正規分布とは？68-95-99.7ルール・Zスコア・標準化・SPSSでの確認までやさしく解説
みなさん、こんにちは。スマート・アナリティクスの畠です。 正規分布は、統計学でいちばんよく登場する確率分布です。平均と標準偏差という2つの値だけで形が決まり、左右対称のなだらかなベル型を描きます。多くの検定や回帰分析が、何らかの形でこの「正規性」を前提にしているので、正規分布を理解しておくことは、統計の手法を正しく使うための土台になります。このページでは、定義から標準化（Zスコア）、中心極限定理、そして「どこまで正規性にこだわればよいのか」という判断のものさしまでを、順番に見ていきます。
- 正規分布は、平均μと標準偏差σの2つだけで形が決まる、左右対称のベル型の確率分布
- μ±1σに約68%、±2σに約95%、±3σに約99.7%が入る（68-95-99.7ルール）
- 標準化（Zスコア）で平均0・標準偏差1にそろえると、違うデータを同じものさしで比べられる
- 中心極限定理により、データが十分あれば「完全な正規分布」でなくても手法は使える
正規分布で何が分かるのか
正規分布が教えてくれるのは、「ある値が、どれくらいの確率で現れるか」です。平均の近くの値はよく現れ、平均から離れるほど現れにくくなります。身長、テストの得点、測定の誤差——身のまわりの多くの量が、この形に近い分布を示します。
正規分布をいちど理解しておくと、二つの見通しが得られます。ひとつは「この値は珍しいのか、よくあることなのか」を確率で言えること。もうひとつは、t検定・分散分析・回帰分析といった主要な手法が「なぜ正規性を前提にするのか」「その前提が崩れると何が起きるのか」を、自分で判断できるようになることです。
正規分布は、それ単体で覚える知識というより、いろいろな手法を見渡すための「レンズ」のようなものだと考えてください。
正規分布の定義
正規分布（normal distribution）は、平均 μ と標準偏差 σ という2つの値だけで、形が完全に決まる連続確率分布です。確率密度関数は次の式で表されます。
式そのものを覚える必要はありません。大事なのは、次の性質です。
- 曲線は平均 μ を中心に左右対称
- 平均・中央値・最頻値が一致する
- 曲線とx軸で囲まれた面積の合計は1（＝すべての確率）
- μ が曲線の位置を、σ が曲線の幅（広がり）を決める
μ を変えると曲線は左右に平行移動し、σ を大きくすると曲線は低く広がり、小さくすると高く尖ります。位置と幅は変わっても、ベル型という形そのものは変わりません。
具体例で考えてみます。あるテストで、1組の平均が60点、2組の平均が70点だったとしましょう。点数の散らばり具合（標準偏差）が同じなら、2つのクラスの分布は同じ形の山が10点分ずれて並ぶイメージです。一方、平均が同じ70点でも、全員が65〜75点に固まっているクラスと、40点台から90点台まで広く散らばっているクラスでは、前者はとがった山、後者はなだらかな山になります。標準偏差そのものの意味に不安がある方は、先に標準偏差と分散のガイドを読んでおくと、このあとの話がぐっと楽になります。
標準偏差と確率の関係（68-95-99.7）
正規分布では、平均からの距離を「標準偏差いくつ分」という単位で測ると、その範囲に入る確率が決まっています。
| 範囲 | 含まれる確率 |
|---|---|
| μ ± 1σ | 約68.3% |
| μ ± 2σ | 約95.4% |
| μ ± 3σ | 約99.7% |
これを68-95-99.7ルールと呼びます。逆に言えば、平均から2σ以上離れた値は約5%、3σ以上離れた値は約0.3%しか現れない、ということです。検定でよく使われる有意水準5%という基準も、もとをたどればこの性質につながっています。
標準化とZスコア
身長（cm）とテストの得点（点）のように、単位や尺度が違うデータは、そのままでは比べられません。そこで行うのが標準化です。
それぞれのデータから平均を引き、標準偏差で割ると、平均0・標準偏差1の標準正規分布に変換されます。変換後の値をZスコア（標準得点）と呼びます。
Zスコアは「平均から標準偏差いくつ分、離れているか」を表します。Z = 2 なら「平均より2σ上」で、上位およそ2.3%に位置することがわかります。学力テストでおなじみの偏差値（平均50・標準偏差10）は、このZスコアを10倍して50を足したものです。標準化のおかげで、違うテストや違う集団の成績を、同じものさしで比べられるようになります。
