1 Integrales inde…nidas y el teorema de trans-

formación
Sea X una variable aleatoria real de…nida sobre un espacio de probabilidad
( ; =; P ) :En esta sección se va a presentar un teorema que permite determinar
la integral de X ;con respecto a P; en términos de su distribución PX : Con este
objetivo, introducimos los siguientes conceptos:

De…nition 1 Sea ( ; =; P ) un espacio de probabilidad. Se de…ne el espacio L1 ;

como sigue:
L1 := fX : X es una v.a P -integrableg

Remark 2 La relación “ ” de…nida sobre L1 por:

X Y () X = Y c.s

es una relación de equivalencia y dado que:

X = Y c.s =) E (X) = E (Y )

entonces consideramos el espacio:

L1 := L1 = s:= f[X] : X 2 L1 g

siendo
[X] := fY 2 L1 : X = Y c:sg
El espacio L1 resulta ser un espacio vectorial.

De…nition 3 Si 1 p < 1 entonces se de…nen los espacios Lp y Lp como

sigue:
p
Lp := fX : jXj 2 L1 g :

Remark 4 y

Lp := Lp = s
= f[X] : X 2 Lp g

donde
[X] := fY 2 Lp : X = Y c:sg :

De…nition 5 (Integral inde…nida)

Sea ( ; =; P ) un espacio de probabilidad, A 2 = y X 2 L1 : Se de…ne:
Z Z
XdP := XXA dP = E (XXA ) :
A

Proposition 6 Sea ( ; =; P ) un espacio de probabilidad, A 2 = y 0 X 2 L1 : Entonces:

1
 1. Z
0 XdP E (X) :
A

2. Z
XdP = 0; si y sólo si, P (A \ (X > 0)) = 0
A

3. Si (An )n 1 es una sucesión de eventos dos a dos disyuntos entonces

Z 1 Z
X
XdP = XdP
[ An n=1 An
n

4. Si A; B 2 = con A B entonces
Z Z
XdP XdP
A B

5. Si (An )n 1 es una sucesión creciente de eventos y A := lim An entonces

n!1
Z Z
XdP " XdP:
An A

6. Si (An )n 1 es una sucesión decreciente de eventos y A := lim An entonces

n!1
Z Z
XdP # XdP:
An A

Proof.
1. Puesto que
0 XXA X
entonces
0 E (XXA ) E (X) :

2. Sea Y := XXA : Puesto que, Y 0 entonces

E (Y ) = 0 () P (Y = 0) = 1

o equivalentemente

E (Y ) = 0 () P (Y > 0) = 0

pero

f! 2 : Y (!) > 0g = f! 2 : (XXA ) (!) > 0g

= f! 2 : ! 2 A; X (!) > 0 g :

2
 3.
Z Z
XdP = XX[ An dP
n
[ An
n

= E XX[ An
n

1
!
X
=E XXAn
n=1
1
X
= E (XXAn )
n=1
X1 Z
= XdP:
n=1 An

4. Puesto que A B entonces XXA XXB : Por monotonía del valor es-
perado se concluye que:

E (XXA ) E (XXB )

5. Es claro que
0 XXAn " XXA
entonces por el teorema de convergencia monótona se concluye que:

E (XXAn ) " E (XXA )

6. Puesto que:
0 XXAn X
y
XXAn # XXA
entonces
E (XXAn ) # E (XXA ) :
pues X 2 L1 :

A continuación vamos a trabajar un teorema que permite calcular de manera

sencilla el valor esperado, cuando existe, de una variable aleatoria, en términos
de su función de distribución.
Para su enunciado y demostración requerimos de los siguientes resultados y
de…niciones:

3
Remark 7 Sea ( ; =; P ) un espacio de probabilidad y X : ! R una variable
aleatoria. De la teoría vista anteriormente, se sabe que la distribución de la
variable X; es la medida de probabilidad de…nida sobre (R; B (R)) como sigue:

PX (B) = P (X 2 B) ; B 2 B (R) :

Se va a de…nir la integral, con respecto a PX ; de una función medible h de

variable y valor real. Se procederá de la manera habitual: se hará la de…nición
para funciones elementales, luego se trabajará el caso de funciones no negativas
y por último, se considerará el caso general.

