 4.2.1. (Boyce and DiPrima [1983], problema No 20, pag. 87)
Un cuarto de volumen V contiene aire libre de CO2 en t = 0. En ese momento se introduce
aire a una velocidad v, el cual tiene una concentración de CO2 variable con el tiempo,
según la función Zt , t ≥ 0. El aire ingresa al cuarto, se circula y vuelve a salir a la misma
velocidad. Sea Yt la cantidad de CO2 en el cuarto, en el tiempo t. Entonces Yt satisface
la siguiente ecuación diferencial:
Yt
Yt0 = v(Zt − ), t ≥ 0 (4.24)
V
y0 = 0
Yt
Yt0 = v(r + σw dWt /dt −) (4.25)
V
∴ dYt = (v/V )(rV − Yt )dt + vσw dWt , (4.26)
109
Y0 = 0,
Asumiendo los valores siguientes de los parámetros: r = 0.04 como %CO2 /m3, V =
32m3 , v = 0.25 m3 /min, σw = 0.1.
El valor de lı́mite de la varianza se obtiene de (4.23)
σw2 v 2 vV σw2
lı́m V ar(Yt ) = = = 0.04,
t→∞ 2v/V 2
por lo que la desviación estándar es 0.2. Como la desviación estándar del contenido de
CO2 que ingresa es 0.1, el resultado obtenido indica que la variabilidad del contenido de
CO2 en el cuarto es mayor.
El programa R siguiente utiliza la librerı́a YUIMA para generar trayectorias del proceso Yt
del ejemplo anterior.
La librerı́a está orientada a la simulación de varios tipos de ecuaciones diferenciales
estocásticas, incluyendo las lineales, y también a la estimación de parámetros de los
modelos (7 )
#--Ejemplos yuima
# modelo OU centrado (con valor inicial fijo)
library(yuima)
#----------definir el modelo
# drift = (...)dt
# diffussion = (...)dWt
mod2 <- setModel(drift = "(v/V)*(r*V-x)",
diffusion = "v*sigma.w")
set.seed(123)
7
YUIMA es un acrónimo de Yoshida-Uchida-Iacus-Masuda-Andothers
110
for(j in 1:30){
X = simulate(mod.sal,
true.par=list(v=0.25,r=0.04,sigma.w=0.1, V=32),
xinit=0.2)
Xt=X@data@original.data
lines(t,Xt,col=’gray’)}
Supongamos que rt denota una tasa diaria de interés del mercado, denominadas tasas spot,
por ejemplo, IPC 12m, DTF 90 TA, Libor 1m. Un modelo para r(t) es el proceso OU
centrado, que se denomina en finanzas el modelo Vasicek, descrito en Vasicek [1977].
Los parámetros se pueden estimar por máxima verosimilitud con la librerı́a YUIMA
Si 0 ≤ s < t se tiene la identidad:
Z t
−a(t−s) −a(t−s) −αt
rt = rs e + b(1 − e ) + σe eaudWu ,
s
σ2
además,rt |rs = x ∼ N(µr , σr2), donde µr = b + (x − b)e−α(t−s) y σr2 = 2α
(1 − e−2α(t−s) ).
El precio en t de un bono cupón cero con pago de 1 en t < s, se define como
Rs
P (t, s, x) = E(e− t ru du
| rt = x) (4.28)
111
Un ejemplo con los valores de los parámetros está en esta referencia ?, pag. 31
a = 0.2456, b = 0.0648, σ = 0.1499, λ = −0.129, x = 0.06
La ecuación diferencial estocástica lineal que define el modelo MBG corresponde al caso
de ruido multiplicativo, es decir, σt 6≡ 0, en la EDE Lineal general (4.14), y homogénea,
dPt = µt Pt dt + σtPt dWt , t ≥ 0, (4.30)
con P0 > 0 dado.
112
se simplifica a
σ2
Pt = P0 Yt−1 = P0 exp µ− t + σWt (4.31)
2
Como Wt ∼ N(0, t) entonces
σ2 σ2 2
µ− t + σWt ∼ N( µ − t, σ t)
2 2
y por tanto Pt /P0 se distribuye LogNormal. El proceso estocástico Pt en (??) se denomina
Movimiento Browniano Geométrico o GBM (en inglés).
Utilizando la librerı́a YUIMA se puede simular trayectorias del proceso GBM, como se
muestra en el programa R siguiente.
