0 · 特征函数 \(\varphi_X(t) = E[e^{jtX}]\) 的三大计算基本功
- 欧拉公式与有界性：\(e^{jtx} = \cos(tx) + j\sin(tx)\)，模长恒为 \(|e^{jtx}| = \sqrt{\cos^2(tx)+\sin^2(tx)} = 1\)。所以任何随机变量的特征函数都绝对收敛且满足 \(|\varphi_X(t)|\le \varphi_X(0)=1\)（包括没有均值方差的柯西分布 \(\varphi(t)=e^{-|t|}\)）。
- 求导拿矩 vs 泰勒展开拿矩：由 \(\varphi^{(k)}(0) = j^k E[X^k]\) 且 \(j^{-1}=-j, j^{-2}=-1\)，得： \[E[X] = \frac{\varphi'(0)}{j} = -j\varphi'(0),\qquad E[X^2] = -\varphi''(0).\] 如果 \(\varphi(t)\) 容易做麦克劳林展开 \(\varphi(t) = 1 + c_1 t + c_2 t^2 + \cdots\)，直接对照 \(\varphi(t) = 1 + j E[X] t - \frac{1}{2}E[X^2] t^2 + \cdots\) 即可免求导秒读一、二阶矩！
自学起点 · 复数与特征函数
先记住 \(j^2=-1\)，\(e^{jtx}=\cos(tx)+j\sin(tx)\)。特征函数始终存在，因为 \(|e^{jtX}|=1\)；但使用矩公式要核查相应矩的存在，使用密度反演要核查反演条件。
典型例题
设 X 等概率取 −1 与 1，则 \(\varphi_X(t)=\frac12(e^{-jt}+e^{jt})=\cos t\)。求导得 \(E[X]=0\)、\(E[X^2]=1\)。这是离散分布，不能据此直接套通常的密度反演公式。
💡 破题关键与第一步提示（遮答案自测用 · 考前自测 · 独立和的特征函数）
破题切入点：证明 \(\varphi_{X+Y}(t)=\varphi_X(t)\varphi_Y(t)\)，请分别指出指数拆分与独立性各用在哪里。（👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！）
📝 完整规范推导与评分踩分点（考前自测 · 独立和的特征函数）
证明 \(\varphi_{X+Y}(t)=\varphi_X(t)\varphi_Y(t)\)，请分别指出指数拆分与独立性各用在哪里。
用特征函数证明正态分布的可加性
设独立随机变量 \(X\sim N(\mu_1,\sigma_1^2)\)、\(Y\sim N(\mu_2,\sigma_2^2)\)。特征函数用本课程虚数单位 \(j\) 书写。
- 分别写 \(\varphi_X(t)=\exp(j\mu_1t-\sigma_1^2t^2/2)\)，\(\varphi_Y(t)=\exp(j\mu_2t-\sigma_2^2t^2/2)\)。
- 独立性允许把期望乘积拆开：\(\varphi_{X+Y}(t)=E[e^{jtX}e^{jtY}]=\varphi_X(t)\varphi_Y(t)\)。
- 合并指数后 \(\varphi_{X+Y}(t)=\exp(j(\mu_1+\mu_2)t-(\sigma_1^2+\sigma_2^2)t^2/2)\)。
- 由特征函数唯一性可知 \(X+Y\sim N(\mu_1+\mu_2,\sigma_1^2+\sigma_2^2)\)。例如两个独立 \(N(0,1)\) 的和是 \(N(0,2)\)，不是 \(N(0,1)\)。
💡 破题关键与第一步提示（遮答案自测用 · 自测：如果 X、Y 都为标准正态但不独立，方差还一定等于 2 吗？）
破题切入点：不一定，\(\operatorname{Var}(X+Y)=2+2\operatorname{Cov}(X,Y)\)。（👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！）
📝 完整规范推导与评分踩分点（自测：如果 X、Y 都为标准正态但不独立，方差还一定等于 2 吗？）
不一定，\(\operatorname{Var}(X+Y)=2+2\operatorname{Cov}(X,Y)\)。本证明在第 2 步明确用了独立性。
反演题另须注意：分布反演、密度反演、矩公式不能只凭特征函数存在就不加条件直接使用。
修订版 · 重点核对
先看：本模块易错点与补充
关键前提- 特征函数总存在，因为 \(|e^{itX}|=1\)；但由 \(\varphi^{(k)}(0)\) 推矩时应核查矩存在性等条件。
- “和的特征函数等于乘积”需要独立性；不能只凭变量不相关就直接相乘。
- 更多反例在 条件与勘误。
课件 10-特征函数-1.pdf
10 · 特征函数（一）
0 · 本讲导读（为什么造这个工具）
