矩母函数
概念
矩
什么叫矩?
给出知乎上的一个回答矩的概念以及wiki上的数学定义。
数学上,一个分布函数
f(x)
的
n
阶矩定义为
物理学上的力矩、转动惯量、磁矩、角动量、电偶极矩,统计学上的原点矩,都是这个形式。
母函数
- 幂级数展开中各阶系数和一个数列对应相等的函数,称为这个数列的母函数,也叫生成函数(generating function)。显然,任一个函数都是其幂级数展开各项系数组成的数列的母函数。
一个序列{
an
}的母函数为[1]
矩母函数
矩母函数,能产生一个随机变量各阶原点矩的母函数。
定义式[2]
MX(t)=EetX,t∈R- 一般形式
MX(t)=∫∞−∞etXdF(x) - 离散随机变量
MX(t)=∑k=0∞etkp(X=k) - 连续型随机变量
MX(t)=∫∞−∞etxf(x)dx - 随机向量的矩母函数
MX(t)=Eet⋅X=EetTX,t∈R
性质
-
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
因为
etX=1+tX+t2X22!+t3X33!+⋯
所以
MX(t)=1+tEX+t2EX22!+t3EX33!+⋯=1+tm1+t2m22!+t3m33!+⋯
所以
MX(0)(n)=mn 对连续型随机变量, MX(−t) 是 f(x) 的Laplace变换。
线性性. X1,X2 独立时
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) 处处成立,则 FX(x)=FY(x) 也处处成立,即两个随机变量的矩母函数相同,那么分布函数也相同。
一些分布的矩母函数
(图片来自wikipedia)
特征函数
概念
特征函数,能完全刻画一个随机变量概率分布的函数。
-
φX(t)=EeitX,t∈R
- 一般形式
φX(t)=∫∞−∞eitXdF(x) - 离散随机变量
φX(t)=∑k=0∞eitkp(X=k) - 连续型随机变量
φX(t)=∫∞−∞eitxf(x)dx - 随机向量的特征函数
φX(t)=Eeit⋅X=EeitTX,t∈R
性质
φX(t) 一定存在,且 |φ(t)|≤1
proof
|φX(t)|=∣∣∣∫∞−∞eitXdF(x)∣∣∣≤|eitX|∣∣∣∫∞−∞dF(x)∣∣∣≤1>
收敛- φX(0)=1
proof
φX(0)=E(1)=1
- 全空间连续。
- 0 邻域内非零。
- 厄米性
φX(−t)=φX(t)¯¯¯¯¯¯¯¯ - 对称的概率密度分布对应的特征函数是实值偶函数。
-
fX(x)=fY(x)⇔φX(t)=φY(t)
- mn=EXn=(−i)nφ(n)X(0)
proof
因为
eitX=1+itX+i2t2X22!+i3t3X33!+⋯
所以
φX(t)=1+itEX+i2t2EX22!+i3t3EX33!+⋯=1+itm1+i2t2m22!+i3t3m33!+⋯
所以
φX(0)(n)=mnin 对连续型随机变量, φX(−t) 是 f(x) 的Fourier变换。
线性性. X1,X2 独立时
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
一些分布的特征函数
(图片来自wikipedia)