特征函数和矩母函数概要PPT精选文档
特征函数与矩函数
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
概率论课件 特征函数
e jtX cos(tX ) j sin(tX )
(t ) E(e jtX )
cos(tx)dF( x) j sin(tx)dF( x)
e jtX dF ( x)
一、定义及例 1. 特征函数的定义 定义4.1.1 设X 是定义在概率空间(, F , P)上的随机变量, 它 的分布函数为F ( x), 称 e jtX 的数学期望 E(e jtX ) 为X 的特征函数. 有时也称为分布函数 F ( x) 的特征函数, 其中 j 1, t R.
( t ) E( e jtX ) e jtxk pk
k
( t
)
e itk
k0
ke
k!
e
(e it )k
k0 k!
e e eit
e(eit -1)
例4.1.5 设随机变量X 服从 [a,a]的均匀分布, 求其特征函数.
(t) E(e jtX )
记X 的特征函数为X (t), 在不会引起混乱的情况下简写为 (t).
e jtX cos tX j sintX
(t) E(e jtX ) E(cos Xt )+jE(sin Xt )
3. 特征函数的计算 e jtX cos(tX ) j sin(tX )
(t ) E(e jtX )
X的特征函数就是x的函数的期望,此时的函数是 由X 构造出来的复值随机变量的期望。
例4.1.1 设随机变量X 服从退化分布, 即
求X 的特征函数.
P{X c} 1
( t ) E( e jtX ) e jtxk k
1-4特征函数和母函数
k =1 n
n
k =1
Ex.7 随机变量Y~B(n, p),写出其特征函数 写出其特征函数. 随机变量 ~ 写出其特征函数 二项分布随机变量Y可表示为 解 二项分布随机变量 可表示为Y = ∑ X k ,且 且 Xk~B(1, p),k=1,2,…,n, 相互独立,故Y 的特征 相互独立, , 函数为 n
g(t1 , t2 ) = E[e
i ( t1 X + t 2Y )
]= ∫
∞
∞ ∞
∫
∞
ei (t1 x+t2 y )dF( x, y)
连续型 离散型
g(t1 , t 2 ) = ∫
∞
∞ ∞
∫
∞
e i (t1 x + t2 y ) f ( x, y)dxdy
i ( t1 X r + t 2YsS )
特征函数、 §1.4 特征函数、母函数
一、特征函数的定义及例子 是实随机变量, 定义 设X,Y是实随机变量,复随机变量 是实随机变量 Z=X+i Y, , 的数学期望定义为 E ( Z ) = E ( X ) + i E (Y ), i = 1 特别 X是实随 是实随 itX Ee = E (costX ) + i E (sintX ) 机变量
g ( t ) = ∫ e itx f ( x )dx;
∞
+∞
g ( t ) = ∑ e itxk pk .
k
Ex.1 单点分布 P{X = c} = 1,
g( t ) = E (e itc ) = e itc , t ∈ R.
Ex.2 两点分布
g( t ) = e (1 p) + e
特征函数和矩母函数概要
P ( s) pk s pk s
k k k 0 k 0
n
k n 1
p s
k
k
, n n! pn
k n 1
k (k 1)(k n 1) p s
令s 0, 则P ( n ) (0) n! pn 故pn P
k 0 l 0
P{ N l} P{Y k}s
l 0 k 0
k
l k P{N l} P X j k s l 0 k 0 j 1
k P{N l} P{ X j k}s l 0 j 1 k 0
k 0 k 0
PZ ( s) ck s k
k 0
PX ( s ) PY ( s ) pk s
k 0
k
q s
l 0 l
l
k ,l 0
p qs
k l r
k l
r pk q r k s r 0 k 0
r
c r s PZ ( s )
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
P ( s) E ( s ) pk s
X k 0
k
为X的母函数。
性质: (1)非负整数值随机变量的分布律pk由其母 函数P(s)唯一确定 (k ) P (0) pk , k 0,1,2, k! (2)设P(s)是X的母函数, 若EX存在,则EX=P(1) 若DX存在,则DX= P(1) +P(1)- [P(1)]2
特征函数讲解.ppt
| eitx || (eihx 1) | dF ( x)
| (eihx 1) | dF( x) | eihx -1|dF( x) A | (eihx 1) | dF( x)
| x| A
A
2 dF( x) A | (eihx 1) | dF( x)
复随机变量函数的数学期望,设=g(),
E(eit ) E(eitg( ) )
eitg
(
x
)
dF
(
x
)
由此可以引出:
定义4.5.2 若随机变量的分布函数为F ( x),则称
f (t ) E(eit )
eitx
dF
(
x
)
为的特征函数(characteristic function)
| x| A
A
2
dF( x) 2
A hx | sin |dF( x)
| x| A
A
2
由此可以看到,A足够大时,第一部分可以任意
小,h的绝对值足够小时,第二部分也可以任意小.
