ベルヌーイ分布とは？ 10分でわかりやすく解説

ベルヌーイ分布とは、結果が成功か失敗かの2通りしかない試行を1回だけ行うときの確率分布です。0か1で表せるデータを扱う基本形で、クリックの有無、合否、障害の発生有無などを考えるときの出発点になります。

本記事では、ベルヌーイ分布の定義と特徴、二項分布との違い、コイン投げや品質管理、システム運用、A/Bテストでの見方、成功確率 p の推定、関連分布とのつながりまでを順に整理します。1回の0/1データをどう捉えるかを起点に、どの場面でどの分布を使い分けるのかまで見通せる構成です。

ベルヌーイ分布とは何か

ベルヌーイ分布（Bernoulli distribution）は、結果が「成功／失敗」の2通りしかない試行（ベルヌーイ試行）を1回行ったときの確率分布です。例えば「クリックした／しない」「合格／不合格」「エラーが起きた／起きない」のように、0か1で表せる事象を扱うときに使います。

ベルヌーイ分布の定義

確率変数 X がベルヌーイ分布に従うとき、X は 0 または 1 の値を取り、確率質量関数は次のように表されます。

P(X = 1) = p
P(X = 0) = 1 - p

ここで p は成功確率で、0 ≤ p ≤ 1 を満たします。なお、一般には X ~ Bernoulli(p) と表記します。

ベルヌーイ分布の特徴

ベルヌーイ分布の重要な性質は次の通りです。

1. 取りうる値は 0 と 1 の2つだけ
2. 平均（期待値）は E[X] = p
3. 分散は Var(X) = p(1 - p)

0/1データの平均は「1の割合」に一致するため、ベルヌーイ分布は直感的に扱いやすく、実務にも結びつけやすい分布です。

二項分布との関係

ベルヌーイ分布は、二項分布の特殊ケースとして理解できます。二項分布は「ベルヌーイ試行を n 回行ったときの成功回数」を表す分布で、n = 1 の場合にベルヌーイ分布と一致します。つまり、ベルヌーイ分布は二項分布の n=1 の特殊ケースです。

実務では「1回の判定（0/1）」がベルヌーイ分布、「複数回の判定の合計（成功回数）」が二項分布、という整理が分かりやすいでしょう。さらに、「初めて成功するまで何回かかるか」を見たいなら幾何分布、「r 回成功するまで」を見たいなら負の二項分布、というように、何を数えるのかで使う分布を切り分けると迷いにくくなります。

ベルヌーイ試行とは

ベルヌーイ試行は、1回の試行で結果が2通りに分かれる試行を指します。独立性や成功確率 p の一定性は、その試行を繰り返して扱うときの典型的な前提です。

1. 1回ごとの結果が2通り（成功・失敗）である
2. 成功する確率が p、失敗する確率が 1-p と定まる

実務で独立性や p の一定性を確認したい場面は、ベルヌーイ試行を繰り返して二項分布などで扱う場合です。例えば時間帯でクリック率が変わる、障害が連鎖するといった状況では、単純なモデルの前提が崩れるため、どの条件がどの程度成り立つかを確認する必要があります。

ベルヌーイ分布の応用例

ベルヌーイ分布は「0/1で表せる出来事」に幅広く使えます。ここでは代表的な例を4つ紹介します。

コイン投げへの応用

コインを1回投げて表が出る確率を p とすると、表が出たら1、裏なら0と定義した確率変数 X はベルヌーイ分布に従います。公正なコインなら p = 0.5 です。「1回の試行の成功確率」を扱う最も基本的なモデルだと考えると理解しやすいでしょう。

製品の品質管理への応用

製品検査で「合格=1／不合格=0」として、1つの製品の検査結果をベルヌーイ試行として扱えます。合格率が p であるとき、各製品の合否はベルヌーイ分布です。さらに、一定数の製品をまとめて検査して合格数を数えるなら二項分布（n 回のベルヌーイ試行）で扱えます。

システム運用での「発生有無」モデリング

ITシステムでは、例えば「ある時間窓（例：1時間）に障害が発生したか」を 0/1 で表し、ベルヌーイ分布として扱うことがあります。時間窓ごとの発生確率を p と置けば、“発生した／しない”の発生頻度を集計して傾向を見ることができます。

一方で「故障までの時間」や「障害発生の間隔」そのものを扱う場合、ベルヌーイ分布よりも指数分布・ワイブル分布などの連続分布が適することがあります。どの量を0/1化しているか（時間窓の定義）を明確にするのがポイントです。

