DS基礎 教科書

DS基礎の出題は、ほとんどが「Excel でデータを操作して答えを出す」スタイル。本節ではまず、効率的に操作するための基本 ─ セル参照のコツとテーブル機能を整理します。

絶対参照と相対参照

「ある列の値を、固定の値で割って割合を計算する」のような操作では絶対参照が必須。手で式を入力していると間違えやすいので、$ マークを押すクセをつけましょう。

テーブル機能

データ範囲を選んで「Ctrl + T」(または「挿入」→「テーブル」)で、データ範囲を テーブル化 できます。テーブル化のメリットは大きいです。

• データを追加すると数式が自動で拡張: 新しい行を足しても、SUM や AVERAGE が自動で範囲を広げる
• 列名で参照可能: A1:A100 ではなく `テーブル1[売上]` のような構造化参照が使える
• フィルタとソートが組み込み: 1 クリックで絞り込み
• 行の縞模様が自動: 視認性が上がる

頻出関数の一覧

DS基礎の出題ではこれらの関数の 使い分け が問われます。「不偏分散と標本分散」「STDEV.S と STDEV.P」のような違いを意識して使えるよう、繰り返し触っておきましょう。

本節では、データセットに対して 集計操作 を関数で行う方法を扱います。手で書ける式は手で、難しいものはピボットテーブル(次節)へ。

条件付き集計 ─ 「〇〇な行だけの合計を出したい」

複数条件 ─ SUMIFS / COUNTIFS / AVERAGEIFS

条件が複数になったら、語尾に S を付けた `SUMIFS` 等を使います。引数の順序が SUMIF とは逆なので注意。

比率や割合の計算

「東京支店の売上が全体に占める割合」を計算したいとき:

Excel 式では `=SUMIF(B:B,"東京",C:C) / SUM(C:C)`。表示形式を「パーセンテージ」にすれば自動で % 表示になります。

ばらつきの集計

STDEV.S と STDEV.P の使い分け は DS基礎で頻出。

• STDEV.S(範囲): 標本標準偏差(不偏)。分母 $n-1$。「データが母集団からの標本」のとき。
• STDEV.P(範囲): 母集団標準偏差。分母 $n$。「データそのものが母集団全体」のとき。

実務では「データは母集団からの標本」と考える場面が多いので、原則 STDEV.S を使います。「.P」を選ぶと結果が少しだけ小さくなります(分母が大きいぶん)。

「商品別 × 月別の売上」「都道府県別 × 性別の人数」 ─ 2 つ以上の軸でデータを集計するクロス集計は、DS基礎の主役機能のひとつです。Excel ではピボットテーブルで一発。

ピボットテーブルの基本手順

1. データを準備: 1 行 1 レコード形式の表。列名(ヘッダ)が必須。
2. 範囲を選択: データのどこかをクリック → 「挿入」→「ピボットテーブル」
3. 配置場所を選択: 新しいシート(推奨)または既存のシート
4. フィールドを配置: 「行」「列」「値」のボックスに列名をドラッグ
5. 集計方法を選択: 値ボックスのドロップダウンで合計・平均・カウントなどを切替

「行・列・値・フィルタ」の配置

値フィールドの集計方法

値ボックスに置いたフィールドをクリックすると、集計方法を切り替えられます。

• 合計: SUMIFS と同等
• 個数: COUNT。「何件あるか」
• 平均 / 最大 / 最小 / 標準偏差 など
• 合計に対する割合: クロス集計表を「割合」表示に。「行の合計に対する割合」「列の合計に対する割合」「総計に対する割合」が選べる

「割合 % 表示」の使い分け

DS基礎では、ピボットテーブルの値表示を「○○の割合」にする操作がよく問われます。

• 行集計に対する割合: 各行の中での横方向の構成比。例: 「ある月の中で、各支店の売上が何 % か」
• 列集計に対する割合: 各列の中での縦方向の構成比。例: 「ある支店の中で、各月の売上が何 % か」
• 総計に対する割合: 全体に対する各セルの割合