(3) 性质3 对于任意的正整数n以及任意实数t1, t2 , , tn ,
nn
以及复数1, 2 , n ,成立
eix d x |
|
eix
|d
x
0
0
因而 | ei 1 || |
因此
|
e e i tx1
i tx2
it
ei tx
|
x2
x1
经过交换积分次序我们可以得到
IT
1 2π
《概率论与数理统计课件》 特征函数
k
it n
.
20
k 1
例 如果我们已知 X ~ N 0, 1 的特征函数是 t e 令Y ~ N
t2 2
,
,
2 ,则 Y X ,因此,
Y t X t e X t
it
eit X t eit e
所以其特征函数
x0 , x0
x ixt ixt x x t e f x dx e e dx e costxdx i e sin txdx 0 0 0
t it 2 2 i 2 2 1 . t t
e ihx 1 e
i hx 2 hx i i hx hx hx 2 2 e e 2 sin 2 2 2 ha 2 .
24
所以,对于所有的 t ,
,有
t h t
x a
e
ihx
2 2
dx
e
it
i t
2t 2
2
1 2
it
it
dz e
i t
2t 2
2
.
在计算积分
it
e
z2 2
dz 中,我们用到了复变函数中的围道积分.
12
二.特征函数的性质
13
性质 1 证明:
t 0 1 .
我们只就 X 是连续型随机变量的情形予以证明. X 是 设 连续型随机变量,其密度函数为 f x .
t
e ixt f x dx
概率统计:矩母函数
et (12
)(12
2 2
)t2
/
2
因而 X
Y
~
N (1
2 ,12
2 2
).
M X (t) E(etX ), M (n) (0) EX n, M X (t) etM X (t),
X1, , Xn 独立 M X1 Xn (t) M X1 (t) M Xn (t),
X 和Y 有相同分布 M X (t) MY (t).
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 )
etxdF (x), t I
为 X 的矩母函数,常把M X (t)简记为M (t).因此
(离散型)
M X (t)
etxi P( X
i
xi ) ,
10
矩母函数(10)
例 5.4 设 X ~ N (, 2),求 X 的矩母函数.
解 设Y ( X ) / ,则Y ~ N (0,1),MY (t) et2 / 2.因为
X Y ,故
M X (t) et MY ( t) et 2t2 / 2 .
11
作业
• 习题三: 34,35,36
12
命题 6.2
设 X ,Y 独立, X
~ N (1,12 ),
Y
~
N
(2,
2 2
)
,则
X
Y
~
N (1
2
,
2 1
2 2
)
证 M X (t) et112t2 / 2, MY (t) et2 22t2 / 2 ,故
M
第2章 随机变量-特征函数
2
t
+j
t t
2
二、特征函数的性质
性质1.1 随机变量X 的特征函数满足:
(1) | ( t ) | (0) 1;
( 2) ( t ) ( t ).
性质1.2 设X 的特征函数为 X ( t ) , 则Y aX b 的特征函数为
Y ( t ) e X (at )
e
jtX
f ( x )dx
, a x a ,
jtx
其他
( t ) e
a
a
1 1 jtx dx = e 2a 2ajt
xa x a
1 = sin at at
当t=0时,
(t 0)
e f ( x )dx =1
0
( 0 )
例1.6 设随机变量X 服从参数为 的指数分布, 求其特 征函数.
Z ( t ) e (a1 t , a2 t ).
jtb
性质2.4 两个二元分布函数恒相等的充分必要条件是它们的 特征函数恒等.
三、相互独立随机变量的特征函数 定理2.3 n 个随机变量相互独立的充分必要条件为
( X 1 , X 2 , , X n )
的特征函数
j ( t1 X 1 t 2 X 2 t n X n )
随机变量 (a1 X b1 , a 2Y b2 ) 的特征函数为
( t1 , t 2 ) e
性质2.3
j ( t1b1 t 2b2 )
(a1 t1 , a2 t 2 ).
