1 単峰性の概要
単峰性とは、対象となる量の分布や関数が、その中心的な位置（典型的には最頻値や最大値）から見て一つの山を形成し、そこを越える方向では一様に離れていくような形状を指す。数学的にいえば「極大が一つに限られる」あるいは「片側からもう片側へ、山に向かって単調に近づき、その後単調に遠ざかる」という性質で表されることが多い。
統計学の文脈では、確率分布の密度や質量関数、あるいは尤度関数や事後分布が単峰であるかどうかが重要になる。なぜなら、単峰であればモード（最頻値）が一意になり、推定量の比較や最適化の挙動が安定しやすいからである。
実務では「狭義の単峰性（片側ずつで一段ずつ減少する形）」に加え、「より広い意味での条件（単調性、凹性、対称性、曲率などを含む形）」として扱われる場合もある。本項目では、これらの関係を整理し、判定や推定への影響を見通しよくまとめる。
1.1 単峰性の基本定義
単峰性は、対象となる関数 \(f\) がある点 \(x^\*\) を中心として、そこから左右へ進むにつれて値が同じ方向にのみ変化する性質として定義されることが多い。典型例では、\(f\) は \(x^\*\) で最大を取り、\(x<x^\*\) では \(x\) の増加に伴って増加し、\(x>x^\*\) では減少する（あるいは逆の符号で単調に変化する）といった形で表される。
確率分布の場合、確率密度関数や確率質量関数が単峰であるとは、モードが一つであり、周囲の値がその中心から離れるほど小さくなるという直感に合致する状況を意味する。連続の場合は密度の「山」、離散の場合は確率の「山」が対応する。
なお、定義の厳密さは文脈に依存する。極大が一つだけであればよい流儀、中心付近で単調性まで要求する流儀、曲率（凹性など）による一般化を含める流儀が存在する。
1.2 単峰性と関連概念
単峰性は、形状の議論において単なる分類にとどまらず、周辺概念との境界を明確にすることで意味が定まる。特に、モードや単調性、そして多峰性との違いは、定義をどこまで強めるかという点に直結する。
また、最適化や推定では「どのように探索すると中心を見つけやすいか」という観点から、凹性・凸性・ログ尤度の形状などが同時に関心になる。単峰性はそれらのうちの一部として位置づけられることが多い。
1.2.1 モード（最頻値）との関係
モードは、分布が最も高い確率（離散）あるいは最も大きい密度（連続）を取る点である。単峰性が成り立つと、モードは一意になりやすく、中心が定まる。逆に、多峰性では複数のモードが現れ、中心の取り方が曖昧になる。
ただし注意すべき点として、「モードが一つ」でも単峰性の強い形（両側への単調な減衰）が必ずしも自動的に満たされない場合がある。したがって、単峰性はモードの一意性と同一視されず、より強い形状条件を含むと理解するのが安全である。
1.2.2 多峰性・単調性との違い
多峰性とは、複数の山を持つ状態である。単峰性が「山が一つ」であるのに対し、多峰性は極大が複数現れるため、分布の要約が難しくなるだけでなく、最尤推定やモード探索で複数解に引き寄せられるリスクが高まる。
単調性は、値がある区間で一方向にしか変化しない性質である。単峰性は「増加区間と減少区間に分かれて、増加から減少へ切り替わる」という複合的な構造であり、単調性単独とは異なる。単峰性は多くの場合、単調性の切り替え点（中心）が存在することで表現できる。
1.3 単峰性が重要になる場面
単峰性が重視されるのは、中心が一つに定まりやすいという利点が、統計推論と計算の両方に効いてくるからである。例えば、尤度関数が単峰なら、最尤推定の最適化が局所解に迷いにくい。事後分布が単峰なら、ベイズ推定の代表値（例えば平均や中央値）とモードが極端に食い違う状況が減る。
さらに、分布の形が単峰に近いときは、区間推定や対数変換後の近似が安定しやすい。逆に、単峰性が崩れているのに単峰を仮定すると、推定の中心が誤って選ばれることがある。
2 数学的な定式化
単峰性を議論する際は、対象が「確率分布」なのか「一般の実関数」なのかを区別し、定義に含める条件の強さを明確にする必要がある。本章では、確率分布、実数関数、さらに曲率を使った一般化という三方向から整理する。
