Facundo E.

Cicilio Titular: Tito Lasanta Materia: Estadística II

Función Generatriz de Momentos

Módulo V – Estadística II (285)

La función generatriz es una esperanza, la esperanza difiere si la variable es discreta o continua.

𝜙𝑥 (𝑡) = 𝑀𝑥 (𝑡) = 𝐸(𝑒 𝑥𝑡 )
Si es discreta:

𝜙𝑥 (𝑡) = ∑ 𝑒 𝑥𝑡 𝑝(𝑥)
𝑥∈𝑅𝑥

Si es continua:
+∞

𝜙𝑥 (𝑡) = ∫ 𝑒 𝑥𝑡 𝑓(𝑥)𝑑𝑥
𝑥=0

Ejemplo variable discreta:

X f(x) Hallar 𝜙𝑥 (𝑡) x es una variable aleatoria discreta

0 0,2 𝑅𝑥 = (−4,0,1)
1 0,3
-4 0,5

𝜙𝑥 (𝑡) = 𝐸(𝑒 𝑥𝑡 ) = ∑ 𝑒 𝑥𝑡 (𝑥) = 𝑒 −4𝑡 𝑝(−4) + 𝑒 0𝑡 𝑝(0) + 𝑒 1𝑡 𝑝(1)

𝑥∈𝑅𝑥

𝜙𝑥 (𝑡) = 𝑒 −4𝑡 0.5 + 1 0.2 + 𝑒 𝑡 0.3

Ejemplo variable continua:
1
𝑥 ∈ (4,6)
𝑓(𝑥) {2 "𝑥" continua
0 𝑓𝑢𝑒𝑟𝑎
+∞ 6
1
𝜙𝑥 (𝑡) = ∫ 𝑒 𝑥𝑡 𝑓(𝑥)𝑑𝑥 = 𝜙𝑥 (𝑡) = ∫ 𝑒 𝑥𝑡 𝑑𝑥
2
−∞ 4

𝑒 6𝑡 1 𝑒 4𝑡 1 1
− = (𝑒 6𝑡 − 𝑒 4𝑡 )
𝑡 2 𝑡 2 2𝑡

La función generatriz permite generar momentos.

• Propiedad 1: 𝑥 es un v.a. y 𝜙𝑥 (𝑡) es la F.G.M. de 𝑥 → Si 𝜙 es derivable 𝑘 veces

𝜕𝜙𝑘
entonces en 𝑡 = 0 la derivada de (0) = 𝑚𝑘 = 𝐸(𝑥 𝑘 )
𝜕𝑡
Facundo E. Cicilio Titular: Tito Lasanta Materia: Estadística II

𝑚𝑘 𝑒𝑠 𝑒𝑙 𝑚𝑜𝑚𝑒𝑛𝑡𝑜 𝑎𝑏𝑠𝑜𝑙𝑢𝑡𝑜 𝑑𝑒 𝑜𝑟𝑑𝑒𝑛 𝑘 𝑑𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑥 𝑜 𝑠𝑒𝑎 𝐸(𝑥 𝑘 )

Si yo conozco la función generatriz de momentos y la derivo una vez, y la evaluó en 0
me va a dar la esperanza de x si la derivo 2 veces, me va a dar la esperanza de 𝐸(𝑥 2 ).

Le vamos a encontrar una forma a la generatriz de cada una de esas variables, y si

nosotros conocemos la generatriz de otra variable, que no sabemos cómo se distribuye,
pero vemos que tiene la forma de la generatriz a la que si le conocemos su distribución
vamos a poder decir que la variable de la distribución desconocida tiene la misma
distribución de probabilidad que la conocida.

• Propiedad 2: Dadas 2 variables aleatorias 𝑥 e 𝑦, si conozco la 𝜙𝑥 (𝑡) y 𝜙𝑦 (𝑡) y tienen la

misma forma, entonces 𝑥 e 𝑦 tiene la misma distribución de probabilidad.

¿Cómo me doy cuenta si una variable tiene distribución normal o no?

