Aportaciones Matematicas Serie Comunicaciones 35 (2005) 265283 Art culo de Exposicin o

CONSTRUYENDO LA INTEGRAL ESTOCASTICA DE ITO

LUIS RINCON Resumen. Se presenta de una forma sencilla y breve el concepto de integral estocstica de It respecto del movimiento Browniano. Con ello se ilustra adems a o a la nocin de ecuacin diferencial estocstica mediante algunos ejemplos. o o a

Es cada vez ms comn hablar de modelos basados en ecuaciones diferenciales a u estocsticas en los ultimos cursos de algunas carreras de ciencias. Nuestro objetivo a en este trabajo es presentar de una forma sencilla y compacta el concepto de integral de It respecto del movimiento Browniano y con ello ilustrar el concepto de ecuacin o o estocstica. a El plan de trabajo es el siguiente. Empezaremos recordando algunas ideas bsicas a de probabilidad y procesos estocsticos, particularmente mencionaremos algunas proa piedades del movimiento Browniano. Deniremos despus la integral de It respecto e o de este proceso en una serie de extensiones sucesivas, y nalmente mostraremos el concepto de ecuacin estocstica. o a 1. Probabilidad y procesos estocasticos

El modelo matemtico bsico de la teor de la probabilidad es el espacio de proa a a babilidad, que consta de una terna ordenada (, F, P ) en donde es un conjunto arbitrario que convenientemente puede ser interpretado como el conjunto de todos los posibles resultados de un experimento aleatorio. Al conjunto se le llama espacio muestral, y a un elemento t pico de se le denota por . El segundo elemento es una coleccin no vac F de subconjuntos de , llamada -lgebra, que es cerrada o a a bajo las operaciones de tomar complementos y uniones numerables. A los elementos de F, subconjuntos de , se les llama eventos o conjuntos medibles. Finalmente el tercer elemento es una funcin P : F [0, 1], llamada medida de probabilidad, que o cumple los siguientes axiomas (Kolmogorov, 1933): P () = 1 y es -aditiva, es decir, si A1 , A2 , . . . es una sucesin de eventos, disjuntos dos a dos, entonces o

P(
n=1

An ) =
n=1 265

P (An ).

266

LUIS RINCON

Figura 1. Andrey Nikolaevich Kolmogorov (Rusia, 1903-1987). Fuente: Archivo MacTutor, St. Andrews. Las leyes del azar estn representadas por las distintas medidas de probabilidad exisa tentes. El nmero P (A) es una medida de la frecuencia con la que se observa el evento u A cuando se realiza el experimento aleatorio. Todo lo que se mencione en el resto de este trabajo tiene como estructura base un espacio de probabilidad (, F, P ). A la pareja (, F) se le llama espacio medible. En particular, si B(R) denota la -lgebra a ms pequea que contiene a todos los intervalos abiertos de R, entonces se tiene el esa n pacio medible (R, B(R)). A los elementos de la -lgebra B(R) se les llama Borelianos a o conjuntos Borel medibles. Ahora podemos recordar el concepto ubicuo de variable aleatoria. Una v.a. es una funcin X : R que transforma a los elementos de en nmeros reales y es tal o u que para cualquier B B(R), el conjunto X 1 B = { : X() B} es un elemento de F. En este caso tambin se dice que X es una funcin medible entre e o los espacios medibles (, F) y (R, B(R)), o simplemente que es F-medible. Mediante una de estas funciones uno puede pensar que el azar no escoge elementos de como resultados del experimento aleatorio, sino nmeros reales. Las operaciones bsicas de u a suma, diferencia, producto y cociente (cuando existe) de v.a.s producen v.a.s. Procesos l mite de v.a.s (cuando existen) resultan tambin ser v.a.s. e El espacio medible (R, B(R)) puede convertirse en un espacio de probabilidad con la ayuda de una variable aleatoria X de la siguiente manera. Para cada B B(R) se dene PX (B) = P (X 1 B). La funcin PX resulta ser una medida de probabilidad o sobre B(R). Se le llama la distribucin de X, y encierra en ella toda la informacin o o probabil stica de X. Equivalentemente se estudia la funcin F (x) : R [0, 1] dada o por F (x) = P (X x) y llamada funcin de distribucin. Por ejemplo, la variable X o o tiene una distribucin normal o gausiana con parmetros y 2 > 0 si su funcin de o a o

 CONSTRUYENDO LA INTEGRAL ESTOCASTICA DE ITO

267

distribucin es o F (x) =

du. 2 2 En este caso se dice que X tiene distribucin N(, 2 ). De particular importancia es el o concepto de esperanza de una variable aleatoria o ms generalmente de una funcin de a o una variable aleatoria. Si g es una funcin real de variable real tal que la composicin o o g(X) es una variable aleatoria, entonces se dene la esperanza de g(X) como sigue

e(u)

/2 2

E(g(X)) =

g(x)dF (x),

en donde F (x) es la funcin de distribucin de X y la integral involucrada es una o o integral de Riemann-Stieltjes sobre la cual se asume su existencia. En particular, cuando g(x) = x se obtiene la esperanza de X denotada por E(X) y cuando g(x) = (x E(X))2 entonces se obtiene la varianza de X denotada por Var(X). Para la distribucin normal mencionada antes puede demostrarse que E(X) = y Var(X) = o 2 . Ms generalmente, la esperanza condicional de una variable aleatoria integrable X, a dada una sub--lgebra G F, es una variable aleatoria, denotada usualmente por a E(X|G), que es integrable, G-medible y satisface la igualdad E(X|G)dP =
G G

