統計学

【統計学】正規分布の確率密度関数

  1. HOME >
  2. 統計学 >

【統計学】正規分布の確率密度関数

スポンサーリンク

統計学や確率論で重要な正規分布の確率密度関数を厳密に導出していきます。

確率変数が正規分布に従うなどの仮定は一切用いずに証明していきます。

分布の対称性やベルカーブの性質などを用いて、導出していきます。

統計学の入門書におすすめ!
¥3,080 (2022/06/27 19:34時点 | Amazon調べ)
\楽天ポイント5倍セール!/
楽天市場
統計学の基礎を学習したい方へ
¥2,420 (2022/06/08 18:12時点 | Amazon調べ)
\楽天ポイント5倍セール!/
楽天市場

正規分布

正規分布の確率密度関数

確率変数\(X\)が次の確率密度関数をもつとき、\(X\)は正規分布に従うという。\begin{align}f(x) = \cfrac{1}{\sqrt{2\pi\sigma^2}}\exp\left\{-\cfrac{(x-\mu)^2}{2\sigma^2}\right\},\end{align}ここに、\(\mu\)は実数であり、\(\sigma^2>0\)である。

\(X\)が上式の確率密度関数をもつとき、\(X\)は正規分布、またはガウス分布に従うという。次に、この確率密度関数がどのように導出されたかみていく。

確立密度関数の導出

正規分布の確率密度関数の導出をする。まず前提として、同一の確率密度関数\(f\)をもつ互いに独立な確率変数\(X_1\)と\(X_2\)について、次の微小区間の確率を与える。

\begin{align}\mathrm{Pr}\{x_1 \leq X_1 \leq  x_1+\Delta x_1\} &= \int_{x_1}^{x_1+\Delta x_1}f(u)du \approx f(x_1)\Delta x_1,\\\mathrm{Pr}\{x_2 \leq X_2 \leq  x_2+\Delta x_2\} &= \int_{x_2}^{x_2+\Delta x_2}f(u)du \approx f(x_2)\Delta x_2.\end{align}

ここで、\(x_1\)と\(x_2\)は互いに独立であることより、\(X_1\)と\(X_2\)の同時密度関数は\(f(x_1, x_2)=f(x_1)f(x_2)\)である。よって、上式のの領域は次で表すことができる。

\begin{align}\mathrm{Pr}\{x_1 \leq X_1 \leq  x_1+\Delta x_1, x_2 \leq X_2 \leq  x_2+\Delta x_2\}&=f(x_1, x_2)\Delta x_1 \Delta x_2\\&= f(x_1)f(x_2)\Delta x_1\Delta x_2.\end{align}

また、これら2つの分布が原点\((0, 0)\)が中心ではなく、\((\mu, \mu)\)が中心であるとき、つまり中心\((0, 0)\)の確率密度関数\(g\)をもつ確率変数を\(Y_1 = X_1 + \mu\)、\(Y_2=X_2+\mu\)のとき、領域は次で与えられる。

\begin{align}&\mathrm{Pr}\{x_1 \leq Y_1\leq  x_1+\Delta x_1, x_2 \leq Y_2\leq  x_2+\Delta x_2\}\\&=\mathrm{Pr}\{x_1+\mu \leq Y_1+\mu \leq  x_1+\mu+\Delta x_1, x_2 +\mu\leq Y_2+\mu\leq  x_2+\mu+\Delta x_2\}\\&=\mathrm{Pr}\{x_1+\mu \leq X_1 \leq  x_1+\mu+\Delta x_1, x_2 +\mu\leq X_2\leq  x_2+\mu+\Delta x_2\}\\&=\int_{x_1+\mu}^{x_1+\mu+\Delta x_1}\int_{x_2+\mu}^{x_2+\mu+\Delta x_2}f(x_1)f(x_2)dx_1dx_2\\\label{eq1}&= f(x_1+\mu)f(x_2+\mu)\Delta x_1 \Delta x_2.\tag{1}\end{align}

また次のように、\eqref{eq1}の確率密度\(f(x_1+\mu)f(x_2+\mu)\)と等しい確率密度をもつ確率変数を\(R\)とし、この確率密度関数を\(h(r)\)とする。

\begin{align}f(x_1+\mu)f(x_2+\mu)\Delta x_1 \Delta x_ 2= h(r)\Delta x_1 \Delta x_2.\end{align}

関数\(h(r)\)は、角度\(\theta\)に依らないことを仮定している。極座標変換\(x_1 = r\sin\theta\)、\(x_2=r\cos\theta\)を用いると

\begin{align}\cfrac{dh(r)}{d\theta} &= f(x_2+\mu)\cfrac{d}{d\theta}f(x_1+\mu) + f(x_1+\mu)\cfrac{d}{d\theta}f(x_2+\mu)\\&= f(x_2+\mu)\cfrac{df(x_1+\mu)}{d(x_1+\mu)}\cfrac{d(x_1+\mu)}{d\theta} + f(x_1+\mu)\cfrac{df(x_2+\mu)}{d(x_2+\mu)}\cfrac{d(x_2+\mu)}{d\theta}\\&=f(x_2+\mu)f'(x_1+\mu)(-r\sin\theta)+f(x_1+\mu)f'(x_2+\mu)r\cos\theta\end{align}

が成り立つ。故に、次の関係が示された。

\begin{align}\label{eq2}0=f(x_1+\mu)f'(x_2+\mu)r\cos\theta-f(x_2+\mu)f'(x_1+\mu)r\sin\theta\tag{2}\end{align}

