統計検定 1級 2013年 統計数理 問1 連続一様分布に関する問題

公開日: 更新日:

【2023年5月2週】 【B000】数理統計学 【D000】統計検定 過去問

この記事をシェアする
  • B!
サムネイル画像

本稿には、2013年に実施された統計検定1級『統計数理』 問1の自作解答案を掲載しています。なお、閲覧にあたっては、以下の点にご注意ください。

  • 著作権の関係上、問題文は、掲載することができません。申し訳ありませんが、閲覧者のみなさまでご用意いただければ幸いです。
  • この答案は、あくまでも筆者が自作したものであり、公式なものではありません。正式な答案については、公式問題集をご参照ください。
  • 計算ミスや誤字・脱字などがありましたら、コメントなどでご指摘いただければ大変助かります。
  • 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。

〔1〕期待値・標準偏差・相関係数の算出

題意において、 \begin{gather} Y=1-X\\ 0 \lt X \le \frac{1}{2}\\ \frac{1}{2} \le Y \lt 1\\ \end{gather} であり、 確率変数 $X$ と $Y$ は、それぞれ、 \begin{align} X \sim \mathrm{U} \left(0,\frac{1}{2}\right) \quad Y \sim \mathrm{U} \left(\frac{1}{2},1\right) \end{align} 確率変数 $X$ の累積分布関数と確率密度関数は、 \begin{gather} G \left(x\right)= \left\{\begin{matrix}0&x \le 0\\2x&0 \lt x \le \frac{1}{2}\\1&\frac{1}{2} \lt x\\\end{matrix}\right.\\ g \left(x\right)= \left\{\begin{matrix}2&0 \lt x \le \frac{1}{2}\\0&\mathrm{other}\\\end{matrix}\right. \end{gather}

(i)期待値
(i-x)期待値の定義式 $E \left(X\right)=\int_{-\infty}^{\infty}{x \cdot f \left(x\right)dx}$ より、 \begin{align} E \left(X\right)&=\int_{0}^{\frac{1}{2}}2xdx\\ &= \left[x^2\right]_0^{\frac{1}{2}}\\ &=\frac{1}{4} \end{align} (i-y)期待値の性質 $E \left(aX+b\right)=aE \left(X\right)+b$ より、 \begin{align} E \left(Y\right)&=E \left(1-X\right)\\ &=1-\frac{1}{4}\\ &=\frac{3}{4} \end{align}

(ii)標準偏差
(ii-x)2乗の期待値の定義式 $E \left(X^2\right)=\int_{-\infty}^{\infty}{x^2 \cdot f \left(x\right)dx}$ より、 \begin{align} E \left(X^2\right)&=\int_{0}^{\frac{1}{2}}{2x^2dx}\\ &= \left[\frac{2}{3}x^3\right]_0^{\frac{1}{2}}\\ &=\frac{2}{3} \left(\frac{1}{8}-0\right)\\ &=\frac{1}{12} \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)&=\frac{1}{12}-\frac{1}{16}\\ &=\frac{1}{48} \end{align} したがって、標準偏差は、 \begin{align} \sigma_X&=\frac{1}{4\sqrt3} \end{align} (ii-y) \begin{align} E \left(Y^2\right)&=E \left\{ \left(1-X\right)^2\right\}\\ &=E \left(1-2X+X^2\right)\\ &=1-2E \left(X\right)+E \left(X^2\right)\\ &=1-2 \cdot \frac{1}{4}+\frac{1}{12}\\ &=\frac{7}{12} \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(Y\right)&=\frac{7}{12}-\frac{9}{16}\\ &=\frac{1}{48} \end{align} したがって、標準偏差は、 \begin{align} \sigma_Y&=\frac{1}{4\sqrt3} \end{align}

