この問題では、確率変数の変数変換について理解を深めます。特に一様分布から指数分布への変換は、モンテカルロシミュレーション、乱数生成、統計物理学など幅広い分野で活用される技術です。
変数変換法
変数変換法（Transformation Method）は、既知の分布を持つ確率変数から、異なる分布を持つ確率変数を構築する基本的技術で、確率論と数値解析の境界領域で役割を果たします。
Step 1: 変数変換の理論的基礎
確率変数$X$から$Y = g(X)$への変換において、$g$が単調関数の場合：
$f_Y(y) = f_X\left(g^{-1}(y)\right) \left|\frac{d}{dy}g^{-1}(y)\right|$
この公式は測度論における変数変換公式（Change of Variables Formula）の確率版で、以下の要素から構成されます：
- $f_X$：元の確率密度関数
- $g^{-1}$：変換関数の逆関数
- $\left|\frac{d}{dy}g^{-1}(y)\right|$：ヤコビアン（変換による「伸縮率」）
ヤコビアンの幾何学的意味
ヤコビアンは変換による面積・体積の変化率を表します：
- 測度保存性：確率密度の総積分が1に保たれる
- 局所変化率：各点での「確率密度の濃縮・希釈」
- 絶対値：向きに関係なく面積変化のみを考慮
Step 2: 具体的変換の分析
与えられた変換： $Y = -2\ln X$
この変換は逆指数変換（Inverse Exponential Transform）と呼ばれます。
逆関数の導出：
$\begin{align}Y &= -2\ln X \\\ln X &= -\frac{Y}{2} \\X &= e^{-Y/2}\end{align}$
したがって、$g^{-1}(y) = e^{-y/2}$
Step 3: ヤコビアンの詳細計算
逆関数の微分を計算：
$\frac{d}{dy}g^{-1}(y) = \frac{d}{dy}e^{-y/2} = -\frac{1}{2}e^{-y/2}$
ヤコビアンの絶対値：
$\left|\frac{d}{dy}g^{-1}(y)\right| = \left|-\frac{1}{2}e^{-y/2}\right| = \frac{1}{2}e^{-y/2}$
Step 4: 一様分布の特性
$X \sim U(0,1)$の確率密度関数：
$f_X(x) = \begin{cases} 1 & \text{if } 0 < x < 1 \\ 0 & \text{otherwise} \end{cases}$
定義域の変換：
- $X \in (0, 1)$のとき
- $Y = -2\ln X \in (0, \infty)$
- $x \to 0^+$のとき$y \to +\infty$
- $x \to 1^-$のとき$y \to 0^+$
Step 5: 変換後の確率密度関数
変数変換公式を適用：
\begin{align}f_Y(y) &= f_X(e^{-y/2}) \cdot \frac{1}{2}e^{-y/2} \\&= 1 \cdot \frac{1}{2}e^{-y/2} \quad (y > 0) \\&= \frac{1}{2}e^{-y/2}\end{align}
指数分布の生成
得られた$f_Y(y) = \frac{1}{2}e^{-y/2}$は、パラメータ$\lambda = \frac{1}{2}$の指数分布$\text{Exp}(1/2)$です。
| 特性 | 一般形 | 今回の場合 |
|---|
| 確率密度 | $\lambda e^{-\lambda y}$ | $\frac{1}{2}e^{-y/2}$ |
| 期待値 | $\frac{1}{\lambda}$ | $2$ |
| 分散 | $\frac{1}{\lambda^2}$ | $4$ |
Step 6: 具体的数値計算
$y = 1$での値を計算：
\begin{align}f_Y(1) &= \frac{1}{2}e^{-1/2} \\&= \frac{1}{2} \cdot e^{-0.5} \\&= \frac{1}{2} \cdot 0.6065 \\&= 0.303\end{align}
変数変換の応用
Step 7: モンテカルロシミュレーション
この変換$Y = -2\ln X$は、逆変換法（Inverse Transform Method）の典型例で、コンピュータによる乱数生成の基本技術です：
アルゴリズム：
- 一様乱数$U \sim U(0,1)$を生成
- $Y = -2\ln U$を計算
- $Y$は$\text{Exp}(1/2)$に従う乱数
理論的発展と一般化
Step 8: より一般的な変換
この手法は、より複雑な分布生成にも拡張できます：
Box-Muller変換： 一様分布 → 正規分布
$Z_1 = \sqrt{-2\ln U_1}\cos(2\pi U_2), \quad Z_2 = \sqrt{-2\ln U_1}\sin(2\pi U_2)$
一般化逆変換法： 累積分布関数の逆関数を利用
$Y = F^{-1}(U) \quad \text{where } U \sim U(0,1)$
示唆：
変数変換は、単純な一様分布から、指数分布、正規分布、ガンマ分布など、あらゆる分布を生成できる技術です。この例で示した$Y = -2\ln X$変換は、その基本的な例の一つであり、数値計算やシミュレーション技術の基盤となっています。