1時間に何件の電話がかかってくるか、交差点で1年に何件の事故が起きるか——「めったに起きないが、たまに起きる」出来事の回数を扱うのがポアソン分布です。「期待値と分散がどちらもλ」というユニークな性質が試験でも狙われる、統計分野の重要キーワードです。
📖 ひと言でいうと
ポアソン分布とは、一定の期間(または範囲)の中で、まれな事象が何回起きるかを表す離散確率分布で、平均発生回数λ(ラムダ)だけで形が決まります。
コールセンターの例で言えば、「1時間あたり平均2件の問い合わせが来る」ことが分かっているとき、次の1時間に0件・1件・3件…が来る確率をそれぞれ計算できるのがポアソン分布です。
🖼 1枚でわかるポアソン分布
📘 公式テキストの説明
ポアソン分布は、特定の期間内に一定の確率で発生する「稀なイベント」の回数を扱う確率分布です。例えば、特定の交差点での交通事故の発生回数や、一定時間内に電話がかかってくる回数が該当します。この分布は、事象が非常に低い確率で発生し、かつ試行回数が多い状況において有効です。ポアソン分布は次の条件を満たすときに適用できます。まず、試行回数が非常に多いこと、次に個々の試行で事象が発生する確率が非常に小さいこと、そしてその試行の総回数と成功確率の積が一定の値に近づくことです。この積を「λ（ラムダ）」と呼びます。ポアソン分布の特徴的な性質として、期待値と分散がともにλに等しいことが挙げられます。これは、一定の時間内に起こる事象の平均回数がλであり、その変動もλに従うためです。この性質により、ポアソン分布は平均回数に基づく確率モデルとして幅広く使用されています。例えば、1日に1件の電話がかかってくるとした場合、1日に2件、3件と複数の電話がかかる確率は、λを基にポアソン分布を使って計算できます。この場合、λが大きくなるにつれて、発生回数の分布は正規分布に近づくという特徴もあります。ポアソン分布の具体的な例としては、医療での事故率や製品検査における不良品の発生率の計算が挙げられます。また、通信ネットワークにおける通話の到着回数などにも応用されています。
公式テキストのポイントは3つです。(1)対象は「まれな事象の回数」であること、(2)「試行回数が多い × 発生確率が小さい」の積λがパラメータであること、(3)期待値と分散がともにλという性質です。特に(3)は、ポアソン分布を他の分布と区別する目印として覚えておく価値があります。
🔍 しっかり理解する
二項分布の極限としてのポアソン分布
ポアソン分布は天下り的に与えられた式ではなく、二項分布から自然に導かれます。
たとえば「1万人が通る交差点で、1人あたり0.0002の確率で事故が起きる」なら、λ = 10000 × 0.0002 = 2 です。個々のnとpを知らなくても、平均して1日2件という「λ」さえ分かれば回数の分布を扱える——これがポアソン分布の実用上の強みです。
確率の式と数値検算
事象がk回起きる確率は次の式で与えられます(eは自然対数の底、k!はkの階乗)。
P(X = k) = (λのk乗 × eの−λ乗) ÷ k!
λ = 2(1時間平均2件の問い合わせ)で検算してみましょう。eの−2乗 ≒ 0.1353 を使うと、
- P(0件) = 1 × 0.1353 ÷ 1 ≒ 0.135(13.5%)
- P(1件) = 2 × 0.1353 ÷ 1 ≒ 0.271(27.1%)
- P(2件) = 4 × 0.1353 ÷ 2 ≒ 0.271(27.1%)
- P(3件) = 8 × 0.1353 ÷ 6 ≒ 0.180(18.0%)
平均は2件でも、0件の時間帯も13.5%の確率で起きるし、逆に4件以上が集中する時間帯もある、という「回数の揺らぎ」を定量化できるのがポイントです。
期待値 = 分散 = λ という性質
正規分布は平均と分散の2つのパラメータを持ちますが、ポアソン分布はλひとつで期待値も分散もλに決まります。上の例なら、1時間あたりの件数の期待値は2、分散も2です。逆に言えば、実データで「回数の平均と分散が大きく食い違う」場合はポアソン分布の仮定が崩れているサインとして使えます。また、λが大きくなると分布の形は左右対称に近づき、正規分布で近似できるようになります。
💡 具体例で考える
コールセンターの人員計画は典型的な応用例です。1時間平均2件(λ = 2)なら、上の計算からP(0) + P(1) + P(2) + P(3) ≒ 0.86、つまり約86%の時間帯は3件以下に収まります。「4件以上が同時に来る約14%の時間帯にどう備えるか」という形で、平均だけでは立てられない具体的な計画が立てられます。
また、Webサーバーへのアクセス数、製造ラインでの不良品の発生数、保険会社が扱う事故件数のモデル化にもポアソン分布が使われます。機械学習でも、「一定期間の発生回数」を予測するタスク(店舗の来客数予測など)で、目的変数をポアソン分布と仮定するポアソン回帰という手法があります。
⚠️ よくある誤解・紛らわしい用語
- 二項分布との違い — 二項分布は「n回中の成功回数」(nとpの2パラメータ)、ポアソン分布はその極限で「回数だけを扱う」(λの1パラメータ)。nが大きくpが小さいときに二項分布をポアソン分布で近似できます。
- ベルヌーイ分布との違い — ベルヌーイ分布は1回の試行の成否(0か1)、ポアソン分布は回数(0, 1, 2, …)を扱います。
- 「期待値=分散」はポアソン分布特有 — 正規分布や二項分布では期待値と分散は別々の値です。「期待値と分散がともにλ」と来たらポアソン分布、と結びつけましょう。
- 連続分布ではない — 回数(0, 1, 2, …)をとる離散分布です。グラフが滑らかな山型に見えても、正規分布のような連続分布とは区別されます。
📝 試験でのポイント
- 「一定期間内のまれな事象の発生回数を表す分布はどれか」という定義選択の形式が最有力です。
- 「期待値と分散がともにλに等しい」という性質の正誤判定は、ポアソン分布の代表的な出題ポイントです。
- 二項分布との関係(nが大・pが小の極限、n×p = λ)を問う形式も想定されます。
- 事例文(電話の着信数・事故件数・不良品数など)から適切な分布を選ばせる問題では、「回数を扱っているか」が判断の決め手になります。
📚 まとめ
- ポアソン分布は、一定期間内にまれな事象が起きる「回数」を表す離散確率分布です。
- パラメータは平均発生回数λだけで、期待値も分散もλに等しいという際立った性質を持ちます。
- 試行回数が多く発生確率が小さい二項分布の極限として導かれ、λが大きくなると正規分布に近づきます。
- 電話の着信数・事故件数・不良品数など「回数の揺らぎ」を扱う場面で幅広く使われます。
