特征函数

随机变量的特征函数是复指数的期望，是其分布的傅里叶变换；它总是存在，唯一地确定分布，并将独立性转化为乘法。

Definition

随机变量的特征函数是该变量乘以一个实参数的复指数的期望值，等价于其分布的傅里叶变换，它对每个分布都存在并唯一地确定该分布。

Scope

本主题涵盖了特征函数的定义和基本性质、其唯一性定理和反演定理、独立变量之和的特征函数的因式分解、函数平滑度与分布矩之间的关系、博赫纳关于哪些函数是特征函数的刻画，以及联系逐点收敛与依分布收敛的列维连续性定理。

Core questions

• 为什么当矩可能不存在时，每个分布都拥有特征函数？
• 特征函数如何确定并允许恢复分布？
• 为什么独立变量之和的特征函数可以因式分解？
• 特征函数的收敛性与分布的收敛性有何关系？

Key concepts

• 测度的傅里叶变换
• 唯一性和反演
• 列维连续性定理
• 博赫纳定理
• 导数求矩

Key theories

唯一性和反演

不同的分布具有不同的特征函数，并且反演公式可以从其特征函数中恢复分布，因此该变换是随机变量定律的忠实且可逆的编码。

列维连续性定理

当且仅当一系列分布的特征函数逐点收敛到一个在原点连续的函数时，这些分布依分布收敛，该函数随后成为极限的特征函数；这是通向极限定理的标准途径。

独立变量之和的因式分解

由于期望在独立变量上可因式分解，独立变量之和的特征函数是它们各自特征函数的乘积，将分布的卷积替换为普通的乘法。

Clinical relevance

特征函数是证明中心极限定理和其他极限定律的主要工具，它们使得独立随机变量之和在从信号处理到精算科学等领域中具有分析上的可处理性，其反演是期权定价数值方法的基础，其中特征函数以封闭形式已知。

History

特征函数由拉普拉斯和柯西使用，并由保罗·列维系统地引入概率论，他的连续性定理将极限定理的证明转化为对这些变换逐点收敛的研究；博赫纳精确地刻画了哪些函数以这种方式出现。

Key figures

• Paul Levy
• Aleksandr Lyapunov
• Salomon Bochner
• Eugene Lukacs

Seminal works

• feller1971

Frequently asked questions

特征函数与矩生成函数有何不同？

特征函数使用虚指数，因此对每个分布都存在，而矩生成函数使用实指数，可能对重尾分布不存在；特征函数是更稳健的工具。

为什么在连续性定理中只在原点检查收敛性？

极限在原点的连续性排除了概率质量逃逸到无穷大的可能性，确保了极限函数本身是一个真正的特征函数，而不是一个有缺陷分布的特征函数。