{
  "id": "characteristic-function",
  "title": "特征函数",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "特征函数是一种复值变换，能唯一确定概率分布，并将独立随机变量之和转化为特征函数之积。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "概率分布的特征函数"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/characteristic-function/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/characteristic-function/",
      "json": "https://aiwiki.page/en/characteristic-function.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "在概率论中，实值随机变量 \\(X\\) 的特征函数是对每个实数 \\(t\\) 定义的函数 \\(\\varphi_X(t)=\\mathbb{E}[e^{itX}]\\)，其中 \\(i^2=-1\\)。它包含了 \\(X\\) 的整个概率分布的信息，始终存在，并能将独立随机变量之和转化为特征函数之积。作为概率测度的傅里叶变换的一种形式，特征函数将概率论与调和分析联系起来，是研究分布及其极限的重要工具。"
    },
    {
      "heading": "定义与约定",
      "text": "设 \\(X\\) 在 \\(\\mathbb{R}\\) 上的分布为 \\(\\mu\\)，其特征函数定义为\n\n\\[\\varphi_X(t) = \\mathbb{E}\\!\\left[e^{itX}\\right] = \\int_{\\mathbb{R}}e^{itx}\\,\\mu(dx), \\qquad t\\in\\mathbb{R}.\\]\n\n这里，\\(\\mathbb{E}\\) 表示期望值。由欧拉公式，\n\n\\[\\varphi_X(t) = \\mathbb{E}[\\cos(tX)] + i\\,\\mathbb{E}[\\sin(tX)].\\]\n\n因此，特征函数的实部和虚部分别描述了该分布在频率 \\(t\\) 下余弦分量和正弦分量的平均值。\n\n如果 \\(X\\) 具有概率密度函数 \\(f\\)，则\n\n\\[\\varphi_X(t) = \\int_{-\\infty}^{\\infty}e^{itx}f(x)\\,dx.\\]\n\n如果 \\(X\\) 服从取值为 \\(x_k\\) 的离散分布，则\n\n\\[\\varphi_X(t) = \\sum_k e^{itx_k}\\Pr(X=x_k).\\]\n\n基于测度的定义也涵盖既非离散分布、又不能用密度描述的分布。\n\n傅里叶变换的不同约定在指数的正负号以及 \\(2\\pi\\) 因子的使用上有所区别。这里采用概率论中的标准约定：正变换使用 \\(e^{itx}\\)，逆变换使用 \\(e^{-itx}\\)。\n\n在数学的其他领域，“characteristic function”也可以指集合的示性函数。这一用法与概率论中的特征函数含义不同。"
    },
    {
      "heading": "存在性与基本性质",
      "text": "由于\n\n\\[|e^{itX}|=1,\\]\n\n对于任意概率分布和任意实数 \\(t\\)，定义特征函数的期望都存在。不要求均值、方差或更高阶矩有限。\n\n每个特征函数都满足：\n\n- 归一性： \\(\\varphi_X(0)=1\\)。\n- 有界性： \\(|\\varphi_X(t)|\\leq 1\\)。\n- 共轭对称性： \\(\\varphi_X(-t)=\\overline{\\varphi_X(t)}\\)。\n- 一致连续性： \\(\\varphi_X\\) 在 \\(\\mathbb{R}\\) 上具有一致连续性。\n\n例如，一致连续性可由下式得到：\n\n\\[|\\varphi_X(t+h)-\\varphi_X(t)| \\leq \\mathbb{E}\\!\\left[|e^{ihX}-1|\\right].\\]\n\n右端与 \\(t\\) 无关，并且根据控制收敛定理，当 \\(h\\to0\\) 时趋于零。\n\n如果 \\(X\\) 的分布关于零对称，则其特征函数是实值偶函数。反过来，实值特征函数所对应的分布关于零对称。\n\n对于实常数 \\(a\\) 和 \\(b\\)，有\n\n\\[\\varphi_{aX+b}(t) = e^{itb}\\varphi_X(at).\\]\n\n因此，平移会引入一个相位因子，而缩放会改变频率自变量。"
    },
    {
      "heading": "独立和与卷积",
