Moment (pravděpodobnosti)
V teorii pravděpodobnosti a statistiky je okamžik řádu r ∈ ℕ jednoho skutečného náhodné proměnné X je indikátorem disperze této proměnné, jako je například jeho standardní odchylka je druhá odmocnina z centrované okamžiku řádu 2.
Takzvaný „obyčejný“ okamžik řádu r ∈ ℕ , pokud existuje, je definován:
mr≜E(Xr){\ displaystyle m_ {r} \ triangleq \ mathbb {E} (X ^ {r})}Podobně budou definovány jindy, studované nebo zmíněné ve zbytku článku.
Koncept okamžiku v analýze
Pojem moment v matematice , zejména v teorii pravděpodobnosti , pochází z pojmu moment ve fyzice .
Nechť f : I → ℝ je spojitá funkce v intervalu I (ne redukovaném na bod) ℝ .
Vzhledem k přirozené číslo r , okamžik objednávky r o f je definován, s výhradou existence tím, že:
mr(F)≜∫X∈JáXrF(X)dX{\ displaystyle m_ {r} (f) \ triangleq \ int _ {x \ v I} x ^ {r} \, f (x) \, \ mathrm {d} x}
Kritérium existence
Tento okamžik objednávky r je považován za existující právě tehdy, když x r f ( x ) je integrovatelná , to znamená tehdy, když ∫ x ∈ I | x r f ( x ) | d x konverguje. I když je tedy moment konvergentním nesprávným integrálem , je tento moment stále považován za neexistující.
Tímto způsobem, pokud moment neexistuje v daném pořadí, pak neexistují ani všechny momenty vyššího řádu. Naopak, pokud v daném pořadí existuje moment, pak existují i všechny momenty nižšího řádu.
Vektorový prostor
Pro dané přirozené celé číslo r je množina spojitých funkcí na I, jehož moment řádu r existuje, skutečný vektorový prostor a mapa m r : f ↦ m r ( f ) je lineární forma na tomto vesmírném vektoru.
Definice
Nechť X je skutečná náhodná proměnná definovaná na I , s distribuční funkcí F X a zákonem pravděpodobnosti p .
Obyčejný okamžik
Moment (nebo běžný moment , nebo moment v rozsahu 0 ) řádu r ∈ ℕ z X je definováno, pokud existuje, podle:
mr≜E(Xr){\ displaystyle m_ {r} \ triangleq \ mathbb {E} (X ^ {r})}Podle věty o převodu tedy máme :
mr=∫X∈JáXrdFX(X){\ displaystyle m_ {r} = \ int _ {x \ v I} x ^ {r} \, \ mathrm {d} F_ {X} (x)}Tento Stieltjesův integrál lze přepsat:
- pokud X je diskrétní :mr=∑k∈Jákrpk{\ displaystyle m_ {r} = \ součet _ {k \ v I} k ^ {r} \, p_ {k}}
- pokud X je absolutně spojité :mr=∫X∈JáXrp(X)dX{\ displaystyle m_ {r} = \ int _ {x \ v I} x ^ {r} \, p (x) \, \ mathrm {d} x}
Podle druhého axiomu pravděpodobností pak máme m 0 = 1 .
Všimněte si, že p je kladné nebo nulové na I ( první axiom pravděpodobností ), kritériem existence okamžiku řádu r je konvergence ∑ k ∈ I | k | r p k nebo ∫ x ∈ I | x | r p ( x ) d x podle potřeby.
Vystředěný okamžik
Střed moment řádu r ∈ ℕ z X je definováno, pokud existuje, podle:
μr≜E([X-E(X)]r){\ displaystyle \ mu _ {r} \ triangleq \ mathbb {E} ([X- \ mathbb {E} (X)] ^ {r})}Podle věty o převodu tedy máme :
μr=∫X∈Já[X-E(X)]rdFX(X){\ displaystyle \ mu _ {r} = \ int _ {x \ v I} [x- \ mathbb {E} (X)] ^ {r} \, \ mathrm {d} F_ {X} (x)}Tento Stieltjesův integrál lze přepsat:
- pokud X je diskrétní :μr=∑k∈Já[k-E(X)]rpk{\ displaystyle \ mu _ {r} = \ součet _ {k \ v I} [k- \ mathbb {E} (X)] ^ {r} \, p_ {k}}
- pokud X je absolutně spojité :μr=∫X∈Já[X-E(X)]rp(X)dX{\ displaystyle \ mu _ {r} = \ int _ {x \ v I} [x- \ mathbb {E} (X)] ^ {r} \, p (x) \, \ mathrm {d} x}
Podle konstrukce pak máme μ 0 = 1 a μ 1 = 0 .
