Fudamentos A Los Procesos-Estocasticos

Introducci on a los Procesos
Estocasticos
Tiempos de Parada
Martingala
Movimiento Browniano
Integral Estocastica
Ecuacion Diferencial Estocastica
Lema y Procesos de Ito
Teorema de Girsanov
Teorema de Radom Nikodym
Rodolfo Murillo Arias
email: rodanto74@hotmail.com
S abado 31 de Marzo del 2012
1
Msc. Rodolfo A. Murillo Arias Introducci on a los Procesos Estoc asticos 2
1. Denici on de Conjunto Fundamental
El conjunto fundamental =
i
: i I es el conjunto de todos
los resultados possibles de un experimento aleatorio. Por ejemplo,
el experimento aleatorio de lanzar un dado, tenemos entonces:
=
_
1 , 2 , 3 , 4 , 5 , 6
_
2. Denici on de Eventos
Un evento representa un subconjunto de =
1
, ...,
n
. En ese
sentido, cuando creamos un evento A , temenos para cada
i
dos posibilidades:
i
A o bien
i
/ A.
3. Denici on Incompleta de Variables Aleatorias
Una variable aleatoria X : 1 es una funcion a valores reales
teniendo como dominio el conjunto fundamental . Es importante
aclarar que el conjunto fundamental esta compuesto por una su-
ma de eventos, como por ejemplo, el evento sacar una reina de
corazones en un naipe de 52 cartas; ahora bien, el hecho de aso-
ciar un puntaje a ese evento, crea una variable aleatoria la cual
pertenece al conjunto de los reales.
4. Denici on Incompleta de Medida de Probabilidad
P es una medida de probabilidad sobre el conjunto si:
(P1). P() = 1
(P2). Para todo evento A de , 0 P(A) 1
(P3). Para todos los eventos A
1
, A
2
, ... mutualmente disjuntos,
P
_
_
i1
A
i
_
=
i1
P(A
i
),
en donde dos eventos A
i
y A
j
son disjuntos de tal suerte que
A
i
A
j
=
Proposicion: Cuando Card() < , donde =
1
, ...,
n
enton-
ces, las tres condiciones (P1), (P2) y (P3) de la denici on parcial
de una medida de probabilidad son equivalentes a las siguientes:
(P1
). Para todo i 1, ..., n , 0 P(

i
) 1
(P2
). Para todo evento A , P(A) =
wA
P(w)
(P3
).
n
i=1
P(w
i
) = 1
5. Propiedades de Medidas de Probabilidad
Denicion completa de Medida de Probabilidad
(P4). Para todo evento A , P(A
c
) = 1 - P(A)
(P5). P() = 0
(P6). Dos eventos A y B de , no necesariamente disjuntos,
P(A B) = P(A) + P(B) - P(A B),
(P7). Si A B , entonces P(A) P(B)
6. Denici on de Distribucion de Variable Aleatoria
La distribucion o ley de una variable aleatoria X esta caracteri-
zada por su funcion de repartition.
F
X
: R [0,1]
X probabilidad que la variable aleatoria X sea inferior o
igual a x.
Por consiguiente, si P es la medida de probabilidad que preva-
lece sobre , entonces:
x R , F
X
(x) = P( [ X() x)
En seguida, vamos a ejemplarizar los conceptos se nalados ante-
riormente:
Sea =
_
1 , 2 , 3 , 4 , 5 , 6
_
Suponga que nos interesamos a la variable aleatoria X de tal
manera que:
1 2 3 4 5 6
X() 0 0 5 5 10 10
Los eventos que caracterizan la distribuci on de X son:
{ X = 0 } = { 1 , 2 } ; { X = 5 } = { 3 , 4 } ;
{ X = 10 } = { 5 , 6 }
Por consiguiente, para determinar la distribuci on de X, reque-
rimos de las probabilidades asociadas a los eventos:
1 , 2 , 3 , 4 , 5 , 6
.
7. Denici on de Sigma Algebra (Tribu)
Un sub-conjunto de eventos es un sigma algebra o Tribu si
solo si las condiciones siguientes son satisfechas:
(T1).
(T2). Si A , entonces A
c

(T3). Si A
1
, A
2
, ..., A
n
, esto es equivalente a
n
i1
A
i

Ejemplos:
1. Sigma Algebra trivial : ,
2. La mas pequena sigma algebra conteniendo el evento A es
, A, A
c
,
3. =
_
1 , 2 , 3 , 4 , 5 , 6
_
. La tribu mas peque na conteniendo
los eventos 1 , 2 , 3 , 4 , 5 , 6 es la siguiente:
_
, 1 , 2 , 3 , 4 , 5 , 6 , 1 , 2 , 3 , 4 , 1 , 2 , 5 , 6 , 3 , 4 , 5 , 6 ,
_
Nota: Una tribu se dice que es generada por una familia de
eventos P de , si dicha tribu es la mas pequena tribu conteniendo
los elementos de P. Esta tribu la denotamos como P. Ahora
bien, si P es una partici on, los elementos de P son llamados los
atomos de .
8. Denici on de Espacio Probabilisable
Esta compuesto tanto por un conjunto fundamental como por
una tribu, lo anterior se expresa matematicamente como (, ).
9. Denici on de Particion
Una familia de eventos de enumerable T = A
i
, i I, I N
es llamada partici on de si:
(PF1). i I, A
i
,=
(PF2). i ,= j I , A
i
A
j
=
(PF3).
iI
A
i
=
NOTA: La particion es nita si Card(I) < . A su vez, si T es
una partici on, se dice que los elementos de T son atomos de .
10. Denici on Completa de Variable Aleatoria
Una variable aleatoria X construida sobre el espacio probabi-
lisable ( , ) es una funci on a valores reales X : 1 tal
que
() x 1 , [X() x
Por lo tanto, y aterizando en la denicion completa de variable
aleatoria, X : 1 es una variable aleatoria sobre el espacio
probabilisable (,) si y solo si los eventos que caracterizan su dis-
tribucion son elementos de . Por ejemplo, si y ( son tribus de
, puede suceder que X sea variable aleatoria sobre el espacio pro-
babilisable (,) y que no lo sea para el espacio (,(). Cuando el
sigma-algebra contiene los eventos que caracterizan la distribu-
cion de X, podemos decir que X es -medible.
Teorema: Sea (, ) un espacio probabilisable y sea P = A
i
, i
I, una particion de que genera . La funci on X : 1 es una
variable aleatoria sobre este espacio, es decir, X es -medible, si y
solo si X es constante sobre los atomos de .
11. Denici on de Proceso Estocastico
Sea (, ) un espacio probabilisable. Un proceso estocastico es
una familia de variables aleatorias, todas construidas sobre el mis-
mo espacio probabilisable (,) donde T representa un conjunto
de ndices.
Matematicamente, un proceso estocastico se representa de la
siguiente manera:
X = X
t
: t T
En resumen, podemos visualizar el concepto de proceso estocasti-
co de la siguiente manera:
X
0
= variable aleatoria en el momento 0
X
1
X
2
.
.
.
X
n
= variable aleatoria en el momento n
Lo anterior representa la coleccion o familia de variables alea-
torias en cada momento t; y, el acumulado de estas variables alea-
torias forma un proceso estocastico X
t
tT
12. Denici on de Filtracion
Una familia F =
t
: t T de tribus de es una ltraci on
sobre el espacio probabilisable (, ) si
(F1) t T ,
t

(F2) t
1
,t
2
T , t
1
t
2
,
t
1

t
2
Tambien, la ltracion F =
t
: t T se dice que es generada
por el proceso estocastica X = X
t
: t T si
t T, X
t
= X
s
: s T, s < t
13. Denici on de Proceso Estocastico Adaptado a la Filtraci on
Un proceso estocastico
t
: t T es un proceso adaptado a la
ltraci on F =
t
: t T si
t T , X
t
es
t
- medible
En resumen, podemos visualizar la ltracion y que una variable
aleatoria sea F-medible de la siguiente manera:
X
0
es T
0
- medible
X
0
y X
1
son T
1
- medible
X
0
, X
1
y X
2
son T
2
- medible
X
0
, X
1
, X
2
, X
3
son T
3
- medible
donde la ltraci on es : F = T
0
, T
1
, T
2
, T
3
que es equivalente a : F
0
T
1
T
2
T
3
Ejemplo:
Suponga que el conjunto fundamental es =
1
,
2
,
3
,
4
y
que T = 0, 1, 2, 3. El proceso estocastico X = X
t
: t 0, 1, 2, 3
representa la evoluci on del precio de una acci on, X
t
= el precio
de la acci on al cierre de la Bolsa al t-iesimo da, el instante t = 0
representa el da de hoy.
Cuadro 1
Evoluci on del Precio de una Accion
X
0
() X
1
() X
2
() X
3
()
1
1 0.50 1 0.50
2
1 0.50 1 0.50
3
1 2 1 1
4
1 2 2 2
0
= X
0
= ,
1
= X
0
, X
1
=
1
,
2
,
3
,
4
2
= X
0
, X
1
, X
2
=
1
,
2
,
3
,
4
3
= X
0
, X
1
, X
2
, X
3
=
1
,
2
,
3
,
4
Pregunta: De cual tribu debemos tomar del conjunto fundamen-

