tulo se presenta una breve introduccin al concepto de espeo En este cap ranza condicional de una variable aleatoria respecto

de una -lgebra, y a se estudian algunas de sus propiedades elementales. Consideraremos que se cuenta con un espacio de probabilidad base (, F , P ), y que G es una sub -lgebra de F . Hemos denido antes la esperanza de una variable aleatoria a X como la integral de Riemann-Stieltjes E(X) =
.c om

o a tulo, es convesin embargo, para hacer la notacin ms simple en este cap niente en algunas ocasiones adoptar la notacin de la teor de la medida o a y denotar la esperanza de una variable aleatoria X mediante la siguiente integral
ww

E(X) =

w.

at

em

at

Esto corresponde a la integral de Lebesgue de la funcin medible X respecto o de la medida de probabilidad P . Recordemos que si se conoce la distribucin de un vector (X, Y ) y se toma o un valor y tal que fY (y) = 0, la esperanza condicional de X dado Y = y es

ic
X dP.

a1

x dFX (x),

la funcin o y E(X | Y = y) =

x dFX|Y (x|y),

a cuando fY (y) = 0. De manera anloga, si A es un evento con probabilidad positiva y X es una variable aleatoria integrable, la esperanza condicional de X dado A es el nmero u E(X | A) =

x dFX|A (x),

en donde FX|A (x) = P (X x | A) = P (X x, A)/P (A). La esperanza condicional que deniremos en este cap tulo generaliza estos conceptos.

Definicion. (Esperanza condicional). Sea X una variable aleatoria con esperanza nita, y sea G una sub--lgebra de F . La esperanza cona dicional de X dado G , es una variable aleatoria denotada por E(X | G ), que cumple las siguientes tres propiedades. a) Es G -medible. b) Tiene esperanza nita. c) Para cualquier evento G en G , E( X | G ) dP = X dP.
G

ww w.

at

He aqui la denicin general. Es importante hacer nfasis que la esperanza o e condicional, a pesar de su nombre, no es un nmero, aunque puede serlo, u sino una variable aleatoria.

em

at

ic

a1

.c

om

4.1.

Esperanza condicional

(4.1)

Parte de la dicultad para entender esta denicin general es que no se proo porciona una frmula expl o cita para esta variable aleatoria sino unicamente las propiedades que cumple. El objetivo de este cap tulo es encontrar el signicado de esta variable aleatoria, interpretar su signicado y explicar su relacin con el concepto de esperanza condicional elemental, E(X | Y = y), o mencionado antes. Haremos lo anterior principalmente en el caso cuando la -lgebra G es generada por una variable aleatoria discreta. a Usando el teorema de Radon-Nikodym (vase por ejemplo [5]), puede dee mostrarse que esta variable aleatoria existe y es unica casi seguramente, esto signica que si existe otra variable aleatoria con las tres propiedades de la denicin anterior, entonces con probabilidad uno coincide con E(X | G ). o En lo sucesivo cuando se establezca que esta variable aleatoria es igual a alguna otra variable, la igualdad debe entonces entenderse en el sentido casi seguro, es decir, que la igualdad se verica con probabilidad uno. Notacion.

b) Si A es un evento, entonces la esperanza condicional E(1A | G ) se denota por P (A | G ). En la siguiente seccin estudiaremos con ms detalle la variable E(X | Y ) o a cuando Y es una variable aleatoria discreta.

4.2.

Esperanza condicional: caso discreto

Sean X y Y dos variables aleatorias. Suponga que X tiene esperanza nita y que Y es discreta con posibles valores y1 , y2 , . . . La esperanza condicional de

ww

a) Cuando la -lgebra G es igual a (Y ), para alguna variable aleaa toria Y , la esperanza condicional se escribe simplemente como E(X | Y ), en lugar de E(X | (Y )).
w.

at

em

at ic a1

.c o

X dado el evento (Y = yj ) es el nmero E(X | Y = yj ). Este valor depende u o naturalmente del evento (Y = yj ), y podemos considerar que es una funcin de los posibles valores yj , o bien que tenemos una funcin denida sobre el o espacio muestral de la siguiente forma: Si es tal que Y () = yj , entonces E(X | Y )() = E(X | Y = yj ). Observe que E(X | Y ) toma a lo sumo tantos valores distintos como lo hace la variable Y . Globalmente se puede escribir esta funcin en trminos de o e funciones indicadoras como sigue E(X | Y )() =
j=1

E(X | Y = yj ) 1(Y =yj ) ().

