Semestre Econmico

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

Arbelez L., Javier; Carcamo C., Ulises

UN CURSO RPIDO DE CLCULO ESTOCSTICO PARA APLICACIONES A MODELOS
ECONMICOS. Primera parte
Semestre Econmico, vol. 7, nm. 14, julio-diciembre, 2004, pp. 129-147
Universidad de Medelln
Medelln, Colombia

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

Cmo citar el artculo

Nmero completo
Sistema de Informacin Cientfica
Ms informacin del artculo Red de Revistas Cientficas de Amrica Latina, el Caribe, Espaa y Portugal
Pgina de la revista en redalyc.org Proyecto acadmico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto
 129
UN CURSO RPIDO DE CLCULO ESTOCSTICO
PARA APLICACIONES A MODELOS ECONMICOS*
MODELOS
Primera parte

Javier Arbelez L.

Ulises Crcamo C1.

RESUMEN
La importancia de las ecuaciones diferenciales estocsticas y, en general el
clculo estocstico, en las ciencias econmicas 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 reas
de la economa son prcticamente desconocidas en nuestro entorno aca-
dmico. Este curso elemental es una invitacin a conformar grupos
interdisciplinarios de estudiosos de la matemtica y las ciencias econmi-
cas para abordar tales aplicaciones .

Palabras clave : ecuaciones diferenciales estocsticas, procesos

estocsticos, modelo neoclsico de crecimiento, produccin 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 Econmico
applications of SDE to other areas of Economics are practically unknown in
our academic environment. This elementary course is an invitation to create,
inter-disciplinary groups of Mathematics and Economics to study such
applications.
INTRODUCCIN
La importancia de las ecuaciones diferen-
ciales estocsticas y en general, del cl-
culo estocstico en finanzas es evidente.
Nadie puede preciarse de tener un cono-
cimiento profundo de ciertos temas finan-
cieros, como por ejemplo los derivados,
si no ha estudiado seriamente un curso
de clculo estocstico.
Ahora, un curso serio de este clculo re-
quiere de nociones de teora de la medi-
da, y procesos estocsticos, entre otros,
que solo son accesibles a estudiantes
avanzados de matemticas.
Por otro lado, solamente el conocimiento
de las herramientas matemticas que se
utilizan en finanzas no es garanta de que
se comprendan los procesos financieros
reales. Es por eso que se requiere de gru-
pos interdisciplinarios, para una buena
comprensin de estos temas.
En ciencias econmicas, en general, la
afirmacin anterior tambin es cierta.
El aprovechar el clculo estocstico para
estudiar ciertos aspectos de la economa
requiere de grupos interdisciplinarios de
matemticos y economistas.
ste es un curso rpido dirigido a aque-
llas personas interesadas en adquirir los
rudimentos del clculo estocstico para
futuras aplicaciones en economa y cien-
cias afines.
Clculo estocstico en ciencias
econmicas
Un primer acercamiento a las aplicacio-
nes del clculo estocstico en la econo-
ma se puede hacer incluyendo incerti-
dumbre (y riesgo) en algunos de los mo-
delos fundamentales.
Un modelo neoclsico de crecimiento
Consideremos una economa en la que
se produce un solo bien. Esta produccin
requiere de solo dos insumos: El mismo
bien y mano de obra.
El stock del bien dedicado a su produc-
cin se denotar mediante K y se llamar
capital. Este stock no sufre depreciacin
 Un curso rpido de clculo estocstico para aplicaciones a modelos econmicos 131

alguna por el paso del tiempo o por utili- Un primer acercamiento

zacin. a las aplicaciones
Sean Y la produccin y L la cantidad de del clculo estocstico
mano de obra que se usa en la produc- en la economa
cin. Sea L0 la fuerza de trabajo y sean y se puede hacer incluyendo
=Y/L, k = K/L y como un caso particular 1 incertidumbre (y riesgo) en
= L/L0 . (1) algunos de los modelos
En este modelo hacemos las siguientes fundamentales.
suposiciones:
S1. Las posibilidades de produccin de
la economa se pueden representar por
la funcin de dos variables, continua en Y adems, f(0) = , f() = 0 (5).
R2, Y = F(K, L) que satisface las siguientes
propiedades. S2. La mano de obra, L, crece a una ra-
zn geomtrica constante n, es decir,
(a) Para todo h > 0; hY = F(hK, hL) (2) (Re- L = L(0).ent con 0 < n < 1 (6)
tornos constantes a escala). Tambin
se podra asumir que F es homognea S3. Una fraccin constante, s, del produc-
de grado 1. Haciendo h = 1/L, obtene- to no se consume. Entonces, como con-
mos Y/L = F(K/L, 1) o y = f(k) (3) dicin de equilibrio, la produccin que no
se consume debe invertirse. Esto se pue-
(b) Suponemos vlidas las Condiciones
de expresar como:
de Inada2:
f(k) >0 (f es una funcin creciente) y dK
= s.F(K,L), 0 < s<1 (7)
dt
f (k) < 0, ( f es cncava), para k en
[0, ] (4). s es la propensin marginal al ahorro.

