ガンマ分布とは？確率分布の特徴と平均・分散の求め方を解説！（ポアソン分布）

ガンマ分布は、待ち時間や寿命、一定回数の出来事が起こるまでに必要な時間などを表すために使われる連続型の確率分布です。

統計学や品質管理、信頼性工学、金融工学、機械学習などで登場し、ポアソン分布との深い関係も持っています。

名称は知っていても、形状母数や尺度母数、平均、分散の意味まで理解しようとすると難しく感じるかもしれません。

そこでこの記事では、ガンマ分布の基本的な特徴から平均と分散の導き方、ポアソン分布との関係、実務での利用場面までを順に整理します。

ガンマ分布の意味と基本的な特徴

それではまずガンマ分布の意味と、確率分布としての基本的な特徴について解説していきます。

待ち時間を表す連続型確率分布

ガンマ分布は、ある出来事が指定した回数起きるまでの待ち時間を表現する確率分布です。

たとえば、電話が3回かかってくるまでの時間、工場設備で故障が2回発生するまでの期間、Webサイトに一定数のアクセスが集まるまでの時間などを考える場面で使えます。

時間や長さ、金額のように、値を連続的に扱う点が大きな特徴です。

値は原則として0以上となり、負の時間や負の寿命を扱わない現象と相性がよいでしょう。

ガンマ分布は、偶然に発生する事象の積み重なりによる待ち時間を扱うモデルとして理解すると、使いどころが見えやすくなります。

一度の出来事を待つ時間には指数分布が使われますが、複数回の出来事を待つ時間まで広げたものがガンマ分布です。

形状母数と尺度母数の役割

ガンマ分布は、主に形状母数と尺度母数という2つの値で決まります。

形状母数は、分布の山の位置や左右への広がり方に影響する値です。

尺度母数は、時間や金額などの単位に沿って分布全体をどの程度引き伸ばすかを決めます。

形状母数が小さいと、0付近に確率密度が集まり、右側に長い裾を引く形になりやすい傾向があります。

形状母数が大きくなるにつれて山が明確になり、左右の偏りも比較的小さくなっていきます。

尺度母数を大きくすると、平均的な待ち時間も分散も大きくなります。

確率密度関数の考え方

ガンマ分布の確率密度関数は、形状母数をk、尺度母数をθとした場合に、xが0以上の範囲で定義されます。

数式では、xのkマイナス1乗に指数関数を掛け、ガンマ関数と尺度母数で調整する形です。

ガンマ関数は階乗を連続的な値まで拡張した関数であり、整数nに対しては、nマイナス1の階乗に対応します。

確率密度そのものは、ある一点で起こる確率を直接示す値ではありません。

特定の区間に入る可能性を求めるには、該当する範囲の面積を考えます。

この考え方は正規分布や対数正規分布など、ほかの連続型確率分布にも共通します。

平均と分散の求め方

続いてはガンマ分布における平均と分散の求め方を確認していきます。

平均が表す待ち時間の中心

形状母数をk、尺度母数をθとするガンマ分布の平均は、kとθを掛け合わせた値になります。

つまり、平均は形状母数かける尺度母数です。

形状母数が4、尺度母数が2時間なら、平均は8時間となります。

これは、対象となる出来事が4回起きるまでに、平均的には8時間かかるという意味です。

平均は最も起こりやすい値と必ずしも一致しない点には注意が必要です。

