統計検定 1級 2022年 統計数理 問4 指数分布

公開日: 更新日:

【2023年1月4週】 【B000】数理統計学 【D000】統計検定 過去問

この記事をシェアする
  • B!
サムネイル画像

本稿には、2022年に実施された統計検定1級『統計数理』 問4の自作解答案を掲載しています。なお、閲覧にあたっては、以下の点にご注意ください。

  • 著作権の関係上、問題文は、掲載することができません。申し訳ありませんが、閲覧者のみなさまでご用意いただければ幸いです。
  • この答案は、あくまでも筆者が自作したものであり、公式なものではありません。正式な答案については、公式問題集をご参照ください。
  • 計算ミスや誤字・脱字などがありましたら、コメントなどでご指摘いただければ大変助かります。
  • スマートフォンやタブレット端末でご覧の際、数式が見切れている場合は、横にスクロールすることができます。

〔1〕分布関数と確率密度関数

分布関数と確率密度関数の関係より、 \begin{align} f \left(x\right)&=- \left(-\frac{1}{\gamma}x^{-\frac{1}{\gamma}-1}\right)\\ &=\frac{1}{\gamma}x^{-\frac{1}{\gamma}-1} \end{align} $\gamma=1$ のとき、 \begin{align} f \left(x\right)=\frac{1}{1}x^{-\frac{1}{1}-1}=x^{-2} \end{align} グラフの概形は以下のようになる。 $\blacksquare$

グラフの概形のイメージ図
図1 グラフの概形

〔2〕期待値と分散

(i)期待値
期待値の定義式 $E \left(X\right)=\int_{-\infty}^{\infty}{x \cdot f \left(x\right)dx}$ より、 \begin{align} E \left(X\right)&=\int_{1}^{\infty}{x \cdot \frac{1}{\gamma}x^{-\frac{1}{\gamma}-1}dx}\\ &=\frac{1}{\gamma}\int_{1}^{\infty}{x^{-\frac{1}{\gamma}}dx}\\ &=\frac{1}{\gamma} \cdot \frac{\gamma}{\gamma-1} \left[x^{-\frac{1}{\gamma}+1}\right]_1^\infty\\ &=\frac{1}{\gamma-1} \left(\lim_{x\rightarrow\infty}{x^{-\frac{1}{\gamma}+1}}-1\right) \end{align} この値は、$-\frac{1}{\gamma}+1$ の値によって変わり、 \begin{gather} 0 \le -\frac{1}{\gamma}+1\\ 1 \le \gamma \end{gather} のとき、発散する。 いっぽう、 \begin{gather} -\frac{1}{\gamma}+1 \lt 1\\ 0 \lt \gamma \lt 1 \end{gather} のときに収束し、 \begin{align} E \left(X\right)=\frac{1}{\gamma-1} \left(0-1\right)=\frac{1}{1-\gamma} \end{align}

(ii)分散
期待値の定義 $E \left[h \left(X\right)\right]=\int_{-\infty}^{\infty}{h \left(x\right) \cdot f \left(x\right)dx}$ より、 \begin{align} E \left(X^2\right)&=\int_{1}^{\infty}{x^2 \cdot \frac{1}{\gamma}x^{-\frac{1}{\gamma}-1}dx}\\ &=\frac{1}{\gamma}\int_{1}^{\infty}{x^{-\frac{1}{\gamma}+1}dx}\\ &=\frac{1}{\gamma} \cdot \frac{\gamma}{2\gamma-1} \left[x^{-\frac{1}{\gamma}+2}\right]_1^\infty\\ &=\frac{1}{2\gamma-1} \left(\lim_{x\rightarrow\infty}{x^{-\frac{1}{\gamma}+2}}-1\right) \end{align} 期待値のときと同様に、 \begin{gather} 0 \le -\frac{1}{\gamma}+2\\ 0.5 \le \gamma \end{gather} のとき、発散する。 いっぽう、 \begin{gather} -\frac{1}{\gamma}+2 \lt 1\\ 0 \lt \gamma \lt 0.5 \end{gather} のときに収束し、 \begin{align} E \left(X^2\right)=\frac{1}{2\gamma-1} \left(0-1\right)=\frac{1}{1-2\gamma} \end{align} 分散の公式 $V \left(X\right)=E \left(X^2\right)- \left\{E \left(X\right)\right\}^2$ より、 \begin{align} V \left(X\right)&=\frac{1}{1-2\gamma}-\frac{1}{ \left(1-\gamma\right)^2}\\ &=\frac{ \left(\gamma^2-2\gamma+1\right)- \left(1-2\gamma\right)}{ \left(1-2\gamma\right) \left(1-\gamma\right)^2}\\ &=\frac{\gamma^2}{ \left(1-2\gamma\right) \left(1-\gamma\right)^2} \end{align} $\blacksquare$

