1 確率変数の基本概念
1.1 確率変数の定義
確率変数とは、あるランダムな実験の結果に数値を対応させる仕組みであり、その数値の取り方が確率によって定まる対象である。実験の各結果に対してあらかじめ値が決まっている点が特徴で、変化するのは「値そのもの」ではなく、どの結果が実現するかである。値は整数・実数など任意の型を取り得て、離散的な値の集合に限られる場合もあれば、区間全体のように連続的に変化する場合もある。
1.2 標本空間と写像としての見方
確率論では、まず「起こり得る結果全体」を標本空間として定め、その上に確率を割り当てる。確率変数は、標本空間から数直線（またはより一般の集合）への写像として捉えられる。すなわち、各標本（実験結果）を特定の数値へ対応させる関数であり、確率はその写像が取り得る値に対して定義される。加えて、確率変数の扱いでは「どの種類の集合に対して確率が定義されるか」という測度論的な条件が重要になることがある。
1.3 確率変数の例（サイコロ、コイントス、抽選）
サイコロでは、出目を 1 から 6 の整数として表せば、これが典型的な離散の確率変数である。コイントスでは、表を 1、裏を 0 のように符号化すると、二値の確率変数になる。抽選でも、当選者が何番目か、または当選・非当選を 1 と 0 で表すなど、数値化の方法により複数の確率変数が構成できる。共通点は、実験の結果の集合が与えられ、その結果に対して値が規則的に割り当てられることである。
2 確率分布と分類
2.1 離散型確率変数
離散型の確率変数は、取り得る値が有限または可算の個数に限られる場合に用いられる。たとえばサイコロの出目、当選回数、成功回数などが当てはまる。離散の場合は「各値が起こる確率」を直接扱うため、分布は値ごとの確率の表として整理できる。
2.1.1 確率質量関数（概念）
確率質量関数は、離散型確率変数がある特定の値を取る確率を与える概念である。たとえば確率変数が \(X\) で、値 \(x\) に対して \(P(X=x)\) が対応づけられるとき、その対応を指す。これにより、分布の全情報が「可能な値のリスト」と「それぞれの確率」で表現される。
2.2 連続型確率変数
連続型の確率変数では、値がある範囲内で無限に細かく変化し得る状況を想定する。重要なのは、特定の一点に厳密に一致する確率は通常 0 になる一方で、区間としての確率は 0 ではないという点である。たとえば測定誤差のように、値が連続的にばらつく現象を数値で表す際に出現する。
2.2.1 確率密度関数（概念）
確率密度関数は、連続型確率変数について「区間の確率」を計算するための道具として定義される。密度そのものは確率ではなく、密度の積分が確率に対応する。具体的には、区間 \([a,b]\) に入る確率は密度関数の \(a\) から \(b\) までの積分として与えられる。密度の形状が、どの値が起こりやすいかの分布特性を表す。
2.3 分布関数（累積分布）
分布関数（累積分布関数）は、確率変数がある値以下になる確率を与える関数として定義される。連続・離散の区別を超えて共通に用いられる利点があり、下限から上限までの累積の形で分布を把握できる。分布関数は単調増加で、極限として 0 から 1 の範囲に収まるため、確率の総和の性質と整合的である。
2.4 型の違いと関係（離散・連続の見分け）
離散と連続の判別は、取り得る値の集合の性質と、確率の与え方の観点で行われる。離散では個々の値に確率が割り当てられ、確率質量関数が有効である。連続では一点確率が一般に 0 になり、確率密度の積分で区間確率を計算するのが基本になる。分布関数は両者に対して同じ形式で定義できるため、折れ目（ジャンプ）の有無などが型の手掛かりになる。
3 確率変数の演算と変換
3.1 変数変換の基本（関数としての合成）
確率変数に対して関数を施す操作は、確率変数の「変換」として扱われる。たとえば \(Y=g(X)\) のように合成すると、新しい確率変数 \(Y\) が得られる。変換後の分布は、元の分布と変換規則の組み合わせで決まる。単調性や微分可能性などの条件があると、変換の結果をより扱いやすくなるが、一般には確率の写像構造を通じて導出する。
3.2 線形変換と影響（平均・分散への寄与）
線形変換 \(Y=aX+b\) は特に計算が簡潔で、平均や分散への影響が明確に整理される。平均は \(a\) と \(b\) によって平行移動・拡縮され、分散は \(a\) の二乗倍に比例する。つまり、加法項は散らばりの大きさを変えず、係数の大きさがばらつきを調整する。これらの関係は、正規分布などの閉性（同種の分布が維持される性質）を議論する際にも基礎になる。
3.3 和・差・積の代表的扱い
和や差、積の分布は一般に容易ではない。特に独立性があるかどうかで、計算の難易度や利用できる公式が変わる。和は畳み込み（畳み込み積分・和の畳み込み）の概念で表されることが多く、連続の場合は積分、離散の場合は和として実装される。差も和に置き換えることで扱える場合がある。積はさらに複雑になりやすく、対数変換や分布族の性質を使う場合がある。
