母関数（Generating Functions）の世界へようこそ！

ようこそ！複雑な確率分布に圧倒されそうになったことはありませんか？この章はそんなあなたにぴったりです。母関数とは、確率変数の「DNAプロファイル」や「デジタル指紋」のようなものだと考えてみてください。面倒で長い確率表や複雑な積分を扱う代わりに、それらの情報をすべて、たった一つのきれいな代数関数の中に詰め込んでしまうのです。

このノートを読み終える頃には、母関数を使うことで、少しの微分計算で分布の平均や分散を求められることがわかるはずです。さらに素晴らしいことに、2つの確率変数の和を求める計算が、ただの「掛け算」に変わります！最初は難しく感じるかもしれませんが、大丈夫です。一つずつ丁寧に見ていきましょう。

1. 母関数とは何か？

簡単に言うと、母関数とは数値の列（確率など）をべき級数の係数として表現する手法です。アクチュアリー統計（CS1）では、主に以下の2種類に注目します。

  1. 積率母関数（MGF: Moment Generating Function）：離散型と連続型の両方の変数に使われます。
  2. 確率母関数（PGF: Probability Generating Function）：主に0, 1, 2...といった非負の整数値をとる離散型変数に使われます。

たとえ話：スーツケース
たくさんの荷物（確率や積率）を持ち運ばなければならない状況を想像してください。バラバラに抱えて運ぶのは大変ですよね。でも、一つのスーツケース（母関数）に詰め込めばすっきりします。必要なときは、そのスーツケースを特定のルールで「開ける」だけで、中身を取り出せるのです！

クイック復習：
母関数は、確率変数 \( X \) に関する重要な情報をすべて詰め込んだ、数学的な「ラッピング（包み紙）」に過ぎません。

2. 確率母関数（PGF）

PGFは、\( 0, 1, 2, \dots \) といった値をとる離散型確率変数のために特別に設計されています。

確率変数 \( X \) のPGF \( G_X(s) \) は、以下のように定義されます。
\( G_X(s) = E[s^X] = \sum_{k=0}^{\infty} P(X=k)s^k \)

なぜこれが便利なのか？
和を展開してみると、このようになります。
\( G_X(s) = P(X=0)s^0 + P(X=1)s^1 + P(X=2)s^2 + \dots \)
\( X \) が \( k \) となる確率は、単に \( s^k \) の前にある係数を見るだけでわかります。PGFさえあれば、その分布のあらゆる確率を手に入れたも同然なのです！

豆知識：
PGFの中の "s" には、現実世界での特定の意味はありません。ただのプレースホルダー（ダミー変数）であり、確率をべき乗によって整理整頓するために使われているだけです。

重要項目：PGFから平均と分散を求める

PGFから平均（期待値）を求めるには、微分をしてから \( s = 1 \) を代入します。
1. \( E[X] = G'_X(1) \)
2. \( E[X(X-1)] = G''_X(1) \)
3. これらを使って、分散は次のように求められます： \( Var(X) = G''_X(1) + G'_X(1) - [G'_X(1)]^2 \)

よくある間違い：微分をした後に \( s=1 \) を代入するのを忘れてしまう学生が非常に多いです。常に覚えておいてください。微分は「式」を導き出すためのもので、積率を得るにはその式に \( s=1 \) を代入する必要があるのです！

3. 積率母関数（MGF）

MGFはアクチュアリー統計における「力仕事担当」です。正規分布、指数分布、ガンマ分布など、ほぼすべての分布で利用できます。

確率変数 \( X \) のMGF \( M_X(t) \) は、以下のように定義されます。
\( M_X(t) = E[e^{tX}] \)

計算方法：
離散型の場合： \( M_X(t) = \sum e^{tx} P(X=x) \)
連続型の場合： \( M_X(t) = \int_{-\infty}^{\infty} e^{tx} f(x) dx \)

なぜ「積率（Moment）」母関数と呼ぶのか？

この関数を使って分布の積率（平均、\( E[X^2] \), \( E[X^3] \) など）を「生成」できるからです。
\( n \) 次の積率（\( E[X^n] \)）を求めるには：
1. \( M_X(t) \) を \( t \) で \( n \) 回微分します。
2. \( t = 0 \) を代入します。

平均を求めるステップ：
1. \( M'_X(t) \) を求めます。
2. \( E[X] = M'_X(0) \)。
3. 分散を求めるには、\( M''_X(0) \)（これが \( E[X^2] \) になります）を求め、標準的な公式 \( Var(X) = E[X^2] - (E[X])^2 \) を使います。

重要なポイント： MGFを使うと、積分や和の計算が微分の問題に変換されます。微分の方が圧倒的に解きやすいことが多いのです！

4. MGFの重要な性質

IFoA（英国アクチュアリー会）の試験でMGFが輝くのは、まさにここからです。以下の2つの性質は得点源になります！

性質1：線形変換

新しい確率変数 \( Y = aX + b \) があるとき、\( Y \) のMGFは以下のようになります。
\( M_Y(t) = e^{bt} M_X(at) \)

例： \( X \) のMGFを知っていて \( 3X + 5 \) のMGFが必要な場合、元のMGFの \( t \) を \( 3t \) に置き換え、全体に \( e^{5t} \) を掛けるだけです。

性質2：独立な確率変数の和

これは母関数の「魔法」です。\( X \) と \( Y \) が独立な確率変数であり、\( Z = X + Y \) のとき：
\( M_Z(t) = M_X(t) \times M_Y(t) \)

暗記のコツ：「現実世界」で独立な変数を足し合わせることは、「母関数の世界」でそれらのMGFを掛け合わせることと同じです。密度関数同士で「畳み込み」という複雑な数学的操作を行うよりも、関数を掛け算する方がずっと簡単ですよね！

5. 一意性と一般的なMGF

CS1で最も重要なルールのひとつに一意性定理（Uniqueness Theorem）があります。もし2つの確率変数が同じMGFを持つなら、それらは必ず同じ分布に従う、というものです。1対1の対応関係があるのです。

試験中、2つのMGFを掛け算した結果がポアソン分布のMGFと全く同じ形になったら、自信を持って「その和はポアソン分布に従う」と答えて大丈夫です。

クイック復習：覚えておくべき一般的なMGF
- ポアソン分布(\( \lambda \)): \( M_X(t) = \exp(\lambda(e^t - 1)) \)
- 指数分布(\( \lambda \)): \( M_X(t) = \frac{\lambda}{\lambda - t} \) （ただし \( t < \lambda \)）
- 正規分布(\( \mu, \sigma^2 \)): \( M_X(t) = \exp(\mu t + \frac{1}{2}\sigma^2 t^2) \)

6. まとめと最終アドバイス

母関数は、私たちの生活を楽にするためのツールに過ぎません。確率を直接計算する代わりに、「変換領域」で計算を行うことで、数学をよりシンプルにできるのです。

  • PGFは離散型の整数値用： \( E[s^X] \)。積率には \( s=1 \) を代入。
  • MGFはすべて用： \( E[e^{tx}] \)。積率には \( t=0 \) を代入。
  • 独立性が鍵： 独立な場合のみ、MGF同士を掛け算できます。
  • 線形性： \( M_{aX+b}(t) = e^{bt}M_X(at) \)。

最後に：
代数計算が最初は怖そうに見えても心配しないでください。上に挙げた一般的なMGFを微分する練習をしてみましょう。「微分して0を代入する」というルーチンに慣れてしまえば、これらはCS1の試験で最も予測可能な得点源問題になるはずです！