期待値の基本性質の証明

公開日: 更新日:

【2023年3月2週】 【B000】数理統計学 【B020】確率変数と確率分布

この記事をシェアする
  • B!
サムネイル画像

本稿では、期待値の基本性質を証明しています。定数関数の期待値、線形性、有界性、加法性、確率変数が互いに独立なとき、積の期待値が期待値の積になること、正の値のみ取る場合の期待値が分布関数を用いて表現できることが含まれます。

なお、閲覧にあたっては、以下の点にご注意ください。

  • 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。

【定理】期待値の基本性質

【定理】
期待値の基本性質
Basic Properties of Expected Value

確率変数 \begin{gather} \boldsymbol{X}= \left\{X_1,X_2, \cdots ,X_n\right\} \end{gather} の期待値について、 \begin{gather} a \quad b \quad c \end{gather} を定数として、以下の式が成り立つ。

(i)定数関数の期待値 \begin{align} E \left(c\right)=c \end{align}

(ii)線形性 \begin{align} E \left(aX+b\right)=aE \left(X\right)+b \end{align}

(iii)有界性 \begin{gather} P \left(a \le X\right)=1\Rightarrow a \le E \left(X\right)\\ P \left(X \le b\right)=1\Rightarrow E \left(X\right) \le b \end{gather}

(iv)加法性 \begin{align} E \left(a_1X_1+a_2X_2+ \cdots +a_nX_n+b\right)=a_1E \left(X_1\right)+ \cdots +a_nE \left(X_n\right)+b \end{align} 和の記号を用いて表現すると、 \begin{align} E \left(\sum_{i=1}^{n}{a_iX_i}+b\right)= \left\{\sum_{i=1}^{n}{a_iE \left(X_i\right)}\right\}+b \end{align}

(v)確率変数が互いに独立なときの積の期待値
確率変数が互いに独立ならば、 \begin{align} E \left(X_1X_2 \cdots X_n\right)=E \left(X_1\right) \cdot E \left(X_2\right) \cdots E \left(X_n\right) \end{align} 積の記号を用いて表現すると、 \begin{align} E \left(\prod_{i=1}^{n}X_i\right)=\prod_{i=1}^{n}E \left(X_i\right) \end{align}

(vi)正の値のみ取る場合の期待値
確率変数 $X$ が離散型の場合は、正の整数値のみ、連続型の場合は、正の値のみを取るとき \begin{align} E \left(X\right)= \left\{\begin{matrix}\sum_{x=0}^{\infty} \left\{1-F \left(x\right)\right\}dx&\mathrm{Discrete}\\\int_{0}^{\infty} \left\{1-F \left(x\right)\right\}dx&\mathrm{Continuous}\\\end{matrix}\right. \end{align}

記号の定義

確率関数 $X$ の確率関数、または確率密度関数を \begin{align} f \left(x\right) \end{align} $n$ 次元確率変数 $\boldsymbol{X}= \left\{X_1,X_2, \cdots ,X_n\right\}$ の同時確率関数または、同時確率密度関数を \begin{align} f \left(x_1,x_2, \cdots ,x_n\right) \end{align} 確率変数 $X_i$ の周辺確率関数、または、周辺確率密度関数を \begin{align} f \left(x_i\right) \end{align} とする。

証明:定数関数の期待値

証明

(i-a)離散型の場合 \begin{align} E \left(c\right)&=\sum_{x=-\infty}^{\infty}{c \cdot f \left(x\right)}\\ &=c\sum_{x=-\infty}^{\infty}f \left(x\right) \end{align} 確率関数の性質 $\sum_{-\infty}^{\infty}f \left(x\right)=1$ より、 \begin{align} E \left(c\right)=c \end{align}

(ii-b)連続型の場合 \begin{align} E \left(c\right)&=\int_{-\infty}^{\infty}{c \cdot f \left(x\right)dx}\\ &=c\int_{-\infty}^{\infty}f \left(x\right)dx \end{align} 確率密度関数の性質 $\int_{-\infty}^{\infty}f \left(x\right)dx=1$ より、 \begin{align} E \left(c\right)=c \end{align} $\blacksquare$

