특성함수 (Characteristic Function)

한 줄 정의: 확률변수에 허수 단위를 포함한 지수함수를 취해 얻는 기댓값으로, 모든 확률분포에 대해 항상 존재하며 분포를 유일하게 결정하는 함수.

쉽게 풀면

적률생성함수와 비슷한 역할을 하지만, 허수를 이용해 정의되기 때문에 어떤 확률분포에 대해서도 항상 계산할 수 있다는 장점이 있는 함수다. 두 확률변수의 특성함수가 같으면 두 분포는 완전히 같다고 결론지을 수 있어서, 이론적으로 분포를 비교하거나 극한분포를 증명할 때 핵심적인 도구로 쓰인다. 중심극한정리의 엄밀한 증명도 특성함수를 이용해 이루어진다.

왜 중요한가

특성함수는 확률분포를 대수적으로 다룰 수 있게 해 주는 강력한 다리 역할을 하기 때문에, 순수 확률론뿐 아니라 시계열분석, 금융공학, 신호처리 등 여러 응용 분야의 논문에서도 배경 이론으로 자주 등장한다. 두 분포가 같은지 비교하거나, 여러 확률변수의 합이 어떤 분포로 수렴하는지 밝히는 문제는 원래 분포함수 자체로는 다루기 까다로운데, 특성함수로 바꾸면 곱셈이나 합으로 훨씬 간단하게 정리된다. 이 때문에 새로운 통계적 방법론의 이론적 타당성을 증명하는 논문에서 특성함수가 핵심 근거로 쓰이는 경우가 많다.

핵심 정리

확률변수 X의 특성함수는 φ_X(t) = E[e^itX] (t는 실수)입니다. 밀도함수가 있으면 밀도함수의 푸리에 변환(부호만 반대)과 같습니다.

항상 존재: 적분하는 함수 e^itX의 크기가 1로 유계이므로, 적률생성함수와 달리 모든 분포에서 정의됩니다. 또한 φ(0) = 1이고 |φ(t)| ≤ 1입니다.
유일성: 두 확률변수의 특성함수가 같을 때, 그리고 그때에만 두 분포가 같습니다.
독립인 변수의 합: X₁, …, X_n이 독립이면 합의 특성함수는 각 특성함수의 곱입니다.
적률: k차 적률이 존재하면 φ를 k번 연속 미분할 수 있고 E[X^k] = i^−k φ^(k)(0)입니다.
수렴: 레비의 연속성 정리에 따르면 분포수렴은 특성함수의 각 점 수렴(극한함수가 원점에서 연속)과 동치이며, 이것이 중심극한정리의 고전적 증명에 쓰입니다.
역변환: 특성함수로부터 분포를 되찾는 반전공식이 있어, 특성함수는 알려져 있으나 분포함수는 간단히 쓰기 어려운 경우에 분포함수를 수치적으로 복원하는 데에도 쓰입니다(Waller 외, 1995). 정규분포 N(μ, σ²)의 특성함수는 e^{iμt − σ²t²/2}입니다.

예시로 보기

주사위 두 개의 합(가상의 계산). 공정한 주사위 한 개의 특성함수는 φ(t) = (e^it + e^2it + … + e^6it)/6입니다. t = 1에서 계산하면 φ(1) ≈ −0.0459 − 0.0172i입니다. 독립인 두 주사위 합 S의 특성함수는 곱 φ(t)²이므로 φ_S(1) ≈ 0.001814 + 0.001581i가 되고, 합의 분포(2~12의 확률 1/36, 2/36, …)로 E[e^iS]를 직접 계산해도 같은 값이 나옵니다.

평균 되찾기: t = 0 부근에서 수치 미분하면 φ′(0) ≈ 3.5i이므로 i⁻¹φ′(0) = 3.5로 한 주사위의 평균과 일치합니다.
분포 되찾기: S는 정수값이므로 P(S = 7) = (1/2π)∫_−π^π φ_S(t) e^−7it dt로 계산되며, 수치 적분 결과 0.16667로 6/36과 같았습니다.

코시분포의 경우. 표준 코시분포의 특성함수는 e^−|t|입니다. n개 표본평균의 특성함수는 (e^−|t|/n)ⁿ = e^−|t|로 한 개 관측값과 같으므로, 표본평균의 분포가 모집단 분포와 같아 표본을 늘려도 평균이 안정되지 않습니다.