El exponente
Z t Z t
σs2
βt = µs − ds + σs dWs
0 2 0
Rt
es un proceso Gaussiano ya que σs dWs es Gaussiano y βt ∼ N µβ (t) , σβ2 (t) , con
0
Z t
σ2
µβ (t) = µs − s ds,
0 2
Z t Z t
2
σβ (t) = V ar σs dWs = σs2 ds,
Z s∧t 0 0
El proceso
Z t
Xt = k exp µβ (t) + σs dWs
0
Rt Rs Rs Rt
pero σu dWu y σu dWu son independientes ya que E σu dWu σu dWu = 0 y
s 0 0 s
ambos son Gaussianos de media cero, luego
Zt x
= P exp µβ (t) − µβ (s) + σu dWu ≤
y
s
Z t x
=P σu dWu ≤ ln − µβ (t) − µβ (s)
s y
Rt Rt
y como σu dWu ∼ N 0 , s
σu2 du tenemos
s
Rt
x σv2
ln y
− s µv − 2
dv
P Xt ≤ x | Xs = y = φ qR
t 2
σ du
s u
8
https://en.wikipedia.org/wiki/Geometric Brownian motion
115
R = [R(tj , tk )] = [ mı́n(tj , tk )]
Demostraciones
Demostración de 2)
X1 = Wt1
X2 = Wt2 − Wt1
X3 = Wt3 − Wt2
..
.
Xn = Wtn − Wtn−1
116
entonces
1 0 0 ··· 0 Wt1
−1 1 0 ··· 0 Wt2
(X1 , · · · , Xn ) =
0
0 −1 1 ··· 0
Wt3
.. .. .. .. .. ..
. . . . . .
0 0 0 ··· 1 Wtn
o sea X = P W luego
=
e
n
12
(2π) 2 t1(t2 − t1 ) · · · (tn − tn−1 )
Demostración de 1)
= 1 b2
√1 e− 2 t
2π t
2
x− bs
− 12
t
1 s 1− s
=r e t
2π s 1 − st
bs
s
con lo cual Ws | Wt = b ∼ N , s 1− , 0 < s < t, ası́
t t
bs s
E(Ws | Wt = b) = y V ar(Ws | Wt = b) = s 1 −
t t
El proceso Poisson y sus extensiones son modelos para el número de llegadas y sus
tiempos, de algún fenómeno, en un intervalo de tiempo [0, t]. Algunos ejemplos son:
3. Número de interrupciones del servicio de agua potable en una zona durante el año.
El proceso Poisson se utiliza como parte de la definición de otros procesos. Por ejemplo,
1. El proceso Poisson Compuesto que es la base de los modelos para Seguros de Bienes
y para Riesgo Operativo.
118
2. Los modelos de Colas tipo M/M/s, en los que los clientes arriban y los clientes que
salen del servicio lo hacen de acuerdo a dos procesos Poisson, (9)
3. Como modelo de un tipo de ruido blanco conocido como ruido de choques (shot
noise).
Definición 4.3.1. Si T1 < T2, . . . es la sucesión de tiempos en los que ocurren los eventos
entonces las variables
Nt = máx{j : Tj ≤ t} (4.39)
Entonces
1
E(Tj − Tj−1 ) = , (4.40a)
λ
1
V ar( Tj − Tj−1 ) = 2 , (4.40b)
λ
P(Tj − Tj−1 > t) = e−λt , (4.40c)
Se indica por
Nt ∼ P oisson(λt)
( λ h )k
P( Nt+h − Nt = k ) = e−λ h k = 0, 1, · · ·
k!
11
https://en.wikipedia.org/wiki/Exponential distribution
120
3. Si 0 < t1 < t2 < t3 < t4 entonces Nt4 − Nt3 y Nt2 − Nt1 son independientes. Es la
propiedad de incrementos independientes.
4. E(Nt ) = V ar(Nt ) = λ t
6. Cov(Nt1 , Nt2 ) = E(Nt1 Nt2 ) − E(Nt1 )E(Nt2 ) = λ mı́n(t1 , t2). Nótese que la au-
tocovarianza es la misma del proceso Wiener. Además, el PPH no es un proceso
estacionario en covarianza.
λ(λt)k−1 e−λt
fTk (t) = k = 1, 2, . . .
