数学B「統計的な推測」ズバッと対話講義
2027年度入試 藤田医科大学で出題範囲に!

私立医学部でも出る
「統計的な推測」を
ズバッと攻略。

記号だらけに見えるこの単元、実は使う道具は2つだけです。ニックニ先生とYuiちゃんの対話で、公式を「意味」から一本の流れでつなげます。

⏱ 読了目安 25分✏️ 確認問題 9問+予想演習 4問🧪 体験シミュレーター 2つ
ニックニ先生とYuiちゃんの数学質問タイム
ニックニ先生
ニックニ先生 数学コーチ
丸暗記が大嫌い。「なぜそうなるのか」をていねいな言葉で、でもズバッと言い切る先生。
Yuiちゃん
Yuiちゃん 医学部志望
記号が増えると焦るけど、意味がわかると一気に吸収する頑張り屋。
Prologue — なぜ今、この単元なのか

今年度から、私立医学部でも「統計」が入試に出てきます

Yui
Yui先生、正直に言うと……「統計的な推測」って共通テストの選択問題だけだと思って、後回しにしてました。私立医学部の二次では出ないですよね?
ニックニ先生
ニックニ先生その考えは、今年度から通用しなくなりました。たとえば藤田医科大学の一般選抜では、2027年度入試(2027年2月実施)の数学Bの出題範囲が「統計的な推測・数列」と案内されています。数年前までは数学Bは「数列」だけでしたから、はっきりと範囲が広がったわけです。
Yui
Yuiえっ、藤田って志望校の候補に入ってます……!他の大学も出すんですか?
ニックニ先生
ニックニ先生藤田医科大学をはじめ、私立医学部でも出題範囲に入れる大学が出てきています。しかも先日(11月)実施された藤田医科大学の推薦入試でも、さっそく仮説検定の大問が出題されました。「誰も対策していない単元」は、対策した人にとって一番おいしい得点源です。今のうちに、わかりやすく理解しておきましょう。大丈夫、この単元は見た目ほど難しくありません。
藤田医科大学 一般選抜 / 2025年度
数学B = 数列
➔
藤田医科大学 一般選抜 / 2027年度入試(今年度)
数学B = 数列 + 統計的な推測

※大学公表の「出題の意図」(2025年度)および2027年度入試要項にもとづきます。出題範囲は変更される可能性があるため、志望校の最新募集要項を必ずご確認ください。

🎯

ライバルが手薄

数列や微積分に比べ、一般選抜対策をしている受験生がまだ少ない単元。基本問題を確実に取るだけで大きな差がつきます。

🩺

医学そのものの言葉

新薬が「本当に効いた」と言えるかを判断するのが仮説検定。医学部が統計を問うのは極めて自然な流れです。

⚡

型が決まっている

出題パターンが比較的限られ、短期間で仕上げやすい。この記事1本で入試の土台がすべて整います。

The Big Idea — 全体構造

先に結論:この単元は「2つの道具」の使い回しです

ニックニ先生
ニックニ先生教科書には公式がたくさん並んでいますが、ズバリ言います。覚えるべき道具は次の2つだけです。二項分布の公式も、標準化も、標本平均の分散も、信頼区間も、すべてこの2つから数行で出てきます。各STEPで「どちらの道具を使ったか」を意識して読んでください。
🔧 道具A | 1次変換(STEP 2)
\(E(aX+b)=aE(X)+b\)
\(V(aX+b)=a^2V(X)\)

「全員を同じだけずらす(\(+b\))」「全員を同じ倍率で伸ばす(\(a\)倍)」とどうなるか。

🔗 道具B | 独立な和(STEP 3)
\(E(X+Y)=E(X)+E(Y)\)
\(V(X+Y)=V(X)+V(Y)\)(独立)

「独立なものを足す」と平均もバラつき(分散)も単純な足し算になる。

📐 2つの道具が全9ステップをどう導くか(全体俯瞰マップ)
道具ASTEP 5 標準化 \(Z\):平均 \(-m\) ずらし \(\frac{1}{\sigma}\) 倍するだけ!
道具BSTEP 4 二項分布:1回分の確率変数を \(n\) 個足すだけ!
道具ASTEP 8・9 推定・検定:\(|Z|\le 1.96\) を逆算するだけ!
道具A+BSTEP 7 標本平均 \(\bar X\):\(n\) 個足して \(\frac{1}{n}\) 倍するだけ!

🗺 講義ロードマップ(クリックで移動)

01

第1部 確率分布 ─ ルールがわかっている世界で「道具」を作る

STEP 1〜5 | ゴール:正規分布と標準化 \(Z\) を使いこなす
Yui
STEP 1

確率変数と確率分布:「値と確率の対応表」を作る

ズバッと
確率分布とは「出る値」と「その確率」をペアにした表。確率を全部足すと必ず \(1\) になる。
Yui
Yuiまず「確率変数」ってなんですか?ふつうの変数 \(x\) と何が違うんでしょう?
ニックニ先生
ニックニ先生サイコロを1回投げると、出る目は 1〜6 のどれかですよね。やってみるまでどの値が出るかは決まらないけれど、それぞれの値が出る確率は決まっている。そういう変数 \(X\) を確率変数と呼びます。そして、\(X\) のとりうる値と確率を上下に並べた対応表が確率分布です。
\(X\)\(x_1\)\(x_2\)\(\cdots\)\(x_n\)計
\(P\)\(p_1\)\(p_2\)\(\cdots\)\(p_n\)\(1\)
Q1\(X\) が \(1,2,3\) の値をとり、\(P(X=1)=0.2\)、\(P(X=2)=0.5\) のとき、\(P(X=3)\) は?
答え:\(P(X=3)=0.3\)
確率の合計は必ず \(1\) なので、\(1-(0.2+0.5)=0.3\) です。
STEP 2

