Beruflich Dokumente
Kultur Dokumente
Movimiento Browniano
UNED
1. Introducción
En 1827, Robert Brown, un botánico inglés que estaba investigando una suspensión de
partı́culas microscópicas de polen en una solución acuosa, observó que tales partı́culas,
en vez de permanecer estáticas, están permanentemente sometidas a un movimiento
errático y zigzagueante.
El fenómeno fue investigado por el mismo Brown y diversos cientı́ficos a lo largo del
siglo XIX. Las experiencias mostraron que un aumento de la temperatura de la solución
hace que el movimiento se haga más rápido. En cambio, el aumento de la viscosidad
del fluido ralentiza el movimiento y la trayectoria de las partı́culas se aleja menos, en
el mismo tiempo, de su posición inicial.
La teorı́a cinética de la materia ofreció pronto una explicación cualitativa del movi-
miento browniano: Las moléculas que componen el lı́quido están sometidas a un mo-
vimiento térmico, cuyas velocidades aleatorias tiene una distribución probabilı́stica (la
distribución de Maxwell) que depende de la temperatura del medio. Cualquier partı́cula
suficientemente grande para ser observada al microscopio, sufre constantes colisiones
por parte de las moléculas que la rodean y cada colisión altera su vector velocidad en
una dirección y con un módulo aleatoriamente elegidos según la posición y energı́a de
la molécula que la golpea. El efecto neto es el movimiento errático de la partı́cula a
través del fluido. (Ver figura).
El primer modelo matemático — y cuantitativo, por tanto— del movimiento browniano
fue desarrollado independientemente por Albert Einstein y Marian Smoluchowski, entre
1905 y 1906. Daba cuenta, entre otras cosas, del efecto fı́sico que tiene la temperatura,
la viscosidad y el tamaño de la partı́cula. El estudio fue proseguido por fı́sicos de tanto
renombre como Fokker, Planck, Ornstein y otros.
Desde el punto de vista matemático, fue Norbert Wiener, conocido sobre todo como
padre de la Cibernética, el que inició en 1918 el estudio del movimiento browniano
que, en buena parte, originó el desarrollo de la teorı́a de los procesos estocásticos.
Bajo la influencia de Wiener, la de Andrei Kolmogorov y la de Paul Lévy (autor en
1948 de un libro titulado Processus stochastiques et mouvement brownien) la teorı́a se
desarrolló rápidamente.
Hoy en dı́a, el movimiento browniano ha adquirido gran influencia en numerosas áreas
de las ciencias puras y aplicadas. Entre estas últimas, cabe citar la electrónica, la
propia cibernética, la biologı́a y la economı́a. En esta última dirección, el economista
francés Louis Bachelier, en su tesis doctoral Théorie de la spéculation de 1900, ya habı́a
propuesto la aplicación del movimiento browniano al estudio de las fluctuaciones de los
mercados.
2
2. Aproximación heurı́stica
El movimiento browniano tiene lugar en tres dimensiones y se observa en dos dimen-
siones a través del microscopio, pero el núcleo del problema es el estudio en una sola
dimensión.
Ası́ pues, imaginemos una partı́cula que se mueve a lo largo de una recta.
𝑞 𝑝 𝑞 𝑝
0 𝑖
Figura 1: Recorrido aleatorio
Partiendo del origen, en cada intervalo de tiempo de longitud ℎ, puede realizar un salto
de amplitud Δ, a su derecha o a su izquierda con probabilidades 𝑝 y 𝑞 respectivamente
(𝑝 + 𝑞 = 1).
Los sucesivos saltos 𝑍𝑛 son variables aleatorias independientes que pueden valer
{
+Δ con probabilidad 𝑝
𝑍𝑛 =
−Δ con probabilidad 𝑞
con lo cual
de media
Δ
𝐸(𝑋𝑡 ) = (𝑝 − 𝑞) 𝑡
ℎ
y varianza
Δ2
𝑉 (𝑋𝑡 ) = 4𝑝𝑞 𝑡.
ℎ
Esto describe para la partı́cula un recorrido aleatorio discreto que en los instantes
múltiplos de ℎ ocupa posiciones múltiplos de Δ, tal y como indica la figura 2 (en la que
los segmentos verticales azules representan la probabilidad de las diversas posiciones
posibles al cabo de un tiempo 𝑡 = 13ℎ).
3
Δ
ℎ
𝑡
𝐸[𝑋𝑡 ] −→ 𝜇𝑡 y 𝑉 (𝑋𝑡 ) −→ 𝜎 2 𝑡
Δ 𝜎
(𝑝 − 𝑞) = (2𝑝 − 1) √ = 𝜇
ℎ ℎ
de donde ( √ ) ( √ )
1 𝜇 ℎ 1 𝜇 ℎ
𝑝= 1+ y 𝑞= 1− .
2 𝜎 2 𝜎
En estas condiciones
√
𝜇 ℎ √
𝐸[𝑍𝑛 ] = (2𝑝 − 1)Δ = 𝜎 ℎ = 𝜇ℎ
𝜎
𝜇2 ℎ
( )
𝑉 (𝑍𝑛 ) = 1 − 2 𝜎 2 ℎ = 𝜎 2 ℎ − 𝜇2 ℎ2 .
𝜎
Y se tiene entonces
𝑡/ℎ
∑ 𝑡
𝑍𝑘 − 𝜇ℎ
ℎ
√ √
𝑋𝑡 − 𝜇𝑡 𝑡/ℎ 𝜎 2 ℎ − 𝜇2 ℎ2
√ = √ 𝑘=1√ √ .
𝜎 𝑡 𝑡/ℎ 𝜎 2 ℎ − 𝜇2 ℎ2 𝜎 𝑡
4
El primer factor es una suma tipificada de variables aleatorias independientes e igual-
mente distribuidas; ası́ que, en virtud del teorema central del
√ lı́mite, tiende en distribu-
ción a una 𝑁 (0, 1). Mientras tanto, el segundo factor vale 1 − 𝜇2 ℎ/𝜎 2 que tiende a 1,
cuando ℎ tiende a cero. En resumidas cuentas, en las condiciones indicadas,
√ la posición
𝑋𝑡 al cabo de un tiempo 𝑡 tiene a distribuirse con distribución 𝑁 (𝜇𝑡, 𝜎 𝑡). El siguiente
gráfico trata de mostrar la nueva situación lı́mite (supuesto que es 𝜇 = 0).
√
𝑁 (𝜇𝑡, 𝜎 𝑡)
(a) 𝑋0 = 0.
La tercera condición puede reemplazarse por una condición equivalente, que tiene la
ventaja de que expresa la distribución conjunta de cualquier número finito de variables
5
del proceso1 . Concretamente:
(c’) Cualquiera que sean 𝑛 y 𝑡1 < 𝑡2 < . . . < 𝑡𝑛 , la variable aleatoria (𝑋𝑡1 , 𝑋𝑡2 , . . . , 𝑋𝑡𝑛 )
tiene distribución Normal 𝑛-dimensional.
con lo cual
Cov(𝑋𝑠 , 𝑋𝑡 ) = 𝜎 2 𝑠
Dicho de modo más general, para cualquier par de instantes 𝑠 y 𝑡,
Cov(𝑋𝑠 , 𝑋𝑡 ) = 𝜎 2 mı́n(𝑠, 𝑡)
de forma que, siendo normales, ambos incrementos son independientes. Por la misma
razón, cualquier número de incrementos correspondientes a intervalos disjuntos, como
tienen distribución Normal, son independientes. Es decir, se cumple la condición (c).
