1 概要と目的
累積分布の重ね描きとは、複数のデータ集合（または同一対象に対する条件・処理・集団の違い）について、それぞれの累積分布関数を同一の座標系に重ねて表示し、分布の差を視覚的に比較する手法である。累積分布は、値がある閾値以下となる確率（または相対度数）を横軸の関数として表すため、中央部の位置ずれだけでなく、ばらつきや極端値の出やすさといった特徴を同時に確認しやすい。
目的は大きく二つある。第一に、分布の形状差を直感的に把握し、どの領域で差が生じているかを素早く特定すること。第二に、後続の統計手法や品質評価の前処理として、前提（例えば極端値の扱い、データ尺度の適合）を点検することにある。
重ね描きは、経験分布（観測データから作る分布推定）を用いる場面で特に有用である。観測数の差によって見え方が変わる点には注意が必要であるが、複数条件の比較を探索的に行うには、手早く理解しやすい。
1.1 累積分布と経験分布の違い
1.1.1 累積分布関数の定義
累積分布関数は、確率変数 X に対し、任意の実数 x について「X が x 以下である確率」を与える関数として定義される。連続分布では密度の積分により導かれるが、概念としては「閾値を少しずつ動かしたときに、どれだけの確率質量が左側に集まるか」を表す。
この関数は、分布の位置（中心のあたり）、ばらつき（曲線の立ち上がり具合）、裾（極端に小さい値や大きい値の頻度）の情報を、一本の曲線としてまとめて提示できる。
1.1.2 経験分布関数の作り方
経験分布関数は、観測された標本から累積分布を推定するための手続きである。具体的には、データを昇順に並べ、ある閾値 x について「観測値が x 以下である割合」を計算して階段状の関数として得る。
この関数は、サンプルサイズに応じて段差の大きさや階段の密度が変わる。従って、異なる条件で標本数が異なる場合には、曲線の滑らかさや階段の見え方そのものが比較に影響することがある。
1.2 重ね描きが有効な比較の観点
1.2.1 位置・ばらつきの比較
位置の差は、曲線がどの x 付近で所定の累積確率に到達するかを見ることで把握される。たとえば同じ累積確率で比較すると、上位・下位どちらにシフトしているかが読み取りやすい。ばらつきの差は、累積確率が急に立ち上がるか、ゆっくり広がるか、あるいは曲線の傾きが一定かどうかとして現れる。
一般に、ばらつきが大きいほど、一定の累積確率範囲で必要な x の幅が広くなり、曲線がなだらかに見えることが多い。ただし、分布が多峰性や強い歪みを持つ場合、単純な傾き比較だけでは誤解を招くことがある。
1.2.2 テール（極端値）の比較
テールの比較は、分布の端部での立ち上がり・立ち下がりの挙動に注目することで行う。累積分布では、左側のテールは小さい値の出やすさ、右側のテールは大きい値の出やすさに対応する。重ね描きでは、たとえば低い累積確率域や高い累積確率域で曲線同士の差がどれだけ広がるかを確認できる。
極端値の差が小さく中央部の差が大きい場合もあれば、その逆もある。重要なのは「平均や中央値が近いから差がない」と早合点せず、端部のズレが意味するリスクや期待値への影響を考えることである。
1.3 可視化の限界と誤読リスク
重ね描きは探索に強い一方で、読み違えの可能性もある。第一に、軸の取り方が印象を変える。横軸の範囲を狭めれば差が誇張され、広げれば視認性が落ちる。第二に、累積確率のスケール（線形・対数など）や補助線の有無によって、差の見え方が変わる。
経験分布では段階関数になるため、線が多い領域では曲線の交差がランダムな振動に見えることがある。さらに、サンプル数が少ないと端部の推定が不安定になり、テールの差を過大評価する恐れがある。
比較目的によっては、累積分布だけでは差の原因（分布のどの成分が違うのか）を特定できない。したがって、可視化は「差がありそうか」「どこに注目するべきか」を示し、最終判断は追加の数値評価や検定、頑健な指標で補うのが望ましい。
