2017/01/01
2020/05/05
カイ二乗分布の期待値と分散の導出
確率密度関数(自由度k) | \(f(x)=\frac{x^{{\frac{k}{2}}-1} \mathrm{e}^{-\frac{x}{2}}}{2^{\frac{k}{2}} \Gamma(\frac{k}{2})}\) |
期待値 | \(E(x)=k\) |
分散 | \(V(x)=2k\) |
積率母関数 | \(\begin{eqnarray*}M_{X}(t)&=&{(\frac{1}{1- 2 t})}^{\frac{k}{2}}\end{eqnarray*}\) |
当ページは確率密度関数からのカイ二乗分布の平均・分散の導出過程を記しています。
積率母関数の導出及び、積率母関数からの期待値・分散の導出は、積率母関数を用いたカイ二乗分布の期待値・分散の導出をご覧ください。
カイ二乗分布について詳しくは、カイ二乗分布のわかりやすいまとめにて、まとめました。
※お使いの端末によっては、長い数式が右側にはみ出す場合がございます。縮小や右にスクロール、端末を横にするの動作などで解決する場合がございますので、お試しください。
\(\Gamma(k)=\displaystyle \int_{ 0 }^{ \infty } t^{k-1} \mathrm{e}^{-t} dt\)
\(\Gamma(k)=(k-1)\Gamma(k-1)\)
\(\Gamma(k+1) = k! \)
\(\Gamma(\frac{1}{2})=\sqrt{\pi}\)
期待値の導出
\(\begin{eqnarray*}E(X)&=&\displaystyle \int_{ 0 }^{ \infty }xf(x)dx\\ &=&\displaystyle \int_{ 0 }^{ \infty }x \frac{x^{{\frac{k}{2}}-1}\mathrm{e}^{-\frac{x}{2}}}{\Gamma(\frac{k}{2}){2}^{\frac{k}{2}}}dx\\ &=&\displaystyle \int_{ 0 }^{ \infty } \frac{x^{(\frac{k}{2}+1)-1}\mathrm{e}^{-\frac{x}{2}}}{\Gamma(\frac{k}{2}){2}^{\frac{k}{2}}}dx\\ &=&\displaystyle \int_{ 0 }^{ \infty } \frac{x^{(\frac{k}{2}+1)-1}\mathrm{e}^{-\frac{x}{2}}}{\frac{k}{2}^{-1}\Gamma(\frac{k}{2}+1)2^{-1} 2^{\frac{k}{2}+1}}dx\end{eqnarray*}\)
\(\Gamma(k)=(k-1)\Gamma(k-1)\)
という性質を使うと、
\(\Gamma(\frac{k}{2})=\frac{\Gamma(\frac{k}{2}+1)}{\frac{k}{2}}\)
\(\ \ \ \ \ \ \ \ \ \ \begin{eqnarray*}&=&\displaystyle \int_{ 0 }^{ \infty } \frac{k x^{(\frac{k}{2}+1)-1}\mathrm{e}^{-\frac{x}{2}}}{\Gamma(\frac{k}{2}+1)2^{\frac{k}{2}+1}}dx\end{eqnarray*}\)
\(\begin{eqnarray*}\frac{x^{(\frac{k}{2}+1)-1}\mathrm{e}^{-\frac{x}{2}}}{\Gamma(\frac{k}{2}+1) 2^{\frac{k}{2}+1}}\end{eqnarray*}\)
この式の\(\frac{k}{2}+1\)の部分を\(\frac{k’}{2}\)と置くと、
\(\begin{eqnarray*}\frac{x^{(\frac{k’}{2})-1}\mathrm{e}^{-\frac{x}{2}}}{\Gamma(\frac{k’}{2}) 2^{\frac{k’}{2}}}\end{eqnarray*}\)
となる。これはパラメータ(母数)がk’のカイ二乗分布の確率密度関数である。そのため、
\(\begin{eqnarray*}\displaystyle \int_{ 0 }^{ \infty } \frac{x^{(\frac{k’}{2})-1}\mathrm{e}^{-\frac{x}{2}}}{\Gamma(\frac{k’}{2}) 2^{\frac{k’}{2}}}dx=1\end{eqnarray*}\)
は確率密度関数を確率変数がとりうる値において全て足しあわせた値であるため、1である。
