FGM e momentos principais
Função geradora de momentos
Calculadora de Função Geradora de Momentos
Calcule funções geradoras de momentos, momentos, médias, variâncias e curvas de distribuição em uma única interface.
Os resultados são calculados automaticamente conforme você informa os dados.
▼ Veja explicações e dicas abaixo ▼
Calculadoras relacionadas
O que são funções geradoras de momentos?
Uma função geradora de momentos, frequentemente abreviada como FGM, é uma função que resume uma distribuição de probabilidade em uma forma matemática compacta. Para uma variável aleatória \(X\), a função geradora de momentos é definida como:
$$
M_X(t)=E\left[e^{tX}\right]
$$
A variável \(t\) não é um valor da própria variável aleatória. Ela é um argumento usado para construir uma função capaz de revelar informações importantes sobre a distribuição.
O nome vem do fato de que as FGMs podem gerar momentos brutos. Um momento bruto é uma potência esperada da variável aleatória, como \(E[X]\), \(E[X^2]\) ou \(E[X^3]\). O primeiro momento bruto é a média. O segundo momento bruto ajuda a calcular a variância.
As FGMs são úteis porque conectam probabilidade e cálculo. Em vez de somar ou integrar repetidamente para encontrar momentos, você pode derivar a FGM e avaliar a derivada em \(t=0\), desde que a FGM exista em torno de zero.
Por que as funções geradoras de momentos são importantes
As funções geradoras de momentos são comuns na teoria da probabilidade e na estatística matemática porque oferecem uma maneira sistemática de trabalhar com distribuições.
Elas são especialmente úteis para:
- Encontrar médias, variâncias e momentos brutos de ordem superior.
- Comparar distribuições pela sua forma funcional.
- Trabalhar com somas de variáveis aleatórias independentes.
- Identificar uma distribuição a partir da sua FGM.
- Verificar se uma mudança de parâmetro afeta a média, a dispersão ou o comportamento das caudas de uma distribuição.
Para estudantes, as FGMs são uma ponte entre probabilidade e cálculo. Para professores e analistas, elas são uma forma concisa de explicar por que as fórmulas conhecidas da média e da variância são verdadeiras.
Termos importantes
- Variável aleatória: Um resultado numérico de um processo aleatório, geralmente escrito como \(X\).
- Valor esperado: O valor médio de longo prazo de uma variável aleatória, escrito como \(E[X]\).
- Momento bruto: Uma potência esperada de uma variável aleatória, escrita como \(E[X^r]\).
- Média: O primeiro momento bruto, \(E[X]\).
- Variância: Uma medida de dispersão, igual a \(E[X^2]-[E[X]]^2\).
- PMF: Uma função massa de probabilidade, usada para distribuições discretas.
- PDF: Uma função densidade de probabilidade, usada para distribuições contínuas.
- Domínio da FGM: O conjunto de valores \(t\) para os quais a função geradora de momentos é finita.
- Parâmetro de taxa: Um parâmetro positivo frequentemente usado nas distribuições exponencial e gama. Esta calculadora usa a parametrização por taxa para essas distribuições.
- Parâmetro de escala: O recíproco de um parâmetro de taxa. Por exemplo, se uma distribuição gama é escrita com taxa \(\beta\), a escala correspondente é \(\theta=\frac{1}{\beta}\).
