🔖 キーワード索引

確率分布 は確率変数 X の取り得る値とその発生確率の対応で、 離散 (二項・ポアソン) と連続 (正規・指数・ベータ) に大別される。 SSDSE-B-2026 の 47 都道府県の出生率を正規分布とみなして μ・σ を最尤推定し、 Q-Q プロットで適合度を確認する例を実装する。

これらのキーワードは「probability distribution の理解 → 適用 → 検証」のプロセスを構成する。 各章で詳しく解説する。

🎨 直感で掴む

🎨 直感で掴む — 確率分布 の本質

確率分布は「確率変数がどんな値をどんな確率で取るか」を表す関数。 サイコロの目（離散の一様分布）、 人の身長（連続の正規分布）、 SSDSE-B-2026 の死亡数（カウントなので近似的にポアソン）など、 現実のあらゆる量は何らかの分布に従う（または近似できる）。

SSDSE-B-2026 で見る代表的な 4 分布

実データで気づくこと: 教科書の正規分布は美しい釣鐘だが、 SSDSE-B-2026 の A1101 をヒストグラムにすると 東京・神奈川・大阪が右端の外れ値として鋭く飛び出す。 これが「右に長い裾」を持つ対数正規型の典型。 平均だけでなく中央値・第 3 四分位を併記する習慣はここから来ている。

📐 定義／数式

確率分布（Probability Distribution）：確率変数の値の分布を表す関数

📐 数式または定義 — 確率分布 の形式的表現

直感で全体像を掴んだら、 次は厳密な定義を見ます。 数式は短いものでも、 「何を入力にして、 何を出力するのか」を意識して読むと早く慣れます。

📐 PMF・PDF・CDF を完全理解する

確率分布を扱うときに必ず登場する 3 つの関数 — PMF (確率質量関数)、 PDF (確率密度関数)、 CDF (累積分布関数) — を、 数式 → 意味 → SSDSE-B での具体例の順で整理します。

PMF (Probability Mass Function) — 離散

$$P(X = k) = f(k), \quad \sum_{k} f(k) = 1$$

離散確率変数 $X$ がちょうど値 $k$ を取る確率。 47 都道府県中で「高齢化率 33% 超」の県数 $X$ を二項分布 $\text{Bin}(47, p)$ でモデル化すると、 観測値 $X=19$ の確率を $P(X=19)$ で計算できる。 数式を言葉で読み解くと、 「全ての可能な値の確率を足すと 1 になる」「個別の値の確率を直接読める」という性質を持つ。

PDF (Probability Density Function) — 連続

$$P(a \le X \le b) = \int_a^b f(x) dx, \quad \int_{-\infty}^{\infty} f(x) dx = 1$$

連続確率変数では「ちょうど $X = k$」の確率は 0 で、 区間内の確率を積分で得る。 SSDSE-B の人口（対数正規 fit）で「100 万人～300 万人の県の割合」を $\int_{100万}^{300万} f(x) dx$ で計算できる。

CDF (Cumulative Distribution Function) — 共通

$$F(x) = P(X \le x) = \begin{cases} \sum_{k \le x} f(k) & \text{(離散)} \\ \int_{-\infty}^{x} f(t) dt & \text{(連続)} \end{cases}$$

「$x$ 以下の値が出る確率」。 単調増加で $F(-\infty)=0, F(\infty)=1$。 KS 検定やパーセンタイル計算の基盤。 SSDSE-B 人口で $F(500{,}000) = 0.02$ なら「人口 50 万以下の県は全体の 2% (=47×0.02 ≈ 1 県)」と読める。

🔬 記号・用語の読み解き

🔬 詳細な解説（深掘り）

概念の本質

確率分布（Probability Distribution）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 確率分布 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：確率分布 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 確率分布 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

確率分布 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

確率分布 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

確率分布 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（人口・経済・教育・産業など）
• SSDSE-B：都道府県別・複数年の統計（時系列）
• SSDSE-C：家計消費（県庁所在市 47 市の品目別支出）
• SSDSE-E：都道府県の基本統計

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 — 確率分布 の記号辞書

上の数式に出てくる各記号が何を表すかを、 言葉で翻訳します。 1 つずつ自分の言葉で言い換えられるようになると、 論文や教科書のスピードが一気に上がります。

🔬 数式を言葉で読み解く: 主要 5 分布カタログ — SSDSE のどの指標に当てはまるか

確率分布は無数にあるが、 実務で 90% 以上の現象は 5 つの基本分布で説明できます。 各分布の 定義域・形状パラメータ・典型的な現実現象・SSDSE での対応指標を一表にまとめると、 分布選択の意思決定が劇的に速くなります。

分布選択の意思決定木: ①データは離散 or 連続? ②値域は \([0,\infty)\) か \(\mathbb{R}\) か \([0,1]\) か? ③形状は左右対称か右裾長か? ④分散と平均の関係はどうか (ポアソンなら等しい)? — この 4 つの問いに答えれば、 上の 5 分布のどれかに自動的に絞られます。

🐍 Python 実装: SSDSE-B-2026 の人口指標に分布を fit して KS 検定で評価

このコードでやること: SSDSE-B-2026 の 2023 年 47 都道府県の総人口を、 (1) 正規分布、 (2) 対数正規分布、 (3) ガンマ分布の 3 つで scipy.stats.*.fit し、 Kolmogorov-Smirnov 検定で「どの分布が最もデータに近いか」を p 値で比較する。

📥 入力データ (47 都道府県の総人口、 2023 年、 単位: 人):

 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

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])
pop = df[df['SSDSE-B-2026'] == 2023]['A1101'].dropna().values

print(f'N = {len(pop)}, 平均 = {pop.mean():.0f}, 中央値 = {np.median(pop):.0f}')
print(f'歪度 = {stats.skew(pop):.3f}, 尖度 = {stats.kurtosis(pop):.3f}')

# 3 つの分布を fit
norm_params = stats.norm.fit(pop)
lognorm_params = stats.lognorm.fit(pop, floc=0)
gamma_params = stats.gamma.fit(pop, floc=0)

# Kolmogorov-Smirnov 検定: 帰無仮説 "データはこの分布から来た"
ks_norm = stats.kstest(pop, 'norm', args=norm_params)
ks_lognorm = stats.kstest(pop, 'lognorm', args=lognorm_params)
ks_gamma = stats.kstest(pop, 'gamma', args=gamma_params)

print(f'正規分布:    KS統計量={ks_norm.statistic:.4f}, p値={ks_norm.pvalue:.4f}')
print(f'対数正規:    KS統計量={ks_lognorm.statistic:.4f}, p値={ks_lognorm.pvalue:.4f}')
print(f'ガンマ分布:  KS統計量={ks_gamma.statistic:.4f}, p値={ks_gamma.pvalue:.4f}')

# AIC 比較 (より小さい方が良い)
def aic(dist, params, data):
    loglik = np.sum(dist.logpdf(data, *params))
    k = len(params)
    return 2*k - 2*loglik

print(f'AIC 正規: {aic(stats.norm, norm_params, pop):.1f}')
print(f'AIC 対数正規: {aic(stats.lognorm, lognorm_params, pop):.1f}')
print(f'AIC ガンマ: {aic(stats.gamma, gamma_params, pop):.1f}')

📤 実行例:

💬 歪度 2.22 は強い右裾（東京都が外れて大きい）を意味し、 正規分布の仮定は KS p = 0.001 で棄却される。 一方、 対数正規分布は KS p = 0.323 で 棄却されない（AIC も最小）。 つまり「47 都道府県の人口は対数正規分布で近似できる」と統計的に裏付けられる。 これは Zipf の法則（都市規模の対数正規性、 Gabaix 1999）と整合する有名な結果で、 SSDSE 実データでも再現される。 政策シミュレーションや人口将来予測でこの仮定は明示的に使うべき知見である。

