Semestre Económico

ISSN: 0120-6346
semestreeconomico@udem.edu.co
Universidad de Medellín
Colombia

Arbeláez L., Javier; Carcamo C., Ulises
UN CURSO RÁPIDO DE CÁLCULO ESTOCÁSTICO PARA APLICACIONES A MODELOS
ECONÓMICOS. Primera parte
Semestre Económico, vol. 7, núm. 14, julio-diciembre, 2004, pp. 129-147
Universidad de Medellín
Medellín, Colombia

Disponible en: http://www.redalyc.org/articulo.oa?id=165013658005

Cómo citar el artículo
Número completo
Sistema de Información Científica
Más información del artículo Red de Revistas Científicas de América Latina, el Caribe, España y Portugal
Página de la revista en redalyc.org Proyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto

129
UN CURSO RÁPIDO DE CÁLCULO ESTOCÁSTICO
PARA APLICACIONES A MODELOS ECONÓMICOS*
MODELOS
Primera parte

Javier Arbeláez L.

Ulises Cárcamo C1.

RESUMEN
La importancia de las ecuaciones diferenciales estocásticas y, en general el
cálculo estocástico, en las ciencias económicas no ha sido resaltada sufi-
cientemente en nuestro medio. A diferencia de las aplicaciones financie-
ras, que han sido ampliamente difundidas, las aplicaciones de otras áreas
de la economía son prácticamente desconocidas en nuestro entorno aca-
démico. Este curso elemental es una invitación a conformar grupos
interdisciplinarios de estudiosos de la matemática y las ciencias económi-
cas para abordar tales aplicaciones .

Palabras clave : ecuaciones diferenciales estocásticas, procesos
estocásticos, modelo neoclásico de crecimiento, producción factores capita
y trabajo.

ABSTRACT
The importance of the stochastic differential equations, and, in general of
the stochastic Calculus in Economics, has not been properly emphasized
in our academic communities. Unlike the applications to finance, the

130 Semestre Económico applications of SDE to other areas of Economics are practically unknown in our academic environment. un curso serio de este cálculo re. como por ejemplo los derivados. del cál. entre otros. Este stock no sufre depreciación . de cálculo estocástico. y procesos estocásticos. mía se puede hacer incluyendo incerti- Por otro lado. En ciencias económicas. utilizan en finanzas no es garantía de que se comprendan los procesos financieros Un modelo neoclásico de crecimiento reales. económicas da. futuras aplicaciones en economía y cien- si no ha estudiado seriamente un curso cias afines. Ahora. culo estocástico en finanzas es evidente. para una buena se produce un solo bien. Cálculo estocástico en ciencias quiere de nociones de teoría de la medi. solamente el conocimiento dumbre (y riesgo) en algunos de los mo- de las herramientas matemáticas que se delos fundamentales. matemáticos y economistas. Un primer acercamiento a las aplicacio- que solo son accesibles a estudiantes nes del cálculo estocástico en la econo- avanzados de matemáticas. en general. Consideremos una economía en la que pos interdisciplinarios. INTRODUCCIÓN La importancia de las ecuaciones diferen. requiere de solo dos insumos: El mismo bien y mano de obra. Éste es un curso rápido dirigido a aque- Nadie puede preciarse de tener un cono- llas personas interesadas en adquirir los cimiento profundo de ciertos temas finan- rudimentos del cálculo estocástico para cieros. This elementary course is an invitation to create. Esta producción comprensión de estos temas. El stock del bien dedicado a su produc- El aprovechar el cálculo estocástico para ción se denotará mediante K y se llamará estudiar ciertos aspectos de la economía capital. inter-disciplinary groups of Mathematics and Economics to study such applications. Es por eso que se requiere de gru. la afirmación anterior también es cierta. requiere de grupos interdisciplinarios de ciales estocásticas y en general.