2 作図の基本手順
2.1 データ準備
2.1.1 比較対象の揃え方（同一尺度・同一単位）
重ね描きが成立するためには、比較対象が同一の意味を持つ必要がある。単位系が異なる場合は換算して揃え、前処理（切り捨て、丸め、補正）も同一方針で行う。尺度が違うと、曲線同士の差はデータの実態ではなく変換の影響になりうる。
また、時間窓や対象範囲の条件（同じ期間、同じ対象母集団）を揃えることも重要である。比較の意図が「処理の影響」であるなら、他の要因が混入していないかを確認する。
2.1.2 外れ値や欠損値の扱い
外れ値の扱いは慎重に決める必要がある。除外すると比較は安定する場合があるが、除外の基準によって結論が変わりうる。逆に、欠損値を適切に扱わずに計算すると、曲線の形状が歪む。
欠測があるときは、欠測の発生機構（ランダムか、偏りがあるか）も考慮し、単純な削除ではなく、欠測補完や除外基準の明確化を行うのが一般的である。外れ値に関しても、ロバスト化（例えば分位点指標の併用）を考え、重ね描きの解釈を補助する設計が望ましい。
2.2 累積分布の計算
2.2.1 ソートと累積確率の割り当て
計算の基本は、データを昇順に並べ、各観測値に累積確率を割り当てることである。累積確率は「左側にある観測の割合」であり、最小値から順に階段が増える。
同値（同じ値が複数ある）では、複数の観測が同一点で累積確率を押し上げるため、階段の幅が変わって見える。割り当ての細部（例えば分母を n にするか、補正を入れるか）によって曲線の厳密な位置が変わることがあるため、使用目的に応じた一貫した定義を選ぶ必要がある。
2.2.2 離散データ時の扱い
離散値（整数やカテゴリの数値化など）では、累積分布がより顕著な段階構造になる。重ね描きでは、段差が大きい値域と小さい値域がはっきり現れ、比較では「どの値で累積が進むか」が読み取りの中心になる。
このとき、見かけ上の曲線交差が、連続性の仮定に基づく直感と合わないことがある。離散データでは、分位点や確率質量の配分に注目し、必要なら横軸に関連する値の意味（実務上の刻み）も併記して読みやすくする。
2.3 図の設計
2.3.1 軸範囲・目盛りの設定
軸範囲は比較の焦点に合わせて設定する。端部の挙動が重要なら、横軸を全体に広くとりつつ、必要に応じて補助図で拡大する方法がある。累積確率側（縦軸）も、0 から 1 までを確実に表すことで読み取りの一貫性が保たれる。
目盛りは、分位点の読取りを支援するように設計すると実務で便利である。例えば 0.1刻みや 0.25刻みなど、後の評価に使う基準と整合する目盛りにすると、曲線の差を数値に落とし込みやすい。
2.3.2 凡例と色分けの規則
色や線種は、識別性と再現性を優先して決める。色覚多様性に配慮し、濃淡だけに頼らず線種（実線・破線）やマーカー有無も組み合わせると誤認が減る。凡例には、比較条件の正式名称や短縮ラベルを用い、読み手が対応関係を迷わないようにする。
線の順序（重ねる順）も影響する。太さの違いを付ける場合は、主目的の条件を強調しつつ、他の条件が隠れないように調整する。
2.4 代表例の作成フロー
代表的な作成フローは、まず比較単位の定義と前処理の統一から始める。次にデータを結合せず、それぞれの集合ごとに独立に計算し、累積分布曲線を生成する。作図では軸範囲と目盛りを先に決め、分位点を読み取れるようなスケールに整える。
最後に、色や凡例を確定し、端部での不安定さ（サンプル数が少ない領域）を注意書きや補助線で明示する。可能であれば、再現性のために使用した計算設定（累積確率の割り当て規則、欠測処理、外れ値の扱い）を図の説明資料に含める。
3 読み取り方と解釈
3.1 差の出るポイントの特定
3.1.1 中央付近の差
中央付近の差は、曲線が対応する累積確率（たとえば中位に相当する確率）でどれだけ x がずれるかから判断する。中央が右側にある（大きい値が増える）場合、同じ累積確率に到達する x が大きくなる方向に曲線が位置する。
