2020

Un modelo estocástico para analizar
los efectos de la variación de la

temperatura sobre la captura
pesquera a lo largo de la costa del
Pacı́fico Colombiano
Erika Johanna Martı́nez Salinas
Universidad Nacional de Colombia

Facultad de Ciencias
Departamento de Estadı́stica
Bogotá, Colombia
2020
Un modelo estocástico para analizar
los efectos de la variación de la
temperatura sobre la captura
pesquera a lo largo de la costa del
Pacı́fico Colombiano
Erika Johanna Martı́nez Salinas
Trabajo de grado presentado como requisito parcial para optar al tı́tulo de:
Magister en Ciencias Estadı́stica
Director:
Viswanathan Arunachalam Ph.D.
Lı́nea de Investigación:
Procesos Estocásticos
Universidad Nacional de Colombia

Facultad de Ciencias
Departamento de Estadı́stica
Bogotá, Colombia
2020
Dedicatoria
Dedicado a mi padre Erick Rodrigo Martı́nez.
“Para eso sirven los sueños ¿No? Para

enseñarnos hasta donde podemos llegar.”
Laura Gallego
Agradecimientos
Quiero agradecer a todas las personas que hicieron parte de este proceso tan enriquecedor,
a mi familia por apoyarme en cada cosa que me he propuesto, principalmente a mi padre
Rodrigo a quien le debo todo lo que soy y lo que he logrado, quién ha sido mi mentor en cada
paso que he dado, a mi madre Omaira por darme la vida y por su amor y apoyo incansable, a
mi hermana Yulieth y a Juan por todo su amor y paciencia, gracias por llenarme de valentı́a
y fuerza aún cuando las cosas se tornan tan difı́ciles. Soy afortunada de tenerlos a mi lado.
A mis amigas Lady y Laura, por su incalculable apoyo, por las alegrı́as y por las tristezas
porque siempre han estado ahı́ y cada dı́a me muestran el valor de una amistad que es una
hermandad.
Agradezco al profesor Arun por todo su apoyo incondicional en la dirección de este trabajo,
por sus recomendaciones que lograron la ejecución de este proyecto, agradezco a Andrés Rı́os
por su maravilloso aporte moral y académico en el desarrollo de este trabajo.
A la Universidad Nacional de Colombia por brindarme tantas oportunidades, al grupo de In-

vestigación en Procesos Estocásticos y al Grupo de Investigación en Recursos Hidrobiológicos
de la Sede Palmira, especialmente a Karold Coronado y al profesor John Selvaraj, agradezco
por sus valiosas recomendaciones y enriquecedores aportes en la elaboración de este trabajo
que hoy se materializa.
ix
Resumen
En este trabajo se presenta un modelo estocástico que permite analizar el comportamiento,
a lo largo del tiempo, entre los cambios observados de temperatura superficial del mar y
su relación con la captura y abundancia de la especie pez Dorado, en una zona especı́fica
del Pacı́fico Colombiano. Se aplican métodos de estimación como máxima verosimilitud y el
método de Euler-Maruyama con el propósito de estimar los parámetros del modelo y estimar
valores de temperatura superficial del mar, abundancia de la especie y captura por unidad de
esfuerzo para la especie en estudio, durante el periodo comprendido entre los años 2000-2012.
Finalmente se presentan los resultados de la simulación del modelo expuesto y se desarrolla
un análisis de sensibilidad para los parámetros estimados.
Palabras clave: Modelos estocásticos, ecuaciones diferenciales estocásticas, proceso de

Ornstein-Uhlenbeck, reversión a la media, captura por unidad de esfuerzo, abundancia
de una especie, estimación por máxima verosimilitud, método de Euler-Maruyama.
Abstract
In this work, a stochastic model is presented in order to analyze the behavior over time,
between the observed changes in sea surface temperature and its relationship with the catch
and abundance of the Goldfish species, in a specific area of the Colombian Pacific. Estimation
methods such as maximum likelihood and the Euler-Maruyama method are applied in order
to estimate the model parameters and estimate values of sea surface temperature, species
abundance and catch per unit of effort for the species under study, between the years 2000-
2012. Finally, the simulation results of the exposed model are presented and a sensitivity
analysis is developed for the estimated parameters.
Keywords: Stochastic models, stochastic differential equations, Ornstein-Uhlenbeck

process, mean reversion, catch per unit effort, abundance of a species, maximum like-
lihood estimation, Euler-Maruyama method.
Contenido
Agradecimientos VII
Resumen IX
1. Preliminares 5
1.1. Conceptos básicos de procesos estocásticos . . . . . . . . . . . . . . . . . . . 5
1.2. Martingalas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.3. Movimiento Browniano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.4. Cálculo estocástico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.4.1. Integral de Itô . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.4.2. Procesos de Itô . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.5. Ecuaciones diferenciales estocásticas . . . . . . . . . . . . . . . . . . . . . . . 29
2. Modelo Teórico 33
2.1. Adquisición de los datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.2. Construcción del Modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.2.1. Modelamiento de la dinámica de la especie . . . . . . . . . . . . . . . 36
2.2.2. Modelamiento de la dinámica de la especie con capturas . . . . . . . 38
2.2.3. Modelamiento de la temperatura . . . . . . . . . . . . . . . . . . . . 41
2.3. Proceso de Ornstein-Uhlenbeck con reversión a la media . . . . . . . . . . . 43
2.4. Modelo Propuesto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
xii Contenido
3. Estimación de parámetros y simulaciones 49

3.1. Método de Euler-Maruyama . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.2. Estimación de los parámetros del modelo de temperatura . . . . . . . . . . . 52
3.2.1. Estimación de la función de reversión a la media θt . . . . . . . . . . 53
3.2.2. Estimación de los parámetros de la función de media, A, B, C, φ . . . 55
3.2.3. Estimación del parámetro de reversión a la media a . . . . . . . . . . 57
3.2.4. Estimación de la volatilidad σt . . . . . . . . . . . . . . . . . . . . . . 60
3.3. Estimación del modelo propuesto completo . . . . . . . . . . . . . . . . . . . 62
4. Aplicación del modelo propuesto a los datos de estudio 71

4.1. Estimación del modelo de temperatura . . . . . . . . . . . . . . . . . . . . . 72
4.1.1. Estimación de la función de reversión a la media θt . . . . . . . . . . 72
4.1.2. Estimación del parámetro de reversión a la media a . . . . . . . . . . 74
4.1.3. Estimación de la volatilidad σt . . . . . . . . . . . . . . . . . . . . . . 74
4.2. Estimación estocástica del modelo propuesto . . . . . . . . . . . . . . . . . . 76
4.2.1. Comparación entre abundancia predicha y abundancia observada . . 78
4.2.2. Comparación entre captura por unidad de esfuerzo predicho y captura
por unidad de esfuerzo observada . . . . . . . . . . . . . . . . . . . . 79
4.2.3. Comparación entre temperatura superficial del mar predicha y tempe-
ratura superficial del mar observada . . . . . . . . . . . . . . . . . . . 81
4.3. Relaciones entre las variables de estudio . . . . . . . . . . . . . . . . . . . . 82
4.3.1. Relación entre la abundancia de la especie y la temperatura superficial
del mar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
4.3.2. Relación entre la captura por unidad de esfuerzo y temperatura super-
ficial del mar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
4.4. Predicciones abundancia y captura por unidad de esfuerzo . . . . . . . . . . 84
4.5. Análisis de sensibilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
5. Conclusiones 95
A. Anexo: Códigos implementados en Matlab 99
B. Anexo: Códigos implementados en R-Studio 101
Bibliografı́a 109
Lista de Figuras
1-1. Ejemplo de proceso de estado discreto. . . . . . . . . . . . . . . . . . . . . . 7

1-2. Simulaciones de las trayectorias del Proceso de Poisson con parámetro λ = 0,5. 10
1-3. Simulación de las trayectorias de un movimiento browniano a través de una
variable aleatoria normal estándar, usando números aleatorios generados en
el intervalo (0, 1). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2-1. Zona de recolección de los datos asociados al pez Dorado. . . . . . . . . . . . 35

2-2. Temperaturas observadas en grados centı́grados en la zona de estudio. . . . . 42
2-3. Histograma de la temperatura superficial mensual promedio, la curva roja
representa el ajuste de la distribución a los datos de temperatura. . . . . . . 42
3-1. Solución del movimiento browniano geométrico (en negro) y la aproximación

de la solución por medio de Euler-Maruyama (en azul), se gráfica tomando
µ = 2, σ = 1, N = 28 , se generaron 50 números aleatorios de una distribución
normal (0, 1). Además, el coeficiente del error para este ejercicio es 0,00068. . 52
3-2. Evolución de la temperatura superficial del mar máxima, mı́nima y promedio
mensual, durante los años 1979 a 2012. . . . . . . . . . . . . . . . . . . . . . 53
4-1. Comparación histórica determinı́stica de la temperatura superficial del mar

promedio, medida en o C, optimizando θt . . . . . . . . . . . . . . . . . . . . . 73
4-2. Desviaciones estándar de las temperaturas mensuales observadas con la lı́nea
de tendencia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
xiv Lista de Figuras
4-3. Comparación de la abundancia observada y de la abundancia simulada con

Euler-Maruyama . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
4-4. Valores observados de captura por unidad de esfuerzo y predichos, sin el
parámetro κ. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
4-5. Captura por unidad de esfuerzo observada y predicha de acuerdo al método
de Euler-Maruyama. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
4-6. Comparación de la temperatura superficial de mar observada y la temperatura
superficial del mar simulada con Euler-Maruyama . . . . . . . . . . . . . . . 81
4-7. Diagrama de dispersión que relaciona la abundancia de la especie con la tem-
peratura superficial del mar. . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
4-8. Diagrama de dispersión que relaciona la captura por unidad de esfuerzo de la
especie con la temperatura superficial del mar. . . . . . . . . . . . . . . . . . 83
4-9. Predicción de valores de abundancia para la especie pez Dorado hasta 3 años,
hasta el año 2015. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
4-10.Predicción de valores de captura por unidad de esfuerzo para la especie pez
Dorado hasta 3 años, hasta el año 2015. . . . . . . . . . . . . . . . . . . . . 85
4-11.Sensibilidad del parámetro de tasa intrı́nseca de crecimiento r del modelo
estocástico. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4-12.Sensibilidad del parámetro de capacidad máxima de carga de la población del
modelo estocástico. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
4-13.Sensibilidad del parámetro de tasa de capturabilidad. . . . . . . . . . . . . . 89
4-14.Sensibilidad del parámetro de costo monetario por unidad de esfuerzo de pesca
y de tiempo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
4-15.Sensibilidad del parámetro asociado a la variable de difusión, representa la
variabilidad que presenta la temperatura. . . . . . . . . . . . . . . . . . . . . 91
4-16.Sensibilidad del parámetro asociado a la variable de difusión, representa la
variabilidad que presentan los costos de la captura por unidad de esfuerzo. . 92
4-17.Sensibilidad del parámetro κ que ajusta mejor la captura por unidad de esfuerzo. 93
Introducción
La actividad pesquera en la costa Pacı́fica Colombiana se caracteriza por la diversidad de

métodos y artes de pesca. Esta actividad constituye el principal sustento diario de gran parte
de la población que vive en las riberas de la costa Pacı́fica [Puentes et al., 2014]. Sin embargo,
según la publicación del 2007 del “IV Informe de Evaluación del Grupo Intergubernamental
de Expertos sobre el Cambio Climático (IPCC)”, los pequeños pescadores están propensos
a ver afectados sus recursos a causa del cambio climático [Cochrane et al., 2014].
Sin embargo, aunque en ocasiones la importancia de la actividad pesquera suele ser infrava-
lorada, las consecuencias a mediano y largo plazo, del calentamiento global para este sector
se han convertido en asunto de interés mundial.
Según el panel intergubernamental de la ONU, Colombia junto con paı́ses como Ecuador,
Bolivia, Panamá, entre otros, conforman el grupo de paı́ses más vulnerables del mundo, en
relación con sus recursos pesqueros, debido a la variación de la temperatura, éste como con-
secuencia del cambio climático, el cual, da como resultado el aumento en la temperatura
superficial del mar, produciendo cambios en las condiciones fisicoquı́micas de esta región
oceánica y modificando la capacidad de extracción de los recursos pesqueros.
La dinámica del crecimiento natural de una especie es un proceso estocástico, este hecho ha si-
do evidenciado por biólogos, ecologistas y economistas, en particular, el crecimiento de la po-
blación de diferentes especies de peces ha sido modelado mediante cadenas de Markov, con el
fin de entender su funcionamiento y la tasa de producción biológica [Kothandaraman, 1972].
Existen muchos estudios enfocados a desarrollar modelos estocásticos con el fin de solucionar
2 Lista de Figuras
problemas relacionados con la economı́a y la biologı́a, como es el caso de los expuestos en

[Merton, 1975] o [Pindyck, 2012], quienes han desarrollado sus teorı́as mediante procesos de
Markov y procesos de Itô, para describir la dinámica de una fuerza de trabajo en un modelo
estocástico de crecimiento económico [Torralba and Besada, 2015], también, los procesos es-
tocásticos son utilizados en trabajos enfocados a entender la propagación de una enfermedad
como se desarrolla en [Butler et al., 2019].
Los procesos biológicos están muy influenciados por las fluctuaciones climáticas. Los factores
climáticos afectan los elementos bióticos y abióticos que impactan la abundancia y distribu-
ción de especies de peces. Para analizar estas relaciones es necesario hacer un estudio detalla-
do de las variaciones de la temperatura en los últimos años y de la dinámica de las especies.
Con respecto a la temperatura autores como, [Barboza et al., 2014] exploran los cambios de
la temperatura por medio de estimación bayesiana para realizar reconstrucciones por separa-
do de las anomalı́as de la temperatura terrestre y marina. Por otro lado, Dornier y Queruel
[Dornier and Queruel, 2000] modelan las fluctuaciones de la temperatura diaria, como una
regresión entre las temperaturas desestacionalizadas diarias y las temperaturas promedio
alcanzadas. El modelo propuesto separa la evolución de la temperatura promedio diaria en
la tendencia estacional. Dicha estacionalidad está formulada como una función sinusoidal
tanto para el cambio estacional como para el calentamiento global. En [Brody et al., 2002],
la dinámica de la temperatura se modela por medio de un proceso estocástico conocido como
movimiento Browniano Fraccionario con parámetro de Hurst, H ∈ (0, 1), donde se sugiere
que el cambio en la temperatura “revierte” a la temperatura desestacionalizada del dı́a an-
terior. En [Dzupire et al., 2018] desarrollan un proceso de Levy dirigido por un proceso de
Ornstein-Uhlenbeck, con el fin de modelar las temperaturas diarias en Balaka (África), a
diferencia de [Brody et al., 2002] no utilizan movimiento Browniano, debido a que los datos
de temperatura en su caso, no se distribuyen normalmente, por lo que utilizan la distribución
normal inversa que puede describir hábilmente datos sesgados y de cola pesada.
Ahora bien, con respecto al caso de Colombia y a la relación entre los factores climáticos y
la composición de las capturas de las especies explotadas en el Pacı́fico colombiano, la situa-
ción es compleja, puesto que a pesar de que Colombia presenta una alta diversidad pesquera,
históricamente la regulación de las actividades pesqueras se ha visto afectada porque el go-
bierno no ha tenido una institución pesquera permanente [Saavedra-Dı́az et al., 2016]. Desde
1990 la autoridad nacional de pesca ha cambiado entre el Instituto Nacional de Pesca y Acui-
cultura (INPA), el Instituto Colombiano de Desarrollo Rural (INCODER) y la Autoridad
Nacional de Acuicultura y Pesca (AUNAP) perdiéndose parte de la memoria institucional,
lo que ha sido un detrimento de la información para realizar diferentes estudios. Aunque
Lista de Figuras 3
las estadı́sticas pesqueras son incompletas, se ha reconstruido la información referente a la

cantidad de peces capturados en toneladas para el perı́odo 1950 − 2010, considerando las
bases de datos de la FAO [Lindop et al., 2015] y [Zeller and Pauly, 2007].
El objetivo principal de este trabajo es definir un modelo estocástico con el fin de anali-
zar el comportamiento a lo largo del tiempo, entre los cambios observados de temperatura
superficial del mar y su relación con la abundancia de una de las especies de mayor apro-
vechamiento pesquero en el Pacı́fico colombiano, el “pez Dorado” (Coryphaena Hippurus) y
las capturas de la misma; esta especie es aprovechada por pescadores artesanales e indus-
triales. Para ello, se propone un modelo estocástico por medio de ecuaciones diferenciales
estocásticas de Itô, que relaciona las variables asociadas a la captura, la abundancia de la
especie y el modelamiento de la temperatura superficial del mar, esta última se modela por
medio de un proceso de Ornstein-Uhlenbeck con reversión a la media como se muestra en
[Dzupire et al., 2018]. Adicionalmente, se busca analizar la dinámica poblacional de la espe-
cie por medio de una ecuación diferencial estocástica que asocia las variables de temperatura
superficial del mar y de captura. Además, en este trabajo se estiman los parámetros del
modelo utilizando el método de máxima verosimilitud y el método de Euler-Maruyama.
El presente trabajo utiliza los datos brindados por el grupo de Investigación en recursos
hidrobiológicos de la Universidad Nacional de Colombia, Sede Palmira y la SEPEC1 , datos
de temperatura, capturas y desembarques en los puertos de la Costa Pacı́fica Colombiana.
1
Servicio Estadı́stico Pesquero Colombiano
CAPÍTULO 1
Preliminares
En este capı́tulo se presentan algunas definiciones de procesos estocásticos, de integración con

respecto al Movimiento Browniano y de ecuaciones diferenciales estocásticas, que son nece-
sarias para entender los capı́tulos posteriores. Como parte de la bibliografı́a utilizada para la
construcción de este capı́tulo, se encuentran principalmente, [Blanco-Castañeda et al., 2012],
[Oksendal, 2013], [Karatzas and Shreve, 1998], [Lefebvre, 2007], [Rincón, 2012], entre otros.
En ocasiones se omitirá la prueba, acompañándola de su debida referencia bibliográfica.
1.1. Conceptos básicos de procesos estocásticos

Definición 1.1.1. Un proceso estocástico es una colección de variables aleatorias {Xt }t∈T ,
definidas sobre un mismo espacio de probabilidad (Ω, F , P ) y con valores en un espacio me-
dible (S, S ). T es el conjunto de ı́ndices del proceso, el cual es un subconjunto de R.
El conjunto de valores que puede tomar la variable aleatoria Xt , se le llama espacio de
estados del proceso y es denotado por S [Blanco-Castañeda et al., 2012].
Nótese que para cada t ∈ T fijo, Xt es una variable aleatoria definida sobre Ω. Además, para
nuestro propósito, el espacio de estados (S, S ), será un espacio Euclideano d-dimensional
equipado con la σ−álgebra de Borel, es decir, S = Rd , S = B(Rd ).
Definición 1.1.2. Sea {Xt }t∈T un proceso estocástico definido sobre un espacio de probabi-
6 1 Preliminares
lidad (Ω, F , P ). Para cada ω ∈ Ω fijo, la función:
X(ω) : T −→ S
t 7−→ Xt (ω),
se le llama trayectoria de {Xt }t∈T asociado a ω [Todorovic, 2012, p.2].
lidad (Ω, F , P ) y con valores en el espacio medible (R, B(R)). Si:
1. T es un subconjunto de los números naturales, entonces {Xt }t∈T recibe el nombre de

sucesión aleatoria o proceso de parámetro discreto.
2. T es un intervalo de los reales, entonces {Xt }t∈T recibe el nombre de proceso de

parámetro continuo.
3. El conjunto S de estados es discreto, es decir finito o numerable, entonces {Xt }t∈T

recibe el nombre de proceso de estado discreto.
4. El conjunto S de estados es no numerable, entonces {Xt }t∈T recibe el nombre de pro-

ceso de estado continuo.
[Blanco-Castañeda et al., 2012].
Ejemplo 1.1.1. Un clásico ejemplo de proceso estocástico se define como sigue, considérese
una partı́cula que en el tiempo 0, está en el origen. En cada unidad de tiempo, se lanza una
moneda, si se obtiene “cara”, la partı́cula avanza una unidad, si por el contrario se obtiene
“sello”, la partı́cula disminuye una unidad como se observa en la figura (1-1). Ası́, la variable
aleatoria Xn denota la posición de la partı́cula después de n lanzamientos de la moneda, ası́
{Xn }n≥0 es un proceso de estado discreto, con espacio de estados S = {0, ±1, ±2, . . .} .
Nótese que para este caso, el ı́ndice n, indica el número de veces que ha sido lanzada la
moneda y no es necesario introducir la noción de tiempo para este caso.
1.1 Conceptos básicos de procesos estocásticos 7
Figura 1-1.: Ejemplo de proceso de estado discreto.
Definición 1.1.4. (Distribución finito-dimensional de un proceso estocástico).

Sea {Xt }t∈T un proceso estocástico definido sobre un espacio de probabilidad (Ω, F , P ) y sea
{t1 , t2 , . . . , tn } ⊂ T donde t1 < t2 < . . . < tn . La distribución marginal finito-dimensional del
proceso está definida por:
Ft1 ,...,tn (x1 , . . . , xn ) := P (Xt1 ≤ x1 , . . . , Xtn ≤ xn ), xi ∈ R, con i = 1, . . . , n. (1-1)
[Blanco-Castañeda et al., 2012, p.341].
Definición 1.1.5. Sea {Xt }t∈T un proceso estocástico definido sobre un espacio de probabili-
dad (Ω, F , P ), se dirá que {Xt }t∈T está bien definido, si todas sus funciones de distribución
marginales Ft1 ...tn (x1 , . . . , xn ) obtenidas para todos los subconjuntos finitos {t1 , t2 , . . . , tn } ⊂
T están bien definidos. Además, las funciones (1-1) deben satisfacer las siguientes condicio-
nes:
i) Para cualquier permutación k1 , . . . , kn de 1, . . . , n, se tiene que:
Ftk1 ,...,tkn (xk1 , . . . , xkn ) = Ft1 ,...,tn (x1 , . . . , xn ).
ii) Para cualquier 1 ≤ k < n y x1 , . . . , xk ∈ R,
Ft1 ,...,tk (x1 , . . . , xk ) = Ft1 ,...,tn (x1 , . . . , xk , ∞, . . . , ∞).
[Todorovic, 2012, p.2].

8 1 Preliminares
Ejemplo 1.1.2. Sean X y Y dos variables aleatorias independientes e idénticamente distri-

buidas definidas sobre un espacio de probabilidad (Ω, F , P ), con funciones de distribución
dadas por:
HX (x) = P (X ≤ x) y HY (x) = P (Y ≤ x).
Sea {ξt }t∈T un proceso estocástico sobre el mismo espacio de probabilidad (Ω, F , P ), definido
como:
ξt = tX + Y, con t ∈ R.
A continuación se calculará la correspondiente función de distribución finito dimensional del

proceso estocástico ξt , como sigue,
Z ∞
x−y
Ft (x) = P (tX + Y ≤ x) = P X≤ dHY (y)
−∞ t
Z ∞
x−y
= HX dHY (y).
−∞ t
En función de la definición (1-1) se tiene que para cualesquiera {t1 , t2 , . . . , tn } ⊂ T donde

0 < t1 < t2 < . . . < tn , se tiene,
Ft1 ,...,tn (x1 , . . . , xn ) = P (ξt1 ≤ x1 , . . . , ξtn ≤ xn )

Z ∞
x1 − y xn − y
= P X≤ ,...,X ≤ dHY (y)
−∞ t1 tn
Z ∞
xi − y
= HX mı́n dHY (y).
−∞ 1≤i≤n ti
Definición 1.1.6. (Función de distribución de orden k de un proceso estocásti-

co). Sea {Xt }t∈T un proceso estocástico definido sobre un espacio de probabilidad (Ω, F , P ).
La función de distribución de orden k del proceso estocástico {Xt }t∈T es la función de dis-
tribución conjunta del vector aleatorio (Xt1 , . . . , Xtk ):
F (x1 , . . . , xk ; t1 , . . . , tk ) = P (Xt1 ≤ x1 , . . . , Xtk ≤ xk ) , (1-2)
y siempre que exista la k-ésima derivada, se tiene que:
∂k
f (x1 , . . . , xk ; t1 , . . . , tk ) = F (x1 , . . . , xk ; t1 , . . . , tk ). (1-3)
∂x1 . . . ∂xk
[Lefebvre, 2007, p.49].

Definición 1.1.7. Sea {Xt }t∈T un proceso estocástico real definido sobre un espacio de proba-
bilidad (Ω, F , P ) con valores en el espacio medible (Rn , B(Rn )). Si para todo t0 , t1 , t2 , . . . , tn
tales que t0 < t1 < t2 < . . . < tn , las variables aleatorias Xt0 , Xt1 − Xt0 , Xt2 − Xt1 , . . . , Xtn −
Xtn−1 son independientes, es decir, Xt+τ − Xτ es independiente de Xs para s < τ , entonces
el proceso {Xt }t∈T se dice que tiene incrementos independientes.
Definición 1.1.8. Sea {Xt }t∈T un proceso estocástico real definido sobre un espacio de pro-
babilidad (Ω, F , P ) con valores en el espacio medible (Rn , B(Rn )). Se dice que {Xt }t∈T tiene
incrementos estacionarios si Xt2 +τ − Xt1 +τ tiene la misma distribución de probabilidad
de Xt2 −Xt1 para todas las elecciones de t1 , t2 y τ > 0 [Blanco-Castañeda et al., 2012, p.342].
Definición 1.1.9. Sea {Xt }t∈T un proceso estocástico definido sobre un espacio de probabili-
dad (Ω, F , P ) y sea {t1 , t2 , . . . , tn } ⊂ T donde t1 < t2 < . . . < tn , las distribuciones conjuntas
de los vectores de variables aleatorias (Xt1 , Xt2 , . . . , Xtn , ) y (Xt1 +h , Xt2 +h , . . . , Xtn +h ) son las
mismas para todo h > 0, entonces, al proceso estocástico {Xt }t∈T se le llama proceso es-
tocástico estacionario de orden n [Blanco-Castañeda et al., 2012, p.342].
Nota 1.1.1. Se dice que el proceso estocástico {Xt }t∈T es un proceso estocástico estacio-
nario fuerte o un proceso estrictamente estacionario si la definición anterior se satisface
para todo n.
Ejemplo 1.1.3. (Proceso de Poisson). Un proceso de Poisson de parámetro λ > 0 es un

proceso de parámetro continuo {Xt }t≥0 con espacio de estados T = {0, 1, . . .}, con trayecto-
rias no decrecientes y que cumple las siguientes propiedades:
i) X0 = 0.
ii) Tiene incrementos independientes.
iii) Xt+s − Xs ∼ P oisson(λt), para todo s ≥ 0 y t > 0.
A continuación se muestra las trayectorias del proceso de Poisson simulado en el programa
estadı́stico R.
10 1 Preliminares
Figura 1-2.: Simulaciones de las trayectorias del Proceso de Poisson con parámetro λ = 0,5.
Las variables aleatorias y los vectores aleatorios se pueden representar por medio de la media,
la varianza y la covarianza; los procesos estocásticos se pueden caracterizar con la ayuda de
sus momentos, de allı́ la importancia de las siguientes definiciones.
Definición 1.1.10. Sea {Xt }t∈T un proceso estocástico definido sobre un espacio de proba-
bilidad (Ω, F , P ). La media del proceso estocástico en el tiempo t está definida por,
mX (t) = E [Xt ] para todo, t ∈ T. (1-4)
Además, la función de autocorrelación y la función de autocovarianza del proceso

en el punto (t1 , t2 ) están definidas, respectivamente, por
RX (t1 , t2 ) = E [Xt1 Xt2 ] , (1-5)
y
CX (t1 , t2 ) = RX (t1 , t2 ) − mX (t1 )mX (t2 ). (1-6)
Finalmente, el coeficiente de correlación del proceso estocástico {Xt }t∈T en el punto
(t1 , t2 ) es,
CX (t1 , t2 )
ρX (t1 , t2 ) = p . (1-7)
CX (t1 , t1 ) CX (t2 , t2 )
[Lefebvre, 2007, p.49].
A partir de la anterior definición, es importante tener en cuenta las siguientes anotaciones.