2.1 確率分布に対する単峰性
確率分布での単峰性は、密度（連続）または質量関数（離散）の形状として表現されるのが基本である。多くの定義で「モードが一つ」という要求が中心になる。
分布が対称でない場合でも、中心点から離れるほど密度が下がるという構造が単峰性に該当することがある。ただし、定義によっては左右の減少が厳密に単調であることまで要求する。
2.1.1 モードの一意性
連続分布で、密度 \(f(x)\) がある点 \(x^\*\) で最大値を取り、他の点ではそれを超えないとき、その最大点がモードである。単峰性は一般に、そのような最大点が一意であることを含意する形で述べられる。
ただし密度が平坦な頂点を持つ場合（例えば区間上で同じ最大値）には、最大集合の取り扱いが問題となる。実務では「頂点が一点に近い」あるいは「実効的に一つの山」とみなすことで作業を進めることも多いが、厳密定義では集合としてのモードを区別する必要がある。
2.1.2 確率密度・確率質量関数の形状
単峰性の一つの具体的定式化は、あるモード \(x^\*\) に対して \(x<x^\*\) で \(f(x)\) が増加し、\(x>x^\*\) で減少するという形で与えられる。離散分布では同様に、確率質量 \(p(k)\) がある \(k^\*\) を中心に左右で増減を繰り返すのではなく、頂点へ近づくほど大きく、離れるほど小さいこととして表す。
連続と離散では表現は異なるが、図形的には「上が一回で下が一回」という山の直観が対応する。対数密度を使う場合もあり、その場合は密度そのものではなく \(\log f(x)\) の形状が議論されることが多い。
2.2 実数関数に対する単峰性
一般の実数関数に対して単峰性を定義する場合も、基本は「ある点で最大（または最小）となり、その前後で単調に変化する」という発想に戻る。
2.2.1 増加区間と減少区間
関数 \(f(x)\) が単峰的であるとは、ある点 \(x^\*\) が存在して、\(x<x^\*\) では \(f\) が単調増加、\(x>x^\*\) では単調減少となること、あるいはその反対の単調性（最小形の単峰）で成り立つことを指すことが多い。増加・減少の範囲が全実数か、定義域の部分集合に限定されるかは状況に依存する。
この定義は、最適化で重要な「局所的に見つけた山が全体でも同じ中心である」性質を保証する土台になる。
2.2.2 最大値点の位置づけ
単峰関数では、極大点が中心として役割を持つ。さらに、最大値点がどの程度「尖っているか」（曲率）まで含めて議論する場合、単峰性だけでは不十分になり、凹性やリプシッツ条件などが加わることがある。
一方で、最適化アルゴリズムは最大点の位置とともに、近傍の傾き（導関数）や曲率に依存するため、単峰性を持ちつつも微分可能性や連続性の条件が別途必要になることがある。
2.3 曲率や凹性を用いた捉え方
単峰性はしばしば、凹性（上に開く形の逆）や対数凹性などの曲率条件と結びつけて扱われる。特に統計では、対数密度が凹である分布は計算上の利点が大きい。
例えば対数凹性は、対数を取った後の関数が凹であることを要求し、単峰性を導く代表的な条件の一つとして現れる。凹性を仮定すると、最適化が凸最適化として整理できる場合があり、探索の安定性が向上する。
3 具体例と代表的分布
単峰性の理解は具体的な分布形を通して進む。本章では、古典的に単峰性を持つ分布と、尤度関数などが単峰になる状況を含めて例示する。
3.1 正規分布とその特徴
正規分布は連続分布の中で最も標準的な例であり、密度関数が一つの山を持つ。平均とモードが一致し、左右対称に減衰するため、単峰性は自然に満たされる。
この分布では、分散の大きさにより山の高さと幅が変化するが、頂点の一意性という基本構造は維持される。対数密度も凹関数になりやすく、計算面でも扱いやすい。
3.2 指数分布・ガンマ分布などの例
