「生成AIを活用したデータサイエンス入門」をChatGPTで寄り道写経～Vol.4「区間推定・仮説検定の先生はChatGPT」

書籍の監修者　竹村彰通 先生

この記事は、書籍「生成AIを活用したデータサイエンス入門：実例で学ぶ教科書」の第４章「母親の喫煙は子どもに影響する？」の前半部分を ChatGPT と一緒に進めたときの「データ分析ドタバタ劇」をドキュメンタリー風に書いたものです。

書籍を開いて生成AIと一緒にデータ分析の旅に出かけましょう🚀

はじめに

書籍「生成AIを活用したデータサイエンス入門」のご紹介

書籍「生成AIを活用したデータサイエンス入門：実例で学ぶ教科書」（学術図書出版社、以下「テキスト」と呼びます）をご紹介いたします。

テキストは2026年3月に発売され、その名の通り、ChatGPTを全面活用するデータ分析の入門書 です。

第４章 母親の喫煙は子どもに影響する？

今回の取組み

シナリオの概要
テキストのプロンプトベース・データ分析のリアルを体感したいので、テキストの全プロンプトを引用させていただきます。
テキスト第４章 4.1 節、4.2 節の区間推定・仮説検定の基礎づくり部分をChatGPTと一緒に学びます。

その後、テキストから離れて自由にChatGPTと戯れます。
今回実践する区間推定・仮説検定は、統計独特の世界観で成り立っていて、慣れない方にとって「何言っているのか分からない」ものかもです。
そこで、区間推定・仮説検定の学びを止めないための「あるプロンプト」を使おうと思っています！

利用した生成AI
ChatGPT（Instant 5.3、Thinking 5.5 に自動的に切り替え ON）

テキストで学べるテーマ
区間推定、仮説検定

🤖🤖🤖

テキストに沿ったデータ分析

テキストのプロンプトを引用して、ChatGPTとの会話を楽しみます！

テテテ、テキストの最初のプロンプトは…
信頼区間のことをある程度分かっている人が発するものですね💦

🤖 ChatGPTの回答

厳密には、その解釈は正確ではありません。信頼区間とは、同じ方法で標本抽出を何度も繰り返して区間を作ると、そのうち所定割合（例えば95%）が真の母数を含むように設計された区間推定法です。

したがって、95%信頼区間を一度計算した後に「この区間が母数を95%の確率で含む」とは通常の頻度論では言いません。母数は固定値であり、確率的に変動するのは区間のほうだからです。
簡潔に言えば、高確率なのは母数ではなく、区間作成手続きの成功率です。

これ初見で分かりますか（空目）？

🤖

テキストの冒頭に書かれている区間推定の前提知識をきちんと読んで進めていきましょう。
いったん、信頼区間を何となくイメージできるテイで、次のプロンプトを投入します。

🤖 ChatGPTの回答

20回投げて12回表なので、表の標本比率は

$$
\hat{p}=\frac{12}{20}=0.60
$$

95%信頼区間は、簡便法（正規近似）で

$$
\hat{p} \pm 1.96 \sqrt{\frac{\hat{p}(1-\hat{p})}{n}}
$$

により求めます。ここで $${n=20}$$ です。

$$
\sqrt{\frac{0.60 \times 0.40}{20}}
= \sqrt{0.012}
\approx 0.1095
$$

したがって誤差幅は

$$
1.96 \times 0.1095 \approx 0.215
$$

よって95%信頼区間は

$$
0.60 \pm 0.215
$$

つまり

$$
(0.385,\ 0.815)
$$

です。

結論：このコインの表が出る真の割合は、95%信頼区間として 約38.5%〜81.5% と推定されます。

コインの表の出る割合は、歪みのないコインなら 50% ですね！
で、今回試したコイン投げの表の割合（実績）は 60%。
そしてChatGPTが計算した 95% 信頼区間だと、表の出る割合は 39% ～ 82% という、ずいぶん幅の広い推定が出されています。
表は４割しか出ないの？８割も出てしまうの？
もやもやします。

ちっちゃいことは気にするな、とばかりに、テキストは 95% 信頼区間の統計的な意味を理解するための、あるある実験を進めます。

🤖

次のプロンプトは、「95%信頼区間とは、実験を100回繰り返したとき、そのうち95回程度は本当の母平均（真の値）を含むような区間のことである」を可視化するためのものです。

🤖 ChatGPTの回答

正規近似法をそのまま使い、100回分の標本比率から95%信頼区間を作って、真の値 $${p=0.5}$$ を含むかどうかで色分けします。乱数の再現性のため、固定シードで描画します。

思考時間: 数秒

図を作成しました。
今回の乱数例では、100個の信頼区間のうち、

• 真の値 $${p=0.5}$$ を含む区間：97個

• 真の値 $${p=0.5}$$ を含まない区間：3個

でした。
これが「95%信頼区間」の直感です。毎回の区間が95%の確率で母数を含むというより、同じ作り方を何度も繰り返すと、おおよそ95%前後の区間が真の母数を含む、という意味です。

このチャートは 95% 信頼区間が何者なのかを説明するときに頻出します。

通常、研究・実験・調査を何度も繰り返すことはないので、この「思考実験」は新鮮です。
もしも研究・実験・調査を100回実施して100個の実験結果＝割合が得られたとき、95 回は真の結果＝割合を含む、これが 95% 信頼区間の本当の姿なのです。

🤖

信頼区間の意味をなんとか咀嚼しようと努力している最中ですが…
テキストは冷徹です。次のテーマ「仮説検定」に進みます。
え？

🤖 ChatGPTの回答

帰無仮説 $${p=0.5}$$ の下では、表の回数は二項分布に従います。期待値は $${20 \times 0.5=10}$$ 回なので、実測値12回と同等以上に極端なのは、期待値10回からのずれが2回以上、つまり $${8}$$ 回以下または $${12}$$ 回以上です。

思考時間: 5s

作図しました。
この設定では、強調対象は

$$
X \leq 8 \quad \text{または} \quad X \geq 12
$$

です。
対応する両側の確率は

$$
p値 \approx 0.503445
$$

なので、20回中12回表という結果は、帰無仮説 $${p=0.5}$$ の下で十分起こりやすい結果です。

チャートの赤いバーは、表の回数が「8 回以下または 12 回以上」に該当します。
バーの高さは確率を表していて、8 回以下または 12 回以上 の確率を足すと、ChatGPTの「対応する両側の確率（p値）は 0.503…」になります。

チャートのバーの形状は「試行回数 20、成功確率 0.5 の二項分布」ですね！
帰無仮説が正しいと仮定する場合の「表が出る回数の確率分布」です。

🤖

テキストはハイペースで仮説検定の話題を進めます。
特に p値を攻めていきます。

🤖 ChatGPTの回答

一般には、あらかじめ決めた有意水準より p値が小さければ帰無仮説を棄却します。

代表例は：

• 有意水準 5%（0.05）→ p値 < 0.05 で棄却

• 有意水準 1%（0.01）→ p値 < 0.01 で棄却

したがって、今回の $${p値 \approx 0.503}$$ は 0.05 よりかなり大きいので、帰無仮説は棄却しません。

🤖 ChatGPTの回答

いいえ、その解釈は適切ではありません。棄却できないことは、帰無仮説が正しいと証明されたことを意味しません。

意味するのは、今回のデータだけでは、帰無仮説と矛盾する十分に強い証拠が得られなかったということです。
理由としては、標本数不足、ばらつきの大きさ、効果が小さいことなどがあります。

