大数の法則

確率論
コルモゴロフの公理
確率空間 標本空間 根元事象 事象 確率変数 確率測度
排反 同時分布 周辺分布 条件付き確率
独立 条件付き独立 全確率の法則 大数の法則 ベイズの定理 ブールの不等式
ベン図 樹形図
表 話 編 歴

大数の法則（たいすうのほうそく、英: Law of Large Numbers, LLN、仏: Loi des grands nombres^{[注釈 1]}）とは、確率論・統計学における基本定理の一つ。確率の公理により構成される確率空間の体系は、統計学的確率と矛盾しないことを保証する定理である。

たとえばサイコロを振り、出た目を記録することを考える。この試行回数を限りなく増やせば、出た目の標本平均が目の期待値である 3.5 の近傍から外れる確率はいくらでも小さくなる。これは大数の法則から導かれる帰結の典型例である。より一般に、大数の法則は「独立同分布に従う可積分系確率変数列の標本平均は平均に収束する」と述べられる。

厳密には、大数の法則は収束をどのようにとらえるかに応じて、ヤコブ・ベルヌーイによる大数の弱法則 (WLLN: Weak Law of Large Numbers) と、エミール・ボレルやアンドレイ・コルモゴロフによる大数の強法則 (SLLN: Strong Law of Large Numbers) の2つに大別される。単に「大数の法則」と言った場合、どちらを指しているのかは文脈により判断する必要がある。

具体例

試行において事象が起こる公理的確率を p とする。さらに、この試行を反復しても、各結果の起こりやすさは変化しない（他の結果に影響を及ぼすことがない）ものとする^{[注釈 2]}。この仮定の下で、試行における事象の（起こる）確率は、試行回数を限りなく増やしていったときの、その事象の頻度（発生回数の相対度数）の極限値（統計的確率あるいは経験的確率）はほとんど確実に p に等しくなる。これは大数の法則から導かれる重要な帰結の一つであり、上記の仮定の下で統計的確率は公理的確率に等しいことの数学的な根拠を与える。

たとえばコイントス、特に公正なコイン（ゆがみや偏りがない、完全に対称なコイン）を投げて出た面を記録する試行を行うとする。このとき、表が出る確率と裏が出る確率は等しいと考えられるためともに 1/2 である確率空間になる。このとき、コイン投げの試行回数を限りなく増やすと、表が出る回数と裏が出る回数の比率はどちらも 1/2 に近づく。実際には、試行回数が有限では、各頻度が完全に 1/2 になることはほぼないが、極限値としては各頻度が 1/2 に収束する。これが大数の法則の主張である。

試行の回数を時刻と見たとき、時刻無限大の極限において時間平均が相平均に一致するという意味で、エルゴード理論の最も単純な数学的定式化（エルゴード定理）のうちの一つであるといえる。

数学的定式化

独立同分布に従う可積分系確率変数の無限列 X₁, X₂, … が与えられたとき、その平均を μ とおく。標本平均

${\displaystyle {\bar {X}}_{n}={\frac {1}{n}}(X_{1}+X_{2}+\cdots +X_{n})\quad (n\geq 1)}$

のとる値が平均 μ の近傍から外れる確率は、十分大きな n を取れば、いくらでも小さくできる^{[注釈 3]}：

${\displaystyle \lim _{n\to \infty }P(\vert {\bar {X}}_{n}-\mu \vert >\varepsilon )=0\quad (\forall \varepsilon >0).}$

これを大数の弱法則という。さらに同じ仮定の下で、n → ∞ とするとき、 ${\displaystyle {\bar {X}}_{n}}$ は μ にほとんど確実に（almost surely, 確率 1 で）収束する^{[注釈 4]}：

