UA MATH563 概率论的数学基础 中心极限定理24 随机变量的特征函数
UA MATH563 概率论的数学基础 中心极限定理24 随机变量的特征函数
定义 假设XXX是定义在(Ω,F,P)(\Omega,\mathcal{F},P)(Ω,F,P)上的随机变量,定义
ϕ(t)=E[eitX]\phi(t) = E[e^{itX}]ϕ(t)=E[eitX]
为XXX的特征函数(characteristic function)。
说明
记μX\mu_XμX为XXX的分布,则ϕ(t)=E[eitX]=∫eitXdμX\phi(t) = E[e^{itX}] = \int e^{itX}d\mu_Xϕ(t)=E[eitX]=∫eitXdμX
也就是说ϕ(t)\phi(t)ϕ(t)其实是μX\mu_XμX的Fourier变换,因此任意随机变量的特征函数总是存在的。我们可以将特征函数与矩母函数(moment generating function,也就是μX\mu_XμX的Laplace变换)做个对比,
MX(t)=E[etX]M_X(t) = E[e^{tX}]MX(t)=E[etX]
被称为矩母函数,当且仅当E[etX]<∞E[e^{tX}]<\inftyE[etX]<∞时,矩母函数存在。而∣eitX∣≤1|e^{itX}| \le 1∣eitX∣≤1,因此E[eitX]E[e^{itX}]E[eitX]必定存在。
常用分布的特征函数
- 正态分布N(μ,σ2)N(\mu,\sigma^2)N(μ,σ2):ϕ(t)=exp(itμ−σ2t22)\phi(t)=\exp(it\mu-\frac{\sigma^2t^2}{2})ϕ(t)=exp(itμ−2σ2t2)
- Gamma分布Γ(α,β)\Gamma(\alpha,\beta)Γ(α,β):ϕ(t)=(1−itβ)−α\phi(t)=(1-\frac{it}{\beta})^{-\alpha}ϕ(t)=(1−βit)−α
- 二项分布B(n,p)B(n,p)B(n,p):ϕ(t)=(1−p+peit)n\phi(t)=(1-p+pe^{it})^nϕ(t)=(1−p+peit)n
- Poisson分布π(λ)\pi(\lambda)π(λ):ϕ(t)=exp(λ(eit−1))\phi(t)=\exp(\lambda (e^{it}-1))ϕ(t)=exp(λ(eit−1))
- 负二项分布NB(r,p)NB(r,p)NB(r,p):ϕ(t)=(p1−(1−p)eit)r\phi(t)=(\frac{p}{1-(1-p)e^{it}})^rϕ(t)=(1−(1−p)eitp)r
特征函数的简单计算性质
- ϕ(0)=1\phi(0)=1ϕ(0)=1
- ϕ(t)=ϕ(−t)‾\phi(t)=\overline{\phi(-t)}ϕ(t)=ϕ(−t) (共轭),如果XXX对称,则ϕX(t)\phi_X(t)ϕX(t)是实函数
- ∣ϕ(t)∣≤1|\phi(t)| \le 1∣ϕ(t)∣≤1
- ϕ(t)\phi(t)ϕ(t)一致收敛,因为∣ϕ(t+h)−ϕ(t)∣=∣E(eit(X+h)−eitX)∣≤E∣eit(X+h)−eitX∣=E∣eitX∣∣eihX−1∣≤E∣eihX−1∣|\phi(t+h)-\phi(t)|=|E(e^{it(X+h)}-e^{itX})| \le E|e^{it(X+h)}-e^{itX}|=E|e^{itX}||e^{ihX}-1| \le E|e^{ihX}-1|∣ϕ(t+h)−ϕ(t)∣=∣E(eit(X+h)−eitX)∣≤E∣eit(X+h)−eitX∣=E∣eitX∣∣eihX−1∣≤E∣eihX−1∣,根据有界收敛定理,h→0h \to 0h→0,E∣eihX−1∣→0E|e^{ihX}-1| \to 0E∣eihX−1∣→0
- ϕaX+b(t)=eitbϕX(at)\phi_{aX+b}(t)=e^{itb}\phi_X(at)ϕaX+b(t)=eitbϕX(at)
- 假设X1+X2X_1+X_2X1+X2独立,则ϕX1+X2(t)=ϕX1(t)ϕX2(t)\phi_{X_1+X_2}(t)=\phi_{X_1}(t)\phi_{X_2}(t)ϕX1+X2(t)=ϕX1(t)ϕX2(t)
特征函数的分析性质: 特征函数与分布一一对应
证明
第一条。假设F1,F2F_1,F_2F1,F2是两个分布,并且它们有相同的特征函数ϕ\phiϕ,我们需要说明F1=F2F_1=F_2F1=F2。假设X∼F1,Y∼F2X \sim F_1,Y \sim F_2X∼F1,Y∼F2,引入Z∼N(0,σ2)Z \sim N(0,\sigma^2)Z∼N(0,σ2),其中σ\sigmaσ是一个非常小的数。
