FUNCIN CARACTERSTICA

Ada Evangelina Fernndez *

* Depto de Matemtica, Facultad de Ciencias Exactas y Tecnologa, Universidad Nacional de

Tucumn

INTRODUCCIN
La Funcin Caracterstica se define como la esperanza matemtica de una variable
aleatoria compleja, desempea un papel importante en el clculo de probabilidades, como
instrumento analtico en las demostraciones de los teoremas lmites.
La Funcin Caracterstica de una variable aleatoria es una funcin de variable real que
toma valores complejos, que permite la aplicacin de mtodos analticos, es decir, de anlisis
funcional en el estudio de la probabilidad. En este marco si se identifica la distribucin de la
variable aleatoria considerada con una medida positiva, la Funcin Caracterstica se denomina
transformada de Fourier de la medida correspondiente.
La Funcin Caracterstica de una variable aleatoria, as como la funcin generadora de
momentos o la funcin de distribucin acumulada o la funcin de densidad o de masa definen la
distribucin de probabilidad de dicha variable aleatoria.
El mtodo de las Funciones Caractersticas fue introducido en las probabilidades por
Lyapunov en 1904 para la demostracin del Teorema Central del Lmite que hoy lleva su
nombre. La versin definitiva de este teorema fue obtenida posteriormente por Lindeberg.
1

Sin duda que la mayor importancia del estudio de la Funcin Caracterstica radica en el
hecho que aprender y manejar esta herramienta, menos comn de la teora de probabilidades
facilita la demostracin del resultado ms importante de ella: el Teorema Central del Lmite.
En este trabajo se presentar primero la definicin de variable aleatoria compleja y otros
conceptos preliminares. En la Seccin dos se definir Funcin Caractersticas y se demostrarn
los teoremas relativos ms importantes. Tambin se darn algunos ejemplos. En la Seccin tres
se demostrar el Teorema de Inversin. Luego en la Seccin cuatro se demostrarn los Teoremas
Lmites utilizando la Funcin Caracterstica. En la Seccin cinco se dar una aplicacin en el
campo de la fsica. Finalmente se darn conclusiones del estudio realizado y futuras
proyecciones.

SECCIN 1
Conceptos Preliminares
La Funcin Caracterstica de una variable aleatoria se define como la esperanza
matemtica de la variable compleja e ixt . Debemos estudiar primero las variables aleatorias
complejas y preguntarnos cmo los teoremas relativos a las variables aleatorias reales se pueden
aplicar a las variables aleatorias complejas.

Variable Aleatoria Compleja

Sean y variables aleatorias reales, es decir definidas del espacio muestral S en R. Se define
una variable aleatoria compleja como = + i .
La distribucin de probabilidad de se caracteriza por la distribucin de probabilidad de y de

Esperanza Matemtica de una Variable Aleatoria Compleja

Se define la esperanza matemtica de = + i por:
E ( ) = dP

Vale que
E ( ) = E ( ) + iE ( )

Siempre que E ( ) < y E ( ) <

En efecto
E ( ) = dP = ( + i )dP = dP + i dP = dP + i dP = E ( ) + iE ( )

Variables Aleatorias Complejas Independientes

Las variables aleatorias 1 = 1 + i1 y 2 = 2 + i 2 se llaman independientes si y solo si (1 ,1 )
y ( 2 , 2 ) lo son.
La independencia de varias variables aleatorias se generaliza al igual que en el caso real.

Teorema 1.1:
Si 1 , 2 ,..., n son variables complejas independientes y si las esperanzas matemticas E ( k )
con k=1,, n existen, se ve fcilmente que:

k =

k =1

E (

k =1

Demostracin:
La demostracin la haremos por induccin:
1.

E (1 2 ) = E (1 )E ( 2 )

En efecto:
E ( 1 2 ) = E [(1 + i1 )( 2 + i 2 )] = E [(1 2 1 2 ) + i (1 2 + 21 )]
= E (1 2 ) E (1 2 ) + iE (1 2 ) + iE ( 21 )
= E (1 )E ( 2 ) E (1 )E ( 2 ) + iE (1 )E ( 2 ) + iE ( 2 )E (1 )
= E (1 )[E ( 2 ) + iE ( 2 )] + iE (1 )[iE ( 2 ) + E ( 2 )]
= [E (1 ) + iE (1 )][E ( 2 ) + iE ( 2 )]
= E (1 + i1 )E ( 2 + i 2 )
= E ( 1 )E ( 2 )
2. Supongamos vlido para n-1 variables aleatorias y probemos que vale para n. Es decir:

n 1

k =

k =1

n 1

E (

k =1

En efecto:
n
n 1
n

n 1

n 1
E k = E k n = E k E ( n ) = E ( k )E ( n ) = E ( k )
k =1
k =1
k =1
k =1

k =1

Teorema 1.2:
Sea una variable aleatoria compleja tal que E ( ) < entonces E ( ) E .

Demostracin:
Por hiptesis podemos escribir:

dP = e

Adems si dP = e i entonces e i dP = ,

Luego

_ i

dP = =

(1.1)

Por propiedad de la integral

Re( e )dP = Re e
i

dP =

(1.2)

Adems

Re e i e i = e i =
Usando la propiedad de monotona de la integral vale que:

Re e i dP dP

(1.3)

Entonces usando (1.1) (1.2) y (1.3) podemos escribir:

dP = = Re( e )dP dP
i

SECCIN 2
Definicin de Funcin Caracterstica y algunos teoremas importantes
La Funcin Caracterstica de una variable aleatoria es una funcin de variable real que
toma valores complejos, que permite la aplicacin de mtodos analticos. En esta Seccin
estudiaremos la definicin y las propiedades de las Funciones Caractersticas. Tambin veremos
algunos ejemplos importantes.

Funcin Caracterstica

Se llama Funcin Caracterstica de una variable aleatoria a la esperanza matemtica de ei t , es

decir:

( )= e

Ee

it

it

dF (x )

Es una funcin de la variable real t y se la designa como ( t ) = E ( ei t )

Por lo tanto
+

( t ) =

i t

dF ( x )

Donde F ( x ) es la funcin de distribucin acumulada o reparticin de , y ( t ) es la

transformada de Fourier Stieltjes de F ( x ) .
Si la distribucin de es discreta, pudiendo tomar los valores x k con k=1, con
probabilidad p k con k=1,, ( t ) se escribe
+

( t ) = pk eitx

k =1

Si la funcin de distribucin de es absolutamente continua con f ( x ) = F ( x ) por densidad se

tiene

( t ) =

i t

f ( x ) dx

Luego ( t ) es la Transformada de Fourier de f ( x )

Observaciones:

La Funcin Caracterstica de una variable aleatoria cualquiera solo depende de su

distribucin.

Las Funciones Caractersticas de variables aleatorias que tienen la misma distribucin

son idnticas, este es un importante resultado que probaremos en secciones posteriores.

La funcin definida como (t ) = e ixt dF (x ) se puede denominar por consiguiente,

Funcin Caracterstica de F ( x ) (lo mismo que Funcin Caracterstica de una variable

aleatoria que tenga por funcin de distribucin F ( x ) )

Toda funcin de distribucin tiene una Funcin Caracterstica porque la integral de

+

Stieltjes

ixt

dF siempre existe puesto que eixt = 1 . En efecto

ixt

dF

ixt

dF = dF = 1 <

Luego

ixt

dF

En el caso general en que puede tomar valores diferentes de los enteros positivos, la funcin
generadora de momentos o funcin generatriz no esta definida, mientras que la Funcin
Caracterstica existe siempre.

Ejemplo:
Sea X una variable aleatoria con distribucin de Cauchy con parmetros = 0 y = 1 . Su
funcin de densidad de probabilidades esta dada por:
f (x ) =

1
(1 + x 2 )

La funcin generadora de momentos viene dada por:

E (e

tx

)= e

tx

1
dx
1 + x2

Si < x < 0 entonces e xt < 1 , luego

( )

E e

xt

1
1
= e
dx
dx <
2
2
1+ x

(1 + x )
xt

1
1
dx , escribamos lim
En efecto para resolver
dx ahora calculemos la
2
2
c

c (1 + x )
(1 + x )
integral indefinida

(1 + x )dx que es una integral inmediata que viene dada por:

2

(1 + x ) dx = 1 + x
2

dx =

arctg ( x ) + c

Calculemos ahora la integral definida entre los lmites 0 y c

0

0
1
1
1
1
1
1
(
)
dx
=
arctg
x
= arctg 0 arctg (c ) = 0 arctg (c ) = arctg (c )
c (1 + x 2 )

Tomemos lmite para c tendiendo a

0

lim

(1 + x
c

1
1 1
1

dx = lim arctg (c ) = lim arctg (c ) = = <

c
c
2 2
)

Si 0 < x < entonces e xt > x = x

x
x
1
1
1
E( x ) = x
dx = lim
dx
=
2
2
c

1 + x
0 1+ x

1 + x2
0
1

La integral indefinida

1+ x

dx resulta a travs del mtodo de sustitucin, llamando

t=1+x2
dt =2x dx

dt
= dx
2

sustituyendo resulta que:

1+ x

dx =

1 1
1
1
dt = ln t + c = ln 1 + x 2 + c

2 t
2
2

Calculemos ahora la integral cuyos lmites de integracin son 0 y c

c

x
1
2
0 1 + x 2 dx = 2 ln 1 + x

1
1
1
= ln 1 + c 2 ln (1 + 0) = ln 1 + c 2
2
2
2

Tomando lmite para c tendiendo a resulta

c

x
1
1
dx = lim ln 1 + c 2 = lim ln 1 + c 2 =
2
c 1 + x
c 2
2 c
0

lim

( )

Por lo tanto si E ( x ) = se sigue que E eixt > por monotona de la esperanza.

Luego la funcin generadora de momentos E (eixt ) no existe, sin embargo la Funcin
Caracterstica de la distribucin de Cauchy viene dada por:
8

( )= e

Ee

ixt

ixt

1
t
dx = e
2
1+ x

Teorema 2.1:

Se tiene siempre que ( t ) 1 , la igualdad ocurre cuando t = 0 .

Demostracin:

( t ) = E ( ei t ) =

i t
e dF

( 0 ) = E ( e0 ) = E (1) =

ei t dF =

dF = 1

dF = 1

Teorema 2.2:

La funcin ( t ) es uniformemente continua en el intervalo < t < .

Demostracin:
Probemos que: > 0, > 0 : t1 , t2 (, ), ( t1 t2 < ( t2 ) ( t1 ) <
Sea > 0 y elijamos > 0 tal que
P( > ) <

Si se designa por A al suceso > se tiene evidentemente

(t ) = E e A P( A ) + E e cA P(cA )

it

it

Como E (e it A ) 1 , por el Teorema 1.2 se deduce

it

(t ) E e cA P(cA ) P( A ) <

Ya que

(t ) = E e A P( A ) + E e cA P(cA )

it

it

(t ) E e cA P(cA ) = E e A P( A )

it

it

Tomando valor absoluto en ambos miembros

it
it
(t ) E e cA P(cA ) = E e A P( A )

 (t ) E e cA P(cA ) =

it

it
P( A ) 1 P( A ) = P( A ) <
E e

A
3

Por consiguiente
eit 2 eit1

+ 2
(t2 ) (t1 ) E
cA

Puesto que si suponemos

(t2 ) E e

P(cA ) <

cA
3

it 2

(t1 ) E e

it1

P(cA ) <

cA
3

eit 2 eit1

eit2 eit1

P(cA )
(t2 ) (t1 ) E
P(cA ) (t 2 ) (t1 ) E
cA
cA

eit 2

eit1

P(cA ) =

(t2 ) (t1 ) E
+ E
cA
cA

(t2 ) E e

it 2

P(cA ) (t ) E eit1
P(cA ) < + = 2
1

cA
cA

3 3 3

Por lo tanto

eit 2 eit1
+ 2
cA

(t2 ) (t1 ) E
De
b

eib eia = i eiz dz b a con a < b

(2.1)

resulta:
ei t2 ei t1

para y t 2 t1 <

=
3

Probemos (2.1)
e ib = cos(b ) + i sen(b )
e ia = cos(a ) + i sen(a )
e ib e ia = cos(b ) cos(a ) + i[sen(b ) sen(a )]

(2.2)

Puesto que
b

sen(z )dz = cos(z ) = cos(b ) + cos(a ) = [cos(b ) cos(a )]

10

cos(z )dz = sen(z ) = sen(b ) sen(a )

Reemplazando en (2.2)
b
b
b
b

e ib e ia = sen( z )dz + i cos( z )dz = i i sen( z )dz + cos( z )dz

a
a
a
a

b
b
b
b
= i cos( z )dz + i sen( z )dz = i [cos( z ) + isen( z )]dz = i e iz dz
a
a
a
a

Es decir que
b

e ib e ia = i e iz dz
a

Tomando valor absoluto en ambos miembros

b

e e = i e iz dz
ib

ia

Probemos ahora que

b

i e iz dz b a si a < b
a

i e iz dz = i e iz dz = e iz dz e iz dz = 1dz = b a
Luego de
b

e ib e ia = i e iz dz b a
a

Resulta que
e it2 e it1

Puesto que usando (2.1)

e it2 e it1 t 2 t1 = (t 2 t1 )
Sea =

Si t 2 t1

t 2 t1

se sigue que t 2 t1 <

si adems < entonces < 1 , luego
3
3

De donde por propiedad de la esperanza resulta

11

 eit 2 eit1

< Para t2 t1 <
E
cA 3

Se concluye que

(t2 ) (t1 ) < para t2 t1 <

De donde > 0 depende solamente de

Teorema 2.3:

Si a y b son constantes y si = a + b entonces (t ) = eibt (at )

Demostracin:

(t ) = E (e

it

)= e

it

dF = e

= e ibt E e iatt = e ibt (at )

i ( a + b ) t

dF = e

iatt + ibt

dF = e

iatt ibt

e dF = e

ibt

iat

dF

Teorema 2.4:

Si t1 , t 2 ,..., t n son nmeros reales cualesquiera, z1 , z 2 ,..., z n nmeros complejos cualesquiera, si

(t ) es la Funcin Caracterstica de una variable aleatoria y si z = x iy es el nmero

complejo conjugado de z = x + iy , se tiene que:
n

(t
h =1 k =1

t k )z h z k 0

Demostracin:
n

(t
h =1 k =1

tk )zh zk = E e

i ( t h t k )

h =1 k =1

n n i ( t h t k )

n n it h it k

zh zk = E e
zh zk = E e e zh zk
h =1 k =1

h =1 k =1

n
n

= E eit h zh e it k zk
k =1
h =1

Observemos que:

e it k = eit k
Luego
n

h =1

(th tk )zh zk = E eit zh eit zk = E eit zh eit zk

h =1 k =1

h =1

k =1

n
= E eit h zh
h =1

k =1

12

Observacin: Las funciones que verifican

(t
h =1 k =1

tk )zh zk 0 se llaman definidas positivas.