フィルタとスライサー

フィルタ ボックスにフィールドを置くと、その列の特定の値だけに絞った表が作れます。スライサー(挿入 → スライサー)を使うと、ボタンクリックで絞り込みができ、よりインタラクティブな分析が可能になります。

ピボットテーブルは触れば触るほど分かる機能。サンプルデータをダウンロードして、実際に手で動かしてみるのがいちばんの学習法です。

DS基礎では「目的に合ったグラフを選べるか」がよく問われます。本節では、Excel で作れる主要グラフと、それぞれの 使い分けの原則 を整理します。

Excel でのグラフ作成手順

1. データ範囲を選択(ヘッダ行を含めると凡例が自動生成される)
2. 「挿入」タブ → グラフの種類を選択(おすすめグラフから選んでも OK)
3. グラフの要素を整える: タイトル・軸ラベル・凡例・データラベル
4. 書式を整える: 色・線の太さ・フォント

目的別グラフ選びの早見表

ヒストグラムの作り方(2016 以降)

ヒストグラムは Excel 2016 以降、ネイティブ機能として用意されています(それ以前は階級分けを手で計算する必要があった)。

1. データ列を選択
2. 「挿入」→「グラフ」→「ヒストグラム」
3. 横軸の階級幅(ビン幅)を必要に応じて調整(軸の書式設定)

散布図に近似曲線を入れる

DS基礎で頻出: 散布図に 近似曲線(線形近似) を入れて回帰直線を視覚的に確認する方法。

1. 散布図を作成
2. データ点を右クリック → 近似曲線の追加
3. 「線形近似」を選択、「グラフに数式を表示」「$R^2$ 値をグラフに表示」をチェック

これで「$y=ax+b$」と $R^2$ がグラフに表示されます。回帰係数と決定係数を一目で確認できる便利機能。

やってはいけないグラフ

• 3D 効果: 立体グラフは見た目より値が読み取りにくい。原則使わない
• 0 から始まらない縦軸: 棒グラフでは特に。差を誇張するトリック
• 項目数の多い円グラフ: 5 項目を超えると比較困難。棒グラフに切り替え
• 色だけに頼る凡例: モノクロ印刷や色覚多様性を配慮し、形やパターンも併用

Excel には 「データ分析」アドイン があり、単回帰・重回帰を GUI で実行 できます。本節では、その有効化から結果の読み方までをまとめます。

「データ分析」アドインの有効化

1. 「ファイル」→「オプション」→「アドイン」
2. 下部「設定」→「分析ツール」にチェック → OK
3. 「データ」タブの右端に「データ分析」が表示される

単回帰の実行手順

1. 「データ」→「データ分析」→「回帰分析」を選択
2. 「入力 Y 範囲」: 目的変数の列(ラベル含む)
3. 「入力 X 範囲」: 説明変数の列(ラベル含む)
4. 「ラベル」にチェック(ヘッダ行を含めた場合)
5. 「一覧の出力先」を指定して OK

出力結果の読み方

回帰分析の出力は 3 つのブロック に分かれます。

重回帰の場合

重回帰も手順は同じ。違いは「入力 X 範囲」を 複数列 にする(隣接した列であること)。各説明変数ごとに「係数・p 値」が出力されるので、どの変数が有意かを確認できます。

実務での注意点

• 説明変数の単位: スケールが大きく違うと係数の解釈がしにくい。標準化してから回帰を考える
• 多重共線性: 説明変数同士の相関が高いと、係数が不安定になる。VIF を別途計算するか、相関係数を確認
• 残差の確認: グラフで残差プロット([データ分析]オプション)を出力 → ランダムに散らばっているか確認

Excel には統計的推測(信頼区間・仮説検定)のための関数が揃っています。本節では DS 基礎で頻出のものを整理します。

信頼区間

1 標本 t 検定

「ある母集団の平均が値 ${\mu }_0$ と等しいか」を検定したいとき、Excel には専用関数が ない ので、以下のいずれかの方法で実行します。

• 手動計算: 検定統計量 $T=(\bar{X}-{\mu }_0)/(\hat{s}/\sqrt{n})$、p 値は `=T.DIST.2T(ABS(T), n-1)` で両側
• データ分析アドイン: 「t 検定: 一対の標本による平均の検定」(2 標本対応形式)

