🔢 mathematics

The distribution of the de Moivre experiment

本文介绍了从德·莫弗（de Moivre）随机实验中导出的 $s$ -伯努利分布和 bi $^s$ nomial 分布，分析了它们的概率性质，并确立了当 $n \to \infty$ 时它们向泊松分布和正态分布的收敛性。

原作者： Hacène Belbachir, Hamza Zeggada

发布于 2026-06-16

📖 1 分钟阅读🧠 深度阅读

原作者： Hacène Belbachir, Hamza Zeggada

原始论文根据 CC0 1.0（http://creativecommons.org/publicdomain/zero/1.0/）发布到公有领域。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下你正在经营一个嘉年华游戏。在经典版本中，你有一枚硬币。你抛掷它，它要么正面朝上（1），要么反面朝上（0）。如果你抛掷很多次，结果会遵循一个著名的模式，叫做二项分布（Binomial Distribution）。这就是大家都熟知的“抛硬币”模型。

现在，想象你在升级这个游戏。你的不再是两面的硬币，而是一个拥有 $s+1$ 面的特殊骰子。假设这些面上的数字分别是 0, 1, 2，直到 $s$ 。当你掷这个骰子时，你得到的不仅仅是“成功”或“失败”，你还会得到具体的点数。

这篇论文探讨的是当你将这个特殊的骰子掷 $n$ 次并将所有得到的点数相加时会发生什么。你们通过这种“多面”游戏探索了数学规则，他们称之为 de Moivre 实验（以一位曾研究过类似问题的 18 世纪数学家命名）。

以下是他们研究结果的简单拆解：

1. 新的“骰子”规则（s-伯努利分布）

首先，他们研究了单次掷出这个特殊骰子的情形。

旧方式： 硬币有两个结果。
新方式： 这个骰子有 $s+1$ 个结果（0 到 $s$ ）。
转折点： 落在每个数字上的概率并不一定相等。作者建立了一个系统，使得获得高分数的概率与一个“成功”概率（ $p$ ）和一个“失败”概率（ $q$ ）相关联。
结果： 他们创建了一个新公式（s-伯努利分布），用于计算单次投掷的平均得分和得分通常的变动程度（方差）。他们还研究了如何计算“偏度”（曲线是否不对称？）和“峰度”（峰值是尖锐还是平坦？）。

2. 总分（双项分布/Bisnomial Distribution）

接下来，他们问道：“如果我把这个骰子掷 $n$ 次，并将所有点数相加，会发生什么？”

在硬币的世界里，将 $n$ 次抛掷的结果相加会得到二项分布。
在这个新世界里，将这个 $s+1$ 面骰子的 $n$ 次投掷结果相加，则会得到双项分布（Bisnomial Distribution）。
他们证明了这种新分布拥有自己的一套规则，用于计算平均值、方差和复杂的模式（阶矩）。他们甚至将这些模式与一些高级数学工具联系起来，例如欧拉数（Eulerian numbers）和贝尔多项式（Bell polynomials），这些就像是帮助数学家预测数据形状的秘密代码。

3. 奇妙的转化（收敛性）

最令人兴奋的部分是，当你在进行极大量的次数（当 $n$ 趋向于无穷大）玩这个游戏时，会发生什么。作者展示了这个复杂的“多面骰子”游戏开始看起来像两种非常著名的、更简单的模式：

稀有事件转化（泊松分布）：
如果游戏的设定是获得高分是非常罕见的（就像中彩票一样），但你玩了数百万次，那么高分的总数最终会遵循泊松分布（Poisson Distribution）。
- 类比： 想象你在一百万次投掷中，去计算某个特定且罕见的数字出现的次数。即使你的骰子很复杂，那些罕见出现的次数最终会稳定在一个简单、可预测的模式中，即泊松分布。作者证明，即使有了这些新的“多面”规则，这种情况依然成立。
人群转化（正态分布）：
如果你玩了很多次，且得分不是太罕见，那么总分就会开始形成一个完美的钟形曲线（正态分布）。
- 类比： 想象一群人。如果你询问一个人的身高，这是随机的。但如果你询问一百万人并计算他们的平均身高，结果总是会形成一个光滑、对称的山丘。作者证明，无论你的骰子有多少面，只要你掷的次数足够多，总分总会形成这个完美的山丘。这是著名的“中心极限定理”的一个版本。

4. 为什么这很重要（根据论文所述）

作者指出，虽然“抛硬币”（2 面）已经被研究了几个世纪，但“多面骰子”（多于 2 面）在概率论中直到现在才得到广泛关注。

他们实际上是在说：“我们终于为这种特定类型的骰子游戏编写了一份完整的说明书。”
他们提供了计算平均值、离散程度和结果形状的公式。
他们证明了即使这个游戏比抛硬币更复杂，但在大规模进行时，它仍然遵循相同的自然终极法则（收敛于泊松分布和正态分布）。

总结： 这篇论文通过对一个此前从未被完整建模的复杂多面骰子游戏进行研究，写下了如何计算概率的规则，并证明了如果你玩得足够久，它会神奇地简化为统计学中最著名的两个模式：用于描述稀有事件的泊松分布，以及用于描述钟形曲线的正态分布。

