Importante Ecuaiones

Un curso rpido de clculo estocstico para aplicaciones a modelos econmicos.
Un curso rpido de clculo

estocstico para aplicaciones a
modelos econmicos.
(Segunda parte)
Javier Arbelez L.
Ulises Crcamo C. 1
RESUMEN
El curso contina. Ac presentamos la frmula de Ito extendida a n dimensiones y el concepto
de Ecuacin Diferencial Estocstica, en forma Matricial-vectorial. Se resuelve el caso lineal como
caso especial y se aplica a la solucin del modelo de Solow. Se aade un apndice sobre la teora
de los sistemas de ecuaciones lineales con el fin de ayudar a entender la ltima parte.
PALABRAS CLAVE
Ecuaciones diferenciales determinsticas, frmula de Ito, modelo de Solow, modelos de dinmica
econmica.
49
Semestre Econmico Julio/diciembre de 2005
50
Adems, definamos el proceso Z, mediante Z(t) =

Introduccin n
f(t, X(t)), donde f es una funcin f:R+ X R R,
As, como las ecuaciones diferenciales, que de ahora que es continua y tiene derivadas parciales
en adelante podemos llamar ecuaciones continuas hasta de orden dos. Entonces Z tiene
diferenciales determinsticas (EDD), juegan un papel un diferencial estocstico dado por
importante en la descripcin de modelos de
4(,)
dinmica econmica en condiciones
determinsticas, las ecuaciones diferenciales con la tabla formal de multiplicacin:
estocsticas (EDE) juegan un papel importantsimo
cuando se trata de tener en cuenta influencias
aleatorias en los fenmenos dinmicos.
(5)
La frmula de Ito, caso
general
1
Ecuaciones diferenciales
La frmula que presentamos en al primera parte
se puede generalizar fcilmente, como sigue: estocsticas (EDE), el
Sea el proceso vectorial X = (x , x , . . ., x ) ,
1 2 n
T
caso general
donde la componente i-sima, x , tiene un Mostramos ahora, con mayor detalle, el concepto
i
de ecuacin diferencial estocstica, mencionado
diferencial estocstico de la forma en la primera parte:
(1) para i= Consideremos los siguientes elementos dados:
1, 2, . . ,n, y W , W , . . ., W son procesos de 1. Un proceso vectorial de Wiener, vector columna,

1 2 n
Wiener independientes. con d elementos:

T
[w (t), w (t), . . ., w (t) ] .
Consideremos la clase M(n, d) de todas las matrices 1 2 d
con m filas y d columnas, 2. Una funcin vectorial, vector columna,

el vector de tendencia (drift) m, dado por m (t) =
T : R+ X Rn Rn.
[m (t), m (t), m (t)] , el proceso de Wiener d- n
1 2 n T 3. Una funcin matricial : R X R M(n,d).
dimensional W, dado por [w (t), w (t), . . ., w (t) ] y +
1 2 d
la matriz de difusin n x d dimensional dada por 4. Un vector X de R .
n
Estos tienen las formas respectivas:
. (2), entonces la dinmica de (t, X(t)) = [1(t, X(t)), 2(t, X(t)), n(t, x(t))]T.,
donde las i(t,X(t)) son funciones escalares
X se puede escribir como dX(t) = m(t) dt + s(t) de n+1 variables, para i= 1, 2, . . ., n.
dW(t). (3)
51
Como caso particular muy interesante estn las

ecuaciones diferenciales estocsticas lineales, a las
que dedicaremos el resto de este artculo.
Queremos indagar sobre la existencia de procesos Como introduccin veremos la correspondiente

estocsticos que sean soluciones de la ecuacin ecuacin lineal escalar y sus casos particulares. A
diferencial estocstica continuacin veremos la solucin del caso
homogneo y como una de sus aplicaciones el
dXt = (t, X(t)) dt + (t, X(t)) dw(t), con la Movimiento Browniano geomtrico.
condicin X(0) = X0. (7)
Ecuaciones diferenciales estocsticas
en forma integral equivalente:
lineales: el caso escalar
X(t) = X0+ Consideremos d fuentes de aleatoriedad,
representadas por d procesos de Wiener
para t 0 (8).
independientes, W , W , . . ., W .
1 2 d
Una EDE lineal tiene la forma

