4.2 特征函数

本节概览

本节系统建立特征函数的完整理论框架。特征函数是连接概率分布与极限定理的核心工具，它将分布函数的收敛问题转化为函数序列的点态收敛问题，从而为大数定律和中心极限定理的证明提供关键桥梁。

逻辑链条：特征函数定义 → 常用分布的特征函数 → 基本性质 → 与矩的关系 → 唯一性定理（逆转公式）→ 连续性定理

前置依赖：§4.1（复随机变量、欧拉公式）、§2.2（期望）、§2.3（方差）

核心主线：特征函数与分布函数一一对应（唯一性定理），且独立随机变量和的特征函数等于各特征函数之积，这使得复杂的分布问题可以通过特征函数的乘法结构来简化。

---

一、特征函数的定义

复随机变量回顾

在§4.1中已经引入了复随机变量的概念。设 $X(\omega )$ 和 $Y(\omega )$ 为实值随机变量，则

$$Z(\omega )=X(\omega )+iY(\omega )$$

称为复随机变量，其期望为 $E(Z)=E(X)+iE(Y)$。若 $X$ 与 $Y$ 独立，则 $Z$ 的期望等于期望之积。

由欧拉公式 $e^{iX}=\cos X+i\sin X$，有 $|e^{iX}|=\sqrt{{\cos }^{2}X+{\sin }^{2}X}=1$，故 $e^{iX}$ 的期望一定存在。

特征函数的定义

定义 4.2.1 — 特征函数（公式4.2.1）

设 $X$ 为随机变量，称

$$\phi (t)=E(e^{itX}),-\infty <t<+\infty \text{\hspace{1em}(4.2.1)}$$

为 $X$ 的特征函数（characteristic function）。

理解要点：

• 特征函数是实变量 $t$ 的复值函数，对每个固定的 $t$，$\phi (t)$ 是一个期望值
• 由于 $|e^{itX}|=1$，特征函数一定存在（不像矩母函数可能不存在）
• $\phi (0)=E(e^{i\cdot 0\cdot X})=E(1)=1$

离散型和连续型的计算公式

定义 4.2.2 — 离散型特征函数（公式4.2.2）

若 $X$ 为离散型随机变量，分布律为 $P(X=x_k)=p_k$（$k=1,2,\dots$），则

$$\phi (t)=\sum _{k=1}^{\infty }{e}^{it{x}_k}{p}_k,-\infty <t<+\infty \text{\hspace{1em}(4.2.2)}$$

定义 4.2.3 — 连续型特征函数（公式4.2.3）

若 $X$ 为连续型随机变量，密度函数为 $p(x)$，则

$$\phi (t)={\int }_{-\infty }^{+\infty }{e}^{itx}p(x)dx,-\infty <t<+\infty \text{\hspace{1em}(4.2.3)}$$

理解要点：连续型的特征函数本质上是密度函数 $p(x)$ 的傅里叶变换（差一个符号约定）。这一联系是特征函数强大功能的数学根源。

---

二、常用分布的特征函数

退化分布

若 $P(X=a)=1$，则

$$\phi (t)=e^{ita}$$

二点分布

例 4.2.1 — 二点分布的特征函数

设 $X\sim b(1,p)$，即 $P(X=x)=p^x(1-p{)}^{1-x}$（$x=0,1$），则

$$\phi (t)=e^{it\cdot 0}\cdot (1-p)+e^{it\cdot 1}\cdot p=(1-p)+p{e}^{it}$$

泊松分布

例 4.2.2 — 泊松分布的特征函数

设 $X\sim P(\lambda )$，即 $P(X=k)=\frac{{\lambda }^k}{k!}{e}^{-\lambda }$（$k=0,1,\dots$），则

$$\phi (t)=\sum _{k=0}^{\infty }{e}^{itk}\cdot \frac{{\lambda }^k}{k!}{e}^{-\lambda }=e^{-\lambda }\sum _{k=0}^{\infty }\frac{(\lambda e^{it}{)}^k}{k!}=e^{-\lambda }\cdot e^{\lambda e^{it}}=e^{\lambda (e^{it}-1)}$$

均匀分布

例 4.2.3 — 均匀分布的特征函数

设 $X\sim U(a,b)$，密度为 $p(x)=\frac{1}{b-a}{1}_{\{a<x<b\}}$，则

$$\phi (t)=\frac{1}{b-a}{\int }_a^b{e}^{itx}dx=\frac{e^{itb}-e^{ita}}{it(b-a)}$$

标准正态分布

例 4.2.4 — 标准正态分布的特征函数

设 $X\sim N(0,1)$，密度为 $p(x)=\frac{1}{\sqrt{2\pi }}{e}^{-x^2/2}$，则

$$\phi (t)=\frac{1}{\sqrt{2\pi }}{\int }_{-\infty }^{+\infty }{e}^{itx}{e}^{-x^2/2}dx$$

解：将 $e^{itx}$ 泰勒展开：

$$\phi (t)=\sum _{n=0}^{\infty }\frac{(it{)}^n}{n!}\cdot \frac{1}{\sqrt{2\pi }}{\int }_{-\infty }^{+\infty }{x}^n{e}^{-x^2/2}dx$$

利用标准正态的矩公式 $E(X^n)=0$（$n$ 奇数）、$E(X^{2m})=\frac{(2m)!}{2^m\cdot m!}$：

$$\phi (t)=\sum _{m=0}^{\infty }\frac{(it{)}^{2m}}{(2m)!}\cdot \frac{(2m)!}{2^m\cdot m!}=\sum _{m=0}^{\infty }\frac{(-1{)}^m{t}^{2m}}{2^m\cdot m!}=e^{-t^2/2}$$

