1 区間確率の基本
1.1 定義と記法
1.1.1 非厳密・厳密不等号の違い
区間確率は、確率変数 \(X\) がある区間に入る事象の確率として定義されます。このとき境界を含むか否かは不等号で指定されます。たとえば \(a \le X \le b\) は境界点も含める指定であり、\(a < X < b\) は境界点を除く指定です。連続型分布では境界点の確率が通常 0 になるため、厳密・非厳密の差は区間確率に影響しないことが多いです。一方、離散型では境界に一致する値に正の確率があるため、差が結果に現れやすくなります。
1.1.2 一般形（片側区間・両側区間）
区間確率は、片側（片端）の条件と両側（両端）の条件に分けて書かれることが多いです。片側では \(P(X \le b)\)、\(P(X \ge a)\)、より一般に \(P(X < b)\)、\(P(X > a)\) の形が用いられます。両側では \(P(a \le X \le b)\)、\(P(a < X < b)\) といった形になります。両側区間は「下限と上限の両方を満たす」確率であり、片側区間は「片方の条件だけを課す」確率です。
1.2 理解のための直観
1.2.1 離散型：区間内の和
離散型確率変数では、区間に入る可能な値を列挙し、それらの確率を合計することで区間確率が得られます。たとえば \(X\) が取り得る値の集合が \(\{x_1,x_2,\dots\}\) であり、区間条件によって対象になる値が絞り込めるとき、区間確率はその対象集合上の確率質量関数の総和です。境界に一致する値を含めるかどうかで対象集合が変わり、結果も変化します。
1.2.2 連続型：区間内の面積
連続型では確率は「高さ（確率密度）」と「幅」の積として考えられ、区間確率は確率密度関数のグラフのうち指定範囲に対応する面積として理解されます。密度の値はそのまま確率ではなく、幅と組み合わせたときに初めて確率になります。区間の長さや密度の大きさが増減に関与するため、区間を狭めたり広げたりすると確率が連続的に変わる性質が現れます。
1.3 累積分布関数との関係
1.3.1 片側確率の表し方
累積分布関数 \(F(x)=P(X\le x)\) を用いると、片側の区間確率は直接書き換えられます。たとえば \(P(X\le b)=F(b)\) です。右側の片側確率も補集合を使って表現でき、\(P(X>b)=1-P(X\le b)=1-F(b)\) といった形になります。さらに \(P(X\ge a)\) も \(1-F(a^-)\) のように下側の累積を参照して求めます。連続型であれば \(a^-\) と \(a\) の差が結果に影響しない場合が多いです。
1.3.2 両側確率の基本式
両側の区間確率は、累積分布関数の差で表せます。典型的には \[ P(a<X\le b)=F(b)-F(a) \] のように、下側の累積を引くことで上側までの確率を取り出します。厳密・非厳密の指定に応じて境界の扱い（\(a\) を含むか、含まないか）がわずかに変わり、離散型では同じ形でも境界点の確率が含まれるか否かが変化します。連続型では多くのケースで差が消え、同一視できる場面が増えます。
2 代表的な計算方法
2.1 連続型の区間確率
2.1.1 積分による計算
2.1.1.1 確率密度関数からの導出
連続型で確率密度関数 \(f(x)\) が与えられているとき、区間確率は区間上の積分として計算します。たとえば \(P(a \le X \le b)\) は \[ \int_a^b f(x)\,dx \] の形になります。厳密に \(P(a < X < b)\) としても、連続型では境界点の寄与が 0 のため同じ値になることが一般的です。密度が与えられていない場合でも、累積分布関数が既知であれば差分によって求められますが、密度から直接積分する方法は基本形として整理されます。
2.1.2 一部区間の扱い（上限・下限）
上限だけを指定する場合は「左側に広げてから差を取る」考え方が便利です。たとえば \(P(X \le b)=\int_{-\infty}^b f(x)\,dx\) のように書けます。同様に \(P(X \ge a)=\int_a^{\infty} f(x)\,dx\) となります。数値計算では、積分区間を十分に広げる必要がある場合や、分布の裾（テール）に注意が要る場合があります。区間の片側を無限へ拡張した計算は、理論上は正当化されますが、実装時には打ち切り誤差が論点になることがあります。
2.2 離散型の区間確率
