1 基本概念
1.1 定义
1.1.1 随机变量的特征函数
特征函数通常指随机变量 \(X\) 的复指数期望： \[ \varphi_X(t)=\mathbb{E}(e^{itX}), \quad t\in \mathbb{R}. \] 这里 \(i\) 为虚数单位，\(t\) 为实参数。由于复指数函数的模长恒为 1，这一定义对相当一般的随机变量都成立，不要求其具有密度，也不要求高阶矩存在。
1.1.2 分布函数的特征函数
若随机变量 \(X\) 的分布由分布函数 \(F\) 表示，则可写成 \[ \varphi(t)=\int_{-\infty}^{+\infty} e^{itx}\,dF(x). \] 这表明特征函数实质上是分布测度在复指数核下的积分，因此它本质上描述的是分布本身，而不只是某个具体随机变量的取值形式。
1.2 记号与基本性质
1.2.1 取值范围与有界性
特征函数的值一般是复数，且始终满足 \[
| \varphi_X(t) | \le 1. |
|---|
\] 在 \(t=0\) 时必有 \(\varphi_X(0)=1\)。这一有界性使得它在分析收敛问题时较为稳定，也为极限定理提供了便利。
1.2.2 共轭与对称性
特征函数满足 \[ \varphi_X(-t)=\overline{\varphi_X(t)}. \] 若随机变量 \(X\) 的分布关于原点对称，则特征函数为实偶函数；若分布具有某些偏斜特征，则其虚部可反映这种非对称性。
1.2.3 平移与缩放性质
若 \(Y=aX+b\)，则其特征函数与原变量的特征函数之间满足 \[ \varphi_Y(t)=e^{itb}\varphi_X(at). \] 因此，平移会引入相位因子，缩放会改变参数的尺度。这类性质使得特征函数在处理线性变换时非常方便。
1.3 与其他函数的关系
1.3.1 概率密度函数
若随机变量 \(X\) 具有密度函数 \(f(x)\)，则 \[ \varphi_X(t)=\int_{-\infty}^{+\infty} e^{itx}f(x)\,dx. \] 因此，在存在密度的情形下，特征函数可以看作密度函数的傅里叶型表达。反过来，在适当条件下也可由特征函数恢复密度。
1.3.2 矩生成函数
矩生成函数定义为 \[ M_X(t)=\mathbb{E}(e^{tX}). \] 与之相比，特征函数将实参数换成虚参数 \(it\)，因此通常存在范围更广。若矩生成函数在零点附近存在，则其泰勒展开中的矩信息也会反映到特征函数中。
1.3.3 傅里叶变换
特征函数与傅里叶变换本质上是同一类工具，只是作用对象不同：在概率论中它作用于分布或密度。利用傅里叶分析的思想，可以将卷积问题转化为乘积问题，这也是特征函数广受重视的原因之一。
2 理论性质
2.1 唯一性定理
2.1.1 分布由特征函数唯一确定
不同分布不可能拥有完全相同的特征函数。换言之，特征函数对概率分布具有唯一刻画能力。这一结论是特征函数成为概率论核心工具的基础之一。
2.1.2 反演公式
在一定正则条件下，特征函数可以通过反演公式恢复原分布。若分布存在密度，则还可借助反演公式直接从特征函数得到密度表达。这使得特征函数不仅是分析工具，也是一种重建工具。
2.2 可导性与矩
2.2.1 导数与原点矩
如果随机变量 \(X\) 的相应阶矩存在，则特征函数在原点附近可导，并且导数与矩之间存在对应关系： \[ \varphi_X^{(n)}(0)=i^n\mathbb{E}(X^n), \] 当右侧有意义时成立。由此，特征函数的局部解析信息承载了分布的矩信息。
2.2.2 存在矩时的展开
