🔖 キーワード索引（補強・追加分）

正規分布 関連の補強キーワード。 クリックで該当箇所へ：

🎨 直感で掴む

平均と標準偏差を変えると、 正規分布の位置と広がりが変わる。 ±1σ 内に約68%のデータが入る。

正規分布の身近な実感は、 SSDSE-B-2026 で 47 都道府県の男平均寿命（C2101）を眺めると掴みやすい。 最大は長野県 81.8 歳、 最小は青森県 78.7 歳、 平均 80.7 歳・標準偏差 0.6 歳。 ヒストグラムを描くと中央が膨らんで両裾が薄くなる左右対称形になり、 ±1σ（80.1〜81.3 歳）に約 32 県、 ±2σ（79.5〜81.9 歳）に 45 県以上が入る。 「平均の周りに集中し、 大きく外れる県は少ない」という観察そのものが正規分布の直感である。

本ページでは正規分布を「平均寿命の 47 都道府県データから、 ある県の値が起こりにくい外れ値か否かを判定する」プロセスに位置付け、 (1) 平均と分散の推定、 (2) 密度・累積分布の計算、 (3) z スコアと裾確率、 (4) 仮説検定・信頼区間 の 4 段階で順に解説する。

具体例として、 SSDSE-B-2026 のデータを使い、 normal distribution を実際に動かすイメージを次節以降で示す。 数式 → 値代入 → 手計算 → Python 実装 の流れで、 抽象と具体を行き来しながら理解を深める。

🎮 触って理解する — μ・σ を動かすと分布はどう変わる？

下のスライダーで平均 μ と標準偏差 σ を動かすと、 正規分布の曲線がその場で描き直されます。 μ を変えると左右にスライドし（形は不変）、 σ を変えると幅と高さが変わる（面積は常に 1）という 2 つのパラメータの役割を、 手を動かして体感してください。 ±1σ / ±2σ / ±3σ の帯には 68 / 95 / 99.7% のデータが入り（帯の面積＝確率）、 評価点 x のスライダーで確率密度 f(x)・累積確率 P(X≤x)・上側確率 P(X>x)・z スコアが更新されます。

「実データ」を選ぶと、 SSDSE-B-2026（2023 年・47 都道府県）の実測ヒストグラムに正規曲線を重ねられます。 合計特殊出生率はきれいな釣鐘型、 年平均気温は中央に集中しすぎて裾が重く、 総人口(log10)は右に歪む —— 「正規で近似できる／できない」の違いを目で確かめましょう。

📖 読み解き方：帯の色が濃い中心ほどデータが密集します。 ±1σ（濃い青）に約 2/3、 ±2σ まで広げるとほぼ全て（95%）が入り、 ±3σ の外に出る値は 0.3%（1000 個に 3 個）しかありません。 実データモードで正規曲線が棒（ヒストグラム）から大きくずれるほど「正規で近似するのは危うい」というサインです。

🧪 実データで確かめる正規性（SSDSE-B-2026・2023 年・47 都道府県）

上のプレイグラウンドの 3 変数について、 実際に正規性検定（Shapiro-Wilk）と歪度・尖度を計算した結果です（すべて実測値）：

⚠️ よくある誤解 —「なんでも正規」の過信：気温は一見「平均 16.8℃ の左右対称」に見えますが、 超過尖度 +2.80 と Shapiro p=0.0003 が示すとおり中央に集中しすぎ・沖縄（23.8℃）など裾が重く、 正規は棄却されます。 ヒストグラムの見た目だけで「正規っぽい」と判断せず、 検定と Q-Q プロットで裏を取るのが鉄則です。 一方、 合計特殊出生率（p=0.945）は正規で扱ってよい好例です。

🔬 発展 — 対数正規と歪度：総人口の原数値は東京 1409 万〜鳥取 54 万と桁が違い、 歪度 +2.22 の強い右裾（＝対数正規型）です。 常用対数 log10 を取ると歪度は +0.79 まで縮み、 Shapiro も W=0.689→0.928 と大きく改善します（Jarque-Bera では p=0.081 まで上昇）。 「掛け算・比率で効くデータ（人口・所得・面積）は対数変換で正規に近づく」という中心極限定理の乗法版が、 このプレイグラウンドの log10 モードで体感できます。

📐 数式

📐 確率密度関数と読み方

確率密度関数（PDF）

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

表記

$$ X \sim N(\mu, \sigma^2) $$

「X はパラメータ μ, σ² の正規分布に従う」と読みます。 σ² ではなく σ で書く流儀もあります（注意）。

2つのパラメータが変えるもの

• μ（平均）を変える → 分布全体が横にスライド（形は不変）
• σ（標準偏差）を変える → 分布の幅と高さが変わる（積分が1で一定）

📊 68-95-99.7 ルール — 正規分布の最重要性質

正規分布では、 標準偏差を使って「データが含まれる範囲」が予測できます：

🎯 中心極限定理 (CLT) — 正規分布が偏在する理由

「サンプルサイズ n が大きければ、 元の分布が何であれ、 標本平均は正規分布に従う」

$$ \bar{X}_n \xrightarrow{n \to \infty} N\left(\mu, \frac{\sigma^2}{n}\right) $$

元のデータが一様分布でも指数分布でも、 標本平均を取ると n が大きいほど釣り鐘形（正規分布）になります。 これがCLTの威力。

CLT が支える統計手法

• t検定、 z検定：標本平均が正規分布
• 信頼区間の計算：平均 ± 1.96 × SE
• 仮説検定の p値：z統計量の分布が正規分布
• 多くの推測統計がCLTを前提

💡 一般的な目安：n ≥ 30 で CLT が十分機能。 元の分布が極端に歪んでいる場合は n=100 以上が安全。

🎯 標準正規分布 — 全ての正規分布の基準

μ=0, σ=1 の特殊な正規分布を標準正規分布と呼びます：

$$ Z \sim N(0, 1) $$

任意の正規分布 X ~ N(μ, σ²) は、 標準化 Z = (X - μ)/σ で標準正規分布に変換できます。 これにより、 z表（正規分布表）を使った計算が一律に可能になります。

標準正規分布のよく使う値

「1.96」は最頻出の魔法数字。 95%信頼区間や5%有意水準（両側）でほぼ常に登場します。

🎲 実データへのフィッティング

SSDSE 食料費データに正規分布を当てはめてみます：

μ = 80.60、 σ = 5.84 の正規分布で47都道府県の食料費はほぼ近似できます。

正規性の検定

「データが正規分布に従うか」を統計的にチェックする検定：

• Shapiro-Wilk検定：n < 5000 で最も強力
• Anderson-Darling検定：分布の裾に敏感
• Kolmogorov-Smirnov検定：累積分布関数を比較
• D'Agostino-Pearson検定：歪度と尖度をベースに

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12

import numpy as np
import pandas as pd
from scipy import stats

# ── この抜粋で検定する data を用意する（2023 年 47 都道府県の総人口の対数）──
_df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
data = np.log(_df[_df['SSDSE-B-2026'] == 2023]['A1101'].astype(float).values)

# Shapiro-Wilk検定
stat, p = stats.shapiro(data)
print(f'統計量={stat:.4f}, p値={p:.4f}')
# p > 0.05 なら「正規分布と矛盾しない」

視覚的チェック：QQプロット

標準正規分布の理論値とデータの分位を比較。 直線に乗れば正規分布：

1
2
3
4
5

import matplotlib.pyplot as plt
from scipy import stats

stats.probplot(data, dist='norm', plot=plt)
plt.show()

