Moment üreten fonksiyon

Olasılık kuramı ve istatistik bilim dallarında, bir rassal değişken X için, eğer beklenen değer var ise, moment üreten fonksiyon şöyle tanımlanır:

M_{X}(t)=E\left(e^{tX}\right),\quad t\in \mathbb {R} ,

Moment üreten fonksiyon bir olasılık dağılımı için momentler üretmek için ortaya atılmıştır.

Gerçel bileşenli vektör değerli rassal değişkenler X için moment üreten fonksiyon şöyle ifade edilir:

M_{X}(\mathbf {t} )=E\left(e^{\langle \mathbf {t} ,\mathbf {X} \rangle }\right)

Burada t bir vektördür ve $\langle \mathbf {t} ,\mathbf {X} \rangle$ nokta çarpan olur.

Şayet t = 0 aralığı etrafında bir momentin bulunduğu bilinirse, şu ifade ninci momenti gösterir:

E\left(X^{n}\right)=M_{X}^{(n)}(0)=\left.{\frac {\mathrm {d} ^{n}M_{X}(t)}{\mathrm {d} t^{n}}}\right|_{t=0}.

Eğer X için bir sürekli olasılık yoğunluk fonksiyonu, yani f(x) var ise, moment üreten fonksiyon şöyle tanımlanır:

M_{X}(t)=\int _{-\infty }^{\infty }e^{tx}f(x)\,\mathrm {d} x

=\int _{-\infty }^{\infty }\left(1+tx+{\frac {t^{2}x^{2}}{2!}}+\cdots \right)f(x)\,\mathrm {d} x

=1+tm_{1}+{\frac {t^{2}m_{2}}{2!}}+\cdots ,

Burada $m_{i}$ iinci matematiksel moment olur. $M_{X}(-t)$ f(x) fonksiyonunun bir iki taraflı Laplace dönüşümüdür.

Olasılık fonksiyonunun sürekli olup olmadığına bakılmaksızın, moment üreten fonksiyon şu Rimemann-Stieltjes intergali ile verilebilir:

M_{X}(t)=\int _{-\infty }^{\infty }e^{tx}\,dF(x)

Burada F yığmalı dağılım fonksiyonudur.

Eğer X₁, X₂, ..., X_n bir seri bağımsız (ama mutlaka aynı şekilde dağılma göstermeyen) rassal değişkenlerse ve a_i verilmiş sabitler olup

S_{n}=\sum _{i=1}^{n}a_{i}X_{i},

ise, o halde S_n için olasılık yoğunluk fonksiyonu, her bir X_i için olasılık yoğunluk fonksiyonlarının konvülasyonu olur ve ayni koşullar için S_nnin moment üreten fonksiyonu şöyle verilir:

M_{S_{n}}(t)=M_{X_{1}}(a_{1}t)M_{X_{2}}(a_{2}t)\cdots M_{X_{n}}(a_{n}t).

Olasılık kuramında her dağılım için genel ve tüm kapsamlı bulunan moment üreten fonksiyonlara benzer olarak daha birkaç tane donüşüm bulunmaktadır: Bunlar arasında karakteristik fonksiyon ve olasılık üreten fonksiyon en önemlileridir. Kümülant üreten fonksiyon ise moment üreten fonksiyonun logaritma dönüşümünden oluşur.

İçsel kaynaklar

Momentler
Kümülant
Karakteristik fonksiyon
Faktöriyel moment üreten fonksiyon

Olasılık dağılımlar kuramı
Olasılık kütle fonksiyonu · Olasılık yoğunluk fonksiyonu · Birikimli dağılım fonksiyonu · Kuantil fonksiyonu
Moment (matematik) · Merkezsel moment · Beklenen değer · Varyans · Standart sapma · Çarpıklık · Basıklık
Moment üreten fonksiyon · Karakteristik fonksiyon · Olasılık üreten fonksiyon · Kümülant

İlgili Araştırma Makaleleri

Olasılık kuramı ve istatistik bilim dallarında varyans bir rassal değişken, bir olasılık dağılımı veya örneklem için istatistiksel yayılımın, mümkün bütün değerlerin beklenen değer veya ortalamadan uzaklıklarının karelerinin ortalaması şeklinde bulunan bir ölçüdür. Ortalama bir dağılımın merkezsel konum noktasını bulmaya çalışırken, varyans değerlerin ne ölçekte veya ne derecede yaygın olduklarını tanımlamayı hedef alır. Varyans için ölçülme birimi orijinal değişkenin biriminin karesidir. Varyansın karekökü standart sapma olarak adlandırılır; bunun ölçme birimi orijinal değişkenle aynı birimde olur ve bu nedenle daha kolayca yorumlanabilir.

