§
4.2
§ 4.2
§4.2 特征函数
设
p
(
x
)
p(x)
p(x) 是随机变量
X
X
X 的密度函数, 则
p
(
x
)
p(x)
p(x) 的傅里叶 (Fourier) 变换是
φ
(
t
)
=
∫
−
∞
∞
e
i
t
x
p
(
x
)
d
x
,
\varphi(t)=\int_{-\infty}^{\infty} \mathrm{e}^{\mathrm{i} t x} p(x) \mathrm{d} x,
φ(t)=∫−∞∞eitxp(x)dx,
其中
i
=
−
1
\mathrm{i}=\sqrt{-1}
i=−1 是虚数单位. 由数学期望的概念知,
φ
(
t
)
\varphi(t)
φ(t)
恰好是
E
(
e
i
t
X
)
E\left(\mathrm{e}^{\mathrm{i} t X}\right)
E(eitX).
这就是本节要讨论的特征函数, 它是处理许多概率论问题的有力工具.
它能把寻求独立随机变量和的分布的卷积运算 (积分运算) 转换成乘法运算,
还能把求分布的各阶原点矩 (积分运算) 转换成微分运算, 特别地,
它能把寻求随机变量序列的极限分布转换成一般的函数极限问题.下面从特征函数的定义开始介绍它们.
4.2.1 特征函数的定义
先介绍一下复随机变量的概念.
特征函数除考虑取实数值的随机变量外, 还要考虑取复数值的随机变量,
后者简称为复随机变量. 复随机变量定义为
Z
=
Z
(
w
)
=
X
(
w
)
+
i
Y
(
w
)
Z=Z(w)=X(w)+\mathrm{i} Y(w)
Z=Z(w)=X(w)+iY(w),
其中
X
(
w
)
X(w)
X(w) 与
Y
(
w
)
Y(w)
Y(w) 是定义在
Ω
\Omega
Ω 上的实随机变量. 而
Z
ˉ
(
w
)
=
X
(
w
)
−
i
Y
(
w
)
\bar{Z}(w)=X(w)-\mathrm{i} Y(w)
Zˉ(w)=X(w)−iY(w) 称为
Z
(
w
)
Z(w)
Z(w)
的复共轭随机变量.复随机变量
Z
=
X
+
i
Y
Z=X+\mathrm{i} Y
Z=X+iY 的模
∣
Z
∣
|Z|
∣Z∣ 定义为
X
2
+
Y
2
\sqrt{X^{2}+Y^{2}}
X2+Y2, 或
∣
Z
∣
2
=
X
2
+
Y
2
|Z|^{2}=X^{2}+Y^{2}
∣Z∣2=X2+Y2, 且
Z
Z
ˉ
=
X
2
+
Y
2
=
∣
Z
∣
2
Z \bar{Z}=X^{2}+Y^{2}=|Z|^{2}
ZZˉ=X2+Y2=∣Z∣2.
与随机变量有关的一些概念和定义,一般都可类似地移到复随机变量场合.例如,若随机变量
X
X
X 与
Y
Y
Y 的数学期望
E
(
X
)
E(X)
E(X) 与
E
(
Y
)
E(Y)
E(Y) 都存在, 则复随机变量
Z
=
X
+
i
Y
Z=X+\mathrm{i} Y
Z=X+iY 的数学期望定义为
E
(
Z
)
=
E
(
X
)
+
i
E
(
Y
)
E(Z)=E(X)+\mathrm{i} E(Y)
E(Z)=E(X)+iE(Y).
又如复随机变量
Z
1
=
X
1
+
i
Y
1
Z_{1}=X_{1}+\mathrm{i} Y_{1}
Z1=X1+iY1 与
Z
2
=
X
2
+
i
Y
2
Z_{2}=X_{2}+\mathrm{i} Y_{2}
Z2=X2+iY2 相互独立当且仅当
(
X
1
,
Y
1
)
\left(X_{1}, Y_{1}\right)
(X1,Y1) 与
(
X
2
,
Y
2
)
\left(X_{2}, Y_{2}\right)
(X2,Y2) 相互独立
(
(
X
1
,
Y
1
,
X
2
,
Y
2
)
\left(\left(X_{1}, Y_{1}, X_{2}, Y_{2}\right)\right.
((X1,Y1,X2,Y2) 的联合分布
F
X
1
,
Y
1
,
x
2
,
Y
2
(
x
1
,
y
1
,
x
2
F_{X_{1}, Y_{1}, x_{2}, Y_{2}}\left(x_{1}, y_{1}, x_{2}\right.
FX1,Y1,x2,Y2(x1,y1,x2,
y
2
)
\left.y_{2}\right)
y2) 等于其边际分布
F
x
1
,
Y
1
(
x
1
,
y
1
)
F_{x_{1}, Y_{1}}\left(x_{1}, y_{1}\right)
Fx1,Y1(x1,y1) 和
F
x
2
,
Y
2
(
x
2
,
y
2
)
F_{x_{2}, Y_{2}}\left(x_{2}, y_{2}\right)
Fx2,Y2(x2,y2) 的乘积). 在欧拉公式
e
i
X
=
\mathrm{e}^{\mathrm{i} X}=
eiX=
cos
X
+
i
sin
X
\cos X+\mathrm{i} \sin X
cosX+isinX 中若
X
X
X
是实随机变量, 则
E
(
e
i
X
)
=
E
(
cos
X
)
+
i
E
(
sin
X
)
E\left(\mathrm{e}^{i X}\right)=E(\cos X)+\mathrm{i} E(\sin X)
E(eiX)=E(cosX)+iE(sinX), 其模
∣
e
i
X
∣
=
\left|\mathrm{e}^{i X}\right|=
eiX
=
cos
2
X
+
sin
2
X
=
1
\sqrt{\cos ^{2} X+\sin ^{2} X}=1
cos2X+sin2X=1. 若
X
X
X 与
Y
Y
Y 独立, 则
e
i
X
\mathrm{e}^{i X}
eiX 与
e
i
Y
\mathrm{e}^{i Y}
eiY 也独立.
下面我们给出特征函数的定义.
定义 4.2.1 设
X
X
X 是一个随机变量, 称
φ
(
t
)
=
E
(
e
i
t
)
,
−
∞
<
t
<
∞
,
\varphi(t)=E\left(\mathrm{e}^{\mathrm{i} t}\right), \quad-\infty<t<\infty,
φ(t)=E(eit),−∞<t<∞,
为
X
X
X 的特征函数.
因为
∣
e
i
i
X
∣
=
1
\left|\mathrm{e}^{\mathrm{i} i X}\right|=1
eiiX
=1, 所以
E
(
e
i
x
)
E\left(\mathrm{e}^{\mathrm{i} x}\right)
E(eix) 总是存在的,
即任一随机变量的特征函数总是存在的.
当离散随机变量
X
X
X 的分布列为
p
k
=
P
(
X
=
x
k
)
,
k
=
1
,
2
,
⋯
p_{k}=P\left(X=x_{k}\right), k=1,2, \cdots
pk=P(X=xk),k=1,2,⋯, 则
X
X
X 的特征函数为
φ
(
t
)
=
∑
k
=
1
∞
e
i
t
x
k
p
k
,
−
∞
<
t
<
∞
.
\varphi(t)=\sum_{k=1}^{\infty} \mathrm{e}^{\mathrm{itx_{k }}} p_{k}, \quad-\infty<t<\infty .
φ(t)=k=1∑∞eitxkpk,−∞<t<∞.
当连续随机变量
X
X
X 的密度函数为
p
(
x
)
p(x)
p(x), 则
X
X
X 的特征函数为
φ
(
t
)
=
∫
−
∞
∞
e
i
t
x
p
(
x
)
d
x
,
−
∞
<
t
<
∞
.
\varphi(t)=\int_{-\infty}^{\infty} \mathrm{e}^{i t x} p(x) \mathrm{d} x, \quad-\infty<t<\infty .
φ(t)=∫−∞∞eitxp(x)dx,−∞<t<∞.
与随机变量的数学期望、方差及各阶矩一样,
特征函数只依赖于随机变量的分布,分布相同则特征函数也相同,所以我们也常称为某分布的特征函数.
例 4.2 . 1 常用分布的特征函数 (一)
(1) 单点分布
P
(
X
=
a
)
=
1
P(X=a)=1
P(X=a)=1, 其特征函数为
φ
(
t
)
=
e
i
t
a
.
\varphi(t)=\mathrm{e}^{\mathrm{i} t a} .
φ(t)=eita.
(2) 0-1 分布
P
(
X
=
x
)
=
p
x
(
1
−
p
)
1
−
x
,
x
=
0
,
1
P(X=x)=p^{x}(1-p)^{1-x}, x=0,1
P(X=x)=px(1−p)1−x,x=0,1, 其特征函数为
φ
(
t
)
=
p
e
i
t
+
q
,
其中
q
=
1
−
p
.
\varphi(t)=p \mathrm{e}^{\mathrm{i} t}+q, \quad \text { 其中 } q=1-p .
φ(t)=peit+q, 其中 q=1−p.
(3) 泊松分布
P
(
λ
)
P
(
X
=
k
)
=
λ
k
k
!
e
−
λ
,
k
=
0
,
1
,
⋯
P(\lambda) \quad P(X=k)=\frac{\lambda^{k}}{k !} \mathrm{e}^{-\lambda}, k=0,1, \cdots
P(λ)P(X=k)=k!λke−λ,k=0,1,⋯,
其特征函数为
φ
(
t
)
=
∑
k
=
0
∞
e
i
k
t
λ
k
k
!
e
−
λ
=
e
−
λ
e
λ
e
i
t
=
e
λ
(
e
i
t
−
1
)
.