dK dL
L K ! !
Ahora, dk d K dt dt = K L . K = s.f (k ) nk (8)
= =
dt dt L L2 L L L

dk
as dt
= s. f (k ) nk (9). A esta ecuacin se le llama ecuacin diferencial
neoclsica de Solow3, para el crecimiento.
132 Semestre Econmico
Figura 1. Funcin f que cumple las condiciones de Inada
f(k)
Inclusin de la incertidumbre por medio de
una ecuacin diferencial estocstica
Una de las primeras extensiones posibles
de modelo es el poder incluir una fuerza
laboral que vara en forma estocstica.
Asumiremos que la variacin se puede
escribir en la forma dL = nL.dt + Ldz
(9.a) donde dt es un diferencial de tiem-
po, determinstico, y dz es el diferencial
de un proceso de Wiener, estocstico.
es una constante a la que podemos de-
nominar volatilidad de la fuerza laboral
que es una medida de la variabilidad de
dicha fuerza laboral.
Quienes conocen las nociones bsicas del
clculo estocstico pueden saltar las si-
guientes secciones. Estas muestran los
fundamentos de este clculo, de una ma-
nera rpida y concisa. De tal
manera que alguien sin es-
tos fundamentos puede ad-
quirir una idea general, de
una manera rpida. Un tra-
tamiento semi-formal re-
quiere nociones de procesos
estocsticos y teora de la
medida, pero el nivel que
k
presentamos ac se focaliza
en los resultados funda-
mentales y, por tanto, pres-
cinde de herramientas tan
sofisticadas y requiere slo
de nociones bsicas de la teora de la pro-
babilidad y de procesos estocsticos tal
como se presenta en los cursos de inves-
tigacin de operaciones.
Una introduccin elemental al clculo
estocstico
Procesos de Wiener
Definimos un proceso de Wiener4 de ma-
nera semi-formal, de la siguiente manera:
Caracterizaremos un proceso estocstico
(estndar) de Wiener {W(t)} mediante el
siguiente conjunto de propiedades:
1. W(0)=0 (El proceso comienza en cero)
2. Sus diferencias W(t) = W(t)W(s) tie-
nen una distribucin normal con media
0 y varianza t-s = t , para todo s < t.
 Un curso rpido de clculo estocstico para aplicaciones a modelos econmicos 133
3. Para todo s < t v < x las diferencias Lema 1
W(t)W(s) y W(x)(v) son variables El ruido blanco gausiano, {W(t)}, tiene
aleatorias independientes. las siguientes propiedades:
4. Las trayectorias de un proceso de Wie- 1. E[W(t)]=0. Valor esperado nulo.
ner son continuas. 2. E[(W(t))2]= Var[W(t)]= t.
El parmetro t, representar tiempo. 3. Var[[(W(t))2]=2.(t)2.

Al proceso estocstico {W(t)} se le cono- La simulacin de ruido blanco y de las tra-

ce como ruido blanco gaussiano5 y es bas-
tante til en la simulacin de los procesos
de Wiener, las integrales estocsticas y las
ecuaciones diferenciales estocsticas.
A partir de esta definicin se pueden pro-
bar las propiedades reunidas en el si-
guiente lema:
yectorias de un proceso de Wiener es rela-
tivamente fcil.
La figura nmero dos muestra una trayec-
toria simulada en Matlab.
Como esta es una simulacin discreta de
un proceso continuo, la trayectoria est re-
presentada slo como una aproximacin.