また、\eqref{eq2}の\(r\cos\theta\)と\(r\sin\theta\)をそれぞれ\(x_1\)と\(x_2\)で置き換えるとがいえる。

\begin{align}&f(x_1+\mu)f'(x_2+\mu)x_1=f(x_2+\mu)f'(x_1+\mu)x_2\\&\label{eq3}\Leftrightarrow \cfrac{f'(x_2+\mu)}{f(x_2+\mu)x_2} = \cfrac{f'(x_1+\mu)}{f(x_1+\mu)x_1}, \ \ \forall x_1, x_2\in \mathbb{R}\tag{3} \end{align}

次のように\eqref{eq3}を定数\(C\)で固定する。

\begin{align} \cfrac{f'(x_2+\mu)}{f(x_2+\mu)x_2} = \cfrac{f'(x_1+\mu)}{f(x_1+\mu)x_1} = C\end{align}

左辺について

\begin{align}&\cfrac{df(x_2+\mu)/d(x_2+\mu)}{f(x_2+\mu)x_2} = C \\&\Leftrightarrow \int \cfrac{df(x_2+\mu)}{f(x_2+\mu)} =\int Cx_2 d(x_2+\mu)\\&\Leftrightarrow \log\bigl\{f(x_2+\mu)\bigr\}=\cfrac{C}{2}x_2^2+C_2\\&\Leftrightarrow f(x_2+\mu) = \exp\left(\cfrac{C}{2}x_2^2+C_2\right)=A\exp\left(\cfrac{C}{2}x_2^2\right)\end{align}

がいえる。同様に、\(x_1\)についても次の関係式が示せる。

\begin{align}f(x_1+\mu) = B\exp\left(\cfrac{C}{2}x_1^2\right).\end{align}

ここまでの結果を以下にまとめる。

\begin{align}f(x_2+\mu)= A\exp\left(\cfrac{C}{2}x_2^2\right),\ \  f(x_1+\mu)=B\exp\left(\cfrac{C}{2}x_1^2\right)\end{align}

正規分布(ガウス分布)の性質から、中心からの距離が大きいほど事象が起こりにくい。したがって指数の肩の部分をマイナスでなくてはならないので、\(C\)を\(-C\)で置き換えることで次を得る。

\begin{align}f(x_2+\mu)= A\exp\left(-\cfrac{C}{2}x_2^2\right),\ \  f(x_1+\mu)=B\exp\left(-\cfrac{C}{2}x_1^2\right)\end{align}

また、\(y_1 = x_1+\mu\)、\(y_2 = x_2+\mu\)の変換を行うと次となる。

\begin{align}f(y_2) = A\exp\left\{-\cfrac{C}{2}(y_2-\mu)^2\right\}, f(y_2) = B\exp\left\{-\cfrac{C}{2}(y_1-\mu)^2\right\}.\end{align}

確率密度関数の定義として、確率密度の取りうる範囲で積分を行うと\(1\)になる性質がある。よって

\begin{align}&\int_{-\infty}^{\infty} A\exp\left\{-\cfrac{C}{2}(y_2-\mu)^2\right\}dy_2= A\int_{-\infty}^{\infty}\exp\left\{-\cfrac{C}{2}(y_2-\mu)^2\right\}dy_2 = 1\\\label{eq4}&\Leftrightarrow  \int_{-\infty}^{\infty}\exp\left\{-\cfrac{C}{2}(y_2-\mu)^2\right\}dy_2 = \cfrac{1}{A}.\tag{4}\end{align}

ここで\(z=y_2-\mu\)の変換を行うと上式の2行目は次となる。

\begin{align} \int_{-\infty}^{\infty}\exp\left\{-\cfrac{C}{2}(y_2-\mu)^2\right\}dy_2 = \int_{-\infty}^{\infty}\exp\left(-\cfrac{C}{2}z^2\right)dz\end{align}

上式の2行目の左辺の積分はガウス積分であることから

\begin{align} \int_{-\infty}^{\infty}\exp\left(-\cfrac{C}{2}z^2\right)dz = \sqrt{\cfrac{2\pi}{C}}\end{align}

である。故に、\eqref{eq4}より

\begin{align}&\int_{-\infty}^{\infty}\exp\left(-\cfrac{C}{2}z^2\right)dz  = \sqrt{2\pi} = \cfrac{1}{A}\\&\Leftrightarrow A= \sqrt{\cfrac{C}{2\pi}}. \end{align}

したがって、\(Y_2\)の確率密度関数は次となる。

\begin{align}f(y_2)=\cfrac{1}{\sqrt{2\pi/C}}\exp\left\{-\cfrac{C}{2}(y_2-\mu)^2\right\}\end{align}

同様に、\(Y_1\)の確率密度関数も得られる。

\begin{align}f(y_1)=\cfrac{1}{\sqrt{2\pi/C}}\exp\left\{-\cfrac{C}{2}(y_1-\mu)^2\right\}\end{align}

ここで、定数\(C\)を\(\sigma^2 = 1/C\)と置き換えることで次の正規分布の確率密度関数が得られた。

\begin{align}f(y_1) = \cfrac{1}{\sqrt{2\pi\sigma^2}}\exp\left\{-\cfrac{(y_1-\mu)^2}{2\sigma^2}\right\}.\end{align}

スポンサーリンク

  • この記事を書いた人
  • 最新記事

usagi-san

統計学とゲームとかをメインに解説していくよ。 数式とかプログラミングコードにミスがあったり質問があったりする場合はコメントで受け付けます。すぐに対応します。

-統計学
-

© 2022 ウサギさんの統計学サロン Powered by AFFINGER5