確率論 k-san.link

正規分布の特性関数の導出・計算・求め方【確率論】

【スマホでの数式表示について】

当サイトをスマートフォンなど画面幅が狭いデバイスで閲覧すると，数式が画面幅に収まりきらず，正確に表示されない場合があります．その際は画面を回転させ横長表示にするか，ブラウザの表示設定を「PCサイト」にした上でご利用ください．

正規分布の特性関数とは

正規分布の特性関数
正規分布(normal distribution) {\rm Norm}(\mu, \sigma2) の特性関数(characteristic function)とは，次式で表される関数 \Phi_{\rm norm} である．
 

(1)   \begin{equation*} \Phi_{\rm norm}(\xi) = \exp \left\{ i\xi \mu - \frac{\xi^2\sigma^2}{2} \right\} \end{equation*}

 
ただし，iは虚数単位である．

関連ページ：
（特性関数の一般的定義）
特性関数・積率母関数(モーメント母関数)・キュムラント：定義と意味，期待値(平均)・分散との関係【確率論】
（中心極限定理の証明には特性関数を用いる）
中心極限定理の証明と意味：正規分布の特性関数と分布収束【確率論】

正規分布の特性関数を確率密度関数から計算・導出する

正規分布の特性関数を，定義に従って確率密度関数から導出しよう．

確率変数Xに対する特性関数の一般的定義は

(2)   \begin{equation*} \Phi_X(\xi) := E\left[e^{i\xi X}\right] \end{equation*}

である．また，正規分布の確率密度関数は

(3)   \begin{equation*} f_{X}(x) = \frac{1}{\sqrt{2\pi}\sigma} \exp{\left\{ -\frac{(x-\mu)^2}{2\sigma^2} \right\}} \quad \left(\;^{\forall} x\in (-\infty, \infty) \right) \end{equation*}

である．式(2)，式(3)より，正規分布の特性関数は

(4)   \begin{eqnarray*} &&\Phi_X(\xi) \\ &&= E\left[e^{i\xi X}\right] \\ &&= \int_{-\infty}^{\infty} f_X(x) \; e^{i\xi x} \; dx \\ &&= \int_{-\infty}^{\infty} \frac{1}{\sqrt{2\pi}\sigma} \exp{\left\{ -\frac{(x-\mu)^2}{2\sigma^2} \right\}} \cdot \exp\left\{i\xi x \right\} \; dx \\ &&= \frac{1}{\sqrt{2\pi}\sigma} \int_{-\infty}^{\infty} \exp{\left\{ -\frac{(x-\mu)^2}{2\sigma^2} + i\xi x \right\}} \; dx \\ \end{eqnarray*}

を計算することにより得られる．

式(4)の被積分関数

(5)   \begin{equation*} \exp{\left\{ -\frac{(x-\mu)^2}{2\sigma^2} + i\xi x \right\}} \end{equation*}

の指数部を展開して，平方完成しなおすことにより，式(4)をガウス積分の形に持っていけばよい．すなわち，

(6)   \begin{eqnarray*} &&-\frac{(x-\mu)^2}{2\sigma^2} + i\xi x\\ && = -Ax^2 +2A\mu x -A \mu^2 + i\xi x \quad\left( A:= \frac{1}{2\sigma^2} \right) \\ && = -Ax^2 +\left(2A\mu + i \xi \right) x -A \mu^2 \\ && = -A \left\{ x^2 - 2 \frac{B}{A} x + \frac{B^2}{A^2} \right\} + \frac{B^2}{A} -A \mu^2 \quad \left(B:= A\mu + i \frac{\xi}{2} \right)\\ && = -A \left\{ x - \frac{B}{A} \right\}^2 + \frac{B^2}{A} -A \mu^2 \end{eqnarray*}

より，これを式(4)に戻して，xに依存しない項を積分の外に出すことにより，

(7)   \begin{eqnarray*} &&\Phi_X(\xi) \\ &&= \frac{1}{\sqrt{2\pi}\sigma} \int_{-\infty}^{\infty} \exp{\left\{ -\frac{(x-\mu)^2}{2\sigma^2} + i\xi x \right\}} \; dx \\ &&= \frac{1}{\sqrt{2\pi}\sigma} \int_{-\infty}^{\infty} \exp{\left[ -A \left\{ x - \frac{B}{A} \right\}^2 + \frac{B^2}{A} -A \mu^2 \right]} \; dx \\ &&= \frac{1}{\sqrt{2\pi}\sigma} \int_{-\infty}^{\infty} \exp{\left[ -A \left\{ x - \frac{B}{A} \right\}^2 \right]} \cdot \exp{\left[ \frac{B^2}{A} -A \mu^2 \right]} \; dx \\ &&= \frac{1}{\sqrt{2\pi}\sigma} \exp{\left[ \frac{B^2}{A} -A \mu^2 \right]} \int_{-\infty}^{\infty} \exp{\left[ -A \left\{ x - \frac{B}{A} \right\}^2 \right]} \; dx \\ \end{eqnarray*}

となる．さらに，変数変換とガウス積分の公式を用いることにより，計算を進めると，

(8)   \begin{eqnarray*} &&\Phi_X(\xi) \\ &&= \frac{1}{\sqrt{2\pi}\sigma} \exp{\left[ \frac{B^2}{A} -A \mu^2 \right]} \int_{-\infty}^{\infty} \exp{\left[ -A \left\{ x - \frac{B}{A} \right\}^2 \right]} \; dx \\ &&= \frac{1}{\sqrt{2\pi}\sigma} \exp{\left[ \frac{B^2}{A} -A \mu^2 \right]} \int_{-\infty}^{\infty} \exp{\left[ -A z^2 \right]} \; dx \quad \left( z:= x - \frac{B}{A} \right)\\ &&= \frac{1}{\sqrt{2\pi}\sigma} \exp{\left[ \frac{B^2}{A} -A \mu^2 \right]} \cdot \sqrt{\frac{\pi}{A}} \end{eqnarray*}

を得る．式(6)での置き換え

(9)   \begin{eqnarray*} A&:=& \frac{1}{2\sigma^2} \\ B&:=& A\mu + i \frac{\xi}{2} = \frac{\mu}{2\sigma^2} + i \frac{\xi}{2} \end{eqnarray*}

を，式(8)に戻すと，

(10)   \begin{eqnarray*} \Phi_X(\xi) &&= \frac{1}{\sqrt{2\pi}\sigma} \exp{\left[ \frac{B^2}{A} -A \mu^2 \right]} \cdot \sqrt{\frac{\pi}{A}}\\ &&= \frac{1}{\sqrt{2\pi}\sigma} \cdot \sqrt{2\pi \sigma^2} \cdot \exp{\left[ \frac{B^2}{A} -A \mu^2 \right]} \\ &&= \exp{\left[ \frac{\left( A\mu + i \frac{\xi}{2} \right)^2}{A} -A \mu^2 \right]}\\ &&= \exp{\left[ A\mu^2+i\xi \mu - \frac{\xi^2}{4A} -A \mu^2 \right]}\\ &&= \exp{\left[ i\xi \mu - \frac{\xi^2}{4\cdot \frac{1}{2\sigma^2}} \right]} \\ &&= \exp{\left[ i\xi \mu - \frac{\xi^2 \sigma^2}{2}} \right]} \\ \end{eqnarray*}

となり，正規分布の特性関数(1)が得られる．
 

コメントを残す

メールアドレスが公開されることはありません。 ※ が付いている欄は必須項目です

RECOMMENDこちらの記事も人気です。