Documente Academic
Documente Profesional
Documente Cultură
8.1 Funciones Generatrices de Momentos La funcin generatriz de momentos (f.g.m.) MX(t) de una v.a. X se define por MX(t) = E(e tX). El dominio de MX son todos los nmeros reales t, tales que E(e tX) existe (es decir, tal que etX tiene esperanza finita). Ejemplo 1. Si X est distribuida en forma normal con media y varianza 2. Entonces 2 2 1 MX (t) = E t tX = etx e-[(x- ) /2 ]dx - 2 2 2 1 = e t(y + ) e -[y /2 ] dy - 2 2 2 1 = e t e ty - [y /2 ] dy . - 2 2 y (y - 2 t)2 2 t 2 = + . Consecuentemente Ahora, ty 2 2 2 2 2
( )
MX (t) = e
1 t + 2 t 2 2
, si - < t < .
(1)
174
(2)
Ahora, supngase que X es una v.a. discreta, cuyos posibles valores son enteros no negativos. Entonces
MX (t) =
e
n =0
nt
P(X = n).
( ) t P(X = n).
n n =0
(3)
La frmula (3) nos permite determinar la f.g.m. directamente de la funcin generatriz de probabilidades. Por ejemplo, si X tiene una distribucin binomial con parmetros n y p, entonces, como se mostr en el Ejemplo 16 del Captulo 3, X(t) = (pt + 1 - p)n. De donde, se sigue inmediatamente que MX(t) = (pet + 1 - p)n Similarmente, si X tiene una distribucin Poisson con parmetro , entonces, de acuerdo con el Ejemplo 18 del Captulo 3, X(t) = e (t -1) . Consecuentemente MX(t) = e (e -1) .
t
Por supuesto, en estos dos ejemplos MX(t) puede obtenerse fcilmente en forma directa de la definicin de f.g.m.. Si X e Y son v.a.'s independientes, entonces etX y etY tambin son independientes. En consecuencia MX+Y(t) = E[et(X + Y)] = E(etXetY) = E(etX)E(etY) = MX(t)MX(t). Se sigue fcilmente que si X1,, X entonces
MX1 + + Xn (t) =
n
(M
X1
(4)
Suponiendo que MX(t) es finita sobre -t0 < t < t0, para algn nmero positivo t0. En este caso uno puede mostrar que en la ltima expresin para MX(t) se permite intercambiar el orden de la esperanza y la sumatoria. En otras palabras
175
MX (t) =
E(Xn ) n t , n! n =0
(5)
En particular, si MX(t) es finita para toda t, entonces (5) se cumple para toda t. La serie de Taylor (alrededor de 0) para MX(t) es MX (t) = t n dn n MX (t)|t =0 . n =0 n! dt
(6)
Ahora, comparando los coeficientes de tn en (5) y (6), vemos que E(Xn ) = dn MX (t)|t =0 . dt n (7)
Ejemplo 3. Sea X una v.a. distribuida en forma normal con media 0 y varianza 2. Use la f.g.m. para encontrar los momentos de X.
En principio, observe de (1) que
2 t 2 1 2n 2n = n t . MX(t) = e = n =0 2 n! n =0 2 n! As, todos los momentos de orden impar para X son cero, y los momentos de orden par estn dados por E(X 2n ) 2n (2n)! = n , o bien E(X 2n ) = n 2n . (2n)! 2 n! 2 n! Lo cual concuerda con el resultado obtenido en el Captulo 7.
2 t 2 2
Puesto que,
= 0, y d2 2t e dt 2
2 2
t d 2t e = 2 te 2 , dt
2 2 2 2
= ( + t ) e
2 4 2
2t 2 2
d 2t , se sigue que, e dt
2 2
= 2 , los cuales,
t =0
t =0
La funcin caracterstica (f.c.) de una v.a. X est definida como: X(t) = E(eitX), para - < t < , donde i = - 1 . Las funciones caractersticas son ligeramente ms complicadas que las funciones generatrices de momentos debido a que involucran nmeros complejos. Sin embargo, ellas tienen dos importantes ventajas sobre las funciones generatrices de momentos. Primera, son finitas para cualquier v.a. X y todo nmero real t. Segunda, la f.d. de la v.a. X, y generalmente la f.d.p., si sta existe, puede obtenerse de la funcin caracterstica por medio de una "frmula de inversin".