历史：18–19 世纪处理独立随机变量之和的分布时，卷积计算极其困难；1812 年拉普拉斯在研究中心极限定理时引入母函数与特征函数思想；1933 年柯尔莫哥洛夫公理化后，特征函数成为概率论标准工具。
| 好处 | 说明 |
|---|---|
| 唯一性 | 特征函数与分布函数一一对应——知道 φ 就等于知道分布 |
| 独立性简化 | 独立和的 φ = 各自 φ 的乘积（卷积变乘法！） |
| 矩的计算 | φ 在 0 点的导数给出各阶矩 |
| 极限定理 | 连续定理：φ 逐点收敛 ⟺ 分布弱收敛 |
| 处处存在 | 任何随机变量都有特征函数（\(|e^{jtX}|=1\) 有界，无需矩条件） |
一句话（课件原话）
特征函数把“求分布”变成“求函数”：把卷积变成乘积、把弱收敛变成逐点收敛。它是分布的傅里叶变换——概率论的“傅里叶透镜”。
记 号
本课程虚数单位用 j（\(j^2=-1\)），自变量常用 t：\(\varphi(t)=E(e^{jtX})\)。《随机过程与排队论》课程用 i、变量 u——同一数学对象。Transformer 位置编码 \(e^{j\theta}=\cos\theta+j\sin\theta\) 就是这个 j。
本模块考试重点
- 七大分布的特征函数表——闭卷一页纸必抄内容，尤其二项/泊松/指数/正态四个（正态 \(e^{ij\mu t-\frac12\sigma^2t^2}\) 的负号最易抄错）；
- 矩公式 \(E(X^k)=j^{-k}\varphi^{(k)}(0)\) ★——"已知 φ 求 E、D"的固定套路：求导代 0，注意 \(e^{ijt}\) 在 0 处全为 1 与 \(j^2=-1\)；
- 独立和定理（卷积变乘法）★★——证明题主力：独立和的特征函数 = 乘积，再由唯一性定理认出分布。标准战利品：正态可加性 \(N(\mu_1,\sigma_1^2)+N(\mu_2,\sigma_2^2)=N(\mu_1+\mu_2,\sigma_1^2+\sigma_2^2)\)、二项 = n 个 0-1 之和；
- 唯一性定理——"由 φ 认分布"的合法性依据，简答常考"为什么特征函数相等就能说同分布"。
缺基础？求导、积分、级数、矩阵乘法、复数的手生处，直接翻上级目录的 《数学基础工具箱》（每条约三分钟，配例题与易错点；考前还有"十分钟急救包"）。
1 · 复随机变量的期望与欧拉公式
定 义
实随机变量 X、Y 构成复随机变量 \(Z=X+jY\)，定义
\[E(Z)=E(X)+jE(Y).\]
欧拉公式：\(e^{j\theta}=\cos\theta+j\sin\theta\)。常用两式（算模与共轭必备）：
\[\cos jt=\frac{e^{jt}+e^{-jt}}2,\qquad \sin jt=\frac{e^{jt}-e^{-jt}}{2j}.\]
2 · 定义：分布的 Fourier–Stieltjes 变换
定义 3.1 · 特征函数
X 是 \((\Omega,\mathcal F,P)\) 上的随机变量，称
\[\varphi_X(t)=E(e^{jtX})=\int_{-\infty}^{+\infty}e^{jtx}\,\mathrm dF(x),\qquad t\in\mathbb R\]
为 X 的特征函数——关于分布函数 F 的 Fourier–Stieltjes 变换（又见 R-S 积分！）。
连续型：\(\varphi(t)=\int e^{jtx}f(x)\,\mathrm dx\)；离散型：\(\varphi(t)=\sum_k p_ke^{jtx_k}\)。也可写成 \[\varphi(t)=\int\cos(tx)\,\mathrm dF(x)+j\int\sin(tx)\,\mathrm dF(x)=E(\cos tX)+jE(\sin tX).\]
连续型：\(\varphi(t)=\int e^{jtx}f(x)\,\mathrm dx\)；离散型：\(\varphi(t)=\sum_k p_ke^{jtx_k}\)。也可写成 \[\varphi(t)=\int\cos(tx)\,\mathrm dF(x)+j\int\sin(tx)\,\mathrm dF(x)=E(\cos tX)+jE(\sin tX).\]
为什么“处处存在”
\(|e^{jtX}|=1\) 有界，cos/sin 有界——期望永远存在，不需要任何矩条件（对比：矩母函数 \(E e^{tX}\) 可能不存在）。这是特征函数胜过矩母函数的根本原因。
3 · 常见分布的特征函数（七连算）
| 分布 | \(\varphi(t)\) | 要点 |
|---|---|---|
| 单点（退化）\(P\{X=c\}=1\) | \(e^{jct}\) | \(E(e^{jtc})=e^{jtc}\) |
| 0-1 两点分布 | \(q+pe^{jt}\) | \(1\cdot p\,e^{jt}+0\cdot q\) |
