モーメント母関数の意味と具体例

更新日時 2021/03/07

確率変数 $X$ に対して，モーメント母関数（積率母関数）を $M_X(t)=E[e^{tX}]$ で定義する。

モーメント母関数 $M_X(t)$ は $t$ についての関数です。 $X$ が従う確率分布によってはモーメント母関数は存在しないこともありますが，以下ではモーメント母関数が存在するような場合について考えます。

モーメント母関数と期待値，分散
二項分布のモーメント母関数
指数分布のモーメント母関数

モーメント母関数と期待値，分散

モーメント母関数 $M_X(t)$ を $n$ 回微分して $t=0$ を代入すると $E[X^n]$ となる。

モーメント母関数の重要な性質です。導出にはマクローリン展開の知識が必要です。

導出

$M_X(t)=E[e^{tX}]\\ =E\left[1+tX+\dfrac{t^2}{2}X^2+\dfrac{t^3}{3!}X^3+\cdots\right]$

ここで，期待値の線形性を使うと上式は

$1+E[X]t+\dfrac{E[X^2]}{2!}t^2+\dfrac{E[X^3]}{3!}t^3+\cdots$

これを $M_X(t)$ のマクローリン展開と比較すると定理の主張を得る。

特に，期待値 $E[X]$ は $M'_X(0)$ ，分散 $V[X]$ は $E[X^2]-E[X]^2=M''_X(0)-M'_X(0)^2$ です。つまり，モーメント母関数から期待値や分散を計算することができます。

二項分布のモーメント母関数

離散型確率分布の場合の例として，二項分布のモーメント母関数を計算してみます。（パラメタが $n,p$ であるような）二項分布とは， $X=k$ となる確率が ${}_n\mathrm{C}_kp^k(1-p)^{n-k}\:(k=0,1,\cdots, n)$ であるような分布です。

二項分布のモーメント母関数は， $(pe^t+1-p)^n$

証明

$M_X(t)=E[e^{tX}]\\ =\displaystyle\sum_{k=0}^ne^{tk}{}_n\mathrm{C}_kp^k(1-p)^{n-k}\\ =\displaystyle\sum_{k=0}^n{}_n\mathrm{C}_k(pe^t)^k(1-p)^{n-k}$

ここで二項定理を用いると上式は，

$(pe^t+1-p)^n$ となる。

なお， $M_X(t)$ を $t$ で微分すると $npe^t(pe^t+1-p)^{n-1}$ となります。 $t=0$ を代入すると二項分布の期待値 $np$ が得られます。（→二項分布の平均と分散の二通りの証明）

同様に $M_X(t)$ の二階導関数も計算することで二項分布の分散 $np(1-p)$ も得られます。

指数分布のモーメント母関数

連続型確率分布の場合の例として，指数分布のモーメント母関数を計算してみます。（パラメタが $\mu$ であるような）指数分布とは，確率密度関数が $f(x)=\dfrac{1}{\mu}e^{-\frac{x}{\mu}}\:(x \geq 0)$ であるような分布です。

指数分布のモーメント母関数は， $\dfrac{1}{1-\mu t}$

ただし，定義域は $t < \dfrac{1}{\mu}$

証明

$M_X(t)=E[e^{tX}]\\ =\displaystyle\int_0^{\infty}e^{tx}\cdot\dfrac{1}{\mu}e^{-\frac{x}{\mu}}dx\\ =\dfrac{1}{\mu}\displaystyle\int_0^{\infty}e^{(t-\frac{1}{\mu})x}dx$

この定積分は $t\geq\dfrac{1}{\mu}$ のとき発散し， $t< \dfrac{1}{\mu}$ のとき $\dfrac{1}{\frac{1}{\mu}-t}$ となる。

なお， $M_X(t)$ を $t$ で微分すると $\dfrac{\mu}{(1-\mu t)^2}$ となります。 $t=0$ を代入すると指数分布の期待値 $\mu$ が得られます。→指数分布の意味と具体例

同様に $M_X(t)$ の二階導関数も計算することで指数分布の分散 $\mu^2$ も得られます。

似たような関数として特性関数，キュムラント母関数というものもあります。

この記事の編集者

マスオ

高校数学の美しい物語の管理人。「わかりやすいこと」と「ごまかさないこと」の両立を意識している。著書に『高校数学の美しい物語』『超ディープな算数の教科書』。記事の誤植やわかりにくい等のご指摘はお気軽にメールください！