1
Pone de relieve, por consiguiente, de acuerdo con el teorema de Kolmogorov, que está determinada
la distribución global del proceso.
6
3. Definición del movimiento browniano y continuidad de
sus trayectorias
Un proceso estocástico que cumpla las condiciones (a), (b) y (c) o (c’), se denomina
proceso de Wiener o movimiento browniano de tendencia 𝜇 y parámetro de
varianza 𝜎 2 .
Para muchos propósitos, basta examinar el caso 𝜇 = 0 y 𝜎 2 = 1 puesto que puede
pasarse a un proceso con tales parámetros mediante la simple tipificación
𝑋𝑡 − 𝜇𝑡
𝑋𝑡′ =
𝜎
′
y el proceso original 𝑋𝑡 = 𝜎𝑋𝑡 + 𝜇𝑡 se obtiene mediante un cambio de escala y sumando
la función determinista 𝜇𝑡. Salvo indicación en contrario, 𝑋𝑡 representará desde ahora
un movimiento browniano normalizado.
Como cualquier proceso de incrementos independientes, el movimiento browniano es
un proceso de Markov, en el sentido de que
𝑃 {𝑋𝑠+𝑡 ∈ 𝐵 ∣ 𝑋𝑢 , 𝑢 ≤ 𝑠} = 𝑃 {𝑋𝑠+𝑡 ∈ 𝐵 ∣ 𝑋𝑠 }
siendo la función de transición
1
∫
2 /2𝑡
𝑃 (𝑥, 𝑡, 𝐵) = 𝑃 {𝑋𝑠+𝑡 ∈ 𝐵 ∣ 𝑋𝑠 = 𝑥} = √ 𝑒−(𝑦−𝑥) 𝑑𝑦, (1)
2𝜋𝑡 𝐵
de densidad
1 −(𝑦−𝑥)2 /2𝑡
𝑝(𝑥, 𝑡, 𝑦) = √ 𝑒 , (2)
2𝜋𝑡
la que proporciona la probabilidad desde la posición 𝑥 de alcanzar, en un tiempo 𝑡, el
conjunto 𝐵:
𝑃 (𝑥, 𝑡, 𝐵) 𝐵
𝑠 𝑠+𝑡
7
Proposición 1 Si 𝑎 < 𝑡 < 𝑏, sea
(𝑏 − 𝑡)𝑋𝑎 + (𝑡 − 𝑎)𝑋𝑏 (𝑡 − 𝑎)(𝑏 − 𝑡)
𝛼(𝑡) = y 𝛽 2 (𝑡) =
𝑏−𝑎 𝑏−𝑎
entonces la variable aleatoria
𝑋𝑡 − 𝛼(𝑡)
𝑌𝑡 =
𝛽(𝑡)
tiene distribución 𝑁 (0, 1) y es independiente de 𝑋𝑢 para 𝑢 ≤ 𝑎 y 𝑢 ≥ 𝑏.
En efecto,
(𝑏 − 𝑡)𝑢 + (𝑡 − 𝑎)𝑢
⎧
⎨ 𝑢− = 0 si 𝑢 ≤ 𝑎
𝑏−𝑎
𝐸[(𝑋𝑡 − 𝛼(𝑡))𝑋𝑢 ] =
⎩ 𝑡 − (𝑏 − 𝑡)𝑎 + (𝑡 − 𝑎)𝑏 = 0
si 𝑢 ≥ 𝑏
𝑏−𝑎
Ahora bien (𝑋𝑡 − 𝛼(𝑡), 𝑋𝑢 ) es una variable con distribución Normal bidimensional,
luego ambas componentes son independientes. Como (𝑋𝑡 − 𝛼(𝑡), 𝑋𝑢1 , 𝑋𝑢2 , . . . , 𝑋𝑢𝑛 )
tiene distribución Normal 𝑛 + 1-dimensional, el primer término es independiente de
todos los restantes.
𝑋𝑎
𝛽(𝑡)𝑌𝑡
𝑋𝑏
𝑋𝑡
𝑎 𝑡 𝑏
Figura 5: Interpolación de la trayectoria del Movimiento browniano
Además,
𝐸[(𝑋𝑡 − 𝛼(𝑡))2 ] =
= 𝑡 − 2𝐸[𝑋𝑡 𝛼(𝑡)] + 𝐸[𝛼2 (𝑡)]
(𝑏 − 𝑡)𝑎 + (𝑡 − 𝑎)𝑡 (𝑏 − 𝑡)2 𝑎 + (𝑡 − 𝑎)2 𝑏 + 2(𝑏 − 𝑡)(𝑡 − 𝑎)𝑎
= 𝑡−2 +
𝑏−𝑎 (𝑏 − 𝑎)2
(𝑏 − 𝑡)𝑎 + (𝑡 − 𝑎)𝑡 𝑎(𝑏 − 𝑎) + (𝑡 − 𝑎)2 (𝑏 − 𝑎)
2
= 𝑡−2 +
𝑏−𝑎 (𝑏 − 𝑎)2
(𝑡 − 𝑎)(𝑏 − 𝑡)
=
𝑏−𝑎
8
luego (𝑋𝑡 − 𝛼(𝑡))/𝛽(𝑡)) tiene distribución 𝑁 (0, 1).
La figura 5 ilustra el significado del resultado anterior. Si 𝑋𝑎 y 𝑋𝑏 son conocidos, 𝛼(𝑡)
es el segmento que une los puntos (𝑎, 𝑋𝑎 ) y (𝑏, 𝑋𝑏 ). El punto (𝑡, 𝑋𝑡 ) está situado a
distancia vertical 𝛽(𝑡)𝑌𝑡 del segmento, siendo 𝑌𝑡 una variable 𝑁 (0, 1), independiente de
𝑋𝑎 y 𝑋𝑏 .
El resultado anterior permite llevar a cabo la construcción explı́cita de un proceso
de Wiener cuyas trayectorias son funciones continuas, a partir de una sucesión de
variables aleatorias, {𝑌𝑛 }, independientes y con distribución 𝑁 (0, 1). La construcción
se circunscribe al intervalo de tiempos [0, 1], pero podrı́a prolongarse de forma análoga
en cualquier otro intervalo temporal.
(2)
𝑋𝑡
𝑌2 /2
(1)
𝑋𝑡
𝑌1 𝑌1
0 1 0 1 1
2
(4)
𝑋𝑡
(3) 𝑌7 /4
𝑋𝑡
√ 𝑌6 /4
𝑌3 / 8 𝑌5 /4
√ 𝑌8 /4
𝑌4 / 8
0 1 1 3 1 0 1 3 5 7 1
4 2 4 8 8 8 8
9
(𝑛+1)
forma indefinidamente. La poligonal 𝑋𝑡 tiene 2𝑛 vértices, en los puntos 𝑘/2𝑛 con
(𝑛)
𝑘 = 1, 2, . . . , 2𝑛 ; los pares coinciden con los de 𝑋𝑡 mientras que los impares son nuevos
y están a distancia 𝑌𝑗 /2(𝑛+1)/2 de la poligonal anterior.
