同時分布へようこそ！

これまでの学習では、1人の保険契約者が行うクレーム数のような「単一の確率変数」について考えてきました。しかし、現実世界はそれほど単純ではありません！アクチュアリーの実務では、2つ以上の変数を同時に扱う必要があります。例えば、ドライバーの年齢と保険請求の金額の間にどのような関係があるかを知りたい、といったケースです。ここで登場するのが同時確率分布（jointly distributed random variables）です。

最初は少し抽象的に感じるかもしれませんが、心配はいりません。単一の数値を見ることから、数値のペア（またはグループ）を見ることにステップアップするだけです。2次元の折れ線グラフから、3次元の立体的な地図を見るようになるとイメージしてみてください。

1. 同時確率分布

2つの確率変数 \(X\) と \(Y\) があるとき、それらが「同時に」特定の値をとる確率を知る必要があります。

離散型の場合：同時確率関数（PMF）

\(X\) と \(Y\) が離散型である場合、同時確率関数を \( p(x, y) = P(X = x, Y = y) \) と表します。
黄金律：同時分布に含まれるすべての確率の合計は必ず1になります。
\( \sum_{all x} \sum_{all y} p(x, y) = 1 \)

連続型の場合：同時確率密度関数（PDF）

\(X\) と \(Y\) が連続型である場合、同時確率密度関数（PDF）\( f(x, y) \) を使用します。表ではなく、平面上の「曲面」や「丘」をイメージしてください。この曲面の下側の体積が確率を表します。
黄金律：曲面の下側の全体積は必ず1になります。
\( \int_{-\infty}^{\infty} \int_{-\infty}^{\infty} f(x, y) \,dx \,dy = 1 \)

クイック復習：同時累積分布関数（CDF）

同時累積分布関数（CDF） \( F(x, y) \) は、\(X\) が \(x\) 以下、かつ \(Y\) が \(y\) 以下となる確率です：
\( F(x, y) = P(X \le x, Y \le y) \)

重要ポイント：同時分布は、2つの変数がどのように連動して振る舞うかを記述するものです。離散型なら「表」、連続型なら「3次元の曲面」をイメージしましょう。

2. 周辺分布

同時分布（全体像）がわかっているときに、特定の1つの変数だけに注目したい場合があります。これを周辺分布（Marginal Distribution）を求める、と言います。

「足し合わせる」テクニック：
\(X\) の周辺分布を求めるには、\(Y\) を「無視」または「足し合わせる（消去する）」ことで計算できます。
- 離散型： \( p_X(x) = \sum_{all y} p(x, y) \)
- 連続型： \( f_X(x) = \int_{-\infty}^{\infty} f(x, y) \,dy \)

覚え方：なぜ「周辺（Marginal）」と呼ぶのか？
確率の表を想像してみてください。行ごとの合計を計算して、紙の余白（マージン）に書き込みますよね？それが周辺分布です！

重要ポイント：一方の変数の周辺分布を得るには、もう一方の変数の全範囲にわたって積分または合計を行います。

3. 条件付き分布

アクチュアリーの実務では、「\(Y\) の値がすでにわかっているという条件のもとで、\(X\) がどうなるか？」という問いが頻繁に出ます。これが条件付き分布（Conditional Distribution）です。

公式は、確率の基本ルール \( P(A|B) = \frac{P(A \cap B)}{P(B)} \) に基づいています：
\( f(x|y) = \frac{f(x, y)}{f_Y(y)} \) （ただし \( f_Y(y) > 0 \) とする）

アナロジー：ある集団の身長（\(X\)）と体重（\(Y\)）を考えてみてください。身長の周辺分布は「全員」の身長の分布ですが、体重が100kgであるとわかっている条件付きの身長分布は、「体重100kgの人」という特定のグループに限定された分布になります。

