Anda di halaman 1dari 21

Probabilidad III

Unidad 2. Esperanza condicional

Universidad Abierta y a Distancia de México

Licenciatura en matemáticas

8° cuatrimestre

Programa de la asignatura:
Probabilidad III

Unidad 2. Esperanza condicional

Clave:
050930831

1
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Probabilidad III
Unidad 2. Esperanza condicional

Índice
Unidad 2. Esperanza condicional .........................................................................................................3

Presentación de la unidad......................................................................................................................3

Propósitos de la unidad ..........................................................................................................................4

Competencia específica..........................................................................................................................4

Actividad 1. Esperanza condicional ....................................................................................................4

2.1. La esperanza condicionada a diferentes situaciones y sus propiedades.........................4

2.1.1. Condicionada a un evento ...................................................................................................... 6

2.1.2. Condicionada a una variable aleatoria discreta ................................................................ 8

2.1.3. Condicionada a una variable aleatoria arbitraria ............................................................ 12

2.1.4. Condicionada a un  -campo .............................................................................................. 15


2.1.5. Propiedades generales .......................................................................................................... 16

Actividad 2. Propiedades de la esperanza condicional............................................................... 19

Autoevaluación ...................................................................................................................................... 19

Evidencia de aprendizaje: Demostraciones sobre esperanza condicional ........................... 20

Autorreflexiones .................................................................................................................................... 20

Cierre de la unidad ................................................................................................................................ 20

Para saber más....................................................................................................................................... 21

Referencias Bibliográficas .................................................................................................................. 21

2
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Probabilidad III
Unidad 2. Esperanza condicional

Unidad 2. Esperanza condicional

Presentación de la unidad

En la presente unidad, titulada “Esperanza condicional”, se tratarán temas que son primordiales
para comprender correctamente la teoría de martingalas que se presentará en la tercera y en la
última unidad, asimismo es fundamental para continuar el estudio del cálculo estocástico,
específicamente en el tema de la integral de Itô. La unidad se compone de cinco subtemas que
describen los diferentes casos en los que es posible aplicar la definición de esperanza
condicional:

En el primero se desarrolla la esperanza sujeta a la ocurrencia de un evento; en el segundo la


esperanza sujeta a la ocurrencia de una variable aleatoria discreta; en el tercero la esperanza
sujeta a la ocurrencia de una variable aleatoria arbitraria; en el cuarto la esperanza sujeta a la
ocurrencia de un  -campo, y por último en el quinto subtema se describen las propiedades de
la esperanza condicional, las cuales permiten calcularla en diferentes situaciones.

Debes contemplar el hecho de que, al igual que en la unidad anterior, a lo largo del desarrollo
de los contenidos de esta sección, las definiciones, teoremas y propiedades se resaltan
empleando un fondo de color, debiendo hacer énfasis en comprender cada uno de éstos, con la
finalidad de que los emplees para ir construyendo un nivel de conocimientos óptimo acerca de
la materia de estudio.

Es recomendable que enfoques tus esfuerzos en comprender cada uno de los conceptos que
se presentarán, además de que, como lo exige el perfil de la licenciatura en Matemáticas,
comprendas cada una de las demostraciones aquí presentadas, y que realices las actividades
aquí exhibidas. Se te reitera nuevamente que, cuando se te presente algún tipo de problemática
a través de tu estudio, te apoyes con tu facilitador (a).

Debes tomar en cuenta que cada una de las demostraciones de los teoremas aquí presentados,
ya fueron realizadas por alguna persona previamente a la escritura de este documento (como
en todos los campos de la matemática que se imparten en el sistema educativo de cualquier
país), y aunque es posible memorizarlas, es mejor que pongas énfasis en intentar
comprenderlas. Por lo anterior es imperativo que leas mucho, pues como ya debes saber, las
demostraciones de algún hecho se realizan a través del uso de definiciones y reglas previas
que se van ordenando lógicamente para llegar a una determinada conclusión.

Asimismo, aunque este material es suficiente para culminar con éxito el estudio de esta
asignatura (si tienes los conocimientos previos adquiridos en las materias anteriores a ésta),
siempre es recomendable que busques información de diversos libros reconocidos por la
comunidad científica, con la finalidad de que puedas, considerando toda la información que
absorbas, formarte un conocimiento propio acerca de los temas tratados.

