Unidad 4

FUNCIÓN CARACTERÍSTICA.
Objetivo: El estudiante identificará las propiedades básicas de función
característica y el Teorema de Limite Central, examinando el teorema de
Liapunov.

Temas:

4.1 Definición y Propiedades.

4.2 Teorema de Inversión.
4.3 Suma de Variables Aleatorias Independientes.
4.4 Teorema de Límite Central.

Función Característica
Definición La función generadora de probabilidad (f.g.p) de una v.a.
( X  Y ) ~ poi(1  2 ) X discreta es la función

Gx (t )  E (t x )

Definida para valores reales de t y tales que E ( x) sea absolutamente

convergente

Gx (t )   t x Px ( x)
x 0

Para asegurar convergencia de esta serie en 0 | t | 1

 
| Gx (t ) |  | t |x Px ( x)   Px ( x)  1
x 0 x 0

| Gx (t ) | 1

Es decir el radio de convergencia es Gx (t )  1

 d k Gx (t )
k
Px (k )  dt t 0
k!

Ejemplo Sea X una v.a. tal que X ~ poi( ) obtener Gx (t ) , por definición
tenemos

e   x 
(t ) x
Gx (t )  E (t )  
x
tx
e 

 e  et  e (t 1)  Gx (t )
x 0 x! x 0 x!

Y sabemos que

P{x  1}  Px (1)  e 

De esta manera tenemos

dGx (t )
dt   e  e 
 ( t 1)
  Px (1)
1! 1! 1!
t 0

Del mismo modo obtenemos Px (2)

d 2Gx (t )
dt 2   e
2  ( t 1)
 2 e 
  Px (2)
2! 2! 2!
t 0

Proposición 49 Propiedades de la función generadora de

probabilidad
a).- Sean X y Y v.a.d. tal que Gx (t ) y Gy (t ) existen y coinciden con algún
intervalo alrededor de t  0 , entonces X y Y tienen la misma distribución de
probabilidad

b).- Si el n-ésimo momento factorial de X existe, entonces

 dn E[ x( x  1)( x  2)...( x  n  1)]
lim Gx (t ) 
t 1 dt n
n  ésimo momento factorial

c).- Sean X y Y v.a.d. con funcion generadora de probabilidad Gx (t ) y Gy (t )

respectivamente, entonces

 Gx y (t )  Gx (t )* Gy (t )

Demostración
a).- Tenemos
 
Gx (t )   t x Px ( x) y Gy (t )   t y Py ( y )
x 0 y 0

Gx (t )  Gy (t )  Px ( x)  Py ( y) entonces X y Y tienen la misma distribución


b).- Sabemos que Gx (t )   t x Px ( x)
x 0

dn d  
  d x 

n
Gx (t )  
dt 
 t x Px ( x)    (t Px ( x))   xt x 1Px ( x)
dt x 0  x 0 dt x 0

  
d
lim Gx (t )  lim  xt x 1Px ( x)   lim xt x 1Px ( x)   xPx ( x)  E ( x)
t 1 dt t 1 t 1
x 0 x 0 x 0

esto es el primer momento factorial

c).- Por definición, tenemos

Gx y (t )  E (t x y )  E (t x * t y )  E (t x )* E (t y )  Gx (t )* Gy (t )

Ejemplo Sean X y Y v.a.d. definidas como X ~ poi( ) y Y ~ poi( ) , determinar

cómo se distribuye ( x  y)

Sabemos que
 Gx y (t )  Gx (t )* Gy (t )  e1(t 1) * e 2(t 1)  e(11)(t 1)

Entonces podemos concluir que ( X  Y ) ~ poi(1  2 )

Funciones generadoras de momentos

 De momentos centrales mx (t )  E et ( x   ) 
 De momentos no centrales M x (t )  E etx 

Función característica  x (t )  E eitx 

eitx  cos(tx)  isen(tx)

Definición La función característica de una v.a. X se define como

 x (t )  E eitx 

Nota Siempre existe  x (t ) a diferencia de mx (t ) y M x (t )

Ejemplo Si X ~ B(n, p)

X : Numero de éxitos a obtener al realizar n ensayos Bernoulli

n n
 x (t )  E eitx    eitx f X ( x)   eitx   p x (1  p)n x      eit p  (1  p)n x
x

 x  x

 1  p  eit p 
n

Ejemplo Si X ~ Poi( )

e  
x

e   x  eitx e   x 
it
e 
 x (t )  E e    e f X ( x)  
itx itx
eitx
 
x 0 x! x 0 x! x 0 x!
 e  
it x

 e

 e    e   ee   eit  
 e ( e 1)
it it

x 0 x!