若某些阶矩存在，则特征函数在零点附近可作泰勒展开： \[ \varphi_X(t)=\sum_{n=0}^{\infty}\frac{(it)^n}{n!}\mathbb{E}(X^n), \] 在收敛条件满足时成立。这个展开把概率问题与级数分析联系起来，也便于近似计算。
2.2.3 高阶矩与光滑性
较高阶矩的存在通常意味着特征函数在原点附近具有更高阶的可导性。矩越丰富，特征函数越平滑；反之，若分布尾部较重，特征函数的光滑程度也可能受限。
2.3 正定性
2.3.1 波利亚性质
特征函数具有正定性：对任意实数 \(t_1,\dots,t_n\) 与复数 \(c_1,\dots,c_n\)，都有 \[ \sum_{j,k=1}^n c_j\overline{c_k}\varphi(t_j-t_k)\ge 0. \] 这一性质反映了它作为分布傅里叶像的结构约束，也是判定某函数是否可作为特征函数的重要依据。
2.3.2 正定函数条件
并非任意满足 \(\varphi(0)=1\) 的函数都能成为特征函数。除了连续性等基本条件外，还必须满足正定性。借助这一条件，可以从函数层面识别“能否对应某个概率分布”。
3 计算方法
3.1 常见分布的特征函数
3.1.1 正态分布
若 \(X\sim N(\mu,\sigma^2)\)，则 \[ \varphi_X(t)=\exp\!\left(i\mu t-\frac{1}{2}\sigma^2 t^2\right). \] 正态分布的特征函数形式简洁，指数中同时包含均值与方差，因此在极限定理中尤为重要。
3.1.2 泊松分布
若 \(X\sim \text{Poisson}(\lambda)\)，则 \[ \varphi_X(t)=\exp\!\left(\lambda(e^{it}-1)\right). \] 该表达式清楚体现了离散计数型分布的结构，且在随机计数模型中十分常见。
3.1.3 指数分布
若 \(X\sim \text{Exp}(\lambda)\)，则 \[ \varphi_X(t)=\frac{\lambda}{\lambda-it}. \] 指数分布的特征函数在复平面上具有简单的有理形式，便于进一步分析和积分运算。
3.1.4 均匀分布
若 \(X\sim U(a,b)\)，则 \[ \varphi_X(t)=\frac{e^{itb}-e^{ita}}{it(b-a)}, \] 在 \(t=0\) 处按极限取值 1。均匀分布的特征函数体现了有限区间支持的平滑振荡特征。
3.2 组合随机变量的特征函数
3.2.1 独立和的特征函数
若 \(X\) 与 \(Y\) 独立，则 \[ \varphi_{X+Y}(t)=\varphi_X(t)\varphi_Y(t). \] 这一乘法性质是特征函数最常用的优势之一，使得独立随机变量和的分布分析大为简化。
3.2.2 线性变换
对随机变量做线性组合时，可直接使用平移与缩放性质。若 \[ Y=\sum_{k=1}^n a_kX_k+b, \] 且 \(X_k\) 相互独立，则 \(Y\) 的特征函数可写成各自特征函数的乘积再乘以相位项。
3.2.3 条件特征函数
在条件概率框架下，可定义条件特征函数 \[ \varphi_{X\mid \mathcal{G}}(t)=\mathbb{E}(e^{itX}\mid \mathcal{G}), \] 其中 \(\mathcal{G}\) 是给定信息。它常用于鞅、随机过程和分层模型分析。
3.3 近似与数值计算
3.3.1 级数展开
当矩存在且阶数足够时，可利用泰勒级数对特征函数进行局部近似。这种方法适合研究小参数范围内的行为，也常用于理论推导。
3.3.2 数值积分
对于已知密度或分布函数的情形，可以通过数值积分近似计算特征函数。若反过来从特征函数恢复分布，也常需采用傅里叶反演的数值算法。
3.3.3 计算误差分析