(iii)相関係数
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)&=E \left\{X \left(1-X\right)\right\}-E \left(X\right)E \left(1-X\right)\\ &=E \left(X-X^2\right)-E \left(X\right) \left\{1-E \left(X\right)\right\}\\ &=E \left(X\right)-E \left(X^2\right)-E \left(X\right)+ \left\{E \left(X\right)\right\}^2\\ &=-V \left(X\right) \end{align} 相関係数の定義式 $\rho_{XY}=\frac{\mathrm{Cov} \left(X,Y\right)}{\sigma_X \cdot \sigma_Y}$ より、 \begin{align} \rho_{XY}&=-\frac{V \left(X\right)}{\sqrt{V \left(X\right)} \cdot \sqrt{V \left(Y\right)}}\\ &=\frac{V \left(X\right)}{\sqrt{V \left(X\right)} \cdot \sqrt{V \left(X\right)}}\\ &=-1 \end{align} $\blacksquare$

〔2〕比の分布

題意において、 \begin{gather} W=\frac{X}{1-X}\\ 0 \lt W \le 1\\ \end{gather} 累積分布関数の定義式 $F \left(w\right)=P \left(W \le w\right)$ より、 \begin{align} F \left(w\right)&=P \left(\frac{X}{1-X} \le w\right)\\ &=P \left(X \le \frac{w}{1+w}\right)\\ &=G \left(\frac{w}{1+w}\right) \end{align} したがって、 \begin{gather} F \left(w\right)= \left\{\begin{matrix}0&w \le 0\\\frac{2w}{1+w}&0 \lt w \le 1\\1&1 \lt w\\\end{matrix}\right. \end{gather} 累積分布関数と確率密度関数の関係 $f \left(w\right)=\frac{d}{dx}F \left(w\right)$ より、 \begin{align} f \left(w\right)&=\frac{2 \left(1+w\right)-2w}{ \left(1+w\right)^2}\\ &=\frac{2}{ \left(1+w\right)^2} \end{align} したがって、 \begin{gather} f \left(w\right)= \left\{\begin{matrix}\frac{2}{ \left(1+w\right)^2}&0 \lt w \le 1\\0&\mathrm{other}\\\end{matrix}\right. \end{gather} また、それぞれのグラフの概形を描くと以下のようになる。 $\blacksquare$

累積分布関数のイメージ図
図1 累積分布関数
確率密度関数のイメージ図
図2 確率密度関数

〔3〕比の期待値・中央値

中央値の定義 $F \left(w\right)=\frac{1}{2}$ より、 \begin{gather} \frac{2w}{1+w}=\frac{1}{2}\\ 4w=1+w\\ 3w=1\\ w=\frac{1}{3} \end{gather} 期待値の定義式 $E \left(X\right)=\int_{-\infty}^{\infty}{x \cdot f \left(x\right)dx}$ より、 \begin{align} E \left(W\right)&=\int_{0}^{1}{w \cdot f \left(w\right)dw}\\ &=\int_{0}^{1}{\frac{2w}{ \left(1+w\right)^2}dw} \end{align} ここで、部分分数分解すると、 \begin{align} \frac{2w}{ \left(1+w\right)^2}&=\frac{2 \left(1+w\right)-2}{ \left(1+w\right)^2}\\ &=\frac{2}{1+w}-\frac{2}{ \left(1+w\right)^2} \end{align} したがって、 \begin{align} E \left(W\right)=\int_{0}^{1}{\frac{2}{1+w}dw}-\int_{0}^{1}{\frac{2}{ \left(1+w\right)^2}dw} \end{align} ここで、$f \left(w\right)=\frac{2}{ \left(1+w\right)^2}$ なので、確率密度関数の性質から、 \begin{align} \int_{0}^{1}{\frac{2}{ \left(1+w\right)^2}dw}=1 \end{align} よって、 \begin{align} E \left(W\right)&=\int_{0}^{1}{\frac{2}{1+w}dw}-1\\ &=2 \left[\log{ \left(1+w\right)}\right]_0^1-1\\ &=2 \left(\log{2}-\log{1}\right)-1\\ &=2\log{2}-1 \end{align} $\blacksquare$

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