#P07 · 確率・統計・AI最適化 (Probability & AI) · Lv.43Dマインドマップで見る

中心極限定理 (CLT) と信頼区間

Pierre-Simon Laplace & Aleksandr Lyapunov · 1810년

\frac{\bar{X}_n - \mu}{\sigma / \sqrt{n}} \xrightarrow{d} \mathcal{N}(0, 1) \quad (n \to \infty)

\text{95\% CI} = \bar{X} \pm 1.96 \frac{\sigma}{\sqrt{n}}

母集団がどのような分布であっても、標本サイズnが十分に大きければ標本平均の分布は標準誤差 σ/√n の正規分布に収束するという統計学最大の定理です。

🧮 即時公式計算機 & グラフプロッター

標本平均 X̄

標準偏差 σ

標本サイズ n

\text{SE} = \frac{12}{\sqrt{36}} = 2.000, \quad \text{95\% CI} = 50 \pm 3.92

표준오차 SE = σ/√n

2.0000

95% 신뢰구간 [L, U]

[46.08, 53.92]

오차 한계 (±1.96 SE)

±3.920

前提概念ルート (Prerequisite Path) (16 STEP)

ルート解析機

順番にクリックすると基礎から目標公式までの3Dネオン経路を辿れます。

STEP 1#P01順列と組み合わせ (場合の数)

{}_nP_r = \frac{n!}{(n-r)!}

STEP 2#A02乗法公式と因数分解の恒等式

(a+b)^2 = a^2 + 2ab + b^2

STEP 3#A03指数法則と累乗根

a^m \cdot a^n = a^{m+n}

STEP 4#A01等式の性質と一次方程式

ax + b = 0 \implies x = -\frac{b}{a}

STEP 5#A06対数の定義と底の変換公式

\log_a(xy) = \log_a x + \log_a y

STEP 6#P02条件付き確率と乗法定理

P(A \mid B) = \frac{P(A \cap B)}{P(B)}

STEP 7#A08二項定理とパスカルの三角形

(a+b)^n = \sum_{k=0}^{n} \binom{n}{k} a^{n-k} b^k

STEP 8#C01極限の定義とネイピア数 e の誕生

e = \lim_{n \to \infty} \left(1 + \frac{1}{n}\right)^n \approx 2.718281828

STEP 9#P05二項分布とベルヌーイ試行

P(X = k) = \binom{n}{k} p^k (1-p)^{n-k}

STEP 10#A07等差・等比数列の和と無限等比級数

S_n = \frac{a(1 - r^n)}{1 - r}

STEP 11#C02微分係数と導関数 (瞬間変化率と接線)

f'(x) = \frac{df}{dx} = \lim_{h \to 0} \frac{f(x+h) - f(x)}{h}

STEP 12#P04期待値と分散 (確率変数のモーメント)

E[X] = \sum_i x_i p_i

STEP 13#C04微分積分学の基本定理と定積分

\int_a^b f(x)\

STEP 14#P06正規分布 (ガウス分布) と標準化 Zスコア

f(x) = \frac{1}{\sigma\sqrt{2\pi}} \exp\!\left(-\frac{(x-\mu)^2}{2\sigma^2}\right)

STEP 15#C06テイラー級数とマクローリン展開

f(x) = \sum_{n=0}^{\infty} \frac{f^{(n)}(a)}{n!}(x-a)^n

STEP 16#P07中心極限定理 (CLT) と信頼区間

\frac{\bar{X}_n - \mu}{\sigma / \sqrt{n}} \xrightarrow{d} \mathcal{N}(0

幾何学的・直観的解説

표본 오차를 절반으로 줄이려면 표본 크기 n을 2배가 아니라 4배(√4 = 2)로 늘려야 한다는 '루트 n의 법칙'을 알려줍니다.

ステップ別数式導出

Step 1.독립 항등분포 확률변수 X₁..Xₙ의 표본평균 X̄ = (X₁+...+Xₙ)/n에 대해 E[X̄] = μ입니다.
Step 2.분산 성질 Var(aX) = a²Var(X)에 의해 Var(X̄) = (1/n²) · nσ² = σ²/n이므로 표준오차 SE = σ/√n입니다.
Step 3.특성함수(푸리에 변환)의 테일러 2차 전개에 의해 n→∞일 때 표준화된 합은 N(0,1)로 수렴합니다.

AI・プログラミング実戦活用

ミニバッチSGDにおけるバッチサイズnに応じた勾配ノイズ減少(1/√n)やモンテカルロ・レイトレーシングの誤差評価に使われます。

#Mini-Batch SGD#Monte Carlo Ray Tracing#Confidence Intervals#Statistical Inference

const stdError = (sigma, n) => sigma / Math.sqrt(n); const ci95 = (mean, se) => [mean - 1.96*se, mean + 1.96*se];

確率・統計・AI最適化 (Probability & AI) — 同分野の関連公式

順列と組み合わせ (場合の数)

Lv.1 · Combinatorics

条件付き確率と乗法定理

Lv.2 · LLM Next-Token

ベイズの定理 (事後確率推論)

Lv.3 · Spam Filter

期待値と分散 (確率変数のモーメント)

Lv.2 · Reinforcement Learning

二項分布とベルヌーイ試行

Lv.2 · A/B Testing

正規分布 (ガウス分布) と標準化 Zスコア

Lv.3 · Diffusion Models