Como funcionam as funções geradoras de momentos
A ideia central é que a função exponencial tem uma série de potências:
$$
e^{tX}=1+tX+\frac{t^2X^2}{2!}+\frac{t^3X^3}{3!}+\cdots
$$
Tomando o valor esperado, obtemos:
$$
M_X(t)=E\left[e^{tX}\right]
=1+tE[X]+\frac{t^2E[X^2]}{2!}+\frac{t^3E[X^3]}{3!}+\cdots
$$
É por isso que as derivadas de \(M_X(t)\) em zero produzem momentos brutos:
$$
E[X^r]=M_X^{(r)}(0)
$$
Para os dois primeiros momentos:
$$
E[X]=M_X'(0)
$$
$$
E[X^2]=M_X''(0)
$$
Então, a variância pode ser obtida de:
$$
\operatorname{Var}(X)=M_X''(0)-[M_X'(0)]^2
$$
Para uma variável aleatória discreta com PMF \(p(x)\), a FGM geralmente é calculada somando sobre o suporte:
$$
M_X(t)=\sum_x e^{tx}p(x)
$$
Para uma variável aleatória contínua com PDF \(f(x)\), a FGM é calculada por integração:
$$
M_X(t)=\int_{-\infty}^{\infty} e^{tx}f(x)\,dx
$$
A função deve ser finita em um intervalo em torno de \(t=0\) para ser tratada como uma FGM no sentido usual. Algumas distribuições têm momentos, mas não possuem uma FGM finita perto de zero, portanto o domínio é importante.
FGMs comuns para as distribuições compatíveis
A calculadora é compatível com distribuições discretas e contínuas comuns. A tabela abaixo usa as mesmas convenções de parâmetros da calculadora.
| Distribuição | FGM \(M_X(t)\) | Média | Variância | Domínio de \(t\) |
|---|---|---|---|---|
| Bernoulli \((p)\) | \(1-p+pe^t\) | \(p\) | \(p(1-p)\) | Todos os valores reais \(t\) |
| Binomial \((n,p)\) | \((1-p+pe^t)^n\) | \(np\) | \(np(1-p)\) | Todos os valores reais \(t\) |
| Poisson \((\lambda)\) | \(\exp(\lambda(e^t-1))\) | \(\lambda\) | \(\lambda\) | Todos os valores reais \(t\) |
| Geométrica \((p)\), suporte \(1,2,3,\ldots\) | \(\frac{pe^t}{1-(1-p)e^t}\) | \(\frac{1}{p}\) | \(\frac{1-p}{p^2}\) | \(t<-\ln(1-p)\) when \(0<p<1\) |
| Normal \((\mu,\sigma)\) | \(\exp\left(\mu t+\frac{\sigma^2t^2}{2}\right)\) | \(\mu\) | \(\sigma^2\) | Todos os valores reais \(t\) |
| Exponencial, taxa \(\lambda\) | \(\frac{\lambda}{\lambda-t}\) | \(\frac{1}{\lambda}\) | \(\frac{1}{\lambda^2}\) | \(t<\lambda\) |
| Gama, forma \(\alpha\), taxa \(\beta\) | \(\left(\frac{\beta}{\beta-t}\right)^\alpha\) | \(\frac{\alpha}{\beta}\) | \(\frac{\alpha}{\beta^2}\) | \(t<\beta\) |
| Uniforme \((a,b)\) | \(\frac{e^{bt}-e^{at}}{(b-a)t}\), com \(M_X(0)=1\) | \(\frac{a+b}{2}\) | \(\frac{(b-a)^2}{12}\) | Todos os valores reais \(t\) |
Para a distribuição geométrica, se \(p=1\), toda a probabilidade está concentrada em \(X=1\), portanto a FGM se reduz a \(e^t\) e é finita para todo \(t\) real.
Para a distribuição uniforme, a fórmula exibida apresenta uma indeterminação removível em \(t=0\) porque contém \(t\) no denominador. Ainda assim, o valor correto é:
$$
M_X(0)=E[e^{0X}]=E[1]=1
$$
Exemplos práticos de funções geradoras de momentos
Exemplo 1: FGM de Bernoulli e a média
Suponha que \(X\) siga uma distribuição de Bernoulli com probabilidade de sucesso \(p=0.4\). A FGM é:
$$
M_X(t)=1-p+pe^t
$$
Substitua \(p=0.4\):
$$
M_X(t)=0.6+0.4e^t
$$
Para encontrar a média, derive:
$$
M_X'(t)=0.4e^t
$$
Avalie em \(t=0\):
$$
M_X'(0)=0.4e^0=0.4
$$
Portanto, a média é:
$$
E[X]=0.4
$$
Se você avaliar a FGM em \(t=0.5\), obterá:
$$
M_X(0.5)=0.6+0.4e^{0.5}\approx 1.2595
$$
Esse número é o valor da FGM em \(t=0.5\), não a média nem um momento bruto por si só. O momento vem da derivada em zero.
