粗糙地,示性函数大约是类似

事件发生

的函数,将事件的发生转化为数字。这在概统乃至图论、算法问题中,也许可以给出有趣的思路。

期望与方差的计算

二项分布

我们熟知的二项分布,做 次伯努利实验,成功概率为 ,那么二项分布给出成功次数的概率。对于成功次数的期望,最直接的方法是计算

同时我们可以这么拆解:

每一次伯努利都独立,所以期望和方差都可以分别相加。伯努利实验的期望和方差是 和 ,那么直接乘以 就得到二项分布的结论。

几何分布

做 次伯努利实验,第 次才成功的概率分布。实际上直接写出是容易的: 。至于期望和方差,直接计算:

并不容易直接计算,注意到这是 的导数乘以 ,得到 。 运用示性函数,我们让其指示需不需要做第 次实验,则

每个示性函数的期望即为概率 ,前 次未成功即会需要第 次实验。那么利用期望的线性就得到

方差则不那么简单,不管怎么样,都是利用 ,那么也就是要计算 。一般直接拆解 ,然后同样构造辅助函数求两次导。也可以利用示性函数,但是就比较神秘,注意到

取期望得到

要算一个更复杂的需要求导的几何级数( 总之也就算出来

负二项分布

做伯努利实验成功 次所需次数的分布。我们可以拆解成 个几何分布,因为几何分布的无记忆性,直接期望和方差乘以 即可。

在其他地方

不动点

有 n 个人,每人有一顶帽子,帽子随机分配,每种排列等概率。令 X 为拿到自己帽子的人数。让示性函数指示每个人是否拿到,就直接得到期望为 1.

随机图的边数

考虑 n 个顶点的无向简单图。每一对不同顶点之间,以概率 p 独立地决定是否连边。让示性函数指示每条边是否连,直接得到期望为 。

总的来说,可以把一件大事拆解成很简单的小事的累加。