ベルヌーイ分布Ber(p)の期待値・分散・確率母関数を計算する

投げると表が確率1/3で出る歪んだコインを投げ，表が出たとき１点，裏が出たとき０点とすると，

確率1/3で１点
確率2/3で０点

となります．このコイン投げの点数のように，一定の確率で値０，１となる確率変数が従う確率分布をベルヌーイ分布といいます．

この記事では

ベルヌーイ分布の定義・基本性質・具体例
ベルヌーイ分布の期待値・分散・確率母関数

を順に説明します．

「重要な確率分布」の一連の記事

離散型確率分布の定義と期待値・分散・母関数

連続型確率分布の定義と期待値・分散・母関数
1. 連続型一様分布(準備中)
2. 正規分布(準備中)
3. カイ二乗分布(準備中)
4. t分布(準備中)
5. F分布(準備中)
6. ガンマ分布(準備中)
7. ベータ分布(準備中)

ベルヌーイ分布の定義・基本性質
1. 定義（ $X \sim Ber (p)$ ）
2. 期待値 $E [X]$ ・分散 $V [X]$ ・確率母関数 $G_{X} (s)$
ベルヌーイ分布の具体例
ベルヌーイ分布の期待値・分散・確率母関数の導出
参考文献
1. 統計学

ベルヌーイ分布の定義・基本性質

まずはベルヌーイ分布の定義を説明し，そのあとベルヌーイ分布に従う確率変数の具体例を紹介します．

定義（ $X \sim Ber (p)$ ）

そもそも離散型確率変数 $X$ の確率関数 $p_{X}$ は

$\begin{array}{r} p_{X} (k) = P (X = k) \end{array}$

と定義されるのでした．つまり， $X = k$ となる確率を $p_{X} (k)$ と表すことを思い出しておきましょう．

実数 $p$ は $0 < p < 1$ を満たすとする．離散型確率変数 $X$ がパラメータ $p$ のベルヌーイ分布（Bernoulli distribution）に従うとは， $X$ の確率関数 $p_{X}$ が

$\begin{array}{r} p_{X} (1) = p, p_{X} (0) = 1 - p \end{array}$

を満たすことをいう．また，このとき $X \sim Ber (p)$ などと表す．

値１が出ることを便宜上「成功」ということにして，パラメータ $p$ を「成功確率」とよぶことがよくあります．

つまり，ベルヌーイ分布 $Ber (p)$ に従う確率変数 $X$ とは，一定の確率で値１（成功）か値０（失敗）をとるような確率変数のことをいうわけですね．

また，この値１（成功）か値０（失敗）かの試行をベルヌーイ試行ともいいます．

期待値 $E [X]$ ・分散 $V [X]$ ・確率母関数 $G_{X} (s)$

のちに導出するように，ベルヌーイ分布の期待値・分散・確率母関数は次のようになります．

$X \sim Ber (p)$ に対して，期待値 $E [X]$ ，分散 $V [X]$ ，確率母関数 $G_{X} (s)$ は

$\begin{aligned} E [X] = p, V [X] = p (1 - p), G_{X} (s) = s p + 1 - p \end{aligned}$

である．

確率母関数は $G_{X} (s) = E [s^{X}]$ と定義されるので， $s = e^{t}$ と置き換えれば積率母関数

$\begin{array}{r} M_{X} (t) = E [e^{t X}] = e^{t} p + 1 - p \end{array}$

が得られ， $s = e^{i t}$ と置き換えれば特性関数

$\begin{array}{r} ϕ_{X} (t) = E [e^{i t X}] = e^{i t} p + 1 - p \end{array}$

が得られますね．

ベルヌーイ分布の具体例

ベルヌーイ分布に従う確率変数として，コイン・サイコロを具体的に考えます．

具体例１（コイン）： $Ber (\frac{1}{3})$

冒頭で紹介したように，歪んだコイン投げはベルヌーイ分布に従います．

投げると表が確率 $\frac{1}{3}$ で出る歪んだコインを投げ，表が出たとき１点，裏が出たとき０点とする．コインを１回投げたときの点数を確率変数 $X$ とすると， $X$ はどのようなベルヌーイ分布に従うか？

$X$ は０，１のいずれかの値をとる． $X = 1$ となる（表が出る）確率は

$p_{X} (1) = P (X = 1) = P (コインが表) = \frac{1}{3}$

であり， $X = 0$ となる（裏が出る）確率は

$p_{X} (0) = P (X = 0) = P (コインが裏) = 1 - \frac{1}{3}$

である．よって， $X$ はパラメータ $\frac{1}{3}$ のベルヌーイ分布に従う（ $X \sim Ber (\frac{1}{3})$ ）．

具体例２（コイン）： $Ber (\frac{1}{2})$

表裏が均等に出るコインの場合も，同じように点数を考えるとベルヌーイ分布に従います．しかし，成功確率が変わるのでパラメータは変わります．

表裏が均等に出るコインを投げ，表が出たとき１点，裏が出たとき０点とする．コインを１回投げたときの点数を確率変数 $X$ とすると， $X$ はどのようなベルヌーイ分布に従うか？

