本稿では、モーメント母関数を用いる方法で、二変量正規分布の期待値と分散、共分散を導出しています。
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】二変量正規分布の期待値・分散・共分散
【公式】
二変量正規分布の期待値・分散・共分散
Expected Value, Variance and Covariance of Bivariate Normal Distribution
二変量正規分布 $\mathrm{MN} \left(\boldsymbol{\mu},\boldsymbol{\Sigma}\right)$ の期待値、分散、共分散、相関係数は、 \begin{gather} E \left(X\right)=\mu_X \quad E \left(Y\right)=\mu_Y\\ V \left(X\right)=\sigma_X^2 \quad V \left(Y\right)=\sigma_Y^2\\ \mathrm{Cov} \left(X,Y\right)=\rho\sigma_X\sigma_Y \quad \rho \left(X,Y\right)=\rho \end{gather} で与えられる。
導出法:モーメント母関数を用いる方法
(i)期待値
二変量正規分布のモーメント母関数の公式より、
\begin{align}
M_{X,Y} \left(\boldsymbol{\theta}\right)=\mathrm{exp} \left\{\theta_1\mu_X+\theta_2\mu_Y+\frac{1}{2} \left(\theta_1^2\sigma_X^2+2\rho\theta_1\theta_2\sigma_X\sigma_Y+\theta_2^2\sigma_Y^2\right)\right\}
\end{align}
モーメント母関数の $\theta_1$ による1階微分を求めると、合成関数の微分法より、
\begin{align}
\frac{\partial}{\partial\theta_1}M_{X,Y} \left(\boldsymbol{\theta}\right)&=M_{X,Y} \left(\boldsymbol{\theta}\right) \cdot \frac{\partial}{\partial\theta_1} \left\{\theta_1\mu_X+\theta_2\mu_Y+\frac{1}{2} \left(\theta_1^2\sigma_X^2+2\rho\theta_1\theta_2\sigma_X\sigma_Y+\theta_2^2\sigma_Y^2\right)\right\}\\
&= \left(\mu_X+\theta_1\sigma_X^2+\rho\theta_2\sigma_X\sigma_Y\right)\mathrm{exp} \left\{\theta_1\mu_X+\theta_2\mu_Y+\frac{1}{2} \left(\theta_1^2\sigma_X^2+2\rho\theta_1\theta_2\sigma_X\sigma_Y+\theta_2^2\sigma_Y^2\right)\right\}
\end{align}
1次モーメントとモーメント母関数の関係 $\frac{\partial}{\partial\theta_1}M_{X,Y} \left(\boldsymbol{0}\right)=E \left(X\right)$ より、
\begin{align}
E \left(X\right)&= \left(\mu_X+0+0\right)\mathrm{exp} \left\{0+0+\frac{1}{2} \left(0+0+0\right)\right\}\\
&=\mu_X
\end{align}
$\blacksquare$
(ii)分散
モーメント母関数の $\theta_1$ による2階微分を求めると、積の微分公式と合成関数の微分法より、
\begin{align}
\frac{\partial^2}{\partial\theta_1^2}M_{X,Y} \left(\boldsymbol{\theta}\right)&=M_{X,Y} \left(\boldsymbol{\theta}\right) \cdot \frac{\partial}{\partial\theta_1} \left(\mu_X+\theta_1\sigma_X^2+\rho\theta_2\sigma_X\sigma_Y\right)+ \left(\mu_X+\theta_1\sigma_X^2+\rho\theta_2\sigma_X\sigma_Y\right) \cdot \frac{\partial}{\partial\theta_1}M_{X,Y} \left(\boldsymbol{\theta}\right)\\
&=M_{X,Y} \left(\boldsymbol{\theta}\right) \cdot \sigma_X^2+ \left(\mu_X+\rho\theta_2\sigma_X\sigma_Y+2\theta_1\sigma_Y^2\right) \cdot \frac{\partial}{\partial\theta_1}M_{X,Y} \left(\boldsymbol{\theta}\right)