      "text": "如果 \\(X\\) 与 \\(Y\\) 具有统计独立性，则\n\n\\[\\varphi_{X+Y}(t) = \\mathbb{E}[e^{itX}e^{itY}] = \\varphi_X(t)\\varphi_Y(t).\\]\n\n更一般地，对于相互独立的随机变量 \\(X_1,\\ldots,X_n\\)，有\n\n\\[\\varphi_{X_1+\\cdots+X_n}(t) = \\prod_{j=1}^{n}\\varphi_{X_j}(t).\\]\n\n独立随机变量之和的分布，是各自分布的卷积。特征函数将这一可能涉及复杂积分或求和的运算转化为普通乘法。\n\n对于独立同分布的随机变量，有\n\n\\[\\varphi_{X_1+\\cdots+X_n}(t) = \\varphi_X(t)^n.\\]\n\n这一恒等式是研究多项求和、随机游走和极限定理的基础。没有独立性时，这种乘积分解通常不成立。"
    },
    {
      "heading": "示例",
      "text": "常值随机变量\n\n如果 \\(X=c\\) 以概率一成立，则\n\n\\[\\varphi_X(t)=e^{itc}.\\]\n\n特别地，集中在零点的单位点质量的特征函数恒等于 \\(1\\)。\n\n伯努利分布\n\n对于满足 \\(\\Pr(X=1)=p\\) 和 \\(\\Pr(X=0)=1-p\\) 的伯努利分布，有\n\n\\[\\varphi_X(t)=1-p+pe^{it}.\\]\n\n因此，将 \\(n\\) 个独立伯努利随机变量相加得到的参数为 \\(n\\) 和 \\(p\\) 的二项分布，其特征函数为\n\n\\[\\varphi_X(t)=(1-p+pe^{it})^n.\\]\n\n正态分布\n\n对于均值为 \\(\\mu\\)、方差为 \\(\\sigma^2\\) 的正态分布，有\n\n\\[\\varphi_X(t) = \\exp\\!\\left(i\\mu t-\\frac{\\sigma^2t^2}{2}\\right).\\]\n\n将这些特征函数相乘，可以直接看出：独立正态随机变量之和仍服从正态分布，其均值和方差分别为各变量均值之和与方差之和。\n\n泊松分布\n\n对于参数为 \\(\\lambda\\) 的泊松分布，有\n\n\\[\\varphi_X(t) = \\exp\\!\\left(\\lambda(e^{it}-1)\\right).\\]\n\n由乘积公式可立即得出：独立泊松随机变量之和仍服从泊松分布，其参数为各变量参数之和。\n\n柯西分布\n\n对于位置参数为 \\(x_0\\)、尺度参数为 \\(\\gamma>0\\) 的柯西分布，有\n\n\\[\\varphi_X(t) = \\exp\\!\\left(ix_0t-\\gamma|t|\\right).\\]\n\n柯西分布既没有有限均值，也没有有限方差，但其特征函数仍有明确定义。它在零点不可微，这体现了特征函数的光滑性与矩的存在性之间的联系。"
    },
    {
      "heading": "唯一性与反演",
      "text": "唯一性定理\n\n特征函数唯一确定分布：\n\n\\[\\varphi_X(t)=\\varphi_Y(t) \\quad\\text{for every }t\\in\\mathbb{R} \\quad\\Longleftrightarrow\\quad X\\text{ and }Y\\text{ have the same distribution}.\\]\n\n同分布并不意味着 \\(X\\) 和 \\(Y\\) 作为同一概率空间上的随机变量相等，而是指它们赋予 \\(\\mathbb{R}\\) 的各个可测子集相同的概率。\n\n凭借唯一性，可以利用特征函数识别分布，而无须直接计算密度或分布函数。\n\n恢复密度\n\n如果特征函数绝对可积，即\n\n\\[\\int_{\\mathbb{R}}|\\varphi_X(t)|\\,dt<\\infty,\\]\n\n则该分布具有有界连续密度，且密度由下式给出：\n\n\\[f_X(x) = \\frac{1}{2\\pi} \\int_{-\\infty}^{\\infty} e^{-itx}\\varphi_X(t)\\,dt.\\]\n\n绝对可积性是这种反演形式成立的充分条件，而不是分布具有密度的必要条件。\n\n恢复区间概率\n\n更一般的反演公式不需要假设密度存在。如果 \\(a<b\\) 是累积分布函数 \\(F\\) 的连续点，则\n\n\\[F(b)-F(a) = \\lim_{T\\to\\infty} \\frac{1}{2\\pi} \\int_{-T}^{T} \\frac{e^{-ita}-e^{-itb}}{it} \\varphi_X(t)\\,dt.\\]\n\n在 \\(t=0\\) 处，商式的值按连续延拓定义。当端点具有正概率质量时，相应的一般公式会将端点处的概率质量计入一半。"