(ある事象における全ての確率を足すと1になることと同義)
\(\ \ \ \ \ \ \ \ \ \ \begin{eqnarray*}&=&k \end{eqnarray*}\)
分散の導出
\(\begin{eqnarray*}E(X^2)&=&\displaystyle \int_{ 0 }^{ \infty }x^{2}f(x)dx\\ &=&\displaystyle \int_{ 0 }^{ \infty }x^{2} \frac{x^{\frac{k}{2}-1}\mathrm{e}^{-\frac{x}{2}}}{\Gamma(\frac{k}{2})2^{\frac{k}{2}}}dx\\ &=&\displaystyle \int_{ 0 }^{ \infty } \frac{x^{(\frac{k}{2}+2)-1}\mathrm{e}^{-\frac{x}{2}}}{\Gamma(\frac{k}{2})2^{\frac{k}{2}}}dx\\ &=&\displaystyle \int_{ 0 }^{ \infty } \frac{x^{(\frac{k}{2}+2)-1}\mathrm{e}^{-\frac{x}{2}}}{{\frac{k}{2}}^{-1}\Gamma(\frac{k}{2}+1)2^{-1} 2^{\frac{k}{2}+1}}dx\\ &=&\displaystyle \int_{ 0 }^{ \infty } \frac{x^{(\frac{k}{2}+2)-1}\mathrm{e}^{-\frac{x}{2}}}{\frac{k}{2}^{-1}{(\frac{k}{2}+1)}^{-1}\Gamma(\frac{k}{2}+2)2^{-2} 2^{\frac{k}{2}+2}}dx\end{eqnarray*}\)
\(\Gamma(k)=(k-1)\Gamma(k-1)\)
という性質を使うと、
\(\begin{eqnarray*}\Gamma(\frac{k}{2})&=&\frac{\Gamma(\frac{k}{2}+1)}{\frac{k}{2}}\\ &=&\frac{\Gamma(\frac{k}{2}+2)}{\frac{k}{2}(\frac{k}{2}+1)}\end{eqnarray*}\)
\(\ \ \ \ \ \ \ \ \ \ \begin{eqnarray*}&=&\displaystyle \int_{ 0 }^{ \infty } \frac{\frac{k}{2}(\frac{k}{2}+1) 2^{2}x^{(\frac{k}{2}+2)-1}\mathrm{e}^{-\frac{x}{2}}}{\Gamma(\frac{k}{2}+2) 2^{\frac{k}{2}+2}}dx\end{eqnarray*}\)
\(\begin{eqnarray*}\frac{x^{(\frac{k}{2}+2)-1}\mathrm{e}^{-\frac{x}{2}}}{\Gamma(\frac{k}{2}+2) 2^{\frac{k}{2}+2}}\end{eqnarray*}\)
この式の\(\frac{k}{2}+2\)の部分を\(\frac{k’}{2}\)と置くと、
\(\begin{eqnarray*}\frac{x^{(\frac{k’}{2})-1}\mathrm{e}^{-\frac{x}{2}}}{\Gamma(\frac{k’}{2}) 2^{\frac{k’}{2}}}\end{eqnarray*}\)
となる。これはパラメータ(母数)がk’のカイ二乗分布の確率密度関数である。そのため、
\(\begin{eqnarray*}\displaystyle \int_{ 0 }^{ \infty } \frac{x^{(\frac{k’}{2})-1}\mathrm{e}^{-\frac{x}{2}}}{\Gamma(\frac{k’}{2}) 2^{\frac{k’}{2}}}dx=1\end{eqnarray*}\)
は確率密度関数を確率変数がとりうる値において全て足しあわせた値であるため、1である。
(ある事象における全ての確率を足すと1になることと同義)
\(\ \ \ \ \ \ \ \ \ \ \begin{eqnarray*}&=&\frac{k}{2}(\frac{k}{2}+1) 2^{2}\\&=&k(k+2)\\\\V(X)&=&E(X^2)-{(E(X))}^2\\ &=&k(k+2) -{k}^2\\ &=&2k\end{eqnarray*}\)
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
