TEORÍA DE LA PROBABILIDAD

Esperanza Condicional

Introducción

El concepto de Esperanza Condicional es básico en la Teoría de la Probabilidad Moderna. Su

de…nición fue formulada por Kolmogorov en su libro de 1933 (Foundations of the Theory of
Probability), en el cual estableció la formulación axiomática de la Teoría de la Probabilidad
que prevalece hasta nuestros días. Como veremos más adelante, la de…nición de la esperanza
condicional está basada en el teorema de Radon Nikodym, publicado en el año 1930. Ese
teorema fue la conclusión de la investigación que inició Lebesgue acerca de la condición para
que una función sea una integral inde…nida, la cual consiste en que esa función tiene que
ser absolutamente continua. Radon continuó esa investigación y estableció el ahora llamado
teorema de Radon-Nikodym para el caso de medidas en Rn . El resultado de Nikodym fue
mucho más general ya que lo formuló habiéndose desarrollado ya una teoría general de la
medida. Únicamente pasaron 3 años para que Kolmogorov hiciera ver la importancia del
resultado de Nikodym en la teoría de la probabilidad.

Ahora el concepto de esperanza condicional es una de las principales bases para el estudio e
incluso la de…nición misma de los procesos estocásticos, ya que precisamente se constituyó
en la herramienta central para tratar con variables aleatorias dependientes.

Antes de la formulación moderna de la Teoría de la Probabilidad se trataba ya con dis-

tribuciones condicionales, aunque únicamente se hacía para el caso de variables aleatorias
que admiten una función de densidad. La primera referencia a un problema de este tipo se
encuentra en un artículo de Thomas Bayes, publicado en el año 1763 y que lleva por título
An essay towards solving a problem in the doctrine of chances. En ese artículo Bayes buscaba
estimar la probabilidad de ocurrencia de un evento a partir de la frecuencia con la que el
evento había ocurrido; es decir, se trataba del mismo problema que había estudiado Jacques
Bernoulli, cuya solución condujo a la Ley Débil de los Grandes Números. Sin embargo, Bayes
abordó el problema desde otro punto de vista, basándose en la idea de que cuando no se tiene
ninguna información acerca de la ocurrencia o no ocurrencia de un evento, su probabilidad
de ocurrencia se puede pensar como un número que se elige al azar en el intervalo [0; 1].
Después de contar con información acerca de la ocurrencia del evento, esa probabilidad se
modi…ca. Es la idea central de lo que ahora se conoce como Estadística Bayesiana.
2

El problema que planteó Bayes es el siguiente:

Dado el número de veces en el cual un evento desconocido ha ocurrido y fallado,

encontrar la probabilidad de que su probabilidad de ocurrencia en un ensayo
esté comprendida entre dos valores dados.

Denotemos por p a la probabilidad de ocurrencia del evento en consideración. De acuerdo

con la idea de Bayes, inicialmente p es una variable aleatoria con distribución uniforme en
el intervalo [0; 1], de manera que el problema se puede plantear de la siguiente manera.
Denotemos por X al número de veces en que el evento ocurre en n observaciones y denotemos
por Y a la probabilidad de ocurrencia del evento. Entonces, dado un intervalo [a; b] contenido
en el intervalo [0; 1] y k 2 f0; 1; 2; : : : ; ng, se trata de calcular la siguiente probabilidad
condicional:

P [a < Y < b j X = k]

Lo que se conoce es lo siguiente:

n
P [X = k j Y = y] = k
y k (1 y)n k

Esto, no por la de…nición de probabilidad condicional, sino simplemente porque el valor de

Y es la probabilidad de ocurrencia del evento en consideración.

Para resolver el problema planteado, Bayes demostró que:

Rb Rb
P (X = k; a < Y < b) = a P (X = k j Y = y)dy = a nk y k (1 y)n k dy

De aquí se sigue que:

R1 R1
P (X = k) = 0 nk y k (1 y)n k dy = n
k 0
y k (1 y)n k dy = 1
n+1

Y entonces:
P (X=k;a<Y <b) n
Rb
P [a < Y < b j X = k] = P [X=k]
= (n + 1) k a
y k (1 y)n k dy

Si de…nimos:

fXjY (k j y) = P [X = k j Y = y]
y denotamos por fY jX a la función de densidad de Y dado X, entonces el resultado de Bayes
puede escribirse en la siguiente forma:
fXjY (kjy)fY (y)
fY jX (y j k) = fX (k)

Así que, para k 2 f0; 1; 2; : : : ; ng, se tiene:

 3
( 1 n
fX (k) k
y k (1 y)n k
si y 2 [0; 1]
fY jX (y j k) =
0 en otro caso
( n
(n + 1) k
y k (1 y)n k
si y 2 [0; 1]
=
0 en otro caso

Obsérvese que al escribir fY jX (y j k), estamos considerando que k es …ja; la que varía es y.
Además, como función de y, fY jX (y j k) es una función de densidad de una variable aleatoria
absolutamente continua; es decir, es no negativa y se tiene:
R1
f (y j k)dy = 1
0 Y jX

La distribución que corresponde a esta función de densidad es conocida como distribución

beta; en este caso, con parámetros k + 1 y n k + 1.

En la formulación moderna, el concepto central no es el de distribución condicional sino

el de esperanza condicional. Se trata, por ejemplo, de de…nir E [X j Y ], donde X y Y son
variables aleatorias; o, un poco más general, E [X j Y1 ; Y2 ; : : : ; Yn ], donde Y1 ; Y2 ; : : : ; Yn son
variables aleatorias. E [X j Y1 ; Y2 ; : : : ; Yn ] expresa la esperanza de X dado que son conocidos
los valores de Y1 ; Y2 ; : : : ; Yn . Planteado de esta forma, con una buena de…nición, se esper-
aría que E [X j Y1 ; Y2 ; : : : ; Yn ] sea una función de las variables aleatorias Y1 ; Y2 ; : : : ; Yn ; es
decir: E [X j Y1 ; Y2 ; : : : ; Yn ] = h (Y1 ; Y2 ; : : : ; Yn ), donde h es una función medible de Rn en R.
Obsérvese que, en particular, E [X j Y1 ; Y2 ; : : : ; Yn ] sería una variable aleatoria medible con
respecto a la -álgebra generada por las variables aleatorias Y1 ; Y2 ; : : : ; Yn . Inicialmente, X
es sólo medible con respecto a la -álgebra F del espacio de probabilidad en el que estemos
trabajando. Veremos en la exposición que sigue que esta nueva variable aleatoria es una
especie de proyección de X sobre la -álgebra (Y1 ; Y2 ; : : : ; Yn ), la cual, en general, es más
pequeña que la -álgebra original F. Veremos también que es una variable aleatoria que, en
promedio, se comporta como la variable aleatoria original.

Para el estudio de los procesos estocásticos, en los cuales interviene una in…nidad de variables
aleatorias, no es su…ciente con contar con una de…nición de la esperanza de una variable
aleatoria X dado que son conocidos los valores de un número …nito de variables aleatorias
que no son independientes de X; se requiere poder hacerlo también para el caso de una
in…nidad de variables aleatorias. Veremos que la de…nición general incluye este caso ya que
se de…ne la esperanza de una variable aleatoria dada una -álgebra.
4

De…nición de la esperanza condicional

Sea ( ; =; P ) un espacio de probabilidad completo y X una variable aleatoria de esperanza

…nita.
Para motivar la de…nición general, vamos a de…nir la esperanza condicional de X dada la
ocurrencia de un evento A de probabilidad positiva. Para esto observemos que la función
PA : = ! R de…nida por PA (B) = P (B j A) es una medida de probabilidad, lo cual motiva
la siguiente de…nición:

De…nición 1. Sea A un evento de probabilidad positiva y X una variable aleatoria de es-

peranza …nita. Se de…ne la esperanza condicional
R de X dada la ocurrencia del evento A,
E [X j A], mediante la relación E [X j A] = XdPA .

R 1
R
Obsérvese que XdPA = P (A) A
XdP , de manera que E [X j A] puede interpretarse como
el promedio de los valores de X en el conjunto A.

Con esta de…nición, E [X j A] tiene como valor un número real; es simplemente una ex-
tensión natural de la probabilidad condicional. El concepto que queremos de…nir es mucho
más general; podríamos continuar con una de…nición de E [X j Y ] donde Y es una variable
aleatoria. Esto ya tiene su di…cultad para el caso de una variable aleatoria continua ya que,
en ese caso, tendríamos P [Y = y] = 0 para cualquier y 2 R, de manera que no podríamos
utilizar la de…nición de probabilidad condicional para de…nir E [X j Y = y]. Vamos a pro-
ceder extendiendo la de…nición anterior al caso de una familia …nita de eventos mutuamente
excluyentes y de probabilidad positiva (esto equivale a de…nir E [X j Y ] para el caso en que
Y es una variable aleatoria discreta cuyo conjunto de posibles valores es …nito). Veremos
entonces que la esperanza condicional queda caracterizada por determinadas propiedades,
las cuales permitirán de…nir el concepto general.