3
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Probabilidad III
Unidad 2. Esperanza condicional

Propósitos de la unidad

 Identificar el concepto de esperanza condicional sujeta a la ocurrencia de un evento, una


variable aleatoria discreta, una variable aleatoria arbitraria o un  -campo.
 Identificar las propiedades de la esperanza condicional.
 Aplicar las propiedades de la esperanza condicional.
 Demostrar las propiedades de la esperanza condicional.

Competencia específica

Aplicar el concepto de la esperanza condicional para resolver diversos problemas


probabilísticos, utilizando sus propiedades.

Actividad 1. Esperanza condicional

A través de ésta actividad podrás interactuar con tus compañeros de grupo, con la finalidad de
fortalecer lo aprendido.

Instrucciones:

1. Descarga el archivo “Act.1. Esperanza condicional”, y busca las definiciones de cada


termino que se presenta en el documento.

2. El documento que generes, te será útil durante toda la unidad, por lo cual es importante
que en cuanto lo necesites consúltalo para recordar conceptos, propiedades, definiciones,
leyes etc. De asignaturas pasadas o unidades anteriores.

3. La actividad no es ponderable, pero si importante e indispensable, dado que te auxiliará a


recordar conocimientos anteriores.

2.1. La esperanza condicionada a diferentes situaciones y sus propiedades

Como recordarás de tu curso de Probabilidad II, la esperanza condicional, denotada por


EX  , indica la esperanza de ocurrencia de una variable aleatoria X, dado que se sabe que
ya ocurrió la situación .

En los siguientes temas estudiaremos E  X  , cuando es:

4
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Probabilidad III
Unidad 2. Esperanza condicional
 Un evento
 Una variable aleatoria discreta
 Una variable aleatoria arbitraria
 Un  - campo

Repasemos un poco, para efecto de que vayas preparando los temas que siguen, es
recomendable que vayas verificando las afirmaciones aquí presentadas, lo cual es posible
debido a que son temas de los cursos de Probabilidad I y II.

Consideremos el espacio de probabilidades  , F , P  , en el cual A, B  F . Entonces


definimos a la probabilidad de que ocurra el evento A dado que ya ocurrió el evento B ,
denotada por P  A B  , como

P  A  B
P  A B  , donde P  B   0 . . . . . . . . . . . . . . . . . . . . (i)
P  B

En este concepto es muy importante observar que el espacio muestral de la probabilidad


condicional mostrada en (i) queda restringida al evento B , lo cual se deduce debido a que
previamente se tiene la ocurrencia de B , y ello significa que P  B   1 y P Bc  0 , en  
consecuencia los eventos que se consideren deberán ser subconjuntos de B , y ello nos lleva a
sustituir P  A por P  A B  , y a “normalizar” las probabilidades iniciales P  A  B  por P  B  .

En virtud de lo anterior, es posible definir la función de distribución condicional de una


variable aleatoria X , dado un evento B , como sigue:

P  X  x, B 
FX  x B   , x  , P  B   0 . . . . . . . . . . . . . . . . . . . . (ii)
P  B

(La expresión anterior se puede deducir fácilmente, sustituyendo A   X  x , en la expresión


(i), donde x es un número real, y X es una variable aleatoria)

Por otro lado, derivando (ii) se obtiene la función de densidad condicional de una variable
aleatoria X dado un evento B , f X  x B  , es decir:

fX  x B   FX  x B 
d
dx 

5
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Probabilidad III
Unidad 2. Esperanza condicional
Las funciones anteriores cumplen todas las propiedades de las funciones de distribución
(acumulada) y densidad tratadas en Probabilidad I y II.

2.1.1. Condicionada a un evento

Una vez que hemos revisado la esperanza condicional a diferentes eventos y sus propiedades
podemos realizar la siguiente definición.

Definición 2.1.1.1.

Sea  , F , P un espacio de probabilidades, en el cual B F , y sea X una variable


aleatoria definida en  . Entonces definimos al valor esperado (o esperanza condicional) de X
dado B , como
E  X IB 
E  X B   , P  B  0
P  B
Donde I B es la función indicadora de B :
1 si   B
I B    
0 si   B

La definición anterior nos brinda una regla general para calcular el valor esperado de una
variable aleatoria X condicionado a la ocurrencia del evento B , pero es necesario analizar la
forma que toma para los casos discreto y continuo.