176
Usando las propiedades de las funciones caractersticas podremos probar la Ley Dbil de los Nmeros Grandes y el Teorema Central del Lmite, lo cual no podramos hacer con la f.g.m. Antes de discutir las funciones caractersticas, primero resumiremos brevemente algunos hechos que sern requeridos y que involucran variables complejas. Cualquier nmero complejo puede ser escrito como z = x + iy, donde x e y son nmeros reales. La magnitud o norma, |z|, de un nmero complejo, est definida por |z| = (x2 + y2)1/2. La distancia entre dos nmeros complejos z1 y z2 est definida como |z1 z2|. Si una funcin de variable real tiene una expansin en serie de potencias con radio de convergencia positivo, podemos usar esta serie de potencias para definir una zn correspondiente funcin de variable compleja. As, definimos: ez = , para cualquier n = 0 n! z1 + z2 z1 z2 nmero complejo z. La relacin: e = e e , es vlida para cualesquiera nmeros complejos z1 y z2. Tomando z = it, donde t es un nmero real, vemos que (it)n t 2 it 3 t4 it 5 + + eit = = (1 + it - ) 2 3! 4! 5! n =0 n! = (1 t2 t4 t3 t5 - ) + i(t + - ). + 2 4! 3! 5!
Puesto que, las dos series de potencias en la ltima expresin corresponden a las del Cos(t) y Sen(t), se sigue que eit = Cos(t) + iSen(t). Usando el hecho de que Cos(-t) = Cos(t) y Sen(-t) = - Sen(t), vemos que e-it = Cos(t) - iSen(t). De las frmulas anteriores podemos resolver para Cos(t) y Sen(t), obtenindose: eit + e- it eit e- it Cos(t) = , y Sen(t) = . 2 2i De (8) se sigue que | eit| = [Cos2(t) + Sen2(t)]1/2 = 1. Si f(t) y g(t) son funciones de valor real en t, entonces h(t) = f(t) + ig(t) define una funcin de valor complejo en t. Podemos diferenciar h(t), diferenciando f(t) y g(t) de forma separada; esto es: h'(t) = f'(t) + ig'(t), siempre que f'(t) y g'(t) existan. De forma semejante definimos: (9) (8)
b a
h(t) dt =
b a
177
compleja c. El teorema fundamental del clculo sigue siendo vlido y, en particular, si c b ecb -eca es una constante compleja diferente de cero, entonces: ect dt = . a c Una v.a. de valor complejo Z puede escribirse en la forma Z = X + iY, donde X e Y son v.a.'s de valor real. Su esperanza E(Z) est definida como: E(Z) = E(X + iY) = E(X) + iE(Y), siempre que, E(X) y E(Y) estn bien definidas. Exactamente como las v.a.'s de valor real, Z tiene esperanza finita si y slo si E(|Z|) < , en cuyo caso: |E(Z)| E(|Z|). La frmula: E(a1Z1 + a2Z2) = a1E(Z1) + a2E(Z2), es vlida siempre que a1 y a2 sean constantes complejas y, Z1 y Z2 sean v.a.'s complejas con esperanzas finitas. Supondremos que X e Y con o sin subndices, continan denotando v.a.'s de valor real. As, en la frase "sea X una v.a. . . .", se entiende que es una v.a. de valor real. Ahora, supngase que X es una v.a. y t es una constante (se reserva el smbolo t para denotar una constante real). Entonces, |eitX| = 1, as que eitX tiene esperanza finita y X tiene funcin caracterstica dada por: X(t) = E(eitX), si - < t < , la cual est bien definida. Vemos que: X(0) = E(e0) = E(1) = 1 y, si - < t < , |X(t)| = |E(eitX)| E(|eitX|) = E(1) = 1. La razn por la que la funcin caracterstica es finita para toda t, mientras que la f.g.m. no lo es, en general, se debe a que eit, para - < t < es acotada, en tanto que et, para - < t < no lo es.
