9‐ Momentos y funciones

generatrices de Momentos
Edgar Acuna

ESMA 4001 Edgar Acuna 1
 9.1  Momentos
Sea X una variable aleatoria se define su k‐esimo momento con respecto al origen
como μk=E[Xk], siempre que

∑|x|x
k
p ( xk ) < ∞
en el caso discreto y que
∞

∫| x | f X ( x ) dx < ∞
k

−∞

en el caso continuo.
Obviamente,  μ=μ1..Tambien, se puede definir el k‐esimo con respecto a la media 
por μ’k=E[(X‐μ)k].  Claramente, σ2=μ’2. Mientras mas momentos se conoce de una
variable aleatoria X mas se conoce acerca de una distribucion. Otros parametros
son el coeficiente de asimetria y el coeficiente de curtosis (aplanamiento), 
definidos por
μ 3' E ( X − μ )3
γ1 = 3 =
σ σ3
μ 4' E ( X − μ )4
γ2 = 4 = −3
σ σ4

ESMA 4001 Edgar Acuna 2
 Ejemplo 9.1

Los momentos de una distribucion no siempre existen. Por ejemplo, si X es una

variable aleatoria con una funcion de densidad Cauchy entonces probar que E(X) no 
existe
Solucion: si X tiene una distribucion Cauchy entonces su funcion de densidad esta
dada por
1
f (x) = −∞ < x < ∞
π (1+ x2 )

Luego,
∞
x 1
E( X ) = ∫ π (1 + x
−∞
2
)
dx =
2π
Ln(1 + x 2 ) |∞−∞ = ∞ − ∞

Que es una forma indeterminada por lo tanto E(X) no existe. La densidad Cauchy no 

tiene momentos de ningun orden.

ESMA 4001 Edgar Acuna 3
 Teorema
Si E(Xk) existe entonces E(XJ) con j<k tambien existe.
Prueba. Solo consideraremos el caso continuo. Sea X una variable aleatoria continua 
con funcvion de densidad f(x). E(Xj) existira si
∞
E (| X | ) = ∫ | x | j f ( x)dx < ∞
j

−∞

E (| X | j ) = ∫| x | f ( x)dx + ∫| x |
j j
f ( x)dx
| X |≤1 | X | >1

≤ ∫ f ( x)dx + ∫| x | f ( x)dx ≤ 1 + ∞ < ∞

k

| X | ≤1 | X | >1

El calculo del k‐esimo momento podria ser tedioso muchas veces y para

simplificarlo se introduce la funcion generatriz de momentos.

ESMA 4001 Edgar Acuna 4
 9.2. Funcion generatriz de momentos

Sea X una variable aleatoria se define su funcion generatriz de momentos (fgm) por

MX (t)=E(eXt), 
Siempre que el valor esperado exista, para el numero real t.

Ejemplo 9.2  Calcular la fgm de una variable aleatoria binomial X con parametros n 

y p. 
Solucion:
n
⎛n⎞ n
⎛n⎞
M X (t ) = E (e Xt ) = ∑ e xt ⎜⎜ ⎟⎟ p x (1 − p ) n − x = ∑ ⎜⎜ ⎟⎟(et p ) x (1 − p) n − x = ( p et + 1 − p ) n
x =0 ⎝ x⎠ x =0 ⎝ x ⎠

La ultima igualdad es simplemente una aplicacion del teorerma del binomio de 

Newton.

ESMA 4001 Edgar Acuna 5
 Mas ejemplos
Ejemplo 9.3. Si X  es una variable Poisson con parametro λ, hallar su funcion generatiz
de momentos. 
Solucion: ∞
e−λ x
λ ∞
(et λ) x −λ et λ −λ +et λ
M X (t ) = E(e ) = ∑e
Xt xt
=e ∑
−λ
=e e =e
x=0 x! x=0 x!

Ejemplo 9.4. Si X es exponencial con parametro λ, hallar su funcion generatriz de 

momentos.
Solucion:

∞ ∞
λ ∞ λ
MX (t) = E(e ) = ∫ e λe dx = ∫ λe
λ −t −∫∞
−λx −(λ−t ) x −(λ−t ) x
Xt xt
dx = (λ − t )e dx = , si t < λ
−∞ −∞
λ −t

ESMA 4001 Edgar Acuna 6
 Mas ejemplos (cont)
Ejemplo 9.5. Si X es una normal estandar N(0,1) , hallar su funcion generatriz de 
momentos.
Solucion ∞ xt − x 2 / 2 ∞ − ( x 2 −2 xt ) / 2 ∞ − ( x −t ) 2 / 2 + t 2 / 2
e e e e
M X (t ) = E (e Xt ) = ∫ dx = ∫ dx = ∫ dx
−∞ 2π −∞ 2π −∞ 2π
∞
e − ( x −t ) / 2
2

M X (t ) = e ∫ dx = et / 2
2 2
t /2

−∞ 2π
La ultima integral da 1, porque es la integral de una densidad Normal(t,1). Para 
hallar la densidad de una Normal general necesitamos la siguiente propiedad.