ふう💦
怒涛のプロンプト祭りが終わりました。
で、区間推定と仮説検定、分かりましたか？
え？混乱してますって？

そんなときは…
寄り道写経、スタートです🚀

寄り道データ分析

秘策を繰り出します！

今回のテーマ「区間推定と仮説検定」は「推測統計」と呼ばれる統計分野の主要手法です。典型的な統計手法です。
しかも、初見ではさっぱり理解不能な、謎の手法でもあります。

テキストでは、ChatGPTとのやりとりの外で区間推定・信頼区間・仮説検定の概要を補足説明しています。
まずはテキストで学びましょう。

一方で、テキストだけでは理解できない場合もあるでしょう。
そして、今回の区間推定・仮説検定に限定せず、何か初物の学びをするとき、最初のハードルを乗り越えることが難しいこともよくあると思います。

こんなとき私は、生成AIに「教科書」を作ってもらいます！
では教科書作成の寄り道に繰り出しましょう🚀

🤖 ChatGPTの回答

ここでは、今回のコイン投げ・表の割合・95%信頼区間の話に範囲を絞って、区間推定の教科書として読める形に整理します。数式は出しますが、意味を先に置いて、計算例で確認できる構成にします。

思考時間: 5s

以下は、今回の「20回コインを投げて12回表が出た」という題材に絞った、区間推定の初学者向けミニ教科書です。

🤖🤖🤖

区間推定の教科書

コイン投げで理解する「母比率の信頼区間」

1. 推定とは何か
推定とは、手元のデータから、直接は分からない母集団の性質を見積もることです。
今回でいえば、知りたいものは次の値です。

$$
p = \text{このコインで表が出る本当の確率}
$$

しかし、私たちはこの $${p}$$ を直接見ることはできません。
そこで、実際にコインを投げた結果から $${p}$$ を推定します。

たとえば、20回投げて12回表が出たなら、表が出た割合は

$$
\hat{p} = \frac{12}{20} = 0.60
$$

です。
この $${0.60}$$ は、未知の $${p}$$ に対する推定値です。

🤖

2. 点推定とは何か
推定には大きく分けて、点推定と区間推定があります。
点推定とは、母数を1つの値で推定する方法です。
今回なら、

$$
\hat{p}=0.60
$$

と推定することです。
つまり、

と考えるのが点推定です。
ただし、20回しか投げていないので、たまたま表が多く出ただけかもしれません。
そのため、点推定だけでは不確実性が見えません。

🤖

3. 区間推定とは何か
区間推定とは、母数を1つの値ではなく、幅をもった区間で推定する方法です。
今回なら、

$$
0.385 \leq p \leq 0.815
$$

のように、

と表現します。
このような区間を信頼区間といいます。

🤖

4. 信頼区間の正しい意味
95%信頼区間は、よく

と説明されることがあります。
しかし、頻度論の立場では、これは厳密には正確ではありません。
正しくは、

という意味です。
今回の図で見たように、100個の信頼区間を作ると、多くの区間は真の値 $${p=0.5}$$ を含みますが、一部の区間は含みません。

つまり、95%信頼区間とは、1回作った区間について「この区間が95%の確率で当たっている」と言うものではなく、区間を作る方法の長期的な当たりやすさを表すものです。

🤖

5. 区間推定の使い所
区間推定は、次のような場面で役立ちます。

5.1 点推定だけでは不安なとき
20回中12回表が出たとき、点推定は

$$
\hat{p}=0.60
$$

です。
しかし、20回という回数は多くありません。
そのため、本当の確率が0.60ぴったりだとは考えにくいです。
そこで信頼区間を作ると、

$$
0.385 \leq p \leq 0.815
$$

のように、推定の不確実性を含めて表せます。

5.2 データ数が少ないことを意識したいとき
データ数が少ないと、信頼区間は広くなります。
たとえば、20回しか投げていない場合、少し表が多く出ただけでも、推定にはかなりの不確実性があります。
信頼区間が広いということは、

というサインです。

5.3 「どのくらい確からしいか」を見たいとき
点推定だけなら、

$$
\hat{p}=0.60
$$

で終わってしまいます。
しかし、信頼区間を見ると、

$$
0.385 \leq p \leq 0.815
$$

となり、かなり広い範囲が残っています。
つまり、

という見方ができます。

🤖

6. 今回使った公式
今回は、議論の一貫性のため、正規近似による母比率の信頼区間を使いました。
表が出る回数を $${X}$$、コインを投げた回数を $${n}$$、標本比率を $${\hat{p}}$$​ とします。

$$
\hat{p} = \frac{X}{n}
$$

95%信頼区間は、簡便には次の式で計算します。

$$
\hat{p} \pm 1.96 \sqrt{\frac{\hat{p}(1-\hat{p})}{n}}
$$

ここで、

• $${\hat{p}}$$​：標本比率

• $${n}$$：試行回数

• $${1.96}$$：95%信頼区間で使う標準正規分布の値

• $${\sqrt{\frac{\hat{p}(1-\hat{p})}{n}}}$$​​：標本比率の標準誤差

です。

🤖

7. 計算例：20回中12回表が出た場合
20回投げて12回表が出たので、

$$
n=20, \ X=12
$$

です。
したがって、標本比率は

$$
\hat{p}=\frac{12}{20}=0.60
$$

です。
標準誤差は、

$$
\sqrt{\frac{0.60(1-0.60)}{20}} = \sqrt{\frac{0.60 \times 0.40}{20}}
$$

です。
計算すると、

$$
\sqrt{\frac{0.24}{20}} = \sqrt{0.012} \approx 0.1095
$$

です。
95%信頼区間の誤差幅は、

$$
1.96 \times 0.1095 \approx 0.215
$$

です。
したがって、95%信頼区間は、

$$
0.60 \pm 0.215
$$

です。
つまり、

$$
0.385 \leq p \leq 0.815
$$

です。

結論として、今回の正規近似では、

となります。

🤖

8. この結果をどう読むか
今回の信頼区間は、

$$
0.385 \leq p \leq 0.815
$$

でした。
この区間には、

$$
p=0.5
$$

が含まれています。
したがって、今回の20回中12回表という結果だけから、

と強く言うのは難しいです。
もちろん、標本比率だけを見ると60%なので、表が多く出ています。
しかし、20回という少ない試行では、偶然そのくらい偏ることは十分あります。

🤖

9. 区間推定と仮説検定の関係
区間推定と仮説検定は、別々の手法ですが、かなり近い関係があります。
今回の仮説検定では、

$$
H_0: p=0.5
$$

つまり、

という帰無仮説を考えました。
一方、区間推定では、

$$
0.385 \leq p \leq 0.815
$$

という信頼区間を作りました。
この信頼区間には $${0.5}$$ が含まれています。

そのため、

と見ることができます。
これは、仮説検定で「帰無仮説を棄却しない」という判断と整合的です。

🤖

10. 注意点：今回の正規近似法は万能ではない
今回使った公式は、分かりやすい簡便法です。
ただし、注意点があります。
今回のように、

$$
n=20
$$

と試行回数が少ない場合、正規近似はやや粗い方法です。
特に、標本比率が0に近い場合や1に近い場合には、信頼区間の精度が悪くなることがあります。
そのため、実務やより正確な分析では、次のような方法も使われます。