期待値と分散:「平均」と「バラつき」+道具A

ズバッと
分散は「2乗の平均 − 平均の2乗」。全員を \(+b\) ずらしてもバラつきは変わらず、\(a\) 倍すると分散は \(a^2\) 倍になる。
Yui
Yui期待値 \(E(X)\) と分散 \(V(X)\) ……。数学Ⅰの「データの分析」で、分散の計算がすごく大変だった記憶があります。
ニックニ先生
ニックニ先生安心してください。期待値 \(E(X)\) は「平均」とまったく同じ意味で、表の上下(値 × 確率)を掛けて全部足すだけです。
また、分散 \(V(X)\) は「平均からどれくらい離れているか(ズレの2乗の平均)」を表す指標ですが、入試で計算するときは「2乗の平均 \(E(X^2)\) − 平均の2乗 \(\{E(X)\}^2\)」を使うと圧倒的に速く求まりますよ。
基本の3公式(平均・分散・標準偏差)
\[E(X)=\sum_{k=1}^{n}x_kp_k,\qquad V(X)=E(X^2)-\{E(X)\}^2,\qquad \sigma(X)=\sqrt{V(X)}\]
★ 道具A:1次変換 \(Y=aX+b\)(この単元の主役です)
\[E(aX+b)=aE(X)+b,\qquad V(aX+b)=a^2V(X),\qquad \sigma(aX+b)=|a|\,\sigma(X)\]
Yui
Yuiあっ、分散 \(V(aX+b)=a^2V(X)\) のほうでは \(+b\) が消えて、前の \(a\) が2乗(\(a^2\))になってます!どうしてですか?
ニックニ先生
ニックニ先生いいところに気づきましたね!「クラス全員のテストの点数を \(a\) 倍して \(+b\) 点底上げした(\(Y=aX+b\))」と想像してみてください。なぜ \(+b\) が消えて \(a^2\) になるのか、式とイメージの両方で見てみましょう!
なぜ \(V(aX+b)=a^2V(X)\) になるのか?(納得の3ステップ)
理由①(\(+b\) が消えるワケ)全員に同じ \(+b\) 点を足すと、各人の点数も \(+b\) 上がり、クラスの平均点も \(+b\) 上がります。そのため「個人と平均の差(ズレ)」を計算すると、\((aX+b) - \{aE(X)+b\} = a\{X - E(X)\}\) となり、引き算で \(+b\) が完全に消えてしまいます(全員が同じだけ平行移動しても、散らばり幅は1ミリも変わらない!)。
理由②(\(a^2\) 倍になるワケ)分散は「平均からのズレを2乗した平均」です。ズレが \(a\) 倍(\(a\{X-E(X)\}\))になったものを2乗するから、\(\{a(X-E(X))\}^2 = a^2\{X-E(X)\}^2\) となり、倍率 \(a\) が \(a^2\) 倍になって前に出てくるのです!
理由③(標準偏差は \(|a|\) 倍)標準偏差 \(\sigma(Y)\) は分散 \(V(Y)\) にルート(\(\sqrt{\phantom{x}}\))をつけたものなので、\(\sqrt{a^2 V(X)} = |a|\sigma(X)\) と元の1乗の単位に戻ります。
Q2\(E(X)=10\)、\(V(X)=4\) のとき、\(Y=3X-5\) の \(E(Y)\) と \(V(Y)\) は?
答え:\(E(Y)=25\)、\(V(Y)=36\)
\(E(3X-5)=3\cdot10-5=25\)、\(V(3X-5)=3^2\cdot4=36\)。\(-5\) は平行移動なので分散に影響しません。
STEP 3

確率変数の和と積:2つを足すとどうなる?=道具B

ズバッと
平均の足し算はいつでもOK。分散の足し算 \(V(X+Y)=V(X)+V(Y)\) と積の期待値は「独立」のときだけ成立!
Yui
Yui「赤サイコロの目 \(X\)」と「青サイコロの目 \(Y\)」みたいに、確率変数が2つになったらどうなるんですか?
ニックニ先生
ニックニ先生赤サイコロに何が出ようと、青サイコロの目には全く影響しませんよね。このようにお互いの結果が影響し合わない関係を「独立」といいます。独立な \(X,Y\) を足したとき、平均だけでなく「分散(バラつき)もそのまま足し算できる」というのが【道具B】の最大の威力です!
いつでも成立
\(E(X+Y)=E(X)+E(Y)\)

和の期待値は無条件で分解できます。

独立のとき
\(E(XY)=E(X)E(Y)\)

積の期待値は独立なら掛け算に分解。

独立のとき
\(V(X+Y)=V(X)+V(Y)\)

独立なら分散も単純な足し算に!

⚠️ 入試の定番ひっかけ:引き算 \(V(X-Y)\) の分散は?

\(V(X-Y)\) をうっかり \(V(X)-V(Y)\) と引き算してはいけません!
\(X-Y = X + (-1)Y\) と見れば、道具Aより \(V(-Y)=(-1)^2V(Y)=V(Y)\) です。よって独立なら \(V(X-Y)=V(X)+V(Y)\) となります(ブレるもの同士を引き算しても、ブレ幅は合算されて増えます)。

Q3独立な \(X,Y\) で \(V(X)=3\)、\(V(Y)=5\) のとき、\(V(2X+Y)\) は?
答え:\(17\)
道具Aと道具Bの合わせ技で、\(V(2X+Y)=2^2V(X)+V(Y)=4\times 3+5=17\) です。
STEP 4