E(X | Y )() = E(X | Y = yj ) si Y () = yj , es una variable aleatoria que cumple las siguientes propiedades. a) Es (Y )-medible. b) Tiene esperanza nita. c) Para cualquier evento G en (Y ), E( X | Y ) dP = X dP.
G

ww w.

Proposicion. (Esperanza condicional, caso discreto). Sea X una variable aleatoria integrable, y sea Y discreta con valores y1 , y2 , . . . La funcin E(X | Y ) : R dada por o

at em

at

ic

a1

o De este modo se construye la funcin E(X | Y ) : R, que resulta ser una variable aleatoria, y corresponde a un caso particular de la denicin o general enunciada antes. Demostraremos esto a continuacin. o
.c om

(4.2)

Demostracin. o

a) A travs de sus posibles valores la variable aleatoria Y secciona el ese pacio muestral en eventos disjuntos, a saber, (Y = y1 ), (Y = y2 ), . . . La m nima -lgebra respecto de la cual la funcin Y es variable aleaa o toria es (Y ) = {(Y = y1 ), (Y = y2 ) . . .} F . Como E(X | Y ) es constante en cada elemento de la particin, resulta que esta funcin o o es (Y )-medible, y en consecuencia es verdaderamente una variable aleatoria. b) Tomando el evento G como en la tercera propiedad se obtiene que tanto X como E(X | Y ) tienen la misma esperanza. c) Como cada elemento de (Y ) es una unin ajena de elementos de la o forma (Y = yj ), por propiedades de la integral es suciente demostrar (4.2) para estos eventos simples. Tenemos entonces que E(X | Y )() dP () = E(X | Y = yj ) P (Y = yj )
.c om

(Y =yj )

at ic
= =

em
ww w.

at

=
(Y =yj )

a1

X() dP ( | Y = yj ) P (Y = yj ) X() dP (, Y = yj ) X() dP ().

Observe la diferencia entre E(X | Y = yj ) y E(X | Y ). El primer trmino es e un posible valor numrico del segundo trmino que es una variable aleatoria, e e sin embargo a ambas expresiones se les llama esperanza condicional. Veremos a continuacin un caso particular de esta variable aleatoria. Demostrao remos que la esperanza condicional puede verse como una generalizacin del o concepto bsico de probabilidad condicional, y tambin puede considerarse a e como una generalizacin del concepto de esperanza. o

 Proposicion. Sea X con esperanza nita, y sean A y B eventos tales que 0 < P (B) < 1. Entonces 1. E( X | {, } ) = E(X). 2. E( 1A | {, } ) = P (A). 3. E( 1A | {, B, B c , } ) = P (A | B) 1B + P (A | B c ) 1B c .

Demostracin. o 1. Esta igualdad se sigue del hecho que la variable E(X | G ) es medible respecto de G , y de que cualquier funcin medible respecto de la o -lgebra {, } es constante. La tercera condicin en la denicin a o o general de esperanza condicional implica que esta constante debe ser E(X). 2. Esta igualdad es evidentemente un caso particular de la primera. 3. Observe que toda funcin medible respecto de la -lgebra G dada o a c , } es constante tanto en B como en B c . Adems, a por {, B, B
B

E( 1A | G ) dP =

ww

w.

at

em at ic
B

Como la variable aleatoria E( 1A | G ) es constante en B, el lado izquierdo es igual a E( 1A | G )() P (B), para cualquier en B. De donde se obtiene E( 1A | G )() = P (A | B), para cualquier en B. El anlisis a es anlogo al considerar el evento B c , y de esto se obtiene la frmula a o enunciada.

Observe en particular que la tercera propiedad dice que si la -lgebra a G es generada por la particin elemental {B, B c }, entonces la esperanza o

a1

1A dP = P (A B).

