統計学

離散分布のモーメント【統計学】

  1. HOME >
  2. 統計学 >

離散分布のモーメント【統計学】

スポンサーリンク

ここでは、離散分布に対するモーメントの定義や様々な離散分布のモーメントの導出を行う。

モーメントの定義を行う前に、離散確率変数の期待値や一般化した関数に対する期待値を述べる。

離散分布の期待値

離散確率変数\(X\)が\(x_1, x_2, \ldots, x_k\)の値をとり、\(X\)の確率質量関数を\(\mathrm{Pr}\{X=x_i\}, i=1, 2, \ldots k\)とする。このとき、\(X\)の期待値は次で定義される。

定義1 離散確率変数の期待値

確率関数\(\mathrm{Pr}\{X=x_i\},i=1,2,\ldots,k\)をもつ離散確率変数\(X\)の期待値は次で与えられる。\begin{align}\label{eq1}\mathrm{E}[X] = \sum_{i=1}^{k}x_i \mathrm{Pr}\{X=x_i\}.\tag{1}\end{align}

次に、より一般化したな期待値の定義を与える。確率変数\(X\)の関数\(g(X)\)の期待値を考える。

定義2 \(g(X)\)の期待値

確率関数\(\mathrm{Pr}\{X=x_i\}, i=1, 2, \ldots, k\)をもつ離散確率変数\(X\)の関数\(g(X)\)の期待値は次で与えられる。\begin{align}\label{eq2}\mathrm{E}[g(X)] = \sum_{i=1}^{k} g(x_i)\mathrm{Pr}\{X=x_i\}.\tag{2}\end{align}

最後に、\eqref{eq1}と\eqref{eq2}を一般化した定義を与える。

定義3 一般化した\(g(X)\)の期待値

確率関数\(\mathrm{Pr}\{X=x_i\}, i=1, 2, \ldots\)をもつ離散確率変数\(X\)の関数\(g(X)\)の期待値は次で与えられる。\begin{align}\mathrm{E}[g(X)] = \sum_{i=1}^{\infty} g(x_i)\mathrm{Pr}\{X=x_i\}.\end{align}

この定義では、\(x_1, x_2, \ldots\)は\(X\)がとりうる値で、\(\mathrm{Pr}\{X=x_1\}, \mathrm{Pr}\{X=x_2\}, \ldots\)はこれらに対応する確率である。\(X\)が\(x_1, x_2, \ldots\)という無限この値を取りうるとき、上の定義の無限級数は収束すると仮定する。つまり個の級数は絶対収束するという強い仮定をおく。

離散分布\(k\)次モーメント

定義4 離散確率変数\(X\)の原点周りの\(k\)モーメント

確率関数\(\mathrm{Pr}\{X=x_i\}, i=1, 2, \ldots, k\)をもつ離散確率変数\(X\)の原点周りの\(k\)次モーメントは次式で定義される。\begin{align}\mu_k=\mathrm{E}[X] = \sum_{i=1}^{\infty}x_i^k \mathrm{Pr}\{X=x_i\}.\end{align}

\(X\)の\(k\)次モーメントは、分布の\(k\)次のモーメント、またはその分布をもつ確率変数\(X\)の\(k\)次モーメントとも呼ばれる。モーメントの例として、\(1\)次モーメント\(\mu_1\)は\(\mathrm{E}[X]\)であり、これは\(X\)の期待値であり、便宜上\(\mu=\mu_1\)で表す。

また、平均値周りのモーメントについても触れていく。

定義4 離散確率変数\(X\)の平均値周りの\(k\)モーメント

確率関数\(\mathrm{Pr}\{X=x_i\}, i=1, 2, \ldots, k\)をもつ離散確率変数\(X\)の平均値周りの\(k\)次モーメントは次で定義される。\begin{align}\label{eq3}\mathrm{E}[(X-\mu)^k]=\sum_{i=1}^{\infty}(x_i-\mu)^k\mathrm{Pr}\{X=x_i\}.\tag{3}\end{align}

