1 NOTAS DE CURSO.

MARIA EMILIA CABALLERO, 2014 1

1. Notas de curso. Mara Emilia Caballero, 2014

1.1. Esperanza Condicional
Una de las herramientas fundamentales en la teora de probabilidad, procesos
estoc
asticos, calculo estoc
astico etc. es la de esperanza condicional. Permite ha-
cer modelos matem aticos, hablar de propiedades de Markov etc. Es, ademas,
una herramienta esencialmente probabilista y no tiene paralelo en analisis ma-
tematico. Es algo dificil de manejar sobre todo porque hay varias formas de
presentarla; desde las m as elementales hasta la parte mas sofisticada de pro-
babilidad condicional regular, y lo que hace delicado el tema es poder tener
una visi on global de las diferentes formas en que aparece y como se relacionan
entre s. En estas notas se daran los elementos basicos que se usaran en el curso.
Las partes m as tecnicas de este texto estan marcadas con *, solo se incluyen
por completez y no es indispensable estudiarlas en una primera lectura ya que
requieren de conocimientos mas amplios de teora de la medida.
Si tenemos una variable aleatoria X en un espacio de probabilidad (, F, P )
se busca construir otra variable aleatoria pero con menos informacion, es decir,
se quiere algo que sea medible respecto a una -algebra mas peque na G que la
original F y a la vez que sea lo mas parecida posible a la variable original X.
Esto es una variable aleatoria que sea G-medible y que tenga la misma integral
que X en cada evento de G. En terminos matematicos la definicion precisa es:
Definici on 1. Sea (, F, P ) un espacio de probabilidad y X una variable aleato-
ria integrable. Si G es una sub--algebra de F entonces la esperanza condicional
de X dado G es una variable aleatoria integrable Z : R tal que

1. Z es G medible
R R
2. Para cada D G, se ccumple que: XdP = ZdP .
D D
Se le denota generalmente como E(X/G)
Sea (, F, P ) un espacio de probabilidad y A F. Si G es una sub--
algebra de
F entonces la probabilidad condicional de A dado G es una variable aleatoria
integrable Z : R tal que
1. Z es G medible.
R
2. Para cada D G se cumple que P (A D) = ZdP .
D
Se le denota como P (A/G).

Observaciones:
0
1. Claramente Z no es u nica ya que cualquier otra variable Z que sea G-
0
medible y tal que Z = Z cs , cumple tambien la condicion (2), en ambos
casos.
1 NOTAS DE CURSO. MARIA EMILIA CABALLERO, 2014 2

2. Una vez dadas estas dos definiciones, es natural preguntarse cual es la

relaci
on, por ejemplo, de esto con la probabilidad condicional que se ve en
los cursos elementales: si B es un evento con probabilidad positiva se define
P (A/B) = P P(AB)
(B) y en el caso que se trate de dos variables aleatorias
X, Y con densidad conjunta se define de manera directa la. la densidad
condicional.
Las respuestas a esto se ver
an en ejemplos y ejercicios que se daran en el texto.
Las preguntas que saltan a la vista son:

1.Cuando existe la esperanza (probabilidad) condicional de una variable alea-

toria (evento).? y
2. Cual es su forma explcita?
Una de las cosas que resulta sorprendente en este tema es la dificultad que
hay para dar la forma explcita. No menos sorprendente es el hecho de que la
existencia reposa sobre un teorema muy tecnico de la teora de la Integral de
Lebesgue: el teorema de Radon-Nikodym, y en cambio, en los casos elementales
es algo sencillo y la existencia es inmediata. As el contraste entre los casos
elementales y el caso general es notable. Daremos aqu uan demostracion de la
existencia , bajo el supuesto que se conoce el teorema mencionado.

*TEOREMA DE EXISTENCIA. Sea (, F, P ) un espacio de probabilidad,

X L1 (, F, P) y G una subsigma algebra de F. Existe otra variable alea-
toria integrable Z tal que
Z es G medible
R R
.Para cada D G, se ccumple que: XdP = ZdP .
D D

Si Z 0 es otra variable con estas propiedades entonces Z = Z 0 P-casi segu-

ramente.