.c om

condicional de 1A es una variable aleatoria que toma dos valores: P (A | B) o sobre B, y P (A | B c ) sobre B c . El siguiente ejercicio es una generalizacin de este resultado. Ejercicio. Sea B1 , . . . , Bn una particin de tal que cada uno de estos o elementos tiene probabilidad estrictamente positiva. Demuestre que para cualquier evento A,
n

E(1A | {B1 , . . . , Bn }) =

i=1

P (A | Bi ) 1Bi .

Ejercicio. Encuentre una distribucin conjunta de dos variables aleatorias o X y Y de tal forma que E(X | Y ) tenga distribucin Ber(p). o La variable E(X | G ) puede interpretarse como la esperanza condicional de X dada la informacin de la -lgebra G . Ilustraremos esto en el siguiente o a ejemplo. Ejemplo. Considere el experimento aleatorio de lanzar un dado equilibrado e intentar adivinar el resultado que se obtiene. Suponga, por ejemplo, que se apuesta a que se obtiene el nmero 2. Dena los eventos A = {2}, B = u {2, 4, 6} y la coleccin G = {, , B, B c }. Esta -lgebra puede distinguir o a los resultados Cae nmero par, evento B, y Cae nmero impar, evento u u B c . Entonces E(1A | G ) = P (A | B) 1B () + P (A | B c ) 1B c () 1 1B () + 0 1B c () = 3 1 si B, 3 = 0 si B c .
ww w.

De esta forma E(1A | G ) es una funcin que reporta las probabilidades de o ganar apostando por el nmero 2 en cada una de las dos situaciones que u la -lgebra G distingue: resultado par o impar. a

at

em

at

ic a1

.c

om

a Si se toma, en cambio, G = 2 con = {1, 2, 3, 4, 5, 6}, es decir, la -lgebra distingue totalmente el resultado del lanzamiento del dado, entonces deniendo los eventos Bi = {i}, para i = 1, . . . , 6, tenemos
6

E(1A | G ) =

i=1

P (A | Bi ) 1Bi = P (A | A) 1A = 1A .

o Es decir, no hay sorpresas, cuando se sabe con precisin el resultado del experimento, conocemos obviamente la probabilidad de ganar apostando por el numero 2, sta es cero o uno. e

4.3.

Algunas propiedades

ww w.

at

em

Veremos ahora algunas propiedades generales de la esperanza condicional, otras propiedades se encuentran en la seccin de ejercicios. En un apndice o e al nal del texto se encuentra una lista ms completa de propiedades de a esta variable aleatoria.

at ic

a1

.c om

 Proposicion. Sean X y Y variables aleatorias con esperanza nita y sea c una constante. Entonces 1. Si X 0, entonces E(X | G ) 0. 2. E(c X + Y | G ) = c E(X | G ) + E(Y | G ). 3. Si X Y , entonces E(X | G ) E(Y | G ). 4. E(E(X | G )) = E(X). 5. Si X es G -medible, entonces E(X | G ) = X c.s. En particular, E(c | G ) = c. 6. Si G1 G2 , entonces

1. Por contradiccin, suponga que existe G en G con probabilidad eso trictamente positiva tal que E(X | G ) 1G < 0. Entonces tomando esperanzas se obtiene E(X 1G ) < 0. Por otro lado, como X 0, E(X 1G ) 0. 2. Esta igualdad es consecuencia de la linealidad de la esperanza no condicional, junto con (4.1) y la propiedad de unicidad. 3. Esto consecuencia de la primera propiedad y la linealidad aplicadas a la variable Y X 0. 4. Esta propiedad se obtiene tomando G = en la igualdad (4.1). 5. Si X es G -medible, entonces X mismo cumple con las tres propiedades de la denicin de esperanza condicional, por la unicidad se obtiene o la igualdad casi segura.
ww w.

M at

Demostracin. o

em

at

ic

a1

E(E(X | G1 ) | G2 ) = E(E(X | G2 ) | G1 ) = E(X | G1 ).

.c om

6. Para todo G G1 G2 ,
G

E(E(X | G1 ) | G2 ) dP =

E(X | G1 ) dP =

X dP.
G

Anlogamente, a E(E(X | G2 ) | G1 ) dP = E(X | G2 ) dP = X dP.

