多変量モーメントの世界へようこそ！

皆さん、こんにちは！これまでは単一の変数に対する平均（期待値）や分散の求め方を学んできましたが、いよいよ多変量（Multivariate）の世界に足を踏み入れます。1人の身長だけを見るのではなく、その人の「身長」と「体重」の関連性を見るようなものだと考えてください。

この章では、2つ以上の変数が相互に関係しているときの「モーメント」（平均や広がりを表す統計的な専門用語です）を探求します。二重積分や二重和が出てきて少し「複雑そう」に見えるかもしれませんが、パターンさえつかめれば格段に扱いやすくなりますよ！

1. 同時期待値（Joint Expected Values）

2つの確率変数 \(X\) と \(Y\) があるとき、\(E[X + Y]` や \)E[XY]` のように、両者を含む関数の平均を求めたいことがあります。これを同時期待値（Joint Expected Value）と呼びます。

任意の関数 \(g(X, Y)\) の期待値を求めるには、その関数に同時確率密度関数（または質量関数）を掛け合わせ、すべてについて和をとるか積分するだけです。

離散型変数の場合：

\( E[g(X, Y)] = \sum_{x} \sum_{y} g(x, y) \cdot p(x, y) \)

連続型変数の場合：

\( E[g(X, Y)] = \int_{-\infty}^{\infty} \int_{-\infty}^{\infty} g(x, y) \cdot f(x, y) \,dy \,dx \)

例え話： 床にタイルのグリッドが敷き詰められていると想像してください。各タイルには値が書かれており、それぞれのタイルには特定の「重み」（確率）があります。部屋全体の平均値を求めるには、各タイルの値にその重みを掛けて、すべてを足し合わせればよいのです。

クイック復習： 期待値には「線形性」があることを思い出してください！つまり、\(E[aX + bY + c] = aE[X] + bE[Y] + c\) です。これは \(X\) と \(Y\) が従属であっても成り立ちます！

2. 共分散：関係性を測る

共分散（Covariance）は、2つの変数がどのように連動して変化するかを測る指標です。\(X\) が増えるときに \(Y\) も増えるなら共分散は正になり、\(X\) が増えるときに \(Y\) が減るなら負になります。

Exam Pで最も頻繁に使う公式はこれです：

\( \mathbf{Cov(X, Y) = E[XY] - E[X]E[Y]} \)

重要な注意点： もし \(X\) と \(Y\) が独立（independent）であれば、\(E[XY] = E[X]E[Y]` となるため、共分散は0になります。ただし、気をつけてください！共分散が0であっても、必ずしも独立であるとは限りません（とはいえ、Exam Pの文脈では、通常は線形関係がないことを意味します）。

\n\n

相関係数（\)\rho\)）

共分散はどのような値でもとり得るため、比較が困難です。相関係数（Correlation）は、共分散をスケーリングして -1から1の間 に収まるようにしたものです。

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

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

重要なポイント： 共分散は関係の「方向」を教えてくれますが、相関係数は「方向と強さ」の両方を教えてくれます。

3. 条件付きモーメント

一方の変数の情報が与えられたときに、もう一方の平均や分散を求めることがあります。これらが条件付きモーメント（Conditional Moments）です。

条件付き期待値

\(Y = y\) が与えられたときの \(X\) の条件付き平均は以下の通りです：

\( E[X | Y = y] = \int x \cdot f_{X|Y}(x|y) \,dx \)

本質的には、\(Y\) を定数として扱い、条件付き密度関数を使って平均を求めていることになります。

条件付き分散

これは、\(Y\) がわかっているときの \(X\) の「広がり」を測るものです：

\( Var(X | Y = y) = E[X^2 | Y = y] - (E[X | Y = y])^2 \)

豆知識： \(E[X|Y]\) は、実はそれ自体が1つの確率変数です！なぜなら、その値は \(Y\) が何になるかによって変わるからです。ここから、この章で最も重要な2つの法則が導かれます。

4. 強力なツール：二重期待値と全分散

これら2つの公式は「Exam Pの金字塔」とも言える非常に重要なものです。試験ではほぼ間違いなく使うことになります。

反復期待値の法則（アダムの法則）

これは「平均の平均は、全体の平均である」という法則です。

\( \mathbf{E[X] = E[E[X|Y]]} \)

例： 学校全体の生徒の平均身長を知りたいとき、各クラスの平均身長（\(E[X|Y]\)）を求め、それらの結果を平均すれば全体の平均になります。

全分散の法則（イブの法則）

これは、全体の分散を「グループ内の分散」と「グループ間の分散」の2つに分解するものです。

\( \mathbf{Var(X) = E[Var(X|Y)] + Var(E[X|Y])} \)

覚え方： 多くの学生は "EV + VE"（分散の期待値 ＋ 期待値の分散）と覚えています。

最初は難しく感じるかもしれませんが、大丈夫です！ 最初の部分（\(E[Var]\)）が条件付きグループ内の「ノイズ」を処理し、後半の部分（\(Var(E)\)）が「各グループの平均」そのものがどれだけ変動するかを処理している、とイメージしてください。

5. よくある間違い

1. 周辺密度と条件付き密度の混同： \(f(x)\)（周辺）を使うべきか \(f(x|y)\)（条件付き）を使うべきか、常に確認しましょう。問題文に「\(Y=2\) と与えられたとき...」とあれば、必ず条件付き密度を使わなければなりません！

2. 平均の二乗を忘れる： 分散の公式 \(Var(X) = E[X^2] - (E[X])^2\) において、最後の項の二乗を忘れる学生が非常に多いです。これは条件付き分散でも同じです！

3. \(E[XY] = E[X]E[Y]\) だと思い込む： これは変数が独立している場合にのみ真です。同時密度関数 \(f(x,y)\) が \(f(x)f(y)\) に分離できない場合は、必ず \(xy \cdot f(x,y)\) を積分してください。

6. まとめチェックリスト

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：

  • 二重積分や二重和を使って \(E[XY]\) を計算できる。
  • \(Cov(X, Y)\) を求め、独立な変数ではこれが0になることを理解している。
  • 相関係数を計算し、それが-1から1の間にあることを確認できる。
  • 反復期待値の法則を使って複雑な問題を単純化できる。
  • イブの法則 (EV + VE) を使って変数の全分散を求めることができる。

最後のヒント： ある変数の挙動が別の変数に依存する問題（例：「保険請求件数 \(N\) がリスククラス \(\Theta\) に依存する」など）を見かけたら、それは「全期待値の法則」や「全分散の法則」を使う大きな合図です！