Podle věty o převodu můžeme také napsat μ r ( X ) = m r ( X - ? ( X )) .
Snížený centrovaný okamžik
Nastavením μ = m 1 a σ = √ μ 2 se sníží na střed moment řádu r ∈ ⟦2 + ∞⟦ z X je definováno, pokud existuje, podle:
βr-2≜E[(X-μσ)r]{\ displaystyle \ beta _ {r-2} \ triangleq \ mathbb {E} \ left [\ left ({\ frac {X- \ mu} {\ sigma}} \ right) ^ {r} \ right]}Máme tedy β r -2 = μ r ⁄ σ r a konstrukčně β 0 = 1 .
Pozoruhodné okamžiky
Určité momenty, které se běžně používají k charakterizaci skutečné náhodné proměnné X , jsou známé pod určitým jménem:
- naděje , čas objednávky ;μ≜m1=E(X){\ displaystyle \ mu \ triangleq m_ {1} = \ mathbb {E} (X)}
- rozptyl , střed moment objednávky dva: a jeho druhá odmocnina směrodatná odchylka : ;PROTI(X)≜μ2=E[(X-μ)2]{\ displaystyle \ operatorname {V} (X) \ triangleq \ mu _ {2} = \ mathbb {E} [(X- \ mu) ^ {2}]}σ≜PROTI(X)=μ2{\ displaystyle \ sigma \ triangleq {\ sqrt {\ operatorname {V} (X)}} = {\ sqrt {\ mu _ {2}}}}
- koeficient asymetrie , redukuje na střed moment objednávky tři :;y1≜β1=E[(X-μσ)3]{\ displaystyle \ gamma _ {1} \ triangleq \ beta _ {1} = \ mathbb {E} \ left [\ left ({\ frac {X- \ mu} {\ sigma}} \ right) ^ {3} \ že jo]}
- špičatost nejsou standardizovány, centrální moment snížen čtyři pořadí .β2=E[(X-μσ)4]{\ displaystyle \ beta _ {2} = \ mathbb {E} \ doleva [\ doleva ({\ frac {X- \ mu} {\ sigma}} \ doprava) ^ {4} \ doprava]}
Funkce generující momenty
Funkční generátor momentů M X o skutečné náhodné veličiny X je na exponenciální série generátor spojené se sekvencí ( m r ) r ∈ ℕ momentů z X , definovaného v okolí 0 a za existence všechny momenty:
MX(t)≜∑r=0∞mrtrr!{\ displaystyle M_ {X} (t) \ triangleq \ sum _ {r = 0} ^ {\ infty} m_ {r} \, {\ frac {t ^ {r}} {r!}}}Může být také napsáno, v sousedství 0 a za předpokladu existence očekávání :
MX(t)=E(EtX){\ displaystyle M_ {X} (t) = \ mathbb {E} \ vlevo (\ mathrm {e} ^ {tX} \ doprava)}Tyto deriváty zopakováno při 0 ° C z této série exponenciálních generátor stojí:
MX(r)(0)=mr{\ displaystyle M_ {X} ^ {(r)} (0) = m_ {r}}
Vlastnosti
Dimenze
Buď [ X ] velikost reálné náhodné proměnné X. .
Obyčejné a vystředěné momenty řádu r , pokud existují, mají rozměr [ X ] r .
Demonstrace
Při zápisu ∫ x ∈ I x r d F X ( x ) momentu řádu r má proměnná x rozměr [ X ] . Míra pravděpodobnosti ℙ jako bezrozměrná veličina , distribuční funkce F X , definovaná jako ∀ x ∈ I , F X ( x ) = ℙ ( X ≤ x ) , je také bezrozměrná, takže také pro její nekonečně malou d F X ( x ) . Takže m r = ∫ x ∈ I x r d F X ( x ) má rozměr [ X r ] .
