Esperanza Condicional

Esperanza Condicional
Miguel Angel Méndez
February 3, 2022
Miguel Angel Méndez Esperanza Condicional February 3, 2022 1 / 28

Esperanza condicional Condicionando sobre un evento
Esperanza condicional con respecto a un evento

La esperanza condicional es una herramienta crucial en el estudio de los
procesos estocásticos. Por tanto, es importante desarrollar una intuición
necesaria detrás de esta noción y un manejo adecuado de cada uno de sus
conceptos.
Definición. 1
Sea (Ω, F, P) un espacio de probabilidad. Si X es una v.a. y B ∈ F con
P(B) 6= 0, la esperanza condicional de X dado B es definida por
Z
1
E (X |B) = XdP
P(B) 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)

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)
Esperanza condicional Condicionando sobre una variable aleatoria
Distribución conjunta y marginales. Caso discreto

Sean X y Y v.a.’s discretas con fmpc f (x, y ), i.e.
f (x, y ) = P(X = x, Y = y )
y sean X
fX (x) = P(X = x) = f (x, y )
y
X
fY (y ) = P(Y = y ) = f (x, y )
x
las densidades marginales de X y Y respectivamente.

Esperanza condicional dado que X = x
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
(
f (x,y )
f (y |x) := (1)
0 si fX (x) = 0.
Asimismo, la distribución condicional de Y dado que X = x es

X
F (y |x) = P(Y ≤ y |X = x) = f (y 0 |x) (2)
y 0 ≤y

Definición. 2
(
f (x,y )
f (y |x) := (1)
0 si fX (x) = 0.
Asimismo, la distribución condicional de Y dado que X = x es

X
F (y |x) = P(Y ≤ y |X = x) = f (y 0 |x) (2)
y 0 ≤y
Si además Y ∈ L1 , definimos la esperanza condicional de Y dado que

X = x como X
E (Y |X = x) := yf (y |x) (3)
y

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

Definición. 3
La densidad marginal de Y dado que X = x se define como
(
f (x,y )
f (y |x) := (4)
0 si fX (x) = 0.

Definición. 3
(
f (x,y )
f (y |x) := (4)
0 si fX (x) = 0.
Además, tenemos la distribución condicional

Z y
F (y |x) := P(Y ≤ y |X = x) = f (y 0 |x)dy 0 (5)
−∞

Definición. 3
(
f (x,y )
f (y |x) := (4)
0 si fX (x) = 0.
Además, tenemos la distribución condicional

Z y
F (y |x) := P(Y ≤ y |X = x) = f (y 0 |x)dy 0 (5)
−∞
y, para Y ∈ L1 , la esperanza condicional

Z ∞
E (Y |X = x) := yf (y |x)dy (6)
−∞

Proposición. 4
La densidad condicional f (·|x) es una densidad de probabilidad si fX (x) > 0.

Proposición. 4
Proof.
En efecto:
1.
f (·, y )
f (·|x) = ≥0
fx (x)

Proposición. 4
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)

Proposición. 5
(a) Si X y Y son v.a.’s discretas, entonces
X
fY (y ) = f (y |x)fX (x) (7)
x

Proposición. 5
X
fY (y ) = f (y |x)fX (x) (7)
x
y si son continuas, entonces

Z ∞
fY (y ) = f (y |x)fX (x)dx (8)
−∞

Proposición. 5
X
fY (y ) = f (y |x)fX (x) (7)
x
y si son continuas, entonces

Z ∞
fY (y ) = f (y |x)fX (x)dx (8)
−∞
(b) Si X y Y son v.a.’s independientes entonces
(b1 ) f (y |x) = fY (y ), (b2 ) E (Y |X = x) = E (Y ) (9)
Si E (Y ) ∈ L1
Proof.
(a) Para (7)
X X f (x, y )
f (y |x)fX (x) = fX (x) = fY (y )
x x
fX (x)
Análogamente obtenemos (8)

Proof.
(a) Para (7)
X X f (x, y )
f (y |x)fX (x) = fX (x) = fY (y )
x x
fX (x)

(b1)
f (x, y ) fX (x)fY (y )
f (y |x) = = = fY (y )
fX (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)

(b1)
f (x, y ) fX (x)fY (y )
f (y |x) = = = fY (y )
fX (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)

(b1)
f (x, y ) fX (x)fY (y )
f (y |x) = = = fY (y )
fX (x) fX (x)
(b2)
X b X
E (Y |X = x) = yf (y |x) =1 yfY (y ) = E (Y )
y y
Análogamente para el caso continuo.

