En théorie des probabilités et en statistique, la fonction génératrice des moments d'une variable aléatoire est la fonction M définie par
pour tout réel t tel que cette espérance existe. Cette fonction, comme son nom l'indique, est utilisée afin d'engendrer les moments associés à la distribution de probabilités de la variable aléatoire .
Si à X est associée une densité de probabilité continue , alors la fonction génératrice des moments est donnée par
En introduisant dans cette équation le développement en série entière de l'exponentielle, cette expression est équivalente à :
où la dernière égalité est obtenue par le théorème de convergence dominée, et où est le i-ème moment de .
Si la densité de probabilité n'est pas continue, la fonction génératrice des moments peut être obtenue par l'intégrale de Stieltjes :
où F est la fonction de répartition de .
Les expressions précédentes s'appliquent à des variables aléatoires. Dans le cas d'un vecteur aléatoire à composantes réelles, la fonction génératrice des moments est alors définie comme suit :
où est un vecteur et est le produit scalaire.
est la transformée bilatérale de Laplace de la densité de probabilité .
Si est une suite de variables aléatoires indépendantes (mais non nécessairement identiquement distribuées) et où , alors la densité de probabilité de est la convolution pondérée par les des densités de probabilité de chacun des et la fonction de génération des moments de est donnée par
Comme son nom le suggère, la fonction génératrice des moments est liée à la série génératrice (exponentielle) des moments. Pour que ce lien ait un sens il faut bien sûr que les moments soient tous finis et que leur série associée ait un rayon de convergence non nul. Sous ces conditions la fonction génératrice des moments est développable en série entière autour de 0 et les coefficients sont reliés aux moments. Le théorème suivant précise cette discussion.
Si les conditions du théorème sont satisfaites, ce dernier permet de calculer très aisément l'espérance et la variance d'une variable aléatoire dont on connaît la fonction génératrice des moments.
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
Discrete choice models are used extensively in many disciplines where it is important to predict human behavior at a disaggregate level. This course is a follow up of the online course “Introduction t
Discrete choice models are used extensively in many disciplines where it is important to predict human behavior at a disaggregate level. This course is a follow up of the online course “Introduction t
This course provides an introduction to probability theory - the mathematical study of randomness. The aim is to get to know the basic mathematical framework of probability theory, and to learn to thi
The student will acquire the basis for the analysis of static structures and deformation of simple structural elements. The focus is given to problem-solving skills in the context of engineering desig
En théorie des probabilités et en statistiques, la loi de Poisson est une loi de probabilité discrète qui décrit le comportement du nombre d'événements se produisant dans un intervalle de temps fixé, si ces événements se produisent avec une fréquence moyenne ou espérance connue, et indépendamment du temps écoulé depuis l'événement précédent. gauche|vignette|Chewing gums sur un trottoir. Le nombre de chewing gums sur un pavé est approximativement distribué selon une loi de Poisson.
En théorie des probabilités et en statistique, la fonction génératrice des moments d'une variable aléatoire est la fonction M définie par pour tout réel t tel que cette espérance existe. Cette fonction, comme son nom l'indique, est utilisée afin d'engendrer les moments associés à la distribution de probabilités de la variable aléatoire .
En mathématiques et plus particulièrement en théorie des probabilités et en statistique, la fonction caractéristique d'une variable aléatoire réelle est une quantité qui détermine de façon unique sa loi de probabilité. Si cette variable aléatoire a une densité, alors la fonction caractéristique est la transformée de Fourier inverse de la densité. Les valeurs en zéro des dérivées successives de la fonction caractéristique permettent de calculer les moments de la variable aléatoire.
Explore les regrets des bandits à bras multiples, en équilibrant l'exploration et l'exploitation pour une prise de décision optimale dans des applications réelles.
Couvre la définition de la distribution gaussienne multivariée et de ses propriétés, y compris la fonction génératrice de moment et les combinaisons linéaires de variables.
Plonge dans de grandes déviations en mécanique statistique, explorant le théorème de Kramer, le lemme de Varadhan et la méthode de Laplace.
We study the large deviations of the power injected by the active force for an active Ornstein-Uhlenbeck particle (AOUP), free or in a confining potential. For the free-particle case, we compute the r
IOP Publishing Ltd2021
In this paper, we present outage probability and symbol error rate (SER) performance analyses of a dual-hop transmission using fixed-gain amplify-and-forward relaying in flat Nakagami-m fading channel