特征函数和矩母函数.

合集下载

特征函数与矩函数

公式法
根据概率分布的性质和公式，计算相应的矩函数。例如，对于离散型随机变量，可以使用概率质量函数和概率分布函数来计算；对于连续型随机变量，可以使用概率密度函数和概率分布函数来计算。
数值法
对于一些复杂的概率分布，可以使用数值方法来近似计算矩函数。例如，蒙特卡洛方法可以用来模拟随机变量的样本值，然后通过样本值的数学期望来近似计算矩函数。
05 特征函数与矩函数的扩展
广义特征函数与矩函数
定义
广义特征函数与矩函数是相对于经典的特征函数与矩函数的扩展，它们在更广泛的意义下描述了数据的统计特性。
性质
广义特征函数与矩函数具有更强的灵活性和适应性，能够更好地处理复杂的数据分布和异常值。
应用
在统计学、机器学习、数据分析等领域，广义特征函数与矩函数被广泛应用于数据建模、特征提取和异常检测。
03 特征函数与矩函数的应用
在概率论中的应用
特征函数用于描述随机变量的概率分布，可以表示为复平面上的函数。通过计算特征函数的导数，可以得到随机变量的各阶矩，如均值、方差、偏度、峰度等。
特征函数还可以用于研究随机变量的变换性质，例如，通过特征函数可以推导出随机变量的变换规律，以及随机变量的独立性、相关性等性质。
特征函数与矩函数
目录
• 特征函数 • 矩函数 • 特征函数与矩函数的应用 • 特征函数与矩函数的区别与联系 • 特征函数与矩函数的扩展
01 特征函数
定义与性质
定义
特征函数是概率论和统计学中的一个概念，用于描述随机变量或随机过程的特性。
性质
特征函数具有一些重要的性质，如实部和虚部都是单调递减的，且实部和虚部都是偶函数。
特征函数的性质
唯一性

概率分布与随机变量的矩与生成函数

概率分布与随机变量的矩与生成函数概率分布与随机变量是概率论与数理统计中重要的概念，它们用于描述和分析随机现象和随机事件。

在概率论和统计学中，矩和生成函数是研究随机变量分布的重要工具。

一、概率分布概率分布描述了一个随机变量在不同取值下的概率情况。

它可以表示为一个概率密度函数或概率质量函数。

对于连续型随机变量，我们使用概率密度函数来描述它的分布；对于离散型随机变量，我们使用概率质量函数。

例如，正态分布是一种常见的概率分布。

它由两个参数μ和σ决定，其中μ是均值，σ是标准差。

正态分布的概率密度函数是一个钟形曲线，对应不同取值的概率可以由曲线下的面积计算得到。

二、随机变量的矩在概率论和数理统计中，随机变量的矩是描述随机变量分布特征的统计量。

对于一个随机变量X，它的r阶矩定义为E(X^r)，即X的r次幂的期望。

矩刻画了随机变量的中心位置和离散程度。

以二阶矩为例，它也被称为方差。

方差是衡量随机变量离散程度的指标，它表示随机变量取值偏离均值的程度，方差越大，说明随机变量取值更分散。

三、生成函数生成函数是一种用于表示随机变量分布的函数，它与随机变量的矩有密切的关系。

通过生成函数，我们可以方便地求得随机变量的各阶矩。

常见的生成函数包括矩母函数和特征函数。

矩母函数表示随机变量的矩与生成函数的关系，特征函数则是对应于矩的生成函数。

矩母函数可以表示为M(t)=E(e^(tX))，其中t为变量，X为随机变量。

通过对矩母函数求导，我们可以得到随机变量的各阶矩。

特征函数可以表示为φ(t)=E(e^(itX))，其中i为虚数单位，t为变量，X为随机变量。

特征函数与随机变量的概率分布是一一对应的。

四、应用举例概率分布与随机变量的矩与生成函数在概率论和数理统计的研究中有广泛的应用。

例如，在金融风险管理中，我们常常需要对金融资产的收益率进行建模和分析。

通过分析收益率的概率分布以及一阶矩和二阶矩，我们可以评估资产的风险特征并制定有效的风险管理策略。

矩母函数

因而
Y |Xx x 1 y f fY Y||X X y y||x xd y 1/1 1- 1 -x x x 1 y d y1 2 x
Y|X 1 X/2
fY|X y|x 1/ 1-x
注意： Y|X 1 X/2是随机变量，当X x 时，其值为
Y|X x 1 x/2
思考题：当X与Y独立时， X |Y y 的值？
定义：X的矩母函数（MGF），或Laplace变换定义为
Xt
etX
其中t在实数上变化。
etxdF Xx
若MGF是有定义的，可以证明可以交换微分操作和求期望操作，所以有：
0 de tX
d t
t0
d e tX d t t0
X e tX t0
X
取k阶导数，可以得到 k 0
Xk 方便计算分布的矩
.
.
6
X ～ U n ifo r m 0 ,1 ， Y |X ～ U n ifo r m x ,1
怎样计算 Y ？一种方法是计算联合密度 f x , y ，然后计算
Y yf x,ydxdy
另一种更简单的方法是分两步计算
计算 Y| X =1 X
计算 Y =
2 Y|X =
1
X
1+ X
2
2
= 1+
Y |X Y Y |X Y |X Y|X Y 0 0
所以
Y Y |X Y |X
.
10
二、混合分布
在一个分布族中，分布族由一个/一些参数决定，如 f x，| 这些参数通常又是一个随机变量（贝叶斯学派的观点，参数也是随机变量），则最终的分布称为混合分布(mixture distribution)

概率统计：矩母函数

矩母函数(1)
矩母函数与特征函数在计算随机变量的数字特征和概率分布起很大的作用,它们使许多繁难的问题得到简化和解决,是证明概率论中的许多理论问题的有力的工具.
定义 5.1 设 X 为随机变量,I 是一个包含0的(有限或无限的)
开区间,对任意t I ,期望EetX 存在,则称函数
M X (t) E(etX )
5
矩母函数(5)
3) 设U ,V 独立，U ~ B(m, p),V ~ B(n, p),W U V .则 MU (t) ( pet q)m , MV (t) ( pet q)n,
MW (t) MU (t)MV (t) ( pet q)m ( pet q)n ( pet q)mn. 故W ~ B(m n, p).
6
例 5.2 设 X ~ ( , ),则
矩母函数(6)
1) M X (t)
etx x 1e xdx 0 ( )
x 1e( t)xdx. 0 ( )
xu /( t)
(
t) ( )
0
u
1eu
du
t
a
.
2)
M
X
(t)
t
a1,
M
X
(t
)
(
2
1)
t
a2
2
2) M X (t) tet2 / 2, M X (t) t 2et2 / 2 et2 / 2 ,
EX M X (0) 0, EX 2 M X (0) 1, DX EX 2 (EX )2 1.
9
矩母函数(9)
3) M X (t) et2 / 2
(t2 / 2)k k0 k !
MY (t) et M X (t). 证 MY (t) EetY Eet( X ) et Ee(t ) X et M X (t).

1.4.11.4特征函数的定义

，
i
则
MY
t
M n
i1 Xi
ait
20 X
X1,, X n 为n维实值随机向量，
t
M
t
t1，, E
tn e(
Rn，X的矩 E X1t1 X ntn )
母 e
函数
X ,t
定
义
为
，
X
30 矩母函数与分布函数也是一一对应关系 .
13
E e i X ,t
n维实值随机向量的特征函数为n元函数.
10
矩母函数
概率空间,F , P 上实值随机变量X ,密度函数为p x，t R，矩母函数定义为
MX t
E etX
etx p x dx
t 2 x2
1
tx
2!
t n xn
n!
p
x
dx
1 tEX t 2 E X 2 t n E X n
50 X t 一致连续.
0,
X t h X t eitx eihx 1 p x dx
a
e ihx 1 p x dx e ihx 1 p x dx 2 p x dx
a
x a
1) 取 a 充分大，使得 2 p x dx
2） x a , 取 h x a
目录
条件期望特征函数
1
目录
1.4 特征函数的定义
从傅里叶变换到特征函数，再到矩母函数
2
特征函数前传
一、卷积
如果随机变量X 与Y 相互独立，则它们的和 Z X Y的密度函数等于X 与Y 密度函数的卷积：
fZ z f X x * fY y
f Z z f X x fY z x dx

概率论的随机变量

概率论的随机变量概率论是数学中一门重要的学科，研究的是随机事件的概率性质和规律。

随机变量是概率论中的重要概念，它是描述随机现象的数值特征的变量。

本文将从概率论的角度出发，全面介绍随机变量及其相关概念和性质。

一、随机变量的定义和分类随机变量是概率论中的一种数值变量，它的取值由随机试验的结果决定。

一般来说，随机变量可以分为离散型随机变量和连续型随机变量两类。

离散型随机变量是只能取有限或可列无穷多个值的随机变量，其取值通常是整数。

例如，抛一枚硬币，用X表示正面朝上的次数，X可以取0、1这两个值。

连续型随机变量是能够取得某个区间内所有可能值的随机变量，其取值可以是实数。

例如，测量一个人的身高X，X可以是区间[150, 200]内的任意一个值。

二、随机变量的分布函数和密度函数对于任意一个随机变量，都可以通过分布函数或密度函数来描述其概率分布情况。

1. 分布函数（累积分布函数，Cumulative Distribution Function，简称CDF）：对于随机变量X，其分布函数F(x)定义为F(x) = P(X ≤ x)，表示X取值小于等于x的概率。

分布函数具有以下性质：（1）F(x)是一个非降函数；（2）对于任意的实数x1 < x2，有F(x1) ≤ F(x2)；（3）当x→-∞时，F(x)→0；当x→+∞时，F(x)→1。

2. 密度函数（Probability Density Function，简称PDF）：对于连续型随机变量X，其密度函数f(x)定义为在某个数轴区间内，随机变量落在该区间内的概率密度。

具体来说，密度函数f(x)满足以下性质：（1）f(x) ≥ 0，即密度函数非负；（2）∫f(x)dx = 1，即密度函数的积分等于1；（3）对于任意实数a ≤ b，有P(a ≤ X ≤ b) = ∫[a,b] f(x)dx。

三、随机变量的期望和方差随机变量的期望和方差是描述随机变量性质的两个重要指标。

特征函数和矩母函数.