$X$ は０，１のいずれかの値をとる． $X = 1$ となる（表が出る）確率は

$p_{X} (1) = P (X = 1) = P (コインが表) = \frac{1}{2}$

であり， $X = 0$ となる（裏が出る）確率は

$p_{X} (0) = P (X = 0) = P (コインが裏) = 1 - \frac{1}{2}$

である．よって， $X$ はパラメータ $\frac{1}{2}$ のベルヌーイ分布に従う（ $X \sim Ber (\frac{1}{2})$ ）．

具体例３（サイコロ）： $Ber (\frac{5}{6})$

各目が均等に出る６面サイコロを１回振り，

１，２，３，４，５の目が出たとき１点
６の目が出たとき０点

とする．この点数を確率変数 $X$ とすると， $X$ はどのようなベルヌーイ分布に従うか？

この問題の $X$ は１〜５の目が出たときに成功（値１）．６の目が出たときに失敗（値０）と考える確率変数 $X$ ですね．

１〜６の出目自体は $X$ ではないことに注意してください． $X$ はあくまで点数なので $X = 0$ または $X = 1$ です．

$X$ は０，１のいずれかの値をとる． $X = 1$ となる（１〜５の目が出る）確率は

$p_{X} (1) = P (X = 1) = P (出目が１〜５) = \frac{5}{6} = 1 - \frac{1}{6}$

であり， $X = 0$ となる（６の目が出る）確率は

$p_{X} (0) = P (X = 0) = P (出目が６) = \frac{1}{6}$

である．よって， $X$ はパラメータ $\frac{5}{6}$ のベルヌーイ分布に従う（ $X \sim Ber (\frac{5}{6})$ ）．

ベルヌーイ分布の期待値・分散・確率母関数の導出

ベルヌーイ分布の期待値・分散・確率母関数を求めましょう．

期待値 $E [X]$ の導出

$X \sim Ber (p)$ の期待値は $E [X] = p$ である．

$X$ の期待値 $E [X]$ の定義より

$\begin{aligned} E [X] & = 1 \cdot p_{X} (1) + 0 \cdot p_{X} (0) \\ = 1 \cdot p + 0 \cdot (1 - p) = p \end{aligned}$

である．

分散 $V [X]$ の導出

$X \sim Ber (p)$ の分散は $V [X] = p (1 - p)$ である．

$X$ の分散は $V [X] = E [X^{2}] - E [X]^{2}$ で求まる． $E [X] = p$ は上で求めたから，あとは $E [X^{2}]$ を求めればよい．

$X^{2}$ の期待値 $E [X^{2}]$ は，確率変数の期待値の定義より

$\begin{aligned} E [X^{2}] & = 1^{2} \cdot p_{X} (1) + 0^{2} \cdot p_{X} (0) \\ = 1 \cdot p + 0 \cdot (1 - p) = p \end{aligned}$

となる．よって，

$\begin{array}{r} V [X] = E [X^{2}] - E [X]^{2} = p - p^{2} = p (1 - p) \end{array}$

である．

$1 - p$ は失敗確率なので，ベルヌーイ分布の分散は（成功確率）×（失敗確率）になっています．

確率母関数 $G_{X} (s)$ の導出

$X \sim Ber (p)$ の確率母関数 $G_{X} (s)$ は

$\begin{array}{r} G_{X} (s) = s p + 1 - p \end{array}$

である．

確率母関数 $G_{X} (s)$ の定義より

$\begin{aligned} G_{X} (s) & = E [s^{X}] = s^{1} \cdot p_{X} (1) + s^{0} \cdot p_{X} (0) \\ = s \cdot p + 1 \cdot (1 - p) = s p + 1 - p \end{aligned}$

である．

参考文献

以下は参考文献です．

統計学

[久保川達也著/東京大学出版会]

現代の統計学は社会学・心理学・機械学習など様々な分野に応用されている極めて実学的な分野です．

本書は統計学の基礎を基礎から丁寧に解説した初学者向けのテキストで，大きく

第１部：統計データの整理と記述のための基礎事項
第２部：統計学で必要となる確率の知識
第３部：統計的推測の基礎事項
第４部：社会・経済・時系列データ

の４部構成になっています（本書「はしがき」より）．

著者が大学２年生に向けて行った講義に基づいて書かれており，数理的な計算はしっかり追いつつも分かりやすさを重視した記述になっています．

難易度としては統計検定の２級を少し超えたくらいになっており，部分的には準１級レベルの箇所もあります．

章末問題も豊富にあり，統計検定の２級対策としても利用できます．

さらに，著者による章末問題の略解がウェブにアップロードされているのも独学者にはありがたい点です．

Amazon 楽天市場

ベルヌーイ分布の定義・基本性質

定義（X∼Ber(p)）

期待値E[X]・分散V[X]・確率母関数GX(s)

ベルヌーイ分布の具体例

具体例１（コイン）：Ber(13)

具体例２（コイン）：Ber(12)

具体例３（サイコロ）：Ber(56)

ベルヌーイ分布の期待値・分散・確率母関数の導出

期待値E[X]の導出

分散V[X]の導出

確率母関数GX(s)の導出

参考文献

統計学

コメント

定義（ $X \sim Ber (p)$ ）

期待値 $E [X]$ ・分散 $V [X]$ ・確率母関数 $G_{X} (s)$

具体例１（コイン）： $Ber (\frac{1}{3})$

具体例２（コイン）： $Ber (\frac{1}{2})$

具体例３（サイコロ）： $Ber (\frac{5}{6})$

期待値 $E [X]$ の導出

分散 $V [X]$ の導出

確率母関数 $G_{X} (s)$ の導出