“FUNCIÓN CARACTERÍSTICA”

Aída Evangelina Fernández *

* Depto de Matemática, Facultad de Ciencias Exactas y Tecnología, Universidad Nacional de

Tucumán

INTRODUCCIÓN

La Función Característica se define como la esperanza matemática de una variable

aleatoria compleja, desempeña un papel importante en el cálculo de probabilidades, como
instrumento analítico en las demostraciones de los teoremas límites.
La Función Característica de una variable aleatoria es una función de variable real que
toma valores complejos, que permite la aplicación de métodos analíticos, es decir, de análisis
funcional en el estudio de la probabilidad. En este marco si se identifica la distribución de la
variable aleatoria considerada con una medida positiva, la Función Característica se denomina
transformada de Fourier de la medida correspondiente.
La Función Característica de una variable aleatoria, así como la función generadora de
momentos o la función de distribución acumulada o la función de densidad o de masa definen la
distribución de probabilidad de dicha variable aleatoria.
El método de las Funciones Características fue introducido en las probabilidades por
Lyapunov en 1904 para la demostración del Teorema Central del Límite que hoy lleva su
nombre. La versión definitiva de este teorema fue obtenida posteriormente por Lindeberg.

1
 Sin duda que la mayor importancia del estudio de la Función Característica radica en el
hecho que aprender y manejar esta herramienta, menos común de la teoría de probabilidades
facilita la demostración del resultado más importante de ella: el Teorema Central del Límite.
En este trabajo se presentará primero la definición de variable aleatoria compleja y otros
conceptos preliminares. En la Sección dos se definirá Función Características y se demostrarán
los teoremas relativos más importantes. También se darán algunos ejemplos. En la Sección tres
se demostrará el Teorema de Inversión. Luego en la Sección cuatro se demostrarán los Teoremas
Límites utilizando la Función Característica. En la Sección cinco se dará una aplicación en el
campo de la física. Finalmente se darán conclusiones del estudio realizado y futuras
proyecciones.

2
 SECCIÓN 1
Conceptos Preliminares

La Función Característica de una variable aleatoria se define como la esperanza

matemática de la variable compleja e ixt . Debemos estudiar primero las variables aleatorias
complejas y preguntarnos cómo los teoremas relativos a las variables aleatorias reales se pueden
aplicar a las variables aleatorias complejas.

Variable Aleatoria Compleja

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

Esperanza Matemática de una Variable Aleatoria Compleja

Se define la esperanza matemática de α = ξ + iη por:

E (α ) = ∫ α dP
Ω

Vale que
E (α ) = E (ξ ) + iE (η )

Siempre que E (ξ ) < ∞ y E (η ) < ∞

En efecto
E (α ) = ∫ α dP = ∫ (ξ + iη )dP = ∫ ξ dP + ∫ iη dP = ∫ ξ dP + i ∫η dP = E (ξ ) + iE (η )
Ω Ω Ω Ω Ω Ω

Variables Aleatorias Complejas Independientes

Las variables aleatorias α1 = ξ1 + iη1 y α 2 = ξ 2 + iη 2 se llaman independientes si y solo si (ξ1 ,η1 )
y (ξ 2 ,η 2 ) lo son.
La independencia de varias variables aleatorias se generaliza al igual que en el caso real.

3
Teorema 1.1:
Si α1 ,α 2 ,...,α n son variables complejas independientes y si las esperanzas matemáticas E (α k )

con k=1,…, n existen, se ve fácilmente que:

⎛ n ⎞ n
E⎜
⎜
⎝
∏
k =1
αk ⎟ =
⎟
⎠
∏ E (α
k =1
k )

Demostración:
La demostración la haremos por inducción:
1. E (α1α 2 ) = E (α1 )E (α 2 )
En efecto:
E (α 1α 2 ) = E [(ξ1 + iη1 )(ξ 2 + iη 2 )] = E [(ξ1ξ 2 − η1η 2 ) + i (ξ1η 2 + ξ 2η1 )]

= E (ξ1ξ 2 ) − E (η1η 2 ) + iE (ξ1η 2 ) + iE (ξ 2η1 )

= E (ξ1 )E (ξ 2 ) − E (η1 )E (η 2 ) + iE (ξ1 )E (η 2 ) + iE (ξ 2 )E (η1 )

= E (ξ1 )[E (ξ 2 ) + iE (η 2 )] + iE (η1 )[iE (η 2 ) + E (ξ 2 )]

= [E (ξ1 ) + iE (η1 )][E (ξ 2 ) + iE (η 2 )]

= E (ξ1 + iη1 )E (ξ 2 + iη 2 )

= E (α 1 )E (α 2 )

2. Supongamos válido para n-1 variables aleatorias y probemos que vale para n. Es decir:
⎛ n −1 ⎞ n −1
E⎜
⎜
⎝
∏
k =1
αk ⎟ =
⎟
⎠
∏ E (α
k =1
k )

En efecto:
⎛ n ⎞ ⎛ n −1 ⎞ ⎛ n −1 ⎞ n −1 n
E ⎜⎜ ∏ α k ⎟⎟ = E ⎜⎜ ∏ α k α n ⎟⎟ = E ⎜⎜ ∏ α k ⎟⎟ E (α n ) = ∏ E (α k )E (α n ) = ∏ E (α k )
⎝ k =1 ⎠ ⎝ k =1 ⎠ ⎝ k =1 ⎠ k =1 k =1

4
Teorema 1.2:
Sea una variable aleatoria compleja α tal que E (α ) < ∞ entonces E (α ) ≤ E α .

Demostración:
Por hipótesis podemos escribir:

∫ α dP = ρ e
iθ

Además si ∫ α dP = ρ e iθ entonces ∫ αe − iθ dP = ρ ,
Ω Ω

∫ αe
_ iθ
Luego dP = ρ = ρ (1.1)
Ω

Por propiedad de la integral

∫ Re(α e )dP = Re ∫ α e
θ − iθ
−i
dP = ρ (1.2)
Ω Ω

Además
( )
Re α e − iθ ≤ α e −iθ = α e −iθ = α

Usando la propiedad de monotonía de la integral vale que:

∫ ( )
Re α e − iθ dP ≤ ∫ α dP (1.3)
Ω Ω

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

∫ α dP = ρ = ∫ Re(α e )dP ≤ ∫ α dP
θ −i

Ω Ω Ω

5
 SECCIÓN 2
Definición de Función Característica y algunos teoremas importantes

La Función Característica de una variable aleatoria es una función de variable real que
toma valores complejos, que permite la aplicación de métodos analíticos. En esta Sección
estudiaremos la definición y las propiedades de las Funciones Características. También veremos
algunos ejemplos importantes.

Función Característica
Se llama Función Característica de una variable aleatoria ξ a la esperanza matemática de eiξ t , es
decir:
∞
Ee( )= ∫e
iξt iξt
dF (x )
−∞

Es una función de la variable real t y se la designa como ϕξ ( t ) = E ( eiξ t )

Por lo tanto
+∞
ϕξ ( t ) = ∫e
iξ t
dF ( x )
−∞

Donde F ( x ) es la función de distribución acumulada o repartición de ξ , y ϕξ ( t ) es la

transformada de Fourier Stieltjes de F ( x ) .

Si la distribución de ξ es discreta, pudiendo ξ tomar los valores x k con k=1,… con

probabilidad p k con k=1,…, ϕξ ( t ) se escribe

+∞
ϕξ ( t ) = ∑ pk eitx k

k =1

Si la función de distribución de ξ es absolutamente continua con f ( x ) = F ´( x ) por densidad se

tiene
+∞
ϕξ ( t ) = ∫e
iξ t
f ( x ) dx
−∞

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

6
Observaciones:
• La Función Característica de una variable aleatoria cualquiera solo depende de su
distribución.
• Las Funciones Características de variables aleatorias que tienen la misma distribución
son idénticas, este es un importante resultado que probaremos en secciones posteriores.
∞
La función definida como ϕξ (t ) = ∫ e ixt dF (x ) se puede denominar por consiguiente,
−∞

Función Característica de F ( x ) (lo mismo que Función Característica de una variable

aleatoria que tenga por función de distribución F ( x ) )

• Toda función de distribución tiene una Función Característica porque la integral de

+∞

∫e dF siempre existe puesto que eixt = 1 . En efecto

ixt
Stieltjes
−∞

∞ ∞ ∞

∫e dF ≤ ∫e dF = ∫ dF = 1 < ∞
ixt ixt

−∞ −∞ −∞

+∞

∫e dF ≤ ∞
ixt
Luego
−∞

En el caso general en que ξ puede tomar valores diferentes de los enteros positivos, la función
generadora de momentos o función generatriz no esta definida, mientras que la Función
Característica existe siempre.

Ejemplo:
Sea X una variable aleatoria con distribución de Cauchy con parámetros α = 0 y β = 1 . Su
función de densidad de probabilidades esta dada por:

f (x ) =
1 1
π (1 + x 2 )
La función generadora de momentos viene dada por:
∞
E (e )= ∫e
tx tx 1 1
dx
−∞
(
π 1 + x2 )
Si − ∞ < x < 0 entonces e xt < 1 , luego

( )
0 0
1 1
E e xt
= ∫e xt
dx ≤ ∫ dx < ∞
−∞ π 1+ x 2
(
− ∞π (1 + x )
2
)
7
 0 0
1 1
En efecto para resolver ∫ dx , escribamos lim ∫ dx ahora calculemos la
− ∞π (1 + x ) c π (1 + x )
2 c → −∞ 2

1 1
integral indefinida ∫ π (1 + x )dx que es una integral inmediata que viene dada por:
2

arctg ( x ) + c
1 1 1 1 1
∫ π (1 + x ) dx = π ∫ 1 + x
2 2
dx =
π
Calculemos ahora la integral definida entre los límites 0 y c
0
1 1
( ) = arctg 0 − arctg (c ) = 0 − arctg (c ) = − arctg (c )
1 1 1 1
0

∫c π (1 + x 2 ) π
dx = arctg x
c π π π π
Tomemos límite para c tendiendo a − ∞

⎡ 1 ⎤ 1⎛ π⎞ 1
0
dx = lim ⎢− arctg (c )⎥ = − lim arctg (c ) = − ⎜ − ⎟ = < ∞
1 1
lim
c → −∞ ∫ π (1 + x
c
2
) c → −∞
⎣ π ⎦ π c→−∞ π ⎝ 2⎠ 2

Si 0 < x < ∞ entonces e xt > x = x

∞ ∞ c
E( x ) = ∫ x
1 1 1 x 1 x
= ∫ dx = lim ∫ dx
π −∞ 1 + x 2
π 0 1+ x 2
(
π c → ∞
0
)1 + x2

x
La integral indefinida ∫ 1+ x 2
dx resulta a través del método de sustitución, llamando

t=1+x2
dt
dt =2x dx ⇒ = dx
2
sustituyendo resulta que:
x 1 1 1 1
∫ 1+ x 2
dx = ∫
2 t
dt = ln t + c = ln 1 + x 2 + c
2 2
Calculemos ahora la integral cuyos límites de integración son 0 y c
c
x
( ) ( )
c
= ln 1 + c 2 − ln (1 + 0) = ln 1 + c 2
1 1 1 1
∫0 1 + x 2 dx = 2 ln 1 + x
2

0 2 2 2

Tomando límite para c tendiendo a ∞ resulta

c
lim ∫
x
c →∞ 1 + x 2
1
c →∞ 2
1
dx = lim ln 1 + c 2 = lim ln 1 + c 2 = ∞
2 c →∞
( ) ( )
0

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

Luego la función generadora de momentos E (eixt ) no existe, sin embargo la Función
Característica de la distribución de Cauchy viene dada por:

8
 ∞
( )= π ∫e
Ee ixt 1 ixt 1
1+ x 2
dx = e
t

−∞

Teorema 2.1:
Se tiene siempre que ϕξ ( t ) ≤ 1 , la igualdad ocurre cuando t = 0 .

Demostración:
+∞ +∞ +∞
ϕξ ( t ) = E ( eiξ t ) = ∫ e dF ≤
iξ t
∫ eiξ t dF = ∫ dF = 1
−∞ −∞ −∞

+∞
ϕξ ( 0 ) = E ( e0 ) = E (1) = ∫ dF = 1
−∞

Teorema 2.2:
La función ϕξ ( t ) es uniformemente continua en el intervalo −∞ < t < ∞ .

Demostración:
Probemos que: ∀ε > 0, ∃δ > 0 : ∀t1 , t2 ∈ (−∞, ∞), ( t1 − t2 < δ ⇒ ϕξ ( t2 ) − ϕξ ( t1 ) < ε

Sea ε > 0 y elijamos λ > 0 tal que

ε
P( ξ > λ ) <
3
Si se designa por Aλ al suceso ξ > λ se tiene evidentemente

ϕξ (t ) = E ⎛⎜ e A ⎞⎟ P( Aλ ) + E ⎛⎜ e cA ⎞⎟ P(cAλ )
iξt iξt

⎝ λ⎠ ⎝ λ⎠

Como E (e iξt Aλ ) ≤1 , por el Teorema 1.2 se deduce

ε
ϕξ (t ) − E ⎛⎜ e cA ⎞⎟ P(cAλ ) ≤ P( Aλ ) <
iξt

⎝ λ⎠ 3
Ya que

ϕξ (t ) = E ⎛⎜ e A ⎞⎟ P( Aλ ) + E ⎛⎜ e cA ⎞⎟ P(cAλ )
iξt iξt

⎝ λ⎠ ⎝ λ⎠

ϕξ (t ) − E ⎛⎜ e cA ⎞⎟ P(cAλ ) = E ⎛⎜ e A ⎞⎟ P( Aλ )
iξt iξt

⎝ λ⎠ ⎝ λ⎠

Tomando valor absoluto en ambos miembros

ϕξ (t ) − E ⎛⎜ e cA ⎞⎟ P(cAλ ) = E ⎛⎜ e A ⎞⎟ P( Aλ )
iξt iξt

⎝ λ⎠ ⎝ λ⎠

9
ϕξ (t ) − E ⎛⎜ e cA ⎞⎟ P(cAλ ) =
iξt
E ⎛⎜ e
iξt ⎞ P( A ) ≤ 1 P( A ) = P( A ) < ε
⎝ λ⎠ ⎝ Aλ ⎟⎠ λ λ λ
3
Por consiguiente
⎛ eiξt 2 − eiξt1 ⎞
ϕξ (t2 ) − ϕξ (t1 ) ≤ E ⎜ ⎟ + 2ε
⎜ cAλ ⎟ 3
⎝ ⎠
Puesto que si suponemos

ϕξ (t2 ) − E ⎛⎜ e
iξt 2 ⎞ P(cA ) < ε
⎝ cAλ ⎟⎠ λ
3

ϕξ (t1 ) − E ⎛⎜ e
iξt1 ⎞ P(cA ) < ε
⎝ cAλ ⎟⎠ λ
3

⎛ eiξt 2 − eiξt1 ⎞ ⎛ eiξt2 − eiξt1 ⎞

ϕξ (t2 ) − ϕξ (t1 ) − E ⎜ ⎟ P(cAλ ) ≤ ϕξ (t 2 ) − ϕξ (t1 ) − E ⎜ ⎟ P(cAλ ) ≤
⎜ cAλ ⎟ ⎜ cAλ ⎟
⎝ ⎠ ⎝ ⎠

⎛ ⎛ eiξt 2 ⎞ ⎛ eiξt1 ⎞⎞
ϕξ (t2 ) − ϕξ (t1 ) − E
⎜ ⎜ ⎟ + E⎜ ⎟ ⎟ P(cAλ ) =
⎜ ⎜ cAλ ⎟ ⎜ cAλ ⎟ ⎟
⎝ ⎝ ⎠ ⎝ ⎠⎠

ϕξ (t2 ) − E ⎛⎜ e
iξt 2 ⎞ P(cA ) − ⎛ ϕ (t ) − E ⎛ eiξt1 ⎞ P(cA )⎞ < ε + ε = 2ε
cAλ ⎟⎠ λ ⎜ ξ 1 ⎜ cA ⎟ λ ⎟
⎝ ⎝ ⎝ λ⎠ ⎠ 3 3 3
Por lo tanto
⎛ eiξt 2 − eiξt1 ⎞
ϕξ (t2 ) − ϕξ (t1 ) ≤ E ⎜ ⎟ + 2ε
⎜ cAλ ⎟ 3
⎝ ⎠
De
b
eib − eia = i ∫ eiz dz ≤ b − a con a < b (2.1)
a

resulta:
ε ε
eiξ t2 − eiξ t1 ≤ para ξ ≤ λ y t 2 − t1 < =δ
2 3λ
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 b