2 標本 t 検定(2 群の平均比較)

カイ二乗検定

p 値の判定基準

• p 値 < 0.05: 有意水準 5% で帰無仮説を棄却
• p 値 < 0.01: 有意水準 1% で棄却(より強い証拠)
• p 値 ≥ 0.05: 棄却しない(=「H₀ が真」とは言えないが、棄却の証拠不十分)

実務での Excel 統計の限界

Excel は基本的な検定までは便利ですが、本格的な統計分析(ロジスティック回帰・時系列分析・ベイズ推論など)では Python(statsmodels, scikit-learn) や R に切り替えるのが標準的です。DS基礎では「Excel で何ができるか」を押さえ、それ以上は他ツールへ、という棲み分けが現実的。

実データには 欠損(空白)・外れ値(極端な値) が必ず混在します。これらをどう扱うかで分析結果が大きく変わります。

欠損値の扱い

• そのまま削除: 欠損行を消す。簡単だが情報を失う(欠損が偏ると バイアス)
• 平均・中央値で補完: シンプル。Excel: `=IF(A2="", AVERAGE($A:$A), A2)`
• 前後の値で補完(LOCF): 時系列データで使う
• 回帰で予測補完: 他の変数から値を予測
• 欠損自体を 1 つの情報として扱う: ダミー変数で『欠損フラグ』を立てる

外れ値の検出

• 3σ ルール: 平均 ± 3 × 標準偏差 を超える値。正規分布前提
• 箱ひげ図ルール: Q1 - 1.5×IQR 未満 / Q3 + 1.5×IQR 超 ─ 視覚的
• Z スコア: (値 - 平均) / 標準偏差 が ±3 を超える
• ドメイン知識: 『年齢 200 歳』『売上マイナス』など物理的に異常な値

外れ値の対処

• 削除: 入力ミスや計測エラーが明らかなら
• 修正: 元データを確認して正しい値に
• ウィンザー化(Winsorize): 上下 5% を境界値で打ち切り
• 対数変換: 右に裾が長い分布(年収・株価)を正規型に近づける
• 残す: 外れ値こそが分析対象(不正検出など)

手入力データには表記ゆれ・スペース混入・型不一致が頻発。Excel の関数で整える基本パターンを押さえます。

表記ゆれの統一

• TRIM: 余分な空白を削除(『東京都 』→『東京都』)
• UPPER / LOWER / PROPER: 大文字小文字統一
• SUBSTITUTE: 特定文字を置換(『株式会社→(株)』)
• ASC / JIS: 半角全角の統一
• CLEAN: 改行・タブなど印刷不能文字を削除

日付・数値の型変換

• DATEVALUE: 文字列『2024/4/1』を日付型に
• VALUE: 文字列の数字『100』を数値型に
• TEXT: 数値を書式付き文字列に(`TEXT(A1, "yyyy-mm-dd")`)
• Power Query: 列の型を一括変換するならこちら

重複の処理

• 重複の削除: データ → データツール → 重複の削除
• 条件付き書式 → 一意の値のみ強調: 重複を視覚的に確認
• COUNTIF: `=COUNTIF(A:A, A2) > 1` で重複行を検出
• UNIQUE 関数(M365): 動的に一意リストを返す

正規化(0〜1 スケーリング)と標準化

機械学習の前処理で必須。

• Min-Max 正規化: `(x - MIN) / (MAX - MIN)` → 0〜1 に揃える
• Z 標準化: `(x - AVERAGE) / STDEV` → 平均 0、標準偏差 1

良い分析の基盤は データ品質。納品前の検収項目として、最低限以下をチェックする習慣をつけましょう。

5 つの品質次元

• 完全性(Completeness): 必須項目に欠損はないか
• 正確性(Accuracy): 値は正しいか(範囲外・型違反)
• 整合性(Consistency): テーブル間で矛盾はないか(顧客 ID が請求テーブルにない等)
• 一意性(Uniqueness): 主キーに重複はないか
• 適時性(Timeliness): データは最新か(古すぎないか)

