《確率論》 - 版の履歴

2008年9月25日 (木) 07:58にNmakimotoによる

2008-09-25T07:58:08Z

2007年9月21日 (金) 04:14にSakasegawaによる

2007-09-21T04:14:39Z

2007年9月21日 (金) 03:37にSakasegawaによる

2007-09-21T03:37:21Z

2007年9月21日 (金) 03:36にSakasegawaによる

2007-09-21T03:36:33Z

2007年9月21日 (金) 03:34にSakasegawaによる

2007-09-21T03:34:54Z

2007年8月6日 (月) 17:50にKuwashimaによる

2007-08-06T17:50:43Z

Orsjwiki: "《確率論》" を保護しました。 [edit=sysop:move=sysop]

2007-07-19T13:32:51Z

"《確率論》" を保護しました。 [edit=sysop:move=sysop]

2007年7月18日 (水) 07:25に122.17.2.240による

2007-07-18T07:25:59Z

2007年7月16日 (月) 14:47に220.104.197.230による

2007-07-16T14:47:17Z

2007年7月9日 (月) 01:34に122.30.230.198による

2007-07-09T01:34:24Z

差分を表示

@@ 41行目: / 41行目: @@
 '''参考文献'''
-[1] H. Bauer, ''Probability Theory and Elements of Measure Theory'', 2nd ed., Academic Press, 1983.
+[1] L. Breiman, ''Probability,'' Classics in Applied Mathematics, SIAM, 1992.
-[2] M. Lo&eacute;ve, ''Probability Theory I'', 4th ed., Springer, 1977, ''Probability Theory II'', 4th ed., Springer, 1978.
+[2] 高橋幸雄，『確率論』，朝倉書店，2008.
 [3] 伊藤清, 『確率論』, 岩波書店, 1991.
-[4] 伏見正則, 『確率と確率過程』, 講談社, 1987.
+[4] 伏見正則, 『確率と確率過程』, 朝倉書店, 2004.
 [[category:確率と確率過程|かくりつろん]]

@@ 11行目: / 11行目: @@
 '''確率分布'''　確率変数を特徴付ける主な要素は確率分布である. <math>X\, </math> が実数値確率変数のとき, <math>\mbox{R}\, </math> の部分集合 <math>A\, </math> (正確には <math>\mbox{R}\, </math> 上のボレル集合体 <math>{\mathcal B}_1\, </math> の要素 <math>A\, </math>) に対し, <math>X \in A\, </math> となる確率は <math>\mathrm{P}(\{\omega : X(\omega) \in A \})\, </math> で与えられる. このように, 集合 <math>A\, </math> に対して <math>X \in A\, </math> となる確率を対応させたものを <math>X\, </math> の[[確率分布]], あるいは単に分布と呼ぶ. 特に, <math>A=(-\infty, x]\, </math> としたときの確率<math>F(x)=\mathrm{P}(X \leq x)\; (=\mathrm{P}(\{\omega : X(\omega) \leq x\}))\, </math> を <math>x\, </math> の関数と考えて <math>X\, </math> の[[累積分布関数]]または分布関数と呼ぶ. <math>F(x)\, </math> は単調非減少な右連続関数で, <math>F(-\infty)=0\, </math>, <math>F(+\infty)=1\, </math> を満たす.
-　分布の中で, とり得る値が高々可算個である確率分布を[[離散型分布]]と呼ぶ. <math>X\, </math> が <math>\{ \ldots, x_{-1}, x_0, x_1, \ldots \}\, </math> の値をとる離散型分布であれば, [[確率関数]] <math>p(k) = \mathrm{P}(X=x_k)\, </math> によって分布を表すことができる. 離散型分布に対し, <math>F(x)\, </math> が連続な分布を[[連続型分布]]という. 実際に用いられるほとんどの連続型分布は <math>F(x)\, </math> が微分可能であり, [[確率密度関数]] <math>f(x)=\mathrm{d}F(x)/\mathrm{d}x\, </math>によって分布を表現できる. <math>f(x)\, </math> は単に密度関数とも呼ばれる. 密度関数を持つ分布は絶対連続型分布, あるいは単に連続型分布と呼ばれることもある.
+　分布の中で, とり得る値が高々可算個である確率分布を[[離散型分布]]と呼ぶ. <math>X\, </math> が <math>\{ \ldots, x_{-1}, x_0, x_1, \ldots \}\, </math> の値をとる離散型分布であれば, [[確率関数]] <math>p(x_k) = \mathrm{P}(X=x_k)\, </math> によって分布を表すことができる. 離散型分布に対し, <math>F(x)\, </math> が連続な分布を[[連続型分布]]という. 実際に用いられるほとんどの連続型分布は <math>F(x)\, </math> が微分可能であり, [[確率密度関数]] <math>f(x)=\mathrm{d}F(x)/\mathrm{d}x\, </math>によって分布を表現できる. <math>f(x)\, </math> は単に密度関数とも呼ばれる. 密度関数を持つ分布は絶対連続型分布, あるいは単に連続型分布と呼ばれることもある.
 　離散型分布の例としては, [[2項分布]], [[ポアソン分布]], [[幾何分布]]などがあり, 密度関数をもつ連続型分布の例としては[[正規分布]], [[指数分布]], [[一様分布]]などがある.

