NumPy は、Python で統計解析やデータ分析などで、
データ加工や演算をスムーズに行うためのライブラリです。
ディープラーニングなどの人工知能や機械学習、
時系列分析などでも頻繁に使われます。
NumPy を使いこなすことで、
Python よりもサクッと実装でき、プログラミングが加速させることができます。
データ分析や統計モデリングなどでは、確率分布を扱う機会が多くあります。
NumPyでは、確率分布にしたがった乱数を生成する機能があります。
なんらかの確率分布にしたがったデータを生成することで、
現実を確率論の世界にモデル化して、シミュレーションすることも可能です。
とはいっても、
- 確率分布にしたがった乱数ってなに？
といった方も多いかと思います。
そこで本記事では、
- 確率とは？
- 確率分布とは？
- 乱数とは？
- 確率分布にしたがった乱数とは？
といった内容について、
初学者の方にもわかりやすいように、サクッと、まとめたいと思います。
【Python 数学】確率分布にしたがった乱数とは？について、サクッとわかりやすくまとめました【Python 入門】
「確率」とは？
「確率」は、中学数学で出てきます。
その定義では、
確率とは、注目している場合の数を、すべての場合の数で割った値
となっています。
サイコロの例がとてもシンプルな例になります。
３が出る確率を考えるとします。
注目しているのは３が出る場合です。
これは、３が出る時の１通りです。
すべての場合の数は、１から６までの６通りです。
（ここでは、サイコロの目はすべて同じように出ると仮定されています）
なので、３が出る確率は
1 / 6
となります。
「確率分布」とは？
”確率”は上で説明しましたので、
”分布”について説明しますね。
「分布」とは
分布というのは、
例えば、
- タヌキは日本全体に分布している
のような使い方をします。
注目する日本全体を、
４７都道府県など全体を分解した指標で考えてみます。
北海道 ・・・ いる
青森県 ・・・ いる
・・・
沖縄県 ・・・ いる
のように、すべている、となったら、
日本全土に分布している
と言えます。
例えば、
キツネは北海道と東北に分布している
という場合には、
北海道 ・・・ いる
青森県 ・・・ いる
・・・
福島県 ・・・ いる
新潟県 ・・・ いない
栃木県 ・・・ いない
・・・
沖縄県 ・・・ いない
という状態になります。
この状態を指して、
キツネは北海道と東北に分布している
という表現をします。
以上から、
分布とは、
全体を分解した場合をすべて考えて、
それぞれどういう状態か網羅して表現したもの
と言えます。
確率分布とは？
上のタヌキとキツネの分布の例では、
４７都道府県では、{いる・いない} の２つの状態しかありませんでした。
４７都道府県の状態を、それぞれ確率で表して考えてみます。
仮に全国でタヌキが１００匹いるとします。
北海道に１匹いるとすると、北海道にいる確率は 1/100
青森に２匹いるとすると、青森にいる確率は 2/100
・・・
沖縄に３匹いるとすると、沖縄にいる確率は 3/100
と考えることができます。
分布のそれぞれの状態が確率で表現されたわけです。
ちなみに、確率は、すべての場合を足すと１になります。
例えば、サイコロの出る目の確率を全部足すと１です。
- １が出る確率 ６分の１
- ２が出る確率 ６分の１
- ３が出る確率 ６分の１
- ４が出る確率 ６分の１
- ５が出る確率 ６分の１
- ６が出る確率 ６分の１
これらを全部足すと１になりますよね。
今回の例だと、
- 北海道にいる確率 1/100
- 青森にいる確率 2/100
- ・・・
- 沖縄にいる確率 3/100
これら全部を足すと１になるわけです。
- 確率分布は、全確率１を、それぞれの可能性に分配している
ということが言えます。
以上から、
「確率分布」とは、それぞれの可能性（状態）を網羅して、それぞれの可能性が起こる確率も合わせてまとめたもの
と言えます。
乱数とは？
乱数とは、乱れた数と書きます。
逆に乱れていない数というのは、規則的な数になります。
例えば、１、２、３、４、５・・・
といった数列は、規則的ですよね。
こういうのは乱れていない数です。
乱れた数とは、規則が見られない数になります。
５、２、９、−２、１、１０２、３・・・
のような列は、規則性がなさそうです。
こういう規則性がない数列を乱数列と言います。
乱数列の１つひとつの数字を乱数と呼びます。
確率分布にしたがった乱数とは？
”確率分布にしたがう”という意味を説明しますね。
この先は会員限定になります。
会員の方はログインをお願いいたします。
登録がまだの方は、会員登録をお願いします。
>>> 会員登録はこちら
↓こちら無料で読めます
（Kindle Unlimited にご登録ください）