Nota 1.1.2. Para dos variables aleatorias X y Y , la cantidad E [XY ] se llama la correla-
ción del vector (X, Y ). En la definición (1.1.10) se utiliza el prefijo “auto”debido a que la
función es calculada para dos valores de un mismo proceso estocástico {Xt }t∈T .
Nota 1.1.3. Sean {Xt }t∈T y {Yt }t∈T ∗ dos procesos estocásticos definidos sobre un mismo
espacio de probabilidad (Ω, F , P ), a la expresión:
RX,Y (t1 , t2 ) = E [Xt1 Yt2 ] , (1-8)
se le conoce como función de correlación cruzada.
Nota 1.1.4. Sea {Xt }t∈T un proceso estocástico definido sobre un espacio de probabilidad
(Ω, F , P ), la función,
RX (t, t) = E Xt2 , para todo t ∈ T,

(1-9)
es conocida como potencia promedio del proceso estocástico.
Ejemplo 1.1.4. Sea A una variable aleatoria con media y varianza µA y σA2 , respectiva-
mente. Sea θ una variable aleatoria tal que θ ∼ U [−π, π], A y θ son variables aleatorias
independientes, sean ω ∈ R y {Xt }t∈T el proceso estocástico, definido como sigue:
Xt(ω) = A sen(ωt + θ).
Se encontrará la función de media del proceso estocástico por medio de la ecuación (1-4)
como sigue:
mX (t) = E [A sen (ωt + θ)]
= E [A] E [sen (ωt + θ)]
Z π
1
= µA sen (ωt + θ) dθ
−π 2π
−µA
= [cos (ωt + θ)]π−π
2π
−µA
= [cos (ωt + π) − cos (ωt − π)]
2π
µA :0
= sen (ωt)
sen
(π)

π
= 0.
Ahora, utilizando la ecuación (1-5) se calculará la función de correlación como sigue:
RX (t1 , t2 ) = E [Xt1 Xt2 ]
= E A2 sen (ωt1 + θ) sen (ωt2 + θ)

= E A2 E [sen (ωt1 + θ) sen (ωt2 + θ)]

12 1 Preliminares
1
Aplicando la identidad trigonométrica, sen θ sen β = 2
[cos (θ − β) − cos (θ + β)], se obtiene
lo siguiente
1
RX (t1 , t2 ) = E A2 E [cos (ω [t1 − t2 ]) − cos (ω [t1 + t2 ] + 2θ)]
2
2 1 1
=E A E [cos (ω [t1 − t2 ])] − E [cos (ω [t1 + t2 ] + 2θ)]
2 2| {z }
0
1
= E A2 E [cos (ω [t1 − t2 ])]
2
1 2
= E A E [cos (ωτ )] con τ = t1 − t2 .
2
Obtenidos los resultados anteriores, se procede a calcular la función de covarianza, por medio
de la ecuación (1-6) como sigue:
CX (t1 , t2 ) = RX (t1 , t2 ) − mX (t1 )mX (t2 )

1
= E A2 E [cos (ωτ )] con τ = t1 − t2 .
2
Para este caso, la función de covarianza coincide con la función de correlación.
Definición 1.1.11. Sea {Xt }t∈T un proceso estocástico definido sobre un espacio de proba-
bilidad (Ω, F , P ). La varianza del proceso estocástico en el tiempo t está denotada por,
V [Xt ] = CX (t, t) . (1-10)
[Lefebvre, 2007, p.50].
Nótese que a partir de la ecuación (1-7) de la definición (1.1.11) y del hecho que V[Xt ] ≥ 0,
se obtiene lo siguiente,
CX (t, t)
ρX (t, t) = p
CX (t, t) CX (t, t)
CX (t, t)
=
CX (t, t)
= 1.
Definición 1.1.12. Sea {Xt }t∈T un proceso estocástico definido sobre un espacio de pro-
babilidad (Ω, F , P ), se le llama proceso de segundo orden si E [(Xt )2 ] < ∞ para todo
t ∈ T [Blanco-Castañeda et al., 2012, p.342].
1.2 Martingalas 13
Definición 1.1.13. Sea {Xt }t∈T un proceso estocástico de segundo orden definido sobre un
espacio de probabilidad (Ω, F , P ), se le llama proceso débilmente estacionario si su
función de media m(t) = E [Xt ] es independiente de t y su función de covarianza CX (s, t)
depende únicamente de la diferencia |t − s| para todo s, t ∈ T. Esto es,
CX (s, t) = f (|t − s|) . (1-11)
Un proceso de Markov, llamado ası́ en honor al matemático ruso Andréi Markov (1856 −
1922), es un proceso aleatorio con la propiedad especı́fica de que dado el valor presente del
proceso {Xt }t≥0 , los valores futuros de {Xs }s≥0 para s > t, son independientes de los valores
pasados {Xu }u≥0 donde u < t. Es decir, que para conocer el estado futuro de un determinado
evento, basta con conocer únicamente el estado inmediatamente anterior. Se definen este tipo
de procesos debido a que en el modelo expuesto en el siguiente capı́tulo, se supone que éste
tiene dicha propiedad. A continuación se dará la definición formal.
Definición 1.1.14. Sea {Xt }t≥0 un proceso estocástico definido sobre un espacio de proba-
bilidad (Ω, F , P ), y con espacio de estados (R, B(R)). Se dice que {Xt }t≥0 es un proceso
de Markov si para cualquier 0 ≤ t1 < t2 < · · · < tn y para cualquier B ∈ B(R):

P Xtn ∈ B|Xt1 , · · · , Xtn−1 = P Xtn ∈ B|Xtn−1 . (1-12)
Nota 1.1.5. Cualquier proceso estocástico que tenga incrementos independientes, es un pro-
ceso de Markov.
Nota 1.1.6. Un proceso de Markov con espacio de estados discreto es conocido como una
cadena de Markov. Además, de acuerdo a los valores del conjunto T , la cadena de Markov
se clasifica como cadena de Markov en tiempo-discreto o como cadena de Markov
en tiempo-continuo.
1.2. Martingalas
La estrategia de la martingala se introdujo por primera vez en el siglo XVIII en Francia, en
apuestas y juegos de azar. Paul Lévy (1886 − 1971) agregó la definición formal de martingala
a la teorı́a de la probabilidad y el gran avance de la teorı́a se dió con el libro de Procesos
Estocásticos de Joseph Dobb (1910 − 2004). Sı́ se estaba apostando, el famoso método de
14 1 Preliminares
la martingala, consistı́a en duplicar la apuesta cada vez que se perdı́a y una vez el jugador
ganaba, se retiraba del juego. Sin embargo, al incurrir en sucesivas pérdidas, el jugador que
adopte la estrategia de la martingala, se ve obligado a apostar de nuevo cantidades cada
vez mayores y en promedio habrá gastado una gran cantidad de dinero cuando finalmente
gane. En esta sección, se presentan las principales definiciones y propiedades asociadas a
martingalas debido a que, son necesarias para definir las ecuaciones diferenciales estocásticas
utilizadas en el modelo que se presenta en el siguiente capı́tulo.
Definición 1.2.1. Sean Ω 6= ∅ y U una colección de subconjuntos de Ω.

Sea O = {= : = es una σ − álgebra sobre Ω que contiene a U}. Entonces, se tiene que,
σ(U) := ∩=∈O =, es la menor σ-álgebra sobre Ω que contiene a U. Esta σ-álgebra de llama
σ-álgebra generada por U [Blanco-Castañeda et al., 2012].
Definición 1.2.2. Sea (Ω, =, P ) un espacio de probabilidad. Una filtración es una colección
de sub-σ-álgebras (=n )n≥0 de = tal que =m ⊆ =n para todo m ≤ n. Se dice que la sucesión
{Xn }n≥0 es adaptada a la filtración (=n )n≥0 si para cada n, la variable aleatoria Xn es =n -
medible, esto es, {ω ∈ Ω : Xn (ω) ≤ a} ∈ =n para todo a ∈ R. [Blanco-Castañeda et al., 2012,
p.462].
Nota 1.2.1. Es importante notar que, para el caso discreto, la filtración natural o canónica
de un proceso estocástico {Xn }n≥1 es aquella sucesión de σ-álgebras definidas por:
=n = σ (X1 , X2 , · · · , Xn ) , n ≥ 1.
En el caso continuo, se define la filtración como una colección no numerable de sub σ−álge-
bras {=t }t≥0 tal que =s ⊆ =t , cuando 0 ≤ s ≤ t. Para un proceso a tiempo continuo
{Xt }t≥0 , la filtración natural, es la colección de σ-álgebras {=t }t≥0 caracterizadas por =t =
σ {Xs : 0 ≤ s ≤ t} , esto significa que, =t es la mı́nima σ-álgebra que hace que cada una de
las variables Xs , sean medibles, para valores de s en el intervalo [0, t] [Rincón, 2012, p.200].
Definición 1.2.3. Sea {Xn }n≥0 una sucesión de variables aleatorias definidas sobre un es-
pacio de probabilidad (Ω, =, P ) y sea {=n }n≥0 una filtración en =. Supóngase que {Xn }n≥0
es adaptado a la filtración {=n }n≥0 y E (Xn ) existe para todo n, entonces se dice que:
i) {Xn }n≥0 es una {=n }n≥0 - martingala, si y sólo si, E (Xn |=m ) = Xm casi siempre para
todo m ≤ n.
ii) {Xn }n≥0 es una {=n }n≥0 - submartingala, si y sólo si, E (Xn |=m ) ≥ Xm casi siempre
para todo m ≤ n.
1.2 Martingalas 15
iii) {Xn }n≥0 es una {=n }n≥0 - supermartingala, si y sólo si, E (Xn |=m ) ≤ Xm casi siempre
para todo m ≤ n.
[Blanco-Castañeda et al., 2012, p. 462].
Ejemplo 1.2.1. Si {Xn }n≥0 es una {=n }n≥0 - martingala, es suficiente ver que,
E (Xn+k |=n ) = Xn para todo k ≥ 0.
Demostración. La demostración se hará utilizando inducción sobre k.

Sea k = 0, luego
E (Xn+k |=n ) = E (Xn |=n ) = Xn ,
puesto que por definición {Xn }n≥0 es una martingala. Supóngase ahora que el resultado se
cumple para k, veámos que se cumple para k + 1, teniendo en cuenta que {Xn }n≥0 es una
martingala, y además aplicando las propiedades de la esperanza condicional, se tiene que,
E (Xn+k+1 |=n ) = E (E (Xn+k+1 |=n+k | =n )) = E (Xn |=n ) = Xn .
Ejemplo 1.2.2. Sea X1 , X2 , . . . , una sucesión de variables aleatorias independientes que

satisfacen que E (Xn ) = 0 para todo n = 1, 2, . . . , además, E eXnP < ∞ para todo n. Sea
n
{Yn }n≥0 una sucesión de variables aleatorias definida como Yn := e i=1 Xi , entonces {Yn }n≥0
es una submartingala respecto a la filtración natural, =n = σ (X1 , . . . , Xn ) para todo n ≥ 1.
Demostración. De acuerdo a la definición de submartingala, primero se debe ver que {Yn }n≥0
es adaptada a la filtración =n , luego, esta condición se satisface debido a que la función
f (x) = ex es continua, además Xn es medible para =n .
Nótese que E (|Yn |) < ∞ puesto que,
Pn Pn Yn
i=1 Xi Xi
E eXi < ∞.

E (|Yn |) = E e =E e i=1 =
i=1
Por último, debido a que la función exponencial es convexa y al uso de la desigualdad de

16 1 Preliminares
Jensen [Kreyszig, 1978], se tiene que,

Pn+1
E (Yn+1 |=n ) = E e i=1 Xi |=n
Pn
= E e i=1 Xi eXn+1 |=n
= E Yn eXn+1 |=n

= Yn E eXn+1 |=n

≥ Yn eE(Xn+1 |=n )
≥ Yn e 0 , puesto que, E (Xn+1 ) = 0,
≥ Yn .
Ası́, {Yn }n≥0 es una submartingala respecto a la filtración natural, =n .
A continuación, se darán algunas definiciones para complementar la nota (1.2.1) que se satis-
facen para martingalas en tiempo continuo. Muchas de las propiedades vistas anteriormente
se satisfacen también para las martingalas en tiempo continuo.
lidad (Ω, =, P ), se dice que el proceso es adaptado a la filtración {=t }t∈T si Xt es =t -medible
para cada t ∈ T [Blanco-Castañeda et al., 2012, p. 471].
Definición 1.2.5. Sea ∅ =6 T ⊆ R. Sea {Xt }t∈T un proceso estocástico definido sobre un
espacio de probabilidad (Ω, =, P ), el proceso es llamado una martingala con respeto a la
filtración {=t }t∈T si:
i) {Xt }t∈T es adaptado a la filtración {=t }t∈T .
ii) E (|Xt |) < ∞ para todo t ∈ T.
iii) E (Xt |=s ) = Xs casi siempre para todo s ≤ t.
[Blanco-Castañeda et al., 2012, p. 471]
Además, en virtud de la definición (1.2.3), si se reemplaza la condición iii) de la definición

anterior por, E (Xt |=s ) ≥ Xs casi siempre para todo s ≤ t, entonces al proceso de le llama
submartingala. Igualmente, si se reemplaza la condición iii) por, E (Xt |=s ) ≤ Xs casi
siempre para todo s ≤ t, entonces al proceso de le llama supermartingala.
1.3 Movimiento Browniano 17
1.3. Movimiento Browniano

El movimiento browniano tuvo registro por primera vez en el año 1827, con los estudios
realizados por el botánico escocés Robert Brown, quien a través de un experimento descu-
brió que granos de polen suspendidos en cierto fluido y vistos a través de un microscopio,
realizaban movimientos aleatorios; el movimiento browniano fue descrito matemáticamente
por Norbert Wiener (1894 − 1964), además, muchos años después, Albert Einstein explicó
con todo detalle cómo el movimiento que Brown habı́a observado, era el resultado de las mi-
cropartı́culas siendo movidas por moléculas de agua individuales [Einstein, 1956]. El profesor
estadounidense Bernand H. Lavenda (1985) cita lo siguiente: “La observación del recorrido
aleatorio de una partı́cula suspendida en un fluido condujo a la primera medición precisa de
la masa del átomo. El movimiento browniano sirve de modelo matemático para los distintos
procesos aleatorios.”
En esta sección se presenta una introducción al movimiento browniano con sus principales
propiedades debido a que éstas son importantes para la definición del modelo que se propone
en el capı́tulo 2 y para la estimación de los parámetros del mismo.
Definición 1.3.1. Un proceso estocástico B = {Bt }t≥0 definido sobre un espacio de proba-
bilidad (Ω, F , P ), es un movimiento browniano si se cumple lo siguiente:
1. B0 = 0 casi siempre.
2. B = {Bt }t≥0 tiene incrementos independientes y estacionarios.
3. Para s < t,
Bt − Bs ∼ N (0, t − s),
esto significa que cada incremento {Bt − Bs } está normalmente distribuido con media
0 y varianza igual a la longitud del incremento que separa a s y t.
4. Con probabilidad 1, las trayectorias del proceso son continuas.
La demostración de la existencia del movimiento browniano ser consultada en [Resnick, 2013].
Proposición 1.3.1. Sea B = {Bt }t≥0 un movimiento browniano sobre un espacio de proba-
bilidad (Ω, F , P ) entonces satisface lo siguiente:
1. E (Bt ) = 0 para todo t ≥ 0.
2. E (Bt2 ) = t para todo t ≥ 0.

18 1 Preliminares
3. La función de covarianza de B = {Bt }t≥0 , está dada por:
C (s, t) = Cov (Bs , Bt ) = mı́n(s, t).
Ejemplo 1.3.1. El movimiento browniano es una martingala continua respecto a la filtración

natural =t = σ (Xs , s ≤ t).
Demostración. Sea {Bt }t≥0 un movimiento browniano, éste es adaptado a la filtración natu-
ral =t y además cada variable aleatoria del proceso es integrable. Ahora bien, sea s < t, se
tiene,
E (Bt |=s ) = E (Bt − Bs + Bs |=s )

= E (Bt − Bs |=s ) + E (Bs |=s )
= E (Bt − Bs ) + Bs
= Bs .
Las anteriores expresiones se derivan del hecho de ser {Bt } un movimiento browniano.
Las trayectorias del movimiento browniano, por definición, son continuas, este hecho es
importante para las suposiciones realizadas en el presente trabajo, las cuales se verán en el
siguiente capı́tulo; la gráfica (1-3) representa la trayectoria de una muestra aleatoria de un
movimiento browniano {Bt }t≥0 con longitud de intervalo y número de pasos iguales a T = 1
y N = 212 .
1.3 Movimiento Browniano 19
Figura 1-3.: Simulación de las trayectorias de un movimiento browniano a través de una

variable aleatoria normal estándar, usando números aleatorios generados en el
intervalo (0, 1).
Es importante resaltar que las trayectorias del movimiento browniano no son diferenciables,
sin embargo, el movimiento browniano tiene una propiedad muy interesante la cual se definirá
a continuación y se utilizará en la estimación de los parámetros del modelo de estudio que
se presenta en el siguiente capı́tulo.
Definición 1.3.2. Sea X = {Xt }t≥0 un proceso estocástico con espacio de estados continuo,
definido sobre un espacio de probabilidad (Ω, F , P ), y sea p > 0, un número real, se define
la p−ésima variación del proceso Xt , como sigue,
Xt (ω) − Xt (ω)p ,
X
[X, X]pt := lı́m

k+1 k
∆tk →0
tk ≤t
donde, 0 = t1 < t2 < . . . < tn = t y ∆tk = tk+1 − tk . Si p = 1, la variación se conoce

como variación total del proceso, si p = 2, se denomina variación cuadrática del
proceso.
Teorema 1.3.2. La variación cuadrática de la caminata aleatoria de un movimiento brow-
niano definido sobre un espacio de probabilidad (Ω, F , P ) en el intervalo [0, T ] converge en
media cuadrática a T.
Demostración. Sea Π = {t0 , t1 , . . . , tn } una partición del intervalo [0, T ], definida como sigue,
Π : 0 = t1 < t2 < . . . < tn = T , además se define la norma de dicha partición como,
||Π|| = máx |tj+1 − tj | ,
0≤j≤n−1
20 1 Preliminares
además, en virtud de la definición anterior, la variación cuadrática respecto a la partición

está dada por:
n−1
Bt − Bt 2 ,
X
QΠ = j+1 j
j=0
se demostrará que QΠ converge a T cuando ||Π|| → 0, en efecto,

n−1
!
X 2
E (QΠ ) = E Btj+1 − Btj
j=0
n−1
X 2
= E Btj+1 − Btj
j=0
n−1
X
= (tj+1 − tj ) = T,
j=1
puesto que, 2
E Btj+1 − Btj = V Btj+1 − Btj = (tj+1 − tj ) . (1-13)
También,
n−1
X 2
V (QΠ ) = V Btj+1 − Btj ,
j=0
utilizando de nuevo, (1-13) se tiene que,

n−1
X 4
= E Btj+1 − Btj
j=0
n−1
X
(tj+1 − tj )2 , puesto que E Bt4 = 3t2 ,

= 3
j=0
n−1
X
= 3 (tj+1 − tj ) (tj+1 − tj )
j=0
n−1
X
≤ 3 ||Π|| (tj+1 − tj )
j=0
≤ 3 ||Π|| T
La desigualdad surge por el hecho de particionar un intervalo finito. Donde 3T ||Π|| → 0
cuando ||Π|| → 0, entonces se concluye que,
lı́m E (QΠ − T )2 = 0

Π→0
1.4 Cálculo estocástico 21
. Luego se ha probado que QΠ converge a T en media cuadrática.
Definición 1.3.3. Sea d un entero positivo y sea µ una medida de probabilidad definida
sobre (Rd , B(Rd )). Sea B = {Bt }t≥0 un proceso estocástico con espacio de estados continuo,
adaptado a la filtración {=t }t≥0 , con valores en Rd (es decir, una familia d − dimensional de
vectores aleatorios Bt indexados por un conjunto no negativo de números reales t), definido
sobre un espacio de probabilidad (Ω, F , P ). Este proceso estocástico se llama movimiento
browniano d-dimensional con distribución inicial µ, si satisface,
1. P (B0 ∈ Γ) = µ(Γ), para todo Γ ∈ B(Rd ).
2. B = {Bt }t≥0 tiene incrementos independientes y estacionarios
3. Para 0 ≤ s < t, los incrementos Bt − Bs está normalmente distribuido con vector de

media cero y matriz de covarianzas igual a (t − s)Id , donde Id es la matriz identidad
de tamaño (d × d).
[Karatzas and Shreve, 1998, p. 72].
1.4. Cálculo estocástico

En la presente sección se expone una breve introducción al cálculo estocástico, con el fin
de enunciar ecuaciones diferenciales estocásticas debido a que, el modelo que se presentará
en el capı́tulo 2, se construye a partir de este tipo de ecuaciones. Las definiciones y teore-
mas enunciados, provienen principalmente de textos como [Blanco-Castañeda et al., 2012],
[Oksendal, 2013], [Karatzas and Shreve, 1998], entre otros. Algunos de los resultados obte-
nidos se dejarán con su respectiva cita para consultar su demostración.
Debido a que los procesos estocásticos que son impulsados por un movimiento Browniano
no son diferenciables, no es posible utilizar el cálculo clásico, ası́ pues, se definirá la integral
de Itô de un proceso estocástico {Xt }t≥0 respecto al movimiento Browniano, es decir, una
integral de la forma, Z t
It := I (Xt ) = Xs dBs .
0
La siguiente definición muestra la familia de procesos estocásticos para los cuales la integral
de Itô puede ser definida.
Definición 1.4.1. Sea L2 el conjunto de todos los procesos estocásticos {Xt }t≥0 tales que,
22 1 Preliminares
i) El proceso X = {Xt }t≥0 definido sobre un espacio de probabilidad (Ω, F , P ), es progre-

sivamente medible con respecto a la filtración = = {=t }t≥0 . Esto quiere decir que, para
cada t, la función, (s, ω) → Xs (ω), definida para todo conjunto [0, T ] × Ω, es medible.
Z T
2
ii) E Xt dt < ∞ para todo T > 0.
0
[Blanco-Castañeda et al., 2012, p. 482].
Nota 1.4.1. Sea (Ω, F , P ) un espacio de probabilidad, L2 (P ) es el espacio vectorial de

variables aleatorias X reales que son cuadrado integrables, es decir que cumplen la condición,
1/2
||X||L2 = E X 2 < ∞.
La función X 7→ ||X||L2 define una norma 1 en L2 (P ), y este espacio es completo respecto a

su norma, es decir, es un espacio de Banach. Esto quiere decir que toda sucesión de Cauchy
con respecto a la métrica definida sobre el espacio vectorial, tiene lı́mite en él. L2 (P ) es un
espacio de Hilbert. Para un estudio más detallado ver [Kreyszig, 1978].
A continuación se define la integral de Itô para cualquier proceso estocástico {Xt }t≥0 ∈ L2 .
1.4.1. Integral de Itô

Definición 1.4.2. Sea {Xt }t≥0 un proceso estocástico en L2 (P ) y sea T > 0 fijo. Se define
la integral estocástica o integral de Itô del proceso estocástico {Xt }t≥0 con respecto al
movimiento browniano Bt sobre el intervalo [0, T ] como,
Z T n
X
Xt (ω)dBt (ω) = lı́m Xtj−1 (ω) Btj (ω) − Btj−1 (ω) , (1-14)
0 n→∞
j=1
se define una partición τn del intervalo [0, T ] tal que,
τn : 0 = t0 < t1 < . . . < tn = T,
con,
||τn || = máx (ti − ti−1 ) ,
1≤i≤n
||τn || tiende a cero cuando n → ∞. [Blanco-Castañeda et al., 2012, p. 483].

1
Una norma representa una función real denotada como || · || la cual está definida sobre un espacio lineal
que satisface tres condiciones: i) ||x|| ≥ 0, ||x|| = 0 ⇔ x = 0, ii) ||x+y|| ≤ ||x||+||y|| y iii) ||αx|| = |α|||x||.
Ejemplo 1.4.1. Sea Bt un movimiento browniano, considérese la integral estocástica

Z T
IT (B) = Bt (ω)dBt (ω)
0
Sea 0 = t0 < t1 < . . . < tn = T una partición del intervalo [0, T ]. Aplicando la ecuación
(1-14), se tiene,
Z T n
X
Bt (ω)dBt (ω) = lı́m Btj−1 (ω) Btj (ω) − Btj−1 (ω) , (1-15)
0 n→∞
j=1
Si se utiliza la siguiente identidad,

1 1
a(b − a) = (b2 − a2 ) − (b − a)2 ,
2 2
se obtiene que,
Z T n
X 1 1 2
Bt (ω)dBt (ω) = lı́m Bt2i − Bt2i−1 − Bti − Bti−1
0 n→∞
j=1
2 2
n n
1 X
2 2
1 X 2
= lı́m Bti − Bti−1 − lı́m Bti − Bti−1
2 n→∞ i=1 2 n→∞ i=1
1 2 1
= B − T.
2 T 2
Se obtiene la última igualdad puesto que, la primera expresión, es una suma telescópica y la
segunda expresión, corresponde a la variación cuadrática del movimiento browniano.
En el libro de Bernt Oksendal [Oksendal, 2013], se hace una construcción detallada de la

integral de Itô, a continuación se definirá de manera más general, la clase funciones para las
cuales la integral de Itô, tiene sentido,
Definición 1.4.3. Sea {=t }t≥0 la filtración browniana definida sobre un espacio de probabi-
lidad (Ω, =, P ) y sea V = V(S, T ) la clase de las funciones definidas por:
f (t, w) : [0, ∞) × Ω −→ R , (1-16)

tales que, satisfacen lo siguiente
i) (t, ω) −→ f (t, ω) es B ([0, ∞)) × =−medible, con t ≥ 0 para todo ω ∈ Ω, donde

B ([0, +∞)) denota la huella de la σ−álgebra de Borel sobre [0, ∞).
24 1 Preliminares
ii) f (t, ω) es =t − adaptado.