(𝑛)
Si 𝑍𝑡 representa la diferencia
(𝑛) (𝑛+1) (𝑛)
𝑍𝑡 = 𝑋𝑡 − 𝑋𝑡
será
(𝑛) 1
máx 𝑍𝑡 ≤ máx 𝑌𝑗
𝑡∈[0,1] 2(𝑛+1)/2 2𝑛−1 <𝑗≤2𝑛
√
de manera que, si 𝜆𝑛 = 4𝑛 log 2/2(𝑛+1)/2 , se tiene2 :
(𝑛)
∣𝑌𝑗 ∣ > 2(𝑛+1)/2 𝜆𝑛
{ } { }
𝑃 máx 𝑍𝑡 > 𝜆𝑛 ≤ 𝑃 máx
𝑡∈[0,1] 2𝑛−1 <𝑗≤2𝑛
10
En consecuencia
𝑁 −1
(𝑁 ) (𝑛)
∑
𝑋𝑡 = 𝑍𝑡
𝑛=1
es, con probabilidad uno, una sucesión convergente uniformemente en [0, 1], de funciones
continuas (poligonales). Ası́ pues, el lı́mite 𝑋𝑡 es, con probabilidad uno, una función
continua.
La construcción realizada muestra que en los racionales diádicos: 𝑘/2𝑛 con 𝑘 = 0, 1, . . . , 2𝑛
(𝑛)
y 𝑛 natural, las sucesivas aproximaciones 𝑋𝑡 tienen el mismo valor, a partir de un
𝑛, que coincide con el valor del lı́mite 𝑋𝑡 . Dichos valores son aleatorios (puesto que
dependen del resultado de las 𝑌𝑗 ) pero tienen la distribución adecuada para que coin-
cidan con las distribuciones que tendrı́a en dichos instantes un movimiento browniano.
De hecho, para 𝑘 impar,
𝑘 𝑘′
[ ] ( )
(𝑛+1) (𝑛+1)
𝐸 𝑋𝑘/2𝑛 𝑋𝑘′ /2𝑛 = mı́n ,
2𝑛 2𝑛
Además, si 𝑡1 , 𝑡2 , . . . , 𝑡𝑝 son instantes cualesquiera dentro del intervalo [0, 1], toman-
do sucesiones de racionales diádicos 𝑟𝑗𝑘 cada una de las cuales converja hacia 𝑡𝑗 , la
continuidad de las trayectorias de 𝑋𝑡 asegura que
𝑐.𝑠.
(𝑋𝑟1𝑘 , 𝑋𝑟2𝑘 , . . . , 𝑋𝑟𝑝𝑘 ) −→ (𝑋𝑡1 , 𝑋𝑡2 , . . . , 𝑋𝑡𝑝 )
de forma que la variable lı́mite tiene distribución Normal 𝑝 dimensional, con covarianzas
Proposición 2 Existe un movimiento browniano {𝑋𝑡 }𝑡≥0 cuyas trayectorias son, con
probabilidad uno, funciones continuas de 𝑡.
Sin duda, los fı́sicos siempre dieron por supuesto esta conclusión puesto que el movi-
miento de una partı́cula de polen en suspensión dentro de un fluido tiene que seguir
una trayectoria continua. Sin embargo, desde el punto de vista matemático es un he-
cho importante porque hay muy diversas probabilidades que pueden calcularse para
11
un movimiento browniano de trayectorias continuas, pero que no tienen sentido sin tal
hipótesis3 .
En consecuencia, a partir de ahora supondremos que {𝑋𝑡 } es un movimiento browniano
cuyas trayectorias son funciones continuas del tiempo. Consideraremos que dicho pro-
ceso está definido en un espacio de probabilidad (Ω, ℱ, 𝑃 ). Puede ser, por ejemplo, el
espacio que describe la elección al azar de la sucesión de variables normales {𝑌𝑗 } em-
pleadas en la construcción anterior. O también, el espacio 𝐶 de las funciones continuas
de [0, ∞) en 𝐼𝑅, dotado de la 𝜎-álgebra 𝒞 de los conjuntos cilı́ndricos, de la forma:
3
Un ejemplo muy simple puede aclarar el tipo de dificultades que se plantean con cualquier proceso
estocástico en tiempo continuo. Supongamos que {𝑋𝑡 } es un proceso estocástico con
𝑃 {𝑋𝑡 = 0} = 1
para cualquier instante 𝑡. Esto es ası́, por ejemplo, para un proceso cuyas trayectorias permanecen
constantemente en el valor cero y que cumple, por consiguiente,
sigue siendo cierto que 𝑃 {𝑋𝑡′ = 0} = 1 para cualquier 𝑡 (porque la probabilidad de que sea 𝜏 = 𝑡 es
cero). Sin embargo, ahora
𝑃 {∣𝑋𝑡′ ∣ ≤ 1/2 ∀𝑡} = 0.
𝑐.𝑠.
Esto muestra que existen procesos que cumplen 𝑋𝑡 = 𝑋𝑡′ para cada 𝑡 (y cualquier número de sus
variables tienen, por consiguiente, la misma distribución) y que, a pesar de ello, poseen propiedades
muy diversas de sus trayectorias: unas son siempre continuas y otras no lo son nunca; permanecen
acotadas por 1/2 todas ellas, en un caso, y ninguna en el otro caso; etc.
12
4. Propiedades de las trayectorias
Para una movimiento browniano con trayectorias continuas, puede estudiarse con de-
tenimiento el comportamiento cualitativo de sus trayectorias.
Un primer resultado consiste en probar que una partı́cula, sometida al movimiento
browniano unidimensional, llega a alejarse de la posición de partida tanto como se
quiera, pero siempre regresa nuevamente a su origen. Más exactamente:
Proposición 3
Una función continua con lı́mite superior igual a ∞ y lı́mite inferior igual a −∞,
alcanzará indefinidamente valores arbitrariamente grandes, entre los cuales se intercalan
valores negativos arbitrariamente grandes. De esta forma, no tiene más remedio que
cortar, indefinidamente el eje de abscisas, volviendo a tomar el valor 0 en una sucesión
de instantes que tiende hacia infinito. √
Para probar la afirmación anterior, por un lado, como 𝑋𝑟𝑘 / 𝑟 𝑘 tiene distribución
𝑁 (0, 1) será (véase la nota (2))
√ 1 𝑒−4,5 log 𝑘 1
𝑝𝑘 = 𝑃 {𝑋𝑟𝑘 ≤ −3 𝑟 𝑘 log 𝑘} ≤ √ √ =√ √ .
