Le funzioni caratteristiche possono rendere davvero facili i calcoli che coinvolgono le somme e le differenze di variabili casuali . Mathematica ha molte funzioni per lavorare con le distribuzioni statistiche, incluso un incorporato per trasformare una distribuzione nella sua funzione caratteristica.
Vorrei illustrarlo con due esempi concreti: (1) Supponiamo di voler determinare i risultati del lancio di una raccolta di dadi con un numero diverso di lati, ad es. Tirare due dadi a sei facce più un dado a otto facce (es. , 2d6 + d8 )? Oppure (2) supponi di voler trovare la differenza tra due lanci di dadi (ad es. D6-d6 )?
Un modo semplice per farlo sarebbe usare le funzioni caratteristiche delle distribuzioni uniformi discrete sottostanti. Se una variabile casuale ha una funzione di massa di probabilità , la sua funzione caratteristica è solo la trasformata di Fourier discreta di , ovvero, . Un teorema ci dice:X fφX(t)fφX(t)=F{f}(t)=E[eitX]
Se le variabili casuali indipendenti e hanno corrispondenti funzioni di massa di probabilità e , allora il pmf della somma di questi camper è la convoluzione dei loro pmfs .XYfghX+Yh(n)=(f∗g)(n)=∑∞m=−∞f(m)g(n−m)
Possiamo usare la proprietà di convoluzione di Fourier Transforms per ribadire questo più semplicemente in termini di funzioni caratteristiche:
La funzione caratteristica della somma delle variabili casuali indipendenti e uguale al prodotto delle loro funzioni caratteristiche .φX+Y(t)XYφX(t)φY(t)
Questa funzione di Mathematica renderà la funzione caratteristica di uno stampo su un lato:
MakeCf [s_]: =
Modulo [Cf {},
Cf: = CharacteristicFunction [DiscreteUniformDistribution [{1, s}],
t];
Cf]
Il pmf di una distribuzione può essere recuperato dalla sua funzione caratteristica, perché le trasformate di Fourier sono invertibili. Ecco il codice Mathematica per farlo:
RecoverPmf [Cf_]: =
Modulo [{F},
F [y_]: = SeriesCoefficient [Cf /. t -> -I * Log [x], {x, 0, y}];
F]
Continuando il nostro esempio, sia F il pmf che risulta da 2d6 + d8.
F := RecoverPmf[MakeCf[6]^2 MakeCf[8]]
Ci sono risultati. Il dominio di supporto di F è . Tre è il minimo perché stai tirando tre dadi. E venti è il massimo perché . Se vuoi vedere l'immagine di F, calcola62⋅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}
Se vuoi sapere il numero di risultati che ammontano a 10, calcola
In: = 6 ^ 2 8 F [10]
Out = 30
Se le variabili casuali indipendenti e hanno corrispondenti funzioni di massa di probabilità e , allora il pmf della differenza di questi camper è la correlazione incrociata dei loro pmfs .XYfghX−Yh(n)=(f⋆g)(n)=∑∞m=−∞f(m)g(n+m)
Possiamo usare la proprietà di correlazione incrociata delle trasformazioni di Fourier per ribadirla più semplicemente in termini di funzioni caratteristiche:
La funzione caratteristica della differenza di due variabili casuali indipendenti uguale al prodotto della funzione caratteristica e ( NB il segno negativo davanti alla variabile t nella seconda funzione caratteristica).X , Y φ X ( t ) φ Y ( - t )φX−Y(t)X,YφX(t)φY(−t)
Quindi, usando Mathematica per trovare il pmf G di d6-d6:
G := RecoverPmf[MakeCf[6] (MakeCf[6] /. t -> -t)]
Ci sono risultati. Il dominio di supporto di G è . -5 è il minimo perché . E 5 è il massimo perché . Se vuoi vedere l'immagine di G, calcolaS = { - 5 , … , 5 } - 5 = 1 - 6 6 - 1 = 562=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}