統計解析で用いる確率分布一覧｜代表的な分布と特徴をわかりやすく解説【統計基礎】

はじめに

統計解析では、データの特徴を表現するために様々な 確率分布（Probability Distribution） が用いられます。確率分布とはデータがどのような確率で値をとるかを数学的に表したものです

例えば、

・測定データ → 正規分布
・製品寿命 → ワイブル分布
・不良数 → ポアソン分布
・成功回数 → 二項分布

など、データの性質によって適した分布が異なります。

統計解析では、この分布を理解することで

✅データの特徴を把握する
✅将来の値を予測する
✅品質や信頼性を評価する

ことが可能になります。

この記事では、統計解析でよく用いられる代表的な確率分布について、その特徴や数式、主な用途を一覧形式で解説します。
(統計手法によって計算に用いられる分布が異なるので、本記事は保存をお勧めします。）

統計解析で用いる主な確率分布

統計解析でよく使われる分布には次のようなものがあります。
以下に頻出の確率分布の一覧を掲載します。

これらの分布は、データの種類や分析目的に応じて使い分けられます。
次項より、それぞれの分布の特徴・対象となる状況について紹介します。

正規分布（Normal Distribution）

正規分布は、統計学で最も基本となる確率分布です。

平均を中心として左右対称の「釣鐘型（ベル型）」になるのが特徴で、多くの自然現象や測定データは、この正規分布に近い形になります。

例えば、以下のような事例で用います

これらは、正規分布に近くなることが多い代表例です。
正規分布では、平均値の近くにデータが多く集まり、平均から離れるほどデータは少なくなります。

例えば、平均100mmの製品寸法を測定した場合、多くの製品は100mm付近に集まりますが、95mmや105mmのような極端な値は少なくなります。このような「中央に集まり、両端ほど少なくなる」という特徴が、正規分布の最も重要なポイントです。

また、正規分布では、平均と標準偏差を使うことで、データがどの範囲にどれくらい含まれるかを予測できます。以下がよく教材に乗っている「正規分布のある範囲にデータが収まる確率」です↓

・平均±1σの範囲には約68％
・平均±2σの範囲には約95％
・平均±3σの範囲には約99.7％

この性質は、品質管理や工程能力の評価で非常によく使われます。

例えば、製品寸法が「平均100mm、標準偏差2mm」の正規分布に従う場合、平均±3σを計算すると多くの製品は96〜104mmの範囲に入ると考えることができます。そのため、規格値を決めるときや、不良率を推定するときにも正規分布は重要になります。

また、正規分布の確率密度関数は、次の式で表されます。

■確率密度関数

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

平均が変わると分布の中心位置が変わり、標準偏差が大きくなると分布は横に広がります。
逆に、標準偏差が小さいと、データは平均付近に集中します。

統計解析の多くの手法は、正規分布を前提として作られています。

例えば、

・t検定
・分散分析
・回帰分析
・工程能力指数
・管理図

などは、正規分布を前提としていることが多いです。

そのため、統計を学ぶ上では、「正規分布とはどのような形か」「平均と標準偏差でどのように分布が変わるか」は必ず押さえておきたいポイントです。

統計解析の多くの手法は、正規分布を前提として構築されています。
出てくる場面が非常に多い分布なので、上記の情報は押さえておくようにしましょう。

指数分布（Exponential Distribution）

指数分布は、「ある事象が発生するまでの時間」を表す分布です。

よく用いられるのは以下のケースです

これらは、指数分布で表されることがあります。指数分布では、「時間が短いほど発生しやすく、長い時間が経つほど発生しにくい」という特徴があります。

例えば、ある設備が故障するまでの時間を考えると、「すぐ故障するケース」は比較的多く、「非常に長い時間故障しないケース」は少なくなります。

そのため、指数分布のグラフは、左側が高く、右に行くほどなだらかに下がっていく形になります。
正規分布のような左右対称の形ではなく、右側に長く伸びる形になるのが特徴です。

また、指数分布の確率密度関数は、次の式で表されます。

■確率密度関数

$$f(x)=\lambda e^{-\lambda x}$$

λ が大きいほど、事象は短時間で発生しやすくなります。逆に、λ が小さいほど、事象はなかなか発生しません。

例えば、機械の故障率が高い場合は λ が大きくなり、故障までの時間は短くなります。
一方で、信頼性の高い設備では λ が小さくなり、故障までの時間は長くなります。
指数分布には、「記憶性がない（memoryless）」という重要な特徴があります。

