DISTRIBUCIONES DE PROBABILIDAD DISCRETAS

En esta seccin se estudiarn los modelos de distribucin de probabilidad para

algunos problemas de inters prctico con variables aleatorias discretas.
El objetivo es obtener una frmula matemtica f(x) para determinar los valores
de probabilidad de la variable aleatoria X: P(X=x)=f(x)
DISTRIBUCIN DISCRETA UNIFORME
Una variable aleatoria tiene distribucin discreta uniforme si en el experimento
estadstico se obtienen n resultados y cada uno tiene la misma probabilidad.
Sea X: Variable aleatoria discreta y
x=x
1
, x
2
, x
3
, ..., x
n
los valores que puede tomar, con igual probabilidad
Entonces la distribucin de probabilidad de X es:
f(x) =

'

x otro 0
x x x x
n
1
n 2 1
,
,..., , ,
(18)
Ejemplo.
El experimento es lanzar un dado, si X es la variable aleatoria correspondiente
a los resultados posibles, entonces su distribucin de probabilidad tiene
distribucin discreta uniforme:
f(x) = 1/6, para x=1,2, ...,6, y 0 para otro x
Medidas estadsticas descriptivas para la distribucin discreta uniforme
Media
= E[X]=

x
x xf ) (
=

n
1 i
i i
n
1 i
i
x
n
1
x f x ) (
Varianza

2
= E[(X- )
2
]=

x
2
i
x f x ) ( ) (

n
1 i
2
i
x
n
1
) (
Es importante recordar que estas definiciones se refieren al espacio muestral
pues las distribuciones de probabilidad incluyen a todos los elementos posibles
de un experimento estadstico. Al tomar una muestra del espacio muestral las
medidas estadsticas se denominan media muestral y varianza muestral:
2
S X,
. Estas se definieron en el captulo de Estadstica Descriptiva.
EXPERIMENTO DE BERNOULLI
Es un experimento estadstico en el que cada ensayo puede tener nicamente
dos resultados. Es costumbre designarlos como xito y fracaso aunque
pueden estar asociados a algn otro significado de inters.
Se supone conocida la probabilidad de obtener xito en cada ensayo y este
valor de probabilidad se mantiene constante a lo largo del experimento.
Finalmente, los ensayos que se realizan en este experimento tienen la
caracterstica de ser independientes, es decir el resultado de un ensayo no
afecta a los otros ensayos.
Si la probabilidad de obtener xito en cada ensayo es p, entonces, la
probabilidad de obtener fracaso ser el complemento q=1- p.
Suponga que se ha realizado una serie de ensayos y se han obtenido los
siguientes resultados: eeffefe..., (e=exito, f=fracaso).
Siendo ensayos independientes, el valor de probabilidad se obtiene
multiplicando los valores de probabilidad correspondientes a los resultados:
P(eeffefeef...) = P(e)P(e)P(f)P(f)P(e)P(f)P(e).... = ppqqpqp....
DISTRIBUCIN BINOMIAL
Esta es una distribucin importante y de uso frecuente. Corresponde a un
experimento de Bernoulli en el que es de inters la variable aleatoria
relacionada con la cantidad de xitos que se obtienen en el experimento.
Caractersticas de un Experimento Binomial:
a) Se realiza una cantidad finita de ensayos: n
b) Cada ensayo tiene nicamente dos resultados posibles: xito o
fracaso
c) Todos los ensayos realizados son independientes
d) La probabilidad de xito en cada ensayo permanece constante: p
Algunos ejemplos de experimentos con estas caractersticas
1) Observar si el resultado es par o impar en una serie de lanzamientos
de un dado.
2) Observar la calidad aceptable o defectuoso en varios artculos
elegidos al azar de una serie contnua de artculos producidos por una
fbrica. Se supone conocida la probabilidad de que sea defectuoso
3) Consultar a varias personas elegidas al azar de una poblacin grande, la
opinin a favor o en contra acerca de algn candidato. Se supone
conocida la probabilidad de que est a favor.
Sea X: variable aleatoria discreta correspondiente a la cantidad de ensayos
considerados xito en los n ensayos.
x = 0, 1, 2, ..., n son los valores que puede tomar X
Sea p: valor de la probabilidad que cada resultado sea xito
Entonces, la distribucin de probabilidad de X es
f(x) =
n ..., 2, 1, 0, x p 1 p
x
n
x n x