设随机变量 ( X ,Y ) 的特征函数为 ( t1 , t 2 ), a1 , a 2 , b 为任
矩母函数.ppt
现代精算风险理论
X~Uniform(0,1),Y | X~Uniform(x,1) 怎样计算E (Y )? 一种方法是计算联合密度 f (x, y),然后计算
现代精算风险理论
在给定X的情况下,条件分布为 (Y | X )
,Y为随机变量,因此上式中 E(Y | X ),E(X ) 为常数,因此
E 轾 犏 ë(Y - E(Y | X ))(E(Y | X )- EY)| X û= (E(Y | X )- EY)E((Y - E(Y | X ))| X )
= (E(Y | X )- EY)(E(Y | X )- E(Y | X )) = (E(Y | X )- EY)? 0 0
E(X ) :数字
离散情况 连续情况
E(X |Y = y):y的函数。在知道y的值之前,不知道
E(X |Y = y)
E(X | Y) :随机变量,当Y=y时,E(X | Y = y) 的值
E(r(X ,Y )| Y):随机变量
现代精算风险理论
假定对 X~Uniform(0,1) 采样,在给定x后,在对
òå E (X | Y = y)= ìïïïíïïïî
xfX|Y (x | y) 离散情况 xfX|Y (x | y)dx 连续情况
如果r (x, y)是x和y的函数,那么
E (r(X ,Y )| Y
=
y) =
òå ìïïïíïïïî
r (x, y) fX|Y (x | y) r (x, y) fX|Y (x | y)dx
特征函数与矩函数的关系28页PPT
60、生活的道路一旦选定,就要勇敢地 走到底 ,决不 回头。1、园日涉以成趣,门虽设而常关。 32、鼓腹无所思。朝起暮归眠。 33、倾壶绝余沥,窥灶不见烟。
34、春秋满四泽,夏云多奇峰,秋月 扬明辉 ,冬岭 秀孤松 。 35、丈夫志四海,我愿不知老。
56、书不仅是生活,而且是现在、过 去和未 来文化 生活的 源泉。 ——库 法耶夫 57、生命不可能有两次,但许多人连一 次也不 善于度 过。— —吕凯 特 58、问渠哪得清如许,为有源头活水来 。—— 朱熹 59、我的努力求学没有得到别的好处, 只不过 是愈来 愈发觉 自己的 无知。 ——笛 卡儿
特征函数和矩母函数解剖
{N
l}s
k
k0
l 0
P{Y k, N l}sk k0 l0
P{Y k}P{N l}sk k0 l0
P{N l} P{Y k}sk
l 0
k 0
l P{N l} P
X
j
k
s
k
l0
k 0
j 1
l0
P{N
l}
l j 1
k 0
P{
X
j
k}s
k
则称
P(s) E(s X ) pk sk
k 0
为X的母函数。
性质:
(1)非负整数值随机变量的分布律pk由其母 函数P(s)唯一确定
pk
P (k) (0) ,
k!
k
0,1,2,
(2)设P(s)是X的母函数,
若EX存在,则EX=P(1)
若DX存在,则DX= P(1) +P(1)- [P(1)]2
P(s) k(k 1) pk sk1 k2
P(1) k(k 1) pk k(k 1) pk
k2
k 1
k 2 pk kpk EX 2 EX
k 1
k 1
DX EX 2 (EX )2 P(1) EX (EX )2
P(1) P(1) [P(1)]2
(3) 设离散型非负整数随机变量X,Y的分布律
例1 设随机变量X服从参数为 的泊松分布,
求X的特征函数。
解
由于
P(X
k)
k
k!e
所以
X (t) eitk k 0
k
k!e
e
k 0
(eit ) k
k!
麦克劳林公式
e eeit e (eit 1)
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。
特征函数.ppt
服从一维正态分布. 其中a , b , c 为任意常数, 且a , b 不全为0.
定理4.2.2 设( X ,Y )为二维随机变量, E( X kY s )存在, 则其特征函
数
(t2 ,
t2
)的偏导数
ks (t1 ,
t1k
t
s 2
t2
)
存在,
且
E( X kY s )
j
(
k
s
e jtX cos(tX ) j sin(tX )
(t ) E(e jtX )
cos(tx)dF( x) j sin(tx)dF( x)
e jtX dF ( x)
一、定义及例 1. 特征函数的定义 定义4.1.1 设X 是定义在概率空间(, F , P)上的随机变量, 它 的分布函数为 F ( x), 称 e jtX 的数学期望 E(e jtX ) 为X 的特征函数. 有时也称为分布函数 F ( x)的特征函数, 其中 j 1, t R.
