特征函数和矩函数
(6)随机变量的分布函数与特征函数是一一对 应且相互唯一确定。
如果随机变量X为连续型，且其特征函 数绝对可积，则有反演公式：
f (x) 1 eitx(t)dt （相差一个负号的傅立叶逆变换）
2
(t) eitx f (x)dx
E ei(at)X eitb eitbE ei(at)X eitb g X (at)
例6：设随机变量Y~N( , 2) ，求Y的特征
函数为gY(t)。
t2
解：X~N(0 , 1) ，X的特征函数为gX (t) e 2
设Y= X + ，则Y~N( , 2) ，
2
i 2
g(0)
i 2
d2 dt 2
peit q n t0 npq n2 p2
DX EX 2 EX 2 npq
例4：设X~N(0,1)，求X的特征函数。
解:
g(t)
1
eitx
e
x2 2
dx
2
g(t)
1
ixeitx
P(s) pk sk pk sk pk sk , n 0,1,
k 0
k 0
k n1
P (n) (s) n! pn k(k 1)(k n 1) pk skn k n1
令s 0,则P (n) (0) n! pn
故pn
P (n) (0) ，nБайду номын сангаасn!
g
2
g (t )
1t2 C
e2
,由g (0)
1, 得C
0，从而g (t )
1t2
e2
例5 ：设随机变量X的特征函数为gX(t) ， Y=aX+b，其中a, b为任意实数，证明Y的
特征函数gY(t)为 gY (t) eitb gX (at) 。 证：gY (t) E eit(aX b)
则Z=X+Y的分布律为P{Z=k}=ck,其中
ck= p0 qk +p1qk-1 + + pk q0
设X,Y,Z的母函数分别为PX(s), PY(s),
PZ(s)，即有
PX (s) pk sk , PY (s) qk sk
k 0
k 0
PZ (s) ck sk k 0
(3)独立随机变量之和的母函数等于母函数 之积。
(4)若X1,X2,是相互独立同分布的非负整
数值随机变量，N是与X1,X2,独立的非
负整数值随机变量，则
Y
N
Xk
k 1
的母函数H(s)=G(P(s)) , EY=ENEX1 其中G(s),P(s)分别是N, X1的母函数。
证明：(1)
n
0,1，
(2)
P(s) pk sk , P(s) kpk sk1
k 0
k 1
E( X ) kpk P(1) k 1
P(s) k(k 1) pk sk1 k2
P(1) k(k 1) pk k(k 1) pk
P{X=k}=pk，k=0,1,
则称
P(s) E(s X ) pk sk
k 0
为X的母函数。
性质：
(1)非负整数值随机变量的分布律pk由其母 函数P(s)唯一确定
pk
P (k) (0) ,
k!
k
0,1,2,
(2)设P(s)是X的母函数，
若EX存在，则EX=P(1)
若DX存在，则DX= P(1) +P(1)- [P(1)]2
PX (s)PY (s) pk sk ql sl
k 0
l 0
pkql skl r pkqrk sr
k ,l 0
r 0 k 0
cr sr PZ (s) r 0
(4) H (s) P{Y k}sk k 0
ds
s 1
dG dP G(P(1)) P(1) dP ds s1
G(1) P(1) EN EX1
(注P(1) 1)
二、特征函数
1 .特征函数
设X为随机变量，称复随机变量 e itX
的数学期望 X (t) E[eitX ]
为X的特征函数，其中t是实数。
e
x2 2
dx
2
i
2
eitxd
x2 e 2
i itx x2 e2
2
t
2
e e itx
x2 2
dx
tg(t),
g '(t) tg(t) 0, dg tdt, ln g(t) 1 t2 C
矩母函数和特征函数
一、矩母函数
1．定义
2．原点 矩的求法
称 etX 的数学期望 (t) E[etX ]
