Você está na página 1de 0

A P L I CA CI ONESDELAFUN CI N

GENERA DOR ADEM OMEN TOS

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.

Tambinquiero agradecer al doctor Antonio Velasco muos decano de la facultad de


matemticas y a cada uno de los docentes y compaeros que tuvieron un aporte
importanteparamformacinalolargodelacarrera.

RESUMEN

Este documento consta de cuatro captulos los cuales muestran la importancia de la


funcingeneradorademomentosysuaplicacinalahoradededucirladistribucinde
una o ms variables aleatorias. Aunque existen tres tcnicas para resolver dicho
problema,latcnicadelafuncingeneradorademomentoseslamassobresaliente,ya
que adems ayuda en el descubrimiento de variables aleatorias nicas y es muy til
cuando se trata de encontrar la distribucin de sumas de variables aleatorias
independientes,ayudandoasenlademostracindelteoremadellmitecentral.

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.

La funcin generadora de momentos no solo es usada en los momentos de una


variablealeatoria.Frecuentementeenestadstica sepresentalanecesidaddededucir
la distribucin de probabilidad de una funcin de una o ms variables. Es decir si se
conoce la distribucin de una variable aleatoria, y se tiene otra que es funcin de la
anterior,sepodradeducirladistribucindedichavariable.Esteesunodeloscampos
dondelafuncingeneradorademomentosseaplicayesmuytilalahoradededucir
distribucionesdesumasdevariablesindependientes.
Paraabordarestetemasehacreadoestedocumentoqueconstade4captulos,donde
el lector podr observar desde los conceptos bsicos hasta la tcnica de la funcin
generadora de momentos. En el capitulo 1 se enunciarn temas bsicos como, las
variables aleatorias, distribuciones de probabilidad de una variable aleatoria y el valor
esperado el segundo se trataran a fondo temas como momentos y la funcin
generadorademomentos,dejandoclaroaslosconceptobsicosparalaaplicacinde
estafuncineneltercercaptuloseabordaran2tcnicasadicionalesparadeducirla
probabilidaddeunafuncindeunaomsvariablesaleatorias,yporltimoenelcuarto
captulo se presentar la tercera tcnica llamada tcnica de funcin generadora de
momentosysutilusoenladistribucindesumasdevariablesaleatorias.

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

X toma el valor 1 para los

elementosdelconjunto
E={css,scs,ssc} S.
Ensiacadaelementodeespaciomuestral,seleasignaunvalornumrico.
S

ccc

ccs

csc

scc

css

scs

ssc

sss

0
Tabla1.1

Definicin 1.2: Se dice que una variable aleatoria

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

Definicin 1.3: Se dice que una variable aleatoria

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

X , en el ejemplo 1.1 si se necesitara saber cual es la probabilidad de que salgan 2


caras en el mismo lanzamiento se usaria la funcin de probabilidad, donde x =2
entonces

f(2 ) = P (X =2 ) =3/8

Definicin1.5: Sea X una variablealeatoria discreta.Sellamar


funcin de probabilidad de la variable aleatoria

f (x)= P(X = x)

X , si satisface las siguientes

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

X sea menor o igual a un punto especfico de x y esta dada

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 (xi < X xj) = p (X xj) p (X xi)=F (xj)- F(xi).

Cabeanotarque P (X x) P (X < x) si X esunavariablediscreta.

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.

P(2 <X < 2 )

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.

p (X >0 ) =1 F(0 ) =111/16=5/16.

2.

p (X 0 ) = p (X >1 ) =1 F(1 ) =111/16=5/16.

3.

P(2 <X 2 ) = F(2 ) F(2 ) =15/165/16=10/16.

4.

P(2 X 2 ) = P(3 <X 2 ) = F(2 ) F(3 ) =15/161/16=14/16.

5.

P(2 X < 2 ) = P(3 <X 1 ) = F(1 ) F(3 ) =11/161/16=10/16.

6.

P(2 <X < 2 ) = P(2 <X 1 ) = F(1 ) F(2 ) = 11/165/16 =6/11

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

p (X =175 ) , aparentemente parece que fuera

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

sernulo,paraestecasoesmejorutilizarintervalos.Entoncespara nuestrocaso seria


mejorencontrar p(174.9 X 175.1 ) .

13

Ladistribucinde probabilidad de una variablecontina

X estacaracterizadaporuna

f( x), la cual recibe el nombre de funcin de densidad de probabilidad y

funcin

proporcionaunmedioparacalcular p(a X b ) conb>a.


