パラメータ設定

超幾何分布と二項分布の違いとは？公式の覚え方と期待値導出を徹底解説

くじ引きを元に戻さずに引き続けるとき、ソーシャルゲームのボックスガチャで目当てのアイテムを狙うとき、あるいは工場の生産ラインで製品の抜取検査を行うとき――私たちの身の回りにある確率計算の現場で頻繁に登場するのが超幾何分布（Hypergeometric distribution）です。

しかし、統計検定の学習者や実務でデータ分析に携わる技術者の多くが「二項分布と何が違うのか曖昧になる」「公式の記号が複雑で覚えられない」「期待値や分散の導出でつまずいた」といった悩みを抱えています。超幾何分布の本質である「非復元抽出」の仕組みを押さえれば、公式の構造から二項近似の条件、PythonやExcelでの実践的な扱い方まで驚くほどシンプルに理解できます。本稿では、基礎概念から導出プロセス、実務応用までを体系的に解き明かします。

📌 【この記事の重要ポイントまとめ】

• 要点1：超幾何分布は「非復元抽出（引いたものを元に戻さない）」を扱う確率分布であり、試行ごとに確率が変動する点が二項分布（復元抽出）との決定的な違い。
• 要点2：確率質量関数の公式は「（当たりの組合せ × ハズレの組合せ）÷ 全体の組合せ」という高校数学の組み合わせ（Combination）そのものであり、直感的に導出可能。
• 要点3：母集団サイズが抽出数に対して十分に大きい場合（抽出比率が10%以下など）は二項分布へ近似でき、製造業の品質管理や統計検定対策、ゲーム確率のシミュレーションに直結する。

【徹底比較】超幾何分布と二項分布の決定的な違い｜非復元抽出の本質

超幾何分布と二項分布を区別する唯一にして最大の分岐点は、「抽出した要素を元の母集団に戻すかどうか」というサンプリング方式の違いにあります。

二項分布は、コイン投げのように各試行が完全に独立している「復元抽出（抽出したものを元に戻す）」を前提とします。1回ごとに成功確率が一定不変であるため、計算式には成功確率 $p$ の累乗が用いられます。

対する超幾何分布は、くじ引きのように一度引いた要素を戻さない「非復元抽出（抽出したものを元に戻さない）」を前提とします。1回引くたびに母集団の総数および含まれる当たりの数が減少し、2回目、3回目の試行確率が直前の結果に依存して変動します。この「試行の従属性」こそが超幾何分布のアイデンティティです。

一生忘れない公式の覚え方と計算問題例題｜組み合わせで直感攻略

超幾何分布の確率質量関数（PMF）は、ギリシャ文字や抽象的な記号が並ぶため難解に見えがちですが、本質は「高校数学で習う組み合わせ（Combination）の比」に過ぎません。

超幾何分布の確率計算式

全体で $N$ 個の要素があり、その中に特定の属性（当たりや不良品）が $K$ 個、それ以外（ハズレや良品）が $N-K$ 個ある母集団を想定します。ここから非復元抽出で $n$ 個を取り出したとき、当たりがちょうど $k$ 個含まれる確率 $P(X=k)$ は以下の式で表されます。

$$P(X = k) = \frac{\binom{K}{k} \binom{N-K}{n-k}}{\binom{N}{n}}$$

※ただし、$\binom{a}{b} = {}_a\mathrm{C}_b = \frac{a!}{b!(a-b)!}$ であり、$k$ は $\max(0, n - (N-K)) \le k \le \min(n, K)$ の範囲をとります。

公式の直感的な覚え方

この式を丸暗記しようとすると記号を取り違えます。以下の「3つのブロック構造」で視覚的に捉えるのが確実です。

• 分母 $\binom{N}{n}$：「全体の $N$ 個から、無作為に $n$ 個を選ぶ全通りの数」
• 分子左 $\binom{K}{k}$：「$K$ 個の当たりの中から、$k$ 個を選ぶ通り数」
• 分子右 $\binom{N-K}{n-k}$：「$N-K$ 個のハズレの中から、残りの $n-k$ 個を選ぶ通り数」