在第六讲时我们介绍过一个技巧,在对实际问题进行建模时,我们常常需要用随机变量,记为XXX,描述一些复杂的随机性,这样的随机变量通常是没有办法写出密度函数的解析式的,但是我们可以加上一个非常“小”的正态分布Y∼N(0,ϵ2)Y \sim N(0,\epsilon^2)Y∼N(0,ϵ2),使得X+YX+YX+Y有密度函数的解析式。这里用的就是这个思路,因为我们没有对F1,F2F_1,F_2F1,F2做任何假设,为了让它们解析性质更好一些,便于我们分析,就让他们对一个正态分布做卷积。
定义
G1=F1∗FZ=∫F1(z−y)dFZ(y)G2=F2∗FZ=∫F2(z−y)dFZ(y)G_1 = F_1 *F_Z = \int F_1(z-y)dF_Z(y) \\ G_2 = F_2*F_Z = \int F_2(z-y)dF_Z(y)G1=F1∗FZ=∫F1(z−y)dFZ(y)G2=F2∗FZ=∫F2(z−y)dFZ(y)
根据Fourier变换的反演公式,
g1=∫fZ(z−y)dF1(y)=12π∫ϕ(t)e−itxe−t2σ22dtg2=∫fZ(z−y)dF2(y)=12π∫ϕ(t)e−itxe−t2σ22dtg_1 = \int f_Z(z-y)dF_1(y)=\frac{1}{2\pi}\int \phi(t)e^{-itx}e^{-\frac{t^2\sigma^2}{2}}dt \\ g_2= \int f_Z(z-y)dF_2(y)=\frac{1}{2\pi}\int \phi(t)e^{-itx}e^{-\frac{t^2\sigma^2}{2}}dt g1=∫fZ(z−y)dF1(y)=2π1∫ϕ(t)e−itxe−2t2σ2dtg2=∫fZ(z−y)dF2(y)=2π1∫ϕ(t)e−itxe−2t2σ2dt
于是g1=g2g_1=g_2g1=g2,进一步,根据分布与密度的对应关系G1=G2G_1=G_2G1=G2,因为
G1(x)=E[F1(x−Z)],G2(x)=E[F2(x−Z)]G_1(x) = E[F_1(x-Z)],G_2(x) = E[F_2(x-Z)]G1(x)=E[F1(x−Z)],G2(x)=E[F2(x−Z)]
我们考虑σ2↓0\sigma^2 \downarrow 0σ2↓0,则N(0,σ2)→δ0N(0,\sigma^2) \to \delta_0N(0,σ2)→δ0,于是
E[F1(x−Z)]=F1(x)+E[F1(x−Z)−F1(x)]E[F_1(x-Z)] = F_1(x)+E[F_1(x-Z)-F_1(x)]E[F1(x−Z)]=F1(x)+E[F1(x−Z)−F1(x)]
考虑E[F1(x−Z)−F1(x)]E[F_1(x-Z)-F_1(x)]E[F1(x−Z)−F1(x)],我们用truncation trick计算
E[F1(x−Z)−F1(x)]=E[F1(x−Z)−F1(x),∣Z∣≤ϵ]+E[F1(x−Z)−F1(x),∣Z∣>ϵ]E[F_1(x-Z)-F_1(x)] = E[F_1(x-Z)-F_1(x),|Z|\le \epsilon] \\+ E[F_1(x-Z)-F_1(x),|Z|> \epsilon]E[F1(x−Z)−F1(x)]=E[F1(x−Z)−F1(x),∣Z∣≤ϵ]+E[F1(x−Z)−F1(x),∣Z∣>ϵ]
根据右连续性,E[F1(x−Z)−F1(x),∣Z∣≤ϵ]→0E[F_1(x-Z)-F_1(x),|Z|\le \epsilon] \to 0E[F1(x−Z)−F1(x),∣Z∣≤ϵ]→0,
E[F1(x−Z)−F1(x),∣Z∣>ϵ]≤2P(∣Z∣>ϵ)=0E[F_1(x-Z)-F_1(x),|Z|> \epsilon] \le 2P(|Z|>\epsilon) = 0E[F1(x−Z)−F1(x),∣Z∣>ϵ]≤2P(∣Z∣>ϵ)=0
因为Z→δ0Z \to \delta_0Z→δ0,于是
F1(x)=E[F1(x−Z)]=E[F2(x−Z)]=F2(x)F_1(x)=E[F_1(x-Z)] = E[F_2(x-Z)] = F_2(x)F1(x)=E[F1(x−Z)]=E[F2(x−Z)]=F2(x)
UA MATH563 概率论的数学基础 中心极限定理24 随机变量的特征函数相关推荐
- UA MATH563 概率论的数学基础 中心极限定理11 强大数定律 版本1:四阶矩有界
UA MATH563 概率论的数学基础 中心极限定理11 强大数定律 版本1:四阶矩有界 这一讲我们介绍基于四阶矩条件的强大数法则(Strong Law of Large Number, SLLN) ...
