下载文档原格式
概率论_特征函数特征函数（characteristic function）是概率论中一个非常重要的工具，它能够完全描述一个随机变量的分布，并且可以用来推导和证明一系列的性质和定理。
特征函数具有许多重要的性质，如唯一决定定理、独立性的性质、收敛性的性质等。
特征函数的定义如下：对于一个随机变量X，它的特征函数$\varphi(t)$定义为$E[e^{itX}]$，其中 i 是复数单位，t 是实数。
特征函数是关于 t 的复数函数，其实部和虚部分别是 $\cos(tx)$ 和$\sin(tx)$。
特征函数的一个重要性质是唯一决定性（uniqueness），即对于一个分布，它的特征函数是唯一确定的，并且确定了分布的所有性质。
这一性质使得特征函数成为一种描述概率分布的有效工具。
对于连续分布，特征函数可以通过概率密度函数和积分的关系得到，对于离散分布，特征函数可以通过概率质量函数和求和的关系得到。
另一个重要的性质是独立性的性质。
如果两个随机变量 X 和 Y 是独立的，那么它们的特征函数的乘积等于它们各自的特征函数的乘积。
即$\varphi_{X+Y}(t)=\varphi_X(t)\varphi_Y(t)$。
这个性质可以用来推导和证明随机变量的和的分布。
特别地，如果 X 和 Y 是独立同分布的，那么它们的特征函数的乘积等于它们特征函数的平方。
特征函数还有一个重要的性质是收敛性的性质。
对于一个随机变量序列X₁,X₂,...，如果它们的特征函数逐点收敛于一个函数，那么这个函数也是一个随机变量的特征函数，且收敛到的分布是弱收敛的。
这个性质可以用来证明中心极限定理等重要的结果。
特征函数在概率论和统计学中有广泛的应用。
它被用来推导和证明许多重要的定理，如中心极限定理、大数定律、极限理论等。
它还可以用来计算随机变量的矩、协方差、相关系数等统计量，并且可以用来推导各种分布族的性质。
特征函数的计算通常比较简单，只需计算指数函数的期望。
特征函数的概念及意义目录：一．特征函数的定义。
二．常用分布的特征函数。
三．特征函数的应用。
四．绪论。
一．特征函数的定义设X 是一个随机变量，称 ()()itXe t E =ϕ, +∞<<∞-t ,为X 的特征函数.因为＝１Ｘit e ，所以()itX e E 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 的分布列为() ,3,2,1,P p k ===k x X k ，则X 的特征函数为()∑+∞==1k k itx p e t k ϕ, +∞<<∞-t .当连续随机变量X 的密度函数为()x p ,则X 的特征函数为 ()()⎰+∞∞-=dx x p e t k itx ϕ, +∞<<∞-t .与随机变量的数学期望，方差及各阶矩阵一样，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.二．常用分布的特征函数1、单点分布：().1P ==a X 其特征函数为 ().e t it a =ϕ2、10-分布：()(),10x p 1p x X P x1x =-==-，，其特征函数为()q pe t it +=ϕ，其中p 1q -=.3、泊松分布()λP ：()λλ-==e k k X P k！，k=0,1， ，其特征函数为()()∑+∞=---===0k 1e e kiktitit e e e e k et λλλλλϕ！. 4、均匀分布()b a U ,：因为密度函数为()⎪⎩⎪⎨⎧<<-=.;,0,1其他b x a a b x p所以特征函数为()()⎰--=-=b aiatibt itx a b it e e dx a b e x ϕ. 5、标准正态分布()1,0N ：因为密度函数为()2221x e x p -=π， +∞<<∞-x .