確率分布

確率分布の概要

確率分布とは、確率変数の取り得る値と、それに対する確率を関連付けた関数です。この概念は、統計学における重要な基盤であり、様々な現象をモデル化する際に利用されます。確率変数とは、ランダムな実験や観測の結果を数値として表現したもので、確率分布はこれに対する確率を示します。

例えば、サイコロを2つ振った場合、その出た目の合計は確率変数となります。この時、出た目の和に対する確率を一覧化したものが確率分布です。確率分布はおおまかに「離散型」と「連続型」に分けられます。

離散型確率分布

離散型の場合、確率変数は特定の値しか取り得ないため、確率質量関数（PMF）を用いて確率を定義します。例えば、サイコロの出た目の確率を示す関数は、各出目に対して1/6の確率を持ちます。このように、確率質量関数は特定の値に対する確率を提供するものです。

連続型確率分布

一方、連続型確率変数の場合は、取ることのできる値が連続的であるため、確率密度関数（PDF）を用います。確率密度関数は、ある区間における確率を与えるもので、その確率を求めるためには、対象の区間でのPDFを積分する必要があります。例えば、「次に電話が鳴るまでの時間」を考えた場合、その確率は時間の連続性があるため、特定の時間に鳴る確率は0ですが、時間の区間に対して確率を求めることは可能です。

累積分布関数（CDF）

確率分布を表現するもう一つの重要な関数が、累積分布関数（CDF）です。これは、確率変数が特定の値以下になる確率を表します。CDFは常に右連続であり、離散型の場合はとる値の個数によっては有限の値を持ちます。

連続型の場合、CDFは常に連続していますが、その傾向によって分布の性質が変わるため、各種分布の理解には重要な役割を果たします。たとえば、連続型の確率変数において期待値や分散を計算するには、このCDFやPDFを利用します。

確率変数の関係性

確率分布を理解することは、確率変数間の関係を考える上でも重要です。二つの確率変数が同時に存在する場合、同時分布と呼ばれ、それぞれの変数の関係性を示します。この場合、周辺分布を求めることで、特定の変数の分布に焦点を当てることができます。特に、独立な確率変数同士の和や差については、個々の分布から新たな分布を計算することが可能です。

代表的な確率分布

確率分布は多岐にわたり、例えば正規分布、二項分布、ポアソン分布などがあります。これらの各分布は、特定の条件下でのデータの挙動を示し、平均や分散といった性質が事前に知られていることが多いため、様々な実際の問題に対応可能です。

まとめ

確率分布は、ランダムな現象を定量的に捉えるための強力なツールです。確率変数とその分布を理解することで、実世界の不確実性をより良く評価し、適切な意思決定を行うことが可能となります。

もう一度検索