Excel での簡易チェック方法

• ピボットテーブル: カテゴリの内訳と件数を一覧 → 表記ゆれ発見
• 条件付き書式: 範囲外の値・空白セルをハイライト
• COUNTBLANK: 列ごとの空白数
• COUNTIFS: 複数条件を満たす件数(例: 売上日 > 受注日 など論理矛盾)

t 検定 は『2 つの群の平均に差があるか』を判定する代表的な検定。Excel では分析ツールアドインまたは `T.TEST` 関数で 1 ステップ実行できます。

3 種類の t 検定

Excel 関数 T.TEST

分析ツールでの実行

1. データ → データ分析 から t 検定: 等分散を仮定した 2 標本検定 などを選択
2. 範囲を指定 → α(有意水準)を指定
3. 出力に t 統計量 / 自由度 / 片側 P / 両側 P / 棄却限界値(t 値) が並ぶ
4. p 値 < α なら『有意差あり』、信頼区間も併記すれば説得力増

カイ二乗(χ²)検定 は、クロス集計表で 2 つのカテゴリ変数が独立か を判定する検定。性別 × 購入 / 不購入、地域 × 政党支持などで使う。Excel でも `CHISQ.TEST` 関数で簡単に実行できます。

観測度数と期待度数

Excel 関数 CHISQ.TEST

適用条件と注意

• 期待度数 $\ge 5$ が望ましい(満たさないなら隣接カテゴリと統合 or Fisher の正確検定に切替)
• 観測値が独立(同じ個体を二重カウントしない)
• カテゴリ変数同士の関連 を見る(連続変数なら回帰や相関へ)
• 有意 = 関連がある だけ。強さ は別途 Cramér's V や標準化残差で評価

3 群以上の平均を比較するには t 検定の繰り返し ではなく ANOVA(分散分析) を使います。Excel の分析ツール → 一元配置: 1 元配置 で実行可能。

なぜ t 検定の繰り返しが NG か

ANOVA の分散分解

Excel での操作

1. データを 群ごとに列を分けて並べる(または 1 列 + ラベル列)
2. データ → データ分析 → 一元配置: 1 元配置 ANOVA
3. 入力範囲・α を指定 → OK
4. 出力で 観測値・分散の概要 + 分散分析表(F・p 値・F 境界) が並ぶ
5. p < α なら『少なくとも 1 つの群間に差がある』(どこかは別途 Tukey 等で)

事後検定 ─ どの群に差があるか

• Bonferroni 補正: ペアごと t 検定の α を比較数 $m$ で割る($\alpha /m$)。最も保守的
• Tukey の HSD: 全ペア比較で第一種の誤り率を制御。実務で頻用
• Dunnett 検定: 対照群 vs 各群の比較に特化。臨床試験で標準
• Excel 標準では Bonferroni を α / 比較数 で手作業実装するのが一般的

ANOVA の前提条件

• 正規性: 各群の分布が概ね正規(中央極限定理で大標本なら緩い)
• 等分散性: 群間の分散が等しい(Welch ANOVA で緩和可能)
• 独立性: 観測値は独立(同じ被験者を複数群に入れない)
• 正規性が崩れたら → Kruskal-Wallis 検定(ノンパラメトリック)に切替

ここまで 4 章で DS 基礎の中核を扱いました。続く 5-10 章では 時系列・多変量・ダッシュボード・AI 連携・ケーススタディ など実務応用を加えて、一段上の Excel データ分析力を養います。

時系列データ は時刻順に並んだデータ。Excel では日付列を シリアル値 として扱い、関数群で集計・変換します。

Excel の日付関数

• `YEAR(date)` / `MONTH(date)` / `DAY(date)`: 年・月・日を抽出
• `WEEKDAY(date)`: 曜日(1=日曜)
• `EOMONTH(date, 0)`: 月末日
• `EDATE(date, n)`: $n$ ヶ月後の日付
• `DATEDIF(start, end, 'd')`: 日数差

前月比・前年同月比

移動平均 は時系列データのノイズを平滑化する古典的手法。Excel では数式で実装するか、グラフのトレンド線機能で表示できます。

単純移動平均(SMA)

