Unidad 1. Procesos Estocásticos y Movimiento Browniano

Probabilidad III
Unidad 1. Procesos estocásticos y movimiento Browniano

Universidad Abierta y a Distancia de México
Licenciatura en matemáticas
8° cuatrimestre
Programa de la asignatura:
Probabilidad III
Unidad 1. Procesos estocásticos y Movimiento

Browniano
Clave:
050930831
1

Probabilidad III

Índice
Presentación de la unidad…………………………………………………………………………………. 3
Propósitos ……………………………………………………………………………………………………. 3
Competencia específica ……………………………………………………………………………………. 4
1.1 Introducción …………………………………………………………………………………………….. 4
1.1.1 Definición y ejemplos ……………………………………………………………………………….. 4
Actividad 1. Procesos estocáticos…………………………………………………………………….. 10
1.2 Movimiento Browniano ……………………………………………………………………………….. 11
1.2.1 Definición y propiedades…………………………………………………………………………… 12
1.2.2 Procesos derivados del movimiento Browniano ……………………………………………….. 19
Actividad 2. Movimiento Browniano…………………………………………………………………… 20
Autoevaluación………………………………………………………………………………………………. 21
Evidencia de aprendizaje: demostración sobre movimiento browniano…………………………. 21
Atorreflexiones……………………………………………………………………………………………. 22
Cierre de la unidad …………………………………………………………………………………………. 22
Para saber más ……………………………………………………………………………………………… 22
Fuentes de consulta ………………………………………………………………………………………… 23
2

Probabilidad III

Presentación de la unidad
En la presente unidad, titulada Procesos estocásticos y movimiento browniano, se presentan temas que
son fundamentales para incursionar en el estudio del cálculo estocástico, el cual tiene diversas aplicaciones
en áreas de conocimiento, como la física, las finanzas, la economía y la econometría, entre otras. La
presentación del contenido se realiza a través de dos subtemas:
Tema 1 Tema 2
• Se abordará el • Se proporcionará el

concepto de proceso concepto de
estocástico y algunos movimiento
ejemplos de éste, con browniano, así como
la finalidad de tratar el algunas
movimiento generalidades que
browniano. éste presenta.
Debes tener presente que a lo largo de la unidad, las definiciones, teoremas y propiedades se resaltan
empleando un fondo de color, debiendo hacer énfasis en comprender cada uno de éstos, con la finalidad
de que los emplees para ir construyendo un nivel de conocimientos óptimo acerca de la materia de estudio.
Propósitos de la unidad
Al término de esta unidad lograrás:
Identificar un proceso estocástico y sus

características.
Identificar un proceso de Wiener (movimiento
browniano) y algunos procesos derivados de éste.
Demostrar que un proceso estocástico es un proceso
de Wiener.
3

Probabilidad III

Competencia específica
Utiliza la teoría de procesos estocásticos

para identificar un movimiento browniano a
través de sus definiciones y propiedades.
1.1. Introducción
En esta sección se te proporcionarán algunas de las definiciones fundamentales de la Teoría de procesos

estocásticos.
Cabe mencionar que este curso muestra un alto grado de

rigurosidad, por lo que es necesario que al menos tengas
presente todas las definiciones que contemplaste en
asignaturas de probabilidad y, además, pongas atención en
las demostraciones que se exhiben para que,
posteriormente, logres construir tu propio aprendizaje.
Asimismo, no olvides pedir apoyo de tu Facilitador(a) cuando se te presente algún tipo de problemática,
logrando con ello, reforzar el estudio de los temas de estudio correspondientes a la unidad.
1.1.1. Definición y ejemplos
Un proceso estocástico (o aleatorio) sobre un espacio de probabilidad ( Ω, F , P ) , es una familia de
magnitudes aleatorias X t (ω ) que dependen de un parámetro real t, el cual toma valores en un conjunto T
que se le denomina “dominio de definición del proceso”, “espacio parametral” o “conjunto de índices
del proceso”. El conjunto S que contiene a todos los valores posibles que pueden tomar las variables
aleatorias X t (ω ) es llamado espacio de estados.
4

Probabilidad III

Proceso en tiempo discreto
Cuando el conjunto T es numerable. Por ejemplo. T = {1, 2, 3, ……}
Proceso en tiempo continuo
Cuando T es un intervalo de ° y es usual emplear como T al conjunto

[0, ∞ )

