#Gemini に「アーウィン・ホール分布」を教わる

「0～1の一様分布から独立に $n$ 個の数字を選んだとき、その合計が常に $m$ になる」という状況は、統計学や確率論において「合計が $m$ であるという条件の下での条件付き分布（Conditional distribution）」として扱われます。

このとき選ばれた $n$ 個の数字がどのような分布に従っているかについては、「全体の組み合わせとしての分布（結合分布）」と、「1つ1つの数字単体の分布（周辺分布）」の2つの視点から説明することができます。

結論から言うと、以下のようになります。

1. 全体の組み合わせとしての分布（結合分布）

$n$ 個の数字の組 $(x_1, x_2, \dots, x_n)$ を $n$ 次元空間の座標とみなします。

本来、それぞれが0～1の一様分布から選ばれるということは、$n$ 次元の「単位超立方体（1辺の長さが1の多次元のサイコロのような図形）」の中の点をランダムに選ぶ（超立方体内の多変量一様分布）ことと同じです。

しかし、「合計が $m$ になる」という条件がつくと、選ばれる点は

$$x_1 + x_2 + \dots + x_n = m$$

という方程式を満たす超平面上に限定されます。

したがって、この $n$ 個の数字の組は、「$n$ 次元単位超立方体を、合計が $m$ になる斜めの超平面でスライスした断面（多面体）上における一様分布」から選ばれたものと言えます。

2. 個々の数字単体の分布（周辺分布）

では、その $n$ 個の中から「特定の1個（例えば $x_1$）」だけに注目した場合、それはどのような分布になるでしょうか。もはや元の「0～1の平坦な一様分布」ではありません。

ある1つの数字が値 $x$ をとる確率は、「残りの $n-1$ 個の数字の合計が $m - x$ になる確率」に比例します。

独立な一様分布の和が従う分布は、統計学でアーウィン・ホール分布（Irwin-Hall distribution）と呼ばれます。

そのため、個々の数字は「アーウィン・ホール分布の確率密度関数の一部を切り取って正規化した分布」から選ばれたものと言えます。

数式（LaTeX形式）で表すと、特定の1つの数字 $X$ の確率密度関数 $f(x)$ は次のようになります。

$$f(x \vert{} S = m) = \frac{f_{n-1}(m - x)}{f_n(m)} \quad (0 \le x \le 1)$$

ここで、$S$ は $n$ 個の合計、$f_k(y)$ は $k$ 個の一様分布の和（アーウィン・ホール分布）の確率密度関数であり、次のように定義されます。

$$f_k(y) = \frac{1}{(k-1)!} \sum_{j=0}^{\lfloor y \rfloor} (-1)^j \binom{k}{j} (y - j)^{k-1}$$

具体例でイメージする

抽象的で分かりにくいため、$n=2$ と $n=3$ の場合で具体的に見てみましょう。

【例1】 $n=2$ 個の数字を選び、合計が $m=1$ になる場合

• 状況: $x_1 + x_2 = 1 \implies x_2 = 1 - x_1$
• 個々の分布: $x_1$ が決まれば $x_2$ が自動的に決まります。このとき、$x_1$ は 0～1の間の一様分布 のままです。

【例2】 $n=2$ 個の数字を選び、合計が $m=0.5$ になる場合

• 状況: $x_1 + x_2 = 0.5$
• 個々の分布: どちらの数字も0.5より大きくなることはできません。そのため、個々の数字は 0～0.5の範囲に縮小された一様分布 になります。

【例3】 $n=3$ 個の数字を選び、合計が $m=1$ になる場合

• 状況: $x_1 + x_2 + x_3 = 1$
• 個々の分布: 1つの数字 $x$ の確率密度関数は $f(x) \propto 1 - x$ となります。これは、$0$ のときが最も確率が高く、$1$ に近づくにつれて確率が直線的に $0$ に減っていく右肩下がりの三角形の分布になります。合計に制限があるため、各数字はなるべく小さい値をとろうとする偏りが生じるわけです。