Las posibilidades de producción de la economía se pueden representar por la función de dos variables. dK dL L− K ! ! Ahora. R2. Un primer acercamiento zación. Entonces. continua en Y además. k = K/L y como un caso particular 1 incertidumbre (y riesgo) en = L/L0 . to no se consume. suposiciones: S1.L).F(K.f (k ) − nk (8) =  = dt dt  L  L2 L L L dk así dt = s. s es la propensión marginal al ahorro. la producción que no se consume debe invertirse. Y = F(K. L = L(0). Una fracción constante. f (k ) − nk (9). Esto se pue- (b) Suponemos válidas las Condiciones de expresar como: de Inada2: f’(k) >0 (f es una función creciente) y dK = s. dk d  K  dt dt = K − L . ∞ ] (4). obtene. L. hL) (2) (Re. como con- mos Y/L = F(K/L. (a) Para todo h > 0. La mano de obra. para el crecimiento. Un curso rápido de cálculo estocástico para aplicaciones a modelos económicos 131 alguna por el paso del tiempo o por utili. También se podría asumir que F es homogénea S3.ent con 0 < n < 1 (6) tornos constantes a escala). S2. 1) o y = f(k) (3) dición de equilibrio. a las aplicaciones Sean Y la producción y L la cantidad de del cálculo estocástico mano de obra que se usa en la produc. en la economía ción. (1) algunos de los modelos En este modelo hacemos las siguientes fundamentales. K = s. f’(0) = ∞. ( f es cóncava). L) que satisface las siguientes propiedades. A esta ecuación se le llama ecuación diferencial neoclásica de Solow3. del produc- de grado 1. es decir. Haciendo h = 1/L. f’(∞) = 0 (5). Sea L0 la fuerza de trabajo y sean y se puede hacer incluyendo =Y/L. . crece a una ra- zón geométrica constante n. hY = F(hK. s. 0 < s<1 (7) dt f” (k) < 0. para k en [0.

de una ma. Estas muestran los nen una distribución normal con media fundamentos de este cálculo. 0 y varianza t-s = ∆t . Un tra- tamiento semi-formal re- quiere nociones de procesos estocásticos y teoría de la medida. pres- cinde de herramientas tan sofisticadas y requiere sólo Inclusión de la incertidumbre por medio de de nociones básicas de la teoría de la pro- una ecuación diferencial estocástica babilidad y de procesos estocásticos tal como se presenta en los cursos de inves- Una de las primeras extensiones posibles tigación de operaciones. pero el nivel que k presentamos acá se focaliza en los resultados funda- mentales y.dt + σLdz Procesos de Wiener (9. Una introducción elemental al cálculo Asumiremos que la variación se puede estocástico escribir en la forma dL = nL. para todo s < t. nera semi-formal. estocástico. Sus diferencias ∆W(t) = W(t)–W(s) tie- guientes secciones. de modelo es el poder incluir una fuerza laboral que varía en forma estocástica. de la siguiente manera: σ es una constante a la que podemos de- nominar “volatilidad de la fuerza laboral” Caracterizaremos un proceso estocástico que es una medida de la variabilidad de (estándar) de Wiener {W(t)} mediante el dicha fuerza laboral. 2. De tal Figura 1.a) donde dt es un diferencial de tiem- po. de f(k) una manera rápida. y dz es el diferencial Definimos un proceso de Wiener4 de ma- de un proceso de Wiener. W(0)=0 (El proceso comienza en cero) cálculo estocástico pueden saltar las si. por tanto. determinístico. .132 Semestre Económico nera rápida y concisa. Función f que cumple las condiciones de Inada manera que alguien sin es- tos fundamentos puede ad- quirir una idea general. siguiente conjunto de propiedades: Quienes conocen las nociones básicas del 1.

Para todo s < t ≤ v < x las diferencias Lema 1 W(t)–W(s) y W(x)–(v) son variables El ruido blanco gausiano. la trayectoria está re- guiente lema: presentada sólo como una aproximación. 3. las integrales estocásticas y las La figura número dos muestra una trayec- ecuaciones diferenciales estocásticas. Figura 2. las siguientes propiedades: 4. El parámetro t. E[∆W(t)]=0. A partir de esta definición se pueden pro. Las trayectorias de un proceso de Wie. ner son continuas. Un curso rápido de cálculo estocástico para aplicaciones a modelos económicos 133 3. 1. toria simulada en Matlab. {∆W(t)}. La simulación de ruido blanco y de las tra- ce como ruido blanco gaussiano5 y es bas. un proceso continuo. Var[[(∆W(t))2]=2. Al proceso estocástico {∆W(t)} se le cono. yectorias de un proceso de Wiener es rela- tante útil en la simulación de los procesos tivamente fácil. de Wiener. Una trayectoria de un Proceso de Wiener . E[(∆W(t))2]= Var[∆W(t)]= ∆t. Como esta es una simulación discreta de bar las propiedades reunidas en el si. tiene aleatorias independientes. 2.(∆t)2. Valor esperado nulo. representará tiempo.

