Documente Academic
Documente Profesional
Documente Cultură
Jorge A. León
Recibido Dic. 7, 2005 Aceptado May. 18, 2006
Abstract
In this paper we study some basic properties and applications of the Itô, Skorohod and
forward stochastic integrals with respect to the Brownian motion. The main idea of this
article is to give an introduction to the stochastic calculus based on these integrals. Also
we analyze the existence of a unique solution to stochastic differential equations driven by
the Brownian motion for above interpretations of stochastic integral.
Keywords: Derivative and divergence operators, Brownian motion,filtrations, Itô’s for-
mula, stochastic differential equations.
AMSC(2000): 60H05, 60-01, 60H30, 60H07, 60J65
Resumen
En este artículo damos algunos elementos básicos que se utilizan al estudiar las propie-
dades y las aplicaciones de la integral estocástica con respecto al movimiento browniano
cuando esta integral estocástica se considera en los sentidos de Itô, Skorohod y hacia ade-
lante (definida por Russo y Vallois [32]). La idea principal es brindar una presentación para
que el lector comience a entender las herramientas del cálculo estocástico basado en estas
integrales, así como sus aplicaciones. También, para cada interpretación de integral estocás-
tica, mencionamos algunos resultados de existencia y unicidad para ecuaciones diferenciales
estocásticas gobernadas por el movimiento browniano.
Palabras y frases claves: Ecuaciones diferenciales estocásticas, filtraciones, fórmula
de Itô, integral estocástica, movimiento browniano, operador de derivada, operador de
divergencia, procesos estocásticos.
1 Introducción
En la actualidad hay un gran interés por el estudio de la teoría de la pro-
babilidad debido en gran parte a sus aplicaciones en las diversas áreas del
conocimiento científico, como la física, biología, matemáticas financieras, en-
tre otras.
Hablando burdamente, las funciones X que aparecen en las aplicaciones
satisfacen una ecuación integral de la forma
Z t
Xt = X0 + a(s, Xs )ds, t ∈ [0, T ].
0
fenómeno que se está estudiando, por la poca información con la que se cuen-
ta, porque son obtenidos experimentalmente o simplemente por los costos.
Así, en general, es necesario hacer una “corrección aleatoria” a la ecuación.
Esto es, introducir un parámetro en un conjunto donde está definida una pro-
babilidad y cuyos elementos representan los posibles factores que influyen en
el sistema, para que la solución dé las posibles realizaciones del fenómeno en
cuestión. La manera de incorporar esta corrección es permitir que los coe-
ficientes sean aleatorios y perturbar la ecuación aditivamente por medio de
un “ruido aleatorio”. En la literatura, un proceso utilizado para representar
esta perturbación es el movimiento browniano o proceso de Wiener B ya que
es un proceso gaussiano con incrementos independientes cuya derivada en el
sentido generalizado es el ruido blanco gaussiano, el cual aproxima el efecto de
la superposición de un número grande de pequeñas perturbaciones aleatorias
independientes en tiempos distintos (ver Arnold [3] y Hida [15]). De esto, es
importante estudiar la ecuación diferencial estocástica (EDE) de la forma
Z t Z t
Xt = X0 + a(s, Xs )ds + b(s, Xs )dBs , t ∈ [0, T ]. (1)
0 0
2 Preliminares
En esta sección introduciremos la herramienta y la notación que utilizaremos
en nuestros resultados.
Supongamos que quiero apostar al evento que la suma de los dados sea mayor
que 6. Es decir, en este caso tenemos una v.a. X : Ω → R que está definida
74 J. León
Por lo que en este caso, la información que interesa está generada por X.
En este caso (
{∅, Ω}, t ≤ 1,
Ft =
2Ω , t > 1.
Observaciones 2.9.
c) El que un proceso sea medible sólo depende de F, pero el que sea adaptado
depende de la filtración.
i) B0 = 0 con probabilidad 1.
i=1
n−1
X
2
2
=E (Btni+1 − Btni ) − (tni+1 − tni )
i=1
X
+ 2E (Btni+1 − Btni )2 − (tni+1 − tni ) (Btnj+1 − Btnj )2 − (tnj+1 − tnj )
i<j
n−1
X
≤C (tni+1 − tni )2 ≤ Cδn (t − s),
i=1
Demostración (Una idea). La ley del logaritmo iterado implica que, para casi
todas las trayectorias de B, ǫ > 0 y h suficientemente pequeño, tenemos
r
Bt+h − Bt 2 log log(1/h)
≥ (1 − ǫ) una infinidad de veces
h h
y
r
Bt+h − Bt 2 log log(1/h)
≤ (−1 + ǫ) una infinidad de veces.
h h
Como los lados derechos convergen a ∞ y −∞, respectivamente, el resultado
se sigue.
donde usamos que B y Bt2 − t : t ∈ [0, T ] son martingalas (ver Proposición
2.18) para demostrar que
E (gtk (Btk+1 − Btk ))2 = E (gtk )2 (tk+1 − tk ), k ∈ {0, 1, . . . , n}.
