Académique Documents
Professionnel Documents
Culture Documents
AndrsCamiloRamrezGaita
andres.camilo.ramirez@gmail.com
TrabajodeGradoparaOptarporelTitulodeMatemtico
Director:BenignoLozanoRojas
EstadsticoUniversidadNacionaldeColombia
FundacinUniversitariaKonradLorenz
FacultaddeMatemticas
BogotD.C.
2007
AGRADECIMIENTOS
Agradezco al profesor Benigno Lozano Rojas, quien me acompao y apoyo con los
valiososaportesenlaejecucindeestetrabajo.
RESUMEN
Thisdocumentismadeupoffourchapterswhichshowtheimportanceofthemoment
generatingfunctionanditsusewhendeducingthedistributionofoneormorerandom
variables. Eventhough thereare threetechniquesto solvethisproblem,themoment
generating function technique is the most widely used since it also helps in
discovering the unique random variables and is very useful when trying to find the
distributionofsumsofindependentrandomvariables,helpinginthiswayintheproofof
thecentrallimittheorem.
CONTENIDO
Pgina
INTRODUCCION
1.
CONCEPTOSBASICOS
1.1.Variablesaleatorias
1.2.Distribucionesdeprobabilidad
1.2.1.Distribucindeprobabilidaddevariables discretas
1.2.2.Distribucionesdeprobabilidaddevariables continas
1.3.Valoresperado
2.
7
12
18
MOMENTOSYFUNCIONESGENRADORASDEMOMENTOS
2.1.Momentos26
2.2. Funcingeneradorademomentos37
3.
DISTRIBUCINDEPROBABILIDADDEUNAFUNCIONDEUNA
VARIABLEAL EATORIA
3.1.Tcnicadelafuncinacumulativa45
3.2.Tcnicadetransformaciones50
3.2.1.Tcnicadetransformacionesparavariablesdiscretas50
3.2.2.Tcnicadetransformacionesparavariablescontinuas54
4.
TECNICADELAFUNCIONGENERADORADEMOMENTOS
4.1.Descripcindelatcnica
61
4.2.Distribucindesumasdevariablesaleatorias67
APENDICE
74
CONCLUCIONES
85
BIBLIOGRAFIA
86
INTRODUCCIN
Enelreadelaestadsticaesmuyfrecuentequeelinvestigadornoconozcacomose
comporta la distribucin de probabilidad de su variable aleatoria. Para este hecho se
han deducido los momentos, los cuales proporcionan una caracterizacin de la
distribucin de probabilidad. Muchas veces estos momentos suelen ser complicados
para encontrarlos uno por uno, por esto si todos estos momentos existen, se pueden
asociar a una funcin que los genere. Esta funcin toma el nombre de la funcin
generadorademomentos.
CAPITULOUNO
CONCEPTOSBSICOS
1.1Var iablealeator ia
Definicin 1.1: Sea S un espacio muestral sobre el cual se encuentra definida una
funcindeprobabilidad.Sea
X unafuncindevalorrealdefinidasobreS,demanera
que transforme los resultados de S en puntos sobre la recta de los reales, se dice
entoncesque
X esunavariablealeatoria1.
Elconjuntodevaloresqueunavariablealeatoriapuedetomarsedenominaelrangode
lavariablealeatoria.
Sediceque
X esunavariablealeatoriasitodoslosresultadosposiblesdeunespacio
muestral,sepuedentransformarencantidadesnumricas.
Ejemplo1.1: Supngase el espacio muestral S en el que se consideran cada uno de
losposiblesresultados allanzartresmonedasalaire:
S={ccc,ccs,csc,css,scc,scs,ssc,sss}
dondecescaraysessello.Determinemoslavariable
X comoelnmerodecarasque
hayenelespaciomuestral,entoncesacadapuntodelespaciomuestralseleasignaun
valor numrico 0, 1, 2 o 3, estos pueden considerarse como valores que asume la
variablealeatoria X ,talcomolomuestrasugrafica.
Probabilidadyestadstica.GeorgeC.Canavos.Pg.52
X(S)
S
CCC
CCS
CSC
SCC
CSS
SCS
SSC
SSS
Grfico 1.1
en este caso podemos observar que la variable aleatoria
elementosdelconjunto
E={css,scs,ssc} S.
Ensiacadaelementodeespaciomuestral,seleasignaunvalornumrico.
S
ccc
ccs
csc
scc
css
scs
ssc
sss
0
Tabla1.1
X es discreta si su rango es un
conjuntofinitooinfinitonumerabledevalores.
Ejemplo1.2:Enelejemplo1.1losvaloresposiblesde
unavariablealeatoriadiscreta.
2
Probabilidadyestadstica.GeorgeC.Canavos.Pg.53
X son0,1,2y3.Luego X es
X es continua si su rango es un
conjuntoinfinitononumerabledevalores.Esteconjuntopuededefinirseenunintervalo
oenunconjuntofinitodeintervalos.
Ejemplo1.3:Consideremosunavariablealeatoria Y cuyosvaloresseanlospesosen
kilogramosdetodaslaspersonamayoresde20aos,lgicamentehayinfinitosvalores
asociadosaestospesos.Siestospesosseasignaranalarectareal,puededefinirse
unnmero infinitodevalores paradescribirtodoslosposiblesvaloresdepeso.
1.2Distr ibucionesdeprobabilidad
Definicin 1.4 una distribucin de probabilidad es un listado de las probabilidades de
todoslosposiblesresultadosdelespaciomuestralquepodranobtenersesielexperimento
sellevaacabo.
Lasdistribucionesdeprobabilidadseclasificancomodiscretasycontinuas.
1.2.1Distribucionesdeprobabilidaddevar iablesdiscretas
Unavariablealeatoriaasumecadaunodesusresultadosconciertaprobabilidad.
Enelejemplo1.1lavariablealeatoria
X querepresentaelnmerodecarasallanzar
tres monedas al aire, tiene los siguientes valores posibles y con las respectivas
probabilidadessiguientes:
Resultado
Valordela
Numerode
variablealeatoria
ocurrencias
ccc
1/8
ccs,csc,scc
3/8
ssc,scs,css
3/8
Sss
1/8
Tabla1.2
probabilidad
ntesequelosvaloresposiblesde
X conformanlosposiblesconteossobreelespacio
muestralyenconsecuencialasprobabilidadessuman1.
Paramayorcomodidadesnecesariousarunafuncinconelobjetoderepresentarlas
probabilidadesdeunavariablealeatoriaysedefinepor:
f (x)= P(X = x)
yseleecomolaprobabilidaddeque
X tomeelvalor x estafuncintomaelnombre
defuncindeprobabilidadodistribucindeprobabilidaddelavariablealeatoriadiscreta
f(2 ) = P (X =2 ) =3/8
f (x)= P(X = x)
propiedades .
1.
P ( x) 0
2.
xP (x) =1
Ejemplo 1.4: Supngase una variable aleatoria X que tiene como resultado dar el
numero de caras menos el numero de sellos en 4 lanzamientos de una moneda.
Encuentreladistribucindeprobabilidadparalavariablealeatoria
X .
Solucin:
Elespaciomuestralseencuentradadopor:
S={cccc,cccs,ccsc,ccss,cscc,cscs,cssc,csss,sccc,sccs,scsc,scss,sscc,sscs,sssc,ssss}
dondeelnmerodeocurrenciases16
Probabilidadyestadstica.GeorgeC.Canavos.Pg.54
Resultado
Valordela
Numerode
probabilidad
diferencia
ocurrencias
entrecarasy
sellos
cccc
1/16
cccs,ccsc,cscc,sccc
4/16
ccss,cscs,cssc,sccs,scsc,sscc
6/16
csss,scss,sscs,sssc
4/16
ssss
1/16
Tabla1.3
Ahoraladistribucindeprobabilidadesser:
f( x)
1/16
4/16
6/16
4/16
1/16
Tabla1.4
Muchasvecesnecesitamosencontrarlaprobabilidaddeque
X seamenoroigualque
x paraestecasobastaconobservarque:
P (X x)=+ P (X =0 ) + P (X =1 ) ++ P (X = x 1 ) + P (X = x )
locualnosdaunaideadesumarprobabilidadeso deacumularlas.
Definicin 1.6: La distribucin acumulativa de la variable aleatoria
probabilidad de que
por4:
F( X)= P (X x)=
f(xi)
x x
i
Yademssatisfacelassiguientes propiedades:
4
X es la
Probabilidadyestadstica.GeorgeC.Canavos.Pg.54
10
1. 0 F( x) 1.