为随机变量X的矩母函数。
利用矩母函数可求得X的各阶矩，即对
(t)逐次求导，并计算在 t 0 点的
值：
(t) E[XetX ]
（n) (t) E[X netX ]
（n) (0) E[ X n ]
（相差一个负号的傅立叶变换）
例1 设随机变量X服从参数为 的泊松分布，
求X的特征函数。
解
由于
P（X
k）
k
k！e
所以
X (t) eitk k 0
k
k！e
e
k 0
(eit ) k
k！
麦克劳林公式
e eeit e (eit 1)
例2 设随机变量X服从[a，b]上的均匀分布，求X的 特征函数。
npq
q p2
q peit n (q +ps)n
e (eit 1)
pe it 1 qeit
e (s1)
ps 1 qs
分布 期望 方差 特征函数 矩母函数
均匀分布
N(, 2)
ab 2
b a 2 e ibt e iat
12 i(b a)t
ebt eat (b a)t
X (t) X (it)
欧拉公式：
ei cos i sin
还可写成
X (t) E[costX ] iE[sintX ]
分布律为P(X=xk)=pk（k=1,2,）的离散
型随机变量X，特征函数为
(t) eitxk pk k 1
概率密度为f(x)的连续型随机变量X，特征
函数为
(t) eitx f (x)dx
对于n维随机向量X=(X1, X2, , Xn)，特
征函数为
(t) (t1,t2,
, tn ) EeitX
E
exp
i
n
tk
X
k
k1
性质：
(1) (0) 1, (t) 1, (t) (t) 。 (2) (t)在（-， ）上一致连续。 (3)若随机变量X的n阶矩EXn存在，则
k2
k 1
k 2 pk kpk EX 2 EX
k 1
k 1
DX EX 2 (EX )2 P(1) EX (EX )2
P(1) P(1) [P(1)]2
(3) 设离散型非负整数随机变量X,Y的分布律
分别为P{X=k}=pk，P{Y=k}=qk，k=0,1, ，
3．和的矩母函数
定理1
设相互独立的随机变量 X1，X 2，，X r 的
矩母函数分别为 1 (t) ， 2 (t) ，…， r (t) ，
则其和 Y X1 X 2 X r 的矩母函数为
Y (t) 1(t) 2 (t) … r (t)
4. 母函数
定义：设X是非负整数值随机变量，分布律
(k) (0) ik EX k , k n 当k=1时，EX = (1) (0) / i ； 当k=2时，DX = (2) (0) ( (1) (0) / i)2 。
(4) (t)是非负定函数。
(5)若X1, X2, , Xn是相互独立的随机变量， 则X=X1+X2++Xn的特征函数为
C
k n
pk q nk
，
q=1-p，k=0,1,2,,n
n
n
g(t) eitkCnk pk qnk Cnk
peit k qnk
peit q n
k 0
k 0
EX ig(0) i d dt
peit q n t0 np
EX
解
X的概率密度为
1 f (x) b a
a xb
0 其它
所以
X (t)
b eitx 1 dx a ba
eitb eita it(b a)
例3：设X服从二项分布B(n, p)，求X的特
征函数g(t)及EX、EX2、DX。
解:
X的分布律为P(X=k)=
P Y
k,
{N
l}s
特征函数与矩函数
根据概率分布的性质和公式，计算相应的矩函数。例如，对于离散型随机变量，可以使用概率质量函数和概率分布函 数来计算；对于连续型随机变量，可以使用概率密度函数和概率分布函数来计算。
数值法
对于一些复杂的概率分布，可以使用数值方法来近似计算矩函数。例如，蒙特卡洛方法可以用来模拟随 机变量的样本值，然后通过样本值的数学期望来近似计算矩函数。
05 特征函数与矩函数的扩展
广义特征函数与矩函数
定义
广义特征函数与矩函数是相对于经典的特征 函数与矩函数的扩展，它们在更广泛的意义 下描述了数据的统计特性。