R on. Supongamos primero que X 0 Se define Q : G R como

Demostraci
Q(D) = D XdP . Es claro que Q es una medida finita definida en G y que
es absolutamente contnua con respecto a P . Por lo tanto (teorema de Radon-
Nikodym, vea libro de referencia [J-P] captulo 28) existe Z L1 (, G, P ) posi-
tiva tal que para todo D G se tiene:
Z Z
XdP := Q(D) = ZdP
D D

Es claro que Z es la funcion buscada ya que tiene todas las propiedades de

la definici
on de esperanza condicional. Para el caso de que X sea integrable,
se usa la descomposicion usual X = X + X y se aplica lo anterior a cada
sumando. La prueba de la existencia de la probabilidad condicional sigue el
mismo esquema.
1 NOTAS DE CURSO. MARIA EMILIA CABALLERO, 2014 3

1.2. Propiedades de la Esperanza Condicional.

En toda la seccion (, F, P ) sera un espacio de probabilidad fijo.
Agruparemos las propiedades de la esperanza condicional en tres grupos: prime-
ro las propiedades an alogas a las de esperanza, tales como linealidad, teoremas
de convergencia etc. En segundo lugar, las que nos indican la dependencia de
la(s) algebra(s) con respecto a la(s) que estamos condicionando. Por u ltimo la
relaci
on con independencia.
Teorema 1. Sean (, F, P ) un espacio de probabilidad y G una sub-- algebra
de F y X, Xn : (, F) R, n = 1, 2, . . . variables aleatorias integrables.
1. Si c R y X = c entonces E(X/G) = c y si X es G-medible, entonces
E(X/G) = X . .
2. Si X 0 cs entonces E(X/G) 0 y si X1 X2 entonces
E(X1 /G E(X2 /G) = X.

3. Si a, b R, E(aX1 + bX2 /G) = aE(X1 /G) + bE(X2 /G) .

4. Si X es G medible, entonces E(X/G) = X.
5. Sea Y otra variable aleatoria real definida en (, F, P ) y (Y ) la sigma

algebra generada por Y en . Entonces X es (Y )-medible si y s olo si
on boreliana f : R R tal que X = f (Y ).
existe una funci
6. Si 0 Xn Xn+1 , n = 1, 2, . . . y X = lm Xn entonces
n

E(X/G) = lm E(Xn /G)

n

(teorema de convergencia mon

otona condicional, TCMC).
7. Si X = lm Xn y si existe Z L1 (, F, P ) tal que |Xn | Z cs para
n
n = 1, 2, . . . entonces X L1 (, F, P ) y
E(X/G) = lm E(Xn /G)
n

(teorema de convergencia dominada condicional, TCDC).

8. Si 0 Xn , n = 1, 2, . . .
E(lm inf Xn /G) lm inf E(Xn /G)
n n

(Lema de Fatou condicional, LFC).

9. (Desigualdad de Jensen condicional.)
Si X L1 (, F, P ) y g : R R es continua y convexa tal que g(X)
L1 (, F, P ) entonces
g(E(X/G)) E(g(X)/G)
En consecuencia,
1 NOTAS DE CURSO. MARIA EMILIA CABALLERO, 2014 4

a) |E(X/G)| E(|X|/G)
+
b) [E(X/G)] E(X + /G) y [E(X/G)] E(X /G)
p
c) |E(X/G)| E(|X|p /G) ,p 1

Observaciones:
1. todas la igualdades o desigualdades son ciertas (P - casi seguramente). Lo
mismo sucede en las proposiciones posteriores.
2. La propiedad 1.5 es muy importante para la esperanza condicional porque
nos dice que dadas X, con las hipotesis mencionadas existe g : R R
Borel-medible tal que E(X/(Y )) = E(X/Y ) = g(Y ) y a esta funcion g
se le llama la esperanza condicional de X dado Y evaluada y se
denota
g(y) = E(X/Y = y) y R.
Veremos m
as adelante que se trata de un concepto muy importante.
3. en el TCDC, la hipotesis de que Xn sea integrable es redundante , por
estar dominada por Z que es integrable.
Demostraci on. No se har
an todas las pruebas, se deja al lector hacer como
ejercicio las restantes.
3. Sea D G
Z Z
E(aX1 + bX2 /G)dP = (aX1 + bX2 )dP
D D
Z Z
= a X1 dP + b X2 dP
D D
Z Z
= a E(X1 /G)dP + b E(X2 /G)dP

ZD D

= [aE(X1 /G) + bE(X2 /G)] dP

D

Por lo que la propiedad anunciada se obtiene.