Figura 2. Una trayectoria de un Proceso de Wiener

134 Semestre Econmico
El lema siguiente enuncia una de las propie-
dades ms importantes de las trayectorias.
Lema 2
Las trayectorias de un proceso de Wiener
son curvas continuas que no son diferen-
ciables en ningn punto.
Esta es la razn por la cual no podemos
representar esas trayectorias de una ma-
nera ms exacta.
Integrales estocsticas
Las integrales estocsticas son generali-
zaciones de las integrales que hemos es-
tudiado en el clculo elemental en el sen-
Figura 3. Informacin generada por el Proceso X
tido de que son sumas infinitas. Una apro-
ximacin semi-intuitiva a este tipo de inte-
grales se logra despus de entender las
siguientes ideas:
La informacin generada por un proceso
estocstico
Consideremos el proceso estocstico
{X(t)}6
1. Sea A un evento. Escribiremos AFtx
si, basados en observaciones de la tra-
yectoria { X(t), 0 s t} es posible
saber si A has ocurrido o no.
2. Sea Z una variable aleatoria. Escribi-
mos ZFtx si, podemos determinar
 Un curso rpido de clculo estocstico para aplicaciones a modelos econmicos
completamente el valor de Z basados
en observaciones de la trayectoria
{ X(t), 0 s t}.
3. Sea {Y(t)} un proceso estocstico, si
para todas las variables aleatorias Y(t)
con 0 t, se cumple que Y(t)Ftx, en-
tonces decimos que {Y(t)} es adap-
tado a la filtracin7 {Ftx}t0. Interpre-
tamos el smbolo Ftx como la infor-
macin generada por el proceso {X}
en el intervalo [0, t].
Por ejemplo, si el precio de una accin est
representada por el proceso {S(t)}, tene-
mos 1,000 de esas acciones y queremos
venderlas en algn instante en el interva-
lo [0, t], entonces, nuestras ganancias se-
rn un proceso estocstico adaptado a la
filtracin {Fts}t0.
Condiciones de integrabilidad
Consideremos un proceso de Wiener, W
1. Decimos que el proceso g pertenece a
la clase L2 [a, b] si es adaptado a la fil-
2
tracin {Ftw}t0 y tal que a g(s) ds < 8.
b
135
Las trayectorias de un
proceso de Wiener son
curvas continuas que
no son diferenciables
en ningn punto.
2. Decimos que el proceso g pertenece
a la clase L2 si g L2 [0, t] para todo
t > 0.
La integral estocstica, en el sentido de It9,
para procesos simples
Los procesos estocsticos simples son los
anlogos aleatorios de las funciones es-
calonadas. Usualmente la integral elemen-
tal se define, de manera natural, para fun-
ciones escalonadas y luego se aprovecha
el hecho de que la mayora de las funcio-
nes de mayor uso se pueden aproximar
mediante funciones escalonadas, para
extender la nocin de integral a esas fun-
ciones, mediante un paso al lmite. De
manera semejante se hace esto con los
procesos estocsticos.

Un proceso estocstico g se dice que es simple en [a, b] si existe un conjunto

de puntos determinsticos a = t0 < t1 < . . . < tn = b y un conjunto de constan-
tes c0, c1, , cn-1 tales que g(t) = ck si tk t < tk+1 para k = 0, 1, . . .,n1. Esto es,
g es constante en cada subintervalo.
Para cada proceso simple g en L2 [a, b] definimos la integral estocstica en [a,
n 1

b] mediante a g(s)dW(s) = g(k) [W(tk +1 ) W(tk )] 10

b

k =0
136 Semestre Econmico
La integral estocstica, en el sentido de ItIt, para procesos ms generales
Dado un proceso g en L2 [a, b] tenemos los siguientes hechos:
1. Existe una sucesin de procesos simples {gn} tal que E a {gn (s) g(s)} ds 0
b 2

cuando n .
2. Es posible definir Zn= a gn (s)dW(s) para cada n.
b

3. La sucesin Zn tiene un lmite, Z, cuando n .

As definimos la integral estocstica de g como ese lmite Z, es decir,

b lim b
a
g(s)dW(s) =
n a
gn (s)dW(s) .