二項分布 \(B(n,p)\):公式は「暗記」ではなく「道具B」で出る

ズバッと
「1回あたり確率 \(p\) の試行を \(n\) 回」と読めたら即 \(B(n,p)\)。平均は \(np\)、分散は \(np(1-p)\)!
Yui
Yuiここから「○○分布」という名前が出てきますね。二項分布ってどんなときに使うんですか?
ニックニ先生
ニックニ先生数学Aで学んだ「反復試行の確率」そのものです。1回あたり確率 \(p\) で当たるくじを \(n\) 回引くとき、当たる合計回数 \(X\) が従う分布を二項分布 \(B(n,p)\) と書きます。二項分布だと見抜いた瞬間、いちいち大きな表を作らなくても、次の公式で一発で平均と分散が出せます!
二項分布 \(B(n,p)\) の公式(外れる確率 \(q=1-p\))
\[P(X=k)={}_n\mathrm{C}_k\,p^k q^{n-k},\qquad E(X)=np,\qquad V(X)=npq,\qquad \sigma(X)=\sqrt{npq}\]
なぜ平均が \(np\)、分散が \(npq\) になるのか?(「1回分 × \(n\)」で完全理解!)
Step 1:まず「1回だけ引くとき(\(X_1\))」の表を作る 1回目のくじで「当たれば \(1\) 個、外れれば \(0\) 個」と数える確率変数 \(X_1\) を作ると、確率分布はたった2マスの表になります(\(X_1=0\) または \(1\) なので、2乗しても \(X_1^2 = X_1\) です):
・1回分の期待値: \(E(X_1) = 1\times p + 0\times q = p\)
・1回分の2乗の平均: \(E(X_1^2) = 1^2\times p + 0^2\times q = p\)
・1回分の分散: \(V(X_1) = E(X_1^2) - \{E(X_1)\}^2 = p - p^2 = p(1-p) = pq\)
Step 2:【道具B】で独立な \(n\) 回分を足し合わせる! \(n\) 回引いたときの合計当たり回数 \(X\) は、1回目〜\(n\) 回目の結果の足し算 \(X = X_1 + X_2 + \cdots + X_n\) です。各回は独立なので【道具B】より、1回分の平均 \(p\) と分散 \(pq\) をそのまま \(n\) 個足す(=\(n\) 倍する)だけ!
\[E(X) = \underbrace{p + p + \cdots + p}_{n\text{個}} = np,\qquad V(X) = \underbrace{pq + pq + \cdots + pq}_{n\text{個}} = npq\]
Q4サイコロを72回投げるとき、1の目が出る回数 \(X\) の期待値と標準偏差は?
答え:\(E(X)=12\)、\(\sigma(X)=\sqrt{10}\)
\(X\) は二項分布 \(B\!\left(72,\tfrac16\right)\) に従うので、\(E(X)=72\cdot\tfrac16=12\)、\(V(X)=72\cdot\tfrac16\cdot\tfrac56=10\) より \(\sigma(X)=\sqrt{10}\)。
STEP 5 | 第1部のボス

正規分布 \(N(m,\sigma^2)\) と標準化 \(Z\):どんな山も同じモノサシに

ズバッと
標準化 \(Z=\dfrac{X-m}{\sigma}\) は、道具Aで「中心を \(0\)、目盛り幅を \(1\)」に揃えて正規分布表を引けるようにする変換!
Yui
Yuiいよいよ正規分布です! \(Z=\dfrac{X-m}{\sigma}\) の意味が一番知りたいです。
ニックニ先生
ニックニ先生「\(X\) が正規分布 \(N(m,\sigma^2)\) に従う」とは、平均 \(m\) を山のてっぺんとする左右対称の釣り鐘型で、「曲線の下の面積」がそのまま「確率」になるということです。
ただ、平均170cmの身長の山、平均60点の模試の山……と、問題ごとに山の中心 \(m\) も横幅 \(\sigma\) もバラバラなので、そのままでは面積(確率)を計算できませんよね。
Yui
Yuiたしかに……。山ごとに面積の表を作るわけにもいかないですし、そこでどうするんですか?
ニックニ先生
ニックニ先生そこで【道具A】の出番です!どんな正規分布 \(X\) も、「自分の平均 \(m\) を引いて、自分の標準偏差 \(\sigma\) で割る」という変換(標準化)をすると、すべて平均 \(0\)・標準偏差 \(1\) の「標準正規分布 \(N(0,1)\)」というたった1つの共通の山に変身します。
つまり \(Z=\dfrac{X-m}{\sigma}\) とは、「平均 \(m\) から、標準偏差 \(\sigma\) 何個分ズレているか?」を測る共通モノサシなんです!
標準化の公式(どんな正規分布も \(N(0,1)\) に変換)
\[Z=\frac{X-m}{\sigma}\quad\Longrightarrow\quad Z\ \text{は標準正規分布}\ N(0,1)\ \text{に従う}\]
道具Aで \(Z=\frac{X-m}{\sigma}\) が本当に「平均 \(0\)・分散 \(1\)」になるか確かめよう
1次変換の形に分解 \(Z=\dfrac{X-m}{\sigma} = \dfrac{1}{\sigma}X - \dfrac{m}{\sigma}\) は、倍率 \(a=\dfrac{1}{\sigma}\)、平行移動 \(b=-\dfrac{m}{\sigma}\) の1次変換です。
平均 \(E(Z)\) 道具Aより、\(E(Z) = \dfrac{1}{\sigma}E(X) - \dfrac{m}{\sigma} = \dfrac{1}{\sigma}\cdot m - \dfrac{m}{\sigma} = 0\)(分子の \(X-m\) で山の中心を \(0\) に平行移動!)。
分散 \(V(Z)\) 道具Aより、\(V(Z) = \left(\dfrac{1}{\sigma}\right)^2 V(X) = \dfrac{1}{\sigma^2}\cdot \sigma^2 = 1\)(分母の \(\div\sigma\) で山の横幅を \(1\) に規格化!)。
超頻出の暗記値 ①
\(P(-1.96\le Z\le1.96)\approx0.95\)

\(0\) から \(1.96\) までの片側面積が \(0.4750\)。左右合わせて \(0.4750\times 2 = 0.95\)(95%)!

