Função característica (probabilidades)
Em matemática e especialmente em teoria de probabilidade e estatística , a função característica de uma variável aleatória real X é um número que determina exclusivamente sua distribuição de probabilidade . Se essa variável aleatória tem uma densidade , a função característica é a transformada de Fourier inversa da densidade. Os valores zero das derivadas sucessivas da função característica permitem calcular os momentos da variável aleatória.
A função característica é às vezes chamada de primeira função característica, enquanto a segunda função característica (ou também a segunda função característica ) é sua transformação logarítmica .
O teorema de Bochner e o teorema Khintchine fornecem condições necessárias e suficientes para que uma função seja a função característica de uma variável aleatória.
Definições
Para uma variável real
A função característica de uma variável real aleatória X é a função de valor complexo definida por
R{\ displaystyle \ mathbb {R}}
φX(t)=E[eeutX]=E[cos(tX)]+eu E[pecado(tX)].{\ displaystyle {\ begin {alinhado} \ varphi _ {X} (t) & = \ mathbb {E} \ left [\ operatorname {e} ^ {\ mathrm {i} tX} \ right] \\ & = \ mathbb {E} \ left [\ cos (tX) \ right] + \ mathrm {i} \ \ mathbb {E} \ left [\ sin (tX) \ right]. \ end {alinhado}}}- Se esta variável aleatória tem uma densidade , digamos f X , então
φX(t)=∫RfX(x)eeutxdx.{\ displaystyle \ varphi _ {X} (t) = \ int _ {\ mathbb {R}} f_ {X} (x) \ operatorname {e} ^ {\ mathrm {i} tx} \, \ mathrm {d } x.}
Assim, no caso de uma variável aleatória com densidade, a função característica é a transformada de
Fourier inversa (até um fator de
2π no exponencial de acordo com a convenção) da densidade. Provavelmente por esta razão, acontece que se escolhe uma convenção diferente, viz . Será notado que embora o uso na comunidade de probabilistas seja falar de transformada de Fourier, é estritamente uma questão da
transformada inversa de Fourier .
φX(t)=E[e2euπtX]{\ displaystyle \ varphi _ {X} (t) = \ mathbb {E} [\ operatorname {e} ^ {2 \ mathrm {i} \ pi tX}]}
φX(t)=∑k=0∞P(X=k)eeutk=GX(eeut){\ displaystyle \ varphi _ {X} (t) = \ sum _ {k = 0} ^ {\ infty} \ mathbb {P} (X = k) e ^ {\ mathrm {i} tk} = G_ {X } (e ^ {\ mathrm {i} t})}
onde
G X denota sua
função geradora de probabilidade generalizada para um parâmetro complexo.
Para uma variável de um espaço euclidiano
Mais geralmente, a função característica de uma variável aleatória X com valores em é a função com valores complexos definidos por
Rd{\ displaystyle \ mathbb {R} ^ {d}}Rd{\ displaystyle \ mathbb {R} ^ {d}}
φX(você)=E[eeu⟨você,X⟩]{\ displaystyle \ varphi _ {X} (u) = \ mathbb {E} \ left [\ operatorname {e} ^ {\ mathrm {i} \ langle u, X \ rangle} \ right]}onde é o produto de ponto de u com X .
⟨você,X⟩{\ displaystyle \ langle u, X \ rangle}
Para uma função de distribuição
A função característica de uma função de distribuição F é a função de valor complexo definida por
R{\ displaystyle \ mathbb {R}}
φF(t)=∫-∞+∞eeutzdF(z){\ displaystyle \ varphi _ {F} (t) = \ int _ {- \ infty} ^ {+ \ infty} {\ textrm {e}} ^ {\ mathrm {i} tz} \, \ mathrm {d} F (z)}onde a integral é uma integral de Stieltjes .
Propriedades
- A função característica determina exclusivamente a lei de uma variável aleatória no sentido de que " φ X = φ Y " (igualdade de funções) é equivalente a " X e Y têm a mesma lei".
- Se X e Y são duas variáveis aleatórias independentes , φ X + Y = φ X φ Y . De forma mais geral, se X 1 , ..., X n forem variáveis aleatórias independentes como um todo, então φ X 1 + ... + X n = φ X 1 ... φ X n . Até então aplicando a transformada de Fourier φ X + Y , que ajuda a encontrar o direito de X + Y .
- Existe uma relação entre os momentos e a função característica de uma variável aleatória. Quando existem momentos de qualquer ordem e sua série de geração exponencial tem um raio de convergência R diferente de zero, então:
φX(t)=∑k=0∞eukE[Xk]k!tk ∀t∈]-R,R[{\ displaystyle \ varphi _ {X} (t) = \ sum _ {k = 0} ^ {\ infty} {\ frac {\ mathrm {i} ^ {k} \ mathbb {E} [X ^ {k} ]} {k!}} t ^ {k} ~~~ \ forall t \ in \ left] -R, R \ right [}.