🛠 もう一歩深く — SSDSE-B-2026 で「確率分布の当てはまり」を 47 都道府県データで実際に検証する

ここまでで、 確率分布の定義・PMF/PDF/CDF・代表分布・中心極限定理・ベイズ更新まで一通り眺めてきました。 ただし「概念を読んだだけ」では、 現場で実データに分布を当てはめ、 説明する力は身につきません。 そこで Round 641 では、 SSDSE-B-2026 (47 都道府県 × 約 60 指標) を題材に、 散布図 / ヒストグラム / 箱ひげ図の 3 枚を起点として、 「どの分布がどの指標に合うのか」「合わないとき何を疑うのか」「合うかどうかを統計的にどう判定するか」を順番に体験していきます。 教科書の正規分布や二項分布が、 現実の公的データの上でどう振る舞うのかを直接観察するのが目的です。

扱う指標は、 総人口 (A1101)・年間出生数 (A4101)・合計特殊出生率 (A4103)・年少人口 (A1301)・生産年齢人口 (A1302)・老年人口 (A1303)・年平均気温 (B4101) を中心に、 必要に応じて他指標を補足します。 これらは全て e-Stat / 総務省統計局 / 気象庁などの公的統計を SSDSE が一次整形して公開している実データであり、 ロードマップは下表の通りです。

順番に進むことで「確率分布を選ぶ」という作業が、 形を眺める → 分布族を仮定する → 当てはめる → 検定する → 結論を書くという 5 段階のサイクルであることが体感できるはずです。 章末の意思決定フローと組み合わせれば、 卒研や実務で「とりあえず正規分布と仮定して t 検定」「平均が外れ値で歪んでいる気がする」といった分布リテラシーの欠如を脱却できます。

📈 47 都道府県の「総人口 × 年間出生数」散布図 — 結合分布を眺めて分布族を仮定する

確率分布を選ぶ第一歩は、 2 つの指標の結合分布 (joint distribution) を散布図でざっくり眺めることです。 ここでは SSDSE-B-2026 の 2023 年データから、 47 都道府県の 総人口 (A1101) と 年間出生数 (A4101) をプロットしました。 出生数は「人口に比例する離散カウント」なので、 ポアソン分布 (平均と分散が等しい) で説明できるかをまず疑います。

図 R641-1: 総人口を横軸、 関連指標を縦軸とした 47 都道府県の散布図 (SSDSE-B-2026, 2023 年実値)。 強い線形関係が読み取れる。

散布図から読み取れるのは「ほぼ直線的に増加する強い正相関」です。 これは「都道府県の出生数 \(Y_i\) は人口 \(N_i\) に比例し、 \(Y_i \sim \mathrm{Poisson}(\lambda_i) \,\)、 \(\lambda_i = c \cdot N_i\)」というモデル仮説をまず立てる根拠になります。 具体的な数値は以下の通りで、 上位 5 件と下位 5 件を抜き出しました。

出生率 (1,000 人あたり出生数) を見ると、 東京 6.13 ‰、 神奈川 5.85 ‰、 鳥取 6.08 ‰、 高知 5.08 ‰ のように 5〜7 ‰ の狭い帯に 47 件がほぼ収まっています。 つまり「都道府県別に出生率がほぼ一定 (\(c \approx 0.006\)) で、 出生数の絶対量は人口でスケールする」という仮説は1 次近似として正しいと言えます。 ただし「比例関係」と「ポアソン分布で説明できる」は別物で、 次に問題になるのが分散です。 \(Y_i \sim \mathrm{Poisson}(\lambda_i)\) なら \(\mathrm{Var}(Y_i) = \lambda_i\) なので、 人口 1 千万人のところで \(\sqrt{\lambda} \approx 250\) 程度の自然変動しか生まれないはずですが、 実データはずっと大きく散らばっており、 過分散 (overdispersion) が起きています。 ここまで来ると、 「単純ポアソン」ではなく「都道府県固有の出生率 \(c_i\) が分布しているポアソン混合 = 負の二項分布」を検討すべき、 という次の仮説に進めます。 散布図 1 枚から、 ここまで議論を引き出せるのが「分布を知る」ことの威力です。

🐍 Python — 散布図と比例関係のフィッティング

このコードでやること: SSDSE-B-2026 から 47 都道府県の総人口と年間出生数を取り出し、 散布図を描き、 比例係数 \(c\) を最小二乗で推定する。 さらに「ポアソンが妥当か」の指標として residual deviance / mean を計算する。

📥 入力データ (SSDSE-B-2026 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
29

import os
os.makedirs('html/figures', exist_ok=True)  # 保存先のフォルダを作っておく

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df23 = df[df['SSDSE-B-2026'] == 2023].copy()

N = df23['A1101'].values  # 総人口
Y = df23['A4101'].values  # 年間出生数

# 散布図
plt.figure(figsize=(7,5))
plt.scatter(N, Y, alpha=0.7)
plt.xlabel('総人口 (A1101)'); plt.ylabel('年間出生数 (A4101)')
plt.title('47 都道府県 (SSDSE-B-2026, 2023)')
plt.savefig('html/figures/scatter_basic.png', dpi=120, bbox_inches='tight')

# 比例係数 c の OLS (Y = c N)
c_hat = (N * Y).sum() / (N * N).sum()
print(f'比例係数 c = {c_hat:.6f}')
print(f'平均出生率 1000c = {1000*c_hat:.3f} ‰')

# 過分散指標: pearson 残差の二乗和 / 自由度
mu = c_hat * N
phi = (((Y - mu) ** 2) / mu).sum() / (len(N) - 1)
print(f'過分散指標 φ = {phi:.1f} (1 ならポアソン、 >>1 なら負の二項)')

📤 実行例:

💬 比例係数 \(c \approx 0.0060\) はおおよそ 6.0 ‰、 つまり「人口 1,000 人あたり毎年 6.0 人前後が生まれる」という構造を実データが支持しています。 ただし過分散指標 \(\hat\phi = 169.2\) は単純ポアソン (\(\phi=1\)) を大きく上回り、 47 都道府県横断では負の二項分布や階層モデルでないと残差が説明できません。 散布図 1 枚と \(\phi\) の数値で、 「ポアソンで一次近似 → 負の二項で精密化 → 階層モデルで政策評価」という分布の階段を上れることが見えます。

📊 ヒストグラムで「対称性・歪み・尾」を診断する — 総人口の分布形

散布図で「変数間の関係」を見たあとは、 各変数の周辺分布 (marginal distribution) をヒストグラムで眺めるのが定石です。 ここでは SSDSE-B-2026 の総人口 (A1101) を取り出し、 分布の形状を見てみましょう。 都道府県の数は 47 件しかないので、 ビン数を増やすとスカスカになります。 そこでビン幅は Freedman-Diaconis 規則 (\(h = 2 \cdot \mathrm{IQR} \cdot n^{-1/3}\)) で自動決定するのが安全です。

図 R641-2: 47 都道府県の総人口 (A1101) のヒストグラム (SSDSE-B-2026, 2023 年実値)。 強い右裾の長い分布。

総人口 (A1101) のヒストグラムを見ると、 顕著な右裾の長い (right-skewed) 分布になっています。 これは 47 都道府県のうち東京都が約 1,400 万人と突出しており、 神奈川 920 万人・大阪 880 万人と続き、 一方で鳥取 54 万人・島根 65 万人など小規模県が多数存在するためです。 こうした分布を正規分布で要約してしまうと、 「平均 ± 標準偏差」が非対称な分布を歪めて表現します。 実値で確認しましょう。

原尺度では歪度 +2.22・尖度 +4.95 で強く右裾長ですが、 対数変換 \(\log_e\) を取ると歪度 +0.79・尖度 −0.21 と正規分布の値 (0, 0) に大きく近づきます。 ただし東京都が log 尺度でも突出するため右裾がわずかに残り、 Shapiro-Wilk 検定では p=0.006 と「正規分布である」帰無仮説は α=0.05 では棄却されます。 それでも 3 分布族の中では対数正規が AIC 最小・KS 棄却されず (後述) で最良のため、 総人口は対数正規分布 (\(\log N \sim \mathcal{N}\)) で近似するのが妥当と結論できます。 これは「人口や所得など、 倍数的成長で増えるカウント変数」に普遍的に観察される事実であり、 経済地理学では「ジップの法則」「ギブラットの法則」として知られています。

