Funzione caratteristica (probabilità)
In matematica e specialmente in teoria della probabilità e statistica , la funzione caratteristica di una variabile casuale X reale è un numero che determina in modo univoco la sua distribuzione di probabilità . Se questa variabile casuale ha una densità , allora la funzione caratteristica è l' inversa trasformata di Fourier della densità. I valori zero delle successive derivate della funzione caratteristica consentono di calcolare i momenti della variabile casuale.
La funzione caratteristica è talvolta chiamata la prima funzione caratteristica mentre la seconda funzione caratteristica (o anche la seconda funzione caratteristica ) è la sua trasformata logaritmica .
Il teorema di Bochner e il teorema di Khintchine forniscono le condizioni necessarie e sufficienti affinché una funzione sia la funzione caratteristica di una variabile casuale.
Definizioni
Per una variabile reale
La funzione caratteristica di una variabile casuale reale X è la funzione a valori complessi definita da
onR{\ displaystyle \ mathbb {R}}
φX(t)=E[eiotX]=E[cos(tX)]+io E[peccato(tX)].{\ displaystyle {\ begin {aligned} \ varphi _ {X} (t) & = \ mathbb {E} \ left [\ operatorname {e} ^ {\ mathrm {i} tX} \ right] \\ & = \ mathbb {E} \ left [\ cos (tX) \ right] + \ mathrm {i} \ \ mathbb {E} \ left [\ sin (tX) \ right]. \ end {allineato}}}- Se questa variabile casuale ha una densità , diciamo f X , allora
φX(t)=∫RfX(X)eiotXdX.{\ displaystyle \ varphi _ {X} (t) = \ int _ {\ mathbb {R}} f_ {X} (x) \ operatorname {e} ^ {\ mathrm {i} tx} \, \ mathrm {d } X.}
Quindi, nel caso di una variabile casuale con densità, la funzione caratteristica è l' inversa trasformata di
Fourier (fino a un fattore 2 factor
nell'esponenziale secondo la convenzione) della densità. Probabilmente per questo, capita che si scelga una convenzione diversa, ovvero . Si noterà che sebbene l'uso nella comunità dei probabilisti sia parlare di trasformata di Fourier, è strettamente una questione di
trasformata di Fourier inversa .
φX(t)=E[e2ioπtX]{\ displaystyle \ varphi _ {X} (t) = \ mathbb {E} [\ operatorname {e} ^ {2 \ mathrm {i} \ pi tX}]}
φX(t)=ΣK=0∞P(X=K)eiotK=GX(eiot){\ displaystyle \ varphi _ {X} (t) = \ sum _ {k = 0} ^ {\ infty} \ mathbb {P} (X = k) e ^ {\ mathrm {i} tk} = G_ {X } (e ^ {\ mathrm {i} t})}
dove
G X denota la sua
funzione generatrice di probabilità generalizzata a un parametro complesso.
Per una variabile di uno spazio euclideo
Più in generale, la funzione caratteristica di una variabile casuale X con valori in è la funzione con valori complessi definita su da
Rd{\ displaystyle \ mathbb {R} ^ {d}}Rd{\ displaystyle \ mathbb {R} ^ {d}}
φX(tu)=E[eio⟨tu,X⟩]{\ displaystyle \ varphi _ {X} (u) = \ mathbb {E} \ left [\ operatorname {e} ^ {\ mathrm {i} \ langle u, X \ rangle} \ right]}dove è il prodotto scalare di u con X .
⟨tu,X⟩{\ displaystyle \ langle u, X \ rangle}
Per una funzione di distribuzione
La funzione caratteristica di una funzione di distribuzione F è la funzione a valori complessi definita da
R{\ displaystyle \ mathbb {R}}
φF(t)=∫-∞+∞eiotzdF(z){\ displaystyle \ varphi _ {F} (t) = \ int _ {- \ infty} ^ {+ \ infty} {\ textrm {e}} ^ {\ mathrm {i} tz} \, \ mathrm {d} F(z)}dove l'integrale è un integrale di Stieltjes .
Proprietà
- La funzione caratteristica determina in modo univoco la legge di una variabile casuale nel senso che " φ X = φ Y " (uguaglianza di funzioni) è equivalente a " X e Y hanno la stessa legge".
- Se X e Y sono due variabili casuali indipendenti , φ X + Y = φ X φ Y . Più in generale, se X 1 , ..., X n sono variabili casuali indipendenti nel loro insieme, allora φ X 1 + ... + X n = φ X 1 ... φ X n . Da allora applicando la trasformata di Fourier φ X + Y , aiuta a trovare la legge di X + Y .
- Esiste una relazione tra i momenti e la funzione caratteristica di una variabile casuale. Quando esistono momenti di qualsiasi ordine e la loro serie generatrice esponenziale ha raggio di convergenza R diverso da zero allora:
φX(t)=ΣK=0∞ioKE[XK]K!tK ∀t∈]-R,R[{\ displaystyle \ varphi _ {X} (t) = \ sum _ {k = 0} ^ {\ infty} {\ frac {\ mathrm {i} ^ {k} \ mathbb {E} [X ^ {k} ]} {k!}} t ^ {k} ~~~ \ forall t \ in \ left] -R, R \ right [}.
