入門編 教科書

ニュースを見ていると「日本の人口 約 1 億 2400 万人」「世界の温室効果ガス排出量 350 億トン」など、大きな数字がたくさん登場します。統計を学ぶ最初の一歩は、こうした大きな数を 正確に読める こと、そして だいたいの大きさを感じられる ことです。

大きな数の単位

• 千(せん): $1000$
• 万(まん): $10000$ = $10^4$
• 億(おく): $1$ 億 = $10^8$ = 1 万の 1 万倍
• 兆(ちょう): $1$ 兆 = $10^{12}$ = 1 億の 1 万倍

桁(けた)が大きくなると、たった「ひと桁違う」だけで意味が大きく変わります。「1 億円の予算」と「10 億円の予算」は 10 倍違う、という感覚を持っておくと、ニュースを読み間違えなくなります。

表からデータを読む

統計でいちばんよく使うデータの形は「表」です。たとえば次のような身長の表を見てみましょう。

実際の数字に触れる

統計は「実生活の数字」を扱う学問です。学校の人数、住んでいる町の人口、好きなスポーツの順位 ─ 身近にある数字をひとつ、メモにとってみましょう。「統計の素材は、わたしたちの生活そのもの」 ─ ここからすべてが始まります。

数字をたくさん並べた表は読み取りに時間がかかります。一目で全体の様子がつかめるよう、データを「絵」に変えたのがグラフです。本節では、もっとも基本的な 3 種類のグラフ ─ 棒グラフ・折れ線グラフ・円グラフ ─ の読み方を見ていきます。

棒グラフ ─ 大きさを比べる

棒の高さ(または長さ)で量を表す グラフ。横軸にカテゴリ(クラス・年・国名など)、縦軸に量を取ります。「どこがいちばん多い?」「2 位との差はどれくらい?」が一瞬でわかるのが強み。

読み取るときの注意点: 縦軸の目盛りが 0 から始まっているか を必ず確認します。0 から始まらないグラフは、わずかな差を大きく見せる「見かけのトリック」になっていることがあります。

折れ線グラフ ─ 移り変わりを見る

時間の流れに沿った変化 を見るためのグラフ。横軸に時間(年・月・日など)、縦軸に量を取ります。「上がっているか / 下がっているか」「いつから急に変化したか」を読み取るのに使います。気温・株価・売上の推移などでおなじみ。

円グラフ ─ 割合を比べる

全体に対する割合(シェア) を表すグラフ。円全体が 100% で、各部分(扇形)の角度がそのカテゴリの割合を示します。「どこが多数派?」「いちばん少ない部分は?」を見るのに最適。

ただし、項目が 5 つ以上に増えると見づらくなる、似た大きさの項目を比較しにくい、といった弱点があります。そのときは棒グラフのほうが見やすいことも。

グラフの選び方

• カテゴリの大きさ比較 → 棒グラフ
• 時間の流れに沿った変化 → 折れ線グラフ
• 全体に占める割合 → 円グラフ(項目少なめ)
• 割合の時間変化 → 帯グラフを並べる

グラフは「見せたい情報」に合わせて選ぶもの。「自分が何を伝えたいのか」をまず決めてから グラフを選ぶ、というクセをつけると、情報の伝え方が一段上手になります。

「平均(へいきん)」は、たくさんの数を「ならした」ときの代表値です。学校のテストの平均点、平均身長、平均気温 ─ ニュースでも頻繁に登場する言葉ですが、計算自体はとてもシンプル。本節で、平均との出会いを果たしましょう。

平均の求め方

平均の意味 ─ ならすってどういうこと?