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

a a

10
b b

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

a 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

b b b b b
i ∫ e iz dz = i ∫ e iz dz = ∫ e iz dz ≤ ∫ e iz dz = ∫1dz = b − a
a a a a a

Luego de
b
e ib − e ia = i ∫ e iz dz ≤ b − a
a

Resulta que
ε
e iξt2 − e iξt1 ≤
3
Puesto que usando (2.1)
e iξt2 − e iξt1 ≤ ξt 2 − ξt1 = ξ (t 2 − t1 )

ε
Sea δ =
3λ
ε ε ξ
Si t 2 − t1 ≤ se sigue que ξ t 2 − t1 < ξ si además ξ < λ entonces < 1 , luego
3λ 3λ λ
ε
ξ t 2 − t1 ≤
3
De donde por propiedad de la esperanza resulta

11
 ⎛ eiξt 2 − eiξt1 ⎞ ε
E⎜ ⎟ < Para t2 − t1 < δ
⎜ cAλ ⎟ 3
⎝ ⎠
Se concluye que
ϕξ (t2 ) − ϕξ (t1 ) < ε para t2 − t1 < δ

De donde δ > 0 depende solamente de ε

Teorema 2.3:
Si a y b son constantes y si η = aξ + b entonces ϕη (t ) = eibtϕξ (at )

Demostración:
∞ ∞ ∞ ∞ ∞
ϕη (t ) = E (e iηt
)= ∫e iηt
dF = ∫ e i ( aξ + b ) t
dF = ∫ e iaξtt + ibt
dF = ∫ e iaξtt ibt
e dF = e ibt
∫e
iaξt
dF
−∞ −∞ −∞ −∞ −∞

( )
= e ibt E e iaξtt = e ibtϕξ (at )

Teorema 2.4:
Si t1 , t 2 ,..., t n son números reales cualesquiera, z1 , z 2 ,..., z n números complejos cualesquiera, si

ϕξ (t ) es la Función Característica de una variable aleatoria ξ y si z = x − iy es el número

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

∑∑ϕξ (t
h =1 k =1
h − t k )z h z k ≥ 0

Demostración:

( ) ⎛ n n i ( t h − t k )ξ ⎞ ⎛ n n it hξ − it k ξ ⎞
n n n n

∑∑ϕξ (t
h =1 k =1
h − tk )zh zk = ∑∑ E e
h =1 k =1
i ( t h − t k )ξ
zh zk = E ⎜ ∑∑ e
⎝ h =1 k =1
zh zk ⎟ = E ⎜ ∑∑ e e zh zk ⎟
⎠ ⎝ h =1 k =1 ⎠
⎛ n n
⎞
= E ⎜ ∑ eit hξ zh ∑ e − it k ξ zk ⎟
⎝ h =1 k =1 ⎠
Observemos que:

e − it k ξ = eit k ξ
Luego
n n
⎛ n n
⎞ ⎛ n n
⎞
∑∑ϕξ (th − tk )zh zk = E ⎜ ∑ eit ξ zh ∑ eit ξ zk ⎟ = E⎜ ∑ eit ξ zh ∑ eit ξ zk ⎟
h =1 k =1 ⎝ h =1
h

k =1
k

⎠ ⎝ h =1
h

k =1
k

⎠
⎛ n 2
⎞
= E ⎜ ∑ eit hξ zh ⎟≥0
⎜ h =1 ⎟
⎝ ⎠
12
 n n
Observación: Las funciones que verifican ∑∑ϕξ (t
h =1 k =1
h − tk )zh zk ≥ 0 se llaman definidas positivas.

Un teorema notable de Bochner dice que toda función ϕ (t ) definida positiva con ϕ (0 ) = 1 se
puede hacer corresponder a una función de distribución cuya ϕ (t ) es la Función Característica,
pero no daremos una demostración de este teorema.

Teorema 2.5:
Para todo real t, ϕξ (− t ) = ϕξ (t ) . Si en particular la función de distribución de ξ es simétrica con

relación al origen ϕξ (t ) es una función real par de t.

Demostración:
b b
Probemos un lema previo: ∫ f (x )dx = ∫ f (x )dx
a a

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 b b b b

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

a a a a a

Probemos también que la función de distribución de ξ es simétrica es decir que ξ y − ξ tienen

la misma distribución.
Sea Y = − X , con X variable aleatoria con distribución simétrica, luego RX = (− ∞, ∞ ) entonces
RY = (− ∞, ∞ ) .
FY ( y ) = P (Y ≤ y ) = P (− X ≤ y ) = P( X ≥ − y ) = 1 − FX (− y )
Como X es simétrica 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 distribución,
sus Funciones Características son idénticas.
De esto concluiremos que ϕξ (t ) = ϕ−ξ (t )

Con estos resultados probaremos la tesis:

∞ ∞ ∞
ϕξ (− t ) = E (e − itξ
)= ∫e − itξ
dF ( x ) = ∫ e dF ( x ) = ∫ eitξ dF ( x ) = E (eitξ ) = ϕξ (t )
itξ

−∞ −∞ −∞

13
 ∞ ∞
ϕ−ξ (t ) = ∫ e i ( − t )ξ
dF ( x ) = ∫ eit (−ξ )dF ( x ) = ϕξ (− t )
−∞ −∞

Podemos concluir que

ϕξ (t ) = ϕ−ξ (t ) = ϕξ (− t ) = ϕξ (t )

Por consiguiente ϕ ξ (t ) es real y puesto que ϕ ξ (t ) = ϕ ξ (− t ) , ϕ ξ (t ) es una función par.

Teorema 2.6:
Si ξ1 , ξ 2 ,..., ξ n son variables aleatorias mutuamente independientes, la Función Característica de
su suma es igual al producto de las funciones características de cada una de ellas:
n
ϕ n (t ) = ∏ϕξ (t )
∑ξk
k
k =1
k =1

Demostración:
Usando el Teorema 1.1 podemos escribir:
⎛ i∑ξk t ⎞
n

( ) ( )
⎛ n iξ k t ⎞ n
( )
n
⎜ ⎟
ϕ n (t ) = E ⎜ e k =1
⎟⎟ = E e
i (ξ1 + ξ 2 + ... + ξ n )t iξ1t iξ 2 t
= E e e ...e iξ n t
= E ⎜⎜ ∏ e ⎟⎟ = ∏ E e iξ k t
= ∏ ϕξ k (t )
∑ξk ⎜ ⎝ k =1 ⎠ k =1 k =1
k =1 ⎝ ⎠

Observaciones:
• El Teorema 2.6 expresa la propiedad de las Funciones Características sobre la cual se
apoya el gran éxito que ha tenido su aplicación en cálculo de Probabilidades. En efecto,
la función de distribución de una suma de variables aleatorias independientes es el
producto de convolución de las funciones de distribución de variables; el cálculo de este
producto de convolución es complicado la mayoría de las veces. Por el contrario, el
Teorema 2.6 permite calcular muy fácilmente la Función Característica de una suma de
variables aleatorias independientes a partir de las Funciones Características de sus
términos puesto que es, simplemente, el producto. De las propiedades de la Función
Característica se pueden deducir las propiedades de la función de distribución como se
verá en secciones posteriores.

• El recíproco del Teorema 2.6 es falso. De ϕξ1 +ξ 2 (t ) = ϕξ1 (t )ϕξ 2 (t ) no resulta la

independencia de ξ1 y ξ 2 .

14
Contraejemplo:
Sea ξ1 = ξ 2 = ξ teniendo ξ una distribución de Cauchy.
La Función Característica de ξ viene dada por:

ϕξ (t ) = e − t

ϕξ 1 +ξ 2
(t ) = ϕ2ξ (t ) = e−2 t = ϕξ1 (t )ϕξ 2 (t )

Y ξ no es independiente de si mismo.

Teorema 2.7:
( )
Si los n primeros momentos E ξ k = M k con k=1, 2,…, n de la variable aleatoria existen, la

Función Característica ϕξ (t ) es diferenciable n veces y se tiene ϕξ (0) = i k M k

(k )
para k=1, 2,…,

n.

Demostración:
Sea F (x ) la función de distribución acumulada de ξ .
∞ ∞

∫ ∫ xe
ixt
Si x dF existe la integral dF converge uniformemente
−∞ −∞

Pues
∞ ∞ ∞ ∞

∫ xe
ixt
dF ( x ) ≤ ∫ xe
ixt
dF ( x ) = ∫xe
ixt
dF (x ) = ∫ x dF (x ) < ∞
−∞ −∞ −∞ −∞

Luego
∞
ϕξ ' (t ) = ∫ ixeixt dF (x ) pues podemos intercambiar procesos límites por la convergencia uniforme.
−∞

En particular
∞ ∞
ϕξ ' (0) = ∫ ixe0 dF ( x ) = i ∫ xdF ( x ) = iM 1
−∞ −∞

Repitiendo la operación se obtiene

∞
ϕξ (t ) = i k ∫ x k eixt dF ( x ) , k=1,2,…, n.
(k )

−∞

Reemplazando en t=0, resulta

∞
ϕξ (0) = i
(k ) k
∫ x dF (x ) = i M
k k
k , k=1,2,…, n.
−∞

15
Teorema 2.8:
Supongamos la distribución de ξ es absolutamente continua. Si la densidad de f (x ) de ξ es k
∞
veces diferenciable (k=1,2,…) y si c j = ∫ f (x )dx existe para j=1,2,…k
( j)
se tiene
−∞

lim t ϕξ (t ) = 0 .
k

t →+∞

Demostración:
∞ c
ϕξ (t ) = ∫ f (x )e
ixt
dx = lim ∫ f (x )e
ixt
dx
c → +∞
−∞ −c

∫ f (x )e
ixt
Integremos por partes la integral indefinida dada por dx , llamemos:

u = f (x ) du = f ' ( x )dx
e ixt
dv = e ixt dx v=
it
Reemplazando resulta que:
eixt eixt
∫ f ( x )eixt dx = f ( x ) − ∫ f ' ( x ) dx
it it
Calculando la integral entre –c y c
c c c
eixt c eixt eict e − ict 1
∫ f (x )e dx = f (x ) it − ∫ f ' ( x ) dx = f (c ) − f (− c ) − ∫ f ' ( x )eixt dx
ixt

−c −c −c
it it it it − c

Tomando límite para c tendiendo a ∞

c c
eict e − ict 1
lim ∫ f ( x )eixt dx = lim [ f (c ) − f (− c ) − ∫ f ' ( x )eixt dx]
c → +∞
−c
c → +∞ it it it − c

Esto es
c
eict e − ict 1
lim f (c ) − lim f (− c ) − lim ∫ f ' ( x )eixt dx]
c → +∞ it c → +∞ it it c → +∞ − c

Considerando que
lim f ( j ) ( x ) = 0 para j=1, 2,…, k-1 como consecuencia de las hipótesis hechas, luego
x → +∞

c c c
i i
ϕξ (t ) = − lim ∫ f ' ( x )eixt dx = − 2 lim ∫ f ' ( x )eixt dx = lim ∫ f ' ( x )eixt dx
1
it c → +∞ − c i t c → +∞ − c t c → +∞ − c

Integrando nuevamente por partes

u = f ' (x ) du = f ' ' ( x )
e ixt
dv = e ixt dx v=
it
16
Reemplazando resulta:
eixt eixt
∫ f ' ( x )e dx = f ' ( x ) − f ' ' ( x ) dx
it ∫
ixt

it
Calculo la integral entre –c y c
c c c
eixt c
eixt eict e − ict 1
∫ f ' ( x )eixt dx = f ' ( x ) − ∫ f ' (x ) dx = f ' (c ) − f ' (− c ) − ∫ f ' ' ( x )eixt dx
−c
it −c −c
it it it it −c

Tomando límite para c tendiendo a ∞

c
⎡ e ict e − ict 1
c
⎤
lim ∫ f ' (x )e dx = lim ⎢ f ' (c )
ixt
− f ' (− c ) − ∫ f ' ' ( x )e ixt dx ⎥ =
c → +∞
−c
c → +∞
⎣ it it it −c ⎦
e −ict 1
c
e ict
lim f ' (c ) − lim f ' (c ) − lim ∫ f ' ' ( x )e ixt dx
c → +∞ it c → +∞ it it c →+∞ −c

Por hipótesis
c c c
i
lim ∫ f ' ( x )e dx = − lim ∫ f ' ' ( x )eixt dx = lim ∫ f ' ' ( x )eixt dx
1 ixt
c→+∞
−c
it c→+∞ −c t c→+∞ −c
c
ii
ϕξ (t ) = lim f ' ' ( x )eixt dx
t t c → +∞ −∫c

Es decir que luego de integrar dos veces por partes resulta que
2 c
⎛i⎞
ϕξ (t ) = ⎜ ⎟ lim ∫ f ' ' ( x )eixt dx
⎝ t ⎠ c → +∞ − c
Por lo tanto integrando k veces por partes obtendré
k c k ∞
⎛i⎞ ⎛i⎞
ϕξ (t ) = ⎜ ⎟ lim ∫ f ( k ) ( x )eixt dx = ⎜ ⎟ ∫ f (x )e
(k ) ixt
dx
⎝t ⎠
c→+∞
−c ⎝t ⎠ −∞

De donde
k ∞ k ∞ k ∞
⎛i⎞
ϕξ (t ) = ⎜ ⎟ ∫f
(k )
(x )e dx = ⎛⎜ i ⎞⎟
ixt
∫f
(k )
(x )e dx = i
ixt
∫ f (x )e
(k ) ixt
dx
⎝t ⎠ −∞ ⎝t ⎠ −∞
t −∞
k ∞ k ∞ k ∞
i i i
= ∫ f (x )e dx ≤ ∫ (x )e dx = ∫ f ( k ) ( x ) eixt dx
(k ) ixt (k ) ixt
k k
f k
t −∞ t −∞ t −∞

Observemos que i =
k
( 1) k
= 1k = 1 , además eixt = 1

Luego
∞
ϕξ (t ) = ∫ f (x )dx
1 (k )
k
t −∞

Llamo

17
 ∞
ck = ∫ f (x )dx
(k )

−∞

Luego
ck
ϕξ (t ) ≤ k
t

Puesto que, por hipótesis f ( k ) (x ) es integrable sobre (− ∞, ∞ ) la tesis resulta de

k ∞
⎛i⎞
ϕξ (t ) = ⎜ ⎟ ∫ f (x )e
(k ) ixt
dx gracias al Lema de Riemman sobre la integral de Fourier (Este Lema
⎝t ⎠ −∞

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

Observación:
ck
La desigualdad ϕξ (t ) ≤ k
es evidentemente interesante en el estudio del comportamiento de
t

ϕξ (t ) para valores grandes de t .

Según el Teorema 2.7, la “regularidad” (diferenciabilidad) de ϕξ (t ) esta determinada por el

comportamiento de f (x ) para x → +∞ , según el Teorema 2.8, la “regularidad” de f ( x )

determina el comportamiento de ϕξ (t ) para t → +∞ . Hay en cierto sentido, dualidad entre los

dos teoremas. Esto lo explicaremos posteriormente mediante el Teorema de Inversión.

Teorema 2.9:
( )
Si los n primeros momentos de ξ , M k = E ξ k con k=1, 2,…, n existen, se tiene (con M 0 = 1 ),

para t → 0

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

Demostración:
∞ ∞
Por el Teorema 2.7 vale que ϕξ(k ) (t ) = i k ∫ x k eixt dF ( x ) y también que ϕξ(k ) (0) = i k ∫ x k dF ( x ) = i k M k
−∞ −∞

Desarrollemos ϕξ (t ) alrededor de t = 0 usando Taylor

∞
ϕξ ' (t ) = i1
∫x e
1 ixt
dF ( x )
−∞

18
 ∞
ϕξ ' ' (t ) = i 2
∫x e
2 ixt
dF ( x )
−∞

.
.
.
∞
ϕξ ( n ) (t ) = i n ∫ x n eixt dF ( x )
−∞

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

∞ ∞
ϕξ (0) = i 0 ∫ x 0ei 0 dF ( x ) = ∫ dF ( x ) = 1
−∞ −∞

∞
ϕξ ' (0) = i1 ∫ x1dF ( x ) = iM 1
−∞

∞
ϕξ ' ' (0) = i 2 ∫ x 2 dF ( x ) = i 2 M 2
−∞

.
.
.
∞
ϕξ (n)
(0) = i ∫ x n dF (x ) = i n M n
n

−∞

Luego

ϕξ (t ) = ϕξ (0) + ϕ 'ξ (0)

(t − 0)
1
+ ϕξ ' ' (0 )
(t − 0)
2
+ ... + ϕξ (0 )
(n) (t − 0)
n
+ o(t n )
1! 2! n!

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

=∑
n
(it ) M k + o t n
k
( )
k =0 k!