Exemplo 2: média e variância da distribuição exponencial a partir da FGM
Suponha que \(X\) siga uma distribuição exponencial com taxa \(\lambda=2\). Sua FGM é:
$$
M_X(t)=\frac{2}{2-t}
$$
A primeira derivada é:
$$
M_X'(t)=\frac{2}{(2-t)^2}
$$
Portanto, a média é:
$$
E[X]=M_X'(0)=\frac{2}{2^2}=\frac{1}{2}
$$
A segunda derivada é:
$$
M_X''(t)=\frac{4}{(2-t)^3}
$$
Portanto, o segundo momento bruto é:
$$
E[X^2]=M_X''(0)=\frac{4}{2^3}=\frac{1}{2}
$$
Então, a variância é:
$$
\operatorname{Var}(X)=E[X^2]-[E[X]]^2
$$
$$
\operatorname{Var}(X)=\frac{1}{2}-\left(\frac{1}{2}\right)^2=\frac{1}{4}
$$
Exemplo 3: um caso-limite do domínio
Para uma distribuição gama com forma \(\alpha=2\) e taxa \(\beta=3\), a FGM é:
$$
M_X(t)=\left(\frac{3}{3-t}\right)^2
$$
Esta FGM é finita somente para:
$$
t<3
$$
Um valor como \(t=2.5\) está dentro do domínio, mas \(t=3\) não está. Em \(t=3\), o denominador se torna zero:
$$
3-t=0
$$
Portanto, a FGM não é finita nesse ponto. É por isso que verificar o domínio faz parte da interpretação de um resultado de FGM.
Como interpretar o resultado
O resultado tem várias partes, e cada uma responde a uma pergunta diferente.
A fórmula da FGM mostra a função geradora de momentos na forma fechada para a distribuição e os parâmetros selecionados. Esse é o principal objeto matemático que está sendo avaliado.
O domínio informa quais valores de \(t\) são permitidos. Se \(t\) estiver fora do domínio, a FGM não será finita nesse ponto, portanto o valor não deve ser interpretado.
A média é o valor esperado da distribuição selecionada. Ela tem a mesma escala que a variável aleatória \(X\).
A variância mede a dispersão em torno da média. Sua unidade é o quadrado da unidade de \(X\).
\(M(t)\) é o valor da FGM no \(t\) informado. Ele não é a mesma coisa que o momento bruto solicitado, a menos que esteja relacionado a derivadas em \(t=0\).
O momento bruto é o valor de \(E[X^r]\) calculado analiticamente pela calculadora para a ordem de momento selecionada. A definição matemática é:
$$
E[X^r]=M_X^{(r)}(0)
$$
O gráfico da PMF ou PDF mostra a forma da distribuição de probabilidade selecionada. Para distribuições discretas, o gráfico mostra a massa de probabilidade. Para distribuições contínuas, mostra a densidade. O gráfico não é uma curva de FGM.
Erros e equívocos comuns
Confundir \(M(t)\) com um momento. O valor \(M(t)\) é a FGM avaliada em uma entrada. Um momento bruto vem de uma derivada da FGM em \(t=0\).
Ignorar o domínio de \(t\). As FGMs exponencial, gama e geométrica têm limites superiores para os valores permitidos de \(t\). Valores no limite ou além dele não são válidos.
Usar a parametrização errada da distribuição gama. Esta calculadora usa o parâmetro de taxa da gama \(\beta\). Se o seu livro usa a escala \(\theta\), então \(\beta=\frac{1}{\theta}\).
Supor que a distribuição geométrica começa em zero. O modelo geométrico usado aqui é o número de tentativas até o primeiro sucesso, portanto seu suporte é \(1,2,3,\ldots\).
Esperar que o gráfico mostre a FGM. O gráfico mostra a PMF ou PDF da distribuição, não \(M_X(t)\) como função de \(t\).