【例4】 $n=3$ 個の数字を選び、合計が $m=1.5$ になる場合

• 個々の分布: この場合、各数字の確率密度関数は $x=0.5$ を頂点とする上に凸の放物線（2次関数）を組み合わせたような山の形になります。極端に0や1に近い値は出にくくなり、真ん中付近の値が出やすくなります。

まとめ

「0～1の一様分布から合計が常に $m$ になるように $n$ 個選ぶ」という制約を課した時点で、元の独立性は失われます。

その結果、選ばれた数字は全体として「超立方体の断面上の多変量一様分布」となり、個々の数字を取り出して見ると、一様分布の和の分布である「アーウィン・ホール分布から導かれる区分的多項式（曲線の山の形など）の分布」から選ばれたものになります。

$n=12$（12個の数字を選ぶ）、$m=4$（合計が常に4になる）という条件では、全体の平均値が $4 \div 12 = \frac{1}{3} \approx 0.333$ となります。

0～1の一様分布の本来の平均は $0.5$ ですが、それよりもかなり小さい合計値（平均0.333）が要求されるため、選ばれる数字の分布は「0に近い小さな値が出やすく、1に近い大きな値が出にくい、極端な右肩下がりの分布」になります。

具体的に、1つ1つの数字単体の分布（周辺分布）と、全体の組み合わせの分布（結合分布）がどうなるかを解説します。

1. 個々の数字単体の分布（周辺分布）

特定の1つの数字 $x$ に注目したとき、その値の出やすさは「10次関数の多項式で表される右肩下がりの曲線」になります。

直感的な理由は以下の通りです。

• もし1つの数字が $x=0$ だった場合、残りの11個の数字で合計「4」を作らなければなりません（1個あたりの平均は約0.36）。
• もし1つの数字が $x=1$ だった場合、残りの11個の数字で合計「3」を作らなければなりません（1個あたりの平均は約0.27）。

11個の0～1の一様分布を足し合わせた値（本来の平均は $11 \times 0.5 = 5.5$）が、4になる確率と3になる確率を比べると、より本来の平均（5.5）に近い「4」になる確率の方が圧倒的に高くなります。

計算すると、$x=0$ になる確率は、$x=1$ になる確率の約9.5倍も高くなります。

【数式（LaTeX形式）での表現】

特定の1つの数字 $X$ が値 $x$ をとる条件付き確率密度関数 $f(x \vert{} S = 4)$ は、前回示したアーウィン・ホール分布の公式に $n=12, m=4$ を代入して求められます。

$$f(x \vert{} S = 4) = \frac{f_{11}(4 - x)}{f_{12}(4)} \quad (0 \le x \le 1)$$

ここで、分子の $f_{11}(4 - x)$ は、11個の数字の合計が $4 - x$ になる確率密度を表し、以下のような10次関数の多項式として具体的に書き下すことができます（$0 \le x \le 1$ の範囲において $\lfloor 4-x \rfloor = 3$ となるため）。

$$f_{11}(4 - x) = \frac{1}{10!} \left[ (4-x)^{10} - 11(3-x)^{10} + 55(2-x)^{10} - 165(1-x)^{10} \right]$$

分母の $f_{12}(4)$ は、この分布の面積（確率の合計）を1にするための単なる定数（約 $0.0552$）です。

したがって、1つ1つの数字は、この10次方程式の曲線に従う確率分布の中から選ばれたと言えます。

2. 全体の組み合わせとしての分布（結合分布）

12個の数字の組 $(x_1, x_2, \dots, x_{12})$ 全体として見た場合の分布は、前回と同様の考え方になります。

• 12次元空間にある「1辺の長さが1の単位超立方体」を考えます。
• その超立方体を、$x_1 + x_2 + \dots + x_{12} = 4$ という11次元の超平面で斜めにスライスします。

