実現値

定義

実現値（realization、または realized value）とは、確率変数 $X$ が試行を実行した結果として実際に観測された具体的な数値 $x$ のことです。

確率変数 $X$ は「試行前に値が定まっていない箱」であり、試行後に箱から出てきた「具体的な数」が実現値 $x$ です。この関係を 1 式で書くと次のようになります。

ここで $\omega$（オメガ）は標本点で、「今回この結果が起きた」という根本的な ID です。$\Omega$（大文字オメガ）は起こりうる全結果の集合（標本空間）で、標本点は $\omega \in \Omega$ と書きます。試行とは $\Omega$ の中から 1 つの $\omega$ を引き出す操作で、実現値とはその $\omega$ に対して関数 $X$ が返す値です。

性質

• 大文字 $X$ は試行前、小文字 $x$ は試行後: 統計学・確率論の表記慣習として、確率変数は大文字 $X$、その実現値は小文字 $x$ で書き分けます。この区別は式の読み方を正確にするために不可欠です

• $P(X = x)$ の式では $X$ が確率変数、$x$ が条件として置かれた具体値: 「確率変数 $X$ が実現値 $x$ を取る確率」を表します。代入ではなく事象の記述です

• 試行後にのみ意味を持つ: 試行を実行する前、$x$ という値は確定しません。試行の後にはじめて具体的な数として手元に残ります

• $n$ 回の独立試行で得られた実現値の列がデータの素材: $\{x_1, x_2, \ldots, x_n\}$ という列が、統計分析で扱う「データ」そのものです

• 確率変数 $X$ は関数、$x$ はその出力値: より厳密には、確率変数 $X$ は関数として定義されており、試行後の実現値 $x$ はその関数の出力値です（詳しくは深掘り参照）

視覚的に見る

サイコロを 1 回振る試行を例に、試行前の $X$ と試行後の $x$ を並べると次のようになります。左側に試行前の確率変数 $X$（1〜6 のどれかを取りうる状態）、右側に試行後の実現値（この例では $x = 3$）が一点だけ残ります。

試行前、確率変数 $X$ は 1〜6 のどれかを取りうる状態として「宙に浮いて」います。試行（サイコロを振る）が起きた瞬間、標本点 $\omega_3$（「3 の目が出た」という結果）が引き出され、$X(\omega_3) = 3$ という実現値が手元に残ります。

残りの 1, 2, 4, 5, 6 は「この試行では起きなかった」結果です。試行を繰り返すたびに新しい標本点が引き出され、新しい実現値が得られます。

実世界での使われ方

実現値という概念は、データが存在するあらゆる場面で使われています。

公的統計の個票: 総務省統計局「家計調査」では、各世帯の消費支出が確率変数「日本の世帯の消費支出 $X$」の実現値として観測されます。全国の世帯から標本を抽出し、各世帯の支出 $x_1, x_2, \ldots, x_n$ が個票に記録されます。公表される平均消費支出は、この実現値の列の標本平均です。

金融市場の日次リターン: 日経平均株価の日次リターン系列 $\{x_1, x_2, \ldots, x_T\}$ は、確率変数「日次リターン $R$」の実現値の列です。日本取引所グループ（JPX）の統計データが公開するヒストリカルデータはこの実現値の集積で、VaR 計算やボラティリティ推定はこの列に基づきます。

機械学習の訓練データ: 教師あり学習における訓練データ $\{(x_i, y_i)\}_{i=1}^N$ は、入力確率変数 $X$ と出力確率変数 $Y$ の同時分布からの実現値の列とみなされます。この i.i.d.（独立同分布）仮定は scikit-learn 公式ドキュメントのクロスバリデーション節でも明示されています。モデルはこの実現値列から分布の性質を学習します。

疫学・臨床統計: 厚生労働省「国民健康・栄養調査」では、抽出された対象者の身長・体重・血圧等が確率変数の実現値として測定されます。母集団分布からの実現値列として扱い、推測統計で母集団の性質を推定します。