Ejemplo 4. Si X es una v.a. que toma el valor a con probabilidad 1. Entonces
X(t) = E(eitX) = eita, para - < t < . En particular, si X toma el valor cero con probabilidad caracterstica es idnticamente igual a 1. 1, entonces su funcin
Si X es una v.a., y las constantes a y b son nmeros reales, entonces a+bX(t) = E[eit(a+bX)] = eitaE(eibtX), de donde, a+bX(t) = eitaX(bt), para - < t < . (10)
=
-1
1 eit -e-it 2 it
sen(t) . = t
Si
X=
tiene que
178
X (t) =
b a
eitx
1 dx. b-a
Es fcil comprobar por medio de (9) que estas dos respuestas coinciden.
Ejemplo 6. Si X tiene una distribucin exponencial con parmetro . Entonces
X (t) =
-( -it)x e -it
Puesto que,
lim
(e ) =
- x
X (t) =
. -it
Supngase que X e Y son v.a.'s independientes. Entonces eitX y eitY son tambin v.a.'s independientes; en consecuencia X+Y(t) = E[eit(X + Y)] = E(eitXeitY) = E(eitX)E(eitY), de donde X+Y(t) = X(t) Y(t), para - < t < . (11) La frmula (11) se extiende inmediatamente para producir el hecho de que la funcin caracterstica de la suma de un nmero finito de v.a.'s independientes es igual al producto de las funciones caractersticas de cada una de las v.a.'s que forman la suma. Puede mostrarse que X(t) es una funcin continua respecto a t. Adems, si X tiene n-simo momento finito entonces, (n) existe, es continua en t, y puede calcularse X (t) como (n) X (t) = En particular
n n (n) X (0) = i E(X ).
(12)
(13)
179
E(X n ) n t , es finita en -t0 < t < t0, n! n =0 (13) tambin se cumple en -t0 < t < t0. Supngase que, MX(t) =
Ejemplo 7. Supngase que X se distribuye en forma normal con media 0 y varianza 2. Encontrar X(t).
En el Captulo 7 se mostr que E(Xn) = 0 para cualquier entero positivo impar Adems, si n = 2k es un entero par, entonces E(Xn) = E(X2k) = Por lo que
i2kE(X 2k ) 2k X (t) = t = (2k)! k =0
t (- 2 t 2 /2)k =e 2 . k! k =0
2 2
n.
2k (2k)! . 2 k k!
De forma ms general, si X se distribuye normalmente con media y varianza 2. Entonces Y = X - se distribuye en forma normal con media 0 y varianza 2. Puesto que X = + Y vemos de la Frmula (10) y el Ejemplo 7 que
X (t) = e e
it 2 t 2 2
, si - < t < .
(14)
Sea X una v.a. cuya f.g.m. MX(t) es finita en -t0 < t < t0 para algn nmero positivo t0. Puesto que MX(t) = E(etX) deberamos esperar que X(t) = MX(it). (15) En otras palabras, esperaramos que si reemplazamos t por it en la frmula para la f.g.m., obtendremos la frmula correspondiente para la funcin caracterstica. Realmente este es el caso, pero un entendimiento profundo de las ideas que contiene requiere de un concepto (extensin analtica) sofisticado de la teora de variable compleja. Como un ejemplo de (15), si X se distribuye normalmente con media y varianza 2. Entonces, como ya hemos visto
MX (t) = e e
t 2 t 2 2
X(t) = E(eitX),
y de donde
MX (it) = e
(it)
2 (it)2 2
=e e
it
2 t 2 2
180
X (t) =
e
-
ijt
fX (j).
Una de las propiedades ms tiles de X(t) es que puede usarse para calcular fX(k). Especficamente tenemos la "frmula de inversin"
fX (k) =
(16)
f
-
(j)
1 i(j-k) t e dt. 2 -
Para tener completa la demostracin de (16) debemos probar que la ltima expresin es igual a fX(k). Para hacer esto es suficiente mostrar que
1, si j = k, 1 i(j-k) t e dt = 2 - 0, si j k.
