logo

📂確率論

定義 1

確率空間 (Ω,F,P)( \Omega , \mathcal{F} , P) が与えられているとしよう。確率変数 XXtRt \in \mathbb{R} について次のように定義された φX(t)\varphi_{X} (t)XX特性関数characteristic functionという。 φX(t):=E(eitX)=ReitxfX(x)dx \varphi_{X} (t) := E \left( e^{i t X} \right) = \int_{\mathbb{R}} e^{it x} f_{X} (x) dx


  • まだ測度論を学んでいなければ、確率空間という言葉は無視しても構わない。

説明

確率変数 Z:=X+iYZ : = X + i Y は2つの確率変数 X,Y:ΩRX, Y : \Omega \to \mathbb{R} について次のような性質を持つように定義される。 ZdP=XdP+iYdP \int Z dP = \int X dP + i \int Y dP すると特性関数は、その期待値表現とオイラーの公式に従って φX(t)=E(eitX)=[cos(tX)+isin(tX)]dP=eitXdP=cos(tX)dP+isin(tX)dP \begin{align*} \varphi_{X} (t) =& E \left( e^{i t X} \right) \\ =& \int \left[ \cos(tX) + i \sin (t X) \right] dP \\ =& \int e^{it X} dP \\ =& \int \cos ( tX ) dP + i \int \sin ( t X ) dP \end{align*} であり、 eitXe^{itX} は複素数としてうまく拡張されていることが確認できる。

特性関数はその形状からモーメント生成関数 M(t)=E(etX)M(t) = E \left( e^{tX} \right) をほとんど同じだが、実際の確率論でもそれに似た用途でよく使われる。複素数が導入される点についてはあまり心配しなくてもよい。特性関数でmgfを導くのは簡単だ。 TRT \in \mathbb{R} について t=iTt = -i T とすると φX(t)=E(eitX)=E(ei(iT)X)=E(eTX)=M(T) \begin{align*} \varphi_{X} (t) =& E \left( e^{i t X} \right) \\ =& E \left( e^{i (- i T) X} \right) \\ =& E \left( e^{T X} \right) \\ =& M(T) \end{align*} のように TT に対するモーメント生成関数となる。特性関数はmgfとほぼ同じものと見なしても構わない。

20190911\_111006.png

一方、数学全般で特性characteristicという表現が非常に多く使われるが、確率論を勉強する立場では「私たちの特性関数が本物だ」という自負心を持っても良いと思う。少なくともGoogleで検索したときに最上位に表示されるのは確率論での特性関数だ。他の分野で「特性」は主に比較的難しい問題があるときにそれを nn 次方程式に変えてその「特徴」だけを残して研究しようとする表現だが、当然その方程式自体に関心を持つことはない。もちろん φX\varphi_{X} も通常は XX の分布を研究するために使うが、他の分野に比べてはるかに頻繁に、重要に扱われるのは事実だ。

関連リンク

  • フーリエ変換: 形式的には、特性関数は確率密度関数のフーリエ逆変換と同じ。

  1. Capinski. (1999). Measure, Integral and Probability: p116. ↩︎