技术摘要：德·莫弗实验的分布

问题陈述与动机
本文旨在解决概率建模领域中关于“德·莫弗实验”（de Moivre experiment）的历史性空白。虽然亚伯拉罕·德·莫弗在其 1711 年的著作《机会学说》（The Doctrine of Chances）中，分析了在掷 $n$ 个具有 $(s+1)$ 个面的骰子时，获得特定总和 $k$ 的组合问题，但该实验所遵循的概率分布在文献中尚未得到正式开发。从历史上看，当面数等于 2（即硬币投掷）时，导出了伯努利分布和二项分布。然而，对于在 $\{0, 1, \dots, s\}$ 上呈均匀分布（其中 $s > 1$ ）的推广情况，直到 2000 年代相关系数的简化表达式被确立后，才得以进行建模。作者旨在将这一实验形式化，定义相关的概率律，并研究其极限行为。

方法论与定义
本研究通过定义基本随机变量及其相关分布展开：

$s$ -伯努利分布（ $s$ -Bernoulli Distribution）： 作者定义了一个随机变量 $X$ ，代表一个具有 $(s+1)$ 个面的单个骰子的结果，其取值范围为 $\{0, 1, \dots, s\}$ 。其概率质量函数由参数 $p$ （成功概率）和 $q$ （失败概率）进行参数化，并设有特定约束以确保概率之和为 1。
- 推导了两种情况下的生成函数 $G_X(t)$ （即 $p \neq q$ 和 $p = q$ 的情况）。
- 提供了期望和方差的显式公式。
- 建立了该分布的阶矩与扩展欧拉数 $A(n, k, s)$ 之间的关系。对于 $p=q$ 的情况，其阶矩使用伯努利数进行表示。
双二项分布（Bisnomial Distribution）： 通过独立重复进行 $n$ 次 $s$ -伯努利实验，作者定义了双二项分布，记作 $B^{(s)}(n, p)$ 。其概率质量函数涉及双二项系数 $\binom{n}{k}_s$ ，该系数计算了将 $k$ 个点分配到 $n$ 个具有 $(s+1)$ 个面的骰子中的方法数。
- 推导了双二项分布的生成函数，该函数为 $s$ -伯努利生成函数的 $n$ 次幂。
- 建立了期望和方差的公式。
- 高阶矩通过部分贝尔多项式（partial Bell polynomials）进行表示，从而将该分布与组合结构联系起来。

关键结果：极限分布
本文的核心理论贡献在于证明了双二项分布在 $n \to \infty$ 的特定极限条件下具有收敛性。

向泊松分布收敛：
作者证明，如果试验次数 $n$ 无限增加，同时总和的期望值保持不变（ $\lambda_s$ ），则双二项分布收敛于参数为 $\lambda_s$ 的泊松分布。
- 证明过程利用隐函数定理来近似处理 $n \to \infty$ 时参数 $p_n$ 与 $q_n$ 之间的关系。
- 通过将这些参数展开为幂级数并应用引理 5.2（该引理确立了归一化双二项系数 $\binom{n}{k}_s / n^k$ 的极限），作者论证了概率质量函数收敛于 $\frac{\lambda_s^k}{k!} e^{-\lambda_s}$ 。
- 文中指出，这一结果支持了历史上的观点，即泊松分布应归功于德·莫弗，因为他在 1711 年将其作为二项分布的极限推导出来，早于泊松 1837 年的工作。
向正态分布收敛：
本文确立了对于较大的 $n$ ，双二项分布趋近于正态分布。
- 通过**矩生成函数（MGF）**法，作者分析了标准化变量 $Z = \frac{X - E(X)}{\sigma_s}$ 。
- 通过对 MGF 进行泰勒级数展开，他们表明随着 $n \to \infty$ ， $Z$ 的 MGF 收敛于 $e^{t^2/2}$ ，即标准正态分布的 MGF。
- 这证实了双二项分布满足一个类似于经典二项分布的中心极限定理，其均值 $\mu_s$ 和方差 $\sigma_s^2$ 均由 $s$ -伯努利分布的参数导出。

意义与主张
本文声称提供了针对具有一般面数 $(s+1)$ 的德·莫弗实验的首次全面概率模型化。通过引入 $s$ -伯努利和双二项分布，作者将经典的二项框架扩展到了更广泛的组合背景下。

该工作的意义在于：

历史背景： 它弥合了德·莫弗 1711 年组合引理与现代概率论之间的鸿沟，正式定义了此前仅处于隐含状态的分布律。
数学推广： 它将二项分布（ $s=1$ 时）推广到双二项情况，提供了涉及欧拉多项式和贝尔多项式的阶矩、生成函数以及偏度和峰度系数的显式公式。
极限行为： 它严谨地证明了这些广义分布收敛于泊松分布和正态分布，从而将德·莫弗实验与概率论的基本极限定理统一起来。

作者保持了适度的研究范围，严格专注于这些分布的定义、性质及极限情况，未提出超出所呈现的数学证明之外的新实验应用或未来影响。

1. 新的“骰子”规则（s-伯努利分布）

2. 总分（双项分布/Bisnomial Distribution）

3. 奇妙的转化（收敛性）

4. 为什么这很重要（根据论文所述）

类似论文