zaciones de las integrales que hemos es. Una apro- dades más importantes de las trayectorias. ximación semi-intuitiva a este tipo de inte- grales se logra después de entender las Lema 2 siguientes ideas: Las trayectorias de un proceso de Wiener son curvas continuas que no son diferen. Sea Z una variable aleatoria. tido de que son sumas infinitas. Escribi- tudiado en el cálculo elemental en el sen. 0 ≤ s ≤ t} es posible Las integrales estocásticas son generali. estocástico Esta es la razón por la cual no podemos Consideremos el proceso estocástico representar esas trayectorias de una ma.134 Semestre Económico El lema siguiente enuncia una de las propie. basados en observaciones de la tra- Integrales estocásticas yectoria { X(t). saber si A has ocurrido o no. 1. Información generada por el Proceso X . 2. {X(t)}6 nera más exacta. mos Z∈Ftx si. Escribiremos A∈Ftx si. Sea A un evento. La información generada por un proceso ciables en ningún punto. podemos determinar Figura 3.

1. . . ciones escalonadas y luego se aprovecha el hecho de que la mayoría de las funcio- Condiciones de integrabilidad nes de mayor uso se pueden aproximar Consideremos un proceso de Wiener. b] si existe un conjunto de puntos determinísticos a = t0 < t1 < . t] para todo mación generada por el proceso {X} t > 0. Decimos que el proceso g pertenece tamos el símbolo Ftx como “la infor- a la clase L2 si g ∈L2 [0.000 de esas acciones y queremos Los procesos estocásticos simples son los venderlas en algún instante en el interva. nuestras ganancias se. tene- mos 1. b] si es adaptado a la fil. mediante un paso al límite. b Un proceso estocástico g se dice que es simple en [a. …. calonadas.. Sea {Y(t)} un proceso estocástico. t]”. Por ejemplo. de manera natural. 0 ≤ s ≤ t}. Usualmente la integral elemen- rán un proceso estocástico adaptado a la tal se define. Esto es. entonces. en el sentido de Itô9. Interpre- 2. se cumple que Y(t)∈Ftx. g es constante en cada subintervalo. para fun- filtración {Fts}t≥0. c1. si el precio de una acción está La integral estocástica. Un curso rápido de cálculo estocástico para aplicaciones a modelos económicos 135 completamente el valor de Z basados Las trayectorias de un en observaciones de la trayectoria proceso de Wiener son { X(t). en el intervalo [0. curvas continuas que 3. para extender la noción de integral a esas fun- 1. manera semejante se hace esto con los 2 tración {Ftw}t≥0 y tal que ∫a g(s) ds < ∞ 8. cn-1 tales que g(t) = ck si tk ≤ t < tk+1 para k = 0. con 0 ≤ t. < tn = b y un conjunto de constan- tes c0. n −1 b] mediante ∫a g(s)dW(s) = ∑ g(k) [W(tk +1 ) − W(tk )] 10 b k =0 . . procesos estocásticos.n–1. W mediante funciones escalonadas. si no son diferenciables para todas las variables aleatorias Y(t) en ningún punto. análogos aleatorios de las funciones es- lo [0. Para cada proceso simple g en L2 [a. Decimos que el proceso g pertenece a ciones. De la clase L2 [a. b] definimos la integral estocástica en [a. para procesos simples representada por el proceso {S(t)}. t]. en- tonces decimos que {Y(t)} es adap- tado a la filtración7 {Ftx}t≥0. . .

Consideremos la filtración (flujo de infor- mación 12) {F t}t≥0. Para un t fijo. para procesos más generales Dado un proceso g en L2 [a. b 3. en el sentido de ItItôô. E(Z) =0 (El valor esperado de la integral estocástica es cero). Las propiedades más importantes de la integral estocástica Lema 3 Sea g un proceso en L2 [a. Z es Fbw -medible11. una noción semi-intuitiva. 2. actuarialmente. Así definimos la integral estocástica de g como ese límite Z. Si Y es una variable Martingalas aleatoria. La sucesión Zn tiene un límite. Existe una sucesión de procesos simples {gn} tal que E  ∫a {gn (s) − g(s)}  ds → 0 b 2 cuando n → ∞. entonces las siguientes pro- b piedades se cumplen: 1. Z. el valor esperado de tos de la Teoría de la Medida. bastante útil del concepto de juego justo es la noción Esperanzas condicionales de martingala. Esta es una de las troducción al cálculo estocástico damos propiedades de los juegos. es decir. 2. en esta in- esta integral es cero.136 Semestre Económico La integral estocástica. b] y sea Z = ∫a g(s)dW(s) . Como puede verse. justos. b] tenemos los siguientes hechos: 1. E(Z2)= ∫a E  g(s)  ds b 2  3. b lim b ∫a g(s)dW(s) = n → ∞ ∫a gn (s)dW(s) . E[Y/Ft] es una va- . Una generalización. Y dada la información disponible en el ción de martingalas necesita de concep. tiempo t”. Es posible definir Zn= ∫a gn (s)dW(s) para cada n. cuando n → ∞. E[Y/Ft] es el “valor esperado de Aunque una definición formal de la no.