〔3〕最尤推定量

尤度関数 $L \left(\theta\right)$ を求めると、 \begin{align} L \left(\gamma\right)&=\prod_{i=1}^{n}{\frac{1}{\gamma}x_i^{-\frac{1}{\gamma}-1}}\\ &=x_1^{-\frac{1}{\gamma}-1} \cdots x_n^{-\frac{1}{\gamma}-1} \cdot \frac{1}{\gamma^n}\\ \end{align} 対数尤度関数 $l \left(\theta\right)=\log{L \left(\theta\right)}$ を求めると、 \begin{align} l \left(\gamma\right)&=-n\log{\gamma}+ \left(-\frac{1}{\gamma}-1\right)\sum_{i=1}^{n}\log{x_i}\\ \end{align} スコア関数 $S \left(\theta\right)=\frac{d}{d\theta}\log{L \left(\theta\right)}$ を求めると、 \begin{align} S \left(\gamma\right)=-\frac{n}{\gamma}+\frac{1}{\gamma^2}\sum_{i=1}^{n}\log{x_i} \end{align} 尤度方程式 $S \left(\theta\right)=0$ を解くと、 \begin{gather} 0=-\frac{n}{\hat{\gamma}}+\frac{1}{{\hat{\gamma}}^2}\sum_{i=1}^{n}\log{x_i}\\ \frac{1}{{\hat{\gamma}}^2}\sum_{i=1}^{n}\log{x_i}=\frac{n}{\hat{\gamma}}\\ \hat{\gamma}=\frac{1}{n}\sum_{i=1}^{n}\log{x_i} \end{gather} $\blacksquare$

〔4〕対数変換後の分布

確率変数 $T$ の累積分布関数を $G \left(t\right)$ とすると、累積分布関数の定義式 $F \left(x\right)=P \left(X \le x\right)$ より、 \begin{align} G \left(t\right)&=P \left(T \le t\right)\\ &=P \left(\frac{1}{\gamma}\log{X} \le t\right)\\ &=P \left(X \le e^{\gamma t}\right) \end{align} 累積分布関数の定義式 $G \left(x\right)=P \left(X \le x\right)$ より、 \begin{align} G \left(y\right)&=F \left(e^{\gamma t}\right)\\ &=1-e^{-t} \end{align} 確率密度関数を $g \left(t\right)$ とすると、累積分布関数と確率密度関数との関係より、 \begin{align} g \left(t\right)=e^{-t} \end{align} これは、パラメータ $\lambda=1$ の指数分布である。 $\blacksquare$

〔5〕最尤推定量の期待値と分散

問題文の条件 $\log{X_i}=\gamma T$ より、 \begin{align} \hat{\gamma}=\frac{1}{n}\sum_{i=1}^{n}\log{x_i}=\frac{\gamma}{n}\sum_{i=1}^{n}t_i \end{align}

確率変数 $T$ の期待値は、 \begin{align} E \left(T\right)&=\int_{0}^{\infty}{t \cdot e^{-tx}dt}\\ &= \left[-t \cdot e^{-t}\right]_0^\infty-\int_{0}^{\infty}{-e^{-t}dt}\\ &=-\lim_{t\rightarrow\infty}{t \cdot e^{-t}}+\int_{0}^{\infty}{e^{-t}dx} \end{align} ここで、ロピタルの定理より、 \begin{align} \lim_{t\rightarrow\infty}{te^{-t}}=\lim_{t\rightarrow\infty}{\frac{t}{e^t}}=\lim_{t\rightarrow\infty}{\frac{1}{e^t}}=0 \end{align} したがって、 \begin{align} E \left(T\right)&=\int_{0}^{\infty}{e^{-tx}dt}\\ &= \left[-e^{-t}\right]_0^\infty\\ &=- \left(\lim_{t\rightarrow\infty}{e^{-t}}-e^0\right)\\ &=- \left(0-1\right)\\ &=1 \end{align}

同様に分散は、 \begin{align} E \left(T^2\right)&=\int_{0}^{\infty}{t^2 \cdot e^{-t}dt}\\ &= \left[-t^2 \cdot e^{-t}\right]_0^\infty-\int_{0}^{\infty}{-2t \cdot e^{-t}dt}\\ &=\frac{2}{\lambda}\int_{0}^{\infty}{t \cdot e^{-t}dt}\\ &=\frac{2}{\lambda} \cdot \frac{1}{\lambda}\\ &=\frac{2}{\lambda^2} \end{align} 分散の公式 $V \left(X\right)=E \left(X^2\right)- \left\{E \left(X\right)\right\}^2$ より、 \begin{align} V \left(X\right)=\frac{2}{\lambda^2}-\frac{1}{\lambda^2}=\frac{1}{\lambda^2} \end{align}

最尤推定量の期待値を取ると、 \begin{align} E \left(\hat{\gamma}\right)&=\frac{\gamma}{n}E \left(\sum_{i=1}^{n}t_i\right)\\ &=\frac{\gamma}{n}\sum_{i=1}^{n}E \left(t_i\right)\\ &=\frac{\gamma}{n} \cdot n\\ &=\gamma \end{align}

最尤推定量の分散を取ると、 \begin{align} V \left(\hat{\gamma}\right)&=\frac{\gamma^2}{n^2}V \left(\sum_{i=1}^{n}t_i\right)\\ &=\frac{\gamma^2}{n^2}\sum_{i=1}^{n}V \left(t_i\right)\\ &=\frac{\gamma^2}{n^2} \cdot n\\ &=\frac{\gamma^2}{n} \end{align} $\blacksquare$

関連記事

自己紹介

自分の写真

yama

大学時代に読書の面白さに気づいて以来、読書や勉強を通じて、興味をもったことや新しいことを学ぶことが生きる原動力。そんな人間が、その時々に学んだことを備忘録兼人生の軌跡として記録しているブログです。

このブログを検索

ブログ アーカイブ

QooQ