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

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

an
lim =0
n → +∞ bn

Entonces se denota an = o(bn ) .

19
Además dadas dos sucesiones {an }, {bn } ( bn > 0 para todo n), si existe una constante M y un

número natural N 0 tales que

a n ≤ M bn para todo n ≥ N 0

Se denota an = O(bn ) cuando n → +∞

an
Esta condición es equivalente a lim ≠ +∞
bn
Para evitar confusión entre los dos símbolos o, O muchas veces diremos “o pequeño”, “O
grande” respectivamente.
En nuestro caso:

an =
(it )n M n
n!
bn = t n

(it )n M n (it ) M n
n

= o(t n )
n! inM n
lim = lim = 0 , luego
n → +∞ tn n → +∞ n! n!

Teorema 2.10:
( )
Si todos los momentos de la variable aleatoria ξ , M n = E ξ k , n = 1,2,... existen y si

Mn
es finito, el dominio de definición de ϕξ (t ) se puede extender a t complejo:
1
lim sup n =
n → +∞ n! R
se tiene, para t < R

M (it )
+∞ k
ϕξ (t ) = ∑ k ,
k =0 k!

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

Demostración:
Por el Teorema 2.7, como todos los momentos de la variable aleatoria ξ existen, ϕξ (t ) es

infinitamente diferenciable en el punto t=0, es decir vale que:

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

20
 M (it )
+∞ n
ϕξ (t ) = ∑ n
n=0 n!
∞
En razón de ϕξ
(n)
(t ) = i n ∫ x n eixt dF (x ) , k=1, 2,…, n
−∞

Probemos que para todo t real y para toda n

ϕξ ( 2 n ) (t0 ) ≤ M 2 n

Puesto que
∞ ∞ ∞
ϕξ (2n)
(t0 ) = i ∫ x
2n
e dF ( x ) ≤ i
2 n ixt 0 2n
∫x
2 n ixt 0
e dF ( x ) = i
2n
∫x
2n
eixt 0 dF ( x )
−∞ −∞ −∞

2n
Como i = 12 n = 1 y eixt 0 = 1
∞ ∞ ∞
ϕξ ( 2n)
(t0 ) ≤ ∫ x 2n
dF ( x ) = ∫x
2n
dF ( x ) = ∫x
2n
dF ( x ) = M 2 n
−∞ −∞ −∞

Según la desigualdad de Cauchy_Swartz

∞
M 2n + M 2n + 2
ϕξ ( 2 n +1)
(t0 ) ≤ ∫ x 2 n +1dF (x ) ≤ M 2n M 2n + 2 ≤
−∞
2
En efecto
∞ ∞ ∞
ϕξ ( 2 n +1) (t0 ) ≤ dF ( x ) ≤ dF ( x ) = dF (x )
n +1
∫ ∫ ∫x
2 n +1 n + ( n +1) n
x x x
−∞ −∞ −∞

1 1
⎡∞ n 2
( ) ⎤ 2 ⎡ ∞ n +1 2
≤ ⎢ ∫ x dF (x )⎥ ⎢ ∫ x
⎤2
dF ( x )⎥ ( )
⎣− ∞ ⎦ ⎣− ∞ ⎦
∞ ∞
x dF (x ) ∫ x dF ( x )
2 ( n +1)
∫
2n
=
−∞ −∞

∞ ∞
= ∫ x 2 n dF ( x ) ∫ x 2 n + 2 dF ( x )
−∞ −∞

= M 2n M 2n + 2

Además

( M 2n − M 2n + 2 ) =M
2
2n − 2 M 2n M 2n + 2 + M 2n + 2 ≥ 0

Así
− 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

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

(t0 ) ≤ M 2n + M 2n + 2
Mn
= < ∞ , ϕξ (t0 ) ≤ M 2 n y ϕξ
1 (2n) ( 2 n +1)
Del hecho que lim sup n
n→+∞ n! R 2

ϕ ( n ) (t0 ) 1
Obtenemos que para todo t0 real lim sup n ≤ .
n → +∞ n! R
Luego ϕξ (t ) es holomorfa en todo el disco t − t0 < R por lo tanto vale el teorema.

Si n es par

ϕξ ( 2 n ) (t0 ) ≤ M 2 n ≤ M 2 n

ϕ (2 n ) (t 0 ) M 2n
≤
(2n )! (2n )!
ϕ (2 n ) (t 0 ) M 2n
2n ≤ 2n
(2n )! (2n )!
ϕ (2 n ) (t 0 ) M 2n 1
lim sup 2n ≤ lim sup 2 n =
2 n → +∞ (2n )! 2 n → +∞ (2n )! R
Si n es impar se demuestra de manera análoga.

Observación:
Resulta del Teorema 2.10 que la función ϕ ξ (t ) queda enteramente determinada por la sucesión

M k (it )
k
Mn +∞
ϕξ (t ) = ∑
1
M n , n=1, 2,… siempre que lim sup n = < ∞ . En efecto según ,
n → +∞ n! R k =0 k!

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

todo t real esta determinado por la prolongación analítica. Veremos que la función de
distribución esta determinada a partir de la Función Característica. Luego si se verifica que

Mn
lim sup n
(n )!
=
1
R
la distribución de ξ esta fijada por la sucesión M n = E ξ n ( ) n=1, 2,…. El
2 n → +∞

22
problema de averiguar si los momentos M n = E ξ n ( ) determinan unívocamente la función de

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

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

Funciones Características de algunas distribuciones importantes

Ejemplo 1: Distribución Gaussiana (o Normal o Laplace –Gauss)

La función de densidad de probabilidad viene dada por:
2
⎛ x−μ ⎞
−⎜ ⎟
f (x ) =
1
e ⎝ 2σ ⎠
2

2π σ
Sea ξ una variable aleatoria normal estándar, es decir con μ = E (ξ ) = 0 y σ 2 = V (ξ ) = 1 ,
x2
−
luego f ( x ) =
1
e 2

2π

Entonces
+∞ +∞ x2 +∞ x2
ϕ ξ (t ) = E (e ) = ∫ e f (x )dx = ∫ e 1 − 1 ixt −
∫e
iξt ixt ixt
e 2
= 2
dx
−∞ −∞ 2π 2π −∞

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

2 2 2 2
luego
2 2
x z2 t
− xit − = −
2 2 2
z2 t2 t2 z2
− − − −
ϕ ξ (t ) =
1 1
2π
∫e
L
2 2 dz =
2π
e 2
∫e
L
2
dz

z2
−
Donde L es la recta horizontal z=x-it (− ∞ < x < ∞ ) del plano complejo; e 2
es una función
entera, su función es pues, nula a lo largo de una curva cerrada cualquiera, en particular a lo
largo del rectángulo R x de vértice –x-it, x-it, x, -x. Probemos que

23
 x z2 x2 t v2
− −
∫e
x −it
2
dz ≤ e 2
∫e
0
2
dv , v>0

z2
−
Consideremos f ( z ) = e 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 parametrización de L, tenemos

L a

que:
Si L : z = x − iu , u ∈ [− t ,0] con t ≥ 0
z (− t ) = x − it
z (0 ) = x
z ' (u ) = i
z2 1 x2 u 2 x2 0 u2
−
0
− ( x + iu )2 0
− − − −
∫e dz = ∫ e idu = i ∫ e ∫e
− xwi
2 2 2 2
e du = ie 2 2
e −ixu du
L −t −t −t

Por lo tanto
z2 x2 0 u2 x2 0 u2
− − − − −
∫e ∫e ∫e
−ixt
2
dz = ie 2 2
e du = e 2 2
e −ixt du
L −t −t

Además e −ixt ≤ 1

z2 x2 0 u2 x2 0 u2 x2 0 u2
− − − − − − −
Por lo tanto ∫ e 2
dz = e 2
∫e 2
e − ixt
du = e 2
∫e 2
du = e 2
∫e 2
du
L −t −t −t

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

−
x2 0
−
( − v )2 −
x2 t
−
v2
e 2
∫e 2
(− 1)dv = e ∫ e 2 2
dv, t ≥ 0
t 0

x z2 x2 t v2
dv , v ∈ [0, t ]
− −
Luego ∫e
x −it
2
dz ≤ e 2
∫e
0
2

Por lo tanto v>0

24
 x z2
−
Esto implica que lim
x → +∞ ∫e
x −it
2
dz = 0

z2 ∞ x2
1 − 1 −
De donde se sigue que
2π
∫e
L
2
dz =
2π
∫e
−∞
2
dx

Es decir
t2 z2 t2 ∞ x2
1 −2 −2 1 −2 −2
ϕξ (t ) = e ∫ e dz = e ∫ e dx
2π L 2π −∞

∞ x2 t2
− −
dx = 1 por propiedad de la función de densidad, por consiguiente ϕ ξ (t ) = e
1
Como
2π ∫e
−∞
2 2

Ejemplo 2: Distribución Exponencial.

La función de densidad de probabilidad viene dado por: λ > 0
⎧λe − λx , x > 0
f (x ) = ⎨
⎩0 , en otro caso

Calculemos ahora la Función Característica:

+∞ +∞ +∞
ϕ ξ (t ) = E (e iξt ) = ∫ e ixt f (x )dx = ∫ e ixt 0dx + ∫ e ixt λe −λx dx = ∫ λe − x (λ −it ) dx
0

−∞ −∞ 0 0
∞ c
= λ ∫ e − x (λ −it ) dx = λ lim ∫ e − x (λ −it ) dx
c → +∞
0 0

Vamos a resolver ∫ e − x (λ −it ) dx .Usaremos el método de sustitución, llamo

t = − x(λ − it )
dt
dt = _ (λ − it )dx ⇒ − = dx
(λ − it )
− x (λ − it ) 1 1 t 1 − x (λ − it )
∫e dx = −
λ − it ∫ et dt = −
λ − it
e +c=−
λ − it
e +c

Calculemos ahora la integral definida entre 0 y c

[ ] [ ]
c
− x (λ −it ) 1 c 1 1
∫e dx = − e − x (λ −it ) =− e −c (λ −it ) − e 0 = − e −c (λ −it ) − 1
0
λ − it 0 λ − it λ − it
Tomo límite para c tendiendo a ∞

[ ]
c
lim ∫ e − x (λ −it ) dx = −
1
lim e −c (λ −it ) − 1 = −
1
(− 1) =
1
c → +∞
0
λ − it c→+∞ λ − it λ − it

25
 λ
Por lo tanto ϕ ξ (t ) =
1
=
λ − it 1−
it
λ
Se deduce en seguida por el Teorema 2.6, que una variable aleatoria ξ k que tenga una
k
distribución ϕ de orden k, es decir ξ k = ∑ ξ i , con ξ i para i=1, 2,.., k independientes e
i =1

k
idénticamente distribuidas y de esperanza matemática tiene por Función Característica
λ

ϕξ (t ) =
1
k
⎛ it ⎞
k

⎜1 − ⎟
⎝ λ⎠
k
⎡ ⎤
k ⎢ 1 ⎥ 1k
Puesto que ϕξ (t ) = ∏ ϕξ i (t ) = ⎢
1
⎥ = =
⎢ ⎛⎜1 − it ⎞⎟ ⎥
k k
i =1 ⎛ it ⎞ ⎛ it ⎞
⎢⎣ ⎝ λ ⎠ ⎥⎦ ⎜ 1 − ⎟ ⎜ 1 − ⎟
⎝ λ⎠ ⎝ λ⎠

Ejemplo 3: Distribución Uniforme

La función de densidad de probabilidad viene dada por:
⎧ 1
⎪ ,a < x < b
f (x ) = ⎨ b − a
⎪⎩0 , en otro caso

Con a y b ∈ R , a < b.
Sea ξ una variable aleatoria distribuida uniformemente en el intervalo (− a, a ) .
Calculemos ahora la Función Característica:

+∞ −a a +∞ a
ϕξ (t ) = E (e ) e xit
= ∫ e f ( x )dx = ∫ e 0dx + ∫ e
1
iξt ixt ixt
dx + ∫ eixt 0dx = ∫ dx
ixt

−∞ −∞ −a
2a a −a
2a
1 ⎡ eiat e − iat ⎤ 1 eiat − e − iat
a
1 eixt
sen(at )
1 a 1
2a −∫a
= e xit
dx = = ⎢ − ⎥ = =
2a it −a 2a ⎣ it it ⎦ at 2i 2a
sen(at )
=
at

Ejemplo 4: Distribución de Cauchy.

Sea la función de distribución de Cauchy de parámetros α y β

26
 f (x ) =
1
, −∞ < x < ∞
⎡ ⎛ x −α ⎞ ⎤
2

πβ ⎢1 + ⎜⎜ ⎟⎟ ⎥
⎢ ⎝ β ⎠ ⎥
⎣ ⎦
Con α , β ∈ R
Si α = 0 y β = 1

f (x ) =
1 1 1
[
π 1+ x
2
] =
π 1+ x2
Calculemos ahora la Función Característica:
+∞ ∞ ∞
ϕ ξ (t ) = E (e iξt ) = ∫ e ixt f ( x )dx =
1 1 1 e ixt
∫−∞π 1 + x 2 e dx = π ∫ 2 dx
ixt

−∞ − ∞1 + x

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

∞ 2
e ixt e ixt e ixt ei t
∫−∞1 + x 2 dx = 2πiR [ f , x = i ] = 2πi lim ( x − i ) = 2πi lim = 2πi = πe −t
0
x →i (x − i )(x + i ) x → i x+i 2i
Así
∞
ϕ ξ (t ) = E (e iξt ) =
1 e ixt 1 −t
∫
−t
dx = πe = e
π −∞1 + x 2
π

Ejemplo 5: Distribución Binomial

La función de densidad de masa viene dada por:
⎛n⎞
p( x ) = ⎜ ⎟ p x q n − x , x=0, 1, 2,…, n
⎝x⎠
Calculemos ahora la Función Característica

ϕ ξ (t ) = ∑ e ixt p( x ) = ∑ e ixt ⎛⎜ ⎞⎟ p x q n − x = ∑ ⎛⎜ ⎞⎟( pe it ) q n − x = ( pe it + q )

∞ n n n n x n

k =0 k =0 ⎝x⎠ k =0 ⎝x⎠

27
 SECCIÓN 3
Teorema de Inversión

La Función Característica de una variable aleatoria es la transformada de Fourier de su densidad

con el signo cambiado. Así es que mediante la Función Característica podemos obtener la
densidad de la distribución de probabilidad y viceversa mediante el Teorema de Inversión. En
esta Sección estudiaremos los resultados preliminares al Teorema de Inversión. También
demostraremos este Teorema.