\varphi(t)=\sum_{k=0}^{\infty} \mathrm{e}^{i k t} \frac{\lambda^{k}}{k !} \mathrm{e}^{-\lambda}=\mathrm{e}^{-\lambda} \mathrm{e}^{\lambda \mathrm{e}^{i t}}=\mathrm{e}^{\lambda\left(\mathrm{e}^{i t}-1\right)} .
φ(t)=k=0∑∞eiktk!λke−λ=e−λeλeit=eλ(eit−1).
(4)均匀分布
U
(
a
,
b
)
U(a, b)
U(a,b) 因为密度函数为
p
(
x
)
=
{
1
b
−
a
,
a
<
x
<
b
,
0
,
其他,
p(x)=\left\{\begin{array}{ll} \frac{1}{b-a}, & a<x<b, \\ 0, & \text { 其他, } \end{array}\right.
p(x)={b−a1,0,a<x<b, 其他,
所以其特征函数为
φ
(
t
)
=
∫
a
b
e
i
t
x
b
−
a
d
x
=
e
i
b
t
−
e
i
a
t
i
t
(
b
−
a
)
\varphi(t)=\int_{a}^{b} \frac{\mathrm{e}^{\mathrm{i} t x}}{b-a} \mathrm{~d} x=\frac{\mathrm{e}^{\mathrm{i} b t}-\mathrm{e}^{\mathrm{i} a t}}{\mathrm{i} t(b-a)}
φ(t)=∫abb−aeitx dx=it(b−a)eibt−eiat.
(5)标准正态分布
N
(
0
,
1
)
N(0,1)
N(0,1) 因为密度函数为
p
(
x
)
=
1
2
π
e
−
x
2
2
,
−
∞
<
x
<
∞
,
p(x)=\frac{1}{\sqrt{2 \pi}} \mathrm{e}^{-\frac{x^{2}}{2}}, \quad-\infty<x<\infty,
p(x)=2π1e−2x2,−∞<x<∞,
所以其特征函数为
φ
(
t
)
=
1
2
π
∫
−
∞
∞
e
i
t
x
e
−
t
2
2
d
x
=
1
2
π
∫
−
∞
∞
∑
n
=
0
∞
(
i
t
x
)
n
n
!
e
−
x
2
2
d
x
=
∑
n
=
0
∞
(
i
t
)
n
n
!
[
1
2
π
∫
−
∞
∞
x
n
e
−
t
2
2
d
x
]
,
\varphi(t)=\frac{1}{\sqrt{2 \pi}} \int_{-\infty}^{\infty} \mathrm{e}^{\mathrm{itx}} \mathrm{e}^{-\frac{t^{2}}{2}} \mathrm{~d} x=\frac{1}{\sqrt{2 \pi}} \int_{-\infty}^{\infty} \sum_{n=0}^{\infty} \frac{(\mathrm{i} t x)^{n}}{n !} \mathrm{e}^{-\frac{x^{2}}{2}} \mathrm{~d} x=\sum_{n=0}^{\infty} \frac{(\mathrm{i} t)^{n}}{n !}\left[\frac{1}{\sqrt{2 \pi}} \int_{-\infty}^{\infty} x^{n} \mathrm{e}^{-\frac{t^{2}}{2}} \mathrm{~d} x\right],
φ(t)=2π1∫−∞∞eitxe−2t2 dx=2π1∫−∞∞n=0∑∞n!(itx)ne−2x2 dx=n=0∑∞n!(it)n[2π1∫−∞∞xne−2t2 dx],
上式中方括号内正是标准正态分布的
n
n
n 阶矩
E
(
X
n
)
E\left(X^{n}\right)
E(Xn). 当
n
n
n
为奇数时
E
(
X
n
)
=
0
E\left(X^{n}\right)=0
E(Xn)=0; 当
n
n
n 为偶数时, 如
n
=
2
m
n=2 m
n=2m 时,
E
(
X
n
)
=
E
(
X
2
m
)
=
(
2
m
−
1
)
!
!
=
(
2
m
)
!
2
m
⋅
m
!
,
E\left(X^{n}\right)=E\left(X^{2 m}\right)=(2 m-1) ! !=\frac{(2 m) !}{2^{m} \cdot m !},
E(Xn)=E(X2m)=(2m−1)!!=2m⋅m!(2m)!,
代回原式, 可得标准正态分布的特征函数
φ
(
t
)
=
∑
m
=
0
∞
(
i
t
)
2
m
(
2
m
)
!
⋅
(
2
m
)
!
2
m
⋅
m
!
=
∑
m
=
0
∞
(
−
t
2
2
)
m
1
m
!
=
e
−
t
2
2
\varphi(t)=\sum_{m=0}^{\infty} \frac{(\mathrm{i} t)^{2 m}}{(2 m) !} \cdot \frac{(2 m) !}{2^{m} \cdot m !}=\sum_{m=0}^{\infty}\left(-\frac{t^{2}}{2}\right)^{m} \frac{1}{m !}=\mathrm{e}^{-\frac{t^{2}}{2}}
φ(t)=m=0∑∞(2m)!(it)2m⋅2m⋅m!(2m)!=m=0∑∞(−2t2)mm!1=e−2t2
有了标准正态分布的特征函数,再利用下节给出的特征函数的性质,
就很容易得到一般正态分布
N
(
μ
,
σ
2
)
N\left(\mu, \sigma^{2}\right)
N(μ,σ2) 的特征函数,
见例 4.2.2.
(6)指数分布
Exp
(
λ
)
\operatorname{Exp}(\lambda)
Exp(λ) 因为密度函数为
p
(
x
)
=
{
λ
e
−
λ
x
,
x
⩾
0
,
0
,
x
<
0
,
p(x)=\left\{\begin{array}{ll} \lambda \mathrm{e}^{-\lambda x}, & x \geqslant 0, \\ 0, & x<0, \end{array}\right.
p(x)={λe−λx,0,x⩾0,x<0,
所以其特征函数为
φ
(
t
)
=
∫
0
∞
e
i
t
x
λ
e
−
λ
x
d
x
=
λ
[
∫
0
∞
cos
(
t
x
)
e
−
λ
x
d
x
+
i
∫
0
∞
sin
(
t
x
)
e
−
λ
x
d
x
]
=
λ
(
λ
λ
2
+
t
2
+
i
t
λ
2
+
t
2
)
=
(
1
−
i
t
λ
)
−
1
.
\begin{aligned} \varphi(t) & =\int_{0}^{\infty} \mathrm{e}^{\mathrm{i} t x} \lambda \mathrm{e}^{-\lambda x} \mathrm{~d} x=\lambda\left[\int_{0}^{\infty} \cos (t x) \mathrm{e}^{-\lambda x} \mathrm{~d} x+\mathrm{i} \int_{0}^{\infty} \sin (t x) \mathrm{e}^{-\lambda x} \mathrm{~d} x\right] \\ & =\lambda\left(\frac{\lambda}{\lambda^{2}+t^{2}}+\mathrm{i} \frac{t}{\lambda^{2}+t^{2}}\right)=\left(1-\frac{\mathrm{i} t}{\lambda}\right)^{-1} . \end{aligned}
φ(t)=∫0∞eitxλe−λx dx=λ[∫0∞cos(tx)e−λx dx+i∫0∞sin(tx)e−λx dx]=λ(λ2+t2λ+iλ2+t2t)=(1−λit)−1.
以上积分中用到了复变函数中的欧拉公式
e
i
t
x
=
cos
(
t
x
)
+
i
sin
(
t
x
)
\mathrm{e}^{i t x}=\cos (t x)+\mathrm{i} \sin (t x)
eitx=cos(tx)+isin(tx).
4.2.2 特征函数的性质
现在我们来研究特征函数的一些性质, 其中
φ
X
(
t
)
\varphi_{X}(t)
φX(t) 表示
X
X
X
的特征函数, 其他类似.
性质 4.2.1
∣
φ
(
t
)
∣
⩽
φ
(
0
)
=
1
|\varphi(t)| \leqslant \varphi(0)=1
∣φ(t)∣⩽φ(0)=1.
性质 4.2.2
φ
(
−
t
)
=
φ
(
t
)
‾
\varphi(-t)=\overline{\varphi(t)}
φ(−t)=φ(t), 其中
φ
(
t
)
‾
\overline{\varphi(t)}
φ(t) 表示
φ
(
t
)
\varphi(t)
φ(t) 的共轭.
性质 4.2.3 若
Y
=
a
X
+
b
Y=a X+b
Y=aX+b, 其中
a
,
b
a, b
a,b 是常数, 则
φ
Y
(
t
)
=
e
i
b
t
φ
X
(
a
t
)
.
\varphi_{Y}(t)=\mathrm{e}^{\mathrm{ibt}} \varphi_{X}(a t) .
φY(t)=eibtφX(at).
性质 4.2.4 独立随机变量和的特征函数为每个随机变量的特征函数的积, 即设
X
X
X与
Y
Y
Y 相互独立, 则
φ
X
+
γ
(
t
)
=
φ
X
(
t
)
φ
Y
(
t
)
.
\varphi_{X+\gamma}(t)=\varphi_{X}(t) \varphi_{Y}(t) .
φX+γ(t)=φX(t)φY(t).
性质 4.2.5 若
E
(
X
t
)
E\left(X^{t}\right)
E(Xt) 存在, 则
X
X
X 的特征函数
φ
(
t
)
\varphi(t)
φ(t)
可
l
l
l 次求导, 且对
1
⩽
k
⩽
l
1 \leqslant k \leqslant l
1⩽k⩽l, 有
φ
(
k
)
(
0
)
=
i
k
E
(
X
k
)
.
\varphi^{(k)}(0)=\mathrm{i}^{k} E\left(X^{k}\right) .
φ(k)(0)=ikE(Xk).
上式提供了一条求随机变量的各阶矩的途径, 特别可用下式去求数学期望和方差.