Un teorema notable de Bochner dice que toda funcin (t ) definida positiva con (0 ) = 1 se
puede hacer corresponder a una funcin de distribucin cuya (t ) es la Funcin Caracterstica,
pero no daremos una demostracin de este teorema.

Teorema 2.5:

Para todo real t, ( t ) = (t ) . Si en particular la funcin de distribucin de es simtrica con

relacin al origen (t ) es una funcin real par de t.

Demostracin:
Probemos un lema previo:

f (x )dx = f (x )dx

Sea f ( x ) = u ( x ) + iv ( x ) , luego f ( x ) = u ( x ) iv( x )

Donde f : A C , u : A R, v : A R
b

f ( x )dx = [u ( x ) iv( x )]dx = u (x )dx i v(x )dx = f ( x )dx

Probemos tambin que la funcin de distribucin de es simtrica es decir que y tienen

la misma distribucin.
Sea Y = X , con X variable aleatoria con distribucin simtrica, luego RX = ( , ) entonces
RY = ( , ) .
FY ( y ) = P (Y y ) = P ( X y ) = P( X y ) = 1 FX ( y )

Como X es simtrica respecto del origen vale que f X (x ) = f X ( x )

f Y ( y ) = f X ( y )( 1) = f X ( y ) = f X ( y )

Probaremos en secciones posteriores que si dos variables aleatorias tienen la misma distribucin,
sus Funciones Caractersticas son idnticas.
De esto concluiremos que (t ) = (t )
Con estos resultados probaremos la tesis:

( t ) = E (e

it

)= e

it

dF ( x ) = e dF ( x ) = eit dF ( x ) = E (eit ) = (t )

it

13

(t ) = e

i ( t )

dF ( x ) = eit ( )dF ( x ) = ( t )

Podemos concluir que

(t ) = (t ) = ( t ) = (t )
Por consiguiente (t ) es real y puesto que (t ) = ( t ) , (t ) es una funcin par.

Teorema 2.6:

Si 1 , 2 ,..., n son variables aleatorias mutuamente independientes, la Funcin Caracterstica de

su suma es igual al producto de las funciones caractersticas de cada una de ellas:

k
k =1

(t ) = (t )
k =1

Demostracin:
Usando el Teorema 1.1 podemos escribir:

ik t
n
n i k t n

i (1 + 2 + ... + n )t
i n t
i k t
i1t i 2 t
k =1
n (t ) = E e
= E e e ...e
= E e = E e
= k (t )
= E e

k
k =1
k =1
k =1

k =1

) (

( )

Observaciones:

El Teorema 2.6 expresa la propiedad de las Funciones Caractersticas sobre la cual se

apoya el gran xito que ha tenido su aplicacin en clculo de Probabilidades. En efecto,
la funcin de distribucin de una suma de variables aleatorias independientes es el
producto de convolucin de las funciones de distribucin de variables; el clculo de este
producto de convolucin es complicado la mayora de las veces. Por el contrario, el
Teorema 2.6 permite calcular muy fcilmente la Funcin Caracterstica de una suma de
variables aleatorias independientes a partir de las Funciones Caractersticas de sus
trminos puesto que es, simplemente, el producto. De las propiedades de la Funcin
Caracterstica se pueden deducir las propiedades de la funcin de distribucin como se
ver en secciones posteriores.

El recproco del Teorema 2.6 es falso. De 1 + 2 (t ) = 1 (t ) 2 (t ) no resulta la

independencia de 1 y 2 .

14

Contraejemplo:
Sea 1 = 2 = teniendo una distribucin de Cauchy.
La Funcin Caracterstica de viene dada por:

(t ) = e t

1 + 2

(t ) = 2 (t ) = e2 t

= 1 (t ) 2 (t )

Y no es independiente de si mismo.

Teorema 2.7:

( )

Si los n primeros momentos E k = M k con k=1, 2,, n de la variable aleatoria existen, la

Funcin Caracterstica (t ) es diferenciable n veces y se tiene

(k )

(0) = i k M k

para k=1, 2,,

n.

Demostracin:
Sea F (x ) la funcin de distribucin acumulada de .

Si

x dF existe la integral

xe

ixt

dF converge uniformemente

Pues

xe

ixt

dF ( x )

xe

ixt

dF ( x ) =

xe

ixt

dF (x ) =

x dF (x ) <

Luego

' (t ) = ixeixt dF (x ) pues podemos intercambiar procesos lmites por la convergencia uniforme.

En particular

' (0) = ixe0 dF ( x ) = i xdF ( x ) = iM 1

Repitiendo la operacin se obtiene

(t ) = i k x k eixt dF ( x ) , k=1,2,, n.
(k )

Reemplazando en t=0, resulta

(0) = i
(k )

x dF (x ) = i M
k

, k=1,2,, n.

15

Teorema 2.8:

Supongamos la distribucin de es absolutamente continua. Si la densidad de f (x ) de es k

f (x )dx existe para j=1,2,k

veces diferenciable (k=1,2,) y si c j =

( j)

se tiene

lim t (t ) = 0 .
k

t +

Demostracin:

(t ) =

f (x )e

ixt

dx = lim

c +

f (x )e

ixt

dx

Integremos por partes la integral indefinida dada por

u = f (x )

du = f ' ( x )dx

dv = e ixt dx

v=

f (x )e

ixt

dx , llamemos:

e ixt
it

Reemplazando resulta que:

f ( x )eixt dx = f ( x )

eixt
eixt
f ' ( x ) dx
it
it

Calculando la integral entre c y c

c

eixt
f (x )e dx = f (x ) it
c
ixt

eixt
eict
e ict 1
f ' ( x ) dx = f (c )
f ( c )
f ' ( x )eixt dx
it
it
it
it c
c
c
c

Tomando lmite para c tendiendo a

c

lim

c +

f ( x )eixt dx = lim [ f (c )
c +

eict
e ict 1
f ( c )
f ' ( x )eixt dx]
it
it
it c

Esto es
lim f (c )

c +

eict
e ict 1
lim f ( c )
lim f ' ( x )eixt dx]

+
c
it
it
it c + c

Considerando que
lim f ( j ) ( x ) = 0 para j=1, 2,, k-1 como consecuencia de las hiptesis hechas, luego

x +

(t ) =

1
i
i
lim f ' ( x )eixt dx = 2 lim f ' ( x )eixt dx = lim f ' ( x )eixt dx
it c + c
i t c + c
t c + c

Integrando nuevamente por partes

u = f ' (x )

du = f ' ' ( x )

dv = e ixt dx

v=

e ixt
it

16

Reemplazando resulta:

eixt
eixt
f ' ( x )e dx = f ' ( x )
f ' ' ( x ) dx
it
it
ixt

Calculo la integral entre c y c

c

f ' ( x )eixt dx = f ' ( x )

eixt
it

c
c

f ' (x )
c

eixt
eict
e ict 1
dx = f ' (c )
f ' ( c )
f ' ' ( x )eixt dx
it
it
it
it c

Tomando lmite para c tendiendo a

c

e ict
e ict 1
lim f ' (x )e dx = lim f ' (c )
f ' ( c )
f ' ' ( x )e ixt dx =
c +
c +
it
it
it c
c

ixt

e ict
e ict 1
lim f ' (c )
lim f ' ' ( x )e ixt dx

+
c
it
it
it c + c
c

lim f ' (c )

c +

Por hiptesis
c

1
i
lim f ' ( x )e dx = lim f ' ' ( x )eixt dx = lim f ' ' ( x )eixt dx
c+
it c+ c
t c+ c
c
ixt

(t ) =

ii
lim f ' ' ( x )eixt dx
t t c + c

Es decir que luego de integrar dos veces por partes resulta que
c

i
(t ) = lim f ' ' ( x )eixt dx
t c + c
Por lo tanto integrando k veces por partes obtendr

i
t

i
t

(t ) = lim f ( k ) ( x )eixt dx =
c+
c

f (x )e
(k )

ixt

dx

De donde

i
(t ) =
t
=

(k )

(x )e dx = i
t

ixt

f (x )e
(k )

ixt

dx

Observemos que i =

( 1)

i
t

(k )

(k )

(x )e dx = i
t

(x )e

f (x )e

ixt

ixt

dx =

i
t

(k )

dx

k
k

ixt

f ( k ) ( x ) eixt dx

= 1k = 1 , adems eixt = 1

Luego

(t ) =

f (x )dx
(k )

Llamo
17

ck =

f (x )dx
(k )

Luego

(t )

ck
t

Puesto que, por hiptesis

i
t

(t ) =

f ( k ) (x )

es integrable sobre

( , )

la tesis resulta de

f (x )e
(k )

ixt

dx gracias al Lema de Riemman sobre la integral de Fourier (Este Lema

afirma: El coeficiente de Fourier de una funcin L1 tiende a cero cuando n tiende a ).

Observacin:
La desigualdad (t )

ck
t

es evidentemente interesante en el estudio del comportamiento de

(t ) para valores grandes de t .

Segn el Teorema 2.7, la regularidad (diferenciabilidad) de (t ) esta determinada por el
comportamiento de f (x ) para x + , segn el Teorema 2.8, la regularidad de f ( x )
determina el comportamiento de (t ) para t + . Hay en cierto sentido, dualidad entre los
dos teoremas. Esto lo explicaremos posteriormente mediante el Teorema de Inversin.

Teorema 2.9:

( )

Si los n primeros momentos de , M k = E k con k=1, 2,, n existen, se tiene (con M 0 = 1 ),

para t 0

M k (it )
+ o(t n )
!
k
k =0
n

(t ) =

Demostracin:

Por el Teorema 2.7 vale que (k ) (t ) = i k x k eixt dF ( x ) y tambin que (k ) (0) = i k x k dF ( x ) = i k M k

Desarrollemos (t ) alrededor de t = 0 usando Taylor

' (t ) = i

x e

1 ixt

dF ( x )

18

 ' ' (t ) = i

x e

2 ixt

dF ( x )

.
.
.

( n ) (t ) = i n x n eixt dF ( x )

Como desarrollaremos alrededor de 0, remplazamos t por 0, luego

(0) = i 0 x 0ei 0 dF ( x ) = dF ( x ) = 1

' (0) = i1 x1dF ( x ) = iM 1

' ' (0) = i 2 x 2 dF ( x ) = i 2 M 2

.
.
.

(n)

(0) = i x n dF (x ) = i n M n
n

Luego
n
1
2
(
(
(
t 0)
t 0)
t 0)
(n)
+ ' ' (0 )
+ ... + (0 )
+ o(t n )
(t ) = (0) + ' (0)

n!

1!
2!
n
2
t
t
t
= 1 + iM 1 + i 2 M 2 + ... + i n M n + o t n
1!
2!
n!
k
n
(it ) M k + o t n
=
k!
k =0

( )

( )

En este teorema hemos utilizado el smbolo o, para representar la o de Landau.

Recordemos que:
Dadas dos sucesiones {an }, {bn } ( bn > 0 para todo n), si
lim

n +

an
=0
bn

Entonces se denota an = o(bn ) .

19

Adems dadas dos sucesiones {an }, {bn } ( bn > 0 para todo n), si existe una constante M y un
nmero natural N 0 tales que
a n M bn para todo n N 0

Se denota an = O(bn ) cuando n +

Esta condicin es equivalente a lim

an
+
bn

Para evitar confusin entre los dos smbolos o, O muchas veces diremos o pequeo, O
grande respectivamente.
En nuestro caso:

an =

(it )n M n
n!

bn = t n

(it )n M n
lim

n +

n!

tn

(it ) M n
inM n
= lim
= 0 , luego
= o(t n )
n +
n!
n!
n

Teorema 2.10:

( )

Si todos los momentos de la variable aleatoria , M n = E k , n = 1,2,... existen y si

lim sup n

n +

Mn
1
es finito, el dominio de definicin de (t ) se puede extender a t complejo:
=
n!
R

se tiene, para t < R

M (it )
(t ) = k
,
k!
k =0
+

(t ) es incluso una funcin analtica holomorfa en toda la banda v < R del plano complejo
t=u+iv.

