Esperanza y varianza de funciones con distribucin cono-

cida
1. Distribucin uniforme discreta
Si A ~ l (1. 2. .... `) . entonces su funcin de densidad es
,
A
(r) = 1 (A = r) =
_
1
.
si r 1. 2. . . . . `
0 en otro caso
De ah que
1 (A) =
.

a=1
r
1
`
=
1
`
` (` + 1)
2
=
` + 1
2
.
Para obtener la varianza calculamos
1
_
A
2
_
=
.

a=1
r
2
1
`
=
1
`
` (` + 1) (2` + 1)
6
=
(` + 1) (2` + 1)
6
de donde se obtiene
\ c: (A) =
(` + 1) (2` + 1)
6

(` + 1)
2
4
=
(` + 1) [4` + 2 3` 3]
12
=
(` + 1) (` 1)
12
=
`
2
1
12
2. Distribucin Bernoulli
Si A ~ 1c: (j) . entonces su funcin de densidad es
,
A
(r) = 1 (A = r)
_

_
si r = 0
j si r = 1
0 en otro caso
=
_
j
a

1a
si r 0. 1
0 en otro caso
De ah que
1 (A) = 0 () + 1 (j) = j
Para obtener la varianza calculamos
1
_
A
2
_
= 0
2
+ 1
2
j = j
de donde se obtiene
\ c: (A) = j j
2
= j (1 j) = j.
1
3. Distribucin Binomial
Si A ~ 1(:. j) . entonces su funcin de densidad es
,
A
(r) = 1 (A = r) =
_ _
a
a
_
j
a

aa
si r 0. 1. 2. . . . . :
0 en otro caso
Hay varias formas de encontrar la esperanza y varianza de una distribucin binomial.
Aqu vamos a practicar el uso de la funcin generadora.
:
A
(t) = 1
_
c
ta
_
=
a

a=0
c
ta
_
:
r
_
j
a
(1 j)
aa
=
a

a=0
_
:
r
_
_
c
t
j
_
a
(1 j)
aa
=
_
jc
t
+ 1 j
_
a
As que
1 (A) =
d:
A
dt

t=0
= :jc
t
_
jc
t
+ 1 j
_
a1

t=0
= :j (j + 1 j)
a1
= :j
Por otro lado,
1
_
A
2
_
=
d
2
:
A
dt
2

t=0
= :(: 1)
_
jc
t
_
2
_
jc
t
+ 1 j
_
a2
+ :jc
t
_
jc
t
+ 1 j
_
a1

t=0
= (: 1) :j
2
+ :j.
Por tanto,
c: (A) = 1
_
A
2
_
[1 (A)]
2
= (: 1) :j
2
+ :j :
2
j
2
= j
2
_
:
2
: :
2
_
+ :j
= :j :j
2
= :j (1 j)
= :j.
Obsrvese que el resultado anterior conrma el hecho de que una variable con distribu-
cin binomial es una suma de : variables independientes con distribucin Bernoilli, es
decir, si A ~ 1(:. j) . entonces A = A
1
+A
2
+ +A
a
donde cada A
i
se distribuye
como Bernoulli.
1 (A) = 1
_
a

i=1
A
i
_
=
a

i=1
1 (A
i
) =
a

i=1
j = :j
Y
c: (A) = c:
_
a

i=1
A
i
_
=
a

i=1
c: (A
i
) =
a

i=1
j = :j.
2
4. Distribucin Geomtrica
Si A ~ Gco:(j) . entonces su funcin de densidad es
,
A
(r) = 1 (A = r) =
_
j
a
si r 0. 1. . . .
0 en otro caso
Para calcular su esperanza usaremos que es una variable que toma valores enteros no
negativos. As que
1 (A) =
1

a=1
1 (A _ r)
1 (A _ r) =
1

I=a
1 (A = /) =
1

I=a
j (1 j)
I
= j
(1 j)
a
1 (1 j)
= (1 j)
a
As que la esperanza es
1 (A) =
1

a=1
(1 j)
a
=
1 j
1 (1 j)
=

j
.
Obsrvese que si 1 es el nmero de pruebas necesarias para obtener el primer xito,
entonces 1 = A + 1. por lo que la esperanza es
1 (1 ) = 1 (A + 1) = 1 (A) + 1 =

j
+ 1 =
+ j
j
=
1
j
.
5. Distribucin Poisson
Si A ~ 1oi::o:(`) . su funcin de densidad es
,
A
(r) = 1 (A = r) =
_
1
a!
`
a
c
A
si r 0. 1. 2. . . .
0 en otro caso
Dado que la distribucin Poisson se obtiene aplicando lmite cuando : crece en una
distribucin binomial, dejando constante la esperanza de la Binomial ` = :j. es de
esperarse que la esperanza de la Poisson sea precisamente esa ` :
1 (A) =
1

a=0
r
r!
`
a
c
A
=
1

a=1
1
(r 1)!
`
a
c
A
= `c
A
1

a=1
1
(r 1)!
`
a1
= `c
A
1

aj=0
1
!
`
j
= `c
A
c
A
= `.
Lo que no es tan natural conjeturar es que tambin la varianza es `.
1
_
A
2
_
= 1 [A (A 1) + A] = 1 [A (A 1)] + 1 (A)
= ` +
1

a=2
r (r 1)
r!
`
a
c
A
= ` + `
2
c
A

1
(r 2)!
`
a2
= ` + `
2
c
A
c
A
= ` + `
2
3
Por tanto,
c: (A) = 1
_
A
2
_
[1 (A)]
2
= ` + `
2
`
2
= `.
6. Distribucin hipergeomtrica
Si A ~ HGco:(:. :. :) . su funcin de densidad es
,
A
(r) = 1 (A = r) =
_