G

Ejercicio. Demuestre que E( E 2 (X | G ) ) = E( X E(X | G ) ). o Ejercicio. Sean X y Y independientes cada una con distribucin Ber(p). Encuentre E(X | X + Y ). Una introduccin a la esperanza condicional ligeramente ms completa a la o a presentada en esta seccin, aunque tambin sencilla y breve, puede encono e trarse en [24]. Un tratamiento ms completo y riguroso puede consultarse a por ejemplo en [18] o [31].

ww

a) | E(X | G ) | E( |X| | G ).

w.

at

Ejercicio. Demuestre las siguientes desigualdades: b) E |E(X | G )| E( |X| ).

em

at ic

En particular observe que la segunda propiedad dice que la esperanza condicional es lineal, mientras que la cuarta propiedad establece que las variables aleatorias X y E(X | G ) tienen la misma esperanza, o en trminos de e informacin, la -lgebra trivial {, } realmente no proporciona ninguna o a informacin adicional del experimento aleatorio y por lo tanto la esperanza o se calcula directamente sobre la variable aleatoria.

a1

.c o

4.4.

Varianza condicional

Usando la esperanza condicional se puede obtener la varianza condicional de una variable aleatoria respecto de una -lgebra de la siguiente forma. a Definicion. (Varianza condicional). Sea X con segundo momento nito, y sea G una sub--lgebra de F . La varianza condicional de X a dado G , denotada por Var(X | G ), se dene como la variable aleatoria Var(X | G ) = E[ (X E(X|G ))2 | G ].

ww

Demostraremos a continuacin algunas propiedades elementales de esta vao riable aleatoria. Otras propiedades se encuentran en la seccin de ejercicios. o
w.

at

Nuevamente hacemos nfasis en que la varianza condicional no es necesae riamente un nmero sino una variable aleatoria en general, G -medible por u denicin, y como en el caso no condicional, es no negativa. Despus de o e un clculo sencillo se puede comprobar que se reconstruye la varianza no a condicional en el siguiente caso particular: Var(X | {, }) = Var(X).

em

at ic

a1

.c om

 Proposicion. Sean X y Y con varianza nita, y sea c una constante. Entonces 1. Var(X | G ) 0. 2. Var(c | G ) = 0. 3. Var(c X | G ) = c2 Var(X | G ). 4. Var(X + c | G ) = Var(X | G ). 5. En general, Var(X + Y | G ) = Var(X | G ) + Var(Y | G ). 6. Var(X | G ) = E(X 2 | G ) E 2 (X | G ). 7. Var(X) = E[Var(X | G )] + Var[E(X | G )].
m

5. Nuevamente es suciente tomar Y = X para vericar la no igualdad. 6. Esta igualdad se obtiene a partir de la denicin al desarrollar el o cuadrado y utilizar las propiedades de linealidad de la esperanza condicional. 7. Tomando esperanza en la igualdad previa se obtiene E[Var(X | G )] = E(X 2 ) E[E 2 (X | G )]. Por otro lado, Var[E(X | G )] = E[E 2 (X | G )] E 2 [E(X | G )] = E[E 2 (X | G )] E 2 (X). Sumando estas ultimas dos expresiones se obtiene el resultado.

ww

w.

1. 4. Estas propiedades son una consecuencia inmediata de las propiedades ya demostradas de la esperanza condicional.

at

em

at

Demostracin. o

ic

a1

.c o

Nuevamente cuando la sub--lgebra G es (Y ), para alguna variable aleaa toria Y , entonces Var(X | G ) se escribe Var(X | Y ), y puede tomarse como denicin cualquiera de las siguientes expresiones: o Var(X | Y ) = E( (X E(X | Y ))2 | Y )

E(X 2 | Y ) E 2 (X | Y ).

Ejercicio. Demuestre que la esperanza de la variable Var(X | G ) es: a) E(X 2 ) E(E 2 (X | G )). b) E(X E(X | G ))2 .
.c o m

ww w.

at

em

at

ic

a1

4.5.