Una respuesta la da el siguiente teorema:
Teorema de existencia
Suponga que existe una constante K tal que las (12)
siguientes condiciones se satisfacen para todo, x, Donde A, a, B y B son funciones de t, para k = 1,
y y t: 2, . . ., d, y
k k
.
Usualmente la ecuacin (12) se acompaa por una

condicin inicial del tipo ,
(9) completando un problema de valor inicial.
(10) De acuerdo con ciertas caractersticas de las
3
(11 ) funciones coeficientes podemos hacer una primera
clasificacin de estas ecuaciones.
Entonces existe una nica solucin X(t) al problema
(7), con las siguientes propiedades: Casos especiales
1. Si gra 9, la E.D.E lineal se llama homognea y
1. X es un proceso adaptado
toma la forma
2. X tiene trayectorias continuas
(13)
3. X es un proceso de Markov
4. Existe una constante C tal que 2. Si , la E.D.E

lineal se llama lineal en sentido estricto y toma
la forma
(14)
52
3. Si los coeficientes , son todos

(18) comportamiento de la inflacin ( q
independientes del tiempo, la E.D.E lineal se llama
autnoma. En este caso escribimos simplemente es una constante)
(15) (19) Funcin de inversin.
TEOREMA:
La solucin de la E.D.E lineal , 0 < s < 1, (20) Funcin de

ahorro.
L(0) > 0 (21) Crecimiento de

con valor con t
la mano de obra.
est dada por
, M(0) >0 (22), Crecimiento
de la oferta de dinero.
En condiciones de equilibrio, el ahorro iguala a la

(14) inversin, luego
El movimiento browniano geomtrico
y de ac se
(de nuevo)
Como una aplicacin de este teorema, deduce
reconsideremos este proceso estocstico, base
para numerosas aplicaciones en finanzas y (23).
economa. Est definido por el problema de valor
inicial , s(0) = s .
0
Aplicando el teorema anterior, y la definicin del A esta ecuacin 13 se le conoce como ecuacin
proceso de Wiener, vemos que la solucin est dada fundamental de Tobin.
por (16), que es la que
De (18), (21) y (22), respectivamente, se pueden
tenamos en la primera parte. deducir
Modelo de crecimiento de Tobin

(26)
(1965)
James Tobin fue uno de los primeros economistas
en introducir dinero en un modelo econmico de
crecimiento. Si , entonces (27),
Las ecuaciones del modelo (determinista) son:

adems (28),
Y = F(K, L) (17), Funcin de Inversin, donde F es
una funcin homognea de grado 1.
53
Si hacemos (99) y
(30), el dinero real per cpita, entonces
concluimos que (31).
En el caso = q, y ms particularmente, cuando Es decir, este modelo es un caso ms general de

ambos son iguales a cero, se obtiene el modelo de aquel modelo.
Solow, visto en la primera parte, como un caso
particular. Ecuaciones diferenciales esto-
csticas lineales: el caso general
La solucin a la ecuacin Consideremos la ecuacin diferencial lineal

homognea asociada estocstica lineal asociada a (32)
54
(33) (Invitamos a lector atento a confirmar esto)
(34) con las mismas condiciones que en (7). Sea

Si tenemos las condiciones iniciales x (t ) = ,
, el i-simo vector de la x (t ) = .
1 0
2 0
n
base cannica de R y sea
la solucin de (33) con Entonces tenemos las soluciones
el valor inicial x(t )= e . y
0 j
Definamos la matriz n x n F(t) mediante
(35).
entonces podemos corroborar fcilmente que
Llamamos a la matriz fundamental de la
est dada por
ecuacin (32) or (33).
Fcilmente podemos notar que =I , la

n
matriz identidad n x n, y que
(36).
Si hacemos , entonces la solucin al
sistema es .
Despus de haber notado esto, el siguiente
teorema aparece como una consecuencia natural: Es importante notar que si el sistema es lineal en
el sentido estricto y A no depende de t (es
Teorema. Solucin de la ecuacin constante), entonces . .
homognea asociada.
Una explicacin y una justificacin de esta ltima
Dado el valor inicial X(t ) = X , la nica solucin de frmula se da en el apndice. Este Apndice recoge
0 0
4 material que se estudia en los cursos de ecuaciones
la ecuacin (33) ( (34)) es X(t) = .
diferenciales (determinsticas), en el tema de
sistemas lineales de ecuaciones. Como estos temas
Ejemplo
generalmente no se incluyen en los cursos de
Consideremos la ecuacin homognea matemticas para economa y afines, decidimos
presentarlos ac.
La solucin de la homognea es fundamental, pero