Demostracin:
Por el Teorema 2.7, como todos los momentos de la variable aleatoria existen, (t ) es
infinitamente diferenciable en el punto t=0, es decir vale que:

( n ) (0) = i n M n
Por el Teorema 2.9, se deduce que:

20

M (it )
(t ) = n
n!
n=0

En razn de

(n)

(t ) = i n x n eixt dF (x ) , k=1, 2,, n

Probemos que para todo t real y para toda n

( 2 n ) (t0 ) M 2 n
Puesto que

(2n)

(t0 ) = i x
2n

e dF ( x ) i

2 n ixt 0

Como i

( 2n)

2n

2n

dF ( x ) = i

2 n ixt 0

2n

2n

eixt 0 dF ( x )

= 12 n = 1 y eixt 0 = 1

(t0 ) x

2n

dF ( x ) =

2n

dF ( x ) =

2n

dF ( x ) = M 2 n

Segn la desigualdad de Cauchy_Swartz

( 2 n +1)

(t0 ) x 2 n +1dF (x )

M 2n M 2n + 2

M 2n + M 2n + 2
2

En efecto

( 2 n +1) (t0 )

dF ( x )

2 n +1

n + ( n +1)

( )

( )

dF ( x ) =

n +1

dF (x )

n 2
2 n +1 2
2
x dF (x ) x
dF ( x )

x dF (x ) x
2n

2 ( n +1)

dF ( x )

x 2 n dF ( x ) x 2 n + 2 dF ( x )

= M 2n M 2n + 2
Adems

M 2n M 2n + 2

) =M
2

2n

2 M 2n M 2n + 2 + M 2n + 2 0

As

2 M 2n M 2n + 2 M 2n M 2n + 2
M 2n M 2n+ 2

M 2n M 2n + 2
2
21

M 2n M 2n + 2

M 2n + M 2n + 2
2

Luego por lo probado antes vale que

( 2 n +1) (t0 ) M 2 n M 2 n + 2

Del hecho que lim sup n

n+

M 2n + M 2n + 2
2

Mn
1
( 2 n +1)
(2n)
(t0 ) M 2n + M 2n + 2
= < , (t0 ) M 2 n y
2
n!
R

Obtenemos que para todo t0 real lim sup n

( n ) (t0 )
n!

n +

1
.
R

Luego (t ) es holomorfa en todo el disco t t0 < R por lo tanto vale el teorema.

Si n es par

( 2 n ) (t0 ) M 2 n M 2 n
(2 n ) (t 0 )

(2n )!

2n

(2 n ) (t 0 )

(2n )!

lim sup

2n

2 n +

M 2n

(2n )!
2n

M 2n

(2n )!

(2 n ) (t 0 )

(2n )!

lim sup 2 n
2 n +

M 2n

(2n )!

1
R

Si n es impar se demuestra de manera anloga.

Observacin:
Resulta del Teorema 2.10 que la funcin (t ) queda enteramente determinada por la sucesin

M n , n=1, 2, siempre que lim sup n

n +

Mn
n!

1
< . En efecto segn
R

M k (it )
,
k!
k =0
+

(t ) =

(t ) esta determinada por la sucesin {M n } en el disco t < R , luego, el valor de (t ) para

todo t real esta determinado por la prolongacin analtica. Veremos que la funcin de
distribucin esta determinada a partir de la Funcin Caracterstica. Luego si se verifica que
lim sup n
2 n +

Mn

(n )!

( )

1
la distribucin de esta fijada por la sucesin M n = E n
R

n=1, 2,. El
22

( )

problema de averiguar si los momentos M n = E n

determinan unvocamente la funcin de

distribucin F ( x ) de constituye el problema de los momentos de Stieltjes. En general, la

sucesin de los momentos no basta para determinar F ( x ) .

Funciones Caractersticas de algunas distribuciones importantes

Ejemplo 1: Distribucin Gaussiana (o Normal o Laplace Gauss)

La funcin de densidad de probabilidad viene dada por:

x

2
1
e 2
2

f (x ) =

Sea una variable aleatoria normal estndar, es decir con = E ( ) = 0 y 2 = V ( ) = 1 ,

luego f ( x ) =

1
2

x2
2

Entonces

(t ) = E (e

it

) = e f (x )dx = e
ixt

ixt

x2
2

1
2

ixt

x2
2

dx

Si llamo z=x-it
dz =dx
luego z 2 = ( x it ) = x 2 2 xit + i 2 t 2 = x 2 t 2 2 xit
2

Dividiendo en 2 resulta:

(x it ) xit = x xit t
z
=
2
2
2
2
2

luego
2

x
z2 t
xit
=

2
2 2

(t ) =

1
2

e
L

z2 t2

2 2

dz =

1
2

t2
2

z2
2

dz

Donde L es la recta horizontal z=x-it ( < x < ) del plano complejo; e

z2
2

es una funcin

entera, su funcin es pues, nula a lo largo de una curva cerrada cualquiera, en particular a lo
largo del rectngulo R x de vrtice x-it, x-it, x, -x. Probemos que
23

z2
2

dz e

x2 t
2

x it

v2
2

dv , v>0

Consideremos f ( z ) = e

z2
2

y L el segmento de recta que une los puntos x-it con x.

Puesto que
b

f ( z )dz = ( f o z )(t ) z ' (t ) dt . Donde L : z = z (t ), t [a, b] es una parametrizacin de L, tenemos

que:
Si L : z = x iu , u [ t ,0] con t 0
z ( t ) = x it

z (0 ) = x

z ' (u ) = i

z2
2

dz = e

1
( x + iu )2
2

idu = i e

x2 u 2

2 2

xwi

du = ie

x2 0
2

u2
2

e ixu du

Por lo tanto

z2
2

dz = ie

x2 0
2

u2
2

ixt

du = e

x2 0
2

u2
2

e ixt du

Adems e ixt 1
Por lo tanto e

z2
2

dz = e

x2 0
2

u2
2

ixt

du = e

x2 0
2

u2
2

du = e

x2 0
2

u2
2

du

Llamo u=-v
du =-dv
Si u=-t v=t
Si u=0 v=0

x2 0
2

( v )2
2

x2 t
2

( 1)dv = e e

v2
2

dv, t 0

Luego

z2
2

dz e

x it

x2 t
2

v2
2

dv , v [0, t ]

Por lo tanto v>0

24

Esto implica que lim

x +

z2
2

dz = 0

x it

De donde se sigue que

1
2

z2
2

dz =

1
2

x2
2

dx

Es decir
t2

z2

(t ) =

1 2 2
e e dz =
2
L

Como

1
2

x2
2

t2

x2

1 2 2
e e dx
2

dx = 1 por propiedad de la funcin de densidad, por consiguiente (t ) = e

t2
2

Ejemplo 2: Distribucin Exponencial.

La funcin de densidad de probabilidad viene dado por: > 0

e x , x > 0
f (x ) =
, en otro caso
0

Calculemos ahora la Funcin Caracterstica:

+

(t ) = E (e it ) = e ixt f (x )dx = e ixt 0dx + e ixt e x dx = e x ( it ) dx

= e x ( it ) dx = lim e x ( it ) dx
c +

Vamos a resolver e x ( it ) dx .Usaremos el mtodo de sustitucin, llamo

t = x( it )
dt = _ ( it )dx

x ( it )

dx =

dt
= dx
( it )

1
1 t
1 x ( it )
et dt =
e +c=
e
+c

it
it
it

Calculemos ahora la integral definida entre 0 y c

c

x ( it )
dx =
e
0

1
e x ( it )
it

c
0

1
1
e c ( it ) e 0 =
e c ( it ) 1
it
it

Tomo lmite para c tendiendo a

c

lim e x ( it ) dx =

c +

1
1
1
(
lim e c ( it ) 1 =
1) =
it c+
it
it

25

Por lo tanto (t ) =

it

1
1

it

Se deduce en seguida por el Teorema 2.6, que una variable aleatoria k que tenga una
k

distribucin de orden k, es decir k = i , con i para i=1, 2,.., k independientes e

i =1

idnticamente distribuidas y de esperanza matemtica

(t ) =
k

tiene por Funcin Caracterstica

1
it
1

k
1
1k
1
=
Puesto que (t ) = i (t ) =
=
k
k
1 it
i =1
it
it
1
1

Ejemplo 3: Distribucin Uniforme

La funcin de densidad de probabilidad viene dada por:

f (x ) = b a
0

,a < x < b
, en otro caso

Con a y b R , a < b.
Sea una variable aleatoria distribuida uniformemente en el intervalo ( a, a ) .
Calculemos ahora la Funcin Caracterstica:

(t ) = E (e

it

e xit
1
dx + eixt 0dx = dx
= e f ( x )dx = e 0dx + e
2a
2a

a
a
a

ixt

1
1 eixt
xit
e
dx
=
2a a
2a it
sen(at )
at

ixt

a
a

ixt

1 eiat e iat 1 eiat e iat

1
=
=
sen(at )

it at
2a it
2i
2a

Ejemplo 4: Distribucin de Cauchy.

Sea la funcin de distribucin de Cauchy de parmetros y

26

f (x ) =

1
x

1 +

, < x <

Con , R
Si = 0 y = 1
f (x ) =

1+ x

1
1+ x2

Calculemos ahora la Funcin Caracterstica:

+

(t ) = E (e it ) = e ixt f ( x )dx =

1
1
ixt
1 + x 2 e dx =

e ixt
2 dx
1 + x

Usando el Teorema del residuo evaluemos ahora para t>0:

e ixt
e ixt
e ixt
ei t
[
]
(
)
dx
iR
f
x
i
i
x
i
i
i
=

=
=

= e t
2
,
2
lim
2
lim
2
0
1 + x 2
x i
x

i
(x i )(x + i )
x+i
2i
As

(t ) = E (e it ) =

1 t
e ixt
t
dx = e = e
2

1 + x

Ejemplo 5: Distribucin Binomial

La funcin de densidad de masa viene dada por:

n
p( x ) = p x q n x , x=0, 1, 2,, n
x
Calculemos ahora la Funcin Caracterstica
n

n
n
n
x
n
(t ) = e ixt p( x ) = e ixt p x q n x = ( pe it ) q n x = ( pe it + q )
k =0

k =0

k =0

27

SECCIN 3
Teorema de Inversin

La Funcin Caracterstica de una variable aleatoria es la transformada de Fourier de su densidad

con el signo cambiado. As es que mediante la Funcin Caracterstica podemos obtener la
densidad de la distribucin de probabilidad y viceversa mediante el Teorema de Inversin. En
esta Seccin estudiaremos los resultados preliminares al Teorema de Inversin. Tambin
demostraremos este Teorema.

Teorema 3.1: Teorema de Inversin

a) Si (t ) es la Funcin Caracterstica de la funcin de distribucin F (x ) y si a y b son

puntos de continuidad de F ( x ) (a < b ) se tiene que:
F (b ) F (a ) =

1
2

e ita e itb
e ita e itb
(
)
(
)

t
dt
t 2it
2it

(3.1)

b) Toda funcin de distribucin esta determinada completamente por su Funcin

Caracterstica.
El apartado b) resulta inmediatamente de a), en efecto si se conoce (t ) la frmula dada en a) da
el incremento de F ( x ) en todo el intervalo cuyos extremos no sean saltos de F ( x ) . Como el
conjuntos de saltos es numerable se puede hacer tender a hacia recorriendo nicamente el
conjunto de los puntos de continuidad; la frmula dada en a), en tal caso, F (b ) en todo punto de
continuidad b. Pero como, por definicin F (x ) es continua por la izquierda, es decir
x R, FX ( x ) = P( X < x ) , se puede obtener el valor de F ( x ) en los puntos de discontinuidad

haciendo tender b por la izquierda hacia esos puntos.

Puesto que el teorema de unicidad b) resulta de a) por la frmula de inversin dada all, bastara
entonces demostrar a). Antes de atacar la demostracin hagamos algunas observaciones. Vimos
en la Seccin 2 que ( t ) = (t ) . Si Re( z ) designa la parte real del nmero complejo z, la
frmula dada en a) se pone en la forma:

F (b ) F (a ) =

1
2

e ita e itb
(
)
Re

t
dt

it

(3.2)

Pues
28

eita eitb
e ita e itb
(
)
(
)

dt
t
t

2it
2it

1
F (b ) F (a ) =
2
=

1
2

e itb
e ita
e itb
e ita
(
)
(
)
(
)
(
)

t
t
t
t
dt
2it
2it
2it
2it

Analicemos

(t )e ita
2it

(t )e ita

2it

(t )e ita

2it

(t )e itb

(t )e itb

2it

2it

(t )e ita
2it

(t )e ita
2it

(t )e ita
2it

(t )e ita
2it

(t )e ita
(t )e ita
(t )e ita
+
=
=
2
Re
Re

2it
2it
it

(t )e itb (t )e itb
(t )e itb
=

= 2 Re
it
it
2
2
2it

(t )e itb
= Re

it

Luego
F (b ) F (a ) =

1
2

1
=
2

(t )e ita
Re it

(t )e itb

Re
it

(t ) e ita e itb
Re

it

dt

)dt

Se observa que las partes reales de (t ) y de

e ita e itb
son funciones pares, mientras que sus
it

partes imaginarias son impares. En efecto:

Probemos que Re[ (t )]es par

Re[ (t )] = Re eitx dF ( x ) = Re [cos(tx ) + isen(tx )]dF ( x ) = cos(tx )dF (x )

= cos(tx ) f ( x )dx

Llamo G (t ) = Re[ (t )] = cos(tx ) f ( x )dx

G ( t ) = cos( tx ) f ( x )dx = cos(tx ) f ( x )dx =G (t )

Como t G ( t ) = G (t ) , entonces G (t ) es par.
29

 e ita e itb
Probemos ahora que Re
it

es una funcin par

Como e ita = cos(ta ) isen(ta ) y e itb = cos(tb ) isen(tb ) , podemos escribir:

e ita e itb cos(ta ) isen(ta ) cos(tb ) + isen(tb )
=
it
it
cos(ta ) sen(ta ) cos(tb ) sen(tb )
=

+
it
t
it
t
sen(tb ) sen(ta ) cos(tb ) cos(ta )
=

t
it
e ita e itb sen(tb ) sen(ta )
=
Re
it
t

Llamo L(t ) =
L( t ) =

sen(tb ) sen(ta )
, probemos que es par:
t

sen[( t )b] sen[( t )a ] sen(tb ) + sen(ta ) sen(tb ) sen(ta )

=
=
= L(t )
t
t
t

Como t L( t ) = L(t ) , entonces L(t ) es par.