偏差値の正体——具体例で確かめる
標準化のご利益を、具体例で体感してみましょう。ある学生が、数学のテストで72点、英語のテストで68点をとったとします。点数だけ見ると数学のほうがよくできたように見えますよね。ところが、数学は平均60点・標準偏差8点、英語は平均62点・標準偏差4点だったとします。
英語：Z = (68 − 62) ÷ 4 = 1.5
Zスコアにすると、どちらも「平均より1.5σ分上」で、集団のなかでの相対的な位置はまったく同じだったことがわかります。素点では見えなかったことが、標準化すると見えてくるのです。
そして、みなさんになじみ深い偏差値は、このZスコアを「平均50・標準偏差10」に置き直したものにすぎません。
先ほどの例なら、偏差値は 1.5 × 10 + 50 = 65 です。分布が正規分布に近ければ、68-95-99.7ルールから「偏差値60以上（+1σ以上）は上位約16%」「偏差値70以上（+2σ以上）は上位約2.3%」といった読み方もできます。偏差値の正体は、正規分布と標準化の組み合わせだったわけです。
標準化は値の「位置」を翻訳するだけで、分布の形そのものは変えません。歪んだ分布を標準化しても、歪んだままです。「標準化すれば正規分布になる」というのはよくある誤解なので、気をつけてください。
中心極限定理──なぜ正規分布はこれほど大切なのか
正規分布が統計学の中心にある最大の理由が、中心極限定理（central limit theorem）です。
この定理は、「もとの母集団がどんな分布であっても、そこから取り出した標本平均の分布は、標本サイズが大きくなるにつれて正規分布に近づいていく」と教えてくれます。もとのデータが偏った分布でも、歪んだ分布でも、平均をとるという操作を繰り返せば、その平均値たちは正規分布に近づいていくのです。
これがありがたいのは、私たちが関心を持つのが、多くの場合「平均値」だからです。t検定や信頼区間は標本平均を扱いますが、中心極限定理のおかげで、もとのデータが厳密な正規分布でなくても、標本サイズが十分なら手法をきちんと使えます。「正規性が少し崩れていても、データの数が多ければ大きな問題にはなりにくい」——その判断のよりどころが、まさにこの定理です。
そもそも、なぜ身長や測定誤差は正規分布に近い形になるのでしょうか。鍵になるのは、「たくさんの小さな要因が足し合わさってできた量は、正規分布に近づきやすい」という性質です。身長は、たくさんの遺伝的な要因と、栄養や生活環境といった無数の小さな影響が積み重なって決まります。実験の測定誤差も、器具のわずかなブレ、目盛りの読み取り、室温の変化など、細かな偶然の積み重ねです。こうした「小さな偶然の合計」が、自然と釣り鐘型を作り出します。
サイコロで体感してみましょう。サイコロ1個の出目は1〜6が同じ確率で出る、まっ平らな分布です。ところが、サイコロを10個振って「出目の平均」を記録する、という実験を何百回もくり返すと、その平均値のヒストグラムは、3.5を中心とした見事な釣り鐘型になります。もとの分布が平らでも、「平均」をとると正規分布が顔を出すのです。
どこまで正規性を気にすればよいか
学びはじめの方ほど「データが完全な正規分布でないと、検定してはいけないのでは」と不安になりがちです。私も相談の場で何度もこの声を聞いてきました。けれど、実際にはそこまで厳密ではありません。判断のポイントを整理しておきましょう。
何の正規性が必要かを区別します。たとえば回帰分析が前提にするのは、説明変数や目的変数そのものの正規性ではなく、残差（誤差）の正規性です。前提の対象を取り違えると、必要のない変換をしてしまいます。
データの数を考えます。中心極限定理のおかげで、標本サイズが大きい（目安として各グループ30以上）と、多少の非正規性は平均値を扱う手法に大きく影響しません。
手法の頑健さを考えます。t検定や分散分析は、正規性のずれにある程度強い（頑健である）ことが知られています。
外れ値の影響を切り分けます。「正規分布でない」ように見える原因が、じつは少数の外れ値だった、ということは少なくありません。
