二項分布の期待値
二項分布は、統計学と確率論において最もよく見られる離散確率分布の一つです。この分布は、独立した二値試行（成功か失敗かの二択しかない試行）の連続における成功回数を表します。二項分布をより深く理解するためには、期待値の概念を理解することが重要です。期待値とは、試行を長期間にわたって繰り返した場合の平均値を表すものです。本稿では、二項分布の文脈における期待値の概念について解説します。
二項分布の定義
二項分布は、同一かつ独立した試行を複数回行い、各試行に「成功」と「失敗」という互いに排他的な2つの結果がある場合に生じます。例えば、コイン投げ（表か裏）、試験問題への解答（正解か不正解）、あるいは臨床試験（治癒か非治癒か）などが挙げられます。
二項分布は、2つのパラメータによって定義されます。
– n、試行回数。
– p は、各試行における成功確率です。
大まかに言うと、X が n 回の試行における成功回数を表す確率変数である場合、X はパラメータ n と p を持つ二項分布に従い、X ~ Binomial(n, p) と表記されます。
確率関数
二項分布の確率関数は以下のとおりです。
\[ P(X = k) = \binom{n}{k} p^k (1-p)^{nk} \]
どこ：
– \( \binom{n}{k} \) は二項係数であり、\( \frac{n!}{k!(nk)!} \) として計算されます。
– \( k \) は、望ましい成功数です。
– \( n \) は試行回数です。
– \( p \) は各試行における成功の確率です。
– \( (1-p) \) は各試行における失敗の確率です。
期待値
確率分布の期待値または平均値は、中心位置を示す最も重要な指標の一つです。二項分布の場合、Binomil(n, p)に従う確率変数Xの期待値は次のようになります。
\[ E(X) = np \]
期待値の証明
二項分布の期待値が np になる理由を理解するには、期待値の線形性を利用して、二値変数がどのように寄与に加算されるかを見ればよい。
\( X \) を n 回の二値試行における成功回数と定義します。より具体的には、\( X_i \) を i 番目の試行の結果を表す確率変数とし、i 番目の試行が成功の場合は \( X_i = 1 \)、失敗の場合は \( X_i = 0 \) とします。すると、\( X \) は次のように表すことができます。
\[ X = X_1 + X_2 + \ldots + X_n \]
各 \( X_i \) は成功確率 p を持つ二値変数であるため、\( X_i \) の期待値は次のようになります。
\[ E(X_i) = 1 \cdot p + 0 \cdot (1-p) = p \]
Xの期待値については、期待値の線形性を用いることができます。
\[ E(X) = E(X_1 + X_2 + \ldots + X_n) \]
\[ E(X) = E(X_1) + E(X_2) + \ldots + E(X_n) \]
\[ E(X) = p + p + \ldots + p \]
\[ E(X) = np \]
これは、二項分布の期待値がnpであることを示しています。
具体例
公平なコインを10回投げる場合を考えてみましょう。表が出る回数の期待値はどれくらいになるでしょうか。
この場合：
– n = 10（コイン投げの回数）
– p = 0.5（コインが公平な場合、表が出る確率）
したがって、期待値は次のようになります。
\[ E(X) = np = 10 \times 0.5 = 5 \]
つまり、長期的に見てコインを10回繰り返し投げると、平均して5回表が出るということだ。
分散と標準偏差
期待値に加えて、二項分布の分散と標準偏差を理解することも重要です。
二項分布の場合、分散 \( \sigma^2 \) と標準偏差 \( \sigma \) は次のようになります。
\[ \sigma^2 = np(1-p) \]
\[ \sigma = \sqrt{np(1-p)} \]
分散は、データが期待値からどれだけばらついているかを示す指標です。標準偏差は分散の平方根であり、データのばらつきを示す指標ですが、元のデータと同じ単位で表されます。
結論
二項分布は統計学と確率論における基本的な概念であり、ビジネスから社会科学、生物学に至るまで、さまざまな実世界の応用分野で頻繁に登場します。二項分布の期待値（npとして計算）は、一連の二値試行における平均成功回数に関する重要な洞察を提供します。期待値、分散、標準偏差の概念を理解することで、二項分布の特性と、それが日常生活における特定の現象をどのように説明するのかをより明確に理解することができます。
この知識は、データ分析や統計学だけでなく、確率と不確実性を評価する必要のある意思決定においても非常に役立ちます。期待値と二項分布を理解することで、より正確な予測を行い、より情報に基づいた意思決定を行うことができます。