ばらつきの増減があるときは、中央のズレと曲線の傾き変化が同時に現れる。したがって、位置だけでなく、一定範囲の累積確率での横方向の広がりも一緒に読むことが必要である。
3.1.2 分位点での差
分位点は、累積確率に対応する x を読むことで比較できる。重ね描きでは、縦軸の特定値（例として 0.1、0.5、0.9 など）に水平の目安線を引くと、分位点の差が直感的に把握できる。
分位点の差は、中央値だけの比較では見えない偏りを示す。例えば下位分位にのみ差が出るなら、低い値域の性能や条件が変わった可能性が高い。上位分位で差が出る場合は、高い値域のリスクや反応の遅延を示唆することがある。
3.2 分布の形状の特徴量としての読み取り
3.2.1 テールの厚さ・裾の挙動
テールの厚さは、極端側で累積がどの程度まで遅れるか（あるいは進むか）として現れる。累積分布の左端では「非常に小さい値がどれだけ早く溜まるか」、右端では「非常に大きい値にどれほどの確率質量が含まれるか」が関係する。
重ね描きで曲線が端部で大きく離れる場合、その領域における発生確率の違いが強い可能性がある。重要なのは、端部の差が「意味のある差」か「標本数不足による偶然の揺らぎ」かを切り分けることであり、必要に応じて別の指標（分位点差や尾部の確率推定）で裏取りする。
3.2.2 ステップ状の意味（離散分布）
階段状に見えること自体は、経験分布の自然な性質であり、特に離散データでは段差の規模が大きくなる。段差が大きい値は、その値に観測が集中していることを示す。逆に細かく段階が刻まれている場合は、観測値が幅広く分布している可能性がある。
曲線の形状から、連続分布のような滑らかさを期待しすぎないことが読み取りのコツである。離散では「どの値で累積が進むか」が情報の中心になるため、必要なら横軸を整数値として示すなどの工夫が有効である。
3.3 サンプル数が与える見え方の影響
サンプルサイズが異なると、経験分布の段差の大きさや端部の不確実性が変わる。標本が少ない条件では、累積分布が階段状に荒くなり、曲線の見た目が極端側で特に不安定になる。
このため、重ね描きの視覚的な差が統計的に有意かどうかは、単に曲線が離れているかで判断できない。観測数が異なる場合は、同じ累積確率での比較に加えて、推定のばらつきを示す指標（例えば信頼区間の表示やブートストラップによる補助線）を検討すると誤読が減る。
また、データ生成過程が時間変動などで異なる場合、同じサンプル数でも構造的な差が出ることがある。標本数の調整だけでは原因が説明できない場合もあるため、比較の設計（収集条件）も同時に確認する。
4 よくある派生手法と関連概念
4.1 確率プロット（確率紙）との違い
確率プロット（確率紙）は、累積分布を特定の目盛り（多くの場合、確率に対応する変換）上に再配置し、分布の仮定や直線性を視覚的に評価する手法である。重ね描きが「複数曲線の差」を見るのに対し、確率プロットは「分布モデルにどれだけ適合するか」や「尾部の振る舞い」を見分けやすくする目的が強い。
両者は関連しており、確率紙を用いると直感の持ち方が変わる。したがって、どの座標変換をしているかを理解した上で解釈する必要がある。
4.2 分位点曲線・サバイバル曲線との関係
分位点曲線は、累積分布に対応して確率の水準ごとの x を連結し、分位点の関係性を表示する考え方である。累積分布の重ね描きを、分位点の観点に翻訳して示すことで、差の比較が明確になることがある。
サバイバル曲線は、時間や回数に対する「まだ起きていない確率」を表すことが多い。累積分布との関係は、打ち切りや打点の定義によって変わるが、端部の解釈や縦軸の意味が異なるため注意が必要である。文脈に応じて、どちらの曲線が何を意味するかを明確化すると誤解が減る。
4.3 比較のための統計的検定との併用
4.3.1 カテゴリ比較と検定の考え方