2. F (xi) F(xj)
si
xi xj.
3.
p (X > x) =1 F( x).
4.
p (X = x) = F (x)-F(x- 1 ) .
5.
P (X x)=+ P (X =0 ) + P (X =1 ) ++ P (X = x 1 ) + P (X = x )
P (X < x)=+ P (X =0 ) + P (X =1 ) ++ P (X = x 1 )
Ejemplo 1.5: Encuentre la distribucin acumulada de la variable aleatoria X del
ejemplo1.4yusandolaspropiedadescalcular:
1.
p (X >0 )
2.
p (X 0 )
3.
P(2 X 2 )
4.
P(2 <X 2 )
5.
P(2 X < 2 )
6.
Solucin:
F(4 ) = P (X 4 ) = P (X =4 ) =1/16
F(2 ) = P (X 2 ) = P (X =4 ) + P (X =3 ) + P (X =2 )
= 1/16+0+4/16=5/16
F(0 ) = P (X 0 ) = P (X =4 ) + P (X =3 ) + P (X =2 ) + P (X =0 )
= 1/16+4/16+6/16=11/16
F(2 ) = P (X 2 ) = P (X =4 ) + P (X =2 ) + P (X =0 ) + P (X =2 )
11
= 1/16+4/16+6/16+4/16=15/16
F(4 ) = P (X 4 ) = P (X =4 ) + P (X =2 ) + P (X =0 ) + P (X =2 ) + P (X =4 )
= 1/16+4/16+6/16+4/16+1/16=1
Luegoladistribucindeprobabilidades acumuladases:
F ( X)=
x< -4
- 4 x< -2
- 2 x< 0
0 x< 2
2 x< 4
x 4
0
1/16
5/16
11/16
15/16
Acontinuacinsemuestranlasgraficasde
f( x) y F( x) respectivamente
f(X)
FUNCINDEPROBABILIDAD
1
X
Grfico 1.2
12
FUNCINDEDISTRIBUCINACUMULATIVA
15/16
F(x)
12/16
8/16
4/16
0
10
10
Grfico 1.3
1.
2.
3.
4.
5.
6.
1.2.2Distribucionesdeprobabilidaddevar iablescontinuas
Enelcasodelasdistribucionescontinuas p (X = x)=0.
Ejemplo 1.6: La variable aleatoria continua Wse define como la altura de todas las
personas mayores de 20 aos en un intervalo de 170 hasta 180 centmetros.
Supngase que se quiere encontrar
sencillo calcularla, pero si entendiramos que en el intervalo [170, 180] hay infinitos
nmeros, evidentemente hay infinidad de estaturas por lo cual
p (X =175 ) tiende a
13
X estacaracterizadaporuna
funcin
f ( x) 0
p(a X b ) =
f( x) talque:5
<X<
f(x)dx=1
a f(x)dx
a,b
aleatoriacontinua X .Deestadefinicinsederivanotraspropiedades.
1.
p ( X =a ) =0
1.
p( X = a ) = p(a X a ) = f(x)dx =0
2.
Probabilidadyestadstica.GeorgeC.Canavos.Pg.58
14
Intervalo
Nllamadas
Frecuencia
relativa
7 <x 8
20
0.020
8 <x 9
60
0.060
9 <x 10
100
0.100
10 <x 11
150
0.150
11 <x 12
170
0.170
12 <x 13
170
0.170
13 <x 14
150
0.150
14 <x 15
100
0.100
15 <x 16
60
0.060
16 <x 17
20
0.020
Tabla1.5
Comoseobservaenlagrfica1.3labasedecadarectngulotienecomolongitud1y
su altura es la frecuencia relativa, luego el rea de cada rectngulo es su frecuencia
relativa yporlotantolasumadesusreases1. Supongamos ahoraquelostiempos
entredosllamadasconsecutivasseobservanpara10000yseagrupanen20intervalos
dehora,otambinpara100000en40intervalosdedehora,siaumentamoseste
proceso de aumentar el numero de observaciones y disminuir el tamao de los
intervalos,sellegaraaunacurvalmitelacualtomaelnombredefuncindedensidad
deprobabilidadparaunavariablealeatoriacontinua X ,ysedenotapor f( x) (grafico
1.4),evidentementeelreatotalbajolacurvaes1.
15
0,17
0,17
frecuenciarelativa
0,15
0,15
0,1
0,1
0,06
0,06
0,02
0,02
10
11
12
13
14
15
16
Grfico 1.3
FUNCINDEDENSIDAD
0,09
0,06
0,03
0
7,1
10,1
13,1
16,1
Grfico 1.4
Aligualquelasfuncionesdeprobabilidaddelasvariablesaleatoriasdiscretastienensu
funcin acumulativa, las variables aleatorias continuas tambin tienen su respectiva
funcinacumulativaysedefinecomo:
F( X)= P (X x)=
f(t)dt
dondetesunavariableartificialdeintegracin.
16
Ladistribucin F( X)esunafuncinlisanodecrecienteconlassiguientespropiedades:
1.
F( ) =0
2.
F ( ) =1
3.
4.
dF (X)
= f( x)
dx
Ejemplo1.8:Sea
X unavariablealeatoriacontinuadefinidapor
p 1+ 2
x
f ( X)=
1. probarque
2. Calcular
x 2
en cuaquierotro caso
f( x)esunafuncinlegtimadeprobabilidad.
P (X 4 3/3) , p ( 2 2 X 4 ) .
3. Encontrar F( X),graficarlayusarlaparaencontrarlospuntosdados
Solucin:
1. Alser x > 0nohabrproblemaconelradicalyclaramenteseveque
f ( x) 0,
ahora
p 1+
dx =
1+
Conloqueseconcluyeque
2.
P (X 4 3/3)
dx =
ar cos
p
x
2 p
- 0 =1
p 2
x 2
f( x) esunafuncinlegtimadeprobabilidad.
4 3/3
1+
17
x 2
dx =
2
ar cos
p
x
4 3/3
2
p 1+
2 2
3 2
2 p 1
ar cos(1) =
=
p 6 3
2 p
ar cos
F( x)=
p
2
P ( 2 2 X 4 ) =
1+
dx =
2
ar cos
p
x
4
2 2
x 2
1
2
ar cos
ar cos
2 p 2 p 2 1 1
= =
p 3 p 4 3 2 6
dt =
ar cos
p
t
x
2
t2
2
2 2
2
ar cos ar cos(1) = ar cos
p
p
x p
x
2
Ylagrficaes:
FUNCINACUMULATIVA
1
0,8
F(X)
3.
0,6
0,4
0,2
0
0
10
X
Grfico 1.4
18
15
20
p ( 2 2X 4 ) = F(4) F(2 2) =
3 2 p 1
= =
2 p 6 3
ar cos
1
2
ar cos
ar cos
2 p 2 p 2 1 1
= =
p 3 p 4 3 2 6
1.3 Valoresperado
Losgrandes jugadores de poker dicen que los jugadores no experimentados pueden
ganar dinero a corto plazo pero que perdern dinero a largo plazo. Lo contrario vale
para profesionales y muy buenos jugadores, lo cuales ganarn generalmente a largo
plazo.
Por qu esto es as? Esto se debe a un concepto conocido como valor esperado.
Valor esperado es el beneficio que se espera. Por ejemplo, supngase que se ha
realizado una apuesta para lanzar una moneda. Si sale cara, se perder $1, si sale
cruz,seganar$100.Sedebeaceptartericamenteestaapuesta(asumiendoquela
monedaesverdaderayexisteuncincuentacincuentadeposibilidaddequesalgacara
ocruz?
Obviamente, se deberaaceptar la apuesta. Existe una probabilidad de 1/2 que caiga
en cara y gane $100. Por lo tanto, la ganancia esperada es 0.5*$100=50. Si saliera
cruz, se pierde $1. Por lo que, la perdida esperada 0.5*$1=0.50 Y el beneficio
esperado es la ganancia esperada menos la prdida esperada. Es decir, que el
beneficioesperadoesde$49,5.
Obviamente, no se ganar $49,50. se Ganar $100 o se perder $1. Sin embargo,
debera verse la apuesta como "ganar" $49,50. Los resultados en los juegos de azar
estn influenciados por la suerte a corto plazo. Sin embargo, los resultados se vern
cercanosasemejarsealvaloresperadoalargoplazo.Sisetiralamonedaunmillnde
veces,elbeneficiofinalsermuycercanoa49,50millones.