Proposición 1. Sea X una variable aleatoria de esperanza …nita

Sn y A1 ; A2 ; : : : ; An eventos
de probabilidad positiva, mutuamente excluyentes y tales que k=1 Ak = . De…namos la
función Z : ! R mediante la relación:

Z(!) = E [X j Ak ] si ! 2 Ak

Entonces:

i) Z es una variable aleatoria medible con respecto a la -álgebra generada por los eventos
A1 ; A2 ; : : : ; An .
ii) Z tiene esperanza …nita.
R R
iii) B ZdP = B XdP para cualquier evento B 2 (A1 ; A2 ; : : : ; An )

iv) Z es la única variable aleatoria con las propiedades i, ii y iii.

 5

Demostración
Pn
La propiedad i es inmediata ya que Z = k=1 E [X j Ak ] IAk .
P hP R i
ii) E [jZj] = E [j nk=1 E [X j Ak ] IAk j] = E n
k=1
1
P (Ak ) Ak
XdP IAk

Pn h R i P h R i
1 n 1
1. k=1 E XdP IAk E XdP IAk
Pn hR P (Ak )
Ak
i P hR k=1 P (Ak )
i R Ak
n
= k=1 E Ak
XdP k=1 E Ak
jXj dP = jXj dP = E [jXj] < 1

iii) Sea B 2 (A1 ; A2 ; : : : ; An ), entonces o bien B es el conjunto vacío o bien se puede expresar
como una unión …nitaR de uno o Rmás de los eventos A1 ; A2 ; : : : ; An . Si B es el conjunto
S vacío
entonces la igualdad B ZdP = B XdP es evidente. Supongamos ahora que B = m j=1 Akj ,
donde kj 2 f1; 2; : : : ; ng y los eventos Ak1 ; Ak2 ; : : : ; Akm son ajenos. Entonces,
R P R Pm R
1. B ZdP = m j=1 Akj ZdP = j=1 Akj E X j Akj dP
Pm P R R
= j=1 E X j Akj P (Akj ) = m j=1 Ak XdP = B
XdP
j

iv) Sea Y una variable aleatoria con las propiedades i, ii y iii. Por la propiedad i, para cada
k 2 f1; 2; : : : ; ng, Y toma un valor constante, k , sobre Ak , así que, por la propiedad iii:
R R
k P (Ak ) = Ak Y dP = Ak XdP

Por lo tanto, si ! 2 Ak , se tiene

1
R
Y (!) = k = P (A k ) Ak
XdP = E [X j Ak ] = Z(!)

La variable aleatoria Z es llamada la esperanza condicional de X dada la álgebra generada

por los conjuntos A1 ; A2 ; : : : ; An y se denota por:

E [X j (A1 ; A2 ; : : : ; An )]

El resultado anterior nos dice que esta variable aleatoria queda caracterizada por las propie-
dades i, ii y iii.

Ahora vamos a utilizar el teorema de Radon-Nikodym para extender la idea anterior.

6

Se trata de resolver el siguiente problema:

Dado un espacio de probabilidad completo ( ; =; P ), una variable aleatoria X,

de esperanza …nita, de…nida en ese espacio y una álgebra G contenida en F ,
encontrar una variable aleatoria Z, de esperanza …nita, de…nida en el espacio de
probabilidad ( ; G; P ), que satisfaga las siguientes propiedades:
1. Z es una variable aleatoria medible con respecto a la -álgebra G.

2. Z tiene esperanza …nita.

R R
3. B ZdP = B XdP para cualquier conjunto B 2 G.

Como lo mencionamos antes, la existencia de una variable aleatoria Z con esas propie-
dades se demuestra utilizando el teorema de Radon-Nykodim; pero cabe aclarar
que lo que se demuestra es únicamente la existencia de esa variable aleatoria;
el teorema no nos dice cómo se puede dar Z explicitamente. Ésta es una de las
di…cultades que hay al tratar con la esperanza condicional; queda caracterizada únicamente
por las propiedades que tiene.

En algunos casos particulares se puede dar explicitamente la esperanza condicional e incluso

la distribución condicional de una variable aleatoria. Esto ocurre, por ejemplo, cuando se
calcula la esperanza condicional de una variable aleatoria dado que se conoce el valor de
otra variable aleatoria, cuando existe una función de densidad conjunta de las dos variables
aleatorias.