• ウィルソン信頼区間

• Clopper-Pearson信頼区間

• 正確二項検定に基づく区間

• ベイズ信用区間

ただし、今回の学習では、まず正規近似で

を理解することが大事です。

🤖

11. 次に学びたいこと
今回の次に学ぶとよい内容は、次の順番です。

11.1 標準誤差
信頼区間の幅を決めている中心的な考え方です。

$$
\sqrt{\frac{\hat{p}(1-\hat{p})}{n}}
$$

は、標本比率のばらつきの大きさを表しています。

11.2 標本数と信頼区間の幅
標本数 $${n}$$ が大きくなると、信頼区間は狭くなります。
つまり、データが多いほど、推定は安定します。

11.3 信頼係数
今回は95%信頼区間を使いました。
しかし、90%信頼区間や99%信頼区間もあります。
一般に、

• 90%信頼区間：狭い

• 95%信頼区間：標準的

• 99%信頼区間：広い

となります。
信頼度を高くすると、そのぶん区間は広くなります。

11.4 仮説検定との関係
信頼区間に帰無仮説の値が含まれるかどうかを見ると、仮説検定との関係が見えてきます。
今回なら、95%信頼区間に $${0.5}$$ が含まれていたので、5%水準の両側検定で棄却しない判断と対応します。

11.5 正規近似以外の信頼区間
今回の公式は分かりやすいですが、標本数が少ないときには限界があります。
そのため、次の段階では、ウィルソン信頼区間などを学ぶと理解が深まります。

🤖

12. まとめ
区間推定とは、母数を1つの値で決め打ちせず、不確実性を含めて幅で推定する方法です。
今回の例では、20回中12回表が出たので、表が出る確率の点推定値は

$$
\hat{p}=0.60
$$

でした。
正規近似による95%信頼区間は、

$$
0.385 \leq p \leq 0.815
$$

でした。
この区間には $${p=0.5}$$ が含まれているため、今回のデータだけでは、

とは強く言えません。
区間推定の大事なポイントは、次の一文です。

区間推定の教科書、いかがでしょう？
分からない部分はChatGPTに追加質問しましょう。
追加質問を繰り返した後に、教科書を更新しましょう。

🤖🤖🤖

区間推定の事例を探る

コイントスの例が続きました。
実務で区間推定がどのように使われるのか、事例的なことを聞いてみましょう。
先に言っておきます。私の意図をChatGPTに伝えることができず、モタモタしたやり取りになっています。

🤖 ChatGPTの回答

世界的に有名なのは、「95%信頼区間」です。実務・論文・医療・経済・品質管理・機械学習評価まで、最も広く使われます。
代表的な信頼区間は次の3つです。

1. 95%信頼区間
   標準的な選択です。厳しさと実用性のバランスがよいため最頻出です。

2. 99%信頼区間
   より慎重に判断したい場面で使います。区間は広くなります。医療・安全性評価などで見られます。

3. 90%信頼区間
   やや緩やかな基準です。探索的分析、マーケティング、A/Bテストなどで使われることがあります。

要するに、有名なのは95%信頼区間、次点で99%と90%です。
「信頼区間」とだけ書かれていれば、95%を指すことがかなり多いです。

あ、質問の意図が伝わっていない…
こんなこともあります。
めげずに聞きたいことを文章に示して続けます。

🤖 ChatGPTの回答

失礼しました。ご質問の意図は“95%や99%という種類”ではなく、“実際の有名研究でどんな量に対して信頼区間が使われたか”という意味でした。
読み違えをしてしまい、申し訳ありません。

🤖

世界的に有名な信頼区間の事例

1. 世論調査の支持率信頼区間
最も身近で有名な例です。
たとえば、

• 候補者支持率 52%

• 95%信頼区間：49%〜55%

のように報道されます。
意味は、母集団全体の支持率がその範囲にありそうだと推定している、ということです。

2. 医療試験の治療効果の信頼区間
新薬と既存薬を比較し、

• 死亡率差

• 改善率差

• 発生率比

• ハザード比

などに信頼区間を付けます。
例：

• ハザード比 0.78

• 95%信頼区間：0.65〜0.93

これは、新薬がリスクを下げる可能性を示します。

3. ワクチン有効率の信頼区間
世界的に非常に有名になった例です。
例：

• 有効率 95%

• 95%信頼区間：90%〜98%

点推定だけでなく、不確実性込みで効果を示します。

4. GDP成長率・失業率の信頼区間
経済統計では、

• 成長率推定値

• インフレ率

• 失業率

などに区間推定が使われます。
例：

• 成長率 2.1%

• 95%信頼区間：1.4%〜2.8%

5. 平均身長・平均体重の信頼区間
学校教育でもよく出る基本例です。
例：

• 成人男性平均身長 171.2cm

• 95%信頼区間：170.6〜171.8cm

6. 選挙の出口調査
開票前に、

• 候補者A得票率 51%

• 95%信頼区間：48%〜54%

などとして接戦かどうか判断します。

7. 機械学習モデル精度の信頼区間
近年とても重要です。
例：

• 正解率 82%

• 95%信頼区間：79%〜85%

モデル比較では点数だけでなく、ばらつきを見ます。

8. 特に有名な「歴史的文脈のある例」

COVID-19時代のワクチン試験
世界中で「有効率と95%信頼区間」が毎日のように報道されました。
一般社会に信頼区間という言葉が広まった代表例です。

米大統領選の支持率調査
世論調査の誤差範囲（実質的に信頼区間に近い概念）が毎回注目されます。

9. あなたが今学んでいるコイン投げとの対応
コイン投げの

• 表の割合 60%

• 信頼区間 38.5%〜81.5%

は、実社会では

• 支持率

• 有効率

• 不良率

• 購買率

• 合格率

などにそのまま置き換わります。
つまり、コイン投げは世界中の割合データ分析の原型モデルです。

一言でまとめると
有名なのは、支持率・新薬効果・ワクチン有効率・経済成長率・AI精度に付く信頼区間です。
信頼区間は「数値の横にある不確実性の帯」と考えると全体像が見えやすいです。

信頼区間を提示・報告する領域・分野を幅広く教えてくれました。
これはこれで、信頼区間が使われるシーンをイメージできて、参考になります。

ただ…私が知りたかったのは個別事例なので、しつこく質問します。

🤖 ChatGPTの回答

あります。しかも有名な“驚き”の多くは、信頼区間そのものが間違ったというより、信頼区間の外側にある問題（標本抽出の偏り・無回答・直前の投票行動変化・モデル誤設定）で起きています。信頼区間は「サンプル誤差」には強いですが、「調査設計ミス」には万能ではありません。

１．2016年 アメリカ大統領選挙（2016 United States presidential election）

最も有名な現代例です。
多くの世論調査では Hillary Clinton が全国得票で優勢でした。実際、全国得票では上回りました。
しかし選挙制度は州ごとの選挙人獲得で決まるため、激戦州で Donald Trump が勝利し当選しました。

なぜ驚きだったか

• 多くの人が「全国支持率の差」をそのまま当選確率と誤解した

• 州ごとの不確実性の累積を軽視した

• 未回答層・教育水準補正不足が指摘された

統計的教訓
信頼区間が小さくても、見ている対象が違えば予測は外れます。

🤖

２．1948年 アメリカ大統領選挙
「Dewey Defeats Truman」

1948 United States presidential election は統計史の象徴です。
新聞が早刷りで「Thomas E. Dewey が勝利」と見出しを出しましたが、実際には Harry S. Truman が勝利しました。

