統計学の教科書を開くと、t検定にも回帰分析にも信頼区間にも「正規分布を仮定する」という一文が出てきます。一方で、手元のデータのヒストグラムを描くと左右対称のきれいな山になることは少なく、教科書の前提と実際のデータの形の間には食い違いが生じます。
正規分布は平均と標準偏差という2つの値だけで形が完全に決まる確率分布で、統計で中心的な位置を占めるのは、多数の小さな要因の和や標本平均の分布を近似するモデルとして働くからです。そのため、正規分布をデータが従うべき法則として受け取ると、この食い違いは説明がつかなくなります。
正規分布の確率密度関数
連続的な値をとる変数の分布は、確率密度関数という曲線で表します。曲線の下の面積が確率に対応し、全体の面積は1になるように作られていて、正規分布の確率密度関数は次の式で書けます。
$$f(x) = \frac{1}{\sigma\sqrt{2\pi}} \exp\left\{-\frac{(x-\mu)^2}{2\sigma^2}\right\} \tag{1}$$
式(1)は、値$x$が平均$\mu$から離れるほど、その距離の2乗に比例して密度が急速に小さくなることを表しています。$\mu$は分布の平均、$\sigma$は標準偏差($\sigma>0$)で、$\pi$は円周率です。
この式で変えられる値は$\mu$と$\sigma$の2つだけで、それ以外は定数です。そのため、平均と標準偏差が同じ2つの正規分布は完全に同じ形になり、正規分布を$N(\mu, \sigma^2)$と2つの値だけで書き表す記法が成り立っています。
実際に具体的な数を入れて、$\mu=50$、$\sigma=10$の正規分布で山の頂上、つまり$x=50$の密度を求めると、指数部分が0になって$1/(10\sqrt{2\pi})$だけが残り、値はおよそ0.0399になります。この0.0399は「50がちょうど出る確率」とは別の量で、連続分布では1点の確率は0になり、密度は区間の面積を通じて初めて確率になります。
平均μが位置、標準偏差σが広がりを決める
式(1)の中で$\mu$は$x-\mu$という差の形でしか現れないため、$\mu$を変えても曲線は形を保ったまま左右に平行移動します。一方、$\sigma$は指数部分の分母と式の先頭の係数の両方に入っているので、$\sigma$を大きくすると山は横に広がり、面積を1に保つために頂上は低くなります。
そこで、$\mu$と$\sigma$の役割を目で確かめるため、平均50・標準偏差10を基準に、平均だけを70へ変えた曲線と、標準偏差だけを5と20へ変えた曲線を重ねて描きました。
grid_values <- seq(-10, 110, by = 0.5)
plot(grid_values, dnorm(grid_values, mean = 50, sd = 10), type = "l", lwd = 2, ylim = c(0, 0.08),
xlab = "Value", ylab = "Density", main = "Normal densities with different mean and SD")
lines(grid_values, dnorm(grid_values, mean = 70, sd = 10), lwd = 2, lty = 2)
lines(grid_values, dnorm(grid_values, mean = 50, sd = 5), lwd = 2, col = "steelblue")
lines(grid_values, dnorm(grid_values, mean = 50, sd = 20), lwd = 2, col = "firebrick")
legend("topright", legend = c("mean 50, SD 10", "mean 70, SD 10", "mean 50, SD 5", "mean 50, SD 20"),
lty = c(1, 2, 1, 1), col = c("black", "black", "steelblue", "firebrick"), lwd = 2, cex = 0.7)

実際、図1の実線と破線を比べると、平均を50から70に変えても曲線の形は全く同じで、位置だけが20右へ動いています。また、平均50のまま標準偏差を変えた3本では、頂上の密度が標準偏差5で0.0798、10で0.0399、20で0.0199となり、標準偏差を2倍にするごとに頂上の高さはちょうど半分になっています。
