1 基本概念
確率論は、結果が一意に定まらない現象を数理的に扱う。さいころの出目、抽選、天候のような不確実な事象を、起こりやすさの尺度として記述する点に特徴がある。ここでは、理論の出発点となる試行、事象、標本空間、そして確率の考え方を整理する。
1.1 試行と事象
試行とは、同じ条件のもとで繰り返しうる観測や実験を指す。各試行の結果は、あらかじめ複数の候補として想定される。事象は、その結果のうち関心のある集合であり、「偶数が出る」「赤玉が当たる」といった形で表される。事象を集合として扱うことで、和や共通部分などの操作が可能になる。
1.2 標本空間
標本空間は、試行で起こりうるすべての結果を集めた全体集合である。さいころなら1から6までの目、コインなら表と裏がこれに当たる。確率論では、個々の結果を点として捉え、事象をその部分集合として記述する。この枠組みにより、複雑な状況でも統一的に議論できる。
1.3 確率の定義
確率は、事象の起こりやすさを数値化した量である。直観的には「どれだけ起こりそうか」を表すが、数学では厳密な定義が必要になる。歴史的には、同様に考えられる場合の数を基礎にした方法から、現在の公理的な方法まで、複数の考え方が発展した。
1.3.1 古典的定義
古典的定義では、各結果が同程度に起こりやすいと仮定し、望ましい結果の数を全結果の数で割って確率を与える。硬貨や公平なさいころの理想化が典型例である。この方法は明快だが、すべての状況に適用できるわけではない。
1.3.2 公理的定義
公理的定義では、確率を集合関数として取り扱い、非負性、全事象の確率が1であること、互いに排反な事象の和に対する加法性を要請する。これにより、具体的な解釈に依存せず理論を構築できる。現代の確率論は、この立場を基礎としている。
1.3.3 幾何学的定義
幾何学的定義では、長さ、面積、体積などの測度を用いて確率を表す。無作為に点を選ぶ問題や、区間内での一様な選択が代表的である。離散的な数え上げが難しい場合でも、空間的な比率として確率を理解できる。
1.4 確率空間
確率空間は、標本空間、事象の集合、確率をまとめた数学的構造である。通常、標本空間に対して事象の集合族を定め、そこに確率を割り当てる。これにより、事象の演算と数値評価が同じ枠内で扱われる。以後の理論は、この構造の上に展開される。
2 条件付き確率と独立性
確率論では、ある情報が与えられたときに事象の起こりやすさがどう変わるかを調べる。条件付き確率は更新の仕組みを表し、独立性は事象同士の影響の有無を示す。両者は、推論やモデル化の中心的な役割を担う。
2.1 条件付き確率
条件付き確率は、ある事象が起きたという前提のもとで別の事象の確率を定める考え方である。観測や情報が追加されると、初めの評価は修正される。これは、不確実性の中で判断を更新する際の基本原理となる。
2.1.1 ベイズの定理
ベイズの定理は、条件を入れ替えた確率の関係を示す公式である。観測結果から原因を推定する場面で特に重要で、診断、分類、推論に広く用いられる。既知の事前情報と新しいデータを結びつける橋渡しとして機能する。
2.2 事象の独立
事象が独立であるとは、一方の成立が他方の確率に影響しないことである。独立な事象では、同時に起こる確率が個々の確率の積で表される。単純化されたモデルではあるが、多くの理論展開の基盤になる。
2.2.1 相互独立
複数の事象が相互独立であるとは、どの部分集合を取っても独立性が成り立つことである。二つずつ独立でも、全体としては独立でない場合があるため、区別が重要になる。確率モデルの構成では、強い独立性がしばしば仮定される。
2.2.2 互いに排反な事象
互いに排反な事象は、同時には起こらない。ある事象が起きると、もう一方は不可能になるため、独立とは性質が異なる。両者を混同すると誤った計算につながるので、概念上の区別が必要である。
2.3 確率の加法定理
加法定理は、複数の事象の和事象の確率を求める基本公式である。排反な場合には確率を足し合わせればよいが、重なりがあると重複分を差し引く必要がある。場合分けや集合演算を整理するうえで欠かせない。
3 確率変数と分布
確率変数は、ランダムな結果を数値に写す関数である。これにより、抽象的な事象を数列や実数として扱えるようになる。分布は、その値がどのように現れるかを表す規則であり、確率論の中心的対象である。
3.1 確率変数
確率変数は、標本空間上の各結果に数値を対応させる。身長、待ち時間、試行回数など、数量化できる観測量を表現するのに適している。確率変数を導入すると、事象の議論が解析や計算へつながりやすくなる。
3.1.1 離散型確率変数