Normal dağılım, aynı zamanda Gauss dağılımı veya Gauss tipi dağılım olarak isimlendirilen, birçok alanda pratik uygulaması olan, çok önemli bir sürekli olasılık dağılım ailesidir.

Poisson dağılımı, olasılık kuramı ve istatistik bilim kollarında bir ayrık olasılık dağılımı olup belli bir sabit zaman birim aralığında meydana gelme sayısının olasılığını ifade eder. Bu zaman aralığında ortalama olay meydana gelme sayısının bilindiği ve herhangi bir olayla onu hemen takip eden olay arasındaki zaman farkının, önceki zaman farklarından bağımsız oluştuğu kabul edilir.

Olasılık kuramı ve istatistik bilim dallarında geometrik dağılım şu iki şekilde ifade edilebilen ayrık olasılık dağılımıdır:

Bütün tam sayılar setine, yani { 1, 2, 3, .... } üzerine, bağlı olarak X sayıda Bernoulli denemesinde ilk başarıyı elde etmenin olasılık dağılımı; veya
Bütün tam sayılar setine, yani {1, 2,3, ....} üzerine, bağlı olarak ilk başarıyı elde etmeden Y = X − 1 başarısızlık sayısı olasılık dağılımı.

Olasılık kuramı ve istatistik bilim kollarında, zeta dağılımı bir ayrık olasılık dağılımıdır. Eğer X s parametresi ile zeta dağılımı gösteren bir bir rassal değişken ise, Xin k tam sayısı değerini almasının olasılığı şu olasılık kütle fonksiyonu ile belirtilir:

\text{[math]}

Olasılık kuramı ve istatistik bilim dallarında gamma dağılımı iki parametreli bir sürekli olasılık dağılımıdır. Bu parametrelerden biri ölçek parametresi θ; diğeri ise şekil parametresi k olarak anılır. Eğer k tam sayı ise, gamma dağılımı k tane üstel dağılım gösteren rassal değişkenlerin toplamını temsil eder; rassal değişkenlerin her biri nin üstel dağılımı için parametre $\text{[math]}$ olur.

Olasılık kuramı ve istatistik bilim dallarında Skellam dağılımı bir ayrık olasılık dağılım tipidir. Skellam dağılımı iki tane beklenen değerleri $\text{[math]}$ ve $\text{[math]}$ olan Poisson dağılımı gösteren rassal değişken $\text{[math]}$ ve $\text{[math]}$ arasında bulunan fark olan $\text{[math]}$ nin gösterdiği olasılık dağılımdır.

Sürekli tekdüze dağılım (İngilizce: continuous uniform distribution) olasılık kuramı ve istatistik bilim dallarında, her elemanı, olasılığın desteklendiği aynı büyüklükteki aralık içinde bulunabilir, her sürekli değer için aynı sabit olasılık gösteren bir olasılık dağılımları ailesidir. Desteklenen aralık iki parametre ile, yani minimum değer a ve maksimum değer b ile, tanımlanmaktadır. Bu dağılım kısa olarak U(a,b) olarak anılır.

Olasılık kuramı ve istatistik bilim dalları içinde matris normal dağılımı tek değişebilirli normal dağılımının çok değişkenli olarak genelleştirilmesidir.

Olasılık kuramı ve istatistik bilim kollarında, çokdeğişirli normal dağılım veya çokdeğişirli Gauss-tipi dağılım, tek değişirli bir dağılım olan normal dağılımın çoklu değişirli hallere genelleştirilmesidir.

Olasılık kuramı ve istatistik bilim dallarında bir rassal değişken X için olasılık yoğunluk fonksiyonu bir reel sayılı sürekli fonksiyonu olup f ile ifade edilir ve şu özellikleri olması gereklidir:

$\text{[math]}$ üzerinde pozitif veya sıfır değerleri alır;
$\text{[math]}$ üzerinde integral değeri bulunabilir;
$\text{[math]}$ koşuluna uyar, yani eğri altındaki tüm alan bire eşittir.