超頻出の暗記値 ②
\(P(-2.58\le Z\le2.58)\approx0.99\)

\(0\) から \(2.58\) までの片側面積が \(0.4951\)。左右合わせて約 \(0.99\)(99%)!

💡 二項分布の正規近似(\(n\) が大きいとき)

コインを400回投げるような二項分布 \(B(n,p)\) は、\(n\) が十分大きいとき、同じ平均 \(m=np\)・分散 \(\sigma^2=np(1-p)\) を持つ正規分布 \(N(np,\ np(1-p))\) とみなして標準化 \(Z=\dfrac{X-np}{\sqrt{np(1-p)}}\) で確率を計算できます。

Q5\(X\) が \(N(60,10^2)\) に従うとき、\(P(X\ge80)\) は?(正規分布表で \(0\le Z\le 2.0\) の面積 \(p(2.0)=0.4772\))
答え:\(0.0228\)(約2.28%)
標準化すると \(Z=\dfrac{80-60}{10}=2.0\)。正規分布は全体の面積が \(1\) で左右対称なので、中心 \(0\) より右側の面積は全部で \(0.5\) です。そこから「\(0\) から \(2.0\) までの面積 \(0.4772\)」を引けば、右端の残り面積 \(P(Z\ge2.0)=0.5-0.4772=0.0228\) が求まります。
02

第2部 統計的な推測 ─ 一部のサンプルから「見えない全体」を推し量る

STEP 6〜9 + 体験ツール | ゴール:信頼区間と仮説検定を言葉で説明できる
Yui
STEP 6

母集団と標本:全部は調べられないから「縮図」を取り出す

ズバッと
知りたい全体が「母集団(平均 \(m\)・標準偏差 \(\sigma\))」、実際に取り出して調べた一部が「標本(大きさ \(n\))」。
Yui
Yui視聴率調査とか選挙の出口調査みたいに、一部だけ調べて全体を当てるお話ですか?
ニックニ先生
ニックニ先生そのとおりです。お味噌汁の味見をするとき、鍋全部を飲み干さなくても、よくかき混ぜて「お玉1杯」すくえば全体の濃さがわかりますよね。統計では、鍋全体にあたる母集団(知りたい全体)から、偏りなくお玉1杯分の標本(サンプル \(n\) 個)を取り出すことを無作為抽出といいます。
🏠 母集団

調べたい対象全体の集合。その真の平均を母平均 \(m\)、標準偏差を母標準偏差 \(\sigma\) と呼びます。

🔍 標本

母集団から実際に抜き出して調べた一部。抜き出したデータの個数 \(n\) を標本の大きさといいます。

🎲 復元・非復元抽出

1個ずつ戻して引くのが復元抽出。戻さなくても母集団が十分大きければ復元抽出とみなして計算できます。

Q6全国100万人の受験生から無作為に400人を選んで平均点を調べた。標本の大きさ \(n\) は?
答え:\(n=400\)
100万人は「母集団の大きさ」。実際に取り出して調べた400人が標本の大きさ \(n\) です。
STEP 7

標本平均 \(\bar X\) の分布:なぜ人数を増やすと分散が \(\frac{\sigma^2}{n}\) に縮むのか?

ズバッと
\(n\) 人の平均 \(\bar X\) は、高すぎる人と低すぎる人が相殺し合うため、中心は母平均 \(m\) のまま、分散が \(\dfrac{\sigma^2}{n}\)(標準偏差は \(\dfrac{\sigma}{\sqrt n}\))にキュッと縮む!
Yui
Yui先生、たとえば全国の受験生(母平均 \(m=60\) 点、母標準偏差 \(\sigma=12\) 点)から「\(n=36\) 人」だけ選んで平均点(標本平均 \(\bar X\))を計算するとしますよね。
たまたま数学が得意な人が多く入れば \(\bar X=65\) 点になるし、苦手な人が多ければ \(\bar X=55\) 点になるし……選ぶメンバーによって \(\bar X\) の値が変わって、本当の母平均 \(m=60\) 点からズレちゃいませんか?
ニックニ先生
ニックニ先生Yuiちゃん、そこが統計学で一番大事な急所です!
そのとおり、「1回だけ36人を選んで出した平均点 \(\bar X\)」は、選ぶメンバー次第で \(62\) 点になったり \(58\) 点になったりする「確率変数」です。
でもね、もし「36人選んで平均 \(\bar X\) を出す」という調査を何百グループもくり返して、その \(\bar X\) たちの分布を作ったらどうなると思いますか?
Yui
Yuiあっ!少し高めのグループ(\(62\) 点)と低めのグループ(\(58\) 点)が同じくらいの確率で出るから、「\(\bar X\) たち全体の真ん中(期待値 \(E(\bar X)\))」は、結局もとの母平均 \(m=60\) 点にピタッと一致するってことですか!?
ニックニ先生
ニックニ先生大正解です!だから \(E(\bar X) = m\)(中心は絶対にズレない)となります。
では、「1人だけ選んだとき(\(n=1\))」と「36人の平均 \(\bar X\) をとったとき(\(n=36\))」で、何が劇的に変わるのか?
1人だけ選ぶと、たまたま90点の天才や30点の人が当たるから、値が激しく暴れます(バラつき \(\sigma=12\))。でも36人集めて平均をとると、グループの中で「点が高い人」と「低い人」が打ち消し合う(相殺される)ので、36人全員が90点なんてことはまず起きませんよね。
Yui
Yuiなるほど!人数 \(n\) を増やして平均をとるほど、上ブレと下ブレが相殺されて、真の母平均 \(m\) の近くにギュッと集まる(バラつきが小さくなる)んですね!でも、どうして分散がちょうど \(\dfrac{\sigma^2}{n}\) になるんですか?
ニックニ先生
ニックニ先生それが【道具B(足し算)】と【道具A(1次変換)】の2つだけで、驚くほどきれいに導けるんです!下の4ステップを順番に見てみましょう。
標本平均の期待値(中心)
\(E(\bar X)=m\)

中心は母平均 \(m\) と完全一致

標本平均の分散
\(V(\bar X)=\dfrac{\sigma^2}{n}\)

分散はもとの \(\dfrac{1}{n}\) 倍に縮む!