2𝜋 3 log 𝑘 2𝜋𝑘 4,5 log 𝑘
√
Por otra parte, como 𝑋𝑟𝑘+1 − 𝑋𝑟𝑘 / 𝑟 𝑘 (𝑟 − 1) tiene distribución 𝑁 (0, 1) será
√
𝑞𝑘 = 𝑃 {𝑋𝑟𝑘+1 − 𝑋𝑟𝑘 ≥ 2𝑟 𝑘 (𝑟 − 1) log 𝑘}
( )
1 − log 𝑘 1 1 2 log 𝑘 − 1
≥ √ 𝑒 √ − √ 3
=√ √ .
2𝜋 2 log 𝑘 ( 2 log 𝑘) 2𝜋 𝑘 ( 2 log 𝑘)3
∑ ∑
Como 𝑝𝑘 < ∞ y 𝑞𝑘 = ∞, el lema de Borel-Cantelli asegura que, con probabilidad
uno, se cumplirá
√
𝑋𝑟𝑘 ≥ −3 𝑟 𝑘 log 𝑘 a partir de un cierto 𝑘0
√
𝑋𝑟𝑘+1 − 𝑋𝑟𝑘 ≥ 2𝑟 𝑘 (𝑟 − 1) log 𝑘 para infinitos valores de 𝑘
13
para infinitos valores de 𝑘. De manera que lı́m sup 𝑋𝑛 = ∞. La afirmación contraria se
obtiene simétricamente.
Hay una manera sencilla de relacionar el comportamiento a gran escala del movimien-
to browniano con su comportamiento local en los alrededores del origen de tiempos.
Consiste en observar que
En efecto, no cabe duda de que las distribuciones conjuntas del proceso 𝑋𝑡′ = 𝑡𝑋1/𝑡 son
normales y, además,
El resultado anterior muestra que cualquier trayectoria del movimiento browniano tie-
ne una infinidad de ceros en cualquier entorno del instante 𝑡 = 0. Tal situación se
repetirá cada vez que el proceso alcance nuevamente el origen, ası́ que el conjunto de
instantes en los que una trayectoria se anula es un conjunto peculiar. De hecho:
14
Proposición 6 Con probabilidad uno, el conjunto
𝑆0 (𝜔) = {𝑡 ≥ 0 ∣ 𝑋𝑡 (𝜔) = 0}
En efecto, 𝑆0 (𝜔) es cerrado siempre que la trayectoria 𝑋𝑡 (𝜔) sea una función continua;
ası́ que lo es con probabilidad uno. De la misma manera, en virtud de la proposición 3,
se trata de un conjunto no acotado.
Como 𝑃 {𝑋𝑡 = 0} = 0 para cada 𝑡 ≥ 0, se tiene
∫ ∞
𝑃 {𝑋𝑡 = 0} 𝑑𝑡 = 0
0
Es decir ∫ ∞∫
𝐼𝑆0 (𝜔) (𝑡) 𝑑𝑃 𝑑𝑡 = 0
0 Ω
o bien, aplicando el teorema de Fubini,
∫ ∫ ∞
𝐼𝑆0 (𝜔) (𝑡) 𝑑𝑡 𝑑𝑃 = 0
Ω 0
∫∞
con lo cual 0 𝐼𝑆0 (𝜔) 𝑑𝑡 que representa la longitud del conjunto 𝑆0 (𝜔) tiene que ser
nula con probabilidad uno.
Según la proposición anterior, con probabilidad uno, el instante 0 no es un punto aislado
de 𝑆0 (𝜔). Dado cualquier racional 𝑟 > 0, el instante
𝜏𝑟 = ı́nf{𝑡 ≥ 𝑟 ∣ 𝑋𝑡 = 0}
Ahora bien, en el suceso anterior, el conjunto 𝑆0 (𝜔) no tiene puntos aislados, ya que si
𝑡 ∈ 𝑆0 (𝜔) no tuviese puntos de 𝑆0 (𝜔) en un intervalo (𝑡 − 𝛿, 𝑡), entonces 𝑡 coincidirı́a
con algún 𝜏𝑟 y no serı́a, por tanto, punto aislado en 𝑆0 (𝜔).
Como es fácil ver, cualquier conjunto cerrado y sin puntos aislados en la recta real no
puede ser numerable.
El célebre conjunto de Cantor es el ejemplo tı́pico de conjunto cerrado, sin puntos ais-
lados y de longitud cero (contenido en el intervalo [0, 1], aunque se puede repetir su
15
construcción en cada intervalo [𝑛, 𝑛 + 1]). Cualquier trayectoria del movimiento brow-
niano traza, con sus cortes al eje de abscisas, un conjunto con similares caracterı́sticas,
aunque obviamente mucho menos regular. La figura siguiente intenta dar una idea apro-
ximada del tipo de trayectorias del movimiento browniano y de las caracterı́sticas del
conjunto 𝑆0 .
16
Con lo cual, si 𝑘 = [𝑛𝑠] + 1, como 𝑠 ≤ 𝑘/𝑛 ≤ (𝑘 + 3)/𝑛 ≤ 𝑠 + 4/𝑛, será
( ) ( )
𝑓 𝑘 + 3 − 𝑓 𝑘 + 2 ≤ 7𝑎
𝑛 𝑛 𝑛
( ) ( )
𝑓 𝑘 + 2 − 𝑓 𝑘 + 1 ≤ 5𝑎
𝑛 𝑛 𝑛
( ) ( )
𝑓 𝑘 + 1 − 𝑓 𝑘 ≤ 3𝑎
𝑛 𝑛 𝑛
Es decir, si ( ) ( )
𝑘+𝑖 𝑘 + 𝑖 − 1
Δ𝑘,𝑛(𝑓 ) = máx 𝑓 −𝑓
𝑖=1,2,3 𝑛 𝑛
Ahora bien
{ 7𝑎 } { }
𝑃 ∃𝑘 ≤ 𝑛 − 3 con Δ𝑘,𝑛 (𝑋𝑡 ) ≤ ≤ (𝑛 − 2)𝑃 Δ1,𝑛 (𝑋𝑡 ) ≤ 7𝑎/𝑛
𝑛
{ }3
= (𝑛 − 2)𝑃 ∣𝑋1/𝑛 ∣ ≤ 7𝑎/𝑛
[√ ∫ ]3
7𝑎/𝑛
𝑛 2
= (𝑛 − 2) √ 𝑒−𝑥 𝑛/2 𝑑𝑥
2𝜋 −7𝑎/𝑛
[ ∫ 7𝑎 ]3
1 −𝑦 2 /2𝑛
= (𝑛 − 2) √ 𝑒 𝑑𝑦
2𝜋𝑛 −7𝑎
(14𝑎)3
≤ (𝑛 − 2) √ −→ 0
( 2𝜋𝑛)3
17
El primer ejemplo de función continua, no derivable en ningún punto, no fue descubierto
hasta el siglo XIX por Weiertrass; sin embargo, el movimiento browniano traza este tipo
de trayectorias con toda naturalidad.