19
Entoncesresumiendo:
X unavariablediscretadondesolopodrtomardosvalores,$100(ganancia),$1
(laperdida)osea x = {1,100}ahoralaprobabilidaddegananciaes0.5ylaganancia
Sea
deperdidaes0.5.Portantosuvaloresperadoes:
m = (1)(0.5)+(100)(0.5)=49.5
luegoseobservaqueelvaloresperadoestadadopor:
1
m = E ( x)= xp(x)
Si
X esunavariablediscreta
m = E ( x)=
xf(x)dx
X esunavariablecontinua
Si
Engeneraldefinimoselvaloresperadodeunafuncinde X , h( X),porlaigualdad
Si
X esunavariablediscreta.
E[h( x)] = h(
x)f(x)dx
Si
X esunavariablecontinua.
20
xk
Si x1 ,x2,x3,...,xk variablesdiscretas.
E [h(x1,x2,x3,...,xk )] =
Si x1 ,x2,x3,...,xk variablescontinas.
Elvaloresperadoomediaposeealgunaspropiedades:
1.
E (k)=k
para k unaconstante
2.
E (cx+k)= cE(x)+ k
para
3.
4.
E[g(x)h(x)]= E[(g(x)]E[(h(x)]
k, c constantes
e-llx
f ( x)= x!
0
x= 0, 1, 2, ...
en cualquierotro valor
luego
e-l lx
lx-1
-l
E( x) = x.p(x) = x.
= le
x!
)!
x=0
x=0
x=1 (x-1
ahorasihacemos y = x1,setendra0
y ,yportanto
21
l y
-l l
= le e = l
y= 0 (y)!
E( x) = le -l
Ejemplo1.10:Encontrarlamediaovaloresperadodeladistribucinbinomial.
Solucin:Ladistribucinbinomialestadadapor:
n!
px(1- p)n-x
(n- x)!x!
0
f ( x)=
x=0, 1, 2, ... ,n 0 p 1, n Z+
en cualquierotro valor
entonces
n
E( x) =
x.P(x) =
x=0
n!
x
px(1- p)n x
(n-x)!x!
x
-
= 0
n-1
(n-1)!
px(1- p)n- x
(
n
x
)!
(
x
1
)!
x=1
n-1
(n-1)!
px
= np
(1- p)(n-1)-(x-1)
-1
=1
Ahorasi
m!
py(1- p)( m- y) = np
(
m
y
)!
(
y
)!
y= 0
E( x) = np
Es bueno recordar para los ejemplos 1.11 1.12 1.13 la funcin Gamma y la funcin
Beta
1. LafuncinGammaestadefinidapor:
22
n> 0
ysuspropiedadesson:
G (n + 1)= n!
G (n
+ 1)= nG (n)
G(1/2)= p
2. LafuncinBetaestadefinidapor.
a ,b > 0
0 x 1
LafuncinBetaylafuncinGammaseencuentranrelacionadaspor
G (a )G(b )
B(a ,b )=
G (a + b )
Nota: En el apndice al final de este documento se muestran las deducciones
anterioresysusrespectivaspropiedades.
Ejemplo1.11:EncontrarlamediaovaloresperadodeladistribucinGama
Solucin:LadistribucinGammaestadadapor
- x
1
a -1 q
x
e
f( xa,q ) = G(a)q a
entonces
E( x) =
xf(x) dx =
-x
x
xa -1eq
a
G(a
)q
dx =
1
G(a )q a
-x
xa eq
dx
ahorasiobservamoslaintegralpodratransformarseenunafuncinGamma
Sea u =
x
1
du = dx dx = qdu
q
q
23
x
u = xa = ua qa
q
a
luego
1
G(a )q a
E( x) =
ua q a e-uq du =
q a -u
u e du
G(a
)0
q (a +1)-1 -u
qG(a + 1) qaG(a )
u
e dx =
=
= qa
0
G(a
)
G(a )
G(a )
Ejemplo1.12:mostrarquelamediadedeladistribucinBetaes:
a
a +b
Solucin:LadistribucinBetaseencuentradefinidapor:
G(a + b ) a -1
x (1- x)b -1
0 x 1 a,q > 0,
en cualquierotro valor
entonces
E( x) =
G(a
+ b )
(1- x)b -1 dx
G(a
+ b ) 1 a
x (1- x)b -1 dx
0
G (a )G (b )
G(a + b )
G(a + b ) G(a + 1)G (b )
B(a + 1,b ) =
G (a )G(b )
G (a )G (b ) G (a + b + 1)
G (a + b )
aG (a )
a
=
G(a ) (a + b )G (a + b )
(a + b )
Ejemplo1.13Supngasequelavariablealeatoria Y representaelintervalodetiempo
entredosllegadasconsecutivasaunatiendayquesufuncindedistribucinestadada
por:
24
f( y) =
1 -4y
e
4
0
y> 0,
en cualquierotro valor
Silasgananciasdedineroesigualaalcubodeltiempoentredosllegadas,encontrarel
valoresperadodelasganancias.
Solucin:Elvaloresperadodelasganancias,esencontrar E(Y3),luego
1 1 3 -4
y e dy
40
E(y3) =
3
y f(y) dy =
0
Ahorasihacemos
u=
y
1
du =
dy dy= 4du
4
4
3
y
u = y3 = 64 u3
4
3
Entonces
a = 0 y b = 1 .
Solucin:LadistribucindeCauchycon a = 0 y b = 1 seencuentradefinidapor:
f (x0,1)=
2
p(1+x )
0
x> 0
en cualquierotro valor
25
E( X) =
xf(x) dx =
=
1
1 x
dx =
dx
2
p (1+x )
p 0 (1+x2)
1
ln(1+x 2)
2p
E( x) tambin vaacreceroseaquela
integraldiverge,portantoelvaloresperadodeladistribucinnoexiste.
26
CAPITULODOS
MOMENTOSYFUNCIONESGENERADORAS
DEMOMENTOS
2.1 Momentos
Los momentos de una variable aleatoria
funciones de
ayudaracaracterizarladistribucindeprobabilidad
X yverificarsitodoslosmomentos
Definicin2.1: sea
X unavariablealeatoria.Elrsimomomentode X alrededorde
0sedefinepor:6
m r'
xr p(x)
x
r
= E (x )=
xr f(x)dx
-
Probalidadyestadstica.GeorgeC.Canavos.Pg.67
27
donde x es discreta
donde x es continua
X unavariablediscreta.
m1' = E(x1) = E( x)
Lo cual indica que es el conocido valor esperado o media, similarmente se tiene este
valorsi
X fueseunavariablecontinua.
(tambinconocidocomoelreximomomentoalrededordelamedia)sedefinepor:7
m r
( x- m)r p(x)
x
r
= E[( x- m ) ] =
(x- m )r f(x)dx
-
donde x es discreta
donde x es continua
Elmomentocentralcerodecualquiervariablealeatoriaes1.
s 2 aunque a veces ser conveniente denotarla por var( X). La varianza de una
variable aleatoria es la medida de la dispersin de la distribucin de probabilidad de
esta.Porejemplo,enelcasocontinuosilamayorpartedelreapordebajodelacurva
7
Probalidadyestadstica.GeorgeC.Canavos.Pg.67
28
Dadasdosconstantesayb.
var(aX
+ b) = a 2 var(X)
var(aX
+ bY)=a2 var(X) + b2 var(Y) + 2cov(X ,Y)
X y Yseanestadsticamenteindependientes
enalcasoenque
var(aX
+ bY)=a2 var(X) + b2 var(Y)
Comosehapodidoobservarelsegundomomentoalrededordelamediaseexpresen
trminos de los primeros dos momentos alrededor de 0. En general todos los
momentoscentralesdeunavariablesepuedenexpresarentrminosdelosmomentos
alrededorde0,dadoque:
m r = E[( x- m )r ]
Recuerdeseque
(a +b)n =
an ibi
i
i
= 0
Oseaque:
r
( x-m )r =
(- 1)i xr im i
i
i
= 0
ahora
r
m r = E (- 1)i xr-i m i =
i
i=0
i= 0
i= 0 i
i
ejemplosisenecesitaraeltercermomentocentral
m 3 =
(- m)im
i
i
= 0
'
3-i
3
3
3
3
= (- m )0m 3' + (- m )m 2' + (- m )2m1' + (- m )3m 0'
0
1
2
3
= m 3' - 3mm 2' + 3m 2m 1' - m 3 = m 3' - 3mm 2' + 3m 3 - m 3
29
Los momentos centrales tercero y cuarto proporcionan informacin muy til con
respecto a la forma de la distribucin de probabilidad de
X y reciben el nombre de
factoresdeforma.
