Ten artykuł dotyczy teorii prawdopodobieństwa. Zobacz też: inne znaczenia tego wyrazu.

Funkcją charakterystyczną rozkładu prawdopodobieństwa ${\displaystyle \mu }$ nazywa się funkcję ${\displaystyle \varphi \colon \mathbb {R} \to \mathbb {C} }$ zadaną wzorem

${\displaystyle \varphi (t)=\int \limits _{\mathbb {R} }e^{its}\mu (\mathrm {d} s).}$

Jeżeli ${\displaystyle X\colon \Omega \to \mathbb {R} }$ jest zmienną losową, a ${\displaystyle \mu _{X}}$ jest jej rozkładem, to jej funkcja charakterystyczna może być zapisana jako

${\displaystyle \varphi _{X}(t)=\int \limits _{\mathbb {R} }e^{its}\mu _{X}(\mathrm {d} s)=\mathbb {E} e^{itX},}$

gdzie ${\displaystyle \mathbb {E} }$ to wartość oczekiwana.

 Zobacz też: Całka Lebesgue’a.

Funkcja charakterystyczna, podobnie jak dystrybuanta, koduje pełną informację o rozkładzie. Jest ona dobrze określona (istnieje dla każdego rozkładu). Dla rozkładów ciągłych jest to transformata Fouriera funkcji gęstości prawdopodobieństwa:

${\displaystyle \varphi _{X}(t)=\int \limits _{-\infty }^{\infty }e^{itx}f(x)dx,}$

stąd można ją uznać za uogólnienie transformaty Fouriera na dowolne rozkłady.

Dla rozkładów dyskretnych o masie prawdopodobieństwa skupionej w punktach ${\displaystyle x_{1},x_{2},\dots ,x_{n}{:}}$

${\displaystyle \varphi _{X}(t)=\sum \limits _{j=1}^{n}\operatorname {pmf} (x_{j})e^{itx_{j}}.}$

• ${\displaystyle \varphi _{X}(0)=1,}$
• ${\displaystyle |\varphi _{X}(t)|\leqslant 1,}$
• ${\displaystyle \varphi _{X}(t)={\overline {\varphi _{X}(-t)}},}$
• ${\displaystyle \varphi _{X}}$ jest dodatnio określona,
• ${\displaystyle \varphi _{X}(t)}$ jest jednostajnie ciągła,
• ${\displaystyle \varphi _{X}}$ jest funkcją rzeczywistą wtedy i tylko wtedy, gdy rozkład jest symetryczny,
• ${\displaystyle \lim \limits _{|t|\to \infty }\varphi _{X}(t)\to 0}$ dla rozkładów ciągłych (twierdzenie Riemanna-Lebesgue’a).

Funkcja charakterystyczna funkcji liniowej ${\displaystyle aX+b}$ zmiennej losowej ${\displaystyle X}$ wyraża się za pomocą funkcji charakterystycznej zmiennej losowej ${\displaystyle X}$ według następującego wzoru:

${\displaystyle \varphi _{aX+b}(t)=\varphi _{X}(at)e^{itb}.}$

Niżej podano funkcje charakterystyczne ${\displaystyle \varphi _{X}(t)}$ znanych rozkładów ${\displaystyle \mu _{X}.}$ Zawsze ${\displaystyle n,k\in \mathbb {N} ,}$ ${\displaystyle a,b,m,p,t,x,\lambda ,\sigma \in \mathbb {R} ,}$ przy czym ${\displaystyle p,\lambda >0}$ oraz ${\displaystyle A\subseteq \mathbb {R} .}$ Symbol ${\displaystyle \mathbf {1} _{A}(x)}$ oznacza indykator zbioru ${\displaystyle A.}$

Nazwa	Oznaczenie	Rozkład	Funkcja charakterystyczna
jednopunktowy	${\displaystyle \delta _{a}}$	${\displaystyle \operatorname {pmf} (a)=1}$	${\displaystyle e^{ait}}$
dwupunktowy		${\displaystyle \operatorname {pmf} (a)=p=1-\operatorname {pmf} (b)}$	${\displaystyle pe^{ait}+(1-p)e^{bit}}$
Poissona	${\displaystyle \mathrm {Pois} (\lambda )}$	${\displaystyle \operatorname {pmf} (k)={\tfrac {\lambda ^{k}}{k!}}e^{-\lambda }}$	${\displaystyle e^{\lambda (e^{it}-1)}}$
dwumianowy	${\displaystyle \mathrm {Binom} (n,p)}$	${\displaystyle \operatorname {pmf} (k)={\tbinom {n}{k}}p^{k}(1-p)^{n-k}}$	${\displaystyle (1-p+pe^{it})^{n}}$
geometryczny	${\displaystyle \mathrm {Geom} (p)}$	${\displaystyle \operatorname {pmf} (k)=p(1-p)^{k-1}}$	${\displaystyle {\tfrac {pe^{it}}{1-(1-p)e^{it}}}}$
jednostajny (na odcinku)	${\displaystyle \mathrm {U} (a,b)}$	${\displaystyle f(x)={\tfrac {1}{b-a}}\mathbf {1} _{[a,b]}(x)}$	${\displaystyle {\tfrac {e^{itb}-e^{ita}}{it(b-a)}}}$
wykładniczy	${\displaystyle \mathrm {Exp} (\lambda )}$	${\displaystyle f(x)=\lambda e^{-\lambda x}}$	${\displaystyle {\tfrac {\lambda }{\lambda -it}}}$
normalny	${\displaystyle \mathrm {N} (m,\sigma ^{2})}$	${\displaystyle f_{X}(x)={\tfrac {1}{\sigma {\sqrt {2\pi }}}}e^{-{\tfrac {(x-m)^{2}}{2\sigma ^{2}}}}}$	${\displaystyle e^{mit-{\tfrac {(\sigma t)^{2}}{2}}}}$
normalny standardowy	${\displaystyle \mathrm {N} (0,1)}$	${\displaystyle f(x)={\tfrac {1}{\sqrt {2\pi }}}e^{-{\tfrac {x^{2}}{2}}}}$	${\displaystyle e^{-{\tfrac {t^{2}}{2}}}}$

