变换与矩
随机变量的函数有其自身的分布，可通过变量变换公式找到；而矩及其生成函数则通过均值、方差和高阶形状来概括分布。
用 PaperMind 寻找选题即将推出Find papers & topics
Tools & resources
Learn & explore
视频即将推出
Definition
随机变量的变换是其可测函数，其分布通过将原始定律前推获得；矩是随机变量幂的期望，用于概括其分布的位置、离散度和形状。
Scope
本主题涵盖一个或多个随机变量函数的分布，通过变量变换和雅可比公式、矩和中心矩、方差和协方差、矩生成函数和累积量生成函数、矩、累积量、偏度和峰度之间的关系，以及矩何时决定分布的矩问题。
Core questions
- 如何根据原始分布计算随机变量函数的分布？
- 分布的连续矩衡量什么？
- 生成函数如何一次性编码所有矩？
- 分布的矩何时能唯一确定该分布？
Key concepts
- 变量变换和雅可比
- 矩和中心矩
- 方差和协方差
- 累积量
- 矩问题
Key theories
- 变量变换公式
- 对于平滑可逆变换，变换后变量的密度是原始密度在逆函数处的值，并按雅可比行列式的绝对值进行缩放，这是推导随机变量函数定律的标准工具。
- 矩生成函数和累积量生成函数
- 当存在时，矩生成函数通过其在原点的导数编码所有矩；其对数，即累积量生成函数，具有可对独立变量求和的累积量，从而简化了对和的研究。
- 矩问题
- 在卡尔曼条件等增长条件下，矩唯一确定分布，但对数正态分布等重尾分布可以与其它分布共享所有矩，因此矩并非总能表征定律。
Clinical relevance
变换和矩是应用概率的日常工具：推导变换量的分布支持模拟和误差传播；矩提供了统计学和投资组合理论中普遍使用的均值、方差和相关性；偏度和峰度则在风险和质量控制分析中指示偏离正态性的情况。
History
矩和矩问题是切比雪夫、马尔可夫和斯蒂尔杰斯在19世纪工作的核心，他们使用矩方法证明了早期的极限定理；密度的变量变换技术是微积分中替换规则的概率对应。
Key figures
- Pafnuty Chebyshev
- Thomas Stieltjes
- William Feller
- Carl Friedrich Gauss
Related topics
Seminal works
- feller1971
Frequently asked questions
- 分布的矩总是能确定它吗？
- 并非总是如此；在矩的增长条件下，它们确实能确定分布，但某些分布，例如对数正态分布，与不同的分布共享每个矩，因此矩序列可能无法确定定律。
- 为什么要引入累积量以及矩？
- 累积量在独立随机变量上是可加的，因此它们对于和的行为比矩更简单；第二累积量是方差，高阶累积量衡量偏离正态性的程度，对于正态分布，所有高于二阶的累积量都消失。