Một phân phối với trung bình hữu hạn và phương sai vô hạn có thể có một hàm tạo thời điểm không? Điều gì về một phân phối với trung bình hữu hạn và phương sai hữu hạn nhưng khoảnh khắc cao hơn vô hạn?
Một phân phối với trung bình hữu hạn và phương sai vô hạn có thể có một hàm tạo thời điểm không? Điều gì về một phân phối với trung bình hữu hạn và phương sai hữu hạn nhưng khoảnh khắc cao hơn vô hạn?
Câu trả lời:
Câu hỏi này cung cấp một cơ hội tốt để thu thập một số sự kiện về các hàm tạo thời điểm ( mgf ).
Trong câu trả lời dưới đây, chúng tôi làm như sau:
Câu trả lời này khá dài, mà tôi xin lỗi trước. Nếu điều này sẽ được đặt tốt hơn, ví dụ, như một bài đăng trên blog hoặc ở một nơi khác, xin vui lòng cung cấp phản hồi như vậy trong các ý kiến.
Các mgf nói gì về những khoảnh khắc?
Các MGF của một biến ngẫu nhiên được định nghĩa là m ( t ) = E đ t X . Lưu ý rằng m ( t ) luôn tồn tại vì nó là tích phân của hàm đo lường không âm. Tuy nhiên, nếu có thể không hữu hạn . Nếu nó là hữu hạn (ở đúng vị trí), thì với tất cả p > 0 (không nhất thiết phải là số nguyên), các khoảnh khắc tuyệt đối E | X | p < ∞ (và, vì vậy, cũng E X p là hữu hạn). Đây là chủ đề của các đề xuất tiếp theo.
Mệnh đề : Nếu tồn tại và t p > 0 sao cho m ( t n ) < ∞ và m ( t, thì các khoảnh khắc củatất cả cáclệnh củaXtồn tại và là hữu hạn.
Trước khi đi sâu vào một bằng chứng, đây là hai bổ đề hữu ích.
Bổ đề 1 : Giả sử như vậy tồn tại và t p . Khi đó với mọi t 0 ∈ [ t n , t p ] , m ( t 0 ) < ∞ .
Bằng chứng . Điều này xuất phát từ độ lồi của e x và tính đơn điệu của tích phân. Đối với bất kỳ như t 0 , tồn tại θ ∈ [ 0 , 1 ] mà t 0 = θ t n +
. Nhưng, sau đó
e t 0 X = e θ t n X + ( 1 - θ ) t p X ≤ θ e t n X + ( 1 - θ ) e t p X
Do đó, bằng cách đơn điệu của tích phân, E e t 0 X ≤ θ E e t n X + ( 1 - θ ) E e t p X < ∞ .
Vì vậy, nếu mgf là hữu hạn tại bất kỳ hai điểm riêng biệt nào, thì nó là hữu hạn cho tất cả các giá trị trong khoảng giữa các điểm đó.
Bổ đề 2 ( Lồng các khoảng trắng ): Với , nếu E | X | p < ∞ , sau đó E | X | q < ∞ .
Bằng chứng : Hai cách tiếp cận được đưa ra trong câu trả lời này và các bình luận liên quan .
Điều này cho chúng ta đủ để tiếp tục với bằng chứng của đề xuất.
Chứng minh mệnh đề . Nếu và t p > 0 tồn tại như đã nêu trong mệnh đề, thì lấy t 0 = min ( - t n , t p ) > 0 , chúng ta biết bằng bổ đề đầu tiên rằng m ( - t 0 ) < ∞ và m ( t 0 ) < ∞ . Nhưng, e - t 0 X + e t Và phía bên phải bao gồm các điều khoản không âm, do đó, đặc biệt là đối với bất kỳ cố định k e - t 0 X + e t 0 X ≥ 2 t 2 k 0 X 2 k / ( 2 k ) !
Kết quả
Kết quả cuối cùng liên quan đến câu hỏi là nếu có khoảnh khắc nào của là vô hạn hoặc không tồn tại, chúng ta có thể kết luận ngay rằng mgf không hữu hạn trong một khoảng mở có chứa gốc. (Đây chỉ là tuyên bố mang tính mâu thuẫn của mệnh đề.)
Do đó, mệnh đề trên cung cấp điều kiện "đúng" để nói điều gì đó về các khoảnh khắc của dựa trên mgf của nó.
Đuôi theo cấp số nhân và mgf
Dự luật : Các MGF là hữu hạn trong một khoảng thời gian mở ( t n , t p ) có chứa nguồn gốc khi và chỉ khi đuôi của F đang theo hàm mũ giáp , tức là với một số C > 0 và t 0 > 0 .
Bằng chứng . Chúng tôi sẽ đối phó với đuôi phải riêng biệt. Đuôi trái được xử lý hoàn toàn tương tự.
Giả sử m ( t 0 ) < ∞ đối với một số t 0 Để thấy điều này, lưu ý rằng với mọi t > 0 , bởi bất đẳng thức của Markov, P ( X > x ) = P (
Điều này hoàn thành bằng chứng.
Một lưu ý về tính độc đáo của phân phối được cung cấp cho mgf của nó
Ví dụ và phản mẫu
. So, the mgf is finite on the nonnegative half-line . (NB We've only used the nonnegativity of to establish this fact, so this is true from all nonnegative random variables.)
However, for all . We'll take the standard lognormal as the canonical case. If , then . By change of variables, we have
On the other hand, all moments of the lognormal distribution are finite. So, the existence of the mgf in an interval about zero is not necessary for the conclusion of the above proposition.
(b) Symmetrized lognormal: We can get an even more extreme case by "symmetrizing" the lognormal distribution. Consider the density for such that
(c) Cauchy distribution: This distribution also has an mgf which is infinite for all , but no absolute moments are finite for . The result for the mgf follows for since for and so
(d) Half-Cauchy distribution: If is (standard) Cauchy, call a half-Cauchy random variable. Then, it is easy to see from the previous example that for all ; yet, is finite for .