1- Haciendo test de bondad de ajuste, son test que le permiten a uno constatar si la
distribución de probabilidad de una muestra que nosotros tomamos se parece a cierta
distribución normal teórica.
2- Si yo le conozco a las variables sueldos que generatriz de momentos tiene, y sé que
tiene la forma de la función generatriz de una normal llego a la conclusión de que los
sueldos se distribuyen en forma normal.

Forma quiere decir con los mismos parámetros en su expresión y con las mismas potencias y
expresiones de “𝑡”en su fórmula.

Propiedades de función generatriz:

1. 𝝓𝒂𝒙 (𝒕) = 𝝓𝒙 (𝒂𝒕)

2.𝝓𝒙+𝒚 (𝒕) = 𝝓𝒙 (𝒕) ∗ 𝝓𝒚 (𝒕)

3. 𝝓𝒂𝒙+𝒃 (𝒕) = 𝒆𝒃𝒕 𝝓𝒙 (𝒂𝒕)

1. Si 𝑥 es una variable aleatoria y 𝑎 ∈ 𝑅 → 𝜙𝑎𝑥 (𝑡) = 𝜙𝑥 (𝑎𝑡)

Ej. La empresa A tiene unos sueldos que se distribuyen de esta manera y la empresa
B triplica los sueldos. ¿Cómo conozco la generatriz de la empresa B? bueno la
generatriz del triple de x valuado en 3 t.

Demostración:

𝜙𝑎𝑥 (𝑡) = 𝐸(𝑒 (𝑎𝑥)𝑡 ) = 𝐸(𝑒 𝑥(𝑎𝑡) ) = 𝜙𝑥 (𝑎𝑡)

Recordar: 𝜙𝑥 (𝑡) = 𝑀𝑥 (𝑡) = 𝐸(𝑒 𝑥𝑡 )

2. Si 𝑥 e 𝑦 son variables aleatorias independientes, entonces,

𝜙𝑥+𝑦 (𝑡) = 𝜙𝑥 (𝑡) ∗ 𝜙𝑦 (𝑡)

3. Generatriz de la suma de dos variables:

𝒙 e 𝒚 son independientes
𝜙𝑥+𝑦 (𝑡) = 𝐸(𝑒 (𝑥+𝑦)𝑡 ) = 𝐸(𝑒 𝑥𝑡 𝑒 𝑦𝑡 ) = 𝐸(𝑒 𝑥𝑡 )𝐸(𝑒 𝑦𝑡 )
Facundo E. Cicilio Titular: Tito Lasanta Materia: Estadística II

Si 𝑎 ∈ 𝑅, 𝑏 ∈ 𝑅 𝑥 es una variable aleatoria → 𝒙 e 𝒚 son independientes

𝜙𝑎𝑥+𝑏 (𝑡) = 𝑒 𝑏𝑡 𝜙𝑥 (𝑎𝑡)
Ejemplo:
1
−
Conozco 𝜙𝑥 (𝑡) = (1 − 3𝑡)−4 , 𝜙𝑦 (𝑡) = (1 − 5𝑡) 2 𝑥 𝑒 𝑦 𝑠𝑜𝑛 𝑖𝑛𝑑𝑒𝑝.

Y quiero:
a) 𝜙−2𝑥 (𝑡)
b) 𝜙3𝑥−𝑦 (𝑡)

−4
a) 𝜙−2𝑥 (𝑡) = 𝜙𝑥 (−2𝑡) = (1 − 3(−2𝑡)) = (1 + 6𝑡)−4
b) 𝜙3𝑥−𝑦 (𝑡) = 𝜙3𝑥+(−𝑦) (𝑡) = 𝜙3𝑥 (𝑡) 𝜙(−𝑦) (𝑡) = 𝜙𝑥 (3𝑡)𝜙𝑦 (−𝑡) = (1 −
1 1
−
3 . 3𝑡)−4 (1 − 5(−𝑡)) 2 = (1 − 9𝑡)−4 (1 + 5𝑡)−2

Cuando yo quiero calcular por definición una función generatriz tengo que saber si la variable es
discreta o continua para ver si sumo o integro, y también qué recorrido tiene, para ver donde
sumo o donde integro y que sumo y que integro. Observación: la generatriz de cualquier variable
tiene que dar 1. 𝜙𝑦 (0) = 1. Si no da 1 no es una función generatriz.

