FUNO CARACTERSTICA

Funo Caracterstica
A funo caracterstica de uma v.a. X
definida como:

X ( ) E e

Assim

X (0) 1,

jX

e jx f X ( x )dx.

X ( ) 1

para todo

Para variveis aleatrias discretas a funo

caracterstica da v.a. X dada por:
X ( ) e jk P ( X k ).
k

Funo caracterstica: Exemplos

Varivel aleatria discreta com distribuio de
Poisson.
k
j k

e
)
jk

e
( e 1)
X ( ) e e
e
e e
e
.
j

k 0

k!

k 0

k!

rivel aleatria discreta com distribuio binomial

n
n

n
jk
k n k
X ( ) e p q ( pe j ) k q n k ( pe j q) n .
k 0
k 0 k
k
n

Varivel aleatria uniforme X~U(a, b).

b
1
1
j x
X () e
dx
( e j b - e j a )
a
ba
j (b a )
e X uniformemente distribudo no intervalo (-a, a).
1
sen(a )
j a
j a
X ( )
(e e )
j 2a
a

X N ( ~
, 2 ),
o caracterstica de uma v.a. gaussiana
X ( )
e

1
2

j x

( x ) 2 / 2 2

jy y 2 / 2 2

dy e

dx (fazendo x y )
j

1
2

y / 2 2 ( y j 2 2 )

(fazendo y j 2 u tal que y u j 2 )

e

2 2

X ( ) e

( u j 2 )(u j 2 ) / 2 2

j 2 2 / 2

1
2 2

du

u 2 / 2 2

du e

( j 2 2 / 2 )

Se X uma varivel aleatria Gaussiana com

mdia zero
a funo
2 e varincia
,
caracterstica dada por:
X ( ) e

2 2 / 2

f X ( x)

1
2

x 2 / 2 2

dy

A funo caracterstica de uma varivel

aleatria tambm chamada de funo
geradora de momentos. Para ilustrar esta
propriedade, considere a representao em
srie
X () de
k
k

( j X )
k E( X )
k
X ( ) E e E

k!
k!
k 0
k 0
2
k
E
(
X
)
E
(
X
) k
2
2
k
1 jE ( X ) j
j
.
2!
k!

jX

Tomando-se a primeira derivada com relao a

0 ponto
, no
X ( )
1 X ( )

jE ( X ) or E ( X )

Similarmente, para
a1segunda
2 X ( ) derivada
2
E( X )

Repetindo este procedimento k vezes obtm-se

o k-simo momento de X, ou seja:
k
1

X ( )
E( X k ) k
,
k
j

k 1.

Clculo da mdia e da varincia de uma v.a. X

com distribuio de Poisson.
X ( ) e ( e 1)
X P ( ).
j

X ( )
e j
e e je j ,

E( X )

1 X ( )

j 0

2 X ( )

e j
j 2
e j
2 j

e
e
(

je
)

j
e ,
2

2
1

X ( )
1 2 2
2
2
E( X 2 ) 2

(
j

2
2
j

j
0

Mas,

2 E(X 2 ) E(X)2 2 2

Varivel aleatria com distribuio binomial

Funo caracterstica:
X ( ) ( pe j q ) n
X ( )
jnpe j ( pe j q) n 1

1 X ( )
E( X )
np
j 0

2 X ( )
2
j
j
n 1
j 2
j
n 2

j
np
e
(
pe

q
)

(
n

1
)
pe
(
pe

q
)
2

2
1

2
2 2
X ( )

E( X ) 2

np
1

(
n

1
)
p

n
p npq.
2
j

X2 E ( X 2 ) E ( X ) 2 n 2 p 2 npq n 2 p 2 npq.

Em alguns casos, a mdia e a varincia pode

(
/ ) de
no existir. Por exemplo, consideref uma
v.a.
( x)
,
x
Cauchy:
X

E( X 2 )

x2

dx

2 x 2

E( X )

x
.
2 x 2 dxAvaliando

x
0 2 x 2 dx.

x
0 2 x 2 dx

fazendo

2
1 2 x 2 dx ,

o lado direito da integra

x tan

/ 2 sin
tan
2
0 2 sec 2 sec d 0 cos d
/ 2 d (cos )

/2

log cos 0 log cos ,
0
cos
2
/2

Como as integrais no convergem a mdia e a

varincia so indefinidas.
Ser visto em seguida um limitante que estima a
disperso da v.a. centrado em torno da mdia.

Desigualdade de Chebychev
Considere um intervalo de largura 2
simetricamente centrado em torno da mdia
com mostrado na figura. Qual a probabilidade
de X ser encontrado fora deste intervalo?
X
Ou sejaP | X | ?

Tomando-se a definio de varincia

E ( X )
2

anto:

|x |

( x ) 2 f X ( x )dx

2 f X ( x )dx 2

|x |

| x |

( x ) 2 f X ( x )dx

f X ( x )dx 2 P | X | .

2
P | X | 2 , (desigualdade de Chebych

Observe que, para calcular a probabilidade, 2

P | X |
,
no h necessidade de se conhecer 2
fX(x). necessrio conhecer
somente a
2
,
varincia
da v.a. X. Em particular, se
k ,
ento:
1
P | X | k

Se k=3, a probabilidade da v.a. X ser

encontrada fora do intervalo 3 em torno de
sua mdia de 0,111 para qualquer v.a.
Obviamente que este limite no deve ser
( 0,
1) as v.a.s . Por
rigoroso quando se inclui
todas
exemplo para
uma v.a. gaussiana com
P | X | 3 0.0027.
tem-se: