2016/11/25
2020/04/14
積率母関数とは?モーメントの求め方も解説
積率母関数は、又の名をモーメント母関数といい、確率統計を理解する上で非常に重要な概念です。確率変数\(X\)に期待値が存在するとき、\(X\)の積率母関数\(M_X(t)\)は以下のように定義されます。
$$M_X(t) ≡ E(e^{tX})$$
積率母関数は、例えば\(X\)が連続型で、その確率密度関数が\(f(x)\)である場合、
$$M_X(t) = \displaystyle \int_{ – \infty }^{ \infty } e^{tx}f(x) dx$$
と書き表すことできます。
目次
積率母関数の名前の由来と存在しない場合
積率(モーメント)母関数の名前は、\(M_X(t)\)が\(t=0\)の周辺の開区間で存在する場合、それが確率分布のモーメントの母関数になっていることに由来しています。
そして、忘れてはいけないのが、積率母関数は存在しないこともあるということです。積率母関数は、積分が収束しない場合存在しません。そのときは積率母関数の代わりに、特性関数を使って計算することが多くなります。
積率母関数の何が便利なのか?
積率母関数を使えば、便利なことが色々あります。例えば、平均や分散、m次モーメントを楽に求められることが挙げられます。
確率密度関数のm次モーメント
\(M^{(m)}_X(t)\)を\(M_X(t)\)の\(t\)での\(m\)回微分であるとしたとき、
\(M^{(m)}_X(t) = E^{(m)}(e^{tX}) = E(X^me^{tX})\)
となります。これが、\(t=0\)の開区間で存在するとき、t=0をこの式に代入すると、
\(M^{(m)}_X(t) =E(X^m)\)
が得られます。これは、確率変数\(X\)の\(m\)次モーメントです。
このように、積率母関数を\(t\)で\(m\)回微分した結果に、\(t=0\)を代入することで、確率変数のm次モーメントを求めることができると分かります。
【例題】 正規分布の平均や分散を積率母関数で求める
積率母関数を使えば、モーメントが簡単に求められます。つまり、積率母関数さえ知っていれば(あるいは求められれば)多くの分布の平均や分散は比較的容易に求められます。例えば、正規分布を例に取り上げて、見ていきましょう。
まず、正規分布\(N(μ,σ^2)\)の積率母関数は以下の式です。
\(M_X(t) ={\mathrm{e}}^{\mu t+\frac{{\sigma}^{2}t^2}{2}}\)
この式のtでの1回微分、2回微分はそれぞれ、
\(M^{1}_X(t) =(\mu+{\sigma}^{2}t){\mathrm{e}}^{\mu t+\frac{{\sigma}^{2}t^2}{2}}\)
\(M^{2}_X(t) ={{\sigma}^{2}}{\mathrm{e}}^{\mu t+\frac{{\sigma}^{2}t^2}{2}}+{(\mu+{\sigma}^{2}t)}^{2}{\mathrm{e}}^{\mu t+\frac{{\sigma}^{2}t^2}{2}}\)
となり、この結果に\(t=0\)を代入すると、
\(M^{1}_X(0) = E(X) = μ\)
\(M^{2}_X(0) = E(X^2) = σ^2 + μ^2\)
となります。また、
\(V(X)=E(X^2)-{(E(X))}^{2} = {\sigma}^{2}\)
より分散も求められます。
ちなみに、正規分布の積率母関数の求め方や詳しい分散や平均の導出過程は、積率母関数を用いた正規分布の平均・分散の導出に記載したので、気になる方はそちらをご覧ください。
確率変数が複数のときの積率母関数
確率変数が複数になっても積率母関数の概念は使えます。確率変数\(X,Y\)に対して、
$$M_{XY}(s,t) = E(e^{sX+tY}) $$
が\(s=0,t=0\)の開区間で存在するとき、\(M_{XY}(s,t)\)は\(X,Y\)の積率(モーメント)母関数と定義されます。変数が複数になっても、モーメントは以下のように、tやsで微分して\(t=0,s=0\)を代入することによって得られます。
\(M_{XY}^{(m,n)}(0,0) = E(X^mY^n)\)
最新投稿記事
-
AIプロジェクトの企画と失敗しない進め方を解説 2021年1月19日
-
AVILEN人材育成コース受講体験談:山田裕之さん「E資格の”その先”を目指して」 2021年1月8日
-
AI導入とは?RPAとの関係、プロセス、事例、メリット、費用を詳細に解説 2020年12月7日
-
注目のAI開発企業11社!支援領域や提供方法など検証! 2020年10月28日
-
AI人材を育成できる研修プログラムを一挙紹介! 2020年10月20日
-
【2021年版】期待のAI資格11選!就職・転職にも使える! 2020年10月18日
-
JDLAとは?G検定、E資格の認定プログラム、合格者の会など紹介! 2020年10月14日
-
G検定(2020#3)受験申し込み開始、11月7日(土)実施-JDLA 2020年10月1日
-
【独占】コロナ禍で人材登録急増、アノテーション単月売上高は4倍超-パソナJOB HUB 2020年10月1日
-
E資格を転職に活用!評判とデータを徹底調査! 2020年9月29日
週間ランキング
【2021年版】期待のAI資格11選!就職・転職にも使える! 2020年10月18日
注目のAI開発企業11社!支援領域や提供方法など検証! 2020年10月28日
【2021年版】コスパ重視のG検定対策!おすすめの本・講座・教材を一挙紹介! 2020年6月6日
最弱オセロを初めて攻略した天才オセロ高校生。負け方を解説! 2020年7月31日
【2021年版】E資格とは?大注目のディープラーニングの資格を解説! 2020年9月29日
G検定に短期間・独学で合格した勉強法を解説! 2020年8月3日
G検定は難しい?難易度・合格ライン・問題を徹底解説! 2020年6月19日
GAFA3社が採用内定の理系日本人へ「年収6000万円」のオファー、「AI人材の争奪… 2020年5月1日
E資格の認定プログラム一覧。講座の費用・内容を徹底比較! 2020年7月29日
効率重視のE資格対策!参考書・模擬試験・過去問を徹底解説! 2020年8月7日

COMMENT
-
aist 2018.6.6 12:21 PM
誤植があります。
E(X^2)の部分は、μ^2+σ^2となるべきです。 -
y0he1 2018.6.7 2:03 PM
ご指摘ありがとうございます。
修正させていただきました。
aist 2018.6.6 12:21 PM
誤植があります。
E(X^2)の部分は、μ^2+σ^2となるべきです。
y0he1 2018.6.7 2:03 PM
ご指摘ありがとうございます。
修正させていただきました。