Introduccin a las ecuaciones diferenciales estocsticas

L. Rincn Departamento de Matemticas Facultad de Ciencias UNAM Circuito Exterior de CU 04510 Mxico DF lars@fciencias.unam.mx

Resumen Se presenta una introduccin breve y simple de la teora de ecuaciones diferenciales estocsticas. Las ecuaciones diferenciales que se estudian son ordinarias y el trmino estocstico que se usa es la integral de It respecto del movimiento Browniano. Se presentan adems varios ejemplos y modelos particulares que ayudan a desarrollar la intuicin y comprensin del comportamiento de la solucin a una ecuacin estocstica.

Este trabajo constituye una exposicin elemental al tema de ecuaciones estocsticas a tiempo continuo en su versin ms simple. La intencin es la de proporcionar un panorama introductorio al tema sin buscar el contexto general o las condiciones mnimas para que los resultados enunciados permanezcan vlidos. En consecuencia la mayora de las demostraciones se omiten o bien no se presentan con detalle. La integral estocstica que se utiliza es la establecida por It y se usa sta nicamente respecto del movimiento Browniano. El trabajo consta de las siguientes partes. Se inicia recordando algunas ideas bsicas de probabilidad y procesos estocsticos. Particularmente se dene el movimiento Browniano y se mencionan algunas de sus propiedades. Se construye despus la integral de It respecto de este proceso en una serie de extensiones sucesivas. Finalmente y mediante algunos ejemplos y modelos particulares se muestran algunos aspectos de la teora de ecuaciones estocsticas.

Probabilidad, procesos estocsticos y movimiento Browniano

En esta seccin se revisan brevemente algunos conceptos bsicos de probabilidad y de procesos estocsticos. En particular se estudia el movimiento Browniano, del cual se recuerda su denicin y se enuncian slo algunas de sus propiedades. 26

Introduccin a las ecuaciones diferenciales estocsticas

27

Probabilidad
El modelo matemtico bsico de la teora de la probabilidad es el as llamado espacio de probabilidad, que consta de una terna ordenada (, F , P ) en donde es un conjunto arbitrario no vaco 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 tpico de l se le denota por . El segundo elemento es una coleccin no vaca F de subconjuntos de , llamada -lgebra, que es cerrada 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 cumple los siguientes axiomas establecidos en 1933 por A. Kolmogorov: P () = 1, P (A) 0 para cualquier A en F , y P es -aditiva, es decir, si A1 , A2 , . . . es una sucesin de eventos, disjuntos dos a dos, entonces P(

An ) =

n=1

P (An ).

n=1

Las leyes del azar estn representadas por las distintas medidas de probabilidad existentes. El nmero P (A) es una medida de la frecuencia con la que se observa el evento A cuando se realiza el experimento aleatorio. Todo lo que se mencione en 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 ms pequea que contiene a todos los intervalos abiertos de R, entonces se tiene el espacio medible (R, B (R)). A los elementos de la -lgebra B (R) se les llama Borelianos o conjuntos Borel medibles. Podemos ahora recordar el concepto ubicuo de variable aleatoria. Una variable aleatoria (v.a.) es una funcin X : R que transforma a los elementos de en nmeros reales y es tal que para cualquier conjunto Boreliano B se cumple que X 1 (B ) es un elemento de F . En este caso tambin se dice que X es una funcin medible (, F ) (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 suma, diferencia, producto y cociente (cuando existe) de v.a.s producen v.a.s. Procesos lmite de variables aleatorias (cuando existen) resultan tambin ser v.a.s. 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 conjunto Boreliano B se dene la funcin PX (B ) = P (X 1 B ), que resulta ser una medida de probabilidad sobre B (R). Se le llama la distribucin de X , y encierra en ella toda la informacin probabilstica de X . De manera equivalente puede estudiarse la funcin de distribucin de X denida por F (x) = P (X x) para cualquier nmero real x. Por ejemplo, la variable X tiene una distribucin normal o gausiana con parmetros (, ) y 2 (0, ) si su funcin de distribucin es
x

F (x) =

2 2

e(u)

2 /2 2

du.

28

L. Rincn

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

g (x)dF (x),

en donde F (x) es la funcin de distribucin de X y la integral indicada es una integral de Riemann-Stieltjes, sobre la cual se asume su existencia. Vase por ejemplo [8] para una exposicin de este tipo de integrales en el contexto de la teora de la probabilidad. En particular, cuando g (x) = x, se obtiene la esperanza de X denotada por E (X ), cuando g (x) = (x E (X ))2 , se obtiene la varianza de X denotada por Var(X ). Para la distribucin normal mencionada antes puede demostrarse que E (X ) = y Var(X ) = 2 . Ms generalmente, la esperanza condicional de una variable aleatoria integrable X , dada una sub- -lgebra G F , es una variable aleatoria, denotada usualmente por E (X |G ), que es integrable, G -medible y satisface la igualdad
G

E (X |G )dP =

XdP,
G

para cualquier G en G . Estas tres propiedades caracterizan de manera nica, en el sentido casi seguro, a la esperanza condicional. En particular cuando la integral anterior se realiza sobre la totalidad se obtiene la igualdad E (E (X |G )) = E (X ). Cuando X es G -medible sucede que X mismo cumple con la denicin de esperanza condicional y por la unicidad se tiene que E (X |G ) = X . Por otro lado tambin usaremos el hecho de que si X es independiente de G entonces la esperanza condicional E (X |G ) es la constante E (X ).

Procesos estocsticos
El siguiente concepto de nuestro inters es el de proceso estocstico. Con este modelo se pretende representar la evolucin aleatoria de un sistema a lo largo del tiempo. Un proceso estocstico es una coleccin de variables aleatorias {Xt : t T} parametrizada por 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 parmetros sea un conjunto discreto, por ejemplo T = {0, 1, 2, . . .}. En este caso el proceso consiste de una sucesin de variables aleatorias. Se dice en cambio que el proceso es a tiempo continuo cuando

Introduccin a las ecuaciones diferenciales estocsticas

29

el conjunto de parmetros consiste de un subintervalo de R, por ejemplo T = (a, b). En lo sucesivo consideraremos procesos en donde las variables aleatorias toman valores reales y el espacio parametral es el intervalo [0, ). Un proceso estocstico es entonces una funcin de dos variables X : [0, ) R, tal que para cada t 0, la funcin Xt ( ) es una variable aleatoria, mientras que para cada en , la funcin t Xt ( ) es una trayectoria del proceso. En principio no hay ninguna condicin sobre estas trayectorias, pueden ser continuas o no serlo, aunque una hiptesis comn es suponer trayectorias cdlg1 , es decir, continuas por la derecha con lmite por la izquierda. Por simplicidad denotaremos un proceso por Xt anteponiendo tal adjetivo para evitar confusiones. Revisamos a continuacin algunos conceptos tcnicos generales relativos a procesos estocsticos. Una familia de -lgebras (Ft )t0 es una ltracin si para 0 s t, se cumple 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 Ft = {Xs : 0 s t}. Claramente todo proceso es adaptado a su ltracin natural. En este caso a la -lgebra Ft se le interpreta como la historia del proceso al tiempo 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 la derecha cuando Ft+ = s>t Fs coincide con Ft . Es de utilidad tambin conocer alguna nocin de igualdad entre procesos estocsticos. Se dice que dos procesos Xt y Yt son equivalentes, o tambin que uno es una versin (o modicacin) del otro, si para cada t 0 se cumple P (Xt = Yt ) = 1. En tal caso se dice que la variable Xt es igual a Yt casi seguramente y se escribe Xt = Yt c.s. Un tipo de igualdad ms fuerte establece que los procesos son indistinguibles si P (Xt = Yt para cada t 0) = 1. Esto signica que con probabilidad uno las trayectorias de los dos procesos son idnticas. Claramente la indistinguibilidad es ms fuerte que la equivalencia. Sin embargo, cuando los procesos son continuos, es decir, cuando sus trayectorias son funciones continuas del parmetro, ambas nociones de igualdad coinciden. Una caracterstica importante que cumplen algunos procesos es la de tener incrementos independientes. Esta propiedad, que usaremos ms adelante, puede escribirse de la siguiente forma: Para cualesquiera tiempos 0 = t0 < t1 < < tn , las variables incremento Xt0 , Xt1 Xt0 , . . . , Xtn Xtn1 son independientes, es decir, la funcin de distribucin conjunta de todas ellas coincide con el producto de las funciones de distribucin individuales. Finalmente, para