← 古い版		2007年9月21日 (金) 03:37時点における版
31行目:		31行目:


−	を満たすとき, <math>X_1, \ldots, X_n\, </math> は[[独立性 (確率変数の)\|独立]]であるという. 直観的には, 各確率変数の値が他の確率変数の値と無関係に決まることを意味する. なお, <math>X\, </math> と <math>Y\, </math> が独立であれば無相関となるが, その逆は一般に成立しない. 独立な確率変数 <math>X\, </math> と <math>Y\, </math> ~~の確率分布関数を~~ <math>F_X(x), F_Y(x)\, </math> とするとき, その和 <math>S = X+Y\, </math> の累積分布関数は, <math>\textstyle F_S(x)= \int F_X(x-y) \mathrm{d} F_Y(y)\, </math> によって計算できる. 同様に, 整数値をとる離散型分布に対しては <math>\textstyle \mathrm{P}(S=k)=\sum_i \mathrm{P}(X=k-i)\mathrm{P}(Y=i)\, </math> によって <math>S\, </math> の確率関数を, また, <math>X\, </math>, <math>Y\, </math> が密度関数をもつ場合は, <math>\textstyle f_S(x)=\int f_X(x-y)f_Y(y) \mathrm{d}y\, </math> によって <math>S\, </math> の密度関数を求めることができる. [[たたみ込み]]と呼ばれるこれらの方法から, 2つの指数分布の和はガンマ分布になり, 2つの正規分布の和はやはり正規分布になる, といったことがわかる.	+	を満たすとき, <math>X_1, \ldots, X_n\, </math> は[[独立性 (確率変数の)\|独立]]であるという. 直観的には, 各確率変数の値が他の確率変数の値と無関係に決まることを意味する. なお, <math>X\, </math> と <math>Y\, </math> が独立であれば無相関となるが, その逆は一般に成立しない. 独立な確率変数 <math>X\, </math> と <math>Y\, </math> の累積分布関数を <math>F_X(x), F_Y(x)\, </math> とするとき, その和 <math>S = X+Y\, </math> の累積分布関数は, <math>\textstyle F_S(x)= \int F_X(x-y) \mathrm{d} F_Y(y)\, </math> によって計算できる. 同様に, 整数値をとる離散型分布に対しては <math>\textstyle \mathrm{P}(S=k)=\sum_i \mathrm{P}(X=k-i)\mathrm{P}(Y=i)\, </math> によって <math>S\, </math> の確率関数を, また, <math>X\, </math>, <math>Y\, </math> が密度関数をもつ場合は, <math>\textstyle f_S(x)=\int f_X(x-y)f_Y(y) \mathrm{d}y\, </math> によって <math>S\, </math> の密度関数を求めることができる. [[たたみ込み]]と呼ばれるこれらの方法から, 2つの指数分布の和はガンマ分布になり, 2つの正規分布の和はやはり正規分布になる, といったことがわかる.