(k − 1)!
k
E( Tk ) =
λ
k
V ar( Tk ) = 2
λ
k k
1 λ
MTk ( t ) = = para t < λ
1 − λt λ−t
8. La fgm de Nt ∼ Poisson( λ t ) es
θ −1 )
MNt ( θ ) = E eθ Nt
= eλ t( e , ∀θ ∈ R
10
8
Proceso llegada clientes
6
4
2
0
0 20 40 60 80 100
tiempo
T = poisson_h(lambda.t,Tmax)
122
n = length(T)
par(mfrow=c(1,1))
plot(c(0,T),(0:n),type=’s’,col=’red’,xlab="tiempo",
ylab="Proceso llegada clientes")
lines(c(0,T),rep(lambda,n+1)*c(0,T),type=’l’,col=’red’,
xlab="tiempo", ylab="Promedio llegada clientes")
Ejemplo 4.3.1. (ver Parzen [1972, Ejemplo 3c, pag. 47], y Ross [1989, pag. 216] ).
Considere una componente, por ejemplo, una lámpara, que se utiliza hasta que falla y
entonces se reemplaza por otra nueva. Las vidas Y1 , Y2 , · · · de las componentes sucesivas
forman una sucesión de variables aleatorias i.i.d. distribuı́das Exponencial con media
1/λ. Para cada t > 0 definimos Nt ∼ Poisson(λ, t), como el número de componentes que
han fallado hasta t.
Suponga que λ−1 = 1000 horas, donde E(Yj ) = 1000. Es decir, la vida útil de cada
lámpara es 1000 horas. Entonces
−λ
−1 t
( λ−1 t )k
P( Nt = k ) = k = 0, 1, 2, . . .
k!
Por ejemplo,
5000
5000 3 1 e−5 53 = 0.14
P( N5000 = 3 ) = e− 1000 =
1000 3! 3!
E( N5000 ) = 5
3. E(Xt ) = e−2λt.
source("poisson_h.r")
Tmax = 100
lambda = 6/40 # tasa de arribo eventos en [0,1]
Tt = poisson_h(lambda,Tmax)
t = length(Tt)
Nt = (0:t)
124
par(mfrow=c(2,1))
plot(c(0,Tt),Nt,type=’s’,col=’red’,
xlab="tiempo", ylab="Proceso llegada clientes")
points(Tt,(1:t),pch=20)
lines(c(0,Tt),lambda*c(0,Tt),type=’l’,
col=’red’,xlab="tiempo", ylab="Promedio llegada clientes")
Tel.t = (-1)ˆNt
plot(c(0,Tt),Tel.t,type=’s’)
Para esta sección se utilizaron las referencias Parzen [1972, sec. 4.2] y Cinlar [1975, sec.
4.7].
El proceso Poisson Nt ∼ P oisson(λt) se puede extender a un proceso de Conteo en el
cual se reemplaza λt por λ(t), que se toma como una función con las propiedades
λ(t) ≥ 0,
Z t
Λ(t) = λ(s)ds < ∞, t > 0,
0
lı́m Λ(t) = ∞.
t→∞
La función λ(t) modela la densidad de los arribos en [0, t], que varı́an con el tiempo. Lo
que permite modelar, por ejemplo, “horas pico” en un servicio al público.
Se define el proceso Possion no homogéneo (PPNH) como el proceso de conteo Nt que
cumple: tiene incrementos independientes y cumple 3 condiciones:
N0 = 0, (4.41a)
P(Nt+h − Nt ≥ 2)
→ 0, h → 0+, (4.41b)
P(Nt+h − Nt = 1)
∂
P( Nt+h − Nt ≥ 1) |h=0 = λ(t). (4.41c)
∂h
125
Entonces
P(Nt+h − Nt = k) =
e−(Λ(t+h)−Λ(t)) (Λ(t + h) − Λ(t))k , k = 0, 1, . . . (4.42b)
k!
Ejemplo 4.3.3. Suponga un PPNH con función de intensidad
4
λ(t) = 3 +
1+t
Nótese que λ(t) < 7, t > 0. Defina
Z t
Λ(t) = λ(s)ds = 3t + 4 ln(1 + t)
0
Entonces
Nótese que
Λ(2) = 10.4
la izquierda de t. Para expresar este lı́mite se usa la notación s ↑ t, que significa que s → t
con valores que son siempre s < t.