指数分布

例 4.2.5 — 指数分布的特征函数

设 $X\sim \text{Exp}(\lambda )$，密度为 $p(x)=\lambda e^{-\lambda x}{1}_{\{x\ge 0\}}$，则

$$\phi (t)={\int }_0^{\infty }{e}^{itx}\cdot \lambda e^{-\lambda x}dx=\lambda {\int }_0^{\infty }{e}^{-(\lambda -it)x}dx=\frac{\lambda }{\lambda -it}=\frac{1}{1-\frac{it}{\lambda }}$$

常用分布特征函数汇总表

分布	特征函数 $\phi (t)$
退化分布 ${\delta }_a$	$e^{ita}$
$b(1,p)$	$(1-p)+p{e}^{it}$
$b(n,p)$	$[(1-p)+p{e}^{it}{]}^n$
$P(\lambda )$	$e^{\lambda (e^{it}-1)}$
$U(a,b)$	$\frac{e^{itb}-e^{ita}}{it(b-a)}$
$N(\mu ,{\sigma }^2)$	$\exp \left(i\mu t-\frac{{\sigma }^2{t}^2}{2}\right)$
$\text{Exp}(\lambda )$	${\left(1-\frac{it}{\lambda }\right)}^{-1}$
$\text{Ga}(\alpha ,\lambda )$	${\left(1-\frac{it}{\lambda }\right)}^{-\alpha }$
${\chi }^2(n)$	$(1-2it{)}^{-n/2}$

---

三、特征函数的基本性质

定理 4.2.1 — 特征函数的基本性质（公式4.2.4-4.2.7）

设 $\phi (t)$ 为随机变量 $X$ 的特征函数，则：

(1) 有界性：

$$|\phi (t)|\le \phi (0)=1\text{\hspace{1em}(4.2.4)}$$

(2) 共轭对称性：

$$\phi (-t)=\overline{\phi (t)}\text{\hspace{1em}(4.2.5)}$$

(3) 线性变换：若 $Y=aX+b$（$a,b$ 为常数），则

$${\phi }_Y(t)=e^{ibt}{\phi }_X(at)\text{\hspace{1em}(4.2.6)}$$

(4) 独立随机变量和：若 $X$ 与 $Y$ 独立，则

$${\phi }_{X+Y}(t)={\phi }_X(t){\phi }_Y(t)\text{\hspace{1em}(4.2.7)}$$

理解要点：

• 有界性：由 $|e^{itX}|=1$ 和期望的三角不等式直接得到
• 共轭对称性：$\phi (-t)=E(e^{-itX})=\overline{E(e^{itX})}=\overline{\phi (t)}$
• 线性变换：先平移（乘 $e^{ibt}$）再缩放（$t\to at$）
• 独立性乘法：这是特征函数最重要的性质之一，它将卷积运算转化为简单的乘法运算，是证明可加性定理和中心极限定理的关键工具

证明

证明：

性质(1) 有界性：

$$|\phi (t)|=|E(e^{itX})|\le E(|e^{itX}|)=E(1)=1$$

（第一步：利用期望的三角不等式 $|E(Z)|\le E(|Z|)$。第二步：$|e^{itX}|=\sqrt{{\cos }^2(tX)+{\sin }^2(tX)}=1$。） 又 $\phi (0)=E(e^{i\cdot 0\cdot X})=E(1)=1$，故 $|\phi (t)|\le \phi (0)=1$。

性质(2) 共轭对称性：

$$\phi (-t)=E(e^{-itX})=E(\overline{e^{itX}})=\overline{E(e^{itX})}=\overline{\phi (t)}$$

（关键步骤：$\overline{e^{itX}}=e^{-itX}$，以及期望与共轭运算可交换 $\overline{E(Z)}=E(\overline{Z})$。）

性质(3) 线性变换：设 $Y=aX+b$，

$${\phi }_Y(t)=E(e^{itY})=E(e^{it(aX+b)})=E(e^{ibt}\cdot e^{iatX})=e^{ibt}\cdot E(e^{i(at)X})=e^{ibt}{\phi }_X(at)$$

（关键步骤：常数因子 $e^{ibt}$ 可以提出期望符号，变量 $X$ 的系数 $a$ 被吸收到参数 $t$ 中。）

性质(4) 独立随机变量和：设 $X$ 与 $Y$ 独立，则 $e^{itX}$ 与 $e^{itY}$ 也独立（可测函数保持独立性），故

$${\phi }_{X+Y}(t)=E(e^{it(X+Y)})=E(e^{itX}\cdot e^{itY})=E(e^{itX})\cdot E(e^{itY})={\phi }_X(t)\cdot {\phi }_Y(t)$$

（关键步骤：独立随机变量的乘积的期望等于期望的乘积。这一步将卷积运算转化为乘法运算。）

$\square$

证明

证明：若 $X\sim b(m,p)$，$Y\sim b(n,p)$ 独立，则

第一步：写出 $X$ 和 $Y$ 的特征函数。

$${\phi }_X(t)=[(1-p)+p{e}^{it}{]}^m,{\phi }_Y(t)=[(1-p)+p{e}^{it}{]}^n$$

第二步：利用独立性求和的特征函数。 由特征函数的基本性质，${\phi }_{X+Y}(t)={\phi }_X(t)\cdot {\phi }_Y(t)$：

$${\phi }_{X+Y}(t)=[(1-p)+p{e}^{it}{]}^m\cdot [(1-p)+p{e}^{it}{]}^n=[(1-p)+p{e}^{it}{]}^{m+n}$$