Inserir uma ordem de momento fracionária. Esta calculadora avalia as fórmulas fechadas de momentos brutos para ordens inteiras de (1) a (6); ela rejeita ordens fracionárias ou fora do intervalo em vez de arredondá-las.
Arredondar cedo demais. Se você usar os valores exibidos em cálculos posteriores, o arredondamento pode alterar a resposta final. Mantenha precisão extra ao continuar os cálculos.
Quando usar funções geradoras de momentos
Use FGMs quando quiser:
- Encontrar ou verificar uma média, variância ou momento bruto.
- Entender como os parâmetros de uma distribuição afetam seus momentos.
- Comparar distribuições de probabilidade comuns.
- Identificar uma distribuição a partir de uma FGM conhecida.
- Estudar somas de variáveis aleatórias independentes.
- Conferir exercícios ou exemplos didáticos envolvendo distribuições comuns.
- Relacionar fórmulas de probabilidade com derivação e séries de Taylor.
As FGMs são mais úteis quando a distribuição tem uma forma fechada simples e a FGM existe em torno de \(t=0\). Para análise de dados empíricos, simulação ou modelos personalizados complexos, outras ferramentas podem ser mais adequadas.
Limitações e pontos importantes
Nem toda distribuição de probabilidade tem uma FGM no sentido usual. A FGM deve ser finita em um intervalo em torno de \(t=0\). Se ela não for finita nesse intervalo, o método das derivadas não se aplica da maneira padrão.
Esta calculadora é compatível com as distribuições de Bernoulli, binomial, Poisson, geométrica, normal, exponencial, gama e uniforme. Ela não aceita uma PMF, PDF ou amostra de dados personalizada.
As distribuições exponencial e gama usam parâmetros de taxa, não parâmetros de escala. Isso é importante porque taxa e escala são recíprocos.
A distribuição geométrica usa um suporte que começa em \(1\), o que significa que \(X\) conta a tentativa em que ocorre o primeiro sucesso. Outra convenção, com suporte começando em \(0\), tem uma FGM e uma média diferentes.
A ordem de momento solicitada é tratada como um número inteiro de \(1\) a \(6\). Solicitações fracionárias, nulas, negativas ou de ordem superior não são compatíveis diretamente.
Para cada distribuição compatível e cada ordem de momento de \(1\) a \(6\), os momentos brutos usam uma fórmula analítica específica da distribuição, em vez de derivação por diferenças finitas. Os momentos da distribuição uniforme usam identidades polinomiais estáveis quando os limites estão próximos.
Os valores numéricos exibidos usam até 8 algarismos significativos. Valores com módulo abaixo de \(10^{-10}\) podem ser exibidos como 0, e valores muito grandes ou não finitos podem não produzir um número utilizável.
Para distribuições de suporte infinito, como Poisson e geométrica, um gráfico só pode mostrar um intervalo visível finito. A cauda não exibida ainda pode conter massa de probabilidade.
Para trabalhos estatísticos que afetem notas, conclusões de pesquisa, decisões de engenharia, finanças, saúde, segurança, obrigações legais ou registros oficiais, confira o resultado com as fórmulas, a convenção do seu curso e um professor ou profissional qualificado, quando apropriado.
Como usar esta calculadora
- Selecione uma das distribuições compatíveis: Bernoulli, binomial, Poisson, geométrica, normal, exponencial, gama ou uniforme.
- Insira os parâmetros dessa distribuição, como \(p\), \(n\), \(\lambda\), \(\mu\), \(\sigma\), \(\alpha\), \(\beta\), \(a\) ou \(b\).
- Insira a ordem de momento que deseja estimar. O intervalo compatível vai de \(1\) a \(6\).
- Insira o valor de \(t\) no qual deseja avaliar \(M(t)\).
- Verifique o resultado do domínio para garantir que o valor selecionado de \(t\) seja válido.
- Revise a fórmula da FGM, a média, a variância e o valor de \(M(t)\).
- Use as etapas do cálculo para entender como as derivadas em \(t=0\) se relacionam com os momentos brutos.
