Documentos de Académico
Documentos de Profesional
Documentos de Cultura
February 3, 2022
Ejemplo. 1
Si (
1 si ω ∈ A
IA (ω) =
0 si ω ∈
/A
entonces
P(A ∩ B)
E (IA |B) = = P(A|B)
P(B)
Ejemplo. 1
Si (
1 si ω ∈ A
IA (ω) =
0 si ω ∈
/A
entonces
P(A ∩ B)
E (IA |B) = = P(A|B)
P(B)
Proof.
Z
1
E (IA |B) = IA (ω)dP
P(B) B
Z Z
1 1
= IA IB dP = IA∩B (ω)dP
P(B) Ω P(B) Ω
1 1
= E (IA∩B (ω)) = P(A ∩ B)
P(B) P(B)
= P(A|B)
Miguel Angel Méndez Esperanza Condicional February 3, 2022 3 / 28
Esperanza condicional Condicionando sobre una variable aleatoria
Definición. 2
La densidad condicional de Y dado que X = x se define como
(
f (x,y )
fX (x) si fX (x) > 0
f (y |x) := (1)
0 si fX (x) = 0.
Definición. 2
La densidad condicional de Y dado que X = x se define como
(
f (x,y )
fX (x) si fX (x) > 0
f (y |x) := (1)
0 si fX (x) = 0.
Definición. 2
La densidad condicional de Y dado que X = x se define como
(
f (x,y )
fX (x) si fX (x) > 0
f (y |x) := (1)
0 si fX (x) = 0.
Esperanza condicional
Para v.a.’s continuas tenemos definiciones análogas. Sean X y Y v.a.’s
continuas con fdc f (x, y ) y sea
Z ∞
fX (x) := f (x, y )dy
−∞
la densidad marginal de X . Entonces
Esperanza condicional
Definición. 3
La densidad marginal de Y dado que X = x se define como
(
f (x,y )
fX (x) si fX (x) > 0
f (y |x) := (4)
0 si fX (x) = 0.
Esperanza condicional
Definición. 3
La densidad marginal de Y dado que X = x se define como
(
f (x,y )
fX (x) si fX (x) > 0
f (y |x) := (4)
0 si fX (x) = 0.
Esperanza condicional
Definición. 3
La densidad marginal de Y dado que X = x se define como
(
f (x,y )
fX (x) si fX (x) > 0
f (y |x) := (4)
0 si fX (x) = 0.
Esperanza condicional
Proposición. 4
La densidad condicional f (·|x) es una densidad de probabilidad si fX (x) > 0.
Esperanza condicional
Proposición. 4
La densidad condicional f (·|x) es una densidad de probabilidad si fX (x) > 0.
Proof.
En efecto:
1.
f (·, y )
f (·|x) = ≥0
fx (x)
Esperanza condicional
Proposición. 4
La densidad condicional f (·|x) es una densidad de probabilidad si fX (x) > 0.
Proof.
En efecto:
1.
f (·, y )
f (·|x) = ≥0
fx (x)
2.
X X f (x, y ) 1 X 1
f (y |x) = = f (x, y ) = fX (x) = 1
y y
fx (x) fX (x) y fX (x)
Esperanza condicional
Proposición. 5
(a) Si X y Y son v.a.’s discretas, entonces
X
fY (y ) = f (y |x)fX (x) (7)
x
Esperanza condicional
Proposición. 5
(a) Si X y Y son v.a.’s discretas, entonces
X
fY (y ) = f (y |x)fX (x) (7)
x
Esperanza condicional
Proposición. 5
(a) Si X y Y son v.a.’s discretas, entonces
X
fY (y ) = f (y |x)fX (x) (7)
x
Si E (Y ) ∈ L1
Miguel Angel Méndez Esperanza Condicional February 3, 2022 9 / 28
Esperanza condicional Condicionando sobre una variable aleatoria
Proof.
(a) Para (7)
X X f (x, y )
f (y |x)fX (x) = fX (x) = fY (y )
x x
fX (x)
Proof.
(a) Para (7)
X X f (x, y )
f (y |x)fX (x) = fX (x) = fY (y )
x x
fX (x)
Proof.
(a) Para (7)
X X f (x, y )
f (y |x)fX (x) = fX (x) = fY (y )
x x
fX (x)
(b2)
X b X
E (Y |X = x) = yf (y |x) =1 yfY (y ) = E (Y )
y y
Proof.