標本平均の標準偏差(ブレ幅)
\(\sigma(\bar X)=\dfrac{\sigma}{\sqrt n}\)

ルートをとるので \(\dfrac{1}{\sqrt n}\) 倍に縮む!

完全図解:なぜ \(V(\bar X)=\dfrac{\sigma^2}{n}\)、\(\sigma(\bar X)=\dfrac{\sigma}{\sqrt n}\) になるのか?(絶対に迷わない4ステップ導出)
Step 1:選ばれた \(n\) 人を \(X_1, X_2, \dots, X_n\) とおく 母集団(平均 \(m\)、分散 \(\sigma^2\))から無作為に選んだ1人目の点数を \(X_1\)、2人目を \(X_2\)、…、\(n\) 人目を \(X_n\) とします。誰でも同じ母集団から選ばれるので、1人ひとりがすべて平均 \(m\)、分散 \(\sigma^2\) を持っています:
\[E(X_1)=E(X_2)=\cdots=E(X_n)=m,\qquad V(X_1)=V(X_2)=\cdots=V(X_n)=\sigma^2\]
Step 2:まず「\(n\) 人の合計点 \(X_1+\cdots+X_n\)」の分散を【道具B】で求める 無作為抽出では各人の点数は独立なので、【道具B:独立な和の分散は足し算】が使えます。分散 \(\sigma^2\) を \(n\) 人分足し合わせると:
\[V(X_1 + X_2 + \cdots + X_n) = V(X_1) + V(X_2) + \cdots + V(X_n) = \underbrace{\sigma^2 + \sigma^2 + \cdots + \sigma^2}_{n\text{個}} = n\sigma^2\] (※合計点のバラつきは、\(n\) 人分合算されて一旦 \(n\) 倍の \(n\sigma^2\) になります)
Step 3:合計点を \(n\) で割って「平均 \(\bar X\)」にする(ここで【道具A】!) 標本平均 \(\bar X\) は、合計点を \(\dfrac{1}{n}\) 倍した式 \(\bar X = \dfrac{1}{n}(X_1 + X_2 + \cdots + X_n)\) です。
ここでSTEP 2の【道具A:確率変数を \(a\) 倍すると、分散は \(a^2\) 倍になる(\(V(aY)=a^2V(Y)\))】を使います!
合計点を \(\dfrac{1}{n}\) 倍すると、分散は \(\dfrac{1}{n}\) 倍ではなく、2乗の \(\left(\dfrac{1}{n}\right)^2 = \dfrac{1}{n^2}\) 倍になります!
Step 4:\(\dfrac{1}{n^2}\) と \(n\sigma^2\) が約分されて \(\dfrac{\sigma^2}{n}\) が完成! \[V(\bar X) = \left(\frac{1}{n}\right)^2 V(X_1 + \cdots + X_n) = \frac{1}{n^2} \times (n\sigma^2) = \frac{\sigma^2}{n}\] そして、標本平均の標準偏差 \(\sigma(\bar X)\) は分散 \(V(\bar X)\) に正の平方根(\(\sqrt{\phantom{x}}\))をつけたものだから:
\[\sigma(\bar X) = \sqrt{V(\bar X)} = \sqrt{\frac{\sigma^2}{n}} = \frac{\sqrt{\sigma^2}}{\sqrt{n}} = \frac{\sigma}{\sqrt{n}}\] これが「\(n\) 人の平均をとると、標準偏差(ブレ幅)が \(\dfrac{1}{\sqrt{n}}\) に縮む」という公式の正体です!
Yui
Yuiうわぁ〜!めちゃくちゃスッキリしました!!
① \(n\) 人足すから【道具B】で分散が一旦 \(n\) 倍(\(n\sigma^2\))になるけれど、
② 平均を出すために \(\dfrac{1}{n}\) で割るから【道具A】で分散が2乗の \(\dfrac{1}{n^2}\) 倍になる。
だから \(n \times \dfrac{1}{n^2} = \dfrac{1}{n}\) で約分されて、分散が \(\dfrac{\sigma^2}{n}\)、ルートをとった標準偏差が \(\dfrac{\sigma}{\sqrt{n}}\) になるんですね!
ニックニ先生
ニックニ先生その理解があればもう一生忘れません!さらに、元の母集団がどんな形をしていても、標本の大きさ \(n\) が十分大きければ、標本平均 \(\bar X\) の分布は近似的に正規分布 \(N\!\left(m,\dfrac{\sigma^2}{n}\right)\) に従うという性質(中心極限定理)があります。だからこそ、次のSTEP 8で「\(\bar X\) を標準化して正規分布表を使う」ことができるのです!
Q7母平均 \(m=60\)、母標準偏差 \(\sigma=12\) の母集団から大きさ \(n=36\) の標本をとる。標本平均 \(\bar X\) の期待値 \(E(\bar X)\) と標準偏差 \(\sigma(\bar X)\) は?
答え:\(E(\bar X)=60\)、\(\sigma(\bar X)=2\)
中心は母平均と変わらず \(E(\bar X)=60\)。標準偏差は \(\sigma(\bar X)=\dfrac{\sigma}{\sqrt{n}}=\dfrac{12}{\sqrt{36}}=\dfrac{12}{6}=2\)。1人だけ選ぶと標準偏差12もバラつくのに、36人の平均ならバラつきは「2」まで劇的に小さくなります!
STEP 8 | 単元のゴール

