【特征函數的定義】在概率論和數理統計中，特征函數是一個非常重要的工具，它用于描述隨機變量的分布特性。與概率密度函數或分布函數不同，特征函數通過復數形式的傅里葉變換來表達隨機變量的信息，具有良好的數學性質，常用于推導隨機變量的分布、計算期望值以及處理獨立隨機變量的和等問題。
一、特征函數的定義
設 $ X $ 是一個實值隨機變量，其分布函數為 $ F(x) $，則稱：
$$
\phi(t) = \mathbb{E}[e^{itX}
$$
為 隨機變量 $ X $ 的特征函數，其中 $ i $ 是虛數單位（$ i^2 = -1 $），$ t \in \mathbb{R} $ 是實數參數。
對于連續型隨機變量，若存在概率密度函數 $ f(x) $，則特征函數可表示為：
$$
\phi(t) = \int_{-\infty}^{\infty} e^{itx} f(x) \, dx
$$
而對于離散型隨機變量，特征函數可以寫成：
$$
\phi(t) = \sum_{k} e^{itx_k} P(X = x_k)
$$
二、特征函數的性質
| 性質 | 描述 |
| 1. 唯一性 | 如果兩個隨機變量的特征函數相同，則它們的分布也相同。 |
| 2. 在原點處的值 | $\phi(0) = 1$，因為 $ e^{i \cdot 0 \cdot X} = 1 $，所以期望為1。 |
| 3. 連續性 | 特征函數是連續的，并且在 $ t = 0 $ 處可導。 |
| 4. 對稱性 | 若 $ X $ 為對稱分布（如正態分布），則 $\phi(-t) = \overline{\phi(t)}$（共軛）。 |
| 5. 獨立性 | 若 $ X $ 和 $ Y $ 獨立，則 $ \phi_{X+Y}(t) = \phi_X(t) \cdot \phi_Y(t) $。 |
| 6. 與矩的關系 | 可以通過對特征函數求導得到隨機變量的各階矩。 |
三、常見分布的特征函數
| 分布名稱 | 概率密度函數或分布律 | 特征函數 |
| 正態分布 $ N(\mu, \sigma^2) $ | $ f(x) = \frac{1}{\sqrt{2\pi}\sigma} e^{-\frac{(x-\mu)^2}{2\sigma^2}} $ | $ \phi(t) = e^{i\mu t - \frac{1}{2} \sigma^2 t^2} $ |
| 指數分布 $ \text{Exp}(\lambda) $ | $ f(x) = \lambda e^{-\lambda x},\ x \geq 0 $ | $ \phi(t) = \frac{\lambda}{\lambda - it} $ |
| 伯努利分布 $ \text{Bernoulli}(p) $ | $ P(X=1) = p,\ P(X=0) = 1-p $ | $ \phi(t) = 1 - p + p e^{it} $ |
| 泊松分布 $ \text{Poisson}(\lambda) $ | $ P(X=k) = \frac{\lambda^k e^{-\lambda}}{k!} $ | $ \phi(t) = e^{\lambda (e^{it} - 1)} $ |
四、總結
特征函數是一種從概率分布中提取信息的有效工具，尤其在處理多個隨機變量的組合、推導分布性質以及計算期望值時非常有用。它不僅具有理論上的優美性，也在實際應用中（如信號處理、金融建模等）發揮著重要作用。掌握特征函數的定義及其性質，有助于更深入地理解概率論的核心概念。
