積率母関数

積率母関数について

確率論や統計学において、確率変数の性質を分析するための基本的な道具が積率母関数です。この関数は、期待値が存在する場合に以下の式で定義されます。

$$
M_{X}(t) = E(e^{tX}), \, t \in \mathbb{R}
$$

ここで、$M_{X}(t)$は確率変数$X$の積率母関数を示し、$E$は期待値を表します。この関数が「積率母関数」と呼ばれる理由は、$t = 0$の周りの開区間で定義される場合に、確率分布のモーメントを求める母関数として機能することにあります。

具体的には、$n$次のモーメントは以下のように表されることができます。

$$
E(X^{n}) = M_{X}^{(n)}(0) = \frac{d^{n}M_{X}}{dt^{n}}(0)
$$

このように、積率母関数が一意的に確率分布を決定する役割を果たすのが見て取れます。ただし、重要な点は、積分の収束がない場合、積率母関数やモーメントが存在しない可能性があることです。そのため、特性関数のように常に存在する他の方法を利用することがあるのです。

積率母関数の一般化として、$n$次元の確率変数ベクトル$\mathbf{X}=(X_{1},\dots ,X_{n})$が考えられます。この場合、次のように定義されます。

$$
M_{\mathbf{X}}(\mathbf{t}) = E(e^{\mathbf{t} \cdot \mathbf{X}})
$$

ここで、$\mathbf{t} \cdot \mathbf{X}$は内積を表します。積率母関数は、リーマン＝スティルチェス積分によって次のように表現されます。

$$
M_{X}(t) = \int_{-\infty}^{\infty} e^{tx} dF(x)
$$

ここで、$F$は累積分布関数です。もし$X$が連続な確率密度関数$f(X)$を持つ場合、$M_{X}(-t)$はその両側ラプラス変換となります。展開すると、次のようになります。

$$
M_{X}(t) = \int_{-\infty}^{\infty}(1 + tx + \frac{t^{2} x^{2}}{2!} + \ldots ) f(x) dx = 1 + tm_{1} + \frac{t^{2} m_{2}}{2!} + \ldots
$$

ここで、$m_{i}$は$i$番目のモーメントを示します。

2つの独立確率変数の和

2つの独立な確率変数$X$と$Y$の積率母関数は次のように表現されます。

$$
M_{X+Y}(t) = E(e^{t(X+Y)}) = E(e^{tX})E(e^{tY}) = M_{X}(t)M_{Y}(t)
$$

一般化すると、$X_{1}, X_{2}, \ldots, X_{n}$が独立な確率変数の場合、合計$S_{n} = \sum_{i=1}^{n} a_{i}X_{i}$の積率母関数は次のようになります。

$$
M_{S_{n}}(t) = M_{X_{1}}(a_{1}t)M_{X_{2}}(a_{2}t) \ldots M_{X_{n}}(a_{n}t)
$$

他の関数との関連性

積率母関数は他の確率論の変換とも関係しています。特性関数$oo{X}(t)$は次の式で示され、積率母関数$M_{X}(t)$と密接な関連性があります。

$$
\varphi_{X}(t) = M_{iX}(t) = M_{X}(it)
$$

また、キュムラント母関数は積率母関数の対数として扱われ、確率母関数は以下のように定義されます。

$$
G(z) = E[z^{X}]
$$

結局、$G(e^{t}) = M_{X}(t)$も成り立ちます。このように、積率母関数は確率論において非常に重要な役割を果たし、さまざまな関数との関連性を持っています。

もう一度検索