分布律为P(X=xk)=pk（k=1,2,）的离散型随机变量X，特征函数为
(t ) eitx pk
k

k 1
概率密度为f(x)的连续型随机变量X，特征函数为 (t ) eitx f ( x)dx 对于n维随机向量X=(X1, X2, , Xn)，特征函数为
g (t ) e
,由g (0) 1, 得C 0，从而g (t ) e
1 t2 2
例5 ：设随机变量X的特征函数为gX(t) ， Y=aX+b，其中a, b为任意实数，证明Y的 itb 特征函数gY(t)为 gY (t ) e g X (at) 。
it ( aX b ) 证：gY (t ) E e i ( at ) X itb itb i ( at ) X E e e e E e
itk k 0 k n k n n k
C
k 0
n
k n
pe
it k
q
n k
pe q
it
n
n d it EX ig (0) i pe q t 0 np dt 2 n d 2 2 2 it EX i g (0) i 2 pe q dt
r 0
(4) H ( s ) P{Y k}s k
k 0 k P Y k , { N l} s k 0 l 0

P{Y k , N l}s
k 0 l 0

k
P{Y k}P{ N l}s k
4. 母函数
定义：设X是非负整数值随机变量，分布律
P{X=k}=pk，k=0,1, 则称

多项分布的数学期望、协方差阵、特征函数及母函数

多项分布的数学期望、协方差阵、特征函数及母函数多项分布的数学期望、协方差阵、特征函数及母函数 1一、定义与性质设 X 为随机变量， I 是一个包含 0 的 ( 有限或无限的 ) 开区间，对任意t ∈ I ，期望 E e t x 存在设X为随机变量，I是一个包含0的(有限或无限的)开区间，对任意t∈I，期望Ee^{tx}存在设X为随机变量，I是一个包含0的(有限或无限的)开区间，对任意t∈I，期望Eetx存在则称函数M X ( t ) = E ( e t X ) = ∫ − ∞ + ∞ e t x d F ( x ) , t ∈ I 为 X 的矩母函数则称函数M_{X}(t)=E(e^{tX})=\int_{-\infin}^{+\infin}e^{tx}dF(x),t∈I为X的矩母函数则称函数MX(t)=E(etX)=∫−∞+∞etxdF(x),t∈I为X的矩母函数设 X 为任意随机变量，称函数φ X ( t ) = E ( e i t X ) = ∫ − ∞ + ∞ e i t x d F ( x ) 为 X 的特征函数设X为任意随机变量，称函数\varphi_{X}(t)=E(e^{itX})=\int_{-\infin}^{+\infin}e^{itx}dF(x)为X的特征函数设X为任意随机变量，称函数φX(t)=E(eitX)=∫−∞+∞eitxdF(x)为X 的特征函数一个随机变量的矩母函数不一定存在，但是特征函数一定存在。