El tercer momento de cualquier variable aleatoria se encuentra relacionado con la
asimetradeladistribucindeprobabilidadde X .
En el caso en que las distribuciones de probabilidad presenten ms de un pico, el
tercer momento puede presentar datos errneos, por eso es conveniente usar el
tercermomentoestandarizado,dadopor:
Asimtricapositivamente a 3 > 0
10
Grfico2.1
30
15
Simtrica a3 = 0
Grfico2.2
0,5
1,5
2,5
Grfico2.3
El cuartomomento ( m ) de cualquier variable aleatoria mide que tan puntiaguda es la
distribucindeprobabilidadde X yrecibeelnombredecurtosis .
m 4 =
(- m)im
i
i
= 0
'
4- i
4
4
4
4
4
= (- m )0m 4' + (- m )m 3' + (- m )2m 2' + (- m )3m1' + (- m )4m 0'
0
1
2
3
4
= m 4' - 4mm 3' + 6m 2m 2' - 4m 3m 1' + m 4 = m 4' - 4mm 3' + 6m 2m 2' - 4m 4 + m 4
= m 4' - 4mm 3' + 6m 2m 2' - 3m 4
31
Si a4 > 3 ladistribucindeprobabilidadpresentaunpicorelativamentealto
10
15
20
Grfico2.4
recibeelnombredemesocrtica.
11
Grfico2.5
32
13
15
Si a4 < 3 ladistribucindeprobabilidadesrelativamenteplanayrecibeel
nombredeplaticrtica.
11
13
15
Grfico2.6
Ejemplo2.1:Encontrarlamedia,lavarianza,ylosfactoresdeformadeladistribucin
exponencial.
f( xq) =
1 -qx
e
q
0
x>0,
en cualquierotro valor
Solucin:
Primerosedebeencontrarlosprimeros4momentosalrededordecero,paraesto:
mr' = E (xr)=
r
xr -q
r -1 x
=
e
dx
q
0 q
0 q r e q dx
sireemplazamos
u=
x
q
du =
1
dx
q
entoncessetendraque
'
mr = q
r -u
u e
du = q r G(r+ 1) = r !qr
Luego
m1' = E( X) = 1!q = q
33
m2' = 2!q 2 = 2q 2
m3' = 3!q 3 = 6q 3
m4' = 4!q 4 = 24q 4
ahorayateniendoloscuatroprimerosmomentosalrededordecero,sepuedecalcular
losmomentosalrededordelamedia.
m2
= var( X) = m 2' -m 2 = 2q 2 -q 2 = q2
Luego
E( X) = q ,
var( X) = q2 ,
a 3 = 2,
a 4 = 9.
entoncessiseobservalosfactoresdeformasetienequelagraficadeunadistribucin
exponencialsiempreesasimtricapositivamenteyleptocrtica.
34
DISTRIBUCIONEXPONENCIAL
10
15
20
Grfico2.7
Ejemplo2.2:Encontrarlamedia,lavarianza,ylosfactoresdeformadeladistribucin
depoisson.
f ( Xl)=
e-llx
x!
0
x=0, 1, 2, ...
en cualquierotro valor
Solucin:
Para este caso es muy complicado encontrar
unoporuno.
m1' = E( X) = l (verejemplo1.8)
m2' = E(X2) = E[X(X - 1)+ X] = E[X(X - 1)]+ E(X)
ahora
E[ X(X -1)] =
e- ll x
l x- 2
= l 2e -l
x!
i= 2 (x-2)!
x(x-1)
i
=0
0y ,yportanto
i= 0 (y)!
35
m2' = l2 + l
m3' = E(X3) = E[X(X - 1)(X - 2)+ 3X2 - 2X]
=
ahora
e- ll x
x
(
x
-
1
)(
x
2
)
x!
i=0
l x-3
i= 3 (x-3)!
= l3e -l
sisehace
y
)!
i= 0
e-llx
x!
x(x-1)(x- 2)(x- 3)
i
=0
l x- 4
i= 4 (x-4)!
= l 4e -l
sisehace
l y
= l4e -l el = l4
(
y
)!
i= 0
36
= l + 6(l + 3l + l )- 11(l + l )+ 6l
= l4 + 6l3 + 18l2 + 6l - 11l2 - 11l + 6l
= l4 + 6l3 +7l2 + l
ahoraseprocedeacalcularlosmomentosalrededordelamedia.
m2
= var( X) = m 2' -m 2 =
l2 +l - l2 = l
= 3l +l
Y conestocalcularlosfactoresdeforma
3l2 + l
= 3+
1
l
luego
E( X) = l,
var( X) = l2 + l,
a 3 = 1/ l ,
a 4 = 3 +
1
l
Siseobservanlosfactoresdeformaencontramosquelagraficaesasimtricapositiva
y leptocrtica pero a medida de que
mesocrtica
37
DISTRIBUCIONDEPOISSON
0,25
0,2
0,15
0,1
0,05
0
0
10
12
Grfico2.8
x eslavariablealeatoriaytunavariablecontinuael
ex.t p(x)
x
x.t
M x (t) = E(e )=
ex.t f(x)dx
-
donde X es discreta
donde X es continua
peroantesveamosque:
E[h(t)]'= E[h'(t)]
38
d
d
E[h(t)] =
[h(t)P(x)]
dt
dt x
d
(t)P(x)]
x dt[h
x [h'(t)P(x)]
laderivadadeunasumaeslasumadelasderivadas.
E[h'(t)]
para el caso continuo hay que tener en cuenta que la derivada de una integral es la
integraldeladerivada,
Ahorasisetiene
d r
d r
=
M
(
t
)
E(ex.t)
x
r
r
dt
dt
t=o
t=o
dr
= E
dt
ex.t
t= o
= E (xrex.t )
t=o
E(xr) = m r'
Ascomolosmomentosalrededorde0tienensufuncingeneradorademomentoslos
momentosalrededordelamediatambintienedichafuncinysedefinecomo:
et( x-m)p(x)
x
M ( x-m)(t) = E(et(x- m ))=
et(x-m ) f(x)dx
-
donde x es discreta
donde x es continua
39
Veamos:
d r
d r
=
M
(
t
)
E(et( x-m ))
( m -x)
r
dtr
dt
t= o
t= o
dr
= E
dt
et( x- m )
t=o
t= o
E( x- m )r = m r
Ejemplo2.3:Determinarla funcingeneradorademomentosde:
ladistribucinGamma
ladistribucinChicuadrado
ladistribucinExponencial
yuselaparacalcular lamedia,lavarianzaylosfactoresdeformadecadaunadelas
distribuciones.
Solucin:
LadistribucinGammaestadadapor
f( xa,q ) =
x
1
a -1 q
x
e
a
G(a)q
0
x> 0, a ,q > 0
en cualquierotro valor
Luegosufuncingeneradorademomentoses:
- x
Mx(t) = E(ex.t) =
1
1
ex.txa -1eq dx =
a
G(a )q 0
G(a )q a
1
G(a )q a
x
q
- (1-q .t )
a -1
x e
dx
Ahora
40
x.t-
q
a -1
x e
0
dx
si
u = (1- q.t)
x=
x
q
(1- q .t)dx
du =
dx=
q .du
1- q .t
q .u
(1- q .t)
Reemplazandosetieneque
1
Mx(t) =
G(a )q a
a -1
q .u
0 (1- q .t)
q
du
1- q .t
e-u
q a -1q
ua -1e-u du
a -1
a
G(a
)q (1- q .t) (1- q .t) 0
qa
a
G(a ) =
-a
= (1-q .t)
(1- qt.)
yteniendoestafuncinsepuedecalcularlosprimeroscuatromomentosalrededorde0.