Consideraremos primero que X es una variable aleatoria discreta que toma valores x1 , ..., xn .
En este caso tenemos que

n 
P  X    xt  B  n
E  X B    xt
t 1 P  B
 x P  X  x B
t 1
t t

Por otro lado, si X es una variable aleatoria continua con función de densidad de
probabilidades f X entonces el valor esperado será


1 1
E  X B    x I B  x  f X  x  dx   x f X  x  dx
P  B   P  B B

Es usual hallar la expresión anterior de las siguientes formas:


(Como una integral de Riemann-Stieltjes)

6
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Probabilidad III
Unidad 2. Esperanza condicional

1
E  X B  
P  B  x dF  x 

X

O bien (usando notación de teoría de la medida, la cual corresponde a la integral de Lebesgue


de la función medible X con respecto a la medida de probabilidad P ).
1
E  X B  
P  B 
B
X dP

Ejemplo

Problema: Consideremos un juego que consiste en el lanzamiento de dos dados distinguibles


de seis caras cada uno, numeradas del 1 al 6, de tal forma que a cada resultado obtenido se le
asigna la suma de los valores presentados por ambos dados, generando con ello la variable
aleatoria X . ¿Cuál será el valor esperado de X dado que el resultado presenta exactamente
un 1?

Solución:
El espacio muestral de este experimento es
  1,1 , 1, 2  , 1,3 , 1, 4  , 1,5 , 1,6  ,  2,1 ,  2, 2  ,  2,3 ,  2, 4  ,  2,5 ,  2,6  ,
3,1 , 3, 2 , 3,3 , 3, 4 , 3,5 , 3,6  ,  4,1 ,  4, 2  ,  4,3 ,  4, 4  ,  4,5 ,  4,6 ,
5,1 , 5, 2 , 5,3 , 5, 4  , 5,5 , 5,6  , 6,1 , 6, 2  , 6,3 , 6, 4  ,  6,5 ,  6,6

Además, como lo indica el problema, la variable aleatoria X queda definida de la siguiente


manera
X  a, b   a  b , donde  a, b   y  a  b  

De donde es fácil ver que


X 1, 2   3 , X 1,3  4 , X 1, 4   5 , X 1,5  6 , X 1,6   7 , X  2,1  3 , X  3,1  4 ,
X  4,1  5 , X  5,1  6 , X  6,1  7

Definamos al evento B como al subconjunto de  compuesto por los pares ordenados que
presentan exactamente un 1, es decir
B  1, 2 , 1,3 , 1, 4  , 1,5 , 1,6  ,  2,1 , 3,1 ,  4,1 , 5,1 ,  6,1

Por tanto

7
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Probabilidad III
Unidad 2. Esperanza condicional


P  X    xt  B  
  
n
1 n
E  X B    xt  xt P  X    xt  B
t 1 P  B P  B  t 1


1
P  B
     
 2 P  X    2  B  3P  X    3  B  4P  X    4  B   
      
5P  X    5  B  6P  X    6  B  7 P  X    7  B  
8P  X    8  B   9P  X    9  B   10P  X    10  B 

11P  X    11  B   12P  X    12  B 



1   0   2   2   2   2   2  0   0 
 3 4 5 6 7 8 9
10   36   36   36   36   36   36   36   36 
2

36
 0  0  0  1
10    11   12     3  2   4  2   5  2   6  2   7  2   5
 36   36   36   10

En particular, para una variable aleatoria continua integrable X , tenemos que


E  X   E  X 
Siendo fácil verificarlo, al considerar que P     1 y sustituyendo este hecho en la definición
2.1.1.1.

2.1.2. Condicionada a una variable aleatoria discreta

Consideremos ahora una variable aleatoria discreta Y (definida en  ), que toma valores
y1 , ..., yn en los sucesos

 
Ai   Y    yi , i  1, 2, ...

Los cuales forman una partición de  . Además, asumamos que P  Ai   0 para cada i .
Entonces, podemos realizar la siguiente definición.

Definición 2.1.2.1.

Para una variable aleatoria integrable X definida en  , y una variable aleatoria discreta Y
como la mencionada arriba, donde además E  X  es finito, entonces definimos la esperanza
condicional de X dado Y , como la variable aleatoria

8
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Probabilidad III
Unidad 2. Esperanza condicional

E  X Y     E  X Ai   E  X Y  yi 
para   Ai , i  1, 2,...