2.2.1 確率質量関数の和
離散型では確率質量関数 \(p(x)=P(X=x)\) を用い、区間条件を満たす値の集合で総和を取ります。たとえば \(P(a \le X \le b)\) は \[ \sum_{x\in\mathcal{S}} p(x) \] で与えられます。ここで \(\mathcal{S}\) は区間条件を満たす取り得る値の集合です。区間の指定が厳密に境界を除外するか否かで、集合 \(\mathcal{S}\) が変わるため計算結果も変化します。
2.2.2 範囲の境界にある値の扱い
境界 \(a\) や \(b\) に対応する値が離散変数の取り得る範囲に含まれているとき、\(a \le X\) と \(a<X\) の差は境界点の確率を含めるかどうかに帰着します。たとえば \(a\) が取り得る値であれば、\(P(X\ge a)\) は \(P(X>a)\) に比べて \(P(X=a)\) 分だけ大きくなります。したがって離散型では、不等号の向きと含有条件を慎重に読み替えることが重要になります。計算では条件に基づき対象の値を確実に選別する手順が有効です。
2.3 標準化と分布表の利用
2.3.1 標準正規への変換
正規分布 \(X\sim N(\mu,\sigma^2)\) に対しては、変数変換により標準正規 \(Z\sim N(0,1)\) を使った計算が可能です。代表的には \[ Z=\frac{X-\mu}{\sigma} \] により、たとえば \(P(X\le b)\) は \(P\!\left(Z\le \frac{b-\mu}{\sigma}\right)\) に置き換わります。この変換によって、複数の平均・分散のケースを同じ分布表（または累積分布関数の値）で扱えるようになります。分布表を使う場合は標準化後の値を手掛かりに累積確率を読み取ることが基本です。
2.3.2 導出の手順と注意点
標準化では、(1) 変数変換で不等式が維持されるか、(2) 平均と分散が正しく対応しているか、(3) 片側・両側のどちらの確率を求めたいか、を確認します。不等号の向きは通常、正の標準偏差 \(\sigma\) で割る限り変わりませんが、まれに別の形の変形を行うと向きが入れ替わることがあります。また、両側確率を求める際には「中心からの距離」や「左右の領域のどちらを合算するか」を明確にする必要があります。分布表や計算機では、小数点以下の読み取り誤差や丸めによる差が生じうるため、精度要件に応じて桁を合わせることが望まれます。
3 分布別の具体例
3.1 一様分布の場合
3.1.1 連続一様での区間確率
連続一様分布 \(X\sim U(\alpha,\beta)\) では、密度が区間内で一定です。密度は \(f(x)=\frac{1}{\beta-\alpha}\)（区間外は 0）となるため、区間 \([a,b]\) が \([\alpha,\beta]\) の内部に含まれる場合、区間確率は \[ P(a\le X\le b)=\frac{b-a}{\beta-\alpha} \] となります。区間が一部だけ重なる場合は、重なっている長さの割合に置き換えるのが基本です。直観的には「指定範囲の長さを全体の長さで割った値」が確率になります。
3.2 正規分布の場合
3.2.1 Zスコアによる計算
正規分布の区間確率は標準化して累積分布関数を使うのが常套手段です。たとえば \(P(X\le b)\) は \[ P\left(Z\le \frac{b-\mu}{\sigma}\right) \] で計算でき、標準正規の累積確率値として求まります。計算機を用いる場合は、累積分布関数の評価が直接行えることが多いです。手計算では Zスコアを分布表に照合し、必要な片側確率を読み取ります。
3.2.2 両側区間と片側区間
| 片側では片端の閾値に対する累積を扱えばよいのに対し、両側では左右どちらも条件に含まれる形を整理します。たとえば \(P( | X-\mu | \le c)\) のような形は、\(\mu-c\le X\le \mu+c\) と同値であるため、その両端を標準化して差分で求まります。また \(P(X\ge a)\) は \(1-P(X<a)\) を使うと片側の情報から作れます。これらは「求めたい事象を補集合に分解する」「左右の領域を足し合わせる」ことで整理されます。 |
|---|
3.3 二項分布・ポアソン分布の場合
3.3.1 数え上げとしての区間確率