-martingala. el valor actual observado.E[Y/Ft] definido acá sean apropiadas para mo- 2. 3. X. Así. todo t ≥ 0. notación diferencial. procesos Ftw-adaptados µ and σ tales que dada cierta información disponible. entonces E[E[Y/Ft]/Fs] = E[Y/Fs] bil de la Hipótesis de los Mercados Efi- (Ley de las Esperanzas Iteradas) cientes establece que los precios actua- les reflejan. X es adaptado a la filtración {Ft}t³0. pueden concebir ninguna estrategia para martingala si cumple las siguientes con. 0 ≤ s ≤ t}.Y/Ft] = tegrales estocásticas. X(0)=x0 (12) decir dos Eficientes. de manera completa. mos que existe un número real x0 y dos jor predicción que de él se puede hacer. el mejor pronóstico para mañana es el 2. dX(t) da con la Hipótesis débil de los Merca. Si toda la información se Integrales estocásticas como martingalas obtiene a partir de un solo proceso. de diciones: una manera consistente. =µ(t)dt +σ(t)dW(t) (11). Lema 3 toria {X(s). la in- formación contenida en las series de pre- Ft-Martingalas cios históricos. s ≤ t. E[X(t)/Fs] = X(s). el proceso X definido como X(t) = ∫0 g(s)dW(s) es t espe-- Dos importantes propiedades de las espe ranzas condicionales una Ftw. Si Y and Z son variables aleatorias y Z Esta es la propiedad que hace que las in- es Ft-medible entonces E[Z. en- tonces Ft y E[Y/Ft] dependen de la trayec. Podemos escribir (10) usando Esta noción está íntimamente relaciona. tal como se han Z. Para todo s y t. en la forma. basados en la información disponible para el público y 1. Diferenciales estocásticos Intuitivamente hablando. obtener ganancias fuera de lo común. La forma dé- s < t. es X(t)= x0 + ∫0 µ(s)ds + ∫0 "(s)dW(t) (10) para t t simplemente. precio de hoy. Para cualquier proceso g ∈L2. E[X(t)] < ∞ para todo t. Si Y es cualquier variable aleatoria y delar precios de acciones13. los inversionistas no Un proceso estocástico X se llama una Ft. que X tiene un diferencial estocástico . Un curso rápido de cálculo estocástico para aplicaciones a modelos económicos 137 riable aleatoria. una martingala Sea X un proceso estocástico y suponga- es un proceso estocástico tal que la me. 1.

tiempo. X(t))dW(t) Lema 4 se llama un proceso (estocástico) de difu- sión.Ldz.dt y varianza σ2. El término µ(t)dt El Lema 3 establece que toda integral in (11) se llama el término de tendencia estocástica (del tipo Itô ) es una martin- (drift). tiene distribución normal con media n. gala. t t para que el diferencial L0 + ∫ 0 n. En- presentan difusiones físicas. cada martingala se puede estocástico que satisface una ecuación de representar como una integral de Itô: la forma X(t)=µ(t. no aditivo de ruido gaussiano es σ. el de un proceso estocástico término de tendencia es nLdt y el térmi- (con diferencial) y del tiempo. (11) representa la di. cuadrado integrable respecto a {Ft}. tingala námica infinitesimal de X. existe una especie de versión recí- tivo de ruido gaussiano. También de (9a) se puede deducir que además. dt. Estos procesos están relacionados Sea {Mt}0 ≤ t ≤ T una martingala continua de con los modelos determinísticos que re. (14) para t ∈ [0.L ( S ) ds + ∫ σ . y σ(t)dW(t) se llama el término adi. proca. X(t))dt + σ(t. El siguiente lema da También sabrá que otra forma.T]. un proceso cunstancias. (11) es una for- ma corta de representar (10). bajo ciertas cir- Hablando informalmente. para un corto período de dada por (12). equivalen- condiciones suficientes te.L ( S ) dz 0 de una tal función exista y. esto significa que la proporción del crecimiento de la fuer- dado por (11) con una condición inicial za d trabajo. L = ndt + σdz (13 a). de representar este modelo es L(t) = (13). Hablando formalmente. muestra cómo dL calcularlo. por ejemplo tonces existe un único proceso estocás- tico f ∈ L2 tal que Mt= M0 + ∫0 f(s)dW(s) t la difusión observada en el proceso de ósmosis.138 Semestre Económico Uno de los objetivos Aplicación al modelo de Solow más importantes del cálculo El lector atento ya habrá notado que en estocástico es encontrar la ecuación diferencial estocástica de la el diferencial de una función fuerza laboral en el Modelo de Solow. que establece que. .dt. Hablando El teorema de representación como Mar- de manera intuitiva.