XdP,

para cualquier G G. Estas tres propiedades caracterizan de manera unica (en el sentido casi seguro) a la esperanza condicional. Particularmente haremos uso de las siguientes propiedades. Si X es G-medible entonces X mismo cumple con la denicin o de esperanza condicional y por lo tanto E(X|G) = X. Por otro lado tambin usaremos e el hecho de que si X es independiente de G entonces la esperanza condicional E(X|G) es la constante E(X). El siguiente concepto de nuestro inters es el de proceso estocstico. Un proceso e a estocstico es una coleccin de variables aleatorias {Xt : t T} parametrizada por a o un conjunto T, usualmente interpretado como un conjunto de tiempos y llamado naturalmente espacio parametral. Se dice que el proceso es a tiempo discreto en caso de que el conjunto de ndices T sea un conjunto discreto, por ejemplo T = {0, 1, 2, . . .}. En este caso el proceso consiste de una sucesin de variables aleatorias. En cambio o se dice que el proceso es a tiempo continuo cuando T consiste de un subintervalo de R, por ejemplo T = (a, b). En lo sucesivo consideraremos procesos en donde las v.a.s toman valores en R y el espacio parametral T es el intervalo [0, ). Un proceso estocstico es entonces una funcin de dos variables a o X : [0, ) R tal que para cada t 0, la funcin Xt () es una variable aleatoria, mientras que o para cada en , la funcin t Xt () es una trayectoria del proceso. En principio o

268

LUIS RINCON

no hay ninguna condicin sobre estas trayectorias, pueden ser continuas o no serlo, o aunque una hiptesis comn es suponer trayectorias c`dl`g, es decir, continuas por la o u a a derecha con l mite por la izquierda. Por simplicidad denotaremos un proceso por Xt anteponiendo tal adjetivo para evitar confusiones. Revisamos a continuacin algunos o conceptos tcnicos generales relativos a procesos estocsticos. e a Una familia (Ft )t0 de -lgebras es una ltracin si para 0 s t, se cumple a o Fs Ft F. Al espacio (, F, P, (Ft )t0 ) se le llama espacio de probabilidad ltrado. Cuando Xt es Ft -medible para cada t 0 entonces se dice que el proceso es adaptado a la ltracin. Todo proceso estocstico Xt determina una ltracin natural dada por o a o Ft = {Xs : 0 s t}. Claramente todo proceso es adaptado a su ltracin natural. o En este caso a la -lgebra Ft se le interpreta como la historia del proceso al tiempo a t, pues en ella se encuentran todos los posibles eventos o sucesos que el proceso haya tenido hasta ese momento. Adicionalmente se dice que una ltracin es continua por o la derecha cuando Ft+ = s>t Fs coincide con Ft . Es de utilidad tambin conocer alguna nocin de igualdad entre procesos estocstie o a cos. Dos procesos Xt y Yt son equivalentes, o tambin se dice que uno es una versin e o (o modicacin) del otro, si para cada t 0 se cumple P (Xt = Yt ) = 1. Un tipo de o igualdad ms fuerte establece que los procesos son indistinguibles si a P (Xt = Yt para cada t 0) = 1. Esto signica que con probabilidad uno las trayectorias de los dos procesos son idntie cas. Claramente la indistinguibilidad es ms fuerte que la equivalencia. Sin embargo, a cuando los procesos son continuos, es decir, cuando sus trayectorias son funciones continuas del parmetro, ambas nociones de igualdad coinciden. a Una caracter stica importante que cumplen algunos procesos es la de tener incrementos independientes. Esta propiedad, que usaremos ms adelante, puede escribirse a de la siguiente forma. Para cualesquiera tiempos t0 < t1 < < tn , las variables incremento Xt1 Xt0 , . . . , Xtn Xtn1 son independientes, es decir, la funcin de o distribucin conjunta de todas ellas coincide con el producto de las funciones de diso tribucin individuales. Finalmente, para concluir esta breve seccin mencionaremos a o o continuacin dos tipos de procesos de conocida relevancia. o Un proceso estocstico Xt es de Markov (Markov, 1906) si para cada 0 s t y a A B(R), con probabilidad uno se cumple P (Xt A|Fs ) = P (Xt A|Xs ). Esta igualdad establece que el estado del proceso al tiempo futuro t > s es independiente del pasado (tiempos antes de s) dado el estado del proceso al tiempo presente s 0. Esta propiedad es equivalente a la que exhiben los sistemas dinmicos detera ministas, cuya evolucin queda perfectamente determinada una vez que se establece la o ley de movimiento y un estado inicial del sistema, no inuyendo lo sucedido antes del estado inicial. Un proceso de Markov determina por tanto una funcin de probabilidad o