5. Esta propiedad es muy importante y hay versiones mas generales, donde
la variable Y toma valores en otros espacios. La demostracion se vera en el
caso enunciado, pero es facil ver que se puede generalizar. Una implicacion
es inmediata : si X = f (Y ) por la propiedad de composicion de funciones
medibles se tiene que X es (Y )-medible. La recproca se hara por casos:
primero supondremos que X es simple y (Y )- medible. Sean a1 , a2 , ak
los valores que toma X y sean Ai = X 1 ({ai }) = (X = ai ); es claro que
(Ai )ki=1 es una partici
on (Y )- medible de . Entonces,
1 NOTAS DE CURSO. MARIA EMILIA CABALLERO, 2014 5

k
X k
X
X= ai 1Ai = ai 1(Y Bi )
i=1 i=1

Donde, para cada i = 1, 2, ...k, Bi es el boreliano de R que existe por

on de (Y ) y que cumple Ai = Y 1 (Bi ) = (Y Bi ). Es claro
definici
on boreliana f : R R buscada es
ahora que la funci
k
X
f (x) = ai 1Bi (x).
i=1

Ahora sea X una funcion (Y )- medible y positiva. Sabemos que existe

una sucesi on no decreciente (Yn )nN de funciones simples medibles tal
que si se tiene X( = lmn Xn (). Sea fn la funcion boreliana que
existe ( por el primer caso) y que cumple que Xn = fn (Y ). Si ahora defino
a f como el lmite de la sucesion (fn )n , si este lmite existe e igual a 0
si este lmite no existe, es claro que f es boreliana y que X = f (Y ). (
explique porque el conjunto donde el lmite no existe es irrelevante en esta
construcci on.).

on {E(Xn /G)}n=1 es no decreciente.
6. Es claro que la sucesi
Sean Z = lm E(Xn /G) y D G. Si se usa el Teorema de convergencia
n
mon
otona usual aplicado a la sucesion (1D Xn )n :
Z Z Z Z
lm Xn dP = lm Xn dP = XdP = E(X/G)dP
n n
D D D D

y por otra parte,

Z Z Z Z
lm Xn dP = lm E(Xn /G)dP = lm E(Xn /G)dP = ZdP
n n n
D D D D

Tanto Z como E(X/G) son G medibles y tienen la misma integral sobre

cada D G, es decir, Z = E(X/G) .
7. Se tiene Zn = nf Xm Xn sup Xm = Vn . Estas variable aleatorias
mn mn
nos permitir
an aplicar el TCMC en la prueba del teorema.

Z Zn y Zn X Z

Por lo tanto 0 (Zn Z) y lm E(Zn Z/G) = E(X Z/G), es decir

n

E(X/G) = lm E(Zn /G) (1)

n
1 NOTAS DE CURSO. MARIA EMILIA CABALLERO, 2014 6

Analogamente Z Vn y Vn X. Por lo tanto Z Vn 0 y (Z Vn )

(Z X) y lm E(Z Vn /G) = E(Z X/G), en consecuencia
n

E(X/G) = lm E(Vn /G)

n

E(X/G) = lm E(Vn /G) lm E(Xn /G)

n n
lm E(Zn /G) = E(X/G)
n

Esto implica que E(X/G) = lm E(X/G)

n
Se toma Z = nf Xm . En este caso 0 Zn Zn+1 n = 1, 2, . . . y
mn
Zn (lm Xn )

E(lm Xn /G) = lm E(Zn /G) = lm E(Zn /G)

n
lm E(Zn /G)

9. Sea g : R R continua y convexa. Dado x0 R existe la recta sopor-

tede g en (x0 , g(x0 )) y tiene por ecuacion a

l(x) = g(x0 ) + A(x0 )(x x0 )

donde A(x0 ) puede tomarse como la derivada por la derecha de g en x0 :

A(x0 ) = D+ g(x0 ) . Sabemos que esta recta existe y que l(x) g(x) para
toda x R.
En consecuencia si tomo para cada , x0 = E(X/G)(),

g(E(X/G)) + A(E(X/G))(X E(X/G)) g(X)

Ahora tomo esperanza condicional dado G de ambos lados y obtengo

E(g(E(X/G))) + E[A(E(X/G)(X E(X/G))/G)] E(g(X)/G)

Como g(E(X/G)), A(E(X/G)) y E(X/G) son G medibles, el lado izquierdo

de esta desigualdad se puede escribir del siguiente modo,

g(E(X/G)) + A(E(X/G)(E(X/G) E(X/G))) E(g(X)/G)

es decir g[E(X/G)] E(g(X)/G).

Se us
o el hecho siguiente:
Si u : R R es boreliana y Y : R es G-medible entonces (u
Y ) es tambien G-medible. Esto es inmediato ya que (u Y )1 (B) =
Y 1 (u1 (B)) G para todo B B(R)
1 NOTAS DE CURSO. MARIA EMILIA CABALLERO, 2014 7

Segundo grupo de propiedades.

Proposicion 1. Sean X, X1 L1 (, F, P), Y : R funci
on medible y G
algebra de F.
una sub--
R
1. E(E(X/G)) = E(X) y E(X/Y = y)dPY (y) = E(X) donde PY es la
R
distribuci
on de Y .
2. Si G = {, } entonces E(X/G) = E(X).

