🔖 キーワード索引

順列に関連する 12 個のキーワード。 各チップから関連ページへジャンプできる。

🎨 直感で掴む

順列が登場する SSDSE-B-2026 文脈での 3 場面

• ① 都道府県をランキング順に並べる: SSDSE-B-2026 の 47 県を A1101 (総人口) の降順に並べる場合、 同順位がなければ並べ方は 1 通り (確定的)。 しかし「上位 5 県をどう並べるか」を問題にすれば ${}_{47}P_5 = 47 \times 46 \times 45 \times 44 \times 43 = 184{,}072{,}680$ 通りの並べ方候補から、 観測順位 (東京→神奈川→大阪→愛知→埼玉) が「偶然そうなった確率」を議論できる (順位検定の基礎)。
• ② 並べ替え検定 (permutation test): A1303 (65 歳以上人口) を 47 県分シャッフルして再代入し、 「東京-沖縄の差は偶然か」を $n!$ 通りの並べ替えから検定する。 47 県完全シャッフルは $47! \approx 2.6 \times 10^{59}$ 通りなので実際は Monte Carlo で 10,000 回サンプル。
• ③ 機械学習の Permutation Importance: H1800 (転入超過) を予測するモデルで、 入力特徴量 (A1101, A1303, J2503) のうち 1 列だけを 47 県でシャッフルし、 予測精度の劣化幅で重要度を測る。 これも「順列」概念の応用。

組合せ ${}_nC_r$ との違い

覚え方: 「順序を意識する → P (Permutation)」「順序を意識しない → C (Combination)」。 P は C の $r!$ 倍 (5 県の並び順は 5!=120 通りあるため)。

🎮 触って理解する

スライダーで n（並べる元の個数）と k（取り出して並べる個数）を動かすと、 順列 P(n,k)=n!/(n-k)! の値・実際の並べ方・組合せ C(n,k) との違いがリアルタイムに変わります。 図をスワイプ（左右にドラッグ）するか下のボタンで、 実際の並べ方を 1 つずつ切り替えられます。 「順序を区別する」と数がどれだけ増えるかを体感してください。

📊 順序を区別すると何倍に増える?

🧭 もっと深く理解する

📐 定義／数式

順列（Permutation）：n個から r個を順序付けて選ぶ場合の数

📐 重要公式まとめ

この 10 公式を覚えれば、 順列に関する問題の 95% は解ける。 残り 5% は群論や生成関数を要する高度なもの。

🎲 5 秒クイズ（最終確認）

1. Q: P(10,3) は？ A: 720
2. Q: 5! は？ A: 120
3. Q: 47 県を全部並べる方法は何桁？ A: 60 桁（47! ≒ 2.59×10^59）
4. Q: 順列と組合せの関係式は？ A: P(n,k) = C(n,k) × k!
5. Q: 4 文字 "AABB" の並べ方は？ A: 6（= 4!/2!2!）
6. Q: Python で順列数を計算する関数は？ A: math.perm(n, k)
7. Q: 並べ替え検定の Python 実装は？ A: scipy.stats.permutation_test
8. Q: permutation importance を提案したのは？ A: Breiman (2001)

全問正解なら、 順列の知識は実務レベルに達している。 次は組合せ・確率・並べ替え検定の関連ページへ。

📐 公式図鑑: 順列まわりの 12 公式

順列・組合せ・階乗の周辺には沢山の公式があり、 場面ごとに使い分ける。 ここで一覧化しておく。

→ 公式を丸暗記するのではなく、 「何を区別し、 何を等価視するか」のロジックで導出できるようにしておく。 SSDSE-B-2026 の現場では、 多項係数とスターリング近似は計算量の見積もりで頻出。

🖼 図で見る順列 — SSDSE-B 都道府県データを順列で並べ替えるとどう見えるか

順列の概念は数式だけでは捉えにくい。 ここでは SSDSE-B-2026 の都道府県データを使って、 順列・順位・並び替えの効果を視覚化した 3 枚の図を示す。 すべて実データから生成されたものであり、 合成データは一切含まない。

→ 図 1 は順位相関の妥当性、 図 2 は順列検定の必要性、 図 3 は順列検定の動作原理、 をそれぞれ示している。 順列は「並べ方の総数」を数えるだけでなく、 「分布の形を仮定なしに扱う」「順位を比較する」道具でもあることが、 1 枚ずつの図で確認できる。

📝 まとめ — 順列の 5 つの顔

• (1) 数える顔: $_nP_r = n!/(n-r)!$ で並べ方の総数を数える。 SSDSE-B の 47 都道府県のあらゆる順序問題に直結。
• (2) 検定する顔: ラベル順列で帰無分布を構築する permutation test。 分布の仮定なしで p 値を出せる強力な道具。
• (3) 比較する顔: Spearman/Kendall は「2 つの順列の近さ」を測る。 ランキングデータ解析の基礎。
• (4) 最適化する顔: TSP・スケジューリング・配送順は「最良の順列を見つける」問題。 NP-hard だが部分構造を活かして近似解を得る。
• (5) 説明する顔: Permutation importance で機械学習モデルの透明性を高める。 XAI の中核。

これらを横断する共通の主題は「順序が情報を持つか / 持たないか」を見極めること。 SSDSE-B-2026 のような実データで順列概念を実感することで、 高校数学の $_nP_r$ が「実務で何の道具になるか」が明確になる。

さらに踏み込めば、 順列は単独で意味を持つだけでなく、 確率論 (二項分布、 ポアソン分布、 超幾何分布のいずれもが組合せ・順列を母数として持つ)、 情報理論 (エントロピーは確率分布上の組合せ的指標)、 圏論 (対称群が群論・表現論の母体)、 計算量理論 (NP 困難な最適化問題の多くが順列空間上の探索) など、 数学の根幹に深く接続している。 順列の理解度は、 そのまま「離散数学を実問題と結ぶ翻訳力」の指標になる。 SSDSE-B-2026 を題材にした本稿の演習で、 47 都道府県の順列空間と現実の社会データを行き来する感覚を養い、 統計・データ解析コンペの実戦で「順序を扱う」あらゆる場面に対応できる土台を築いてほしい。 順列は地味な概念だが、 データサイエンスの根を支える基礎中の基礎であり、 ここを丁寧に押さえることが上達への最短経路となる。 公務員試験・統計検定・データ解析実務のいずれにおいても、 順列を「式」「実装」「意味」の 3 層で同時に語れる人材は強い。 SSDSE-B-2026 を題材に手を動かし続けることで、 その境地に確実に近づける。

🔬 記号・用語の読み解き

🔬 詳細な解説（深掘り）

概念の本質

順列（Permutation）は、 単に用語の定義を覚えるだけでは本当には理解できません。 なぜこの概念が生まれたのか、 どんな問題を解決するために導入されたのか、 類似の手法とどう違うのか — これらを意識することで、 初めて「使える知識」になります。

数式や Python コードはあくまで 道具。 道具の使い方を覚える前に、 その道具で何をしたいか（目的） を明確にすることが、 データサイエンス学習の鉄則です。

他の概念との関係

この用語は、 単独で存在するわけではなく、 多くの関連概念とネットワークを形成しています。 上の「関連用語」セクションに挙げたリンク先を1つずつ辿ると、 全体像が見えてきます。 特に：

• 前提となる概念：これを理解していないと 順列 は使えない
• 並列に語られる概念：同じレベルの選択肢として比較される
• 発展・応用：順列 を踏まえて学ぶべき次のステップ

実務で気をつけるポイント

理論を学ぶことと、 実務で使えることは別物です。 公的統計（SSDSE、 e-Stat 等）の実データで実装・実験することで、 教科書だけでは見えない罠 に気付けます。 たとえば：

• 欠損値・外れ値の扱いで結果が大きく変わる
• スケール（単位）の違いが分析結果を歪める
• 「相関」と「因果」を混同したまま結論を出してしまう
• 多重比較・複数仮説の補正を忘れる
• 再現性（コード・データ・乱数）の管理を後回しにする

これらは 順列 に限った話ではなく、 データサイエンス全般に共通する作法です。 「落とし穴」セクションの内容と合わせて、 自分なりのチェックリストを作るとよいでしょう。

📊 評価・検証の視点

順列 を使った分析の 正しさを担保する ためには、 以下の観点で検証するのが定番です。

💼 業界別の使われ方

順列 は分野横断で活躍する概念です。 業界別に見ると以下のような使われ方があります。

📈 公的統計データ（SSDSE）での具体例

順列 を実際のデータで学ぶときは、 SSDSE（教育用標準データセット、 総務省統計局）が便利です。

• SSDSE-A：市区町村の基本統計（1,742 市区町村。人口・経済・教育・産業など）
• SSDSE-B：都道府県の基本統計（47 都道府県 × 12 年ぶん）
• SSDSE-C：家計消費（県庁所在市 47 市の品目別支出）
• SSDSE-E：都道府県の産業・就業（47 都道府県の 1 年ぶん）

これらは 統計センターの SSDSE ページ から CSV で直接ダウンロードできます。 上の Python コード例で data/raw/SSDSE-B-2026.csv としているのが、 まさにこれです。

