---
title: "ゴンペルツ曲線とは：バグ収束を判定する式とExcel三点法・Python curve_fitの計算例"
url: "https://www.issoh.co.jp/tech/details/19959/"
published: 2026-11-18
updated: 2026-11-18
categories: ["テスト"]
publisher: "株式会社一創"
---

# ゴンペルツ曲線とは：バグ収束を判定する式とExcel三点法・Python curve\_fitの計算例

ゴンペルツ曲線は、テスト工程で見つかった累積バグ数をS字の曲線に当てはめ、最終的に何件のバグが見つかるかを推定する信頼度成長曲線の代表的なモデルです。この記事では、式 y = a・b^(c^t) の各パラメータが何を表すか、変曲点が総数の約37%に来る性質を整理したうえで、Excelの関数だけで解く三点法と、PythonのSciPy `curve_fit` とpysratで当てはめるコードを、同じダミーデータの計算例で示します。残存バグ数と収束率をテスト終了の判断にどう使うか、曲線を使わないほうがよい場面まで扱います。

## まとめ：累積バグ数から上限aを推定し、収束率・残存数・推定の安定で終了を決める

ゴンペルツ曲線で知りたいのは、上限を表すパラメータ `a` です。`a` から現時点の累積バグ数を引いた値が残存バグ数の予測になり、累積数を `a` で割った値が収束率になります。この記事の計算例では、12週で109件のバグを検出し、`a` は約111.7件、残存は約2.7件、収束率は97.6%でした。

計算はExcelの `LN`・`SUM`・`EXP` だけでも解けます。Pythonなら `curve_fit` に3行足すだけで、推定値のぶれ（標準誤差）まで出せます。ただし、累積バグ数が変曲点（総数の約37%）を越える前の当てはめと、テストの消化が止まって曲線が寝ている状態での判定には使いません。横軸を暦日ではなくテスト消化量で取ることが、判定を誤らない前提になります。

## ゴンペルツ曲線の式と3つのパラメータが表すバグ総数・立ち上がり・収束の速さ

ゴンペルツ曲線は、1825年に英国の保険数理学者ベンジャミン・ゴンペルツが死亡率の分析で示した成長曲線です。ソフトウェアのテストでは、テスト開始直後は検出数が少なく、中盤で急増し、終盤に頭打ちになる累積バグ数の推移を表すモデルとして使われます。

### y=a・b^(c^t)の式でaが潜在バグ総数、bとcが曲線の形を決める仕組み

日本の品質管理の現場では、次の形で書くのが一般的です。`t` は経過時間（週やテスト消化件数）、`y` はその時点までの累積バグ数です。

```
y = a × b^(c^t)    （a > 0、0 < b < 1、0 < c < 1）
```

`t` が大きくなると `c^t` は0に近づき、`b^0 = 1` なので `y` は `a` に近づきます。つまり `a` は「テストを無限に続けたときに見つかるバグの総数」で、潜在バグ数を推定した値という意味です。`b` はテスト開始時点の立ち上がりの低さ、`c` は収束の速さを決め、`c` が小さいほど早く頭打ちになります。

指数を外して対数を取ると `ln y = ln a + (ln b) × c^t` になります。この形が、後で示すExcelの三点法の土台です。

### 変曲点は総数の約37%で訪れ、週次検出数のピークと一致するという性質

累積曲線の傾きは、週あたりの検出数に相当します。ゴンペルツ曲線の傾きが最大になる変曲点は、`c^t × ln b = −1` を解いた `t* = ln(−ln b) ÷ (−ln c)` で、そのときの累積値は `a ÷ e`、つまり総数の約36.8%です。

実務上の意味は2つあります。1つは、週次の検出数が減り始めた時点で、累積はまだ総数の4割弱にしか達していないことです。ピークを越えたから終わりが近い、とは読めません。もう1つは、変曲点より前のデータには「どこで頭打ちになるか」の情報がほとんど含まれないことです。この段階で当てはめた `a` は大きくぶれます（推定の安定度の章で数値を示します）。