ガンマ分布は右に裾を引くことが多いため、最頻値よりも平均のほうが大きくなる場合があります。

待ち時間が極端に長くなるケースが少数含まれると、平均が右方向へ引っ張られるためです。

分散が表すばらつきの大きさ

ガンマ分布の分散は、形状母数と尺度母数の2乗を掛けた値です。

言い換えると、分散はkかけるθの2乗として求められます。

尺度母数が大きくなると、その2乗で分散に影響するため、ばらつきは急に大きくなります。

先ほどの形状母数4、尺度母数2時間の例では、分散は16時間の2乗です。

標準偏差を知りたいときは、分散の平方根を取ります。

この例の標準偏差は4時間となり、平均8時間の周辺にどれほどの散らばりがあるかを把握できます。

具体例による計算の整理

平均と分散を計算するときは、形状母数と尺度母数を取り違えないことが大切です。

同じガンマ分布でも、ソフトウェアや参考書によっては尺度母数ではなく率母数を使う場合があります。

率母数は尺度母数の逆数であり、単位時間あたりの発生頻度を表す値です。

条件	形状母数	尺度母数	平均	分散
例1	2	3	6	18
例2	5	2	10	20
例3	8	0.5	4	2

例1では尺度母数が3のため、分散は3の2乗である9の影響を受けます。

形状母数2を掛けることで、分散は18になります。

平均だけでなく分散まで確認すると、予測値の不確かさを具体的に判断できます。

納期の見積もり、故障時期の予測、アクセス数の変動分析などでは、平均値だけに頼らない視点が欠かせません。

ポアソン分布との関係

続いてはポアソン分布とガンマ分布の関係を確認していきます。

回数を扱うポアソン分布

ポアソン分布は、一定の時間や空間の中で事象が何回起こるかという回数を扱う離散型の確率分布です。

たとえば、1時間に届く問い合わせ件数、1日に起きる機械トラブルの件数、一定範囲内に見つかる欠陥の数などが代表例です。

回数は0回、1回、2回というように飛び飛びの値を取るため、連続型のガンマ分布とは対象が異なります。

一方で、両者は同じランダムな事象の発生過程を別の角度から見ているため、密接に結び付いています。

ポアソン分布が回数を扱うのに対し、ガンマ分布は指定回数に達するまでの時間を扱います。

ポアソン過程から見た待ち時間

事象が独立に、一定の平均的な速さで発生する仕組みをポアソン過程と呼びます。

このとき、次の1回が起こるまでの時間は指数分布に従います。

さらに、k回目の事象が起こるまでの合計時間はガンマ分布に従うことになります。

つまり、ポアソン過程では、回数の側面をポアソン分布で表し、待ち時間の側面をガンマ分布で表せるわけです。

この対応関係を知ると、式だけを暗記するよりも直感的に理解できるでしょう。

指数分布を含む特殊なケース

形状母数が1のガンマ分布は、指数分布と同じになります。

これは、最初の1回が発生するまでの待ち時間を扱うためです。

形状母数を2、3、4と増やしていくと、2回目、3回目、4回目の事象までの待ち時間を表せます。

扱いたい対象	適した分布	例
一定時間内の発生回数	ポアソン分布	1時間の問い合わせ件数
次の1回までの待ち時間	指数分布	次の来客までの時間
複数回の発生までの待ち時間	ガンマ分布	5件目の注文までの時間

