確率分布と二項分布（期待値と分散）

Q: 確率分布と二項分布（期待値と分散）とは何ですか？

確率変数 X のとり得る値 x_k とその確率 P(X = x_k) = p_k の組を確率分布という。 - 期待値（平均）: E(X) = \sum_{k} x_k p_k - 分散（ばらつき）: V(X) = E\bigl((X - E(X))^2\bigr) = E(X^2) - \{E(X)\}^2 - 二項分布 B(n, p): 成功確率 p の独立な試行を n 回行うとき、成功回数 X=k となる確率は P(X = k) = {_n\mathrm{C}_k} p^k (1-p)^{n-k} \quad (k = 0, 1, \dots, n)

Q: 確率分布と二項分布（期待値と分散）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？

WebサイトのA/Bテストにおける二項分布の信頼区間と有意差判定: 2つのデザイン案 A（訪問数 n_A、クリック数 k_A）と B（訪問数 n_B、クリック数 k_B）において、クリック率の二項分布パラメータの差をZ検定し、統計的に95%以上の信頼度で有意差があるかを判定するアルゴリズム。

「平均して何回当たるか？」「どれくらいブレるのか？」を定量化するデータサイエンスの土台

この単元の発見をシェア

3行要約（Key Takeaways / AIOサマリー）

1: 確率変数 X に対し、各値をとる確率の対応関係を「確率分布」と呼び、中心を表す「期待値 E(X)」とばらつきを表す「分散 V(X)」で特徴づけられる
2: 成功確率 p の試行を n 回繰り返す「二項分布 B(n, p)」の期待値は np、分散は np(1-p) という明快な公式で決まる
3: WebサービスのA/Bテストの勝敗判定（クリック率の有意差判定）や、製造ラインの不良品率管理はすべて二項分布の数理が原点である

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？

「偶然起きるバラバラな出来事」の中に潜む秩序（平均して何回起きるか、どれくらいブレるか）を定量化するために生まれた。

身につく武器・思考力

1回の結果に一喜一憂せず、期待値（リターン）と分散・標準偏差（リスク）の2軸で物事を科学的に判断するリスクリテラシーが身につく。

実社会・ITでの活躍現場

•WebサービスやECサイトのA/Bテストにおける勝敗・クリック率検証
•工場ラインにおける不良品発生率の品質管理（シックスシグマ）
•保険会社における保険料率やリスクの数理設計（アクチュアリー業務）
•ゲームのクリティカルヒット確率やダメージ乱数の分散設計

Layer 1 — 直感・シミュレーター

試行回数 n と成功確率 p をスライダーで動かしてみよう。二項分布 P(X=k) の確率ヒストグラムがリアルタイムに再計算され、試行回数 n を大きくするにつれて、離散的なヒストグラムが滑らかな釣鐘型の曲線（正規分布）へと変貌していく中心極限定理の片鱗を体感できる。

二項分布 B(n, p) パラメータ設定:

試行回数 n:20 回

1回の成功確率 p:30%

確率質量関数 P(X = k) のヒストグラム:

期待値 E = 6.0 回標準偏差 σ = ±2.05

0回濃い青: 期待値 ± 1σ の範囲（約68%の確率でここに入る）20回

期待値 E(X) = np

6.00 回

20 × 0.30

分散 V(X) = np(1-p)

4.20

ばらつきの2乗

標準偏差 σ = √V

±2.05 回

平均的なブレ幅

直感チェック！ミニクイズ

サイコロを 60 回振ったとき、1の目が出る回数の期待値 E(X) と分散 V(X) はそれぞれいくつか？

Layer 2 — 定義・受験・証明

定義

確率変数 $X$ のとり得る値 $x_k$ とその確率 $P(X = x_k) = p_k$ の組を確率分布という。 - 期待値（平均）:

E(X) = \sum_{k} x_k p_k

- 分散（ばらつき）:

V(X) = E\bigl((X - E(X))^2\bigr) = E(X^2) - \{E(X)\}^2

- 二項分布 $B(n, p)$ : 成功確率 $p$ の独立な試行を $n$ 回行うとき、成功回数 $X=k$ となる確率は

P(X = k) = {_n\mathrm{C}_k} p^k (1-p)^{n-k} \quad (k = 0, 1, \dots, n)