${\displaystyle P(\lim _{n\to \infty }{\bar {X}}_{n}=\mu )=1.}$

これを大数の強法則という。

強法則の方が弱法則より強い主張をしているが、その分証明が難しい。

証明

この節では確率変数が有限の分散 σ² をもつ場合に限って、大数の弱法則の証明を与える。

確率変数列は独立同分布に従っているので、確率変数 ${\displaystyle {\bar {X}}_{n}}$ の平均と分散はそれぞれ μ と σ²/n になる。よってチェビシェフの不等式から

${\displaystyle 0\leq P(\left\vert {\bar {X}}_{n}-\mu \right\vert >\varepsilon )\leq {\frac {1}{\varepsilon ^{2}}}V({\bar {X}}_{n})={\frac {1}{\varepsilon ^{2}}}{\frac {\sigma ^{2}}{n}}\to 0\quad (n\to \infty )}$

となり、定理の主張が得られる。

仮定を満たさない例

大数の法則は（有限な）期待値の存在を仮定している。期待値の存在しない場合は、大数の法則が当てはまらないことがある。例えば安定分布における特性指数が α ≤ 1 の場合（例：コーシー分布）である。また、大数の法則が成立するためには事象の独立が保証されなければならない。

脚注

注釈

参考文献

• 伊藤雄二『確率論』朝倉書店、2002年。ISBN 978-4254114409。 

関連項目

• チェビシェフの不等式
• 中心極限定理
• エルゴード理論、エルゴード定理
• ポアソン分布 - 少数の法則

外部リンク

• 『大数の法則』 - コトバンク
• Hazewinkel, Michiel, ed. (2001), “Law of large numbers”, Encyclopedia of Mathematics, Springer, ISBN 978-1-55608-010-4, https://www.encyclopediaofmath.org/index.php?title=Law_of_large_numbers 
• 中嶋眞澄 (2004-06-20), “大数の強法則の初等的証明”, 鹿児島経済論集 45 (1): 1–5, NAID 110004671025（強法則のみ。分散の有限性を仮定しない。） 

表 話 編 歴 確率論
確率の歴史	アンドレイ・コルモゴロフ トーマス・ベイズ アンドレイ・マルコフ ジョゼフ・L・ドゥーブ 伊藤清
確率の定義	客観確率 統計的確率 古典的確率 公理的確率 主観確率 ベイズ確率 確率の拡張 外確率 負の確率
基礎概念	モデル 試行 結果 事象 標本空間 確率測度 確率空間 確率変数 確率変数の収束 確率分布 離散確率分布 連続確率分布 同時分布 周辺分布 条件付き確率分布 独立同分布 関数 確率質量関数 確率密度関数 累積分布関数 特性関数 用語 独立 期待値 モーメント 条件付き確率 条件付き期待値
確率の解釈	ベルトランの逆説 3囚人問題 モンティ・ホール問題 サンクトペテルブルクのパラドックス 合接の誤謬 ギャンブラーの誤謬
問題	壺問題 クーポンコレクター問題
法則・定理	ベイズの定理 大数の法則 中心極限定理 コルモゴロフの0-1法則 デ・フィネッティの定理 ウィーナー＝ヒンチンの定理
測度論	確率測度の拡張 カラテオドリの拡張定理 E.ホップの拡張定理 コルモゴロフの拡張定理 ヴィタリの収束定理 ルベーグの優収束定理 ラプラス原理 スコロホッドの表現定理
確率微分方程式	伊藤の補題
確率過程	独立増分過程 定常過程 マルチンゲール マルコフ過程 マルコフ性 マルコフ連鎖 マルコフ決定過程 部分観測マルコフ決定過程 マルコフ再生過程 ウィーナー過程 ブラウン運動 幾何ブラウン運動 非整数ブラウン運動 ベルヌーイ過程 ガウス過程 自己相似過程 経験過程 中華料理店過程 オルンシュタイン＝ウーレンベック過程
情報量	最大エントロピー原理 交差エントロピー 結合エントロピー カルバック・ライブラー情報量 相互情報量
応用	数理ファイナンス ブラック–ショールズ方程式 確率的ボラティリティモデル 系統学 ベイズ法
カテゴリ