tal con el n de que X
0
, X
1
, X
2
y X
3
sean todas variables aleatorias
?
Toda tribu conteniendo la sub-tribu
3
hace de X
0
, X
1
, X
2
y
X
3
-medibles, es decir, variables aleatorias.
representa los estados de la naturaleza. X
t
(
i
) representa el
precio de la acci on para el tiempo t si se trata del i-iesimo estado
del mundo que se haya realizado. Para el tiempo O, conocemos
con certeza el precio de la acci on y no estamos en la capacidad de
poder distinguir en cual de los estados de naturaleza se realizo dicho
precio. Por esta raz on, se dice que al sub-tribu
0
es la tribu trivial
ya que no contiene ninguna informaci on.
Ahora bien, para el tiempo 1, logramos obtener un poco mas
de informaci on. Al observar, que el precio de la acci on es de 0.50,
entonces, logramos identicar el estado del mundo, es decir,
1
o
bien
2
. En ese sentido, podemos deducir que el precio para los
dos periodos siguientes (t=2 , t=3) sera respectivamente 1 y 0.50.
dolares.
Por el contrario, si a t=1 observamos que el precio asciende
a 2, podemos identicar que el estado del mundo donde estamos
ubicados es
3
o bien
4
. En ese sentido, podemos identicar que
el precio no va a descender de la unidad para los periodos 2 y 3.
14. Denici on Tiempos de Parada
Sea (, ) un espacio probabilisable previsto de la ltraci on F =
t
: t 0, 1, .... Un tiempo de Parada es una variable aleatoria
sobre (, ) con valores dentro del conjunto de los naturales N, tal
que:
: () = t
t
t 0, 1, ...
Cuadro 1
X
0
() X
1
() X
2
() X
3
()
1
1 0.50 1 0.50
2
1 0.50 1 0.50
3
1 2 1 1
4
1 2 2 2
Retomando la ltracion conteniendo la informaci on revelada por
el proceso en cada instante:
0
= X
0
= ,
1
= X
0
, X
1
=
1
,
2
,
3
,
4
2
= X
0
, X
1
, X
2
=
1
,
2
,
3
,
4
3
= X
0
, X
1
, X
2
, X
3
=
1
,
2
,
3
,
4
Se va a considerar como evento de parada: el primer instante luego del dia de hoy
en que el precio es igual o superior a 1. En ese sentido, cuando se
Msc. Rodolfo A. Murillo Arias Introduccion a los Procesos Estocasticos 10
alcance como mnimo ese nivel de precios, se procede a vender la
acci on.
Al denir este evento, los tiempos aleatorios representando este
evento son los siguientes:
1.(
1
) = 2
2.(
2
) = 2
3.(
3
) = 1
4.(
4
) = 1
Recordemos que representa la trayectoria para un estado de
naturaleza sobre la evoluci on del precio de la accion.
Falta verica si esta variable aleatoria se puede considerar co-
mo tiempo de parada. En ese sentido, retomamos la dencion de
tiempo de parada y la aplicamos para este ejemplo:
: () = 0 =
0
Este conjunto signica que para cualquier trayectoria que to-
memos, para t=0 tenemos como resultado el conjunto vaco porque
como se especica bien claro, el evento se comienza a aplicar luego
del tiempo 0. Ahora bien, como es sabido, el conjunto vaco perte-
nece a todas las tribus y, muy claramente al sigma algebra trivial.
Por lo tanto, la denicion se cumple para t=0.
Ahora aplicamos y analizamos la denici on para t=1:
: () = 1 =
3
,
4

1
Al analizar la descomposicion de
1
, nos damos cuenta que el
conjunto
3
,
4
pertenece a esa tribu, por lo que se puede concluir
que para t=1, se cumple la denicion de tiempo de parada.
Seguimos analizando la denci on para t=2:
: () = 2 =
1
,
2

2
Para este caso, se excluyen las trayectorias
3
,
4
ya que, para
estas dos trayectorias, el precio supero el valor de 1 cuando t=1,
con lo cual la acci on ya se hubiera vendido en t=1 y, para t=2, ya
no se posee dicha acci on. Por otro lado, este conjunto de
1
,
2
pertenece a la tribu
2
; con lo cual, se sigue respetando la denici on
de tiempo de parada.
Finalmente, analizamos la denici on para t=3:
: () = 3 =
3
Cualquiera que sea la trayectoria analizada, el resultado es
porque a t=2, el precio supero o fue igual a 1, por lo que la
acci on se vendi o a t=2, por tanto, a t=3 ya no se posee la acci on
cualquiera que sea el estado de naturaleza. Ademas, pertenece
tambien a
3
.
Sobre este mismo ejemplo, veamos un caso donde la variable
aleatoria no es tiempo de parada; para tal efecto, vamos a denir
el siguiente evento: Compramos acciones en el momento en que
podamos realizar una ganancia para el periodo siguiente . Tenemos
entonces los siguientes resultados para la variable aleatoria:
(
1
) = 1
(
2
) = 1
(
3
) = 0
(
4
) = 0
Para este caso,
no es tiempo de parada ya que:

: () = 0 =
3
,
4
/
0
NOTA : Los tiempos de parada son de gran utilidad cuando bus-
camos taricar los productos derivados de tipo americano; en ese
sentido, tiene como principal rol el poder determinar el momento
cuando el tenedor de una opcion ejerca su derecho.
15. Denici on de Independencia de Variables Aleatorias
Sea (, , T) un espacio probabilisable y sea
1
y
2
dos tribus
de dicho espacio. Estas tribus son independientes si y solo si :
P(A B) = P(A) P(B) , A
1
y B
2
En ese sentido, A y B son independientes si y solo si las tribus
A
= A = , A, A
c
, y
B
= B = , B, B
c
, son indepen-
dientes tambien. De lo anterior, denimos la siguiente proposici on:
Sea (, T, T) un espacio probabilisado y supongamos que T
i
=
A
i
, i=1,2, para dos familias A
1
, A
2
T.
16. Denicion de Probabilidad Condicional
Sea (, T, T) un espacio probabilisado. Para todo evento / T
teniendo una probabilidad positiva, es decir, P(/)>0, la probabili-
dad condicional dado /, notado P(.[/) y denido por
B T
A
, P(B[/) =
P(B
/)
/
es una medida de probabilidad sobre el espacio probabilizado
(/, T
A
).
17. Denici on de Esperanza Condicional
Sea X, una variable aleatoria discreta, construida sobre el espa-
cio probabilisado (, T, T). Sea ( T, una tribu engendrada por
la particion T = A
i
, i I, I N. La esperanza condicional de X
dado (, denotado E
P
[X[(], es la unica variable aleatoria Y sobre
(, () tal que
E
P
[X
A
] = E
P
[Y
A
] para todo / (
donde
A
: 0, 1 es una funcion indicatriz
A
() =
_
1 si A
0 si / A
Se dice que Y es (-medible si y solo si la variable aleatoria es
constante en los atomos de (, es decir, constante sobre A
i
, i J.
En el caso donde la variable aleatoria X sea construida sobre
el espacio probabilisado (, T, T), Card() < , y ( T es una
tribu generada por la partici on nita P = A
1
, ..., A
n
satisfaciendo
i 1, ..., n, P(A
i
) > 0, partici on nita P(A
i
) > 0, la esperanza
condicional de X dado (, esta dada por la expresi on:
E
P
[X[G] =
n
i=1
A
i
()
P(A
i
)
A
i
X(
)P(
)
Cuadro 1
X
0
() X
1
() X
2
() X
3
() P()
1
1 0.50 1 0.50
1
8
2
1 0.50 1 0.50
2
8
3
1 2 1 1
3
8
4
1 2 2 2
2
8
0
= X
0
= ,
1
= X
0
, X
1
=
1
,
2
,
3
,
4
2
= X
0
, X
1
, X
2
=
1
,
2
,
3
,
4
3
= X
0
, X
1
, X
2
, X
3
=
1
,
2
,
3
,
4
Queremos determinar E
P
[X
3
[T
1
] = ?
Sabiendo que T
1
=
1
,
2
,
3
,
4
, de conformidad con lo
anterior, aplicamos la f ormula de esperanza condicional:
Para
=
1
,
2
:
E
P
[X
3
[T
1
]() =
2
i=1
A
i
()
P(A
i
)
A
i
X
3
(
)P(
)
E
P
[X
3
[T
1
]() =

A
1
()
P(A
1
)
A
1
X
3
(
)P(
)+
A
2
()
P(A
2
)
A
2
X
3
(
)P(
)
E
P
[X
3
[T
1
]() =

A
1
()
3
8
_
1
2

1
8
+
1
2

2
8
_
+

A
2
()
5
8
_
1
3
8
+ 2
2
8
_
E
P
[X
3
[T
1
]() =
1
2
A
1
() +
7
5
A
2
()
Al estar dentro del atomo A
1
, la funcion indicatriz
A
2
= 0,
por no estar dentro del evento analizado; contrariamente a esto, la
funcion
A
1
= 1 por pertenecer al conjunto que forma parte de la
partici on de T
1
. Por lo tanto, el valor de esta esperanza condicional
es:
E
P
[X
3
[T
1
]() =
1
2
Ahora bien, para el caso cuando
3
,
4
, tenemos igualmente
el mismo resultado, es decir:
E
P
[X
3
[T
1
]() =

A
1
()
3
8
_
1
2

1
8
+
1
2

2
8
_
+

A
2
()
5
8
_
1
3
8
+ 2
2
8
_
E
P
[X
3
[T
1
]() =
1
2
A
1
() +
7
5
A
2
()
Al estar dentro del atomo A
2
, la funcion indicatriz
A
2
= 1;
contrariamente a esto, la funcion
A
1
= 0 pues A
1
no pertenece al
conjunto que se esta analizando de T
1
. Por lo tanto, el valor de esta
esperanza condicional es:
E
P
[X
3
[T
1
]() =
7
5
Por lo tanto, y como la esperanza condicional es una variable
aleatoria tambien, obtenemos el resultado siguiente:
E
P
[X[T](w) =
_
1
2
, A
1
=
1
,
2
7
5
, A
2
=
3
,
4

Propiedades de la Esperanza Condicional
Sea X y Y dos variables aleatorias en el espacio probabilisado
(, T, T). Las tribus (, (
1
y (
2
son generadas respectivamente por
las particiones P = A
i
: i I y P
1
= B
i
: i I
1
y P
2
= C
i
: i I
2
.
(EC1) Si X es ( - medible, entonces E
P
[X[(] = X
(EC2) Si (
1
(
2
son tribus, entonces E
P
[E
P
[X[(
1
][(
2
] = E
P
[X[(
1
]
(EC3) Si (
1
(
2
son tribus, entonces E
P
[E
P
[X[(
2
][(
1
] = E
P
[X[(
1
]
(EC4) E
P
[X[, ] = E
P
[X]
(EC5) E
P
[E
P
[X[(]] = E
P
[X]
(EC6) Si Y es (-medible, entonces E
P
[XY [(] = Y E
P
[X[(]
(EC7) Si (X) y ( son independientes, entonces E
P
[X[G] = E
P
[X]
(EC8) a,b R, E
P
[aX + bY [(] = a E
P
[X[(] + b E
P
[Y [(]
18. Denicion de Martingalas
Sobre el espacio probabilisado ltrado (, T, F, T) donde F es la
ltraci on F
t
: t 0, 1, 2, ..., el proceso estocastico:
M = M
t
: t 0, 1, 2, ...
es una martingala a tiempo discreto si:
(M1) t 0, 1, 2, ... , E
P
[[M
t
[] <
(M2) t 0, 1, 2, ... , M
t
es F
t
- medible
(M3) s,t 0, 1, 2, ... tal que s < t , E
P
[M
t
[F
s
] = M
s
Una martingala es un proceso estocastico que, en promedio es
constante. Sin embargo, esto no signica que ese proceso vare poco
ya que la varianza V ar
P
[M
t
], a todo instante, puede ser innito.
Ejemplo:
Sea
t
: t 1, 2, ... una sucesion de (, T) - variables aleato-
rias independientes e identicamente distribuidas con respecto a la
medida de probabilidad T, tal que E
P
[[
t
[] < y E[
t
] = 0. Sea:
T
0
= , , M
0
= 0 ,
y t 1, 2, ..., T
t
=
s
: s 1, ..., t; M
t
=
t
s=1
s
El proceso estocastico M es una Martingala sobre el espacio
(, T, F, T). Ademas, la condici on E
P
[
2
t
] < implica que E
P
[[
t
[] <
.
De acuerdo con la denici on del proceso anterior, procedemos
a vercar las 3 propiedades con el n de vericar si dicho proceso
es una Martingala o no:
1. Vericacion de (M1):
Aplicacion de la desigualdad triangular sobre la esperanza:
E
P
[[M
t
[] = E
P
[[
t
s=1
s
[]
t
s=1
E
P
[[
s
[] <
En particular , si E
P
[
2
t
] < , entonces
0 V ar[[X[] = E[[X[
2
] (E[[X[])
2
E[[X[] < (E[[X[
2
])
1
2
La escogencia de la ltracion da como resultado que M sea adap-
tado, es decir, que para todo t 0, 1, 2, ..., M
t
est T
t
-medible.
s,t 0, 1, 2, ... tal que s < t,
E
P
[M
t
[T
s
] = E
P
_
t
u=1
u
[T
s
_
E
P
[M
t
[T
s
] = E
P
_
s
u=1
u
+
t
u=s+1
u
[T
s
_
E
P
[M
t
[T
s
] = E
P
_
M
s
+
t
u=s+1
u
[T
s
_
E
P
[M
t
[T
s
] = E
P
[M
s
[T
s
] +
t
u=s+1
E
P
[
u
[T
s
]
Tomando en cuenta que la variable aleatoria es independiente
de la informaci on pasada, reescribimos la esperanza condicional
como una simple esperanza (revisar EC7), es decir:
E
P
[M
t
[T
s
] = M
s
+
t
u=s+1
E
P
[
u
]
Sabiendo que la esperanza de una caminata aleatoria no sesgada
(simetrica) es igual a cero, tenemos que:
E
P
[M
t
[T
s
] = M
s
Conclusion:
Al poder vericar correctamente las 3 propiedades, podemos
armar que el proceso M
t
es efectivamente una Martingala.
Ahora bien, veamos este mismo ejemplo numericamente:
Cuadro 2
Evolucion de la Caminata Aleatoria

1

2

3
P
1
-1 -1 -1
1
8
2
-1 - 1 1
1
8
3
-1 1 - 1
1
8
4
-1 1 1
1
8
5
1 - 1 - 1
1
8
6
1 - 1 1
1
8
7
1 1 - 1
1
8
8
1 1 1
1
8
Tenemos entonces, los siguientes elementos:
=
1
, ...,
8
, conjunto fundamental
T = el conjunto de todos los elementos de .
F = la ltracion compuesto de sub-tribus; a continuaci on el de-
talle:
T
1
=
1
=
1
,
2
,
3
,
4
,
5
,
6
,
7
,
8
T
2
=
1
,
2
=
1
,
2
,
3
,
4
,
5
,
6
,
7
,
8
T
3
=
1
,
2
,
3
= T
El proceso estocastico M, construido sobre el espacio probabili-
sable ltrado (, T, F), esta denido de la siguiente manera:
M
0
= 0
M
1
=
1
M
2
=
1
+
2
M
3
=
1
+
2
+
3
Por construcci on, M es un proceso adaptado a la ltracion F.
M = M
t
: t 0, 1, 2, 3 es una martingala sobre (, T, F, T). En
efecto, la condicion (M2) ya fue vericada ya que M es un proceso
F-adaptado. As mismo, la condicion (M1) ya fue tambien satisfecha
ya que (aplicaci on de desigualdad triangular) :
t 0, 1, 2, 3, E
P
[[M
t
[] E
P
[[
1
[] + E
P
[[
2
[] + E
P
[[
3
[] = 3
Falta, entonces, vericar la condici on (M3):
E
P
(
1
[T
0
) = E
P
(M
1
[T
0
) =?
E
P
(M
1
[T
0
) = E(M
1
) = 0 , dada la independencia en la variable
aleatoria .
Tomando en cuenta que por hipostesis M
0
= 0, podemos concluir
que :
E
P
(M
1
[T
0
) = M
0
E
P
(M
2
[T
1
) = E(
1
+
2
[T
1
) =?
E
P
(M
2
[T
1
) = E
P
(
1
[T
1
) + E(
2
[T
1
)
Como
1
es T
1
-medible y como la variable aleatoria es inde-
pendiente de la informacion pasada, obtenemos:
E
P
(M
2
[T
1
) =
1
+ E(
2
)
Al mismo tiempo, como es una caminata aleatoria no sesgada,
E
P
(M
2
[T
1
) =
1
Por denici on, se sabe que
1
= M
1
, por lo que equivalente
decimos:
E
P
(M
2
[T
1
) = M
1
E
P
(M
3
[T
2
) = E(
1
+
2
+
3
[T
2
) =?
E
P
(M
3
[T
2
) = E(M
2
+
3
[T
2
)
E
P
(M
3
[T
2
) = E(M
2
[T
2
) + E(
3
[T
2
)
E
P
(M
3
[T
2
) = M
2
+ E(
3
)
E
P
(M
3
[T
2
) = M
2
19. Denici on de Procesos Markovianos
Un proceso Markoviano X = X
t
: t T donde T es un conjunto
de ndices, es llamado markoviano si, para todo t
1
< t
2
< ... < t
n
T ,
la distribucion condicional de X
tn
dado X
t
1
, ..., X
t
n1
es igual a la
distribucion condicional de X
tn
dado X
t
n1
, es decir que para todo
x
n
R, las variables
P[X
tn
X
n
[X
t
1
, ..., X
t
n1
]()
y
P[X
tn
X
n
[X
t
n1
]()
son iguales en probabilidad
Lo anterior signica que el proceso X es markoviano si su dis-
tribucion en el futuro dado el presente y el pasado no depende mas
que del presente.
Esto se traduce tambien diciendo que la Cadena de Markov es
un proceso estocastico con perdida de memoria: la distribucion de
una observaci on por venir dado el conocimiento actual del sistema
y de toda su historia es la misma a aquellla que solo tiene acceso
al conocimiento de su estado actual.
Ejemplo:
Lanzamos un dado bien equilibrado repetidamente. La variable
aleatoria
n
representa el n umero de puntos obtenidos para el n-
esimo lanzamiento. El proceso estocastico X representa el total de
puntos obtenidos en todo instante, es decir que para todo entero
natural t,
X
t
=
t
n=1
n
X es un proceso markoviano. En efecto,
X
t
=
t
n=1
n
=
t1
n=1
n
+
t
= X
t1
+
t
El resultado del t - iesimo lanzamiento del dado
t
es indepen-
diente de los resultados obtenidos en tiempo t-1, equivalentes a
decir
n
: n 1, ..., t 1. Por lo tanto, la distribucion X
t
no
depende del pasado del proceso estocastico,
n
: n 1, ..., t 1
mas que a traves de X
t1
20. Denici on de Caminatas Aleatorias

