Académique Documents
Professionnel Documents
Culture Documents
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
Luego,
∞
x 1
E( X ) = ∫ π (1 + x
−∞
2
)
dx =
2π
Ln(1 + x 2 ) |∞−∞ = ∞ − ∞
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
| X | ≤1 | X | >1
ESMA 4001 Edgar Acuna 4
9.2. Funcion generatriz de momentos
MX (t)=E(eXt),
Siempre que el valor esperado exista, para el numero real t.
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!
∞ ∞
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.
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!
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 )!
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
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.
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
∑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
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
grados de libertad
ESMA 4001 Edgar Acuna 16