En virtud de lo anterior, podemos formalizar la definición de proceso estocástico, como se muestra a

continuación:
Definición. Proceso estocástico
Un proceso estocástico X es una colección de variables aleatorias:
( X t , t ∈T ) = ( X t (ω ) , t ∈T , ω ∈Ω)
Definida en algún espacio muestral Ω.
Como puedes ver, la definición nos indica que un proceso estocástico es una función de dos variables t y ω
, definidas de la siguiente manera:
1) Para un instante fijo de tiempo t, es la variable aleatoria X t = X t (ω ) , ω ∈Ω .
2) Para un suceso aleatorio fijo ω ∈ Ω , es una función del tiempo dada por X t = X t (ω ) , t ∈T .
Esta función recibe el nombre de “realización”, “trayectoria” o “camino muestral” del proceso X.
Debido a que a cada elemento ω ∈Ω se le asocia una realización del proceso, es posible considerar a un
proceso estocástico como una función aleatoria.
5

Probabilidad III

Debes tener claro que las variables aleatorias que conforman un determinado proceso estocástico no son,
en general, independientes, lo que significa que éstas presentan algún tipo de relación que determina las
diferencias entre dos o más clases de procesos.
Si se considera la sucesión de observaciones medidas en ciertos

Ejemplo momentos de tiempo, ordenados de manera cronológica a iguales
espacios entre sí de forma uniforme.
Dichas observaciones pueden representarse por…
( X t , t ∈T ) , donde T = [0, ∞) .
Claramente el conjunto anterior es un proceso estocástico. Este tipo

de procesos se conoce como series temporales y pueden ser
empleados, por ejemplo, para predecir y pronosticar resultados de
un fenómeno natural determinado.
Las temperaturas ambientales diarias de una determinada ciudad

mexicana representan una serie temporal, donde, si la temperatura
medida al tercer día fue de 30° Celsius, entonces se dice que 30° es
el estado del proceso al tiempo t = 3.
Considerando un subconjunto A del espacio de estados S, se indica que el proceso estocástico toma un
valor determinado en A para el tiempo i, a través del suceso ( X i ∈ A) . Es por ello que si se considera
distintos tiempos se pueden tener vectores como sucesos, con lo que ahora debe ser fácil de comprender
por qué es posible interpretar a un proceso estocástico como una colección de vectores aleatorios.
Todo proceso estocástico cuenta con características no aleatorias, como por ejemplo: una distribución, un
valor esperado, una varianza, etc. A continuación se definirá el concepto de “distribuciones finito
dimensionales” de un proceso estocástico multidimensional.
6

Probabilidad III

Definición. Distribuciones finito dimensionales
Si X es un proceso estocástico, entonces sus distribuciones finito

dimensionales son las distribuciones de los vectores finito dimensionales
(X t1 )
,..., X tn , t1 ,..., tn ∈ T
, para todos los posibles valores que pueden
tomar los tiempos t1 ,..., tn ∈ T y cada n ≥ 1
A menudo se hace referencia a las colecciones de distribuciones finito dimensionales de un proceso

estocástico, como su distribución. Cabe mencionar que la distribución de un proceso aleatorio puede ser
útil para realizar su clasificación.
X = ( X t , t ∈T )
Sea el proceso estocástico representado por la colección de vectores aleatorios
(X t1 )
,..., X tn , t1 ,..., tn ∈ T y n ≥ 1
, entonces:
En seguida proporcionaremos 3 definiciones importantes que es necesario que conozcas.
Esperanza de X
La función de esperanzas de X está dada por…
µ X (t ) = µ xt = EX t , t ∈ T
Covarianza X
La función de covarianzas de X es:
cX (t , s ) = cov ( X t , X s ) = E ⎡⎣( X t − µ X (t )) ( X s − µ X ( s ))⎤⎦ , t , s ∈T
En este caso, es válido aplicar la igualdad:
E ⎡⎣( X t − µ X (t )) ( X s − µ X ( s ))⎤⎦ = E [ X t X s ] − µ X (t ) µ X ( s )
7

Probabilidad III

Lo anterior se debe a que:
E ⎡⎣( X t − µ X (t )) ( X s − µ X ( s ))⎤⎦ = E ⎡⎣ X t X s − X t µ X ( s ) − X s µX (t ) + µ X (t ) µ X ( s )⎤⎦
= E [ X t X s ] − E ⎡⎣ X t µ X ( s )⎤⎦ − E ⎡⎣ X s µX (t )⎤⎦ + E ⎡⎣ µX (t ) µX ( s )⎤⎦
= E [ X t X s ] − µ X ( s ) E [ X t ] − µ X (t ) E [ X s ] + µ X (t ) µ X ( s )
= E [ X t X s ] − µ X ( s ) µ X ( t ) − µ X (t ) µ X ( s ) + µ X (t ) µ X ( s )
= E [ X t X s ] − µ X (t ) µ X ( s )
Varianza de X
La función de varianzas de X se define como…
σ X2 (t ) = cX (t , t ) = Var ( X t ) , t ∈T
Como puedes notar, las funciones anteriores se pueden calcular a través de cada componente del vector
aleatorio que representa al proceso estocástico en un instante fijo t.
Ejemplo
Considerando el proceso estocástico
X = A (ω ) sen t , donde A (ω ) : Uniforme(0,1) .