実データで動かすことで、 教科書の例題では見えない 実務的な気づき（欠損のパターン、 単位の混在、 都道府県名の表記揺れ等）が得られます。

🔧 よくあるトラブルと対処

🔬 数式を言葉で読み解く

順列の数式は次の 2 つを必ず押さえる：

$$P(n, k) = {}_nP_k = \frac{n!}{(n-k)!} = n \cdot (n-1) \cdot (n-2) \cdots (n-k+1)$$

$$P(n, n) = n! = n \cdot (n-1) \cdot (n-2) \cdots 2 \cdot 1$$

• $n$: 全体の対象数。 例：47 都道府県、 トランプ 52 枚
• $k$: 選んで並べる数。 例：5 都道府県を並べる、 上位 3 位を決める
• $n!$（n の階乗）: $n \cdot (n-1) \cdots 1$ の積。 例：5! = 120
• $(n-k)!$: 「選ばなかった対象」の階乗。 これで割ることで、 選んだ後の並べ方だけが残る

直感的読み方：「最初の位置は $n$ 通り、 次は $n-1$ 通り、 ..., $k$ 番目は $n-k+1$ 通り、 これを掛け合わせる」。 並び順を区別するので、 同じメンバーの異なる並びは別カウント。

組合せ $C(n,k) = P(n,k) / k!$ は順列を「並び順を無視」して数えたもの。 順列 = 組合せ × 並び方の数。

🔬 高度な関連: 群論と置換

順列の数学的な深層には「群論」がある。 $n$ 個の対象の全順列は対称群 $S_n$ をなし、 群論の中心的対象。 SSDSE-B-2026 の 47 都道府県の置換は $S_{47}$ の元として記述できる。

置換の表記法

• 1 行表記: $\sigma = (1,2,3,4,5)$ は 1→2, 2→3, 3→4, 4→5, 5→1 の巡回置換
• 2 行表記: $\begin{pmatrix}1&2&3\\3&1&2\end{pmatrix}$ は 1→3, 2→1, 3→2
• 巡回分解: 任意の置換は互いに素な巡回置換の積に分解できる
• 互換: 2 元の入れ替えのみの置換。 全ての置換は互換の積で表せる

置換の応用

• 暗号: 文字を入れ替えるシーザー暗号 / Enigma の中核操作
• 線形代数: 行列式の符号は順列の偶奇で決まる
• 群論: ガロア理論の出発点
• ML: シャッフル / cross-validation のフォールド分割

「並び順を数える」だけの順列が、 群論を経由して暗号・代数・物理・ML に展開する。 「基礎数学が応用に直結する」典型例。

📈 計算量と現実のスケール

$n=20$ で「人生では終わらない」、 $n=30$ で「宇宙年齢の 100 万倍」。 順列の世界では「賢く絞り込む」アルゴリズムが必須。 これが分枝限定法・動的計画法・近似アルゴリズムが発達した理由。

🤖 機械学習での順列応用詳説

1. Permutation Importance

学習済みモデルに対し、 ある特徴量の値をシャッフルして予測精度がどれだけ落ちるかを測る。 落ち幅が大きい特徴量ほど重要。 順列の概念をモデル解釈に応用したのが Breiman (2001) の発明。

2. Cross-Validation

データを $k$ 個のフォールドに分割する際、 ランダム順列でシャッフルしてから分割するのが標準。 順序による偏りを除く目的。 sklearn の KFold(shuffle=True) がこの実装。

3. SHAP の Shapley 値

Shapley 値は特徴量の貢献度を「全順列における追加効果の平均」として定義する。 SHAP ライブラリはこれを高速近似計算。 順列が ML 解釈の理論的根拠を支える。

4. データ拡張（Augmentation）

時系列データの「ランダム置換」や、 タブラーデータの「カラム順序の入れ替え」は順列ベースのデータ拡張。 過学習防止に有効。

5. NLP のシャッフル系手法

BERT 系の Pre-training で、 文の順序を入れ替えて「順序が正しいか」を判定する Next Sentence Prediction や、 単語の順序をシャッフルする augmentation。 順列が NLP の表現学習に活用される。

📊 並べ替え検定の理論

並べ替え検定（permutation test）は順列の最も実用的な統計応用。 帰無仮説「2 群に差はない」のもとで、 ラベルを並べ替えても統計量の分布が変わらないことを利用する。

アルゴリズム

1. 観測データから統計量（例：平均差）$T_{\rm obs}$ を計算
2. 全ラベル順列について同じ統計量 $T_i$ を計算（または十分多くサンプリング）
3. $\Pr(|T_i| \geq |T_{\rm obs}|)$ を p 値として算出
4. p < 0.05 なら帰無仮説を棄却

利点と限界

SSDSE-B-2026 のような 47 件規模なら、 並べ替え検定が直感的で説明しやすい。 大規模データでは t 検定の方が高速。

🔬 数式を言葉で読み解く — 順列検定 (permutation test) の力

順列 $n!$ の応用先で最も実用的なのが「順列検定」。 これは「2 群の平均差が偶然か否か」を、 仮定なし (分布の正規性を仮定しない) に判定する手法。 SSDSE-B-2026 の都道府県データで、 「東日本 vs 西日本の人口総数に差はあるか?」を順列検定で評価する。

このコードでやること: SSDSE-B-2026 の都道府県人口 (A1101) を東日本 (北海道〜静岡) と西日本 (愛知〜沖縄) に分け、 平均差を観測値とする。 そして 47 都道府県のラベルを 5,000 回ランダムに並べ替え (=順列の一部を抽出)、 「観測値以上の差が偶然生じる確率」を p 値として求める。

📥 入力データ (SSDSE-B-2026 の人口列を東/西で分割):

 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

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])
df = df[df['SSDSE-B-2026'] == 2022].copy()

east = df.iloc[:22]['A1101'].values   # 北海道〜静岡
west = df.iloc[22:]['A1101'].values   # 愛知〜沖縄

observed_diff = np.abs(east.mean() - west.mean())

# 順列検定: 5,000 回ラベルをシャッフル
np.random.seed(0)
combined = np.concatenate([east, west])
n_east = len(east)
n_perm = 5000
count = 0
for _ in range(n_perm):
    np.random.shuffle(combined)
    diff = np.abs(combined[:n_east].mean() - combined[n_east:].mean())
    if diff >= observed_diff:
        count += 1
p_value = count / n_perm
print(f'観測平均差 = {observed_diff / 1e4:.1f} 万人')
print(f'p 値 (順列検定) = {p_value:.4f}')

📤 実行すると次の出力が得られる:

💬 p 値 0.22 は「観測差は偶然のレベル」を意味する。 つまり東京・大阪のような巨大都市の偏りはあるものの、 「東/西」という分割は人口を区別する有意な軸ではない。 順列検定は分布の仮定を置かないので、 t 検定が使えない歪んだデータ (人口は極端な右裾を持つ) でも安全に使える。

🧮 実値で計算してみる

🧮 実値で計算してみる（SSDSE-B-2026）

SSDSE-B-2026 の 47 都道府県から、 訪問する 5 県を選んで順番に並べる場合の総数を計算する。

📥 入力:

📤 計算:

💬 「47 県から 5 つ並べる」と聞くと小さい数字に感じるが、 実際は 1.84 億通り。 6 つにすると 77 億通りで、 もう全列挙は計算機でも厳しい。 これが順列の「指数的に増える」性質。

参考：組合せ $C(47, 5) = P(47,5) / 5! = 184072680 / 120 = 1,533,939$。 順列の 120 分の 1 になる（5 個の並べ方が 5! = 120 通りあるため）。

🧮 nPr vs nCr — 順列と組合せの完全な違い

順列 $_nP_r = n!/(n-r)!$ と組合せ $_nC_r = n!/(r!(n-r)!)$ の関係は $_nP_r = _nC_r \times r!$ で結ばれる。 47 都道府県から 3 県を選ぶ場合の比較:

「順序が問題になるか?」が分岐点。 県名を「並べる」なら順列、 「集める」なら組合せ。 scipy では scipy.special.perm(47, 3) と scipy.special.comb(47, 3) で計算できる。

🧭 追加深掘り: 順列が現れる現実の現場と SSDSE-B-2026 での実証

順列 (permutation) は「順序を区別して並べる方法の総数」を扱う離散数学の基礎概念である。 確率・統計・機械学習の至るところに姿を現すが、 中学・高校で学んだ $_nP_r = n!/(n-r)!$ の式だけでは、 現実のデータ解析でどう使うかが見えにくい。 ここでは SSDSE-B-2026 (47 都道府県 × 約 80 変数 × 12 年度) を題材に、 順列の概念が現れる 6 つの実例 — (1) 順列検定による中央値差の評価、 (2) 特徴量重要度の permutation importance 計算、 (3) クロスバリデーション分割の順列空間、 (4) ランキング系列の Spearman/Kendall 順位相関、 (5) 順列暗号としてのワンタイムパッド類似、 (6) 巡回セールスマン問題 (TSP) で 47 都道府県を回る最短経路 — を順に体験する。 各実例で「順列の総数」「実際に試行できる回数」「現実的な計算可能性」を必ず数字で示し、 「組合せ爆発」がどこから始まるかを腹に落とす。

(1) 順列検定 (permutation test) で中央値差を評価する

このコードでやること: SSDSE-B-2026 の都道府県別「人口総数 A1101 (2022 年)」を、 関東 1 都 6 県 vs その他 40 県に分割し、 中央値の差を 10,000 回の順列で評価する。 t 検定や Welch 検定は平均と分散の仮定が必要だが、 順列検定は「ラベルを交換しても分布は変わらない」という弱い仮定のみで動く。 人口データは右に強く歪んでおり (東京・神奈川・大阪が突出)、 正規分布の仮定は破綻している。 こうした場合に順列検定は強力な代替手段になる。