Nt− = lı́m Ns .
s↑t
d
H(t − Tj ) = δ(t − Tj )
dt
que cumple, para toda función g : (0, ∞) → R continua en µ, la propiedad de translación
(shifting property)
Z t Z t
g(s)δ(s − µ)ds = g(s)δ(µ − s)ds = g(µ)I(0 < µ < t) (4.46)
0 0
En algunos textos, por ejemplo Papoulis [1965, pag. 286, y sec 16-3, pag. 560], se define
la derivada del proceso Poisson como un ruido Poisson (shot noise)
∞
X
Nt0 = δ(t − Tj ), t ≥ 0. (4.47)
j=1
127
E(Nt0 ) = λ, (4.48)
utilizando un proceso Yt
Nt+h − Nt
Yt =
h
de tal forma que Nt0 = lı́mh→0 Yt , y asumiendo que
0 Nt+h − Nt λ(t + h) − λt
E(Nt ) = lı́m E = = λ.
h→0 h h
Pero también se puede obtener el resultado usando (4.47)
∞
! ∞
X X
0
E(Nt ) = E δ(t − Tj ) = E(δ(t − Tj ))
j=1 j=1
∞ Z
X ∞ ∞
X
= δ(t − s)fTj (s)ds = fTj (t)
j=1 0 j=1
λ(λt)j−1 e−λt
fTj (t) = j = 1, 2, . . .
(j − 1)!
entonces
∞
X
E(Nt0 ) = fTj (t) = λ,
j=1
∴ E(dNt ) = λdt.
Para el caso de un PPNH Nt con función de intensidad λ(t), se define también dNt =
Nt − Nt− , y se tiene
N t = Nt − λt, (4.50)
∞
X Nt
X
= g(Tj )I(Tj < t) = g(Tj ). (4.51)
j=1 j=1
Rt
El proceso estocástico Xt = 0 g(s)dNs , para t ≥ 0, tiene esperanza dada por
Z t Z t Z t
E(Xt ) = E g(s)dNs = g(s)E(dNs ) = λ g(s)ds (4.52)
0 0 0
Rt
Nótese que para Xt = g(s)dN s
0
Z t Z t
E(Xt ) = E g(s)dN s = g(s)E(dNs − λds) = 0. (4.53)
0 0
donde C puede ser una constante ó una variables aleatoria con distribución conocida. Hay
dos casos a considerar.
donde
Z t Rs Nt
X R Tj
− µv dv
e 0 bs dNs = e− 0 µv dv
bT j (4.57)
0 j=1
tiene solución
Z t Y
Nt
Xt = C exp µs − λσs ds (1 + σTj ), (4.59)
0 j=1
donde se requiere σt > −1, ∀t. Ver Privault [2022, Cap. 20], “Stochastic Calculus
for Jump Processes”, descargable en la página (12)
lambda = 1/12
sigma = 0.02
beta = 0.10
S0 = 1
param <- list(lambda = lambda)
D <- simulate(pph, xinit = 10,
true.parameter = param)
Nt = D@data@original.data[,1]
Tj = index(D@data@original.data)
mu.t = function(t){exp(beta*(1+t)ˆ(-0.3)-t*lambda*sigma)}
St = S0*mu.t(Tj[-1])*cumprod(1+sigma)
par(mfrow=c(2,2))
plot(Tj,Nt,type=’s’)
plot(Tj[-1],St,type=’s’)
hist(diff(Tj,1,1),20)
points(mean(diff(Tj,1,1)),0,pch=20,cex=2)
Ejemplo 4.3.5. (Boyce and DiPrima [1983], problema No 20, pag. 87)
Un cuarto de volumen V contiene aire libre de CO2 en t = 0. En ese momento se introduce
aire a una velocidad v, el cual tiene una concentración de CO2 variable con el tiempo,
según la función Zt , t ≥ 0. El aire ingresa al cuarto, se circula y vuelve a salir a la misma
velocidad. Sea Yt la cantidad de CO2 en el cuarto, en el tiempo t. Entonces Yt satisface
la siguiente ecuación diferencial:
0 Yt
Yt = v Zt − ,t ≥ 0 (4.60)
V
y0 = 0
131
por lo que es un proceso OU centrado definido en (4.21), con ruido Poisson (Poisson-
driven OU process)
Asumiendo los valores siguientes de los parámetros: r = 0.04 como %CO2 /m3, V =
32m3 , v = 0.25 m3 /min, δ = 1.2 λ = 0.6.