← 古い版		2007年9月21日 (金) 03:36時点における版
31行目:		31行目:


−	を満たすとき, <math>X_1, \ldots, X_n\, </math> は[[独立性 (確率変数の)\|独立]]であるという. 直観的には, 各確率変数の値が他の確率変数の値と無関係に決まることを意味する. なお, <math>X\, </math> と <math>Y\, </math> が独立であれば無相関となるが, その逆は一般に成立しない. 独立な確率変数 <math>X\, </math> と <math>Y\, </math> の確率分布関数を <math>F_X(x), F_Y(x)\, </math> とするとき, その和 <math>S = X+Y\, </math> ~~の確率分布関数は~~, <math>\textstyle F_S(x)= \int F_X(x-y) \mathrm{d} F_Y(y)\, </math> によって計算できる. 同様に, 整数値をとる離散型分布に対しては <math>\textstyle \mathrm{P}(S=k)=\sum_i \mathrm{P}(X=k-i)\mathrm{P}(Y=i)\, </math> によって <math>S\, </math> の確率関数を, また, <math>X\, </math>, <math>Y\, </math> が密度関数をもつ場合は, <math>\textstyle f_S(x)=\int f_X(x-y)f_Y(y) \mathrm{d}y\, </math> によって <math>S\, </math> の密度関数を求めることができる. [[たたみ込み]]と呼ばれるこれらの方法から, 2つの指数分布の和はガンマ分布になり, 2つの正規分布の和はやはり正規分布になる, といったことがわかる.	+	を満たすとき, <math>X_1, \ldots, X_n\, </math> は[[独立性 (確率変数の)\|独立]]であるという. 直観的には, 各確率変数の値が他の確率変数の値と無関係に決まることを意味する. なお, <math>X\, </math> と <math>Y\, </math> が独立であれば無相関となるが, その逆は一般に成立しない. 独立な確率変数 <math>X\, </math> と <math>Y\, </math> の確率分布関数を <math>F_X(x), F_Y(x)\, </math> とするとき, その和 <math>S = X+Y\, </math> の累積分布関数は, <math>\textstyle F_S(x)= \int F_X(x-y) \mathrm{d} F_Y(y)\, </math> によって計算できる. 同様に, 整数値をとる離散型分布に対しては <math>\textstyle \mathrm{P}(S=k)=\sum_i \mathrm{P}(X=k-i)\mathrm{P}(Y=i)\, </math> によって <math>S\, </math> の確率関数を, また, <math>X\, </math>, <math>Y\, </math> が密度関数をもつ場合は, <math>\textstyle f_S(x)=\int f_X(x-y)f_Y(y) \mathrm{d}y\, </math> によって <math>S\, </math> の密度関数を求めることができる. [[たたみ込み]]と呼ばれるこれらの方法から, 2つの指数分布の和はガンマ分布になり, 2つの正規分布の和はやはり正規分布になる, といったことがわかる.