📐 多変量正規分布の幾何学

$p$ 次元の多変量正規分布 $\mathcal{N}_p(\boldsymbol\mu, \Sigma)$ の密度関数は

$$f(\boldsymbol x) = \frac{1}{(2\pi)^{p/2} |\Sigma|^{1/2}} \exp\!\left(-\tfrac{1}{2}(\boldsymbol x - \boldsymbol\mu)^\top \Sigma^{-1} (\boldsymbol x - \boldsymbol\mu)\right)$$

等高線は $\Sigma$ の固有ベクトル方向を軸とする楕円。 主軸の長さは固有値の平方根に比例します。 SSDSE-B-2026 の「総人口・生産年齢人口・高齢人口」を多変量正規でモデル化すると、 $\Sigma$ の最大固有値は「人口総量軸」に対応し、 47 都道府県は概ねこの軸上に並びます（離散的だが連続近似が有効）。

条件付き分布の閉形式公式も極めて重要。 $\boldsymbol X = (\boldsymbol X_1, \boldsymbol X_2)$ で分割し、 $\Sigma$ も $\Sigma_{11}, \Sigma_{12}, \Sigma_{22}$ にブロック分割すると、

$$\boldsymbol X_1 \mid \boldsymbol X_2 = \boldsymbol x_2 \sim \mathcal{N}\!\left(\boldsymbol\mu_1 + \Sigma_{12} \Sigma_{22}^{-1} (\boldsymbol x_2 - \boldsymbol\mu_2),\ \Sigma_{11} - \Sigma_{12} \Sigma_{22}^{-1} \Sigma_{21}\right)$$

これは カルマンフィルタ、 ガウス過程回帰、 ベイズ線形回帰の心臓部。 「条件付けも正規」「条件付き期待値は線形」「条件付き分散は新情報に依らず一定」という三つの性質がアルゴリズムを閉じた形に保ちます。

📊 正規性検定 — 「本当に正規ですか？」

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19

import numpy as np
import pandas as pd
from scipy import stats

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
pop_log = np.log(df[df['SSDSE-B-2026'] == 2023]['A1101'].astype(float))

# Shapiro-Wilk（n=47 で最強）
W, p = stats.shapiro(pop_log)
print(f'Shapiro-Wilk: W={W:.4f}, p={p:.4f}')

# Anderson-Darling
A2 = stats.anderson(pop_log, dist='norm')
print(f'AD: A²={A2.statistic:.4f}, critical at 5%={A2.critical_values[2]}')

# Q-Q プロット（最も信頼すべき判定）
import matplotlib.pyplot as plt
stats.probplot(pop_log, dist='norm', plot=plt)
plt.title('Q-Q plot: log(人口)'); plt.show()

🌀 中心極限定理の精密版 — Berry-Esseen 不等式

通常の CLT は「$n \to \infty$ で正規分布に収束」と言うだけですが、 収束の速さを定量化するのが Berry-Esseen の定理：

$$\sup_x \left| F_n(x) - \Phi(x) \right| \le \frac{C \cdot \rho}{\sigma^3 \sqrt{n}}, \quad C \le 0.4748, \rho = \mathbb{E}|X - \mu|^3$$

「ズレは $O(1/\sqrt{n})$」、 つまり $n = 100$ なら最大誤差は約 0.05、 $n = 10000$ なら約 0.005。 SSDSE-B-2026 の 47 都道府県平均を計算するとき、 $n=47$ なら最大誤差 0.07 程度――「ほぼ正規」だが厳密な確率計算には注意が必要、 という肌感覚を持てます。

さらに $X_i$ が独立でも同分布でなくてよい「Lindeberg-Feller の CLT」、 弱従属でも成り立つ「マルチンゲール CLT」など、 CLT には豊富な拡張があり、 統計学の基礎理論を支えています。

🔬 数式を「言葉」で読み解く

🔬 モーメント母関数と特性関数 — 「全モーメントの貯金箱」

正規分布 $\mathcal{N}(\mu, \sigma^2)$ のモーメント母関数 (MGF) は

$$M_X(t) = \mathbb{E}[e^{tX}] = \exp\!\left(\mu t + \tfrac{1}{2}\sigma^2 t^2\right)$$

この MGF を $t$ で微分して $t=0$ を代入すれば、 全モーメントが取り出せます。 1 次：$\mathbb{E}[X] = \mu$、 2 次：$\mathbb{E}[X^2] = \mu^2 + \sigma^2$、 3 次中心モーメント＝0（左右対称）、 4 次中心モーメント＝$3\sigma^4$（尖度＝3 が正規分布の指標）。 SSDSE-B-2026 の年齢別人口比のような「ほぼ正規」とされる量も、 4 次モーメントの 3 からのズレで「真の正規からの距離」を測れます。

特性関数 $\varphi_X(t) = \mathbb{E}[e^{itX}] = \exp(i\mu t - \tfrac{1}{2}\sigma^2 t^2)$ は MGF と違って必ず存在し、 中心極限定理の証明で本質的役割を果たします。 $n$ 個の i.i.d. 確率変数の和の特性関数は $\varphi(t)^n$ で、 これが $n \to \infty$ で正規分布の特性関数に収束する――これが CLT の標準証明です。

🔬 数式を言葉で読み解く（深掘り 800 字版）

正規分布 PDF $f(x) = \frac{1}{\sqrt{2\pi}\sigma}\exp\!\left(-\frac{(x-\mu)^2}{2\sigma^2}\right)$ を、 一語ずつ翻訳します。 $f(x)$：「$x$ における確率密度」。 確率「質量」ではないので $f(x) = 0.3$ といった値そのものは確率ではありません。 区間 $[x, x+dx]$ に入る確率が $f(x)\, dx$ で近似されると考えます。 $\frac{1}{\sqrt{2\pi}\sigma}$：正規化定数。 「全積分が 1 になる」ように調整するバランサー。 $\sigma$ が大きいほど密度はなだらかに、 小さいほど鋭い山になります。 SSDSE-B-2026 の合計特殊出生率は $\sigma \approx 0.13$ と小さく、 県ごとの差はおおむね $\mu \pm 0.3$ に収まり、 中心が高い細い山型になります。 $\exp\!\left(-\frac{(x-\mu)^2}{2\sigma^2}\right)$：核となる「ベル型」を作る指数項。 $(x - \mu)^2$ は中心 $\mu$ からの距離の 2 乗で、 これが大きい（外側）ほど指数の値は急速に 0 に近づく、 すなわち発生確率は急減します。 「2 乗」が効くため、 たとえば $\mu$ から 2 標準偏差離れた点と 3 標準偏差離れた点では、 密度比が劇的に変わります。 これが「正規分布の裾は意外に薄い」直感の数学的根拠です。 さらに $\frac{1}{2\sigma^2}$ で割ることで、 単位を消し標準化された距離（マハラノビス距離の 1 次元版）に直しています。 SSDSE-B-2026 の例で、 合計特殊出生率 $\mu=1.30, \sigma=0.13$ とすると、 1.69 = $\mu + 3\sigma$ より大きい県は存在確率 0.15% 程度しか期待されません。 実際 47 都道府県を見ると 1.7 を超える県は 1-2 県のみで、 この理論予測と整合します。 これが正規分布の「3σ ルールの実用性」の根拠です。