Un proceso estocastico X, construido en el espacio probabilisa-
do (, T, T) es una caminata aleatoria si dicho proceso admite la
representaci on:
X
0
= 0 y t 1, 2, ... esta compuesto de variables aleatorias
independientes e identicamente distribuidas. Las caminatas aleato-
rias son procesos markovianos.
Si E
P
[[
k
[] < , entonces X es una martingala si y solo si =
E
P
[
k
] = 0.
En efecto, para toda caminata aleatoria, tenemos:
E
P
[[
n
[F
n1
] = E
P
[[X
n1
+
n
[F
n1
] = X
n1
+ E
P
[
n
[F
n1
] = X
n1
+
En ese sentido, si = 0, entonces la caminata aleatoria es tam-
bien una martingala.
21. Denicion de Movimiento Browniano
Un Movimiento Browniano Estandar W
t
: t 0 es un proce-
so estocastico adaptado construido sobre el espacio probabilisado
ltrado (, T, F, T) tal que:
(MB1) , W
0
() = 0;
(MB2) 0 s t, W
t
W
s
es independiente de T
s
; por esta
raz on se dice que el Movimiento Browniano tambien es un Proceso
Markoviano.
(MB3) s, t 0 tal que s < t, la variable aleatoria W
t
W
s
es de
distribucion normal, con los parametros siguientes:
W
t
W
s
N(0,t-s)
(MB4) , la trayectoria t W
t
() es contnua. Adicio-
nalmente a esta propiedad, hay que a nadir que si bien el Browniano
es un proceso contnuo, tambien es un proceso no diferenciable.
Ademas, como el Movimiento Browniano Estandar cuenta con
una distribuci on normal, su covarianza puede calcularse de la si-
guiente manera:
Cov[W
t
, W
s
] = min(s, t)
En seguida, vamos a demostrar que el Movimiento Browniano
tambien es una martingala:
Por denicion la martingala es una esperanza condicional tal
que:
E
Q
[W
t
[T
s
] = W
s
En ese sentido, vamos a proceder a comprobar que lo anterior
es correcto:
E
Q
[W
t
[T
s
] E
Q
[W
t
W
s
+ W
s
[T
s
]
E
Q
[W
t
W
s
[T
s
] + E
Q
[W
s
[T
s
]
E
Q
[W
t
W
s
[T
s
] + W
s
Como los incrementos de los Brownianos son independientes,
tenemos como resultado lo siguiente:
E
Q
[W
t
[T
s
] = E
Q
[W
t
W
s
] + W
s
Tomando en cuenta que : W
t
W
s
N(0,t-s), entonces conclui-
mos que:
E
Q
[W
t
[T
s
] = W
s
Conclusion: El Movimiento Browniano tambien es una Martin-
gala.
Ejemplo del Movimiento Browniano :
Sea W
t
: t 0, un Movimiento Browniano Estandar. Hay que
mostrar que:
V
0
= 0 y V
t
= tW1
t
si t>0 , tambien es un MBE.
Demostrando la primera propiedad (MB1)
Como por hipotesis V
0
= 0, esto implica que la primera propie-
dad queda demostrada.
Demostrando la segunda propiedad (MB2)
Se busca mostrar que el conjunto V
t
1
V
t
0
, V
t
2
V
t
1
es indepen-
diente. Para eso buscamos que la covarianza de ese conjunto sea
cero:
Cov(t
1
W 1
t
1
t
0
W 1
t
0
, t
2
W 1
t
2
t
1
W 1
t
1
)
= Cov(t
1
W 1
t
1
, t
2
W 1
t
2
)+Cov(t
1
W 1
t
1
, t
1
W 1
t
1
)+Cov(t
0
W 1
t
0
, t
2
W 1
t
2
)+Cov(t
0
W 1
t
0
, t
1
W 1
t
1
)
= t
1
t
2
Cov(W 1
t
1
, W 1
t
2
)+(t
1
)t
1
Cov(W 1
t
1
, W 1
t
1
)+(t
0
)t
2
Cov(W 1
t
0
, W 1
t
2
)+(t
0
)(t
1
)Cov(W 1
t
0
, W 1
t
1
)
Aplicando la f ormula : Cov(W
t
, W
s
) = min(s, t) y sabiendo que
t
0
< t
1
< t
2
Cov(W 1
t
1
, W 1
t
2
) =
1
t
2
Cov(W 1
t
0
, W 1
t
2
) =
1
t
2
Cov(W 1
t
0
, W 1
t
1
) =
1
t
2
Por lo tanto, concluimos que:
=
_
t
1
t
2
1
t
2
_
_
t
2
1
1
t
1
_
_
t
0
t
2
1
t
2
_
+
_
t
0
t
1
1
t
1
_
= t
1
t
1
t
0
t
0
= 0
Cov(t
1
W 1
t
1
t
0
W 1
t
0
, t
2
W 1
t
2
t
1
W 1
t
1
) = 0
Por lo tanto, se verica la segunda propiedad del Browniano.
Demostrando la tercera propiedad (MB3)
Recordemos primero que todo que:
Var(X - Y) = Var(X) + Var(Y) + 2Cov(X,-Y)
De acuerdo con lo anterior, aplicamos esta f ormula para nuestro
caso:
V ar(tW1
t
sW1
s
) = V ar(tW1
t
) + V ar(sW1
s
) + 2Cov(tW1
t
, sW1
s
)
V ar(tW1
t
sW1
s
) = V ar(tW1
t
) + V ar(sW1
s
) 2Cov(tW1
t
, sW1
s
)
V ar(tW1
t
sW1
s
) = t
2
V ar(W1
t
) + s
2
V ar(W1
s
) 2tsCov(W1
t
, W1
s
)
V ar(tW1
t
sW1
s
) =
_
t
2
1
t
_
+
_
s
2
1
s
_
_
2st
1
t
_
V ar(tW1
t
sW1
s
) = t + s 2s
V ar(tW1
t
sW1
s
) = t s
Queda demostrada la tercera propiedad.
Luego, y de acuerdo con el conjunto de denicion de este pro-
ceso, se observa que este es contnuo en R
+
, por lo que se cumple
la cuarta propiedad.
Conclusion: V
t
es un Movimiento Browniano
A continuaci on, se detalla un peque no programa en Matlab el
cual genera una trayectoria del Movimiento Browniano Estandar.
Generacion de una Trayectoria del Movimiento Browniano Es-
tandar
dt= 1/365; crecimiento del tiempo
t = 0:dt:1;
dW = sqrt(dt)*randn(1,365); Es de 365 el crecimiento
W = [0 cumsum(dW)]; Se adicionan los incrementos del MB Se
incluye el cero del movimiento Browiano
plot(t,W,r-);
title(
Una Trayectoria del Movimiento Browniano);

xlabel(Tiempo t);
ylabel(W(t));
Gr aco 1
22. Integral Estocastica : un enfoque intuitivo
A. NOTA INTRODUCTORIA: Las teoras tanto de la integral
estocastica como la relacionada con las ecuaciones diferenciales es-
tocasticas fueron inicialmente desarrolladas por Kiyosi It o hacia el
a no de 1940.
B. Fundamentos de la Integral de It o
Comenzamos deniendo el conjunto de funciones de R
+
hacia
R en escalera, es decir, las funciones f
n
que se escriben:
f
n
(t) =
n
i=1
a
i
1
]t
i
,t
i+1
]
Para esta clase de funciones, se dene la integral I(f
n
) par
I(f
n
) =
_
+
0
f
n
(t)dW
t
=
n1
i=1
a
i
_
W
t
i+1
W
t
i
_
Se consideran, para el calculo de las integrales de Ito, toda aque-
llas funciones funciones f de R
+
R de clase L
2
, tales que :
_
+
0
f
2
(t)dW
t
< +
Se puede mostrar que existe una sucesi on de funciones f
n

que converge a en L
2
; en otras palabras:
_
+
0
(f
n
(t) f(t))
2
dt 0
Es demostrable que la sucesi on de integrales I(f
n
) que convergen
hacia un lmite nito que llamamos I(f), donde I(f) la denimos
como la integral estocastica de f, es decir:
I(f) =
_
+
0
f(t)dW
t
Ahora bien, se puede generalizar esta familia de integrales a las
funciones g(s) = f(s).1
]0,t]
(s), lo que es igual:
I(g) =
_
+
0
f(s).1
]0,t]
(s)dW
s
=
_
t
0
f(s)dW
s
PROPOSICION:
Para todas las funciones f y g de clase L
2
, las integrales de Wie-
ner verican las propiedades siguientes:
1. I(f) es una variable aleatoria gaussiana
2. I( f + g) = I(f) + I(g)
3. E(I(f )) = 0
4. E(I
2
(f)) =
_
t
0
f
2
(u)du
5. E(I(f ).I(g)) =
_
t
0
f(u).g(u)du
Podemos tambien, generalizar los resultados de esta proposi-
cion al caso donde f y g pertenecen a una cierta clase de procesos
estocasticos. As, sea el proceso (
t
)
t0
contnuo por la izquierda,
adaptado,tal que E
_
_
+
0

2
s
ds
_
< +, entonces la integral estocasti-
ca:
I() =
_
t
0

s
dW
s
esta bien denida. A este tipo de integral, le llamamos integral
de Ito.
PROPOSICION: Para todo proceso (
t
)
t0
contnuo por la iz-
quierda, adaptado y de cuadrado integrable, la integral de It o ve-
rica las propiedades siguientes:
1. I() es un proceso adaptado y contnuo
2. I() es una martingala
3. I
2
()
_
t
0

2
s
ds es una martingala
En particular, se nalamos que,
E[I
2
()] = E
__
t
0
2
s
ds
_
y que, para (
t
)
t0
y (
t
)
t0
dos procesos contnuos por la derecha,
adaptados y de cuadrado integrable, tenemos:
E [I().I()] = E
__
t
0
s
ds
_
NOTA: Tomemos el intervalo [t,T] y subdividamolo en n subin-
tervalos, es decir: t
1
, t
2
, ..., t
n
= T, y luego escojamos un punto
j
(j=1,n) dentro de cada subintervalo. En seguida, denamos la si-
guiente suma:
S
n
=
i=1,n
f(
i
) [W(t
i
) W(t
i1
)]
Ahora bien, si w(t) fuera determinstico y la integral tuviera
solucion, se dice que haciendo tender n a innito, el valor de S
n
converge a una unica soluci on, independientemente de donde se
escoja el punto
j
en el respectivo subintervalo.
Existen dos convenciones a la hora de calcular la integral es-
tocastica:
1.
i
= t
i1
(Integral de It o)
2.
i
= (t
i1
+ t
i
)/2 (Integral de Stratonovich)
Para el caso de la integral de Ito, escribimos pues lo siguiente:
S
n
=
i=1,n
f(t
i1
) [W(t
i
) W(t
i1
)]
Para el caso de la integral estocastica, denitivamente no se
alcanza la convergencia por cada suma nita de S
n
, tomando en
cuenta que los cambios de valor de la sucesion son aleatorios; no
obstante, se deseara lograr obtener una convergencia a traves de
un procedimiento que genere un promedio, aplicado sobre una mul-
titud de trayectorias, y lograr una convergencia bien denida. En
ese sentido, para la integral de It o, denimos lo siguiente:
I(T) =
_
T
t
f(s)dW
s
= limms (n ) S
n
I(T) = limms
n
i=1,n
f(t
i1
) [W(t
i
) W(t
i1
)]
donde el smbolo lim-ms n signica cuadrado integra-
ble, concretamente, decimos que una serie S
n
() converge a S(),
siendo cuadrado integrable, es decir:
lim
n
_
p() [S
n
() S()]
2
d = 0
C. Denici on Procesos Estocasticos de Base
Se llama X un proceso estocastico de base si X admite la repre-
sentaci on:
X
t
() = C(w)(a, b](t)
donde 0 a b y, C es una variable aleatoria F
a
- medible
de cuadrado - integrable, es decir que E
P
[C
2
] < . Ademas, este
proceso es adaptado a la ltraci on. Sobre esto ultimo, tenemos los
siguientes resultados:
X
t
=
_
_
0 si 0 t a, que es T
0
medible =T
t
medible
C si a < t b, que es T
a
medible =T
t
medible
0 si b < t, que es T
0
medible =T
t
medible
En ese sentido, X es T - adaptado, pero tambien T - previsible.
NOTA: Los procesos adaptados a trayectorias contnuas son pre-
visibles, as como tambien los procesos adaptados y contnuos por
la izquierda; justicando la palabra previsible: si un proceso X es
contnuo por la izquierda, conocer sus valores X
s
para s < t permite
conocer X
t
Ejemplo:
Si X
t
representa el n umero de participaciones de un ttulo man-
tenido al tiempo t, entonces X
t
() = C()
(a,b]
(t) signica que im-
mediatamente despues del anuncio del los precios en tiempo a, y
sobre una base disponible en tiempo a ( C es T
a
- medible), com-
pramos C() participaciones del ttulo que vamos a conservar hasta
el tiempo b; cuando llegue el tiempo b, revendemos toda la par-
ticipaci on.
La integral estocastica de un proceso base X = C
(a,b]
, con res-
pecto al movimiento browniano, es la variable aleatoria Y denida
por:
Y =
_