solo una parte. Enunciamos la solucin general a
continuacin:
Esta es equivalente al par de ecuaciones escalares Teorema. Solucin de la ecuacin en

el caso general
La solucin nica a la ecuacin (33) puede
expresarse en la forma
55
(37), donde, (t) es la matriz fundamental de Como primera medida enunciamos el siguiente lema:
soluciones de la ecuacin homognea
correspondiente.
Lema. Forma explcita de la solucin
fundamental. Caso escalar.
Ya con esta solucin en la mano, podemos La matriz fundamental de soluciones de la ecuacin
enfrentar uno a uno los casos particulares vistos diferencial lineal homognea asociada a la ecuacin
anteriormente y darles solucin. (12) est dada por
(38)
Ahora podemos dar la solucin general de la Corolario. Solucin general de la

ecuacin escalar.
ecuacin lineal escalar.
La solucin general est dada por
(39)
La diferencia entre (37) y (39) es que la primera es y adems, supongamos k(0) = k (42)
0
matricial y de acuerdo con la teora y los ejemplos
que se muestran en el apndice. La ecuacin homognea asociada esdk(t) = [-k(n-
2)]dt - k(t)dw(t)(43) y su solucin est dada
Aplicacin: Solucin general de la
por (t) = k0 Exp[-(n-2)(t-t0) +(W(t)-
EDE del modelo de Solow
W(t 0 )] que es un movimiento Browniano
Recordamos de la primera parte que la EDE del
geomtrico.
modelo de Solow se puede escribir como dk(t) =
dk(t) = [S f(k)- k (n - 2)]dt - k(t)dz (40) que La solucin general ser
se puede reescribir como dk(t) = [-k(n-2) +S
f(k)]dt - k(t)dw(t) (41).
(43)
Se observa que, en general (41), no es lineal, dado
que el trmino S.f(k) depende de k.
Nota: En esta expresin (43), la S mayscula es la
A pesar de esto, en algunos casos, la ecuacin propensin marginal al ahorro, mientras que la s
podra ser lineal, por ejemplo, si K = g(t).L, donde minscula es la variable de integracin.
g es una funcin del tiempo. Si este es el caso,
escribiremos f(t), en vez de f(k) as que dk(t) =[- En el caso general se necesitaran mtodos
2
k(n- ) +S f(t)]dt - k(t)dw(t) numricos para resolverlo.
56
Corolario. Solucin de las ecuaciones Si (t) es la matriz fundamentadle de la ecuacin

anterior, entonces la solucin de (44)
lineales en el sentido estricto. Caso
general.
Consideremos la ecuacin diferencial estocstica
lineal en el sentido estricto en d-dimensiones
tiene la forma (46).
,
Como caso particular, cuando A(t) es independiente
del tiempo, es decir A(t) = A, una matriz constante
con t [t0, t] y x(t0)= x0 (44)
d x d, entonces (t) tiene la forma simple
La correspondiente ecuacin homognea asociada y su inversa es
es la ecuacin diferencial determinstica, (ver apndice).
(45) En este caso la solucin general es
(47)
Corolario. Ecuaciones lineales

autnomas
Consideremos ahora la ecuacin d-dimensional En general, (t) no tiene una forma explcita. A
lineal autnoma pesar de esto, si las matrices A y Bk conmutan, es
decir, si A. Bk = Bk.A y Gi. Gj = Gj.Gi para todo k
(48) y j entre 1 y d, entonces la matriz fundamental de
(49) tiene la forma explcita
con t [t0, t] y x(t0)= x0. la ecuacin
homognea correspondiente es (50).
(49) La solucin general de (48) es :
(49).
Normalmente, aunque se tenga una solucin Teorema. Valor esperado y varianza

explcita, calcular el valor esperado y la varianza
de tales soluciones es un trabajo engorroso.
de la solucin
Afortunadamente existe un teorema que permite Para la solucin de (32) se tiene que:
el clculo de los valores esperados, y a veces de la
varianza, sin demasiado esfuerzo. (a) m(t) = E(x(t)) es la nica solucin de la
57
ecuacin (50) en con m(0) = E(x ).

