Trayectorias X(t)
Posición acumulada en función del paso t
¿Qué es un paseo aleatorio?
Un paseo aleatorio (random walk) es una sucesión de pasos en los que la dirección de cada paso se elige de forma aleatoria e independiente. El modelo más sencillo en una dimensión es el paseo aleatorio simple: una partícula empieza en la posición X₀ = 0 y en cada instante t avanza +1 (con probabilidad p) o retrocede −1 (con probabilidad 1 − p).
Si p = 0,5, el paseo es simétrico: no hay tendencia ni dirección preferida. Si p ≠ 0,5, existe una deriva (drift) que empuja sistemáticamente la trayectoria en una dirección, aunque el ruido aleatorio sigue siendo el componente dominante a corto plazo.
Formalmente, la posición en el paso n es:
\( X_n = \sum_{i=1}^{n} \xi_i \)
donde cada \(\xi_i\) es una variable aleatoria independiente con P(\(\xi_i = +1\)) = p y P(\(\xi_i = -1\)) = 1 − p.
Propiedades matemáticas
Media y varianza
Dado que E[\(\xi_i\)] = p − (1−p) = 2p − 1 y Var(\(\xi_i\)) = 1 − (2p−1)² = 4p(1−p), por linealidad de la esperanza y la independencia:
- Media: E[Xn] = n(2p − 1). Para p = 0,5, la media es 0 para todo n.
- Varianza: Var(Xn) = 4p(1−p) · n. Para p = 0,5, Var = n.
- Desviación típica: σ(Xn) = 2√(p(1−p)) · √n. Para p = 0,5, σ = √n.
El hecho de que la dispersión crezca como √n y no como n es la propiedad más característica del paseo aleatorio. Las trayectorias se "abren" en abanico, pero más lentamente de lo que podría parecer. Por ejemplo, tras 10.000 pasos, la desviación típica de la posición es solo √10.000 = 100.
Distribución asintótica y conexión con el TCL
Por el teorema central del límite, Xn es una suma de n variables iid, por lo que para n grande:
\( X_n \approx \mathcal{N}\!\left(n(2p-1),\; 4p(1-p)\,n\right) \)
Esto justifica las bandas teóricas ±2σ que puedes ver en el simulador: aproximadamente el 95 % de las trayectorias deberían quedar dentro de la banda E[Xn] ± 2 · 2√(p(1−p)n). Observa cómo las bandas se abren siguiendo la curva √n y no una línea recta.
El paseo aleatorio en 2D
En dos dimensiones, la partícula se mueve con igual probabilidad 1/4 en cada uno de los cuatro ejes (norte, sur, este, oeste). Ahora Xn e Yn son dos paseos aleatorios 1D independientes que evolucionan en pasos alternos: en promedio, cada componente recibe n/2 pasos efectivos.
La distancia euclidiana al origen sigue siendo del orden √n:
\( \mathrm{E}\!\left[\,r_n^2\,\right] = \mathrm{E}[X_n^2 + Y_n^2] = n \) ⟹ \( r_{\mathrm{RMS}} = \sqrt{n} \)
El círculo discontinuo en el simulador 2D tiene radio √n y corresponde a esta distancia cuadrática media. Observa cómo los puntos finales de las trayectorias se agrupan aproximadamente dentro de ese círculo.
Recurrencia: el paseo siempre vuelve al origen
Una de las propiedades más contraintuitivas del paseo aleatorio fue demostrada por el matemático polaco George Pólya en 1921. En su teorema más famoso establece:
- En 1D y 2D: el paseo aleatorio simple es recurrente — la probabilidad de volver al punto de partida (y a cualquier punto visitado) es exactamente 1. Dado tiempo suficiente, el caminante siempre regresa.
- En 3D y dimensiones superiores: el paseo es transitorio — la probabilidad de volver al origen es menor que 1 (≈ 0,3405 en 3D). Un pájaro borracho puede perderse para siempre.
La intuición detrás de este resultado es que en baja dimensión el espacio es "pequeño" comparado con cuánto lo explora el paseo, mientras que en alta dimensión hay demasiadas direcciones posibles y la partícula se dispersa irreversiblemente. Esta propiedad tiene profundas implicaciones en física estadística, teoría de grafos y ecología.
En el simulador 2D, activa muchos pasos (5.000–10.000) con una sola trayectoria y observa cómo la partícula regresa repetidamente al origen aunque parezca haberse alejado definitivamente.
La ruina del jugador
Imaginemos un jugador que comienza con €a y juega una serie de apuestas de €1 contra un rival con €b. En cada ronda, el jugador gana €1 con probabilidad p o pierde €1 con probabilidad q = 1 − p. El juego termina cuando alguien se arruina.
Este problema clásico es equivalente a un paseo aleatorio con barreras absorbentes en 0 y a + b. La probabilidad de que el jugador se arruine vale:
\[ P(\text{ruina}) = \begin{cases} \dfrac{(q/p)^a - (q/p)^{a+b}}{1 - (q/p)^{a+b}} & \text{si } p \neq \tfrac{1}{2} \\[1.4em] \dfrac{b}{a+b} & \text{si } p = \tfrac{1}{2} \end{cases} \]
Para el juego justo (p = 0,5), la probabilidad de ruina depende solo de la proporción de capital: si el jugador tiene €100 y la banca tiene €900, la probabilidad de que el jugador se arruine es 900/1000 = 90 %. Incluso con un juego perfectamente justo, la asimetría de capital hace casi segura la ruina del jugador más pobre.
