5

CAPITULO 3: PROCESOS ESTOCASTICOS

VAR  X t   x 
 2x X t   X2 t   fX t , x dx



2
  

VAR X t   x 2  fX t , x dx   2x X t   fX t, x dx  X2 t   fX t, x dx

  

      

VAR X t   E X 2 t   2 X t   x  fX t, x dx  X2 t   fX t, x dx
 

     

VAR X t   E X 2 t   2 X t X t   X2 t 

   

VAR X t   E X 2 t   X2 t 

   

Por lo tanto

Var X t   E 

X 2 t   E X t 

2

     

5. Relaciones entre dos variables aleatorias

Sean X t1  y X t2  variables aleatorias con función de densidad de probabilidad

fX t, x  la autocorrelación de estas se define como

E X t1  X t 2   x 1x 2 fX t1, t 2 ; x 1, x 2 dx 1dx 2

 

     

La autocovarianza para las variables aleatorias X t1  y X t2  se define como

    
COV X t1 , X t 2   E  X t1   X t1  X t2   X t2  
 
COV  X t1 , X t2     x  
 X t1  x 2  X t 2  fX t1, t 2 ; x 1, x 2 dx 1dx 2
 

    1

COV X t1 , X t2   E X t1  X t2   X t1  X t2 
   

Y el coeficiente de correlación para las variables aleatorias X t1  y X t2  está

dado por

COV X t1 , X t2 


 X t1 , X t2    
X t   Y t 


ING. JULIO CESAR UBERHUAGA CONDE – CIV 2021

6
CAPITULO3: PROCESOS ESTOCASTICOS

25. Sea X t  un proceso tal que:

X t   3 y E X t1  X t2   9  4e

 0.2 t1 t2

 

a) Calcular la varianza de X t 

b) Calcular la autocovarianza para las variables aleatorias X 5  , X 8 

Solución:

a) Por definición


Var X t   E X 2 t   X t  
2

   

Por la formula dada de la autocorrelación

E X t1  X t2   9  4e

 0.2 t1 t2

 

Sea t  t1  t2

E X t  X t   E X 2 t   9  4e

 0.2 t t
 13
   

Por lo tanto con la media dada como dato

Var X t   13  3 

2

 

Obtenemos

Var X t   4

 

b) Por definición

COV X t1 , X t2   E X t1  X t2   X t1  X t2 
   

Para los datos pedidos

COV X 5, X 8   E X 5 X 8   X 5  X 8 

   
 7
CAPITULO 3: PROCESOS ESTOCASTICOS

Con la fórmula de la autocorrelación dada

E X 5  X 8   9  4e
 0.2 5 8

 

E X 5 X 8   9  4e 0.6

 

Como la media es constante, calculamos la autocovarianza

COV X 5, X 8   E X 5 X 8   X 5  X 8 

   

COV X 5, X 8   9  4e 0.6  3  3

 

Finalmente obtenemos

COV X 5, X 8   4e 0.6

 

26. Determinar la autocorrelación E X t1  X t2  del proceso

 

X t   cos at  x 

Donde a   y x es uniforme en el intervalo ,  

 

Solución:

a) Por autocorrelacion

E X t1  X t2   E  cos at  x   cos at  x 

 
  1 2

Aplicando identidades trigonométricas

1 
E X t1  X t 2   E
  
 cos at  x  at  x   cos at  x  at  x  
2 1 2 1 2  
 

Reduciendo términos

1 
E X t1  X t2   E
  
 cos at  at  2x   cos a t  t 
2 1 2 1 2 
 

Por propiedades de esperanza matemática

ING. JULIO CESAR UBERHUAGA CONDE – CIV 2021

8
CAPITULO3: PROCESOS ESTOCASTICOS

1  1 
E X t1  X t2   E
  
 cos at  at  2x    E
2 1 2    cos a t  t 
2 1 2 
   

Nuevamente propiedades y definición

1 1 1
E X t1  X t2    cos at1  at2  2x dx  cos a t1  t 2 


  2 2   2

Finalmente obtenemos

1
E X t1  X t2   cos a t1  t2 
  2

6. Proceso de Poisson

Sea X una variable aleatoria que tiene distribución de Poisson con parámetro
  0 y su función de probabilidad está dada por


 e   x

 ; si x  0,1, 2, 
p x   P X  x    x !


 0 ; otro caso



Que cumple las propiedades de función de densidad de probabilidad conocidas.

En el caso de un proceso de conteo o proceso puntual se cuenta el número de

eventos denominados llegadas o arribos n t1 , t2 , t 2  t1 en un intervalo t 2  t1
tomando a t  t 2  t1 y el parámetro de la distribución de Poisson como t se
define la distribución de Poisson para un proceso estocástico como


 e t t 
k


P n 0, t   k    ; si k  0, 1, 2, 
    k!

 0 ; otro caso



Y para cada par de intervalos t 2  t1 o t 4  t 3 no sobrepuestos el número de

llegadas en cada intervalo es una variable aleatoria independiente.
 9
CAPITULO 3: PROCESOS ESTOCASTICOS

La distribución de Poisson es generalmente utilizada en los problemas en que se

cuentan el número de eventos de cierto tipo, que ocurren en un intervalo de tiempo
tales como el número de llamadas telefónicas recibidas en una central telefónica
durante un intervalo pequeño de tiempo, numero de fallas en un computador en un
día de operación, numero de relatos de accidentes enviados a una compañía de
seguros en una semana y número de clientes en una oficina postal en un día
determinado.