0
X
s
dW
s
= C(W
b
W
a
)
Si X es un proceso estocastico de base, entonces para todo t
0, X
(0,t]
es tambien proceso de base; tenemos como resultado
entonces:
_
t
0
X
s
dW
s
=
_
0
X
s
(0,t]
(s)dW
s
, t 0
De acuerdo con lo anterior y descomponiendo un poco mas esta
formula, tenemos:
__
t
0
X
s
dW
s
_
() = C()
_
W
tb()Wta()
_
=
_
_
0 si 0 t a
C()(W
t
() W
a
()) si a < t b
C()(W
b
() W
a
()) si b < t
De lo anterior sacamos tres conclusiones importantes:
1. La integral estocastica es, por tanto, una variable aleatoria
para todo t.
2.
_
t
0
X
s
dW
s
: t 0 es un proceso estocastico
3. El proceso
_
t
0
X
s
dW
s
: t 0 es adaptado, contnuo y, por lo
tanto, previsible.
Gr aco 2
Trayectorias de: 1. Movimiento Browiniano W
2. Proceso de Base C= W(0.5) entre 0.5 y 0.75
3. Integral Estoc astica Yt = int[t,0]C(s)dW(s), t entre [0,t]
Interpretaci on:
Veamos el siguiente ejemplo: si el Movimiento Browniano W
representa la variaci on de precios actualizado con respecto al valor
inicial (W
t
= S
t
S
0
, donde S
t
es el precio actualizado del ttulo con
respecto t), entonces
_
t
0
C
s
dW
s
es el valor actualizado de la ganancia
neta realizada por el inversionista. Importante se nalar, de acuerdo
con el graco 2, que durante el tiempo en que el inversionista detie-
ne un n umero constante de participaciones del ttulo valor (C
s
()),
el valor actualizado de sus ganancias uct ua del precio del ttulo.
Proposicion:
Si X = C
(a,b]
es un proceso estocastico de base, entonces:
_
t
0
X
s
dW
s
: t 0
es una (, T, F, T)- martingala cuadrado integrable; ademas:
E
P
[
__
t
0
X
s
dW
s
_
2
] = E
P
__
t
0
X
2
s
ds
_
, t 0
D. Denici on Procesos Estocasticos Simples
Llamamos a X un Proceso Estocastico Simple, si X es una suma
nita de procesos base:
X
t
=
n
i=1
C
i
()
(a
i
,b
i
]
(t)
NOTA: Como este proceso es una suma nita de procesos F-
previsibles, entonces dicho proceso simple es tambien F-previsible.
La integral estocastica de un proceso simple X con respecto al
movimiento browniano esta denida como la suma de integrales
estocasticas de procesos base, es decir:
_

0
X
s
dW
s
=
n
i=1
_

0
C
i
(a
i
,b
i
]
(s)dW
s
=
n
i=1
C
i
(W
b
i
W
a
i
)
Si X es un proceso estocastico simple, entonces:
_
t
0
X
s
dW
s
: t 0
es una (, T, F, T) - martingala de cuadrado integrable.
Ademas,
E
P
_
__
t
0
X
s
dW
s
_
2
_
= E
P
__
t
0
X
2
s
ds
_
, t 0
A continuacion, se ejemplarican gracamente tanto los proce-
sos base como los simple:
Gr aco 3
A continuaci on, se muestra el programa en matlab del calculo
de la integral estocastica tanto para procesos base como procesos
simple:
n= 1000;
dt = 1/n;
x = sqrt(dt)*randn(n,1);
W = cumsum(x);
t = (1:1:n)/n;
d1 = zeros(100,1);
d2 = ones(300,1);
d3 = zeros(100,1);
d4 = ones(250,1);
d5 = zeros(250,1);
C1 = [d1;0*d2;d3;W(500)*d4;d5];
C2 = [d1;max(W(1:100))*d2;d3;max(W(1:500))*d4;d5];
Y1 = cumsum(C1.*x);
Y2 = cumsum(C2.*x);
gure
subplot(2,2,1);
plot(t,W,b-);
hold on;
plot(t,C1,r-);
title(Trayectoria de un movimiento Browniano y de un Proceso
de Base)
xlabel(Tiempo)
ylabel (W(t))
subplot(2,2,2);
plot(t,Y1,b-);
hold on;
plot(t,C1,r-);
title(Trayectoria de la Integral Y(t) con Respecto al Brow-
niano)
xlabel(Tiempo)
ylabel (Y(t) - Integral Base)
subplot(2,2,3);
plot(t,W,b-);
hold on;
plot(t,C2,r-);
title(Trayectoria de un movimiento Browniano y de un Proceso
Simple)
xlabel(Tiempo)
ylabel (W(t))
subplot(2,2,4);
plot(t,Y2,b-);
hold on;
plot(t,C2,r-);
title(Trayectoria de la Integral Y(t) con Respecto al Brow-
niano)
xlabel(Tiempo)
ylabel (Y(t) - Integral Simple)
23. Denici on de Ecuaciones Diferenciales Estocasticas y Lema de Ito
A. Una breve rese na de Ecuaciones Diferenciales Ordinarias
En muchas oportunidades en que buscamos modelar algunos
comportamientos de ciertas variables, no sabemos a priori que fun-
cion debemos emplear con el n de poder llevar a cabo tal mode-
lizaci on. Por ejemplo, supongamos que f(t) representa el precio de
una mercanca al instante t. As, podemos escribir:
f(t + t) f(t) = tf(t) donde 0
Esta ecuaci on explica la variacion del precio en el tiempo, donde
dicha variacion es proporcional a una longitud constante del cambio
en el tiempo (f(t)).
Si tomamos esta variacion discreta y la dividimos por t, obte-
nemos:
f(t + t) f(t)
t
= f(t)
Ahora bien, tomemos el lmite cuando t tiende a cero:
d
dt
f(t) = lim
t0
f(t + t) f(t)
t
d
dt
f(t) = f(t)
df(t) = f(t)dt
Hay que resaltar el hecho de que f(t) no esta bien denido;
esta ultima ecuaci on lo que expresa es la derivada de la funcion
proporcional a la funci on ella misma. En otras palabras, la incognita
en esta ecuacion es justamente, la funci on f(t), buscamos pues,
aquellas funciones que cumplan con esta igualdad.
En ese sentido, es posible mostrar que dicha funcion es de la
forma siguiente:
f(t) = ce
, donde lo que se requiere es conocer el valor de la

