Escolar Documentos
Profissional Documentos
Cultura Documentos
Denición Esperanza
La esperanza (o media) de una v.a. X , denotada por E [X ] es:
Z∞
E [X ] = xfX (x)dx para el caso continuo y
−∞
X
E [X ] = xP(X = x) para el caso discreto
x
Propiedades Esperanza
Propiedades
La esperanza de la suma de v.a. es igual a la suma de las esperanzas, es
decir:
X X
" # n n
E Xi = E [Xi ] (1)
i i
Propiedades
La esperanza de una funcion de v.a., g (X ) es :
Z∞
E [g (X )] = g (x)fX (x)dx (caso continuo)
−∞
X
E [g (X )] = g (x)P(X = x) (caso discreto)
x∈SX
Propiedades Esperanza
Propiedades
Si X es una v.a acotada entonces E (X )existe
Si X es acotada se tiene que |x| 6 M , por lo tanto:
Z Z
|x| fX (x)dx 6 MfX (x)dx
A A
Z
= M fX (x)dx = M
A
Propiedades
Si E (X ) existe, entonces
|E (X )| 6 E (|X |)
Z Z
|x| fX (x)dx > xfX (x)dx = |E (X )|
A A
Dr. Marco J. Flores C. Procesos Estocásticos
Esperanza
Propiedades Esperanza
Propiedades
Sea X una v.a y sean a, b, c constantes. Entonces, para cualquier
función g1 (x) y g2 (x) se tiene:
E [ag1 (X ) + bg2 (X ) + c] = aE [g1 (X )] + bE [g2 (X )] + c
Si g1 (x) > 0 para todo x , entonces E [g1 (x)] > 0
Si g1 (x) > g2 (x) para todo x , entonces E [g1 (x)] > E [g2 (x)]
Si a 6 g1 (x) 6 b para todo x , entonces a 6 E [g1 (x)] 6 b
Propiedades
Sea A un evento y 1A la v.a. denida por:
1 ω∈A
1A (ω) =
0 si no
Propiedades Varianza
Propiedades
Var (X ) > 0
Si Var (X ) = 0 entonces existe una constante k tal que
P(X = k) = 1
Desviación estandar
p
σ= Var (X )
Moda
La moda es el valor que tiene mayor frecuencia absoluta.
Mediana
La mediana es el valor que ocupa el lugar central de todos los datos
cuando éstos están ordenados de menor a mayor.
Media
La media aritmética es el valor obtenido al sumar todos los datos y dividir
el resultado entre el número total de datos
Ejemplo 1
Sea X el número de hijos por familia en una cierta ciudad.
Ejemplo 2
Si X tiene una distribución uniforme en el intervalo (−c, c). Hallar su
esperanza y varianza [?].
Ejemplo 3
Si X tiene una distribución Poison de parámetro λ. Hallar su esperanza y
varianza.
Para esto usar el Teorema de Taylor sobre f (a) = e a y derivar 2 veces [?].
∞
X ak
f (a): e a =
k!
k=0
X∞ ∞
k k−1 1 X k k
f (1) (a): e a = a = a
k! a k!
k=0 k=1
∞
X ∞ ∞
k(k − 1) k−2 1 X 2 ak 1 X ak
f (2) (a): e a = a = 2 k − 2 k
k! a k! a k!
k=0 k=1 k=1
Ejemplo 4
Si X tiene una distribución exponencial de parámetro λ. Hallar su
esperanza y varianza.
Ejemplo 5
Sea X una v.a. dada por:
1
4 si |x| < 1
fX (x) = 1
4x 2 si |x| > 1
Vericar que no tiene esperanza nita.
Ejemplo 6
Sea X una v.a. gausiana estandar: Sea Y = aX + b. Hhallar la
esperanza y la varianza de Y .
Tarea
Calcular las esperanzas y las varianzas de las v.a. restantes.
Momentos
Momentos
Los momentos se denen como la esperanza de X n para n > 1, de
manera que:
Z∞
n
µn = E [X ] = x n fX (x)dx (caso continuo)
−∞
X
= x n P(X = x) (caso discreto)
x
Momentos centrales
Los momentos centrales se denen como:
Z∞
n
mn = E [(X − µ) ] = (x − µ)n fX (x)dx (caso continuo)
−∞
X
= (x − µ)n P(X = x) (caso discreto)
x
Momentos
Momentos absolutos
Los momentos absolutos se denen como:
Z∞
E [|X |n ] = |x|n fX (x)dx (caso continuo)
−∞
X
= |x|n P(X = x) (caso discreto)
x
Ejercicios momentos
Ejemplo 1
El momento central de orden 3 es una medida de la asimetría de la
distribución (As ). El momento central de orden 4 es una medida de la
curtosis de la distribución (Kt ).
1
As = E [(X − µ)3 ] (2)
σ3
1
Kt = E [(X − µ)4 ] (3)
σ4
Hallar As y Kt de la distribución uniforme en el intervalo (−c, c)
Ejercicios momentos
Ejemplo 2
Si X tiene una distribución normal de parámetros µ y σ2 . Hallar el sesgo
y la kurtosis.
Ejemplo 3
Si X tiene una distribución uniforme en el intervalo (−c, c). Hallar E [|X |]
y E [|X |2 ].
Tarea
Calcular el sesgo y la curtosis de las v.a. restantes.
Tarea
Desarrollar ejercicios donde se utilicen el sesgo y la curtosis, en los casos
discreto y continuo, separadamente.