Función generadora de momentos:

Definición: Si X es una variable aleatoria, el momento de orden k de X se define como

E( X k )

siempre que la esperanza exista.

Notemos que

E( X ) = µ 1er momento: posición

E( X 2 ) = σ 2 + µ 2 2do momento: dispersión
E( X 3 ) 3er momento: relacionado con una medida de asimetría
E( X 4 ) 4to momento: relacionado con la kurtosis

Definición: La función generadora de momentos de una v.a. X es una función a valores

reales M X (t ) , definida como


 ∑ e p X ( x)
tx
si X es discreta
 x∈R X
M X (t ) = E (e tX ) = 
 ∞ tx
 ∫ e f X ( x)dx si X es continua
−∞

siempre que el valor esperado exista para todo t ∈ (−h, h), h > 0 . Esta última es una
condición técnica necesaria para que M X (t ) sea diferenciable en 0.

Se denomina función generadora de momentos porque los momentos de X ( E ( X n ) )

pueden ser obtenidos derivando esta función y evaluando la derivada en t = 0, tal como lo
establece el siguiente teorema.

Teorema: Sea X una v.a. para la cual existe la función generadora de momentos M X (t ) ,
entonces
∂n
E( X n ) = M X (t )
∂t n t =0

La demostración se basa en el siguiente lema de Cálculo avanzado (ver por ejemplo,

Advanced Calculus, D. Widder (1961)):

74
Lema: Si la función g(t) definida por

∞
g (t ) = ∑ e tx p( x) ó g (t ) = ∫ e tx f ( x)dx
x −∞

converge para todo t ∈ (− h, h) para algún h > 0 , entonces existen las derivadas de orden
n de g(t) para todo t ∈ (− h, h) y para todo n entero positivo y se obtienen como

∞
∂ n g (t ) ∂ n e tx ∂ n g (t ) ∂ n e tx
= ∑ n p( x) ó =∫ f ( x)dx
∂t n x ∂t ∂t n − ∞ ∂t
n

Demostración del Teorema: Si la función generadora de momentos existe para todo

t ∈ (− h, h) para algún h > 0 , aplicando el lema,

∂ n M X (t ) ∂ n e tx ∂ n M X (t ) ∞ ∂ n e tx
= ∑ n p ( x) ó = ∫ f ( x)dx
∂t n x ∂t ∂t n −∞ ∂t n

∂ n M X (t ) ∂ n M X (t ) ∞ n tx
= ∑ x n e tx p ( x) ó = ∫ x e f ( x)dx
∂t n
x ∂t n −∞

Evaluando estas derivadas en 0 ,

∞
∂ n M X (t ) ∂ n M X (t )
= ∑ x n p( x) = E ( X n ) ó = ∫ x n f ( x)dx = E ( X n )
∂t n
t =0 x ∂t n
t =0 −∞

Ejemplos: 1) Sea X una v.a. con distribución exponencial de parámetro λ , o sea con
densidad

f X ( x) = λ e − λ x I ( 0,∞ ) ( x)

∞ ∞
λ ∞ λ
M X (t ) = E (e tX ) = ∫ e tx λ e − λ x dx = λ ∫ e − ( λ −t ) x dx = ∫ (λ − t ) e − ( λ −t ) x dx =
0 0 λ −t 0 λ −t

siempre que t < λ .

Calculemos ahora E(X) y V(X).

75
 ∂M X (t ) ∂ λ  λ 1
E( X ) = =   = = .
∂t t =0 ∂t  λ − t  t =0 (λ − t ) 2 t =0
λ

Como V ( X ) = E ( X 2 ) − (E ( X ) ) , calculemos E ( X 2 ).
2

∂ 2 M X (t ) ∂ λ  2λ ( λ − t ) 2
E( X 2 ) = =   = =
∂t 2 t =0
∂t  (λ − t )2 
 t =0 (λ − t ) 4 t =0
λ2

2 1 1
entonces, V ( X ) = − 2 = 2.
λ 2
λ λ

2) Sea X una v.a. con distribución Binomial de parámetros, n y p, o sea X ~ Bi(n, p). Su
función de probabilidad puntual es

n
p X (k ) =   p k (1 − p) n − k si 0 ≤ k ≤ n
k 

n
n n
n
M X (t ) = E (e tX ) = ∑ e t k   p k (1 − p) n − k = ∑  (e t p) k (1 − p) n − k = (e t p + 1 − p) n .
k =0 k  k =0  k 

Calculemos ahora E(X) y V(X).

∂M X (t ) ∂ (e t p + 1 − p ) n
E( X ) = = = n(e t p + 1 − p ) n −1 pe t = np .
∂t t =0 ∂t t =0
t =0

∂ 2 M X (t ) ∂
E( X 2 ) = =
∂t
(
n(e t p + 1 − p ) n −1 pe t ) =
∂t 2
t =0 t =0

( ( )
= n(n − 1)(e t p + 1 − p) n − 2 pe t
2
+ n(e t p + 1 − p ) n −1 pe t ) 0
= n(n − 1) p 2 + np.

Entonces, V ( X ) = E ( X 2 ) − (E ( X ) ) = n(n − 1) p 2 + np − (np ) = − np 2 + np = np (1 − p ).

2 2

Propiedad: Sea X una v.a. con función generadora de momentos M X (t ) , entonces si

Y = a X + b , entonces M Y (t ) = e bt M X (at ) .

Dem: Ejercicio.

76
Unicidad de M X (t ) : Además de permitir calcular momentos de una v.a., la función
generadora de momentos permite identificar la función de densidad o de probabilidad de
una v.a. debido a la propiedad de unicidad, la cual establece que hay una
correspondencia uno a uno entre funciones de densidad o probabilidad y funciones
generadoras de momentos.

Teorema de Unicidad: Si existe la función generadora de momentos de una variable

aleatoria, es única. Además la función generadora de momentos determina a la función de
densidad o probabilidad de la v.a. salvo a lo sumo en un conjunto de probabilidad 0.

A continuación, presentamos una tabla con la función generadora de momentos de

algunas de las familias de distribución que hemos estudiado.

Distribución M X (t )
Bi(n,p) (e p + 1 − p ) n
t

P(λ) λ (et −1)

e
N(µ,σ2) σ 2 t 2 +µ t
e 2
E(λ) λ
λ −t
G(α,λ) α
 λ 
 
λ −t
U(a,b) e tb − e ta
t (b − a )
G(p) p et
1 − (1 − p ) e t
BN(r,p) r
 p et 
 
 1 − (1 − p ) e t 
 

Ejercicio: ¿Para qué valores de t existe cada una de las funciones generadoras de
momentos de la tabla anterior?

77