第 12 讲 · 随机变量的和、商与特征函数：卷积公式 $f_X * f_Y$、傅里叶变换 $\Phi_X(\omega)$ 与柯西平均悖论

1.1 开篇直觉辨析：为什么 $Z = X + Y$ 的密度绝不是 $f_X + f_Y$ 或 $\frac{1}{2}(f_X + f_Y)$？（▶ P62 02:05–06:51）

加减乘除是数学最基本的运算，对于随机变量 $X$ 和 $Y$，我们首先关心它们的和 $Z = X + Y$（▶ P62 02:05）。 已知 $X \sim f_X$、$Y \sim f_Y$，$Z = X + Y$ 的密度是什么？张颢老师在 ▶ P62 03:05–03:30 首先枪毙了初学者的直觉错误：

• 直接写 $f_X + f_Y$ 显然错（总积分为 $2 \neq 1$）；
• 哪怕除以 $2$ 写成算术平均 $\frac{1}{2}\bigl(f_X(z) + f_Y(z)\bigr)$ 也绝对不是 $X+Y$ 的密度！（注：$\frac{1}{2}(f_X+f_Y)$ 是每次试验先抛硬币二选一、抽一个样本输出的概率混合 Mixture，而不是把两个随机变量的数值真正加在一起！）
• 正确的离散直觉（▶ P62 04:04–06:51）：考察离散和 $\mathbb{P}(Z = n) = \mathbb{P}(X + Y = n)$。要凑出总和 $n$，可以是 $(X=n, Y=0)$、$(X=n-1, Y=1)$、$(X=n-2, Y=2)\dots$ 也就是说，$X$ 取某个值 $k$ 时，$Y$ 必须取补过去的差值 $n - k$！当 $X$ 与 $Y$ 相互独立时： $$\mathbb{P}(X + Y = n) = \sum_{k} \mathbb{P}(X = k,\; Y = n - k) \xlongequal{X\perp Y} \sum_{k} \mathbb{P}(X = k)\,\mathbb{P}(Y = n - k)$$ 这正是大家在《信号与系统》中极为熟悉的卷积（Convolution）！

---

1.2 从定义出发：半平面二重积分严格推导连续卷积公式（▶ P62 07:13–14:35）

遵循本课“一切从分布函数定义出发”的铁律，张颢老师在黑板上用积分变量 $(r, s)$ 和目标上限 $t$ 写出了连续型随机变量和 $Z = X + Y$ 的分布函数（▶ P62 07:50–10:59）：

1. 半平面区域积分：事件 $\{X + Y \le t\}$ 对应二维平面上直线 $r + s = t$ 左下方的无穷半平面： $$F_Z(t) = \mathbb{P}(X + Y \le t) = \iint_{r + s \le t} f_{X,Y}(r, s)\,\mathrm{d}r\,\mathrm{d}s = \int_{-\infty}^{\infty} \mathrm{d}r \int_{-\infty}^{t - r} f_{X,Y}(r, s)\,\mathrm{d}s$$
2. 对 $t$ 求导得一般和密度与独立卷积公式（▶ P62 11:21–14:35）： 两端对上限中的参数 $t$ 求导（内层变上限积分对 $t$ 求导直接把 $s = t - r$ 代入被积函数），立得： $$f_Z(t) = \frac{\mathrm{d}F_Z(t)}{\mathrm{d}t} = \int_{-\infty}^{\infty} f_{X,Y}(r,\; t - r)\,\mathrm{d}r \quad\xlongequal{X\perp Y}\quad \int_{-\infty}^{\infty} f_X(r)\,f_Y(t - r)\,\mathrm{d}r = (f_X * f_Y)(t)$$

---

1.3 张颢黑板三大经典算例：示性函数 $\mathbf{1}_{I}(r)$ 定限法（▶ P62 15:23–P63 16:11）

算卷积最怕积分上下限搞错！张颢老师传授了一套百试百灵的黑板绝活——把分段定义域直接写成示性函数（Indicator Function）$\mathbf{1}_{I}(\cdot)$ 带进积分号，靠解不等式交集自动锁定上下限：

