特征函数 (概率论)

在概率论中，任何随机变量的特征函数（缩写：ch.f，复数形式：ch.f's）完全定义了它的概率分布。在实直线上，它由以下公式给出，其中X是任何具有该分布的随机变量：

$\varphi _{X}(t)=\operatorname {E} \left(e^{itX}\right)$，

其中t是一个实数，i是虚数单位，E表示期望值。

用矩母函数M_X（t）来表示（如果它存在），特征函数就是iX的矩母函数，或X在虚数轴上求得的矩母函数。

$\varphi _{X}(t)=M_{iX}(t)=M_{X}(it)$

与矩母函数不同，特征函数总是存在。

如果F_X是累积分布函数，那么特征函数由黎曼-斯蒂尔切斯积分给出：

$\operatorname {E} \left(e^{itX}\right)=\int _{-\infty }^{\infty }e^{itx}\,dF_{X}(x)$。

在概率密度函数f_X存在的情况下，该公式就变为：

$\operatorname {E} \left(e^{itX}\right)=\int _{-\infty }^{\infty }e^{itx}f_{X}(x)\,dx$。

如果X是一个向量值随机变量，我们便取自变量t为向量，tX为数量积。

R或Rⁿ上的每一个概率分布都有特征函数，因为我们是在有限测度的空间上对一个有界函数进行积分，且对于每一个特征函数都正好有一个概率分布。

一个对称概率密度函数的特征函数（也就是满足f_X(x) = f_X(-x)）是实数，因为从x>0所获得的虚数部分与从x<0所获得的相互抵消。

连续性

主条目：勒维连续定理

勒维连续定理说明，假设$(X_{n})_{n=1}^{\infty }$为一个随机变量序列，其中每一个$X_{n}$都有特征函数$\varphi _{n}$，那么它依分布收敛于某个随机变量$X$：

$X_{n}{\xrightarrow {\mathcal {D}}}X$当$n\to \infty$

如果

$\varphi _{n}\quad {\xrightarrow {\textrm {pointwise}}}\quad \varphi$当$n\to \infty$

且$\varphi (t)$在$\ t=0$处连续，$\varphi$是$X$的特征函数。

勒维连续定理可以用来证明弱大数定律。

反演定理

在累积概率分布函数与特征函数之间存在双射。也就是说，两个不同的概率分布不能有相同的特征函数。

给定一个特征函数φ，可以用以下公式求得对应的累积概率分布函数F：

$F_{X}(y)-F_{X}(x)=\lim _{\tau \to +\infty }{\frac {1}{2\pi }}\int _{-\tau }^{+\tau }{\frac {e^{-itx}-e^{-ity}}{it}}\,\varphi _{X}(t)\,dt$。

一般地，这是一个广义积分；被积分的函数可能只是条件可积而不是勒贝格可积的，也就是说，它的绝对值的积分可能是无穷大。

博赫纳-辛钦定理/公理化定義

主条目：博赫纳定理

任意一个函数$\varphi$是对应于某个概率律$\mu$的特征函数，当且仅当满足以下三个条件：

1. $\varphi \,$是连续的；
2. $\varphi (0)=1\,$；
3. $\varphi \,$是一个正定函数（注意这是一个复杂的条件，与$\varphi >0$不等价）。

計算性质

特征函数对于处理独立随机变量的函数特别有用。例如，如果X₁、X₂、……、X_n是一个独立（不一定同分布）的随机变量的序列，且

$S_{n}=\sum _{i=1}^{n}a_{i}X_{i},\,\!$

其中a_i是常数，那么S_n的特征函数为：

$\varphi _{S_{n}}(t)=\varphi _{X_{1}}(a_{1}t)\varphi _{X_{2}}(a_{2}t)\cdots \varphi _{X_{n}}(a_{n}t).\,\!$

