FUNCIN GENERATRIZ DE MOMENTOS

Definicin
En probabilidad y estadstica, la funcin generadora de momento o funcin generatri! de momento de una
variable aleatoria X es
Sea X una variable aleatoria (El valor esperado):
-b < t < b
Siempre que esta esperanza exista
!a "unci#n $eneradora de momentos se llama as porque, si existe en un entorno de t % &, permite $enerar los
momentos de la distribuci#n de probabilidad:
Si la "unci#n $eneradora de momentos est' de"inida en tal intervalo, entonces determina unvocamente a la
distribuci#n de probabilidad
(n problema clave con las "unciones $eneradoras de momentos es que esos momentos y la propia "unci#n
$eneradora podran no existir, en virtud de que las inte$rales no "uesen conver$entes )or el contrario, la "unci#n
caracterstica siempre existe (porque la inte$ral es una "unci#n limitada en un espacio de medida "inita) y, de este
modo, puede usarse en su lu$ar
*e "orma $eneral, donde es un vector aleatorio n-dimensional, se usa en lu$ar de tX:
C"#cu#o
Si X tiene una "unci#n de densidad continua, f(x), entonces la "unci#n $eneradora de momentos viene dada por
*onde mi es el i-+simo momento MX( , t) es, precisamente, la trans"ormada bilateral de !aplace de f(x)
-ndependientemente de que la distribuci#n de probabilidad sea continua o no, la "unci#n $eneradora de momentos
viene dada por la inte$ral de .iemann-Stielt/es
*onde F es la "unci#n de distribuci#n
Si X0, X1, , Xn es una secuencia de variables aleatorias independientes (y no necesariamente id+nticamente
distribuidas) y
*onde las ai son constantes, entonces la "unci#n de densidad de Sn es la convolution de la "unci#n de densidad de
cada una de las Xi y la "unci#n $eneradora de momentos para Sn viene dada por
)ara variables aleatorias multidimensionales X con componentes reales, la "unci#n $eneradora de momentos viene
dada por
*onde t es un vector y es el dot product
Si X es una variable aleatoria discreta
Si la variable es continua
)uede demostrarse que si la "unci#n $eneradora de momentos existe, entonces es 2nica y determina por completo
a la distribuci#n de probabilidad de X Es decir, si dos variables aleatorias tienen la misma "unci#n $eneratriz de
momentos, entonces, las dos variables tienen tambi+n la misma distribuci#n de probabilidad
)or otra parte, si la "unci#n $eneradora de momentos existe, entonces es inde"inidamente derivable en t%& Esto
nos ase$ura que $enerar' todos los momentos, de cualquier orden, de X en cero En e"ecto:
*erivando
)ara la derivada se$unda, se tiene:
En $eneral, si$uiendo con el proceso de di"erenciaci#n, se obtiene:
El mismo resultado se obtendra si se reemplaza la "unci#n exponencial por su desarrollo en serie de potencias
alrededor de t%&
3l derivar con respecto a t y calcular sus derivadas en t%&, se lle$ara al mismo resultado
$% Funcione generadora de momento de a#guna ditri&ucione dicreta%
'inomia#
!a "unci#n de probabilidad de la distribuci#n binomial 4(n5 p) es
!a "unci#n $eneradora de momentos
(oion
!a "unci#n de probabilidad de una variable aleatoria de )oisson de par'metro 6 es:
!a "unci#n $eneradora de momentos viene dada por:
'inomia# negati)a
!a "unci#n de probabilidad de una variable aleatoria binomial ne$ativa de par'metros 7 y p es:
!a "unci#n $eneradora de momentos est' dada por
*% Funcione generadora de momento de a#guna ditri&ucione continua%
Norma#
!a "unci#n de densidad de una variable aleatoria que se distribuye se$2n una normal de par'metros 8 y 9 est'
dada por
Empecemos calculando la "unci#n $eneradora de momentos centrales
En el 2ltimo t+rmino, la parte de la inte$ral y el "actor donde se encuentra la raz cuadrada constituyen la
"unci#n de distribuci#n de una variable aleatoria normal de par'metros : (8;9
1
t5 9) extendida a toda la recta
real, valiendo, por tanto, 0
!a "unci#n $eneradora de momentos respecto del ori$en puede obtenerse "'cilmente de
Uniforme
!a "unci#n de densidad de una variable aleatoria uni"orme est' dada por
!a "unci#n $eneradora de momentos se obtiene de la manera si$uiente:
Ditri&ucin Gama
!a "unci#n de densidad de una variable aleatoria X que se distribuye se$2n una $ama de par'metros < y =
viene dada por
!a "unci#n $eneradora de momentos se obtiene
Funcin e+,onencia# negati)a
!a "unci#n de densidad de una variable aleatoria X que se distribuye se$2n una exponencial ne$ativa de
par'metro =, est' dada por
!a "unci#n $eneradora de momentos se obtiene
>ueda
-% Ditri&ucin de una funcin de una )aria&#e a#eatoria%
Sea X una variable aleatoria continua con "unci#n de densidad "X(x) Sea ?%$(X) Supon$amos que $ es una