m1' =
d
d
m x(t) =
(1 -q.t)-a
dt
dt
t=o
-a-1
= -a (1 - q .t )
t= 0
(-q )
t= 0
-a -1
= qa(1 -q .t )
= qa = m
m2' =
d2
d
m (t) =
qa(1 -q .t)-a -1
2 x
dt
dt
t=o
-a - 2
= q2a (a +1)(1- q .t )
m3' =
t= 0
-a- 2
= qa ( -a
- 1)(1- q .t )
(-q )
t= 0
t= 0
= q2a (a + 1)
d3
d 2
q a (a +1)(1- q .t)-a - 2
m (t) =
3 x
dt
dt
t=o
-a- 3
= q 2a (a +1)(-a - 2)(1- q .t )
(-q )
t= 0
-a - 3
t= 0
= q 3a (a + 1)(a + 2)
41
t= 0
t=0
m4' =
d4
d 3
m (t) =
q a (a +1)(a + 2)(1- q .t)-a -3
4 x
dt
dt
t=o
t= 0
-a- 4
(-q )
t= 0
-a - 4
t= 0
= q 4a (a + 1)(a + 2)(a + 3)
ahoraseprocedeacalcularlosmomentosalrededordelamedia
m2
= var( X) =
yporultimolosfactoresdeforma
a 4 = m 4 / m 2
m 4 /var(X )2 =
2q 3a
2
(q a )
2q 3a
2a
2
q 4a (3a + 6) (3a + 6)
=
= 31+
2
2
(q a )
a
a
luego
42
m = qa,
a 3 =
a 4 = 31+
DISTRIB UCIONGAMMA
10
15
20
Grfico2.9
v
y
2
q = 2 donde v sonlosgradosdelibertaddelavariable.Entonces:
MX (t)= (1- 2.t )- v/2
m = v ,
var( X) = 2v,
a3 =
4
2v
a 4 = 31+
v
IgualmenteladistribucinexponencialesunadistribucinGammacon a = 1 ,luego
MX (t)= (1 -q .t )-1
43
m = q ,
var( X) = q2 ,
a 3 = 2,
a 4 = 9
Comoestadesarrolladoenelejemplo2.1
NOTA:Enelapndicealfinaldeestedocumentoseenuncianlamedia,lavarianza,los
factores de forma y la funcin generadora de momentos de cada una de las
distribucionesespeciales.
44
CAPITULOTRES
DISTRIBUCINDEPROBABILIDADDEUNA
FUNCINDEUNAVARIABLEALEATORIA
Frecuentementeenestadsticasepresentalanecesidaddededucirlaprobabilidadde
unafuncindeunaomsvariablesaleatorias.
Porejemplosupongamosquedadaslasvariablesaleatorias
X1,X2,...,Xn ydadaslas
i= 1,2,3,...,k
Paraestosepresentan3tcnicas:
Tcnicadeladistribucinacumulativa
Tcnicadelastransformaciones
Tcnicadelafuncingeneradorasdemomentos
45
montonacreciente,yderivable,porlotantocontinaparatodo x ,entonceslavariable
aleatoria
Y = g( X) tienefuncindedensidaddadapor:
fY (y)= fX (g-1(y))
d -1
(g (y))
dy
Demostracin:
ahoracomo
fY ( y)= FY' ( y)
Ejemplo 3.1: Si
4propiedaddeladistribucinacumulativa
d -1
d -1
(g (y))
(
g (y)) = fX (g-1(y))
dy
dy
encontrarladistribucinde Y = tan( X)
Solucin:
fX ( x) estadefinidacomo
fY (y)= ?
fX ( x)=
1
p
yelintervaloenelquesemueve Y es
-p / 2 x p /2
- y= tan( x) ,portanto
46
fY ( y)= fX (arctan y)
=
1
p 1+ y 2
d
(arctany)
dy
- y
- y
a = 0 y b = 1 .
Quesucederasi g( X) fueseunafuncindecreciente?
fX ( x)
y = g( x) tienefuncindedensidaddadapor:
fY (y)= - fX (g-1(y))
d -1
(g (y))
dy
Demostracin:
ahoracomo
fY ( y)= FY' ( y)
Ejemplo 3.2: Si
d -1
d -1
g (y)) = - fX (g-1(y))
(
(g (y))
dy
dy
distribucinde Y = -2ln(X)
47
Solucin:
fX (x)= U(0,1)
fY (y)= ?
fX ( x) estdefinidacomo fX ( x)=1
yelintervaloenelquesemueve
0 x 1
y es 0 y = -2Ln(x) ,portanto
FY (y)= p(Y y)= p(-2ln(X) y)= p(X e- y/2)= 1- p(X e- y/2)= 1- FX (e- y/2 )
d - y/2
1
(
e )= - - e-y/2
dy
2
fY ( y) = - f X (e- y/2)
=
1 - y/2
e
2
0y
Luegoladistribucinde y esladistribucindeunavariableChicuadradocon2grados
delibertad.
El ejemplo que sigue es muy particular porque recordemos que las funciones
acumulativastienenlapropiedadde:
y
FY ( y)= p (Y
y) = p (g(X) y) =
f(x)dx
ymasgeneralquedara
y y y
FY ( y)= p (Y
y) = p (g(X1,X2,X3,) y) =
f(x ,x ,x )dxdx dx
1
- --
distribucinnormalestndar.Halleladistribucinde Y
Solucin:
48
X1
fX (x1)=
X 2
fX (x2)=
X 3
fX3(x3)=
1
2p
1
2p
1
- x12
2
- x1
1
- x22
e 2
- x2
1 - 2x32
e
2p
- x3
Luegolafuncinconjuntaes:
- x1
2
- ( x12+ x2
+ x32)
1
2
fX1,X2,X3 (x1,x2,x3)=
e
(2p )3/2
- x2
- x3
1
- ( x12+x22+ x32)
e 2
3/2
p)
A (2
dx1dx2dx3
x1 =rcosq .senj ,
x2 = rsenq .senj ,
x3 =r cosj
y , 0 q 2p , 0j p
donde 0 r
Luego
r2[.sen2j + cos2 j ]
= r
49
y ,parafacilidad
Luego
FY ( y) =
y 2p
0
y 2p
1
- r2
e 2 r 2 dq dr
3/2
(2p )
1
- r2
e 2 r 2senj dj dq dr
3/2
(2p )
2(2p ) - 2r2 2
e r dr =
2p 2p
dr
=
1
- r2
r 2e 2
dr =
w r 2 =w
sihacemos r =
FY ( y) =
p 0 2
1
dw
2 w
e 2 dw =
w
2
e 2 dw
fY ( y) =
y
2 y - 2
e
p 2
1
(y)3/2 -1e 2
2p
ahoraveamosque:
G (3/2)23 /2 = 2p
1
G(3 /2)23/2 = G(1/2)2 2 = p 2 = 2p
2
Luego
y
1
1 1
3/2 -1 2
fY ( y) =
(
y
)
e
=
3/2
G(3/2)2
G(3/2) 2
o seaque
3/2
3/2 -1
(y)
y
2
YtieneunadistribucinChicuadradocon3gradosdelibertad.
50
1
- r2
rr e 2
dr
3.2Tcnicadetransfor maciones
Esta tcnica es usada tanto en distribuciones discretas como en distribuciones
continuas.
g( X) defineunatransformacinunoaunoentre
entoncesladistribucinde Y es:
fX (g-1(y))
fY (y) =
Demostracin:
encuentradadapor
fX ( x)=P (X = x) = 10
0
Encontrarladistribucinde
x= 1,2,3,4
en cualquierotro caso
Y =3 X + 1
Solucin:
siXvariaentre1y4seveclaramentequeY 4,7,10,13,entonces
x= g-1 (y)=
y- 1
3
ahora
51
y- 1
y- 1
= fX
3
3
y- 1
30
fY (y)=
y seencuentradadapor:
Luegoladistribucinde
y= 4,7,10,13
y-1
fY ( y)=P (Y
= y) = 30
0
en cualquierotro caso
Teorema 3.4: Supngase que X1,X2,...,Xn, son variables aleatorias discretas con
distribucin de probabilidad conjunta
x1 = g1-1(y1,...,yn),...,xn = gn-1(y1,...,yn),
entonces
deY1,Y2,...,Yn, es:
52
la
distribucin
conjunta
Demostracin:
fX ,X ,...,Xn [g1-1(x1,x2,...,xn),g2-1(x1,x2,...,xn),...gn-1(x1,x2,...,xn)]
distribucindelasumadedichasvariables.
Solucin:
l1x e- l
x1!
1
X1
fX (x1)=
1
x1=0,1,2,3,
l1x e- l
x2!
2
X2
fX (x2)=
2
x2 =0,1,2,3,
l1x l 2x e-(l +l )
x1!x2!
1
fX ,X (x1,x2)=
x1,x2 =0,1,2,3,
Y1 = X1 + X2 fY (y1)=?