Ejemplo Si X ~ Gam(r , )

 r x r 1e x
f x ( x) 
( r )

itx
 ( x  )
itx  x
r r 1  x
  e   r x r 1e(itx  x )   r x r 1e 
 x (t )  E e    e f X ( x)   e
itx itx
dx   dx   dx
0 0 ( r ) 0 ( r ) 0 ( r )

Usando el siguiente cambio de variable

itx  x  itx    it 
u  x   x 
    

     
x  u  , dx    du
   it     it 
r 1
 u       u
r

r   e
 u
 r u r 1 
  it 
e
    u e
r r 1  u
   it    it   
r r



du  

 du     du   
0 ( r ) 0 ( r )    it  0 ( r )    it 

  
r

  x (t )  E e    itx

   it 

Proposición 50 De la existencia de la función característica

Para cualquier número real t ,  x (t )  1 y en particular  x (0)  1

Demostración
Sabemos que para cualquier número real t
  
 x (t )  e Fx ( x)   eitx Fx ( x)
itx

 

La norma de eitx  cos tx  isentx

0  eitx  1

  x (t )  1

Nota  x (t ) es un número complejo de modulo  1, t 

Proposición 51 Sea X v.a. con n-momento finito, entonces

n
a)  (t )  in E  xn 
t n x
t 0
a
b) Sea 0  a  1  f x  y   dy  a z  x  y donde z v.a. x , y v.a.´s
0

Demostración
a) Por el teorema de la convergencia dominada

   
x (t )  E  eitx   E  eitx   E  ixeitx   E  ix   iE  x   i 
t t  t  t 0

Generalizando

n
x (t )  E  i n x n eitx   i n E  xn   i n  n
t n t 0 t 0

b) z (t )  x y (t )  E (eit ( x y ) )  E (eitx * eity )  E (eitx )* E (eity )  x (t )*y (t )

 SUMA DE V.A.´S
Sean Y1 y Y2 v.a.’s con función de distribución uniforme en el intervalo (0,1) ,
donde Y1 y Y2 son independientes. Supóngase la m.a. de z elementos. Obtener la
función de densidad de la v.a. X tal que X  Y1  Y2 , utilice el método de la
función de distribución.

Solución
Fx ( x)  P{X  x}  P{Y1  Y2  x}  P{Y1  x  Y2}

1 si 0  Y1  1
f y1 ( y1 )  
0 o.c.

1 si 0  Y2  1
f y2 ( y2 )  
0 o.c.

1 X Y2 1 1
y2 2 x2 x2
Fx ( x)    f y ( y1 , y2 )dy1dy2   ( x  y2 )dy2  xy2  x  
2
 Fx ( x)
0 0 0
2 0
2 2


x si 0  x  2
f x ( x)  

0 o.c.

Método de la función de distribución

 a y

Fx  y (a)  P( x  y  a)  
x  y a
f x ( x) f y ( y )dxdy   
 
f x ( x)dx f y ( y )dy


 

Fx (a  y ) f y ( y )dy

Para uniformes (0,1)

1 si 0  a  1
f x (a)  f y (a)  
0 o.c.
 1 si 0  a  1
f x  y (a)  
0 o.c.

1
f x  y (a)   f x (a  y )dy
0

Entonces tenemos:
a
0  a  1  f x  y   dy  a
0

1
1  a  2  f x  y (a)  
a 1
dy  2  a

1.- Definir la región de integración de la v.a. X  y1  y2 ,...  yn En el espacio

( y1 , y2 ,..., yn )

2.- Determinar la región { X  x}

3.- Obtener Fx ( x)  P{ X  x}

4.- Obtener f x ( x)  dFx ( x)

Formula de inversión
Sea X v.a. con función de distribución Fx ( x) y función característica x ( x) si
x  y son puntos de continuidad de Fx ( x) , entonces

eitx  eity
T
1
P{x  X  y}  Fx ( y )  Fx ( x)  lim
T  2 
T
it
x (t )dt

Proposición 52 Teorema de unicidad Si X y Y son v.a.’s entonces

si x (t )  y (t )  t y en donde este definida la función característica, entonces
X y Y tienen la misma distribución de probabilidad Fx ( x)  Fy ( y)
Demostración
Tenemos que si x (t )  y (t )  t por la fórmula de Levy