🎯 用語固有 narration ブロック — 正規分布 × SSDSE-B-2026

🎯 理解度チェック — 正規分布

正規分布の理解は 「形」「数式」「実データへの適用」 の三本柱で判定する。 紙とペンで答えてから自己採点しよう。

1. Q1. 正規分布の密度関数 $f(x)=\frac{1}{\sqrt{2\pi}\sigma}\exp\!\left(-\frac{(x-\mu)^2}{2\sigma^2}\right)$ のうち、 「ピークの位置」「広がり」「曲線の高さスケール」を決めているのはそれぞれどの記号か？
2. Q2. $\mu \pm \sigma$、 $\mu \pm 2\sigma$、 $\mu \pm 3\sigma$ にデータの何 % が入るか (覚えるべき 68-95-99.7 ルール)？
3. Q3. SSDSE-B-2026 の合計特殊出生率を Shapiro-Wilk 検定にかけた結果 p=0.43 だった。 これは「正規分布に従う」と結論してよい根拠か？
4. Q4. 中心極限定理から「サンプル平均は正規分布に近づく」と言われる。 元データが指数分布 (歪んだ分布) でも、 サンプル平均だけは正規になる理由を 1 行で説明できるか？
5. Q5. z スコア $z=(x-\mu)/\sigma$ を計算したら、 ある県が z=−3.2 だった。 これを「3 シグマを超える外れ値」と扱ってよい状況とそうでない状況の違いは？

🧮 SSDSE-B 実値計算例（47都道府県データ）

SSDSE-B の変数で正規性を検定し、 z 変換・確率計算・正規 QQ プロットまで体系的に検証する完全例。

① 計算コード

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from scipy import stats

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023]
x = df['A4103'].values

# 基本統計
mu, sigma = x.mean(), x.std(ddof=1)
print(f'平均 μ = {mu:.2f}, SD σ = {sigma:.2f}')

# 正規性検定（複数の検定を併用）
sw_w, sw_p = stats.shapiro(x)
jb_s, jb_p = stats.jarque_bera(x)
ks_d, ks_p = stats.kstest(x, 'norm', args=(mu, sigma))
print(f'Shapiro-Wilk : W={sw_w:.3f}, p={sw_p:.4f}')
print(f'Jarque-Bera  : JB={jb_s:.2f}, p={jb_p:.4f}')
print(f'KS 検定      : D={ks_d:.3f}, p={ks_p:.4f}')

# 可視化
fig, axes = plt.subplots(1, 2, figsize=(12, 4))
ax = axes[0]
ax.hist(x, bins=12, density=True, alpha=0.7, edgecolor='black')
xs = np.linspace(x.min(), x.max(), 200)
ax.plot(xs, stats.norm.pdf(xs, mu, sigma), 'r-', lw=2, label='正規 fit')
ax.set_xlabel('合計特殊出生率'); ax.legend()

ax = axes[1]
stats.probplot(x, dist='norm', plot=ax)
ax.set_title('Q-Q プロット')

plt.tight_layout(); plt.savefig('normal_check.png', dpi=110)

② 期待出力

👉 値は SSDSE-B-2026・2023年度・47都道府県の合計特殊出生率 (A4103) の実測値。 同じ手順で他都道府県・他変数にも適用可能。

🧮 数式に値を入れて手で計算する: 正規分布の確率

合成 N(μ=50, σ=10) で確率と分位点を計算する。

Step 1: 68-95-99.7 ルール

Step 2: 95% 区間

🐍 Python で再現

1
2
3
4
5
6
7
8
9

from scipy.stats import norm
mu, sigma = 50, 10
p1 = norm.cdf(60, mu, sigma) - norm.cdf(40, mu, sigma)
p2 = norm.cdf(70, mu, sigma) - norm.cdf(30, mu, sigma)
ci_low = norm.ppf(0.025, mu, sigma)
ci_hi = norm.ppf(0.975, mu, sigma)
print(f"P(40-60): {p1:.4f}")
print(f"P(30-70): {p2:.4f}")
print(f"95% CI: [{ci_low:.2f}, {ci_hi:.2f}]")

📤 実行結果

💬 手計算 (Step 1,2) と Python 出力が完全一致。

🐍 Python での正規分布

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

import numpy as np
from scipy import stats

# 確率密度（PDF）
stats.norm.pdf(0, loc=0, scale=1)        # f(0) = 0.3989
stats.norm.pdf(1.96, loc=0, scale=1)     # 0.0584

# 累積分布関数（CDF）
stats.norm.cdf(1.96, loc=0, scale=1)     # 0.975
stats.norm.cdf(0)                        # 0.5

# 逆累積分布関数（quantile / ppf）
stats.norm.ppf(0.975)                    # 1.96
stats.norm.ppf(0.5)                      # 0.0

# ランダムサンプリング
samples = np.random.normal(loc=50, scale=10, size=1000)
samples_scipy = stats.norm.rvs(loc=50, scale=10, size=1000, random_state=0)

# パラメータ推定（最尤推定）
data = np.array([45, 50, 55, 60, 65])
mu_hat, sigma_hat = stats.norm.fit(data)
print(f'μ = {mu_hat:.2f}, σ = {sigma_hat:.2f}')

正規性の検定

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12

from scipy import stats

# Shapiro-Wilk
W, p = stats.shapiro(data)

# Anderson-Darling
result = stats.anderson(data, dist='norm')
print(result.statistic)
print(result.critical_values)

# Kolmogorov-Smirnov
ks, p = stats.kstest(data, 'norm', args=(data.mean(), data.std()))

🚧 正規分布の落とし穴

1️⃣ すべてが正規分布ではない

所得、 株価、 地震被害額、 都市人口、 SNS のフォロワー数は裾の長い分布。 これらに正規分布を仮定すると重大なミス。 ヒストグラムで確認を。

2️⃣ CLT も万能ではない

n ≥ 30 が一般的目安だが、 元の分布が非常に歪んでいると n=100 でも不十分なことも。

3️⃣ 「正規性検定」と「現実」のずれ

大標本では、 ほんの少しの非正規性でも p < 0.05 になる。 検定結果よりQQプロットでの目視確認が現実的。

4️⃣ 外れ値で平均と標準偏差が動く

1つの極端値で μ や σ が動き、 「データは正規分布から離れている」と誤判定することも。

5️⃣ 単純正規分布 vs 混合正規分布

二峰性のデータは1つの正規分布では表せません。 ガウス混合モデル（GMM）が必要。

📜 正規分布の歴史

• Abraham de Moivre（1733）：二項分布の極限として正規分布を発見
• Pierre-Simon Laplace（1810）：中心極限定理の証明
• Carl Friedrich Gauss（1809）：天体観測誤差の研究で正規分布を体系化 →「ガウス分布」
• Adolphe Quetelet（1846）：身体測定（身長、 胸囲）に正規分布を応用、 「平均人」を提唱
• Francis Galton（1889）：「正規分布の至るところに姿を現すことに何か神秘的なものを感じる」
• Karl Pearson（1893）：「normal distribution」という用語を導入

17世紀の発見以来、 数学・物理・工学・経済・心理学・生物学のあらゆる分野に応用され続けています。

🐍 Python 実装バリエーション（scikit-learn / scipy / Optuna）

A. scikit-learn による実装

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16

from sklearn.mixture import GaussianMixture
from sklearn.preprocessing import StandardScaler, QuantileTransformer
import numpy as np

# 正規でないデータを「正規化」する変換
qt = QuantileTransformer(output_distribution='normal', random_state=42)
x_norm = qt.fit_transform(df[['A1101']]).ravel()
print(f'変換前 歪度: {stats.skew(df["A1101"]):+.2f}')
print(f'変換後 歪度: {stats.skew(x_norm):+.2f}')