🐍 Python — ヒストグラムと対数正規 fit

このコードでやること: SSDSE-B-2026 の 47 都道府県総人口を読み込み、 原尺度ヒストグラム・対数尺度ヒストグラムを並べて描き、 対数正規分布 \(\mathrm{LogN}(\mu, \sigma)\) を最尤フィットして PDF を重ね描きする。

📥 入力データ (SSDSE-B-2026 抜粋、 47 件):

 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

import os
os.makedirs('html/figures', exist_ok=True)  # 保存先のフォルダを作っておく

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

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
N = df[df['SSDSE-B-2026'] == 2023]['A1101'].dropna().values

fig, ax = plt.subplots(1, 2, figsize=(12, 4))
ax[0].hist(N, bins=15, edgecolor='white')
ax[0].set_title('原尺度 (A1101)'); ax[0].set_xlabel('A1101')
ax[1].hist(np.log(N), bins=15, edgecolor='white')
ax[1].set_title('log 変換後'); ax[1].set_xlabel('log(総人口)')
plt.savefig('html/figures/hist_basic.png', dpi=120, bbox_inches='tight')

# 対数正規分布のパラメータ最尤推定
mu, sigma = np.log(N).mean(), np.log(N).std(ddof=1)
print(f'μ = {mu:.3f}, σ = {sigma:.3f}')
print(f'歪度 (原尺度) = {stats.skew(N):.2f}')
print(f'歪度 (log)    = {stats.skew(np.log(N)):.2f}')
W, p = stats.shapiro(np.log(N))
print(f'Shapiro-Wilk (log): W={W:.3f}, p={p:.3f}')

📤 実行例:

💬 \(\mu = 14.42\)、 \(\sigma = 0.80\) で fit された対数正規分布は、 e^μ = 1,831,367 を中央値、 e^μ+σ²/2 = 2,510,588 を平均値として与えます。 後者は実データの算術平均 2,645,809 とほぼ同オーダーで、 fit が妥当であることが分かります (対数正規のモデル平均が実測平均をやや下回るのは、 東京都の突出で実測の右裾が対数正規より重いためです)。 一方、 もし「対数正規である」と認めず原尺度で正規分布を仮定すると、 「平均 ± 2σ 区間」が −2,949,293 ~ 8,240,911 となり負の人口を許してしまいます。 これが分布族を間違えた時の典型的な不整合です。

📦 8 地方ブロックの箱ひげ図 — 「層別すれば正規分布になる」境界線

47 都道府県全体では右裾の長い分布でも、 8 地方ブロック (北海道・東北・関東・中部・近畿・中国・四国・九州沖縄) ごとに層別すると、 ブロック内で「ほぼ正規分布に見える」「正規からズレる」が変わります。 ここでは老年人口比率 (老年人口 A1303 ÷ 総人口 A1101 × 100) を 8 ブロックで箱ひげ図にしました。

図 R641-3: 8 地方ブロック別 老年人口比率 (A1303/A1101×100) の箱ひげ図 (SSDSE-B-2026, 2023 年実値)。 ブロック内の分布が概ね対称になっているのが分かる。

関東は 28.0 % で全国最低、 東北・四国は 34.5 〜 34.6 % で最高、 とブロック間で 6 ポイント以上の差があります。 一方ブロック内では標準偏差 1.7 〜 3.7 ポイントに収まり、 箱ひげの上下対称性も多くのブロックで比較的保たれます。 これは「全国を一つの正規分布で要約するのは不自然でも、 ブロックごとには正規分布が良い近似になる（ものが多い）」典型的な階層構造です。 統計モデリングでは 混合正規 / 階層モデル / ランダム効果モデル を選ぶことで、 こうした構造を素直に扱えます。

なお、 沖縄県は老年人口比率が 23.8 % と全国最低レベル (関東 7 県の平均 28.0 % よりも低い) で、 九州沖縄ブロックの中で外れ値として箱ひげの下髭の外に現れます。 これは沖縄の出生率の高さと若年人口比率の高さ、 戦後の社会構造の特殊性などが寄与する公的データ上の事実です。 箱ひげ図と分布族を組み合わせることで、 こうした「ブロック内の異質さ」までを 1 枚で説明可能になります。

🐍 Python — 地方ブロック別箱ひげと正規性検定

このコードでやること: 47 都道府県を 8 地方ブロックに対応付け、 老年人口比率を計算し、 ブロックごとの箱ひげ図を描き、 各ブロックで Shapiro-Wilk 検定を実施する。

📥 入力データ (47 都道府県のブロック割当例):

 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

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

# 英字の項目コード（A1101 など）を使うので、2 行目の日本語名を読み飛ばす
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df23 = df[df['SSDSE-B-2026'] == 2023].copy()
df23['老年比率'] = df23['A1303'] / df23['A1101'] * 100

# 都道府県 → 地方ブロック対応 (実データの公式分類)
block_map = {
    '北海道': '北海道',
    '青森県': '東北', '岩手県': '東北', '宮城県': '東北',
    '秋田県': '東北', '山形県': '東北', '福島県': '東北',
    '茨城県': '関東', '栃木県': '関東', '群馬県': '関東', '埼玉県': '関東',
    '千葉県': '関東', '東京都': '関東', '神奈川県': '関東',
    '新潟県': '中部', '富山県': '中部', '石川県': '中部', '福井県': '中部',
    '山梨県': '中部', '長野県': '中部', '岐阜県': '中部', '静岡県': '中部', '愛知県': '中部',
    '三重県': '近畿', '滋賀県': '近畿', '京都府': '近畿', '大阪府': '近畿',
    '兵庫県': '近畿', '奈良県': '近畿', '和歌山県': '近畿',
    '鳥取県': '中国', '島根県': '中国', '岡山県': '中国', '広島県': '中国', '山口県': '中国',
    '徳島県': '四国', '香川県': '四国', '愛媛県': '四国', '高知県': '四国',
    '福岡県': '九州沖縄', '佐賀県': '九州沖縄', '長崎県': '九州沖縄', '熊本県': '九州沖縄',
    '大分県': '九州沖縄', '宮崎県': '九州沖縄', '鹿児島県': '九州沖縄', '沖縄県': '九州沖縄',
}
df23['地方'] = df23['Prefecture'].map(block_map)

# 箱ひげ図
labels = list(df23['地方'].dropna().unique())
groups = [df23[df23['地方'] == g]['老年比率'].values for g in labels]
plt.figure(figsize=(9, 5))
# ラベルは xticks で付ける（boxplot の引数名は版によって labels / tick_labels と違う）
plt.boxplot(groups)
plt.xticks(range(1, len(labels) + 1), labels)
plt.ylabel('老年人口比率 (%)'); plt.xticks(rotation=30)
plt.title('8 地方ブロック別 老年人口比率 (SSDSE-B-2026, 2023)')
import os
os.makedirs('html/figures', exist_ok=True)
plt.savefig('html/figures/box_multigroup.png', dpi=120, bbox_inches='tight')

# 各ブロックで正規性検定 (N>=3 のみ)
for g, x in zip(labels, groups):
    if len(x) >= 3:
        W, p = stats.shapiro(x)
        print(f'{g:8s} (n={len(x)}): Shapiro W={W:.3f}, p={p:.3f}')

📤 実行例:

💬 多くのブロック (東北・関東・近畿・中国・四国) で p > 0.4 と「ブロック内の老年比率は正規分布から有意に乖離しない」と判定できます。 一方、 中部 (p=0.043) と九州沖縄 (p=0.022) は α=0.05 で棄却されます。 九州沖縄は沖縄の低さ (左裾の外れ値) が、 中部も裾の非対称が効いており、 これも「分布の中の異質性」を示す貴重なシグナルです。 それでも 47 全体 (Shapiro p<0.001) に比べればブロック層別で正規性は大きく改善し、 大半のブロックでは正規近似が使える — これが階層モデルの存在理由です。