深掘り

(a) $X: \Omega \to \mathbb{R}$ という写像の正確な意味

確率変数 $X$ は数学的には標本空間 $\Omega$ から実数 $\mathbb{R}$ への写像（可測写像）です。

サイコロの例で言えば、$\Omega = \{\omega_1, \omega_2, \omega_3, \omega_4, \omega_5, \omega_6\}$ で各 $\omega_i$ が「$i$ の目が出た」という結果です。$X(\omega_i) = i$ と定義すれば、サイコロの目を表す確率変数の完成です。

「振る」という試行は $\Omega$ の中から 1 つの $\omega$ を確率的に選ぶ操作です。「実現値」とは選ばれた $\omega$ に対して関数 $X$ が返す値 $x = X(\omega)$ で、試行後に手元に残る「具体的な数」です。$P(X = x)$ という確率の式は、$X(\omega) = x$ となる $\omega$ の集合が起きる確率を表しています。

この写像の見方を取ると、$X$ と $x$ の区別が自然に出てきます。$X$ は写像そのもの（試行前に存在する構造）で、$x$ は 1 回の試行で得られた写像の出力値（試行後に確定する値）です。

(b) i.i.d. な実現値列とデータ

同じ確率変数 $X$ について独立に $n$ 回試行を繰り返して得た実現値の列 $\{x_1, x_2, \ldots, x_n\}$ が、独立同分布（i.i.d.: independent and identically distributed）の標本です。「独立」とは $i$ 回目の試行結果が $j$ 回目の試行結果に影響しないこと、「同分布」とは毎回同じ確率変数 $X$ から引くことです。

大数の法則は「$n$ が大きくなると実現値の標本平均が $E[X]$（期待値）に収束する」ことを述べています。中心極限定理は「$n$ が大きくなると標本平均の分布が正規分布に近づく」ことを述べています。いずれも「i.i.d. な実現値列が観測された」という設定を前提に、統計推測のほぼすべてが組み立てられます。

(c) sample という訳語の揺れ

英語の sample は文脈により指すものが変わる多義語です。統計学では「1 つの実現値 $x_i$」を指すこともあれば、「実現値の集合 $\{x_1, \ldots, x_n\}$」全体を指すこともあります。機械学習では 1 件の訓練例（1 行のデータ）を「サンプル」と呼ぶことが多く、疫学では「抽出された対象者の集合」を指します。

統計学の日本語訳では「実現値」「観測値」「標本値」が混用されます。本辞典では「実現値 = 確率変数 $X$ が 1 回の試行で取った具体的な数 $x$」を中心定義として使います。

よくある誤解

誤解: 「$X = 3$ という式は変数 $X$ に 3 を代入する意味だ」

確率の文脈で $X = 3$ は「確率変数 $X$ が実現値 3 を取る事象」を表します。代入（$X$ という記憶域に 3 を書き込む操作）ではなく、「この結果が起きた場合」という事象の記述です。$P(X = 3)$ は「$X$ が 3 という値を取る確率」を意味します。

誤解: 「実現値とサンプルは別物だ」

統計学では実質的に同じ概念を指すことが多いです。分野や文脈によって 1 つの値 $x_i$ を指すか、集合 $\{x_1, \ldots, x_n\}$ を指すかが揺れます。

関連する用語

• 算術平均（実現値の列 $\{x_1, \ldots, x_n\}$ の総和を $n$ で割った値）
• 期待値（実現値列の長期平均。$E[X] = \sum_i x_i P(X=x_i)$ という式の中で確率変数 $X$（大文字）と実現値 $x_i$（小文字）が同居する）

詳しくは

• stats-06: 期待値（節 3 で $X$（試行前の確率変数）と $x$（試行後の実現値）の区別を導入し、節 4 で $E[X] = \sum_i x_i P(X = x_i)$ という形で両者が同居する期待値の定義に進む）