推定:\(-1.96\le Z\le1.96\) を変形するだけで信頼区間

ズバッと
信頼区間は丸暗記しない。標本平均 \(\bar X\) を標準化した \(Z=\dfrac{\bar X-m}{\sigma/\sqrt n}\) を \(-1.96\le Z\le1.96\) に入れ、\(m\) について解くだけ!
Yui
Yui「信頼度95%の信頼区間」の公式、記号が多すぎて丸暗記できる気がしません……。
ニックニ先生
ニックニ先生丸暗記は一切不要です!STEP 7で「標本平均 \(\bar X\) は、平均 \(m\)、標準偏差 \(\dfrac{\sigma}{\sqrt n}\) の正規分布に従う」とわかりましたね。
では、STEP 5で学んだ「自分の平均を引いて、自分の標準偏差で割る」という標準化を \(\bar X\) に行うと、標準化変数 \(Z\) はどういう式になりますか?
Yui
Yui\(\bar X\) から平均 \(m\) を引いて、\(\bar X\) の標準偏差 \(\dfrac{\sigma}{\sqrt n}\) で割るから……
\(Z=\dfrac{\bar X-m}{\sigma/\sqrt n}\) です!
ニックニ先生
ニックニ先生完璧です!標準正規分布 \(N(0,1)\) で \(Z\) が \(-1.96\) から \(+1.96\) の間に入る確率が95%でしたよね。あとは \(-1.96 \le Z \le 1.96\) の真ん中に今の式を代入して、知りたい母平均 \(m\) を真ん中に残すように不等式を移項するだけです!
母平均 \(m\) の信頼度95%信頼区間(3行の不等式変形で導出!)
① 95%の範囲に \(Z\) をセット \[-1.96 \ \le\ \frac{\bar X - m}{\sigma / \sqrt{n}} \ \le\ 1.96\]
② 全辺に正の数 \(\frac{\sigma}{\sqrt n}\) を掛けて分母を払う \[-1.96\frac{\sigma}{\sqrt{n}} \ \le\ \bar X - m \ \le\ 1.96\frac{\sigma}{\sqrt{n}}\]
③ \(m\) について解く(\(\bar X\) を移項して \(-1\) を掛ける) \[\bar X - 1.96\frac{\sigma}{\sqrt{n}} \ \le\ m \ \le\ \bar X + 1.96\frac{\sigma}{\sqrt{n}}\] ※ つまり「手元の標本平均 \(\bar X\) ± \(1.96\times\)(\(\bar X\) の標準偏差 \(\frac{\sigma}{\sqrt n}\))」という極めてシンプルな形です!
信頼度99%にしたいときは?

95%より確実に母平均 \(m\) を捕まえたいので、網(区間の幅)を広げます。係数の \(1.96\) を \(2.58\) に変えるだけです。

母比率 \(p\) の95%信頼区間

標本比率(実際に賛成した割合)を \(R\) とすると、\(n\) が十分大きいとき:

\(R-1.96\sqrt{\tfrac{R(1-R)}{n}}\le p\le R+1.96\sqrt{\tfrac{R(1-R)}{n}}\)
⚠️ ここは誤解しやすい!「信頼度95%」の本当の意味

母平均 \(m\) は最初から決まっている定数です。「1回作った区の中に \(m\) が動いて95%の確率で飛び込んでくる」のではなく、「同じ方法で \(n\) 人を選んで信頼区間を作る調査を100回くり返したら、そのうち約95本の区間が真の母平均 \(m\) を捕まえている(約5本は外れる)」という意味です。下の「Lab 02:100回シミュレーター」で実際にボタンを押して体感してみてください!

✍️ 例題 テストの平均点の区間推定
ある模試の母標準偏差は \(\sigma=15\) 点。無作為に選んだ \(n=100\) 人の平均点が \(\bar X=62.0\) 点のとき、母平均 \(m\) の信頼度95%の信頼区間を求めよ。
まず標本平均 \(\bar X\) の標準偏差は \(\dfrac{\sigma}{\sqrt{n}}=\dfrac{15}{\sqrt{100}}=\dfrac{15}{10}=1.5\)。
誤差の幅は \(1.96\times 1.5=2.94\)。
よって \(62.0\pm2.94\) より、\(59.06\le m\le64.94\)。
Q8信頼区間の幅を「半分」にして推定の精度を上げたい。標本の大きさ \(n\) は何倍にすればよい?
答え:4倍
信頼区間の幅は \(2\times 1.96\dfrac{\sigma}{\sqrt n}\) なので、\(\dfrac{1}{\sqrt n}\) に比例します。分母の \(\sqrt n\) を2倍にするには、ルートの中の \(n\) を \(2^2=4\) 倍にする必要があります。「2倍」と答えてしまうのが入試定番のひっかけです!
STEP 9

仮説検定:その結果は「偶然」で片づけられる?

