サイコロの目、コインの裏表、明日の来店客数——結果が偶然に左右される値を数学で扱うための出発点が「確率変数」です。確率分布・期待値・分散など、統計と機械学習のあらゆる概念の主役になる用語なので、ここで土台を固めておきましょう。
📖 ひと言でいうと
確率変数とは、サイコロの出る目のように「偶然を伴う試行の結果に応じて値が決まる変数」のことです。ふつうの変数と違って試行の前には値が確定しておらず、取りうる値のそれぞれに「その値になる確率」が対応づけられています。
くじ引きにたとえると、「引く前のくじの当たり金額」が確率変数です。引く前は0円か100円か1万円か分かりませんが、「どの金額がどのくらいの確率で出るか」はあらかじめ決まっています。引いた瞬間に、確率変数に具体的な値が割り当てられるイメージです。
🖼 1枚でわかる確率変数
📘 公式テキストの説明
確率変数とは、何かしらの試行の結果として得られる値を数値で表現するための変数です。例えば、サイコロを投げると、出る目は1から6の間でランダムに決まります。このとき、サイコロの目を表す変数X は確率変数となります。試行が行われる前には具体的な値は決まっていませんが、試行が終わるとX に値が割り当てられます。確率変数には「離散型」と「連続型」の2種類があります。離散型確率変数は、取りうる値が数えられるような個別の数である場合を指します。例えば、コインを投げたときに「表が出る＝1」「裏が出る＝0」と数値を対応させると、これが離散型の確率変数になります。また、サイコロの出る目も離散型確率変数の一例です。一方で、連続型確率変数は、特定の範囲内で無限に多くの値を取ることができます。例えば、人の身長や体重は、連続的に値が変化するので連続型確率変数となります。連続型確率変数においては、正確に特定の値を取る確率は0ですが、特定の範囲内に収まる確率を計算することが重要です。
ポイントは3つです。①「試行(サイコロを振る・コインを投げるなどの偶然を伴う行為)の前は値が未確定、試行後に値が決まる」のが確率変数、②取りうる値が数えられるなら離散型、切れ目なく続くなら連続型、③連続型では「ちょうどこの値」の確率は0になるので「この範囲に入る確率」で考える——この3点がそのまま試験の論点になります。
🔍 しっかり理解する
ふつうの変数とどこが違うのか
数学で習う変数xは「x = 3」のように値を自由に代入するための入れ物でした。確率変数は、値を決めるのが人間ではなく偶然(試行)である点が違います。さらに、取りうる値の一つひとつに確率が対応づけられている点も特徴です。
たとえばサイコロの目を表す確率変数Xなら、「X = 1になる確率は1/6、X = 2になる確率は1/6、…」という対応表がセットになっています。この「取りうる値と確率の対応関係」を一覧にしたものが確率分布です。つまり、確率変数が主語で、確率分布はその性質を記述するもの、という関係になります。
離散型と連続型——2つのタイプ
- 取りうる値が数えられる(飛び飛びの値)
- 例: サイコロの目、コインの表裏(1/0)、1日の来店客数
- 各値に「その値をとる確率」を直接割り当てられる
- 範囲内の無限に多くの値をとりうる(切れ目がない)
- 例: 身長、体重、気温、処理にかかる時間
- 1点の確率は0。「範囲に入る確率」を確率密度から計算する
見分け方のコツは「取りうる値を1つずつ列挙できるか」です。サイコロの目は1, 2, 3, 4, 5, 6と列挙できるので離散型、身長は170cmと171cmの間にも170.5cm、170.53cm…と無限に値があるので連続型です。
連続型で「1点の確率が0」になる理由
身長がちょうど170.000…cm(小数点以下も完全に一致)の人を探すと考えてみてください。候補の値が無限にあるため、完全一致する1点の確率は限りなく0になります。だからといって「身長170cmの人はいない」という意味ではありません。連続型では「169cm以上171cm以下」のように幅を持たせ、その範囲に入る確率を確率密度関数の面積(積分)として計算します。ここは次のキーワード「確率密度」に直接つながる考え方です。
💡 具体例で考える
サイコロ2個の目の和も確率変数です。取りうる値は2から12までの11通りですが、確率は均等ではありません。2個の出目の組み合わせは全部で6×6 = 36通りあり、和が7になる組み合わせは(1,6)(2,5)(3,4)(4,3)(5,2)(6,1)の6通りなので、確率は6/36 = 1/6。一方、和が2になるのは(1,1)の1通りだけで確率は1/36です。「同じ確率変数でも値ごとに確率が違う」ことがよく分かる例です。
機械学習の予測も確率変数として整理できます。迷惑メールフィルタが出力する「このメールが迷惑メールである/ない」という判定結果は、入力メールというランダムに届くデータに応じて値が決まる離散型の確率変数とみなせます。統計的機械学習の理論は、入力も出力も確率変数として扱うことで「予測の不確かさ」を数式で表現しているのです。
⚠️ よくある誤解・紛らわしい用語
- 「確率変数」と「確率」の混同 — 確率変数は「値をとる主体」(サイコロの目X)であり、確率(1/6)そのものではありません。値と確率の対応づけまで含めた全体像が確率分布です。
- 「確率変数」と「確率分布」 — 確率変数が主語、確率分布は「その変数がどの値をどんな確率でとるか」の記述です。「サイコロの目Xは離散型確率変数で、その分布は一様(各1/6)」のように使い分けます。
- 「連続型で確率0 = 絶対起こらない」ではない — 1点の確率が0なのは候補が無限にあるためで、範囲で見れば正の確率になります。
- 表記の慣習 — 確率変数は大文字(X)、実際に観測された値(実現値)は小文字(x)で書き分けるのが慣例です。問題文でX = 3とあれば「試行の結果3が出た」ことを指します。
📝 試験でのポイント
- 「試行の結果として値が決まる変数」という定義を選ばせる問題が基本形です。「常に一定の値をとる」「人が自由に値を代入する」などの選択肢は誤りと判断できるようにしましょう。
- 離散型・連続型の分類問題が頻出パターンです。サイコロの目・コインの表裏・個数は離散型、身長・体重・時間・温度は連続型、と即答できるようにしておきましょう。
- 「連続型確率変数が特定の値をとる確率は0であり、範囲の確率を考える」という記述の正誤判定も想定されます。
- 確率分布・確率密度・期待値とセットで出題されやすいので、「確率変数に対して定義される概念」という関係性を押さえておくと選択肢を絞りやすくなります。
📚 まとめ
- 確率変数は「試行の結果に応じて値が決まる変数」で、試行前は値が未確定。
- 取りうる値が数えられるなら離散型(サイコロ・コイン)、切れ目なく続くなら連続型(身長・体重)。
- 連続型では1点の確率が0になるため、範囲に入る確率を考える。
- 確率分布・確率密度・期待値・分散はすべて確率変数を主語として定義される、統計の出発点となる概念です。
