Introducción al cálculo estocástico

Introducción al cálculo estocástico

0. Introducción

• Este documento es una breve introducción al cálculo estocástico. Se centra más en la intuición física y la derivación del movimiento browniano que en el formalismo complejo de la teoría de la probabilidad.
• Se evitan los formalismos técnicos como espacios de probabilidad, teoría de la medida y filtraciones, y solo se consideran casos bien definidos.
• Se busca dar a conocer ampliamente cómo el cálculo estocástico surge de manera natural en el mundo físico.

Aplicaciones

• El movimiento browniano y el cálculo de Itô son ejemplos de matemáticas avanzadas usadas para modelar el mundo real.
• Física: Einstein usó el movimiento browniano para demostrar la existencia de los átomos.
• Finanzas: La fijación de precios de opciones depende de ecuaciones diferenciales estocásticas.
• Biología: Las caminatas aleatorias modelan la dispersión de especies o la activación de neuronas.
• También están apareciendo cada vez más aplicaciones en aprendizaje automático.

1. Motivación

• El triángulo de Pascal se usa para explicar la distribución binomial.
• Modela la cantidad de éxitos y fracasos en ensayos independientes.
• El mundo real a menudo incluye procesos continuos, por lo que el cálculo resulta más natural.

2. De pasos discretos al límite continuo

• Se explora el significado matemático de cuando una distribución binomial se transforma de manera continua.
• Se explica que una caminata aleatoria discreta converge a una distribución normal en el límite continuo.
• Según el teorema central del límite, la suma de muchas variables aleatorias independientes se aproxima a una distribución normal.

3. Definición del movimiento browniano (proceso de Wiener)

• El movimiento browniano es continuo, aleatorio y tiene una varianza proporcional al tiempo.
• El modelo matemático del movimiento browniano es predecible, pero localmente es completamente impredecible.

4. Cálculo de Itô

• El movimiento browniano es irregular y, por tanto, no es diferenciable.
• El cálculo de Itô desarrolla un nuevo sistema para manejar la aleatoriedad del movimiento browniano.
• El lema de Itô proporciona una regla de la cadena para la aleatoriedad.

5. Ecuaciones diferenciales estocásticas

• El cálculo de Itô proporciona herramientas para tratar ecuaciones diferenciales estocásticas.
• Las ecuaciones diferenciales estocásticas modelan sistemas combinando comportamiento determinista y ruido estocástico.

6. Cálculo de Stratonovich

• El cálculo de Stratonovich elimina el término de segunda derivada del cálculo de Itô y conserva la regla de la cadena estándar.
• Es útil para simplificar sistemas físicos o cálculos.

Apéndice

A.0. Lecturas adicionales

• Recursos que ofrecen una introducción intuitiva a las ecuaciones diferenciales estocásticas y cómo resolverlas.

A.1. Notación

• Se proporciona una lista de la notación usada en el documento.

[GN⁺]

Opiniones en Hacker News

• La dinámica de Langevin es un método que usa el momento amortiguado de un sistema y ruido inyectado en ese momento. Puede usarse en simulaciones de dinámica molecular y en muestreo bayesiano MCMC

  • En relación con la IA, cuando se menciona la dinámica de Langevin, muchas veces se omite el uso del momento. Esto se debe a que en IA se usa ampliamente el descenso por gradiente con momento
  • El término "estocástico" significa que en cada paso se usa un submuestreo de los datos para aproximar el gradiente. Ambas formas de aleatoriedad pueden aplicarse al mismo tiempo
  • Hay un material introductorio útil para lectores con conocimientos matemáticos de nivel avanzado de licenciatura/posgrado: enlace

• La pregunta en cálculo estocástico es si hay que usar computadoras para simular muchas posibles trayectorias de eventos, o si, al conocer la distribución de dW, existe un método matemático más elegante para resolver los resultados finales importantes y sus distribuciones de probabilidad. Este artículo es excelente, y da la sensación de que por primera vez uno empieza a entender el cálculo estocástico

• Hay un ejemplo que experimenté recientemente

  • Supongamos que juegas un "juego". Sacas un número aleatorio A entre 0 y 1 (distribución uniforme). Sacas un segundo número B de la misma distribución. Si A > B, vuelves a sacar B (A se mantiene). En promedio, ¿cuántas extracciones se necesitan? En otras palabras, ¿cuál es la "racha de victorias" promedio de A?
  • La respuesta es infinita. La razón es que a veces A sale muy alto, así que podrían hacer falta millones de extracciones

• Pregunta para lectores de HN: se definieron unas 50 posiciones (loci) que incluyen diferencias de ADN que regulan la tasa de mortalidad en genes de ratones. La mayoría tienen efectos complejos de "seguro" dependientes de la edad. Quiero predecir la edad de muerte

  • ¿Podría el cálculo estocástico ser un enfoque útil para predicciones actuariales sobre la esperanza de vida de los ratones?

• Hay una pregunta para gente del sector financiero sobre qué tanto de esto es útil en la práctica cotidiana

• Hay una solicitud de ayuda para interpretar una frase

  • En la oración "Brownian motion and Itô calculus are notable examples of fairly advanced mathematics being applied to model the real world", hay una opinión que se pregunta qué significa "Itô calculare"

• Comparto una forma de entender el cálculo de Itô

  • El único proceso aleatorio que entendemos al principio es el movimiento browniano
  • Por suerte, podemos cambiar de coordenadas

• Recuerdo haber estudiado cálculo estocástico

  • Noté que en estadística general la desviación estándar es un poco distinta de la "variación cuadrática". Me dejé una nota para investigar por qué. Probablemente sea por la volatilidad estocástica

• Sigue sorprendiéndome que los modelos de difusión se estén convirtiendo rápidamente en la salsa secreta de la generación de imágenes por IA. Pero sus raíces están profundamente enterradas en el cálculo estocástico

  • ¿Quién hubiera pensado que el movimiento browniano terminaría ayudando a crear memes de gatos?