आघूर्णजनक फलन: Difference between revisions

संभाव्यता सिद्धांत और सांख्यिकी में, वास्तविक-मूल्यवान यादृच्छिक चर का '''आघूर्ण-जनक फलन''' इसकी संभाव्यता वितरण का एक वैकल्पिक विनिर्देश है। इस प्रकार, यह संभाव्यता घनत्व फलनों या संचयी वितरण फलनों के साथ सीधे काम करने की समानता में विश्लेषणात्मक परिणामों के वैकल्पिक मार्ग का आधार प्रदान करता है। यादृच्छिक चर के भारित रकम  के माध्यम से परिभाषित वितरण के आघूर्ण -उत्पन्न फलनों के लिए विशेष रूप से सरल परिणाम हैं। चूँकि, सभी यादृच्छिक चरों में आघूर्ण -उत्पन्न करने वाले फलन नहीं होते हैं।

जैसा कि इसके नाम से स्पष्ट होता है, जनरेटिंग फलन का उपयोग डिस्ट्रीब्यूशन के आघूर्ण  (गणित) की गणना करने के लिए किया जा सकता है: 0 के बारे में ''n''th आघूर्ण  को आघूर्ण-जनक फलन के ''n'th डेरिवेटिव है, जिसका मूल्यांकन किया गया है 0.

वास्तविक-मूल्यवान वितरण (यूनिवेरिएट डिस्ट्रीब्यूशन) के अतिरिक्त, आघूर्ण -उत्पन्न करने वाले फलनों को सदिश- या मैट्रिक्स-मूल्यवान यादृच्छिक चर के लिए परिभाषित किया जा सकता है, और यहां तक ​​कि अधिक सामान्य स्थितियों में भी बढ़ाया जा सकता है।

विशेषता फलन (संभाव्यता सिद्धांत) के विपरीत, वास्तविक-मूल्यवान वितरण का आघूर्ण -जनक फलन हमेशा सम्मिलित नहीं होता है। वितरण के आघूर्ण -सृजन फंक्शन के व्यवहार और वितरण के गुणों के बीच संबंध हैं, जैसे कि आघूर्ण ों का अस्तित्व।

संयुक्त त्रिविमीय वितरण <math> X </math> के लिए <math>F_X</math>हो। <math>X</math> (या <math>F_X</math>) का आघूर्ण -जनरेटिंग फलन <math>M_X(t)</math>, का आघूर्ण -जनरेटिंग फलन

बशर्ते यह [[अपेक्षित मूल्य]] सम्मिलित हो <math>t</math> कुछ पड़ोस (गणित) में 0. अर्थात एक है <math>h>0</math> ऐसा कि सभी के लिए <math>t</math> में  <math>-h<t<h</math>,  <math>\operatorname E \left[e^{tX}\right] </math> सम्मिलित है। यदि अपेक्षा 0 के पड़ोस में सम्मिलित नहीं है, तो हम कहते हैं कि आघूर्ण  जनक फलन सम्मिलित नहीं है।<ref>{{cite book |last1=Casella |first1=George|last2= Berger|first2= Roger L. |title=सांख्यिकीय निष्कर्ष|publisher=Wadsworth & Brooks/Cole|year=1990 |page=61 |isbn=0-534-11958-1 }}</ref>

दूसरे शब्दों में, X का आघूर्ण -जनक फलन यादृच्छिक चर का अपेक्षित मान है <math> e^{tX}</math>. अधिक सामान्यतः, जब <math>\mathbf X = ( X_1, \ldots, X_n)^{\mathrm{T}}</math>, एक <math>n</math>-आयामी यादृच्छिक सदिश, और <math>\mathbf t</math> एक निश्चित सदिश है, एक उपयोग करता है तब <math>\mathbf t \cdot \mathbf X = \mathbf t^\mathrm T\mathbf X</math> के अतिरिक्त <math>tX</math>:

<math> M_X(0) </math> हमेशा सम्मिलित होता है और 1 के समान होता है। चूंकि, आघूर्ण -सृजन फलनों के साथ एक महत्वपूर्ण समस्या यह है कि आघूर्ण  और आघूर्ण -सृजन फलन सम्मिलित नहीं हो सकते हैं, क्योंकि इंटीग्रल को पूरी प्रकार से अभिसरण करने की आवश्यकता नहीं है। इसके विपरीत, विशेषता फलन (संभाव्यता सिद्धांत) या फूरियर रूपांतरण हमेशा सम्मिलित होता है (क्योंकि यह परिमित माप (गणित) के स्थान पर एक बंधे हुए फलन का अभिन्न अंग है), और इसके अतिरिक्त कुछ उद्देश्यों के लिए इसका उपयोग किया जा सकता है।

आघूर्ण -उत्पन्न करने वाले फलन को इसलिए नाम दिया गया है क्योंकि इसका उपयोग वितरण के आघूर्ण ों को खोजने के लिए किया जा सकता है।<ref>{{cite book |last=Bulmer |first=M. G. |title=सांख्यिकी के सिद्धांत|publisher=Dover |year=1979 |pages=75–79 |isbn=0-486-63760-3 }}</ref> श्रृंखला का विस्तार <math>e^{tX}</math> है