Demostración. Defina
Z ti
2
gs , si gr dr ≤ N, s ∈ (ti−1 , ti ],
0
GN (s) = Z ti
2
0, si gr dr > N, s ∈ (ti−1 , ti ].
0
El siguiente paso para construir la integral estocástica (4) es ver que los
procesos simples adaptados aproximan a los procesos medibles y adaptados
en algún sentido.
82 J. León
R T (n) RT
entonces Proposición 3.8 implica que 0 hs dBs → 0 hs dBs en pro-
babilidad cuando n → ∞.
RT
Además si E 0 (gs )2 ds < ∞, se tiene también lo siguiente:
RT RT 2 RT
iv) E gs dBs = 0 y E 0 gs dBs = E 0 (gs )2 ds .
0
Rt
v) El proceso 0 gs dBs : t ∈ [0, T ] es una Ft -martingala.
RT
Note que 0 · dBs merece el nombre de integral ya que es un operador
lineal (ver i)) y satisface el teorema de convergencia dominado iii ).
La Propiedad iii ) ha caracterizado a la familia de “buenos integradores”.
En efecto, suponga que Z es un proceso con trayectorias continuas a la derecha
con límites a la izquierda adaptado a una filtración {Gt : t ∈ [0, T ]} y que g
es un proceso simple como en (6) adaptado a esta filtración. Definimos (ver
Definición 3.5)
n
X
IZ
T (g) = gtk (Ztk+1 − Ztk ).
k=0
implica
IZ
T (g
(n)
) → IZ
T (g) en probabilidad.
× dBt dt
dBt dt 0
dt 0 0
• P [X0 = ξ] = 1
Rt
• P [ 0 {|b(s, Xs )| + (σ(s, Xs ))2 }ds < ∞] = 1,
Rt Rt
• Xt = ξ + 0 b(s, Xs )ds + 0 σ(s, Xs )dBs con probabilidad 1 para cada
t ∈ [0, T ].
La fórmula de Itô también ha permitido relacionar a las EDEs con las ecua-
ciones diferenciales ordinarias [11] y con las ecuaciones diferenciales parciales
del tipo parabólico y elíptico [18].
Ahora estudiamos el resultado clásico de existencia y unicidad de solucio-
nes de una EDE con coeficientes de Lipschitz que tienen crecimiento lineal.
El lector interesado en resultados más generales puede ver [18] y [29].
En el resto de este capítulo suponemos que b y σ satisfacen las siguientes
hipótesis:
La condición (H1) garantiza que la EDE (13) tiene a lo más una solución
en L2 (Ω×[0, T ]). (i.e., cuadrado integrable) si ξ ∈ L2 (Ω). En efecto, sean X, Y
dos soluciones de (13) en L2 (Ω × [0, T ]). Entonces, por (H1) y la propiedad
iv ) de la integral estocástica tenemos
Z t
2 2
E Xt − Yt ≤ 4(T + 1)K 2 E Xs − Ys ds, t ∈ [0, T ].
0
(H1’) Condición de Lipschitz local: Para cada N > 0, existe una constante
KN > 0 tal que
b(t, x) − b(t, y) + σ(t, x) − σ(t, y)
≤ KN |x − y|, t ∈ [0, T ], |x|, |y| ≤ N.
X (0) ≡ ξ
y
Z t Z t
(n+1)
Xt = ξ+ b(s, Xs(n) )ds + σ(s, Xs(n) )dBs , t ∈ [0, T ].
0 0
Es fácil ver que la propiedad iv), (H1) y (H2) dan que {X (n) : n ≥ 0} es una
sucesión convergente en L2 (Ω × [0, T ]) cuyo límite es una solución de la EDE
(13).
