ガチャ確率と大数の法則（確率の心理バイアス）

Q: ガチャ確率と大数の法則（確率の心理バイアス）とは何ですか？

確率 p で当たる独立な試行を n 回繰り返すとき、「少なくとも1回当たる確率」は余事象（すべてハズレる確率）の補集合として計算される： P(\text{1回以上当たる}) = 1 - (1 - p)^n 排出率が p = \frac{1}{n} のとき、n 回引いた場合の当選確率は 1 - (1 - \frac{1}{n})^n となり、ネイピア数 e の定義より n \to \infty で 1 - \frac{1}{e} \approx 1 - 0.3679 = 63.2\% に収束する。

Q: ガチャ確率と大数の法則（確率の心理バイアス）は社会やプログラミングでどのように使われていますか？

ソーシャルゲームの天井システム・ガチャ統計検証バッチ: ゲーム開発において、確率表記の適正性検証や「天井（Pity System）」のコスト試算を行うためのモンテカルロ試行コード。

「確率1%を100回引けば当たる？」余事象と二項分布が暴くスマホゲームの現実

この単元の発見をシェア

3行要約（Key Takeaways / AIOサマリー）

1: ガチャ確率と大数の法則（確率の心理バイアス）の本質的な定義と直感的ビジュアルをシミュレーターで体験できる。
2: 公式や証明の背景にある数学的意味と、厳密な導出ステップを解説。
3: 実社会における工学応用（ソーシャルゲームの天井システム・ガチャ統計検証バッチ）のTypeScript実装コードを収録。

なぜこれを学ぶのか？ — 現実社会とテクノロジーでの価値

Purpose & Motivation

なぜ生まれたのか？

「確率1%なら100回引けば当たるはず」という人間の直感（ギャンブラーの誤謬）を、余事象と二項分布で科学的に解き明かすために生まれた。

身につく武器・思考力

スマホゲームのガチャや宝くじで「確率の心理トラップ」に惑わされず、大数の法則とネイピア数1/eに基づいた冷静なリスク管理・意思決定ができるようになる。

実社会・ITでの活躍現場

•ソーシャルゲームのガチャ天井（Pity）設計とユーザー課金バランス調整
•ECサイトのランダム抽選・プレミアムチケットの当選倍率シミュレーション
•WebサービスのA/Bテストにおけるサンプル数と統計的有意差判定
•製造ラインにおける微小な不良品発生率（歩留まり）の品質管理

Layer 1 — 直感・シミュレーター

排出確率（例: 1%）とガチャを引く回数（例: 100連）を設定してみよう。「1回以上当たる確率」がなぜ 100% ではなく約63.4% にしかならないのか、余事象の計算式とともに確認できます。さらに「1,000人のプレイヤーで一斉ガチャ検証」を実行すると、何人のプレイヤーが爆死（1枚も出ない）するかをリアルタイムにシミュレーションできます。

排出確率（ピックアップ率）1.0 %

0.1% (超激レア)1.0% (標準SSR)5.0% (フェス)

ガチャを引く回数100 連

10連100連300連 (天井)

1回以上当たる数学的確率

63.4 %

計算式: 1 - (1 - 0.010)^100

1枚も出ない「爆死」確率

36.6 %

約 3 人に 1人 は爆死

95%安心できる必要回数

299 連

確率 1% の場合の実質天井

あなたが実際に 100 連引いてみる

あなたの運勢をテスト。確率 1% のガチャを 100 回連続で引きます。

1,000人のプレイヤーで一斉検証（大数の法則）

1,000人が各自 100 連を引いたとき、理論値とどれほど一致するかを検証します。

Layer 2 — 定義・受験・証明

定義

確率 $p$ で当たる独立な試行を $n$ 回繰り返すとき、「少なくとも1回当たる確率」は余事象（すべてハズレる確率）の補集合として計算される：

P(\text{1回以上当たる}) = 1 - (1 - p)^n

排出率が $p = \frac{1}{n}$ のとき、 $n$ 回引いた場合の当選確率は $1 - (1 - \frac{1}{n})^n$ となり、ネイピア数 $e$ の定義より $n \to \infty$ で $1 - \frac{1}{e} \approx 1 - 0.3679 = 63.2\%$ に収束する。

公式・数理モデル

P(\text{当選}) = 1 - (1 - p)^n \xrightarrow{p = 1/n, n \to \infty} 1 - \frac{1}{e} \approx 63.2\%

証明・導出

余事象による証明： 1回引いてハズレる確率は $q = 1 - p$ である。各試行は互いに独立であるため、 $n$ 回連続ですべてハズレる確率は：

P(\text{全滅}) = (1 - p)^n

「少なくとも1回当たる」という事象は「すべてハズレる」という事象の余事象であるから：

P(\text{1回以上当たる}) = 1 - P(\text{全滅}) = 1 - (1 - p)^n

具体例（確率1%のガチャを100回引く場合）：

p = 0.01, \quad n = 100

P(\text{全滅}) = (1 - 0.01)^{100} = (0.99)^{100} \approx 0.366038

P(\text{1回以上当たる}) = 1 - 0.366038 = 0.633962 \approx 63.4\%

つまり、100連ガチャを回したとしても、約3人に1人（36.6%）は1枚も引けずに「爆死」するのが数学的な必然である。

押さえておきたいポイント

「1%なら100回引けば1枚は出るはず」という直感は「ギャンブラーの誤謬」と呼ばれる心理的錯覚
当たる確率が $1/n$ のガチャを $n$ 回回しても、約36.8%（ $1/e$ ）の人は絶対に当たらない
95%の確率で確実に手に入れるには、必要な回数は約 $3n$ 回（確率1%なら約300連 = 天井設計の根拠）
二項分布 $B(n, p)$ の期待値 $E = np$ は確かに 1 だが、中央値や当選確率は大きく異なる

参照基準・学習指導要領との対応

本トピックの内容・数理モデルは、文部科学省学習指導要領（算数・数学・情報）および国際標準カリキュラムに準拠し、エンジニアリング現場の実装事例と照らし合わせてMath World Lab編集部により検証・作成されています。

Layer 3 — 工学応用・現場実装

ソーシャルゲームの天井システム・ガチャ統計検証バッチ

ゲーム開発において、確率表記の適正性検証や「天井（Pity System）」のコスト試算を行うためのモンテカルロ試行コード。

1// ガチャのモンテカルロ検証ロジック
2export interface GachaSimResult {
3  trials: number;
4  playersWhoGotTarget: number;
5  playersBurntOut: number; // 爆死したプレイヤー数
6  actualWinRate: number;
7  theoreticalWinRate: number;
8}
9
10export function simulateGachaBatch(
11  ratePercent: number,   // 排出率 (例: 1%)
12  pullCount: number,     // 引く回数 (例: 100)
13  totalPlayers: number = 1000 // プレイヤー総数
14): GachaSimResult {
15  const p = ratePercent / 100;
16  let winners = 0;
17
18  for (let i = 0; i < totalPlayers; i++) {
19    let gotPrize = false;
20    for (let pull = 0; pull < pullCount; pull++) {
21      if (Math.random() < p) {
22        gotPrize = true;
23        break;
24      }
25    }
26    if (gotPrize) winners++;
27  }
28
29  const theoreticalRate = 1 - Math.pow(1 - p, pullCount);
30
31  return {
32    trials: totalPlayers,
33    playersWhoGotTarget: winners,
34    playersBurntOut: totalPlayers - winners,
35    actualWinRate: winners / totalPlayers,
36    theoreticalWinRate: theoreticalRate,
37  };
38}