Demaneraformal,ladistribucindeprobabilidaddeunavariablealeatoriacontinuase
definedelasiguientemanera:
Definicin1.7: Siexisteunafuncin

f ( x) 0

p(a X b ) =

f( x) talque:5
<X<

f(x)dx=1

Entonces se dice que

a f(x)dx

a,b

f( x) es la funcin de densidad de probabilidad de la variable

aleatoriacontinua X .Deestadefinicinsederivanotraspropiedades.
1.

p ( X =a ) =0

2. P(a X b ) =P(a<X b ) =P(aX<b)=P(a<X<b)


Solucin:
a

1.

p( X = a ) = p(a X a ) = f(x)dx =0

2.

p(a X b ) = p ( X =a ) + p(a <X < b ) + p ( X =b ) = p(a <X < b )

Para entender mejor el concepto de funcin de densidad, lo ilustraremos con un


ejemplo.
Ejemplo1.7:Supngasequesemidenlostiemposentre2llamadasconsecutivas,de
1000clientesdeunaempresaquefuncionade7:00AMa5:00PMylosagrupamosen
intervalos de 1 hora. En la tabla 1.5 se enuncian el nmero de llamadas en cada
intervaloysurespectivafrecuenciarelativa.

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.

p(a <X < b ) = F(b ) F(a )

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 (X 4 3/3) = F(4 3/3) =

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

E ( x)= xi.p(xi) =(1)(0.5)+(100)(0.5)=49.5


i=0

As se llega a la definicin de valor esperado, media o esperanza matemtica de una


variablealeatoria
Definicin 1.8: La media de una variable aleatoria se considera como una cantidad
numrica alrededor de la cuallos valores de la variable aleatoria tienden a agruparse
porlotantolamediaesunamedidadetendenciacentralysedefinepor:

m = E ( x)= xp(x)

Si

X esunavariablediscreta

m = E ( x)=

xf(x)dx

X esunavariablecontinua

Si

Engeneraldefinimoselvaloresperadodeunafuncinde X , h( X),porlaigualdad

E[h( x)] = h(x)p(x)

Si

X esunavariablediscreta.

E[h( x)] = h(
x)f(x)dx

Si

X esunavariablecontinua.

Anlogamente para mas de dos variables X1,X2,X3,...,Xk el valor esperado de


cualquierfuncinhdelasvariantes,sedefinepor

20

E [h(x1,x2,x3,...,xk )] = ...h(x1,x2,x3,...,xk )p(x1,x2,x3,...,xk )


x1 x2 x3

xk

Si x1 ,x2,x3,...,xk variablesdiscretas.

E [h(x1,x2,x3,...,xk )] =

h( x ,x ,x ,...,xk )f(x ,x ,x ,...,xk )dxdx dx ...dxk


1

Si x1 ,x2,x3,...,xk variablescontinas.
Elvaloresperadoomediaposeealgunaspropiedades:
1.

E (k)=k

para k unaconstante

2.

E (cx+k)= cE(x)+ k

para

3.

E[g(x)+ h(x)]= E[(g(x)]+ E[(h(x)]

4.

E[g(x)h(x)]= E[(g(x)]E[(h(x)]

k, c constantes

NOTA:El valoresperado,puede noexistir dependiendo silacorrespondiente sumao


integraldivergeaunvalorinfinito.
Ejemplo1.9:EncontrarlamediaovaloresperadodeladistribucindePoisson
Solucin:ladistribucindePoissonestadadapor

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

)- (x- 1)]!(x- 1)!


x [(n- 1

= np

(1- p)(n-1)-(x-1)

-1

=1

Ahorasi

y=x- 1 , m=n- 1 setendra0 y m,yportanto


m

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

G (n)= un-1 e-u du = (n- 1)!

n> 0

ysuspropiedadesson:

G (n + 1)= n!

G (n
+ 1)= nG (n)

G(1/2)= p

2. LafuncinBetaestadefinidapor.

B(a ,b )= xa -1 (1- x)b -1 dx

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

x> 0, a,q > 0,


en cualquierotro valor

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

f( xa,q ) = G(a )G(b )

0 x 1 a,q > 0,

en cualquierotro valor

entonces

E( x) =

G(a
+ b )

xf(x) dx = G(a )G(b )x

(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

E(y3) = 64 u3e-u du = 64 G (4) =64(3!)=384


0

Ejemplo 1.14 Encontrar el valor esperado de la distribucin de Cauchy en el caso

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

Locualindicaquea medidade que x crezca

E( x) tambin vaacreceroseaquela

integraldiverge,portantoelvaloresperadodeladistribucinnoexiste.

26

CAPITULODOS

MOMENTOSYFUNCIONESGENERADORAS
DEMOMENTOS

2.1 Momentos
Los momentos de una variable aleatoria
funciones de

X son los valores esperados de ciertas

x . Ellos forman una coleccin de medidas descriptivas que pueden

ayudaracaracterizarladistribucindeprobabilidad

X yverificarsitodoslosmomentos

son conocidos. Generalmente estos momentos se definen alrededor de 0 o del valor


esperado.

Definicin2.1: sea

X unavariablealeatoria.Elrsimomomentode X alrededorde

0sedefinepor:6

m r'

xr p(x)
x
r
= E (x )=
xr f(x)dx
-

enelprimermomento alrededorde0(r =1 )para


6

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.