Calcula:
La función de esperanzas de X.
La función de varianzas de X.
8

Probabilidad III

1
µ X ( t ) = EX t = E ( A (ω ) sen t ) = sen t , t ∈ T
Solución: 2
σ X2 (t ) = Var ( X t ) = cX (t , t ) = E ⎡( X t ) ⎤ − ( µ X (t ))
2 2
⎣ ⎦
2
⎛1 ⎞
= E ⎡( A (ω ) sen t ) ⎤ − ⎜ sen t ⎟
2
⎣ ⎦ ⎝2 ⎠
⎛1 ⎞ ⎡ ⎡ ⎤ 1⎤
= E ⎡( A (ω ) ) sen 2t ⎤ − ⎜ sen 2t ⎟ = sen 2t ⎢⎣ E ⎣( A (ω ) ) ⎦ − 4 ⎦⎥
2 2
⎣ ⎦ ⎝4 ⎠
⎡1 1 ⎤ 1
= sen 2t ⎢ − ⎥ = sen 2t
⎣ 3 4 ⎦ 12
recuerda que si
Nota:
A (ω ) : Uniforme(0,1)
Entonces
∞ ∞ 1
1 x2 1
E ( A (ω ) ) = ∫ x dx = ∫ x dx = =
−∞
1− 0 −∞
2 0 2
Y además
∞ ∞ 3 1
E ⎡ ( A (ω ) )
2
⎤ = x 1 dx = x 2 dx = x = 1
∫ 1 − 0 −∞∫
2
⎣ ⎦ −∞ 3 0 3
Cuando dos elementos aleatorios (variables aleatorias, vectores aleatorios o procesos estocásticos) X y Y
d
tienen la misma distribución, lo denotarás por el símbolo = . Cabe aclarar que para el caso de dos vectores
aleatorios o variables aleatorias, significa que sus funciones de distribución son iguales.
Definición. Proceso aleatorio
Un proceso aleatorio X = ( X t , t ∈T ) y T ⊂ ° se dice que es estacionario en
sentido estricto si sus distribuciones finito dimensionales son invariantes bajo

cambios del índice t:
9

Probabilidad III

(X ) ( )
d
t1 ,..., X tn = X t1 + h ,..., X tn + h
Para todas las posibles elecciones de los índices t1 ,..., tn ∈ T con n ≥ 1 y h
de tal manera que t1 + h,..., tn + h ∈ T .
En otras palabras, un proceso es estacionario, en sentido estricto, si la función de distribución conjunta de

cualquier subconjunto de variables es constante respecto de un desplazamiento en el tiempo.
Si X = ( X t , t ∈T ) es un proceso estocástico y T ⊂ ° es un intervalo, entonces se dirá que:
1. X tiene incrementos estacionarios si

d
X t − X s = X t +h − X s +h para todos los valores de t , s ∈ T y h tales que t + h, s + h ∈ T
Para todas las posibles elecciones de los índices t1 ,..., tn ∈ T con n ≥ 1 y h de tal manera que
t1 + h,..., tn + h ∈ T .
2. X presenta incrementos independientes si para cada elección que se realice de ti ∈ T , de tal
manera que t1 < ... < tn con n ≥ 1 , las variables aleatorias X t2 − X t1 ,..., X tn − X tn−1 son
independientes.
Actividad 1. Procesos estocásticos
A través de esta actividad podrás identificar procesos estocásticos de situaciones diversas,

además de argumentar bajo qué criterios se identifican
Instrucciones
1. Revisa el listado de situaciones que se te presentan en el archivo “Act. 1. Procesos
estocásticos”.
2. Identifica cuáles de ellas se pueden clasificar como procesos estocásticos, definiendo los
10

Probabilidad III

criterios que puedes emplear de manera general para distinguir un proceso estocástico de
uno que no lo es.
3. Ingresa al foro y anota tus conclusiones.
4. Revisa las conclusiones de tres de tus compañeros aceptando o rechazando su

respuesta.
Nota: Antes de participar en el foro, recuerda consultar la Rúbrica general de participación en

foros que se encuentra en la sección Material de apoyo.
1.2. Movimiento Browniano
Ahora que ya has revisado la teoría de procesos estocásticos, se detallará un tipo especial éstos, el
llamado “movimiento browniano” o “proceso de Wiener”, el cual es fundamental para modelar muchos
fenómenos de la vida real, además para tratar la integral estocástica de Itô.
Su nombre se debe a los estudios del botánico Robert