🔬 同じデータに 3 つの分布族を当てはめて比べる — 正規 / 対数正規 / ガンマ

「データには正解の分布族がある」のではなく、 「目的に合うか」で分布族を選びます。 47 都道府県の総人口 (A1101) を題材に、 正規分布・対数正規分布・ガンマ分布の 3 つを同時に最尤フィットし、 AIC で比較しましょう。 AIC が低い分布が、 「同じ自由度で、 実データをより良く再現する」モデルです。

対数正規分布が AIC 1471.3 で最良、 ガンマ分布が次点 (ΔAIC +12.6 = 明確に劣る)、 正規分布が最劣 (ΔAIC +60.5 = 圧倒的に不適)。 これは前節のヒストグラムで観察した「右裾長」が AIC に直接反映された結果です。 ΔAIC = +60.5 という値は 「正規分布で総人口を要約するのは事実上禁止」と読める強さです。 ガンマも ΔAIC > 10 で対数正規に明確に劣るため、 総人口の記述は対数正規分布を第一候補とするのが妥当です。

🐍 Python — 3 分布族の MLE + AIC 比較

このコードでやること: 47 都道府県の総人口に対して、 正規・対数正規・ガンマの 3 分布族を scipy.stats.*.fit でフィットし、 対数尤度から AIC を計算して比較する。

📥 入力データ:

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

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])
N = df[df['SSDSE-B-2026'] == 2023]['A1101'].dropna().values

def aic(loglik, k):
    return 2 * k - 2 * loglik

# 正規分布
mu_n, sd_n = stats.norm.fit(N)
ll_n = stats.norm.logpdf(N, mu_n, sd_n).sum()

# 対数正規分布 (floc=0 で 2 パラ化)
shape, loc, scale = stats.lognorm.fit(N, floc=0)
ll_l = stats.lognorm.logpdf(N, shape, loc, scale).sum()

# ガンマ分布
a, loc_g, scale_g = stats.gamma.fit(N, floc=0)
ll_g = stats.gamma.logpdf(N, a, loc_g, scale_g).sum()

for name, ll in [('normal', ll_n), ('lognorm', ll_l), ('gamma', ll_g)]:
    print(f'{name:8s}: -logL={-ll:8.1f}, AIC={aic(ll,2):8.1f}')

📤 実行例:

💬 ΔAIC は 「2 未満ならほぼ同等」「2-10 ならやや劣る」「10 以上なら明確に劣る」と Burnham & Anderson (2002) が経験則を示しています。 ここでは正規分布 vs 対数正規分布で ΔAIC = +60.5 と圧倒的に正規が劣り、 ガンマ vs 対数正規で ΔAIC = +12.6 と「明確に劣る」レベルです。 結論として「総人口は対数正規分布で記述するのが最良、 ガンマは明確に劣り、 正規分布は不可」と数値判定で言い切れます。

🔍 KS / AD 検定で「当てはまり」を定量化する

AIC は相対比較でしたが、 「対数正規が他より良い」と分かっても「対数正規分布で十分なのか」は絶対的に検定したいことがあります。 これに使うのが Kolmogorov-Smirnov 検定 (KS) と Anderson-Darling 検定 (AD) です。 帰無仮説は「データは仮定した分布族から得られた」で、 p 値が高ければ「棄却できない = 仮定が許容できる」と判定します。

重要なのは「同じデータでも、 仮定する分布族によって判定が変わる」という事実です。 総人口 (A1101) は正規分布では p=0.001 で明確に棄却されますが、 対数正規分布では p=0.323 と棄却できません (ガンマは p=0.042 で α=0.05 では境界的に棄却されます)。 「正規分布」と決め打って t 検定や OLS を回すと、 ここで棄却される事実を見落としてしまいます。 一方、 比率指標 (老年比率・年少人口比率) は値が 0〜100 % に収まる有界変数のため、 中央付近では正規分布で十分扱えるのも観察できます。

🐍 Python — KS / AD 検定

このコードでやること: 総人口 (A1101) に対して正規 / 対数正規 / ガンマの 3 分布で KS 検定と AD 検定を実行し、 統計量と p 値を表示する。

📥 入力データ (47 件、 A1101 のベクトル):

 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

import pandas as pd
from scipy import stats

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
N = df[df['SSDSE-B-2026'] == 2023]['A1101'].dropna().values

# 正規 ・ 対数正規 ・ ガンマで KS 検定
# 注: パラメータをデータから fit したあとの KS 検定は
#     p 値が楽観的になることに注意 (Lilliefors 補正が本来は必要)
mu, sd = stats.norm.fit(N)
D1, p1 = stats.kstest(N, 'norm', args=(mu, sd))

shape, loc, scale = stats.lognorm.fit(N, floc=0)
D2, p2 = stats.kstest(N, 'lognorm', args=(shape, loc, scale))

a, loc_g, scale_g = stats.gamma.fit(N, floc=0)
D3, p3 = stats.kstest(N, 'gamma', args=(a, loc_g, scale_g))

print(f'normal  : D={D1:.3f}, p={p1:.3f}')
print(f'lognorm : D={D2:.3f}, p={p2:.3f}')
print(f'gamma   : D={D3:.3f}, p={p3:.3f}')

# Anderson-Darling 検定 (正規分布)
ad = stats.anderson(N, dist='norm')
print(f'AD(normal): stat={ad.statistic:.2f}, 5% 危険値={ad.critical_values[2]:.2f}')

📤 実行例:

💬 KS と AD は完全に整合し、 「総人口は正規分布で記述できない (p=0.001、 AD>危険値) が、 対数正規分布なら記述できる (p=0.323)」という結論を与えます。 注意点として、 パラメータをデータからフィットした後の KS は第一種過誤率が低くなる (楽観的) ので、 厳密には Lilliefors 補正やブートストラップ p 値を使うべき場面もあります。 ただし AD 検定はパラメトリックな危険値が用意されているため、 正規性検定では AD のほうが信頼性が高いと一般に推奨されます。

🧮 実値で計算してみる

🧮 実値で計算してみる — SSDSE-B-2026 で 確率分布 を体感

数式だけでは「分かった気になる」だけで終わりがち。 ここで SSDSE-B-2026（教育用標準データセット — 47 都道府県 × 100+ 指標、 2018-2023 年度）の実値を当てはめて、 確率分布 の挙動を電卓的に追体験します。

SSDSE-B-2026 は 統計センターの SSDSE 配布ページ から CSV を直接ダウンロードできます。 本サイトでは data/raw/SSDSE-B-2026.csv に配置している前提でコードを書いています。

🧮 数式に値を入れて手で計算する: 5 分布の期待値と分散

合成データで主要分布のパラメータと統計量を計算する。

Step 1: 分布表

Step 2: 検算

🐍 Python で再現

1
2
3
4

from scipy import stats
print(f"二項: {stats.binom.mean(10, 0.3)}, {stats.binom.var(10, 0.3)}")
print(f"ポアソン: {stats.poisson.mean(5)}, {stats.poisson.var(5)}")
print(f"一様: {stats.uniform.mean(0,10)}, {stats.uniform.var(0,10):.2f}")

📤 実行結果

💬 手計算 (Step 1) と Python 出力が完全一致。

🐍 Python での実装例

まず scipy.stats だけで代表分布の CDF・PMF を触る最小コード（11 行）。 実データ (SSDSE-B-2026) を読み込む版は、 後半の「経験分布と理論分布のフィッティング」で扱います。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

import numpy as np
from scipy import stats
# 正規分布のCDF
print('P(X<=176|μ=170,σ=6):', stats.norm.cdf(176, loc=170, scale=6).round(3))
# 二項分布のPMF（コイン10回中5回表）
print('B(10,0.5)でk=5:', stats.binom.pmf(5, 10, 0.5).round(3))
# ポアソン分布
print('Poisson(λ=3)でk=2:', stats.poisson.pmf(2, 3).round(3))
# サンプリング
rng = np.random.default_rng(0)
print('正規分布から5サンプル:', rng.normal(0, 1, 5).round(2).tolist())

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

📊 評価・検証チェックリスト — 確率分布 を使う前後に

確率分布 を「やってみたけど結局正しかったのか分からない」状態を避けるための、 標準的な検証観点。 SSDSE-B-2026 のような中小規模データでは特に丁寧に。