Funciones Generatrices de Momentos de distribuciones de probabilidad:

1) función generatriz de una Binomial:

𝑥~𝐵(𝑚, 𝑝) 𝜙(𝑡) = 𝐸(𝑒 𝑥𝑡 )

Variable aleatoria discreta 𝑅𝑥 = (0, 1, … , 𝑚)
𝑚
𝑝(𝑥) = ( ) 𝑝 𝑥 𝑞 𝑚−𝑥
𝑥
𝑚
𝑚
𝜙𝑥 (𝑡) = ∑ 𝑒 𝑥𝑡 ( ) 𝑝 𝑥 𝑞 𝑚−𝑥
𝑥
𝑥=0
𝑚
𝑚
𝜙𝑥 (𝑡) = ∑ ( ) (𝑒 𝑡 𝑝)𝑥 𝑞 𝑚−𝑥 → 𝑒𝑠 𝑒𝑙 𝑏𝑖𝑛𝑜𝑚𝑖𝑜 𝑑𝑒 𝑛𝑒𝑤𝑡𝑜𝑛
𝑥
𝑥=0
𝜙𝑥 (𝑡) = (𝑞 + 𝑒 𝑡 𝑝)𝑚 → 𝜙𝑥 (𝑡) = 𝑝𝑒 𝑡 + 𝑞 𝑚

Si la variable tiene distribución binomial su generatriz tiene esta forma.

𝑛
Recordar: Binomio de newton (𝑎 + 𝑏)𝑛 = ∑𝑛
𝑖=0 ( ) 𝑎
𝑛−𝑖 𝑖
𝑏
1
Ejemplo: Si 𝑥~𝐵𝑖(10, 0.15) ¿ 𝜙𝑥 (𝑡)? Si yo se que la función binomial, la variable tiene
la función generatriz presentada anteriormente, sabemos que 𝑚 = 10 𝑦 𝑝 = 0.15
por lo tanto 𝑞 = 0.85

𝜙𝑥 (𝑡) = (0.15𝑒 𝑡 + 0.85)10

Ejemplo si 𝑦 es una variable cuya 𝜙𝑦 (𝑡) = (0.2𝑒 𝑡 + 0.8)5 ¿podría decir que distribución
tiene 𝑦? Si porque tiene la misma forma, es decir, tiene una forma binomial con
parámetro 𝑝 = 0.2 , 𝑞 = 0,8 y 𝑚 = 5. Y también tiene que ser 𝑦~𝐵𝑖(5, 0.2)
Facundo E. Cicilio Titular: Tito Lasanta Materia: Estadística II

¿Esto es una binomial?: 𝜙𝑦 (𝑡) = (0.2𝑒 −𝑡 + 0.8)5 . NO porque tiene un menos delante
del t, ya cambia la forma de la función, tiene que ser “el calco”, “la misma forma”.
3
¿Esto es una binomial?: 𝜙𝑦 (𝑡) = (0.2𝑒 𝑡 + 0.8)5 . NO porque el m es el número de
ensayos de Bernoulli que hago en una binomial, el 𝑚 tiene que ser un número natural.

¿Esto es una binomial?: 𝜙𝑦 (𝑡) = (0.1𝑒 𝑡 + 0.6)5 . NO porque 0.1 + 0.6 = 0.7, y esto en
una binomial tiene que sumar 1.

¿Esto es una binomial?: 𝜙𝑦 (𝑡) = 2(0.2𝑒 𝑡 + 0.8)5 . NO.

¿Esto es una binomial?: 𝜙𝑦 (𝑡) = (0.2𝑒 𝑡 − 0.8)5 . NO.

2) Función generatriz de una Poisson:

𝑥~𝑝(𝜆)
Variable aleatoria discreta 𝑅𝑥 = {0, 1, … , }
𝑒 −𝜆 𝜆𝑥
𝑝(𝑥) = 𝜆!

