逆関数法

逆関数法（ぎゃくかんすうほう、英: inversion method, inverse transform method）とは、累積分布関数の逆関数を用いて、標準一様分布に従う確率変数から、所望の分布に従う確率変数を生成させる方法[1][2][3]。逆関数サンプリング法（ぎゃくかんすうサンプリングほう、英: inverse transform sampling）とも呼ばれる。計算機シミュレーションにおいて、一様分布に従う乱数から、所望の乱数を生成させるのに用いられる。

逆関数法の概念図。

F (x)

を確率変数

X

の従う確率分布の累積分布関数とし、

U

を標準一様分布に従う確率変数とする。このとき、確率変数

F -1 (U)

は

X

と同じ確率分布に従う。

方法

累積分布関数の逆関数

F -1 (y)

の定義。一般に

F (x)

は逆関数を持つとは限らないが、右連続かつ単調非減少であり、

F -1 (y)=inf{x : F (x) \geq y

} で定義することができる。

$X$ を生成させたい確率分布に従う確率変数とし、 $F (x) =Pr{X \leq x}$ をその累積分布関数とする。 $y = F (x)$ が連続な単調増加関数であれば、逆関数 $F -1 (y)$ が存在する。 $U$ を $[0,1)$ 上の一様分布に従う確率変数とすると、

X:=F^{-1}(U)

は累積分布関数 $F (x)$ をもつ確率分布に従う確率変数となる。実際、これは

\mathrm {Pr} \{F^{-1}(U)\leq x\}=\mathrm {Pr} \{U\leq F(x)\}=F(x)

であることから確認できる。

一般に $F (x)$ は右連続な単調非減少関数であり、通常の意味での逆関数が存在するとは限らないが、その逆関数 $F -1 (y)$ を

F^{-1}(y):=\inf {\{x|F(x)\geq y\}},\quad 0\leq y\leq 1

で定義すれば、同様な結果が得られる[1][2]。このように、一様分布に従う確率変数 $U$ と累積分布関数の逆関数 $F - 1 (y)$ から所望の分布に従う確率変数 $X = F - 1 (U)$ を生成させる方法を逆関数法という。逆関数法は、原理的には連続分布、離散分布に適用可能であるが、必ずしも逆関数が容易にも求まるとは限らず、また高速な乱数生成が得られるとは限らない[2]。

例

指数分布

期待値を $μ > 0$ とする指数分布の累積分布関数

F(x)=1-e^{-x/\mu }

に対し、逆関数は

F^{-1}(y)=-\mu \ln {(1-y)}

であり、

X=-\mu \ln {(1-U)}

となる。 $1 - U$ も標準一様分布に従うため、高速化のために $1 - U$ を $U$ で置き換えた

X=-\mu \ln {(U)}

を使うことができる。この場合、 $U =0$ での処理に注意する必要がある。

コーシー分布

尺度母数を $σ > 0$ とするコーシー分布の累積分布関数

F(x)={\frac {1}{2}}+{\frac {1}{\pi }}\arctan {\frac {x}{\sigma }}

に対し、その逆関数は

F^{-1}(y)=\sigma \tan {\pi \left(y-{\frac {1}{2}}\right)}

であり、

X=\sigma \tan {\pi \left(U-{\frac {1}{2}}\right)}

となる。

離散分布

離散分布に従う確率変数 $X$ についても、累積分布関数の逆関数を $F - 1 (y)=inf{x | F (x) \geq y}$ と定義することで、逆関数法を適用できる[2]。値 $x 1, x 2, \dots,$ を取る確率が $p 1, p 2, \dots,$ である離散分布において、

\sum _{i=1}^{k-1}{p_{i}}<y\leq \sum _{i=1}^{k}{p_{i}}

が満たされるならば、

F^{-1}(y)=x_{k}

であるから、

X=x_{k},\quad \mathrm {if} \,\,\sum _{i=1}^{k-1}{p_{i}}<U\leq \sum _{i=1}^{k}{p_{i}}

となる。但し、この方法は $X$ の取りうる値が多いと大小関係の評価時間がかかり、高速化には不向きである。

一覧

逆関数が陽に求まり、逆関数法が直接適用できる連続分布として、以下の例がある[4]。

分布	$F(x)$	$X=F^{-1}(U)$
指数分布（平均値： $μ >0$ ）	$1-\exp {\left(-{\frac {x}{\mu }}\right)},\quad x\geq 0$	$-\mu \ln {(1-U)}$
ワイブル分布（尺度母数： $η >0$ 、形状母数： $β >0$ ）	$1-\exp {\left(-\left({\frac {x}{\eta }}\right)^{\beta }\right)},\quad x\geq 0$	$\eta ((-\ln {(1-U)})^{1/\beta }$
ガンベル分布（尺度母数： $η >0$ 、位置母数： $- \infty < μ <+ \infty$ ）	$\exp {\left(-\exp {\left(-\left({\frac {x-\mu }{\eta }}\right)\right)}\right)},\quad -\infty <x<+\infty$	$\mu -\eta \ln {(-\ln {U})}$
コーシー分布（尺度母数： $η >0$ ）	${\frac {1}{2}}+{\frac {1}{\pi }}\arctan {\frac {x}{\eta }},\quad -\infty <x<+\infty$	$\eta \tan {\pi \left(U-{\frac {1}{2}}\right)}$
ロジスティック分布（尺度母数： $η >0$ 、位置母数： $- \infty < μ <+ \infty$ ）	${\frac {1}{1+\exp {\left(-{\frac {x-\mu }{\eta }}\right)}}},\quad -\infty <x<+\infty$	$\mu +\eta \ln {\left({\frac {U}{1-U}}\right)}$
パレート分布（尺度母数： $b >0$ 、形状母数： $a >0$ ）	$1-\left({\frac {b}{x}}\right)^{a},\quad x\geq b$	${\frac {b}{(1-U)^{1/a}}}$