指数平滑(EWMA)

グラフのトレンド線

• 散布図/折れ線グラフを選択 → グラフ要素 → トレンドライン
• 線形・指数・対数・累乗・多項式・移動平均 から選択
• $R^2$ 値・式を表示 チェックで回帰式と当てはまり
• 予測期間を指定すれば将来予測も可能

季節パターン をもつ時系列(月次小売・電力消費など)を Excel で扱う実務的手法。

季節指数法

FORECAST 関数群

• `FORECAST.LINEAR(x, y_range, x_range)`: 線形回帰の予測
• `FORECAST.ETS(target_date, values, dates)`: 指数平滑による予測(季節性自動検出)
• `FORECAST.ETS.SEASONALITY`: 季節性の周期推定
• `FORECAST.ETS.CONFINT`: 予測信頼区間
• Excel 2016+ で利用可能

ピボットテーブル は Excel の最強機能の 1 つ。1 章で基礎を扱いましたが、ここでは 多次元の分析 に応用します。

計算フィールドと計算アイテム

• 計算フィールド: ピボット内で新しい列を作る(粗利率 = 利益/売上 など)
• 計算アイテム: カテゴリ間の演算(東日本 = 関東 + 東北)
• 集計方法の切替: 合計・平均・カウント・最大・最小・標本標準偏差
• 値フィールドの設定: 比率・累積・前期比など

ピボットグラフ

ピボットテーブルからワンクリックで 対話的グラフ を生成。スライサー(クリック式フィルタ)・タイムライン(日付範囲選択)を組合せると、軽量なダッシュボードが完成します。

条件付き書式 は Excel の数値を 色で可視化 する機能。多変量データの探索的分析(EDA)で威力を発揮します。

主要な書式種類

• カラースケール: 値の大小を色のグラデーションで表現(ヒートマップ風)
• データバー: セル内に棒グラフを表示
• アイコンセット: 信号・矢印などで状態表示
• 上位/下位 N: 上位 10% や下位 5 件を強調
• 重複値: 重複する値を強調(データクリーニング)
• 数式ベース: `=A1>AVG($A$1:$A$100)` のような任意条件

相関行列のヒートマップ

Power Query / Power Pivot は Excel の隠れた高機能機能。100 万行以上のデータも軽快に扱え、複数テーブルの結合(JOIN)もできる。

Power Query

• データの取得と変換 メニューから起動
• CSV・Web・データベース・Folder など多様なソース
• 前処理パイプライン をステップとして記録(再実行可能)
• 列の分割・結合・型変換・行のフィルタ・ピボット解除
• M 言語 で複雑な変換も記述可能

Power Pivot

Power Pivot はデータモデル機能。複数テーブルを リレーションシップ で結びつけ、SQL の JOIN を Excel で実現。DAX(Data Analysis eXpressions) 言語で高度な計算が可能で、100 万行を超えるデータ も扱える。

ダッシュボード は『重要な指標を 1 画面で俯瞰』するレポート。経営会議・営業会議で頻用。

良いダッシュボードの 5 原則

1. 目的を 1 つに絞る(『経営状況の月次レビュー』など)
2. KPI は 5-7 個まで ─ 多すぎると焦点がぼける
3. 最重要指標を左上に(視線の流れに沿う)
4. 異常を一目で(条件付き書式で赤を出す)
5. ドリルダウン可能(スライサー / タイムラインで深掘り)

Excel ダッシュボードの構成要素

• KPI カード: 大きい数字 + 前期比 + 目標達成率
• 時系列グラフ: トレンドの推移
• ピボットグラフ: カテゴリ別比較
• ヒートマップ: 多変量の状態俯瞰
• スライサー: フィルタ用ボタン
• タイムライン: 期間選択

Power BI はマイクロソフトの BI ツール。Excel の自然な発展形で、Power Query / Power Pivot がそのまま動きます。

Power BI の主要機能

• データ接続: 100+ のデータソースに対応
• リレーションシップ: 複数テーブルのスター・スキーマ
• DAX: ピボットを超える集計関数
• ビジュアル: 50+ の標準グラフ・3rd party
• 公開: クラウドで共有(Power BI Service)
• Mobile: スマホ用ダッシュボード自動生成

