CAPÍTULO 4

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

4.3. Proceso Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117

4.3.1. Proceso Poisson Homogéneo . . . . . . . . . . . . . . . . . . . 117
4.3.2. Proceso Poisson No Homogéneo . . . . . . . . . . . . . . . . . 124
4.3.3. Idea de integral con respecto al proceso Poisson . . . . . . . . . 125
4.3.4. Idea básica sobre ecuaciones diferenciales lineales estocásticas
con proceso Poisson . . . . . . . . . . . . . . . . . . . . . . . 128
4.4. Proceso Poisson Compuesto . . . . . . . . . . . . . . . . . . . . . . . 132
4.4.1. Definición y propiedades . . . . . . . . . . . . . . . . . . . . . 132
4.4.2. Algunas propiedades del PPC . . . . . . . . . . . . . . . . . . 133
4.4.3. Ecuación diferencial estocástica con ruido PCC . . . . . . . . . 135
4.4.4. El Modelo de Riesgo Colectivo . . . . . . . . . . . . . . . . . 137
4.4.5. Proceso de difusión con saltos . . . . . . . . . . . . . . . . . . 137
4.5. Procesos con incrementos independientes . . . . . . . . . . . . . . . 140
4.6. Procesos de Levy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
4.7. Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
 99

4.1. Proceso de Wiener

Un ejemplo muy importante de proceso Gaussiano en tiempo continuo es el proceso de

Wiener. Tiene aplicaciones en varias disciplinas. Una referencia muy completa y útil es
Hassler et al. [2016].
Nota 4.1.1. (Wong and Hajek [1971], pag. 68 ) “El proceso de Wiener es más que un
ejemplo de proceso Gaussiano. Posee una gran cantidad de propiedades ... Además, a
partir de este proceso se pueden definir muchos otros, que siguen poseyendo algunas
de sus propiedades, y que pueden ser utilizados como modelos de fenómenos fı́sicos y
económicos”.
Definición 4.1.1. Un proceso {Wt , t ≥ 0} Gaussiano se denomina proceso de Wiener si

1. E(Wt ) = 0 para todo t ≥ 0

2. E(Wt Ws ) = mı́n(s , t) = s ∧ t s, t ≥ 0

Se pueden generar trayectorias de Wt con el lenguaje R de varias maneras. Por ejemplo,

para simular una trayectoria con longitud 5 × 360 = 1800, correspondiente a suponer un
muestreo diario durante cinco años,

# Ejemplos simulacion de procesos Wiener

library(e1071)
#---------- Wiener estandar
Wt = rwiener(end = 5, frequency = 360)
ts.plot(Wt)

4.1.1. Propiedades del Proceso de Wiener

Varias propiedades del proceso Wiener se dan a continuación.

1. V ar(Wt ) = E(Wt2) = t , t ≥ 0

2. El proceso de Wiener tiene incrementos independientes. Wtj −Wsj , j = 1, 2, · · · , n

son independientes siempre que los intervalos (sj , tj ] sean disjuntos.

3. El proceso de Wiener tiene incrementos estacionarios es decir, la distribución de

Wt − Ws depende de t − s solamente: Wt − Ws ∼ N(0, t − s).
100

4. El proceso Wiener no es estacionario en covarianza ya que, aunque E(Wt ) = 0

constante, para todo t, se tiene
1
R(s, t) = mı́n(s, t) = (s + t − |t − s|)
2
para s, t > 0 y no se cumple que R(s, t) sea una función par de t − s.

5. P(W0 = 0) = 1.

6. Sea Ta el tiempo de primer arribo a la barrera a > 0, Ta = ı́nf{t > 0 : Wt ≥ a},

entonces se puede comprobar directamente, ver Hassler et al. [2016, pag. 160])
√
P(Ta ≤ t) = 2(1 − Φ(a/ t)). (4.1)
Además, se cumple E(Ta ) = ∞. Lo que implica que la probabilidad P(Ta = ∞) > 0
es positiva. Es decir, puede suceder el evento de que el proceso nunca alcance la
barrera a > 0.

7. Defina Mt = Max(Ws , 0 ≤ s ≤ t). Entonces P(Mt ≥ a) = P(Ta ≤ t).

Las demostraciones de las propiedades anteriores son

1. Demostración. E(Wt2 ) = Cov(Wt , Wt ) = t

2. Demostración. Suponga 0 ≤ u ≤ v ≤ s ≤ t. Como Wt es Gaussiano los incremen-

tos Wv − Wu y Wt − Ws tienen una distribución normal bivariada porque cualquier
combinación lineal es normal. Además
 
E (Wv − Wu )(Wt − Ws ) = R(v , t) − R(v , s) + R(u , s) − R(u , t)
=v−v+u−u=0
Pero esto implica que Wv − Wu y Wt − Ws son incorrelacionadas y por ser variables
con distribución Normal conjunta deben ser independientes. Por tanto, Wt tiene
incrementos independientes.

3. Demostración. La variable Wt − Ws tiene distribución Normal con media cero.

Además
 
2
E (Wt − Ws ) = R(t , t) − 2R(t , s) + R(s , s) = t − 2s + s = t − s
Luego la distribución de Wt − Ws ∼ N(0 , t − s) depende de t − s solamente.

5. Demostración. Como W0 ∼ N(0, 0) entonces se puede tomar W0 como una varia-

ble aleatoria concentrada en el valor cero tal que P(W0 = 0) = 1
 101

4.1.2. Algunas aplicaciones del proceso de Wiener

En Estadı́stica: prueba KPPS para estacionariedad

En Fı́sica y Quı́mica: movimiento Browniano

En Procesos estocásticos: cálculo estocástico de Ito.

En Finanzas: modelo LogNormal para precios de acciones

4.1.3. La prueba KPPS para estacionariedad

La prueba KPSS para estacionariedad se definión en (2.5.2), pag. 24, Asume

Xn = a + bn + Yn + Zn ,

donde a, b son constantes, Yn es estacionario en covarianza y Zn = Zn−1 + n con

n ∼ iidN(0, σ 2 ). La nula es H0 : σ 2 = 0 y la alterna H1 : σ 2 6= 0. No rechazar la nula
equivale a que Xn sea estacionario con tendencia.
Si se corre la regresión Xn = a + bn + Yn se estima el residuo Ybn . El estadı́stico de la
prueba se define como
k
X
Sk = Ybj , k = 1, 2, . . . , n (4.2)
j=1
X n
1
Kn = S2 (4.3)
bn2 (q) j=1 k
n2 σ

donde (colocando Xi = Ybi )

n
1X
bn2 (q) =
σ (Xj − X n )2
n j=1
q
( n )
2X X
+ ωj (q) (Xi − X n )(Xi−j − X n ) (4.4)
n j=1 i=j+1

es el estimador heterocedástico y consistente de la varianza de Newey and West [1987],

y ωj (q) = 1 − j/(q + 1), q < n. Se usan dos valores para q, uno de efecto corto q =
√ √
máx(1, b3 n/13c) y otro de efecto largo q = máx(1, b10 n/13c), que se implementaron
102

en la función KPSS de la librerı́a tseries. Aunque el valor recomendado para q es

b4(T /100)1/4 c. Entonces, asumiendo H0 se cumple que, ver
P(Kn ≤ x) → P(K ≤ x), n → ∞ (4.5)
Z 1
K= (Ws − sW1 )2 ds (4.6)
0

El proceso Wt − tW1, para t ∈ [0, 1] se denomina puente Browniano, (Brownian bridge).

