本稿では、①定義に沿った方法、②確率母関数を用いる方法、③モーメント母関数を用いる方法の3通りの方法で、幾何分布の期待値と分散を導出しています。①は「等差×等比」型の級数の公式を必要とし、③は計算が煩雑なため、②の方法が最も簡単です。また、ファーストサクセス分布の期待値と分散も導出しています。
なお、閲覧にあたっては、以下の点にご注意ください。
- 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。
【公式】幾何分布の期待値・分散
【公式】
幾何分布の期待値・分散
Expected Value and Variance of Geometric Distribution
幾何分布 $\mathrm{G}(p)$ の期待値 $E(X)$ と分散 $V \left(X\right)$ は、 \begin{gather} E \left(X\right)=\frac{1-p}{p}\\ V \left(X\right)=\frac{1-p}{p^2} \end{gather} で与えられる。
導出法①:定義に沿った方法
(i)期待値
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\right)&=\sum_{x=0}^{\infty}{x \cdot \left(1-p\right)^xp}\\
&=p\sum_{x=0}^{\infty}{x \cdot \left(1-p\right)^x}
\end{align}
「等差×等比」型の級数の公式 $ \left|r\right| \gt 1\Rightarrow\sum_{x=0}^{\infty}{x \cdot r^x}=\frac{r}{ \left(1-r\right)^2}$ より、
\begin{align}
E \left(X\right)&=p \cdot \frac{1-p}{ \left\{1- \left(1-p\right)\right\}^2}\\
&=p \cdot \frac{1-p}{p^2}\\
&=\frac{1-p}{p}
\end{align}
$\blacksquare$
(ii)分散
2乗の期待値の定義式 $E \left(X^2\right)=\sum_{x=-\infty}^{\infty}{x^2 \cdot f \left(x\right)}$ より、
\begin{align}
E \left(X\right)&=\sum_{x=0}^{\infty}{x^2 \cdot \left(1-p\right)^xp}\\
&=p\sum_{x=0}^{\infty}{x^2 \cdot \left(1-p\right)^x}
\end{align}
「等差×等比」型の級数の公式 $ \left|r\right| \lt 1\Rightarrow\sum_{x=0}^{\infty}{x^2 \cdot r^x}=\frac{r^2+r}{ \left(1-r\right)^3}$ より、
\begin{align}
E \left(X^2\right)&=p \cdot \frac{ \left(1-p\right)^2+ \left(1-p\right)}{ \left\{1- \left(1-p\right)\right\}^3}\\
&=p \cdot \frac{ \left(1-p\right)^2+ \left(1-p\right)}{p^3}\\
&=\frac{ \left(1-p\right)^2+ \left(1-p\right)}{p^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{ \left(1-p\right)^2+ \left(1-p\right)}{p^2}-\frac{ \left(1-p\right)^2}{p^2}\\
&=\frac{1-p}{p^2}
\end{align}
$\blacksquare$
導出法②:確率母関数を用いる方法
(i)期待値
幾何分布の確率母関数の公式より、
\begin{align}
G_X \left(\theta\right)=\frac{p}{1-\theta \left(1-p\right)}
\end{align}
確率母関数の1階微分を求めると、商の微分公式と合成関数の微分法より、
\begin{align}
G_X^{ \left(1\right)} \left(\theta\right)&=-\frac{p}{ \left\{1-\theta \left(1-p\right)\right\}^2} \cdot \frac{d}{d\theta} \left\{1-\theta \left(1-p\right)\right\}\\
&=-\frac{p}{ \left\{1-\theta \left(1-p\right)\right\}^2} \cdot \left\{- \left(1-p\right)\right\}\\
&=\frac{p \left(1-p\right)}{ \left\{1-\theta \left(1-p\right)\right\}^2}
\end{align}
1次モーメントと確率母関数の関係 $G_X^{ \left(1\right)} \left(1\right)=E \left(X\right)$ より、
\begin{align}
E \left(X\right)&=\frac{p \left(1-p\right)}{ \left(1-1+p\right)^2}\\
&=\frac{1-p}{p}
\end{align}
$\blacksquare$
(ii)分散
確率母関数の2階微分を求めると、
\begin{align}
G_X^{ \left(2\right)} \left(\theta\right)&=-2 \cdot \frac{p \left(1-p\right)}{ \left\{1-\theta \left(1-p\right)\right\}^3} \cdot \frac{d}{d\theta} \left\{1-\theta \left(1-p\right)\right\}\\
&=-2 \cdot \frac{p \left(1-p\right)}{ \left\{1-\theta \left(1-p\right)\right\}^3} \cdot \left\{- \left(1-p\right)\right\}\\
&=\frac{2p \left(1-p\right)^2}{ \left\{1-\theta \left(1-p\right)\right\}^3}
\end{align}
2次階乗モーメントと確率母関数の関係 $G_X^{ \left(2\right)} \left(1\right)=E \left\{X \left(X-1\right)\right\}$ より、
\begin{align}
E \left\{X \left(X-1\right)\right\}&=\frac{2p \left(1-p\right)^2}{ \left(1-1+p\right)^3}\\
&=\frac{2 \left(1-p\right)^2}{p^2}
