2016/12/27
2020/05/05
指数分布の期待値・分散の導出(証明)
確率密度関数 | \(f(X;λ) = λe^{-λx}\) |
期待値 | \(\begin{eqnarray*}E(X)=\frac{1}{λ}\end{eqnarray*}\) |
分散 | \(\begin{eqnarray*}V(X)=\frac{1}{λ^2}\end{eqnarray*}\) |
積率母関数 | \(\begin{eqnarray*}M_{X}(t)=\frac{\lambda}{\lambda-t}\end{eqnarray*}\) |
当ページは指数分布の確率密度関数からの指数分布の期待値・分散の導出過程を記しています。
期待値の導出(証明)
\(\begin{eqnarray*}E(X)&=&\displaystyle \int_{ 0 }^{ \infty } xf(x) dx\\ &=&\displaystyle \int_{ 0 }^{ \infty }x\lambda\mathrm{e}^{-\lambda x}dx\\ &=&\lambda\displaystyle \int_{ 0 }^{ \infty }x(-\frac{1}{\lambda}\mathrm{e}^{-\lambda x})’dx\\ &=&\lambda(\left[x(-\frac{1}{\lambda}\mathrm{e}^{-\lambda x})\right]_{0}^{\infty}-\displaystyle \int_{ 0 }^{ \infty }-\frac{1}{\lambda}\mathrm{e}^{\lambda x}dx)\end{eqnarray*}\)
ここでは部分積分を使う。部分積分の公式は
\(\begin{eqnarray*}\displaystyle \int f(x)g'(x)&=&f(x)g(x)-\displaystyle \int f'(x)g(x)\end{eqnarray*}\)
である。今回は、
\(\begin{eqnarray*}f(x)&=&x\\ g(x)&=&-\frac{1}{\lambda}\mathrm{e}^{-\lambda x}\end{eqnarray*}\)
この値を使って、考えるとわかりやすい。
\(\begin{eqnarray*}\ \ \ \ \ \ \ \ \ \ &=&\lambda(0-\left[\frac{1}{{\lambda}^2}\mathrm{e}^{- \lambda x}\right]_{0}^{\infty})\\ &=&\frac{1}{\lambda}\end{eqnarray*}\)
分散の導出(証明)
\(\begin{eqnarray*}E(X^2)&=&\displaystyle \int_{ 0 }^{ \infty } x^2 f(x) dx\\ &=&\displaystyle \int_{ 0 }^{ \infty }x^2\lambda\mathrm{e}^{-\lambda x}dx\\ &=&\lambda\displaystyle \int_{ 0 }^{ \infty }x^2(-\frac{1}{\lambda}\mathrm{e}^{-\lambda x})’dx\\ &=&\lambda(\left[x^2(-\frac{1}{\lambda}\mathrm{e}^{-\lambda x})\right]_{0}^{\infty}-\displaystyle \int_{ 0 }^{ \infty }-2x\frac{1}{\lambda}\mathrm{e}^{\lambda x}dx)\\ &=&\lambda(0+\displaystyle \int_{ 0 }^{ \infty }2x\frac{1}{\lambda}\mathrm{e}^{\lambda x}dx)\\ &=&\lambda(2 \frac{1}{{\lambda}^2}\displaystyle \int_{ 0 }^{ \infty }x \lambda\mathrm{e}^{\lambda x}dx)\end{eqnarray*}\)
\(\begin{eqnarray*}\int_{ 0 }^{ \infty }x \lambda\mathrm{e}^{\lambda x}dx\end{eqnarray*} = \frac{1}{\lambda} \)となることは、前項の期待値の導出から分かる。そのため、この形が出てくるように、意識しながら式変形をすると良い。
\(\begin{eqnarray*} &=&\frac{2}{\lambda} \frac{1}{\lambda}\\ &=&\frac{2}{{\lambda}^2}\\\\ V(X)&=&E(X^2)-({E(X)})^2\\ &=&\frac{2}{{\lambda}^2}-\frac{1}{{\lambda}^2}\\ &=&\frac{1}{{\lambda}^2}\end{eqnarray*}\)
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】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
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
【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
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
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
G検定に落ちた人、合格した人。勉強法の違いはどこにある? 2020年6月25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
E資格の難易度を、合格率と問題から徹底分析! 2020年8月11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
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
