Se expresarán en formato estandarizado los procesos estocásticos

Y(t,w):

Empleando la fórmula de Itó, para el caso unidimensional:

Para el caso multidimensional:

Empleando la fórmula:

a) Y (t, ω ) = B(t, ω )2
dY = 0 + 2BdB + 12 2(dB)2 = 2BdB + dt
Comparando con el formato estandarizado:
u=1
v = 2B

Expectativa:
E [Y (t, ω )] = E[B(t, ω )2 ] = E [t] = t

Varianza:
V ar[Y (t, ω )] = E [(Y (t, ω ) − E [Y (t, ω )])2 ] = E [(B 2 − t) 2 ] = E [B 4 − 2B 2 t + t2 ]
V ar[Y (t, ω )] = E [B 4 ] − 2E[B 2 ]t + t2
(2k)!tk
Como E [B 2k ] = k
2 k!
2
V ar[Y (t, ω )] = 2t
 Simulación en MATLAB

b) Y (t, ω ) = 2 + t + e B(t,ω)
dY = 1dt + e B(t,ω) dB + 12 e B(t,ω) (dB)2 = (1 + 12 e B(t,ω) )dt + e B(t,ω) dB
Comparando con el formato estandarizado:
u = (1 + 12 e B(t,ω) )
v = e B(t,ω)
Expectativa:
E [Y (t, ω )] = E[2 + t + e B(t,ω) ] = 2 + t + E [e B(t,ω) ]

∞
Bn
Sabiendo que eB = ∑ n! y que E[B k ] = 0 para k impar, nos
n=0
queda el siguiente polinomio:
2k 2k
E[eB ] = E[1 + ∑ B
(2k)! ]
B
= 1 + ∑ E [ (2k)! ] = 1 + ∑ 1 k
k t
2 k!
k=1 k=1 k=1
Del cual podemos tomar los 5 primeros términos para aproximar
numéricamente el valor de E.
2 3 4
B t t t t
E[e ] ≈ 1 + 2 + 8 + 48
+ 384
2 3 4
E [2 + t + e B(t,ω) ] = 3 + 3t
2 + t
8 + t
48 + t
384
 Varianza:
V ar[Y (t, ω )] = E [(Y (t, ω ) − E [Y (t, ω )])2 ]

c) Y (t, ω ) = B 1 (t, ω )2 + B 2 (t, ω )2 con B = [B 1 B 2 ]T

dY = 2B 1 dB 1 + 2B 2 dB 2 + 12 (2dB 1 2 + 2dB 2 2 ) = 2B 1 dB 1 + 2B 2 dB 2 + 2dt

Comparando con el formato estandarizado:

dB = [dB 1 dB 2 ]T
u = [2B 1 2B 2 ]
v=2
 Expectativa
E [Y (t, ω )] = E[B 1 (t, ω )2 + B 2 (t, ω )2 ] = 2t

Varianza
2
V ar[Y (t, ω )] = E [(Y (t, ω ) − E [Y (t, ω )])2 ] = E [(B 1 2 + B 2 2 − 2t]) ]
2 2
V ar[Y (t, ω )] = E [(B 1 2 + B 2 2 − 2t]) ] = E [(B 1 2 + B 2 2 ) − 2t(B 1 2 + B 2 2 ) + 4t2 ]
V ar[Y (t, ω )] = (2t)2 − 2t2 + 4t2 = 6t2

d) Y (t, ω ) = [to + t B]T , con B unidimensional

dY = [dY 1 dY 2 ]T
dY 1 = dt
dY 2 = dB

Luego:
v = [1 0]T
u = [0 1]T
dY = [dY 1 dY 2 ]T = [1 0]T dt + [0 1]T dB

Y1
 Y2
Expectativa
E [Y (t, ω )] = [E[to + t] E[B]]T = [to + t 0]T

Varianza
V ar[Y (t, ω )] = [V ar[Y 1 (t, ω )] V ar[Y 1 (t, ω )]]T
V ar[Y 1 (t, ω )] = E [(Y 1 (t, ω ) − E [Y 1 (t, ω )])2 ] = E[(to + t) − (to + t)] = 0
V ar[Y 1 (t, ω )] = E [(Y 2 (t, ω ) − E [Y 2 (t, ω )])2 ] = E[(B − 0)2 ) = t

V ar[Y (t, ω )] = [0 t]T

e) Y (t, ω ) = [B 1 + B 2 + B 3 B 2 2 − B 1 B 3 ]T , con B = [B 1 B 2 B 3 ]T
dY 1 = dB 1 + dB 2 + dB 3
dY 2 =− B 3 dB 1 + 2B 2 dB 2 − B 1 dB 3 + dt

De donde se tiene
v = [0 1]T
u=[1 1 1]
[− B 3 2B 2 − B 1 ]

Y1
 Y2

Expectativa
E [Y 1 ] = E [B 1 + B 2 + B 3 ] = 0

E [Y 2 ] = E [B 2 2 − B 1 B 3 ] = E[B 2 2 ] − E [B 1 B 3 ] = t
T
E [Y ] = [0 t]

Varianza:
2
V ar(Y 1 ) = E [([Y 1 ] − E [Y 1 ]) ] = E [Y 1 2 ] = E [(B 1 + B 2 + B 3 )2 ]
V ar(Y 1 ) = E [(B 1 + B 2 + B 3 )2 ]

Considerando que los Bi,Bj son independientes, las expectativas

de BiBj para i distinto de j son nulas, luego:
V ar(Y 1 ) = E [B 1 2 + B 2 2 + B 3 2 ] = 3t
 2
V ar(Y 2 ) = E [(B 2 2 − B 1 B 3 − t) ]

V ar(Y 2 ) = E [B 2 4 − 2B 2 2 B 1 B 3 − B 2 2 t + B 1 2 B 3 2 + 2B 1 B 3 t − tB 2 2 + t2 ]
2
V ar(Y 2 ) = E [B 2 4 ] − E[B 2 ]t + E [B 1 2 ]E[B 3 2 ] − tE[B 2 2 ] + t2
V ar(Y 2 ) = 3t2 − t2 + t2 − t2 + t2 = 3t2
T
V ar[Y ] = [3t 3t2 ]