【数理统计】矩母函数

矩母函数

1.什么是统计学中的矩

假设我们感兴趣的随机变量是 $X$。那么矩就是 $X$ 的期望值，例如，$E(X)$、$E(X^2)$、$E(X^3)$、……等等。

我们非常熟悉一阶矩和二阶矩，即平均数 $\mu =E(X)$ 和方差 $E(X^2)-{\mu }^2$，它们是 $X$ 的重要特征。另外，三阶矩表明了分布的不对称性，四阶矩则表明了尾部效应…… 这些矩表明了有关分布的信息。

2.什么是矩母函数（MGF）

矩生成函数 Moment Generating Function，MGF，又叫矩母函数，顾名思义，就是产生矩的函数。

矩母函数的定义如下。

当你看到 $MGF$ 的定义，你可能会说 我对 $E(e^{tx})$ 不感兴趣，我只想知道 $E(X^n)$。求 $MGF$ 的 $n$ 次导数，然后令 $t=0$，你就会得到 $E(X^n)$。

3.为什么 MGF 的 n 次导是 E(Xⁿ)

我们将用泰勒级数证明这一点。

代入 $E(e^{tx})$。

对 $t$ 求导。

如果在 ③ 上继续求导，将得到 $E(X^2)$。如果继续求一次导，将得到 $E(X^3)$……等等

当我第一次看到矩生成函数时，我无法理解 $t$ 在函数中的作用，因为 $t$ 似乎是一些我不感兴趣的任意变量。然而，正如你所见，$t$ 是一个辅助变量。我们引入 $t$ 是为了能够使用微积分（导数），使（我们不感兴趣的）项为零。

4.为什么需要 MGF

但是我们可以用期望值的定义来计算矩，我们到底为什么需要MGF呢？

当然是为了计算更方便。

在数学课本中，总是让我们求出 二项分布（$n,p$）、泊松分布（$\lambda$）、指数分布（$\lambda$）、正态分布（$0,1$） 等的矩生成函数。然而，它们从来没有说明为什么 $MGF$ 会有这样的作用。

我们以指数分布的 $MGF$ 为例，带给你惊喜，这是 $MGF$ 作用非常明显的例子。

指数分布的 $PDF$（概率密度函数）如下。

现在推导指数的MGF。

为了使 MGF 存在，期望值 $E(e^{tx})$ 应该存在。这就是为什么 $t-\lambda <0$ 是一个需要满足的重要条件，因为否则积分就不会收敛。一旦你知道了 $MGF=\frac{\lambda }{\lambda -t}$，计算就成了求导的问题，这比直接计算期望值的积分更容易。

5.总结

• 对于任何有效的 $MGF$，$M(0)=1$。每当你计算 $MGF$ 时，代入 $t=0$，看看是否为 1。
• 例如，你可以通过前两个矩，即均值和方差，完全指定正态分布。当你知道分布的多个不同阶导数时，你会对该分布有更多的了解。如果有一个人你没有见过，而你知道他的身高、体重、肤色、最喜欢的爱好等等，你仍然不一定完全了解他，但却得到了越来越多关于他的信息。
• $MGF$ 的魅力在于，一旦你有了 $MGF$（预期值存在），你就可以得到任何 $N$ 阶导。$MGF$ 将一个随机变量的任意阶导编码为一个单一的函数，以后可以从中再次提取。
• 一个概率分布是由其 $MGF$ 唯一决定的。如果两个随机变量具有相同的 $MGF$，那么它们一定具有相同的分布。
• 分布的一个重要特征是它的尾部有多重，特别是对于金融业的风险管理。如果你记得 2009 年的金融危机，那基本上是没有解决罕见事件发生的可能性。有时，看似随机的分布，假设风险曲线平滑，其中可能有隐藏的隆起。而我们可以用 $MGF$ 来检测这些。