Teorema 3.1: Teorema de Inversión

a) Si ϕ ξ (t ) es la Función Característica de la función de distribución F (x ) y si a y b son

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

+∞
⎡ e − ita − e − itb e ita − e itb ⎤
F (b ) − F (a ) = ( ) ( )
1
2π ∫−∞⎢⎣ t 2it
ϕ − ϕ − t
2it ⎦
⎥dt (3.1)

b) Toda función de distribución esta determinada completamente por su Función

Característica.
El apartado b) resulta inmediatamente de a), en efecto si se conoce ϕ (t ) la fórmula 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 únicamente el
conjunto de los puntos de continuidad; la fórmula dada en a), en tal caso, F (b ) en todo punto de
continuidad b. Pero como, por definición 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 fórmula de inversión dada allí, bastara
entonces demostrar a). Antes de atacar la demostración hagamos algunas observaciones. Vimos
en la Sección 2 que ϕ (− t ) = ϕ (t ) . Si Re( z ) designa la parte real del número complejo z, la
fórmula dada en a) se pone en la forma:

+∞
⎡ e − ita − e − itb ⎤
F (b ) − F (a ) = ( )
1
2π ∫−∞ ⎢⎣
Re ϕ t
it
⎥dt
⎦
(3.2)

Pues

28
 +∞
⎡ e − ita − e − itb eita − eitb ⎤
F (b ) − F (a ) = ( ) ( )
1
2π ∫⎢
−∞ ⎣
ϕ t
2it
− ϕ t
2it ⎥⎦
dt

+∞
⎡ e − ita e − itb e ita e itb ⎤
=
1
(
∫ ⎢ 2it
ϕ t ) − ϕ (t ) − ϕ (t ) + ϕ (t ) ⎥dt
2π − ∞⎣
2it 2it 2it ⎦

Analicemos

ϕ (t )e −ita ϕ (t )e ita ϕ (t )e −ita ϕ (t )e − ita ϕ (t )e −ita ϕ (t )e −ita

− = + = −
2it 2it 2it − 2it 2it 2it
ϕ (t )e −ita ⎡ϕ (t )e −ita ⎤ ⎡ϕ (t )e −ita ⎤ ⎡ ϕ (t )e −ita ⎤
= +⎢ ⎥ = 2 Re ⎢ ⎥ = Re ⎢ ⎥
2it ⎣ 2it ⎦ ⎣ 2it ⎦ ⎣ it ⎦

ϕ (t )e − itb ϕ (t )e itb ⎡ϕ (t )e − itb ϕ (t )e itb ⎤ ⎛ ϕ (t )e − itb ⎞ ⎛ ϕ (t )e − itb ⎞

− + = −⎢ − ⎥ = 2 Re⎜⎜ ⎟⎟ = Re⎜⎜ ⎟⎟
2it 2it ⎣ 2 it 2 it ⎦ ⎝ 2it ⎠ ⎝ it ⎠

Luego
+∞
⎡ ⎛ ϕ (t )e − ita ⎞ ⎛ ϕ (t )e − itb ⎞⎤
F (b ) − F (a ) =
1
2π ∫−∞⎢Re⎜⎜⎝ it ⎟⎟ − Re⎜⎜
⎠ ⎝ it
⎟⎟⎥dt
⎠⎦
⎣

1
∞
(
⎡ϕ (t ) e − ita − e − itb )⎤dt
=
2π ∫ ⎢⎣
−∞
Re
it
⎥
⎦
e − ita − e − itb
Se observa que las partes reales de ϕ (t ) y de son funciones pares, mientras que sus
it
partes imaginarias son impares. En efecto:
Probemos que Re[ϕ (t )]es par

⎡∞ ⎤ ⎧∞ ⎫ ∞
Re[ϕ (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[ϕ (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⎜⎜ ⎟⎟ es una función par
⎝ it ⎠
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

sen(tb ) − sen(ta )
Llamo L(t ) = , probemos que es par:
t
sen[(− t )b] − sen[(− t )a ] − sen(tb ) + sen(ta ) sen(tb ) − sen(ta )
L(− t ) = = = = L(t )
−t −t t
Como ∀t L(− t ) = L(t ) , entonces L(t ) es par.
Veamos ahora que Im[ϕ (t )] es impar
∞ ∞ ∞
ϕ (t ) = ∫ e f (x )dx = ∫ [cos(xt ) − isen(xt )]f (x )dx = ∫ [cos(xt ) f (x ) − isen(xt ) f (x )]dx
− xit

−∞ −∞ −∞

∞
Llamo H (t ) = Im[ϕ (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 )

También probemos que Im⎜⎜ ⎟⎟ = − = es impar
⎝ it ⎠ it it

cos(ta ) − cos(tb )
Llamo N (t ) =
it
cos[(− t )a ] − cos[(− t )b] cos(ta ) − cos(tb ) cos(ta ) − cos(tb )
N (− t ) = = =− = − 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 ψ (t ) = ϕ (t )
it

30
 ⎡ sen(tb ) − sen(ta ) cos(tb ) − cos(ta ) ⎤
∞
ψ (t ) = ∫ e ixt f ( x )dx ⎢ − ⎥⎦
−∞ ⎣ t it

⎡ sen(tb ) − sen(ta ) cos(tb ) − cos(ta ) ⎤

∞
= ∫ [cos(xt ) − isen(xt )] f (x )dx ⎢⎣
−∞
t
−
it ⎥⎦ dx

La parte real de ψ (t ) es:

sen(tb )sen(ta ) cos(tb ) − cos(ta ) ⎤

∞
⎡
Re [ψ (t )] = ∫ ⎢cos( xt ) + sen( xt ) ⎥⎦ f ( x )dx
−∞⎣
t t

La parte imaginaria de ψ (t ) es:

cos(tb ) − cos(ta ) sen(tb ) − sen(ta ) ⎤

∞
⎡
Im [ψ (t )] = ∫ ⎢⎣cos(xt ) − sen( xt ) ⎥⎦ f ( x )dx
−∞
t t

Si llamo M (t ) = Re[ψ (t )]

sen[(− t )b] − sen[(− t )a ] cos[(− t )b] − cos[(− t )a ]⎫

∞
⎧
M (− t ) = ∫ ⎨⎩cos[x(− t )]
−∞
−t
− sen[x(− t )]
−t
⎬ f ( x )dx
⎭

cos(tb ) − cos(ta ) sen(tb ) − sen(ta ) ⎤

∞
⎡
= ∫ ⎢⎣cos(xt )
−∞
t
− sen(xt )
t ⎥⎦ f ( x )dx = M (t )

Luego Re[ψ (t )] es par

Si llamo J (t ) = Im[ψ (t )]

cos[(− t )b − cos[(− t )a ]] sen[(− t )b] − sen[(− t )a ]⎫

∞
⎧
J (− t ) = ∫ ⎨⎩cos[x(− t )]
−∞
−t
− sen[x(− t )]
−t
⎬ f ( x )dx
⎭

cos(tb ) − cos(ta ) sen(tb ) − sen(ta ) ⎤

∞
⎡
= ∫ ⎢⎣− cos(xt )
−∞
t
+ sen(xt )
t ⎥⎦ f ( x )dx

cos(tb ) − cos(ta ) sen(tb ) − sen(ta )⎤

∞
⎡
= − ∫ ⎢cos( xt ) − sen( xt ) ⎥⎦ f ( x )dx = − J (t )
−∞ ⎣
t t

Luego Im[ψ (t )] es impar.

Veamos ahora que ψ (− t ) = ψ (t )

e ita − e itb e −ita − e −itb e −ita − e −itb ⎛ e −ita − e −itb ⎞

ψ (− t ) = ϕ (− t ) = ϕ (t ) = ϕ (t ) = ϕ (t )⎜⎜ ⎟⎟
− it it it ⎝ it ⎠
e −ita − e −itb
= ϕ (t ) = ψ (t )
it
Designando por Im(z ) a la parte imaginaria de z , se tiene

31
 T

∫ Im[ψ (t )]dt = 0 para T > 0

1
2π −T

Observación:
Previamente probemos el siguiente Lema:
Sea f : D ⊂ R → R entonces:
T
f impar ⇒
−T
∫ f (t )dt = 0
Demostración:
f impar ⇒ ∀t ∈ D, f (− t ) = − f (t )
T 0 T

∫ f (t )dt = ∫ f (t )dt + ∫ f (t )dt

−T −T 0

Si llamo s=-t
ds=-dt,
luego reemplazando resulta:
T 0 T T T T T

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

−T T 0 0 0 0 0
T T
= − ∫ f (s )ds + ∫ f (t )dt = 0
0 0

Luego, como ya probamos que Im[ψ (t )] es impar, queda demostrada la afirmación anterior de
donde se sigue a partir de

F (b ) − F (a ) =
1
∞
(
⎡ϕ (t ) e − ita − e − itb )⎤dt
2π ∫ ⎢⎣
−∞
Re
it
⎥
⎦

F (b ) − F (a ) =
1
T
lim ∫ ⎢
(
⎡ ϕ (t ) e − ita − e − itb )⎤dt
Que ⎥
2π T →∞ −T ⎣ it ⎦
En muchos cursos se da la fórmula de inversión en la forma anterior. Pero mientras que la
integral generalizada (3.1) existe siempre, no se puede decir lo mismo de
∞
e − ita − e − itb
∫ ϕ (t ) it dt
1
2π −∞

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

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

32
 2 sen(αt )
T
LEMA 1: Llamemos S (α , T ) = ∫ dt .
π0 t

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

⎧1 para α < 0
2 sen(αt )
∞
⎪
Además lim S (α , T ) = ∫ dt = ⎨0 para α = 0
T →∞ π0 t ⎪− 1 para α > 0
⎩
Y la convergencia es uniforme para α ≥ δ > 0 , siendo δ un número positivo arbitrariamente

pequeño.

Demostración:

2 sen(u )
x
Defino S ( x ) = ∫ du.
π0 u

2 sen(αt )
T
Se tiene S (α , T ) = S (αT ) pues si S (α , T ) = ∫ dt por hipóteis, si llamo
π0 t
u =α
du
du = α dt ⇒ = dt , α > 0
α
Reeplazando

sen(u ) du 2 sen(u )
αT αT
S (α , T ) = du = S (αT )
2
∫
π 0 u α π
= ∫
0
u
α
( n +1)π
sen(u ) sen(u )
π
du o también cn = (− 1) ∫
2 n 2
Sea cn =
π ∫
nπ
u π0 u
du , n=0, 1, 2,…

Probemos que vale esta igualdad

( n +1)π
2 sen(u )
cn =
π n
∫π u
du , llamo

w = u − nπ ,
dw = du
Luego si
u = nπ ⇒ w = nπ − nπ = 0
u = (n + 1)π ⇒ w = (n + 1)π − nπ = π

2 sen(w + nπ )
π

π ∫0 w + nπ
Así cn = dw

Observemos que:

33
sen(w + nπ ) = sen(w)cos(nπ ) + cos(w)sen(nπ )

⎧1 , n = 0, 2, 4,...
Como cos(nπ ) = ⎨
⎩− 1 , n = 1, 3, 5,...
Y sen(nπ ) = 0 para n=0, 1,…

Luego sen(w + nπ ) = sen(w)(− 1)

n

Así
2 sen(w)(− 1) sen(w)
π n π
dw = (− 1) ∫
2
∫
n
cn = dw
π 0 w + nπ π 0
w + nπ

(− 1) ∫ sen(u ) du
π
2 n
=
π u + nπ0

sen(u )
∞ ∞ π

∑ c = ∑ (− 1) π ∫ nπ + u du
n 2
Probemos ahora que n es convergente.
n=0 n=0 0

Observación:
Usemos el siguiente criterio para probar esta afirmación:
∞
Sea {a n } una sucesión decreciente que tiende a cero entonces la serie alternada ∑ (− 1)
n
an
n=0

converge.
Llamo

sen(u )
π
2
π ∫ nπ + u
an = du .
0

1) a n decreciente
Debo probar
2) a n → 0

1) n < n + 1 ⇒ nπ < (n + 1)π ⇒ nπ + u < (n + 1)π + u , con u ∈ (0, π ) y n = 0,1,2,...

Luego
1 1 sen(u ) sen(u )
< ⇒ <
(n + 1)π + u nπ + u (n + 1)π + u nπ + u
Por monotonía de la integral

sen(u ) sen(u )
π π

∫0 (n + 1)π + u du ≤ ∫0 nπ + u du
2
Multiplicando en ambos miembros de la desigualdad por
π

34
 sen(u ) 2 sen(u )
π π
2
∫
π 0 (n + 1)π + u
du ≤ ∫
π 0 nπ + u
du

Entonces vale a n +1 ≤ a n

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

π π π π
2 2 1
2) ∫
π 0 (n + 1)π + u
du ≤ ∫
π 0 nπ + u
du = ∫
π 0 nπ + u
du ≤ ∫
π 0 nπ + u
du

Para resolver esta integral uso el método de sustitución llamo

t = nπ + u
dt = du
2 1 2 1 2 2
π ∫ nπ + u
du = ∫ dt = ln t + c = ln nπ + u + c
π t π π
Tomando los límites de integración entre 0 y π podemos escribir:
π π
= [ln(n + 1)π − ln(nπ )]
2 1 2 2
∫
π 0 nπ + u
du =
π
ln nπ + u
0 π
⎡ (n + 1)π ⎤ 2 ⎡ (n + 1) ⎤ 2 ⎛ 1 ⎞
2
= ln ⎢ = ln = ln⎜1 + ⎟
π ⎣ nπ ⎥⎦ π ⎢⎣ n ⎥⎦ π ⎝ n ⎠
2 ⎛ 1⎞
Si n → ∞ entonces ln⎜1 + ⎟ → 0
π ⎝ n⎠
+∞

∑ (− 1) a
n
Luego como vale 1) y 2), por el criterio antes enunciado, se deduce que n converge.
n=0

sen(u )
n −1 x
De S (x ) = ∑ ck + du para nπ ≤ x ≤ (n + 1)π
2
k =0 π ∫π
n
u
n −1 n
Resulta para n par ∑ ck ≤ S (x ) ≤ ∑ ck para nπ ≤ x ≤ (n + 1)π
k =0 k =0

n n −1
Si n es impar ∑ ck ≤ S (x ) ≤ ∑ ck para nπ ≤ x ≤ (n + 1)π
k =0 k =0

sen(u )
π
2
π ∫ nπ + u
Observemos que si n es par cn = du y c n < c n +1
0

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

( n +1)π
sen(u ) 2 sen(u ) sen(u )
n −1 nπ n −1 n −1 x
2 2
∑ ck +
k =0
∫
π nπ u
du ≤ ∑
k=
ck + ∫
π nπ u
du ≤ ∑
k =0
ck +
π ∫π u
du
n

n −1 n −1

∑ ck ≤ S (x ) ≤ ∑ ck + cn
k =0 k =0

n −1 n

∑ ck ≤ S (x ) ≤ ∑ ck
k =0 k =0

35
 sen(u )
π
2
π ∫ nπ + u
Si n es impar cn = − du y c n +1 < c n
0

Luego si nπ ≤ x ≤ (n + 1)π
Entonces S [(n + 1)π ] ≤ S ( x ) ≤ S (nπ ) ya que
( n +1)π
sen(u ) 2 sen(u ) 2 sen(u )
n −1 n −1 x n −1 nπ
2
∑c
k =0
k +
π ∫ u
du ≤ ∑ ck + ∫
k= π nπ u
du ≤ ∑ ck + ∫
k =0 π nπ u
du
nπ

sen(u )
n −1 n −1 x n −1
2
∑ ck + cn ≤ ∑ ck +
k =0 k =0 π n∫π u
du ≤ ∑
k =0
ck

n n −1

∑ c k ≤ S (x ) ≤ ∑ c k
k =0 k =0

Luego, en todos los casos, 0 ≤ S ( x ) ≤ c 0 ≤ 2 para x ≥ 0 .

En efecto:

2 sen(u )
π
du = S (π )
π ∫0 u
Observemos que c0 =

Además como nπ ≤ x ≤ (n + 1)π

Si n = 0 y 0 ≤ x ≤ π entonces
S (0 ) ≤ S ( x ) ≤ S (π )
0 ≤ S (x ) ≤ c0

Falta demostrar que c0 ≤ 2

2 sen(u )
π π
2 u 2 π 2
u = (π − 0 ) = 2
2
π ∫0 u π ∫0 u
c0 = du ≤ du = du =
π π 0 π

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

sen(u )
−π
S (− x ) =
2
π 0 u ∫ du

Si llamo s = u + x
ds = du
Vale que si u=0 ⇒ s=x
Y si u=-x ⇒ s=0

sen(u ) 2 sen(s − x ) 2 sen(s − x ) 2 sen(u )

−π 0 x π
S (− x ) = du = − S ( x )
2
∫
π 0 u
du = ∫
π x s−x
ds = − ∫
π 0 s−x
ds = − ∫
π0 u

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
Así − 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 α < 0
2 sen(αt )
∞
⎪
lim S (α , T ) = ∫ dt = ⎨0 para α = 0
T →∞ π0 t ⎪− 1 para α > 0
⎩

2 sen(u )
∞
Resulta de la fórmula bien conocida S (∞ ) =
π ∫0 u
du = 1

sen(u ) 2 Sen(u )
∞ ∞
π 2π
Es decir sabemos que ∫ du = , o sea ∫ du = =1
0
u 2 π 0 u π 2

2 sen(u )
∞
Además S (∞ ) =
π ∫0 u
du

Al comenzar la demostración probamos que S (α , T ) = S (αT ) , o sea lim S (α , T ) = lim S (αT )

T → +∞ T → +∞

• Si α > 0
lim S (αT ) = S (+ ∞ ) = 1
T → +∞

• Si α < 0
S (− αT ) = − S (αT )
lim S (− αT ) = − lim S (αT ) = − S (+ ∞ ) = −1
T → +∞ T → +∞

• Si α = 0

2 sen(u )
0
S (0) = ∫ du = 0
π0 u

lim S (αT ) = lim S (0) = 0

T → +∞ T → +∞

37
La convergencia uniforme resulta de S (α , T ) = S (αT ) para (− ∞,0) ∪ (0,+∞ ) pues en este
intervalo me independizo de α .

sen[t ( z − a )] − sen[t ( z − b )]
+T
LEMA 2: Sea D(T , z , a, b ) =
1
2π ∫
−T
t
dt y

sen[t (z − a )] − sen[t ( z − b )]
+∞
D( z , a, b ) = D(+ ∞, z , a, b )
1
2π ∫
−∞
t
dt

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

D(T , z , a, b ) ≤ 2

Si además a < b
⎧1 para a < z < b
⎪1
⎪
lim D(T , z , a, b ) = D( z , a, b ) = ⎨ para z = a o z = b
T → +∞
⎪2
⎩⎪0 para z < a o b < z

