라플라스 변환과 적률 생성 함수

율·2025년 3월 17일

📌 라플라스 변환과 적률생성함수(MGF)의 관계

정리하면 라플라스 변환과 적률생성함수(MGF)는 매우 밀접한 관계가 있어.
차근차근 정리해 볼게. 🚀

✅ 1. 라플라스 변환이란?

라플라스 변환은 일반적으로 다음과 같이 정의돼:

\mathcal{L}\{f(t)\} = F(s) = \int_0^\infty e^{-st} f(t) \, dt

여기서:

$f(t)$ : 변환할 함수
$e^{-st}$ : 변환을 수행하는 핵심 함수 (지수 함수)
$s$ : 복소수 변수로 해석 가능

➡ 즉, 특정 함수 $f(t)$ 를 $e^{-st}$ 를 곱한 후 적분하여 변환하는 과정이야.

✅ 2. 적률생성함수(Moment-Generating Function, MGF)

확률 변수 $X$ 의 적률생성함수(MGF) $M(t)$ 는 다음과 같이 정의돼:

M(t) = E[e^{tX}] = \sum_{x \in S} e^{tx} f(x)

(이산형 확률 변수의 경우)

M(t) = \int_{-\infty}^{\infty} e^{tx} f(x) \, dx

(연속형 확률 변수의 경우)

➡ 즉, 확률 밀도 함수 $f(x)$ 에 대해 $e^{tx}$ 를 곱한 후 기대값을 구하는 것이야.

💡 비교해보면?

라플라스 변환: $e^{-st}$ 을 곱하고 적분
적률생성함수(MGF): $e^{tx}$ 를 곱하고 기대값 계산

즉, MGF는 사실상 라플라스 변환의 한 형태인데, 여기서 $t$ 를 사용하는 대신 $-s$ 를 사용한다고 보면 돼.

✅ 3. 적률생성함수 $M(t)$ 가 연속이고, 무한 번 미분 가능하다는 것

주어진 텍스트에서 "적률생성함수 $M(t)$ 는 $-h < t < h$ 에서 존재하므로 모든 차수의 미분이 $t = 0$ 에서 존재하며, 따라서 $M(t)$ 는 $t = 0$ 에서 연속하다"는 것이 왜 중요한지 설명할게.

✔ 왜 $M(t)$ 가 연속이고 미분 가능할까?

적률생성함수의 존재 조건
라플라스 변환 이론에 따르면, $M(t)$ 가 어떤 구간에서 유한하면, 모든 차수의 미분이 존재함.
즉, $M(t)$ 가 수렴하면, 무한 번 미분이 가능하다는 걸 보장해.
이는 수학적으로 라플라스 변환이 잘 정의되면, 그 변환 함수는 무한 번 미분 가능하다는 성질에서 나와.
적률을 구하는 핵심 도구
모든 적률(moment)은 MGF의 미분을 통해 구할 수 있음.
$M(t)$ 가 무한 번 미분 가능하므로, $r$ 차 미분을 통해 $E[X^r]$ 을 구할 수 있어.

✅ 4. 적률을 구하는 과정

✔ 적률생성함수 $M(t)$ 를 미분하면 적률(moment)이 나오는 이유

MGF를 $t$ 에 대해 미분하면, 기댓값을 얻을 수 있어.

1차 미분:

M'(t) = \sum_{x \in S} x \, e^{tx} f(x)

여기서 $t = 0$ 을 대입하면:

M'(0) = \sum_{x \in S} x \, f(x) = E(X)

즉, MGF의 1차 도함수를 $t = 0$ 에서 계산하면 기대값 $E(X)$ 이 나온다!

2차 미분:

M''(t) = \sum_{x \in S} x^2 \, e^{tx} f(x)

$t = 0$ 을 대입하면:

M''(0) = \sum_{x \in S} x^2 \, f(x) = E(X^2)

즉, MGF의 2차 도함수를 $t = 0$ 에서 계산하면 $E(X^2)$ 이 나온다!

일반적인 경우 (r차 미분):

M^{(r)}(t) = \sum_{x \in S} x^r \, e^{tx} f(x)

$t = 0$ 을 대입하면:

M^{(r)}(0) = \sum_{x \in S} x^r \, f(x) = E(X^r)

즉, $M(t)$ 를 $r$ 번 미분하고 $t = 0$ 을 대입하면 $X$ 의 $r$ 차 모멘트(moment), 즉 $E(X^r)$ 을 얻을 수 있다.

📌 결론

✔ 라플라스 변환은 $e^{-st} f(t)$ 의 적분을 계산하는 기법.
✔ 적률생성함수(MGF) $M(t)$ 는 $e^{tx}$ 의 기대값을 구하는 함수로, 라플라스 변환과 유사하다.
✔ MGF가 존재하면 무한 번 미분 가능하고, 이를 통해 적률(moment) (예: 평균, $E(X)$ , 및 $E(X^2)$ 등)을 쉽게 구할 수 있다.
✔ 즉, MGF의 미분을 통해 $t = 0$ 에서 각 차수의 적률을 얻을 수 있다는 것이다.

이제, 라플라스 변환과 적률생성함수가 어떻게 연결되고, 그 미분을 통해 평균과 고차 모멘트를 구할 수 있는지 명확하게 이해할 수 있을 거야!

$M(t) = E[e^{tx}]$ 를 적률생성함수(MGF)로 사용하는 이유

$M(t) = E[e^{tx}]$ 를 적률생성함수(MGF)로 사용하는 이유는 무한번 미분이 가능하다는 점 외에도 여러 가지 중요한 성질들이 있기 때문이야. 예를 들어:

멱급수 전개 가능성:
$e^{tx} = 1 + tx + \frac{t^2 x^2}{2!} + \frac{t^3 x^3}{3!} + \cdots$
이 전개를 사용하면, 적률생성함수
$M(t) = E[e^{tX}]$
를 전개할 때
$M(t) = 1 + tE(X) + \frac{t^2}{2!}E(X^2) + \frac{t^3}{3!}E(X^3) + \cdots$
와 같이 각 차수의 $t$ 의 계수를 통해 순서대로 모멘트들을 얻을 수 있어.
독립 확률 변수의 합에 대한 성질:
만약 $X$ 와 $Y$ 가 독립 확률 변수라면, 그들의 적률생성함수는 다음과 같이 곱셈 관계를 만족해:
$M_{X+Y}(t) = E[e^{t(X+Y)}] = E[e^{tX}] \cdot E[e^{tY}] = M_X(t) \cdot M_Y(t)$
이는 독립인 확률 변수들의 합의 분포를 분석할 때 매우 유용해.
분포의 고유 결정성 (Uniqueness):
만약 두 확률 변수의 적률생성함수 $M(t)$ 가 일정 구간에서 존재한다면, 그 함수는 해당 확률분포를 고유하게 결정해. 즉, 두 확률 변수의 MGF가 동일하다면, 그들의 분포도 동일하다는 중요한 결론을 도출할 수 있어.

이와 같이, $e^{tx}$ 를 사용하는 것은 단순히 무한번 미분 가능하다는 성질 외에도,

모멘트를 쉽게 추출할 수 있고,
독립 변수들의 합에 대해 간단하게 계산할 수 있으며,
그리고 분포의 고유성을 보장하는 등 여러 가지 장점을 제공하기 때문에 널리 사용되는 거야.

율

보건대학원 뉴비

이전 포스트

Interrupted Time Series Analysis를 할 때 개입 시점으로 centering 하는 이유

다음 포스트

라플라스 변환과 적률 생성 함수