第三步：识别分布。 $[(1-p)+p{e}^{it}{]}^{m+n}$ 正是 $b(m+n,p)$ 的特征函数。由逆转公式与唯一性定理，$X+Y\sim b(m+n,p)$。

$\square$“

---

四、特征函数与矩的关系

定理 4.2.2 — 特征函数与矩（公式4.2.8-4.2.9）

若 $E(|X{|}^l)$ 存在（$l$ 为正整数），则 $\phi (t)$ 的 $k$ 阶导数存在（$1\le k\le l$），且

$${\phi }^{(k)}(0)=i^{k}E(X^k)\text{\hspace{1em}(4.2.8)}$$

特别地，

$$E(X)=\frac{{\phi }^{\prime }(0)}{i},\text{Var}(X)=-{\phi }^{\prime \prime }(0)+[{\phi }^{\prime }(0){]}^2\text{\hspace{1em}(4.2.9)}$$

理解要点：

• 特征函数在原点处的 $k$ 阶导数与 $X$ 的 $k$ 阶矩直接相关
• 这提供了一种计算矩的替代方法：先求特征函数，再对 $t$ 求导
• 公式(4.2.9)中方差的计算利用了 $\text{Var}(X)=E(X^2)-[E(X){]}^2=-{\phi }^{\prime \prime }(0)-[{\phi }^{\prime }(0)/i{]}^2=-{\phi }^{\prime \prime }(0)+[{\phi }^{\prime }(0){]}^2$

证明

证明（以 $k=1$ 为例，一般情形类似）：

第一步：写出导数的定义。

$${\phi }^{\prime }(t)=\frac{d}{dt}E(e^{itX})=E\left(\frac{d}{dt}{e}^{itX}\right)=E(iX\cdot e^{itX})$$

（关键步骤：交换求导与期望的顺序。这需要验证控制收敛定理的条件：$\left|\frac{d}{dt}{e}^{itX}\right|=|iX{e}^{itX}|=|X|$，而 $E|X|<\infty$（$l\ge 1$ 阶矩存在），故交换合法。）

第二步：在 $t=0$ 处求值。

$${\phi }^{\prime }(0)=E(iX\cdot e^{i\cdot 0\cdot X})=E(iX)=iE(X)$$

第三步：解出 $E(X)$。

$$E(X)=\frac{{\phi }^{\prime }(0)}{i}$$

一般情形（$k$ 阶导数）：类似地，${\phi }^{(k)}(t)=E\left((iX{)}^k{e}^{itX}\right)$，在 $t=0$ 处：

$${\phi }^{(k)}(0)=E\left((iX{)}^k\right)=i^{k}E(X^k)$$

方差公式的推导：

$$\text{Var}(X)=E(X^2)-[E(X){]}^2=\frac{{\phi }^{\prime \prime }(0)}{i^2}-{\left(\frac{{\phi }^{\prime }(0)}{i}\right)}^2=-{\phi }^{\prime \prime }(0)+[{\phi }^{\prime }(0){]}^2$$

$\square$

例 4.2.6 — 用特征函数求泊松分布的期望和方差

$X\sim P(\lambda )$，$\phi (t)=e^{\lambda (e^{it}-1)}$。

$${\phi }^{\prime }(t)=e^{\lambda (e^{it}-1)}\cdot \lambda \cdot i{e}^{it}=i\lambda e^{it}\cdot \phi (t)$$ $${\phi }^{\prime }(0)=i\lambda \cdot 1\cdot 1=i\lambda$$ $$E(X)=\frac{{\phi }^{\prime }(0)}{i}=\frac{i\lambda }{i}=\lambda ✓$$ $${\phi }^{\prime \prime }(t)=i\lambda \left[i{e}^{it}\phi (t)+e^{it}{\phi }^{\prime }(t)\right]=i\lambda e^{it}\left[i\phi (t)+{\phi }^{\prime }(t)\right]$$ $${\phi }^{\prime \prime }(0)=i\lambda \cdot 1\cdot [i+i\lambda ]=i\lambda (i+i\lambda )=i^2\lambda (1+\lambda )=-\lambda (1+\lambda )$$ $$\text{Var}(X)=-{\phi }^{\prime \prime }(0)+[{\phi }^{\prime }(0){]}^2=\lambda (1+\lambda )+(i\lambda {)}^2=\lambda (1+\lambda )-{\lambda }^2=\lambda ✓$$

---

五、特征函数的唯一性定理

非负定性

定理 4.2.3 — 特征函数的非负定性（公式4.2.10）

设 $\phi (t)$ 为随机变量 $X$ 的特征函数，则对任意正整数 $n$、任意实数 $t_1,\dots ,t_n$ 和任意复数 $z_1,\dots ,z_n$，有

$$\sum _{k=1}^n\sum _{j=1}^n\phi (t_k-t_j)z_k\overline{z_j}\ge 0\text{\hspace{1em}(4.2.10)}$$

理解要点：非负定性是特征函数的本质特征——Bochner定理指出，一个函数是某个随机变量的特征函数，当且仅当它满足 $\phi (0)=1$、连续且非负定。

证明

证明：

第一步：构造辅助复随机变量。 令 $Z={\sum }_{k=1}^n{z}_k{e}^{i{t}_{k}X}$，其中 $z_k$ 为任意复数，$t_k$ 为任意实数。