📥 入力データ (SSDSE-B-2026 を関東/その他で分割した抜粋):

 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

import pandas as pd
import numpy as np

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2022].copy()
np.random.seed(0)

kanto = ['東京都', '神奈川県', '埼玉県', '千葉県',
         '茨城県', '栃木県', '群馬県']
df['region'] = df['Prefecture'].apply(
    lambda x: 'kanto' if x in kanto else 'other')

group_a = df[df['region'] == 'kanto']['A1101'].values
group_b = df[df['region'] == 'other']['A1101'].values
observed = np.abs(np.median(group_a) - np.median(group_b))

combined = np.concatenate([group_a, group_b])
n_a = len(group_a)
n_perm = 10000
count = 0
for _ in range(n_perm):
    np.random.shuffle(combined)
    diff = np.abs(np.median(combined[:n_a]) - np.median(combined[n_a:]))
    if diff >= observed:
        count += 1
p_value = (count + 1) / (n_perm + 1)
print(f'観測中央値差 = {observed / 1e4:.1f} 万人')
print(f'p 値 (順列検定, 10,000 回) = {p_value:.5f}')

📤 実行すると次の出力が得られる:

💬 p < 0.01 で、 「関東とその他で人口中央値に差はない」という帰無仮説は強く棄却される。 47 県のラベル並び替えの全パターンは $_{47}C_7 = 62{,}891{,}499$ 通りもあるが、 そのうち 10,000 件をランダムサンプリングするだけで p 値の近似は十分得られる。 これが順列検定の効率性。

(2) Permutation Importance — 機械学習モデルの説明可能性

このコードでやること: SSDSE-B-2026 の説明変数 (人口総数、 出生数、 死亡数、 転入者数、 転出者数) から「総人口」を予測する RandomForest を学習し、 各特徴量の列を順列でシャッフルして予測誤差がどれだけ悪化するかを測る (permutation importance)。 シャッフル後に大きく誤差が増える列ほど、 モデルにとって重要な特徴量である、 という解釈。 順列は「特徴量間の依存関係を壊す」ために使われている。

📥 入力データ (SSDSE-B-2026 の主要 5 列):

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

import pandas as pd
from sklearn.ensemble import RandomForestRegressor
from sklearn.inspection import permutation_importance
from sklearn.model_selection import train_test_split

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
cols = ['A4101', 'A4200', 'A5101', 'A5102']
df = df.dropna(subset=cols + ['A1101'])
X = df[cols]
y = df['A1101']
X_tr, X_te, y_tr, y_te = train_test_split(
    X, y, test_size=0.3, random_state=0)

model = RandomForestRegressor(n_estimators=200, random_state=0)
model.fit(X_tr, y_tr)
result = permutation_importance(
    model, X_te, y_te, n_repeats=30, random_state=0)
for name, imp in zip(cols, result.importances_mean):
    print(f'{name}: 重要度 {imp:.4f}')

📤 実行すると次の出力が得られる (値は random_state 依存):

💬 死亡数 A4200 を順列で壊すと R² が 0.93 ポイント悪化する一方、 転入者数 A5101 を壊しても 0.01 しか悪化しない。 → 「転入者数の情報は、 他の特徴量で代替できる」「死亡数は他で代替が効かない、 独立な情報源」とモデルが教えてくれる。 この計算は順列が無いと成立しない (列を抜くと相関の連鎖が壊れる)。

(3) クロスバリデーション分割と順列空間の大きさ

47 都道府県を 5-fold CV に分割する方法は何通りあるか? これは多項係数で表され $\binom{47}{10,10,10,10,7} = \frac{47!}{10!\,10!\,10!\,10!\,7!}$ となり、 およそ $3.0 \times 10^{29}$ 通り。 全パターンを試すのは宇宙の寿命でも無理なので、 通常は 1 つの分割しか試さない。 だが「分割の偶然」で精度が振れることを防ぐため、 sklearn の RepeatedKFold は n_repeats 回だけランダム順列を取って平均する。

→ 順列の総数は天文学的だが、 実務では数十回のサンプリングで CV 精度の分散は安定する。 これは「中心極限定理 + 順列のランダム性」の合わせ技。

(4) Spearman/Kendall — 順列を比較する相関係数

このコードでやること: SSDSE-B-2026 の総人口 A1101 による都道府県順位と、 出生数 A4101 による順位を比較する。 Spearman 相関係数は「2 つの順列がどれだけ近いか」を測る指標で、 Kendall の τ は「順列のペアごとの転倒数 (inversion)」をカウントする。 順列は単なる「並べ方」だが、 2 つの順列を比べることで「ランキングの一致度」が定量化できる。

📥 入力データ (SSDSE-B-2026 2022 年度、 人口順位 vs 出生数順位):

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

import pandas as pd
from scipy import stats

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2022].copy()

# 人口順位と出生数順位を比較
pop_rank = df['A1101'].rank(ascending=False)
birth_rank = df['A4101'].rank(ascending=False)
rho, p_s = stats.spearmanr(pop_rank, birth_rank)
tau, p_k = stats.kendalltau(pop_rank, birth_rank)
print(f'Spearman rho = {rho:.4f}  p = {p_s:.2e}')
print(f'Kendall  tau = {tau:.4f}  p = {p_k:.2e}')

📤 実行すると次の出力が得られる:

💬 ρ ≈ 0.98 は「人口順位と出生数順位はほぼ同じ順列」を意味する。 47! ≈ $2.6 \times 10^{59}$ 通りの順列空間で、 これだけ似ているのは偶然ではない (p < $10^{-30}$)。 出生数の多寡は人口規模でほぼ決まる、 という自然な結論が、 順列の比較から自動的に出てくる。 順列の差分を「転倒対 (inversion pair) の個数」として数えるのが Kendall の τ で、 ρ より頑健 (外れ値に強い)。

(5) 順列暗号 (One-Time Pad とトランスポジション暗号)

古典暗号「シーザー暗号」は文字シフトだが、 トランスポジション暗号 (転置式暗号) は順列そのもの。 たとえば 47 文字の平文を「47! 通りのどれかの順列で並び替えた」と思えば、 鍵が無ければ 47! ≈ $2.6 \times 10^{59}$ の中から 1 つを当てる総当たり計算が必要。 これは現代のスーパーコンピュータでも宇宙の寿命を超える時間がかかる。 順列の組合せ爆発が暗号の安全性を支えている。 一方で、 順列の構造には「偶置換 / 奇置換」「巡回構造」「対称群 $S_n$」といった群論的性質があり、 量子計算アルゴリズム (例: Shor のアルゴリズム) の研究対象になる。

(6) TSP: 巡回セールスマン問題を順列全探索と最近傍法で解く

このコードでやること: 架空の 8 都市の座標をコード内にハードコードし、 全都市を 1 回ずつ訪問する経路の総距離を計算する。 都市数 n の巡回路は始点・向きの対称性を除いて $(n-1)!/2$ 通り。 8 都市なら 2,520 通りなので順列全探索で厳密最適が求まるが、 47 都道府県では $47!/(2 \times 47) \approx 2.7 \times 10^{57}$ 通りとなり全探索は不可能。 ここでは (A) 最近傍法 (nearest neighbor) と (B) 順列全探索 ($(n-1)! = 5{,}040$ 通りを列挙) を比較する。 順列 = 訪問順序、 という最も直接的な対応関係。

📥 入力データ (架空の都市配置・実在の県庁所在地ではなくコード内にハードコードした仮想座標):

 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

import numpy as np
from itertools import permutations

# 架空の都市配置（8 都市）- 実在の県庁所在地ではなくハードコードした仮想座標
names = ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H']
xs = np.array([2.0, 5.0, 8.0, 9.0, 7.0, 4.0, 1.0, 6.0])  # 架空の x 座標
ys = np.array([1.0, 2.0, 1.5, 5.0, 8.0, 7.0, 4.0, 5.5])  # 架空の y 座標

def total_dist(order):
    d = 0.0
    for i in range(len(order) - 1):
        a, b = order[i], order[i + 1]
        d += np.hypot(xs[a] - xs[b], ys[a] - ys[b])
    return d

# (A) 最近傍法（ヒューリスティクス）
n = len(xs)
visited = [0]
remaining = set(range(1, n))
while remaining:
    last = visited[-1]
    nxt = min(remaining,
              key=lambda j: np.hypot(xs[last] - xs[j], ys[last] - ys[j]))
    visited.append(nxt)
    remaining.remove(nxt)
print(f'最近傍法の総距離   = {total_dist(visited):.2f}')
print('最近傍法の訪問順   =', ' → '.join(names[i] for i in visited))

# (B) 順列全探索（始点固定、(n-1)! = 5040 通りを列挙して厳密最適）
best_order, best = None, float('inf')
for perm in permutations(range(1, n)):
    order = [0] + list(perm)
    c = total_dist(order)
    if c < best:
        best, best_order = c, order
print(f'全探索の最短総距離 = {best:.2f}')
print('全探索の最短訪問順 =', ' → '.join(names[i] for i in best_order))

📤 実行すると次の出力が得られる:

💬 最近傍法は素早く近似解を出すが、 この架空データでは全探索の厳密最適より約 11% 長い。 8 都市では全探索 (5,040 通り) が一瞬で終わるが、 都市数が増えると $(n-1)!$ が爆発し、 20 都市で $19! \approx 1.2 \times 10^{17}$ 通りとなって全探索は不可能になる。 そこで 2-opt・焼きなまし法 (simulated annealing)・遺伝的アルゴリズム等のヒューリスティクスが必須になる。 順列空間の広大さが、 組合せ最適化の難しさを物語る。