Del francs: continue a ` droite, limite a ` gauche.

30

L. Rincn

concluir esta breve seccin mencionaremos a continuacin dos tipos de procesos de reconocida importancia. Un proceso estocstico Xt es de Markov (Markov, 1906) si para cada 0 s t y 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) cuando el estado del proceso al tiempo presente s es conocido. Esta propiedad es equivalente a la que exhiben los sistemas dinmicos deterministas, cuya evolucin queda perfectamente determinada una vez que se establece la 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 de transicin dada por 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 probabilidad de que el proceso se encuentre en el conjunto A al tiempo t dado que se encontr en el estado x en un tiempo anterior s. Inversamente, dada una funcin de transicin de esta forma (junto con algunas hiptesis adicionales) y una distribucin de probabilidad inicial, es posible construir un proceso de Markov cuya funcin de transicin es la dada. Otro ejemplo de proceso estocstico de inters es aquel conocido con el nombre de martingala. Un proceso Xt es una martingala (Lvy) si es adaptado, integrable y para 0 s t, con probabilidad uno se cumple E (Xt | Fs ) = Xs . (1) Las martingalas son procesos que estan relacionados con los juegos justos. Si Xt representa 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 que el proceso es una supermartingala, se trata entonces de un 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. Cuando se toma esperanza en la ecuacin (1) se obtiene E (Xt ) = E (Xs ). Esto quiere decir que todas las variables aleatorias que conforman una martingala tienen la misma esperanza. En particular, si la variable aleatoria inicial X0 es cero entonces E (Xt ) = 0 para cualquier t 0. Estas observaciones sencillas sobre martingalas sern usadas ms adelante. El clsico libro de Karlin y Taylor [11] constituye una excelente referencia general e introductoria sobre el tema de los procesos estocsticos. En la siguiente seccin estudiaremos muy brevemente el proceso estocstico de trayectorias continuas que posiblemente pueda considerarse de mayor importancia.

Introduccin a las ecuaciones diferenciales estocsticas

31

Movimiento Browniano
El fenmeno natural conocido ahora como movimiento Browniano tiene una larga e interesante historia. El primer registro, aunque no as la primera observacin del fenmeno, data de 1828 (vase [1]) cuando el botnico Robert Brown report en una revista cientca que granos de polen suspendidos en una cierta substancia y vistos a travs de un microscopio, realizaban un movimiento irregular e inexplicable. Este extrao movimiento fue objeto de muchas discusiones, y muy diversas hiptesis fueron formuladas en ese entonces con la intencin de dar una explicacin al fenmeno observado. Hoy en da este movimiento es entendido y explicado a travs de las mltiples colisiones aleatorias de las molculas del lquido con los granos de polen. Llegar a tal aseveracin tom muchos aos pues debi aceptarse la teora cintico molecular de la materia, y el seminal trabajo de Einstein de 1905 sobre el movimiento Browniano [5] contribuy decididamente a tal tarea. Las observaciones reales y directas del movimiento de los granos de polen u otras partculas sugieren que el fenmeno 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 longitudes de tiempo no pequeos, y teniendo en cuenta el teorema del lmite central, los incrementos pueden modelarse como variables aleatorias gausianas. La estructura matemtica de un proceso estocstico, es decir una coleccin de 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 partcula Browniana al tiempo t. La denicin matemtica, en el caso unidimensional, es la siguiente.
 

Denicin 1 Un movimiento Browniano estndar unidimensional es un proceso estocstico {Bt : t 0} tal que a) B0 = 0 casi seguramente. b) Las trayectorias t Bt son continuas. c) El proceso tiene incrementos independientes. d) La variable Bt Bs tiene distribucin N (0, t s) para 0 s < t.
 

Las condiciones que aparecen en esta denicin son consecuencia directa de las observaciones del fenmeno fsico, pero ello no garantiza que tal objeto matemtico exista. En 1923 el matemtico norteamericano Norbert Wiener demostr la existencia de un proceso con tales condiciones. Es por esta razn que a menudo a este proceso tambin se le llama proceso de Wiener y se le denota tambin por {Wt : t 0}. En sentido estricto el movimiento Browniano es el fenmeno

32

L. Rincn

fsico mientras que su modelo matemtico es el proceso de Wiener, aunque es comn llamar a ambas cosas por el mismo nombre: movimiento Browniano. Se tiene entonces que cada variable 2 ) = t. En aleatoria Bt tiene distribucin N (0, t) y por lo tanto E (Bt ) = 0 y Var(Bt ) = E (Bt 2 particular para 0 s < t se cumple E |Bt Bs | = t s. Tambin haremos uso de la identidad E |Bt Bs |4 = 3(t s)2 para 0 s < t. El movimiento Browniano fsico se presenta en tres dimensiones y es completamente errtico. En la siguiente gura puede apreciarse una posible trayectoria Browniana cuando sta se proyecta sobre una de sus coordenadas.
Bt ( )

Una trayectoria del movimiento Browniano unidimensional.

Este movimiento tiene muchas propiedades y conexiones con otras ramas de las matemticas, por ejemplo es un proceso de Markov y es tambin una martingala continua. Es interesante tambin mencionar que casi todas sus trayectorias son no diferenciables en ningn punto, las trayectorias Brownianas son entonces ejemplos de funciones, otrora consideradas extraas, que son continuas pero no diferenciables en ningn punto. Tambin puede demostrarse que sobre un intervalo de tiempo nito [a, b], casi todas las trayectorias tienen variacin no acotada, esto es,
n1

sup

k=1

|Btk+1 Btk | = ,

en donde es una particin a = t0 < t1 < < tn = b del intervalo [a, b]. Esta 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 RiemannStieltjes. Por otro lado puede demostrarse que la variacin cuadrtica sobre [a, b] es nita, y de hecho resulta ser la longitud del intervalo en cuestin, es decir,
n1

sup

k=1

|Btk+1 Btk |2 = b a.

