モーメント母関数の定義と基本性質の証明

公開日:

【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、モーメント母関数の定義と基本性質を証明しています。モーメント母関数を微分するとモーメントが得られるという性質や独立な確率変数の和のモーメント母関数がそれぞれの母関数の積で表すことができるという性質です。

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。

モーメント母関数

確率変数 X について、任意の実数 θ に対し、eθX の期待値 MX(θ)=E(eθX) を積率(モーメント)母関数という。 すなわち、f(x) を確率関数、あるいは確率密度関数とすると、モーメント母関数は、 MX(θ)={x=eθxf(x)Discreteeθxf(x)dxContinuous で与えられる。 右辺が有限の値に収束する、すなわち、 E(eθX)< のときに、モーメント母関数は存在するという。

多次元確率変数のモーメント母関数

また、多次元確率変数 X={X1,X2,,Xn} のモーメント母関数は、 θ={θ1,θ2,,θn} に対し、 MX(θ)=E(eθXT)=E(eθ1X1+θ2X2++θnXn) で与えられる。

【定理】モーメント母関数の基本性質

【定理】
モーメント母関数の基本性質
Basic Properties of Moment-Generating Function

(I)モーメント母関数とモーメントの関係
モーメント母関数が存在するとき、確率変数 Xk 次モーメントとモーメント母関数との間に、 MX(k)(0)=E(Xk) という関係が成り立つ。

(II)線形変換後のモーメント母関数
確率変数 X に対し、線形変換 Y=aX+b を行うとき、変換後のモーメント母関数は、 MY(θ)=ebθMX(aθ) で与えられる。

(III)独立な確率変数の和のモーメント母関数
確率変数 X1,X2,,Xn が互いに独立であり、 それぞれのモーメント母関数を MX1(θ),MX2(θ),,MXn(θ) とすると、 Y=X1+X2++Xn のモーメント母関数は、 MY(θ)=MX1(θ)MX2(θ)MXn(θ)=i=1nMXi(θ) で与えられる。

(IV)モーメント母関数の一意性
確率変数 X,Y のモーメント母関数存在し、かつ、それらが一致すれば、X1,X2 の分布関数は同じ、すなわち、 MX(θ)=MY(θ)F(x)=G(y) が成り立つ。

証明:モーメント母関数とモーメントの関係

証明

指数関数のマクローリン展開 eθX=k=0θkk!Xk より、 eθX=1+θX+θ22!X2+θ33!X3+ 両辺の期待値を取ると、 E(eθX)=E(1+θX+θ22!X2+θ33!X3+) 期待値の性質 E(i=1naiXi+b)=i=1naiE(Xi)+b より、 E(eθX)=E(1)+θE(X)+θ22!E(X2)+θ33!E(X3)+=1+θE(X)+θ22!E(X2)+θ33!E(X3)+ モーメント母関数の定義式 MX(θ)=E(eθX) より、 (1)MX(θ)=1+θE(X)+θ22!E(X2)+θ33!E(X3)+(1) の両辺を θ で微分すると、 (2)MX(1)(θ)=E(X)+θE(X2)+θ22!E(X3)+(2)θ=0 を代入すると、 MX(1)(0)=E(X) 以下同様に、両辺を θ で微分し、k 階微分を求めて、得られた式に θ=0 を代入すると、 MX(k)(0)=E(Xk)

証明:線形変換後のモーメント母関数

証明

MY(θ)=E(eθY)=E[eθ(aX+b)]=E[eaθXebθ]=ebθE[eaθX]=ebθMX(aθ)

証明:独立な確率変数の和のモーメント母関数

証明

モーメント母関数の定義式と指数法則より、 MY(θ)=E(eθY)=E[eθ(X1+X2++Xn)]=E[eθX1eθX2eθXn] 独立なときの期待値の性質 E[g(X1)g(X2)g(Xn)]=E[g(X1)]E[g(X2)]E[g(Xn)] より、 MY(θ)=E[eθX1]E[eθX2]E[eθXn]=MX1(θ)MX2(θ)MXn(θ)

証明:モーメント母関数の一意性

証明

非負の整数値のみを取る離散型確率変数の場合
確率変数 X,Y の確率関数をそれぞれ、 f(x)g(y) とし、 それぞれ共通する標本空間 Ω=0,1,2,m を有するとする。 仮定より、任意の実数 |θ|< に対し、 MX(θ)=MY(θ) モーメント母関数の定義より、 k=0meθxP(X=k)=k=0meθyP(Y=k)k=0meθkf(k)=k=0meθkg(k) 右辺を左辺に移行すると、 k=0meθk{f(k)g(k)}=0 k=0,1,,m に対し、 ak=f(k)g(k) とおくと、 (1)k=0makeθk=0 0<eθk であるから、すべての k=0,1,,m に対し、式 (1) が成り立つためには、 ak=0f(k)=g(k) 確率関数が同じであれば、分布関数も同様に、 ak=0F(k)=P(Xk)=t=0kf(t)=t=0kg(t)=P(Yk)=G(k)

連続型の場合については、フビニの定理やフーリエの逆変換公式、ルベーグ積分など、大学専門レベルの知識を必要とし、筆者の理解を超えるのでここまでとします(気になる方は、参考文献の最も下のリンク先をご参照ください)。

参考文献

  • 小寺 平治 著. 数理統計:明解演習. 共立出版, 1986, p.31
  • 野田 一雄, 宮岡 悦良 著. 入門・演習数理統計. 共立出版, 1990, p.81-83
  • 竹村 彰通 著. 現代数理統計学. 創文社, 1991, p.19-25
  • 久保川 達也 著, 新井 仁之, 小林 俊行, 斎藤 毅, 吉田 朋広 編. 現代数理統計学の基礎. 共立出版, 2017, p.20-21
  • 黒木 学 著. 数理統計学:統計的推論の基礎. 共立出版, 2020, p.72-77
  • Uniqueness of Moment Generating Functions. THE REINSURANCE ACTUARY. 2016-10-18. https://www.lewiswalsh.net/blog/uniqueness-of-moment-generating-functions.
  • モーメント母関数と確率分布の一対一対応(一意性). ChunPom's diary. 2018-08-01. https://su-butsu-kikaigakusyuu.hatenablog.com/entry/2018/08/01/004535.

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