Ejercicios
Esperanza condicional

401. Demuestre que si c es una constante, entonces E(c | G ) = c, para cualquier sub--lgebra G . a 402. Sea A un evento. Demuestre que E(1A | {, }) = P (A). 403. Sea X integrable y sea Y constante. Demuestre que E(X | Y ) = E(X). 404. Sea X una variable aleatoria con esperanza nita. Demuestre que E(X | {, }) = E(X). 405. Sean A y B dos eventos tales que 0 < P (B) < 1. Demuestre que E(1A | 1B )() = P (A | B) si B, P (A | B c ) si B. /
.c om

407. Encuentre E(X | Y ) cuando X y Y se distribuyen de manera conjunta de acuerdo a la siguiente tabla.
ww

x\y 1 2

w.

406. Sea X con esperanza nita y sea B un evento tal que 0 < P (B) < 1. Demuestre que E(X | {, B, B c , }) = E(X | B) 1B + E(X | B c ) 1B c .

at

em

-1 2/12 3/12

at ic

a1

0 2/12 2/12

1 2/12 1/12

408. Encuentre una distribucin conjunta de dos variables aleatorias X y o Y de tal forma que E(X | Y ) tenga distribucin unif{1, 1}. o 409. Se ha demostrado que si X 0 es integrable, entonces E(X | G ) 0. Demuestre que el rec proco es en general falso. 410. Sea c una constante. Diga falso o verdadero. Demuestre o proporcione un contraejemplo.

c) E(X | X 2 ) = X.

a) E(X | X) = X. b) E(X 2 | X) = X 2 .

f) E(X | X + Y ) = X.

d) E(X | cX) = X. e) E(X | X + c) = X.

411. Demuestre que E(E 2 (X | G )) = E(X E(X | G )). 412. Sea B1 , . . . , Bn una particin nita de en donde cada elemento tiene o probabilidad positiva, y sean b1 , . . . , bn constantes cualesquiera. Dena la variable aleatoria discreta
n

Y =
i=1

bi 1Bi .

E 2 (XY | G ) E(X 2 | G ) E(Y 2 | G ). Sugerencia: proceda como en la desigualdad de Cauchy-Schwarz en el caso no condicional, vea el ejercicio 190. 414. Desigualdad de Markov condicional. Sea X 0 integrable. Demuestre que para cualquier constante > 0, P (X | G ) 1 E(X | G ).
ww

Sugerencia: Vea la demostracin de la desigualdad de Markov no cono dicional. 415. Sean X1 , X2 . . . independientes idnticamente distribuidas y con espee ranza nita. Dena Sn = X1 + +Xn . Demuestre que para 1 k n,

w.

at

413. Desigualdad de Cauchy-Schwarz condicional. Sean X y Y con segundo momento nito. Demuestre que

em

at

Sea X con segundo momento nito. Demuestre que la distancia entre X y Y denida por d(X, Y ) = [E(X Y )2 ]1/2 es m nima cuando bi = E(X | Bi ), es decir, cuando la variable Y es la esperanza condicional E(X | Y ). Sugerencia: observe que E(X Y )2 = n E[(X i=1 bi )2 | Bi )P (Bi ), y la suma es m nima si, y slo si, cada sumando lo es. o

ic a

1.c

om

a) E(Xk | Sn ) = Sn /n.

b) E(Sk | Sn ) = k Sn /n.

d) E(Sk | {Sn , Sn+1 , . . .}) = k Sn /n.

c) E(Xk | {Sn , Sn+1 , . . .}) = Sn /n.

Varianza condicional
416. Demuestre que a) Var(X | {, }) = Var(X).

b) Var(1A | {, }) = P (A)(1 P (A)).

om

417. Encuentre Var(X | Y ) cuando X y Y se distribuyen de manera conjunta de acuerdo a la siguiente tabla. x\y 1 2
ww w.

418. Demuestre que E( Var(X | G ) | G ) = Var(X | G ). 419. Demuestre que Var(X) Var(X | G ). 420. Demuestre que E(X 2 | G ) E 2 (X | G ). 421. Demuestre que a) si X es G -medible, entonces Var(X | G ) = 0. b) Var( Var(X | G ) | G ) = 0. c) si X es G -medible, entonces Var(Var(X | G )) = 0.

at

em

-1 2/12 3/12

a1

0 2/12 2/12

.c

1 2/12 1/12

at

ic