1変数確率変数へようこそ！

こんにちは！Exam P（確率論）の準備を始められたのであれば、確率というものが単なるコイン投げやサイコロ遊び以上のものだと気付かれていることでしょう。アクチュアリー科学の世界では、現実世界の不確実性を数学的に扱う必要があります。まさにその役割を果たすのが確率変数（Random Variable）です！この章は、あなたの学習の「土台」となる部分です。変数の振る舞いを理解すれば、Exam Pの他のトピックもパズルのピースがはまるように理解できるようになります。最初は抽象的で難しく感じるかもしれませんが、大丈夫です。一つひとつ丁寧に紐解いていきましょう。

1. 確率変数（RV）とは何か？

簡単に言うと、確率変数とは、ランダムな試行の結果に数値を割り当てるルールのことです。「結果は表（Heads）だった」と言う代わりに \(X = 1\) とし、「保険金請求額がとても高額だった」と言う代わりに \(X = \$50,000\) と表現します。

\n\n

Exam Pで押さえておくべき確率変数には、大きく分けて2つのタイプがあります：

\n

1. 離散型確率変数： 「数えられる」ものを表します。階段のステップのようなイメージです。例えば、1年間の自動車事故件数（0, 1, 2...）や試験の合格者数などが挙げられます。
\n2. 連続型確率変数： 「測れる」ものを表します。ある範囲内でどんな値も取り得ます。なめらかな滑り台のようなイメージです。例えば、保険金請求が発生するまでの正確な時間や、損害額の正確な金額（例：$1,250.42）などが挙げられます。

クイックレビュー：

• 離散型 = 数える（0, 1, 2...）
• 連続型 = 測る（1.572...のようなあらゆる値）

2. 確率質量関数 (PMF) - 離散型変数の場合

離散型変数では、確率質量関数（Probability Mass Function: PMF）を使用します。通常 \(p(x)\) または \(P(X = x)\) と表記され、変数が特定の値をとる正確な確率を表します。

PMFの2つの黄金ルール：
1. 個々の確率は必ず0から1の間であること： \(0 \le P(X = x) \le 1\)。
2. 全ての確率の合計は必ず1になること： \(\sum P(X = x) = 1\)。

例：変数Xが1, 2, 3のいずれかを取り、\(P(X=1) = 0.2\)、\(P(X=2) = 0.5\) である場合、合計は1にならなければならないため、\(P(X=3)\) は必ず0.3となります。

3. 確率密度関数 (PDF) - 連続型変数の場合

ここは少し「数学らしく」なる部分です。連続型変数の場合、ある一つの「正確な」数値（例えば、ピッタリ1.00000...秒）になる確率は、実は0です。その代わり、ある区間における密度（density）に注目します。

確率密度関数（Probability Density Function: PDF）は \(f(x)\) と表記されます。\(X\) が \(a\) から \(b\) の間に収まる確率を求めるには、積分を使って曲線の下側の面積を計算します：

\(P(a \le X \le b) = \int_{a}^{b} f(x) dx\)

PDFの2つの黄金ルール：
1. 関数は負の値をとらない： \(f(x) \ge 0\)。
2. 曲線全体の下側の面積の合計は必ず1になる： \(\int_{-\infty}^{\infty} f(x) dx = 1\)。

よくある間違いに注意！

離散型のPMFにおいて、\(P(X=x)\) はそのまま「確率」ですが、連続型のPDFにおいて \(f(x)\) は確率そのものではありません。あくまで「高さ（密度）」です。面積の合計が1に保たれていれば、\(f(x)\) が1より大きくなることも十分にあり得ます！

4. 累積分布関数 (CDF)

累積分布関数（Cumulative Distribution Function: CDF）は \(F(x)\) と書かれ、確率の「累計（running total）」のようなものです。これは、ある値以下の値をとる確率を表します。

定義： \(F(x) = P(X \le x)\)

なぜCDFが便利なのか？
毎回積分し直さなくても、ある範囲内に収まる確率を計算できるからです：
\(P(a < X \le b) = F(b) - F(a)\)

暗記のコツ：CDFの「C」

CDFの「C」は Collect（集める）や Cumulate（累積する）と覚えましょう。グラフの左側からあなたの指定した点 \(x\) まで、すべての確率を「かき集めてくる」イメージです。

CDFの重要な性質：

• 常に0から始まる（一番左で： \(F(-\infty) = 0\)）。
• 常に1で終わる（一番右で： \(F(\infty) = 1\)）。
• 下がることはなく、非減少である。右に進むにつれて、確率を「積み上げていく」からです。

豆知識： 保険業界では、損害額が免責金額以下になる確率を求める際に、このCDFが活用されています！

5. PDFとCDFをつなぐ

微積分が得意な方は、この部分がきっと気に入るはずです。PDFとCDFは表裏一体の関係にあり、積分と微分を使って相互に行き来できます。

1. PDFからCDFを求める場合： PDFを最小値から \(x\) まで積分します。
\(F(x) = \int_{-\infty}^{x} f(t) dt\)

2. CDFからPDFを求める場合： CDFを微分します。
\(f(x) = \frac{d}{dx} F(x)\)

ステップ・バイ・ステップ：PDFからCDFを求める

\(f(x) = 2x\) （範囲 \(0 < x < 1\)）が与えられたとします。
1. 積分を組み立てる： \(\int_{0}^{x} 2t dt\)。
2. 積分する： \([t^2]\) （範囲は \(0\) から \(x\)）。
3. 計算する： \(x^2 - 0^2 = x^2\)。
4. CDFを完成させる：
\(F(x) = 0\) （\(x < 0\) のとき）
\(F(x) = x^2\) （\(0 \le x \le 1\) のとき）
\(F(x) = 1\) （\(x > 1\) のとき）

6. まとめと最後のアドバイス

重要なポイント：
• PMF/PDFは「ある一点」や「密度」の状態を示します。
• CDFは「そこまで合計でどれくらいか」の状態を示します。
• 離散型には総和（\(\Sigma\)）を使いましょう。
• 連続型には積分（\(\int\)）を使いましょう。
• 確率の合計（総和または積分）が必ず1になるか確認してください。もしそうでなければ、どこかで計算ミスをしています。

忘れないでください： 連続型分布では、変数が「正確に \(x\) である確率」は0なので、\(P(X < x)\) と \(P(X \le x)\) は同じ意味になります。しかし、離散型ではそうはいきません。問題文が "<" なのか "\(\le\)" なのか、離散型の問題を解くときは特に注意してくださいね！

順調ですよ！これらの概念は、Exam Pのほぼすべての問題を解くための最強の武器になります。PDFとCDFの変換が自然にできるようになるまで、練習問題をたくさん解いてみてください。