院試 確率統計の出題傾向と対策

確率統計は院試で「点数が伸びる人と止まる人が綺麗に分かれる」典型科目です。理由は二つあります。第一に、数学系では測度論的な定式化（σ-加法族・確率測度・独立性）を前提とした論証が要求されるのに対し、情報系では同じ用語を使いながら推測統計と機械学習の応用問題に振れる。同じ「確率」という看板でも、答案に書くべき内容が研究科ごとに違うため、汎用の参考書を1冊回しただけでは志望先の作法と合わない答案を量産してしまう。第二に、確率の問題は計算が合っていても「なぜその式が適用できるか」を一行書かないと配点を取り切れない構造になっていて、独立性・i.i.d.・分散有限・正則条件などの前提を曖昧にした答案は減点を積み重ねます。情報系では機械学習・データサイエンスの台頭に伴って配点比重が年々上がっており、いまや院試対策の中でも最優先で時間を割くべき分野の一つです。本記事は、数学系・情報系の双方を視野に入れた現実的な確率統計対策の地図です。

学部段階で固めておくべき基礎

• 集合演算：和集合・積集合・補集合、ド・モルガンの法則。σ-加法族の定義と確率測度の可算加法性で必須
• 組合せ論：順列・組合せ・多項係数、包除原理。離散分布の確率計算と母関数の展開で常用
• 線形代数：固有値・固有ベクトル、対角化、二次形式。多変量正規分布の共分散行列とマルコフ連鎖の遷移行列で必須
• 微積分：重積分、変数変換のヤコビアン、ガンマ関数・ベータ関数。連続分布の期待値計算と変数変換問題で必須
• ベイズの定理：条件付き確率の定義と全確率の公式。最尤推定とベイズ推定の境界を意識する出発点
• 収束の概念：ε-N論法、一様収束と各点収束の区別。確率収束・概収束・分布収束の階層理解の前提

特にヤコビアンの計算と固有値問題は、確率統計の答案でほぼ毎回出てくる道具なので、これだけは確実に手が動く状態にしておいてください。

論点別に見る出題と失点

確率統計はサブトピックごとに固有の答案作法があり、各論点の頻出パターンと失点パターンは独立に整理した方が頭に残ります。1つずつ見ていきます。

確率空間と条件付き確率

頻出は、確率測度の公理からの基本性質の証明、独立性と排反の区別、条件付き確率と全確率の公式、ベイズの定理の応用問題。数学系では「(Ω, ℱ, P) を確率空間とせよ」から始まる論証が普通で、σ-加法族の定義（補集合に閉じている・可算合併に閉じている）を答案で確認しないまま「事象の極限」を扱うと根本的な減点になります。情報系で多いのはベイズ更新の応用で、検査の陽性的中率（事前確率と感度・特異度から事後確率を計算する）が典型問題ですが、ここで頻出する失点は「P(B|A) と P(A|B) を取り違える」「分母に全確率 P(B) = P(B|A)P(A) + P(B|Ã)P(Ã) を置き忘れる」の二つ。条件付き確率の問題は、まず樹形図か分割表を答案に描いてから式を立てる順序を崩さないでください。独立性については「2つずつ独立」と「3つ同時に独立」が異なることを意識した出題（パリティの例題など）が数学系で頻出します。

離散・連続分布と特性関数

頻出は、二項・ポアソン・幾何・負の二項などの離散分布、正規・指数・ガンマ・χ²・t・F などの連続分布、モーメント母関数と特性関数、変数変換のヤコビアン、最大値・最小値の分布、順序統計量。失点で最も多いのは「変数変換でヤコビアンの絶対値を取り忘れて密度関数が負になる」答案で、変換 Y = g(X) の密度を f_Y(y) = f_X(g^-1(y)) · |dg^-1/dy| と書く際の絶対値を落とすと、結果が確率密度の条件（非負・全空間で積分が1）を満たしません。答案の最後に必ず ∫ f_Y(y) dy = 1 を確認する習慣をつけてください。モーメント母関数の問題では、M_X(t) = E[e^tX] の存在範囲（t の収束半径）を確認しないまま微分すると採点者は減点します。正規分布の二次形式が χ² 分布に従うことの導出（Z₁² + ··· + Z_n² ∼ χ²(n)）は情報系・数学系どちらでも頻出で、t分布・F分布の構成（標本平均と標本分散の比）も含めて、分布の系譜を一枚の図で整理しておくと検定問題で迷いません。

