3章 大数の法則，正規分布，中心極限定理¶
- 大数の法則: 標本サイズが大きくなるほど，その標本の平均は母集団の平均に近づく
- 中心極限定理: 母集団がどのような分布であっても，標本を抽出したときの平均は正規分布に収束する
今日使うパッケージ
dplyr: Dataframe 操作ggplot2: グラフ作成readr: データ読み込みCairo: グラフ作成（描画，保存）gridExtra: グラフ作成（低レベルな操作）
その他よく使うパッケージ
tidyr: Dataframe 操作readxl,openxlsx: Excel ファイル読み書き
パッケージのインストール
- RStudio のメニューから
- もしくは
install.packages(packagename)
読み込み
library(packagename)orrequire(packagename)
一気に読み込む場合
In [1]:
sapply(c("dplyr", "ggplot2", "readr", "Cairo"), require, character.only = TRUE)
3.1 大数の法則: ベルヌーイ試行と真の値への収束¶
例: コイントス（ベルヌーイ試行）
- 裏（表）が出る確率は
0.5- 母集団の表裏の出る期待確率
- 任意の回数コイントスを繰り返す
- 母集団から標本を抽出
- 母集団平均（期待値）の推定
- 試行回数が十分に大きいと
表:裏 = 1:1に近づく- 平均 0.5 に近づく
- 大数の法則
各試行の結果を $x$ とする
- 表: $x = 1$
- 裏: $x = 0$
試行回数10とき，表が出た回数 $r$ は，
$$ r = x_1 + x_2 + \cdots + x_{10} $$表が出た確率 $y$ （相対頻度） は，
$$ y = \frac{r}{10} $$10回コイントスを行う場合，表が 0--10 回 出る確率は?
- $r$ は確率変数で，$n=10$，$p = 0.5$ の二項分布
Bi(10, 0.5)に従う
- 二項分布の期待値と分散は，
期待値について，
$$ \begin{eqnarray} E(aX) &=& aE(X) \\ E(X + a) &=& E(X) + a \\ E(X + Y) &=& E(X) + E(Y) \\ E(XY) &=& E(X)E(Y) \; (XとYは独立) \end{eqnarray} $$なので，
$$ E(r / n) = p = 0.5 $$In [2]:
c(0:10) %>% sapply(function(r){
ret <- choose(10, r) * 0.5^r * (1-0.5)^(10-r)
return(data_frame(r = r, p = round(ret, 3)))
}, simplify = FALSE) %>% bind_rows()
- R で二項分布を扱う場合は，
dbinom()などを使う
表 3.1
In [3]:
d <- data.frame(r = 0:10, p = round(dbinom(0:10, 10, p=0.5), 3))
d
図 3.1
In [5]:
Cairo(type = "raster")
d %>% ggplot(aes(x = r, y = p)) +
geom_line() + geom_point() +
xlab("表の出る回数") + ylab("確率") +
theme(axis.title = element_text(family = "IPAexGothic"))
dev.off()
十分な標本サイズだとほとんどの値が真の期待値の周囲に収束する （大数の法則）
$$ P\left( \left|\frac{r}{n} - 0.5 \right| \leq \epsilon \right) \to 1 \; (n \to \infty) $$これは，母集団がどのような確率分布であっても成り立つ
$$ P\left( \left|\bar{X}_{(n)} - \mu \right| \leq \epsilon \right) \to 1 \; (n \to \infty) $$標本サイズを増やしていって，0.5 近くになる確率を求める
標本サイズ（n）: 10, 50, 100 で，$0.4 \le r/n \le 0.6$
In [6]:
c(10, 50, 100) %>%
sapply(function(x){
a <- 0.4 * x
b <- 0.6 * x
prob <- dbinom(x=c(a:b), size=x, prob=0.5) %>% sum()
cat(x, "回: ", prob, "\n")
})
標本サイズ（n）: 200, 500, 10000 で，$0.49 \le r/n \le 0.51$
In [7]:
c(200, 500, 1000, 10000) %>%
sapply(function(x){
a <- 0.49 * x
b <- 0.51 * x
prob <- dbinom(x=c(a:b), size=x, prob=0.5) %>% sum()
cat(x, "回: ", prob, "\n")
})
3.2 正規分布¶
表3.2 100頭 のブタの20日間における体重増加量（ポンド）
- ほぼ左右対称のベル型分布が得られる
In [9]:
tbl32 <- read_csv("../data/table3-2.csv")
head(tbl32)
In [12]:
str(tbl32)
In [14]:
Cairo(type = "raster")
tbl32 %>%
ggplot(aes(dw)) +
geom_histogram(binwidth = 5, colour = "black") +
xlab("体重増（ポンド）") + ylab("頻度") +
theme(axis.title = element_text(family = "IPAexGothic"))
dev.off()
正規分布の確率密度関数 $f(x)$
$$ f(x) = \frac{1}{\sqrt{2\pi}\sigma}\exp\left[ \frac{-(x - \mu)^2}{2\sigma^2} \right] \; (-\infty \lt x \lt \infty) $$ここで，$\mu$: 平均，$\sigma$: 標準偏差
$\mu$，$\sigma$ の値によって正規分布の形は変化する（パラメータ）
図3.4:
- 左: $\mu = 0$，$\sigma = 1$
- 右: $\mu = 10$，$\sigma = 2$（青），$\mu = 20$，$\sigma = 4$（赤）
In [16]:
gp1 <- ggplot(data_frame(x = c(-4, 4)), aes(x)) +
stat_function(geom="line", fun = dnorm, args = list(mean = 0, sd = 1))
gp2 <- ggplot(data_frame(x = c(0, 40)), aes(x)) +
stat_function(geom="line", fun = dnorm, args = list(mean = 10, sd = 2), colour = "blue") +
stat_function(geom="line", fun = dnorm, args = list(mean = 20, sd = 4), colour = "red")
gridExtra::grid.arrange(gp1, gp2, ncol = 2)
標準正規分布: 曲線の下の面積は
- 平均値から$1 \sigma$: 0.3413，両側では0.6826
- 平均値から$2 \sigma$: 0.4772，両側では0.9544
- 平均値から$3 \sigma$: 0.4986，両側では0.9972
標準偏差単位で考えると便利なことがある
例
- Zスコア
1 $\sigma$ の距離
平均 10，標準偏差2 の場合
In [17]:
mu <- 10
sigma <- 2
pnorm(mu + sigma, mean=mu, sd = sigma) - pnorm(mu, mean = mu, sd = sigma)
平均 20，標準偏差4 の場合
In [18]:
mu <- 20
sigma <- 4
pnorm(mu + sigma, mean=mu, sd = sigma) - pnorm(mu, mean = mu, sd = sigma)
2 $\sigma$ の距離
平均 10，標準偏差2 の場合
In [19]:
mu <- 10
sigma <- 2
pnorm(mu + 2 * sigma, mean=mu, sd = sigma) - pnorm(mu, mean = mu, sd = sigma)
平均 20，標準偏差 4 の場合
In [20]:
mu <- 20
sigma <- 4
pnorm(mu + 2 * sigma, mean=mu, sd = sigma) - pnorm(mu, mean = mu, sd = sigma)
In [21]:
f <- function(n, M){
mean.d <- numeric(M)
for(k in 1:M){
d <- runif(n, 0, 10)
mean.d[k] <- mean(d)
}
mean.d
}
In [22]:
f.plt <- function(x){
gp <- ggplot(data.frame(mean.d = x)) + theme(axis.title = element_text(family = "IPAexGothic"))
gp1 <- gp + geom_histogram(aes(x = mean.d), bins = nclass.Sturges(x),
colour = "black", fill=gray(0.8)) +
xlab("標本平均") + ylab("頻度")
gp2 <- gp + stat_qq(aes(sample = mean.d)) + xlab("理論変位置") + ylab("標本変位置")
gridExtra::grid.arrange(gp1, gp2, ncol = 2)
}
ヒストグラム と Q-Q プロット
標本サイズ: 3
In [24]:
mean.d1 <- f(3, 100000)
In [25]:
Cairo(type="raster")
f.plt(mean.d1)
dev.off()
標本サイズ: 10
In [27]:
mean.d2 <- f(10, 100000)
In [28]:
Cairo(type="raster")
f.plt(mean.d2)
dev.off()
標本サイズ: 1000
In [29]:
mean.d3 <- f(1000, 100000)
In [30]:
Cairo(type="raster")
f.plt(mean.d3)
dev.off()