자주 하는 오해

“적률생성함수와 같은 도구다” → 비슷한 역할을 하지만 적률생성함수가 정의되지 않는 분포(코시분포 등)에도 특성함수는 있습니다.
“미분하면 항상 적률이 나온다” → 해당 차수의 적률이 존재할 때만 그렇습니다. 코시분포의 e^−|t|는 t = 0에서 미분되지 않고, 이는 기댓값이 없음을 보여 줍니다.
“φ(t)의 값이 확률이다” → 복소수 값이고 크기가 1 이하일 뿐, 확률이 아닙니다. 확률은 반전공식 같은 변환을 거쳐 얻습니다.
“임의의 함수를 특성함수라 부를 수 있다” → 보흐너 정리에 따르면 함수가 어떤 확률변수의 특성함수이려면 양의 정부호이고 원점에서 연속이며 φ(0) = 1이어야 합니다.

논문에서는 이렇게 쓰입니다

실제 논문에서

이 용어를 직접 쓴 국내 논문 문장을 아직 수집하지 못했습니다. 수집되는 대로 출처와 함께 싣겠습니다.

예시 문장

아래는 용어의 쓰임을 보여 주려고 만든 예시로, 실제 논문에서 가져온 문장이 아닙니다.

"특성함수의 수렴을 통해 표본평균의 극한분포가 정규분포임을 보였다."

확률론에서 극한정리를 엄밀하게 증명하거나 분포의 존재와 유일성을 논할 때 사용되는 이론적 도구다.

"두 확률과정의 유한차원분포가 동일함을 특성함수의 일치를 통해 확인하였다."

확률과정 이론에서 서로 다른 방식으로 정의된 두 과정이 실제로 같은 분포를 갖는지 비교할 때, 분포함수 대신 특성함수의 동일성을 보이는 방식으로 논증을 전개하는 예시다.

"금융자산 수익률의 꼬리 위험을 분석하기 위해 특성함수 기반의 역푸리에변환으로 확률밀도함수를 근사적으로 복원하였다."

금융공학이나 계량경제학에서는 특성함수가 닫힌 형태로 알려져 있지만 확률밀도함수는 그렇지 않은 분포(예: 일부 점프-확산 모형)를 다룰 때, 특성함수로부터 밀도나 옵션 가격을 수치적으로 역산하는 실용적 용도로도 활용된다.

조금 더 깊게 보면

특성함수는 확률밀도함수(또는 확률질량함수)의 푸리에변환에 해당하며, 이 관계 덕분에 반전공식(inversion formula)을 통해 특성함수로부터 원래의 분포를 다시 복원할 수 있다. 또한 특성함수를 원점에서 미분하면 평균, 분산 등 각 차수의 적률을 순차적으로 얻어낼 수 있어, 적률생성함수가 존재하지 않는 분포에서도 적률 계산이 가능하다는 실용적 장점이 있다. 여러 독립인 확률변수의 합에 대한 특성함수는 각 변수의 특성함수를 단순히 곱한 값과 같다는 성질도 자주 활용되며, 이는 중심극한정리나 안정분포(stable distribution)와 같은 극한 이론을 다루는 논문에서 핵심적인 계산 도구로 쓰인다.

주의할 점

특성함수는 복소수 값을 다루는 추상적인 도구이므로, 실제 자료 분석보다는 확률론적 증명 과정에서 주로 등장한다는 점을 이해해야 한다.

헷갈리기 쉬운 용어

모두 분포를 함수 하나로 요약하지만 존재 조건과 쓰임이 다릅니다.

용어	정의	존재 여부
특성함수	E[e^(itX)] (t는 실수)	모든 분포에서 존재
적률생성함수	E[e^(tX)]	분포에 따라 존재하지 않을 수 있음(코시분포 등)
푸리에 변환	함수를 사인·코사인 성분으로 분해하는 변환	밀도함수가 있으면 특성함수는 그 푸리에 변환(부호 반대)과 같음

참고 문헌

Lukacs, E. (1970). Characteristic Functions. Hafner Publishing Co.
Ushakov, N. G. (1999). Selected Topics in Characteristic Functions. VSP.
Waller, L. A., Turnbull, B. W., & Hardin, J. M. (1995). Obtaining distribution functions by numerical inversion of characteristic functions with applications. The American Statistician, 49(4), 346–350.

표의 기준값은 위 문헌에 근거한 관례이며, 분야·학술지마다 다른 기준을 쓸 수 있습니다.