幾何分布の期待値・分散の導出

公開日: 更新日:

【2023年3月4週】 【B000】数理統計学 【B030】離散型の確率分布

この記事をシェアする
  • B!
サムネイル画像

本稿では、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

導出

(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

導出

(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

導出

(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

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