𝑒 −𝜆 𝜆𝑥
𝜙𝑥 (𝑡) = ∑∞
𝑥=0 𝑒
𝑥𝑡
𝑥!
𝑥
(𝑒 𝑡 𝜆) 𝑒 −𝜆
𝜙𝑥 (𝑡) = ∑∞
𝑥=0 𝑥!
𝑥
(𝑒 𝑡 𝜆) 𝑡𝜆 𝑡) 𝑡 −1)
𝜙𝑥 (𝑡) = 𝑒 −𝜆 ∑∞
𝑥=0 = 𝑒 −𝜆 𝑒 𝑒 = 𝑒 −𝜆(1−𝑒 = 𝑒 𝜆(𝑒
𝑥!

𝑥𝑖
Recordar: 𝑒 𝑥 = ∑∞
𝑖=0 Desarrollo en seria de Mc Laurin.
𝑖!
𝑡)
𝜙𝑥 (𝑡) = 𝑒 −𝜆(1−𝑒 ← 𝐺𝑒𝑛𝑒𝑟𝑎𝑡𝑟𝑖𝑧 𝑑𝑒 𝑢𝑛𝑎 𝑃𝑜𝑖𝑠𝑠𝑜𝑛
El 𝜆 tiene que ser positivo en una Poisson.

Ejemplo: Si 𝑦 es
𝑡
𝜙𝑦 (𝑡) = 𝑒 −3(1−𝑒 ) ¿Qué distribución tiene 𝑦? Si, tiene una forma de la generatriz de
una Poisson. Por lo tanto, podemos asegurar que 𝑦 es una Poisson con 𝜆 = 3 →
𝑦~𝑃(3)
3) X es una variable Geométrica 𝑥~𝑔𝑒 (𝑝)
Variable aleatoria discreta, el recorrido de esta variable va de 𝑅𝑥 = (1, 2, … , ∞),
𝑝(𝑥) = 𝑝 𝑞 𝑥−1
∞

𝜙𝑥 (𝑡) = ∑ 𝑒 𝑥𝑡 𝑝 𝑞 𝑥−1
𝑖=1

Tenemos que tratar de obtener la suma de esta serie que no dependa de x, que, si
dependa eventualmente de t y eventualmente de p y q, que no son la variable aleatoria.

Recordar: Serie Geométrica

Facundo E. Cicilio Titular: Tito Lasanta Materia: Estadística II

∑∞
𝑛=0 𝑎 𝑟
𝑛
𝑎 ∈ 𝑅 − {0} 𝑟 ∈ 𝑅 − {0} R: número real

En una seria geométrica uno va sumando términos donde cada termino se obtiene
multiplicando por “𝑟”, el término anterior (𝑟 → 𝑟𝑎𝑧ó𝑛 𝑑𝑒 𝑙𝑎 𝑠𝑒𝑟𝑖𝑒). Si hago un término
divido el anterior eso me va a dar r

Si |𝑟| < 1 → 𝐿𝑎 𝑠𝑒𝑟𝑖𝑒 𝑔𝑒𝑜𝑚𝑒𝑡𝑟𝑖𝑐𝑎 𝐶𝑜𝑛𝑣𝑒𝑟𝑔𝑒. ¿Qué quiere decir que converge? Que la
𝑎
suma de la serie da 𝑆 = 1−𝑟

Si |𝑟| ≥ 1 → 𝐿𝑎 𝑠𝑒𝑟𝑖𝑒 𝐷𝑖𝑣𝑒𝑟𝑔𝑒.

En términos de series esto significa que si yo sumara los infinitos términos que tiene esta
serie la suma tendería a acercarse a un valor siempre y cuando el módulo de la razón
sea estrictamente menor que uno. Si el valor por el que yo voy multiplicando cada
termino para obtener el siguiente que es la razón fuera 1 o más grande que uno, esa
suma infinita va dando cada vez más grande o va oscilando con lo cual no existe. En el
único caso en el que uno podría decir a cuanto tiende esta suma infinita, es si el módulo
de la razón es menor que uno. Recordar: que las sumas van desde cero a infinito, en esta
serie. Pero podría ir de 1 a infinito
∞ ∞

