Função geradora de momento
Na teoria da probabilidade e na estatística , a função que gera os momentos de uma variável aleatória X é a função M X definida por
MX(t)=E(etX){\ displaystyle M_ {X} (t) = \ mathbb {E} \ left (\ operatorname {e} ^ {tX} \ right)},
para qualquer verdadeira t de tal forma que esta expectativa existe. Esta função, como o nome sugere, é usado para gerar os tempos associados com a distribuição de probabilidade da variável aleatória X .
Definição e cálculo
Se X está associado a uma densidade de probabilidade contínua f , então a função geradora de momento é dada por
MX(t)=∫-∞+∞etxf(x)dx{\ displaystyle M_ {X} (t) = \ int _ {- \ infty} ^ {+ \ infty} \ operatorname {e} ^ {tx} f (x) \, \ mathrm {d} x}.
Ao introduzir nesta equação a expansão de série inteira do exponencial, esta expressão é equivalente a:
MX(t)=∫R(1+tx+t2x22!+⋯)f(x)dx{\ displaystyle M_ {X} (t) = \ int _ {\ mathbb {R}} \ left (1 + tx + {\ frac {t ^ {2} x ^ {2}} {2!}} + \ cdots \ right) f (x) \, \ mathrm {d} x}
=1+tm1+t2m22!+⋯,{\ displaystyle = 1 + tm_ {1} + {\ frac {t ^ {2} m_ {2}} {2!}} + \ cdots,}onde a última igualdade é obtido pelo teorema da convergência dominada , e onde estou i é o i momento -ésimo de X .
Se a densidade de probabilidade não for contínua, a função geradora de momento pode ser obtida pela integral de Stieltjes :
MX(t)=∫RetxdF(x){\ displaystyle M_ {X} (t) = \ int _ {\ mathbb {R}} \ operatorname {e} ^ {tx} \, \ mathrm {d} F (x)}onde F é a função de distribuição de X .
As expressões anteriores se aplicam a variáveis aleatórias. No caso de um vetor aleatório com componentes reais, a função geradora dos momentos é então definida da seguinte forma:
MX(t)=E(e⟨t,X⟩){\ displaystyle M_ {X} (t) = \ mathbb {E} (\ operatorname {e} ^ {\ langle t, X \ rangle})}onde t é um vetor e é o produto escalar .
⟨t,X⟩{\ displaystyle \ langle t, X \ rangle}
Propriedades
-
MX(-t){\ displaystyle M_ {X} (- t)}é a transformada de Laplace de duas caudas da densidade de probabilidade .f{\ displaystyle f}
- Se é uma sequência de independente (mas não necessariamente de forma idêntica distribuído) variáveis aleatórias e onde , em seguida, a densidade de probabilidade de S n é a uma i- ponderada convolução das densidades de probabilidade de cada um dos X i e a função de geração dos momentos de S n é dado por
X1,X2,...,Xnão{\ displaystyle X_ {1}, X_ {2}, \ dots, X_ {n}}Snão=∑eu=1nãonoeuXeu,{\ displaystyle S_ {n} = \ sum _ {i = 1} ^ {n} a_ {i} X_ {i},}noeu∈R{\ displaystyle a_ {i} \ in \ mathbb {R}}
MSnão(t)=MX1(no1t)MX2(no2t)⋯MXnão(nonãot){\ displaystyle M_ {S_ {n}} (t) = M_ {X_ {1}} (a_ {1} t) M_ {X_ {2}} (a_ {2} t) \ cdots M_ {X_ {n} } (a_ {n} t)}.
- Se a função geradora dos momentos existe em um intervalo aberto em torno de t = 0 , o n- ésimo momento da variável aleatória X é dado pela n- ésima derivada da função geradora avaliada em t = 0 :
E(Xnão)=MX(não)(0)=dnãoMX(t)dtnão|t=0{\ displaystyle \ mathbb {E} (X ^ {n}) = M_ {X} ^ {(n)} (0) = \ left. {\ frac {\ mathrm {d} ^ {n} M_ {X} (t)} {\ mathrm {d} t ^ {n}}} \ right | _ {t = 0}}.
Esta relação permite calcular com muita facilidade os momentos de uma lei da qual conhecemos a função geradora. por exemplo
E(X)=MX′(0){\ displaystyle \ mathbb {E} (X) = M_ {X} '(0)} e
Var(X)=E(X2)-E(X)2=MX″(0)-[MX′(0)]2{\ displaystyle \ operatorname {Var} (X) = \ mathbb {E} (X ^ {2}) - \ mathbb {E} (X) ^ {2} = M_ {X} '' (0) - [M_ {X} '(0)] ^ {2}}.
- Qualquer função que gera momentos é logaritmicamente convexa .