証明:線形性

証明

(ii-a)離散型の場合 \begin{align} E \left(aX+b\right)&=\sum_{x=-\infty}^{\infty}{ \left(ax+b\right) \cdot f \left(x\right)}\\ &=\sum_{x=-\infty}^{\infty} \left\{ax \cdot f \left(x\right)+bf \left(x\right)\right\}\\ &=a\sum_{x=-\infty}^{\infty}{x \cdot f \left(x\right)}+b\sum_{x=-\infty}^{\infty}f \left(x\right) \end{align} 期待値の定義式 $E \left(X\right)=\sum_{-\infty}^{\infty}{x \cdot f \left(x\right)}$ と確率関数の性質 $\sum_{-\infty}^{\infty}f \left(x\right)=1$ より、 \begin{align} E \left(aX+b\right)=aE \left(X\right)+b \end{align}

(ii-b)連続型の場合 \begin{align} E \left(aX+b\right)&=\int_{-\infty}^{\infty}{ \left(ax+b\right) \cdot f \left(x\right)dx}\\ &=\int_{-\infty}^{\infty} \left\{ax \cdot f \left(x\right)+b \cdot f \left(x\right)\right\}dx\\ &=a\int_{-\infty}^{\infty}{x \cdot f \left(x\right)dx}+b\int_{-\infty}^{\infty}f \left(x\right)dx \end{align} 期待値の定義式 $E \left(X\right)=\int_{-\infty}^{\infty}{x \cdot f \left(x\right)}$ と確率密度関数の性質 $\int_{-\infty}^{\infty}f \left(x\right)=1$ より、 \begin{align} E \left(aX+b\right)=aE \left(X\right)+b \end{align} $\blacksquare$

証明:有界性

証明

(iii-a)離散型の場合 \begin{align} E \left(X\right)=\sum_{-\infty}^{\infty}{x \cdot f \left(x\right)}&=\sum_{a}^{\infty}{x \cdot f \left(x\right)}\\ & \geq \sum_{a}^{\infty}{a \cdot f \left(x\right)}=aP \left(a \le X\right)=a\\ \end{align} \begin{align} E \left(X\right)=\sum_{-\infty}^{\infty}{x \cdot f \left(x\right)}&=\sum_{-\infty}^{b}{x \cdot f \left(x\right)}\\ & \le \sum_{-\infty}^{b}{b \cdot f \left(x\right)}=bP \left(X \le b\right)=b\\ \end{align}

(iii-b)連続型の場合 \begin{align} E \left(X\right)=\int_{-\infty}^{\infty}{x \cdot f \left(x\right)dx}&=\int_{a}^{\infty}{x \cdot f \left(x\right)dx}\\ & \geq \int_{a}^{\infty}{a \cdot f \left(x\right)dx}=aP \left(a \le X\right)=a\\ \end{align} \begin{align} E \left(X\right)=\int_{-\infty}^{\infty}{x \cdot f \left(x\right)dx}&=\int_{-\infty}^{b}{x \cdot f \left(x\right)dx}\\ & \le \int_{-\infty}^{b}{b \cdot f \left(x\right)dx}=bP \left(X \le b\right)=b\\ \end{align} $\blacksquare$

証明:加法性

証明

(iv-a)離散型の場合 \begin{align} E \left(a_1X_1+ \cdots +a_nX_n+b\right)&=\sum_{-\infty}^{\infty}{ \cdots \sum_{-\infty}^{\infty}{ \left(a_1x_1+ \cdots +a_nx_n+b\right) \cdot f \left(x_1,x_2, \cdots ,x_n\right)}}\\ &=\sum_{-\infty}^{\infty}{ \cdots \sum_{-\infty}^{\infty}{a_1x_1 \cdot f \left(x_1,x_2, \cdots ,x_n\right)}}+ \cdots +\sum_{-\infty}^{\infty}{ \cdots \sum_{-\infty}^{\infty}{a_nx_n \cdot f \left(x_1,x_2, \cdots ,x_n\right)}}+\sum_{-\infty}^{\infty}{ \cdots \sum_{-\infty}^{\infty}{b \cdot f \left(x_1,x_2, \cdots ,x_n\right)}} \end{align} 多次元確率変数の期待値の定義式より、 \begin{align} E \left(a_iX_i\right)=\sum_{-\infty}^{\infty}{ \cdots \sum_{-\infty}^{\infty}{a_ix_i \cdot f \left(x_1,x_2, \cdots ,x_n\right)}} \end{align} 同時確率関数の性質より、 \begin{align} \sum_{-\infty}^{\infty}{ \cdots \sum_{-\infty}^{\infty}f \left(x_1,x_2, \cdots ,x_n\right)}=1 \end{align} したがって、 \begin{align} E \left(a_1X_1+ \cdots +a_nX_n+b\right)=a_1E \left(X_1\right)+ \cdots +a_nE \left(X_n\right)+b \end{align}