Observa que como Y es una variable aleatoria discreta, ésta puede ser función una constante.

Ejemplo

Problema: Sea  , F , P  un espacio de probabilidades, considerando    0,1 con el -


campo de conjuntos de Borel y P la medida de Lebesgue en  0,1 . Si

  1
1, x  0, 
  4
 1 1
2, x  , 
 4 2
X  x   3x 2 y Y  x   
3, 1 3
x  , 
 2 4

0, 3 
x   , 1
 4 

Calcular E X Y . 
Solución:
Tenemos que X es integrable y además Y es una variable aleatoria discreta que toma los
cuatro posibles valores: 0, 1, 2, 3.
En virtud de lo anterior

 1
Para x  0, :
 4 
  1 1 1 4
E  X Y   x   E  X 0,     3x 2 dx  4  x3  
14 1
  4 1 0 16
0

4
1 1
Para x   , :
4 2
  1 1  1 1 2
E  X Y   x   E  X  ,     3x 2 dx 
7
  4 2  1 14
16
4

9
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Probabilidad III
Unidad 2. Esperanza condicional

1 3
Para x   , :
2 4
  1 3  1 3 4 2
E  X Y   x   E  X  ,     3x dx 
19
  2 4  1 1 2 16
4
3 
Para x   , 1 :

4 
  3  1 1
E  X Y   x   E  X  , 1    3x 2 dx 
37
  4  1 3 4 16
4
1  1
16 , x  0, 
  4
7 1 1
 , x  , 
16 4 2
E  X Y  x  
19 , 1 3
x  , 
16 2 4

 37 , 3 
x   , 1
 16 4 

 
Debes notar que E X Y es una variable aleatoria discreta. En virtud de ello
 
  
E  E  X Y     E  X Ai  P  Ai    E  X I Ai   E  X  I Ai   E  X 
   
i 1 i 1  i 1 

Resumamos lo anterior en una proposición.

Proposición 2.1.2.2.

Para una variable aleatoria integrable X y una variable aleatoria discreta Y se tiene que
E  E  X Y    E  X 

10
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Probabilidad III
Unidad 2. Esperanza condicional
Del último ejemplo puedes notar que Y puede ser una función constante. En virtud de ello
podemos incluir la siguiente proposición.

Proposición 2.1.2.3.

Para una variable aleatoria integrable X y una función constante Y se tiene que
E  X Y   E  X 

Demostración.
Dado que Y es una función constante, entonces sólo puede tomar un único valor k.
Debe ser claro para el lector que en este caso
  k

Por tanto
E  X Y     E  X    E  X 
para cada  

Para la verificación de este suceso E  X   E  X  te corresponde a ti. Cuando realices la


evidencia de aprendizaje.

Cerraremos este tema con la siguiente proposición.

Proposición 2.1.2.4.

Sea X una variable aleatoria integrable y Y una variable aleatoria discreta, entonces se
cumplen las siguientes afirmaciones:
1) E  X Y  es  Y  -medible

2) Para cualquier A    n  se tiene que  E  X Y  dP   X dP


A A

Demostración:
Supongamos que Y tiene valores distintos a pares y1 , y2 ,...
Entonces los eventos
  Y    y  ,   Y    y  ,…
1 2

Son disjuntos a pares y cubren a todo  . De aquí se tiene que el  -campo  Y  está
generado por estos eventos, pues cada A   Y  es una unión contable de conjuntos.

Como E  X Y  es constante en cada uno de estos sucesos, entonces debe ser  Y  -


medible.

11
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Probabilidad III
Unidad 2. Esperanza condicional
Además, se tiene que


 Y   yn 
E  X Y  dP  
 Y   yn 
 
E X   Y    yn  dP  
 Y   yn 
X dP

De donde se infiere que:

 E  X Y  dP   X dP
A A

Lo anterior se debe a que cada A   Y  es una unión contable de conjuntos de la forma

  Y    y  , los cuales son disjuntos a pares.


n


Recuerda que es usual denotar al evento   Y    yn por Y  yn  . 

2.1.3. Condicionada a una variable aleatoria arbitraria

De la proposición 2.1.2.4. Podemos inferir la siguiente definición.

Definición 2.1.3.1.

Sea X una variable aleatoria integrable y Y una variable aleatoria arbitraria, entonces
E  X Y  es una variable aleatoria que cumple
1) E  X Y  es  Y  -medible

2) Para cualquier A    n  se tiene que  E  X Y  dP   X dP


A A

Veamos ahora un Lema que es de suma importancia para probar otros resultados posteriores.