? ( X ) = m 1 pro rozměr [ X ] , je to také případ x - ? ( X ) , proto μ r = ∫ x ∈ I [ x - ? ( X )] r d F X ( x ) má také rozměr [ X r ] .
Snížený centrovaný moment řádu r , pokud existuje, je bezrozměrná veličina .
Demonstrace
μ 2 mající pro rozměr [ X 2 ] , σ = √ μ 2 má pro rozměr [ X ] , takže β r -2 = μ r / σ r má pro rozměr [ X r / X r ] = [1] .
Afinní transformace
V obyčejných dobách
Obyčejný moment řádu 1, pokud existuje, je lineární :
∀(θ,λ)∈R2,m1(θX+λ)=θm1(X)+λ{\ displaystyle \ forall (\ theta, \ lambda) \ in \ mathbb {R} ^ {2}, m_ {1} (\ theta \, X + \ lambda) = \ theta \, m_ {1} (X) + \ lambda}
Demonstrace
Nechť Λ = { λ } je konstantní náhodná proměnná rovná λ s pravděpodobností 1. Překlad délky λ hodnot náhodné proměnné odpovídá součtu této náhodné proměnné a Λ : θ X + λ ≜ θ X + Λ . S vědomím, že ? ( Λ ) = λ , tedy máme, podle linearity očekávání:
m1(θX+λ)=E(θX+λ)=E(θX+Λ)=θE(X)+E(Λ)=θE(X)+λ=θm1(X)+λ{\ displaystyle m_ {1} (\ theta \, X + \ lambda) = \ mathbb {E} (\ theta \, X + \ lambda) = \ mathbb {E} (\ theta \, X + \ Lambda) = \ theta \, \ mathbb {E} (X) + \ mathbb {E} (\ Lambda) = \ theta \, \ mathbb {E} (X) + \ lambda = \ theta \, m_ {1} (X) + \ lambda}
Obyčejný okamžik řádu r > 1 z θ X + λ , pokud existuje, není vyjádřen pouze jako funkce momentu řádu r z X :
∀(θ,λ)∈R2,mr(θX+λ)=∑i=0rVSriθr-iλimr-i(X)=∑i=0rVSriθiλr-imi(X){\ displaystyle \ forall (\ theta, \ lambda) \ in \ mathbb {R} ^ {2}, m_ {r} (\ theta \, X + \ lambda) = \ součet _ {i = 0} ^ {r } C_ {r} ^ {i} \, \ theta ^ {ri} \, \ lambda ^ {i} \, m_ {ri} (X) = \ sum _ {i = 0} ^ {r} C_ {r } ^ {i} \, \ theta ^ {i} \, \ lambda ^ {ri} \, m_ {i} (X)}
Demonstrace
Rozvíjením binomickou ( θ X + λ ) r a od linearity na očekávání, máme:
mr(θX+λ)=E[(θX+λ)r]=E[∑i=0rVSri(θX)iλr-i]=∑i=0rVSriθiλr-iE(Xi)=∑i=0rVSriθiλr-imi(X).{\ displaystyle m_ {r} (\ theta \, X + \ lambda) = \ mathbb {E} [(\ theta \, X + \ lambda) ^ {r}] = \ mathbb {E} \ vlevo [\ součet _ {i = 0} ^ {r} C_ {r} ^ {i} \, (\ theta \, X) ^ {i} \, \ lambda ^ {ri} \ right] = \ sum _ {i = 0 } ^ {r} C_ {r} ^ {i} \, \ theta ^ {i} \, \ lambda ^ {ri} \, \ mathbb {E} (X ^ {i}) = \ sum _ {i = 0} ^ {r} C_ {r} ^ {i} \, \ theta ^ {i} \, \ lambda ^ {ri} \, m_ {i} (X).}
Zjistíme tedy linearitu m 1 a stálost m 0 .