Brown (1773-1858), quien encontró, con ayuda de un
microscopio, que los granos de polen de la flor silvestre
Clarkia pulcella, suspendidos en una cierta sustancia,
se movían errática e inexplicablemente. Aunque
después de a su muerte se llevaron a efecto diversos
estudios con la finalidad de brindar una explicación
satisfactoria a este fenómeno, no se contaba con una
Robert Brown
estructura rigurosa de este problema, y es aquí donde
el matemático Norbert Wiener (1894-1964) jugó un
papel primordial en el estudio del fenómeno propuesto
por Brown, es él quien le confiere una estructura
matemática, situación por la cual actualmente se da su
nombre a este tipo de procesos estocásticos.
11

Probabilidad III

1.2.1. Definición y propiedades
El proceso de Wiener (movimiento browniano) es un proceso estocástico W = Wt , t ∈ [0, ∞ ) que satisface ( )

las siguientes condiciones:
Definición. Proceso se Wiener
1. W0 = 0 c.s.
2. Los caminos muestrales t a Wt son continuos c.s.
3. Para cualquier sucesión finita de tiempos 0 < t1 < ... < tn y para cualesquiera conjuntos de Borel
A0 ,..., An ∈ ° se tiene que la probabilidad
( )
P Wt1 ∈ A1 , ..., Wtn ∈ An = ∫ ... ∫ p ( t1 , 0, x1 ) p ( t2 − t1 , x1 , x2 ) ⋅⋅⋅ p (t n − t n −1 , xn −1 , xn ) dxn ⋅⋅⋅ dx1 donde la
A1 An
expresión
( x − y )2
1 −
p ( t , x, y ) = e 2t
2π t
Está definida para cualesquiera x, y ∈ ° y t ≥ 0 . A dicha expresión se le llama la densidad de
transición.
Nota: recuerda que una sucesión de variables aleatorias X 1 ,..., X n converge casi seguramente (c.s.) a una
variable aleatoria X , si para cada ε > 0 , se tiene que:
(
P lim X n − X < ε = 1
n →∞ )
Esta definición establece que X n converge es. a X si las funciones X n ( s ) convergen a X ( s ) para todos
S A⊂ S
los elementos s de un espacio , excepto posiblemente para aquellos elementos s de en los que
P ( A) = 0
.
Es necesario acordar que, en lo sucesivo, cada vez que un proceso estocástico presente la letra W
mayúscula, se tratará de un proceso de Wiener.
12

Probabilidad III

Teorema 1.2.1.2
La función
2
x
1 −
fWt ( x ) = e 2t
2π t
Es la densidad de probabilidades de W = Wt , t ∈ [0, ∞ ) . ( )
Demostración
Si consideramos un tiempo t y un boreliano A fijos, se tiene, por la condición 3 de la definición

anterior, que:
P (Wt ∈ A ) = ∫ p ( t , 0, x ) dx
A
de donde:
2
x
1 −
p ( t , 0, x ) = e 2t = fWt ( x )
2π t
Que es lo que se quería probar.
Es fácil ver que el valor esperado del movimiento browniano W = Wt , t ∈ [0, ∞ ) , cuya función de ( )
densidad de probabilidades se muestra en el teorema anterior, es igual a cero, pues:
∞
∞ ∞ x2 x 2
1 − t −
E (Wt ) = ∫ x p (t , 0, x ) dx = ∫ xe 2t
dx = − e 2t =0
−∞ 2π t −∞ 2π t −∞
Y además la varianza será t debido a que:
∞
∞ ∞ x2 2
∞ x2
( )
x
1 − t − t −
E (Wt ) = ∫ x p ( t , 0, x ) dx = ∫x ∫e
2 2 2
e 2t
dx = − x e 2t + 2t
dx
−∞ 2π t −∞ 2π t −∞
2π t −∞
13