dada una expresión diferencial y una condición inicial.dt +1. guiente lema da condiciones suficientes lo sí su diferencial no tiene término de ten. Z(0)=0. Ecuaciones diferenciales estocásticas El lema de Itô permite encontrar el diferencial de una función de un proceso estocástico. que tiene cástico (con diferencial) y del tiempo. that is. y sea f= f(t. Definamos el proceso Z mediante Z = f(t. El si- un diferencial. existe un proceso . dado por  ∂f ∂f 1 2 ∂ 2 f  ∂f dZ = df(t. para que el diferencial de una tal función dencia. Ahora podemos pensar de una manera. Es decir.dW(t). cálculo estocástico es encontrar el diferen- mos escribir (14) como dM(t) = f(s)dW(s) cial de una función de un proceso esto- (15). en cierto sentido inver- sa. pode. dZ. un proceso estocástico. entonces 4 = 0. W3(t). Lema 4 (Lema de Itô) Sea X un proceso estocástico con diferencial estocástico dX(t) = µ(t)dt + σ(t)dW(t) donde µ y σ son procesos adaptados. Substitu- ∂t ∂x ∂x 2 yendo en la fórmula de Itô (15). Este es el diferencial de W4(t).dW(t). además. y f(t. (µ = 0 ∂f ∂f ∂ 2f y σ = 1).x 3 y = 6 x 2 . Identifi- cando W(t) con X(t) y dado que dW(t) = 0. W(0) = X(0) = 0. = 4.2 14. X(t)). exista y. obtenemos dZ(t) = 6. Z(t) es la cuarta potencia de un proceso de Wiener. muestra cómo calcularlo. Un curso rápido de cálculo estocástico para aplicaciones a modelos económicos 139 Diferencial de una martingala La Fórmula (Lema) de Itô En virtud de la equivalencia entre las Uno de los objetivos más importantes del notaciones integral y diferencial. Entonces Z tiene un diferencial estocástico. x) = x .X(t)) =  ∂ + µ ∂ + " ∂ 2  dt + " dW(t) ∂ (15)  t x 2 x  x Ejemplo 1 Sea Z el proceso definido mediante Z(t) = W4(t). x) una función C1. es una martingala sí y so.W2(t)dt + 4. donde W(t) es el proceso de Wiener.

El siguiente lema da condiciones suficientes para la existencia de solucio- nes de la ecuación diferencial estocástica (EDE) dX(t) = µ(t. y) ≤ K x − y . x) − µ(t. x) + µ(t. Lema 6 La solución de la EDE (17) está dada por X(t) = x0 ee( α− 2 σ )t +σ. todo y. 4.140 Semestre Económico estocástico que los satisfaga? Resolver este problema es resolver una ecua- ción diferencial estocástica.X(t))dt + σ(t. 2. su valor 1 2 esperado es E[X( t )] = x0 eα. σ >0. 2 Movimiento Browniano Geométrico (MBG) Uno de los procesos estocásticos más importantes en finanzas es el así llamado Movimiento Browniano Geométrico. donde α y σ son constantes.W ( t ) (18). . x) − "(t. En el modelo de Black-Scholes para valoración de opciones se supone que el precio del activo subyacente sigue este proceso. Un MBG se define como la solución a la EDE dX(t)= !. X tiene trayectorias continuas. X(0) = x 0 (17). y) ≤ K x − y and "(t.X(t)dt + ". X es un proceso de Markov. Existe una constante C tal que E[ X(t) ] ≤ Ce Ct (1 + x0 ) .t (19)15. "(t. X(0) = x0 (16) Lema 5 Supongamos que existe una constante K tal que para todo x. X (t)) dW(t). 3. Esta es una de las pocas EDE que tiene una solución simple. entonces existe una solución X(t) a la ecuación (16) que tiene las siguientes propiedades: 1. x) ≤ K(1 + x ) .X(t)dW(t). y todo t µ(t. X es un proceso FtW-adaptado.