1
Usamosunavariableauxiliarparapodertenerunatransformacinunoauno.
y2 = x2
Ahorasiprocedemosaencontrarlasinversas:
x1 = y1 - x2 x1 = y1 - y2 = g1-1(y1,y2)
x2 = y2
YlosIntervalosde
= g 2-1(y1,y2)
y1 y y2 son:
x1 0 y1 -y2 0 y2 y1
x2 0 y2 0 0 y2 y1
0 y1
portanto
y1=0,1,2,3,
53
y2=0,1,2,3,, y1
aplicandoelteoremaencontramosladistribucinconjuntade Y1y Y2 es
fY,Y (y1,y2) =
1
fX ,X (y1 - y2,y2)
l1y -y l 2y e - (l +l )
0 (y - y )!(y )!
1
2
2
y1
fY(y1)=
1
y1
fY ,Y (y1,y2) =
1 2
l1y - y l2y
0 (y - y )!(y )!
1
2
2
y1
e -(l +l
e - (l + l ) y
y1!
l1y - y l2y
e -(l +l )
(l1 + l2)y
y1!
2)
fY(y1) = e-(l +l )
y2,entonces:
(l1 + l2)y1
y1!
y1=0,1,2,3,
Luegoladistribucindelasumade2variablesdepoissonesunavariabledepoisson
conparmetro l1 +l2.
54
3.2.1 Tcnicadetransformacionesparavariablescontinuas
Enestecasoseenunciaelsiguienteteorema:
Teorema3.5:Supngaseque X esuna variablealeatoriacontinuacondistribucinde
probabilidad fX ( x). Si la funcin
entre los valores
x = g-1(y),entoncesladistribucinde Yes:
fY (y) = fX (g-1(y)) J
donde
J =
d -1
g (y) yrecibeelnombredejacobianodelatransformacin.
dy
Demostracin:
La demostracin puede abrirse en dos casos, en el caso en el que
crecienteyenelcasoenelque
Supongamosque
y = g( x) esdecreciente.
y = g( x) escreciente.
0
0
g1(a)
escojamosdospuntosarbitrariosde
1,5
y ,porejemplo a y b entonces:
55
y = g( x) es
P (a
Y b) = P (Y
b)- P(Y a)
= P (g(X) b)- P(g(X) a)
= P (X
-1
= P[g (a)
X g-1(b)]
g-1(b)
X
g-1(a)
(x)dx
tendraque:
dx= [ g-1(y)]' dy
luego
b
P (a
Y b)=
-1
a fX (g
(y))[g-1(y)]'dy
fY ( y) = fX (g-1(y))[g-1(y)]'
= fX g-1 (y) .J
Seconocea
J = [g-1(y)]' comoelreciprocodelapendientedelalneatangenteala
curvadelafuncincreciente
y = g( x) es obvioentoncesque J = J .
Luego
fY (y)= fX (g-1(y)) J
Supongamosque
y = g( x) esdecreciente.
56
a
0
g1(a)
escojamosotravezpuntosarbitrariosde y, a y b entonces:
P (a
Y b) = P (Y
b)- P(Y a)
= P (g(X) b)- P(g(X) a)
= P (X
-1
= P[g (b)
X g-1(a)]
g-1(a)
fX (x)dx
g-1(b)
otravezcambiandolavariabledeintegracinde x a
y setieneque:
P (a
Y b)=
-1
b fX (g
(y))[g-1(y)]'dy
= - fX (g-1(y))[g-1(y)]'dy
como a y b recorrentodoslosvalorespermisiblesde
que
P (a
Y b) = - fX (g-1 (y)). J
enestecasolapendientedelacurvaesnegativa,portanto J =- J .
57
fY (y)= fX (g-1(y)) J
conlocualseconcluyeelteorema.
Ejemplo3.6:Sea
Solucin:
fX ( x)=
G (a+ b ) a -1
x (1- x)b -1
G(a )G (b )
x = 1- y= g-1(y)
Yelintervaloenelquesemueve
y es:
0 y= 1- x 1
aplicandoelteoremaencontramosladistribucinde Y
fY (y) = fX (1- Y) - 1
= fX (1- Y)
G(a+ b )
(1- Y)a -1(Y)b -1
G(a )G(b )
Luego Y esunadistribucin B( b ,a )
58
0 x 1
y1 =g1(x1,x2,...,xn),
= fX1,X2,...,Xn [g1-1(x1,x2,...,xn),g2-1(x1,x2,...,xn),...gn-1(x1,x2,...,xn)] J
dondeeljacobianoeseldeterminantedenxn.
x1
y1
y2
x2
x2
J = y1
y2
xn
xn
y1
y2
x1
...
x1
...
xn
yn
y2
M
...
xn
yn
normalmenteestandarizada.Halleladistribucindelcocientededichasvariables.
Solucin:
1
X1
N(0,1)= fX (x1)=
1 - 2x12
e
2p
X1
N(0,1)= fX (x2)=
1 - 2x22
e
2p
- x1
- x2
- x1
1 - 2( x12+ x22)
fX1,X2 (x1,x2)=
e
2p
- x2
59
y1 =
x1
x2
fY1 (y1) =?
Usamosunavariableauxiliarparapodertenerunatransformacinunoauno
y2 = x1 + x2
procedemosaencontrarlasinversas:
y2 = x1 + x2 y2 = y1x2 + x2
y2 =(y1 + 1)x2
x2 =
x1 =
y2
= g 2-1(y1,y2)
(y1 + 1)
y1y2
= g1-1(y1,y2)
(y1 + 1)
YlosIntervalosde y1 y y2 son:
enestecasonohayningunarestriccinluego
- y1
- y2
yeljacobianoes
y2
(y +1)2
J = 1
y2
(y1 + 1)2
y1
y1 + 1
1
y1 + 1
y2
y2y1
y (1+ y1)
+
= 2
= y2( y1 +1)-2
3
3
( y1 +1) (y1 + 1)
(y1 + 1)3
aplicandoelteoremaencontramosladistribucinconjuntade Y1y Y2 es
y1y2 y2
y2 ( y1 +1)-2
,
y1 + 1 y1 + 1
fY ,Y (y1,y2) = fX ,X
1
1
e
2p
2
2
1 y y y
- 1 2 + 2
2 y1+1 y1+1
2 2
1 y2
(y1 +1)
(y1+1)2
1 -2
=
e
2p
y2 ( y1 +1)-2
y2
( y1 +1)2
- y2 , - y1
60
y2,entonces:
respectoa
1 y22 (y12+1)
(y1+1)2
1 - 2
fY1(y1)= fY1,Y2 (y1,y2)dy2 = e
2p
-
-
y2
(y1 +1)2
dy2
ahora,sihacemos
u =
1 y22(y12 + 1)
2 (y1 + 1)2
du =
(y12 + 1)
y2dy2
(y1 + 1)2
0 u
luego
fY(y1) =
1
y2 (y1 +1)2
1 -u
e
du
2p 0 (y1 + 1)2(y12 + 1)y2
-u
e
2p (y +1)
2
1
1
p(y12 +1)
fY(y1) =
1
p (1+ y12 )
du
- y1
conloquesetienequeladistribucindelcocientede2variablesnormalestndares
unavariabledeCauchycon a = 0 y b = 1
61
CAPITULOCUATRO
TCNICADEFUNCINGENERADORADE
MOMENTOS
distribucin de
MY,...,Yn (t1,...,tk )
1
= E [exp(t1Y
1 + ...+ tkYk )]
1,...,Xn
1 1
(x1,...,xn)dx1...dxn
1 ,...,Xn
62
(x1,...,xn)dx1...dxn
a y q ,obtenerladistribucinde Y = Xa
Solucin:
x
a
fX (x)= a xa -1 exp -
q
q
exp(x t) f (x)dx =
a
x
xa -1exp xa t-
a
q 0
q
dx
a a -1 xa
x exp- a (1- q a t) dx
a
q 0
q
Sihacemos
u =
xa
axa -1
a
(1- q a t)dx
=
(
)
1
-
q
t
du
qa
qa
xa -1 dx =
Introductiontothetheoryofstatistics.Mood,Graybill,Boes.Pg96
63
qa
du
a (1-q a t )
Luegoreemplazandosetieneque:
My(t) =
a -u
qa
e
du
q a 0 a (1-q a t)
1
e-u du
(1-q a t)0
1
a
(1- q t )
= (1-q a t )-1
Luego Y esunadistribucinexponencialnegativaconparmetro
X tieneunadistribucinnormalconmedia0yvarianza
Ejemplo4.1:Supngaseque
1,sea Y =
X2,encontrarladistribucindeprobabilidadde Y
Solucin:
- x2
fX (x)=
1
e 2
2p
- x
exp(x t) f (x)dx
My(t) = E[eY.t] =
1
2p
x2
exp
- (1- 2t) dx =
2p - 2
2
1
x
dx
exp-
2p - 2 1/(1- 2t)
q a .
