Funcin generatriz de momentos.

Momentos:
Los momentos de una variable aleatoria son los que nos permiten conocer su forma funcional, as como tambin su
grfica. Los momentos se pueden diferenciar en Momentos Absolutos (centrados respecto del origen) y Momentos
Centrados (respecto de la media).

Momentos Absolutos (%& ):

Los momentos absolutos de orden k son los que se definen como (() & ). Dicha esperanza se calcular de acuerdo a
si la Variable Aleatoria se corresponde al entorno discreto o continuo.

Es importante mencionar que el momento absoluto de orden 1 es la esperanza matemtica:

%/ = (()/ ) = (())

Momentos Centrados (1& ):

Los momentos centrados de orden k son los que se definen como (2() %)& 4. Dicha esperanza se calcular de
acuerdo a si la Variable Aleatoria se corresponde al entorno discreto o continuo.

Es importante mencionar que el momento centrado de orden 2 es la varianza:

16 = (2() %)6 4 = 7())

Relacin entre momentos absolutos y momentos centrados:

Como vemos, el momento centrado es la esperanza de un binomio expresado a una potencia k. Podemos expandir
dicha potencia recordando el binomio de Newton:

@
C
(= + ?)@ = A B D = E ? @FE
)
EGH

Aplicando el binomio de Newton a la definicin de momentos centrados:

&
K
1& = (2() %)& 4 = ( IA J M ) N (%)&FN O
L
NGH

&
&4
K
(2() %) = A J M (%)&FN (P) N Q
L
NGH

Recordando que el momento absoluto de orden 1 es la media:

&
K &FN
(2() %)& 4 = A J M R(())S (P) N Q
L
NGH

&
K
(2() %)& 4 = A J M (%/ )&FN %N
L
NGH
Ejemplo: Varianza:

6
2
(2() %)6 4 = A J M (%/ )6FN %N
L
NGH

2 2 2
(2() %)6 4 = J M (%/ )6 %H + J M (%/ )/ %/ + J M (%/ )H %6
0 1 2

(2() %)6 4 = 1 . %6 . 1 + 2(%)% + 1.1. %6

(2() %)6 4 = %6 2%6 + %6

Organizando:

(2() %)6 4 = %6 %6

Si lo pasamos a Esperanzas queda demostrado el teorema fundamental de la varianza:

(2() %)6 4 = (() 6 ) (())6

La funcin generatriz de momentos:

La funcin generatriz de momentos se define como la Esperanza Matemtica de una funcin que se compone de la
multiplicacin de una Variable Aleatoria ()) por una Variable Real (X) en un exponente. Dicha esperanza da como
resultado una funcin cuya pendiente evaluada en un entorno de X nos da como resultado el primer momento de la
Variable Aleatoria en cuestin. De forma ms genrica, puede decirse que la derivada k-sima de la FGM evaluada
en X = 0 nos da como resultado el momento absoluto de orden k.

Entonces, defnase a la FGM de la variable aleatoria ) como:

[E (X) = ((\ ]E )

Lo expuesto precedentemente implica derivar la FGM y evaluarla en X = 0:

^[E (X) ^((\ ]E )

|]GH = |]GH
^X ^X

Teniendo en cuenta que la esperanza es la Suma-Producto de la variable por su respectiva probabilidad, y que esta
probabilidad no incluye a la Variable Real X se puede introducir el diferencial dentro de la esperanza:

^((\ ]E ) ^\ ]E
|]GH = ( a | b
^X ^X ]GH

Si resolvemos la derivada:

^\ ]E
(a | b = ((\ ]E . )|]GH ) = (()) = %/
^X ]GH

Si aplicamos derivada segunda:

^6 [E (X) ^6 ((\ ]E ) ^(\ ]E . ))

|]GH = |]GH = ( a |]GH b =
^X. ^X ^X. ^X ^X

^(\ ]E . ))
(a |]GH b = ((\ ]E . ). )|]GH ) = ((\ ]E . ) 6 |]GH ) = (() 6 ) = %6
^X
Genricamente:

^& [E (X)
|]GH = ((\ ]E . ) & |]GH ) = (() & ) = %&
^X&

Funcin Generatriz de Momentos de las distribuciones conocidas:

Distribucin FGM
Binomial: d()) = R@ESd E (1 d)@FE [E (X) = (e + d\ ] )@

fg
[E (X) = \ i
j fFf
Poisson: d()) = \ Ff
E!

Exponencial: k()) = l\ FfE X F/ l X F/ l

[E (X) = J1 M = J M =
l l lX
Uniforme: k()) =
/
;= < ) < ? \ ]n \ ]o
nFo [E (X) =
X(? =)
/ u gwx v rv]v
[E (X) = \ z]{
F B D
Normal: k()) = .\ v y 6
r6t

Propiedades de las funciones generatrices de momentos:

1. Sea | = =), la FGM de | ser:
[} (X) = [oE (X) = [E (=X)

((\ ].oE ) = (R\ (]o).E S

La FGM de la variable Aleatoria Compuesta | = =) es la FGM de la Variable Aleatoria ) pero

reemplazando el parmetro auxiliar "X" por "X=".

2. Sea | = ) + ?, la FGM de | ser:

[} (X) = [E{n (X) = (R\ ](E{n) S = ((\ ]E{]n ) = ((\ ]E \ ]n )
Cmo \ ]n no contiene a la Variable Aleatoria ) se comporta como constante respecto a la Esperanza
Matemtica y la puedo sacar multiplicando por propiedad.
[} (X) = [E{n (X) = \ ]n ((\ ]E ) = \ ]n [E (X)

La FGM de la Variable Aleatoria Compuesta | = ) + ? es la FGM de la Variable Aleatoria ) multiplicada

por la constante \ ]n

3. Sea | = =) + ?, la FGM de | ser:

[} (X) = [oE{n (X) = \ ]n [E (X=)
Por aplicacin de las propiedades anteriores.
4. Sea | = )/ + )6 +. . . +)E (la sumatoria de n Variables Aleatorias Independientes) la FGM de | ser:
[} (X) = [ E (X) = (R\ ]( E) S = ((\ ]Eu{]Ev {...{]E )
((\ ]Eu {]Ev{...{]E ) = ((\ ]Eu \ ]Ev . . . \ ]E ) = ((\ ]Eu )((\ ]Ev ). . . ((\ ]E )
Entonces:
[} (X) = [ E(]) = [E (X)
La FGM de una sumatoria de Variables Aleatorias Independientes es la productoria de cada una de las
FGM de esas Variables Aleatorias.