Ejemplo. 2
Sean X1 , X2 , . . . , . . . v.a.i.i.d con valores {0, 1, 2, . . .}. Sea S0 := 0 y Sn :=

X1 + . . . + Xn para n ≥ 1. Sea N una v.a. con valores en {0, 1, . . .} e
independientes de {Xj }j≥1 . Considere la suma aleatoria SN := X1 + . . . +
XN . Demuestre que:
(a)
∞
X
P(SN = x) = P(N = n)P(Sn = x)
n=0
(b) Si además E (Xj ) = µ < ∞ y E (N) < ∞ entonces
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
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.

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
E (Y |X ) = E (Y ) si X y Y son independientes (11)

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
esto es, Y |X = x ∼ N(ρx, r 2 ). De donde E (Y |X = x) = ρx ∀x ∈ R,

y entonces
E (Y |X ) = ρX .
Propiedad de la esperanza iterada
Teorema. 8 (Propiedad de la esperanza iterada)

Si Y ∈ L1 , entonces
(a) Para cualquier v.a. X ,
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
E [Yg (X )|X = x] = g (x)E (Y |X = x) (15)
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
E [g (X )|X = x] = g (x) y E [g (X )|X ] = g (X ) (17)

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
Esto da (13) y, por lo tanto, (12) si X es discreta. Cuando X es

continua, la demostración de (14) es similar, usando ahora (8).

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
Esto da (13) y, por lo tanto, (12) si X es discreta. Cuando X es

continua, la demostración de (14) es similar, usando ahora (8).
(b) En el caso discreto, usando (3) en el lado derecho de (15)
X X
g (x)E (Y |X = x) = g (x) yf (y |x) = yg (x)f (y |x)
y y
3
= E [Yg (x)|X = x] = E [Yg (X )|X = x]
lo cual demuestra (15). El caso continuo se demuestra de forma

similar.
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

Esperanza condicional dada una σ-álgebra

Definición. 10
Sean (Ω, F, P), X : Ω → R una v.a. en L1 y G ⊂ F una σ-álgebra contenida
en F. Entonces la esperanza condicional de X dado G es cualquier v.a.
Z que satisface:
1. Z es G-medible
2. Z ∈ L1
3. Para cualquier G ∈ G
Z Z
ZdP = XdP
G G
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
E (X |G) = E [X 0 |G] c.s.
La existencia, se sigue del Teorema de Radon-Nikodym que enunciamos sin

demostración.

E (X |G) = E [X 0 |G] c.s.

demostración.
Teorema. 11 (Radon-Nikodym)
Sea (Ω, F, P) un espacio de probabilidad y sea G una σ-álgebra contenida
en F. Entonces para cualquier v.a. X existe una v.a. Z G-medible tal que
Z Z
XdP = ZdP
G G
para cada G ∈ G.

E (X |G) = E [X 0 |G] c.s.

demostración.
Teorema. 11 (Radon-Nikodym)
en F. Entonces para cualquier v.a. X existe una v.a. Z G-medible tal que
Z Z
XdP = ZdP
G G
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.
Unicidad de la E (X |G)
La unicidad se sigue del siguiente resultado.
Proposición. 12
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 ≥}
La última igualdad se cumple, dado que {X ≥ } ∈ G. Similarmente, P(X ≤

−) = 0 ∀ > 0. Como consecuencia P(− < X < ) = 1 para cualquier > 0.
Pongamos
1 1
An = {− < X < }
n n
∞
\
Entonces P(An ) = 1 y {X = 0} = An .
n=1
Debido a que An forma una sucesión decreciente de eventos, se sigue de la con-

tinuidad de la probabilidad que
P(X = 0) = lim P(An ) = 1

n→∞
como se deseaba.
Observación. 13
1. La probabilidad condicional de un evento A ∈ F dada una σ-álgebra
puede ser definida por
P(A|G) = E (IA |G),
donde IA es la función indicadora de A.

