中心極限定理・t検定・z検定
1. 概要
A. 定義
標本から得た統計量で母集団の特性を推論する統計的仮説検定(Statistical Hypothesis Testing) の基盤理論。中心極限定理(CLT) が標本平均の正規近似を保証し、その上でz検定・t検定が母平均に関する仮説を確率的に判定する。
三つの概念は一つの論理の鎖で結ばれる。我々は母集団全体を知りえず標本だけを見る → 標本平均は抽出のたびに揺れる確率変数である → その揺れの分布を知らねば推論ができない → CLTがその分布が正規分布であることを保証する → その正規性を用いてz・t検定が「観測された差が偶然なのか本物なのか」を判定する。すなわちCLTは推論の「理論的な許可証」、z・t検定はその許可の上で作動する「判定の道具」である。
この三角構造は抽象的な数学ではなくデータに基づく意思決定の実質的なエンジンである。新薬が偽薬より効果があるのか、A案の画面がB案より転換率が高いのか、工程が規格を外れたのか、二つの機械学習モデルの性能差が意味あるのかを、すべてこの枠組みで判定する。技術士の観点では「検定統計量の公式暗記」を超え、仮定(正規性・独立性・等分散)の成立可否を点検し、有意性と効果量を併せて解釈し、標本サイズを設計する統計的思考が核心である。
三つの概念を簡単に位置づけると次のとおりである。CLTは「標本平均がなぜ正規分布に従うのか」を説明する理論的基盤であり、z検定は「母分散を知る(または大標本の比率)場合」の判定の道具であり、t検定は「母分散を知らない小標本」の判定の道具である。三者は分離したテーマではなく一つの推論体系をなすため、まとめて理解し記述せねばならない。
B. 登場背景および必要性
現実において我々は母集団全体を調査できず、一部の標本のみを観測する。全数調査は費用・時間・物理的制約(破壊検査など)で不可能な場合が大半だからである。問題は標本平均x̄が抽出のたびに変わる確率変数である点であり、この揺れ(標本誤差、Sampling Error)を定量化できなければ「標本で観測された差が本当の母集団の差なのか、単なる偶然なのか」を判断できない。
中心極限定理はまさにこの標本平均の揺れが正規分布という既知の形に従うことを保証することで、確率的に計算可能な推論の扉を開く。「揺れの分布を知る」ということはすなわち「観測値が偶然に出る確率を計算できる」ことを意味し、この確率(p-value)が仮説判定の根拠となる。z・t検定はその正規近似を実際の仮説判定に移す具体的な道具である。
この三角構造がA/Bテスト、統計的工程管理(SPC)、臨床試験、モデル性能比較など、ほぼすべてのデータに基づく意思決定の土台となる。ビッグデータ・AIの時代にも「観測された差が統計的に有意か」を問う仮説検定の重要性はむしろ増しており、誤った検定の適用は偽発見・再現不可能な結論につながる。
C. 仮説検定の基本手順
仮説検定は次の段階を踏む。① 帰無仮説(H₀: 差がない)と対立仮説(H₁: 差がある)を立てる。② 有意水準α(通常0.05)を事前に定める。③ データで検定統計量(zまたはt)を計算する。④ その値のp-valueを求めてαと比較する。⑤ p < αならH₀を棄却し「有意な差」と、そうでなければ「棄却失敗」と判定する。この手順で①・②をデータを見る前に確定することが信頼性の核心である。結果を見たあとに仮説や有意水準を変えると、検定の統計的意味が崩れる。
2. 中心極限定理(CLT)
A. 全体の概念構造
flowchart TD
POP["母集団(分布形態は無関係)"] -->|サイズnの標本を反復抽出| SAMP["標本平均 x-bar を計算"]
SAMP -->|nが十分に大きい| CLT["標本平均の分布が正規分布に近接"]
CLT -->|母分散を知る| Z["z検定"]
CLT -->|母分散を知らない| T["t検定"]
Z --> DEC["母平均の仮説を判定"]
T --> DEC
上の構造図は三つの概念の関係を一目で示す。出発点はどんな形であれ構わない母集団であり、そこからサイズnの標本を反復抽出して平均を求めると、CLTによってその平均たちの分布が正規分布へ収束する。この正規性の上で母分散を知っているか否かによってz検定とt検定に分かれ、最終的に母平均に関する仮説(等しい/異なる)を判定する。