性质
广义特征函数与矩函数具有更强的灵活性和适应性 ，能够更好地处理复杂的数据分布和异常值。
应用
在统计学、机器学习、数据分析等领域，广 义特征函数与矩函数被广泛应用于数据建模 、特征提取和异常检测。
03 特征函数与矩函数的应用
在概率论中的应用
特征函数用于描述随机变量的概率分布， 可以表示为复平面上的函数。通过计算特 征函数的导数，可以得到随机变量的各阶 矩，如均值、方差、偏度、峰度等。
特征函数还可以用于研究随机变量的 变换性质，例如，通过特征函数可以 推导出随机变量的变换规律，以及随 机变量的独立性、相关性等性质。
特征函数与矩函数
目录
• 特征函数 • 矩函数 • 特征函数与矩函数的应用 • 特征函数与矩函数的区别与联系 • 特征函数与矩函数的扩展
01 特征函数
定义与性质
定义
特征函数是概率论和统计学中的一个 概念，用于描述随机变量或随机过程 的特性。
性质
特征函数具有一些重要的性质，如实 部和虚部都是单调递减的，且实部和 虚部都是偶函数。
特征函数的性质
唯一性
特征函数及其应用
特征函数及其应用
特征函数是概率论中一种重要的工具，用于描述随机变量的分布。
它是一个复数函数，定义为随机变量的各个值对应的指数函数的期望值。
特征函数具有许多有用的性质，例如可以用它来计算随机变量的矩、导数和卷积等。
特征函数在统计学、信号处理、物理学等领域中有着广泛的应用。
在统计学中，特征函数可以用于推导估计量的分布，检验假设以及构造置信区间等。
在信号处理中，特征函数可以用于对信号进行谱分析和滤波。
在物理学中，特征函数可以用于描述粒子的动力学特性和相互作用。
除了普通的特征函数，还有一些特殊的特征函数，例如矩母函数和累积分布函数的特征函数等，它们也具有广泛的应用。
在实际应用中，研究人员还可以根据需要构造自己的特征函数来解决特定的问题。
总之，特征函数是一种非常有用的工具，它不仅可以描述随机变量的分布，还可以用于推导估计量的分布、信号处理、粒子动力学等方面的应用。
- 1 -。
概率论特征函数
概率论特征函数
概率论中的特征函数是一个非常重要的概念，它可以通过数学函数的形式描述随机变量的特征。
特征函数的定义如下：对于任意一个随机变量X，它的特征函数φ(t)定义为：
φ(t) = E(e^(i*t*X))
其中，i是虚数单位，E表示数学期望。
特征函数的主要作用是描述一个随机变量的矩，特别是它的所有阶矩。
通过特征函数，我们可以轻松地求出一个随机变量的均值、方差、偏度和峰度等统计量。
特征函数还可以用于分析随机变量之间的独立性和相关性等问题，因此在概率论和统计学中得到了广泛的应用。
需要注意的是，特征函数是一个复数函数，通常用实部和虚部分别表示它的实部函数和虚部函数。
特征函数有许多重要的性质，例如它是连续的、有界的和解析的等等。
同时，特征函数还有许多重要的应用，例如它可以用于求解随机过程中的协方差函数和自相关函数等问题。
总之，特征函数在概率论和统计学中扮演着非常重要的角色，它是研究随机变量特征的有力工具。
概率论_特征函数
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。
矩母函数
因而
Y |Xx x 1 y f fY Y||X X y y||x xd y 1/1 1- 1 -x x x 1 y d y1 2 x
Y|X 1 X/2
fY|X y|x 1/ 1-x
注意： Y|X 1 X/2是随机变量，当X x 时， 其值为
Y|X x 1 x/2
思考题：当X与Y独立时， X |Y y 的值？
定义：X的矩母函数（MGF），或Laplace变换定义为
Xt
etX
其中t在实数上变化。
etxdF Xx
若MGF是有定义的，可以证明可以交换微分操作和求期 望操作，所以有：
0 de tX
d t
t0
d e tX d t t0
X e tX t0
X
取k阶导数，可以得到 k 0
Xk 方便计算分布的矩
.
