Answers:
不,它不统一
您可以计算出绝对差异的可能性
second 1 2 3 4 5 6
first
1 0 1 2 3 4 5
2 1 0 1 2 3 4
3 2 1 0 1 2 3
4 3 2 1 0 1 2
5 4 3 2 1 0 1
6 5 4 3 2 1 0
给出了绝对差的概率分布
0 6/36 1/6
1 10/36 5/18
2 8/36 2/9
3 6/36 1/6
4 4/36 1/9
5 2/36 1/18
仅使用有关概率和实数的最基本公理,就可以证明一种更强有力的陈述:
任何两个独立的,均匀分布的非恒定随机值 永远不会具有离散的均匀分布。
(连续变量的类似陈述已在Uniform PDF中证明了两个rv的差。)
这个想法是,为极值的机会必须小于为零的机会,因为只有一种方法(例如)使最大化,而有许多方法可以使差为零。 ,因为和具有相同的分布,因此可以彼此相等。这是详细信息。
首先观察到,假设的两个变量和只能以有限的概率获得个具有正概率的值,因为将至少存在不同的差异,并且均匀分布将它们分配为均等的概率。如果是无限的,那么具有正等概率的可能差异的数目也将是无限的,因此它们的机会之和将是无限的,这是不可能的。
其次,由于差异的数量是有限的,因此差异最大。最大差异只能减去的最小的值时可以实现 --let称之为,并假设它具有概率 --from的最大值 --let的呼叫的一个与 因为和是独立的,所以发生这种差异的机会就是这些机会的乘积,
最后,由于和具有相同的分布,因此有很多方法可以使它们的差产生值 在这些方法中,有和 由于此分布是非恒定的,因此与不同。这表明这两种情况都是不相交的事件,因此,他们必须贡献至少量的机会,为零;那是,
由于数字的方块不在负,从那里我们从推断的是
表示的分布不均匀,即QED。
绝对差异的相似分析注意到,因为和具有相同的分布,这要求我们研究相同的代数技术产生几乎相同的结果,但是有可能和即方程系统具有唯一解对应于一个公平的硬币(一个“双面模”)。除此例外之外,绝对差的结果与差的结果相同,并且由于已经给出的相同的基本原因:即,当存在两个以上不同的差时,两个iid随机变量的绝对差不能均匀分布很有可能。
让我们将此结果应用于这个问题,该问题询问一些更复杂的问题。
模型中的管芯的每一个独立辊(这可能是一个不公平的与随机变量模) 在这些观察到的差异辊是数字 我们可能想知道这些个数是如何均匀分布的。这的确是一个关于统计预期的问题:什么是预期数量例如等于零?什么是预期数量等于? 等等
这个问题的问题的方面是,是不独立的:例如,和涉及相同的辊
但是,这并不是真正的困难。由于统计期望是添加剂和所有差异具有相同的分布,如果我们挑选任何可能的值的差异,期望次数的差等于的整个序列中辊只是倍的预期数在该过程的单个步骤中,乘积之差等于。该单步的期望是(对于任何)。这些预期将是所有相同(即统一)当且仅当它们是用于单个相同 但是,我们已经看到,没有有一个均匀分布,即使在芯片可能有偏差。 因此,即使在期望频率的这种较弱的意义上,辊的差异也不均匀。
从直觉上讲,只有在所有随机事件的可能性均相同的情况下,随机事件才能均匀分布。
对于所讨论的随机事件是否是如此-两个骰子掷骰之间的绝对差?
在这种情况下,只需看极端即可—这种差异可能取最大和最小的值是多少?
显然0是最小的(我们正在研究绝对差异,并且掷骰子可以相同),而5是最大的(6
vs 1
)。
我们可以通过显示事件0
发生的可能性更大(或更少),从而表明事件是不一致的5
。
乍一看,只有5种发生的方式是两种-如果第一个骰子是6个,第二个骰子是1个,或者 反之亦然。0可以通过几种方式发生?
如亨利所言,均匀分布的差异不是均匀分布的。
为了用模拟数据说明这一点,我们可以使用一个非常简单的R脚本:
barplot(table(sample(x=1:6, size=10000, replace=T)))
我们看到这确实产生了均匀的分布。现在,让我们看一下来自该分布的两个随机样本的绝对差的分布。
barplot(table(abs(sample(x=1:6, size=10000, replace=T) - sample(x=1:6, size=10000, replace=T))))
其他人已经进行了计算,我会给您一个对我来说似乎更直观的答案。您想研究rv(Z = X +(-Y))的两个uni之和,整体分布是(离散)卷积积:
通过信号处理,我们知道卷积积如何表现:
一般而言,我们知道,通过卷积稳定的唯一函数是高斯家族的函数。即通过加法(或更一般而言,线性组合),只有高斯分布是稳定的。这也意味着在组合均匀分布时不会获得均匀分布。
至于为什么得到这些结果,答案在于这些函数的傅里叶分解。卷积积的傅里叶变换是每个函数的傅里叶变换的简单积。这给出了矩形函数和三角形函数的傅里叶系数之间的直接链接。