Procesos Estocásticos

Departamento de Eléctrica, Electrónica y Telecomunicaciones

Dr. Marco J. Flores C.

Marzo-Agosto 2019
 Esperanza

Esperanza, varianza y correlación

Denición de 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 de 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 Marzo-Agosto 2019 2 / 20
 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 Marzo-Agosto 2019 3 / 20
 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 Marzo-Agosto 2019 4 / 20
 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

Esperanza de la función indicador

Sea 1A es la función indicador del evento A. Entonces E (1A ) = P(A)

Dem: E (1A ) = 1P(1A = 1) + 0P(1A = 0) = P(A)

Dr. Marco J. Flores C. Procesos Estocásticos Marzo-Agosto 2019 5 / 20

 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 Marzo-Agosto 2019 6 / 20
 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 Marzo-Agosto 2019 7 / 20

 Esperanza

Desviación estandar y Moda

Dr. Marco J. Flores C. Procesos Estocásticos Marzo-Agosto 2019 8 / 20

 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 Marzo-Agosto 2019 9 / 20

 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 Marzo-Agosto 2019 10 / 20

 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. Hallar la esperanza y la
varianza de Y .

Dr. Marco J. Flores C. Procesos Estocásticos Marzo-Agosto 2019 11 / 20

 Esperanza

Tarea para reforzar el conocimiento

Tarea
Calcular las esperanzas y las varianzas de las v.a. restantes.
Hallar la varianza de la v.a. 1A (ω).

Dr. Marco J. Flores C. Procesos Estocásticos Marzo-Agosto 2019 12 / 20

 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∞
mn = E [(X − µ)n ] = (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 Marzo-Agosto 2019 13 / 20
 Esperanza

Momentos

Momentos absolutos
Los momentos absolutos se denen como:
Z∞
n
E [|X | ] = |x|n fX (x)dx (caso continuo)
−∞
X
= |x|n P(X = x) (caso discreto)
x

Dr. Marco J. Flores C. Procesos Estocásticos Marzo-Agosto 2019 14 / 20

 Esperanza

kurtosis y sesgo

Asimetría y kurtosis
El momento central de orden 3 es una medida de la asimetría de la
distribución (As ).
1
As = E [(X − µ)3 ] (2)
σ3
El momento central de orden 4 es una medida de la curtosis de la distribución
(Kt ).
1
Kt = E [(X − µ)4 ] (3)
σ4

Dr. Marco J. Flores C. Procesos Estocásticos Marzo-Agosto 2019 15 / 20

 Esperanza

Kurtosis y sesgo

Dr. Marco J. Flores C. Procesos Estocásticos Marzo-Agosto 2019 16 / 20

 Esperanza

Ejercicios momentos

Ejemplo 1
Hallar As y Kt de la distribución uniforme en el intervalo (−c, c)

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 Marzo-Agosto 2019 17 / 20

 Esperanza

Ejercicios momentos

Ejemplo 4
Vericar que el sesgo y la curtosis de la distribución Rayleigh de parámetro
λ = 0.5 son 0.3572 y 1.5667, respectivamente.

El siguiente programa permite este cálculo en Matlab.

clc; clear all;
x = (0:0.01:2);
p = raylpdf(x,0.5);
plot(x,p);
y=skewness(p);
s=3*(mean(p)-median(p))/std(p);
disp(s);
disp(y);
z=kurtosis(p);
disp(z);

Dr. Marco J. Flores C. Procesos Estocásticos Marzo-Agosto 2019 18 / 20

 Esperanza

Ejercicios momentos

Ejemplo 5
Vericar que el sesgo y la curtosis de la distribución Normal de media 1 y
desviación estandar 2 son −0.0740 y 1.5696, respectivamente.

El siguiente programa permite este cálculo en Matlab. clc; clear all;

sigma=2;
mean=1;
x1=(-3:0.01:5);
p1=normpdf(x1,1,2);
y1=skewness(p1);
disp(y1);
z1=kurtosis(p1);
disp(z1);

Dr. Marco J. Flores C. Procesos Estocásticos Marzo-Agosto 2019 19 / 20

 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 Marzo-Agosto 2019 20 / 20