Demonstração
De qualquer maneira , nós temos
.
t∈[0,R[{\ displaystyle t \ in [0, R [}φX(t)=E[eeutX]=E[∑k=0∞(eutX)kk!]=∑k=0∞eukk!tkE[Xk]{\ displaystyle \ varphi _ {X} (t) = \ mathbb {E} \ left [\ operatorname {e} ^ {\ mathrm {i} tX} \ right] = \ mathbb {E} \ left [\ sum _ {k = 0} ^ {\ infty} {\ frac {(\ mathrm {i} tX) ^ {k}} {k!}} \ right] = \ sum _ {k = 0} ^ {\ infty} { \ frac {\ mathrm {i} ^ {k}} {k!}} t ^ {k} \ mathbb {E} \ left [X ^ {k} \ right]}
Para justificar a inversão entre a soma e a expectativa, basta mostrar que é finito e aplicar o teorema de Fubini. Percebemos que para tudo :
∑k=0∞E[|X|k]k!tk{\ displaystyle \ sum _ {k = 0} ^ {\ infty} {\ frac {\ mathbb {E} [| X | ^ {k}]} {k!}} t ^ {k}}k≥0{\ displaystyle k \ geq 0}
E[|X|2k+1]=E[|X|2k+11|X|≤1]+E[|X|2k+11|X|>1]≤1+E[X2k+2]{\ displaystyle \ mathbb {E} [| X | ^ {2k + 1}] = \ mathbb {E} [| X | ^ {2k + 1} \ mathbf {1} _ {| X | \ leq 1}] + \ mathbb {E} [| X | ^ {2k + 1} \ mathbf {1} _ {| X |> 1}] \ leq 1+ \ mathbb {E} [X ^ {2k + 2}]}.
Portanto, temos para tudo :
t∈[0,R[{\ displaystyle t \ in \ left [0, R \ right [}
∑k=0∞E[|X|k]k!tk≤et+2∑k=0∞E[X2k](2k)!t2k≤et+2∑k=0∞|E[Xk]|k!tk<+∞{\ displaystyle \ sum _ {k = 0} ^ {\ infty} {\ frac {\ mathbb {E} [| X | ^ {k}]} {k!}} t ^ {k} \ leq e ^ { t} +2 \ sum _ {k = 0} ^ {\ infty} {\ frac {\ mathbb {E} [X ^ {2k}]} {(2k)!}} t ^ {2k} \ leq e ^ {t} +2 \ sum _ {k = 0} ^ {\ infty} {\ frac {| \ mathbb {E} [X ^ {k}] |} {k!}} t ^ {k} <+ \ infty}.
A última soma é de fato convergente porque sabemos que toda uma série é absolutamente convergente no interior de seu disco de convergência. Em seguida, procedemos da mesma maneira para .
t∈]-R,0]{\ displaystyle t \ in \ left] -R, 0 \ right]}
- Essa relação às vezes é usada para calcular a expectativa (momento de ordem 1) e a variância de uma variável aleatória. Mais explicitamente:
φX(k)(0)=eukE[Xk]{\ displaystyle \ varphi _ {X} ^ {(k)} (0) = \ mathrm {i} ^ {k} \ mathbb {E} [X ^ {k}]}
portanto :
E[X]=-euφX′(0){\ displaystyle \ mathbb {E} [X] = - \ mathrm {i} \ varphi _ {X} ^ {\ prime} (0)}
E[X2]=-φX′′(0){\ displaystyle \ mathbb {E} \ left [X ^ {2} \ right] = - \, \ varphi _ {X} ^ {\ prime \ prime} (0)}
Var(X)=-φX′′(0)+(φX′(0))2{\ displaystyle {\ textrm {Var}} (X) = - \, \ varphi _ {X} ^ {\ prime \ prime} (0) + \ left (\ varphi _ {X} ^ {\ prime} (0) ) \ direita) ^ {2}}.
- A seguinte relação é usada, por exemplo, para calcular a função característica de uma variável centrada reduzida , a partir da função característica da variável inicial:
φnoX+b(t)=φX(not)eeutb{\ displaystyle \ varphi _ {aX + b} (t) = \ varphi _ {X} (arroba) \, \ operatorname {e} ^ {\ mathrm {i} tb}}.
- O teorema da convergência de Lévy diz que a convergência na distribuição é equivalente à convergência simples da função característica em qualquer ponto.
Segunda função característica
Definição
A segunda função característica de uma variável real aleatória X é a função de valor complexo definida por
ψX(t)=Registro φX(t)=Registro E[eeutX]{\ displaystyle \ psi _ {X} (t) = {\ text {Log}} \ varphi _ {X} (t) = {\ text {Log}} \ mathbb {E} [e ^ {\ mathrm {i } tX}]}onde Log designa o ramo principal do logaritmo que é definido e holomórfico no plano complexo privado da meia-linha de reais negativos ou zero e que é igual a 0 em 1.
Uma vez que a função característica é sempre contínua e é igual a 1 em 0, a segunda função característica é sempre bem definida em uma vizinhança de 0.
Link com a função geradora de cumulantes
- A segunda função característica é às vezes chamada de função geradora de cumulantes . O matemático Eugène Lukacz, em seu livro Characteristic functions , observa o uso infeliz do termo "função geradora de cumulantes" porque a segunda função geradora sempre existe na vizinhança de 0, enquanto os cumulantes e os momentos de X poderiam muito bem não existir. . Ele também acrescenta que o termo “função de segunda característica” vem da literatura matemática francesa.
- A função geradora de cumulantes também pode denotar o logaritmo natural da função geradora de momento .
Referências
-
(em) Eugene Lukacz, funções características , Londres, Griffin,1970, p. 27
Artigo relacionado
Função geradora de momento
<img src="https://fr.wikipedia.org/wiki/Special:CentralAutoLogin/start?type=1x1" alt="" title="" width="1" height="1" style="border: none; position: absolute;">