散布図の見方と相関係数｜「点の雲」のパターンを5秒で判別する方法

※本記事にはプロモーション（広告）が含まれています。

散布図は、2つのデータの関係を「目で見える形」にする最強の道具です。Excelで作るのは簡単ですが、作った後にどう読むか──ここが品質保証の現場で問われるポイントです。

この記事では、散布図の5つのパターンを「点の雲の形」で瞬時に判別する方法と、相関係数rの意味・計算手順・注意点を、図解と具体例で徹底的に解説します。QC検定2級・3級の対策にもそのまま使えます。

散布図とは？──2つのデータの関係を「見える化」する道具

散布図（scatter plot）とは、2つの変数のデータを、横軸と縦軸にとって点を打ったグラフです。QC7つ道具の1つであり、品質管理の現場で「2つの特性に関係があるか？」を調べるときに使います。

製造現場での散布図の使い方

たとえば、あなたが品質保証部で「金型温度と製品の寸法精度に関係があるか調べてほしい」と頼まれたとします。このとき、横軸に「金型温度（℃）」、縦軸に「製品寸法（mm）」をとり、過去のデータを1点ずつ打っていきます。

打ち終わったら、点の集まり──これを「点の雲（point cloud）」と呼びます──の形を観察します。点の雲が右肩上がりの細長い楕円に見えたら「温度が上がると寸法も大きくなる傾向がある」と判断できます。

散布図の5つのパターン──「点の雲」の形で相関を判別する

散布図の点の雲は、大きく5つのパターンに分類できます。この5パターンを覚えれば、グラフを見た瞬間に「相関があるか？ないか？」を判断できるようになります。

No.	パターン名	点の雲の形	相関係数 r	製造現場の具体例
①	強い正の相関	右肩上がりの細い楕円	+0.7 〜 +1.0	加熱時間が長いほど、製品温度が高くなる
②	弱い正の相関	右肩上がりの太い楕円	+0.4 〜 +0.7	作業者の経験年数が長いほど、不良率がやや低い（ただしバラつく）
③	無相関	丸い雲（方向性なし）	-0.2 〜 +0.2	作業者の身長と製品の寸法精度（関係なし）
④	弱い負の相関	右肩下がりの太い楕円	-0.7 〜 -0.4	設備の稼働年数が長いほど、加工精度がやや低下する（ただしバラつく）
⑤	強い負の相関	右肩下がりの細い楕円	-1.0 〜 -0.7	冷却水の流量を増やすほど、製品温度が下がる

判別のコツは「楕円の細さ」と「傾きの方向」

点の雲を見るときのポイントは、たった2つです。

相関係数 r とは？──「点の雲の細さ」を数値化した指標

散布図で「目」で判断していた相関の強さと方向を、1つの数値で表したものが相関係数 r（ピアソンの積率相関係数）です。

r は「-1 から +1」の範囲にしかならない

相関係数 r は必ず -1 ≦ r ≦ +1 の範囲に収まります。これは「0.3」や「-0.8」のように、1つの数値で2つのデータの関係を表現できるということです。

この続きと一緒に読まれている記事

相関係数 r の強さの目安表──「0.7」は強い？弱い？

相関係数 r が出たとき、「この値は強いのか？弱いのか？」と迷うことがよくあります。以下の表が一般的に使われる目安です。絶対値 |r| で判断します（プラスかマイナスかは方向の違いだけで、強さには関係しません）。

\|r\| の範囲	相関の強さ	点の雲の形	判断の目安
0.9 〜 1.0	非常に強い	ほぼ直線	物理法則レベルの関係（例：電圧と電流）
0.7 〜 0.9	強い	細い楕円	実務で「相関あり」と報告できるレベル
0.4 〜 0.7	中程度	太い楕円	傾向はあるがバラつきも大きい。追加調査が必要
0.2 〜 0.4	弱い	だいぶ丸い	関係があるとは断言しにくい
0 〜 0.2	ほぼ無相関	丸い雲	関係なしと判断してよい

相関係数 r の計算手順──途中式を省略しない完全ガイド

Excelでは =CORREL(A:A, B:B) で一瞬で求められますが、「中身がわからないまま数値だけ出す」のでは、客先に聞かれたときに説明できません。ここでは具体的なデータを使って、手計算の全手順を見ていきましょう。

例題：金型温度と製品寸法の関係

ある製品の金型温度 x（℃）と製品寸法 y（mm）を5回測定しました。相関係数 r を求めてください。

No.	x（金型温度 ℃）	y（製品寸法 mm）
1	150	10.2
2	160	10.5
3	170	10.7
4	180	10.9
5	190	11.3

STEP 1：平均値を求める

STEP 2：偏差（各データ − 平均）を求め、S_xx・S_yy・S_xy を計算する

No.	x	y	x − x̄	y − ȳ	(x − x̄)²	(y − ȳ)²	(x − x̄)(y − ȳ)
1	150	10.2	-20	-0.52	400	0.2704	10.4
2	160	10.5	-10	-0.22	100	0.0484	2.2
3	170	10.7	0	-0.02	0	0.0004	0
4	180	10.9	10	0.18	100	0.0324	1.8
5	190	11.3	20	0.58	400	0.3364	11.6
合計					S_xx = 1000	S_yy = 0.688	S_xy = 26.0