Las propiedades ms importantes de la integral estocstica

Lema 3
Sea g un proceso en L2 [a, b] y sea Z = a g(s)dW(s) , entonces las siguientes pro-
b

piedades se cumplen:
1. E(Z) =0 (El valor esperado de la integral estocstica es cero).
2. E(Z2)= a E g(s) ds
b 2

3. Z es Fbw -medible11.

Como puede verse, el valor esperado de
esta integral es cero. Esta es una de las
propiedades de los juegos, actuarialmente,
justos. Una generalizacin, bastante til
del concepto de juego justo es la nocin
de martingala.
Martingalas
Aunque una definicin formal de la no-
cin de martingalas necesita de concep-
tos de la Teora de la Medida, en esta in-
troduccin al clculo estocstico damos
una nocin semi-intuitiva.
Esperanzas condicionales
Consideremos la filtracin (flujo de infor-
macin 12) {F t}t0. Si Y es una variable
aleatoria, E[Y/Ft] es el valor esperado de
Y dada la informacin disponible en el
tiempo t. Para un t fijo, E[Y/Ft] es una va-
 Un curso rpido de clculo estocstico para aplicaciones a modelos econmicos
riable aleatoria. Si toda la informacin se
obtiene a partir de un solo proceso, X, en-
tonces Ft y E[Y/Ft] dependen de la trayec-
toria {X(s), 0 s t}.
espe--
Dos importantes propiedades de las espe
ranzas condicionales
1. Si Y and Z son variables aleatorias y Z
es Ft-medible entonces E[Z.Y/Ft] =
Z.E[Y/Ft]
2. Si Y es cualquier variable aleatoria y
s < t, entonces E[E[Y/Ft]/Fs] = E[Y/Fs]
(Ley de las Esperanzas Iteradas)
Ft-Martingalas
Un proceso estocstico X se llama una Ft-
martingala si cumple las siguientes con-
diciones:
1. X es adaptado a la filtracin {Ft}t0.
2. E[X(t)] < para todo t.
3. Para todo s y t, s t, E[X(t)/Fs] = X(s).
Intuitivamente hablando, una martingala
es un proceso estocstico tal que la me-
jor prediccin que de l se puede hacer,
dada cierta informacin disponible, es
simplemente, el valor actual observado.
Esta nocin est ntimamente relaciona-
da con la Hiptesis dbil de los Merca-
dos Eficientes.
137
Integrales estocsticas como martingalas
Lema 3
Para cualquier proceso g L2, el proceso
X definido como X(t) = 0 g(s)dW(s) es
t
una Ftw- -martingala.
Esta es la propiedad que hace que las in-
tegrales estocsticas, tal como se han
definido ac sean apropiadas para mo-
delar precios de acciones13. La forma d-
bil de la Hiptesis de los Mercados Efi-
cientes establece que los precios actua-
les reflejan, de manera completa, la in-
formacin contenida en las series de pre-
cios histricos. As, los inversionistas no
pueden concebir ninguna estrategia para
obtener ganancias fuera de lo comn, de
una manera consistente, basados en la
informacin disponible para el pblico y
el mejor pronstico para maana es el
precio de hoy.
Diferenciales estocsticos
Sea X un proceso estocstico y suponga-
mos que existe un nmero real x0 y dos
procesos Ftw-adaptados and tales que
X(t)= x0 + 0 (s)ds + 0 "(s)dW(t) (10) para
t t
todo t 0. Podemos escribir (10) usando
notacin diferencial, en la forma, dX(t)
=(t)dt +(t)dW(t) (11), X(0)=x0 (12) decir
que X tiene un diferencial estocstico
138 Semestre Econmico
Uno de los objetivos
ms importantes del clculo
estocstico es encontrar
el diferencial de una funcin
de un proceso estocstico
(con diferencial) y del tiempo.
El siguiente lema da
condiciones suficientes
para que el diferencial
de una tal funcin exista y,
adems, muestra cmo
calcularlo.
dado por (11) con una condicin inicial
dada por (12).
Hablando formalmente, (11) es una for-
ma corta de representar (10). Hablando
de manera intuitiva, (11) representa la di-
nmica infinitesimal de X. El trmino (t)dt
in (11) se llama el trmino de tendencia
(drift), y (t)dW(t) se llama el trmino adi-
tivo de ruido gaussiano.
Hablando informalmente, un proceso
estocstico que satisface una ecuacin de
la forma X(t)=(t, X(t))dt + (t, X(t))dW(t)
se llama un proceso (estocstico) de difu-
sin. Estos procesos estn relacionados
con los modelos determinsticos que re-
presentan difusiones fsicas, por ejemplo
la difusin observada en el proceso de
smosis.
Aplicacin al modelo de Solow
El lector atento ya habr notado que en
la ecuacin diferencial estocstica de la
fuerza laboral en el Modelo de Solow, el
trmino de tendencia es nLdt y el trmi-
no aditivo de ruido gaussiano es .Ldz.
Tambin sabr que otra forma, equivalen-
te, de representar este modelo es L(t) =
(13).
t t
L0 +
0
n.L ( S ) ds + .L ( S ) dz
0
Tambin de (9a) se puede deducir que
dL
L
= ndt + dz (13 a), esto significa que
la proporcin del crecimiento de la fuer-
za d trabajo, para un corto perodo de
tiempo, dt, tiene distribucin normal con
media n.dt y varianza 2.dt.
El teorema de representacin como Mar-
tingala
El Lema 3 establece que toda integral
estocstica (del tipo It ) es una martin-
gala, existe una especie de versin rec-
proca, que establece que, bajo ciertas cir-
cunstancias, cada martingala se puede
representar como una integral de It:
Lema 4
Sea {Mt}0 t T una martingala continua de
cuadrado integrable respecto a {Ft}. En-
tonces existe un nico proceso estocs-
tico f L2 tal que Mt= M0 + 0 f(s)dW(s)
t
(14) para t [0,T].
 Un curso rpido de clculo estocstico para aplicaciones a modelos econmicos 139
Diferencial de una martingala La Frmula (Lema) de It
En virtud de la equivalencia entre las Uno de los objetivos ms importantes del
notaciones integral y diferencial, pode- clculo estocstico es encontrar el diferen-
mos escribir (14) como dM(t) = f(s)dW(s) cial de una funcin de un proceso esto-
(15), that is, un proceso estocstico, que tiene cstico (con diferencial) y del tiempo. El si-
un diferencial, es una martingala s y so- guiente lema da condiciones suficientes
lo s su diferencial no tiene trmino de ten- para que el diferencial de una tal funcin
dencia. exista y, adems, muestra cmo calcularlo.