Un programa R utilizando la librerı́a YUIMA para generar trayectorias del proceso Yt del
ejemplo anterior, para t ∈ [0, 90].
library(yuima)
#--------------parametros
r = 0.04; V = 32; v = 0.25; delta = 1.2
lambda = 0.6; Y0 = 0;
Terminal <- 90
samp <- setSampling(T=Terminal,n=24)
df=list("dconst(z,1)"))
y3 <- simulate(mod3,
true.par=list(lambda=lambda),sampling=samp)
D=y3@data@original.data
Nt = D[,1]
Tj = index(D)
ft = exp(-v*Tj/V)
Yt = r*V + (Y0-r*V)*ft + v*delta*ft*cumsum(1/ft)
par(mfrow=c(2,1))
plot(Tj,Nt,type=’s’)
plot(Tj,Yt,type=’s’,ylim=c(0,20))
Ver Privault [2022, Cap. 20, pag. 86]. El proceso Poisson compuesto es una extensión del
proceso Poisson homogéneo que permite incluı́r saltos de magnitud aleatoria.
Suponga una sucesión de variables aleatorias continuas iid con valores en R, {Zj , j =
1, 2, . . .}, y un proceso Poisson homogéneo de intensidad λ > 0, {Nt , t ≥ 0}, asumido
independiente de las variables Zj . Se define el proceso Poisson compuesto o PPC, como
Nt
X
Yt = Zj , t ≥ 0, (4.64)
j=1
P0
donde por convención, j=1 Zj = 0, por lo que Y0 = 0 y para t > 0,
Las trayectorias de Yt tienen saltos en los mismos tiempos de arribo de Nt , T1 < T2 < . . ..
Y el salto en el tiempo Tj es la variable aleatoria Zj . Por lo que las trayectorias decrecen
ó aumentan según el signo de Zj .
El modelo PPC tiene muchas aplicaciones
133
2. Se aplica como modelo base para los sistemas de administración de riesgo operativo.
3. Se usa como modelo para tasas de rendimientos, por ejemplo en Li et al. [2018].
Y t = Yt − λµz t. (4.68)
Yt− = lı́m Ys .
s↑t
Como los saltos de Yt ocurren en los tiempos T1, T2, . . . se tiene que
Ver Privault [2022, Cap. 20]. Su valor esperado está dado por
Z t Z t
E g(s)dYs = λµz t g(s)ds. (4.73)
0 0
La expresión para el caso en el que g(s) se reemplaza por un proceso Xs , que cumple unas
condiciones, está desarrollada en Brémaud [2013, pag.478, Theorem 13.5.7].
Z t Z t
E Xs dYs = λE(Z)tE Xs ds . (4.74)
0 0
Yt = D@data@original.data[,1]
Tj = index(D@data@original.data)
Zj = diff(Yt,1,1)
Nt = seq(0,length(Tj)-1)
#---------eliminar el tiempo inicial cero
g = function(t){tˆ2}
Xt = cumsum(g(Tj[-1])*Zj)
plot(Tj[-1],Xt,type=’s’)
135
(4.77)
donde
Z t Rs Nt
X RT
− µv dv − 0 j µv dv
e 0 bs dNs = e bTj ZTj (4.78)
0 j=1
luego
Rt
Z t R Nt
X RT
µs ds − 0s µv dv − 0 j µv dv
Xt = e 0 C+ e (as − λµz bs )ds + e bTj ZTj
0 j=1
(4.79)
library(yuima)
lambda = 1/3
theta = 1/20
sigma = 0.02
S0 = 1
Yt = D@data@original.data[,1]
Tj = index(D@data@original.data)
Zj = diff(Yt,1,1)
Nt = seq(0,length(Tj)-1)
137
mu.t = function(t){exp(0.1*(1+t)ˆ(-1)-t*lambda*sigma/theta)}
St = S0*mu.t(Tj[-1])*cumprod(1+sigma*Zj)
plot(Tj[-1],St,type=’s’)
Xt = x + Ct − Yt , t ≥ 0 (4.82)
donde X0 = x > 0, C > 0 son constantes dadas; Ci es la prima total para la vigencia de
1 año y x es la reserva inicial.
En el Modelo (4.82) se asume que X0 = x está invertida en, por ejemplo, un fondo de
fiducia, totalmente lı́quido, excento de riesgo.
Además, la prima también se coloca en este fondo. Como es un modelo dinámico, los
costos Yj también se ajustan por inflación.
Igualmente, el proceso N(t) se puede modificar a un proceso Poisson no-homogéneo, con
tasa λ(t) variable, por ejemplo, en seguros de vehı́culos, adaptada a los perı́odos de lluvias
y perı́odos secos.