0
[t , T] con el valor inicial m(t ) = E(x ).

0 0 0 Fcilmente comprobamos que la solucin es m(t)
T
(b)P(t) = E(x(t).x (t)) es la nica no-negativa =+ (E(x0) -) e-t (58)
definida y simtrica solucin de la ecuacin gra
Ahora, cuando t , m(t) .
(51) donde
Esta es un promedio de largo plazo al que
tiende la media del proceso en el largo plazo. Las
realizaciones del proceso nunca se alejan
demasiado de este promedio.
(52) y Este resultado tambin se puede probar aplicando
valores esperados a la expresin (57)
(53) en [t , T] con el valor inicial Queda como ejercicio al lector atento demostrar
0
(54) que la varianza de x(t) est dada por Var(x(t)) =
(59) y que esta

El proceso con reversin a la media
de Ornstein-Uhlenbeck tiende a cuando t .
Uno de los modelos para la volatilidad de precios
de algunas acciones, retornos de ndices burstiles
y algunas commodities es el proceso de reversin Un ejercicio a manera de examen de
a la media de Ornstein-Uhlenbeck. curso
ste est definido por el siguiente problema de valor Considere el modelo de Tobin. Si la nica fuente
inicial: dx(t) = - (x(t) - ) dt + dW(t), con t 0 y de incertidumbre est dada por el crecimiento de
valor inicial x(0) = x0 la oferta de dinero est dada por dM = M dt +
M dW, con M(0) = M0, donde W es un proceso
Identificando A(t) con -, a(t) con , B(t) con 0 de Wiener. Aplique el lema de Ito y la teora vista
y b(t) con vemos que la solucin fundamental para encontrar una solucin. Haga las suposiciones
est dada por (55) y la solucin general pertinentes.
por
(56)
(57)
El valor esperado m(t), debe satisfacer la ecuacin

diferencial lineal
58
Apndice Un conjunto E de matrices se dice que es

invariante bajo similaridad, si todas las matrices
similares a cada una de las matrices en el conjunto
E, estn tambin en E.
Algunos resultados fundamen-tales
de la teora de las matrices Una propiedad se dice que es invariante bajo
similaridad, si el conjunto de todas las matrices que
5
tienen la propiedad, es invariante bajo similaridad.
Similaridad Example 1 (A very useful property)

Una matriz A se dice que es similar o semejante
Si g(u) = , donde los ,son
a una matriz B (simblicamente A~B) si existe una
-1.
matriz invertible P tal que A= PBP nmeros reales,. Para para I= 0, . . .,n, y si A~B
-1
entonces g(A)=PG(B)P .
En trminos geomtricos decimos que A y B
representan la misma transformacin lineal. Para probar esto, veamos primero que para todo
m:
Una funcin f se dice que es invariante bajo
similaridad si siempre que A y B sean semejantes, 1) Si m =0, la propiedad se cumple trivialmente
se cumpla que f(A) = f(B).
Como ejemplos de funciones matriciales que son 2) Supongamos que, entonces, ,

invariantes bajo similaridad estn la funcin entonces,
determinante, la traza, el rango y el polinomio
caracterstico. Al aplicar el principio de induccin se asegura el
59
umplimiento de la propiedad para todo m, entero Series of Matrices

no negativo.
Si A , A , . . . es a sucesin de matrices, entonces,
Ahora, 1 2
a la sucesin A , A +A , A +A +A , . . . se le
1 1 2 1 2 3
-1
llama la serie infinita generada por la sucesin, y
= Pg(B)P .
se le denota por , si existe, se
A manera de ilustracin, supongamos que A es una
matriz diagonalizable 2x2 , entonces existe una dice que la serie converge.
-1
matriz D = tal que A = PDP y Dados los escalares y la matriz cuadrada
-1 A, la serie se llama una serie de potencias

g(A)=P.g(D).P , pero g(D) es una matriz con
D = , D =D =0, y
en A.
11 12 21
D = , as que
22
Condicin suficiente para la
.
convergencia de una serie de
potencias
Este ejemplo se puede generalizar para una matriz
6
diagonalizable de tamao n .
Sea el radio de convergencia de la serie escalar ,
entonces si para cada valor propio