Introduccin a las ecuaciones diferenciales estocsticas

33

Tal convergencia en media cuadrtica puede comprobarse como sigue. Si tk denota el incremento tk+1 tk y Bk es Btk+1 Btk entonces ||
k

(Bk )2 (b a)||2 = E [( = E[

(Bk )2 (b a))2 ] (Bk )2 (Bj )2 ] 2(b a)E [

4 2 k

k,j

(Bk )2 ] + (b a)2

=
k

E [(Bk ) ] +
k =j

E [(Bk ) ]E [(Bj )2 ] 2(b a) (tk ) + (b a)2

=
k

3(tk ) +
k =j

(tk )(tj ) (b a)2

=
k

2(tk )

2(b a) m ax tk 0.
0k<n

Otro de los muchos resultados interesantes del movimiento Browniano es el teorema de caracterizacin de Paul Lvy que establece que un proceso cualquiera {Xt : t 0} es un movimiento Browniano si y slo si tiene trayectorias continuas, empieza en cero, y tanto {Xt : t 0} 2 t : t 0} son martingalas. A travs de este resultado o directamente de la denicomo {Xt cin, puede demostrarse que los siguientes procesos son versiones del movimiento Browniano: a) Xt = 1 b) Xt = tX1/t para t > 0, con X0 = 0. c) c Bc2 t con c > 0 constante. Xt = Bt+s Bs con s 0 jo. El lector interesado puede encontrar una muy interesante y motivadora exposicin histrica sobre el descubrimiento del movimiento Browniano en el excelente libro de Edward Nelson [17], ahora disponible en la red en formato electrnico en la pgina web del autor. El libro de Mazo [16] es tambin una excelente fuente para algunos aspectos fsicos de este proceso. Para una primera introduccin a algunos aspectos matemticos puede consultarse por ejemplo [11].

Integracin estocstica
Esta seccin es un tanto tcnica y est basada en [19] y principalmente en [20]. El objetivo es denir la integral de It de un proceso {Xt : 0 t T } respecto del movimiento Browniano, es decir, una integral de la forma
T

Xt dBt .
0

(2)

34

L. Rincn

Llevar a cabo tal tarea nos conducir a enunciar sin demostracin algunos resultados tcnicos pero los esfuerzos tendrn su recompensa hacia el nal del trabajo donde haremos uso de este tipo de integrales. Igualmente la justicacin para desear denir estas integrales se volver evidente ms adelante. Deniremos la integral estocstica en varios pasos. Primero para procesos simples y despus, por aproximacin, para procesos ms generales. Consideraremos entonces como elementos iniciales un espacio de probabilidad (, F , P ) y un movimiento Browniano estndar unidimensional {Bt : t 0} junto con su ltracin natural (Ft )t0 . Asumiremos que el proceso {Xt : 0 t T }, visto como funcin X : [0, T ] R, es FT B[0, T ]-medible. El trmino FT B[0, T ] corresponde a la mnima -lgebra generada por el espacio producto FT B[0, T ]. Supondremos adems que el proceso es adaptado, es decir, para cada t en el intervalo [0, T ], la variable aleatoria Xt es Ft -medible. Denotaremos por L2 (P ) al espacio vectorial de variables aleatorias X que son cuadrado integrables, es decir, que cumplen la condicin ||X ||L2 (P ) = (E |X |2 )1/2 < . La funcin X ||X ||L2 (P ) dene una norma2 en L2 (P ), y este espacio es completo respecto de esta norma, es decir, es un espacio de Banach. Esto quiere decir que toda sucesin de Cauchy en este espacio tiene lmite en l. A la convergencia usando esta norma se le llama convergencia en L2 (P ), o tambin convergencia en media cuadrtica. Por ejemplo, la variable aleatoria Bt del movimiento Browniano pertenece a L2 (P ), pues ||Bt ||L2 (P ) = (E |Bt |2 )1/2 = t < . 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 Banach de procesos {Xt : 0 t T }, que cumplen la condicin
T

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

|Xt |2 dt)1/2 < .

Por ejemplo el movimiento Browniano B = {Bt : 0 t T } pertenece a este espacio pues

T

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

|Bt |2 dt )1/2 = (

T 0

E |Bt |2 dt )1/2 = (

T 0

1 t dt )1/2 = T < . 2

Una norma es una funcin real denotada regularmente por || ||, y denida sobre un espacio lineal que cumple: ||x|| 0, ||x|| = 0 x = 0, ||x + y || ||x|| + ||y || y ||x|| = ||||x||.

Introduccin a las ecuaciones diferenciales estocsticas

35

Integral para procesos simples

Sea 0 = t0 < t1 < < tn = T una particin nita del intervalo [0, T ]. Un proceso estocstico simple es un proceso de la forma Xt =
n1 k=0

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

en donde X tk 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 simple es entonces un proceso constante por pedazos con trayectorias cdlg, y las condiciones solicitadas garantizan que el 2 al espacio proceso es adaptado y tiene trayectorias cuadrado integrables. Denotaremos por H0 vectorial de todos los procesos simples. La integral estocstica de It de un proceso simple X respecto del movimiento Browniano, denotada por I (X ), se dene entonces naturalmente como la variable aleatoria
T

I (X ) =
0

Xs dBs =

n1 k=0

X tk (Btk+1 Btk ).

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 fundamental llamada isometra de It: ||I (X )||L2 (P ) = ||X ||L2 (P dt) . (3) En efecto, recordando que Bk denota la diferencia Btk+1 Btk , y tk = tk+1 tk , se tiene que ||I (X )||2 L2 (P ) = E (| = E(
n1

k=0 n1

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

j,k=0

= E(

n1

(X k )2 (Bk )2 )

k=0 n1 k=0

E (X k )2 tk
T

= E(
0

|Xt |2 dt)

= ||X ||2 L2 (P dt) .

36

L. Rincn

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 ver ms adelante. La inte2 una variable aleatoria dentro del gral estocstica asigna entonces a cada elemento del espacio H0 2 L2 (P ), que resulta ser continuo espacio L2 (P ). De esta forma se tiene el mapeo lineal I : H0 por la isometra de It. Observe que se puede tomar como ejemplo de proceso simple el movimiento Browniano discretizado, es decir, tomando X tk = Btk , y de esta forma tener la integral estocstica discreta
n1 k=0

Btk (Btk+1 Btk ).

Extensin por aproximacin

Ahora extendemos la integral estocstica a procesos un poco ms generales. Sea H2 el espacio de todos los procesos {Xt : 0 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 nica diferencia entre estos dos espacios es que a los elementos de H2 se les pide que sean medibles y adaptados. Claramente todo proceso simple es un elemento de H2 . Tenemos entonces la con2 H2 L2 (P dt), en donde puede probarse que H2 es denso en H2 tencin de espacios H0 0 respecto de la norma en L2 (P dt). Esto signica que para cualquier proceso X en H2 existe 2 tales que un sucesin de procesos X k en H0
k

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

(4)

Este procedimiento de aproximacin puede llevarse a cabo de la siguiente forma. Mediante la tcnica de truncacin todo proceso en H2 puede ser aproximado por un proceso acotado. A su vez todo proceso en H2 que es acotado se puede aproximar por procesos acotados y continuos. Y stos a su vez se aproximan por procesos simples de la forma
n k=0

Xtk 1[tk ,ttk+1 ) (t),

en donde 0 = t0 < t1 < < tn1 < tn = T es una particin nita de [0, T ]. Los detalles completos de esta sucesin de aproximaciones pueden encontrarse en [18]. Usando la isometra

Introduccin a las ecuaciones diferenciales estocsticas

37

de It es sencillo comprobar que la sucesin I (X k ) es una sucesin de Cauchy en el espacio L2 (P ). En efecto, ||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 ltima expresin puede hacerse tan pequea como se desee, tomando ndices k y l sucientemente grandes. Entonces de manera natural se dene, para cada X en H2 , I (X ) = l m I (X k ),
k

en donde el lmite 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 mn ||I (X ) I (X k )||L2 (P ) = 0. No es difcil vericar que tal denicin es correcta en el sentido de que el lmite no depende de la sucesin aproximante. De manera grca se tiene el siguiente diagrama:

2 H0

L2 (P )

H2 L2 (P dt)
Una primera extensin por aproximacin de la integral estocstica.