Na soustředěné okamžiky
Centrovaný moment řádu r , pokud existuje, je invariantní translací a homogenní stupně r :
∀(θ,λ)∈R2,μr(θX+λ)=θrμr(X){\ displaystyle \ forall (\ theta, \ lambda) \ in \ mathbb {R} ^ {2}, \ mu _ {r} (\ theta \, X + \ lambda) = \ theta ^ {r} \, \ mu _ {r} (X)}
Demonstrace 1
S vědomím, že ? ( θ X + λ ) = θ ? ( X ) + λ (viz afinní transformaci v běžném okamžiku řádu 1), máme:
(θX+λ)-E(θX+λ)=θX+λ-θE(X)-λ=θ[X-E(X)]{\ displaystyle (\ theta \, X + \ lambda) - \ mathbb {E} (\ theta \, X + \ lambda) = \ theta \, X + \ lambda - \ theta \, \ mathbb {E} (X ) - \ lambda = \ theta \, [X- \ mathbb {E} (X)]}Od linearity na očekávání, proto musíme:
μr(θX+λ)=E([θX+λ-E(θX+λ)]r)=E(θr[X-E(X)]r)=θrE([X-E(X)]r)=θrμr(X){\ displaystyle \ mu _ {r} (\ theta \, X + \ lambda) = \ mathbb {E} ([\ theta \, X + \ lambda - \ mathbb {E} (\ theta \, X + \ lambda )] ^ {r}) = \ mathbb {E} (\ theta ^ {r} \, [X- \ mathbb {E} (X)] ^ {r}) = \ theta ^ {r} \, \ mathbb {E} ([X- \ mathbb {E} (X)] ^ {r}) = \ theta ^ {r} \, \ mu _ {r} (X)}
Demonstrace 2
S vědomím, že μ r ( X ) = m r ( X - ? ( X )) , funkce generování centrované momentů z X je tedy funkcí generování běžných momentů z X - ? ( X ) :
MX(t)=MX-E(X)(t)=E(Et[X-E(X)]){\ displaystyle {\ mathcal {M}} _ {X} (t) = M_ {X- \ mathbb {E} (X)} (t) = \ mathbb {E} \ vlevo (e ^ {t [X- \ mathbb {E} (X)]} \ vpravo)}S vědomím, že ( θ X + λ ) - ? ( θ X + λ ) = θ [ X - ? ( X )] (viz důkaz 1), máme tedy:
MθX+λ(t)=E(Et[(θX+λ)-E(θX+λ)])=E(Eθt[X-E(X)])=MX(θt){\ displaystyle {\ mathcal {M}} _ {\ theta \, X + \ lambda} (t) = \ mathbb {E} \ left (e ^ {t [(\ theta \, X + \ lambda) - \ mathbb {E} (\ theta \, X + \ lambda)]} \ right) = \ mathbb {E} \ left (e ^ {\ theta t [X- \ mathbb {E} (X)]} \ right) = {\ mathcal {M}} _ {X} (\ theta t)}Podle iterativní odvození této sloučeniny funkce , proto jsou:
MθX+λ(r)(t)=[MX(θt)](r)=θrMX(r)(θt){\ displaystyle {\ mathcal {M}} _ {\ theta \, X + \ lambda} ^ {(r)} (t) = [{\ mathcal {M}} _ {X} (\ theta t)] ^ {(r)} = \ theta ^ {r} {\ mathcal {M}} _ {X} ^ {(r)} (\ theta t)}Proto v 0:
μr(θX+λ)=MθX+λ(r)(0)=θrMX(r)(0)=θrμr(X){\ displaystyle \ mu _ {r} (\ theta \, X + \ lambda) = {\ mathcal {M}} _ {\ theta \, X + \ lambda} ^ {(r)} (0) = \ theta ^ {r} {\ mathcal {M}} _ {X} ^ {(r)} (0) = \ theta ^ {r} \ mu _ {r} (X)}
Ve snížených soustředěných momentech
Tím, afinní transformace ze nenulovým koeficientem režie (takže σ je nenulová), snížená střed moment řádu r , pokud existuje, je jednoduše vynásobí znaménko koeficientu režijní umocněn r :
∀(θ,λ)∈R∗×R,βr-2(θX+λ)=sgn(θ)rβr-2(X){\ displaystyle \ forall (\ theta, \ lambda) \ in \ mathbb {R} ^ {*} \! \! \ times \! \ mathbb {R}, \ beta _ {r-2} (\ theta \, X + \ lambda) = \ operatorname {sgn} (\ theta) ^ {r} \, \ beta _ {r-2} (X)}Absolutní hodnota redukované středem okamžiku je tedy neměnný podle afinní transformací nenulovým sklonem.