Probabilidad III

∞ x2
− x , se obtiene que:
Donde, del hecho de que
∫e
−∞
2
dx = 2π , y haciendo la sustitución u =
t
∞ u2
( ) t −
E (Wt ) ∫e
2
= 0+ 2
du = t
2π t −∞
Teorema
E (Ws ⋅ Wt ) = min {s, t}
Demostración
Para dos tiempos fijos s , t tales que 0 ≤ s < t , y dos borelianos fijos, entonces, por la condición 3 de la
definición de proceso de Wiener se tiene que:
fWs ,Wt ( x, y ) = p ( s, 0, x ) p (t − s, x, y )
Y por tanto:
∞ ∞ ∞ ⎡∞ ⎤
E (Ws ⋅ Wt ) = ∫ ∫ x y p ( s, 0, x ) p (t − s, x, y ) dy dx = ∫ x p ( s, 0, x ) ⎢ ∫ p (t − s, x, y ) dy ⎥ dx
−∞ −∞ −∞ ⎢⎣ −∞ ⎥⎦
Sustituyendo en la integral entre los corchetes y = x + u se tiene:
∞ ⎡∞ ⎤
E (Ws ⋅ Wt ) = ∫ x p ( s, 0, x ) ⎢ ∫ ( x + u ) p ( t − s, x, x + u ) du ⎥ dx
−∞ ⎣⎢ −∞ ⎦⎥
∞ ⎡∞ ⎤
= ∫−∞ (
x p s , 0, x ) ⎢ ∫ ( x + u ) p (t − s, 0, u ) du ⎥ dx
⎣⎢ −∞ ⎦⎥
∞ ⎡ ∞ ∞ ⎤
= ∫ x p ( s, 0, x ) ⎢ x ∫ p (t − s, 0, u ) du + ∫ u p (t − s, 0, u ) du ⎥ dx
−∞ ⎢⎣ −∞ −∞ ⎥⎦
14

Probabilidad III

∞ ∞
∫ x p ( s, 0, x ) [ x + 0] dx = ∫ x p ( s, 0, x ) dx = E ((W ) )=s
2
= 2
s
−∞ −∞
De donde se infiere que para valores arbitrarios s, t mayores o iguales que cero se debe cumplir que:
E (Ws ⋅ Wt ) = min {s, t}
En este caso también existe una definición de

movimiento browniano para el caso n-dimensional,
y se define de la siguiente manera:
Definición. Movimiento browniano
Si Wt , ..., Wt es una colección de movimientos brownianos independientes

1 n
unidimensionales, entonces al vector aleatorio W = Wt , ..., Wt

1 n
( ) se le conoce
como movimiento browniano en ° n .
La siguiente proposición nos proporciona una propiedad de los incrementos de los procesos de Wiener.
Proposición
Si se considera un incremento de movimientos brownianos, Wt − Ws , para cualesquiera valores 0 ≤ s < t
tiene distribución con media cero y varianza t−s.
Demostración
La densidad conjunta de Ws y Wt está dada por…
fWs ,Wt ( x, y ) = p ( s, 0, x ) p (t − s, x, y )
15

Probabilidad III

Considerando un conjunto de Borel A, se tiene:

P ( (Ws − Wt ) ∈ A ) = ∫∫ p ( s, 0, x ) p ( t − s, x, y ) dy dx
{( x , y ):x − y∈A}
∞ ⎡ ⎤ ∞
⎡ ⎤
= ∫−∞ (
p s , 0, x ) ∫
⎢
⎢⎣{ y:x − y∈A}
p ( t − s , x , y ) dy ⎥
⎥⎦
dx = ∫
−∞
p ( s, 0, x ) ⎢ ∫ p (t − s, x, x − u ) du ⎥ dx
⎣A ⎦
∞
⎡ ⎤ ∞
= ∫ p ( s, 0, x ) ⎢ ∫ p ( t − s, 0, u ) du ⎥ dx = ∫ p (t − s, 0, u ) du ∫ p ( s, 0, x ) dx
−∞ ⎣A ⎦ A −∞
= ∫ p ( t − s, 0, u ) du
A
De aquí se puede ver que f (u ) = p (t − s, 0, u ) es la densidad de la distribución normal con media 0 y
varianza t −s, lo cual nos indica que Wt − Ws : N ( 0, t − s ) para cualesquiera 0 ≤ s < t , culminando así la
demostración.
La proposición anterior establece que el movimiento browniano W = Wt , t ∈ [0, ∞ ) ( ) tiene incrementos
estacionarios.
Proposición
Para cualesquiera tiempos tales que 0 = t0 < t1 < ... < tn los incrementos
Wt1 − Wt0 , ..., Wtn − Wtn−1
Son independientes.
Demostración
De la proposición anterior. Los incrementos de movimientos brownianos tienen distribución normal.

