二項分布を正規分布で近似する条件とは？半整数補正と計算の仕組みを徹底解説
データ分析や品質管理の現場、あるいは統計検定2級の学習において、多くの学習者や実務家が直面するのが「二項分布の計算負担」という壁です。コイントスや製品の不良率判定など、日常のあらゆる場面に潜む二項分布ですが、試行回数が100回、1000回と増えるにつれて、組み合わせ記号を用いた厳密な手計算は事実上不可能になります。そこで威力を発揮するのが、離散型確率分布である二項分布を、扱いやすい連続型確率分布の代表格である正規分布へと近似する手法です。
しかし、「いつ、どのような条件なら正規分布に置き換えて問題ないのか」「離散量から連続量へ変換する際に生じるズレをどう防ぐのか」という実務上の疑問を曖昧にしたまま計算を進めると、検定結果の判断を誤るリスクが生じます。数学的な定理の背景から、実務や試験で必須となる半整数補正のテクニック、母比率の仮説検定への落とし込みまで、計算の仕組みと適用基準を体系的に整理しました。
📌 【この記事の重要ポイントまとめ】
- 要点1：二項分布は「np ≧ 5 かつ n(1-p) ≧ 5」を満たす十分大きな試行回数において正規分布で高精度に近似できる。
- 要点2：離散型から連続型への変換で生じる誤差は、区間の両端を±0.5広げる「半整数補正（連続性の補正）」によって解消される。
- 要点3：標準化と標準正規分布表を使いこなすことで、母比率の仮説検定や現場のデータ判定を迅速かつ正確に実行できる。
【数学的根拠】ド・モアブル・ラプラスの定理と中心極限定理の関係性
二項分布を正規分布で近似できる根拠は、確率論の金字塔とされるド・モアブル・ラプラスの定理にあります。18世紀にアブラーム・ド・モアブルがコイントス（成功確率が2分の1のケース）における近似式を発見し、のちにピエール＝シモン・ラプラスが任意の成功確率へと一般化しました。この定理は、現代の統計学で広く知られる中心極限定理の先駆けであり、二項分布に特化した個別ケースと位置づけられます。
二項分布 B(n, p) は、互いに独立な「成功（確率 p）」または「失敗（確率 1-p）」というベルヌーイ試行を n 回繰り返したときの成功回数 X を表す分布です。中心極限定理によれば、母集団の分布がどのような形であっても、同一の分布に従う独立な確率変数の和は、試行回数 n が十分に大きくなると正規分布に収束します。二項分布における成功回数 X も「各試行の結果（1または0）」という独立した確率変数の総和であるため、試行回数 n を増やすことで、その確率ヒストグラムは滑らかな正規分布の釣鐘型カーブへと近づいていきます。
【適用基準】正規近似の判定条件「np ≧ 5」とポアソン分布との違い
実務や試験で最も重要となるのが、「手元のデータが正規近似を使ってよい状態にあるか」を見極める判定基準です。一般に広く用いられている実務基準は、期待値および失敗回数の期待値がともに5以上、すなわち「np ≧ 5 かつ n(1-p) ≧ 5」を満たすこととされています。より厳密な精度を求める研究現場や品質保証の現場では、「np ≧ 10 かつ n(1-p) ≧ 10」を閾値とするケースも少なくありません。
成功確率 p が0.5に近い対称な分布であれば、比較的小さな n でも正規分布の形状に素早く馴染みます。一方、p が極端に小さい（あるいは1に近い）非対称な分布では、左右の歪み（歪度）が強く残るため、より大きな n が必要です。ここで混同しやすいのがポアソン分布との使い分けです。試行回数 n が非常に大きく、かつ成功確率 p が極めて小さい「滅多に起きない稀な事象（np が一定の小さな値に留まるケース）」では、正規分布ではなくポアソン分布への近似が適しています。
【特性比較】二項分布・ポアソン分布・正規分布のスペック対照表
データ分析で頻出する代表的な3つの確率分布について、期待値や分散の算出式、取り扱うデータの性質、近似が成立する前提条件を一覧にまとめました。
| 分布の種類 | データの性質 | 期待値 E(X) | 分散 V(X) | 近似・適用の主要条件 | 主な実務・試験での活用場面 |