,
`

.
|

, ) (
(19)
Demostracin
En los n ensayos hay x xitos y n - x fracasos, por lo tanto, su probabilidad es
p
x
(1-p)
n-x
como en el experimento de Bernoulli
Pero, hay

,
`

.
|
x
n
formas diferentes de obtener los x xitos y los n-x fracasos,
siendo este un factor para la frmula.
Nota:

,
`

.
|
x
n
es el nmero de combinaciones que se obtienen con los n
elementos del espacio muestral, tomando x elementos cada vez:
n
C
x
Ejemplo.
Se realizan 8 lanzamientos de un dado.
Calcule la probabilidad de obtener 4 veces el nmero 6.
Respuesta:
Este experimento tiene las caractersticas de un experimento binomial con:
n = 8: cantidad de ensayos
p = 1/6: probabilidad que cada ensayo sea xito (sale el 6)
X: variable aleatoria discreta (cantidad de veces que sale el 6)
x = 0, 1, 2, ..., 8 (valores que puede tomar X). Por lo tanto,
P(X=x) = f(x) =

,
`

.
|
x
8
(1/6)
x
(5/6)
8-x
, x = 0, 2, ..., 8
P(X=4) = f(4) =

,
`

.
|
4
8
(1/6)
4
(5/6)
8-4
= (70) (1/6)
4
(5/6)
4
= 0.026
DISTRIBUCIN BINOMIAL (continuacin)
Ejemplo
Una fbrica utiliza un proceso de control de calidad consistente en elegir al azar
diariamente 10 artculos producidos y determinar el nmero de unidades
defectuosas. Si hay dos o ms artculos defectuosos la fabricacin se detiene
para revisin y calibracin de los equipos. Se conoce por experiencia que la
probabilidad de que un artculo producido sea defectuoso es 10%.
Encuentre la probabilidad de que en cualquier da la produccin se detenga al
aplicar este control de calidad.
Respuesta:
Esta situacin corresponde a un experimento binomial con
n =10 (se realizan 10 ensayos independientes)
p = 0.1 (la probabilidad se mantiene constante)
X: cantidad de artculos defectuosos (variable aleatoria)
x = 0, 1, ...10 (valores que puede tomar X)
Por lo tanto, P(X=x) = f(x) =
x 10 x
9 0 1 0
x
10

,
`

.
|
) . ( .
, x=0,1,2,...,10
P(X 2) =1 - P(X 1) (conviene usar esta propiedad. Porque?)
=1 - (P(X=1) + P(X=0)) = 1 (f(1) + f(0))
f(0) =
10 0
9 0 1 0
0
10
) . ( .

,
`

.
|
= 0.3487
f(1) =
9 1
9 0 1 0
1
10
) . ( .

,
`

.
|
= 0.3874
P(X 2) = 1 0.3487 - 0.3874 = 0.2639 = 26.39%
La Distribucin Binomial tiene forma simtrica cuando p=0.5
Ejemplo. Grafique la Distribucin Binomial con n=10, p=0.5
10 ,..., 1 , 0 x , ) 5 . 0 (
x
10
) 5 . 0 ( ) 5 . 0 (
x
10
) x ( f
10 x 10 x

,
`

.
|

,
`

.
|

0 1 2 3 4 5 6 7 8 9 10
0
0.05
0.1
0.15
0.2
0.25
Si p>0.5, la forma de la distribucin binomial tiene sesgo negativo.
Si p<0.5, la forma de la distribucin binomial tiene sesgo positivo .
El sesgo se lo puede visualizar en el grfico observando si decrece hacia la
izquierda o la derecha
Ejemplo
Grafique la distribucin binomial con n=10, p=0.65
10 ,..., 1 , 0 x , ) 35 . 0 ( ) 65 . 0 (
x
10
) x ( f
x 10 x

,
`

.
|

0 1 2 3 4 5 6 7 8 9 10
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
Sesgo negativo
MEDIA Y VARIANZA DE LA DISTRIBUCIN BINOMIAL
Sea X: variable aleatoria discreta con Distribucin Binomial
con parmetros n, p
Entonces:
Media o valor esperado: = E[X] = np
Varianza:
2
= V[X] = np(1-p)
Nota. Hablamos de parmetros para denotar cuales son los valores que
describen un problema particular. Para la Distribucin Binomial son n y p.
Una vez que est definido el problema, la variable aleatoria X representa los
posibles resultados que pueden ocurrir en el problema especificado.
Demostracin:
Esta demostracin se apoya en la definicin de Funcin Generadora de
Momentos que se defini en la leccin anterior
La distribucin de probabilidad de Distribucin Binomial es:
f(x) =
x n x
q p
x
n