つまり、「全パターン分の（当たりの選び方 × ハズレの選び方）」という古典的な確率の定義そのものです。

実践例題とステップ解説

【解答ステップ】

1. パラメータの整理：
   • 母集団の総数 $N = 20$
   • 母集団の不良品数 $K = 4$（良品数は $N-K = 16$）
   • 抽出するサンプル数 $n = 5$
   • 求めたい不良品数 $k = 2$（取り出す良品数は $n-k = 3$）
2. 各組み合わせ（C）の計算：
   • 分母（全体の選び方）：$\binom{20}{5} = \frac{20 \times 19 \times 18 \times 17 \times 16}{5 \times 4 \times 3 \times 2 \times 1} = 15,504$ 通り
   • 分子（不良品の選び方）：$\binom{4}{2} = \frac{4 \times 3}{2 \times 1} = 6$ 通り
   • 分子（良品の選び方）：$\binom{16}{3} = \frac{16 \times 15 \times 14}{3 \times 2 \times 1} = 560$ 通り
3. 確率の算出： $$P(X=2) = \frac{\binom{4}{2} \binom{16}{3}}{\binom{20}{5}} = \frac{6 \times 560}{15504} = \frac{3360}{15504} \approx 0.2167 \quad (\mathbf{約21.7\%})$$

このように、構造を言語化して整理すれば高校の数学Aレベルの計算で確実に正解に辿り着けます。

超幾何分布の期待値・分散の導出ステップ｜指示関数でスマートに解く

統計検定1級や準1級の数理統計分野において、超幾何分布の期待値 $E[X]$ と分散 $V(X)$ の導出は頻出テーマの1つです。定義式からシグマ計算（ヴァンデルモンドの畳み込み等）で解く方法もありますが、最もエレガントで実務的にも役立つのが「指示確率変数（インジケーター）」を用いたアプローチです。

指示確率変数の設定

$i$ 番目（$i = 1, 2, \dots, n$）に取り出した要素が当たりであるとき $1$、ハズレであるとき $0$ をとる確率変数を $I_i$ と定義します。全体の当たりの合計数 $X$ は、各試行のインジケーターの総和として表せます。

$$X = \sum_{i=1}^n I_i$$

ここで重要な性質として、非復元抽出であっても「特定の1回（$i$ 回目）に当たりを引く確率」は常に $K/N$ で一定です（くじ引きの公平性の原理）。したがって、$I_i$ の期待値は次のようになります。

$$E[I_i] = 1 \cdot P(I_i = 1) + 0 \cdot P(I_i = 0) = \frac{K}{N}$$

1. 期待値 $E[X]$ の導出

期待値の線形性（各変数が独立でなくても成立する性質）を利用します。

$$E[X] = E\left[ \sum_{i=1}^n I_i \right] = \sum_{i=1}^n E[I_i] = \sum_{i=1}^n \frac{K}{N} = n \frac{K}{N}$$

母集団における当たりの割合を $p = K/N$ と置くと、$E[X] = np$ となり、二項分布の期待値と完全に同一の形になります。

2. 分散 $V(X)$ の導出と有限母集団修正

分散の計算では、変数同士が独立ではないため共分散 $\mathrm{Cov}(I_i, I_j)$ を考慮する必要があります。

$$V(X) = \sum_{i=1}^n V(I_i) + \sum_{i \ne j} \mathrm{Cov}(I_i, I_j)$$

まず各 $I_i$ の分散は：

$$V(I_i) = E[I_i^2] - (E[I_i])^2 = \frac{K}{N} - \left(\frac{K}{N}\right)^2 = \frac{K}{N}\left(1 - \frac{K}{N}\right) = p(1-p)$$

次に、$i \ne j$ における共分散を求めます。2回とも当たりを引く同時確率は $P(I_i = 1, I_j = 1) = \frac{K}{N} \cdot \frac{K-1}{N-1}$ です。

$$\mathrm{Cov}(I_i, I_j) = E[I_i I_j] - E[I_i]E[I_j] = \frac{K(K-1)}{N(N-1)} - \left(\frac{K}{N}\right)^2 = -\frac{K(N-K)}{N^2(N-1)} = -\frac{p(1-p)}{N-1}$$

共分散が負になるのは、「1回当たりを引くと、残りの当たりが減るため次は当たりにくくなる」という非復元抽出の物理的挙動を数学的に反映しています。

これを $V(X)$ の式に代入します（$i \ne j$ のペアは全部で $n(n-1)$ 個存在します）。

\begin{aligned} V(X) &= n p(1-p) + n(n-1) \left( -\frac{p(1-p)}{N-1} \right) \\ &= n p(1-p) \left[ 1 - \frac{n-1}{N-1} \right] \\ &= n p(1-p) \left( \frac{N-n}{N-1} \right) \end{aligned}