E
(
X
)
=
φ
′
(
0
)
i
,
Var
(
X
)
=
−
φ
′
′
(
0
)
+
(
φ
′
(
0
)
)
2
.
E(X)=\frac{\varphi^{\prime}(0)}{\mathrm{i}}, \quad \operatorname{Var}(X)=-\varphi^{\prime \prime}(0)+\left(\varphi^{\prime}(0)\right)^{2} .
E(X)=iφ′(0),Var(X)=−φ′′(0)+(φ′(0))2.
证明 在此我们仅对连续场合进行证明,而在离散场合的证明是类似的.
(1)
∣
φ
(
t
)
∣
=
∣
∫
−
∞
∞
e
i
t
x
p
(
x
)
d
x
∣
⩽
∫
−
∞
∞
∣
e
i
t
x
∣
p
(
x
)
d
x
=
∫
−
∞
∞
p
(
x
)
d
x
=
φ
(
0
)
=
1
|\varphi(t)|=\left|\int_{-\infty}^{\infty} \mathrm{e}^{\mathrm{i} t x} p(x) \mathrm{d} x\right| \leqslant \int_{-\infty}^{\infty}\left|\mathrm{e}^{\mathrm{i} t x}\right| p(x) \mathrm{d} x=\int_{-\infty}^{\infty} p(x) \mathrm{d} x=\varphi(0)=1
∣φ(t)∣=
∫−∞∞eitxp(x)dx
⩽∫−∞∞
eitx
p(x)dx=∫−∞∞p(x)dx=φ(0)=1.
(2)
φ
(
−
t
)
=
∫
−
∞
∞
e
−
i
t
x
p
(
x
)
d
x
=
∫
−
∞
∞
e
i
t
x
p
(
x
)
d
x
‾
=
φ
(
t
)
‾
\varphi(-t)=\int_{-\infty}^{\infty} \mathrm{e}^{-\mathrm{i} t x} p(x) \mathrm{d} x=\overline{\int_{-\infty}^{\infty} \mathrm{e}^{\mathrm{i} t x} p(x) \mathrm{d} x}=\overline{\varphi(t)}
φ(−t)=∫−∞∞e−itxp(x)dx=∫−∞∞eitxp(x)dx=φ(t).
(3)
φ
Y
(
t
)
=
E
(
e
i
t
(
a
X
+
b
)
)
=
e
i
b
t
E
(
e
i
a
t
X
)
=
e
i
b
t
φ
X
(
a
t
)
\varphi_{Y}(t)=E\left(\mathrm{e}^{\mathrm{i} t(a X+b)}\right)=\mathrm{e}^{\mathrm{i} b t} E\left(\mathrm{e}^{\mathrm{i} a t X}\right)=\mathrm{e}^{\mathrm{i} b t} \varphi_{X}(a t)
φY(t)=E(eit(aX+b))=eibtE(eiatX)=eibtφX(at).
(4) 因为
X
X
X 与
Y
Y
Y 相互独立, 所以
e
i
t
X
\mathrm{e}^{\mathrm{i} t X}
eitX 与
e
i
t
Y
\mathrm{e}^{\mathrm{i} t Y}
eitY 也是独立的, 从而有
E
(
e
i
t
(
X
+
γ
)
)
=
E
(
e
i
t
X
e
i
t
Y
)
=
E
(
e
i
t
X
)
E
(
e
i
t
Y
)
=
φ
X
(
t
)
⋅
φ
Y
(
t
)
.
E\left(\mathrm{e}^{\mathrm{i} t(X+\gamma)}\right)=E\left(\mathrm{e}^{\mathrm{i} t X} \mathrm{e}^{\mathrm{i} t Y}\right)=E\left(\mathrm{e}^{\mathrm{i} t X}\right) E\left(\mathrm{e}^{\mathrm{i} t Y}\right)=\varphi_{X}(t) \cdot \varphi_{Y}(t) .
E(eit(X+γ))=E(eitXeitY)=E(eitX)E(eitY)=φX(t)⋅φY(t).
(5) 因为
E
(
X
l
)
E\left(X^{l}\right)
E(Xl) 存在, 也就是
∫
−
∞
∞
∣
x
∣
t
p
(
x
)
d
x
<
∞
,
\int_{-\infty}^{\infty}|x|^{t} p(x) \mathrm{d} x<\infty,
∫−∞∞∣x∣tp(x)dx<∞,
于是含参变量
t
t
t 的广义积分
∫
−
∞
∞
e
i
t
x
p
(
x
)
d
x
\int_{-\infty}^{\infty} \mathrm{e}^{\mathrm{i} t x} p(x) \mathrm{d} x
∫−∞∞eitxp(x)dx
可以对
t
t
t 求导
l
l
l 次, 于是对
0
⩽
k
⩽
l
0 \leqslant k \leqslant l
0⩽k⩽l, 有
φ
(
k
)
(
t
)
=
∫
−
∞
∞
i
k
x
k
e
i
t
x
p
(
x
)
d
x
=
i
k
E
(
X
k
e
i
x
)
,
\varphi^{(k)}(t)=\int_{-\infty}^{\infty} \mathrm{i}^{k} x^{k} \mathrm{e}^{\mathrm{it} x} p(x) \mathrm{d} x=\mathrm{i}^{k} E\left(X^{k} \mathrm{e}^{\mathrm{i} x}\right),
φ(k)(t)=∫−∞∞ikxkeitxp(x)dx=ikE(Xkeix),
令
t
=
0
t=0
t=0 即得
φ
(
k
)
(
0
)
=
i
k
E
(
X
k
)
.
\varphi^{(k)}(0)=\mathrm{i}^{k} E\left(X^{k}\right) .
φ(k)(0)=ikE(Xk).
至此上述 5 条性质全部得证.
下例是利用性质 4.2 .3 和性质 4.2 .4 来求另一些常用分布的特征函数.
例 4.2.2 常用分布的特征函数 (二)
(1) 二项分布
b
(
n
,
p
)
b(n, p)
b(n,p) 设随机变量
Y
∼
b
(
n
,
p
)
Y \sim b(n, p)
Y∼b(n,p), 则
Y
=
X
1
+
X
2
+
⋯
+
X
n
Y=X_{1}+X_{2}+\cdots+X_{n}
Y=X1+X2+⋯+Xn, 其中诸
X
i
X_{i}
Xi 是相互独立同分布的随机变量,
且
X
i
∼
b
(
1
,
p
)
X_{i} \sim b(1, p)
Xi∼b(1,p). 由例
4.2.1
(
2
)
4.2 .1(2)
4.2.1(2) 知
φ
x
i
(
t
)
=
p
e
i
+
q
.
\varphi_{x_{i}}(t)=p \mathrm{e}^{\mathrm{i}}+q .
φxi(t)=pei+q.
所以由独立随机变量和的特征函数为特征函数的积, 得
φ
Y
(
t
)
=
(
p
e
i
t
+
q
)
n
.
\varphi_{Y}(t)=\left(p \mathrm{e}^{\mathrm{i} t}+q\right)^{n} .
φY(t)=(peit+q)n.
(2) 正态分布
N
(
μ
,
σ
2
)
N\left(\mu, \sigma^{2}\right)
N(μ,σ2) 设随机变量
Y
∼
N
(
μ
,
σ
2
)
Y \sim N\left(\mu, \sigma^{2}\right)
Y∼N(μ,σ2), 则
X
=
(
Y
−
μ
)
/
σ
∼
N
(
0
,
1
)
X=(Y-\mu) / \sigma \sim N(0,1)
X=(Y−μ)/σ∼N(0,1). 由例 4.2.1 知
φ
x
(
t
)
=
e
−
t
2
2
\varphi_{x}(t)=\mathrm{e}^{-\frac{t^{2}}{2}}
φx(t)=e−2t2
所以由
Y
=
σ
X
+
μ
Y=\sigma X+\mu
Y=σX+μ 和性质 4.2 .3 得
φ
Y
(
t
)
=
φ
σ
X
+
μ
(
t
)
=
e
i
ω
t
φ
X
(
σ
t
)
=
exp
{
i
μ
t
−
σ
2
t
2
2
}
.
\varphi_{Y}(t)=\varphi_{\sigma X+\mu}(t)=\mathrm{e}^{i \omega t} \varphi_{X}(\sigma t)=\exp \left\{i \mu t-\frac{\sigma^{2} t^{2}}{2}\right\} .
φY(t)=φσX+μ(t)=eiωtφX(σt)=exp{iμt−2σ2t2}.
(3) 伽马分布
G
a
(
n
,
λ
)
G a(n, \lambda)
Ga(n,λ) 设随机变量
Y
∼
G
a
(
n
,
λ
)
Y \sim G a(n, \lambda)
Y∼Ga(n,λ), 则
Y
=
X
1
+
X
2
+
⋯
+
X
n
Y=X_{1}+X_{2}+\cdots+X_{n}
Y=X1+X2+⋯+Xn, 其中
X
i
X_{i}
Xi独立同分布,且
X
i
∼
Exp
(
λ
)
X_{i} \sim \operatorname{Exp}(\lambda)
Xi∼Exp(λ). 由例 4.2 .1 知
φ
x
i
(
t
)
=
(
1
−
i
t
λ
)
−
1
.
\varphi_{x_{i}}(t)=\left(1-\frac{\mathrm{i} t}{\lambda}\right)^{-1} .
φxi(t)=(1−λit)−1.
所以由独立随机变量和的特征函数为特征函数的积, 得
φ
Y
(
t
)
=
(
φ
x
1
(
t
)
)
n
=
(
1
−
i
t
λ
)
−
n
.
\varphi_{Y}(t)=\left(\varphi_{x_{1}}(t)\right)^{n}=\left(1-\frac{i t}{\lambda}\right)^{-n} .
φY(t)=(φx1(t))n=(1−λit)−n.
