確率論において「母関数」と呼ばれるものにはいくつか種類があります。代表的なのが
- 確率母関数（PGF）
- 積率母関数（MGF）
- 特性関数（CF）
の3つです。いずれも確率分布を別の形で表現する道具ですが、定義や使いどころに違いがあります。
なぜ必要？
「確率分布そのものを“関数として扱える”ようにすることで、複雑な確率問題を“計算可能な形”に変換する道具」
です。ここが腑に落ちると、一気に価値が見えてきます！
なぜ「分布 → 関数」にするのか
確率分布そのものは扱いにくいです。「 和をとる → 面倒」、「 極限を考える → さらに面倒」、「 分布同士の比較 → 直感的でない」
そこで、関数に変換すると、普通の解析（微分・積分・極限）が使えるようになります。
① 分布の「足し算」を簡単にします。
普通にやると独立な確率変数 \(X\), \(Y\) の和は、とても面倒なのですが特性関数なら、
$$\phi_{X+Y}(t) = \phi_X(t)\phi_Y(t)$$
というように掛け算になり計算がとても楽になります。例えば、中心極限定理の証明や独立和の分布解析、ノイズの重ね合わせなどの際に活用されます。
② 分布の「収束」を扱える
特性関数に変換することで関数の収束が分布の収束を計算することと同義となり、中心極限定理、弱収束、極限定理全般を語る上で非常に楽になります。
③ 分布を一意に表現できる
確率母関数（PGF）、積率母関数（MGF）、特性関数（CF）どれも分布と1対1対応しています。つまり、「関数が一致する = 分布が同じ」です。これを利用することで、「分布の同一性証明」、「極限分布の特定」、「理論的証明の簡略化」が可能となります。
④ モーメントだけでなく「構造」を扱える
期待値・分散は副産物です。これらは分布の構造を圧縮して保持しているとも捉えられます。積率母関数（MGF）のテイラー展開を考えると、
$$M_X(t) = 1 + E[X]t + \frac{E[X^2]}{2!}t^2 + \cdots$$
とモーメント全部が入っています。
⑤ 離散分布では「組合せ問題」に強い（PGF）
数え上げ問題を扱う際に相性が良いです。
なぜ3種類もあるのか（役割の違い）
| 関数 | 主な用途・特徴 |
|---|---|
| 確率母関数（PGF） | 離散・整数値、組み合わせ、再帰に強い |
| 積率母関数（MGF） | モーメント、微分で期待値が出る |
| 特性関数（CF） | 最も一般的、常に存在・収束に強い |
確率母関数（PGF）
確率変数 \(X\) が 非負整数値（\(0,1,2,\cdots \)）を取るとき、確率母関数は
$$G_X(s) = \mathbb{E}[s^X] \cdots ※1$$
と定義されます。離散分布で書けば、
$$G_X(s) = \sum_{k=0}^{\infty} P(X=k) s^k$$
となります。
- 非負整数値をとる離散分布にのみ定義できる
- 展開係数がそのまま確率になる
- 微分することで平均や分散が求められる
例えば、
\(G’_X(1) = \mathbb{E}[X]\)
（解説）※1 より
\(G_X(s) = \mathbb{E}[s^X]\)
\(G’_X(s) = \mathbb{E}[Xs^{X-1}]\)
\(G’_X(1) = \mathbb{E}[X]\)
が成り立ちます。
積率母関数（MGF）
確率変数 \(X\) に対し、
$$M_X(t) = \mathbb{E}[e^{tX}]$$
と定義されます。
- 離散・連続どちらにも定義可能
- 微分するとモーメント（積率）が得られる
- すべての分布で存在するとは限らない
例えば、
$$M’_X(0) = \mathbb{E}[X], \quad M”_X(0) = \mathbb{E}[X^2] \cdots ※2$$
（解説）※2 より
\(M_X(t) = \mathbb{E}[e^{tX}]\)
\(M’_X(t) = \mathbb{E}[Xe^{tX}]\)
\(M’_X(0) = \mathbb{E}[X]\)
\(M”_X(t) = \mathbb{E}[X^2e^{tX}]\)
\(M”_X(0) = \mathbb{E}[X^2]\)
です。つまり、MGFは「積率を生成する関数」です。
特性関数（CF）
確率変数 \(X\) の特性関数は
$$\varphi_X(t) = \mathbb{E}[e^{itX}]$$
と定義されます。ここで \(i\) は虚数単位です。
- すべての確率分布で必ず存在する
- フーリエ変換と本質的に同じ
- 極限定理などで重要な役割を持つ
MGFとの違いは、指数の中が \(tX\) ではなく \(itX\) になっている点です。
具体例（ポアソン分布）
確率変数 \(X\) がポアソン分布 \(\text{Poisson}(\lambda)\) に従うとします。
$$P(X=k) = \frac{\lambda^k e^{-\lambda}}{k!}$$
確率母関数
※3 マクローリン展開を使うと、\(\displaystyle\sum_{k=0}^\infty \frac{1}{k!}=e\) となることがわかります。
積率母関数
同様に計算すると、
特性関数
こちらも同様に計算すると、
見えてくる関係性
実は、「PGFはMGFの変数変換版」、「CFはMGFの \(t \to it\) 版」という関係があります。ポアソン分布の場合、
$$G_X(s) = e^{\lambda (s-1)}$$
に対して、
$$M_X(t) = G_X(e^t)$$
が成り立ちます。
まとめ
- 確率母関数（MGF）は非負整数分布専用の「確率の生成関数」
- 積率母関数（PGF）はモーメントを生み出す関数
- 特性関数（CF）は常に存在し、理論的に最も強力
3つはいずれも「分布を別の関数で表現する道具」ですが、
- 実用的な計算 → MGF
- 離散分布の構造解析 → PGF
- 極限定理・理論解析 → CF
という住み分けがあります。ポアソン分布の例からもわかるように、形は非常によく似ていますが、適用範囲や理論的な強さに違いがあるのがポイントです。
おわりに
さいごまで読んでいただきありがとうございました！
- 大学受験数学で困っている学生の方
- 公務員試験の数学で困っている学生/社会人の方
- 統計学（統計検定）の勉強で困っている学生/社会人の方
個人家庭教師やってるので、ぜひコメントやXでご連絡ください。（Xはこちら）
時間や料金などは相談して決められればと思っておりますが、塾に通うよりは高コスパかなと思います。また、基本的にはオンラインでの授業を想定していますが、場所によっては直接の指導が可能です。（プロフィール）
これまでは塾講師や高校で働いていたのですが、現在はデータサイエンティストとして活動しています。社会やビジネスで数学がどのように使われているのか、そういった話も交えながら進められればと思っております。
数学に困っている方の一助になれれば幸いです。
ご連絡お待ちしております。
質問や感想はコメントへ！