Procesos Estocásticos

Departamento de Eléctrica y Electrónica

Dr. Marco J. Flores C.

Abril 2018-Septiembre 2018

 Esperanza

Esperanza, varianza y correlación

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

En ambos casos, probado que la integral y la sumatoria existen.

Denición Varianza
La varianza de una v.a. X se dene como:

Var [X ] = E [(X − E [X ])2 ]

donde µ = E [X ]. Para agilitar los cálculos, Var [X ] = E [X 2 ] − E [X ]2

Dr. Marco J. Flores C. Procesos Estocásticos

 Esperanza

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

Si E [g (X )] = ∞ se dice que E [g (X )] no existe.

Dr. Marco J. Flores C. Procesos Estocásticos
 Esperanza

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

Entonces E (1A ) = P(A)

E (1A ) = 1P(1A = 1) + 0P(1A = 0) = P(A)
Dr. Marco J. Flores C. Procesos Estocásticos
 Esperanza

Propiedades Varianza

Propiedades
Var (X ) > 0
Si Var (X ) = 0 entonces existe una constante k tal que

P(X = k) = 1

Esta propiedad de que P(X = k) = 1 se enuncia diciendo que X es

una v.a. casi-seguramente igual a la constante k .
Si X es una v.a. con varianza nita, y a y b constantes, entonces:

Var (aX + b) = a2 Var (X )

Si X y Y son v.a. independientesa , entonces:

Var (X + Y ) = Var (X ) + Var (Y )

a Más adelante se tratará el caso no independiente
Dr. Marco J. Flores C. Procesos Estocásticos
 Esperanza

Desviación estandar y Moda

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

Dr. Marco J. Flores C. Procesos Estocásticos

 Esperanza

Desviación estandar y Moda

Dr. Marco J. Flores C. Procesos Estocásticos

 Esperanza

Ejercicios esperanza y varianza

Ejemplo 1
Sea X el número de hijos por familia en una cierta ciudad.

Hallar la esperanza, la varianza y la desviacióon estandar de X .

Si el municipio concede una ayuda de USD 2000 por hijo, hallar la
esperanza, la varianza y la desviación estandar de Y .

Ejemplo 2
Si X tiene una distribución uniforme en el intervalo (−c, c). Hallar su
esperanza y varianza [?].

Dr. Marco J. Flores C. Procesos Estocásticos

 Esperanza

Ejercicios 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

Dr. Marco J. Flores C. Procesos Estocásticos

 Esperanza

Ejercicios esperanza y varianza

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 .

Dr. Marco J. Flores C. Procesos Estocásticos

 Esperanza

Tarea para reforzar el conocimiento

Tarea
Calcular las esperanzas y las varianzas de las v.a. restantes.

Dr. Marco J. Flores C. Procesos Estocásticos

 Esperanza

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

La varianza es el 2do momento central.

Dr. Marco J. Flores C. Procesos Estocásticos
 Esperanza

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

Dr. Marco J. Flores C. Procesos Estocásticos

 Esperanza

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)

Dr. Marco J. Flores C. Procesos Estocásticos

 Esperanza

Ejercicios momentos: Kurtosis y sesgo

Dr. Marco J. Flores C. Procesos Estocásticos

 Esperanza

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 ].

Dr. Marco J. Flores C. Procesos Estocásticos

 Esperanza

Tarea para reforzar el conocimiento

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.

Dr. Marco J. Flores C. Procesos Estocásticos