constante c a traves de una condicion inicial.
B. Introducci on a las Ecuaciones Diferenciales Estocasticas
Supongamos ahora que el proceso estocastico S = S
t
: t 0
representa la evolucion del precio del activo riesgoso. No conoce-
mos, en general la ley que gobierna un tal proceso pero podemos
tener una idea de su comportamiento. Por ejemplo, sobre un corto
intervalo de tiempo de longitud t, es posible que ese precio tenga
una tendencia a variar proporcionalmente a la longitud del perio-
do y al precio del activo al comienzo del periodo. En ese sentido,
escribimos para empezar:
S
t+t
S
t
= S
t
t
Si, en general, los precios aumentan , en consecuencia es una
constante positiva y, si los precios tienden a disminuir, entonces
es negativo.
Ahora bien, la disyuntiva que se presenta radica en el hecho
de que no existe certitud de que el precio vare proporcionalmente
a la longitud del periodo. Es en este momento en donde debemos
pensar un termino de error no previsible a la estimacion del precio;
aunque no conozcamos la amplitud del error, podemos controlarlo.
Constamos que entre mas el precio del activo es elevado, mas
el precio del activo riesgoso puede desviarse de la tendencia; lue-
go, entre mas la longitud del intervalo de tiempo es grande, mas
arriesga el precio de desviarse de la tendencia.
Por lo tanto, el termino estocastico a agregar a nuestra ecuacion
inicial es el siguiente:
S
t+t
S
t
= S
t
t + S
t
t
t
donde
A. es una constante positiva
B.
t
es una variable aleatoria de ley N(0,1) independiente de
S
u
: 0 u t
Quisiera recalcar sobre este ultimo punto, el hecho de que no es
posible de predecir el error
t
observando el comportamiento del
precio del activo riesgoso anterior a la fecha t.
Esta ecuaci on es aleatoria y debe ser satisfecha casi seguramente
para todos los , es decir:
Pr
_
: S
t+t
() S
t
() = S
t
()t + S
t
()
t
t
_
= 1
Concerniente la amplitud del error aleatorio, se nalamos que
t
t
es la ley N(0, t). Ademas:
E[S
t
t
t
[S
u
: u 0, t, ..., t] = S
t
tE(
t
) = 0
E[S
t
t
t
[S
u
: u 0, t, ..., t] =
2
S
2
t
tE[
2
t
] =
2
S
2
t
t
De la ultima expresion, se resalta que la desviacion estandar
condicional del termino de error es: S
t
t
De acuerdo con esta desviacion estandar del error, se nota c omo
entre mayor sea la longitud del intervalo de tiempo t o el precio
del activo subyacente mas grande, mayor es la desviacion estandar
de dicho error. Por tanto, al ser la variaci on del tiempo mas grande
o bien el precio del activo, los valores tomados por el error son mas
dispersos alrededor de su media que es cero.
Discretizando la ecuaci on planteada, tenemos lo siguiente:
S
t+t
S
t
= S
t
t + S
t
t
As mismo, para el periodo siguiente:
S
t+2t
S
t+t
= S
t+t
t + S
t+t
t
t+t
Si no estamos en condiciones de predecir el error
t+t
, es indis-
pensable que esta ultima sea independiente de S
u
: u 0, t, ..., t +
t. Esta es la raz on fundamental por la que introducimos el Movi-
miento Browniano ya que se trata de un proceso gaussiano en donde
los incrementos son mutuamente independientes. En ese sentido,
nuestra ecuaci on se traduce a:
S
t+t
S
t
= S
t
t + S
t
(W
t+t
W
t
)
W
t+t
W
t
tiene la misma ley que
t
t
, es decir : N(0, t)
Sea W = W
t
: t 0 un Movimiento Browniano construido sobre
el espacio probabilisado ltrado (, T, F, T) tal que la ltraci on T
es aquella generada por todos los eventos de probabilidad nula, es
decir que para todo t t,
T
t
= (A y W
s
: 0 s t)
El precio del activo hoy (t=0) es conocido con certidumbre.
S
0
es entonces conocido (, ) - medible. Retomando la ecuaci on
discretizada para t = 0.
S
t
= S
0
..
F
0
medible
+ S
0
t
. .
F
0
medible
+ S
0
..
F
0
medible
(W
t
W
0
)
. .
F
tmedible, independiente de F
0
. .
F
tmedible
De manera general, tenemos que :
S
(k+1)t
= S
kt
..
F
kt
medible
+ S
kt
t
. .
F
kt
medible
+ S
kt
. .
F
kt
medible
_
W
(k+1)t
W
kt
_
. .
F
(k+1)tmedible, independiente de F
kt
. .
F
(k+1)tmedible
Aclaro que el proceso S habita sobre el mismo espacio proba-
bilisado ltrado del Movimiento Browniano W.
Ahora bien, cuando los intervalos de tiempo de longitud t se
tornan en longitudes innitesimales, obtenemos una ecuaci on de
tipo:
dS
t
= S
t
dt + S
t
dW
t
A esta ultima ecuacion, se le llama Ecuacion Diferencial Es-
tocastica; este es un ejemplo de Movimiento Browniano de tipo
Geometrico. Al analizar el termino de difusion, es decir, S
t
dW
t
, nos
damos cuenta que dicha expresion no esta bien denida tomando
en cuenta tambien que las trayectorias del Movimiento Browniano
no son diferenciables.
En estos momentos, cabe preguntarse lo siguiente:
a. Existe una solucion a esta ecuaci on ?
b. Si la solucion existe, sera la unica ?
c. Como hacemos para encontrarla ?
Nota: Es importante resaltar el hecho de que la solucion a una
ecuaci on diferencial estocastica no es, como en el caso de las ecua-
ciones diferenciales ordinarias, una funcion, mas bien un proceso
estocastico. Otro aspecto importante, es el hecho de que no siempre
existe solucion a la EDS; lo anterior depende del ciertas condiciones
impuestas tanto sobre el termino de deriva como sobre el termino
de difusion.
C. Lema de Ito vrs Teorema Fundamental del Calculo
El lema de Ito es el equivalente estocastico del teorema funda-
mental del calculo. Nos permitira determinar la ecuaci on diferen-
cial estocastica satisfecha por ciertos procesos estocasticos dados.
El teorema fundamental del calculo consiste en la armacion
de que la derivaci on e integracion de una funci on son operaciones
inversas. Esto signica que toda funcion continua integrable verica
que la derivada de su integral es igual a ella misma.
En otras palabras, el teorema fundamental del calculo estipula
que si
df
dx
: R R representa la derivada de la funcion f: R R,
entonces:
f(b) f(a) =
_
b
a
df
dx
(x)dx
Viendo un ejemplo del teorema fundamental del calculo, mos-
tramos el siguiente ejemplo:
Primero que todo, retomemos de manera general, la forma de
una EDS:
dX(t) = b(X(t), t)
. .
coeficiente de deriva
dt + a(X(t), t)
. .
coeficiente de difusion
dW(t)
donde las funciones :
a : R [0, ) R y
b : R [0, ) R son funciones medibles
Volviendo al ejemplo:
Sea f(x) = x
2
, y sea a = 0 y b = t
De acuerdo con las condiciones anteriores, tenemos la ecuacion
diferencial siguiente:
dx
t
= tdt
Tomamos la integral de ambos lados y obtenemos lo siguiente:
_
t
0
dx =
_
t
0
sds
_
t
0
dx =
1
2
s
2
[
t
0
_
t
0
2dx = t
2
La inquietud que se ventila es si esta regla impuesta por el teo-
rema fundamental del calculo es valable para el calculo estocasti-
co??????
W
2
t
=
_
t
0
2W
s
dW
Sobre esta ultima igualdad, observamos que la parte de la iz-
quierda nunca va a tomar valores negativos; en tanto que la parte
de la derecha s puede tomar valores negativos. Por lo tanto, se con-
cluye que tal igualdad es inexistente y, por consiguiente, la ecuaci on
anterior es falsa.
D. Denici on del Lema de Ito
En el cuadro del calculo estocastico, se ha desarrollado un equi-
valente al teorema fundamental del calculo el cual fue establecido
por K. Ito.
Sea W, un Movimiento Browniano construido sobre el espacio
probabilisado ltrado (, T, F, T) y f : R R, una funci on en donde
las dos primeras derivadas existen y son contnuas. Por tanto, para
todo 0 t T,
f(W
t
) f(W
0
) =
Pp.s.
_
t
0
df
dw
(W
s
)dW
s
+
1
2
_
t
0
d
2
f
dw
2
(W
s
)ds
Su forma diferencial es la siguiente:
df(W
t
) =
df
dw
(W
t
) +
1
2
d
2
f
dw
2
(W
t
)dt
Retomando el ejemplo con la funcion: f(x) = x
2
en donde,
f(W
t
) = W
2
t
y f(W
0
) = W
2
0
= 0
Tambien:
df
dw
(W
s
) = 2W
s
y
d
2
f
dw
2
(W
s
) = 2
Reemplanzando estos resultados en la ecuacion de Ito, obtene-
mos:
W
2
t
=
Pp.s.
2
_
t
0
W
s
dW
s
+
_
t
0
1ds
W
2
t
=
Pp.s.
2
_
t
0
W
s
+ t
Por tanto,
_
t
0
W
s
dW
s
=
W
2
t
t
2
E. Aplicacion de las SDE : Modelo de Black Scholes
La SDE de este modelo es la siguiente:
dS
t
= S
t
dt + S
t
dW
t
y buscamos una solucion (proceso estocastico) a dicha ecuaci on
diferencial.
Comenzamos por aplicar el lema de Ito a la siguiente funci on:
f(S
t
) = ln(S
t
)
df
dSt
=
1
St
;
d
2
f
dS
2
t
=
1
S
2
t
;
df
dt
= 0;
Aplicando el lema:
df(t, S
t
) =
df
dt
dt +
df
dS
t
dS
t
+
1
2
d
2
f
dS
2
t
(dS
t
)
2
donde (dS
t
)
2
= d < S >
t
=
2
S
2
t
dt
En ese sentido, obtenemos lo siguiente:
d(lnS
t
) = 0 dt +
1
S
t
dS
t
+
1
2
_
1
S
2
t
_
2
S
2
t
dt
Reemplazando dS
t
por su valor :
d(logS
t
) =
1
S
t
[S
t
dt + S
t
dW
t
] +
1
2
_
1
S
2
t
_
2
S
2
t
dt
d(lnS
t
) =
_

2
2
_
dt + dW
t
_
t
0
1d(lnS
s
) =
_
t
0
_

2
2
_
ds +
_
t
0
dW
s
lnS
s
[
t
0
=
_

2
2
__
t
0
1ds +
_
t
0
1dW
s
lnS
t
lnS
0
=
_

2
2
_
s[
t
0
+ W
s
[
t
0
ln
_
S
t
S
0
_
=
_

2
2
_
(t 0) + (W
t
W
0
..
=0
)
S
t
S
0
= e
2
2
t+Wt
S
t
= S
0
e
2
2
t+Wt
En otras palabras, venimos de mostrar que el proceso estocastico
S = S : 0 t T donde :
S
t
= S
0
exp
__