「ならす」とは、「みんな同じ量にしたら 1 人分はいくらか」を考えること。たとえばお菓子を「全部足して人数で分けたら、ひとり何個?」を計算しているのが平均です。

平均が「ふつう」とは限らない例

平均は便利な数字ですが、「平均的な人」がたくさんいるとは限らない という点には注意です。たとえば、ある会社の社員 5 人の年収が $300,400,500,500,5000$ 万円だったら、平均は $(300+400+500+500+5000)÷5=1340$ 万円。でも「だいたいの社員の年収が 1340 万円」と聞いたら、ほとんどの社員(年収 500 万円台)はびっくりしますね。

こうした「外れ値」がいるときは、4 級で学ぶ 中央値(まんなかの人)のほうが「ふつうの人」を表すのに向いています。「平均は便利だけど万能ではない」と覚えておきましょう。

次の章へ

次の章では「データの種類」と「グラフ選びの基本」を学びます。続けて読み進めてみてください。

アンケートやテストで集まる『データ』には、大きく分けて 2 種類あります。種類が違うと、向いているグラフや計算方法も違います。

量的データ(数で測れる)

• 身長・体重・気温・売上: 大小関係や差・比率に意味がある
• 連続量: 身長(165.3 cm のように小数も意味がある)
• 離散量: 個数(りんご 3 個)。整数だけ意味がある

質的データ(カテゴリ)

• 血液型・好きな色・職業: 大小関係はない、分類のみ
• 順序あり: 満足度(良い・普通・悪い)など順序だけ意味がある

データの種類によって、見やすいグラフが違います。間違ったグラフは情報を歪めます。

棒グラフ ─ カテゴリ別の比較

血液型別の人数、店舗別の売上など 質的データの量を比較 するときに最適。横軸に意味的な順序がないので、棒の間に隙間を空けて描きます。

ヒストグラム ─ 数値データの分布

身長の分布、テストの点数の分布など 量的データの広がり を見るときに最適。値の範囲を区切った『階級』ごとに度数を棒で表す。棒の間に隙間がない のが棒グラフとの違い。

折れ線グラフ ─ 時間の変化

毎月の売上、毎日の気温など 時間とともに変化する量 に最適。点を線で結ぶことで『増えている / 減っている / 横ばい』が一目で分かる。

円グラフ ─ 全体に占める割合

100% を全体として、各カテゴリの割合 を扇形の面積で表す。カテゴリ数は 5〜6 個までが上限。それ以上だと読みづらく、棒グラフの方が見やすい。

散布図 ─ 2 つの量の関係

身長と体重、気温とアイス売上など、2 つの量の関係 を点で表す。点が右肩上がりなら『正の相関』、右肩下がりなら『負の相関』、バラバラなら『相関なし』。

確率 は『どれくらい起こりやすいか』を 0〜1 の数字(または 0%〜100%)で表したもの。0 が『絶対起きない』、1 が『絶対起きる』、0.5 が『五分五分』。

サイコロの目が 6 になる確率

サイコロは 1〜6 の 6 通りの目があり、どれも同じくらい出やすい(=同様に確からしい)。だから 6 が出る確率は 1/6 ≒ 0.167 ≒ 16.7%。

大数の法則 ─ 何回もやると確率に近づく

コインを 1 回投げると表か裏のどちらかしか出ません。でも 何百回・何千回と投げる と、表が出た割合は限りなく 1/2 に近づきます。これが 大数の法則。

確率を計算するには、まず 全部で何通りあるか を数える必要があります。

順列 ─ 順番が違えば別

5 人から 3 人を選んで一列に並べる方法は何通り? 1 番目に 5 人、2 番目に残り 4 人、3 番目に残り 3 人 → 5 × 4 × 3 = 60 通り。これを 順列 と呼びます。

組合せ ─ 順番は無視

5 人から 3 人を選ぶだけ(順番は気にしない)なら、上の 60 通りから順番違いを割って 60 ÷ (3×2×1) = 10 通り。これを 組合せ と呼びます。