 CONSTRUYENDO LA INTEGRAL ESTOCASTICA DE ITO

269

de transicin dada por o p(s, x, t, A) = P (Xt A|Xs = x), en donde 0 s t, x R y A B(R). Esta funcin de cuatro variables proporciona la o probabilidad de que el proceso se encuentre en A al tiempo t dado que se encontr en o el estado x en un tiempo anterior s. Inversamente, dada una funcin de transicin de o o esta forma (junto con algunas hiptesis adicionales) y una distribucin de probabilidad o o inicial, es posible construir un proceso de Markov cuya funcin de transicin es la dada. o o Otro ejemplo de proceso estocstico de inters es aquel conocido con el nombre de a e martingala. Un proceso Xt es una martingala (Lvy) si es adaptado, integrable y para e 0 s t, con probabilidad uno se cumple (1) E(Xt |Fs ) = Xs . Las martingalas son procesos que estn relacionados con los juegos justos. Si X t rea presenta la fortuna de un jugador que apuesta continuamente entonces la igualdad anterior se interpreta del siguiente modo. En promedio la fortuna del jugador al tiempo t dada toda la historia del juego hasta el tiempo s t es la fortuna del jugador al tiempo s, es decir, el juego es justo pues el jugador en promedio no pierde ni gana. Cuando en lugar de (1) se cumple E(Xt |Fs ) Xs se dice el proceso es una supermartingala (juego desfavorable al jugador pues en promedio su fortuna disminuye). En caso de la desigualdad contraria el proceso es una submartingala (juego favorable al jugador). El clsico libro de Karlin y Taylor [8] constituye una excelente referencia general a sobre el tema de los procesos estocsticos. En la siguiente seccin estudiaremos muy a o brevemente el proceso estocstico de trayectorias continuas que posiblemente pueda a considerarse de mayor importancia. 2. Movimiento Browniano

El fenmeno natural conocido ahora como movimiento Browniano tiene una larga o e interesante historia. El primer registro, aunque no as la primera observacin del o fenmeno, data de 1828 (vase [1]) cuando el botnico Robert Brown report en una o e a o revista cient ca que granos de polen suspendidos en una cierta substancia y vistos a travs de un microscopio, realizaban un movimiento irregular e inexplicable. Este e extrao movimiento fue objeto de muchas discusiones, y muy diversas hiptesis fueron n o formuladas en ese entonces con la intencin de dar una explicacin al fenmeno obsero o o vado. Hoy en d este movimiento es entendido y explicado a travs de las mltiples a e u colisiones aleatorias de las molculas del l e quido con los granos de polen. Llegar a tal aseveracin tom muchos aos pues debi aceptarse la teor cintico molecular o o n o a e de la materia, y el seminal trabajo de Einstein de 1905 sobre el movimiento Browniano [4] contribuy decididamente a tal tarea. Las observaciones reales y directas o del movimiento de los granos de polen u otras part culas sugieren que el fenmeno o

270

LUIS RINCON

satisface las siguientes propiedades: (a) El movimiento es continuo. (b) Parece tener desplazamientos independientes en intervalos de tiempo disjuntos. (c) Debido al gran nmero de colisiones del grano de polen con las molculas circundantes en lonu e gitudes de tiempo no pequeos, y teniendo en cuenta el teorema del l n mite central, los incrementos pueden modelarse como variables aleatorias gausianas. La estructura matemtica de un proceso estocstico, es decir una coleccin de a a o variables aleatorias {Bt : t 0}, ha resultado exitosa para modelar este tipo de fenmenos. La variable Bt puede entonces interpretarse como la posicin de una o o part cula Browniana al tiempo t. La denicin matemtica, en el caso unidimensional, o a es la siguiente. Denicin 2.1. Un movimiento Browniano estndar unidimensional es un proceso o a estocstico {Bt : t 0} tal que a 1. 2. 3. 4. B0 = 0 casi seguramente. Las trayectorias t Bt son continuas. El proceso tiene incrementos independientes. La variable Bt Bs tiene distribucin N (0, t s) para 0 s < t. o

Las condiciones que aparecen en esta denicin son consecuencia directa de las o observaciones del fenmeno f o sico, pero ello no garantiza que tal objeto matemtico a exista. En 1923 el matemtico norteamericano Norbert Wiener demostr la existencia a o de un proceso con tales condiciones. Es por esta razn que a menudo a este proceso o tambin se le llama proceso de Wiener y se le denota tambin por {Wt : t 0}. e e En sentido estricto el movimiento Browniano es el fenmeno f o sico mientras que su modelo matemtico es el proceso de Wiener, aunque es comn llamar a ambas cosas a u por el mismo nombre: movimiento Browniano.

Figura 2. Norbert Wiener (Estados Unidos, 1894-1964). Fuente: Archivo MacTutor, St. Andrews.

 CONSTRUYENDO LA INTEGRAL ESTOCASTICA DE ITO

271

Se tiene entonces que cada variable aleatoria Bt tiene distribucin N (0, t) y por lo o 2 tanto E(Bt ) = 0 y Var(Bt ) = E(Bt ) = t. En particular para 0 s < t se cumple E|Bt Bs |2 = t s.