# 混合ガウスで「実は 2 つの正規の合成」を検出
gmm = GaussianMixture(n_components=2, random_state=42)
gmm.fit(df[['A1101']])
print('成分 1:', gmm.means_[0], gmm.covariances_[0])
print('成分 2:', gmm.means_[1], gmm.covariances_[1])
print('重み:', gmm.weights_)

B. scipy / statsmodels による実装

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

from scipy import stats
import numpy as np

x = df['A4103'].values
mu, sigma = x.mean(), x.std(ddof=1)

# 各種確率計算
print(f'P(X < 1.2)        = {stats.norm.cdf(1.2, mu, sigma):.4f}')
print(f'P(1.2 < X < 1.4)  = {stats.norm.cdf(1.4, mu, sigma) - stats.norm.cdf(1.2, mu, sigma):.4f}')
print(f'P(X > 1.5)        = {1 - stats.norm.cdf(1.5, mu, sigma):.4f}')

# 分位点
for q in [0.025, 0.25, 0.5, 0.75, 0.975]:
    print(f'  {int(q*100)}%-tile (正規) = {stats.norm.ppf(q, mu, sigma):.2f}')

# 信頼区間（平均の）
n = len(x)
ci_low  = mu - stats.t.ppf(0.975, n-1) * sigma / np.sqrt(n)
ci_high = mu + stats.t.ppf(0.975, n-1) * sigma / np.sqrt(n)
print(f'\n95% CI of μ: ({ci_low:.2f}, {ci_high:.2f})')

# 尤度比検定の例：正規 vs t 分布
ll_norm = np.sum(stats.norm.logpdf(x, mu, sigma))
ll_t    = np.sum(stats.t.logpdf(x, df=5, loc=mu, scale=sigma))
print(f'\nlog-Lik 正規 = {ll_norm:.2f}')
print(f'log-Lik t(5) = {ll_t:.2f}')
print('差が大きいほど分布選択が重要')

C. Optuna でハイパラ・選択最適化

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29

import optuna
from scipy import stats

# 正規分布の MLE 推定 + 分布族の選択
def objective(trial):
    dist = trial.suggest_categorical('dist', ['norm', 'lognorm', 't', 'gamma'])
    x = df['A1101'].values
    if dist == 'norm':
        params = stats.norm.fit(x)
        ll = np.sum(stats.norm.logpdf(x, *params))
        k = 2
    elif dist == 'lognorm':
        params = stats.lognorm.fit(x)
        ll = np.sum(stats.lognorm.logpdf(x, *params))
        k = 3
    elif dist == 't':
        params = stats.t.fit(x)
        ll = np.sum(stats.t.logpdf(x, *params))
        k = 3
    else:  # gamma
        params = stats.gamma.fit(x)
        ll = np.sum(stats.gamma.logpdf(x, *params))
        k = 3
    # AIC
    return -2 * ll + 2 * k

study = optuna.create_study(direction='minimize')
study.optimize(objective, n_trials=10)
print('Best distribution:', study.best_params, ' AIC:', study.best_value)

D. ライブラリ早見表

🔬 正規分布を実データで扱う 3 つの道具

「正規分布を仮定する」と書くのは簡単だが、 実データを前にすると 本当に正規なのか（検定）、 正規でないならどう扱うのか（変換）、 パラメータはどう決めるのか（推定）という 3 つの問いが必ず出てくる。 ここでは SSDSE-B-2026 を使い、 Shapiro-Wilk 検定・対数正規分布・尤度関数を 実際に走るコードと実測値で確認する。

① Shapiro-Wilk 検定 — 「正規かどうか」を検定で判定する

ヒストグラムを見て「正規っぽい」と言うのは主観である。 Shapiro-Wilk 検定は 「母集団は正規分布である」を帰無仮説とし、 データがその仮説とどれだけ整合するかを p 値で返す。 p が小さければ正規を棄却、 大きければ「正規を否定する 根拠は無い」となる。 ここで重要なのは、 「棄却できない」は「正規である」と 同じ意味ではないということ ── 証明できていないだけである。

📥 入力: SSDSE-B-2026 の 2023 年 47 都道府県から総人口・合計特殊出生率・年平均気温。 加えて、 検出力を確かめるための合成データ（自由度 8 の t 分布）。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29

import pandas as pd
import numpy as np
from scipy import stats

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
d = df[df['SSDSE-B-2026'] == 2023]

cols = {'A1101': '総人口', 'A4103': '合計特殊出生率', 'B4101': '年平均気温'}
print(f'{"変数":<12}{"n":>4}{"W 統計量":>12}{"p 値":>12}   判定 (α=0.05)')
for c, name in cols.items():
    v = pd.to_numeric(d[c], errors='coerce').dropna().values
    W, p = stats.shapiro(v)
    verdict = '正規と言えない' if p < 0.05 else '正規を棄却できない'
    print(f'{name:<12}{len(v):>4}{W:>12.4f}{p:>12.3e}   {verdict}')

# 対数変換すると総人口はどうなるか
v = d['A1101'].values.astype(float)
W, p = stats.shapiro(np.log(v))
print(f'\nlog(総人口)   {len(v):>4}{W:>12.4f}{p:>12.3e}   '
      f'{"正規と言えない" if p < 0.05 else "正規を棄却できない"}')

# 同じ「わずかなズレ」でも n が増えると棄却されることを確かめる。
# 1 回の結果は運に左右されるので、 各 n で 200 回試して棄却率（＝検出力）を出す。
print('\n--- 正規から少しだけずれた分布（自由度 8 の t 分布）を 200 回検定 ---')
rng = np.random.default_rng(20260614)
for n in (20, 47, 200, 2000):
    rejected = sum(stats.shapiro(rng.standard_t(8, n))[1] < 0.05 for _ in range(200))
    print(f'  n={n:>5}: 200 回中 {rejected:>3} 回棄却  → 棄却率 {rejected/2:>5.1f}%')
print('  ズレの大きさは 4 つとも同じ。 変わったのは n だけ。')

📤 実行するとこの出力が得られる:

💬 結果の読み方: 3 変数のうち合計特殊出生率だけが p = 0.945 で正規を棄却できない。 総人口は p = 1.1e-8 で明確に非正規（東京という極端な外れ値があるため W が 0.69 と低い）、 年平均気温も p = 2.7e-4 で棄却される（沖縄が離れているため）。 総人口は対数を取っても p = 0.0064 とまだ棄却されており、 「対数を取れば正規になる」は常には成り立たない。
後半がこの検定の最大の注意点である。 ズレの大きさをまったく変えずに n だけ増やすと、 棄却率は n=20 で 11.5%、 n=47 で 20.0%、 n=200 で 51.0%、 n=2000 で 100% と上がっていく。 つまり n が大きいと、 実用上どうでもいい微小なズレでも必ず棄却される。 逆に n が小さいと、 かなり歪んでいても棄却できない。 正規性は検定の p 値だけで判断せず、 Q-Q プロットで「どこがどうずれているか」を目で見るのが実務の作法である。

② 対数正規分布 — 「対数を取ると正規になる」分布

人口・所得・都市の規模といった量は、 負の値を取らず、 右に長い裾を引く という共通の形をしている。 これらは正規分布では表せないが、 対数を取ると正規に近づくことが多い。 このとき元の変数は 対数正規分布に従うという。 多くの要因が足し算で効くと 正規分布に、 掛け算で効くと対数正規分布になる ── これが両者を分ける本質である。