### ロジスティック曲線・指数形モデルとの違いをS字の形と変曲点の位置で比較

累積バグ数の当てはめに使う曲線はゴンペルツ曲線だけではありません。広島大学の研究グループが公開しているExcelアドイン [SRATS2017のプロジェクトページ](https://swreliab.github.io/SRATS2017/) は、ゴンペルツ曲線を「切断最大値分布モデル」として、ほかの信頼度成長モデルと並べて扱っています。

| モデル          | SRATSでの名称   | 曲線の形       | 変曲点     |
| ------------ | ----------- | ---------- | ------- |
| ゴンペルツ曲線      | 切断最大値分布     | 非対称のS字     | 総数の約37% |
| ロジスティック曲線    | 切断ロジスティック分布 | 対称のS字      | 総数の50%  |
| 遅延S字形        | ガンマ分布       | 立ち上がりの遅いS字 | あり      |
| Goel-Okumoto | 指数分布        | 上に凸        | なし      |

ゴンペルツ曲線は立ち上がりが急で、後半の収束がゆっくり進む形です。テスト序盤から多くのバグが出て、終盤に細かい不具合が少しずつ残るプロジェクトによく合います。テスト初日から検出数が最大で、あとは減る一方なら、S字ではない指数形のほうが合います。どれを使うかを1つに決め打ちせず、後述のpysratでAIC（当てはまりの良さとパラメータ数の釣り合いを見る指標）を比べるのが確実です。

## 累積バグ数の記録で決める横軸の単位とデータの集め方：日付より消化量

当てはめの計算より先に、何を横軸にし、どのバグを数えるかを決めます。ここを誤ると、計算が正しくても判定は外れます。

### 横軸を暦日ではなくテスト消化件数や工数にすべき理由と頭打ちの見誤り

横軸を暦日にすると、テストが進まなかった週も「バグが出なかった週」として記録されます。担当者が別案件に呼ばれた、環境が壊れて止まっていた、という理由で検出数が減っただけでも、曲線の見た目は頭打ちの状態です。MONOistのコラムも、バグ発見数の頭打ちには段階があり、表面的な水平化だけでは判断できないと指摘しています。

横軸には、消化したテストケース数かテスト工数（人時）を使います。週単位で集計するなら、週ごとの消化件数も並べて記録し、消化が計画の半分を下回った週を判定の材料から外せるようにしておく運用です。テストケースの総数と消化の計画は、[テスト計画書で決める終了基準](https://www.issoh.co.jp/column/details/19790/)と対にして持つと、曲線の読み方を事前に合意できます。

### 重複バグ・仕様変更起因・重大度で集計対象を分けるデータ整備の手順

バグ管理表の件数をそのまま数えると、曲線にノイズが入ります。集計の前に次の順で整えます。

1. 重複として閉じた票と、調査の結果バグではなかった票を除く
2. 仕様変更や要件追加が原因の票は別系列にする（テスト対象そのものが増えたため）
3. 検出日ではなく、そのバグを見つけたテストケースの消化時点に紐づける
4. 重大度の高いバグだけの系列も作り、全件の曲線と並べて見る

手順4は、全件では収束していても重大バグだけはまだ伸びている、という状態を見逃さないためです。曲線を当てはめる前に、規模あたりの件数が過去実績から外れていないかも確かめます。目安の取り方は[バグ密度・テスト密度の計算式とゾーン分析](https://www.issoh.co.jp/tech/details/9894/)で解説しています。

## Excelの三点法でゴンペルツ曲線のa・b・cを関数だけで求める計算例

Excelのソルバーや専用アドインが使えない環境でも、ゴンペルツ曲線は「三点法」で解けます。データを等間隔の3区間に分け、各区間の `ln y` の合計から `a`・`b`・`c` を連立方程式で逆算する方法です。

### 12週分の累積バグ数をln変換し、4週ずつ3区間の和を取るシートの組み方

ここからの数値はすべて説明用のダミーデータです。12週のテストで、週ごとの累積バグ数が次のように推移したとします。

| 区間 | 週    | 累積バグ数           | ln yの合計 |
| -- | ---- | --------------- | ------- |
| S1 | 1〜4  | 6・17・33・51      | 12.0533 |
| S2 | 5〜8  | 67・80・90・97     | 17.6612 |
| S3 | 9〜12 | 102・105・108・109 | 18.6524 |

週ごとの新規検出数に直すと、6・11・16・18・16・13・10・7・5・3・3・1件です。4週目の18件がピークで、以後は減っています。シートはA列に週、B列に累積バグ数、C列に `=LN(B2)` を置き、C列を4行ずつ `SUM` すれば3つの合計が出ます。データの件数は3の倍数にそろえてください。