3. Si X es G-medible E(X1 X/G) = XE(X1 /G) siempre que E(X1 X) exista

4. Si A es sub--
algebra de G,

E(X/A) = E(E(X/G)/A) = E(E(X/A)/G)

Demostraci
on. 1. La primera parte es inmediata y la segunda se obtiene
gracias a teorema de cambio de variable.
2. Es inmediata si recordamos que las u nicas funciones que son medibles
respecto a la sigma-
algebra trivial son las constantes.

3. Supongamos primero que X = 1F con F G y sea D G

Z Z Z
E(1F X1 /G)dP = 1F X1 dP = E(X1 /G)dP
D D DF
Z
= 1F E(X/G)dP
D

Es decir, E(1F X1 /G) = 1F E(X1 /G)

o el hecho que F D F, lo cual nos permite escribir la segunda
Se us
igualdad.
Si ahora X es una funcion simple medible, se usa el resultado anterior y
la linealidad de la esperanza condicional para obtener el resultado.
Para X medible positiva, sea (Xn )n una sucesion no decreciente de funcio-
nes simples que aproximen a X. Es claro que .........se demuestra al usar el
TCD ya que puedo dominar a la X medible y tal que E(X) existe, se usa
on usual X = X + X , se aplica el resultado precedente
la descomposici
+
a X y a X y nuevamente por la linealidad de la esperanza condicional,
se concluye.
1 NOTAS DE CURSO. MARIA EMILIA CABALLERO, 2014 8

5. Una de las dos igualdades: E(X/A) = E(E(X/A)/G) se deduce inme-

diatamente de la propiedad anterior ya que E(X/A) es A-medible y en
consecuencia es G-medible.
Veamos la otra igualdad, notese que todo se reduce a probar que para
cada A A: Z Z
XdP = E(E(X/G)/A)dP
A A

Pero Z Z Z
E(E(X/G)/A)dP = E(X/G)dP = XdP
A A A

La primera igualdad es por la definicion de E(/A), ya que A A y la

segunda es por la definicion de E(, G) ya que A A G

Por u
ltimo se estudiar
a la relacion con la independencia.
algebras de F y X L1 (, F, P ).
on 2. Sean G, A sub--
Proposici
1. Si (X) y G son independientes, entonces

E(X/G) = E(X)

En particular si Y : Omega R es una funci

on medible y si (X) es
independiente de (Y ) entonces

E(X/Y ) = E(X)

2. *Si H : R2 R es medible y acotada y X, Y son independientes

Z
E(H(X, Y )/Y ) = H(x, Y )dPX (x).
R

(Aqu PX es la distribuci
on de X).
3. *Si (X) y A son independientes de G entonces

E(X/(A G)) = E(X/A)

En particular si Y, Z : R son funciones medibles tales que X y Z son

independientes de Y entonces

E(X/(Y, Z)) = E(X/Z)

1 NOTAS DE CURSO. MARIA EMILIA CABALLERO, 2014 9

on. 1. Sea D G. Es claro que por la independencia se tiene:

Demostraci
Z Z
XdP = P (D) E(X) = E(X)dP
D D

y esta igualdad demuestra la primera propiedad anunciada, la segunda es con-

secuencia inmediata de esta.
3 Se hace por el metodo de separacion de variables,: primero se supone que
H(x, y) es de la forma h1 (x)h2 (y). Es este caso el resultado es inmediato ya
que:

E(H(X, Y )/Y ) = E(h1 (X)(h2 (Y )/Y ) = h2 (Y ).E(h1 (X)/Y ) = h2 (Y ).E(h1 (X))

Z
= h2 (Y ) h1 (x)dPX (x)
R

*Despues se sigue el camino usual para mostrarlo para H .

4. *Sea D (Y )
Z Z Z
E(X/Y )dP = XdP = 1D XdP
D D
Z
= E(1D )E(X) = E(X)dP
D
R R
Sea C = {A D : A A, D G} y L = {D F| XdP = E(X/A)dP }
D D
Lo que se debe mostrar es que para todo F (A D) se cumple
Z Z
XdP = E(X/A)dP
F F

Para ello basta ver que C es -sistema, L es -sistema y C L. Las dos primeras
1 NOTAS DE CURSO. MARIA EMILIA CABALLERO, 2014 10

aciles de mostrar. Para ver que C L, sea A A y D G:

afirmaciones son f
Z Z
XdP = 1DA XdP
(DA)
Z
= (1D + 1A 1DA )XdP

= E(1D )E(X) + E(1A X) E(1D )E(1A X)
Z Z Z
= E(1D ) E(X/A)dP + E(X/A)dP/ + E(1D ) E(X/A)dP
A A
Z Z Z
= 1D E(X/A)dP + E(X/A)dP 1D E(X/A)dP
A A
Z
= (1D + 1A 1DA )E(X/A)dP