Con p < 0,5 (la situación real en un casino, donde la casa tiene ventaja), la ruina es prácticamente inevitable a largo plazo. Solo con p > 0,5 puede el jugador tener probabilidad positiva de arruinar a su rival antes de arruinarse él.
En el simulador 1D, cambia p a 0,40 o 0,30 con derive negativa y observa cómo las trayectorias descienden sistemáticamente — eso es la ventaja de la casa actuando.
Movimiento browniano: el límite continuo
Cuando el tamaño del paso y el intervalo de tiempo tienden a 0 de manera coordinada, el paseo aleatorio converge en distribución al movimiento browniano (también llamado proceso de Wiener), que es el modelo continuo de difusión.
Formalmente, si definimos Bt = X⌊nt⌋/√n, entonces Bt → Wt donde W es un proceso de Wiener estándar con W₀ = 0, incrementos independientes y Wt − Ws ~ N(0, t − s).
El movimiento browniano fue postulado por Robert Brown (1827) al observar el movimiento errático de granos de polen en agua, y explicado matemáticamente por Albert Einstein en 1905 como resultado del bombardeo molecular. La misma matemática del paseo aleatorio describe:
- Difusión de moléculas en un fluido (ecuación de difusión de Fick, D = σ²/2t).
- Conducción de calor (ecuación del calor = ecuación de difusión).
- Precios financieros (modelo de Black-Scholes, movimiento browniano geométrico).
- Polímeros en química (la conformación de una cadena polimérica sigue un paseo aleatorio en 3D).
Aplicaciones del paseo aleatorio
📈 Finanzas
La hipótesis del mercado eficiente de Eugene Fama (1970) propone que los precios de los activos siguen un paseo aleatorio, lo que implica que no se puede predecir el precio futuro a partir del historial. El modelo de Black-Scholes asume movimiento browniano geométrico para el precio subyacente.
🧬 Biología y ecología
El movimiento de microorganismos como bacterias se modela con paseos aleatorios. En ecología, la dispersión de semillas y animales sigue patrones de paseo aleatorio, aunque muchas especies usan estrategias más eficientes (vuelos de Lévy).
💻 Algoritmos e IA
El algoritmo de PageRank de Google se basa en el vector estacionario de un paseo aleatorio sobre el grafo de la web. El método MCMC (Markov Chain Monte Carlo) en estadística bayesiana explora distribuciones complejas mediante paseos aleatorios en el espacio de parámetros.
⚛️ Física
La difusión de partículas cargadas en plasmas, la conducción de neutrones en reactores nucleares, la resistividad eléctrica en metales y la dinámica molecular en simulaciones computacionales utilizan el formalismo del paseo aleatorio.
Preguntas frecuentes
¿Por qué las posiciones se dispersan como √n y no como n?
Porque la posición Xn es una suma de n variables aleatorias independientes, y por el teorema central del límite la desviación típica de una suma crece como √n. Si cada paso puede ser ±1, la varianza de la suma es n·Var(ξ), y la desviación típica es √n·σ. Este crecimiento sublineal es la firma matemática de la difusión.
¿El paseo aleatorio predice realmente los precios de bolsa?
Es un debate activo. La hipótesis de mercado eficiente en su forma débil dice que los precios pasados no permiten predecir los futuros — lo que es consistente con el paseo aleatorio. Sin embargo, la finanza conductual ha documentado numerosas anomalías (reversión a la media, momentum, efectos de calendario) que sugieren que los mercados no son perfectamente eficientes. En la práctica, el paseo aleatorio es una primera aproximación útil, no una descripción exacta.
¿Qué diferencia hay entre p = 0,5 y p = 0,51?
A corto plazo, muy poca: el ruido domina. Pero a largo plazo, la diferencia es enorme. Con p = 0,51 y n = 10.000 pasos, la deriva esperada es n(2p−1) = 10.000 × 0,02 = 200 posiciones, mientras que la desviación típica es √10.000 ≈ 100. La deriva supera con creces la variabilidad aleatoria. Esta es la razón por la que una ventaja pequeña pero consistente (como la de la casa en el blackjack) domina el resultado a largo plazo.
¿Cómo se relaciona el paseo 2D con las cadenas de Markov?
El paseo aleatorio 2D en la rejilla ℤ² es un caso especial de cadena de Markov con espacio de estados infinito. La propiedad de Markov se cumple porque la próxima posición depende solo de la posición actual, no de la historia. Sin embargo, al tener infinitos estados, el análisis de la distribución estacionaria es diferente al de las cadenas finitas del simulador de cadenas de Markov.
¿Qué son los vuelos de Lévy?
Los vuelos de Lévy son una generalización del paseo aleatorio donde los pasos no tienen varianza finita: la mayoría son pequeños, pero ocasionalmente ocurren saltos muy grandes que siguen una distribución de cola pesada (distribución de Lévy estable). Muchos animales, desde albatros hasta tiburones, usan estrategias de búsqueda que se asemejan a vuelos de Lévy porque son óptimas para explorar entornos donde las presas son escasas y distribuidas aleatoriamente.