本記事にはプロモーション(広告・アフィリエイトリンク)が含まれます。

統計検定準1級の対策として、推定や検定の土台になる「確率と確率分布」を取り上げます。

例題は、筆者(生物統計家)が本番で出そうなものを選定しました。

数値はすべてRで検算したうえで掲載しています。

この記事でわかること

💡 この記事でわかること
  • 変数変換(単調変換とヤコビアン)で、変換後の確率密度を導く方法
  • 順序統計量の密度の作り方と、ベータ分布とのつながり
  • モーメント母関数を使って、分布の再生性を示す手順
  • 二変量正規分布の条件付き分布と線形結合の計算
  • 中心極限定理とデルタ法で、確率を近似計算する方法

本記事は、統計検定準1級の攻略シリーズの1本です。

確率と確率分布は準1級の全分野の土台で、推定量や検定統計量の分布はすべてここから出てきます。

はじめに ― 準1級における「確率と確率分布」の位置づけ

準1級の出題範囲では、確率と確率分布は独立した分野として位置づけられています。

最尤推定量の漸近分布や尤度比検定のカイ二乗近似は、この分野の応用です。

この分野を固めると、推定・検定の攻略記事で出てきた近似の「なぜ」がつながります。

試験はCBT方式で、試験時間は90分です。

出題数はおおむね20〜30問とされています。

100点満点で60点以上が合格ラインとされます(最新情報は公式サイトで確認してください)。

使える電卓は、四則演算・百分率・平方根ができる普通電卓のみです。

関数電卓は使えません。

そのため本記事の例題は、密度の導出と式の変形を中心に組み立てました。

本記事で扱うのは、次の範囲です。

  • 確率変数の変換(単調変換・ヤコビアン)
  • 順序統計量
  • モーメント母関数
  • 多変量正規分布(条件付き分布・線形結合)
  • 大数の法則・中心極限定理とデルタ法

確率過程と、測度論レベルの厳密な展開は扱いません。

基礎的な分布のカタログは、統計検定2級の第2弾「確率分布」で扱っています。

確率変数の変換 ― 密度の姿を変える

確率変数を変換すると、分布の姿はどう変わるでしょうか。

準1級では、変換後の密度や期待値を求める問題が繰り返し出ます。

基本の道具は2つです。

  • 分布関数を経由する方法(どんな変換でも使える)
  • 単調変換の公式と、2変数のヤコビアン
薬物動態で血中濃度を対数変換して解析するように、変換は実務でも日常的に使います。

このパートでは、単調変換とヤコビアンを例題で確認します。

例題1 変数変換で \(Y=X^2\) の分布を求める

問題 確率変数 \(X\) の密度関数は \(f(x)=2x\)(\(0<x<1\))です。\(Y=X^2\) とします。

(1) \(Y\) の累積分布関数と密度関数を求めてください。

(2) \(E[Y]\) を、\(Y\) の密度からと、\(X\) の期待値としての2通りで求めてください。

(3) \(Var(Y)\) を求めてください。

解答

(1) 分布関数を経由します。\(0<y<1\) のとき、

\[F_Y(y)=P(Y\leq y)=P(X\leq\sqrt{y})=\int_0^{\sqrt{y}}2x\,dx=y\]

これを微分すると \(f_Y(y)=1\) です。

つまり \(Y\) は一様分布 \(U(0,1)\) に従います。

(2) \(Y\) の密度から計算します。

\[E[Y]=\int_0^1 y\cdot1\,dy=\frac{1}{2}\]

\(X\) の期待値として計算しても、\(E[Y]=E[X^2]=\int_0^1 x^2\cdot2x\,dx=\frac{1}{2}\) で、同じ値になります。

(3) まず \(E[Y^2]=E[X^4]=\int_0^1 2x^5\,dx=\frac{1}{3}\) です。

\[Var(Y)=\frac{1}{3}-\left(\frac{1}{2}\right)^2=\frac{1}{12}\approx0.0833\]