算例 ①：两个独立均匀分布之和 $\operatorname{Unif}(0,1) + \operatorname{Unif}(0,1) \implies$ 三角形分布（▶ P62 15:23–21:41）

• 设 $X, Y \stackrel{\text{i.i.d.}}{\sim} \operatorname{Unif}(0,1)$，密度写为 $f_X(r) = \mathbf{1}_{[0,1]}(r)$。代入卷积公式（▶ P62 16:59）： $$f_Z(t) = \int_{-\infty}^{\infty} \mathbf{1}_{[0,1]}(r) \cdot \mathbf{1}_{[0,1]}(t - r)\,\mathrm{d}r$$
• 解示性函数交集（▶ P62 17:25–18:34）：被积函数非零当且仅当 $\begin{cases} 0 \le r \le 1 \\ 0 \le t - r \le 1 \iff t - 1 \le r \le t \end{cases}$ 同时成立！
  • 当 $0 \le t \le 1$（即 $t - 1 \le 0$，▶ P62 19:12）时，交集为 $0 \le r \le t$，故 $f_Z(t) = \int_0^t 1\,\mathrm{d}r = t$；
  • 当 $1 < t \le 2$（即 $t - 1 > 0$，▶ P62 20:12）时，交集为 $t - 1 \le r \le 1$，故 $f_Z(t) = \int_{t-1}^1 1\,\mathrm{d}r = 1 - (t - 1) = 2 - t$；
  • 其余 $t$ 处交集为空，$f_Z(t) = 0$。

  结论（▶ P62 20:34–21:41）：两个矩形窗（均匀分布）卷积，得到了支撑集在 $[0,2]$ 上的对称三角形分布（Triangular Distribution）！

算例 ②：两个独立同参数指数分布之和 $\operatorname{Exp}(\lambda) + \operatorname{Exp}(\lambda) \implies \Gamma(2,\lambda)$（▶ P63 00:00–05:06）

• 设 $X, Y \stackrel{\text{i.i.d.}}{\sim} \operatorname{Exp}(\lambda)$，密度写为 $f_X(r) = \lambda e^{-\lambda r}\,\mathbf{1}_{[0,\infty)}(r)$。代入卷积公式（▶ P63 01:38–03:47）： $$f_Z(t) = \int_{-\infty}^{\infty} \lambda e^{-\lambda r}\,\mathbf{1}_{[0,\infty)}(r) \cdot \lambda e^{-\lambda(t-r)}\,\mathbf{1}_{[0,\infty)}(t - r)\,\mathrm{d}r = \lambda^2 e^{-\lambda t} \int_{-\infty}^{\infty} \mathbf{1}_{\{r \ge 0\}}\,\mathbf{1}_{\{r \le t\}}\,\mathrm{d}r$$ 注意到指数上的 $-\lambda r$ 与 $+\lambda r$ 恰好相消！当 $t \ge 0$ 时，交集为 $0 \le r \le t$，一步积出： $$f_Z(t) = \lambda^2 t\,e^{-\lambda t}\,\mathbf{1}_{[0,\infty)}(t) \sim \Gamma(2, \lambda) \quad (\text{即 2 阶 Erlang 分布！})$$ 这从卷积角度严格印证了第 10 讲“等待两个指数时间之和服从 Gamma/Erlang 分布”的结论（▶ P63 04:35）！