Demonstrace
Směrodatná odchylka θ X + λ se rovná :
σθX+λ=μ2(θX+λ)=θ2μ2(X)=|θ|σX{\ displaystyle \ sigma _ {\ theta \, X + \ lambda} = {\ sqrt {\ mu _ {2} (\ theta \, X + \ lambda)}} = {\ sqrt {\ theta ^ {2} \ mu _ {2} (X)}} = | \ theta | \ sigma _ {X}}Snížená střed okamžiku objednávky r o t Vstup X + Á proto stojí:
βr-2(θX+λ)=μr(θX+λ)σθX+λ r=θrμr(X)(|θ|σX)r=(θ|θ|)rμr(X)σXr=sgn(θ)rβr-2(X){\ displaystyle \ beta _ {r-2} (\ theta \, X + \ lambda) = {\ frac {\ mu _ {r} (\ theta \, X + \ lambda)} {\ sigma _ {\ theta \, X + \ lambda} ^ {\ r}}} = {\ frac {\ theta ^ {r} \ mu _ {r} (X)} {(| \ theta | \ sigma _ {X}) ^ { r}}} = \ left ({\ frac {\ theta} {| \ theta |}} \ right) ^ {r} {\ frac {\ mu _ {r} (X)} {\ sigma _ {X} ^ {r}}} = \ operatorname {sgn} (\ theta) ^ {r} \, \ beta _ {r-2} (X)}
Rozlišováním podle znaménka θ a parity r tedy můžeme psát:
∀(θ,λ)∈R∗×R,βr(θX+λ)={βr(X)-li θ>0 nebo r je sudý-βr(X)-li θ<0 a r je zvláštní{\ displaystyle \ forall (\ theta, \ lambda) \ in \ mathbb {R} ^ {*} \! \! \ times \! \ mathbb {R}, \ beta _ {r} (\ theta \, X + \ lambda) = {\ begin {cases} \ beta _ {r} (X) & {\ text {si}} \ theta> 0 {\ text {or}} r {\ text {is even}} \\ - \ beta _ {r} (X) & {\ text {si}} \ theta <0 {\ text {and}} r {\ text {je zvláštní}} \ end {případy}}}
Aditivita
Nechť X a Y jsou dvě skutečné náhodné proměnné, pak máme:
- m1(X+Y)=m1(X)+m1(Y){\ displaystyle m_ {1} (X + Y) = m_ {1} (X) + m_ {1} (Y)}
Pokud X a Y jsou nezávislé , máme také:
- μ2(X+Y)=μ2(X)+μ2(Y){\ displaystyle \ mu _ {2} (X + Y) = \ mu _ {2} (X) + \ mu _ {2} (Y)}
- μ3(X+Y)=μ3(X)+μ3(Y){\ displaystyle \ mu _ {3} (X + Y) = \ mu _ {3} (X) + \ mu _ {3} (Y)}
Tato vlastnost aditivity existuje pouze pro tři konkrétní zmíněné momenty. Mezi rizikové opatření ověřující tuto vlastnost nazývají cumulants .