Figura 3. Una trayectoria Browniana. El movimiento Browniano f sico se presenta en tres dimensiones y es completamente errtico. En la Figura 3 puede apreciarse una posible trayectoria Browniana cuando a sta se proyecta sobre una de sus coordenadas. Este movimiento tiene muchas proe piedades y conexiones con otras ramas de las matemticas, por ejemplo es un proceso a de Markov y es tambin una martingala continua. Es interesante tambin mencionar e e que casi todas sus trayectorias son no diferenciables en ningn punto, las trayectorias u Brownianas son entonces ejemplos de funciones, otrora consideradas extraas, que son n continuas pero no diferenciables en ningn punto. Tambin puede demostrarse que u e sobre un intervalo de tiempo nito [a, b], casi todas las trayectorias tienen variacin o no acotada. Esto es,
n1

sup
i=1

|Bti+1 Bti | = ,

en donde es una particin a = t0 < t1 < < tn = b del intervalo [a, b]. Eso ta propiedad es particularmente importante en el presente trabajo pues tiene como consecuencia el hecho de que no se pueden usar las trayectorias Brownianas como integradores en el sentido de Riemann-Stieltjes. Por otro lado puede demostrarse que la variacin cuadrtica sobre [a, b] es o a

272

LUIS RINCON

n1

sup
i=1

|Bti+1 Bti |2 = b a.

Otro de los muchos resultados interesantes del movimiento Browniano es el teorema de caracterizacin de Paul Lvy que establece que un proceso cualquiera {X t : t 0} o e es un movimiento Browniano si y slo si tiene trayectorias continuas, empieza en o 2 cero, y tanto {Xt : t 0} como {Xt t : t 0} son martingalas. A travs de e este resultado o directamente de la denicin, puede demostrarse que los siguientes o procesos son versiones del movimiento Browniano: a) Xt = 1 Bc2 t con c > 0 constante, c b) Xt = tX1/t para t > 0, con X0 = 0, c) Xt = Bt+s Bs con s 0 jo. El lector interesado puede encontrar una muy interesante y motivadora exposicin o histrica sobre el descubrimiento del movimiento Browniano en el excelente libro de o Edward Nelson [12], ahora disponible en la red en formato electrnico en la pgina o a web del autor. Para una primera introduccin a algunos aspectos matemticos del o a movimiento Browniano puede consultarse por ejemplo [8].

3.

Integracion estocastica

Esta seccin es la parte central de nuestro trabajo y la intencin es denir la o o integral de It de un proceso estocstico {Xt : 0 t T } respecto del movimiento o a Browniano, es decir, una integral de la forma
T

(2)
0

Xt dBt .

Llevar a cabo tal tarea nos conducir a enunciar sin demostracin algunos resultados a o tcnicos pero los esfuerzos tendrn su recompensa hacia el nal del trabajo en donde e a haremos necesariamente uso de este tipo de integrales. Igualmente la justicacin para o desear denir integrales de la forma (2) se volver evidente ms adelante. Se dene (2) a a en varios pasos. Primero para procesos simples y despus, por aproximacin, para e o procesos ms generales. Consideraremos entonces como elementos iniciales un espacio a de probabilidad (, F, P ) y un movimiento Browniano estndar unidimensional {Bt : a t 0} junto con su ltracin natural (Ft )t0 . Asumiremos que el proceso {Xt : 0 o t T } visto como funcin X : [0, T ] R es FT B[0, T ]-medible, y es adems o a adaptado, es decir, para cada t en [0, T ], la funcin Xt : R es Ft -medible. o Denotaremos por L2 (P ) al espacio vectorial de variables aleatorias X que son cuadrado integrables, es decir, que cumplen la condicin o ||X||L2 (P ) = (E|X|2 )1/2 < .

 CONSTRUYENDO LA INTEGRAL ESTOCASTICA DE ITO

273

La funcin X ||X||L2 (P ) dene una norma1 en L2 (P ) y este espacio es completo o respecto de esta norma, es decir, es una espacio de Banach. Esto quiere decir que toda sucesin de Cauchy en este espacio tiene l o mite en l. e En lo que resta del trabajo consideraremos procesos con espacio parametral el intervalo [0, T ] con T > 0 jo. Tambin denotaremos por L2 (P dt) al espacio de e Banach de procesos {Xt : 0 t T } que cumplen la condicin o
T

||X||L2 (P dt) = (E

|Xt |2 dt)1/2 < .

Paso 1: Integral para procesos simples. Sea 0 = t0 < t1 < < tn1 < tn = T una particin nita del intervalo [0, T ]. Un proceso estocstico simple es un proceso o a de la forma
n1

Xt =
k=0

X k 1[tk ,tk+1 ) (t),

en donde X k es una variable aleatoria Ftk -medible y cuadrado integrable. La expresin 1[a,b) (t) corresponde a la funcin indicadora del intervalo [a, b). Un proceso o o simple es entonces un proceso constante por pedazos con trayectorias c`dl`g, y a a las condiciones solicitadas garantizan que el proceso es adaptado y tiene trayectorias 2 cuadrado integrables. Denotaremos por H0 al espacio vectorial de todos los procesos estocsticos simples. La integral estocstica de It de un proceso simple X respecto a a o del movimiento Browniano, denotada por I(X), se dene entonces naturalmente como la variable aleatoria
n1

I(X) =
k=0

X k (Btk+1 Btk ) =

Xs dBs .
0

Observe que esta integral es una variable aleatoria integrable pues es evidente que su esperanza es cero. Adems es cuadrado integrable y cumple la siguiente igualdad a fundamental llamada isometra de It, o (3) ||I(X)||L2 (P ) = ||X||L2 (P dt) .

1Una norma es una funcin real denotada regularmente por || || y denida sobre un espacio lineal o

que cumple: ||x|| 0, ||x|| = 0 x = 0, ||x + y|| ||x|| + ||y|| y ||x|| = ||||x||.