Lema 2.1.3.2.

Sea  , F , P un espacio de probabilidades, y sea G  F , un  -campo. Si X es una


variable aleatoria G -medible, B está contenido en G , y además se tiene que

 X dP  0
B

Entonces
X  0 c.s.

Demostración

12
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Probabilidad III
Unidad 2. Esperanza condicional

Si  X    G entonces, para cualquier   0

0   P X       dP   X dP  0
 X    X  

Y por tanto P  X     0 . Asimismo, para cualquier   0 se tiene que P  X     0 .


Debido a los dos resultados anteriores se tiene que
P    X     1
1
Para cualquier   0 , en particular para   , se tiene que
n
 1 1
P  X   1
 n n

 1 1
Además, debido a que  X  0    X  
n 1  n n
Se infiere que
 1 1
P  X  0  lim P    X    1
n 
 n n
Que es lo que se quería probar.

Ejemplo

Problema: Sea  , F , P  un espacio de probabilidades, considerando    0,1 con el -


campo de conjuntos de Borel y P la medida de Lebesgue en  0,1 . Si

  1
1, x  0, 2 
  
X  x   x2 y Y  x   
 x, x   1 , 1

  2 

Encuentra E X Y . 
Solución:
En este caso es claro que X es una variable aleatoria integrable, y además Y es una variable
aleatoria no discreta, por lo que es necesario aplicar la definición 2.1.3.1.
 1 1 
Recalquemos que la variable aleatoria Y es constante en  0, y no constante en  , 1 .
 2  2 

Como primer paso, describamos el  -campo  Y  :

13
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Probabilidad III
Unidad 2. Esperanza condicional

1 
1) Para cualquier Boreliano B   , 1 tenemos que B  Y  B  Y 
2  
 1
2) Además, 0,  B  Y  1  Y  B   Y 
 2 
Observa que el conjunto presentado en 2), incluye a todos los el ementos de  Y  .

 1
Debido a que Y es constante en  0, , y además E  X Y  debe ser  Y  -medible, debe
 2 
tenerse que E  X Y  es constante.

 1
Dado lo anterior, es posible calcular la esperanza condicional en  0, de la misma manera
 2 
que se realizó en el ejemplo 2, es decir:
  1 1 1 2 2
E  X Y   x   E  X 0,     x dx 
1
  2 1 0 12
2
De donde se infiere que

 E  X Y   x  dx  
 1  1
X  x  dx
0, 2  0, 2 
   

1 

Por otro lado, si E X Y  x  X en  , 1 , entonces se tiene que
2  

 E  X Y   x  dx   X  x  dx
B B

1 
Para cualquier Boreliano B   , 1 .
2  
Por esta razón finalmente podemos deducir que
1  1
12 , x  0, 2 
  
E  X Y  x  
 x 2 , x   1 , 1

  2 

14
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Probabilidad III
Unidad 2. Esperanza condicional

2.1.4. Condicionada a un  -campo

Antes de iniciar con esta sección, es necesario que recuerdes lo que es un  -campo (o  -
álgebra y su propiedades. Por tal motivo te recomiendo que revises este libro electrónico de
Luis Rincón (2010) “Curso intermedio de probabilidad”, sobre teoría de probabilidad y en el que
puedes leer sobre el mismo. Considera que este tema ya lo trataste en la materia de
Probabilidad II.

El link es el siguiente
http://www.matematicas.unam.mx/lars/libros/cip.pdf

Definición 2.1.4.1.

Sea X una variable aleatoria en un espacio de probabilidad  , F , P  , y sea G  F un -


campo. Definimos la esperanza condicional de X dado G como la variable aleatoria E  X G 
tal que
1) E  X G  es G -medible

2) Para cualquier AG se tiene que  E  X G  dP   X dP


A A

Considera que E  X G  existe y es único. Este hecho se debe aceptar al momento de manera
axiomática, debido a que para realizar su demostración se requieren haber demostrado el
Teorema de Radom – Nikoym (el cual también se mencionará sin demostración), debido a que
ésta presenta elementos que aún no has desarrollado. Este teorema indica que una variable
aleatoria existe y es única c.s., en el sentido en que dos representaciones de ella difieren
únicamente en un conjunto de probabilidad cero.