3.4 条件付きの考え方（条件付き確率と接続）
条件付きの視点では、「ある条件が成り立つときの確率」の構造を導入する。たとえば \(P(X\in A \mid Z)\) のように、追加情報 \(Z\) が与えられた下での確率を扱う。条件付き期待値はこの延長にあり、条件が与えられたもとでの平均値を示す。条件付きの枠組みは、推定や推論で「観測結果を反映した見積もり」を行う際の基盤となる。
4 代表的な性質と指標
4.1 期待値（平均）の意味
期待値は、確率変数が取り得る値を、その発生しやすさで重み付けして平均化した量である。形式的には、離散では値に確率を掛けて総和を取り、連続では値に密度を掛けて積分する。期待値は「典型値」や「長期平均」の直観とも結びつくが、分布の形により外れ値の影響を受けやすい場合もある。そのため期待値が存在するか、またどの程度妥当な要約かを確認することが実務上重要である。
4.2 分散と標準偏差
分散は、値が平均からどれだけ離れているかを測る指標である。平均との差の二乗を使うことで、正負の相殺を避けつつ、ばらつきの強さを定量化できる。標準偏差は分散の平方根で、元の変数の単位と整合しやすい。分散が大きいほど、確率変数の値は広い範囲に散らばることを意味する。
4.3 共分散と相関
共分散は、二つの確率変数が同時にどの方向へ動きやすいかを示す量である。相関は共分散を標準偏差で正規化し、無次元の指標として比較可能にしたものである。相関係数は一般に -1 から 1 の範囲で表され、正の値なら同じ方向に動きやすい傾向、負なら逆方向に動きやすい傾向を示す。独立でも相関が 0 とは限らない、また逆も同様であるため、因果関係の断定には慎重さが必要になる。
4.4 モーメント（概念としての整理）
モーメントは、分布の形を特徴づけるための量で、中心からのずれの冪（べき）を用いて定義される。原点モーメントや平均中心モーメントなど複数の流儀があり、低次のモーメントは平均や分散と結びつく。高次モーメントは非対称性や裾（はし）の厚みと関連し、分布の微妙な形状を捉えるのに役立つ。ただし高次では計算の負担が増え、存在条件も厳しくなることがある。
4.5 分位点や中央値（分布の要約）
分位点は、分布がどこまで累積しているかに基づく要約量である。たとえば中央値は 50% 点として定義され、分布が歪んでいるときにも代表値として機能しやすい。分位点は外れ値の影響を受けにくい場合があり、区間推定の設計にも使われる。分布の中心だけでなく幅や偏りを反映するため、平均や分散の補助として利用されることが多い。
5 代表的な確率変数の例
5.1 ベルヌーイ型
ベルヌーイ型は、二値（成功・失敗）を取る確率変数の代表例である。成功が起こる確率を \(p\) とすると、成功時は 1、失敗時は 0 のように符号化される。単発の試行をモデル化する基礎として広く用いられる。
5.2 二項型
二項型は、ベルヌーイ型の試行を独立に複数回行ったときの成功回数を表す。試行回数 \(n\) と成功確率 \(p\) により分布が決まり、離散的なカウントとして解釈できる。反復の中で成功がどの程度出るかを見積もる場面で利用される。
5.3 幾何型
幾何型は、初めての成功が起こるまでの試行回数を表す。成功が起こる確率が一定で、各試行が独立であるときに自然に現れる。回数の待ち時間として解釈でき、成功が遅れるときの確率の減り方に分布特性が現れる。
5.4 ポアソン型
ポアソン型は、一定の時間や空間の範囲で起こる事象の回数を表す分布として知られる。事象の発生が独立で、平均発生率が一定であるなどの条件で近似としても登場する。低頻度のイベント数を扱うモデルとして頻繁に用いられる。
5.5 一様型
一様型は、ある区間で値が均等に現れるという仮定に基づく。離散版では有限個の値が同確率になり、連続版では区間内のどこも同程度に密度が保たれる。無情報に近い状況を表すための基本モデルとして位置づけられる。
5.6 正規型
正規型（ガウス型）は、平均と分散を主要なパラメータとして持つ連続分布である。測定誤差や多数要因の合成など、理論的な理由から現れやすい。対称性が強く、裾の振る舞いが分布モデルとして扱いやすいことから、統計推測の中心となる分布族である。
5.7 指数型
指数型は、待ち時間の分布として現れることが多い。一定の率で事象が起こるときの「次に起こるまでの時間」を表すモデルになりやすい。時間に関するスケールが指数的に減衰する形をとり、工学や信頼性評価で利用される。
6 確率変数の計算テクニック
6.1 確率の計算（分布からの求め方）
分布が与えられていると、確率変数がある集合に入る確率を求められる。離散では該当する値の確率を合計し、連続では分布関数を使うか、密度の積分で区間確率を計算する。事象が複雑な形になると、累積分布の組み合わせや場合分けが必要になる。
6.2 期待値の計算（和・積分の使い分け）
