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,其中是任何具有该分布的随机变量:
![](http://upload.wikimedia.org/wikipedia/commons/thumb/e/ea/Sinc_simple.svg/275px-Sinc_simple.svg.png)
- ,
用矩母函数来表示(如果它存在),特征函数就是的矩母函数,或在虚数轴上求得的矩母函数。
与矩母函数不同,特征函数总是存在。
如果是累积分布函数,那么特征函数由黎曼-斯蒂尔杰斯积分给出:
- 。
在概率密度函数存在的情况下,该公式就变为:
- 。
或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)是实数,因为从所获得的虚数部分与从所获得的相互抵消。
性质
编辑连续性
编辑勒维连续定理说明,假设 为一个随机变量序列,其中每一个 都有特征函数 ,那么它依分布收敛于某个随机变量 :
- 当
如果
- 当
且 在 处连续, 是 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
编辑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 :
- 。
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。[1]
博赫纳-辛钦定理/公理化定义
编辑任意一个函数 是对应于某个概率律 的特征函数,当且仅当满足以下三个条件:
- 是连续的;
- ;
- 是一个正定函数(注意这是一个复杂的条件,与 不等价)。
计算性质
编辑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 、 、……、 是一个独立(不一定同分布)的随机变量的序列,且
其中 是常数,那么 的特征函数为:
特别地, 。这是因为:
- 。
注意我们需要 和 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 且 为样本平均值。在这个情况下,用 表示平均值,我们便有:
- 。
特征函数举例
编辑分布 | 特征函数 |
---|---|
退化分布 | |
伯努利分布 | |
二项分布 | |
负二项分布 | |
泊松分布 | |
连续均匀分布 | |
拉普拉斯分布 | |
正态分布 | |
卡方分布 k | |
柯西分布 | |
伽玛分布 | |
指数分布 | |
多元正态分布 | |
多元柯西分布 [2] |
Oberhettinger (1973) 提供的特征函数表.
特征函数的应用
编辑矩
编辑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:
例如,假设 具有标准柯西分布。那么 。它在 处不可微,说明柯西分布没有期望值。另外,注意到 个独立的观测的样本平均值 具有特征函数 ,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
编辑具有尺度参数 和形状参数k的伽玛分布的特征函数为:
- 。
现在假设我们有:
- 且
其中 和 相互独立,我们想要知道 的分布是什么。 和 特征函数分别为:
根据独立性和特征函数的基本性质,可得:
- 。
这就是尺度参数为 、形状参数为 的伽玛分布的特征函数,因此我们得出结论:
- ,
这个结果可以推广到 个独立、具有相同尺度参数的伽玛随机变量:
- 。
多元特征函数
编辑如果 是一个多元随机变量,那么它的特征函数定义为:
- 。
这里的点表示向量的点积,而向量 位于 的对偶空间内。用更加常见的矩阵表示法,就是:
- 。
例子
编辑如果 是一个平均值为零的多元高斯随机变量,那么:
其中 表示正定矩阵 Σ的行列式。
矩阵值随机变量
编辑如果 是一个矩阵值随机变量,那么它的特征函数为:
在这里, 是迹函数, 表示 与 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( 但 )。
相关概念
编辑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 的特征函数是 的连续傅里叶变换的共轭复数(按照通常的惯例)。
其中 表示概率密度函数 的连续傅里叶变换。类似地,从 可以通过傅里叶逆变换求出 :
- 。
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
编辑- ^ P. Levy, Calcul des probabilités, Gauthier-Villars, Paris, 1925. p. 166
- ^ 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