P{x  X  y}  Fx ( y)  Fx ( x)

P{x  X  y}  Fx ( y)  Fx ( x)  Fy ( y)  Fy ( x)  P{x  Y  y}

Aplicando el límite lim ( Fx ( y)  Fx ( x))  lim ( Fy ( y)  Fy ( x)) , Tomando la definición

x  x 

del límite, tenemos

lim Fx ( y)  lim Fx ( x)  lim Fy ( y)  lim Fy ( x))

x  x  x  x 

lim Fx ( y)  lim Fy ( y)
x  x 

Fx ( y)  Fy ( y)

Entonces X y Y tienen la misma función de distribución de probabilidad.

Proposición 53 Teorema de Inversión

Sea X v.a. absolutamente continua con f.d.p. f x ( x) y función característica x (t ) ,
entonces

1
f x ( x) 
2 

eitxx (t )dt

Demostración
y

P{x  X  y}  Fx ( y)  Fx ( x) y donde Fx ( y)  

f x ( x)dx

Sabemos que por la fórmula de Levy que para x  y dos puntos de continuidad de
F

eitx  eity
T
1
Fx ( y)  Fx ( x)  lim
T  2 
T
it
x (t )dt
  
1 eitx  eity
y y
1
x
f x ( x)dx  

2 it
x (t )dt  

2 
x
eitwdwx (t )dt

Por teorema de fubinni


 
y y
1 itw
x
f x ( x)dx  
x

 
 2
e x (t )dt  dw


1 itw
 f x ( x)  

2
e x (t )dt

Esto es solo válido para cuando X es absolutamente continúa.

Proposición 54 Sean x1 , x2 ,..... v.a.´s entonces X n 

d
 X si sólo si
xn (t ) 
p
x (t )

Demostración
 Supongamos que X n 
d
 x entonces por el teorema de la convergencia
dominada y considerando eitxn  cos t xn  isent xn , entonces

xn (t )  E (eitxn )  E (cos t xn  isent xn )

 E (cos t xn )  E (isent xn )

Tomando el límite tenemos

lim n (t )  lim{E(cos t xn )}  lim{E(isent xn )}

n  n  n 

   
 E  lim cos t xn   iE  lim isent xn   E (cos t x )  iE (sen t x )  E (cos t x  isen t x )  E (eitx )  x (t )
 n   n 

Entonces tenemos

lim xn (t )  x (t )
n 
 Supongamos que xn (t )  x (t ) , para dos puntos de continuidad x  y
comunes a Fxn y Fx por la fórmula de Levy

eitx  eity
T
1
Fxn ( y )  Fxn ( x) 
2 
T
it
xn (t )dt

Aplicando límites a ambos lados de la igualdad, tenemos

 1
T
eitx  eity 
lim( Fxn ( y)  Fxn ( x))  lim  lim
n  n 
 T  2 
T
it
xn (t )dt 


eitx  eity
T
1
 lim
n  2 
T
it
dt lim xn (t )dt
n 

Por la formula de Levy, tenemos

 Fx ( y)  Fx ( x)

 X x 
d
x

Teorema del límite central o teorema central del límite

Sean x1 , x2 ,......, xn v.a.´s independientes e idénticamente distribuidas, tal que
E ( xi )   y Var ( xi )   2   , para cualquier x  .

 ( x  x  ......  xn )  n 
lim P  1 2  x   P{Z  x}
n 
 n 

En donde z ~ N (0,1)

1
( x1  x2  ......  xn )  
n 
d
 N (0,1)

n
  x  x  ......  xn  1   n
E 1 2    E ( x1 )  E ( x2 )  ...  E ( xn )   
 n  n  n

 x  x  ......  xn  1   n 2  2
Var  1 2   2 
var ( x1 )  var( x2 )  ...  var( xn )  2 
 n  n   n n

Demostración
Suponga que todos los elementos de la sucesión tienen elementos finitos de
cualquier orden, entonces