数值计算中常见误差包括截断误差、积分离散误差和振荡误差。由于特征函数往往含有高度振荡的复指数项，稳定性分析尤为重要。
4 重要应用
4.1 极限定理
4.1.1 中心极限定理
特征函数是证明中心极限定理的经典工具。通过研究标准化和的特征函数极限，可以说明在适当条件下，独立同分布随机变量之和趋向正态分布。
4.1.2 大数定律相关结果
在大数定律的若干证明中，特征函数也可发挥作用，尤其是在处理独立随机变量序列时。它帮助刻画平均值的收敛行为，并与概率收敛、分布收敛相联系。
4.1.3 稳定收敛
在更精细的极限理论中，特征函数可用于描述稳定收敛与混合极限。由于它能保留分布层面的细节，因此在研究随机环境下的极限结构时具有优势。
4.2 随机过程
4.2.1 增量分布分析
随机过程常通过增量的分布特征来描述。特征函数便于分析增量是否独立、同分布或具有某种平稳结构，从而揭示过程的整体性质。
4.2.2 平稳过程中的应用
对于平稳过程，特征函数可用于研究有限维分布与协方差结构。其傅里叶视角还与谱分析方法相互呼应。
4.2.3 独立增量过程
在独立增量过程中，时段叠加对应特征函数相乘，因此总过程的分布常可由局部增量逐步构造。这在泊松过程、布朗运动及相关模型中尤为常见。
4.3 统计推断
4.3.1 参数估计
某些参数模型可通过匹配理论特征函数与样本特征函数来估计参数。该方法对复杂分布尤其有用，能避开直接求似然的困难。
4.3.2 分布拟合
在分布拟合中，样本特征函数可作为经验对象，与候选模型的特征函数进行比较。该思路对尾部较重或密度难以显式表示的模型具有实用价值。
4.3.3 方法矩与特征函数法
方法矩依赖样本矩，而特征函数法则利用整体的频域信息。相比之下，特征函数法通常更稳健，尤其在矩不存在或高阶矩不易估计时更显优势。
4.4 数理金融与工程
4.4.1 资产收益建模
在资产收益模型中，特征函数常用于描述对数收益的分布，便于处理跳跃、厚尾与波动聚集等现象。很多定价模型也依赖于它的可积性与反演性质。
4.4.2 风险度量
风险管理中，特征函数可用于计算尾部概率、分位数或相关风险指标。借助它，某些复杂损失分布可转化为可数值处理的频域问题。
4.4.3 信号分析
在工程领域，特征函数与傅里叶分析思想相通，因此可用于噪声建模、随机信号统计特征分析等任务。其优势在于能把随机扰动的分布信息以统一形式表达出来。
5 扩展主题
5.1 多维特征函数
5.1.1 联合特征函数
对于随机向量 \(X=(X_1,\dots,X_d)\)，联合特征函数定义为 \[ \varphi_X(t)=\mathbb{E}(e^{i t^\top X}), \] 其中 \(t\in\mathbb{R}^d\)。它概括了各分量之间的依赖结构，是多元概率分析的基本工具。
5.1.2 边缘与条件分布
多维特征函数可通过取部分参数为零得到边缘分布信息；结合条件期望，还可研究条件分布。它在多元统计与随机向量建模中应用广泛。
5.2 广义特征函数
5.2.1 分布意义下的特征函数
在更一般的框架下，特征函数可推广到广义函数或分布意义，服务于奇异测度、退化分布以及某些非经典对象的研究。这类推广保留了傅里叶分析的核心思想。
5.2.2 测度论视角
从测度论出发，特征函数是概率测度的傅里叶变换。该视角有助于统一处理离散、连续与混合分布，也便于推广到更抽象的空间。
5.3 历史与发展
5.3.1 概念起源
特征函数的思想源于傅里叶分析与概率论的结合。随着随机变量分布理论的发展，人们逐渐认识到频域表达在处理卷积和极限问题上的优越性。
5.3.2 经典理论发展
20 世纪概率论的成熟推动了特征函数理论的系统化发展。其在唯一性定理、反演公式、极限定理证明中的核心作用，使其成为现代概率分析中不可或缺的工具。