所以特征函数为()()⎰⎰∞+∞-∞+∞-----∞==dxit x t x itx e edx e x 2222222121πϕ=⎰-∞+-∞----=ititt t t edz ee22222221π.其中⎰-∞+-∞--=ititx dz eπ222 .三．特征函数的应用1、在求数字特征上的应用求()2N σμ，分布的数学期望和方差. 由于()2N σμ，的分布的特征函数为()2t i 22et σμϕ=,于是由()k k k i 0ξϕE =得，()μϕξi 0i ′==E , ()22″220i σμϕξ--==E , 由此即得()222D σξξξμξ=E -E ==E ，.我们可以看出用特征函数求正态分布的数学期望和方差, 要比从定义计算方便的多.2、 在求独立随机变量和的分布上的应用利用归纳法, 不难把性质4推广到n 个独立随机变量的场合,而n21,ξξξ ，，是n 个相互独立的随机变量, 相应的特征函数为()()()∑==n 1i i n 21t t t ξξϕϕϕ，则，，， 的特征函数为()()∏==n1i i t t ϕϕ.设()n ,,21j j ，=ξ是n 个相互独立的，且服从正态分布()2N j j a σ，的正态随机变量.试求∑==n1j j ξξ的分布.由于j ξ的分布为()2N j j a σ，，故相应的特征为()222tia j j je t σϕ=.由特征函数的性质()()ξϕϕ可知∏==nj j t t 1的特征函数为()()21212221112t t a i n j nj tia j nj j nj j j jeet t ⎪⎪⎭⎫ ⎝⎛-⎪⎪⎭⎫ ⎝⎛==∑∑=====∏∏σσϕϕ.而这正是⎪⎪⎭⎫ ⎝⎛∑∑==n j j n j j a N 121,σ的特征函数.由分布函数与特征函数的一一对应关系即知ξ服从⎪⎪⎭⎫ ⎝⎛∑∑==n j j n j j a N 121,σ. 3、 在证明二项分布收敛于正态分布上的应用在n 重贝努力实验中，事件A 每次出现的概率为p(0<p<1)，n μ为n 次试验中事件A 出现的次数，则dt e x npq np P xt nn ⎰∞-∞→=⎪⎪⎭⎫ ⎝⎛<-2221lim πμ.要证明上述结论只需证明下面的结论，因为它是下面的结论一个特例. 若 ,,21ξξ是一列独立同分布的随机变量，且(),,2,1,0,22 =>==E k D a k k σσξξ则有dt e x nna P xt n k k n ⎰∑∞-=∞→=⎪⎪⎪⎪⎭⎫ ⎝⎛<-21221lim πσξ.证明 设a k -ξ的特征函数为(),t ϕ则∑∑==-=-nk k nk kn anna11σξσξ的特征函数为nn t ⎥⎦⎤⎢⎣⎡⎪⎭⎫ ⎝⎛σϕ又因为()(),,02σξξ=-=-E a D a k k 所以()()20,00σϕϕ-=''=' 于是特征函数()t ϕ有展开式()()()()()()222222112000t t t t t t οσοϕϕϕϕ+-=+''+'+=.从而对任意的t 有，∞→→⎥⎦⎤⎢⎣⎡⎪⎪⎭⎫ ⎝⎛+-=⎥⎦⎤⎢⎣⎡⎪⎭⎫ ⎝⎛-n e n t nt n t tn,2122222οσϕ. 而22t e-是()1,0N 分布的特征函数，由连续定理可知dt e x n na P xt n k k n ⎰∑∞-=∞→=⎪⎪⎪⎪⎭⎫ ⎝⎛<-21221lim πσξ.成立，证毕.我们知道在n 2221P lim μπμ中dt e x npq np xt n n ⎰∞-∞→=⎪⎪⎭⎫⎝⎛<-是服从二项分布.()n k q p C k p kn k k n n ≤≤==-0,μ.