導出された係数 $\mathbf{\frac{N-n}{N-1}}$ は「有限母集団修正（Finite Population Correction: FPC）」と呼ばれます。標本サイズ $n$ が母集団 $N$ に近づくほどこの値は小さくなり、$n=N$（全数調査）のときは分散が0になります。すべて引き切れば結果が確定するため分散が存在しないという事実と見事に合致します。

二項近似とポアソン近似の成立条件｜実務で使える判断基準

超幾何分布の厳密な計算は階乗を多く含むため、母集団 $N$ や抽出数 $n$ が大きくなると手計算はおろかPCでも計算負荷（オーバーフローリスク）が生じます。そのため、特定の条件下では他の分布への「近似」が実務的に適用されます。

1. 二項分布への近似（二項近似）

母集団サイズ $N$ が抽出数 $n$ に比べて極めて大きい場合、1個取り出しても母集団内の当たり比率 $p = K/N$ はほとんど変化しません。数学的には $N \to \infty$ の極限で有限母集団修正係数 $\frac{N-n}{N-1} \to 1$ となり、超幾何分布は二項分布 $B(n, p)$ に収束します。

2. ポアソン分布への近似（ポアソン近似）

さらに「母集団 $N$ が非常に大きく、当たり確率 $p = K/N$ が極めて小さい（希少事象）」かつ「$n$ が大きいが $\lambda = np$ が適度な大きさ（定数）」である場合、二項分布を経由してポアソン分布 $\mathrm{Poisson}(\lambda)$ に近似できます。

• 適用例：数万個の大規模ロットから数百個を抜き取る際、ロット全体の不良率が0.1%未満といった極小ケース。

【実態検証】品質管理の抜取検査とソシャゲ確率に見るリアル

超幾何分布は教科書の中の数式にとどまらず、産業界の現場や現代のデジタルエンターテインメントにおいて損益や公平性を左右する中核理論として稼働しています。

1. 工業製品の受入抜取検査（JIS Z 9015 / ISO 2859）

製造業における品質保証の現場では、納入された部品ロット（サイズ $N$）から一定数 $n$ をサンプルとして抜き取り、不良品数 $k$ が合格判定個数 $c$ 以下であればロット全体を合格とする「計数規準型抜取検査」が行われます。

この検査の合格確率曲線（OC曲線: Operating Characteristic Curve）を厳密に描く基礎理論が超幾何分布です。ロットサイズ $N$ が小さい中小規模の生産ラインで二項分布による簡易計算を流用すると、「本当は合格基準に達していないロットを誤って合格と判定してしまう（消費者危険 / 第2種の過誤）」リスクが跳ね上がります。現場の品質管理責任者がサンプリング比率を厳しく監視するのはこのためです。

2. ソーシャルゲームの「ボックスガチャ（底引き）」

近年のソーシャルゲームで導入されている「ボックスガチャ」は、まさに超幾何分布の生きた教材です。

通常のガチャ（恒常ガチャ）は復元抽出であるため幾何分布や二項分布に従い、「何百回引いても当たらない（いわゆる沼にハマる）」確率が常に一定割合で残ります。一方、ボックスガチャは非復元抽出であるため、ハズレを引くたびに残りの母集団が減少し、「引けば引くほど目当てのカードが出る確率が単調増加する」という安心感がプレイヤーに提供されます。ゲーム開発側も超幾何分布の累積分布関数を用いて「平均何回で特定アイテムが排出されるか」のコスト設計を行っています。

実務で即使える！Python（SciPy）とExcelによる計算実装

データサイエンスの実務やレポート作成において、超幾何分布の確率や累積確率を瞬時に算出するための具体的なコード・関数仕様をまとめました。

1. Python（scipy.stats.hypergeom）での実装

Pythonでは scipy.stats モジュールの hypergeom を使用します。SciPyのパラメータ記号の対応関係は以下の通りです。

• M：母集団の総数（本稿の $N$）
• n：母集団内の当たり数（本稿の $K$）
• N：取り出すサンプル数（本稿の $n$）

import scipy.stats as stats # 母集団総数 M=20, 母集団内の当たり数 n=4, 抽出数 N=5 M = 20 n_success = 4 N_draw = 5 # 1. 確率質量関数 PMF: 当たりがちょうど2個引ける確率 prob_exact_2 = stats.hypergeom.pmf(k=2, M=M, n=n_success, N=N_draw) print(f"P(X = 2): {prob_exact_2:.4f}") # 出力: 0.2167 # 2. 累積分布関数 CDF: 当たりが1個以下である確率 P(X <= 1) prob_le_1 = stats.hypergeom.cdf(k=1, M=M, n=n_success, N=N_draw) print(f"P(X <= 1): {prob_le_1:.4f}") # 3. 期待値と分散の取得 mean, var = stats.hypergeom.stats(M=M, n=n_success, N=N_draw, moments='mv') print(f"期待値: {mean:.4f}, 分散: {var:.4f}") 