Sucesiones de matrices
de la matriz A, entonces la serie de potencias
Supongamos que M , M , . . es una sucesin infinita
1 2
matricial converges, y si para
de matrices de tamao k x l . Denotemos mediante
al ij-simo elemento of Mn, decimos que
algn valor propio entonces la serie
M=(M ) es el lmite de la sucesin dada, denotado
ij
diverge.
si para cada i y cada j tenemos
Como el radio espectral, , de la matriz A se

define como , la
Por ejemplo, si M = , propiedad se puede volver a enunciar
n
como: converge si y diverge si
se tiene que .
60
Series de potencias como funciones define para toda A.

de matrices Ejemplo 3
De manera anloga al caso escalar, si 7 es el
conjunto de todas las matrices A, tales que Sea , esta es una matriz cuyo
exponencial se puede sumar exactamente. Primero,

converge, y si definimos f(A)= ,
2 3 4 5
notemos que A = -I, A = -A, A = I, A = A, y el
entonces f una funcin de valor matricial definida
ciclo se repite as que
en T .
Extensin de funciones representadas

como series de potencias
Si f(t) = , la serie f(A)= se llama la

extensin matricial de la funcin escalar y
normalmente se hace referencia a ella con el mismo
nombre de la funcin escalar. Algunos resultados relacionados con la matriz
exponencial
Ejemplos 2
A 1. det[exp(A)] = exp[traza(A)] para toda A.
1. La matriz exponencial: e = exp(A)
2. exp(A) es no singular para toda A
=se define para todas las matrices
cuadradas dado que la serie escalar asociada 3. H % = H , % para todo escalar y toda matriz B
converge para todos los valores reales real.
I
-
4. e =e.I
2. La matriz arco-tangente: tan
1 5. If D=diag( ) entonces
(A)= se define para todas las A,
tales que porque la serie escalar tiene radio de
convergencia 1. -1 A
6. If A is diagonalizable, A = PDP , entonces, e =
D -1
P.e .P
3. La matriz coseno: Cos(A) = se
define para toda A. 7.
4. La matriz seno: Sen(A) = se 8. Si AB = BA entonces, ; en

particular para todo t y todo s.
61
Ejemplo 4 6. Para encontrar n soluciones linealmente

independientes de (1) se puede usar el siguiente
algoritmo:
Sea A= , A es diagonalizable, A = A. Encontrar todos los valores propios y vectores
propios de A.
1
P.D.P = , as que su B. Si A tiene n valores propios linealmente
A independientes, entonces (1) tiene n soluciones
exponen-cial es e
linealmente independientes de la forma .
C. Si A tiene nicamente k < n vectores propios

= linealmente independientes, entonces, para
hallar soluciones adicionales, escogemos un valor
propio y encontramos todos los vectores V
Sistemas de ecuaciones diferenciales para los cuales (A - I)2V= 0 pero (A- I) V = 0
Para cada uno de tales vectores V,
lineales con coeficientes constantes
es
Consideremos el sistema homogneo
una solucin adicional de (1)
(1), donde A es una matriz constante n x n. tenemos
los siguientes resultados: D. Continuar este proceso hasta que se obtienen
7
n soluciones linealmente independientes .
1. La dimensin del espacio V de todas las
soluciones del sistema (1) es n. 7. Una matriz X(t) se llama una matriz fundamental
de soluciones of (1) si sus columnas forman un
2.Sean X , X , . . .,X k solutions de (1). conjunto de n soluciones linealmente
1 2 k
Seleccionemos un valor t , conveniente, entonces independientes de (1).
0
X , X , . . .,X son soluciones linealmente
1 2 k
8. Para cualquier matriz fundamental de soluciones
independientes si, y solo s, X(t ), X (t ),. . .,X (t ) At -1 -
0 2 0 k 0 de (1), X(t) tenemos que e =X(t).X (0), donde X
n 1
son vectores linealmente independientes en R . (0) es la inversa de x(t) en t = 0. En particular, si
j j
las columnas de X(t), X (t) satisfacen X (0) = e ,
3. X(t) = , donde V es un vector constante, es j
una solucin de (1) si, y slo s, V es un vector para j =1, 2, . . .,n entonces X(t) = e A t .
propio de A, correspondiente al valor propio .
Ejemplo 5
4. Si es un valor propio complejo de A
con vector propio V = V +iV entonces, X(t) =
1 2,,
es una solucin compleja de (1).
tiene tres valores propios reales
5.Si x(t) = Y(t) + i z(t) es una solucin compleja de
(1) entonces, ambos y(t) y z(t) son soluciones reales diferentes ,y vectores
linealmente independientes de (1). propios correspondientes
62
, respectivamente, las soluciones entonces = . Ahora,
linealmente independientes son:
entonces la matriz
son dos soluciones reales, linealmente
independientes, por lo tanto, la matriz fundamental
fundamental es es . Como X(0)=I ,