Pero el principal uso que tiene la esperanza condicional es en la teoría de los

procesos estocásticos, para de…nirlos y demostrar algunas de sus propiedades.

De…nición 2. Sean y dos medidas. Se dice que es absolutamente continua con respecto
a , lo cual será denotado por , si (E) = 0 para cualquier conjunto medible E tal que
(E) = 0.

Por ejemplo, si es una medida de…nida sobre un espacio de medida (F; F) yRf una función
medible no negativa, entonces la función : = ! R de…nida por (E) = E f d es una
medida absolutamente continua con respecto a . El teorema de Radon Nykodim a…rma
que el inverso de esta propiedad es válido. Es un resultado que parece sorprendente por su
simplicidad; sin embargo no olvidemos el trabajo previo de mucha gente que permitió llegar
a este resultado.

La demostración del teorema de Radon-Nykodim es algo laboriosa y requiere de la introduc-

ción de varios conceptos y resultados. Aquí únicamente lo vamos a enunciar para aplicarlo
después al estudio de la esperanza condicional.
 7

Teorema 1 (Radon-Nikodym). Sean y dos medidas de…nidas sobre el mismo espacio

medible (F; F). Supongamos que es -…nita y que es absolutamente Rcontinua con respecto
a , entonces existe una función medible no negativa f tal que (E) = E f d para cualquier
conjunto medible E.

Teorema 2 (Existencia de la esperanza condicional). Sea X una variable aleatoria de

esperanza …nita, de…nida sobre ( ; =; P ), y G una sub -álgebra de =, existeR entonces
R una
variable aleatoria Z, medible con respecto a G, de esperanza …nita y tal que B ZdP = B XdP
para cualquier conjunto B 2 G. Además, si Y es otra variable aleatoria con las mismas
propiedades que Z, entonces Y = Z c.s.

Demostración

Sean X + y X la parte positiva y negativa, respectivamente, de X. De…namos

R entonces las
+
medidas
R Q + : G !R y Q : G !R mediante las relaciones Q+ (B) = B
X dP y Q (B) =
B
X dP; respectivamente. Q+ y Q son absolutamente continuas con respecto a P , de
manera que, por el teorema de Radon-Nikodym, existen dos R funciones no negativas
R Z+ :
! R y Z : ! R, G-medibles, tales que, Q+ (B) = B Z+ dP y Q (B) = B Z dP
para cualquier B 2 G. En particular, tanto Z+ como Z tienen esperanza …nita. Así que
Z = Z+ Z satisface las condiciones del teorema.

RPor otra parte,

R si Y es otra variable aleatoria con las mismas propiedades que Z, entonces
B
Y dP = B
ZdP para cualquier evento B 2 G, así que Y = Z c.s.

R R
Obsérvese que la propiedad B ZdP = B XdP para cualquier conjunto B 2 G, se puede
escribir en la forma siguiente: E [IB Z] = E [IB X] para cualquier conjunto B 2 G. De aquí se
sigue que si f : ( ; G) ! R es una función medible y acotada, entonces E [f Z] = E [f X].

Con el objetivo de familiarizarse con el concepto de esperanza condicional, vamos a ver cómo
se obtienen esperanzas condicionales de una variable aleatoria dado que se conoce el valor
de otra cuando existe una función de densidad conjunta. Esta parte es relativamente simple,
únicamente requiere manejar bien las funciones de densidad conjuntas, las series dobles y las
integrales dobles. Las propiedades más importantes de la esperanza condicional las veremos
más adelante.
8

Esperanzas condicionales en el caso discreto

Proposición 2. Sean X y Y dos variables aleatorias discretas y g : R2 ! 7 R una función

boreliana tal que g(X; Y ) tiene esperanza …nita. De…namos la función h : R ! R de la
siguiente manera:
( P
fX;Y (x;y)
k g (xk ; y) fY (y) si fY (y) > 0
h(y) =
0 en otro caso

donde x1 ; x2 ; : : : son los posibles valores de X. Entonces h(Y ) es una versión de la esperanza
condicional E [g(X; Y ) j Y ].
Demostración

Demostremos primero que h está bien de…nida. En efecto, si y1 ; y2 ; : : : son los posibles valores
de Y , se tiene:
P P
j k jg(xk ; yj )j P [X = xk ; Y = yj ] = E [jg(X; Y )j] < 1
P
Por lo tanto, k jg(xk ; y)j P [X = xk ; Y = y] < 1 para cualquier y 2 R.
De manera que, si P [Y = y] > 0:
P P [X=xk ;Y =y] P
k jg(xk ; y)j P [Y =y]
= P [Y1=y] k jg(xk ; y)j P [X = xk ; Y = y] < 1