.
6
X ～ U n ifo r m 0 ,1 ， Y |X ～ U n ifo r m x ,1
怎样计算 Y ？ 一种方法是计算联合密度 f x , y ，然后计算
Y yf x,ydxdy
另一种更简单的方法是分两步计算
计算 Y| X =1 X
计算 Y =
2 Y|X =
1
X
1+ X
2
2
= 1+
Y |X Y Y |X Y |X Y|X Y 0 0
所以
Y Y |X Y |X
.
10
二、混合分布
在一个分布族中，分布族由一个/一些参数决定， 如 f x，| 这些参数 通常又是一个随机变量 （贝叶斯学派的观点，参数也是随机变量）， 则最终的分布称为混合分布(mixture distribution)
特征函数和矩母函数概要
P ( s) pk s pk s
k k k 0 k 0
n
k n 1
p s
k
k
, n n! pn
k n 1
k (k 1)(k n 1) p s
令s 0, 则P ( n ) (0) n! pn 故pn P
k 0 l 0
P{ N l} P{Y k}s
l 0 k 0
k
l k P{N l} P X j k s l 0 k 0 j 1
k P{N l} P{ X j k}s l 0 j 1 k 0
k 0 k 0
PZ ( s) ck s k
k 0
PX ( s ) PY ( s ) pk s
k 0
k
q s
l 0 l
l
k ,l 0
p qs
k l r
k l
r pk q r k s r 0 k 0
r
c r s PZ ( s )
4. 母函数
定义：设X是非负整数值随机变量，分布律
P{X=k}=pk，k=0,1, 则称
P ( s) E ( s ) pk s
X k 0
k
为X的母函数。
性质： (1)非负整数值随机变量的分布律pk由其母 函数P(s)唯一确定 (k ) P (0) pk , k 0,1,2, k! (2)设P(s)是X的母函数， 若EX存在，则EX=P(1) 若DX存在，则DX= P(1) +P(1)- [P(1)]2
常见分布的特征函数
常见分布的特征函数特征函数概述特征函数是概率论和数理统计中的常用概念，它是一个复数函数，描述了随机变量的特征信息。
对于一个随机变量X，它的特征函数f(t)定义为：f(t) = E[e^(itX)]，其中i为虚数单位，E为期望运算符。
特征函数不仅对概率密度函数具有很好的描述和表达作用，还可以描述随机变量的各种性质，比如分布、矩和相关系数等。
下面将具体介绍几种常见的分布的特征函数。
1.正态分布正态分布是自然界中多种现象的分布模式，其概率密度函数在数学上也能很好地描述为高斯函数。
其特征函数如下：f(t) = e^(-t^2/2)该特征函数具有良好的解析性质和奇偶性质，能很好地反映正态分布的对称性和峰态。
2.泊松分布泊松分布是描述单位时间内某个随机事件发生次数的概率分布，例如单位时间内打进一个电话亭电话而来的电话数量、在网球场内接到的球的数量等。
其特征函数如下：f(t) = e^(λ(e^(it)-1))其中λ为单位时间内事件发生的平均次数。
3.指数分布指数分布是描述随机事件发生的时间间隔的概率分布，例如寿命、等待时间、顾客到达时间等。
其特征函数如下：f(t) = 1 / (1-it/λ)，其中λ为事件发生的平均速率。
4.卡方分布卡方分布是应用最广泛的概率分布之一，常用于分析样本差异性和偏离程度，例如方差分析、偏度分析、正态性检验等。
其特征函数如下：f(t) = (1-2it)^(-k/2)其中k为自由度。
5. beta分布beta分布是应用广泛的概率分布之一，常用于贝叶斯统计、假设检验、数据挖掘等领域。
其特征函数如下：f(t) = B(a+it,b-it) / B(a,b)其中B(a,b)表示beta函数，a,b为形状参数。