Lema 4 (Lema de It)

Sea X un proceso estocstico con diferencial estocstico dX(t) = (t)dt +

(t)dW(t) donde y son procesos adaptados, y sea f= f(t, x) una funcin
C1,2 14. Definamos el proceso Z mediante Z = f(t, X(t)). Entonces Z tiene un
diferencial estocstico, dZ, dado por

f f 1 2 2 f f
dZ = df(t,X(t)) =

+

+ "
2
dt + " dW(t)
(15)
t x 2 x x

Ejemplo 1

Sea Z el proceso definido mediante Z(t) = W4(t), donde W(t) es el proceso de

Wiener. Es decir, Z(t) es la cuarta potencia de un proceso de Wiener. Identifi-
cando W(t) con X(t) y dado que dW(t) = 0.dt +1.dW(t), W(0) = X(0) = 0, ( = 0
f f 2f
y = 1), y f(t, x) = x , entonces
4 = 0, = 4.x 3 y = 6 x 2 . Substitu-
t x x 2

yendo en la frmula de It (15), obtenemos dZ(t) = 6.W2(t)dt + 4. W3(t).dW(t),

Z(0)=0. Este es el diferencial de W4(t).

Ecuaciones diferenciales estocsticas

El lema de It permite encontrar el diferencial de una funcin de un proceso
estocstico. Ahora podemos pensar de una manera, en cierto sentido inver-
sa, dada una expresin diferencial y una condicin inicial, existe un proceso
140 Semestre Econmico
estocstico que los satisfaga? Resolver este problema es resolver una ecua-
cin diferencial estocstica.
El siguiente lema da condiciones suficientes para la existencia de solucio-
nes de la ecuacin diferencial estocstica (EDE) dX(t) = (t,X(t))dt + (t, X (t))
dW(t), X(0) = x0 (16)

Lema 5

Supongamos que existe una constante K tal que para todo x, todo y, y
todo t (t, x) (t, y) K x y , "(t, x) "(t, y) K x y and "(t, x) + (t, x)
K(1 + x ) , entonces existe una solucin X(t) a la ecuacin (16) que tiene las
siguientes propiedades:
1. X es un proceso FtW-adaptado.
2. X tiene trayectorias continuas.
3. X es un proceso de Markov,
4. Existe una constante C tal que E[ X(t) ] Ce Ct
(1 + x0 ) .
2

Movimiento Browniano Geomtrico (MBG)

Uno de los procesos estocsticos ms importantes en finanzas es el as
llamado Movimiento Browniano Geomtrico. En el modelo de Black-Scholes
para valoracin de opciones se supone que el precio del activo subyacente
sigue este proceso. Un MBG se define como la solucin a la EDE dX(t)=
!.X(t)dt + ".X(t)dW(t); X(0) = x 0 (17), donde y son constantes, >0.