Z
= E(X/A)dP
DA

Se us
o la definici
on de esperanza condicional y las hipotesis de independencia
dadas. Notese que para poder escribir
Z Z
1DA XdP = E(1D ) 1A XdP

y Z Z
E(1D ) E(X/A)dP = 1D E(X/A)dP
A A

o el hecho de que G es independiente de tanto X como de A.

se us
1 NOTAS DE CURSO. MARIA EMILIA CABALLERO, 2014 11

1.3. Ejercicios
Trabajaremos en un espacio de probabilidad fijo (, F, P)en el cual G es una sub-
sigma-algebra de F. Muchas de las igualdades involucradas son P -casi seguras.
R
1. Si X 0 y Q(B) = B XdP, B F pruebe que Q es una nueva medida
en F, (no
R necesariamente finita). Si adems X es integrable y B F
satiface B XdP = 0 entonces Q(B) = 0.
2. Pruebe que P (A/G) = E(1A /G) para todo A F.

3. Sea B F tal que P (B) > 0. Se define QB : F [0, 1] como

P (A B)
QB = ,A F
P (B)

Pruebe que QB es una medida de probabilidad en F. Usualmente se denota

por P (/B) y se le llama la probabilidad condicional de que suceda A
dado que ya sucedi o B o probabilidad condicional de A dado a B. Si X
L1 (, F, P ) entonces X L1 (, F, QB ) y ademas se define esperanza
condicional de X dado B como
Z Z
B 1 E (1B X)
E (X/B) = XdQ = XdP = .
P (B) P (B)
B

Note que E (X/B) es un n

umero real no una funcion .
algebra generada por B F tal que P (B) y P (B c ) tengan
4. Sea A la sigma
probabilidad positiva. Encuentre
E(X/A) para X L1 (, F, P)(utilice el concepto E (X/B) del ejer-
cicio anterior.).
P (C/A) para C F.
5. Sea A la sigma algebra generada por una particion medible de , B1 , B2 , . . . , Bn
tal que P (Bi ) > 0 i = 1, 2, . . . n Dado X L1 (, F, P) encuentre Y =
0 0
E(X/A). Un importante caso particular es el siguiente: sea ( , F ) otro
0 0
espacio medible y Y una funcion medible Y : (, F) ( , F ) cuya ima-
0
gen es finita ImY = {y1 , y2 , . . . , yn } y tal que P (Y = yi ) > 0, i =
1, 2, . . . n En este caso la particion estara dada por {Bi = (Y = yi ) : i =
1, 2, . . . } y A = (Y ). Encuentre E(X/Y ) y E(X/Y = yi ), i = 1, 2, n
.

6. En los curso b asicos se tiene el concepto de esperanza condicional para el

caso en que X, Y sean variables aleatorias con densidad conjunta f : R2
[0, 1]. Se define lo que es la densidad condicionalde X dado Y como

f (x, y)
h(x/y) =
fY (y)
1 NOTAS DE CURSO. MARIA EMILIA CABALLERO, 2014 12

donde fY es la densidad marginal de Y y se supone que fY (y) > 0 para

toda y R.

Se define
Z Z
1
E(X/Y = y) = xh(x/y)dx = xf (x, y)dx.
fY (y)
R R

y tambien
Z Z
1
E(v(X)/Y = y) = v(x)h(x/y)dx = v(x)f (x, y)dx.
fY (y)
R R

para toda v : R R boreliana y tal que v(X) sea integrable.

Pruebe que esto coincide con la esperanza condicional evaluada definida
despues del teorema 1 y encuentre E(v(X)/Y ).
Tambien se define la probabilidad condicional siguiente
Z Z
1
P (X A/Y = y) = h(x/y)dx = f (x, y)dx
fY (y)
A A

que relaci
on encuentra entre este concepto y la segunda parte de la defi-
nici
on 1?
7. Pruebe los incisos 1,2,4,8 del teorema.
8. Suponga que = [1,1], F = B(R), P = /2, donde es la medida
de Lebesque en [1,1]. Sean X, Xi : R, i = 1, 2, 3 definidas como
X() = , X1 () = ||, X2 () = 2, X3 () = 2 . Calcule
E(X/Xi ), i = 1, 2, 3
E(Xi /X), i = 1, 2, 3
P (X > 0/X1 )