負の二項分布の積率母関数(モーメント母関数)・特性関数とその導出

確率論
記事内に広告が含まれている場合があります

負の二項分布 NB(r, p) における,積率母関数(モーメント母関数)・特性関数はそれぞれ

\begin{aligned} E[e^{tX}] &= \left(\dfrac{p}{1-(1-p)e^t}\right)^r,\quad t<-\log (1-p),\\ E[e^{itX}]&=\left(\dfrac{p}{1-(1-p)e^{it}}\right)^r,\quad t\in\mathbb{R} \end{aligned}


となります。これについて,その導出の証明を行いましょう。

負の二項分布の積率母関数(モーメント母関数)・特性関数

定理(負の二項分布の積率母関数(モーメント母関数)・特性関数)

X\sim NB(r, p) とする。このとき, X の積率母関数(モーメント母関数)・特性関数は

\small \color{red} \begin{aligned} E[e^{tX}] &= \left(\dfrac{p}{1-(1-p)e^t}\right)^r,\: t<-\log (1-p),\\ E[e^{itX}]&=\left(\dfrac{p}{1-(1-p)e^{it}}\right)^r,\: t\in\mathbb{R} \end{aligned}


である。

後半については,複素数の累乗を考えていますが,正の整数乗なので,あまり深刻ではありません。単に複素数を r 回掛けるだけです。

証明に入る前に,負の二項分布の定義を復習しておきましょう。

負の二項分布の定義

0<p<1, \, r\ge 1 を整数とする。確率変数 X k = 0,1,2,\ldots に対し,

\color{red}\begin{aligned} P(X=k) &= {}_{k+r-1}\mathrm{C}_k\, p^r(1-p)^k \\ &= {}_{k+r-1}\mathrm{C}_{r-1}\, p^r(1-p)^k \end{aligned}


となるとき, X はパラメータ (r, p) 負の二項分布 (negative binomial distribution) に従うという。本記事では,\color{red} X\sim NB(r,p) とかくことにする。

負の二項分布の定義と性質まとめについては,以下で解説しています。

負の二項分布の積率母関数(モーメント母関数)の導出

まず,二項分布の積率母関数(モーメント母関数)の導出から始めましょう。

証明

期待値と負の二項分布の定義から,

\begin{aligned} E[e^{tX}] &= \sum_{k=0}^\infty e^{tk} P(X=k) \\ &= \sum_{k=0}^\infty e^{tk} {}_{k+r-1}\mathrm{C}_k\, p^r(1-p)^k \\ &=p^r \sum_{k=0}^\infty {}_{k+r-1}\mathrm{C}_k\, \{(1-p)e^t\}^k \end{aligned}


であり,この無限和が収束するには, (1-p)e^t < 1 すなわち, t<-\log (1-p) が必要である。このとき,

\small \begin{aligned} &p^r \sum_{k=0}^\infty {}_{k+r-1}\mathrm{C}_k\, \{(1-p)e^t\}^k \\ &= \left(\frac{p}{1-(1-p)e^t}\right)^r \\ & \qquad \times \sum_{k=0}^\infty {}_{k+r-1}\mathrm{C}_k\, \{(1-p)e^t\}^k \{1-(1-p)e^t\}^r \\ &= \left(\frac{p}{1-(1-p)e^t}\right)^r \sum_{k=0}^\infty P(Y=k) \\ &= \left(\frac{p}{1-(1-p)e^t}\right)^r \end{aligned}


ただし, Y\sim NB(r, (1-p)e^t) である。よって, t<-\log(1-p)

E[e^{tX}] = \left(\dfrac{p}{1-(1-p)e^t}\right)^r.

証明終

負の二項分布の特性関数の導出

特性関数の方も,積率母関数(モーメント母関数)と同様の議論を,といいたいところですが,複素数の範囲で NB(r, pe^{it}) とするのは無理があるため,できません。今回は,積率母関数を拡張して証明しましょう。

証明

積率母関数(モーメント母関数)の等式

\small E[e^{tX}] = \left(\dfrac{p}{1-(1-p)e^t}\right)^r,\; t<-\log (1-p)


\{ z \in\mathbb{C}\mid \operatorname{Re} z < -\log (1-p) \} 上に解析接続することで,この上の z

E[e^{zX}] = \left(\dfrac{p}{1-(1-p)e^z}\right)^r


となる。 z=it, \; t\in\mathbb{R} とすると,

E[e^{itX}] = \left(\dfrac{p}{1-(1-p)e^{it}}\right)^r


がわかる。

証明終

解析接続の議論は,複素関数論の範囲です。具体的に示すには,左辺が解析的であり,右辺も解析的であることをそれぞれ示し,よってお互い解析接続したものが等しくなる,とします。

負の二項分布に関する記事

タイトルとURLをコピーしました