Z T
2
iii) E f (t, ω) dt < ∞ para todo ω ∈ Ω.
S
[Oksendal, 2013, p.25].
Definición 1.4.4. Sean B = {Bt }t≥0 un movimiento browniano estándar y {=t }t≥0 la fil-
tración browniana definidos sobre un espacio de probabilidad (Ω, =, P ), sea φ ∈ V y sea
τn : 0 = t0 < t1 < . . . < tn una partición finita del intervalo [0, T ]. Se dice que φ es una
función elemental, si tiene la forma,
n
X
φ (t, ω) = ej (ω) X[tj ,tj+1 ) (t) , (1-17)
j=0
donde ej son funciones (t, ω) −→ ej (t, ω) tales que, ej para todo j = 0, 1, 2, . . . , es =tj −medible
[Oksendal, 2013, p.26].
tración browniana definidos sobre un espacio de probabilidad (Ω, =, P ) y sea φ una función
elemental, dada por (1-17). La integral de Itô de la función elemental φ ∈ V, dada
por (1-17) en el intervalo [S, T ] con 0 < S < T , se define como,
Z T X
φ(t, ω)dBt (ω) = ej (ω) Btj+1 − Btj (ω), para todo ω ∈ Ω,
S j≥0
[Oksendal, 2013, p.26].
Lema 1.4.1. (Isometrı́a de Itô). Sean B = {Bt }t≥0 un movimiento browniano estándar
y {=t }t≥0 la filtración browniana definidos sobre un espacio de probabilidad (Ω, =, P ). Sea
φ ∈ V, una función elemental y acotada, entonces,
"Z
T 2 # Z T
E φ(t, ω)dBt (ω) =E φ(t, ω)2 dt .
S S
Demostración. Reescribiendo la parte izquierda de la ecuación, se tiene que,

" Z
T 2 # Z T Z T
E φ(t, ω)dBt (ω) =E φ(t, ω)dBt (ω) · φ(t, ω)dBt (ω) ,
S S S
puesto que φ es una función elemental y escribiendo ∆Bj = Btj+1 − Btj , la parte derecha de
la igualdad anterior, se expresa como,
Z T Z T !
XX
E φ(t, ω)dBt (ω) · φ(t, ω)dBt (ω) = E ei ej (ω)∆Bi ∆Bj (ω)
S S i≥0 j≥0
XX
= E (ei ej (ω)∆Bi ∆Bj (ω)) .
i≥0 j≥0
Definiendo,
0 si i 6= j,
E [ei ej ∆Bi ∆Bj ] =
E[e2j ] (tj+1 − tj ) si i = j.
Aplicando las propiedades del movimiento browniano, ei ej ∆Bi y ∆Bj son independientes si
i < j. Ası́ que,
Z T Z T X
E φ(t, ω)dBt (ω) · φ(t, ω)dBt (ω) = E[e2j ] (tj+1 − tj )
S S j≥0
Z T
2
= E φ(t, ω) dt .
S
[Oksendal, 2013]
Ahora,utilizando el resultado del lema (1.4.1) se extenderá la definición de funciones elemen-

tales a cualquier función en V.
tración browniana definidos sobre un espacio de probabilidad (Ω, =, P ) y sea f ∈ V (S, T ).
Entonces la integral de Itô de la función f en el intervalo [S, T ] con 0 < S < T se
define para cada ω ∈ Ω como,
Z T Z T
f (t, ω) dBt = lı́m φn (t, ω)dBt (ω),
S n→∞ S
El lı́mite está definido sobre el espacio de Hilbert L2 (P ), además, {φn }n∈N es una sucesión
de funciones elementales tales que,
Z T
2
E (f (t, ω) − φn (t, ω)) dt → 0 cuando n → ∞.
S
[Oksendal, 2013, p.29].

26 1 Preliminares
A partir del lema (1.4.1) es posible citar el siguiente corolario,
Corolario 1. (Isometrı́a de Itô). Sean B = {Bt }t≥0 un movimiento browniano estándar

y {=t }t≥0 la filtración browniana definidos sobre un espacio de probabilidad (Ω, =, P ). Sea
f ∈ V, entonces,
"Z
T 2 # Z T
E f (t, ω)dBt (ω) =E f 2 (t, ω)dt .
S S
El siguiente teorema enuncia algunas propiedades que se utilizarán en las estimaciones del
modelo propuesto en el capı́tulo 4.
Teorema 1.4.1. Sean f, g ∈ V(0, T ) y sea 0 ≤ S < U < T. Entonces,

Z T Z U Z T
i) f (t, ω)dBt = f (t, ω)dBt (ω) + f (t, ω)dBt (ω) para todo ω ∈ Ω.
S S U
Z T Z T Z T
ii) (cf + g) dBt (ω) = c f (t, ω)dBt (ω) + g(t, ω)dBt (ω) con c una constante y
S S S
para todo ω ∈ Ω.
Z T
iii) E f (t, ω)dBt = 0.
S
Z T
iv) f (t, ω)dBt es =T −medible
S
Demostración. La demostración de este teorema utiliza las propiedades de las funciones

elementales, tomando lı́mites sobre las funciones f, g ∈ V(0, T ), los detalles pueden ser
consultados en [Karatzas and Shreve, 1998].
1.4.2. Procesos de Itô

Cuando se evalúan integrales de Riemann ordinarias, no siempre es útil resolverlas por medio
de la definición básica de éstas, se utiliza entonces, el Teorema Fundamental del Cálculo o
propiedades como la regla de la cadena, las cuales consiguen una forma de resolución más
práctica, un caso similar ocurre a la hora de resolver integrales estocásticas por medio de
la definición básica de integral de Itô, debido a que ésta puede llegar en ocasiones a no
ser de mucha utilidad, sin embargo, aunque en este contexto no existe una teorı́a de di-
ferenciación, si existe la teorı́a de integración, por dicha razón, en la presente sección se
pretende enunciar la versión integral de Itô de la regla de la cadena, llamada la fórmula
de Itô. Los resultados se pueden consultar con gran detalle en los libros [Oksendal, 2013] y
[Karatzas and Shreve, 1998].
A continuación se define la clase de funciones sobre las cuales el proceso de Itô, tiene sentido.
Definición 1.4.7. Sea {Bt }t≥0 , un movimiento browniano definido sobre (Ω, =, P ) un es-
pacio de probabilidad, sea una familia creciente de σ−álgebras notada como H = {Ht }t≥0
definida sobre el mismo espacio de probabilidad, tales que {Bt }t≥0 , es una martingala con
respecto a Ht , además WH (S, T ) denota la clase de funciones definidas como,
f: [0, +∞) × Ω −→ R
, (1-18)
(t, ω) −→ f (t, ω)
que satisfacen:
i) (t, ω) −→ f (t, ω) es B ([0, ∞)) × =−medible, con t ≥ 0 para todo ω ∈ Ω, donde
B ([0, +∞)) denota la huella de la σ−álgebra de Borel sobre [0, ∞).
ii) f (t, ω) es Ht −adaptado.

Z T
2
iii) P f (s, ω)ds < ∞ = 1.
S
[Oksendal, 2013, p.35].

T
Nota 1.4.2. El conjunto WH se define como WH := T >0 WH (S, T ) con 0 < S < T.
Definición 1.4.8. Sea {Bt }t≥0 un movimiento browniano estándar definido sobre un espacio
de probabilidad (Ω, =, P ), sea H = {Ht }t≥0 la filtración de = tal que {B (t)}t≥0 es una
Ht −martingala. Un proceso de Itô (o una integral estocástica) es un proceso estocástico
{X (t)}t≥0 sobre (Ω, =, P ) de la forma,
Z t Z t
Xt = X0 + u(s, ω)ds + v(s, ω)dBs , (1-19)
0 0
donde v ∈ WH ,
Z t
2
P v (s, ω)ds < ∞, para todo t ≥ 0 = 1.
0
También, se asume que u es Ht −adaptado y
Z t
P |u(s, ω)| ds < ∞, para todo t ≥ 0 = 1.
0
[Oksendal, 2013, p. 44].

28 1 Preliminares
Nota 1.4.3. Si {Xt }t≥0 es un proceso de Itô de la forma de la ecuación (1-19) entonces
dicha notación se puede expresar de forma diferencial como,
dXt = udt + vdBt .
Teorema 1.4.2. (Fórmula unidimensional de Itô). Sea {Xt }t≥0 un proceso de Itô dado
por,
dXt = udt + vdBt .
Sea g(t, x) ∈ C 2 ([0, ∞) × R), es decir que g es continua y doblemente diferenciable sobre
[0, ∞) × R, entonces el proceso estocástico dado por
Yt = g (t, Xt ) ,
existe y es de nuevo un proceso de Itô, además, está dado por,
∂g ∂g 1 ∂ 2g
dYt = (t, Xt )dt + (t, Xt )dXt + (t, Xt ) · (dXt )2 ,
∂t ∂x 2 ∂x2
donde (dXt )2 = (dXt ) · (dXt ), se cálcula de acuerdo a la regla multiplicativa de McKean,
dt · dt = dt · dBt = dBt · dt = 0 y dBt · dBt = dt.
Demostración. Ver en [Karatzas and Shreve, 1998].
A continuación se enuncia la versión multidimensional de la fórmula de Itô, para ello, con-

sidérese lo siguiente,
Definición 1.4.9. Considerando el caso multidimensional, sea {X(t)}t≥0 un proceso es-

tocástico con X(t, ω) = (X1 (t, ω), . . . , Xn (t, ω))T ∈ Rn para todo t > 0, sea {B(t)}t≥0 un
movimiento browniano m-dimensional, definido sobre un espacio (Ω, =, P ) y H = {Ht }t≥0 la
filtración de = tal que {B (t)}t≥0 es una Ht −martingala. Sean los procesos ui (t, ω) y vij (t, ω)
que satisfacen las condiciones de la definición (1.4.8), para todo 1 ≤ i ≤ n y 1 ≤ j ≤ m. En-
tonces se define el proceso n-dimensional de Itô, con la notación diferencial de {X(t)}t≥0 ,
como sigue,

 dX1 (t, ω) = u1 (t, ω)dt + v11 (t, ω)dB1 (t, ω) + . . . + v1m (t, ω)dBm (t, ω)

.. .. (1-20)
 . .
dXn (t, ω) = un (t, ω)dt + vn1 (t, ω)dB1 (t, ω) + . . . + vnm (t, ω)dBm (t, ω)

o equivalentemente, expresado en notación matricial,
dX(t, ω) = u(t, ω) dt + v(t, ω) dB(t),

1.5 Ecuaciones diferenciales estocásticas 29
donde,
     
u1 (t, ω) v11 (t, ω) . . . v1m (t, ω) dB1 (t, ω)
u(t, ω) =  ...  , v(t, ω) =  .. ..
 y, dB(t) = 
..
     
. ... . . 
un (t, ω) vn1 (t, ω) . . . vnm (t, ω) dBm (t, ω)
Teorema 1.4.3. (La fórmula general de Itô). Sea {X(t)}t≥0 un proceso n-dimensional
de Itô y sean los procesos ui (t, ω) y vij (t, ω) que satisfacen las condiciones de la definición
(1.4.8), para todo 1 ≤ i ≤ n y 1 ≤ j ≤ m, tal que,
dX(t, ω) = u(t, ω) dt + v(t, ω) dB(t).
Sea g(t, x) = (g1 (t, x), . . . , gp (t, x)) una función definida sobre C 2 ([0, ∞) × Rn ) y con valores
en Rp . Entonces el proceso,
Y (t, ω) = g(t, X(t)),
es nuevamente un proceso de Itô, cuya componente Yk , está dada por,
∂gk X ∂gk 1 X ∂ 2 gk
dYk = (t, X(t))dt + (t, X(t))dXi (t) + (t, X(t))dXi (t)dXj (t), (1-21)
∂t ij
∂x i 2 ij
∂x i ∂x j
donde, la regla multiplicativa, está dada por: dBi dBj = δij dt, dBi dt = dtdBi = 0. [Oksendal, 2013,
p. 48].
1.5. Ecuaciones diferenciales estocásticas

El modelo propuesto para el desarrollo del presente trabajo, consta de un sistema de ecua-
ciones diferenciales estocásticas, razón por la cual, la presente sección pretende ilustrar
las principales definiciones y resultados en torno a dichas ecuaciones utilizando algunos
ejemplos de contextualización. Éstas definiciones corresponden a resultados de libros como
[Friedman, 2010] y [Rincón, 2012].
Definición 1.5.1. Sean {Bt }t≥0 un movimiento browniano unidimensional adaptado a la

filtración {=t }t≥0 , definido sobre un espacio de probabilidad (Ω, =, P ), y, b (t, x) , σ (t, x) dos
funciones a valor real definidas sobre [0, T ]×R. Una ecuación estocástica, es una ecuación
de la forma
dXt = b(t, Xt )dt + σ(t, Xt )dBt , (1-22)
30 1 Preliminares
definida para valores de t en el intervalo [0, T ], cuya condición inicial es la variable aleatoria
X0 , la cual se supone que es =0 -medible e independiente del movimiento browniano. La
ecuación (1-22) se interpreta como la ecuación integral,
Z t Z t
Xt = X 0 + b(s, Xs )ds + σ(s, Xs )dBs , (1-23)
0 0
en donde la primera integral es una integral de Riemann, mientras que la segunda es una
integral estocástica de Itô. Nótese que {Xt }t≥0 es un proceso de Itô. [Rincón, 2005, p. 17].
Nota 1.5.1. Los elementos conocidos de la ecuación (1-23), corresponden a los coeficientes
b(t, x) y σ(t, x), junto con la variable aleatoria X0 . El elemento desconocido es el proceso
{Xt }t≥0 . Se conoce b(t, x) como la función que representa el coeficiente de tendencia o drift,
en inglés. El coeficiente de difusión, se representa como σ(t, x) [Rincón, 2005].
Para encontrar la solución única de una ecuación diferencial estocástica, igual que en el ca-
so de ecuaciones diferenciales deterministas, se establecen condiciones de regularidad en los
teoremas de existencia y unicidad, para los coeficientes b(t, x) y σ(t, x) de la ecuación (1-22).
Dichos teoremas pueden ser consultados con mayor detalle en [Friedman, 2010].
La demostración de la existencia y unicidad de la solución del modelo estocástico propuesto,

se puede seguir utilizando los teoremas de existencia y unicidad para ecuaciones diferencia-
les estocásticas que se pueden encontrar en libros como [Friedman, 2010]. A continuación se
mostrarán algunos ejemplos que ilustran la forma de aproximar la solución de las ecuaciones
diferenciales estocásticas.
Ejemplo 1.5.1. Sea {Bt }t≥0 un movimiento browniano estándar y considérese la siguiente
ecuación diferencial estocástica, con condición inicial X0 = x0 ,
dXt = µXt dt + σXt dBt , (1-24)
donde µ ∈ R y σ > 0.
Sea Yt = g (t, Xt ) = log(Xt ) con g(t, x) ∈ C 2 ([0, ∞) × R), es decir que g es continua y
doblemente diferenciable sobre [0, ∞) × R. Con el fin de aplicar la fórmula de Itô, se tiene
que,

1 1 1 1 2 2
d (log(Xt )) = σXt dBt + µXt + − 2 (σ Xt ) dt
Xt Xt 2 Xt

1
= µ − σ 2 dt + σdBt ,
2
1.5 Ecuaciones diferenciales estocásticas 31
Al integrar la expresión anterior sobre el intervalo [0, T ], se tiene que,

Z T Z T Z T
1 2
d (log(Xt )) dτ = µ − σ dτ + σdBτ ,
0 0 2 0
ası́ que,
1 2
log(Xt ) − log(X0 ) = µ − σ t + σBt ,
2
ahora, despejando Xt , se tiene que,

1 2
Xt = X0 exp µ − σ t + σBt . (1-25)
2
Ası́, la solución de la ecuación (1-24) es la ecuación (1-25), dicha solución es conocida como
Movimiento Browniano Geométrico, representa un movimiento browniano y resulta,
como se vio, de una transformación del movimiento browniano estándar, este proceso es
muy utilizado en áreas como las finanzas, principalmente, porque la parte estocástica de la
ecuación, corresponde a la volatilidad existente alrededor de los cambios en los precios con
respecto al tiempo, además, no permite que dichos precios, tomen valores negativos.
Ejemplo 1.5.2. Se considerará la ecuación diferencial estocástica de Paul Langevin, utiliza-
da en fı́sica para describir el comportamiento de una partı́cula en equilibrio2 en un periodo
de tiempo determinado. Dicha ecuación se expresa como,
dXt = −βXt dt + αdBt , donde, α ∈ R y β > 0. (1-26)
Sea {Xt }t≥0 un proceso estocástico que satisface la ecuación anterior con X0 = x0 , de acuerdo
a la definición (1.5.1) podemos interpretar la ecuación como una ecuación integral de la forma,
Z t Z t
Xt = x 0 − β Xs ds + αdBs
0 0
Z t
Xt = x 0 − β Xs ds + αBt .
0
Con el fin de aplicar la fórmula de Itô, se considera la función f (t, x) = xeβt , esta función
pertenece a C 2 . Por lo tanto, aplicando la fórmula de Itô del teorema (1.4.2), se obtiene que,
d eβt Xt = eβt dXt + βeβt Xt dt

= eβt (−βXt dt + αdBt ) + βeβt Xt dt

= −βeβt Xt dt + αeβt dBt + βeβt Xt dt
= αeβt dBt .
2
Una partı́cula o cuerpo se encuentra en equilibrio, cuando la suma de todas las fuerzas que actúan sobre
ella o él, es igual a cero.
32 1 Preliminares
Integrando sobre el intervalo [0, t] y para s ≤ t, se tiene que,

Z t
−βt
Xt = e X0 + α e−β(t−s) dBs .
0
La expresión anterior representa la solución de la ecuación de Paul Langevin con condición

inicial X0 = x0 , esta solución es conocida como proceso de Ornstein-Uhlenbeck , proceso
muy importante que se utilizará en el modelo que se presenta en el siguiente capı́tulo.
CAPÍTULO 2
Modelo Teórico
El objetivo principal de este capı́tulo es definir el modelo estocástico que proporcionará una
alternativa matemática para analizar el comportamiento a lo largo del tiempo, entre los
cambios observados de temperatura superficial del mar y su relación con la abundancia de
una especie de peces determinada del Pacı́fico Colombiano y las capturas de la misma. Este
interés surge a raı́z de que muchos estudios realizados por autores como [Xie et al., 2010]
o [Sobel and Camargo, 2011] sostienen que el incremento en la temperatura de los océanos
afectará no sólo la geografı́a sino, la distribución de la gran mayorı́a de las especies marinas.
Las proyecciones exhiben escenarios futuros del cambio climático en la pesca, señalan que
las zonas más afectadas, serán las tropicales y subtropicales, puesto que, dependiendo de la
especie de estudio, ésta puede desplazarse a otras zonas, lo que darı́a como resultado, una
disminución en la disponibilidad para el aprovechamiento pesquero [Bahri et al., 2012]. Por
dicha razón, nuestro interés, será mostrar un modelo que logre identificar, teniendo en cuenta
la variabilidad de la información, las relaciones y los distintos escenarios con respecto a la
variación de la temperatura, la abundancia y las capturas a lo largo del tiempo.
2.1. Adquisición de los datos

Con el fin de definir el modelo estocástico y hacer la aplicación del mismo a datos reales, el
grupo de investigación en Recursos Hidrobiológicos de la Universidad Nacional de Colombia,
34 2 Modelo Teórico
Sede Palmira, en conjunto con la empresa: Sepúlveda Rodgers y Cia Ltda, proporcionaron
los datos recopilados por su embarcación, durante los años 2010 a 2012. Adicionalmente, el
mismo grupo de investigación, en el marco del proyecto de Colciencias titulado: “Efectos
del cambio climático en la población pesquera y su biodiversidad en el Pacı́fico
Colombiano”, proporcionó valores de temperatura superficial del mar mensuales, alcanza-
dos en determinada zona del Pacı́fico Colombiano durante los años 1979 a 2013.
La base de datos contiene información del pez Dorado (Coryphaena Hippurus). Para la pesca
artesanal e industrial, dicha especie, es de gran importancia comercial en el Pacı́fico Colom-
biano. De acuerdo a la información recopilada por la AUNAP, en el año 2013, en la Costa
Pacı́fica Colombiana, los desembarcos alcanzaron las 50 toneladas. Se pesca generalmente,
con palangre de superficie y lı́nea de mano. Cuando se captura en la noche, se usan las
redes de superficie, por parte de la flota industrial de pesca blanca [Rodrı́guez, 2015]. Con
respecto a su hábitat, forma grandes cardúmenes y vive hasta a 85 metros de profundidad en
aguas costeras y oceánicas. Se cataloga como un recurso con potencial aprovechamiento. En
Colombia, según la Resolución [000334 de 2013], para el año 2014, se estableció una cuota
global pesquera1 en aguas colombianas de 2000 toneladas .
La información contiene las siguientes variables:
Variables espaciales: Latitud y longitud, donde la primera corresponde a la distancia,

medida en grados, que existe entre cualquier paralelo y la lı́nea del Ecuador; mientras
que la segunda, proporciona la localización de un lugar, en dirección este u oeste, desde
el meridiano de referencia 0o , o meridiano de Greenwich.
Variables Oceanográficas: Temperatura superficial del mar (TSM), esta variable fue
extraı́da con el uso de imágenes satelitales, captadas por sensores pasivos montados
en un satélite artificial, cada pı́xel de la imagen satelital, contiene información de la
temperatura superficial del mar en la zona de estudio.
Variables Asociadas a la captura: Captura, que hace referencia al número de

individuos capturados en la zona de medición.
Variables temporales: Año, mes y dı́a en el cual se hicieron las mediciones de las
variables mencionadas anteriormente.
1
Cantidad máxima en toneladas, establecida para pescar.
2.2 Construcción del Modelo 35
A partir de los datos y con el objetivo de especificar la zona de estudio, se graficaron los
valores de latitud y longitud recogidos, dichos valores se encuentran representados en el
siguiente mapa.
Figura 2-1.: Zona de recolección de los datos asociados al pez Dorado.
Ahora bien, de acuerdo a autores como [Allison et al., 2009] o [Selvaraj et al., 2020] el cons-
tante cambio de la temperatura, ha traı́do consecuencias biológicas que se perciben directa
e indirectamente en los ecosistemas marinos y terrestres. Además, según [Bahri et al., 2012],
existe una relación entre la captura de peces y la temperatura, sin embargo, dicha relación
depende de la especie y de la zona en la que éste se encuentre. Por esta razón, es pertinente
analizar las variables de estudio con el fin de encontrar una adecuada definición del modelo,
teniendo en cuenta que el comportamiento de los datos para cada una de las variables es
distinto, junto con la variabilidad que existe entre los mismos, por lo tanto, a continuación
se presenta la justificación del modelo seleccionado, de acuerdo a los datos proporcionados.
2.2. Construcción del Modelo

Esta sección se centra en la definición matemática del modelo estocástico, como alternativa
para analizar la relación e influencia entre los cambios observados de la temperatura superfi-
cial del mar, con la abundancia de la especie y las capturas de la misma, con el fin de evaluar
los efectos que tendrı́a la variación de la temperatura sobre la actividad pesquera vinculada
al pez Dorado en la zona del Pacı́fico Colombiano definida en el mapa (2-1).
2.2.1. Modelamiento de la dinámica de la especie

Los modelos de explotación de recursos pesqueros se fundamentan en modelos biológicos,
[Munro and Scott, 1985]. Dichos modelos deben especificar la dinámica del comportamiento
de la población objetivo. Generalmente se representan por medio de ecuaciones de tipo de-
terministas.
En el modelo que se va a mostrar a continuación, se supondrá que la especie no tiene inter-

acción con otras especies. El recurso se mide en términos de abundancia, la cual representa
la cantidad del recurso medida en toneladas.
La dinámica2 de una una población de peces, que es susceptible de ser capturada, aumenta
como consecuencia de factores tales como:
Reclutamiento, el cual está definido por la inclusión de nuevos individuos, esto, como
resultado de la reproducción.
Incremento en peso, es decir, crecimiento individual de la especie a medida que entran

a su edad de maduración.
Sin embargo, este incremento está contrarrestado por:
La mortalidad natural de la especie debida a la edad, los factores ambientales y la
acción de los depredadores naturales.
La mortalidad por pesca.

