拉普拉斯逆变换和矩生成函数（MGF）之间的关系

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。