Definicin 2.2: Sea

X una variable aleatoria. El rsimo momento central de X

(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.

m 0 = E[( x-m )0] = E[1] = 1


Elprimermomentocentraldecualquiervariablealeatoriaes0

m1 = E[( x-m )1] = E[x-m ] = E ( x)-E(m)= m -m =0


Elsegundomomentoalrededordelamediaeslavarianzaquesedenotapor var( X)

m 2 = var( X) = E[( x-m )2] = E(x2 -2xm + m 2) = E( x2)-2mE(x)+ m 2


= m 2' -2 mm + m 2 = m 2' - m 2
La varianza de cualquier variable aleatoria es la diferencia del segundo momento
alrededor de 0 y el cuadrado de la media o valor esperado. Generalmente se denota

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

de distribucin se encuentra cercana a la media, la varianza es pequea o si por el


contrario la mayor parte del rea se encuentra muy dispersa de la media la varianza
sergrande.Larazcuadradadelavarianzarecibeelnombrededesviacinestndary
sedenotapor s .
Lavarianzaaligualqueelvaloresperadotienepropiedades,as:

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

(- 1)i m iE(xr-i) = (- m )im r'-i

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

= m 3' - 3mm 2' + 2m 3

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:

a 3 = m 3 /( m 2)3/2 = m3 /var(X )3/2

a 3 recibe el nombre de coeficiente de asimetra y como su nombre lo indica mide la


asimetradeladistribucindeprobabilidadconrespectoasudispersin.Ladistribucin
puedeser:

Asimtricapositivamente a 3 > 0

10

Grfico2.1

30

15

Simtrica a3 = 0

Grfico2.2

Asimtrica negativamente a3 < 0

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

Al igual que en el tercer momento es recomendable usar el cuarto momento


estandarizado,dadopor:
2
a 4 = m 4 / m 2 = m 4 /var(X )2

Si a4 > 3 ladistribucindeprobabilidadpresentaunpicorelativamentealto

y se dice que la variable tiene distribucin que recibe el nombre de


leptocrtica

10

15

20

Grfico2.4

Si a4 = 3 la distribucin no presenta un pico ni muy alto ni muy bajo y

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

m3 = m 3' - 3mm 2' + 2m 3 = 6q 3 - 3q (2q 2)+ 2q 3 = 6q 3 - 6q 3 + 2q 3 = 2q 3


m4 = m 4' - 4 mm 3' + 6m 2m 2' - 3m 4 = 24q 4 - 4q (6q 3)+ 6q 2(2q 2)- 3q 4
= 24q 4 - 24q 4 + 12q 4 - 3q 4 = 9q 4
ahorateniendoestosmomentossepuedeencontrarloscoeficientesdeasimetrayde
curtosis.

a 3 = m 3 /( m 2)3/2 = m 3 /var(X )3/2 = 2q 3 /(q 2)3/2 =2.


2
a 4 = m 4 / m 2 = 9q 4 /q 4 =9.

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

m r' por esto se procede a encontrarlos

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

ahorasisehace y=x- 2 ,setendra

0y ,yportanto

E[ X(X -1)] = l 2e -l l = l2e -l el = l2 seaque

i= 0 (y)!

35

m2' = l2 + l
m3' = E(X3) = E[X(X - 1)(X - 2)+ 3X2 - 2X]
=

E[X(X - 1)(X - 2)]+ E(3X2 - 2X)

ahora

e- ll x
x
(

x
-
1
)(
x
2
)

x!
i=0

E[ X(X -1)(X - 2)] =

l x-3
i= 3 (x-3)!

= l3e -l

sisehace

y=x- 3 ,setendra 0y ,yportanto


l y
= l3e -l el = l3 seaque
(

y
)!
i= 0

E[ X(X -1)(X - 2)] = l3e -l

m3' = l3 +E (3X2 -2X) = l3 +3E (X2)-2E(X) = l3 + 3l2 +l


m4' = E(X4) = E[X(X - 1)(X - 2)(x- 3)+ 6X3 - 11X2 + 6X]
= E[X(X - 1)(X - 2)(x- 3)]+ E(6X3 - 11X2 + 6X)
ahora

e-llx
x!

E[ X(X -1)(X - 2)(x- 3)] =

x(x-1)(x- 2)(x- 3)

i
=0

l x- 4
i= 4 (x-4)!

= l 4e -l

sisehace

y=x- 4 ,setendra 0y ,yportanto

l y
= l4e -l el = l4
(

y
)!
i= 0

E[ X(X -1)(X - 2)(x- 3)] = l 4e -l


seaque

m4' = l4 +E (6X3 - 11X2 + 6X) = l4 +6E (X3)- 11E(X2)+ 6E(X)