📊 実応用 12 選 — 順列が問題解決の鍵になる場面

順列の概念は「並べる」「順序を与える」「組合せ爆発を制御する」という 3 つの形で、 実務のあらゆる領域に登場する。 ここでは公的データ・ビジネス・科学計算・教育・スポーツ・防災の 12 領域で、 順列が「何を数え、 何を最適化し、 何を検定するか」を一覧する。

→ 共通の構造: 「並べ方の数 $n!$」「並べ方の比較 (順位相関)」「並べ方の探索 (ヒューリスティクス)」の 3 系統。 順列を知らないと、 これらの問題を「複雑そう」で終わらせてしまう。

🔢 階乗・順列の数値表 — 「いつ計算機が悲鳴を上げるか」を知る

順列計算の限界を肌で感じるため、 階乗 $n!$ の桁数と必要計算時間を一覧化する。 「現在のスーパーコンピュータ (約 1 exaFLOPS = $10^{18}$ flops) で全順列を列挙したら何秒かかるか」を計算する。 1 順列の処理に 1 flops と仮定 (実際はもっと重い)。

→ $n = 25$ あたりが「全列挙の限界」。 47 都道府県の全順列はもちろん、 30 都市の TSP すらも全列挙不可能。 これが「ヒューリスティクス」「サンプリング」「動的計画法 (bitmask DP)」が必須になる理由。

このコードでやること: scipy で $n!$ を計算し、 上の表の数値を再現する。 Python の math.factorial は任意精度整数なので 100! も瞬時に計算できる。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

import math
import scipy.special

for n in [5, 10, 15, 20, 25, 30, 47, 100]:
    fact = math.factorial(n)
    digits = len(str(fact))
    print(f'n = {n:3d}: n! = {fact} ({digits} 桁)')

# scipy の場合は浮動小数で高速
print(scipy.special.factorial(47))

📤 実行すると次の出力が得られる (先頭抜粋):

💬 47! の桁数 60 は、 「観測可能な宇宙の原子の総数 ($\approx 10^{80}$)」より小さい点が興味深い。 つまり都道府県の順列ですら、 宇宙の原子よりは少ない。 だが計算時間で言えば、 宇宙の寿命の $10^{23}$ 倍が必要。 「数えられても、 列挙できない」のが順列の本質。

🏛 順列・組合せの歴史 — 数学史 4000 年の旅

順列の概念は紀元前から人類の知的活動の中に現れている。 古代から現代までの主要な発展を時系列でまとめる。

→ 順列は「数える」段階から「並べる」「比較する」「最適化する」「群論的に構造を解明する」へと進化してきた。 21 世紀には機械学習の説明可能性 (XAI) の中心概念にもなった。

🧮 数式に値を入れて手で計算する: 順列 P(n,k)

合成 n=5, k=3 で順列数を計算する。

Step 1: 公式

Step 2: 別計算

🐍 Python で再現

1
2
3

from math import perm, factorial
print(f"P(5,3) = {perm(5, 3)}")
print(f"5!/2! = {factorial(5)//factorial(2)}")

📤 実行結果

💬 手計算 (Step 2) 60 と Python 出力が完全一致。

🐍 Python での実装例

SSDSE-B-2026 などの実データを使った最小コード（9行）：

1
2
3
4
5
6
7
8
9

from math import factorial
from itertools import permutations
n, r = 5, 3
nPr = factorial(n) // factorial(n - r)
print(f'{n}P{r} =', nPr)
# 実際に列挙
perms = list(permutations(['A','B','C','D','E'], r))
print('実際の列挙数:', len(perms))
print('最初5個:', perms[:5])

※ data/raw/SSDSE-B-2026.csv は e-Stat SSDSE から取得した実データを想定。

🐍 Python 実装（4 例）

例 1: math.perm で順列数を計算

🎯 このコードでやること: SSDSE-B-2026 の 47 都道府県から $k$ 個並べる順列数を $k=1,2,...,8$ で計算する。

📥 入力: SSDSE-B-2026 の都道府県数（47）。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

import math
import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', skiprows=1, encoding='cp932')
n = df['都道府県'].nunique()
print(f'都道府県数 n = {n}')
print()
print(f'{"k":>3}  {"P(n,k)":>20}')
for k in range(1, 9):
    p = math.perm(n, k)
    print(f'{k:>3}  {p:>20,}')

📤 実行結果:

💬 $k=5$ で 1.84 億、 $k=8$ で 12.7 兆。 指数関数的爆発が起きていることが視覚的に分かる。

例 2: itertools.permutations で実際に並べる

🎯 このコードでやること: 都道府県名から 3 つ選んで並べた全パターンの先頭 5 件を出力する。

📥 入力: SSDSE-B-2026 の都道府県カラム。

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

from itertools import permutations
import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', skiprows=1, encoding='cp932')
df = df[df['年度'] == 2023]  # 47 県 × 1 年度に絞る
prefs = df['都道府県'].head(5).tolist()
print('対象:', prefs)
print()

count = 0
for perm in permutations(prefs, 3):
    if count < 8:
        print(' → '.join(perm))
    count += 1
print(f'\n合計 {count} 通り (P(5,3) = 60 と一致)')

📤 実行結果:

💬 順列の総数 $P(5,3) = 5×4×3 = 60$ と完全一致。 「北海道 → 青森県 → 岩手県」と「青森県 → 北海道 → 岩手県」は別カウント（並び順が違うので）。

例 3: 並べ替え検定（permutation test）

🎯 このコードでやること: SSDSE-B-2026 の都道府県人口を「関東」「東北」に分け、 両群の平均差が偶然得られる確率を並べ替え検定で評価する。

📥 入力: SSDSE-B-2026 の総人口 + 地方マップ。

 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

import pandas as pd
import numpy as np
from itertools import combinations

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', skiprows=1, encoding='cp932')
df = df[df['年度'] == 2023]  # 最新年度のみ (年混在を防ぐ)
kanto = ['茨城県','栃木県','群馬県','埼玉県','千葉県','東京都','神奈川県']
tohoku = ['青森県','岩手県','宮城県','秋田県','山形県','福島県']

a = df[df['都道府県'].isin(kanto)]['総人口'].values
b = df[df['都道府県'].isin(tohoku)]['総人口'].values
obs_diff = a.mean() - b.mean()
print(f'観測された平均差: {obs_diff:,.0f} 人')

all_vals = np.concatenate([a, b])
n_a = len(a)
count_extreme = 0
total = 0
for picks in combinations(range(len(all_vals)), n_a):
    perm_a = all_vals[list(picks)]
    perm_b = np.delete(all_vals, list(picks))
    diff = perm_a.mean() - perm_b.mean()
    if abs(diff) >= abs(obs_diff):
        count_extreme += 1
    total += 1
print(f'p 値 = {count_extreme}/{total} = {count_extreme/total:.4f}')

📤 実行結果:

💬 関東と東北の人口差は偶然では 2.0% の確率でしか得られない → 統計的に有意。 並べ替え検定は順列の考え方を統計に直接応用した手法。

例 4: 階乗の桁数を観察

🎯 このコードでやること: $n!$ の桁数を $n=1$ から $n=50$ まで観察し、 階乗の爆発的な増加を体感する。

📥 入力: 数値範囲のみ。

1
2
3
4
5
6

import math

for n in [1, 5, 10, 15, 20, 25, 30, 40, 47, 50]:
    f = math.factorial(n)
    digits = len(str(f))
    print(f'{n:>3}! = {digits:>3} 桁  (先頭: {str(f)[:8]}...)')

📤 実行結果:

💬 47! は 60 桁。 これは観測可能な宇宙の原子数（約 80 桁）に近い。 順列を全列挙する計算は、 物理的に不可能なスケールに容易に達する。

🐍 Python 実装（追加 4 例：応用編）

例 5: モンテカルロ並べ替え検定

🎯 このコードでやること: 全列挙が困難な場合に、 ランダムサンプリングで並べ替え検定を近似する。 SSDSE-B-2026 の関東 vs 全国平均の比較を例にする。

📥 入力: SSDSE-B-2026 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

import pandas as pd
import numpy as np

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', skiprows=1, encoding='cp932')
df = df[df['年度'] == 2023]  # 最新年度のみ (年混在を防ぐ)
kanto = ['茨城県','栃木県','群馬県','埼玉県','千葉県','東京都','神奈川県']
df['is_kanto'] = df['都道府県'].isin(kanto)

obs_diff = df[df['is_kanto']]['総人口'].mean() - df[~df['is_kanto']]['総人口'].mean()
print(f'観測された平均差: {obs_diff:,.0f}')

rng = np.random.default_rng(2026)
pops = df['総人口'].values
n_kanto = df['is_kanto'].sum()
n_iter = 10000
extreme = 0
for _ in range(n_iter):
    shuffled = rng.permutation(pops)
    diff = shuffled[:n_kanto].mean() - shuffled[n_kanto:].mean()
    if abs(diff) >= abs(obs_diff):
        extreme += 1
print(f'モンテカルロ p 値 ≒ {extreme/n_iter:.4f}')

📤 実行結果:

💬 関東と非関東の人口差は p=0.07% で偶然では得難い → 関東は明らかに人口集中。 完全列挙 $C(47,7) = 6.2 \times 10^7$ は無理なので、 10000 回サンプリングで近似する。

例 6: ランダムシャッフル（乱数で並べ替え）

🎯 このコードでやること: SSDSE-B-2026 の都道府県を乱数で並べ替え、 「ランダムな順列」を 5 通り表示する。

📥 入力: 47 都道府県リスト。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

import pandas as pd
import numpy as np

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', skiprows=1, encoding='cp932')
df = df[df['年度'] == 2023]  # 47 県 × 1 年度に絞る
prefs = df['都道府県'].tolist()
rng = np.random.default_rng(2026)

for i in range(5):
    shuffled = rng.permutation(prefs)
    print(f'順列 {i+1}: {", ".join(shuffled[:5])} ...')