3
At
entonces X(t)= e .
Ejemplo 7
tiene nicamente un valor propio

y =
y este tiene un nico vector propio asociado

Ejemplo 6
, esto es, el espacio propio asociado a ese valor
tiene tres valores propios propio tiene dimensin uno. La solucin asociada
diferentes . El
es .
primer vector propio asociado es , as que la

Para encontrar las otras dos soluciones
independientes requeridas, buscamos soluciones
2
de (A-2I) V=0, esto es,
primera solucin es . Un vector propio
asociado con el Segundo valor propio es ,

Encontramos la solucin paramtrica
63
=
, con w =0 and z=1
obtenemos V= que satisface (A-2I)V=0 y (A-

2
2I) V=0.
El segundo vector es
As, la matriz fundamental es
and como
Ahora, la tercera solucin debe satisfacer At

X(0)=I , entonces X(t) = e .
3 2 3
(A-2I) V=0, pero (A-2I) V=0.
Otro caso de E.D.E lineal y de gran aplicacin en la

teora de las tasas de inters es la siguiente
As , esto lleva
a la solucin paramtrica
, la solucin Y cuya solucin es:
satisface los requeremientos, entonces
64
BIBLIOGRAFIA
ARBELEZ L., J. (2003). Ecuaciones Diferenciales Estocsticas Aplicadas a la Valoracin de Derivados

Financieros. Tesis de Maestra en Matemticas aplicadas. Universidad EAFIT.
Braun, Martin (1993). Differential Equations and Their Applications. Fourth edition. Springer-Verlag.
BJRK, Tomas (2004). Arbitrage Theory in Continuous Time. Second edition. Oxford University
Press. New York.
BOURGUIGNON, F.(1974). A Particular Class of Continuous-Time Growth Models. Journal of Economic
Theory, 10, 239-257.
CRCAMO C,U (1998). Procesos de Wiener. Revista Universidad EAFIT, 110, 39-51.
MALLIARIS, A,G, y BROCK, W,A (1982). Stochastic Methods in Economics and Finance. North-
Holland. Amsterdam.
MERTON, R. (1975). An Asymptotic Theory of Growth under Uncertainty. Review of Economic
Studies, 42, 141-183.
MUSIELA, M. Y RUTKOWSKI, M.(1998) Martingale Methods in Financial Modelling. Springer-Verlag.
Berln.
Pullman. N,J.(1976). Matrix Theory and Its Applications. Selected Topics. Marcel Dekker, Inc.
SOLOW, R.M. (1956), A Contribution to the Theory of Economic Growth. Quarterly Journal of
Economics, 70, 65-59.
CITAS
CITAS
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 Ph.d in Computational and Applied Mathematics de la University of
Canterbury, New Zealand. Javier Arbelez L. es profesor de tiempo completo del Instituto Tecnolgico
Metropolitano (ITM) y catedrtico de la Universidad EAFIT, Ulises Crcamo es profesor de tiempo
completo esta misma universidad.
Fecha de recepcin julio 26 de 2005. Fecha de aprobacin septiembre 14 de 2005.
2. Un curso rpido de clculo estocstico para aplicaciones a modelos econmicos, primera parte,
en el volumen 7, No. 14 de esta revista.
3. Ac el smbolo denota la norma del vector o la matriz. Las condiciones (9) y (10) se llaman
Condiciones deLipschitz sobre las funciones m y s, son familiares a quien ha estudiado ecuaciones
diferenciales determinsticas.
4. Como es una solucin, el teorema de deexistencia asegura que esta solucin es nica.
65
5. Ntese que la nocin de invariante bajo similaridad se aplica a tres clases diferentes de objetos:
Funciones, conjuntos y propiedades.
6. Las columnas de P son los valores propios de A.
7. Este algoritmos se basa en el siguiente hecho:Si V satisface , para algn entero m,
entonces la serie de termina despus de m trminos.
66