検算 (2) の2通りの計算がどちらも \(\frac{1}{2}\) になり、変換が正しいことの裏づけになります。

Rで答え合わせ

# 例題1:変数変換(Y = X^2 の密度と期待値)
integrate(function(x) 2 * x * x^2, 0, 1)$value  # E[Y] = E[X^2]
integrate(function(x) 2 * x * x^4, 0, 1)$value  # E[Y^2] = E[X^4]
1 / 3 - (1 / 2)^2                               # Var(Y)
[1] 0.5
[1] 0.3333333
[1] 0.08333333
📝 解釈・補足
右上がりの密度を持つ \(X\) を2乗すると、区間 \((0,1)\) に均一に散る一様分布になりました。試験では「分布関数を求めて微分する」手順が基本形です。期待値が2通りで一致する点も、検算として使えます。

例題2 ヤコビアンで同時密度を求める

問題 \(X\) と \(Y\) は独立に指数分布(密度 \(e^{-x}\)、\(x>0\))に従います。\(U=X+Y\)、\(V=X/(X+Y)\) と置きます。

(1) ヤコビアンを用いて、\((U,V)\) の同時密度を求めてください。

(2) \(U\) と \(V\) の周辺分布を述べ、独立かどうかを判定してください。

(3) \(E[U]\) と \(P(V<0.5)\) を求めてください。

解答

(1) 逆変換は \(x=uv\)、\(y=u(1-v)\) です。

ヤコビアンの絶対値は \(|J|=u\) となります。

もとの同時密度 \(e^{-(x+y)}\) に \(|J|\) を掛けて、

\[f_{U,V}(u,v)=ue^{-u}\quad (u>0,\ 0<v<1)\]

(2) \(v\) について積分すると、\(f_U(u)=\int_0^1 ue^{-u}\,dv=ue^{-u}\) です。

これはガンマ分布(形状2・尺度1)の密度です。

\(u\) について積分すると、\(f_V(v)=\int_0^\infty ue^{-u}\,du=1\) となり、\(V\) は一様分布 \(U(0,1)\) に従います。

同時密度が周辺密度の積 \(f_U(u)f_V(v)\) に分解できるので、\(U\) と \(V\) は独立です。

(3) \(E[U]\) はガンマ分布の平均として \(2\) です。\(E[X]+E[Y]=1+1\) と考えても同じです。

\(V\) が一様分布なので、\(P(V<0.5)=0.5\) です。

検算 シミュレーションでも \(E[U]\approx2\)、\(P(V<0.5)\approx0.5\)、相関係数 \(\approx0\) となり、独立の判定と整合します。

Rで答え合わせ

# 例題2:ヤコビアン変換(U = X+Y, V = X/(X+Y))
set.seed(4869)
x <- rexp(200000)
y <- rexp(200000)
u <- x + y
v <- x / (x + y)
round(c(E_U = mean(u), Var_U = var(u), P_V = mean(v < 0.5), cor = cor(u, v)), 3)
E_U Var_U   P_V   cor 
1.996 1.993 0.497 0.002
📝 解釈・補足
「合計 \(U\)」と「占める割合 \(V\)」が独立になるのは、指数分布の特別な性質です。合計がガンマ分布、割合が一様分布になる組み合わせは、ベイズ統計のシミュレーションでも使われます。同時密度が積に分解できるかを見るのが、独立判定の決め手です。
⚠️ 注意
ヤコビアンは絶対値を取るのを忘れないでください。また \(Y=X^2\) のように単調でない変換では、単調変換の公式をそのまま使えません。例題1のように分布関数を経由するのが安全です。

順序統計量 ― 並べ替えた標本の分布

標本を小さい順に並べ替えたものを順序統計量といいます。最小値・最大値・標本中央値は、その代表例です。

試験では、特定の順位の値が従う分布を問う形で出題されます。一様分布からの標本が定番の設定です。

例題3 一様分布の標本中央値の分布を求める

問題 \(X_1, \ldots, X_5\) は一様分布 \(U(0,1)\) からの独立な標本です。\(X_{(3)}\) を小さい方から3番目の順序統計量(標本中央値)とします。

(1) \(X_{(3)}\) の密度関数を求めてください。

(2) \(E[X_{(3)}]\) と \(Var(X_{(3)})\) を求めてください。

(3) \(P(X_{(3)}\leq0.4)\) を求めてください。

解答

(1) 密度関数は、「\(X_{(3)}\) が \(x\) 付近にある」配置を数えて作ります。5個のうち2個が \(x\) より小さく、1個が \(x\) 付近にあり、2個が \(x\) より大きい配置です。