जहाँ  <math>m_n</math>, <math>n</math> आघूर्ण  (गणित) है  । भेदभाव <math>M_X(t)</math> <math>i</math> बार के संबंध में <math>t</math> और सेटिंग <math>t = 0</math>, हम प्राप्त करते हैं  <math>i</math> वें आघूर्ण  उत्पत्ति के बारे में, <math>m_i</math>; नीचे आघूर्ण ों की गणना देखें।

यदि <math>X</math> एक सतत यादृच्छिक चर है, इसके आघूर्ण -उत्पन्न करने वाले फलन के बीच निम्नलिखित संबंध <math>M_X(t)</math> और इसके प्रायिकता घनत्व फलन का दो तरफा लाप्लास रूपांतरण <math>f_X(x)</math> धारण करता है:

और आघूर्ण -उत्पन्न करने वाले फलन की परिभाषा (अचेतन सांख्यिकीविद के नियम  के माध्यम से) तक विस्तृत होती है

यह की विशेषता फलन के अनुरूप है <math>X</math> का एक बाती का घूमना होना <math>M_X(t)</math> जब आघूर्ण  जनक फलन सम्मिलित होता है, एक निरंतर यादृच्छिक चर के विशिष्ट फलन के रूप में <math>X</math> इसके प्रायिकता घनत्व फलन का [[फूरियर रूपांतरण]] है <math>f_X(x)</math>, और सामान्यतः जब कोई फलन <math>f(x)</math> घातीय क्रम का है, का फूरियर रूपांतरण <math>f</math> अभिसरण के क्षेत्र में इसके दो तरफा लाप्लास परिवर्तन का एक विक रोटेशन है। अधिक जानकारी के लिए फूरियर ट्रांसफॉर्म#लाप्लास ट्रांसफॉर्म देखें।

यहाँ आघूर्ण -सृजन फलन और समानता के लिए अभिलाआघूर्ण िक फलन के कुछ उदाहरण दिए गए हैं। यह देखा जा सकता है कि विशिष्ट फलन आघूर्ण -उत्पन्न करने वाले फलन का एक विक रोटेशन है <math>M_X(t)</math> जब बाद वाला सम्मिलित है।

! Distribution

! Moment-generating function <math>M_X(t)</math>

! Characteristic function <math>\varphi (t)</math>

| [[Bernoulli distribution|Bernoulli]] <math>P(X = 1) = p</math>  

| [[Geometric distribution|Geometric]]  <math>(1 - p)^{k-1}\,p</math>

| <math>\frac{p}{1 - (1 - p) e^t}, ~ t < -\ln(1 - p)</math>

| [[Binomial distribution|Binomial]] <math>B(n, p)</math>

|[[Negative binomial distribution|Negative binomial]] <math>\operatorname{NB}(r, p)</math>

|<math>\left(\frac{p}{1 - e^t + pe^t}\right)^r, ~ t<-\ln(1-p)</math>

| [[Poisson distribution|Poisson]] <math>\operatorname{Pois}(\lambda)</math>

| [[Uniform distribution (continuous)|Uniform (continuous)]] <math>\operatorname U(a, b)</math>

| [[Discrete uniform distribution|Uniform (discrete)]] <math>\operatorname{DU}(a, b)</math>

|[[Laplace distribution|Laplace]] <math>L(\mu, b)</math>

| [[Normal distribution|Normal]] <math>N(\mu, \sigma^2)</math>

| [[Chi-squared distribution|Chi-squared]] <math>\chi^2_k</math>

| <math>(1 - 2t)^{-\frac{k}{2}}, ~ t < 1/2</math>

|[[Noncentral chi-squared distribution|Noncentral chi-squared]] <math>\chi^2_k(\lambda)</math>

| [[Gamma distribution|Gamma]] <math>\Gamma(k, \theta)</math>

|<math>(1 - t\theta)^{-k}, ~ t < \tfrac{1}{\theta}</math>

| [[Exponential distribution|Exponential]] <math>\operatorname{Exp}(\lambda)</math>

|[[Beta distribution|Beta]]

|<math>{}_1F_1(\alpha; \alpha+\beta; i\,t)\! </math> (see [[Confluent hypergeometric function]])

| [[Multivariate normal distribution|Multivariate normal]] <math>N(\mathbf{\mu}, \mathbf{\Sigma})</math>

| [[Cauchy distribution|Cauchy]] <math>\operatorname{Cauchy}(\mu, \theta)</math>

|[[Indeterminate form|Does not exist]]

| <math>e^{it\mu - \theta|t|}</math>

|[[Multivariate Cauchy distribution|Multivariate Cauchy]]  

<math>\operatorname{MultiCauchy}(\mu, \Sigma)</math><ref>Kotz et al.{{full citation needed|date=December 2019}} p. 37 using 1 as the number of degree of freedom to recover the Cauchy distribution</ref>

|