母集団と標本 — 母数と統計量・標準誤差
ここから第3章「統計的推定」に入ります。推定とは、ひとことで言えば「一部から全体を言い当てる」こと。そのために欠かせない言葉の整理から始めましょう。主役は、母集団と標本、そして母数と統計量という2つのペアです。
さらに、3級でも触れた標本平均 $\bar{X}$ が「どのくらいばらつくのか」を、中心極限定理を使ってもう一度きちんと押さえます。最後に登場する標準誤差 $\mathrm{SE}=\dfrac{\sigma}{\sqrt{n}}$ は、第3章の信頼区間でも第4章の検定でも顔を出す、推測統計の心臓部です。ここを固めておくと、これから先がぐっとラクになりますよ。
第3章のテーマは「推定」！ 全部は調べられないから、一部（標本）を見て全体（母集団）を当てにいくよ。そのとき、$\mu$ みたいな「本当に知りたい値」と、$\bar{X}$ みたいな「手元のデータから計算した値」をきっちり区別するのが第一歩。ここを混ぜると後で必ず迷子になるから、丁寧にいこう！
1. 母集団と標本（直感）
まず2つの基本用語を固めます。3級でも出てきた言葉ですが、2級ではこのあと「確率変数の集まり」として扱うので、ここで土台を作り直しておきましょう。
母集団
母集団（ぼしゅうだん、population）とは、調べたい対象の全体です。「日本の有権者全員」「ある工場で作られた全製品」「ある地域の世帯すべて」など、興味の対象となるすべての要素の集まりを指します。
標本
標本（ひょうほん、sample）とは、母集団から取り出した一部です。サイズ $n$ の標本といえば、$n$ 個の要素を取り出したもの。2級では、この標本を $X_1, X_2, \dots, X_n$ という確率変数の列として書きます。まだ値が確定する前は大文字 $X$、実際に観測した数値は小文字 $x$、という規約（第2章でおなじみですね）をそのまま使います。
母集団から無作為に標本を取り出す。母集団側の数値が「母数」、標本側の数値が「統計量」
母集団＝知りたい全体、標本＝そこから取り出した一部。標本は確率変数の列 $X_1,\dots,X_n$ で表し、観測前は大文字、観測後の数値は小文字で書き分けます。この書き分けが、次の「母数と統計量」の区別にそのままつながります。
2. 母数と統計量 — 役割で記号を見分ける
第3章でいちばん大事な区別が、母数と統計量です。どちらも「平均」や「分散」といった同じ名前を持つので混乱しがちですが、「どこの値か」でくっきり分かれます。
母数（パラメータ）
母数（ぼすう、population parameter）とは、母集団そのものが持つ、固定された数値です。私たちが本当に知りたいけれど、ふつうは直接見られない値。記号にはギリシャ文字を使うのが約束です。
- 母平均 $\mu$：母集団全体の平均
- 母分散 $\sigma^2$：母集団全体のばらつき（標準偏差は $\sigma$）
- 母比率 $p$：母集団の中である性質を持つものの割合
統計量（推定量）
統計量（とうけいりょう、statistic）とは、手元の標本から計算できる数値です。母数を言い当てるための材料で、標本が変わるたびに値も変わる確率変数です。これから母数を推定するために使うとき、とくに推定量と呼びます。
- 標本平均 $\bar{X}=\dfrac{1}{n}\sum_{i=1}^{n}X_i$：母平均 $\mu$ を推定する
- 標本分散：母分散 $\sigma^2$ を推定する（くわしくは下で）
- 標本比率 $\hat{p}$：母比率 $p$ を推定する
| 対象 | 母数（母集団・固定） | 統計量（標本・変動） |
|---|---|---|
| 平均 | 母平均 $\mu$ | 標本平均 $\bar{X}$ |
| 分散 | 母分散 $\sigma^2$ | 標本分散 $s^2$（または $\hat{\sigma}^2$） |
| 標準偏差 | $\sigma$ | $s$（または $\hat{\sigma}$） |
| 比率 | 母比率 $p$ | 標本比率 $\hat{p}$ |
| 正体 | 定数（ふつう未知） | 確率変数（標本ごとに変わる） |
記号のクセを覚えておくと迷いません。ギリシャ文字（$\mu,\sigma,p$）は母数、ハット記号（$\hat{p},\hat{\sigma}$）やバー（$\bar{X}$）は統計量。推定量・統計量にはハット、母数にはギリシャ文字、という役割の対応は第2章から一貫したルールです。
標本分散の「2つの定義」に注意
標本分散には、$n$ で割る定義と $n-1$ で割る定義の2通りがあります。母分散 $\sigma^2$ をかたよりなく推定したいときは、$n-1$ で割る不偏分散を使います。
不偏分散（母分散 $\sigma^2$ の推定量、$n-1$ で割る）： $$s^2 = \frac{1}{n-1}\sum_{i=1}^{n}\left(X_i-\bar{X}\right)^2$$ なぜ $n$ ではなく $n-1$ で割るのか──その理由（不偏性）は 3-4 点推定 でじっくり導出します。今は「母分散を狙うなら $n-1$」とだけ押さえておけば十分です。