@@ 9行目: / 9行目: @@
-'''確率分布'''　確率変数を特徴付ける主な要素は確率分布である. <math>X\, </math> が実数値確率変数のとき, <math>\mbox{R}\, </math> の部分集合 <math>A\, </math> (正確には <math>\mbox{R}\, </math> 上のボレル集合体 <math>{\mathcal B}_1\, </math> の要素 <math>A\, </math>) に対し, <math>X \in A\, </math> となる確率は <math>\mathrm{P}(\{\omega : X(\omega) \in A \})\, </math> で与えられる. このように, 集合 <math>A\, </math> に対して <math>X \in A\, </math> となる確率を対応させたものを <math>X\, </math> の[[確率分布]], あるいは単に分布と呼ぶ. 特に, <math>A=(-\infty, x]\, </math> としたときの確率<math>F(x)=\mathrm{P}(X \leq x)\; (=\mathrm{P}(\{\omega : X(\omega) \leq x\}))\, </math> を <math>x\, </math> の関数と考えて <math>X\, </math> の[[分布関数|確率分布関数]]または分布関数と呼ぶ. <math>F(x)\, </math> は単調非減少な右連続関数で, <math>F(-\infty)=0\, </math>, <math>F(+\infty)=1\, </math> を満たす.
+'''確率分布'''　確率変数を特徴付ける主な要素は確率分布である. <math>X\, </math> が実数値確率変数のとき, <math>\mbox{R}\, </math> の部分集合 <math>A\, </math> (正確には <math>\mbox{R}\, </math> 上のボレル集合体 <math>{\mathcal B}_1\, </math> の要素 <math>A\, </math>) に対し, <math>X \in A\, </math> となる確率は <math>\mathrm{P}(\{\omega : X(\omega) \in A \})\, </math> で与えられる. このように, 集合 <math>A\, </math> に対して <math>X \in A\, </math> となる確率を対応させたものを <math>X\, </math> の[[確率分布]], あるいは単に分布と呼ぶ. 特に, <math>A=(-\infty, x]\, </math> としたときの確率<math>F(x)=\mathrm{P}(X \leq x)\; (=\mathrm{P}(\{\omega : X(\omega) \leq x\}))\, </math> を <math>x\, </math> の関数と考えて <math>X\, </math> の[[累積分布関数]]または分布関数と呼ぶ. <math>F(x)\, </math> は単調非減少な右連続関数で, <math>F(-\infty)=0\, </math>, <math>F(+\infty)=1\, </math> を満たす.
 　分布の中で, とり得る値が高々可算個である確率分布を[[離散型分布]]と呼ぶ. <math>X\, </math> が <math>\{ \ldots, x_{-1}, x_0, x_1, \ldots \}\, </math> の値をとる離散型分布であれば, [[確率関数]] <math>p(k) = \mathrm{P}(X=x_k)\, </math> によって分布を表すことができる. 離散型分布に対し, <math>F(x)\, </math> が連続な分布を[[連続型分布]]という. 実際に用いられるほとんどの連続型分布は <math>F(x)\, </math> が微分可能であり, [[確率密度関数]] <math>f(x)=\mathrm{d}F(x)/\mathrm{d}x\, </math>によって分布を表現できる. <math>f(x)\, </math> は単に密度関数とも呼ばれる. 密度関数を持つ分布は絶対連続型分布, あるいは単に連続型分布と呼ばれることもある.
-　離散分布の例としては, [[2項分布]], [[ポアソン分布]], [[幾何分布]]などがあり, 密度関数をもつ分布の例としては[[正規分布]], [[指数分布]], [[一様分布]]などがある.
+　離散型分布の例としては, [[2項分布]], [[ポアソン分布]], [[幾何分布]]などがあり, 密度関数をもつ連続型分布の例としては[[正規分布]], [[指数分布]], [[一様分布]]などがある.

← 古い版		2007年8月6日 (月) 17:50時点における版
48行目:		48行目:

	[4] 伏見正則, 『確率と確率過程』, 講談社, 1987.		[4] 伏見正則, 『確率と確率過程』, 講談社, 1987.
		+
		+	[[category:確率と確率過程\|かくりつろん]]

← 古い版	2007年7月19日 (木) 13:32時点における版
(相違点なし)