指数分布は、定義域の片側に向けて最大値（端点付近）を持ち、その後は単調に減少する形になり、単峰性の代表例となる。頂点が端点にあるため、「内部の最大点が一つ」という捉え方ではなく、端点を含めた一意の山として理解することが多い。
ガンマ分布も状況によって単峰性が明確に観察できる。形状パラメータによって密度の形が変わり、ある範囲では内部に一つの極大を持つ。形状が小さい場合は端点近傍が山になり、やはり一山の構造として整理できる。
3.3 その他の単峰性を持つ分布
多くの分布は単峰性を持つが、パラメータ領域によって単峰性が維持されるか、または崩れるかが異なる。ここでは代表的な例と、尤度関数が単峰になる状況の捉え方も含める。
3.3.1 ロジスティック分布
ロジスティック分布は正規分布に似たベル型の密度を持ち、中心に対して滑らかな減衰が見られるため単峰性が成立することが多い。平均とモードが同じ位置に現れるため、中心の解釈が容易である。
分布の裾の落ち方は正規分布と異なるが、山の一意性という観点では同様の整理が可能になる。
3.3.2 尤度関数が単峰になる場合
単峰性は「分布」だけでなく「尤度関数」に現れることがある。例えばあるモデルでパラメータに関する尤度が一つの最大点を持ち、周囲で一方向に減衰するなら、最尤推定は単峰最適化として振る舞いやすい。
ただし尤度はデータやモデル指定に強く依存し、一般には常に単峰とは限らない。実験条件のもとで単峰性が期待できるか、あるいは近似で単峰として扱ってよいかを検討する姿勢が必要になる。
4 判定・検証の考え方
単峰性の判定は、理論的検証とデータに基づく評価に分かれる。視覚的には一目で判断できそうに見えても、実際にはノイズや推定手順により誤判定が起こり得るため、複数の観点を併用するのが望ましい。
4.1 視覚的判定の限界
ヒストグラムや滑らかな曲線を眺めて「山が一つに見える」ことは重要な手がかりになる。一方で、標本が少ない場合は偶然の凹凸が多峰に見えたり、逆に別の山が埋もれて単峰に見えたりする。
さらに、軸の取り方、ビン幅、平滑化の程度に依存して形が変わるため、視覚判断だけでは定量性が不足する。視覚は仮説生成としては有効だが、確証としては不十分になりやすい。
4.2 推定や最適化に基づく判定
数式で表せる場合や、対数尤度などを評価できる場合は、最適化の挙動を通して単峰性を推し量ることができる。
4.2.1 山の個数の探索
あるパラメータに対する目的関数 \(L(x)\) が単峰であると疑うなら、局所探索を複数の初期値から行い、到達する最大点が一つに集約するかを見る。到達先が複数になりやすい場合、多峰性や平坦部の存在が疑われる。
この考え方は「探索により山が増える」ことを防ぐという意味で有効だが、最適化アルゴリズムの性質（停止条件や勾配情報の有無）にも影響されるため、探索結果の解釈には注意が必要である。
4.2.2 バックトラックや探索アルゴリズムとの関係
勾配法や準ニュートン法では、単峰性があるとステップの方向が比較的安定し、線探索（バックトラック）で適切な減少が得られやすい。逆に、多峰では山をまたぐ挙動が増え、許容誤差に敏感になる。
ただし、アルゴリズムが工夫されている場合、単峰でなくても収束点が一つに見えることがある。したがって、単峰性を目的関数の形状から独立に確かめる手続きが望ましい。
4.3 データ分布からの評価（経験的単峰性）
実際のデータから単峰性を判断する際は、推定した密度や分布の形に依存する。したがって、手法選択とパラメータ設定が結論に直結する。
4.3.1 ヒストグラムとカーネル密度推定
ヒストグラムはビン幅に強く依存し、ビンを細かくするとノイズの山が増えやすい。カーネル密度推定（KDE）は滑らかな形を与えやすいが、帯域幅の選び方により山の数が変化し得る。
経験的に単峰性を評価する場合、複数の帯域幅やビン設定で再現性を確認することで、見かけの多峰化を抑える工夫ができる。
4.3.2 平滑化パラメータの影響
平滑化を強めるほど谷が埋まり、山が統合されて単峰に見えやすくなる。逆に平滑化が弱いと微細な凹凸が残り、多峰のように観測されやすい。