进一步, 当
α
\alpha
α 为任一正实数时,我们可得
G
a
(
α
,
λ
)
G a(\alpha, \lambda)
Ga(α,λ)
分布的特征函数为
φ
(
t
)
=
(
1
−
i
t
λ
)
−
α
.
\varphi(t)=\left(1-\frac{\mathrm{i} t}{\lambda}\right)^{-\alpha} .
φ(t)=(1−λit)−α.
(4)
χ
2
(
n
)
\chi^{2}(n)
χ2(n) 分布 因为
χ
2
(
n
)
=
G
a
(
n
/
2
,
1
/
2
)
\chi^{2}(n)=G a(n / 2,1 / 2)
χ2(n)=Ga(n/2,1/2), 所以
χ
2
(
n
)
\chi^{2}(n)
χ2(n) 分布的特征函数为
φ
(
t
)
=
(
1
−
2
i
t
)
−
n
/
2
.
\varphi(t)=(1-2 \mathrm{i} t)^{-n / 2} .
φ(t)=(1−2it)−n/2.
上述常用分布的特征函数汇总在表 4.2 .1 中.
所以由 (4.2.9) 式得
E
(
X
)
=
φ
′
(
0
)
i
=
α
λ
,
Var
(
X
)
=
−
φ
′
′
(
0
)
+
(
φ
′
(
0
)
)
2
=
α
(
α
+
1
)
λ
2
+
(
α
i
λ
)
2
=
α
(
α
+
1
)
λ
2
−
α
2
λ
2
=
α
λ
2
.
\begin{aligned} E(X) & =\frac{\varphi^{\prime}(0)}{\mathrm{i}}=\frac{\alpha}{\lambda}, \\ \operatorname{Var}(X) & =-\varphi^{\prime \prime}(0)+\left(\varphi^{\prime}(0)\right)^{2}=\frac{\alpha(\alpha+1)}{\lambda^{2}}+\left(\frac{\alpha \mathrm{i}}{\lambda}\right)^{2} \\ & =\frac{\alpha(\alpha+1)}{\lambda^{2}}-\frac{\alpha^{2}}{\lambda^{2}}=\frac{\alpha}{\lambda^{2}} . \end{aligned}
E(X)Var(X)=iφ′(0)=λα,=−φ′′(0)+(φ′(0))2=λ2α(α+1)+(λαi)2=λ2α(α+1)−λ2α2=λ2α.
特征函数还有以下一些优良性质.
定理 4.2.1 (一致连续性) 随机变量
X
X
X 的特征函数
φ
(
t
)
\varphi(t)
φ(t) 在
(
−
∞
,
∞
)
(-\infty, \infty)
(−∞,∞) 上一致连续.
证明 设
X
X
X 是连续随机变量 (离散随机变量的证明是类似的), 其密度函数为
p
(
x
)
p(x)
p(x), 则对任意实数
t
,
h
t, h
t,h 和正数
a
>
0
a>0
a>0, 有
∣
φ
(
t
+
h
)
−
φ
(
t
)
∣
=
∣
∫
−
∞
∞
(
e
i
h
x
−
1
)
e
i
t
x
p
(
x
)
d
x
∣
⩽
∫
−
∞
∞
∣
e
i
h
x
−
1
∣
p
(
x
)
d
x
⩽
∫
−
a
a
∣
e
i
h
x
−
1
∣
p
(
x
)
d
x
+
2
∫
∣
x
∣
⩾
a
p
(
x
)
d
x
.
\begin{aligned} |\varphi(t+h)-\varphi(t)| & =\left|\int_{-\infty}^{\infty}\left(\mathrm{e}^{\mathrm{i} h x}-1\right) \mathrm{e}^{\mathrm{i} t x} p(x) \mathrm{d} x\right| \\ & \leqslant \int_{-\infty}^{\infty}\left|\mathrm{e}^{\mathrm{i} h x}-1\right| p(x) \mathrm{d} x \\ & \leqslant \int_{-a}^{a}\left|\mathrm{e}^{\mathrm{i} h x}-1\right| p(x) \mathrm{d} x+2 \int_{|x| \geqslant a} p(x) \mathrm{d} x . \end{aligned}
∣φ(t+h)−φ(t)∣=
∫−∞∞(eihx−1)eitxp(x)dx
⩽∫−∞∞
eihx−1
p(x)dx⩽∫−aa
eihx−1
p(x)dx+2∫∣x∣⩾ap(x)dx.
对任意的
ε
>
0
\varepsilon>0
ε>0, 先取定一个充分大的
a
a
a, 使得
2
∫
∣
x
∣
⩾
0
p
(
x
)
d
x
<
ε
2
,
2 \int_{|x| \geqslant 0} p(x) \mathrm{d} x<\frac{\varepsilon}{2},
2∫∣x∣⩾0p(x)dx<2ε,
然后对任意的
x
∈
[
−
a
,
a
]
x \in[-a, a]
x∈[−a,a], 只要取
δ
=
ε
2
a
\delta=\frac{\varepsilon}{2 a}
δ=2aε,
则当
∣
h
∣
<
δ
|h|<\delta
∣h∣<δ 时, 便有
∣
e
i
h
x
−
1
∣
=
∣
e
i
ℏ
2
x
(
e
i
ℏ
2
x
−
e
−
i
ℏ
2
x
)
∣
=
2
∣
sin
h
x
2
∣
⩽
2
∣
h
x
2
∣
⩽
h
a
<
ε
2
.
\left|\mathrm{e}^{\mathrm{i} h x}-1\right|=\left|\mathrm{e}^{\mathrm{i} \frac{\hbar}{2} x}\left(\mathrm{e}^{\mathrm{i} \frac{\hbar}{2} x}-\mathrm{e}^{-i \frac{\hbar}{2} x}\right)\right|=2\left|\sin \frac{h x}{2}\right| \leqslant 2\left|\frac{h x}{2}\right| \leqslant h a<\frac{\varepsilon}{2} .
eihx−1
=
ei2ℏx(ei2ℏx−e−i2ℏx)
=2
sin2hx
⩽2
2hx
⩽ha<2ε.
从而对所有的
t
∈
(
−
∞
,
∞
)
t \in(-\infty, \infty)
t∈(−∞,∞), 有
∣
φ
(
t
+
h
)
−
φ
(
t
)
∣
<
∫
−
a
a
ε
2
p
(
x
)
d
x
+
ε
2
⩽
ε
,
|\varphi(t+h)-\varphi(t)|<\int_{-a}^{a} \frac{\varepsilon}{2} p(x) \mathrm{d} x+\frac{\varepsilon}{2} \leqslant \varepsilon,
∣φ(t+h)−φ(t)∣<∫−aa2εp(x)dx+2ε⩽ε,
即
φ
(
t
)
\varphi(t)
φ(t) 在
(
−
∞
,
∞
)
(-\infty, \infty)
(−∞,∞) 上一致连续.
定理 4.2.2 (非负定性) 随机变量
X
X
X 的特征函数
φ
(
t
)
\varphi(t)
φ(t) 是非负定的,
即对任意正整数
n
n
n 及
n
n
n 个实数
t
1
,
t
2
,
⋯
,
t
n
t_{1}, t_{2}, \cdots, t_{n}
t1,t2,⋯,tn 和
n
n
n
个复数
z
1
,
z
2
,
⋯
,
z
n
z_{1}, z_{2}, \cdots, z_{n}
z1,z2,⋯,zn, 有
∑
k
=
1
n
∑
j
=
1
n
φ
(
t
k
−
t
j
)
z
k
z
ˉ
j
⩾
0.
\sum_{k=1}^{n} \sum_{j=1}^{n} \varphi\left(t_{k}-t_{j}\right) z_{k} \bar{z}_{j} \geqslant 0 .
k=1∑nj=1∑nφ(tk−tj)zkzˉj⩾0.
证明 仍设
X
X
X 是连续随机变量 (离散随机变量的证明是类似的), 其密度函数为
p
(
x
)
p(x)
p(x), 则有
∑
k
=
1
n
∑
j
=
1
n
φ
(
t
k
−
t
j
)
z
k
z
j
‾
=
∑
k
=
1
n
∑
j
=
1
n
z
k
z
j
‾
∫
−
∞
∞
e
i
(
t
k
−
t
j
)
x
p
(
x
)
d
x
=
∫
−
∞
∞
∑
k
=
1
n
∑
j
=
1
n
z
k
−
z
ˉ
j
e
i
(
t
k
−
t
j
)
x
p
(
x
)
d
x
=
∫
−
∞
∞
(
∑
k
=
1
n
z
k
e
i
t
k
x
)
(
∑
j
=
1
n
z
j
‾
e
−
i
t
p
x
)
p
(
x
)
d
x
\begin{aligned} \sum_{k=1}^{n} \sum_{j=1}^{n} \varphi\left(t_{k}-t_{j}\right) z_{k} \overline{z_{j}} & =\sum_{k=1}^{n} \sum_{j=1}^{n} z_{k} \overline{z_{j}} \int_{-\infty}^{\infty} \mathrm{e}^{\mathrm{i}\left(t_{k}-t_{j}\right) x} p(x) \mathrm{d} x \\ & =\int_{-\infty}^{\infty} \sum_{k=1}^{n} \sum_{j=1}^{n} z_{k}-\bar{z}_{j} \mathrm{e}^{i\left(t_{k}-t_{j}\right) x} p(x) \mathrm{d} x \\ & =\int_{-\infty}^{\infty}\left(\sum_{k=1}^{n} z_{k} \mathrm{e}^{i t_{k} x}\right)\left(\sum_{j=1}^{n} \overline{z_{j}} \mathrm{e}^{-\mathrm{i} t_{p}^{x}}\right) p(x) \mathrm{d} x \end{aligned}
k=1∑nj=1∑nφ(tk−tj)zkzj=k=1∑nj=1∑nzkzj∫−∞∞ei(tk−tj)xp(x)dx=∫−∞∞k=1∑nj=1∑nzk−zˉjei(tk−tj)xp(x)dx=∫−∞∞(k=1∑nzkeitkx)(j=1∑nzje−itpx)p(x)dx
=
∫
−
∞
∞
∣
∑
k
=
1
n
z
k
e
i
t
k
x
∣
2
p
(
x
)
d
x
⩾
0
=\int_{-\infty}^{\infty}\left|\sum_{k=1}^{n} z_{k} \mathrm{e}^{i t_{k} x}\right|^{2} p(x) \mathrm{d} x \geqslant 0
=∫−∞∞
k=1∑nzkeitkx
2p(x)dx⩾0
这就证明了 (4.2.10) 式.