Esta es una de las pocas EDE que tiene una solucin simple.

Lema 6

La solucin de la EDE (17) est dada por X(t) = x0 ee( 2 )t +.W ( t ) (18); su valor
1 2

esperado es E[X( t )] = x0 e.t (19)15.

 Un curso rpido de clculo estocstico para aplicaciones a modelos econmicos 141
La figura 4 muestra el valor esperado y algunas de las trayectorias de un
proceso browniano geomtrico.

Movimiento Browniano Geomtrico en la fuerza laboral del modelo de Solow

Si echamos otra mirada a la ecuacin (9a) en el modelo de Solow,
dL = nL.dt + Ldz , con L(0) = L0, vemos que esta es precisamente la ecua-

cin de un MBG. La solucin es L = L0.ee(n - 2 )t +.Z( t ) lo que indica que en este

1 2

modelo modificado, la fuerza laboral se comporta de manera similar al pro-

ceso de la figura 4.
A pesar de todo esto, si queremos estudiar el efecto de considerar la fuerza
laboral como un movimiento browniano geomtrico en el diferencial dk,
necesitamos ampliar las nociones vistas a procesos de dos dimensiones.
La razn es evidente: k depende de dos variables, K y L.

Generalizaciones: Procesos en dos dimensiones

En muchas de las aplicaciones, se consideran procesos estocsticos rela-
cionados con ms de una fuente de aleatoriedad. El caso tpico se presenta
cuando se tiene un portafolio de inversiones, digamos que contiene n acti-
vos, y una gran cantidad de los precios de los activos financieros que con-
forman el portafolio varan aleatoriamente, digamos, d, de los n. En estos
casos la descripcin del portafolio necesitar de d procesos estocsticos.
Se puede tener una primera aproximacin utilizando un proceso browniano
d-dimensional.
Antes de hacer la extensin a d-dimensiones, en aras de facilitar esa transi-
cin de 1 a d, estudiaremos procesos estocsticos relacionados con proce-
sos brownianos de dos dimensiones.

Proceso de Wiener y diferenciales Bi- dimensionales

Bi-dimensionales
Consideremos un proceso W = [ W1, W2]T, donde W1 y W2 son dos procesos
de Wiener independientes T denota trasposicin. Sea = [ 1(t), 2(t)]T, el
vector de tendencia y sea la matriz de difusin definida por
142 Semestre Econmico
" ( t ) " 12 ( t )
"(t) = 11 y supongamos que el proceso bi-dimensional X =
" 21 ( t ) " 22 ( t )
[X1, X2]T, tiene un diferencial estocstico de la forma

dX1 (t) 1 (t) " 11 ( t ) " 12 ( t ) dW1 (t)

dX (t) = (t).dt + " ( t ) " V dW (t) (20) que puede ser escrito
2 2 21 22 2
en forma ms compacta como dX(t) = (t) dt + (t). dW(t). Este es un ejem-
plo de un diferencial estocstico bidimensional.
Definamos el proceso Z, mediante, Z = f(t, X(t)) donde f es una funcin 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 funcin C1,2. Qu forma
dZ? La respuesta nos la da una generalizacin del lema de It que enuncia-
mos a continuacin:

Figura 4. Media y trayectoria de un Movimiento Browniano Geomtrico

 Un curso rpido de clculo estocstico para aplicaciones a modelos econmicos 143
Lema 7 (Frmula de It de dos dimensiones)

Sea X un proceso bi-dimensional con diferencial estocstico de la forma

dX(t) = (t) dt + (t). dW(t) y sea f = f(t, X(t)) una funcin C1,2, entonces:
1. f tiene un diferencial estocstico dado por
(21), donde

(22) y

(23)

2. La expresin (21) equivale a la siguiente

(24), donde

(25) y se aplica
la siguiente tabla
3. de multiplicacin formal:
(dt ) 2 = 0
dt.dWi = 0, i = 1, 2
(dWi ) 2 = dt, i = 1, 2
dWi .dW j = 0, i = 1, 2 (26)

El lector interesado puede comprobar fcilmente que, efectivamente la ex-

presin (24) se convierte en la expresin (21) despus de aplicar la tabla de
multiplicacin formal.
A la funcin f y al proceso de la expresin (20).