"unci#n inyectiva, creciente y di"erenciable, entonces es posible determinar la "unci#n de densidad de ? de la
manera si$uiente:
*i"erenciando y aplicando la re$la de la cadena:
Si $(x) "uera decreciente, el resultado sera el mismo salvo que la derivada de una "unci#n decreciente sera
ne$ativa
Teorema
Sea X una variable aleatoria continua con "unci#n de densidad "X(x) y de"nase ?%$(X) Si y%$(x)5 x%$
-0
(y)
son "unciones univaluadas, continuas y di"erenciables y si y%$(x) es una "unci#n mon#tona, la "unci#n de
densidad de ? est' determinada por
*onde
Es el @acobiano de la trans"ormaci#n
E/emplo 0
Sea X una variable aleatoria continua con "unci#n de densidad "(x58,=,<) donde 8,= y < son los par'metros de
localizaci#n, escala y "orma, respectivamente El e"ecto del par'metro de localizaci#n puede notarse m's
claramente si se considera la variable aleatoria normalizada ?% (X-8)A= el cual no contiene a 8 ni a =
Bediante el empleo del teorema, la "unci#n de densidad de ? es:
*espe/ando x% =y ; 85 y dx/dy% = Se tiene:
En particular si X es una variable aleatoria $ama cuya "unci#n de densidad es
!a "unci#n de densidad de ?%XA= es:
*espe/ando x% =y5 dx/dy% = )or tanto
*e manera similar si X es una distribuci#n Ceibull con "unci#n de densidad de probabilidad de
!a "unci#n de densidad de ?%XA= es:
*espe/ando x% =y5 dx/dy% = )or tanto
Si no existe par'metro de "orma y si 8 y = son la media y la desviaci#n tpica de X, entonces la "unci#n de
densidad de ? dar' lu$ar a una "unci#n de densidad libre de par'metros con media cero y desviaci#n tpica 0
(n e/emplo de lo anterior lo tenemos con la "unci#n de densidad de la distribuci#n normal estandarizada
E/emplo 1
Si la variable aleatoria X se encuentra uni"ormemente distribuida en el intervalo (&5 D) Ebtener la "unci#n de
densidad de probabilidad de la "unci#n ?%csen(X) donde c es una constante positiva cualquiera
!a "unci#n de densidad de X es
*espe/emos x:
Fomo sen(x) es creciente para (&, DA1) y decreciente para (DA1, D) se obtiene:
)ara el intervalo (&, DA1)
y para el intervalo (DA1, D)
!a "unci#n de densidad de ? es:
E/emplo G
Sea H una variable aleatoria, :(&5 0), normal con media & y desviaci#n tpica 0 *emostrar que ? % H
1
es una
distribuci#n FIi-cuadrado con un $rado de libertad
!a "unci#n $eneradora de momentos de H
1
es:
>ue como sabemos es la "unci#n $eneradora de momentos de la distribuci#n cIi-cuadrado con un $rado de
libertad
(ro,iedade De .a Funcin Generatri! De Momento
!a importancia de la "unci#n $eneradora de momentos, radica en el IecIo de que ella es 2nica y determina
completamente la distribuci#n de una variable aleatoria, esto es, si dos variables aleatorias tienen una misma
"unci#n Jeneratriz de momentos, deben tener i$ual distribuci#n
!a demostraci#n de esta propiedad omitida en estos apuntes, se basa en la unidad que existe entre la "$m y la
"unci#n de distribuci#n
!a existencia de la "unci#n $eneratriz de momentos para -b<t<b, donde b es n2mero positivo, $arantiza la
existencia de las derivadas de cualquier orden en t%&
TEOREMA/ Sea X una variable aleatoria con "unci#n $eneratriz de momentos
Mx(t) % Sea y=a * x+b 0 entonce My(t) = e
&t
Mx(at)
*emostraci#n:
My(t)= E(e
yt
)= E[e
t(ax+b)
] = E(e
t*ax+tb)
) = E(e
tax
*e
tb
)= e
tb
*E(e
tax
)
My(t)= e
tb
*Mx(ta)
TEOREMA% Sean X, Y , variables aleatorias independientes y Z=X+Y , con "unciones $eneratrices de momentos,
Mx(t) , My(t) y Mz(t) respectivamente, entonces:
Mz(t)=Mx(t)My(t)
*EBESK.3F-L::
Mz(t)= E[e
tz
]
= E[e
t(x+y)
]
= E(e
tx
* e
ty
)
= Mx(t) * My(t)
El teorema anterior, se puede $eneralizar a n variables aleatorias independientes, xi , con "unci#n $eneratriz de
momentos :
ANE1O/
Funcin caracter2tica
!a funcin caracter2tica de una variable aleatoria o de su distribuci#n de probabilidad es una "unci#n de
variable real que toma valores comple/os, que permite la aplicaci#n de m+todos analticos (es decir, de an'lisis
"uncional) en el estudio de la probabilidad
Definicin
*ada una variable aleatoria su "unci#n caracterstica, que se denota mediante para real, se de"ine como
:otar que se Iace uso de la "unci#n exponencial comple/a y denota la esperanza matem'tica 3dicionalmente
usando las propiedades de la "unci#n exponencial comple/a, la "unci#n caracterstica se puede reescribir en
t+rminos de una parte real y una ima$inaria:
En caso de variable aleatoria discreta, se tiene que:
? en caso continuo, as:
Momento
Fuando los momentos de una variable aleatoria existen, se pueden calcular mediante las derivadas de la "unci#n
caracterstica Es as que se tiene
M#rmula que se obtiene derivando "ormalmente a ambos lados de la de"inici#n y tomando , y derivando
dos veces y sustituyendo resulta