(17)
La frmula (17) es obvia cuando j = k, pues en este caso ei(j - k)t = 1 para toda t. Si j k, entonces ei(j-k) t 1 ei(j-k) -e-i(j-k) sen[(j-k)] - i(j-k) t e dt = = = = 0, (j-k) 2 2i(j-k) 2i(j-k) puesto que: sen(m) = 0, para todo entero m. Esto completa la demostracin de (17) y por lo tanto tambin de (16).
Ejemplo 8. Sean X1, X2, , Xn v.a.'s independientes, idnticamente distribuidas y de valor entero, y sea Sn = X1 + + Xn. Entonces S (t) = ( X (t) ) n , y consecuentemente por (16)
n 1
fSn (k) =
1 -ikt e X1 (t) 2 -
dt.
(18)
181
La frmula (18) es la base para casi todos los mtodos en el anlisis del comportamiento de fS (k) para valores grandes de n, y en particular, la base para la demostracin del
n
Teorema Central del Lmite "local" tratado en el Captulo 7. Tambin existe un resultado anlogo al de (16) para v.a.'s continuas. Sea X una v.a. cuya funcin caracterstica X(t) es integrable, esto es,
-
| X (t) | dt < .
Puede
mostrarse que en este caso X es una v.a. continua que tiene una densidad fX dada por fX (x) = 1 -ixt e X (t) dt. 2 - (19)
Ejemplo 9. Sea X una v.a. normalmente distribuida con media 0 y varianza 2. Mostraremos directamente que (19) es vlida para tal v.a.
Del Ejemplo 7, sabemos que X tiene funcin caracterstica X (t) = e definicin de funcin caracterstica, e
-
2 2 t 2
. As, por la
2 t 2 2
itx
1 2
e 2 dx.
2
x2
-itx
2 x 2 2
dx,
o equivalentemente, 1 2 e
t2 2 2
1 = 2
-itx
2 x 2 2
dx.
1 = 2
-ixt
2 t 2 2
dt,
lo cual concuerda exactamente, en este caso especial, con (19). Ahora supngase que X denota cualquier v.a. Si Y es una v.a. que es independiente de X y que tiene distribucin normal estndar, y si c denota una constante positiva. Entonces X + cY tiene la funcin caracterstica: X (t)e
c2t2 2
c 2 t2 2
Puesto que
X(t) es
182
funcin caracterstica integrable. En consecuencia, podemos aplicar (19) y X + cY es una v.a. continua cuya densidad est dada por
c t 1 -itx 2 fX+cY (x) = e (t)e dt. X 2 -
2 2
Si integramos ambos lados de esta ecuacin sobre a x b e intercambiamos el orden de integracin, concluimos que c 2 t2 1 b -itx 2 P(a X + cY b) = e (t)e dt dx X - 2 a 1 = 2 - o bien
c t 1 e-ibt - e-iat 2 P(a X + cY b) = (t)e dt . X 2 - -it
2 2
b a
e dx X (t)e
-itx
c 2t2 2
dt
(20)
La importancia de la ecuacin (20), es que sta se cumple para una v.a. X arbitraria. El lado derecho de (20) depende de X slo a travs de X(t). Usando este hecho y haciendo en (20) que c0, se puede mostrar que la f.d. de X est determinada por su funcin caracterstica. Este resultado es conocido como un "teorema de unicidad" y puede expresarse como sigue:
Teorema 1. Si dos v.a.'s tienen la misma funcin caracterstica, ellas tienen la misma funcin de distribucin.
Ejemplo 10.