\end{align}
階乗モーメントを用いた分散の公式 $V \left(X\right)=E \left\{X \left(X-1\right)\right\}+E \left(X\right)- \left\{E \left(X\right)\right\}^2$ より、
\begin{align}
V \left(X\right)&=\frac{2 \left(1-p\right)^2}{p^2}+\frac{1-p}{p}-\frac{ \left(1-p\right)^2}{p^2}\\
&=\frac{ \left(1-p\right)^2}{p^2}+\frac{1-p}{p}\\
&=\frac{1-p}{p} \left(\frac{1-p}{p}+1\right)\\
&=\frac{1-p}{p} \left(\frac{1-p+p}{p}\right)\\
&=\frac{1-p}{p^2}
\end{align}
$\blacksquare$
導出法③:モーメント母関数を用いる方法
(i)期待値
幾何分布のモーメント母関数の公式より、
\begin{align}
M_X \left(\theta\right)=\frac{p}{1-e^\theta \left(1-p\right)}
\end{align}
モーメント母関数の1階微分を求めると、商の微分公式と合成関数の微分法より、
\begin{align}
M_X^{ \left(1\right)} \left(\theta\right)&=-\frac{p}{ \left\{1-e^\theta \left(1-p\right)\right\}^2} \cdot \frac{d}{d\theta} \left\{1-e^\theta \left(1-p\right)\right\}\\
&=-\frac{p}{ \left\{1-e^\theta \left(1-p\right)\right\}^2} \cdot \left\{-e^\theta \left(1-p\right)\right\}\\
&=\frac{e^\theta \cdot p \left(1-p\right)}{ \left\{1-e^\theta \left(1-p\right)\right\}^2}
\end{align}
1次モーメントとモーメント母関数の関係 $M_X^{ \left(1\right)} \left(0\right)=E \left(X\right)$ より、
\begin{align}
E \left(X\right)&=\frac{e^0 \cdot p \left(1-p\right)}{ \left\{1-e^0 \left(1-p\right)\right\}^2}\\
&=\frac{1-p}{p}
\end{align}
$\blacksquare$
(ii)分散
モーメント母関数の2階微分を求めると、商の微分公式と合成関数の微分法より、
\begin{align}
M_X^{ \left(2\right)} \left(\theta\right)&=e^\theta \cdot \frac{d}{d\theta} \left[\frac{p \left(1-p\right)}{ \left\{1-e^\theta \left(1-p\right)\right\}^2}\right]+\frac{p \left(1-p\right)}{ \left\{1-e^\theta \left(1-p\right)\right\}^2} \cdot \frac{d}{d\theta}e^\theta\\
&=e^\theta \cdot \left\{-2\frac{p \left(1-p\right)}{ \left\{1-e^\theta \left(1-p\right)\right\}^3} \cdot \frac{d}{d\theta} \left\{1-e^\theta \left(1-p\right)\right\}\right\}+\frac{e^\theta \cdot p \left(1-p\right)}{ \left\{1-e^\theta \left(1-p\right)\right\}^2}\\
&=\frac{2e^{2\theta} \cdot p \left(1-p\right)^2}{ \left\{1-e^\theta \left(1-p\right)\right\}^3}+\frac{e^\theta \cdot p \left(1-p\right)}{ \left\{1-e^\theta \left(1-p\right)\right\}^2}
\end{align}
2次モーメントとモーメント母関数の関係 $M_X^{ \left(2\right)} \left(0\right)=E \left(X^2\right)$ より、
\begin{align}
E \left(X^2\right)&=\frac{2e^0 \cdot p \left(1-p\right)^2}{ \left\{1-e^0 \left(1-p\right)\right\}^3}+\frac{e^0 \cdot p \left(1-p\right)}{ \left\{1-e^0 \left(1-p\right)\right\}^2}\\
&=\frac{2p \left(1-p\right)^2}{p^3}+\frac{p \left(1-p\right)}{p^2}\\
&=\frac{2 \left(1-p\right)^2}{p^2}+\frac{1-p}{p}
\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 \left(1-p\right)^2}{p^2}+\frac{1-p}{p}-\frac{ \left(1-p\right)^2}{p^2}\\
&=\frac{ \left(1-p\right)^2}{p^2}+\frac{1-p}{p}\\
&=\frac{1-p}{p^2}
\end{align}
$\blacksquare$
ファーストサクセス分布の期待値と分散
ファーストサクセス分布と幾何分布の確率変数の関係より、 \begin{align} Y=X+1 \end{align} 期待値の性質 $E \left(X+b\right)=E \left(X\right)+b$ より、 \begin{align} E \left(Y\right)&=E \left(X\right)+1\\ &=\frac{1-p}{p}+\frac{p}{p}\\ &=\frac{1}{p} \end{align} 分散の性質 $V \left(X+b\right)=V \left(X\right)$ より、 \begin{align} E \left(Y\right)=\frac{1-p}{p^2} \end{align} $\blacksquare$
参考文献
- 野田 一雄, 宮岡 悦良 著. 入門・演習数理統計. 共立出版, 1990, p.119, p.121
- 稲垣 宣生 著. 数理統計学. 裳華房, 2003, p.33
0 件のコメント:
コメントを投稿