( x1  x2  ......  xn )  n ( x1   ) ( x2   ) (x  )
   ...  n
n n n n

Suponga que X i tiene i  0 y  2i  1 y sea

x1  x2  ...  xn
Zn 
n

Basta demostrar que Z n 

d
 N (0,1) , entonces

Z n 
d
 N (0,1)

 x1  x2 ... xn 
 it   
 Sea x (t )  E (e )itx
 zn (t )  E  e  n 

 

 itx1   itx2   itxn 

       
 E  e n 
*e  n 
*....* e  n 

 

 itx1   itx2   itxn 

           
 E  e n 
 * E  e
n 
 *....* E  e
n 

     

 t  
n

  x   
  n  

 t    itxn 
n

zn (t )   x     E e 
  n    

Por teorema de la convergencia dominada tenemos

  x1  x2 ... xn 
 it   
ln zn (t )  ln  E (e  n 
) 
 

  x  x  ...  xn   it
 E  it  1 2   E ( x1  x2  ...  xn )
  n   n

 eitx   t 
ln zn (t )  n ln E    n ln x  
 n   n 

 it i 2t 2 
 n ln  1  E ( x)  E ( x 2 )  ....   n ln(1   )
 n n 

Además sabemos que


xi
ex  
i 0 i!

j
 itx 
itx    2 2 2 3 3 3
e n
  n   1  itx  i t x  i t x  ....
j 0 j! n 1! n 2! n 2!

   itx   i 2t 2 x 2   i 3t 3 x3 
itx

  E (1)  E      .... 

n
E e
   n 1!   n 2!   n 2! 

it i 2t 2
 (1)  E ( x)  2
E( x2 )
n 2( n )

Recordemos que

1 1
ln (1   )     2   3  ...
2 3
2
 it i 2t 2 1  it i 2t 2 
 n E ( x)  E ( x 2
)  ...   E ( x )  E ( x 2 )  ...  

2 2
 n 2( n ) 2 n 2( n )

3
1  it i 2t 2 
 E ( x)  E ( x 2 )  ... 

2
3 n 2( n )
 
i 2t 2 i 3t 3 
Z n 
d
 N (0,1)  n  0    .... 
 2n 3

 6(n) 2

Tomando el límite, tenemos

 22
i 3t 3  i 2t 2
 lim 
it
  ....  2
n   3


2n
6(n) 2 

i 2t 2 t2

zn (t )  e 2
e 2

Entonces podemos decir que

 Z n 
d
 N (0,1)

Ejercicio
Sea {X n } n  una sucesión de v.a.´s con f.m.p.

k Pxn (k )  P{ xn  k}
0 1
1
n
1 1
1
n 2n
1 1
2n

1-. P.d. que es f.m.p.

Sabemos que Pxn (k )  0 con n positivo

1
 1 
Y además  Pxn (k )  Pxn (0)  Pxn  1    Pxn (1)
k 0  n 

 1  1 1 1 1
  1     1   1
 n  2 n 2n n n

2.- Estudiar o analizar su convergencia en probabilidad, convergencia en

distribución y convergencia en media cuadrática a la v.a. x  0

Por definición se tiene que X n c.p. a x si para cualquier   0 entonces

lim P(| X n  x |  )  0
n 

Debemos obtener que    0

P(| X n  0 |  )  1  P(| X n |  )  1  Fxn ( )

Para k  0  1  0  1

1  1  1 1
Para 0  k  1   1   1    1 1  
n  n  n n

1  1 1  1
Para 1   k 1  1  1  
n  n 2n  2n

Para k  1  1 1  0

3.- Analizar la convergencia en distribución, tenemos por definición X n 

d
x

lim Fxn ( x)  Fx ( x)
n 


0 si k 0

 1 1
P{ X n  k}  Fxn (k )  1  si 0  k  1 
 n n
 1 1 1
1  n  2n si 1 
n
 k 1

Es 1 para k  1
 0 si k  0
 lim FX n   entonces FX n es función de distribución de la v.a cero.
n 
1 si k  0

3.- Analizar la convergencia en media cuadrática, entonces tenemos por

definición

lim E (| X n  x |2 )  0
n 

 1 
2
 1   1  2 1 
lim E | X n |  
2
(k ) Pxn (k )  (0)  1 
2 2
   1     (1)  
n 
k  n   n   2n   2n 

2
1  (n  1) 2  1
  2  
2n  n  2n

 1  2 1  1 
lim E | X n |2  lim   1  2   0
n  n 
 2n  n n  2n 

Entonces converge en media cuadrática.