necesitamos ampliar las nociones vistas a procesos de dos dimensiones. La razón es evidente: k depende de dos variables. W2]T. la fuerza laboral se comporta de manera similar al pro- ceso de la figura 4. Movimiento Browniano Geométrico en la fuerza laboral del modelo de Solow Si echamos otra mirada a la ecuación (9a) en el modelo de Solow. d. K y L. La solución es L = L0. digamos que contiene n acti- vos. de los n. en aras de facilitar esa transi- ción de 1 a d. Proceso de Wiener y diferenciales Bi. Sea µ = [ µ1(t). En estos casos la descripción del portafolio necesitará de d procesos estocásticos.Z( t ) lo que indica que en este 1 2 modelo modificado. Generalizaciones: Procesos en dos dimensiones En muchas de las aplicaciones. A pesar de todo esto. dL = nL. y una gran cantidad de los precios de los activos financieros que con- forman el portafolio varían aleatoriamente. estudiaremos procesos estocásticos relacionados con proce- sos brownianos de dos dimensiones. Se puede tener una primera aproximación utilizando un proceso browniano d-dimensional. El caso típico se presenta cuando se tiene un portafolio de inversiones. si queremos estudiar el efecto de considerar la fuerza laboral como un movimiento browniano geométrico en el diferencial dk. donde W1 y W2 son dos procesos de Wiener independientes “T” denota trasposición.2 σ )t +σ.ee(n . digamos. con L(0) = L0. se consideran procesos estocásticos rela- cionados con más de una fuente de aleatoriedad. el vector de tendencia y sea σ la matriz de difusión definida por . µ2(t)]T.dt + σLdz . Antes de hacer la extensión a d-dimensiones.dimensionales Bi-dimensionales Consideremos un proceso W = [ W1. vemos que esta es precisamente la ecua- ción de un MBG. Un curso rápido de cálculo estocástico para aplicaciones a modelos económicos 141 La figura 4 muestra el valor esperado y algunas de las trayectorias de un proceso browniano geométrico.

Media y trayectoria de un Movimiento Browniano Geométrico . Z = f(t.142 Semestre Económico " ( t ) " 12 ( t ) "(t) =  11  y supongamos que el proceso bi-dimensional X = " 21 ( t ) " 22 ( t ) [X1.2. X2]T.dt + " ( t ) " V  dW (t) (20) que puede ser escrito  2   2   21 22  2  en forma más compacta como dX(t) = µ(t) dt + σ(t). X(t)) donde f es una función de R3 en R que es derivable una vez con respecto a t y dos veces con respecto a cada una de las componentes de X. es decir una función C1. Este es un ejem- plo de un diferencial estocástico bidimensional. ¿Qué forma dZ? La respuesta nos la da una generalización del lema de Itô que enuncia- mos a continuación: Figura 4. mediante. dW(t). tiene un diferencial estocástico de la forma  dX1 (t)  µ1 (t)  " 11 ( t ) " 12 ( t )  dW1 (t)  dX (t) = µ (t). Definamos el proceso Z.

donde (22) y (23) 2. i = 1. 2 dWi . El aspecto del diferencial dk en el modelo de Solow con Incertidumbre Con la nueva herramienta del lema 7.dWi = 0. A la función f y al proceso de la expresión (20). con el nuevo supuesto de la ecuación 9a. f tiene un diferencial estocástico dado por (21). La expresión (21) equivale a la siguiente (24). efectivamente la ex- presión (24) se convierte en la expresión (21) después de aplicar la tabla de multiplicación formal. X(t)) una función C1. dW(t) y sea f = f(t. . Un curso rápido de cálculo estocástico para aplicaciones a modelos económicos 143 Lema 7 (Fórmula de Itô de dos dimensiones) Sea X un proceso bi-dimensional con diferencial estocástico de la forma dX(t) = µ(t) dt + σ(t). i = 1. donde (25) y se aplica la siguiente tabla 3.2. 2 (dWi ) 2 = dt.dW j = 0. de multiplicación formal: (dt ) 2 = 0 dt. podemos abordar el problema de determinar el diferencial de k. entonces: 1. i = 1. 2 (26) El lector interesado puede comprobar fácilmente que.