,
`

.
|
, x= 0, 1, ..., n, siendo q = 1 - p
Primero debemos observar que los trminos de la Distribucin Binomial son
iguales a los trminos del desarrollo del binomio (q + p)
n
:
(q + p)
n
=

,
`

.
|

,
`

.
|
+ +

,
`

.
|
+

,
`

.
|
n
0 x
x n x 0 n 1 n 1 n 0
q p
x
n
q p
n
n
q p
1
n
q p
0
n
...
Ahora encontremos la Funcin Generadora de Momentos de la Distribucin
Binomial mediante la definicin establecida:
m(t) = E[e
tX
] =
x n x t
n
0 x
x n x
n
0 x
tX
n
0 x
tX
q ) p e (
x
n
q p
x
n
e ) x ( f e

,
`

.
|

,
`

.
|

Luego de la simplificacin algebraica se puede observar que la ltima
expresin tiene la misma forma que el binomio anterior sustituyendo p por e
t
p:
m(t) = (q + e
t
p)
n
(esta es la Funcin Generadora de Momentos
de la Distribucin Binomial)
Finalmente, usamos m(t) para obtener los momentos alrededor del origen
segn la definicin dada anteriormente:
p q p n p e q p e n q p e
dt
d
t m
dt
d
1 n
0 t
t 1 n t
0 t
n t
0 t 1

+ + + ) ( | ) ( | ) ( )| ( '
= n(1)
n-1
p = np, pues p+q = 1
La demostracin de la varianza sigue un camino similar. Primero debe
encontrar
2
con la definicin:

2
= V[X] = E[X
2
] -
2
=
2
-
2
, con
0 t 2
2
2
t m
dt
d

)| ( '
Ejemplo.
Encuentre la media y la varianza para el ejemplo del control de calidad en la
fbrica.
Respuesta:
= np = 10 (0.1) = 1 representa la cantidad de artculos defectuosos
que se obtienen cada da, en promedio

2
= npq = 10(0.1)(0.9) = 0.9
DISTRIBUCIN HIPERGEOMTRICA
Este experimento estadstico se realiza cuando se toman muestras sin
reemplazo de un conjunto finito de N elementos de los cuales K son
considerados xitos y los restantes N - K son considerados no xitos.
Si la muestra tiene tamao n, y cada ensayo consiste en tomar uno a uno los n
elementos del conjunto, sin reemplazarlos, podemos darnos cuenta que los
ensayos ya no pueden ser considerados independientes porque la probabilidad
de xito de cada uno depende del resultado de los ensayos anteriores.
Sea X: variable aleatoria discreta correspondiente a la cantidad de ensayos
considerados xitos que se obtienen en la muestra
x = 0, 1, 2, ..., n (son los valores que puede tomar X)
Entonces, la distribucin de probabilidad de X es
f(x) =
n 2 1 0 x
n
N
x n
K N
x
K
,..., , , ,

,
`

.
|

,
`

.
|

,
`

.
|
(20)
Demostracin:
Existen
,
`

.
|
x
K
formas diferentes de obtener los x aciertos, y
,
`

.
|

x n
K N
formas diferentes de
obtener los n x no xitos en la muestra. Por lo tanto hay
,
`

.
|
x
K

,
`

.
|

x n
K N
formas diferentes
en las que la muestra contenga x xitos y n-x no xitos.
La cantidad de formas diferentes de tomar la muestra con los n elementos del total de N
elementos del conjunto es
,
`