Use el teorema de unicidad para mostrar que la suma de dos independientes normalmente distribuidas tiene distribucin normal. v.a.'s
12 t 2 2 22 t 2 2
v.a.'s
Sean X e Y
, y
t2 2
Y (t) =e
i2 t
. Por lo que,
i(1 +2 ) t
2 +2 -(1 2)
Esto es, la funcin caracterstica de X + Y es la misma que la funcin caracterstica de una v.a. que tiene distribucin normal con media 1 + 2 y varianza 12 + 22. Por el teorema de unicidad X + Y debe tener esa distribucin normal. La aplicacin ms importante de la frmula de inversin dada en (20) es su uso en la derivacin del prximo resultado, el cual, bsicamente es la demostracin de la Ley Dbil de los Nmeros Grandes y el Teorema Central del Lmite.
183
(21)
Entonces
n
(22)
Este teorema afirma que la convergencia de funciones caractersticas implica la convergencia de las correspondientes funciones de distribucin o, en otras palabras, que las funciones de distribucin "dependen en forma continua" sobre sus funciones caractersticas. Por esta razn el Teorema 2 comnmente es conocido como el "Teorema de Continuidad". La demostracin de este teorema es complicada, no presentaremos los detalles de la demostracin pero indicaremos brevemente algunas de las principales ideas de uno de los mtodos de demostracin. Primero elegimos una v.a. Y que tenga la distribucin normal estndar independiente de cada una de las v.a.'s Xn, para n 1. y sea
Sean a < b y c una constante positiva. Entonces por la frmula de inversin dada en (20),
P(a Xn + cY b) =
2 2 1 e-ibt -e-iat Xn (t)e-c t /2 dt 2 - -it
(23)
y
c t 1 e-ibt -e-iat 2 P(a X + cY b) = (t)e dt X 2 -it
2 2
(24)
Por la suposicin de que X (t) X (t) , cuando n, y un teorema de la teora de integracin, se sigue que, el lado derecho de (23) converge al lado derecho de (24) cuando n. Lo anterior implica que
n
(25)
Existen an dos pasos ms para concluir la demostracin del teorema. Primero, uno debe mostrar (haciendo que a - en (25)) que
n
lim P( Xn + cY b) = P(X + cY b)
(26)
siempre que P(X = b) = 0. Este ltimo resultado es equivalente a la conclusin del teorema.
184
8.4 La Ley Dbil de los Nmeros Grandes y el Teorema Central del Lmite
En esta seccin usaremos el teorema de continuidad para probar los dos importantes teoremas en teora de probabilidad expresados en el ttulo de esta seccin. Ambos teoremas fueron discutidos sin demostracin en captulos anteriores. Para probar estos teoremas se hace necesario, en principio, estudiar el comportamiento asinttico de la funcin log(X(t)) para valores de t cercanos a 0. Sea z un nmero complejo tal que |z - 1| < 1. Se puede definir log(z) por medio de la serie de potencias (z - 1) 2 (z - 1) 3 log(z) = (z - 1) + 2 3 (para |z - 1| 1 es necesaria otra definicin de log(z)). Con esta definicin tenemos las propiedades usuales: log(1) = 0, elog(z) = z, |z - 1| < 1, y si h(t) para a < t < b es una funcin diferenciable de valor complejo tal que |h(t) - 1| < 1, entonces d h' (t) log(h(t)) = . dt h(t) Sea X una v.a. con funcin caracterstica X(t). Esto es X(t) es continua y X(0) = 1. As, log(X(t)) est bien definida para valores de t cercanos a cero y log(X(0)) = 0. Ahora supngase que X tiene media finita . Entonces X(t) es diferenciable y por (12), X'(0) = i. De donde
lim
t 0
log( X (t)) log( X (t)) - log( X (0)) = lim t 0 t t-0 = ' (0) d log( X (t)) | t =0 = X = i . dt X (0)
(27)
Supngase que X tambin tiene varianza 2 finita. Entonces X(t) es dos veces diferenciable y por (12) X''(0) = E(X2) = (2 + 2). Ahora, podemos aplicar la regla de l'Hspital para obtener
X ' (t) i ' (t) - i X (t) log( X (t)) - it X (t) ' (t) - i X (t) lim = lim X = lim = lim X . 2 t 0 t 0 t 0 t 0 2t 2t 2t X (t) t
185
En otras palabras
lim
t 0
log( X (t)) - it 2 . = 2 t2
(28)
Teorema 3. (Ley Dbil de los Nmeros Grandes). Sean X1, X2, v.a.'s independientes e idnticamente distribuidas con media finita y sea Sn = X1 + + Xn. Entonces, para cualquier > 0, Sn (29) lim P > = 0. n n