| 二项 \(B(n,p)\) | \((q+pe^{jt})^n\) | 和的展开（下一讲用独立和定理重推） |
| 泊松 \(P(\lambda)\) | \(e^{\lambda(e^{jt}-1)}\) | \(\sum_k\frac{\lambda^k}{k!}e^{-\lambda}e^{jtk}=e^{-\lambda}\sum\frac{(\lambda e^{jt})^k}{k!}\) |
| 指数 Exp(λ) | \(\dfrac{\lambda}{\lambda-jt}\) | 两种解法见下 |
| 均匀 \(U[-a,a]\) | \(\dfrac{\sin at}{at}\) | \(\frac1{2a}\int_{-a}^ae^{jtx}\mathrm dx\)；t=0 时按极限取 1 |
| 正态 \(N(a,\sigma^2)\) | \(e^{jat-\frac12\sigma^2t^2}\) | 两种解法见下；\(N(0,1)\)：\(e^{-t^2/2}\) |
指数分布的两种解法（课件 Ex.5）
💡 破题关键与第一步提示（遮答案自测用 · 解法一（直接积分））
破题切入点：\[\varphi(t)=\lambda\int_0^{+\infty}e^{-\lambda x}e^{jtx}\,\mathrm dx=\lambda\int_0^{+\infty}（👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！）
📝 完整规范推导与评分踩分点（解法一（直接积分））
\[\varphi(t)=\lambda\int_0^{+\infty}e^{-\lambda x}e^{jtx}\,\mathrm dx=\lambda\int_0^{+\infty}e^{-(\lambda-jt)x}\,\mathrm dx=\frac{\lambda}{\lambda-jt}\quad(\text{Re}(\lambda-jt)=\lambda>0).\]
💡 破题关键与第一步提示（遮答案自测用 · 解法二（实虚分开））
破题切入点：\[\int_0^{+\infty}\cos tx\,\lambda e^{-\lambda x}\mathrm dx=\frac{\lambda^2}{\lambda^2+t^2},\qq（👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！）
📝 完整规范推导与评分踩分点（解法二（实虚分开））
\[\int_0^{+\infty}\cos tx\,\lambda e^{-\lambda x}\mathrm dx=\frac{\lambda^2}{\lambda^2+t^2},\qquad
\int_0^{+\infty}\sin tx\,\lambda e^{-\lambda x}\mathrm dx=\frac{\lambda t}{\lambda^2+t^2},\]
\[\varphi(t)=\frac{\lambda^2+j\lambda t}{\lambda^2+t^2}=\frac{\lambda(\lambda+jt)}{(\lambda+jt)(\lambda-jt)}=\frac{\lambda}{\lambda-jt}.\ \checkmark\]
正态分布的两种解法（课件 Ex.7 / Ex.8）
💡 破题关键与第一步提示（遮答案自测用 · 解法一（配方 + 复平移））
破题切入点：\[u=\frac{x-a}{\sigma}:\quad \varphi(t)=\frac{e^{jat}}{\sqrt{2\pi}}\int_{-\infty}^{+\infty}e^（👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！）
📝 完整规范推导与评分踩分点（解法一（配方 + 复平移））
\[u=\frac{x-a}{\sigma}:\quad \varphi(t)=\frac{e^{jat}}{\sqrt{2\pi}}\int_{-\infty}^{+\infty}e^{-u^2/2}e^{j\sigma tu}\,\mathrm du.\]
配方 \( -\frac{u^2}2+j\sigma tu=-\frac{(u-j\sigma t)^2}2-\frac{\sigma^2t^2}2 \)。积分路径从实轴平移到过 \(j\sigma t\) 的水平线——由柯西积分定理，复平移不改变积分值，剩余高斯积分 \(=\sqrt{2\pi}\)。故
\[\varphi(t)=e^{jat}e^{-\sigma^2t^2/2}.\]
💡 破题关键与第一步提示（遮答案自测用 · 解法二（N(0,1) + 线性变换））
破题切入点：\(X\sim N(0,1)\)：\(\varphi_X(t)=e^{-t^2/2}\)。（👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！）