|---|---|---|---|---|---|
| 二項分布 B(n, p) | 離散型確率変数 | np | np(1-p) | ベルヌーイ試行が独立にn回繰り返される状態 | 合格者数、製品不良品数、Web広告クリック数の実数カウント |
| ポアソン分布 Po(λ) | 離散型確率変数 | λ (= np) | λ (= np) | n が極めて大きく、p が極めて小さい（稀な事象） | サーバー障害発生件数、交通事故の発生件数、工場の微小欠陥数 |
| 正規分布 N(μ, σ²) | 連続型確率変数 | μ (= np) | σ² (= np(1-p)) | np ≧ 5 かつ n(1-p) ≧ 5（十分大きな試行回数） | 母比率の検定・推定、大規模調査の分析、測定誤差のモデル化 |
上記の対照表が示す通り、二項分布の期待値 np と分散 np(1-p) をそのまま正規分布のパラメータ（平均 μ、分散 σ²）として引き継ぐことで、離散分布から連続分布への橋渡しが実現します。
【誤差解消】半整数補正（連続性の補正）のやり方とズレが生じる理由
二項分布を正規分布で近似する際、計算結果に微妙なズレが生じる根本的な理由は、「離散型確率分布」を「連続型確率分布」で代用することによる構造的ギャップにあります。二項分布の確率 P(X = k) は、横幅1（区間 [k-0.5, k+0.5]）、高さ P(X = k) を持つヒストグラムの棒の面積に相当します。対して正規分布は連続型であるため、厳密な一点の確率 P(X = k) は常にゼロになってしまいます。
この面積の欠落やズレを解消する手続きが半整数補正（連続性の補正：continuity correction）です。具体的には、整数 k の周りに幅0.5のマージンを持たせ、離散的な1点または区間を連続的な面積として捉え直します。
【半整数補正の基本パターン】
- 特定の値をとる確率 P(X = k)：連続空間では P(k - 0.5 ≦ X ≦ k + 0.5) として計算する。
- 以下を求める確率 P(X ≦ k)：k の棒全体をすっぽり含めるため、上限を広げて P(X ≦ k + 0.5) とする。
- 以上を求める確率 P(X ≧ k)：k の棒全体を含めるため、下限を広げて P(X ≧ k - 0.5) とする。
- 未満を求める確率 P(X < k)：k の棒を含めないため、P(X ≦ k - 1) と同じ扱いとし、P(X ≦ k - 0.5) とする。
特に試行回数 n が数十回から100回程度の中規模サンプルの場合、この補正を行うかどうかで確率の算出値に数パーセントの差異が出ることがあります。統計検定2級の出題文に「連続性の補正を行え」と明記されている場合は、このルールに従って計算式を組み立てる必要があります。
【実践検証】標準正規分布表を使った具体的な計算ステップ
公正なコインを100回投げたとき、表が「60回以上」出る確率を正規近似で求める具体例を通じて、標準化から標準正規分布表を読み解く一連の流れを確認します。
試行回数 n = 100、表が出る確率 p = 0.5 の場合、期待値と分散は以下のようになります。
期待値： E(X) = np = 100 × 0.5 = 50
分散： V(X) = np(1-p) = 100 × 0.5 × 0.5 = 25
標準偏差： σ = √25 = 5
判定条件は np = 50 ≧ 5、n(1-p) = 50 ≧ 5 であり、正規近似の適用基準を余裕をもってクリアしています。したがって、X は正規分布 N(50, 5²) に近似的に従います。
次に、表が60回以上出る確率 P(X ≧ 60) を半整数補正を用いて変換します。下限を0.5手前に広げるため、求める確率は連続空間において P(X ≧ 59.5) となります。
これを平均0、分散1の標準正規分布 Z に変換（標準化）します。
Z = (59.5 - 50) / 5 = 9.5 / 5 = 1.90