4.2.3 特征函数唯一决定分布函数
由特征函数的定义可知,随机变量的分布唯一地确定了它的特征函数.
前面的讨论实际上都是从随机变量的分布出发, 讨论特征函数及其性质.
要注意的是: 如果两个分布的数学期望、方差及各阶矩都相等,
也无法证明此两个分布相等. 但特征函数却不同,
它有着比数学期望、方差及各阶矩更优良的性质: 即特征函数完全决定了分布,
也就是说,两个分布函数相等当且仅当它们所对应的特征函数相等.下面来讨论这个问题.
定理 4.2.3 (逆转公式) 设
F
(
x
)
F(x)
F(x) 和
φ
(
t
)
\varphi(t)
φ(t) 分别为随机变量
X
X
X
的分布函数和特征函数, 则对
F
(
x
)
F(x)
F(x) 的任意两个连续点
x
1
<
x
2
x_{1}<x_{2}
x1<x2, 有
F
(
x
2
)
−
F
(
x
1
)
=
lim
T
→
∞
1
2
π
∫
−
T
T
e
−
i
t
x
1
−
e
−
i
t
x
2
i
t
φ
(
t
)
d
t
.
F\left(x_{2}\right)-F\left(x_{1}\right)=\lim \limits_{T \rightarrow \infty} \frac{1}{2 \pi} \int_{-T}^{T} \frac{\mathrm{e}^{-i t x_{1}}-\mathrm{e}^{-\mathrm{i} t x_{2}}}{\mathrm{i} t} \varphi(t) \mathrm{d} t .
F(x2)−F(x1)=T→∞lim2π1∫−TTite−itx1−e−itx2φ(t)dt.
证明 设
X
X
X 是连续随机变量 (离散随机变量的证明是类似的), 其密度函数为
p
(
x
)
p(x)
p(x). 记
J
T
=
1
2
π
∫
−
T
T
e
−
i
t
x
1
−
e
−
i
t
x
2
i
t
φ
(
t
)
d
t
=
1
2
π
∫
−
T
T
[
∫
−
∞
∞
e
−
i
t
x
1
−
e
−
i
t
x
2
i
t
e
i
t
x
1
p
(
x
)
d
x
]
d
t
.
J_{T}=\frac{1}{2 \pi} \int_{-T}^{T} \frac{\mathrm{e}^{-\mathrm{i} t x_{1}}-\mathrm{e}^{-\mathrm{i} t x_{2}}}{\mathrm{i} t} \varphi(t) \mathrm{d} t=\frac{1}{2 \pi} \int_{-T}^{T}\left[\int_{-\infty}^{\infty} \frac{\mathrm{e}^{-\mathrm{i} t x_{1}}-\mathrm{e}^{-\mathrm{i} t x_{2}}}{\mathrm{i} t} \mathrm{e}^{\mathrm{i} t x_{1}} p(x) \mathrm{d} x\right] \mathrm{d} t .
JT=2π1∫−TTite−itx1−e−itx2φ(t)dt=2π1∫−TT[∫−∞∞ite−itx1−e−itx2eitx1p(x)dx]dt.
对任意的实数
a
a
a,有
∣
e
i
a
−
1
∣
⩽
∣
a
∣
,
\left|\mathrm{e}^{i a}-1\right| \leqslant|a|,
eia−1
⩽∣a∣,
事实上, 对
a
⩾
0
a \geqslant 0
a⩾0 有
∣
e
i
a
−
1
∣
=
∣
∫
0
a
e
i
x
d
x
∣
⩽
∫
0
a
∣
e
i
x
∣
d
x
=
a
,
\left|\mathrm{e}^{\mathrm{i} a}-1\right|=\left|\int_{0}^{a} \mathrm{e}^{\mathrm{i} x} \mathrm{~d} x\right| \leqslant \int_{0}^{a}\left|\mathrm{e}^{\mathrm{ix}}\right| \mathrm{d} x=a,
eia−1
=
∫0aeix dx
⩽∫0a
eix
dx=a,
对
a
<
0
a<0
a<0 有
∣
e
i
a
−
1
∣
=
∣
e
i
θ
(
e
i
∣
a
∣
−
1
)
∣
=
∣
e
i
∣
a
∣
−
1
∣
⩽
∣
a
∣
.
\left|\mathrm{e}^{\mathrm{i} a}-1\right|=\left|\mathrm{e}^{\mathrm{i} \theta}\left(\mathrm{e}^{\mathrm{i}|a|}-1\right)\right|=\left|\mathrm{e}^{\mathrm{i}|a|}-1\right| \leqslant|a| .
eia−1
=
eiθ(ei∣a∣−1)
=
ei∣a∣−1
⩽∣a∣.
因此
∣
e
−
i
t
x
1
−
e
−
i
t
x
2
i
t
e
i
t
x
∣
⩽
x
2
−
x
1
,
\left|\frac{\mathrm{e}^{-\mathrm{i} t x_{1}}-\mathrm{e}^{-i t x_{2}}}{\mathrm{i} t} \mathrm{e}^{\mathrm{i} t x}\right| \leqslant x_{2}-x_{1},
ite−itx1−e−itx2eitx
⩽x2−x1,
即
J
T
J_{T}
JT 中被积函数有界, 所以可以交换积分次序, 从而得
J
T
=
1
2
π
∫
−
∞
∞
[
∫
−
T
T
e
−
i
t
x
1
−
e
−
i
t
x
2
i
t
e
i
t
x
d
t
]
p
(
x
)
d
x
=
1
2
π
∫
−
∞
∞
[
∫
0
T
e
i
(
x
−
x
1
)
−
e
−
i
t
(
x
−
x
1
)
−
e
i
(
x
−
x
2
)
+
e
−
i
t
(
x
−
x
2
)
i
t
d
t
]
p
(
x
)
d
x
=
1
π
∫
−
∞
∞
[
∫
0
T
(
sin
t
(
x
−
x
1
)
t
−
sin
t
(
x
−
x
2
)
t
)
d
t
]
p
(
x
)
d
x
.
\begin{aligned} J_{T} & =\frac{1}{2 \pi} \int_{-\infty}^{\infty}\left[\int_{-T}^{T} \frac{\mathrm{e}^{-i t x_{1}}-\mathrm{e}^{-\mathrm{i} t x_{2}}}{\mathrm{i} t} \mathrm{e}^{\mathrm{i} t x} \mathrm{~d} t\right] p(x) \mathrm{d} x \\ & =\frac{1}{2 \pi} \int_{-\infty}^{\infty}\left[\int_{0}^{T} \frac{\mathrm{e}^{\mathrm{i}\left(x-x_{1}\right)}-\mathrm{e}^{-\mathrm{i} t\left(x-x_{1}\right)}-\mathrm{e}^{\mathrm{i}\left(x-x_{2}\right)}+\mathrm{e}^{-\mathrm{i} t\left(x-x_{2}\right)}}{\mathrm{i} t} \mathrm{~d} t\right] p(x) \mathrm{d} x \\ & =\frac{1}{\pi} \int_{-\infty}^{\infty}\left[\int_{0}^{T}\left(\frac{\sin t\left(x-x_{1}\right)}{t}-\frac{\sin t\left(x-x_{2}\right)}{t}\right) \mathrm{d} t\right] p(x) \mathrm{d} x . \end{aligned}
JT=2π1∫−∞∞[∫−TTite−itx1−e−itx2eitx dt]p(x)dx=2π1∫−∞∞[∫0Titei(x−x1)−e−it(x−x1)−ei(x−x2)+e−it(x−x2) dt]p(x)dx=π1∫−∞∞[∫0T(tsint(x−x1)−tsint(x−x2))dt]p(x)dx.
又记
g
(
T
,
x
,
x
1
,
x
2
)
=
1
π
∫
0
T
[
sin
t
(
x
−
x
1
)
t
−
sin
t
(
x
−
x
2
)
t
]
d
t
,
g\left(T, x, x_{1}, x_{2}\right)=\frac{1}{\pi} \int_{0}^{T}\left[\frac{\sin t\left(x-x_{1}\right)}{t}-\frac{\sin t\left(x-x_{2}\right)}{t}\right] \mathrm{d} t,
g(T,x,x1,x2)=π1∫0T[tsint(x−x1)−tsint(x−x2)]dt,
则由数学分析中的狄利克雷(Dirichlet) 积分
D
(
a
)
=
1
π
∫
0
∞
sin
a
t
t
d
t
=
{
1
2
,
a
>
0
,
0
,
a
=
0
,
−
1
2
,
a
<
0.
D(a)=\frac{1}{\pi} \int_{0}^{\infty} \frac{\sin a t}{t} \mathrm{~d} t=\left\{\begin{array}{ll} \frac{1}{2}, & a>0, \\ 0, & a=0, \\ -\frac{1}{2}, & a<0 . \end{array}\right.
D(a)=π1∫0∞tsinat dt=⎩
⎨
⎧21,0,−21,a>0,a=0,a<0.