この関係から、正規分布では形を読むための情報が平均と標準偏差に集約されていることが分かります。逆に言えば、データを正規分布で要約するのは「平均と標準偏差を報告すれば分布の形まで伝わる」と見なすことと同じ判断になるため、歪んだデータに平均と標準偏差だけを添える報告は、読者に実際とは異なる形を想像させることになります。
密度・累積確率・分位点をRで計算する
正規分布で求める量は、確率密度、ある値以下になる累積確率、累積確率から逆算した値(分位点)の3つが基本になります。平均50、標準偏差10の正規分布を例に、山の頂上の密度、60以下になる確率、40から60の間に入る確率、上側2.5%点を求めました。
mu <- 50
sigma <- 10
dnorm(mu, mean = mu, sd = sigma)
pnorm(60, mean = mu, sd = sigma)
pnorm(60, mean = mu, sd = sigma) - pnorm(40, mean = mu, sd = sigma)
qnorm(0.975, mean = mu, sd = sigma)
#> [1] 0.03989423
#> [1] 0.8413447
#> [1] 0.6826895
#> [1] 69.59964
出力の1行目は式(1)で手計算した頂上の密度と一致し、2行目は平均より標準偏差1つ分上の60以下になる確率が約84.1%であることを示しています。さらに、3行目の40から60の間に入る確率は約68.3%で、平均の上下に標準偏差1つ分の範囲へ全体の約3分の2が入るという関係は、平均と標準偏差がいくつであっても正規分布なら同じになります。
この出力で読み違えやすいのは1行目と4行目で、1行目の0.0399は確率ではなく密度なので、確率が必要な場面では累積確率から面積を求めます。また、4行目の69.6は「上位2.5%に入る境目の値」で、69.6以上になる確率が2.5%という読み方になり、3つの量は同じ曲線を、高さ、左側の面積、面積から逆算した位置という別々の角度から見ています。
小さな要因の和が正規分布に近づく
正規分布が統計で中心的な理由の1つは、互いに独立した多数の小さな要因が足し合わさってできる量の分布が、正規分布に近づきやすいことにあります。体重計で同じ物を何度も量ると、目盛りの読み取り、置く位置、温度など小さな揺らぎが重なって測定値がばらつき、こうした測定誤差の分布を説明するモデルとして正規分布が使われてきました。
この性質を確かめるため、-0.5から0.5の一様分布に従う小さな誤差を12個足した量を、1万回分ランダムに生成したデータセットを用意しました。1つ1つの誤差は平らな一様分布に従いますが、12個の和の理論上の平均は0、標準偏差は1になるように設定しています。
生成した1万個の和は、平均0.0078、標準偏差1.007で、平均±1の範囲に入った割合は67.1%でした。正規分布で同じ範囲に入る確率は先ほどの68.3%なので、12個の一様誤差を足しただけで、ほぼ正規分布と見分けがつかない割合になっています。
さらに、分布の裾の重さを表す超過尖度で見ると、変化はいっそうはっきりします。超過尖度は正規分布で0になる指標で、誤差1個だけの一様分布では-1.18と裾が軽い形でしたが、12個の和では-0.18まで0に近づき、理論値の-0.10とも近い値になりました。
もっとも、Lyon(2014)が論じているように、「小さな要因の和なので正規分布になる」という説明が成り立つには、要因が互いに独立に近く、どれか1つが突出して大きくないという条件が必要です。要因が掛け算で効く場合や、一部の要因が大きく効く場合には和の分布は歪んだままになるため、この理屈を持ち出すだけで手元のデータの正規性を保証することはできません。
平均の分布を近似するモデルとしての正規分布
もう1つの理由は、元のデータが正規分布でなくても、標本平均の分布が正規分布で近似できることにあります。これは中心極限定理と呼ばれる性質で、平均$\mu$、標準偏差$\sigma$の分布から独立に$n$個の値をとると、標本平均$\bar{X}$の分布は$n$が大きくなるにつれて次の正規分布に近づきます。
$$\bar{X} \approx N\left(\mu, \frac{\sigma^2}{n}\right) \tag{2}$$
