# 常用概率分布的矩母函数、特征函数以及期望、方差的推导

2 篇文章 2 订阅

## 0、退化分布(Degenerate distribution)

M ( t ) = e t a M(t)=e^{ta}
φ ( t ) = e i t a \varphi(t)=e^{ita}
M ′ ( t ) = a e t a M'(t)=ae^{ta}
E X = M ′ ( 0 ) = a EX=M'(0)=a
M ′ ′ ( t ) = a 2 e t a M''(t)=a^2e^{ta}
E X 2 = M ′ ′ ( 0 ) = a 2 EX^2=M''(0)=a^2
D X = E X 2 − ( E X ) 2 = 0 DX=EX^2-(EX)^2=0

## 1、离散型均匀分布(Discrete uniform distribution)

= ( ∑ k = a b e t k ) 1 b − a + 1 =(\sum_{k=a}^{b} e^{tk})\frac{1}{b-a+1}
= e a t − e ( b + 1 ) t ( 1 − e t ) ( b − a + 1 ) =\frac{e^{at}-e^{(b+1)t}}{(1-e^{t})(b-a+1)}

= ( ∑ k = a b e i t k ) 1 b − a + 1 =(\sum_{k=a}^{b} e^{itk})\frac{1}{b-a+1}
= e a i t − e ( b + 1 ) i t ( 1 − e i t ) ( b − a + 1 ) =\frac{e^{ait}-e^{(b+1)it}}{(1-e^{it})(b-a+1)}
M ′ ( t ) = 1 b − a + 1 ( a e a t − ( b + 1 ) e ( b + 1 ) t ) ( 1 − e t ) + ( e a t − e ( b + 1 ) t ) e t ( e t − 1 ) 2 M'(t)=\frac{1}{b-a+1}\frac{(ae^{at}-(b+1)e^{(b+1)t})(1-e^t)+(e^{at}-e^{(b+1)t})e^t}{(e^{t}-1)^{2}}
t = 0 为 M ′ ( t ) 的 可 去 间 断 点 ， 补 充 定 义 M ′ ( 0 ) = lim ⁡ t → 0 M ′ ( t ) t=0为M'(t)的可去间断点，补充定义M'(0)=\lim_{t\rightarrow0}M'(t)
E X = M ′ ( 0 ) = lim ⁡ t → 0 1 b − a + 1 ( a 2 e a t − ( b + 1 ) 2 e ( b + 1 ) t ) ( 1 − e t ) + ( e a t − e ( b + 1 ) t ) e t 2 ( e t − 1 ) e t EX=M'(0)=\lim_{t\rightarrow0}\frac{1}{b-a+1}\frac{(a^2e^{at}-(b+1)^2e^{(b+1)t})(1-e^t)+(e^{at}-e^{(b+1)t})e^t}{2(e^{t}-1)e^t}
= lim ⁡ t → 0 1 b − a + 1 ( a 2 e a t − ( b + 1 ) 2 e ( b + 1 ) t ) ( e − t − 1 ) + ( e a t − e ( b + 1 ) t ) 2 ( e t − 1 ) =\lim_{t\rightarrow0}\frac{1}{b-a+1}\frac{(a^2e^{at}-(b+1)^2e^{(b+1)t})(e^{-t}-1)+(e^{at}-e^{(b+1)t})}{2(e^{t}-1)}
= lim ⁡ t → 0 1 b − a + 1 ( a 3 e a t − ( b + 1 ) 3 e ( b + 1 ) t ) ( e − t − 1 ) − ( a 2 e a t − ( b + 1 ) 2 e ( b + 1 ) t ) e − t + ( a e a t − ( b + 1 ) e ( b + 1 ) t ) 2 e t =\lim_{t\rightarrow0}\frac{1}{b-a+1}\frac{(a^3e^{at}-(b+1)^3e^{(b+1)t})(e^{-t}-1)-(a^2e^{at}-(b+1)^2e^{(b+1)t})e^{-t}+(ae^{at}-(b+1)e^{(b+1)t})}{2e^{t}}
= − a 2 + ( b + 1 ) 2 + a − ( b + 1 ) 2 ( b − a + 1 ) =\frac{-a^2+(b+1)^2+a-(b+1)}{2(b-a+1)}
= − a 2 + ( b + 1 ) 2 2 ( b − a + 1 ) − 1 2 =\frac{-a^2+(b+1)^2}{2(b-a+1)}-\frac{1}{2}
= ( b + 1 − a ) ( b + 1 + a ) 2 ( b − a + 1 ) − 1 2 =\frac{(b+1-a)(b+1+a)}{2(b-a+1)}-\frac{1}{2}
= b + 1 + a 2 − 1 2 =\frac{b+1+a}{2}-\frac{1}{2}
= b + a 2 =\frac{b+a}{2}

M ( t ) = e a t − e ( b + 1 ) t ( 1 − e t ) ( b − a + 1 ) M(t)=\frac{e^{at}-e^{(b+1)t}}{(1-e^{t})(b-a+1)}
= 1 b − a + 1 u a − u b + 1 u =\frac{1}{b-a+1}\frac{u^a-u^{b+1}}{u}
= 1 b − a + 1 1 + a 1 ! ( − u ) + a ( a − 1 ) 2 ! u 2 + a ( a − 1 ) ( a − 2 ) 3 ! ( − u 3 ) + o ( u 3 ) − 1 − b + 1 1 ! ( − u ) − ( b + 1 ) b 2 ! u 2 − ( b + 1 ) b ( b − 1 ) 3 ! ( − u 3 ) − o ( u 3 ) u =\frac{1}{b-a+1}\frac{1+\frac{a}{1!}(-u)+\frac{a(a-1)}{2!}u^2+\frac{a(a-1)(a-2)}{3!}(-u^3)+o(u^3)-1-\frac{b+1}{1!}(-u)-\frac{(b+1)b}{2!}u^2-\frac{(b+1)b(b-1)}{3!}(-u^3)-o(u^3)}{u}
= 1 b − a + 1 a 1 ! ( − u ) + a ( a − 1 ) 2 ! u 2 + a ( a − 1 ) ( a − 2 ) 3 ! ( − u 3 ) + o ( u 3 ) − b + 1 1 ! ( − u ) − ( b + 1 ) b 2 ! u 2 − ( b + 1 ) b ( b − 1 ) 3 ! ( − u 3 ) u =\frac{1}{b-a+1}\frac{\frac{a}{1!}(-u)+\frac{a(a-1)}{2!}u^2+\frac{a(a-1)(a-2)}{3!}(-u^3)+o(u^3)-\frac{b+1}{1!}(-u)-\frac{(b+1)b}{2!}u^2-\frac{(b+1)b(b-1)}{3!}(-u^3)}{u}
= 1 b − a + 1 ( ( b + 1 − a ) + a ( a − 1 ) 2 ! u + a ( a − 1 ) ( a − 2 ) 3 ! ( − u 2 ) + o ( u 2 ) − ( b + 1 ) b 2 ! u − ( b + 1 ) b ( b − 1 ) 3 ! ( − u 2 ) ) =\frac{1}{b-a+1}((b+1-a)+\frac{a(a-1)}{2!}u+\frac{a(a-1)(a-2)}{3!}(-u^2)+o(u^2)-\frac{(b+1)b}{2!}u-\frac{(b+1)b(b-1)}{3!}(-u^2))
= 1 + a ( a − 1 ) − ( b + 1 ) b 2 ! ( b − a + 1 ) u + ( b + 1 ) b ( b − 1 ) − a ( a − 1 ) ( a − 2 ) 3 ! ( b − a + 1 ) u 2 + o ( u 2 ) =1+\frac{a(a-1)-(b+1)b}{2!(b-a+1)}u+\frac{(b+1)b(b-1)-a(a-1)(a-2)}{3!(b-a+1)}u^2+o(u^2)

E X = M ′ ( 0 ) = a + b 2 EX=M'(0)=\frac{a+b}{2}

= a + b 2 + ( b + 1 − a ) ( b 2 + a b − b + a 2 − 2 a ) 3 ( b − a + 1 ) =\frac{a+b}{2}+\frac{(b+1-a)(b^2+ab-b+a^2-2a)}{3(b-a+1)}
= a + b 2 + b 2 + a b − b + a 2 − 2 a 3 =\frac{a+b}{2}+\frac{b^2+ab-b+a^2-2a}{3}
= 2 a 2 + 2 b 2 + 2 a b + b − a 6 =\frac{2a^2+2b^2+2ab+b-a}{6}
D X = E X 2 − ( E X ) 2 = M ′ ′ ( 0 ) − ( E X ) 2 DX=EX^2-(EX)^2=M''(0)-(EX)^2
= 2 a 2 + 2 b 2 + 2 a b + b − a 6 − a 2 + 2 a b + b 2 4 =\frac{2a^2+2b^2+2ab+b-a}{6}-\frac{a^2+2ab+b^2}{4}
= ( b − a + 1 ) 2 − 1 12 =\frac{(b-a+1)^2-1}{12}

## 2、伯努利分布/两点分布(Bernoulli distribution)

M ( t ) = p e t + 1 − p M(t)=pe^{t}+1-p
φ ( t ) = p e i t + 1 − p \varphi(t)=pe^{it}+1-p
M ′ ( t ) = p e t M'(t)=pe^{t}
E X = M ′ ( 0 ) = p EX=M'(0)=p
M ′ ′ ( t ) = p e t M''(t)=pe^{t}
E X 2 = M ′ ′ ( 0 ) = p EX^{2}=M''(0)=p
D X = E X 2 − ( E X ) 2 = p ( 1 − p ) DX=EX^{2}-(EX)^{2}=p(1-p)

## 3、二项分布(Binomial distribution)

φ ( t ) = ( p e i t + 1 − p ) n \varphi(t)=(pe^{it}+1-p)^{n}
M ′ ( t ) = n p ( p e t + 1 − p ) n − 1 e t M'(t)=np(pe^{t}+1-p)^{n-1}e^{t}
E X = M ′ ( 0 ) = n p EX=M'(0)=np
M ′ ′ ( t ) = n ( n − 1 ) p 2 ( p e t + 1 − p ) n − 2 e 2 t + n p ( p e t + 1 − p ) n − 1 e t M''(t)=n(n-1)p^{2}(pe^{t}+1-p)^{n-2}e^{2t}+np(pe^{t}+1-p)^{n-1}e^{t}
E X 2 = M ′ ′ ( 0 ) = n ( n − 1 ) p 2 + n p EX^{2}=M''(0)=n(n-1)p^{2}+np
D X = E X 2 − ( E X ) 2 = n p ( 1 − p ) DX=EX^{2}-(EX)^{2}=np(1-p)

## 4、几何分布(Geometric distribution)

M ( t ) = ∑ k = 1 ∞ ( 1 − p ) k − 1 p e t k M(t)=\sum_{k=1}^{\infin}(1-p)^{k-1}pe^{tk}
= p e t ∑ k = 1 ∞ ( ( 1 − p ) e t ) k − 1 =pe^{t}\sum_{k=1}^{\infin}((1-p)e^t)^{k-1}
= p e t 1 − ( 1 − p ) e t =\frac{pe^{t}}{1-(1-p)e^{t}}
φ ( t ) = ∑ k = 1 ∞ ( 1 − p ) k − 1 p e i t k \varphi(t)=\sum_{k=1}^{\infin}(1-p)^{k-1}pe^{itk}
= p e i t ∑ k = 1 ∞ ( ( 1 − p ) e i t ) k − 1 =pe^{it}\sum_{k=1}^{\infin}((1-p)e^{it})^{k-1}
= p e i t 1 − ( 1 − p ) e i t =\frac{pe^{it}}{1-(1-p)e^{it}}
M ′ ( t ) = p e t ( 1 − ( 1 − p ) e t ) 2 M'(t)=\frac{pe^t}{(1-(1-p)e^t)^2}
E X = M ′ ( 0 ) = 1 p EX=M'(0)=\frac{1}{p}
M ′ ′ ( t ) = p e t ( e t − p e t + 1 ) ( 1 − ( 1 − p ) e t ) 3 M''(t)=\frac{pe^t(e^t-pe^t+1)}{(1-(1-p)e^t)^3}
E X 2 = M ′ ′ ( 0 ) = 2 − p p 2 EX^{2}=M''(0)=\frac{2-p}{p^2}
D X = E X 2 − ( E X ) 2 = 1 − p p 2 DX=EX^{2}-(EX)^{2}=\frac{1-p}{p^2}

## 5、负二项分布(Negative binomial distribution)

( r 可 以 为 实 数 ， 此 时 的 分 布 称 为 波 利 亚 分 布 ) (r可以为实数，此时的分布称为波利亚分布)
M ( t ) = ∑ k = 0 ∞ ( k + r − 1 k ) p k ( 1 − p ) r e t k M(t)=\sum_{k=0}^{\infin}\binom{k+r-1}{k}p^k(1-p)^re^{tk}
= ∑ k = 0 ∞ ( − 1 ) k ( − r k ) p k ( 1 − p ) r e t k =\sum_{k=0}^{\infin}(-1)^k\binom{-r}{k}p^k(1-p)^re^{tk}
= ∑ k = 0 ∞ ( − p e t ) k ( − r k ) ( 1 − p ) r =\sum_{k=0}^{\infin}(-pe^t)^k\binom{-r}{k}(1-p)^r
= ( 1 − p ) r ∑ k = 0 ∞ ( − p e t ) k ( − r k ) 1 − r − k =(1-p)^r\sum_{k=0}^{\infin}(-pe^t)^k\binom{-r}{k}1^{-r-k}
= ( 1 − p ) r ( 1 − p e t ) − r =(1-p)^r(1-pe^t)^{-r}
φ ( t ) = ∑ k = 0 ∞ ( k + r − 1 k ) p k ( 1 − p ) r e i t k \varphi(t)=\sum_{k=0}^{\infin}\binom{k+r-1}{k}p^k(1-p)^re^{itk}
= ∑ k = 0 ∞ ( − 1 ) k ( − r k ) p k ( 1 − p ) r e i t k =\sum_{k=0}^{\infin}(-1)^k\binom{-r}{k}p^k(1-p)^re^{itk}
= ∑ k = 0 ∞ ( − p e i t ) k ( − r k ) ( 1 − p ) r =\sum_{k=0}^{\infin}(-pe^{it})^k\binom{-r}{k}(1-p)^r
= ( 1 − p ) r ∑ k = 0 ∞ ( − p e i t ) k ( − r k ) 1 − r − k =(1-p)^r\sum_{k=0}^{\infin}(-pe^{it})^k\binom{-r}{k}1^{-r-k}
= ( 1 − p ) r ( 1 − p e i t ) − r =(1-p)^r(1-pe^{it})^{-r}
M ′ ( t ) = ( 1 − p ) r ( − r ) ( 1 − p e t ) − r − 1 ( − p e t ) M'(t)=(1-p)^r(-r)(1-pe^{t})^{-r-1}(-pe^t)
= r p ( 1 − p ) r e t ( 1 − p e t ) − r − 1 =rp(1-p)^re^t(1-pe^t)^{-r-1}
E X = M ′ ( 0 ) = r p 1 − p EX=M'(0)=\frac{rp}{1-p}
M ′ ′ ( t ) = r p ( 1 − p ) r e t ( 1 − p e t ) − r − 1 + r p ( 1 − p ) r e t ( − r − 1 ) ( 1 − p e t ) − r − 2 ( − p e t ) M''(t)=rp(1-p)^re^t(1-pe^t)^{-r-1}+rp(1-p)^re^t(-r-1)(1-pe^t)^{-r-2}(-pe^t)
E X 2 = r p ( 1 − p ) − 1 + r ( r + 1 ) p 2 ( 1 − p ) − 2 EX^2=rp(1-p)^{-1}+r(r+1)p^2(1-p)^{-2}
= r p ( 1 − p ) + r ( r + 1 ) p 2 ( 1 − p ) 2 =\frac{rp(1-p)+r(r+1)p^2}{(1-p)^2}
= r p + r 2 p 2 ( 1 − p ) 2 =\frac{rp+r^2p^2}{(1-p)^2}
D X = E X 2 − ( E X ) 2 = p r ( 1 − p ) 2 DX=EX^2-(EX)^2=\frac{pr}{(1-p)^2}

## 6、泊松分布(Poisson distribution)

M ( t ) = ∑ k = 0 ∞ e − λ λ k k ! e t k M(t)=\sum_{k=0}^{\infin}\frac{e^{-\lambda}\lambda^k}{k!}e^{tk}
= e − λ ∑ k = 0 ∞ ( λ e t ) k k ! =e^{-\lambda}\sum_{k=0}^{\infin}\frac{(\lambda e^t)^k}{k!}
= e − λ e λ e t =e^{-\lambda}e^{\lambda e^t}
= e λ ( e t − 1 ) =e^{\lambda (e^t-1)}
φ ( t ) = ∑ k = 0 ∞ e − λ λ k k ! e i t k \varphi(t)=\sum_{k=0}^{\infin}\frac{e^{-\lambda}\lambda^k}{k!}e^{itk}
= e − λ ∑ k = 0 ∞ ( λ e i t ) k k ! =e^{-\lambda}\sum_{k=0}^{\infin}\frac{(\lambda e^{it})^k}{k!}
= e − λ e λ e i t =e^{-\lambda}e^{\lambda e^{it}}
= e λ ( e i t − 1 ) =e^{\lambda (e^{it}-1)}
M ′ ( t ) = e λ ( e t − 1 ) λ e t M'(t)=e^{\lambda (e^t-1)}\lambda e^t
E X = M ′ ( 0 ) = λ EX=M'(0)=\lambda
M ′ ′ ( t ) = e λ ( e t − 1 ) λ e t + e λ ( e t − 1 ) λ e t λ e t M''(t)=e^{\lambda (e^t-1)}\lambda e^t+e^{\lambda (e^t-1)}\lambda e^t\lambda e^t
E X 2 = M ′ ′ ( 0 ) = λ + λ 2 EX^2=M''(0)=\lambda+\lambda^2
D X = E X 2 − ( E X ) 2 = λ DX=EX^2-(EX)^2=\lambda