De acuerdo a lo anterior, el cambio de las poblaciones de peces depende del reclutamiento,
la mortalidad natural, el crecimiento individual y las capturas. Esto se puede resumir de la
siguiente manera:
Cambio de la población = Reclutamiento + Crecimiento Individual − Mortalidad Natural

−Capturas
= Crecimiento natural − Capturas.
2
Hace referencia a la composición de una población de la misma especie (número de individuos, edad, sexo,
etc.) y sus variaciones a lo largo del tiempo.
A partir de allı́ se hace necesario proponer un modelo biológico que considere el crecimiento
natural de la población y las capturas. Existen modelos matemáticos que relacionan dichas
variables, como es el caso de los modelos desarrollados por autores como [Brauer et al., 2012]
o [Munro and Scott, 1985], quienes citan por ejemplo, que el reconocimiento de la existencia
de recursos finitos, definidos por la capacidad de carga de un ecosistema, exige la intro-
ducción de modelos que no pueden soportar el crecimiento exponencial indefinidamente.
Además, representando al tamaño (o densidad) de una población en el tiempo t como x(t),
[Schaefer, 1957] sostiene que la tasa de cambio del tamaño de la población de peces con
respecto al tiempo, puede representarse mediante la ecuación diferencial,
dx
= xF (x), x(0) = x0 , (2-1)
dt
donde la condición x(0) = x0 significa el tamaño de la población en el tiempo t = 0.
Es decir, se supone que la tasa de crecimiento pér cápita (por individuo) F (x), depende del
tamaño de la población. La función F (x) representa la tasa de crecimiento natural del recurso
[Dávila-Cárdenes, 1996]. Dicha función se supone positiva, se hace cero cuando, x = 0.
Un ejemplo de función F (x) con las caracterı́sticas anteriormente descritas, lo proporciona
la conocida ecuación logı́stica, la cual fue introducida por el matemático belga Pierre
François Verhulst (1804 − 1849), quien la expresó como,
x
F (x) = r 1 − , (2-2)
k
donde r y k, se asumen siempre positivos, y tienen un significado biológico, por un lado,
r representa la tasa de crecimiento intrı́nseca de la población, es decir, representa la tasa
de crecimiento per cápita alcanzada, si el tamaño de la población fuera lo suficientemen-
te pequeña como para garantizar limitaciones poco significativas de los recursos; por otro
lado, k es la capacidad de carga del medio, es decir, es el máximo valor que puede alcanzar x.
Ası́, la ecuación diferencial (2-1) queda descrita por,
dx x
= xr 1 − , x(0) = x0 . (2-3)
dt k
Resolviendo la ecuación anterior por el método de variables separables y asumiendo, la
condición inicial, se tiene que, la solución está dada por,
kx0 ert kx0

x(t) = = . (2-4)
k − x0 + x0 ert x0 + (k − x0 )e−rt
Esta solución se cumple siempre que 0 < x0 < k, con el fin de definir adecuadamente los
logaritmos que surgen tras la integración. Es conocida como curva logı́stica, y muestra
que la población se aproxima al lı́mite k cuando t −→ ∞, si x0 > 0, esto es, lı́m x(t) = k.
t−→∞
Nota 2.2.1. La fórmula (2-4) para la solución de la ecuación logı́stica, es válida para todo
x0 , como se puede verificar en el libro [Zill Dennis et al., 2012].
2.2.2. Modelamiento de la dinámica de la especie con capturas

Las estadı́sticas de captura, por sı́ solas no son suficientes para conocer el impacto que tiene
la pesca sobre el recurso. Un incremento en el volumen de desembarque3 puede deberse a
un incremento en el esfuerzo pesquero, a un incremento de la abundancia de la especie, al
arte de pesca seleccionado, o, a un aumento del coeficiente de capturabilidad por efecto del
ambiente adverso o benigno [Aguilar et al., 1995]. De manera que, teniendo en cuenta este
hecho, y a raı́z de lo visto en la sección anterior, para analizar la dinámica de la población, es
necesario tener en cuenta la remoción de los individuos a través de las capturas. Siguiendo a
[Clark et al., 2000], la dinámica de la población, es considerada como la diferencia entre una
función de crecimiento natural F (x) sujeta a una captura con una tasa de H(t) individuos
capturados por unidad de tiempo, para alguna función dada H(t), entonces, la ecuación
diferencial (2-1), que representa la tasa de crecimiento natural, debe tener una modificación
determinada por,
dx
= F (x) − H(t), (2-5)
dt
luego, la ecuación anterior, expresa que la tasa de cambio de la abundancia de una población
se puede predecir a partir de la cantidad de individuos y las capturas en cada instante de
tiempo t.
En los modelos expuestos en el libro de [Brauer et al., 2012], muestran escenarios diferentes
para la definición de la función H(t), uno de ellos, supone que la función H(t) es constante y
queda expresada por una constante H, sin embargo, este caso de estudio no es del interés pa-
ra la investigación del presente trabajo, por el contrario, la función H(t), se expresará como
una función de producción, la cual se puede escribir en términos del esfuerzo pesquero 4
3
Peso de las capturas desembarcadas en un muelle o playa.
4
Corresponde a la intensidad con que la actividad pesquera es ejercida, es medida como la capacidad de un
buque, según su potencia y arqueo, su tiempo de actividad y otros parámetros que pueden incidir en su
potencial de pesca.
y de la abundancia de la especie, siguiendo a [Mchich et al., 2002] y [Barbier et al., 2002].
Las siguientes notas son importantes para entender la definición de las variables del modelo
propuesto que se expone en la sección 2.4.
Nota 2.2.2. En el tiempo transcurrido durante los años 2000 y 2013, para el caso de los
datos de estudio, el esfuerzo pesquero fue constante. En particular, la embarcación utilizó
diariamente, como arte de pesca, 1.100 anzuelos. Con el fin de eliminar el posible sesgo
introducido por el esfuerzo pesquero, se calculó la captura de pez Dorado por unidad de
esfuerzo (CPUE), utilizando la ecuación,
Doradosi
CP U E = ,
1100
donde, Doradosi es el número de dorados capturados en el dı́a i, y 1.100 es el número de
anzuelos utilizados en dichas faenas.
Nota 2.2.3. Para precisar la notación que se utilizará en adelante, se consideran las varia-
bles Xt y Yt , las cuales expresan la abundancia de la especie en el tiempo t y la captura por
unidad de esfuerzo ejercido en el tiempo t, respectivamente.
La función de captura por unidad de tiempo representada por Ht , es igual a
Ht = βXt Yt ,
donde β es el coeficiente de capturabilidad, es decir, la fracción de la población que es ex-

traı́da por unidad de esfuerzo y se asume constante. Esta ecuación es conocida como la
función de captura de Schaefer descrita en [Schaefer, 1957].
Entonces, la ecuación que representa determinı́sticamente la abundancia de la especie,

relacionandola con la función de producción Ht , queda determinada por,

dXt Xt
= rXt 1 − − βYt Xt . (2-6)
dt k
Se tendrá presente la anterior ecuación para la definición del modelo propuesto en la sección
2.4.
Adicionalmente, la captura por unidad de esfuerzo pesquero Yt , de acuerdo a autores como

[Auger and Ducrot, 2009], depende de otros factores tales como los costos de producción, los
costos de las salidas por faena que también pueden incidir de alguna manera en el ejercicio de
la captura, de manera que, es conveniente considerar una ecuación diferencial que relacione el
esfuerzo con sus costos, una ecuación diferencial donde se suponga que el esfuerzo de pesca au-
mentará cuando la pesquerı́a obtenga algún beneficio y viceversa [Shah and Yeolekar, 2016].
Ası́ la ecuación del esfuerzo queda descrita como,

dYt
= βXt Yt − ηYt , (2-7)
dt
donde,
ηYt , denota el costo monetario en términos de salarios, combustible, impuestos, etc.
η es el costo por unidad de esfuerzo de pesca y unidad de tiempo, es constante.
Sin embargo, es importante notar que en la ecuación (2-7) no se considera la volatilidad5

(estocástica) existente alrededor de los precios y del esfuerzo en sı́, por lo tanto, con el fin de
modelar la captura por unidad de esfuerzo, considerando los factores aleatorios mencionados,
es adecuado utilizar una ecuación diferencial estocástica con las condiciones dadas por la
definición (1.5.1), dada por,
dYt = [βXt Yt − ηYt ] dt + σdWt , (2-8)

donde σ representa la volatilidad y {Wt }t≥0 es un movimiento Browniano.
5
Es el cambio de tendencia o variabilidad de algo respecto a su media en un periodo de tiempo determinado.
2.2.3. Modelamiento de la temperatura

Esta sección muestra una forma adecuada para estimar, en la zona de estudio, la tempera-
tura superficial del mar promedio. Diferentes estudios han logrado identificar caracterı́sticas
en el comportamiento de la temperatura, dentro de los cuales están, la reversión a la me-
dia, la memoria a corto plazo y la estacionalidad presente [Torro et al., 2003]. Debido a
que la temperatura presenta una volatilidad marcada, que en ocasiones puede llegar a ser
cambiante con respecto al tiempo, los modelos de temperatura han hecho uso de modelos
estocásticos, particularmente, de movimientos brownianos que permiten la representación
de saltos, asimetrı́a y exceso de curtosis, en ese sentido, autores como [Alaton et al., 2002]
o [Bhowan, 2003] haciendo una generalización de los modelos de temperatura propuestos
en [Dornier and Queruel, 2000], se proponen modelar la temperatura promedio diaria de
ciudades como Estocolmo o Pretoria, respectivamente, utilizando un modelo de Ornstein-
Uhlenbeck con reversión a su media, suponiendo que el modelo de temperatura se puede ver
afectado por variables como el calentamiento global y los efectos urbanos, además, dichos
modelos parten de las caracterı́sticas mencionadas, es decir, poseen un ciclo previsto y se
mueven alrededor de una media estacional.
El modelo que se presenta en la siguiente definición es conocido como el modelo de Vasicek

(1977), es utilizado en finanzas para describir el comportamiento de una tasa de interés, sin
embargo, posee una caracterı́stica importante que los modelos de temperatura deben tener.
Definición 2.2.1. La reversión a la media es el proceso que describe que cuando la tasa
de crecimiento a corto plazo rt>0 es alta, ésta, tenderá a retroceder hacia el nivel promedio
a largo plazo, mientras que cuando la tasa es baja, tendrá una medida ascendente hacia el
nivel promedio. La reversión a la media se rige por el término estocástico de una ecuación
diferencial estocástica de la forma,
drt = a (ρ − rt ) dt + σdBt , con t ≤ 0,
donde {Bt }t≥0 es un movimiento browniano, ρ representa la media a largo plazo, σ es la

volatilidad y a > 0, representa al parámetro de reversión a la media.
La siguiente gráfica, muestra los valores de temperatura superficial del mar, alcanzados en la
zona de estudio, durante los años (1979 − 2012), se puede observar la marcada variabilidad
de los datos con respecto al tiempo, además de apreciar, una posible reversión a la media
gracias a alguna función cı́clica definida que se verá en la siguiente sección.
Figura 2-2.: Temperaturas observadas en grados centı́grados en la zona de estudio.
Adicionalmente, con el fin de tener una idea de la distribución de los datos muestreados de
la temperatura superficial del mar mensual alcanzada, se muestra el siguiente histograma,
Figura 2-3.: Histograma de la temperatura superficial mensual promedio, la curva roja

representa el ajuste de la distribución a los datos de temperatura.
A partir del histograma anterior, es posible observar que las diferencias de temperatura
2.3 Proceso de Ornstein-Uhlenbeck con reversión a la media 43
entre los meses de estudio pareciera que se aproximaran a una distribución normal ,
sin embargo, este hecho será evidenciado a través de la prueba de Anderson-Darling,
[Dodge, 2008], esta prueba de bondad de ajuste permite controlar la hipótesis de que la dis-
tribución de una variable aleatoria, observada en una muestra, sigue una cierta distribución
teórica. En particular, nos permite probar si la distribución de probabilidad empı́rica obte-
nida con los datos muestreados, corresponde a una distribución normal.
Aplicando la prueba para los datos obtenidos en la región del Pacı́fico colombiano, se rechazó
la hipótesis nula, con un nivel de significancia α = 0,05, un valor del estadı́stico A = 1,1076
y p − valor = 0,006616. Adicionalmente, se midieron los coeficientes de asimetrı́a y cur-
tosis de los datos y se obtuvieron los valores, 0,38551 y 4,12514, respectivamente, es decir
que la temperatura superficial del mar mensual, en esta región del Pacı́fico Colombiano, se
encuentra sesgada positivamente a la derecha y posee cola pesada a la derecha.
Por lo anterior, el movimiento browniano, que utiliza el proceso de Ornstein-Uhlenbeck, co-

mo ruido aleatorio, parece ser adecuado para impulsar el comportamiento de la temperatura.
A continuación se definirá el proceso de Ornstein-Uhlenbeck, de acuerdo a [Dzupire et al., 2018].
2.3. Proceso de Ornstein-Uhlenbeck con reversión a la

media
En el capı́tulo 1, se mostró un primer acercamiento al proceso de Ornstein-Uhlenbeck, par-
ticularmente en el ejemplo (1.5.2), donde se muestra la solución analı́tica de la ecuación de
Paul Langevin con condición inicial X0 = x0 , que se conoce como el proceso de Ornstein-
Uhlenbeck.
El proceso de Ornstein-Uhlenbeck surgió por el deseo de modelar el movimiento de una

partı́cula que chocaba con las paredes de una superficie de tal manera que la partı́cula se
movı́a únicamente de derecha a izquierda. Una vez la partı́cula chocaba con una de las
paredes, ésta continuaba moviéndose hacia el lado opuesto, sin embargo, por cada choque la
partı́cula perdı́a velocidad. Este modelo fue propuesto por Ornstein y Uhlenbeck en 1930, el
proceso de Ornstein-Uhlenbeck con reversión a la media, está definido por,
Definición 2.3.1. Sea {Bt }t≥0 un movimiento browniano definido sobre un espacio de pro-
babilidad (Ω, =, P ) y {=t }t≥0 la filtración browniana. El proceso estocástico que es solución
de la ecuación diferencial estocástica,
dXt = a [θ − Xt ] dt + σt dBt , (2-9)

donde, a [θt − Xt ] y σt satisfacen las condiciones de la definición 1.5.1, se dice que es un
proceso de Ornstein-Uhlenbeck [O-U] con reversión a la media. Se tiene que
{Xt }t≥0 existe y es único [Wang et al., 2015] y [Thierfelder, 2015, p.8].
Nota 2.3.1. Se define a, como la reversión a la media o la fuerza del proceso, θ como
la media a la cual el proceso revierte, es una constante y σt como la volatilidad.
Retomando a la forma de implementar este proceso en el caso de estudio y siguiendo a los
autores [Bhowan, 2003] y [Alaton et al., 2002], se modelará la temperatura utilizando un
proceso de Ornstein-Uhlenbeck con reversión a la media, se asume que θ = θt , es decir,
θt representa la función de reversión a la media que varı́a en el tiempo. De manera que es
necesario conocer la forma funcional de θt .
Con el fin de tener un proceso estocástico que revierta a su media, es necesario que se
satisfaga que,
E [Tt ] = θt . (2-10)
De acuerdo a los trabajos realizados por [Dornier and Queruel, 2000] y [Alaton et al., 2002],
se concluyó que (2-9) no satisfacı́a (2-10), sin embargo, a partir de la extensión al proceso
de Ornstein-Uhlenbeck con reversión a la media, representado por medio de la siguiente
ecuación diferencial estocástica, se podı́a tener la condición,

dθt
dTt = a (θt − Tt ) + dt + σt dBt . (2-11)
dt
En esta ecuación, Tt es el proceso a modelar, a es el parámetro de reversión a la media, el
cual debe ser calculado de acuerdo a los datos históricos, θt la función a la cual el proceso
revierte y σt la volatilidad del proceso.
Nótese que la ecuación (2-11) es la versión modificada de (2-9), con la inclusión de la derivada
de la función de reversión a la media dθdt
t
, esta expresión es necesaria para que efectivamente
se satisfaga que la condición (2-10), ası́ surge la siguiente proposición.
Proposición 2.3.1. Si θ = θt , el proceso de Ornstein-Uhlenbeck, definido por,

dθt
dTt = a (θt − Tt ) + dt + σt dBt , (2-12)
dt
2.3 Proceso de Ornstein-Uhlenbeck con reversión a la media 45
revierte a su media θt [Dornier and Queruel, 2000] y [Bhowan, 2003].

Rt
Demostración 2.3.1. Sea Zt = e 0 ads (θt − Tt ) = eat (θt − Tt ), a continuación, se calculan
sus derivadas parciales, con el fin de utilizar la fórmula de Itô dada en la Teorema (1.4.2)
∂Zt
= eat [a(θt − Tt ) + θt0 ],
∂t
∂Zt
= −eat ,
∂Tt
∂ 2 Zt
= 0.
∂Tt2
donde θt0 = dθt /dt y Tt0 = dTt /dt, entonces, aplicando la fórmula de Itô, definido en la sección
(1.4.1), se tiene que,
dZt = eat [a(θt − Tt ) + θt0 ] dt + −eat dTt + 0

= aeat (θt − Tt )dt + eat θt0 dt − eat dTt

= eat [θt0 + a(θt − Tt )dt − (a(θt − Tt ) + θt0 ) dt − σt dBt ]
= −eat σt dBt .
Ası́, se tiene que la solución de la ecuación anterior, por definición [Oksendal, 2013, p. 63]
se puede escribir como: Z t
Zt = Z0 − eat σs dBs ,
0
luego reemplazando Zt , se tiene,
Z t
at
e (θt − Tt ) = θ0 − T0 − eat σs dBs
Z t 0
θt − Tt = −e−at eat σs dBs ,
0
puesto que θ0 = T0 = C, luego,

Z t
−at
Tt = θt + e eat σs dBs .
0
Aplicando valor esperado a ambos lados de la ecuación anterior, se sigue lo siguiente,

Z t
−at at
E [Tt ] = E θt + e e σs dBs
0
E [Tt ] = θt .
Pues el valor esperado de la integral de Itô es cero.

2.4. Modelo Propuesto

En las secciones anteriores se evidenció la posibilidad de modelar variables como la abun-
dancia de una especie contrarrestada por el ejercicio de la captura, con la definición de la
ecuación diferencial (2-6), sin embargo, dicha ecuación no contempla la variabilidad de los
datos ya que corresponde a una representación determinı́stica de la abundancia de una es-
pecie. Sin embargo, es preciso citar, que a partir de la década de los 70, se volvió un tema de
interés, la utilización de modelos estocásticos en problemas aplicados a la biologı́a, economı́a
y la fı́sica, como es el caso de autores como [Merton, 1975], [Smith, 1978], incluso, más re-
cientemente, [Pindyck, 2012] incorpora distribuciones para el cambio de temperatura y su
impacto económico por medio de procesos estocásticos y ecuaciones diferenciales del tipo de
Itô. Las cuales, como se vió en el capı́tulo 1, poseen una parte determinı́stica y otra estocásti-
ca, de manera que, parece adecuado utilizar integrales de Itô para resolver problemas que
posean incertidumbre, por dicha razón, para el caso de la ecuación determinı́stica expresada
por (2-6) y con el fin de analizar la incidencia de la temperatura sobre esta variable, se
propone la ecuación,

Xt
dXt = rXt 1 − − βYt Xt dt + σ1 dTt , (2-13)
k
donde dTt , es el proceso de temperatura dado por un proceso de Ornstein-Uhlenbeck (2.3.1),

dado por la ecuación (2-11) y σ1 representa la volatilidad alrededor de la variación de la tem-
peratura. Con respecto a los parámetros, r, β y k, se considerará lo visto en la sección (2.2.1).
Ahora, retomando a la ecuación que modela la captura por unidad de esfuerzo con su incer-
tidumbre alrededor de los costos (2-8) se tiene que,
dYt = [βXt Yt − ηYt ] dt + σ2 dWt , (2-14)
donde σ2 representa la volatilidad y {Wt }t≥0 es un movimiento browniano.
Luego, a partir de las ecuaciones diferenciales estocásticas (2-11), (2-13) y (2-14) y con los
supuestos expresados anteriormente, el modelo propuesto para resolver a la pregunta de
investigación: ¿Cómo se ven afectadas la abundancia y la captura, debido a la
variación de la temperatura en el Pacı́fico Colombiano? , es el siguiente:
X

 dXt = rXt 1 − kt − βYt Xt dt + σ1 dTt
dYt = [βYt Xt − ηYt ] dt + σ2 dWt (2-15)
dTt = a (θt − Tt ) + dθ

dt
t
dt + σt dBt .
2.4 Modelo Propuesto 47
Las ecuaciones diferenciales del modelo (2-15) explican que con certeza, las variables como la
abundancia, la captura por unidad de esfuerzo y la temperatura son conocidas, es decir, en
cada momento podemos asumir como determinista la cantidad de “abundancia”, “captura
por unidad de esfuerzo “temperatura”, en la zona de estudio del Pacı́fico Colombiano, sin
2
embargo, tienen en cuenta la aleatoriedad existente con respecto al tiempo, de dichas. Estas
ecuaciones diferenciales estocásticas dan una representación razonable sobre la incidencia de
la incertidumbre que rodea la variación de la temperatura sobre la abundancia de la especie
y la captura por unidad de esfuerzo de la misma.
Luego, las condiciones iniciales para el modelo (2-15) están dadas por,
Xt , representa la abundancia de la especie en el tiempo t.
k, es la capacidad máxima de la población. De acuerdo a la definición de este parámetro,

en la ecuación diferencial logı́stica (2-6) y, teniendo en cuenta el caso de estudio del
presente documento, la cantidad de individuos existente del pez Dorado, no se conoce
con certeza, por lo tanto, con el fin de tener una idea de este valor numérico, se debe
suponer un valor para k mayor que el peso en toneladas fijado en las resoluciones de
cuota pesquera, impartidas por el gobierno Nacional de Colombia, en ellas, se pacta
un peso máximo posible para pescar anualmente la especie, para el caso particular
del pez Dorado, tras analizar el estado de los recursos pesqueros y a través de la
información obtenida en libros como [LEIVA et al., 2007], se evidenció que la cuota
pesquera promedio durante los años 2000 − 2012, es de 2092,5 toneladas. Por lo tanto,
el valor de k debe suponerse mayor que la cuota pesquera promedio mencionada.
r, representa la tasa intrı́nseca de la población.
Yt , representa la captura por unidad de esfuerzo de pesca, en el tiempo t.
σ1 , σ2 y σt son los parámetros de volatilidad.
X(0) = X0
X0 , corresponde a la población inicial en el tiempo t = 0.
T0 , la temperatura superficial promedio registrada en el primer dı́a.
En el capı́tulo 3 se estimarán cada uno de los parámetros del modelo (2-15), de acuerdo a
los datos proporcionados.
CAPÍTULO 3
Estimación de parámetros y simulaciones
El objetivo principal de este capı́tulo es estimar los parámetros del modelo (2-15), el cual
representa un sistema de ecuaciones diferenciales estocásticas. Usualmente, la solución de di-
chas ecuaciones no es sencilla, por lo que se requiere hacer uso de métodos numéricos, éstos
permiten simular trayectorias de la posible solución de la ecuación, por medio de métodos de
discretización como, el método de Euler-Maruyama, el método de Euler-Heun o el método de
Milstein. Para el desarrollo del presente trabajo, se utilizará el método de Euler-Maruyama
el cual se enuncia en la siguiente sección.
3.1. Método de Euler-Maruyama

Uno de los métodos más utilizados para encontrar soluciones de ecuaciones diferenciales
estocásticas, es el método de Euler-Maruyama (EM), puesto que es fácil de implementar
computacionalmente, es análogo al método de Euler para ecuaciones diferenciales ordina-
rias. La solución de ecuaciones diferenciales estocásticas por medio de este método, consiste
en la discretización de dos integrales, una ordinaria y otra estocástica, aproximándolas por
medio de la evaluación del integrando en un punto interior de cada subintervalo [ti , ti+1 ]
sobre un intervalo [0, T ].
50 3 Estimación de parámetros y simulaciones
Es decir, considérese una ecuación diferencial estocástica de la forma,

dXt = f (Xt )dt + g(Xt )dBt , (3-1)
definida para valores de t sobre el intervalo [0, T ], donde f y g son funciones escalares.
[Marı́n Sánchez et al., 2007].
La ecuación (3-1), se puede expresar en la forma integral como,

Z t Z t
Xt = X0 + f (Xs )ds + g(Xs )dBs , para todo 0 ≤ t ≤ T. (3-2)
0 0
Para construir la solución numérica de la ecuación (3-1) se debe realizar una discretización
del intervalo [0, T ], dicha partición se notará como, P = {t0 , . . . , tn }, es decir, t0 , . . . , tn , tales
que 0 = t0 < t1 < . . . < tn−1 < tn = T .
Luego, la solución Xt de la ecuación (3-1) será aproximada en cada punto ti por

Z ti Z ti
Xti = Xti−1 + f (Xs )ds + g(Xs )dBs , para todo, i = 1, 2, . . . , n. (3-3)
ti−1 ti−1
La aproximación de Euler se basa en la discretización de esta última ecuación, por medio de

las siguientes aproximaciones:
Z ti
i) f (Xs ) ds ≈ f (Xti−1 )∆ti
Zti−1
ti
ii) g(Xs ) dBs ≈ g(Xti−1 )∆Bi ,
ti−1
donde ∆ti = ti − ti−1 y ∆Bi = Bti − Bti−1 .
(n)
Si a la solución aproximada de la ecuación diferencial estocástica, se le denota por Xti , la
aproximación por el método de Euler-Maruyama para Xti está dada por:
(n) (n) (n) (n)
Xti = Xti−1 + f (Xti−1 )∆ti + g(Xti−1 )∆Bi , para todo i = 1, 2, . . . , n. (3-4)
De manera iterativa se construye el método de Euler, ası́,

(n)
X0 = X0
(n) (n) (n) (n)
Xt1 = X0 + f (X0 )∆t + g(X0 )∆Bt1
(n) (n) (n) (n)
Xt2 = Xt1 + f (Xt1 )∆t + g(Xt1 )∆Bt2
..
.
(n) (n) (n) (n)
XT = Xtn−1 + f (Xtn−1 )∆t + g(Xtn−1 )∆Btn .
3.1 Método de Euler-Maruyama 51
Con el fin de medir la calidad de las soluciones aproximadas por el método de Euler-
Maruyama (EM), se utiliza el coeficiente de error , notado como es , que mide la diferencia
entre la solución de la ecuación diferencial estocástica y la solución aproximada dado por,

(n)
e s = E XT − XT .

Entonces, para cada una de las estimaciones realizadas por este método se calculará el co-
eficiente del error es .
El siguiente ejemplo ilustra la forma en la que el método (EM) aproxima una solución de una
ecuación diferencial estocástica. La aproximación se hizo utilizando el programa MATLAB.
Ejemplo 3.1.1. A continuación se aplicará el método de Euler-Maruyama al movimiento

browniano geométrico, expuesto en el ejemplo (1.5.1) en el capı́tulo 1, cuya ecuación, está
dada por,
dXt = µXt dt + σXt dBt , X 0 = x0 ,
donde, µ y σ son constantes reales. La solución de dicha ecuación, como se vió en el ejemplo
(1.5.1) está dada por:

1 2
Xt = X0 exp µ − σ t + σBt . (3-5)
2
Ası́ que aplicando (EM) para aproximarse a la solución anlı́tica, se tiene que la discretización
de la ecuación diferencial estocástica, sobre el intervalo [0, 1] está dada por,
Xtj+1 = Xtj + µXtj ∆tj + σXtj ∆Bj . (3-6)
La siguiente gráfica muestra la discretización anterior con la solución (3-5).