Demostremos ahora que la variable aleatoria h(Y ) tiene esperanza …nita. En efecto, se tiene:
P P P P [X=xk ;Y =yj ]
E [jh(Y )j] = j jh(yj )j P [Y = yj ] j k jg(xk ; yj )j P [Y =yj ]
P [Y = yj ]
P P
= j k jg(xk ; yj )j P [X = xk ; Y = yj ] = E [jg(X; Y )j] < 1

Sea ahora f : R 7! R cualquier función acotada. Se tiene entonces:

P
E [f (Y )h(Y )] = j f (yj )h(yj )P [Y = yj ]
P P
= j f (yj ) k g(xk ; yj )P [X = xk ; Y = yj ]
P
= j;k f (yj )g(xk ; yj )P [X = xk ; Y = yj ] = E [f (Y )g(X; Y )]

Ejemplo 1. Se eligen, al azar y sin reemplazo, dos tarjetas de una urna que contiene N
tarjetas numeradas del 1 al N , donde N es un número entero mayor que 1. Sean X y Y el
menor y mayor, respectivamente, de los números de las tarjetas seleccionadas. Encuentra:

a) E [X j Y ]

b) E [Y j X]
 9

Solución

La función de densidad conjunta del vector aleatorio (X; Y ) está dada por:
2
N (N 1)
si x < y; x; y 2 f1; : : : ; N g
fX;Y (x; y) =
0 en otro caso

a. Para y 2 f2; : : : ; N g, se tiene:

P Py 1
fY (y) = N x=1 fX;Y (x; y) = x=1
2
N (N 1)
= 2
N (N 1)
(y 1)

Así que:
P fX;Y (x;y) Py
h (y) = Nx=1 x fY (y) = 1
y 1
1
x=1 x = 21 y

Por lo tanto:

E [X j Y ] = 12 Y .

b. Para x 2 f1; : : : ; N 1g, se tiene:

P PN
fX (x) = N y=1 fX;Y (x; y) =
2
y=x+1 N (N 1)
= 2
N (N 1)
(N x)

Así que:
P fX;Y (x;y) PN
h (x) Ny=1 y fX (x) =
1
N x y=x+1 y = 21 x + 12 (N + 1)

Por lo tanto:

E [Y j X] = 12 X + 21 (N + 1).

Ejemplo 2. Sean X y Y dos variables aleatorias independientes, ambas con distribución

geométrica de parámetro p. Encuentra E [X j m n(X; Y )].

Solución

Para z 2 f0; 1; : : :g, se tiene:

P [m n(X; Y ) = z] = 2P [X > z; Y = z] + P [X = z; Y = z]
= 2(1 p)z+1 p(1 p)z + p2 (1 p)2z = p(1 p)2z (2 p)

Así que:
P1
E [X j m n(X; Y ) = z] = x=0 x P [X=x;m n(X;Y )=z]
P [m n(X;Y )=z]

1
P1
= P [m n(X;Y )=z] x=z+1 xP [X = x; Y = z] + zP [X = z; Y z]
10

1
P1
= p(1 p)2z (2 p)
p2 (1 p)z x=z+1 x(1 p)x + zp(1 p)2z
h i
= 1
p(1 p)2z (2 p)
p2 (1 p)z (1 p)z+1 pz+1
p2
+ zp(1 p)2z

p(2 p)z+(1 p) 1 p
= p(2 p)
=z+ p(2 p)
.
(1 p)
Por lo tanto, E [X j m n(X; Y )] = m n(X; Y ) + p(2 p)
.

Esperanzas condicionales en el caso absolutamente continuo

Proposición 3. Sea (X; Y ) un vector aleatorio absolutamente continuo con función de den-
sidad conjunta fX;Y y g : R2 7! R una función boreliana tal que g(X; Y ) tiene esperanza
…nita. De…namos la función h : R 7! R de la siguiente manera:
8
< R1 f (x;y) Rsi1fY (y) > 0 y
g(x; y) X;Y dx
h(y) = 1 f Y (y)
1
jg(x; y)j fX;Y (x; y)dx < 1
:
0 en otro caso

Entonces h(Y ) es una versión de la esperanza condicional E [g(X; Y ) j Y ].

Demostración

Recordemos que, siendo la función fX;Y integrable, por el teorema de Fubini, el conjunto de
puntos y 2 R para los cuales la función x 7! fX;Y (x; y) no es integrable, tiene medida cero.
Además:
R1 R1
1
fX;Y (x; y)dx si f (x; y)dx < 1
1 X;Y
fY (y) =
0 en otro caso

De…namos los siguientes conjuntos.