La isometra de It se cumple tambin para procesos en H2 como se muestra a continuacin. 2 tal que ||X X || Sea X en H2 y sea Xn en H0 n L2 (P dt) 0. Esta convergencia y la desigualdad | ||a|| ||b|| | ||a b|| implican que ||Xn ||L2 (P dt) ||X ||L2 (P dt) . Anlogamente, como ||I (X ) I (Xn )||L2 (P ) 0 se tiene que ||I (Xn )||L2 (P ) ||I (X )||L2 (P ) . El resultado buscado se obtiene entonces al tomar el lmite en la isometra de It como se muestra en el siguiente diagrama ||I (Xn )||L2 (P ) = ||Xn ||L2 (P dt) ||I (X )||L2 (P ) = ||X ||L2 (P dt) .

38

L. Rincn

La propiedad de esperanza nula se cumple tambin para procesos en H2 . De esta forma tenemos ahora el mapeo lineal y continuo I : H2 L2 (P ). Observe nuevamente que el movimiento Browniano {Bt : 0 t T } es un ejemplo de un proceso en el espacio H2 , y es posible demostrar que tal proceso puede ser aproximado en el sentido de la norma del espacio L2 (P dt), por el proceso simple Xt =
n1 k=0

Btk 1[tk ,tk+1 ) (t),

en donde 0 = t0 < t1 < < tn = T es una particin de [0, T ]. Se tiene entonces la siguiente integral estocstica particular, y su aproximacin como lmite en media cuadrtica
T

Bt dBt = l m
0

n1 k=0

Btk (Btk+1 Btk ),

en donde el lmite debe entenderse en el sentido de que la distancia mxima entre dos puntos sucesivos de la particin tiende a cero. Ms adelante calcularemos esta integral estocstica de dos maneras, primero usando esta representacin como lmite en el espacio L2 (P ), y despus usando la frmula de It.

La integral como un proceso

Hagamos ahora una pequea extensin. 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

Este articio permite ver a la integral estocstica no como una variable aleatoria sino como 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 respecto de la ltracin natural del movimiento Browniano. Denotaremos por el mismo smbolo a tal martingala continua.

Extensin por localizacin

Mediante un procedimiento llamado de localizacin es posible extender la denicin de integral de It a procesos medibles y adaptados que cumplen la condicin menos restrictiva
T

P(
0

|Xt |2 dt < ) = 1.

Introduccin a las ecuaciones diferenciales estocsticas

39

Denotaremos por L2 loc el espacio de todos estos procesos. Este procedimiento de localizacin hace uso de tiempos de paro y explicaremos a continuacin en qu consisten stos. Un tiempo de paro relativo a una ltracin (Ft )t0 es una variable aleatoria con valores en el intervalo cerrado [0, ] tal que para cada t 0, el evento ( t) pertenece a Ft . Cuando la ltracin es continua por la derecha, la condicin anterior es equivalente a ( t) Ft . El nuevo espacio 2 2 L2 loc contiene a H y es tal que para cada proceso X en Lloc existe una sucesin creciente de 2 tiempos de paro {n : n 1} tal que Xt 1(n t) H en donde n T cuando n crece a innito. Se dene entonces la integral estocstica como el siguiente lmite en el espacio L2 (P ):
t T

Xs dBs = l m
0

n 0

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

Nuevamente es posible demostrar que tal lmite existe, que existe una versin continua de l, y que es independiente de la sucesin de tiempos de paro localizante. 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 general, la isometra de It ya no se cumple cuando la integral estocstica tiene como dominio el conjunto L2 loc . Observe que para cualquier funcin continua f , el proceso {f (Bt ) : 0 t T } tiene trayectorias continuas y acotadas, por lo tanto es un elemento de L2 loc , y tiene sentido la expresin
t

f (Bs )dBs .
0

Mencionaremos nalmente que es posible demostrar que la integral anterior puede ser calculada mediante el siguiente lmite en el espacio L2 (P ), aunque tambin se verica la convergencia en probabilidad:
t

f (Bs )dBs = l m
0

n1 k=0

f (Btk ) (Btk+1 Btk ),

(5)

en donde 0 = t0 < t1 < . . . < tn = t es una particin de [0, t], y nuevamente el lmite debe entenderse en el sentido de que la distancia mxima entre dos puntos sucesivos de la particin tiende a cero. 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 mencionado se pueden encontrar en [20]. El esquema simplicado del procedimiento seguido para denir la integral estocstica se ilustra en el siguiente diagrama.

40

L. Rincn

2 H0

denicin

L2 (P )

H2 L2 loc

aproximacin

localizacin

Extensiones sucesivas de la integral estocstica.

Ejemplo 1 Con la ayuda de (5) calcularemos la integral estocstica

t

Bs dBs .
0

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

Bs dBs = l m
0

n1 j =0 n1 j =0

Btk (Btk+1 Btk )

= l m

1 1 2 2 Bt ) (Btk+1 Btk )2 ] [ (Bt k+1 k 2 2

1 2 1 = Bt t. 2 2 Los lmites indicados son vlidos en el sentido de media cuadrtica. Observe que el primer trmino del lado derecho corresponde a las reglas de integracin usual. El trmino adicional se conoce como la correccin de It. Ahora veamos el cambio en la solucin cuando modicamos ligeramente la forma de calcular la integral, al hacer la evalucin del integrando en el extremo derecho de cada subintervalo.

Introduccin a las ecuaciones diferenciales estocsticas

41

Observe que en este caso el proceso a integrar ya no es adaptado y por lo tanto queda fuera de la teora desarrollada antes. Usando la identidad 1 1 b(b a) = (b2 a2 ) + (a b)2 2 2 se obtiene, nuevamente en el sentido de media cuadrtica,
t n1 j =0 n1 j =0

Bs dBs = l m
0

Btk+1 (Btk+1 Btk )

= l m =

1 1 2 2 Bt ) + (Btk+1 Btk )2 ] [ (Bt k+1 k 2 2

1 2 1 B + t. 2 t 2

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

1 2 Bs dBs = Bt . 2

Observe que el trmino adicional de la integral de It ha desaparecido. La integral de Stratonovich tiene algunas ventajas operacionales pues sigue algunas reglas usuales del clculo integral, pero vista como proceso deja de ser una martingala. Ejemplo 2 Como un ejemplo de uso de la isometra de It vamos a calcular la esperanza y varianza de la variable aleatoria
t

Bs dBs .
0

Naturalmente la esperanza es cero pues la integral estocstica en este caso es una martingala. Entonces
t t

Var(
0

Bs dBs ) = E (
0

Bs dBs )2 = E (
0

2 Bs ds) =

t 0

2 E (Bs )ds =

t 0

1 s ds = t2 . 2

1 2 Alternativamente, como = 1 2 Bt 2 t, las cantidades anteriores pueden calcularse 1 2 1 usando el lado derecho de esta igualdad. Claramente E ( 2 Bt 2 t) = 0. Adems

t 0 Bs dBs

1 1 1 1 1 2 1 2 4 2 t) = Var(Bt ) = [E (Bt ) E 2 (Bt )] = [3t2 t2 ] = t2 . Var( Bt 2 2 4 4 4 2

42 Ejemplo 3 Sean Xt y Yt dos procesos en H2 . Entonces

t t t

L. Rincn

E(
0

Xs dBs

Ys dBs ) =
0 0

E (Xs Ys ) ds.