日常的な例として世論調査を挙げられる。全国民の支持率(母比率)は知りえないが、1,000人を無作為に抽出して支持率を求めると、CLTによってその標本比率の分布が正規分布に近接する。そのため「支持率48%、誤差範囲±3%p(95%信頼水準)」のように区間を提示できる。ここで誤差範囲こそが標準誤差に1.96を掛けた値であり、標本を4倍に増やさねば誤差範囲が半分にならないという√nの法則がそのまま適用される。
まさにこの性質のため、CLTは「統計学で最も重要な定理」と呼ばれる。母集団分布を知らなくても、標本さえ十分なら正規分布という単一の数学的道具で推論を統一できるからである。z・t検定だけでなく信頼区間、回帰分析の係数検定、管理図など数多くの技法がこの一つの定理の上に建てられている。
B. 定義と原理
母集団の分布形態に関係なく、標本サイズnが十分に大きければ標本平均x̄の分布が正規分布に近接するという定理。
核心は「母集団が正規分布でなくても」成立する点にある。例えばサイコロの目は1〜6が均等な一様分布だが、サイコロを30回振って得た平均を繰り返し求めると、その平均値たちの分布は鐘型の正規分布へ収束する。さらには一方に偏った指数分布・所得分布のような非対称な母集団でも、標本平均を十分に多く集めればその分布は正規の形に集まる。複数の独立した要因の和・平均は、個々の分布の偏りが互いに相殺されながら正規の形へ収束するためである。
このとき標本平均の期待値は母平均μのまま維持され(不偏性)、ばらつきを表す標準誤差(Standard Error)はσ/√n に減る。ここで√nが分母にある点が非常に重要である。標本を4倍に増やさねば誤差が半分に減らないため、精度を二倍高めるには費用は四倍かかる。この逓減(diminishing returns)構造が標本サイズ設計の核心的なトレードオフであり、「やみくもに標本を増やす」アプローチが非効率な理由である。
数値で見るとより明確である。母標準偏差σ=10のときn=100なら標準誤差は10/10=1.0だが、誤差を半分の0.5に減らすにはnを400へ四倍に増やさねばならず、0.25に減らすには1600が必要である。すなわち標本をいくら大きくしても誤差が0へ収束する速度は次第に遅くなる。このため実務では「必要な精度を先に定め、それに合う最小標本」を逆算するアプローチ(検出力分析)が合理的である。
「十分に大きい」の経験的基準はしばしばn≥30だが、これは絶対的な規則ではなく母集団の偏り(歪度)の程度に左右される。母集団がすでに正規に近ければ小さなnでも近似がよく、ひどく非対称か極端値が多ければnが数百でなければ安定しない。したがって実務ではデータの分布形態をまず可視化(ヒストグラム・Q-Qプロット)して近似の妥当性を点検するのが望ましい。
C. なぜ重要か — 推論の土台
CLTがなければ我々は標本平均が母平均からどれだけ外れうるかを確率で語れず、信頼区間も仮説検定も成立しない。例えば「標本平均が52だから母平均もおよそ52の近くだろう」という直観を「95%の信頼で母平均は50.0〜54.0の間」のように定量的な区間に変えられるのは、まさにCLTのおかげである。標準誤差σ/√nに正規分布の1.96倍を掛けて区間を作るのが信頼区間の原理であり、これは仮説検定とコインの裏表の関係にある(区間がμ₀を含まなければ有意だという結論と一致)。このようにCLTは推定と検定を一つに束ねる推測統計全体の土台である。
| 項目 | 内容 | 意味 |
|---|---|---|
| 標本平均の期待値 | 母平均μと同一 | 偏りのない推定(不偏性) |
| 標本平均の標準誤差 | σ/√n | nが大きいほど誤差が減少(√nに比例) |
| 分布形態 | 正規分布に近接 | 母分布が未知でも正規ベースの推論 |
| 経験的条件 | 通常 n ≥ 30 | 歪度が大きければより大きなnが必要 |
3. z検定とt検定
A. 選択基準
flowchart LR
Q{"母分散 sigma を知っているか?"} -->|はい| Z["z検定(標準正規分布)"]
Q -->|いいえ| T2{"標本が大きいか?"}
T2 -->|小さい| T["t検定(t分布、自由度n-1)"]
T2 -->|大きい| Z
二つの検定の分かれ道は母分散σ²を知っているかである。現実には母平均μを知らずに母分散σ²だけを知る場合はまれなので、実務の大半は標本標準偏差sでσを推定する状況である。ここで問題が生じる。s自体が標本ごとに揺れる推定値であるため、平均の不確実性に加えて分散推定の不確実性が二重に加わる。
