数学B / 本質理解型教材
対象：前提知識ゼロの高校生。部分から全体を科学的に言い切る考え方を理解します。
もし、あるメーカーが作った電池の寿命を調べたいとします。すべての電池をテストして寿命を測れば正確な平均値は分かりますが、テストした電池はすべて使い切って空になってしまうため、売る商品がなくなってしまいます。
また、日本全国の有権者1億人の世論を調査するために、全員に直接インタビューを行うことは時間的にも費用的にも不可能です。
このように、現実世界では「一部だけを取り出して調査し、そこから全体のことを推測する」しかありません。しかし、たまたま選んだ一部（標本）は、偶然によって毎回結果が揺れ動きます。その「揺れ」を考慮しながら、どれくらい確かなことが言えるのかを明らかにするルールが必要なのです。
この考え方こそが「統計的な推測」の背骨です。「偶然だから何も言えない」と諦めるのではなく、「偶然の揺れ方に潜むルール」を味方につけることで、科学的に全体を見通すことができます。
私たちが本当に知りたいグループ全体のことを、そこから実際に取り出された一部のデータのことをと呼びます。
標本調査で最も重要なことは、選び方に意図や偏りを一切交えず、完全にくじ引きのように選ぶこと。これをと呼びます。
歴史的な大失敗例があります。1936年のアメリカ大統領選挙で、ある雑誌社が237万人という膨大な数の電話調査を行いました。しかし当時はまだ電話が贅沢品だったため、回答者が「富裕層」に偏ってしまい、選挙予測を大外ししてしまいました。偏った標本は、どれだけ数を集めても正しい答えを教えてくれません。
サイコロの目のように、偶然の結果によって取る値が決まる変数のことをと呼びます。そして、その数値を何度も何度も繰り返したときに得られる、長期的な平均の予測値をと呼びます。
データの散らばり（揺れの大きさ）を表す物差しを（その2乗を分散）と呼びます。
例えば、1から6までの目が等しい確率で出るサイコロの期待値は、次のようになります。
これは、1回投げたときに3.5が出るという意味ではなく、「何万回も投げ続けた平均値が3.5に近づく」という見込みを表しています。
コインを投げて表が出るか裏が出るかのように、結果が2通りしかない行動を何度も繰り返したとき、表が出る合計回数が従う確率の偏り方をと呼びます。
試行回数を \(n\)、1回あたりに表が出る確率を \(p\) とすると、平均値（期待値）と標準偏差（揺れの幅）は次の公式で計算されます。
例えば、コインを 100回 投げたとき、表が出る回数の期待値は \(100 \times 0.5 = 50\) 回になり、標準偏差（揺れの幅）は \(\sqrt{100 \times 0.5 \times 0.5} = 5\) 回となります。
つまり、表が出る回数は50回を中心に、だいたいプラスマイナス5回程度の誤差で収まりやすいことを示しています。
スライダーで回数 \(n\) を増やすと、棒グラフがだんだんと左右対称のきれいな形に変化していくことが分かります。
先ほどのシミュレーターで、回数 \(n\) を大きくしていくと、グラフは滑らかで左右対称の「釣り鐘型」にどんどん近づいていきます。この分布をと呼びます。
正規分布には、平均から標準偏差（\(\sigma\)）を何倍した距離にあるかによって、そこに含まれるデータの個数の割合が決まっているという驚くべき性質があります。
これを「68-95ルール」と呼びます。どんな正規分布であっても、平均値から標準偏差の2倍以内の幅には、全体の約95%のデータがすっぽり収まります。
1人のデータを取るとき、その値（例えば身長）は大きくばらつきます（標準偏差 \(\sigma\)）。しかし、ランダムに \(n\) 人選んで「全員の平均値」を出すと、その平均値が持つ揺れ（標準偏差）はぐっと小さくなります。
例えば、100人選んで平均を取る場合、その平均値の揺れ幅（標準偏差）は個人のばらつきに比べて \(1/\sqrt{100} = 1/10\) にまで縮みます。さらに、元のデータがどんな形に散らばっていても、たくさん集めて平均を取ると、その平均値の散らばり方は必ず美しい正規分布に近づきます（中心極限定理）。
標本の数 \(n\) をどんどん増やしていくと、標本平均の標準偏差（揺れの幅）は限りなく0に近づいていきます。その結果、標本から計算した平均値は、母集団全体の本当の平均（母平均）にぴったりと重なっていきます。これを「大数の法則」と呼びます。
一回一回は予測できない「偶然」であっても、数を大量に集めることで、それは予測可能な絶対的な「必然」へと変わるのです。
手元の標本から全体の割合を「ぴったり20%」と言い切る（点推定）ことは不可能です。そこで、「およそ〇%〜〇%の間に入っている」と幅を示します。これが「信頼区間」です。
標本の中での割合を \(p\)、標本数を \(n\) としたとき、約95%の確率で本当の割合が含まれる幅（およその95%信頼区間）は次のように表されます。
※より厳密には、係数は 2 ではなく約 1.96 を使用します。
数値例: 視聴率調査で標本数 \(n = 900\)、標本視聴率が \(20\%\) (\(p = 0.2\)) の場合、標準的なズレは \(\sqrt{0.2 \times 0.8 / 900} \approx 0.0133\) となります。これの2倍はおよそ \(2.7\%\) です。よって、全体の本当の視聴率は「およそ \(20\% \pm 2.7\%\) (つまり \(17.3\% \sim 22.7\%\))」の中に高い確率（95%の確かさ）で存在すると推測できます。
何か効果を主張したいとき、あえて反対の仮説「差はない（ただの偶然だ）」を立てて、その仮説の下で今回の結果がどれくらいの確率で起きるかを計算します。
もしその結果が起きる確率が極めて低く（通常 5%未満）、めったにあり得ないことが実際に起きてしまったなら、「最初の仮説が間違っていた」とみなしてその仮説を否定し、差はあると認めます。
偶然を切り捨てる判断基準の確率を（通常は5%）と呼びます。これは「本当はただの偶然なのに、誤って『効果あり』と冤罪の判定を下してしまうミス」を5%まで許容するという宣言です。
数値例: コインを20回投げて表が17回も出たとします。「このコインは公正である」と仮定すると、17回以上表が出る確率は約 \(0.1\%\)（片側確率）しかありません。これは偶然とは到底考えられないほど珍しいことなので、「公正である」という仮説を捨て、コインには表が出やすい偏りがあると主張します。
統計検定で偶然ではないことが確認できた場合、それを「有意な差がある」と呼びます。しかし、データの数（サンプルサイズ \(n\)）が途方もなく膨大になると、日常的にはどうでもいいような極めて小さな差であっても、計算上「有意（偶然ではない）」と判定されてしまいます。
統計はあくまで「偶然の揺れで説明できるか」に答えるだけで、「その差に実質的な価値があるか（重要か）」には答えてくれません。
また、2つの現象が連動して変化する「相関関係」と、原因と結果である「因果関係」は別です。「アイスクリームの売上」と「水難事故の件数」は強く相関しますが、アイスの販売を禁止しても水難事故は減りません。どちらも「夏の気温上昇」が原因で増えているだけだからです。
私たちがこの単元でたどった推測の流れは以下の通りです。
この単元で学んだ考え方は、現代のデータサイエンスや医学、意思決定のインフラとして深くつながっています。