的随机变量，dt e x xt ⎰∞-∞→=⎪⎭⎫⎝⎛<-2221P lim πλλξλλ为“泊松分布收敛于正态分布” , 我们把上面的结论常常称为“ 二项分布收敛于正态分布”.4、在求某些积分上的应用我们知道⎰+∞-022dx e x x k 可以用递推法，现在我们用特征函数来解决随机变量ξ服从⎪⎭⎫ ⎝⎛21,0N ，其密度函数为：()21x e x p -=π，其特征函数为：()∑⎰∞+=-∞+∞--⎪⎭⎫ ⎝⎛-==⋅⋅=0241!41122i tit x itx i tedx e e t πϕξ， 故 ()()()() +++⎪⎭⎫⎝⎛-+⎪⎭⎫ ⎝⎛-=+!131241!!241212k t k k k t k kkξϕ ，所以 ()()()!!1221!!24102-⎪⎭⎫⎝⎛-=⎪⎭⎫ ⎝⎛-=k k k kkk ξϕ,由特征函数的性质 ()()()kk kk k i 2!!120222-=-=E ξϕξ，又 ⎰+∞-=E 0222dx e x x k kξ，故()⎰∞+∞-+--=122!!122k x k k dx e x .即 ()⎰∞++--=0122!!122k x k k dx e x四．结论从上面的内容可以看出：特征函数并不是一个抽象概念，在概率论与数理统计的许多问题中，无论是证明还是应用，通过构造特征函数，比如在求分布的数学期望和方差；在求独立随机变量和的分布上的应用，利用独立随机变量和的特征函数为特征函数的积性质推广，往往能使问题得到简化；在证明二项分布收敛于正态分布上的应用，可以从特例到一般问题，从而使问题迎刃而解；在求某些积分上的时候，可以通过构造特征函数使问题简单.。
求特征函数的公式特征函数是概率论中的一个重要概念，它是随机变量的一种表现形式。
特征函数能够描述随机变量不同的特性和属性，同时也是各种数学方法和统计学方法的基础。
在进行随机变量的分析和求解时，往往需要先求出其特征函数，根据特征函数来推导随机变量的概率分布函数、矩等基本性质。
因此，本文将详细介绍求特征函数的公式和相关知识。
一、什么是特征函数？特征函数是一种与随机变量（或者随机向量）相关的函数，它能够完整地描述该随机变量的全部性质和特征。
特征函数是唯一的，具有一致性、可加性、正定性、连续性等性质。
特别是对于连续性随机变量，它的特征函数具有很好的解析性质。
因此，特征函数被广泛应用于概率论、数学统计、信号处理、图像处理等领域。
特征函数是一个复值函数，定义为：$$\varphi_X(t)=\mathrm{E}\left(e^{itX}\right)$$ 其中，$t$是实数、$i$是虚数单位(即$i^2=-1)$，$X$是一个随机变量。
特征函数的实部和虚部分别对应着随机变量的余弦变换和正弦变换的性质。
如果随机变量$X$的概率密度函数为$f_X(x)$，那么特征函数可以用$f_X(x)$来表示：$$\varphi_X(t)=\int_{-\infty}^{+\infty}e^{itx}f_X(x)dx$$二、特征函数的性质1、一致性如果两个随机变量$X$和$Y$有相同的分布，则它们的特征函数是相同的，即$\varphi_X(t)=\varphi_Y(t)$。
2、可加性如果$X$和$Y$是两个独立的随机变量，则它们的和$Z=X+Y$的特征函数等于它们各自特征函数的乘积，即$\varphi_Z(t)=\varphi_X(t)\varphi_Y(t)$。
3、正定性对于特征函数$\varphi(t)$的任何一个复数系数$c_1,c_2,...,c_n$和任意实数$t_1,t_2,...,t_n$，有：$$\sum_{k,l=1}^nc_k\overline{c_l}\varphi(t_k-t_l)\geq0$$其中，$\overline{c_l}$表示$c_l$的共轭复数。
第2节随机变量的特征函数随机变量的特征函数是描述随机变量分布的一种数学工具，它能够唯一地确定一个随机变量的分布。
