Signed Probability Distribution（带号概率分布）的数值模拟

《Mathematics》：Simulation of Signed Probability Distributions

　　

负概率（Negative Probability）的概念已有近百年历史，迄今在扩展概率（Extended Probability）理论发展方向已取得若干成果。然而，目前仍严重缺乏计算方法与工具。本文旨在填补这一空白。研究人员首次给出了带号概率分布（Signed Probability Distribution）数值模拟的数个算例（包括Feynman问题），并展示了利用所开发软件工具箱得到的模拟结果。所提出的方法与结果有望拓展带号概率在量子计算（Quantum Computing）、决策（Decision Making）、金融（Finance）、保险（Insurance）、大语言模型（Large Language Model；LLM）与人工智能（Artificial Intelligence；AI）等领域的应用，凡此领域中带号概率分布可提升现有数学建模水平。

《Signed Probability Distribution（带号概率分布）数值模拟》论文解读

一、研究背景与开展研究的必要性

负概率（Negative Probability／Signed Probability）概念最早出现于量子力学中，Wigner（1932）、Dirac（1942）及Feynman（1987）均论及其作为中间计算工具的价值。Bartlett（1945）首次给出带号概率的理论基础，提出扩展概率理论与"extraordinary random variables（非凡随机变量）"，并证明 orthodox probability可一致扩展至含负概率的情形。后续亦有若干扩展概率理论的探索及解释尝试，并在金融等领域有初步应用。然而，与常规Monte Carlo方法成熟发展相比，至今缺乏针对带号／扩展概率分布的数值模拟方法与计算工具——这是限制其实际应用的核心瓶颈。Leonenko与Podlubny近期将Monte Carlo推广至分数阶导数数值计算，并利用广义Sibuya分布（Generalized Sibuya Distribution）实现有限符号变化情形的模拟，但一般带号分布的模拟仍属空白。本文即首次系统给出多种带号概率分布（含Feynman例）的数值模拟实例与工具，发表于《Mathematics》。

二、主要关键技术方法概述

研究人员采用Ruzsa–Székely定理：任一带号概率分布的概率生成函数（Probability-Generating Function；PGF）f(z)均可分解为两个普通非负概率分布的PGF之商 f(z)=g(z)/h(z)（或等价地构造配对g、h使f对应其差）。在确定配对(g,h)后按五步法模拟：①将g(z)、h(z)展开为幂级数求系数；②计算累积质量分布函数（Cumulative Mass Distribution Function）；③生成U(0,1)均匀随机数；④用逆变换抽样分别从g、h抽样得X_G、X_H；⑤取差值X=X_G?X_H作为带号分布f的样本。对于α-coin（Partial Coin），研究人员借助Sibuya分布构造合适的g与h；对于多项式及含几何分布的PGF，通过待定系数法选取参数保证g、h系数非负且归一，再实施上述五步法。模拟用MATLAB工具箱实现，可调节样本量N与分解参数。

三、研究结果

Example 1：Partial Coins（部分硬币／α-coin）

研究人员以α-coin为例，其PGF为 f_α(z)=(1?z)^?α=Σ_k=0^∞C(α+k?1,k) z^k，系数交替变号（α∈(0,1)）。依据Ruzsa–Székely定理，取g(z)=α·Sibuya(α;z)，h(z)=(1?α+α·Sibuya(α;z))（Sibuya分布PGF为1?(1?z)^α），验证g、h均为普通非负概率分布PGF。按五步法模拟α=2/3之two-thirds-coin，所得频次与首100次试验结果符合理论预期。结论：无限符号交替的带号分布可通过Sibuya配对分解并Monte Carlo模拟；两个独立α-coin之差还原为标准硬币。

Example 2：多项式PGF带号分布

考虑PGF f(z)=0.6z⁰?0.3z¹+0.7z²（支撑{0,1,2}，带号概率p₀=0.6, p₁=?0.3, p₂=0.7，Σp_i=1，E[X]=1.1）。设h(z)=a+(1?a?b)z+bz²，则g(z)=f(z)·h(z)，要求g、h系数均≥0且归一。取a=0.35,b=0.35得h(z)=0.35+0.3z+0.35z²，g(z)=0.21+0.165z+0.625z²。模拟N=10⁵个均匀点，样本均值≈1.0997接近理论期望1.1。结论：有限支撑多项式PGF带号分布可通过代数分解获得多组(g,h)配对并成功模拟。

Example 3：含Geometric Distribution（几何分布）的带号PGF

考虑PGF f(z)=0.4+0.7z?0.1·z/(1?qz)（q∈(0,1)），展开后支撑为?₀，p₀=0.4, p₁=0.7?0.1/(1?q), p_k≥2=?0.1q^k?1/(1?q)。设h(z)含几何分布项，经系数非负性分析得条件 0<q≤(√5?1)/2≈0.618，取q=0.5得归一化h(z)与g(z)=f(z)·h(z)均具非负系数。此例为下一节Feynman问题做方法铺垫。结论：含无穷支撑且含几何项的带号PGF可在参数约束下分解，提供模拟所需普通分布配对。

Example 4：Feynman's Example（Feynman例）

Feynman原例：系统处状态A(p=0.7)或B(p=0.3)；A下输出{0,1,2}概率{0.1,0.6,0.3}，B下{0.4,0.4,0}；边缘概率P(0)=0.19,P(1)=0.54,P(2)=0.27，E[X]=1.08。条件B内隐带号分布PGF同Example 3形式（取q=0.5），按前述方法模拟B分支。N=10⁴模拟中6987点落A（产出0:690,1:4204,2:2093），3013点落B（产出0:1774,1:1239,2:0），合并得总频次0:2462,1:5263,2:2093，样本期望≈1.0806接近理论1.08。带号概率树可重组为全非负概率树。结论：首次实现Feynman带号概率例的数值模拟，验证了Ruzsa–Székely分解框架对经典负概率教学案例的有效性。

Extension of Feynman's Example（Feynman例扩展）

将Feynman例推广至参数化形式，保持h(z)同Example 3选取，要求g(z)=f_ext(z)·h(z)系数非负导出参数约束，可产生更多Feynman-like带号PGF实例。结论：方法具扩展性，可构造一类含带号条件分布的混合模型并模拟。

四、讨论与结论总结

研究人员指出，Bartlett已阐明extraordinary random variable须通过其characteristic function或PGF定义；Ruzsa–Székely定理保证存在（非唯一）普通非负分布配对(g,h)使f=g/h，但未给出通用构造法——寻求一般带号PGF的(g,h)分解算法是重要开放问题。模拟中样本均值与带号概率形式计算之期望一致；输出值频次自然非负且与带号概率不同，在某些情形（如α-coin）输出值本身亦异于PGF直接指示。本文所给算例为迄今首批带号概率分布数值模拟实例，可作后续模拟方法之模板与基准。所提方法与结果有望推动Signed Probability Distribution在Quantum Computing、Decision Making、Finance、Insurance、LLM及AI等领域的建模应用。

论文结论译述：

由Bartlett所述"extraordinary random variables……仅能通过其特征函数定义"可知须操作概率生成函数。Ruzsa–Székely定理是当前唯一可用工具，它保证存在但不保证唯一一对可用于模拟带号（扩展、广义）概率分布的普通非负概率分布，目前尚无求其配对的普适方法，寻找此普适方法是极具重要性的开问题。主要特征量——期望——在模拟中与利用随机变量取值及相应带号概率形式计算所得期望相同。然而模拟结果显示，输出值频次不同于那些带号概率，且频次自然非负；某些情形下（见本文各例及文献[25]）输出值亦异于带号概率生成函数所预期者。本文提供的示例属迄今同类首创，可作为未来可能发展的其他带号概率分布模拟方法之模板与基准，亦可作构造其他模拟示例之参照，望能用于出现此类带号概率分布的应用问题模拟。所呈方法及模拟示例有望拓宽带号概率在量子计算、决策、金融、保险、大语言模型与人工智能及其他可藉带号概率分布提升现有数学建模水平之领域的应用。