Figura 3-1.: Solución del movimiento browniano geométrico (en negro) y la aproximación
de la solución por medio de Euler-Maruyama (en azul), se gráfica tomando
µ = 2, σ = 1, N = 28 , se generaron 50 números aleatorios de una distribución
normal (0, 1). Además, el coeficiente del error para este ejercicio es 0,00068.
Se pueden consultar más ejemplos de aplicación del método en [Higham, 2001] o en [Rı́os, 2019].
La siguiente sección, exhibe la forma de estimación del proceso de temperatura dado por el
proceso de Ornstein-Uhlenbeck.
3.2. Estimación de los parámetros del modelo de

temperatura
Para modelar la temperatura superficial del mar en la zona definida en el mapa (2-1), es im-
portante precisar que se cuenta con valores máximos, mı́nimos y promedio de la temperatura
superficial del mar, estos valores se muestran en la gráfica (3-2). Por lo tanto y siguiendo a
[Bhowan, 2003], es pertinente dar la siguiente definición, con el fin de aclarar los valores de
temperatura que se modelarán.
Definición 3.2.1. (Temperatura superficial del mar mensual promedio). Sean Tmáx
y Tmı́n las temperaturas máxima y mı́nima alcanzadas en la superficie del mar, en un mes
especı́fico. Se define la temperatura superficial mensual promedio del mar, T , como sigue:
Tmáx + Tmı́n
T = . (3-7)
2
3.2 Estimación de los parámetros del modelo de temperatura 53
Figura 3-2.: Evolución de la temperatura superficial del mar máxima, mı́nima y promedio
mensual, durante los años 1979 a 2012.
Para los tres casos se observan los comportamientos cı́clicos y estocásticos, a continuación
se mostrará cómo se hará la estimación de cada uno de estos comportamientos.
3.2.1. Estimación de la función de reversión a la media θt

Se comenzará por analizar la función de reversión a la media, θt , que representa una de las par-
tes determinı́sticas de la ecuación diferencial estocástica del modelo de Ornstein-Uhlenbeck,
cuya forma funcional describe la variación estacional media de la temperatura, además, ésta
debe ser una función que describa una oscilación repetitiva, con el fin de incorportar la esta-
cionalidad que hay en la temperatura, como fue posible apreciar en las figuras (2-2) y (3-2),
siguiento a [Bhowan, 2003] y a [Dzupire et al., 2018] se considerará la siguiente función,
π
θt = A + Bt + C sen(ωt + φ), donde ω = , (3-8)
6
esta función representará la estacionalidad de la temperatura, por dicha razón se modela
como una oscilación por medio de la función seno, donde:
A, B, corresponden a valores que se estimarán a partir de los datos.

C corresponde a la amplitud de la serie.

2π
ω corresponde al periodo, dicho periodo será tomado como ω = 12
puesto que se cuenta
con valores mensuales, y por cada año se tienen 12 datos.
φ, es un ángulo que representa el cambio de fase, puesto que las temperaturas máximas
y mı́nimas no ocurren al comienzo ni a mediados del año.
Se hará un análisis del error cuando θt toma la forma de la ecuación (3-8). Para ello se
considera la ecuación,
dTt = a [θt − Tt ] dt + σt dBt ,

entonces, Z t
−at
E [Tt ] = ae eas (A + Bs + C sen(ωs + φ))ds. (3-9)
0
Ahora,
Z t Z t
as
e (A + Bs + C sen(ωs + φ))ds = (Aeas + Bseas + Ceas sen(ωs + φ))ds. (3-10)
0 0
Evaluando el primer término de la parte derecha de la ecuación (3-10)

Z t t
as A as
A e ds = e
0 a 0 (3-11)
A at A
= e − .
a a
Evaluando el segundo término de la parte derecha de la ecuación de (3-10)
Z t Z t
as s as 1 as
B se dt = B e − e ds
0 a a 0
t
Bs as B as (3-12)
= e − 2e
a a 0
Bt at B at B
= e − 2e + 2.
a a a
Evaluando la tercera parte de la ecuación (3-10)
Z t t
eas

as
C sen(ωs + φ)e ds = C 2 [a sen(ωs + φ) − ω cos(ωs + φ)]
0 a + ω2 0 (3-13)
eat

ω
=C 2 [a sen(ωt + φ) − ω cos(ωt + φ)] + 2 .
a + ω2 a + ω2
Los errores , quedan determinados usando las ecuaciones (3-8),(3-10),(3-11),(3-12), ası́,
= E[Tt ] − θt

−at A at A Bt at B at B
= ae e − + e − 2e + 2
a a a a a
at

Ce Cω
[a sen(ωt + φ) − ω cos(ωt + φ)] + 2 − θt
a2 + ω 2 a + ω2
B B
= Bt − + e−at + A − Ae−at − A − Bt − C sen(ωt + φ)+
a a
Ca Cae−at ω
[a sen(ωt + φ) − ω cos(ωt + φ)] +
a2 + ω 2 a2 + ω 2
2
B Ca Caω
= (eat − 1) − C sen(ωt + φ) + 2 2
sen(ωt + φ) − 2 cos(ωt + φ)
a a +ω a + ω2
Cae−at ω
+ 2 2
− Ae−at
a +ω
a2

B at Caω
= (e − 1) − C sen(ωt + φ) 1 − 2 − [cos(ωt + φ) − e−at ] − Ae−at
a a + ω2 a2 + ω 2
ω2

B at Caω
= (e − 1) − C sen(ωt + φ) 2 2
− 2 2
[cos(ωt + φ) − e−at ] − Ae−at .
a a +ω a +ω
Ahora bien, siempre que t aumente, e−at se vuelve más pequeño. Por lo tanto,
B ω2 Caω
→− − C sen(ωt + φ) 2 2
− 2 cos(ωt + φ)
a a +ω a + ω2
Esto quiere decir, que los errores en la estimación no deben ignorarse [Bhowan, 2003].
3.2.2. Estimación de los parámetros de la función de media, A, B, C, φ

Utilizando identidades trigonométricas, de la expresión (3-8), se sigue que:
θt = A + Bt + C [sen(ωt) cos(φ) + cos(ωt) sen(φ)] (3-14)

θt = A + Bt + C [cos(φ)] sen(ωt) + C [sen(φ)] cos(ωt). (3-15)
Sustituyendo por, D = C cos(φ) y E = C sin(φ), se tiene que,
θt = A + Bt + D sin(ωt) + E cos(ωt),
de manera que si tomamos, t1 = t, t2 = sin(ωt) y t3 = cos(ωt), y reescribiendo la expresión

para θt , como una función lineal, es posible expresarla como un modelo de regresión lineal
múltiple, de manera que, dadas n observaciones, sobre la variable respuesta θt , con 3 varia-
bles regresoras (t1 , t2 , t3 ), el modelo que expresa la media de θt como una función de estos
regresores, se estimará por medio de mı́nimos cuadrados ordinarios y puede ser escrito
como,
θti = β0 + β1 t1 + β2 t2 + β3 t3 . (3-16)
Es decir, se supone que se tienen n datos de temperatura, representados por Tj , donde

j = 1, . . . , n, y se supone que las observaciones, t1 , t2 y t3 , se expresan como funciones de
parámetros conocidos. Con el fin de expresar la forma matricial de la matriz de observaciones
X, se debe tener en cuenta la siguiente notación; sea tij , con i = 1, 2, 3, y j = 1, . . . , n. De
0
acuerdo al estudio de regresión, un estimador eficiente e insesgado para β̂ = (β0 , β1 , β2 , β3 )
está dado por,
0 0
β̂ = (X X)−1 X T,
donde, la expresión matricial de X, está dada por:

 
1 t1,1 t2,1 t3,1
1 t1,2 t2,2 t3,2 
X = . . ..  . (3-17)
 
. . ..
. . . . 
1 t1,n t2,n t3,n
Entonces la variable T , se expresa como,

 
T1
 T2 
T =  . . (3-18)
 
 .. 
Tn
Entonces, retomando a la función cı́clica representada por θt , los valores se calcularán de

acuerdo a,


 A = β0

 B = β1

(3-19)

β3

 φ = tan−1 β2

 C = β2

cos(φ)
Para un estudio más detallado de lo anterior, se puede consultar [Weisberg, 2005].

3.2.3. Estimación del parámetro de reversión a la media a

A continuación vamos a estimar el parámetro de reversión a la media teniendo en cuenta el
modelo de temperatura (2-11), y siguiendo a [Sørensen et al., 2012] para esto, considérese la
ecuación diferencial estocástica,de la forma,
dXt = b(Xt , θ)dt + σ(Xt , θ)dBt , X0 = x0 . (3-20)
en donde, se debe asumir que (3-20) tiene solución única para todo θ en algún subconjunto
abierto de un espacio paramétrico Θ, de la recta real; además, se tiene que σ es una función
positiva, y las funciones b y σ, se suponen de clase C 2 con respecto a ambos argumentos.
A continuación, se exhibe una forma para estimar el parámetro de reversión de la media

a, utilizando el método de máxima verosimilitud [Bickel and Doksum, 2015], se consi-
derarán observaciones de un proceso estocástico d − dimensional, cuyas observaciones se
representan de la forma X0 , Xt1 , . . . , Xtn . Ası́, la función de verosimilitud de las observacio-
nes X0 , Xt1 , . . . , Xtn condicionadas a X0 , es
n
Y
Ln (θ) = fθ ti − ti−1 , Xti−1 , Xti , con i = 0, . . . , n, (3-21)
i=1
donde y 7−→ fθ (s, x, y) es la densidad y t0 = 0. De acuerdo a las condiciones de regularidad el

estimador de máxima verosimilitud es eficiente, es decir, éste tiene la varianza asintóticamen-
te más pequeña entre todos los estimadores. Para más detalles véase [Sørensen et al., 2012].
En algunas ocasiones, no es fácil maximizar la función Ln (θ) porque los máximos pueden
no existir o no ser únicos, con el fin de evitar esto, se maximiza la función de log-
verosimilitud , la cual consiste en aplicar la siguiente transformación `n (θ) = log(Ln (θ)).
Puesto que la función logaritmo es monótona y estrictamente creciente en el intervalo (0, ∞),
sus máximos coinciden con los de la función de verosimilitud.
Nótese lo siguiente:
El parámetro θ será estimado a partir de observaciones discretas equidistantes de {Xt } ,

esto es, X∆ , X2∆ , . . . , Xn∆ .
La condición más importante para la siguiente expresión es que las integrales convergen.
A continuación se define la función de log-verosimilitud en tiempo continuo para la

ecuación (3-20), [Bibby and Sørensen, 1995]
Z t
1 t b2 (Xs , θ)
Z
ˆ b(Xs , θ)
`t (θ) = 2
dXs − ds. (3-22)
0 σ (Xs ) 2 0 σ 2 (Xs )
Usando sumas de Itô y sumas de Riemann para aproximar las integrales en (3-22) y diferen-
ciando con respecto a θ, se obtiene una aproximación como,
n
X ḃ(X(i−1)∆ , θ)
`ñ (θ) = (Xi∆ − X(i−1)∆ )
i=1
σ 2 (X(i−1)∆ )
n
X b(X(i−1)∆ , θ)ḃ(X(i−1)∆ , θ)
−∆ ,
i=1
σ 2 (X(i−1)∆ )
∂b
donde, la notación se sigue de [Bibby and Sørensen, 1995] y, se tiene que, ḃ = ∂θ .
Además, se supone que esta aproximación tiene en cuenta que los incrementos, Xi∆ −X(i−1)∆
están normalmente distribuidos, con media b(X(i−1)∆ ; θ)∆ y varianza σ 2 (X(i−1)∆ )∆. Si σ no
depende de θ se utiliza la función de log-verosimilitud (3-22), pero para nuestro caso, σ
depende de θ, de manera que la función de log-verosimilitud se transforma en:
n n
X ḃ(X(i−1)∆ , θ) X b(X(i−1)∆ , θ)ḃ(X(i−1)∆ , θ)
`ñ (θ) = 2
(Xi∆ − X(i−1)∆ ) − ∆ .
i=1
σ (X(i−1)∆ ; θ) i=1
σ 2 (X(i−1)∆ ; θ)
Sin embargo, la función anterior es sesgada [Bhowan, 2003], los detalles de esa afirmación se
omiten en el presente documento, sin embargo, con el fin de evitar el sesgo en dicha expresión
éste debe ser restado, ası́ que, utilizando la propiedad de esperanza condicional, respecto a
la filtración definida por =i = σ(X∆ , . . . , Xi∆ ), para todo i = 1, 2, . . .,
Fθ (x) = E [X∆ |X0 = x] , (3-23)
y, aplicando (3-23), se tiene que el sesgo estará dado por,

n n
X n
˙
˜ ˙
˜
o X ḃ(X(i−1)∆ ; θ)
Eθ ì (θ) − `(i−1) (θ)|=i−1 = 2
F (X(i−1)∆ ; θ) − X(i−1)∆
i=1 i=1
σ (X(i−1)∆ ; θ)
n
X b(X(i−1)∆ ; θ)ḃ(X(i−1)∆ ; θ)
−∆ .
i=1
σ 2 (X(i−1)∆ ; θ)
Esto significa que se obtiene la siguiente función de estimación cuya media es cero, debido a
que se le ha restado el sesgo que en adelante se notará como G̃n (θ).
[Bibby and Sørensen, 1995].

n
X ḃ(X(i−1)∆ ; θ)
G̃n (θ) = X i∆ − F (X (i−1)∆ ; θ) (3-24)
i=1
σ 2 (X(i−1)∆ ; θ)
n
X ḃ(X(i−1)∆ ; θ)
G̃n (θ) = 2 (X
{Xi∆ − E [Xi |Xi−1 ]} . (3-25)
i=1
σ (i−1)∆ ; θ)
Ahora, si se aplica el resultado anterior a la ecuación de la forma del modelo de temperatura

(2-11) y tomando como base el procedimiento realizado en la proposición 2.3.1, pero esta
vez, integrando sobre el intervalo (i − 1, i), esto es es, vamos a definir,
Ri
ads
e i−1 (θi − Ti ) = eai (θi − Ti ) ,
entonces, Z i
Zi = Zi−1 − eai σs dBs ,
0
De manera que,
Ri R i−1
Z i
ads ads
e 0 (θi − Ti ) = e 0 (θi−1 − Ti−1 ) − eai σs dBs
i−1
Ri R i−1 Ri
Z i
− ads ads − ads
θi − Ti = e 0 (θi−1 − Ti−1 ) − e
e 0 eai σs dBs 0
i−1
Ri
Z i
θi − Ti = e−a (θi−1 − Ti−1 ) − e− 0 ads eai σs dBs
i−1
Ri
Z i
−a − 0 ads
Ti = θi + e (Ti−1 − θi−1 ) − e eai σs dBs .
i−1
Además, puesto que,

E [Ti |Ti−1 ] = θi + e−a (Ti−1 − θi−1 ) . (3-26)
Entonces, aplicando los resultados anteriores en la función de estimación dada por (3-25)
para la ecuación (2-11), se sigue que,
n
X (θi−1 − Ti−1 )
(Ti − θi ) − e−a (Ti−1 − θi−1 ) .

G̃n (θ) = 2
(3-27)
i=1
σi−1
Siguiendo a [Sørensen et al., 2012, p.1] y con el fin de encontrar una estimación para el
parámetro â, se iguala la función G̃n (θ) a cero, esto se hace con el fin de despejar y resolver
la expresión para â, además, se define Yi−1 = (θi−1σ−T
2
i−1 )
, luego resolviendo para a, se obtiene
i−1
su estimación de la siguiente manera,
n
X n
X n
X
−a −a

Yi−1 (Ti − θi ) − e (Ti−1 − θi−1 ) = Yi−1 (Ti − θi ) − e Yi−1 (Ti−1 − θi−1 ) = 0
i=1 i=1 i=1
− ni=1 Yi−1 (Ti − θi )
P
−a
−e = Pn
i=1 Yi−1 (Ti−1 − θi−1 )
Pn
i=1 Yi−1 (Ti − θi )
â = − log Pn
i=1 Yi−1 (Ti−1 − θi−1 )
 Pn θ −T 
i=1
i−1
2
σi−1
i−1
(Ti − θi )
â = − log  P .
n θi−1 −Ti−1
i=1 σ2
(Ti−1 − θi−1 )
i−1
El anterior resultado, muestra una forma de estimar el parámetro de reversión a la media

del componente determinista de la ecuación (2-11). Nótese que el término σij2 , se refiere a los
valores de varianza obtenidos con los datos de temperatura superficial del mar del mes i en
el año especı́fico j.
3.2.4. Estimación de la volatilidad σt

Con el fin de estimar la volatilidad del parámetro estocástico de la ecuación (2-11) se pro-
cedió a usar el enfoque expuesto en [Bhowan, 2003], donde la volatilidad no es constante,
puesto que cambia al azar durante cada mes, ésta se considera como un proceso estocástico,
particularmente se supone como un proceso con reversión a su media a largo plazo como se
utilizó en el capı́tulo 2 para el caso de la ecuación (2-11).
Ası́, la ecuación diferencial para calcular la volatilidad, tiene la siguiente forma [Bhowan, 2003],
dσt = aσ (σtend − σt ) dt + γσ dBt , (3-28)
donde σtend corresponde a la tendencia calculada a partir de los datos de las desviaciones
estándar observadas.
Ahora bien, es necesario estimar los valores de γσ y aσ . Su estimación se dará a continuación
Estimación parámetro γσ
Para estimar el parámetro γσ de la ecuación (3-28) que se usará para conocer el valor del
parámetro de reversión aσ , se hará uso del estimador dado por [Basawa and Prakasa Rao, 1980,
p. 212], el cuál representa una variación cuadrática, definida como en el capı́tulo 1, particu-
larmente en la definición (1.3.2),
n−1
1X
γσ2 = (σj+1 − σj )2 , (3-29)
n j=0
donde n es el número de observaciones.
Estimación del parámetro de reversión a la media aσ

Ahora bien, para estimar el parámetro de reversión a la media aσ se seguirá la metodologı́a
utilizada para el parámetro de reversión a la media, visto en la sección anterior, partiendo
del hecho que σtend es una constante, se tiene lo siguiente:
dσt = aσ (σtend − σt ) dt + γσ dBt

dσtend
dσt = aσ (σtend − σt ) + dt + γσ dBt .
dt
Realizando el mismo procedimiento aplicado en la demostración de la proposición 2.3.1
y de acuerdo a la ecuación (3-26), se tiene que,
E [σi |σi−1 ] = σtend + e−a (σi−1 − σtend ) . (3-30)
Por lo tanto la función G̃n (aσ ) se expresa como,

n
X (σtend − σi−1 )
(σi − σtend ) − e−aσ (σi−1 − σtend )

G̃n (aσ ) = 2
(3-31)
i=1
γσ
Siguiendo a [Sørensen et al., 2012, p.1] y con el fin de encontrar una estimación de la función
anterior, se hace G̃n (aσ ) = 0, para ello, sea Si−1 = (σtendγ−σ
2
i−1 )
, luego resolviendo para aσ , se
σ
obtiene su estimación de la siguiente manera,
n
X n
X n
X
Si−1 (σi − σtend ) − e−aσ (σi−1 − σtend ) = Si−1 (σi − σtend ) − e−aσ

Si−1 (σi−1 − σtend )
i=1 i=1 i=1
− ni=1 Si−1 (σi − σtend )
P
−e−âσ = Pn
i=1 Si−1 (σi−1 − σtend )
Pn
S i−1 (σ i − σtend )
aˆσ = − log Pni=1
i=1 Si−1 (σi−1 − σtend )
 Pn σ −σ 
i=1
tend
γσ2
i−1
(σi − σ tend )
aˆσ = − log  P .
n σtend −σi−1
i=1 γ2
(σ i−1 − σ tend )
σ
3.3. Estimación del modelo propuesto completo

El objetivo principal de esta sección, consiste en estimar los parámetros desconocidos del
modelo propuesto (2-15), partiendo del hecho, que en las secciones anteriores, ya se ha
mostrado la estimación paramétrica del modelo de temperatura (2-11), de manera que se
muestra la forma de estimar los parámetros de las dos primeras ecuaciones del siguiente
sistema de ecuaciones diferenciales estocásticas,
X

dYt = [βYt Xt − ηYt ] dt + σ2 dWt (3-32)

dt
t
dt + σt dBt .
2 2
expresan en elvector θ = (r, k, β, η, σ1 , σ2 ), luego, se estimará
los parámetros desconocidos se
el vector de parámetros θ̂ = r̂, k̂, β̂, η̂, σˆ1 , σˆ2 , utilizando la estimación por máxima verosi-
militud en las ecuaciones discretizadas del modelo (3-32) siguiendo a [Aguirre et al., 2013] y
[Rı́os, 2019].
Debe recordarse la definición de Xt , como la abundancia de la especie en el tiempo t, y la

captura por unidad de esfuerzo pesquero en el tiempo t, notado como Yt . Dado que los datos
recogidos fueron tomados mensualmente, se trabajarán con n meses.
Se calculará entonces la función de verosimilitud de los datos de la muestra, con el fin

de encontrar los estimadores de θ, que calculados en un conjunto de datos, permiten hallar
el valor del parámetro que los hacen más probables. La función de verosimilitud está expre-
sada en términos de los parámetros θ desconocidos del modelo (3-32). Los estimadores de
máxima veorsimilitud del vector de parámetros θ̂ = r̂, k̂, β̂, η̂, σˆ1 , σˆ2 serán los valores de θ̂
que maximizan la función de verosimilitud de la muestra.
De acuerdo a la definición del método de Euler-Maruyama (3.1), el sistema de ecuaciones

discretizadas del modelo (3-32) queda determinado por,
" #
rXt2j
Xtj+1 = Xtj + rXtj − − βYtj Xtj ∆tj + σ1 ∆Tj (3-33)
k

Ytj+1 = Ytj + βYtj Xtj − ηYtj ∆tj + σ2 ∆Wj (3-34)
0
Ttj+1 = Ttj + a θtj − Ttj ∆tj + θtj + σn ∆Bj . (3-35)
3.3 Estimación del modelo propuesto completo 63
En la expresión (3-35) la variable σn , que también representa un proceso de Ornstein-

Uhlenbeck, como se vió en la sección anterior, está representada como:
σn = σn−1 + aσ (σtend − σn−1 ) + δσ Z1 , (3-36)
donde Z1 ∼ N (0, 1) [Bhowan, 2003].
Por lo tanto, las ecuaciones discretizadas del modelo, utilizando el método de Euler-Maruyama,
quedan expresadas como,

rXt2

j
 Xtj+1 = Xtj + rXtj − k − βYtj Xtj (tj+1 − tj ) + σ1 (Ttj+1 − Ttj )


(3-37)
 Y tj+1
= Y tj
+ βY tj
X tj
− ηY tj
(tj+1 − tj ) + σ2 (Wtj+1 − Wtj )
0

Ttj+1 = Ttj + a θtj − Ttj (tj+1 − tj ) + θtj + σn (Btj+1 − Btj ).

Debido a que los parámetros desconocidos de la ecuación (3-35) ya han sido estimados, nos
centrarémos en el estudio de los parámetros de las ecuaciones estocásticas discretizadas
(3-33)

y (3-34), por lo tanto, se busca el estimador de máxima verosimilitud θ̂ = r̂, k̂, β̂, η̂, σˆ1 , σˆ2
del vector de parámetros θ para las ecuaciones (3-37). Si (xj , yj ), para todo j = 1, 2, . . . , n de-
finen un conjunto de n valores observados de las variables (Xj , Yj ) para todo j = 1, 2, . . . , n.
Entonces, en el tiempo tn , el cual expresa, que dadas las observaciones del pasado, defini-
das por el proceso estocástico dado por {(Xj , Yj ), j = 1, 2, . . . , n}, el estimador de máxima
verosimilitud, es el valor de θ que maximiza la siguiente función de verosimilitud,
n
Y
L(θ) = f (xj , yj |xj−k , yj−k : k = 1, 2, . . .) , (3-38)
j=1
donde, f (x, y|xj−k , yj−k : k = 1, 2, . . .) es la función de densidad condicional en el punto (x, y)

de la variable aleatoria (Xj , Yj ).Entonces, si suponemos en la función
f (xj , yj |xj−k , yj−k : k = 1, 2, . . .) ,
para cada j = 1, 2, . . . , n se tiene la información, y que ésta posee la propiedad de Markov

debido a que se supone que el número de peces (abundancia en la captura) y el esfuerzo
aplicado para capturar los n peces en el tiempo j, depende únicamente de las observaciones
hechas en el tiempo inmediatamente anterior expresado como j − 1, entonces, la función de
verosimilitud (3-38) queda determinada por,
n
Y
L(θ) = f (xj , yj |xj−1 , yj−1 : j = 1, 2, . . . , n) . (3-39)
j=1
Ahora bien, con el fin de encontrar la distribución de Zj = (Xj , Yj ), primero debe especificarse
que en (3-37), la ecuación (3-35) se puede escribir de la forma,
0
Ttj+1 − Ttj = a θtj − Ttj (tj+1 − tj ) + θtj + σn (Btj+1 − Btj ).
Por las propiedades del movimiento browniano, tanto {Bt }t≥0 como {Wt }t≥0 tienen incre-
mentos independientes y estacionarios, además, para tj < tj+1 , se tiene que, (Btj+1 − Btj ) ∼
N (0, tj+1 − tj ) y (Wtj+1 − Wtj ) ∼ N (0, tj+1 − tj ); lo que significa que cada incremento está
normalmente distribuido con media 0 y varianza igual a la longitud del incremento que se-
para a tj y tj+1 .
Debido a que se hacen mediciones por unidad de tiempo, en particular, mediciones diarias,
se tiene que tj+1 − tj = 1, de manera que, (Btj+1 − Btj ) ∼ N (0, 1) y (Wtj+1 − Wtj ) ∼ N (0, 1).
Entonces,
Ttj+1 − Ttj ∼ N µt , σn2

Luego, Zj = (Xj , Yj ) ∼ N (µj , Σj ) dado {Zj−k : k = 1, 2, . . .}, donde Σj se expresa explı́ci-

tamente como una función de observaciones del pasado, es decir, aplicando la propiedad
de Markov, debido a que se supone que el número de peces (abundancia en la captura) y
el esfuerzo aplicado para capturar los n peces en el tiempo j, depende únicamente de las
observaciones hechas en el tiempo inmediatamente anterior expresado como j − 1.
Luego (Xj , Yj |Xj−1 , Yj−1 ) representa una variable aleatoria que toma los valores observados
(xj−1 , yj−1 ) con población media de peces µxj y esfuerzo medio ejercido µyj para determinado
mes o dı́a, además, la varianza para ambas poblaciones es de σ12 x2j y σ22 yj2 , respectivamente.
Luego, la función de densidad de probabilidad f (xj , yj |xj−1 , yj−1 ) es,
1 (xi − µxi )2 (yi − µyi )2

1
f (xi , yi |xi−1 , yi−1 ) = p exp − + ,
2πσ1 σ2 x2i yi2 2 σ12 x2i σ22 yi2
donde,
rx2i

µxi = xi + rxi − − βyi xi , (3-40)
k
y
µyi = yi + [βyi xi − ηyi ] . (3-41)
Reemplazando la fdp anterior en la ecuación (3-39) se obtiene,

n
1 (xi − µxi )2 (yi − µyi )2

Y 1
L(θ; xi , yi ) = exp − +
σ12 x2i σ22 yi2
q
i=1 2πσ1 σ2 x2j yi2 2
( n )
1 1 X (xi − µxi )2 (yi − µyi )2
= n exp − 2 2
+ 2 2
,
Y 2 i=1
σ1 x i σ2 y i
(2πσ12 σ22 )n/2 xi y i
i=1
luego, la función de log-verosimilitud está dada por,

n n
`(θ) = − ln (2π) − ln (σ12 σ22 )
2 2
n n (3-42)
1 X (xi − µxi )2 (yi − µyi )2
X
− ln (xi yi ) − 2 2
+
i=1
2 i=1
σ 1 x i σ22 yi2
para estimar los parámetros de θ es necesario maximizar la función de log-verosimilitud, lue-

go, se encontrará la primera derivada y se calculará explı́citamente el valor de los estimadores
que maximizan la función de log-verosimilitud. Inicialmente se calcularán los estimadores pa-
ra σ1 y σ2 ası́,
n
1 X (xi − µxi )2