Sn X + + Xn = 1 es e -it ( X (t/n))n . n n Supngase que t esta fija. Entonces para n suficientemente grande, t/n est suficientemente cercana a cero de tal forma que log ( X (t/n)) est bien definida y
Demostracin: La funcin caracterstica de
1
1
(30)
(31)
La Ecuacin (31) es obvia para t = 0, puesto que, log( X (0)) = log(1) = 0. Si t 0 podemos escribir el lado izquierdo de (31) como t lim log(X (t/n)) - i(t/n) . n t/n
Ya que t/n 0 cuando n , por (27) el ltimo lmite es 0. Esto completa la demostracin de (31). Siguindose de (30) y (31) que la funcin caracterstica de Sn , se aproxima a 1, cuando n . Ahora, la funcin constante 1 es la funcin n caracterstica de una v.a. X tal que P(X = 0) = 1. As, la f.d. de X est dada por
0, si x < 0, FX(x) = 1, si x 0.
Esta f.d. es continua casi dondequiera excepto en x = 0. Eligiendo > 0, por el teorema de continuidad,
186
(32)
En el prximo teorema usamos, (x), para denotar a la funcin de distribucin normal estndar dada por (x) =
1 2
e y /2 dy,
2
Teorema 4. (Teorema Central del Lmite). Sean X1, X2, v.a.'s independientes e idnticamente distribuidas con media finita y varianza finita 2. Entonces S -n lim P n x = (x), para - < x < . n n S - n Demostracin: Estableciendo S n = n . Entonces para t fijo y n suficientemente grande, n
S (t) = e-int/ n Sn t/ n
n
= e-int/ o bien
t/ n , X1
(33)
t2 (34) lim n log X1 (t/ n) i(t/ n) = . n 2 Si t = 0, entonces ambos lados de (34) son igual a cero y claramente (34) se cumple. Si t 0 podemos escribir el lado izquierdo de (34) como
log[ X1 (t/ n )] i(t/ n ) t2 , lim 2 n (t/ n ) 2
Por lo que (34) se cumple para todo valor de t. Se sigue, por lo tanto, de (33) y (34) que
187
De acuerdo al Ejemplo 7, e t /2 , es la funcin caracterstica de una v.a. X que tiene f.d. normal estndar (x). As, por el Teorema de Continuidad, se concluye que
n
Ejercicios
1.- Si X est distribuida de forma uniforme sobre (a, b). Encontrar MX(t). 2.- Expresar la funcin generatriz de momentos para Y = a + bY en trminos de MX(t) (aqu a y b son constantes). 3.- Si X tiene una distribucin Poisson con parmetro . Use la funcin generatriz de momentos para encontrar la media y la varianza de X. 4.- Si X tiene una distribucin binomial negativa con parmetros y p. (a) Encontrar la funcin generatriz de momentos de X. (b) Use esta funcin generatriz de momentos para hallar la media y la varianza de X. 5.- Si X es una v.a. continua con densidad fX(x) = (1/2)e-|x|, para - < x < . (a) Mostrar que MX(t) = 1/(1 - t2), para -1 < t < 1. (b) Use esta funcin generatriz de momentos para encontrar una frmula para E(X2n) (observe que todos los momentos de orden impar de X son cero). 6.- Si X tiene una distribucin binomial con parmetros n y p. (a) Encontrar dMX(t)/dt y d2MX(t)/dt2. (b) Use (a) y la Frmula 7 para calcular la media y la varianza de X. 7.- Si X1, . . ., Xn son v.a.'s independientes e idnticamente distribuidas tal que M X (t) es
1
finita para toda t. Use la funcin generatriz de momentos para probar que E(X1 + + Xn)3 = nE(X12) + 3n(n - 1)E(X12)E(X1) + n(n - 1)(n - 2)(E(X1)3. d3 n Ayuda: Encontrar M X1 ( t ) t =0 . 3 dt 8.- Si X es una v.a. tal que MX(t) es finita para toda t. Use el mismo argumento que en la demostracin de la desigualdad de Chevyshev para concluir que P(X x) e-txMX(t), para t > 0. De donde se sigue que P(X x) min e-txMX(t),
t 0
con la condicin de que e-txMX(t), tenga un mnimo en 0 t < . 9.- Si X tiene una distribucin gama con parmetros y . Usar el resultado del Ejercicio 8 para mostrar que P(X 2/) (2/e). 10.- Si X tiene una distribucin Poisson con parmetro . Encontrar X(t). 11.- Si X tiene una distribucin geomtrica con parmetro p. Encontrar X(t). 12.- Si X1, . . ., Xn son v.a.'s independientes que tienen distribucin geomtrica con parmetro p. Encontrar la funcin caracterstica de X = X1 + . . . + Xn.