この定義より、\(X\)の分散\(\mathrm{Var}[X] = \mathrm{E}[(X-\mu)^2]\)を求めるのが容易になる。\eqref{eq3}に\(k=2\)をあてはめると、次を得る。

\begin{align}\mu_2 &= \sum_{i=1}^{\infty}(x_i-\mu)^2\mathrm{Pr}\{X=x_i\}\\&=\sum_{i=1}^{\infty}x_i^2\mathrm{Pr}\{X=x_i\} -2\mu\sum_{i=1}^{\infty}x_i\mathrm{Pr}\{X=x_i\} + \mu^2\sum_{i=1}^{\infty}\mathrm{Pr}\{X=x_i\}\\&=\mu_2-2\mu^2+\mu^2\\&=\mu_2-\mu^2.\end{align}

したがって、\(X\)の分散は次のように表現される。

\begin{align}\label{eq4}\mathrm{Var}[X]=\mathrm{E}[X^2]-\bigl(\mathrm{E}[X]\bigr)^2.\tag{4}\end{align}

原点周りの1、2次モーメントから、確率変数\(X\)の平均と分散を求めることができ、このことから、原点周りの1、2次モーメントの重要性がわかる。

離散分布のモーメント

ベルヌーイ分布

確率変数\(X\)がベルヌーイ分布に従うとき、\(0\leq p\leq 1\)に対して、\(X\)の確率関数は次で与えられる。

\begin{align}\mathrm{Pr}\{X=1\} &= p,\\ \mathrm{Pr}\{X=0\}&=1-p. \end{align}

ベルヌーイ分布に従う確率変数\(X\)の1次、2次モーメントを導出する。定義4より、\(X\)の1次モーメントは

\begin{align}\mu_1 &=1\cdot p+0\cdot(1-p)\\&=p\end{align}

であり、また\(X\)の2次モーメントは

\begin{align}\mu_2 &= 1^2\cdot p+0^2(1-p)\\&= p.\end{align}

である。故に、\eqref{eq4}より\(X\)の期待値と分散は、それぞれ

\begin{align}\mathrm{E}[X]&=\mu_1 = p\\\mathrm{Var}[X]&=\mu_2-\mu_1^2\\&=p-p^2\\&=p(1-p)\end{align}

である。

2項分布

確率変数\(X\)が2項分布に従うとき、\(0\leq p\leq 1\)、\(n\in\{0, 1, 2, \ldots\}\)に対して、\(X\)の確率関数は次で与えられる。

\begin{align}\label{eq5}\mathrm{Pr}\{X=k\}=\begin{pmatrix}n\\k\end{pmatrix}p^k(1-p)^{n-k}, \ \ \ \ k = 0, 1, 2, \ldots, n.\tag{5}\end{align}

2項分布に従う確率変数\(X\)の1次、2次モーメントを導出する。\(X\)の1次モーメントは

\begin{align}\mu_1 &= \sum_{k=0}^n k\begin{pmatrix}n\\k\end{pmatrix}p^k(1-p)^{n-k}\\&=\sum_{k=1}^n k\cfrac{n!}{k!(n-k)!}p^k(1-p)^{n-k}\\\label{eq6}&=np\sum_{k=1}^n \cfrac{(n-1)!}{(k-1)!(n-k)!}p^{k-1}(1-p)^{n-k}.\tag{6}\end{align}

となり、\eqref{eq6}において、\(l=k-1\)とおくと、\eqref{eq6}は

\begin{align}&np\sum_{k=1}^n \cfrac{(n-1)!}{(k-1)!(n-k)!}p^{k-1}(1-p)^{n-k}\\&=np\sum_{l=0}^{n-1}\cfrac{(n-1)!}{l!(n-1-l)!}p^l(1-p)^{n-1-l}\\&=np\sum_{l=0}^{n-1}\begin{pmatrix}n-1 \\ l \end{pmatrix}p^l(1-p)^{n-1-l}\end{align}

となる。右辺は、\eqref{eq5}のパラメータ\(n-1\)、\(p\)の二項分布\(Bin(n-1, p)\)の確率関数を\(l=0,1, 2, \ldots, n-1\)について和とったものなので

\begin{align}np\sum_{l=0}^{n-1}\begin{pmatrix}n-1 \\ l \end{pmatrix}p^l(1-p)^{n-1-l}= np\end{align}