離散型確率変数は、取りうる値が有限または可算無限個に限られる。さいころの目、成功回数、故障件数などが例である。各値に確率を直接割り当てられるため、計算は比較的明快である。
3.1.2 連続型確率変数
連続型確率変数は、区間内の連続した値をとる。測定誤差や時間、長さのような量が典型的である。個々の一点の確率は通常0とされ、区間全体に対する確率を考える。密度を使った記述が中心となる。
3.2 確率分布
確率分布は、確率変数の値の散らばり方を示す。どの値がどれくらい現れやすいかを体系的に表すため、理論と応用の双方で重要である。分布の形を知ることで、極端な値の出やすさや集中の程度を把握できる。
3.2.1 累積分布関数
累積分布関数は、確率変数がある値以下になる確率を表す関数である。単調増加で、分布全体の情報を含む。離散型と連続型の両方に共通して定義できる点が便利である。
3.2.2 確率質量関数
確率質量関数は、離散型確率変数の各値に対する確率を与える。値ごとの重みを一覧できるため、分布の構造が見やすい。和を取ることで全体の確率が1になる。
3.2.3 確率密度関数
確率密度関数は、連続型確率変数の分布を表す関数である。密度自体は確率ではないが、区間で積分するとその区間に入る確率が得られる。滑らかな分布の形状を記述するのに適している。
3.3 代表的な分布
確率論では、繰り返し現れる典型的な分布がいくつか知られている。これらは現象の性質に応じて使い分けられる。単純な試行から自然現象まで、幅広い場面で基礎的なモデルとなる。
3.3.1 ベルヌーイ分布
ベルヌーイ分布は、成功か失敗かの二値的な試行を表す。コイン投げのような単純な場面に対応し、他の分布の基礎にもなる。最も基本的な離散分布の一つである。
3.3.2 二項分布
二項分布は、独立なベルヌーイ試行を複数回行ったときの成功回数を表す。回数が固定されている点が特徴である。抽選、品質管理、観測回数の集計などでよく現れる。
3.3.3 ポアソン分布
ポアソン分布は、一定の平均率で起こる稀な事象の回数を表す。単位時間や単位空間あたりの発生数のモデルとして有用である。待ち時間や到着回数の近似にも使われる。
3.3.4 一様分布
一様分布では、指定された範囲内のどの値も同程度に扱われる。乱数生成や理想化された無作為選択のモデルとして重要である。離散型と連続型の両方で考えられる。
3.3.5 正規分布
正規分布は、釣鐘形の滑らかな曲線で表される代表的な連続分布である。測定誤差や自然変動のモデルとして広く用いられる。中心極限定理との関係から、理論上も応用上も中心的存在である。
4 期待値・分散・収束
確率変数の分布を理解するには、平均的な水準やばらつきを測る指標が必要である。さらに、列として並ぶ確率変数がどのように近づいていくかを記述する収束概念も重要になる。この章では、確率論の解析的側面をまとめる。
4.1 期待値
期待値は、確率変数の平均的な値を表す。長期的な平均や重心に相当する量として解釈されることが多い。分布の中心的な位置を把握するための基本量である。
4.1.1 線形性
期待値の線形性とは、和の期待値が期待値の和に等しい性質をいう。独立性を仮定しなくても成り立つため、非常に強力である。計算を簡潔にし、多くの証明の出発点になる。
4.1.2 条件付き期待値
条件付き期待値は、与えられた情報のもとでの平均値を表す。観測結果に応じて予測を更新する際に用いられる。確率過程や統計的推論でも重要な役割を果たす。
4.2 分散と共分散
分散は、値が期待値の周囲にどれだけ散らばるかを表す。共分散は、二つの変数が一緒に増減する傾向を示す。これらは単なる平均だけでは分からない変動の構造を明らかにする。
4.2.1 相関係数
相関係数は、共分散を標準化した量で、二つの変数の直線的な関係の強さを示す。値は通常-1から1の間にあり、符号で増減の方向、絶対値で結びつきの強さを読む。尺度の違いを越えて比較しやすい。
4.3 収束の概念
収束は、確率変数列がある極限に近づく性質を表す。極限の意味にはいくつかの種類があり、どの収束を考えるかで結果は変わる。確率論では、解析学とは異なる独特の収束概念が重要になる。
4.3.1 確率収束
確率収束は、確率変数が極限値から大きく外れる確率が小さくなることをいう。個々の試行では揺れが残っても、全体として安定していく状況を表す。統計的推定の基礎を支える概念である。
4.3.2 分布収束
分布収束は、確率変数の分布そのものが極限分布に近づくことを意味する。値そのものの収束ではなく、確率の配分の変化に注目する。中心極限定理のような結果で現れる。
4.3.3 平均二乗収束