_
_
:
r
__
:
: r
_
_
: + :
:
_
si r :. : + 1. . . . . `
0 en otro caso
donde : = max 0. : : y ` = min :. : . Para calcular la esperanza de una
variable aleatoria que se distribuye como Hipergeomtrica con parmetros :. : y :.
vamos a considerar : variables aleatorias de la forma
A
i
=
_
1 si el i simo objeto extraido es tipo 1
0 en otro caso
Entonces A =

a
i=1
A
i
y 1 (A
i
) =
v
v+c
. Entonces
1 (A) =
::
: + :
.
7. Distribucin Uniforme continua
Si A ~ l (c. /) . su funcin de densidad es
,
A
(r) =
_
1
bo
si r (c./)
0 en otro caso
De ah que
1 (A) ==
_
1
1
r,
A
(r) dr =
_
b
o
r
/ c
dr =
1
/ c
_
r
2
2
_

b
o
=
/
2
c
2
2 (/ c)
=
c + /
2
.
Para calcular la varianza, veamos primero la esperanza de A
2
:
1
_
A
2
_
=
_
b
o
r
2
/ c
dr =
1
/ c
_
r
3
3
_

b
o
=
/
3
c
3
3 (/ c)
\ c: (A) =
/
3
c
3
3 (/ c)

(c + /)
2
4
=
c
2
+ c/ + /
2
3

c
2
+ 2c/ + /
2
4
=
4c
2
+ 4c/ + 4/
2
3c
2
6c/ 3/
2
12
=
c
2
2c/ + /
2
12
=
(c /)
2
12
8. Distribucin normal
Si A ~ ` (j. o
2
), su funcin de densiada es
,
A
(r) =
1
o
_
2:
c

(x)
2
2
2
. < r < .
4
Veamos cul es su funcin generadora de momentos.
:
A
(t) = 1
_
c
tA

= c
tj
1
_
c
t(Aj)

=
c
tj
o
_
2:
_
1
1
c
t(aj)
c

(x)
2
2
2
dr
=
c
tj
o
_
2:
_
1
1
c
(x)
2
+2
2
t(x)
2
2
dr
Completando cuadrados en el exponente obtenemos:

(r j)
2
2o
2
t (r j)
2o
2
=
(r j)
2
2o
2
t (r j) + o
4
t
2
o
4
t
2
2o
2
=
(r j o
2
t)
2
o
4
t
2
2o
2
=
(r j o
2
t)
2
2o
2
+
o
4
t
2
2o
2
=
(r j o
2
t)
2
2o
2
+
o
2
t
2
2
De donde, la funcin generadora nos queda en la forma
:
A
(t) =
c
tj
c
(o
2
t
2
)2
o
_
2:
_
1
1
c

(
x
(
+
2
t
))
2
2
2
dr
Como
1
o
_
2:
_
1
1
c

(
x
(
+
2
t
))
2
2
2
dr = 1
por tratarse de una funcin de densidad, llegamos nalmente a
:
A
(t) = c
jt+

2
t
2
2
Derivando, obteneomos
1 (A) =
d:
A
(t)
dt

t=0
=
_
j + o
2
t
_
c
jt+

2
t
2
2

t=0
= j
As, nalmente obtenemos que
1 (A) = j
La constante j indica el eje de simetra.
Para obtener la varianza, empecemos por 1 (A
2
) :
1
_
A
2
_
=
d
2
:
A
(t)
dt
2

t=0
=
_
j + o
2
t
_
2
c
jt+

2
t
2
2
+ o
2
c
jt+

2
t
2
2

t=0
= o
2
+ j
2
De donde,
c: (A) = o
2
+ j
2
j
2
= o
2
La constante o indica lo angosto o ancho de la distribucin.
Observemos que en el caso de la Normal estndar, j = 0 y o
2
= 1. Esta es la razn
por la que se le conoce tambin como Normal de parmetros 0 y 1.
5
9. Distribucin exponencial
Si A ~ exp (`) . su funcin de densidad es
,
A
(r) = 1 (A = r) =
_
1
a!
`
a
c
A
si r 0. 1. 2. . . .
0 en otro caso
Usemos la funcin generadora de momentos
:
A
(t) = 1
_
c
At
_
=
_
1
0
`c
(At)a
dr =
`
` t
c
(At)a