📝 レポート・論文での報告 — 確率分布 を含む分析結果の書き方

確率分布 を使った分析結果を、 第三者が誤読しない形でレポートに書くための標準フォーマット。 SSDSE-B-2026 を使った大学のレポートから業務報告書まで応用可能。

1. 使ったデータ：出典（SSDSE-B-2026, 統計センター）、 期間（2023 年度）、 サンプル数（n=47 都道府県）を明記
2. 変数の定義：列名（合計特殊出生率 A4103）、 単位、 対数変換等の前処理を明示
3. 適用条件の確認：分布の正規性、 独立性、 サンプル数の十分性をどう確かめたか
4. 計算結果：数値（小数 2 桁推奨）、 95% CI、 標準誤差を併記
5. 解釈：何を意味し、 何を意味しないかを明確に区別
6. 限界：n=47 の小ささ、 都道府県単位での集計バイアスなどを率直に書く
7. 再現性：Python / R のバージョン、 ライブラリのバージョン、 乱数 seed を記録

この 7 点セットを書く習慣をつけると、 査読者・上司・同僚から「何が分かって何が分からないのか明確で良い」と評価されます。 数値だけ並べて「すごい結果が出ました」では、 残念ながら通用しません。

🎓 学習達成度チェック — 確率分布

以下の問いに自分の言葉で答えられれば、 確率分布 は「使える知識」として身についています。 まだ答えられない問いがあれば、 該当セクションに戻って再読しましょう。

1. 確率分布 を、 統計を学んでいない友人に 30 秒で説明できますか？
2. この概念が 使える場面 と 使えない場面 を、 SSDSE-B-2026 の具体的な列名で挙げられますか？
3. 数式の 各記号の意味 を口頭で説明できますか？ 紙に書き写してみましたか？
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（pd.read_csv('data/raw/SSDSE-B-2026.csv') 直書き版）を手元で実行し、 出力を観察しましたか？
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、 上の「7 点セット」フォーマットで報告できそうですか？
8. SSDSE-B-2026 で別の列名に差し替えて、 同じコードを実行できますか？

8 問中 6 問以上「はい」と答えられれば、 この用語は実務応用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。

🐍 Python 実装 — SSDSE-B-2026 の経験分布と理論分布のフィッティング

① 都道府県人口の経験分布をヒストグラム可視化

🎯 このコードでやること: 2023 年の都道府県人口について、 経験分布をヒストグラム + 累積分布の 2 連で可視化し、 分布形を視覚的に把握する。

📥 入力データ: SSDSE-B-2026 2023 年の A1101 (人口) 47 件、 単位: 人

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

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df2023 = df[df['SSDSE-B-2026']==2023]
pop = df2023['A1101'].values / 10000  # 万人

fig, axes = plt.subplots(1, 2, figsize=(13, 4))
axes[0].hist(pop, bins=15, color='steelblue', edgecolor='black', density=True)
axes[0].set_xlabel('Population (10k people)')
axes[0].set_ylabel('Density (PDF)')
axes[0].set_title('Empirical PDF')

sorted_pop = np.sort(pop)
cdf = np.arange(1, len(sorted_pop)+1) / len(sorted_pop)
axes[1].step(sorted_pop, cdf, where='post', color='crimson')
axes[1].set_xlabel('Population (10k)')
axes[1].set_ylabel('F(x)')
axes[1].set_title('Empirical CDF')
plt.tight_layout()
plt.savefig('pd_empirical.png', dpi=100)
print(f'n={len(pop)}, mean={pop.mean():.1f}, median={np.median(pop):.1f}')
print(f'min={pop.min():.0f}, max={pop.max():.0f}')

📤 実行結果:

💬 結果の読み方: ヒストグラムは 右に長い裾を持ち、 正規分布の対称形とは大きく異なる。 CDF も 200 万人付近で急上昇 → ゆっくり 1.0 へ収束。 「右歪み分布」の特徴。

② 正規分布と対数正規分布のフィッティング比較

🎯 このコードでやること: 同じ人口データに正規分布と対数正規分布を当てはめ、 PDF を重ねてフィット性能を視覚比較。 さらに Kolmogorov-Smirnov 検定で適合度を定量評価。

📥 入力データ: pop = df2023['A1101'].values（47 件、 単位: 人）

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

from scipy import stats

pop_raw = df2023['A1101'].values

# 正規分布フィット
mu_n, sigma_n = stats.norm.fit(pop_raw)
# 対数正規分布フィット
sigma_ln, loc_ln, scale_ln = stats.lognorm.fit(pop_raw, floc=0)

# KS 検定で適合度評価
ks_n, p_n = stats.kstest(pop_raw, 'norm', args=(mu_n, sigma_n))
ks_ln, p_ln = stats.kstest(pop_raw, 'lognorm', args=(sigma_ln, loc_ln, scale_ln))

print(f'Normal:    mu={mu_n:.0f}  sigma={sigma_n:.0f}')
print(f'           KS D={ks_n:.4f}  p={p_n:.4g}')
print(f'Lognormal: sigma={sigma_ln:.3f}  scale={scale_ln:.0f}')
print(f'           KS D={ks_ln:.4f}  p={p_ln:.4g}')
print()
if p_ln > p_n:
    print('→ Lognormal fits better (higher p-value)')

📤 実行結果:

💬 結果の読み方: 正規分布の p=0.001 (棄却) vs 対数正規の p=0.32 (棄却できない) — 都道府県人口は対数正規分布でよく説明されると分かる。 「平均 264 万、 標準偏差 277 万」と書くより、 「中央値 183 万、 対数標準偏差 0.79」と書くほうが本質を捉えている。

③ 二項分布で「高齢化超過県数」の確率を計算

🎯 このコードでやること: 「47 都道府県中、 高齢化率 33% 超の県数」を観測 (19 県) と二項分布の理論確率で比較し、 観測値の希少性を評価。

📥 入力データ: 2023 年データから高齢化率を計算、 33% 閾値で各県を 0/1 化

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

aging_rate = df2023['A1303'] / df2023['A1101']
exceeds = (aging_rate > 0.33).sum()
n = len(df2023)

# 帰無仮説: 1 県あたり高齢化超過確率 p = 0.5
p_null = 0.5
prob_observed = stats.binom.pmf(exceeds, n, p_null)
prob_or_more = 1 - stats.binom.cdf(exceeds - 1, n, p_null)

# 平均超過確率を経験的に推定 (p_hat = 19/47)
p_hat = exceeds / n
print(f'Observed: {exceeds}/{n} prefectures exceed 33% aging')
print(f'Empirical p = {p_hat:.3f}')
print(f'Under H0 (p=0.5): P(X={exceeds}) = {prob_observed:.4f}')
print(f'Under H0 (p=0.5): P(X≥{exceeds}) = {prob_or_more:.4f}')
print()
print(f'Binomial mean (np) = {n * p_hat:.1f}')
print(f'Binomial std = {(n * p_hat * (1-p_hat))**0.5:.2f}')

📤 実行結果:

💬 結果の読み方: 経験確率 p=0.404 で「47 県中で 19 県超過」は二項分布として期待値ぴったり (np=19)。 帰無仮説 p=0.5 では P(X≤19) が小さく、 「実際の超過確率は 50% より低い」と推測可能。 これが二項分布の応用。

④ ポアソン分布で「年間出生数」をモデル化

🎯 このコードでやること: 鳥取県 (人口最少) の年間出生数 (A4101) について、 ポアソン分布で確率を計算し、 想定外の高低を判定。

📥 入力データ: 鳥取県 12 年分の出生数（A4101 列、 単位: 人）

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

tottori = df[df['Prefecture']=='鳥取県'].sort_values('SSDSE-B-2026')
births = tottori['A4101'].values
years = tottori['SSDSE-B-2026'].values

lam = births.mean()
print(f'Tottori birth count (2012-2023): mean λ = {lam:.0f}')
print(f'  Range: {births.min()} ~ {births.max()}')
print()
for k in [3500, 4000, 4500, 5000]:
    p = stats.poisson.pmf(k, lam)
    print(f'P(X={k}) = {p:.4g}')
print()
# 観測値の累積確率
for y, b in zip(years[-3:], births[-3:]):
    cdf = stats.poisson.cdf(b, lam)
    print(f'{y}: births={b}, F({b}) = {cdf:.3f}')