平均二乗収束は、二乗誤差の期待値が0に近づく収束である。誤差の大きさを平方で評価するため、解析的に扱いやすい。推定や近似の良さを測る指標としても有用である。
4.4 極限定理
極限定理は、多数の独立な小さな効果が集まるときの全体的な振る舞いを記述する。偶然の積み重なりに共通する法則を示すため、確率論の中核をなす。代表例として大数の法則と中心極限定理がある。
4.4.1 大数の法則
大数の法則は、試行回数を増やすと標本平均が期待値に近づくことを述べる。短期的な変動は残るが、長期的には平均が安定する。経験的頻度と理論的確率の結びつきを与える。
4.4.2 中心極限定理
中心極限定理は、独立な同分布の和や平均が、適切に標準化すると正規分布に近づくことを示す。分布の形が異なっても、和を取ると普遍的な形が現れやすい。自然現象や測定誤差に正規分布が多い理由の一つである。
5 測度論的確率論
確率論は、測度論を導入することで連続的な対象や無限個の事象を厳密に扱えるようになった。これにより、確率は単なる直感的概念ではなく、解析学と深く結びついた数学理論となった。この章では、その基礎的な構成を概観する。
5.1 測度と可測空間
測度は、集合に大きさを割り当てる概念で、長さや面積の一般化として理解できる。可測空間は、測度を定義するために選ばれた集合とその族からなる。確率論では、事象をこの枠組みに置いて扱う。
5.2 可測関数
可測関数は、測度構造と相性のよい関数である。確率変数は可測関数として定式化されるため、事象の逆像が適切に扱える。これにより、積分や極限操作との接続が可能になる。
5.3 ルベーグ積分
ルベーグ積分は、より一般的な積分理論であり、確率変数の期待値を厳密に定義する基盤となる。リーマン積分より柔軟で、極限との相性がよい。可測関数の幅広いクラスに対応できる点が重要である。
5.4 確率測度
確率測度は、全体の測度が1になるように定められた測度である。事象に対して確率を与える数学的対象として、現代の確率論の中心に位置する。確率空間の定式化は、この概念に支えられている。
5.5 事象列と極限
事象列は、事象が順に並んだもので、無限回の試行や時間発展を表す。極限を考えることで、いつか起こることや、ほとんど起こらないことを精密に定義できる。無限操作を扱う際に、測度論の技法が特に有効である。
6 主要な応用分野
確率論は抽象理論にとどまらず、多くの分野で実際に使われる。ばらつきの評価、予測、最適化、シミュレーションなど、用途は広い。ここでは代表的な応用領域を挙げる。
6.1 統計学
統計学は、データから母集団の性質を推定し、仮説を検証する学問である。確率論は、その理論的土台を与える。推定量や検定の性質は、確率モデルを通じて分析される。
6.2 情報理論
情報理論では、不確実性を情報量として定量化する。通信の符号化や誤り訂正の設計では、確率分布の理解が不可欠である。ランダム性と圧縮の関係も、この分野で重要になる。
6.3 金融工学
金融工学では、価格変動やリスクを確率モデルで表す。将来の不確実性を見積もり、資産配分や評価に役立てる。市場の変動は複雑だが、確率論はその分析の共通言語を提供する。
6.4 待ち行列理論
待ち行列理論は、到着と処理が競合する系を扱う。窓口、通信ネットワーク、交通流などで、混雑や遅延を解析する。到着過程やサービス時間の分布が、性能評価の鍵になる。
6.5 ランダム過程
ランダム過程は、時間や空間に沿って変化する確率変数の族である。株価の変動、ノイズ、物理的揺らぎのモデル化に用いられる。単発の確率変数よりも、動的な構造を表現できる。
7 関連概念
確率論は、他の数学分野と密接に結びついている。組合せ論や数理統計学とは特に関係が深く、計算機を用いた近似法とも相性がよい。ここでは周辺概念との関係を示す。
7.1 組合せ論との関係
組合せ論は、数え上げや配置の理論を扱う。確率計算では、場合の数を数える場面が多く、両者はしばしば連携する。離散的な問題では、組合せ的な発想が確率評価を支える。
7.2 確率モデル
確率モデルは、現実の現象を確率的な構造に置き換えた記述である。仮定の置き方によって結果が大きく変わるため、妥当性の検討が重要になる。単純な近似から複雑なシミュレーションまで、多様な形がある。
7.3 モンテカルロ法
モンテカルロ法は、乱数を用いて数値的に問題を解く手法である。解析的に計算しにくい積分や期待値の近似に有効である。試行回数を増やすことで精度を高められるが、計算量との兼ね合いもある。
7.4 数理統計学
数理統計学は、統計手法を確率論の枠組みで厳密に研究する分野である。推定、検定、回帰分析などを理論的に支える。確率論と統計学の接点に位置し、応用面でも重要である。