El Teorema de Bochner

Orimar Sauri Arregui

23 de mayo de 2011
Resumen
En el presente trabajo probaremos el Teorema de Bochner, el cual nos muestra una relacion directa
entre Topologa y la Teora de la Probabilidad. Dicho resultado se sustenta en el Teorema de continuidad de
Levy as como el Teorema de inversion de Fourier, el cual como sabemos, caracteriza a la densidad de una
distribucion absolutamente continua. Para esto probaremos dos lemas y haremos algunas observaciones en
las cuales descansara la demostracion del Teorema en cuestion.
El Teorema de Bochner es sin duda uno de los resultados mas bellos dentro de la Teora
de probabilidad, pues ademas de caracterizar distribuciones absolutamente continuas via
el concepto de funci on positiva denida, nos muestra una estrecha relaci on con una de
las areas m as importantes de las matematicas: la Topologa. Supongamos que tenemos
un espacio metrico, digamos (, d). Es bien conocido que dicha metrica induce una to-
pologa sobre el mismo, pues podemos denir el concepto de bola abierta en este, esto a
su vez induce naturalmente el concepto de funciones continuas entre espacios metricos,
de manera mas general, si (
1
,
1
) y (
2
,
2
) son dos espacios topol ogicos cualesquiera,
entonces el concepto de continuidad de funciones entre dichos espacios est a bien denido.
Es justamente el concepto de continuidad de una funci on, junto con el de positiva denida,
lo que nos permite representar a una funci on caracterstica (f.c.).
Teorema 1 (El Teorema de Bochner) Sea : R C una funcion continua y supon-
gamos que (0) = 1. Entonces es funcion caracterstica de una medida de probabilidad
P (R), si y solamente si es positiva denida.
Antes de demostrar el teorema principal, probaremos dos lemas que caracterizan, de
manera similar al teorema anterior, a una f.c.
Lema 1 Sea : R C una funcion continua, acotada e integrable sobre R y sea u :
R R una funcion dada por
u(x) =
1
2
_
R
e
itx
(t) dt x R. (1)
1
A n de que sea una funcion caracterstica de una medida de probabilidad P (R) ,
es necesario y suciente que (0) = 1 y u(x) 0 para cada x R. En este caso u es la
densidad de la medida de probabilidad asociada a .
Demostracion. La condici on necesaria es inmediata del Teorema de Inversion de Fourier.
Supongamos que (0) = 1 y u(x) 0 x R. Probaremos que en este caso u necesaria-
mente es una densidad, lo cual implicar a el resultado del lema.
Sea f una densidad arbitraria con funcion caracterstica 0 integrable
1
. Multipli-
cando (1) por (sx) e
iax
, con s, a 0 , e integrando sobre R obtenemos que
_
R
(sx) u(x) e
iax
dx =
1
2
_
R
_
R
(sx) e
i(ta)x
(t) dtdx.
Analicemos el lado derecho de la ecuaci on anterior. Por el Teorema de Fubini
1
2
_
R
_
R
(sx) e
i(ta)x
(t) dtdx =
_
R
(t)
_
1
2
_
R
(sx) e
i(ta)x
dx
_
dt,
haciendo z = sx, s 0, x R, obtenemos del Teorema de Inversi on de Fourier aplicado a
que
1
2
_
R
_
R
(sx) e
i(ta)x
(t) dtdx =
_
R
(t) f
_
t a
s
_
dt
s
.
Notemos que f

(t) = f
_
ta
s
_
1
s
es una densidad, de ah que
_
R
(t) f
_
t a
s
_
dt
s
= E
f
() < , (2)
pues por hipotesis es acotada, de modo que
_
R
(sx) u(x) e
iax
dx < . En particular, si
a = 0
lm
s0
_
R
(sx) u(x) dx =
_
R
u(x) dx, (3)
pero de (2),
_
R
(t) f
_
t
s
_
dt
s
(0) = 1, cuando s 0, combinando lo anterior con (3),
concluimos que u es una densidad, pero al ser integrable necesariamente es la funci on
caracterstica asociada a u.
Observaci on 1 Por el Teorema de Continuidad de Levy (TCL), se tiene que si : R C
es una funcion continua, entonces es funcion caracterstica de una medida de probabi-
lidad P (R), si y solamente si para cada > 0, la funcion dada por

(t) := (t) e
t
2
, t R, (4)
1
Basta tomar f acotada.
es funcion caracterstica. En efecto, si es f.c., entonces por ser e
t
2
la f.c. de una
distribucion normal con media cero y varianza 2 para > 0, se tiene que

es f.c.
Recprocamente, supongamos que para todo > 0,

es f.c. Como
lm
0

(t) = (t) , t R,
y es continua, se sigue del TCL que es f.c.
Luego, del Lema anterior, una funcion : R C continua y acotada con (0) = 1 es
f.c. ssi > 0
_
R
e
t(tix)
(t) dt 0 x R.
Lema 2 Sea : R C una funcion continua y acotada. es f.c. si y solamente si
(0) = 1 y si para cualquier distribucion de probabilidad P (R) y para cada x R, se
cumple que
_
R
e
itx
(t)

(dt) 0, (5)
con

=
1
,
donde

1
(A) = (A) A B(R) .
Para los prop ositos del presente trabajo, s olo mostraremos el regreso del Lema anterior.
Demostraci on del Lema 2. Supongamos que (5) es v alida para cualquier P (R).
Sea > 0 y sea

Normal (0, ), entonces

1
Normal (0, 2), de ah que, en este
caso, x R
0
_
R
e
itx
(t)

(dt)
=
_
R
e
itx
(t) e
t
2
dt.
El resultado se sigue al aplicar la Observaci on 1 a lo anterior.
Observaci on 2 Notemos que la condicion dada en (5) es equivalente a
_
R
_
R
e
it(ts)x
(t s) (dt) (ds) 0 x R. (6)
Ahora bien, si P (R) esta concentrada en {t
1
, . . . , t
n
}, n 1 con respectivas masas
{p
1
, . . . , p
n
}, entonces en este caso (6) toma la forma
n

j,k=1
(t
j
t
k
) z
j
z
k
0, (7)
donde
z
j
= p
j
e
xit
j
, j = 1, . . . , n.
Esta ultima observaci on es crucial en la prueba del Teorema de Bochner.
Demostracion del Teorema de Bochner. Supongamos que es funcion caracterstica
de una medida de probabilidad P (R). Sean t
1
, . . . , t
n
R y z
1
, . . . , z
n
C, n 1,
entonces
n

j,k=1
(t
j
t
k
) z
j
z
k
=
n

j,k=1
z
j
z
k
_
R
e
i(t
j
t
k
)x
(dx)
=
_
R
_
n

j=1
z
j
e
it
j
x
__
n

k=1
z
k
e
it
k
x
_
(dx)
=
_
R

j=1
z
j
e
it
j
x

2
(dx) 0,
es decir, es positiva denida.
Inversamente supongamos que es positiva denida. Como es acotada
2
, basta probar
que para cualquier P (R) (6) se mantiene. La observacion anterior nos garantiza dicha
condici on en el caso de una medida discreta concentrada en un n umero nito de puntos.
En vista de que cualquier P (R) puede verse como el lmite de una sucesi on de medidas
discretas concentradas en un n umero nito de puntos
3
, entonces (7) implica (6), lo cual
completa la prueba.
2
Cualquier funcion positiva denida es acotada.
3
Esto es, si P (R) entonces existe una sucesion {
n
, n 1} P (R) tal que
lm
n

n
(A) = (A) A B (R) ,
y
n
esta concentrada en un n umero nito de puntos.