### S1・S2・S3からc・b・aを逆算する数式と残存バグ2.7件という結果の読み方

3区間の合計をF2・F3・F4セル、1区間の週数（ここでは4）をF5セルに置いたとき、パラメータは次の数式で求まります。

```
F6  c^n  =(F4-F3)/(F3-F2)
F7  c    =F6^(1/F5)
F8  ln b（起点を0週とした値）  =(F3-F2)*(F7-1)/(F6-1)^2
F9  ln a =(F2-F8*(F6-1)/(F7-1))/F5
F10 a    =EXP(F9)
F11 b    =EXP(F8/F7)
F12 残存バグ数  =F10-B13
F13 収束率      =B13/F10
```

F11で `F8` を `F7` で割っているのは、区間の起点を0週として解いた結果を、1週目を `t=1` とする式に合わせ直すためです。このダミーデータでは `a`\=111.75、`b`\=0.01125、`c`\=0.6484 になり、残存バグ数は約2.7件、収束率は97.6%です。

三点法は誤差の二乗和を最小にする解き方ではないため、データのばらつきが大きいと最小二乗の解からずれます。今回のダミーデータでは、次章の最小二乗の結果（`a`\=111.71）とほぼ一致しました。月次の報告で手早く見る用途には三点法、推定の幅まで示したいときはPythonの当てはめ、と使い分けます。回帰の考え方そのものは[回帰分析の回帰式と決定係数の見方](https://www.issoh.co.jp/column/details/5659/)で扱っています。

## PythonのSciPy curve\_fitで当てはめて残存バグ数と変曲点を求めるコード

Pythonでは、SciPyの `scipy.optimize.curve_fit` で非線形の最小二乗当てはめができます。2026年11月時点のSciPyの最新版は1.18.1（Python 3.12以上）です。`scipy.optimize` の全体像は[scipy.optimizeの使い方とminimize・least\_squaresの選び方](https://www.issoh.co.jp/tech/details/2049/)にまとめています。

### boundsでb・cを0〜1に縛り、aを累積値以上に制約するcurve\_fitの全コード

同じダミーデータを当てはめるコードです。`pip install scipy numpy` で入る環境なら、そのまま実行できます。

```
import numpy as np
from scipy.optimize import curve_fit

# 経過週と累積バグ数（ダミーデータ）
t = np.arange(1, 13)
y = np.array([6, 17, 33, 51, 67, 80, 90, 97, 102, 105, 108, 109])

def gompertz(t, a, b, c):
    return a * b ** (c ** t)

# a は最新の累積値以上、b と c は 0〜1 の範囲に制約する
p0 = [y[-1] * 1.2, 0.1, 0.7]
bounds = ([y[-1], 1e-9, 1e-9], [y[-1] * 10, 1 - 1e-9, 1 - 1e-9])
popt, pcov = curve_fit(gompertz, t, y, p0=p0, bounds=bounds)
a, b, c = popt
perr = np.sqrt(np.diag(pcov))

print(f"a={a:.2f}（標準誤差 {perr[0]:.2f}）b={b:.5f} c={c:.4f}")
print(f"残存予測={a - y[-1]:.1f}件 収束率={y[-1] / a:.1%}")
t_star = np.log(-np.log(b)) / -np.log(c)
print(f"変曲点={t_star:.2f}週目 その時点の累積={a / np.e:.1f}件")
```

[SciPyのcurve\_fit公式リファレンス](https://docs.scipy.org/doc/scipy/reference/generated/scipy.optimize.curve%5Ffit.html)によると、`p0` を省くと初期値はすべて1になり、`bounds` を渡すと解法は既定で `trf` に切り替わります。ゴンペルツ曲線は初期値が1のままだと `b^(c^t)` が1に張り付いて収束しないことがあるため、`p0` と `bounds` は必ず渡します。このデータでの最小二乗の解は `a`≒111.71、`b`≒0.01150、`c`≒0.6485で、残存は約2.7件、変曲点は約3.46週目（累積約41件）です。週次検出のピークが4週目だった実績とも合っています。

### pcovから求めるaの標準誤差は4週で2.64、12週で0.19と縮む推定の安定度

公式リファレンスは、パラメータの1標準偏差の誤差を `np.sqrt(np.diag(pcov))` で求めると説明しています。同じダミーデータを途中の週までで当てはめると、`a` の標準誤差は次のように変わりました。

| 使ったデータ | aの推定値  | aの標準誤差 |
| ------ | ------ | ------ |
| 1〜4週   | 113.63 | 2.64   |
| 1〜6週   | 109.82 | 0.58   |
| 1〜8週   | 111.01 | 0.29   |
| 1〜12週  | 111.71 | 0.19   |