@@ 1行目: / 1行目: @@
 '''【かくりつろん (probability theory) 】'''
-　不確実な現象を表現する手段としての確率論は, コルモゴロフ (A. N. Kolmogorov) が測度論的確率論を打ち立ててから数学的基礎ができたと言えよう.その後の確率論の理論的深化と応用は目を見張るものがあり, オペレーションズ・リサーチへの応用に限っても, [[待ち行列理論]], [[在庫理論]], [[ファイナンス理論]], [[動的計画]], [[確率計画]], [[信頼性理論]], [[シミュレーション]]等多岐にわたっている. 特に, 数理統計学や待ち行列理論は理論的基礎の多くを確率論に置いており, 数学的な観点からも興味ある問題を提起し続けている.
+　不確実な現象を表現する手段としての確率論は, コルモゴロフ (A. N. Kolmogorov) が測度論的確率論を打ち立ててから数学的基礎ができたと言えよう.その後の確率論の理論的深化と応用は目を見張るものがあり, オペレーションズ・リサーチへの応用に限っても, [[待ち行列モデル|待ち行列理論]], [[在庫モデル|在庫理論]], [[ファイナンシャルエンジニアリング|ファイナンス理論]], [[動的計画]], [[確率計画]], [[信頼度|信頼性理論]], [[シミュレーション]]等多岐にわたっている. 特に, 数理統計学や待ち行列理論は理論的基礎の多くを確率論に置いており, 数学的な観点からも興味ある問題を提起し続けている.
@@ 9行目: / 9行目: @@
-'''確率分布'''　確率変数を特徴付ける主な要素は確率分布である. <math>X\, </math> が実数値確率変数のとき, <math>\mbox{R}\, </math> の部分集合 <math>A\, </math> (正確には <math>\mbox{R}\, </math> 上のボレル集合体 <math>{\mathcal B}_1\, </math> の要素 <math>A\, </math>) に対し, <math>X \in A\, </math> となる確率は <math>\mathrm{P}(\{\omega : X(\omega) \in A \})\, </math> で与えられる. このように, 集合 <math>A\, </math> に対して <math>X \in A\, </math> となる確率を対応させたものを <math>X\, </math> の[[確率分布]], あるいは単に分布と呼ぶ. 特に, <math>A=(-\infty, x]\, </math> としたときの確率<math>F(x)=\mathrm{P}(X \leq x)\; (=\mathrm{P}(\{\omega : X(\omega) \leq x\}))\, </math> を <math>x\, </math> の関数と考えて <math>X\, </math> の[[確率分布関数]]または分布関数と呼ぶ. <math>F(x)\, </math> は単調非減少な右連続関数で, <math>F(-\infty)=0\, </math>, <math>F(+\infty)=1\, </math> を満たす.
+'''確率分布'''　確率変数を特徴付ける主な要素は確率分布である. <math>X\, </math> が実数値確率変数のとき, <math>\mbox{R}\, </math> の部分集合 <math>A\, </math> (正確には <math>\mbox{R}\, </math> 上のボレル集合体 <math>{\mathcal B}_1\, </math> の要素 <math>A\, </math>) に対し, <math>X \in A\, </math> となる確率は <math>\mathrm{P}(\{\omega : X(\omega) \in A \})\, </math> で与えられる. このように, 集合 <math>A\, </math> に対して <math>X \in A\, </math> となる確率を対応させたものを <math>X\, </math> の[[確率分布]], あるいは単に分布と呼ぶ. 特に, <math>A=(-\infty, x]\, </math> としたときの確率<math>F(x)=\mathrm{P}(X \leq x)\; (=\mathrm{P}(\{\omega : X(\omega) \leq x\}))\, </math> を <math>x\, </math> の関数と考えて <math>X\, </math> の[[分布関数|確率分布関数]]または分布関数と呼ぶ. <math>F(x)\, </math> は単調非減少な右連続関数で, <math>F(-\infty)=0\, </math>, <math>F(+\infty)=1\, </math> を満たす.
 　分布の中で, とり得る値が高々可算個である確率分布を[[離散型分布]]と呼ぶ. <math>X\, </math> が <math>\{ \ldots, x_{-1}, x_0, x_1, \ldots \}\, </math> の値をとる離散型分布であれば, [[確率関数]] <math>p(k) = \mathrm{P}(X=x_k)\, </math> によって分布を表すことができる. 離散型分布に対し, <math>F(x)\, </math> が連続な分布を[[連続型分布]]という. 実際に用いられるほとんどの連続型分布は <math>F(x)\, </math> が微分可能であり, [[確率密度関数]] <math>f(x)=\mathrm{d}F(x)/\mathrm{d}x\, </math>によって分布を表現できる. <math>f(x)\, </math> は単に密度関数とも呼ばれる. 密度関数を持つ分布は絶対連続型分布, あるいは単に連続型分布と呼ばれることもある.
@@ 19行目: / 19行目: @@