である。次に、2次モーメントを求めるために、\(\mathrm{E}[X(X-1)]\)を考える。

\begin{align}\mathrm{E}[X(X-1)]&= \sum_{k=0}^nk(k-1) \begin{pmatrix}n\\k\end{pmatrix}p^k(1-p)^{n-k}\\&=\sum_{k=2}^nk(k-1)\cfrac{n!}{k!(n-k)!}p^k(1-p)^{n-k}\\&=n(n-1)p^2\sum_{k=2}^{n}\cfrac{(n-2)!}{(k-2)!(n-k)!} p^{k-2}(1-p)^{n-k}\end{align}

である。ここで\(l=k-2\)とおくと、次を得る。

\begin{align}&n(n-1)p^2\sum_{k=2}^{n}\cfrac{(n-2)!}{(k-2)!(n-k)!} p^{k-2}(1-p)^{n-k}\\\label{eq7}&=n(n-1)p^2\sum_{l=0}^{n-2}\cfrac{(n-2)!}{l!(n-2-l)!}p^l(1-p)^{n-2-l}.\tag{7}\end{align}

\eqref{eq7}の右辺は、二項分布\(Bin(n-2, p)\)の確率関数を\(l=0, 1, 2, \ldots, n-2\)について和をとったものなので\eqref{eq7}は

\begin{align}&n(n-1)p^2\sum_{l=0}^{n-2}\cfrac{(n-2)!}{l!(n-2-l)!}p^l(1-p)^{n-2-l}\\&=n(n-1)p^2\end{align}

である。したがって、2次モーメント\(\mu_2\)は次で与えられる。

\begin{align}\mu_2 &= \mathrm{E}[X(X-1)]+\mathrm{E}[X]\\&=n(n-1)p^2-np\\&=np(1-p+np).\end{align}

故に、\(X\)の期待値と分散は、それぞれ

\begin{align}\mathrm{E}[X] &= \mu_1= np,\\\mathrm{Var}[X] &=\mu_2-\mu_1^2 \\&=np(1-p+np)-(np)^2\\&=np(1-p)\end{align}

である。

負の2項分布

確率変数\(X\)が負の2項分布に従うとき、\(0\leq p\leq1\)、\(r\in\{1,2,\ldots\}\)に対して、\(X\)の確率関数は次で与えられる。

\begin{align}\mathrm{Pr}\{X=k\}=\begin{pmatrix}k+r-1\\k\end{pmatrix}(1-p)^rp^k, k = 0, 1, 2, \ldots.\end{align}

2項分布に従う確率変数\(X\)の1次、2次モーメントを導出する。\(X\)の1次モーメントは

\begin{align}\mu_1 &=\sum_{k=0}^{\infty}k \begin{pmatrix}k+r-1\\k\end{pmatrix}(1-p)^rp^k\\&=\sum_{k=0}^{\infty}k \cfrac{(k+r-1)!}{k!(r-1)!)}(1-p)^rp^k\\&= rp^r(1-p)\sum_{k=1}^{\infty}k\cfrac{(k+r-1)!}{k!r!}(1-p)^{k-1} \\&=rp^r(1-p)\sum_{l=0}^{\infty}\cfrac{(l+r)!}{l!r!}(1-p)^{l}\\\label{eq8}&=rp^r(1-p)\sum_{l=0}^{\infty}\begin{pmatrix}l+r\\l\end{pmatrix}(1-p)^{l}\tag{8}.\end{align}

ここで、次の関係を用いる。

\begin{align}(1-x)^{-(k+1)} = \sum_{i=0}^{\infty}\begin{pmatrix}i+k\\i\end{pmatrix}x^i.\end{align}

したがって、\eqref{eq8}は次となる。

\begin{align}& rp^r(1-p)\sum_{l=0}^{\infty}\begin{pmatrix}l+r\\l\end{pmatrix}(1-p)^{l}\\&= rp^r(1-p)\bigl\{1-(1-p)\bigr\}^{-(r+1)}\\&=\cfrac{r(1-p)}{p}.\end{align}