Además, debido a que variables aleatorias que se distribuyen bajo normalidad, son independientes si y sólo
si con incorrelacionadas, entonces es suficiente probar que:
E ((Wu − Wt )(Ws − Wr )) = 0
16

Probabilidad III

Para cualesquiera 0 ≤ r ≤ s ≤ t ≤ u
Pero
E ((Wu − Wt )(Ws − Wr )) = E (Wu Ws ) − E (Wu Wr ) − E (Wt Ws ) + E (Wt Wr )
= min {u, s} − min {u, r} − min {t , s} + min {t , r}

= s−r−s+r = 0
Que es lo que se quería probar.
Ahora, proporciona un teorema que te ayudará a probar que un proceso estocástico es de Wiener, en el
que se emplean algunas de las propiedades que ya has demostrado.
Teorema
Un proceso estocástico Wt , t ≥ 0 es un proceso de Wiener (o movimiento browniano) si y sólo si cumple las
siguientes condiciones:
1. W0 = 0 c.s.
2. Los caminos muestrales t a Wt son continuos c.s.
3. Wt tiene incrementos estacionarios.
4. Los incrementos Wt − Ws tienen una distribución normal con valor esperado 0 y varianza t−s
para cualesquiera 0 ≤ s < t .
Para cerrar este tema, se mostrará una definición de suma importancia, así como una proposición sobre los
procesos de Wiener, en el entendido de que ésta se presentará sin demostración.
Un proceso estocástico ( X , t ∈[0, ∞)) se dice H – auto –

t
17

Probabilidad III

similar, para algún H > 0 , si sus distribuciones finito
dimensionales satisfacen la siguiente condición
(T ) ( )
d
H
Wt1 , ..., T HWtn = WTt1 , ..., WTtn
Para cada T > 0 , y cualquier elección de ti ≥ 0, i = 1,..., n , y

n positivo o cero
Debes considerar que la propiedad anterior corresponde a la distribución de un proceso. La propiedad de

auto-similaridad es una cualidad fractal, y nos indica que los modelos, propiamente escalonados de un
camino muestral en un intervalo de tiempo, se asemejan en forma, pero no son idénticos.
Se puede verificar que los procesos de Wiener son 0.5-auto-similares, lo cual trae como consecuencia que
sus caminos muestrales no sean diferenciables en ninguna parte, en el sentido de la siguiente proposición.
Proposición (No diferenciabilidad de procesos auto – similares)
Si( X t ) es un proceso H-auto-similar, con incrementos estacionarios para algún

H ∈ ( 0, 1) , entonces para cada valor t fijo se cumple que
0
X t − X t0
lim sup =∞
t ↓t0 t − t0
Lo cual significa que los caminos muestrales de un proceso H-auto-similar no

son diferenciables en ninguna parte con probabilidad igual a 1.
Debido a que para llevar a efecto la demostración de los hechos anteriores se requieren algunos otros
contenidos, los cuales no están contemplados en el desarrollo de esta unidad, es necesario que por el
momento los consideres una propiedad más de los procesos de Wiener de forma axiomática.
18

Probabilidad III

1.2.2. Procesos derivados del movimiento Browniano
Esta sección tiene como finalidad mostrarte algunos modelos probabilísticos que se derivan del movimiento
browniano, con el objetivo de proporcionarte algunos elementos más acerca de este tema. Se reitera que
en el presente documento se emplea la letra W para los procesos aleatorios que son brownianos, aunque
se debe contemplar el hecho de que existen autores que los denotan con la letra B , lo cual es totalmente
válido.
Definición puente browniano
El proceso estocástico definido por…
X t = Wt − t W1 , 0 ≤ t ≤ 1
se llama puente browniano.
Las funciones de esperanzas y covarianzas que presenta son,

respectivamente,
µ X (t ) = 0
cX (t , s ) = min (t , s ) − t s

Este tipo de procesos reciben su nombre debido a que cumplen la siguiente propiedad:
X 0 = X1 = 0
Las distribuciones finito dimensionales de esta clase de procesos son gaussianas.
El proceso aleatorio definido por…

X t = µ t + σ Wt , t ≥ 0
Para escalares σ > 0 y µ ∈ ° , recibe el nombre de movimiento

browniano con dirección.
Su función de esperanzas está dada por
µ X (t ) = µ t , donde s, t ≥ 0 19

y su función de covarianzas es
Probabilidad III

La dirección en este modelo es proporcionada por la función de esperanzas.
El siguiente proceso fue propuesto por Black, Scholes y Merton (1973), y es empleado para modelar la
“especulación de precios” en el área de las finanzas.
El proceso aleatorio definido por…

X t = e µ t +σ Wt , t ≥ 0
Para escalares σ > 0 y µ ∈ ° , se denomina movimiento browniano

geométrico.
Su función de esperanzas está dada por…
µ X (t ) = e(
µ + 0.5σ ) t 2
y su función de varianzas es:

( 2 µ +σ )t
(e )
2
σ X2 (t ) = e σ 2t
− 1
Es fácil darse cuenta de que se trata de un modelo exponencial para el movimiento browniano con
dirección.
El movimiento browniano geométrico permite calcular el valor esperado de un proceso en un cierto

momento, determinado por un valor para el tiempo t, dado el historial del proceso al tiempo t.
Actividad 2. Movimiento Browniano
Al finalizar esta actividad podrás determinar si un proceso estocástico es un proceso de

Wiener.
Instrucciones:
1. Descarga el archivo llamado “Act. 2. Movimiento Browniano”
2. Analiza cada caso presentado en el archivo y determina si se tratan de procesos de
20

Probabilidad III

Wiener.
3. Argumenta tus respuestas, de acuerdo a las definiciones revisadas en los temas

anteriores
4. Guarda tu documento con la siguiente nomenclaturaMPRO3_U1_A2_XXYZ, sustituye

las XX por las dos primeras letras de tu primer nombre, la Y por la inicial de tu apellido y
la Z por la inicial de tu apellido materno.
5. Envía tu documento a tu facilitador y espera su retroalimentación.
Autoevaluación
Para reforzar los conocimientos relacionados con los temas que se abordaron en esta unidad
del curso, es necesario que resuelvas la autoevaluación.
Ingresa al Aula virtual para realizar tu actividad.
Evidencia de aprendizaje: Demostraciones sobre movimiento Browniano
Es momento de realizar tu evidencia de aprendizaje, donde podrás resolver ejercicios sobre movimiento
Browniano, auxiliándote de toda la teoría aprendida durante la unidad. En esta sección terminarás de
formalizar tus conocimientos.
Instrucciones:
1. Descarga el documento llamado “EA. Demostraciones sobre movimiento Browniano”
2. Realiza las actividades que se te plantean en el archivo.
3. Argumenta tus respuestas con base en lo que aprendiste en la unidad.
4. Guarda tu documento con la siguiente nomenclatura MPRO3_U1_EA_XXYZ, sustituye las XX por

las dos primeras letras de tu primer nombre, la Y por la inicial de tu apellido paterno y la Z por la
inicial de tu apellido materno.
5. Sustituye las XX por las dos primeras letras de tu primer nombre, la Y por la inicial de tu apellido
paterno y la Z por la inicial de tu apellido materno.
6. Envía tu trabajo al portafolio de evidencias y espera la retroalimentación de tu facilitador(a), atiende

sus comentarios y reenvía la nueva versión de tu evidencia.
21

Probabilidad III

7. Consulta la Escala de Evaluación para conocer los criterios con que será evaluado tu trabajo.
Autorreflexiones
Como parte de cada unidad, es importante que ingreses al foro Preguntas de autorreflexión y
leas los cuestionamientos que formuló tu Facilitador(a), ya que a partir de ellos debes elaborar
tu Autorreflexión y enviarla mediante la herramienta Autorreflexiones. No olvides que también
se toman en cuenta para la calificación final.
Cierre de la unidad
• Aprendiste a u9lizar la teoría de procesos estocás9cos

para iden9ﬁcar un movimiento browniano a través de
Unidad1 sus deﬁniciones.
• El obje9vo es aprender a aplicar el concepto de la

esperanza condicional para resolver diversos
Unidad 2 problemas probabilís9cos, u9lizando sus propiedades.
Para saber más
Revisa los contenidos de la asignatura Probabilidad I, y II, así como la de Procesos Estocásticos.
Modelo Estocástico Wiener Gauss: una Aplicación a la Economía Financiera en el Mercado de Capitales de
España http://www.redalyc.org/articulo.oa?id=11400805
Integración estocástica con respecto al movimiento browniano

http://www.redalyc.org/articulo.oa?id=46814206
22

Probabilidad III

Fuentes de consulta
Para finalizar la unidad acude a las fuentes de consulta que se utilizaron para el desarrollo de ésta.
Brzezniak, Z. y Zastawniak, T. (1999). Basic stochastic processes. Gran Bretaña: Springer.

Chung, K. L. y Williams, R. J. (1990). Introduction to Stochastic Integration. EUA: Birkhäuser.
Klebaner, F. (2005). Introduction to Stochastic Calculus with Applications. EUA:Imperial College
Press.
Mikosch, T. (2000). Elementary stochastic calculus with finance in view. Singapur: World Scientific
Publishing.
23

Unidad 1. Procesos Estocásticos y Movimiento Browniano

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

Unidad 1. Procesos Estocásticos y Movimiento Browniano

Uploaded by

Copyright:

Available Formats

Probabilidad III

Unidad 1. Procesos estocásticos y movimiento Browniano

Universidad Abierta y a Distancia de México

Unidad 1. Procesos estocásticos y Movimiento

• Se abordará el • Se proporcionará el

Al término de esta unidad lograrás:

Identificar un proceso estocástico y sus

Utiliza la teoría de procesos estocásticos

En esta sección se te proporcionarán algunas de las definiciones fundamentales de la Teoría de procesos

Cabe mencionar que este curso muestra un alto grado de

1.1.1. Definición y ejemplos

Un proceso estocástico (o aleatorio) sobre un espacio de probabilidad ( Ω, F , P ) , es una familia de

aleatorias X t (ω ) es llamado espacio de estados.

