二変量正規分布の期待値・分散・共分散の導出

公開日: 更新日:

【2023年4月2週】 【B000】数理統計学 【B050】多次元確率分布

この記事をシェアする
  • B!
サムネイル画像

本稿では、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

導出

(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

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