## 1、连续型均匀分布(Uniform distribution (continuous))

M ( t ) = ∫ a b 1 b − a e t x d x M(t)=\int_{a}^{b}\frac{1}{b-a}e^{tx}dx
= 1 b − a ∫ a b e t x d x =\frac{1}{b-a}\int_{a}^{b}e^{tx}dx
= 1 b − a ( 1 t e t x ∣ a b ) =\frac{1}{b-a}(\frac{1}{t}e^{tx}\mid_{a}^{b})
= e t b − e t a t ( b − a ) =\frac{e^{tb}-e^{ta}}{t(b-a)}
φ ( t ) = ∫ a b 1 b − a e i t x d x \varphi(t)=\int_{a}^{b}\frac{1}{b-a}e^{itx}dx
= 1 b − a ∫ a b e i t x d x =\frac{1}{b-a}\int_{a}^{b}e^{itx}dx
= 1 b − a ( 1 i t e i t x ∣ a b ) =\frac{1}{b-a}(\frac{1}{it}e^{itx}\mid_{a}^{b})
= e i t b − e i t a i t ( b − a ) =\frac{e^{itb}-e^{ita}}{it(b-a)}
M ′ ( t ) = 1 b − a ( b e t b − a e t a ) t − ( e t b − e t a ) t 2 M'(t)=\frac{1}{b-a}\frac{(be^{tb}-ae^{ta})t-(e^{tb}-e^{ta})}{t^2}
t = 0 为 M ′ ( t ) 的 可 去 间 断 点 ， 补 充 定 义 M ′ ( 0 ) = lim ⁡ t → 0 M ′ ( t ) t=0为M'(t)的可去间断点，补充定义M'(0)=\lim_{t\rightarrow0}M'(t)
E X = M ′ ( 0 ) = lim ⁡ t → 0 ( b e t b − a e t a ) + ( b 2 e t b − a 2 e t a ) t − ( b e t b − a e t a ) 2 t ( b − a ) EX=M'(0)=\lim_{t\rightarrow0}\frac{(be^{tb}-ae^{ta})+(b^2e^{tb}-a^2e^{ta})t-(be^{tb}-ae^{ta})}{2t(b-a)}
= lim ⁡ t → 0 ( b 2 e t b − a 2 e t a ) 2 ( b − a ) =\lim_{t\rightarrow0}\frac{(b^2e^{tb}-a^2e^{ta})}{2(b-a)}
= b 2 − a 2 2 ( b − a ) =\frac{b^2-a^2}{2(b-a)}
= a + b 2 =\frac{a+b}{2}
M ′ ′ ( t ) = 1 b − a ( ( b 2 e t b − a 2 e t a ) t + ( b e t b − a e t a ) − ( b e t b − a e t a ) ) t − 2 ( ( b e t b − a e t a ) t − ( e t b − e t a ) ) t 3 M''(t)=\frac{1}{b-a}\frac{((b^2e^{tb}-a^2e^{ta})t+(be^{tb}-ae^{ta})-(be^{tb}-ae^{ta}))t-2((be^{tb}-ae^{ta})t-(e^{tb}-e^{ta}))}{t^3}
= 1 b − a t 2 ( b 2 e t b − a 2 e t a ) − 2 t ( b e t b − a e t a ) + 2 ( e t b − e t a ) t 3 =\frac{1}{b-a}\frac{t^2(b^2e^{tb}-a^2e^{ta})-2t(be^{tb}-ae^{ta})+2(e^{tb}-e^{ta})}{t^3}
t = 0 为 M ′ ′ ( t ) 的 可 去 间 断 点 ， 补 充 定 义 M ′ ′ ( 0 ) = lim ⁡ t → 0 M ′ ′ ( t ) t=0为M''(t)的可去间断点，补充定义M''(0)=\lim_{t\rightarrow0}M''(t)
E X 2 = M ′ ′ ( 0 ) = lim ⁡ t → 0 1 b − a t 2 ( b 3 e t b − a 3 e t a ) + 2 t ( b 2 e t b − a 2 e t a ) − 2 t ( b 2 e t b − a 2 e t a ) − 2 ( b e t b − a e t a ) + 2 ( b e t b − a e t a ) 3 t 2 EX^2=M''(0)=\lim_{t\rightarrow0}\frac{1}{b-a}\frac{t^2(b^3e^{tb}-a^3e^{ta})+2t(b^2e^{tb}-a^2e^{ta})-2t(b^2e^{tb}-a^2e^{ta})-2(be^{tb}-ae^{ta})+2(be^{tb}-ae^{ta})}{3t^2}
= 1 b − a lim ⁡ t → 0 t 2 ( b 3 e t b − a 3 e t a ) 3 t 2 =\frac{1}{b-a}\lim_{t\rightarrow0}\frac{t^2(b^3e^{tb}-a^3e^{ta})}{3t^2}
= 1 b − a lim ⁡ t → 0 ( b 3 e t b − a 3 e t a ) 3 =\frac{1}{b-a}\lim_{t\rightarrow0}\frac{(b^3e^{tb}-a^3e^{ta})}{3}
= 1 b − a ( b 3 − a 3 ) 3 =\frac{1}{b-a}\frac{(b^3-a^3)}{3}
= b 2 + a b + a 2 3 =\frac{b^2+ab+a^2}{3}
D X = E X 2 − ( E X ) 2 = ( b − a ) 2 12 DX=EX^2-(EX)^2=\frac{(b-a)^2}{12}

## 2、指数分布(Exponential distribution)

M ( t ) = ∫ 0 + ∞ λ e − λ x e t x d x M(t)=\int_{0}^{+\infin} \lambda e^{-\lambda x}e^{tx}dx
= λ ∫ 0 + ∞ e ( t − λ ) x d x =\lambda \int_{0}^{+\infin} e^{(t-\lambda)x}dx
= λ t − λ ( e ( t − λ ) x ∣ 0 + ∞ ) =\frac{\lambda}{t-\lambda}(e^{(t-\lambda)x}\mid_{0}^{+\infin})
t < λ 时 ， M ( t ) = λ t − λ ( 0 − 1 ) t<\lambda时，M(t)=\frac{\lambda}{t-\lambda}(0-1)
= λ λ − t =\frac{\lambda}{\lambda-t}
φ ( t ) = λ λ − i t \varphi(t)=\frac{\lambda}{\lambda-it}
M ′ ( t ) = λ ( λ − t ) 2 M'(t)=\frac{\lambda}{(\lambda-t)^2}
E X = M ′ ( 0 ) = 1 λ EX=M'(0)=\frac{1}{\lambda}
M ′ ′ ( t ) = 2 λ ( λ − t ) 3 M''(t)=\frac{2\lambda}{(\lambda-t)^3}
E X 2 = M ′ ′ ( 0 ) = 2 λ 2 EX^2=M''(0)=\frac{2}{\lambda^2}
D X = E X 2 − ( E X ) 2 = 1 λ 2 DX=EX^2-(EX)^2=\frac{1}{\lambda^2}

## 3、正态分布(Normal distribution)

= ∫ 0 2 π d θ ∫ 0 + ∞ e − r 2 2 r d r =\int_{0}^{2\pi}d\theta \int_{0}^{+\infin}e^{-\frac{r^2}{2}}rdr
= 2 π ∫ 0 + ∞ e − r 2 2 r d r =2\pi \int_{0}^{+\infin}e^{-\frac{r^2}{2}}rdr
= 2 π ( − e − r 2 2 ∣ 0 + ∞ ) =2\pi (-e^{-\frac{r^2}{2}}\mid_{0}^{+\infin})
= 2 π =2\pi

M ( t ) = ∫ − ∞ + ∞ 1 2 π σ e − ( x − μ ) 2 2 σ 2 e t x d x M(t)=\int_{-\infin}^{+\infin}\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}e^{tx}dx
= 1 2 π σ ∫ − ∞ + ∞ e − ( x − μ ) 2 2 σ 2 + t x d x =\frac{1}{\sqrt{2\pi}\sigma}\int_{-\infin}^{+\infin}e^{-\frac{(x-\mu)^2}{2\sigma^2}+tx}dx

= e μ t 1 2 π ∫ − ∞ + ∞ e − w 2 2 + t σ w d w =e^{\mu t}\frac{1}{\sqrt{2\pi}}\int_{-\infin}^{+\infin}e^{-\frac{w^2}{2}+t\sigma w}dw
= e μ t 1 2 π ∫ − ∞ + ∞ e − ( w − t σ ) 2 − t 2 σ 2 2 d w =e^{\mu t}\frac{1}{\sqrt{2\pi}}\int_{-\infin}^{+\infin}e^{-\frac{(w-t\sigma)^2-t^2\sigma^2}{2}}dw
= e μ t + t 2 σ 2 2 1 2 π ∫ − ∞ + ∞ e − ( w − t σ ) 2 2 d w =e^{\mu t+\frac{t^2\sigma^2}{2}}\frac{1}{\sqrt{2\pi}}\int_{-\infin}^{+\infin}e^{-\frac{(w-t\sigma)^2}{2}}dw
= e μ t + t 2 σ 2 2 1 2 π 2 π =e^{\mu t+\frac{t^2\sigma^2}{2}}\frac{1}{\sqrt{2\pi}}\sqrt{2\pi}
= e μ t + t 2 σ 2 2 =e^{\mu t+\frac{t^2\sigma^2}{2}}
φ ( t ) = ∫ − ∞ + ∞ 1 2 π σ e − ( x − μ ) 2 2 σ 2 e i t x d x \varphi(t)=\int_{-\infin}^{+\infin}\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}e^{itx}dx
= 1 2 π σ ∫ − ∞ + ∞ e − ( x − μ ) 2 2 σ 2 + i t x d x =\frac{1}{\sqrt{2\pi}\sigma}\int_{-\infin}^{+\infin}e^{-\frac{(x-\mu)^2}{2\sigma^2}+itx}dx