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

m3 = m 3' - 3mm 2' + 2m 3 = l3 +3l2 + l - 3l (l2 + l )+ 2l3


= l3 +3l2 + l - 3l3 - 3l2 + 2l3
= l

m4 = m 4' - 4 mm 3' + 6m 2m 2' - 3m 4


= l 4 + 6l3 + 7l2 + l - 4l (l3 + 3l2 + l )+ 6l2(l2 + l )- 3l4
=

l4 + 6l3 + 7l2 + l - 4l4 - 12l3 - 4l2 + 6l4 + 6l3 - 3l4


2

= 3l +l

Y conestocalcularlosfactoresdeforma

a 3 = m 3 /( m 2)3/2 = m 3 /var(X )3/2 = l /(l )3/2 = l / l3 = 1/ l


a 4 = m 4 / m 22 = m 4 /var(X )2 =

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

l la grafica tiende a ser simtrica y

mesocrtica

37

DISTRIBUCIONDEPOISSON

0,25
0,2
0,15
0,1
0,05
0
0

10

12

Grfico2.8

2.2Funcionesgener ador asdemomentos


Cuando existen todos los momentos de una distribucin (esto es cuando todos los
momentos son finitos), es posible asociar una funcin generadora de momentos. Se
defineestacomo E(ex.t ) donde

x eslavariablealeatoriaytunavariablecontinuael

valoresperadode ex.t serunafuncinde t querepresentaremospor

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

Mx(t) Generatodoslosmomentosde X alrededordelorigen.


Parademostrarestosederiva

Mx(t)conrespectoat y seevalaladerivada ent=0

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

M(x- m )(t) generatodoslosmomentosalrededordelamedia

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

= E[(x-m )r et( x-m ))

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 )q (1- q .t)


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

= q3a (a +1)(a + 2)(1- q .t )

= 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 3a (a +1)(a + 2)(-a - 3)(1- q .t )

(-q )

t= 0

-a - 4

= q4a (a +1)(a + 2)(a + 3)(1- q .t )

t= 0

= q 4a (a + 1)(a + 2)(a + 3)

ahoraseprocedeacalcularlosmomentosalrededordelamedia

m2

= var( X) =

m 2' -m 2 = q 2a (a +1)- a 2q 2 =q 2a 2 +q 2a - a 2q 2 = q2a

m3 = m 3' - 3mm 2' + 2m 3


=

q 3a (a +1)(a + 2)- 3(qa )(q 2a (a + 1))+ 2q 3a 3

= q 3a (a 2 + 3a + 2)- 3q 3a 2(a + 1)+ 2q 3a 3


= q 3a 3 + 3a 2q 3 + 2q 3a - 3q 3a 3 - 3q 3a 2 + 2q 3a 3
= 2q3a

m4 = m 4' - 4 mm 3' + 6m 2m 2' - 3m 4


= q 4a (a + 1)(a + 2)(a + 3)- 4qa [q 3a (a + 1)(a + 2)]+ 6q 2a 2q 2a (a + 1)- 3q 4a 4
= q 4a (a 3 + 6a 2 + 11a + 6)- 4q 4a 2(a 2 + 3a + 2)+ 6q 4a 4 + 6q 4a 3 - 3q 4a 4
= q 4a [a 3 + 6a 2 + 11a + 6- 4a (a 2 + 3a + 2)+ 6a 3 + 6a 2 - 3a 3]
= q 4a [4a 3 + 12a 2 + 11a + 6- 4a 3 - 12a 2 - 8a ]
= q 4a [3a + 6]

yporultimolosfactoresdeforma

a 3 = m 3 /( m 2)3/2 = m 3 /var(X )3/2 =


2

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

MX (t)= (1- 2.t )- v/2


var( X) = q2a ,

m = qa,

a 3 =

a 4 = 31+

si se observan los coeficientes de forma, vemos que la distribucin Gamma es


asimtricapositivamenteyleptocrtica,si a tiendea0.Perotiendeasermesocrticay
simtricaamedidade que a tiendeainfinito.

DISTRIB UCIONGAMMA

10

15

20

Grfico2.9

Ahora como la distribucin Chicuadrado es una distribucin Gamma con a =

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

funciones g1(x1,x2,...,xn)g2(x1,x2,...,xn)gk (x1,x2,...,xn). Queremosengeneral


encontrarladistribucinde Y1 ,Y2,...,Yn donde Yi = gi(x1,x1,...,xn)

i= 1,2,3,...,k

Paraestosepresentan3tcnicas:

Tcnicadeladistribucinacumulativa

Tcnicadelastransformaciones

Tcnicadelafuncingeneradorasdemomentos

En este captulo solo se presentaran las 2 primeras tcnicas, la tercera la trataremos


masafondoenelcaptulo4.