📤 実行結果:

💬 結果の読み方: ポアソン分布の前提（独立・定常）では平均 4176 周辺に集中するはずだが、 直近 3 年は CDF ≈ 0 — 「過分散」と「トレンド減少」を示唆。 単純なポアソンでは説明できず、 負の二項分布や 時間トレンドモデルが必要と判断。

⚠️ よくある落とし穴

⚠️ よくある落とし穴 — 確率分布 で初学者がやりがちなミス

確率分布の取り扱いで実務に頻出する 3 つの罠を、 SSDSE-B-2026 の都道府県データに当てはめて整理した。 下の「拡張版」 5 件と合わせて読むと網羅できる。

⚠️ 確率分布の落とし穴（拡張版）

• 分布の安易な仮定: 「データだから正規分布」は最大の誤り。 SSDSE-B 人口のように、 右歪み・重い尾の分布は珍しくない。 必ず Q-Q プロットや KS 検定で確認する。
• 標本サイズの罠: n=10 で「正規分布に従う」と結論するのは無理。 KS 検定や Shapiro-Wilk 検定の検出力は n に強く依存する。 一般に n ≥ 30 が経験則。
• 重い尾 (Heavy Tail) の無視: 正規分布で「3σ 外れ値は 0.3%」だが、 対数正規・パレートではもっと頻繁に発生。 金融リスク、 自然災害、 都市人口で頻出するため、 必ず尾の重さを確認する。
• 離散と連続の混同: 県数のような離散値に連続分布（正規）を当てるのは近似でしかない。 厳密には二項・ポアソンなど離散分布を使う。
• パラメータ推定の不安定性: 少数サンプル（n=47 都道府県）でパラメータ最尤推定する際、 推定誤差は大きい。 ブートストラップ法で信頼区間を確認するのが堅実。
• 独立性の前提崩壊: SSDSE-B のような地理データには空間的相関がある（隣接県は似た特性）。 確率分布のフィッティングでは「独立同分布」の仮定が緩むので、 空間自己相関を考慮した手法を選ぶ。

📈 Q-Q プロットで分布形を視覚診断

確率分布の適合度を視覚的に確認する最強ツールが Q-Q プロット (Quantile-Quantile Plot) です。 理論分布の分位点と経験分布の分位点を散布図で重ね、 直線上に並べば適合、 外れれば不適合と判定。

🎯 このコードでやること: SSDSE-B-2026 の県人口 (生スケール vs 対数スケール) について Q-Q プロットを描き、 「どちらが正規分布によく従うか」を視覚判定。

📥 入力データ: pop_raw = df2023['A1101'] と np.log(pop_raw)

 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 matplotlib.pyplot as plt
import numpy as np

pop_raw = df2023['A1101'].values
log_pop = np.log(pop_raw)

fig, axes = plt.subplots(1, 2, figsize=(12, 5))
stats.probplot(pop_raw, dist='norm', plot=axes[0])
axes[0].set_title('Q-Q plot: raw population (vs Normal)')
axes[0].get_lines()[0].set_markerfacecolor('steelblue')

stats.probplot(log_pop, dist='norm', plot=axes[1])
axes[1].set_title('Q-Q plot: log(population) (vs Normal)')
axes[1].get_lines()[0].set_markerfacecolor('crimson')

plt.tight_layout()
plt.savefig('pd_qqplot.png', dpi=100)

# 線形性の指標として R^2 を計算
osm, osr = stats.probplot(pop_raw, dist='norm', fit=False)
slope, intercept, r, _, _ = stats.linregress(osm, osr)
print(f'Raw population Q-Q R^2 = {r**2:.4f}')

osm2, osr2 = stats.probplot(log_pop, dist='norm', fit=False)
slope2, intercept2, r2, _, _ = stats.linregress(osm2, osr2)
print(f'Log population Q-Q R^2 = {r2**2:.4f}')

📤 実行結果:

💬 結果の読み方: 生スケールの R²=0.68 vs 対数スケールの R²=0.93。 視覚的にも、 対数変換後はほぼ完全な直線。 「都道府県人口は対数正規分布」と Q-Q プロットでも明白に示される。

🔗 確率分布の関係マップ — 主要分布の家系図

主要な確率分布は、 互いに「極限・特殊化・複合化」の関係で繋がっています。 暗記ではなく構造で理解しましょう。

💡 これら関係を知っておくと、 分布の選択・パラメータの推測・検定統計量の理解が劇的に楽になる。 とくに「t 検定の根拠は正規 + カイ二乗」「ANOVA の F 統計量はカイ二乗比」を理解できると、 統計学の見通しが一気に良くなる。

❓ FAQ — 確率分布についてよくある質問

🌍 確率分布の実世界応用 8 例

確率分布は教科書の中の話ではなく、 政策・経営・医療・工学のあらゆる場面で意思決定の根拠になります。 主要な応用 8 例を整理します。

🎲 ベイズ確率と分布 — 事前・尤度・事後の三位一体

確率分布は ベイズ統計 の枠組みでも中心的役割を果たします。 ベイズの定理は次のように分布で表現できます:

$$p(\theta | D) = \frac{p(D | \theta) \cdot p(\theta)}{p(D)}$$

ここで $p(\theta)$ は 事前分布（観測前の仮説）、 $p(D|\theta)$ は 尤度（仮説下でデータが得られる確率）、 $p(\theta|D)$ は 事後分布（観測後の信念）。 数式を言葉で読み解くと、 「事前の信念 × データの整合度 ÷ データの周辺確率 = 観測後の信念」となる。

共役事前分布 (Conjugate Prior)

特定の事前分布と尤度の組合せでは、 事後分布が同じ family で得られます。 これを共役関係といい、 計算が大幅に楽になります。

💡 SSDSE-B-2026 で「47 都道府県中 19 県が高齢化超過」を観測したとき、 ベータ事前 Beta(1,1) (一様) と二項尤度の更新で、 事後分布は Beta(20, 29)。 平均 = 20/(20+29) = 0.408 — 経験確率 19/47=0.404 とほぼ一致。

✅ 確率分布を選ぶ意思決定フロー

どの分布を当てはめるかを系統的に決めるフローチャートです。 SSDSE-B-2026 や任意のデータに対して、 機械的に 3-5 分で候補を絞れます。

1. データは離散か連続か？
   • 離散 → ②へ
   • 連続 → ④へ
2. 離散の場合: 値の上限はあるか？
   • あり (例: 47 県中) → 二項分布
   • なし (例: 出来事の回数) → ③へ
3. 分散 ≈ 平均 か？
   • YES → ポアソン分布
   • NO (分散 > 平均) → 負の二項分布
4. 連続の場合: 値の範囲は？
   • (−∞, ∞) → ⑤へ
   • [0, ∞) → ⑥へ
   • [0, 1] → ベータ分布
5. 対称か歪んでいるか？
   • 対称 → 正規分布
   • 右歪み → 対数正規分布
   • 重い裾 → t 分布、 コーシー分布
6. 非負連続: 形状は？
   • 右歪み・単峰 → ガンマ分布
   • 指数減衰 → 指数分布
   • 故障時間 → ワイブル分布
   • べき乗則 → パレート分布

💡 この意思決定は 「最終決定」ではなく「初期候補」。 必ず Q-Q プロット・KS 検定で複数候補を比較し、 AIC で最適を選ぶ。

📝 まとめ — 確率分布を学んだあなたに起こる変化

確率分布を体系的に理解できると、 データを見る目が決定的に変わります。

• 「正規分布を仮定」が思考停止のサインだと気付ける: SSDSE-B 人口のように、 多くの実データは正規分布に従わない。 まずは Q-Q プロットで確認する習慣がつく。
• 「平均±標準偏差」の意味が分かる: 正規分布なら 68% が含まれるが、 対数正規・パレートではそうならない。 「平均」の意味自体が分布形に依存する。
• 確率的不確実性を定量化できる: 「鳥取県の出生数が来年 3500 人を下回る確率」が、 ポアソン分布や負の二項分布から計算できる。 政策の不確実性評価に直結。
• 機械学習モデルの内部が見える: ロジスティック回帰の出力はベルヌーイ尤度、 ガウシアン過程は多変量正規、 LDA はディリクレ-多項。 分布論を理解すると、 ML が「分布の選択」と「パラメータ推定」に過ぎないことが分かる。
• ベイズ推論への扉が開く: 事前分布・尤度・事後分布の枠組みで、 「データを観測することで信念がどう更新されるか」を定量化できる。 不確実性下の意思決定に強くなる。