第二步：计算 $E(|Z{|}^2)$。 利用 $|Z{|}^2=Z\cdot \overline{Z}\ge 0$：

$$E(|Z{|}^2)=E\left(\sum _{k=1}^n{z}_k{e}^{i{t}_{k}X}\cdot \sum _{j=1}^n\overline{z_j}{e}^{-i{t}_{j}X}\right)=\sum _{k=1}^n\sum _{j=1}^n{z}_k\overline{z_j}E(e^{i(t_k-t_j)X})$$ $$=\sum _{k=1}^n\sum _{j=1}^n\phi (t_k-t_j)z_k\overline{z_j}$$

第三步：利用非负性。 由于 $|Z{|}^2\ge 0$，故 $E(|Z{|}^2)\ge 0$，即

$$\sum _{k=1}^n\sum _{j=1}^n\phi (t_k-t_j)z_k\overline{z_j}\ge 0$$

对任意 $n$、任意 $t_1,\dots ,t_n$ 和任意 $z_1,\dots ,z_n$ 成立。

$\square$

逆转公式与唯一性定理

定理 4.2.4 — 逆转公式与唯一性定理（公式4.2.11-4.2.12）

(1) 分布函数的逆转：设 $X$ 的分布函数为 $F(x)$，特征函数为 $\phi (t)$，则对任意 $x_1<x_2$，

$$F(x_2)-F(x_1)=\underset{T\to \infty }{\lim }\frac{1}{2\pi }{\int }_{-T}^T\frac{e^{-it{x}_1}-e^{-it{x}_2}}{it}\phi (t)dt\text{\hspace{1em}(4.2.11)}$$

(2) 密度函数的逆转：若 $X$ 为连续型随机变量，且 ${\int }_{-\infty }^{+\infty }|\phi (t)|dt<\infty$，则 $X$ 具有连续密度函数

$$p(x)=\frac{1}{2\pi }{\int }_{-\infty }^{+\infty }{e}^{-itx}\phi (t)dt\text{\hspace{1em}(4.2.12)}$$

唯一性：分布函数由特征函数唯一确定，即 ${\phi }_1(t)={\phi }_2(t)$（$\forall t$）$⟺$ $F_1(x)=F_2(x)$（$\forall x$）。

理解要点：

• 逆转公式是傅里叶逆变换的概率论版本
• 唯一性定理是特征函数理论的基石：特征函数与分布函数一一对应
• 密度逆转公式(4.2.12)要求 $\phi (t)$ 绝对可积，这个条件对很多分布（如正态分布）成立，但对柯西分布等厚尾分布不成立

证明思路

证明（逆转公式(4.2.11)的证明思路）：

第一步：将 $F(x_2)-F(x_1)$ 表示为积分。 利用示性函数 $1_{(-\infty ,x]}(u)$ 的 Fourier 表示：

$$F(x_2)-F(x_1)={\int }_{-\infty }^{+\infty }[1_{(-\infty ,x_2]}(u)-1_{(-\infty ,x_1]}(u)]dF(u)$$

第二步：引入 Dirichlet 积分。 利用恒等式

$$\frac{1}{2\pi }{\int }_{-T}^T\frac{e^{-it{x}_1}-e^{-it{x}_2}}{it}{e}^{itu}dt=\frac{1}{\pi }{\int }_0^T\frac{\sin (t(x_2-u))-\sin (t(x_1-u))}{t}dt$$

当 $T\to \infty$ 时，这个积分在 $u\in (x_1,x_2)$ 上趋于 $1$，在 $u\notin [x_1,x_2]$ 上趋于 $0$（Dirichlet 积分的经典结果）。

第三步：交换积分顺序并取极限。 将上述恒等式代入 $F(x_2)-F(x_1)$ 的表达式中，交换积分顺序（Fubini定理），令 $T\to \infty$ 即得(4.2.11)。

唯一性的证明：若 ${\phi }_1(t)={\phi }_2(t)$ 对所有 $t$ 成立，则由逆转公式，对任意 $x_1<x_2$（$x_1,x_2$ 为 $F_1,F_2$ 的连续点），$F_1(x_2)-F_1(x_1)=F_2(x_2)-F_2(x_1)$。令 $x_1\to -\infty$ 得 $F_1(x_2)=F_2(x_2)$，由连续点的稠密性得 $F_1=F_2$。

**密度逆转(4.2.12)**的证明：在(4.2.11)中令 $x_2=x+h$，$x_1=x-h$，除以 $2h$ 后令 $h\to 0$，左端趋于密度 $p(x)$（若存在），右端即为 Fourier 反变换公式。

$\square$

---

六、连续性定理

定理 4.2.5 — 连续性定理（Lévy连续性定理）

(1) 若分布函数序列 $\{F_n(x)\}$ 弱收敛于 $F(x)$，则对应的特征函数序列 $\{{\phi }_n(t)\}$ 对每个 $t$ 都收敛于 $\phi (t)$，且在任意有界区间上一致收敛。

(2) 若特征函数序列 $\{{\phi }_n(t)\}$ 对每个 $t$ 都收敛于某个函数 $\phi (t)$，且 $\phi (t)$ 在 $t=0$ 处连续，则存在分布函数 $F(x)$ 使得 $F_n(x)\stackrel{W}{\to }F(x)$，且 $\phi (t)$ 是 $F(x)$ 的特征函数。

