確率分布と中心極限定理 — 世界に釣鐘が現れる理由

身長、測定誤差、テストの点数 — なぜあちこちで同じ「釣鐘型」が現れるのか。確率分布という考え方を押さえた上で、偶然が積み重なると必ず正規分布が浮かび上がるという中心極限定理を、ゴルトンボードとシミュレーションで目撃します。

1. 確率分布 — 「起こりやすさ」の地図

サイコロの出目、明日の気温、ノイズの大きさ。確率的な量（確率変数）は1回ごとの値は予測できませんが、どの値がどれくらい起こりやすいかという全体の形は決まっています。この形が確率分布です。分布さえ分かれば、その要約として期待値（平均）μと、ばらつきの大きさ分散 Var / 標準偏差 σ が計算できます。

E[X] = Σ x_i p_i ,　 Var[X] = E[(X − μ)²] ,　 σ = √Var[X] 期待値＝分布の重心。分散＝重心からの二乗距離の平均。σ は元の量と同じ単位に戻した「ばらつきの物差し」

2. ゴルトンボード — 偶然の積み重ねが形を作る

釘が並んだ板の上から玉を落とすと、玉は各段で左右どちらかに 1/2 の確率で弾かれます。n 段落ちたときの「右に行った回数」が玉の最終位置。1個1個の行き先はデタラメなのに、たくさん落とすと下のビンには決まった形 — 二項分布 — が積もります。段数を増やすほど、その形は滑らかな釣鐘型に近づいていきます。

ゴルトンボード — 二項分布が釣鐘型に育つ

段数 n

連続投下

理論曲線（二項分布）

青い棒＝ビンに積もった玉の数、オレンジの線＝二項分布 B(n, ½) の理論値。玉が数百個たまると、ヒストグラムが理論曲線にぴったり吸い付きます。段数を 4 → 16 に増やすと、カクカクした分布が滑らかな釣鐘型に近づくのも観察できます。

P(右に k 回) = _nC_k (1/2)ⁿ 二項分布 B(n, ½)。n → ∞ で正規分布に近づく（ド・モアブル＝ラプラスの定理）

3. 中心極限定理 — 平均をとると正規分布が現れる

ゴルトンボードの縦位置は「±の小さな偶然を n 回足し合わせた結果」でした。実はこれは特殊な話ではありません。元の分布がどんな形でも、そこから n 個サンプリングして平均をとる、という操作を繰り返すと、その「標本平均」の分布は n が大きくなるにつれ正規分布に近づきます。これが中心極限定理（CLT）です。

下のデモで、一様分布・指数分布・二峰性分布 — 釣鐘型とは似ても似つかない分布 — を選び、n を 1 から増やしてみてください。

中心極限定理 — どんな分布も「平均」は釣鐘型へ

元の分布

平均する個数 n

理論の正規分布 N(μ, σ²/n)

上段（水色）＝元の分布の形。下段（緑）＝「n 個の平均」を大量に集めたヒストグラム、オレンジ＝理論の正規分布。n = 1 ではヒストグラムは元の分布そのものですが、n を上げるとどの分布を選んでも釣鐘型に収束し、幅は σ/√n でどんどん狭くなります。

POINT — 中心極限定理の主張平均 μ、分散 σ² を持つ任意の分布から独立に取った n 個の平均 X̄_n は、n が大きいとき近似的に N(μ, σ²/n) に従う。「たくさんの独立な偶然の合算」で決まる量 — 身長（多数の遺伝子と環境要因）、測定誤差（無数の微小な誤差源）— が軒並み正規分布になるのはこの定理のせい。正規分布が統計学の主役である理由もここにある。

X̄_n = (X₁ + ⋯ + X_n)/n 　⟶　 N(μ, σ²/n) ばらつきは √n 分の1に縮む。「たくさん測って平均する」と精度が上がる根拠

4. 正規分布を読む — μ と σ と 68-95-99.7

正規分布 N(μ, σ²) は、中心 μ と幅 σ の2つの数だけで完全に決まります。そして形がどう動いても、μ±σ に全体の約 68%、μ±2σ に約 95%、μ±3σ に約 99.7% が入るという比率は不変です。この「68-95-99.7 ルール」が身につくと、σ が実務の共通言語として読めるようになります。

p(x) = 1/(√(2π) σ) · exp( −(x−μ)² / 2σ² ) 正規分布（ガウス分布）の確率密度関数。μ = 中心、σ = 幅

μ と σ を動かす — 面積の 68-95-99.7 ルール

平均 μ

標準偏差 σ

緑＝μ±1σ（68.3%）、オレンジ＝μ±2σ（95.4%）、赤＝μ±3σ（99.7%）。μ = 50, σ = 10 はちょうど偏差値の定義で、偏差値 60（＝μ+σ）以上は上位約 16%、偏差値 70 以上は上位約 2.3%。測定の世界では「誤差 ±2σ」を信頼区間の目安に、素粒子物理では「5σ」（偶然の確率約1/350万）を発見の基準にします。

注意 — 正規分布を仮定しすぎる危険中心極限定理が効くのは「独立で分散が有限な偶然がたくさん足し合わさる」とき。株価の暴落のように要因が連動する場合や、所得分布・SNSのバズのように少数の極端値が支配する裾の重い分布では、±3σ の外側が「99.7%ルール」の想像よりはるかに頻繁に起こる。極端な例のコーシー分布では、いくら平均しても正規分布に近づかない（そもそも期待値が存在しない）。「とりあえず正規分布」で外れ値を切り捨てると、一番大事な事件を見逃すことがある。

5. まとめ

確率分布は起こりやすさの地図。要約が期待値 μ とばらつき σ。
ゴルトンボード：±の偶然を n 回足すと二項分布 B(n, ½) になり、n が大きいと釣鐘型へ。
中心極限定理：元の分布によらず、n 個の平均は N(μ, σ²/n) に近づく。だから正規分布は自然界の至る所に現れる。
68-95-99.7 ルール：σ を単位に取れば正規分布はいつも同じ読み方ができる。ただし裾の重い分布には通用しない。

一歩先へ — 機械学習との接続ここで身につけた分布の言葉は機械学習のいたるところで使われる。「観測データ＝真の値＋正規ノイズ」という仮定は最小二乗法の裏側そのものだし、テスト精度のばらつきを σ/√n で見積もる感覚は機械学習 11「モデル評価」の交差検証で効いてくる。さらに分布を「信念」として更新していく発想は機械学習 12「ベイズの考え方」へ続く。