2
2
_
t + W
t
_
es una solucion a la ecuaci on diferencial estocastica :
dS
t
= S
t
dt + S
t
dW
t
F. Denici on de Procesos de Ito
Se llama proceso de Ito al proceso X = X
t
: 0 t T a valores
en R, pudiendo escribirse de la siguiente manera:
X
t
X
0
+
_
t
0
K
s
ds +
_
t
0
H
s
dW
s
, donde :
K = K
t
: 0 t T y H = H
t
: 0 t T son procesos
adaptados a la ltraci on F, tal que
P
_
_
t
0
[K
s
[ ds <
_
= 1 y P
_
_
t
0
[H
s
[
2
ds <
_
= 1
Esto ultimo escrito de forma diferenciable equivale a:
dX
t
= K
t
dt + H
t
dW
t
G. Denici on de Procesos de Variacion Cuadratica
Tomando en cuenta que el Proceso de Ito es:
X
t
X
0
+
_
t
0
K
s
ds +
_
t
0
H
s
dW
s
Considerando lo anterior, el proceso de variacion cuadratica de
X, llamado X = X
t
: 0 < t < T, esta denido por:
X
_
t
0
H
2
s
ds
H. Lema de Ito vrs Desarollo de Taylor
El desarrollo en serie de Taylor de la funci on contnua f : R
R, donde las primeras derivadas existen y son contnuas alrededor
del punto x
0
es :
f(x)
= f(x
0
) + f
(x
0
)(x x
0
) +
1
2
f
(x
0
)(x x
0
)
2
= : signica que se trata de una aproximaci on

Ahora bien, si la funci on contnua f : R R es dos veces
contnuamente diferenciable, entonces el lema de It o se expresa
de la siguiente manera:
f(X
t
) = f(X
0
) +
_
t
0
f
(X
s
)dX
s
+
1
2
_
t
0
f
(X
s
)dX
s
donde X es un proceso de Ito; donde su equivalente diferencial
es:
df(X
t
, t) =
f
X
(X
t
, t)H
t
dW
t
+
_
f
X
(X
t
, t)K
t
+
f
t
(X
t
, t) +
1
2
2
f
X
2
(X
t
, t)H
2
t
_
dt
NOTA IMPORTANTE :
La solucion de una ecuacion diferencial estocastica (SDE) con-
siste en encontrar el proceso estocastico satisfaciendo la ecuacion
dada. Por el contrario, el lema de Ito permite lo inverso, es de-
cir, permite encontrar la SDE que es satisfecha por un proceso es-
tocastico dado. En ese sentido, en el caso que el proceso estocastico
escogido satisface una SDE dada, podemos decir que habremos en-
contrado una soluci on a esta ecuacion; el lema de It o nos ofrece
soluciones a las SDE.
I. Denici on Proceso de Covarianza Cuadratica
Sea X y Y dos procesos de Ito tales que :
dX
t
= K
t
dt + H
t
dW
t
y
dY
t
=

K
t
dt +

H
t
dW
t
Entonces el proceso denido por X, Y
X, Y
t
=
_
t
0
H
s
H
s
ds
J. Denicion de Regla de Multiplicaci on
La regla de multiplicacion nos es util en el momento en que que-
remos estudiar, por ejemplo, el comportamiento de precios actua-
lizados de un activo en el momento en que conocemos los procesos
tanto el que describe la evolucion de precios como el del factor de
actualizaci on. En ese sentido, vemos aparecer el proceso de cova-
rianza cuadratica.
Regla de Multiplicacion:
Sea X y Y dos procesos de Ito tales que:
dX
t
= K
t
dt + H
t
dW
t
dY
t
=

K
t
dt +

H
t
dW
t
En este particular, la regla de multiplicaci on esta dada por:
dX
t
Y
t
= X
t
dY
t
+ Y
t
dX
t
+ dX, Y
t
dX
t
Y
t
= X
t
(
K
t
dt +

H
t
dW
t
) + Y
t
(K
t
dt + Y
t
dW
t
)H
t
Hdt
dX
t
Y
t
=
_
X
t

K
t
+ Y
t
K
t
+ H
t
H
t
_
dt +
_
X
t
H
t
_
dW
t
Ejemplo:
Supongamos que el proceso estocastico X satisface la ecuaci on:
dX
t
= X
t
dt + X
t
dW
t
X
t
representa la evoluci on del precio de un ttulo riesgoso.
Por otra parte, el proceso
t
= e
rt
: t 0 representa el factor
de actualizaci on.
Notese que:
d
dt
t
= re
rt
= r
t
De acuerdo con lo anterior, el proceso es un proceso de Ito
satisfaciendo la ecuacion diferencial:
d
t
= r
t
dt
, X
t
0
El proceso Y = X representa la evoluci on del valor actualisado
del precio del ttulo; aplicamos pues la regla de multiplicacion.
dY
t
= d
t
X
t
dY
t
=
t
dX
t
+ X
t
d
t
+ d, X
dY
t
=
t
(X
t
dt + X
t
dW
t
) + X
t
(r
t
dt) + 0
dY
t
= ( r)
t
X
t
dt +
t
X
t
dW
t
dY
t
= ( r)Y
t
dt + Y
t
dW
t
K. Denici on de Medida Martingala Neutral al Riesgo
Sea (, T, F = T
t
: 0 t T, P) un espacio probabilisado ltra-
do sobre el cual es construido el Movimiento Browiano Estandar
W = W
t
: 0 t T.
El proceso estocastico S = S
t
: 0 t T representa la evolu-
cion del precio de un ttulo valor riesgoso y satisface la Ecuaci on
Diferencial Estocastica:
dS
t
= S
t
dt + S
t
dW
t
Se va a suponer que la tasa de interes es constante, el factor de
actualizaci on es, por tanto:
(t) = e
rt
Lo que es equivalente a : d(t) = re
rt
dt
Denamos ahora, para todo 0 t T, Y
t
=
t
S
t
; en ese sentido,
Y
t
representa el valor actualizado al tiempo t del ttulo riesgoso. En
ese sentido, aplicando la regla de multiplicaci on de It o, obtemos:
dY
t
= d
t
S
t
dY
t
=
t
dS
t
+ S
t
d
t
+ d, S
dY
t
=
t
(S
t
dt + S
t
dW
t
) + S
t
(r
t
dt)
dY
t
= ( r)
t
S
t
dt +
t
S
t
dW
t
dY
t
= ( r)Y
t
dt + Y
t
dW
t
Ahora bien, es menester mencionar que bajo la medida neutral
al riesgo (, T, F, Q), el proceso estocastico Y = Y
t
: 0 t T
debiera ser un (F,Q) - martingala, en donde, la tendencia debiera
ser nula; en otras palabras, el coeciente de deriva es igual a cero
(Un poco mas adelante, se especicara el concepto de esta nueva
medida probabilidad mencionada Q). En ese sentido, procedemos
a llevar a cabo la siguiente transformaci on:
dY
t
= ( r)Y
t
dt + Y
t
dt Y
t
dt + Y
t
dW
t
dY
t
= ( r)Y
t
dt + Y
t
dt Y
t
dt + Y
t
dW
t
dY
t
= ( r)Y
t
dt Y
t
dt + Y
t
dt + Y
t
dW
t
dY
t
= ( r )Y
t
dt + Y
t
dt + Y
t
dW
t
dY
t
= ( r )Y
t
dt + Y
t
(dt + dW
t
)
dY
t
= ( r )Y
t
dt + Y
t
d(t + W
t
)
Ahora bien, como queremos que el factor de deriva sea igual a
cero, entonces planteamos lo siguiente:
r = 0
Por tanto, obtenemos que:
=
r
Reemplazando en la EDS:
dY
t
=
_
r
_
r
_
Y
t
dt + Y
t
d
_
_
r
_
t + W
t
_
dY
t
=
_
r
_
r
_
Y
t
dt + Y
t
d
__
r
_
t + W
t
_
Sea
W
=
_
r
_
t + W
t
Por tanto, la EDS sufre una transformaci on de la siguiente for-
ma:
dY
t
=
_
r
_
r
_
Y
t
dt + Y
t
d (W
)
dY
t
= Y
t
dW
t
As, obtenemos equivalentemente, el proceso estocastico de Y
t
Y
t
= Y
0
+
_
t
0
Y
s
dW
s
Al sufrir una transformacion el (F, T) - Movimiento Browiano
original por W
, se concluye que W
no es un Movimiento Brow-
niano Estandar sobre la medida de probabilidad T, tomando en
cuenta que la nueva distribucion es A(
r
t, t). En ese sentido, se

concluye tambien que el proceso estocastico de Y
t
no es (F, T)-
martingala tomando en cuenta que la integral estocastica esta cons-
truida con respecto a W
, donde este ultimo, no es una (F, T) -

martingala.
Mas precisamente, tenemos que :
E
P
(W
t
) =
r
t
vara con el tiempo.
Tomando en cuenta que W
no es un Movimiento Browniano
Estandar, se debe proceder a buscar una medida de probabili-
dad alterna de tal suerte que W
sea efectivamente un Movimiento

Browniano. A esta nueva medida se le va a llamar Q.
Cabe entonces preguntarse: C omo determinamos esta medida
Q ?
K1. Teorema de Radon-Nikodym
Sea Y, una variable aleatoria construida sobre el espacio proba-
bilisado (, T, T) tal que:
, Y() 0 y E
P
[Y ] = 1
Para todo evento A T, sea
Q(A) = E
P
[Y
A
]
Entonces Q es una medida de probabilidad sobre (, T) y Q(A)
= 0 SI P(A) = 0
Dicho en otras palabras, dos medidas de probabilidad P y Q
construidas sobre el mismo espacio de probabilidad (, T) son lla-
mados equivalentes si ellas tienen el mismo conjunto de eventos
impossibles, es decir que:
P(A) = 0 Q(A) = 0, A T
La pregunta en esto es: Dado dos medidas de probabilidad equi-
valentes P y Q, la pregunta que sale a relucir es si existe una va-
riable Y a valores no negativos tales que:
Q(A) = E
P
[Y
A
] ?????
Note que si A = ; Y () = 0, entonces:
Q(A) = E
P
[Y
A
] = 0
Por lo tanto, se requiere que P(Y = 0) = 0, es decir P(Y > 0)
= 1
Teorema de Radon-Nikodym:
Dadas dos medidas de probabilidad, T y Q, construidas sobre el
espacio probabilisable (, T), existe una variable aleatoria Y R
+
casi seguramente, es decir, Q(Y > 0) = P(Y > 0) = 1, tal que, A
T,
Q(A) = E
P
[Y
A
]
Justamente, esta variable aleatoria Y es denotada por
dQ
dP
Corolario:
Sean dos medidas de probabilidad T y Q, el espacio ltrado
(, T, F), tales que P y Q sean equivalentes sobre (, T
t
) para todo
t [0,T].
En ese sentido, existe un (T
t
, t [0, T], T) - martingala positiva
/ tal que para todo t [0,T] y para todo A T
t
, tenemos:
Q(A) = E
P
[Y
A
]
A esto se denota tambien:
dQ
dP
[
Ft
RECETA PARA CONSTRUIR LA MEDIDA DE PROBABILIDAD
Y LA INTERVENCION DE LA DERIVADA DE RADON-NIKODYM:
Si T es generada por n variables reales X
1
, ..., X
n
la derivada
de Radon-Nikodym es simplemente el cociente de densidades f
Q
y
f
P
, i.e.
dQ
dP
[
{W
tk
2
n
;k=1,...,2
n
}
=
f
Q
(X
1
, ..., X
n
)
f
P
(X
1
, ..., X
n
)
Tomando en cuenta el ejemplo que tenamos donde W
= W
t
+t
y queremos saber si W
sea un (F, Q)- Movimiento Browniano, y

