Warning: Undefined variable $position in /home/pystyles/pystyle.info/public_html/wp/wp-content/themes/lionblog/functions.php on line 4897
  1. HOME
  2. 数学
  3. 統計学 - 指数分布

統計学 – 指数分布

統計学 – 指数分布
目次

概要

連続確率分布の1つである指数分布について解説します。

Advertisement

確率関数

確率変数 $X$ が次の確率密度関数をもつとき、$X$ はパラメータ $\beta$ の指数分布 (exponential distribution) に従うという。

$$ f_X(x) = \begin{cases} \beta e^{- \beta x} & x > 0 \\ 0 & その他の場合 \end{cases} $$

ただし、$\Gamma(\cdot)$ はガンマ関数、$\beta > 0$ とする。

確率密度関数である

(!) 非負性

$\beta > 0$ であるから、$f_X(x) \ge 0$

(2) 規格化

$$ \begin{aligned} \int_0^\infty \beta e^{- \beta x} dx &= \beta \left[-\frac{e^{-\beta x}}{\beta}\right]_0^\infty \\ &= -\left[e^{-\beta x}\right]_0^\infty \\ &= 1 \end{aligned} $$

ガンマ分布との関係

指数分布はパラメータ $\alpha = 1, \beta$ としたときのガンマ分布である。

分布関数

$x \le 0$ のとき、$f_X(x) = 0$ なので、$F_X(x) = 0$

$x > 0$ のとき、

$$ \begin{aligned} \int_0^x \beta e^{- \beta t} dt &= \beta \left[-\frac{e^{-\beta t}}{\beta}\right]_0^x \\ &= -\left[e^{-\beta t} \ \right]_0^x \\ &= 1 – e^{-\beta x} \end{aligned} $$

よって、

$$ F_X(x) = \begin{cases} 1 – e^{-\beta x} & x > 0 \\ 0 & その他の場合 \end{cases} $$
Advertisement

期待値

$$ \begin{aligned} E[X] &= \int_0^\infty x \beta e^{- \beta x} dx \\ &= \left[-x e^{-\beta x}\right]_0^\infty – \int_0^\infty -e^{-\beta x} dx \quad \because 部分積分 \\ &= \int_0^\infty e^{-\beta x} dx \\ &= \left[-\frac{1}{\beta} e^{-\beta x}\right]_0^\infty \\ &= \frac{1}{\beta} \end{aligned} $$

分散

$$ \begin{aligned} E(X) &= \int_0^\infty x^2 \beta e^{- \beta x} dx \\ &= \left[-x^2 e^{-\beta x}\right]_0^\infty – 2x \int_0^\infty -e^{-\beta x} dx \quad \because 部分積分 \\ &= \int_0^\infty 2x e^{-\beta x} dx \quad \because 第1項は \lim_{x \to \infty} \ \ \frac{x^2}{e^{\beta x}} = 0 \\ &= \frac{2}{\beta} \int_0^\infty x \beta e^{-\beta x} dx \\ &= \frac{2}{\beta^2} \quad \because 第2項は E[X] \end{aligned} $$

なので、

$$ \begin{aligned} Var[X] &= E[X^2] – (E[X])^2 \\ &= \frac{2}{\beta^2} – \left(\frac{1}{\beta}\right)^2 \\ &= \frac{1}{\beta^2} \end{aligned} $$

標準偏差

$$ \begin{aligned} Std[X] &= \sqrt{Var[X]} \\ &= \sqrt{\frac{1}{\beta^2}} \\ &= \frac{1}{\beta} \quad \because \beta > 0 \end{aligned} $$

積率母関数

$$ \begin{aligned} m_X(t) &= E[e^{tX}] \\ &= \int_0^\infty e^{tx} \beta e^{- \beta x} dx \\ &= \int_0^\infty \beta e^{- (\beta – t) x} dx \end{aligned} $$

$t < \beta$ の場合、$-(\beta – t) < 0$ なので、

$$ \begin{aligned} \int_0^\infty \beta e^{- (\beta – t) x} \quad dx &= \left[-\frac{\beta}{\beta – t} e^{- (\beta – t) x} \quad \right]_0^\infty \\ &= \frac{\beta}{\beta – t} \end{aligned} $$

$t = \beta$ の場合、

$$ \begin{aligned} \int_0^\infty \beta e^{- (\beta – t) x} dx &= \beta \int_0^\infty dx \\ \end{aligned} $$

となり、発散する。

$t > \beta$ の場合、$-(\beta – t) > 0$ なので、

$$ \begin{aligned} \int_0^\infty \beta e^{- (\beta – t) x} \quad dx &= \left[-\frac{\beta}{\beta – t} e^{- (\beta – t) x} \quad \right]_0^\infty \end{aligned} $$

は発散する。

したがって、積率母関数は $t < \beta$ のとき

$$ m_X(t) = \begin{cases} \frac{\beta}{\beta – t} & t < \beta\\ 定義されない & その他の場合 \end{cases} $$
Advertisement

再生性

$X_1, X_2, \cdots, X_n$ が独立で同一なパラメータ $\beta$ の指数分布に従うとき、 $S = X_1 + X_2 + \cdots + X_n$ はパラメータ $n, \beta$ のアーラン分布に従う。

証明:

$X_i$ の積率母関数を $m_{X_i}(t)$ とすると、

$$ m_S(t) = \prod_{i = 1}^n m_{X_i}(t) = \left(\frac{\beta}{\beta – t}\right)^n $$

これはパラメータ $n, \beta$ のアーラン分布の積率母関数と一致する。 積率母関数の一意性より、題意は示された。

scipy.stats の指数分布

scipy.stats.expon で指数分布に従う確率変数を作成できます。

In [1]: 
import numpy as np
import seaborn as sns
from matplotlib import pyplot as plt
from scipy.stats import expon

sns.set(style="white")

beta = 2
X = expon(scale=1 / beta)

サンプリング

In [2]: 
x = X.rvs(size=5)
print(x)
[0.43342208 0.57263643 0.537089   0.99356528 2.09360259]

確率質量関数

In [3]: 
x = np.linspace(0, 5, 100)
y = X.pdf(x)

fig, ax = plt.subplots()
ax.plot(x, y)
ax.grid()

plt.show()
Advertisement

累積分布関数

In [4]: 
x = np.linspace(0, 5, 100)
y = X.cdf(x)

fig, ax = plt.subplots()
ax.plot(x, y)
ax.grid()

plt.show()

統計量

In [5]: 
print("mean", X.mean())
print("var", X.var())
print("std", X.std())
mean 0.5
var 0.25
std 0.5