一个随机变量的矩母函数不一定存在，但是特征函数一定存在。

随机变量与特征函数存在一一对应的关系随机变量与特征函数存在一一对应的关系随机变量与特征函数存在一一对应的关系二、离散型随机变量的分布0、退化分布(Degenerate distribution)若 X 服从参数为 a 的退化分布，那么 f ( k ;a ) = { 1 , k = a 0 , k ≠ a 若X服从参数为a的退化分布，那么f(k;a)=\left\{\begin{matrix} 1,k=a \\ 0,k\neq a \end{matrix}\right. 若X服从参数为a的退化分布，那么f(k;a)={1,k=a0,k=a M ( t ) = e t a M(t)=e^{ta}M(t)=eta φ ( t ) = e i t a \varphi(t)=e^{ita}φ(t)=eita M ′ ( t ) = a e t a M'(t)=ae^{ta}M′(t)=aeta E X = M ′ ( 0 ) = a EX=M'(0)=aEX=M′(0)=a M ′ ′ ( t ) = a 2 e t a M''(t)=a^2e^{ta} M′′(t)=a2eta E X 2 = M ′ ′ ( 0 ) = a 2EX^2=M''(0)=a^2 EX2=M′′(0)=a2 D X = E X 2 − ( E X ) 2 = 0 DX=EX^2-(EX)^2=0 DX=EX2−(EX)2=01、离散型均匀分布(Discrete uniform distribution)若 X 服从离散型均匀分布 D U ( a , b ) , 则 X 分布函数为 F ( k ; a , b ) = ⌊ k ⌋− a + 1 b −a + 1 若X服从离散型均匀分布DU(a,b) ,则X分布函数为F(k;a,b)=\frac{\lfloor k\rfloor -a+1}{b-a+1} 若X服从离散型均匀分布DU(a,b),则X分布函数为F(k;a,b)=b−a+1⌊k⌋−a+1 则矩母函数M ( t ) = ∑ k = a b e t k P ( x = k ) 则矩母函数M(t)=\sum_{k=a}^{b} e^{tk}P(x=k) 则矩母函数M(t)=k=a∑betkP(x=k) = ( ∑ k = a b e t k ) 1 b − a + 1 =(\sum_{k=a}^{b} e^{tk})\frac{1}{b-a+1} =(k=a∑b etk)b−a+11 = e a t − e ( b + 1 ) t ( 1 − e t ) ( b − a + 1 ) =\frac{e^{at}-e^{(b+1)t}}{(1-e^{t})(b-a+1)} =(1−et)(b−a+1)eat−e(b+1)t 特征函数φ ( t ) = ∑k = a b e i t k P ( x = k ) 特征函数\varphi(t)=\sum_{k=a}^{b} e^{itk}P(x=k) 特征函数φ(t)=k=a∑beitkP(x=k) = ( ∑ k = a b e i t k ) 1 b −a + 1 =(\sum_{k=a}^{b} e^{itk})\frac{1}{b-a+1}=(k=a∑beitk)b−a+11 = e a i t − e ( b + 1 ) i t ( 1 − e i t ) ( b − a + 1 ) =\frac{e^{ait}-e^{(b+1)it}}{(1-e^{it})(b-a+1)}=(1−eit)(b−a+1)eait−e(b+1)it M ′ ( t ) = 1 b − a + 1 ( a e a t − ( b + 1 ) e ( b + 1 ) t ) ( 1 − e t ) + ( e a t − e ( b + 1 ) t ) e t ( e t − 1 ) 2M'(t)=\frac{1}{b-a+1}\frac{(ae^{at}-(b+1)e^{(b+1)t})(1-e^t)+(e^{at}-e^{(b+1)t})e^t}{(e^{t}-1)^{2}} M′(t)=b−a+11(et−1)2(aeat−(b+1)e(b+1)t)(1−et)+(eat−e(b+1)t)et t = 0 为M ′ ( t ) 的可去间断点，补充定义M ′ ( 0 ) = lim ⁡ t → 0 M ′ ( t ) t=0为M'(t)的可去间断点，补充定义M'(0)=\lim_{t\rightarrow0}M'(t) t=0为M′(t)的可去间断点，补充定义M′(0)=t→0limM′(t) E X = M ′ ( 0 ) = lim ⁡ t → 0 1 b − a + 1 ( a 2 e at − ( b + 1 ) 2 e ( b + 1 ) t ) ( 1 − e t ) + ( e at − e ( b + 1 ) t ) e t 2 ( e t − 1 ) e tEX=M'(0)=\lim_{t\rightarrow0}\frac{1}{b-a+1}\frac{(a^2e^{at}-(b+1)^2e^{(b+1)t})(1-e^t)+(e^{at}-e^{(b+1)t})e^t}{2(e^{t}-1)e^t}EX=M′(0)=t→0limb−a+112(et−1)et(a2eat−(b+1)2e(b+1)t)(1−et)+(eat−e(b+1)t) et = lim ⁡ t → 0 1 b − a + 1 ( a 2 e a t − ( b +1 )2 e ( b + 1 ) t ) ( e − t − 1 ) + ( e a t − e ( b + 1 ) t ) 2 ( e t − 1 )=\lim_{t\rightarrow0}\frac{1}{b-a+1}\frac{(a^2e^{at}-(b+1)^2e^{(b+1)t})(e^{-t}-1)+(e^{at}-e^{(b+1)t})}{2(e^{t}-1)} =t→0limb−a+112(et−1)(a2eat−(b+1)2e(b+1)t)(e−t−1)+(eat−e(b+1)t) = lim ⁡ t → 0 1 b − a + 1 ( a 3 e a t − ( b + 1 ) 3 e ( b + 1 ) t ) ( e − t − 1 ) − ( a 2 e a t −( b + 1 ) 2 e ( b + 1 ) t ) e − t + ( a e a t − ( b + 1 ) e ( b + 1 ) t ) 2 e t=\lim_{t\rightarrow0}\frac{1}{b-a+1}\frac{(a^3e^{at}-(b+1)^3e^{(b+1)t})(e^{-t}-1)-(a^2e^{at}-(b+1)^2e^{(b+1)t})e^{-t}+(ae^{at}-(b+1)e^{(b+1)t})}{2e^{t}} =t→0limb−a+112et(a3eat−(b+1)3e(b+1)t)(e−t−1)−(a2eat−(b+1)2e(b+1)t)e−t+(aeat−(b+1)e(b+1)t) = − a 2 + ( b + 1 ) 2 +a − (b + 1 ) 2 ( b − a + 1 ) =\frac{-a^2+(b+1)^2+a-(b+1)}{2(b-a+1)} =2(b−a+1)−a2+(b+1)2+a−(b+1) = − a 2 + ( b + 1 ) 2 2 ( b − a + 1 ) − 1 2 =\frac{-a^2+(b+1)^2}{2(b-a+1)}-\frac{1}{2}=2(b−a+1)−a2+(b+1)2−21 = ( b + 1 − a ) ( b + 1 +a ) 2 (b − a + 1 ) − 1 2 =\frac{(b+1-a)(b+1+a)}{2(b-a+1)}-\frac{1}{2}=2(b−a+1)(b+1−a)(b+1+a)−21 = b + 1 + a 2 − 1 2=\frac{b+1+a}{2}-\frac{1}{2} =2b+1+a−21 = b + a 2=\frac{b+a}{2} =2b+a 由于对M ′ ( t ) 求导得到M ′ ′ ( t ) ，再求M ′ ′ ( 0 ) 的方法比较繁琐，而我们只需要 t = 0 时 M 的二阶导数值，由于对M'(t)求导得到M''(t)，再求M''(0)的方法比较繁琐，而我们只需要t=0时M的二阶导数值，由于对M′(t)求导得到M′′(t)，再求M′′(0)的方法比较繁琐，而我们只需要t=0时M的二阶导数值，因此可以考虑使用 T a y l o r 公式计算M ′ ′ ( 0 ) 因此可以考虑使用Taylor公式计算M''(0) 因此可以考虑使用Taylor公式计算M′′(0) 令 1 − e t = u , t = 0 时 , u = 0 令1-e^t=u,t=0时,u=0 令1−et=u,t=0时,u=0 M ( t ) = e a t − e ( b + 1 ) t ( 1 − e t ) ( b − a + 1 )M(t)=\frac{e^{at}-e^{(b+1)t}}{(1-e^{t})(b-a+1)}M(t)=(1−et)(b−a+1)eat−e(b+1)t = 1 b − a + 1 u a −u b + 1 u =\frac{1}{b-a+1}\frac{u^a-u^{b+1}}{u}=b−a+11uua−ub+1 = 1 b − a + 1 1 + a 1 ! ( − u ) + a ( a − 1 ) 2 ! u 2 + a ( a − 1 ) ( a − 2 ) 3 ! ( − u 3 ) + o ( u 3 ) − 1 − b + 1 1 ! ( − u ) −( b + 1 ) b 2 ! u 2 − ( b + 1 ) b ( b − 1 ) 3 ! ( −u 3 ) − o ( u 3 ) u =\frac{1}{b-a+1}\frac{1+\frac{a}{1!}(-u)+\frac{a(a-1)}{2!}u^2+\frac{a(a-1)(a-2)}{3!}(-u^3)+o(u^3)-1-\frac{b+1}{1!}(-u)-\frac{(b+1)b}{2!}u^2-\frac{(b+1)b(b-1)}{3!}(-u^3)-o(u^3)}{u} =b−a+11u1+1!a (−u)+2!a(a−1)u2+3!a(a−1)(a−2)(−u3)+o(u3)−1−1!b+1(−u)−2!(b+1)bu2−3!(b+1)b(b−1) (−u3)−o(u3) = 1 b − a + 1 a 1 ! ( − u ) + a ( a −1 ) 2 ! u 2 + a ( a − 1 ) ( a − 2 ) 3 ! ( − u 3 ) + o ( u 3 ) − b + 1 1 ! ( − u ) − ( b + 1 ) b 2 ! u 2 − ( b + 1 ) b ( b − 1 ) 3 ! ( − u 3 ) u=\frac{1}{b-a+1}\frac{\frac{a}{1!}(-u)+\frac{a(a-1)}{2!}u^2+\frac{a(a-1)(a-2)}{3!}(-u^3)+o(u^3)-\frac{b+1}{1!}(-u)-\frac{(b+1)b}{2!}u^2-\frac{(b+1)b(b-1)}{3!}(-u^3)}{u} =b−a+11u1!a(−u)+2!a(a−1)u2+3!a(a−1)(a−2)(−u3)+o(u3)−1!b+1 (−u)−2!(b+1)bu2−3!(b+1)b(b−1)(−u3) = 1 b − a + 1 ( ( b + 1 − a ) + a ( a − 1 ) 2 ! u + a ( a − 1 ) ( a − 2 ) 3 ! ( − u 2 ) + o ( u 2 ) − ( b + 1 ) b2 ! u − ( b + 1 ) b ( b − 1 )3 ! ( − u 2 ) )=\frac{1}{b-a+1}((b+1-a)+\frac{a(a-1)}{2!}u+\frac{a(a-1)(a-2)}{3!}(-u^2)+o(u^2)-\frac{(b+1)b}{2!}u-\frac{(b+1)b(b-1)}{3!}(-u^2)) =b−a+11((b+1−a)+2!a(a−1)u+3!a(a−1)(a−2)(−u2)+o(u2)−2!(b+1)bu−3!(b+1)b(b−1)(−u2)) = 1 + a ( a − 1 ) − ( b + 1 ) b 2 ! ( b − a + 1 ) u + ( b +1 ) b ( b − 1 ) − a ( a − 1 ) ( a −2 )3 ! ( b −a + 1 ) u 2 + o ( u 2 ) =1+\frac{a(a-1)-(b+1)b}{2!(b-a+1)}u+\frac{(b+1)b(b-1)-a(a-1)(a-2)}{3!(b-a+1)}u^2+o(u^2) =1+2!(b−a+1)a(a−1)−(b+1)bu+3!(b−a+1)(b+1)b(b−1)−a(a−1)(a−2)u2+o(u2) 而 u = 1 − e t = − t − t 2 2 ! + o ( t 2 ) 而u=1-e^t=-t-\frac{t^2}{2!}+o(t^2) 而u=1−et=−t−2!t2+o(t2) 因此M ( t ) = 1 − a ( a − 1 ) − ( b + 1 ) b 2 ! ( b −a + 1 ) t − a ( a − 1 ) − (b + 1 ) b 2 ! ( b − a + 1 ) t 2 2 ! + ( b + 1 ) b ( b − 1 ) − a ( a − 1 ) ( a − 2 ) 3 ! ( b − a + 1 ) t 2 + o ( t 2 ) 因此M(t)=1-\frac{a(a-1)-(b+1)b}{2!(b-a+1)}t-\frac{a(a-1)-(b+1)b}{2!(b-a+1)}\frac{t^2}{2!}+\frac{(b+1)b(b-1)-a(a-1)(a-2)}{3!(b-a+1)}t^2+o(t^2) 因此M(t)=1−2!(b−a+1)a(a−1)−(b+1)bt−2!(b−a+1)a(a−1)−(b+1)b2!t2+3!(b−a+1)(b+1)b(b−1)−a(a−1)(a−2)t2+o(t2) 又因为M ( t ) = M ( 0 ) + M ′ ( 0 ) t + M ′ ′ ( 0 ) 2 ! t 2 + o ( t 2 ) 又因为M(t)=M(0)+M'(0)t+\frac{M''(0)}{2!}t^2+o(t^2) 又因为M(t)=M(0)+M′(0)t+2!M′′(0)t2+o(t2) 因此M ′ ( 0 ) = − a ( a − 1 ) − ( b + 1 ) b 2 ! ( b − a + 1 ) = a + b 2 因此M'(0)=-\frac{a(a-1)-(b+1)b}{2!