翻概率论教材，特征函数一章的定义只有一行：φ(t) = E[e^{itX}]，其中 i 是虚数单位。很多人觉得这行符号太抽象，直接跳过去，结果学到中心极限定理的证明时，整页整页看不懂，才回头补课。

它其实是分布的傅里叶变换

把一个随机变量的分布看成信号，特征函数就是对它做的一次傅里叶变换。密度函数和它一一对应，知道一个就能用逆变换还原另一个，分布的全部信息都被装进这一个函数里，说它是分布的另一张身份证不过分。数学上还能证明它对任何随机变量都存在，因为模长不会超过 1，永远不发散。傅里叶那套里的平移和缩放性质在这里照样成立，随机变量加减常数、乘常数，φ(t) 跟着做对应变换。

为什么不用矩母函数

矩母函数 M(t)=E[e^{tX}] 要求指数矩存在，柯西分布这类厚尾分布直接不存在，碰到就得抓瞎。φ(t) 里多了个 i，就凭任何分布都存在这一条它赢了。更顺手的是可加性：独立随机变量相加，和的 φ(t) 等于各自的相乘。独立和的密度本来要做卷积，而卷积在傅里叶变换下就是乘法，这招用到分布上，证明中心极限定理两三步收尾，比直接跟密度函数较劲轻松太多。

几个熟悉的对应关系

  • 标准正态分布对应 e^{−t²/2}，形态最干净
  • 泊松分布对应 exp(λ(e^{it}−1))
  • 均匀分布 U(−1,1) 对应 sin(t)/t

拿二项分布练一下手：单次伯努利的 φ(t)=1−p+pe^{it}，n 次独立相加就是自乘 n 次方，展开后跟直接算期望的结果完全对得上，全程不碰卷积。均值方差也不用另算，对 φ(t) 求导，在 t=0 处一阶导给出均值，二阶导配合一下就出方差。再提醒一句：两组数据可以均值方差全相同，分布却完全不同，靠数字特征区分不了它们，它能。

做工程平时用不上它很正常，这东西是纯理论工具；但只要往下读统计推断、随机过程和极限定理，特征函数就是绕不开的那道门，平稳过程里相关函数和功率谱的关系也是同一套傅里叶对子。教材里这章的习题值得亲手推几道，光看定义记不住。