はじめに
モンスターボールのサイズが製品によって少しずつ違う…そんなことはありませんか？
この「ばらつき」がどれだけならOKで、どれだけ超えたらNGなのか。
本記事では、正規分布・t分布・カイ二乗分布といった統計分布を使って、モンスターボールのサイズばらつきを「確率的に」判断する方法を解説します。
1. 基本用語と定義（例付き）
| 用語 | 定義 | モンスターボールの例 |
|---|---|---|
| 母集団（Population） | 理論上考えられる全データ集合 | 世界中のすべてのモンスターボール（理想的な全数） |
| 標本（Sample） | 実際に観測・抽出された一部 | ランダムに選んだ100個のボール |
| 母平均（μ） | 母集団の平均サイズ | 直径 μ = 45.0 mm（設計値） |
| 標本平均（x̄） | 標本の平均サイズ | x̄ = 45.1 mm（100個の平均） |
| 母分散（σ²） | 母集団サイズのばらつきの2乗平均 | σ² = 0.04 mm²（標準偏差2mmの二乗） |
| 標準偏差（σ） | 1個あたりのばらつきの平均的な幅 | σ = 2.0 mm（±2mmに約68%が収まる） |
実際のサイズデータ（例）
| No. | 直径 (mm) |
|---|---|
| 1 | 44.2 |
| 2 | 45.8 |
| 3 | 45.1 |
| ... | ... |
| 100 | 44.9 |
→ この100個の平均が x̄ = 45.1 mm、標準偏差が s = 2.0 mm と観測されたとします。
2. この「ばらつき」は大丈夫？：分布による解釈
正規分布（Normal Distribution）
- 「測定値の多くは平均近辺にあり、離れるほど少なくなる」
- 例：45.0 mm ± 2.0 mm → 約68%
- ±4mm まで → 約95% → 実質の許容範囲
正規分布の式：
$$
f(x) = \frac{1}{\sqrt{2\pi}\sigma} e^{- \frac{(x - \mu)^2}{2\sigma^2}}
$$
標準化（Zスコア）で確率を求める
$$
Z = \frac{x̄ - \mu}{\sigma / \sqrt{n}} = \frac{45.1 - 45.0}{2.0 / \sqrt{100}} = \frac{0.1}{0.2} = 0.5
$$
→ このZスコア = 0.5 に対応する片側確率は約 0.6915
→ つまり、これくらいの差はよくある範囲
t分布（標本サイズが小さいとき）
- n が小さい（例：n=10など）の場合、Zスコアの代わりに t値を使う
- 平均の不確かさが大きいので、正規分布より裾が広い
- n=100 であれば、ほぼ正規分布と同じ
カイ二乗分布（ばらつきの検定）
- 「このばらつき（s²）は想定範囲内か？」
- 母分散 σ² = 4.0 に対し、観測された s² = 4.4 のとき：
$$
\chi^2 = \frac{(n-1)s^2}{\sigma^2} = \frac{99 \cdot 4.4}{4.0} = 108.9
$$
→ カイ二乗分布（自由度99）の臨界値を超えていなければ、ばらつきも妥当と判断
3. 工業的解釈：このばらつきは許容範囲か？
- 設計：直径45 ± 4 mm
- → 合格ライン = [41, 49]
- 正規分布においてこの範囲に収まる確率 ≒ 95.4%
不良率（= 規格外確率）
$$
P(x < 41 \text{ or } x > 49) ≈ 4.6%
$$
→ この4.6%は現実的か？→ 品質指数で判断
4. 品質指数（Cp, Cpk）
Cp（工程能力指数）
$$
Cp = \frac{USL - LSL}{6σ} = \frac{49 - 41}{6 \cdot 2.0} = \frac{8}{12} ≈ 0.67
$$
→ Cp < 1.0 は改善の余地あり！
Cpk（ズレ考慮）
$$
Cpk = \min\left(\frac{USL - \mu}{3σ}, \frac{\mu - LSL}{3σ}\right)
= \min\left(\frac{49 - 45.1}{6}, \frac{45.1 - 41}{6}\right)
= \min(0.65, 0.68) = 0.65
$$
→ 実際は中心がやや上にズレている
5. 積分＝確率、そして「確率1」の意味とは？
確率密度関数（PDF）の曲線下の面積が「確率」です。正規分布の場合：
全体の面積は必ず 1（= 確率100%）
$$
\int_{-\infty}^{\infty} f(x) , dx = 1
$$
これは「すべてのモンスターボールはどこかのサイズを持っている」＝サイズがどこかに必ずあることを意味します。
例：±2σ（45 ± 4mm）内に収まる確率は？
$$
P(41 \leq x \leq 49) = \int_{41}^{49} f(x), dx ≈ 0.954