式(2)は、標本平均は元の分布と同じ平均の周りに集まり、そのばらつきは標準偏差で見ると元の$1/\sqrt{n}$倍に縮むことを表しています。$\bar{X}$は$n$個の値の平均、$n$は標本サイズです。
正規近似が使えることで、元のデータの分布をモデル化しなくても、平均についての信頼区間や検定を正規分布に基づいて組み立てられます。実際、t検定や回帰係数の推定量は平均や平均に近い形の統計量になっているため、データ自体の正規性がやや崩れていても、大きな標本では信頼区間が概ね妥当に働きます。
ここで、右に大きく歪んだ平均1の指数分布から30個の値をとって平均を求める操作を1万回繰り返したデータを生成しました。標本平均の平均は1.000、標準偏差は0.1835で、式(2)から求まる理論上の標準偏差$1/\sqrt{30}$の0.1826とよく一致しています。
一方、裾を見ると近似の限界も現れ、正規近似では平均が$1+1.96/\sqrt{30}$を超える確率は2.5%になるはずのところ、シミュレーションでは3.6%、ガンマ分布を使った正確な確率でも3.40%でした。元の分布の右への歪みが30個の平均にも残っていて、正規近似は上側の確率を小さく見積もっていたことになります。
シミュレーションをRで再現する
前の2節で述べた数値は、一様誤差12個の和1万個と、指数分布から30個とった平均1万個をもとにしたもので、次のコードで再現できます。
set.seed(42)
n_samples <- 10000
n_factors <- 12
error_sum <- rowSums(matrix(runif(n_samples * n_factors, min = -0.5, max = 0.5), ncol = n_factors))
mean(error_sum)
sd(error_sum)
mean(abs(error_sum) < 1)
kurt <- function(values) mean((values - mean(values))^4) / mean((values - mean(values))^2)^2 - 3
kurt(runif(n_samples, min = -0.5, max = 0.5))
kurt(error_sum)
sample_means <- replicate(n_samples, mean(rexp(30, rate = 1)))
mean(sample_means)
sd(sample_means)
mean(sample_means > 1 + 1.96 / sqrt(30))
pgamma(1 + 1.96 / sqrt(30), shape = 30, rate = 30, lower.tail = FALSE)
#> [1] 0.007841287
#> [1] 1.00715
#> [1] 0.6713
#> [1] -1.182451
#> [1] -0.1816153
#> [1] 1.000145
#> [1] 0.1834709
#> [1] 0.036
#> [1] 0.03402243
出力の最後の2行では、シミュレーションの3.6%と正確な確率3.40%が、どちらも正規近似の2.5%を上回っています。両者の差は1万回の乱数による揺らぎの範囲ですが、そろって2.5%を上回る点は乱数の偶然では説明できず、近似そのものの偏りを表しています。
そこで、生成した和と標本平均のヒストグラムに、理論上の正規分布の密度曲線を重ねた図を描きました。
par(mfrow = c(1, 2))
hist(error_sum, breaks = 50, freq = FALSE, xlab = "Sum of 12 uniform errors", main = "Sum of small errors")
curve(dnorm(x, mean = 0, sd = 1), add = TRUE, lwd = 2, col = "firebrick")
hist(sample_means, breaks = 50, freq = FALSE, xlab = "Mean of 30 exponential values", main = "Sample means")
curve(dnorm(x, mean = 1, sd = 1 / sqrt(30)), add = TRUE, lwd = 2, col = "firebrick")

図2の左右を並べると、同じ「正規分布に近づく」という現象でも近さの程度が異なることが分かります。左の和は元の一様分布が対称なため12個でほぼ正規分布になりますが、右の標本平均は元の分布が強く歪んでいるため、30個の平均でも右裾に歪みが残っています。