Vztahy mezi obyčejnými momenty a soustředěnými momenty
Okamžiky soustředěné jako funkce obyčejných okamžiků
Vystředěný okamžik řádu r , pokud existuje, je zapsán:
μr=∑i=0rVSrimr-i(-m1)i=∑i=0rVSrimi(-m1)r-i{\ displaystyle \ mu _ {r} = \ součet _ {i = 0} ^ {r} C_ {r} ^ {i} \, m_ {ri} \, (- m_ {1}) ^ {i} = \ sum _ {i = 0} ^ {r} C_ {r} ^ {i} \, m_ {i} \, (- m_ {1}) ^ {ri}}
Demonstrace
Rozvojem binomické v expresi u Stabilizátory r a u linearity v očekávání, máme:
μr=E[(X-m1)r]=E[∑i=0rVSriXr-i(-m1)i]=∑i=0rVSriE(Xr-i)(-m1)i=∑i=0rVSrimr-i(-m1)i{\ displaystyle \ mu _ {r} = \ mathbb {E} [(X-m_ {1}) ^ {r}] = \ mathbb {E} \ left [\ sum _ {i = 0} ^ {r} C_ {r} ^ {i} \, X ^ {ri} \, (- m_ {1}) ^ {i} \ right] = \ sum _ {i = 0} ^ {r} C_ {r} ^ { i} \, \ mathbb {E} (X ^ {ri}) \, (- m_ {1}) ^ {i} = \ sum _ {i = 0} ^ {r} C_ {r} ^ {i} \, m_ {ri} \, (- m_ {1}) ^ {i}}Poté, připomínaje, že C.k
n = C.n - k
n, jeden získá druhý zápis změnou proměnné i ↦ r - i .
Připomeňme, že m 0 = 1 , jsou proto vyjádřeny první vystředěné momenty jako funkce obyčejných momentů:
μ2=m2-m12{\ displaystyle \ mu _ {2} = m_ {2} -m_ {1} ^ {2}}
μ3=m3-3m2m1+2m13{\ displaystyle \ mu _ {3} = m_ {3} -3 \, m_ {2} \, m_ {1} +2 \, m_ {1} ^ {3}}
μ4=m4-4m3m1+6m2m12-3m14{\ displaystyle \ mu _ {4} = m_ {4} -4 \, m_ {3} \, m_ {1} +6 \, m_ {2} \, m_ {1} ^ {2} -3 \, m_ {1} ^ {4}}
μ5=m5-5m4m1+10m3m12-10m2m13+4m15{\ displaystyle \ mu _ {5} = m_ {5} -5 \, m_ {4} \, m_ {1} +10 \, m_ {3} \, m_ {1} ^ {2} -10 \, m_ {2} \, m_ {1} ^ {3} +4 \, m_ {1} ^ {5}}
μ6=m6-6m5m1+15m4m12-20m3m13+15m2m14-5m16{\ displaystyle \ mu _ {6} = m_ {6} -6 \, m_ {5} \, m_ {1} +15 \, m_ {4} \, m_ {1} ^ {2} -20 \, m_ {3} \, m_ {1} ^ {3} +15 \, m_ {2} \, m_ {1} ^ {4} -5 \, m_ {1} ^ {6}}
Obyčejné momenty jako funkce soustředěných momentů
Naopak nastavením μ = ? ( X ) se zapíše běžný okamžik řádu r , pokud existuje:
mr=∑i=0rVSriμr-iμi=∑i=0rVSriμiμr-i{\ displaystyle m_ {r} = \ součet _ {i = 0} ^ {r} C_ {r} ^ {i} \, \ mu _ {ri} \, \ mu ^ {i} = \ součet _ {i = 0} ^ {r} C_ {r} ^ {i} \, \ mu _ {i} \, \ mu ^ {ri}}
Demonstrace
Rozvojem binomické exprese m r a u linearity v očekávání, máme:
mr=E(Xr)=E[(X-μ+μ)r]=E[∑i=0rVSri(X-μ)r-iμi]=∑i=0rVSriE[(X-μ)r-i]μi=∑i=0rVSriμr-iμi{\ displaystyle m_ {r} = \ mathbb {E} (X ^ {r}) = \ mathbb {E} [(X- \ mu + \ mu) ^ {r}] = \ mathbb {E} \ vlevo [ \ sum _ {i = 0} ^ {r} C_ {r} ^ {i} \, (X- \ mu) ^ {ri} \, \ mu ^ {i} \ right] = \ sum _ {i = 0} ^ {r} C_ {r} ^ {i} \, \ mathbb {E} [(X- \ mu) ^ {ri}] \, \ mu ^ {i} = \ součet _ {i = 0} ^ {r} C_ {r} ^ {i} \, \ mu _ {ri} \, \ mu ^ {i}}Poté, připomínaje, že C.k
n = C.n - k
n, jeden získá druhý zápis změnou proměnné i ↦ r - i .