原因

• 調査終了が早すぎた

• 電話調査中心で偏り

• 終盤の有権者変化を捉えられなかった

教訓
調査時点の信頼区間は、投票日当日の真実ではないことがあります。

🤖

３．2015年 イギリス総選挙（2015 United Kingdom general election）

多くの調査で接戦・拮抗とされましたが、David Cameron 率いる保守党が予想以上に勝利しました。

指摘された点

• 投票に行く層と回答する層のズレ

• 地域差の取り込み不足

🤖

４．Brexit 国民投票（Brexit referendum）

残留優勢と見る向きもありましたが、結果は離脱。

教訓

• 僅差では信頼区間の重なりが大きい

• 「優勢」と「確実」は違う

🤖

５．本質：信頼区間が悪者ではない

よくある誤解は、

ではありません。
実際には、信頼区間は通常こういう前提です。

• 無作為抽出が近い

• 回答バイアスが小さい

• 対象母集団が定義通り

• 時点が固定

現実の選挙ではこれらが崩れやすいです。

🤖

６．あなたの支持率例に直結する説明

これは、

• 信頼区間の下限が当選ライン超えだったのか

• 点推定だけが超えていたのか

• 調査母集団がズレていたのか

• 投票率モデルが外れたのか

で意味が全く違います。

🤖

一言でまとめると

世の中を驚かせた有名事件は多数ありますが、信頼区間が裏切ったというより、人々が信頼区間の意味と限界を誤解していたケースが大半です。

プロンプトで選挙を例にしたばかりに、ChatGPTの回答も選挙だけに絞られました。仕方がありません…

選挙前の事前支持率の信頼区間を題材にして、選挙の結果が事前支持率を覆したように見える事例を挙げてくれましたね。
信頼区間自体のミス・問題ではなく、事前支持率を支える標本が全体的な選挙の傾向を示せなかったケースが多いです。
つまり「データが母集団を代表していない」ということですね。

信頼区間が使われるシーンや、信頼区間の解釈を誤るなどして混乱した事例を知り、信頼区間に対する親近感がアップしたかもです！

仮説検定に進みましょう。

🤖🤖🤖

🤖 ChatGPTの回答

今回は、先ほどの「20回中12回表」「帰無仮説 $${p=0.5}$$」「期待値から同等以上に極端な回数」という流れに絞って、仮説検定の教科書として整理します。背理法の考え方は、誤解が出やすいので少し丁寧に置きます。

思考時間: 数秒

仮説検定の教科書

コイン投げで理解する「帰無仮説・p値・棄却」

1. 仮説検定とは
仮説検定とは、データを使って、ある仮説がデータと矛盾しているかどうかを判断する方法です。

今回の例では、次の疑問を考えます。

このとき、検定したい仮説は

$$
p = 0.5
$$

です。
ここで、$${p}$$ は「表が出る本当の確率」です。

🤖

2. 仮説検定の基本発想
仮説検定では、いきなり

とは考えません。
まず、あえて

と仮定します。
そのうえで、

を調べます。
もし非常に珍しいなら、

と判断します。
これが仮説検定です。

3. 背理法との関係
仮説検定の考え方は、背理法に似ています。
背理法では、証明したいことの反対を仮定して、矛盾を導きます。

仮説検定でも、まず基準となる仮説を置きます。
今回なら、

$$
H_0: p = 0.5
$$

です。
そして、その仮説のもとでデータを見ます。
もし、データがあまりにも起こりにくいなら、

と考えます。
ただし、数学の背理法と違って、仮説検定では完全な矛盾を示すわけではありません。
統計では偶然があるため、

という結果が出ます。
そのため、仮説検定は

です。

🤖

4. 仮説検定の用語

4.1 帰無仮説
帰無仮説とは、まず基準として置く仮説です。
今回なら、

$$
H_0: p = 0.5
$$

です。
意味は、

です。

4.2 対立仮説
対立仮説とは、帰無仮説に対して考える別の仮説です。

今回なら、

$$
H_1: p \neq 0.5
$$

です。
意味は、

です。
今回は、表に偏っている場合も、裏に偏っている場合も考えるので、両側検定です。

4.3 有意水準
有意水準とは、帰無仮説を棄却する基準として、あらかじめ決める小さな確率です。
よく使われるのは、

$$
\alpha = 0.05
$$

です。
これは5%有意水準と呼ばれます。

意味は、

ということです。

4.4 検定統計量
検定統計量とは、データが帰無仮説からどれくらいズレているかを表す数値です。
今回の簡単な検定では、

$$
|X - 10|
$$

を使いました。
ここで、

• $${X}$$：20回中、表が出た回数

• $${10}$$：帰無仮説 $${p=0.5}$$ の下での期待値

です。
実測値は $${X=12}$$ なので、

$$
|12 - 10| = 2
$$

です。
つまり、期待値から2回ズレています。

4.5 棄却域
棄却域とは、帰無仮説を棄却するほど極端な結果の集まりです。
今回のプロンプトでは、

を強調しました。
実測値は12回で、期待値10回からのずれは2回です。
したがって、

$$
|X - 10| \geq 2
$$

となる回数を極端な結果として扱いました。
つまり、

$$
X \leq 8
$$

または

$$
X \geq 12
$$

です。

4.6 p値
p値とは、帰無仮説が正しいと仮定したときに、実測値と同じくらい、またはそれ以上に極端なデータが得られる確率です。

今回なら、

$$
P(X \leq 8 \text{ または } X \geq 12)
$$

です。
計算結果は、

$$
p値 \approx 0.503445
$$

でした。
これは約50.3%です。
かなり大きい値です。

🤖

5. 仮説検定の手続き

Step 1. 仮説を設定する

• 帰無仮説：$${H_0: p = 0.5}$$

• 対立仮説：$${H_1: p \neq 0.5}$$

Step 2. 有意水準を決める
今回は標準的に、$${\alpha = 0.05}$$ とします。

Step 3. データを取得する
20回コインを投げて、12回表が出ました。
したがって、$${n = 20,\ X=12}$$ です。

Step 4. 帰無仮説の下で分布を考える
帰無仮説 $${p=0.5}$$ の下では、表の回数 $${X}$$ は二項分布に従います。

$$
X \sim \mathrm{Binomial}(20, 0.5)
$$

意味は、

です。

Step 5. 実測値がどれくらい極端かを見る
帰無仮説の下での期待値は、$${20 \times 0.5 = 10}$$ です。
実測値は12回なので、期待値からのずれは、$${|12 - 10| = 2}$$ です。

したがって、今回の基準では、$${|X - 10| \geq 2}$$ となる結果を「12回と同等以上に極端」と見ます。

Step 6. p値を計算する
今回は、

$$
P(X \leq 8 \text{ または } X \geq 12)
$$

を計算します。
二項分布の確率は、

$$
P(X=k) = \binom{20}{k} (0.5)^k (1-0.5)^{20-k}
$$

です。
今回 $${p=0.5}$$ なので、

$$
P(X=k) = \binom{20}{k} (0.5)^{20}
$$

です。
求めるp値は、

$$
\sum_{k=0}^{8} P(X=k) + \sum_{k=12}^{20} P(X=k)
$$

です。
計算すると、

$$
p値 \approx 0.503445
$$

です。

Step 7. 判断する
有意水準は、$${\alpha = 0.05}$$ でした。
p値は、$${0.503445}$$ です。
したがって、$${0.503445 > 0.05}$$ なので、帰無仮説は棄却しません。
結論は、

