在概率论与数理统计中，特征函数是一个非常有用的工具，它可以帮助我们研究随机变量的分布性质。特征函数能够将一个随机变量的概率分布转化为一个复变函数，从而便于我们分析和计算。本文将通过具体的例题，帮助读者轻松掌握如何利用特征函数求解分布列的特征函数。
例题一：求均匀分布U(0,1)的特征函数
解题思路：
- 首先，我们需要知道均匀分布U(0,1)的概率密度函数（PDF）。
- 然后，根据特征函数的定义，将PDF代入计算。
解答：
- 均匀分布U(0,1)的PDF为： [ f(x) = \begin{cases} 1 & \text{if } 0 \leq x \leq 1 \ 0 & \text{otherwise} \end{cases} ]
- 特征函数的定义为： [ \phi(t) = \int_{-\infty}^{\infty} e^{itx} f(x) \, dx ]
- 将PDF代入，得到： [ \phi(t) = \int_{0}^{1} e^{itx} \, dx ]
- 计算积分： [ \phi(t) = \left[ \frac{e^{itx}}{it} \right]_{0}^{1} = \frac{e^{it} - 1}{it} ]
例题二：求二项分布B(n,p)的特征函数
解题思路：
- 了解二项分布B(n,p)的定义和概率质量函数（PMF）。
- 根据特征函数的定义，将PMF代入计算。
解答：
- 二项分布B(n,p)的PMF为： [ P(X = k) = \binom{n}{k} p^k (1-p)^{n-k}, \quad k = 0, 1, 2, \ldots, n ]
- 特征函数的定义为： [ \phi(t) = \sum_{k=0}^{n} e^{itk} P(X = k) ]
- 将PMF代入，得到： [ \phi(t) = \sum_{k=0}^{n} e^{itk} \binom{n}{k} p^k (1-p)^{n-k} ]
- 使用二项式定理，我们可以将上式化简为： [ \phi(t) = (pe^{it} + (1-p))^n ]
例题三：求正态分布N(μ,σ²)的特征函数
解题思路：
- 了解正态分布N(μ,σ²)的定义和PDF。
- 根据特征函数的定义，将PDF代入计算。
解答：
- 正态分布N(μ,σ²)的PDF为： [ f(x) = \frac{1}{\sqrt{2\pi\sigma^2}} e^{-\frac{(x-\mu)^2}{2\sigma^2}} ]
- 特征函数的定义为： [ \phi(t) = \int_{-\infty}^{\infty} e^{itx} f(x) \, dx ]
- 将PDF代入，得到： [ \phi(t) = \int_{-\infty}^{\infty} e^{itx} \frac{1}{\sqrt{2\pi\sigma^2}} e^{-\frac{(x-\mu)^2}{2\sigma^2}} \, dx ]
- 通过变换变量和积分技巧，我们可以得到： [ \phi(t) = e^{i\mu t - \frac{1}{2}t^2\sigma^2} ]
通过以上例题的解析，我们可以看到，利用特征函数求解分布列的特征函数是一个系统性的过程。首先，要熟悉各种分布的定义和概率函数；其次，掌握特征函数的定义和计算方法；最后，通过具体的例题进行实战演练，逐步提高自己的解题能力。希望本文能够帮助你更好地理解和掌握特征函数的应用。