El aspecto del diferencial dk en el modelo de Solow con Incertidumbre

Con la nueva herramienta del lema 7, podemos abordar el problema de
determinar el diferencial de k, con el nuevo supuesto de la ecuacin 9a.
144 Semestre Econmico

Sabemos que y por tanto esta es la nueva funcin que en el lema aparece
denotada por f. Adems dX1 y dX2, son, respectivamente dK y dL que estn
dados por
dK= s.F(K, L)dt,
dL = nL.dt + Ldz , donde hacemos notar que dK no tiene trmino aditivo de
ruido gaussiano.
Aplicando (24) y (25) con f = k, x1= K, x2 = L, dw1 = 0, 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 KL L

k k K k 1 2 k 2k 1 2k 2K
Ahora, t
= 0,
L
= 2, = ,
L K L K 2
= 0 , KL
= 2 y =
L2 L3
.
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 + Ldz ) + 1 dk + 1 22 dKdL + 2K3 n 2L2 (dt )2 + 2ndtdz + 2L2 (dz )2 ,

2
L L L

despus de aplicar (26) llegamos a

dk =
K
(nLdt + Ldz ) + dK dK dL + 1 2K3 2L2 dt , despus de hacer algunas transfor-
L2 L L L 2L
maciones y aplicar de nuevo la tabla de multiplicacin (27) llegamos a
nK sF(K, L ) K 2 K
dk = + + dt dz , que se convierte en
L L L L

[ ( )]
dk = sf (k ) k n 2 dt kdz (28)
 Un curso rpido de clculo estocstico para aplicaciones a modelos econmicos 145

Notamos que tanto la parte determins- diciones es plausible la descripcin del

tica (tendencia) como la parte estocstica
del diferencial de k estn afectados por
la volatilidad de la fuerza laboral.
De otra manera ms comprensible pode-
mos decir que las fluctuaciones aleatorias
en k, dependen, como lo podamos ha-
ber sospechado, de las fluctuaciones
aleatorias en la fuerza laboral.
Pensar un poco en los resultados
Naturalmente, como los modelos matem-
ticos son slo representaciones de la rea-
lidad, es pertinente analizar bajo qu con-
comportamiento de la fuerza laboral como
un movimiento browniano geomtrico.
Esta es una tarea que dejamos a un grupo
de estudiosos de la matemtica y la eco-
noma. Esta podra ser un primer proyecto
para un grupo interdisciplinario de esa ca-
tegora. Un segundo proyecto podra ser
investigar la plausibilidad de tales supues-
tos en Colombia y Latino-Amrica. Un ter-
cero: suponiendo que estos modelos son
apropiados, cmo se haran las estima-
ciones de los parmetros? Valiosas ayudas
para este ltimo proyecto sern presenta-
da en la segunda parte de este curso.

Unos ejercicios

Como en todo curso, los ejercicios son herramientas fundamentales para la

comprensin de los temas vistos. La incapacidad para resolverlos denota,
generalmente que el contenido del curso no se comprende al nivel correcto.
Para detectar el nivel de comprensin alcanzado, le sugerimos al lector que
intente resolver los siguientes ejercicios:
1. Resolver dX = 0.5 X.dt + 0.03 X dW, x(0) = 1, cual es el valor esperado de
X?
2. Simular en una hoja electrnica 10 trayectorias del proceso anterior.
3. Por medio de simulacin, estime el valor esperado de X(1) y compare su
estimacin con la que puede obtenerse de la solucin del primer ejercicio.
4. Si a es una constante y W(t) el proceso de Wiener, encuentre el diferencial
estocstico del proceso y = ea.W(t).
5. Demuestre que la expresin (24) es equivalente a la expresin (21).
146 Semestre Econmico

6. Si X e Y tienen diferenciales estocsticos respectivos; dX = 1.dt + 1dW1,

X(0) = X0, dY = 2.dt + 2dW2, Y(0) = Y0, donde W1 y W2 son procesos de
Wiener independientes, Z= X.Y, U = X/Y, encuentre los diferenciales de Z y
U.
7. Qu implicaciones en cuanto al comportamiento probabilstico de sus
incrementos (variaciones) tiene la suposicin de que una cierta variable
econmica se puede describir como un diferencial estocstico?
Lo que sigue
En la prxima parte profundizaremos en el Modelo de Solow, presentaremos
otros modelos susceptibles de ser modificados con la introduccin de incer-
tidumbre y extenderemos los resultados obtenidos de 2 a n variables. Espe-
ramos que esta pequea contribucin ayude efectivamente a la conforma-
cin de grupos interdisciplinarios para el estudio de modelos de ecuaciones
diferenciales estocsticas en las ciencias econmicas.