元の分布の歪みが強いほど正規分布に近づくのに必要な$n$は大きくなるため、「標本サイズが30あれば正規近似で十分」という目安は、分布の形を確かめずに使える基準にはなりません。特に裾の確率を問題にする解析では、近似の精度を個別に確かめる必要があります。
正規分布はデータの法則ではなくモデル
ここまでの2つの理由は、どちらも正規分布を「何かを近似する道具」として使っています。Altman and Bland(1995)は、正規分布は実在するデータがそのまま従う法則ではなく、多くの変数や統計量のばらつきを近似的に記述する理論上の分布だと説明しており、「正規」という名前も「普通のデータは正規分布に従う」という意味を持つものとして受け取るべきではありません。
この立場をとると、判断の対象も変わります。データが正規分布に従っているかを白黒で決めるのではなく、解析で使う統計量にとって正規分布という近似がどこまで役に立つかを考えることになり、平均の比較なら標本サイズと歪みの程度、個々の値の範囲を予測するならデータそのものの形が判断の材料になります。
そのため、正規分布を使うかどうかを決める場面では、推定したい量が平均なのか個々の値の分布なのかを先に確認することを勧め、標本サイズが十分な状況で平均の差を推定するなら、データの正規性が多少崩れていても正規近似に基づく信頼区間は選択肢の1つになります。一方、基準範囲や上位5%の境目のように個々の値の裾を推定する目的では、実際の分布が歪んでいたり裾が重かったりすると、正規分布から計算した境目は分布の形で決まる向きに実際の境目から系統的に離れるため、データの分布を確かめずに正規分布から境目を計算する方法は採りません。
論文や報告書ではどう扱われているか
方法論の文献では、正規性の扱いは手法と目的によって分けて論じられています。Lumley et al.(2002)は、大規模な公衆衛生データでは、t検定や線形回帰が平均の差や係数について妥当な推論を与えるうえで、データ自体の正規性はほとんど問題にならず、標本平均の分布の正規近似が十分に働くことを、実データとシミュレーションの両方で示しました。
ただし、同じ文献は小さな標本や極端に歪んだ分布、外れ値が強く効く場面では近似が崩れうることも指摘しています。本記事の指数分布の例で上側確率が正規近似より大きくなったのも同じ構造で、論文の方法の節では「正規分布を仮定した」と書くだけでなく、どの量にその仮定を置いたのかを読者が分かるように記載しておくことが、結果の解釈を助けます。
医療研究の文脈で正規分布の仮定がどこまで必要か、またZスコアをどう使うかについては、【医療統計版】正規分布:どこまで仮定が必要かとZスコアで扱っています。さらに、平均の比較に正規近似を使う代表例として、【医療統計版】t検定:対応のある場合とない場合で何が変わるかも、ここでの議論とつながります。
平均と標準偏差で何を伝えたいのかを決める
実際の解析で判断すべきなのは「データが正規分布かどうか」よりも、推定したい量が平均のように正規近似の効きやすい統計量なのか、裾の確率のように元の分布の形がそのまま結果に出る量なのか、という区別です。
この区別をつけたうえで、平均と標準偏差で要約してよいデータか、正規近似に頼れる標本サイズか、裾を問題にする目的かを確かめれば、正規分布を前提とした計算を使う範囲を自分で決められます。手元のデータでその線引きに迷う場合は、Dr.データサイエンスで、推定したい量と分布の形を合わせて解析方針を検討するご相談を承っています。
参考文献
- Altman DG, Bland JM. Statistics notes: The normal distribution. BMJ. 1995;310(6975):298.
- Lyon A. Why are normal distributions normal? British Journal for the Philosophy of Science. 2014;65(3):621-649.
- Lumley T, Diehr P, Emerson S, Chen L. The importance of the normality assumption in large public health data sets. Annual Review of Public Health. 2002;23:151-169.