.
|
n
N
y si suponemos que cada elemento tiene la misma
probabilidad de ser elegido, entonces mediante la asignacin clsica de probabilidad a eventos
obtenemos la frmula para la Distribucin Hipergeomtrica como el cociente de la cantidad de
formas diferentes de obtener la muestra de inters (con los x resultados exitos), dividida para
el total de formas de diferentes de obtener la muestra de n elementos.
Observe que x no puede exceder a K, es decir la cantidad de xitos que se
obtienen en la muestra no puede exceder a la cantidad de xitosdisponibles
en el conjunto. Asimismo, la cantidad de n - x no xitos no puede exceder a
los N - K no xitos disponibles.
Ejemplo.
Una caja contiene 9 bateras de las cuales 4 estn en buen estado y las
restantes defectuosas. Se toma una muestra eligiendo al azar tres bateras.
Calcule la probabilidad que en la muestra se obtengan,
a) Ninguna batera en buen estado
b) Al menos una batera en buen estado
c) No mas de dos bateras en buen estado
Respuesta:
Este es un experimento de muestreo sin reemplazo, por lo tanto es un
experimento hipergeomtrico con
N=9 (total de elementos del conjunto)
K=4 (total de elementos considerados xitos)
n=3 (tamao de la muestra)
X: cantidad de bateras en buen estado en la muestra
(variable aleatoria discreta)
Entonces la distribucin de probabilidad de X es:
f(x) =
3 2 1 0 x
3
9
x 3
4 9
x
4
, , , ,

,
`

.
|

,
`

.
|

,
`

.
|
a) P(X=0) = f(0) =

,
`

.
|

,
`

.
|

,
`

.
|
3
9
0 3
4 9
0
4
=0.119
b) P(X 1) = 1 P(X<1) = 1 f(0) = 1 - 0.119 = 0.881
c) P(X 2) = P(X=0) + P(X=1) + P(X=2) = f(0) + f(1) + f(2)
=

,
`

.
|

,
`

.
|

,
`

.
|
3
9
0 3
4 9
0
4
+

,
`

.
|

,
`

.
|

,
`

.
|
3
9
1 3
4 9
1
4
+

,
`

.
|

,
`

.
|

,
`

.
|
3
9
2 3
4 9
2
4

= 0.119 + 0.4762 + 0.3571 = 0.9523
Tambin se puede calcular c) considerando que
P(X 2) = 1 P(X>2) = 1 f(3)
MEDIA Y VARIANZA DE LA DISTRIBUCIN HIPERGEOMTRICA
= E[X] =
N
K
n
,
2
= V[X] =
) )( (
1 N
n N
N
K
1
N
nK

Las demostraciones se las puede encontrar en textos de Estadstica y utilizan
la definicin de valor esperado y las propiedades de las sumatorias.
Ejemplo.
Calcule la media y la varianza para el ejemplo anterior
Respuesta:
= 3(4/9) = 1.333 (es la cantidad promedio de bateras en buen estado
que se obtienen en la muestra)

2
=
) )( (
) (
1 9
3 9
9
4
1
9
4 3

= 0.555
APROXIMACIN DE LA DISTRIBUCIN HIPERGEOMTRICA
CON LA DISTRIBUCIN BINOMIAL
Si el valor de n es muy pequeo respecto al de N, (esto se escribe n<<N),
entonces se puede aceptar que la probabilidad de xito en cada ensayo no
cambia significativamente, es decir podemos considerar que los ensayos son
aproximadamente independientes.
Por ejemplo, si N=1000 y n=10, y hay 200 elementos considerados exitos,
entonces, la probabilidad de xito del primer ensayo ser 200/1000=0.2,
la probabilidad de xito del segundo ensayo podr ser 199/999=0.1992 o
200/999=0.2002, dependiendo si el primer resultado fue o no xito, etc.
En esta situacin, se puede considerar que el experimento es
aproximadamente binomial y usar la distribucin correspondiente con p=K/N
La bibliografa estadstica establece que esta aproximacin es aceptable
si se cumple que n es menor a 5% del valor de N.
DISTRIBUCIN BINOMIAL NEGATIVA
Es un experimento estadstico con caractersticas similares al experimento
binomial: los ensayos son independientes, cada ensayo tiene dos resultados
posibles (xito o no xito), y la probabilidad de xito es constante y conocida.
Ahora es de inters la variable aleatoria correspondiente a la cantidad de
ensayos que se realizan hasta obtener una cantidad requerida de xitos: k.
Est claro que la cantidad de ensayos que deben realizarse es al menos k.
Sea X: variable aleatoria discreta con Distribucin Binomial Negativa
(cantidad de ensayos realizados hasta obtener k xitos)
x = k, k+1, k+2, ... (valores posibles para la variable X)
p: probabilidad de xito (constante) en cada ensayo
Entonces la distribucin de probabilidad de X es:
P(X=x) = f(x) =