1
2
e jtk (t )dt
例 设X为只取0到n的整数的离散型随机变量,且其特征函数为
(t ) (q pe jt )n
求随机变量X 的分布律.
§4.2 多维随机变量的特征函数
一、定义及例 二、二维随机变量特征函数的性质 三、相互独立随机变量和的特征函数
一、定义及例
定义4.2.1 设(X, Y) 是一个二维随机变量, 其分布函数为F ( x, y),
T
jt
不连续点:
F~( x) F ( x 0) F ( x) 2
(t) F~( x)
推论1(惟一性定理) 分布函数 F1( x)及 F2( x) 恒等的充分必要条
特征函数和矩母函数ppt课件
(t) eitxk pk 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
(t) (t1,t2,
, tn ) EeitX
E
exp
i
的数学期望 X (t) E[eitX ]
为X的特征函数,其中t是实数。
X (t) X (it)
欧拉公式:
ei cos i sin
还可写成
X (t) E[costX ] iE[sintX ]
ppt课件
13
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
ppt课件
1
3.和的矩母函数
定理1
设相互独立的随机变量 X1,X 2,,X r 的
矩母函数分别为 1 (t) , 2 (t) ,…, r (t) ,
则其和 Y X1 X 2 X r 的矩母函数为
Y (t) 1(t) 2 (t) … r (t)
ppt课件
2
4. 母函数
P Y
k,
{N
l}s
k
k0
l 0
P{Y k, N l}sk k0 l0
P{Y k}P{N l}sk k0 l0
P{N l} P{Y k}sk
l 0
k 0
ppt课件
10
ppt课件
15
(4) (t)是非负定函数。
特征函数与矩函数的关系-写的非常不错。省名师优质课赛课获奖课件市赛课一等奖课件
n个互相独立的高斯变量X1, X 2 ,, X n , 方差均为 2 ,
n
则其平方和 :Y
X
2 i
服从n个自由度的
2分布.
i 1
若n个高斯变量的数学期望均为零, 称Y为中心 2分布.
Y旳概率密度为:
fY ( y)
1
(2 2 )n 2 (n
2)
y e n 1 2
y 2 2
y0
18
fY ( y)
[
nk XY (1, 1n2k
2
)
]1 0
2 0
E[ X nY k ]
第二联合特征函数定义为:XY (1,2 ) ln XY (1,2 )
cnk
(
j)nk
[
nk XY (1,2 1n2k
)
]1 0 2 0
N维联合特征函数旳一种主要性质是:当N个随机变量
相互独立时,它们旳联合特征函数是N个随机变量旳
f (x0 )
f
'(x0 )(x x0 )
1 2
f
''(x0 )(x x0 )2
x0
0
1 n!
f
(n) (x0 )(x x0 )n
泰勒级数 麦克劳林级数
f (x) f (0) f '(0)x 1 f ''(0)x2 1 f (n) (0)xn
2
n!
X
()
X
(0)
' X
(0)
1 2
1
(2 2 )n 2 (n
2)
y e n 1 2
y 2 2
y0
(x) t x e 1 t dt 0
Y旳数学期望和方差为:
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
(4)若X1,X2,是相互独立同分布的非负整
数值随机变量,N是与X1,X2,独立的非
负整数值随机变量,则
Y
N
Xk
k 1
的母函数H(s)=G(P(s)) , EY=ENEX1 其中G(s),P(s)分别是N, X1的母函数。
5
证明:(1)
n
P(s) pk sk pk sk pk sk , n 0,1,
P ( s ) k ( k 1 ) p k s k 1 k2
P (1 ) k ( k 1 ) p k k ( k 1 ) p k
k2
k 1
k 2 p k kp k EX 2 EX
k 1
k 1
DX EX 2 ( EX ) 2 P (1 ) EX ( EX ) 2
9
(4) H ( s ) P { Y k } s k k0
P
Y
k, {N
l
}
s
k
k0
l0
P {Y k , N l}s k k 0 l0
P {Y k } P { N l}s k k 0 l0
P { N l} P {Y k }s k
l0
k0
10
P{N
k!