∂`(θ) n
= − 2+ ,
∂σ12 2σ1 2(σ12 )2 i=1 x2i
Se iguala a cero la derivada anterior, con el fin de encontrar una expresión candidata a ser
el estimador de máxima verosimilitud para σ12 , ası́,
n
1 X (xi − µxi )2

n
− 2 = −
2σ̂1 2(σ̂12 )2 i=1 x2i
n
1 X (xi − µxi )2
σ̂12 =
n i=1 x2i
Calculando la segunda derivada, se obtiene que,

n
∂ 2 `(θ) 1 X (xi − µxi )2

n
= −
∂(σ12 )2 2(σ12 )2 (σ12 )3 i=1 x2i
∂ 2 `(σ̂ 2 )
Luego, ∂(σ2 )12 < 0, de manera que σ̂12 es el valor de σ12 donde la función de verosimilitud
1
alcanza su valor máximo. Luego σ̂12 es el estimador de máxima verosimilitud de σ12 .
Ahora bien, para encontrar el estimador máximo verosimil de σ22 , se sigue un procedimiento
análogo al anterior, obteniéndose ası́ lo siguiente:
n
1 X (yi − µyi )2

∂`(θ) n
= − 2+ ,
∂σ22 2σ2 2(σ22 )2 i=1 yi2
igualando a cero la derivada anterior, con el fin de encontrar una expresión candidata a ser
el estimador de máxima verosimilitud para σ22 , se obtiene,
n
1 X (yi − µyi )2
σ̂22 = ,
n i=1 yi2
ahora, calculando la segunda derivada de la función de verosimilitud con respecto a σ22 se

tiene:
n
∂ 2 `(θ) 1 X (yi − µyi )2

n
= − .
∂(σ22 )2 2(σ22 )2 (σ22 )3 i=1 yi2
∂ 2 `(σ̂ 2 )
Puesto que, ∂(σ2 )22 < 0, de manera que σ̂22 es el valor de σ22 donde la función de verosimili-
2
tud alcanza su valor máximo. Luego σ̂22 es el estimador de máxima verosimilitud de σ22 .
Para estimar los parámetros, r, k, β y η, se seguirá un procedimiento análogo al anterior,

reemplazando en la función de verosimilitud, los valores dados por las expresiones (3-40) y
(3-41) para µxi y µyi , respectivamente; a partir de las primeras derivadas parciales igualadas
a cero, se crea el sistema de ecuaciones con el propósito de estimar explı́citamente los valores
de θ que hacen que la función de verosimilitud alcance su valor máximo.
La función de verosimilitud, reemplazando los valores para µxi y µyi , definidos en (3-40) y
(3-41), respectivamente, queda expresada como sigue:

n
n n 2 2
X
`(θ) = − ln (2π) − ln (σ1 σ2 ) − ln (xi yi )
2 2 i=1
 h i2 
rx2i
1 X  xi − xi − rxi − k − βyi xi
n
−

2 2
2 i=1 σ1 xi
 
n
!
1X (yi − (yi + [βyi xi − ηyi ]))2
−
2 i=1 σ22 yi2
 2 
rx2i
 −rxi + + βyi xi
n n
n n X 1 X k
`(θ) = − ln (2π) − ln (σ12 σ22 ) − xi y i −

2 2 2 σ12 x2i
 
i=1 i=1
n
!
1X (−βyi xi + ηyi )2
− .
2 i=1 σ22 yi2
Con el fin de estimar el parámetro r, se calcula la derivada de la función de verosimilitud

anterior con respecto a r, obteniéndose,
n
2rx2i

∂`(θ) 1 X 4rxi 2βyi xi
= − 2 2r − − 2βyi + 2 + . (3-43)
∂r 2σ1 i=1 k k k
Luego el valor del estimador de máxima verosimilitud del parámetro θ̂ debe satisfacer
la siguiente igualdad,
n
!
1 X 4r̂xi 2r̂x2i 2β̂yi xi
− 2 2r̂ − − 2βyi + + =0
2σ1 i=1 k̂ k̂ 2 k̂
n n n n
4r̂ X 2r̂ X X 2β̂ X
2r̂n − xi + x2i − 2β yi + y i xi = 0 (3-44)
k̂ i=1 k̂ 2 i=1 i=1 k̂ i=1
n n n n
2r̂ X r̂ X X β̂ X
r̂n − xi + x2i − β yi + y i xi = 0
k̂ i=1 k̂ 2 i=1 i=1 k̂ i=1
Para estimar el parámetro k, se calcula la derivada de la función de verosimilitud

anterior con respecto a k, obteniéndose,
n
1 X 2r2 xi 2r2 x2i

∂`(θ) 2rβyi xi
= − 2 − − . (3-45)
∂k 2σ1 i=1 k2 k3 k2
n
!
1 X 2r̂2 xi 2r̂2 x2i 2r̂β̂yi xi
− 2 − − =0
2σ1 i=1 k̂ 2 k̂ 3 k̂ 2
n n n
r̂2 X r̂2 X 2 r̂β̂ X
xi − xi − y i xi = 0 (3-46)
k̂ 2 i=1 k̂ 3 i=1 k̂ 2 i=1
n n n
X r̂ X 2 X
r̂ xi − xi − β̂ y i xi = 0
i=1 k̂ i=1 i=1
Para estimar el parámetro η, se calcula la derivada de la función de verosimilitud

anterior con respecto a η, obteniéndose,
n
∂`(θ) 1 X
= − 2 (−2βxi + 2η) . (3-47)
∂η 2σ1 i=1
n
1 X
− 2 −2β̂xi + 2η̂ = 0
2σ̂1 i=1
n (3-48)
X
−β̂ xi + nη̂ = 0
i=1
Con el fin de estimar el parámetro β, se calcula la derivada de la función de verosimi-

litud anterior con respecto a β, obteniéndose,
n
∂`(θ) 1 X 2ryi xi 2
= − 2 −2ryi + + 2βyi (3-49)
∂β 2σ1 i=1 k
n
1 X
2βx2i − 2ηxi .

− 2 (3-50)
2σ2 i=1
n
1 X 2r̂yi xi 2
− 2 −2r̂yi + + 2β̂yi
2σ̂1 i=1 k̂
n
1 X
− 2 2β̂x2i − 2η̂xi = 0.
2σ̂2 i=1
n n n
! (3-51)
1 X r̂ X X
− 2 −r̂ yi + yi xi + β̂ yi2
σ̂1 i=1 k̂
i=1 i=1
n n
!
1 X X
− β̂ x2i − η̂ xi =0
σ̂22 i=1 i=1
Se resuelve el sistema de ecuaciones no lineales conformado por las expresiones (3-44), (3-46),
(3-48) y (3-51) numéricamente utilizando el programa Wolfram Mathematica, por lo tanto
se encuentra un método práctico, por medio de soluciones explı́citas, para estimar θ̂, con un
número fijo de observaciones n, dadas por el programa. Las soluciones están determinadas
por:
n (αζ (κ − 6ν%) + % (3ν% − κ) − α2 (ζ 2 − 4νλ))
r̂ = (3-52)
ϕ
αrn (α κ + α (−ν%) + α3 ζ + 2ανζn − 2ν 2 n%)
2 2
η̂ = − (3-53)
nϕ
rn (α (κ + ν% − α ζ − 2ανζn + 2ν 2 n%))
2 3
β̂ = (3-54)
ϕ
2
ζκ + 4ανλ − αζ − 3νζ%
k̂ = , (3-55)
4α2 λ − 6αζ% + 2ζ 2 n
donde,
n
X n
X n
X n
X n
X
α= xi , ν= x2i , ζ= x i yi , %= yi y λ = yi2 .
i=1 i=1 i=1 i=1 i=1
También,
p
κ = α2 (8νλ + ζ 2 ) − 18ανζ% + ν (−8νλn + 9ν%2 + 8ζ 2 n),
ϕ = 2 α2 2ν%2 + ζ 2 n − 4α3 ζ% + 2α4 λ − 2ανζn% + ν 2 n%2

Ası́, las expresiones anteriores, servirán para calcular los parámetros de las ecuaciones del
modelo (2-15) los cuales serán aplicados a los datos proporcionados.
CAPÍTULO 4
Aplicación del modelo propuesto a los datos de estudio
El presente capı́tulo muestra los resultados de las estimaciones obtenidas con el uso del
modelo estocástico propuesto en (2-15), dichas estimaciones se contrastan con los valores
observados, tomados en la zona de estudio de la región Pacı́fica Colombiana dada en (2-1);
primero se presentan los valores numéricos de los parámetros del modelo de temperatura, tras
aplicar los estimadores dados en la sección (3.2), seguido a ello, se muestra el resultado de
los parámetros calculados estimados, propuestos en la sección (3.3). El capı́tulo finaliza
con un análisis de sensibilidad realizado a cada uno de los parámetros analizados en el mode-
lo, esto con el fin de ver el comportamiento de los mismos, cuando cambian su valor numérico.
Para cada una de las variables analizadas, con el fin de medir la bondad de ajuste de los
valores predichos por el modelo propuesto, con los valores observados, se calculó la raı́z del
error cuadrático medio (RMSE - por sus siglas en inglés), el cual mide las diferencias entre
los valores pronosticados y los valores observados, su fórmula es la siguiente,
r Pn
i=1 (ŷi − yi )2
RM SE = , (4-1)
n
donde ŷi , representa los valores predichos, yi , los valores observados y n representa el número
de observaciones en la muestra.
72 4 Aplicación del modelo propuesto a los datos de estudio
4.1. Estimación del modelo de temperatura

A continuación se estimarán los valores de temperatura superficial promedio del mar, en
consonancia con la definición dada por (3.2.1). Puesto que, en dicha sección, se obtuvo que
los datos de temperatura superficial promedio siguen una distribución normal, es posible
utilizar el modelo de temperatura definido por un proceso estocástico con reversión a la media
estacional, la cual permite descomponer la dinámica de la temperatura, en sus componentes
determinista y estocástica, definido por una extensión al proceso de Ornstein-Uhlenbeck, la
cual se expresa por medio de la ecuación (2-11). El número de datos muestreados para la
temperatura promedio superficial del mar es de n = 420.
4.1.1. Estimación de la función de reversión a la media θt

De acuerdo a la definición de la función determinı́stica de reversión a la media θt dada por la
expresión (3-8) y utilizando la estimación dada por mı́nimos cuadrados ordinarios (MCO),
se obtuvieron los siguientes resultados, expresados en la siguiente tabla, donde es posible ver
que los parámetros βi dados en la sección (3.2.2) son significativos.
Coef. Estimación Error Est. t-valor p-valor

β0 27.385347 0.062234 440.036 <2e-16 ***
β1 0.000808 0.000221 3.645 0.000301 ***
β2 -0.615167 0.014297 -43.028 <2e-16 ***
β3 -1.889437 0.006658 -283.774 <2e-16 ***
Tabla 4-1.: Resultado estimación de parámetros vı́a mı́nimos cuadrados ordinarios.
Error estándar residual: 0,0173 con 416 grados de libertad.

R2 múltiple: 0,9988.
R2 ajustado: 0,9988.
Estadı́stica de Fisher: 1,201e + 05 con 3 y 416 grados de libertad, p-valor : < 2,2e − 16.
De manera que los valores para la función que modela la componente determinı́stica del
modelo de temperatura, dada por,
θt = A + Bt + D sin(ωt) + E cos(ωt),
se calcularán utilizando los valores estimados en la regresión utilizando la forma de estimación

4.1 Estimación del modelo de temperatura 73
dada en (3-19), ası́ que,



 A = 27, 385347

B = 0, 0008088

(4-2)

 φ = 1, 256038

 C = −1, 98706.
Luego, la función determinı́stica, que representa la función de reversión a la media estimada,

es la siguiente:
h π i
θt = 27, 385347 + 0, 0008088t − 1, 98706 sin t + 1, 256038
6
La siguiente gráfica muestra la aproximación determinı́stica por medio de la función de

reversión a la media, graficada con los valores de temperatura superficial del mar observados,
es posible observar que la gráfica roja no contempla la variabilidad y los saltos de los valores
observados de temperatura superficial del mar. De acuerdo a esto, se hace necesario analizar
el comportamiento de la temperatura utilizando el movimiento browniano, con el fin de
mejorar la estimación y el ajuste de los valores de temperatura.
Figura 4-1.: Comparación histórica determinı́stica de la temperatura superficial del mar

promedio, medida en o C, optimizando θt .
Calculando la raı́z del error cuadrático medio (RMSE) de acuerdo a la fórmula (4-1),
se tiene que la bondad de ajuste de los valores predichos de temperatura dados por
θt , con los valores observados, es de RM SE = 0, 68382. No es un valor muy alto,
sin embargo, en la gráfica se puede apreciar que la temperatura no sólo tiene una
componente estacional para su ajuste.
4.1.2. Estimación del parámetro de reversión a la media a

Se aproximará el valor del parámetro de reversión a la media, de la parte determinı́stica de
la ecuación (2-11), por medio de la ecuación,
 Pn θ −T 
i=1
i−1
2
σi−1
i−1
(Ti − θi )
â = − log  P . (4-3)
n θi−1 −Ti−1
i=1 σ2
(Ti−1 − θi−1 )
i−1
Nótese que el término σij2 , se refiere a los valores de varianza obtenidos con los datos de
temperatura superficial del mar del mes i en el año especı́fico j, es decir, hay 420 valores
correspondientes a la varianza de los meses transcurridos desde el mes de enero del año 1979
hasta el mes de diciembre del año 2013.
Ası́, reemplazando los valores obtenidos en la ecuación de â, el parámetro de reversión está
dado por:
â = 0, 161490323.
4.1.3. Estimación de la volatilidad σt

Es importante precisar que en los datos de temperatura se contaba con valores de las des-
viaciones estándar de los valores máximos, mı́nimo y promedio de temperatura superficial
del mar, alcanzada en el tiempo de estudio, dichos valores se representan en la figura (4-2),
allı́ se aprecia la necesidad de modelar la volatilidad, de nuevo como un proceso de Ornstein-
Uhlenbeck con reversión a la media, esto como consecuencia de la marcada variabilidad entre
las distintas desviaciones de los valores de temperatura superficial del mar, ası́ que es ade-
cuado utilizar la forma de estimación de la volatilidad dada en la sección (3.2.4), cuya
ecuación diferencial estocástica, está dada por,
dσt = aσ (σtend − σt ) dt + γσ dBt , (4-4)

4.1 Estimación del modelo de temperatura 75
donde la expresión σtend corresponde a la tendencia calculada a partir de los datos de las
desviaciones estándar observadas.
Ası́, el valor estimado es, σtend = 0, 152565426. Los valores se muestran en la siguiente gráfica.
Figura 4-2.: Desviaciones estándar de las temperaturas mensuales observadas con la lı́nea
de tendencia.
Estimación parámetro γσ
De acuerdo a la sección (3.2.4), la forma para estimar γσ , es por medio de la variación

cuadrática, dada por
n−1
1X
2
γσ = (σj+1 − σj )2 , (4-5)
n j=0
donde n es el número de observaciones que, para nuestro caso, es n = 420, reemplazando los
valores, se tiene que,
γσ2 = 0, 006358538.
Estimación del parámetro de reversión a la media aσ

De acuerdo a la sección (3.2.4), el parámetro de reversión a la media, se estima por medio
de la ecuación,  Pn σ −σ 
i=1
tend
γσ2
i−1
(σi − σtend )
aˆσ = − log  P .
n σtend −σi−1
i=1 γ2
(σi−1 − σtend )
σ
Luego, aplicando dicho resultado a los datos, se obtiene que el valor de reversión de la media
para la volatilidad es:
âσ = 0, 515815007.
De manera que se ha encontrado el valor de los parámetros del modelo de temperatura. En
la siguiente sección, se calcularán los demás parámetros del modelo, con el fin de analizar
las relaciones entre las variables de estudio y simular las trayectorias de cada una de las
ecuaciones diferenciales estocásticas, por medio de programas computacionales como lo son
MATLAB y R-Studio.
4.2. Estimación estocástica del modelo propuesto

Esta sección muestra los resultados obtenidos de los parámetros del modelo (4-6) tras utili-
zar la estimación dada vı́a máxima verosimilitud, de acuerdo a las ecuaciones estimadas por
medio del programa Wolfram Alpha, dadas en la sección (3.3) dichos valores estimados
serán reemplazados en el modelo estocástico propuesto y a partir de allı́ se harán las com-
paraciones entre los valores predichos con el modelo y los observados, recuérdese el modelo
propuesto, dado por,
X

 dXt = rXt 1 − kt − βEt Xt dt + σ1 dTt
dEt = [βEt Xt − ηEt ] dt + σ2 dWt (4-6)
dθt

dTt = a (θt − Tt ) + dt dt + σt dBt .

Se tienen los siguientes valores, calculados a partir del uso del programa estadı́stico R-Studio,
los códigos utilizados se pueden apreciar en los anexos A y B. Ası́ que,
El valor de r̂ ≈ 0, 08917645, representa la tasa intrı́nseca de crecimiento de la población
del pez Dorado (Coryphaena Hippurus).
El valor de k̂ ≈ 64.697,861 , representa el número máximo de individuos, asociado

al pez Dorado. Este valor se toma en términos de número de individuos y no por
toneladas, debido a que los datos de estudio proporcionados para el caso de la captura,
están dados por número de individuos capturados en la zona de muestreo.
4.2 Estimación estocástica del modelo propuesto 77
El valor η̂ ≈ 350 641,900, representa el costo monetario por unidad de esfuerzo de pesca
y unidad de tiempo. Es importante precisar que dicho resultado obedece a un valor
estimado a partir de las ecuaciones que se obtuvieron por máxima verosimilitud. Se
debe corroborar con el especialista en el área, si efectivamente representa un valor
cercano a la realidad.
El valor de β̂ ≈ 0, 00202330, corresponde al coeficiente de capturabilidad, es decir, a

la fracción de la población que es extraı́da por unidad de esfuerzo.
El valor de la variable de difusión σ̂12 ≈ 0,1589271, asociada a la variablidad que

presenta la temperatura a la hora de relacionar abundancia de la especie, captura por
unidad de esfuerzo y la misma temperatura. Esta relación es positiva y mayor a cero,
corresponde ahora verificar, si en las simulaciones, se evidencia una relación directa o
indirecta, entre los parámetros de estudio.
El parámetro asociado a la variable de difusión σ̂22 ≈ 2,080035, correspondiente a la

variabilidad de los precios de acuerdo al gasto en la captura por unidad de esfuerzo.
Los parámetros estimados del modelo de temperatura, expresados en la sección ante-

rior, es decir, θt , â, γσ2 y âσ , cuyos valores se encuentran en la sección (4.1).
Utilizando el programa estadı́stico R−Studio y el código presente en el Anexo B, es posible

obtener los siguientes resultados.
Se harán a continuación las comparaciones entre los valores predichos a partir del modelo y
los observados.
4.2.1. Comparación entre abundancia predicha y abundancia

observada
En la siguiente gráfica se observa un buen ajuste entre los valores estimados y los valores
reales. Los valores estimados se obtuvieron utilizando la estimación por máxima verosimilitud
y la discretización del modelo a través del método de Euler-Maruyama, explicados en la
sección (3.1). Los datos reales fueron suministrados por el grupo de investigación en Recursos
Hidrobiológicos de la Universidad Nacional de Colombia, Sede Palmira, en conjunto con la
empresa: Sepúlveda Rodgers y Cia Ltda.
Figura 4-3.: Comparación de la abundancia observada y de la abundancia simulada con

Euler-Maruyama
Se calculó la raı́z del error cuadrático medio (RMSE - por sus siglas en inglés), con
el fin de medir las diferencias entre los valores pronosticados por el modelo hipotético
(2-15) y los valores de abundancia observados, es decir, la calidad del ajuste entre los
datos reales y lo valores predichos, el valor obtenido es,
RM SE = 0, 39657527.
4.2.2. Comparación entre captura por unidad de esfuerzo predicho y

captura por unidad de esfuerzo observada
La siguiente gráfica representa los valores simulados de captura por unidad de esfuerzo, de
acuerdo a los valores obtenidos por la estimación vı́a máxima verosimilitud y usando la
discretización de las ecuaciones del modelo (4-6) por el método de Euler-Maruyama.
Figura 4-4.: Valores observados de captura por unidad de esfuerzo y predichos, sin el
parámetro κ.
Como se puede apreciar en la figura (4-4), existe una contracción de los datos reales con
respecto al modelo estimado. Esto se debe a que las predicciones que realiza el modelo oscilan
entre 0 y 50. Por esto se hace necesario utilizar un parámetro de ajuste, denotado por κ, el
cual tiene como propósito comprimir la gráfica de la función estimada. De esta manera, el
sistema de ecuaciones que conforman el modelo estocástico (4-6) con el parámetro κ, será
utilizado para estimar los valores de la captura por unidad de esfuerzo y corresponde a,
X

dYt = κ [βYt Xt − ηYt ] dt + κσ2 dWt (4-7)

dt
t
dt + σt dBt .
1
Empı́ricamente se ha establecido que el valor del estimador de κ, que minimiza la suma
1
El propósito de κ se centra únicamente en ajustar los datos reales con respecto a la función simulada
mediente el método de Euler-Maruyama.
n
X
de cuadrados del error del modelo, es κ̂, dicho valor, hace que la suma, (yti − κŷti )2 , sea
i=1
mı́nima. En la ecuación anterior ŷti denota los valores de la aproximación por el método de
Euler-Maruyama de la función Y (la solución implı́cita de Y para la ecuación (4-6) aproxi-
mada por Euler-Maruyama) y yti corresponde a los datos observados de captura por unidad
de esfuerzo.
Para determinar el valor de κ̂ por mı́nimos cuadrados ordinarios se utiliza la función Optim
en R-Studio, la cual utiliza el método numérico de diferencias finitas, el cual requiere de va-
lores iniciales de los parámetros a estimar, sugerido en [Nelder and Mead, 1965]. En el anexo
B se muestra el correspondiente código, con el que se obtuvo un valor de κ̂ ≈ 0,00003890321.
En la siguiente gráfica se muestran los datos del esfuerzo yti y el esfuerzo estimado ŷti .
Nótese que, el valor de la raı́z del error cuadrático medio es de RM SE = 0, 066680332,
con dicho valor, es posible evidenciar que presenta un muy buen ajuste ya que el error es
bajo con respecto a los demás casos estudiados, es decir, hay un mejor ajuste del sistema de
ecuaciones dado por (4-7) en comparación el sistema de ecuaciones (4-6).
Figura 4-5.: Captura por unidad de esfuerzo observada y predicha de acuerdo al método
de Euler-Maruyama.
4.2.3. Comparación entre temperatura superficial del mar predicha y

temperatura superficial del mar observada
En la sección (4.1), se estimaron los parámetros correspondientes al modelo de temperatu-
ra que utiliza el proceso de Ornstein-Uhlenbeck, utilizando la discretización de las ecuaciones
(3-35) y (3-36) por el método de Euler-Maruyama, haciendo uso de la simulación realizada
en MATLAB, tras una adaptación del código de libre acceso, visto en [Bhowan, 2003] como
se puede observar en el Anexo A. Tras reemplazar dichos valores, se obtuvieron los valores
predichos de la temperatura superficial del mar promedio que se presentan en la siguiente
gráfica,
Figura 4-6.: Comparación de la temperatura superficial de mar observada y la temperatura

superficial del mar simulada con Euler-Maruyama
Analizando la gráfica, se puede comparar que la estimación mejora significativamente, con

respecto a la estimación hecha con la función de reversión a la media θt como es posible
apreciar en la figura (4-1), esto quiere decir que modelar la temperatura por medio de un
proceso estocástico con reversión a la media, proporciona mejores ajustes que los dados por
modelos determinı́sticos, debido a que éstos últimos no contemplan la variabilidad, como si
lo hacen los modelos estocásticos.
Se realizó el cálculo de la raı́z del error cuadrático medio, el cual dio como resultado,
RM SE = 0, 232686152, mucho mejor que el obtenido con la estimación determinı́stica
que fue de RM SE = 0, 68382.
4.3. Relaciones entre las variables de estudio

La presente sección tiene el propósito de exponer gráficamente los resultados obtenidos tras
analizar los valores numéricos usando máxima verosimilitud y la discretización del modelo
por Euler-Maruyama, es importante resaltar que para el caso de la variable temperatura, se
ajustaron los valores de temperatura superficial del mar promedio, para los años 2010−2012,
puesto que este es el periodo comprendido para los cuales se tiene la información de las demás
variables.
4.3.1. Relación entre la abundancia de la especie y la temperatura

superficial del mar
Partiendo de los parámetros estimados a partir del modelo estocástico propuesto (4-6), fue
posible generar valores de las variables correspondientes a la abundancia de la especie en el
tiempo t, Xt y a la temperatura superficial del mar en el tiempo t, Tt , razón por la cual, es
posible analizar la relación entre dichas variables. La siguiente gráfica muestra el diagrama
de dispersión y la respectiva recta de regresión, con el fin de analizar la relación entre las
variables mencionadas, sin embargo, se aprecia una correlación pequeña de 0, 167. Dicha
correlación no es significativa, lo que sugiere que no existe una relación directa fuerte entre
la variable temperatura superficial del mar y la abundancia de la especie pez Dorado, esto
para el caso particular de la zona de estudio.
Figura 4-7.: Diagrama de dispersión que relaciona la abundancia de la especie con la tem-
peratura superficial del mar.
4.3 Relaciones entre las variables de estudio 83
4.3.2. Relación entre la captura por unidad de esfuerzo y

temperatura superficial del mar
De acuerdo a los parámetros estimados del modelo estocástico (4-6), es posible analizar la
relación entre la variable captura por unidad de esfuerzo de la especie en el tiempo t, es decir,
Yt y la temperatura superficial del mar en el tiempo t, Tt , de manera que a continuación
se muestra la gráfica del diagrama de dispersión que relaciona dichas variables, ası́ que es
posible inferir que no existe una relación significativa entre los valores estimados de captura
por unidad de esfuerzo de la especie pez Dorado y la temperatura superficial del mar, puesto
que la correlación es tan sólo de 0, 061, esto quiere decir, que contrario a como se pensaba,
de acuerdo a los datos observados de temperatura y de captura, aplicando un esfuerzo de
1.100 anzuelos, la captura por unidad de esfuerzo no se ve afectada por la variabilidad de
la temperatura, es decir, por lo menos para la especie pez Dorado, el factor de variabilidad
climático, no afecta su captura.
Figura 4-8.: Diagrama de dispersión que relaciona la captura por unidad de esfuerzo de la
especie con la temperatura superficial del mar.
4.4. Predicciones abundancia y captura por unidad de

esfuerzo
Utilizando el modelo propuesto (4-6), tras estimar sus parámetros, se quiso ver la posibilidad
de éste, para predecir valores de abundancia de la especie y valores de captura por unidad
de esfuerzo por lo menos, después de tres años, es decir, hasta el año 2015, sin embargo,
a partir de las gráficas de los valores predichos, es posible notar que el modelo empieza
predecir valores menores a los observados, con relación a la abundancia de la especie, como
lo muestra la figura (4-9), de manera que el modelo, a partir de los valores estimados, no
puede predecir adecuadamente después de transcurridos tres años aproximadamente. Por
otro lado, con respecto a la predicción de los valores de captura por unidad de esfuerzo,
que se pueden apreciar en la figura (4-14), es posible evidenciar que si se trata de predecir
valores, el modelo después del año 2015 no resulta adecuado, debido principalmente a que
a diferencia de la predicción de abundancia, la captura por unidad de esfuerzo aumenta sus
valores de una forma más rápida.
A continuación se muestran las gráficas.
Figura 4-9.: Predicción de valores de abundancia para la especie pez Dorado hasta 3 años,
hasta el año 2015.
4.4 Predicciones abundancia y captura por unidad de esfuerzo 85
Figura 4-10.: Predicción de valores de captura por unidad de esfuerzo para la especie pez
Dorado hasta 3 años, hasta el año 2015.
4.5. Análisis de sensibilidad