-'''多次元分布'''　1次元の場合の自然な拡張として, <math>n\, </math> 個の実数値確率変数 <math>X_1, \ldots, X_n\, </math> に対しても, [[多次元分布関数]] <math>\mathrm{P}(X_1 \leq x_1, \ldots, X_n \leq x_n)\, </math> によって分布を定めることができる. 代表的な多次元分布としては, 多変量解析などの基礎となる[[多次元正規分布]]がある. 多次元分布では, 複数の確率変数の関係に興味がある場合が多い. そのような関係を表す指標として, 2つの確率変数 <math>X\, </math> と <math>Y\, </math> の[[共分散]] <math>\mathrm{Cov}(X,Y)=\mathrm{E}(\{X-\mathrm{E}(X)\}\{Y-\mathrm{E}(Y)\})\, </math> や, [[相関係数]] <math>r(X,Y)=\mathrm{Cov}(X,Y)/\sqrt{\mathrm{V}(X)\mathrm{V}(Y)}\, </math> がある. 相関係数は <math>-1 \leq r(X,Y) \leq 1\, </math> の範囲の値をとり, <math>r(X,Y)\, </math> が1に近い場合は, 一方の値が大きいと他方も大きな値を, 一方の値が小さいと他方も小さな値をとる傾向が強い. <math>r(X,Y)\, </math> が <math>-1\, </math> に近いときは, 反対の傾向となる. また, <math>r(X,Y)=0\, </math> のとき <math>X\, </math> と <math>Y\, </math> は無相関と呼ばれる.
+'''多次元分布'''　1次元の場合の自然な拡張として, <math>n\, </math> 個の実数値確率変数 <math>X_1, \ldots, X_n\, </math> に対しても, [[多次元分布|多次元分布関数]] <math>\mathrm{P}(X_1 \leq x_1, \ldots, X_n \leq x_n)\, </math> によって分布を定めることができる. 代表的な多次元分布としては, 多変量解析などの基礎となる[[多次元正規分布]]がある. 多次元分布では, 複数の確率変数の関係に興味がある場合が多い. そのような関係を表す指標として, 2つの確率変数 <math>X\, </math> と <math>Y\, </math> の[[共分散]] <math>\mathrm{Cov}(X,Y)=\mathrm{E}(\{X-\mathrm{E}(X)\}\{Y-\mathrm{E}(Y)\})\, </math> や, [[相関係数]] <math>r(X,Y)=\mathrm{Cov}(X,Y)/\sqrt{\mathrm{V}(X)\mathrm{V}(Y)}\, </math> がある. 相関係数は <math>-1 \leq r(X,Y) \leq 1\, </math> の範囲の値をとり, <math>r(X,Y)\, </math> が1に近い場合は, 一方の値が大きいと他方も大きな値を, 一方の値が小さいと他方も小さな値をとる傾向が強い. <math>r(X,Y)\, </math> が <math>-1\, </math> に近いときは, 反対の傾向となる. また, <math>r(X,Y)=0\, </math> のとき <math>X\, </math> と <math>Y\, </math> は無相関と呼ばれる.
@@ 31行目: / 31行目: @@
-を満たすとき, <math>X_1, \ldots, X_n\, </math> は[[独立 (確率変数の)|独立]]であるという. 直観的には, 各確率変数の値が他の確率変数の値と無関係に決まることを意味する. なお, <math>X\, </math> と <math>Y\, </math> が独立であれば無相関となるが, その逆は一般に成立しない. 独立な確率変数 <math>X\, </math> と <math>Y\, </math> の確率分布関数を <math>F_X(x), F_Y(x)\, </math> とするとき, その和 <math>S = X+Y\, </math> の確率分布関数は, <math>\textstyle F_S(x)= \int F_X(x-y) \mathrm{d} F_Y(y)\, </math> によって計算できる. 同様に, 整数値をとる離散型分布に対しては <math>\textstyle \mathrm{P}(S=k)=\sum_i \mathrm{P}(X=k-i)\mathrm{P}(Y=i)\, </math> によって <math>S\, </math> の確率関数を, また, <math>X\, </math>, <math>Y\, </math> が密度関数をもつ場合は, <math>\textstyle f_S(x)=\int f_X(x-y)f_Y(y) \mathrm{d}y\, </math> によって <math>S\, </math> の密度関数を求めることができる. [[たたみ込み]]と呼ばれるこれらの方法から, 2つの指数分布の和はガンマ分布になり, 2つの正規分布の和はやはり正規分布になる, といったことがわかる.