となる。2次モーメントを求めるために、\(\mathrm{E}[X(X-1)]\)を考える。

\begin{align}\mathrm{E}[X(X-1)] &=\sum_{k=0}^{\infty}k(k-1) \begin{pmatrix}k+r-1\\k\end{pmatrix}(1-p)^rp^k\\&=\sum_{k=2}^{\infty}k(k-1)\cfrac{(k+r-1)!}{k!(r-1)!}p^r(1-p)^k\\&=r(r+1)p^r(1-p)^2\sum_{k=2}^{\infty}\cfrac{(k+r-1)!}{(k-2)!(r+1)!}(1-p)^{k-2}\\&=r(r+1)p^r(1-p)^2\sum_{l=0}^{\infty}\cfrac{(l+r+1)!}{l!(r+1)!}(1-p)^{l}\\&=r(r+1)p^r(1-p)^2\sum_{l=0}^{\infty}\begin{pmatrix}l+r+1\\l\end{pmatrix}(1-p)^{l}\\&=r(r+1)p^r(1-p)^2\bigl\{1-(1-p)\bigr\}^{-(r+2)}\\&=\cfrac{r(r+1)(1-p)^2}{p^2}\end{align}

である。したがって、2次モーメント\(\mu_2\)は次で与えられる。

\begin{align}\mu_2&=\mathrm{E}[X(X-1)]+\mathrm{E}[X]\\&=\cfrac{r(r+1)(1-p)^2}{p^2}+\cfrac{r(1-p)}{p}\\&=\cfrac{r(1-p)\bigl\{(r+1)(1-p)+p \bigr\}}{p^2}\\&=\cfrac{r(1-p)(r-rp+1)}{p^2}\end{align}

故に\(X\)の期待値と分散は、それぞれ

\begin{align}\mathrm{E}[X] &= \mu_1 =\cfrac{r(1-p)}{p} ,\\\mathrm{Var}[X]&=\mu_2-\mu_1^2\\&=\cfrac{r(1-p)(r-rp+1)-r^2(1-p)^2}{p^2}\\&=\cfrac{r(1-p)}{p^2}\end{align}

である。

ポアソン分布

確率変数\(X\)がポアソン分布に従うとき、\(\lambda > 0\)に対して、\(X\)の確率関数は次で与えられる。

\begin{align}\mathrm{Pr}\{X=k\} = \cfrac{e^{-\lambda}\lambda^k}{k!}, \ \ \ \ k=0, 1, 2, \ldots\end{align}

ポアソン分布に従う確率変数\(X\)の1次、2次モーメントを導出する。\(X\)の1次モーメントは

\begin{align}\mu_1 &= \sum_{k=0}^{\infty}k\cfrac{e^{-\lambda}\lambda^k}{k!}\\&=e^{-\lambda}\sum_{k=1}^{\infty}k\cfrac{\lambda^k}{k!}\\\label{eq9}&=\lambda e^{-\lambda}\sum_{k=1}^{\infty}\cfrac{\lambda^{k-1}}{(k-1)!}\tag{9}\end{align}

となる。ここで\(l=k-1\)とおくと、\eqref{eq9}は次となる。

\begin{align}&\lambda e^{-\lambda}\sum_{k=1}^{\infty}\cfrac{\lambda^{k-1}}{(k-1)!}\\&=\lambda e^{-\lambda}\sum_{l=0}^{\infty}\cfrac{\lambda^{l}}{l!}\\&=\lambda e^{-\lambda}e^{\lambda}\\&=\lambda.\end{align}

次に、2次モーメントを求めるために、\(\mathrm{E}[X(X-1)]\)を考える。

\begin{align}\mathrm{E}[X(X-1)]&= \sum_{k=0}^{\infty}k(k-1)\cfrac{e^{-\lambda}\lambda^k}{k!}\\&=e^{-\lambda}\sum_{k=2}^{\infty}k(k-1)\cfrac{\lambda^k}{k!}\\\label{eq10}&=\lambda^2 e^{-\lambda}\sum_{k=2}^{\infty}\cfrac{\lambda^{k-2}}{(k-2)!}\tag{10}\end{align}

となり、\(l=k-2\)とおくと、\eqref{eq10}は次となる。

\begin{align} &\lambda^2 e^{-\lambda}\sum_{k=2}^{\infty}\cfrac{\lambda^{k-2}}{(k-2)!} \\&= \lambda^2 e^{-\lambda}\sum_{l=0}^{\infty}\cfrac{\lambda^{l}}{l!} \\&= \lambda^2 e^{-\lambda}e^{\lambda}\\&= \lambda^2\end{align}

したがって、2次モーメント\(\mu_2\)は次で与えられる。

\begin{align}\mu_2 &= \mathrm{E}[X(X-1)]+\mathrm{E}[X]\\&=\lambda^2+\lambda\\&=\lambda(\lambda+1).\end{align}