Observación. 13
P(A|G) = E (IA |G),

2. La noción de esperanza condicional con respecto a una σ-álgebra ex-
tiende el condicionamiento a una variable aleatoria en el sentido de
que
E (Y |σ(X )) = E (Y |X )
donde σ(X ) es la σ-álgebra generada por X .

Observación. 13
P(A|G) = E (IA |G),

2. La noción de esperanza condicional con respecto a una σ-álgebra ex-
tiende el condicionamiento a una variable aleatoria en el sentido de
que
E (Y |σ(X )) = E (Y |X )
donde σ(X ) es la σ-álgebra generada por X .
3. De la misma manera
E (Y |σ{Xi , i ∈ I }) ≡ E (Y |Xi , i ∈ I ).
Por ejemplo, E (Y |σ{X1 , . . . , Xn }) ≡ E (Y |X1 , . . . , Xn ).

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
2. E (aX + bY |G) = aE (X |G) + bE (Y |G) ∀a, b ∈ R

Teorema. 14
3. Propiedad de la esperanza iterada: E [E (X |G)] = EX

Teorema. 14
4. Si X es G-medible, entonces E (XY |G) = X · E (Y |G)

Teorema. 14
5. Si X es G-medible, entonces E (X |G) = X ; tome Y ≡ 1 arriba.

Teorema. 14
6. Si X es independiente de G, entonces E (X |G) = EX

Teorema. 14
7. G1 ⊂ G2 ⊂ F, entonces
E (X |G1 ) = E [E (X |G1 )|G2 ] = E [E (X |G2 )|G1 ]

Teorema. 14
7. G1 ⊂ G2 ⊂ F, entonces
E (X |G1 ) = E [E (X |G1 )|G2 ] = E [E (X |G2 )|G1 ]
8. Desigualdad de Jensen. Si h : R → R es convexa y h(X ) ∈ L1 , entonces

h[E (X |G)] ≤ E [h(X )|G]. En particular, [E (X |G)]2 ≤ E (X 2 |G) si X ∈
L1 .

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.
Z Z Z Z
Ω Ω ∅ Ω
2. E [E (aX + bY |G)IG ] = E [(aX + bY )IG ] = aE (XIG ) + bE (YIG )

= aE [E (X |G)IG ] + bE [E (Y |G)IG ]
= E [(aE (X |G) + bE (Y |G))IG ] ∀G ∈ G

Proof.
Z Z Z Z
Ω Ω ∅ Ω

= aE [E (X |G)IG ] + bE [E (Y |G)IG ]
= E [(aE (X |G) + bE (Y |G))IG ] ∀G ∈ G
3. Resulta de hacer G = Ω en:
E [E (X |G)IG ] = E [XIG ] ∀G ∈ G

Proof.
Z Z Z Z
Ω Ω ∅ Ω

= aE [E (X |G)IG ] + bE [E (Y |G)IG ]
= E [(aE (X |G) + bE (Y |G))IG ] ∀G ∈ G
3. Resulta de hacer G = Ω en:
E [E (X |G)IG ] = E [XIG ] ∀G ∈ G
4. Si X = IA , con A ∈ G
E [E (IA Y |G)IG ] = E [IA YIG ] = E [YIA∩G ]

= E [E (Y |G)IA∩G ] = E [IA E (Y |G)IG ]

5. Hacemos Y = 1 en el inciso anterior


6. Como X es independiente de G, entonces las v.a’s X e IG son independientes
para toda G ∈ G. Así:
E [E (X )IG ] = E (X )E (IG ) = E [XIG ]
el resultado se sigue por la unicidad de la esperanza condicional.