La prueba es de cola derecha. Detecta no estacionariedad si Kn > Kα .

#---------- puente Browniano Wt - tW1

F = 500
t = seq(0,1,length.out=F)
Wt = rwiener(end = 1, frequency = F)
PWt = Wt - t*Wt[F]
PWt = rbridge(end = 1, frequency = F)
ts.plot(PWtˆ2)
abline(h=0)
# trapz: compute the area of a function with values y
# at the points x.
library(pracma)
X = double(1000)
for(j in 1:1000){
PWt = rbridge(end = 1, frequency = F)
X[j]=trapz(t, PWtˆ2)}
hist(X,100)
Ka =quantile(X,0.95)

4.1.4. El movimiento Browniano

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.

A. Einstein en 1905 propuso un modelo para el movimiento Browniano como un

proceso estocástico Gaussiano, en un artı́culo famoso (2)

P. Langevin propuso en 1908 otra teorı́a para explicar el movimiento Browniano,

(3), que resultó más aceptada porque permite interpretar resultados de laboratorio.
Si Vt denota la velocidad de una partı́cula de masa m, y Vt0 su derivada, la ecuación
de movimiento de la partı́cula en un lı́quido es

Vt0 = −γVt + Lt (4.7)

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.

El sı́mbolo Wt0 denotará el ruido blanco Wiener. Se asume que es un proceso

estacionario Gaussiano de media cero y covarianza E Wt0 Ws0 = σ 2 δ(t − s) donde
δ(.) es la función delta de Dirac, tal que δ(x) = δ(−x) y
Z ∞ Z ∞
f(t) δ(t − µ) dt = f(t) δ(µ − t) dt = f(µ) (4.8)
−∞ −∞

para toda función f : R → R continua en t = µ. Entonces, la ecuación de Langevin

se puede escribir, colocando Lt = Wt0, con Wt0 dt = dWt , como
Vt0 = −γVt + Wt0 ⇔ dVt = −γVt dt + dWt .

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

Figura 4.1: Representación de una partı́cula en movimiento browniano

4.1.5. Integral de una función con respecto al proceso Wiener

1. Las trayectorias muestrales del proceso Wt , como funciones de t, tienen la propiedad

de ser continuas pero no derivables, un hecho notable en el análisis matemático

2. La demostración se debe a Norbert Wiener, de quien tomó el nombre el proceso.

Nótese que la fórmula de Wiener desarrollada en 1923 (5)
∞ √
X 2 sin(kπt)
Wt = Z0 t + Zk (4.9)
πk
k=1

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

con s ∧ t = min(s, t).

4. La teorı́a de probabilidades incluye la definición de una integral más general, dando

condiciones sobre el proceso Yt para que la integral siguiente, denominada integral
de Ito, esté bien definida
Z b
Yt dWt (4.12)
a

En la teorı́a de probabilidades se desarrolló la pregunta de para qué tipo de procesos

Xt tiene sentido definir la integral estocástica
Z b
Yt dXt (4.13)
a

La respuesta es que Xt debe ser una semimartingala. Un ejemplo de semimartin-

gala es el proceso Wiener con tendencia más un proceso Poisson. La teorı́a de
semimartingalas está en la base de las aplicaciones financieras.

4.1.6. Ecuaciones diferenciales lineales estocásticas con ruido Wiener

Un proceso estocástico {Xt , t ≥ 0} satisface la ecuación diferencial lineal general con

ruido Wiener, con coeficientes at , µt , bt, σt > 0, funciones continuas de t, si cumple



dXt = at + µt Xt dt + bt + σt Xt dWt t ∈ [0, T ] X0 = C. (4.14)
donde C puede ser una constante ó una variables aleatoria con distribución conocida. La
ecuación se puede ver como una ecuación diferencial ordinaria no homogénea con término
independiente dependiendo de ruido blanco continuo, asumiendo que Xt tiene trayectorias
derivables.
d


Xt = at + µt Xt + bt + σt Xt Wt0 (4.15)
dt
106

1. Caso σt ≡ 0, ruido aditivo

La ecuación (4.14) queda de la forma


dXt = at + µt Xt dt + bt dWt , X0 = C, t ≥ 0, (4.16)

y su solución está dada por

Rt
 Z t R  Z t R  
s s
µ ds − µ dv − µ dv
Xt = e 0 s
C+ e 0 v
as ds + e 0 v
bs dWs . (4.17)
0 0

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

Podemos observar que, al reemplazar en la expresión anterior Ws0 ds por dWs , se

obtiene la solución (4.17).

2. Caso σt 6≡ 0, ruido multiplicativo

La EDE Lineal general (4.14) tiene solución
 Z t Z t 
−1


Xt = Yt C+ as − bs σs Ys ds + bs Ys dWs (4.18)
0 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.

4.2. Modelos Langevin, OU centrado, Vasicek

La ecuación de Langevin (4.9) es un ejemplo básico de EDE Lineal. Se define aquı́ como

dXt = −αXt dt + σ dWt , t ≥ 0, α > 0, σ > 0. (4.20)

 107

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

Si C ∼ N(0, σ 2 /(2α)), independiente de Wt , t ≥ 0, entonces Xt es Gaussiano porque es

la suma de un Gaussiano y una Normal independientes
Además,
Z t 
−αt −αt αs
E(Xt ) = e E(C) + σ e E e dWs = 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

usando la identidad: 2(s ∧ t) − (s + t) = −|t − s|

σ 2 −α |t−s|
= e
2α
σ2
∴ V ar(Xt ) = .
2α
Luego Xt es un proceso estacionario en covarianza.
108

4.2.1. Proceso OU centrado

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

dXt = α(µ − Xt )dt + σdWt , t ≥ 0, (4.21)

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

Es un proceso Gaussiano, pero no es estacionario en covarianza. La distribución de Xt es

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

Suponiendo que Zt = r + σw Wt0 = r + σw dWt /dt es ruido blanco continuo, la ecuación

queda

Yt
Yt0 = v(r + σw dWt /dt −) (4.25)
V
∴ dYt = (v/V )(rV − Yt )dt + vσw dWt , (4.26)
 109

Y0 = 0,

por lo que es un proceso OU centrado (4.21) de la forma

dXt = α(µ − Xt )dt + σdWt , t ≥ 0,

con parámetros α = v/V , σ = vσw , µ = rV , C = 0, y su solución está dada por (4.22)

Z t
−vt/V −vt/V −vt/V
Yt = Y0 e + rV (1 − e ) + vσw e evu/V dWu .
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

T <- 24; n <- 24*30;

samp <- setSampling(Terminal=T, n=n)
mod.sal <- setYuima(model=mod2, sampling=samp)
#-----------simular trayectorias
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
t = seq(1,length(Xt))
plot(t,Xt,type=’l’,ylim=c(0.1,0.70))

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’)}

4.2.2. Modelo Vasicek para tasas de interés

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].

drt = a(b − rt)dt + σdWt (4.27)

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

Este precio se utiliza como factor de descuento en la valoración de flujos de pagos.

n
X
V = Cj P (0, sj , x)
j=1

Se calcula, con base en la expresión de la función generadora de momentos de una variable

Normal
  Z s   Z s 
1
P (t, s, x) = exp E − ru du | rt = x + V ar − ru du | rt = x ,
t 2 t

= exp(−A(t, s)rt + D(t, s)). (4.29)

donde
1 − e−a(s−t)
A(t, s) = ,
 a 
λσ σ2 σ 2A(t, s)2
D(t, s) = b + − 2 [A(t, s) − (s − t)] − .
a 2a 4a2

El parámetro λ es el precio de mercado del riesgo, que lo coloca el emisor.