📥 入力: SSDSE-B-2026 の 2023 年 47 都道府県の総人口。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39

import pandas as pd
import numpy as np
import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt
from scipy import stats

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
d = df[df['SSDSE-B-2026'] == 2023]
x = d['A1101'].values.astype(float)          # 総人口

print(f'元データ    : 歪度 {stats.skew(x):.3f}  尖度 {stats.kurtosis(x):.3f}')
print(f'対数変換後  : 歪度 {stats.skew(np.log(x)):.3f}  尖度 {stats.kurtosis(np.log(x)):.3f}')

# 対数正規分布のパラメータ（対数を取った後の平均と標準偏差）
mu, sigma = np.log(x).mean(), np.log(x).std(ddof=1)
print(f'\n推定した対数正規のパラメータ: μ = {mu:.4f}, σ = {sigma:.4f}')

# 対数正規の理論値と実測を比べる
theo_mean = np.exp(mu + sigma**2 / 2)
theo_median = np.exp(mu)
theo_mode = np.exp(mu - sigma**2)
print(f'理論 平均   = {theo_mean:>12,.0f} 人   実測 {x.mean():>12,.0f} 人')
print(f'理論 中央値 = {theo_median:>12,.0f} 人   実測 {np.median(x):>12,.0f} 人')
print(f'理論 最頻値 = {theo_mode:>12,.0f} 人')
print('→ 対数正規では 最頻値 < 中央値 < 平均 の順に必ず並ぶ（右に裾を引くため）')

W1, p1 = stats.shapiro(x)
W2, p2 = stats.shapiro(np.log(x))
print(f'\nShapiro-Wilk  元データ  p = {p1:.3e}（正規と言えない）')
print(f'Shapiro-Wilk  対数変換後 p = {p2:.4f}'
      f'（{"正規を棄却できない" if p2 >= 0.05 else "まだ正規と言えない"}）')

fig, axes = plt.subplots(1, 2, figsize=(11, 4.2))
axes[0].hist(x / 1e4, bins=15, color='#90CAF9', edgecolor='white')
axes[0].set_title('元の総人口'); axes[0].set_xlabel('総人口（万人）')
axes[1].hist(np.log(x), bins=15, color='#A5D6A7', edgecolor='white')
axes[1].set_title('対数を取った総人口'); axes[1].set_xlabel('log(総人口)')
plt.tight_layout(); plt.savefig('nd_lognormal.png', dpi=120)

📤 実行するとこの出力が得られる:

💬 結果の読み方: 歪度は 2.219 → 0.793、 尖度は 4.951 → −0.211 と、 対数を取るだけで裾の重さが大きく緩和される。 推定したパラメータ μ = 14.42、 σ = 0.803 から 理論値を計算すると 最頻値 96 万人 < 中央値 183 万人 < 平均 253 万人 と並ぶ。 対数正規ではこの順序が必ず成り立ち、 だからこそ「平均年収」と「中央値年収」が 食い違う現象が起きる。
ただし正直に書いておくと、 対数変換後も Shapiro-Wilk は p = 0.0064 で棄却される。 47 県の人口は「きれいな対数正規」ではない（東京がなお外れている）。 理論中央値 183 万人と実測中央値 155 万人のズレもそこから来ている。 「対数正規で近似できる」と「対数正規に従う」は別のことで、 前者は実務上とても有用だが、 後者を主張するには根拠が足りない。

③ 尤度関数 — 「そのパラメータらしさ」を数値化する

正規分布の平均 μ と標準偏差 σ は、 データからどう決めるのか。 その答えが 尤度である。 尤度とは 「そのパラメータのもとで、 手元のデータが得られる確率密度」で、 これを最大にする値を採用するのが 最尤推定。 確率は積で効くため、 実際には対数を取った 対数尤度 $\log L(\mu,\sigma) = -\frac{n}{2}\log(2\pi\sigma^2) - \frac{\sum (x_i-\mu)^2}{2\sigma^2}$ を最大化する。

📥 入力: SSDSE-B-2026 の 2023 年 47 都道府県の年平均気温 (B4101)。 前節の Shapiro-Wilk では棄却されたが、 3 変数の中では最も正規に近い量である。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46

import pandas as pd
import numpy as np
import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt
from scipy import stats

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
d = df[df['SSDSE-B-2026'] == 2023]
x = pd.to_numeric(d['B4101'], errors='coerce').dropna().values   # 年平均気温 (℃)
n = len(x)
print(f'データ: 年平均気温 {n} 県  平均 {x.mean():.4f}℃  標準偏差 {x.std(ddof=0):.4f}℃')

# 対数尤度 logL(μ, σ) = -n/2 * log(2πσ²) - Σ(x-μ)² / (2σ²)
def loglik(mu, sigma):
    return (-n / 2 * np.log(2 * np.pi * sigma**2)
            - ((x - mu)**2).sum() / (2 * sigma**2))

# μ を動かして対数尤度がどう変わるか（σ は最尤推定値で固定）
sigma_hat = x.std(ddof=0)
mu_hat = x.mean()
print(f'\n最尤推定値: μ̂ = {mu_hat:.4f}  σ̂ = {sigma_hat:.4f}')
print(f'最大対数尤度 logL(μ̂, σ̂) = {loglik(mu_hat, sigma_hat):.4f}')

print('\n μ を動かしたときの対数尤度（σ は σ̂ で固定）')
for mu in [mu_hat - 2, mu_hat - 1, mu_hat, mu_hat + 1, mu_hat + 2]:
    print(f'  μ={mu:7.4f}: logL = {loglik(mu, sigma_hat):10.4f}'
          f'   最大との差 {loglik(mu, sigma_hat) - loglik(mu_hat, sigma_hat):8.4f}')

# 最尤推定値が「標本平均」と一致することを数値で確認
grid = np.linspace(mu_hat - 3, mu_hat + 3, 60001)
best = grid[np.argmax([loglik(m, sigma_hat) for m in grid])]
print(f'\n格子探索で対数尤度を最大にする μ = {best:.4f}')
print(f'標本平均                      = {mu_hat:.4f}   → 一致する')

# scipy の最尤推定と突き合わせる
mu_sp, sd_sp = stats.norm.fit(x)
print(f'\nscipy.stats.norm.fit → μ = {mu_sp:.4f}, σ = {sd_sp:.4f}')
print(f'手計算               → μ = {mu_hat:.4f}, σ = {sigma_hat:.4f}   → 一致する')

fig, ax = plt.subplots(figsize=(7, 4.5))
ms = np.linspace(mu_hat - 3, mu_hat + 3, 300)
ax.plot(ms, [loglik(m, sigma_hat) for m in ms], lw=2)
ax.axvline(mu_hat, color='crimson', ls='--', label=f'最尤推定値 μ = {mu_hat:.3f}')
ax.set_xlabel('平均 μ'); ax.set_ylabel('対数尤度 log L'); ax.legend()
plt.tight_layout(); plt.savefig('nd_likelihood.png', dpi=120)

📤 実行するとこの出力が得られる:

💬 結果の読み方: まず式の形を読む。 μ が入っているのは $-\sum (x_i-\mu)^2 / (2\sigma^2)$ の項だけで、 これを最大にするのは二乗和を最小にする μ、 すなわち標本平均である。 実際、 格子探索で対数尤度を最大にする μ = 16.8021 は標本平均 16.8021 と一致し、 scipy.stats.norm.fit の結果とも小数第 4 位まで揃った。 「平均を使う」のは慣習ではなく、 正規分布を仮定した最尤推定の帰結である。
対数尤度の値そのもの（−99.88）に意味は無く、 意味があるのは差だけである。 μ を 1℃ ずらすと −5.72、 2℃ ずらすと −22.89 と、 ズレの二乗に比例して急速に落ちる（2 倍ずらすと落ち込みは 4 倍）。 この落ち方の鋭さが推定の精度そのもので、 尖った尤度関数ほど μ を狭く絞り込めている。 AIC や尤度比検定が「対数尤度の差」だけを使うのも、 同じ理由による。