(b-a+1)}=\frac{a+b}{2} 因此M′(0)=−2!(b−a+1)a(a−1)−(b+1)b=2a+b E X = M ′( 0 ) = a + b 2 EX=M'(0)=\frac{a+b}{2} EX=M′(0)=2a+b 而M ′ ′ ( 0 ) = 2 ! ∗ ( − a ( a − 1 ) − ( b +1 ) b 4 ( b − a + 1 ) + ( b + 1 ) b ( b − 1 ) − a ( a − 1 ) ( a −2 )3 ! ( b − a + 1 ) ) 而M''(0)=2!*(-\frac{a(a-1)-(b+1)b}{4(b-a+1)}+\frac{(b+1)b(b-1)-a(a-1)(a-2)}{3!(b-a+1)}) 而M′′(0)=2!∗(−4(b−a+1)a(a−1)−(b+1)b+3!(b−a+1)(b+1)b(b−1)−a(a−1)(a−2)) = a + b 2 + ( b + 1 − a ) ( b 2 + a b − b + a 2 − 2 a ) 3 ( b − a + 1 ) =\frac{a+b}{2}+\frac{(b+1-a)(b^2+ab-b+a^2-2a)}{3(b-a+1)} =2a+b+3(b−a+1)(b+1−a)(b2+ab−b+a2−2a) = a + b 2 + b 2 + a b − b + a 2 − 2 a 3=\frac{a+b}{2}+\frac{b^2+ab-b+a^2-2a}{3} =2a+b+3b2+ab−b+a2−2a = 2 a 2 + 2 b 2 + 2 a b + b − a 6 =\frac{2a^2+2b^2+2ab+b-a}{6} =62a2+2b2+2ab+b−a D X = E X 2 − ( E X ) 2 = M ′ ′ ( 0 ) − ( E X ) 2DX=EX^2-(EX)^2=M''(0)-(EX)^2DX=EX2−(EX)2=M′′(0)−(EX)2 = 2 a 2 + 2 b 2 + 2 a b + b − a 6 − a 2 + 2 a b + b 2 4=\frac{2a^2+2b^2+2ab+b-a}{6}-\frac{a^2+2ab+b^2}{4}=62a2+2b2+2ab+b−a−4a2+2ab+b2 = ( b − a + 1 ) 2 − 1 12 =\frac{(b-a+1)^2-1}{12} =12(b−a+1)2−12、伯努利分布/两点分布(Bernoulli distribution)若 X 服从伯努利分布 B ( 1 , p ) , 则 X 满足 P ( x = 1 ) = p , P ( x = 0 ) = 1 − p = q 若X服从伯努利分布B(1,p) ,则X满足P(x=1)=p, P(x=0)=1-p=q 若X服从伯努利分布B(1,p),则X满足P(x=1)=p,P(x=0)=1−p=q M ( t ) = p e t + 1 − p M(t)=pe^{t}+1-p M(t)=pet+1−p φ ( t ) = p e i t + 1 − p \varphi(t)=pe^{it}+1-pφ(t)=peit+1−p M ′ ( t ) = p e t M'(t)=pe^{t}M′(t)=pet E X = M ′ ( 0 ) = p EX=M'(0)=p EX=M′(0)=pM ′ ′ ( t ) = p e t M''(t)=pe^{t} M′′(t)=pet E X 2 = M ′ ′ ( 0 ) = p EX^{2}=M''(0)=p EX2=M′′(0)=p D X = E X 2 − ( E X ) 2 = p ( 1 − p ) DX=EX^{2}-(EX)^{2}=p(1-p) DX=EX2−(EX)2=p(1−p)3、二项分布(Binomial distribution)若 X 服从二项分布 B ( n , p ) , 则 X 满足 f ( k ; n , p ) = P ( x = k ) = C n k p k ( 1 − p ) n − k ( n 为整数 ) 若X服从二项分布B(n,p) ,则X满足f(k;n,p)=P(x=k)=C_{n}^{k}p^k(1-p)^{n-k} (n为整数) 若X 服从二项分布B(n,p),则X满足f(k;n,p)=P(x=k)=Cnkpk(1−p)n−k(n为整数) 因为服从二项分布的变量可以看作 n 个独立相同的服从伯努利分布的变量之和因为服从二项分布的变量可以看作n个独立相同的服从伯努利分布的变量之和因为服从二项分布的变量可以看作n个独立相同的服从伯努利分布的变量之和因此M ( t ) = ( p e t + 1 − p ) n 因此M(t)=(pe^{t}+1-p)^{n} 因此M(t)=(pet+1−p)n φ ( t ) = ( p e i t + 1 − p ) n \varphi(t)=(pe^{it}+1-p)^{n}φ(t)=(peit+1−p)n M ′ ( t ) = n p ( p e t + 1 − p ) n − 1 e t M'(t)=np(pe^{t}+1-p)^{n-1}e^{t}M′(t)=np(pet+1−p)n−1et E X = M ′ ( 0 ) = n pEX=M'(0)=np EX=M′(0)=np M ′ ′ ( t ) = n ( n − 1 )p 2 ( p e t + 1 − p ) n − 2 e 2 t + n p ( p e t + 1 − p ) n − 1 e t M''(t)=n(n-1)p^{2}(pe^{t}+1-p)^{n-2}e^{2t}+np(pe^{t}+1-p)^{n-1}e^{t}M′′(t)=n(n−1)p2(pet+1−p)n−2e2t+np(pet+1−p)n−1et E X 2 = M ′ ′ ( 0 ) = n ( n − 1 ) p 2 + n pEX^{2}=M''(0)=n(n-1)p^{2}+np EX2=M′′(0)=n(n−1)p2+npD X =E X 2 − ( E X ) 2 = n p ( 1 − p ) DX=EX^{2}-(EX)^{2}=np(1-p) DX=EX2−(EX)2=np(1−p)4、几何分布(Geometric distribution)若 X 服从几何分布 G e ( p ) , 则 X 满足 f ( k ; p ) = P ( x = k ) = ( 1 − p ) k − 1 p ( k = 1 , 2 , 3...... ) 若X服从几何分布Ge(p), 则X满足f(k;p)=P(x=k)=(1-p)^{k-1}p (k=1,2,3......) 若X服从几何分布Ge(p),则X满足f(k;p)=P(x=k)=(1−p)k−1p(k=1,2,3......) M ( t ) = ∑ k = 1 ∞ ( 1 − p ) k − 1 p e t kM(t)=\sum_{k=1}^{\infin}(1-p)^{k-1}pe^{tk}M(t)=k=1∑∞(1−p)k−1petk = p e t ∑ k = 1 ∞ ( ( 1 − p ) e t ) k − 1 =pe^{t}\sum_{k=1}^{\infin}((1-p)e^t)^{k-1} =petk=1∑∞((1−p)et)k−1 = p e t 1 −( 1 − p ) e t =\frac{pe^{t}}{1-(1-p)e^{t}}=1−(1−p)etpet φ ( t ) = ∑ k = 1 ∞ ( 1 − p ) k −1 p e i t k \varphi(t)=\sum_{k=1}^{\infin}(1-p)^{k-1}pe^{itk} φ(t)=k=1∑∞(1−p)k−1peitk = p e i t ∑ k = 1 ∞ ( ( 1 − p ) e i t ) k − 1=pe^{it}\sum_{k=1}^{\infin}((1-p)e^{it})^{k-1}=peitk=1∑∞((1−p)eit)k−1 = p e i t 1 − ( 1 − p ) e i t =\frac{pe^{it}}{1-(1-p)e^{it}} =1−(1−p)eitpeit M ′ ( t ) = p e t ( 1 − ( 1 − p ) e t ) 2M'(t)=\frac{pe^t}{(1-(1-p)e^t)^2}M′(t)=(1−(1−p)et)2pet E X = M ′ ( 0 ) = 1 pEX=M'(0)=\frac{1}{p} EX=M′(0)=p1 M ′ ′ ( t ) = p e t ( e t − p e t + 1 ) ( 1 − ( 1 − p ) e t ) 3M''(t)=\frac{pe^t(e^t-pe^t+1)}{(1-(1-p)e^t)^3}M′′(t)=(1−(1−p)et)3pet(et−pet+1) E X 2 = M ′ ′( 0 ) = 2 − p p 2 EX^{2}=M''(0)=\frac{2-p}{p^2}EX2=M′′(0)=p22−p D X = E X 2 − ( E X ) 2 = 1 − p p 2 DX=EX^{2}-(EX)^{2}=\frac{1-p}{p^2}DX=EX2−(EX)2=p21−p5、负二项分布(Negative binomial distribution)若 X 服从负二项分布 N B ( r , p ) , 则 X 满足 f ( k ; r , p ) = ( k + r − 1 k ) p k ( 1 − p ) r , k = 0 , 1 , 2 , 3...... 若X服从负二项分布NB(r,p), 则X满足f(k;r,p)=\binom{k+r-1}{k}p^{k}(1-p)^{r} ,k=0,1,2,3...... 若X服从负二项分布NB(r,p),则X满足f(k;r,p)=(kk+r−1)pk(1−p)r,k=0,1,2,3...... ( r 可以为实数，此时的分布称为波利亚分布 ) (r可以为实数，此时的分布称为波利亚分布) (r可以为实数，此时的分布称为波利亚分布) M ( t ) = ∑ k = 0 ∞ ( k +r − 1 k ) p k ( 1 − p ) r e t kM(t)=\sum_{k=0}^{\infin}\binom{k+r-1}{k}p^k(1-p)^re^{tk} M(t)=k=0∑∞(kk+r−1)pk(1−p)retk = ∑ k = 0 ∞ ( − 1 ) k ( − r k ) p k ( 1 − p ) r e t k=\sum_{k=0}^{\infin}(-1)^k\binom{-r}{k}p^k(1-p)^re^{tk} =k=0∑∞(−1)k(k−r)pk(1−p)retk = ∑ k = 0 ∞ ( − p e t ) k ( − r k ) ( 1 − p ) r =\sum_{k=0}^{\infin}(-pe^t)^k\binom{-r}{k}(1-p)^r =k=0∑∞(−pet)k(k−r)(1−p)r = ( 1 − p ) r ∑ k = 0 ∞ ( − p e t ) k( − r k ) 1 − r − k =(1-p)^r\sum_{k=0}^{\infin}(-pe^t)^k\binom{-r}{k}1^{-r-k} =(1−p)rk=0∑∞(−pet)k(k−r)1−r−k = ( 1 − p ) r ( 1 − p e t ) −r =(1-p)^r(1-pe^t)^{-r} =(1−p)r(1−pet)−r φ ( t ) = ∑ k = 0 ∞ ( k + r − 1 k ) p k ( 1 − p ) r e i t k \varphi(t)=\sum_{k=0}^{\infin}\binom{k+r-1}{k}p^k(1-p)^re^{itk} φ(t)=k=0∑∞(kk+r−1)pk(1−p)reitk = ∑ k = 0 ∞ ( − 1 ) k ( − r k ) p k ( 1 − p ) r e i t k =\sum_{k=0}^{\infin}(-1)^k\binom{-r}{k}p^k(1-p)^re^{itk} =k=0∑∞(−1)k(k−r)pk(1−p)reitk = ∑ k = 0 ∞ ( − p e i t ) k ( − r k ) ( 1 − p ) r=\sum_{k=0}^{\infin}(-pe^{it})^k\binom{-r}{k}(1-p)^r=k=0∑∞(−peit)k(k−r)(1−p)r = ( 1 − p ) r ∑ k = 0 ∞ ( − p e i t ) k ( − r k ) 1 − r − k =(1-p)^r\sum_{k=0}^{\infin}(-pe^{it})^k\binom{-r}{k}1^{-r-k} =(1−p)rk=0∑∞(−peit)k(k−r)1−r−k = ( 1 − p ) r ( 1 − p e i t ) − r =(1-p)^r(1-pe^{it})^{-r}=(1−p)r(1−peit)−r M ′ ( t ) = ( 1 − p ) r ( − r ) ( 1 − p e t ) − r − 1 ( − p e t ) M'(t)=(1-p)^r(-r)(1-pe^{t})^{-r-1}(-pe^t)M′(t)=(1−p)r(−r)(1−pet)−r−1(−pet) = r p ( 1 −p ) r e t ( 1 − p e t ) − r − 1 =rp(1-p)^re^t(1-pe^t)^{-r-1} =rp(1−p)ret(1−pet)−r−1 E X = M ′( 0 ) = r p 1 − p EX=M'(0)=\frac{rp}{1-p}EX=M′(0)=1−prp M ′ ′ ( t ) = r p ( 1 − p ) r e t ( 1 − p e t ) − r − 1 + r p ( 1 − p ) r e t ( − r − 1 ) ( 1 − p e t ) − r − 2 ( − p e t )M''(t)=rp(1-p)^re^t(1-pe^t)^{-r-1}+rp(1-p)^re^t(-r-1)(1-pe^t)^{-r-2}(-pe^t)M′′(t)=rp(1−p)ret(1−pet)−r−1+rp(1−p)ret(−r−1) (1−pet)−r−2(−pet) E X 2 = r p ( 1 − p ) − 1 + r ( r + 1 ) p 2 ( 1 − p ) − 2 EX^2=rp(1-p)^{-1}+r(r+1)p^2(1-p)^{-2}EX2=rp(1−p)−1+r(r+1)p2(1−p)−2 = r p ( 1 − p ) + r ( r + 1 ) p 2 ( 1 − p ) 2 =\frac{rp(1-p)+r(r+1)p^2}{(1-p)^2} =(1−p)2rp(1−p)+r(r+1)p2 = r p + r 2 p 2 ( 1 − p ) 2 =\frac{rp+r^2p^2}{(1-p)^2}=(1−p)2rp+r2p2 D X = E X 2 − ( E X ) 2 = p r ( 1 −p ) 2 DX=EX^2-(EX)^2=\frac{pr}{(1-p)^2}DX=EX2−(EX)2=(1−p)2pr6、泊松分布(Poisson distribution)若 X 服从泊松分布P ( λ ) , 则 P ( X = k ) = e− λ λ k k ! , k = 0 , 1 , 2...... 