📤 実行結果:

💬 47! ≒ 2.59 × 10^59 通りの順列の中から、 5 つだけランダムに選んだサンプル。 シャッフルは「順列空間からの一様サンプリング」と数学的に等価。

例 7: 巡回セールスマン問題（TSP）の小規模解

🎯 このコードでやること: SSDSE-B-2026 の地方 8 ブロックの代表都市を巡る最短ルートを総当たりで求める（5 ブロックで $4!=24$ 通り）。

📥 入力: 5 都市間の距離行列（架空値）。

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

from itertools import permutations

cities = ['札幌', '仙台', '東京', '名古屋', '大阪']
dist = {
    ('札幌', '仙台'): 700, ('札幌', '東京'): 1100, ('札幌', '名古屋'): 1300, ('札幌', '大阪'): 1500,
    ('仙台', '東京'): 350,  ('仙台', '名古屋'): 600, ('仙台', '大阪'): 850,
    ('東京', '名古屋'): 350, ('東京', '大阪'): 500,
    ('名古屋', '大阪'): 180,
}
def d(a, b):
    return dist.get((a, b), dist.get((b, a)))

best_path, best_cost = None, float('inf')
for perm in permutations(cities[1:]):
    path = ['札幌'] + list(perm)
    cost = sum(d(path[i], path[i+1]) for i in range(len(path)-1))
    if cost < best_cost:
        best_cost, best_path = cost, path

print(f'最短ルート: {" → ".join(best_path)}')
print(f'総距離: {best_cost} km')

📤 実行結果:

💬 5 都市なら 24 通りで瞬時に最適解が出る。 ただし 20 都市で $19! ≒ 1.2×10^{17}$ となり総当たり不可能。 TSP は順列の指数爆発の代表例。

例 8: 階乗の Stirling 近似

🎯 このコードでやること: 大きな $n$ の $n!$ を直接計算せず、 Stirling 近似 $n! \approx \sqrt{2\pi n} (n/e)^n$ で見積もる。

📥 入力: 数値のみ。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

import math

def stirling(n):
    return math.sqrt(2 * math.pi * n) * (n / math.e) ** n

for n in [5, 10, 20, 47, 100]:
    exact = math.factorial(n)
    approx = stirling(n)
    error = abs(exact - approx) / exact * 100
    print(f'n={n:>3}: exact={exact:.3e}, stirling={approx:.3e}, err={error:.2f}%')

📤 実行結果:

💬 Stirling 近似は $n$ が大きいほど精度が上がり、 $n=100$ で誤差 0.08%。 厳密値が必要ない場面では計算コスト削減に有効。

🎯 順列の応用領域 7 つ

順列は「並び順」を扱うあらゆる場面で登場する。 一見無関係に見える分野でも、 数学的には同じ「順列の数を数える」問題に帰着する。

⚖ 順列と組合せ徹底比較

迷ったら「A→B」と「B→A」が同じか別か考える。 同じなら組合せ、 別なら順列。 また「順列の数 = 組合せの数 × $k!$」の関係を覚えておけば、 一方から他方を導出できる。

⚠️ よくある落とし穴

⚠️ 落とし穴（追加 5 件）

• 計算量爆発: $n=20$ で約 24 京、 $n=47$ で 60 桁。 「全列挙すれば確実」の発想は早期に破綻する。 サンプリングや近似で済ませる判断が必要。
• 順列と組合せの混同: 「並び順を考慮するか否か」で式が変わる。 「3 人で並ぶ」「3 人を選ぶ」を取り違えると桁が間違う。 必ず問題文を吟味する。
• 重複あり順列: 同じ要素が含まれる場合、 単純な $n!$ では重複カウントになる。 例：「AABB」の並べ方は $4!/(2!2!) = 6$ 通り。 階乗を割り戻す必要がある。
• 巡回順列の取り扱い: 円卓に $n$ 人を並べる場合は $(n-1)!$ 通り。 「回転しても同じ」を考慮しないと過大カウント。
• 並べ替え検定の計算コスト: 全順列を回すと爆発するため、 実務ではモンテカルロ並べ替え（10,000 回サンプル）で近似する。 完全列挙にこだわらない。

⚠️ 落とし穴 補足（5 件）

• 0! = 1 を忘れる: $P(n,n) = n!/0! = n!$ になる。 0! = 1 は約束事として理解する必要がある。
• 負の n は未定義: 階乗は非負整数のみ。 拡張したい場合はガンマ関数 $\Gamma(n) = (n-1)!$ を使う。
• $n^k$ と $P(n,k)$ の混同: 重複ありなら $n^k$、 重複なしなら $P(n,k)$。 暗証番号は前者、 順位付けは後者。
• 並べ替え検定の片側 vs 両側: 「A > B」を検証したいなら片側、 「A ≠ B」なら両側。 安易に両側にすると有意性を見逃す。
• 独立性の前提: 並べ替え検定は「観測が交換可能」を仮定する。 時系列や階層データでは別手法（block permutation）が必要。

📂 実用ケーススタディ 3 件

ケース 1: 都道府県データの仮想 A/B テスト

SSDSE-B-2026 の都道府県を「太平洋側 / 日本海側」に分けて出生率を比較する。 サンプル数が少ない（47）ため、 t 検定ではなく並べ替え検定で評価する。 ラベル割り当て順列の数は $C(47, 20) \approx 1.6 \times 10^{13}$ で全列挙は困難 → モンテカルロ 10000 回で近似する。

ケース 2: 機械学習モデルの特徴量選択

SSDSE-B-2026 の指標から「総人口」を予測するモデルを構築し、 各特徴量について permutation importance を計算。 「出生数」「死亡数」「世帯数」が上位、 「都道府県コード」が最下位（無関係）と判明する想定。 順列の操作で「どの特徴量が予測に効いているか」を客観的に評価。

ケース 3: シフト割り当て最適化

10 人のスタッフを 10 個のシフトに割り当てる順列は 10! = 3,628,800 通り。 各シフトに優先スキル要件があり、 全順列を試して最高スコアを探索可能。 これが 20 人になると 20! ≒ 2.4×10^18 で全探索不可能 → 遺伝的アルゴリズム等の近似手法へ。

🚫 順列にまつわる誤解 6 つ

1. 誤解: 「順列は組合せより難しい」 → 事実: 順列を先に定義し、 組合せはその一般化。 順列の方が原始的概念。
2. 誤解: 「P(n,k) は P(n,n-k) と同じ」 → 事実: それは組合せの性質。 順列ではこの対称性は成立しない。
3. 誤解: 「itertools.permutations は全パターンを一度にメモリに展開する」 → 事実: イテレータなので 1 つずつ生成。 メモリ効率良い。
4. 誤解: 「並べ替え検定は遅すぎて実用にならない」 → 事実: モンテカルロ近似で 10000 回程度なら数秒。 多くの場面で実用的。
5. 誤解: 「permutation importance はモデル非依存」 → 事実: 概ね正しいが、 相関の強い特徴量があると重要度が分散して低めに出る点に注意。
6. 誤解: 「順列は数学の試験用」 → 事実: ML, 統計, 暗号, 最適化, バイオなど現代の応用分野の根幹で使われる現役の道具。

🎁 補足: 順列を実務で使う 3 つのコツ

1. 「全列挙できる規模か」を最初に判断: $n \leq 12$ なら全列挙可能、 それ以上はサンプリングまたは動的計画法。
2. 確率と表裏一体と意識: 順列は確率計算の分母を作る。 「分母を確実に数える」発想で問題を組み立てる。
3. Python では math と itertools の使い分け: 数だけ欲しい → math.perm。 並びを生成したい → itertools.permutations。

この 3 つを意識すれば、 順列を実務に投入する判断が早くなる。 SSDSE-B-2026 の演習を入口に、 ML や統計の応用に広げていこう。

⚠️ 落とし穴チェック (7 件)

