Характеристические функции
В статистической радиофизике аппарат характеристических функций играет ту же роль, что и спектральная плотность в теории сигналов. По определению характеристической функциейназывается среднее от комплексной экспоненты <exp(ju)>:
. |
(1.23) |
Таким образом, характеристическая функция является Фурье-образом функции плотности вероятности 1(x). Соответственно, обратное преобразование имеет вид
. |
(1.24) |
Легко показать, что характеристическая функция ограничена по модулю:
.
Получим еще одно интересное свойство характеристической функции. Рассмотрим среднее произвольной функции случайной величины f():
,
где – Фурье-образ исходной функцииf().
Поскольку характеристическая функция, так же, как и функция плотности вероятности, однозначно описывает распределение вероятностей, с ее помощью можно найти моменты случайной величины. Рассмотрим n-производную характеристической функции
.
Отсюда
.
Разлагая в определении характеристической функции (1.23) экспоненту в ряд по степеням x, получим:
. |
(1.25) |
Часто в ряд разлагают не саму характеристическую функцию, а ее логарифм
. |
(1.26) |
Коэффициенты ряда (1.26) n() называютсясемиинвариантамии являются рациональными функциями моментов случайной величины. Так, например0() = 0,1() =m1,2() =M2=2,3() =M3,4() =M4– 3M22и т. д.
Характеристическая функция одномерного нормального распределения (1.12) равна
,
а все семиинварианты, начиная с номера n= 3, равны нулю.
Нетрудно показать, что характеристическая функция суммы независимых случайных величин =+равна произведению характеристических функций(u) =(u)(u), а семиинварианты равны сумме соответствующих семиинвариантовm() =m() +m(). Эти соотношения позволяют записать выражения для функции плотности вероятности суммы независимых случайных величин. Поскольку Фурье-образ произведения равен свертке Фурье-образов, получаем
. |
(1.27) |
Это выражение называется формулой композиции.
Для n-мерной случайной величиныможно ввестиn-мерную характеристическую функцию:
.
Центральная предельная теорема
Тот факт, что характеристическая функция суммы независимых случайных величин =+равна произведению характеристических функций(u) =(u)(u), лежит в основе доказательствацентральной предельной теоремы(ЦПТ), которая была доказана?.?.Ляпуновым и формулируется следующим образом:
Пусть 1,…,N– независимые случайные величины, средние значения которых равны соответственно <i> =ai, дисперсии ограничены и равныM2(i) =i2<C<. Если для любого> 0 выполняется равенство
,
то случайная величина имеет распределение, равномерно сходящееся к нормальному приNнезависимо от распределения слагаемых.
Приведем доказательство ЦПТ для случая, когда все случайные величины 1,…,nраспределены одинаково с равными средними <i> =aи дисперсиямиM2(i) =2. Примером такого случая может служит выборка одной случайной переменной(t). Введем новые величиныi=i–a, для которых <i> = 0,D(i) =2,D(i/N) =2/N2=N2/N. Теперь построим случайную величину
и запишем выражение для ее характеристической функции с учетом формулы (1.25):
.
При Nэто выражение эквивалентно следующему:
.
Используя соотношение (1.24), запишем
,
что при Nэквивалентно выражению
.
Для случайной величины с ненулевым средним N=N+aпри этом имеем
.
Таким образом, распределение выборочного среднего случайной величины равномерно сходится к нормальному с тем же средним и дисперсией, в Nраз меньшей.
Следует помнить, что необходимым условием ЦПТ является ограниченность дисперсий исходных процессов 1,…,n. В качестве примера, иллюстрирующего альтернативный случай, можно привести распределение Коши
,
у которого не существует моментов всех четных порядков (в том числе – второго). Соответствующая этому распределению характеристическая функция равна
,
что для суммы Nслучайных величин дает
.
Таким образом, функция плотности вероятности суммы равна
,
то есть опять получается распределение Коши.
В заключение отметим, что для выполнения ЦПТ часто достаточно не независимости случайных величин, а их некоррелированности или даже убывания коэффициента корреляции с достаточно высокой скоростью, то есть
.