Professional Documents
Culture Documents
kr
= E{(X-
X
)
k
(Y-
Y
)
r
} (momento centrado)
La funcin caracterstica es, salvo por un signo, la transformada de Fourier de la fdp. Se define:
!(") = E(e
j"X
) = e
j"x
f(x)dx
#$
+$
%
En el caso discreto:
!(") = E(e
j"X
) = e
j"x
i
P(X = x
i
)
#i
$
CSA. Esperanzas y funcin caracterstica 11
Obs: La funcin caracterstica existe siempre, es decir, siempre se puede calcular la integral o
la serie.
Sus principales propiedades son:
1) '(0)=1
2) |'(()| " 1
3) Si Y = aX+b, entonces '
Y
(() = e
j(b
'
X
(a()
4) Si f(x) es par entonces '(() es par y real
Ejercicio 4.4: Demuestra las propiedades 2) y 3)
La funcin caracterstica identifica de modo nico una VA debido a la frmula de inversin:
f(x) =
1
2!
e
"j#x
$(#)d#
"%
+%
&
La frmula de inversin, derivada de la transformada inversa de Fourier, permite identificar de
forma nica la fdp de una VA. Es decir, dos VA con funciones caractersticas iguales, tienen
funciones de densidad iguales.
Un resultado de especial inters es el teorema de los momentos:
Si existe m
n
, el momento de orden n, entonces:
!
d
n
"(#)
d#
n
#=0
= j
n
m
n
La demostracin se basa en el desarrollo en serie de potencias de una funcin exponencial:
e
j!X
=
(j!x)
k
k!
k=0
"
#
Por tanto:
!(") = e
j"x
f(x)dx
#$
+$
%
=
(j")
k
k!
x
k
f(x)dx
#$
+$
%
k=0
$
&
=
( j")
k
k!
m
k
k=0
$
&
Por otro lado, haciendo el desarrollo en serie de potencias de '(() en torno a (
0
= 0:
!(") =
!
( k)
(0)
k!
"
k
k=0
#
$
Dado que el desarrollo en serie de potencias es nico, se obtiene el resultado.
La demostracin de este resultado nos permite, a travs de los momentos de una VA,
reconstruir su funcin caracterstica o, equivalentemente, su transformada de Fourier. Esto ser
especialmente til en el caso de la distribucin normal. El teorema nos proporciona tambin una
herramienta para el clculo de los momentos de una VA a partir de su funcin caracterstica.
Utilizaremos este mtodo para calcular la media y varianza de las distribuciones binomial,
geomtrica y de Poisson.
12 Departamento de Teora de la Seal y Comunicaciones. Universidad de Vigo
Ejemplo 4.11: Calcula la funcin caracterstica, la media y la varianza de una Bi(n,p)
Ejercicio 4.5: Calcula la funcin caracterstica, la media y la varianza de una P())
CSA. Esperanzas y funcin caracterstica 13
Ejemplo resuelto 4.3: Clculo de la funcin caracterstica, la media y la varianza de una Geo(p)
P(X=k)=q
k-1
p; k=1,2,3, y q=1-p
!
"(#) = e
j#k
q
k$1
p
k=1
%
&
=
p
q
(qe
j#
)
k
k=1
%
&
=
p
q
qe
j#
1$qe
j#
= p(e
$j#
$q)
$1
__________________
!
"' (#) = $p(e
$j#
$q)
$2
e
$j#
($j) = jpe
$j#
(e
$j#
$q)
$2
!
"' (0) = jp(1#q)
#2
= jpp
#2
=
j
p
!
Por tanto E(X) =
"' (0)
j
=
1
p
__________________
Calculamos la segunda derivada:
!
"' ' (#) = jp{$je
$j#
(e
$j#
$q)
$2
+ e
$j#
[$2(e
$j#
$q)
$3
($je
$j#
)]}
!
"' ' (0) = jp{#j(1#q)
#2
+[2j(1#q)
#3
]} = j
2
p[
#1
p
2
+
2
p
3
] = j
2
2 #p
p
2
!
Por tanto E(X
2
) =
"' ' (0)
j
2
=
2 #p
p
2
!
Ahora Var(X) = E(X
2
) "E
2
(X) =
2 "p
p
2
"
1
p
2
=
1"p
p
2
Ejemplo resuelto 4.4: Clculo de la funcin caracterstica de una VA N(,!)
Obs: En una N(0,1) se verifica que m
2k-1
= 0 y m
2k
= (2k)! / [2
k
k!] para k=1,2,
Si X~N(,!) entonces X=!Y+ siendo Y~(0,1). Por ello, si calculamos la funcin
caracterstica de Y obtendremos la de X: '
X
(() = e
j(
'
Y
(!()
Calcularemos entonces la funcin caracterstica de una N(0,1). Como existen todos los
momentos podemos calcular el desarrollo en serie de potencias:
!