大数の法則と中心極限定理

頻出は、大数の弱法則・強法則、中心極限定理（CLT）、収束概念の階層（概収束 ⇒ 確率収束 ⇒ 分布収束、ただし逆は不成立）、デルタ法、スルツキーの定理。失点の最頻は「収束の種類を曖昧にしたまま結論を書く」答案です。「中心極限定理により √n (X̄ - μ) / σ → N(0, 1)」と書く際、これは分布収束であって確率収束ではないことを明示しないと数学系では減点対象になります。CLTの適用条件（i.i.d. かつ分散有限、または独立で Lindeberg 条件）を一行確認することも必須で、独立でない場合や分散が無限の場合（コーシー分布など）への盲目的な適用は致命的なミスです。情報系で多いのは正規近似による信頼区間の構成で、ここでも「標本サイズ n が大きい」という前提を答案に書き、n = 30 程度の経験則を超えていることを明示してから近似に入る順序を守ってください。チェビシェフの不等式を使って大数の弱法則を証明する問題は、数学系で頻出する標準演習なので一度自力で書き下しておくと安心です。

最尤推定と十分統計量

頻出は、最尤推定量（MLE）の導出、モーメント推定との比較、不偏性・一致性・有効性、フィッシャー情報量とクラメール・ラオの下界、十分統計量と Neyman の分解定理、指数型分布族。失点の典型は「対数尤度関数 &ell;(θ) = ∑ log f(x_i; θ) を θ で微分した後の符号取り違え」と「二階微分の確認を省略して最大値か最小値か曖昧にする」答案です。MLE を求めたら必ず ∂²&ell; / ∂θ² < 0 を確認するか、対数尤度の凹性を一行示してください。正規分布の母分散の MLE が n で割る形（不偏分散は n-1 で割る）であることの区別、ポアソン分布の MLE が標本平均と一致することの導出は、ほぼどの研究科でも頻出する基本論点です。十分統計量を求める問題では、Neyman の分解定理 f(x; θ) = g(T(x), θ) · h(x) の形に分解できることを明示してから T(x) を答えるのが安全で、いきなり「T(x) = ∑ x_i が十分統計量」と書くと論理が抜けます。フィッシャー情報量 I(θ) = E[(∂ log f / ∂θ)²] = -E[∂² log f / ∂θ²] の二つの表現の同値性を要求する出題も数学系で見られます。

仮説検定

頻出は、帰無仮説と対立仮説の設定、第一種・第二種の誤り、検定統計量の構成、棄却域、p値、ネイマン・ピアソンの補題、尤度比検定、母平均・母分散・母比率の検定、適合度検定（χ²）。失点で最も多いのは「検定統計量の自由度を取り違える」答案です。母平均の検定で母分散既知なら標準正規、未知で標本分散を使うなら自由度 n-1 の t 分布。二標本検定では自由度 n₁ + n₂ - 2、適合度検定ではカテゴリ数 - 1 - 推定したパラメータ数。自由度の指定を一行間違えると棄却域が変わるので、検定統計量を書いた直後に分布と自由度を必ず明記してください。次に多いのが「片側検定と両側検定の区別を曖昧にする」失点で、対立仮説 H₁: μ > μ₀ なのか H₁: μ ≠ μ₀ なのかで臨界値が変わります。答案冒頭で H₀ と H₁ を明示し、有意水準 α を宣言してから検定統計量に進む順序を崩さないこと。ネイマン・ピアソンの補題を使う問題では、尤度比 Λ(x) = L(x; θ₁) / L(x; θ₀) が単調になることを示してから棄却域 {x : Λ(x) > k} を構成する流れを答案に残します。

マルコフ連鎖の基礎

頻出は、離散時間マルコフ連鎖の遷移行列、Chapman-Kolmogorov 方程式、状態の分類（再帰・非再帰、周期）、既約性・非周期性、定常分布の存在と一意性、エルゴード定理、吸収マルコフ連鎖の吸収確率と吸収時間。失点の典型は「既約性・非周期性を確認せずに定常分布の存在を主張する」答案です。定常分布 π は πP = π かつ ∑π_i = 1 を解いて求めますが、その解が極限分布（任意の初期分布から収束する分布）と一致するためには既約・非周期が必要で、これを答案に書かないまま「したがって長期挙動は π である」と結論すると論理が抜けます。情報系では遷移行列の固有値分解から定常分布を読み取る問題が頻出で、最大固有値 1 に対応する左固有ベクトルを正規化したものが π になります。吸収マルコフ連鎖の問題は、まず非吸収状態間の遷移行列 Q と吸収状態への遷移行列 R に分解し、基本行列 N = (I - Q)^-1 を経由して吸収確率 NR と平均吸収時間 N·1 を求める定型手順を覚えておくと得点源になります。