理解要点：

• 连续性定理建立了分布函数收敛与特征函数收敛的等价关系
• 方向(1)：分布收敛 ⇒ 特征函数收敛（且一致收敛）
• 方向(2)：特征函数逐点收敛（+ $\phi$ 在 $0$ 处连续）⇒ 分布收敛
• 这是证明中心极限定理的核心工具：先证明标准化和的特征函数收敛到 $e^{-t^2/2}$（正态分布的特征函数），再由连续性定理得到依分布收敛

证明思路

证明（两个方向的证明思路）：

方向(1)：$F_n\stackrel{W}{\to }F$ $\Rightarrow$ ${\phi }_n(t)\to \phi (t)$

第一步：利用弱收敛的定义。 $F_n(x)\to F(x)$ 在 $F$ 的连续点上成立。

第二步：将 ${\phi }_n(t)-\phi (t)$ 表示为关于 $F_n$ 和 $F$ 的积分。

$${\phi }_n(t)-\phi (t)={\int }_{-\infty }^{+\infty }{e}^{itx}d{F}_n(x)-{\int }_{-\infty }^{+\infty }{e}^{itx}dF(x)$$

第三步：截断积分区间。 对任意 $M>0$，将积分拆分为 $[-M,M]$ 和 $|x|>M$ 两部分。在 $[-M,M]$ 上利用 $e^{itx}$ 的一致连续性和 $F_n\to F$，在 $|x|>M$ 上利用 $|e^{itx}|=1$ 和分布函数尾部的一致小性（由 $F_n$ 弱收敛保证），取 $M$ 充分大后两部分都可任意小。

方向(2)：${\phi }_n(t)\to \phi (t)$（$\phi$ 在 $0$ 处连续）$\Rightarrow$ $F_n\stackrel{W}{\to }F$

第一步：证明 $\{F_n\}$ 的紧性。 由 ${\phi }_n(0)=1$ 和 ${\phi }_n(t)\to \phi (t)$ 在 $0$ 处连续，可证 $\{F_n\}$ 是胎紧（tight）的：对任意 $\epsilon >0$，存在 $M$ 使得 $F_n(-M)<\epsilon /4$ 且 $F_n(M)>1-\epsilon /4$ 对所有 $n$ 成立。

第二步：抽取收敛子列。 由 Helly 选择定理，$\{F_n\}$ 存在子列 $\{F_{n_k}\}$ 弱收敛到某个右连续函数 $G(x)$。

第三步：证明 $G$ 是分布函数。 由胎紧性，$G(-\infty )=0$，$G(+\infty )=1$。

第四步：证明 $G$ 的特征函数是 $\phi$。 对子列 $\{F_{n_k}\}$ 应用方向(1)，${\phi }_{n_k}(t)\to {\phi }_G(t)$。但 ${\phi }_{n_k}(t)\to \phi (t)$，故 ${\phi }_G=\phi$。

第五步：由唯一性定理，$G=F$ 唯一确定。 因此所有子列收敛到同一个 $F$，故 $F_n\stackrel{W}{\to }F$。

$\square$

连续性定理的应用模式

证明”某序列依分布收敛到正态分布”的标准流程：

1. 写出 $Y_n$ 的特征函数 ${\phi }_{Y_n}(t)$
2. 利用独立性将 ${\phi }_{Y_n}(t)$ 表示为单个特征函数的乘积
3. 取对数，做泰勒展开，证明 $\ln {\phi }_{Y_n}(t)\to -t^2/2$
4. 由连续性定理，$Y_n\stackrel{L}{\to }N(0,1)$

---

七、知识结构总览

graph LR
    A["特征函数定义"] --> B["常用分布的特征函数"]
    A --> C["基本性质"]
    C --> D["与矩的关系"]
    A --> E["唯一性定理"]
    E --> F["连续性定理"]
    B --> G["可加性证明"]
    F --> H["极限定理证明"]
    style A fill:#e3f2fd,color:#1565c0
    style B fill:#fff3e0,color:#e65100
    style C fill:#fff3e0,color:#e65100
    style D fill:#e8f5e9,color:#2e7d32
    style E fill:#fce4ec,color:#c62828
    style F fill:#fce4ec,color:#c62828
    style G fill:#f3e5f5,color:#7b1fa2
    style H fill:#f3e5f5,color:#7b1fa2

---

八、核心思想与证明技巧

核心思想

1. 傅里叶变换的视角：特征函数本质上是密度函数的傅里叶变换（连续型）或分布律的离散傅里叶变换（离散型）。这一数学结构赋予了特征函数强大的分析工具。
2. 乘法替代卷积：独立随机变量和的分布是卷积运算，但特征函数将卷积简化为乘法。这是特征函数在概率论中不可替代的根本原因。
3. 一一对应性：唯一性定理保证了特征函数与分布函数的双射关系，使得通过特征函数研究分布成为完备的方法。

证明技巧

技巧	说明	应用场景
泰勒展开 $e^{itX}$	$\phi (t)=\sum \frac{(it{)}^k}{k!}E(X^k)$	求特征函数、证明连续性定理
取对数做展开	$\ln {\phi }_n(t)\approx -\frac{{\sigma }^2{t}^2}{2}$	证明中心极限定理
利用唯一性定理	两个分布的特征函数相同则分布相同	证明分布的同一性
独立性乘法	${\phi }_{X+Y}={\phi }_X\cdot {\phi }_Y$	证明可加性、分解复杂分布