∑ 𝑎 𝑟 = ∑ 𝑎 𝑟 𝑛−1
𝑛

𝑛=0 𝑛=1

Volviendo al ejercicio:
𝑝(𝑥) = 𝑝 𝑞 𝑥−1

𝜙𝑥 (𝑡) = ∑∞
𝑖=1 𝑒
𝑥𝑡
𝑝 𝑞 𝑥−1
𝑒𝑡
𝜙𝑥 (𝑡) = ∑∞
𝑖=1 𝑝 𝑞
𝑥−1 𝑥𝑡
𝑒 𝑒𝑡

𝜙𝑥 (𝑡) = ∑∞
𝑖=1 𝑝 𝑞
𝑥−1 𝑥𝑡 𝑡 −𝑡
𝑒 𝑒 𝑒
𝜙𝑥 (𝑡) = ∑∞
𝑖=1 𝑝 𝑞
𝑥−1 𝑥𝑡 −𝑡 𝑡
𝑒 𝑒 𝑒
𝜙𝑥 (𝑡) = ∑∞
𝑖=1 𝑝 𝑞
𝑥−1 𝑥𝑡−𝑡 𝑡
𝑒 𝑒

𝜙𝑥 (𝑡) = ∑∞
𝑖=1 𝑝 𝑞
𝑥−1 𝑡(𝑥−1) 𝑡
𝑒 𝑒
∞

𝜙𝑥 (𝑡) = ∑ 𝑝𝑒 𝑡 (𝑞𝑒 𝑡 )𝑥−1

𝑖=1

𝜙𝑥 (𝑡) = ∑∞ 𝑡 𝑡 𝑥−1 }
𝑖=1 𝒑𝒆 (𝑞𝑒 ) 𝐸𝑠 𝑢𝑛𝑎 𝑠𝑒𝑟𝑖𝑒 𝐺𝑒𝑜𝑚é𝑡𝑟𝑖𝑐𝑎 ∑∞
𝑛=1 𝒂 𝑟
𝑛−1

Donde 𝑎 = 𝑝𝑒 𝑡 y 𝑟 = 𝑞𝑒 𝑡
Si nosotros identificamos que esto es una serie geométrica, vamos a poder decir que esa
serie converge a un valor siempre y cuando el módulo de la razón sea menor que 1
(Converge).

Si el |𝑞𝑒 𝑡 | < 1 → 𝐿𝑎 𝑠𝑒𝑟𝑖𝑒 𝑔𝑒𝑜𝑚𝑒𝑡𝑟𝑖𝑐𝑎 𝐶𝑜𝑛𝑣𝑒𝑟𝑔𝑒

1 1 1
ósea, como 0 < 𝑞 < 1 y 𝑞𝑒 𝑡 < 1 → 𝑒 𝑡 < → 𝑙𝑛(𝑒 𝑡 ) < 𝑙𝑛 ( ) → 𝑡 < 𝑙𝑛 ( )
𝑞 𝑞 𝑞
Facundo E. Cicilio Titular: Tito Lasanta Materia: Estadística II

1 𝑎 𝜙𝑒 𝑡
Si se cumple esto 𝑡 < 𝑙𝑛 ( ) → 𝜙𝑥 (𝑡) existe 𝑦 𝜙𝑥 (𝑡) = = sí t no cumple
𝑞 1−𝑟 1−𝑞𝑒 𝑡
esta condición la función generatriz no existe. Igual nosotros lo usamos donde existe,
sino no tiene mucho sentido.
0,2𝑒 𝑡
Ejemplo: si la 𝜙𝑦 (𝑡) = 1−0,8𝑒 𝑡 ¿Qué distribución tiene y?

𝑝 = 0,2 y 𝑞 = 0,8 𝑝𝑞 = 1 y además las 0 < 𝑝 < 1 0 < 𝑞 < 1

Como la función generatriz tiene la misma forma que la generatriz de una geométrica,
la variable y tiene distribución como una geométrica, es una geométrica.

