超幾何分布の期待値・分散の導出

公開日:

【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独立でないベルヌーイ試行の和と考える方法の2通りの方法で、超幾何分布の期待値と分散を導出しています。①の方法は計算が煩雑で、②の方法は和の分散の一般公式を用いるため、いずれの方法もそれなりに大変ではありますが、基本事項としてしっかりと押さえておきたいところです。

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。

【公式】超幾何分布の期待値・分散

【公式】
超幾何分布の期待値・分散
Expected Value and Variance of Hypergeometric Distribution

超幾何分布 HG(N,k,n) の期待値 E(X) と分散 V(X) は、 E(X)=nkNV(X)=nkNNkNNnN1 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(X)=x=xf(x) より、 E(X)=x=0nxkCxNkCnxNCn x=0 の項を外に出すと、 E(X)=0+x=1nxk!x!(kx)!(Nk)!(nx)!{(Nk)(nx)}!n!(Nn)!N!=x=1nxk!x!(kx)!(Nk)!(nx)!{(Nk)(nx)}!n!(Nn)!N! この式を変形すると、 E(X)=x=1nk(k1)!(x1)!(kx)!(Nk)!(nx)!{(Nk)(nx)}!n(n1)!(Nn)!N(N1)!(1)=nkNx=1n(k1)!(x1)!{(k1)(x1)}!{(N1)(k1)}!{(n1)(x1)}![{(N1)(k1)}{(n1)(x1)}]!(n1)!{(N1)(n1)}!(N1)! ここで、以下のように変数変換すると、 y=x1M=N1m=n1l=k1 x:1ny:0m となるので、(1) は、 E(X)=nkNy=0ml!y!(ly)!(Ml)!(my)!{(Ml)(my)}!m!(Mm)!M!=nkNy=0mlCyMlCmyMCm ヴァンデルモンドの恒等式 y=0mlCyMlCmy=MCm より、 E(X)=nkNMCmMCm=nkN

(ii)分散
2次階乗モーメントの定義式 E{X(X1)}=x=0x(x1)f(x) より、 E{X(X1)}=x=0nx(x1)kCxNkCnxNCn=x=0nx(x1)k!x!(kx)!(Nk)!(nx)!{(Nk)(nx)}!n!(Nn)!N! x=0,x=1 の項を外に出すと、 E{X(X1)}=0+0+x=2nk!(x2)!(kx)!(Nk)!(nx)!{(Nk)(nx)}!n!(Nn)!N!=x=2nk!(x2)!(kx)!(Nk)!(nx)!{(Nk)(nx)}!n!(Nn)!N! この式を変形すると、 E{X(X1)}=x=2nk(k1)(k2)!(x2)!{(k2)(x2)}!{(N2)(k2)}!{(n2)(x2)}![{(N2)(k2)}{(n2)(x2)}]!n(n1)(n2)!(Nn)!N(N1)(N2)!(2)=k(k1)n(n1)N(N1)x=2n(k2)!(x2)!{(k2)(x2)}!{(N2)(k2)}!{(n2)(x2)}![{(N2)(k2)}{(n2)(x2)}]!(n2)!{(N2)(n2)}!(N2)! ここで、以下のように変数変換すると、 y=x2M=N2m=n2l=k2 x:2ny:0m となるので、(2) は、 E{X(X1)}=k(k1)n(n1)N(N1)y=0ml!y!(ly)!(Ml)!(my)!{(Ml)(my)}!m!(Mm)!M!=k(k1)n(n1)N(N1)z=0nlCyMlCmyMCm ヴァンデルモンドの恒等式 y=0mlCyMlCmy=MCm より、 E{X(X1)}=k(k1)n(n1)N(N1)MCmMCm=k(k1)n(n1)N(N1) 階乗モーメントを用いた分散の公式 V(X)=E{X(X1)}+E(X){E(X)}2 より、 V(X)=k(k1)n(n1)N(N1)+nkNn2k2N2=nkN{(k1)(n1)(N1)+1nkN}=nkNN(k1)(n1)+N(N1)nk(N1)N(N1)=nkNnNkNknN+N+N2NnNk+nkN(N1)=nkNNknN+N2+nkN(N1)=nkNN(Nk)n(Nk)N(N1)=nkN(Nk)(Nn)N(N1)=nkNNkNNnN1

導出法②:独立でないベルヌーイ試行の和と考える方法

導出

超幾何分布の確率変数 Y を互いに独立でないベルヌーイ分布に従う確率変数 Xi (i=1,2,,n) の和と考えると、 Y=X1+X2++Xn それぞれの試行結果の分散と共分散は、 E(Xi)=kNV(Xi)=kNNkNCov(Xi,Xj)=k(Nk)N2(N1) (i)期待値
期待値の性質 E(i=1nXi)=i=1nE(Xi) より、 E(Y)=E(i=1nXi)=i=1nkN=nkN (ii)分散
和の分散の一般公式より、 V(Y)=i=1nV(Xi)+jii=1nCov(Xi,Xj) ここで、共分散について、ij となる (i,j) の組み合わせは、 i の選び方が n 通り
j の選び方が n1 通り
あるので、 全部で n(n1) 通りある。 したがって、 V(Y)=nkNNkN+n(n1)(kNNkN1N1)=nkNNkN(1n1N1)=nkNNkNN1n+1N1=nkNNkNNnN1

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.108-109
  • 竹村 彰通 著. 現代数理統計学. 創文社, 1991, p.84-86
  • 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.50 演習問題3
  • 黒木 学 著. 数理統計学:統計的推論の基礎. 共立出版, 2020, p.90-91

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