算例 ③：两个独立指数分布之差 $Z = X - Y$：时域互相关导出双边指数 Laplace 分布（▶ P63 05:06–16:11）

• 如果把和改成差 $Z = X - Y = X + (-Y)$，密度公式变成什么？张颢老师指出（▶ P63 05:31–06:34）：如果说“和”是信号里的卷积（Convolution），那么“差”就是信号里的时域互相关（Cross-Correlation）（两个自变量同向递增相加）： $$f_{X-Y}(t) = \int_{-\infty}^{\infty} f_X(t + r)\,f_Y(r)\,\mathrm{d}r$$
• 代入 $X, Y \stackrel{\text{i.i.d.}}{\sim} \operatorname{Exp}(\lambda)$（▶ P63 08:30–10:30）：此时指数项 $-\lambda(t+r)$ 与 $-\lambda r$ 不再抵消，而是合成 $-2\lambda r$： $$f_Z(t) = \lambda^2 e^{-\lambda t} \int_{-\infty}^{\infty} e^{-2\lambda r}\,\mathbf{1}_{[0,\infty)}(r)\,\mathbf{1}_{[0,\infty)}(t + r)\,\mathrm{d}r$$
• 按 $t$ 的正负分两段求交集 $r \ge \max(0, -t)$（▶ P63 11:06–13:52）：
  • 当 $t \ge 0$ 时，$-t \le 0$，积分从 $0$ 到 $\infty$：$f_Z(t) = \lambda^2 e^{-\lambda t} \cdot \frac{1}{2\lambda} = \frac{\lambda}{2}e^{-\lambda t}$；
  • 当 $t < 0$ 时，$-t > 0$，积分从 $-t$ 到 $\infty$：$f_Z(t) = \lambda^2 e^{-\lambda t} \cdot \frac{e^{2\lambda t}}{2\lambda} = \frac{\lambda}{2}e^{\lambda t}$。
• 合并为绝对值（▶ P63 13:52–15:45）：对一切 $t \in \mathbb{R}$，得到著名的拉普拉斯分布（Laplace Distribution / 双边指数分布）： $$f_{X-Y}(t) = \frac{\lambda}{2}e^{-\lambda |t|}, \qquad t \in \mathbb{R}$$ 张颢老师特别强调（▶ P63 14:48–15:45）：Laplace 分布是典型的重尾分布（Heavy-Tailed）——相比于高斯分布以二次指数 $e^{-t^2/2}$ 极速衰减的“轻尾”，Laplace 的尾巴仅按一次指数 $e^{-\lambda|t|}$ 衰减，因此在远离中心处出现极端大值的概率显著高于高斯分布！

2.1 为什么要引入特征函数？——逃离直接卷积配方的泥潭（▶ P64 01:06–08:33）

在算完均匀分布和指数分布的卷积后，张颢老师在 ▶ P64 02:07–05:03 提出了一个紧迫的问题：如果 $X \sim \mathcal{N}(\mu_1, \sigma_1^2)$、$Y \sim \mathcal{N}(\mu_2, \sigma_2^2)$ 都是高斯分布，我们要算 $Z = X + Y$ 的密度，直接代卷积公式会遇到什么？ $$f_Z(t) = \int_{-\infty}^{\infty} \frac{1}{\sqrt{2\pi}\sigma_1}e^{-\frac{(r-\mu_1)^2}{2\sigma_1^2}} \cdot \frac{1}{\sqrt{2\pi}\sigma_2}e^{-\frac{(t-r-\mu_2)^2}{2\sigma_2^2}}\,\mathrm{d}r$$ 指数上是两个关于积分变量 $r$ 的二次型相加，虽然硬着头皮配方也能算出来，但如果有 $n$ 个独立高斯变量相加，直接做 $n-1$ 重卷积配方简直是噩梦（▶ P64 04:40–05:03）！

怎么把讨厌的“卷积”变成简单的“相乘”？信号与系统早已给出了标准答案——傅里叶变换（Fourier Transform，▶ P64 05:36–06:28）！在概率论中，对概率密度做傅里叶反变换（不带 $\frac{1}{2\pi}$ 系数，指数取 $+j\omega x$ 或 $+jtx$，张颢老师采用电子工程习惯记虚数单位为 $j=\sqrt{-1}$、频率变量为 $\omega$ 或 $t$）得到的函数，有一个专属名字叫做特征函数（Characteristic Function，▶ P64 06:28–08:33）： $$\varphi_X(\omega) = \mathbb{E}\bigl[e^{j\omega X}\bigr] = \int_{-\infty}^{\infty} f_X(x)\,e^{j\omega x}\,\mathrm{d}x \qquad \bigl(\text{或记作 } \varphi_X(t) = \mathbb{E}[e^{jtX}]\bigr)$$