です。

🤖

6. 重要な注意：「棄却しない」は「正しい」ではない
ここはとても大事です。
帰無仮説を棄却しないことは、

という意味ではありません。
正しくは、

という意味です。
今回なら、

のではありません。
言えるのは、

ということです。

7. 仮説検定の使い所
仮説検定は、次のような場面で使います。

7.1 偶然か、意味のある差かを判断したいとき
たとえば、

• コインが偏っているか

• 新薬の効果があるか

• 広告施策で購入率が上がったか

• A/Bテストで新デザインが有効か

• 不良率が基準より高いか

を判断したいときに使います。

7.2 基準値と比較したいとき
今回なら、$${p=0.5}$$ という基準と比較しました。
実務では、

• 合格率が過去平均と違うか

• 不良率が1%を超えていないか

• 平均売上が目標値を上回ったか

などに使います。

7.3 「たまたま」の可能性を考慮したいとき
データには偶然のばらつきがあります。
20回中12回表が出ても、それだけでコインが偏っているとは言えません。
仮説検定は、

を定量的に見る方法です。

🤖

8. 区間推定との関係
区間推定と仮説検定は、近い関係があります。
今回、正規近似による95%信頼区間は、

$$
0.385 \leq p \leq 0.815
$$

でした。
この区間には、$${0.5}$$ が含まれています。
したがって、

と見られます。
これは、仮説検定で

という判断と対応しています。

🤖

9. 今回の公式と計算例
今回の主役は、二項分布です。
表が出る回数を $${X}$$、試行回数を $${n}$$、表が出る確率を $${p}$$ とすると、

$$
X \sim \mathrm{Binomial}(n,p)
$$

です。
二項分布の確率は、

$$
P(X=k) = \binom{n}{k} p^k (1-p)^{n-k}
$$

です。
今回の帰無仮説では、$${n=20,\ p=0.5}$$ なので、

$$
P(X=k) = \binom{20}{k} (0.5)^k (0.5)^{20-k}
$$

です。
整理すると、

$$
P(X=k) = \binom{20}{k} (0.5)^{20}
$$

です。
実測値は、$${X=12}$$ です。

期待値は、

$$
E[X]=np=20 \times 0.5 = 10
$$

です。
実測値のずれは、$${|12-10|=2}$$ です。
したがって、今回の「同等以上に極端」は、$${|X-10| \geq 2}$$

です。
つまり、$${X \leq 8}$$ または $${X \geq 12}$$ です。
p値は、

$$
P(X \leq 8) + P(X \geq 12)
$$

です。
計算すると、

$$
p値 \approx 0.503445
$$

です。
よって、5%有意水準では棄却しません。

🤖

10. 今回の検定で何が分かったか
今回分かったことは、

ということです。
p値が約0.503なので、帰無仮説の下で、今回と同等以上に極端な結果は約50%の確率で起こります。
したがって、

と判断します。

🤖

11. よくある誤解

誤解1. p値は「帰無仮説が正しい確率」である
これは違います。
p値は、

です。
つまり、条件は $${H_0 \text{ が正しいと仮定}}$$ です。

誤解2. p値が大きいなら帰無仮説は正しい
これも違います。
p値が大きいときに言えるのは、

ということです。

誤解3. p値が0.05未満なら結果は重要である
これも注意が必要です。
p値が小さいことは、

ことを示します。
しかし、

ことまでは意味しません。

誤解4. 棄却できなければ差がない
これも違います。
標本数が少ないと、本当は差があっても検出できないことがあります。
今回も20回しか投げていないため、小さな偏りは見つけにくいです。

🤖

12. 次に学びたいこと
今回の次に学ぶとよい内容は、次の順番です。

12.1 片側検定と両側検定

今回は、$${H_1: p \neq 0.5}$$ なので両側検定でした。

一方、$${H_1: p > 0.5}$$ なら、表が出やすい方向だけを見る片側検定です。

12.2 第一種の過誤と第二種の過誤
仮説検定には2種類の誤りがあります。

第一種の過誤：

第二種の過誤：

有意水準は、第一種の過誤の確率を制御する考え方です。

12.3 検出力
検出力とは、本当に差があるときに、それを見つけられる確率です。
標本数が多いほど、検出力は高くなります。

12.4 正確二項検定
今回のようなコイン投げでは、二項分布を直接使う正確二項検定が自然です。
標本数が少ない場合にも使いやすい方法です。

12.5 信頼区間との対応
信頼区間と仮説検定は、同じ問題を別の角度から見ています。

• 信頼区間：母数のありそうな範囲を見る

• 仮説検定：特定の値がデータと矛盾するかを見る

今回なら、p=0.5p=0.5p=0.5 が信頼区間に含まれるため、仮説検定でも棄却しませんでした。

🤖

13. まとめ

仮説検定とは、ある仮説をいったん正しいと仮定し、その仮説のもとで今回のデータがどれくらい珍しいかを見る方法です。

今回の例では、$${H_0: p=0.5}$$ を置きました。
20回中12回表という結果について、帰無仮説の下で同等以上に極端な結果が出る確率は、$${p値 \approx 0.503445}$$ でした。
これは5%有意水準より大きいため、帰無仮説は棄却しません。

ただし、これは

という意味ではありません。

正しくは、

という意味です。

仮説検定の核心は、次の一文です。
仮説検定は、「仮に帰無仮説が正しいなら、このデータはどれくらい珍しいか」を調べ、珍しすぎる場合に帰無仮説を疑う方法です。

仮説検定の教科書はいかがでしょうか？
分からない部分はChatGPTに追加質問しましょう。
追加質問を繰り返した後に、教科書を更新しましょう。

🤖🤖🤖

仮説検定の事例を探る

仮説検定が活躍する現場・事例を教えてもらいましょう。

🤖 ChatGPTの回答

あります。仮説検定は、医学・科学・経済・司法・社会政策まで広く使われており、判断を左右した有名事例が多数あります。代表例を、初学者向けに意味が分かる形で整理します。

1. 新薬承認試験（世界で最重要クラス）
最も有名で日常生活への影響が大きい例です。
新薬Aが既存薬や偽薬より効くかを検定します。
帰無仮説の例：

p値が小さければ、

として承認判断の材料になります。

世界的インパクト例

• 抗がん剤

• 心疾患薬

• 糖尿病薬

• ワクチン

人命に直結するため、仮説検定の代表舞台です。

🤖

2. COVID-19 ワクチン試験
現代で最も有名な統計イベントの一つです。
たとえば、

• ワクチン群の感染率

• 偽薬群の感染率

を比較し、
帰無仮説：

を検定しました。
p値だけでなく信頼区間も併用されました。
世界中の人が、知らないうちに仮説検定の結果で生活を左右されました。

🤖

3. A/Bテスト（巨大IT企業）
Google、Amazon、Meta、Netflix などでは日常的に行われます。
例：

• ボタン色変更で購入率が上がるか

• 広告配置変更でクリック率が上がるか

• レコメンド変更で視聴時間が伸びるか

帰無仮説：

毎日、世界中で無数の仮説検定が回っています。

🤖

4. タバコと肺がん研究（歴史的転換点）
20世紀中盤の疫学研究です。
帰無仮説：

大量データで差が検出され、医学・政策・社会常識が変わりました。
これは統計が社会を変えた代表例です。

🤖

5. 男女賃金格差・差別訴訟
雇用や賃金差別の裁判・政策で使われます。
帰無仮説：

または

統計的有意差が争点になることがあります。

🤖

6. 教育政策・学力比較
新しい教育法で成績が上がるかを検定します。
帰無仮説：

国レベルの教育政策でも使われます。

🤖

7. 粒子物理学（ヒッグス粒子）
Discovery of the Higgs boson は超有名です。
物理学では p値に近い概念を「シグマ水準」で表します。