274

LUIS RINCON

En efecto, si Bk denota la diferencia Btk+1 Btk , y tk = tk+1 tk entonces

n1

||I(X)||2 2 (P ) L

= E(|
k=0 n1

X k (Btk+1 Btk )|2 ) X j X k Bj Bk )

= E(
j,k=0 n1

= E(
k=0 n1

(X k )2 (Bk )2 ) E(X k )2 tk

=
k=0

= E( =

|Xt |2 dt) 0 ||X||2 2 (P dt) . L

Hemos usado el hecho de que Xk es Ftk -medible y teniendo el movimiento Browniano incrementos independientes, las variables Xk y Bk resultan ser independientes. Esta igualdad juega un papel primordial en la denicin de integral estocstica como se o a ver ms adelante. La integral estocstica asigna entonces a cada elemento del espacio a a a 2 H0 una variable aleatoria dentro del espacio L2 (P ). De esta forma se tiene el mapeo 2 lineal I : H0 L2 (P ), que resulta ser continuo por la isometr de It. a o Paso 2: Extensin por aproximacin. Ahora extendemos la integral estocstica o o a a procesos un poco ms generales. Sea H2 el espacio de todos los procesos {Xt : 0 a t T } medibles y adaptados tales que
T

E(
0

|Xt |2 dt) < .

El espacio H2 resulta ser un subespacio lineal cerrado de L2 (P dt). Observe que la unica diferencia entre estos dos espacios es que a los elementos de H 2 se les pide que sean medibles y adaptados. Claramente todo proceso simple es un elemento de H 2 . 2 Tenemos entonces la contencin de espacios H0 H2 L2 (P dt), en donde puede o 2 2 probarse que H0 es denso en H respecto de la norma en L2 (P dt). Esto signica 2 que para cualquier proceso X en H2 existe un sucesin de procesos X k en H0 tales o que (4)
k

l ||X X k ||L2 (P dt) = 0. m

Este procedimiento de aproximacin puede llevarse a cabo de la siguiente forma. o Mediante la tcnica de truncacin todo proceso en H 2 puede ser aproximado por un e o proceso acotado. A su vez todo proceso en H 2 que es acotado se puede aproximar por

 CONSTRUYENDO LA INTEGRAL ESTOCASTICA DE ITO

275

procesos acotados y continuos. Y stos a su vez se aproximan por procesos simples de e la forma
n j=0

Xtj 1[tj ,ttj+1 ) (t),

en donde 0 = t0 < t1 < < tn1 < tn = T una particin nita de [0, T ]. Los o detalles completos de esta sucesin de aproximaciones pueden encontrarse en [13]. o Por la isometr de It, la sucesin I(X k ) es una sucesin de Cauchy en el espacio a o o o L2 (P ) pues ||I(X k ) I(X l )||L2 (P ) = ||I(X k X l )||L2 (P ) = ||X k X l ||L2 (P dt)

||X X k ||L2 (P dt) + ||X X l ||L2 (P dt) .

Debido a (4) la ultima expresin puede hacerse tan pequea como se desee tomando o n ndices k y l sucientemente grandes. Entonces de manera natural se dene, para cada X en H2 , I(X) = l I(X k ), m
k

en donde el l mite debe entenderse dentro del espacio L2 (P ). Esto signica que la variable aleatoria I(X) es un elemento de L2 (P ) y es tal que l n ||I(X) m I(X k )||L2 (P ) = 0. No es dif vericar que tal denicin es correcta en el sentido cil o de que el l mite no depende de la sucesin aproximante. La isometr de It y la o a o 2 propiedad de esperanza nula se cumplen tambin para procesos en H . De esta forma e tenemos ahora el mapeo lineal y continuo I : H2 L2 (P ). Paso 3: La integral como un proceso. Hagamos ahora una pequea extensin. n o Para cada t en [0, T ] y para X en H2 se dene
T t

It (X) =
0

Xs 1[0,t] (s)dBs =

Xs dBs .
0

Esto permite ver a la integral estocstica no como una variable aleatoria sino como a un proceso. Es claro que tal proceso no es necesariamente continuo sin embargo puede demostrarse que existe una versin continua de l, y que esa versin es una martingala o e o respecto de la ltracin natural del movimiento Browniano. Denotaremos por el mismo o s mbolo a tal martingala continua. Paso 4: Extensin por localizacin. Mediante un procedimiento llamado de o o localizacin es posible extender la denicin de integral de It a procesos medibles y o o o adaptados que cumplen la condicin ms relajada o a
T

P(
0

|Xt |2 dt < ) = 1.

Denotaremos por L2 el espacio de todos estos procesos. Este procedimiento de loloc calizacin hace uso de tiempos de paro. Los tiempos de paro relativos a una ltracin o o

276

LUIS RINCON

(Ft )t0 son variables aleatorias : [0, ] tales que para cada t 0, el evento ( t) pertenece a Ft . Cuando la ltracin es continua por la derecha, la condicin o o 2 2 anterior es equivalente a ( t) Ft . El nuevo espacio Lloc contiene a H y es tal que para cada proceso X en L2 existe una sucesin creciente de tiempos de paro o loc {n : n 1} tal que Xt 1(n t) H2 en donde n T cuando n crece a innito. Se dene entonces la integral estocstica a
t T

Xs dBs = l m
0

Xs 1[0,t] (s) 1(n t) ()dBs .

