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、ポアソン分布の期待値と分散を導出しています。実用上は②の方法が簡単ですが、基本事項として①の方法も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】ポアソン分布の期待値・分散
【公式】
ポアソン分布の期待値・分散
Expected Value and Variance of Poisson Distribution
ポアソン分布 $\mathrm{Po} \left(\lambda\right)$ の期待値 $E(X)$ と分散 $V \left(X\right)$ は、 \begin{gather} E \left(X\right)=\lambda\\ V \left(X\right)=\lambda \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 \frac{\lambda^xe^{-\lambda}}{x!}}
\end{align}
$x=0$ の項を外に出すと、
\begin{align}
E \left(X\right)&=0 \cdot \frac{\lambda^0e^{-\lambda}}{0!}+\sum_{x=1}^{\infty}{x \cdot \frac{\lambda^xe^{-\lambda}}{x!}}\\
&=\sum_{x=1}^{\infty}{x \cdot \frac{\lambda^xe^{-\lambda}}{x!}}\\
&=\sum_{x=1}^{\infty}\frac{\lambda^xe^{-\lambda}}{ \left(x-1\right)!}\\
\end{align}
この式を変形すると、
\begin{align}
E \left(X\right)&=\lambda e^{-\lambda}\sum_{x=1}^{\infty}\frac{\lambda^{x-1}}{ \left(x-1\right)!}\tag{1}
\end{align}
ここで、$y=x-1$ と変数変換すると、
$x:1\rightarrow\infty \quad $のとき$ \quad y:0\rightarrow\infty$
となるので、
式 $(1)$ は、
\begin{align}
E \left(X\right)=\lambda e^{-\lambda}\sum_{y=0}^{\infty}\frac{\lambda^y}{y!}
\end{align}
指数関数のマクローリン展開 $\sum_{x=0}^{\infty}\frac{\lambda^x}{x!}=e^\lambda$ より、
\begin{align}
E \left(X\right)=\lambda e^{-\lambda} \cdot e^\lambda=\lambda
\end{align}
$\blacksquare$
(ii)分散
2次階乗モーメントの定義式 $E \left\{X \left(X-1\right)\right\}=\sum_{x=0}^{\infty}{x \left(x-1\right) \cdot f \left(x\right)}$ より、
\begin{align}
E \left\{X \left(X-1\right)\right\}=\sum_{x=0}^{\infty}{x \left(x-1\right) \cdot \frac{\lambda^xe^{-\lambda}}{x!}}
\end{align}
$x=0,x=1$ の項を外に出すと、
\begin{align}
E \left\{X \left(X-1\right)\right\}&=0+0+\sum_{x=2}^{n}\frac{\lambda^xe^{-\lambda}}{ \left(x-2\right)!}\\
&=\lambda^2e^{-\lambda}\sum_{x=2}^{\infty}\frac{\lambda^{x-2}}{ \left(x-2\right)!}\tag{2}
\end{align}
ここで、$z=x-2$ と変数変換すると、
$x:2\rightarrow\infty \quad $のとき$ \quad z:0\rightarrow\infty$
となるので、
式 $(2)$ は、
\begin{align}
E \left\{X \left(X-1\right)\right\}=\lambda^2e^{-\lambda}\sum_{z=0}^{\infty}\frac{\lambda^z}{z!}
\end{align}
指数関数のマクローリン展開 $\sum_{x=0}^{\infty}\frac{\lambda^x}{x!}=e^\lambda$ より、
\begin{align}
E \left\{X \left(X-1\right)\right\}=\lambda^2e^{-\lambda} \cdot e^\lambda=\lambda^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)=\lambda^2+\lambda-\lambda^2=\lambda
\end{align}
$\blacksquare$
導出法②:確率母関数を用いる方法
(i)期待値
ポアソン分布の確率母関数の公式より、
\begin{align}
G_X \left(\theta\right)=e^{\lambda \left(\theta-1\right)}
\end{align}
確率母関数の1階微分を求めると、合成関数の微分法より、
\begin{align}
G_X^{ \left(1\right)} \left(\theta\right)&=e^{\lambda \left(\theta-1\right)} \cdot \frac{d}{d\theta} \left(\lambda\theta-\lambda\right)\\
&=\lambda e^{\lambda \left(\theta-1\right)}
\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)&=\lambda e^{\lambda \left(1-1\right)}\\
&=\lambda
\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)&=\lambda e^{\lambda \left(\theta-1\right)} \cdot \frac{d}{d\theta} \left(\lambda\theta-\lambda\right)\\
&=\lambda^2e^{\lambda \left(\theta-1\right)}
\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\}&=\lambda^2e^{\lambda \left(1-1\right)}\\
&=\lambda^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)&=\lambda^2+\lambda-\lambda^2\\
&=\lambda
\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
ポアソン分布のモーメント母関数の公式より、
\begin{align}
M_X \left(\theta\right)=e^{\lambda \left(e^\theta-1\right)}
\end{align}
モーメント母関数の1階微分を求めると、合成関数の微分法より、
\begin{align}
M_X^{ \left(1\right)} \left(\theta\right)&=e^{\lambda \left(e^\theta-1\right)} \cdot \frac{d}{d\theta} \left(\lambda e^\theta-\lambda\right)\\
&=e^{\lambda \left(e^\theta-1\right)} \cdot \lambda e^\theta\\
\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)&=e^{\lambda \left(1-1\right)} \cdot \lambda e^0\\
&=\lambda
\end{align}
$\blacksquare$
(ii)分散
モーメント母関数の2階微分を求めると、積の微分公式より、
\begin{align}
M_X^{ \left(2\right)} \left(\theta\right)&=\lambda e^\theta \cdot \frac{d}{d\theta} \left\{e^{\lambda \left(e^\theta-1\right)}\right\}+e^{\lambda \left(e^\theta-1\right)} \cdot \frac{d}{d\theta} \left(\lambda e^\theta\right)\\
&=\lambda e^\theta \cdot e^{\lambda \left(e^\theta-1\right)} \cdot \lambda e^\theta+e^{\lambda \left(e^\theta-1\right)} \cdot \lambda e^\theta\\
&=\lambda^2e^{2\theta} \cdot e^{\lambda \left(e^\theta-1\right)}+\lambda e^\theta \cdot e^{\lambda \left(e^\theta-1\right)}
\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)&=\lambda^2e^0 \cdot e^{\lambda \left(1-1\right)}+\lambda e^0 \cdot e^{\lambda \left(1-1\right)}\\
&=\lambda^2+\lambda
\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)&=\lambda^2+\lambda-\lambda^2\\
&=\lambda
\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.112
- 稲垣 宣生 著. 数理統計学. 裳華房, 2003, p.32
- 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.34
- 黒木 学 著. 数理統計学:統計的推論の基礎. 共立出版, 2020, p.86
0 件のコメント:
コメントを投稿