標準正規分布表から Z = 1.90 の上側確率（あるいは片側確率）の数値を読み取ると、およそ 0.0287（約2.87%） であることが導かれます。仮に半整数補正を行わずに Z = (60 - 50) / 5 = 2.00 として表を引くと確率は約0.0228（2.28%）となり、約0.6%の過小評価が生じます。この差こそが、離散と連続の境界を埋める補正の意義です。
【プロの結論】母比率の仮説検定と統計検定2級対策における判断基準
正規近似の真価が発揮されるのが、実務における母比率の仮説検定です。「新製品の支持率は従来の40%を上回っているか」「Webサイトのリニューアル前後でコンバージョン率に有意差はあるか」といった問いは、標本比率 P = X / n を用いて検証されます。
標本サイズ n が十分に大きいとき、標本比率 P の標本分布は中心極限定理によって平均 p、分散 p(1-p)/n の正規分布へと収束します。この性質を利用した検定統計量 Z = (P - p₀) / √(p₀(1-p₀)/n) は、実務で日常的に行われるA/Bテストの判定エンジンそのものです。
実務および試験対策における最終的な判断基準は明確です。「n が十分に大きく、np と n(1-p) がともに5以上なら正規分布へ近似する」「標本サイズが小さく稀な不良現象ならポアソン分布を選ぶ」「中規模サンプルで厳密な確率計算を求められたら半整数補正を適用する」。この3つの切り分けを整理しておくことが、データに惑わされず正しい統計的判断を下すための最短ルートとなります。
【二項分布正規分布】に関するよくある質問（FAQ）
Q1：統計検定2級の試験本番では、常に半整数補正を行う必要がありますか？
A1：問題文の指示に従うのが原則です。設問内に「連続型分布への修正（半整数補正）を行え」という明記がある場合や、サンプルサイズが比較的小さく選択肢の数値が僅差である場合は補正を適用します。一方、「n が十分に大きいものとして標準正規分布に近似せよ」とだけ書かれ、補正への言及がない場合は、補正なしの標準化式 Z = (X - np) / √(np(1-p)) で計算を進めるのが標準的です。
Q2：正規近似の判定条件として「np ≧ 5」と「np ≧ 10」のどちらを覚えるべきですか？
A2：教科書や試験の標準シラバスとしては「np ≧ 5 かつ n(1-p) ≧ 5」が広く採用されています。ただし、成功確率 p が0.1以下などの偏った分布では、np ≧ 5 では左右非対称性が残り、誤差がやや目立ちます。実務上のデータ分析や品質保証の意思決定では、より安全側の基準として「np ≧ 10 かつ n(1-p) ≧ 10」をスクリーニングの目安に設定するのが通例です。
Q3：なぜ標準化するときに「分母を √(np(1-p))」にするのですか？
A3：標準化とは、任意の正規分布を「平均0、分散1」の標準正規分布にスケーリングする変換作業です。確率変数 X からその平均 μ = np を引くことで中心を0に合わせ、それを標準偏差 σ = √(np(1-p)) で割ることでデータのバラつきの尺度（幅）を1に正規化しています。これにより、試行回数 n や確率 p がどのような組み合わせであっても、共通の標準正規分布表1枚で確率を導出できるようになります。
まとめ：今後の動向と失敗しないための判断基準
計算機の処理能力が飛躍的に向上した現代においても、二項分布の正規近似が重要性を失わない理由は、標本比率の信頼区間推定やA/Bテストの仮説検定といった実務統計の理論的基盤を形作っているからです。近似が成立する前提条件（np ≧ 5 かつ n(1-p) ≧ 5）を冷静に見極め、必要に応じて半整数補正を適切に施す判断力は、AIや自動分析ツールが出力した数値を批判的に検証する上でも欠かせないスキルとなります。直感的な「感覚」ではなく、数学的な「条件」に基づいて適切な分布モデルを選択することが、統計解析で誤った結論を避けるための確固たる防壁となります。 （出典: 二 項 分布 正規 分布（Yahoo!ニュース））
毎日更新されるトレンド情報を分析・発信中。役立つ裏技やおすすめ情報を分かりやすく紹介します。