La prima C es el total recaudado por concepto de primas en 1 año. Un prima C muy baja
aumenta la probabilidad de insolvencia ó superávit negativo: Xt < 0, porque atrae los
riesgos altos y no permite una reserva adecuada. Una prima muy alta saca a la Aseguradora
del mercado. Definir fórmulas adecuadas para la prima es fundamental.
El modelo de difusión con saltos consiste en formar una ecuación diferencial estocástica
lineal con ruidos Wiener y Poisson compuesto.
138
y se añade una EDE con un ruido Poisson compuesto compensado, del tipo multiplicativo
homogénea, dada en la ecuación (4.80), colocando Pt en lugar de Yt ,
la sumar las dos últimas expresiones, dejando un solo término µt , se obtiene la EDEL para
un proceso difusión con saltos
la cual tiene solución, con P0 > 0, dada por, ver Privault [2022, pag. 731]
Z t Z t Y
Nt
1
Pt = P0 exp µs − σs2 − λµz ηs ds + σs dWs (1 + ηTk Zk ) (4.84)
0 2 0 k=1
Pt = Xt Yt
La implementación de la solución Pt en R es
library(yuima)
# yuima object
yuima <- setYuima(model = model, sampling = sampling)
# simulation
D <- simulate(yuima, # the yuima object
xinit = 1, # the initial value
true.parameter = list( # specify the parameters:
mu = 0.3, # value for the ’mu’ parameter
sigma = 0.1, # value for the ’sigma’ parameter
140
n = length(Xt)
rt = (Xt[2:n]-Xt[1:(n-1)])/Xt[1:(n-1)]
hist(rt,100)
ts.plot(rt)
Demostración.
Xn = f(Xn−1 , Zn ), (4.85)
Definición 4.6.2. Decimos que el proceso estocástico real {Xt , t ≥ 0} tiene incrementos
estacionarios si la distribución de los incrementos Xt+h − Xt depende sólo de la longitud
h del intervalo.
Es decir, si {Xt , t ≥ 0} tiene incrementos estacionarios entonces
Una clase de procesos con incrementos independientes y estacionarios son los procesos
Lévy .
Definición 4.6.3. Un proceso (Xt , t ≥ 0) se dice un proceso Lévy si cumple las siguientes
propiedades.
(i) Las trayectorias son funciones continuas a derecha con lı́mites a la izquierda finitos,
con probabilidad uno.
(ii) P(X0 = 0) = 1.
4.7. Problemas
donde k > 0 es una constante dada, relacionada con la conductividad termal del
cuerpo.
4. Anualidad de vida tipo Retiro Programado. Esta anualidad se define como un sistema
de amortización de una deuda en donde las cuotas dependen del saldo de la deuda y
del valor de una anualidad de vida para una persona de edad x al inicio del contrato.
Si Xt denota el saldo de la deuda en el tiempo t, con 0 ≤ t ≤ T , con T = 110 − x
el intervalo de tiempo que puede sobrevivir la vida (x), y r es la tasa pactada, la
ecuación para el flujo de caja es
0 1
Xt = r − Xt , (4.90)
āx+t
X0 > 0, dado.
El término āx+t que aparece en la expresión anterior se definie como el valor presente
de una renta vitalicia de valor 1, pagable hasta fallecer a la vida de edad x + t, y se
define como
Z 110−x
āx = e−δs s px ds, (4.91)
0
depende de una tasa continua δ que se toma como δ = log(1 + i), donde i es
una tasa efectiva anual, denominada tasa técnica de la renta vitalicia. El factor
s px = P(T (x) > s) es la probabilidad de supervivencia de s años de una vida de
edad x, de acuerdo a una ley de mortalidad definida previamente. Por ejemplo, la
ley Makeham-Beard. Esta cantidad se puede evaluar con R con el código
acx = function(x,delta,pars){
fn = function(t){exp(-delta*t)*tpx.mb(t,x,pars)}
acx = C*integrate(fn,0,w-x)$value
return(acx)
Compruebe que
Zt
−βt
Vt = V0 e +α e−β(t−s) Ys0 ds
0
146
Z t
−βt −β(t−s)
Vt = V0 e + α Xt − β Xs e ds
0
y aplique la identidad
Z t Z tZ t
V ar( (Xu |Xs = x)du) = cov(Xu , Xv |Xs = x)dudv
s s s
Rt
Compruebe que si V ar( s (Xu |Xs = x)du) = σ 2(s, t, x), entonces:
σ2
2
σ (s, t, x) = 3 (2α(t − s) + 4e−α(t−s) − e−2α(t−s) − 3)
2α
147