De manera general, podemos decir que si Y es una variable aleatoria, un vector aleatorio o un
proceso estocástico en  , y  Y  el  -campo generado por Y , entonces la esperanza
condicional de una variable aleatoria X dado Y está definida por

E  X Y   E X  Y  

15
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Probabilidad III
Unidad 2. Esperanza condicional
Cerraremos esta sección mencionando, el Teorema de Radom – Nicodym con la finalidad de
dártelo a conocer.

Teorema 2.1.4.2. (Teorema de Radom – Nikodym)

Sea  , F , P un espacio de probabilidades, y sea G  F , un  -campo. Entonces, para


cada variable aleatoria X existe una variable aleatoria Y la cual es G -medible, que cumplen
lo siguiente

 X dP   Y dP
A A

2.1.5. Propiedades generales

Las siguientes propiedades de la esperanza condicional nos proveen algunas reglas que
pueden ser útiles al momento de tener que calcular alguna de ellas, y por tal motivo es
imperativo que las aprendas y que seas capaz de fundamentarlas (demostrarlas). Aquí se te
presentan las demostraciones, pero es claro que debes poder realizarlas por tu cuenta, en lo
sucesivo.

Definición 2.1.5.1.

Si k1 , k2  , X y Y son variables aleatorias integrables definidas en un espacio de


probabilidades  , F , P , y G , H son  -campos sobre  contenidos en F , entonces la
esperanza condicional cuenta con las siguientes propiedades.

1) E  k1 X  k2Y G   k1 E  X G   k2 E Y G  .
Esta relación se conoce como linealidad de la esperanza condicional.

2) Si H  G , entonces E E X G H      EX H .
Esta relación se conoce como la propiedad de suavizado de la esperanza condicional o
propiedad de la torre.

 
3) E E X G   E  X  .
Esta igualdad se conoce como la ley de la doble esperanza y se obtiene de “2)” tomando
H  ,  .

16
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Probabilidad III
Unidad 2. Esperanza condicional

4) Si X es G -medible y el producto X Y es integrable, entonces E  XY G   X E Y G  .


Esta relación nos indica que si G contiene toda la información de X , entonces dado que G
ocurre, X es conocida, y por tanto puede tratarse como una constante. Es usual llamar a esta
regla “Extraer lo medible”.

5) Si X es independiente de G , entonces E  X G   E  X  .
Esta relación nos indica que si la información conocida no proporciona información acerca de
X , entonces la esperanza condicional E  X G  es lo mismo que la esperanza E  X  .

6) Si X  0 , entonces E  X G   0 .
A esta relación se le llama positividad.

Demostración:

Demostremos cada uno de los incisos.

1) Para cualquier B G se tiene que

  k E  X G   k E Y G  dP  k E  X G  dP   k E Y G  dP  k  X dP  k  Y dP
B
1 2
B
1
B
2 1
B
2
B

   k1 X  k2Y  dP
B

De la unicidad de la esperanza condicional, se tiene que


E  k1 X  k2Y G   k1 E  X G   k2 E Y G 

2) De la definición 2.1.4.1. tenemos que sí B G y B H entonces

 E  X G  dP   X dP
B B

y además

 E  X H  dP   X dP
B B

Debido a que por hipótesis H  G se tiene que

 E  X G  dP   E  X H  dP
B B

De donde por la definición 2.1.4.1.



E EX G  H  EX H  
3) Como este es un caso especial de 2) ya no hay nada que probar, pues ya se realizó en el
inciso anterior.

17
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Probabilidad III
Unidad 2. Esperanza condicional

4) Comencemos probando el resultado para X  I A considerando que AG . Entonces para


cualquier B G tenemos

 I E Y G  dP   E Y G  dP  
B
A
A B A B
I A Y dP

De donde, por la unicidad, se obtiene que


I A E Y G   E  I A Y G 
Análogamente se puede alcanzar el resultado si X es una función de paso G -medible
m
X   a j I Aj
j 1

donde Aj G para j  1,..., m .


Finalmente, el resultado en el caso general se sigue al aproximar X por funciones de paso G -
medibles.