これは、「今までどれだけ時間が経過したかに関係なく、今後故障する確率は変わらない」という意味です。

例えば、ある機械が100時間故障せずに動いていたとしても、「次の1時間で故障する確率」は、新品の機械と同じです。つまり、「今まで壊れなかったから、これからも壊れにくい」という考え方にはならないのが、指数分布の特徴です。

この性質は、設備保全や信頼性工学の分野で非常によく使われます。

ワイブル分布（Weibull Distribution）

ワイブル分布は 信頼性工学で非常に重要な分布です。

主に以下の用途で用いられます

■確率密度関数

$$f(x)=\frac{k}{\lambda} \left(\frac{x}{\lambda}\right)^{k-1} \exp\left[-\left(\frac{x}{\lambda}\right)^k\right]$$

ワイブル分布の計算式は一見複雑ですが、基本的には形状パラメータ k と尺度パラメータ η（イータ*によって分布の形が決まります。

尺度パラメータ η は、寿命の長さを表す尺度となるパラメータです。一方、形状パラメータ k は、分布の形だけでなく、時間とともに故障率がどのように変化するかを考えるうえで重要なパラメータです。

特に信頼性解析では、形状パラメータ k の値から、次のような故障傾向を読み取ることができます。

そのため、実際の故障・寿命データからパラメータを推定することで、製品の寿命予測や累積故障率の推定、故障傾向の把握などに活用できます。

例えば、形状パラメータ k が1より大きければ、時間の経過とともに故障率が高くなる傾向があるため、摩耗や劣化による故障を検討する手がかりになります。

なお、初期故障・偶発故障・摩耗故障という製品寿命全体における故障率の典型的な変化は、一般に**「バスタブ曲線」**と呼ばれます。

ワイブル分布は、製品寿命や故障データの解析など、特に信頼性工学で幅広く利用される分布です。詳しい活用方法については、別記事で解説します。

最大極値分布（Gumbel Distribution）

最大極値分布は、「最大値の分布」を扱う確率分布です。

通常の分布は、個々のデータがどのようにばらつくかを考えますが、最大極値分布では、「一定期間の中で最も大きかった値」に注目します。

例えば、以下の現象の分析にて最大極値分布を当てはめることが多いです。

どは、最大極値分布で扱われる代表例です。

例えば、毎日の降水量をそのまま分析するのではなく、「各年で最も大きかった降水量」だけを取り出して分布を見るのが最大極値分布の考え方です。

このように、平均的な値ではなく、「極端に大きい値」に注目するのが特徴です。

最大極値分布の計算式は複雑ですが、実務ではExcelや統計ソフトを使って解析することが多いため、式を覚えるよりも「どのような場面で使う分布なのか」を理解しておくことが重要です。

最大極値分布は、特に最悪条件を想定する必要がある分野で利用されます。例えば、構造物にかかる最大荷重や、河川・ダム設計における極端な降水量などです。

そのため、

・気象解析
・構造設計
・防災設計
・信頼性評価
・材料強度評価

などで利用されます。

製造業でも、設備にかかるピーク荷重など、「平均的には問題なくても、極端な最大値が発生すると故障や破損につながる」ケースがあります。

このような最大値のリスクを評価するときに、最大極値分布が役立ちます。

最小極値分布

最小極値分布は、「最小値の分布」を表す確率分布です。最大極値分布が「最も大きい値」に注目するのに対し、最小極値分布では「最も小さい値」に注目します。

以下の現象の分析にて最小極値分布を当てはめることが多いです。

例えば、製品の強度を評価するとき、平均的な強度ではなく、「最も弱い製品がどの程度の強度なのか」が重要になることがあります。

最小極値分布は、このような「極端に小さい値」に注目する分布です。例えば、複数の製品群について、それぞれの群で最も低かった強度を取り出し、その最小値がどのように分布するかを考えます。

材料や部品では、最も弱い部分や個体が破壊の起点になることがあります。そのため、平均値だけでなく、極端に低い強度や短い寿命がどの程度発生する可能性があるかを評価することが重要です。