"
Y
(#) =
"
(i
(0)
i!
#
i
i=0
$
%
Por el teorema de los momentos:
'
(i
(0) = j
i
m
i
Por tanto:
!
"
Y
(#) =
j
i
m
i
i!
#
i
i=0
$
%
=
(j#)
2k
m
2k
(2k)!
k=0
$
%
=
(&#
2
)
k
(2k)!
(2k)!
2
k
k!
k=0
$
%
= &
#
2
2
'
(
)
*
+
,
k
1
k!
k=0
$
%
= e
&#
2
/ 2
De donde:
!
"
X
(#) = e
j#
"
Y
($#) = e
j#
e
%
$
2
#
2
2
= e
j#%
$
2
#
2
2
14 Departamento de Teora de la Seal y Comunicaciones. Universidad de Vigo
Def: Llamaremos funcin caracterstica conjunta de las variables X e Y a:
'
XY
((
1
,(
2
) = E{e
j((
1
X+(
2
Y)
}
La funcin caracterstica caracteriza de un modo nico una VA bidimensional, pues tambin
existe una frmula de inversin bidimensional.
Sus principales propiedades son:
1) Se pueden obtener las funciones caractersticas marginales como:
'
X
(() = '
XY
((,0); '
Y
(() = '
XY
(0,()
2) Si Z= aX+bY entonces '
Z
(() = '
XY
(a(, b()
3) Si Z= aX+bY y W=cX+dY entonces '
ZW
((
1
,(
2
) = '
XY
(a(
1
+c(
2
, b(
1
+d(
2
)
4) X e Y son independientes si y solo si '
XY
((
1
,(
2
) = '
X
((
1
)'
Y
((
2
)
5) La funcin caracterstica de la suma de dos VA independientes es el producto de las
funciones caractersticas marginales (Se deduce de las propiedades 2) y 4)). Esta propiedad se puede
considerar como la versin del teorema de convolucin en el dominio de la funcin caracterstica.
La convolucin de fdps se convierte en un producto de funciones caractersticas, lo cual, en
determinadas ocasiones, puede resultar ms fcil de calcular.
6) Teorema de los momentos. Si existe el momento de rdenes k y r, entonces:
!
k
!
r
"(#
1
, #
2
)
!#
1
k
!#
2
r
#
1
=0
#
2
=0
= j
(k+r )
m
kr
Ejemplo 4.12: Demuestra que la suma de dos VA normales independientes sigue una distribucin
normal.
CSA. Esperanzas y funcin caracterstica 15
Distribucin Parmetros Rango Media Varianza
Bernoulli p {0,1} p p(1-p)
Binomial n, p {0,1,2,...,n} np np(1-p)
Poisson ) {0,1,2,3,....} ) )
Geomtrica p {1,2,3,....} 1/p
(1-p)/p
2
Uniforme a, b (a,b) (a+b)/2
(b-a)
2
/12
Normal , ! (-#,+#)
!
2
Exponencial # (0,+#) 1/# 1/#
2
Rayleigh ! (0,+#) !(*/2)
1/2
!
2
(4-*)/2
En una N(0,1) se verifica que m
2k-1
= 0 y m
2k
= (2k)! / [2
k
k!] para k=1,2,
Tabla resumen de las medias y varianzas de las principales distribuciones
EJERCICIOS PROPUESTOS:
Esperanzas y varianzas. Cao. Problema 4.6. Pag. 181; Problema 4.12. Pag 198.
Esperanza y varianza. Li. Problemas de autoevaluacin 3.4. Pag. 140.
Varianza. Li. Problemas de autoevaluacin 3.2. Pag. 139.
Esperanza de funciones de una VA. Li. Problema 3.41. Pag. 135
Esperanza y esperanza condicionada. Stark. Problema 4.11. Pag. 220.
Esperanza y Correlacin. Li. Problema 4.15. Pag. 203..
Correlacin. Stark. Ejemplo 4.3.5. Pag 186
Covarianza e incorrelacin. Li. Ejemplos adicionales 4.27. Pag. 196.
Independencia e incorrelacin. Stark. Problema 4.18. Pag. 221
Regresin. Stark. Problema 4.16. Pag 221
Nota: Las referencias indicadas para los problemas son vlidas para la 2 edicin del Stark.
LECTURAS RECOMENDADAS:
Esperanzas y varianzas. Cao. Captulos 4.6 y 4.7.
Momentos y funcin caracterstica. Papoulis. Secciones 7.1 y 7.2 (2 y 3 ed.) o secciones 6.4 y
6.5 (4 ed.).
INFORMACIN Y DOCUMENTACIN ADICIONAL:
La documentacin de este tema se complementa con un boletn de problemas. En clases de
laboratorio se realizar una prctica de ordenador (prctica #6). Esta prctica dispone de un
enunciado que es recomendable leer antes de asistir al laboratorio.