• 落とし穴 1: 「順列」と「組合せ」の混同。 「47 県から 3 県を表彰する」を $_{47}C_3$ で計算するのは正しいが、 「金・銀・銅で順位を付ける」場合は $_{47}P_3$。 順序が結果に影響するかを最初に問う癖を付ける。
• 落とし穴 2: 順列検定の試行回数が少なすぎる。 100 回程度では p 値の小数第 2 位が安定しない。 p < 0.05 を主張したいなら最低 10,000 回、 p < 0.001 なら 100,000 回を目安に。
• 落とし穴 3: 順列検定で母平均/母分散の仮定が要らないと過信。 「ラベルを交換しても分布が同じ」(交換可能性) という仮定は必要。 時系列のように観測順に依存するデータでは慎重に。
• 落とし穴 4: Permutation importance は相関の高い特徴量に過小評価バイアスを持つ。 列 A と列 B が強相関なら、 A を壊しても B が代替してしまい、 重要度が両方とも低く出る。 SHAP や grouped permutation importance を併用。
• 落とし穴 5: $n!$ を float で計算してオーバーフロー。 47! は IEEE 754 倍精度 ($10^{308}$ 上限) に収まるが、 200! は無限大になる。 Python では math.factorial が任意精度整数なので安全。
• 落とし穴 6: TSP を「47! 全部試す」アプローチで実装する初心者ミス。 bitmask DP (Held-Karp) なら $O(n^2 2^n)$ で n=20 程度まで厳密解が出る。 教科書通りの順列列挙は教育目的以外では使わない。
• 落とし穴 7: ランキング差を「順位の絶対差の和」で測ってしまう。 これは Spearman 相関の母集団と異なる量。 「順列の比較」は Spearman ρ または Kendall τ を使うのが正しい。 SSDSE-B の都道府県順位比較でこれを間違えると順位相関の意味が崩れる。

✅ 理解度チェック (10 問)

1. 47 都道府県から 5 県を選び、 表彰順 (1〜5 位) を付ける方法は何通り? → $_{47}P_5 = 184{,}072{,}680$ 通り。
2. 順列検定と t 検定の違いを一言で述べよ。 → 順列検定は分布の仮定を置かない (ノンパラ)。 t 検定は正規性と等分散を仮定。
3. 5-fold クロスバリデーションで 47 県を分割する方法は何通り?(fold のラベルを区別する) → 多項係数 $\binom{47}{10,10,10,10,7} \approx 3.0 \times 10^{29}$ 通り。
4. Spearman 相関 ρ = 0.98 の解釈は? → 2 つの順位 (順列) はほぼ同じ順序。
5. permutation importance が 0 に近い特徴量の意味は? → モデル予測に寄与していないか、 他の特徴量で代替可能。
6. 30! の桁数は? → 33 桁 ($2.65 \times 10^{32}$)。
7. TSP 47 都市の全順列を厳密に列挙できない理由は? → 47! ≈ $2.6 \times 10^{59}$ で計算量が爆発。
8. Kendall の τ は何を数えている? → 順列ペアの転倒対 (inversion) の比率。
9. 順列検定で p 値を $(c+1)/(n+1)$ と計算する理由は? → 観測値そのものを 1 件としてカウントし、 p=0 を避けるため (連続性補正)。
10. $_nP_r$ と $_nC_r$ の関係式を書け。 → $_nP_r = _nC_r \times r!$。

🛠 ステップ別演習: 順列を「手で動かして」体得する

順列の理解は公式の暗記ではなく、 「自分の手で並べてみる」ことで深まる。 ここでは初学者から中級者まで、 段階的に難度を上げた 6 つの演習を提示する。 すべて SSDSE-B-2026 の都道府県データを材料にする。

演習 1: 47 都道府県を県名の文字列昇順に並び替える

SSDSE-B のデフォルト並びは「JIS コード順 (北海道〜沖縄)」だが、 これを県名の文字列昇順 (Unicode 順。 50 音順とは一致しない点に注意) に並び替える。 47! 通りの順列のうちのたった 1 つだが、 並び替え操作は順列の操作の基本。

1
2
3
4
5
6

import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df_2022 = df[df['SSDSE-B-2026'] == 2022].copy()
df_sorted = df_2022.sort_values('Prefecture')
print(df_sorted[['Prefecture', 'A1101']].head(10).to_string(index=False))

📤 実行結果 (先頭 10 行):

💬 sort_values は実は「47! 通りの順列のうち、 文字列の昇順となる 1 つ」を選び出す操作。 ソートアルゴリズムは「順列空間を効率よく探索する」装置とも言える。

演習 2: ランダムな並びを生成する (フィッシャー・イェーツ法)

フィッシャー・イェーツ (Fisher–Yates) アルゴリズムは、 47! 通りの順列を等確率で 1 つサンプリングする標準手法。 計算量は $O(n)$ で、 47 都道府県でも瞬時。 numpy の np.random.permutation がこれを実装している。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

import pandas as pd
import numpy as np

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=1)
df_2022 = df[df['年度'] == 2022].copy()
names = df_2022['都道府県'].values

shuffled = np.random.permutation(names)
print('ランダムな並びの先頭 5 県:', shuffled[:5])
print('ランダムな並びの末尾 5 県:', shuffled[-5:])

📤 実行結果 (実行ごとに変わる):

💬 47! ≈ $2.6 \times 10^{59}$ 通りの 1 つを引き当てているが、 全ての並びは同確率。 これは順列検定や交差検証で「公平なシャッフル」を保証する基礎。

演習 3: 5 県のすべての並びを列挙する

人口上位 5 県 (東京・神奈川・大阪・愛知・埼玉) のすべての並び順を列挙する。 5! = 120 通り。 itertools.permutations を使う。

1
2
3
4
5
6
7

import itertools

top5 = ['東京都', '神奈川県', '大阪府', '愛知県', '埼玉県']
perms = list(itertools.permutations(top5))
print(f'並び順の総数: {len(perms)}')
print(f'先頭 3 通り: {perms[:3]}')
print(f'末尾 3 通り: {perms[-3:]}')

📤 実行結果:

💬 5! = 120 までは一覧化可能だが、 6 県 (720)、 7 県 (5,040)、 8 県 (40,320) と急増。 10 県 (3,628,800) でメモリに収まらなくなる。 列挙ではなくサンプリングへ移行する境目を理解する。

演習 4: 制約付き順列 (隣接禁止)

7 県を 1 列に並べるが「東京と神奈川は隣り合わない」という制約を入れる。 全順列 7! = 5,040 のうち、 隣り合うケースを引いて求める。 隣り合うケースは「東京-神奈川」を 1 個のかたまりとみて 6! × 2 = 1,440。 答えは 5,040 - 1,440 = 3,600。

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

import itertools

cities = ['東京都', '神奈川県', '埼玉県', '千葉県',
          '茨城県', '栃木県', '群馬県']
total = list(itertools.permutations(cities))
forbidden = [
    p for p in total
    if abs(p.index('東京都') - p.index('神奈川県')) == 1
]
allowed = len(total) - len(forbidden)
print(f'全順列: {len(total)}')
print(f'禁止 (東京-神奈川 隣接): {len(forbidden)}')
print(f'許可される並び: {allowed}')

📤 実行結果:

💬 「全体から禁止を引く」(余事象) は組合せの王道テクニック。 制約付き順列の問題は包除原理や bitmask DP で系統的に解ける。

演習 5: 同種要素を含む順列 (多重順列)

「BANANA」を並べる場合、 B 1 個、 A 3 個、 N 2 個。 並べ方は $6!/(1! \cdot 3! \cdot 2!) = 60$ 通り。 SSDSE-B 文脈なら「47 県のうち 7 県は関東、 10 県は関西、 30 県はその他、 を 1 列に並べる地域別の並び」が同じ構造。 多項係数 $\binom{47}{7,10,30} = \frac{47!}{7!\,10!\,30!} \approx 5.3 \times 10^{16}$ 通り。

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

import math

# 同種要素を持つ順列 (多項係数)
def multinomial(n, ks):
    result = math.factorial(n)
    for k in ks:
        result //= math.factorial(k)
    return result

print(f'BANANA の並べ方: {multinomial(6, [1, 3, 2])}')
print(f'関東 7 / 関西 10 / その他 30 の並べ方: '
      f'{multinomial(47, [7, 10, 30]):,}')

📤 実行結果:

💬 約 5.3 京通り。 これは「クロスバリデーションの分割パターン数」と同じ計算式。 多項係数は機械学習・統計の至るところに登場する。

演習 6: 順列の安定性 — 同一年度の人口順位は経年で変わるか

SSDSE-B-2026 は 2012〜2023 年度の 12 年分を含む。 「都道府県の人口順位 (順列)」が 11 年間でどれだけ動いたかを Spearman 相関で測る。 ρ が 1 に近ければ「順列がほぼ固定」、 小さければ「順位が活発に動く」。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

import pandas as pd
from scipy import stats

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
years = sorted(df['SSDSE-B-2026'].unique())
base = df[df['SSDSE-B-2026'] == years[0]].set_index('Prefecture')['A1101'].rank()
for y in years[1:]:
    cur = df[df['SSDSE-B-2026'] == y].set_index('Prefecture')['A1101'].rank()
    rho, _ = stats.spearmanr(base.loc[cur.index], cur)
    print(f'{years[0]} -> {y}: 順位相関 rho = {rho:.4f}')

📤 実行結果 (実値例):

💬 11 年間でも順位相関が 0.997 以上。 つまり「都道府県の人口順位という順列」は極めて安定。 一方で 0.001〜0.002 の微妙な揺らぎが下位県で発生しており、 これは少子高齢化による人口減少の地域差を反映している。 順列の安定性自体が分析対象になる例。

🌐 関連手法・派生・バリエーション

• 重複順列（$n^r$）／組合せ（${}_nC_r$）／重複組合せ／円順列／permutation test（順列検定）

📖 もう一歩深く — 背景と位置づけ

🎯 主なユースケース

順列 が登場する代表的な場面：

📝 レポート・論文での報告

順列 を扱った分析結果を報告するときに含めるべき情報：

✅ 学習・分析チェックリスト

• □ 順列 を使う場面か、 問題設定（PPDAC の P）と照らし合わせたか
• □ データの尺度（名義／順序／間隔／比例）・分布・サンプル数を確認したか
• □ 上記の数式・記号の意味を自分の言葉で説明できるか
• □ Python コードを手元で動かし、 結果を再現したか
• □ 「落とし穴」リストを1つずつ自分の分析でチェックしたか
• □ 計算した値だけでなく、 不確実性（CI・SE）まで把握したか
• □ 解釈と限界を区別して説明できるか
• □ 関連用語（前提・並列・派生）を辿って俯瞰したか
• □ 再現性（コード・データ・乱数 seed・バージョン）を担保したか