ズバッと
「差はない(帰無仮説)」と仮定して、今回の結果以上に極端なことが起きる確率を計算する。5%以下の珍しさなら帰無仮説を棄却!
Yui
Yui信頼区間は「全体の母平均 \(m\) を幅で推定する」話でした。最後の「仮説検定」は何をするんですか?
ニックニ先生
ニックニ先生たとえば新薬の臨床試験で「この新薬は本当に効果がある!」と主張(対立仮説)したいとき、わざと反対の「新薬には効果がない(従来と差がない)」というやられ役の仮説(帰無仮説)を立てます。
そして、「もし本当に効果がないとしたら、今回の実験データほど良い結果が『たまたま偶然に』出る確率は何%か?」を計算するのです。
Yui
Yuiわざと反対の仮説を立てて矛盾を示すんですね。数学Ⅰの「背理法」みたい!
ニックニ先生
ニックニ先生まさに「確率版の背理法」です!あらかじめ決めておいた基準の確率(有意水準:5%や1%)以下しか起きないような珍しい現象が目の前で起きたら、「そんな珍しいことが偶然起きるはずがない!元の帰無仮説が間違っていたんだ!」として帰無仮説を棄却(ボツに)し、対立仮説が正しいと判断します。
帰無仮説(やられ役)

示したい主張と反対の立場で立てる仮説。「コインに偏りはない(\(p=\frac{1}{2}\))」「新薬に効果はない」など。これが正しいと仮定して確率を計算します。

対立仮説(示したい主張)

本当に主張したい仮説。「コインは表が出やすい(\(p>\frac{1}{2}\):片側)」「表裏に偏りがある(\(p\ne\frac{1}{2}\):両側)」など。

有意水準5%での判定ルール(標準化 \(Z\) を使う場合)

・両側検定(「異なるか・偏りがあるか」を調べるとき):帰無仮説のもとで標準化した値が \(|Z|\ge1.96\)(左右両端2.5%ずつ=合計5%以下の領域)に入れば、帰無仮説を棄却する。
・片側検定(「より大きいか(または小さいか)」を調べるとき):上側5%の境目 \(Z\ge1.64\)(または \(Z\le-1.64\))に入れば、帰無仮説を棄却する。

※ 超重要:「棄却できない(5%より大きい)」ときは、「差があるとは判断できない(証拠不十分)」と答えます。「帰無仮説が正しいと証明された」と書いてしまうと大減点になるので注意!

🔥 2026年11月実施・藤田医大(ふじた未来入試)出題テーマ特講
「仮説検定の4用語定義と手順5文テンプレート」&片側・両側シミュレーターはこちら!
特講ページを見る →
Q9有意水準5%の検定で、帰無仮説のもとで今回の結果以上に極端な事象が起こる確率が \(0.03\)(3%)だった。帰無仮説をどう判断する?
答え:帰無仮説を棄却し、対立仮説を支持する
求めた確率 \(0.03\) が有意水準 \(0.05\)(5%)以下なので、「偶然とは考えにくい(統計的に有意である)」として帰無仮説を棄却します。
Lab 01 — Interactive Simulator

⚡ 信頼区間リアルタイム計算機

人数 \(n\) や信頼度を動かすと、\(\sigma(\bar X)=\dfrac{\sigma}{\sqrt n}\) によって区間の幅がどう縮むかが一目でわかります。

信頼度
下限168.04
誤差の幅±1.96
上限171.96
n を4倍にすると、誤差の幅はちょうど半分になります。試してみてください。
Lab 02 — Monte Carlo Simulation

🎯 信頼区間を100回つくってみるシミュレーター

真の母平均 \(m=170\)(本当は誰も知らない値)の母集団から、標本調査を100回くり返します。何本の区間が \(m\) を捕まえるでしょうか?

信頼度
—/100本が真の \(m=170\) を含みました\(m\) を含む区間外れた区間
ニックニ先生
ニックニ先生何度押しても、外れる赤い区間はだいたい5本前後になりますね。これが「95%」の正体です。1本1本の区間は当たりか外れかのどちらかで、「95%」は区間を作る方法の的中率(信頼度)なんです。また、スライダーで人数 \(n\) を増やすと、\(\dfrac{\sigma}{\sqrt n}\) が小さくなるので1本1本の緑のバーがギュッと短くなる(推定の精度が上がる)ことにも注目してください!
Original Practice — 藤田型 予想演習

本番を想定したオリジナル予想演習 4問

藤田医科大学の数学(一般選抜)は、大問1で各分野から小問集合を広く出題する形式です。統計的な推測も、まずは小問・中問で基本が問われると想定して準備しておきましょう。以下はTMPS医学館オリジナルの予想演習です。