故に\(X\)の期待値と分散は、それぞれ

\begin{align}\mathrm{E}[X] &= \mu_1 = \lambda,\\\mathrm{Var}[X]&=\mu_2-\mu_1^2\\&=\lambda(\lambda+1)-\lambda^2\\&=\lambda\end{align}

である。

幾何分布

確率変数\(X\)が幾何分布に従うとき、\(0\leq p\leq1\)に対して、\(X\)の確率関数は次で与えられる。

\begin{align}\mathrm{Pr}\{X=k\} = (1-p)^{k-1}p, \ \ \ \ k=1,2, \ldots\end{align}

幾何分布に従う確率変数\(X\)の1次、2次モーメントを導出する。\(X\)のモーメントを求めるために、まず\((1-x)^{-1}\)を原点周りでテイラー展開をする。

\begin{align}(1-x)^{-1} = \sum_{k=0}^{\infty}x^k.\end{align}

\(x\)に関して微分をすると次を得る。

\begin{align}\cfrac{d}{dx}(1-x)^{-1} &= (1-x)^{-2} \\&= \sum_{k=0}^{\infty}kx^{k-1} \\\label{eq11}&= \sum_{k=1}^{\infty}kx^{k-1}.\tag{11}\end{align}

また2階微分すると次を得る。

\begin{align}\cfrac{d^2}{dx^2}(1-x)^{-1} &= 2(1-x)^{-3}\\ &= \sum_{k=0}^{\infty}k(k-1)x^{k-2}\\\label{eq12}&=\sum_{k=2}k(k-1)x^{k-2}.\tag{12}\end{align}

よって\eqref{eq11}より、1次モーメントは

\begin{align}\mu_1&=\sum_{k=0}^{\infty}kp(1-p)^{k}\\&=p\sum_{k=1}^{\infty}k(1-p)^{k}\\&=p(1-p)\bigl\{1-(1-p)\bigr\}^{-2}\\&=\cfrac{1-p}{p}\end{align}

である。また\eqref{eq12}より、\(\mathrm{E}[X(X-1)]\)は

\begin{align}\mathrm{E}[X(X-1)] &=\sum_{k=0}^{\infty}k(k-1)k(k-1)p(1-p)^{k}\\&=p(1-p)\sum_{k=0}^{\infty}k(k-1)(1-p)^{k-1}\\&=2p(1-p)^2\bigl\{1-(1-p)\bigr\}^{-3}\\&=\cfrac{2(1-p)^2}{p^2}\end{align}

である。したがって、2次モーメント\(\mu_2\)は

\begin{align}\mu_2&=\mathrm{E}[X(X-1)]+\mathrm{E}[X]\\&=\cfrac{2(1-p)^2}{p^2}+\cfrac{1-p}{p}\\&=\cfrac{(1-p)\bigl\{2(1-p)+p\bigr\}}{p^2}\\&=\cfrac{(1-p)(2-p)}{p^2}\end{align}

である。故に\(X\)の期待値と分散は、それぞれ

\begin{align}\mathrm{E}[X] &= \mu_1 = \cfrac{1}{p}\\\mathrm{Var}[X]&=\mu_2-\mu_1^2\\&=\cfrac{2-p}{p^2}-\cfrac{1}{p^2}\\&=\cfrac{1-p}{p^2}\end{align}

である。

超幾何分布

確率変数\(X\)が超幾何分布に従うとき、\(N\in\{0, 1, 2, \ldots\}\)、\(K\in\{0, 1, 2, \ldots, N\}\)、\(n\in\{0, 1, 2, \ldots, N\}\)に対して、\(X\)の確率関数は次で与えられる。

\begin{align}\mathrm{Pr}\{X=k\} = \cfrac{\begin{pmatrix}K\\k\end{pmatrix}\begin{pmatrix}N-K\\n-k\end{pmatrix}}{\begin{pmatrix}N\\n\end{pmatrix}}, \ \ \ \ \max(0,n+K-N)\leq k \leq\min(K,n)\end{align}