特别地，$\varphi _{X+Y}(t)=\varphi _{X}(t)\varphi _{Y}(t)$。这是因为：

$\varphi _{X+Y}(t)=E\left(e^{it(X+Y)}\right)=E\left(e^{itX}e^{itY}\right)=E\left(e^{itX}\right)E\left(e^{itY}\right)=\varphi _{X}(t)\varphi _{Y}(t)$。

注意我们需要$X$和$Y$的独立性来确立第三和第四个表达式的相等性。

另外一个特殊情况，是$a_{i}=1/n$且$S_{n}$为样本平均值。在这个情况下，用${\overline {X}}$表示平均值，我们便有：

$\varphi _{\overline {X}}(t)=\left(\varphi _{X}(t/n)\right)^{n}$。

特征函数举例

分布	特征函数 φ(t)
退化分布 δa	$e^{ita}$
伯努利分布 Bern(p)	$1-p+pe^{it}$
二项分布 B(n, p)	$(1-p+pe^{it})^{n}$
负二项分布 NB(r, p)	${\biggl (}{\frac {1-p}{1-pe^{i\,t}}}{\biggr )}^{\!r}$
泊松分布 Pois(λ)	$e^{\lambda (e^{it}-1)}$
连续均匀分布 U(a, b)	${\frac {e^{itb}-e^{ita}}{it(b-a)}}$
拉普拉斯分布 L(μ, b)	${\frac {e^{it\mu }}{1+b^{2}t^{2}}}$
正态分布 N(μ, σ2)	$e^{it\mu -{\frac {1}{2}}\sigma ^{2}t^{2}}$
卡方分布 χ2k	$(1-2it)^{-k/2}$
柯西分布 C(μ, θ)	$e^{it\mu -\theta |t|}$
伽玛分布 Γ(k, θ)	$(1-it\theta )^{-k}$
指数分布 Exp(λ)	$(1-it\lambda ^{-1})^{-1}$
多元正态分布 N(μ, Σ)	$e^{it^{T}\mu -{\frac {1}{2}}t^{T}\Sigma t}$
多元柯西分布 MultiCauchy(μ, Σ)	$e^{it^{T}\mu -{\sqrt {t^{T}\Sigma t}}}$

Oberhettinger (1973) 提供的特征函数表.

特征函数的应用

由于连续定理，特征函数被用于中心极限定理的最常见的证明中。

矩

特征函数还可以用来求出某个随机变量的矩。只要第n个矩存在，特征函数就可以微分n次，得到：

$\operatorname {E} \left(X^{n}\right)=i^{-n}\,\varphi _{X}^{(n)}(0)=i^{-n}\,\left[{\frac {d^{n}}{dt^{n}}}\varphi _{X}(t)\right]_{t=0}.\,\!$

例如，假设$X$具有标准柯西分布。那么$\varphi _{X}(t)=e^{-|t|}$。它在$t=0$处不可微，说明柯西分布没有期望值。另外，注意到$n$个独立的观测的样本平均值${\overline {X}}$具有特征函数$\varphi _{\overline {X}}(t)=(e^{-|t|/n})^{n}=e^{-|t|}$，利用前一节的结果。这就是标准柯西分布的特征函数；因此，样本平均值与总体本身具有相同的分布。

特征函数的对数是一个累积量母函数，它对于求出累积量是十分有用的；注意有时定义累积量母函数为矩母函数的对数，而把特征函数的对数称为第二累积量母函数。

一个例子

具有尺度参数θ和形状参数k的伽玛分布的特征函数为：

$(1-\theta \,i\,t)^{-k}$。

现在假设我们有：

$\ X\sim \Gamma (k_{1},\theta )$且$\ Y\sim \Gamma (k_{2},\theta )$

其中X和Y相互独立，我们想要知道X + Y的分布是什么。X和Y特征函数分别为：

$\varphi _{X}(t)=(1-\theta \,i\,t)^{-k_{1}},\,\qquad \varphi _{Y}(t)=(1-\theta \,i\,t)^{-k_{2}}$