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

Demostración:

2 sen(αt )
T
En el Lema anterior definimos S (α , T ) = ∫ dt
π0 t

2 sen[( z − a )t ]
T
Si llamo α = z − a entonces S (α , T ) = S ( z − a, T ) = ∫ dt
π0 t

2 sen[( z − b )t ]
T
Si llamo α = z − b entonces S (α , T ) = S ( z − b, T ) =
π ∫0
dt
t

sen(αt )
Probemos que f (α ) = es par:
t
sen[(− α )t ] sen(− αt ) sen(αt )
f (− α ) = = =− = − f (α )
t t t
Como ∀α , f (− α ) = f (α ) , entonces f (α ) es par

sen[( z − a )t ]
T
Luego S (z − a, T ) =
1
π −T∫ t
dt

sen[( z − b )t ]
T
S (z − b, T ) =
1
π −T∫ t
dt

38
 sen[( z − a )t ] 1 sen[( z − b )t ]
T T
S (z − a, T ) − S (z − b, T ) = ∫
1
dt − ∫ dt
π −T t π −T t

sen[( z − a )t ] − sen[( z − b )t ]
T
1
=
π −T∫ t
dt

1
Multiplico por en ambos miembros
2

sen[( z − a )t ] − sen[( z − b )t ]
T
1
[S (z − aT ) − S (z − b, T )] = 1 ∫ dt
2 2π −T
t
Luego

D(T , z , a, b ) =
1
[S (z − aT ) − S (z − b, T )]
2
Por el Lema 1 para todo α ∈ R y T positivo S (α , T ) ≤ 2

Como z − a ∈ R y z − b ∈ R vale que S ( z − a, T ) ≤ 2 y S ( z − b, T ) ≤ 2

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

≤ [ S ( z − a, T ) + S ( z − b, T ) ] ≤ (2 + 2) = 4 = 2
1 1 1
2 2 2
Por lo tanto
D(T , z , a, b ) ≤ 2

⎧1 para a < z < b

⎪1
⎪
Sea a < b probemos lim D(T , z , a, b ) = ⎨ para z = a o z = b
T → +∞
⎪2
⎪⎩0 para z < a o b < z

⎧1 para α < 0
⎪
Por el Lema 1 lim S (α , T ) = ⎨0 para α = 0
T →∞
⎪− 1 para α > 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 ) =
1
[S (z − aT ) − S (z − b, T )] tomo límite en ambos miembros, vale que
2

lim D(T , z , a, b ) =
T → +∞
1
[
2 T →+∞ T → +∞
1
2
]
lim S ( z − aT ) − lim S ( z − b, T ) = [1 − (− 1)] = 2 = 1
1
2
39
 • z = a ó z = b . Supongamos que z = b y z > a , podemos concluir que S (z − b, T ) = 0 .

Luego D(T , z , a, b ) = S ( z − a, T )
1
2
Entonces

lim D(T , z , a, b ) = lim S ( z − a, T ) = 1 =

1 1 1
T → +∞ 2 T → +∞ 2 2
• z < a ó 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 ) =
1
[S (z − aT ) − S (z − b, T )] tomo límite en ambos miembros, vale que
2

lim D(T , z , a, b ) =
T → +∞
1
[
2 T →+∞ T → +∞
1
2
]
lim S ( z − aT ) − lim S ( z − b, T ) = [(− 1) − (− 1)] = (− 1 + 1) = 0

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

1 la convergencia es uniforme para α ≥ δ > 0 , luego la convergencia es uniforme para

z − a ≥ δ > 0 y z − b ≥ δ > 0 para δ arbitrariamente pequeño.

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

1 ⎧ sen[t ( z − a )] − sen[t ( z − b )] ⎫
∞ ∞ ∞
⎡ e − ita − e − itb ⎤
1
∫− ∞ ⎢⎣
Re ϕ (t ) ⎥ dt = ∫ ⎨∫ dF (z )⎬dt (3.3)
2π it ⎦ 2π − ∞ ⎩− ∞ t ⎭
En efecto puesto que:
eit ( z − a ) − e − it ( z − a ) eitz e − ita e − itz eita
sen[t ( z − a )] = = −
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 ⎦ ⎪⎭
⎩

1 (
⎡ eitz e − ita − e − itb ⎤
= 2 Re ⎢
)
t 2i ⎥
⎣ ⎦

⎡ eitz (e − ita − e − itb )⎤

= Re ⎢ ⎥
⎣ it ⎦
Luego si integramos en ambos miembros

+∞
sen[t ( z − a )] − sen[t (z − b )]
( )
+∞
(
⎡ eitz e − ita − e − itb )⎤dF (z )
∫
−∞
t
dF z = ∫ ⎢⎣
−∞
Re
it ⎥
⎦
⎡+ ∞
= Re ⎢ ∫ eitz
(
e − ita − e − itb ) ⎤
dF ( z )⎥
⎣−∞ it ⎦
⎡∞
= Re ⎢ ∫ eitz dF ( z )
(
e − ita − e − itb ⎤ )
⎥
⎣− ∞ it ⎦
⎡
= Re ⎢ϕ (t )
(
e − ita − e − itb ⎤ )
it ⎥
⎣ ⎦
1
Así si integramos nuevamente y multiplicamos por
2π

1 ⎧ sen[t ( z − a )] − sen[t ( z − b )] ⎫
∞ ∞ ∞
⎡ e − ita − e − itb ⎤
1
∫ ⎢⎣ ( ) ( )
2π −∫∞ ⎩−∫∞
Re ϕ t ⎥ dt = ⎨ dF z ⎬dt
2π −∞
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, según el Lema 2
+∞
F (b ) − F (a ) = ∫ D( z , a, b )dF ( z )
−∞

Para demostrar
∞
⎡ e − ita − e − itb ⎤
F (b ) − F (a ) = ∫ Re⎢⎣ϕ (t ) it ⎥⎦ dt
1
2π −∞

Basta probar, por consiguiente, que es posible cambiar el orden de integración en las integrales
en el segundo miembro de (3.3).

sen[t (z − a )] − sen[t ( z − b )]
+∞
dt , que representa D( z , a, b ) no
1
La dificultad es que la integral
2π ∫
−∞
t

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

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

41
a − δ < z < a + δ y b − δ < z < b + δ , donde δ es un número positivo arbitrariamente pequeño.
Además, 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

1 ⎧ sen[t ( z − a )] − sen[t (z − b )] ⎫
∞ ∞ T

∫ D(T , z , a, b )dF ( z ) = dt ⎬dF (z )

2π −∫∞ ⎩−∫T
⎨
−∞
t ⎭
T
⎧ ∞ sen[t ( z − a )] − sen[t ( z − b )] ⎫
dF ( z )⎬dt
1
=
2π ∫−T ⎨⎩−∫∞ t ⎭
(3.4)

Aquí se puede intercambiar el orden de integración, porque el integrando es absolutamente

integrable en el dominio − ∞ < z < ∞ , t < T .

Si se pasa al límite haciendo tender T a ∞ el Teorema 3.1 a) Resulta de (3.4) en razón de lo

escrito anteriormente.
Si a y b son saltos de F ( x ) se encuentra modificando ligeramente la demostración

F (b + 0 ) + F (b − 0 ) F (a + 0 ) − F (a − 0 ) 1
∞
⎡ e − ita − e − itb ⎤
2
−
2
=
2π ∫ Re⎢⎣ϕ (t ) it ⎥⎦ dt
−∞

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

+∞
también en función de ϕ (t ) . Limitémonos al caso en que la integral ∫ ϕ (t )dt existe. En tal caso
−∞

F (x + h ) − F (x − h ) sen(th )
+∞
f ( x ) = lim
h →0 2h
= lim
h → 0
1
4π ∫th
[
ϕ (t )e −itx + ϕ (− t )e itx dt ]
−∞

Puesto que
e − it ( x − h ) − e − it ( x + h ) eit ( x − h ) − eit ( x + h ) ⎤
+∞
⎡
F (x + h ) − F (x − h ) = ∫ ⎢ϕ (t ) − ϕ (− t )
1
2π 2it 2it ⎥dt
−∞ ⎣ ⎦
∞
1 ⎡ − itx ith
e e −e e − itx − ith
e e −e e ⎤
itx − ith itx ith
= ∫ ⎢ϕ (t ) − ϕ (− t ) ⎥dt
2π − ∞ ⎣ 2it 2it ⎦
1 ⎡ ∞
( ) (
e − itx eith − e − ith
( ) ) (
eitx eith − e − ith )⎤ dt
=
2π ∫⎢
−∞ ⎣
ϕ t
t 2i
+ ϕ − t
t 2i ⎥
⎦
∞
1 ⎡ e − itx eitx ⎤
( ) ( ) ( ) ( )
2π −∫∞ ⎣
= ⎢ϕ t sen th + ϕ − t sen th ⎥dt
t t ⎦
sen(th )
∞
=
1
2π ∫ t
[
ϕ (t )e − itx + ϕ (− t )eitx dt ]
−∞

42
Divido ambos miembros en 2h

F (x + h ) − F (x − h ) 1 sen(th )
∞

2h
=
4π ∫ th
[
ϕ (t )e − itx + ϕ (− t )eitx dt ]
−∞

Tomo límite para h tendiendo a ∞

F (x + h ) − F (x − h ) sen(th )
∞
lim
h→∞ 2h
= lim
1
h → ∞ 4π ∫ th
[
ϕ (t )e − itx + ϕ (− t )eitx dt ]
−∞

sen(th )
+∞
Puesto que ∫ ϕ (t )dt existe y th
[ ]
ϕ (t )e −itx + ϕ (− t )e itx ≤ 2 ϕ (t ) ya que
−∞

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

sen(th ) sen(th )
th
[
2 Re ϕ (t )e −itx = 2] th
Re ϕ (t )e −itx ≤ 2
th
(
th
)
ϕ (t )e −itx = 2 ϕ (t ) e −itx

= 2 ϕ (t )

Se pueden, en virtud del Teorema de Lebesgue (o Teorema de la Convergencia Dominada),

intercambiar los signos de límite e integración y entonces se obtiene
+∞
f (x ) = ∫ ϕ (t )e
1 −itx
dt
2π −∞

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

En efecto:
∀ε > 0, ∃δ > 0 : ∀x1 , x 2 ∈ domf ( x 2 − x1 < δ ⇒ f (x 2 ) − f (x1 ) < ε )

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

∞ ∞ ∞
f ( x 2 ) − f ( x1 ) = ∫ ϕ (t )e dt − ∫ ϕ (t )e dt = ∫ ϕ (t )(e )
2 − itx 2 −itx 2 − itx2
2 1
− e −itx1 dt
π −∞
π −∞
π −∞

∫ ϕ (t ) e
2 −itx2
≤ − e −itx1 dt
π −∞

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
• ∫ sen(z )dz = − cos(z ) = −[cos(tx 2 ) − cos(tx1 )]
tx1 tx1

tx2 tx2
• ∫ cos(z )dz = sen(z )
tx1 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 ⎝ 1 tx1 ⎠ 1

Tomando valor absoluto en ambos miembros

tx2 tx2 tx2

e −itx2
−e − itx1
= i ∫ e dz ≤
z
∫e
z
dz = ∫ dz = tx 2 − tx1 = t ( x 2 − x1 ) ≤ t x 2 − x1
tx1 tx1 tx1

Por lo tanto
∞ ∞
f ( x 2 ) − f (x1 ) ≤ ∫ ϕ (t ) e
2 2 2
−itx2
−e − itx1
dt ≤ x 2 − x1 T ∫ dt = x 2 − x1 T < ε
π −∞
π −∞
π
δπ
Si x 2 − x1 <
2T

Teorema 3.2:
Las funciones de distribución Fn ( x ) , n=1, 2,… convergen hacia una función de distribución

F ( x ) si y solamente si las Funciones Características ϕ n (t ) de las Fn ( x ) convergen para n → ∞

a una función ϕ (t ) continua para t=0. En este caso ϕ (t ) es la Función Característica de F ( x ) y

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

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

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

Sea ε > 0
Elijamos un número λ > 0 tal que − λ y λ sean puntos de continuidad de F (x ) tales que
ε ε
F (− λ ) < y F (λ ) > 1 −
8 8

44
 ε
Entonces ∫ λe
ixt
dF ( x ) < , en efecto
x>
4

−λ ∞ −λ c

∫ e dF (x ) ≤ ∫ e dF (x ) = ∫ dF (x ) = ∫ dF (x ) + ∫ dF (x ) = lim ∫ dF (x ) + lim ∫ dF (x )
ixt ixt
c →∞ c →∞
x >λ x >λ x >λ −∞ λ −c λ

Analicemos la integral indefinida

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

∫ dF (x ) = F (x )
−c −c
= F (− λ ) − F (− c )

De la misma manera calculemos

c c

∫ dF (x ) = F (x ) = F (c ) − F (λ )
λ λ

Luego
−λ c

∫ e dF (x ) ≤ lim ∫ dF (x ) + lim ∫ dF (x ) = lim[F (− λ ) − F (− c )] + lim [F (c ) − F (λ )]

ixt
c →∞ c →∞ c →∞ c →∞
x >λ −c λ

= F (− λ ) − F (− ∞ ) + F (∞ ) − F (λ ) = F (− λ ) − 0 + 1 − F (λ )
ε ε ε
< +1−1+ =
8 8 4
Y para n ≥ n1 , al no depender de n, nada más que de ε , se tiene
ε ε
Fn (− λ ) < y Fn (λ ) > 1 −
8 8
Luego

ε
∫ λe
ixt
dF (x ) < para n ≥ n1 .
x>
4

Por consiguiente, para n ≥ n1

∞
ε
ϕ n (t ) − ϕ (t ) = ∫e
ixt
d [Fn ( x ) − F ( x )] + (3.6)
−∞
2

En efecto:

45
 ∞ ∞
ϕ n (t ) − ϕ (t ) = ∫ e dFn (x ) − ∫ e dF (x )
ixt ixt

−∞ −∞
−λ λ ∞ −λ λ ∞
= ∫ e dFn (x ) + ∫ e dFn (x ) + ∫ e dFn (x ) − ∫ e dF (x ) − ∫ e dF (x ) − ∫ e dF (x )
ixt ixt ixt ixt ixt ixt

−∞ −λ λ −∞ −λ λ

λ λ
= ∫ λe
ixt
dFn ( x ) + ∫ e dFn ( x ) −
ixt
∫ λe
ixt
dF ( x ) − ∫ e ixt dF ( x )
x> −λ x> −λ

λ λ
≤ ∫λe
ixt
dFn ( x ) − ∫ e ixt dF ( x ) + ∫ λe
ixt
dFn ( x ) + ∫ λe
ixt
dF ( x )
− −λ x> x>

λ
ε ε
< ∫λe [dF (x ) − dF (x )] + 4 + 4
ixt
n
−
λ
ε
= ∫λe d [F (x ) − F (x )] + 2
ixt
n
−

Integrando por partes obtenemos, para t ≤ T ,

λ λ

∫ e d [Fn (x ) − F (x )] ≤ Fn (λ ) − F (λ ) + Fn (− λ ) − F (− λ ) + T ∫ Fn (x ) − F (x )dx
ixt
(3.7)
−λ −λ

En efecto:
Llamo
u = eixt du = eixt it dx
dv = d [Fn ( x ) − F ( x )] v = Fn ( x ) − F ( x )

λ λ

∫λe d [F (x ) − F (x )] = {e [F (x ) − F (x )]} λ − ∫λe it [F (x ) − F (x )]dx

λ
ixt ixt ixt
n n n
− − −
λ
= e ixλ [Fn (λ ) − F (λ )] − e −ixλ [Fn (− λ ) − F (− λ )] − ∫ e ixt it [Fn ( x ) − F ( x )]dx
−λ

Tomando valor absoluto en ambos miembros

λ λ

∫ e d [Fn (x ) − F (x )] = e [Fn (λ ) − F (λ )] − e [Fn (− λ ) − F (− λ )] − ∫ e it [Fn (x ) − F (x )]dx

ixt ixλ −ixλ ixt

−λ −λ
λ
≤e ixλ
Fn (λ ) − F (λ ) + e −ixλ
Fn (− λ ) − F (− λ ) + ∫λ e
ixt
it Fn ( x ) − F ( x ) dx
−

Como e ixλ = e − ixλ = e ixt = i = 1

46
 λ λ

∫ e d [Fn (x ) − F (x )] ≤ Fn (λ ) − F (λ ) + Fn (− λ ) − F (− λ ) + ∫ t Fn ( x ) − F ( x ) dx
ixt

−λ −λ
λ
= Fn (λ ) − F (λ ) + Fn (− λ ) − F (− λ ) + t ∫ F (x ) − F (x )dx
n
−λ

Como t ≤ T
λ λ

∫ e d [F (x ) − F (x )] ≤ F (λ ) − F (λ ) + F (− λ ) − F (− λ ) + T ∫λ F (x ) − F (x )dx
ixt
n n n n
−λ −

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

integración y del paso al límite y el segundo miembro de (3.7) y, por consiguiente según (3.6);
también ϕ n (t ) − ϕ (t ) tienden uniformemente a cero para t ≤ T .