そのため、

・材料強度評価
・耐久試験
・寿命試験
・品質保証
・信頼性工学

などの分野で利用されます。

最小極値分布の計算式は複雑なため、実務では統計ソフトなどを利用して解析するのが一般的です。

まずは、「最も小さい値に注目し、極端に弱い個体や短い寿命などのリスクを評価する分布」と理解しておくと分かりやすいでしょう。

二項分布（Binomial Distribution）

二項分布は、「成功 / 失敗」の2値データを扱う確率分布です。

例えば

のように、結果が2つに分かれるデータ(0/1)で使われます。
二項分布では、「何回試行したときに、成功が何回起こるか」を考えます。

例えば、100個の製品を検査したときに、不良品が何個出るかを考える場合は、二項分布で表すことができます。

品質管理では、

・不良品数
・合格数
・検査通過数
・クレーム件数
・設備停止回数

などの分析で使われることがあります。

特に製造業では、「不良率が何％か」「100個中何個不良が出そうか」「抜き取り検査で不良が見つかる確率はどのくらいか」といった場面が非常に多くあります。

そのため、二項分布は品質管理や統計解析で頻出の分布です。

また、二項分布は「各試行が独立していること」が前提になります。例えば、ある製品が不良だったからといって、次の製品が不良になる確率が変わらない場合は、二項分布として扱うことができます。
一方で、設備異常などによって不良が連続して発生する場合は、単純な二項分布では表せないことがあります。

また、数式に着目すると以下の式になります。

確率質量関数

$$P(X=k)=\binom{n}{k}p^k(1-p)^{n-k}$$

計算式に出てくる変数としては３つあり、それぞれの意味合いは以下に掲載しています。

つまり、試行回数＝抜き取り数のうち、不良が出た個数の情報をもとに、母比率(不良が起こる確率)を推定することができます。
また、信頼区間など幅を持たせた推定も可能です。品質管理では 不良率の解析などに用いられます。

例；
・不良率5％の工程で、1000個の製品を検査した際に「不良がx個見つかる確率」を算出する
・感染確率0.01％の疾病について、1000回施術した際に「罹患者がx人」になる確率を保守的に見積もる

また、試行回数ｎが大きく成功確率ｐが小さい場合には、次項で紹介するポアソン分布に近似されます。

ポアソン分布（Poisson Distribution）

ポアソン分布は、「一定時間・一定面積・一定区間に発生する事象の回数」を表す確率分布です。

例えば、

などの「発生回数データ」を扱うときに使われます。

二項分布と少し似ていますが、ポアソン分布は

・1時間に発生する設備故障の回数
・1枚の基板に発生する欠陥の個数
・一定面積内に発生するキズの数

など、一定の範囲内で発生する回数や個数を扱う場合に利用されます。

二項分布と似ていますが、二項分布が「決められた回数の試行のうち、何回発生したか」を扱うのに対し、ポアソン分布は「一定の時間や範囲の中で、何回発生したか」を扱う点が大きな違いです。

また、二項分布では、試行回数が非常に多く、1回あたりの発生確率が非常に小さい場合に、ポアソン分布で近似できることがあります。

例えば「非常に多くの製品の中で、まれに発生する不良数」を扱う場合などです。

ポアソン分布の確率質量関数は、次の式で表されます。

■確率質量関数$$P(X=k)=\frac{\lambda^k e^{-\lambda}}{k!}$$

ポアソン分布の大きな特徴として、

になるという性質があります(これも、統計検定で頻出です）。

例えば、1日あたり平均4回故障する設備がある場合、平均故障回数も4、分散も4になります。
この特徴は、データが本当にポアソン分布に従っているかを確認するときにもよく使われます。