二項分布 \(X\sim \mathrm{Bin}(n,p)\) では、区間確率は成功回数が指定範囲に入る確率として、対応する確率質量関数の和で得られます。具体的には \[ P(a\le X\le b)=\sum_{k=a}^{b} \binom{n}{k}p^k(1-p)^{n-k} \] という形になります。ポアソン分布 \(X\sim \mathrm{Pois}(\lambda)\) でも同様に、質量関数 \(P(X=k)=e^{-\lambda}\lambda^k/k!\) を範囲で合算します。これらは「離散事象を数える」構造と一致しており、境界指定の厳密さが結果に反映されます。
3.3.2 近似（正規近似・連続補正の考え方）
離散分布の区間確率は、範囲が広いと和の計算が煩雑になることがあります。その場合、正規近似が使われることがあります。二項分布は条件によっては正規分布に近づくため、平均 \(np\)、分散 \(np(1-p)\) を用いて近似できます。さらに連続補正を考えると、離散の整数値に対応する区間を連続値の区間として扱うことで精度が改善する場合があります。ポアソン分布でも大きな \(\lambda\) のもとでは正規近似が検討されますが、テール挙動や小さい \(\lambda\) では精度が落ちやすいため、目的に応じた評価が必要です。
4 応用と解釈
4.1 信頼区間とのつながり
4.1.1 区間確率と被覆確率の考え方
信頼区間は「真の値がその区間に入る確率」に関する性質として説明されることがありますが、ここで重要なのは確率の対象がパラメータ側か統計量側かという点です。典型的には、区間の両端は標本から計算されるため無作為であり、真の母数は固定です。このとき、反復実験を想定した被覆確率が一定以上になるように区間を構成します。区間確率という言葉が直接使われる場面もありますが、信頼区間の文脈では「繰り返しにおける包含率」を指す整理が中心になります。
4.1.2 推定・検定における役割
推定では、母数の値を区間で表し、その区間がある確率規準を満たすように設計します。検定では、棄却域や有意水準により、データがどの領域に入ると「差がある」と判断するかが定義されます。これらの手続きは、しばしば「ある統計量が指定領域に入る確率」を計算することにより整合します。つまり区間確率は、推定の精度管理や検定の誤り率の根拠を与える基礎概念として位置付けられます。
4.2 不確実性を区間で表す考え方
4.2.1 確率的意味づけ
区間で不確実性を表現することは、点推定に比べて情報を多面的に伝える方法です。区間確率は「どれだけの確率質量が範囲内にあるか」を与えるため、実務では予測や評価の妥当性を直感的に示す手掛かりになります。たとえば、将来の値がある範囲に入る確率を提示することで、リスクの大きさや許容範囲との整合を議論できます。確率はモデルに依存するため、前提となる分布仮定や推定手順の妥当性も同時に検討されます。
4.2.2 反例になりやすい誤解
区間確率の誤解として、「信頼区間が作られた後、母数がその区間に入っている確率がそのまま信頼係数に等しい」といった解釈が挙げられます。特定の枠組み（ベイズ的解釈など）では異なる捉え方が可能ですが、頻度論的な信頼区間では確率の対象が異なります。さらに、「密度が高いところほど区間確率が大きい」という直観が、区間の幅や形状の影響を無視して誤った判断につながることもあります。解釈の誤差は、確率変数の取り方、条件の明確化、包含の意味（境界を含むか）などの確認不足から生じやすいです。
4.3 シミュレーションによる推定
4.3.1 モンテカルロ法の基本
モンテカルロ法は、確率モデルから多数回の疑似標本を生成し、区間条件を満たす割合を用いて区間確率を推定する手法です。具体的には、\(X\) の分布に従って独立にサンプルを作り、各サンプルが指定区間に入るかどうかを判定します。判定が「入る」になる回数を全試行回数で割ることで、区間確率の近似が得られます。複雑な分布や分布表で扱いにくい場合でも、生成できれば推定が可能です。
4.3.2 精度・反復回数の見積り
モンテカルロ推定の精度は、試行回数の増加とともに改善し、一般に標本比率のばらつきに関連します。目標とする誤差の大きさに応じて、必要な反復回数を見積もることが実務では重要になります。区間確率が極端に小さいときは、当たり判定が少なくなり相対誤差が大きくなりやすいです。この場合は別の工夫（分散削減策、重要度サンプリング等）が検討されます。また、疑似乱数の質や独立性の仮定、乱数シードの管理も再現性に影響します。