Es decir
λ
ε
ϕ n (t ) − ϕ (t ) ≤ Fn (λ ) − F (λ ) + Fn (− λ ) − F (− λ ) + T ∫λ F (x ) − F (x )dx + 2
n
−

Por convergencia podemos:

ϕ n (t ) − ϕ (t ) < ε
Daremos ahora una idea de la demostración de que la condición es suficiente, es decir que
lim ϕ n ( x ) = ϕ ( x ) con ϕ (t ) continua para todo t=0 resulta lim Fn ( x ) = F ( x ) .
n→∞ n →∞

Según un teorema conocido de Helly, se puede extraer de la sucesión {Fn ( x )} una subsucesión

{F (x )}
nk que converge hacia una función monótona no decreciente F (x ) en todo punto de

continuidad de esta.
Demostraremos ahora que esta función F ( x ) es una función de distribución. Basta demostrar
que F (∞ ) = 1 , F (− ∞ ) = 0 y F (x ) es continua por la izquierda. Esta última condición puede
realizarse siempre por una modificación conveniente de F (x ) en sus puntos de continuidad.
Puesto que F ( x ) es límite de funciones de distribución se tiene siempre que 0 ≤ F (x ) ≤ 1 . Basta,
entonces, demostrar que F (∞ ) − F (− ∞ ) = 1 .
Demostraremos, primero la fórmula siguiente para x>0.

1 − cos( xt )
x ∞

∫ [F ( y ) − F (− y )]dy = π ∫ ϕ n (t )dt
1
n (3.8)
0 −∞
t2

En efecto

47
 1 − cos( xt ) 1 ⎡ 1 − cos( xt ) ⎤
∞ ∞ ∞
I n (t ) = ( ) cos( yt )dt ⎥dFn ( y )
1
∫
π −∞ t 2
ϕ n t dt = ∫ ⎢∫
π − ∞ ⎣− ∞ t 2
⎦
Ya que

Fn ( y ) − Fn (− y ) =
1
∞
(
⎡ ϕ n (t ) e − ity − e − ity ⎤ )
2π ∫ Re⎢⎣
−∞
it ⎥dt
⎦
sen(ty ) ⎤
∞
⎡
∫ Re⎢⎣ϕ (t )2
1
= dt
2π t ⎥⎦
n
−∞

sen(ty ) ⎤
∞
⎡
∫ Re⎢⎣ϕ (t )
1
= dt
π t ⎥⎦
n
−∞

Integrando en ambos miembros entre 0 y x

⎧ sen(ty ) ⎤ ⎫
x x ∞
⎡
∫ [ Fn ( y ) − Fn (− y )]dy = ∫ ⎨π ∫ Re ⎢⎣ϕn (t ) t ⎥⎦ dt ⎬dy
1
0 0 ⎩ −∞ ⎭
⎡ sen(ty ) ⎤
x x
= ∫ Re ⎢ϕ n (t )∫ dy ⎥dt
0 ⎣ 0
t ⎦
Como

sen(ty ) 1 ⎡ cos(ty ) ⎤ x − cos(tx ) + 1 1 − cos(tx )

x x
( ) = − 2 [cos(tx ) − cos(0 )] =
1 1
∫0 t dy =
t0∫ sen ty dy = ⎢
t⎣ t ⎦ 0 ⎥ t t2
=
t2

Así
1 − cos(tx ) ⎤
x ∞
⎡
∫ [ F ( y ) − F (− y )]dy = π ∫ Re⎢⎣ϕ (t )
1
n n n
t2 ⎥⎦dt
0 −∞

⎡ ∞ iyt 1 − cos(tx ) ⎤
∞

⎢ ∫ e dFn ( y )
1
= ∫ Re
π − ∞ ⎣− ∞ t2
⎥dt
⎦
1 ⎡ 1 − cos(tx ) ⎤
∞ ∞
= ∫ ⎢ ∫ Re eiyt
π − ∞ ⎣− ∞ t2
( )
dt ⎥dFn ( y )
⎦
Como eiyt = cos( yt ) + isen( yt )

1 − cos(tx )
⎡∞ ⎤
x ∞

∫ [ Fn ( y ) − Fn (− y )]dy = π ∫ ⎢ ∫ cos( yt ) t 2 dt ⎥dFn ( y )

1
0 −∞ −∞ ⎣ ⎦

1 − cos( xt )
Siendo integrable y ϕ n (t ) ≤ 1 , se puede cambiar el orden de las integraciones.
t2
Se sabe que

48
 1 − cos( xt )
∞
1
π −∞ ∫ t2
dt = x (3.9)

Puesto que si analizamos la integral indefinida

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

Calculemos la integral entre –c y c

1 − cos( xt ) 1 c cos( xt ) c sen( xt )

c c

∫− c t 2
dt = −
t −c
+
t −c
+ x∫
−c
t
dt

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

Tomando límite para c → ∞

1 − cos( xt ) cos( xc ) ⎤ sen( xt )

∞ ∞
⎡ 2
∫− ∞ t 2 dt = clim ⎣
− +2
→∞ ⎢ c c ⎦ ⎥ +x∫
−∞
t
dt

sen( xt )
∞
=x∫ dt
−∞
t

sen(xt ) sen( xt ) sen( xt )

∞ ∞
Si f (t ) = es par resulta que ∫− ∞ t dt = 2∫0 t dt
t

sen(xt ) sen( xt )
∞
Si f (t ) = es impar resuelta que ∫ dt = 0
t −∞
t

sen[x(− t )] sen( xt ) sen( xt )

Si x>0 f (− t ) = =− = = f (t )
−t −t t
sen[x(− t )] sen(xt ) sen( xt )
Si x<0 f (− t ) = = =− = − f (t )
−t −t t
Luego

1 − cos( xt )
∞
1 π
π −∞ ∫ t 2
dt = x 2 = x , x>0
2
De donde resulta
⎧0 para y ≤ − x
⎪
1 1 − cos( xt ) ⎪ x + y para − x ≤ y ≤ 0
∞

∫ cos( yt )dt = ⎨
π −∞ t 2
⎪ x − y para 0 ≤ y ≤ x
⎪⎩0 para x ≤ y

Luego
x
I n (x ) = ∫ (x − y )dF ( y )
−x
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 función no decreciente de y, se obtiene:

1 − cos( xt )
∞
Fn ( x ) − Fn (− x ) ≥ ϕ n (t )dt
1
π −∞ ∫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 x

∫ [Fn (x ) − Fn (− x )]dy ≥ ∫ [Fn ( y ) − Fn (− y )]dy

0 0
(3.10)

Como
x

∫ [F (x ) − F (− x )]dy = x[F (x ) − F (− x )]
0
n n n n

De (3.10) se sigue que

1 − cos( xt )
∞
x[Fn ( x ) − Fn (− x )] ≥ ϕ n (t )dt
1
π −∞ t2∫
Luego

[Fn (x ) − Fn (− x )] ≥ 1 ∫ 1 − cos2 (xt )ϕn (t )dt

∞

π xt
−∞

Además si llamo u=xt

u du
du=x dt, se puede deducir que t = y que = dt
x x

1 − cos( xt ) 1 − cos(u ) ⎛ u ⎞ du 1 − cos(u ) ⎛ u ⎞

∞ ∞ ∞

∫− ∞ xt 2 ϕn (t )dt = −∫∞ u 2 ϕn ⎜⎝ x ⎟⎠ x = −∫∞ u 2 ϕn ⎜⎝ x ⎟⎠du

x 2
x
1 − cos( xt )
∞
Así queda probado que Fn ( x ) − Fn (− x ) ≥ ϕ n (t )dt
1
π −∞∫ xt 2

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

1 − cos(u ) ⎛ u ⎞
∞
F (x ) − F (− x ) ≥
1
∫
π −∞ u 2
ϕ ⎜ ⎟du
⎝ x⎠
(3.11)

En efecto ya vimos que:

1 − cos( xt )
∞
Fn ( x ) − Fn (− x ) ≥ ϕ n (t )dt
1
π −∞ ∫xt 2

50
Tomando límite en ambos miembros podemos escribir:

1 − cos( xt )
∞
lim[Fn ( x ) − Fn (− x )] ≥ ϕ n (t )dt
1
n →∞
lim
π n→∞ −∞ ∫xt 2
Por un lado analicemos
lim[Fn (x ) − Fn (− x )] = lim Fn ( x ) − lim Fn (− x ) = F ( x ) − F (− x )
n→∞ n→∞ n →∞

Además

1 − cos( xt ) 1 1 − cos(u ) 1 1 − cos(u ) ⎛ u ⎞

∞ ∞ ∞
⎛u⎞
ϕ n (t )dt = ∫
1
π n
lim
→ ∞ ∫
−∞
xt 2
π −∞
u 2
lim ϕ n ⎜ ⎟du = ∫
n → ∞
⎝ x ⎠ π −∞
u 2
ϕ ⎜ ⎟du
⎝ x⎠
Con lo queda probada la afirmación anterior
Como ϕ (t ) es continua para t=0 y ϕ (0 ) = 1 puesto que ϕ n (0) = 1 se obtiene siempre gracias al

Teorema de Lebesgue y teniendo en cuenta (3.9) que si tomo límite para x → ∞ en (3.10) se
tiene:

1 − cos(u ) ⎛ u ⎞
∞
lim[F ( x ) − F (− x )] ≥
1
x →∞
lim
π x→∞ −∞ u 2∫ ϕ ⎜ ⎟du
⎝ x⎠
Si analizamos
lim[F ( x ) − F (− x )] = lim F ( x ) − lim F (− x ) = F (∞ ) − F (− ∞ )
x →∞ x →∞ x →∞

Por otro lado

1 − cos(u ) ⎛ u ⎞ 1 1 − cos(u ) 1 1 − cos(u )
∞ ∞ ∞
⎛u⎞
ϕ (0)du
1
lim ∫ ϕ ⎜ ⎟du = ∫ lim ϕ ⎜ ⎟du = ∫
π x → ∞
−∞
u 2
⎝ x⎠ π −∞ u 2 x → ∞
⎝ x⎠ π −∞ u 2

1 − cos(u )
∞
1 1 π
= ∫
π −∞ u 2
du = 2 = 1
π 2
Es decir
F (∞ ) − F (− ∞ ) ≥ 1
Como 0 ≤ F (− ∞ ) ≤ 1 ⇒ −1 ≤ − F (− ∞ ) ≤ 0 , también 0 ≤ F (∞ ) ≤ 1
Entonces F (∞ ) − F (− ∞ ) ≤ 1
Así podemos concluir que
F (∞ ) − F (− ∞ ) = 1
Por consiguiente F (∞ ) = 1 y F (− ∞ ) = 0 ; F (x ) es, sin duda, una función de distribución.
Queda aún por ver que ϕ (t ) es la Función Característica de F ( x ) y que toda sucesión {Fn ( x )}

converge hacia F (x ) ; para esto, según el teorema de Helly, basta demostrar que no se puede
extraer de la sucesión {Fn (x )} ninguna subsucesión convergente hacia una función 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 sucesión de funciones de distribución {Fn ( x )} n=1, 2,… no se puede extraer ninguna

subsucesión que converja hacia F ( x ) ; esto supone que lim Fn ( x ) = F ( x ) .

n→∞

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

n→∞

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

52
 SECCIÓN 4
Teoremas Límites

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

podemos ahora abordar los teoremas relativos a las distribuciones límites. Los más importantes
entre ellos, llamados “Teoremas Centrales del Límite”, expresan el hecho de que la distribución
de la suma de un número muy grande de variables aleatorias independientes, en condiciones
generales, se aproxima a una distribución Normal. Estos teoremas develan las razones por las
cuales, en muchos campos de aplicación se encuentran en todo momento distribuciones
Normales o casi Normales.
Un ejemplo típico de este hecho es el caso de los errores de medida, el error total es el resultado
de un gran número de errores pequeños. Los teoremas centrales del límite justifican, de este
modo, la hipótesis de que los errores de medida están Normalmente distribuidos; por eso la
distribución Normal se llama también ley de errores.
El Teorema Central del Límite, en su forma más simple, se enuncia así:

Teorema 4.1: Teorema de DeMoivre_Laplace

Sean ξ1 , ξ 2 ,..., ξ n variables aleatorias mutuamente independientes e idénticamente distribuidas,
con distribución Bernoulli de parámetro p, entonces
⎛ n ⎞
⎜ ∑ ξ i − np ⎟
∀ x∈R lim P ⎜ i =1
≤ x ⎟ = Φ (x ) donde Φ(x ) es la función de distribución de la
n →∞ ⎜ ⎟
np(1 − p)
⎜ ⎟
⎝ ⎠
distribución Normal Estándar.
O bien lim Fn ( x ) = Φ (x ) para − ∞ < x < ∞ donde Fn (x ) es la función de distribución
n →∞

∑ξ
i =1
i − np
acumulada de
np(1 − p )

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

53
Teorema 4.2:
Sean ξ1 , ξ 2 ,..., ξ n variables aleatorias mutuamente independientes e idénticamente distribuidas,

para las cuales se supone que M = E(ξ n ) y D = V(ξ n ) > 0 existen, sean
n
α n − E (α n )
α n = ∑ ξ k y α n* =
k =1 V (α n )

Si Fn (x ) es la función de repartición de α n* , se tiene que lim Fn (x ) = Φ (x ) para − ∞ < x < ∞

n →∞

Demostración:
Sea ϕ(t ) la Función Característica de η k = ξ k − M y ϕ n (t ) la Función Característica de α n .

Como E (α n ) = nM y V (ξ n )n resulta de los Teoremas 2.3. y 2.6 que:

n
⎡ ⎛ t ⎞⎤
ψ n (t ) = ⎢ϕ ⎜⎜ ⎟⎟⎥
⎣ ⎝ D n ⎠⎦
Para demostrar esto analicemos
n
⎛ n
⎞ n n n n

α − E (α n )
∑ ξ k − E⎜ ∑ ξ k ⎟
k =1 ⎝ k =1 ⎠=
∑ ξ k − ∑ E (ξ k ) ∑ ξ k − nE (ξ k ) ∑ξ k − nM
α = n
*
= k =1 k =1
= k =1
= k =1

V (α n ) nV (ξ k ) nV (ξ k )
n
⎛ n ⎞ n
V ⎜ ∑ξk ⎟ ∑V (ξ ) k
⎝ k =1 ⎠ k=

n
1 nM
=
nV (ξ )
∑ξ k =1
k −
nV (ξ k )
k

Calculemos ahora la Función Característica de la variable aleatoria α * .

nMt nMt nMt n
−i ⎛ t ⎞ −i n
⎛ t ⎞ −i ⎡ ⎛ t ⎞⎤
ψ n (t ) = ϕ α (t ) = e
*
nD
ϕ n ⎜⎜ ⎟⎟ = e nD
∏ ϕ ξ k ⎜⎜ ⎟⎟ = e nD
⎢ϕ ξ k ⎜⎜ ⎟⎟⎥
∑ξk ⎝ n D ⎠ k =1 ⎝ nD ⎠ ⎣ ⎝ n D ⎠⎦
k =1

n
⎡ −i Mt
⎛ t ⎞⎤
= ⎢e nD
ϕ ξ k ⎜⎜ ⎟⎟⎥
⎣⎢ ⎝ n D ⎠⎦⎥
Además
ϕ (t ) = ϕη = ϕ ξk k −M
= e − iMt ϕ ξ k (t )

Luego
n
⎡ ⎛ t ⎞⎤
ψ n (t ) = ⎢ϕ ⎜⎜ ⎟⎟⎥
⎣ ⎝ n D ⎠⎦
⎛ t2 ⎞ ⎛1⎞
Del Teorema 2.9, ya que E (η k ) = 0 y o⎜⎜ 2 ⎟⎟ = o⎜ ⎟ resulta
⎝ D n⎠ ⎝n⎠
54
 ⎛ ⎞t t2 ⎛1⎞
ϕ ⎜⎜ ⎟⎟ = 1 − + o⎜ ⎟
⎝D n⎠ 2n ⎝n⎠
Pues
2
⎛ t ⎞ M 1it M ⎛ it ⎞ ⎛1⎞
ϕ ⎜⎜ ⎟⎟ = 1 − + 2 ⎜⎜ ⎟⎟ + o⎜ ⎟
⎝D n⎠ 1! D n 2! ⎝ D n ⎠ ⎝n⎠
Por hipótesis E(η k ) = 0 ⇒ E(ξ k − M ) = 0 ⇒ E[ξ k − E(ξ k )] = 0 ⇒ M 1 = 0
Luego
2
⎛ t ⎞ M ⎛ it ⎞ ⎛1⎞
ϕ ⎜⎜ ⎟⎟ = 1 − 2 ⎜⎜ ⎟⎟ + o⎜ ⎟
⎝D n⎠ 2! ⎝D n⎠ ⎝n⎠

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

2

⎛ ⎞t t2 ⎛1⎞
ϕ ⎜⎜ ⎟⎟ = 1 − + o⎜ ⎟
⎝D n⎠ 2n ⎝n⎠

Por la aplicación de la fórmula conocida:

n
⎛ x ⎞
lim ⎜1 + n ⎟ = e x para lim x n = x
n → +∞
⎝ n⎠ n → +∞

t2
−
Se concluye que lim ψ n (t ) = e 2
si − ∞ < t < +∞ lo cual prueba el Teorema 4.2, en razón del
n → +∞

Teorema 3.2.
Así utilizando el método de las Funciones Características se demuestra la versión más
difundida del Teorema Central del Límite.
Sin embargo, el método de las Funciones Características ha sido aplicado, en primer
lugar, por Ljapunóff. El ha demostrado, por este método, que el Teorema Central del Límite era
aplicable con hipótesis mucho más generales.