A = fy 2 R : fY (y) > 0g
n R1 o
B = y 2 R : 1 jg(x; y)j fX;Y (x; y)dx < 1
n R1 o
C = y 2 R : 1 fX;Y (x; y)dx < 1

Dy = fx 2 R : fX;Y (x; y) > 0g

Como mencionamos antes, C c tiene medida cero. Además:
R1 R1
1 1
jg(x; y)j fX;Y (x; y)dxdy < 1

Así que, por el teorema de Fubini, B c tiene medida cero.

 11
R1
Por otra parte, si y 2 Ac \ C, entonces 1
fX;Y (x; y)dx = 0, así que Dy tiene medida cero.

También por el teorema de Fubini, h es una función boreliana, así que h(Y ) es una variable
aleatoria.
Demostremos que h(Y ) tiene esperanza …nita. En efecto, se tiene:
R1 R
1
jh(y)j fY (y)dy = A\B\C jh(y)j fY (y)dy
R R1
A\B\C 1
jg(x; y)j fX;Y (x; y)dxdy
R1 R1
1 1
jg(x; y)j fX;Y (x; y)dxdy < 1

Sea f : R 7! R cualquier función boreliana acotada. Entonces:

R1
E [f (Y )h(Y )] = 1 f (y)h(y)fY (y)dy
R R1
= A\B\C f (y) 1 g(x; y)fX;Y (x; y)dxdy
R R1
= A\C 1 f (y)g(x; y)fX;Y (x; y)dxdy
R R
= A\C Dy f (y)g(x; y)fX;Y (x; y)dxdy
R R
= C Dy f (y)g(x; y)fX;Y (x; y)dxdy
R R1
= C 1 f (y)g(x; y)fX;Y (x; y)dxdy
R1 R1
= 1 1 f (y)g(x; y)fX;Y (x; y)dxdy = E [f (Y )g(X; Y )]

Así que h(Y ) es una versión de la esperanza condicional E [g(X; Y ) j Y ].

Ejemplo 3. Sean X y Y dos variables aleatorias con función de densidad conjunta dada
por:

2 y
e si 0 < x < y
fX;Y (x; y) =
0 en otro caso

Encuentra E [X + Y j Y X].
Solución
1 2 1
(u+v)
1 u v u+v e 2 si 0 < v < u
fX+Y;Y X (u; v) = 2 f 2
; 2 = 2
0 en otro caso
R1 1 2 1
(u+v) v
fY X (v) = v 2
e 2 du = e
12

1 1
(u v)
e 2 si 0 < v < u
fX+Y jY X (u j v) =
2
0 en otro caso
R1 1 1
(u v) 2
E [X + Y j Y X = v] = v 2
ue 2 du = v +

Así que, E [X + Y j Y X] = Y X + 2.

Ejemplo 4. Sean X y Y dos variables aleatorias independientes, ambas con distribución

normal estándar. Encuentra E [X n j X 2 + Y 2 ] para cualquier n 2 N.

Solución
Busquemos una función h tal que E [h(X 2 + Y 2 )f (X 2 + Y 2 )] = E [f (X 2 + Y 2 )X n ] para
cualquier función boreliana f acotada.

Como X 2 + Y 2 tiene distribución exponencial con parámetro = 21 , se tiene:

R1 z
E [h(X 2 + Y 2 )f (X 2 + Y 2 )] = 21 0 h(z)f (z)e 2 dz.
R1 R1 1 2 2
E [f (X 2 + Y 2 )X n ] = 21 1 1
f (x2 + y 2 )xn e 2 (x +y ) dxdy
R1R2 1 2 R1R2 1 2
= 21 0 0 f (r2 )rn cosn e 2 r rd dr = 21 0 0 rn+1 f (r2 )e 2
r
cosn d dr
R1 1 2 R1 1 1
= C 0 rn+1 f (r2 )e 2 r dr = C2 0 z 2 n f (z)e 2 z dz
R2
donde C = 21 0 cosn d .
1
Por lo tanto, h(z) = Cz 2 n . Es decir:
n
E [X n j X 2 + Y 2 ] = C (X 2 + Y 2 ) 2
R2
Para n impar, se tiene 0 cosn d = 0.
R R
Para n par, se tiene cosn d = n1 cosn 1 sen + nn 1 cosn 2 d . Así que:
R2 n 1 2
R
0
cosn
d = n 0
cosn 2 d = = 1 32 4(nn 1) 2 = n n!n 2 2
2 [( 2 )!]