5) Dado que X es independiente de G , las variables X y I B también lo son para cualquier


B G , en virtud de lo cual

 E  X  dP  E  X  E  I   E  X I    X
B
B B
B
dP

De donde se infiere que


EX G   EX 

6) Procediendo por contradicción. Supongamos que existe B G , con P  B   0 , tal que

E  X G  IB  0
Dado lo anterior se puede ver que tomando valores esperados
E  X IB   0
Lo cual nos genera una contradicción, pues si
X 0
Entonces
E  X IB   0
Por tanto, debe cumplirse que
EX G   0

18
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Probabilidad III
Unidad 2. Esperanza condicional

Actividad 2. Propiedades de la esperanza condicional

Al finalizar esta actividad podrás resolver problemas de esperanza condicional utilizando sus
propiedades.

Instrucciones:

1. Descarga el archivo llamado “Act. 2. Propiedades de la esperanza condicional”.

2. Analiza cada caso presentado en el archivo y resuélvelos empleando las definiciones y


propiedades presentadas en la unidad.

3. Justifica cada una de las respuestas

4. Guarda tu documento con la siguiente nomenclatura MPRO3_U2_A2_XXYZ.

5. Envía tu documento a tu facilitador y espera su retroalimentación.

Autoevaluación

Para reforzar los conocimientos relacionados con los temas que se abordaron en esta unidad
del curso, es necesario que resuelvas la autoevaluación.

Ingresa al Aula virtual para realizar tu actividad.

19
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Probabilidad III
Unidad 2. Esperanza condicional

Evidencia de aprendizaje: Demostraciones sobre esperanza condicional

Es momento de realizar tu evidencia de aprendizaje, donde podrás resolver ejercicios sobre


esperanza condicional, auxiliándote de toda la teoría aprendida durante la unidad. En esta
sección terminarás de formalizar tus conocimientos.

Instrucciones:

Descarga el documento llamado “Demostraciones sobre esperanza condicional”.

Realiza las actividades que se te plantean en el archivo.

Argumenta tus respuestas con base en lo que aprendiste en la unidad.

Guarda tu documento con la siguiente nomenclatura MPRO3_U2_EA_XXYZ.

Envía tu reporte al portafolio de evidencias y espera la retroalimentación de tu Facilitador(a).


Una vez que la tengas, atiende sus comentarios y reenvía la nueva versión de tu evidencia.

Nota: No olvides consultar la Escala de evaluación para conocer los criterios con que será
evaluado tu trabajo.

Autorreflexiones

Como parte de cada unidad, es importante que ingreses al foro Preguntas de autorreflexión y
leas los cuestionamientos que formuló tu Facilitador(a), ya que a partir de ellos debes elaborar
tu Autorreflexión y enviarla mediante la herramienta Autorreflexiones. No olvides que también
se toman en cuenta para la calificación final.

Cierre de la unidad

En la unidad 2 aprendiste a aplicar el concepto de la esperanza condicional para resolver


diversos problemas probabilísticos, utilizando sus propiedades.

En la unidad 3 aplicarás la teoría de procesos estocásticos y esperanza condicional para


identificar una martingala, mediante sus definiciones y propiedades.

20
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías
Probabilidad III
Unidad 2. Esperanza condicional

Para saber más

Revisa los contenidos de la asignatura Probabilidad I, y II, así como la de Procesos


Estocásticos, por si tienes alguna duda relacionada con los temas tratados en la unidad.

Lee las siguientes publicaciones para que amplíes tu cultura matemática:

Sesgos en el razonamiento sobre Probabilidad Condicional e implicaciones para la enseñanza


http://www.ugr.es/~batanero/ARTICULOS/Revistadigital.pdf

El concepto de esperanza condicional en las martingalas


http://www.redalyc.org/articulo.oa?id=84920503072

Referencias Bibliográficas

 Brzezniak, Z. y Zastawniak, T. (1999). Basic stochastic processes. Great Britain:


Springer.
 Chung, K. L. y Williams R. J. (1990). Introduction to Stochastic Integration. USA:
Birkhäuser.
 Klebaner, F. (2005). Introduction to Stochastic Calculus with Applications. Imperial
College Press.
 Mikosch, T. (2000). Elementary stochastic calculus with finance in view. Singapore:
World Scientific Publishing.
 Rincon, L. (2007) “Curso intermedio de probabilidad”. México. Departamento de
Matemáticas Facultad de ciencias de la UNAM, recuperado de:
http://www.matematicas.unam.mx/lars/libros/cip.pdf

21
Educación Abierta y a Distancia * Ciencias Exactas, Ingenierías y Tecnologías