Z funkcji charakterystycznej ${\displaystyle \varphi _{X}}$ da się wyznaczyć momenty zmiennej losowej ${\displaystyle X.}$ Istnieje też częściowe odwrócenie tego twierdzenia dla momentów parzystych.

Twierdzenie

Jeżeli istnieje ${\displaystyle n}$-ty moment zmiennej losowej ${\displaystyle X,}$ tzn. ${\displaystyle \mathbb {E} |X|^{n}<\infty ,}$ to istnieje również ${\displaystyle n}$-ta pochodna funkcji charakterystycznej ${\displaystyle \varphi _{X},}$ co więcej jest ona jednostajnie ciągła, oraz zachodzi

${\displaystyle i^{n}\mathbb {E} X^{n}=\varphi _{X}^{(n)}(0).}$

Dzięki temu wzór Taylora funkcji charakterystycznej wygląda następująco: jeżeli ${\displaystyle \mathbb {E} |X|^{n}<\infty ,}$ to

${\displaystyle \varphi _{X}(t)=\sum _{k=0}^{n}{\tfrac {(it)^{k}}{k!}}\mathbb {E} X^{k}+\mathrm {o} (t^{n}).}$

Twierdzenie

Jeżeli istnieje ${\displaystyle n}$-ta pochodna funkcji charakterystycznej zmiennej losowej, gdzie ${\displaystyle n=2k}$ oraz ${\displaystyle k\in \mathbb {Z} ,}$ to istnieje ${\displaystyle n}$-ty moment tej zmiennej losowej.

Kryterium określającego kiedy funkcja ${\displaystyle \varphi \colon \mathbb {R} \to \mathbb {C} }$ jest funkcją charakterystyczną pewnego rozkładu prawdopodobieństwa dostarcza twierdzenie Bochnera. Innym jest kryterium Pólya.

Funkcja charakterystyczna determinuje rozkład, tzn. jeśli ${\displaystyle \mu ,\nu }$ są rozkładami prawdopodobieństwa na ${\displaystyle \mathbb {R} ,}$ to jeśli mają one równe funkcje charakterystyczne, czyli ${\displaystyle \varphi _{\mu }(t)=\varphi _{\nu }(t)\quad \forall _{t\in \mathbb {R} },}$ to ${\displaystyle \mu =\nu .}$

Ponieważ ciąg ${\displaystyle (X_{n})_{n\in \mathbb {N} }}$ jest zbieżny według rozkładu, jeżeli

${\displaystyle \mathbb {E} f(X_{n})\to \mathbb {E} f(X),}$ dla dowolnej funkcji ${\displaystyle f}$ ciągłej i ograniczonej,

w szczególności dla ${\displaystyle f(x)=e^{itx}}$ (ciągłej i ograniczonej co do modułu przez 1), to

${\displaystyle \mathbb {E} e^{itX_{n}}\to \mathbb {E} e^{itX}\iff \varphi _{X_{n}}(t)\to \varphi _{X}(t)\quad \forall _{t\in \mathbb {R} },}$

a więc zbieżność według rozkładu zmiennych losowych pociąga zbieżność punktową ich funkcji charakterystycznych. Twierdzenie Lévy’ego-Craméra jest nietrywialnym odwróceniem tego wyniku.

Z tożsamości Parsevala wynika wzór na dystrybuantę ${\displaystyle F}$ rozkładu o funkcji charakterystycznej ${\displaystyle \varphi .}$ Jeżeli punkt ${\displaystyle u}$ jest punktem ciągłości, to

${\displaystyle F(u)=\lim _{a\to \infty }\int \limits _{-\infty }^{u}\left({\frac {1}{2\pi }}\int \limits _{-\infty }^{\infty }e^{-ist}\varphi (s)e^{-s^{2}/2a^{2}}ds\right)dt.}$

Odwrotna transformacja Fouriera umożliwia wyznaczenie gęstości: jeżeli ${\displaystyle \varphi }$ jest całkowalna, to rozkład ten ma ograniczoną i ciągłą gęstość ${\displaystyle f}$ daną wzorem

${\displaystyle f(x)={\frac {1}{2\pi }}\int \limits _{-\infty }^{\infty }e^{-isx}\varphi (s)ds.}$

Twierdzenie Plancherela mówi, iż jeżeli rozkład ma gęstość ${\displaystyle f}$ i funkcję charakterystyczną ${\displaystyle \varphi ,}$ to ${\displaystyle |\varphi |^{2}}$ jest całkowalna wtedy i tylko wtedy, gdy ${\displaystyle f^{2}}$ jest całkowalna. Wtedy też

${\displaystyle {}\,\int \limits _{-\infty }^{\infty }|f(x)|^{2}dx={\frac {1}{2\pi }}\int \limits _{-\infty }^{\infty }|\varphi (t)|^{2}dt.}$

Funkcje charakterystyczne są szczególnie użyteczne do badania zmiennych będących funkcjami niezależnych zmiennych losowych. Jeżeli ${\displaystyle X_{1},\dots ,X_{n}}$ jest ciągiem niezależnych zmiennych losowych, a

${\displaystyle S_{n}=a_{1}X_{1}+\dots +a_{n}X_{n},}$

gdzie ${\displaystyle a_{i}\in \mathbb {C} ,}$ to funkcja charakterystyczna ${\displaystyle S_{n}}$ dana jest wzorem

${\displaystyle \varphi _{S_{n}}(t)=\varphi _{X_{1}}(a_{1}t)\dots \varphi _{X_{n}}(a_{n}t).}$

W szczególności ${\displaystyle \varphi _{X+Y}(t)=\varphi _{X}(t)\varphi _{Y}(t),}$ co wynika wprost z definicji funkcji charakterystycznych (pierwsza i czwarta równość), własności funkcji wykładniczej (druga równość) i niezależności zmiennych losowych (trzecia równość):

${\displaystyle \varphi _{X+Y}(t)=\mathbb {E} e^{it(X+Y)}=\mathbb {E} \left(e^{itX}e^{itY}\right)=\mathbb {E} e^{itX}\mathbb {E} e^{itY}=\varphi _{X}(t)\varphi _{Y}(t).}$

Jeżeli ${\displaystyle \mathbf {t} =(t_{1},t_{2},\dots ,t_{n})^{\top }\in \mathbb {R} ^{n},}$ zaś ${\displaystyle \mathbf {X} =(X_{1},X_{2},\dots ,X_{n})^{\top }\in \mathbb {R} ^{n}}$ jest wektorem losowym, a przez ${\displaystyle \mathbf {tX} }$ rozumie się ich iloczyn skalarny, to funkcję charakterystyczną wektora ${\displaystyle \mathbf {X} }$ definiuje się analogicznie wzorem

${\displaystyle \varphi _{\mathbf {X} }(\mathbf {t} )=\mathbb {E} e^{i\mathbf {tX} }.}$

lub w zapisie macierzowym

${\displaystyle \varphi _{\mathbf {X} }(\mathbf {t} )=\mathbb {E} e^{i\mathbf {t} ^{\top }\mathbf {X} },}$

gdzie ${\displaystyle {}^{\top }}$ oznacza transpozycję (oba wektory są kolumnowe).

Funkcja charakterystyczna przekształcenia afinicznego ${\displaystyle \mathbf {AX} +\mathbf {b} }$ wyraża się przez ${\displaystyle \varphi _{\mathbf {X} }}$ wzorem postaci:

${\displaystyle \varphi _{\mathbf {AX} +\mathbf {b} }(\mathbf {t} )=\varphi _{X}(\mathbf {A^{\top }t} )e^{i\mathbf {t^{\top }b} },}$

gdzie ${\displaystyle \mathbf {A} }$ jest przekształceniem liniowym (macierzą), zaś ${\displaystyle \mathbf {b} \in \mathbb {R} ^{n}.}$

Zmienne losowe ${\displaystyle X_{1},\dots ,X_{n}}$ są niezależne wtedy i tylko wtedy, gdy

${\displaystyle \varphi _{\mathbf {X} }(\mathbf {t} )=\varphi _{X_{1}}(t_{1})\dots \varphi _{X_{n}}(t_{n}).}$

Zgodnie z twierdzeniem Craméra-Wolda ciąg wektorów losowych ${\displaystyle \mathbf {X} _{1},\mathbf {X} _{2},\dots }$ zbiega według rozkładu do wektora ${\displaystyle \mathbf {X} }$ wtedy i tylko wtedy, gdy ${\displaystyle \mathbf {tX} _{n}}$ zbiega według rozkładu do ${\displaystyle \mathbf {tX} }$ dla każdego ${\displaystyle \mathbf {t} \in \mathbb {R} ^{n}.}$

• funkcja charakterystyczna (transformata Fouriera)
• funkcja tworząca momenty (transformata Laplace’a)
• funkcja tworząca prawdopodobieństwa (transformata Laurenta lub Z-transformata)
• kumulanta

• J. Jakubowski, R. Sztencel: Wstęp do teorii prawdopodobieństwa. Wyd. III. s. 190–210. ISBN 83-89716-01-1.