---

九、补充理解与易混淆点

特征函数与矩母函数的混淆

来源：茆诗松教材§4.2 + 卡方训练营讲义 + CSDN”3种常见概率分布的特征函数推导” + 中文数学Wiki”特征函数” + 科普中国”特征函数的性质”

误区1："特征函数就是矩母函数（MGF）"

❌ 错误解释：矩母函数定义为 $M(t)=E(e^{tX})$，其中 $t$ 是实数。特征函数 $\phi (t)=E(e^{itX})$ 中 $t$ 也是实数，但指数上有虚数单位 $i$。矩母函数不一定存在（如柯西分布的矩母函数不存在），但特征函数一定存在（因为 $|e^{itX}|=1$）。 ✅ 正确解释：特征函数是矩母函数在虚轴上的取值，即 $\phi (t)=M(it)$。特征函数永远存在，适用范围更广。在矩母函数存在的场合，两者可以互相转化；在矩母函数不存在的场合（如柯西分布），只能使用特征函数。

“特征函数相同则分布相同”的误用

来源：茆诗松教材§4.2 + 卡方训练营讲义 + CSDN”随机信号篇-特征函数” + QQ阅读”茆诗松概率论笔记” + 51CTO博客”特征函数的性质”

误区2："只要两个特征函数在某个区间上相同，分布就相同"

❌ 错误解释：唯一性定理要求特征函数在所有 $t\in (-\infty ,+\infty )$ 上相同，才能推出分布相同。仅在有限区间或部分点上相同不能推出分布相同。 ✅ 正确解释：唯一性定理的完整表述是 ${\phi }_1(t)={\phi }_2(t)$ 对一切 $t\in \mathbb{R}$ 成立 $⟺$ $F_1(x)=F_2(x)$ 对一切 $x$ 成立。不过，由于特征函数是实解析函数（在绝对可积条件下），实际上只需在 $t=0$ 的某个邻域内相同即可推出全局相同——但这一结论需要额外的解析性论证，初学阶段应记住”全局相同”的要求。

连续性定理条件的忽视

来源：茆诗松教材§4.2 + 卡方训练营讲义 + 2018复旦大学861真题 + 2019武汉大学432真题 + 2021武汉大学432真题

误区3："特征函数逐点收敛就一定能推出分布收敛"

❌ 错误解释：连续性定理的方向(2)要求两个条件同时满足：① ${\phi }_n(t)\to \phi (t)$ 对每个 $t$ 成立；② 极限函数 $\phi (t)$ 在 $t=0$ 处连续。条件②不可省略——存在特征函数序列逐点收敛到某个不连续函数的反例，此时分布函数序列不收敛。 ✅ 正确解释：连续性定理方向(2)的两个条件缺一不可。在实际应用中，通常 $\phi (t)$ 是某个合法分布的特征函数（自然是连续的），所以条件②自动满足。但在理论证明中需要注意这一条件的验证。

---

十、习题精选

习题概览

编号	题目来源	知识点	难度
1	教材4.2-1	特征函数的定义计算	★★☆
2	教材4.2-2	常用分布的特征函数推导	★★☆
3	教材4.2-3	特征函数的性质应用	★★★
4	教材4.2-4	用特征函数求期望和方差	★★☆
5	教材4.2-5	唯一性定理的应用	★★★
6	教材4.2-6	连续性定理的应用	★★★
7	2018北京大学431	联合分布边际密度+特征函数计算	★★★
8	2018复旦大学861	特征函数方法证明渐近正态性	★★★
9	2019武汉大学432	泊松分布特征函数+期望方差+依分布收敛	★★★
10	2020兰州大学432	特征函数求解分布参数	★★☆

习题1 — 教材4.2-1：特征函数的定义计算

习题1 — 教材4.2-1

设随机变量 $X$ 的分布律为 $P(X=-1)=\frac{1}{3}$，$P(X=0)=\frac{1}{3}$，$P(X=2)=\frac{1}{3}$，求 $X$ 的特征函数。

查看解答

解：

$$\phi (t)=E(e^{itX})=\frac{1}{3}{e}^{-it}+\frac{1}{3}{e}^0+\frac{1}{3}{e}^{2it}=\frac{1}{3}(e^{-it}+1+e^{2it})$$

$\square$

习题2 — 教材4.2-2：常用分布的特征函数推导

习题2 — 教材4.2-2

设 $X\sim b(n,p)$，利用特征函数的性质证明 $X$ 的特征函数为 $\phi (t)=[(1-p)+p{e}^{it}{]}^n$。

查看解答

解：$X$ 可以分解为 $n$ 个独立同分布的 $b(1,p)$ 随机变量之和：$X=X_1+X_2+\cdots +X_n$。

每个 $X_i\sim b(1,p)$ 的特征函数为 ${\phi }_{X_i}(t)=(1-p)+p{e}^{it}$。

由独立性乘法性质（定理4.2.1(4)）：

$${\phi }_X(t)=\prod _{i=1}^n{\phi }_{X_i}(t)=[(1-p)+p{e}^{it}{]}^n$$

$\square$

习题3 — 教材4.2-3：特征函数的性质应用

习题3 — 教材4.2-3

设 $X\sim N(\mu ,{\sigma }^2)$，利用标准正态的特征函数和线性变换性质，求 $X$ 的特征函数。

查看解答

解：设 $Z\sim N(0,1)$，则 $X=\sigma Z+\mu$。

标准正态的特征函数为 ${\phi }_Z(t)=e^{-t^2/2}$。

由线性变换性质（定理4.2.1(3)），$Y=aZ+b$ 的特征函数为 ${\phi }_Y(t)=e^{ibt}{\phi }_Z(at)$：

$${\phi }_X(t)=e^{i\mu t}\cdot {\phi }_Z(\sigma t)=e^{i\mu t}\cdot e^{-(\sigma t{)}^2/2}=e^{i\mu t-{\sigma }^2{t}^2/2}$$

