データサイエンス講座【初級編】第13回：正規分布について

サマリ

正規分布はデータサイエンスの中で最も重要な確率分布です。自然界の多くの現象がこの分布に従い、統計分析の基礎となります。本記事では、正規分布の特性と実務応用について初心者向けに解説します。

詳細

正規分布とは何か

正規分布（ノーマル分布またはガウス分布とも呼ばれます）は、統計学における最も基本的で重要な確率分布です。グラフで表すと、中心を頂点とした左右対称の釣り鐘型になる特徴があります。この形状は、身長、体重、テストの成績、製品の寸法など、自然界の多くの現象を説明するのに適しています。

正規分布が重要な理由は、統計分析の多くの手法が正規分布を仮定しているからです。仮説検定や信頼区間の推定、回帰分析といった手法を使う際には、データが正規分布に従っていることが前提条件となることが多いのです。

正規分布の2つのパラメータ

正規分布は、2つのパラメータで完全に決定されます。それが「平均値（μ）」と「標準偏差（σ）」です。

平均値は、分布の中心を決めます。平均値が変わると、釣り鐘型の山全体が左右にシフトします。一方、標準偏差はデータのばらつきの大きさを表します。標準偏差が小さいとグラフは急峻になり、標準偏差が大きいとより広がった平らな形になります。

つまり、同じ平均値でも標準偏差が異なれば、その分布の形は大きく異なるのです。この性質を理解することは、データの特性を把握する上で非常に大切です。

標準正規分布と標準化

正規分布の中でも特に重要なのが「標準正規分布」です。これは平均値が0、標準偏差が1の正規分布を指します。

実務では、異なる平均値と標準偏差を持つデータを標準化して、標準正規分布に変換することがよく行われます。この変換により、異なるスケールのデータを比較可能にできるのです。具体的には、各データから平均値を引き、標準偏差で割る計算が用いられます。

標準化することで、複数の異なるデータセットを統一的に分析できるようになり、データサイエンスの実務において非常に有用です。

正規分布と確率の関係

正規分布には、データが特定の範囲に入る確率についての重要な性質があります。これが「68-95-99.7ルール」です。

平均値を中心とした場合、プラスマイナス1標準偏差の範囲にはデータの約68%が含まれます。プラスマイナス2標準偏差では約95%、プラスマイナス3標準偏差では約99.7%が含まれるのです。この性質を知っておくと、データの散らばり具合を直感的に理解できます。

例えば、ある商品の在庫管理を行う際、この確率的性質を用いて「99.7%の確率で在庫が足りる」といった判断ができるようになります。

正規分布への適合性の確認

実際のデータ分析では、まず自分のデータが正規分布に従っているか確認する必要があります。主な確認方法は、ヒストグラムで視覚的に釣り鐘型かどうか見ることです。

より統計的な方法としては、Q-Qプロット（分位数-分位数プロット）やシャピロ・ウィルク検定などが使われます。これらの手法を用いることで、データが正規分布からどの程度逸脱しているかを定量的に判定できます。

データが正規分布に従わない場合は、データの変換（対数変換など）を検討するか、正規分布を仮定しない別の統計手法を選択する必要があります。

実務での活用事例

正規分布は、品質管理、金融分析、マーケティング分析など、様々な分野で活用されています。

製造業では、製品の不良品発生率を予測するのに正規分布が使われます。金融業界では、株価のリターンが正規分布に従うと仮定して、リスク管理が行われています。また、A/Bテストでは、正規分布を基に統計的有意性を判定します。

このように、正規分布の理解はデータサイエンティストとしての基本スキルなのです。

次のステップ

正規分布を習得した後は、他の重要な確率分布（t分布、カイ二乗分布、F分布など）の学習に進むことをお勧めします。これらの分布は、統計検定やデータ分析のより応用的な場面で登場します。

また、実際のデータセットを使って、正規分布への適合性確認と標準化の実習を行うことが、理解を深める最良の方法です。