9‐ Momentos y funciones generatrices de Momentos
Edgar Acuna
ESMA 4001 Edgar Acuna 1
Sea X una variable aleatoria se define su k‐esimo momento con respecto al origen como μk=E[Xk], siempre que
en el caso discreto y que
9.1 Momentos
∞
∑
<x
k
k p x
x| ( )
|
∞
∫
<∞
∞
−
dx x f x|k X ( )
|
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
) 3 (
) (
4 4
4 ' 4 2
3 3
3 ' 3 1
− −
=
=
= −
=
σ μ σ
γ μ
σ μ σ
γ μ
X E
X E
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
Luego,
∞
<
<
∞ + −
= x
x x
f (1 )
) 1
( 2
π
∞
−
∞
= +
+ =
= ∞ ∞−∞
∞
−∫ (1 ) 21 (1 )|
)
( 2 dx Ln x2
x X x
E π π
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
El calculo del k‐esimo momento podria ser tedioso muchas veces y para simplificarlo se introduce la funcion generatriz de momentos.
∫ ∫
∫
∫
∫
≤ >
>
≤
∞
∞
−
∞
<
∞ +
≤ +
≤
+
=
∞
<
=
1
|
| | |1
1
|
| 1
|
|
1 ) (
|
| )
(
) (
|
| )
(
|
| )
| (|
) (
|
| )
| (|
X X
k X
j
X j j
j j
dx x f x dx x f
dx x f x dx x f x X
E
dx x f x X
E
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:
La ultima igualdad es simplemente una aplicacion del teorerma del binomio de Newton.
n et
x n x
n
x
t x
n x
n
x xt Xt
X e p p p p
x p n
x p e n e
E t
M ( ) ( ) (1 ) ( ) (1 ) ( 1 )
0 0
− +
=
⎟⎟ −
⎠
⎜⎜ ⎞
⎝
= ⎛
⎟⎟ −
⎠
⎜⎜ ⎞
⎝
= ⎛
= −
=
−
= ∑
∑
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:
λ λ λ
λ
λλ λ λ et et
x
x x t
x xt Xt
X e e e
x e e
x e e e
E t
M − − +
∞
=
∞ −
=
− = = =
=
=
∑ ∑
0
0 !
) ( ) !
( ) (
Ejemplo 9.4. Si X es exponencial con parametro λ, hallar su funcion generatriz de momentos.
Solucion:
λ λ λ λ
λ λ λ
λ λ λ λ <
= −
− −
=
=
=
=
∫ ∫ ∫
∞∞
−
−
∞ −
∞
−
−
∞ −
∞
−
− si t
dx t e
t t dx
e dx
e e e
E t
MX( ) ( Xt) xt x ( t)x ( ) ( t)x ,
Mas ejemplos (cont)
Ejemplo 9.5. Si X es una normal estandar N(0,1) , hallar su funcion generatriz de momentos.
Solucion
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
2 / 2
/ ) ( 2
/
2 / 2 / ) ( 2
/ ) 2 ( 2
/
2 2
2
2 2 2
2
) 2 (
2 2
) 2 ( )
(
t t
x t
X
t t x xt
x x
xt Xt
X
e e dx
e t M
e dx e dx
e dx e e
E t
M
=
=
=
=
=
=
∫
∫ ∫
∫
∞
∞
−
−
−
∞
∞
−
∞
∞
−
+
−
−
−
∞ −
∞
−
−
π
π π
π
ESMA 4001 Edgar Acuna 7
Propiedades de la fgm
Teorema: Si X tiene fgm MX(t) entonces
Por otro lado, la serie de Taylor de MX(t) alrededor de t=0 esta dada por
Luego igualando los coeficientes de tk en las dos series anteriores se tiene )
( )
0
)(
(k k
X E X
M =
Prueba:
∑
∞∑
=
∞
=
=
=
=
0 0 !
) ] (
! ) [ (
) ( ) (
k k
k k
k Xt
X k
X E t k
E Xt e
E t M
∑
∞=
=
0 ) (
! ) 0 ) (
(
k
k k
X
X k
t t M
M
) ( )
0
)(
(k k
X E X
M =
Ejemplo 9.7
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
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,
∑
∑
∞=
∞
=
=
− =
=
0
0 !
) ! ) (
/ ( 1 ) 1 (
k k
k
k k
X k
t k t
t t
M λ λ λ
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,
λ λ λ λ
λ λ
λ λ
λ λ
σ
γ λ 1 /
) (
2 ) 1
( 3 ) 3
1 ( )
(
2 / 3 3
3 2
2 3
3
1
= E X − = + + − + + = =
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
∑
∑
∑
∞=
∞
=
∞
=
=
=
=
=
0
2
0 2
0 2 2
/
)!
2 (
! 2
)!
2 (
! 2
! ) 2 / ) (
( 2
k k
k
k k
k
k
k t
X k k
t k k
t k
e t t M
Obervando los coeficientes de tJse 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
i
X X
X X
X t M t M t M t
M n n i
1
... ( ) ( )... ( ) ( )
1 1
Si ademas, las variables Xi’s son igualmente distribuidas con fgm MX(t) . Entonces,
n X
X
X t M t
M ... n ( ) [ ( )]
1+ =
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
Aplicando la propiedad 9.2 se tendria
t i i i
e
X t e
M ( )= −λ+λ
= ∑ ∑
= − + − + −= + =
+
n
i n
i t i t i
n n t
n
e e
e X
X t e e e
M 1 1 1 1
1
) ( ... ( ) ...
λ λ λ
λ λ
λ
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
Aplicando la propiedad 9.2 se tendria
2
2/
) 2
( t t
X
i i
i t e
M = μ +σ
∑ ∑
=
=
+ + = + =+
n
i
n
i i i
n n n
t t
t t t
t X
X
t e e e
M
1 12 2 2
2 2
2 1 1 1
2 / ) ( ) ( 2 / 2
/
...
( ) ...
σ σ μ
μ σ
μ
Luego, X1+X2….+Xn tambien se distribuye como una Normal con media
∑= n
i i 1
μ y varianza
∑
= n
i i 1
σ 2
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
Luego, su fgm. esta dada por
( )/2 2 , 0
)
( /2
2 / 1 2
/ >
= Γ − − x
n e x x
f n
x n
2 / 0
2 / ) 2 / 1 ( 1 2 / 2
/ 0
2 /
) 2 / 1 ( 1 2 /
0
2 /
2 / 1 2 /
) 2 1 (
1 )]
2 1 /(
2 )[
2 / ( )
2 1 (
1 2
) 2 / ( 2
) 2 / ] (
[ )
( n n
t x n n
n t x n n
x n xt Xt
X dx t
t n
e x dx t
n e dx x
n e x e e
E t
M = −
− Γ
= −
= Γ
= Γ
= ∞
∫
− −∫
∞ − − −∫
∞ − − −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,
2 / 2
/ 2
.... /
1 1 1
) 2 1 (
1 )
2 1 ( .. 1 ...
) 2 1 ( ) 1
( ∑
−
− =
= −
=
+ n
i i n n
n n
X n X
t t
t t M
Por lo tanto, X1+X2….+Xn tambien se distribuye como una χ2 con
∑
= n
i
ni 1
grados de libertad