---

2.2 特征函数的三大核心魔力（▶ P64 09:11–17:34）

1. 魔力 ①：独立和的卷积直接化为代数乘积（▶ P64 09:11–11:23） 原本在底数上相加很棘手的 $X + Y$，一旦搬到指数上方，立即变成指数相乘；再由 $X$ 与 $Y$ 独立，期望直接拆开： $$\varphi_{X+Y}(\omega) = \mathbb{E}\bigl[e^{j\omega(X+Y)}\bigr] = \mathbb{E}\bigl[e^{j\omega X} \cdot e^{j\omega Y}\bigr] \xlongequal{X\perp Y} \mathbb{E}\bigl[e^{j\omega X}\bigr] \cdot \mathbb{E}\bigl[e^{j\omega Y}\bigr] = \varphi_X(\omega)\,\varphi_Y(\omega)$$
2. 魔力 ②：傅里叶变换对的一一对应（唯一性定理，▶ P64 11:23–12:54） 为什么它敢叫“特征”函数？因为特征函数与概率分布之间构成傅里叶变换对，具有严格的一一对应（唯一性）！分布里包含的一切统计信息都被特征函数完整涵盖——它是分布的一个极其好算的“全权代理（Proxy）”。
3. 魔力 ③：求导赋值直接算任意阶矩，彻底免去积分（▶ P64 13:20–17:34） 由于在做特征函数时已经把积分做完了，现在若想求期望 $\mathbb{E}[X]$ 或 $n$ 阶原点矩 $\mathbb{E}[X^n]$，根本无需再积分，只需对频率变量 $\omega$ 求导并令 $\omega = 0$（以消去指数项 $e^{j\omega X}\big|_{\omega=0}=1$）再除以 $j^n$： $$\frac{\mathrm{d}^n \varphi_X(\omega)}{\mathrm{d}\omega^n} = \mathbb{E}\bigl[(jX)^n e^{j\omega X}\bigr] = j^n\,\mathbb{E}\bigl[X^n e^{j\omega X}\bigr] \quad\xrightarrow{\omega = 0}\quad \mathbb{E}[X^n] = \frac{1}{j^n}\,\varphi_X^{(n)}(0) = j^{-n}\,\varphi_X^{(n)}(0)$$ 特别地，一阶矩（数学期望）就是 $\mathbb{E}[X] = \frac{1}{j}\varphi_X'(0)$（▶ P64 13:53–16:11）！

---

2.3 黑板重头戏：复平面配方推导高斯特征函数与高斯再生性（▶ P64 18:00–P65 06:04）

现在让我们用特征函数回头收拾高斯分布 $X \sim \mathcal{N}(\mu, \sigma^2)$！张颢老师在 ▶ P64 18:00–P65 01:43 完整展示了黑板复平面配方过程：

1. 合并指数项（▶ P64 18:32–19:46）： $$\varphi_X(\omega) = \int_{-\infty}^{\infty} \frac{1}{\sqrt{2\pi}\sigma} \exp\!\left(-\frac{(x - \mu)^2}{2\sigma^2} + j\omega x\right) \mathrm{d}x$$
2. 在指数上对 $(x - \mu)$ 配完全平方（▶ P64 20:19–P65 00:37）： 将 $j\omega x$ 改写为 $j\omega(x - \mu) + j\omega\mu$，把含 $(x-\mu)$ 的项提取公因式 $-\frac{1}{2\sigma^2}$ 配方（注意 $(j\omega\sigma^2)^2 = -\omega^2\sigma^4$）： $$-\frac{1}{2\sigma^2}\Bigl[(x - \mu)^2 - 2(x - \mu)(j\omega\sigma^2) + (j\omega\sigma^2)^2\Bigr] + j\mu\omega - \frac{1}{2}\sigma^2\omega^2 = -\frac{\bigl(x - (\mu + j\omega\sigma^2)\bigr)^2}{2\sigma^2} + j\mu\omega - \frac{1}{2}\sigma^2\omega^2$$
3. 利用高斯归一化积分为 $1$ 一步得出结果（▶ P65 00:37–01:43）： 把与 $x$ 无关的 $\exp\bigl(j\mu\omega - \frac{1}{2}\sigma^2\omega^2\bigr)$ 提到积分号外，剩下的被积函数恰好是均值为 $\mu + j\omega\sigma^2$、方差为 $\sigma^2$ 的高斯密度，全实轴积分恒等于 $1$！由此得到高斯分布特征函数： $$\varphi_X(\omega) = \exp\!\left(j\mu\omega - \frac{1}{2}\sigma^2\omega^2\right)$$
4. 一行证明独立高斯之和仍为高斯（高斯线性不变性 / 再生性，▶ P65 02:28–06:04）： 设 $X \sim \mathcal{N}(\mu_1, \sigma_1^2)$ 与 $Y \sim \mathcal{N}(\mu_2, \sigma_2^2)$ 相互独立，则 $Z = X + Y$ 的特征函数为： $$\varphi_{X+Y}(\omega) = \varphi_X(\omega)\,\varphi_Y(\omega) = \exp\!\Bigl(j(\mu_1 + \mu_2)\omega - \frac{1}{2}(\sigma_1^2 + \sigma_2^2)\omega^2\Bigr)$$ 观察指数结构：一次项系数是 $\mu_1 + \mu_2$，二次项系数是 $\sigma_1^2 + \sigma_2^2$，形态与高斯特征函数如出一辙！由唯一性定理立知： $$X + Y \sim \mathcal{N}(\mu_1 + \mu_2,\; \sigma_1^2 + \sigma_2^2), \qquad \sum_{k=1}^n X_k \sim \mathcal{N}\!\left(\sum_{k=1}^n \mu_k,\; \sum_{k=1}^n \sigma_k^2\right)$$