Teorema 4.3:
Supongamos que ξ1 , ξ 2 ,..., ξ n son variables aleatorias mutuamente independientes con

E(ξ k ) = M k , V (ξ k ) = Dk2 > 0 y que los tres primeros momentos E ξ k − M k ( 3

)= 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
α n = ∑ ξk
k =1

α n − E(α n )
α *n =
V(α n )

Si Fn (x ) designa la función de repartición de α *n y la condición de Ljapunóff

Kn
lim =0 (4.1)
n →∞ Sn
se verifica entonces
lim Fn ( x ) = Φ(x ) para − ∞ < x < ∞
n →∞

Observación:
• La condición se cumple, evidentemente, cuando todas las ξ k tienen la misma
distribución. En efecto, en este caso:
V (ξ k ) = Dk = H

H k = E (ξ 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

Así

Kn H 3
n H 6
n2 H 1
lim = lim = lim = lim 6 = 0
n→∞ S n →∞ D D n →∞ 6 n 3 D n →∞ n
n n

• La condición también se cumple cuando la variable aleatoria ξ k − M k esta acotada

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

n→∞

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

( ) = E (ξ )
∞
H k3 = E ξ k − M k − M k ξk − M k = ∫ξ − M k ξ k − M k dFk ( x )
3 2 2
k k
−∞

( ) = cD
∞
≤ ∫cξ − M k dFk ( x ) = cE ξ k − M k
2 2 2
k k
−∞

Por lo tanto H k3 ≤ cDk2

Kn c
Probemos también que: ≤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
≤
3
(
c D12 + D22 + ... + Dn2 )= (
c 2 D12 + D22 + ... + Dn2 )
2

=6
c2
(D ) ( )
6
Sn D12 + D22 + ... + Dn2 1
2
+ D22 + ... + Dn2
3
D12 + D22 + ... + Dn2

c2 c
=6 =3
Sn
2
Sn

Tomo límite para n → ∞ y como S n → ∞

Kn c
lim ≤ lim 3 =0
n→∞ S n→∞ Sn
n

• Ljapunóff ha demostrado el Teorema Central del Límite con hipótesis más generales
todavía. Para esto basta suponer la existencia, en lugar del tercer momento de orden β
K n (β )
( β > 2 cualquiera) y, en lugar de (4.1) exigir lim =0 (4.2) donde
n→∞ Sn

⎛ n
( ) ⎞
1

K n (β ) = ⎜⎜ ∑ E ξ k − M k
β β
⎟
⎟
⎝ k =1 ⎠
• Este Teorema, en comparación con el Teorema 4.2, relaja la hipótesis de idéntica
Kn
distribución, requiere que existan los tres primeros momentos y además que lim = 0.
n →∞ S
n

Lindeberg ha propuesto una condición más general aún, que permite demostrar el teorema
Central del Límite. Este es:
Teorema 4.4:
Sean ξ1 , ξ 2 ,..., ξ n variables mutuamente independientes, cuya esperanza matemática
M k = E(ξ k ) y D k = V(ξ k ) existen para todo entero k. Si definimos como:

S n = D12 + D 22 + ... + D 2n

y sea Fk (x ) la función de repartición de ξ k − M k . Si para todo ε positivo, se verifica la

condición llamada de Lindeberg:
n
dFk ( x ) = 0
1
lim
n→∞ S 2
∑ ∫x
k =1 x > S n
2
(4.3)
n ε

∑ (ξ − Mk )
se tiene lim P(α * < x ) = Φ (x )
k
entonces para α = *
n
k =1

Sn n →∞

57
De la condición (4.1) se deduce (4.3), en efecto
∞ 3
n
1 ⎛ Kn ⎞
x dFk (x ) ≤ 3 ∫−∞ x dFk (x ) = ε ⎜⎜⎝ S n
1 1
∑ ∫ ⎟⎟
2 3

S n2 k =1 x > εS n εS n ⎠
Ya que
n n
x 2 εS n n

∫ x dFk (x ) = dFk (x ) = 3 dFk ( x )

1 1 1
S n2
∑ k =1 x >εS n
2

S n2
∑ ∫
k =1 x > S n εS n εS n
∑ ∫ x εS
k =1 x > S n
2
n
ε ε
n n
x dFk ( x ) = dFk ( x )
1 1
< ∑ ∫x ∑x
2 3

εS n3 εk =1 x > S n εS n3 k =1

n ∞
dFk ( x )
1
≤ 3 ∑∫x
3

εS n k =1 − ∞

∞ 3
n
Veamos ahora que ∑∫x dFk ( x ) = K n3
k =1 − ∞

Ya definimos

K n = 3 H 13 + ... + H n3 ⇒ K n3 = H 13 + ... + H n3 = E ξ1 − M 1 ( 3
)+ ... + E (ξ n − Mn
3
)
∞ ∞
= ∫ ξ1 − M 1 dF1 (x ) + ... ∫ ξ n − M n dFn (x )
3 3

−∞ −∞
n ∞ n ∞
= ∑ ∫ ξ k − M k dFk ( x ) = ∑ ∫x dFk ( x )
3 3

k =1 − ∞ k =1 − ∞

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 ϕ k (t ) es la Función Característica de η k = ξ k − M k entonces

⎛ t ⎞ ⎛ itx ⎞ ∞ itx
⎟⎟ = E ⎜ e S n ⎟ = e sn dF ( x )
⎟ −∫∞
ϕ k ⎜⎜ (4.4)
⎝ Sn ⎠ ⎜ k
⎝ ⎠
Necesitamos el lema elemental siguiente:

(iu ) j
k
k −1 u
LEMA: Para u real y k=1, 2,… se tiene e − ∑ iu
≤
j =0 j! k!

La demostración la haremos por inducción, en efecto probaremos que vale para k=1
u u
e − 1 = 2[1 − cos(u )] = 2 ∫sen(v )dv ≤2 ∫v dv = u 2
iu 2
1.
0 0

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 2 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 u

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

0
0

Vale que
u u
v2 u
e - 1 = 2[1 - cos(u )] = 2 ∫sen(v )dv ≤2 ∫v dv = 2
2
iu
= u2
0 0
2 0

Esto significa que vale para k=1.

2. Supongamos que vale para k, es decir

(iu ) j
k +1
k u
e −∑iu
≤
j =0 j! k!

Y probemos que vale para k+1.

Antes de ello observemos que:

e iu ─ ∑
k
(iu ) j u
⎡ k −1
= ∫ i ⎢e iv − ∑
(iv ) j ⎤ dv
⎥
j =0 j! 0 ⎣ j =0 j! ⎦

Puesto que
u
⎡ iv k─ 1 (iv ) j ⎤ u k─ 1 j +1 u
i e iv u k─ 1 i j +1 v j +1 u
i ⎢ e ∑
∫0 ⎣ j =0 j! ⎦ ∫0
− ⎥ dv =i e iv
dv − ∑
j = 0 j! 0
∫ v j
dv = i −∑
i 0 j =0 j! j + 1 0
k─ 1 j +1 j +1
i v
= e iu − e 0 − ∑
j = 0 ( j + 1)!

Si llamo m=j+1

e −1− ∑
i mvm k
= e iu − 1 − ∑
k
(vi ) = e iu − k (vi ) m m
iu

m =1 m! j = 0 m!
∑
m = 0 m!

Vamos ahora con la prueba para k+1

59
 (iu ) j (iv ) j (iv ) j dv = u v dv = u v k +1 dv
k +1
k
⎛ u k ⎞ u k
e ─∑iu
≤∫ i⎜⎜ e iv ─ ∑ ⎟dv ≤ ∫ e iv ─ ∑
⎟ ∫0 k! ∫0 k!
j =0 j! 0 ⎝ j =0 j! ⎠ 0 j =0 j!
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 válido para k+1. Así es válido para todo k, por lo que el lema queda demostrado.
Se tiene pues, desarrollando por Taylor alrededor de x=0:

itx (it ) x 2
itx 2
(1) itx t 2 x 2
e Sn
= 1+ + + rk = 1 + − + rk(1) (4.5)
1! S n 2! S n
2
S n 2S n 2

Si usamos el lema probado anteriormente podemos escribir:

j k +1
⎛ itx ⎞ tx
⎜ ⎟
k −1 ⎜ S ⎟
itx
S
e Sn −∑⎝ n ⎠ ≤ n
j =0 j! k!

Si k=3
j 3
⎛ itx ⎞ tx
itx ⎜⎜ ⎟⎟
S S
−∑⎝ n ⎠ ≤ n
2
Sn
e (4.6)
j =0 j! 3!

Es decir
3 j 3
tx ⎛ itx ⎞ itx
⎜ ⎟
2 ⎜S ⎟
itx
Sn S
− ≤e Sn
−∑⎝ n ⎠ ≤ n
3! j =0 j! 3!
3 j 3 j
tx ⎛ itx ⎞ tx ⎛ itx ⎞
⎜ ⎟ ⎜ ⎟
2 ⎜S ⎟ 2 ⎜S ⎟
itx
Sn S
− + ∑ ⎝ n ⎠ ≤ e Sn ≤ n +∑⎝ n ⎠
3! j =0 j! 3! j =0 j!
Sea ahora ε > 0 . Separemos la integral (4.4) en dos partes
itx − εS itx εS itx itx
⎛ t ⎞ ∞ Sn n n ∞
ϕ k ⎜⎜ ⎟⎟ = ∫ e dFk ( x ) = ∫ e dFk (x ) + ∫ e dFk ( x ) + ∫ e S n dFk ( x )
Sn Sn

⎝ Sn ⎠ −∞ −∞ −εs n εS n
εS n itx itx

= ∫ε e
Sn
dFk ( x ) + ∫ε e
Sn
dFk ( x )
− Sn x > Sn

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

60
 itx (it ) x 2
εS n itx εS n
⎛ 2
(1) ⎞
∫ e dFk ( x ) =
Sn
∫ ⎜ 1 +
⎜ 1! S + + r1
⎟dFk (x )
⎟
−εS n −εS n ⎝ n 2! S n
2
⎠
εS n εS n εS n
it t2
= ∫ 1dFk (x ) + ∫ xdFk (x ) − ∫ε x dFk ( x ) + Rk(1)
2

−εS n
Sn −εS n 2S n2 − Sn

Usando el lema
⎡ tx 3
⎛ itx ⎞
j
⎤
⎢ ⎜ ⎟ ⎥
εS n itx εS n 2 ⎜S ⎟
⎢ Sn ⎥
∫ e Sn
dFk ( x ) ≤ ∫ ⎢− 3! +∑⎝ n ⎠ ⎥ dFk ( x ) =
−εS n ⎢
j!
−εS n j =0
⎥
⎢ ⎥
⎣ ⎦
3
t
εS n εS n εS n εS n
it t2 Sn
= ∫ dFk ( x ) + ∫ k ( ) − ∫x dFk ( x ) − ∫x dFk (x )
3
xdF x 2

−εS n
Sn −εS n 2S n2 ε
− Sn
3! ε
− Sn

Por lo tanto vale que

3 εS
t 1 n 3
(1)
x dFk ( x )
3! −ε∫S n
Rk ≤−
Sn

Tomando valor absoluto en ambos miembros

εS
t εS n 3 εS n
3 3 3 3
t 1 n 3 t x
(1)
( ) ( ) dFk ( x )
3! −ε∫S n S n 3! −ε∫S n 3! S n −ε∫S n εS n
Rk ≤ − x dFk x ≤ x dFk x = ε
Sn 3 2

Como x < εS n vale que

3 εS n 3 3 ∞ 3
t x t t
Rk ≤ (1)
ε ∫ dFk ( x ) ≤ ∫x dFk ( x ) =
2
Dk2
3! S 2
n − Snε εS n 3! S 2
n −∞ 3! S 2
n

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

itx
itx
e Sn
= 1+ + rk(2 ) (4.7)
1! S n
Usando el lema para k=2, podemos escribir:
2
⎛ itx ⎞ tx
⎜ ⎟⎟
itx 1 ⎜
S S
e Sn
−∑⎝ n ⎠ ≤ n (4.8)
j =0 j! 2!

Analicemos ahora la segunda integral, por (4.7)

itx
⎛ itx ⎞ it
∫ε e
Sn
dFk ( x ) = ∫ε
⎜⎜1 + + rk(2 ) ⎟⎟dFk ( x ) = ∫ε dF (x ) + 1!S ∫ε xdF (x ) + R
k k
(2 )
k
x > Sn x > Sn ⎝
1!S n ⎠ x > Sn n x > Sn

61
Usando (4.8) vale que
⎡ ⎛ itx ⎞ tx 2 ⎤
itx ⎢ 1 ⎜⎜ ⎟⎟ ⎥
⎢ ⎝ Sn ⎠ Sn ⎥
∫ e dFk (x ) ≤ x >∫εS ⎢∑ + ⎥dFk (x )
Sn

n ⎢
= j! 2!
x > εS n j 0
⎥
⎢⎣ ⎥⎦
2
it t
= ∫ dFk ( x ) + ∫ ( ) + ∫ x dFk (x )
2
xdFk x
x > εS n
1!S n x > εS n
S n 2! x >εS n
2

Por lo tanto
2
t
dFk ( x )
2
R ≤ ∫ε x
2
k
2!S n2 x > Sn

Tomando valor absoluto en ambos miembros vale que:

2 2
t t
(2 )
( ) x dFk (x )
2
≤ ∫ ≤ ∫
2
Rk x dFk x
2! S n2 x >εSn
S n 2! x >εSn
2

Usando los desarrollos de Taylor hechos anteriormente podemos escribir que:

εS itx itx
⎛ t ⎞ n

ϕ k ⎜⎜ ⎟⎟ = ∫ e S n dFk (x ) + ∫e
Sn
dFk ( x )
⎝ S n ⎠ − εS n x > εS n
εS n εS εS
it n t2 n 2
= ∫ dFk ( x ) + ∫ x dFk ( x ) − ∫ x dFk ( x ) + Rk(1)
− εS n
S n1! −εS n S n 2!−εS n
it
+ ∫ε dFk ( x ) + ∫ε xdF (x ) + R
k
(2 )
k
x > Sn
Sn x > Sn

∞ ∞ εS
it t2 n

= ∫ dFk ( x ) + ∫ xdFk ( x ) − ∫ x 2 dFk ( x ) + Rk(1) + Rk(2 )

−∞
S n −∞ S n 2! − εS n

∞
Como
−∞
∫ dF (x ) = 1 ,
k además E (η k ) = E (ξ k − M k ) = E (ξ k ) − M k = M k − M k = 0 , y

εS n

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

εt
3 2
⎛ t ⎞ t2 t
ϕ k ⎜⎜ ⎟⎟ = 1 − Dk2 + Rk(3 ) donde Rk(3) = Rk(1) + Rk(2 ) ≤ D 2
k + ∫ε x
2
dFk ( x )
⎝ Sn ⎠ S n 2! 6S n2 2S n2 x > Sn

máxDk
Demostremos que la condición de Lindeberg implica lim 1≤ k ≤ n
=0
n→∞ Sn
En efecto

62
 ∞
D =2
k ∫x
2
dFk ( x ) = ∫ε x 2 dFk ( x ) + ∫ε x
2
dFk ( x )
−∞ x ≤ Sn x > Sn