🔄 おすすめの学習ステップ

1. 30秒結論 を3回読み、 要点を自分の言葉で再構成
2. 直感セクション の比喩・具体例を、 自分の身近な例に置き換えてみる
3. 数式 を紙に書き写し、 各記号の意味を口頭で説明できるか確認
4. 実値計算例 を電卓 or 手計算で追体験
5. Python コード をローカル環境で実行し、 出力を観察
6. 落とし穴 をすべて読み、 「自分の分析でやらかしそうな項目」を1つメモ
7. 関連用語 を1〜2個辿って、 前後関係を把握
8. 関連グループ教材 で分野全体像を確認

この順番でやれば、 単に暗記するのではなく、 使える知識として身につきます。 1用語あたり 30〜60分が目安です。

🔍 よくある質問

🧭 用語の位置づけマップ

順列 は 数学基礎 分野の中で次のような位置にあります。

この位置を把握すると、 「何の前提が必要で、 次に何を学ぶべきか」 が見えてきます。 学習・分析の道筋を立てるときの羅針盤として使ってください。

🌐 関連手法・派生

• 組合せ — 並び順を考慮しない選び方
• 階乗 — $n!$ の基本
• 確率 — 順列・組合せで分母を作る
• 並べ替え検定 — 統計的有意性の評価
• 特徴量重要度（permutation importance） — ML での応用
• ブートストラップ — 並べ替え検定と並ぶリサンプリング手法

📊 順列の 6 つの種類

問題に応じて 6 種類を使い分ける。 例：「IPアドレス（0-255 の 4 つ並び）」は重複順列で $256^4$、 「席替え」は円順列。

🌐 順列の登場する有名問題

順列は数学の試験を越えて、 アルゴリズム・ゲーム・暗号・代数の中核にある。 「並びを扱う問題は順列に帰着する」と覚えておくと、 多くの問題で見通しが立つ。

🚀 最後に: 順列を学ぶ価値

順列は中学数学で出てくる「場合の数」の代表として知られているが、 実は現代データサイエンスの基礎に直結する概念。 機械学習の特徴量重要度、 統計的有意性検定、 最適化問題、 暗号、 量子コンピューティングなどあらゆる先端領域で順列の考え方が使われている。

「SSDSE-B-2026 の 47 都道府県から 5 つ並べる方法は何通り？」という素朴な問いから、 「機械学習モデルが特徴量を本当に使っているか？」という現代的問題まで、 順列という一つの数学概念が繋がっている。 この繋がりを理解することが、 数学を応用に活かす第一歩となる。

関連ページ: 組合せ / 階乗 / 確率 / 並べ替え検定 / permutation importance

📖 補足ノート: なぜ階乗は急に増えるのか

「47! が 60 桁になる」と聞いてもピンと来ない人のために、 階乗の成長率を別の言い方で説明する。

• $2^{10} = 1,024$（千倍）、 $10! = 3,628,800$（360 万倍）。 同じ 10 でも階乗は遥かに大きい。
• 10! を秒で表現すると 約 42 日。 20! を秒で表現すると 約 770 億年（宇宙年齢の 5 倍以上）。
• 地球上の全人類（80 億人）が 1 人ずつ別の並びを覚えても、 9! = 362,880 通りで足りる。 47! は人類全員が宇宙の終わりまで数えても終わらない。

階乗は「掛け算しか使わない」のに、 こんなに急速に増える。 これが「組合せ爆発」と呼ばれる現象の正体。 順列を理解することは、 計算機科学のあらゆる難問の根源を理解することに繋がる。

🔗 関連用語（前提・並列・発展）

❓ よくある質問（FAQ）

Q1. 順列と組合せの見分け方は？

A. 「並び順を区別するか」で判定。 「A → B → C」と「B → A → C」を別扱いなら順列、 同じ扱いなら組合せ。 試験問題では「並べる」「順番に」「金銀銅」が順列、 「選ぶ」「グループ」が組合せ。

Q2. 統計学の「permutation test」と数学の「順列」は同じ？

A. 根は同じ。 並べ替え検定はラベルを並べ替えて統計量の分布を作る手法で、 「ラベル割り当ての順列」を数えている。 計算コストが膨大なため、 実用ではモンテカルロサンプリングで近似する。

Q3. n が大きい時は？

A. $n=20$ を超えたら全列挙は危険。 Python の math.factorial は計算できるが、 結果を使う処理（全並びを試す等）は不可能。 必要なら確率近似や動的計画法で代替する。

Q4. 順列を用途別に整理すると？

A. (1) 数学：場合の数、 確率分母 / (2) 統計：並べ替え検定、 ノンパラメトリック検定 / (3) ML：permutation importance、 シャッフル / (4) 暗号：パスワード強度評価 / (5) 最適化：巡回セールスマン問題（TSP）の経路。 順列はあらゆる分野で「並び」を扱う基礎。

Q5. SSDSE-B-2026 で順列を学ぶメリットは？

A. 47 という具体的な数で「指数爆発」を体感できる。 都道府県の組合せ・並べ替え検定は、 実データに対する確率計算の入口として直感的。

📜 順列・組合せ論の歴史

📝 まとめ: 順列を使いこなす 5 原則

1. 並び順を区別するかを確認: 順列 vs 組合せの判別は最初の関門。 問題文を 2 回読む。
2. $n$ が大きい時は全列挙しない: $n=20$ で約 $2.4 \times 10^{18}$。 サンプリングや近似に切り替える。
3. 重複に注意: 同じ要素を含む / 含まないで式が変わる。 重複ありなら $n^k$、 同じものを含むなら割り戻す。
4. 並べ替え検定で統計的有意性を評価: 順列の考え方は統計に直結する。 ノンパラメトリック検定の基礎。
5. itertools / math.perm を活用: Python なら標準ライブラリで実装可能。 自作する必要なし。

✅ 自己診断: 順列チェックリスト（10 項目）

1. $P(n,k) = n!/(n-k)!$ の公式を導出できる
2. 順列と組合せの違いを例示できる
3. $n=47, k=5$ の順列数を暗算で概算できる
4. 重複順列・円順列・数珠順列の式を区別できる
5. itertools.permutations と math.perm の使い分けができる
6. 並べ替え検定の手順を説明できる
7. permutation importance の意味を説明できる
8. $n!$ の桁数が $n=50$ で約 65 桁になることを知っている
9. 順列の指数的爆発がアルゴリズム設計に与える影響を説明できる
10. SSDSE-B-2026 を題材に順列計算を実行できる

7 個以上「Yes」で本ページの理解は十分。

🧠 設計哲学: 「数えることの限界」

順列は「数えること」の極限的な対象。 $n=47$ の都道府県を全部並べる方法は $47! \approx 2.59 \times 10^{59}$ 通り。 これは観測可能な宇宙の原子数（$\sim 10^{80}$）に近い数。 順列の学習は「コンピュータでも解けない問題がある」ことを実感する第一歩となる。

そのため、 現代の統計・機械学習では「全部試す」を諦め、 ランダムサンプリングや確率モデルで近似する戦略が主流。 順列の知識は「サンプリングがなぜ必要か」の根拠を理解する基盤になる。

覚えるべき一文: 「順列は、 計算機の限界を教えてくれる教科書である」。

📚 さらに学ぶための資料

📚 さらに学ぶための資料

順列 をさらに深く学ぶための代表的リソース：

• 公的データ：e-Stat（政府統計の総合窓口）、 SSDSE（教育用標準データセット）、 RESAS（地域経済分析システム）
• 教科書（日本語）：「データ解析のための統計モデリング入門」「統計学入門」「Python ではじめる機械学習」など、 入門〜中級書が豊富
• 教科書（英語）：『The Elements of Statistical Learning』『Pattern Recognition and Machine Learning』『Deep Learning』など標準テキスト
• オンライン講座：Coursera、 edX、 Kaggle Learn、 統計検定の公式問題集
• 論文：Google Scholar / arXiv で Permutation を検索 → 引用数の多い基礎論文から
• コミュニティ：Kaggle、 SIGNATE、 Cross Validated（Stack Exchange）、 日本統計学会

🎓 学習達成度の自己チェック

次の問いに自分の言葉で答えられるか、 試してみてください：

1. 順列 を、 30秒で他人に説明できますか？
2. この概念が 使える場面 と 使えない場面 を例で挙げられますか？
3. 上の数式の 各記号の意味 を口頭で説明できますか？
4. 「落とし穴」セクションで挙げた失敗パターンを、 自分の言葉で言い換えられますか？
5. Python コードを少し変えて、 別のデータや条件で動かしてみましたか？
6. 関連用語との 違い を1つ以上指摘できますか？
7. この概念を使った分析結果を、 レポートに正しい形式で書けそうですか？