t分布はまさにこの追加の不確実性を反映するために、正規分布より裾を厚くした分布である。裾が厚いということは極端値が出る確率をより大きく見るという意味であり、その結果、同じ有意水準で棄却に必要な臨界値がより大きくなりより保守的な(慎重な)判定が行われる。標本が小さいほど(自由度が小さいほど)裾がより厚くなり、nが大きくなればsがσに近づきながらt分布は次第に正規分布へ収束する。そのため大標本(n≥30)ではt検定とz検定の結果が事実上同じになり、実務では母分散を知らなければ標本サイズに関係なくt検定を基本に使うこともある。
ではz検定はいつ使うのか。母分散を実際に知る場合はまれだが、比率(proportion)検定が代表的なz検定の活用先である。比率データは成功/失敗の二項分布に従い、分散がp(1-p)で平均によって決まるため、標本が大きければ正規近似(z)で転換率・不良率のような比率の差を検定する。大規模A/Bテストの転換率比較がしばしばz検定(またはカイ二乗検定)で扱われる理由である。すなわち「平均比較は主にt、大規模な比率比較は主にz」が実務のおおまかな構図である。
B. 特性比較
| 区分 | z検定 | t検定 |
|---|---|---|
| 使用分布 | 標準正規(z) | t分布(自由度n-1) |
| 母分散 | 既知(σを使用) | 未知(標本標準偏差sを使用) |
| 標本サイズ | 大標本(n≥30)が前提 | 小標本(n<30)にも適用 |
| 分布の特徴 | 固定された鐘型 | 裾が厚い → n↑で正規へ収束 |
| 代表的用途 | 大規模な品質・比率検定 | 小標本の平均比較、A/Bテスト |
C. 検定統計量と計算例
検定統計量は直観的に「観測された差をその差の標準誤差で割った値」、すなわち「信号対雑音比」として理解できる。z = (x̄-μ₀)/(σ/√n)、t = (x̄-μ₀)/(s/√n)であり、分子は観測平均と仮説平均の差(信号)、分母は標本誤差(雑音)である。この値が大きいほど「偶然と見なしにくい大きな差」を意味する。
例えばある工程の目標平均がμ₀=50で、標本64個の平均がx̄=52、標本標準偏差s=8だとしよう。標準誤差は8/√64 = 8/8 = 1なのでt = (52-50)/1 = 2.0となる。自由度63のt分布でこの値の両側p-valueが有意水準(例: 0.05)より小さければ帰無仮説(平均=50)を棄却し「平均が50と異なる」と判定する。逆にp-valueが大きければ「差が偶然の範囲内」と見て棄却できない。
ここでよくある誤解を押さえる必要がある。帰無仮説を棄却できなかったことは「差がないことを証明した」のではなく「差があると言う証拠が不足している」ことである。またp-valueは「帰無仮説が真である確率」ではなく「帰無仮説が真だと仮定したとき観測値以上の極端値が出る確率」である点も正確に理解してこそ正しい解釈が可能になる。
D. 片側/両側検定と二種類の誤り
検定は対立仮説の方向によって両側検定(two-tailed) と片側検定(one-tailed) に分かれる。「平均が50と異なるか」のように方向を特定しなければ両側検定で分布の両側の裾を見る。「平均が50より大きいか」のように方向が定まれば片側検定で片方の裾だけを見て、同じ有意水準で棄却がより容易になる。ただし方向をデータを見たあとに定めることはp-ハッキングに該当するため、片側検定は必ず事前に根拠を置いて選択せねばならない。
仮説検定には避けられない二種類の誤りがある。第一種の誤り(α) は実際には差がないのに「ある」と誤って棄却すること(偽陽性)であり、第二種の誤り(β) は実際には差があるのに「ない」と見逃すこと(偽陰性)である。αを下げると(より厳格に)βが大きくなるトレードオフがあるため、二つの誤りの費用を比較して有意水準を定めねばならない。例えば疾病診断のように見逃すと致命的な場合はβを減らす方向に、無実の警報が高くつく場合はαを減らす方向に設計する。検出力(1-β)はこの第二種の誤りをどれだけよく避けるかを表す。
4. t検定の類型
t検定は比較構造によって三つに分かれ、状況に合った類型を選ぶことが結果の妥当性を左右する。「何と何を比較するのか」「二つの集団が独立か対になっているか」をまず整理してこそ正しい類型が決まる。類型選択は公式選択ではなく実験・データの構造を理解する問題である点が核心である。
一標本(One-sample)t検定は一つの集団の平均が特定の基準値と等しいかを見る。例えば新製品バッテリの実測寿命の平均が、公表スペックである10時間と有意に異なるかを検定する。品質管理で「工程が目標値を維持するか」を判定する際に使われる。