(a) Para (7)
X X f (x, y )
f (y |x)fX (x) = fX (x) = fY (y )
x x
fX (x)
(b2)
X b X
E (Y |X = x) = yf (y |x) =1 yfY (y ) = E (Y )
y y
Esperanza condicional
Ejemplo. 2
E (SN ) = µ · E (N)
Proof.
(a)
∞
7
X
P(SN = x) = P(SN = x, N = n)
n=0
X∞
= P(SN = x|N = n)P(N = n)
n=0
X∞
= P(Sn = x|N = n)P(N = n)
n=0
∞
ind
X
= P(Sn = x)P(N = n)
n=0
continuación.
(b) Primero observe que
X X
E (Sn ) = xP(Sn = x) = nµ y E (N) = nP(N = n) (10)
x n
continuación.
(b) Primero observe que
X X
E (Sn ) = xP(Sn = x) = nµ y E (N) = nP(N = n) (10)
x n
X
E [SN ] = xP(SN = x)
x
(a) X X
= x P(Sn = x)P(N = n)
x n
X X
= P(N = n) xP(Sn = x)
n x
10
X
= P(N = n)nµ
n
10
X
= µ nP(N = n) = µ · E (N)
n
Miguel Angel Méndez Esperanza Condicional February 3, 2022 13 / 28
Esperanza condicional Condicionando sobre una variable aleatoria
Esperanza condicional
Definición. 6
Sean X y Y v.a.’s sobre (Ω, F, P), con Y ∈ L1 . Definimos la esperanza
condicional de Y dada la v.a. X como la v.a.
E (Y |X ) : Ω → R
con valores
E (Y |X )(ω) := E (Y |X = x) si X (ω) = x.
Esperanza condicional
Definición. 6
Sean X y Y v.a.’s sobre (Ω, F, P), con Y ∈ L1 . Definimos la esperanza
condicional de Y dada la v.a. X como la v.a.
E (Y |X ) : Ω → R
con valores
E (Y |X )(ω) := E (Y |X = x) si X (ω) = x.
Observación. 7
Como E (Y |X = x) = E (Y ) si X y Y son independientes, entonces
Ejemplo. 3
Sean X y Y v.a.’s con función de densidad conjunta normal bivariada
estándar
1 − x 2 −2ρxy2 +y 2
f (x, y ) = e 2r ∀(x, y ) ∈ R2 ,
2πr
con |ρ| < 1 y r := (1 − ρ2 )1/2 . Demuestre que E (Y |X ) = ρX .
Ejemplo. 3
Sean X y Y v.a.’s con función de densidad conjunta normal bivariada
estándar
1 − x 2 −2ρxy2 +y 2
f (x, y ) = e 2r ∀(x, y ) ∈ R2 ,
2πr
con |ρ| < 1 y r := (1 − ρ2 )1/2 . Demuestre que E (Y |X ) = ρX .
Proof.
1
1 − 2r 2 (x 2 −2ρxy +y 2 )
f (x, y ) 2πr e
1
− ((1−r 2 )x 2 −2ρxy +y 2 )
f (y |x) = = = √1 e 2r 2
1 2 2πr
fX (x) √1 e − 2 x
2π
1 1
− (ρ2 x 2 −2ρxy +y 2 ) − (y −ρx)2
= √1 e 2r 2 = √1 e 2r 2
2πr 2πr
EY = E [E (Y |X )] (12)
En particular,
X
EY = E (Y |X = x)fX (x) si X es discreta (13)
x
Z ∞
EY = E (Y |X = x)fX (x)dx si X es continua (14)
−∞
Teorema. 9 (Continuación)
(b) Supóngase que, además, X es una v.a. y g : R → R una función de
Borel tales que Y y Y · g (X ) están en L1 , entonces
y, por lo tanto
E [Yg (X )|X ] = g (X )E (Y |X ) (16)
En particular, si Y = 1 se sigue de (15) y (16) que
Proof.
(a) Supóngase que X es una v.a. discreta, entonces
7
X X X
EY = yfY (y ) = y f (y |x)fx (x)
y y x
Y ∈L1
XhX i X
= yf (y |x) fX (x) = E (Y |X = x)fX (x)
x y x
Proof.
(a) Supóngase que X es una v.a. discreta, entonces
7
X X X
EY = yfY (y ) = y f (y |x)fx (x)
y y x
Y ∈L1
XhX i X
= yf (y |x) fX (x) = E (Y |X = x)fX (x)
x y x
Ejemplo. 4
Una máquina produce un número aleatorio N de artículos, en donde N ∼
Poi(λ) . Cada artículo puede ser defectuoso con probabilidad p (0 < p < 1)
independientemente de los otros artículos. Si X es el número total de
artículos defectuosos, calcule EX .