期待値は、離散なら値×確率の総和、連続なら値×密度の積分で求める。ときには期待値を確率分布のパラメータにより直接導出できる場合があり、モーメントの関係を利用することで効率化できる。計算上の注意として、積分が収束するか、あるいは分散が存在するかといった条件の確認が挙げられる。
6.3 尤度や確率の見積もりへの橋渡し（概念）
分布は、ある確率変数が観測値を説明する度合いとして解釈できる。そこで確率（または密度）の値が、パラメータ推定やモデル比較で用いられる「適合の強さ」として働く。これを概念的に捉えると、尤度（もっともらしさ）という考え方への接続が得られる。ここでは詳細な手続きよりも、確率分布の情報が推論に利用される構造を押さえることが目的となる。
6.4 シミュレーションによる近似（モンテカルロの考え方）
モンテカルロ法は、確率的に生成した試行の結果から統計量を近似する手法である。期待値や分位点など、解析的に求めにくい量でも試行回数を増やすことで精度が向上する。乱数による誤差や収束速度の影響があるため、サンプリング設計（分散の抑制や重要度サンプリング等）の工夫が実務上重要になる。
7 応用の見取り図
7.1 統計学における位置づけ（推定・検定への導入）
統計学では、観測データを確率変数の実現値として捉え、未知パラメータを確率モデルの枠で推定する。検定では仮説の下での確率分布に基づき、「その仮説がどれだけ支持されるか」を確率的に評価する。確率変数の分布、期待値、分散、相関といった要約量は、推定量の性質や検定統計量の挙動を理解するための土台となる。
7.2 機械学習での役割（不確実性の表現）
機械学習では、予測を点推定だけでなく確率として扱う流れがある。確率変数は予測誤差、潜在変数、推定の不確実性を表す枠組みとして使われる。モデルの学習では、観測に対する確率的な整合性（適合度）が目的関数に反映されることが多く、確率分布の形が学習・推論の挙動を左右する。
7.3 工学・自然科学での利用（ノイズモデルなど）
工学や自然科学では、測定・制御・観測の過程に伴うばらつきを確率としてモデル化する。たとえばセンサの誤差、通信路のノイズ、材料特性の個体差などは確率変数として表される。さらに、これらの確率モデルを用いることで、誤差伝播、信頼区間、最適化の制約（確率的制約）などが扱いやすくなる。物理現象を数理モデルに落とし込む際の共通言語として、確率変数の概念が機能する。
8 よくある誤解と注意点
8.1 「確率変数」と「確率分布」の混同
確率変数は値を割り当てる対象、確率分布はその値の出方を規定する仕組みである。前者は関数（写像）として定義され、後者はその写像の結果として生じる確率的性質を記述する。混同すると、変数を変えるのか、分布を変えるのかが曖昧になり、計算や解釈の誤りにつながる。
8.2 离散・連続の境界の誤解
連続の場合でも分布関数は定義できるが、密度と確率の関係には注意が必要である。密度は確率そのものではなく、区間確率は積分で得られる。逆に離散では一点の確率は 0 ではないが、連続の感覚を持ち込むと直感がずれることがある。混乱を避けるには、確率として問う対象が「一点」なのか「区間」なのかを常に確認する。
8.3 期待値の線形性と一般化の注意
期待値には線形性があり、和の期待値が期待値の和になるなどの性質が成り立つ。一方で、任意の操作が同様に交換できるわけではない。たとえば期待値の中にある関数が一般に分離できるわけではなく、非線形変換では工夫が要る。線形性の適用範囲を理解し、無条件の一般化を避けることが重要である。
8.4 条件付きの前提を抜かした推論の危険
条件付き確率や条件付き期待値は、「その条件が真であるとき」という前提のもとで定義される。条件を取り違えたり、独立性や同時分布の関係を見落としたりすると、不適切な推論が起きる。特に複数の確率変数を扱う場面では、どの情報が与えられているかを明示し、対応する式を慎重に適用する必要がある。
9 用語整理（簡易辞書）
9.1 確率質量関数・密度・分布関数
確率質量関数は離散型で各値の確率を与える。確率密度関数は連続型で区間確率を積分で与えるための関数である。分布関数は「ある値以下になる確率」を累積で表す。
9.2 期待値・分散・共分散・相関
期待値は平均的な振る舞いを表す。分散は平均との差の大きさを示し、標準偏差は分散の平方根で単位を合わせる。共分散は二変数の同方向・逆方向の動きを測り、相関は共分散を標準偏差で正規化して比較しやすくした指標である。
9.3 条件付き確率と条件付き期待値
条件付き確率は、指定した条件の下で事象が起こる確率を示す。条件付き期待値は、その条件が成り立つ状況での平均値を与える量として扱われる。
9.4 代表的な分布名と対応関係
ベルヌーイは二値、二項は成功回数、幾何は初成功までの回数、ポアソンは一定範囲での事象回数を表す。正規は連続で対称な分布、指数は待ち時間のモデルとして現れやすい。一様は等確率（等密度）を仮定する基本形である。