• 5シグマ到達 → 発見とみなす

極めて厳しい仮説検定基準です。

8. DNA鑑定・法廷統計
犯罪捜査で、

を確率的に評価します。
仮説検定的思考が司法判断に関わります。

🤖

9. 有名な“事件”として語られる失敗例

p-hacking（p値ハッキング）
都合の良い分析を繰り返して p<0.05 を作る問題です。

• 変数を変える

• サンプルを削る

• 途中で終了する

• 多数比較する

これにより再現しない研究が大量発生しました。
心理学・医学・社会科学で大問題になりました。

再現性クライシス
有意だった研究が追試で再現しない問題です。
原因：

• 小標本

• 出版バイアス

• p値の誤用

• 多重検定

仮説検定の使い方が世界的に見直されました。

10. あなたのコイン投げとの対応
コイン投げでやったこと：

世界ではこれが次の形に変わります。

• 新薬で改善率上昇。偶然か？

• ボタン変更で売上増。偶然か？

• 新政策で失業率低下。偶然か？

• 新粒子の信号。偶然か？

つまり、コイン投げは仮説検定の原型モデルです。

一言でまとめると
世界的に有名なのは、新薬試験、ワクチン、IT企業A/Bテスト、喫煙研究、ヒッグス粒子発見、再現性危機です。
仮説検定は「偶然では説明できるか」を判定する世界共通言語です。