実例: くじ引き

10 本のくじに当たりが 3 本。1 本引いて当たる確率 = 3/10 = 30%。これも『当たり 3 通り ÷ 全 10 通り』の式。

次の章では、データの『ばらつき』に注目します。同じ平均でも、まとまったデータと散らばったデータでは意味が違うのです。

次の 2 つのテストの点数を比べてみましょう。どちらも平均 60 点ですが、印象がまったく違います。

• A クラス: 60, 60, 60, 60, 60(全員 60 点)
• B クラス: 20, 40, 60, 80, 100(0〜100 にばらける)

A クラスは『安定して同じ』、B クラスは『差が激しい』。平均は同じなのに、データの性格はまったく違います。だから平均だけでなく『散らばり方』も知る必要があるのです。

範囲(レンジ)─ いちばん簡単な指標

範囲は単純すぎて、1 人の外れ値で大きく動く という弱点があります。そこで使われるのが『標準偏差(ひょうじゅんへんさ)』。「みんなが平均からどれくらいズレているか」を平均的に表します。

考え方の 4 ステップ

1. 全員の点数から 平均 を引いて『ズレ』を出す(プラス・マイナス両方ある)
2. ズレを 2 乗 する(マイナスを消すため)
3. 2 乗ズレの 平均 を取る ← これが『分散(ぶんさん)』
4. 分散の 平方根 を取る ← これが『標準偏差』

なぜ 2 乗するか? 単純にプラスとマイナスを足すと打ち消し合って 0 になってしまうから。2 乗するとどちらも正の値になり、ばらつきが消えません。

実例で計算してみる

B クラス(20, 40, 60, 80, 100、平均 60)の標準偏差:

1. ズレ: −40, −20, 0, +20, +40
2. 2 乗: 1600, 400, 0, 400, 1600
3. 平均(分散): (1600+400+0+400+1600) / 5 = 800
4. 平方根(標準偏差): √800 ≒ 28.3

A クラスは全員 60 点なのでズレが 0、標準偏差も 0。標準偏差が大きいほど、データはばらついている ということです。

標準偏差で見えるもの

• 0 に近い: みんな似たような値(均質な集団)
• 大きい: 差が大きい(多様な集団 or 外れ値あり)
• 比較に使える: 同じ平均のグループ同士で『どっちが安定してるか』が分かる

割合 とは『全体に対する一部の大きさ』を表す数字。表現方法によって名前が変わるだけで、本質は同じです。

• 小数: $0.3$
• 百分率(%): $30\%$(× 100 して表記)
• 分数: $\frac{3}{10}$
• 歩合: 3 割(野球の打率などで使う)

計算方法

ニュースで紛らわしいのが『%増 / %減』と『%ポイント』。意味が違うので使い分けが大切。

%増・%減

もとの値からどれくらい変化したか をもとの値に対する割合で表します。

• 100 → 120: 20% 増(20 / 100 × 100%)
• 100 → 80: 20% 減
• 100 → 200: 100% 増(2 倍)

%ポイント(percentage point)

割合の差そのもの を表します。% を引き算したいときに使う。

• 支持率: 30% → 40% に変化 → 10% ポイント上昇
• (間違いやすい言い方)『支持率が 10% 上昇』だと『30 × 1.1 = 33%』に取れる

同じ事実なのに、見せ方で印象が大きく変わる のが割合の怖いところ。よくある『騙しのテクニック』を知っておきましょう。

1. 母数を隠す

「この治療法で 80% が改善!」と言われたら、まず聞くべきは『何人中の 80%?』。10 人中 8 人と 1 万人中 8 千人では信頼度がまったく違う。母数(分母)が小さいと偶然も多い。

2. 都合のよい比較対象を選ぶ

「売上 50% 増!」 ─ 比較対象が 特に売れなかった月 だと、簡単に 50% 増になる。比較対象を意図的に選ぶことで印象操作できる。何と比べているか を確認するのがポイント。

3. 増減のベースが違う

売上が 50% 減 → その後 50% 増 → 元に戻った? 答えは 戻らない。 100 → 50(50% 減)→ 50 × 1.5 = 75 → 元の 75% にしかなりません。マイナスとプラスは対称ではない。