Připomeňme, že μ 0 = 1 a μ 1 = 0 , první obyčejné momenty jsou proto vyjádřeny jako funkce vystředěných momentů a μ :
m2=μ2+μ2{\ displaystyle m_ {2} = \ mu _ {2} + \ mu ^ {2}}
m3=μ3+3μ2μ+μ3{\ displaystyle m_ {3} = \ mu _ {3} +3 \, \ mu _ {2} \, \ mu + \ mu ^ {3}}
m4=μ4+4μ3μ+6μ2μ2+μ4{\ displaystyle m_ {4} = \ mu _ {4} +4 \, \ mu _ {3} \, \ mu +6 \, \ mu _ {2} \, \ mu ^ {2} + \ mu ^ {4}}
m5=μ5+5μ4μ+10μ3μ2+10μ2μ3+μ5{\ displaystyle m_ {5} = \ mu _ {5} +5 \, \ mu _ {4} \, \ mu +10 \, \ mu _ {3} \, \ mu ^ {2} +10 \, \ mu _ {2} \, \ mu ^ {3} + \ mu ^ {5}}
m6=μ6+6μ5μ+15μ4μ2+20μ3μ3+15μ2μ4+μ6{\ displaystyle m_ {6} = \ mu _ {6} +6 \, \ mu _ {5} \, \ mu +15 \, \ mu _ {4} \, \ mu ^ {2} +20 \, \ mu _ {3} \, \ mu ^ {3} +15 \, \ mu _ {2} \, \ mu ^ {4} + \ mu ^ {6}}
Nepředpojatý odhad běžných momentů
Ze vzorku { X 1 , X 2 , ..., X n } reálné náhodné proměnné X lze použít jako odhad bez použití běžného okamžiku řádu r , pokud existuje, následující odhad:
mr^=1ne∑i=1neXi r{\ displaystyle {\ hat {m_ {r}}} = {\ frac {1} {n}} \ součet _ {i = 1} ^ {n} X_ {i} ^ {\ r}}
Momentový problém
Zatímco výpočet momentů spočívá ve stanovení momentů m r daného pravděpodobnostního zákona p , problém momentů spočívá naopak ve studiu existence a jedinečnosti pravděpodobnostního zákona p, jehož momenty m r jsou dány.
Rozšíření pojmu moment
Na modelu momentů ? ( X r ) lze definovat další momenty:
- reverzní bod 0 pořadí r o I ∌ 0 : ;E(X-r){\ displaystyle \ mathbb {E} (X ^ {- r})}
- logaritmická moment řádu r o I ⊂ ℝ*
+ : ;E[lnr(X)]{\ displaystyle \ mathbb {E} \ doleva [\ ln ^ {r} (X) \ doprava]}
- faktoriál okamžik objednávky r : ( klesající faktoriál ).E[(X)r]{\ displaystyle \ mathbb {E} \ doleva [(X) _ {r} \ doprava]}
Poznámky a odkazy
-
Tento případ se stane například pro momenty lichého řádu sudé funkce definované na ℝ : i když ∫ x ∈ℝ | x r f ( x ) | d x se odchyluje, funkce x ↦ x r f ( x ) je lichá, proto má sudý primitiv, tedy ∀ t ∈ ℝ, ∫t
- t x r f ( x ) d x = 0 , takže ∫ x ∈ℝ x r f ( x ) d x jekonvergentní nesprávný integrál rovný 0.
-
Z historických důvodů a v souladu se zápisem redukovaných kumulantů je koeficient asymetrie zaznamenán spíše γ 1 než β 1 .
-
Formálně vzato, s vědomím, že μ 1 = 0 , bychom mohli přidat degenerovaný případ μ 1 ( X + Y ) = μ 1 ( X ) + μ 1 ( Y ) , ale to neposkytuje žádné užitečné informace pro studium X + Y .
<img src="https://fr.wikipedia.org/wiki/Special:CentralAutoLogin/start?type=1x1" alt="" title="" width="1" height="1" style="border: none; position: absolute;">