Por lo tanto:
( n
n!
n 2 2 n 2 (X 2 + Y 2 ) 2 si n es par
E [X j X + Y ] = 2n [( )!]
2
0 si n es impar
 13

Propiedades de la esperanza condicional

La siguiente proposición muestra que la esperanza condicional tiene propiedades similares

a las de la esperanza no condicional. Se muestra también que tiene las propiedades que
podrían esperarse con una buena de…nición, por corresponder a la idea intuitiva del concepto.
Finalmente, se muestran otras propiedades especí…cas de la esperanza condicional, las cuales
no resultan evidentes a partir de la idea intuitiva.

Proposición 4 (Propiedades de la esperanza condicional). Sean X y Y dos variables

aleatorias de esperanza …nita, G y H dos sub -álgebras de = y c una constante. Se tienen
entonces las siguientes propiedades:

i) E [c j G] = c.

ii) E [cX j G] = cE [X j G].

iii) E [X + Y j G] = E [X j G] + E [Y j G].

iv) Si X es G-medible, entonces E [X j G] = X.

v) E [E [X j G]] = E [X].

vi) Si G H, entonces E [E [X j H] j G] = E [X j G].

vii) i X es independiente de G, entonces E [X j G] = E [X].

viii) Si X Y , entonces E [X j G] E [Y j G].

ix) jE [X j G]j E [jXj j G].

Demostración

i, ii, iii y iv son inmediatas de la de…nición de esperanza condicional.

v tambiénR se sigue inmediatamente
R de la de…nición de esperanza condicional; en efecto, sabe-
mos que B E [X j G] dP = B XdP para cualquier conjunto B 2 G, así que, en particular,
se tiene:
R R
E [E [X j G]] = E [X j G] dP = XdP = E [X]

Para probar vi, sean Z una versión de la esperanza condicional de X con respecto a H, Y
una versión de la esperanza condicional de Z con respecto a G y B 2 G. Entonces:
R R R
B
Y dP = B
ZdP = B
XdP

Así que Y es una versión de la esperanza condicional de X con respecto a G.

14

Para probar vii, sea B 2 G. Se tiene entonces:

R R
B
E [X] dP = E [X] E [IB ] = E [XIB ] = B
XdP

Así que E [X] es una versión de la esperanza condicional de X con respecto a G.

Para demostrar viii, sea U una versión de la esperanza condicional de X con respecto a G
y V una versión de la esperanza condicional de Y con respecto a G, entonces, si B 2 G, se
tiene:
R R R R
B
U dP = B
XdP B
Y dP = B
V dP

Como U y V son G-medibles, se tiene U V c.s.

Para demostar ix, se tiene jXj X y jXj X, así que E [jXj j G] E [X j G] y

E [jXj j G] [X j G]; por lo tanto, E [jXj j G] jE [X j G]j.

Las siguientes proposiciones generalizan la propiedad básica de la esperanza condicional.

Proposición 5. Sea X es una variable aleatoria de esperanza …nita, G una sub -álgebra de
= y Z una versión de la esperanza condicional de X con respecto a G, entonces E [W Z] =
E [W X] para cualquier variable aleatoria acotada W G-medible.

Demostración
P
Si ' = nk=1 xk IBk es una variable aleatoria simple G-medible, se tiene:
P P
E ['Z] = E [ nk=1 xk IBk Z] = nk=1 xk E [IBk Z]
P P
= nk=1 xk E [IBk X] = E [ nk=1 xk IBk X] = E ['X]
Si W es una variable aleatoria acotada G-medible, existe una sucesión de variables aleatorias
simples f'n gn2N tal que f'n (!)gn2N converge a W (!) para cualquier ! 2 y j'n j jW j
para cualquier n 2 N. Así que, por el teorema de la convergencia dominada, se tiene:

E [W Z] = E [l mn!1 'n Z] = l mn!1 E ['n Z] = l mn!1 E ['n X]

= E [l mn!1 'n X] = E [W X]

Proposición 6. Sea G una sub -álgebra de =, X una variable aleatoria de esperanza …nita
y Y una variable aleatoria G-medible tal que Y X tiene esperanza …nita, entonces Y E [X j G]
tiene esperanza …nita y E [Y X j G] = Y E [X j G].
 15

Demostración

Supongamos primero que X y Y son no negativas y sea Z una versión de la esperanza

condicional de X con respecto a G. Se tiene entonces E [W Z j G] = E [W X] para cualquier
variable aleatoria acotada W G-medible. En particular, si B 2 G y W es una variable aleatoria
simple G-medible, se tiene:
R R
B
W ZdP = B
W XdP

Por otra parte, Y es el límite de una sucesión creciente, fWn g, de variables aleatorias simples
G-medibles, así que, para cada n 2 N y B 2 G, se tiene:
R R
B
Wn ZdP = B
Wn XdP

Tomando límites cuando n tiende a in…nito se obtiene:

R R
B
Y ZdP = B
Y XdP

lo cual implica que Y Z tiene esperanza …nita y es una versión de la esperanza condicional
de Y X con respecto a G.

