《概率入门》 2.4 转换(Transforms)
许多涉及概率分布的计算和操作都可以通过使用转换来实现。我们在这里讨论一些这样的转换。
定义2.7 令X 为非负整数值随机变量。 X 的概率生成函数 (probability generating function PGF) 是在 [0, 1] → [0, 1] 上的函数 G ,定义为
示例2.8 设X的pmf f为:
我们很快就会将其引入泊松分布(Poisson distribution),但现在这并不重要。 X 的 PGF 定义为
知道了 X 的 PGF,我们可以轻松获得 pmf:
证明。通过定义
代入 x = 0 得到 G(0) = P(X = 0)。如果我们对 G(z) 微分(differentiate)一次,则
因此,G′(0) = P(X = 1)。再次微分,我们看到 G′′(0) = 2P(X = 2),一般来说,G 在零处的 n 阶导数是 \(G^{(n)}=x!\mathbb{P}(X=x)\),这就完成了证明。
因此,我们有唯一性(uniqueness)属性:两个 pmf 当且仅当它们的 PGF 相同时是相同的。
PGF 的另一个有用的特性是,我们可以通过对 G 求导并在 z = 1 处求值来获得 X 的矩。
根据 z 对 G(z) 求微分得到
等等。如果您不相信,请将期望写成总和,并使用总和的导数等于导数之和的事实(尽管在处理无限和时我们需要小心)。
特别是
以及
定义 2.8 随机变量 X 的矩生成函数 (moment generation function MGF) 是在 I → [0, ∞) 上的函数 M,定义为:
这里 I 是一个包含 0 的开区间,其中所有 s ∈ I 的上述积分都得到了很好的定义。
特别是,对于具有 pmf f 的离散随机变量,
对于具有 pdf f 的连续随机变量,
我们有时会写 \(M_X\) 来强调 X 的作用。
对于PGF,矩生成函数具有唯一性:两个MGF当且仅当它们对应的分布函数相同时相同。
与 PGF 类似,X 的矩由 M 的导数得出:
如果 \(\mathbb{E}X^n\) 存在,则 M 是 n 次可微的,并且
则申明矩生成函数:X 的矩只需通过微分即可找到。因此,X 的方差(variance)为
备注 2.1 这里讨论的转换在处理独立随机变量的总和时特别有用。我们将在第 4 章和第 5 章中再次讨论它们。
浙公网安备 33010602011771号