記号を見ただけで「母数か統計量か」が言えるようになると最強だよ！ ギリシャ文字（$\mu,\sigma,p$）は手の届かない母集団の値、ハットやバー（$\hat{p},\bar{X}$）は手元のデータから作った値。試験でも「次のうち母数はどれ？」って聞かれるから、セットで覚えちゃおう！
3. 全数調査と標本調査
母集団を知る方法は2つあります。全部調べる全数調査と、一部だけ調べる標本調査です。
全数調査（census）は母集団のすべてを調べる方法で、国勢調査が代表例です。原理的には母数 $\mu$ や $p$ を直接求められますが、コストと時間が膨大で、現実には完全な「全数」に到達するのが難しいという弱点があります。
標本調査（sample survey）は標本だけを調べて母集団を推測する方法です。世論調査・視聴率・品質検査など、私たちが目にする調査のほとんどがこれにあたります。コストが低く速い代わりに、「一部しか見ていない」ことによる誤差が必ずつきまといます。この誤差をどう見積もるかが、まさに統計的推定のテーマです。
| 観点 | 全数調査 | 標本調査 |
|---|---|---|
| 調べる範囲 | 母集団のすべて | 母集団の一部（標本） |
| コスト・時間 | 非常に大きい | 小さい・速い |
| 誤差 | 原理上は無し（実際は未回収など） | 標本誤差が必ず生じる |
| 代表例 | 国勢調査 | 世論調査・視聴率・品質検査 |
標本の選び方（無作為抽出など）の具体的な方法は 3-3 標本抽出法 で、調査の設計（実験か観察か）は 3-2 研究デザイン でくわしく扱います。本ページでは、無作為に取った標本から計算される $\bar{X}$ が「どうばらつくか」に話を進めましょう。
4. 標本平均の分布 — 中心極限定理の復習
標本平均 $\bar{X}$ は、標本を取り直すたびに値が変わる確率変数です。では $\bar{X}$ 自身は、どんな分布に従うのでしょうか。これを標本分布といいます。第2章で学んだ事実を、ここで推定の言葉でまとめ直します。
期待値と分散
母平均 $\mu$、母分散 $\sigma^2$ の母集団から、互いに独立に $X_1,\dots,X_n$ を取ったとします（同じ母集団から無作為に取れば、独立で同じ分布＝i.i.d. と見なせます）。このとき $\bar{X}$ の期待値と分散は、第2章の線形性から次のように出ます。
$$ \begin{aligned} E[\bar{X}] &= E\!\left[\frac{1}{n}\sum_{i=1}^{n}X_i\right] = \frac{1}{n}\sum_{i=1}^{n}E[X_i] = \frac{1}{n}\cdot n\mu = \mu \\[6pt] V[\bar{X}] &= V\!\left[\frac{1}{n}\sum_{i=1}^{n}X_i\right] = \frac{1}{n^2}\sum_{i=1}^{n}V[X_i] = \frac{1}{n^2}\cdot n\sigma^2 = \frac{\sigma^2}{n} \end{aligned} $$
期待値の計算には線形性だけを使いました（独立は不要）。一方、分散の計算では$X_i$ どうしの独立を使っています（独立だから和の分散が分散の和になる）。ここは 2-5a 期待値 と分散の回で強調したポイントですね。
分布の形：中心極限定理
期待値と分散がわかっても、まだ「形」が決まっていません。そこで効くのが中心極限定理（central limit theorem, CLT）です。
母平均 $\mu$、母分散 $\sigma^2$ の母集団から独立に $n$ 個取ったとき、$n$ が十分大きければ標本平均はおよそ正規分布に従います。 $$\bar{X} \;\approx\; N\!\left(\mu,\ \frac{\sigma^2}{n}\right)$$ とくに母集団がもともと正規分布 $N(\mu,\sigma^2)$ なら、$n$ の大小によらず厳密に $\bar{X}\sim N\!\left(\mu,\dfrac{\sigma^2}{n}\right)$ が成り立ちます。
ここがすごいところです。母集団がどんな形（左右非対称でも、でこぼこでも）でも、$n$ を大きくすれば $\bar{X}$ の分布は正規分布に近づく。だから、母集団の形を知らなくても、$\bar{X}$ を使った推定ができるのです。なぜそうなるのかの中身は 2-13c 中心極限定理 で導出済みなので、ここでは「推定の出発点になる事実」として使います。
$\bar{X}$ の分布は $\mu$ を中心とする正規分布。$n$ が大きいほど幅（標準誤差）が縮む
5. 標準誤差 $\mathrm{SE}=\dfrac{\sigma}{\sqrt{n}}$
$\bar{X}$ のばらつきの大きさ、つまり標準偏差をとくに標準誤差（standard error, SE）と呼びます。$V[\bar{X}]=\dfrac{\sigma^2}{n}$ の平方根を取るだけです。