Veamos ahora que Im[ (t )] es impar

(t ) =

xit
e f (x )dx =

[cos(xt ) isen(xt )]f (x )dx = [cos(xt ) f (x ) isen(xt ) f (x )]dx

Llamo H (t ) = Im[ (t )] = sen(tx ) f ( x )dx

H ( t ) = sen[x( t )]f ( x )dx = ( 1)sen( xt ) f (x )dx =

sen(xt ) f (x )dx = H (t )

Como t H ( t ) = H (t ) , entonces H (t ) es impar

e ita e itb
cos(tb ) cos(ta ) cos(ta ) cos(tb )
=
Tambin probemos que Im
es impar
=
it
it
it

Llamo N (t ) =
N ( t ) =

cos(ta ) cos(tb )
it

cos[( t )a ] cos[( t )b] cos(ta ) cos(tb )

cos(ta ) cos(tb )
=
=
= N (t )
i ( t )
it
it

Como t N ( t ) = N (t ) , entonces N (t ) es impar

e ita e itb
Lo mismo ocurre con (t ) = (t )
it
30

 sen(tb ) sen(ta ) cos(tb ) cos(ta )

t
it

(t ) = e ixt f ( x )dx

sen(tb ) sen(ta ) cos(tb ) cos(ta )

dx
t
it

[cos(xt ) isen(xt )] f (x )dx

La parte real de (t ) es:

sen(tb )sen(ta )
cos(tb ) cos(ta )

Re [ (t )] = cos( xt )
+ sen( xt )
f ( x )dx
t
t

La parte imaginaria de (t ) es:

Im [ (t )] =

cos(xt )

sen(tb ) sen(ta )
cos(tb ) cos(ta )
sen( xt )
f ( x )dx
t
t

Si llamo M (t ) = Re[ (t )]

cos[x( t )]

M ( t ) =

cos(xt )

sen[( t )b] sen[( t )a ]

cos[( t )b] cos[( t )a ]
sen[x( t )]
f ( x )dx
t
t

sen(tb ) sen(ta )
cos(tb ) cos(ta )
sen(xt )
f ( x )dx = M (t )
t
t

Luego Re[ (t )] es par

Si llamo J (t ) = Im[ (t )]
J ( t ) =

cos[x( t )]

sen[( t )b] sen[( t )a ]

cos[( t )b cos[( t )a ]]
sen[x( t )]
f ( x )dx
t
t

cos(xt )

sen(tb ) sen(ta )
cos(tb ) cos(ta )
+ sen(xt )
f ( x )dx
t
t

sen(tb ) sen(ta )
cos(tb ) cos(ta )

= cos( xt )
sen( xt )
f ( x )dx = J (t )
t
t

Luego Im[ (t )] es impar.

Veamos ahora que ( t ) = (t )

( t ) = ( t )
= (t )

e ita e itb
e ita e itb
e ita e itb
e ita e itb
= (t )
= (t )
= (t )
it
it
it
it

e ita e itb
= (t )
it

Designando por Im(z ) a la parte imaginaria de z , se tiene

31

1
2

Im[ (t )]dt = 0 para T > 0

Observacin:
Previamente probemos el siguiente Lema:
Sea f : D R R entonces:
T

f impar

f (t )dt = 0

Demostracin:
f impar t D, f ( t ) = f (t )
T

f (t )dt =

f (t )dt + f (t )dt
0

Si llamo s=-t
ds=-dt,
luego reemplazando resulta:
T

f (t )dt = f ( s )( ds ) + f (t )dt = f ( s )( ds ) + f (t )dt = [ f (s )]ds + f (t )dt

T

= f (s )ds + f (t )dt = 0
Luego, como ya probamos que Im[ (t )] es impar, queda demostrada la afirmacin anterior de
donde se sigue a partir de
1
F (b ) F (a ) =
2

Que

F (b ) F (a ) =

(t ) e ita e itb
Re

it

)dt

)dt

T
(t ) e ita e itb
1
lim
2 T T
it

En muchos cursos se da la frmula de inversin en la forma anterior. Pero mientras que la

integral generalizada (3.1) existe siempre, no se puede decir lo mismo de
1
2

e ita e itb
(t ) it dt

Cuando esta integral existe, su valor es, F (b ) F (a ) .

Vamos a demostrar, ahora, la frmula (3.2), pero tendremos la necesidad, para ello de dos lemas
simples:

32

2 sen(t )
LEMA 1: Llamemos S ( , T ) =
dt .
0 t
T

Para todo real y todo T positivo, es S ( , T ) 2 .

1 para < 0

2 sen(t )

Adems lim S ( , T ) =
dt = 0 para = 0
T
0 t
1 para > 0

Y la convergencia es uniforme para > 0 , siendo un nmero positivo arbitrariamente

pequeo.

Demostracin:
2 sen(u )
Defino S ( x ) =
du.
0 u
x

2 sen(t )
Se tiene S ( , T ) = S (T ) pues si S ( , T ) =
dt por hipteis, si llamo
0 t
T

u =
du

du = dt

= dt , > 0

Reeplazando
S ( , T ) =

sen(u ) du 2
=

0 u
2

Sea cn =

( n +1)

sen(u )
du = S (T )
u

sen(u )
sen(u )
n 2
du o tambin cn = ( 1)
du , n=0, 1, 2,
0 u
u

Probemos que vale esta igualdad

cn =

( n +1)

sen(u )
du , llamo
u

w = u n ,
dw = du

Luego si
u = n w = n n = 0
u = (n + 1) w = (n + 1) n =
2 sen(w + n )
dw
0 w + n

As cn =

Observemos que:
33

sen(w + n ) = sen(w)cos(n ) + cos(w)sen(n )

1 , n = 0, 2, 4,...
Como cos(n ) =
1 , n = 1, 3, 5,...
Y sen(n ) = 0 para n=0, 1,
Luego sen(w + n ) = sen(w)( 1)

As
2 sen(w)( 1)
2
sen(w)
n
dw
dw = ( 1)

0 w + n

w + n
0

cn =
=

( 1) sen(u ) du

u + n
2

Probemos ahora que

sen(u )

c = ( 1) n + u du
n=0

n=0

es convergente.

Observacin:
Usemos el siguiente criterio para probar esta afirmacin:
Sea {a n } una sucesin decreciente que tiende a cero entonces la serie alternada

( 1)
n=0

an

converge.
Llamo
an =

sen(u )

du .
n + u
0

Debo probar

1) a n decreciente
2) a n 0

1) n < n + 1 n < (n + 1) n + u < (n + 1) + u , con u (0, ) y n = 0,1,2,...

Luego
1
1
sen(u )
sen(u )
<

<
(n + 1) + u n + u (n + 1) + u n + u
Por monotona de la integral
sen(u )
sen(u )
0 (n + 1) + u du 0 n + u du

Multiplicando en ambos miembros de la desigualdad por

34

2 sen(u )
sen(u )
du
du

0 (n + 1) + u
0 n + u
2

Entonces vale a n +1 a n

2 sen(u )
2 sen(u )
2
1
sen(u )

du
du
du
du

0 (n + 1) + u
0 n + u
0 n + u
0 n + u

2)

Para resolver esta integral uso el mtodo de sustitucin llamo

t = n + u
dt = du

2 1

du = dt = ln t + c = ln n + u + c
n + u
t

Tomando los lmites de integracin entre 0 y podemos escribir:

1
2
2
du
n
u
ln

=
+
= [ln(n + 1) ln(n )]

0 n + u

(n + 1) 2 (n + 1) 2 1
= ln1 +
= ln
ln
n n n

1
ln1 + 0
n

Si n entonces

Luego como vale 1) y 2), por el criterio antes enunciado, se deduce que

( 1) a
n=0

n 1

De S (x ) = ck +
k =0

Resulta para n par

Si n es impar

converge.

sen(u )
du para n x (n + 1)
u

n 1

k =0

k =0

ck S (x ) ck para n x (n + 1)

n 1

k =0

k =0

ck S (x ) ck para n x (n + 1)

Observemos que si n es par cn =

sen(u )

du
n + u

y c n < c n +1

Luego vale S (n ) S ( x ) S [(n + 1) ] puesto que

n 1

ck +
k =0

n 1
n 1
2 sen(u )
2
sen(u )

du
ck +
du
c

n u
n u

k=
k =0

n 1

n 1

k =0

k =0

n 1

k =0

k =0

( n +1)

sen(u )
du
u

ck S (x ) ck + cn
ck S (x ) ck
35

Si n es impar cn =

sen(u )

du
n + u

y c n +1 < c n

Luego si n x (n + 1)
Entonces S [(n + 1) ] S ( x ) S (n ) ya que
n 1

c
k =0

( n +1)

n 1

n 1

k =0

k =0

n 1
n 1
2 sen(u )
2 sen(u )
sen(u )
du
du ck +
du ck +
n u
n u
u
k=
k =0
n

ck + cn ck +
n

n 1

k =0

k =0

n 1
sen(u )
du

ck

n u
k =0
x

c k S (x ) c k
Luego, en todos los casos, 0 S ( x ) c 0 2 para x 0 .
En efecto:
2 sen(u )
du = S ( )
0 u

Observemos que c0 =

Adems como n x (n + 1)
Si n = 0 y 0 x entonces
S (0 ) S ( x ) S ( )

0 S (x ) c0
Falta demostrar que c0 2
c0 =

2 sen(u )
2 u
2
2 2
du

du
=
du
=
u = ( 0 ) = 2
0 u
0 u

Puesto que S ( x ) = S ( x ) ya que

S ( x ) =

sen(u )
du
0 u
2

Si llamo s = u + x
ds = du

Vale que si u=0 s=x

Y si u=-x s=0
S ( x ) =

2 sen(s x )
2 sen(s x )
2 sen(u )
sen(u )
du = S ( x )
ds =
ds =
du =

0 u
x sx
0 sx
0 u
2

Se sigue para todo x real S ( x ) 2

36

Ya que x < 0 entonces x > 0 , luego vale lo que probamos antes, es decir
0 S ( x ) 2
0 S (x ) 2
2 S (x ) 0

As 2 S ( x ) 0 si x < 0
0 S (x ) 2 si x > 0

Luego 2 S ( x ) 2 , de donde S ( x ) 2
Entonces con los resultados anteriores probemos que:
1 para < 0

2 sen(t )

lim S ( , T ) =
dt = 0 para = 0
T
0 t
1 para > 0

Resulta de la frmula bien conocida S ( ) =

2 sen(u )
du = 1
0 u

2 Sen(u )
2
sen(u )

Es decir sabemos que

du = , o sea
du =
=1
u
2
0 u
2
0

Adems S ( ) =

2 sen(u )
du
0 u

Al comenzar la demostracin probamos que S ( , T ) = S (T ) , o sea lim S ( , T ) = lim S (T )

T +

T +

Si > 0

lim S (T ) = S (+ ) = 1

T +

Si < 0

S ( T ) = S (T )

lim S ( T ) = lim S (T ) = S (+ ) = 1

T +

T +

Si = 0

2 sen(u )
S (0) =
du = 0
0 u
0

lim S (T ) = lim S (0) = 0

T +

T +

37

La convergencia uniforme resulta de S ( , T ) = S (T ) para

( ,0) (0,+ ) pues

en este

intervalo me independizo de .
sen[t ( z a )] sen[t ( z b )]
dt y
t
T
+T

LEMA 2: Sea D(T , z , a, b ) =

1
2

D( z , a, b ) = D(+ , z , a, b )

sen[t (z a )] sen[t ( z b )]
dt
t

1
2

Para todos los reales z, a, b y todo T positivo

D(T , z , a, b ) 2

Si adems a < b
1
1

lim D(T , z , a, b ) = D( z , a, b ) =
T +
2
0

para a < z < b

para z = a o z = b
para z < a o b < z

La convergencia es uniforme para z a < y z b < (para > 0 arbitrario)