$\square$

习题4 — 教材4.2-4：用特征函数求期望和方差

习题4 — 教材4.2-4

设 $X\sim N(0,1)$，利用特征函数 $\phi (t)=e^{-t^2/2}$ 求 $E(X)$ 和 $\text{Var}(X)$。

查看解答

解：

$${\phi }^{\prime }(t)=e^{-t^2/2}\cdot (-t)=-t{e}^{-t^2/2}$$ $${\phi }^{\prime }(0)=0$$ $$E(X)=\frac{{\phi }^{\prime }(0)}{i}=0✓$$ $${\phi }^{\prime \prime }(t)=-e^{-t^2/2}+t^2{e}^{-t^2/2}=(t^2-1)e^{-t^2/2}$$ $${\phi }^{\prime \prime }(0)=-1$$ $$\text{Var}(X)=-{\phi }^{\prime \prime }(0)+[{\phi }^{\prime }(0){]}^2=-(-1)+0=1✓$$

$\square$

习题5 — 教材4.2-5：唯一性定理的应用

习题5 — 教材4.2-5

设 ${\phi }_1(t)=e^{-t^2/2}$，${\phi }_2(t)=e^{-|t|}$。已知 ${\phi }_1$ 是 $N(0,1)$ 的特征函数，${\phi }_2$ 是柯西分布 $\text{Cauchy}(0,1)$ 的特征函数。说明为什么这两个特征函数不同。

查看解答

解：当 $t=1$ 时，${\phi }_1(1)=e^{-1/2}\approx 0.6065$，${\phi }_2(1)=e^{-1}\approx 0.3679$。两者不相等，由唯一性定理，它们对应不同的分布。

更本质的区别在于：${\phi }_1(t)$ 在无穷远处以高斯速度衰减（指数级），而 ${\phi }_2(t)$ 只以多项式速度衰减。${\phi }_2(t)$ 不绝对可积，因此柯西分布没有密度函数的逆转公式(4.2.12)。 $\square$

习题6 — 教材4.2-6：连续性定理的应用

习题6 — 教材4.2-6

设 $X_1,X_2,\dots$ 为 i.i.d. 序列，$E(X_1)=\mu$，$\text{Var}(X_1)={\sigma }^2$。利用特征函数和连续性定理，说明标准化样本均值 $\frac{{\bar{X}}_n-\mu }{\sigma /\sqrt{n}}$ 的特征函数收敛到 $e^{-t^2/2}$。

查看解答

解：令 $Y_i=\frac{X_i-\mu }{\sigma }$，则 $E(Y_i)=0$，$\text{Var}(Y_i)=1$。

$Z_n=\frac{1}{\sqrt{n}}{\sum }_{i=1}^n{Y}_i$ 的特征函数为

$${\phi }_{Z_n}(t)={\left[{\phi }_Y\left(\frac{t}{\sqrt{n}}\right)\right]}^n$$

对 ${\phi }_Y(s)$ 在 $s=0$ 处做泰勒展开：${\phi }_Y(s)=1+iE(Y)s-\frac{E(Y^2)}{2}{s}^2+o(s^2)=1-\frac{s^2}{2}+o(s^2)$。

令 $s=t/\sqrt{n}$：

$${\phi }_Y\left(\frac{t}{\sqrt{n}}\right)=1-\frac{t^2}{2n}+o\left(\frac{1}{n}\right)$$ $${\phi }_{Z_n}(t)={\left[1-\frac{t^2}{2n}+o\left(\frac{1}{n}\right)\right]}^n\to e^{-t^2/2}(n\to \infty )$$

由连续性定理，$Z_n\stackrel{L}{\to }N(0,1)$。这正是中心极限定理的特征函数证明思路。 $\square$

习题7 — 2018北京大学431：联合分布边际密度+特征函数计算

习题7 — 2018北京大学431

设 $(X,Y)$ 的联合密度为 $f(x,y)=\frac{1}{4}[1+xy(x^2-y^2)]$，$|x|<1$，$|y|<1$，求 $Y$ 的特征函数。

查看解答

解：先求 $Y$ 的边际密度：

$$f_Y(y)={\int }_{-1}^1\frac{1}{4}[1+xy(x^2-y^2)]dx=\frac{1}{4}{\int }_{-1}^{1}1dx+\frac{y(y^2\cdot 0-y^2)}{4}\cdot 0=\frac{1}{2},|y|<1$$

因此 $Y\sim U(-1,1)$，其特征函数为

$${\phi }_Y(t)=\frac{e^{it\cdot 1}-e^{it\cdot (-1)}}{it\cdot 2}=\frac{e^{it}-e^{-it}}{2it}=\frac{\sin t}{t}$$

$\square$

习题8 — 2018复旦大学861：特征函数方法证明渐近正态性

习题8 — 2018复旦大学861

用特征函数方法证明：若 $X$ i.i.d. $\text{Poisson}(1)$，则 $\frac{1}{\sqrt{n}}{\sum }_{i=1}^n(X_i-1)$ 是渐近正态分布。