若X服从泊松分布P(\lambda),则P(X=k)=\frac{e^{-\lambda}\lambda^k}{k!},k=0,1,2...... 若X服从泊松分布P(λ),则P(X=k)=k!e−λλk,k=0,1,2...... M ( t ) = ∑k = 0 ∞ e − λ λ k k ! e t kM(t)=\sum_{k=0}^{\infin}\frac{e^{-\lambda}\lambda^k}{k!}e^{tk} M(t)=k=0∑∞k!e−λλketk = e − λ ∑ k = 0 ∞ ( λ e t ) k k ! =e^{-\lambda}\sum_{k=0}^{\infin}\frac{(\lambda e^t)^k}{k!} =e−λk=0∑∞k!(λe t)k = e − λ e λ e t =e^{-\lambda}e^{\lambda e^t} =e−λeλet= e λ ( e t − 1 ) =e^{\lambda (e^t-1)} =eλ(et−1) φ ( t ) = ∑ k = 0∞ e − λ λ k k ! e i t k\varphi(t)=\sum_{k=0}^{\infin}\frac{e^{-\lambda}\lambda^k}{k!}e^{itk} φ(t)=k=0∑∞k!e−λλk eitk = e − λ ∑ k = 0 ∞ ( λ e i t ) k k ! =e^{-\lambda}\sum_{k=0}^{\infin}\frac{(\lambdae^{it})^k}{k!} =e−λk=0∑∞k!(λe it)k = e − λ e λ e i t =e^{-\lambda}e^{\lambda e^{it}} =e−λeλeit = e λ ( e i t − 1 ) =e^{\lambda (e^{it}-1)} =eλ(eit−1) M ′ ( t ) = e λ ( e t − 1 ) λ e t M'(t)=e^{\lambda (e^t-1)}\lambda e^t M′(t)=eλ(et−1)λe t E X = M ′ ( 0 ) = λ EX=M'(0)=\lambda EX=M′(0)=λM ′ ′ ( t ) = e λ ( e t − 1 ) λ e t + e λ ( e t − 1 ) λ e tλ e t M''(t)=e^{\lambda (e^t-1)}\lambdae^t+e^{\lambda (e^t-1)}\lambda e^t\lambda e^tM′′(t)=eλ(et−1)λe t+eλ(et−1)λe tλe t E X 2 =M ′ ′ ( 0 ) = λ + λ 2EX^2=M''(0)=\lambda+\lambda^2 EX2=M′′(0)=λ+λ2 D X = E X 2 − ( E X ) 2 = λ DX=EX^2-(EX)^2=\lambdaDX=EX2−(EX)2=λ三、连续型随机变量的分布1、连续型均匀分布(Uniform distribution (continuous))若 X 服从连续型均匀分布 U ( a , b ) , 则 f( x ) = 1 b − a I [ a , b ] ( x ) 若X服从连续型均匀分布U(a,b),则f(x)=\frac{1}{b-a}I_{[a,b]}(x) 若X服从连续型均匀分布U(a,b),则f(x)=b−a1I[a,b](x) M ( t ) = ∫ a b 1 b − a e t x d x M(t)=\int_{a}^{b}\frac{1}{b-a}e^{tx}dx M(t)=∫abb−a1etxdx = 1 b − a ∫ a b e t x d x =\frac{1}{b-a}\int_{a}^{b}e^{tx}dx =b−a1∫abetxdx = 1 b − a ( 1 t e t x ∣ a b ) =\frac{1}{b-a}(\frac{1}{t}e^{tx}\mid_{a}^{b}) =b−a1(t1etx∣ab) = e t b − e t a t ( b − a ) =\frac{e^{tb}-e^{ta}}{t(b-a)} =t(b−a)etb−eta φ ( t ) = ∫ a b 1 b − a e i t x d x \varphi(t)=\int_{a}^{b}\frac{1}{b-a}e^{itx}dxφ(t)=∫abb−a1eitxdx = 1 b − a ∫ a b e i t x d x=\frac{1}{b-a}\int_{a}^{b}e^{itx}dx =b−a1∫abeitxdx = 1 b − a ( 1 i t e i t x ∣ a b ) =\frac{1}{b-a}(\frac{1}{it}e^{itx}\mid_{a}^{b}) =b−a1(it1eitx∣ab) = e i t b − e i t a i t ( b − a ) =\frac{e^{itb}-e^{ita}}{it(b-a)} =it(b−a)eitb−eita M ′ ( t ) = 1 b − a ( b e t b − a e t a ) t − ( e t b − e t a ) t 2 M'(t)=\frac{1}{b-a}\frac{(be^{tb}-ae^{ta})t-(e^{tb}-e^{ta})}{t^2} M′(t)=b−a1t2(betb−aeta)t−(etb−eta) t = 0 为M ′ ( t ) 的可去间断点，补充定义M ′ ( 0 ) = lim ⁡ t → 0 M ′ ( t ) t=0为M'(t)的可去间断点，补充定义M'(0)=\lim_{t\rightarrow0}M'(t) t=0为M′(t)的可去间断点，补充定义M′(0)=t→0limM′(t) E X = M ′ ( 0 ) = lim ⁡ t → 0 ( b e t b − a e t a ) + ( b 2 e t b − a 2 e t a ) t − ( b e t b − a e ta ) 2 t (b − a )EX=M'(0)=\lim_{t\rightarrow0}\frac{(be^{tb}-ae^{ta})+(b^2e^{tb}-a^2e^{ta})t-(be^{tb}-ae^{ta})}{2t(b-a)} EX=M′(0)=t→0lim2t(b−a)(betb−aeta)+(b2etb−a2eta)t−(betb−aeta) = lim ⁡ t → 0 ( b 2 e t b − a 2 e t a ) 2 ( b − a ) =\lim_{t\rightarrow0}\frac{(b^2e^{tb}-a^2e^{ta})}{2(b-a)} =t→0lim2(b−a)(b2etb−a2eta) = b 2 − a 2 2 ( b − a ) =\frac{b^2-a^2}{2(b-a)} =2(b−a)b2−a2 = a + b 2 =\frac{a+b}{2} =2a+b M ′ ′ ( t ) = 1 b − a ( ( b 2 e t b − a 2 e t a ) t + ( b e t b − a e t a ) −( b e t b − a e t a ) ) t − 2 ( ( b e t b − a e ta ) t − ( e tb − e t a ) ) t 3 M''(t)=\frac{1}{b-a}\frac{((b^2e^{tb}-a^2e^{ta})t+(be^{tb}-ae^{ta})-(be^{tb}-ae^{ta}))t-2((be^{tb}-ae^{ta})t-(e^{tb}-e^{ta}))}{t^3} M′′(t)=b−a1t3((b2etb−a2eta)t+(betb−aeta)−(betb−aeta))t−2((be tb−aeta)t−(etb−eta)) = 1 b − a t 2 ( b 2 e t b −a 2 e t a ) − 2 t (b e t b − a e t a ) + 2 ( e t b − e t a ) t 3 =\frac{1}{b-a}\frac{t^2(b^2e^{tb}-a^2e^{ta})-2t(be^{tb}-ae^{ta})+2(e^{tb}-e^{ta})}{t^3} =b−a1t3t2(b2etb−a2eta)−2t(betb−aeta)+2(etb−eta) t = 0 为M ′ ′ ( t ) 的可去间断点，补充定义M ′ ′ ( 0 ) = lim ⁡ t → 0 M ′ ′ ( t ) t=0为M''(t)的可去间断点，补充定义M''(0)=\lim_{t\rightarrow0}M''(t) t=0为M′′(t)的可去间断点，补充定义M′′(0)=t→0limM′′(t) E X 2 =M ′ ′ ( 0 ) = lim ⁡ t → 0 1 b − a t 2 ( b 3 e t b − a 3 e t a ) + 2 t ( b 2 e t b − a 2 e t a ) − 2 t ( b 2 e t b − a 2 e t a ) − 2 ( b e t b − a e t a ) + 2 ( b e t b − a e t a ) 3 t 2EX^2=M''(0)=\lim_{t\rightarrow0}\frac{1}{b-a}\frac{t^2(b^3e^{tb}-a^3e^{ta})+2t(b^2e^{tb}-a^2e^{ta})-2t(b^2e^{tb}-a^2e^{ta})-2(be^{tb}-ae^{ta})+2(be^{tb}-ae^{ta})}{3t^2}EX2=M′′(0)=t→0limb−a13t2t2(b3etb−a3eta)+2t(b2etb−a2eta)−2t(b2etb−a2eta)−2(betb−aeta)+2(betb−aeta) = 1 b − a lim ⁡ t → 0 t 2 ( b 3 e t b − a 3 e t a ) 3 t 2 =\frac{1}{b-a}\lim_{t\rightarrow0}\frac{t^2(b^3e^{tb}-a^3e^{ta})}{3t^2} =b−a1t→0lim3t2t2(b3etb−a3eta) = 1 b − a lim ⁡ t → 0 ( b 3 e t b − a 3 e t a ) 3=\frac{1}{b-a}\lim_{t\rightarrow0}\frac{(b^3e^{tb}-a^3e^{ta})}{3} =b−a1t→0lim3(b3etb−a3eta) = 1 b − a ( b 3 − a 3 ) 3 =\frac{1}{b-a}\frac{(b^3-a^3)}{3}=b−a13(b3−a3) = b 2 + a b + a 2 3=\frac{b^2+ab+a^2}{3} =3b2+ab+a2 D X = E X 2 − ( E X ) 2 = ( b − a ) 2 12 DX=EX^2-(EX)^2=\frac{(b-a)^2}{12} DX=EX2−(EX)2=12(b−a)22、指数分布(Exponential distribution)若 X 服从指数分布 E ( λ ) ，则 f ( x ) = λ e− λ x I [ 0 , + ∞ ) ( x ) 若X服从指数分布E(\lambda)，则f(x)=\lambda e^{-\lambdax}I_{[0,+\infin)}(x) 若X服从指数分布E(λ)，则f(x)=λe−λx I[0,+∞)(x) M ( t ) = ∫ 0 + ∞ λ e −λ x e t x d x M(t)=\int_{0}^{+\infin} \lambda e^{-\lambda x}e^{tx}dx M(t)=∫0+∞λe−λx etxdx = λ ∫ 0 + ∞ e ( t − λ ) x d x =\lambda \int_{0}^{+\infin} e^{(t-\lambda)x}dx =λ∫0+∞e(t−λ)xdx = λ t − λ ( e ( t − λ ) x ∣ 0 + ∞ ) =\frac{\lambda}{t-\lambda}(e^{(t-\lambda)x}\mid_{0}^{+\infin}) =t−λλ(e(t−λ)x∣0+∞) t < λ 时，M ( t ) = λ t − λ ( 0 − 1 ) t<\lambda时，M(t)=\frac{\lambda}{t-\lambda}(0-1) t<λ时，M(t)=t−λλ(0−1) = λ λ − t =\frac{\lambda}{\lambda-t} =λ−tλφ ( t ) = λ λ − i t \varphi(t)=\frac{\lambda}{\lambda-it}φ(t)=λ−itλM ′ ( t ) = λ ( λ − t ) 2M'(t)=\frac{\lambda}{(\lambda-t)^2} M′(t)=(λ−t)2λE X = M ′ ( 0 ) = 1 λ EX=M'(0)=\frac{1}{\lambda}EX=M′(0)=λ1 M ′ ′ ( t ) = 2 λ ( λ − t ) 3M''(t)=\frac{2\lambda}{(\lambda-t)^3}M′′(t)=(λ−t)32λ E X 2 = M ′ ′ ( 0 ) = 2 λ 2 EX^2=M''(0)=\frac{2}{\lambda^2} EX2=M′′(0)=λ22 D X = E X 2 − ( E X ) 2 = 1 λ 2 DX=EX^2-(EX)^2=\frac{1}{\lambda^2} DX=EX2−(EX)2=λ213、正态分布(Normal distribution)若 X 服从正态分布N ( μ , σ 2 ) , 则 f ( x ) = 1 2 π σ e − ( x − μ ) 2 2 σ 2 若X服从正态分布N(\mu,\sigma^2),则f(x)=\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}} 