4. シンプソンのパラドクス(発展)

部分ごとの傾向と全体の傾向が逆になる 現象。各学部別では女子の合格率が高いのに、大学全体で見ると男子の方が高い、というような奇妙なケースが起こり得る。これは『応募する学部の偏り』が原因で、3 級・2 級でも頻出します。

ニュース記事で頻繁に見かけるのが『A をした人は B になりやすい』というパターン。でも『だから A をすれば B になる』とは限りません。これが 相関と因果の違い。

正の相関・負の相関・相関なし

• 正の相関: A が増えると B も増える(身長と体重)
• 負の相関: A が増えると B が減る(運動時間と肥満度)
• 相関なし: A と B にバラつきだけある

相関があっても因果とは限らない

毎日触れる 天気予報 や 選挙速報。これらも統計の応用です。読み方を知ると、ニュースが何倍も面白くなります。

降水確率 30% の意味

多くの人が誤解する: 「30% の確率で雨が降る」≠「30% の時間だけ雨」≠「3 割の地域で雨」。 正しい意味: 同じ気象条件が 100 回あったとして、そのうち 30 回は 1 mm 以上の降雨があった という気象庁の統計的予測。

選挙速報の『当確』は何で決まるか

投票直後に『当選確実』と速報が出ますよね。これは 出口調査 という統計的推定の結果。投票所を出る人の 数千人 〜 数万人にアンケート して、実際の得票率を推定します。

• サンプリング: 全有権者ではなく、無作為に選んだ投票所 + 投票直後の人にだけ聞く
• 信頼区間: 各候補の予想得票率には誤差幅(±2% 程度)がある
• 当確判定: 誤差を考慮しても 2 位以下を確実に上回る とき発表

「この食品でガンになりやすい」「◯◯ の人は寿命が短い」── 健康・医療系のニュースは、特に統計の読み方が問われる領域です。

リスクの『相対』と『絶対』

サンプルの偏り(セレクションバイアス)

「100 歳まで生きた人の 90% は ○○ を食べていた!」という記事 ─ これだけでは因果は分からない。100 歳まで生きた人(=死亡者を除いた人) という偏ったサンプルから引いた結論なので、若くして亡くなった人がもっと食べていた可能性も否定できない。

p 値・統計的有意性(中級レベル)

学術研究の引用で見かける『p < 0.05 で有意』は、『偶然では起きにくい結果』を意味します。ただし、統計的に有意 = 実用上意味がある とは限りません。サンプルが超大きいとごく僅かな差でも『有意』になります。

情報源の確認

• 査読付き論文か?(Nature, Lancet など信頼性が高い)
• サンプルサイズは?(100 人未満なら過信は禁物)
• 利益相反は?(食品メーカーが資金提供した『その食品が体にいい』研究は要注意)
• メタアナリシス(複数研究の統合)はあるか?(単発の論文より信頼度高い)

次のステップへ

ここまで読んだあなたは、もう ニュースの統計に騙されない読者 です! さらに体系的に学びたい方は、4 級・3 級の教科書へどうぞ。

• [4 級 教科書](/textbook/grade-4) ─ 中央値・最頻値・範囲などを深掘り
• [3 級 教科書](/textbook/grade-3) ─ 正規分布・推定・仮説検定の入り口
• [因果推論ミニ教科書](/causal-inference) ─ 相関と因果を厳密に
• [ブログ: 相関と因果はどう違うか](/blog/causal-inference-introduction)

数字そのものは正直でも、グラフの 描き方 で印象は大きく変わります。広告・政治パンフレット・株価ニュースで頻出する、見破るべき 5 パターンを整理します。

縦軸の起点をいじる

棒グラフの縦軸を 0 から始めない と、わずかな差が大きく見える。例: 『1 位 65 点・2 位 64 点』を縦軸 60〜66 にすると、1 位が 2 位の 6 倍くらいに見える。棒グラフは原則として 0 起点で描くのが鉄則。折れ線グラフは差分や変化率を見るため、起点をずらしてもよい場合があります。

