首页 >
特性函数
✍ dations ◷ 2025-04-04 05:14:55 #特性函数
在概率论中,任何随机变量的特征函数(缩写:ch.f,复数形式:ch.f's)完全定义了它的概率分布。在实直线上,它由以下公式给出,其中X是任何具有该分布的随机变量:其中t是一个实数,i是虚数单位,E表示期望值。用矩母函数MX(t)来表示(如果它存在),特征函数就是iX的矩母函数,或X在虚数轴上求得的矩母函数。与矩母函数不同,特征函数总是存在。如果FX是累积分布函数,那么特征函数由黎曼-斯蒂尔切斯积分给出:在概率密度函数fX存在的情况下,该公式就变为:如果X是一个向量值随机变量,我们便取自变量t为向量,tX为数量积。R或Rn上的每一个概率分布都有特征函数,因为我们是在有限测度的空间上对一个有界函数进行积分,且对于每一个特征函数都正好有一个概率分布。一个对称概率密度函数的特征函数(也就是满足fX(x) = fX(-x))是实数,因为从x>0所获得的虚数部分与从x<0所获得的相互抵消。勒维连续定理说明,假设
(
X
n
)
n
=
1
∞
{displaystyle (X_{n})_{n=1}^{infty }}
为一个随机变量序列,其中每一个
X
n
{displaystyle X_{n}}
都有特征函数
φ
n
{displaystyle varphi _{n}}
,那么它依分布收敛于某个随机变量
X
{displaystyle X}
:如果且
φ
(
t
)
{displaystyle varphi (t)}
在
t
=
0
{displaystyle t=0}
处连续,
φ
{displaystyle varphi }
是
X
{displaystyle X}
的特征函数。勒维连续定理可以用来证明弱大数定律。在累积概率分布函数与特征函数之间存在双射。也就是说,两个不同的概率分布不能有相同的特征函数。给定一个特征函数φ,可以用以下公式求得对应的累积概率分布函数F:一般地,这是一个广义积分;被积分的函数可能只是条件可积而不是勒贝格可积的,也就是说,它的绝对值的积分可能是无穷大。任意一个函数
φ
{displaystyle varphi }
是对应于某个概率律
μ
{displaystyle mu }
的特征函数,当且仅当满足以下三个条件:特征函数对于处理独立随机变量的函数特别有用。例如,如果X1、X2、……、Xn是一个独立(不一定同分布)的随机变量的序列,且其中ai是常数,那么Sn的特征函数为:特别地,
φ
X
+
Y
(
t
)
=
φ
X
(
t
)
φ
Y
(
t
)
{displaystyle varphi _{X+Y}(t)=varphi _{X}(t)varphi _{Y}(t)}
。这是因为:注意我们需要
X
{displaystyle X}
和
Y
{displaystyle Y}
的独立性来确立第三和第四个表达式的相等性。另外一个特殊情况,是
a
i
=
1
/
n
{displaystyle a_{i}=1/n}
且
S
n
{displaystyle S_{n}}
为样本平均值。在这个情况下,用
X
¯
{displaystyle {overline {X}}}
表示平均值,我们便有:Oberhettinger (1973) 提供的特征函数表.由于连续定理,特征函数被用于中心极限定理的最常见的证明中。特征函数还可以用来求出某个随机变量的矩。只要第n个矩存在,特征函数就可以微分n次,得到:例如,假设
X
{displaystyle X}
具有标准柯西分布。那么
φ
X
(
t
)
=
e
−
|
t
|
{displaystyle varphi _{X}(t)=e^{-|t|}}
。它在
t
=
0
{displaystyle t=0}
处不可微,说明柯西分布没有期望值。另外,注意到
n
{displaystyle n}
个独立的观测的样本平均值
X
¯
{displaystyle {overline {X}}}
具有特征函数
φ
X
¯
(
t
)
=
(
e
−
|
t
|
/
n
)
n
=
e
−
|
t
|
{displaystyle varphi _{overline {X}}(t)=(e^{-|t|/n})^{n}=e^{-|t|}}
,利用前一节的结果。这就是标准柯西分布的特征函数;因此,样本平均值与总体本身具有相同的分布。特征函数的对数是一个累积量母函数,它对于求出累积量是十分有用的;注意有时定义累积量母函数为矩母函数的对数,而把特征函数的对数称为第二累积量母函数。具有尺度参数θ和形状参数k的伽玛分布的特征函数为:现在假设我们有:其中X和Y相互独立,我们想要知道X + Y的分布是什么。X和Y特征函数分别为:根据独立性和特征函数的基本性质,可得:这就是尺度参数为θ、形状参数为k1 + k2的伽玛分布的特征函数,因此我们得出结论:这个结果可以推广到n个独立、具有相同尺度参数的伽玛随机变量:如果
