Documente Academic
Documente Profesional
Documente Cultură
Docentes:
Lic. Pablo Bolino
Lic. Mximo Croce
Septiembre 2016
Universidad Nacional de La Plata
ADULP
Momentos
Los parmetros y son medidas descriptivas que localizan el centro y describen la dispersin
de una distribucin de probabilidad, pero no proporcionan una descripcin nica de dicha distribucin,
ya que muchas distribuciones poseen las mismas medias y las mismas desviaciones estndar. Por lo
tanto, existe un conjunto de medidas numricas descriptivas que determinan de una manera nica la
distribucin de probabilidad ( ).
El i-simo momento de una variable aleatoria respecto al origen est definido, dependiendo
si se trata de una variable aleatoria discreta o continua, como:
i. Caso discreto: = [ ]= ( )
ii. Caso continuo: = [ ]= ( )
= [ ]=
es decir: = [ ]
Por otro lado, el i-simo momento de una variable aleatoria con respecto a su media se define como:
= ( )
= [( )] = [ ] [ ] = =0
= [( )] = = [ ] [ ] = ( )
Teorema:
Sean dos variables aleatorias y que tienen momentos finitos tales que = ,
= ,, = , es decir dos variables aleatorias tienen idnticos momentos con respecto al
origen. Entonces, se puede demostrar que y tienen distribuciones de probabilidad idnticas.
En sentido figurativo se puede decir que contiene todos los momentos de una variable aleatoria
en una expresin simple.
La FGM (Funcin Generadora de Momentos) para una variable aleatoria se define como,
dependiendo si se trata de una variable aleatoria discreta o continua, como:
i. Caso discreto: ( )= [ ]= ( )
ii. Caso continuo: ( )= [ ]= ( )
y existe cuando hay una constante positiva , tal que ( ) es finita para | | , es decir si converge la
suma en caso discreto, o la integral en el continuo.
=1+ + + +
2! 3!
( ) ( )
=1+ + + +
2! 3!
( ) ( )
[ ]= ( )= 1 + + + +
! !
[ ]= ( )+ ( )+ ( )+ ( )+
2! 3!
Es decir que [ ] es una funcin de todos los momentos con respecto al origen.
Teorema:
( )
= (0)=
Ejemplo:
( )= [ ]=1+ + + +
2! 3!
2 3 2
( )= + + += + + +
2! 3! 2
( )=
De igual forma
( )= + +
( )=
2) Se utiliza para demostrar que una variable aleatoria tiene una distribucin de probabilidad
particular ( ).
Si ( ) existe para una distribucin de probabilidad ( ) entonces sta es nica. Es decir, que
es imposible que variables aleatorias con diferentes distribuciones de probabilidad tengan la misma
FGM.
Cuando dos FGM para dos variables aleatorias y son iguales, entonces y tienen la
misma distribucin de probabilidades. Luego si la FGM de una variable aleatoria corresponde a una
distribucin conocida, entonces Y tiene que tener la misma distribucin de probabilidad.
Ejemplo 1:
( )
( )= [ ]= ( )= =
! !
Ejemplo 2:
Utilizando la FGM anterior encontrar la media y varianza de una variable aleatoria de Poisson.
La Media:
( )= (0) = ( ) = =
La Varianza:
( )= (0) = ( ) = =
(0) = ( ) +
(0) = 1 + 1 = +
= ( ) = ( + ) ( ) =