Propiedad 9.1: Si X tiene funcion generatriz MX(t) entonces la fgm MY(t) de Y=aX+b

esta dada por ebtMX(at).
Prueba: MY(t)=E(eYt)=E[e(aX+b)t]=E[ebt+X(at)]=ebtE[eX(at)]=ebtMX(at)

Ejemplo 9.6. Si X es N(μ,σ2), hallar su fgm.

Solucion: Estandarizando Z=(X‐μ)/σ.  Luego, X=μ+σZ , asi usando a=σ y b=μ se 
llega a que MX(t)=eμtMZ(σt)=eμteσ2t2/2=eμt+σ2t2/2
ESMA 4001 Edgar Acuna 7
 Propiedades de la fgm
Teorema: Si X tiene fgm MX(t) entonces

M X( k ) (0) = E ( X k )

Prueba:
∞ ∞ k
( Xt ) k t E( X k )
M X (t ) = E (e ) = E[∑
Xt
]=∑
k =0 k! k =0 k!

Por otro lado, la serie de Taylor de MX(t) alrededor de t=0 esta dada por

∞
M X( k ) (0)t k
M X (t ) = ∑
k =0 k!

Luego igualando los coeficientes de tk en las dos series anteriores se tiene

M X( k ) (0) = E ( X k )

ESMA 4001 Edgar Acuna 8
 Ejemplo 9.7
Si X es una exponencial con parametro λ
a) Hallar E(Xk)
b) Hallar los coeficientes de simetria y de kurtosis
Solucion:
a) Del ejemplo 9.4 se tiene que MX(t)=λ/(λ‐t). Una alternativa es derivar varias
veces la fgm MX(t) y por inspeccion encontrar una expresion para la k‐esima
derivada . La segunda alternativa seria usar series de potencia de MX(t). Asi,
∞
1 t k ∞ k!tk
MX (t) = =∑( ) =∑
1−(t / λ) k=0 λ k=0 λkk!
Luego, E(Xk) =MX(k) (0)=k!/λk.
Asi, E(X)=1/λ, E(X2)=2/λ2, E(X3)=6/λ3, E(X4)=24/λ4. En consecuencia, 
Var(X)=σ2=E(X2)‐[E(X) ]2= 1/λ2.  Tambien,
γ1=E(X‐μ)3/σ3=(E(X3)‐3 μ E(X2)+3 μ3‐μ3)λ3=[6/λ3‐ 6/λ3+ 2/λ3] λ3=2  y
γ2=E(X‐μ)4/σ4=(E(X4)‐4 μ E(X3)+ 6μ2E(X2)‐4 μ4+μ4)λ4‐3=[12/λ4‐ 72/λ4] λ4
‐3=‐57

ESMA 4001 Edgar Acuna 9
 Ejemplo 9.8
Si X es una Poisson con parametro λ. Hallar sus tres primeros momentos y su
coeficiente de asimetria.

Solucion:
Si X es Poisson(λ) entonces su fgm es MX(t)=e‐λ+λet
Luego, M’X(t)=λete‐λ+λet , M’X(0)=  λ=E(X),  M’’X(t)= λete‐λ+λet+ λ2e2te‐λ+λet
M”X(0)=λ(1+λ) =E(X2), M”’X(t)= λete‐λ+λet+ 3λ2e2te‐λ+λet+ λ3e3te‐λ+λet
M’’’X(0)= λ(1+3λ+λ2)=E(X3).
Por lo tanto,

E ( X − λ )3 λ (1 + 3λ + λ2 ) − 3λ2 (1 + λ ) + 2λ3 λ
γ1 = = = 3/ 2 = 1/ λ
σ3 ( λ) 3
λ

ESMA 4001 Edgar Acuna 10
 Ejemplo 9.9
Si X es N(0,1) hallar el k‐esimo momento de X con respecto al origen.
Solucion:
Si X es N(0,1) entonces por el ejemplo 9.5

∞ ∞ ∞
(t 2 / 2) k t 2k (2k )!t 2 k
M X (t ) = e t2 / 2
=∑ =∑ k =∑ k
k =0 k! k = 0 2 k! k =0 2 k!( 2k )!