若X服从正态分布N(μ,σ2),则f(x)=2πσ1e−2σ2(x−μ)2 引理 1 ：∫ − ∞ + ∞ e − t 2 2 d t = 2 π 引理1：\int_{-\infin}^{+\infin}e^{-\frac{t^2}{2}}dt=\sqrt{2\pi} 引理1：∫−∞+∞e−2t2dt=2π证明：( ∫ − ∞ + ∞ e − t 2 2 d t ) 2 = ∫ − ∞ + ∞ ∫ − ∞ + ∞ e − x 2 + y 2 2 d x d y 证明：(\int_{-\infin}^{+\infin}e^{-\frac{t^2}{2}}dt)^2=\int_{-\infin}^{+\infin}\int_{-\infin}^{+\infin}e^{-\frac{x^2+y^2}{2}}dxdy 证明：(∫−∞+∞e−2t2dt)2=∫−∞+∞∫−∞+∞e−2x2+y2dxdy = ∫ 0 2 π d θ ∫ 0 + ∞ e − r 2 2 r d r=\int_{0}^{2\pi}d\theta \int_{0}^{+\infin}e^{-\frac{r^2}{2}}rdr =∫02πdθ∫0+∞e−2r2rdr = 2 π ∫ 0 + ∞ e − r 2 2 r d r =2\pi \int_{0}^{+\infin}e^{-\frac{r^2}{2}}rdr =2π∫0+∞e−2r2rdr = 2 π ( − e −r 2 2 ∣0 + ∞ ) =2\pi (-e^{-\frac{r^2}{2}}\mid_{0}^{+\infin}) =2π(−e−2r2∣0+∞) = 2 π =2\pi =2π因此∫ − ∞ + ∞ e − t 2 2 d t = 2 π 因此\int_{-\infin}^{+\infin}e^{-\frac{t^2}{2}}dt=\sqrt{2\pi} 因此∫−∞+∞e−2t2dt=2πM ( t ) = ∫ − ∞ + ∞ 1 2 π σ e − ( x − μ ) 2 2 σ 2 e t x d x M(t)=\int_{-\infin}^{+\infin}\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}e^{tx}dx M(t)=∫−∞+∞2πσ1e−2σ2(x−μ)2etxdx = 1 2 π σ ∫ − ∞ + ∞ e −( x − μ ) 2 2 σ 2 + t x d x=\frac{1}{\sqrt{2\pi}\sigma}\int_{-\infin}^{+\infin}e^{-\frac{(x-\mu)^2}{2\sigma^2}+tx}dx =2πσ1∫−∞+∞e−2σ2(x−μ)2+txdx 令 w = x − μ σ 令w=\frac{x-\mu}{\sigma} 令w=σx−μ原式= 1 2 π ∫ − ∞ + ∞ e − w 2 2 + t ( w σ + μ ) d w 原式=\frac{1}{\sqrt{2\pi}}\int_{-\infin}^{+\infin}e^{-\frac{w^2}{2}+t(w\sigma+\mu)}dw 原式=2π1∫−∞+∞e−2w2+t(wσ+μ)dw = e μ t 1 2 π ∫ − ∞ + ∞ e − w 2 2 + t σ w d w =e^{\mut}\frac{1}{\sqrt{2\pi}}\int_{-\infin}^{+\infin}e^{-\frac{w^2}{2}+t\sigma w}dw=eμt2π1∫−∞+∞e−2w2+tσw dw = e μ t 1 2 π ∫ − ∞ + ∞ e − ( w − t σ ) 2 − t 2 σ 2 2 d w =e^{\mut}\frac{1}{\sqrt{2\pi}}\int_{-\infin}^{+\infin}e^{-\frac{(w-t\sigma)^2-t^2\sigma^2}{2}}dw=eμt2π1∫−∞+∞e−2(w−tσ)2−t2σ2dw = e μ t + t 2 σ 2 2 1 2 π ∫ − ∞ + ∞ e − ( w − t σ ) 2 2 d w=e^{\mut+\frac{t^2\sigma^2}{2}}\frac{1}{\sqrt{2\pi}}\int_{-\infin}^{+\infin}e^{-\frac{(w-t\sigma)^2}{2}}dw=eμt+2t2σ22π1∫−∞+∞e−2(w−tσ)2dw = e μ t + t 2 σ 2 2 1 2 π 2 π =e^{\mut+\frac{t^2\sigma^2}{2}}\frac{1}{\sqrt{2\pi}}\sqrt{2\p i} =eμt+2t2σ22π12π= e μ t + t 2 σ 2 2 =e^{\mu t+\frac{t^2\sigma^2}{2}} =eμt+2t2σ2 φ ( t ) = ∫ − ∞ + ∞ 1 2 π σ e −( x − μ ) 2 2 σ 2 e i t x d x \varphi(t)=\int_{-\infin}^{+\infin}\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}e^{itx}dx φ(t)=∫−∞+∞2πσ1e−2σ2(x−μ)2eitxdx = 1 2 π σ ∫ − ∞ + ∞ e − ( x − μ ) 2 2 σ 2 + i t x d x=\frac{1}{\sqrt{2\pi}\sigma}\int_{-\infin}^{+\infin}e^{-\frac{(x-\mu)^2}{2\sigma^2}+itx}dx=2πσ1∫−∞+∞e−2σ2(x−μ)2+itxdx 令 w = x − μ σ 令w=\frac{x-\mu}{\sigma} 令w=σx−μ原式= 1 2 π ∫ − ∞ + ∞ e − w 2 2 + i t ( w σ + μ ) d w 原式=\frac{1}{\sqrt{2\pi}}\int_{-\infin}^{+\infin}e^{-\frac{w^2}{2}+it(w\sigma+\mu)}dw 原式=2π1∫−∞+∞e−2w2+it(wσ+μ)dw = e i μ t 1 2 π ∫ −∞ + ∞ e − w 2 2 + i t σ w d w =e^{i\mut}\frac{1}{\sqrt{2\pi}}\int_{-\infin}^{+\infin}e^{-\frac{w^2}{2}+it\sigma w}dw=e iμt2π1∫−∞+∞e−2w2+itσw dw = e i μ t 1 2 π ∫ − ∞ + ∞ e − ( w − i t σ ) 2 + t 2 σ 2 2 d w =e^{i\mut}\frac{1}{\sqrt{2\pi}}\int_{-\infin}^{+\infin}e^{-\frac{(w-it\sigma)^2+t^2\sigma^2}{2}}dw=e iμt2π1∫−∞+∞e−2(w−itσ)2+t2σ2dw = e i μ t − t 2 σ 2 2 1 2 π ∫ − ∞ + ∞ e − ( w − i t σ ) 2 2 d w =e^{i\mu t-\frac{t^2\sigma^2}{2}}\frac{1}{\sqrt{2\pi}}\int_{-\infin}^{+\infin}e^{-\frac{(w-it\sigma)^2}{2}}dw=e iμt−2t2σ22π1∫−∞+∞e−2(w−itσ)2dw = e i μ t − t 2 σ 2 2 12 π 2 π =e^{i\mu t-\frac{t^2\sigma^2}{2}}\frac{1}{\sqrt{2\pi}}\sqrt{2\pi} =e iμt−2t2σ22π12π= e i μ t − t 2 σ 2 2 =e^{i\mu t-\frac{t^2\sigma^2}{2}} =e iμt−2t2σ2 M ′ ( t ) = eμ t + t 2 σ 2 2 ( μ + σ 2 t ) M'(t)=e^{\mut+\frac{t^2\sigma^2}{2}}(\mu+\sigma^2t)M′(t)=eμt+2t2σ2(μ+σ2t) E X = M ′ ( 0 ) = μEX=M'(0)=\mu EX=M′(0)=μM ′ ′ ( t ) = e μ t + t 2 σ 2 2 ( μ + σ 2 t ) 2 + e μ t + t 2 σ 2 2 σ 2M''(t)=e^{\mut+\frac{t^2\sigma^2}{2}}(\mu+\sigma^2t)^2+e^{\mut+\frac{t^2\sigma^2}{2}}\sigma^2 M′′(t)=eμt+2t2σ2 (μ+σ2t)2+eμt+2t2σ2σ2 E X 2 = M ′ ′ ( 0 ) = μ 2 + σ 2 EX^2=M''(0)=\mu^2+\sigma^2 EX2=M′′(0)=μ2+σ2 D X = E X 2 − ( E X ) 2 = σ 2 DX=EX^2-(EX)^2=\sigma^2 DX=EX2−(EX)2=σ2 特别地 , X 服从标准正态分布 N ( 0 , 1 ) 时特别地,X服从标准正态分布N(0,1)时特别地,X服从标准正态分布N(0,1)时 M ( t )= e t 2 2 M(t)=e^{\frac{t^2}{2}} M(t)=e2t2 φ ( t ) = e − t 2 2 \varphi(t)=e^{-\frac{t^2}{2}} φ(t)=e−2t2 E X = 0 , D X = 1 EX=0,DX=1 EX=0,DX=14、伽马分布(Gamma distribution)若 X 服从伽马分布Γ ( α , β ) ( α , β > 0 ) , 则 f ( x ) = β α Γ ( α ) x α − 1 e − β x I( 0 , + ∞ ) ( x ) 若X服从伽马分布\Gamma(\alpha,\beta)(\alpha,\beta>0),则f(x)=\frac{\beta^\alpha}{\Gamma(\alpha)}x^{\alpha-1}e^{-\beta x}I_{(0,+\infin)}(x) 若X服从伽马分布Γ(α,β)(α,β>0),则f(x)=Γ(α)βαxα−1e−βx I(0,+∞)(x) 其中，Γ ( α ) = ∫ 0 + ∞ t α − 1 e − t d t , α > 0 其中，\Gamma(\alpha)=\int_{0}^{+\infin}t^{\alpha-1}e^{-t}dt,\alpha>0 其中，Γ(α)=∫0+∞tα−1e−tdt,α>0 指数分布 E ( λ ) 是伽马分布Γ ( 1 , λ ) , χ 2 分布χ n 2 是伽马分布Γ ( n 2 , 1 2 ) 指数分布E(\lambda)是伽马分布\Gamma(1,\lambda),\chi^2分布\chi^2_n是伽马分布\Gamma(\frac{n}{2},\frac{1}{2}) 指数分布E(λ)是伽马分布Γ(1,λ),χ2分布χn2是伽马分布Γ(2n,21) M ( t ) = ∫ 0 + ∞ β α Γ ( α ) x α −1 e − β x e t x d xM(t)=\int_{0}^{+\infin}\frac{\beta^\alpha}{\Gamma(\alp ha)}x^{\alpha-1}e^{-\beta x}e^{tx}dx M(t)=∫0+∞Γ(α)βαxα−1e−βx etxdx = ∫ 0 + ∞ β α Γ ( α ) x α − 1 e ( t − β ) x d x=\int_{0}^{+\infin}\frac{\beta^\alpha}{\Gamma(\alpha)} x^{\alpha-1}e^{(t-\beta) x}dx =∫0+∞Γ(α)βαxα−1e(t−β)xdx = β α ∫ 0 + ∞ 1 Γ ( α ) x α− 1 e ( t − β ) x d x=\beta^\alpha\int_{0}^{+\infin}\frac{1}{\Gamma(\alpha) }x^{\alpha-1}e^{(t-\beta) x}dx =βα∫0+∞Γ(α)1xα−1e(t−β)xdx t < β 时，令v = ( β − t ) x ，原式= β α β − t ∫ 0 + ∞ 1 Γ ( α ) ( v β −t ) α − 1 e − v d v t<\beta时，令v=(\beta-t)x，原式=\frac{\beta^\alpha}{\beta-t}\int_{0}^{+\infin}\frac{1}{\Gamma(\alpha)}(\frac{v}{ \beta-t})^{\alpha-1}e^{-v}dv t<β时，令v=(β−t)x，原式=β−tβα∫0+∞Γ(α)1(β−tv)α−1e−vdv = ( β β − t ) α 1 Γ ( α ) ∫ 0 + ∞ v α − 1 e − v d v =(\frac{\beta}{\beta-t})^\alpha\frac{1}{\Gamma(\alpha)}\int_{0}^{+\infin}v^ {\alpha-1}e^{-v}dv =(β−tβ)αΓ(α)1∫0+∞vα−1e−vdv = ( β β − t ) α 1 Γ ( α ) Γ ( α ) =(\frac{\beta}{\beta-t})^\alpha\frac{1}{\Gamma(\alpha)}\Gamma(\alpha)=(β−tβ)αΓ(α)1Γ(α) = ( β β − t ) α=(\frac{\beta}{\beta-t})^\alpha =(β−tβ)αφ ( t ) = ( β β − i t ) α \varphi(t)=(\frac{\beta}{\beta-it})^\alpha φ(t)=(β−itβ)αM ′ ( t ) = β α ( β − t ) − α − 1 α M'(t)=\beta^\alpha(\beta-t)^{-\alpha-1}\alpha M′(t)=βα(β−t)−α−1α E X = M ′ ( 0 ) = α β EX=M'(0)=\frac{\alpha}{\beta}EX=M′(0)=βαM ′ ′ ( t ) = β α ( β − t ) − α − 2 α ( α + 1 ) M''(t)=\beta^\alpha(\beta-t)^{-\alpha-2}\alpha(\alpha+1)M′′(t)=βα(β−t)−α−2α(α+1) E X 2 = α ( α + 1 ) β 2 EX^2=\frac{\alpha(\alpha+1)}{\beta^2}EX2=β2α(α+1) D X = E X 2 − ( E X ) 2 = α β 2。