Para el resultado general, se puede escribir

Y X = (Y + Y )(X + X ) = Y +X + + Y X Y +X Y X+

Además, (Y X)+ = Y + X + + Y X y (Y X) = Y + X + Y X + , así que, como X y Y X

tienen esperanza …nita, X + , X , Y + X + , Y X , Y + X y Y X + también tienen esperanza
…nita, por lo tanto se puede aplicar, en cada caso, la primera parte de la demostración.

Proposición 7 (Teorema de la convergencia monótona). Sea G una sub -álgebra de

= y fXn gn2N una sucesión monótona creciente de variables aleatorias de esperanza …nita
tales que X = l mn!1 Xn tiene esperanza …nita. Entonces:

l mn!1 E [Xn j G] = E [X j G]
Demostración

Sea Z una versión de la esperanza condicional de X con respecto a G y, para cada n 2 N,

Zn una versión de la esperanza condicional de Xn con respecto a G. Siendo la sucesión
fZn gn2N monónotona creciente, el límite Z = l mn!1 Zn existe. Además, como Zn Z
para cualquier n 2 N , entonces Z Z.
16

Ahora bien, las sucesiones fZ Zn gn2N y fX Xn gn2N son no negativas, monótonas de-
crecientes y están acotadas por Z Z1 y X X1 , respectivamente, de manera que, por el
teorema de la convergencia dominada, se tiene:

l mn!1 E(Z Zn ) = E(Z Z )

l mn!1 E(X Xn ) = 0

Pero, como Z Zn es una versión de la esperanza condicional de X Xn con respecto a G,

se tiene E(Z Zn ) = E(X Xn ). Así que E(Z Z ) = 0. Por lo tanto Z = Z c.s.

Corolario 1. Sea G una sub -álgebra de = y fXn gn2N una sucesión monótona decreciente
de variables aleatorias de esperanza …nita tales que X = l mn!1 Xn tiene esperanza …nita.
Entonces:

l mn!1 E [Xn j G] = E [X j G]

Proposición 8 (Lema de Fatou). Sea G una sub -álgebra de = y fXn gn2N una sucesión
de variables aleatorias no negativas de esperanza …nita tales que l m nf Xn tiene esperanza
…nita. Entonces:

E [l m nf Xn j G] l m nf E [Xn j G]
Demostración

La sucesión Yn = nf fXj : j ng es monótona creciente y l m nf Xn = l mn!1 Yn , así que,

por la proposición 7, E [l m nf Xn j G] = l mn!1 E [Yn j G].

Por otra parte, Yn Xj para cualquier j n, así que E [Yn j G] nf fE [Xj j G] : j ng.
Por lo tanto,
E [l m nf Xn j G] = l mn!1 E [Yn j G]
l mn!1 nf fE [Xj j G] : j ng = l m nf E [Xn j G].

Proposición 9. Sea G una sub -álgebra de =, Y una variable aleatoria no negativa de espe-
ranza …nita y fXn gn2N una sucesión de variables aleatorias tales que jXn j Y y l mn!1 Xn
existe c.s.. Entonces l mn!1 E [jXn Xj j G] = 0, donde X = l mn!1 Xn .

Demostración

Para cada n 2 N sea Zn = 2Y jXn Xj, entonces, por la proposición 8, se tiene

2E [Y j G] = E [l mn!1 Zn j G]
 17

l m nf E [Zn j G] = 2E [Y j G] l m sup E [jXn Xj j G].

Así que,

l m sup E [jXn Xj j G] = 0

Corolario 2 (Teorema de la convergencia dominada). Sea G una sub -álgebra de =,

Y una variable aleatoria no negativa de esperanza …nita y fXn gn2N una sucesión de variables
aleatorias tales que jXn j Y y l mn!1 Xn existe c.s.. Entonces:

E [l mn!1 Xn j G] = l mn!1 E [Xn j G]