定理:Irwin-Hall 分布
对于 n 个在 [0,1] 内均匀分布的实数随机变量,它们的和不超过一个实数 z 的概率为:
F(z)=⌊z⌋∑k=0(−1)k(nk)(z−k)nn!
证明:
首先明确一个概念:概率密度。
对于一个随机变量 X,在 [0,1] 上定义概率密度 ρ(x),使得对于任意 t∈[0,1],有 ∫tx=0ρ(x)dx=P(X≤t) 成立。如果令 f(t)=P(X≤t),那么就有 ρ(t)=f′(t)。
那么对于 n 个随机变量 X1,X2,…,Xn,它们的和 ≤z 的概率即为:
P(∑Xi≤z)=∫xi∈[0,1],∑xi≤z∏ρi(xi)∏dxi(1)
可以将概率密度理解为线段 [0,1] 上密密地撒有很多很多带权的小点,如果一个随机变量 Xi 取到了点 xi,那么它就会产生 ρi(xi) 的权重。多个变量的权重即为每个变量单独的权重之积。仔细理解一下这样的定义是很合理的。
在 Irwin-Hall 分布里,所有随机变量是均匀随机的,所以 P(X≤t)=t,于是求导即可得 ρ(t)=1。
为了方便计算,我们将函数 ρ(x) 进行扩域。准确来说,原本的 ρ(x) 是定义在 [0,1] 上的,这也可以视为当 x∉[0,1] 时 ρ(x)=0;为了方便 (1) 式的计算,我们令 ρ(x)=ρ′(x)−ρ′′(x)(这里不是求导),其中 ρ′(x) 和 ρ′′(x) 的函数表达式和 ρ(x) 完全相同,只是 ρ′(x) 改为定义在 [0,+∞) 上,ρ′′(x) 改为定义在 [1,+∞) 上。这样 (1) 式的求和下标中上界就可以省去,有利于进一步的推导。
现在继续对 (1) 式的推导。
P(∑Xi≤z)=∫xi∈[0,1],∑xi≤z∏ρi(xi)∏dxi=∫xi∈[0,1],∑xi≤z∏(ρ′i(xi)−ρ′′i(xi))∏dxi=∑k(−1)k(nk)∫xi≥0,∑xi≤z−kk∏i=1ρ′′i(xi+1)n∏i=k+1ρ′i(xi)∏dxi(2)
式子中的 k 即枚举钦定了几个变量是大于 1 的,然后进行容斥。
对于 Irwin-Hall 分布来说,k∏i=1ρ′′i(xi+1)n∏i=k+1ρ′i(xi) 恒为 1,于是 (2) 式即为:(注意下标中 xi 之和 ≤z−k 而非 z)
∑k(−1)k(nk)∫xi≥0,∑xi≤z−k∏dxi(3)
考虑积分里面的式子。我们将 ∑xi≤z−k 视为在 z−k 内选出 n 个数 t1≤t2≤⋯≤tn,然后计算 ρ1(t1)×ρ2(t2−t1)×⋯×ρn(tn−tn−1)=1。然后发现 t1≤t2≤⋯≤tn 很烦,又发现贡献系数和 ti 的具体值毫无关系,于是可以直接变成 ti 在 [0,z−k] 内任选,然后乘上一个 1n! 的系数。于是 (3) 式即为:
⌊z⌋∑k=0(−1)k(nk)(z−k)nn!
Q.E.D.
本文作者:CharlieVinnie
本文链接:https://www.cnblogs.com/Charlie-Vinnie/p/17366993.html
版权声明:本作品采用知识共享署名-非商业性使用-禁止演绎 2.5 中国大陆许可协议进行许可。
【推荐】国内首个AI IDE,深度理解中文开发场景,立即下载体验Trae
【推荐】编程新体验,更懂你的AI,立即体验豆包MarsCode编程助手
【推荐】抖音旗下AI助手豆包,你的智能百科全书,全免费不限次数
【推荐】轻量又高性能的 SSH 工具 IShell:AI 加持,快人一步