Olasılık kuramı içinde herhangi bir rassal değişken için karakteristik fonksiyon, bu değişkenin olasılık dağılımını tüm olarak tanımlar. Herhangi bir rassal değişken X için, gerçel doğru üzerinde, bu fonksiyonu tanımlayan formül şöyle yazılır:

\text{[math]}

Pareto dağılımı, olasılık kuramı ve istatistik bilim dallarında birçok pratik uygulaması bulunan ve "küçük" bir nesnenin bir "büyük" nesneye dağılımında kararlılık elde edildiği hallerde kullanılan bir sürekli olasılık dağılımı veya bir güç kuramıdır. İlk olarak bir İtalyan iktisatçısı olan Vilfredo Pareto tarafından ekonomilerde bireylerin servet dağılımını göstermek için kullanılmıştır. İktisat bilim dalı dışında bu dağılım Bradford dağılımı adı altında da bilinmektedir.

Olasılık kuramı ve istatistik bilimsel dallarında bir reel-değerli rassal değişken için k-ıncı ortalama etrafındaki moment, E beklenen değer operatörü olursa

μ_k := E[(X - E[X])^k]

Olasılık kuramı ve istatistik bilim dallarında Cauchy-Lorentz dağılımı bir sürekli olasılık dağılımı olup, bu dağılımı ilk ortaya atan Augustin Cauchy ve Hendrik Lorentz anısına adlandırılmıştır. Matematik istatistikçiler genel olarak Cauchy dağılımı adını tercih edip kullanmaktadırlar ama fizikçiler arasında Lorentz dağılımı veya Lorentz(yen) fonksiyon veya Breit-Wigner dağılımı olarak bilinip kullanılmaktadır.

Olasılık kuramı ve istatistik bilim dallarında bir rassal değişken Xin μ = E(X) olarak ifade edilen beklenen değeri ve σ² = E((X - μ)²) olarak ifade edilen varyansı bulunur. Bunlar ilk iki kümülant olarak belirlenirler; yani

κ₁ = μ ve κ² = σ².

Matematik bilimi içinde moment kavramı fizik bilimi için ortaya çıkartılmış olan moment kavramından geliştirilmiştir. Bir bir reel değişkenin reel-değerli fonksiyon olan f(x)in c değeri etrafında ninci momenti şöyle ifade edilir:

\text{[math]}

Olasılık kuramı bilim dalında matematiksel beklenti veya beklenen değer veya ortalama birçok defa tekrarlanan ve her tekrarda mümkün tüm olasılıklarını değiştirmeyen rastgele deneyler sonuçlarından beklenen ortalama değeri temsil eder. Bir ayrık rassal değişkennin alabileceği bütün sonuç değerlerin olasılıklarıyla çarpılması ve bu işlemin bütün değerler üzerinden toplanmasıyla elde edilen değerdir. Bir sürekli rassal değişken için rassal değişken ile olasılık yoğunluk fonksiyonunun çarpımının aralığı belirsiz integralidir. Fakat dikkat edilmelidir ki bu değerin genel pratik anlamla rasyonel olarak beklenmesi pek uygun olmayabilir, çünkü matematiksel beklentiin olasılığı çok düşük belki sıfıra çok yakın olabilir ve hatta pratikte matematiksel beklenti bulunmaz. Ağırlıklı ortalama olarak da düşünülebilir ki değerler ağırlık katsayıları verilen olasılık kütle fonksiyonu veya olasılık yoğunluk fonksiyonudur.

Matematikte, Fourier serileri bir periyodik fonksiyonu basit dalgalı fonksiyonların toplamına çevirir.

Olasılık yoğunluk fonksiyonu, olasılık kuramı ve bir olayın olma olasılığı dallarında bir rassal değişken olan X için reel sayılı sürekli fonksiyondur.

Bu sayfa, bu Vikipedi makalesine dayanmaktadır.
Metin, CC BY-SA 4.0 lisansı altında mevcuttur; ek koşullar uygulanabilir.
Görseller, videolar ve sesler kendi lisansları altında mevcuttur.