Upload
riemma
View
6.760
Download
8
Embed Size (px)
DESCRIPTION
Cómo calcular los momentos de una distribución a partir de la función característica
Citation preview
1
qwertyuiopasdfghjklzxcvbnmqwertyuiopasdfghjklzxcvbnmqwertyuiopasdfghjklzxcvbnmqwertyuiopasdfghjklzxcvbnmqwertyuiopasdfghjklzxcvbnmqwertyuiopasdfghjklzxcvbnmqwertyuiopasdfghjklzxcvbnmqwertyuiopasdfghjklzxcvbnmqwertyuiopasdfghjklzxcvbnmqwertyuiopasdfghjklzxcvbnmqwertyuiopasdfghjlzxcvbnmqwertyuiopasdfghjklzxcvbnmqwertyuiopasdfghjklzxcvbnmqwertyuiopasdfghjklzxcvbnmqwertyuiopasdfghjklzxcvbnmqwertyuiopasdfghjklzxcvbnmqwertyuiopasdfghjklzxcvbnmqwertyuiopasdfghjklzxcvbnmrtyuiopasdfghjklzxcvbnmqwertyuiopasdfghjklzxcvbnmqwertyuiopasdfghjklzxcvbnmqwertyuiopasdf h kl b df h kl
Apuntes de clases del Prof. Emilio Ramón Ortiz Trepowski
Estadística II Facultad Politécnica UNA Funciones Generadoras de Momentos y Funciones Características
Abril/2010
2
Funciones Generadoras
Sabemos que ( )mm E Xμ′ = es llamado el momento de orden m de una distribución. Si 1m = ,
tenemos la esperanza matemática, la cual es el primer momento. ( )2E X es el segundo
momento alrededor del origen el cual es 2 2σ μ+ . El cálculo de cualesquiera de estos
momentos es engorroso y por lo tanto sería deseable derivar los momentos de una
distribución de algún esquema más general antes que computar ( )mE X para cada .m
La Función Generadora de Momentos
Definición
La función ( ) ( ) ( )Xt xt xtm t E e e f x dx e dF∞ ∞
−∞ −∞= = =∫ ∫ es llamada la función generadora de
momentos (también conocida como la transformada de Laplace) de .X La función está
definida para aquellos valores de t para los cuales la integral existe.
La Función Característica
Definición
La función ( ) ( )iXtt E eφ = donde 2 1i = − , esto e, el complejo i , es llamada la función
característica de .X
Usando las expansiones de series de potencia de ixte , sin ,xt y cos xt , se puede verificar que
cos sin .ixte xt i xt= + Por lo tanto,
( ) ( ) ( )cos sin cos sint xtdF i xtdF xtf x dx i xt f x dxφ∞ ∞ ∞ ∞
−∞ −∞ −∞ −∞= + = +∫ ∫ ∫ ∫
Cada una de las integrales es llamada una transformada de Fourier. Porque cos xt y
sin xt no exceden 1 y porque una función de densidad de probabilidad integra o suma 1, cada
una de las integrales de Fourier existe y por lo tanto ( )tφ siempre existe. Así la función
característica siempre existe a pesar de que la función generadora de momentos puede no existir.
La expansión de series de potencia de iXte es
3
( )
0 !
riXt
r
iXte
r
∞
=
=∑
Por lo tanto, la función característica también puede escribirse como
( )( )
0 0! !
rr r
rr r
E iXt i ttr r
φ μ∞ ∞
= =
⎡ ⎤⎣ ⎦ ′= =∑ ∑
donde ( )rr E Xμ′ = es el momento de orden r de .X Así podemos observar que el momento
de orden r , si existe, es generado como el coeficiente de ( )
!
r ri tr
en la serie de expansión
infinita de ( ).tφ Por lo tanto, si podemos obtener la función característica de una
distribución, podemos obtener todos los momentos de una distribución más fácilmente.
Teorema.
Una función característica es uniformemente continua sobre la línea real.
Las pruebas pueden encontrarse en Ramanathan y Lukacs.
Asumiendo que ( )tφ es diferenciable bajo el signo de la integral obtenemos que:
( ) ixtt e ixdFφ∞
−∞′ = ∫
Sigue que ( ) ( )0 iE Xφ′ = . Procediendo de manera similar, obtenemos que
( ) ( )0
0r
r rr
d ti
dtφ
φ μ⎡ ⎤
′= =⎢ ⎥⎣ ⎦
suponiendo que la derivada de orden r existe. Así, si el momento existe y solo si las derivadas
correspondientes de ( )tφ existen en 0,t = la técnica descrita aquí es muy útil para derivar los
momentos de una distribución.