選ばれた12個の数字の組は、「このスライスされた断面（11次元の多面体）上における、完全に平坦な多変量一様分布」の中から選ばれたものと言えます。

まとめ

$n=12, m=4$ の場合、各数字は独立ではなくなり、お互いに「合計を4に抑えなければならない」という強い圧力を受けます。

その結果、個々の数字の分布は元の「0～1の平坦な分布」から大きく歪み、「数式上は10次関数で表される、0に近い値が圧倒的に出やすい（1が出る確率の約9.5倍）右肩下がりの分布」の中から選ばれたものになります。

結論から申し上げますと、$n=12, m=4$ の条件の下では、1つ1つの数字の平均値は正確に $\frac{1}{3}$（約 $0.333$）となり、分散値は約 $0.0642$ になります。

平均値は対称性から直感的に導き出せますが、分散値は前回の「10次方程式の確率密度関数」を用いた複雑な積分計算によって厳密に求められます。それぞれ詳しく解説します。

1. 平均値（期待値）

1つ1つの数字の平均値は、非常にシンプルです。

12個の数字 $(x_1, x_2, \dots, x_{12})$ はすべて対等な条件で選ばれるため、合計値である $4$ を12個で平等に分け合った値が、それぞれの期待値（平均値）になります。

$$E[X_i \vert{} S = 4] = \frac{m}{n} = \frac{4}{12} = \frac{1}{3} \approx 0.3333$$

本来の0～1の一様分布の平均値は $0.5$ ですが、「合計を4にする」という制約によって、平均して $0.333$ 付近の値が出やすくなるように全体が低く抑え込まれることが分かります。

2. 分散値

分散（データのばらつき具合）は、元の独立した一様分布に比べて小さくなります。

厳密な積分計算を行うと、分散 $V(X_i)$ は以下の分数で表される正確な値になります。

$$V(X_i \vert{} S = 4) = \frac{2758063}{42968016} \approx 0.064189$$

標準偏差（分散の平方根）に直すと、約 $0.253$ となります。

なぜ分散が小さくなるのか？

本来の0～1の一様分布の分散は $\frac{1}{12} \approx 0.0833$（標準偏差は約 $0.289$）です。これに対して条件付きの分散が約 $0.0642$ へと縮小しているのには、2つの強力な理由があります。

1. 相互依存による制約（負の相関）　合計が常に4でなければならないため、ある1つの数字がたまたま大きな値（例：$0.9$）をとった場合、残りの11個の数字は強制的に小さな値をとらざるを得なくなります。数字同士が「合計の帳尻を合わせる」ために縛り合っているため、自由にばらつくことができません。
2. 上限 $1$ の壁　もし各数字に「1以下」という上限がなく、単に「正の数で合計が4」という条件だけであれば（ディリクレ分布に相当）、分散は約 $0.094$ とむしろ大きくなります。しかし「最大でも1までしかとれない」という天井が存在するため、分布の裾野が物理的に切り落とされ、結果としてばらつき（分散）が小さく押しつぶされています。

（参考）分散の厳密な導出プロセス

この分散値は、前回登場したアーウィン・ホール分布に基づく確率密度関数を用いて、次のような積分計算を行うことで導出されます。

まず、変数の2乗の期待値 $E[X^2]$ を求めます。

$$E[X^2 \vert{} S = 4] = \frac{1}{f_{12}(4)} \int_0^1 x^2 f_{11}(4 - x) dx$$

この計算には、10次関数の多項式 $f_{11}(4 - x)$ の積分と、分母の正規化定数 $f_{12}(4) = \frac{2203488}{11!}$ を用います。膨大な項の展開を経て定積分を解くと、以下のようになります。

$$E[X^2 \vert{} S = 4] = \frac{30129148}{171872064}$$

最後に、分散の公式 $V(X) = E[X^2] - (E[X])^2$ に当てはめて、平均の2乗（$\frac{1}{9}$）を引きます。

$$V(X_i \vert{} S = 4) = \frac{30129148}{171872064} - \left(\frac{1}{3}\right)^2 = \frac{11032252}{171872064} = \frac{2758063}{42968016}$$