知
lim
T
→
∞
g
(
T
,
x
,
x
1
,
x
2
)
=
D
(
x
−
x
1
)
−
D
(
x
−
x
2
)
.
\lim \limits_{T \rightarrow \infty} g\left(T, x, x_{1}, x_{2}\right)=D\left(x-x_{1}\right)-D\left(x-x_{2}\right) .
T→∞limg(T,x,x1,x2)=D(x−x1)−D(x−x2).
分别考察
x
x
x 在区间
(
x
1
,
x
2
)
\left(x_{1}, x_{2}\right)
(x1,x2)
的端点及内外时相应狄利克雷积分的值即可得
lim
T
→
∞
g
(
T
,
x
,
x
1
,
x
2
)
=
{
0
,
x
<
x
1
或
x
>
x
2
,
1
2
,
x
=
x
1
或
x
=
x
2
,
1
,
x
1
<
x
<
x
2
,
\lim \limits_{T \rightarrow \infty} g\left(T, x, x_{1}, x_{2}\right)=\left\{\begin{array}{ll} 0, & x<x_{1} \text { 或 } x>x_{2}, \\ \frac{1}{2}, & x=x_{1} \text { 或 } x=x_{2}, \\ 1, & x_{1}<x<x_{2}, \end{array}\right.
T→∞limg(T,x,x1,x2)=⎩
⎨
⎧0,21,1,x<x1 或 x>x2,x=x1 或 x=x2,x1<x<x2,
且
∣
g
(
T
,
x
,
x
1
,
x
2
)
∣
\left|g\left(T, x, x_{1}, x_{2}\right)\right|
∣g(T,x,x1,x2)∣ 有界,
从而可以把积分号与极限号交换, 故有
lim
T
→
∞
J
T
=
∫
−
∞
∞
lim
T
→
∞
g
(
T
,
x
,
x
1
,
x
2
)
p
(
x
)
d
x
=
∫
x
1
x
2
p
(
x
)
d
x
=
F
(
x
2
)
−
F
(
x
1
)
.
\lim \limits_{T \rightarrow \infty} J_{T}=\int_{-\infty}^{\infty} \lim \limits_{T \rightarrow \infty} g\left(T, x, x_{1}, x_{2}\right) p(x) \mathrm{d} x=\int_{x_{1}}^{x_{2}} p(x) \mathrm{d} x=F\left(x_{2}\right)-F\left(x_{1}\right) .
T→∞limJT=∫−∞∞T→∞limg(T,x,x1,x2)p(x)dx=∫x1x2p(x)dx=F(x2)−F(x1).
定理得证.
定理 4.2.4(唯一性定理) 随机变量的分布函数由其特征函数唯一决定.
证明 对
F
(
x
)
F(x)
F(x) 的每一个连续点
x
x
x, 当
y
y
y 沿着
F
(
x
)
F(x)
F(x) 的连续点趋于
−
∞
-\infty
−∞ 时, 由逆转公式得
F
(
x
)
=
lim
y
→
−
∞
lim
T
→
∞
1
2
π
∫
−
T
T
e
−
i
t
y
−
e
−
i
t
x
i
t
φ
(
t
)
d
t
,
F(x)=\lim \limits_{y \rightarrow-\infty} \lim \limits_{T \rightarrow \infty} \frac{1}{2 \pi} \int_{-T}^{T} \frac{\mathrm{e}^{-\mathrm{it} y}-\mathrm{e}^{-\mathrm{i} t x}}{\mathrm{i} t} \varphi(t) \mathrm{d} t,
F(x)=y→−∞limT→∞lim2π1∫−TTite−ity−e−itxφ(t)dt,
而分布函数由其连续点上的值唯一决定, 故结论成立.
特别, 当
X
X
X 为连续随机变量,有下述更强的结果.
定理 4.2.5 若
X
X
X 为连续随机变量, 其密度函数为
p
(
x
)
p(x)
p(x), 特征函数为
φ
(
t
)
\varphi(t)
φ(t). 如果
∫
−
∞
∞
∣
φ
(
t
)
∣
d
t
<
∞
\int_{-\infty}^{\infty}|\varphi(t)| \mathrm{d} t<\infty
∫−∞∞∣φ(t)∣dt<∞, 则
p
(
x
)
=
1
2
π
∫
−
∞
∞
e
−
i
t
x
φ
(
t
)
d
t
.
p(x)=\frac{1}{2 \pi} \int_{-\infty}^{\infty} \mathrm{e}^{-i t x} \varphi(t) \mathrm{d} t .
p(x)=2π1∫−∞∞e−itxφ(t)dt.
证明 记
X
X
X 的分布函数为
F
(
x
)
F(x)
F(x), 由逆转公式知
p
(
x
)
=
lim
Δ
x
→
0
F
(
x
+
Δ
x
)
−
F
(
x
)
Δ
x
=
lim
Δ
x
→
0
1
2
π
∫
−
∞
∞
e
−
i
t
x
−
e
−
i
t
(
x
+
Δ
x
)
i
t
⋅
Δ
x
φ
(
t
)
d
t
.
p(x)=\lim \limits_{\Delta x \rightarrow 0} \frac{F(x+\Delta x)-F(x)}{\Delta x}=\lim \limits_{\Delta x \rightarrow 0} \frac{1}{2 \pi} \int_{-\infty}^{\infty} \frac{\mathrm{e}^{-\mathrm{i} t x}-\mathrm{e}^{-\mathrm{i} t(x+\Delta x)}}{\mathrm{i} t \cdot \Delta x} \varphi(t) \mathrm{d} t .
p(x)=Δx→0limΔxF(x+Δx)−F(x)=Δx→0lim2π1∫−∞∞it⋅Δxe−itx−e−it(x+Δx)φ(t)dt.
再次利用不等式
∣
e
i
a
−
1
∣
⩽
∣
a
∣
\left|\mathrm{e}^{i a}-1\right| \leqslant|a|
eia−1
⩽∣a∣, 就有
∣
e
−
i
t
x
−
e
−
i
t
(
x
+
Δ
x
)
i
t
⋅
Δ
x
∣
⩽
1.
\left|\frac{\mathrm{e}^{-\mathrm{itx}}-\mathrm{e}^{-\mathrm{it}(x+\Delta x)}}{\mathrm{it} \cdot \Delta x}\right| \leqslant 1 .
it⋅Δxe−itx−e−it(x+Δx)
⩽1.
又因为
∫
−
∞
∞
∣
φ
(
t
)
∣
d
t
<
∞
\int_{-\infty}^{\infty}|\varphi(t)| \mathrm{d} t<\infty
∫−∞∞∣φ(t)∣dt<∞,
所以可以交换极限号和积分号, 即
p
(
x
)
=
1
2
π
∫
−
∞
∞
lim
Δ
x
→
0
e
−
i
t
x
−
e
−
i
(
x
+
Δ
x
)
i
t
⋅
Δ
x
φ
(
t
)
d
t
=
1
2
π
∫
−
∞
∞
e
−
i
t
x
φ
(
t
)
d
t
.
p(x)=\frac{1}{2 \pi} \int_{-\infty}^{\infty} \lim \limits_{\Delta x \rightarrow 0} \frac{\mathrm{e}^{-\mathrm{i} t x}-\mathrm{e}^{-\mathrm{i}(x+\Delta \mathrm{x})}}{\mathrm{i} t \cdot \Delta x} \varphi(t) \mathrm{d} t=\frac{1}{2 \pi} \int_{-\infty}^{\infty} \mathrm{e}^{-\mathrm{i} t x} \varphi(t) \mathrm{d} t .
p(x)=2π1∫−∞∞Δx→0limit⋅Δxe−itx−e−i(x+Δx)φ(t)dt=2π1∫−∞∞e−itxφ(t)dt.
定理得证.
(4.2.12) 式在数学分析中也称为傅里叶逆变换, 所以 (4.2.3) 式和 (4.2.12)
式实质上是一对互逆的变换:
φ
(
t
)
=
∫
−
∞
∞
e
i
t
x
p
(
x
)
d
x
,
p
(
x
)
=
1
2
π
∫
−
∞
∞
e
−
i
t
x
φ
(
t
)
d
t
.
\begin{array}{c} \varphi(t)=\int_{-\infty}^{\infty} \mathrm{e}^{\mathrm{i} t x} p(x) \mathrm{d} x, \\ p(x)=\frac{1}{2 \pi} \int_{-\infty}^{\infty} \mathrm{e}^{-\mathrm{i} t x} \varphi(t) \mathrm{d} t . \end{array}
φ(t)=∫−∞∞eitxp(x)dx,p(x)=2π1∫−∞∞e−itxφ(t)dt.
即特征函数是密度函数的傅里叶变换, 而密度函数是特征函数的傅里叶逆变换.
在此着重指出: 在概率论中, 独立随机变量和的问题占有 "中心"地位,
用卷积公式去处理独立随机变量和的问题相当复杂,
而引人了特征函数可以很方便地用特征函数相乘求得独立随机变量和的特征函数,再由唯一性定理,
从独立随机变量和的特征函数来识别独立随机变量和的分布.
由此大大简化了处理独立随机变量和的难度. 读者可从下例中体会出这一点.
例 4.2.4 在 3.3 节中,
我们用卷积公式通过复杂的计算证明了二项分布、泊松分布、伽马分布和
χ
2
\chi^{2}
χ2 分布的可加性. 现在用特征函数方法 (性质 4.2 .4 和唯一性定理)
可以很方便地证明正态分布的可加性.