Luego
64
mx
=0,
asi
1 x- m 2
x
dx = (1-2t)-1/2
exp-
2
s
2p s x
-1/2
My(t) = (1-2t)
Luego
distribucindelcuadradodeunadistribucinnormalestndaresunadistribucinChi
cuadradocon1gradodelibertad
Enelsiguienteejemplosernecesariomanipularlaexpresinconelfindeevitarnosla
integracinyencontrarlafuncingeneradorademomentos.
Ejemplo 4.3: Sea
distribucinnormalestndar.Halleladistribucinde Y =
(X2 - X1)2
2
Solucin:
X1
fX (x1)=
X 2
fX (x2)=
1
2p
1
2p
1
- x12
e 2
- x1
1
- x22
e 2
- x2
Luegolafuncinconjuntaes:
fX ,X (x1,x2)=
1
- x1
1 - 2( x12+ x22)
e
2p
- x2
ahora
(x -x )2t
My(t) = Eexp 2 1 =
2
(x2 -x1)2t
exp
2 fX1,X2 (x1,x2)dx1dx2 =
- -
- -
entonces
65
2x xt
1
2
x2t (x2t)2
1 2
Luego
2
x2(1- t) x22t2
x2t
1
(1- t)
exp
-
+
x
+
2p 2 2(1- t) 2 1 1- t dx1dx2
- -
My(t) =
1
=
2p
2
(1- t)
x2(1- t) x22t2
x2t
exp - 2 + 2(1- t)-exp- 2 x1 + 1- t dx1dx2
-
ahora
x t
x1 + 2
2
x2t
(1- t)
1
1- t
-
x1 +
= 2
1- t
2 1/(1- t)
Luegosihacemos:
m1
x2t
, s x2 = 1/(1- t ) s x = 1/(1-t ) =1/ (1- t )
1- t
= -
66
entones
My(t)
1 x - m 2
x2(1- t) x22t2 1 1
- 1 1 dx1dx2
exp
+
exp
2
2(1- t) 1- t - 2p s 1
2 s 1
1
2p
1
2p
x2(1- t) x22t2 1
exp
- 2 + 2(1- t) 1- t dx2
-
x2(1- t) x22t2
dx2
exp
+
2
2(1- t)
1- t -
2p
luego
x2(1- t)
2
x22t2
=
2(1- t)
t2
(
1
t
)
2
(1- t)
x2 (1- t)2 - t2
2 (1- t)
x2 1- 2t+ t2 - t2
2
(1- t)
x2 1- 2t
2 (1- t)
x22
1
-
x2
Luegosihacemos:
m2
= 0, s x2 = (1
- t )/(1- 2t)
s x1 =
(1
-t )/(1- 2t)
deaqu
My(t)
1
2p
1
1- t
x22
exp
- 2(1- t)/(1- 2t)dx2
67
1- 2t -
1- t
1
1- t
1 x - m 2
2
dx2
exp - 2
2 s 2
2p s 2
-1/2
1- 2t
= (1-2t)
Locualindicaque Y tambinesunadistribucinChicuadradocon1gradodelibertad.
4.2
Y = aiXi entonces.
i=1
MY (t) =
Mx (ait)
i
i
=1
Demostr acin:
68
Mx ( ait)
i
i
=1
i
i
=1
Y = Xi luegosabramoscomosedistribuyelasumadelas Xi .
i=1
Solucin:
X i
MY (t) =
Mx (t)
i
i
=1
(1- q .t) a
i
-
= (1- q.t )- na
=1
Locualindicaque Y tieneunadistribucinGammaconparmetros
q y na .
En el ejemplo 3.3 del capitulo tres vimos que la suma de los cuadrados de 3
distribuciones normales estndar poseen una distribucin Chicuadrado con 3 grados
delibertad,conelsiguienteejemplosedemostraramasgeneral.
Ejemplo4.5:Supngaseque
queposeenunadistribucinnormalconmedia0yvarianza1,encontrarladistribucin
delasuma:
Solucin:
Supngaseque Y = X1 + X2 + ...+ Xn
En el ejemplo 4.1 se vio que la distribucin del cuadrado de una distribucin normal
estndaresunadistribucinChicuadradocon1gradodelibertadluego
Xi2
69
aplicandoelteorema
MY (t) =
Mx (t)
i
i
=1
-1/2
(1- 2.t)
= (1
- 2.t )- n/2
=1
li .
Solucin:
Sea Y = X1 + X2 + ...+
X i
Xn
MX (t)= expli(et - 1)
MY (t) =
Mx (t)
i
i
=1
exp li(et - 1) =
exp li et - 1
i=1
=1
Locualmuestralasumatieneunadistribucindepoissonconparmetro
li .
Solucin:
n
MY (t) =
n
2
2 2
i=1
i=1
n
n
t2
= exp ai m i t+ ai2s i2 l
i=1
2
i=1
70
luego Y sedistribuyenormalmenteconmedia
a imi y varianza
i=1
n
2
a i s i
i
=1
Uno de los resultados mas importantes de este teorema esta relacionado con la
demostracindelteoremadellimitecentralperoantesrecordemos:
Si tenemos que
X =
X1 + X2 + ...+ Xn
X X
X
1 n
= 1 + 2 + ...+ n = Xi
n n
n
n i=1
n
Sedefinecomolamediamuestraldonde
x1
x
x
+ E 2 + ...+ E n
n
n
n
m X = E( X) = E
1
m +
m + ...+
m =
nm
=m
n
yvarianza
x
1
1
1
x1 x2
+
+ ...+ n = 2 Var(x1)+ 2 Var(x2)+ ...+ 2 Var(xn)
n
n
n
n
n n
Var(X) = Var
=
ns 2
s2
1
2
2
2
s
+
s
+
...
+
s
=
=
n2
n2
n
Sean
71
Demostr acin:
Y =
Sean
X - m
s / n
Zi =
Xi - m
s
i=1,2,3,,n.
Dadoque.
n
X -m
n
=1
n i s /
1 n
(Xi - m )
ns / n i=1
1
1 n n
Xi -nm
ns / n n i=1
n
1 n
Xi - m
ns / n i=1
i=1
n s /
[nX - nm ]
n
X - m
s / n
Luego
Y =
X - m
n n Xi - m
=
=
n i=1 s
n
=1
n i s /
Zi
n i
=1
ahorausandoelteorema
MY (t) = M 1
n
Zi
(t) =
MZ (t/
i
] [
n
i=1
exp(Zit/ n) = 1+
= 1+
sisetomanlosvaloresesperados
Eexp(Zit/ n) = 1+
t
t2
t3
t4
E(Zi )+
E(Zi2)+ 2/3 E(Zi3)+
E(Zi4)+ ...
2
2n
6n
24n
n
72
Recordemosqueporsernormal
luego
Eexp(Zit/ n) = 1+
t2
t3
t4
+ 2/3 E(Zi3)+
E(Zi4)+ ...
2n 6n
24n2
entonces
t 2
t3
t4
MY (t) = 1+
+ 2/3 E(Zi3)+
E(Zi4)+ ...
2
24n
2n 6n
1 t2
t3
t4
= 1+ +
E(Zi3)+
E(Zi4)+ ...
2/3
24n
n 2 6 n
sea u=
t2
t3
t4
E(Zi3)+
E(Zi4)+ ...
2/3
2 6 n
24n
+
u
MY (t) = 1+
n
ahora
u
limMY (t) = lim1+
n
n
n
ypordefinicin lim 1+
u
u
= e
n
luego
73
lim MY (t) =
n
t 2
t3
t4
exp +
E(Zi3)+
E(Zi4)+ ...
2/3
24n
2 6 n
conlocualquedademostradoqueamedidadequencrezca Y =
unadistribucinnormalestndar.