Obervando los coeficientes de tJ se concluye que E(XJ)=0 si j=2k+1, para k=0,1,2,3,..

y que E(X2k)=(2k)!/2kk!.  O sea que, todos los momentos impares de una normal 
son 0.  Luego, el coeficiente de asimetria γ1 debe ser cero y como E(X2)=1 y E(X4)=3, 
entonces el coeficiente de kurtosis γ2 tambien da cero

ESMA 4001 Edgar Acuna 11
 Funcion generatriz de una suma de 
variables aleatorias independientes
Propiedad 9.2. Si X y Y son dos variabkes aleatorias independientes entonces
MX+Y(t)=MX(t)MY(t)
Prueba: MX+Y(t)=E(e(X+Y)t]=E[eXteYt]=E[eXt]E[eYt], por independencia y en consecuencia

MX+Y(t)=MX(t)MY(t)
La propiedad anterior se puede aplicar a una secuencia de n variables aleatorias
independientes. Esto es,
n
M X1 +...X n (t ) = M X1 (t ).....M X n (t ) = ∏M Xi (t )
i =1

Si ademas, las variables Xi’s son igualmente distribuidas con fgm MX(t) . Entonces,

M X 1 + ... X n (t ) = [ M X (t )] n

ESMA 4001 Edgar Acuna 12
 Funcion generatriz de una suma de 
variables aleatorias independientes(cont)
Propiedad 9.3 : Sean X y Y dos variables aleatorias tales que MX(t)=MY(t) entonces X y 
Y son identicamente distribuidas.

Ejemplo 9.10. Si Xi (i=1,…2)  es una variable aleatoria Poisson con parametro λi. 

Considerando Independencia de las Xi’s ,  probar que X1+X2….+Xn es tambien una
Poisson.
Solucion:  Por el ejemplo 9.3 se tiene que −λ +λ e t
M Xi (t ) = e i i

Aplicando la propiedad 9.2 se tendria n n

∑λi +(∑λi )et

−
M X1 +...X n (t ) = e−λ1 +λ1e .....e−λn +λne = e
t t
i=1 i=1

Luego, X1+X2….+Xn tambien se distribuye como una Poissson con parametro

λ1+λ2….+λn

ESMA 4001 Edgar Acuna 13
 Funcion generatriz de una suma de 
variables aleatorias independientes(cont)
Ejemplo 9.11. Si Xi (i=1,…2)  es una variable aleatoria Normal con media μI y varianza
σi2 . Considerando independencia de las Xi’s probar que X1+X2….+Xn se distribuye
tambien en forma Normal.
Solucion: Por el ejemplo 9.6 se tiene que
M Xi (t ) = eμit +σi t
2 2
/2

Aplicando la propiedad 9.2 se tendria n n

μ1t +σ12t 2 / 2 μnt +σ n2t 2 / 2

( ∑μi )t +(∑σi2 )t 2 / 2
M X1 +...Xn (t) = e .....e = e i=1 i=1

Luego, X1+X2….+Xn tambien se distribuye como una Normal  con media 

n

∑σ
n

∑μ
2
i y  varianza i
i =1 i =1

ESMA 4001 Edgar Acuna 14
 Funcion generatriz de una suma de 
variables aleatorias independientes(cont)
Ejemplo 9.12. Si Xi (i=1,…2)  es una variable aleatoria distrbuida como una χ2 con ni
grados de libertad. . Considerando independencia de las Xi’s probar que X1+X2….+Xn
se distribuye tambien como una χ2.
Solucion:  Una χ2  con n grados de libertad es un caso particular de una Gamma con 
parametros α=n/2 y β=2. Luego, su funcion de densidad esta dada por
x n / 2−1e− x / 2
f ( x) = , x>0
Γ(n / 2)2n / 2

Luego, su fgm. esta dada por

∞ xt n/ 2−1 −x/ 2 ∞ ∞
ex e xn/ 2−1e−x(1/2−t) 1 xn/2−1e−x(1/ 2−t) 1
MX (t) = E[e ] = ∫
Xt
dx=∫0 Γ(n/ 2)2n/2 (1−2t)n/2 ∫0 Γ(n/ 2)[2/(1−2t)]n/2 (1−2t)n/2
dx= dx=
0
Γ(n/ 2)2n/2

Siempre que t<1/2. La ultima integral vale 1, porque es la integral de una densidad

Gamma(n/2,2/(1‐2t)).

ESMA 4001 Edgar Acuna 15
 Funcion generatriz de una suma de 
variables aleatorias independientes(cont)
Ejemplo 9.12 (cont).
Luego,
1 1 1
MX (t ) = .......... .. =
+.... X n
(1 − 2t ) n1 / 2 (1 − 2t ) nn / 2
n
1
∑ ni / 2
(1 − 2t ) i=1
n

Por lo tanto, X1+X2….+Xn tambien se distribuye como una χ2  con   ∑n

i =1
i

grados de libertad

ESMA 4001 Edgar Acuna 16