📝 完整规范推导与评分踩分点（解法二（N(0,1) + 线性变换））
\(X\sim N(0,1)\)：\(\varphi_X(t)=e^{-t^2/2}\)。\(Y=\sigma X+a\sim N(a,\sigma^2)\)，由线性变换性质（下一节性质 3.2）
\[\varphi_Y(t)=e^{jat}\varphi_X(\sigma t)=e^{jat-\frac12\sigma^2t^2}.\ \checkmark\]
4 · 四条基本性质
性 质
- \(\varphi(0)=1\)；\(|\varphi(t)|\le1\)；
- \(\varphi(-t)=\overline{\varphi(t)}\)（共轭对称）；
- \(\varphi(t)\) 在 \(\mathbb R\) 上一致连续；
- 非负定：对任意 \(n\)、复数 \(z_1,\dots,z_n\)、实数 \(t_1,\dots,t_n\)： \[\sum_{r=1}^n\sum_{s=1}^n z_r\bar z_s\,\varphi(t_r-t_s)\ \ge0.\]
💡 破题关键与第一步提示（遮答案自测用 · 证明要点（课件给出））
破题切入点：|φ|≤1 ：\(|E(e^{jtX})|^2=E^2(\cos tX)+E^2(\sin tX)\le E[\cos^2tX+\sin^2tX]=1\)（柯西–许瓦兹：\(|E Z|^2\le E|Z|^2\)）。（👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！）
📝 完整规范推导与评分踩分点（证明要点（课件给出））
|φ|≤1：\(|E(e^{jtX})|^2=E^2(\cos tX)+E^2(\sin tX)\le E[\cos^2tX+\sin^2tX]=1\)（柯西–许瓦兹：\(|E Z|^2\le E|Z|^2\)）。φ(0)=E1=1。
共轭：\(\varphi(-t)=E\cos(-tX)+jE\sin(-tX)=E\cos tX-jE\sin tX=\overline{\varphi(t)}\)。
一致连续：\(|\varphi(t+h)-\varphi(t)|\le E|e^{j(t+h)X}-e^{jtX}|=E\big[|e^{jth}|\cdot|e^{jhX}-1|\big]\le E\,|e^{jhX}-1|\)，与 t 无关；\(|e^{jhX}-1|=2|\sin(hX/2)|\le|hX|\) 且 \(h\to0\) 时趋于 0，由控制收敛定理（R-S 版！笔记 06）得 h→0 时上式 →0 一致于 t。
非负定：\(\sum_r\sum_s z_r\bar z_s\varphi(t_r-t_s)=E\Big|\sum_r z_re^{jt_rX}\Big|^2\ge0\)。∎
5 · Bochner–Khinchin 定理与矩公式
定理 3.1（Bochner–Khinchin 刻画）
函数 \(\varphi(t)\) 是某随机变量的特征函数 ⟺ \(\varphi\) 在 \(\mathbb R\) 上一致连续、非负定，且 \(\varphi(0)=1\)。（以上四条性质是“本质性”的——它们完整刻画了特征函数类。）
定理 3.2 · 矩公式 ★
若 \(E(X^n)\) 存在，则 \(\varphi(t)\) 有 k（≤n）阶导数，且
\[\boxed{\ E(X^k)=j^{-k}\,\varphi^{(k)}(0)\ }\qquad\text{即 }\varphi'(0)=jE(X),\quad \varphi''(0)=-E(X^2).\]
注意：逆不真——φ 有导数推不出矩存在。
证明（连续型）：\(\varphi(t)=\int e^{jtx}f(x)\mathrm dx\)，在积分号下求导 k 次（可积性保证），令 t=0：\(\varphi^{(k)}(0)=j^kE(X^k)\)。∎
ML 对照：均值/方差/偏度/峰度 = 1~4 阶矩；分布拟合、异常检测靠矩判形态；神经网络初始化分析权重矩可用 φ 快速推导。
证明（连续型）：\(\varphi(t)=\int e^{jtx}f(x)\mathrm dx\)，在积分号下求导 k 次（可积性保证），令 t=0：\(\varphi^{(k)}(0)=j^kE(X^k)\)。∎
ML 对照：均值/方差/偏度/峰度 = 1~4 阶矩；分布拟合、异常检测靠矩判形态；神经网络初始化分析权重矩可用 φ 快速推导。
6 · 例：由 φ 反算期望方差
例（课件 Ex.9）
\(f(x)=\dfrac12\cos x\ \big(|x|\le\tfrac\pi2\big)\)，其它为 0。求 \(E(X)\)、\(D(X)\)。
💡 破题关键与第一步提示（遮答案自测用 · 解答）
破题切入点：f 偶函数 ⟹ \[\varphi(t)=\int_{-\pi/2}^{\pi/2}\tfrac12\cos x\,e^{jtx}\mathrm dx=\int_0^{\pi/2}\co（👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！）
📝 完整规范推导与评分踩分点（解答）
f 偶函数 ⟹
\[\varphi(t)=\int_{-\pi/2}^{\pi/2}\tfrac12\cos x\,e^{jtx}\mathrm dx=\int_0^{\pi/2}\cos x\cos tx\,\mathrm dx=\frac12\Big[\frac{\sin\frac{\pi}2(1-t)}{1-t}+\frac{\sin\frac{\pi}2(1+t)}{1+t}\Big]=\frac{\cos\frac{\pi t}2}{1-t^2}.\]
由对称性 \(E(X)=\varphi'(0)/j=0\)。展开 \(\varphi(t)=\big(1-\tfrac{\pi^2t^2}8+\cdots\big)(1+t^2+\cdots)=1+\big(1-\tfrac{\pi^2}8\big)t^2+\cdots\)，即 \(\varphi''(0)=2-\tfrac{\pi^2}4\)，
\[E(X^2)=-\varphi''(0)=\frac{\pi^2}4-2,\qquad D(X)=\frac{\pi^2}4-2.\]
套路：求 φ（积化和差）→ 展开 φ 在 0 附近的泰勒式 → 对照 \(\varphi(t)=1+jE(X)t-\frac{E(X^2)}2t^2+\cdots\) 读出矩。∎
7 · 自测与下一步
自 测
- 特征函数的五大好处？“处处存在”的原因？
- 默写七大分布的 φ（至少：泊松、指数、正态、均匀）。
- \(|\varphi|\le1\)、非负定、一致连续的证明各用什么工具？
- 矩公式（j 版）？为什么“逆不真”？
💡 破题关键与第一步提示（遮答案自测用 · 答案要点）
破题切入点：唯一性 / 独立和乘积 / 矩 / 极限定理 / 处处存在；（👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！）
📝 完整规范推导与评分踩分点（答案要点）
- 唯一性 / 独立和乘积 / 矩 / 极限定理 / 处处存在；\(|e^{jtX}|=1\) 有界。
- 见第 3 节表。
- 柯西–许瓦兹；\(\varphi=E|\sum z_re^{jt_rX}|^2\)；控制收敛定理。
- \(E(X^k)=j^{-k}\varphi^{(k)}(0)\)；φ 可导 ⟹ 推不出矩存在。
下一份：特征函数（二）——反演公式与唯一性定理（由 φ 反推 F 的“合法证书”）、密度与 φ 互为傅氏变换、多维特征函数、二维正态、独立和定理（卷积变乘法的正式登场：二项、N(0,n)、正态可加性）。
课件 11-特征函数-2.pdf
11 · 特征函数（二）
0 · 本讲导读
上一讲解决了“由 F 求 φ”；本讲回答反方向——“能否由 φ 唯一确定 F？”答案：能（反演公式 + 唯一性定理）。这让“算出 φ = 认出分布”合法化，从而解锁特征函数的最大杀招：独立随机变量之和，φ 直接相乘。本讲结尾的正态可加性、二项分布三连例题都是它的战利品。
1 · 反演公式与唯一性定理
定理 3.3 · 反演公式
设 X 的分布函数与特征函数分别为 \(F(x)\)、\(\varphi(t)\)，则对 F 的任意连续点 \(x_1<x_2\)：
\[F(x_2)-F(x_1)=\lim_{T\to+\infty}\frac1{2\pi}\int_{-T}^{T}\frac{e^{-jtx_1}-e^{-jtx_2}}{jt}\,\varphi(t)\,\mathrm dt.\]
推论 1 · 唯一性定理 ★
分布函数 \(F_1\) 与 \(F_2\) 恒等 ⟺ 它们的特征函数恒等。这把“算出 φ 就等于认出分布”变成合法操作——后面所有“求出 φ 后对照标准答案”的例题都靠它兜底。（参见教材 P244–245）
2 · 两条推论：密度反演与格点分布
推论 2 · 连续型反演（互为傅氏变换）
若 \(\varphi(t)\) 在 \(\mathbb R\) 上绝对可积，则 X 是连续型随机变量，密度
\[f(x)=\frac1{2\pi}\int_{-\infty}^{+\infty}e^{-jtx}\,\varphi(t)\,\mathrm dt.\]
即：对连续型，概率密度与特征函数互为傅里叶变换（差常数因子 \(1/2\pi\) 的约定）。
推论 3 · 格点（离散）反演
若 X 离散、支撑在 \(\{0,\pm1,\pm2,\dots\}\)（分布律 \(p_k=P\{X=k\}\)），则
\[p_k=\frac1{2\pi}\int_{-\pi}^{\pi}e^{-jtk}\,\varphi(t)\,\mathrm dt,\qquad k=0,\pm1,\pm2,\dots\]
💡 破题关键与第一步提示（遮答案自测用 · 证明梗概（课件给出））
破题切入点：把 \(\varphi(t)=\sum_s p_se^{jts}\) 代入，交换积分求和： \[\frac1{2\pi}\int_{-\pi}^{\pi}e^{-jtk}\sum_s p（👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！）
📝 完整规范推导与评分踩分点（证明梗概（课件给出））
把 \(\varphi(t)=\sum_s p_se^{jts}\) 代入，交换积分求和：
\[\frac1{2\pi}\int_{-\pi}^{\pi}e^{-jtk}\sum_s p_se^{jts}\,\mathrm dt=\sum_s p_s\cdot\frac1{2\pi}\int_{-\pi}^{\pi}e^{jt(s-k)}\,\mathrm dt.\]
积分 \(=1\)（当 s=k）或 \(0\)（s≠k，正交性：\(\int_{-\pi}^{\pi}\cos jt\,\mathrm dt=\int_{-\pi}^{\pi}\sin jt\,\mathrm dt=0\)）。只剩 \(p_k\)。∎
3 · 例题两道
例 1 · \(X\sim U[-\pi,\pi]\)，\(Y=\cos X\)：由 φ 认出 arcsine 分布 ★
用特征函数求 Y 的密度。
💡 破题关键与第一步提示（遮答案自测用 · 解答）
破题切入点：第一步：算 φ。 \[\varphi_Y(t)=E(e^{jt\cos X})=\frac1{2\pi}\int_{-\pi}^{\pi}e^{jt\cos x}\,\mathrm dx\q（👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！）
📝 完整规范推导与评分踩分点（解答）
第一步：算 φ。
\[\varphi_Y(t)=E(e^{jt\cos X})=\frac1{2\pi}\int_{-\pi}^{\pi}e^{jt\cos x}\,\mathrm dx\quad(\text{虚部为奇函数，去掉})=\frac1\pi\int_0^\pi\cos(t\cos x)\,\mathrm dx.\]
换元 \(u=\cos x\)（\(\mathrm dx=\mathrm du/\sqrt{1-u^2}\)，u 从 1 到 −1）：
\[\varphi_Y(t)=\frac1\pi\int_{-1}^{1}\frac{\cos(tu)}{\sqrt{1-u^2}}\,\mathrm du=\frac2\pi\int_0^1\frac{\cos(tu)}{\sqrt{1-u^2}}\,\mathrm du.\]
第二步：认领分布。观察这是“密度 \(f_Y(y)=\dfrac{2}{\pi\sqrt{1-y^2}}\ (0<y<1)\) 的特征函数”（正实偶函数）：
\[\int_0^1 e^{jty}\frac{2\,\mathrm dy}{\pi\sqrt{1-y^2}}=\frac2\pi\int_0^1\frac{\cos ty}{\sqrt{1-y^2}}\,\mathrm dy=\varphi_Y(t).\]
由唯一性定理：
\[f_Y(y)=\begin{cases}\dfrac{2}{\pi\sqrt{1-y^2}},&0<y<1,\\[4pt]0,&\text{其它}.\end{cases}\]
（arcsine 分布——\(\cos X\) 的取值向 ±1 聚集，正是“导数为零处密度爆炸”的样本。）∎
例 2 · \(\varphi_X(t)=\cos^2t\)：反推分布律
💡 破题关键与第一步提示（遮答案自测用 · 解答）
破题切入点：用欧拉公式拆： \[\cos^2t=\Big(\frac{e^{jt}+e^{-jt}}2\Big)^2=\frac14e^{2jt}+\frac12+\frac14e^{-2jt}=\fr（👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！）
📝 完整规范推导与评分踩分点（解答）
用欧拉公式拆：
\[\cos^2t=\Big(\frac{e^{jt}+e^{-jt}}2\Big)^2=\frac14e^{2jt}+\frac12+\frac14e^{-2jt}=\frac14e^{j\cdot2t}+\frac12e^{j\cdot0t}+\frac14e^{j(-2)t}.\]
对照“分布律的离散傅里叶展开” \(\varphi(t)=\sum_kp_ke^{jtx_k}\)，由唯一性定理：
\[P\{X=2\}=\tfrac14,\quad P\{X=0\}=\tfrac12,\quad P\{X=-2\}=\tfrac14.\]
（\(\varphi\) 是 \(e^{jtx_k}\) 的“坐标分解”——推论 3 的正交性保证读法唯一。）∎
4 · 多维特征函数与二维正态
定义 3.2
\(\varphi(t_1,t_2)=E\big[e^{j(t_1X+t_2Y)}\big]=\iint e^{j(t_1x+t_2y)}\,\mathrm dF(x,y)\)；n 维同理。
性质 3.5：\(\varphi(0,0)=1\)；\(|\varphi|\le1\)；\(\varphi(-t_1,-t_2)=\overline{\varphi(t_1,t_2)}\)；平面上一致连续；高维推低维：\(\varphi(t_1,0)=\varphi_X(t_1)\)，\(\varphi(0,t_2)=\varphi_Y(t_2)\)。
二维正态的特征函数 ★
\((X_1,X_2)\sim N(\mu_1,\sigma_1^2;\mu_2,\sigma_2^2;\rho)\)：
\[\varphi(t_1,t_2)=\exp\Big\{j(\mu_1t_1+\mu_2t_2)-\tfrac12\big(\sigma_1^2t_1^2+2\rho\sigma_1\sigma_2t_1t_2+\sigma_2^2t_2^2\big)\Big\}
=\exp\Big\{j\,\boldsymbol t^T\boldsymbol\mu-\tfrac12\boldsymbol t^T\Sigma\,\boldsymbol t\Big\},\]
\(\Sigma=\begin{pmatrix}\sigma_1^2&\rho\sigma_1\sigma_2\\ \rho\sigma_1\sigma_2&\sigma_2^2\end{pmatrix}\)。令 \(t_2=0\) 得边缘 \(\varphi_{X_i}(t_i)=e^{j\mu_it_i-\frac12\sigma_i^2t_i^2}\)——由唯一性定理 \(X_i\sim N(\mu_i,\sigma_i^2)\)（“边缘必正态”的特征函数快证）。
性质 3.6 · 线性组合
\[Z=aX+bY+c\ \Rightarrow\ \varphi_Z(t)=e^{jct}\,\varphi(ta,\,tb);\qquad\text{特别 } Z=X+Y:\ \varphi_Z(t)=\varphi(t,t).\]
例（课件 Ex.11）
\((X_1,X_2)\) 二维正态，\(E(X_k)=k\)，协方差矩阵 \(\Sigma=\begin{pmatrix}4&2\\2&4\end{pmatrix}\)（即 \(\varphi(t_1,t_2)=\exp\{j(t_1+2t_2)-2(t_1^2+t_1t_2+t_2^2)\}\)）。求 \(Y=X_1+X_2\) 的分布。
💡 破题关键与第一步提示（遮答案自测用 · 解答）
破题切入点：\[\varphi_Y(t)=\varphi(t,t)=\exp\{3jt-6t^2\}.（👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！）
📝 完整规范推导与评分踩分点（解答）
\[\varphi_Y(t)=\varphi(t,t)=\exp\{3jt-6t^2\}.\]
对照 \(N(\mu,\sigma^2)\) 的特征函数 \(e^{j\mu t-\frac12\sigma^2t^2}\)：\(\mu=3,\ \tfrac12\sigma^2=6\Rightarrow\sigma^2=12\)。由唯一性定理 \(Y\sim N(3,12)\)。∎
5 · 独立和定理：卷积变乘法 ★★
定理（独立性的特征函数刻画）
随机向量 \((X_1,\dots,X_n)\) 相互独立 ⟺
\[\varphi(t_1,\dots,t_n)=\prod_{k=1}^{n}\varphi_{X_k}(t_k).\]
特别取 \(t_1=\cdots=t_n=t\)，立即得到：
独立和定理 + 同分布推论 ★★
\(X_1,\dots,X_n\) 独立，\(Y=\sum_{k=1}^nX_k\)：
\[\varphi_Y(t)=\prod_{k=1}^n\varphi_{X_k}(t);\qquad\text{若再同分布：}\ \varphi_Y(t)=\big[\varphi_X(t)\big]^n.\]
（证明：\(\varphi_Y(t)=E e^{jt\sum X_k}=E\prod e^{jtX_k}\overset{\text{独立}}{=}\prod E e^{jtX_k}\)。）
大白话 · 为什么这是“最大杀招”
求独立和的分布，经典路线是卷积积分（笔记 05），又难又容易错；特征函数路线三步：各求 φ → 相乘 → 对照认领（唯一性定理）。ML 对照：集成学习多个独立基模型预测误差之和的分布、多层线性变换的累积效应、扩散模型多步高斯噪声叠加，都是这条定理的应用场景。
独立和定理的答题模板（证明题三段论）
证"两个独立随机变量之和的分布"，固定三段：① 各求——写出 \(X,Y\) 各自的特征函数（查表或积分）；② 相乘——独立性 ⟹ \(\varphi_{X+Y}(t)=\varphi_X(t)\varphi_Y(t)\)；③ 对照——把乘积化成某个标准分布的 φ 形状，由唯一性定理宣布同分布。三大战利品务必练熟：二项 = n 个 0-1 之和、正态可加性、指数和 = 爱尔朗（这道还同时是排队论课程的核心引理——一门课两处用）。易错：独立性是相乘的前提，题目没说独立不能直接乘；对照时要"凑"成标准形，别漏常数项。
6 · 例题三连
例 1 · 二项分布（课件 Ex.12）
\(Y\sim B(n,p)\)：把 Y 写成 \(Y=\sum_{k=1}^nX_k\)，\(X_k\sim B(1,p)\) 独立：
\[\varphi_Y(t)=\prod_{k=1}^n(q+pe^{jt})=(q+pe^{jt})^n.\]
（直接级数求和也得上同款——两条路互相验证。）例 2 · n 个标准正态之和（课件 Ex.13）
\(X_k\stackrel{iid}{\sim}N(0,1)\)，\(Y=\sum_{k=1}^nX_k\)：
\[\varphi_Y(t)=\big(e^{-t^2/2}\big)^n=e^{-nt^2/2}\ \Rightarrow\ Y\sim N(0,n).\]
课件勘误：此页结论处印为“N(0,1)”，由 \(\varphi_Y=e^{-nt^2/2}\) 对照应为 \(N(0,n)\)（方差是单者的 n 倍）。例 3 · 正态可加性（课件 p.29）
\(X_i\sim N(\mu_i,\sigma_i^2)\) 相互独立 ⟹ \(\sum_{i=1}^nX_i\sim N\big(\sum\mu_i,\ \sum\sigma_i^2\big)\)。
💡 破题关键与第一步提示（遮答案自测用 · 证明（三步曲））
破题切入点：① 各求：\(\varphi_{X_i}(t)=e^{j\mu_it-\frac12\sigma_i^2t^2}\)；（👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！）
📝 完整规范推导与评分踩分点（证明（三步曲））
① 各求：\(\varphi_{X_i}(t)=e^{j\mu_it-\frac12\sigma_i^2t^2}\)；② 相乘：
\[\varphi_{\sum}(t)=\prod_ie^{j\mu_it-\frac12\sigma_i^2t^2}=\exp\Big\{j\big(\textstyle\sum\mu_i\big)t-\frac12\big(\textstyle\sum\sigma_i^2\big)t^2\Big\};\]
③ 对照：这正是 \(N(\sum\mu_i,\sum\sigma_i^2)\) 的特征函数。∎
对比卷积法（课件 p.30 的表）：卷积法要算 \(\int f_X(x)f_Y(z-x)\mathrm dx\) 并配方、凑高斯积分；特征函数法只需指数相加——“复杂度：复杂 vs 简单”。这也解释了正态分布地位显赫的原因之一：对加法封闭，且它是中心极限定理的极限分布（特征函数逐点收敛证）。∎
7 · 自测与下一步
自 测
- 反演公式在哪些点恢复 F？唯一性定理在解题中扮演什么角色？
- φ 绝对可积 ⟹ ？密度与 φ 的关系式？
- 由 \(\varphi=\cos^2t\) 反推分布律的操作叫什么？依据什么保证唯一？
- 二维正态的 φ？“高维推低维”怎么用？
- 独立和定理两步证明？用它默推泊松分布再生性？
💡 破题关键与第一步提示（遮答案自测用 · 答案要点）
破题切入点：F 的连续点；“算出 φ 后对照标准分布”的合法性证书。（👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！）
📝 完整规范推导与评分踩分点（答案要点）
- F 的连续点；“算出 φ 后对照标准分布”的合法性证书。
- 须核查反演条件：例如若 \(\varphi\in L^1(\mathbb R)\)，则反演公式给出连续有界密度且积分绝对收敛。仅“X 连续型”不足以保证这一积分形式成立。
- 欧拉公式拆成 \(e^{jtx_k}\) 的线性组合，读系数；唯一性定理。
- 见第 4 节框；令其它分量为 0 得边缘 φ。
- \(E\prod=\prod E\)（独立）；\(Y_1\sim P(\lambda_1),Y_2\sim P(\lambda_2)\) 独立 ⟹ \(\varphi_{Y_1+Y_2}=e^{(\lambda_1+\lambda_2)(e^{jt}-1)}\) ⟹ \(P(\lambda_1+\lambda_2)\)。
下一份：进入第一章正题——随机过程的定义及分类：微积分类比下的全课程地图（均方极限/二阶矩空间）、积集上的二元函数、样本函数与状态空间、随机场，以及“照片 vs 录像”的正式版。