Además dX1 y dX2.dt + σLdz . L)dt. x2 = L. x1= K.  2 L L L después de aplicar (26) llegamos a dk = K (nLdt + σLdz ) + dK − dK dL + 1  2K3 σ 2L2 dt  . dw2= dz obtenemos ∂k ∂k ∂k 1  ∂ 2k ∂ 2k ∂ 2k 2 dk = dt + dK + dL +  2 (dK ) + 2 dKdL + 2 (dL )  (27) 2 ∂t ∂K ∂L 2  ∂K ∂K∂L ∂L  ∂k ∂k K ∂k 1 ∂ 2 k ∂ 2k 1 ∂ 2k 2K Ahora. L Sustituyendo en estas expresiones en (27) obtenemos 1  1 2 dL + dK + 0 + 2 − 2 dKdL + 2 3 (dL )  K 1 K dk = 0 − L2 L 2  L  L  1  1 2 dL + dK + 0 + 2 − 2 dKdL + 2 3 (dL )  K 1 K dk = 0 − 2 L L 2  L  L  =− K 2 L ( ) (nLdt + σLdz ) + 1 dk + 1 − 22 dKdL + 2K3 n 2L2 (dt )2 + 2nσdtdz + σ 2L2 (dz )2  . ∂L =− 2.F(K. donde hacemos notar que dK no tiene término aditivo de ruido gaussiano. L ∂K L ∂K 2 = 0 . = . que se convierte en  L L L  L [ ( )] dk = sf (k ) − k n − σ 2 dt − kσdz (28) . dw1 = 0. son. dL = nL. respectivamente dK y dL que están dados por dK= s. Aplicando (24) y (25) con f = k.144 Semestre Económico Sabemos que y por tanto esta es la nueva función que en el lema aparece denotada por f. ∂K∂L =− 2 y = ∂L2 L3 . después de hacer algunas transfor- L2 L L L 2L  maciones y aplicar de nuevo la tabla de multiplicación (27) llegamos a  nK sF(K. ∂t = 0. L ) Kσ 2  Kσ dk =  − + + dt − dz .

Demuestre que la expresión (24) es equivalente a la expresión (21). como lo podíamos ha- tegoría.dt + 0. los ejercicios son herramientas fundamentales para la comprensión de los temas vistos. la volatilidad de la fuerza laboral. Simular en una hoja electrónica 10 trayectorias del proceso anterior. Unos ejercicios Como en todo curso. le sugerimos al lector que intente resolver los siguientes ejercicios: 1. diciones es plausible la descripción del tica (tendencia) como la parte estocástica comportamiento de la fuerza laboral como del diferencial de k están afectados por un movimiento browniano geométrico. da en la segunda parte de este curso. tos en Colombia y Latino-América. 4. Esta es una tarea que dejamos a un grupo de estudiosos de la matemática y la eco- De otra manera más comprensible pode- nomía. encuentre el diferencial estocástico del proceso y = ea. . estime el valor esperado de X(1) y compare su estimación con la que puede obtenerse de la solución del primer ejercicio. Un ter- Pensar un poco en los resultados cero: suponiendo que estos modelos son apropiados. Esta podría ser un primer proyecto mos decir que las fluctuaciones aleatorias para un grupo interdisciplinario de esa ca- en k. Por medio de simulación. para este último proyecto serán presenta- lidad. La incapacidad para resolverlos denota. Para detectar el nivel de comprensión alcanzado.W(t). dependen. ¿cómo se harían las estima- Naturalmente. es pertinente analizar bajo qué con. Resolver dX = 0. x(0) = 1.03 X dW.5 X. Un segundo proyecto podría ser ber sospechado. Si a es una constante y W(t) el proceso de Wiener. 3. generalmente que el contenido del curso no se comprende al nivel correcto. de las fluctuaciones investigar la plausibilidad de tales supues- aleatorias en la fuerza laboral. como los modelos matemá. ciones de los parámetros? Valiosas ayudas ticos son sólo representaciones de la rea. 5. cual es el valor esperado de X? 2. Un curso rápido de cálculo estocástico para aplicaciones a modelos económicos 145 Notamos que tanto la parte determinís.