(iv-b)連続型の場合 \begin{align} E \left(a_1X_1+ \cdots +a_nX_n+b\right)&=\int_{-\infty}^{\infty}{ \cdots \int_{-\infty}^{\infty}{ \left(a_1x_1+ \cdots +a_nx_n+b\right) \cdot f \left(x_1,x_2, \cdots ,x_n\right)}d\boldsymbol{x}}\\ &=\int_{-\infty}^{\infty}{ \cdots \int_{-\infty}^{\infty}{a_1x_1 \cdot f \left(x_1,x_2, \cdots ,x_n\right)d\boldsymbol{x}}}+ \cdots +\int_{-\infty}^{\infty}{ \cdots \int_{-\infty}^{\infty}{a_nx_n \cdot f \left(x_1,x_2, \cdots ,x_n\right)d\boldsymbol{x}}}+\int_{-\infty}^{\infty}{ \cdots \int_{-\infty}^{\infty}{b \cdot f \left(x_1,x_2, \cdots ,x_n\right)d\boldsymbol{x}}} \end{align} 多次元確率変数の期待値の定義式より、 \begin{align} E \left(a_iX_i\right)=\int_{-\infty}^{\infty}{ \cdots \int_{-\infty}^{\infty}{a_ix_i \cdot f \left(x_1,x_2, \cdots ,x_n\right)d\boldsymbol{x}}} \end{align} 同時確率密度関数の性質より、 \begin{align} \int_{-\infty}^{\infty}{ \cdots \int_{-\infty}^{\infty}f \left(x_1,x_2, \cdots ,x_n\right)d\boldsymbol{x}}=1 \end{align} したがって、 \begin{align} E \left(a_1X_1+ \cdots +a_nX_n+b\right)=a_1E \left(X_1\right)+ \cdots +a_nE \left(X_n\right)+b \end{align} $\blacksquare$

証明:確率変数が互いに独立なときの積の期待値

証明

(v-a)離散型の場合 \begin{align} E \left(X_1X_2 \cdots X_n\right)=\sum_{-\infty}^{\infty}{ \cdots \sum_{-\infty}^{\infty}{ \left(x_1x_2 \cdots x_n\right) \cdot f \left(x_1,x_2, \cdots ,x_n\right)}} \end{align} 確率変数の独立性の定義 $f \left(x_1,x_2, \cdots ,x_n\right)=f \left(x_1\right) \cdot f \left(x_2\right) \cdots f \left(x_n\right)$ より、 \begin{align} E \left(X_1X_2 \cdots X_n\right)&=\sum_{-\infty}^{\infty}{ \cdots \sum_{-\infty}^{\infty}{ \left(x_1x_2 \cdots x_n\right) \cdot f \left(x_1\right) \cdot f \left(x_2\right) \cdots f \left(x_n\right)}}\\ &= \left\{\sum_{-\infty}^{\infty}{x_1 \cdot f \left(x_1\right)}\right\} \left\{\sum_{-\infty}^{\infty}{x_2 \cdot f \left(x_2\right)}\right\} \cdots \left\{\sum_{-\infty}^{\infty}{x_n \cdot f \left(x_n\right)}\right\} \end{align} 期待値の定義式 $E \left(X\right)=\sum_{x=-\infty}^{\infty}{x \cdot f \left(x\right)}$ より、 \begin{align} E \left(X_1X_2 \cdots X_n\right)=E \left(X_1\right)E \left(X_2\right) \cdots E \left(X_n\right) \end{align}

