シミュレーション・数理最適化の必須セット（ルーター）

分析の実行と診断は不可分である。モデルを当てはめて係数やスコアだけを返すのは分析の前半でしかなく、 本スキルの適用下では未完了とみなす。ユーザーが診断・図・残差に言及しなくても、該当する references の図と値は必ず出す。

使い方（この順で）

1. 下のルーティング表で、ユーザーが指示した手法（指示がなければ分析の主目的になる手法 1 つ）の行を見つける。複数の行を読むのは、手法を組み合わせるとき（例: シミュレーションで評価しながら最適化 → 両方）と、ユーザーが比較を指示したときだけ
   • 反復試行の出力分布そのもの、または最適解そのものが分析の目的のときだけ該当に数える。他の手法の中で使う乱数（default_rng / np.random による順列・ブートストラップ・サブサンプル・CV の分割）や、推定の部品としての scipy.optimize.minimize（最尤法など）は、コードに現れても該当に数えない
2. その行の references/<手法>.md を読んでから実装する（読まずに回さない）
3. 図を保存し、報告に「出力と報告」の判定表を載せる

ルーティング表

手法	トリガー語彙（コード / 日本語）	読むファイル
モンテカルロ・離散事象シミュレーション・感度分析	SeedSequence.spawn scipy.stats.*.rvs simpy SALib sobol / モンテカルロ、反復試行、待ち行列、リスク	references/simulation.md
LP / MIP / CP・非線形最適化・メタヒューリスティクス	pulp LpProblem mip.Model pywraplp cp_model pyomo cvxpy linprog milp / 最適化、割当、スケジュール、配送	references/optimization.md

隣接する手法（このルーターでは扱わない）

手法	使う skill
MCMC によるベイズ推定、ブートストラップ CI、回帰・検定	statistical-inference-diagnostics
ML のハイパラ探索（optuna / GridSearchCV）、予測モデル	predictive-modeling-diagnostics
A/B テスト・因果効果の推定	causal-inference-diagnostics
クラスタリング・次元削減・異常検知	unsupervised-eda-diagnostics

出力と報告（全手法共通）

• 図は outputs/diagnostics/<YYYYMMDD-HHMM>_<短縮名>/ に保存する（短縮名は各 references の冒頭）。報告にはパスと下の表だけを載せ、図は貼らない
• 図は 1 手法 1 枚の複合図を基本とし、各パネルのタイトルに「何を見る図か — 何が見えれば合格か」を書く。判定基準線は破線で描く
• 乱数を使う処理は seed を固定し報告に明記する。日本語フォント・配色・保存形式は visualization skill に従う
• コードの役割は図の保存と診断値の計算まで。値は「項目名 → 数値」の表（polars の DataFrame。pandas を返すライブラリの結果はそのまま載せてよい）にまとめて表示し、必要なら CSV で保存する。判定・合格基準・次アクションの文字列はコードで組み立てない
• 報告の「診断サマリー」に次の表を載せる。実測値はコードが出した値を転記し、判定（OK / 要対処 / 確認＝人間の判断待ち）と次アクションは references の合格基準と図を見て報告側で書く。要対処 には必ず次アクションを書く。全項目 OK でも表を出す

診断項目	実測値	合格基準	判定	次アクション
MC 標準誤差 / CI 半幅	0.8 / 1.6（平均 120.4）	報告桁より小さい	要対処	反復を 1,000 → 10,000 に増やす
status / sol_status	Optimal / Solution Found（時間切れ）	Optimal Solution Found	要対処	gap 2.3%・60 秒と明記。時間延長か定式化強化

全手法共通の落とし穴

• 「平均」「最適値」の 1 つの数字で終わらない。分布・裾・標準誤差、ソルバー status・制約の再検証・現行比の改善率が揃うまで未完了
• 入力（分布・係数・制約）の根拠を書く。根拠のない入力で出した結果は「仮定の下の試算」と明記する
• 小さな問題で解析解・厳密解・保存則と突き合わせてから本番規模に進む（実装バグの検出）
• 次アクションに書いた別の手法（「メタヒューリスティクスでも解く」など）は報告上の提案であり、ユーザーの指示なしに実行しない。指示されていない手法の図を混ぜると、どの結果を採用したのかが読み手に伝わらない
• 判定表をコードで生成しない。基準ごとの単純な閾値分岐だけでは、図や分析目的を踏まえた判断（件数は基準内でも図に形がある、など）を十分に扱えない。解釈・次アクションの文章をスクリプトに埋め込むと、分析コードも報告文で膨らむ（前提が崩れたら処理を止める assert は別）

  # NG: 判定と次アクションをコードの分岐で組み立てる
  verdict = "OK" if ci_half < 0.5 else "要対処"
  # OK: 値を表で出すだけ。判定と次アクションは報告に書く
  vals = {"mean": mean, "mcse": mcse, "ci_half": ci_half}
  print(pl.DataFrame({"項目": list(vals), "値": list(vals.values())}, strict=False))  # int・float・文字列が混ざっても落ちない