BJÖRK. dY = µ2. 39-51.A (1982). encuentre los diferenciales de Z y U. 6. 4. New York. Si X e Y tienen diferenciales estocásticos respectivos.(1974). Tesis de Maestría en Matemáticas aplicadas. North- Holland.dt + σ1dW1. Springer- Verlag. Second edition. Y(0) = Y0.Y. Oxford University Press. Universidad EAFIT. Procesos de Wiener. 7. SOLOW. MALLIARIS. presentaremos otros modelos susceptibles de ser modificados con la introducción de incer- tidumbre y extenderemos los resultados obtenidos de 2 a n variables. Espe- ramos que esta pequeña contribución ayude efectivamente a la conforma- ción de grupos interdisciplinarios para el estudio de modelos de ecuaciones diferenciales estocásticas en las ciencias económicas. Berlín.dt + σ2dW2. 8. MERTON. Revista Universidad EAFIT. y BROCK. R. 10.M. ¿Qué implicaciones en cuanto al comportamiento probabilístico de sus incrementos (variaciones) tiene la suposición de que una cierta variable económica se puede describir como un diferencial estocástico? Lo que sigue En la próxima parte profundizaremos en el Modelo de Solow.(1998) Martingale Methods in Financial Modelling. Amsterdam. An Asymptotic Theory of Growth under Uncertainty. 5. M. 70.G. A. W. ARBELÄEZ L. Ecuaciones Diferenciales Estocásticas Aplicadas a la Valoración de Derivados Financieros. CÁRCAMO C. Tomas (2004). MUSIELA. dX = µ1.U (1998). 2. Y RUTKOWSKI. (1956). J. M. 65-59. . 7. A Contribution to the Theory of Economic Growth. 239-257. 141-183. 110. 42.. Stochastic Methods in Economics and Finance.146 Semestre Económico 6. BOURGUIGNON. Z= X. REFERENCIAS 1. R. Review of Economic Studies. A Particular Class of Continuous-Time Growth Models. Quarterly Journal of Economics. U = X/Y. (1975). X(0) = X0. Arbitrage Theory in Continuous Time. donde W1 y W2 son procesos de Wiener independientes. F. 3. Journal of Economic Theory. (2003).

Javier Arbeláez L es profesor de tiempo complete del Instituto Tecnológico Metropolitano (ITM) y catedrático de la Universidad EAFIT. pero esta nos e usa en finanzas. 11 Hablando intuitivamente. 7 Estrictamente hablando. sin embargo es bastante diferente. 1987 4 En honor del Matemático Norbert Wiener. una filtración es una familia creciente de sub-sigma álgebras de la sigma álgebra en la que está definida el proceso estocástico. desde el punto de vista de la Teoría de la Medida. Esta propiedad se enuncia diciendo que el proceso g debe ser de cuadrado integrable. New Zealand. 12 Por ejemplo. En este caso la filtración se puede interpretar como un flujo de información generado por el proceso X desde t = 0. no es una martingala. Fecha de aprobación: octubre 15 de 2004. 2 En nombre del economista Ken-Ichi Inada 3 Robert Solow. el conjunto de puntos donde no se cumple es despreciable.d in Computational and Applied Mathematics (Finance) de la University of Canterbury. Una sigma álgebra es una clase cerrada de eventos que representa información. Ulises Cárcamo es profesor de tiempo completo esta misma universidad. y Ulises Cárcamo C. 8 En general esta integral es de las llamadas Integrales de Lebesgue y esta condición debe interpretarse como casi seguramente. es además candidato a Ph. 13 La integral de Stratonovich. Premio Nóbel de Economía. en general. f = f(t. 5 Esto es porque. Es decir. la distribución de probabilidades de la integral se puede obtener con la ayuda de las trayectorias del proceso de Wiener en [a. en analogía con la luz blanca. 10 Parece ser similar a una integral de Stietljes. 6 No está demás recordar que un proceso estocástico es una familia indexada de variables aleatorias. Fecha de recepción: sep- tiembre 17 de 2004. . 14 Esto quiere decir. Existe también la integral de Stratonovich. Ulises Cárcamo C.b]. este contiene todas las frecuencias. son ambos Licenciados en Matemáticas de la Universidad de Medellín y tienen título de Master en Matemáticas Aplicadas de la Universidad EAFIT. Un curso rápido de cálculo estocástico para aplicaciones a modelos económicos 147 NO NOTTAS 1 Javier Arbeláez L. 9 En nombre de Kiyoshi Itô. la información generada por todos lo eventos observados hasta el instante t.x) Es una vez diferenciable con respecto a t y dos veces diferenciable con respecto a x.