Esta frmula es fcil de comprobar usando la isometra de It y la igualdad 1 1 ab = (a + b)2 (a2 + b2 ). 2 2 En efecto,
t t

E(
0

Xs dBs

t 1 Ys dBs ) = E ( | (Xs + Ys ) dBs |2 ) 2 0 t t 1 Ys dBs |2 ) Xs dBs |2 + E | (E | 2 0 0 1 t = E |Xs + Ys |2 ds 2 0 t 1 t E |Ys |2 ds) ( E |Xs |2 ds + 2 0 0 t

=
0

E (Xs Ys ) ds.

Propiedades de la integral
La integral estocstica de It cumple varias propiedades aunque slo mencionaremos algunas de ellas aqu, a manera de resumen de las caractersticas sealadas antes. Primeramente debemos 2 mencionar que la integral It : L2 loc L (P ) es lineal y su esperanza es cero, es decir, para c constante y cualesquiera procesos Xs y Ys en L2 loc ,
t t t

a.
0

(cXs + Ys ) dBs = c
0 t

Xs dBs +
0

Ys dBs , c.s.

b. E (
0

Xs dBs ) = 0, c.s.

Cuando la integral estocstica se restringe al espacio H2 , entonces se cumple tambin la isometra de It:
t

c. E |

Xs dBs |2 = E

t 0

|Xs |2 ds.

Introduccin a las ecuaciones diferenciales estocsticas

43

Y vista como un proceso, la integral es una martingala, es decir, es integrable, adaptada y para 0 s t, se cumple
t s

d. E (
0

Xu dBu | Fs ) =

Xu dBu .
0

Existe adems una versin continua de tal proceso. En general, para X L2 loc , la integral ya no es una martingala sino una martingala local.

Frmula de It
En pocos casos una integral de Riemann se calcula usando directamente la denicin, en lugar de ello existen frmulas bien conocidas para calcular integrales. La misma situacin se presenta para integrales estocsticas: en muy raros casos se calculan stas a travs de su denicin. La famosa frmula de It es la herramienta fundamental para este tipo de integrales. Se enuncia a continuacin este resultado en una versin simple y se ejemplica su uso. Ms adelante se presenta una versin un poco ms general. En lo sucesivo haremos referencia a las siguientes espacios de funciones. Una funcin real de variable real es de clase C 1 , cuando es diferenciable y su derivada es continua. Anlogamente, una funcin es de clase C 2 , si es dos veces diferenciable y su segunda derivada es una funcin continua.

Teorema 1 (Frmula de It) Si f es un funcin de clase C 2 entonces 1 df (Bt ) = f (Bt )dBt + f (Bt )dt. 2 Esta frmula corresponde a la regla de la cadena del clculo diferencial usual en su versin estocstica. Mencionaremos a continuacin algunas ideas generales mediante las cuales esta importante frmula puede obtenerse, haciendo uso de la expansin de Taylor. Para una funcin f sucientemente suave, f (x) = f (x0 ) + f (x0 )(x x0 ) + R(t), en donde el residuo R(t) puede escribirse como sigue
x

R(t) =
x0 1

f (t)(x t) dt

=
0

(1 )f (x0 + (x x0 ))(x x0 )2 d.

44

L. Rincn

La segunda lnea se obtiene despus de un sencillo cambio de variable. Dado lo anterior, se tiene que si 0 = t0 < t1 < < tn = t es una particin de [0, t] entonces
n

f (Bt ) f (B0 ) = =

k=1 n k=1 n

[f (Btk ) f (Btk1 )] f (Bti1 )(Bk ) + f (Bti1 )(Bk ) +

1 0 1 0

(1 )f (Btk1 + Bk )(Bk )2 d
n

=
k=1

(1 )

f (Btk1 + Bk )(Bk )2 d
k=1

Puede comprobarse que al tomar el lmite cuando n las sumas convergen casi seguramente y entonces se obtiene la igualdad
t

f (Bt ) f (B0 ) = =

f (Bs ) dBs +
0

0 t 0

(1 )
t 0

f (Bs ) ds d

1 f (Bs ) dBs + 2

f (Bs ) ds.

Esta es la formulacin en trminos de integrales de la frmula de It, equivalente a la forma diferencial enunciada antes. Ilustraremos su uso mediante algunos ejemplos.
1 2 Ejemplo 4 Si f (x) = 2 x entonces la frmula de It establece que

1 2 1 2 B B0 = 2 t 2 es decir,
t

Bs dBs +
0

1 2

1 ds,
0

1 2 1 t. Bs dBs = Bt 2 2 0 Este resultado haba sido encontrado antes, ahora lo hemos obtenido de manera inmediata de la 3 frmula de It. De manera anloga, para la funcin f (x) = 1 3 x se obtiene
t 0

1 3 2 Bs dBs = Bt 3

Bs ds.
0

Ms generalmente, para f (x) =

t 0

1 n+1 , n+1 x

de la frmula de It se sigue que

t 0 n1 nBs ds.

n Bs dBs =

1 1 B n+1 n+1 t 2

Introduccin a las ecuaciones diferenciales estocsticas

45

df (Bt ) = f (Bt )dBt + 1 2 f (Bt )dt

It Kiyosi (Japn, 1915) y una versin de su frmula. Foto: MacTutor Archive, St. Andrews.

Ejemplo 5 Se usa a continuacin la frmula de It para encontrar una expresin bien conocida de los momentos pares de una distribucin normal centrada. Demostraremos que
2n E (Bt )=

(2n)! n t . 2n n!

Los momentos impares de dicha distribucin se anulan pues en tal caso el integrando corre2n para spondiente resulta ser una funcin impar. Consideremos entonces la funcin f (x) = 21 nx cualquier entero natural n. De la frmula de It se sigue que 1 2n 1 2n B B = 2n t 2n 0
t 0 2n1 Bs dBs +

1 2

t 0

2n2 (2n 1)Bs ds.

Tomando esperanza y resolviendo de manera iterada se obtiene

2n E (Bt )=

2n(2n 1) t 2n2 E (Bs )ds 2 0 2n(2n 1) (2n 2)(2n 3) t t1 2n4 E (Bs )dsdt1 = 2 2 0 0 . . . tn1 (2n)! t t1 = 1 dsdtn1 dt1 . 2n 0 0 0
1 2 1 3 2! tn2 , 3! tn3 ,

No es difcil vericar que los resultados sucesivos de estas integrales son: tn1 , 1 n . . ., n ! t . De esta forma se obtiene la frmula enunciada.