- Use o gráfico da PMF ou PDF para observar a forma da distribuição selecionada.
Perguntas frequentes
O que uma FGM informa?
Uma FGM resume uma distribuição por meio do valor esperado \(E[e^{tX}]\). Quando existe perto de \(t=0\), suas derivadas em zero fornecem os momentos brutos da distribuição. Ela também pode ajudar a identificar distribuições e a trabalhar com somas de variáveis aleatórias independentes.
\(M(t)\) é o mesmo que a média?
Não. A média é \(M_X'(0)\), a primeira derivada da FGM avaliada em zero. O valor exibido de \(M(t)\) é a FGM avaliada no valor informado de \(t\).
Por que alguns valores de \(t\) não são permitidos?
Algumas FGMs são finitas apenas para certos valores de \(t\). Por exemplo, a FGM exponencial \(\frac{\lambda}{\lambda-t}\) é finita somente quando \(t<\lambda\). Se \(t\) estiver fora do domínio, o valor da FGM não terá significado.
Por que a distribuição geométrica começa em 1 aqui?
Esta calculadora usa a convenção em que uma variável aleatória geométrica conta o número de tentativas até o primeiro sucesso. Nessa convenção, os valores possíveis são \(1,2,3,\ldots\). Uma convenção que conta as falhas antes do primeiro sucesso começa em \(0\) e usa fórmulas diferentes.
Qual é a diferença entre a taxa e a escala da distribuição gama?
Taxa e escala são parametrizações recíprocas. Se a taxa é \(\beta\), a escala é \(\theta=\frac{1}{\beta}\). Esta calculadora usa a forma por taxa, portanto a FGM da distribuição gama é \(\left(\frac{\beta}{\beta-t}\right)^\alpha\).
Como os momentos brutos são calculados?
Matematicamente, o momento bruto é \(M_X^{(r)}(0)\). Para as distribuições compatíveis, a calculadora avalia a fórmula analítica específica correspondente para ordens de \(1\) a \(6\); ela não aproxima derivadas por diferenças finitas.
Por que \(M(0)=1\)?
Em \(t=0\), a expressão dentro do valor esperado é \(e^{0X}=1\). Portanto:
$$
M_X(0)=E[1]=1
$$
Isso é verdade para qualquer FGM válida.
Fontes e referências
Livros e livros didáticos
- Hossein Pishro-Nik. Introduction to Probability, Statistics, and Random Processes. Kappa Research, 2014. Seção 6.1.3, “Moment Generating Functions.” https://www.probabilitycourse.com/chapter6/613momentfunctions.php
- Joseph K. Blitzstein e Jessica Hwang. Introduction to Probability. 2ª ed., Chapman & Hall/CRC, 2019. Capítulo 6, “Moments”, incluindo funções geradoras de momentos e a geração de momentos com FGMs. Página da editora: https://www.routledge.com/Introduction-to-Probability-Second-Edition/Blitzstein-Hwang/p/book/9781138369917
Fontes on-line e oficiais
- Penn State Department of Statistics. “9 Moment Generating Functions.” STAT 414: Introduction to Probability Theory. Acesso em 4 de julho de 2026. https://online.stat.psu.edu/stat414/Lesson09
- Penn State Department of Statistics. “14 Continuous Random Variables.” STAT 414: Introduction to Probability Theory. Acesso em 4 de julho de 2026. https://online.stat.psu.edu/stat414/Lesson14
- Penn State Department of Statistics. “15 Exponential, Gamma and Chi-Square Distributions.” STAT 414: Introduction to Probability Theory. Acesso em 4 de julho de 2026. https://online.stat.psu.edu/stat414/Lesson15
- Penn State Department of Statistics. “16 Normal Distributions.” STAT 414: Introduction to Probability Theory. Acesso em 4 de julho de 2026. https://online.stat.psu.edu/stat414/Lesson16
- Eric W. Weisstein. “Gamma Distribution.” MathWorld—A Wolfram Resource. Acesso em 4 de julho de 2026. https://mathworld.wolfram.com/GammaDistribution.html