北大随机过程课件：第 3 章第 6 讲特征函数与母函数

特征函数、母函数、矩母函数确定随机变量的概率密度函数/分布律方便求解独立随机变量和的分布函数一类问题可以通过微分运算求随机变量的数字特征1．特征函数：设随机变量ξ的分布函数为Ｆ(x), 概率密度函数为f(x), 称：(){}()()jt jtx jtx t E e e dF x e f x dx ξ∞∞−∞−∞Φ===∫∫ 为随机变量ξ的分布函数的特征函数，或ξ的特征函数,特征函数是概率密度函数的付氏变换。

特征函数的性质：1．特征函数与概率密度函数相互唯一地确定；2．两个相互统计独立的随机变量和的特征函数等于各个随机变量特征函数的积；3．特征函数与随机变量的数字特征的关系：()0()|{}k k k t t j E ξ=Φ=典型随机变量的特征函数1．两点分布的特征函数：()jt t q pe Φ=+2．二项式分布的特征函数：()()n jt t q pe Φ=+3．几何分布：()1jtjtpe t qe Φ=− 4．泊松分布(λ)：(1)()jt e t eλ−−Φ= 5．正态分布2(,)N σ∂：22()exp{}2t t j t σΦ=∂−6．均匀分布[0，1]：1()jt e t jt−Φ= 7．负指数分布：()t jtλλΦ=−2．母函数研究分析非负整值随机变量时，可以采用母函数法：对于一个取非负整数值n=0,1,2,……，的随机变量x ，，其相应的矩生成函数定义为： 0()()n n z p x n z ∞=Φ==⋅∑(1/)z Φ是序列()p x n =的正常的z 变换母函数的性质：1．两个相互统计独立的随机变量和的母函数等于各个随机变量的母函数的积。

2．随机个独立同分布的非负整值随机变量和的矩生成函数是原来两个母函数的复合(见附合泊松过程的应用)3．()000(),()!1,2,k k z z z p z k p k ==Φ=Φ=="通过母函数有理分式的幂级数展开等方法，得到随机变量的概率分布表达式。

矩母函数性质

矩母函数性质
矩母函数性质是一个大部分数学家都了解的概念，它涉及到一个体现一类函数
准确值的特征函数。

此外，矩母函数性质还有重要的应用价值，以解决复杂的实际问题。

首先，我们来了解矩母函数的定义和概念。

矩母函数是统计平均值的一类函数，也称之为“Action Function”。

它是一个微分形式的函数，通过一个赋值的方法
来精确表达一类函数，也就是矩母函数的值就是照这类函数的赋值情况来计算的。

矩母函数的结果通常是一整体的概括，例如计算一个函数和它的导数在各个点上的取值情况，以及取值范围，平均值等。

此外，矩母函数性质有着重要的应用价值，它可以用来解决复杂的实际问题，
比如计算一个函数的平均质量，通过矩母函数计算出来的值，就可以准确的告诉我们一个函数的总体特性，从而提高函数解决问题的效率。

由此可以看出，矩母函数作为一类平均值函数，在数学和实际问题的求解方面，有着巨大的作用和应用价值，而且它的精确度越高，应用效果也会越好。

特征函数与矩母函数

特征函数与矩母函数
特征函数和矩母函数都是数学中的概念，主要用于描述随机变量的性质。

特征函数（Characteristic function）是随机变量的一个描述函数，它是随机变量的概率分布的Fourier变换。

特征函数的定
义是：对于任意实数t，特征函数φ(t)等于随机变量X的概率
密度函数或概率分布函数的Fourier变换。

特征函数能够完全
描述一个随机变量的分布，它包含了分布的所有信息。

特征函数具有一些重要性质，比如对于相互独立的随机变量，它们的特征函数的乘积等于它们特征函数的逐点相乘。

矩母函数（Moment generating function）是随机变量的另一个
描述函数，它是随机变量的概率分布的矩级数的生成函数。

矩母函数的定义是：对于任意实数t，矩母函数M(t)等于随机变
量X的概率密度函数或概率分布函数的矩级数的生成函数。

矩母函数可以用来计算随机变量的各阶矩（均值、方差等），因此可以用于推导随机变量的性质。

特征函数和矩母函数都是对随机变量的描述函数，它们在概率论和统计学中有着广泛的应用，比如用于计算随机变量的分布、矩以及推导各种统计性质。

特征函数与矩函数的关系,写的非常不错。

∞ −∞ −∞
∫
∞
f XY ( x, y )e j (ω1 x +ω2 y ) dxdy
f XY ( x, y ) =
1 (2π ) 2
∫ ∫
∞
∞
−∞ −∞
Φ XY (ω1 , ω2 ) ⋅ e − j (ω1x +ω2 y ) dω1dω2
边缘特征函数
Φ X (ω1 ) = Φ XY (ω1 ,0) Φ Y (ω 2 ) = Φ XY ( 0, ω 2 )
2
σ 2ω 2
2
)
ω =0
−
=0
σ 2ω 2
2
− d 2 2 E[ X ] = ( − j ) Φ X (ω ) = −[(−σ ω ) e 2 dω ω =0 2 2
2
σ 2ω 2
2
−σ e
2
]ω =0 = σ 2
5
ΦX (ω) = e
−
σ 2ω2
2
⋅ 3⋅ 5L(n −1)σ n 1 n E[ X ] = 0
1 v v T v −1 v v − ( x −m) C ( x −m) 2
v f X ( x) =
1 (2π ) C
n
e
17
χ2 分布三、
n个互相独立的高斯变量X 1 , X 2 , L, X n , 方差均为σ 2 , 则其平方和 : Y = ∑ X i2 服从n个自由度的χ 2 分布.
i =1 n
1 2 N
n=1
n
8
1.3 随机信号实用分布律
一、均匀分布
如果随机变量 X 的概率密度满足 1 a≤ x≤b f X ( x) = b − a 0 其它则称 X为在 [ a , b ]区间内均匀分布的随机变量 .

特征函数和矩母函数课件

特征函数和矩母函数课件
什么是特征函数？
特征函数是一种连续变量，用来表示给定概率分布的连续特征。

它们借助独特的函数结构来帮助理解该分布的性质。

一般情况下，特征函数被定义为概率密度函数的积分或积分的产物，其中使用的是一组实数序列λ1，λ2，...，λn，称为参数。

它也可以考虑为对概率密度函数的一种广义函数格式的描述。

矩母函数是一种特征函数，用于根据一定的参数描述和控制一组数据的变化模式。

它也被称为矩函数或越积函数，其基本定义为一个有限个参数的多项式，由此引出一组非负实数。

矩母函数拥有独特的性质和拓扑表示，对概率密度函数进行信息可视化具有重要意义。

它也常用于表示一个系统中细胞的状态等普遍现象。

现代精算风险理论01：损失分布

现代精算风险理论01：损失分布⽬录第⼀讲损失分布第⼀节随机变量的数字特征⼀、特征函数和矩母函数特征函数和矩母函数是对分布函数的变换，常⽤于确定独⽴随机变量之和的分布。

特征函数：对于随机变量 X ，其分布函数为 F (x ) ，其特征函数的定义为：ϕX (t )=E e i tX .定理：分布函数序列 F n (x ) 收敛于分布函数 F (x ) 的充分必要条件是 F n (x ) 的特征函数 ϕn (t ) 收敛于 F (x ) 的特征函数 ϕ(t ) 。

矩母函数：对于随机变量 X ，其分布函数为 F (x ) ，其矩母函数的定义为：m X (t )=E e tX .矩母函数⼀般要求 t >0 ，并且 t 的取值范围和参数分布的参数有关，使得矩母函数存在。