特征函数是一个复数函数，它的定义是随机变量的期望指数幂的 Fourier 变换。
对于一个随机变量X，它的概率密度函数或概率质量函数记为f(x)，其特征函数记为φ(t)。
特征函数的定义为：φ(t) = E(e^(itX)) = ∫[所有可能的x] e^(itx) f(x) dx其中，i是虚数单位，t是一个实数，e^是自然对数的底数。
特征函数有以下几个重要的性质：1.特征函数的值域为单位圆周，即，φ(t)，≤12.若X和Y是相互独立的随机变量，其特征函数分别为φX(t)和φY(t)，则X+Y的特征函数为φX+Y(t)=φX(t)*φY(t)。
3.若X和Y具有相同的分布，其特征函数分别为φX(t)和φY(t)，则X和Y具有相同的分布。
4. 如果X的特征函数为φ(t)，Y = aX + b，其中a和b是常数，则Y的特征函数为φ(at) * e^(itb)。
特征函数的这些性质使其在随机变量的推导和分析中非常有用，主要体现在以下几个方面。
首先，由特征函数可以求出随机变量的各阶矩（期望、方差等）。
根据特征函数的定义，我们可以得到随机变量X的期望E(X)=φ'(0)，其中φ'(0)表示特征函数关于t的导数在t=0处的值。
其次，特征函数还可以用于求出随机变量的分布函数。
根据特征函数的定义，我们可以得到随机变量X的分布函数F(x) = (1/2π)∫[-∞到t] φ(u)e^(iux) du，其中φ(u)e^(iux)是积分的被积函数。
此外，特征函数在中心极限定理的证明中也起到了关键作用。
中心极限定理指出，独立同分布的随机变量的和在n趋向于无穷大时，其分布趋向于高斯分布。
特征函数的性质2和性质3对于中心极限定理的证明起到了重要的作用。
总之，特征函数作为一种描述随机变量分布的数学工具，具有独特的优点和应用价值。
求特征函数1. 什么是特征函数？特征函数是数学中的一个重要概念，广泛应用于统计学、概率论、信号处理等领域。
它是一种描述随机变量的函数，反映了随机变量在不同取值下的特征。
在概率论中，特征函数指的是随机变量的某个矩的生成函数，可以用来描述随机变量的基本特征，如均值、方差等。
特征函数常常用于概率分布函数的分析，可以通过特征函数的计算来推导出概率密度函数、累积分布函数等概率分布的相关特性。
2. 特征函数的定义设随机变量X的概率密度函数为f(x)，特征函数φ(x)定义为：φ(x) = E(e^(jxX))其中，j为虚数单位，E表示期望。
特征函数的定义式和普通的函数定义式有所不同，它引入了虚数单位和期望运算符，是一种较为复杂的定义形式。
3. 特征函数的性质特征函数具有以下基本性质：（1）满足连续性和逆连续性：如果随机变量X的概率密度函数为f(x)，那么它的特征函数φ(x)是一个连续函数，同时满足逆连续性，即若φ(x)的导数存在，则f(x)存在，并有：f(x) =1/(2π) ∫(-∞,∞) e^(-jxt) φ(t) dt.（2）满足唯一性：若两个随机变量X和Y的特征函数相等，即φ(x)=φ(y)，则它们的分布函数也相等，即FX(x)=FY(y)。
（3）满足矩的求解：若随机变量X的特征函数为φ(x)，那么它的k阶矩可以表示为：E(X^k) = (j^-k) * φ^(k)(0)其中，φ^(k)表示φ的k阶导数，即φ的k阶矩。
4. 怎样求解特征函数有时候，我们需要通过特征函数来推导出一个概率分布的相关性质，但是并不知道该分布的概率密度函数。
这个时候，我们可以通过特征函数的求解来获取这个分布的相关信息。
对于一些简单的分布，特征函数可以直接求解，如正态分布、泊松分布等。
对于一些复杂的分布，特征函数的求解可能比较困难，需要借助数学工具来计算。
当然，也可以通过模拟方法来近似求解特征函数，例如蒙特卡罗模拟、马尔科夫链蒙特卡罗模拟等，但这种方法通常比较耗时，无法处理大规模数据。