De la conclusión anterior se siguen algunas consecuencias interesantes. En primer lugar,
como toda función de variación acotada en un intervalo es derivable en casi todos los
puntos del intervalo (todos menos los de un conjunto de longitud cero), resulta que
con probabilidad uno, las trayectorias del movimiento browniano no son de variación
acotada en ningún intervalo de tiempos. Es decir, para cualquier intervalo de tiempos
[𝑎, 𝑏] existen particiones 𝑎 = 𝑡0 < 𝑡1 < . . . < 𝑡𝑛 = 𝑏 tales que
𝑛
∑
∣𝑋𝑡𝑖 − 𝑋𝑡𝑖−1 ∣
𝑖=1
[𝑑𝑋𝑡 ]2 = 𝑑𝑡.
18
Formalmente el enunciado es el siguiente
Proposición 8 Sea 𝑎 = 𝑡0 < 𝑡1 < . . . < 𝑡𝑘𝑛 = 𝑏 una sucesión de particiones del
intervalo [𝑎, 𝑏] de radios
𝛿𝑛 = máx(𝑡𝑖 − 𝑡𝑖−1 )
𝑖≤𝑘𝑛
que tienden a cero cuando 𝑛 → ∞. Entonces
𝑘𝑛
𝑚.𝑐.
∑
∣𝑋𝑡𝑖 − 𝑋𝑡𝑖−1 ∣2 −→ 𝑏 − 𝑎
𝑖=1
∑∞
Y, si 1 𝛿𝑛 < ∞, también es
𝑘𝑛
𝑐.𝑠.
∑
∣𝑋𝑡𝑖 − 𝑋𝑡𝑖−1 ∣2 −→ 𝑏 − 𝑎
𝑖=1
En efecto,
𝑘𝑛
∑ 𝑘𝑛
∑
2
∣𝑋𝑡𝑖 − 𝑋𝑡𝑖−1 ∣2 − (𝑡𝑖 − 𝑡𝑖−1 )
[ ]
∣𝑋𝑡𝑖 − 𝑋𝑡𝑖−1 ∣ − (𝑏 − 𝑎) =
𝑖=1 𝑖=1
∑𝑘𝑛
∣𝑋𝑡𝑖 − 𝑋𝑡𝑖−1 ∣2 − 𝐸[(𝑋𝑡𝑖 − 𝑋𝑡𝑖−1 )2 ]
[ ]
=
𝑖=1
de forma que se trata de una suma de sumandos independientes y de media cero. Por
consiguiente, su varianza vale
⎡(
𝑘𝑛
)2 ⎤
∑
𝐸⎣ ∣𝑋𝑡𝑖 − 𝑋𝑡𝑖−1 ∣2 − (𝑏 − 𝑎) ⎦ =
𝑖=1
𝑘𝑛 [(
∑ )2 ]
= 𝐸 ∣𝑋𝑡𝑖 − 𝑋𝑡𝑖−1 ∣2 − (𝑡𝑖 − 𝑡𝑖−1 )
𝑖=1
𝑘𝑛
[( )2 ]
∑ ∣𝑋𝑡𝑖 − 𝑋𝑡𝑖−1 ∣2
= 𝐸 −1 (𝑡𝑖 − 𝑡𝑖−1 )2
𝑡𝑖 − 𝑡𝑖−1
𝑖=1
𝑘𝑛
∑
2 2
= 𝐸[(𝑈 − 1) ] (𝑡𝑖 − 𝑡𝑖−1 )2
𝑖=1
donde 𝑈 es una variable con distribución 𝑁 (0, 1). Se tiene, por tanto,
⎡(
𝑘𝑛
)2 ⎤
∑
𝐸⎣ ∣𝑋𝑡𝑖 − 𝑋𝑡𝑖−1 ∣2 − (𝑏 − 𝑎) ⎦ ≤ 𝐸[(𝑈 2 − 1)2 ] (𝑏 − 𝑎)𝛿𝑛
𝑖=1
19
lo cual tiende a cero cuando 𝑛 crece y establece la convergencia en media cuadrática
del enunciado.
Por otra parte, según la desigualdad de Tchebychev, es
{ 𝑘 }
∑ 𝑛
2
𝐸[(𝑈 2 − 1)2 ](𝑏 − 𝑎)𝛿𝑛
𝑃 ∣𝑋𝑡𝑖 − 𝑋𝑡𝑖−1 ∣ − (𝑏 − 𝑎) ≥ 𝜀 ≤
𝜀
𝑖=1
∑
de forma que, si 𝛿𝑛 < ∞, el lema de Borel-Cantelli garantiza que, con probabilidad
uno, se cumple 𝑘
∑ 𝑛
2
∣𝑋 − 𝑋 ∣ − (𝑏 − 𝑎)≤𝜀
𝑡𝑖 𝑡𝑖−1
𝑖=1
𝑓 +𝜀
0 1
𝑓
𝑓 −𝜀
Figura 7: Es positiva la probabilidad de que la trayectoria no salga de la banda.
Según esto, cualquier conjunto de trayectorias del movimiento browniano que tenga
probabilidad uno de ocurrir, es un conjunto denso en el espacio 𝐶0 [0, 1] de las funciones
continuas en [0, 1] que cumplen 𝑓 (0) = 0.
20
5. El principio de reflexión y sus consecuencias
Al margen de las propiedades cualitativas descritas en la sección anterior, puede estu-
diarse la distribución de probabilidad de diversas cantidades relacionadas con la evolu-
ción del movimiento browniano en cualquier intervalo fijo de tiempo.
La herramienta adecuada para ello es el principio de reflexión cuyo contenido es el
siguiente:
𝜏𝑥
Figura 8: Principio de reflexión
Fijado cualquier nivel 𝑥 > 0, la trayectoria del movimiento browniano alcanzará dicho
nivel en un determinado instante aleatorio 𝜏𝑥 . La propiedad de Markov implica que
el proceso renace a partir del punto (𝜏𝑥 , 𝑥) con las mismas propiedades con las que
arrancó del origen. En particular, sus incrementos tienen distribución Normal, simétrica
alrededor de cero, y por consiguiente cualquier serie de desplazamientos y sus simétricos
tienen la misma probabilidad de ocurrir. Ası́ pues, la misma probabilidad hay de que el
proceso siga un determinado conjunto de trayectorias, como de que siga el conjunto de
trayectorias simétricas, respecto a la recta horizontal de nivel 𝑥, a partir del punto 𝜏𝑥 .
Expresado con precisión, el principio de reflexión afirma:
Proposición 10 El proceso
{
𝑋𝑡 si 𝑡 < 𝜏𝑥
𝑋𝑡′ =
2𝑥 − 𝑋𝑡 si 𝑡 ≥ 𝜏𝑥
es un movimiento browniano (con la misma distribución que el proceso 𝑋𝑡 ).
