負の二項分布の期待値・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確率母関数を用いる方法、②モーメント母関数を用いる方法、③互いに独立に幾何分布に従う確率変数の和と考える方法の3通りの方法で、負の二項分布の期待値と分散を導出しています。①・②の方法は計算がやや煩雑なので、③の方法が簡単です。

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】負の二項分布の期待値・分散

【公式】
負の二項分布の期待値・分散
Expected Value and Variance of Negative Binomial Distribution

負の二項分布 $\mathrm{NB}(n,p)$ の期待値 $E(X)$ と分散 $V \left(X\right)$ は、 \begin{gather} E \left(X\right)=\frac{n \left(1-p\right)}{p}\\ V \left(X\right)=\frac{n \left(1-p\right)}{p^2} \end{gather} で与えられる。

導出法①:確率母関数を用いる方法

導出

(i)期待値
負の二項分布の確率母関数の公式より、 \begin{align} G_X \left(\theta\right)=\frac{p^n}{ \left\{1-\theta \left(1-p\right)\right\}^n} \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)&=-n \cdot \frac{p^n}{ \left\{1-\theta \left(1-p\right)\right\}^{n+1}} \cdot \frac{d}{d\theta} \left\{1-\theta \left(1-p\right)\right\}\\ &=-\frac{np^n}{ \left\{1-\theta \left(1-p\right)\right\}^{n+1}} \cdot \left\{- \left(1-p\right)\right\}\\ &=\frac{np^n \left(1-p\right)}{ \left\{1-\theta \left(1-p\right)\right\}^{n+1}} \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{np^n \left(1-p\right)}{ \left\{1- \left(1-p\right)\right\}^{n+1}}\\ &=\frac{np^n \left(1-p\right)}{p^{n+1}}\\ &=\frac{n \left(1-p\right)}{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)&=-\frac{n \left(n+1\right)p^n \left(1-p\right)}{ \left\{1-\theta \left(1-p\right)\right\}^{n+2}} \cdot \frac{d}{d\theta} \left\{1-\theta \left(1-p\right)\right\}\\ &=-\frac{n \left(n+1\right)p^n \left(1-p\right)}{ \left\{1-\theta \left(1-p\right)\right\}^{n+2}} \cdot \left\{- \left(1-p\right)\right\}\\ &=\frac{n \left(n+1\right)p^n \left(1-p\right)^2}{ \left\{1-\theta \left(1-p\right)\right\}^{n+2}} \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{n \left(n+1\right)p^n \left(1-p\right)^2}{ \left\{1- \left(1-p\right)\right\}^{n+2}}\\ &=\frac{n \left(n+1\right)p^n \left(1-p\right)^2}{p^{n+2}}\\ &=\frac{n \left(n+1\right) \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{n \left(n+1\right) \left(1-p\right)^2}{p^2}+\frac{n \left(1-p\right)}{p}-\frac{n^2 \left(1-p\right)^2}{p^2}\\ &=\frac{n \left(1-p\right)}{p^2} \left\{ \left(n+1\right) \left(1-p\right)+p-n \left(1-p\right)\right\}\\ &=\frac{n \left(1-p\right)}{p^2} \left(n-np+1-p+p-n+np\right)\\ &=\frac{n \left(1-p\right)}{p^2} \cdot 1\\ &=\frac{n \left(1-p\right)}{p^2}\\ \end{align} $\blacksquare$