Como la función generatriz de 𝑦 tiene la misma forma que la función generatriz de una
geométrica, la función generatriz de 𝑦 → 𝑦 = 𝑔𝑒 (0,2)
𝛼𝑒 𝑡
Supongamos que 𝜙𝑦 (𝑡) = 1+𝛽𝑒 𝑡 𝑦~𝑔𝑒 (𝑝) si 𝛼 = 𝑝 y 𝛽 = −𝑞

𝑝𝑒 𝑡
𝜙𝑦 (𝑡) =
1 − 𝑞𝑒 𝑡
0<𝛼<1 0<𝛽<1 𝛼−𝛽 =1
Si algo de esto no se cumple, no puedo asegurar que 𝑦 sea una geométrica
1 2
+∞ 1
Recordar: ∫−∞ 𝑒 −2 𝑧 𝑑𝑧 = 1 la integral de 𝑓(𝑧) −∞ 𝑎 + ∞ y el área uno sabe que
√2𝜋
debajo de la integral es uno, por la campana de gauss. En amarillo 𝑓(𝑧)

∑ 𝑒 𝑥𝑡 𝑝(𝑥)
𝜙𝑥 (𝑡) = { en el recorrido
∫ 𝑒 𝑥𝑡 𝑓(𝑥) 𝑑𝑥

4. Normal Estándar 𝑁(0,1)

𝑍~𝑁(0,1) 𝑅𝑥 = 𝑅
1 2
𝜙𝑧 (𝑡) = 𝑒 2𝑡 FGM Normal estándar 𝑓(𝑧)
𝑍~𝑁(0,1)
1 1 2
𝑓(𝑧) = 𝑒 −2 𝑧
√2𝜋
+∞
1 1 2
𝜙𝑧 (𝑡) = ∫ 𝑒 𝑧𝑡 𝑒 −2 𝑧 𝑑𝑧
−∞ √2𝜋
+∞
1 1 2
𝜙𝑧 (𝑡) = ∫ 𝑒 −2(𝑧 −2𝑧𝑡)
𝑑𝑧
−∞ √2𝜋
+∞
1 1 2 −2𝑧𝑡) 1 2 1 2
𝜙𝑧 (𝑡) = ∫ 𝑒 −2(𝑧 𝑒 2𝑡 𝑒 −2𝑡 𝑑𝑧
−∞ √2𝜋
Facundo E. Cicilio Titular: Tito Lasanta Materia: Estadística II

+∞
1 1 2 −2𝑧𝑡) 1 2 1 2
𝜙𝑧 (𝑡) = ∫ 𝑒 −2(𝑧 𝑒 2𝑡 𝑒 −2𝑡 𝑑𝑧
−∞ √2𝜋
+∞
1 1 2 −2𝑧𝑡+𝑡 2 ) 1 2
𝜙𝑧 (𝑡) = ∫ 𝑒 −2(𝑧 𝑒 2𝑡 𝑑𝑧
−∞ √2𝜋
+∞
1 1
(𝑧−𝑡)2
1 2
𝜙𝑧 (𝑡) = ∫ 𝑒 −2 𝑒 2𝑡 𝑑𝑧
−∞ √2𝜋
+∞
1 2 1 1
(𝑧−𝑡)2
𝜙𝑧 (𝑡) = 𝑒 2𝑡 ∫ 𝑒 −2 𝑑𝑧
−∞ √2𝜋
Aplico sustitución→ Llamo 𝑢 = 𝑧 − 𝑡 si 𝑧 tiende a mas infinito 𝑢 también y viceversa.

y 𝑑𝑢 = 𝑑𝑧
+∞
1 2 1 1
(𝑢)2
𝜙𝑧 (𝑡) = 𝑒 2𝑡 ∫ 𝑒 −2 𝑑𝑢
−∞ √2𝜋
1 2
+∞ 1
Por ley de cierre sabemos que la integral vale 1 por: ∫−∞ 𝑒 −2 𝑧 𝑑𝑧 = 1
√2𝜋
1 2
𝜙𝑧 (𝑡) = 𝑒 2𝑡 . 1
1 2
𝜙𝑧 (𝑡) = 𝑒 2𝑡

5. Distribución de la Normal NO estándar: 𝑥 ~ 𝑁(𝜇, 𝜎)

Yo sé que:
𝑥−𝜇
𝑍= ~ 𝑁(0,1)
𝜎
O sea 𝑥 = 𝜎𝑧 + 𝜇
Yo quiero calcular la generatriz de una "𝑥" que no es estándar, pero esta "𝑥" que no es
estándar, la puedo calcular en función de 𝑍 que si es estándar.
Sabemos que 𝜎 = ℝ > 0 y 𝜇 = ℝ
Por propiedades,
𝜙𝑥 (𝑡) = 𝜙𝜎𝑧+𝜇 (𝑡)