    },
    {
      "heading": "矩与导数",
      "text": "如果 \\(\\mathbb{E}[|X|^n]<\\infty\\)，则在期望符号内求导可得\n\n\\[\\varphi_X^{(k)}(t) = \\mathbb{E}\\!\\left[(iX)^k e^{itX}\\right], \\qquad 1\\leq k\\leq n.\\]\n\n在零点处，\n\n\\[\\varphi_X^{(k)}(0) = i^k\\mathbb{E}[X^k].\\]\n\n特别地，\n\n\\[\\mathbb{E}[X]=\\frac{\\varphi_X'(0)}{i}, \\qquad \\mathbb{E}[X^2]=-\\varphi_X''(0),\\]\n\n前提是相应的绝对矩有限。因此，方差为\n\n\\[\\operatorname{Var}(X) = -\\varphi_X''(0) - \\left(\\frac{\\varphi_X'(0)}{i}\\right)^2.\\]\n\n逆向推断时需要谨慎。零点处存在某个偶数阶导数，意味着相应的偶数阶矩有限；但仅有奇数阶导数存在，并不一定意味着相应的绝对矩有限。\n\n即使所有阶矩都存在，形式级数\n\n\\[\\sum_{n=0}^{\\infty} \\frac{(it)^n}{n!}\\mathbb{E}[X^n]\\]\n\n也未必收敛到特征函数。光滑性本身并不蕴含解析性，而且不同分布可能具有完全相同的各阶矩，却具有不同的特征函数。"
    },
    {
      "heading": "与其他变换的关系",
      "text": "矩生成函数定义为\n\n\\[M_X(s)=\\mathbb{E}[e^{sX}],\\]\n\n其定义域为使该期望有限的那些取值。与特征函数不同，矩生成函数可能在零点的任何邻域内都无法处处取有限值。\n\n当复指数变换在适当的定义域上有定义时，两者都可以视为该变换的限制。非严格写法 \\(\\varphi_X(t)=M_X(it)\\) 需要这样的复数域延拓；仅在实数自变量上定义 \\(M_X\\)，并不能自动保证这一写法成立。\n\n对于非负随机变量，其分布的拉普拉斯变换为\n\n\\[L_X(s)=\\mathbb{E}[e^{-sX}], \\qquad s\\geq0.\\]\n\n每种变换侧重于不同的解析性质。特征函数的独特优势在于：它对每个概率分布都存在。"
    },
    {
      "heading": "收敛与极限定理",
      "text": "莱维连续性定理将特征函数与依分布收敛联系起来。\n\n如果 \\(X_n\\) 依分布收敛于 \\(X\\)，则对每个实数 \\(t\\)，有\n\n\\[\\varphi_{X_n}(t)\\longrightarrow\\varphi_X(t)\\]\n\n成立。\n\n反过来，如果 \\(\\varphi_{X_n}(t)\\) 逐点收敛于某个在零点连续的函数 \\(\\varphi(t)\\)，则 \\(\\varphi\\) 是一个特征函数，且相应的分布收敛于它所对应的分布。零点处的连续性至关重要：不具备这一性质的逐点极限未必对应任何概率分布。\n\n中心极限定理\n\n特征函数给出了中心极限定理的一种标准证明。设 \\(X_1,X_2,\\ldots\\) 独立同分布，均值为 \\(\\mu\\)，方差为有限的正数 \\(\\sigma^2\\)。令\n\n\\[Z=\\frac{X_1-\\mu}{\\sigma}.\\]\n\n由二阶矩有限可得局部展开式\n\n\\[\\varphi_Z(u)=1-\\frac{u^2}{2}+o(u^2) \\qquad (u\\to0).\\]\n\n对于标准化后的和\n\n\\[S_n= \\frac{\\sum_{j=1}^{n}X_j-n\\mu}{\\sigma\\sqrt n},\\]\n\n由独立性可得\n\n\\[\\varphi_{S_n}(t) = \\left[\\varphi_Z\\!\\left(\\frac{t}{\\sqrt n}\\right)\\right]^n \\longrightarrow e^{-t^2/2}.\\]\n\n极限是标准正态分布的特征函数，再由连续性定理即可得到依分布收敛。"
    },
    {
      "heading": "哪些函数是特征函数？",