设随机变量
X
∼
N
(
μ
1
,
σ
1
2
)
,
Y
∼
N
(
μ
2
,
σ
2
2
)
X \sim N\left(\mu_{1}, \sigma_{1}^{2}\right), Y \sim N\left(\mu_{2}, \sigma_{2}^{2}\right)
X∼N(μ1,σ12),Y∼N(μ2,σ22),
且
X
X
X 与
Y
Y
Y 独立, 其特征函数分别为
φ
X
(
t
)
=
e
i
μ
1
−
σ
1
2
,
2
2
,
φ
Y
(
t
)
=
e
i
μ
2
−
σ
2
2
,
2
2
,
\varphi_{X}(t)=\mathrm{e}^{\mathrm{i} \mu_{1}-\frac{\sigma_{1}^{2}, 2}{2}}, \quad \varphi_{Y}(t)=\mathrm{e}^{\mathrm{i} \mu_{2}-\frac{\sigma_{2}^{2}, 2}{2}},
φX(t)=eiμ1−2σ12,2,φY(t)=eiμ2−2σ22,2,
所以由性质 4.2 .4 得
φ
X
+
γ
(
t
)
=
φ
X
(
t
)
⋅
φ
Y
(
t
)
=
e
i
t
(
μ
1
+
μ
2
)
−
(
σ
1
2
⋅
σ
2
2
,
μ
2
2
.
\varphi_{X+\gamma}(t)=\varphi_{X}(t) \cdot \varphi_{Y}(t)=\mathrm{e}^{\mathrm{i} t\left(\mu_{1}+\mu_{2}\right)-\frac{\left(\sigma_{1}^{2} \cdot \sigma_{2}^{2}, \mu^{2}\right.}{2}} .
φX+γ(t)=φX(t)⋅φY(t)=eit(μ1+μ2)−2(σ12⋅σ22,μ2.
这正是
N
(
μ
1
+
μ
2
,
σ
1
2
+
σ
2
2
)
N\left(\mu_{1}+\mu_{2}, \sigma_{1}^{2}+\sigma_{2}^{2}\right)
N(μ1+μ2,σ12+σ22)
的特征函数, 再由特征函数的唯一性定理, 即知
X
+
Y
∼
N
(
μ
1
+
⋅
μ
2
,
σ
1
2
+
σ
2
2
)
.
X+Y \sim N\left(\mu_{1}+\cdot \mu_{2}, \sigma_{1}^{2}+\sigma_{2}^{2}\right) .
X+Y∼N(μ1+⋅μ2,σ12+σ22).
同理可证: 若
X
j
X_{j}
Xj 相互独立, 且
X
j
∼
N
(
μ
j
,
σ
j
2
)
,
j
=
1
,
2
,
⋯
,
n
X_{j} \sim N\left(\mu_{j}, \sigma_{j}^{2}\right), j=1,2, \cdots, n
Xj∼N(μj,σj2),j=1,2,⋯,n, 则
∑
j
=
1
n
X
j
∼
N
(
∑
j
=
1
n
μ
j
,
∑
j
=
1
n
σ
j
2
)
.
\sum_{j=1}^{n} X_{j} \sim N\left(\sum_{j=1}^{n} \mu_{j}, \sum_{j=1}^{n} \sigma_{j}^{2}\right) .
j=1∑nXj∼N(j=1∑nμj,j=1∑nσj2).
例 4.2.5 已知连续随机变量的特征函数如下, 求其分布:
(1)
φ
1
(
t
)
=
e
−
∣
t
∣
\varphi_{1}(t)=\mathrm{e}^{-|t|}
φ1(t)=e−∣t∣;
(2)
φ
2
(
t
)
=
sin
a
t
a
t
\varphi_{2}(t)=\frac{\sin a t}{a t}
φ2(t)=atsinat.
解 (1) 由逆转公式 (4.2.12) 可知其密度函数为
p
(
x
)
=
1
2
π
∫
−
∞
∞
e
−
i
x
t
⋅
e
−
∣
t
∣
d
t
=
1
2
π
∫
0
∞
e
−
(
1
+
i
x
)
t
d
t
+
1
2
π
∫
−
∞
0
e
(
1
−
i
x
)
t
d
t
=
1
2
π
(
1
1
+
i
x
+
1
1
−
i
x
)
=
1
π
(
1
+
x
2
)
.
\begin{aligned} p(x) & =\frac{1}{2 \pi} \int_{-\infty}^{\infty} \mathrm{e}^{-\mathrm{i} x t} \cdot \mathrm{e}^{-|t|} \mathrm{d} t \\ & =\frac{1}{2 \pi} \int_{0}^{\infty} \mathrm{e}^{-(1+\mathrm{i} x) t} \mathrm{~d} t+\frac{1}{2 \pi} \int_{-\infty}^{0} \mathrm{e}^{(1-i x) t} \mathrm{~d} t \\ & =\frac{1}{2 \pi}\left(\frac{1}{1+\mathrm{i} x}+\frac{1}{1-\mathrm{i} x}\right)=\frac{1}{\pi\left(1+x^{2}\right)} . \end{aligned}
p(x)=2π1∫−∞∞e−ixt⋅e−∣t∣dt=2π1∫0∞e−(1+ix)t dt+2π1∫−∞0e(1−ix)t dt=2π1(1+ix1+1−ix1)=π(1+x2)1.
这是柯西分布, 所以特征函数
φ
1
(
t
)
=
e
−
∣
t
∣
\varphi_{1}(t)=\mathrm{e}^{-|t|}
φ1(t)=e−∣t∣
对应的是柯西分布.
(2)
φ
2
(
t
)
=
sin
a
t
a
t
\varphi_{2}(t)=\frac{\sin a t}{a t}
φ2(t)=atsinat 是均匀分布
U
(
−
a
,
a
)
U(-a, a)
U(−a,a)
的特征函数, 由唯一性定理知, 该特征函数
对应的分布不是别的, 只能是均匀分布
U
(
−
a
,
a
)
U(-a, a)
U(−a,a).
下面的定理指出:
分布函数序列的弱收敛性与相应的特征函数序列的点点收敛性是等价的.
定理 4.2.6 分布函数序列
{
F
n
(
x
)
}
\left\{F_{n}(x)\right\}
{Fn(x)} 弱收敛于分布函数
F
(
x
)
F(x)
F(x) 的充要条件是
{
F
n
(
x
)
}
\left\{F_{n}(x)\right\}
{Fn(x)} 的特征函数序列
{
φ
n
(
t
)
}
\left\{\varphi_{n}(t)\right\}
{φn(t)} 收敛于
F
(
x
)
F(x)
F(x) 的特征函数
φ
(
t
)
\varphi(t)
φ(t).
这个定理的证明只涉及数学分析的一些结果, 且证明比较壳长 (参阅文献
[1]),在此就不介绍了. 通常把以上定理称为特征函数的连续性定理,
因为它表明分布函数与特征函数的一一对应关系有连续性.
例 4.2.6 若
X
λ
X_{\lambda}
Xλ 服从参数为
λ
\lambda
λ 的泊松分布, 证明:
lim
λ
→
∞
P
(
X
λ
−
λ
λ
⩽
x
)
=
1
2
π
∫
−
∞
x
e
−
t
2
2
d
t
.
\lim \limits_{\lambda \rightarrow \infty} P\left(\frac{X_{\lambda}-\lambda}{\sqrt{\lambda}} \leqslant x\right)=\frac{1}{\sqrt{2 \pi}} \int_{-\infty}^{x} \mathrm{e}^{-\frac{t^{2}}{2}} \mathrm{~d} t .
λ→∞limP(λXλ−λ⩽x)=2π1∫−∞xe−2t2 dt.
证明 已知
X
λ
X_{\lambda}
Xλ 的特征函数为
φ
λ
(
t
)
=
exp
{
λ
(
e
i
−
1
)
}
\varphi_{\lambda}(t)=\exp \left\{\lambda\left(\mathrm{e}^{\mathrm{i}}-1\right)\right\}
φλ(t)=exp{λ(ei−1)},
故
Y
λ
=
X
λ
−
λ
λ
Y_{\lambda}=\frac{X_{\lambda}-\lambda}{\sqrt{\lambda}}
Yλ=λXλ−λ 的特征函数为
g
λ
(
t
)
=
φ
λ
(
t
λ
)
exp
{
−
i
λ
t
}
=
exp
{
λ
(
e
i
λ
−
1
)
−
i
λ
t
}
.
g_{\lambda}(t)=\varphi_{\lambda}\left(\frac{t}{\sqrt{\lambda}}\right) \exp \{-\mathrm{i} \sqrt{\lambda} t\}=\exp \left\{\lambda\left(\mathrm{e}^{\mathrm{i} \sqrt{\lambda}}-1\right)-\mathrm{i} \sqrt{\lambda} t\right\} .
gλ(t)=φλ(λt)exp{−iλt}=exp{λ(eiλ−1)−iλt}.
对任意的
t
t
t, 有
exp
{
i
t
λ
}
=
1
+
i
t
λ
−
t
2
2
!
λ
+
o
(
1
λ
)
\exp \left\{\mathrm{i} \frac{t}{\sqrt{\lambda}}\right\}=1+\frac{\mathrm{i} t}{\sqrt{\lambda}}-\frac{t^{2}}{2 ! \lambda}+o\left(\frac{1}{\lambda}\right)
exp{iλt}=1+λit−2!λt2+o(λ1)
于是
λ
(
e
i
λ
−
1
)
−
i
λ
t
=
−
t
2
2
+
λ
⋅
o
(
1
λ
)
→
−
t
2
2
,
λ
→
∞
.
\lambda\left(\mathrm{e}^{\frac{i}{\sqrt{\lambda}}}-1\right)-\mathrm{i} \sqrt{\lambda} t=-\frac{t^{2}}{2}+\lambda \cdot o\left(\frac{1}{\lambda}\right) \rightarrow-\frac{t^{2}}{2}, \quad \lambda \rightarrow \infty .
λ(eλi−1)−iλt=−2t2+λ⋅o(λ1)→−2t2,λ→∞.
