Probabilidades y Estadística (Computación) Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires Ana M.
Views 125 Downloads 1 File size 39KB
Probabilidades y Estadística (Computación) Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires Ana M. Bianco y Elena J. Martínez
2004
Función generadora de momentos: Definición: Si X es una variable aleatoria, el momento de orden k de X se define como
E( X k ) siempre que la esperanza exista. Notemos que
E( X ) = μ E( X 2 ) = σ 2 + μ 2 E( X 3 ) E( X 4 )
1er momento: posición 2do momento: relacionado con una medida de dispersión 3er momento: relacionado con una medida de asimetría 4to momento: relacionado con la kurtosis
Definición: La función generadora de momentos de una v.a. X es una función a valores reales M X (t ) , definida como
⎧ tx ⎪ ∑ e p X ( x) ⎪⎪ x∈R X M X (t ) = E (e tX ) = ⎨ ⎪ ∞ tx ⎪ ∫ e f X ( x)dx ⎪⎩−∞ siempre que el valor esperado exista para todo
si X es discreta
si X es continua
t ∈ (−h, h), h > 0 . Esta última es una
condición técnica necesaria para que M X (t ) sea diferenciable en 0. Se denomina función generadora de momentos porque los momentos de X ( E ( X n ) ) pueden ser obtenidos derivando esta función y evaluando la derivada en t = 0, tal como lo establece el siguiente teorema. Teorema: Sea X una v.a. para la cual existe la función generadora de momentos M X (t ) , entonces
E( X n ) =
∂n M X (t ) ∂t n t =0
La demostración se basa en el siguiente lema de Cálculo avanzado (ver por ejemplo, Advanced Calculus, D. Widder (1961)):
77
Probabilidades y Estadística (Computación) Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires Ana M. Bianco y Elena J. Martínez
2004
Lema: Si la función g(t) definida por ∞
g (t ) = ∑ e p( x) tx
g (t ) = ∫ e tx f ( x)dx
ó
−∞
x
converge para todo t ∈ (− h, h) para algún h > 0 , entonces existen las derivadas de orden n de g(t) para todo t ∈ (− h, h) y para todo n entero positivo y se obtienen como ∞
∂ n g (t ) ∂ n e tx = ∑x ∂t n p( x) ∂t n
∂ n g (t ) ∂ n e tx = ∫−∞ ∂t n f ( x)dx ∂t n
ó
Demostración del Teorema: Si la función generadora de momentos existe para todo
t ∈ (−h, h) para algún h > 0 , aplicando el lema, ∂ n M X (t ) ∂ n e tx = ∑x ∂t n p( x) ∂t n ∂ n M X (t ) = ∑ x n e tx p( x) ∂t n x
ó
∂ n M X (t ) ∞ ∂ n e tx = ∫ f ( x)dx n ∂t n ∂ t −∞
ó
∂ n M X (t ) ∞ n tx = ∫ x e f ( x)dx ∂t n −∞
Evaluando estas derivadas en 0 ,
∂ n M X (t ) = ∑ x n p ( x) = E ( X n ) n ∂t x t =0
∂ n M X (t ) ∂t n
ó
∞
= t =0
∫x
n
f ( x)dx = E ( X n )
−∞
Ejemplos: 1) Sea X una v.a. con distribución exponencial de parámetro λ , o sea con densidad
f X ( x ) = λ e − λ x I ( 0,∞ ) ( x) ∞
M X (t ) = E (e ) = ∫ e λ e tX
tx
0
−λ x
∞
dx = λ ∫ e 0
−( λ −t ) x
dx =
λ
∞
(λ − t ) e λ −t ∫ 0
− ( λ −t ) x
dx =
λ λ −t
siempre que t < λ . Calculemos ahora E(X) y V(X).