独立標本(Independent two-sample)t検定は互いに無関係な二つの集団の平均を比較し、A/Bテストの標準の道具である。例えばWebページのA案とB案をそれぞれ別の訪問者グループに露出して転換率(または滞在時間)の平均を比較する。このとき二つの集団の分散が等しいと見なしにくければ、等分散を仮定しないWelchのt検定を使うほうが安全である。
対応標本(Paired)t検定は同一対象を処置の前後で二度測定してその差の平均を検定する。同じ患者の服薬前後の血圧、同じユーザのUI改善前後の作業時間のように、個人差という雑音を除去して検出力が高い。独立標本より少ない標本でも効果を捉えられるため、前後比較が可能な実験設計で好まれる。
なぜ対応標本が検出力で有利なのかは分散構造で理解できる。人によって基礎血圧が大きく異なれば、独立標本ではその大きな個人差が分母(標準誤差)を大きくして差を覆い隠す。一方、対応標本は「同じ人の前後の差」だけを見るので個人差が相殺されて分母が小さくなり、同じ効果でもより容易に有意に検出される。ただし前後の測定の間に別の変化(学習効果・時間経過)が挟まると処置効果と混同されるため、対照群の設計でこれを統制せねばならない。
| 類型 | 用途 | 例 |
|---|---|---|
| 一標本t | 一つの集団の平均 vs 基準値 | スペック対比の実測寿命 |
| 独立標本t | 無関係な二集団の平均比較 | A/Bテストの転換率 |
| 対応標本t | 同一対象の前後比較 | 処置前後の血圧変化 |
三つの類型を混同すると結果が歪む。例えば同じ人の前後データを独立標本として誤って処理すると個人差が雑音として残って検出力が落ち、逆に互いに異なる人のデータを対応標本として束ねると存在しない対を仮定する誤りになる。また三集団以上を比較する際にt検定を何度も繰り返すと多重比較の問題が生じるため、この場合には分散分析(ANOVA) で一度に比較し、事後検定でどの対が異なるかを見る。すなわちt検定は「二集団(または一集団)の平均比較」という範囲の中でのみ適用するのが原則である。
5. 深化 — 実務の落とし穴と統計改革の動向
多重比較(Multiple Comparisons)問題は実務で最もよくある落とし穴である。有意水準5%で検定を20回繰り返すと、実際には何の差がなくても平均1回は偶然に「有意」に出る。より一般化すると、独立した検定をm回するとき一つでも偽陽性が出る確率は1-(1-0.05)^mであり、m=10なら約40%に達する。A/Bテストで複数の指標を同時に見たり中間結果を繰り返し覗き込んだり(peeking)すると偽陽性が急増する理由である。これを防ぐためにBonferroni補正(有意水準を検定数で割る)、FDR統制、事前に定めた分析計画、逐次検定の設計が必要である。
製造現場の統計的工程管理(SPC)がCLTの代表的な実務適用である。管理図(Control Chart)は部分群の平均を反復測定してその分布が正規だというCLTの前提の上で±3σの管理限界線を引き、平均がこの範囲を外れれば工程異常として警報を出す。例えば目標厚さ50μm、工程標準偏差2μmのめっき工程で部分群サイズn=25なら、標本平均の標準誤差は2/√25=0.4μmなので、管理限界はおよそ50±1.2μmと狭く設定される。個別の測定値ではなく平均を管理するので、CLTのおかげでより敏感で安定した異常検知が可能になる。
p-ハッキング(p-hacking)と再現性の危機も最近のデータ科学界の核心的な話題である。有意な結果が出るまで変数・部分集合・分析法を変えながら試みると、p-valueは信頼を失う。これを受けて米国統計学会(ASA)は2016年の声明で「p<0.05という二分法的な臨界値に依存せず、効果量・信頼区間・研究の文脈を総合的に解釈せよ」と勧告した。すなわち「有意か/否か」を超えて「どれほど大きな差か、どれほど不確実か」を併せて報告する方向へ統計実務が移動している。
効果量(Effect Size)と検出力(Power)の設計がその代案の核心である。nが非常に大きいと実務的に無意味なほどささいな差も「統計的に有意」になる。例えば数百万ユーザのA/Bテストでは転換率0.01%pの差もp<0.05が出るが、その差が事業的に意味あるかは別問題である。したがってCohen's dのような効果量と信頼区間を併せて報告してこそ「意味ある差」かを判断できる。逆に事前に検出力分析(power analysis) で「望む効果を有意水準α、検出力1-βで捉えるには標本が何個必要か」を設計してこそ、標本不足で実際の効果を見逃す(第二種の誤り)ことを防ぐ。これはCLTのσ/√n構造に直結した実務応用である。