---

2.4 离散分布的对应物：Poisson 可加性与矩母/生成函数（Z 变换，▶ P65 06:55–17:15）

如果遇到离散随机变量（如 $X \sim \operatorname{Pois}(\lambda_1),\; Y \sim \operatorname{Pois}(\lambda_2)$ 独立），张颢老师展示了两种证法：

• 方法一（离散卷积 + 二项式定理，▶ P65 07:19–10:33）： $$\mathbb{P}(X+Y=n) = \sum_{k=0}^n e^{-\lambda_1}\frac{\lambda_1^k}{k!}\,e^{-\lambda_2}\frac{\lambda_2^{n-k}}{(n-k)!} = \frac{e^{-(\lambda_1+\lambda_2)}}{n!}\sum_{k=0}^n \binom{n}{k}\lambda_1^k \lambda_2^{n-k} = \frac{(\lambda_1+\lambda_2)^n}{n!}e^{-(\lambda_1+\lambda_2)} \sim \operatorname{Pois}(\lambda_1+\lambda_2)$$
• 方法二（离散 Z 变换 / 生成函数 $\mathbb{E}[z^X]$，▶ P65 10:33–17:15）： 正如连续变量用傅里叶变换 $\mathbb{E}[e^{j\omega X}]$，离散变量最适合用信号处理中的 Z 变换（课本与习题课称为矩母/生成函数 $\Psi_X(z) = \mathbb{E}[z^X]$）： $$\Psi_X(z) = \mathbb{E}[z^X] = \sum_{k=0}^{\infty} z^k e^{-\lambda}\frac{\lambda^k}{k!} = e^{-\lambda} e^{\lambda z} = e^{\lambda(z - 1)} \quad\Longrightarrow\quad \Psi_{X+Y}(z) = e^{\lambda_1(z-1)}e^{\lambda_2(z-1)} = e^{(\lambda_1+\lambda_2)(z-1)}$$ 张颢老师点破两者的统一性（▶ P65 14:45–15:14）：当复变量 $z$ 取在复平面单位圆 $z = e^{j\omega}$ 上时，生成函数 $\mathbb{E}[z^X]$ 就变成了特征函数 $\mathbb{E}[e^{j\omega X}]$！

3.1 商的分布 $Z = X / Y$：为什么公式里会出现绝对值 $|s|$？（▶ P66 00:31–07:52）

研究完加减法后，张颢老师在 ▶ P66 01:33 转向随机变量的除法：设 $\mathbb{P}(Y = 0) = 0$，求商 $Z = \frac{X}{Y}$ 的概率密度 $f_Z(t)$。 依然从分布函数定义 $F_Z(t) = \mathbb{P}\bigl(\frac{X}{Y} \le t\bigr)$ 出发（▶ P66 02:39）。但请注意：当我们想把分母 $Y$ 乘到不等式右边去化为 $X$ 的上下限时，不等号方向取决于分母 $Y$ 的正负（▶ P66 03:04–04:39）！