El precio se puede codificar en R como sigue.

precio.vasicek <- function(r, alfa, beta, sigma, lambda,t){

A <- (1-exp(-t*a))/a
D <- (b-sigmaˆ2/(2*aˆ2)+lambda*sigma/a)*(A-t)
-sigmaˆ2*Aˆ2/(4*aˆ2)
P=exp(D-A*r)
return(P)
}

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

4.2.3. Modelo movimiento Browniano geométrico

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

4.2.4. Caso de coeficientes constantes

La solución en el caso de coeficientes constantes σt = σ, µt = µ, at = 0, bt = 0, queda

 Z t Z t 
−1


Pt = Yt P0 + 0 − 0σ Ys ds + 0 Ys dWs
0 0
con
 Z t σ2 
Z t 
Yt = exp − µ− ds − σ dWs .
0 2 0

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.

#--Ejemplo yuima modelo GBM movimiento Browniano geometric

library(yuima)
#--------defina el modelo
mod1 <- setModel(drift = "mu*x", diffusion = "sigma*x")
str(mod1)
#--------periodo de simulacion y frecuencia
T <- 3; n <- 3*30;
samp <- setSampling(Terminal=T, n=n)
mod.acciones <- setYuima(model=mod1, sampling=samp)
#-----------simular trayectorias
X = simulate(mod.acciones,
true.par=list(mu=0.001,sigma=0.021),
xinit=1000)
Xt=X@data@original.data
t = seq(1,length(Xt))
plot(t,Xt,type=’l’)
 113

4.2.5. Caso coeficientes variables

Para el caso de un MBG con coeficientes variables

dXt = µt Xt dt + σt Xt dWt t≥0 (4.32)

La solución Xt cuando X0 = k > 0 es

Z t  σs2 
Z t 
Xt = X0 exp µs − ds + σs dWs = X0 eβt . (4.33)
0 2 0

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

Covβ (s , t) = σu2 du.

0

Ejemplo 4.2.2. calcular si t > s > 0 y x, y > 0

P Xt ≤ x | Xs = y .

El proceso
 Z t 
Xt = k exp µβ (t) + σs dWs
0

es positivo (con probabilidad uno). Luego, si t > s > 0 y x, y > 0 tenemos

 

Xt x
P Xt ≤ x | Xs = y = P ≤ Xs = y
Xs y
 
 Zt Z s  y 
  x
= P exp µβ (t) − µβ (s) + σu dWu ≤ µβ (s) + σu dWu = ln
y 0 k
s
114

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

4.2.6. Aplicación en finanzas del MBG

El modelo de movimiento Browniano geométrico, MBG, aplicado para precios de acciones

se acepta que fué introducido por L. Bachelier en 1900 para los precios en la Bolsa de
Parı́s, e introducido en la literatura financiera por P. Samuelson en 1965. Es una idea
similar a la de la ecuación de Langevin. Ver información útil en (8 ).
Si Pt indica el precio de cierre de una acción que cotiza en una Bolsa y µ indica un
coeficiente de apreciación del valor de la acción y σ un coeficiente que mide la volatilidad
del precio, y t es año o fracción de año entonces dPt /Pt es una medida de la variación
porcentual del precio
Los valores de µ se toman como apreciación promedio efectiva anual. El resultado del
estudio de Ibbotson y Sinquefield, en 1982, sobre rendimientos de acciones, mostró que
en el mercado de EU, µ ∈ (0.02, 0.14) y existı́a un margen del 0.08 con relación a
rendimientos de tasa fija.
Los valores de σ, denominada volatilidad, se definen como la desviación estándar de
dPt /Pt . Los valores como ejemplos, se pueden tomar en σ ∈ (0.2, 0.4).

8
https://en.wikipedia.org/wiki/Geometric Brownian motion
 115

4.2.7. Algunas consecuencias de las propiedades del proceso Wiener

1. Para s < t y Wt = b, la fdp condicional de Ws dado Wt = b se obtiene como

 bs  s 
Ws | Wt = b ∼ N , s 1− , 0 < s < t, (4.34)
t t
bs
E(Ws | Wt = b) = (4.35)
t
s
V ar(Ws | Wt = b) = s 1 − . (4.36)
t

2. Utilizando las propiedades se puede encontrar la fdp conjunta de (Wt1 , · · · , Wtn )0

para 0 < t1 < t2 < · · · < tn

fWt1 ···Wtn (x1, · · · , xn )

= fWt2 (x1 ) fWt2 −Wt1 (x2 − x1 ) · · · fWtn −Wtn−1 (xn − xn−1 ) (4.37)

3. (Grimmett and Stirzaker [1994], pag. 212)

Sean 0 < t1 < · · · < tn entonces la matriz R igual a

R = [R(tj , tk )] = [ mı́n(tj , tk )]

es definida positiva y por tanto det(R) 6= 0.

Demostraciones

Demostración de 2)

Demostración. considerando la transformación

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

fW (w1 , · · · , wn ) = fX (P w) | det(P ) | = fX (P w),

pero la fdp de X, teniendo en cuenta que las variables X1 , · · · , Xn son indepen-

dientes y Xj ∼ N(0 , tj − tj−1 ), entonces

fX (P w) = fX1 (x1 ) fX2 (x2 − x1) · · · fXn (xn − xn−1 )

2 2 2
1 1 x1 1 1 (x2 −x1 ) 1 1 (xn −xn−1 )
=√ e− 2 t1
·p e− 2 t2 −t1
··· p e− 2 tn −tn−1

2π t1 2π (t2 − t1 ) 2π(tn − tn−1 )


x2 (x2 −x1 )2 (xn −x ) 2
− 12 1
t1
+ t2 −t1
+···+ t −tn−1
n n−1

=
e
n
  12
(2π) 2 t1(t2 − t1 ) · · · (tn − tn−1 )

= fWt1 ···Wtn (x1, · · · , xn )

= fWt1 Wt2 −t1 ···Wtn −tn−1 (x1 , x2 − x1 , · · · , xn − xn−1 )

= fWt2 (x1) fWt2 −Wt1 (x2 − x1 ) · · · fWtn −Wtn−1 (xn − xn−1 )

Demostración de 1)

Demostración. Para s < t y Wt = b, la fdp condicional de Ws dado Wt = b se

obtiene como
fWs Wt (x , b)
fWs (x | Wt = b) =
fWt (b)
fWs (x) fWt−s (b − x)
=
fWt (b)
 117
2
1 x2 1 (b−x)
√ 1
2π s
e− 2 s ·√ 1
2π(t−s)
e− 2 t−s

= 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

4.3. Proceso Poisson

4.3.1. Proceso Poisson Homogéneo

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:

1. Número de casos de un centro de atención de urgencias durante 24 horas.

2. Número de accidentes laborales en una empresa en 1 mes.

3. Número de interrupciones del servicio de agua potable en una zona durante el año.

4. Número de interrupciones del fluido eléctrico en una zona durante 1 año.

5. Número de descargas eléctricas en el área metropolitana en 1 año.

6. Número de casos de default en créditos de consumo durante 1 año.

7. Número de deserciones estudiantiles de una Universidad durante 1 semestre.

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).