𝜙𝑥 (𝑡) = 𝑒 𝜇𝑡 𝜙𝑧 (𝜎 𝑡)

Sabemos que, una 𝑁(0,1) es:

1 2
𝜙𝑧 (𝑡) = 𝑒 2𝑡 → 𝑒𝑡22

Por lo tanto,
(𝑟𝑡)2
𝜙𝑥 (𝑡) = 𝑒 𝜇𝑡 𝑒 2
(𝜎 𝑡)2
𝜙𝑥 (𝑡) = 𝑒 𝜇𝑡 𝑒 2
Facundo E. Cicilio Titular: Tito Lasanta Materia: Estadística II

(𝜎 𝑡)2
𝜙𝑥 (𝑡) = 𝑒 𝜇𝑡+ 2

1 1 1 𝑥−𝜇
𝑒 −2[−2 ( )]
𝑓(𝑧) = 𝜎
√2𝜋 𝜎
1 2 2
𝜙𝑥 (𝑡) = 𝑒 𝜇𝑡+2𝜎 𝑡
FGM normal

𝜙𝑥 (𝑡) = (1 − 𝛽𝑡)−𝛼 FGM gamma

𝑛
𝜙𝑥 (𝑡) = (1 − 2𝑡)− 2 FGM chi cuadrado, caso particular de gamma
𝜙𝑥 (𝑡) = (1 − 𝛽𝑡)−1 FGM exponencial caso particular de gamma
Función Cumulante:

Se llama función cumulante es una variable aleatoria y 𝜙𝑥 (𝑡) → la función generatriz

de 𝑥

Entonces se define como función cumulante 𝑟(𝑡)

𝑟(𝑡) = 𝑙𝑛𝜙𝑥 (𝑡)

¿para que la definimos? Para usar la siguiente propiedad:

𝑟𝑥 (𝑡)es la función cumulante entonces la derivada de la función cumulante evaluada en 0 da la

esperanza de la variable y la derivada segunda evaluada en 0 da la varianza de la variable. Se usa
sobre todo cuando la función es exponencial 𝑒 𝑡+4𝑡 si aplico el cumulante me queda 𝑡 + 4𝑡.

𝑟𝑥 ´(0) = 𝐸(𝑥)
𝑟𝑥 ´´(0) = 𝑉𝑎𝑟(𝑥)
Demostración:
𝑟𝑥 (𝑡) = 𝑙𝑛𝜙𝑥 (𝑡)
1
𝑟𝑥 ´(𝑡) = 𝜙 𝜙´𝑥 (𝑡)
𝑥 (𝑡)

1
𝑟𝑥 ´(0) = 𝜙 𝜙´𝑥 (0)
𝑥 (0)

1
𝑟𝑥 ´(0) = 1 𝜙´𝑥 (0)

𝑟𝑥 ´(0) = 𝐸(𝑥) → Esperanza

( 𝜙´𝑥 (𝑡))´ 𝜙𝑥 (𝑡)−( 𝜙´𝑥 (𝑡)) 𝜙´𝑥 (𝑡)
𝑟𝑥 ´´(𝑡) = 𝜙𝑥2 (𝑡)

𝜙´´𝑥 (𝑡) 𝜙𝑥 (𝑡)−( 𝜙´𝑥 (𝑡)) 𝜙´𝑥 (𝑡)

𝑟𝑥 ´´(𝑡) = 𝜙𝑥2 (𝑡)

2
𝜙´´𝑥 (0) 𝜙𝑥 (0)−( 𝜙´𝑥 (0))
𝑟𝑥 ´´(0) = 𝜙𝑥2 (0)

𝐸(𝑥 2 ) 1−(𝐸(𝑥) )2
𝑟𝑥 ´´(0) = 12
→ 𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎

Recordar: la generatriz evaluada en 0 siempre nos da 1.

Facundo E. Cicilio Titular: Tito Lasanta Materia: Estadística II