\end{align}
2次モーメントとモーメント母関数の関係 $\frac{\partial^2}{\partial\theta_1^2}M_{X,Y} \left(\boldsymbol{0}\right)=E \left(X^2\right)$ より、
\begin{align}
E \left(X^2\right)&=\mathrm{exp} \left\{0+0+\frac{1}{2} \left(0+0+0\right)\right\} \cdot \sigma_X^2+ \left(\mu_X+0+0\right) \cdot \mu_X\\
&=\mu_X^2+\sigma_X^2
\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)=\mu_X^2+\sigma_X^2-\mu_X^2=\sigma_X^2
\end{align}
$\blacksquare$
(iii)共分散
モーメント母関数を $\theta_1,\theta_2$ で1回ずつ微分すると、合成関数の微分法より、
\begin{align}
\frac{\partial^2}{\partial\theta_1\partial\theta_2}M_{X,Y} \left(\boldsymbol{\theta}\right)&=M_{X,Y} \left(\boldsymbol{\theta}\right) \cdot \frac{\partial}{\partial\theta_2} \left(\mu_X+\theta_1\sigma_X^2+\rho\theta_2\sigma_X\sigma_Y\right)+ \left(\mu_X+\theta_1\sigma_X^2+\rho\theta_2\sigma_X\sigma_Y\right) \cdot \frac{\partial}{\partial\theta_2}M_{X,Y} \left(\boldsymbol{\theta}\right)\\
&=M_{X,Y} \left(\boldsymbol{\theta}\right) \cdot \left(\rho\sigma_X\sigma_Y\right)+ \left(\mu_X+\theta_1\sigma_X^2+\rho\theta_2\sigma_X\sigma_Y\right) \cdot \left(\mu_Y+\rho\theta_1\sigma_X\sigma_Y+\theta_2\sigma_Y^2\right) \cdot M_{X,Y} \left(\boldsymbol{\theta}\right)\\
&=M_{X,Y} \left(\boldsymbol{\theta}\right) \cdot \left\{\rho\sigma_X\sigma_Y+ \left(\mu_X+\theta_1\sigma_X^2+\rho\theta_2\sigma_X\sigma_Y\right) \cdot \left(\mu_Y+\rho\theta_1\sigma_X\sigma_Y+\theta_2\sigma_Y^2\right)\right\}
\end{align}
積の期待値とモーメント母関数の関係 $\frac{\partial^2}{\partial\theta_1\partial\theta_2}M_{X,Y} \left(\boldsymbol{0}\right)=E \left(XY\right)$ より、
\begin{align}
E \left(XY\right)&=\mathrm{exp} \left\{0+0+\frac{1}{2} \left(0+0+0\right)\right\} \cdot \left\{\rho\sigma_X\sigma_Y+ \left(\mu_X+0+0\right) \cdot \left(\mu_Y+0+0\right)\right\}\\
&=\rho\sigma_X\sigma_Y+\mu_X\mu_Y
\end{align}
共分散の公式 $\mathrm{Cov} \left(X,Y\right)=E \left(XY\right)-E \left(X\right)E \left(Y\right)$ より、
\begin{align}
\mathrm{Cov} \left(X,Y\right)=\rho\sigma_X\sigma_Y+\mu_X\mu_Y-\mu_X\mu_Y
=\rho\sigma_X\sigma_Y
\end{align}
相関係数の定義式 $\rho_{XY}=\frac{\mathrm{Cov} \left(X,Y\right)}{\sigma_X\sigma_Y}$ より、
\begin{align}
\rho_{XY}=\frac{\rho\sigma_X\sigma_Y}{\sigma_X\sigma_Y}=\rho
\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.156-157
- 黒木 学 著. 数理統計学:統計的推論の基礎. 共立出版, 2020, p.104
0 件のコメント:
コメントを投稿