概率论中的特征函数

特征函数的介绍

 设$p(x)$是随机变量$X$密度函数，则$p(x)$的傅里叶变换是$$\phi (t)={\int }_{-\infty }^{\infty }{e}^{itx}p(x)dx,$$由数学期望的概念可知，$\phi (t)$恰好是$\mathbb{E}(e^{itX})$。特征函数是处理概率论问题的有力工具，其作用在于：

• 可将卷积运算化成乘法运算；
• 可将求各阶矩的积分运算化成微分运算；
• 可将求随机变量序列的极限分布化成一般的函数极限问题 。
  

特征函数的定义

 设$X$是一随机变量，称$$\phi (t)=\mathbb{E}(e^{itX})$$为$X$的特征函数，其中$i=\sqrt{-1}$是虚数单位。

• 当$X$为离散随机变量时，$\phi (t)=\sum _{k=1}^{\infty }{e}^{it{x}_k}{p}_k$
• 当$X$为连续随机变量时，$\phi (t)={\int }_{-\infty }^{+\infty }{e}^{itx}p(x)dx$

 特征函数的计算中用到复变函数，因此注意：

• 欧拉公式：$e^{itx}=\cos (tx)+i\sin (tx)$
• 复数的共轭：$\overline{a+bi}=a-bi$
• 复数的模：$|a+bi|=\sqrt{a^2+b^2}$

特征函数的性质

• 性质1：$|\phi (t)|\le \phi (0)=1$
• 性质2：$\phi (-t)=\overline{\phi (t)}$
• 性质3：${\phi }_{aX+b}(t)=e^{ibt}{\phi }_X(at)$
• 性质4：若$X$与$Y$独立，则${\phi }_{X+Y}(t)={\phi }_X(t){\phi }_Y(t)$
• 性质5：${\phi }^{(k)}(0)=i^k{\mathbb{E}}^{(}X)$

常用分布的特征函数

• 单点分布 $P(X=a)=1$，其特征函数为$$\phi (t)=e^{ita}$$
• 0-1分布 $P(X=x)=p^x(1-p{)}^{1-x}$，$x=0,1$，其特征函数为$$\phi (t)=p{e}^{it}+q$$，其中$q=1-p$。
• 泊松分布$P(\lambda )$ $P(X=k)=\frac{{\lambda }^k}{k!}{e}^{-\lambda }$，$k=0,1,\cdots$，其特征函$$\begin{array}{rl}\phi (t)& =\sum _{k=0}^{\infty }{e}^{ikt}\frac{{\lambda }^k}{k!}{e}^{-\lambda }=e^{-\lambda }\sum _{k=0}^{\infty }\frac{(\lambda e^{it}{)}^k}{k!}{e}^{-\lambda e^{it}}{e}^{\lambda e^{it}}\\ & =e^{-\lambda }{e}^{\lambda e^{it}}=e^{\lambda (e^{it}-1)}\end{array}$$
• 均匀分布 $U(a,b)$ 因为密度函数为$$p(x)=\{\begin{array}{ll}\frac{1}{b-a},& a<x<b\\ 0,& 其它\end{array}$$所以其特征函数为$$\phi (t)={\int }_a^b\frac{e^{itx}}{b-a}dx=\frac{e^{ibt}-e^{iat}}{it(b-a)}$$
• 标准正态分布$N(0,1)$ 因为密度函数为$$p(x)=\frac{1}{\sqrt{2\pi }}{e}^{-\frac{x^2}{2}},-\infty <x<\infty$$所以其特征函数为$$\phi (t)=e^{-\frac{t^2}{2}}$$
• 指数分布$Exp(\lambda )$ 因为密度函数为$$p(x)=\{\begin{array}{ll}\lambda e^{-\lambda x},& x>0\\ 0,& x\le 0\end{array}$$所以其特征函数表示为$$\phi (t)={\int }_0^{\infty }{e}^{itx}\lambda e^{\lambda x}dx={\left(1-\frac{it}{\lambda }\right)}^{-1}$$