麦克劳林公式
e eeit e(eit1)
18
例2 设随机变量X服从[a,b]上的均匀分布,求X的 特征函数。
解
X的概率密度为
1 f (x) ba
a x b
0 其它
所以
X(t)
e b itx 1 d a ba
x
e itb e ita it(b a)
13
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) eitxk pk k 1
概率密度为f(x)的连续型随机变量X,特征
函数为
(t) e itxf(x)dx
对于n维随机向量X=(X1, X2, , Xn),特 征函数为
(t)(t1,t2,L,tn)E eitX E ex p intkX k
k 1 14
性质:
(1) (0)1 ,(t)1 ,( t)(t)。
(2) ( t ) 在(-, )上一致连续。 (3)若随机变量X的n阶矩EXn存在,则
(k)(0)ikEXk, k n
当k=1时,EX = (1) (0) / i ;
当k=2时,DX = (2)(0)((1)(0)/i)2。
则称
P(s)E(sX) pksk
k0
为X的母函数。
3
性质:
(1)非负整数值随机变量的分布律pk由其母 函数P(s)唯一确定 P(k)(0) pk k! ,k0,1,2,
(2)设P(s)是X的母函数, 若EX存在,则EX=P(1) 若DX存在,则DX= P(1) +P(1)- [P(1)]2
4
(3)独立随机变量之和的母函数等于母函数 之积。
15
(4) ( t )是非负定函数。 (5)若X1, X2, , Xn是相互独立的随机变量,
则X=X1+X2++Xn的特征函数为 (t)1 (t)2 (t)Ln (t)
(6)随机变量的分布函数与特征函数是一一对 应且相互唯一确定。
16
如果随机变量X为连续型,且其特征函 数绝对可积,则有反演公式:
P (1 ) P (1 ) [ P (1 )] 2
7
(3) 设离散型非负整数随机变量X,Y的分布律
分别为P{X=k}=pk,P{Y=k}=qk,k=0,1, ,
则Z=X+Y的分布律为P{Z=k}=ck,其中
ck= p0 qk +p1qk-1 + + pk q0
设X,Y,Z的母函数分别为PX(s), PY(s),
PZ(s),即有
PX(s) pksk, PY (s) qksk
k0
k0
PZ(s) cksk
k0
8
PX ( s) PY (s) pk s k ql s l
k 0
l0
pk ql s k l r pk qr k s r
k ,l0
r 0 k 0
cr s r PZ (s) r0
f(x) 1 e itx (t)dt (相差一个负号的傅立叶逆变换) 2
(t) e itxf(x)dx
(相差一个负号的傅立叶变换)
17
例1 设随机变量X服从参数为 的泊松分布,
求X的特征函数。
解
由于 P(Xk)k! k e
所以
X (t) eitk k 0
k
k!e
e
k0
(eit)k
k 0
k 0
k n1
P(n) (s) n! pn k(k 1) (k n 1) pk skn k n1
令s 0,则P(n) (0) n! pn
故pn
P(n) (0),n n!
0,1,
6
(2)
P (s)
p k s k , P ( s )
kp
s k 1
k
k0
k 1
E ( X ) kp k P (1 ) k 1
设相互独立的随机变量 X1, X2, , Xr的
矩母函数分别为 1 (t) ,2 (t) ,…, r (t) ,
则其和 YX 1 X 2 X r的矩母函数为
Y (t) 1(t) 2 (t) … r (t)
2
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,
l}
P
l
X
j
k
sk
l0
k 0
j1
P{N
l0
l}
l j1
k 0
P{X
j
k
}
s
k
l
P{N l} P (s)
l0
j1
P{ N l}[P (s)]l G (P (s)) l0
11
EY H (1) dG ( P ( s ))
ds
s 1
dG dP G ( P (1)) P (1) dP ds s1
矩母函数和特征函数
一、矩母函数
1.定义
2.原点 矩的求法
称 e tX 的数学期望 (t)E[etX]
为随机变量X的矩母函数。
利用矩母函数可求得X的各阶矩,即对
(t )逐次求导,并计算在 t 0 点的
值:
(t)E[XteX]
( n)(t)E[XnetX]
(n)(0)E[Xn]
1
3.和的矩母函数
定理1
G (1) P (1) EN EX 1
(注 P (1) 1)
12
二、特征函数
1 .特征函数
设X为随机变量,称复随机变量e itX
的数学期望 X (t) E[eitX ]
为X的特征函数,其中t是实数。
X(t)X(it)
欧拉公式:
eicosisin
还可写成
X (t) E [cto X ] siE [stiX ]n