本稿では、①定義に沿った方法、②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2通りの方法で、負の二項分布の確率母関数・モーメント母関数を導出しています。①の方法は負の二項係数や一般化二項定理を用いるため、②の方法の方が簡単です。
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。
【定理】負の二項分布の確率母関数・モーメント母関数
【定理】
負の二項分布の確率母関数・モーメント母関数
PGF and MGF of Negative Binomial Distribution
負の二項分布 $\mathrm{NB} \left(n,p\right)$ の確率母関数 $G_X \left(\theta\right)$ とモーメント母関数 $M_X \left(\theta\right)$ は、 \begin{gather} \begin{matrix}G_X \left(\theta\right)= \left\{\displaystyle\frac{p}{1-\theta \left(1-p\right)}\right\}^n&\theta \lt \displaystyle\frac{1}{1-p}\\\end{matrix}\\ \begin{matrix}M_X \left(\theta\right)= \left\{\displaystyle\frac{p}{1-e^\theta \left(1-p\right)}\right\}^n&\theta \lt \log{\displaystyle\frac{1}{1-p}}\\\end{matrix} \end{gather} で与えられる。
導出法①:定義に沿った方法
(i)確率母関数
確率母関数の定義式 $G_X \left(\theta\right)=\sum_{x=0}^{\infty}{\theta^x \cdot f \left(x\right)}$ より、
\begin{align}
G_X \left(\theta\right)=\sum_{x=0}^{\infty}{\theta^x \cdot \ {}_{n+x-1}C_xp^n \left(1-p\right)^x}
\end{align}
負の二項係数 ${}_{n+x-1}C_x= \left(-1\right)^x \cdot {}_{-n}C_x$ より、
\begin{align}
G_X \left(\theta\right)&=\sum_{x=0}^{\infty}{\theta^x \cdot \ \left(-1\right)^x \cdot {}_{-n}C_xp^n \left(1-p\right)^x}\\
&=p^n\sum_{x=0}^{\infty}{\ {}_{-n}C_x \left\{-\theta \left(1-p\right)\right\}^x}
\end{align}
確率母関数が存在する $G_X \left(\theta\right) \lt \infty$ ためには、
\begin{gather}
\left|-\theta \left(1-p\right)\right| \lt 1\\
\theta \lt \frac{1}{1-p}
\end{gather}
一般化二項定理 $ \left(1+y\right)^a=\sum_{r=0}^{\infty}{{}_{a}C_xy^x}$ において、$a=-n,y=-\theta \left(1-p\right)$ とすると、
\begin{align}
\sum_{x=0}^{\infty}{\ {}_{-n}C_x \left\{-\theta \left(1-p\right)\right\}^x}= \left\{1-\theta \left(1-p\right)\right\}^{-n}
\end{align}
したがって、
\begin{align}
G_X \left(\theta\right)&=p^n \cdot \left\{1-\theta \left(1-p\right)\right\}^{-n}\\
&= \left\{\frac{p}{1-\theta \left(1-p\right)}\right\}^n
\end{align}
$\blacksquare$
(ii)モーメント母関数
モーメント母関数の定義式 $M_X \left(\theta\right)=\sum_{x=-\infty}^{\infty}{e^{\theta x} \cdot f \left(x\right)}$ より、
\begin{align}
M_X \left(\theta\right)=\sum_{x=0}^{\infty}{e^{\theta x} \cdot \ {}_{n+x-1}C_xp^n \left(1-p\right)^x}
\end{align}
負の二項係数 ${}_{n+x-1}C_x= \left(-1\right)^x \cdot {}_{-n}C_x$ より、
\begin{align}
M_X \left(\theta\right)&=\sum_{x=0}^{\infty}{e^{\theta x} \cdot \ \ \left(-1\right)^x \cdot {}_{-n}C_xp^n \left(1-p\right)^x}\\
&=p^n\sum_{x=0}^{\infty}{\ {}_{-n}C_x \left\{-e^\theta \left(1-p\right)\right\}^x}
\end{align}
確率母関数が存在する $G_X \left(\theta\right) \lt \infty$ ためには、
\begin{gather}
\left|-e^\theta \left(1-p\right)\right| \lt 1\\
e^\theta \lt \frac{1}{1-p}\\
\theta \lt \log{\frac{1}{1-p}}
\end{gather}
一般化二項定理 $ \left(1+y\right)^a=\sum_{r=0}^{\infty}{{}_{a}C_xy^x}$ において、$a=-n,y=-e^\theta \left(1-p\right)$ とすると、
\begin{align}
\sum_{x=0}^{\infty}{\ {}_{-n}C_x \left\{-e^\theta \left(1-p\right)\right\}^x}= \left\{1-e^\theta \left(1-p\right)\right\}^{-n}
\end{align}
したがって、
\begin{align}
M_X \left(\theta\right)&=p^n \cdot \left\{1-e^\theta \left(1-p\right)\right\}^{-n}\\
&= \left\{\frac{p}{1-e^\theta \left(1-p\right)}\right\}^n
\end{align}
$\blacksquare$
導出法②: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
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}
(I)確率母関数
幾何分布の確率母関数の公式より、
\begin{align}
G_{X_i} \left(\theta\right)=\frac{p}{1-\theta \left(1-p\right)}
\end{align}
確率母関数の性質 $G_Y \left(\theta\right)=\prod_{i=1}^{n}{G_{X_i} \left(\theta\right)}$ より、
\begin{align}
G_Y \left(\theta\right)=\prod_{i=1}^{n}\frac{p}{1-\theta \left(1-p\right)}= \left\{\frac{p}{1-\theta \left(1-p\right)}\right\}^n
\end{align}
$\blacksquare$
(II)モーメント母関数
幾何分布のモーメント母関数の公式より、
\begin{align}
M_{X_i} \left(\theta\right)=\frac{p}{1-e^\theta \left(1-p\right)}
\end{align}
モーメント母関数の性質 $M_Y \left(\theta\right)=\prod_{i=1}^{n}{M_{X_i} \left(\theta\right)}$ より、
\begin{align}
M_Y \left(\theta\right)=\prod_{i=1}^{n}\frac{p}{1-e^\theta \left(1-p\right)}= \left\{\frac{p}{1-e^\theta \left(1-p\right)}\right\}^n
\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.118-119
- 竹村 彰通 著. 現代数理統計学. 創文社, 1991, p.35 問8
- 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
0 件のコメント:
コメントを投稿