Производящая функция моментов: что это и как она используется в анализе распределений. анализ.. анализ. вероятность.. анализ. вероятность. генерация.. анализ. вероятность. генерация. математика.. анализ. вероятность. генерация. математика. момент.. анализ. вероятность. генерация. математика. момент. распределение.. анализ. вероятность. генерация. математика. момент. распределение. стата.. анализ. вероятность. генерация. математика. момент. распределение. стата. статистика.. анализ. вероятность. генерация. математика. момент. распределение. стата. статистика. теория вероятности.. анализ. вероятность. генерация. математика. момент. распределение. стата. статистика. теория вероятности. тервер.

Производящая функция моментов (moment-generation functions) – это функция, которая служит альтернативным способом задания распределения вероятностей случайной величины. (Далее MGF – производящая функция моментов)

Идея моментов

Допустим, у нас есть случайная величина W. Математическое ожидание operatorname{E}[W]и дисперсия operatorname{Var}[W] это разные “моменты” случайной величины. Моменты, в свою очередь это числовые характеристики, которые описывают форму распределения случайной величины. Тогда operatorname{E}[W]первый момент относительно начала координат, а operatorname{Var}[W]связан со вторым моментом относительно среднего. По определению, operatorname{E}[W^r] дает r-й момент случайной величины W относительно начала координат. То есть, при r = 1: operatorname{E}[W^1]=operatorname{E}[W]. Когда  r стремится к бесконечности, вычислять operatorname{E}[W^r]очень сложно, потому что функция очень резко усиливает хвосты распределения, маленькие отклонения становятся огромными, и интеграл может просто расходиться. К счастью, есть функция

M_W(t)=E(e^{tW})

Производящая функция моментов – это функция, которая “собирает” все моменты в одну формулу.

Производящая функция моментов

Здесь, t – это технический параметр, который нужен только для удобства вычисления моментов. Давайте разложим e^{tW} в ряд Тейлора:

e^{tW}=1 + tW + frac{t^2W^2}{2!} + frac{t^3W^3}{3!} + dots

Возьмем математическое ожидание обеих частей:

M_W(t)=E(e^{tW})=1 + tE[W] + frac{t^2E[W^2]}{2!} + dots

Теперь дифференцируем по t:

M_W'(t)=E[W] + tE[W^2] + dots

Если мы подставим t=0, то все члены с t обнуляются!

M_W'(0)=E[W]

А если мы возьмем вторую производную функции M_W(t)в точке t=0, то получим M_W'’(0)=E[W^2], отсюда можно и найти дисперсию Var[W]=E[W^2] - (E[W])^2

Производящая функция моментов существует только если E(e^{tW}) < inftyв какой-то окрестности нуля. Например, у распределения Коши MGF не существует вообще, интеграл расходится при любом t neq 0.

Плотность вероятности распределение Коши
Плотность вероятности распределение Коши

Из ряда Тейлора видно, что коэффициент при t^r это frac{E[W^r]}{r!} .

Значит если продифференцировать M_W(t) ровно r раз по t и подставить t=0, все члены кроме одного обнуляются и останется:

M^{(r)}_W (0)=E[W^r]

Производящая функция моментов суммы независимых величин перемножаются

Если W и V независимы, то:

M_{V + W}(t)=M_V(t) times M_W(t)

Доказательство
M_{V+W}(t)=E[e^{t(V+W)}]=E[e^{tV} cdot e^{tW}]=E[e^{tV}] cdot E[e^{tW}]=M_V(t) cdot M_W(t)

Это удобно потому что считать сумму случайных величин напрямую сложно, а перемножить две функции легко.

Пример

Экспоненциальное распределение W sim text{Exp}(lambda). Плотность: f(x)=lambda e^{-lambda x}, quad x ge 0. По определению производящей функции моментов:

M_W(t)=mathbb{E}(e^{tW})=int_{0}^{infty} e^{tx} lambda e^{-lambda x} dx

Упрощаем:

M_W(t)=lambda int_{0}^{infty} e^{-(lambda - t)x} dx

Это стандартный интеграл от экспоненты int_{0}^{infty} e^{-ax} dx=frac{1}{a}, quad a > 0. Здесь a=lambda - t, значит нужно t < lambda. Получаем:

M_W(t)=frac{lambda}{lambda - t}, quad t < lambda

Первый момент: M’_W(t)=frac{lambda}{(lambda - t)^2} Rightarrow M'_W(0)=frac{1}{lambda}

Второй момент: M’'_W(t)=frac{2lambda}{(lambda - t)^3} Rightarrow M''_W(0)=frac{2}{lambda^2}, тогда дисперсия:

Var(W)=frac{2}{lambda^2} - left(frac{1}{lambda}right)^2=frac{1}{lambda^2}

мои контакты: tg @salyamq2

Автор: salyamq1

Источник