このように、指数分布はガンマ分布の一部として位置付けられます。

確率分布の関係を整理すると、分析目的に応じたモデル選びがしやすくなります。

形状母数によるグラフの変化

続いては形状母数によってガンマ分布のグラフがどのように変わるかを確認していきます。

形状母数が1未満の場合

形状母数が1未満の場合、ガンマ分布の確率密度は0付近で非常に高くなり、その後は右側へ向かって減少していきます。

短い時間で事象が起こる可能性が高い一方、長い待ち時間も一定程度あり得るような状況を表しやすい形です。

分布は強く右に歪み、平均値だけでは代表的な状態をつかみにくいことがあります。

このような場合は、中央値や分位点も併せて確認するとよいでしょう。

右に長い裾がある分布では、平均値よりも上位何パーセントかを見る視点が実務で役立ちます。

形状母数が1の場合

形状母数が1の場合は指数分布となり、時間の経過にかかわらず一定の発生率を仮定するモデルになります。

たとえば、到着する顧客や通信パケットがランダムに発生するような状況で用いられます。

指数分布には無記憶性という性質があります。

これは、すでにどれだけ待ったかにかかわらず、これから先の待ち時間の分布が変わらないという性質です。

ただし、すべての現象が無記憶性を持つわけではありません。

長く使った部品ほど壊れやすくなる場合には、指数分布だけでは説明しにくいこともあります。

形状母数が大きい場合

形状母数が大きくなると、ガンマ分布は山を持つ形になり、徐々に正規分布に近い見た目になります。

これは、多数の独立した待ち時間を合計した結果として考えられるためです。

ただし値の範囲は0以上に限られるため、完全に正規分布と同じではありません。

平均が十分に大きく、相対的なばらつきが小さい状況では、正規分布による近似が検討される場合もあります。

とはいえ、近似を使う際にはデータの歪みや外れ値を確認することが重要です。

グラフの形を確認してから分布を選ぶ姿勢が、統計分析の精度を左右します。

実務におけるガンマ分布の活用場面

続いてはガンマ分布が実務でどのように活用されるかを確認していきます。

信頼性工学と故障時間の分析

機械や電子部品、設備の故障までの時間を分析する際、ガンマ分布は有力な候補になります。

複数の要因が少しずつ蓄積し、ある条件に達したときに故障するような現象では、待ち時間の分布として考えやすいためです。

保守点検の周期を決めるときには、平均故障時間だけでなく、早期故障や長期使用によるリスクも確認する必要があります。

ガンマ分布を用いることで、一定期間内に故障が起きる確率や、予防保全に適した時期を推定できます。

設備管理では、平均寿命よりも故障確率の推移を見ながら交換時期を決めることが重要です。

待ち行列とサービス運営

コールセンター、病院の受付、飲食店、物流拠点などでは、顧客や荷物が到着するタイミングを分析する必要があります。

到着件数にはポアソン分布、一定数の到着までの時間にはガンマ分布を使うことで、混雑の傾向を整理できます。

たとえば、10件の問い合わせが来るまでの平均時間や、その時間が想定より長くなる確率を見積もることが可能です。

人員配置や営業時間、在庫量を検討する場面でも役立つでしょう。

ただし、曜日や時間帯によって到着率が大きく変化する場合は、一定の発生率を仮定する単純なモデルだけでは不十分です。

時間帯別にデータを分ける、説明変数を加えるなどの工夫が求められます。

ベイズ統計における事前分布

ガンマ分布は、ベイズ統計においてポアソン分布や指数分布のパラメータに対する事前分布としてよく利用されます。

ポアソン分布の発生率は正の値を取るため、同じく0以上の範囲を取るガンマ分布との相性がよいからです。

観測データを得たあとも、事後分布がガンマ分布の形で扱いやすいという利点があります。

このような組み合わせは共役事前分布と呼ばれ、計算を簡潔に進められる点が魅力です。

発生率が固定値ではなく不確実な量として扱われる場面で、ガンマ分布の役割が際立ちます。

まとめ

ガンマ分布は、複数回の事象が起こるまでの待ち時間や、正の値を取る連続データを表すために使われる確率分布です。

形状母数は分布の形や出来事の回数に関係し、尺度母数は時間や値の大きさに影響します。

平均は形状母数と尺度母数の積であり、分散は形状母数と尺度母数の2乗の積として求められます。

ポアソン分布が一定時間内の発生回数を扱うのに対し、ガンマ分布は一定回数の発生までに必要な時間を扱います。

形状母数が1の場合には指数分布となるため、ポアソン分布、指数分布、ガンマ分布は互いに関連する分布として理解できます。

回数を予測したいのか、待ち時間を予測したいのかを最初に整理することが、適切な確率分布を選ぶ近道です。

信頼性工学、待ち行列、品質管理、ベイズ統計など、ガンマ分布の活用範囲は幅広いものです。

平均値だけで判断せず、分散や分位点、分布の形状まで確認しながら、実際のデータに合った分析へつなげていきましょう。