46

L. Rincn

Ecuaciones diferenciales estocsticas

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

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

Xt = X0 +
0

b(s, Xs )ds +
0

(s, Xs )dBs ,

(7)

en donde la primera es una integral de Riemann mientras que la segunda es una integral estocstica de It. El proceso solucin puede interpretarse como el estado de un sistema que evoluciona de manera determinista gobernado por la parte no aleatoria de la ecuacin pero perturbado por un ruido aditivo dado por la integral estocstica. A un proceso de la forma (7) se le llama proceso de It y para que esta ecuacin tenga alguna solucin se deben imponer condiciones en los coecientes. De manera anloga al caso determinista, existen teoremas bsicos de existencia y unicidad para ecuaciones diferenciales estocsticas que establecen condiciones de regularidad para los coecientes b y , bajo las cuales la ecuacin (6) tiene solucin nica. El siguiente es uno de tales resultados.


Teorema 2 (Existencia y unicidad) Si los coecientes b(t, x) y (t, x) de la ecuacin (6) satisfacen la condicin de 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, |b(t, x)|2 + | (t, x)|2 K (1 + |x|2 ), para alguna constante K > 0, entonces existe proceso estocstico Xt solucin de (6) que es adaptado, continuo, uniformemente acotado en L2 (P ), es decir, 2 ) < , y es adems nico en el sentido de indistinguibilidad. sup0tT E (Xt En este caso a tal solucin se le llama solucin fuerte de la ecuacin. La demostracin de este resultado es semejante al caso determinista, y hace uso del mtodo de iteraciones de Picard.
 

Introduccin a las ecuaciones diferenciales estocsticas

Mediante este mtodo se dene la sucesin de procesos
(0)

47

Xt Xt

= X0 ,
t

(n+1)

= X0 +
0

(n) b(s, Xs ) ds +

t 0

(n) (s, Xs ) dBs .

Dado lo anterior, existe entonces un proceso continuo X , tal que con probabilidad uno, Xt converge a Xt de manera uniforme en el intervalo [0, T ]. Adicionalmente puede demostrarse que (n) el proceso lmite es L2 -acotado en [0, T ], y que la convergencia Xt Xt tambin es vlida en 2 L (P ). Tambin debe demostrarse que el proceso lmite es efectivamente solucin de la ecuacin estocstica. Para ello se toma el lmite en la ecuacin que dene las iteraciones, y se verica la convergencia uniforme en [0, T ] con probabilidad uno, trmino a trmino. Los detalles de esta demostracin pueden encontrarse por ejemplo en [20]. Cuando algunas de las condiciones que requiere el teorema de existencia y unicidad no se cumplen, la solucin de ecuacin estocstica puede no existir, como se muestra en el siguiente ejemplo.

No repetiremos la demostracin, simplemente comentaremos algunos aspectos de los que consta la prueba completa. Naturalmente para que las iteraciones de Picard tengan sentido es necesario vericar que los integrandos involucrados son efectivamente susceptibles de ser integrados respecto de la diferencial respectiva. Para comprobar que tal sucesin de procesos es convergente se demuestra que, con probabilidad uno, esta sucesin constituye una sucesin de Cauchy en el espacio de funciones continuas C [0, T ], respecto de la norma uniforme ||X || = sup0tT |Xt |.
(n)

2 dt con condicin inicial Ejemplo 6 Considere la ecuacin diferencial determinista dXt = Xt 2 X0 = 1. Esto corresponde a tomar los coecientes b(t, x) = x y (t, x) = 0 en la ecuacin estocstica general. Es sencillo vericar que la solucin de esta ecuacin es Xt = 1/(1 t) para valores de t en el intervalo [0, 1). Es decir la solucin no est denida para t = 1. En tal tiempo se dice que la solucin explota pues crece hacia innito. El Teorema 2 de existencia y unicidad no se aplica en este caso pues la condicin de crecimiento en x del coeciente b(t, x) no se cumple.

Estos teoremas bsicos no establecen la forma de encontrar la solucin a una ecuacin estocstica dada. La siguiente versin de la frmula de It es el resultado clave para realizar algunos de estos clculos, y generaliza la versin anteriormente enunciada.

48


L. Rincn

Teorema 3 (Frmula de It) Si Xt es un proceso de It dado por (6) y f (t, x) es un funcin de clase C 1 en t y de clase C 2 en x, entonces el proceso Yt = f (t, Xt ) es tambin un proceso de It y satisface la ecuacin 1 dYt = ft (t, Xt )dt + fx (t, Xt )dXt + fxx (t, Xt )(dXt )2 . 2


(8)

Los subndices indican derivada y (6) se substituye en (8) usando la siguiente tabla de multiplicacin de McKean: dt dBt dt 0 0 dBt 0 dt

Observe que como las derivadas involucradas son funciones continuas, las integrales estocsticas resultantes estn bien denidas. La demostracin de este resultado sigue las mismas lneas que la versin ms simple. Ilustraremos a continuacin el uso de esta frmula con varios ejemplos.
t t

Ejemplo 7
0

sdBs = tBt

Bt dt.
0

Para vericar esta frmula puede tomarse el proceso Xt = Bt y la funcin f (t, x) = tx. 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. Ejemplo 8 Considere la funcin f (x) = ex . Por la frmula de It, eBt eB0 =
t 0

eBs dBs +

1 2

t 0

eBs ds,

es decir, el proceso Xt = eBt satisface la ecuacin diferencial 1 dXt = Xt dBt + Xt dt, 2 con condicin inicial X0 = 1. A este proceso se le llama movimiento Browniano geomtrico. Ms adelante estudiaremos con ms detalle este proceso.

Introduccin a las ecuaciones diferenciales estocsticas

49

Ejemplo 9 Demostraremos que el proceso Xt = Bt /(1 + t) es solucin de la ecuacin estocstica 1 Xt dt + dBt , dXt = 1+t 1+t con condicin inicial X0 = 0. Sea f (t, x) = x/(1 + t). El proceso Xt = f (t, Bt ) cumple la condicin inicial y por la frmula de It satisface la ecuacin 1 dXt = ft (t, Bt )dt + fx (t, Bt ) dBt + fxx (t, Bt ) dt 2 1 Bt dt + dBt = (1 + t)2 1+t Xt 1 = dt + dBt . 1+t 1+t

Ejemplo 10 Usando el mtodo de igualacin de coecientes resolveremos la ecuacin dXt = Xt dt + et dBt , cuando la condicin inicial es X0 = 0. Se busca un funcin f (t, x) tal que el proceso solucin pueda escribirse como Xt = f (t, Bt ). Igualando los coecientes de esta ecuacin con los de la frmula de It 1 dXt = ft (t, Bt )dt + fx (t, Bt ) dBt + fxx (t, Bt ) dt, 2 se obtiene el sistema de ecuaciones fx = et 1 ft + fxx = f. 2 De la primera ecuacin se obtiene f (t, x) = et x + c(t). Substituyendo en la segunda ecuacin y simplicando se obtiene c (t) = c(t), cuya solucin es c(t) = cet en donde c es una constante. Por lo tanto f (t, x) = et (x + c). Para que el proceso Xt = f (t, Bt ) = et (Bt + c) cumpla la condicin inicial X0 = 0 forzosamente la constante c debe ser cero. De esta forma la funcin buscada es f (t, x) = et x. En tal caso la frmula de It asegura que efectivamente dXt = et Bt dt + et dBt = Xt dt + et dBt .