目盛りの不均等化

目盛りが等間隔でない、あるいは 対数スケール を黙って使われると、急激な伸びがなだらかに見えたり、その逆も起こります。コロナ感染者数の指数増加を線形目盛で示せば『大したことない』、対数目盛なら『指数的に増加』と印象が変わる ─ どちらも事実だが見方次第。

面積で誇張する

売上 2 倍を表すのに 円・正方形を縦横 2 倍 にすると、面積は 4 倍になり、視覚的には 4 倍の差に見える。インフォグラフィックでよくある手口。1 次元の量(売上)は 1 次元の図形(棒)で示すのが原則。

色の使い方で誤誘導

赤 vs 青(危険 vs 安全)、濃 vs 淡 など、色の社会的意味を使って数字以上の印象を作る。地図で『支持率 60% を真っ赤、40% を真っ青』のように両極端に塗ると『国が真っ二つ』のように見えるが、実際の差は 20pt に過ぎない。

切り取り(チェリーピッキング)

都合のよい期間・地域・属性だけを切り取って見せる。『過去 3 年で売上 2 倍』と謳っても、3 年前が極端な不況だっただけかもしれない。比較の起点・終点をずらすと結論が真逆になることも。常に『他の期間ではどうか』を確認するのが第一歩。

数字そのものを変えなくても、表現の仕方 で印象は劇的に変わります。同じ事実を別の言い方で示したらどう見えるか、対比で確認します。

相対変化 vs 絶対変化

リスクの表現:相対リスクと絶対リスク

『この食品で発がんリスクが 2 倍(相対リスク 2)』と聞くと怖い。しかし元々のリスクが 0.001% だったら、2 倍でも 0.002%(絶対リスク差 0.001pt)。相対リスクだけを示して怖がらせる のは健康・環境分野でよくある手口。Number Needed to Treat(NNT) や絶対リスク差を必ず確認しましょう。

平均だけを見ると騙される

『この町の年収は平均 800 万円』 ─ でも 99% は 400 万円で、1% が大富豪なら平均は跳ね上がります。外れ値に引っぱられる平均と、引っぱられない中央値 の使い分けが大事。所得・株価のように偏った分布では 中央値 が代表値として誠実です。

サバイバーシップバイアス

『成功した起業家を 100 人調査したら、彼らは皆熱心だった』 → だから熱心なら成功する? これは 失敗して消えた人 を調査していないだけ。第二次世界大戦中、戻ってきた爆撃機の被弾箇所を補強しようとした研究は、『戻ってきた』 = 被弾しても致命傷でなかった部分だと気づき、戻れなかった機の損傷部位(エンジン等)こそ補強対象だと結論しました。見えていないサンプルを忘れないのが鉄則。

ここまでの章でも触れてきた『相関 ≠ 因果』。本節では具体例とパラドックスを通じて、より深く感覚をつかみます。

相関は因果ではない ─ 第三因子

『アイス売上と水難事故が相関している』 → アイスを食べると溺れる? 違う。第三因子(交絡因子) は『気温』。暑いと両方が増える。相関を見たらまず『両方を引き起こす別の要因はないか』を疑うのが因果推論の出発点。

シンプソンのパラドックス

結びに ─ 統計リテラシーの 3 か条

1. グラフを見たら『縦軸ゼロ?』『目盛りは等間隔?』を確認
2. 数字を見たら『絶対値は? 比較対象は? 見えていない人は?』を問う
3. 相関を見たら『第三因子は? 層別したら逆転しない?』を考える

これら 3 か条は、統計検定の試験でも、日々のニュースを読むときも、ビジネスの意思決定でも有効です。本書を読み終えた今、騙されない目 を持って、4 級・3 級の世界に進みましょう。次の章数が増えるごとに、統計があなたの 強い味方 になっていくはずです。