4週目までは、変曲点の3.46週を越えた直後のデータしかありません。標準誤差は12週の約14倍です。このダミーデータは曲線にほぼ沿うように作ってあるため誤差は小さく出ていますが、実データでは週ごとのばらつきが大きく、変曲点前の `a` は数十件単位で動くこともあります。報告書には `a` の値だけでなく標準誤差を並べ、前週の推定値からの変動も記録してください。

### pysratの切断最大値分布モデルで最尤推定し、AICでほかの曲線と比べる方法

最小二乗の当てはめは、累積値どうしの誤差が週をまたいで連動する点を考慮しません。確率モデル（非同次ポアソン過程）として最尤推定したい場合は、広島大学の研究グループが公開するPythonパッケージ [pysrat](https://github.com/SwReliab/pysrat) を使えます。[PyPIのpysrat](https://pypi.org/project/pysrat/) は0.2.8（2026年10月28日公開・Python 3.9以上・MITライセンス）が最新です。

```
from pysrat.data.nhpp import NHPPData
from pysrat.nhpp.models import (
    TruncatedExtremeValueMaxNHPP,  # ゴンペルツ曲線に相当
    TruncatedLogisticNHPP,         # ロジスティック曲線に相当
    ExponentialNHPP,               # Goel-Okumoto（指数形）
)

# 週ごとの新規検出数（累積ではない）を渡す
counts = [6, 11, 16, 18, 16, 13, 10, 7, 5, 3, 3, 1]
data = NHPPData.from_intervals(intervals=[1] * 12, counts=counts)

for model_cls in (TruncatedExtremeValueMaxNHPP, TruncatedLogisticNHPP, ExponentialNHPP):
    m = model_cls().fit(data)
    print(model_cls.__name__, m.params_, "AIC=", round(m.aic_, 2))
```

pysratでは、ゴンペルツ曲線は `TruncatedExtremeValueMaxNHPP`（切断最大値分布モデル）として実装され、パラメータは総数を表す `omega` と、位置 `loc`・尺度 `scale` の3つです。`omega` が三点法や `curve_fit` の `a` にあたります。渡すのは累積数ではなく区間ごとの件数である点に注意してください。AICが最も小さいモデルを採用し、ゴンペルツ曲線より別の曲線が明らかに合うなら、判定もその曲線で行います。[広島大学のソフトウェア信頼性の研究ページ](https://www.rel.hiroshima-u.ac.jp/en/research/software-reliability/)には、R版のRsratや適合度検定のgof4srmも並んでいます。

## ゴンペルツ曲線でテストの終了を判定する基準と、当てはめを見送るべき場面

曲線の当てはめは、終了判定の根拠の1つにすぎません。数値の読み方と、使わない条件を先に決めておきます。

### 収束率95%・週次検出の減少・推定値aの安定がそろったら終了を判断

当社が判定の目安として勧めるのは、次の条件がすべてそろった時点です。数値は案件の重要度に合わせて契約前に合意します。

- 収束率（累積数 ÷ `a`）が95%以上で、残存予測が受入テストで見つけても許容できる件数に収まっている
- 週次検出数が3週続けて前週以下で、その間のテスト消化が計画どおり進んでいる
- `a` の推定値が直近3週で数%以内しか動いておらず、標準誤差も縮んでいる
- 重大度の高いバグだけの系列でも、同じく頭打ちになっている

今回のダミーデータでは、11週目に累積が `a` の95%を越えました。ただし収束率95%は「見つかるはずのバグの95%を見つけた」という推定であり、残り5%が軽微とは限りません。残存予測の件数と重大度の系列を必ず並べて判断します。

### 変曲点前の当てはめ、テスト消化の停滞、小規模案件では曲線を使わない

次の場面では、ゴンペルツ曲線で終了を判定しません。

1つ目は、累積数が変曲点（推定総数の約37%）を越えていない段階です。前章の表のとおり `a` が定まらず、残存数の予測は外れます。2つ目は、テスト消化が計画を下回っている期間です。曲線が寝ているのは品質が上がったからではなく、テストをしていないことが原因になっています。3つ目は、累積バグ数が数十件に満たない小規模な改修が該当します。点が少なすぎて当てはめに意味がなく、テストケースの消化率と重大バグの残件で判断するほうが確実です。