Proceso en tiempo discreto

Cuando el conjunto T es numerable. Por ejemplo. T = {1, 2, 3, ……}

Proceso en tiempo continuo

Cuando T es un intervalo de ° y es usual emplear como T al conjunto

En virtud de lo anterior, podemos formalizar la definición de proceso estocástico, como se muestra a

Definición. Proceso estocástico

Un proceso estocástico X es una colección de variables aleatorias:

Definida en algún espacio muestral Ω.

1) Para un instante fijo de tiempo t, es la variable aleatoria X t = X t (ω ) , ω ∈Ω .

Si se considera la sucesión de observaciones medidas en ciertos

Dichas observaciones pueden representarse por…

Claramente el conjunto anterior es un proceso estocástico. Este tipo

Las temperaturas ambientales diarias de una determinada ciudad

Si X es un proceso estocástico, entonces sus distribuciones finito

tomar los tiempos t1 ,..., tn ∈ T y cada n ≥ 1

A menudo se hace referencia a las colecciones de distribuciones finito dimensionales de un proceso

En seguida proporcionaremos 3 definiciones importantes que es necesario que conozcas.

cX (t , s ) = cov ( X t , X s ) = E ⎡⎣( X t − µ X (t )) ( X s − µ X ( s ))⎤⎦ , t , s ∈T

En este caso, es válido aplicar la igualdad:

Lo anterior se debe a que:

E ⎡⎣( X t − µ X (t )) ( X s − µ X ( s ))⎤⎦ = E ⎡⎣ X t X s − X t µ X ( s ) − X s µX (t ) + µ X (t ) µ X ( s )⎤⎦

= E [ X t X s ] − E ⎡⎣ X t µ X ( s )⎤⎦ − E ⎡⎣ X s µX (t )⎤⎦ + E ⎡⎣ µX (t ) µX ( s )⎤⎦

X = A (ω ) sen t , donde A (ω ) : Uniforme(0,1) .

Definición. Proceso aleatorio

Un proceso aleatorio X = ( X t , t ∈T ) y T ⊂ ° se dice que es estacionario en

sentido estricto si sus distribuciones finito dimensionales son invariantes bajo

Para todas las posibles elecciones de los índices t1 ,..., tn ∈ T con n ≥ 1 y h

de tal manera que t1 + h,..., tn + h ∈ T .

En otras palabras, un proceso es estacionario, en sentido estricto, si la función de distribución conjunta de

Si X = ( X t , t ∈T ) es un proceso estocástico y T ⊂ ° es un intervalo, entonces se dirá que:

Definición. Proceso estocástico

1. X tiene incrementos estacionarios si

2. X presenta incrementos independientes si para cada elección que se realice de ti ∈ T , de tal

Actividad 1. Procesos estocásticos

A través de esta actividad podrás identificar procesos estocásticos de situaciones diversas,

3. Ingresa al foro y anota tus conclusiones.

4. Revisa las conclusiones de tres de tus compañeros aceptando o rechazando su

Nota: Antes de participar en el foro, recuerda consultar la Rúbrica general de participación en

1.2. Movimiento Browniano

Su nombre se debe a los estudios del botánico Robert

El proceso de Wiener (movimiento browniano) es un proceso estocástico W = Wt , t ∈ [0, ∞ ) que satisface ( )

Definición. Proceso se Wiener

2. Los caminos muestrales t a Wt son continuos c.s.

A0 ,..., An ∈ ° se tiene que la probabilidad

variable aleatoria X , si para cada ε > 0 , se tiene que:

Es la densidad de probabilidades de W = Wt , t ∈ [0, ∞ ) . ( )

Si consideramos un tiempo t y un boreliano A fijos, se tiene, por la condición 3 de la definición

Que es lo que se quería probar.

Y además la varianza será t debido a que:

E (Ws ⋅ Wt ) = min {s, t}

• Se abordará el • Se proporcionará el

• Aprendiste a u9lizar la teoría de procesos estocás9cos

• El obje9vo es aprender a aplicar el concepto de la