Función Generadora de Momentos: fórmulas y propiedades

Funciones generadoras de momentos en probabilidad: Cálculo y propiedades

La función generadora de momentos (FGM) define la distribución de una variable aleatoria mediante el valor esperado de una exponencial: $M_W(t) = E[e^{tW}]$. Este método permite extraer todos los momentos de la distribución diferenciando en $t=0$. La FGM existe si la integral converge en un entorno de cero, lo que excluye distribuciones con colas pesadas como la de Cauchy.

Los momentos $E[W^r]$ describen la forma de la distribución. El primer momento es la media $E[W]$, y el segundo está relacionado con la varianza $Var(W) = E[W^2] - (E[W])^2$. Calcular directamente momentos superiores es complicado por la amplificación de colas, pero la FGM lo resuelve mediante expansión en serie de Taylor.

Expansión matemática y extracción de momentos

Expande $e^{tW}$ en serie de Taylor:

$$e^{tW} = 1 + tW + \frac{(tW)^2}{2!} + \frac{(tW)^3}{3!} + \dots$$

Al tomar expectativas se obtiene:

$$M_W(t) = 1 + t E[W] + \frac{t^2 E[W^2]}{2!} + \frac{t^3 E[W^3]}{3!} + \dots$$

Diferenciando respecto a $t$ y evaluando en $t=0$ se aíslan los momentos:

• $M_W'(0) = E[W]$
• $M_W''(0) = E[W^2]$
• En general: $M_W^{(r)}(0) = E[W^r]$

Esto funciona porque el coeficiente de $t^r / r!$ es igual a $E[W^r]$. Para que la FGM exista, $E[e^{tW}] < \infty$ debe cumplirse en algún entorno de $t=0$.

Propiedad de aditividad para variables independientes

Una ventaja clave de las FGM es su multiplicatividad para sumas de variables aleatorias independientes $V$ y $W$:

$$M_{V+W}(t) = M_V(t) \cdot M_W(t)$$

Demostración:

$$M_{V+W}(t) = E[e^{t(V+W)}] = E[e^{tV} e^{tW}] = E[e^{tV}] E[e^{tW}] = M_V(t) M_W(t)$$

Esto simplifica el análisis de convoluciones, donde el cálculo directo es engorroso.

Ejemplo: Distribución exponencial

Considera $W \sim Exp(\lambda)$ con densidad $f(x) = \lambda e^{-\lambda x}$, $x \geq 0$. La FGM es:

$$M_W(t) = E[e^{tW}] = \int_0^\infty e^{tx} \lambda e^{-\lambda x} dx = \lambda \int_0^\infty e^{-(\lambda - t)x} dx$$

La integral converge para $t < \lambda$ y vale $\frac{\lambda}{\lambda - t}$:

$$M_W(t) = \frac{\lambda}{\lambda - t}, \quad t < \lambda$$

Derivadas:

$$M_W'(t) = \frac{\lambda}{(\lambda - t)^2} \implies M_W'(0) = \frac{1}{\lambda}$$

$$M_W''(t) = \frac{2\lambda}{(\lambda - t)^3} \implies M_W''(0) = \frac{2}{\lambda^2}$$

Varianza: $Var(W) = \frac{2}{\lambda^2} - \left( \frac{1}{\lambda} \right)^2 = \frac{1}{\lambda^2}$.

Aplicaciones prácticas en análisis

Las FGM se usan para identificar distribuciones, probar hipótesis y ejecutar simulaciones. En ciencia de datos y aprendizaje automático, ayudan a analizar sumas de errores de modelos o generar datos sintéticos. Comparar FGM entre distribuciones agiliza pruebas de convergencia.

Por ejemplo, la distribución normal $N(\mu, \sigma^2)$ tiene:

$$M(t) = \exp\left( \mu t + \frac{\sigma^2 t^2}{2} \right)$$

Esto facilita verificar propiedades de sumas de normales.

Ideas clave:

• Las FGM codifican todos los momentos mediante derivadas en $t=0$.
• Son multiplicativas para sumas independientes, simplificando convoluciones.
• No existen para distribuciones con colas pesadas (Cauchy).
• El dominio de convergencia define el rango de $t$.
• Ideales para calcular analíticamente momentos de orden superior.

— Editorial Team