21
Es evidente que los sucesos
{𝑀𝑡 ≥ 𝑥} y {𝜏𝑥 ≤ 𝑡}
coinciden. Además, según el principio de reflexión
𝑃 {𝜏𝑥 ≤ 𝑡, 𝑋𝑡 < 𝑦} = 𝑃 {𝜏𝑥 ≤ 𝑡, 𝑋𝑡 > 2𝑥 − 𝑦} = 𝑃 {𝑋𝑡 > 2𝑥 − 𝑦}
para 𝑦 ≤ 𝑥; o bien
∞
1
∫
2 /2𝑡
𝑃 {𝑀𝑡 ≥ 𝑥, 𝑋𝑡 < 𝑦} = 𝑃 {𝑋𝑡 > 2𝑥 − 𝑦} = √ 𝑒−𝑢 𝑑𝑢 (3)
2𝜋𝑡 2𝑥−𝑦
2𝑥 − 𝑦
𝑥
𝑦
𝜏𝑥
22
5.2. La distribución de 𝑀𝑡 − 𝑋𝑡
La densidad conjunta de (𝑀𝑡 , 𝑋𝑡 ), expresada por (4), permite hallar de forma inmediata
la densidad conjunta de (𝑀𝑡 , 𝑀𝑡 − 𝑋𝑡 ). Se obtiene
2 2
𝑓𝑀𝑡 ,𝑀𝑡 −𝑋𝑡 (𝑢, 𝑣) = √ (𝑢 + 𝑣)𝑒−(𝑢+𝑣) /2𝑡 (7)
𝑡 2𝜋𝑡
en la región 𝑢, 𝑣 ≥ 0. En dicha densidad 𝑢 y 𝑣 son intercambiables, de manera que la
marginal de 𝛿𝑡 = 𝑀𝑡 − 𝑋𝑡 es la misma que la de 𝑀𝑡 y coincide pues con la de ∣𝑋𝑡 ∣. Por
simetrı́a, lo mismo ocurre con 𝛿𝑡′ = 𝑋𝑡 − 𝑚𝑡 .
5.3. La distribución de 𝜏𝑥
Por otra parte, como
De manera que, por pequeño que sea 𝑥, el tiempo medio que tarda el movimiento
browniano en alcanzar el nivel 𝑥 es infinito; lo cual, en vista de la proposición 5, no
deja de ser sorprendente.
Por supuesto, la simetrı́a del movimiento browniano indica, para 𝑥 < 0, que 𝜏𝑥 tiene la
misma distribución que 𝜏∣𝑥∣ .
23
5.4. La ley del arco seno
Conocer la distribución de 𝜏𝑥 permite calcular la probabilidad de que la trayectoria de
un movimiento browniano se anule en un intervalo cualquiera (𝑡1 , 𝑡2 ). En efecto, si
𝑈0 = máx{𝑢 ∈ (0, 𝑡) ∣ 𝑋𝑢 = 0}
24
De manera que 𝑈0 tiene densidad
1
𝑓𝑈0 (𝑢) = √ para 0 < 𝑢 < 𝑡. (9)
𝜋 𝑢(𝑡 − 𝑢)
√
Es inmediato, según esto, que 𝜃 = 2arcsen 𝑈0 /𝑡 tiene distribución uniforme en (0, 𝜋);
de forma que 𝑈0 tiene la misma distribución que la proyección sobre el eje de tiempos
de un punto elegido al azar sobre la semicircunferencia de diámetro (0, 𝑡).
De manera similar, puede considerarse la posición de cero siguiente a un instante arbi-
trario 𝑡 > 0:
𝑈1 = mı́n{𝑢 ≥ 𝑡 ∣ 𝑋𝑢 = 0}
Para 𝑣 > 𝑡 es
2 √
𝑃 {𝑈1 < 𝑣} = 𝑃 {∃𝑠 ∈ (𝑡, 𝑣) con 𝑋𝑠 = 0} = arccos 𝑡/𝑣
𝜋
luego la densidad de 𝑈1 es
√
𝑡
𝑓𝑈1 (𝑣) = √ para 𝑣 > 𝑡. (10)
𝜋𝑣 𝑣 − 𝑡
25
2𝑏 − 𝐼
𝑎
𝐼
En consecuencia
𝑃 {𝜏𝑏 < 𝜏𝑎 , 𝑋𝑡 ∈ 𝐼} = 𝑃 {𝑋𝑡 ∈ 2𝑏 − 𝐼} − 𝑃 {𝜏𝑎 < 𝜏𝑏 , 𝑋𝑡 ∈ 2𝑏 − 𝐼} (12)
De forma similar, si 𝐼 ⊂ [𝑏, ∞), se cumplirá
𝑃 {𝜏𝑎 < 𝜏𝑏 , 𝑋𝑡 ∈ 𝐼} = 𝑃 {𝑋𝑡 ∈ 2𝑎 − 𝐼} − 𝑃 {𝜏𝑏 < 𝜏𝑎 , 𝑋𝑡 ∈ 2𝑎 − 𝐼} (13)
Por consiguiente, en el caso en que 𝐼 ⊂ [𝑎, 𝑏], tendremos
𝑃 {𝑎 < 𝑚𝑡 < 𝑀𝑡 < 𝑏, 𝑋𝑡 ∈ 𝐼} =
= 𝑃 {𝑋𝑡 ∈ 𝐼} − 𝑃 {𝜏𝑎 < 𝜏𝑏 , 𝜏𝑎 ≤ 𝑡, 𝑋𝑡 ∈ 𝐼} − 𝑃 {𝜏𝑏 < 𝜏𝑎 , 𝜏𝑏 ≤ 𝑡, 𝑋𝑡 ∈ 𝐼}
Ahora bien, aplicando el principio de reflexión en 𝑎, la primera probabilidad a restar
vale
𝑝1 = 𝑃 {𝜏𝑎 < 𝜏𝑏 , 𝜏𝑎 ≤ 𝑡, 𝑋𝑡 ∈ 𝐼} = 𝑃 {𝜏𝑎 < 𝜏𝑏 , 𝑋𝑡 ∈ 2𝑎 − 𝐼}
y la aplicación alternada de (13) y (12) proporciona:
𝑝1 = 𝑃 {𝑋𝑡 ∈ 2𝑎 − 𝐼} − 𝑃 {𝜏𝑏 < 𝜏𝑎 , 𝑋𝑡 ∈ 2𝑎 − 𝐼}
= 𝑃 {𝑋𝑡 ∈ 2𝑎 − 𝐼} − 𝑃 {𝑋𝑡 ∈ 2𝑏 − 2𝑎 + 𝐼} + 𝑃 {𝜏𝑎 < 𝜏𝑏 , 𝑋𝑡 ∈ 2𝑏 − 2𝑎 + 𝐼}
= 𝑃 {𝑋𝑡 ∈ 2𝑎 − 𝐼} − 𝑃 {𝑋𝑡 ∈ 2𝑏 − 2𝑎 + 𝐼} + 𝑃 {𝑋𝑡 ∈ 4𝑎 − 2𝑏 − 𝐼}
−𝑃 {𝜏𝑏 < 𝜏𝑎 , 𝑋𝑡 ∈ 4𝑎 − 2𝑏 − 𝐼}
= 𝑃 {𝑋𝑡 ∈ 2𝑎 − 𝐼} − 𝑃 {𝑋𝑡 ∈ 2𝑏 − 2𝑎 + 𝐼} + 𝑃 {𝑋𝑡 ∈ 4𝑎 − 2𝑏 − 𝐼}