他の主要 BI ツール

• Tableau: 老舗・データ可視化に強い
• Looker(Google): クラウド統合・LookML
• Qlik Sense: データ探索特化
• Domo: SaaS 完結
• Metabase: オープンソース
• Redash: SQL ベース・ダッシュボード

ダッシュボードは 意思決定の道具。数字を並べるだけでなく、ストーリー を語る設計が重要です。

データストーリーテリングの 3 段階

1. 現状把握(What): 何が起きているか
2. 原因分析(Why): なぜ起きているか
3. 行動提案(So What / Now What): 何をすべきか

色とレイアウト

Excel と AI の組合せ

• Copilot in Excel: Excel のセル内容を ChatGPT 流に解析・要約
• Power BI Q&A: 自然言語でクエリを書ける
• Microsoft Fabric: Power BI と AI を統合する次世代プラットフォーム
• ChatGPT + Excel: 数式やマクロの説明・生成

VBA(Visual Basic for Applications) は Excel に標準搭載のマクロ言語。繰り返し作業 を 1 ボタンで自動化できます。

マクロ記録から始める

1. 開発タブ → マクロの記録(初回は『開発タブを表示』を有効化)
2. 通常通り Excel を操作
3. 記録停止 → 自動生成された VBA コードを表示
4. コードを編集して汎用化(ループ・条件分岐の追加)
5. ボタンに割り当てて 1 クリック実行

VBA の基本構文

' VBA コード(参考表示)
Sub AddHeaderToAllSheets()
    Dim ws As Worksheet
    For Each ws In ThisWorkbook.Sheets
        ws.Range("A1").Value = "集計表 " & ws.Name
        ws.Range("A1").Font.Bold = True
    Next ws
End Sub

Python in Excel(2023+)で、Excel のセル内に直接 Python コードが書けるようになりました。pandas・numpy・scikit-learn が標準で使えます。

Python in Excel の使い方

• セルに `=PY(...)` で Python コード開始(または `Ctrl + Shift + Enter`)
• Anaconda 環境 を Microsoft クラウドで実行(ローカル不要)
• pandas DataFrame が結果として返る
• matplotlib プロット を Excel 内に埋め込み
• 他の Excel セルを `xl("A1:B10")` で参照

openpyxl と xlwings(従来手法)

• openpyxl: Python から Excel ファイル(.xlsx)を読み書き
• xlwings: Excel と Python の双方向連携(Excel から Python 関数を呼べる)
• pandas: `read_excel` / `to_excel` で 1 行で読み書き
• Excel = データ入力 UI、Python = 分析エンジン という分業

2023 年以降、生成 AI と Excel の統合 が急速に進化。実務で何が可能かを整理します。

Microsoft Copilot in Excel

• 自然言語で式生成: 『このデータを月別に集計して』 → ピボット自動作成
• データの説明: シートを選択 → 『要約して』で AI が傾向を解説
• 条件付き書式の生成: 『売上 100 万円超を緑に』
• 異常検出: 『この列で異常な値を見つけて』
• チャート提案: データに合うグラフを自動推薦

ChatGPT/Claude × Excel ワークフロー

1. 式の生成: 『XLOOKUP を使ってこんな検索式を書いて』
2. マクロ生成: 『この処理の VBA コードを書いて』
3. エラー修復: 『この #VALUE! エラーの原因を解説』
4. データクレンジング: 『この列の表記揺れを統一する手順』
5. 分析提案: 『この売上データから何が見えるか』

月次売上データ から、傾向・異常・要因を読み取る実務的な分析プロセス。

売上分析の標準フロー

1. 全体トレンド: 線形回帰で長期トレンド抽出
2. 季節性: 月別・曜日別パターンを見る
3. 前年同月比: 季節要因を除去した実質成長
4. 要因分解: 商品 × 地域 × チャネル別貢献
5. 異常検知: ±3σ から外れる月を特定
6. インサイト報告: 経営層への 1 ページサマリ