1
0
=
`
` t
De manera que
1 (A) =
d:
A
(t)
dt

t=0
=
`
(` t)
2

t=0
=
1
`
Para calcular la varianza, empezamos por
1
_
A
2
_
=
d
2
:
A
(t)
dt
2

t=0
=
d
dt
_
`
(` t)
2
_

t=0
=
2`
(` t)
3

t=0
=
2
`
2
.
De ah que
\ c: (A) =
2
`
2

_
1
`
_
2
=
1
`
2
.
10. Distribucin Gama
Usando la funcin generadora
:
A
(t) =
`
c
(c)
_
1
0
r
c1
c
a(At)
dr =
_
`
` t
_
c
_
1
0
(` t)
c
(c)
r
c1
c
a(At)
dr
=
_
`
` t
_
o
De aqu que
1 (A) =
d
dt
_
`
` t
_
c

t=0
= c`
o
(` t)
c1

t=0
=
c
`
.
Ntese que tambin se puede ver como suma de c exponenciales independientes, cada
una de las cuales tiene valor esperado
1
A
.
1
_
A
2
_
=
d
2
:
A
(t)
dt
2

t=0
=
d
dt
_
c`
o
(` t)
c1
_

t=0
= c(c + 1) `
c
(` t)
c2

t=0
=
c(c + 1)
`
2
.
\ c: (A) =
c(c + 1)
`
2

_
c
`
_
2
=
c
2
`
2
.
6
11. Distribucin Cauchy
Si A ~ Ccnc/ (c. ,) . su funcin de densidad es
,
A
(r) =
1
:,
_
1 +
_
ac
o
_
2
_ para < r < .
Esta funcin no tiene esperanza. Basta verlo en la distribucin Ccnc/ (0. 1) . es decir,
para la densidad
,
A
(r) =
1
: (1 + r
2
)
. < r < .
Se tiene
1 ([A[) =
1
:
_
1
1
[r[
1 + r
2
dr =
2
:
lim
.!1
_
.
0
r
1 + r
2
dr
=
2
:
lim
.!1
ln
_
1 + `
2
_
= .
12. Distribucin lognormal
Si A ~ log ` (j. o
2
) su funcin de densidad es
,
A
(r) =
1
ro
_
2:
c

1
2
(
ln x

)
2
si r 0 y cero en otro caso.
Existen todos los momentos de esta distribucin, sin embargo, no existe su funcin
generadora.
Para cualquier / R
+
1
_
A
I
_
=
_
1
0
r
I1
o
_
2:
c

1
2
(
ln x

)
2
dr.
Haciendo el cambio de variable = ln r. r = c
j
obtenemos
1
_
A
I
_
=
_
1
1
c
(I1)j
o
_
2:
c

1
2
(
y

)
2
c
j
d =
_
1
1
c
Ij
o
_
2:
c

1
2
(
y

)
2
d.
Ahora apliquemos un nuevo cambio de variable: . =
jj
o
. = .o + j
1
_
A
I
_
=
1
_
2:
_
1
1
c
I(:o+j)
o
c

1
2
:
2
od. =
1
_
2:
_
1
1
c
Ij
c

1
2
(:
2
2Io:)
d.
Completando cuadrados en el exponente de la segunda exponencial obtenemos
_
.
2
/o
_
2
o
2
/
2
7
as la integral se transforma en
1
_
A
I
_
=
1
_
2:
_
1
1
c
Ij
c

1
2
(:Io)
2
o
2
I
2
d. =
c
Ij+

2
k
2
2
_
2:
_
1
1
c

1
2
(:Io)
2
d.
= c
Ij+

2
k
2
2
.
De manera que 1
_
A
I
_
es nita para toda / R
+
. De ah que
1 (A) = c
j+

2
k
2
2
y
\ c: (A) = c
2j+

2
k
2
2
c
2j+o
2
I
2
Ahora veamos qu pasa con la funcin generadora de momentos:
1
_
c
tA
_
=
1
o
_
2:
_
1
0
c
at
r
c

1
2
(
ln x

)
2
dr.
Hagamos el cambio de variable . =
ln aj
o
. r = c
(o:+j)
. obtenemos
1
_
c
tA
_
=
1
o
_
2:
_
1
1
c
tc
z+
c
o:+j
c

1
2
:
2
c
o:+j
od. =
1
_
2:
_
1
1
c
tc
z+

1
2
:
2
d..
Como el integrando es no negativo, se cumple la desigualdad
1
_
c
tA
_
_
1
_
2:
_
1
0
c
tc
z+

1
2
:
2
d..
Adems, c
:o

(:o)
3
3!
. as que para t positiva se tiene que
tc
o:+j

1
2
.
2
[.c (t) 1]
.
2
2
con c (t) = tc
j
o
3
,3 0 para toda t positiva. As, para . 2,c (t) tenemos que
[c (t) 1] 1 y, en consecuencia
1
_
c
tA
_
_
1
_
2:
_
1
2o(t)
c
1
2
:
2
d. =
Sin embargo, para t negativa es fcil vericar que 1
_
c
tA
_
< 1. La conclusin es que
no existe una vecindad del origen en la que 1
_
c
tA
_
sea nita y por tanto A no tiene
funcin generadora de momentos.
8