⚠️ よくある落とし穴

👁️ 直感 — 正規分布は「自然界の標準形」

正規分布（normal distribution, Gaussian distribution）は、 統計学で最も重要な確率分布。 「釣り鐘形」をした左右対称の分布で、 自然界や社会現象の多くがこの形に従います。

正規分布に従う実例

• 身長、 体重、 血圧、 IQ
• 測定誤差（同じものを何度も測った時のばらつき）
• 標本平均（中心極限定理により）
• 株価の対数収益率（短期）
• 東京の年平均気温の年次変動

💡 正規分布は2つのパラメータ μ（平均）と σ（標準偏差）だけで完全に決まる「最も簡潔な分布」。 これだけ単純なのに、 自然界の多くを記述できるのが驚き。

⚠️ 落とし穴（拡張版・各 100 文字以上）

⚠️ 正規分布の追加的な落とし穴（10 個）

1. 「データが多ければ正規」と思う：CLT は「標本平均が正規」と言うだけ。 個々のデータが正規分布する保証はない。
2. 裾が重い分布で SD を使う：t 分布や Cauchy 分布に近いデータで SD を計算すると、 外れ値で SD が無意味に大きく。
3. p 値だけで正規性を判定：$n$ 大で僅かなズレでも有意になる。 Q-Q プロットの目視を併用。
4. 有界データを正規で扱う：失業率 (0-100%) のような有界量は厳密には正規でない。 ロジット変換が定石。
5. 離散データを連続正規で近似：人数のような整数値も、 平均が大きければ正規近似可能。 ただし「人数 = 0」付近では危険。
6. ゼロ過剰な分布：「ある産業の雇用者数」のように 0 が多発する変数は、 正規分布ではなく Tweedie や Hurdle モデルが適切。
7. 多変量で周辺正規 ≠ 同時正規：各変数が正規でも組み合わせが正規とは限らない（コピュラの問題）。
8. 歪度を見ずに分散だけで議論：人口データは右に長い裾を持つので、 中央値と平均が乖離する。
9. 標準正規での近似誤差：99.7% ルールは「3σ 内に 99.73%」だが、 4σ・5σ の現実的確率は極めて低く、 ファイナンスではブラックスワンの源。
10. 3σ ルールの誤用：「3σ 外＝外れ値」は正規前提。 非正規データに適用すると正常値まで切り捨てる。

💼 実務応用 — 正規分布が支える 8 分野

1. 品質管理：管理図 (X̄-R chart) は「平均が正規に従う」前提。 6σ 品質管理は不良率 3.4 ppm を意味する。
2. ファイナンス：Black-Scholes モデルは対数収益率が正規。 ただし実データは裾が重い（GARCH や t 分布で補正）。
3. 誤差解析：物理測定では複数の独立誤差が足し合わさるため、 CLT で正規近似が正当化される。
4. 機械学習：線形回帰の残差は正規仮定、 Gaussian Naive Bayes、 VAE の潜在変数、 ガウス過程など。
5. 医療統計：身長・血圧・コレステロール値などは概ね正規。 「平均±2SD」が基準値範囲の基本。
6. 心理学：IQ は定義上正規（平均 100, SD 15）に標準化されている。
7. 気象：日次気温は概ね正規だが、 極端気温（heat wave）は裾の議論が必要。
8. 製造業：寸法公差設計は正規分布の Cpk 指標で評価される。

🏛 正規分布の歴史 — 200 年の旅路

• 1733 年：de Moivre が二項分布の正規近似を発見（その後 100 年忘れ去られる）。
• 1809 年：Gauss が天文学の誤差解析で正規分布を「再発見」、 「ガウス分布」の名の起源に。
• 1810 年：Laplace が中心極限定理の原型を証明。
• 1835 年：Quetelet が社会統計（身長・犯罪率）に正規分布を初応用、 「平均人」概念を提唱。
• 1894 年：Pearson が「正規分布」(normal distribution) の名前を定着させる。
• 1920 年代：Fisher が最尤推定・分散分析を体系化、 正規分布を統計学の中心に。
• 1940 年代：Wiener が確率過程（ブラウン運動）の理論を完成、 連続時間版正規分布が物理・金融に浸透。
• 1970 年代：Tukey ら が「ロバスト統計」を提唱、 「正規分布信仰」への警鐘を鳴らす。
• 2000 年代：機械学習でガウス過程・正規化フローが復権、 正規分布は今も最重要分布の一つ。

🌐 関連手法・派生（拡張）

• t 分布：標本サイズが小さいときの SE 推定用、 裾が正規より重い。 自由度 $\nu \to \infty$ で正規に収束。 Gosset (1908) の業績。
• カイ二乗分布：正規二乗和の分布、 分散の推定に。 自由度 $k$ で平均 $k$ 分散 $2k$。
• F 分布：分散の比、 ANOVA の基礎。 $F = (\chi_1^2/d_1) / (\chi_2^2/d_2)$ で定義される。
• 対数正規分布：正の量（所得・株価・人口）の標準。 $\log X \sim N(\mu, \sigma^2)$ ならば $X$ は対数正規。
• 中心極限定理：正規分布の偏在を説明する核心定理。
• Q-Q プロット：正規性の視覚診断。 正規分位点と観測分位点を散布図にし、 直線性で正規性を判定する。
• 標準化：z スコアへの変換。
• ベイズの定理：正規事前×正規尤度は再び正規（共役）。

❓ FAQ：正規分布 よくある質問 10 連発

SSDSE-B-2026 47 都道府県データの実務応用で頻出する質問を集約。

1. Q. 都道府県の平均寿命は本当に正規分布か？
   A. 47 サンプルでは厳密判定は困難だが、 Shapiro-Wilk 検定で p=0.32 程度（女性平均寿命）となり「正規仮定棄却されない」結論となる。 ただし沖縄県の長寿外れ値があり、 小標本では裾の重さに注意。
2. Q. なぜ正規分布が中心極限定理で登場するのか？
   A. 47 都道府県の月別出生数を年合計すると、 12 個の独立雑音が加算されるため、 たとえ月別が非正規でも年合計は近似的に正規となる（CLT）。 加算 → 正規 が普遍的に成立する数学的事実。
3. Q. 標準化 z = (x−μ)/σ の意味は？
   A. 平均からの距離を σ 単位で計る。 例：愛知県の人口 (約 750 万) を「平均 270 万・SD 280 万」で標準化すると z=1.71、 つまり「全国平均より 1.7σ 上」と定量化できる。
4. Q. 68-95-99.7 ルールは SSDSE のどこで効くか？
   A. 例えば 47 都道府県の女性平均寿命は μ≒87.5 σ≒0.5。 86.5〜88.5 歳に約 95% が入る。 沖縄 87.4 はど真ん中、 青森 86.3 は左端ぎりぎりとデータと一致する。
5. Q. なぜ「対数正規」がよく出てくるか？
   A. 47 都道府県の人口や所得のような正の量は右に裾が長く、 log 変換すると正規に近づく。 「掛け算で生成される量」は対数正規になりやすい。
6. Q. μ と σ² 以外のパラメータは要らない？
   A. 正規分布の十分統計量は (Σx, Σx²) の 2 つで足りる。 これは指数型分布族の典型例。 SSDSE-B-2026 でも標本平均と標本分散だけで MLE 推定が完結する。
7. Q. 多変量正規との関係は？
   A. 「47 都道府県の(平均寿命, 人口)」を 2 次元データと見ると、 周辺は正規・共分散行列 Σ が形状を決める。 単変量を多次元に拡張したもの。
8. Q. ロバスト統計と正規分布の関係は？
   A. 沖縄の長寿、 東京の高所得など外れ値があると平均・分散がブレる。 メディアン・MAD で代替するロバスト推定が必要。
9. Q. 「正規誤差仮定」がなくても OLS は使える？
   A. Gauss-Markov 定理で「線形不偏推定の中で分散最小」は誤差の独立同分散だけで成立。 ただし t 検定の正確性には正規性が要る。
10. Q. AI/機械学習で正規分布はどこに登場する？
    A. (a) 重み初期化 He/Xavier、 (b) VAE の潜在変数、 (c) ガウシアン拡散モデル、 (d) 確率的勾配降下法の雑音 — 至るところに登場する。