,
`

.
|

1 k
1 x
p
k
(1-p)
x-k
, x=k, k+1, k+2, . . . (21)
Demostracin
Cada xito ocurre con probabilidad p y cada no exito con probabilidad 1-p.
En algn ensayo x se obtendrn los k xitos, por lo tanto siendo ensayos
independientes la probabilidad de obtener los k xitos y los x-k no xitos es
el producto: p
k
(1-p)
x-k
Pero, antes de obtener el xito nmero k se realizaron x-1 ensayos en los que
se obtuvieron los k-1 xitos. Estos ensayos pueden haber ocurrido en
,
`

.
|

1 k
1 x

formas diferentes (combinaciones). Con esto se completa la frmula.
Ejemplo
Suponer que se conoce que la probabilidad de que una persona contraiga
cierta enfermedad a la que est expuesto, es 30%. Calcule la probabilidad que
la dcima persona expuesta a la enfermedad sea la cuarta en contraerla.
Respuesta:
Cada persona expuesta a la enfermedad es un ensayo. Estos ensayos son
independientes. La probabilidad de xito es constante: 30%.
Por la pregunta concluimos que la variable de inters X tiene Distribucin
Binomial Negativa con k=4, p=0.3. Por lo tanto,
P(X=x) = f(x) =

,
`

.
|

1 4
1 x
0.3
4
(1-0.3)
x-4
, x=4, 5, 6, ...
P(X=10) = f(10) =

,
`

.
|

1 4
1 10
0.3
4
0.7
10-4
= 0.08
MEDIA Y VARIANZA DE LA DISTRIBUCIN BINOMIAL NEGATIVA
= E[X] =
p
k
,
2
= V[X] =
) ( 1
p
1
p
k

DISTRIBUCIN GEOMTRICA
Es un caso especial de la distribucin binomial negativa, con k=1. Es decir, es
de inters la variable aleatoria correspondiente a la cantidad de ensayos que se
realizan hasta obtener el primer xito
Sea X: variable aleatoria discreta con Distribucin Geomtrica
(cantidad de ensayos realizados hasta obtener el primer xito)
x = 1, 2, 3, ... (valores posibles para la variable X)
p: probabilidad de xito (constante) en cada ensayo
Entonces la distribucin de probabilidad de X es:
P(X=x) = f(x) = p(1-p)
x-1
, x=1, 2, 3, ... (22)
Demostracin:
Se obtiene directamente haciendo k=1 en el modelo de la distribucin binomial
negativa.
MEDIA Y VARIANZA DE LA DISTRIBUCIN GEOMTRICA
= E[X] =
p
1
,
2
= V[X] =
) ( 1
p
1
p
1

Ejemplo.
Calcule la probabilidad que en el quinto lanzamiento de tres monedas se
obtenga tres sellos por primera vez.
Respuesta:
En el experimento de lanzar tres monedas hay 8 resultados posibles.
En cada ensayo la probabilidad que salgan tres sellos es constante e igual a
1/8 y la probabilidad que no salgan tres sellos es 7/8.
Estos ensayos son independientes, y por la pregunta concluimos que la
variable de inters X tiene Distribucin Geomtrica con p=1/8,
P(X=x) = f(x) = (1/8)(7/8)
x-1
, x=1, 2, 3, ...
P(X=5) = f(5) = (1/8)(7/8)
5-1
= 0.0733
DISTRIBUCIN DE POISSON
En la Distribucin Binomial cuando n es grande, no es conveniente el uso de la
frmula. Para entender esto, suponga que n=200, p=0.05 y se quiere calcular
la probabilidad que la variable aleatoria X tome el valor 5:
P(X=5) = f(5) =

,
`

.
|
5
200
0.05
5
0.95
200-5
. Este clculo puede ser laborioso.
En estas situaciones se puede calcular la probabilidad mediante un modelo
aproximado que se obtiene del lmite al que tiende la Distribucin Binomial
cuando n y p0, manteniendo np constante.
Del desarrollo algebraico que lo omitimos, se obtiene el siguiente modelo:
f(x) =
! x
e
x