Nuevamente es posible demostrar que tal l mite existe, que existe una versin continua o de tal l mite, y que es independiente de la sucesin de tiempos de paro localizante. o En este caso la integral ya no es una martingala sino una martingala local, es decir, el proceso Itn (X) es una martingala para cada natural n. En particular, para cualquier funcin continua f el proceso {f (Bt ) : 0 t T } tiene trayectorias continuas y o acotadas, por lo tanto es un elemento de L2 y tiene sentido la expresin o loc
t

f (Bs )dBs .
0

Finalmente mencionaremos que es posible demostrar la integral anterior puede ser calculada mediante el siguiente l mite cuya convergencia es vlida en probabilidad a
t n1

(5)
0

f (Bs )dBs = l m

i=0

f (Bti )(Bti+1 Bti ).

Con esto concluimos la serie de ideas generales bajo las cuales puede construirse la integral de It. Las demostraciones de algunos detalles tcnicos que hemos simplemente o e mencionado se pueden encontrar en [14]. El esquema simplicado del procedimiento seguido para denir la integral estocstica se ilustra en la Figura 4. a I

2 H0

L2 (P )

Aproximacin o H2 Localizacin o L2 loc I L2 (P ) I L2 (P )

Figura 4. Diagrama para la denicin de la integral estocstica. o a

 CONSTRUYENDO LA INTEGRAL ESTOCASTICA DE ITO

277

Ejemplo. Con la ayuda de (5) calcularemos la integral estocstica a

t

Bs dBs .
0

Sea 0 = t0 < t1 < < tn = t una particin uniforme de [0, t], es decir ti+1 ti = 1/n. o Usando la identidad 1 1 a(b a) = (b2 a2 ) (a b)2 2 2 se obtiene
t n1

Bs dBs
0

l m

j=0 n1

Btj (Btj+1 Btj )

= =

l m

1 2 1 2 [ (Btj+1 Btj ) (Btj+1 Btj )2 ] 2 2 j=0

1 2 1 B t. 2 t 2 Observe que el primer trmino del lado derecho corresponde a las reglas de integracin e o usual. El trmino adicional se conoce como la correccin de It. e o o Ahora veamos el cambio en la solucin cuando modicamos ligeramente la forma o de calcular la integral, al hacer la evalucin del integrando en el extremo derecho de o cada subintervalo. Observe que en este caso el proceso a integrar ya no es adaptado y por lo tanto queda fuera de la teor desarrollada antes. Usando la identidad a b(b a) = se obtiene
t n1

1 1 2 (b a2 ) + (a b)2 2 2

Bs dBs
0

l m

j=0 n1

Btj+1 (Btj+1 Btj )

= =

l m

1 2 1 2 [ (Btj+1 Btj ) + (Btj+1 Btj )2 ] 2 2 j=0

1 2 1 B + t. 2 t 2 El signo del segundo trmino cambi de negativo a positivo. Esto muestra que, a e o diferencia de la integral de Riemann, la integral estocstica es sensible al punto donde a se evala el integrando. Al considerar en cambio el promedio de las evaluaciones en u los extremos se obtiene la as llamada integral de Stratonovich, denotada de la forma siguiente t 1 2 Bs dBs = Bt . 2 0

278

LUIS RINCON

Observe que el trmino adicional de la integral de It ha desaparecido. La integral de e o Stratonovich tiene algunas ventajas operacionales pues sigue algunas reglas usuales del clculo integral, pero vista como proceso deja de ser una martingala. a

Figura 5. Kiyosi It (Japn, 1915). Fuente: Archivo MacTutor, St. Andrews. o o Propiedades de la integral. La integral estocstica de It cumple varias propiea o dades aunque slo mencionaremos algunas de ellas aqu a manera de resumen de las o caracter sticas mencionadas antes. Primeramente debemos mencionar que la integral It : L2 L2 (P ) es lineal, su esperanza es cero y se cumple la isometr de It a o loc
t

E|

Xs dBs |2 = E

|Xs |2 ds.

En particular, para X H2 la integral It (X) vista como un proceso es una martingala, es decir, es integrable, adaptado y para 0 s t, se cumple E(It (X)|Fs ) = Is (X). Adems existe una versin continua de tal proceso. En general para X L2 , la a o loc integral It (X) ya no es una martingala sino una martingala local. 4. Ecuaciones diferenciales estocasticas

Una ecuacin diferencial estocstica es una ecuacin de la forma o a o (6) dXt = b(t, Xt )dt + (t, Xt )dBt

denida para t en [0, T ] y con condicin inicial la variable aleatoria X0 que se asume o F0 -medible e independiente del movimiento Browniano. La incgnita de esta ecuacin o o es el proceso Xt y los coecientes b(t, x) y (t, x) son funciones de [0, T ] R en R y se conocen como los coecientes de tendencia (drift en ingls o deriva en espaol) y de e n difusin respectivamente. La ecuacin diferencial (6) se interpreta como la ecuacin o o o integral
t t

(7)