工程全体のレビュー・テスト管理のなかで信頼度成長曲線をどこに置くかは、[システム開発の品質管理とメトリクス判定の手順](https://www.issoh.co.jp/tech/details/15319/)で整理しています。品質の測り方を社内のテスト工程に根付かせたい、リグレッションテストまで含めて運用を立て直したい場合は、[保守運用・内製化支援](https://www.issoh.co.jp/service/system/maintenance/)で仕組みづくりから相談を受けています。

## よくある質問

ゴンペルツ曲線の計算や、テスト終了の判定に使うときによく寄せられる質問に答えます。

### ゴンペルツ曲線とロジスティック曲線はどちらを使えばよいですか？

どちらか一方に決め打ちせず、両方を当てはめて比べるのが確実です。ゴンペルツ曲線は変曲点が総数の約37%に来る非対称のS字で、序盤に多く見つかり終盤がゆっくり収束するプロジェクトに合います。ロジスティック曲線は変曲点が50%の対称なS字です。pysratやSRATS2017なら複数のモデルを同じデータに当てはめてAICで比べられるので、値が小さいほうを採用し、報告書には採用したモデル名を書き添えます。

### ゴンペルツ曲線の計算はExcelだけでできますか？

できます。この記事で示した三点法なら、`LN`・`SUM`・`EXP` とべき乗の演算だけで `a`・`b`・`c` が求まります。データの件数を3の倍数にそろえ、3区間の `ln y` の合計から逆算する手順です。誤差の二乗和を最小にしたい場合は、Excelのソルバーで `a`・`b`・`c` を変数にして残差平方和を最小にする設定でも解けます。推定値の標準誤差まで出したいならPythonのほうが手間がかかりません。

### テストを始めたばかりでデータが少なくても予測できますか？

累積数が変曲点を越えるまでは、予測としては使えません。変曲点より前のデータには頭打ちの位置の情報がほとんど無く、`a` が大きくぶれます。この時期は、過去案件のバグ密度に今回の規模を掛けて総数の目安を置き、実績の累積がその目安に沿っているかを見る使い方にとどめます。週次の検出数がピークを越えてから当てはめを始め、`a` の推移を毎週記録してください。

### 累積バグ数が収束せず右肩上がりのままのときは何を疑えばよいですか？

まず、テスト対象そのものが増えていないかを確かめます。仕様変更や追加開発のバグが同じ系列に入っていると、曲線は収束しません。次に、修正によって新しいバグが混入する「デグレード」が続いていないかを見ます。どちらでもなければ、設計やコードの品質そのものに問題がある可能性が高く、テストを続けるよりも、バグが集中しているモジュールの設計レビューや作り直しを検討する段階です。

### 発注者はベンダーの品質報告書のゴンペルツ曲線のどこを見ればよいですか？

横軸の単位、`a` の推定値とその推移、テスト消化率の3点を確認します。横軸が暦日で消化率の記載が無いなら、頭打ちがテスト停滞によるものではないかを質問します。`a` が週ごとに大きく変わっているなら、まだ収束を判断できる段階ではありません。重大度の高いバグだけの推移と、残存予測件数の受入テストでの扱いも合わせて確認しておくと、検収時の判断がぶれません。

## 関連記事

- [システム開発の品質管理とは？工程別レビュー・テスト管理とメトリクス判定の手順](https://www.issoh.co.jp/tech/details/15319/)：信頼度成長曲線を含む品質管理の全体像
- [バグ密度・テスト密度の目安｜IPA基準値・品質指標値と計算式、ゾーン分析](https://www.issoh.co.jp/tech/details/9894/)：曲線を当てはめる前に見る規模あたりの指標
- [テスト計画書とは？書き方と記載項目、テスト仕様書との違いと終了基準の決め方](https://www.issoh.co.jp/column/details/19790/)：収束の判定条件を事前に合意する文書
- [システム開発のテスト工程とは？種類・流れとV字モデル・検収の決め方を発注者向けに解説](https://www.issoh.co.jp/column/details/13445/)：曲線で判定するテスト工程の位置づけ
- [scipy.optimizeの使い方｜minimize・least\_squares・milpと外部ソルバーの選び方【SciPy 1.18】](https://www.issoh.co.jp/tech/details/2049/)：curve\_fitの背後にある最小二乗の解法

---

出典: [ゴンペルツ曲線とは：バグ収束を判定する式とExcel三点法・Python curve\_fitの計算例](<https://www.issoh.co.jp/tech/details/19959/>)（株式会社一創）
