ポアソン分布の期待値・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、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

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 \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

導出

(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

導出

(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

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