El análisis de sensibilidad se utiliza frecuentemente para analizar cómo la incertidumbre
en la salida de un modelo, puede influir en los resultados del mismo, es decir, se basa en
el estudio de cómo el cambio en un parámetro, puede variar significativamente las estima-
ciones de un modelo. Este ejercicio es interesante puesto que se identifican los parámetros
que son más “crı́ticos”, en el sentido que debe prestarse atención a ellos a la hora de to-
marlos, aunque es muy utilizado en estudios de mercados o financieros, para nuestro caso
resulta interesante puesto que supone un ejercicio de simulación que puede caracterizar aún
más, los valores que deberı́an tener los parámetros del modelo estocástico propuesto en (4-6).
A continuación, se muestran las gráficas para cada variable, captura por unidad de esfuerzo
y abundancia en un periodo de tiempo de 7 meses en función de cada uno de los parámetros.
Se quiere determinar cómo pueden cambiar los valores predichos de captura por unidad de
esfuerzo y abundancia en dicho periodo, utilizando la aproximación de X e Y dadas por la
ecuación (4-7) en función de cada parámetro.
Se considera un periodo de siete meses porque después de este tiempo, los valores estima-
dos se vuelven demasiado grandes (de acuerdo a R-Studio), por lo tanto, después de dicho
perı́odo no es posible realizar predicciones tanto de la abundancia, como de la captura por
unidad de esfuerzo, este hecho se puede observar en las gráficas (4-9) y (4-14). De acuerdo
con lo anterior, se puede determinar que el modelo (4-7) no es adecuado para realizar pre-
dicciones para perı́odos de tiempo superiores a 4 meses, ya que los resultados serán valores
muy grandes, esto ocurre, si se utilizan únicamente los valores iniciales y los parámetros es-
timados, sin embargo, si se reemplazan los valores observados en el modelo y los parámetros
estimados, la predicción mejora, hasta llegar a un periodo de predicción de tres años.
A continuación se muestran los resultados obtenidos, para cada parámetro.
El análisis de sensibilidad realizado para el parámetro r, se puede apreciar en la si-

guiente gráfica, este resultado surge a partir de reemplazar los valores estimados en el
modelo estocástico propuesto, es decir, se empieza a variar r, de acuerdo a su valor
estimado, el cual fue r ≈ 0,08917645, en la gráfica se aprecia, que para el caso de
los valores que tomarı́a la abundancia, el parámetro de tasa intrı́nseca de crecimiento,
después de un valor aproximado de 0,7 hace que las estimaciones de la abundancia
disminuyan significativamente, lo que genera valores que no corresponden a los valores
esperados de abundancia.
4.5 Análisis de sensibilidad 87
Por otro lado, con respecto a los valores que tomarı́a la captura por unidad de esfuerzo,
se observa un comportamiento similar para r, debido a que después un valor aproxima-
do de 0,7, la captura por unidad de esfuerzo estimada empieza a disminuir rápidamente.
Entonces, teniendo en cuenta lo anterior, se sugiere para este parámetro, tomar valores
como, 0 ≤ r ≤ 0,7.
Figura 4-11.: Sensibilidad del parámetro de tasa intrı́nseca de crecimiento r del modelo
estocástico.
Para el caso del parámetro k, cuyo valor inicial estimado, fue de k ≈ 64.697,861 quien
representa la cantidad máxima de individuos que soporta la población, se puede apre-
ciar que, tanto para la abundancia como para la captura por unidad de esfuerzo, existe
una rápida caı́da de los valores que toma cada variable, puesto que después del valor
aproximado de 80.000, las estimaciones se vuelven negativas.
Por lo tanto, se sugiere que el valor de k, cumpla que, 0 ≤ k ≤80000.
Figura 4-12.: Sensibilidad del parámetro de capacidad máxima de carga de la población

del modelo estocástico.
Se analizarán ahora los resultados obtenidos para el parámetro β, el cual representa la

tasa de capturabilidad, cuya estimación corresponde a β ≈ 0, 0020233, observando la
gráfica se aprecia que tiene comportamiento inverso con respecto a la abundancia y a
la captura por unidad de esfuerzo, por un lado, con relación a la abundancia, parece
razonable pensar, que si los valores estimados de abundancia aumentan, la tasa de
capturabilidad también debe incrementarse, esto porque habrı́a más peces a los cuales
pescar, sin embargo, después de aproximadamente el valor de 0,6, éste crecimiento es
muy rápido.
Ahora bien, analizando el caso de la variable captura por unidad de esfuerzo, se observa
que para valores de β que satisfacen que 0 ≤ β ≤ 0,6, las estimaciones de CPUE, no
se desestabilizan, mientras que si β > 0, 65, las estimaciones de CPUE se vuelven
negativas, entonces, los valores que deberı́a tener β tanto para la abundancia, como
para la captura por unidad de esfuerzo, deben cumplir que, 0 ≤ β ≤ 0,6.
Figura 4-13.: Sensibilidad del parámetro de tasa de capturabilidad.

El análisis de sensibilidad realizado para el parámetro η que corresponde al costo mo-

netario por unidad de tiempo y de pesca, cuya estimación fue de η ≈ 35,641,900 parece
tener un efecto inverso, tanto para las estimaciones de abundancia como para las es-
timaciones de la captura por unidad de esfuerzo, donde para la primera, se ve, que
cuando este parámetro crezca lo suficiente, los valores de abundancia llegarán a ser
negativos, contrario a lo que pasa con la captura por unidad de esfuerzo, donde se
evidencia que el parámetro η a medida que crece, la captura por unidad de esfuerzo,
va aumentando.
Luego, los valores sugeridos para η para el caso de la abundancia y el esfuerzo, deben
cumplir que 0 ≤ η ≤ 400 000,000, puesto que después de esos valores, tanto para la
abundancia y la captura, se empiezan a estimar valores muy pequeños o muy grandes,
respectivamente.
Figura 4-14.: Sensibilidad del parámetro de costo monetario por unidad de esfuerzo de
pesca y de tiempo.
Analizando, el parámetro σ12 , correspondiente a una de las variables de difusión del

modelo (4-6), que fue estimada por un valor de σ12 ≈ 0, 158927, es posible observar que
dicho parámetro no afecta significativamente las estimaciones del modelo, tanto para
la variable abundancia, como para la variable captura por unidad de esfuerzo, ya que,
sin importar los cambios que presente dicho parámetro, las estimaciones permanecerán
constantes.
Figura 4-15.: Sensibilidad del parámetro asociado a la variable de difusión, representa la

variabilidad que presenta la temperatura.
El segundo parámetro asociado a la variable de difusión, que representa la variabilidad

alrededor de los costos de la captura por unidad de esfuerzo, dicho parámetro, al realizar
las estimaciones del modelo (4-6), tuvo un valor de σ22 ≈ 2,080035, de acuerdo a esto,
el análisis de sensibilidad realizado, muestra que siempre que éste aumente, tanto las
estimaciones para la variable abundancia, como las estimaciones para la variable de
captura por unidad de esfuerzo, aumentarán significativamente.
Figura 4-16.: Sensibilidad del parámetro asociado a la variable de difusión, representa la

variabilidad que presentan los costos de la captura por unidad de esfuerzo.
Finalmente, se realizó el análisis de sensibilidad para el parámetro κ que se encontró

en la estimación de la captura por unidad de esfuerzo, este parámetro fue impor-
tante debido a que con él se ajustó mejor el modelo, la estimación de este fue de
κ ≈ 0,00003890321, observando en la gráfica el análisis de sensibilidad, es posible no-
tar que para el caso de las estimaciones de la abundancia, después de que κ tome el
valor aproximadamente de 0,8, las estimaciones empiezan a aumentar de manera rápi-
da y significativa.
Por otro lado, con respecto a los valores de las estimaciones de la captura por unidad
de esfuerzo, luego de que κ tome el valor de 0,8 aproximadamente, las estimaciones
empiezan a disminuir tanto, que llegan a valores negativos.
Ası́, se sugiere que el valor que tome κ cumpla lo siquiente, 0 ≤ κ ≤ 0,7.
Figura 4-17.: Sensibilidad del parámetro κ que ajusta mejor la captura por unidad de
esfuerzo.
CAPÍTULO 5
Conclusiones
Los modelos deterministas de dinámica de poblaciones de peces, como los realizados

en [Clark et al., 2000], generalmente asumen que la captura es una función constante,
contrario a lo expuesto en el modelo estocástico propuesto en este trabajo, puesto que
la captura se ve determinada por variables como, la abundancia de la especie, notada
como Xt y la captura por unidad de esfuerzo, notado como Yt . Adicionalmente a ello,
con el fin de analizar la perturbación producida por efectos ambientales como el de
la temperatura, se agregó en la ecuación de dinámica de poblaciones, la temperatura
como un proceso estocástico con reversión a la media. De manera que el hecho de
suponer un modelo que tuviera en cuenta una perturbación aleatoria, permitió analizar
la incidencia de factores ambientales, sobre variables como la abundancia o la captura
por unidad de esfuerzo.
Se ha mostrado un modelo de ecuaciones diferenciales estocásticas, que parece ajustar-

se bien a los valores observados pertenecientes a la especie pez Dorado, de abundancia,
captura por unidad de esfuerzo y temperatura superficial del mar, en una zona es-
pecı́fica de la región Pacı́fica Colombiana; el modelo propuesto en (4-6), parece tener
un buen ajuste, como fue posible ver con el cálculo de la raı́z del error cuadrático
medio (RMSE), donde se obtuvieron valores de 0, 39657527 para la abundancia obser-
vada y predicha, un valor de 0, 066680332 tras incluir una variable adicional, para los
valores observados y predichos de la captura por unidad de esfuerzo y, un RMSE de
0, 232686152 para los valores observados y predichos de la temperatura superficial del
96 5 Conclusiones
mar.
Para el caso especı́fico de la especie pez Dorado, en la zona de estudio, fue posible
evidenciar, que la correlación entre la captura por unidad de esfuerzo y la temperatura
superficial del mar, es baja y no es significativa, incluso, tras haber contemplado las
perturbaciones aleatorias, como se hizo con el modelo propuesto (4-6), esto supone, que
se deben tener en cuenta además de la captura por unidad de esfuerzo y la temperatura
superficial del mar, variables oceanográficas como, clorofila dada su importancia en el
crecimiento de una especie como se lee en [Adamovich and Zhukova, 2014], o salinidad
del mar. Adicionalmente a ello, contar con información más completa en relación a la
especie de estudio. Un trabajo futuro puede encargarse de analizar espacialmente la
distribución de hábitat de la especie.
Como se evidenció en la sección 4.2.2, para ajustar los valores predichos de captura
por unidad de esfuerzo, por el modelo estocástico (4-6) con los valores observados, se
tuvo que hacer uso de funciones computacionales como la función Optim, con el fin de
encontrar un parámetro, que corrigiera las estimaciones elevadas del modelo propuesto,
con lo que surgió el modelo (4-7) que posee un parámetro κ que mejora la estimación
de la captura por unidad de esfuerzo, lo que generó un RSM E = 0, 066680332. Esto
quiere decir que además de hacer uso de un modelo matemático por medio de ecuaciones
diferenciales estocásticas, es necesario utilizar métodos computacionales para obtener
mejores resultados en las estimaciones.
Con respecto al modelamiento de la temperatura superficial del mar, por medio de

un proceso estocástico con reversión a la media estacional, el cual descompone la
dinámica de la temperatura en sus componentes determinı́sticas y estocásticas, fue
posible evidenciar, que la función determinı́stica, aproximada por medio de una función
senosoidal, no es suficiente para predecir los valores observados de temperatura, por eso
era necesario incluir la componente estocástica a través de un movimiento browniano
y de nuevo un proceso estocástico con reversión a la media, con el fin de calcular la
volatilidad, ésto no sólo mejoró la estimación de la temperatura, también contribuyó a
que se pudiera comparar la variable temperatura superficial del mar Tt , con las demás
variables de estudio.
La reversión a la media permite que el modelo no contemple predicciones que tiendan

a infinito. En el modelo para el cual se estimaron los parámetros por máxima vero-
similitud y bajo el supuesto de un proceso de Markov, podrı́a ser necesario utilizar
reversión a la media ya que los valores predichos del esfuerzo y la abundancia tien-
97
den a infinito para perı́odos cortos de tiempo, como se evidenció en la sección (4.4) el
modelo predice bien hasta ocho meses (si no se reemplazan los datos observados en la
aproximación del modelo). De hecho, computacionalmente se determina que la función
que “arroja”valores suficientemente grandes corresponde a Yt Xt , razón por la cual, se
deberı́a considerar el modelo determinado por:
Xt

 dXt = rX t 1− k − βYt Xt dt + σ1 dTt
dYt = κ βYt Xt + dXdtt Yt − ηYt dt + κσ2 dWt

, (5-1)

dt
t
dt + σt dBt .
donde dXdtt Yt es la reversión a la media de Yt Xt . Esto puede hacer parte de un estudio

posterior.
APÉNDICE A
Anexo: Códigos implementados en Matlab
# S i m u l a c i o n p r o c e s o de t e m p e r a t u r a
% Se s i m u l a r a n l o s 420 v a l o r e s m e n s u a l e s de t e m p e r a t u r a
% Es d e c i r , d e s d e e l 1 de e n e r o de 1979 h a s t a e l 12 Diciembre de 2013
% Se d e f i n d e l a f u n c i o n
f u n c t i o n [ F]= Simulacion Temp ( meses , t r a y e c t o r i a s )
% Se d e f i n e n l o s v a l o r e s i n i c i a l e s
meses=12
t r a y e c t o r i a s =10
% Dias por cada mes .
d i a s e n m e s e s =[30 28 31 30 31 30 31 31 30 31 30 3 1 ] ;
% Condiciones i n i c i a l e s
% Valor de gamma a p a r t i r de l o s d a t o s .
gamma 1 =0 ,0998128652883;
% Valor de sigma a p a r t i r de l o s d a t o s
sigma gamma = 0 . 0 7 9 7 4 0 4 4 1 4 3 ;
% Tendencia de gamma c a l c u l a d a a p a r t i r de l o s d a t o s .
tend gamma = 0 . 1 5 2 5 6 5 4 2 6 ;
T e m p i n i c i a l = 2 6 . 3 7 7 6 ; % Temperatura en Enero de 2009
% V a l o r e s e s t i m a d o s en l a r e g r e s i o n
phi =1.256038;
a gamma = 0 . 5 8 1 5 0 2 7 4 1 ;
omega=(2∗ p i ) / 1 2 ;
a =0.161490323;
100 A Anexo: Códigos implementados en Matlab
A= 2 7 . 3 8 5 3 4 7 ;
B= 0 . 0 0 0 8 0 8 8 ;
C= −0.688706;
% Contador
count =1;
s t a r t =0;
T e m p i n i c i a l =26.3776
gamma 2=z e r o s ( t r a y e c t o r i a s , 1 ) ;
F=z e r o s ( t r a y e c t o r i a s , 1 0 ) ;
F ( : , 1 )=T e m p i n i c i a l ;
f o r monthss =1: meses
% Simulando l a v o l a t i l i d a d , generando numeros a l e a t o r i o s
% de una d i s t r i b u c i o n normal
gamma 2=gamma 1+a gamma∗
( tend gamma−gamma 1 )+sigma gamma∗ randn
( trayectorias ,1) ;
f o r j =1: d i a s e n m e s e s
( rem ( meses , 1 2 ) +1∗(rem ( meses , 1 2 ) ==0))
count=count +1;
% Aproximacion por medio d e l metodo de E u l e r Maruyama
F ( : , count )=B+C∗omega∗ c o s ( omega ∗ ( count −1+420)+p h i )+F ( : , count −1)+

a ∗ ( (A+B∗ ( count −1+420)+C∗
s i n ( omega ∗ ( count −1+420)+p h i ) )−
F ( : , count −1) )+gamma 2 . ∗ randn ( t r a y e c t o r i a s , 1 ) ;
end
gamma 1=gamma 2 ;
end
p l o t (F ( : , count ) )
APÉNDICE B
Anexo: Códigos implementados en R-Studio
# s o l u c i o n d e l s i s t e m a de e c u a c i o n e s
# U t i l i z a n d o e l paquete BBsolve
i n s t a l l . p a c k a g e s ( ”BB” )
l i b r a r y (BB)
x = r e p (NA, 2 )
sistema = function (x){
f = r e p (NA, 2 )
f [ 1 ] = (−1/ ( ( 0 . 1 5 8 9 2 7 1 ) ˆ 2 ) ) ∗ ( −0.089645 ∗Y+(0.089645 / 6 4 6 9 7 . 8 6 1 ) ∗XY+0.00202330 ∗
Y2)
−(1/x [ 1 ] ) ∗ ( 0 . 0 0 2 0 2 3 3 0 ∗X2 − x [ 2 ] ∗X)
f [ 2 ] = −0.00202330 ∗X + l e n g t h ( na . omit ( Base Datos [ , 4 ] ) ) ∗x [ 2 ]
f
}
x0= c ( s q r t ( 2 ) , 3 5 6 4 )
BBsolve ( par=x0 , f n = s i s t e m a )
dat=data . frame ( x= Base Datos [ 1 : l e n g t h ( na . omit ( Base Datos [ , 4 ] ) ) −1, 4 ] ,

y= Base Datos [ 1 : l e n g t h ( na . omit ( Base Datos [ , 2 ] ) ) −1, 2 ] ,
z = Base Datos [ 2 : l e n g t h ( na . omit ( Base Datos [ , 2 ] ) ) , 2 ] )
min . RSS <− f u n c t i o n ( data , par ) {
102 B Anexo: Códigos implementados en R-Studio
with ( data , sum ( ( y + ( 0 . 0 0 2 0 2 3 3 0 ∗x∗y − par [ 1 ] ∗y ) +

par [ 2 ] ∗ rnorm ( 1 , 0 , 1 ) − z ) ˆ 2 ) )
}
optim ( par = c ( 0 , 1 ) , f n = min . RSS , data = dat )
x0= c ( s q r t ( 2 ) , 3 5 6 4 )
BBsolve ( par=x0 , f n = s i s t e m a )

min . RSS <− f u n c t i o n ( data , par ) {
with ( data , sum ( ( y + ( 0 . 0 0 2 0 2 3 3 0 ∗x∗y − par [ 1 ] ∗y ) +
par [ 2 ] ∗ rnorm ( 1 , 0 , 1 ) − z ) ˆ 2 ) )
}
optim ( c ( 0 , 0 ) , min . RSS , data = dat )

min . RSS1 <− f u n c t i o n ( data , par ) {
with ( data , sum ( ( y + par [ 3 ] ∗ ( ( 0 . 0 0 2 0 2 3 3 0 ∗x∗y − par [ 1 ] ∗y ) ) +
par [ 2 ] ∗ rnorm ( 1 , 0 , 1 ) − z ) ˆ 2 ) )
}
optim ( c ( 0 , 0 , 1 ) , min . RSS1 , data = dat )

min . RSS1 <− f u n c t i o n ( data , par ) {
with ( data , sum ( ( y + par [ 1 ] ∗ ( ( 0 . 0 0 2 0 2 3 3 0 ∗x∗y − 3 5 6 4 . 1 9 ∗y ) +
2 . 0 8 0 0 3 5 ∗ rnorm ( 1 , 0 , 1 ) ) − z ) ˆ 2 ) )
}
optim ( c ( 0 ) , min . RSS1 , data = dat )
# Valor e s t i m a d o 3 . 8 9 0 3 2 1 e −05 = 3 . 8 9 0 3 2 1 ∗ 10ˆ( −5)
## G r a f i c a s :
# 1 . A j u s t e d e l modelo :
103
p l o t ( s e q ( 1 , 1 5 5 , 1 ) , na . omit ( Base Datos $ Abundancia X) , pch = 1 9 , xlim = c ( 0 ,

155) ,
x l a b =”Tiempo ( meses ) ” , y l a b = ” Abundancia ” )
l i n e s ( s e q ( 1 , 1 5 5 , 1 ) , Base Datos $ ‘ Abundancia estimada ‘ [ 1 : 1 5 5 ] , t=” l ” ,
c o l=” Blue ” , lwd=2)
p l o t ( s e q ( 1 , 1 5 5 , 1 ) , na . omit ( Base Datos $ E s f u e r z o Y) , pch = 1 9 , xlim = c ( 0 ,

155) ,
x l a b =”Tiempo ( meses ) ” , y l a b = ” E s f u e r z o ” )
l i n e s ( s e q ( 1 , 1 5 5 , 1 ) , Base Datos $ ‘ E s f u e r z o estimado ‘ [ 1 : 1 5 5 ] , t=” l ” ,
c o l=” Purp le ” , lwd=2)
# P r e d i c c i o n e s a 3 annos
p l o t ( s e q ( 1 , 1 5 5 , 1 ) , na . omit ( Base Datos $ Abundancia X) , pch = 1 9 , xlim = c ( 0 ,

205) ,
x l a b =”Tiempo ( meses ) ” , y l a b = ” Abundancia ” , main = ” P r e d i c c i o n de l a
abundancia a 204 meses ( 1 7 annos ) ” )
l i n e s ( s e q ( 1 , 2 0 5 , 1 ) , Base Datos $ ‘ Abundancia estimada ‘ [ 1 : 2 0 5 ] , t=” l ” ,
c o l=” Blue ” , lwd=2)
p l o t ( s e q ( 1 , 1 5 5 , 1 ) , na . omit ( Base Datos $ E s f u e r z o Y) , pch = 1 9 , xlim = c ( 0 ,

205) ,
ylim = c ( 0 , 1 ) , x l a b =”Tiempo ( meses ) ” , y l a b = ” E s f u e r z o ” , main = ”
Prediccion
d e l e s f u e r z o a 204 meses ( 1 7 annos ) ” )
l i n e s ( s e q ( 1 , 2 0 5 , 1 ) , Base Datos $ ‘ E s f u e r z o estimado ‘ [ 1 : 2 0 5 ] , t=” l ” ,
c o l=” Purp le ” , lwd=2)
# Relacion entre l a s varia bles
p l o t ( Base Datos $Tem Simul O r s t e i n [ 1 : 1 5 5 ] , Base Datos $ ‘ Abundancia estimada

‘[1:155]
, x l a b = ” Temperatura (C) ” , y l a b = ” Abundancia ” , main = ” Temperatura Vs
Abundancia ” , pch = 1 9 , c o l = ” g r e e n ” )
p l o t ( Base Datos $Tem Simul O r s t e i n [ 1 : 1 5 5 ] , Base Datos $ ‘ E s f u e r z o estimado