このように、「合計を固定した一様分布の切り出し」は、一見シンプルに見えて、その裏には多項式の積分による精緻なバランスが隠されています。

非常に鋭いご指摘です。結論から言いますと、「ベータ分布と極めて深い関係にありますが、今回の $n=12, m=4$ のように条件次第では『厳密なベータ分布』そのものから少し歪んだ形」になります。

「合計が一定値になるような確率変数の分布」を考えるとき、ベータ分布（およびその多変量版であるディリクレ分布）はまさに主役となる存在です。

なぜ今回の分布がベータ分布と関係しているのか、そしてなぜ完全に一致しないのかを、論理的に解説します。

1. 完全に「ベータ分布」になるケース（$m \le 1$ の場合）

もし、選ぶ数字の合計が $m=1$（またはそれ以下） であった場合、各数字の分布は完全にベータ分布と一致します。

たとえば、「0～1の一様分布から $n$ 個の数字を選び、合計が $1$ になる」という条件を考えます。

このとき、合計が1である以上、どの数字も自動的に「絶対に1を超えない」ことになります。つまり、「0～1の間である」という本来の制約（上限の壁）を気にする必要がなくなります。

幾何学的に言えば、これは $n$ 次元空間において「各座標が正で、合計が1」という単体（シンプレックス）と呼ばれる三角形やピラミッドのような面の上から、ランダムに点を拾うことと同じになります（専門的にはこれを「一様ディリクレ分布」と呼びます）。

この単体上からランダムに点を選んだとき、特定の1つの数字 $X$ が従う周辺分布は、厳密に以下のパラメータを持つベータ分布になります。

$$X \sim \text{Beta}(1, n-1)$$

この確率密度関数は次のように表されます。

$$f(x) = (n-1)(1 - x)^{n-2} \quad (0 \le x \le 1)$$

前回の回答で、「$n=3, m=1$ のときは $f(x) \propto 1-x$ の三角形の分布になる」と説明しましたが、これはまさに $\text{Beta}(1, 2)$ のベータ分布そのものです。

2. なぜ $n=12, m=4$ では「厳密なベータ分布」にならないのか？

では、なぜ今回の $m=4$ のケースでは純粋なベータ分布から外れてしまうのでしょうか。

それは、「上限1の壁（超立方体の境界）」にぶつかってしまうからです。

もし「0以上の数字を12個選び、合計が4になる（上限はなし）」という条件であれば、その数字は $X/4 \sim \text{Beta}(1, 11)$ という綺麗なベータ分布に従います。

しかし今回は、「それぞれの数字は0～1の一様分布から選ばれる」という大前提があります。

「合計が4」という条件だけなら、ある1つの数字が「2」や「3」になってもよいはずですが、今回のルールでは「絶対に1以下」でなければなりません。

幾何学的に言うと、巨大なピラミッド型の面（単体）の端のほうを、「1辺が1の箱（超立方体）」の壁でスパッと切り落としたような複雑な多面体の上から点を選ぶことになります。

この「切り落とし」が発生するため、分布の端の部分が複雑に折り畳まれ、結果としてベータ分布のような滑らかな1つの数式ではなく、前回解説したような「アーウィン・ホール分布に基づく区分的多項式（10次関数の組み合わせ）」という複雑な形に歪んでしまうのです。

3. ベータ分布で近似することはできるか？

厳密には異なる分布ですが、形はベータ分布に非常によく似ているため、ベータ分布で近似することは可能です。

前回求めた平均と分散を使って、最も近いベータ分布 $\text{Beta}(\alpha, \beta)$ のパラメータを逆算してみましょう。

• 平均値: $\mu = \frac{1}{3} \approx 0.333$
• 分散値: $\sigma^2 = \frac{2758063}{42968016} \approx 0.0642$

