大数の法則のシミュレーション

Table of Contents

シミュレーションはときに直感的な理解の助けとなります。難しいことを理解するときには例を考えるのがいいのですが、手近に簡単なサンプルが見つからない場合はプログラムを使ってサンプルを作ってしまう、シミュレーションをするのがおすすめです。

大数の法則についても、プログラムでシミュレーションができます。たとえば (x in [0, 3)) を定義域で ([0, 1)) が値域の関数 ( g(x) = frac{1}{4} x(3-x)(x-0.75)^2) を考えてみましょう。 ((g(x)) は (int _0 ^1 g(x) dx neq 1) とならないので、確率密度関数ではありません。確率変数 (x) をプログラムでランダムに生成するために使う関数です。)

つぎの R のスクリプトで (g(x)) を描画できます。

g <- function(x) {x * (3 - x) * (x - 0.75) * (x - 0.75) / 4}
x <- (0:300)/100
gy <- g(x)
plot(x, gy, type='l')

g <- function(x) {x * (3 - x) * (x - 0.75) * (x - 0.75) / 4}

x <- (0:300)/100

gy <- g(x)

plot(x, gy, type='l')

Suppose (x = 0, 0.01, 0.02, cdots , 2.99, 3), then P((x) = g(x) / (sum ^ {300} _ {k=0} g(100k) )).

s <- sum(gy)
P <- function(x) { g(x) / s }
y <- P(x)
m <- sum(x * y)
v <- sum((x - m) * (x - m) * y)

s <- sum(gy)

P <- function(x) { g(x) / s }

y <- P(x)

m <- sum(x * y)

v <- sum((x - m) * (x - m) * y)

ここで m は期待値、 v は分散で、 m が 2.16665 、 v が 0.2341004 です。

標本分布のテストをするために、次の関数を使います。

pick <- function() {
candidate = NA
while (TRUE) {
candidate = round(runif(1, 0, 3), 2)
p = runif(1, 0, 1)
if (p < g(candidate)) break
}
candidate
}
sample_average <- function(n) {
v = 0
for (i in 1:n) { v = v + pick() }
v / n
}
generate_distribution <- function(n) {
r <- (0:300) * 0
for (i in 1:10000) { r[i] = sample_average(n) }
table(r) / 10000
}

pick <- function() {

candidate = NA

while (TRUE) {

candidate = round(runif(1, 0, 3), 2)

p = runif(1, 0, 1)

if (p < g(candidate)) break

}

candidate

}

sample_average <- function(n) {

v = 0

for (i in 1:n) { v = v + pick() }

v / n

}

generate_distribution <- function(n) {

r <- (0:300) * 0

for (i in 1:10000) { r[i] = sample_average(n) }

table(r) / 10000

}

それでは、 1標本、 2標本平均、 5標本平均、 50標本平均、 100標本平均について分布をみてみましょう。

1標本

plot(generate_distribution(1))

1	plot(generate_distribution(1))

1標本の分布をテストしてみました。これは確率関数 P に従った分布となります。

2標本平均

plot(generate_distribution(2))

1	plot(generate_distribution(2))

2標本平均の分布をテストしてみました。 1標本の場合と異なり、ほとんどのデータは [1.79, 2.69] に集中しています。そしてデータの範囲も1標本の場合よりも狭まっています。 0.2 より小さい値は無くなっていますね。

5標本平均

plot(generate_distribution(5))

1	plot(generate_distribution(5))

ほとんどのデータは [1.95, 2.5] に集中しています。また、最頻値は期待値 2.16665 に近い値になっています。

50標本平均

plot(generate_distribution(50))

1	plot(generate_distribution(50))

ほとんどのデータは [2.05, 2.26] に集中しています。

100標本平均

plot(generate_distribution(100))

1	plot(generate_distribution(100))

ほとんどのデータが [2.08, 2.228] に集中しています。そして 1.9621 以下や 2.3433 以上のデータは出現していません。

この記事が大数の法則の理解の助けになれば幸いです。

The Life