信頼区間を提示・報告する領域・分野を幅広く教えてくれました。
これはこれで、信頼区間が使われるシーンをイメージできて、参考になります。

ただ…私が知りたかったのは個別事例なので、しつこく質問します。

🤖 ChatGPTの回答

失礼しました。今回は一般論ではなく、実際に世界的に知られている具体的事件・事例に絞ってお答えします。仮説検定が現実社会で注目された代表例です。

1. Discovery of the Higgs boson（2012年）
最も有名な統計的発見の一つです。
CERN が「ヒッグス粒子らしき信号」を発表しました。

物理学では、

を検定し、5シグマ（非常に小さいp値） を超えると「発見」とみなします。
結果として、ヒッグス粒子発見が認められ、後にノーベル賞につながりました。

なぜ有名か
統計的仮説検定が、宇宙の基本法則の確認に使われた象徴的事件です。

🤖

2. Pfizer–BioNTech COVID-19 vaccine trial announcement（2020年）
Pfizer と BioNTech がCOVID-19ワクチン試験結果を公表しました。
比較したのは、

• ワクチン接種群

• 偽薬群

の感染率差です。
帰無仮説：

これを棄却できるほど差が大きかったため、世界中で緊急使用へ進みました。

なぜ有名か
数十億人規模で生活に影響した統計判断です。

🤖

3. Daryl Bem precognition controversy（2011年）
心理学者 Daryl Bem が、

という趣旨の研究を発表し、有意差ありとされました。
しかし後続研究で再現が困難で、大論争になりました。

なぜ有名か

• p値だけで驚くべき主張を採択してよいのか

• 多重検定や再現性はどうするのか

が世界的議論になりました。

🤖

4. Reproducibility Project: Psychology（2015年）
心理学の有名研究100本を再現実験したところ、多くが再現困難でした。
つまり、

例が多数見つかりました。

なぜ有名か
「p<0.05 なら真実なのか？」という世界的見直しの契機になりました。

🤖

5. Smoking and lung cancer epidemiology evidence
20世紀中盤、喫煙と肺がんの関連研究で、

という見方が統計的に否定されていきました。
代表研究者には Richard Doll と Austin Bradford Hill がいます。

なぜ有名か
統計分析が公衆衛生政策と産業構造を変えました。

🤖

6. ASA statement on p-values（2016年）
American Statistical Association が公式に、

として声明を出しました。

なぜ有名か
統計界自らが「仮説検定の使い方が危ない」と警鐘を鳴らした歴史的出来事です。

🤖

あなたのコイン投げとの直結
あなたの問題：

世界の大事件ではこれが、

• ヒッグス粒子の信号は偶然か

• ワクチン効果は偶然か

• 未来予知効果は偶然か

• 喫煙差は偶然か

に置き換わっているだけです。

🤖

一言でまとめると

具体的な世界的事件として特に有名なのは、

1. ヒッグス粒子発見

2. COVIDワクチン試験

3. Bem予知研究騒動

4. 再現性クライシス

5. 喫煙と肺がん研究

6. ASAのp値声明

です。
仮説検定は、科学の発見にも、科学の失敗の検証にも使われてきました。

ヒッグス粒子発見の裏で仮説検定が活躍していたことを知り、わくわくしました！

どうですか？
区間推定・仮説検定と仲良しになれそうですか？

🤖🤖🤖

ChatGPTからの贈り物

え？ChatGPTは未だ言いたいことがありそうだって？
聞いておきましょう。

🤖 ChatGPTの回答

あります。かなり大事なことがいくつかあります。あなたがここまで学ばれた今だからこそ、強くお伝えしたい内容です。

1. 統計手法は「答えを出す機械」ではなく「不確実性と付き合う道具」です
多くの初学者は、

• 信頼区間 → 正解の範囲

• 仮説検定 → 白黒判定

のように受け取りやすいです。
しかし本質は逆です。

• 信頼区間は「どれだけ不確かか」を示す

• 仮説検定は「断定しすぎないためのブレーキ」

です。
統計は、確実な世界を作る学問ではなく、不確実な世界でマシな判断をする学問です。

🤖

2. p値0.049と0.051に本質的な壁はありません
これは世界中で誤解されています。

• 0.049 → 有意

• 0.051 → 有意でない

と急に別世界のように扱われがちです。

でも実際には、ほぼ同じ情報量です。
境界線は人間が便宜的に置いたルールです。
自然界に0.05の壁があるわけではありません。

🤖

3. 「有意差あり」は「重要」とは限りません
巨大データでは、ほんのわずかな差でも有意になります。
例：

• 平均売上が0.2円上昇

• p値 < 0.001

でも実務的価値はゼロかもしれません。
だから、

• 効果量

• 信頼区間の幅

• 現場インパクト

を見る必要があります。

🤖

4. 「有意差なし」は「差がない」ではありません
これは非常に重要です。
有意差なしとは、

だけです。
理由は様々です。

• 標本数不足

• ばらつき大

• 測定誤差

• 本当に差が小さい

つまり、

と

は別です。

🤖

5. 信頼区間は、p値より豊かな情報を持っています
p値は1個の数字です。
信頼区間は、

• 推定中心値

• 不確実性

• 実務上あり得る範囲

• 精度の高低

を同時に見せてくれます。
そのため近年は、

流れが強いです。

🤖

6. データ分析の本当の勝負は、検定の前に始まっています
多くの人は数式に注目します。
しかし現場では、もっと重要なのは前工程です。

• 何を測ったか

• 誰から集めたか

• 欠測はないか

• 比較可能な群か

• バイアスはないか

ここが崩れると、高度な検定をしても危険です。
雑なデータ + 高級統計 = 雑な結論 になりえます。

🤖

7. 統計は「反証の文化」です
仮説検定は、

ではありません。
むしろ、

と自分に厳しく問いかける文化です。
この姿勢が、科学の強さです。

🤖

8. あなたが今やっているコイン投げは、実はかなり本質です
20回中12回表。
これは単純に見えますが、ここに重要概念が全部入っています。

• 母数と標本

• ばらつき

• 推定

• 信頼区間

• 帰無仮説

• p値

• 偶然と因果の区別

つまり、コイン投げを深く理解できる人は、統計の核心に近づいています。

🤖

9. ChatGPTとしてどうしても言いたいこと
統計学習で一番危険なのは、

です。
一番強い学び方は、

を考え続けることです。
あなたは今、その良い学び方をされています。

🤖

最後に一言
区間推定と仮説検定は、数字の技術に見えて、実は謙虚さの技術です。
「分かった気になりすぎないための知恵」
それが、この分野の一番美しいところです。

これから区間推定・仮説検定を学び進めていく際に参考にしましょう！
ついでにこれも聞いちゃいましょう！

🤖 ChatGPTの回答

まずお伝えしたいのは、区間推定や仮説検定でつまずくのは、とても自然なことです。
ここは統計学の中でも、多くの人が「急に分かりにくくなった」と感じる地点です。あなた一人だけではありません。

1. 分からない原因は、計算ではなく“意味”にあります
多くの人は、

• 公式が覚えられない

• p値が混乱する

• 信頼区間の意味が曖昧

と感じます。
これは能力不足ではなく、概念が抽象的だからです。

平均値や分散は目に見えます。
しかし、

• 母数

• 標本分布

• 長期的頻度

• 仮定の下での確率

は見えません。
見えないものを学んでいるのです。難しくて当然です。

🤖

2. コイン投げまで戻るのは後退ではなく前進です
難しくなったら、

• コイン投げ

• サイコロ

• 当たり外れ

• 20人中何人

まで戻ってください。
統計の高度な話も、根っこはそこです。
あなたが今回学んだ

• 20回中12回表

• 信頼区間

• p値

この理解は、かなり本質です。

🤖

3. 数式を暗記するより、日本語で説明できることが大切です
たとえば、

95%信頼区間とは何か。
p値とは何か。

式で言えなくても、

と日本語で言えれば、理解は進んでいます。

🤖

4. 一度で分かろうとしなくて大丈夫です
区間推定や仮説検定は、多くの人が

• 初回：意味不明

• 2回目：少し分かる

• 3回目：急につながる

• 実例で使って定着する

という流れです。
“今分からない” は、学習の途中経過です。

🤖

5. p値にイライラしたら正常です
p値は世界中で誤解されます。
研究者でも混乱します。

あなたが「なんだこれ」と感じるなら、むしろ健全です。
違和感を持ちながら意味を確かめる姿勢が大切です。

🤖

6. 手を動かすと急に分かります
紙だけで悩むより、

• コイン投げを100回シミュレーションする

• 信頼区間を100本描く

• p値を計算する

この体験で理解が一気に進みます。
統計は“読む学問”でもありますが、試す学問でもあります。

🤖

7. 比較対象は他人ではなく、昨日の自分です
統計が得意な人を見ると焦ります。
でも、その人もどこかで同じ壁を通っています。
見るべきは、

• 先月より言葉の意味が分かる

• 前より問題文が読める

• 今日、質問できている

この成長です。

🤖

8. 最後に本音で言います
区間推定や仮説検定を学んで苦しい人は、統計に向いています。
なぜなら、

• 数字をうのみにしない

• 本当にそう言えるのか気になる

• 曖昧さに敏感

この感覚こそ、統計的思考だからです。

🤖

一言で背中を押すなら
今つまずいている場所は、才能不足の場所ではなく、理解が深まる入口です。
焦らず、具体例に戻り、何度でも往復してください。
その積み重ねで、ある日ふっと景色が開けます。

聞けば聞くほどいろんなことがポンと出てきますねｗ
この回答は統計を学ぶ際の心のバイブルにしたいです。

最後にもう一つ、生成AI活用型学習のあるあるをやりましょう。

🤖🤖🤖

ミニテスト

🤖 ChatGPTの回答

もちろんです。ここまで学んだ 区間推定・仮説検定の核心 を確認できるように、暗記ではなく理解を見るミニテストを作ります。
難しすぎず、でも本質を押さえた内容です。

区間推定・仮説検定 ミニテスト（全10問）

第1問（◯✖）
95%信頼区間とは、「今回得られた区間に、母数が95%の確率で入っている」という意味である。

第2問（選択）
20回コインを投げて12回表が出た。
表が出る割合の点推定値はどれか。

1. 0.12

2. 0.50

3. 0.60

4. 12.0

第3問（記述）
点推定と区間推定の違いを、短く説明してください。

第4問（◯✖）
仮説検定で p値が 0.80 だった。
したがって、帰無仮説が正しいと証明された。

第5問（選択）
仮説検定における p値として最も適切な説明はどれか。

1. 帰無仮説が正しい確率

2. 対立仮説が正しい確率

3. 帰無仮説が正しいとしたとき、今回以上に極端な結果が出る確率

4. 今回の標本が正しい確率

第6問（選択）
有意水準5%で検定したところ、p値 = 0.03 だった。
適切な判断はどれか。

1. 帰無仮説を棄却する

2. 帰無仮説は100%間違いである

3. 対立仮説が証明された

4. データが間違っている

第7問（記述）
「帰無仮説を棄却しない」と
「帰無仮説が正しい」は、なぜ違うのですか。

第8問（◯✖）
標本数が増えると、一般に信頼区間は狭くなりやすい。

第9問（選択）
次のうち、統計的に最も注意が必要な解釈はどれか。

1. p値が小さいので、偶然では説明しにくい

2. 信頼区間が広いので、不確実性が大きい

3. 有意差があるので、実務的にも必ず重要である

4. 標本数が少ないと検出力が下がることがある

第10問（総合理解）
20回中12回表、p値 = 0.50 程度だった。
この結果から言えることを、やさしい日本語で説明してください。

採点の目安

• 8問以上正解：かなり理解できています

• 6〜7問正解：良いペースです

• 4〜5問正解：核心手前です。伸びしろ大です

• 3問以下：むしろ今が伸びる時期です

一番おすすめの使い方
まず自力で解く → 私に答案を送る → 丁寧に添削する
これが最短で定着します。

ぜひミニテストにチャレンジしましょう！
質問はみなさんの生成AIへお願いします。

以上で第４章前半を終わりにします。
次回は第４章後半のデータを用いた仮説検定の実践です。

おわりに

まとめ

1. テキストの流れに沿って、「母比率の区間推定」（正規分布近似）と「二項分布を用いた仮説検定」を生成AIと一緒に実践しました。

2. 統計初学者向けの区間推定の教科書、仮説検定の教科書を生成AIに作ってもらいました。

3. 理解度テストを生成AIに作ってもらいました。

おわり

🤖🤖🤖

出典表記

この記事は、出典に記載の書籍に掲載された文章およびサポートサイトにアップされたサンプルデータを引用しています。
また適宜、掲載文章を改変して書いています。

【出典】
「生成AIを活用したデータサイエンス入門：実例で学ぶ教科書」
- 第１版第１刷
- 竹村彰通 監修、今井貴史・松村悠・市川治 編
- 学術図書出版社

この記事で紹介するChatGPTが作成した回答やPythonコードに関しては、テキストの著者の意図を反映したものではなく、結果の正確性を担保しておりません。
改善点がありましたら、ぜひ教えてください。