Demostracin:
2 sen(t )
En el Lema anterior definimos S ( , T ) =
dt
0 t
T

2 sen[( z a )t ]
Si llamo = z a entonces S ( , T ) = S ( z a, T ) =
dt
0
t
T

Si llamo = z b entonces S ( , T ) = S ( z b, T ) =
Probemos que f ( ) =
f ( ) =

2 sen[( z b )t ]
dt
0
t
T

sen(t )
es par:
t

sen[( )t ] sen( t )
sen(t )
=
=
= f ( )
t
t
t

Como , f ( ) = f ( ) , entonces f ( ) es par

Luego S (z a, T ) =

sen[( z a )t ]
dt
T
t

S (z b, T ) =

sen[( z b )t ]
dt
T
t

38

1 sen[( z b )t ]
sen[( z a )t ]
S (z a, T ) S (z b, T ) =
dt
dt
T
T
t
t
1

Multiplico por

sen[( z a )t ] sen[( z b )t ]
dt
T
t
1

1
en ambos miembros
2

1
[S (z aT ) S (z b, T )] = 1
2
2

sen[( z a )t ] sen[( z b )t ]
dt
t
T
T

Luego
D(T , z , a, b ) =

1
[S (z aT ) S (z b, T )]
2

Por el Lema 1 para todo R y T positivo S ( , T ) 2

Como z a R y z b R vale que S ( z a, T ) 2 y S ( z b, T ) 2
1
[S (z aT ) S (z b, T )] = 1 S (z a, T ) S (z b, T )
2
2
1
1
1
[ S ( z a, T ) + S ( z b, T ) ] (2 + 2) = 4 = 2
2
2
2

D(T , z , a, b ) =

Por lo tanto
D(T , z , a, b ) 2

1
1

Sea a < b probemos lim D(T , z , a, b ) =

T +
2
0
1

Por el Lema 1 lim S ( , T ) = 0

T
1

para a < z < b

para z = a o z = b
para z < a o b < z

para < 0
para = 0
para > 0

Analicemos

a < z < b . Podemos concluir que z a > 0 y z b < 0 , luego

lim S ( z a, T ) = 1

T +

lim S ( z b, T ) = 1

T +

Como D(T , z , a, b ) =
lim D(T , z , a, b ) =

T +

1
[S (z aT ) S (z b, T )] tomo lmite en ambos miembros, vale que
2

1
1
1
lim S ( z aT ) lim S ( z b, T ) = [1 ( 1)] = 2 = 1
T +
2 T +
2
2
39

z = a z = b . Supongamos que z = b y z > a , podemos concluir que S (z b, T ) = 0 .

Luego D(T , z , a, b ) =

1
S ( z a, T )
2

Entonces
lim D(T , z , a, b ) =

T +

1
1
1
lim S ( z a, T ) = 1 =
T

+
2
2
2

z < a z > b . Supongamos que z < a y z < b podemos concluir que z a < 0 y
z b < 0 . Luego:

lim S ( z a, T ) = 1

T +

lim S ( z b, T ) = 1

T +

Como D(T , z , a, b ) =
lim D(T , z , a, b ) =

T +

1
[S (z aT ) S (z b, T )] tomo lmite en ambos miembros, vale que
2

1
1
lim S ( z aT ) lim S ( z b, T ) = [( 1) ( 1)] = ( 1 + 1) = 0
T +
2 T +
2

La convergencia uniforme resulta del Lema 1, pues si llamo = z a y = z b , por el Lema

1 la convergencia es uniforme para > 0 , luego la convergencia es uniforme para
z a > 0 y z b > 0 para arbitrariamente pequeo.

Abordaremos, ahora, la demostracin del Teorema 1 a). Se tiene que:

1
2

1 sen[t ( z a )] sen[t ( z b )]
e ita e itb
(
)
Re

t
dt
dF (z )dt
=

2
it
t

(3.3)

En efecto puesto que:

sen[t ( z a )] =

eit ( z a ) e it ( z a ) eitz e ita e itz eita

=

2i
2i
2i

eit ( z b ) e it ( z b ) eitz e itb e itz eitb

sen[t ( z b )] =
=

2i
2i
2i
sen[t ( z a )] sen[t (z b )] 1 e itz e ita e itz e ita e itz e itb e itz e itb
=

t
t 2i
2i
2i
2i

1 e itz e ita e itb e itz e ita e itb

=

t
2i
2i

1 e itz e ita e itb e itz e ita e itb

=

t
2i
2i

40

sen[t ( z a )] sen[t ( z b )] 1 e itz e ita e itb e itz e ita e itb

=

t
t
2i
2i

eitz e ita e itb

1
= 2 Re

t
2i

eitz (e ita e itb )

= Re

it

Luego si integramos en ambos miembros

+
eitz e ita e itb
sen[t ( z a )] sen[t (z b )]
(
)
dF
z
Re
=

t
it

)dF (z )

e ita e itb
dF ( z )
= Re eitz
it

e ita e itb
= Re eitz dF ( z )

it

e ita e itb
= Re (t )

it

As si integramos nuevamente y multiplicamos por

1
2

1
2

1 sen[t ( z a )] sen[t ( z b )]
e ita e itb
(
)
(
)
Re

t
dt
dF
z
=
dt

2
it
t

Hasta ahora hemos probado que algebraicamente (3.3) vale.

Por otra parte, puesto que a y b son puntos de continuidad, se tiene, segn el Lema 2
+

F (b ) F (a ) = D( z , a, b )dF ( z )

Para demostrar
1
F (b ) F (a ) =
2

e ita e itb
Re (t ) it dt

Basta probar, por consiguiente, que es posible cambiar el orden de integracin en las integrales
en el segundo miembro de (3.3).
La dificultad es que la integral

1
2

sen[t (z a )] sen[t ( z b )]
dt , que representa D( z , a, b ) no
t

es absolutamente convergente. Pero en razn del Lema 2, sabemos que D(T , z , a, b ) D( z , a, b )

tiende uniformemente a cero sobre toda la recta real con exclusin de los intervalos
41

a < z < a + y b < z < b + , donde es un nmero positivo arbitrariamente pequeo.

Adems, en estos intervalos D(T , z , a, b ) 2 . Puesto que a y b son puntos de continuidad de

F ( x ) , se tiene lim

T +

D(T , z, a, b)dF (z ) = D(z, a, b )dF (z ) = F (b) F (a ) .

Por otra parte

D(T , z , a, b )dF ( z ) =

T
1 sen[t ( z a )] sen[t (z b )]
dt dF (z )

2 T
t

1
=
2

sen[t ( z a )] sen[t ( z b )]
dF ( z )dt
T
t

(3.4)

Aqu se puede intercambiar el orden de integracin, porque el integrando es absolutamente

integrable en el dominio < z < , t < T .
Si se pasa al lmite haciendo tender T a el Teorema 3.1 a) Resulta de (3.4) en razn de lo
escrito anteriormente.
Si a y b son saltos de F ( x ) se encuentra modificando ligeramente la demostracin
F (b + 0 ) + F (b 0 ) F (a + 0 ) F (a 0 ) 1

=
2
2
2

e ita e itb
Re (t ) it dt

Si F ( x ) es absolutamente continua, la densidad f ( x ) = F ' ( x ) puede, naturalmente, expresarse

+

(t )dt existe. En tal caso

tambin en funcin de (t ) . Limitmonos al caso en que la integral

1
F (x + h ) F (x h )
f ( x ) = lim
= lim
h 0
h

0
2h
4

sen(th )
(t )e itx + ( t )e itx dt
th

Puesto que

e it ( x h ) e it ( x + h )
eit ( x h ) eit ( x + h )
( t )
dt
(t )
2it
2it

itx ith
itx ith
itx ith
itx ith
1
e e e e
e e e e
=
(t )
( t )

dt

2
2it
2it

1
F (x + h ) F (x h ) =
2

e itx eith e ith

eitx eith e ith
(
)
(
)
+

t
t

2i
2i
t
t

1
e itx
eitx
(
)
(
)
(
)
(
)
=

t
sen
th
t
sen
th

dt
2
t
t

1
=
2

1
2

) dt

sen(th )
(t )e itx + ( t )eitx dt
t

42

Divido ambos miembros en 2h

F (x + h ) F (x h ) 1
=
2h
4

sen(th )
(t )e itx + ( t )eitx dt
th

Tomo lmite para h tendiendo a

1
F (x + h ) F (x h )
= lim
h
h 4
2h
lim

sen(th )
(t )e itx + ( t )e itx 2 (t ) ya que
th

Puesto que

sen(th )
(t )e itx + ( t )eitx dt
th

(t )dt existe y

(t )e itx + ( t )e itx = (t )e itx + (t )e itx = (t )e itx + (t )e itx = 2 Re[ (t )e itx ]

th
sen(th )
sen(th )
2 Re (t )e itx = 2
Re (t )e itx 2
(t )e itx = 2 (t ) e itx
th
th
th

= 2 (t )
Se pueden, en virtud del Teorema de Lebesgue (o Teorema de la Convergencia Dominada),
intercambiar los signos de lmite e integracin y entonces se obtiene
f (x ) =

1
2

(t )e

itx

dt

Donde la integral del segundo miembro es una funcin continua de x.

En efecto:
> 0, > 0 : x1 , x 2 domf ( x 2 x1 < f (x 2 ) f (x1 ) < )

Sean x1 , x 2 dom f, x1 < x 2 , t < T

f ( x 2 ) f ( x1 ) =

itx
(t )e dt
2

(t ) e

itx2

itx
(t )e dt =
1

(t )(e

itx2

e itx1 dt

e itx1 dt

Probemos que vale que e itx2 e itx1 t ( x 2 x1 )

Para ello observemos lo siguiente:

e itx2 = cos(tx 2 ) isen(tx 2 )

e itx1 = cos(tx1 ) isen(tx1 )

e itx2 e itx1 = cos(tx 2 ) isen(tx 2 ) cos(tx1 ) + isen(tx1 )

= [cos(tx 2 ) cos(tx1 )] i[sen(tx 2 ) sen(tx1 )]

43

tx2

tx2

tx1

tx1

sen(z )dz = cos(z )

tx2

tx2

tx1

tx1

cos(z )dz = sen(z )

= [cos(tx 2 ) cos(tx1 )]

= sen(tx 2 ) sen(tx1 )

Por lo tanto
tx 2
tx 2
tx 2
tx 2
tx 2
e itx 2 e itx1 = sen( z )dz + i cos( z )dz = i cos( z )dz + i sen( z )dz = i e z dz
tx
tx
tx1
tx1
tx1
1
1

Tomando valor absoluto en ambos miembros

e

itx2

itx1

tx2

= i e dz
z

tx1

tx2

tx1

tx2

dz = dz = tx 2 tx1 = t ( x 2 x1 ) t x 2 x1
tx1

Por lo tanto
f ( x 2 ) f (x1 )

Si x 2 x1 <

(t ) e

itx2

itx1

dt

x 2 x1 T dt =

x 2 x1 T <

2T

Teorema 3.2:

Las funciones de distribucin Fn ( x ) , n=1, 2, convergen hacia una funcin de distribucin

F ( x ) si y solamente si las Funciones Caractersticas n (t ) de las Fn ( x ) convergen para n

a una funcin (t ) continua para t=0. En este caso (t ) es la Funcin Caracterstica de F ( x ) y

las n (t ) convergen uniformemente hacia (t ) en todo intervalo finito.

Demostracin:
Demostraremos primero que la condicin es necesaria. Hay que demostrar que si
lim Fn ( x ) = F ( x ) en todo punto de continuidad de F ( x ) , se sigue que lim n ( x ) = ( x ) (3.5) con
n

(t ) = e ixt dF (x ) , siendo en (3.5) la convergencia en todo el intervalo finito.

Sea > 0
Elijamos un nmero > 0 tal que y sean puntos de continuidad de F (x ) tales que
F ( ) <

y F ( ) > 1

44

Entonces

ixt

dF ( x ) <

x>

ixt
e dF (x )

x >

, en efecto

ixt
e dF (x ) =

x >

dF (x ) =

x >

dF (x ) + dF (x ) = lim dF (x ) + lim dF (x )
c

Analicemos la integral indefinida

dF (x ) = f (x )dx = F (x ) + c
Calculemos ahora

dF (x ) = F (x )

= F ( ) F ( c )

De la misma manera calculemos

c

dF (x ) = F (x ) = F (c ) F ( )
Luego

ixt
e dF (x ) lim dF (x ) + lim dF (x ) = lim[F ( ) F ( c )] + lim [F (c ) F ( )]
c

x >

= F ( ) F ( ) + F ( ) F ( ) = F ( ) 0 + 1 F ( )
<

+11+

Y para n n1 , al no depender de n, nada ms que de , se tiene

Fn ( ) <

y Fn ( ) > 1

Luego

ixt

dF (x ) <

x>

para n n1 .