Dimostrazione
In entrambi i casi , abbiamo
.
t∈[0,R[{\ stile di visualizzazione t \ in [0, R [}φX(t)=E[eiotX]=E[ΣK=0∞(iotX)KK!]=ΣK=0∞ioKK!tKE[XK]{\ displaystyle \ varphi _ {X} (t) = \ mathbb {E} \ left [\ operatorname {e} ^ {\ mathrm {i} tX} \ right] = \ mathbb {E} \ left [\ sum _ {k = 0} ^ {\ infty} {\ frac {(\ mathrm {i} tX) ^ {k}} {k!}} \ right] = \ sum _ {k = 0} ^ {\ infty} { \ frac {\ mathrm {i} ^ {k}} {k!}} t ^ {k} \ mathbb {E} \ sinistra [X ^ {k} \ destra]}
Per giustificare l'inversione tra la somma e l'aspettativa è sufficiente dimostrare che è finita e applicare il teorema di Fubini. Notiamo che per tutto :
ΣK=0∞E[|X|K]K!tK{\ displaystyle \ sum _ {k = 0} ^ {\ infty} {\ frac {\ mathbb {E} [| X | ^ {k}]} {k!}} t ^ {k}}K≥0{\ displaystyle k \ geq 0}
E[|X|2K+1]=E[|X|2K+11|X|≤1]+E[|X|2K+11|X|>1]≤1+E[X2K+2]{\ displaystyle \ mathbb {E} [| X | ^ {2k + 1}] = \ mathbb {E} [| X | ^ {2k + 1} \ mathbf {1} _ {| X | \ leq 1}] + \ mathbb {E} [| X | ^ {2k + 1} \ mathbf {1} _ {| X |> 1}] \ leq 1+ \ mathbb {E} [X ^ {2k + 2}]}.
Quindi abbiamo per tutto :
t∈[0,R[{\ displaystyle t \ in \ left [0, R \ right [}
ΣK=0∞E[|X|K]K!tK≤et+2ΣK=0∞E[X2K](2K)!t2K≤et+2ΣK=0∞|E[XK]|K!tK<+∞{\ displaystyle \ sum _ {k = 0} ^ {\ infty} {\ frac {\ mathbb {E} [| X | ^ {k}]} {k!}} t ^ {k} \ leq e ^ { t} +2 \ sum _ {k = 0} ^ {\ infty} {\ frac {\ mathbb {E} [X ^ {2k}]} {(2k)!}} t ^ {2k} \ leq e ^ {t} +2 \ sum _ {k = 0} ^ {\ infty} {\ frac {| \ mathbb {E} [X ^ {k}] |} {k!}} t ^ {k} <+ \ infinito}.
L'ultima somma è infatti convergente perché sappiamo che un'intera serie è assolutamente convergente all'interno del suo disco di convergenza. Procediamo quindi allo stesso modo per .
t∈]-R,0]{\ displaystyle t \ in \ a sinistra] -R, 0 \ a destra]}
- Questa relazione viene talvolta utilizzata per calcolare l' aspettativa (momento di ordine 1) e la varianza di una variabile casuale. Più esplicitamente:
φX(K)(0)=ioKE[XK]{\ displaystyle \ varphi _ {X} ^ {(k)} (0) = \ mathrm {i} ^ {k} \ mathbb {E} [X ^ {k}]}
pertanto :
E[X]=-ioφX'(0){\ displaystyle \ mathbb {E} [X] = - \ mathrm {i} \ varphi _ {X} ^ {\ prime} (0)}
E[X2]=-φX''(0){\ displaystyle \ mathbb {E} \ left [X ^ {2} \ right] = - \, \ varphi _ {X} ^ {\ prime \ prime} (0)}
Var(X)=-φX''(0)+(φX'(0))2{\ displaystyle {\ textrm {Var}} (X) = - \, \ varphi _ {X} ^ {\ prime \ prime} (0) + \ left (\ varphi _ {X} ^ {\ prime} (0 ) \ destra) ^ {2}}.
- La seguente relazione viene utilizzata, ad esempio, per calcolare la funzione caratteristica di una variabile centrata ridotta , dalla funzione caratteristica della variabile di partenza:
φaX+b(t)=φX(at)eiotb{\ displaystyle \ varphi _ {aX + b} (t) = \ varphi _ {X} (at) \, \ operatorname {e} ^ {\ mathrm {i} tb}}.
- Il teorema di convergenza di Lévy dice che la convergenza in distribuzione è equivalente alla semplice convergenza della funzione caratteristica in ogni punto.
Seconda funzione caratteristica
Definizione
La seconda funzione caratteristica di una variabile casuale reale X è la funzione a valori complessi definita da
ψX(t)=Accedi φX(t)=Accedi E[eiotX]{\ displaystyle \ psi _ {X} (t) = {\ text {Log}} \ varphi _ {X} (t) = {\ text {Log}} \ mathbb {E} [e ^ {\ mathrm {i } tX}]}dove Log indica il ramo principale del logaritmo che è definito e olomorfo sul piano complesso privato della semiretta dei reali negativi o nulli e che è uguale a 0 in 1.
Poiché la funzione caratteristica è sempre continua ed è uguale a 1 a 0, la seconda funzione caratteristica è sempre ben definita su un intorno di 0.
Collegamento con la funzione generatore di cumulanti
- La seconda funzione caratteristica è talvolta chiamata funzione generatrice di cumulanti . Il matematico Eugène Lukacz, nel suo libro Funzioni caratteristiche , osserva lo sfortunato uso del termine "funzione generatrice di cumulanti" perché la seconda funzione generatrice esiste sempre nell'intorno di 0 mentre i cumulanti e i momenti di X potrebbero benissimo non esistere. . Aggiunge anche che il termine “seconda funzione caratteristica” deriva dalla letteratura matematica francese.
- La funzione generatore cumulativo può anche denotare il logaritmo naturale della funzione generatore di momento .
Riferimenti
-
(in) Eugene Lukacz, Funzioni caratteristiche , Londra, Griffin,1970, pag. 27
Articolo correlato
Funzione di generazione del momento
<img src="https://fr.wikipedia.org/wiki/Special:CentralAutoLogin/start?type=1x1" alt="" title="" width="1" height="1" style="border: none; position: absolute;">