$$
→ 面積 = 確率95.4%
逆に、±2σ外に出る確率（= 不良率）は？
$$
P(x < 41 \text{ or } x > 49) ≈ 1 - 0.954 = 0.046
$$
6. Pythonで正規分布と統計品質分析コード
# Program Name: pokeball_quality_check.py
# Creation Date: 20250601
# Overview: Evaluate Pokéball size variability using Normal, t, Chi-square distributions
# Usage: Execute all cells in Jupyter or Colab to visualize and evaluate quality metrics
# ライブラリのインストール
!pip install numpy scipy matplotlib
# ライブラリのインポート
import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import norm, chi2
# ---------- 設定 / Parameters ----------
mu = 45.0 # 母平均（設計値）
sigma = 2.0 # 標準偏差
n = 100 # 標本サイズ
x_bar = 45.1 # 標本平均（観測値）
s2 = 4.4 # 標本分散（s²）
USL, LSL = 49, 41 # 規格上限・下限
# ---------- Zスコアと確率計算 ----------
se = sigma / np.sqrt(n)
z_score = (x_bar - mu) / se
p_value = 1 - norm.cdf(z_score)
# ---------- Cp, Cpk ----------
Cp = (USL - LSL) / (6 * sigma)
Cpk = min((USL - x_bar) / (3 * sigma), (x_bar - LSL) / (3 * sigma))
# ---------- 不良率 ----------
prob_within = norm.cdf(USL, mu, sigma) - norm.cdf(LSL, mu, sigma)
reject_rate = 1 - prob_within
# ---------- カイ二乗検定（ばらつき） ----------
df = n - 1
chi2_stat = df * s2 / sigma**2
chi2_p_right = 1 - chi2.cdf(chi2_stat, df)
# ---------- 結果出力 ----------
print(f"Zスコア: {z_score:.2f}")
print(f"片側確率（Z > {z_score:.2f}）: {p_value:.4f}")
print(f"Cp: {Cp:.2f}")
print(f"Cpk: {Cpk:.2f}")
print(f"不良率: {reject_rate*100:.2f}%")
print(f"カイ二乗統計量: {chi2_stat:.2f}")
print(f"ばらつきが過剰な確率（右側P）: {chi2_p_right:.4f}")
# ---------- 正規分布と不良領域の可視化 ----------
x = np.linspace(36, 54, 500)
y = norm.pdf(x, mu, sigma)
plt.figure(figsize=(10, 6))
plt.plot(x, y, label="Normal PDF")
plt.axvline(USL, color='red', linestyle='--', label='USL')
plt.axvline(LSL, color='blue', linestyle='--', label='LSL')
plt.axvline(x_bar, color='green', linestyle=':', label=f'Sample Mean: {x_bar}')
plt.fill_between(x, y, where=(x < LSL) | (x > USL), color='red', alpha=0.3, label='Reject Region')
plt.title("Pokéball Diameter Distribution with Spec Limits")
plt.xlabel("Diameter (mm)")
plt.ylabel("Density")
plt.legend()
plt.grid(True)
plt.show()
おわりに
このように、モンスターボールという身近な題材でも、統計学・品質管理・確率分布の本質的な考え方を直感的に学ぶことができます。