高斯分布函数的特征函数
时间: 2024-12-27 20:23:01 浏览: 73
### 高斯分布函数的特征函数
#### 定义
对于随机变量 \(X\) 的概率密度函数 (PDF),其对应的特征函数定义为:
\[
\phi_X(t) = E[e^{itX}]
\]
其中 \(i=\sqrt{-1}\) 是虚数单位,\(t \in \mathbb{R}\)[^2]。
针对一维标准高斯分布 \(N(\mu, \sigma^2)\),即均值为 \(\mu\) 和方差为 \(\sigma^2\) 的情况,该分布的概率密度函数表示如下:
\[
f(x)=\frac{1}{\sqrt{2\pi\sigma^2}} e^{-\frac{(x-\mu)^2}{2\sigma^2}}
\]
因此,高斯分布的特征函数可以写作:
\[
\phi_{G}(t)=E\left[\exp(itX)\right]=\int_{-\infty}^\infty f(x)e^{itx}dx
\]
#### 数学推导过程
为了求解上述积分表达式,可以通过完成平方的方法来简化计算。考虑指数项内的二次形式并适当调整参数使得被积函数成为另一个标准化后的高斯分布的形式,则有:
\[
\begin{aligned}
&\quad\,\,\phi_G(t)\\ &=\int_{-\infty}^\infty \frac{1}{\sqrt{2\pi\sigma^2}}e^{-\frac{(x-\mu)^2}{2\sigma^2}}e^{itx} dx \\
&=e^{i\mu t -\frac{\sigma^2 t^2}{2}}\cdot\underbrace{\int_{-\infty}^\infty \frac{1}{\sqrt{2\pi\sigma^2}}e^{-\frac{x'^2}{2\sigma^2}} dx'}_{=1}\\
&=e^{i\mu t -\frac{\sigma^2 t^2}{2}}
\end{aligned}
\]
这里进行了替换 \(x'=x-(\mu-it\sigma^2)\), 并注意到变换后的新积分正好对应于一个新的零均值单位方差的标准正态分布。
最终得到的结果表明,高斯分布的特征函数也是一个复数值的高斯型函数,这体现了高斯分布在傅里叶域上的良好性质。
#### 性质
- **唯一性**: 不同类型的概率分布有不同的特征函数;反之亦然——给定一个有效的特征函数就能确定唯一的概率分布。
- **可逆性**: 可通过反演公式由特征函数恢复原始的概率密度函数。
- **线性组合不变性**: 若两个独立随机变量各自服从高斯分布,则它们之和也必然遵循高斯分布规律,并且新的总体平均值等于各部分平均值相加,总体会计入各方差累加之和作为新整体的方差。
```python
import numpy as np
from scipy.stats import norm
def gaussian_characteristic_function(mu, sigma, t):
"""Calculate the characteristic function of a Gaussian distribution."""
return np.exp(1j * mu * t - 0.5 * sigma**2 * t**2)
# Example usage with mean=0 and std deviation=1
mu_example = 0
sigma_example = 1
time_points = np.linspace(-5, 5, num=400)
cf_values = gaussian_characteristic_function(mu_example, sigma_example, time_points)
```
阅读全文
相关推荐