4. Para modelos de llegadas más generales como el Proceso Poisson No Homogéneo.

El proceso Poisson se empezó a utilizar a principios de la década de 1900, con aplicaciones

en la emisión de partı́culas alfa en materiales radioactivos y en modelos de congestión de
lı́neas telefónicas. Más información sobre la historia en Wikipedia (10).

Un proceso Poisson es un caso de procesos más generales denominados procesos

de Conteo (counting processes).

Un proceso {Nt , t ≥ 0}, con valores Nt ∈ {0, 1, . . .} se dice que es un proceso

de Conteo si Nt mide el número de ocurrencias de un fenómeno aleatorio en el
intervalo [0, t].

Si h > 0, la variable Nt+h − Nt es el número de ocurrencias en el intervalo (t, t + h].

Definición 4.3.1. Si T1 < T2, . . . es la sucesión de tiempos en los que ocurren los eventos
entonces las variables

T1, T2 − T1, T3 − T2 , . . . , Tj+1 − Tj , . . . (4.38)

se denominan tiempos de entre-arribos. Si se asumen positivas, independientes e idéntica-

mente distribuı́das, el proceso de conteo Nt se denomina proceso de renovación (renewal
process). El proceso Nt cumple

Nt = máx{j : Tj ≤ t} (4.39)

Nótese que se cumple la identidad: Nt ≥ k ⇐⇒ Tk ≤ t.

9
https://stats.stackexchange.com/questions/18821/why-is-the-poisson-distribution-chosen-to-model-
arrival-processes-in-queueing-th
10
https://en.wikipedia.org/wiki/Poisson point process#History
 119

Definición 4.3.2. El proceso de Poisson homogéneo (PPH) se define como un proceso de

Conteo para el cual los tiempos entre-arribos se distribuyen Exponenciales de parámetro
λ > 0. Para clarificar, se asume la parametrización de la Exponencial en el lenguaje R,
tomando λ como rate, ver (11), por tanto

Tj − Tj−1 ∼ iid Exp(λ)

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)

La distribución Exponencial tiene una propiedad que se denomina “pérdida de memoria”.

Si 0 < s, t son dos tiempos y T ∼ Exp(λ), entonces

P(T > t + s | T > t) =

P(T > t + s)
=
e−λ(s+t) = e−λs = P(T > s)
P(T > t) e−λt
lo que se interpreta ( en un caso de una cola M/M/s) como: si el cliente esperó t minutos
la probabilidad de que espere t + s minutos es la probabilidad de esperar s minutos.
Aunque no es una prueba formal se puede calcular el cociente Y /sY y ver si es aproxi-
madamente igual a uno para suponer que las variables Y se distribuyen Exponencial. Ya
que si Y ∼ Exp( θ ) entonces E( Y ) = θ, V ar( Y ) = θ2 , de donde el coeficiente de
p
variación CV = E(Y )/ V ar(Y ) = 1.
Los hechos básicos del Proceso Poisson son
k
1. P(Nt = k) = e−λ t ( λk!t ) . De donde P(N0 = 0) = 1.

2. Si h > 0 , Nt+h − Nt ∼ Poisson(λ h )

( 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

5. P( Nt+h − Nt ≥ 2)/h → 0 si h → 0+. La interpretación es que en un intervalo de

tiempo muy pequeño la probabilidad de 2 ó más llegadas es casi cero.

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.

7. Al sumar T1 +( T2 −T1 )+· · ·+( Tk −Tk−1 ) = Tk se obtiene una suma de k variables

exponenciales independientes,Exp(λ). Luego Tk ∼ Gamma(k, λ), denominada
distribución Erlang y

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

9. Si 0 < t1 < t2 < t3 < t4 entonces

E ( Nt4 − Nt2 ) ( Nt3 − Nt1 ) = λ2 ( t4 − t2 ) ( t3 − t1 ) + λ( t3 − t2 )

10. E( Nt1 Nt2 ) = λ2 t1 t2 + λ mı́n( t1 , t2 ) t1 , t2 ≥ 0. La demostración se basa en la

propiedad anterior, colocando que t1 = t2 = 0, t4 = t1 , t3 = t2 ,, y luego t2 ≤ t1
de donde E( Nt1 Nt2 ) = λ2 t1 t2 + λ t2 = λ2 t1 t2 + λ mı́n ( t1 , t2 ).

Las trayectorias muestrales de Nt son funciones escalonadas, continuas a derecha, con

saltos de magnitud 1 en los tiempos Tj , j = 1, 2, · · · , como se muestra en la Figura 4.2
 121

10
8
Proceso llegada clientes

6
4
2
0

0 20 40 60 80 100

tiempo

Figura 4.2: Trayectoria de un proceso Poisson con λ = 6/40

# simulacion proceso poisson homogéneo

# devuelve los tiempos de arribo hasta un T maximo

poisson_h <- function(lambda,Tmax){

u <- runif(1)
t <- rexp(1,rate=lambda)
T <- c(t)
i <- 1
while( t < Tmax){
u <- runif(1)
t <- t +rexp(1,rate=lambda)
T <- c(T,t)
i <- i+1
}
T[i] <- Tmax
return(T)}
source(’poisson_h.r’)
Tmax = 100
lambda = 6/40 # tasa de arribo eventos en [0,1]

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

Ejemplo 4.3.2. El proceso “señal telegráfica” se define como Xt = (−1)Nt , t ≥ 0, donde

Nt es un Proceso Poisson homogéneo con E(Nt ) = λt. Es evidente que Xt ∈ {−1, 1} y
X0 = 1. Se pueden comprobar las siguientes propiedades del proceso.

1. P(Xt = 1) = e−λt cosh (λt),

P(Xt = 1) = P(Nt = 2k, k = 0, 1, . . .)

∞
X ∞
X 2k
= P(Nt = 2k) = e−λt (λt)
(2k)!
k=0 k=0
P∞
pero cosh(t) = (et + e−t )/2 y et = k=0 tk /k!. Reemplazando
∞
X ∞
X
t −t k k (λt)2k
e +e = t /k! + (−t) /k! =
k=0 k=0
(2k)!
 123

2. P(Xt = −1) = e−λt senh( λt ).

3. E(Xt ) = e−2λt.

4. Distribuciones conjuntas. Si t2 > t1 > 0

P( Xt1 = 1 , Xt2 = 1 ) = P( Xt2 = 1 | Xt1 = 1 )P( Xt1 = 1 )

= e−λτ cosh ( λτ ) e−λt1 cosh ( λt1 ),
P( Xt1 = −1 , Xt2 = −1 ) = e−λτ cosh ( λτ ) e−λt1 senh( λt1 ),
P( Xt1 = −1 , Xt2 = 1 ) = e−λτ senh( λτ ) e−λt1 senh( λt1 ),
P( Xt1 = 1 , Xt2 = −1 ) = e−λτ senh( λτ ) e−λt1 cosh ( λt1 ),

5. E( Xt1 Xt2 ) = e−2λ| t2 −t1 | t1 , t2 ≥ 0.

6. Cov( Xt , Xt+h ) = e−2λ| h | − e−2λ(2t+h). Esta expresión depende de t y h por lo que

Xt no es estacionario en covarianza. Nótese que E(Xt ) y V ar(Xt ) = 1 − e−4λt no
son constantes.