AI・データ分野への適用と過去問連携
機械学習でもこの枠組みはそのまま使われる。二つのモデルA・Bの正確度を複数回(交差検証のフォールドごとに)測定して対応標本t検定で「性能差が有意か」を判定したり、オンライン実験プラットフォームがCLTベースで信頼区間をリアルタイムに計算して実験終了時点を定めたりする。ただしサンプルが独立でなかったり(時系列・反復測定)正規性が崩れたりすれば、標準のt検定の代わりに補正された検定・ブートストラップ・ベイジアン法を併せて考慮せねばならない。本テーマは情報管理技術士において、統計的品質管理、データ分析、実験設計、信頼区間・回帰分析([[correlation-causation]])などと連携して短答型・論述型で出題されるため、公式暗記ではなく「仮定→検定選択→解釈→意思決定」の思考の流れで整理するのが効果的である。
6. 考慮事項および示唆点
- 仮定の検証が先行: t・z検定は観測値の正規性・独立性・(二集団比較時)等分散を前提とする。違反時はWelchのt(異分散)、Mann-Whitney U・Wilcoxon(非正規)のようなノンパラメトリック検定で代替してこそ結果の歪みを防ぐ。仮定の点検なしに公式だけを適用するのが最もよくある誤りである。
- 有意性と効果量の併行報告: p-valueは「差が偶然か」だけを語り、「差が実務的に大きいか」は語れない。Cohen's d・信頼区間を併せて提示し、大きな標本での「統計的有意 ≠ 実質的重要」を明確に区別する。
- 標本サイズ・検出力の事前設計: CLTのσ/√n構造上、精度は√nに比例するため、費用対効果の適正な標本を検出力分析で前もって算定する。過少標本は効果を見逃し(第二種の誤り)、過大標本は費用の浪費と無意味な有意性を生む。
- 多重比較・反復検定の統制: 複数の指標・反復照会による偽陽性をBonferroniなどの補正と事前分析計画で統制し、A/Bテストは早期中断の規則を前もって定める。
- 標本の代表性・無作為性の確保: CLTと検定は標本が母集団を代表するという前提に立つ。偏った標本抽出(自己選択・生存者バイアス)はいくらnを増やしても是正されないため、無作為抽出と標本設計が統計量計算より先行する、より根本的な課題である。
- p-valueの正しい解釈とコミュニケーション: p-valueは「帰無仮説のもとで極端値が出る確率」にすぎず、「仮説が真である確率」でも「効果の大きさ」でもない。意思決定者に報告する際は「有意だ/でない」の二分法の代わりに効果量・信頼区間・不確実性を併せて伝えて過剰・過少解釈を防がねばならない。
- 実務適用と自動化: A/Bテストの転換率比較、製造工程の品質逸脱検知(SPC)、二つのMLモデルの性能有意差検証などに直接使われ、データパイプライン・実験プラットフォームに検定ロジックを内在化しつつも、仮定点検と解釈は人が責任を負わねばならない。統計ツールの自動化が増えるほど「何を検定するのか、仮定が成立するのか」を理解する力量がより重要になる。
参考資料
- NIST/SEMATECH e-Handbook of Statistical Methods: https://www.itl.nist.gov/div898/handbook/
- American Statistical Association, Statement on p-Values (2016): https://www.amstat.org/asa/files/pdfs/P-ValueStatement.pdf
- Wasserstein & Lazar, "The ASA Statement on p-Values: Context, Process, and Purpose," The American Statistician (2016): https://doi.org/10.1080/00031305.2016.1154108
一言まとめ: CLTはnが大きければ母分布に関係なく標本平均が正規分布(平均μ、標準誤差σ/√n)に近接することを保証し、母分散を知ればz検定、知らなければ(小標本)t検定(t分布、自由度n-1) で母平均の仮説を判定するが、正規性・独立性・等分散の仮定点検と効果量・検出力・多重比較の統制を併せて考慮してこそ信頼できる。