超幾何分布に従う確率変数\(X\)の1次、2次モーメントを導出する。1次モーメントは

\begin{align}\mu_1 &= \sum_{k = 0}^{\infty} k \cfrac{\begin{pmatrix}K\\k\end{pmatrix}\begin{pmatrix}N-K\\n-k\end{pmatrix}}{\begin{pmatrix}N\\n\end{pmatrix}}\\\label{eq13}&=\sum_{k=0}^{\infty}\cfrac{k\begin{pmatrix}K\\k\end{pmatrix}\begin{pmatrix}N-K\\n-k\end{pmatrix}}{\begin{pmatrix}N\\n\end{pmatrix}}\tag{13}\end{align}

となり、ここで二項係数について

\begin{align}k\begin{pmatrix}K\\k\end{pmatrix}&=\cfrac{kK!}{k!(K-k)!} =K\cfrac{(K-1)!}{(k-1)!\bigl\{(K-1)-(k-1)\bigr\}!}=K\begin{pmatrix}K-1\\k-1\end{pmatrix} ,\\\begin{pmatrix}N-K\\n-k\end{pmatrix}&=\cfrac{(N-k)!}{(n-k)!\bigl\{(N-K)-(n-k)\bigr\}}\\&=\cfrac{\bigl\{(N-1)-(K-1)\bigr\}!}{\bigl\{(n-1)-(k-1)\bigr\}!\bigl[(N-1)-(K-1)-\bigl\{(n-1)-(k-1)\bigr\}\bigr]!}\\&=\begin{pmatrix}(N-1)-(K-1)\\(n-1)-(k-1)\end{pmatrix},\\\begin{pmatrix}N\\n\end{pmatrix}&=\cfrac{N!}{n!(N-n)!} = \cfrac{N}{n}\cfrac{(N-1)!}{(n-1)!\bigl\{(N-1)-(n-1)\bigr\}!}=\cfrac{N}{n}\begin{pmatrix}N-1\\n-1\end{pmatrix}.\end{align}

が成り立つことから、\eqref{eq13}は

\begin{align}&\sum_{k=0}^{\infty}\cfrac{k\begin{pmatrix}K\\k\end{pmatrix}\begin{pmatrix}N-K\\n-k\end{pmatrix}}{\begin{pmatrix}N\\n\end{pmatrix}}\\&=\sum_{k=0}^{\infty}\cfrac{K\begin{pmatrix}K-1\\k-1\end{pmatrix}\begin{pmatrix}(N-1)-(K-1)\\(n-1)-(k-1)\end{pmatrix}}{(N/n)\begin{pmatrix}N-1\\n-1\end{pmatrix}}\\\label{eq14}&=\cfrac{nK}{N}\sum_{k=0}^{\infty}\cfrac{\begin{pmatrix}K-1\\k-1\end{pmatrix}\begin{pmatrix}(N-1)-(K-1)\\(n-1)-(k-1)\end{pmatrix}}{\begin{pmatrix}N-1\\n-1\end{pmatrix}}\tag{14}\end{align}

となる。\eqref{eq14}の右辺は、超幾何分布\(HG(N, K, n)\)の確率関数を\(k=0,1,2, \ldots\)について和をとったものなので、\eqref{eq14}は次となる。

\begin{align}&\cfrac{nK}{N}\sum_{k=0}^{\infty}\cfrac{\begin{pmatrix}K-1\\k-1\end{pmatrix}\begin{pmatrix}(N-1)-(K-1)\\(n-1)-(k-1)\end{pmatrix}}{\begin{pmatrix}N-1\\n-1\end{pmatrix}}\\&=\cfrac{nK}{N}.\end{align}

次に、2次モーメントを求めるために、\(\mathrm{E}[X(X-1)]\)を考える。

\begin{align}\mathrm{E}[X(X-1)] &= \sum_{k = 0}^{\infty} k(k-1) \cfrac{\begin{pmatrix}K\\k\end{pmatrix}\begin{pmatrix}N-K\\n-k\end{pmatrix}}{\begin{pmatrix}N\\n\end{pmatrix}} \\\label{eq15}&=\sum_{k = 0}^{\infty}  \cfrac{k(k-1)\begin{pmatrix}K\\k\end{pmatrix}\begin{pmatrix}N-K\\n-k\end{pmatrix}}{\begin{pmatrix}N\\n\end{pmatrix}} \tag{15}\end{align}