確率分布を学ぶことは「数学を学ぶこと」ではなく、 「世界の不確実性を構造的に捉える方法を学ぶこと」です。 SSDSE-B-2026 のような実データに 1 つずつ分布を当てはめてみることで、 抽象が具体に化け、 統計学が血肉化していきます。

次のステップとして、 本ページの「🐍 Python 実装」を実際に手元で動かし、 出力数値を自分で確認してみてください。 「読んで分かる」と「動かして分かる」は段違いです。 そして他の都道府県、 他の年次、 他の指標（出生率、 死亡数、 年平均気温など）でも同じ手順を試してみてください。 同じ手順が SSDSE-B-2026 の 約 60 指標 × 47 都道府県 × 12 年のあらゆる組合せで適用できることが、 確率分布論の力の証明です。

⚠️ 分布の選択ミスが招く実害 — 公的データ分析で起きがちな 7 つの誤り

1. 右裾長を正規で語る: 総人口や所得を「平均 ± SD」で要約すると、 平均が中央値より遥かに大きくなり「平均的な県」が存在しない事態に。 中央値・四分位を併記し、 必要なら log 変換するのが基本。
2. カウントデータを連続分布で扱う: 出生数・救急搬送数・交通事故件数を正規分布で回帰すると、 負の予測値を生むことがある。 ポアソン回帰や負の二項回帰を選ぶべき。
3. 過分散を無視する: ポアソン分布は「平均=分散」を要求するが、 公的データの多くで分散が平均より大きい。 \(\phi = \mathrm{Var}/\mathrm{Mean}\) を測定し、 \(\phi \gg 1\) なら負の二項分布へ。
4. 比率を 0/1 制約なく扱う: 老年人口比率・合計特殊出生率などは [0, ∞) に有界。 正規分布で予測すると 100% を超える非実在的な結果が出る。 ベータ回帰や対数オッズ変換が有効。
5. 小サンプルの正規性検定を過信する: 47 件しかない都道府県データでは、 Shapiro-Wilk は検出力が低く「正規である」と判定されがち。 これは「正規である証拠」ではなく「正規でない証拠が出るほどデータがない」だけ。
6. 外れ値を機械的に除去する: 東京都・沖縄県のような「異常値」は本物のデータ点であり、 単純な z-score で除去すると「日本のばらつきの大半」が失われる。 ロバスト統計や階層モデルで扱うのが正攻法。
7. 分布族を固定して時系列に流用する: 2010 年に対数正規だったから 2023 年も対数正規、 とは限らない。 年次ごとに歪度・尖度を監視し、 構造変化を検知する。

これらはすべて、 SSDSE-B-2026 の実データで再現できる現象です。 「分布を学ぶ」とは、 こうした現実の不一致を見抜き、 適切な分布族に修正する判断力を養うことに他なりません。

📖 章末ミニ辞典 — 分布関連の重要用語 18 件

❓ FAQ — 確率分布の選び方

🎯 Round 641 のまとめ — 確率分布リテラシーを実装する 6 つの原則

1. 散布図 → ヒストグラム → 箱ひげ図の順で「結合分布 → 周辺分布 → 層別分布」を観察してから分布族を仮定する。
2. 原尺度で歪んでいる指標 (人口・所得) は対数変換を試し、 \(\log X\) が対称になれば対数正規分布の仮定が許容される。
3. 分布族の相対比較は AIC / BIC、 絶対適合度は KS / AD / Shapiro-Wilk。 役割を混同しない。
4. カウント変数はポアソン → 過分散指標 \(\phi\) → 負の二項分布の流れで「分布の階段」を上る。
5. 全国を 1 つの分布で語れなくても、 地方ブロックで層別すると正規分布で語れることが多い (階層モデルの存在理由)。
6. 「正規分布で十分」はサンプルが大きく中心の議論だけの特権で、 裾や予測区間が要るなら正しい分布族に必ず置き換える。

この 6 原則を持ち帰れば、 SSDSE のような公的データだけでなく、 業務で扱うログデータ・実験データに対しても、 「とりあえず正規分布」「とりあえず平均」を脱して、 実態に即した分布モデルを選べるようになります。 確率分布は覚える対象ではなく、 実データに当てはめて使う道具です。

🌐 関連手法・派生・バリエーション

• 正規／二項／ポアソン／一様／指数／ガンマ／ベータ／t／χ²／F／多変量正規／混合分布

🌐 関連手法・派生 — 確率分布 の周辺地図

確率分布 と一緒に覚えておくと選択肢が広がる関連手法。 状況によって使い分けが必要なので、 それぞれの強みと弱みを 1 行で言えるようにしておきましょう。

• 正規分布
• 二項分布
• ポアソン分布
• 指数分布
• ガンマ分布
• 中心極限定理

表中の各手法は本サイト内に個別ページが用意されているものが多いです。 興味を持った概念は、 横展開的に読むと体系的な理解が早く進みます。

🌐 中心極限定理 (CLT) — 正規分布が遍在する理由

確率分布論の基礎を支える 中心極限定理 (Central Limit Theorem, CLT) は、 次のように述べられます:

「独立同分布な確率変数 $X_1, X_2, \ldots, X_n$ について、 各 $X_i$ が任意の分布に従い平均 $\mu$、 分散 $\sigma^2$ を持つとき、 標本平均 $\bar{X}_n$ は $n \to \infty$ で正規分布 $\mathcal{N}(\mu, \sigma^2/n)$ に収束する」

この定理が 「現実のデータでなぜ正規分布が頻出するか」の答え。 多数の独立な要因が加算的に作用するとき、 個別分布が何であれ合計は正規分布になる。

SSDSE-B-2026 で確認:

• 都道府県人口 (生スケール): 非正規（KS p=0.001 で棄却）— 人口は「乗算過程」（人口成長率の積）。
• 都道府県人口 (対数スケール): 対数正規に近い — 中心極限定理の「乗算版」
• 年平均気温 (B4101): 比較的正規 — 多数の独立気象要因の加算
• 平均所得 (C5401): 右に少し歪むが概ね正規 — 多変量の合成

💡 CLT の使い所: 標本平均の信頼区間、 z 検定、 t 検定はすべて CLT に支えられている。 ただし「サンプルサイズが小さい (n < 30)」「分布が極端に歪む」「独立性が崩れる」場合は CLT の前提が崩れるので注意。

🔗 関連用語（前提・並列・発展）

この用語を理解するうえで関連の深い概念：

📖 もう一歩深く — 背景と位置づけ

🎯 主なユースケース

確率分布 が登場する代表的な場面：

📝 レポート・論文での報告

確率分布 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

• □ 確率分布 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

確率分布 は 確率分布 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。

🔗 関連用語（前提・並列・発展）— 確率分布 の知識ネットワーク

この用語を理解するうえで関係の深い概念を、 階層的にまとめました。 各チップから直接ページへ飛べます。

📚 さらに学ぶための資料

📚 さらに学ぶための資料

確率分布 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 Probability Distribution 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. 確率分布 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：確率分布 — 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