De…nition 8 Una función h : R ! R se dice simple o elemental, si

n
X
h= xi XAi
i=1

donde xi 2 R; Ai 2 B (R) para i = 1; 2; n con Ai \ Aj = para todo i 6= j y

n
[
Ai = R
i=1

De…nition 9 Sea h : R ! R una función simple con representación

n
X
h= xi XAi
i=1

Se de…ne la integral de h con respecto a PX como sigue:

Z n
X
hdPX := xi PX (Ai ) :
i=1

Esto es,
Z n
X
hdPX := xi P (X 2 Ai ) :
i=1

Remark 10 La de…nición anterior no depende de la representación de h:Esto

es, si
nX m
X
h= xi XAi = y i X Bj
i=1 j=1

entonces
n
X m
X
xi PX (Ai ) = yj PX (Bj )
i=1 j=1

4
Proposition 11 Si f : R ! [0; 1) es una función medible entonces existe
una sucesión (hn )n 1 de funciones simples no negativas tales

hn (x) " f (x) ; para todo x 2 R

Proof. La sucesión
n
n2
X k 1
hn (x) := Xfx: k 1
f (x) < 2kn g (x) + nXfx: f (x) >ng (x)
2n 2n
k=1

satisface la condición.

De…nition 12 Sea f : R ! [0; 1) una función medible. Se de…ne:

Z Z
f dPX := lim hn dPX
n!1

donde (hn )n 1 es una sucesión de funciones simples no negativas con

hn (x) " f (x) ; para todo x 2 R:

Remark 13 La anterior de…nición no depende de la sucesión de funciones el-

ementales no negativas que aproxima a la función f:

De…nition 14 Sea f : R ! R una función medible. Si

Z Z
min f + dPX ; f dPX < 1

+
donde f yf representan la parte positiva de f respectivamente, se de…ne:
Z Z Z
+
f dPX := f dPX f dPX :

Remark 15 Obsérvese que la anterior de…nición permite que la integral tome

los valores 1:

De…nition 16 Sea f : R ! R una función medible. Se dice que f es PX integrable,

si y sólo si, Z Z Z
+
jf j dPX = f dPX + f dPX < 1:

Notation 17 L1 (R; B (R) ; PX ) representa al conjunto de todas las funciones

f : R ! R que son PX integrables.

Theorem 18 (Fórmula de cambio de variables )

Sea ( ; =; P ) un espacio de probabilidad y X : ! R una variable aleato-
ria. Si h : R ! R es una función medible entonces:

5
 1.
h (X) 2 L1 ( ; =; P ) () h 2 L1 (R; B (R) ; PX )

2. Si h 0 o si h satisface la condición dada en 1. entonces:

Z
E (h (X)) = h (x) PX (dx)
R

Proof.
2. Sea B 2 B (R). Si h = XB entonces:

E (h (X)) = E (XB (X))

= P (f! 2 : X (!) 2 Bg)
= P X 1 (B)
= PX (B)
Z
= XB (x) PX (dx)
R
Z
= h (x) PX (dx)
R

Por lo tanto si h es una función simple se tiene que:

Z Z n
!
X
h (x) PX (dx) = xi XAi dPX (dx)
R R i=1
n
X Z
= xi XAi dPX (dx)
i=1 R

Xn
= xi PX (Ai )
i=1
Xn
1
= xi P X (Ai )
i=1
Xn
= xi P (X 2 Ai )
i=1
Z
= h (X) dP

= E (h (X))

Si h es no negativa entonces existe una sucesión de funciones simples no

negativas (hn )n 1 tales que:

hn (x) " h (x) ; para todo x 2 R

6
 entonces

E (h (X)) = E lim hn (X)

n!1
= lim E (hn (X))
n!1
Z
= lim hn (x) PX (dx)
n!1 R
Z
= lim hn (x) PX (dx)
n!1
ZR
= h (x) PX (dx) :
R

Si h es una función arbitraria entonces se sigue el resultado al aplicar lo

anterior a h+ y h :
a. Puesto que, por b. se satisface que:
Z
E (jh (X)j) = jh (x)j PX (dx)
R

entonces

h (X) es P -integrable () h es PX integrable.