1. 将积分区域按 $s > 0$（正半轴）与 $s < 0$（负半轴）拆成两块：
   • 当 $s > 0$ 时，$\frac{r}{s} \le t \iff r \le st$（对 $r$ 从 $-\infty$ 积到 $st$）；
   • 当 $s < 0$ 时，$\frac{r}{s} \le t \iff r \ge st$（不等号反向！对 $r$ 从 $st$ 积到 $+\infty$）： $$F_Z(t) = \int_0^{\infty} \mathrm{d}s \int_{-\infty}^{st} f_{X,Y}(r, s)\,\mathrm{d}r + \int_{-\infty}^0 \mathrm{d}s \int_{st}^{\infty} f_{X,Y}(r, s)\,\mathrm{d}r$$
2. 两端对 $t$ 求导并合二为一（▶ P66 05:10–07:52）： 第一项中 $st$ 在积分上限，求导出来 $+s$；第二项中 $st$ 在积分下限，求导出来一个负号变成 $-s$（而当 $s < 0$ 时，$-s = |s| > 0$）！两项合并，即得著名的商分布密度公式： $$f_{X/Y}(t) = \int_0^{\infty} s\,f_{X,Y}(st, s)\,\mathrm{d}s + \int_{-\infty}^0 (-s)\,f_{X,Y}(st, s)\,\mathrm{d}s = \int_{-\infty}^{\infty} |s|\,f_{X,Y}(st, s)\,\mathrm{d}s$$ 当 $X$ 与 $Y$ 相互独立时，直接写为 $f_{X/Y}(t) = \int_{-\infty}^{\infty} |s|\,f_X(st)\,f_Y(s)\,\mathrm{d}s$。

---

3.2 黑板推导：两个独立标准高斯之商服从 Cauchy（柯西）分布（▶ P66 08:26–12:06）

如果 $X, Y \stackrel{\text{i.i.d.}}{\sim} \mathcal{N}(0, 1)$ 都是标准高斯分布，把它们相除 $Z = X / Y$ 会得到什么？ 代入 $f_X(st) = \frac{1}{\sqrt{2\pi}}e^{-s^2 t^2 / 2}$ 与 $f_Y(s) = \frac{1}{\sqrt{2\pi}}e^{-s^2 / 2}$（▶ P66 08:50–11:29）： $$f_Z(t) = \int_{-\infty}^{\infty} |s| \cdot \frac{1}{2\pi} e^{-\frac{1 + t^2}{2}s^2}\,\mathrm{d}s \xlongequal{\text{偶函数对称}} 2 \cdot \frac{1}{2\pi} \int_0^{\infty} s\,e^{-\frac{1 + t^2}{2}s^2}\,\mathrm{d}s$$ 看到前面的因子 $s\,\mathrm{d}s = \frac{1}{2}\mathrm{d}(s^2)$，张颢老师笑着说（▶ P66 11:29）：“高斯本身积不出来，但前面多乘了一个 $s$ 反而成了小意思，立马就积出来了！” $$f_Z(t) = \frac{1}{\pi} \left[ -\frac{1}{1 + t^2} e^{-\frac{1 + t^2}{2}s^2} \right]_0^{\infty} = \frac{1}{\pi(1 + t^2)}, \qquad t \in (-\infty, +\infty)$$ 这个在全实轴上以多项式 $\frac{1}{1+t^2}$ 缓慢衰减的分布，就是大名鼎鼎的标准柯西分布（Cauchy Distribution，▶ P66 12:06）！

---

3.3 为什么柯西分布的均值为何不是 0，而是“不存在”？——广义积分 vs 柯西主值（▶ P66 12:43–16:39）

观察柯西密度 $f_Z(t) = \frac{1}{\pi(1+t^2)}$：高斯尾巴是 $e^{-t^2/2}$（极轻），拉普拉斯尾巴是 $e^{-\lambda|t|}$（指数级），而柯西尾巴连指数都不是，仅仅是二次代数式 $1/t^2$！ 它的拖尾重到了什么程度？柯西分布的各阶矩（包括一阶矩均值 $\mathbb{E}[Z]$）全部不存在（▶ P66 13:08）！