50

L. Rincn

Modelos y simulacin
El modelo de ecuacin estocstica ha resultado muy til para representar sistemas que estn fuertemente afectados por ruido o perturbaciones aleatorias. Aplicaciones de tales modelos se estudian en ingeniera, nanzas y fsica entre muchas otras reas. Debido a la imposibilidad de encontrar soluciones explcitas a ciertas ecuaciones de inters, los mtodos numricos del caso determinista se han extendido al caso estocstico. En esta seccin se exponen algunos modelos particulares de ecuaciones estocsticas, y se explica un mecanismo para simular las trayectorias del proceso solucin.

Simulacin
Una trayectoria del proceso Xt que sigue la ley de movimiento de una ecuacin de la forma dXt = b(t, Xt )dt + (t, Xt )dBt , X0 = x0 , puede obtenerse mediante el mtodo de discretizacin de Euler-Maruyama. En este procedimiento se divide el intervalo [0, t] de manera uniforme en n subintervalos de idntica longitud t = t/n, y se dene tj = j t para j = 0, 1, 2, . . . , N . Suponiendo que Yj es un valor al azar de la distribucin normal estndar, se denen los valores sucesivos de la trayectoria solucin de la ecuacin estocstica como sigue X0 = x0 , Xtj +1 = Xtj + b(tj , Xtj )t + (tj , Xtj )

t Yj .

Ms adelante se presentar una implementacin de este procedimiento en MATLAB para simular trayectorias de soluciones de ecuaciones particulares. En [9] puede encontrarse una primera lectura de algunos mtodos para simular ecuaciones estocsticas.

Movimiento Browniano geomtrico

Considere la ecuacin estocstica dXt = Xt dt + Xt dBt , (9)

con condicin inicial X0 = x0 > 0, en donde y > 0 son constantes. Este ecuacin es de amplio uso en nanzas para modelar el precio de algunos bienes que uctan siguiendo los vaivenes de los mercados nancieros, y puede interpretarse de la siguiente forma. En ausencia del trmino estocstico, la ecuacin se reduce a dXt = Xt dt, cuya solucin es Xt = x0 et . Esta

Introduccin a las ecuaciones diferenciales estocsticas

51

funcin representa el comportamiento en el tiempo de un capital inicial positivo x0 que crece de manera continua y determinista a una tasa efectiva3 del 100 % suponiendo > 0.

Por otro lado la parte estocstica corresponde a la volatilidad de una inversin con riesgo sujeta a las uctuaciones de los mercados nancieros. El modelo asume que dicha variabilidad es proporcional al valor de la inversin. Observe que los coecientes de esta ecuacin satisfacen las condiciones para la existencia y unicidad de la solucin. Es posible resolver la ecuacin (9) usando el mtodo de igualacin de coecientes. Para ello se necesita encontrar una funcin f (t, x) tal que al aplicar la frmula de It al proceso Xt = f (t, Bt ) se obtenga la ecuacin (9). Comparando entonces los coecientes de la frmula general 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 g (t). 1 2 Substituyendo en la primera ecuacin se obtiene g (t) = 2 cuya solucin es g (t) = 1 2 ( 2 )t. Por lo tanto la solucin de (9) es 1 Xt = x0 exp[( 2 )t + Bt ]. 2 A este proceso se le llama movimiento Browniano geomtrico, y tambin se le conoce con el nombre de movimiento Browniano exponencial. En la siguiente gura puede apreciarse una trayectoria de este proceso con una inversin inicial x0 de una unidad monetaria, y con parmetros = 1 y = 1/3. La curva creciente corresponde al crecimiento determinista de la inversin cuando no hay aleatoriedad, es decir, cuando el coeciente de difusin es cero.

Esto 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= x0 (1+0.10517092) unidades monetarias.

52

L. Rincn

Xt ( ) E (Xt ) x0 = 1 =1 = 1/3 1 t 1 2
Simulacin del movimiento Browniano geomtrico.

En el siguiente programa de computadora se muestra una manera de simular trayectorias de este proceso. El cdigo es una traduccin a MATLAB de la discretizacin de la ecuacin estocstica, y es una adaptacin del cdigo que aparece en [9]. Este programa puede ser encontrado en la pgina web de Desmond J. Higham, junto con la implementacin de otros modelos y otras tcnicas de discretizacin. La funcin randn produce un valor al azar de la distribucin normal estndar.
randn(state,100) T=2; N=300; dt=T/N; xcero=1; mu=1; sigma=1/3; dW=zeros(1,N); MBG=zeros(1,N); dW(1)=sqrt(dt)*randn; MBG(1)=xcero+mu*dt+sigma*xcero*dW(1); for j=2:N dW(j)=sqrt(dt)*randn MBG(j)=MBG(j-1)+mu*MBG(j-1)*dt+sigma*MBG(j-1)*dW(j) end plot([0:dt:T],[xcero,MBG],r-) Cdigo MATLAB para simular el movimiento Browniano geomtrico.

Recordando que la funcin generadora de momentos de la distribucin N(, 2 ) es M (s) = 1 2 2 s ), es sencillo comprobar que E (Xt ) = x0 et , en efecto, exp(s + 2 1 E (Xt ) = E (x0 exp[( 2 )t + Bt ]) 2 1 2 = x0 exp[( )t] E (exp[Bt ]) 2 1 1 = x0 exp[( 2 )t] exp[ t 2 ] 2 2 = x0 et .

Introduccin a las ecuaciones diferenciales estocsticas

2t (e t 1), pues Similarmente es fcil vericar que Var(Xt ) = x2 0e
2

53

1 Var(Xt ) = Var(x0 exp[( 2 )t + Bt ]) 2 1 2 = x2 0 exp[2( )t] Var(exp[Bt ]) 2 1 2 2 = x2 0 exp[2( )t] (E (exp[2Bt ]) E (exp[Bt ])) 2 1 1 2 1 2 2 = x2 0 exp[2( )t] (exp[ t(2 ) ] exp[2( t )]) 2 2 2 2 2t 2 t = x0 e (e 1).

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

en donde y son constantes positivas. Esta ecuacin fue propuesta por Ornstein y Uhlenbeck para modelar la variacin de la velocidad en el movimiento difuso de una partcula para tiempos pequeos. La variable Xt se interpreta entonces como la velocidad de la partcula al tiempo t. La parte determinista Xt corresponde a la fuerza de friccin y el sumando dBt es un ruido aleatorio. Encontraremos la solucin de (10) suponiendo que el proceso inicia en x0 . Considere una solucin de la forma
t

Xt = a(t)[x0 +
0

b(s)dBs ],

(11)

en donde a y b son funciones diferenciables. Derivando (11) y usando la frmula de It (8) se obtiene dXt = a (t)[x0 +
0 t

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 Xt = x0 et +
0 t

e(ts) dBs .