sea X
k
= Wtk
2
n
para k = 1, ... , 2
n
Por consiguiente, con respecto a la tribu
tk
2
n
; k = 1, ..., 2
n
, la
derivada de Radon-Nikodym es:
dQ
dP
=
d(X
1
, ..., X
2
n)
d(X
1
, ..., X
2
n)
dQ
dP
=
d(X
2
X
1
, X
3
X
2
, ..., X
2
n X
2
n1
)
d(X
2
X
1
, X
3
X
2
, ..., X
2
n X
2
n1)
Como el valor del determinante en el calculo del Jacobiano para
cambios unitarios es igual a 1, tenemos que:
dQ
dP
=
f
Q
(X
2
X
1
, X
3
X
2
, ..., X
2
n X
2
n1
)
f
p
(X
2
X
1
, X
3
X
2
, ..., X
2
n X
2
n1)
Por independencia de los incrementos,
dQ
dP
=
f
Q
(X
2
X
1
) f
Q
(X
3
X
2
) ... f
Q
(X
2
n X
2
n1
)
f
P
(X
2
X
1
) f
P
(X
3
X
2
) ... f
P
(X
2
n X
2
n1)
dQ
dP
=
2
n
k=1
1
t
2
n
e
2
n
2t
W
kt
2
n
W
(k1)t
2
n
t
2
n
2
n
k=1
1
t
2
n
e
2
n
2t
W
kt
2
n
W
(k1)t
2
n
2
dQ
dP
[
{W
tk
2
n
;k=1,...,2
n
}
=
e
2
n
2t
2
n
k=1
_
Wtk
2
n
Wt(k1)
2
n
t
2
n
_
2
e
2
n
2t
2
n
k=1
_
Wtk
2
n
Wt(k1)
2
n
_
2
Aplicando la regla de formula notable, obtenemos el siguiente
desarrollo:
dQ
dP
[
{W
tk
2
n
;k=1,...,2
n
}
=
e
2
n
2t
2
n
k=1
W
tk
2
n
W
t(k1)
2
n
2t
2
n
2
n
k=1
W
tk
2
n
W
t(k1)
2
n
+

2
t
2
(2
n
)
2
2
n
e
2
n
2t
2
n
k=1
W
tk
2
n
W
t(k1)
2
n
2
dQ
dP
[
{W
tk
2
n
;k=1,...,2
n
}
= e
2
n
k=1
W
tk
2
n
W
t(k1)
2
n
2
t
2
Suponga que no contiene mas que un n umero nito de ele-

mentos. Sea Y =
T
X el valor actualizado del derecho contingente
accesible X. En ese sentido, el precio actualizado de dicho activo
contingente a t = 0 es:
E
Q
[Y ] =
Y ()Q()
E
Q
[Y ] =
Y ()
Q()
P()
P()
E
Q
[Y ] = E
P
_
Y
Q
P
_
Ejemplo:
Consideremos el modelo de mercado de tipo binomial:
Cuadro 1
_
S
(1)
0
()
S
(2)
0
()
_ _
S
(1)
1
()
S
(2)
1
()
_ _
S
(1)
2
()
S
(2)
2
()
_
P Q
dQ
dP
1
(1;2) (1.1;2) (1.21;1)
1
4
0.360 1.44
2
(1;2) (1.1;2) (1.21;3)
1
4
0.540 2.16
3
(1;2) (1.1;4) (1.21;1)
1
4
0.015 0.06
4
(1;2) (1.1;4) (1.21;5)
1
4
0.085 0.34
K2. Teorema de Cameron - Martin - Girsanov
Nos concentramos en un intervalo en el intervalo de tiempo: t
[0,T].
Sea W = W
t
: t [0, T] representa un Movimiento Browniano
construido sobre el espacio probabilisado ltrado (, T, F, T) tal que
la ltraci on F es generada por el Movimiento Browniano, aumen-
tada de todos los eventos de probabilidad nula, es decir, que para
todo t 0,
T
t
= (N y W
s
: 0 s t)
Gracias al teorema de Teorema de Cameron-Martin-Girsanov,
es que se podra construir la medida neutral al riesgo; a continuaci on
se enuncia dicho teorema:
Sea =
t
: t [0, T], un proceso F-previsible tal que:
E
P
_
exp
_
1
2
_
T
0
2
t
dt
__
<
Entonces, existe una medida Q sobre (, T
T
) tal que:
(CMG1) Q es equivalente a P
(CMG2)
dQ
dP
[
Ft
= exp
_
_
t
0

s
dW
s
1
2
_
t
0

2
s
ds
_
, t [0,T]
(CMG3) El proceso

W =
W
t
: t [0, T] denido por
W = W
t
+
_
t
0

s
ds, es un (T
t
, t [0, T], Q) - Movimiento Brow-
niano.
Condicion de Novikov:
La condicion es la siguiente:
E
P
[exp
_
1
2
_
T
0
2
t
dt
_
] = e
2 T
2
<
En ese sentido, cumpliendose la condici on de Novikov, enton-
ces, por los teoremas de Radon-Nikodym y de Cameron-Martin-
Girsanov,
Q(A) = E
P
_
exp
_
_
T
0

t
dW
t
1
2
_
T
0

2
t
dt
_
A
_
, A T
donde

W =
W
t
: t [0, T] es un (F, Q) - movimiento browniano.
NOTA: En la practica, no se requiere determinar la medida de
probabilidad Q; es suciente de tener conocimiento que existe y
de conocer la ecuaci on diferencial estocasticadel proceso que nos
interesa sobre el espacio (, T, F, Q).
Retomando el proceso estocastico Y = Y
t
: 0 t T construido
sobre el espacio (, T, F, T) habiendo servido a la construccion del
movimiento browniano representa la evoluci on del precio actuali-
zado de un ttulo riesgoso, donde:
dY
t
= ( r)Y
t
dt + Y
t
dW
t
Ahora bien, en un mundo neutral al riesgo (, T, F, Q), la ten-
dencia de Y debe ser nula, es decir que queremos que el coeciente
de deriva sea cero.
dY
t
= ( r)Y
t
dt + Y
t
dW
t
dY
t
= Y
t
r
dt + Y
t
dW
t
dY
t
= Y
t
d
_
W
t
+
r
t
_
dY
t
= Y
t
d
W
t
donde
W
t
= W
t
+
r
t = W
t
+
_
t
0
r
ds
Por tanto, para este caso:
s
=
r
Con base en lo anterior, vamos a proceder a vericar la condici on

de Novikov:
E
P
_
exp
_
1
2
_
T
0
2
t
dt
__
= E
P
_
exp
_
1
2
_
T
0
_
r
_
2
dt
__
E
P
_
exp
_
1
2
_
T
0
2
t
dt
__
= exp
_
1
2
_
r
_
2
T
_
<
Ahora bien, y con base en el resultado anterior, podemos aplicar
el teorema de Girsanov:
dQ
dP
= exp
_
_
T
0
t
dW
t
1
2
_
T
0
2
t
dt
_
dQ
dP
= exp
_
_
T
0
r
dW
t
1
2
_
T
0
_
r
_
2
dt
_
dQ
dP
= exp
_
W
T
1
2
_
r
_
2
T
_
Q(A) = E
P
_
exp
_
W
T
1
2
_
r
_
2
T
_
A
_
, A T
T
Por tanto, bajo la medida Q, la evolucion del precio actualizado
para un ttulo riesgoso satisface la ecuaci on,
dY
t
= Y
t
d
W
t
donde

W es efectivamente un Q - Movimiento Browniano
Bibliografa
1. Notas del Curso de Maestra de Ingeniera Financiera , HEC
Montreal : Calcul Stochastique I dado por la profesora Phd. Ge-
nevi`eve Gauthier
2. Les Produits Derives Financiers : Methodes d
Evaluation
Pascal Francois , DUNOD
3. Introduction au Calcul Stochastique Applique a la Finance
Damien Lamberton , Bernard Lapeyre Ellipses

Fudamentos A Los Procesos-Estocasticos

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Fudamentos A Los Procesos-Estocasticos

Uploaded by

Copyright:

Available Formats

Introducci on a los Procesos

). Para todo i 1, ..., n , 0 P(

). Para todo evento A , P(A) =

Pregunta: De cual tribu debemos tomar del conjunto fundamen-

no es tiempo de parada ya que:

Msc. Rodolfo A. Murillo Arias Introduccion a los Procesos Estocasticos 15

20. Denici on de Caminatas Aleatorias

Una Trayectoria del Movimiento Browniano);

, donde lo que se requiere es conocer el valor de la

= : signica que se trata de una aproximaci on

t, t). En ese sentido, se

, donde este ultimo, no es una (F, T) -

sea efectivamente un Movimiento

sea un (F, Q)- Movimiento Browniano, y

Suponga que no contiene mas que un n umero nito de ele-

Con base en lo anterior, vamos a proceder a vericar la condici on

You might also like