ゆえに単峰性を論じる際は、平滑化パラメータに対する感度分析が実用上重要になる。パラメータが変わっても山の個数が安定していれば、経験的単峰性の信頼度が上がる。
5 単峰性が統計解析へ与える影響
単峰性は、統計推論における推定値の安定性や数値計算の性質に影響を与える。本章では、モード推定、最尤推定、ベイズ推定、そして収束性の観点をまとめる。
5.1 モード推定の安定性
単峰分布ではモードが一意であるため、探索アルゴリズムが同じ中心へ集まりやすい。推定された密度のわずかな変動があっても、頂点位置が過度に飛びにくいと期待できる。
一方で、分布がほぼ単峰であるにもかかわらず平坦部を持つ場合、数値上の誤差によりモードが広い範囲に分散して観測されることがある。
5.2 最尤推定の挙動
最尤推定は尤度関数の最大点を探す作業である。尤度が単峰なら、最適点は局所的にも大域的にも同じ対象となりやすく、初期値依存性が小さくなる。
多峰の場合は複数の極大が存在し、初期値や探索経路により異なる解に到達する可能性が高まる。そのため単峰性は、推定結果の再現性や信頼性に直結する要因になり得る。
5.3 ベイズ推定における事後分布の形状
事後分布が単峰であれば、モードや中心傾向を掴む際の解釈が整理しやすい。特に、サンプリングや近似が行われる場合、単峰性は有効サンプルの偏りを減らし、推定のばらつきを抑える方向に働きやすい。
ただしベイズでは事前分布も影響する。事前が強く、事後を実質的に単峰へ押し込むこともあれば、逆に観測が弱い領域では事後が形の定まらない状態になり、単峰性が見えにくくなることもある。
5.4 数値計算の収束性
最適化や確率計算において、目的関数や対数尤度が単峰だと、勾配に基づく手続きが安定しやすい。線探索や信頼領域法でも、更新が山から大きく外れにくくなり、反復回数の見通しがつけやすい。
加えて、対数凹性などの強い条件があると、収束性の理論的保証につながることがある。単峰性そのものは保証の強さとしては限定的だが、実務上の挙動を改善する指標になり得る。
6 近似・拡張と注意点
単峰性は理想化であり、現実のモデルや推定では厳密に満たないことが多い。本章では近似として扱う方法、サンプル不足時の誤判定、離散や混合の扱い、そして単峰仮定のリスクを整理する。
6.1 厳密な単峰性と実務上の近似
実務では、厳密な単峰性ではなく「実効的に一山」な形状として扱うことが多い。例えば、微小な凹凸はデータ由来のノイズであり、母集団の形は単峰であると見なせる場合がある。
このときは、近似の妥当性を評価するために、平滑化設定や初期値を変えたときの推定結果の変化を確認するのが実用的である。単峰としてまとめることが、統計的な誤差より大きなバイアスを生む可能性を点検する。
6.2 サンプル数が少ない場合の誤判定
標本が少ないと、推定密度は揺らぎやすく、見かけの山が増減する。結果として「単峰に見えるが実は多峰」あるいは「多峰に見えるが実は単峰」という誤判定が起こり得る。
対処として、ブートストラップによる安定性の評価や、複数の推定器（密度推定、経験分布の平滑化など）で結論が一致するかを確認することが挙げられる。
6.3 離散分布・混合分布での扱い
離散分布では、単峰性が定義域上の隣接点の大小関係として現れるため、連続の直感がそのまま適用できない場合がある。さらに混合分布では、構成成分ごとの単峰性があっても合成後に複数の山が生じやすい。
混合モデルは現実データで頻出であり、単峰仮定が崩れる典型場面でもある。したがって、混合を疑う場合は多峰性の検証や、モデル選択の枠組みを併用するのが望ましい。
6.4 単峰性を仮定したモデル化のリスク
単峰性を前提にモデルを選ぶと、実際の分布が複数の中心を持つケースで系統的な誤差が生まれる。例えば、クラスタが分かれているのに単一モードとして要約すると、中心の代表性が失われる。
また尤度や事後分布が本質的に多峰なのに単峰最適化を強く期待すると、探索が局所最大に落ちたり、推定区間が過度に狭くなったりすることがある。単峰性の仮定は計算の簡便さと引き換えであり、検証と感度分析によってリスクを管理する必要がある。