公式・数理モデル

P(X=k) = {_n\mathrm{C}_k} p^k (1-p)^{n-k}, \quad E(X) = np, \quad V(X) = np(1-p)

証明・導出

二項分布の期待値 $E(X) = np$ の導出：各試行 $i$ における成功インジケータ確率変数を $X_i$ とする（成功時 1、失敗時 0）。 $X_i$ の期待値は、 $E(X_i) = 1 \cdot p + 0 \cdot (1-p) = p$ である。全 $n$ 回の総成功回数は $X = X_1 + X_2 + \dots + X_n$ と表される。期待値の線形性（独立性に関わらず和の期待値は期待値の和になる）より、

E(X) = E\left(\sum_{i=1}^n X_i\right) = \sum_{i=1}^n E(X_i) = \sum_{i=1}^n p = np

同様に、各試行が互いに独立であるため分散の加法性が成り立ち、 $V(X_i) = E(X_i^2) - \{E(X_i)\}^2 = p - p^2 = p(1-p)$ より、

V(X) = \sum_{i=1}^n V(X_i) = np(1-p)

がシンプルに導かれる。

押さえておきたいポイント

期待値 $E(X)$ は「長期的に見た平均リターン」を示す
分散 $V(X)$ および標準偏差 $\sigma = \sqrt{V(X)}$ は「ブレ幅（リスク）」を示す
二項定理 $\sum_{k=0}^n {_n\mathrm{C}_k} p^k (1-p)^{n-k} = (p + (1-p))^n = 1^n = 1$ により、全確率の和は常に必ず 1 になる
ラプラスの定理（ド・モアブル＝ラプラスの定理）: $n$ が十分大きいとき、二項分布 $B(n, p)$ は平均 $np$ 、分散 $np(1-p)$ の正規分布 $N(np, np(1-p))$ で近似できる

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

WebサイトのA/Bテストにおける二項分布の信頼区間と有意差判定

2つのデザイン案 A（訪問数 $n_A$ 、クリック数 $k_A$ ）と B（訪問数 $n_B$ 、クリック数 $k_B$ ）において、クリック率の二項分布パラメータの差をZ検定し、統計的に95%以上の信頼度で有意差があるかを判定するアルゴリズム。

1// A/Bテストの2標本比率のZ検定（二項分布の正規近似）
2interface ABTestResult {
3  rateA: number;
4  rateB: number;
5  zScore: number;
6  isSignificant95: boolean;
7  message: string;
8}
9
10function runABTest(visitorsA: number, clicksA: number, visitorsB: number, clicksB: number): ABTestResult {
11  const pA = clicksA / visitorsA;
12  const pB = clicksB / visitorsB;
13
14  // プールした平均成功率
15  const pPool = (clicksA + clicksB) / (visitorsA + visitorsB);
16  // 二項分布の分散に基づく標準誤差 SE
17  const se = Math.sqrt(pPool * (1 - pPool) * (1 / visitorsA + 1 / visitorsB));
18
19  const zScore = (pB - pA) / se;
20  // 95%信頼区間の臨界値: |Z| >= 1.96
21  const isSignificant = Math.abs(zScore) >= 1.96;
22
23  let message = "有意差なし（単なる偶然のブレの可能性が高い）";
24  if (zScore >= 1.96) {
25    message = "デザインBが統計的に有意に勝利（95%信頼度）";
26  } else if (zScore <= -1.96) {
27    message = "デザインAが統計的に有意に勝利（デザインBは改悪）";
28  }
29
30  return {
31    rateA: pA,
32    rateB: pB,
33    zScore,
34    isSignificant95: isSignificant,
35    message,
36  };
37}
38
39// 例: A案 1,000人中50人クリック(5%) vs B案 1,000人中75人クリック(7.5%)
40const result = runABTest(1000, 50, 1000, 75);
41console.log(`A案CVR: ${(result.rateA * 100).toFixed(1)}%, B案CVR: ${(result.rateB * 100).toFixed(1)}%`);
42console.log(`Z値: ${result.zScore.toFixed(2)} -> ${result.message}`);
43// Z値: 2.30 -> デザインBが統計的に有意に勝利（95%信頼度）