必要なのは「完全な正規分布」ではなく、「手法をきちんと使える程度に、正規分布から大きく外れていないこと」です。完璧さではなく、許容できる範囲かどうかで判断します。
正規性の確認方法
正規性は、目で見て確かめる方法と、検定で確かめる方法の両面から確認します。
| 方法 | 種類 | 特徴 |
|---|---|---|
| ヒストグラム | 視覚 | 分布の形・歪み・山の数を直感的につかめる |
| Q-Qプロット | 視覚 | 点が直線に乗れば正規分布に近い。ずれ方で問題の場所がわかる |
| 歪度・尖度 | 数値 | 左右の偏り（歪度）、裾の重さ（尖度）を数値で表す |
| シャピロ・ウィルク検定 | 検定 | 小〜中規模のデータで有力。帰無仮説は「正規分布である」 |
| コルモゴロフ・スミルノフ検定 | 検定 | 大きなデータ向き。SPSSではLilliefors補正版が使われる |
ここで、ぜひ知っておいてほしい注意があります。正規性の検定は、データが多いと、ごくわずかな歪みでも「有意（正規分布でない）」と判定しがちです。データが数百を超えると、実害のない程度のずれでも検定が棄却してしまいます。ですから、検定の p 値だけで機械的に決めず、ヒストグラムとQ-Qプロット、歪度・尖度を併せて、総合的に見ることをおすすめします。
SPSSでの確認方法
ここでは、IBM SPSS Statisticsで正規性を確認する流れを、3つの手順に分けて紹介します。
手順1：正規曲線つきヒストグラムで形を見る
まず、対象の変数のヒストグラムを描きます。「正規曲線の表示」にチェックを入れると、データから推定した正規分布の曲線がヒストグラムに重ねて表示されます。実際の分布の形と理想の釣り鐘型を見比べて、山の数・左右対称性・楽端な値の有無を確認します。
手順2：記述統計量で歪度・尖度を確認する
「オプション」で「歪度」「尖度」にチェックを入れて実行します。出力表で、歪度・尖度がどちらも0に近ければ、形のうえで正規分布から大きくは外れていないと読めます。あわせて平均値・標準偏差も確認しておくと、68-95-99.7ルールを当てはめた読み取りの準備ができます。
手順3：探索的分析でQ-Qプロットと検定をまとめて出力する
IBM SPSS Statistics では、「分析」→「記述統計」→「探索的」を使うと、ヒストグラム、Q-Qプロット、歪度・尖度、シャピロ・ウィルク検定／コルモゴロフ・スミルノフ検定を、まとめて出力できます。「正規性の検定とプロット」のオプションを有効にするのがポイントです。
t検定・分散分析・回帰分析など、正規性を前提とする分析は SPSS Statistics Base で実行できます。残差の正規性の診断や高度なモデルでは、追加モジュールの検討が必要になることもあります。SPSSの具体的な画面操作は「SPSSの使い方」シリーズでくわしく解説しています。
関連分析手法・SPSS実装ガイド
正規分布と関連の深い分析手法・SPSSでの具体的な実装手順を以下にまとめます。研究設計や論文執筆の参考にあわせてご活用ください。
つまずきやすいポイントと注意点
中心極限定理のおかげで、データの数が十分あれば、平均値を扱う手法はきちんと使えます。どうしても正規性が満たせず、データも少ない場合は、マン・ホイットニーのU検定などのノンパラメトリック手法に切り替えます。
正規性検定が有意 ＝ 手法が使えない、ではありません。とくにデータが多いと過敏に棄却されます。p値ではなく、分布の形とずれの程度で判断しましょう。
正規分布を仮定するのは「データそのもの」とはかぎりません。回帰分析では残差、グループ比較では各グループ内の分布が対象です。何の正規性なのかを意識してください。
ログ変換は万能ではありません。右に裾を引く分布には効きますが、左に歪んだ分布や、山が複数ある分布には効きません。変換は目的を持って行います。
標準化と正規化を混同しないでください。標準化（Zスコア化）は、平均0・標準偏差1に位置をそろえる変換で、分布の形は変わりません。歪んだデータを標準化しても正規分布にはならない点に注意してください。
68-95-99.7ルールを歪んだ分布に当てはめないでください。このルールは正規分布に近い分布だけで成り立つ経験則です。歪んだ分布で「±2σの外は5%未満のはず」と判断すると、めずらしさを見誤ります。ルールを使う前に、分布の形の確認をセットにしましょう。