54

L. Rincn

En la siguiente gura se muestra una simulacin de este proceso y se compara con E (Xt ). Naturalmente el proceso muestra un decaimiento conforme el tiempo avanza debido a la friccin que sufre el movimiento de la partcula. Xt ( ) 4 3 2 1 1 2 E (Xt ) t
Simulacin del proceso de Ornstein-Uhlenbeck.

x0 = 3 =1 =1

Por ser la integral estocstica una martingala se tiene que E (Xt ) = x0 et . Se puede calcular tambin la varianza de Xt como una aplicacin de la isometra de It: Var(Xt ) = 2 Var(
0 t

e(ts) dBs )

= 2 E( = 2(
0 0 t

e(ts) dBs )2

e2(ts) ds) 1 2s e 2
t 0

= 2 e2t

2 = (1 e2t ). 2

Puente Browniano
Considere la ecuacin estocstica dXt = Xt dt + dBt , 1t

para t [0, 1) y con condicional inicial X0 = 0. Esta ecuacin puede resolverse proponiendo nuevamente una solucin de la forma
t

Xt = a(t)[X0 +
0

b(s)dBs ],

Introduccin a las ecuaciones diferenciales estocsticas

en donde a y b son funciones diferenciables. Derivando se obtiene nuevamente dXt = a (t)[x0 +
0 t

55

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

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

Igualando coecientes se obtienen las ecuaciones a (t)/a(t) = 1/(1 t) y a(t)b(t) = 1. Suponiendo a(0) = 1 se obtiene a(t) = 1 t y b(t) = 1/(1 t). Por lo tanto para t [0, 1),
t

Xt = (1 t)

1 dBs . 1s

Este proceso cumple la condicin de tomar el valor cero en los tiempos t = 0 y t = 1, y por ello se le llama puente Browniano en el intervalo [0, 1]. No es muy difcil probar que, efectivamente, con probabilidad uno, estas trayectorias se anulan cuando t tiende a uno. Una trayectoria de este proceso se muestra en siguiente gura.

Xt ( )

t 1

Una trayectoria del puente Browniano en [0, 1].

Es sencillo calcular la esperanza, varianza y covarianza de este proceso. Primero observe que E (Xt ) = 0. Usando este resultado y la isometra de It calcularemos la covarianza entre Xs y Xt para 0 s t : Cov(Xs , Xt ) = E (Xs Xt )
s

= (1 s)(1 t)E (

1 dBu 1u

t 0

1 dBu ). 1u

La segunda integral puede descomponerse en la suma de dos integrales, una sobre el intervalo [0, s] y otra sobre (s, t]. Dada la propiedad de incrementos independientes del movimiento Brow-

56 niano, el segundo sumando desaparece. De modo que Cov(Xs , Xt ) = (1 s)(1 t)E ( 1 dBu )2 0 1u s 1 2 = (1 s)(1 t) ( ) du 0 1u s 1 = (1 s)(1 t) 1u 0 = s(1 t).
s

L. Rincn

En particular, Var(Xt ) = t(1 t). El puente Browniano en [0, 1] tambin puede representarse de las siguientes formas equivalentes Xt = Bt tB1 para t [0, 1], X t = X1t . Ms generalmente puede denirse el puente browniano a travs de la ecuacin dXt = b Xt dt + dBt , T t

para t [0, T ) y con condicional inicial X0 = a. Esta ecuacin determina un proceso que inicia en a y termina en b. La media y covarianza son t bt )+ , T T st Cov(Xs , Xt ) = m n{s, t} . T Una trayectoria de este proceso se muestra a continuacin: E (Xt ) = a(1 Xt ( ) b

a t T
Una trayectoria del puente Browniano en [0, T ] de a a b.

Introduccin a las ecuaciones diferenciales estocsticas

57

Comentarios nales. Espero este trabajo haya logrado el objetivo de dar una introduccin simple a las ecuaciones estocsticas, y que los varios ejemplos presentados hayan hecho ms transparente el concepto de integral estocstica. Tal vez no sea necesario mencionar que la teora matemtica de estos temas se ha desarrollado de manera mucho ms general que la presentada en estas notas, y muchos temas de aplicacin y relacin con otras ramas de las matemticas han sido dejados de lado. Se requiere por supuesto de una lectura ms extensa para conocer con mayor detalle los varios aspectos del clculo estocstico. En este sentido se recomiendan a continuacin algunos textos. Una introduccin elemental sobre simulacin de ecuaciones estocsticas puede encontrarse en [9]. Otros modelos de ecuaciones estocsticas y una gran variedad de aplicaciones pueden encontrarse en el libro de Kloeden y Platen [13]. Para un estudio sistemtico y detallado de estos temas pueden consultarse por ejemplo los textos [4], [6], [10], [12], [18] o [20]. Agradecimientos. Agradezco sinceramente al revisor de este trabajo por su lectura cuidadosa y por sus valiosas sugerencias que me permitieron mejorar varios aspectos de este escrito. Tambin deseo expresar mi agradecimiento a los organizadores del primer congreso regional en probabilidad: Jorge A. Len, Jos Villa, Juan Ruiz de Chvez y Jorge E. Macas, por la invitacin a presentar este trabajo en la Universidad Autnoma de Aguascalientes.

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] Brze zniak Z. y Zastawniak T. (1999) Basic stochastic processes. Springer. [3] Cherny A. S., Engelbert H. J. (2005) Singular stochastic differential equations. Springer. [4] Chung K. L. y Williams R. J. (1983) Introduction to stochastic integration. Birkhuser. [5] Einstein A. (1956) Investigations on the theory of the Brownian movement. Dover. [6] Gard T. C. (1988) Introduction to stochastic differential equations. Marcel Dekker, Inc. [7] Hernndez-Hernndez D. (2004) Movimiento Browniano y ecuaciones de Hamilton-Jacobi. Carta Informativa 42, SMM. [8] Harris B. (1966) Probability theory. Addison-Wesley. [9] Higham D. J. (2001) An algorithmic introduction to numerical simulation of stochastic differential equations. SIAM REVIEW Vol. 43, No. 3, 525546. [10] Karatzas I. y Shreve S. E. (1991) Brownian motion and stochastic calculus. Springer.

58

L. Rincn

[11] Karlin S. y Taylor H. M. (1975) A rst course in stochastic processes. Academic Press, Inc. [12] Klebaner F. C. (1998) Introduction to stochastic calculus with applications. Imperial College Press. [13] Kloeden P. E. y Platen E. (1999) Numerical solution of stochastic differential equations. SpringerVerlag. [14] Korn R. y Korn E. (2001) Option pricing and portfolio optimization: modern methods of nancial mathematics. Graduate Studies in Mathematics 31. AMS. [15] Len J. A. (2001) Una introduccin a las ecuaciones diferenciales estocsticas. Carta Informativa, SMM. [16] Mazo R. (2002) Brownian motion: uctuations, dynamics, and applications. Oxford University Press. [17] Nelson E. (1967) Dynamical theories of Brownian motion. Princeton University Press. [18] ksendal B. (1992) Stochastic differential equations: an introduction with applications. SpringerVerlag. [19] Rincn L. (2005) Construyendo la integral estocstica de It. Aportaciones Matemticas, Serie Comunicaciones 35, 265283. SMM. [20] Steele J. M. (2001) Stochastic calculus and nancial applications. SpringerVerlag.