根据独立性和特征函数的基本性质，可得：

$\varphi _{X+Y}(t)=\varphi _{X}(t)\varphi _{Y}(t)=(1-\theta \,i\,t)^{-k_{1}}(1-\theta \,i\,t)^{-k_{2}}=\left(1-\theta \,i\,t\right)^{-(k_{1}+k_{2})}$。

这就是尺度参数为θ、形状参数为k₁ + k₂的伽玛分布的特征函数，因此我们得出结论：

$X+Y\sim \Gamma (k_{1}+k_{2},\theta )$，

这个结果可以推广到n个独立、具有相同尺度参数的伽玛随机变量：

$\forall i\in \{1,\ldots ,n\}:X_{i}\sim \Gamma (k_{i},\theta )\qquad \Rightarrow \qquad \sum _{i=1}^{n}X_{i}\sim \Gamma \left(\sum _{i=1}^{n}k_{i},\theta \right)$。

多元特征函数

如果$X$是一个多元随机变量，那么它的特征函数定义为：

$\varphi _{X}(t)=\operatorname {E} \left(e^{it\cdot X}\right)$。

这裡的点表示向量的点积，而向量$t$位于$X$的对偶空间内。用更加常见的矩阵表示法，就是：

$\varphi _{X}(t)=\operatorname {E} \left(e^{it^{T}X}\right)$。

例子

如果$X\sim N(0,\Sigma )\,$是一个平均值为零的多元高斯随机变量，那么：

$\varphi _{X}(t)=\operatorname {E} \left(e^{it^{T}X}\right)=\int _{x\in \mathbf {R} ^{n}}{\frac {1}{\left(2\pi \right)^{n/2}\left|\Sigma \right|^{1/2}}}\,e^{-{\frac {1}{2}}x^{T}\Sigma ^{-1}x}\cdot e^{it^{T}x}\,dx=e^{-{\frac {1}{2}}t^{T}\Sigma t},\quad t\in \mathbf {R} ^{n},$

其中$|\Sigma |$表示正定矩阵 Σ的行列式。

矩阵值随机变量

如果$X$是一个矩阵值随机变量，那么它的特征函数为：

$\varphi _{X}(T)=\operatorname {E} \left(e^{i\,\mathrm {Tr} (XT)}\right)$

在这裡，$\mathrm {Tr} (\cdot )$是迹函数，$\ XT$表示$T$与$X$的矩阵乘积。由于矩阵XT一定有迹，因此矩阵X必须与矩阵T的转置的大小相同；因此，如果X是m × n矩阵，那么T必须是n × m矩阵。

注意乘法的顺序不重要（$XT\neq TX$但$\ tr(XT)=tr(TX)$）。

矩阵值随机变量的例子包括威沙特分布和矩阵正态分布。

相关概念

相关概念有矩母函数和概率母函数。特征函数对于所有概率分布都存在，但矩母函数不是这样。

特征函数与傅里叶变换有密切的关系：一个概率密度函数$p(x)$的特征函数是$p(x)$的连续傅里叶变换的共轭复数（按照通常的惯例）。

$\varphi _{X}(t)=\langle e^{itX}\rangle =\int _{-\infty }^{\infty }e^{itx}p(x)\,dx={\overline {\left(\int _{-\infty }^{\infty }e^{-itx}p(x)\,dx\right)}}={\overline {P(t)}},$

其中$P(t)$表示概率密度函数$p(x)$的连续傅里叶变换。类似地，从$\varphi _{X}(t)$可以通过傅里叶逆变换求出$p(x)$：

$p(x)={\frac {1}{2\pi }}\int _{-\infty }^{\infty }e^{itx}P(t)\,dt={\frac {1}{2\pi }}\int _{-\infty }^{\infty }e^{itx}{\overline {\varphi _{X}(t)}}\,dt$。

确实，即使当随机变量没有密度时，特征函数仍然可以视为对应于该随机变量的测度的傅里叶变换。

参考文献

• Lukacs E. (1970) Characteristic Functions. Griffin, London. pp. 350
• Bisgaard, T. M., Sasvári, Z. (2000) Characteristic Functions and Moment Sequences, Nova Science