$$\mathrm{SE}(\bar{X}) = \sqrt{V[\bar{X}]} = \sqrt{\frac{\sigma^2}{n}} = \frac{\sigma}{\sqrt{n}}$$ 「標準偏差」は1個1個のデータのばらつき $\sigma$、「標準誤差」は推定量 $\bar{X}$ のばらつき $\dfrac{\sigma}{\sqrt{n}}$。名前は似ていますが対象が違います。
この式が伝えるメッセージは強烈です。標準誤差は $\sqrt{n}$ に反比例するので、標本サイズを4倍にすると、推定の精度（ばらつきの小ささ）は2倍になる。$\dfrac{1}{\sqrt{n}}$ のおかげで、サンプルを増やすほど $\bar{X}$ は $\mu$ の近くに集まっていきます。これが「たくさん取ると当たりやすい」という直感の正体です。
誤差を半分にしたいなら、サンプルは2倍では足りず4倍必要。これは $\sqrt{n}$ ゆえの「逓減」です。サンプルを増やすほど効率が悪くなる、という現実は調査設計で必ず効いてきます。なお実際には母分散 $\sigma$ は未知なので、標本から計算した $s$ で置き換えた $\dfrac{s}{\sqrt{n}}$ を推定された標準誤差として使います（3-7 の t 分布の話につながります）。
6. 結論と使いどころ
数値で標準誤差の効き目を体感しましょう。
母標準偏差が $\sigma = 12$ とわかっている母集団から、$n=36$ の標本を取って $\bar{X}$ を求めます。標準誤差は？
$\mathrm{SE} = \dfrac{\sigma}{\sqrt{n}} = \dfrac{12}{\sqrt{36}} = \dfrac{12}{6} = 2$。
1個ずつのデータは $\sigma=12$ もばらつくのに、36個の平均 $\bar{X}$ はばらつきが $2$ まで縮みます。「平均すると安定する」が数字で見えますね。
EXAMPLE 1 で標準誤差を半分の $1$ にするには、$n$ をいくつにすればよいでしょう。
$\dfrac{12}{\sqrt{n}} = 1 \;\Rightarrow\; \sqrt{n} = 12 \;\Rightarrow\; n = 144$。
$36$ から $144$ へ、ちょうど4倍。「精度を2倍にするにはサンプル4倍」が確かに成り立っています。
ある政策への賛成率（母比率）が $p=0.4$ の母集団から $n=100$ 人を無作為抽出します。標本比率 $\hat{p}$ の標準誤差は？ 母比率の場合、母分散は $p(1-p)$ なので
$$\mathrm{SE}(\hat{p}) = \sqrt{\frac{p(1-p)}{n}} = \sqrt{\frac{0.4\times 0.6}{100}} = \sqrt{0.0024} \approx 0.049$$
標本比率はおよそ $\pm 0.05$ 程度ぶれる、という見積もりです。比率の推定（3-8）でそのまま使う式なので、形を覚えておくと得をします。
推定の合言葉は「$\bar{X}$ は $\mu$ の周りに、$\dfrac{\sigma}{\sqrt{n}}$ の幅でばらつく正規分布」。この一文に、母数と統計量の区別・標本分布・標準誤差のすべてが詰まっています。次章以降の信頼区間も検定も、結局この一文を出発点に組み立てていきます。
まとめ
第3章 3-1、ポイントを整理します。
- 母集団と標本：知りたい全体が母集団、取り出した一部が標本（$X_1,\dots,X_n$）
- 母数：母集団の固定値。母平均 $\mu$・母分散 $\sigma^2$・母比率 $p$（ギリシャ文字）
- 統計量：標本から計算する確率変数。標本平均 $\bar{X}$・標本分散 $s^2$・標本比率 $\hat{p}$（バー・ハット）
- 調査：全数調査（全部）と標本調査（一部）。標本調査には標本誤差がつきもの
- 標本平均の分布：$E[\bar{X}]=\mu$、$V[\bar{X}]=\dfrac{\sigma^2}{n}$、形は $\bar{X}\approx N\!\left(\mu,\dfrac{\sigma^2}{n}\right)$
- 標準誤差：$\mathrm{SE}=\dfrac{\sigma}{\sqrt{n}}$。$\sqrt{n}$ に反比例し、精度2倍にはサンプル4倍
次回 3-2 研究デザイン（観察研究・実験研究） では、そもそも「どうデータを集めるか」に踏み込みます。同じ標本でも、集め方を間違えると因果が言えなくなる──その理由を、交絡やランダム化比較試験の話を通して見ていきましょう。
第3章スタート、おつかれさま！ 「母数 vs 統計量」と「$\mathrm{SE}=\dfrac{\sigma}{\sqrt{n}}$」、この2つは第3章・第4章ずっと使うよ。とくに標準誤差は、信頼区間でも検定でも主役級。今日のうちに EXAMPLE をもう一度手で計算してみてね！