X t = X0 +
0

b(s, Xs )ds +
0

(s, Xs )dBs

 CONSTRUYENDO LA INTEGRAL ESTOCASTICA DE ITO

279

en donde la primera es una integral de Riemann mientras que la segunda es una integral estocstica de It. Este proceso puede interpretarse como un sistema detera o minista gobernado por la parte no aleatoria de la ecuacin pero perturbado por un o ruido aditivo dado por la integral estocstica. A un proceso estocstico de la forma (7) a a se le llama proceso de It y para que esta ecuacin tenga alguna solucin se deben o o o imponer condiciones en los coecientes. De manera anloga al caso determinista, los a teoremas bsicos de existencia y unicidad para ecuaciones diferenciales estocsticas a a establecen que bajo ciertas condiciones de regularidad para los coecientes b y , la ecuacin (6) tiene una solucin unica, por ejemplo, si b y satisfacen la condicin de o o o Lipschitz en la variable x, |b(t, x) b(t, y)|2 + |(t, x) (t, y)|2 K|x y|2 , y la condicin de crecimiento en x, o |b(t, x)|2 + |(t, x)|2 K(1 + |x|2 ), para alguna constante K > 0, entonces existe un proceso estocstico X t solucin de (6) a o 2 que es adaptado, continuo, uniformemente acotado en L2 (P ), es decir, sup0tT E(Xt ) < , y es adems unico en el sentido de indistinguibilidad. En este caso a tal solua cin se le llama solucin fuerte de la ecuacin. Estos teoremas bsicos no establecen o o o a la forma de encontrar la solucin a una ecuacin estocstica dada. La famosa frmula o o a o de It es el resultado clave para realizar algunos de estos clculos. Este importante o a resultado establece que si Xt un proceso de It dado por (6) y f (t, x) es un funcin o o 1 2 de clase C en t y de clase C en x, entonces el proceso Yt = f (t, Xt ) es tambin un e proceso de It y satisface la ecuacin o o (8) 1 dYt = ft (t, Xt )dt + fx (t, Xt )dXt + fxx (t, Xt )(dXt )2 , 2

en donde los sub ndices indican derivada y (6) se substituye en (8) usando la siguiente tabla de multiplicacin de McKean, o dt 0 0 dBt 0 dt

dt dBt

Observe que como las derivadas involucradas son funciones continuas las integrales 1 estocsticas resultantes estn bien denidas. Por ejemplo, si se toma f (t, x) = 2 x2 y a a el proceso Xt = Bt entonces la frmula de It establece que o o
t

Bs dBs =
0

1 2 1 B t. 2 t 2

280

LUIS RINCON

Este mismo resultado hab sido obtenido antes mediante un procedimiento l a mite. Veamos otro ejemplo sencillo. Para la funcin f (t, x) = 1 x3 y Xt = Bt se obtiene o 3
t 0 2 Bs dBs =

1 3 B 3 t

Bt dt.
0 t

Un ejemplo mas,
t 0

sdBs = tBt

Bt dt.
0

Para vericar esta formula puede tomarse el proceso Xt = Bt y la funcin f (t, x) = tx. o Entonces 1 d(f (t, Bt )) = ft (t, Bt )dt + fx (t, Bt )dBt + fxx (t, Bt )(dBt )2 2 d(tBt ) = Bt dt + tdBt . Integrando se obtiene la frmula enunciada. o 5. Dos modelos simples

Estudiamos ahora dos ejemplos importantes de ecuaciones diferenciales estocstia cas. El primero de ellos con aplicacin en nanzas y el otro en f o sica. Estos modelos son sencillos y podremos encontrarles solucin expl o cita. Movimiento Browniano geomtrico. Suponga que el proceso Xt sigue una ley e de movimiento dada por la ecuacin estocstica o a (9) dXt = Xt dt + Xt dBt

con condicin inicial X0 = x0 > 0, en donde y > 0 son constantes. Este ecuacin o o es de amplio uso en nanzas para modelar el precio de algunos bienes que uctan u siguiendo los vaivenes de los mercados nancieros. La ecuacin (9) puede interpretarse de la siguiente forma. En ausencia del trmino o e t estocstico la ecuacin se reduce a dXt = Xt dt con solucin Xt = x0 e . Esta a o o solucin representa el comportamiento de un capital inicial x0 > 0 que crece de o manera continua y determinista a una tasa efectiva del 100 % suponiendo > 0 2. Por otro lado la parte estocstica corresponde a la volatilidad de una inversin a o con riesgo sujeta a las uctuaciones de los mercados nancieros. El modelo asume que dicha variabilidad es proporcional al valor de la inversin. A mayor valor de la o inversin mayor variacin en el precio. En la Figura 6 puede apreciarse una trayectoria o o de este proceso con una inversin inicial x0 de una unidad monetaria y con parmetros o a 2 = 1 y = 1/2. La curva creciente corresponde al crecimiento determinista de la inversin cuando no hay aleatoriedad, es decir cuando 2 = 0. Realmente se efectuaron o
2Esto es equivalente a una tasa continua o nominal del 100 ln(1 + ) %. Por ejemplo si =0.1 entonces al nal de una unidad de tiempo, el capital inicial x0 crecer a x0 e0.1 = x0 1.10517092= a x0 (1+0.10517092) unidades monetarias.