7. Si t → ∞ compruebe los siguientes lı́mites:

Cov(Xt , Xt+h ) → e−2λ| h | ,

E(Xt ) → 0,
V ar(Xt ) → 1.

Luego si t es grande, se puede afirmar que Xt es aproximadamente estacionario en

covarianza.

# simulacion proceso telegrafo

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’)

4.3.2. Proceso Poisson No Homogéneo

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

E(Nt) = Λ(t). (4.42a)

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

P(Nt = k) = e−Λ(t) (Λ(t))k /k!.

Nótese que

P(Nt = 0) = e−Λ(t) = (1 + t)−4 e−3t

Suponga que se introduce al mercado un artı́culo que tiene inicialmente demanda y se

estima que en un futuro ésta va a decrecer de acuerdo a función de intensidad dada.
Si se toma la decisión de producir 20 artı́culos cuál es la probabilidad de que la demanda
supere este valor en 2 años?
20
X
P(N2 > 20) = 1 − P(N2 ≤ 20) = 1 −
e−Λ(2) (Λ(2))k
k!
k=0

Λ(2) = 10.4

∴ P(N2 > 20) = 0.002

4.3.3. Idea de integral con respecto al proceso Poisson

Las trayectorias muestrales del proceso Nt son funciones escalonadas, continuas a la

derecha, con saltos de valor 1. Se utiliza la notación Nt− para indicar el lı́mite de Nt por
126

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

Como los saltos de Nt ocurren en los tiempos T1 , T2, . . . se tiene que

NTj − NTj − = 1, (4.43)

Nt − Nt− = 0, t 6= Tj . (4.44)

El diferencial dNt se define

dNt = Nt − Nt− ,
por lo tanto se cumple que dNt ∈ {0, 1}. Con la función escalón

0, t ≤ 0
H(t) =
1, t > 0

se puede escribir el proceso Poisson como

∞
X
Nt = H(t − Tj ), t ≥ 0. (4.45)
j=1

Como la derivada generalizada de la función escalón es la función delta de Dirac

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

En Papoulis [1965, pag. 287, ec. 9-25] se comprueba que

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

pero la densidad de Tj es la distribución Erlang, ver Cinlar [1975, pag. 83],

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

E(dNt ) = λ(t)dt. (4.49)

El proceso de Poisson compensado se define como

N t = Nt − λt, (4.50)

y entonces es un ruido Poisson de media cero, con dN t = dNt − λdt = 0.

128

La definición de ruido de Poisson permite definir la integral de g con respecto al proceso

Rt
Poisson. Se denota por 0 g(s)dNs y se define como,
Z t X∞ Z t
g(s) dNs = g(s)δ(s − Tj )ds
0 j=1 0

∞
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

4.3.4. Idea básica sobre ecuaciones diferenciales lineales estocásticas

con proceso Poisson

En el artı́culo Das [2002] se afirma

“(The surprise element: jumps in interest rates) La sorpresa es un elemento

intrı́nseco de los mercados financieros y un simple hecho de vida. Los mer-
cados de renta fija no son una excepción a esto. A pesar de la gran cantidad
de información pública disponible sobre la economı́a, y cantidades exhaus-
tivas de investigación, todavı́a ocurren sorpresas con suficiente magnitud y
regularidad para impactar sustancialmente los rendimientos, los precios de
los bonos y los diferenciales entre la oferta y la demanda. Los choques de la
demanda, como los generados por comportamiento de las subastas de bonos
del Tesoro, a menudo dar lugar a saltos, al igual que los anuncios de noticias
económicas.”

La ecuación diferencial lineal general (4.14) con coeficientes at , µt , bt , σt > 0, funciones

continuas de t, con ruido Poisson, tiene una solución {Xt , t ≥ 0} que satisface



dXt = at + µt Xt dt + bt + σtXt dNt t ∈ [0, T ] X0 = C. (4.54)
 129

donde C puede ser una constante ó una variables aleatoria con distribución conocida. Hay
dos casos a considerar.

1. Caso σt ≡ 0, ruido aditivo La ecuación (4.54) queda de la forma

dXt = at + µt Xt dt + bt dNt , X0 = C, t ≥ 0, (4.55)

y su solución está dada por

Rt
 Z t R  Z t R  
s s
µ ds − µ dv − µ dv
Xt = e 0 s C+ e 0 v asds + e 0 v bs dNs (4.56)
0 0

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

2. Caso σt 6≡ 0, ruido multiplicativo

El caso de la EDE Lineal general con ruido Poisson (4.54), con at = bt = 0, se
denomina caso homogéneo. Utilizando el PPH centrado Nt − λt, queda

dXt = µt Xt dt + σt Xt d(Nt − λt)

= (µt Xt − λσt )dt + σtXt dNt , t ∈ [0, T ] X0 = C. (4.58)

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)

Ejemplo 4.3.4. Un ejemplo de simulación de la solución Xt en (4.56) utilizando R está a

continuación. Los parámetros aparecen definidos en el código.

# -----Ejemplo EDE homogénea con PPH con Yuima

# https://rdrr.io/rforge/yuima/man/setPoisson.html
library(yuima)
12
https://personal.ntu.edu.sg/nprivault/indext.html
130

Terminal <- 400

samp <- setSampling(T=Terminal,n=10*Terminal)

mod.pph <- setPoisson(

intensity = "lambda", df = list("dconst(z,1)"))
#--------observar: dconst(z,1) es la densidad que
# toma el valor 1 con probabilidad 1
pph <- setYuima(model = mod.pph, sampling = samp)

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

Asumiendo Zt = r + δNt0 es ruido Poisson continuo, la ecuación queda

 
0 0 Yt
Yt = v r + δNt − (4.61)
V
 
dNt Yt
⇔ dYt = v r + δ − dt (4.62)
dt V
⇔ dYt = (v/V )(rV − Yt )dt + vδ dNt , (4.63)
Y0 = 0,

por lo que es un proceso OU centrado definido en (4.21), con ruido Poisson (Poisson-
driven OU process)

dXt = α(µ − Xt )dt + σdNt , t ≥ 0,

con parámetros α = v/V , σ = vδ, µ = rV , C = 0, y su solución está dada por (4.22)

Z t
−vt/V −vt/V −vt/V
Yt = Y0 e + rV (1 − e ) + vδe evu/V dNu
0
N
X t

= Y0 e−vt/V + rV (1 − e−vt/V ) + vδe−vt/V evTj /V

j=1
Nt
X
= rV + (Y0 − rV )e−vt/V + vδe−vt/V evTj /V
j=1

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)

mod3 <- setPoisson(intensity="lambda",

132

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))

4.4. Proceso Poisson Compuesto

4.4.1. Definición y propiedades

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,

P(Yt = 0) = P (Nt = 0) > 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

1. Es la base para el modelo de riesgo colectivo que se utiliza en la industria de los

seguros generales (automóviles, incendio, daños maquinaria, etc.).