(v-b)連続型の場合 \begin{align} E \left(X_1X_2 \cdots X_n\right)=\int_{-\infty}^{\infty}{ \cdots \int_{-\infty}^{\infty}{ \left(x_1x_2 \cdots x_n\right) \cdot f \left(x_1,x_2, \cdots ,x_n\right)d\boldsymbol{x}}} \end{align} 確率変数の独立性の定義 $f \left(x_1,x_2, \cdots ,x_n\right)=f \left(x_1\right) \cdot f \left(x_2\right) \cdots f \left(x_n\right)$ より、 \begin{align} E \left(X_1X_2 \cdots X_n\right)&=\int_{-\infty}^{\infty}{ \cdots \int_{-\infty}^{\infty}{ \left(x_1x_2 \cdots x_n\right) \cdot f \left(x_1\right) \cdot f \left(x_2\right) \cdots f \left(x_n\right)d\boldsymbol{x}}}\\ &= \left\{\int_{-\infty}^{\infty}{x_1 \cdot f \left(x_1\right)dx_1}\right\} \left\{\int_{-\infty}^{\infty}{x_2 \cdot f \left(x_2\right)dx_2}\right\} \cdots \left\{\int_{-\infty}^{\infty}{x_n \cdot f \left(x_n\right)dx_n}\right\} \end{align} 期待値の定義式 $E \left(X\right)=\sum_{x=-\infty}^{\infty}{x \cdot f \left(x\right)}$ より、 \begin{align} E \left(X_1X_2 \cdots X_n\right)=E \left(X_1\right)E \left(X_2\right) \cdots E \left(X_n\right) \end{align} $\blacksquare$

証明:正の値のみ取る場合の期待値

証明

(vi-a)離散型の場合
期待値の定義式 $E \left(X\right)=\sum_{x=0}^{\infty}{x \cdot f \left(x\right)}$ を、$Σ$ 記号を用いずに表すと、 \begin{align} E \left(X\right)&=0 \cdot f \left(0\right)+1 \cdot f \left(1\right)+2 \cdot f \left(2\right)+3 \cdot f \left(3\right)+4 \cdot f \left(4\right)+5 \cdot f \left(5\right)+ \cdots \\ &= \left\{f \left(1\right)+f \left(2\right)+f \left(3\right)+ \cdots \right\}+ \left\{f \left(2\right)+f \left(3\right)+f \left(4\right)+ \cdots \right\}+ \left\{f \left(3\right)+f \left(4\right)+f \left(5\right)+ \cdots \right\} \end{align} 累積確率の定義式 $P \left(x \le X\right)=\sum_{t=x}^{\infty}f \left(t\right)$ より、 \begin{align} E \left(X\right)&=P \left(1 \le X\right)+P \left(2 \le X\right)+P \left(3 \le X\right)+ \cdots \\ &=\sum_{x=0}^{\infty}P \left(x \le X\right) \end{align}

(vi-b)連続型の場合
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_{0}^{\infty}{x \cdot f \left(x\right)dx}\tag{1} \end{align} ここで、$S=\int_{0}^{s}{x \cdot f \left(x\right)dx}$ として、部分積分法を用いると、 \begin{align} S&= \left[x \cdot F \left(x\right)\right]_0^s-\int_{0}^{s}F \left(x\right)dx\\ &=s \cdot F \left(s\right)-\int_{0}^{s}F \left(x\right)dx\\ &=-s \left\{1-F \left(s\right)\right\}+\int_{0}^{s} \left\{1-F \left(s\right)\right\}dx\tag{2} \end{align} ここで、 \begin{align} s \left\{1-F \left(s\right)\right\}=s\int_{s}^{\infty}f \left(x\right)dx \le \int_{s}^{\infty}{x \cdot f \left(x\right)dx} \end{align} $s\rightarrow\infty$ のときの極限を取ると、 \begin{align} \lim_{s\rightarrow\infty}{\int_{s}^{\infty}{x \cdot f \left(x\right)dx}}=0 \end{align} 確率の公理より、$0 \le s\int_{s}^{\infty}f \left(x\right)dx$ なので、はさみうちの原理により、 \begin{align} \lim_{s\rightarrow\infty}{s\int_{s}^{\infty}f \left(x\right)dx}=0\tag{3} \end{align} したがって、式 $(1) \sim \left(3\right)$ より、 \begin{align} E \left(X\right)=\int_{0}^{\infty} \left\{1-F \left(x\right)\right\}dx \end{align} $\blacksquare$

参考文献

  • 小寺 平治 著. 数理統計:明解演習. 共立出版, 1986, p.29-30
  • 野田 一雄, 宮岡 悦良 著. 入門・演習数理統計. 共立出版, 1990, p.70-74
  • 野田 一雄, 宮岡 悦良 著. 入門・演習数理統計. 共立出版, 1990, p.80 練習問題 ex.2.5.13
  • 稲垣 宣生 著. 数理統計学. 裳華房, 2003, p.24 演習問題2.10
  • 稲垣 宣生 著. 数理統計学. 裳華房, 2003, p.24 演習問題2.11

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