ある意味で、MGFは、関数を使用していくつかの便利なことを実行できるように、一連のモーメントを便利な関数にエンコードする方法にすぎません。
変数 $ t $ span>は、確率変数 $ X $ span>とはまったく関係ありません。 $ M_X(s)$ span>または $ M_X(u)$ span>と簡単に書くことができます...それつまり、本質的には一種のダミー変数です。これは、mgfの引数であること以外には何の意味もありません。
ハーバートウィルフ[1]は、母関数を呼び出します。
私たちが電話を切る物干しロープ表示する番号のシーケンス
どの物干しに掛けてもかまいません。別の方法でも同様です。
どこからでも関数を導出する方法はありますか?
モーメントのセットを生成関数に変換する方法は複数あります(たとえば、離散分布には、確率生成関数、モーメント生成関数、累積生成関数、および特性関数があります)。そして、それらのいずれかからモーメントを(場合によっては他よりも直接的に)回復することができます。
したがって、モーメントのセットを関数にエンコードする独自の方法はありません。方法については選択の問題です。それらは似ていますが(そして当然のことながら関連しています)、特定の種類のタスクに便利なものもあります。
mgfとLaplace変換とcfの間に特定の類似点があります。およびフーリエ変換。
単なるアナロジーではありません。少なくとも、両側ラプラス変換( $ \ mathcal {L} $ ここ)。 $ M_X(t)= \ mathcal {L} _X(-t)$ span>は(少なくとも符号の変更まで)実際にはラプラス変換であることがわかります(実際、 $ \ mathcal {L} _X(-t)= \ mathcal {L} _ {-X}(t)$ span>を検討してください。これは、の両側ラプラス変換です。反転した変量)。あるものから別のものに簡単に変換でき、mgfsでのラプラス変換の結果を非常にうまく使用できます(さらに言えば、その符号の問題を念頭に置いておくと、ラプラス変換のテーブル)。同様に、特性関数は単にフーリエ変換に類似しているだけでなく、 フーリエ変換です(ここでも、引数の符号を交換しても、引数の符号を入れ替えても重要ではない引数の符号まで)関数)。
フーリエ変換とラプラス変換がmgfsとcfsが「何であるか」についての直感を与えるのに役立つ場合は、確かにそれらの直感を活用する必要がありますが、一方で、いつでも直感を持っている必要はありません。これらのものを操作します。
実際、cfsで遊ぶとき、それらは常に存在し、一意であるため、別のレンズを通して見た分布として考える傾向があります。
関数の導関数を取り、t = 0で評価すると、モーメントが得られることがわかります(積分が絶対収束している場合)が、なぜですか?
使用することを選択した特定の生成関数(mgf)は、そのように機能するように設定されているためです。関数からモーメントのセットを再び抽出できるようにするには、そのようなものが必要です-すべての低いもの(微分など)を削除し、すべての高いもの(引数を0に設定するなど)を削除する方法必要なものを正確に選択できるようにします。そのためには、mgfのように機能するものがすでに必要です。 同時に、(確率変数で使用するさまざまな母関数のように)利用できる他のプロパティがいくつかあると便利です。そのため、選択肢のセットがさらに制限されます。
[1] Wilf、H。(1994)
generatefunctionology 、2nd ed
Academic Press Inc.、San Diego
https:/ /www.math.upenn.edu/~wilf/DownldGF.html