特征函数及其性质

一、引言

在概率论与数理统计领域，特征函数是极为重要的分析工具。它能将概率论中的诸多问题转化为便于处理的数学分析问题，极大地推动了对随机变量性质及相关理论的研究进展。下面将详细介绍特征函数的定义和性质。

二、定义

设 $X$ 为随机变量，其特征函数 ${\phi }_X(t)$ 定义为：
${\phi }_X(t)=E(e^{itX}),t\in \mathbb{R}$

2.1 离散型随机变量情况

若 $X$ 是离散型随机变量，取值为 $x_k$，对应的概率为 $P(X=x_k)=p_k$，KaTeX parse error: Can't use function '\)' in math mode at position 16: (k = 1,2,\cdots\̲)̲，那么其特征函数为
${\phi }_X(t)={\sum }_k{p}_k{e}^{it{x}_k}$
例如，设 $X$ 服从参数为 $p$ 的两点分布，即 $P(X=1)=p$，$P(X=0)=1-p$，则
${\phi }_X(t)=(1-p)e^{it\times 0}+p{e}^{it\times 1}=(1-p)+p{e}^{it}$

2.2 连续型随机变量情况

若 $X$ 是连续型随机变量，概率密度函数为 $f(x)$，其特征函数为
${\phi }_X(t)={\int }_{-\infty }^{\infty }{e}^{itx}f(x)dx$
例如，设 $X$ 服从正态分布 $N(\mu ,{\sigma }^2)$，概率密度函数 $f(x)=\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}}$，则其特征函数
${\phi }_X(t)=e^{i\mu t-\frac{1}{2}{\sigma }^2{t}^2}$

三、性质

3.1 有界性

$|{\phi }_X(t)|\le {\phi }_X(0)=1$
证明：因为 $|{\phi }_X(t)|=|E(e^{itX})|\le E(|e^{itX}|)$，而 $|e^{itX}|=|\cos (tX)+i\sin (tX)|=\sqrt{{\cos }^2(tX)+{\sin }^2(tX)}=1$，所以 $|{\phi }_X(t)|\le E(1)=1$，又 ${\phi }_X(0)=E(e^{i0\times X})=E(1)=1$。

3.2 连续性

特征函数 ${\phi }_X(t)$ 在 $\mathbb{R}$ 上一致连续。
这是由于 $|{\phi }_X(t+h)-{\phi }_X(t)|=|E(e^{i(t+h)X}-e^{itX})|=|E(e^{itX}(e^{ihX}-1))|\le E(|e^{ihX}-1|)$，利用三角函数的性质及极限知识可以证明当 $h\to 0$ 时，$E(|e^{ihX}-1|)\to 0$，从而得出一致连续性。

3.3 共轭性

${\phi }_X(-t)=\overline{{\phi }_X(t)}$
其中 $\overline{z}$ 表示复数 $z$ 的共轭。
证明：${\phi }_X(-t)=E(e^{-itX})$，而 $e^{-itX}=\cos (-tX)+i\sin (-tX)=\cos (tX)-i\sin (tX)=\overline{\cos (tX)+i\sin (tX)}=\overline{e^{itX}}$，所以 ${\phi }_X(-t)=E(\overline{e^{itX}})=\overline{E(e^{itX})}=\overline{{\phi }_X(t)}$。

3.4 线性变换性质

设 $Y=aX+b$，其中 $a,b\in \mathbb{R}$，则
${\phi }_Y(t)=e^{itb}{\phi }_X(at)$
证明：${\phi }_Y(t)=E(e^{itY})=E(e^{it(aX+b)})=E(e^{itb}{e}^{iatX})=e^{itb}E(e^{iatX})=e^{itb}{\phi }_X(at)$。

3.5 独立随机变量和的性质

若 $X_1,X_2,\cdots ,X_n$ 相互独立，$Y={\sum }_{k=1}^n{X}_k$，则
${\phi }_Y(t)={\prod }_{k=1}^n{\phi }_{X_k}(t)$
证明：因为 $X_1,X_2,\cdots ,X_n$ 相互独立，所以 $E(e^{itY})=E(e^{it(X_1+X_2+\cdots +X_n)})=E(e^{it{X}_1}{e}^{it{X}_2}\cdots e^{it{X}_n})$，由独立性可知 $E(e^{it{X}_1}{e}^{it{X}_2}\cdots e^{it{X}_n})=E(e^{it{X}_1})E(e^{it{X}_2})\cdots E(e^{it{X}_n})={\prod }_{k=1}^n{\phi }_{X_k}(t)$。

是的，特征函数还有其他一些性质，以下为你继续介绍：

3.6 矩的存在性与特征函数的导数

如果随机变量 $X$ 的 $n$ 阶矩 $E(X^n)$存在，则特征函数 ${\phi }_X(t)$ 的 $n$ 阶导数 ${\phi }_X^{(n)}(t)$ 存在，且
$E(X^n)=i^{-n}{\phi }_X^{(n)}(0)$
证明：对特征函数 (\varphi_X(t)=E(e^{itX})) 求 (n) 阶导数，利用控制收敛定理可以交换求导与期望的顺序，即
${\phi }_X^{(n)}(t)=E\left((iX{)}^n{e}^{itX}\right)$
令 $t=0$，可得 $E(X^n)=i^{-n}{\phi }_X^{(n)}(0)$。
例如，对于正态分布 $N(\mu ,{\sigma }^2)$，已知其特征函数为 ${\phi }_X(t)=e^{i\mu t-\frac{1}{2}{\sigma }^2{t}^2}$，对其求一阶导数：
${\phi }_X^{\prime }(t)=i\mu e^{i\mu t-\frac{1}{2}{\sigma }^2{t}^2}-i{\sigma }^{2}t{e}^{i\mu t-\frac{1}{2}{\sigma }^2{t}^2}$
令 $t=0$，可得 $E(X)=\mu$，这与正态分布的均值性质相符。

3.7 唯一性

随机变量的分布函数 $F(x)$与特征函数 ${\phi }_X(t)$ 是一一对应的。即已知特征函数 ${\phi }_X(t)$，可以唯一确定随机变量 $X$ 的分布函数 $F(x)$；反之，已知分布函数 $F(x)$，也可以唯一确定特征函数 ${\phi }_X(t)$。
这一性质在概率论中具有重要意义，它为通过特征函数研究随机变量的分布提供了理论依据。例如，在证明两个随机变量具有相同分布时，只需证明它们的特征函数相同即可。