27. Para la distribución de Poisson



 
k

 e  t
 t
P n 0, t   k    ; si k  0, 1, 2, 
    k!

 0 ; otro caso



a) Verificar que es una función de densidad de probabilidad

b) Hallar  t 

b) Hallar  2 t 

Solución:

a) Sea


 e t t 
k


p k   P n 0, t   k    ; si k  0,1, 2, 
    k!

 0 ; otro caso



Por definición de función de densidad de probabilidad

i) p k   0 , se observa de la relación matemática que cumple esta propiedad


ii)  p k   1
k 0

Calculando el valor

ING. JULIO CESAR UBERHUAGA CONDE – CIV 2021

10
CAPITULO3: PROCESOS ESTOCASTICOS

e t t 
k
 

 p k    k!
k 0 k 0

Desarrollando

t 
k
 

 p k   e   t

k!
k 0 k 0

 
t  t  t  t 
2 3 4 5
  t 
 p k   e  t
1 
 1!

2!

3!

4!

5!
 

k 0
 


 p k   e e
t t

k 0

 p k   e t t
1
k 0

Por lo tanto

P n 0, t   k  es función de densidad de probabilidad

 

b) Por definición de media aritmética

e t t  e t t 

k k
  
 t   E K    kp k    k  0  k
k 0 k 0 k! k 1 k!

Desarrollando el factorial

e t t 
k

 t   E K   k k
k 1 k  1 !
e t t 
k

 t   E K   
k 1 k  1!
t e t 
k 1
 t

 t   E K   
k  1!
k 1
 11
CAPITULO 3: PROCESOS ESTOCASTICOS

t 
k 1

 t   E K   t e t  k 1 !
k 1  
Desarrollando la sumatoria

 
t t  t  t  t 
2 3 4 5
 
 t   E K   t e t
1       
   1! 2! 3! 4! 5! 
 

 t   E K   t e te t

Por lo tanto

 t   E K   t

c) Para la varianza previamente calculamos

e t t  e t t 

k k
 
E K K  1   k k  1  0  0   k k  1
  k 0 k! k 2 k!

Desarrollando la suma resultante

e t t  e t t 

k k
 
E K K  1   k k  1   k k  1 k
  k 0 k! k 2 k  1k  2!
e t t 
k

E K K  1  
  k 2 k  2!

t  e t 
2 k 2
 t

E K K  1  
  k  2!
k 2

t 
k 2

E K K  1  t  e  k 2 !
2
t
  
k 2 
Desarrollando la sumatoria

ING. JULIO CESAR UBERHUAGA CONDE – CIV 2021

12
CAPITULO3: PROCESOS ESTOCASTICOS

 
t t  t  t  t 
2 3 4 5

t  
E K K  1  t  e 1 
   
2
   
   1! 2! 3! 4! 5! 
 

E K K  1  t  e te t

2

 

Por lo tanto

E K K  1  t 

2

 

Por otra parte, por propiedades de la esperanza matemática

E K K  1  E K 2  K 

   

E K K  1  E K 2   E K 

   

Despejando E K 2 
 

E K 2   E K K  1  E K 

   

E K 2   t   t
2

 

Para calcular la varianza usamos su propiedad


 2 t   E K 2   E K  
2

   

Reemplazando lo obtenido

 2 t   t   t  t 
2 2

Finalmente

 2 t   t
 13
CAPITULO 3: PROCESOS ESTOCASTICOS

La tasa  del proceso de Poisson es el número esperado de llegadas por unidad

de tiempo y está dada por

 t  E K 
 
t t

La probabilidad de una llegada durante cualquier instante es independiente de

la historia del proceso, debido a ello el proceso de Poisson es un proceso sin
memoria.

28. Un telar sigue un proceso de Poisson y experimenta una rotura

aproximadamente cada 10 horas. Si se está produciendo un estilo particular de
tela que requiere 25 horas de trabajo. Si con tres o mas roturas el trabajo no es
satisfactorio, encontrar la probabilidad de que la tela se termine con una calidad
aceptable.

Solución:

El proceso de Poisson es definido según



 
k

 e  t
 t
p k   P n 0, t   k    ; si k  0,1, 2, 
    k!

 0 ; otro caso



Por datos del problema

t  25

1

10

Remplazando en la distribución

  1 25  
k
 10  1 
e   25
   10 
P K    ; si k  0,1, 2, 
 k!

 0 ; otro caso

ING. JULIO CESAR UBERHUAGA CONDE – CIV 2021

14
CAPITULO3: PROCESOS ESTOCASTICOS

  2.5
2.5 
k
e
P K    k!
; si k  0, 1, 2, 

 0 ; otro caso


Del enunciado

P K  3   P K  0   P K  1  P K  2 

e  2.5 2.5  e  2.5 2.5  e  2.5 2.5  e  2.5 2.5 

0 1 2 k
2
P K  3  
0!

1!

2!
  k!
k 0

 5 25 
P K  3   e  2.5 1  
 2 8 


8 
P K  3   e  2.5   20  25 
8 8 8 


Por lo tanto

53  2.5
P K  3   e
8