45

3.1 Tcnicadeladistr ibucinacumulativa


Esta tcnica esta basada como su nombrelo indica en la distribucin acumulativa de
probabilidadesdeuna variablealeatoria yes tilendistribucionescontinuasdeunao
msvariables.
Teorema 3.1: Sea
donde

X una variablealeatoria continua con funcin de densidad fX ( x)

fX ( x)>0 para a x b, supngase la funcin Y = g( X) estrictamente

montonacreciente,yderivable,porlotantocontinaparatodo x ,entonceslavariable
aleatoria

Y = g( X) tienefuncindedensidaddadapor:

fY (y)= fX (g-1(y))

d -1
(g (y))
dy

Demostracin:

FY (y)= p(Y y)= p(g(X) y)= p(X g-1(y))= FX (g-1(y))

ahoracomo

fY ( y)= FY' ( y)

fY (y)= FX' (g-1(y))

Ejemplo 3.1: Si

4propiedaddeladistribucinacumulativa

d -1
d -1
(g (y))
(
g (y)) = fX (g-1(y))
dy
dy

X se distribuye uniformemente en el intervalo (-p /2,-p /2)

encontrarladistribucinde Y = tan( X)

Solucin:

fX ( x)= U(-p /2, p /2)

Y =g( X)= tan(X)

fX ( x) estadefinidacomo

fY (y)= ?
fX ( x)=

1
p

yelintervaloenelquesemueve Y es

-p / 2 x p /2

- y= tan( x) ,portanto

46

FY ( y)= p(Y y)= p(tan(X) y)= p(X arctany)= FX (arctany)

fY ( y)= fX (arctan y)
=

1
p 1+ y 2

d
(arctany)
dy

- y

- y

Lo cual indica que la distribucin de Y es una distribucin deCauchy con parmetros

a = 0 y b = 1 .
Quesucederasi g( X) fueseunafuncindecreciente?

Teorema 3.2: Sea X una variablealeatoria continua con funcin de densidad


donde

fX ( x)

fX ( x)>0 para a x b , suponga la funcin Y = g( X) estrictamente

montona decreciente, y derivable, por lo tanto contina para todo x , entonces la


variablealeatoria

y = g( x) tienefuncindedensidaddadapor:

fY (y)= - fX (g-1(y))

d -1
(g (y))
dy

Demostracin:

FY (y)= p(Y y)= p(g(X) y) = p(X g-1(y))= 1- p(X g-1(y))= 1- FX (g-1(y))

ahoracomo

fY ( y)= FY' ( y)

fY (y)= - FX' (g-1(y))

Ejemplo 3.2: Si

d -1
d -1
g (y)) = - fX (g-1(y))
(
(g (y))
dy
dy

X se distribuye uniformemente en el intervalo (0,1) encontrar la

distribucinde Y = -2ln(X)

47

Solucin:

fX (x)= U(0,1)

Y =g( X)= -2ln(X)

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.

Elproblemadeestatcnicaesque solosirveparadistribucionescontinuas yaqueen


lasdistribucionesdiscretasnosecumploque

fY ( y)= FY' ( y).

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

- --

Ejemplo 3.3: Sea

X1, X2, X3 variables aleatorias independientes cada una con

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

FY (y)= p(Y y) = p(x12 + x22 + x32 y).


FY (y)=

1
- ( x12+x22+ x32)

e 2
3/2

p)
A (2

dx1dx2dx3

dondeAeslaregindeterminadaporelcirculodecentro (0,0,0) yderadio


sehaceuncambiodevariables.Entoncessi:

x1 =rcosq .senj ,

x2 = rsenq .senj ,

x3 =r cosj

y , 0 q 2p , 0j p

donde 0 r
Luego

X12 + X22 +X32 = r2 cos2q .sen2j + r2sen2q .sen2j + r2 cos2j


=

r2[cos2q .sen2j + sen2q.sen2j + cos2 j ]

r2[.sen2j (cos2q + sen2q) + cos2 j ]

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.

3.2.1 Tcnicadetr ansformacionespar avar iablesdiscr etas


Teorema 3.3: Supngase que X es una variable aleatoria discreta con distribucin de
probabilidad fX ( x).Silafuncin Y =
losvalores

g( X) defineunatransformacinunoaunoentre

X y Y,detalformaquelaecuacin y = g( x) tengasuinversa x = g( y),

entoncesladistribucinde Y es:

fX (g-1(y))

fY (y) =
Demostracin:

FY (y)= p(Y = y)= p(g(X)= y)= p(X = g-1(y))= fX (g-1(y))

Ejemplo 3.4: Sea

X es una variable aleatoria discreta donde su distribucin se

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

y =g( x)= 3x+ 1

x= g-1 (y)=

y- 1
3

ahora

fY (y)= p(Y = y)= p(3X + 1= y)= p X =

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

Supongamos ahora el problema en el que X1,X2,...,Xn, son variables aleatorias


discretas con funcin conjunta fX1,X2,...,Xn (x1,x2,...,xn), y se desea encontrar la
probabilidadconjunta

fY,Y ,...,Yn (y1,y2,...,yn)delasnuevasvariablesaleatorias


1

y1 = g1(x1,x2,...,xn), y2 = g2(x1,x2,...,xn), ..., yn = gn(x1,x2,...,xn),


las cuales definen una transformacin uno a uno entre los conjuntos de
puntos(x1,x2,...,xn)y (y1,y2,...,yn).Si se resuelven las ecuaciones simultneamente
seencontraralasolucininversanica

