分布の世界へようこそ！
未来の年金数理人（アクチュアリー）の皆さん、ようこそ！この章では、アクチュアリー科学の「DNA」とも言える離散型分布と連続型分布について学んでいきます。「分布」とは、どのような結果がどの程度の確率で起こるかを示すパターン、いわば「設計図」のようなものです。今日何件の保険金請求があるかを予測する場合でも、その請求額がどのくらいの規模になるかを予測する場合でも、これらの分布は皆さんの最も強力な武器となります。
これまで統計学を学んでいて少し退屈だと感じたことがあっても大丈夫です。ここでは、実社会のシナリオに当てはめて解説していくので、それぞれの分布が実際にどのように機能しているのかをしっかり掴んでいきましょう。
1. 離散型分布：「カウント」するためのツール
離散型分布は、物事を「カウント（数える）」するときに使います（1、2、3...）。保険金請求が「2.5件」といったことはあり得ませんよね！
ベルヌーイ分布： 「イエスかノーか」の試行
最もシンプルな分布です。結果が成功（1）か失敗（0）の2つしかない単一の試行をモデル化します。
例：コインを1回投げる、またはある契約者が契約を更新するかどうかを確認する。
重要な特性：成功確率が \(p\) のとき、平均は \(p\)、分散は \(p(1-p)\) となります。
二項分布： 複数の試行
ベルヌーイ試行をいくつも積み重ねたものが二項分布です。\(n\) 回の独立した試行における成功回数を表します。
例：100人の契約者がいるとして、今年何人が請求を行うか？（各契約者が1回の「試行」になります）
クイック復習： \(X \sim Bin(n, p)\) のとき：
\(E[X] = np\)
\(Var(X) = np(1-p)\)
ポアソン分布： 時間内のイベント発生
ポアソン分布は、一定の時間や空間で発生するイベントの数をモデル化します。
例え：橋の上に立って下を通り過ぎる車を数えていると想像してください。平均して1時間に10台の車が通過することを知っていれば、次の1時間でちょうど15台通過する確率をポアソン分布で計算できます。
知っていましたか？：ポアソン分布では、平均と分散が等しくなります（\(\lambda\)）。これは試験でポアソン過程を見抜くための定番の「近道」です！
幾何分布と負の二項分布： 成功までの待ち時間
これらの分布は、成功がいつ起こるかに焦点を当てます。
- 幾何分布：最初の成功までに何回の試行が必要か？（例：火災保険の損害が見つかるまでに、何軒の家を調査する必要があるか？）
- 負の二項分布：k回目の成功までに何回の試行が必要か？（例：営業担当者が3件の契約を取るまでに、何回電話をかける必要があるか？）
よくある間違い：必ず公式集を確認してください！分布によっては「試行回数」を数えるものと「失敗回数」を数えるものがあります。CS1のIFoA（英国アクチュアリー会）の定義では、幾何分布は「最初の成功までの失敗回数」として定義されることが一般的です。
まとめ：カウントには離散型分布を使いましょう。二項分布は試行回数が固定されている場合、ポアソン分布は時間枠が固定されている場合に使うのがポイントです。
2. 連続型分布：「測定」するためのツール
連続型分布は、時間、体重、金額などの測定値に使われます。これらは範囲内であればどんな値もとることができます（例：請求額が1,250.55ポンドなど）。
指数分布： 待ち時間
指数分布はポアソン分布の「相棒」です。ポアソン分布がイベントの回数をカウントするのに対し、指数分布はイベントとイベントの間隔を測定します。
重要な特徴：無記憶性。これは試験で大人気のトピックです！これは、1時間待った後であろうと今到着したばかりであろうと、次の10分間でイベントが起こる確率は同じであることを意味します。分布が過去を「忘れてしまう」のです。
ガンマ分布： 待ち時間の積み重ね
指数分布に従う変数をいくつか足し合わせると、ガンマ分布になります。複数の独立したイベントが発生するまでの合計時間をモデル化したり、常に正の値をとるため柔軟性が高く、請求額のモデリングにもよく使われます。
正規分布： 有名なベルカーブ
正規分布 \(N(\mu, \sigma^2)\) は左右対称で、多くの自然現象を説明します。アクチュアリーの業務では、中心極限定理のおかげで、多数の独立したリスクの合計が正規分布に従うと仮定することがよくあります。
対数正規分布とパレート分布： 大きなリスクのモデリング
保険金の請求額は常に左右対称とは限りません。多くの場合、小さな請求が多数あり、巨大な請求が少々存在します。
- 対数正規分布： \(\ln(X)\) が正規分布に従うとき、\(X\) は対数正規分布に従います。右側に裾が長い「右に歪んだ」分布です。
- パレート分布： 「重い裾」を持つ分布です。地震や巨大な産業火災など、極端な「外れ値」が発生する可能性が正規分布よりもはるかに高いリスクをモデル化するのに使われます。
まとめ：連続型分布は「どれくらいか」「どれだけ長いか」をモデル化します。データに極端な値が含まれる場合は、正規分布よりも対数正規分布やパレート分布を検討しましょう。
3. サンプルの生成：確率積分変換 (PIT)
コンピュータはどのようにして特定の分布から乱数をシミュレートしているのでしょうか？そこには確率積分変換 (PIT) という賢い仕掛けがあります。
コンセプト
ほとんどのコンピュータは、0から1までの乱数 \(U\)（一様分布 Uniform(0,1)）を簡単に生成できます。PITは、分布の累積分布関数 (CDF) \(F(x)\) さえ分かっていれば、どんな分布からでもその \(U\) を使って値を引き出せることを教えてくれます。
ステップ・バイ・ステップ：サンプルの生成方法
- \(Uniform(0,1)\) 分布から乱数 \(u\) を生成する。
- \(u = F(x)\) と置く（\(F(x)\) はサンプルを取りたい分布のCDF）。
- \(x\) について解く。これは逆関数を用いて \(x = F^{-1}(u)\) と表記されます。
例：指数分布からのサンプル生成
指数分布のCDFは \(F(x) = 1 - e^{-\lambda x}\) です。
1. \(u = 1 - e^{-\lambda x}\) と置く
2. 変形： \(1 - u = e^{-\lambda x}\)
3. 自然対数をとる： \(\ln(1-u) = -\lambda x\)
4. \(x\) について解く： \(x = -\frac{1}{\lambda} \ln(1-u)\)
\(1-u\) もまた \(Uniform(0,1)\) に従うため、簡略化して \(x = -\frac{1}{\lambda} \ln(u)\) と表記されるのが一般的です。
覚え方：CDFを「翻訳機」だと考えてください。標準化された値（0〜1）を入力すると、それが特定の分布の「言語」に翻訳されて出てくるのです。
まとめ：サンプルを生成するには、乱数 \(u\) をCDFに代入して \(x\) を解きます。これがモンテカルロ・シミュレーションの基礎です。
クイック復習ボックス
試験直前チェックリスト：
• どの分布が離散型で、どれが連続型か即答できますか？
• 無記憶性を持つ分布はどれですか？（指数分布）
• 平均＝分散となる分布はどれですか？（ポアソン分布）
• PITを使って \(x\) を解く手順を再現できますか？
• 覚えておこう：請求額のモデリングには、正規分布よりも歪んだ分布（対数正規分布/パレート分布）の方が適していることが多い。
最初は難しく感じるかもしれませんが、大丈夫です！アクチュアリー統計はパターンの学問です。それぞれの分布の「性格」を理解すれば、正しい分布を選ぶことは自然とできるようになります。CDFの式変形をたくさん練習しておきましょう！