📚 関連グループ教材 — 確率分布 を含む全体像

確率分布 は単独で完結する用語ではなく、 大きな概念群の中のひとつ。 同じカテゴリの他用語と合わせて学ぶと、 「何を選ぶべきか」の判断が一気に楽になります。

• カテゴリ全体像 → 用語集トップ
• 概念マップ → 概念マップ
• 論文一覧から関連実装を確認 → 論文一覧

📖 もう一歩深く — 確率分布 の歴史・体系・先端

確率分布は、 確率変数の取りうる値とその確率（または確率密度）を完全に指定する関数。 統計学・機械学習のすべての出発点と言えるほど基本的な概念です。 体系的には：(1) 離散分布 — Bernoulli, Binomial, Poisson, Geometric, Negative Binomial, Hypergeometric、 (2) 連続分布 — Normal (Gauss), Uniform, Exponential, Gamma, Beta, Cauchy, Lognormal, Weibull, Pareto、 (3) サンプリング分布 — t (Student), Chi-Squared, F、 これらは検定や信頼区間の構築に必須、 (4) 多変量分布 — Multivariate Normal, Dirichlet, Multinomial、 (5) 混合分布 — Gaussian Mixture, Latent Dirichlet Allocation。 各分布には共役事前分布の関係があり、 Bayesian 推論で計算が閉形式になる組合せ（Beta-Binomial, Gamma-Poisson, Normal-Normal）は必須知識。 SSDSE-B-2026 のような実データを扱うときは、 「このデータはどの分布族に当てはまるのか」を、 QQ プロット・ヒストグラム・カーネル密度推定で必ず確認することが、 統計的検定の前提を踏み外さないコツです。

🚀 実務応用 — 確率分布 を SSDSE-B-2026 で運用する

SSDSE-B-2026（2023 年度）47 都道府県の代表的な変数の分布：(1) 合計特殊出生率 A4103 — 平均 1.29, SD 0.13, 範囲 [0.99, 1.60], ほぼ正規 (Shapiro-Wilk p>0.9)、 (2) 総人口 A1101 — 強い右裾（対数正規）、 log10 変換で正規化、 (3) 年平均気温 B4101 — 平均 16.8 ℃, SD 2.0 ℃, 沖縄 23.8 ℃が +3.4σ の極値、 (4) 死亡数 A4200 — 平均 約 33,500、 中央値 約 23,700 で右裾長、 対数変換推奨、 (5) 降水量（年間）B4109 — Gamma 分布で近似可能。 統計検定の選択：(a) 出生率の都道府県間比較なら ANOVA（正規前提 OK）、 (b) 人口比較なら Kruskal-Wallis（非正規）、 (c) 出生率と気温の関係なら Pearson 相関（両方正規）、 (d) 人口と支出は対数変換後に Pearson、 または順位ベースの Spearman で。 確率分布の正しい同定は、 後段のあらゆる分析の「土台」になる点を忘れないでください。 Python では scipy.stats の kstest, shapiro, anderson, jarque_bera で適合度検定、 fit メソッドで最尤推定が一発でできます。

🗺 概念マップ — 確率分布 の位置づけ

確率分布 はデータサイエンスの大きな体系の中で、 「前提となる基礎」と「発展先」を持ちます。 自分が今どこにいて、 次にどこへ進めば良いかが見えるマップ。

概念マップ全体は こちら から閲覧できます。

🧠 もう一歩深く — 確率分布の体系的分類

確率分布は 「離散分布」と「連続分布」の 2 大カテゴリに分けられ、 さらに「サンプルが何を表すか」によって細かく分類されます。 SSDSE-B-2026 を含む現実のデータに、 どの分布を当てるべきかを判断する基準を示します。

離散分布 (Discrete Distribution)

連続分布 (Continuous Distribution)

🎮 触って理解する

スライダーを動かすと、 確率分布の 曲線 (PDF/PMF)・累積分布 (CDF)・平均・分散・歪度 が同時に更新されます。 タブで 5 つの代表分布を切り替え、 連続と離散の違い と パラメータが形をどう決めるか を体感してください。 影を付けた領域が 区間確率 P(a ≤ X ≤ b) です。 外部ライブラリを使わず、 すべてブラウザ内で正確に計算しています。

💡 直感 — 「起こりやすさ」を全体で 1 に配る

確率分布とは、 確率変数がとりうる各値に 「起こりやすさ」を割り当てるルール です。 配れる確率の総量は必ず 1 で、 離散なら棒の高さ (PMF) の合計が 1、 連続なら曲線の下の面積 (PDF の積分) が 1 になります。 平均はその重心 (バランスの取れる位置)、 分散は広がり具合、 歪度は左右非対称の度合いを表します。 上の図で σ を大きくすると山が低く広くなるのは、 「同じ 1 の面積を広い範囲に薄く配り直している」からです。

⚠️ よくある落とし穴

• PDF の値は確率ではない: 連続分布では 1 点の確率は 0 で、 確率は必ず区間の面積として測ります。 PDF の y 値は 1 を超えることさえあります (例: 幅の狭い一様分布や σ が小さい正規分布)。 上の図で σ を小さくすると青い曲線が高さ 1 を突き抜けるのを確認してください。 「確率 = 面積」であって「確率 = 高さ」ではありません。
• 離散では点に質量がある: 二項・ポアソンでは P(X = k) が正の値を持ちます。 連続の感覚で「= の確率は 0」と決めつけると誤ります。 区間確率も端点を含むか (≤ か <) で値が変わります。
• 裾 (テール) を軽視しない: 指数分布や歪んだ分布は平均から遠い値が正規分布よりずっと起こりやすい「厚い裾」を持ちます。 平均・分散だけで語ると、 まれだが大きい事象を過小評価します。 歪度の符号 (右に長い裾なら正) を必ず確認しましょう。

🚀 発展 — 分布どうしのつながり

これらの分布はバラバラではなく一つの体系です。 二項分布は n を大きく p を小さくし np=λ を一定に保つとポアソン分布に近づき、 n を大きくすると正規分布に近づきます (ド・モアブル–ラプラスの定理)。 上のタブで二項の n を増やしながらポアソン (同じ λ) や正規と山の形を見比べると、 この収束が体感できます。 より一般に、 独立な確率変数の和や平均は元の分布によらず正規分布に近づく——これが中心極限定理で、 正規分布が自然界・社会統計に遍在する理由です。 平均や分散の定義そのものは代表値・分散のページも参照してください。

🔗 隣接手法への橋渡し

確率分布は確率変数の値がどう散らばるかを示す関数で、 正規分布・二項分布・ポアソン分布など具体分布と一体で運用される。

• 上流: 確率 — 確率の公理 (非負性・全体 1・加法性) を確率変数に拡張したものが確率分布。 離散と連続で表現が PMF / PDF と分かれる。
• 並列: 正規分布 — 正規分布 N(μ, σ²)・二項 Bin(n, p)・ポアソン Poi(λ)・指数 Exp(λ) などが代表分布。 中心極限定理で多くが正規に収束。
• 下流: パラメータ推定 — 観測データから分布のパラメータ (μ, σ, λ など) を推定。 最尤推定・モーメント法・ベイズ推定が標準手法。
• SSDSE 応用: 47 都道府県の人口は対数正規・所得はガンマ・出生数はポアソンで近似可能。 ヒストグラム + QQ プロットで分布検査するのが定型。

SSDSE-B-2026 を用いた演習では、 「確率分布」 を中核に据えて上記の上流・並列・下流の手法を実データで連結する経験を積むと、 単独の手法暗記より実務的応用力が身につく。

🌳 手法選択フロー

「確率分布」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. データは離散か、 連続か
   件数（出生数・世帯数）なら離散、 測定値（気温・比率）なら連続。 離散には確率質量関数、 連続には確率密度関数を使う。 密度は「その値をとる確率」ではない。
2. 分布の形を見たか
   ヒストグラムと歪度を先に見る。 47 都道府県の総人口は歪度 2.22 の右に長い裾を持ち、 正規分布は当てはまらない。
3. どの分布を当てるか
   右裾が長い量（人口・所得）は対数正規、 まれな事象の件数はポアソン、 成功回数は二項。 複数の候補を当てはめ、 AIC や KS 検定で比べる。
4. 当てはまりをどう確かめるか
   KS 検定の p 値だけでなく、 Q-Q プロットで目で見る。 n=47 では検定の検出力が低く、 「棄却されなかった」は「当てはまる」ではない。

分布を仮定すると、 少ないデータからでも裾の確率を推定できる。 その代わり仮定が外れれば結論も外れるので、 当てはまりの確認とセットで使う。