A/Bテストでの活用

A/Bテストでは、ユーザーの反応を 0/1 として扱う場面が多くあります。例えば「購入した=1／しない=0」「クリックした=1／しない=0」などです。各ユーザーの反応はベルヌーイ分布としてモデリングでき、バージョンAとBで成功確率 p を比較します。

注意点として、A/Bテストで「Aを表示する確率がp」という表現は、ベルヌーイ分布の p（成功確率）と混同しやすいです。A/Bの割り当て確率と、反応（成功）確率は別物なので、（割り当て）と（成功）を分けて記述すると誤解が減ります。

ベルヌーイ分布のパラメータ

ベルヌーイ分布のパラメータは成功確率 p だけです。p が分布の形（成功しやすさ）を決めるため、実務ではこの推定が中心テーマになります。

パラメータ p の意味

p は「1回の試行で成功（=1）が起こる確率」です。p=0 なら必ず失敗、p=1 なら必ず成功です。例えばクリック率が2%なら p=0.02 と表せます。

最尤推定法による推定

ベルヌーイ試行を n 回行い、成功（=1）が k 回観測されたとします。このとき、最尤推定（MLE）による推定量は直感的に

p̂ = k / n

となります。0/1データの平均が成功率になる、という性質そのものです。

なお、推定値だけでなく「どれくらいブレるか」を示すために、信頼区間（例：二項比率の信頼区間）を併記する運用もよく行われます。標本数が小さい場合や、p が 0 や 1 に近い場合は、区間推定を使う方が安全です。

ベイズ推定の利用

ベイズ推定では、p を確率変数として扱い、事前分布と観測データから事後分布を求めます。ベルヌーイ（および二項）と相性がよい事前分布はベータ分布で、これを用いると事後分布もベータ分布になります（共役事前分布）。

例えば事前分布を p ~ Beta(α, β) とし、n 回中 k 回成功を観測すると、事後分布は

p | data ~ Beta(α + k, β + n - k)

となります。事後平均（推定値の一例）は

E[p|data] = (α + k) / (α + β + n)

ベイズ推定は、事前情報を反映できるのが利点です。また、適切な事前分布を置けば、サンプルが少ないときに推定が極端に振れにくくなる場合があります。ただし、その性質は事前分布の置き方（α, β）に依存するため、目的に応じて慎重に選ぶ必要があります。

ベルヌーイ分布の発展と関連分布

ベルヌーイ分布は「0/1の基本単位」であり、多くの分布の出発点になります。関連を押さえると、扱いたい量に応じてモデルを選びやすくなります。

二項分布への拡張

二項分布は、n 回のベルヌーイ試行の成功回数を扱う分布です。「一定期間に何回成功したか」「サンプルn個のうち不良が何個か」などの集計に対応できます。

幾何分布との関係

幾何分布は「初めて成功するまでに必要な試行回数」を扱います。ベルヌーイ試行を繰り返して、成功が出るまでの回数に注目する、というイメージです。例えば「初めてクリックされるまで何回表示が必要か」のような問いに対応します。

負の二項分布との関係

負の二項分布は、幾何分布を一般化したもので「r 回成功するまでに必要な試行回数」や、文脈によっては「一定回数の成功が得られるまでの失敗回数」を扱います。成功が複数回必要なケースで自然に登場します。

ベータ分布・ベータ二項分布との関係

ベータ分布は、ベルヌーイ（および二項）の成功確率 p の事前分布としてよく使われます。さらに、p 自体が状況により揺れる（母集団ごとに成功確率が異なる）ような場合、p にベータ分布を置いた結果として、観測される成功回数はベータ二項分布（Beta-Binomial）になる、という見方もできます。

「成功率が一定」と見なせない現場（曜日・属性・環境で成功率が変動する等）では、ベータ二項分布の発想が役立つことがあります。

まとめ

ベルヌーイ分布は、成功（1）と失敗（0）の2結果をもつ試行を1回行ったときの確率分布で、成功確率 p によって特徴づけられます。0/1データを扱う多くの場面で自然に登場し、二項分布（成功回数）、幾何分布（成功までの回数）、負の二項分布（r 回成功までの回数）などに発展します。

実務では、p の推定が重要です。最尤推定では p̂ = k/n が基本となり、サンプルが少ない場合や事前情報を使いたい場合には、ベータ分布を用いたベイズ推定が有効です。判断するときは、「1回の0/1」ならベルヌーイ分布、「成功回数」なら二項分布、「成功までの回数」なら幾何分布や負の二項分布、という切り分けを先に置くと選びやすくなります。ベルヌーイ分布の前提（独立性・成功確率の一定性）も併せて確認することが、データにもとづく改善につながります。

FAQ