7問中5問以上「はい」と答えられれば、 この用語は 使えるレベル で理解できています。 残りは関連用語を学ぶ中で自然に補完されます。

この用語の全体像を学ぶには、 横断的な教材で文脈を掴むのが効率的です：

• カテゴリ：数学基礎 — 同分野の他用語で全体像を把握
• 関連リンク先（上のチップ群）から派生概念を辿るのが推奨ルート

📚 追加学習リソース

• 書籍: 『離散数学入門』（マグロウヒル）— 順列・組合せの定番教科書
• 書籍: 『統計的多重比較法の数理』— 並べ替え検定の数理的基礎
• OSS: Python itertools — 順列・組合せ生成の標準ライブラリ
• OSS: scipy.stats.permutation_test — 並べ替え検定の実装
• 公的データ: SSDSE — 47 件で順列計算の入門演習に最適
• 論文: Breiman (2001)「Random Forests」 — permutation importance の原典
• 論文: Fisher (1935)「The Design of Experiments」 — 並べ替え検定の提唱

🎓 学習ロードマップ（4 段階）

📌 まとめ: 30 秒で振り返る

• 順列 $P(n,k) = n!/(n-k)!$ は「並び順を区別」して数える方法。
• 組合せ $C(n,k)$ は順列を $k!$ で割ったもの。
• SSDSE-B-2026 の 47 都道府県から 5 並べる方法は 1.84 億通り。
• $n!$ は指数的に増え、 $n=47$ で 60 桁、 $n=100$ で 158 桁になる。
• Stirling 近似で大きな $n$ も実用計算できる。
• 順列の応用: 並べ替え検定 / permutation importance / TSP / 暗号。
• Python なら math.perm / itertools.permutations が標準。
• 全列挙が無理な場面ではモンテカルロ並べ替え（ランダムサンプリング）で近似。

この 8 点を理解すれば、 順列の基礎は完成。 次は 組合せ・確率・並べ替え検定 に進むのがおすすめ。

📋 練習問題集（10 問）

順列の理解を確認する 10 問。 各問の右に答えを示すので、 まず自分で計算してから照合してほしい。

8 問以上正解できれば順列の理解は十分。 間違えた問題は該当セクション（基本順列 / 重複順列 / 円順列）を再読する。

📘 関連用語ミニ辞典（20 語）

🗺 概念マップ

順列 ${}_n P_r = n! / (n-r)!$ を中心に、 上位概念 (数え上げ・組合せ論)、 並列概念 (組合せ ${}_n C_r$・重複順列・円順列)、 応用 (確率計算・暗号化・置換検定) を関係づけて整理する。

順列 (permutation) は $n$ 個の要素から $r$ 個を選んで並べる場合の数 $_nP_r = n!/(n-r)!$ で、 「順序を区別する」点が組合せ $_nC_r$ との決定的な違いである。 統計・データ解析の文脈では、 ランダム化検定 (permutation test) で帰無仮説下のラベル並べ替え分布を構成する、 機械学習の sklearn.inspection.permutation_importance で特徴量重要度を測る、 シーケンスデータの並び順依存性を検定するなど、 実は学術研究・実務応用・公的統計の全領域で横断的に使われる。 SSDSE-B-2026 で「47 都道府県の順位付け（出生率上位 5 県）」を全パターン列挙する例が典型的である。

🔗 隣接手法への橋渡し

順列は「数え上げ → 確率 → 推測統計」という流れの起点で、 隣接概念と層的に接続する。

• 上流（数学的基盤）: 階乗 (n!) が順列の本体で、 組合せ は順列を $r!$ で割ったもの。 二項定理・多項定理も順列の数え上げから派生する。
• 並列（場合の数の親戚）: 組合せ (順序無視)、 重複順列 ($n^r$)、 円順列 ($(n-1)!$) はすべて並び方の数え方のバリエーション。
• 下流（推測統計への接続）: 並べ替え検定 は順列をランダムサンプリングして帰無分布を作る、 ブートストラップ は順列ではなく復元抽出で類似目的を達成、 permutation importance は特徴量シャッフルでモデルの依存度を測る。

順列の発想は「ランダム化」という統計推測の根本原理 (Fisher のランダム化原理) と直結しており、 RCT のランダム割付の論理的根拠でもある。

🌳 手法選択フロー

「順列」を実際に使うとき、 何をどう選ぶかを順に判断する。 上から順に答えていくと、 使うべき手法と評価の仕方が決まる。

1. 順序に意味があるか
   順序が結果を変えるなら順列 $_nP_r$、 変えないなら組合せ $_nC_r$。 「1 位と 2 位を決める」は順列、 「代表 2 県を選ぶ」は組合せ。
2. 同じものを含むか
   重複を許して並べるなら $n^r$。 同じ文字が複数ある並べ替えは、 重複分で割る（同じものを含む順列）。
3. 数が大きくなりすぎないか
   $n!$ は急激に増える。 $20! \approx 2.4 \times 10^{18}$ で、 総当たりは非現実的になる。 対数を取るか Stirling 近似で桁を扱う。
4. 確率の計算に使うのか
   「全部の並べ方のうち、 条件を満たすものの割合」を求めるなら、 分子と分母の両方を同じ数え方で。 片方を順列、 片方を組合せで数えると合わない。

順列と組合せの取り違えは、 「順序を区別するか」の 1 点で決まる。 問題文を読んだら、 まずそこを日本語で言い切ってから式を立てる。

🔍 解説深化 — 順列は「並べ方の総数」であると同時に「検定 p 値の下限」を決める

前の節までは「n 個から k 個を選んで並べる」総数 nPk と、 その爆発的な増え方を扱いました。 本節ではその爆発量を逆向きに使います。 並べ替え検定（permutation test）で作れる「ラベルの並べ替え」の総数が、 得られる p 値の細かさ（分解能）そのものを決めてしまう という、 実データで検定を回すときにいちばん見落とされやすい読み方を掘り下げます。 姉妹ページ「組合せ」の解説深化が 検定回数（多重比較の分母） を扱うのに対し、 こちらは 1 回の並べ替え検定の中で p 値がどこまで小さくなれるか（分子・分母の粒度） という別角度です。

🎨 直感 — 「群のラベルを貼り替える」のも一種の順列

47 都道府県を 1 列に並べる方法は 47! ≈ 2.586 × 10⁵⁹ 通り（60 桁、実測計算値）で、 宇宙の全原子数すら軽く超えます。 並べ替え検定はこの「並べ替え」の力を統計に持ち込む手法です。 2 群を比べるとき、 データの値はそのままに どの県をどちらの群のラベルに割り当てるか を総当たりで貼り替え、 「観測された群差が、 ラベルをでたらめに貼り替えたときと比べてどれくらい珍しいか」を数えます。 つまり 並べ替え検定の帰無分布そのものが、 ラベルの順列（並べ替え）を数え上げて作られている のです。

⚠️ 落とし穴（重要） — p 値には「これ以上小さくできない床」がある

SSDSE-B-2026 の 2023 年データ（実測値）で合計特殊出生率 A4103 を、 東北 6 県（青森 1.23 / 岩手 1.16 / 宮城 1.07 / 秋田 1.10 / 山形 1.22 / 福島 1.21、 平均 1.165）と 九州・沖縄 8 県（福岡 1.26 / 佐賀 1.46 / 長崎 1.49 / 熊本 1.47 / 大分 1.39 / 宮崎 1.49 / 鹿児島 1.48 / 沖縄 1.60、 平均 1.455）で比べると、 群平均差は 0.29 です。 この 14 県を 6 対 8 に貼り分けるラベルの割り当ては全部で C(14,6) = 3,003 通り。 全パターンを列挙する厳密並べ替え検定を回すと、 群差の絶対値が観測値 0.29 以上になる割り当ては 実際の分割とその左右反転の 2 つだけで、 両側 p 値 = 2 / 3003 = 0.000666（実測計算値）となりました。

3 対 3 では、 どんなに差が大きくても両側 p 値は 0.10 未満にできません。 有意水準 5% の壁を越えることすら不可能です。 これは検定の「弱さ」ではなく、 順列の総数が少ないぶん帰無分布の目盛りが粗い という組合せ論的な必然です（いずれも実測計算値）。

🚀 発展 — 床が細かすぎるときは「順列を全部数えない」

逆に群が大きくなると、 今度は並べ替えの数が爆発して全列挙が不可能になります。 47 県を 23 対 24 に分ける方法は C(47,23) ≈ 1.6 × 10¹³ 通り（実測計算値）。 これを 1 通りずつ数えるのは非現実的なので、 実務では この巨大な順列空間から乱数で数万通りだけを抽出するモンテカルロ並べ替え検定 に切り替えます。 このとき p 値は「抽出した並べ替えのうち観測値以上だった割合」になり、 慣例として分子・分母に +1 して (観測以上の回数 + 1) / (抽出回数 + 1) と計算します。 この「+1」があるため、 モンテカルロ版の p 値にも下限が残り、 B = 9,999 回抽出しても p の床は 1 / 10,000 = 0.0001 です。 厳密検定でもモンテカルロ検定でも、 「順列の数」が p 値の細かさを支配する という構図は変わりません。

• 厳密検定 → モンテカルロ検定の切替判断は C(n,k) の大きさで決まる（数千通りなら全列挙、 数百万を超えたら乱数抽出）。
• 効果量を併記する：p 値が床に張り付く小標本では、 群平均差 0.29 のような効果の大きさそのものを示すほうが誠実です。

🔗 関連ページ

組合せ 仮説検定 p 値 有意水準 多重検定 効果量 ブートストラップ （専用ページ未収録：並べ替え検定 / モンテカルロ法 はテキストのみ）