−𝑃 {𝑋𝑡 ∈ 4𝑏 − 4𝑎 + 𝐼} + 𝑃 {𝑋𝑡 ∈ 6𝑎 − 4𝑏 − 𝐼} + ⋅ ⋅ ⋅
es decir
∞
∫ {∑ ∞ }
1 −(𝑥−2(𝑛+1)𝑎+2𝑛𝑏)2 /2𝑡
∑
−(𝑥+2𝑛𝑏−2𝑛𝑎)2 /2𝑡
𝑝1 = √ 𝑒 − 𝑒 𝑑𝑥
2𝜋𝑡 𝐼 𝑛=0 𝑛=1
26
De la misma manera
𝑝2 = 𝑃 {𝜏𝑏 < 𝜏𝑎 , 𝜏𝑏 ≤ 𝑡, 𝑋𝑡 ∈ 𝐼}
= 𝑃 {𝜏𝑏 < 𝜏𝑎 , 𝑋𝑡 ∈ 2𝑏 − 𝐼}
∫ {∑ ∞ ∞
}
1 2
∑ 2
= √ 𝑒−(𝑥−2(𝑛+1)𝑏+2𝑛𝑎) /2𝑡 − 𝑒−(𝑥+2𝑛𝑎−2𝑛𝑏) /2𝑡 𝑑𝑥
2𝜋𝑡 𝐼 𝑛=0 𝑛=1
Y, en definitiva
𝑃 {𝑎 < 𝑚𝑡 < 𝑀𝑡 < 𝑏, 𝑋𝑡 ∈ 𝐼} =
∞ {
1
∫ ∑ }
2 2
= √ 𝑒−(𝑥−2𝑛𝑏+2𝑛𝑎) /2𝑡 − 𝑒−(𝑥−2(𝑛+1)𝑎+2𝑛𝑏) /2𝑡 𝑑𝑥 (14)
2𝜋𝑡 𝐼 𝑛=−∞
6. La salida de un intervalo
Fijado un intervalo (𝑎, 𝑏) con 𝑎 < 0 < 𝑏, consideremos el primer instante en que el
movimiento browniano sale de dicho intervalo; esto es
𝜏 = 𝜏𝑎𝑏 = ı́nf{𝑡 ≥ 0 ∣ 𝑋𝑡 = 𝑎 ó 𝑋𝑡 = 𝑏}
Puesto que
{𝜏𝑎𝑏 ≤ 𝑡} = {𝑚𝑡 ≤ 𝑎} ∪ {𝑀𝑡 ≥ 𝑏}
la distribución de 𝜏𝑎𝑏 queda determinada por la distribución conjunta de 𝑚𝑡 y 𝑀𝑡 . Sin
embargo, la complejidad de tal distribución conjunta obliga a emplear otros métodos
para determinar ciertas caracterı́sticas asociadas a 𝜏𝑎𝑏 . Por ejemplo, es interesante saber
cual es el tiempo medio de espera, 𝐸[𝜏𝑎𝑏 ], necesario para salir del intervalo (𝑎, 𝑏) y,
también, con qué probabilidad el proceso abandonará el intervalo (𝑎, 𝑏) por cada uno
de sus extremos.
Para ello serán necesarias algunas consideraciones previas. En primer lugar, para cada
𝑡 > 0 designaremos por
ℱ𝑡 = 𝜎(𝑋𝑢 , 𝑢 ≤ 𝑡)
la 𝜎-álgebra del espacio Ω engendrada por todas las variables 𝑋𝑢 anteriores al instante 𝑡.
Se trata pues de la 𝜎-álgebra que contiene todos los sucesos que quedan determinados
por la historia del proceso hasta el instante 𝑡 (incluido).
27
Un proceso {𝑌𝑡 } se denomina una martingala respecto a {ℱ𝑡 } si para cada 𝑡, 𝑌𝑡 es
ℱ𝑡 -medible e integrable y, siempre que sea 𝑠 < 𝑡, se cumple
𝐸[𝑌𝑡 ∣ ℱ𝑠 ] = 𝑌𝑠
𝐸[𝑋𝑡2 − 𝑡 ∣ ℱ𝑠 ] = 𝐸[(𝑋𝑠 + 𝑋𝑡 − 𝑋𝑠 )2 ∣ ℱ𝑠 ] − 𝑡
= 𝐸[𝑋𝑠2 + (𝑋𝑡 − 𝑋𝑠 )2 + 2𝑋𝑠 (𝑋𝑡 − 𝑋𝑠 ) ∣ ℱ𝑠 ] − 𝑡
= 𝑋𝑠2 + 𝐸[(𝑋𝑡 − 𝑋𝑠 )2 ∣ ℱ𝑠 ] + 2𝑋𝑠 𝐸[𝑋𝑡 − 𝑋𝑠 ∣ ℱ𝑠 ] − 𝑡
= 𝑋𝑠2 + 𝑡 − 𝑠 − 𝑡 = 𝑋𝑠2 − 𝑠
𝐸[𝑌𝜏 ] = 𝐸[𝑌0 ]
siempre que 𝜏 sea un instante aleatorio, finito con probabilidad uno, tal que
{𝜏 ≤ 𝑡} ∈ ℱ𝑡 ∀𝑡 ≥ 0 y 𝐸[sup 𝑌mı́n(𝜏,𝑡) ] < ∞
𝑡≥0
con lo cual
2
𝐸[mı́n(𝜏, 𝑡)] = 𝐸[𝑋mı́n(𝜏,𝑡) ] ≤ máx(𝑎2 , 𝑏2 )
28
y
𝐸[𝜏 ] = lı́m 𝐸[mı́n(𝜏, 𝑡)] ≤ máx(𝑎2 , 𝑏2 )
𝑡→∞
de manera que 𝜏 no sólo es finito, sino que tiene media finita.
En consecuencia
de donde
𝑏 −𝑎
𝑃 {𝑋𝜏 = 𝑎} = y 𝑃 {𝑋𝜏 = 𝑏} = (15)
𝑏−𝑎 𝑏−𝑎
Análogamente, con la martingala 𝑋𝑡2 − 𝑡, se obtiene 𝐸[𝑋𝜏2 − 𝜏 ] = 0, de donde
𝜏𝑎𝑏 = ı́nf{𝑠 ≥ 𝑡 ∣ 𝑋𝑠 = 𝑎 ó 𝑋𝑠 = 𝑏}
entonces
𝑏−𝑥 𝑥−𝑎
𝑃 {𝑋𝜏 = 𝑎} = , 𝑃 {𝑋𝜏 = 𝑏} = y 𝐸[𝜏 ] = (𝑏 − 𝑥)(𝑥 − 𝑎)
𝑏−𝑎 𝑏−𝑎
2
Para cualquier valor de 𝜆 ∈ 𝐼𝑅, también es una martingala el proceso 𝑒−𝜆𝑋𝑡 −𝜆 𝑡/2 . De
2 2
hecho, recordando que 𝐸[𝑒𝑢𝑋 ] = 𝑒𝜎 𝑢 /2 para cualquier variable 𝑁 (0, 𝜎), resulta
2 𝑡/2 2 𝑡/2 2 𝑡/2 2 /2 2 𝑠/2
𝐸[𝑒𝜆𝑋𝑡 −𝜆 ∣ ℱ𝑠 ] = 𝑒𝜆𝑋𝑠 −𝜆 𝐸[𝑒𝜆(𝑋𝑡 −𝑋𝑠 ) ∣ ℱ𝑠 ] = 𝑒𝜆𝑋𝑠 −𝜆 𝑒(𝑡−𝑠)𝜆 = 𝑒𝜆𝑋𝑠 −𝜆
ya que 𝑋𝑡 − 𝑋𝑠 es independiente de ℱ𝑠 .
