使用 Matlab 绘制中心极限定理的 PDF 和 CDF 图

Question

我正在努力绘制

的 PDF 和 CDF 图

Sn=X1+X2+X3+....+Xn using central limit theorem where n = 1; 2; 3; 4; 5; 10; 20; 40 I am taking Xi to be a uniform continuous random variable for values between (0,3).

Here is what i have done so far - 
close all
%different sizes of input X
%N=[1 5 10 50];
N = [1 2 3 4 5 10 20 40];

%interval (1,6) for random variables
a=0;
b=3;

%to store sum of differnet sizes of input
for i=1:length(N)
    %generates uniform random numbers in the interval
    X = a + (b-a).*rand(N(i),1);
    S=zeros(1,length(X));
    S=cumsum(X);
    cd=cdf('Uniform',S,0,3);
    plot(cd);
    hold on;
end
legend('n=1','n=2','n=3','n=4','n=5','n=10','n=20','n=40');
title('CDF PLOT')
figure;

for i=1:length(N)
%generates uniform random numbers in the interval
    X = a + (b-a).*rand(N(i),1);
    S=zeros(1,length(X));
    S=cumsum(X);
    cd=pdf('Uniform',S,0,3);
    plot(cd);
    hold on;
end
legend('n=1','n=2','n=3','n=4','n=5','n=10','n=20','n=40');
title('PDF PLOT')

我的输出与我期望的相去甚远，非常感谢任何帮助。

Answer 1

这可以通过使用 rand() and cumsum() 的向量化来完成。

例如，下面的代码生成 40 个 10000 个样本的 Uniform(0,3) 分布并存储在 X 中。为了满足 Central Limit Theorem (CLT) assumptions, they are independent and identically distributed (i.i.d.). Then cumsum() 将其转换为 Sn = X1 + X2 + ... 的 10000 份，其中第一行是 Sn = X1 的 n = 10000 份，第 5 行是 n 份 S_5 = X1 + X2 + X3 + X4 + X5。最后一行是 S_40 的 n 个副本。

% MATLAB R2019a
% Setup
N = [1:5 10 20 40];    % values of n we are interested in
LB = 0;                % lowerbound for X ~ Uniform(LB,UB)
UB = 3;                % upperbound for X ~ Uniform(LB,UB)
n = 10000;             % Number of copies (samples) for each random variable

% Generate random variates
X = LB + (UB - LB)*rand(max(N),n);     % X ~ Uniform(LB,UB)    (i.i.d.)
Sn = cumsum(X);

从图中可以看出，在n = 2的情况下，求和确实是三角（0,3,6）分布。对于 n = 40 情况，总和近似服从正态分布（高斯分布），均值为 60 (40*mean(X) = 40*1.5 = 60)。这显示了 probability density function (PDF) and the cumulative distribution function (CDF).

的分布收敛

注意：CLT 通常表示其分布收敛到均值为零的正态分布，因为它已被移动。通过从 Sn 中减去 mean(Sn) = n*mean(X) = n*0.5*(LB+UB) 来移动结果。

下面的代码不是黄金标准，但它产生了图像。

figure
s(11) = subplot(6,2,1)  % n = 1
    histogram(Sn(1,:),'Normalization','pdf')
    title(s(11),'n = 1')
s(12) = subplot(6,2,2)
    cdfplot(Sn(1,:))
    title(s(12),'n = 1') 
s(21) = subplot(6,2,3)   % n = 2
    histogram(Sn(2,:),'Normalization','pdf')
    title(s(21),'n = 2')
s(22) = subplot(6,2,4)
    cdfplot(Sn(2,:))
    title(s(22),'n = 2') 
s(31) = subplot(6,2,5)  % n = 5
    histogram(Sn(5,:),'Normalization','pdf')
    title(s(31),'n = 5')
s(32) = subplot(6,2,6)
    cdfplot(Sn(5,:))
    title(s(32),'n = 5') 
s(41) = subplot(6,2,7)  % n = 10
    histogram(Sn(10,:),'Normalization','pdf')
    title(s(41),'n = 10')
s(42) = subplot(6,2,8)
    cdfplot(Sn(10,:))
    title(s(42),'n = 10') 
s(51) = subplot(6,2,9)   % n = 20
    histogram(Sn(20,:),'Normalization','pdf')
    title(s(51),'n = 20')
s(52) = subplot(6,2,10)
    cdfplot(Sn(20,:))
    title(s(52),'n = 20') 
s(61) = subplot(6,2,11)   % n = 40
    histogram(Sn(40,:),'Normalization','pdf')
    title(s(61),'n = 40')
s(62) = subplot(6,2,12)
    cdfplot(Sn(40,:))
    title(s(62),'n = 40') 
sgtitle({'PDF (left) and CDF (right) for Sn with n \in \{1, 2, 5, 10, 20, 40\}';'note different axis scales'})

for tgt = [11:10:61 12:10:62]
    xlabel(s(tgt),'Sn')
    if rem(tgt,2) == 1
        ylabel(s(tgt),'pdf')
    else                           %  rem(tgt,2) == 0
        ylabel(s(tgt),'cdf')
    end
end

用于绘图的关键函数：histogram() from base MATLAB and cdfplot() from the Statistics toolbox. Note this could be done manually without requiring the Statistics toolbox with a few lines to obtain the cdf and then just calling plot()。

评论中对 Sn 的方差存在一些担忧。

注意 Sn 的方差由 (n/12)*(UB-LB)^2 给出（推导如下）。 Monte Carlo 模拟显示我们的 Sn 样本确实具有正确的方差；事实上，随着 n 变大，它会收敛到这一点。只需调用 var(Sn(40,:)).

% with n = 10000
var(Sn(40,:))         % var(S_40) = 30   (will vary slightly depending on random seed)
(40/12)*((UB-LB)^2)   % 29.9505

可以看到S_40收敛的很好:

step = 0.01;
Domain = 40:step:80;

mu = 40*(LB+UB)/2;
sigma = sqrt((40/12)*((UB-LB)^2));

figure, hold on
histogram(Sn(40,:),'Normalization','pdf')
plot(Domain,normpdf(Domain,mu,sigma),'r-','LineWidth',1.4)
ylabel('pdf')
xlabel('S_n')

Sn 的均值和方差的推导：

_{对于期望（均值），第二个等式通过期望的线性成立。第三个等式成立，因为 X_i 是同分布的。}

它的离散版本是。

使用 Matlab 绘制中心极限定理的 PDF 和 CDF 图

PDF and CDF plot for central limit theorem using Matlab

matlab

probability

cumulative-sum

cdf

probability-density