+を満たすとき, <math>X_1, \ldots, X_n\, </math> は[[独立性 (確率変数の)|独立]]であるという. 直観的には, 各確率変数の値が他の確率変数の値と無関係に決まることを意味する. なお, <math>X\, </math> と <math>Y\, </math> が独立であれば無相関となるが, その逆は一般に成立しない. 独立な確率変数 <math>X\, </math> と <math>Y\, </math> の確率分布関数を <math>F_X(x), F_Y(x)\, </math> とするとき, その和 <math>S = X+Y\, </math> の確率分布関数は, <math>\textstyle F_S(x)= \int F_X(x-y) \mathrm{d} F_Y(y)\, </math> によって計算できる. 同様に, 整数値をとる離散型分布に対しては <math>\textstyle \mathrm{P}(S=k)=\sum_i \mathrm{P}(X=k-i)\mathrm{P}(Y=i)\, </math> によって <math>S\, </math> の確率関数を, また, <math>X\, </math>, <math>Y\, </math> が密度関数をもつ場合は, <math>\textstyle f_S(x)=\int f_X(x-y)f_Y(y) \mathrm{d}y\, </math> によって <math>S\, </math> の密度関数を求めることができる. [[たたみ込み]]と呼ばれるこれらの方法から, 2つの指数分布の和はガンマ分布になり, 2つの正規分布の和はやはり正規分布になる, といったことがわかる.
-'''<math>n\, </math>個の確率変数の和'''　<math>n\, </math>個の確率変数の和 <math>S_n=X_1+\ldots+X_n\, </math> は理論と応用のいずれにおいても重要な問題を提起してきた. <math>S_n/n\, </math> は算術平均であるから統計処理上頻繁に使われる. <math>X_1, \ldots, X_n\, </math> が互いに独立で同一の分布に従い, 平均 <math>\mu\, </math>, 分散 <math>\sigma^2\, </math> をもてば, <math>S_n/n\, </math> の平均は <math>\mu\, </math>, 分散は <math>\sigma^2/n\, </math> であるから, <math>n\rightarrow\infty\, </math> のとき <math>S_n/n\, </math> は <math>\mu\, </math> に収束する. このように <math>S_n/n\, </math> が平均に収束することを[[大数の法則]]といい, 収束が概収束か確率収束かに応じて, それぞれ大数の強法則, 大数の弱法則と呼ばれる. 大数の強法則は[[エルゴード理論]]と密接に関係しており, ある種の条件を満たせば <math>X_1, \ldots, X_n\, </math> が独立でなくとも <math>S_n/n\, </math> は <math>\mu\, </math> に収束することが知られている. 独立確率変数列 <math>X_1, X_2, \ldots\, </math> がそれぞれ平均 <math>\mu\, </math>, 分散 <math>\sigma^2\, </math> の同じ分布に従う場合, 元の分布が何であっても <math>\textstyle \sum_{i=1}^n (X_i-\mu) / \sigma \sqrt{n}\, </math> は <math>n\rightarrow \infty\, </math> のとき平均0, 分散1の正規分布に近づく. これを[[中心極限定理]]といい, 確率論における正規分布の重要性の根拠となっている.
+'''<math>n\, </math>個の確率変数の和'''　<math>n\, </math>個の確率変数の和 <math>S_n=X_1+\ldots+X_n\, </math> は理論と応用のいずれにおいても重要な問題を提起してきた. <math>S_n/n\, </math> は算術平均であるから統計処理上頻繁に使われる. <math>X_1, \ldots, X_n\, </math> が互いに独立で同一の分布に従い, 平均 <math>\mu\, </math>, 分散 <math>\sigma^2\, </math> をもてば, <math>S_n/n\, </math> の平均は <math>\mu\, </math>, 分散は <math>\sigma^2/n\, </math> であるから, <math>n\rightarrow\infty\, </math> のとき <math>S_n/n\, </math> は <math>\mu\, </math> に収束する. このように <math>S_n/n\, </math> が平均に収束することを[[大数の法則]]といい, 収束が概収束か確率収束かに応じて, それぞれ大数の強法則, 大数の弱法則と呼ばれる. 大数の強法則は[[エルゴード定理|エルゴード理論]]と密接に関係しており, ある種の条件を満たせば <math>X_1, \ldots, X_n\, </math> が独立でなくとも <math>S_n/n\, </math> は <math>\mu\, </math> に収束することが知られている. 独立確率変数列 <math>X_1, X_2, \ldots\, </math> がそれぞれ平均 <math>\mu\, </math>, 分散 <math>\sigma^2\, </math> の同じ分布に従う場合, 元の分布が何であっても <math>\textstyle \sum_{i=1}^n (X_i-\mu) / \sigma \sqrt{n}\, </math> は <math>n\rightarrow \infty\, </math> のとき平均0, 分散1の正規分布に近づく. これを[[中心極限定理]]といい, 確率論における正規分布の重要性の根拠となっている.

← 古い版		2007年7月16日 (月) 14:47時点における版
25行目:		25行目:


−	:<math>\mathrm{P}(X_1 \leq x_1, \ldots, X_n \leq x_n)	+	<center>
		+	<math>\mathrm{P}(X_1 \leq x_1, \ldots, X_n \leq x_n)
	= \prod_{i=1}^n \mathrm{P}(X_i \leq x_i)\, </math>		= \prod_{i=1}^n \mathrm{P}(X_i \leq x_i)\, </math>
		+	</center>