‘[1:155]
, x l a b = ” Temperatura (C) ” , y l a b = ” E s f u e r z o ” , main = ” Temperatura Vs
E s f u e r z o ” , pch = 2 0 , c o l = ” r e d ” )
# G r a f i c a s de a n a l i s i s de s e n s i b i l i d a d
Dt = 1 # D i f e r e n c i a l cada mes
n = 36 # 3 annos
sigma = 0 . 1 5 2 5 6 5 4 2 6
t h e t a = NULL
d t h e t a = NULL
t = NULL
t [ 1 ] = Base Datos $Tem Observada [ 1 ]
for ( i in 2: n){
t h e t a [ i −1] = 2 7 . 3 8 5 3 4 7 + 0 . 0 0 0 8 0 8 8 ∗ t [ i −1]
− 1 . 9 8 7 0 6 ∗ ( s i n ( ( 3 . 1 4 1 5 9 2 6 5 3 5 9 / 6 ) ∗ t [ i −1] + 1 . 2 5 6 0 3 8 ) )
d t h e t a [ i −1] = 0 . 0 0 0 8 0 8 8
− 1 . 9 8 7 0 6 ∗ ( c o s ( ( 3 . 1 4 1 5 9 2 6 5 3 5 9 / 6 ) ∗ t [ i −1] + 1 . 2 5 6 0 3 8 ) ) ∗ ( 3 . 1 4 1 5 9 2 6 5 3 5 9 / 6 )
t [ i ] = t [ i −1] + a ∗ ( t h e t a [ i −1] − t [ i −1] + d t h e t a [ i −1]) ∗Dt +
sigma ∗ rnorm ( 1 , 0 , 1 ) ∗Dt
}
p l o t ( s e q ( 1 , n , 1 ) , t , t=” l ” , c o l=” P urple ” , lwd=2)
d = NULL
h = NULL
for ( j in 1: n){
d [ j ] = rnorm ( 1 ) ∗ s q r t ( abs ( ( t [ j −1]− t [ j ] ) ) )
h [ j ] = rnorm ( 1 ) ∗ s q r t ( Dt ) }
f u n c i o n <−f u n c t i o n ( r , k , beta , eta , kappa , sigma1 , sigma2 ) {
x = NULL
y = NULL
p r o d u c t o = NULL
x [ 1 ] = a s . numeric ( Base Datos $ Abundancia X [ 1 ] )
y [ 1 ] = a s . numeric ( Base Datos $ E s f u e r z o Y [ 1 ] )
for ( j in 1: n){
p r o d u c t o [ j ] = x [ j ] ∗y [ j ]
x [ j +1] = x [ j ] + ( k∗x [ j ] − ( r /k ) ∗ ( x [ j ] ) ˆ2 − b e t a ∗ p r o d u c t o [ j ] ) ∗Dt
+ sigma1 ∗d [ j ]
y [ j +1] = y [ j ] + kappa ∗ ( b e t a ∗ p r o d u c t o [ j ] − e t a ∗y [ j ] ) ∗Dt
+ kappa ∗ sigma2 ∗h [ j ] }
r e t u r n ( c ( x [ 7 ] , y [ 7 ] ) ) } # P r e d i c c i o n e s a 7 meses . Luego de e s o e x p l o t a e l
sistema
105
funcion (0.1 , 0.1 , 0.1 , 0.1 , 0.1 , 0.1 , 0.1)

funcion (1 , 1 , 3 , 1 , 1 , 1 , 1)
s e n s i b i l i d a d 1 = NULL
r = 0.08917645
K = 64697.861
b e t a = s e q ( 0 , 1 , by = 0 . 0 1 )
eta = 3564.19
kappa = 0 . 0 0 0 0 3 8 9 0 3 2 1
sigma1 = s q r t ( 0 . 1 5 8 9 2 7 1 )
sigma2 = s q r t ( 2 . 0 8 0 0 3 5 )
f o r ( s in 1 : length ( beta ) ) {
s e n s i b i l i d a d 1 [ s ] = f u n c i o n ( r , K, b e t a [ s ] , eta , kappa , sigma1 , sigma2 ) [ 1 ]
s e n s i b i l i d a d 2 [ s ] = f u n c i o n ( r , K, b e t a [ s ] , eta , kappa , sigma1 , sigma2 ) [ 2 ]
}
d a t o s 1 <− data . frame ( x = beta , y = s e n s i b i l i d a d 1 , z = s e n s i b i l i d a d 2 )

library ( scatterplot3d )
s c a t t e r p l o t 3 d ( datos1 )
par ( mfrow = c ( 1 , 2 ) )
p l o t ( beta , s e n s i b i l i d a d 1 , c o l = ” b l u e ” , type = ” l ” , lwd = 1 ,
x l a b =e x p r e s s i o n ( b e t a ) , y l a b = ” Abundancia ” )
p l o t ( beta , s e n s i b i l i d a d 2 , c o l = ” o r a n g e ” , type = ” l ” , lwd = 1 ,
x l a b =e x p r e s s i o n ( b e t a ) , y l a b = ” E s f u e r z o ” )
r = s e q ( 0 , 1 , by = 0 . 0 1 )
K = 64697.861
beta = 0.00202330
eta = 3564.19
kappa = 0 . 0 0 0 0 3 8 9 0 3 2 1
sigma1 = s q r t ( 0 . 1 5 8 9 2 7 1 )
sigma2 = s q r t ( 2 . 0 8 0 0 3 5 )
for ( s in 1: length ( r ) ){
s e n s i b i l i d a d 3 [ s ] = f u n c i o n ( r [ s ] , K, beta , eta , kappa , sigma1 , sigma2 ) [ 1 ]
s e n s i b i l i d a d 4 [ s ] = f u n c i o n ( r [ s ] , K, beta , eta , kappa , sigma1 , sigma2 ) [ 2 ]
}
par ( mfrow = c ( 1 , 2 ) )
plot (r , sensibilidad3 , col = ” r e d ” , type = ” l ” , lwd = 1 ,

x l a b =e x p r e s s i o n ( r ) , y l a b = ” Abundancia ” )
plot (r , sensibilidad4 , col = ”brown” , type = ” l ” , lwd = 1 ,
x l a b =e x p r e s s i o n ( r ) , ylab = ” Esfuerzo ” )
r = 0.08917645
K = s e q ( 0 , 1 0 0 0 0 0 , by = 1 0 )
beta = 0.00202330
eta = 3564.19
kappa = 0 . 0 0 0 0 3 8 9 0 3 2 1
sigma1 = s q r t ( 0 . 1 5 8 9 2 7 1 )
sigma2 = s q r t ( 2 . 0 8 0 0 3 5 )
f o r ( s i n 1 : l e n g t h (K) ) {
s e n s i b i l i d a d 5 [ s ] = f u n c i o n ( r , K[ s ] , beta , eta , kappa , sigma1 , sigma2 ) [ 1 ]
s e n s i b i l i d a d 6 [ s ] = f u n c i o n ( r , K[ s ] , beta , eta , kappa , sigma1 , sigma2 ) [ 2 ]
}
par ( mfrow = c ( 1 , 2 ) )
p l o t (K, s e n s i b i l i d a d 5 , c o l = ” r e d ” , type = ” l ” , lwd = 1 ,
x l a b =e x p r e s s i o n (K) , y l a b = ” Abundancia ” )
p l o t (K, s e n s i b i l i d a d 6 , c o l = ”brown” , type = ” l ” , lwd = 1 ,
x l a b =e x p r e s s i o n (K) , y l a b = ” E s f u e r z o ” , ylim = c ( −1.858319 ∗ 1 0 ˆ ( 1 0 1 ) ,
2.303651 ∗ 10ˆ(08) ) )
r = 0.08917645
K = 64697.861
beta = 0.00202330
e t a = s e q ( 0 , 1 0 0 0 0 , by = 1 )
kappa = 0 . 0 0 0 0 3 8 9 0 3 2 1
sigma1 = s q r t ( 0 . 1 5 8 9 2 7 1 )
sigma2 = s q r t ( 2 . 0 8 0 0 3 5 )
for ( s in 1: length ( eta ) ) {

s e n s i b i l i d a d 7 [ s ] = f u n c i o n ( r , K, beta , e t a [ s ] , kappa , sigma1 , sigma2 ) [ 1 ]
s e n s i b i l i d a d 8 [ s ] = f u n c i o n ( r , K, beta , e t a [ s ] , kappa , sigma1 , sigma2 ) [ 2 ]
}
par ( mfrow = c ( 1 , 2 ) )
p l o t ( eta , s e n s i b i l i d a d 7 , c o l = ” r e d ” , type = ” l ” , lwd = 1 ,
107
x l a b =e x p r e s s i o n ( e t a ) , y l a b = ” Abundancia ” )
p l o t ( eta , s e n s i b i l i d a d 8 , c o l = ”brown” , type = ” l ” , lwd = 1 ,
x l a b =e x p r e s s i o n ( e t a ) , y l a b = ” E s f u e r z o ” )
s e n s i b i l i d a d 1 0 = NULL
r = 0.08917645
K = 64697.861
beta = 0.00202330
eta = 3564.19
kappa = s e q ( 0 , 1 , 0 . 0 1 )
sigma1 = s q r t ( 0 . 1 5 8 9 2 7 1 )
sigma2 = s q r t ( 2 . 0 8 0 0 3 5 )
f o r ( s i n 1 : l e n g t h ( kappa ) ) {
s e n s i b i l i d a d 9 [ s ] = f u n c i o n ( r , K, beta , eta , kappa [ s ] , sigma1 , sigma2 ) [ 1 ]
s e n s i b i l i d a d 1 0 [ s ] = f u n c i o n ( r , K, beta , eta , kappa [ s ] , sigma1 , sigma2 ) [ 2 ]
}
par ( mfrow = c ( 1 , 2 ) )
p l o t ( kappa , s e n s i b i l i d a d 9 , c o l = ” r e d ” , type = ” l ” , lwd = 1 ,
x l a b =e x p r e s s i o n ( kappa ) , y l a b = ” Abundancia ” )
p l o t ( kappa , s e n s i b i l i d a d 1 0 , c o l = ”brown” , type = ” l ” , lwd = 1 ,
x l a b =e x p r e s s i o n ( kappa ) , y l a b = ” E s f u e r z o ” )
r = 0.08917645
K = 64697.861
beta = 0.00202330
eta = 3564.19
kappa = 0 . 0 0 0 0 3 8 9 0 3 2 1
sigma1 = s e q ( 0 , 1 , 0 . 0 1 )
sigma2 = s q r t ( 2 . 0 8 0 0 3 5 )
f o r ( s i n 1 : l e n g t h ( sigma1 ) ) {
s e n s i b i l i d a d 1 1 [ s ] = f u n c i o n ( r , K, beta , eta , kappa , sigma1 [ s ] , sigma2 ) [ 1 ]
s e n s i b i l i d a d 1 2 [ s ] = f u n c i o n ( r , K, beta , eta , kappa , sigma1 [ s ] , sigma2 ) [ 2 ]
}
par ( mfrow = c ( 1 , 2 ) )
p l o t ( sigma1 , s e n s i b i l i d a d 1 1 , c o l = ” r e d ” , type = ” l ” , lwd = 1 ,
x l a b =e x p r e s s i o n ( sigma [ 1 ] ) , y l a b = ” Abundancia ” )
p l o t ( sigma1 , s e n s i b i l i d a d 1 2 , c o l = ”brown” , type = ” l ” , lwd = 1 ,
x l a b =e x p r e s s i o n ( sigma [ 1 ] ) , y l a b = ” E s f u e r z o ” )
s e n s i b i l i d a d 1 4= NULL
r = 0.08917645
K = 64697.861
beta = 0.00202330
eta = 3564.19
kappa = 0 . 0 0 0 0 3 8 9 0 3 2 1
sigma1 = s q r t ( 0 . 1 5 8 9 2 7 1 )
sigma2 = s e q ( 0 , 1 , by = 0 . 0 1 )
f o r ( s i n 1 : l e n g t h ( sigma2 ) ) {
s e n s i b i l i d a d 1 1 [ s ] = f u n c i o n ( r , K, beta , eta , kappa , sigma1 , sigma2 [ s ] ) [ 1 ]
s e n s i b i l i d a d 1 2 [ s ] = f u n c i o n ( r , K, beta , eta , kappa , sigma1 , sigma2 [ s ] ) [ 2 ]
}
par ( mfrow = c ( 1 , 2 ) )
p l o t ( sigma2 , s e n s i b i l i d a d 1 3 , c o l = ” r e d ” , type = ” l ” , lwd = 1 ,
x l a b =e x p r e s s i o n ( sigma [ 2 ] ) , y l a b = ” Abundancia ” )
p l o t ( sigma2 , s e n s i b i l i d a d 1 4 , c o l = ”brown” , type = ” l ” , lwd = 1 ,
x l a b =e x p r e s s i o n ( sigma [ 2 ] ) , ylab = ” Esfuerzo ” )
Bibliografı́a
[Adamovich and Zhukova, 2014] Adamovich, B. and Zhukova, A. (2014). Relationship bet-
ween chlorophyll α content and some phytoplankton characteristics in fish ponds and
adjacent watercourses. Hydrobiological Journal, 50(5).
[Aguilar et al., 1995] Aguilar, A., Malpica, Z., and Urbina, B. (1995). Dinamica de pobla-
ciones de peces. primera edición, ed. Libertad, 304pp.
[Aguirre et al., 2013] Aguirre, P., González-Olivares, E., and Torres, S. (2013). Stochastic
predator–prey model with allee effect on prey. Nonlinear Analysis: Real World Applica-
tions, 14(1):768–779.
[Alaton et al., 2002] Alaton, P., Djehiche, B., and Stillberger, D. (2002). On modelling and
pricing weather derivatives. Applied mathematical finance, 9(1):1–20.
[Allison et al., 2009] Allison, E. H., Perry, A. L., Badjeck, M.-C., Neil Adger, W., Brown,
K., Conway, D., Halls, A. S., Pilling, G. M., Reynolds, J. D., Andrew, N. L., et al. (2009).
Vulnerability of national economies to the impacts of climate change on fisheries. Fish
and fisheries, 10(2):173–196.
[Auger and Ducrot, 2009] Auger, P. and Ducrot, A. (2009). A model of a fishery with fish
stock involving delay equations. Philosophical Transactions of the Royal Society A: Mat-
hematical, Physical and Engineering Sciences, 367(1908):4907–4922.
[Bahri et al., 2012] Bahri, T., De Young, C., Cochrane, K., and Soto, D. (2012). Conse-
110 Bibliografı́a
cuencias del cambio climático para la pesca y la acuicultura: visión de conjunto del estado
actual de los conocimientos cientı́ficos. FAO.
[Barbier et al., 2002] Barbier, E. B., Strand, I., and Sathirathai, S. (2002). Do open ac-
cess conditions affect the valuation of an externality? estimating the welfare effects of
mangrove-fishery linkages in thailand. Environmental and Resource Economics, 21(4):343–
365.
[Barboza et al., 2014] Barboza, L., Li, B., Tingley, M. P., Viens, F. G., et al. (2014). Re-
constructing past temperatures from natural proxies and estimated climate forcings using
short-and long-memory models. The Annals of Applied Statistics, 8(4):1966–2001.
[Basawa and Prakasa Rao, 1980] Basawa, I. and Prakasa Rao, B. (1980). Probability and
mathemati) cal statistics. a series of monographs and textbooks statistical inference for
stochastic processes.
[Bhowan, 2003] Bhowan, A. (2003). “temperature derivatives”. School of Computational

and Applied Mathematics, University of Wiwatersrand, 1(2):27.
[Bibby and Sørensen, 1995] Bibby, B. M. and Sørensen, M. (1995). Martingale estimation
functions for discretely observed diffusion processes. Bernoulli, pages 17–39.
[Bickel and Doksum, 2015] Bickel, P. J. and Doksum, K. A. (2015). Mathematical statistics:
basic ideas and selected topics, volume I, volume 117. CRC Press.
[Blanco-Castañeda et al., 2012] Blanco-Castañeda, L. B., Arunachalam, V., and Dharmara-

ja, S. (2012). Introduction to probability and stochastic processes with applications. John
Wiley & Sons.
[Brauer et al., 2012] Brauer, F., Castillo-Chavez, C., and Castillo-Chavez, C. (2012). Mat-
hematical models in population biology and epidemiology, volume 2. Springer.
[Brody et al., 2002] Brody, D. C., Syroka, J., Zervos, M., et al. (2002). Dynamical pricing
of weather derivatives. Quantitative Finance, 2(3):189–198.
[Butler et al., 2019] Butler, C., Cheng, J., Correa, L., Preciado-Rivas, M., Rios-Gutierrez,
A., Montalvo, C., and Kribs, C. (2019). Comparison of screening for methicillin-resistant
staphylococcus aureus (mrsa) at hospital admission and discharge. arXiv preprint ar-
Xiv:1911.07711.
Bibliografı́a 111
[Clark et al., 2000] Clark, C. W., Mangel, M., et al. (2000). Dynamic state variable models
in ecology: methods and applications. Oxford University Press on Demand.
[Cochrane et al., 2014] Cochrane, K., De Young, C., Soto, D., and Bahri, T. (2014). Conse-
cuencias del cambio climático para la pesca y la acuicultura: visión de conjunto del estado
actual de los conocimientos cientı́ficos. FAO.
[Dávila-Cárdenes, 1996] Dávila-Cárdenes, N. (1996). Análisis económico de pesquerı́as me-

diante la teorı́a del control óptimo: una aplicación al modelo predador-presa. PhD thesis.
[Dodge, 2008] Dodge, Y. (2008). The concise encyclopedia of statistics. Springer Science &
Business Media.
[Dornier and Queruel, 2000] Dornier, F. and Queruel, M. (2000). Caution to the wind.
Energy & power risk management, 13(8):30–32.
[Dzupire et al., 2018] Dzupire, N. C., Ngare, P., and Odongo, L. (2018). Lévy process ba-
sed ornstein-uhlenbeck temperature model with time varying speed of mean reversion.
Advances and applications in statistics, 53(3):199–224.
[Einstein, 1956] Einstein, A. (1956). Investigations on the Theory of the Brownian Move-
ment. Courier Corporation.
[Friedman, 2010] Friedman, A. (2010). Stochastic differential equations and applications. In

Stochastic Differential Equations, pages 75–148. Springer.
[Higham, 2001] Higham, D. J. (2001). An algorithmic introduction to numerical simulation

of stochastic differential equations. SIAM review, 43(3):525–546.
[Karatzas and Shreve, 1998] Karatzas, I. and Shreve, S. E. (1998). Brownian motion. In
Brownian Motion and Stochastic Calculus, pages 47–127. Springer.
[Kothandaraman, 1972] Kothandaraman, V. (1972). Air-water temperature relationship in

illinois river 1. JAWRA Journal of the American Water Resources Association, 8(1):38–45.
[Kreyszig, 1978] Kreyszig, E. (1978). Introductory functional analysis with applications, vo-
lume 1. wiley New York.
[Lefebvre, 2007] Lefebvre, M. (2007). Applied stochastic processes. Springer Science & Bu-
siness Media.
112 Bibliografı́a
[LEIVA et al., 2007] LEIVA, A. F. A., BONILLA, D. J. P., MOJICA, A. S., and MURCIA,
C. T. (2007). Pesca y acuicultura colombia 2007. Ministro de Agricultura y Desarrollo
Rural.
[Lindop et al., 2015] Lindop, A., Chen, T., Zylich, K., and Zeller, D. (2015). A reconstruction
of colombia’s marine fisheries catches. Fisheries Centre Working Paper, 32.
[Marı́n Sánchez et al., 2007] Marı́n Sánchez, F. H. et al. (2007). Ecuaciones diferenciales
estocásticas y casos de aplicación en finanzas. Master’s thesis, Universidad EAFIT.
[Mchich et al., 2002] Mchich, R., Auger, P., De La Parra, R. B., and Raissi, N. (2002). Dy-
namics of a fishery on two fishing zones with fish stock dependent migrations: aggregation
and control. Ecological modelling, 158(1-2):51–62.
[Merton, 1975] Merton, R. C. (1975). Optimum consumption and portfolio rules in a

continuous-time model. In Stochastic Optimization Models in Finance, pages 621–661.
Elsevier.
[Munro and Scott, 1985] Munro, G. R. and Scott, A. D. (1985). The economics of fisheries
management. In Handbook of natural resource and energy economics, volume 2, pages
623–676. Elsevier.
[Nelder and Mead, 1965] Nelder, J. A. and Mead, R. (1965). A simplex method for function
minimization. The computer journal, 7(4):308–313.
[Oksendal, 2013] Oksendal, B. (2013). Stochastic differential equations: an introduction with

applications. Springer Science & Business Media.
[Pindyck, 2012] Pindyck, R. S. (2012). Uncertain outcomes and climate change policy. Jour-
nal of Environmental Economics and management, 63(3):289–303.
[Puentes et al., 2014] Puentes, V., Escobar, F., Polo, C., and Alonso, J. (2014). Estado de los
principales recursos pesqueros de colombia–2014. Serie Recursos Pesqueros de Colombia–
AUNAP. Oficina de Generación del Conocimiento y la Información, Autoridad Nacional
de Acuicultura y Pesca–AUNAP.
[Resnick, 2013] Resnick, S. I. (2013). Adventures in stochastic processes. Springer Science

& Business Media.
[Rincón, 2005] Rincón, L. (2005). Construyendo la integral estocástica de itô. Sociedad

Matemática.
Bibliografı́a 113
[Rincón, 2012] Rincón, L. (2012). Introducción a los procesos estocásticos. Departamento

de Matemáticas, Facultad de Ciencias UNAM.
[Rodrı́guez, 2015] Rodrı́guez, U. . (2015). Recursos pesqueros de Colombia, principales es-

pecies, conservación y pesca responsable. Ecosistema de agua dulce. Pp: 8-30. En: Zapata,
J S. AUNAP y WWF Colombia. Cali, 64 p.
[Rı́os, 2019] Rı́os, A. (2019). Modelos epidemiológicos estocásticos y su inferencia: casos SIS
y SEIR. Master’s thesis, Universidad Nacional de Colombia, Bogotá D.C.
[Saavedra-Dı́az et al., 2016] Saavedra-Dı́az, L. M., Pomeroy, R., and Rosenberg, A. A.

(2016). Managing small-scale fisheries in colombia. Maritime Studies, 15(1):6.
[Schaefer, 1957] Schaefer, M. B. (1957). Some considerations of population dynamics and

economics in relation to the management of the commercial marine fisheries. Journal of
the Fisheries Board of Canada, 14(5):669–681.
[Selvaraj et al., 2020] Selvaraj, J. J., Arunachalam, V., Coronado-Franco, K. V., Romero-
Orjuela, L. V., and Ramı́rez-Yara, Y. N. (2020). Time-series modeling of fishery landings
in the colombian pacific ocean using an arima model. Regional Studies in Marine Science,
39:101477.
[Shah and Yeolekar, 2016] Shah, N. H. and Yeolekar, B. M. (2016). Optimal fish harvesting
with deterioration, effort and price-sensitive demand. Journal of Advances in Applied
Mathematics, 1(2):125.
[Smith, 1978] Smith, J. B. (1978). An analysis of optimal replenishable resource management

under uncertainty.
[Sobel and Camargo, 2011] Sobel, A. H. and Camargo, S. J. (2011). Projected future sea-
sonal changes in tropical summer climate. Journal of Climate, 24(2):473–487.
[Sørensen et al., 2012] Sørensen, M., Kessler, M., and Lindner, A., editors (2012). Statistical
Methods for Stochastic Differential Equations. Monographs on Statistics and Applied
Probability. CRC Press.
[Thierfelder, 2015] Thierfelder, C. (2015). The trending ornstein-uhlenbeck process and its
applications in mathematical finance. Mathematical Finance.
[Todorovic, 2012] Todorovic, P. (2012). An introduction to stochastic processes and their

applications. Springer Science & Business Media.
114 Bibliografı́a
[Torralba and Besada, 2015] Torralba, J. and Besada, M. (2015). A stochastic model for
the iberoatlantic sardine fishery. global warming and economic effects. Ocean & Coastal
Management, 114:175–184.
[Torro et al., 2003] Torro, H., Meneu, V., and Valor, E. (2003). Single factor stochastic
models with seasonality applied to underlying weather derivatives variables. The Journal
of Risk Finance.
[Wang et al., 2015] Wang, S., Song, S., and Wang, Y. (2015). Skew ornstein–uhlenbeck
processes and their financial applications. Journal of Computational and Applied Mathe-
matics, 273:363–382.
[Weisberg, 2005] Weisberg, S. (2005). Applied linear regression, volume 528. John Wiley &
Sons.
[Xie et al., 2010] Xie, S.-P., Deser, C., Vecchi, G. A., Ma, J., Teng, H., and Wittenberg,
A. T. (2010). Global warming pattern formation: Sea surface temperature and rainfall.
Journal of Climate, 23(4):966–986.
[Zeller and Pauly, 2007] Zeller, D. and Pauly, D. (2007). Reconstruction of marine fisheries
catches for key countries and regions (1950-2005).
[Zill Dennis et al., 2012] Zill Dennis, G., Wright Warren, S., and Cullen Michael, R. (2012).
Differential equations with boundary-value problems.

2020

Cargado por

Copyright:

Formatos disponibles

2020

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

2020

Cargado por

Copyright:

Formatos disponibles

Un modelo estocástico para analizar

los efectos de la variación de la

Erika Johanna Martı́nez Salinas

Universidad Nacional de Colombia

Erika Johanna Martı́nez Salinas

Universidad Nacional de Colombia

Dedicado a mi padre Erick Rodrigo Martı́nez.

“Para eso sirven los sueños ¿No? Para

A la Universidad Nacional de Colombia por brindarme tantas oportunidades, al grupo de In-

Palabras clave: Modelos estocásticos, ecuaciones diferenciales estocásticas, proceso de

Keywords: Stochastic models, stochastic differential equations, Ornstein-Uhlenbeck

3. Estimación de parámetros y simulaciones 49

4. Aplicación del modelo propuesto a los datos de estudio 71

A. Anexo: Códigos implementados en Matlab 99

B. Anexo: Códigos implementados en R-Studio 101

1-1. Ejemplo de proceso de estado discreto. . . . . . . . . . . . . . . . . . . . . . 7

2-1. Zona de recolección de los datos asociados al pez Dorado. . . . . . . . . . . . 35

3-1. Solución del movimiento browniano geométrico (en negro) y la aproximación

4-1. Comparación histórica determinı́stica de la temperatura superficial del mar

4-3. Comparación de la abundancia observada y de la abundancia simulada con

La actividad pesquera en la costa Pacı́fica Colombiana se caracteriza por la diversidad de

problemas relacionados con la economı́a y la biologı́a, como es el caso de los expuestos en

las estadı́sticas pesqueras son incompletas, se ha reconstruido la información referente a la

En este capı́tulo se presentan algunas definiciones de procesos estocásticos, de integración con

1.1. Conceptos básicos de procesos estocásticos

lidad (Ω, F , P ). Para cada ω ∈ Ω fijo, la función:

se le llama trayectoria de {Xt }t∈T asociado a ω [Todorovic, 2012, p.2].

1. T es un subconjunto de los números naturales, entonces {Xt }t∈T recibe el nombre de

2. T es un intervalo de los reales, entonces {Xt }t∈T recibe el nombre de proceso de

3. El conjunto S de estados es discreto, es decir finito o numerable, entonces {Xt }t∈T

4. El conjunto S de estados es no numerable, entonces {Xt }t∈T recibe el nombre de pro-

[Blanco-Castañeda et al., 2012].

Figura 1-1.: Ejemplo de proceso de estado discreto.

Definición 1.1.4. (Distribución finito-dimensional de un proceso estocástico).

Ft1 ,...,tn (x1 , . . . , xn ) := P (Xt1 ≤ x1 , . . . , Xtn ≤ xn ), xi ∈ R, con i = 1, . . . , n. (1-1)

[Blanco-Castañeda et al., 2012, p.341].

i) Para cualquier permutación k1 , . . . , kn de 1, . . . , n, se tiene que:

Ftk1 ,...,tkn (xk1 , . . . , xkn ) = Ft1 ,...,tn (x1 , . . . , xn ).

ii) Para cualquier 1 ≤ k < n y x1 , . . . , xk ∈ R,

Ft1 ,...,tk (x1 , . . . , xk ) = Ft1 ,...,tn (x1 , . . . , xk , ∞, . . . , ∞).

[Todorovic, 2012, p.2].

Ejemplo 1.1.2. Sean X y Y dos variables aleatorias independientes e idénticamente distri-

A continuación se calculará la correspondiente función de distribución finito dimensional del

En función de la definición (1-1) se tiene que para cualesquiera {t1 , t2 , . . . , tn } ⊂ T donde

Ft1 ,...,tn (x1 , . . . , xn ) = P (ξt1 ≤ x1 , . . . , ξtn ≤ xn )

Definición 1.1.6. (Función de distribución de orden k de un proceso estocásti-

F (x1 , . . . , xk ; t1 , . . . , tk ) = P (Xt1 ≤ x1 , . . . , Xtk ≤ xk ) , (1-2)

y siempre que exista la k-ésima derivada, se tiene que:

[Lefebvre, 2007, p.49].

Ejemplo 1.1.3. (Proceso de Poisson). Un proceso de Poisson de parámetro λ > 0 es un

mX (t) = E [Xt ] para todo, t ∈ T. (1-4)

Además, la función de autocorrelación y la función de autocovarianza del proceso

RX (t1 , t2 ) = E [Xt1 Xt2 ] , (1-5)

A partir de la anterior definición, es importante tener en cuenta las siguientes anotaciones.

= E A2 E [sen (ωt1 + θ) sen (ωt2 + θ)]

CX (t1 , t2 ) = RX (t1 , t2 ) − mX (t1 )mX (t2 )

V [Xt ] = CX (t, t) . (1-10)

[Lefebvre, 2007, p.50].

CX (s, t) = f (|t − s|) . (1-11)