188
13.- Si X1, . . ., Xn son v.a.'s independientes que tienen distribucin exponencial con parmetro. Encontrar la funcin caracterstica de X = X1 + . . . + Xn. 14.- Sea X una v.a. discreta cuyos posibles valores son enteros no negativos. Qu relacin debemos esperar se cumpla entre la funcin caracterstica de X y la funcin generatriz de probabilidades de X (recuerde las Frmulas (3) y (15))?. 15.- Sea X cualquier v.a.. (a) Mostrar que X(t) = E(cos(tX)) + iE(sen(tX)). (b) Mostrar que - X(t) = E(cos(tX)) - iE(sen(tX)). (c) Mostrar que - X(t) = X(-t). 16.- Si X es una v.a. simtrica, esto es, X y X tienen la misma funcin de distribucin. (a) Mostrar que E(sen(tX)) = 0 y que X(t) es de valor real. (b) Mostrar que X(-t) = X(t). 17.- Sean X e Y v.a.'s independientes e idnticamente distribuidas. Mostrar que X-Y(t) = |X(t)|2. Ayuda: Use el Ejercicio 15. 18.- Sea X una v.a. tal que X(t) es de valor real. (a) Mostrar que X y X tienen la misma funcin caracterstica (use el Ejercicio (15). (b) Porqu se sigue de (a) que X y X tienen la misma funcin de distribucin? 19.- Si X es una v.a. continua que tiene la densidad fX(x) = (1/2)e-|x|, para - < x < . (a) Mostrar que X(t) = 1/(1+t2). (b) Use (a) y la frmula de inversin dada en (19) para concluir que 1 e-|x| = e -ixt dt . - (1 + t 2 ) (c) Mostrar usando (b) que 1 e-|x| = e ixt dt . - (1 + t 2 ) 20.- Sea X una v.a. que tiene densidad Cauchy 1 fX(x) = , para - < x < . (1 + x 2 ) Mostrar que X(t) = e-|t|, para - < t < . Ayuda: Intercambiar el papel de x y t en el Ejercicio 19. 21.- Sean X e Y v.a.'s independientes con densidad Cauchy. (a) Encontrar la funcin caracterstica de X + Y, y de (X + Y)/2. (b) Porqu se sigue que (X + Y)/2 tambin tiene densidad Cauchy? 22.- Extender el resultado del Ejercicio 21 para mostrar que si X1, X2, , Xn son v.a.'s independientes con densidad Cauchy, entonces (X1 + +Xn)/n tambin tiene densidad Cauchy. 23.- Para > 0, sea X una v.a. que tiene distribucin Poisson con parmetro . (a) Use un argumento semejante al usado en la prueba del Teorema Central del Lmite para mostrar que si - < t < , 2 lim E(e it(X - )/ = lim exp[(e it/ 1 it/ )] = e -t /2 .
(b) Qu conclusin debera seguirse de (a) por una modificacin apropiada del Teorema de Continuidad?.
189