「サイコロを何度も振れば、6の目が出る割合は1/6に近づく」という経験的な事実を、数学的に厳密に保証するのが大数の法則です。
統計学・確率論・保険・金融など、現代社会の重要な分野の理論的基盤となっているこの法則を、中心極限定理との違いも含めて解説していきます。
この記事では、大数の法則の意味・証明・統計・確率論・保険への応用をわかりやすくまとめていきます。
確率論の根幹をなすこの定理を、しっかりと理解していきましょう。
大数の法則とは？その意味と直感的な理解
それではまず、大数の法則の意味と直感的な理解について解説していきます。
大数の法則（Law of Large Numbers, LLN）とは、試行回数を増やすほど、標本平均が母平均（真の期待値）に収束するという定理です。
大数の法則（弱形式）：X₁, X₂, …, Xₙ が独立同分布（期待値μ, 分散σ²が有限）のとき、標本平均 X̄ₙ = (X₁+…+Xₙ)/n は確率収束でμに近づく。
すなわち、任意のε>0に対して P(|X̄ₙ−μ|>ε) → 0（n→∞）
「試行回数が多いほど、実験で得られた平均が真の平均に近づく」という、直感とも一致する定理です。
大数の法則は「試行回数と安定性」のつながりを数学的に保証する定理といえます。
弱大数の法則と強大数の法則の違い
大数の法則には「弱形式」と「強形式」があります。
| 種類 | 収束の意味 | 条件 |
|---|---|---|
| 弱大数の法則（WLLN） | 確率収束（in probability） | 分散が有限 |
| 強大数の法則（SLLN） | 概収束（almost surely） | 期待値が有限（より弱い条件） |
強大数の法則は弱大数の法則より強い結論を持ち、「ほぼ確実に」標本平均が期待値に収束することを述べています。
大数の法則の具体例
コインを100回投げたとき表が出た割合が0.5に近いとは限りませんが、10000回投げると0.5にずっと近くなります。
これが大数の法則の直感的な意味であり、試行回数の増加とともに「揺らぎ」が相対的に小さくなることを保証しています。
大数の法則の証明
続いては、大数の法則の証明の概要を確認していきます。
チェビシェフの不等式を使った証明
弱大数の法則は、チェビシェフの不等式を使って証明できます。
チェビシェフの不等式：P(|X−μ|≥ε) ≤ Var(X)/ε²
標本平均 X̄ₙ の分散：Var(X̄ₙ) = σ²/n
P(|X̄ₙ−μ|≥ε) ≤ σ²/(nε²) → 0（n→∞）
よって X̄ₙ は確率収束でμに近づく（弱大数の法則）
この証明は、分散が有限であれば試行回数を増やすことで標本平均の「ばらつき」が0に近づくことを示しています。
強大数の法則の証明の概略
強大数の法則の証明はより技術的であり、ボレル・カンテリの補題やルベーグの収束定理などが使われます。
結論として「n→∞のとき X̄ₙ→μ が確率1で成立する」ことが保証されます。
大数の法則と中心極限定理の違い
続いては、大数の法則と中心極限定理の違いを確認していきます。
二つの定理はよく混同されますが、述べていることがまったく異なります。
中心極限定理の内容
中心極限定理（CLT）は、「独立同分布の確率変数の和（または標本平均）の分布が、nが大きくなるにつれて正規分布に近づく」という定理です。
大数の法則 vs 中心極限定理：
・大数の法則：標本平均がどの値に収束するか（収束先＝期待値μ）を述べる
・中心極限定理：標本平均の分布がどんな形になるか（形＝正規分布）を述べる
大数の法則は「どこに」、中心極限定理は「どんな形で」という違いがあります。
大数の法則が「収束先」を保証し、中心極限定理が「収束の様子（分布の形）」を記述するという役割分担です。
二つの定理の補完関係
大数の法則と中心極限定理は、統計的推定において補完的な役割を果たします。
大数の法則は推定の「一致性」（n→∞で真の値に近づくこと）を保証し、中心極限定理は推定の「信頼区間の構成」（正規分布に基づく誤差評価）を可能にします。
大数の法則の応用
続いては、大数の法則が実際にどのような場面で応用されているかを確認していきます。
保険数学への応用
保険会社は大数の法則を使って、保険料を設定しています。
個々の事故・疾病・死亡の発生は予測不能でも、大数の契約者を集めることで、全体の損害率は期待値に収束します。
保険の成立そのものが大数の法則に基づいており、「多くの人が少しずつリスクを分担する」という原理の数学的根拠が大数の法則です。
カジノとギャンブルへの応用
カジノはすべてのゲームで胴元がわずかに有利になるよう設計されています。
個々のゲームでは客が勝つこともありますが、大数の法則により、試行回数が増えるほどカジノの利益は期待値通りに安定します。
統計的推定・機械学習への応用
標本調査・世論調査・機械学習のモデル評価など、統計的推定の信頼性はすべて大数の法則に基づいています。
機械学習では、訓練データを大量に集めることでモデルの汎化性能が向上するという経験則も、大数の法則の直感と一致しています。
まとめ
この記事では、大数の法則について、意味・証明・中心極限定理との違い・統計・確率論・保険への応用の観点から解説してきました。
大数の法則は「試行回数が増えるほど標本平均が期待値に近づく」ことを保証し、統計的推定・保険・金融の理論的根拠となっています。
中心極限定理とは「収束先（大数の法則）」と「分布の形（中心極限定理）」という異なる側面を述べており、二つは補完関係にあります。
大数の法則は、不確実な世界に確実性をもたらす数学の力を象徴する定理です。