x1 = g1-1(y1,y2,...,yn), x2 = g2-1(y1,y2,...,yn), ..., xn = gn-1(y1,y2,...,yn),

Teorema 3.4: Supngase que X1,X2,...,Xn, son variables aleatorias discretas con
distribucin de probabilidad conjunta

fX ,X ,...,Xn (x1,x2,...,xn). Si las funciones


1

y1 = g1(x1,x2,...,xn), y2 = g2(x1,x2,...,xn), ..., yn = gn(x1,x2,...,xn), definen una


transformacinunoaunoentrelosvalores (x1,...,xn) y (y1,...,yn) detalformaquelas
ecuaciones y1 = g1(x1,...,xn),...,yn = gn(x1,...,xn) tengan inversa respectivamente

x1 = g1-1(y1,...,yn),...,xn = gn-1(y1,...,yn),

entonces

deY1,Y2,...,Yn, es:

fY,...,Yn ,(y1,...,yn) = fX ,...,Xn [g1-1(x1,...,xn),...gn-1(x1,...,xn)]


1

52

la

distribucin

conjunta

Demostracin:

fY,Y ,...,Yn ,(y1,y2,...,yn)


1

= p (Y1 = y1, Y2 = y2, ... ,Yn = yn)


= p (g1(x1,x2,...xn)= y1, g2(x1,x2,...xn)= y2, ... ,gn(x1,x2,...xn)= yn)
= p (x1 = g1- 1(y1,y2,...yn), x2 = g-21(y1,y2,...yn), ..., xn = gn-1(y1,y2,...yn))

fX ,X ,...,Xn [g1-1(x1,x2,...,xn),g2-1(x1,x2,...,xn),...gn-1(x1,x2,...,xn)]

Ejemplo 3.5: Sean

X1y X2 variables aleatorias independientes de poisson. Halle la

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 l2y e-(l +l )


(y1 - y2)!y2!
1- 2

y para encontrar la distribucin de fY1 (y1), se calcula la distribucin marginal de Y1,


sumandoladistribucinconjuntaconrespectoa

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

y1! 0 (y1 - y2)!(y2)!

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

y = g( x) define una correspondencia uno a uno

X y Y,de tal forma que la ecuacin y = g( x) tenga su inversa

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

g-1(b))- P(X g-1(a))

-1

= P[g (a)

X g-1(b)]

g-1(b)

X
g-1(a)

(x)dx

Ahora cambiando la variable de integracin de

x a y porla relacin x = g-1(y) se

tendraque:

dx= [ g-1(y)]' dy
luego
b

P (a
Y b)=

-1

a fX (g

(y))[g-1(y)]'dy

como a y b recorrentodoslosvalorespermisiblesde y siempreque a < b setiene


que

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

g-1(b))- P(X g-1(a))

-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

y siempreque a < b setiene

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

X variablealeatoria B(a ,b ).Halleladistribucinde y = 1- x.

Solucin:

fX ( x)=

G (a+ b ) a -1
x (1- x)b -1
G(a )G (b )

Y =g( X)= 1- X fY ( y)=?


encontramoslainversade g( X)

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

Teorema 3.6: Supngase que

X1,X2,...,Xn son variables aleatorias continuas con

distribucin de probabilidad conjunta fX1,X2,...,Xn,(x1,x2,...,xn). Si

y1 =g1(x1,x2,...,xn),

y2 = g2(x1,x2,...,xn), ..., yn = gn(x1,x2,...,xn), definen una transformacin uno a


uno entre los valores (x1,x2,...,xn) y (y1,y2,...,yn) de tal forma que las ecuaciones

y1 = g1(x1,x2,...,xn), y2 = g2(x1,x2,...,xn),...,yn = gn(x1,x2,...,xn), tengan inversa


x1 = g1-1(y1,y2,...,yn), x2 = g2-1(y1,y2,...,yn),...,xn = gn-1(y1,y2,...,yn),,
respectivamenteentoncesladistribucinconjuntadeY1,Y2,...,Yn, es:

fY,Y ,...,Yn ,(y1,y2,...,yn)


1

= 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

Ejemplo 3.7: Sean

x1

...

x1

...

xn

yn
y2
M

...

xn

yn

X1y X2 variables aleatorias independientes con distribucin

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

y para encontrar la distribucin de fY1 (y1) integramos la distribucin conjunta con

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

4.1 Descr ipcindelatcnica


Este es otro mtodo para determinar la distribucin de variables aleatorias, es
construido en base a la funcin generadora de momentos y es muy til en algunos
casos.
Supongamos las variables aleatorias

X1,...,Xn con funcin de densidad conjunta

fX ,...,Xn (x1,...,xn) ylasfunciones g1(x1,...,xn),,gk(x1,...,xn),sedeseaencontrarla


1

distribucin de

Y1 = g1(x1,...,xn),,Yk = gk (x1,...,xn) apoyados en que si la funcin

generadorademomentosde Y1 ,Y2,...,Yk existees:

MY,...,Yn (t1,...,tk )
1

= E [exp(t1Y
1 + ...+ tkYk )]

