欢迎来到母函数（Generating Functions）的世界！
欢迎！如果你曾经对复杂的概率分布感到不知所措，那你一定会喜欢这一章。你可以把母函数想象成随机变量的“DNA 图谱”或是“数字指纹”。我们不用处理冗长杂乱的概率表或复杂的积分，而是将所有信息打包成一个简洁优美的代数函数。
读完这些笔记后，你将会发现，这些函数让我们只需通过微积分就能轻松求出分布的平均值和方差。更棒的是，它们让两个随机变量相加的过程变得像乘法一样简单！如果一开始觉得有点难也不用担心，我们会一步一步来。
1. 什么是母函数？
简单来说，母函数是一种将数值序列（例如概率）表示为幂级数系数的方法。在精算统计学（Actuarial Statistics）中，我们主要关注两种类型：
- 动差母函数 (Moment Generating Functions, MGFs)：适用于离散型和连续型变量。
- 概率母函数 (Probability Generating Functions, PGFs)：主要用于取非负整数值（0, 1, 2...）的离散型变量。
类比：手提箱
想象你有一堆物品（概率或动差）要携带。你可以把它们全部抱在怀里，那样会很混乱。或者，你可以把它们装进一个手提箱（即母函数）里。当你需要特定的物品时，只要用特定的方法“打开”这个箱子，就能把它取出来！
快速回顾：
母函数只是一个数学上的“包装”，用来盛载有关随机变量 \( X \) 的所有重要信息。
2. 概率母函数 (PGF)
PGF 是专门为取值为 \( 0, 1, 2, \dots \) 的离散型随机变量所设计的。
随机变量 \( X \) 的 PGF，记作 \( G_X(s) \)，定义如下：
\( G_X(s) = E[s^X] = \sum_{k=0}^{\infty} P(X=k)s^k \)
为什么这很有用？
如果你将总和展开，它看起来像这样：
\( G_X(s) = P(X=0)s^0 + P(X=1)s^1 + P(X=2)s^2 + \dots \)
\( X = k \) 的概率就是 \( s^k \) 前面的系数。只要有了 PGF，你就拥有了该分布的所有概率值！
你知道吗？
PGF 中的 "s" 在现实中并没有实际意义——它只是一个占位符（虚拟变量），帮助我们通过幂次来整理概率。
关键特性：从 PGF 求平均值与方差
要从 PGF 取得平均值（期望值），我们需要进行微分，然后代入 \( s = 1 \)：
1. \( E[X] = G'_X(1) \)
2. \( E[X(X-1)] = G''_X(1) \)
3. 由此，你可以利用以下公式求出方差： \( Var(X) = G''_X(1) + G'_X(1) - [G'_X(1)]^2 \)
常见错误： 学生经常在微分后忘记代入 \( s=1 \)。请务必记住：微分给出的是一个函数公式，但你需要计算 \( s=1 \) 时的值才能得到动差！
3. 动差母函数 (MGF)
MGF 是精算统计学中的“主力”。它适用于几乎所有的分布（正态分布、指数分布、伽马分布等）。
随机变量 \( X \) 的 MGF，记作 \( M_X(t) \)，定义如下：
\( M_X(t) = E[e^{tX}] \)
如何计算：
对于离散型变量： \( M_X(t) = \sum e^{tx} P(X=x) \)
对于连续型变量： \( M_X(t) = \int_{-\infty}^{\infty} e^{tx} f(x) dx \)
为什么叫“动差”母函数？
我们这样称呼它，是因为我们可以利用它来“产生”该分布的动差（平均值、 \( E[X^2] \)、 \( E[X^3] \) 等）。
若要找出第 \( n \) 个动差（\( E[X^n] \)）：
1. 将 \( M_X(t) \) 对 \( t \) 微分 \( n \) 次。
2. 代入 \( t = 0 \)。
求平均值的步骤：
1. 求出 \( M'_X(t) \)。
2. \( E[X] = M'_X(0) \)。
3. 若要计算方差，先求出 \( M''_X(0) \)（即 \( E[X^2] \)），然后使用标准公式： \( Var(X) = E[X^2] - (E[X])^2 \)。
重点总结： MGF 将积分/求和问题转化为微积分（微分）问题，这通常更容易解决！
4. MGF 的重要特性
这是 MGF 在 IFoA 考试中真正大放异彩的地方。这两个特性是高分关键！
特性 1：线性变换
如果我们有一个新的随机变量 \( Y = aX + b \)，则 \( Y \) 的 MGF 为：
\( M_Y(t) = e^{bt} M_X(at) \)
例子： 如果你知道 \( X \) 的 MGF，而你需要 \( 3X + 5 \) 的 MGF，你只需在原 MGF 中将 \( t \) 替换为 \( 3t \)，然后乘以 \( e^{5t} \) 即可。
特性 2：独立随机变量的和
这是母函数的“魔法”。如果 \( X \) 和 \( Y \) 是独立的随机变量，且 \( Z = X + Y \)，那么：
\( M_Z(t) = M_X(t) \times M_Y(t) \)
记忆小撇步： 在“现实世界”中将独立变量相加，等同于在“母函数世界”中将它们的 MGF 相乘。相乘两个函数可比在密度函数上执行复杂的数学运算（称为“卷积”）简单多了！
5. 唯一性与常见的 MGF
CS1 中最重要的规则之一是唯一性定理（Uniqueness Theorem）：如果两个随机变量具有相同的 MGF，它们一定具有相同的分布。这是一种一一对应的关系。
在考试中，如果你将两个 MGF 相乘，而结果看起来与泊松分布（Poisson distribution）的 MGF 完全一样，你可以自信地指出这个总和遵循泊松分布。
快速回顾：常见的 MGF
- 泊松 (Poisson) \( (\lambda) \)： \( M_X(t) = \exp(\lambda(e^t - 1)) \)
- 指数 (Exponential) \( (\lambda) \)： \( M_X(t) = \frac{\lambda}{\lambda - t} \)，当 \( t < \lambda \)
- 正态 (Normal) \( (\mu, \sigma^2) \)： \( M_X(t) = \exp(\mu t + \frac{1}{2}\sigma^2 t^2) \)
6. 总结与最后小撇步
母函数只是让生活变得更轻松的工具。我们不用直接计算概率，而是在“变换域”中操作，那里的数学通常更简洁。
- PGF 用于离散整数： \( E[s^X] \)。求动差时使用 \( s=1 \)。
- MGF 适用于所有情况： \( E[e^{tx}] \)。求动差时使用 \( t=0 \)。
- 独立性是关键： 只有当变量独立时，才能将 MGF 相乘。
- 线性关系： \( M_{aX+b}(t) = e^{bt}M_X(at) \)。
最后的鼓励：
如果代数看起来很吓人，别担心。多练习计算上述常见 MGF 的微分。一旦你掌握了“微分并代入零”的流程，你会发现这些题目是 CS1 考试中最容易预测的分数来源！