積分や逆関数を求めるのが困難な場合

逆関数サンプリング法では与えられた確率分布の累積分布関数とその逆関数を計算する必要がある。それらの関数の解析解が既知である場合は、単純なプログラムで与えられた分布に従う擬似乱数を生成することができる。しかしこれらを解析的に求めるのは困難な場合もある。

求根アルゴリズムを使用する方法

確率密度関数を数値積分して累積分布関数の F(x) を求め、F(x) = u は F(x) - u = 0 の事なので求根アルゴリズム（ニュートン法など）で x を求めてサンプリングする方法もある。F(x) - u の導関数は P(x) なので、それを求根アルゴリズムでは使用できる。

区分的線形累積分布関数を使用する方法

確率密度関数から区分的線形累積分布関数を作り、そこから求める方法もある[5]。

同時確率分布の場合

条件付き確率の定義 P(A, B) = P(B | A) P(A) を使い、単変量サンプリング問題に分割し、A → B と順番にサンプリングする方法もある。ただし、問題によっては、マルコフ連鎖モンテカルロ法などの他のサンプリング法を使用した方が良い場合もある。

正規分布の場合

正規分布に従う擬似乱数の生成法としては、ボックス＝ミュラー法などが知られる。正規分布の分位関数は解析的に求められないが、分位関数の多項式近似を用いた逆関数法でも十分に精度よく正規分布に従う擬似乱数を生成することができ、実際にR言語では正規分布に従う擬似乱数の生成に逆関数サンプリング法が使われている[6]。計算が高速な手法としてはジッグラト法がある。

出典

参考文献

Luc Devroye (1986). Non-Uniform Random Variate Generation. Springer-Verlag. ISBN 978-3540963059
伏見正則『乱数』東京大学出版会〈UP応用数学選書〉、1989年。ISBN 4-13-064072-0。
四辻哲章『計算機シミュレーションのための確率分布乱数生成法』プレアデス出版、2010年。ISBN 978-4903814353。

確率分布
離散単変量で有限台	ベンフォードベルヌーイベータ二項二項 categorical 超幾何ポワソン二項ラーデマッハ離散一様ジップジップ–マンデルブロー
離散単変量で無限台	ベータ負二項ボレルコンウェイ–マクスウェル–ポワソン離散位相型ドラポルト拡張負二項ガウス–クズミン幾何対数負の二項放物フラクタルポワソンスケラムユール–サイモンゼータ
連続単変量で有界区間に台を持つ	逆正弦 ARGUS バルディング–ニコルスベイツベータ beta rectangular アーウィン–ホールクマラスワミーロジット-正規非中心ベータ raised cosine reciprocal 三角 U-quadratic 一様ウィグナー半円
連続単変量で半無限区間に台を持つ	ベニーニベンクタンダー第一種ベンクタンダー第二種第2種ベータ Burr カイ二乗カイ Dagum デービス指数-対数アーラン指数 F folded normal Flory–Schulz フレシェガンマ gamma/Gompertz 一般逆ガウス Gompertz half-logistic half-normal Hotelling's T-squared 超アーラン超指数 hypoexponential 逆カイ二乗 scaled inverse chi-squared 逆ガウス逆ガンマコルモゴロフレヴィ対数コーシー対数ラプラス対数ロジスティック対数正規ロマックス行列指数マクスウェル–ボルツマンマクスウェル–ユットナーミッタク-レフラー仲上非心カイ二乗パレート位相型 poly-Weibull レイリー relativistic Breit–Wigner ライス shifted Gompertz 切断正規タイプ2ガンベルワイブル離散ワイブルウィルクスのラムダ
連続単変量で実数直線全体に台を持つ	コーシー指数冪フィッシャーの z ガウスの q 一般正規一般化双曲型幾何安定ガンベルホルツマルク双曲線正割ジョンソンの S_U ランダウラプラス非対称ラプラスロジスティック非心 t 正規 (ガウス) 正規逆ガウス歪正規スラッシュ安定スチューデントの t タイプ1ガンベルトレイシー–ウィダム分散ガンマフォークト
連続単変量でタイプの変わる台を持つ	一般極値一般パレートマルチェンコ–パストゥール q-指数 q-ガウス q-ワイブル shifted log-logistic トゥーキーのラムダ
混連続-離散単変量	rectified Gaussian
多変量 (結合)	【離散】エウェンズ多項ディリクレ多項負多項【連続】ディリクレ一般ディリクレ多変量正規多変量安定多変量 t 正規逆ガンマ正規ガンマ【行列値】逆行列ガンマ逆ウィッシャート行列正規行列 t 行列ガンマ正規逆ウィッシャート正規ウィッシャートウィッシャート
方向	【単変量 (円周) 方向】円周一様単変数フォン・ミーゼス wrapped 正規 wrapped コーシー wrapped 指数 wrapped 非対称ラプラス wrapped レヴィ【二変量 (球面)】ケント【二変量 (トロイダル)】二変数フォン・ミーゼス【多変量】フォン・ミーゼス–フィッシャービンガム
退化と特異	【退化】ディラックのデルタ関数【特異】カントール
族	円周混合ポワソン楕円指数自然指数位置尺度最大エントロピー混合ピアソントウィーディ wrapped
サンプリング法	逆関数サンプリング法マルコフ連鎖モンテカルロ法（メトロポリス・ヘイスティングス法・ギブスサンプリング・スライスサンプリング）粒子フィルタボックス＝ミュラー法棄却サンプリングジッグラト法マルサグリア法
一覧カテゴリ