3n'lo$amente se relacionan momentos y derivadas de #rdenes superiores

Momento Con Re,ecto A# Origen
!os momentos con respecto al ori$en de una variable aleatoria X , son los valores esperados de
)ara variables aleatorias de tipo discreto
X0, X1 , Xn se de"ine el momento de orden con respecto al ori$en, como:
En variables continuas, es:
Momento De Orden Re,ecto A Una Contante
En variables discretas5
)ara variables continuas, se tiene:

Momento De Orden Con Re,ecto A .a Media
!lamaremos, pues, de aIora en adelante, la media de la distribuci#n de la variable o media poblacional con la
letra $rie$a %
!ue$o el momento de orden respecto a , en variables discretas, es:
En variables continuas, es:

El momento de orden uno o primer momento, con respecto a es i$ual a cero , o sea :
E3ERCICIOS
a) Sup#n$ase que un n2mero se selecciona al azar entre los enteros del 0 al 1&
Sea X el n2mero de sus divisores Fonstruir la "unci#n de densidad de X
Fu'l es la probabilidad de que Iaya N o m's divisores al extraer un entero al azar
SO.UCIN/
Oa$amos el si$uiente an'lisis5 para detectar el n2mero de divisores del 0 al 1&, as:
1 2 3 4 5 6 7 8 1! 11 12 12 14 15 16 17 18 1 2!



1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2 3 2 5 2 7 2 3 2 11 2 13 2 3 2 17 2 1 2

4 3 4 5 3 7 5 4 3 4
6 8 1! 4 14 15 8 6 5
6 16 1!
12 18 2!
Pariable aleatoria que representa el n2mero de divisores en los n2meros del 0 al 1&
x 1 2 3 4 5 6
f (x) 1/2! 8/2! 2/2! 5/2! 1/2! 3/2!

!a probabilidad de que Iaya N o m's divisores, es:
b) Se lanza un dado Iasta que aparezca seis Oallar la "unci#n de densidad del n2mero de tiradas
SO.UCIN/
Sea X la variable aleatoria que nos representa el n2mero de tiradas
!ue$o, puede ocurrir que aparezca, seis, en la primera tirada
>ue aparezca al cabo de la se$unda tirada, eso implica, que necesariamente en la primera tirada ocurrieran los
resultados: 0, 1, G, N o Q 2nicamente y en la se$unda aparecer el R
SS
a) *e un lote de 0& televisores Iay N de"ectuosos5 se extrae una muestra de G sin reemplazamiento
Oallar la "unci#n de densidad del n2mero de de"ectuosos en la muestra
SO.UCIN/
Sea X la variable aleatoria que representa el n2mero de de"ectuosos en la muestra
!os casos "avorables pueden ocurrir de:
y los casos posibles son o sea, el n2mero total de muestras posibles de tamaTo G
c) *ada la si$uiente "unci#n de densidad:
x ! 1 2 3 4 5 6 7
f (x) ! " 2" 2" 3" "2 2"2 7"2 +"
Encontrar F y Iallar
SO.UCIN/
Sabemos que para que fx (x) sea "unci#n de densidad es necesario que se cumpla que:
)artiendo de tenemos:
c + 2c + 2c + 3c + c
2
+ 7c
2
+ c = 1
10c
2
+ 9c -1 = 0

)ero como
!ue$o la tabla de probabilidades, queda:
x ! 1 2 3 4 5 6 7
f (x) ! 1/1! 2/1! 2/1! 3/1! 1/1!! 2/1!! 17/1!!
3Iora,
Kambi+n se puede resolver esta pre$unta, utilizando el complemento5 ya que sabemos que la probabilidad en todo el
espacio o recorrido de la variable es 0, tenemos: