矩母函數
概念
矩
什麼叫矩?
給出知乎上的一個回答矩的概念以及wiki上的數學定義。
數學上,一個分佈函數
物理學上的力矩、轉動慣量、磁矩、角動量、電偶極矩,統計學上的原點矩,都是這個形式。
母函數
- 冪級數展開中各階係數和一個數列對應相等的函數,稱爲這個數列的母函數,也叫生成函數(generating function)。顯然,任一個函數都是其冪級數展開各項係數組成的數列的母函數。
一個序列{
矩母函數
矩母函數,能產生一個隨機變量各階原點矩的母函數。
定義式[2]
MX(t)=EetX,t∈R - 一般形式
MX(t)=∫∞−∞etXdF(x) - 離散隨機變量
MX(t)=∑k=0∞etkp(X=k) - 連續型隨機變量
MX(t)=∫∞−∞etxf(x)dx - 隨機向量的矩母函數
MX(t)=Eet⋅X=EetTX,t∈R
性質
MX(t)≥0 MX(0)=1
proof
MX(0)=E(1)=1 MX(t) 可能不存在。example Cauchy Distribution
proof
f(x)=1π(1+x2)
E(x)=∫∞−∞x1π(1+x2)dx=12π∫∞−∞d(1+x2)(1+x2)=1πln(1+x2)|∞0→∞ MX(0)(n)=mn proof
因爲
etX=1+tX+t2X22!+t3X33!+⋯
所以
MX(t)=1+tEX+t2EX22!+t3EX33!+⋯=1+tm1+t2m22!+t3m33!+⋯
所以
MX(0)(n)=mn 對連續型隨機變量,
MX(−t) 是f(x) 的Laplace變換。線性性.
X1,X2 獨立時
MaX1+bX2=MX1(at)MX1(bt) proof
MaX1+bX2=Eet(aX1+bX2)=E(etaX1⋅etbX2)=E(etaX1)E(etbX2)=MX1(at)MX1(bt) 若
MX(t)=MY(t) 處處成立,則FX(x)=FY(x) 也處處成立,即兩個隨機變量的矩母函數相同,那麼分佈函數也相同。
一些分佈的矩母函數
(圖片來自wikipedia)
特徵函數
概念
特徵函數,能完全刻畫一個隨機變量概率分佈的函數。
φX(t)=EeitX,t∈R - 一般形式
φX(t)=∫∞−∞eitXdF(x) - 離散隨機變量
φX(t)=∑k=0∞eitkp(X=k) - 連續型隨機變量
φX(t)=∫∞−∞eitxf(x)dx - 隨機向量的特徵函數
φX(t)=Eeit⋅X=EeitTX,t∈R
性質
φX(t) 一定存在,且|φ(t)|≤1 proof
|φX(t)|=∣∣∣∫∞−∞eitXdF(x)∣∣∣≤|eitX|∣∣∣∫∞−∞dF(x)∣∣∣≤1>
收斂φX(0)=1
proof
φX(0)=E(1)=1
- 全空間連續。
0 鄰域內非零。- 厄米性
φX(−t)=φX(t)¯¯¯¯¯¯¯¯ - 對稱的概率密度分佈對應的特徵函數是實值偶函數。
fX(x)=fY(x)⇔φX(t)=φY(t) mn=EXn=(−i)nφ(n)X(0) proof
因爲
eitX=1+itX+i2t2X22!+i3t3X33!+⋯
所以
φX(t)=1+itEX+i2t2EX22!+i3t3EX33!+⋯=1+itm1+i2t2m22!+i3t3m33!+⋯
所以
φX(0)(n)=mnin 對連續型隨機變量,
φX(−t) 是f(x) 的Fourier變換。線性性.
X1,X2 獨立時
φaX1+bX2=φX1(at)φX1(bt) proof
φaX1+bX2=Eeit(aX1+bX2)=E(eitaX1⋅eitbX2)=E(eitaX1)E(eitbX2)=φX1(at)φX1(bt) Lévy’s continuity theorem
一些分佈的特徵函數
(圖片來自wikipedia)