跳至內容

特徵函數 (概率論)

本頁使用了標題或全文手工轉換
維基百科,自由的百科全書
The characteristic function of a uniform U(–1,1) random variable. This function is real-valued because it corresponds to a random variable that is symmetric around the origin; however characteristic functions may generally be complex-valued.

概率論中,任何隨機變量特徵函數(縮寫:ch.f,複數形式:ch.f's)完全定義了它的概率分佈。在直線上,它由以下公式給出,其中是任何具有該分佈的隨機變量:

其中是一個實數虛數單位表示期望值

矩母函數來表示(如果它存在),特徵函數就是的矩母函數,或在虛數軸上求得的矩母函數。

與矩母函數不同,特徵函數總是存在。

如果累積分佈函數,那麼特徵函數由黎曼-斯蒂爾傑斯積分給出:

概率密度函數存在的情況下,該公式就變為:

如果是一個向量值隨機變量,我們便取自變量為向量,數量積

上的每一個概率分佈都有特徵函數,因為我們是在有限測度的空間上對一個有界函數進行積分,且對於每一個特徵函數都正好有一個概率分佈。

一個對稱概率密度函數的特徵函數(也就是滿足)是實數,因為從所獲得的虛數部分與從所獲得的相互抵消。

性質

[編輯]

連續性

[編輯]

勒維連續定理說明,假設為一個隨機變量序列,其中每一個都有特徵函數,那麼它依分佈收斂於某個隨機變量

如果

處連續,的特徵函數。

勒維連續定理可以用來證明弱大數法則

反演定理

[編輯]

在累積概率分佈函數與特徵函數之間存在對射。也就是說,兩個不同的概率分佈不能有相同的特徵函數。

給定一個特徵函數φ,可以用以下公式求得對應的累積概率分佈函數

一般地,這是一個廣義積分;被積分的函數可能只是條件可積而不是勒貝格可積的,也就是說,它的絕對值的積分可能是無窮大。[1]

博赫納-辛欽定理/公理化定義

[編輯]

任意一個函數是對應於某個概率律的特徵函數,當且僅當滿足以下三個條件:

  1. 是連續的;
  2. 是一個正定函數(注意這是一個複雜的條件,與不等價)。

計算性質

[編輯]

特徵函數對於處理獨立隨機變量的函數特別有用。例如,如果、……、是一個獨立(不一定同分佈)的隨機變量的序列,且

其中是常數,那麼的特徵函數為:

特別地,。這是因為:

注意我們需要的獨立性來確立第三和第四個表達式的相等性。

另外一個特殊情況,是為樣本平均值。在這個情況下,用表示平均值,我們便有:

特徵函數舉例

[編輯]
分佈 特徵函數
退化分佈  
伯努利分佈  
二項分佈  
負二項分佈  
泊松分佈  
連續均勻分佈  
拉普拉斯分佈  
正態分佈  
卡方分佈 k  
柯西分佈  
伽瑪分佈  
指數分佈  
多元正態分佈  
多元柯西分佈 [2]  

Oberhettinger (1973) 提供的特徵函數表.

特徵函數的應用

[編輯]

由於連續定理,特徵函數被用於中心極限定理的最常見的證明中。

[編輯]

特徵函數還可以用來求出某個隨機變量的。只要第n個矩存在,特徵函數就可以微分n次,得到:

例如,假設具有標準柯西分佈。那麼。它在處不可微,說明柯西分佈沒有期望值。另外,注意到獨立的觀測的樣本平均值具有特徵函數,利用前一節的結果。這就是標準柯西分佈的特徵函數;因此,樣本平均值與總體本身具有相同的分佈。

特徵函數的對數是一個累積量母函數,它對於求出累積量是十分有用的;注意有時定義累積量母函數為矩母函數的對數,而把特徵函數的對數稱為第二累積量母函數。

一個例子

[編輯]

具有尺度參數和形狀參數k伽瑪分佈的特徵函數為:

現在假設我們有:

其中相互獨立,我們想要知道的分佈是什麼。特徵函數分別為:

根據獨立性和特徵函數的基本性質,可得:

這就是尺度參數為、形狀參數為的伽瑪分佈的特徵函數,因此我們得出結論:

這個結果可以推廣到個獨立、具有相同尺度參數的伽瑪隨機變量:

多元特徵函數

[編輯]

如果是一個多元隨機變量,那麼它的特徵函數定義為:

這裏的點表示向量的點積,而向量位於對偶空間內。用更加常見的矩陣表示法,就是:

例子

[編輯]

如果是一個平均值為零的多元高斯隨機變量,那麼:

其中表示正定矩陣 Σ的行列式。

矩陣值隨機變量

[編輯]

如果是一個矩陣值隨機變量,那麼它的特徵函數為:

在這裏,函數,表示的矩陣乘積。由於矩陣XT一定有跡,因此矩陣X必須與矩陣T轉置的大小相同;因此,如果Xm × n矩陣,那麼T必須是n × m矩陣。

注意乘法的順序不重要()。

矩陣值隨機變量的例子包括威沙特分佈矩陣正態分佈

相關概念

[編輯]

相關概念有矩母函數概率母函數。特徵函數對於所有概率分佈都存在,但矩母函數不是這樣。

特徵函數與傅立葉變換有密切的關係:一個概率密度函數的特徵函數是連續傅立葉變換共軛複數(按照通常的慣例)。

其中表示概率密度函數連續傅立葉變換。類似地,從可以通過傅立葉逆變換求出

確實,即使當隨機變量沒有密度時,特徵函數仍然可以視為對應於該隨機變量的測度的傅立葉變換。

參考文獻

[編輯]
  1. ^ P. Levy, Calcul des probabilités, Gauthier-Villars, Paris, 1925. p. 166
  2. ^ Kotz et al. p. 37 using 1 as the number of degree of freedom to recover the Cauchy distribution
  • Lukacs E. (1970) Characteristic Functions. Griffin, London. pp. 350
  • Bisgaard, T. M., Sasvári, Z. (2000) Characteristic Functions and Moment Sequences, Nova Science