パレート分析

RFM 分析 はマーケの古典手法。顧客を Recency(最終購入)・Frequency(頻度)・Monetary(金額)で分類します。

RFM スコアリング

1. 各顧客の R / F / M を計算(`MAX(購入日) - 今日`、`COUNT(購入)`、`SUM(金額)`)
2. 各指標を 5 段階に分類(`PERCENTRANK` 関数で 5 分位)
3. RFM スコア(例: 555 = 最重要顧客、111 = 離脱顧客)を算出
4. ピボットテーブルで RFM 分類別の顧客数・売上を集計
5. マーケ施策 を分類別に設計(VIP は厚遇・離脱顧客は呼び戻し)

顧客生涯価値(LTV)

品質管理(QC) データへの統計の応用。Excel で管理図・工程能力指数を計算します(QC 検定教科書とも繋がる内容)。

X̄-R 管理図を Excel で

1. 群サイズ $n=5$ の測定値を 25 群分準備
2. 各群の 平均 $\bar{X}$ と 範囲 $R$ を計算
3. $\overline{\stackrel{ˉ}{X}}=AVERAGE(\bar{X}列)$、$\bar{R}=AVERAGE(R列)$
4. UCL / LCL = $\overline{\stackrel{ˉ}{X}}\pm A_2\bar{R}$($A_2$ は群サイズの係数表値、$n=5$ で $0.577$)
5. 折れ線グラフで描画 + 管理限界の水平線追加

工程能力指数

DS 基礎教科書 9 章を歩いてきて、Excel データ分析の主要技能 が揃いました。

9 章の地図

1. Ch1: Excel 基礎 - 関数 + ピボットテーブル
2. Ch2: 可視化と分析 - グラフ + 回帰機能 + 統計推測
3. Ch3: データ準備とデータ品質
4. Ch4: 仮説検定とカテゴリ分析
5. Ch5: 時系列データを Excel で扱う
6. Ch6: 多変量データとピボット応用
7. Ch7: ダッシュボードと BI 連携
8. Ch8: Excel × プログラミングの連携
9. Ch9: 実務ケーススタディ

DS 基礎の次は、目的に応じた専門化 が良いでしょう。

進路 A: 統計理論を深める

• [統計検定 3 級](/textbook/grade-3): 推定・検定の基礎理論
• [統計検定 2 級](/textbook/grade-2): 大学レベルの応用統計
• 準 1 級・1 級: 実務応用・数理統計

進路 B: データサイエンスの全体像

• [DS 検定リテラシー](/certs/ds-literacy/textbook): 3 軸スキルと最新 ML
• [プログラミング教科書](/programming): Python・R・SQL・PyTorch
• Kaggle / SIGNATE: 実データで腕試し

進路 C: AI / DL 系

• [G 検定](/certs/g-test/textbook): AI 全般の知識
• [E 資格](/certs/e-shikaku/textbook): DL 実装エンジニア向け
• [因果推論](/causal-inference): 政策・経営判断

進路 D: 専門領域

• [QC 検定](/certs/qc-kentei/textbook): 製造業の品質管理
• [統計調査士](/certs/survey/textbook): 公的統計・調査設計
• [専門統計調査士](/certs/survey-specialist/textbook): 標本設計の理論

DS 基礎合格は『データ分析の入口』。実務で活かしながら学び続ける のが最も効率的です。

実務で使える小さな目標

1. 毎月の業務データ を Excel ピボットで集計してみる
2. 自分の家計簿 を可視化する
3. SNS で公開されているデータ を 1 つダウンロードして分析
4. Kaggle Learn の無料コースを 1 つ完走
5. Power BI か Tableau Public で 1 つダッシュボード作成

学習リソース

• 統計学会の DS 基礎公式テキスト: 試験対策の本道
• 公式問題集 + 過去問: 出題パターンに慣れる
• [統計用語集](/glossary): 477 語(2026 年現在)
• [統計図解集](/figures): 50 種類の SVG 図解
• [統計計算ツール](/tools): 17 種のオンライン計算機

DS 基礎合格、おめでとうございます。データの世界の扉 を一緒に開きました。次の領域でもお会いしましょう。