また、品質管理では、ポアソン分布は次の管理図とも深く関係しています。

・c管理図（欠点数管理図）
・u管理図（単位あたり欠点数管理図）

これらは、ポアソン分布を前提として作られている管理図です。

筆者の経験では、半導体メーカーに所属していた際に、

・基板単位面積あたりの配線不良数
・月ごとの特定不良の発生件数

の分析で、ポアソン分布を仮定したポアソン検定を実施したことがあります。

品質管理の現場では非常に登場頻度の高い分布なので、「まれに発生する事象の回数を扱う分布」として覚えておきたいです。

t分布（Student’s t Distribution）

t分布は、母集団の標準偏差が分からないときに、標本から母平均について推測する際に登場する確率分布です。

正規分布とよく似た形をしていますが、t分布には両端の裾が厚いという特徴があります。これは、母標準偏差を標本から推定することによる不確実性を反映しています。

例えば、少ないデータから母平均を推定する場合、標本によって結果が大きく変わる可能性があります。そのため、サンプルサイズが小さいほどt分布の裾は厚くなります。

t分布の形を決める重要な値が「自由度」です。自由度が小さいほど裾が厚く、自由度が大きくなるにつれて正規分布に近づいていきます。

そのため、t分布は特にデータ数が少ない場合に重要ですが、少数サンプルだけで使われる分布というわけではありません。

t分布は、主に次のような統計解析で登場します。

・t検定
・平均値の信頼区間
・回帰分析の係数検定

製造業では、品質改善や製造条件の変更前後を比較するt検定などでよく登場します。

実際の計算はExcelや統計ソフトが行うため、t分布を直接意識する機会は多くありません。まずは、t検定では「データから計算した検定統計量をt分布と照らし合わせて、p値などを求めている」と理解しておくとよいでしょう。

カイ二乗分布（Chi-Square Distribution）

カイ二乗分布は、分散やデータのばらつきを扱う確率分布です。
特に、カテゴリーデータの分析や、観測された結果と期待される結果に差があるかを確認するときによく使われます。

例えば、

といった場面で利用されます。

カイ二乗検定では、「実際に観測された件数」と「理論上期待される件数」に差があるかを確認します。例えば、不良原因が「キズ」「寸法不良」「異物」の3種類あったとして、本来は均等に発生するはずなのに、実際にはキズだけ極端に多い場合は、「何か原因があるのではないか」と考えます。

また、設備ごとに不良件数を比較して、「設備Aだけ特定の不良が多い」といった偏りがあるかも確認できます。

このように、「偏りが偶然なのか、それとも意味のある差なのか」を判断するために使われるのがカイ二乗検定です。χ二乗分布についても、χ二乗検定にて用いられる分布である程度の知識は押さえておきたいです。

F分布（F Distribution）

F分布は、2つの分散の比を扱う確率分布です。

例えば、「設備Aと設備Bでばらつきに差があるか」「条件変更によってばらつきが変化したか」といった、分散の比較を行うときに使われます。

F分布は、主に次のような統計手法で使われます。

F分布の大きな特徴は、「分散の比」を扱うことです。例えば、設備Aの分散が4、設備Bの分散が2であれば、F値は

となります。

このF値が十分に大きければ、「2つのばらつきには有意な差がある」と判断します。
F分布は、0以上の値しか取らず、右側に長く伸びる形をしています。
正規分布のように左右対称ではなく、0付近に山があり、大きな値になるほど頻度が低くなります。

また、F分布は2つの自由度によって形が変わります。自由度が小さいと右に大きく伸びた形になりますが、自由度が大きくなると分布はなだらかになります。

製造業では、F分布は非常によく使われます。

例えば、

・複数条件での工程能力比較
・設備差によるばらつき評価
・温度条件ごとの品質比較
・材料条件ごとの強度比較
・実験計画法（DOE）の解析

などで利用されます。品質管理では、「平均値に差があるか」だけでなく、「ばらつきに差があるか」を確認することも非常に重要です。

そのため、F分布は、分散比較や分散分析で必ず登場する重要な分布です。

まとめ

この記事では、統計解析で用いられる代表的な確率分布を紹介しました。

ポイントを整理すると

✅データの種類によって適した分布が異なる
✅工学や品質管理では様々な分布が使われる　
✅分布を理解することが統計解析の基礎になる

確率分布の理解は、統計解析を行う上で非常に重要です。まずは代表的な分布の特徴を理解し、データに適した分布を選択することが重要になります。

---

また、Excel分析・統計解析のご相談を本サイト問い合わせページより受付中です！

「このデータどう見ればいい？」「Cpkや管理図を実務で使いたい」「解析代行・レポート化をお願いしたい」

といった内容も対応可能です。

✅製造業・品質管理の実務目線でサポート
✅分析代行／解釈のアドバイスどちらもOK
✅見積もり・相談は無料です

ご興味のある方は、以下のリンクからお気軽にご相談ください。