Si omitimos la Hipotesis (H2), la EDE (13) puede no tener una solución
global (i.e., definida en todo el intervalo [0, T ]): la solución de la ecuación
Z t
Xt = 1 + (Xs )2 ds
0
donde e1 = h y {e1 , . . . , en } es un sistema ortonormal de L2 [0, T ] . Sea φ la
densidad de la distribución normal N (0, 1) en Rn . Esto es
1 Pn
x2i
φ(x) = (2π)−n/2 e− 2 i=1 .
Observaciones 4.6.
para toda F ∈ D1,2 , donde c es una constante que sólo depende del
proceso estocástico u.
RT
Proposición 4.9. Sean u ∈ Dom δ y F ∈ D1,2 tales que E(F 2 0 (ut )2 dt)
< ∞. Entonces
Z T Z T Z T
F ut dBt = F ut dBt − (Dt F )ut dt, (19)
0 0 0
lo que muestra que el resultado se cumple (ver Definición 3.5) para procesos
adaptados simples.
Finalmente un argumento de aproximación, la Observación ii) de la De-
finición 3.11 y el hecho de que δ es un operador cerrado implican que el
resultado es válido.
Teorema 4.16R t (FórmulaR tde Itô para δ). Sean f ∈ C 2 (R) y el proceso con-
tinuo Xt = 0 us dBs + 0 vs ds, con u ∈ L ([0, T ]; D2,4 ) (i.e., ut tiene dos
4
Observaciones 4.17.
i) Si
R s u y v son procesos
Rs adaptados, entonces la Proposición 4.7 implica
0 (D v
s r )dr + 0 (D u
s r )dB r = 0. Compare con el Teorema 3.13.
ii) La razón de que esta fórmula tiene un término extra es que (19) también
lo tiene.
En este caso
∞
X
Dt F = nIn−1 (f˜n (·, t)).
n=1
Observaciones 4.21.
i) Note que (20) da
Z T ∞
X
E 2
(Dt F ) dt = nn!kf˜n k2L2 ([0,T ]n ) .
0 n=1
En este caso
∞
X
δ(u) = Im+1 (f˜n ).
m=0
Observaciones 4.23.
P ˜
i) E(δ(u)2 ) = ∞
m=0 (m + 1)!kfm kL2 ([0,T ]m+1 ) .
Para encontrar la única solución de (25), Shiota [34] supone que tenemos
las siguientes descomposiciones en caos (ver Proposición 4.19 y (23))
∞
X ∞
X
ξ= In (ηn ) y Xt = In (fnt ),
n=0 n=0
y
Z t
fnt (s1 , . . . , sn ) = ηn (s1 , . . . , sn ) + b(s)fns (s1 , . . . , sn )ds
0
n
1 X si
+ fn−1 (s1 , . . . , si−1 , si+1 , . . . , sn )1[0,t] (si ).
n
i=1
i) σ ∈ L2 ([0, 1]).
para x, y ∈ R y ω ∈ N1 .
Observación 5.2. Esta definición de integral estocástica fue dada por Russo
y Vallois [32], y ha sido estudiada por Asch y Potthoff [4], Berger y Mizel [6],
Kuo y Russek [19], y Russo y Vallois [32, 33].
con probabilidad 1
Integración estocástica 99
Observación 5.7. Note que la Proposición 5.5 implica que esta definición
de integral estocástica es independiente de la sucesión localizante de u.
El siguiente resultado muestra que el conjunto Dom δ− es estable bajo
localización.
Proposición 5.8. Los conjuntos Dom δ − y (Dom δ − )loc coinciden.
Demostración. Es claro que sólo tenemos que ver que (Dom δ − )loc ⊂ Dom δ − .
Sea u ∈ (Dom δ − )loc con sucesión localizante {(Ωn , u(u) ) : n ≥ 1}.
Primero veamos que u tiene trayectorias integrables. El teorema de Fubini
implica que
Z T Z T Z T
|us |ds ≤ |u(n)
s |ds + |u(n)
s − us |ds
0 0 0
Z T
= |u(n) |ds < ∞ sobre Ωn c.s.
0
lo que implica
Z T
1
lı́mP us (B(s+ǫ)∧T − Bs )ds
ǫ↓0 ǫ 0
X ∞ Z T
(n)
−
− 1Ωn \Ωn−1 us dBs > η̃ ≤ η.
n=1 0
Corolario 5.9. Sea u ∈ (Dom δ − )loc con sucesión localizante {(Ωn , u(n) ) :
n ≥ 1}. Entonces u ∈ Dom δ− y
Z T Z T
us dBs− = u(n) −
s dBs sobre Ωn c.s., para cada n ≥ 1.