係数は \(\frac{5!}{2!\,2!}=30\) となり、密度は次のようになります。

\[f(x)=30x^2(1-x)^2\quad (0<x<1)\]

これはベータ分布 \(Be(3,3)\) の密度です。一般に、\(U(0,1)\) からの標本の \(k\) 番目は \(Be(k, n-k+1)\) に従います。

(2) ベータ分布の平均と分散の公式を使います。

\[E[X_{(3)}]=\frac{3}{3+3}=0.5\]

\[Var(X_{(3)})=\frac{3\times3}{(3+3)^2(3+3+1)}=\frac{9}{252}\approx0.0357\]

(3) 密度を積分すると、分布関数は \(F(x)=10x^3-15x^4+6x^5\) となります。\(x=0.4\) を代入します。

\[F(0.4)=0.64-0.384+0.06144=0.31744\]

よって \(P(X_{(3)}\leq0.4)\approx0.3174\) です。

検算 密度 \(30x^2(1-x)^2\) は \(x=0.5\) を中心に対称なので、平均が0.5になることと合います。

Rで答え合わせをします。

# 例題3:順序統計量 X_(3) の分布(ベータ分布)
pbeta(0.4, 3, 3)                       # P(X_(3) <= 0.4)
10 * 0.4^3 - 15 * 0.4^4 + 6 * 0.4^5    # 分布関数を手計算した多項式
9 / (36 * 7)                           # Var(X_(3))
[1] 0.31744
[1] 0.31744
[1] 0.03571429
📝 解釈・補足
標本中央値が0.4以下になる確率は約0.3174です。中央値の期待値は母集団の中央値0.5と一致し、中央値が偏りのない目安になることが分かります。
試験では、順序統計量の密度の係数(並べ方の数)を正しく数えられるかが問われます。

モーメント母関数 ― 分布を1つの関数に圧縮する

モーメント母関数(MGF)は、分布のモーメント全体を1つの関数に詰め込んだものです。\(M_X(t)=E[e^{tX}]\) と定義されます。

MGFが存在すれば、分布は一意に決まります。この一意性が、独立な確率変数の和の分布を求める場面で効いてきます。

例題4 ポアソン分布のモーメント母関数と再生性

問題 \(X\) はポアソン分布 \(Po(\lambda)\) に従います。

(1) \(X\) のモーメント母関数 \(M_X(t)\) を求めてください。

(2) 独立な \(X\sim Po(3)\)、\(Y\sim Po(5)\) について、和 \(X+Y\) の分布をモーメント母関数を使って求めてください。

(3) \(P(X+Y=0)\) と、\(\lambda=3\) のときの \(M_X(0.5)\) の値を求めてください。

解答

(1) 定義にポアソン分布の確率関数を代入します。

\[M_X(t)=\sum_x e^{tx} e^{-\lambda}\frac{\lambda^x}{x!}=e^{-\lambda}\sum_x \frac{(\lambda e^t)^x}{x!}\]

和の部分は \(e^{\lambda e^t}\) の指数関数の展開そのものです。整理すると、次の形になります。

\[M_X(t)=\exp(\lambda(e^t-1))\]

(2) 独立な確率変数の和のMGFは、各MGFの積になります。

\[M_{X+Y}(t)=\exp(3(e^t-1))\exp(5(e^t-1))=\exp(8(e^t-1))\]

これは \(Po(8)\) のMGFと一致します。一意性から \(X+Y\sim Po(8)\) です。この性質を再生性といいます。

(3) \(P(X+Y=0)\) は、\(Po(8)\) が値0を取る確率です。\(e^{-8}\approx0.000335\) となります。

\(M_X(0.5)\) は、\(\lambda=3\) を代入して計算します。\(\exp(3(e^{0.5}-1))=\exp(3\times0.6487)\approx7.0018\) です。

検算 \(M_X(0)=\exp(\lambda(1-1))=1\) となり、確率の合計が1であることと対応します。

Rで答え合わせをします。

# 例題4:ポアソンのモーメント母関数と再生性
exp(3 * (exp(0.5) - 1))   # M_X(0.5)(λ = 3)
dpois(0, 3 + 5)           # P(X + Y = 0)
[1] 7.001776
[1] 0.0003354626
📝 解釈・補足
再生性のおかげで、ポアソン分布に従う件数は合算してもポアソン分布のまま扱えます。有害事象の件数を施設ごとや期間ごとに合算する実務でも、この性質が根拠になります。
試験では「和の分布をモーメント母関数で示せ」という出題が定番です。積の形に持ち込む流れを押さえてください。
⚠️ 注意
モーメント母関数は、存在しない分布では使えません。裾の重い分布では \(E[e^{tX}]\) が発散するためです。その場合は、常に存在する特性関数を使う方法に切り替えます。