Esto es útil en el estudio del proceso de Wiener 𝑌𝑡 , de tendencia 𝜇 y parámetro de
varianza 𝜎, dado por 𝑌𝑡 = 𝜎𝑋𝑡 + 𝜇𝑡 en términos del movimiento browniano normaliza-
do 𝑋𝑡 . De hecho,
2 2 2 2
𝑒𝜆𝑌𝑡 −(𝜆𝜇+𝜎 𝜆 /2)𝑡 = 𝑒𝜆𝜎𝑋𝑡 −𝜆 𝜎 𝑡/2
★𝑌
es una martingala. Y, si se elige 𝜆★ = −2𝜇/𝜎 2 , resulta que 𝑒𝜆 𝑡
también es una mar-
tingala. Aplicando el teorema de parada opcional al instante
𝜏𝑎𝑏 = ı́nf{𝑡 ≥ 0 ∣ 𝑌𝑡 = 𝑎 ó 𝑌𝑡 = 𝑏}
29
se obtiene
★𝜏 ★ ★
1 = 𝐸[𝑒𝜆 𝑎𝑏
] = 𝑒𝜆 𝑎 𝑃 {𝑌𝜏𝑎𝑏 = 𝑎} + 𝑒𝜆 𝑏 𝑃 {𝑌𝜏𝑎𝑏 = 𝑏}
de donde
2 2
𝑒−2𝜇𝑏/𝜎 − 1 1 − 𝑒−2𝜇𝑎/𝜎
𝑃 {𝑌𝜏𝑎𝑏 = 𝑎} = y 𝑃 {𝑌𝜏𝑎𝑏 = 𝑏} = .
𝑒−2𝜇𝑏/𝜎2 − 𝑒−2𝜇𝑎/𝜎2 𝑒−2𝜇𝑏/𝜎2 − 𝑒−2𝜇𝑎/𝜎2
2
Supuesto que 𝜇 < 0, si 𝑎 → −∞, resulta que 𝑒2𝜇𝑏/𝜎 es la probabilidad de alcanzar el
nivel 𝑏; es decir que máx𝑡≥0 𝑌𝑡 tiene distribución exponencial de parámetro 2∣𝜇∣/𝜎 2 .
a partir de un cierto 𝑛, puesto que 𝛾(𝑡) es creciente en un intervalo (0, 𝜖) en el que estarán los
𝑢𝑛 cuando 𝑛 sea grande. Ahora bien
2 2
𝑃 𝑀𝑢𝑛 ≥ 𝑥𝑛 𝑢𝑛/2 = 2 𝑃 𝑋𝑢𝑛 ≥ 𝑥𝑛 𝑢𝑛/2 ≤ √ 𝑒−𝑥𝑛 /2
{ } { }
2𝜋 𝑥𝑛
y, si se toma
1+𝛿 √ √
𝑥𝑛 = 𝑛/2
𝛾(𝑢𝑛+1 ) = (1 + 𝛿) 2𝑢 log[(𝑛 + 1) log(1/𝑢)] = 2 log[𝑐(𝑛 + 1)𝛼 ]
𝑢
30
siendo 𝛼 = 𝑢(1 + 𝛿)2 y 𝑐 = [log(1/𝑢)]𝛼 , se obtiene
𝛼 √
{ 𝑛+1
} 2 𝑒− log[𝑐(𝑛+1) ] 2/( 2𝜋𝑐)
𝑃 𝑀𝑢𝑛 ≥ (1 + 𝛿)𝛾(𝑢 ) ≤√ √ = √ .
2𝜋 2 log[𝑐(𝑛 + 1)𝛼 ] (𝑛 + 1)𝛼 2 log[𝑐(𝑛 + 1)𝛼 ]
Como 𝛼 > 1, la serie de término general la última expresión es convergente y el lema de Borel-
Cantelli asegura que 𝑃 {lı́m sup 𝐶𝑛 } = 0. Es decir que, con probabilidad 1, a partir de un cierto
𝑛 no existe ningún 𝑡 ∈ [𝑢𝑛+1 , 𝑢𝑛 ] que verifique 𝑋𝑡 /𝛾(𝑡) ≥ (1 + 𝛿).
𝑍𝑛 = 𝑋𝑢𝑛 − 𝑋𝑢𝑛+1 .
Utilizando que ( )
{ √
𝑛 𝑛+1
} 1 −𝑥2𝑛 /2 1 1
𝑃 𝑍𝑛 > 𝑥𝑛 𝑢 − 𝑢 ≥ √ 𝑒 − 3 ,
2𝜋 𝑥𝑛 𝑥𝑛
la elección
1−𝜀 1−𝜀 √ √
𝑥𝑛 = √ 𝛾(𝑢𝑛 ) = √ 2 log[𝑛 log(1/𝑢)] = 𝛽 log(𝐶𝑛)
𝑛
𝑢 −𝑢 𝑛+1 1−𝑢
siendo 𝛽 = 2(1 − 𝜀)2 /(1 − 𝑢) y 𝐶 = log(1/𝑢), proporciona
( )
1 1 1
𝑃 𝑍𝑛 > (1 − 𝜀)𝛾(𝑢𝑛 ) ≥ √
{ }
√ −√ 3 .
2𝜋𝐶 𝛽/2 𝑛𝛽/2 𝛽 log(𝐶𝑛) 𝛽 log(𝐶𝑛)
Luego, si 𝑢 es suficientemente pequeño para que sea 𝛽 < 2, la serie de término general igual
a la última expresión es divergente y el segundo lema de Borel-Cantelli garantiza que, con
probabilidad 1, será
31
En definitiva
𝑋𝑡 𝑋𝑡
lı́m sup =1 y, por simetrı́a, lı́m inf = −1.
𝑡↓0 𝛾(𝑡) 𝑡↓0 𝛾(𝑡)
𝑋𝑡′ 𝑋1/𝑡 𝑋𝑠
1 = lı́m sup √ = lı́m sup √ = lı́m sup √
𝑡↓0 2𝑡 log log(1/𝑡) 𝑡↓0 2/𝑡 log log(1/𝑡) 𝑠↑∞ 2𝑠 log log 𝑠
y, de forma análoga,
𝑋𝑠
lı́m inf √ = −1.
𝑠↑∞ 2𝑠 log log 𝑠
Por tanto, las oscilaciones
√ de 𝑋𝑡 a largo plazo
√ conducen reiteradamente la trayectoria
a las proximidades de 2𝑡 log log 𝑡 y de − 2𝑡 log log 𝑡.
Referencias
Freedman, D.: Brownian Motion and diffusion. Springer-Verlag. 1983.
Ito, K. – McKean, H.P.: Diffusion processes and their sample paths. Spinger-
Verlag. 1974.
Williams, D.: Diffusions, Markov processes and martingales. John Wiley. 1979.
32