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].

4.4.2. Algunas propiedades del PPC

1. Yt tiene incrementos independientes. Por ejemplo, si 0 < t < s, Yt y Ys − Yt son

independientes.

2. Yt tiene incrementos homogéneos, es decir, la variable Yt+h − Yt tiene una distribu-

ción que depende de h > 0 solamente.

3. La función generadora de momentos de Yt está dada por

Z
MYt (θ) = exp(tλ (eθy − 1)fZ (y)) (4.65)
R

4. La media y la varianza de Yt , colocando µz = E(Z)

E(Yt ) = λµz t (4.66)

V ar(Yt ) = λE(Z 2 )t. (4.67)

5. El PPC compensado se define como

Y t = Yt − λµz t. (4.68)

6. Como en el caso del PPH se define el lı́mite por la izquierda

Yt− = lı́m Ys .
s↑t

Como los saltos de Yt ocurren en los tiempos T1, T2, . . . se tiene que

YTj − YTj − = Zj , (4.69)

Yt − Yt− = 0, t 6= Tj . (4.70)

El diferencial dYt se puede definir como

dYt = Yt − Yt− = ZNt dNt , (4.71)

134

Se define la integral de una función g : (0, ∞) → R con respecto a Yt como

Z t Z t Nt
X
g(s)dYs = g(s)ZNs dNs = g(Tj )Zj (4.72)
0 0 j=1

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

Un ejemplo de simulación de la integral (4.72) con R, usando la librerı́a yuima

# -----Ejemplo integral g(t) con PPC con Yuima

library(yuima)
Terminal <- 40
samp <- setSampling(T=Terminal,n=12*Terminal)

mod.cpp <- setPoisson(

intensity = "lambda",
df = list("dnorm(z,mu,sigma)"))
cpp <- setYuima(model = mod.cpp, sampling = samp)
param <- list(lambda = 3, mu = 0, sigma = 2)
D <- simulate(cpp, xinit = 0,
true.parameter = param)

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

4.4.3. Ecuación diferencial estocástica con ruido PCC

La ecuación diferencial estocástica lineal (4.14) con ruido un proceso Yt ∼ P P C se define

como



dXt = at + µt Xt dt + bt + σtXt dYt t ∈ [0, T ] X0 = C. (4.75)

1. Caso σt ≡ 0, ruido aditivo La ecuación (4.75) con ruido un PPC compensado,

Yt − λµz t queda


dXt = at + µt Xt dt + bt d(Yt − λµz t),
= (at − λµz bt + µt Xt )dt + bt dYt , X0 = C, t ≥ 0, (4.76)
y su solución está dada por
Rt
 Z t R  Z t R  
s s
µ ds − µ dv − µ dv
Xt = e 0 s
C+ e 0 v
(as − λµz bs )ds + e 0 v
bs dYs
0 0

(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)

2. Caso σt 6≡ 0, ruido multiplicativo

El caso de la EDE Lineal general con ruido PCC (4.75), con at = bt = 0, se
denomina caso homogéneo. Con ruido un PPC compensado, Yt − λµz t queda
dXt = µt Xt dt + σt Xt d(Yt − λµz t)
= (µt − λµz σt )Xt dt + σt Xt dYt (4.80)
Tiene solución dada en Privault [2022, pag. 731, ec.20-31]
Z t YNt
Xt = X0 exp µs − λµz σs ds (1 + σTk Zk ) (4.81)
0 k=1

donde se asume que las Zk son no negativas y σt > 0, ∀t > 0.

136

Ejemplo 4.4.1. Suponga que µt = 0.1/(1+t)2 , el programa R siguiente simula el proceso

Poisson Nt , las variables Zk ∼ iid Exp(θ), y la solución Xt usando la parametrización
de la Exponencial en R que asume rate = θ y por tanto E(Zk ) = 1/θ. Igual, si λ es el
parámetro Poisson, los tiempos de entre-arribos son Tj − Tj−1 ∼ iidExp(λ) y se cumple
E(Tj − Tj−1 ) = 1/λ.

# Compound Poisson process is characterized by

# intensity and jump law.
# https://www2.math.kyushu-u.ac.jp/˜hiroki/R/yss2019_hm_demo.html

library(yuima)

Terminal <- 190

samp <- setSampling(T=Terminal,n=12*Terminal)

mod.cpp <- setPoisson(intensity = "lambda",

df = list("dexp(z,theta)"))

cpp <- setYuima(model = mod.cpp, sampling = samp)

lambda = 1/3
theta = 1/20
sigma = 0.02
S0 = 1

param <- list(lambda = lambda, theta = theta)

D <- simulate(cpp, xinit = 0,

true.parameter = param)

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’)

4.4.4. El Modelo de Riesgo Colectivo

Ver Privault [2022, Cap. 20, pag. 176]

Definición 4.4.1. El Modelo de Riesgo Colectivo se define como el proceso

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.

E(Xt ) = E(x + Ct − St ) = x + (C − λµ)t.

La interpretación de (4.82) es:

Superávit = Reservas + Ingresos - Gastos.

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.

4.4.5. Proceso de difusión con saltos

El modelo de difusión con saltos consiste en formar una ecuación diferencial estocástica
lineal con ruidos Wiener y Poisson compuesto.
138

Es un modelo utilizado en finanzas, conocido como modelo de Merton, quien lo introdujo

inicialmente, ver Merton [1976], Ball and Torous [1983], Ball and Torous [1985]. Una
aplicación a los precios de energı́a se introdujo en Kou [2002]. Un ejemplo de aplicación
con yuima a un modelo para precios del petróleo está en (13).
Para definir el proceso se retoma el modelo de EDE movimiento Browniano geométrico
(4.30)

dPt /Pt = µt dt + σtdWt , t ≥ 0,

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 ,

dPt /Pt = µt dt + ηt d(Yt − λµz t)

la sumar las dos últimas expresiones, dejando un solo término µt , se obtiene la EDEL para
un proceso difusión con saltos

dPt /Pt = µt dt + ηt d(Yt − λµz t) + σt dWt ,

= (µt − λµz )dt + ηt dYt + σt dWt ,
= (µt − λµz )dt + σt dWt + ηt ZNt dNt , t ≥ 0, (4.83)

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

El proceso Pt ası́ definido se denomina difusión con saltos.

