中心极限定理是概率论中一个极其重要的定理，它揭示了在大量独立同分布的随机变量求和的情况下，其分布会逐渐逼近正态分布。本文将从特征函数的角度深入探讨中心极限定理的奥秘，以期为读者提供一个全新的理解视角。
一、中心极限定理的基本概念
中心极限定理可以这样表述：设随机变量(X_1, X_2, \ldots, X_n)是独立同分布的随机变量，且(E(X_i) = \mu)，(D(X_i) = \sigma^2)（(i = 1, 2, \ldots, n)），则当(n)趋向于无穷大时，随机变量(Sn = \frac{1}{n}\sum{i=1}^n X_i)的分布函数(F_n(x))将趋近于标准正态分布的分布函数(F(x))。
二、特征函数与中心极限定理
特征函数是概率论中一个重要的工具，它描述了随机变量的分布情况。对于一个随机变量(X)，其特征函数定义为： [ \phi_X(t) = E(e^{itX}) ] 其中，(t)是实数，(i)是虚数单位。
1. 特征函数与正态分布
对于标准正态分布(N(0,1))，其特征函数为： [ \phi_{N(0,1)}(t) = e^{-\frac{1}{2}t^2} ]
2. 中心极限定理的特征函数证明
设随机变量(X_1, X_2, \ldots, X_n)是独立同分布的随机变量，且(E(X_i) = \mu)，(D(X_i) = \sigma^2)（(i = 1, 2, \ldots, n)），则随机变量(Sn = \frac{1}{n}\sum{i=1}^n Xi)的特征函数为： [ \phi{Sn}(t) = \phi{\frac{1}{n}\sum_{i=1}^n Xi}(t) = \phi{X_1}(t/n)^n ]
根据特征函数的性质，有： [ \phi_{X_1}(t/n)^n = \left(e^{it\frac{\mu}{n} - \frac{1}{2n^2}t^2\sigma^2}\right)^n = e^{it\mu - \frac{1}{2}t^2\sigma^2} ]
当(n)趋向于无穷大时，(\frac{\mu}{n})和(\frac{\sigma^2}{n^2})都趋向于0，因此： [ \phi_{S_n}(t) \xrightarrow{n\rightarrow\infty} e^{-\frac{1}{2}t^2} ]
即，随机变量(S_n)的特征函数趋近于标准正态分布(N(0,1))的特征函数。
3. 中心极限定理的直观解释
从特征函数的角度来看，中心极限定理表明，当独立同分布的随机变量求和时，其分布函数会逐渐逼近标准正态分布的分布函数。这是因为特征函数能够描述随机变量的分布情况，而标准正态分布具有最简单的特征函数形式。
三、结论
中心极限定理在概率论和统计学中具有重要的地位。通过特征函数的视角，我们可以更加深入地理解中心极限定理的内涵。在研究实际问题时，我们可以利用中心极限定理对随机变量的分布进行近似，从而为实际应用提供理论依据。