Demonstração
A desigualdade de Hölder mostra que
E[vocêV]≤(E|vocêp|)1/p(E|Vq|)1/q{\ displaystyle \ mathbb {E} [UV] \ leq (\ mathbb {E} | U ^ {p} |) ^ {1 / p} (\ mathbb {E} | V ^ {q} |) ^ {1 / q}}para todas as variáveis aleatórias U e V e números reais p , q tais que
1<p,q<∞ e 1p+1q=1{\ displaystyle 1 <p, q <\ infty \ quad {\ text {et}} \ quad {\ frac {1} {p}} + {\ frac {1} {q}} = 1}.
Seja X uma variável aleatória real e . Tomando o logaritmo da desigualdade aplicada a
0<θ<1{\ displaystyle 0 <\ theta <1}
você=exp((1-θ)λ0X),V=exp(θλ1X),p=11-θ,q=1θ{\ displaystyle U = \ exp ((1- \ theta) \ lambda _ {0} X), V = \ exp (\ theta \ lambda _ {1} X), \ quad p = {\ frac {1} { 1- \ theta}}, q = {\ frac {1} {\ theta}}}nós temos a desigualdade de convexidade
emE[exp(((1-θ)λ0+θλ1)X)]≤(1-θ)emE[exp(λ0X)]+θemE[exp(λ1X)].{\ displaystyle \ ln \ mathbb {E} [\ exp (((1- \ theta) \ lambda _ {0} + \ theta \ lambda _ {1}) X)] \ leq (1- \ theta) \ ln \ mathbb {E} [\ exp (\ lambda _ {0} X)] + \ theta \ ln \ mathbb {E} [\ exp (\ lambda _ {1} X)].}
Exemplo
Queremos calcular a expectativa da lei exponencial . Sua função geradora de momento é dada por:
MX(t)=(1-tλ)-1=1(1-tλ){\ displaystyle M_ {X} (t) = \ left (1 - {\ frac {t} {\ lambda}} \ right) ^ {- 1} \, = {\ frac {1} {\ left (1- {\ frac {t} {\ lambda}} \ right)}}}.
Contando com a propriedade dos derivados segundo os quais , obtemos:
(1f)′=-f′f2{\ displaystyle \ left ({1 \ over f} \ right) '= {- f' \ over f ^ {2}}}
MX′(t)≡dMX(t)dt=d(1-tλ)-1dt=1λ(1-tλ)2{\ displaystyle M_ {X} '(t) \ equiv {\ frac {\ mathrm {d} M_ {X} (t)} {\ mathrm {d} t}} = {\ frac {\ mathrm {d} \ esquerda (1 - {\ frac {t} {\ lambda}} \ direita) ^ {- 1}} {\ mathrm {d} t}} = {\ frac {\ frac {1} {\ lambda}} {\ esquerda (1 - {\ frac {t} {\ lambda}} \ direita) ^ {2}}}}.
Ao avaliar esta derivada em t = 0 , obtemos o primeiro momento:
E[X]=MX′(t=0)=1λ(1-0λ)2=1λ{\ displaystyle \ mathbb {E} [X] = M_ {X} '(t = 0) = {\ frac {\ frac {1} {\ lambda}} {\ left (1 - {\ frac {0} { \ lambda}} \ right) ^ {2}}} = {\ frac {1} {\ lambda}}}.
Relação unívoca entre a função geradora de momento e a função densidade
Passar da densidade à função geradora é fácil: basta aplicar a definição. A relação inversa parece mais difícil.
A maneira mais fácil de lidar com essa questão é passar pela transformação de Fourier . Para isso, basta considerar a função dos momentos em t = iτ , onde i é “o” número complexo tal que ( i 2 = -1 ). Obtemos o que chamamos de função característica da variável X :
ϕX(τ)=Mx(euτ)=∫eeuτxf(x)dx{\ displaystyle \ phi _ {X} (\ tau) = M_ {x} (\ mathrm {i} \ tau) = \ int \ operatorname {e} ^ {\ mathrm {i} \ tau x} f (x) \, \ mathrm {d} x}.
Como uma transformação de Fourier, a expressão anterior pode ser revertida:
f(x)=12π∫e-euτxϕX(τ)dτ{\ displaystyle f (x) = {\ frac {1} {2 \ pi}} \ int \ operatorname {e} ^ {- \ mathrm {i} \ tau x} \ phi _ {X} (\ tau) \ , \ mathrm {d} \ tau}.
A função geradora de momento, portanto, caracteriza perfeitamente a densidade.
Veja também
Artigos relacionados
Bibliografia
Sheldon Ross ( tradução do inglês), Iniciação com probabilidade [" Um Primeiro Curso em Probabilidade "], Lausanne, PPUR ,2004, 458 p. ( ISBN 2-88074-327-3 ) , p. 333-344
<img src="https://fr.wikipedia.org/wiki/Special:CentralAutoLogin/start?type=1x1" alt="" title="" width="1" height="1" style="border: none; position: absolute;">