📂確率論定義
確率空間 (Ω,F,P) が与えられているとしよう。確率変数 X と t∈R について次のように定義された φX(t) を X の特性関数characteristic functionという。
φX(t):=E(eitX)=∫ReitxfX(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+iY は2つの確率変数 X,Y:Ω→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+i∫YdP
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+i∫sin(tX)dP
であり、 eitX 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) 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。 T∈R について t=−iT とすると
φX(t)====E(eitX)E(ei(−iT)X)E(eTX)M(T)
のように T 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。

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 n 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 も通常は X 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。