La solución para la ecuación con ruido PCC compensado, en el caso multiplicativo, se
dió en (4.81); se re-escribe aquı́ cambiando σt por ηt para poder comparar con el MBG
Z t Y
Nt
Xt = X0 exp µs − λµz ηs ds (1 + ηTk Zk )
0 k=1

Y la del MBG se definió en (4.33), pag. 113

Z t  σs2 
Z t 
Yt = Y0 exp µs − ds + σs dWs .
0 2 0
13
https://rpubs.com/Rancy/636078
 139

Se puede observar que si se define el MBG con mut = 0 y Y0 = 1, y se define el proceso

Xt con X0 = P0 entonces el proceso de difusión con saltos en (4.84) se puede escribir
como el producto

Pt = Xt Yt

La implementación de la solución Pt en R es

# implementacion de difusion con saltos en yuima

# ver: https://storage.guidotti.dev/tutorial/yuima.html

library(yuima)

# model: jump diffusion

model <- setModel(drift = "mu*x",

diffusion="sigma",
jump.coeff = "1",
measure.type = "CP",
measure = list(
intensity = "lambda",
df = "dnorm(z, mu_jump, sigma_jump)" ),
solve.variable = "x")

# simulation scheme: 3 años x 365 dias

sampling <- setSampling(Initial = 0,
Terminal = 3, n = 3*365,delta=1/365)

# 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

lambda = 10, # value for the ’lambda’ parameter

mu_jump = 0, # value for the ’mu_jump’ parameter
eta_jump = 0.05 # value for the ’eta_jump’ parameter
))
# plot
par(mfrow=c(2,2))
Xt = D@data@original.data[,1]
Tj = index(D@data@original.data)
plot(Tj,Xt,type=’l’)

n = length(Xt)
rt = (Xt[2:n]-Xt[1:(n-1)])/Xt[1:(n-1)]
hist(rt,100)
ts.plot(rt)

4.5. Procesos con incrementos independientes

Definición 4.5.1. Un proceso (Zt , t ≥ 0) se dice que tiene incrementos independientes si

para cualesquier 0 ≤ t1 < . . . < tk , k ≥ 2 las variables:

Zt1 , Zt2 − Zt1 , Zt3 − Zt2 , . . . , Ztk − Ztk−1

son independientes. Y se dice que tiene incrementos estacionarios si la distribución del

incremento Ztk − Ztk−1 depende solamente de tk − tk−1 .

Una consecuencia simple de estas definiciones es

Proposición 4.5.1. Un proceso (Xn , n = 0, 1, . . .) es una Marcha Aleatoria si y solamente

si es un proceso con incrementos independientes y estacionarios.

Definición 4.5.2. Un proceso (Zt , t ≥ 0) se dice de Markov si para cualesquier 0 ≤ t1 <

. . . < tk , k ≥ 2 se cumple

P(Ztk ≤ y | Zt1 , Zt2 , . . . , Ztk−1 = x) = P(Ztk ≤ y | Ztk−1 = x)

Proposición 4.5.2. Cualquier proceso con incrementos independientes es Markov.

 141

Demostración.

P(Znk ≤ y|Z0 , Zn1 , Zn2 , . . . , Znk−1 = x) =

P(Znk − Znk−1 ≤ y − x|Z0 , Zn1 − Z0 , Zn2 − Zn1 , . . . , Znk−1 − Znk−2 ) =
P(Znk − Znk−1 ≤ y − x) =
P(Znk − Znk−1 ≤ y − x|Znk−1 − Z0 , Z0 ) =
P(Znk ≤ y|Znk−1 = x)

Proposición 4.5.3. Suponga una sucesión de variables aleatorias Zn ∼ iid(0, σ 2), n =

1, 2, . . ., con valores en R, y f : R × R → R una función de dos variables, continua. Se
define un proceso (Xn , n = 0, 1, . . .) mediante la ecuación recursiva

Xn = f(Xn−1 , Zn ), (4.85)

donde X0 es una variable aleatoria arbitraria, independiente de las Zn . Entonces (Xn )

es un proceso Markov.

Corolario 4.5.0.1. La Marcha Aleatoria (??) tiene incrementos independientes. Además

satisface la relación (4.85). Por tanto es un proceso Markov.

4.6. Procesos de Levy

Definición 4.6.1. Un proceso estocástico (Xt , t ≥ 0) tiene Incrementos Independientes

si para cualquier subconjunto finito {t0, . . . , tn } ⊆ [0, +∞) con 0 ≤ t0 < t1 < . . . < tn
los incrementos Xt0 , Xt1 − Xt0 , Xt2 − Xt1 , . . . , Xtn − Xtn−1 son v.a. independientes.

Observación Si el conjunto de ı́ndices es discreto, digamos T = {0, 1, 2, . . .} entonces

un proceso con incrementos independientes es simplemente una sucesión de v.a. indepen-
dientes Z0 = X0 ; Z1 = X1 − X0 ; . . . , Zn = Xn − Xn−1 , . . . con n = 1, 2, . . .

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

Xt2 +h − Xt1 +h = Xt2 − Xt1 , ∀t1 < t2 , h > 0. (4.86)

142

Ejemplo 4.6.1. No todo proceso de Markov tiene incrementos independientes. Un ejemplo

de un proceso Markov con incrementos independientes es el proceso Poisson Compuesto,
P t
St = N j=1 Xj , con Nt proceso Poisson y (Xj , j = 1, 2, . . .) una sucesión de variables
iid, no negativas, independientes de Nt . Concretamente, St es Markov, tiene incrementos
independientes y si el proceso Nt es Poisson homogéneo, tiene incrementos estacionarios.

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.

(iii) Para 0 ≤ s ≤ t, Xt − Xs tiene la misma distribución de Xt−s .

(iv) Para 0 ≤ s ≤ t, Xt − Xs es independiente de Xu : u ≤ s.

4.7. Problemas

1. Suponga un cuerpo con temperatura Xt en el tiempo t ≥ 0. El cuerpo está en un

medio con temperatura variable dada por la función Tt. La relación entre Xt y Tt se
expresa mediante la ecuación diferencial siguiente (ley de enfriamiento de Newton)

Xt0 = −k(Xt − Tt), t ≥ 0, (4.87)

donde k > 0 es una constante dada, relacionada con la conductividad termal del
cuerpo.

a) Transforme la ecuación (4.87) en una ecuación diferencial estocástica cam-

biando kTt por kµ+σYt0 , donde Yt0 es un tipo de ruido blanco continuo. Escriba
la EDEL resultante y resuélva.
b) Simule varias trayectorias de Xt . Reporte las gráficas. Comente el resultado:
es estacionario en covarianza?, tiende a un estado estacionario?
 143

c) Encuentre E(Xt ) y lı́mt→∞ E(Xt ), en caso de que existan fórmulas. Si no hay

fórmulas, cómo se podrı́a usar las trayectorias para obtener algún resultado?.
Interprete los resultados.

2. La alimentación intravenosa con glucosa es una técnica médica importante. Se

define Xt como la cantidad de glucosa presente en la sangre de un paciente en el
tiempo t. Se supone que la glucosa se suministra al sistema sanguı́neo a una tasa
constante de k gramos por minuto y que al mismo tiempo la glucosa se transforma
a una tasa α > 0 proporcional a la cantidad de glucosa presente. La función Xt
satisface entonces la ecuación diferencial de primer orden:

Xt0 = k − αXt , t ≥ 0, X0 = c (4.88)

a) Transforme la ecuación (4.88) en una ecuación diferencial estocástica cam-

biando la constante k > 0 por k + Yt0 , donde Yt0 es un tipo de ruido blanco
continuo. Escriba la EDEL resultante y su solución.
b) Simule varias trayectorias de Xt . Reporte las gráficas. Comente el resultado:
es estacionario en covarianza?, tiende a un estado estacionario?
c) Encuentre E(Xt ) y lı́mt→∞ E(Xt ), en caso de que existan fórmulas. Si no hay
fórmulas, cómo se podrı́a usar las trayectorias para obtener algún resultado?.
Interprete los resultados.