 CONSTRUYENDO LA INTEGRAL ESTOCASTICA DE ITO

281

varias simulaciones resultando trayectorias a veces por arriba y a veces por abajo de la curva determinista y eventualmente algn cruce, pero se decidi mostrar la u o presente pues en ella se observa que efectivamente la trayectoria estocstica sigue la a curva determinista y oscila alrededor de ella. El lector interesado en la simulacin de o ecuaciones estocsticas puede consultar el clsico y muy completo libro de Kloeden y a a Platen [9]. Observe que los coecientes de esta ecuacin satisfacen las condiciones para la o existencia y unicidad de la solucin. Es posible resolver la ecuacin (9) usando el o o mtodo de igualacin de coecientes. Para ello se necesita encontrar una funcin e o o f (t, x) tal que al aplicar la frmula de It al proceso Xt = f (t, Bt ) se obtenga la o o ecuacin (9). Comparando entonces los coecientes de o 1 dXt = ft (t, Xt )dt + fx (t, Xt )dBt + fxx (t, Xt )dt 2 con los de (9) se obtienen las igualdades 1 f (t, x) = ft (t, x) + fxx (t, x), 2 f (t, x) = fx (t, x). De la segunda ecuacin se obtiene que f (t, x) = exp[x + g(t)] para alguna funcin o o 1 2 g(t). Substituyendo en la primera ecuacin se obtiene g (t) = 2 cuya solucin o o 1 es g(t) = ( 2 2 )t. Por lo tanto la solucin de (9) es o

1 Xt = x0 exp[( 2 )t + Bt ]. 2 A este proceso se le llama movimiento Browniano geomtrico y tambin se le conoce e e como movimiento Browniano exponencial.

2.4

1.6

1.2

200

400

600

800

1000

Figura 6. Simulacin del movimiento Browniano geomtrico. o e

282

LUIS RINCON

Proceso de Ornstein-Uhlenbeck. Considere ahora la ecuacin estocstica o a (10) dXt = Xt dt + dBt

en donde y son constantes positivas. Esta ecuacin fue propuesta por Ornstein o y Uhlenbeck para modelar la variacin de la velocidad en el movimiento difuso de o una part cula para tiempos pequeos. La variable Xt se interpreta entonces como la n velocidad de la part cula al tiempo t. La parte determinista Xt corresponde a la fuerza de friccin y el sumando dBt es una perturbacin aleatoria. Encontraremos o o la solucin de (10) suponiendo la condicin inicial X0 = x0 . Considere una solucin o o o de la forma
t

(11)

Xt = a(t)[x0 +
0

b(s)dBs ],

en donde a y b son funciones diferenciables. Derivando (11) y usando la frmula de o It se obtiene o

t

dXt

= a (t)[x0 +
0

b(s)dBs ]dt + a(t)b(t)dBt

a (t) Xt dt + a(t)b(t)dBt . a(t)

Comparando con (10) las funciones a y b deben entonces cumplir a (t) = , a(t) a(t)b(t) = .

Suponiendo a(0) = 1 se obtiene a(t) = exp(t) y b(t) = exp(t). Por lo tanto el proceso solucin de (10), llamado proceso de Ornstein-Uhlenbeck, es o
t

Xt = x0 et +
0

e(ts) dBs .

Otros modelos de ecuaciones estocsticas y una gran variedad de aplicaciones a pueden encontrarse en el libro de Kloeden y Platen [9]. Para un estudio sistemtico a y detallado de estos temas pueden consultarse [3],[5],[7],[13], o [14]. Agradecimientos. Me permito agradecer sinceramente al revisor de este art culo por sus comentarios y sugerencias, as como a los editores del presente volumen por su asistencia en la preparacin nal del trabajo. o Referencias
[1] Brown R. (1828) A brief account of Microscopical Observations made in the Months of June, July, and August, 1827, on the Particles contained in the Pollen of Plants; and on the general Existence of active Molecules in Organic and Inorganic Bodies, Philosophical Magazine N. S. 4, 161-173. [2] Brzeniak Z. y Zastawniak T., Basic stochastic processes, Springer (1999). z [3] Chung K. L. y Williams R. J., Introduction to stochastic integration, Birkhuser (1983). a

 CONSTRUYENDO LA INTEGRAL ESTOCASTICA DE ITO

283

[4] Einstein A., Investigations on the theory of the Brownian movement, Dover (1956). [5] Gard T. C., Introduction to stochastic dierential equations, Marcel Dekker, Inc. (1988). [6] Hernndez-Hernndez D., Movimiento Browniano y ecuaciones de Hamilton-Jacobi, Carta Ina a formativa, 42, Soc. Mat. Mexicana (2004). [7] Karatzas I. y Shreve S. E., Brownian motion and stochastic calculus, Springer (1991). [8] Karlin S. y Taylor H. M., A rst course in stochastic processes, Academic Press, Inc. (1975). [9] Kloeden P. E. y Platen E., Numerical solution of stochastic dierential equations, Springer Verlag (1999). [10] Korn R. y Korn E., Option pricing and portfolio optimization: modern methods of nancial mathematics, Graduate Studies in Mathematics 31. American Math. Soc. (2001). [11] Len J. A., Una introduccin a las ecuaciones diferenciales estocsticas, Carta Informativa 31, o o a Soc. Mat. Mexicana. (2001). [12] Nelson E., Dynamical theories of Brownian motion, Princeton University Press, (1967). [13] ksendal B., Stochastic dierential equations: an introduction with applications, Springer Verlag (1992). [14] Steele J. M., Stochastic calculus and nancial applications, SpringerVerlag (2001). Departamento de Matematicas, Facultad de Ciencias UNAM, Circuito Exterior, Ciudad Universitaria, 04510 Mxico DF e E-mail address: lars@fciencias.unam.mx