78
Probabilidades y Estadística (Computación) Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires Ana M. Bianco y Elena J. Martínez
∂M X (t ) ∂t
E( X ) =
= t =0
2004
∂⎛ λ ⎞ λ ⎜ ⎟ = ∂t ⎝ λ − t ⎠ t = 0 (λ − t ) 2
= t =0
1
λ
.
Como V ( X ) = E ( X 2 ) − (E ( X ) ) , calculemos E ( X 2 ). 2
E( X 2 ) =
entonces, V ( X ) =
2
λ
2
−
1
λ
2
∂ 2 M X (t ) ∂t 2 =
1
λ2
= t =0
∂⎛ λ ⎜ ∂t ⎜⎝ (λ − t )2
⎞ 2λ (λ − t ) ⎟ = ⎟ (λ − t ) 4 ⎠ t =0
= t =0
2
λ2
.
2) Sea X una v.a. con distribución Binomial de parámetros, n y p, o sea X ~ Bi(n, p). Su función de probabilidad puntual es
⎛n⎞ p X (k ) = ⎜⎜ ⎟⎟ p k (1 − p) n − k ⎝k ⎠
si 0 ≤ k ≤ n
n n ⎛n⎞ t k tX t k ⎛n⎞ k n−k ⎜ ⎟ ⎜⎜ ⎟⎟(e p) (1 − p) n − k = (e t p + 1 − p) n . = = − = M X (t ) E (e ) ∑ e ⎜ ⎟ p (1 p) ∑ k =0 k =0 ⎝ k ⎠ ⎝k ⎠
Calculemos ahora E(X) y V(X).
E( X ) =
∂M X (t ) ∂t
E( X 2 ) =
(
∂ (e t p + 1 − p ) n ∂t
= t =0
∂ 2 M X (t ) ∂t 2
= t =0
( )
= n(n − 1)(e t p + 1 − p) n − 2 pe t
2
= n(e t p + 1 − p) n −1 pe t t =0
∂ n(e t p + 1 − p) n −1 pe t ∂t
(
+ n(e t p + 1 − p) n −1 pe t
)
)
t =0
= np .
= t =0
= n(n − 1) p 2 + np. 0
Entonces, V ( X ) = E ( X 2 ) − (E ( X ) ) = n(n − 1) p 2 + np − (np ) = −np 2 + np = np(1 − p). 2
2
Propiedad: Sea X una v.a. con función generadora de momentos M X (t ) , entonces si Y = a X + b , entonces M Y (t ) = e bt M X (at ) . Dem: Ejercicio.
79
Probabilidades y Estadística (Computación) Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires Ana M. Bianco y Elena J. Martínez
2004
Unicidad de M X (t ) : Además de permitir calcular momentos de una v.a., la función generadora de momentos permite identificar la función de densidad o de probabilidad de una v.a. debido a la propiedad de unicidad, la cual establece que hay una correspondencia uno a uno entre funciones de densidad o probabilidad y funciones generadoras de momentos. Teorema de Unicidad: Si existe la función generadora de momentos de una variable aleatoria, es única. Además la función generadora de momentos determina a la función de densidad o probabilidad de la v.a. salvo a lo sumo en un conjunto de probabilidad 0. A continuación, presentamos una tabla con la función generadora de momentos de algunas de las distribuciones que hemos estudiado.
Distribución Bi(n,p) P(λ)
M X (t )
(e p + 1 − p ) n λ (et −1) t
e
N(μ,σ ) 2
σ 2 t 2 +μ t e
E(λ)
2
λ
λ −t
G(α,λ)
α ⎛ λ ⎞ ⎜ ⎟ ⎝λ −t⎠
U(a,b)
e tb − e ta
G(p)
t (b − a ) p et 1 − (1 − p ) e t
BN(r,p)
⎛ p et ⎜ ⎜ 1 − (1 − p ) e t ⎝
⎞ ⎟ ⎟ ⎠
r
Ejercicio: ¿Para qué valores de t existe cada una de las funciones generadoras de momentos de la tabla anterior?
80