Характеристические функции могут сделать вычисления с участием сумм и разностей случайных величин действительно легкими. Mathematica имеет множество функций для работы со статистическими распределениями, включая встроенную функцию для преобразования распределения в его характеристическую функцию.
Я хотел бы проиллюстрировать это на двух конкретных примерах: (1) Предположим, что вы хотите определить результаты броска костей с разным числом сторон, например, бросить два шестигранных кубика плюс один восьмигранный кубик (т.е. , 2d6 + d8 )? Или (2) предположим, что вы хотели найти разницу между двумя бросками костей (например, d6-d6 )?
Простой способ сделать это - использовать характеристические функции лежащих в основе дискретных равномерных распределений. Если случайная величина имеет массовую функцию вероятности , то ее характеристическая функция является просто дискретным преобразованием Фурье от , то есть . Теорема говорит нам:f φ X ( t ) f φ X ( t ) = F { f } ( t ) = E [ e i t X ]Икс еφИкс( т )еφИкс( т ) = F{ ф} ( t ) = E[ ея т X]
Если независимые случайные величины и имеют соответствующие функции вероятности масс и , то pmf суммы этих RV является сверткой их pmfs .ИксYеграммчасИкс+ Yh ( n ) = ( f∗ г) ( n ) = ∑∞m = - ∞е( м ) г( п - м )
Мы можем использовать свойство свертки преобразований Фурье, чтобы переформулировать это более просто с точки зрения характеристических функций:
Характеристическая функция суммы независимых случайных величин и равна произведению их характеристических функций .φИкс+ Y( т )ИксYφИкс( т ) фY( т )
Эта функция Mathematica сделает характеристическую функцию для s-сторонней матрицы:
MakeCf [s_]: =
Модуль [{Cf},
Cf: = CharacteristicFunction [DiscreteUniformDistribution [{1, s}],
т];
Cf]
PMF распределения может быть восстановлен из его характеристической функции, потому что преобразования Фурье обратимы. Вот код Mathematica, чтобы сделать это:
RecoverPmf [Cf_]: =
Модуль [{F},
F [y_]: = SeriesCoefficient [Cf /. t -> -I * Log [x], {x, 0, y}];
F]
Продолжая наш пример, пусть F будет pmf, полученным в результате 2d6 + d8.
F := RecoverPmf[MakeCf[6]^2 MakeCf[8]]
Есть результатов. Область поддержки F: . Три минуты, потому что вы бросаете три кубика. А двадцать - это максимум, потому что . Если вы хотите увидеть изображение F, вычислить62⋅ 8 = 288S= { 3 , … , 20 }20 = 2 ⋅ 6 + 8
In: = F / @ Range [3, 20]
Out = {1/288, 1/96, 1/48, 5/144, 5/96, 7/96, 13/144, 5/48, 1/9, 1/9, \
5/48, 13/144, 7/96, 5/96, 5/144, 1/48, 1/96, 1/288}
Если вы хотите узнать количество результатов, равное 10, вычислите
In: = 6 ^ 2 8 F [10]
Out = 30
Если независимые случайные величины и имеют соответствующие функции вероятности масс и , то pmf разности этих RV является взаимной корреляцией их pmfs .ИксYеграммчасИкс- Yh ( n ) = ( f⋆ г) ( n ) = ∑∞m = - ∞е( м ) г( п + м )
Мы можем использовать свойство взаимной корреляции преобразований Фурье, чтобы переформулировать это более просто с точки зрения характеристических функций:
Характеристическая функция разности двух независимых случайных величин равна произведению характеристической функции и ( Примечание: отрицательный знак перед переменной t во второй характеристической функции).φИкс- Y( т )Икс, YφИкс( т )φY( - т )
Итак, используя Mathematica, найти pmf G d6-d6:
G := RecoverPmf[MakeCf[6] (MakeCf[6] /. t -> -t)]
Есть результатов. Область поддержки G: . -5 мин, потому что . И 5 это максимум, потому что . Если вы хотите увидеть изображение G, вычислить62= 36S= { - 5 , … , 5 }- 5 = 1 - 66 - 1 = 5
In: = G / @ Range [-5, 5]
Out = {1/36, 1/18, 1/12, 1/9, 5/36, 1/6, 5/36, 1/9, 1/12, 1/18, 1/36}