• [4 級 教科書へ](/textbook/grade-4) ─ より体系的な統計の世界
• [統計用語集](/glossary) ─ 出会った用語をすぐ確認
• [因果推論ミニ教科書](/causal-inference) ─ 相関 vs 因果を深く

ニュースで聞く統計 はほとんど、国(総務省・厚労省・経産省など)が責任をもって作っている 公的統計 です。3 つの代表例 ─ 国勢調査・労働力調査・家計調査 ─ から見てみましょう。

国勢調査(こくせいちょうさ)

労働力調査(ろうどうりょくちょうさ)

毎月 行われる 抽出調査(全世帯ではなく約 4 万世帯を選ぶ)。失業率・就業者数 を毎月発表する根拠データ。総務省が実施。失業率は『仕事を探していたが見つからなかった人の割合』で、計算には『労働力人口』(働いている人 + 仕事探しの人)を分母とします。

家計調査(かけいちょうさ)

毎月の 約 8000 世帯 から家計簿を提出してもらう調査。何にいくら使ったか が品目別に分かり、消費者物価指数(CPI) や GDP の家計消費 の計算に使われます。総務省が実施。

経済ニュースで頻出の GDP と 物価指数。難しそうに聞こえますが、考え方はシンプルです。

GDP(国内総生産)

名目 GDP と実質 GDP

消費者物価指数(CPI)

Consumer Price Index は、家計が買う品目の 価格の平均的変化 を表す指数。基準年を 100 として、現在の物価水準が何 % になっているかを示します。インフレ率 = CPI の前年比。日銀の金融政策の判断材料の一つ。

前年同月比とインフレ率

• 前年同月比 = (今月の値 / 前年同月の値 − 1) × 100
• 季節要因(冬の暖房費など)を自動的に除去できる
• 失業率・物価・小売販売額など多くのニュースで使われる
• 前月比 だと季節差で乱高下するので、季節調整 + 前月比換算する

公的統計は 誰でも無料で使える のが大きな特徴。e-Stat(政府統計の総合窓口)で API も含め公開されています。

e-Stat ─ 政府統計のポータル

• URL: e-stat.go.jp(総務省統計局運営)
• 全省庁の主要統計 を集約
• Excel・CSV で表をダウンロード
• API 経由で機械可読 取得も可能(プログラミングと組合せると便利)
• 地図で可視化する jSTAT MAP も同サイト

国際比較なら OECD・IMF

他国との比較は OECD Data(data.oecd.org)・IMF Data Mapper(imf.org/external/datamapper/)・世界銀行 World Bank Open Data(data.worldbank.org)。日本の数値だけ見ても良し悪しが分からない場面で、これらの 国際統計 が威力を発揮。

健康診断結果に並ぶ 『基準値』。これは『健康な人の値の 95% が収まる範囲』として作られているのをご存じでしょうか? 統計の考え方が直接使われています。

基準値の作り方

ベイズ的な感度・特異度

ある検査が 感度 99%・特異度 99% で精度が高そうに見えても、対象疾患の 有病率が 1% なら、検査陽性者の中で実際に病気の人は約 50% しかいない(ベイズの定理)。これが 集団検診のジレンマ で、稀な病気の検診では『陽性 = 即病気』ではないことが多いのです。

数字に騙されないために

• 基準値は『健康な人の 95%』の範囲 ─ 5% は外れる
• 有病率が低い病気の検査陽性は再検査が標準
• 血液検査値の推移(前年比較)が単発値より重要
• 個人差が大きい指標(コレステロール等)は基準値の意味が限定的