分布の差を定量化する検定は、重ね描きの示唆を補強するために用いられる。検定の種類は目的に応じて異なり、例えばカテゴリ間での割合差を見たいのか、分布全体の形状差を見たいのかで選択が変わる。
グラフは直感的に「差がある領域」を教えるが、検定は「偶然で起こりうる差か」を評価する役割を持つ。カテゴリ比較では、頻度や条件の定義が検定の前提になるため、データ整形の方針が結果に影響する。
4.3.2 グラフの補助としての位置づけ
検定は数値として結論を与える一方で、どこが違うかは必ずしも分からないことがある。重ね描きは、差の位置や端部の挙動を視覚的に示せるため、検定結果の解釈を助ける補助資料として機能する。
実務では、「検定で差が示されたなら重ね描きで影響領域を説明する」「検定で有意でなくても重ね描きで実務上の意味を検討する」といった併用が多い。目的は統一し、グラフと統計結果の整合を意識することが重要である。
5 実務での応用例
5.1 品質管理・製造プロセスの比較
品質管理では、測定値の分布が工程条件によって変化する。累積分布の重ね描きを使うと、許容範囲に対してどれだけの製品が早い段階で収束しているか、また不良に近い端部での悪化が起きているかを確認しやすい。
例えばロット間で中心位置がほぼ同じでも、下限側のテールが厚くなっていれば、歩留まりの悪化要因が端部にある可能性がある。意思決定には、分位点での差を不良率の管理指標と結び付けることが多い。
5.2 計測データの条件差の確認
条件（温度、湿度、校正状態、計測器の設定など）が異なると、測定値のばらつきや歪みが変わる。重ね描きにより、条件差がどの領域で現れるかを探索できる。
測定系の問題では、端部での異常値が現れやすい。累積分布の端で曲線が乖離すれば、その領域に関する再検や器差の点検につなげられる。単なる平均比較よりも、工程や計測条件の影響を構造的に捉えやすい場合がある。
5.3 A/Bテストや評価指標の分布比較
オンライン施策では、評価指標（滞在時間、購入額、クリック反応など）の分布が対照群と介入群で変わる。平均差では同じでも、上位分位が増える、下位分位の停滞が改善するといった差があり得るため、累積分布の重ね描きは解釈の補助になる。
また、指標が歪んだ分布を持つ場合は、分位点ベースの理解が役立つことがある。重ね描きでどの確率水準の差が大きいかを確認し、意思決定に繋げる指標設計（重要なユーザーセグメントや閾値設定）を行う。
6 実装・ツール選択の考え方
6.1 表計算での簡易作図
表計算ソフトでも、累積分布の重ね描きは実装できる。基本手順として、各データ集合ごとに昇順ソートした列を作り、観測数 n に対する累積相対度数を行番号から計算して縦軸に割り当てる。
注意点は、同値の扱いと表示の階段性である。散布点として階段の折れ目を再現するか、折れ線として見せるかを決め、図の読み取りに支障が出ない設定にする。データ更新を繰り返す場合は、範囲参照や自動更新の設定を整えると運用が安定する。
6.2 プログラミングでの作図（汎用的方針）
プログラミングでは、計算ルールを関数化し、再利用しやすくするのが重要である。汎用的方針としては、入力として配列（各群のデータ）を受け取り、ソートと累積確率の付与を統一し、描画はテンプレート化する。
累積確率の割り当て（分母の選び方、補正の要否）や、欠損除去の基準をコードの中で明示することで、後から追跡可能になる。可視化ライブラリ側のオプション（線種、凡例、目盛り）も、再現性の観点で設定を固定する。
6.3 再現性の確保（記録すべき設定）
再現性を確保するには、計算の前提と描画設定を記録する。具体的には、データの前処理（除外基準、欠測処理、外れ値方針）、累積確率の算出規則、同値の扱い、軸範囲・目盛り、線色や凡例の割り当てを残す。
さらに、使用したソフトウェアのバージョンや実行環境（ライブラリ名、描画解像度、乱数を使う場合のシード）も併せて管理すると、後日の比較や監査に耐えやすい。図は結論の一部として扱われるため、「同じ入力なら同じ図が得られる」状態を目指すことが実務上の要点になる。