74
= expt 2 /2
X - m
vaatendera
s / n
APNDICE
DeduccindelafuncinGamma:
LafuncinGammaestadefinidapor:
G (n)= un -1 e-u du
n> 0
G(n) =
n-1 - u
du
si z =un-1 dz =( n- 1)un-2
dv= e- u du v = -e-u
z =un-2 dz =( n- 2)un-3
dv= e-u du v = -e- u
75
ysiseguimoslasecuenciatendramos
G (n + 1)= n!
Sireemplazamosanporn1tendramosque.
G (n + 1)= nG (n)
Porlapropiedadanteriortenemosque
G(1/2)= p
n> 0
76
ahorasi u =
z2 du = 2 zdz
luego
G(1/2)= z-1e- z
2zdz = 2 e- z dz =
2 p
=
2
DeduccindelafuncinBeta:
LafuncinBetaestadefinidapor.
a ,b > 0
0 x 1
mostremosqueseencuentrarelacionadaconlafuncinGammapor
G (a )G(b )
B(a ,b )=
G (a + b )
1
B(a
,b )= xa -1(1- x)b -1 dx
0
dv= xa -1 du v =
xa
a
xa (1- x)b -1
b - 1 a
b - 2
B(a
,b )=
+
0 x (1- x) dx
a
a
0
b -11 a
=
x (1- x)b -2 dx
a 0
u = (1- x)b- 2 du = -( b - 2)(1- x)b -3dx
dv = xa du v =
xa+1
a + 1
77
b - 1 xa +1(1- x)b -2
b - 2 1 a +1
+
x (1- x)b -3 dx
a
a + 1
a + 1 0
B(a
,b )=
(b -1)(b - 2) a +1
x (1- x)b -3 dx
a (a + 1) 0
xa+ 2
a + 2
B(a
,b )=
+
x
(
1
x
)
du
a (a + 1)
a + 2
a + 20
(b -1)(b - 2)(b - 3) a + 2
x (1- x)b - 4 du
a (a + 1)(a + 2) 0
ysiseguimoslasecuenciatendramosque
1
(b -1)(b - 2)(b - 3)
B(a ,b )=
... xa + b -2(1- x)b - b du
a (a + 1)(a + 2)
0
1
(b -1)(b - 2)(b - 3)
... xa + b -2 du
a (a + 1)(a + 2)
0
( b - 1)(b - 2)(b - 3)
1
...
a (a + 1)(a + 2)
a + b - 1
G( b )
a (a + 1)(a + 2)...a + b - 1
78
(a - 1)!G (b )
(a - 1)!a (a + 1)(a + 2)...a + b - 1
G(a )G (b )
G(a + b )
Propiedadesbsicasdelasdistribucionesdiscretas
Distribucinuniforme:
f( x)=
x= 1,2,...n
n=1,2,3,
m x (t) = eit
i=1
n
m =
n+1
2
s2 =
n2 -1
12
a 4 =
a 3 = 0,
9n 2 - 21
240n2 - 240
Distribucinbernoulli:
f (x)= pxq1- x
0 p 1
x =0,1
mx (t) = q + pet
m = p ,
s 2 = pq ,
a 3 =
q - p
,
pq
Distribucinbinomial
79
a 4 = -3+
pq
x =1,2,...,n
0 p 1
n= 1,2,3...
n
f ( x)= pxqn- x
x
m x (t) = (q + pet) ,
n
m = np ,
s 2 =npq ,
a 3 =
q - p
,
npq
a 4 = 3+
1- 6pq
npq
Distribucinhipergeomtrica
x=0,1,2,...,n
N = 1,2,3,...
K = 1,2,...,N
n= 1,2,3,...,N
k N - K
x n- x
f( x) =
N
n
m=
nk
,
N
a 4 =
s2 =
nk(N -k)(N - n)
,
n2 (N- 1)
a3 =
N 2(N - 1){N(N + 1)- 6n(N- n)+ 3k(N - k)[N2(n- 2)- Nn2 + 6n(N - n)]/N2}
(N- 2)(N - 3)nk(N - k)(N - n)
Distribucinpoisson
80
f ( x)=
[ (
e- l l x
x!
x=0,1,2,....
l>0
)]
( t) = exp l et - 1 ,
s 2 =l ,
m =l,
a3 =
a4 = 3+
Distribucingeomtrica
f (x) = pqx
x=0,1,2,...,
0 < p 1,
p = 1- q
p
,
1- qet
M X (t)=
m =
q
,
p
q
,
p 2
s2 =
a3 =
p(1+ q)
,
q
a 4 = 7+ q+
Distribucinbinomialnegativa
r+ x- 1 r x
p q
x
x=0,1,2,...
f (x) =
81
0< p 1
r >0
p
,
M X (t)=
t
1- qe
m =
rq
,
p
s2 =
rq
,
p 2
a 3 =
2- p
,
k(1- p)
a4 = 3+
p 2 - 6p+ 6
k(1- p)
Propiedadesbsicasdelasdistribucionescontinuas
Distribucinuniforme
f ( x) =
mx (t) =
m =
a < x < b
- < a < b<
1
b- a
ebt - eat
,
(b- a)t
a + b
,
2
s2 =
(b - a)2
,
12
a 3 = 0,
a 4 = 9/5
Distribucinnormal
1 x- m 2
f( x)=
exp-
2ps
2 s
1
- < x <
1
2
MX (t )=expmt+ s 2t2
a 3 = 0,
a 4 = 3
82
<m<
s >0
Nteseque
m y s 2 sonparmetrosdelafuncin.
DistribucinBeta
0 < x < 1
1
f( x)=
xa-1(1- x)b -1
B(a,b)
m=
a
,
a+ b
a4 =
s2 =
ab
2
(a+b+ 1)(a+ b)
a > 0
b > 0
a3 =
2(b - a ) a + b + 1
ab (a + b + 2)
DistribucinWeibull
f (x) =
a a -1
x exp[- (x/q )a ]
qa
-t
t
MX (t)= a bG1+
b
m = qG1+
1
,
a
s 2 = q2G1+
2
1
2
- G 1+
a
a
a 3 =
a 4 =
G(1+ 4/a )- 4G(1+ 1/a )G(1+ 3/a ) 6G 2(1+ 1/a )G (1+ 2/a )- 3G 4(1+ 1/a )
+
[G(1+ 2/a )- G 2(1+ 1/a )]2
[G(1+ 2/a )- G 2(1+ 1/a )]2
83
DistribucinGamma
f (x)=
1
xa -1e- x/q
G(a)q a
x > 0,
a,b > 0
m =aq ,
s2 = aq2 ,
a3 =
a4 = 31+
Distribucinexponencial
Lafuncingammaenlaque a = 1 sellamadistribucinexponencial.
f (x)= e- x/q
q
x> 0,
b > 0
MX (t)= 1- q .t
m =q ,
s2 = q2 ,
a 4 = 9
a 3 = 2,
DistribucinChicuadrado
Lafuncingammaenlaque a = v /2 y q = 2 sellamadistribucinChicuadrado.
Donde v esunenteropositivoysedenominagradosdelibertaddelavariable.
V /2
1 1
f (x)=
G(V /2) 2
84
xV/2-1e- x/2
m = v ,
s2 = 2v,
a3 =
4
2v
a 4 =31+
v
DistribucinCauchy
f(x)=
pb {1+ [(x- a )/b ]2 }
Estadistribucintienelaparticularidaddenotenermedia,porque E( x) noconverge,y
portantonoexisteningnmomento,nilafuncingeneradorademomentos.
85
CONCLUCIONES
Lafuncingeneradorademomentosesdirectamenteaplicablealdescubrimiento
deladistribucindeprobabilidaddesumasdevariablesaleatorias.
Hallarunafuncingeneradorademomentosdeunavariable Y = g( X) asegurael
conocimientodeunadistribucindeprobabilidadnica.
Elclculointegralesunabuenaherramientaparaapoyarlafuncingeneradorade
momentos.
Estetrabajointentamotivarelestudiodeescenariosespecficos,dondelas
matemticassontiles.
86
BIBLIOGRAFA
WALPOLERonald,MEYERSRaymond.2005.Probabilidadyestadstica.McGraw
Hill.
CANAVOSGeorge.Probabilidadyestadsticaaplicacionesymtodos.McGraw
Hill.
HOGGRobert.Introductiontomathemtical.CollierMacmillanpublishers.
MOOD,GRAYBILL,BOES.introductiontothetheoryofstatistics,McGrawHill.
http://www.pokertips.com.es/strategy/expectedvalue.php
http://www.personal.us.es/olmedo/El%20concepto%20de%20Valor%20Esperado.pd
87