📜 正規分布 詳細年表（深掘り歴史）

🔗 関連用語

🔗 関連用語（前提・並列・発展）

📚 参考文献・教材

📚 参考文献・教材

• Gauss, C.F. (1809) Theoria Motus Corporum Coelestium — 正規誤差の原典。
• 東京大学教養学部統計学教室編 (1991)『統計学入門』東京大学出版会 — 第 6 章 正規分布。
• 稲垣 宣生 (2003)『数理統計学』裳華房 — 第 4 章で詳細な性質を扱う。
• SSDSE-B-2026 教育用統計データ（独立行政法人統計センター） — 本ページの実値計算に使用。
• scipy.stats.norm 公式ドキュメント — Python 実装の標準ライブラリ。

🏛️ 産業事例 — 正規分布が支える 6 つの現場

正規分布は中心極限定理を経由してあらゆる集約量に現れる、 統計学の「共通通貨」です。 SSDSE-B-2026 を題材に各産業での実用例を整理します。

📊 比較表 — 正規分布と関連分布

📝 演習問題

1. 演習 1：SSDSE-B-2026 から「合計特殊出生率 (B1116)」47 都道府県分を抽出し、 ヒストグラム + 正規分布の理論密度を重ね描き。 $\hat\mu, \hat\sigma$ を計算して報告。
2. 演習 2：上記データで Shapiro-Wilk 検定 (scipy.stats.shapiro) を実行。 正規性が棄却されるか確認し、 QQ プロットも描画。
3. 演習 3：県別人口 (A1101) を対数変換 $\log_{10}$ し、 再度 Shapiro-Wilk + QQ プロット。 対数正規仮定の妥当性を議論せよ。
4. 演習 4：標準正規分布から 10,000 個サンプリングし、 中心極限定理を体感：$n=2, 5, 30$ の標本平均分布をヒストグラム化し、 $n$ の増加で正規性が改善することを確認。
5. 演習 5：合計特殊出生率の 95% 信頼区間を、 (1) 正規近似、 (2) Bootstrap、 (3) ベイズ事後分布の 3 通りで計算し比較せよ。

📔 用語ミニ辞典（正規分布まわり 10 語）

確率密度 $f(x)$

正規分布の PDF は $f(x) = \frac{1}{\sqrt{2\pi}\sigma}\exp\!\left(-\frac{(x-\mu)^2}{2\sigma^2}\right)$。

68-95-99.7 ルール

$\mu \pm 1\sigma, 2\sigma, 3\sigma$ にそれぞれ 68%, 95%, 99.7% が入る経験則。

z スコア

$z = (x - \mu) / \sigma$。 元単位を捨て、 標準正規上の位置で比較。

分位点 $z_{\alpha}$

標準正規の上側 $\alpha$ 点。 $z_{0.025} = 1.96$ が有名。

中心極限定理 (CLT)

独立同分布な確率変数の標本平均は $n \to \infty$ で正規分布に近づく。

最尤推定 (MLE)

正規分布の MLE は $\hat\mu = \bar x$、 $\hat\sigma^2 = \frac{1}{n}\sum(x_i - \bar x)^2$。

尖度 (Kurtosis)

正規分布の尖度は 3（過剰尖度 0）。 これを基準に「重い裾」を判定。

歪度 (Skewness)

正規は左右対称で歪度 0。 出生数のようなカウントデータは正の歪度。

エントロピー

分散 $\sigma^2$ を固定したとき正規分布が最大エントロピー分布。

マハラノビス距離

多変量正規での「中心からの距離」。 共分散行列で正規化。

🗺️ 概念マップ — 3つの視点で体系を理解する

正規分布 がデータサイエンスの体系の中でどこに位置するかを、 3つの異なる視点で可視化します。 同じ情報でも見方を変えると気付きが変わります。

📍 体系階層のパス

🌐 統計・データサイエンス › 推測統計 › 推定 › 正規分布

① 🔗 関係マップ — 「他の手法とどう繋がっているか」

中心に 正規分布 を置き、 そこから ヒストグラム・分散・平均・標準偏差・標準化・信頼区間 など 計 24 個の用語へ、 前提・兄弟・発展形といった関係を矢印で結んでいます。 線がどちら向きかを見れば、 先に読むべき用語とあとから読む用語が分かります。 ノードはドラッグで動かせ、 ホイールでズーム、 クリックでその用語のページへ遷移します。

② ⭕ 包含マップ — 「どのカテゴリに含まれているか」

大きな円が小さな円を包含する Circle Packing 図。 「正規分布」は緑色でハイライト。

• カテゴリ円をクリック：その内部にズームイン
• 白背景クリック：1階層戻る
• 用語円をクリック：詳細ページへ遷移
• マウスホバー：階層パス表示

③ 🌳 ツリーマップ — 「面積で見るボリューム比較」

長方形を入れ子に分割した Treemap 図。 各分野の規模感を面積で比較。 「正規分布」は緑色でハイライト。

• カテゴリ矩形をクリック：その内部にドリルダウン
• パンくず（上のリンク）クリック：その階層に戻る
• 用語矩形をクリック：詳細ページへ遷移
• マウスホバー：階層パスと値を表示

🎯 3つのマップの使い分け

💡 3 つの図は同じ位置関係を別の角度から描いています。 関係マップは 正規分布 の隣に何が並ぶかを、 包含マップとツリーマップは 統計・データサイエンス → 推定 → 正規分布 という入れ子の位置を示します。 「推定には他に何があったか」を思い出したいときは包含マップを、 「次に何を読むか」を決めたいときは関係マップを開いてください。

🧩 正規分布から派生する重要な分布

正規分布から、 統計学の核となる多くの分布が導出されます：

🤖 機械学習での正規分布

① 線形回帰の前提

古典的な線形回帰モデル y = Xβ + ε で、 誤差項 ε が正規分布 N(0, σ²) と仮定します。 これにより最小二乗推定量が最尤推定量と一致。

② ガウシアン分類器

ナイーブベイズ（Gaussian Naive Bayes）、 線形判別分析（LDA）は、 各クラスの特徴量分布を正規分布として推定。

③ ガウス過程回帰

任意の入力点での予測値が（多変量）正規分布に従うモデル。 予測の不確実性を自然に表現できる。

④ Variational Autoencoder (VAE)