REFERENCIAS

1. ARBELEZ L., J. (2003). Ecuaciones Diferenciales Estocsticas Aplicadas a la Valoracin de

Derivados Financieros. Tesis de Maestra en Matemticas aplicadas. Universidad EAFIT.
2. BJRK, Tomas (2004). Arbitrage Theory in Continuous Time. Second edition. Oxford University
Press. New York.
3. BOURGUIGNON, F.(1974). A Particular Class of Continuous-Time Growth Models. Journal of
Economic Theory, 10, 239-257.
4. CRCAMO C,U (1998). Procesos de Wiener. Revista Universidad EAFIT, 110, 39-51.
5. MALLIARIS, A,G, y BROCK, W,A (1982). Stochastic Methods in Economics and Finance. North-
Holland. Amsterdam.
6. MERTON, R. (1975). An Asymptotic Theory of Growth under Uncertainty. Review of Economic
Studies, 42, 141-183.
7. MUSIELA, M. Y RUTKOWSKI, M.(1998) Martingale Methods in Financial Modelling. Springer-
Verlag. Berln.
8. SOLOW, R.M. (1956), A Contribution to the Theory of Economic Growth. Quarterly Journal of
Economics, 70, 65-59.
 Un curso rpido de clculo estocstico para aplicaciones a modelos econmicos 147
NO
NOTTAS
1 Javier Arbelez L. y Ulises Crcamo C. son ambos Licenciados en Matemticas de la Universidad
de Medelln y tienen ttulo de Master en Matemticas Aplicadas de la Universidad EAFIT. Ulises
Crcamo C. es adems candidato a Ph.d in Computational and Applied Mathematics (Finance)
de la University of Canterbury, New Zealand. Javier Arbelez L es profesor de tiempo complete
del Instituto Tecnolgico Metropolitano (ITM) y catedrtico de la Universidad EAFIT, Ulises
Crcamo es profesor de tiempo completo esta misma universidad. Fecha de recepcin: sep-
tiembre 17 de 2004. Fecha de aprobacin: octubre 15 de 2004.
2 En nombre del economista Ken-Ichi Inada
3 Robert Solow, Premio Nbel de Economa, 1987
4 En honor del Matemtico Norbert Wiener.
5 Esto es porque, en analoga con la luz blanca, este contiene todas las frecuencias.
6 No est dems recordar que un proceso estocstico es una familia indexada de variables
aleatorias.
7 Estrictamente hablando, una filtracin es una familia creciente de sub-sigma lgebras de la
sigma lgebra en la que est definida el proceso estocstico. Una sigma lgebra es una clase
cerrada de eventos que representa informacin. En este caso la filtracin se puede interpretar
como un flujo de informacin generado por el proceso X desde t = 0.
8 En general esta integral es de las llamadas Integrales de Lebesgue y esta condicin debe
interpretarse como casi seguramente. Es decir, el conjunto de puntos donde no se cumple es
despreciable, desde el punto de vista de la Teora de la Medida. Esta propiedad se enuncia
diciendo que el proceso g debe ser de cuadrado integrable.
9 En nombre de Kiyoshi It. Existe tambin la integral de Stratonovich, pero esta nos e usa en
finanzas.
10 Parece ser similar a una integral de Stietljes, sin embargo es bastante diferente.
11 Hablando intuitivamente, la distribucin de probabilidades de la integral se puede obtener con
la ayuda de las trayectorias del proceso de Wiener en [a,b].
12 Por ejemplo, la informacin generada por todos lo eventos observados hasta el instante t.
13 La integral de Stratonovich, en general, no es una martingala.
14 Esto quiere decir, f = f(t,x) Es una vez diferenciable con respecto a t y dos veces diferenciable
con respecto a x.