3. Un cuarto contiene V m3 de aire, libre de CO2, en t = 0. En ese momento se

introduce aire a una velocidad v m3/min, con una concentración r de CO2. Se
supone que el aire ingresa al cuarto, se circula y vuelve a salir a la misma velocidad.
Denotemos por Xt la cantidad de CO2 en el cuarto, en el tiempo t, medida en m3 de
CO2 , de tal forma que Xt /V tiene las mismas unidades de r. La ecuación diferencial
para Xt es:

Xt0 = v(r − Xt /V ), t ≥ 0 (4.89)

X0 = 0

a) Transforme la ecuación (4.89) en una ecuación diferencial estocástica cam-

biando r por r + σYt0 , donde Yt0 es un tipo de ruido blanco continuo. Escriba
la EDEL resultante y resuélva.
b) Simule varias trayectorias de Xt . Reporte las gráficas. Comente el resultado:
es estacionario en covarianza?, tiende a un estado estacionario?
144

Use parámetros por ejemplo, r = 4, σ = 1.3, v = 0.25 y V = 30 indicarı́a

que está ingresando aire, el cual contiene en promedio 4 % de CO2 por m3,
con desviación estándar 1.3 %, a un cuarto de 30m3 , a una velocidad de
0.25m3 /min.
c) Encuentre E(Xt ) y lı́mt→∞ E(Xt ), en caso de que existan fórmulas. Si no hay
fórmulas, cómo se podrı́a usar las trayectorias para obtener algún resultado?.
Interprete los resultados.

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)

En el contexto del sistema pensional de la Ley 100/92, el retiro programado es

una de las modalidades establecidas para el sistema de ahorro individual RAIS. El
 145

sistema lo administran las administradoras de fondos de pensiones. En este caso la

adminstradora adquiere una deuda con el pensionado a quien le paga las cantidades
Xt /āx+t en el tiempo t.

a) Transforme la ecuación (4.90) en una ecuación diferencial estocástica cam-

biando r por r + σYt0 , donde Yt0 es un tipo de ruido blanco continuo. Escriba
la EDEL resultante y resuélva.
b) Simule varias trayectorias de Xt . Reporte las gráficas. Comente el resultado:
es estacionario en covarianza?, tiende a un estado estacionario?
c) Encuentre E(Xt ) y lı́mt→∞ E(Xt ), en caso de que existan fórmulas. Si no hay
fórmulas, cómo se podrı́a usar las trayectorias para obtener algún resultado?.
Interprete los resultados.

5. En el artı́culo de Ferrante [2000] se estudia un modelo para la evolución del tamaño

Xt de un tumor canceroso. Este modelo es una versión estocástica de la ecuación
de Gompertz que se puede consultar en el texto de Braun [1986]. El modelo es-
tocástico propuesto es utilizado para medir la sensibilidad al tratamiento con drogas
denominadas anti-angiogénicas, que detienen el crecimiento del tumor impidiendo
que éste extraiga oxı́geno y nutrientes del tejido circundante. El modelo está dado
por la ecuación no lineal siguiente:

dXt = Xt (a − b ln(Xt ))dt + σXtdWt , t ≥ 0, X0 = xo (4.92)

Resuelva esta ecuación definiendo la transformación: Yt = ln(Xt ) y luego utilizando

el lema de Ito para obtener una ecuación lineal para el proceso Yt . Obtenga la
expresión para Xt . Encuentre E(Xt ) y V ar(Xt ). Qué tipo de proceso es Xt ?.

6. Considere una partı́cula de masa unidad suspendida en un lı́quido y suponga que,

debido al lı́quido, existe una fuerza viscosa que retarda la velocidad de la partı́cula
a una tasa proporcional a la velocidad Vt0 = −βVt. Suponga que adicionalmente
la velocidad cambia de acuerdo a un múltiplo constante de la derivada del proceso
Yt , Yt0 . Entonces
Vt0 = −βVt + αYt0 (4.93)

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

7. En matemáticas financieras se define la tasa continua de interés como la función

µ(t) tal que $1.00 colocado a la tasa µ(t) en el perı́odo [0, t] se convierte en:
Rt
exp( 0 µ(s)ds). La anterior expresion se denomina el factor de capitalización hasta
t. Supongamos que µ(t) se modela mediante un proceso Xt definido por la ecuación
diferencial estocástica:

dXt = α(b − Xt )dt + σdWt (4.94)

Este modelo se conoce en economı́a y finanzas como el modelo de Vasicek, ver

Vasicek [1977]. En los problemas siguientes se desarrollan algunas propiedades y
ejemplos de aplicación de este modelo.

a) Si 0 < s < t compruebe la identidad:

Z t
−α(t−s) −α(t−s) −αt
Xt = Xs e + b(1 − e ) + σe eαu dWu
s

b) Compruebe que si 0 < s < t entonces Xt |Xs = x ∼ N(µV , σV2 ), donde

σ2
µV = xe−α(t−s) + b(1 − e−αt ) y σV2 = 2α (1 − e−2α(t−s))
c) Como el proceso Xt es gaussiano entonces también se cumple:
Z t
(Xu |Xs = x)du ∼ N(µ(s, t, x), σ 2(s, t, x))
s
Rt
donde µ(s, t, x) = E( s (Xu |Xs = x)du). Compruebe que
x−b
µ(s, t, x) = b(t − s) + (1 − e−α(t−s) )
α
d) Defina la covarianza condicional como:

cov(Xu , Xv |Xs = x) = E [(Xu − E(Xu |Xs = x))(Xv − E(Xv |Xs = x))]

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

e) El factor de capitalización esperado, en el perı́odo [s, t], se define como

Rt
C(s, t, x) = E(e s (Xu |Xs =x)du )

encuentre esta función. Este factor permite estimar el rendimiento de una

inversión en un fondo con tasa de rendimientos aleatoria, en el perı́odo [s, t].

8. Considere la ecuación lineal:

dXt = (3 + t)−2 dt + e−tdWt , X0 = 0, (4.95)

a) Resuelva la ecuación anterior.

b) Encuentre la distribución de Xt .
c) Encuentre la distribución condicional de Xt dado Xs = x, 0 < s < t
d) Encuentre la función de autocorrelación: Corr(Xt , Xt+h ).

9. Considere la ecuación lineal:

 
1
dXt = − aXt dt + b dWt , t ≥ 0 (4.96)
b + ceat

donde a, b, c > 0 y X0 = x0 ∈ R es una constante.

a) Encuentre E(Xt ) y lı́mt→∞ E(Xt ).

b) Encuentre Cov(Xt , Xt+h ) y lı́mt→∞ Cov(Xt, Xt+h ). Compruebe que este
lı́mite es una función para de h.
c) Clasifique el proceso Xt : gaussiano, markov, estacionario.
d) Encuentre distribución condicional de Xt dado Xs , 0 < s < t.