Dado que la función característica siempre existe, incluso una distribución como la de Cauchy para la cual los momentos no existen tiene una bien definida función característica. Puede
demostrarse que la función característica de una distribución Cauchy es ( ) tt eφ −= . Pero,
porque ( )tφ no es diferenciable en 0,t = su primer y mayores momentos no existe.
Ejemplo: Función Característica de la Normal Estándar y de la Normal General
4
Derivemos la función característica de una distribución normal estándar ( )Z y luego
deduzcamos lo mismo para una distribución ( )2,X N μ σ∼ . Queremos que ( )iZtE e la cual
es
( )( )
( )
2 22
2 22 2
22
22 2
1 12 2
z it tizt z
Z
z it tt t
t e e dz e dz
e e dz e
φπ π
⎡ ⎤− − −∞ ∞ ⎢ ⎥⎣ ⎦−
−∞ −∞
⎡ ⎤− − −∞ ⎢ ⎥⎣ ⎦− −
−∞
= =
⎡ ⎤= =⎢ ⎥
⎢ ⎥⎣ ⎦
∫ ∫
∫
porque el integrando es la función de densidad normal con media it y varianza 1 y por lo tanto
integra a 1. Así, ( ) 2 2tZ t eφ −= para una distribución normal estándar.
Para obtener la función característica para una distribución ( )2,X N μ σ∼ primero notemos
que .X Zμ σ= +
( ) ( ) ( )
2 2 2 22 2i t
i Z t i t iZ t i tX Z
i t t t
t E e e E e e t
e e eμ
μ σ μ σ μ
μ σ σ
φ φ σ+
− −
⎡ ⎤ ⎡ ⎤= = = =⎣ ⎦⎣ ⎦
= =
Por lo tanto la función característica de ( )2,X N μ σ∼ es 2 2 2i t te
μ σ− . Podemos usar la función
característica para derivar la media y la varianza de la normal general.
Diferenciando ( )tφ con respecto a t obtenemos que
( ) ( )2 2 2 2i t tX t e i t
μ σφ μ σ−⎡ ⎤′ = −⎣ ⎦
Por lo tanto, ( ) ( )0 .XiE X iφ μ′= = Se deduce de esto que ( ) .E X μ=
Diferenciando una vez más,
( ) ( ) ( )2 2 2 22 2 2 2 2i t i tt tX t e i t e
μ μσ σφ μ σ σ− −⎡ ⎤ ⎡ ⎤′′ = − + −⎣ ⎦ ⎣ ⎦
Por lo tanto,
( ) ( )2 2 2 2 2 20Xi E X i iφ μ σ′′= = +
Por lo tanto, ( )2 2 2E X μ σ= + y ( ) 2.Var X σ= Esto establece el resultado expuesto
anteriormente, que ( )2,X N μ σ∼ tiene media μ y varianza 2.σ
Ejemplo: Función Característica de la Distribución Binomial
Para la distribución binomial, ( ),B n p , tenemos que
5
( ) ( ) ( ) ( )0 0
n n x niXt ixt x n x it n x itn nt E e e p q pe q q pe
x xφ − −⎛ ⎞ ⎛ ⎞
= = = = +⎜ ⎟ ⎜ ⎟⎝ ⎠ ⎝ ⎠
∑ ∑
la que hace uso de la expansión binomial. Diferenciando ( )tφ con respecto a t , tenemos que
( ) ( ) 1.
nit itt n q pe pe iφ−
′ = + Por lo tanto (observando que 1),p q+ = ( ) ( )0 .iE X inpφ′= =
La media de una binomial es por lo tanto .np Diferenciando ( )tφ′ tenemos,
( ) ( ) ( )( ) ( )1 1 22 1n nit it it itt n q pe pe t n n q pe pe tφ− −
′′ = + + − +
Por lo tanto,
( ) ( ) ( )2 2 2 2 20 1i E X i np n n p tφ′′= = + −
Por lo tanto, ( ) ( )2 2 2 1E X n p np p= + − de lo cual tenemos que,
( ) ( )1 .Var X np p npq= − = La distribución binomial tiene por lo tanto media np y varianza
igual a .npq
Ejercicios a Resolver para el Exámen
1. Derive la asimetría y la kurtosis para una distribución ( )0,1 .X N∼
2. Compute ( )tφ para la distribución exponencial estándar con la función de densidad
( ) xf x e−= , para 0,x > y cero en cualquier otro lado. Úsela para derivar la media, la
varianza, la asimetría y la kurtosis.