2. Excel関数での実装（HYPGEOM.DIST）

Excelでは HYPGEOM.DIST 関数を利用してセル上でダイレクトに計算できます。

【プロの結論】超幾何分布をマスターするための判断基準と学習ロードマップ

超幾何分布を実務や試験対策で確実に使いこなすための判断基準とチェックフローを整理しました。

分布選択の判断フローチャート

1. 抽出方法は何か？
   • 元に戻す（復元抽出）または母集団が事実上無限 $\to$ 二項分布を選択
   • 元に戻さない（非復元抽出） $\to$ 次のステップへ
2. サンプリング比率（$n/N$）はどの程度か？
   • $n/N > 0.1$（10%超） $\to$ 超幾何分布を厳格に適用
   • $n/N \le 0.1$ かつ母集団が大きい $\to$ 二項分布で近似計算可能
3. 当たり確率 $p$ は極めて小さいか？
   • $n$ が大きく $p < 0.01$ $\to$ ポアソン分布での近似を検討

統計検定（2級〜1級）合格に向けた対策ポイント

統計検定2級では「二項分布との定義の違い」や「基本的な確率・期待値計算」が問われます。一方、準1級や1級では「有限母集団修正を伴う分散の導出」や「指示変数を用いた展開」が記述式で狙われます。本稿で紹介した指示変数法を手を動かして紙に書き出し、共分散項のマイナス符号の意味を他者に説明できるレベルまで定着させておくことが合格への最短ルートです。

【超幾何分布】に関するよくある質問（FAQ）

Q1：なぜ「超幾何（Hypergeometric）」という難しそうな名前がついているのですか？
A1：確率の母関数（確率母関数）を級数展開した際、その級数の係数が数学における「ガウスの超幾何級数（Hypergeometric series）」の形と一致することに由来します。名前の響きは抽象的ですが、扱っている現象自体は「非復元抽出のくじ引き」という極めて素朴な確率モデルです。

Q2：母集団サイズ $N$ が分からない場合、超幾何分布は使えませんか？
A2：母集団サイズ $N$ や当たりの個数 $K$ が未知の場合は超幾何分布を直接適用できません。この場合、標本データから最尤法（尤度関数を最大化する $N$ や $K$ を求める手法）を用いて母集団パラメータを推定するか、母集団が十分に大きいと仮定して二項分布モデルとしてパラメータ $p$ を推定するアプローチを取ります。

Q3：超幾何分布の分散が二項分布より必ず小さくなる直感的な理由は何ですか？
A3：非復元抽出では、当たりを引くと「残りの当たり割合」が減少し、ハズレを引くと「残りの当たり割合」が増加します。つまり、極端に当たりばかり・ハズレばかりに偏るのを防ぐ「自己抑制メカニズム」が働くため、結果のばらつき（分散）が独立試行である二項分布よりも小さくなります。

Q4：フィッシャーの正確確率検定（Fisher's Exact Test）と超幾何分布の関係は？
A4：非常に密接です。分割表（2×2クロス集計表）の周辺度数（行と列の合計）を固定した条件下で、観測された度数の組み合わせが生じる確率は超幾何分布に従います。サンプルサイズが小さくカイ二乗検定が使えない場合にフィッシャーの検定が用いられるのは、超幾何分布によって厳密な確率が計算できるためです。

まとめ：今後の動向と失敗しないための判断基準

超幾何分布は、「非復元抽出（元に戻さない）」という身近で不可逆な現象を数学的にモデル化した極めて実用性の高い確率分布です。

一見すると複雑な数式も、「全体の選び方分の、当たりの選び方×ハズレの選び方」という組み合わせの論理に分解すれば明快に解き明かせます。また、期待値は二項分布と同じ $np$ であり、分散は有限母集団修正係数 $\frac{N-n}{N-1}$ が掛かるだけという規則性を掴めば、試験や実務の場でも迷うことはありません。

母集団サイズとサンプルサイズの比率を見極め、厳密な超幾何分布の適用と二項近似の使い分けを正しく判断することが、データ分析や品質管理における過誤を防ぐ決定打となります。 （出典: 超 幾何 分布（Yahoo!ニュース））