Aritalab:Lecture/Basic/Probability Generating Function

From Metabolomics.JP
< Aritalab:Lecture | Basic(Difference between revisions)
Jump to: navigation, search
(New page: ==確率母関数== ある確率分布<math>Pr(X=k)</math>の確率母関数(probability generating function または pgf)を以下のように定義する。 <math>\textstyle G_X(z) = ...)
 
Line 40: Line 40:
  
 
==一様分布==
 
==一様分布==
 +
''n''次の一様分布(uniform distribution)とは確率変数が<math>{0, 1, \ldots, n-1}</math>の値を確率<math>1/n</math>でとるもの。
 +
 +
<math>\textstyle
 +
\mbox{Pr}(X=k) = 1/n
 +
</math>
 +
 +
確率母関数は以下の等比級数になる。
 +
<math>\textstyle
 +
\mbox{U}_n(z) = \frac{1}{n}(1 + z + \cdots + z^{n-1}) = \frac{1}{n}\frac{1-z^n}{1-z}
 +
</math>
 +
 +
この式は<math>1-z</math>を分母に含んでしまうため、<math>\mbox{U}_n'(1)</math>や<math>\mbox{U}_n''(1)</math>を求めるのが不都合である。そこでテイラーの定理を応用する。
 +
 +
<math>
 +
G(1+t) = G(1) + \frac{G'(1)}{1!} t + \frac{G''(1)}{2!} t^2 + \frac{G'''(1)}{3!} t^3 + \cdots
 +
</math>
 +
 +
この係数、つまり<math>G(z)</math>の導関数を以下の式と見比べればよい。
 +
 +
<math>
 +
\begin{align}
 +
\mbox{U}_n(1+t) &= \frac{1}{n}\frac{(1+t)^n - 1}{t} \\
 +
&= \frac{1}{n}\binom{n}{1} + \frac{1}{n}\binom{n}{2} t + \frac{1}{n}\binom{n}{3} t^2 + \cdots + \frac{1}{n}\binom{n}{t} t^{n-1}
 +
\end{align}
 +
</math>
 +
 +
ここから
 +
 +
<math>\textstyle
 +
\mbox{U}_n(1) = 1 \quad
 +
\mbox{U}_n'(1) = \frac{n-1}{2} \quad
 +
\mbox{U}_n''(1) = \frac{(n-1)(n-2)}{3} \quad
 +
</math>
 +
 +
平均と分散は
 +
 +
<math>\textstyle
 +
\mbox{U}_n'(1) = \frac{n-1}{2}
 +
\quad
 +
\mbox{U}_n''(1) + \mbox{U}_n'(1) - \mbox{U}_n'(1)^2 = \frac{n^2-1}{12}.
 +
</math>
 +
 +
 +
==ポアソン分布==
 +
 +
ポアソン分布とは単位時間中に平均<math>\lambda</math>回発生する事象がちょうど''k''回発生する確率。
 +
 +
<math>\textstyle
 +
\mbox{Pr}(X=k) = e^{\lambda}\frac{\lambda^k}{k!}
 +
</math>
 +
 +
確率母関数は
 +
 +
<math> \textstyle
 +
\begin{align}
 +
G(z) &= \Sigma_{k=0}^{\infty} e^{\lambda}\frac{\lambda^k}{k!} z^k
 +
= e^{\lambda}\Sigma_{k=0}^{\infty}\frac{(\lambda z)^k}{k!}
 +
= e^{\lambda} e^{\lambda z} \\
 +
&= e^{\lambda (z-1)}
 +
\end{align}
 +
</math>
 +
 +
平均と分散は
 +
 +
<math>\textstyle
 +
\mbox{G}'(1) = \lambda \quad \mbox{G}''(1) + \mbox{G}'(1) - \mbox{G}'(1)^2
 +
= \lambda
 +
</math>

