À l'époque, les gens utilisaient des tables de logarithme pour multiplier les nombres plus rapidement. Pourquoi est-ce? Les logarithmes convertissent la multiplication en addition, puisque . Donc, afin de multiplier deux grands nombres a et b , vous avez trouvé leurs logarithmes, ajouté les logarithmes, z = log ( a ) + log ( b ) , puis recherché exp ( z ) sur une autre table.log(ab)=log(a)+log(b)abz=log(a)+log(b)exp(z)
Maintenant, les fonctions caractéristiques font la même chose pour les distributions de probabilité. Supposons que a une distribution f et que Y a une distribution g , et que X et Y sont indépendants. Alors la distribution de X + Y est la convolution de f et g , f ∗ g .XfYgXYX+Yfgf∗g
Maintenant , la fonction caractéristique est une analogie du « truc table logarithme » pour convolution, car si est la fonction caractéristique de f , alors la relation suivante:ϕff
ϕfϕg=ϕf∗g
De plus, également comme dans le cas de logarithmes, il est facile de trouver l'inverse de la fonction caractéristique: donnée où h est une densité inconnue, on peut obtenir h par la transformée de Fourier inverse φ h .ϕhhhϕh
La fonction caractéristique convertit la convolution en multiplication pour les fonctions de densité de la même manière que les logarithmes convertissent la multiplication en addition pour les nombres. Les deux transformations convertissent une opération relativement compliquée en une opération relativement simple.
charles.y.zheng
la source
@ charles.y.zheng et @ cardinal ont donné de très bonnes réponses, je vais ajouter mes deux sous. Oui, la fonction caractéristique peut sembler être une complication inutile, mais c'est un outil puissant qui peut vous aider à obtenir des résultats. Si vous essayez de prouver quelque chose avec la fonction de distribution cumulative, il est toujours conseillé de vérifier s'il est impossible d'obtenir le résultat avec la fonction caractéristique. Cela donne parfois des preuves très courtes.
Bien que, dans un premier temps, la fonction caractéristique apparaisse comme une manière peu intuitive de travailler avec des distributions de probabilités, il existe quelques résultats puissants qui y sont directement liés, ce qui implique que vous ne pouvez pas écarter ce concept comme un simple amusement mathématique. Par exemple, mon résultat préféré en théorie des probabilités est que toute distribution divisible à l'infini possède la représentation unique de Lévy-Khintchine . Combiné au fait que les distributions infiniment divisibles sont la seule distribution possible pour les limites des sommes de variables aléatoires indépendantes (à l'exclusion des cas bizarres), il en résulte un résultat profond à l'aide duquel le théorème de la limite centrale est dérivé.
la source
Le but des fonctions caractéristiques est qu'elles peuvent être utilisées pour dériver les propriétés des distributions en théorie des probabilités. Si de telles dérivations ne vous intéressent pas, vous n'avez pas besoin de vous familiariser avec les fonctions caractéristiques.
la source
La fonction caractéristique est la transformée de Fourier de la fonction de densité de la distribution. Si vous avez une intuition concernant les transformations de Fourier, ce fait peut être éclairant. L'histoire commune des transformations de Fourier est qu'elles décrivent la fonction "dans l'espace des fréquences". Puisqu'une densité de probabilité est généralement unimodale (du moins dans le monde réel ou dans les modèles élaborés à partir du monde réel), cela ne semble pas très intéressant.
la source
La transformation de Fourier est une décomposition de la fonction (non périodique) dans ses fréquences. Interprétation pour les densités?
La transformation de Fourier est la version continue d'une série de Fourier puisqu'aucune densité n'est périodique, aucune expression n'est similaire à "série caractéristique".
la source