多変量正規分布 ― 条件付き分布と線形結合

多変量正規分布では、平均ベクトルと分散共分散行列が分布を決めます。線形結合も条件付き分布も正規分布になる点が、計算を一気に楽にします。

製薬実務でも、複数時点の測定値や複合エンドポイントの解析で土台になる分布です。

例題5 二変量正規分布の条件付き分布と線形結合

問題 \((X, Y)\) は二変量正規分布に従い、\(E[X]=1\)、\(E[Y]=2\)、\(Var(X)=4\)、\(Var(Y)=9\)、相関係数 \(\rho=0.5\) です。

(1) \(X=3\) のもとでの \(Y\) の条件付き分布を求めてください。

(2) \(2X+Y\) の分布を求めてください。

(3) \(X+Y\) と \(X-Y\) は独立ですか。共分散を使って判定してください。

解答 まず共分散を求めます。\(Cov(X,Y)=\rho\sqrt{Var(X)\,Var(Y)}=0.5\times2\times3=3\) です。

(1) 条件付き分布も正規分布です。平均は、回帰の式で計算します。

\[E[Y\mid X=3]=2+\frac{3}{4}(3-1)=3.5\]

分散は \(9(1-0.5^2)=6.75\) です。よって \(Y\mid X=3\sim N(3.5, 6.75)\) となります。

(2) 線形結合の平均は \(2\times1+2=4\) です。分散には、共分散の項も入れます。

\[Var(2X+Y)=4\times4+9+2\times2\times3=37\]

線形結合も正規分布なので、\(2X+Y\sim N(4, 37)\) です。

(3) 共分散を展開します。

\[Cov(X+Y, X-Y)=Var(X)-Var(Y)=4-9=-5\]

共分散が0でないので、独立ではありません。二変量正規分布では無相関と独立が同値ですが、今回は無相関ですらありません。

検算 (2) で \(\rho=0\) と置くと分散は \(16+9=25\) となり、独立な場合の計算と一致します。

Rで答え合わせをします。

# 例題5:二変量正規分布の条件付き分布と線形結合
2 + (3 / 4) * (3 - 1)   # Y | X = 3 の平均
9 * (1 - 0.5^2)         # Y | X = 3 の分散
4 * 4 + 9 + 2 * 2 * 3   # 2X + Y の分散
4 - 9                   # Cov(X + Y, X - Y) = Var(X) - Var(Y)
[1] 3.5
[1] 6.75
[1] 37
[1] -5
📝 解釈・補足
\(X=3\) のもとでの \(Y\) の平均は3.5で、\(Y\) 自身の平均2から少しだけ動きます。\(X\) の情報が平均の一部しか伝わらない「平均への回帰」が、式の形に表れています。
条件付き分散6.75が \(X\) の値によらない点も、試験で問われやすいポイントです。

極限定理とデルタ法 ― 近似の道具箱

中心極限定理とデルタ法は、「分布の形が分からなくても正規分布で近似できる」道具です。

標本平均やその関数の分布が分かれば、確率の計算が一気に進みます。

実務でも、検出力計算やシミュレーション結果の当たり付けに、この近似が日常的に使われます。

例題6 中心極限定理で標本平均と合計の確率を近似する

問題 \(X_1, \ldots, X_{100}\) は独立同分布で、\(E[X_i]=2\)、\(Var(X_i)=3\) です。母集団の分布の形は問いません。\(\bar{X}\) を標本平均、\(S=X_1+\cdots+X_{100}\) を合計とします。

(1) \(\bar{X}\) の近似分布を述べてください。

(2) \(P(\bar{X}>2.2)\) を近似計算してください。

(3) \(P(S>220)\) を近似計算し、(2) の結果と比べてください。

解答

(1) 中心極限定理を使います。標本平均は、母集団の分布によらず、およそ正規分布に従います。

\[\bar{X}\ \dot\sim\ N\left(2, \frac{3}{100}\right)\]