Ejemplo. 4
Una máquina produce un número aleatorio N de artículos, en donde N ∼
Poi(λ) . Cada artículo puede ser defectuoso con probabilidad p (0 < p < 1)
independientemente de los otros artículos. Si X es el número total de
artículos defectuosos, calcule EX .
Proof.
∞
X
EX = E [E (X |N)] = E (X |N = n)P(N = n)
n=0
pero X |N = n ∼ Bin(n, p)
X∞ X∞
= npP(N = n) = p nP(N = n)
n=0 n=0
= pEN (N ∼ Poisson(λ))
= pλ
i.e.
E [ZIG ] = E [XIG ] ∀G ∈ G.
y denotamos Z = E [X |G].
Existencia de la E (X |G)
La v.a. E (X |G) existe y es única en el sentido que si X = X 0 c.s., entonces
Existencia de la E (X |G)
La v.a. E (X |G) existe y es única en el sentido que si X = X 0 c.s., entonces
para cada G ∈ G.
Existencia de la E (X |G)
La v.a. E (X |G) existe y es única en el sentido que si X = X 0 c.s., entonces
para cada G ∈ G.
El teorema de Radon-Nikodym es importante desde el punto de vista teórico. Sin embargo en la práctica existen usualmente otras
maneras de establecer la existencia E (X |G), por ejemplo encontrando una función explícita.
Miguel Angel Méndez Esperanza Condicional February 3, 2022 21 / 28
Esperanza condicional Condicionando sobre una variable aleatoria
Unicidad de la E (X |G)
La unicidad se sigue del siguiente resultado.
Proposición. 12
Sea (Ω, F, P) un espacio de probabilidad y sea G una σ-álgebra contenida
en F. Si Z es una v.a. G-medible y para cualquier G ∈ G
Z
ZdP = 0
G
entonces Z = 0 c.s.
Proof.
Note que P(X ≥ ) = 0 ∀ > 0:
Z Z
0 ≤ P(X ≥ ) = dP ≤ XdP = 0
{X ≥} {X ≥}
como se deseaba.
Miguel Angel Méndez Esperanza Condicional February 3, 2022 23 / 28
Esperanza condicional Condicionando sobre una variable aleatoria
Observación. 13
1. La probabilidad condicional de un evento A ∈ F dada una σ-álgebra
puede ser definida por
Observación. 13
1. La probabilidad condicional de un evento A ∈ F dada una σ-álgebra
puede ser definida por
Observación. 13
1. La probabilidad condicional de un evento A ∈ F dada una σ-álgebra
puede ser definida por
E (Y |σ{Xi , i ∈ I }) ≡ E (Y |Xi , i ∈ I ).