Revision as of 05:18, 3 June 2010

Contents

確率母関数

ある確率分布Pr(X=k)の確率母関数(probability generating function または pgf)を以下のように定義する。

\textstyle G_X(z) = \Sigma_{k=0}^{\infty}\mbox{Pr}(X=k)z^k

確率\mbox{Pr}(X=k)は全て正の値でkについて全て足しあわせると1になる。

\textstyle G_X(1) 
= \Sigma_{k=0}^{\infty}\mbox{Pr}(X=k)z^k 
= \Sigma_{k=0}^{\infty}\mbox{Pr}(X=k) = 1

逆に係数が非負でG(1) = 1であるようなべき級数G(z)があれば、それは何らかの確率母関数である。

平均と分散

確率母関数を使うと平均と分散の計算が容易にできる。

\textstyle
\begin{align}
EX &= \Sigma_{k=0}^{\infty}k\mbox{Pr}(X=k) \\
&= \Sigma_{k=0}^{\infty}\mbox{Pr}(X=k) \cdot kz^{k-1} \bigg|_{x=1} \\
&= G_X'(1)
\end{align}

\textstyle
\begin{align}
E(X^2) &= \Sigma_{k=0}^{\infty}k^2\mbox{Pr}(X=k) \\
&= \Sigma_{k=0}^{\infty}\mbox{Pr}(X=k) \cdot \big( k(k-1) z^{k-2} + kz^{k-1} \big) \bigg|_{x=1} \\
&= G_X''(1) + G_X'(1)
\end{align}

したがって

\textstyle
VX = G_X''(1) + G_X'(1) - G_X'(1)^2


一様分布

n次の一様分布(uniform distribution)とは確率変数が{0, 1, \ldots, n-1}の値を確率1/nでとるもの。

\textstyle
\mbox{Pr}(X=k) = 1/n

確率母関数は以下の等比級数になる。 \textstyle
\mbox{U}_n(z) = \frac{1}{n}(1 + z + \cdots + z^{n-1}) = \frac{1}{n}\frac{1-z^n}{1-z}

この式は1-zを分母に含んでしまうため、\mbox{U}_n'(1)\mbox{U}_n''(1)を求めるのが不都合である。そこでテイラーの定理を応用する。


G(1+t) = G(1) + \frac{G'(1)}{1!} t + \frac{G''(1)}{2!} t^2 + \frac{G'''(1)}{3!} t^3 + \cdots

この係数、つまりG(z)の導関数を以下の式と見比べればよい。


\begin{align}
\mbox{U}_n(1+t) &= \frac{1}{n}\frac{(1+t)^n - 1}{t} \\
&= \frac{1}{n}\binom{n}{1} + \frac{1}{n}\binom{n}{2} t + \frac{1}{n}\binom{n}{3} t^2 + \cdots + \frac{1}{n}\binom{n}{t} t^{n-1}
\end{align}

ここから

\textstyle
\mbox{U}_n(1) = 1 \quad
\mbox{U}_n'(1) = \frac{n-1}{2} \quad
\mbox{U}_n''(1) = \frac{(n-1)(n-2)}{3} \quad

平均と分散は

\textstyle
\mbox{U}_n'(1) = \frac{n-1}{2} 
\quad
\mbox{U}_n''(1) + \mbox{U}_n'(1) - \mbox{U}_n'(1)^2 = \frac{n^2-1}{12}.


ポアソン分布

ポアソン分布とは単位時間中に平均\lambda回発生する事象がちょうどk回発生する確率。

\textstyle
\mbox{Pr}(X=k) = e^{\lambda}\frac{\lambda^k}{k!}

確率母関数は

Failed to parse (lexing error): \textstyle \begin{align} G(z) &= \Sigma_{k=0}^{\infty} e^{\lambda}\frac{\lambda^k}{k!} z^k = e^{\lambda}\Sigma_{k=0}^{\infty}\frac{(\lambda z)^k}{k!} = e^{\lambda} e^{\lambda z} \\ &= e^{\lambda (z-1)} \end{align}


平均と分散は

\textstyle
\mbox{G}'(1) = \lambda \quad \mbox{G}''(1) + \mbox{G}'(1) - \mbox{G}'(1)^2
= \lambda

Personal tools
Namespaces

Variants
Actions
Navigation
metabolites
Toolbox