, x=0, 1, 2, ...., siendo =np

Este modelo se denomina Distribucin de Poisson (lase Poason).
Las referencias bibliogrficas indican que esta aproximacin es aceptable para
la Distribucin Binomial si n 20 y p 0.05. Otro criterio establece que la
aproximacin es muy buena si n 100 y np 10.
Ejemplo.
Calculemos con la Distribucin Binomial usando los datos indicados al inicio.
P(X=5) = f(5) =

,
`

.
|
5
200
0.05
5
0.95
200-5
= 0.036
Ahora calculamos con la Distribucin de Poisson con = np = 200*0.05 = 10
P(X=5) = f(5)
! x
e
x

=
! 5
e 10
10 5
= 0.038
Que lo podemos considerar cercano al resultado anterior.
La Distribucin de Poisson es un modelo que tambin puede usarse para
calcular la probabilidad del nmero de xitos que ocurren en una regin
o en intervalo de tiempo especificados, si se conoce el nmero promedio
de xitos que ocurren en esta regin o intervalo.
Para que este modelo sea adecuado deben cumplirse los siguientes criterios:
a) El nmero de xitos que ocurren en la regin o intervalo es
independiente de lo que ocurre en otras regiones o intervalos
b) La probabilidad de que un solo resultado ocurra en una regin o
intervalo muy pequeo, es proporcional al tamao de la regin o
intervalo.
c) La probabilidad de que ms de un resultado ocurra en una regin o
intervalo muy pequeo no es significativa.
Algunas situaciones que se pueden analizar con este modelo:
Nmero de defectos por unidad de rea piezas similares de un material.
Nmero de personas que llegan a una estacin en un intervalo de tiempo.
Nmero de errores de transmisin de datos en un intervalo de tiempo dado.
Nmero de llamadas telefnicas que entran a una central por minuto.
Nmero de accidentes automovilsticos en una interseccin en una semana.
Sea X: variable aleatoria discreta con Distribucin de Poisson
(cantidad de xitos en una regin o intervalo especificados)
x = 0, 1, 2, . . . (valores posibles para la variable X)
: cantidad promedio de xitos en la regin o intervalo especificados
Entonces la distribucin de probabilidad de X es:
f(x) =
! x
e
x

, x=0, 1, 2, ...., siendo e = 2.71828.. (23)

Ejemplo.
La cantidad de errores de transmisin de datos en una hora es 5 en promedio.
Suponiendo que tiene Distribucin de Poisson, determine la probabilidad que:
a) En cualquier hora, ocurra solamente 1 error.
b) En cualquier hora ocurran al menos 3 errores
c) En dos horas cualesquiera ocurran no ms de 2 errores.
Respuesta:
Sea X: variable aleatoria discreta (cantidad de errores por hora)
= 5 (promedio en 1 hora)
a) P(X=1) = f(1) =
! 1
e 5
5 1
= 0.0337
b) P(X 3) = 1 P(X 2) = 1 (f(0) + f(1) + f(2)) = 1 0.1247 = 0.8743
c) Sea X: variable aleatoria discreta (cantidad de errores en 2 horas)
= 10 (promedio en dos horas)
P(X 2) = f(0) + f(1) + f(2) =
! 0
e 10
10 0
+
! 1
e 10
10 1
+
! 2
e 10
10 2
= 0.0028
MEDIA Y VARIANZA DE LA DISTRIBUCIN DE POISSON
Sea X: variable aleatoria discreta con Distribucin de Poisson
: cantidad promedio de xitos en la regin o intervalo especificados
La distribucin de probabilidad de X es:
f(x) =
! x
e
x

, x=0, 1, 2, ....,
Entonces
Media de X: = E[X] = , Varianza de X: V[X] =
Demostracin
Primero obtendremos la Funcin Generadora de Momentos de la Distribucin
de Poisson. Con la definicin establecida:
m(t) = E[e
tX
] =

0 x
x t
0 x
x
tX
0 x
x
tX
0 x
tX
x
e
e
x
e e
x
e
e x f e
!
) (
! !
) (
Si comparamos con el desarrollo de la funcin exponencial:
...
! !
+ + + +
3
y
2
y
y 1 e
3 2
y
con y=
t
e
m(t) =

t
e
e e
es la funcin generadora de momentos
Entonces usamos las definiciones de momentos:
=
1
=

0 t
t e
0 t
e
0 t
e e e e e
dt
d
t m
dt
d t t
| | | ) (
La demostracin de la varianza sigue un camino similar.