Teorema. 14
Sean X y Y v.a.’s en L1 y G una sub-σ-álgebra de F. Entonces
1. Si G = {∅, Ω}, entonces E (X |G) = EX .
Teorema. 14
Sean X y Y v.a.’s en L1 y G una sub-σ-álgebra de F. Entonces
1. Si G = {∅, Ω}, entonces E (X |G) = EX .
2. E (aX + bY |G) = aE (X |G) + bE (Y |G) ∀a, b ∈ R
Teorema. 14
Sean X y Y v.a.’s en L1 y G una sub-σ-álgebra de F. Entonces
1. Si G = {∅, Ω}, entonces E (X |G) = EX .
2. E (aX + bY |G) = aE (X |G) + bE (Y |G) ∀a, b ∈ R
3. Propiedad de la esperanza iterada: E [E (X |G)] = EX
Teorema. 14
Sean X y Y v.a.’s en L1 y G una sub-σ-álgebra de F. Entonces
1. Si G = {∅, Ω}, entonces E (X |G) = EX .
2. E (aX + bY |G) = aE (X |G) + bE (Y |G) ∀a, b ∈ R
3. Propiedad de la esperanza iterada: E [E (X |G)] = EX
4. Si X es G-medible, entonces E (XY |G) = X · E (Y |G)
Teorema. 14
Sean X y Y v.a.’s en L1 y G una sub-σ-álgebra de F. Entonces
1. Si G = {∅, Ω}, entonces E (X |G) = EX .
2. E (aX + bY |G) = aE (X |G) + bE (Y |G) ∀a, b ∈ R
3. Propiedad de la esperanza iterada: E [E (X |G)] = EX
4. Si X es G-medible, entonces E (XY |G) = X · E (Y |G)
5. Si X es G-medible, entonces E (X |G) = X ; tome Y ≡ 1 arriba.
Teorema. 14
Sean X y Y v.a.’s en L1 y G una sub-σ-álgebra de F. Entonces
1. Si G = {∅, Ω}, entonces E (X |G) = EX .
2. E (aX + bY |G) = aE (X |G) + bE (Y |G) ∀a, b ∈ R
3. Propiedad de la esperanza iterada: E [E (X |G)] = EX
4. Si X es G-medible, entonces E (XY |G) = X · E (Y |G)
5. Si X es G-medible, entonces E (X |G) = X ; tome Y ≡ 1 arriba.
6. Si X es independiente de G, entonces E (X |G) = EX
Teorema. 14
Sean X y Y v.a.’s en L1 y G una sub-σ-álgebra de F. Entonces
1. Si G = {∅, Ω}, entonces E (X |G) = EX .
2. E (aX + bY |G) = aE (X |G) + bE (Y |G) ∀a, b ∈ R
3. Propiedad de la esperanza iterada: E [E (X |G)] = EX
4. Si X es G-medible, entonces E (XY |G) = X · E (Y |G)
5. Si X es G-medible, entonces E (X |G) = X ; tome Y ≡ 1 arriba.
6. Si X es independiente de G, entonces E (X |G) = EX
7. G1 ⊂ G2 ⊂ F, entonces
Teorema. 14
Sean X y Y v.a.’s en L1 y G una sub-σ-álgebra de F. Entonces
1. Si G = {∅, Ω}, entonces E (X |G) = EX .
2. E (aX + bY |G) = aE (X |G) + bE (Y |G) ∀a, b ∈ R
3. Propiedad de la esperanza iterada: E [E (X |G)] = EX
4. Si X es G-medible, entonces E (XY |G) = X · E (Y |G)
5. Si X es G-medible, entonces E (X |G) = X ; tome Y ≡ 1 arriba.
6. Si X es independiente de G, entonces E (X |G) = EX
7. G1 ⊂ G2 ⊂ F, entonces
Proof.
1. Si G = {∅, Ω}, entonces EX es G-medible por ser constante y
Z Z Z Z
EXdP = EX = XdP y EXdP = 0 = XdP
Ω Ω ∅ Ω
Proof.
1. Si G = {∅, Ω}, entonces EX es G-medible por ser constante y
Z Z Z Z
EXdP = EX = XdP y EXdP = 0 = XdP
Ω Ω ∅ Ω
Proof.
1. Si G = {∅, Ω}, entonces EX es G-medible por ser constante y
Z Z Z Z
EXdP = EX = XdP y EXdP = 0 = XdP
Ω Ω ∅ Ω
E [E (X |G)IG ] = E [XIG ] ∀G ∈ G
Proof.
1. Si G = {∅, Ω}, entonces EX es G-medible por ser constante y
Z Z Z Z
EXdP = EX = XdP y EXdP = 0 = XdP
Ω Ω ∅ Ω
E [E (X |G)IG ] = E [XIG ] ∀G ∈ G
4. Si X = IA , con A ∈ G
Ejercicios
1. Sean X y Y v.a.’s discretas o continuas, y sea F (y |x) la distribución condi-
cional de Y dado X = x. Demuestre que si X y Y son independientes,
entonces F (y |x) = FY (y ).
2. Si Y está en L2 , (i.e. |Y |2 dy < ∞), definimos la varianza condicional de
R
Demuestre que
P(Y = k|X + Y = n) ∀k = 0, 1, . . . , n
Demuestre que dado el evento {X = x}, con x > 0, la v.a. Y tiene densidad
uniforme sobre el intervalo [0, x].
Miguel Angel Méndez Esperanza Condicional February 3, 2022 27 / 28
Esperanza condicional Condicionando sobre una variable aleatoria
1 1
f (x, y ) = exp{− (x 2 − 2ρxy + y 2 )}
ρ2 )
p
2π 1 − ρ 2 2(1 −
Bibliografía
[1] S. M. Ross. Sthochastic Processes,2nd ed, Wiley.
[2] F. M. Hernández Arellano. Cálculo de probabilidades, SMM
[3] Brzeźniak-Zastawniak. Basic Sthochastic Processes, Springer.