確率変数のチームワークへようこそ！

これまで、確率変数 X や Y を単独の主役として見てきたかもしれません。しかし、現実の世界、そして Exam P の試験問題では、確率変数は互いに関連し合っていることがよくあります。例えば、「雨の量（X）」と「売れた傘の数（Y）」には関連があるかもしれませんよね。

この章では、この「相互関係」をどのように数値化するかを学びます。中心となるツールは、共分散 (Covariance) と 相関係数 (Correlation Coefficient) の2つです。これらを使うことで、変数が同じ方向に動くのか、逆方向に動くのか、それとも全く無関係なのかが分かります。最初は少し難しく感じるかもしれませんが、パターンさえ掴んでしまえば、試験範囲の中でも最も論理的で分かりやすい分野になりますよ！

1. 共分散：関係の「方向性」

共分散は、2つの確率変数がどれだけ一緒に変化するかを示す尺度です。「Xが増えるとき、Yも増える傾向があるか？」という問いに対し、そうであれば正の共分散を持つことになります。

「公式」の定義

XとYの共分散（\(Cov(X, Y)\) と表記）は、次のように定義されます：
\(Cov(X, Y) = E[(X - E[X])(Y - E[Y])]\)

「試験対策の近道」公式（必須！）

上記の定義式は意味を理解するには良いのですが、計算を素早く行うために、試験ではほとんどの場合、この短縮公式を使います：
\(Cov(X, Y) = E[XY] - E[X]E[Y]\)

復習： \(E[XY]\) は「積の期待値」であることを思い出しましょう。離散型の場合は、各 \(x \cdot y\) に同時確率を掛け合わせて合計します。連続型の場合は、二重積分を使いますね。

結果の解釈：

  • 正の共分散： XとYは同じ方向に動く。（例：身長と体重）
  • 負の共分散： XとYは逆の方向に動く。（例：製品の価格と販売数）
  • ゼロの共分散： XとYの間に線形的な関係性はない。

よくある間違い： 「共分散が100なら、10のときよりも関係が『強い』」と考えてしまう人がいますが、これは必ずしも正しくありません！共分散は単位（インチかマイルかなど）に依存するため、相関係数が必要になるのです。

重要ポイント：

共分散は関係の方向性を教えてくれますが、変数のスケールに影響されるため、数値そのものだけで強さを判断するのは難しいということを覚えておきましょう。

2. 相関係数（\(\rho\)）：関係の「強さ」

相関係数（ギリシャ文字のロー \(\rho\) で表されます）は、共分散を「標準化」したものです。単位の影響を取り除くことで、線形的な結びつきがどれほど強いかを正確に測定できます。

計算式

\(\rho_{X,Y} = \frac{Cov(X, Y)}{\sigma_X \sigma_Y}\)

ここで \(\sigma_X\) と \(\sigma_Y\) は、それぞれXとYの標準偏差です。

相関係数の黄金ルール

  1. 範囲： \(\rho\) の値は必ず -1 から 1 の間に収まります（\(-1 \le \rho \le 1\)）。
  2. \(\rho = 1\)： 完全な正の線形関係。グラフにすると、傾きを持った直線上に完全に並びます。
  3. \(\rho = -1\)： 完全な負の線形関係。
  4. \(\rho = 0\)： 線形関係は全くない。

例え： 共分散を風の速度と向きだとすれば、相関係数は2人がどれだけ完璧にダンスを合わせているかを示す-100%から+100%の達成率のようなものだと考えてください。

重要ポイント：

相関係数は単位がなく、常に -1 から 1 の間にあります。XとYの間の線形的な結合の方向と強さの両方を教えてくれる便利な指標です。

3. 独立性と共分散

これはExam Pの作成者が大好きなテーマです！独立性と共分散の関係は必ず理解しておかなければなりません。

XとYが独立している場合...

XとYが独立であれば、以下のことが成り立ちます：

  • \(E[XY] = E[X]E[Y]\)
  • \(Cov(X, Y) = 0\)
  • \(\rho_{X,Y} = 0\)

避けるべき「罠」！

独立であれば共分散は0ですが、共分散が0だからといって必ずしも独立とは限りません。
2つの変数が非線形（円形やU字型など）で関係している場合、共分散は0になることがあります。試験問題に「XとYは独立である」とあれば、すぐに共分散は0だと考えてOKです。しかし、「共分散は0である」と書かれているだけで、問題から他の情報が得られない限り、独立であると断定してはいけません。

豆知識： この違いがあるのは、共分散が線形な関係しか測れないからです。曲線を描くような関係に対しては「盲目」なのです！

4. 共分散の性質（便利なショートカット）

これらの性質を覚えておくと、試験時間を大幅に短縮できます：

  • \(Cov(X, X) = Var(X)\) （自分自身との共分散は、単なる分散！）
  • \(Cov(X, Y) = Cov(Y, X)\) （順番は関係ありません。）
  • \(Cov(aX + b, cY + d) = ac \cdot Cov(X, Y)\) （定数の加減は共分散を変えませんが、定数倍は影響します！）
重要ポイント：

確率変数を平行移動（足したり引いたり）しても共分散は変わりませんが、スケール変換（掛けたり割ったり）すると、その倍数の積だけ共分散も変化します。

5. 和と差の分散

Exam Pでは、XとYを足し合わせてできる新しい変数の分散を求める問題がよく出ます。ここで共分散が大きな役割を果たします。

和の公式

\(Var(X + Y) = Var(X) + Var(Y) + 2Cov(X, Y)\)

差の公式

\(Var(X - Y) = Var(X) + Var(Y) - 2Cov(X, Y)\)

要注意！ 引き算の公式でも、個々の分散は足し算されます。マイナスになるのは共分散の項だけです。これは符号のミスが非常に多いポイントです！

一般的な線形結合

定数 \(a\) と \(b\) がある場合：
\(Var(aX + bY) = a^2Var(X) + b^2Var(Y) + 2abCov(X, Y)\)

暗記のコツ： これは代数の展開式 \((a+b)^2 = a^2 + b^2 + 2ab\) と全く同じ形です。文字を分散と共分散に置き換えるだけですよ！

試験に向けたチェックリスト

演習問題に取り組む前に、以下のことができるか確認しましょう：

  • 同時分布から \(E[X]\)、\(E[Y]\)、\(E[XY]\) を計算できる。
  • 短縮公式 \(Cov(X, Y) = E[XY] - E[X]E[Y]\) を使える。
  • 標準偏差を使って、共分散を相関係数に変換できる。
  • 独立 \(\implies\) 共分散 = 0 であることを覚えている。
  • \(Var(X \pm Y)\) の公式を、\(2Cov(X, Y)\) の項に細心の注意を払って適用できる。

練習を続けましょう！共分散は、複数の確率変数を結びつける「接着剤」のようなものです。これをマスターすれば、複雑な同時分布の問題もずっと扱いやすく感じられるはずです。あなたなら大丈夫！