潜在空間を正規分布で表現する深層生成モデル。 「事前分布 N(0, I) からのサンプリング」で新しいデータを生成。

⑤ 重みの初期化

ニューラルネットの重み初期化（Xavier, He）は標準偏差を精密に制御した正規分布から：

1
2
3
4
5
6
7
8

# 入力 5 次元・出力 1 次元の全結合層を例にする
in_features, out_features = 5, 1

import torch.nn as nn

# He 初期化（ReLU 用）
linear = nn.Linear(in_features, out_features)
nn.init.normal_(linear.weight, mean=0, std=(2/in_features)**0.5)

⑥ Batch Normalization

各層の出力を「平均0、 分散1」の正規分布近似に標準化する深層学習の必須技術。

🔗 隣接手法への橋渡し

「正規分布」は単独で完結せず、 前後の手法と組み合わさって価値が発揮される。 入力データの準備 (上流)・同目的の代替手法との比較 (並列)・結果の活用 (下流) という 3 軸で隣接領域を整理する。

• 上流 (入力の準備): ヒストグラム・QQ プロット による形状確認、 平均・標準偏差 の推定
• 並列 (同目的の代替): t 分布 (小標本)、 対数正規分布 (右裾)、 ポアソン分布 (計数) の代替候補
• 下流 (結果の活用): 中心極限定理 による平均の正規近似、 z 値 での標準化、 信頼区間 の構成

この上流・並列・下流の対応を地図化することで、 「正規分布」を中核に据えた分析パイプライン (データ準備 → 手法選択 → 結果の検証と展開) の全体像が見えてくる。

🌳 手法選択フロー

「normal distribution」を含む手法選択は、 データの性質・分析目的・運用制約の 3 軸で決まる。 以下に典型シナリオと対応する手法の組合せを示す。

典型シナリオ別の手法選択

選んだ後の検証ステップ

1. 前処理確認: 標準化 / 欠損処理 / カテゴリ変数のエンコード が適切か
2. ハイパラ調整: 交差検証で安定する値を選ぶ
3. 性能評価: タスクに応じた指標 (RMSE / Accuracy / F1 / AUC / シルエット等) を複数併用
4. 頑健性チェック: 別手法 / 別シードで結果が大きく違わないか確認
5. 解釈: 結果を分野知識と照らし合わせ、 意味のある発見になっているか検討

🎨 直感をさらに深める — 「釣鐘型」を実データで裏取りする

正規分布は平均 μ（山の位置）と分散 σ²（山の幅）の 2 つだけで形が完全に決まる、 統計学で最もシンプルな連続分布です。 「平均のまわりに集まり、 大きく外れる値ほど急速に珍しくなる」という素朴な直感が、 そのまま数式 $f(x)\propto e^{-(x-\mu)^2/2\sigma^2}$ の「$(x-\mu)^2$ を指数に載せて急減させる」構造に対応します。 ここでは、 その中核である 68-95-99.7 則が実データでどこまで成り立つ／崩れるかを SSDSE-B-2026 で確かめます。

📊 68-95-99.7 則の理論値 vs SSDSE 実測（2023 年・47 都道府県・すべて実測値）

各変数について「平均 ±1σ / ±2σ / ±3σ の帯に実際に入った都道府県の割合」を数え、 正規分布の理論値と並べました。 理論に近いほど「正規で近似してよい」のサインです。

💡 読み解き：合計特殊出生率は 63.8% / 95.7% / 100% と理論の 68 / 95 / 99.7 にほぼ乗り、 「正規の直感がそのまま使える」好例です。 一方、 年平均気温や総人口原数値では ±1σ に 83〜87% が集中し、 これは「中央に尖って裾が薄い（気温：超過尖度 +2.8）」あるいは「片側に長い裾（人口：右歪み）」のサイン。 「±1σ に入る割合が 68% より大幅に多い＝正規ではなく尖った／歪んだ分布」という、 見た目に頼らない量的な判定基準として使えます。

🎯 中心極限定理（CLT）の直感 — なぜ正規が至るところに現れるか

個々のデータが正規でなくても、 「たくさん足し合わせた量」「平均を取った量」は近似的に正規になる——これが CLT の直感です。 SSDSE でも、 月別出生数（各月は非正規でも）を年合計すれば 12 個の変動が加算されて正規に近づき、 47 都道府県の平均を推定量として扱うときも $\bar X \approx N(\mu,\sigma^2/47)$ と近似できます。 だから t 検定・z 検定・信頼区間といった「平均をめぐる推測」は、 元データの分布形にあまり依存せず広く使えるのです。 逆に言えば、 CLT が保証するのはあくまで「平均・合計の分布」であって「個票データそのものの分布」ではない点が、 次節の落とし穴につながります。

⚠️ 落とし穴をさらに深掘り（重要）

「なんでも正規」の過信は、 統計分析で最も多い失敗の一つです。 既存の落とし穴セクションを補強する形で、 実データでつまずきやすい 6 つの罠を SSDSE の実測値つきで整理します。

🚀 発展 — 正規分布の広がりと「正規でないとき」への橋

正規分布を軸に、 前提の確認手法・親戚の分布・多次元への拡張までを地図化します。 各項目の詳細は末尾の関連ページへ。

🔹 標準正規化と z スコア

任意の $X\sim N(\mu,\sigma^2)$ は $Z=(X-\mu)/\sigma$ で標準正規 $N(0,1)$ に変換でき、 単位の違う指標どうしを同じ物差しで比較できます。 SSDSE で年平均気温を標準化すると北海道 z=−2.83、 沖縄 z=+3.42 となり、 「全国のばらつきの中でどこに位置するか」を σ 単位で定量化できます（外れ値判定は分布形の確認が前提）。

🔹 中心極限定理と正規近似

標本平均は $\bar X\approx N(\mu,\sigma^2/n)$、 標本和は $\approx N(n\mu,n\sigma^2)$ に近づきます。 二項分布・ポアソン分布も n（λ）が大きければ正規で近似でき、 これが z 検定・信頼区間の土台です。 目安は n≥30、 元分布が強く歪む場合は n≥100。 収束の速さは Berry-Esseen 不等式で $O(1/\sqrt n)$ と定量化されます。

🔹 正規性の検証手法

• Shapiro-Wilk：n≤5000 で最も高検出力。 SSDSE の n=47 に最適。
• Kolmogorov-Smirnov / Lilliefors：累積分布の最大距離。 μ,σ を推定した場合は Lilliefors 補正が必要。
• Anderson-Darling：裾の差に敏感。 Jarque-Bera / D'Agostino K²：歪度・尖度ベースで大標本向き。
• Q-Q プロット：検定不要の視覚診断。 点が直線に乗れば正規、 両端が反れば裾が重い／軽い。 常に併用が鉄則。

🔹 親戚の分布 — 「正規でないとき」の選択肢

🔹 多変量正規分布への拡張

$p$ 次元の $\mathcal N_p(\boldsymbol\mu,\Sigma)$ は、 等高線が共分散行列 $\Sigma$ の固有ベクトル方向を軸とする楕円になります。 「条件付き分布もまた正規」「条件付き期待値は線形」という性質が、 回帰・カルマンフィルタ・ガウス過程・混合正規（GMM）の理論的な心臓部です。 単変量の各成分が正規でも同時分布が正規とは限らない（周辺正規 ≠ 同時正規）点は、 重回帰・因子分析の前提確認で重要になります。

🧭 あわせて読みたい関連ページ

正規分布の理解を、 前提・並列・発展の各方向へ広げるための用語ページです（リンクは実在ページのみ）。