Importante Ecuaiones

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Importante Ecuaiones

Hochgeladen von

Copyright:

Verfügbare Formate

Un curso rpido de clculo estocstico para aplicaciones a modelos econmicos.

Un curso rpido de clculo

Adems, definamos el proceso Z, mediante Z(t) =

(1) para i= Consideremos los siguientes elementos dados:

1, 2, . . ,n, y W , W , . . ., W son procesos de 1. Un proceso vectorial de Wiener, vector columna,

Wiener independientes. con d elementos:

con m filas y d columnas, 2. Una funcin vectorial, vector columna,

Estos tienen las formas respectivas:

Como caso particular muy interesante estn las

Queremos indagar sobre la existencia de procesos Como introduccin veremos la correspondiente

Una EDE lineal tiene la forma

Usualmente la ecuacin (12) se acompaa por una

4. Existe una constante C tal que 2. Si , la E.D.E

3. Si los coeficientes , son todos

(15) (19) Funcin de inversin.

La solucin de la E.D.E lineal , 0 < s < 1, (20) Funcin de

L(0) > 0 (21) Crecimiento de

En condiciones de equilibrio, el ahorro iguala a la

Modelo de crecimiento de Tobin

Las ecuaciones del modelo (determinista) son:

(30), el dinero real per cpita, entonces

concluimos que (31).

En el caso = q, y ms particularmente, cuando Es decir, este modelo es un caso ms general de

La solucin a la ecuacin Consideremos la ecuacin diferencial lineal

(33) (Invitamos a lector atento a confirmar esto)

(34) con las mismas condiciones que en (7). Sea

Definamos la matriz n x n F(t) mediante

Fcilmente podemos notar que =I , la

La solucin de la homognea es fundamental, pero

Esta es equivalente al par de ecuaciones escalares Teorema. Solucin de la ecuacin en

Ahora podemos dar la solucin general de la Corolario. Solucin general de la

Corolario. Solucin de las ecuaciones Si (t) es la matriz fundamentadle de la ecuacin

(45) En este caso la solucin general es

Corolario. Ecuaciones lineales

(49) La solucin general de (48) es :

Normalmente, aunque se tenga una solucin Teorema. Valor esperado y varianza

ecuacin (50) en con m(0) = E(x ).

[t , T] con el valor inicial m(t ) = E(x ).

(59) y que esta

El valor esperado m(t), debe satisfacer la ecuacin

Apndice Un conjunto E de matrices se dice que es

Similaridad Example 1 (A very useful property)

Como ejemplos de funciones matriciales que son 2) Supongamos que, entonces, ,

umplimiento de la propiedad para todo m, entero Series of Matrices

-1 A, la serie se llama una serie de potencias

entonces si para cada valor propio

Como el radio espectral, , de la matriz A se

como: converge si y diverge si

Series de potencias como funciones define para toda A.

exponencial se puede sumar exactamente. Primero,

Extensin de funciones representadas

Si f(t) = , la serie f(A)= se llama la

4. La matriz seno: Sen(A) = se 8. Si AB = BA entonces, ; en

Ejemplo 4 6. Para encontrar n soluciones linealmente

C. Si A tiene nicamente k < n vectores propios

, respectivamente, las soluciones entonces = . Ahora,

linealmente independientes son:

fundamental es es . Como X(0)=I ,

tiene nicamente un valor propio

y este tiene un nico vector propio asociado

primer vector propio asociado es , as que la

asociado con el Segundo valor propio es ,

obtenemos V= que satisface (A-2I)V=0 y (A-

As, la matriz fundamental es