よくある間違い：どの変数が分母に来るかを忘れてしまうことです！必ず「与えられた（縦棒 | の右側にある）」変数の周辺分布で割るようにしてください。

4. 確率変数の独立性

2つの確率変数は、一方の値を知っても他方のことについては何もわからない場合、独立（independent）であると言います。

数学的には、\(X\) と \(Y\) が独立であるための必要十分条件は、同時分布が単に周辺分布の積になることです：
離散型： \( p(x, y) = p_X(x) \cdot p_Y(y) \)
連続型： \( f(x, y) = f_X(x) \cdot f_Y(y) \)

ヒント：もし \(X\) の範囲（限界値）が \(Y\) の値に依存している場合（例： \( 0 < x < y < 1 \)）、その変数同士は独立ではありません！

5. 期待値と共分散

2つの変数の「平均的な振る舞い」や「関連性」をどう説明するでしょうか？

関数 \( g(X, Y) \) の期待値

2変数の関数の期待値を求めるには、その関数に同時確率を掛け合わせて、合計（または積分）します：
\( E[g(X, Y)] = \int \int g(x, y) f(x, y) \,dx \,dy \)

共分散（Covariance）

共分散は、\(X\) と \(Y\) の間の線形関係を測定します。
\( Cov(X, Y) = E[(X - E[X])(Y - E[Y])] \)
実務上の計算では、以下の式が便利です：
\( Cov(X, Y) = E[XY] - E[X]E[Y] \)

  • \( Cov(X, Y) > 0 \)：同じ方向に動く（両方増える、または両方減る）。
  • \( Cov(X, Y) < 0 \)：逆方向に動く。
  • \( X \) と \( Y \) が独立ならば、\( Cov(X, Y) = 0 \)。 （注意：逆は必ずしも真ではありません！）

相関係数（\( \rho \)）

共分散はそのままだとスケールが一定ではないため、比較が難しいです。相関係数は、共分散を -1 から +1 の範囲にスケーリングします：
\( \rho(X, Y) = \frac{Cov(X, Y)}{\sigma_X \sigma_Y} \)

ここで、\( \sigma_X \) と \( \sigma_Y \) は標準偏差です。

重要ポイント：共分散は関係の「向き」を示し、相関係数は「向き」と「強さ」の両方を標準化されたスケールで示します。

6. 条件付き期待値と分散

これらはCS1試験の「大物」です。全期待値の法則と全分散の法則が含まれます。

全期待値の法則（アダムの法則）

\( E[X] = E[E[X|Y]] \)
これは、\(X\) の全体的な平均は、すべての条件付き平均の平均に等しいことを意味します。

全分散の法則（イブの法則）

\( Var(X) = E[Var(X|Y)] + Var(E[X|Y]) \)
覚え方：「Expectation of Variance（分散の期待値）+ Variance of Expectation（期待値の分散）」で「E-Var + Var-E」。

なぜこれが役立つのか？
例えば、\(X\) が年間の総請求額、\(Y\) が事故件数だとします。直接 \(Var(X)\) を計算するのは難しいかもしれませんが、事故件数が決まっている場合の条件付き分散なら計算しやすいことがあります。これらの法則を使えば、より単純な条件付きの要素から、全体の分散を「積み上げて」算出できます。

重要ポイント：これらの法則は、複雑な問題を「与えられた情報」に基づいて管理しやすい小さなパーツに分解するのに不可欠です。

チェックリスト

  • 同時分布が離散型か連続型かを見分けられますか？
  • 周辺分布を求めるために「もう一方の変数を足し合わせる（消去する）」ことを忘れていませんか？
  • 相関係数は -1 から 1 の間に収まっていますか？もし違っていたら、計算を確認しましょう！
  • 複合分布のために \( E[X] = E[E[X|Y]] \) を使う練習をしましたか？

二重積分や条件付きの法則が最初は重く感じられても大丈夫です。練習を重ねれば、これらはデータを組み合わせるための単なる「レシピ」だと自然と思えるようになります！