0 0
Denotemos por L(f ) al conjunto de los puntos t ∈ [0, T ] tales que (28) se
cumple. También tenemos (ver [29]) que si B es una Gt –semimartingala (para
alguna filtración {Gt : t ∈ [0, T ]}), entonces B = W + A, donde W es un
Gt –movimiento browniano y A es un proceso con trayectorias de variación
acotada. Esta descomposición de B es usada en el siguiente resultado.
Entonces u ∈ Dom δ − y
Z T Z T
us dBs− = us dBs , (29)
0 0
Por lo tanto la relación de isometría (7), junto con (28), implica el resultado.
Proposición 5.12. Sea {Gt : t ∈ [0, T ]} una filtración que satisface las condi-
RT
ciones usuales tal que Ft ⊂ Gt , t ∈ [0, T ]. Suponga que 0 us dBs− existe para
cada proceso u acotado con trayectorias continuas a la izquierda con límites
a la derecha (càglàd) y Gt -adaptado. Entonces B es una Gt -semimartingala.
Observación 5.13. Russo y Vallois [32] han demostrado que el último resul-
tado se cumple si sustituimos a B por un proceso continuo a la derecha con
límites a la izquierda (càdlàg).
Entonces la desigualdad
Z T
1
|Tǫ (Z)| ≤ (sup |Zs |) |B(s+ǫ)∧T − Bs |ds
s,ω ǫ 0
implica que TǫRes continuuo para toda ǫ > 0. También tenemos, por hipótesis,
T
que Tǫ (Z) → 0 Zs dBs− en probabilidad. Por lo tanto, Rudin [31] (Teorema
RT
2.7) implica que la integral hacia adelante 0 ·dBs es un operador lineal y
continuo de X1 a X2 . Esto es, B es un “buen integrador”.
RT
Entonces la integral de Itô 0 σs (x)dBs tiene una versión continua en x.
Además, para toda v.a. L, σ(L) ∈ Domδ− con
Z T Z T
σs (L)dBs− = ( σs (x)dBs )x=L .
0 0
Observaciones 5.17.
iv) Russo y Vallois [33] (Proposition 1.1), junto con Bojdecki [7] o Protter
[29], implican que si X y Y son dos semimartingalas o “buenos integra-
dores” (con respecto a la misma filtración), entonces [X, Y ] está bien
definido.
Z
1 t+
f ′ (Xst+ )(Xs+ε − Xst+ )ds. (31)
ε R
Observaciones 5.19.
Z T Z T
E( us dBs− ) =E (Ds− us )ds.
0 0
Referencias
[1] Alòs, E. y Nualart, D., An extension of Itô’s formula for anticipating
processes. J. Theoret. Probab. 11 (2), 493–514, 1998.
[5] Bachelier, L., Théorie de la spéculation. Ann. Sci. École Norm. Sup. 17,
21-86, 1990.
[6] Berger, M.A. y Mizel, V. J., An extension of the stochastic integral, Ann.
Probab. 10(2), 435-450, 1982.
[16] Itô, K., Stochastic integral. Proc. Imperial Acad. Tokyo 20, 519-524, 1944.
[17] Itô, K., Multiple Wiener integrals. J. Math. Soc. Japan 3, 157–169, 1951.
[22] León, J.A. y Nualart, D., Stochastic evolution equations with random
generators. Ann. Probab. 26 (1), 149-186, 1998.
[23] León, J.A. y Nualart, D., Anticipating integral equations. Potential Anal.
13 (3), 249-268, 2000.
[24] Moret, S. y Nualart, D., Generalization of Itô’s formula for smooth non-
degenerate martingales. Stochastic Process. Appl. 91 (1), 115-149, 2001.
[25] Nualart, D., The Malliavin Calculus and Related Topics. Springer-Verlag,
1995.
[26] Nualart, D., Analysis on Wiener space and anticipating stochastic cal-
culus. In: Lectures on Probability Theory and Statistics, ed: P. Bernard,
Lecture Notes in Math. 1690, 123–227, 1998.
[33] Russo, F. y Vallois, P., The generalized covariation process and Itô for-
mula. Stochastic Process. Appl. 59 (1), 81-104, 1995.