Momentenerzeugende Funktion: Formeln und Eigenschaften

Momentenerzeugende Funktionen in der Wahrscheinlichkeitstheorie: Berechnung und Eigenschaften

Die momentenerzeugende Funktion (MGF) beschreibt die Verteilung einer Zufallsvariablen über den Erwartungswert einer Exponentialfunktion: $M_W(t) = E[e^{tW}]$. Diese Methode ermöglicht es, alle Momente der Verteilung durch Ableiten bei $t=0$ zu extrahieren. Die MGF existiert, wenn das Integral in einer Umgebung um Null konvergiert – schwere Schwänze wie bei der Cauchy-Verteilung sind ausgeschlossen.

Momente $E[W^r]$ charakterisieren die Form der Verteilung. Das erste Moment ist der Erwartungswert $E[W]$, das zweite hängt mit der Varianz zusammen: $Var(W) = E[W^2] - (E[W])^2$. Die direkte Berechnung höherer Momente ist aufgrund von Schwanzverstärkung knifflig, die MGF meistert das jedoch über Taylor-Reihenentwicklung.

Mathematische Entwicklung und Momentenextraktion

Entwickeln Sie $e^{tW}$ in eine Taylor-Reihe:

$$e^{tW} = 1 + tW + \frac{(tW)^2}{2!} + \frac{(tW)^3}{3!} + \dots$$

Der Erwartungswert ergibt:

$$M_W(t) = 1 + t E[W] + \frac{t^2 E[W^2]}{2!} + \frac{t^3 E[W^3]}{3!} + \dots$$

Ableiten nach $t$ und Einsetzen von $t=0$ isoliert die Momente:

• $M_W'(0) = E[W]$
• $M_W''(0) = E[W^2]$
• Im Allgemeinen: $M_W^{(r)}(0) = E[W^r]$

Das funktioniert, weil der Koeffizient von $t^r / r!$ genau $E[W^r]$ ist. Für die Existenz der MGF muss $E[e^{tW}] < \infty$ in einer Umgebung um $t=0$ gelten.

Additivitätseigenschaft für unabhängige Variablen

Ein großer Vorteil der MGFs ist ihre Multiplikativität bei Summen unabhängiger Zufallsvariablen $V$ und $W$:

$$M_{V+W}(t) = M_V(t) \cdot M_W(t)$$

Beweis:

$$M_{V+W}(t) = E[e^{t(V+W)}] = E[e^{tV} e^{tW}] = E[e^{tV}] E[e^{tW}] = M_V(t) M_W(t)$$

Das vereinfacht die Faltungsberechnung erheblich, die direkt oft umständlich ist.

Beispiel: Exponentialverteilung

Betrachten Sie $W \sim Exp(\lambda)$ mit Dichtefunktion $f(x) = \lambda e^{-\lambda x}$, $x \geq 0$. Die MGF lautet:

$$M_W(t) = E[e^{tW}] = \int_0^\infty e^{tx} \lambda e^{-\lambda x} dx = \lambda \int_0^\infty e^{-(\lambda - t)x} dx$$

Das Integral konvergiert für $t < \lambda$ und ergibt $\frac{\lambda}{\lambda - t}$:

$$M_W(t) = \frac{\lambda}{\lambda - t}, \quad t < \lambda$$

Ableitungen:

$$M_W'(t) = \frac{\lambda}{(\lambda - t)^2} \implies M_W'(0) = \frac{1}{\lambda}$$

$$M_W''(t) = \frac{2\lambda}{(\lambda - t)^3} \implies M_W''(0) = \frac{2}{\lambda^2}$$

Varianz: $Var(W) = \frac{2}{\lambda^2} - \left( \frac{1}{\lambda} \right)^2 = \frac{1}{\lambda^2}$.

Praktische Anwendungen in der Analyse

MGFs dienen zur Identifikation von Verteilungen, Hypothesentests und Simulationen. In Data Science und Machine Learning helfen sie bei der Analyse von Modellfehlersummen oder der Generierung synthetischer Daten. Der Vergleich von MGFs über Verteilungen erleichtert Konvergenzbeweise.

Beispiel: Die Normalverteilung $N(\mu, \sigma^2)$ hat

$$M(t) = \exp\left( \mu t + \frac{\sigma^2 t^2}{2} \right)$$

Das erleichtert die Überprüfung von Eigenschaften bei Summen normalverteilter Variablen.

Wichtige Erkenntnisse:

• MGFs kodieren alle Momente über Ableitungen bei $t=0$.
• Multiplikativ bei unabhängigen Summen, vereinfacht Faltungen.
• Existieren nicht für Verteilungen mit schweren Schwänzen (Cauchy).
• Konvergenzbereich definiert den $t$-Bereich.
• Ideal für analytische Berechnung höherer Momente.

— Editorial Team