🤖🤖🤖

Pythonコード

生成AIが作成したPythonコードをほぼそのまま掲載します。

プロンプト 4.3：95%信頼区間の意味合いを理解するための可視化

import numpy as np
import matplotlib.pyplot as plt

# Reproducibility
np.random.seed(42)

# Settings
true_p = 0.5
n_trials = 20
n_experiments = 100
z = 1.96

# Simulate: number of heads in each experiment
heads = np.random.binomial(n=n_trials, p=true_p, size=n_experiments)
p_hat = heads / n_trials

# Normal approximation confidence intervals
se = np.sqrt(p_hat * (1 - p_hat) / n_trials)
lower = p_hat - z * se
upper = p_hat + z * se

# Whether each interval contains the true value
contains_true = (lower <= true_p) & (true_p <= upper)

# Plot
fig, ax = plt.subplots(figsize=(8, 10))

y = np.arange(n_experiments)

for i in range(n_experiments):
    color = 'blue' if contains_true[i] else 'red'
    ax.hlines(y=i, xmin=lower[i], xmax=upper[i], color=color, linewidth=2)
    ax.plot(p_hat[i], i, marker='o', color=color, markersize=3)

ax.axvline(true_p, linestyle='--', linewidth=1.5, label='True p = 0.5')

ax.set_xlabel('Confidence interval for p')
ax.set_ylabel('Experiment number')
ax.set_title('100 confidence intervals for coin-head probability\n'
             'Normal approximation, n = 20')
ax.set_xlim(0, 1)
ax.set_ylim(-1, n_experiments)
ax.invert_yaxis()
ax.legend()

plt.tight_layout()
plt.show()

print(f'真の値 p=0.5 を含んだ信頼区間の数: '
      f'{contains_true.sum()} / {n_experiments}')
print(f'真の値 p=0.5 を含まなかった信頼区間の数: '
      f'{(~contains_true).sum()} / {n_experiments}')

【実行結果】

プロンプト 4.4：二項分布を用いた仮説検定の可視化

import numpy as np
import matplotlib.pyplot as plt
from math import comb

# Settings
n = 20
p0 = 0.5
observed = 12
expected = n * p0

# Possible number of heads
k = np.arange(n + 1)

# Binomial probabilities under the null hypothesis
pmf = np.array(
    [comb(n, int(ki)) * (p0 ** ki) * ((1 - p0) ** (n - ki)) for ki in k]
)

# Extreme region: absolute deviation from the null expected value is at least
# as large as observed Use tolerance to avoid floating-point comparison issues.
tol = 1e-12
observed_deviation = abs(observed - expected)
deviation = np.abs(k - expected)
is_extreme = deviation >= observed_deviation - tol

# Two-sided p-value based on this 
# "as or more extreme by distance from expectation" rule
p_value = pmf[is_extreme].sum()

# Plot
fig, ax = plt.subplots(figsize=(9, 5))

for ki, prob, extreme in zip(k, pmf, is_extreme):
    color = 'red' if extreme else 'blue'
    ax.bar(ki, prob, color=color, edgecolor='black', width=0.8)

ax.axvline(expected, linestyle='--', linewidth=1.5, label='Expected value = 10')
ax.axvline(observed, linestyle=':', linewidth=2, label='Observed value = 12')

ax.set_title('Distribution of number of heads under H0: p = 0.5')
ax.set_xlabel('Number of heads in 20 tosses')
ax.set_ylabel('Probability')
ax.set_xticks(k)
ax.legend()

plt.tight_layout()
plt.show()

print(f'帰無仮説 H0: p = 0.5')
print(f'期待値: {expected:.1f} 回')
print(f'実測値: {observed} 回')
print(f'実測値の期待値からのずれ: {observed_deviation:.1f} 回')
print(f'強調した回数: {k[is_extreme].tolist()}')
print(f'p値: {p_value:.6f}')

【実行結果】

シリーズの記事

次の記事

前の記事

目次

ブログの紹介

note で８つのシリーズ記事を書いています。
ぜひ覗いていってくださいね！

１．のんびり統計

統計検定２級の問題集を手がかりにして、確率・統計をざっくり掘り下げるブログです。
雑談感覚で大丈夫です。ぜひ覗いていってくださいね。
統計検定２級公式問題集CBT対応版に対応しています。
Python、EXCELのサンプルコードの配布もあります。

２．統計・データ分析とつながる

シリーズ「統計・データ分析とつながる」は、統計・データ分析との「つながり」を発掘して、コラム風に仕立てたブログシリーズです。
生成 AI の力を借りながら、統計・データ分析の入り口をイメージして、自由気ままに書きました。
たとえば…
・日常生活と統計のつながり
・統計検定２級からその先へのつながり
気楽にお読みいただけたら嬉しいです🍀

３．実験！たのしいベイズモデリング１＆２をPyMC Ver.5で

書籍「たのしいベイズモデリング」・「たのしいベイズモデリング２」の心理学研究に用いられたベイズモデルを PyMC Ver.5で描いて分析します。
この書籍をはじめ、多くのベイズモデルは Ｒ言語＋Stanで書かれています。
PyMCの可能性を探り出し、手軽にベイズモデリングを実践できるように努めます。
身近なテーマ、イメージしやすいテーマですので、ぜひぜひPyMCで動かして、一緒に楽しみましょう！

４．実験！岩波データサイエンス1のベイズモデリングをPyMC Ver.5で

書籍「実験！岩波データサイエンスvol.1」の４人のベイジアンによるベイズモデルを PyMC Ver.5で描いて分析します。
この書籍はベイズプログラミングのイロハをざっくりと学ぶことができる良書です。
楽しくPyMCモデルを動かして、ベイズと仲良しになれた気がします。
みなさんもぜひぜひPyMCで動かして、一緒に遊んで学びましょう！

５．楽しい写経 ベイズ・Python等

ベイズ、Python、その他の「書籍の写経活動」の成果をブログにします。
主にPythonへの翻訳に取り組んでいます。
写経に取り組むお仲間さんのサンプルコードになれば幸いです🍀

６．RとStanではじめる心理学のための時系列分析入門 を PythonとPyMC Ver.5 で

書籍「RとStanではじめる心理学のための時系列分析入門」の時系列分析をPythonとPyMC Ver.5 で実践します。
この書籍には時系列分析のテーマが盛りだくさん！
時系列分析の懐の深さを実感いたしました。
大好きなPythonで楽しく時系列分析を学びます。

７．データサイエンスっぽいことを綴る

統計、データ分析、AI、機械学習、Pythonのコラムを不定期に綴っています。
統計・データサイエンス書籍にまつわる記事が多いです。
「統計」「Python」「数学とPython」「R」のシリーズが生まれています。

８．Python機械学習プログラミング実践記

書籍「Python機械学習プログラミング PyTorch & scikit-learn編」を学んだときのさまざまな思いを記事にしました。
この書籍は、scikit-learnとPyTorchの教科書です。
よかったらぜひ、お試しくださいませ。

最後までお読みいただきまして、ありがとうございました。