『明日の 降水確率は 60%』 ─ これは何の確率でしょう? 雨が 降る面積の 60% ? 1 日のうち 60% の時間? どちらも違います。

降水確率の正しい解釈

予報の精度

アンサンブル予報

近年の天気予報は、初期条件をわずかに変えた 多数のシミュレーション(アンサンブル) を実行し、その分布から確率を出します。台風の進路予報の 予想円 がだんだん広がっていくのは、シミュレーション間のばらつきが時間とともに増えるから。アンサンブル法 はモンテカルロ的な手法で、ML や金融でも使われます。

テレビの選挙速報で『投票終了 8 時 0 分、当選確実!』 ─ 開票がまだ始まってもいないのに、なぜ当確が出せるのでしょう。背景には 出口調査 という統計手法があります。

出口調査(でぐちちょうさ)

なぜ 8 時 0 分に当確が出せるか

出口調査の限界

• 期日前投票が増えると精度低下(投票所で出会えない)
• 回答拒否者 に偏りがあると非標本誤差が混入
• 接戦 では当確判定不可、開票結果待ちに
• 2016 年米大統領選・2017 年英総選挙など、大事件で予想を外す例も

ここまで 9 章で扱った内容を 5 つのキーワード にまとめると、統計の基礎の地図が見えてきます。

5 つのキーワード

1. 整理する ─ 平均・中央値・標準偏差で データを要約 する
2. 可視化する ─ ヒストグラム・棒グラフ・散布図で 目で見て理解 する
3. 確率で考える ─ サイコロ・コインから 不確実性を数値化 する
4. 読み解く ─ ニュースの統計を『誰が、どう測ったか』で考える
5. 騙されない ─ グラフのトリック・相関と因果の区別を見抜く

入門編の次は、目的に応じて選ぶのがおすすめです。すべてを学ぼうとせず、今の興味に合った道 から進みましょう。

ルート A: 統計検定で力試し

• 4 級(中高生・大人の入門) → 数式に慣れる、確率分布の入口
• 3 級 → 推定と検定の基礎
• 2 級 → 大学レベルの推定・検定・回帰分析
• 準 1 級 → 多変量解析・ベイズ・時系列など応用
• 1 級 → 数理統計学の理論

ルート B: データ分析の実務

• Excel → DS 基礎(統計検定 データサイエンス基礎)
• Python / R → DS 検定リテラシー、Kaggle で腕試し
• SQL → データベースから自分でデータを引く
• 機械学習 → scikit-learn・XGBoost で予測モデル
• 深層学習 → PyTorch で画像・自然言語処理

ルート C: AI 系検定

• G 検定(JDLA) → AI / ディープラーニングを事業に活かす知識
• E 資格(JDLA) → AI エンジニアの認定資格
• DS 検定リテラシー(DS 協会) → データサイエンスの基礎

ルート D: 専門領域

• 統計調査士・専門統計調査士 → 公的統計・調査設計
• QC 検定 → 製造業の品質管理
• 因果推論 → 政策評価・経営判断
• 時系列分析 → 金融・需要予測

統計の学習は 長期戦。続けるためのコツを 5 つ。

1. 完璧を求めない ─ 6 割理解で次へ進み、後で戻る
2. 手を動かす ─ Excel・Python・R で実際に計算する
3. 身近なデータで遊ぶ ─ 家計簿・体重・通勤時間など、自分のデータを分析
4. 定期的に復習 ─ 忘却曲線に沿って、間隔反復で長期記憶へ
5. 仲間を作る ─ X(旧 Twitter)・Qiita・Kaggle で他の学習者とつながる

本サイトの活用法

• [ロードマップ](/roadmap) ─ AI エンジニアまでの全体像
• [級診断](/diagnose) ─ どの級から始めるか 3 問でわかる
• [統計用語集](/glossary) ─ わからない言葉をすぐ確認(検索可)
• [統計図解集](/figures) ─ 概念を SVG で見直す
• [統計計算ツール](/tools) ─ ブラウザで信頼区間・p 値計算
• [演習問題](/quiz) ─ 級別の練習問題で力試し
• [ブックマーク機能](/bookmarks) ─ 大事な問題・公式・記事を保存