MGF(矩生成函数)
MGF的定义
矩生成函数(Moment Generating Function,mgf),又叫矩母函数。
统计学定义为:
M
~
(
s
)
=
E
[
exp
(
s
X
)
]
=
∫
−
∞
+
∞
exp
(
s
x
)
f
x
(
x
)
d
x
\ \tilde M(s) = E[\exp (sX)] = \int\limits_{ - \infty }^{ + \infty } {\exp (sx)f_x (x)dx} \
M~(s)=E[exp(sX)]=−∞∫+∞exp(sx)fx(x)dx
其中,
X
X
X为连续性随机变量,
f
x
(
x
)
f_x (x)
fx(x)为连续性随机变量的概率密度函数(Probability Density Function,PDF)。
MGF的特点
1.一个矩生成函数与一个随机变量的分布一一对应。
通信理论中MGF的应用
定义
M. K. Simon and M.-S. Alouini, Digital Communication Over Fading
Channels. New York: Wiley, 2000.
在通信领域中,常将MGF另行定义,如下:
M
(
s
)
=
M
~
(
−
s
)
=
E
[
exp
(
−
s
X
)
]
=
∫
−
∞
+
∞
exp
(
−
s
x
)
f
x
(
x
)
d
x
\ M(s) = \tilde M( - s) = E[\exp ( - sX)] = \int\limits_{ - \infty }^{ + \infty } {\exp (-sx)f_x (x)dx} \
M(s)=M~(−s)=E[exp(−sX)]=−∞∫+∞exp(−sx)fx(x)dx
注意到,该表达式和拉普拉斯变换的表达式相同,如下:
L
(
s
)
=
∫
−
∞
+
∞
f
(
t
)
exp
(
−
s
t
)
d
t
\ L(s) = \int\limits_{ - \infty }^{ + \infty } {f(t)\exp ( - st)dt} \
L(s)=−∞∫+∞f(t)exp(−st)dt
于是,新定义的MGF和随机变量的概率密度函数是一对拉普拉斯变换对。
在通信领域中,多跳通信系统,独立不同分布的信道特性的理论分析常用到MGF。
性质
随机变量的概率分布函数(Cumulative Distribution Function,CDF),是概率密度函数的积分。
概率分布函数的MGF与概率密度函数的MGF的关系如下:
M
C
D
F
(
s
)
=
M
P
D
F
(
s
)
s
\ M_{CDF} (s) = \frac{{M_{PDF} (s)}}{s} \
MCDF(s)=sMPDF(s)
同理,进行反拉普拉斯变换,就可以得到CDF和PDF。
注意:此性质是完全基于通信领域新定义的MGF(即:符合拉式变换的新定义),得到的结论,如果是最开始的统计学定义的MGF,结果将并不相同,如下:
M
~
C
D
F
(
s
)
=
M
~
P
D
F
(
s
)
−
s
\ \tilde M_{CDF} (s) = \frac{{\tilde M_{PDF} (s)}}{{ - s}} \
M~CDF(s)=−sM~PDF(s)
(具体推导过程,使用分布积分即可得到。)
扩展——特征函数
统计学中,特征函数定义为:
Φ ( s ) = E [ exp ( s X ) ] = ∫ − ∞ + ∞ exp ( i s x ) f x ( x ) d x \ \Phi (s) = E[\exp (sX)] = \int\limits_{ - \infty }^{ + \infty } {\exp (isx)f_x (x)dx} \ Φ(s)=E[exp(sX)]=−∞∫+∞exp(isx)fx(x)dx
特征函数和矩生成函数,本质是一样的。