予想演習 1 確率分布と1次変換基本
白玉3個、赤玉2個が入った袋から2個を同時に取り出す。取り出した赤玉の個数を \(X\) とするとき、\(E(X)\)、\(V(X)\) を求めよ。また \(Y=5X+2\) の期待値と分散を求めよ。
\(P(X=0)=\dfrac{{}_3\mathrm{C}_2}{{}_5\mathrm{C}_2}=\dfrac{3}{10}\)、\(P(X=1)=\dfrac{3\times 2}{10}=\dfrac{6}{10}\)、\(P(X=2)=\dfrac{1}{10}\)。
\(E(X)=0\cdot\dfrac{3}{10}+1\cdot\dfrac{6}{10}+2\cdot\dfrac{1}{10}=\dfrac{8}{10}=\dfrac45\)。
\(E(X^2)=0^2\cdot\dfrac{3}{10}+1^2\cdot\dfrac{6}{10}+2^2\cdot\dfrac{1}{10}=\dfrac{10}{10}=1\) より、\(V(X)=E(X^2)-\{E(X)\}^2=1-\left(\dfrac45\right)^2=\dfrac{9}{25}\)。
道具Aより \(E(Y)=5\cdot\dfrac45+2=6\)、\(V(Y)=5^2\cdot\dfrac{9}{25}=9\)。
予想演習 2 二項分布の正規近似基礎〜実戦
1枚のコインを400回投げるとき、表が220回以上出る確率を、正規分布で近似して求めよ(連続補正は行わない。正規分布表で \(p(2.0)=0.4772\))。
表の回数 \(X\) は二項分布 \(B\!\left(400,\tfrac12\right)\) に従うので、平均 \(E(X)=400\cdot\tfrac12=200\)、分散 \(V(X)=400\cdot\tfrac12\cdot\tfrac12=100\)、標準偏差 \(\sigma(X)=\sqrt{100}=10\)。
\(n=400\) は十分大きいので近似的に \(N(200,10^2)\) に従う。標準化すると \(Z=\dfrac{220-200}{10}=2.0\) より、\(P(X\ge220)\approx P(Z\ge2.0)=0.5-0.4772=0.0228\)。
予想演習 3 母比率の推定実戦
ある地域の高校生400人を無作為に選んで調査したところ、144人が「医療系の職業に関心がある」と答えた。この地域の高校生全体での割合 \(p\) に対する信頼度95%の信頼区間を、小数第3位まで求めよ。
標本比率は \(R=\dfrac{144}{400}=0.36\)。標準偏差の推定値は \(\sqrt{\dfrac{R(1-R)}{n}}=\sqrt{\dfrac{0.36\times0.64}{400}}=\dfrac{0.6\times 0.8}{20}=0.024\)。
誤差の幅は \(1.96\times0.024=0.04704\)。よって \(0.36\pm 0.04704\) より \(0.31296\le p\le0.40704\)、四捨五入して \(0.313\le p\le0.407\)。
予想演習 4 仮説検定実戦
演習2と同じく、コインを400回投げたところ表が220回出た。このコインは表と裏が等しい確率で出るといえるか。有意水準5%で両側検定せよ。
表が出る確率を \(p\) とする。「表と裏が等しい確率で出るとはいえない(偏りがある)」かを調べたいので、対立仮説を \(p\ne\tfrac12\)、帰無仮説を \(p=\tfrac12\) とする。
帰無仮説のもとで、表の回数 \(X\) は近似的に \(N(200,10^2)\) に従う。
\(X=220\) を標準化すると \(Z=\dfrac{220-200}{10}=2.0\)。両側5%の棄却域は \(|Z|\ge1.96\) であり、\(|Z|=2.0\ge1.96\) なので棄却域に入る。
よって帰無仮説は棄却され、「表と裏が等しい確率で出る」とはいえない(偏りがある)と判断する。
Cheat Sheet — 総まとめ

試験直前に見返す!公式一覧ボード

単元期待値(平均)分散(バラつき)ひとことで言うと
一般の確率変数\(\sum x_kp_k\)\(E(X^2)-\{E(X)\}^2\)2乗の平均 − 平均の2乗
道具A:\(aX+b\)\(aE(X)+b\)\(a^2V(X)\)\(+b\) は消え、\(a\) 倍は2乗で効く
道具B:\(X+Y\)\(E(X)+E(Y)\)\(V(X)+V(Y)\)(独立)独立なら分散も単純な足し算
二項分布 \(B(n,p)\)\(np\)\(np(1-p)\)1回分(平均 \(p\), 分散 \(pq\))× \(n\)
標準化 \(Z\)\(0\)\(1\)\(Z=\frac{X-m}{\sigma}\) で \(N(0,1)\) へ
標本平均 \(\bar X\)\(m\)\(\dfrac{\sigma^2}{n}\)(標準偏差 \(\dfrac{\sigma}{\sqrt n}\))\(n\) 個足して \(\frac1n\) 倍 \(\Rightarrow \frac{n}{n^2}=\frac1n\)
母平均の推定(95%)\(\bar X\pm1.96\dfrac{\sigma}{\sqrt n}\)99%信頼区間なら \(1.96\to 2.58\)
母比率の推定(95%)\(R\pm1.96\sqrt{\dfrac{R(1-R)}{n}}\)\(n\) が十分大きいとき
仮説検定(5%・両側)\(|Z|\ge1.96\) なら帰無仮説を棄却棄却できない ≠ 帰無仮説が正しい

📌 よく使う正規分布表の値 \(p(z)=P(0\le Z\le z)\)

\(z\)1.001.501.641.962.002.58
\(p(z)\)0.34130.43320.44950.47500.47720.4951
Checkpoint

今日のスタンプカード & セルフチェック

確認問題で「わかった!」を押すとスタンプがたまります。9個そろえば、この単元の土台は完成です。

🎉 コンプリート!「統計的な推測」の土台が完成しました。次は予想演習で本番形式に慣れましょう。
Next Step | TMPS医学館

「わかる」を、本番で「解ける」へ。

新しく出題範囲に入った単元は、対策した人から得点源にできます。TMPS医学館では、志望校の出題傾向に合わせて、考え方の整理から入試問題への応用まで一緒に仕上げます。

📱 公式LINE

私立医学部の入試情報や、解法プレゼントを配信しています。まずは気軽に登録を。

LINEで友だち追加

🎓 無料相談・体験授業

今の学習状況を聞いたうえで、志望校までの最短ルートを一緒に考えます。

無料体験を申し込む

📚 過去問解説ライブラリー

私立医学部の過去問を、超図解と秒殺プロトコルで解説。志望校の傾向をチェック。

ライブラリーを見る

※無理な勧誘はいたしません。まずは学習相談からどうぞ。

ニックニ先生
Closing Message

ニックニ先生から、最後にひとこと

Yuiちゃん、お疲れさまでした。最初は記号だらけに見えたこの単元も、道具Aと道具Bの2つで、確率分布から標本平均の分散 \(\dfrac{\sigma^2}{n}\)、そして信頼区間・仮説検定まで一本につながりましたね。統計は「わからない世界を、確率の言葉で誠実に語るための方法」です。だからこそ、医学部が受験生に問うのだと思います。問題文を読んだら、まず「何が分かっていて、何を知りたいのか」を言葉にしてから式を選んでください。それができれば、この単元は必ずあなたの得点源になります。

医学部合格!Yuiちゃん
Yui
Yui「なぜそうなるのか」が全部道具2つでつながったから、もう公式で迷いません!予想演習、もう1周して完璧にしてきます!