      "text": "仅凭归一性、有界性和连续性，还不足以刻画特征函数。\n\n如果对任意有限选取的 \\(t_1,\\ldots,t_m\\in\\mathbb{R}\\) 和 \\(c_1,\\ldots,c_m\\in\\mathbb{C}\\)，都有\n\n\\[\\sum_{j=1}^{m}\\sum_{k=1}^{m} c_j\\overline{c_k}\\, \\varphi(t_j-t_k) \\geq0.\\]\n\n则称函数 \\(\\varphi:\\mathbb{R}\\to\\mathbb{C}\\) 是正定的。\n\n对于特征函数，这一性质可由下式得到：\n\n\\[\\sum_{j,k}c_j\\overline{c_k}\\varphi_X(t_j-t_k) = \\mathbb{E}\\!\\left[ \\left|\\sum_j c_j e^{it_jX}\\right|^2 \\right].\\]\n\n博赫纳定理指出，\\(\\mathbb{R}\\) 上满足 \\(\\varphi(0)=1\\) 的连续正定函数，是某个概率测度的特征函数。这给出了一种内在刻画，无须事先指定随机变量。"
    },
    {
      "heading": "多元特征函数",
      "text": "对于随机向量 \\(X\\in\\mathbb{R}^d\\)，特征函数为\n\n\\[\\varphi_X(t) = \\mathbb{E}\\!\\left[e^{it^{\\mathsf T}X}\\right], \\qquad t\\in\\mathbb{R}^d.\\]\n\n它唯一确定联合概率分布。每个标量投影 \\(a^{\\mathsf T}X\\) 的特征函数为\n\n\\[\\varphi_{a^{\\mathsf T}X}(u)=\\varphi_X(ua).\\]\n\n因此，所有标量投影的分布可以确定联合分布。\n\n分量 \\(X_1,\\ldots,X_d\\) 相互独立，当且仅当\n\n\\[\\varphi_X(t_1,\\ldots,t_d) = \\prod_{j=1}^{d}\\varphi_{X_j}(t_j)\\]\n\n对所有 \\(t\\) 成立。\n\n对于均值向量为 \\(\\mu\\)、协方差矩阵为 \\(\\Sigma\\) 的多元正态分布，有\n\n\\[\\varphi_X(t) = \\exp\\!\\left( it^{\\mathsf T}\\mu-\\frac12 t^{\\mathsf T}\\Sigma t \\right).\\]\n\n当 \\(\\Sigma\\) 为奇异矩阵时，这一公式仍然成立。"
    },
    {
      "heading": "统计与计算应用",
      "text": "给定来自同一分布的独立观测值 \\(X_1,\\ldots,X_n\\)，经验特征函数定义为\n\n\\[\\widehat{\\varphi}_n(t) = \\frac1n\\sum_{j=1}^{n}e^{itX_j}.\\]\n\n对于每个固定的 \\(t\\)，它是 \\(\\varphi_X(t)\\) 的无偏估计量，并且由大数定律，它几乎必然收敛于 \\(\\varphi_X(t)\\)。它本身也是一个特征函数，对应于在每个观测值处赋予 \\(1/n\\) 概率质量的经验分布。\n\n经验特征函数可用于参数估计、拟合优度检验和独立性检验。当模型的特征函数形式简单，而密度难以求得或没有可用表达式时，它们尤其有用。\n\n数值傅里叶反演可以恢复近似密度或概率，有时会使用快速傅里叶变换。实际计算的局限包括频率范围截断、离散化误差、振荡积分以及可能出现的混叠。虽然特征函数在数学上能唯一确定分布，但仅凭有限个含噪声的变换值，可能很难准确恢复该分布。"
    }
  ],
  "links": [
    "probability",
    "random-variable",
    "probability-distribution",
    "fourier-transform",
    "expected-value",
    "probability-density-function",
    "indicator-function",
    "uniform-continuity",
    "dominated-convergence-theorem",
    "statistical-independence",
    "convolution",
    "bernoulli-distribution",
    "normal-distribution",
    "poisson-distribution",
    "cauchy-distribution",
    "cumulative-distribution-function",
    "variance",
    "laplace-transform",
    "convergence-in-distribution",
    "central-limit-theorem",
    "joint-probability-distribution",
    "covariance-matrix",
    "multivariate-normal-distribution",
    "law-of-large-numbers",
    "fast-fourier-transform"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}