Por consiguiente, para n n1

n (t ) (t ) =

ixt

d [Fn ( x ) F ( x )] +

(3.6)

En efecto:

45

 n (t ) (t ) =
=

ixt
ixt
e dFn (x ) e dF (x )

ixt
ixt
ixt
ixt
ixt
ixt
e dFn (x ) + e dFn (x ) + e dFn (x ) e dF (x ) e dF (x ) e dF (x )

ixt

x>

dFn ( x ) + e dFn ( x )
ixt

dFn ( x ) e ixt dF ( x ) +

ixt

dF ( x ) e ixt dF ( x )

x>

ixt

ixt

dFn ( x ) +

x>

ixt

dF ( x )

x>

<

e [dF (x ) dF (x )] + 4 + 4
ixt

e d [F (x ) F (x )] + 2
ixt

Integrando por partes obtenemos, para t T ,

ixt
e d [Fn (x ) F (x )] Fn ( ) F ( ) + Fn ( ) F ( ) + T Fn (x ) F (x )dx

(3.7)

En efecto:
Llamo
u = eixt
dv = d [Fn ( x ) F ( x )]

du = eixt it dx
v = Fn ( x ) F ( x )

e d [F (x ) F (x )] = {e [F (x ) F (x )]} e it [F (x ) F (x )]dx
ixt

ixt

ixt

= e ix [Fn ( ) F ( )] e ix [Fn ( ) F ( )] e ixt it [Fn ( x ) F ( x )]dx

Tomando valor absoluto en ambos miembros

ix
ixt
ix
ixt
e d [Fn (x ) F (x )] = e [Fn ( ) F ( )] e [Fn ( ) F ( )] e it [Fn (x ) F (x )]dx

ix

Fn ( ) F ( ) + e

ix

Fn ( ) F ( ) +

ixt

it Fn ( x ) F ( x ) dx

Como e ix = e ix = e ixt = i = 1

46

ixt
e d [Fn (x ) F (x )] Fn ( ) F ( ) + Fn ( ) F ( ) +

t Fn ( x ) F ( x ) dx

= Fn ( ) F ( ) + Fn ( ) F ( ) + t

F (x ) F (x )dx
n

Como t T

e d [F (x ) F (x )] F ( ) F ( ) + F ( ) F ( ) + T F (x ) F (x )dx
ixt

Puesto que Fn ( x ) F ( x ) 2 el Teorema de Lebesgue nos permite intercambiar el orden de

integracin y del paso al lmite y el segundo miembro de (3.7) y, por consiguiente segn (3.6);
tambin n (t ) (t ) tienden uniformemente a cero para t T .
Es decir

n (t ) (t ) Fn ( ) F ( ) + Fn ( ) F ( ) + T

F (x ) F (x )dx + 2
n

Por convergencia podemos:

n (t ) (t ) <
Daremos ahora una idea de la demostracin de que la condicin es suficiente, es decir que
lim n ( x ) = ( x ) con (t ) continua para todo t=0 resulta lim Fn ( x ) = F ( x ) .
n

Segn un teorema conocido de Helly, se puede extraer de la sucesin {Fn ( x )} una subsucesin

{F (x )}
nk

que converge hacia una funcin montona no decreciente F (x ) en todo punto de

continuidad de esta.
Demostraremos ahora que esta funcin F ( x ) es una funcin de distribucin. Basta demostrar
que F ( ) = 1 , F ( ) = 0 y F (x ) es continua por la izquierda. Esta ltima condicin puede
realizarse siempre por una modificacin conveniente de F (x ) en sus puntos de continuidad.
Puesto que F ( x ) es lmite de funciones de distribucin se tiene siempre que 0 F (x ) 1 . Basta,
entonces, demostrar que F ( ) F ( ) = 1 .
Demostraremos, primero la frmula siguiente para x>0.
x

1 cos( xt )
n (t )dt
t2

[F ( y ) F ( y )]dy =
1

(3.8)

En efecto

47

I n (t ) =

1 cos( xt )
1 1 cos( xt )
(
)

t
dt
=
cos( yt )dt dFn ( y )

n
2
2

t
t

Ya que

=
=

Re (t )2

sen(ty )
dt
t

1
2
1

n (t ) e ity e ity
dt
Re
it

1
Fn ( y ) Fn ( y ) =
2

Re (t )
n

sen(ty )
dt
t

Integrando en ambos miembros entre 0 y x

sen(ty )
1

[ Fn ( y ) Fn ( y )]dy = Re n (t ) t dt dy
x

sen(ty )
= Re n (t )
dy dt
t
0
0

Como
1
1 cos(ty ) x
1
cos(tx ) + 1 1 cos(tx )
sen(ty )
(
)
= 2 [cos(tx ) cos(0 )] =
=
dy
sen
ty
dy
=
=
0 t

t0
t t 0
t
t2
t2
x

As
x

[ F ( y ) F ( y )]dy = Re (t )
1

1 cos(tx )
dt
t2

iyt
1 cos(tx )
Re
dt
e dFn ( y )

t2

1
1 cos(tx )
dt dFn ( y )
= Re eiyt

t2

( )

Como eiyt = cos( yt ) + isen( yt )

1
1 cos(tx )
[ Fn ( y ) Fn ( y )]dy = cos( yt ) t 2 dt dFn ( y )
x

Siendo integrable

1 cos( xt )
y n (t ) 1 , se puede cambiar el orden de las integraciones.
t2

Se sabe que

48

1 cos( xt )
dt = x

t2
1

(3.9)

Puesto que si analizamos la integral indefinida

1 cos( xt )
1
cos( xt )
1 cos( xt )
sen( xt )
dt = 2 dt
dt = +
+ x
dt + k
2
2
t
t
t
t
t
t

Calculemos la integral entre c y c

1 cos( xt )
1 c cos( xt ) c
sen( xt )
dt
=

+
+ x
dt
2
c t
t c
t
t
c
c
c

2
cos( xc )
sen( xt )
= +2
+ x
dt
c
c
t
c
c

Tomando lmite para c

1 cos( xt )
cos( xc )
sen( xt )
2
+2
+x
dt
t 2 dt = clim

c
c
t

sen( xt )
dt
t

=x
Si f (t ) =

sen(xt )
es par resulta que
t

Si f (t ) =

sen(xt )
es impar resuelta que
t

sen( xt )
sen( xt )
t dt = 20 t dt

sen( xt )
dt = 0
t

Si x>0 f ( t ) =

sen[x( t )]
sen( xt ) sen( xt )
=
=
= f (t )
t
t
t

Si x<0 f ( t ) =

sen[x( t )] sen(xt )
sen( xt )
=
=
= f (t )
t
t
t

Luego
1 cos( xt )

dt = x 2 = x , x>0
2
2

t
1

De donde resulta
para y x
0

1 1 cos( xt )
x + y para x y 0
cos( yt )dt =
2

t

x y para 0 y x
0
para x y
Luego
I n (x ) =

(x y )dF ( y )
n

Si se integra por partes el segundo miembro, se obtiene el segundo miembro de (3.8).

49

Como Fn ( y ) Fn ( y ) es una funcin no decreciente de y, se obtiene:

Fn ( x ) Fn ( x )

1 cos( xt )
n (t )dt

xt 2

Ya que si tomo x y
Fn ( x ) Fn ( x ) Fn ( y ) Fn ( y )
Integrando en ambos miembros entre 0 y x
x

[Fn (x ) Fn ( x )]dy [Fn ( y ) Fn ( y )]dy

0

(3.10)

Como
x

[F (x ) F ( x )]dy = x[F (x ) F ( x )]
n

De (3.10) se sigue que

x[Fn ( x ) Fn ( x )]

1 cos( xt )
n (t )dt

t2
1

Luego

[Fn (x ) Fn ( x )] 1 1 cos2 (xt )n (t )dt

xt

Adems si llamo u=xt

du=x dt, se puede deducir que t =

u
du
y que
= dt
x
x

1 cos( xt )
1 cos(u ) u du
1 cos(u ) u
xt 2 n (t )dt = u 2 n x x = u 2 n x du
x 2
x

As queda probado que Fn ( x ) Fn ( x )

1 cos( xt )
n (t )dt

xt 2
1

Supongamos que x y x son dos puntos de continuidad de F (x ) y que n recorre la sucesin {nk } .
Aplicando siempre el Teorema de Lebesgue sobre intercambio del paso al lmite y de la
integracin, se puede escribir:
F (x ) F ( x )

1 cos(u ) u
du
u 2
x
1

(3.11)

En efecto ya vimos que:

Fn ( x ) Fn ( x )

1 cos( xt )
n (t )dt

xt 2
1

50

Tomando lmite en ambos miembros podemos escribir:

1 cos( xt )
n (t )dt
n
xt 2

lim[Fn ( x ) Fn ( x )]

lim

Por un lado analicemos

lim[Fn (x ) Fn ( x )] = lim Fn ( x ) lim Fn ( x ) = F ( x ) F ( x )
n

Adems
1 cos( xt )
1 1 cos(u )
1 1 cos(u ) u
u
lim n du =
n (t )dt =
du
2
2
2

n
n

xt

u
x

lim

Con lo queda probada la afirmacin anterior

Como (t ) es continua para t=0 y (0 ) = 1 puesto que n (0) = 1 se obtiene siempre gracias al
Teorema de Lebesgue y teniendo en cuenta (3.9) que si tomo lmite para x en (3.10) se
tiene:
lim[F ( x ) F ( x )]
x

1 cos(u ) u
du
x u 2
x
1

lim

Si analizamos
lim[F ( x ) F ( x )] = lim F ( x ) lim F ( x ) = F ( ) F ( )
x

Por otro lado

1 cos(u ) u
1 1 cos(u )
1 1 cos(u )
u
du =
(0)du
lim
lim du =
2
2
x
x

u
u 2
u
x
x

1 cos(u )
1
du = 2 = 1
2
u
2
1

Es decir
F ( ) F ( ) 1

Como 0 F ( ) 1 1 F ( ) 0 , tambin 0 F ( ) 1
Entonces F ( ) F ( ) 1
As podemos concluir que
F ( ) F ( ) = 1

Por consiguiente F ( ) = 1 y F ( ) = 0 ; F (x ) es, sin duda, una funcin de distribucin.

Queda an por ver que (t ) es la Funcin Caracterstica de F ( x ) y que toda sucesin {Fn ( x )}
converge hacia F (x ) ; para esto, segn el teorema de Helly, basta demostrar que no se puede
extraer de la sucesin

{Fn (x )} ninguna subsucesin convergente hacia una funcin diferente de

51

F ( x ) . Pero estas dos proposiciones resultan inmediatamente del Teorema 3.1 b) y de la parte

demostrada antes del Teorema 3.2.

Luego de la sucesin de funciones de distribucin {Fn ( x )} n=1, 2, no se puede extraer ninguna
subsucesin que converja hacia F ( x ) ; esto supone que lim Fn ( x ) = F ( x ) .
n

La convergencia uniforme en la relacin lim n ( x ) = ( x ) para t T (T arbitrariamente fijado)

n

resulta de la primera parte del Teorema 3.2 (condicin necesaria). El teorema 3.2 queda, pues,
demostrado completamente.

52

SECCIN 4
Teoremas Lmites

En base a los teoremas de las funciones caractersticas expuestos en secciones anteriores,

podemos ahora abordar los teoremas relativos a las distribuciones lmites. Los ms importantes
entre ellos, llamados Teoremas Centrales del Lmite, expresan el hecho de que la distribucin
de la suma de un nmero muy grande de variables aleatorias independientes, en condiciones
generales, se aproxima a una distribucin Normal. Estos teoremas develan las razones por las
cuales, en muchos campos de aplicacin se encuentran en todo momento distribuciones
Normales o casi Normales.
Un ejemplo tpico de este hecho es el caso de los errores de medida, el error total es el resultado
de un gran nmero de errores pequeos. Los teoremas centrales del lmite justifican, de este
modo, la hiptesis de que los errores de medida estn Normalmente distribuidos; por eso la
distribucin Normal se llama tambin ley de errores.
El Teorema Central del Lmite, en su forma ms simple, se enuncia as:

Teorema 4.1: Teorema de DeMoivre_Laplace

Sean 1 , 2 ,..., n variables aleatorias mutuamente independientes e idnticamente distribuidas,

con distribucin Bernoulli de parmetro p, entonces

xR

i np

i =1

x = (x ) donde (x ) es la funcin de distribucin de la

lim P

n
np(1 p)

distribucin Normal Estndar.

O bien

lim Fn ( x ) = (x )
n

acumulada de

i =1

para < x < donde Fn (x ) es la funcin de distribucin

np

np(1 p )

Las variables aleatorias k son una especie muy particular: solamente toman los valores 0 y 1. El
Teorema Central del Lmite, como generalizacin inmediata del Teorema de DeMoivre-Laplace
se enuncia as.

53

Teorema 4.2:

Sean 1 , 2 ,..., n variables aleatorias mutuamente independientes e idnticamente distribuidas,

para las cuales se supone que M = E( n ) y D = V( n ) > 0 existen, sean
n

n = k y n* =
k =1

n E ( n )
V ( n )

Si Fn (x ) es la funcin de reparticin de n* , se tiene que lim Fn (x ) = (x ) para < x <

n

Demostracin:
Sea (t ) la Funcin Caracterstica de k = k M y n (t ) la Funcin Caracterstica de n .
Como E ( n ) = nM y V ( n )n resulta de los Teoremas 2.3. y 2.6 que:
n

n (t ) =
D n

Para demostrar esto analicemos

E ( n )
=
= n
V ( n )
n

nV ( )
k

k =1

k =1

k =1

*
n

k E k

n
V k
k =1
nM

k =1

k =1

k E ( k )
n

k nE ( k )
k =1

V ( )
k=

nV ( k )

k =1

nM

nV ( k )

nV ( k )

Calculemos ahora la Funcin Caracterstica de la variable aleatoria * .

n (t ) = (t ) = e

nMt
nD

i
= e

i
t
n
= e
k n D
k =1

t
nD
k

n D

Mt

nMt
nD

i
t
k
= e

k =1
nD
n

nMt
nD

k
n D

Adems

(t ) = =
k

k M

= e iMt k (t )

Luego
t

n (t ) =
n D

t2
1
Del Teorema 2.9, ya que E ( k ) = 0 y o 2 = o resulta
n
D n

54

t2
1
= 1
+ o
2n
n
D n

Pues
2

M 1it
M it
t
1

= 1
+ 2
+ o
2! D n
1! D n
n
D n
Por hiptesis E( k ) = 0 E( k M ) = 0 E[ k E( k )] = 0 M 1 = 0
Luego
M
t
= 1 2

2!
D n

it
1

+ o
n
D n

Como M 2 = E [ k E ( k )] = V ( x ) = D 2 y 2!= 2 , resulta

2

t2
1
= 1
+ o
2n
n
D n

Por la aplicacin de la frmula conocida:

n

x
lim 1 + n = e x para lim x n = x
n +
n +
n

Se concluye que lim n (t ) = e

n +

t2
2

si < t < + lo cual prueba el Teorema 4.2, en razn del

Teorema 3.2.
As utilizando el mtodo de las Funciones Caractersticas se demuestra la versin ms
difundida del Teorema Central del Lmite.
Sin embargo, el mtodo de las Funciones Caractersticas ha sido aplicado, en primer
lugar, por Ljapunff. El ha demostrado, por este mtodo, que el Teorema Central del Lmite era
aplicable con hiptesis mucho ms generales.