定理：随机变量 X 的 k 阶矩等于矩母函数的 k 阶导数在 t =0 处的取值，即E X k =d kd t km X (t )t =0.定理：如果随机变量 X 和 Y 相互独⽴，则有ϕX +Y (t )=E e i t (X +Y )=E e i tX E e i tY =ϕX (t )ϕY (t ).m X +Y(t )=E e t (X +Y )=E e tXE e tY=m X(t )m Y(t ).注意：随机变量的矩母函数可能存在，也可能不存在。

如果随机变量的矩母函数不存在，则该随机变量的分布被称为重尾分布或厚尾分布（这是重尾分布的⼀种定义）。

定理：假设随机变量 X n 和 X 的矩母函数存在，则 X n 的矩母函数 m n (t ) 收敛于 X 的矩母函数 m (t ) 的充分必要条件是 X n 的分布函数 F n (x ) 收敛于 X 的分布函数 F (x ) 。

⼆、概率母函数和累积量母函数概率母函数：对于随机变量 X ，其概率母函数的定义为：[][][]|[][][][][][]g X (t )=E t X =∞∑k =0t k Pr(X=k ).从定义可以看出，概率母函数仅⽤于取值为⾃然数的随机变量。

矩母函数性质

矩母函数性质
矩母函数是一种被广泛使用的数学函数，它可以帮助人们求解问题，在科学、工程、经济学和其他方面都有着广泛的应用。

矩母函数性质是矩母函数的一些基本特性，下面我们就具体介绍一下。

首先，矩母函数是定义在实数域上的单调函数，其导数存在于任意一点，并且其值有界，这是数学家所非常关注的一个矩母函数性质。

其次，矩母函数有一个重要性质，即积分变化量积性。

由于矩母函数是有界的，当积分变化量积性时，可以得出矩母函数的变化量，这就是它广泛使用的主要原因，可以使用矩母函数来解决一些微分方程等问题。

此外，矩母函数还有一个性质，即负零性。

负零性是指对于任意的x，矩母函数的值是负值的，这意味着矩母函数可以应用于各种具有负值的函数，这又是它应用广泛的原因之一。

最后，矩母函数还有一种性质，即原点局部一致性。

这意味着，对于任意的x，矩母函数的值在原点处是一致的，而在其他点的值可能不一致，这也是矩母函数广泛使用的原因之一。

综上所述，矩母函数有着多种性质，比如单调函数性质、积分变化量积性、负零性和原点局部一致性等，它们可以帮助人们解决复杂的问题，也是矩母函数被广泛使用的主要原因。

当然，矩母函数还有很多性质，这里只提到了其中最重要的几种性质，这些性质与它的应用有着密切的关系，所以研究这些性质，能够帮助人们更好地利用它们，更好地求解问题。

总之，矩母函数有着多种性质，这些性质能够帮助人们解决复杂的问题，是矩母函数被广泛使用的原因，因此在学习矩母函数的时候，应该加强对其这些性质的研究，掌握它们，以便更好地利用矩母函数，更好地求解问题。

母函数和特征函数简介

母函数和特征函数简介§1 母函数（生成函数）简介对于取值非负整数的随机变量，其母函数有极其良好的性质且又便于计算和分析，因此引入母函数是非常必要的。

母函数又称生成函数(Generating function)。

母函数的定义● 定义：对于数列}0,{≥n a n ，称幂级数)1(0≤∑∞=s sa n nn 为}0,{≥n a n 的母函数。

● 定义：设X 为取值于非负整数随机变量，分布率为 ,2,1,0,}{===k p x X P k k ，则称1)(?)(0≤==∑∞=s s p s E s g k kk X为随机变量X 的概率母函数，简称母函数。

一些常用分布的母函数（1）若).(~p n B X ，则n sp q s g )()(+=（2）若)(~λPo X ，则)1()(-=s e s g λ （3）若)(~p G X ，则qs pss g -=1)(母函数的基本性质（1）X 的母函数与其分布率是一一对应的，且有!)0()(k g p k k =（2）设非负整值随机变量n X X X ,,,21 相互独立，而n g g g ,,,21 分别是它们的母函数，则∑==nk kXY 1的母函数为：)()()()(21s g s g s g s g n Y =（3）设随机变量X 的母函数为)(s g ，则有：（a ）)1()(g X E '=（b ）2)]1([)1()1()()(g g g X Var X D '-'+''==母函数的应用（4）设n X X X ,,,21 独立同分布，且).1(~p B X i ，求∑==nk kXY 1的分布。

（5）设21,X X 独立，且2,1,).(~=i p n B X i i ，证明),(~2121p n n B X X ++。

（6）设21,X X 独立，且2,1,)(~=i Po X i i λ，证明)(~2121λλ++Po X X 。

特征函数求分布函数

特征函数求分布函数特征函数是概率论和统计学中重要的数学工具，它能够用来描述随机变量的分布性质。

特征函数与分布函数之间存在着密切的联系。

通过特征函数，我们可以计算出随机变量的各种矩和矩母函数，进而得到其概率分布。

首先，让我们来了解一下什么是特征函数。

对于一个随机变量X，其特征函数定义为复数域上的一个函数，即ϕ(t) = E(e^itX)，其中i是虚数单位。

特征函数描述了X的分布性质，包括均值、方差、偏度和峰度等。

特征函数的一个重要性质是它与随机变量的分布函数之间存在着一一对应关系。

具体来说，对于连续型随机变量X，其特征函数ϕ(t)与其概率密度函数f(x)满足以下关系：ϕ(t) = ∫[e^itx * f(x)]dx对于离散型随机变量X，其特征函数ϕ(t)与其概率质量函数P(x)满足以下关系：ϕ(t) = ∑[e^itx * P(x)]通过特征函数，我们可以计算出随机变量X的各种矩和矩母函数。

特别地，X的k阶矩可以通过特征函数的k阶导数来计算：E(X^k) = (i^k * d^kϕ(t)) / dt^k |_(t=0)其中，E表示期望，d^k表示k阶导数。

通过计算特征函数的导数，我们可以轻松地得到X的各阶矩。

特征函数还具有一个重要的性质，即两个随机变量的特征函数的乘积是该随机变量之和的特征函数。

更具体地说，如果X和Y是两个相互独立的随机变量，那么它们之和的特征函数等于它们各自特征函数的乘积：ϕ(t) = ϕ_X(t) * ϕ_Y(t)这个性质在概率论和统计学中非常有用，可以用来推导复杂分布的特征函数，进而得到其分布函数。

总之，特征函数是描述随机变量分布性质的重要工具。

通过特征函数，我们可以计算随机变量的各种矩和矩母函数，并且特征函数之间还存在着一一对应关系。

特征函数的这些性质为概率论和统计学的理论研究和实际应用提供了坚实的数学基础。

概率论上的母函数

概率论上的母函数（genera t ing fucnc t ion ）定义：若随机变量ξ取非负整数值，且相应的分布列为：（ 0，1，2）（ p 0，p 1，p 2 ）则p k *s k （k 从0到无穷）的和为s 的函数，此函数称为的母函数。

特征函数 (概率论)在概率论中，任何随机变量的特征函数完全定义了它的概率分布。

在实直线上，它由以下公式给出，其中X 是任何具有该分布的随机变量：()()itX X t E e ϕ=其中t 是一个实数，i 是虚数单位，E 表示期望值。

用矩母函数M X (t )来表示（如果它存在），特征函数就是iX 的矩母函数，或X 在虚数轴上求得的矩母函数。

()()()X iX X t M t M it ϕ==与矩母函数不同，特征函数总是存在。

如果F X 是累积分布函数，那么特征函数由黎曼-斯蒂尔切斯积分给出：()()itXitx X E e e dF x ∞-∞=⎰在概率密度函数f X 存在的情况下，该公式就变为：()()itXitx X E e e f x dx ∞-∞=⎰如果X 是一个向量值随机变量，我们便取自变量t 为向量，tX 为数量积。

R 或R n 上的每一个概率分布都有特征函数，因为我们是在有限测度的空间上对一个有界函数进行积分，且对于每一个特征函数都正好有一个概率分布。

一个对称概率密度函数的特征函数（也就是满足f X (x ) = f X (-x )）是实数，因为从x >0所获得的虚数部分与从x <0所获得的相互抵消。

性質连续性勒维连续定理勒维连续定理说明，假设1()1n n X ∞==为一个随机变量序列，其中每一个X n 都有特征函数n，那么它依分布收敛于某个随机变量X ：Dn X X −−→当 n →∞如果pointwise n ϕϕ−−−−→ 当 n →∞且 (t )在t =0处连续，是X 的特征函数。

莱维连续定理可以用来证明弱大数定律。

随机变量特征函数矩

随机变量特征函数矩
随机变量是概率论中的重要概念，它描述了随机事件的结果。

而特征函数则是描述随机变量的重要工具之一，它可以用来确定随机变量的分布和性质。

特征函数是一个复数函数，通常表示为φ(t)，其中t为实数。

对于一个随机变量X，它的特征函数φ(t)定义为：
φ(t) = E[e^(itX)]
其中E表示期望，i表示虚数单位。

特征函数在概率论中有广泛的应用，可以用来计算随机变量的矩和分布，以及求解各种概率分布的性质。

矩是描述随机变量的另一个重要工具，它表示随机变量的各阶矩值。

对于一个随机变量X，它的k阶矩定义为：
E[X^k]
其中E表示期望。

随机变量的矩可以用来描述它的分布和性质，例如均值、方差、偏度和峰度等。

特征函数和矩之间存在着紧密的联系，可以通过特征函数来计算随机变量的各阶矩。

具体来说，随机变量的k阶矩可以表示为特征函数的k阶导数在0处的值：
E[X^k] = (-i)^k φ^(k)(0)
其中φ^(k)(t)表示φ(t)的k阶导数。

这个公式可以用来计算随机变量的矩，从而求解各种概率分布的性质。

总之，随机变量、特征函数和矩是概率论中的重要概念和工具，
它们在统计学、金融学、物理学等领域有广泛的应用。

深入理解这些概念和工具，对于掌握概率论和统计学的基本原理和方法，以及解决实际问题都具有重要意义。

特征函数和矩母函数.

特征函数与矩函数

概率分布与随机变量的矩与生成函数

矩母函数

概率统计：矩母函数

1.4.11.4特征函数的定义

概率论的随机变量

特征函数和矩母函数.

多项分布的数学期望、协方差阵、特征函数及母函数

北大随机过程课件：第 3 章 第 6 讲 特征函数与母函数

矩母函数性质

特征函数与矩母函数

特征函数与矩函数的关系,写的非常不错。

特征函数和矩母函数课件

现代精算风险理论01：损失分布

矩母函数性质

母函数和特征函数简介

特征函数求分布函数

概率论上的母函数

随机变量 特征函数 矩

北大随机过程课件：第 3 章第 6 讲特征函数与母函数

随机变量特征函数矩