標準偏差は \(\sqrt{0.03}\approx0.1732\) です。

(2) 境界の2.2を標準化します。

\[z=\frac{2.2-2}{0.1732}\approx1.15\]

よって \(P(\bar{X}>2.2)\approx1-\Phi(1.15)\approx0.1241\) です。

(3) 合計 \(S\) はおよそ \(N(200, 300)\) に従います。標準化すると \(z=(220-200)/\sqrt{300}\approx1.15\) です。

確率は (2) と同じ約0.1241です。\(\bar{X}>2.2\) と \(S>220\) は同じ出来事なので、一致するのは当然です。

検算 Rで標本平均と合計の2通りを計算すると、どちらも0.1241065で一致します。

Rで答え合わせをします。

# 例題6:中心極限定理による近似
1 - pnorm(2.2, mean = 2, sd = sqrt(3 / 100))  # P(Xbar > 2.2)
1 - pnorm(220, mean = 200, sd = sqrt(300))    # P(S > 220)
[1] 0.1241065
[1] 0.1241065
📝 解釈・補足
近似確率は約0.1241です。使い分けの要点は、標本平均では分散を \(n\) で割り、合計では \(n\) 倍にすることです。ここを取り違えると、標準偏差が大きくずれてしまいます。
⚠️ 注意
中心極限定理の近似は、\(n\) が小さいときや分布の歪みが大きいときは精度が落ちます。\(n=100\) 級なら目安として十分ですが、\(n\) が1桁の問題では近似値を鵜呑みにしないでください。

例題7 デルタ法で平方根変換の分布を求める

問題 \(X_1, \ldots, X_{50}\) はポアソン分布 \(Po(4)\) からの独立な標本で、\(\bar{X}\) を標本平均とします。\(\sqrt{\bar{X}}\) の分布を考えます。

(1) デルタ法を使って、\(\sqrt{\bar{X}}\) の近似分布を求めてください。

(2) \(P(\sqrt{\bar{X}}>2.1)\) を近似計算してください。

(3) 平方根変換が「分散安定化」と呼ばれる理由を、(1) の近似分散の形から述べてください。

解答

(1) \(g(x)=\sqrt{x}\) と置きます。微分は \(g'(x)=\frac{1}{2\sqrt{x}}\) で、\(\mu=4\) では \(g'(4)=1/4\) です。

デルタ法では、近似分散は \([g'(\mu)]^2\) に \(\bar{X}\) の分散を掛けたものになります。

\[\left(\frac{1}{4}\right)^2\times\frac{4}{50}=0.005\]

よって \(\sqrt{\bar{X}}\) はおよそ \(N(2, 0.005)\) に従います。標準偏差は約0.0707です。

(2) 標準化すると \(z=(2.1-2)/0.0707\approx1.41\) です。

よって \(P(\sqrt{\bar{X}}>2.1)\) は約0.0787です。

(3) 近似分散を一般の \(\mu\) で書くと \(\frac{1}{4\mu}\times\frac{\mu}{n}=\frac{1}{4n}\) となり、\(\mu\) が消えます。

元の \(\bar{X}\) の分散 \(\mu/n\) は \(\mu\) に依存します。平方根を取ると、平均の大きさによらず分散がほぼ一定になります。これが分散安定化です。

検算 近似分散は \(\frac{1}{4n}=\frac{1}{200}=0.005\) でも計算でき、(1) と一致します。

Rで答え合わせをします。

# 例題7:デルタ法(平方根変換)
1 - pnorm(2.1, mean = 2, sd = sqrt(1 / (4 * 50)))  # P(sqrt(Xbar) > 2.1)
[1] 0.0786496
📝 解釈・補足
近似確率は約0.0787です。デルタ法の手順は「微分して、\(\mu\) で評価して、2乗して \(\bar{X}\) の分散を掛ける」です。この順序を固定しておくと、本番でも迷いません。