E [E (X )IG ] = E (X )E (IG ) = E [XIG ]
7. Como E (X |G1 ) es G2 -medible
E [E (X |G1 )|G2 ) = E [X |G1 ]. Además
E [E [E (X |G2 )|G1 ]IG ] = E [E (X |G2 )IG ] = E [XIG ] = E [E (X |G1 )IG ]


E [E (X )IG ] = E (X )E (IG ) = E [XIG ]
7. Como E (X |G1 ) es G2 -medible
E [E (X |G1 )|G2 ) = E [X |G1 ]. Además
E [E [E (X |G2 )|G1 ]IG ] = E [E (X |G2 )IG ] = E [XIG ] = E [E (X |G1 )IG ]
8. Un resultado, conocido como línea de soporte establece que: Si h : R → R
es una función convexa, entonces existen sucesiones de números reales an , bn
tales que h(x) = supn (an x + bn ) para todo x ∈ R. Esto significa que h(X ) ≥
an X + bn para todo n, de modo que
E [h(X )|G] ≥ an E (X |G) + bn c.s.
de donde, tomando el supremo sobre n
E [h(X )|G] ≥ sup[an E (X |G) + bn ] = h(E (X |G))
n

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
Y dado que X = x como
Var (Y |X = x) := E [(Y − E (Y |X = x))2 |X = x]
y la varianza condicional de Y dada la v.a. X como la v.a.
Var (Y |X ) := E [(Y − E (Y |X ))2 |X ]. (∗)
Demuestre que
Var (Y ) = E [Var (Y |X )] + Var [E (Y |X )]. (∗∗)
3. Sean X1 , X2 , . . . , Sn y N como en el ejemplo (2). Suponga que µ := EX1 y

EN son finitas. Demuestre que
3.1 E (SN |N) = µ · N,
3.2 E (SN ) = µ · EN.

Si además X1 y N están en L2 , entonces
3.3 Var [E (SN |N)] = µ2 Var (N),
3.4 Var (SN |N = n) = nσ 2 , en donde σ 2 := Var (X1 ),
3.5 E [Var (SN |N)] = σ 2 EN, y
3.6 Var (SN ) = σ 2 EN + µ2 Var (N). (Sugerencia: use (∗∗) en el ejercicio
anterior)
4. Sea X ∼ Poi(λ1 ) y Y ∼ Poi(λ2 ) v.a. independientes [de modo que X + Y ∼
Poi(λ1 + λ2 )]. Dado un entero positivo n, demuestre que
P(Y = k|X + Y = n) ∀k = 0, 1, . . . , n
es una distribución Bin(n, p) con p := λ2 /(λ1 + λ2 ).

5. sean X y Y v.a. continuas con densidad conjunta

1/x, si 0 ≤ y < x ≤ 1,
f (x, y ) =
0, en c.c.
Demuestre que dado el evento {X = x}, con x > 0, la v.a. Y tiene densidad
uniforme sobre el intervalo [0, x].
6. Sean X y Y v.a.’s con densidad conjunta
6.1 f (x, y ) := λ2 e −λy para 0 ≤ x ≤ y ,
6.2 f (x, y ) := xe −x(y +1) para x, y ≥ 0.
En cada caso calcule (i) las densidades marginales de X y Y , y (ii) la densidad

condicional y la esperanza condicional de Y dada X .
7. Si (X , Y ) tiene fdp normal bivariada
1 1
f (x, y ) = exp{− (x 2 − 2ρxy + y 2 )}
ρ2 )
p
2π 1 − ρ 2 2(1 −
Demuestre que Corr (X 2 , Y 2 ) = ρ2 .

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.

Esperanza Condicional

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Esperanza Condicional

Cargado por

Copyright:

Formatos disponibles

Esperanza Condicional

Miguel Angel Méndez

Miguel Angel Méndez Esperanza Condicional February 3, 2022 1 / 28

Esperanza condicional con respecto a un evento

Miguel Angel Méndez Esperanza Condicional February 3, 2022 2 / 28

Miguel Angel Méndez Esperanza Condicional February 3, 2022 3 / 28

Distribución conjunta y marginales. Caso discreto

Miguel Angel Méndez Esperanza Condicional February 3, 2022 4 / 28

Esperanza condicional dado que X = x

Miguel Angel Méndez Esperanza Condicional February 3, 2022 5 / 28

Esperanza condicional dado que X = x

Asimismo, la distribución condicional de Y dado que X = x es

Miguel Angel Méndez Esperanza Condicional February 3, 2022 5 / 28

Esperanza condicional dado que X = x

Asimismo, la distribución condicional de Y dado que X = x es

Si además Y ∈ L1 , definimos la esperanza condicional de Y dado que

Miguel Angel Méndez Esperanza Condicional February 3, 2022 5 / 28

Miguel Angel Méndez Esperanza Condicional February 3, 2022 6 / 28

Miguel Angel Méndez Esperanza Condicional February 3, 2022 7 / 28

Además, tenemos la distribución condicional

Miguel Angel Méndez Esperanza Condicional February 3, 2022 7 / 28

Además, tenemos la distribución condicional

y, para Y ∈ L1 , la esperanza condicional

Miguel Angel Méndez Esperanza Condicional February 3, 2022 7 / 28

Miguel Angel Méndez Esperanza Condicional February 3, 2022 8 / 28

Miguel Angel Méndez Esperanza Condicional February 3, 2022 8 / 28

Miguel Angel Méndez Esperanza Condicional February 3, 2022 8 / 28

Miguel Angel Méndez Esperanza Condicional February 3, 2022 9 / 28

y si son continuas, entonces

Miguel Angel Méndez Esperanza Condicional February 3, 2022 9 / 28

y si son continuas, entonces

(b) Si X y Y son v.a.’s independientes entonces

(b1 ) f (y |x) = fY (y ), (b2 ) E (Y |X = x) = E (Y ) (9)

Análogamente obtenemos (8)

Miguel Angel Méndez Esperanza Condicional February 3, 2022 10 / 28

Análogamente obtenemos (8)

Miguel Angel Méndez Esperanza Condicional February 3, 2022 10 / 28

Análogamente obtenemos (8)

Miguel Angel Méndez Esperanza Condicional February 3, 2022 10 / 28

Análogamente obtenemos (8)

Análogamente para el caso continuo.

Miguel Angel Méndez Esperanza Condicional February 3, 2022 10 / 28

Sean X1 , X2 , . . . , . . . v.a.i.i.d con valores {0, 1, 2, . . .}. Sea S0 := 0 y Sn :=

(b) Si además E (Xj ) = µ < ∞ y E (N) < ∞ entonces

Miguel Angel Méndez Esperanza Condicional February 3, 2022 11 / 28

Miguel Angel Méndez Esperanza Condicional February 3, 2022 12 / 28

Miguel Angel Méndez Esperanza Condicional February 3, 2022 13 / 28

Miguel Angel Méndez Esperanza Condicional February 3, 2022 14 / 28

E (Y |X ) = E (Y ) si X y Y son independientes (11)

Miguel Angel Méndez Esperanza Condicional February 3, 2022 14 / 28

Miguel Angel Méndez Esperanza Condicional February 3, 2022 15 / 28

esto es, Y |X = x ∼ N(ρx, r 2 ). De donde E (Y |X = x) = ρx ∀x ∈ R,

Propiedad de la esperanza iterada

Teorema. 8 (Propiedad de la esperanza iterada)

Miguel Angel Méndez Esperanza Condicional February 3, 2022 16 / 28

E [Yg (X )|X = x] = g (x)E (Y |X = x) (15)

E [g (X )|X = x] = g (x) y E [g (X )|X ] = g (X ) (17)

Miguel Angel Méndez Esperanza Condicional February 3, 2022 17 / 28

Esto da (13) y, por lo tanto, (12) si X es discreta. Cuando X es

Miguel Angel Méndez Esperanza Condicional February 3, 2022 18 / 28

Esto da (13) y, por lo tanto, (12) si X es discreta. Cuando X es

lo cual demuestra (15). El caso continuo se demuestra de forma

Miguel Angel Méndez Esperanza Condicional February 3, 2022 19 / 28

La última igualdad se cumple, dado que {X ≥ } ∈ G. Similarmente, P(X ≤