Tweet

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。

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

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。

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

R

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

R

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

R

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

R

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

R

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。

Tweet