Como x ≤ εS n ⇒ x 2 ≤ (εS n ) ⇒ x 2 ≤ ε 2 S n2 entonces vale que:

2

∞ ∞

∫ x dFk (x ) ≤ ∫ ε S n dFk (x ) ≤ ∫ ε S n dFk (x ) = ε S n ∫ dFk (x ) = ε S n

2 2 2 2 2 2 2 2 2

x ≤εS n x ≤εS n −∞ −∞

Además
n

∫ε x 2 dFk ( x ) ≤ ∑ ∫ε x
2
dFk ( x )
x > Sn k =1 x > S n

Luego
n
Dk2 ≤ ε 2 S n2 + ∑ ∫ε x
2
dFk ( x )
k =1 x > S n

Si vale para todo k, entonces

n
máx Dk2 ≤ ε 2 S n2 + ∑ ∫ε x
2
dFk ( x )
1≤ k ≤ n
k =1 x > S n

Si dividimos ambos miembros de la desigualdad por S n2

máx Dk2 n
dFk ( x )
1
1≤ k ≤ n

S 2
≤ε2 +
S n2
∑ ∫x
k =1 x > S n
2

n ε

Tomando límite superior en ambos miembros

máx Dk2 ⎡ n ⎤
dFk ( x )⎥ = ε 2 + 0 = ε 2
1
lim sup 1≤ k ≤ n 2
n →∞ Sn
≤ lim sup ⎢ε 2 + 2
n →∞ ⎢ Sn
∑ ∫x 2

⎥⎦
⎣ k =1 x > S n
ε

Tomando raíz cuadrada en ambos miembros

máx Dk2
lim sup 1≤ k ≤ n 2 ≤ ε2 =ε
n →∞ Sn

Usando propiedades del límite podemos escribir:

máx Dk2 máx Dk2 máxDk2 máx Dk2

1≤ k ≤ n
lim sup 1≤ k ≤ n 2 ≤ lim sup 1≤ k ≤ n
= lim sup = lim sup 1≤ k ≤ n

n →∞ Sn n →∞ S 2
n
n →∞
S 2
n
n→∞ Sn
máx Dk
= lim sup 1≤ k ≤ n ≤ε
n→∞ Sn

máxDk
Como ε > 0 se puede tomar arbitrariamente pequeño resulta que: lim 1≤ k ≤ n
=0
n→∞ Sn
63
Elijamos ahora n0 (ε ) tal que n ≥ n0 (ε ) se tenga

n máxDk
∫ x dFk (x ) < ε y
1
S n2
∑k =1 x >εS n
2 1≤ k ≤ n

Sn
<ε

1 1 t 2 Dk2
Sea además ε < , luego ≤ 1 − ≤1
t 2 2S n2

En efecto
máxDk máx Dk2 1
1≤ k ≤ n
<ε ⇒ 1≤ k ≤ n
<ε2 <
Sn S 2
n t2

Sea 1 ≤ k ≤ n , n ≥ n0 (ε )

Dk2 1 Dk2 1 t 2 Dk2 1 t 2 Dk2 1

≤ ⇒ ≤ ⇒ ≤ ⇒ 0 ≤ ≤
S n2 t 2 2S n2 2t 2 2 S n2 2 2 S n2 2
Multiplicando por -1 y sumando 1 en todos los miembros de la desigualdad resulta:
1 t 2 Dk2 1 t 2 Dk2
− ≤− ≤ 0 ⇒ ≤ 1 − ≤1
2 2S n2 2 2S n2
Utilizando la siguiente identidad
n n n ⎛ ⎞⎛ ⎞
∏ (a k + bk ) − ∏ a k = ∑ b j ⎜⎜ ∏ a k ⎟⎟⎜⎜ ∏ (a k + bk )⎟⎟
k =1 k =1 j =1 ⎝ k < j ⎠⎝ j < k ⎠
Escogiendo
t 2 Dk2
ak = 1 −
2 S n2

bk = Rk(3 )

t 2 Dk2 (3 ) ⎛ t ⎞
Luego a k + bk = 1 − + R k = ϕ ⎜⎜ ⎟⎟
2 S n2 ⎝ Sn ⎠
Y sustituyendo por 1 un producto vacío podemos escribir:
n
⎛ t ⎞ n ⎛ t 2 Dk2 ⎞ n (3 )
∏ ϕ ⎜⎜ ⎟⎟ − ∏ ⎜⎜1 − ⎟ = ∑ Rk
⎟
k =1 ⎝ Sn ⎠ k =1 ⎝ 2 S n2 ⎠ k =1
Tomando valor absoluto en ambos miembros resulta:
n
⎛ t ⎞ n ⎛ t 2 Dk2 ⎞ n n

∏ ϕ ⎜⎜
k =1 ⎝ S n
⎟⎟ − ∏ ⎜⎜1 −
2 S n2
⎟=
⎟ ∑ R( ) ≤ ∑ R( )
k
3
k
3

⎠ k =1 ⎝ ⎠ k =1 k =1

Probemos ahora que

64
 n ⎛t3 ⎞
∑R (3 )
≤ ε⎜ + t2 ⎟
k
⎜ 6 ⎟
k =1
⎝ ⎠
Sabemos que:

εt
3 2
t
Rk (3 )
≤ D +
2
k ∫x
2
dFk (x )
6S 2
n 2S 2
n x >εS n

Sumando en ambos miembros entre 1 y n vale que:

n ⎛ε t 3
n t
2
⎞ t 3ε n
t2 n
∑ Rk (3 )
≤∑ ⎜ Dk + 2 ∫ x dFk ( x )⎟ =
2 2
∑ Dk2 + ∑ ∫ε x
2
dFk (x )
⎜ 6 S 2
2S n x >εS n ⎟ 6 S n2 S n2 k =1
k =1 k =1
⎝ n ⎠ k =1 x > Sn

t ε
3
⎛t 3
⎞
< + t 2ε = ε ⎜ + t2 ⎟
6 ⎜ 6 ⎟
⎝ ⎠
1
La desigualdad e − x − 1 + x ≤ x 2 , para x ≤ y la identidad usada anteriormente implican
2
t 2 Dk2
n
⎛ t 2 Dk2 ⎞ n − 2 S n2 n
t 4 Dk4 t 4 ε 2
∏ ⎜⎜1 − ⎟⎟ − ∏ e ≤∑ ≤
k =1 ⎝ 2S n2 ⎠ k =1 k =1 4 S n
4
4

Escogiendo
t 2 Dk2
−
2 S n2
ak = e
t 2 Dk2
−
t 2 Dk2 2 S n2
bk = 1 − − e
2Sn 2

Utilizando nuevamente la identidad podemos escribir

n ⎛ ⎞
2 2 2 2
t Dk t Dk
n
⎛ t 2 Dk2 ⎞ n − 2 S n2 ⎜ t 2 Dk2 −
⎟
∏ ⎜⎜1 − ⎟ − ∏e = ∑ ⎜1 −
2

2 ⎟
− e 2Sn ⎟⎟
2S n ⎠ k =1 k =1 ⎜ 2Sn 2
k =1 ⎝
⎝ ⎠
Tomando valor absoluto en ambos miembros
t 2 D k2 ⎛ ⎞
2 2 2 2
t Dk t Dk
n
⎛ t 2 Dk2 ⎞ n − 2 S n2 n
⎜ t Dk
2 2 −
⎟
n
t 2 Dk2 − n
t 4 Dk4
∏ ⎜⎜1 −
k =1 ⎝
⎟ − ∏e
2 S n2 ⎟⎠ k =1
= ∑
k =1
⎜⎜1 − 2 S 2 − e
2 S n2
⎟⎟ ∑
≤
k =1
1 −
2 S n2
− e 2 S n2
≤ ∑
k =1 4 S n
4
⎝ n
⎠
máx Dk máx Dk2 Dk2
Como 1≤ k ≤ n
<ε ⇒ 1≤ k ≤ n
<ε ⇒ <ε
Sn S n2 S n2
Podemos escribir que
t 2 Dk2
n
⎛ t 2 Dk2 ⎞ n − 2 S n2 n
t 4 Dk4 t 4 ε 2
∏ ⎜⎜1 − ⎟⎟ − ∏ e ≤∑ ≤
k =1 ⎝ 2S n2 ⎠ k =1 k =1 4 S n
4
4

65
 n
t 2 Dk2 t2
n − − ∑ Dk2 −
t2
Además ∏e k =1
2 S n2
=e 2 S n2 k =1
=e 2

Por lo probado anteriormente podemos escribir:

t 2 Dk2
⎛ t ⎞ n − 2 S n2 ⎛ t ⎞ − t2
2
n n

∏ ϕ ⎜⎜
k =1 ⎝ S n
⎟⎟ − ∏ e = ∏ ϕ k ⎜⎜ ⎟⎟ − e
⎠ k =1 k =1 ⎝ Sn ⎠
⎛ t ⎞ n ⎛ t 2 Dk2 ⎞ n ⎛ t 2 Dk2 ⎞ − t2
2
n
= ∏ ϕ k ⎜⎜ ⎟⎟ − ∏ ⎜⎜1 − ⎟⎟ + ∏ ⎜⎜1 − ⎟⎟ − e
k =1 ⎝ Sn ⎠ k =1 ⎝ 2S n2 ⎠ k =1 ⎝ 2S n2 ⎠
Tomando valor absoluto
t 2 Dk2
⎞ n ⎛ t 2 Dk2 ⎞ n ⎛ t 2 Dk2 ⎞ − t2
2
n
⎛ t ⎞ n − 2 S n2 n
⎛ t
∏ ϕ ⎜⎜
k =1 ⎝ S n
⎟⎟ − ∏ e = ∏ ϕ k ⎜⎜ ⎟⎟ − ∏ ⎜⎜1 − ⎟ + ∏ ⎜1 −
⎟ ⎜
⎟−e
⎟
⎠ k =1 k =1 ⎝ Sn ⎠ k =1 ⎝ 2 S n2 ⎠ k =1 ⎝ 2 S n2 ⎠

⎛ t ⎞ n ⎛ t 2 Dk2 ⎞ ⎛ t 2 Dk2 ⎞ − t2
2
n n
≤ ∏ ϕ k ⎜⎜ ⎟⎟ − ∏ ⎜⎜1 − ⎟+
⎟ ∏ ⎜1 −
⎜
⎟−e
⎟
k =1 ⎝ Sn ⎠ k =1 ⎝ 2 S n2 ⎠ k =1 ⎝ 2 S n2 ⎠
⎛t3 ⎞ t 4ε 2
< ε⎜ + t2 ⎟ +
⎜ 6 ⎟ 4
⎝ ⎠
Como ε > 0 se puede elegir arbitrariamente pequeño, implica tomando límite para n → ∞ , luego

⎛ t ⎞
( )
2
n t
−
lim ∏ ϕ k ⎜⎜ ⎟⎟ = lim E e itα = e 2
*
(4.9)
n→∞
k =1 ⎝ Sn ⎠ n →∞
En virtud del Teorema 3.2 de la Sección 3, nuestro teorema queda demostrado.
La convergencia en (4.9) es incluso uniformemente en todo intervalo finito t ≤ T .

Cuando las ξ k tienen la misma distribución, con desvío estándar finita D , se tiene:

Fk ( x ) = F ( x ) con k=1,…, n,…

∞

∫x
2
dF ( x ) = D 2
−∞

Sn = D n
De donde
n
dFk (x ) = lim n ∫ x 2 dF ( x ) = 0
1 1
lim
n→∞ S 2
∑ ∫x
k =1 x > S n
2
n →∞ nD x > D n
2
n ε

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 ∫x
2
dF ( x ) existir,
−∞

∞ ∞
dF ( x ) = ∞ e incluso que sea dF ( x ) = ∞ para todo β > 2 .
β
∫x ∫x
3
pero
−∞ −∞

Notemos también que Lindeberg demostró primeramente su teorema por otro método, al estudiar
directamente la composición de las distribuciones.
La condición de Lindeberg es necesaria en el sentido en que W. Feller ha indicado, a saber:
ξ1 , ξ 2 , ...., ξ n ,... son variables aleatorias independientes, de esperanza matemática finita y
desviación típica finita, si Fk ( x ) es la función de distribución acumulada de ξ k − E (ξ k ) y si

(α n − An )
α n = ξ1 + ξ 2 + ... + ξ n , An = E (ξ n ) , S n = D(α n ) y α * = , se tiene
Sn

lim P (α n* ≤ x ) = Φ ( x ) y
n →∞

n→∞
(
lim P máx ξ k − E (ξ k ) > εS n = 0
1≤ k ≤ n
) (4.10)

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

Cuando (4.10) es cierta resulta de la condición de Lindeberg en razón de la desigualdad

(
1≤ k ≤ n
) n
P máx ξ k − E (ξ k ) > εS n ≤ ∑ P( ξ k − E (ξ k ) > εS n ) ≤
k =1
1 n
∑
ε 2 S n2 k =1 ∫ε x
2
dFk (x )
x > Sn

ξ k − E (ξ k )
La condición de Lindeberg implica, pues, que en cierto sentido las variables son
Sn
“uniformemente pequeñas” con una gran probabilidad.

67
 SECCIÓN 5
Aplicaciones

Por resultados teóricos se sabe que si la Función Característica de cierta variable aleatoria es
∞
ϕ Y (t ) = ∫e
iyt
dF(y )
−∞

Entonces su función de densidad esta dada por:

+∞
f Y (y ) = e −ity ϕ Y (t )dt
1
∫
2π − ∞

Por la fórmula de Inversión de la Función Característica.

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

Supongamos que el radio A es constante y ϕ una variable aleatoria con distribución Uniforme en
[0, π] .
Además se conoce que la Función Característica de X es:
π
ψ X (t ) = ∫ e itACos(Θ )dt = J 0 (At )
1
π0

Por el Teorema de Inversión se obtiene que

68
 ⎧ 1
+∞
⎪ para x < A
f X (x ) = ( )
1
2π −∫∞
−itx
e J 0 At dt = ⎨ π A 2
− x 2

⎪0
⎩ en otro caso

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

Es importante decir que se pueden calcular la función de densidad de distribución de X
mediante transformación de variable aleatoria, aquí se descarta este procedimiento para mostrar
la utilidad de la Función Característica. Además en algunos casos la transformación de variables
aleatorias puede resultar un cálculo engorroso.
De esta manera se dan todas las posibles soluciones al problema de encontrar la función
de densidad de distribución de X .

69
 Conclusiones y futuras investigaciones

La Función Característica es la esperanza matemática de una variable aleatoria compleja,

desempeña un papel importante en el cálculo de probabilidades, como instrumento analítico para
calcular la distribución de una suma de variables aleatorias y para las demostraciones de los
Teoremas Centrales del Límite.
La Función Característica de una variable aleatoria define la distribución de probabilidad
de dicha variable aleatoria. Toda función de distribución tiene una Función Característica porque
la integral de Stieltjes siempre existe, mientras que no ocurre lo mismo con la función
generadora de momentos, que es la herramienta análoga en los reales.
La Función Característica es un caso especial de la teoría general de la Transformada de
Fourier, ya que la Función Característica, es la Transformada de Fourier con el signo cambiado.
La Función Característica, permite determinar la distribución de una suma de variables
aleatorias independiente fácilmente mediante el producto de sus Funciones Características. Así
evitar el engorroso cálculo de las convoluciones de las funciones de distribuciones marginales.
Sin embargo, el impacto mayor de la Función Característica, en la teoría de
probabilidades, facilita la demostración del resultado más importante de ella: el Teorema Central
del Límite. El método de las Funciones Características fue introducido, a tal fin, por Lyapunov
en 1904 para la demostración del Teorema Central del Límite que hoy lleva su nombre. La
versión definitiva de este teorema fue obtenida posteriormente por Lindeberg.
Este trabajo ha permitido leer diferentes libros de Teoría de Probabilidad, como el
Lamperti (1966), Lehmann (1970) entre otros, y analizar cuán complicadas son algunas
demostraciones del Teorema Central del Límite no clásico al no utilizar esta valiosa herramienta,
aunque no básica, del análisis funcional.
Entre las posibles investigaciones a futuro se pueden citar el estudio de: Propiedades que
caracterizan a la distribución Normal o Gaussiana a partir de la Función Característica, la
Función Característica de una distribución condicional, la Función Característica para el caso
multivariado, entre otros.

70
Bibliografía:
• Renyi, A. (1978). Teoría de Probabilidades. Reverté.
• Churchil, Ruel V. (1990). Variable compleja y aplicaciones. McGraw Hill.
• Parzen, Emanuel (1973). Teoría 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). Teoría y problemas de análisis de Fourier. Serie Shaum. Editorial
McGraw Hill.

71