= e i μ t 1 2 π ∫ − ∞ + ∞ e − w 2 2 + i t σ w d w =e^{i\mu t}\frac{1}{\sqrt{2\pi}}\int_{-\infin}^{+\infin}e^{-\frac{w^2}{2}+it\sigma w}dw
= e i μ t 1 2 π ∫ − ∞ + ∞ e − ( w − i t σ ) 2 + t 2 σ 2 2 d w =e^{i\mu t}\frac{1}{\sqrt{2\pi}}\int_{-\infin}^{+\infin}e^{-\frac{(w-it\sigma)^2+t^2\sigma^2}{2}}dw
= e i μ t − t 2 σ 2 2 1 2 π ∫ − ∞ + ∞ e − ( w − i t σ ) 2 2 d w =e^{i\mu t-\frac{t^2\sigma^2}{2}}\frac{1}{\sqrt{2\pi}}\int_{-\infin}^{+\infin}e^{-\frac{(w-it\sigma)^2}{2}}dw
= e i μ t − t 2 σ 2 2 1 2 π 2 π =e^{i\mu t-\frac{t^2\sigma^2}{2}}\frac{1}{\sqrt{2\pi}}\sqrt{2\pi}
= e i μ t − t 2 σ 2 2 =e^{i\mu t-\frac{t^2\sigma^2}{2}}
M ′ ( t ) = e μ t + t 2 σ 2 2 ( μ + σ 2 t ) M'(t)=e^{\mu t+\frac{t^2\sigma^2}{2}}(\mu+\sigma^2t)
E X = M ′ ( 0 ) = μ EX=M'(0)=\mu
M ′ ′ ( t ) = e μ t + t 2 σ 2 2 ( μ + σ 2 t ) 2 + e μ t + t 2 σ 2 2 σ 2 M''(t)=e^{\mu t+\frac{t^2\sigma^2}{2}}(\mu+\sigma^2t)^2+e^{\mu t+\frac{t^2\sigma^2}{2}}\sigma^2
E X 2 = M ′ ′ ( 0 ) = μ 2 + σ 2 EX^2=M''(0)=\mu^2+\sigma^2
D X = E X 2 − ( E X ) 2 = σ 2 DX=EX^2-(EX)^2=\sigma^2

M ( t ) = e t 2 2 M(t)=e^{\frac{t^2}{2}}
φ ( t ) = e − t 2 2 \varphi(t)=e^{-\frac{t^2}{2}}
E X = 0 , D X = 1 EX=0,DX=1

## 4、伽马分布(Gamma distribution)

M ( t ) = ∫ 0 + ∞ β α Γ ( α ) x α − 1 e − β x e t x d x M(t)=\int_{0}^{+\infin}\frac{\beta^\alpha}{\Gamma(\alpha)}x^{\alpha-1}e^{-\beta x}e^{tx}dx
= ∫ 0 + ∞ β α Γ ( α ) x α − 1 e ( t − β ) x d x =\int_{0}^{+\infin}\frac{\beta^\alpha}{\Gamma(\alpha)}x^{\alpha-1}e^{(t-\beta) x}dx
= β α ∫ 0 + ∞ 1 Γ ( α ) x α − 1 e ( t − β ) x d x =\beta^\alpha\int_{0}^{+\infin}\frac{1}{\Gamma(\alpha)}x^{\alpha-1}e^{(t-\beta) x}dx
t < β 时 ， 令 v = ( β − t ) x ， 原 式 = β α β − t ∫ 0 + ∞ 1 Γ ( α ) ( v β − t ) α − 1 e − v d v t<\beta时，令v=(\beta-t)x，原式=\frac{\beta^\alpha}{\beta-t}\int_{0}^{+\infin}\frac{1}{\Gamma(\alpha)}(\frac{v}{\beta-t})^{\alpha-1}e^{-v}dv
= ( β β − t ) α 1 Γ ( α ) ∫ 0 + ∞ v α − 1 e − v d v =(\frac{\beta}{\beta-t})^\alpha\frac{1}{\Gamma(\alpha)}\int_{0}^{+\infin}v^{\alpha-1}e^{-v}dv
= ( β β − t ) α 1 Γ ( α ) Γ ( α ) =(\frac{\beta}{\beta-t})^\alpha\frac{1}{\Gamma(\alpha)}\Gamma(\alpha)