... exp(tY +...+ tkYk )fX

... exp[g (x ,...,xn)t +...+ gk(x ,...,xn)tk ] fX

1,...,Xn

1 1

(x1,...,xn)dx1...dxn

1 ,...,Xn

62

(x1,...,xn)dx1...dxn

Despusde encontrarlasolucindelaanterior integral,esta solucinestardadaen


funcin de t1,...,tk y puede ser reconocida como lafuncin generadora de momentos
de alguna distribucin conocida, luego Y1 ,Y2,...,Yk tendr dicha distribucin gracias a
quelafuncingeneradorademomentosunnica.
En el caso de que k >1 este mtodo puede ser de uso limitado ya que porque
podemosreconocerpocasfuncionesgeneradorasdemomentos.Para k =1 lafuncin
generadora de momentos tendr un solo argumento por tanto ser sencillo reconocer
lassufuncingeneradorademomentos.
Esta tcnica es muy til cuando deseemos encontrar la distribucin de la suma de
variablesindependientes8.
Ejemplo4.1:Sea X unavariablealeatoriaconunadistribucinWeibulldeparmetros

a y q ,obtenerladistribucinde Y = Xa
Solucin:

x
a
fX (x)= a xa -1 exp -
q
q

x> 0 a,q > 0

exp(x t) f (x)dx =

My(t) = E [exp(x t)] =


a

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

exp(x t-x /2)dx =


2

x2

exp
- (1- 2t) dx =

2p - 2

2
1
x
dx
exp-
2p - 2 1/(1- 2t)

q a .

Luego

64

mx

s x2 = 1/(1- 2t ) sx =1/ (1- 2t ) =(1- 2t)-1/2

=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

Y posee una distribucin Chicuadrado con 1 grado de libertad. Entonces la

distribucindelcuadradodeunadistribucinnormalestndaresunadistribucinChi
cuadradocon1gradodelibertad
Enelsiguienteejemplosernecesariomanipularlaexpresinconelfindeevitarnosla
integracinyencontrarlafuncingeneradorademomentos.
Ejemplo 4.3: Sea

X1 y X2variables aleatorias independientes cada una con

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 =
- -

(x2 -x1)2t- (x12 + x22)


1
dx1dx2
exp
2p
2

- -

entonces

65

(x2 -x1)2t- (x12 + x22)


1
= - [(x12 + x22)- (x2 - x1)2t]
2
2
1
= - [ x12 + x22 - x22t+ 2x2x1t- x12t]
2
1
= - [ x12 (1- t)+ x22(1- t)+ 2x2x1t]
2

2x xt
1

= - x22(1- t)+ (1- t) x12 + 2 1


2
1- t

2 2x2x1t x2t 2 x2t 2


1 2
= - x2(1- t)+ (1- t) x1 +
+
-

2
1- t 1- t 1- t

2
x2t (x2t)2
1 2

= - x2 (1- t)+ (1- t) x1 +



2
1- t
1- t

x2(1- t) 1(x2t)2 (1- t)


x t
= - 2
+
x1 + 2
2
2 1- t
2
1- t

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
-

2 (1- t)/(1- 2t)

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

Distr ibucindesumadevar iablesindependientes

En esta seccin utilizaremos la tcnica de la funcin generadora de momentos para


encontrarladistribucindelasumadevariablesaleatoriasindependientes.

Teor ema3.1: Si X1,X2,,Xn son variablesaleatorias independientes ylafuncin


generadora de momentos existe para todo - h t h para algn h>0 , sea
n

Y = aiXi entonces.
i=1

MY (t) =

Mx (ait)

i
i

=1

Demostr acin:

MY (t) = Eexp aiXit = E[exp(a1X1t+ ...+ ai Xit)]


= E[exp(X1a1t)...exp(Xi ait)]
n

= E[exp(X1a1t)]...E[exp(Xi ait)] = E[exp( Xiait)] =


i=1

68

Mx ( ait)

i
i

=1

El poder del anterior teorema es grande puesto que si pudisemos reconocer


n

Mx (t) esta seria la funcin generadora de momentos de la variable aleatoria

i
i

=1

Y = Xi luegosabramoscomosedistribuyelasumadelas Xi .
i=1

Ejemplo 4.4: Sea X1,X2,,Xn variables aleatorias Gamma independientes,


encontrarladistribucinde Y = X1 + X2 + ...+ Xn

Solucin:

X i

M X i (t) = (1- q .t)- a

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

X1,X2,,Xn son variables aleatorias independientes

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

MXi (t)= (1- 2.t)-1/2

69

aplicandoelteorema

MY (t) =

Mx (t)

i
i

=1

-1/2

(1- 2.t)

= (1
- 2.t )- n/2

=1

Luego la suma de variables Chicuadrado posee una distribucin Chicuadrado con n


gradosdelibertad.

Ejemplo4.6: Mostrarquesi X1,X2,,Xn sonvariablesaleatoriasindependientes


depoissoncadaunaconparmetro l i ,entoncesladistribucindelasumaestambin
unavariablealeatoriadepoissonconparmetroiguala

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 .