从而有
lim
λ
→
∞
g
λ
(
t
)
=
e
−
t
2
/
2
,
\lim \limits_{\lambda \rightarrow \infty} g_{\lambda}(t)=\mathrm{e}^{-t^{2} / 2},
λ→∞limgλ(t)=e−t2/2,
而
e
−
t
2
/
2
\mathrm{e}^{-t^{2} / 2}
e−t2/2 正是标准正态分布
N
(
0
,
1
)
N(0,1)
N(0,1) 的特征函数,
由定理 4.2 .6 即知结论成立.
题 4.2
1. 设离散随机变量
X
X
X 的分布列如下, 试求
X
X
X 的特征函数.
X
X
X 0 1 2 3
P
P
P 0.4 0.3 0.2 0.1
2. 设离散随机变量
X
X
X 服从几何分布
P
(
X
=
k
)
=
(
1
−
p
)
k
−
1
p
,
k
=
1
,
2
,
⋯
.
P(X=k)=(1-p)^{k-1} p, \quad k=1,2, \cdots .
P(X=k)=(1−p)k−1p,k=1,2,⋯.
试求
X
X
X 的特征函数, 并以此求
E
(
X
)
E(X)
E(X) 和
Var
(
X
)
\operatorname{Var}(X)
Var(X).
3. 设离散随机变量
X
X
X 服从帕斯卡分布
P
(
X
=
k
)
=
(
k
−
1
r
−
1
)
p
′
(
1
−
p
)
k
−
r
,
k
=
r
,
r
+
1
,
⋯
.
P(X=k)=\left(\begin{array}{l} k-1 \\ r-1 \end{array}\right) p^{\prime}(1-p)^{k-r}, \quad k=r, r+1, \cdots .
P(X=k)=(k−1r−1)p′(1−p)k−r,k=r,r+1,⋯.
试求
X
X
X 的特征函数.
4. 求下列分布函数的特征函数, 并由特征函数求其数学期望和方差:
(1)
F
1
(
x
)
=
a
2
∫
−
∞
t
e
−
a
t
t
∣
d
t
(
a
>
0
)
F_{1}(x)=\frac{a}{2} \int_{-\infty}^{t} \mathrm{e}^{-a t t \mid} \mathrm{d} t \quad(a>0)
F1(x)=2a∫−∞te−att∣dt(a>0);
(2)
F
2
(
x
)
=
a
π
∫
−
∞
x
1
t
2
+
a
2
d
t
(
a
>
0
)
F_{2}(x)=\frac{a}{\pi} \int_{-\infty}^{x} \frac{1}{t^{2}+a^{2}} \mathrm{~d} t \quad(a>0)
F2(x)=πa∫−∞xt2+a21 dt(a>0).
5. 设随机变量
X
∼
N
(
μ
,
σ
2
)
X \sim N\left(\mu, \sigma^{2}\right)
X∼N(μ,σ2),
试用特征函数的方法求
X
X
X 的 3 阶及 4 阶中心矩.
6. 试用特征函数的方法证明二项分布的可加性: 若随机变量
X
∼
b
(
n
,
p
)
,
Y
∼
b
(
m
,
p
)
X \sim b(n, p), Y \sim b(m, p)
X∼b(n,p),Y∼b(m,p), 且
X
X
X 与
Y
Y
Y独立, 则
X
+
Y
∼
b
(
n
+
m
,
p
)
X+Y \sim b(n+m, p)
X+Y∼b(n+m,p).
7. 试用特征函数的方法证明泊松分布的可加性: 若随机变量
X
∼
P
(
λ
1
)
,
Y
∼
P
(
λ
2
)
X \sim P\left(\lambda_{1}\right), Y \sim P\left(\lambda_{2}\right)
X∼P(λ1),Y∼P(λ2), 且
X
X
X 与
Y
Y
Y 独立, 则
X
+
Y
∼
P
(
λ
1
+
λ
2
)
X+Y \sim P\left(\lambda_{1}+\lambda_{2}\right)
X+Y∼P(λ1+λ2).
8. 试用特征函数的方法证明伽马分布的可加性: 若随机变量
X
∼
G
a
(
α
1
,
λ
)
,
Y
∼
G
a
(
α
2
,
λ
)
X \sim G a\left(\alpha_{1}, \lambda\right), Y \sim G a\left(\alpha_{2}, \lambda\right)
X∼Ga(α1,λ),Y∼Ga(α2,λ),
且
X
X
X与
Y
Y
Y 独立, 则
X
+
Y
∼
G
a
(
α
1
+
α
2
,
λ
)
X+Y \sim G a\left(\alpha_{1}+\alpha_{2}, \lambda\right)
X+Y∼Ga(α1+α2,λ).
9. 试用特征函数的方法证明
χ
2
\chi^{2}
χ2 分布的可加性: 若随机变量
X
∼
χ
2
(
n
)
,
Y
∼
χ
2
(
m
)
X \sim \chi^{2}(n), Y \sim \chi^{2}(m)
X∼χ2(n),Y∼χ2(m), 且
X
X
X 与
Y
Y
Y 独立,则
X
+
Y
∼
X
2
(
n
+
m
)
X+Y \sim X^{2}(n+m)
X+Y∼X2(n+m).
10. 设随机变量
X
i
X_{i}
Xi 独立同分布, 且
X
i
∼
Exp
(
λ
)
,
i
=
1
,
2
,
⋯
,
n
X_{i} \sim \operatorname{Exp}(\lambda), i=1,2, \cdots, n
Xi∼Exp(λ),i=1,2,⋯,n,
试用特征函数的方法证明:
Y
n
=
∑
i
=
1
n
X
i
∼
G
a
(
n
,
λ
)
.
Y_{n}=\sum_{i=1}^{n} X_{i} \sim G a(n, \lambda) .
Yn=i=1∑nXi∼Ga(n,λ).
11. 设连续随机变量
X
X
X 服从柯西分布,密度函数如下:
p
(
x
)
=
1
π
⋅
λ
λ
2
+
(
x
−
μ
)
2
,
−
∞
<
x
<
∞
,
p(x)=\frac{1}{\pi} \cdot \frac{\lambda}{\lambda^{2}+(x-\mu)^{2}}, \quad-\infty<x<\infty,
p(x)=π1⋅λ2+(x−μ)2λ,−∞<x<∞,
其中参数
λ
>
0
,
−
∞
<
μ
<
∞
\lambda>0,-\infty<\mu<\infty
λ>0,−∞<μ<∞, 常记为
X
∼
Cau
(
λ
,
μ
)
X \sim \operatorname{Cau}(\lambda, \mu)
X∼Cau(λ,μ).
(1)试证
X
X
X 的特征函数为
exp
{
i
μ
t
−
λ
∣
t
∣
}
\exp \{i \mu t-\lambda|t|\}
exp{iμt−λ∣t∣},
且利用此结果证明柯西分布的可加性;
(2) 当
μ
=
0
,
λ
=
1
\mu=0, \lambda=1
μ=0,λ=1 时, 记
Y
=
X
Y=X
Y=X, 试证
φ
X
+
Y
(
t
)
=
φ
X
(
t
)
⋅
φ
Y
(
t
)
\varphi_{X+Y}(t)=\varphi_{X}(t) \cdot \varphi_{Y}(t)
φX+Y(t)=φX(t)⋅φY(t), 但是
X
X
X 与
Y
Y
Y
不独立;
(3) 若
X
1
,
X
2
,
⋯
,
X
n
X_{1}, X_{2}, \cdots, X_{n}
X1,X2,⋯,Xn 相互独立, 且服从同一柯西分布,
试证:
1
n
(
X
1
+
X
2
+
⋯
+
X
n
)
\frac{1}{n}\left(X_{1}+X_{2}+\cdots+X_{n}\right)
n1(X1+X2+⋯+Xn) 与
X
1
X_{1}
X1
同分布.
12. 设连续随机变量
X
X
X 的密度函数为
p
(
x
)
p(x)
p(x), 试证:
p
(
x
)
p(x)
p(x)
关于原点对称的充要条件是它的特征函数是实的偶函数.
13. 设随机变量
X
1
,
X
2
,
⋯
,
X
n
X_{1}, X_{2}, \cdots, X_{n}
X1,X2,⋯,Xn 独立同分布, 且都服从
N
(
μ
,
σ
2
)
N\left(\mu, \sigma^{2}\right)
N(μ,σ2) 分布, 试求
X
ˉ
=
1
n
∑
i
=
1
n
X
i
\bar{X}=\frac{1}{n} \sum_{i=1}^{n} X_{i}
Xˉ=n1∑i=1nXi 的分布.
14. 利用特征函数方法证明如下的泊松定理: 设有一列二项分布
{
b
(
k
,
n
,
p
n
)
}
\left\{b\left(k, n, p_{n}\right)\right\}
{b(k,n,pn)}, 若
lim
n
→
∞
n
p
n
=
λ
\lim \limits_{n \rightarrow \infty} n p_{n}=\lambda
n→∞limnpn=λ, 则
lim
n
→
∞
b
(
k
,
n
,
p
n
)
=
λ
k
k
!
e
−
λ
,
k
=
0
,
1
,
2
,
⋯
.
\lim \limits_{n \rightarrow \infty} b\left(k, n, p_{n}\right)=\frac{\lambda^{k}}{k !} \mathrm{e}^{-\lambda}, \quad k=0,1,2, \cdots .
n→∞limb(k,n,pn)=k!λke−λ,k=0,1,2,⋯.
15. 设随机变量
X
∼
G
a
(
α
,
λ
)
X \sim G a(\alpha, \lambda)
X∼Ga(α,λ), 证明: 当
α
→
∞
\alpha \rightarrow \infty
α→∞ 时,随机变量
(
λ
X
−
α
)
/
α
(\lambda X-\alpha) / \sqrt{\alpha}
(λX−α)/α 技分布收敛于标准正态变量.