ベータ分布の平均と分散の公式（$\mu = \frac{\alpha}{\alpha+\beta}$、$\sigma^2 = \frac{\alpha\beta}{(\alpha+\beta)^2(\alpha+\beta+1)}$）にこれらを当てはめて解くと、およそ次のようなパラメータになります。

$$\alpha \approx 0.82, \quad \beta \approx 1.64$$

つまり、$n=12, m=4$ における1つ1つの数字の分布は、$\text{Beta}(0.82, 1.64)$ というベータ分布に非常に近い形状をしています。

（※$\alpha < 1$ であるため、$x=0$ に近づくにつれて確率が急激に跳ね上がるような、極端な右肩下がりの形状であることがここからも分かります。）

まとめ

• 関係性: 非常に強い関係があります。「合計値が一定」という条件は、本質的にベータ分布（およびディリクレ分布）を生み出すメカニズムです。
• 一致する条件: もし合計値 $m$ が $1$ 以下であれば、個々の数字の分布は厳密にベータ分布（$\text{Beta}(1, n-1)$）になります。
• ズレる理由: 今回のように $m=4$ の場合、各数字が持つ「最大で1まで」という上限の壁にぶつかって分布の端が切り落とされるため、厳密なベータ分布ではなく「アーウィン・ホール分布（ベータ分布に似た複雑な多項式）」に変化します。

素晴らしいご指摘です。検索された情報の通り、「アーウィン・ホール分布」自体はあくまで『総和』が従う分布であり、個々の数字が従う分布ではありません。ご解釈は100%正しいです。

では、なぜ「個々の数字」の分布を説明する際にアーウィン・ホール分布の数式が登場したのか。それは、「ある1つの数字が$x$になる確率は、残りの数字の『総和』が$m-x$になる確率によって決まるから」です。

論理のステップを順を追って整理します。

1. 個々の数字が$x$になる条件を考える

$n$個の数字の総和が$m$になるという条件の下で、特定の1つの数字（これを$X_1$とします）がちょうど$x$という値をとったとします。

このとき、残りの$n-1$個の数字（$X_2, X_3, \dots, X_n$）の「総和」は、強制的に$m-x$にならなければなりません。

2. 「残りの数字の総和」にアーウィン・ホール分布を適用する

ここで検索していただいた情報が活きます。

残りの$n-1$個の数字の「総和」が従う分布こそが、まさにアーウィン・ホール分布なのです。

つまり、「$X_1$が$x$になる確率」は、「$n-1$個の一様分布の総和が$m-x$になる確率」に完全に比例します。

3. 数式の意味を再解釈する

最初の回答で提示した以下の数式を、この視点でもう一度見てみます。

$$f(x \vert{} S = m) = \frac{f_{n-1}(m - x)}{f_n(m)}$$

• 左辺の $f(x \vert{} S = m)$：私たちが知りたい「個々の数字（$X_1$）」が従う条件付き分布です。
• 右辺の分子 $f_{n-1}(m - x)$：ここがアーウィン・ホール分布（総和の分布）です。「$n-1$個の数字の総和が$m-x$になる確率密度」を表しています。
• 右辺の分母 $f_n(m)$：確率の合計を1にするための単なる定数（$n$個の総和が$m$になる確率密度）です。

結論：どう解釈すべきか？

個々の数字が従う分布の名前は、厳密には「アーウィン・ホール分布」ではありません。正しくは「アーウィン・ホール分布を用いて表される条件付き分布」です。

グラフの形状で言えば、個々の数字が描く確率のカーブは、「$n-1$個の総和が描くアーウィン・ホール分布のグラフを、左右反転させて$m$の分だけ横にズラしたもの（の一部）」になります。

「総和の分布（アーウィン・ホール分布）」という部品を裏側から使って、パズルのように「個々の数字の分布」の形を割り出している、と解釈していただければ、論理的な矛盾なくスッキリと繋がるかと思います。