拉普拉斯逆变换和矩生成函数(MGF)之间的关系表达了如何通过 MGF 恢复一个随机变量的累积分布函数 (CDF) \( F_X(x) \)。这个公式可以写作:
\[ F_X(x) = \mathcal{L}^{-1} \left[\frac{M_X(s)}{s}\right](x) \]
其中:
- \( M_X(s) = \mathbb{E}[e^{sX}] \) 是随机变量 \( X \) 的矩生成函数(MGF)。
- \( \mathcal{L}^{-1} \) 表示拉普拉斯逆变换。
- \( s \) 是拉普拉斯变换的变量。
公式的含义
这个公式表明,我们可以通过对 \( M_X(s) \) 除以 \( s \) 然后进行拉普拉斯逆变换,得到随机变量 \( X \) 的累积分布函数 \( F_X(x) \)。
公式的推导和证明
要推导和证明这个公式,我们需要从定义开始,并利用拉普拉斯变换的性质。
1. 累积分布函数 \( F_X(x) \) 的定义
累积分布函数 \( F_X(x) \) 定义为:
\[ F_X(x) = \Pr(X \leq x) \]
根据概率的定义,\( F_X(x) \) 还可以表示为:
\[ F_X(x) = \int_{-\infty}^{x} f_X(t) \, dt \]
其中 \( f_X(t) \) 是 \( X \) 的概率密度函数 (PDF)。
2. MGF 和拉普拉斯变换的关系
MGF 是 \( X \) 的拉普拉斯变换的一种形式:
\[ M_X(s) = \mathbb{E}[e^{sX}] = \int_{0}^{\infty} e^{-st} f_X(t) \, dt \]
但我们需要将它与 CDF 关联起来。我们知道 CDF \( F_X(x) \) 可以通过 PDF 的积分得到,所以我们需要将 PDF 与 MGF 关联。
3. 利用拉普拉斯逆变换
拉普拉斯逆变换定义为:
\[ \mathcal{L}^{-1}\{F(s)\}(x) = \frac{1}{2\pi j} \int_{c-j\infty}^{c+j\infty} e^{sx} F(s) \, ds \]
我们将此应用于 \( \frac{M_X(s)}{s} \) 上:
\[ \mathcal{L}^{-1}\left\{\frac{M_X(s)}{s}\right\}(x) = \frac{1}{2\pi j} \int_{c-j\infty}^{c+j\infty} e^{sx} \frac{M_X(s)}{s} \, ds \]
通过计算这个积分,我们可以恢复 CDF \( F_X(x) \)。
4. 证明步骤
(1)首先,我们知道 \( M_X(s) = \int_{0}^{\infty} e^{-st} f_X(t) \, dt \)。
(2)将 \( M_X(s) \) 代入拉普拉斯逆变换公式:
\[ F_X(x) = \mathcal{L}^{-1} \left\{ \frac{1}{s} \int_{0}^{\infty} e^{-st} f_X(t) \, dt \right\}(x) \]
(3)逆变换的线性性质允许我们交换积分次序和逆变换:
\[ F_X(x) = \int_{0}^{\infty} f_X(t) \, \mathcal{L}^{-1} \left\{ \frac{e^{-st}}{s} \right\}(x) \, dt \]
(4)计算 \( \mathcal{L}^{-1} \left\{ \frac{e^{-st}}{s} \right\} \),可以发现它正是单位阶跃函数:
\[ \mathcal{L}^{-1} \left\{ \frac{e^{-st}}{s} \right\}(x) = \begin{cases} 1 & \text{if } x \geq t \\ 0 & \text{if } x < t \end{cases} \]
(5)将此结果代入上面的积分公式:
\[ F_X(x) = \int_{-\infty}^{x} f_X(t) \, dt \]
这正是 CDF 的定义,因此证明了公式的正确性。
总结
这个公式展示了 MGF 与累积分布函数 (CDF) 的关系。通过将 MGF 除以 \( s \) 后进行拉普拉斯逆变换,我们可以从矩生成函数恢复出累积分布函数。这一关系在概率论和统计学中有重要的应用,用于从随机变量的矩生成函数恢复其概率分布。