Teorema 4.3:

Supongamos que 1 , 2 ,..., n son variables aleatorias mutuamente independientes con

E( k ) = M k , V ( k ) = Dk2 > 0 y que los tres primeros momentos E k M k

)= H

3
k

existen

para k = 1, 2,... y definimos

S n = D12 + D22 + ... + Dn2

K n = 3 H 13 + H 32 + ... + H 3n

55

n = k
k =1

*n =

n E( n )
V( n )

Si Fn (x ) designa la funcin de reparticin de *n y la condicin de Ljapunff

Kn
=0
Sn

lim

(4.1)

se verifica entonces
lim Fn ( x ) = (x ) para < x <
n

Observacin:

La condicin se cumple, evidentemente, cuando todas las k tienen la misma

distribucin. En efecto, en este caso:

V ( k ) = Dk = H
H k = E ( k M k ) = H
S n = D12 + D22 + ... + Dn2 = nD 2 = n D
K n = 3 H 13 + H 23 + ... + H n3 = 3 nH 3 = 3 n H

As
Kn
H
= lim
n S
n D
n

lim

n
n

6
H
n2 H
1
lim
= lim 6 = 0
D n 6 n 3
D n n

La condicin tambin se cumple cuando la variable aleatoria k M k

esta acotada

uniformemente y lim S n = . En efecto, de k M k c resulta H k3 cDk2 , luego

n

Kn
c
y puesto que S n se verifica (4.1) pues
3
Sn
Sn

H k3 = E k M k

) = E (

M k k M k =
2

M k k M k dFk ( x )
2

M k dFk ( x ) = cE k M k
2

) = cD

2
k

Por lo tanto H k3 cDk2

Probemos tambin que:

Kn
c
3
Sn
Sn

56

En efecto,

K n = 3 H 13 + H 23 + ... + H n3 3 D12 c + D22 c + ... + Dn2 c = 3 c D12 + D22 + ... + Dn2

S n = D12 + D22 + ... + Dn2

Kn

Sn

=6

c D12 + D22 + ... + Dn2

D12 + D22 + ... + Dn2

)=

c 2 D12 + D22 + ... + Dn2

(D

2
1

+ D22 + ... + Dn2

=6

c2
D12 + D22 + ... + Dn2

c2
c
=3
2
Sn
Sn

Tomo lmite para n y como S n

Kn
c
lim 3
=0
n S
n
Sn
n

lim

Ljapunff ha demostrado el Teorema Central del Lmite con hiptesis ms generales

todava. Para esto basta suponer la existencia, en lugar del tercer momento de orden
( > 2 cualquiera)

y,

n
K n ( ) = E k M k
k =1

en

lugar

de

(4.1)

exigir

K n ( )
=0
n
Sn

lim

(4.2)

donde

Este Teorema, en comparacin con el Teorema 4.2, relaja la hiptesis de idntica

Kn
= 0.
n S
n

distribucin, requiere que existan los tres primeros momentos y adems que lim

Lindeberg ha propuesto una condicin ms general an, que permite demostrar el teorema
Central del Lmite. Este es:
Teorema 4.4:

Sean

1 , 2 ,..., n variables

mutuamente

independientes,

cuya

esperanza

matemtica

M k = E( k ) y D k = V( k ) existen para todo entero k. Si definimos como:

S n = D12 + D 22 + ... + D 2n
y sea Fk (x ) la funcin de reparticin de k M k . Si para todo positivo, se verifica la
condicin llamada de Lindeberg:
1
n S 2
n

lim

k =1 x > S n

dFk ( x ) = 0
n

entonces para =
*
n

(
k =1

(4.3)
Mk )

Sn

se tiene lim P( * < x ) = (x )

n

57

De la condicin (4.1) se deduce (4.3), en efecto

1
S n2

1 Kn
x dFk (x ) = S n

1
x dFk (x ) 3

S n
x > S n

k =1

Ya que
1
S n2

2
x dFk (x ) =

k =1 x >S n

<

1
S n2

k =1 x > S n

1
S n3

1
3
S n
n

Veamos ahora que

x
k =1

x 2 S n
1
dFk (x ) = 3
S n
S n

x dFk ( x ) =

k =1 x > S n
n

k =1

1
S n3

x S

k =1 x > S n

k =1

dFk ( x )

dFk ( x ) = K n3

K n = 3 H 13 + ... + H n3 K n3 = H 13 + ... + H n3 = E 1 M 1

dFk ( x )

dFk ( x )

Ya definimos

)+ ... + E (

Mn

1 M 1 dF1 (x ) + ... n M n dFn (x )

3

= k M k dFk ( x ) =
3

k =1

k =1

dFk ( x )

Como (4.3) se deduce de (4.2) basta demostrar el Teorema 4.4 y quedara demostrado el Teorema
4.3
Demostremos el Teorema 4.4. Si k (t ) es la Funcin Caracterstica de k = k M k entonces
t
Sn

itx

= E e S n

itx
= e sn dF ( x )
k

(4.4)

Necesitamos el lema elemental siguiente:

k 1

LEMA: Para u real y k=1, 2, se tiene e

iu

j =0

(iu ) j
j!

k!

La demostracin la haremos por induccin, en efecto probaremos que vale para k=1
1.

e 1 = 2[1 cos(u )] = 2 sen(v )dv 2 v dv = u 2

iu

pues como eiu = cos(u ) + isen(u )

58

(e

iu

1 = [cos(u ) + isen(u ) 1] = [cos(u ) + isen(u )] 2[cos(u ) + isen(u )] + 1

2

= cos 2 (u ) + 2i cos(u )sen(u ) sen 2 (u ) 2 cos(u ) 2isen(u ) + 1

= cos 2 (u ) + 2i cos(u )sen(u ) sen 2 (u ) 2 cos(u ) 2isen(u ) + cos 2 (u ) + sen 2 (u )

= 2 cos 2 (u ) + 2i cos(u )sen(u ) 2 cos(u ) 2isen(u )
= 2 cos(u )[cos(u ) 1] + 2isen(u )[cos(u ) 1]
= 2[cos(u ) 1][cos(u ) + isen(u )]

= 2eiu [cos(u ) 1]
Luego

e iu 1 = 2e iu [cos(u ) 1] = 2 e iu cos(u ) 1 = 2 cos(u ) 1

2

Como
u

sen(v )dv = cos(v ) = cos(u ) cos 0 = cos(u ) 1

Vale que
u

e - 1 = 2[1 - cos(u )] = 2 sen(v )dv 2 v dv = 2

2

iu

v2
2

= u2

Esto significa que vale para k=1.

2. Supongamos que vale para k, es decir
k

e
iu

(iu ) j
j!

j =0

k +1

k!

Y probemos que vale para k+1.

Antes de ello observemos que:
k

(iu ) j

j =0

j!

e iu

u
k 1

(iv ) j dv
= i e iv

j!
j =0
0

Puesto que
u
k 1 j +1 u
iv k 1 (iv ) j
e iv u k 1 i j +1 v j +1 u
i
iv
j

v
dv
=
i

i
e
dv
i
e
dv

0 j =0 j! 0

i 0 j =0 j! j + 1 0
j = 0 j! 0
k 1 j +1 j +1
i v
= e iu e 0
j = 0 ( j + 1)!
u

Si llamo m=j+1
k
(vi ) = e iu k (vi )
i mvm
e 1
= e iu 1

m =1 m!
j = 0 m!
m = 0 m!
iu

Vamos ahora con la prueba para k+1

59

e
iu

(iu ) j

(iv ) j
i e iv
j!
j!
j =0
0

j =0

u
k

(iv ) j dv = u v dv = u v k +1 dv
dv e iv
0 k!
0 k!

j!
j =0
0

k +1

v k +2 u
u k +2
0
u k +2
u k +2
u k +2
=

=
(k + 2)k! 0 (k + 2)k! (k + 2)k! (k + 2)k! (k + 1)k! (k + 1)!

Luego es vlido para k+1. As es vlido para todo k, por lo que el lema queda demostrado.
Se tiene pues, desarrollando por Taylor alrededor de x=0:
e

itx (it ) x 2
itx t 2 x 2
(1)
1
= 1+
+
+
r
=
+

+ rk(1)
k
2
2
1! S n
S n 2S n
2! S n

itx
Sn

(4.5)

Si usamos el lema probado anteriormente podemos escribir:

itx

e Sn

k +1

itx
tx

k 1 S
S
n n
j!
k!
j =0

Si k=3

itx
Sn

itx
tx

2
S
S
n n
j!
3!
j =0

(4.6)

Es decir

tx
Sn

3!
tx
Sn

3!

itx
Sn

itx
itx

2 S
S
n n
j!
3!
j =0
j

itx
tx

itx
2 S
S
+ n e Sn n
j!
3!
j =0

itx

2 S
+ n
j!
j =0

Sea ahora > 0 . Separemos la integral (4.4) en dos partes

t
k
Sn

itx

itx

itx

itx

n
n
Sn
Sn
Sn
= e dFk ( x ) = e dFk (x ) + e dFk ( x ) + e S n dFk ( x )

s n
S n

S n

Sn

itx
Sn

dFk ( x ) +

itx
Sn

dFk ( x )

x > Sn

Consideremos en primer lugar la primera integral del segundo miembro, usando (4.5)

60

S n

itx (it ) x 2
(1)

dFk (x )
r
1
+
+
+
1
2

1! S

2! S n
n
S n

itx
Sn

S n

e dFk ( x ) =

S n

S n

1dFk (x ) +

S n

it
Sn

S n

xdFk (x )

S n

t2
2S n2

S n

dFk ( x ) + Rk(1)

Sn

Usando el lema
tx

S n itx
S n
Sn
Sn
(
)

e
dF
x
k

3!
S n
S n

itx

2 S
+ n
j!
j =0

S n

it
= dFk ( x ) +
Sn
S n

dFk ( x ) =

S n

t2
(
)

xdF
x
k
2S n2
S n

S n

dFk ( x )

Sn

t
Sn

S n

3!

dFk (x )

Sn

Por lo tanto vale que

t

Sn

(1)

Rk

1 n 3
x dFk ( x )
3! S n

Tomando valor absoluto en ambos miembros

t

Sn

(1)

Rk

S
S n
t
x
t S n 3
1 n 3
(
)
(
)

x
dF
x
=
dFk ( x )

x
dF
x
k
k
3
2
3! S n
3! S n S n S n
S n 3! S n

Como x < S n vale que

(1)

Rk

3! S

2
n

S n

Sn

S n

dFk ( x )

3! S

2
n

dFk ( x ) =

3! S

2
n

Dk2

Adems, usando Taylor alrededor de x=0 podemos escribir:

e

itx
Sn

= 1+

itx
+ rk(2 )
1! S n

(4.7)

Usando el lema para k=2, podemos escribir:

itx
Sn

itx
tx

1
S
S
n n
j!
2!
j =0

(4.8)

Analicemos ahora la segunda integral, por (4.7)

x > Sn

itx
Sn

dFk ( x ) =

itx
1 +
+ rk(2 ) dFk ( x ) =
1!S n

x > Sn

it

dF (x ) + 1!S xdF (x ) + R
k

x > Sn

(2 )

n x > Sn

61

Usando (4.8) vale que

itx tx 2

1
itx
Sn Sn
Sn
+
e dFk (x ) x >S
dFk (x )
j
!
2
!
0
j
=
x > S n
n

t
2
(
)
xdF
x
+
x dFk (x )
k
2

S n 2! x >S n
x > S n

it
= dFk ( x ) +
1!S n
x > S n

Por lo tanto
2

t
R
2!S n2

2
k

dFk ( x )

x > Sn

Tomando valor absoluto en ambos miembros vale que:

2

2! S n2

(2 )

Rk

t
2
(
)
x
dF
x

x dFk (x )
k
2

S n 2! x >Sn
x >Sn
2

Usando los desarrollos de Taylor hechos anteriormente podemos escribir que:

S

itx

n
t
k = e S n dFk (x ) +
S n S n

S n

dFk ( x ) +

S n

dFk ( x ) +

x > Sn

it
Sn

itx
Sn

dFk ( x )

x > S n

t2 n 2
it n
(
)

x dFk ( x ) + Rk(1)
x
dF
x
k

S n 2!S n
S n1! S n

xdF (x ) + R
k

(2 )

x > Sn

n
t2
it
(
)
= dFk ( x ) +

x 2 dFk ( x ) + Rk(1) + Rk(2 )

x
dF
x
k

2
!
S
S
n
n

S n

dF (x ) = 1 ,

Como

adems

E ( k ) = E ( k M k ) = E ( k ) M k = M k M k = 0 ,

S n

dFk ( x ) = Dk2 y si llamo Rk(3 ) = Rk(1) + Rk(2 ) vale que:

Sn

t
k
Sn

t
t

t2
2
= 1
D
+
Dk2 + Rk(3 ) donde Rk(3) = Rk(1) + Rk(2 )
k
S n 2!
6S n2
2S n2

mxDk
Demostremos que la condicin de Lindeberg implica lim
n

1 k n

Sn

dFk ( x )

x > Sn

=0

En efecto

62

D =
2
k

dFk ( x ) =

x 2 dFk ( x ) +

x Sn

dFk ( x )

x > Sn

Como x S n x 2 (S n ) x 2 2 S n2 entonces vale que:

2

2
x dFk (x )

2 2
2 2
2 2
2 2
S n dFk (x ) S n dFk (x ) = S n dFk (x ) = S n

x S n

x S n

Adems
n

x > Sn

x 2 dFk ( x )

k =1 x > S n

dFk ( x )

Luego
n

Dk2 2 S n2 +

k =1 x > S n

dFk ( x )

Si vale para todo k, entonces

n

mx Dk2 2 S n2 +
1 k n

k =1 x > S n

dFk ( x )

Si dividimos ambos miembros de la desigualdad por S n2

mx Dk2
1 k n

2
n

2 +

1
S n2

k =1 x > S n

dFk ( x )

Tomando lmite superior en ambos miembros

mx Dk2

lim sup 1 k n 2
Sn
n

1
lim sup 2 + 2
Sn
n

k =1 x > S n

dFk ( x ) = 2 + 0 = 2

Tomando raz cuadrada en ambos miembros

mx Dk2

lim sup 1 k n 2
Sn
n

2 =

Usando propiedades del lmite podemos escribir:

mx Dk2

lim sup 1 k n 2
Sn
n

lim sup
n

mx Dk2
1 k n

2
n

= lim sup
n

mxDk2
1 k n

2
n

= lim sup

mx Dk2

1 k n

Sn

mx Dk
= lim sup 1 k n

n
Sn
Como > 0 se puede tomar arbitrariamente pequeo resulta que: lim
n

mxDk
1 k n

Sn

=0
63

Elijamos ahora n0 ( ) tal que n n0 ( ) se tenga

1
S n2

2
x dFk (x ) < y

k =1 x >S n

Sea adems <

mxDk
1 k n

Sn

<

t 2 Dk2
1
1
, luego 1
1
2
t
2S n2

En efecto
mxDk

<

1 k n

Sn

mx Dk2
1 k n

2
n

<2 <

1
t2

Sea 1 k n , n n0 ( )
Dk2 1
Dk2
t 2 Dk2 1
t 2 Dk2 1
1
0

2
2
S n2 t 2
2S n2 2t 2
2 S n2
2 S n2
Multiplicando por -1 y sumando 1 en todos los miembros de la desigualdad resulta:
t 2 Dk2
t 2 Dk2
1
1

1
0
2
2
2S n2
2S n2

Utilizando la siguiente identidad

n

(a

k =1

n
n

+ bk ) a k = b j a k (a k + bk )
j =1
k =1
k < j j < k

Escogiendo
ak = 1

t 2 Dk2
2 S n2

bk = Rk(3 )
t
t 2 Dk2
(3 )

Luego a k + bk = 1

R
+
=
k
2 S n2
Sn

Y sustituyendo por 1 un producto vaco podemos escribir:

n

t
Sn

k =1

n t 2 Dk2
1
2 S n2
k =1

n (3 )
= Rk

k =1

Tomando valor absoluto en ambos miembros resulta:

t

k =1 S n
n

n t 2 Dk2
1
2 S n2
k =1

R( ) R( )
3

k =1

k =1

Probemos ahora que

64

R
k =1

t3

+ t2
6

(3 )
k

Sabemos que:
(3 )

Rk

6S

2
n

D +
2
k

2S

2
n x >S n

dFk (x )

Sumando en ambos miembros entre 1 y n vale que:

n

k =1

2
t 3
t 3
t
2
2

Dk + 2 x dFk ( x ) =
2

6 S n2
6
2S n x >S n
S
k =1
n

3
3
t

t
<
+ t 2 =
+ t2
6

(3 )

Rk

La desigualdad e x 1 + x x 2 , para x
t 2 Dk2
1

2S n2
k =1
n

Dk2 +
k =1

t2 n

S n2 k =1

dFk (x )

x > Sn

1
y la identidad usada anteriormente implican
2

t 2 Dk2

n
n 2 S n2
t 4 Dk4 t 4 2
e

4
4
k =1 4 S n
k =1

Escogiendo
ak = e

t 2 Dk2

2 S n2

t 2 Dk2

t 2 Dk2
2 S n2
bk = 1

e
2
2Sn

Utilizando nuevamente la identidad podemos escribir

t Dk
t Dk
n

2
t 2 Dk2 n 2 S n2
t 2 Dk2

1
e
= 1
e 2Sn

2
2
2S n k =1
2Sn
k =1
k =1

Tomando valor absoluto en ambos miembros

t 2 D k2

t 2 Dk2 n 2 S n2
1
e
=

2 S n2 k =1
k =1
n

Como

mx Dk
1 k n

Sn

<

t Dk

2 2

t Dk
2 S n2

1 2 S 2 e
k =1
n

mx Dk2
1 k n

S n2

<

t Dk

n
n

t 2 Dk2
t 4 Dk4

2 S n2

1
e

4

2 S n2
k =1
k =1 4 S n

Dk2
<
S n2

Podemos escribir que

t 2 Dk2
1

2S n2
k =1
n

t 2 Dk2

n
n 2 S n2
t 4 Dk4 t 4 2
e

4
4
k =1 4 S n
k =1

65

Adems

t 2 Dk2

2 S n2

=e

t2

Dk2

2 S n2 k =1

=e

t2
2

k =1

Por lo probado anteriormente podemos escribir:

t

k =1 S n
n

t 2 Dk2

n
n 2 S n2
t
e
= k
k =1
k =1
Sn

t
= k
k =1
Sn
n

t2
e

n t 2 Dk2
1
2S n2
k =1

n t 2 Dk2
+ 1
2S n2
k =1

t2
e

Tomando valor absoluto

t

k =1 S n
n

t 2 Dk2

t
k

k =1
Sn

n t 2 Dk2
1
2 S n2
k =1

n t 2 Dk2
+ 1

2 S n2
k =1

t2
e

t
k
k =1
Sn

n t 2 Dk2
1
2 S n2
k =1

t2
e

n 2 S n2
e
=
k =1

t 2 Dk2
1

2 S n2
k =1
n

t 4 2
t3
<
+ t2 +

6
4

Como > 0 se puede elegir arbitrariamente pequeo, implica tomando lmite para n , luego
t
lim k
n
k =1
Sn
n

( )

= lim E e it = e 2
n

(4.9)

En virtud del Teorema 3.2 de la Seccin 3, nuestro teorema queda demostrado.

La convergencia en (4.9) es incluso uniformemente en todo intervalo finito t T .
Cuando las k tienen la misma distribucin, con desvo estndar finita D , se tiene:
Fk ( x ) = F ( x ) con k=1,, n,

dF ( x ) = D 2

Sn = D n

De donde
1
n S 2
n

lim

k =1 x > S n

dFk (x ) = lim
n

1
n x 2 dF ( x ) = 0
2
nD x > D n

El Teorema 4.4 contiene, pues, el Teorema 4.2 como caso particular.

66

Observemos que el Teorema 4.2 no resulta del Teorema 4.3, porque puede

dF ( x ) existir,

pero

dF ( x ) = e incluso que sea

dF ( x ) = para todo > 2 .

Notemos tambin que Lindeberg demostr primeramente su teorema por otro mtodo, al estudiar
directamente la composicin de las distribuciones.
La condicin de Lindeberg es necesaria en el sentido en que W. Feller ha indicado, a saber:

1 , 2 , ...., n ,... son variables aleatorias independientes, de esperanza matemtica finita y

desviacin tpica finita, si Fk ( x ) es la funcin de distribucin acumulada de k E ( k ) y si

n = 1 + 2 + ... + n , An = E ( n ) , S n = D( n ) y * =

( n An )
Sn

, se tiene

lim P ( n* x ) = ( x ) y
n

lim P mx k E ( k ) > S n = 0
n

1 k n

(4.10)

Si y solamente si se verifica la condicin de Lindeberg para todo > 0 .

Cuando (4.10) es cierta resulta de la condicin de Lindeberg en razn de la desigualdad

P mx k E ( k ) > S n P( k E ( k ) > S n )
1 k n

k =1

1 n

2 S n2 k =1

dFk (x )

x > Sn

La condicin de Lindeberg implica, pues, que en cierto sentido las variables

k E ( k )
Sn

son

uniformemente pequeas con una gran probabilidad.

67

SECCIN 5
Aplicaciones
Por resultados tericos se sabe que si la Funcin Caracterstica de cierta variable aleatoria es
Y (t ) =

iyt

dF(y )

Entonces su funcin de densidad esta dada por:

f Y (y ) =

1
e ity Y (t )dt

Por la frmula de Inversin de la Funcin Caracterstica.

Por ejemplo, en el rea de la Fsica se sabe que en movimiento circular uniforme sobre una
circunferencia de radio A se puede por simplicidad, representar mediante un fasor: X = A cos()
donde = t , siendo la velocidad de desplazamiento.

Supongamos que el radio A es constante y una variable aleatoria con distribucin Uniforme en

[0, ] .
Adems se conoce que la Funcin Caracterstica de X es:

1
X (t ) = e itACos( )dt = J 0 (At )
0
Por el Teorema de Inversin se obtiene que

68

+
para x < A
1

itx
2
2
(
)
f X (x ) =
e
J
At
dt
=
A
x

0
2
0
en otro caso

Tambin esta variable aleatoria X = A cos() representa el movimiento pendular de un cuerpo.

Es importante decir que se pueden calcular la funcin de densidad de distribucin de X
mediante transformacin de variable aleatoria, aqu se descarta este procedimiento para mostrar
la utilidad de la Funcin Caracterstica. Adems en algunos casos la transformacin de variables
aleatorias puede resultar un clculo engorroso.
De esta manera se dan todas las posibles soluciones al problema de encontrar la funcin
de densidad de distribucin de X .

69

Conclusiones y futuras investigaciones

La Funcin Caracterstica es la esperanza matemtica de una variable aleatoria compleja,
desempea un papel importante en el clculo de probabilidades, como instrumento analtico para
calcular la distribucin de una suma de variables aleatorias y para las demostraciones de los
Teoremas Centrales del Lmite.
La Funcin Caracterstica de una variable aleatoria define la distribucin de probabilidad
de dicha variable aleatoria. Toda funcin de distribucin tiene una Funcin Caracterstica porque
la integral de Stieltjes siempre existe, mientras que no ocurre lo mismo con la funcin
generadora de momentos, que es la herramienta anloga en los reales.
La Funcin Caracterstica es un caso especial de la teora general de la Transformada de
Fourier, ya que la Funcin Caracterstica, es la Transformada de Fourier con el signo cambiado.
La Funcin Caracterstica, permite determinar la distribucin de una suma de variables
aleatorias independiente fcilmente mediante el producto de sus Funciones Caractersticas. As
evitar el engorroso clculo de las convoluciones de las funciones de distribuciones marginales.
Sin embargo, el impacto mayor de la Funcin Caracterstica, en la teora de
probabilidades, facilita la demostracin del resultado ms importante de ella: el Teorema Central
del Lmite. El mtodo de las Funciones Caractersticas fue introducido, a tal fin, por Lyapunov
en 1904 para la demostracin del Teorema Central del Lmite que hoy lleva su nombre. La
versin definitiva de este teorema fue obtenida posteriormente por Lindeberg.
Este trabajo ha permitido leer diferentes libros de Teora de Probabilidad, como el
Lamperti (1966), Lehmann (1970) entre otros, y analizar cun complicadas son algunas
demostraciones del Teorema Central del Lmite no clsico al no utilizar esta valiosa herramienta,
aunque no bsica, del anlisis funcional.
Entre las posibles investigaciones a futuro se pueden citar el estudio de: Propiedades que
caracterizan a la distribucin Normal o Gaussiana a partir de la Funcin Caracterstica, la
Funcin Caracterstica de una distribucin condicional, la Funcin Caracterstica para el caso
multivariado, entre otros.

70

Bibliografa:

Renyi, A. (1978). Teora de Probabilidades. Revert.

Churchil, Ruel V. (1990). Variable compleja y aplicaciones. McGraw Hill.

Parzen, Emanuel (1973). Teora Moderna de Probabilidades. Editorial Limusa.

Derrick, William R. (1987). Variable Compleja con Aplicaciones. Grupo editorial

Iberoamericana.

Takeuchi, Yu (1976). Sucesiones y Series. Editorial Limusa.

Dym, H. (1972). Fourier Series and Integrals. Academia Press.

Spiegel, M. R. (1976). Teora y problemas de anlisis de Fourier. Serie Shaum. Editorial

McGraw Hill.

71