- UA MATH563 概率论的数学基础 中心极限定理22 度量概率空间中的弱收敛 Portmanteau定理
UA MATH563 概率论的数学基础 中心极限定理22 度量概率空间中的弱收敛 Portmanteau定理 现在我们讨论度量空间中的弱收敛,假设(Ω,d)(\Omega,d)(Ω,d)是一个度量空间 ...
- UA MATH563 概率论的数学基础 中心极限定理23 概率测度族的紧性
UA MATH563 概率论的数学基础 中心极限定理23 概率测度族的紧性 给定一个度量可测空间(Ω,F)(\Omega,\mathcal{F})(Ω,F),度量为ddd,我们可以在这个可测空间上定义 ...
- UA MATH563 概率论的数学基础 中心极限定理21 Skorohod定理的证明
UA MATH563 概率论的数学基础 中心极限定理21 Skorohod定理的证明 Skorohod定理 如果Fn⇒FF_n \Rightarrow FFn⇒F,则存在以FnF_nFn为cdf的 ...
- UA MATH563 概率论的数学基础 中心极限定理20 弱收敛的性质
UA MATH563 概率论的数学基础 中心极限定理20 弱收敛的性质 性质一:两种定义的等价性 随机变量依分布收敛 定义一: 假设{Xn}\{X_n\}{Xn}是一列随机变量,称它依分布收敛到XX ...
- UA MATH563 概率论的数学基础 中心极限定理17 0-1律的应用
UA MATH563 概率论的数学基础 中心极限定理17 0-1律的应用 第14讲到第16讲我们介绍了Kolmogorov非常著名的几大定理(如下),事实上Kolmogorov开发出这些定理的目标是证 ...
- UA MATH563 概率论的数学基础 中心极限定理16 Kolmogorov 3-series定理
UA MATH563 概率论的数学基础 中心极限定理16 Kolmogorov 3-series定理 考虑∑n≥1an\sum_{n \ge 1}a_n∑n≥1an,这个级数收敛的充要条件是它的部 ...
- UA MATH563 概率论的数学基础 中心极限定理15 Kolmogorov 0-1律
UA MATH563 概率论的数学基础 中心极限定理15 Kolmogorov 0-1律 如果是初见的话会觉得Kolmogorov 0-1律看上去很奇怪,但它在概率论中有很广泛的应用,这一讲我们简单介 ...
- UA MATH563 概率论的数学基础 中心极限定理14 Kolmogorov maximal inequality
UA MATH563 概率论的数学基础 中心极限定理14 Kolmogorov maximal inequality 这一讲介绍一个有用的不等式,它给出了独立随机变量的和的最值的tail probab ...
最新文章
- 中考计算机应用技术有前途吗,被中考“淘汰”的职高生,未来的就业前景怎么样,你知道吗?...
- 竞品分析实战系列之如何对电商产品条目进行合理设计?
- mybatis配置文件不在resources目录下时需进行的额外配置方法
- kafka解决了什么问题?
- Centos+Nginx+PHP7.0编译安装(和PHP5.6老版本共存)
- Webhook入门教程:Webhook vs API 它们之间有什么区别?
- 【bzoj1036】 ZJOI2008—树的统计Count
- 3dMax模型尺寸更改与模型均匀缩放
- dev 饼形图_是时候与饼形图分手了
- 用Python摘抄《大道争锋》中的诗句
- 安排,2020新kafka视频教程零基础到精通
- macd底背离的python_java尝试编写macd,试验顶背离底背离
- 《涨知识啦34》-LED器件的I-V特性曲线
- pacman源添加及yaourt安装
- 深入浅出TVS瞬态抑态二极管
- 重学JS(一):什么是枚举?
- 微信小程序 mark用法
- 解决httpClient 调用返回“ ip:port fail to respond ” 问题
- 矩阵的秩和线性方程组的解的关系
- 解决keil与proteus进行联调时候出现灾难性故障问题
热门文章
- 用户方式中线程的同步——Windows核心编程学习手札之八
- html中选择收货地址时候,收货地址.html
- 数据源配置和自动管理
- java的知识点34——线程通信 || 生产者与消费者问题
- Python 技术篇-1行代码实现语音识别,speech库快速实现简单的语音对话
- CTFshow 命令执行 web120
- [YTU]_2626( B 统计程序设计基础课程学生的平均成绩)
- Python进阶06 循环对象与迭代
- 递归函数的理解 (三种类型)
- 【解决方案】UserWarning: Possibly corrupt EXIF data.导致读取图片失败