受験対策・実務でのポイント

この記事の7問を通して効いてくるポイントを、計算の型ごとに整理します。

  • 変数変換(例題1・2):単調変換は分布関数を経由し、2変数の変換はヤコビアンを使います。同時密度が周辺分布の積に分解できれば、独立と判定できます。
  • 順序統計量(例題3):\(U(0,1)\) の第 \(k\) 順序統計量はベータ分布 \(Be(k, n+1-k)\) です。係数 \(\frac{n!}{(k-1)!(n-k)!}\) とセットで覚えてください。
  • モーメント母関数(例題4):独立な和はモーメント母関数の積になります。積の形が既知の分布と一致すれば、再生性が示せます。
  • 多変量正規分布(例題5):条件付き平均は回帰の形になり、条件付き分散は \(1-\rho^2\) 倍です。独立の判定は、共分散が0かどうかで行います。
  • 中心極限定理(例題6):標本平均の分散は \(\sigma^2/n\)、合計の分散は \(n\sigma^2\) です。標準化の分母を取り違えないことが最大の注意点です。
  • デルタ法(例題7):手順は「微分→\(\mu\) で評価→2乗→\(\bar{X}\) の分散を掛ける」です。分散安定化は、近似分散から \(\mu\) が消える形で説明できます。
  • 実務への接続:分散が平均に依存するデータでは、平方根変換のような安定化が解析の下準備になります。カウントデータの解析でも、同じ発想が土台にあります。

📚 この記事をより深く理解するための参考書籍

『統計検定準1級対応 統計学実践ワークブック』日本統計学会 編(学術図書出版社)

『統計検定準1級対応 統計学実践ワークブック』日本統計学会 編(学術図書出版社)
日本統計学会が編集した準1級対応の公式ワークブックです。本記事の範囲も、章ごとに演習問題で整理されています。例題で手が止まったときに該当する章へ戻る使い方がおすすめです。2026年刊行の増補版では因果推論の章も追加されています。

『日本統計学会公式認定 統計検定 準1級 公式問題集』日本統計学会 編(実務教育出版、2021年)

『日本統計学会公式認定 統計検定 準1級 公式問題集』日本統計学会 編(実務教育出版、2021年)
過去問題と解説を収録した公式問題集です。変数変換・順序統計量・極限定理は、過去問でも繰り返し問われる計算の型です。本記事の例題で考え方をつかんだあと、制限時間を意識した演習に使ってください。

『現代数理統計学の基礎』久保川達也(共立出版)

『現代数理統計学の基礎』久保川達也(共立出版)
確率分布の変換、順序統計量、モーメント母関数、極限分布といった本記事の道具を、証明と導出からきちんと追えるテキストです。

生物統計家のキャリアについて相談したい方へ

製薬企業・CROでのキャリア、未経験からの転職、実務で必要になるスキルの伸ばし方について、現役の生物統計家が個別にご相談をお受けしています。

キャリア相談の詳細を見る →

関連記事・次のステップ

まとめ

本記事では、統計検定準1級の土台である「確率と確率分布」を、例題7問で整理しました。

変数変換では、密度 \(2x\) を持つ \(X\) に対して \(Y=X^2\) が一様分布になることを確認しました。

2変数の変換では、ヤコビアンで独立性まで示せました。

順序統計量の密度はベータ分布とつながります。

\(X_{(3)}\) の確率は、多項式の分布関数から \(0.3174\) と計算できました。

モーメント母関数は、ポアソンの再生性を1行の積で示す圧縮の道具です。

二変量正規分布では、条件付き分布と線形結合が共分散の計算に帰着しました。

極限定理とデルタ法では、正規近似で確率を \(0.1241\)、\(0.0787\) と評価しました。

本番で大切なのは、公式を覚えることよりも、どの道具を出す場面かを見分けることです。

「変換後の分布は?」と聞かれたら分布関数かヤコビアン、「和の分布は?」と聞かれたらモーメント母関数、という対応を体に覚えさせてください。

定着させるコツは、数日置いてから例題を解き直すことです。

例題2と例題7は、導出がそのまま答案になるタイプです。

白紙から再現できれば、この分野は得点源にできます。

次の一歩としては、推定量の分布を扱う統計検定準1級「統計的推定」攻略と、検定統計量の分布を扱う統計検定準1級「仮説検定」攻略をあわせてご覧ください。

ABOUT ME
tomokichi
外資系製薬会社で生物統計家として働ている1児のパパ。生物統計家とは何か、どのようなスキルが必要か、何を行っているのかを共有していきたいと思っております!生物統計に関する最新情報を皆様にお届けすべく、日々奮闘中です。趣味は筋トレ、温泉巡り、家族と散歩。