Remark 19 Sean ( ; =; P ) un espacio de probabilidad y X : ! R una

variable aleatoria P integrable con función de distribución FX : Puesto que:

PX (dx) = PX ((x; x + dx])

= P (x < X x + dx)
= FX (x + dx) FX (x)
= dFX (x)

entonces Z Z
E (X) = xPX (dx) = xdFX (x) :

Corollary 20 Si X es una variable aleatoria discreta con valores x1 ; x2 ; y

si h : R ! R es una función medible y PX -integrable entonces:
1
X
E (h (X)) = h (xi ) P (X = xi ) :
i=1

Corollary 21 Si X es una variable aleatoria con función de densidad fX y si

h : R ! R es una función medible y PX -integrable entonces:
Z
E (h (X)) = h (x) fX (x) dx:

7
Proof.
Z
E (h (X)) = h (x) PX (dx)
Z
= h (x) dFX (x)
Z
= h (x) fX (x) dx:

Example 22 Sean ( ; =; P ) un espacio de probabilidad arbitrario y A 2 =

…jo. Se sabe que X := XA es una variable aleatoria discreta que toma sólo los
valores 0 y 1 con probabilidades P (Ac ) y P (A) respectivamente. Por lo tanto
E (X) existe y es igual a P (A): N

Example 23 Sea X una variable discreta con distribución Poisson de parámetro

> 0: Entonces:
( k
e k! si k = 0; 1; 2;
P (X = k) =
0 en otro caso

entonces:
1
X 1
X k
jkj P (X = k) = ke
k!
k=0 k=0
1
X k
=e
(k 1)!
k=1
X1 j
= e
j=0
j!
=

Esto es, se ha veri…cado que el valor esperado de X existe y es igual a

Example 24 Sea X una variable aleatoria con distribución exponencial de

parámetro , esto es,
x
e si x > 0
f (x) = :
0 en otro caso

puesto que: Z Z
1 1
x 1
jxj f (x)dx = xe = :
1 0
1
se concluye que, el valor esperado de X existe y es igual a :

8
Example 25 Sea X una variable aleatoria con distribución Cauchy estándar.
Entonces:
1
fX (x) = ; si x 2 R
(1 + x2 )
Por lo tanto,
Z 1 Z
2 1 x
jxj f (x)dx = dx = 1;
1 0 x + x2
es decir E (X) no existe.
Lemma 26 Sea X una variable aleatoria con función de distribución FX . Si
E (X n ) existe, entonces:
Z 1 Z 0
E (X n ) = n xn 1 [1 FX (x)]dx n xn 1 FX (x)dx:
0 1
Proof.
Z 1
n
E (X ) = xn dFX (x)
1
Z 1 Z 0
= xn dFX (x) + xn dFX (x)
0 1
Z 1 Z x Z 0 Z 0
= ny n 1
dy dFX (x) + ( 1) ny n 1
dy dFX (x)
0 0 1 x
Z 1 Z 1 Z 0 Z 0
n 1
=n y dFX (x) dy n yn 1
dy dFX (x)
0 y 1 x
Z 1 Z 1 Z 0 Z y
=n yn 1
dFX (x) dy n yn 1
dFX (x) dy
0 y 1 1
Z 1 Z 0
n 1
=n x [1 FX (x)]dx n xn 1
FX (x)dx:
0 1

Remark 27 En particular, si E (X) existe, entonces:

Z 1 Z 1
E (X) = [1 FX (x)]dx + FX ( x) dx:
0 0

Example 28 Sea X una variable aleatoria con función de distribución dada

por: 8
>
> 0 si x<0
< 1
4 si 0 x<1
FX (x) = 1 1
>
> x + si 1 x<2
: 4 4
1 si x 2
En este caso:
Z 1 Z 2
1 1 1
E (X) = 1 dx + 1 x dx = 1:125 N
0 4 1 4 4