となる。ここで、二項係数について

\begin{align}k(k-1)\begin{pmatrix}K\\k\end{pmatrix}&=\cfrac{k(k-1)K!}{k!(K-k)!} \\&= K(K-1)\cfrac{(K-2)!}{(k-2)!\bigl\{(K-2)-(k-2)\bigr\}!}\\&=K(K-1)\begin{pmatrix}K-2\\k-2\end{pmatrix},\\\begin{pmatrix}N-K\\n-k\end{pmatrix}&=\cfrac{\bigl\{(N-2)-(K-2)\bigr\}!}{\bigl\{(n-2)-(k-2)\bigr\}!\bigl[(N-2)-(K-2)- \bigl\{(n-2)-(k-2)\bigr\}\bigr]!}\\&=\begin{pmatrix}(N-2)-(K-2)\\(n-2)-(k-2)\end{pmatrix},\\\begin{pmatrix}N\\n\end{pmatrix}&=\cfrac{N!}{n!(N-n)!}\\&=\cfrac{N(N-1)}{n(n-2)}\cfrac{(N-2)!}{(n-2)!\bigl\{(N-2)-(n-2)\bigr\}!}\\&=\begin{pmatrix}N-2\\n-2\end{pmatrix}.\end{align}

よって\eqref{eq15}は次となる。

\begin{align}&\sum_{k = 0}^{\infty}  \cfrac{k(k-1)\begin{pmatrix}K\\k\end{pmatrix}\begin{pmatrix}N-K\\n-k\end{pmatrix}}{\begin{pmatrix}N\\n\end{pmatrix}}\\&=\sum_{k = 0}^{\infty}  \cfrac{K(K-1)\begin{pmatrix}K-2\\k-2\end{pmatrix}\begin{pmatrix}(N-2)-(K-2)\\(n-2)-(k-2)\end{pmatrix}}{N(N-1)/n(n-1)\begin{pmatrix}N-2\\n-2\end{pmatrix}}\\\label{eq16}&= \cfrac{n(n-1)K(K-1)}{N(N-1)}\sum_{k = 0}^{\infty}  \cfrac{\begin{pmatrix}K-2\\k-2\end{pmatrix}\begin{pmatrix}(N-2)-(K-2)\\(n-2)-(k-2)\end{pmatrix}}{\begin{pmatrix}N-2\\n-2\end{pmatrix}}\tag{16}\end{align}

\eqref{eq16}の右辺は、\(HG(N-2, K-2, n-2)\)の確率関数を\(k=0, 1,2,\ldots\)について和をとったものなので、\eqref{eq16}は

\begin{align}&\cfrac{n(n-1)K(K-1)}{N(N-1)}\sum_{k = 0}^{\infty}  \cfrac{\begin{pmatrix}K-2\\k-2\end{pmatrix}\begin{pmatrix}(N-2)-(K-2)\\(n-2)-(k-2)\end{pmatrix}}{\begin{pmatrix}N-2\\n-2\end{pmatrix}}\\&= \cfrac{n(n-1)K(K-1)}{N(N-1)}\end{align}

となる。したがって、2次モーメント\(\mu_2\)は次で与えられる。

\begin{align}\mu_2 &=\mathrm{E}[X(X-1)]+\mathrm{E}[X]\\&= \cfrac{n(n-1)K(K-1)}{N(N-1)}+\cfrac{nK}{N}\\&= \cfrac{nK\bigl\{(n-1)(K-1)+(N-1)\bigr\}}{N(N-1)}\\&=\cfrac{nK(nK-n-K+N)}{N(N-1)} .\end{align}

故に\(X\)の期待値と分散は、それぞれ

\begin{align}\mathrm{E}[X]&=\mu_1 = \cfrac{nK}{N}\\\mathrm{Var}[X]&= \mu_2-\mu_1^2\\&= \cfrac{nK(nK-n-K+N)}{N(N-1)}-\left(\cfrac{nK}{N}\right)^2\\&= \cfrac{nKN(nK-n-K+N)-n^2K^2(N-1)}{N^2(N-1)}\\&= \cfrac{nK\bigl\{N(nK-n-K+N)-nK(N-1)\bigr\}}{N^2(N-1)}\\&=\cfrac{nK(N^2-nN+nK-KN)}{N^2(N-1)}\\&= \cfrac{nK(N-K)(N-n)}{N^2(N-1)}\end{align}

である。

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