查看解答

解：$X_i\sim P(1)$ 的特征函数为 ${\phi }_{X_i}(t)=e^{e^{it}-1}$。

令 $Y_i=X_i-1$，则 ${\phi }_{Y_i}(t)=e^{-it}\cdot e^{e^{it}-1}=e^{e^{it}-it-1}$。

$Z_n=\frac{1}{\sqrt{n}}{\sum }_{i=1}^n{Y}_i$ 的特征函数为

$${\phi }_{Z_n}(t)={\left[{\phi }_{Y_i}\left(\frac{t}{\sqrt{n}}\right)\right]}^n={\left[e^{e^{it/\sqrt{n}}-it/\sqrt{n}-1}\right]}^n$$

对 $e^{iu}=1+iu-\frac{u^2}{2}+o(u^2)$，令 $u=t/\sqrt{n}$：

$$e^{it/\sqrt{n}}-\frac{it}{\sqrt{n}}-1=\left(1+\frac{it}{\sqrt{n}}-\frac{t^2}{2n}+o\left(\frac{1}{n}\right)\right)-\frac{it}{\sqrt{n}}-1=-\frac{t^2}{2n}+o\left(\frac{1}{n}\right)$$ $${\phi }_{Z_n}(t)={\left[1-\frac{t^2}{2n}+o\left(\frac{1}{n}\right)\right]}^n\to e^{-t^2/2}$$

由连续性定理，$Z_n\stackrel{L}{\to }N(0,1)$。 $\square$

习题9 — 2019武汉大学432：泊松分布特征函数+期望方差+依分布收敛

习题9 — 2019武汉大学432

随机变量 $X_1,\dots ,X_n\sim P(\omega )$，$Y={\sum }_{i=1}^n{X}_i$。求： (1) $Y$ 的特征函数； (2) $E(Y)$ 和 $D(Y)$； (3) 证明 $\frac{Y-n\omega }{\sqrt{n\omega }}$ 依分布收敛于标准正态分布。

查看解答

解：

(1) $X_i\sim P(\omega )$ 的特征函数为 ${\phi }_{X_i}(t)=e^{\omega (e^{it}-1)}$。由独立性乘法：

$${\phi }_Y(t)=\prod _{i=1}^n{\phi }_{X_i}(t)={\left[e^{\omega (e^{it}-1)}\right]}^n=e^{n\omega (e^{it}-1)}$$

(2) ${\phi }_Y^{\prime }(t)=e^{n\omega (e^{it}-1)}\cdot n\omega \cdot i{e}^{it}$，${\phi }_Y^{\prime }(0)=in\omega$，故 $E(Y)=n\omega$。

${\phi }_Y^{\prime \prime }(0)=-n\omega (1+n\omega )$，故 $D(Y)=-{\phi }_Y^{\prime \prime }(0)+[{\phi }_Y^{\prime }(0){]}^2=n\omega (1+n\omega )-n^2{\omega }^2=n\omega$。

(3) 令 $Z_n=\frac{Y-n\omega }{\sqrt{n\omega }}$，则

$${\phi }_{Z_n}(t)=e^{-it\sqrt{n\omega }}\cdot {\phi }_Y\left(\frac{t}{\sqrt{n\omega }}\right)=e^{-it\sqrt{n\omega }}\cdot e^{n\omega (e^{it/\sqrt{n\omega }}-1)}$$

泰勒展开 $e^{iu}=1+iu-u^2/2+o(u^2)$，令 $u=t/\sqrt{n\omega }$：

$$n\omega \left(e^{it/\sqrt{n\omega }}-1\right)=n\omega \left(\frac{it}{\sqrt{n\omega }}-\frac{t^2}{2n\omega }+o\left(\frac{1}{n}\right)\right)=it\sqrt{n\omega }-\frac{t^2}{2}+o(1)$$ $${\phi }_{Z_n}(t)=e^{-it\sqrt{n\omega }}\cdot e^{it\sqrt{n\omega }-t^2/2+o(1)}=e^{-t^2/2+o(1)}\to e^{-t^2/2}$$

由连续性定理，$Z_n\stackrel{L}{\to }N(0,1)$。 $\square$

习题10 — 2020兰州大学432：特征函数求解分布参数

习题10 — 2020兰州大学432

随机变量 $\xi$ 的分布律为 $P(\xi =k)=\frac{a{\omega }^k}{k!}$（$k=0,1,2,3$），$\omega >0$ 为常数，求 $a$ 和 $\xi$ 的特征函数。

查看解答

解：由分布列的正则性：

$$\sum _{k=0}^{3}P(\xi =k)=a\sum _{k=0}^3\frac{{\omega }^k}{k!}=a\cdot e^{\omega }=1$$

注意：此处 $k$ 仅取 $0,1,2,3$（有限支撑），故

$$a=\frac{1}{{\sum }_{k=0}^3{\omega }^k/k!}=e^{-\omega }$$

因此 $\xi$ 的特征函数为

$$\phi (t)=\sum _{k=0}^3{e}^{itk}\cdot \frac{{\omega }^k}{k!}\cdot e^{-\omega }=e^{-\omega }\sum _{k=0}^3\frac{(\omega e^{it}{)}^k}{k!}$$

这是截断泊松分布（truncated Poisson）的特征函数。当 $k$ 的取值范围扩展到 $\{0,1,2,\dots \}$ 时，就恢复为标准泊松分布 $P(\omega )$ 的特征函数 $e^{\omega (e^{it}-1)}$。 $\square$

---

十一、教材原文

以下为教材扫描版原文，可点击翻阅。

第四章 随机变量序列的极限定理/特征函数