X
{displaystyle X}
是一个多元随机变量,那么它的特征函数定义为:这里的点表示向量的点积,而向量
t
{displaystyle t}
位于
X
{displaystyle X}
的对偶空间内。用更加常见的矩阵表示法,就是:如果
X
∼
N
(
0
,
Σ
)
{displaystyle Xsim N(0,Sigma ),}
是一个平均值为零的多元高斯随机变量,那么:其中
|
Σ
|
{displaystyle |Sigma |}
表示正定矩阵 Σ的行列式。如果
X
{displaystyle X}
是一个矩阵值随机变量,那么它的特征函数为:在这里,
T
r
(
⋅
)
{displaystyle mathrm {Tr} (cdot )}
是迹函数,
X
T
{displaystyle XT}
表示
T
{displaystyle T}
与
X
{displaystyle X}
的矩阵乘积。由于矩阵XT一定有迹,因此矩阵X必须与矩阵T的转置的大小相同;因此,如果X是m × n矩阵,那么T必须是n × m矩阵。注意乘法的顺序不重要(
X
T
≠
T
X
{displaystyle XTneq TX}
但
t
r
(
X
T
)
=
t
r
(
T
X
)
{displaystyle tr(XT)=tr(TX)}
)。矩阵值随机变量的例子包括威沙特分布和矩阵正态分布。相关概念有矩母函数和概率母函数。特征函数对于所有概率分布都存在,但矩母函数不是这样。特征函数与傅里叶变换有密切的关系:一个概率密度函数
p
(
x
)
{displaystyle p(x)}
的特征函数是
p
(
x
)
{displaystyle p(x)}
的连续傅里叶变换的共轭复数(按照通常的惯例)。其中
P
(
t
)
{displaystyle P(t)}
表示概率密度函数
p
(
x
)
{displaystyle p(x)}
的连续傅里叶变换。类似地,从
φ
X
(
t
)
{displaystyle varphi _{X}(t)}
可以通过傅里叶逆变换求出
p
(
x
)
{displaystyle p(x)}
:确实,即使当随机变量没有密度时,特征函数仍然可以视为对应于该随机变量的测度的傅里叶变换。
相关
- 杆菌杆菌,指外观呈杆状的细菌。根据其排列组合,可分为单杆菌,双杆菌和链杆菌。杆菌的样例有大肠杆菌、枯草芽孢杆菌、乳酸杆菌、幽门螺杆菌等。
- 政府CCP可以指:
- 德意志国家图书馆德国国家图书馆(Deutsche Nationalbibliothek)是联邦德国的国家图书馆。做为非借阅图书馆,德意志国家图书馆承担着从1913年以来所有德语出版书籍的保藏工作,除此之外该图书馆还
- 记忆异常心理学 行为遗传学 生物心理学 心理药物学 认知心理学 比较心理学 跨文化心理学 文化心理学 差异心理学(英语:Differential psychology) 发展心理学 演化心理学 实验心理学
- 鸭鸣报Maurice Maréchal Jeanne Maréchal Henri-Paul Deyvaux-GassierÉrik Emptaz Louis-Marie Horeau鸭鸣报(法语:Le Canard enchaîné)是法国一份以讽刺而闻名的周报,逢星期三
- NEC日本电气(日语:日本電気/にっぽんでんき nippon denki;英文译名:NEC Corporation,前称Nippon Electric Company, Limited),简称日电、NEC,中文又译为恩益禧(台湾使用),是日本一家跨国信
- 挡风玻璃挡风玻璃指的是飞机、汽车、公车、机车以及电车等前面部分的窗户。现代的挡风玻璃通常是以层压过的安全玻璃所制作,里外各一层弯曲的玻璃,中间夹着一层被层压过的塑胶作为安全
- 列克星敦列克星敦(Lexington),美国马萨诸塞州米德尔塞克斯县一小镇。据2010年统计,拥有家庭11,100户,人口31,394人。列克星敦建立于1641年,因美国独立战争于1775年4月19日在此打响第一枪而
- 压缩机压缩机(英语:Gas compressor),是一种将气体压缩并同时提升气体压力的机械,其应用广泛,常见的应用领域包括:暖通空调、冷冻循环、提供工业驱动动力、硅化工、石油化工、天然气输送等
- 阿尔伯塔大学© 阿尔伯塔大学校徽阿尔伯塔大学(英语:University of Alberta),始建于1908年,位于加拿大阿尔伯塔省省会埃德蒙顿市中心,北萨斯喀彻温河南岸,是加拿大的一所综合研究性大学。阿尔伯