上述几种分布是常见的概率分布，它们的特征函数形式各不相同，但都能很好地反映分布的各种性质和特点，为进一步分析和研究提供了便利。
特征函数和矩母函数
解
X的概率密度为
所以
X
(t )
e
b
e
itx
1 b a
dx
a
itb
e
ita
it ( b a )
例3：设X服从二项分布B(n, p)，求X的特 征函数g(t)及EX、EX2、DX。 解: X的分布律为P(X=k)= C p q ， q=1-p，k=0,1,2,,n
k k nk n
N k k 1
的母函数H(s)=G(P(s)) , EY=ENEX1 其中G(s),P(s)分别是N, X1的母函数。
证明：(1)
n
P (s)
k 0
pk s
k
k 0
pk s
k
k n 1
p k s , n 0 ,1 ,
kn
k
P
(n)
( s ) n! p n
r0
cr s
PZ ( s )
(4)
H (s)
k 0
P {Y k } s
k
k 0
k P Y k , { N l } s l0
k 0 l0
P {Y k , N l } s
k
k 0 l0
P {Y k } P { N l } s
e
itb
it ( a X b )
itb
i ( at ) X
e
e
itb
E e
特征函数与矩母函数
特征函数和矩母函数
特征函数和矩母函数是概率论和数理统计中常用的概念。
特征函数是一个随机变量的唯一标识函数，它以复数形式表示。
对于一个随机变量X，其特征函数定义为：
φ(t) = E(e^(itX))
其中，φ(t)是X的特征函数，t是一个实数变量，i是虚数单位，E是数学期望操作。
特征函数的主要作用是描述随机变量X的概率分布以及其性质。
通过特征函数，可以推导出随机变量的各阶矩、特征值、协方差等统计量。
矩母函数（也称为矩生成函数）是随机变量X的矩序列所组成的函数。
对于一个随机变量X，其矩母函数定义为：
M(t) = E(e^(tX))
其中，M(t)是X的矩母函数，t是一个实数变量，E是数学期望操作。
矩母函数可以用于计算随机变量的各阶矩，包括均值、方差、偏度、峰度等。
通过矩母函数，可以推导出随机变量的统计性质，并进行概率分布的分析和比较。
总结起来，特征函数用于描述随机变量的概率分布形态，而矩母函数则用于计算随机变量的各阶矩及统计性质。
它们都是在概率论和数理统计中广泛应用的工具。
1.4.11.4特征函数的定义
，
i
则
MY
t
M n
i1 Xi
ait
20 X
X1,, X n 为n维实值随机向量，
t
M
t
t1，, E
tn e(
Rn，X的 矩 E X1t1 X ntn )
母 e
函数
X ,t
定
义
为
，
X
30 矩母函数与分布函数也是一一对应关系 .
13
E e i X ,t
n维实值随机向量的特征函数为n元函数.
10
矩母函数
概率空间,F , P 上实值随机变量X ,密度函数 为p x，t R，矩母函数定义为
MX t
E etX
etx p x dx
t 2 x2
1
tx
2!
t n xn
n!
p
x
dx
1 tEX t 2 E X 2 t n E X n
50 X t 一致连续.
0,
X t h X t eitx eihx 1 p x dx
a
e ihx 1 p x dx e ihx 1 p x dx 2 p x dx
a
x a
1) 取 a 充 分 大 ，使 得 2 p x dx
2） x a , 取 h x a
目录
条件期望 特征函数
1
目录
1.4 特征函数的定义
从傅里叶变换到特征函数，再到矩母函数
2
特征函数前传
一 、卷积
如果随机变量X 与Y 相互独立，则它们的和 Z X Y的密度函数等于X 与Y 密度函数的 卷积：
fZ z f X x * fY y
f Z z f X x fY z x dx