導出法②:モーメント母関数を用いる方法

導出

(i)期待値
負の二項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^n}{ \left\{1-e^\theta \left(1-p\right)\right\}^n} \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)&=-n \cdot \frac{p^n}{ \left\{1-e^\theta \left(1-p\right)\right\}^{n+1}} \cdot \frac{d}{d\theta} \left\{1-e^\theta \left(1-p\right)\right\}\\ &=-\frac{np^n}{ \left\{1-e^\theta \left(1-p\right)\right\}^{n+1}} \cdot \left\{-e^\theta \left(1-p\right)\right\}\\ &=\frac{e^\theta \cdot n p^n \left(1-p\right)}{ \left\{1-e^\theta \left(1-p\right)\right\}^{n+1}} \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 n p^n \left(1-p\right)}{ \left\{1-e^0 \left(1-p\right)\right\}^{n+1}}\\ &=\frac{np^n \left(1-p\right)}{p^{n+1}}\\ &=\frac{n \left(1-p\right)}{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 np^n \left(1-p\right) \cdot \frac{d}{d\theta} \left[\frac{1}{ \left\{1-e^\theta \left(1-p\right)\right\}^{n+1}}\right]+\frac{np^n \left(1-p\right)}{ \left\{1-e^\theta \left(1-p\right)\right\}^{n+1}} \cdot \frac{d}{d\theta}e^\theta\\ &= \left[-\frac{e^\theta \cdot n \left(n+1\right)p^n \left(1-p\right)}{ \left\{1-e^\theta \left(1-p\right)\right\}^{n+2}} \cdot \frac{d}{d\theta} \left\{1-e^\theta \left(1-p\right)\right\}\right]+\frac{e^\theta \cdot n p^n \left(1-p\right)}{ \left\{1-e^\theta \left(1-p\right)\right\}^{n+1}}\\ &=\frac{e^\theta \cdot n \left(n+1\right)p^n \left(1-p\right)^2}{ \left\{1-e^\theta \left(1-p\right)\right\}^{n+2}}+\frac{e^\theta \cdot n p^n \left(1-p\right)}{ \left\{1-e^\theta \left(1-p\right)\right\}^{n+1}} \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{e^0 \cdot n \left(n+1\right)p^n \left(1-p\right)^2}{ \left\{1-e^0 \left(1-p\right)\right\}^{n+2}}+\frac{e^0 \cdot n p^n \left(1-p\right)}{ \left\{1-e^0 \left(1-p\right)\right\}^{n+1}}\\ &=\frac{n \left(n+1\right) \left(1-p\right)^2}{p^2}+\frac{n \left(1-p\right)}{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{n \left(n+1\right) \left(1-p\right)^2}{p^2}+\frac{n \left(1-p\right)}{p}-\frac{ \left(1-p\right)^2}{p^2}\\ &=\frac{n \left(1-p\right)}{p^2}\\ \end{align} $\blacksquare$

導出法③:互いに独立に幾何分布に従う確率変数の和と考える方法

導出

負の二項分布の確率変数 $Y$ を互いに独立に幾何分布に従う確率変数 $X_i\ \left(i=1,2, \cdots ,n\right)$ の和と考えると、 \begin{align} Y=X_1+X_2+ \cdots +X_n \end{align} また、幾何分布の期待値と分散の公式より、 \begin{gather} E \left(X\right)=\frac{1-p}{p}\\ V \left(X\right)=\frac{1-p}{p^2} \end{gather} 期待値の性質 $E \left(\sum_{i=1}^{n}X_i\right)=\sum_{i=1}^{n}E \left(X_i\right)$ より、 \begin{align} E \left(Y\right)=E \left(\sum_{i=1}^{n}X_i\right)=\sum_{i=1}^{n}\frac{1-p}{p}=\frac{n \left(1-p\right)}{p} \end{align} 分散の性質 $V \left(\sum_{i=1}^{n}X_i\right)=\sum_{i=1}^{n}V \left(X_i\right)$ より、 \begin{align} V \left(Y\right)=V \left(\sum_{i=1}^{n}X_i\right)=\sum_{i=1}^{n}\frac{1-p}{p^2}=\frac{n \left(1-p\right)}{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.118
  • 竹村 彰通 著. 現代数理統計学. 創文社, 1991, p.35 問8
  • 稲垣 宣生 著. 数理統計学. 裳華房, 2003, p.35
  • 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.38

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