STEP 3：公式に代入して r を求める

「なぜ r がこの公式で求まるのか」を直感で理解する

公式だけ覚えても、客先監査で「なぜこの指標を使うのですか？」と聞かれたら答えられません。相関係数 r の「中身」を、計算式の意味に立ち戻って理解しましょう。

S_xy（偏差の積の合計）は「一緒に動く度合い」

分子の S_xy は、xの偏差とyの偏差を掛け合わせた値の合計です。ここがポイントで、xが平均より大きいときにyも平均より大きいと、偏差の積は「プラス × プラス＝プラス」になります。逆にxが平均より小さいときにyも小さければ「マイナス × マイナス＝プラス」になります。

つまり、xとyが同じ方向に動く傾向があるとき、S_xy はプラスの大きな値になります。これが「正の相関」の正体です。

逆に、xが大きいときにyが小さい（プラス × マイナス＝マイナス）なら、S_xy はマイナスの大きな値になります。これが「負の相関」です。

分母の √(S_xx × S_yy) は「スケール合わせ」

S_xy だけでは、データの単位やスケールに影響されます。温度（100単位）と寸法（0.1単位）のデータでは、偏差の積の値が大きくなりやすいですよね。

そこで、分母に「xのバラつき × yのバラつき」の平方根で割ることで、単位やスケールの影響を打ち消します。これによって r は必ず -1 ≦ r ≦ +1 の範囲に収まるようになります。

最大の落とし穴──「相関がある」≠「因果関係がある」

ここが散布図と相関係数で最も間違えやすく、最も危険なポイントです。相関係数が高いからといって、「xがyの原因である」とは限りません。

有名な例：アイスクリームと溺水事故

「アイスクリームの売上」と「溺水事故の件数」の月別データで散布図を描くと、強い正の相関が出ます。しかし「アイスを食べると溺れる」わけではありません。真の原因は「気温」です。気温が上がるとアイスが売れ、同時に海やプールに行く人が増えて事故も増える。このように、第三の変数（交絡因子）が裏に隠れているケースを「擬似相関」と呼びます。

製造現場でも擬似相関は起きる

たとえば「設備の稼働時間」と「不良率」に正の相関が出たとします。「稼働時間が長いから不良が増えた」と結論づけたくなりますが、真の原因は「稼働時間が長い日は生産量が多く、作業者が疲労してミスが増えた」かもしれません。相関係数は2つの変数の「関係の強さ」は教えてくれますが、「原因→結果」の方向は教えてくれないのです。

散布図を業務で使うときの5つの注意点

散布図と相関係数を実務で使う際、知らないと痛い目を見る注意点が5つあります。

① 外れ値1つで相関係数が激変する

相関係数 r は外れ値（他のデータから大きく離れた値）に非常に敏感です。たった1つの異常値が混じるだけで、r = 0.3 が r = 0.8 に跳ね上がることもあります。散布図を必ず「目で」確認し、明らかにおかしい点がないかチェックしてから r を計算してください。

② 相関係数は「直線的な関係」しか捉えられない

相関係数 r は「直線的な関係（一次関数的な関係）」の強さを測る指標です。もしデータがU字型やS字型の関係を持っていた場合、r はゼロに近い値を出しますが、「関係がない」わけではありません。散布図を見れば曲線的な関係が一目でわかるので、やはり「散布図＋相関係数」のセットが重要です。

③ 層別しないと見えない関係がある

全体のデータでは無相関に見えても、ロット別や設備別に色分け（層別）すると、各グループ内では強い相関が見えることがあります。これを「シンプソンのパラドックス」と呼びます。散布図を作るときは、データの属性（設備番号、ロット、作業者など）で層別することを習慣にしてください。

④ データ数が少ないと r は信頼できない

データが5個しかないのに r = 0.8 が出ても、「本当に相関がある」と断言はできません。統計的に有意かどうかを判定するには、相関係数の検定（t検定）が必要です。一般的に、最低でも20〜30個のデータがあると安心です。

⑤ 相関の「強さ」だけでなく「方向」も報告する

客先に報告するとき、「相関係数は0.85です」だけでは不十分です。「r = +0.85 であり、金型温度が上がるほど製品寸法が大きくなる正の相関がある」と、方向も含めて報告しましょう。プラスかマイナスかで、工程の制御方法がまったく変わるからです。

散布図の「次のステップ」──回帰分析への橋渡し

散布図で「相関がありそうだ」とわかったら、次は「その関係を数式で表す」ステップに進みます。これが回帰分析です。

散布図と相関係数は「2つのデータに関係があるか？」を判断するための道具です。一方、回帰分析は「その関係を y = ax + b という式にして、xの値からyを予測する」ための道具です。

たとえば、金型温度と製品寸法に強い正の相関があるとわかったら、回帰分析で「温度が185℃のとき、寸法はおよそ何mmになるか？」を予測できます。品質管理では、散布図で関係を確認→回帰分析で予測式を作る→工程条件を最適化する、という流れが定番です。

まとめ──散布図と相関係数の要点を30秒で復習

項目	ポイント
散布図とは	2つの変数を横軸・縦軸にとって点を打ったグラフ。「点の雲」の形で関係を視覚的に判断する
5つのパターン	①強い正の相関 ②弱い正の相関 ③無相関 ④弱い負の相関 ⑤強い負の相関
判別のコツ	「傾きの方向」（＋か−か）× 「楕円の細さ」（強いか弱いか）の2軸で判断
相関係数 r	-1 ≦ r ≦ +1。「一緒に動く度合い」を正規化した指標。\|r\| ≧ 0.7 で「相関あり」が実務的目安
最大の注意点	相関 ≠ 因果。擬似相関に騙されない。散布図で関係を確認した後、因果は実験や専門知識で検証する
次のステップ	相関ありと判断されたら → 回帰分析で数式化 → 予測・工程最適化へ