Ejemplo4.7: supngase X1,X2,,Xn variablesaleatoriasindependientescon


2
distribucinnormaldeparmetros mi s i2,luego a iXi N (aim iai2s
i ) ytambin
n
2 2
MaiXi (t) = exp(ai m it+ ai2s
i t /2).Halleladistribucinde Y = aixi
i=1

Solucin:
n

MY (t) =

n
2

2 2

Max (t) = exp(a im it+ais i t


i i

i=1

i=1

n
n
t2
= exp ai m i t+ ai2s i2 l
i=1
2
i=1

70

/2) =exp (a im it+ ai2s i2t2 /2)


i=1

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

X1,X2,,Xn n variables aleatorias independientes e idnticamente

distribuidas con una distribucin de probabilidad no especificada donde E(Xi)=m y

Var( Xi)=s 2 paratodo i= 1,2,...,n entonces

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

Teor ema 4.2:

Sean

X1,X2,,Xn n variables aleatorias independientes e

idnticamente distribuidas con una distribucin de probabilidad no especificada y que


tiene una media

m y una varianza s 2 conocidos y finitos. Entonces X tiene una

distribucin con media

m y varianza s 2 /nque tiende hacia una distribucin normal

conforme n tiende a infinito. En otras palabras la variable aleatoria (X - m )/(s / n)


tiendecomolmiteaunadistribucinnormalestndar.

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

n) = MZi (t/ n) = E(exp( Zit/ n)

i=1

dado quelas Zi son variablealeatorias independientes alexpandir exp(Zit/ n) en


unaseriendeTaylor

exp(Zit/ n) = 1+
= 1+

Zit Zi2 t2 Zi3t3 Zi4t4


+
+ 2/3 +
+ ...
24n2
n 2n 6n
t
t2 2
t3
t4
Zi +
Zi + 2/3 Zi3 +
Z4 + ...
2 i
2
n
6
n
24
n
n

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

E( Zi) = 0 y Var (Zi) = E(Zi2 )- E2(Zi)= 1 E (Zi2 )-0= 1 E(Zi2 )=1

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

ahoraveamosque G( n)= (n- 1)!

G(n) =

n-1 - u

du

si z =un-1 dz =( n- 1)un-2

dv= e- u du v = -e-u

G(n) = - e-uun-1 + (n- 1) un-2e-u du = (n-1) un-2e-u du


0

z =un-2 dz =( n- 2)un-3
dv= e-u du v = -e- u

G (n) = (n- 1)- e-uun-2 + (n- 2) un-3e-u du = (n-1)(n- 2) un-3e-u du


0
0
0

75

z =un-3 dz=(n- 3)un-4


dv= e- u du v = -e- u

G (n) = (n- 1)(n- 2)- e-uun-3 + (n- 3) un-4e-u du


0
0

= (n-1)(n- 2)(n- 3) un-4e-u du

ysiseguimoslasecuenciatendramos

G(n) = (n- 1)(n- 2)(n- 3)...(3)(2)(1) un -ne-u du


0

=(n- 1)(n- 2)(n- 3)...(3)(2)(1)(1) =(n- 1)!


ahoramostremoslaspropiedades

G (n + 1)= n!

Sireemplazamosanporn1tendramosque.

G(n+ 1)= (n+ 1- 1)! seaque G (n + 1)= (n)!

G (n + 1)= nG (n)

Porlapropiedadanteriortenemosque

G(n + 1)= n!= n(n- 1)!= nG(n)

G(1/2)= p

G (1/2)= u-1 /2e-u du

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.

B(a ,b )= xa -1 (1- x)b -1 dx

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

si u = (1- x)b-1 du = -( b - 1)(1- x)b -2dx

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

u = (1- x)b-3 du= -( b - 3)(1- x)b -4dx


dv= xa +1 du v =

xa+ 2
a + 2

(b - 1)(b - 2) xa +2(1- x)b -3


b - 31 a + 2
b - 4

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) xa+ b -1


=
...
a (a + 1)(a + 2)
a + b - 10

( 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 - 2k)(N - 2n)(N- 1)1/2


(N - 2)[nk(N - k)(N- n)]1/2

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)

Nota: debe anotarse que la funcin generadora de momentos de la distribucin


hipergeomtricaesdemasiadotediosadetrabajar,porestonoesusada.

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)

3(a + b + 1)[2(a + b )2 + ab (a + b - 6)]


ab (a + b + 2)(a + b + 3)

Nota: La funcin generadora de momentos de la distribucin Beta no tiene una forma


sencilladetrabajarporestonoseutiliza.

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 =

G(1+ 3/a )- 3G (1+ 1/a )G(1+ 2/a )+ 2G 3(1+ 1/a )


[G(1+ 2/a )- G 2(1+ 1/a )]3/2

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

MX (t)= (1- q.t)a

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

M X (t)= (1- 2.t)v/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