• 同学们的普遍疑惑（▶ P66 13:40）：“老师，$\int_{-\infty}^{\infty} \frac{t}{\pi(1+t^2)}\,\mathrm{d}t$ 被积函数明明是奇函数，奇函数在对称区间 $(-\infty, +\infty)$ 上积分难道不等于 $0$ 吗？”
• 张颢老师的微积分严格澄清（▶ P66 14:04–16:11）： 在数学分析中，双侧无穷广义积分 $\int_{-\infty}^{\infty}$ 收敛的定义是上下限必须各自独立取极限 $\lim_{\substack{A \to -\infty \\ B \to +\infty}} \int_A^B \frac{t}{\pi(1+t^2)}\,\mathrm{d}t$ 存在！而 $\frac{t}{1+t^2} \sim \frac{1}{t}$，原函数 $\frac{1}{2\pi}\ln(1+t^2)$ 在两端均发散为 $\infty - \infty$，因此在严格广义积分（及 Lebesgue 绝对可积）意义下，该积分发散，数学期望不存在！ 只有当你人为强行绑定上下限以相同速度对称趋于无穷： $$\operatorname{P.V.}\int_{-\infty}^{\infty} \frac{t}{\pi(1+t^2)}\,\mathrm{d}t := \lim_{A \to +\infty} \int_{-A}^{A} \frac{t}{\pi(1+t^2)}\,\mathrm{d}t = 0$$ 它才等于 $0$——而这个特殊极限在数学分析中恰恰就叫柯西主值（Cauchy Principal Value，▶ P66 15:36），正是因为 Cauchy 最早深入研究了这类发散积分的对称主值！

---

3.4 全讲最高潮：为什么对 $N$ 个独立柯西变量取算术平均，依然压不住它的随机性？（▶ P66 16:39–21:17）

在课程最后 5 分钟，张颢老师展示了柯西分布最令人瞠目结舌的性质。 查表或由傅里叶对偶性可知，标准柯西分布 $f(t) = \frac{1}{\pi(1+t^2)}$ 的特征函数是双边指数函数（▶ P66 17:12）： $$\varphi_X(\omega) = e^{-|\omega|}$$ 现在，设有 $N$ 个相互独立且同服从标准柯西分布的随机变量 $X_1, X_2, \dots, X_N$，我们做实验测量时最喜欢求它们的算术平均（Sample Mean）： $$\bar{X}_N = \frac{X_1 + X_2 + \cdots + X_N}{N}$$ 我们来算算这个平均值 $\bar{X}_N$ 的特征函数是什么（▶ P66 18:02–20:23）：

1. 把常数 $\frac{1}{N}$ 结合到频率变量 $\omega$ 上：$\mathbb{E}\bigl[e^{j\omega (X_k / N)}\bigr] = \mathbb{E}\bigl[e^{j(\omega/N) X_k}\bigr] = \varphi_{X_k}\!\left(\frac{\omega}{N}\right) = e^{-|\omega| / N}$；
2. 由独立性，$N$ 项之和的特征函数等于各自特征函数的乘积： $$\varphi_{\bar{X}_N}(\omega) = \prod_{k=1}^N \varphi_{X_k}\!\left(\frac{\omega}{N}\right) = \underbrace{e^{-|\omega|/N} \cdot e^{-|\omega|/N} \cdots e^{-|\omega|/N}}_{N\text{ 个相乘}} = \exp\!\left(-N \cdot \frac{|\omega|}{N}\right) = e^{-|\omega|} = \varphi_{X_1}(\omega)\,!!$$

张颢老师课堂结语（▶ P66 20:23–21:17）： “大家看清楚了吗？！两个柯西加起来除以 2，$N$ 个独立柯西加起来除以 $N$，它的特征函数依然是 $e^{-|\omega|}$，与单个柯西分布完完全全一模一样！通常我们认为多次测量取平均可以有效减小随机性（大数定律告诉我们当 $N\to\infty$ 时平均值会收敛到常数均值）；但对于柯西分布，大数定律彻底失效——柯西分布的随机性太强了，你不管平均多少次，它岿然不动，平均了半天它仍然是它自身！”