仮説検定計算機：z検定とt検定を手計算で行う方法
仮説検定計算機は、標本データが母集団に関する主張を棄却できるだけの十分な証拠を示しているかどうかを確認するツールで、帰無仮説と対立仮説を1つの検定統計量と、有意水準と比較できるp値に変換します。工場の平均充填量がずれていないか、新しい指導法が本当にテストの点数を上げるのか、ウェブサイトのリニューアルがコンバージョン率を実際に高めたのか——こうした課題に取り組むとき、学生は仮説検定計算機を使います。本ガイドでは、仮説検定のz検定版とt検定版を基礎から組み立て、1標本z検定と1標本t検定の完全な計算例を示し、片側検定と両側検定、臨界値、p値、第1種・第2種の過誤を解説します。これにより、仮説検定計算機の出力を信頼する前に、それが何を計算しているのかを正確に理解できます。
目次
仮説検定計算機とは何ですか？
仮説検定計算機は、標本データ、主張されている母集団の値、有意水準を受け取り、検定統計量、p値、そしてその主張を棄却するかどうかの判断を返します。すべての仮説検定は、2つの対立する主張から始まります。既存の主張や現状を表す帰無仮説（H0）と、あなたが本当かもしれないと疑っている内容を表す対立仮説（Ha）です。仮説検定計算機がH0を正しいと証明することは決してありません。標本の証拠がH0を棄却してHaを支持するのに十分強いのか、それともその結論を正当化するには弱すぎるのかを測っているだけです。
仮説検定は帰無仮説が正しいことを証明しません。標本の証拠がそれを棄却するのに十分強いかどうかを判断するだけです。
仮説検定計算機はどのようにz検定とt検定を選び分けるのですか？
どの仮説検定計算機も同じ基本入力——主張されている母集団の値、標本統計量、ばらつきの指標、標本サイズ——を必要としますが、どの式を使うかは1つの重要な事実、すなわち母標準偏差が既知かどうかで決まります。
1. 母標準偏差（σ）が既知のときはz検定を使う
これは、主張に過去のデータや理論に基づくσが付随している場合で、多くは大規模な既存データセットから得られます。たとえば、製品の重量について長年の品質管理記録を持つメーカーなどです。検定統計量：z = (x̄ − μ0) ÷ (σ ÷ √n)。ここでx̄は標本平均、μ0は主張されている母平均、nは標本サイズです。
2. 標本標準偏差（s）しか分からないときはt検定を使う
母標準偏差が事前に分かっていることはまれなので、現実にはこちらの状況が圧倒的に多くなります。検定統計量：t = (x̄ − μ0) ÷ (s ÷ √n)、自由度は df = n − 1 です。t分布は小標本では正規分布より幅が広く平坦になるため、有意になりにくくなります。これは、σを標本自体から推定することによる追加の不確実性に対する、組み込みのペナルティです。
3. それでも手計算の方法を学ぶべき理由
宿題や試験では、最終的な小数値だけでなく、H0とHaを述べ、検定統計量を項ごとに計算し、それを臨界値やp値と比較する一連の流れがほぼ必ず求められます。答え合わせには仮説検定計算機が最速ですが、点数につながり、信頼区間や分散分析（ANOVA）といった後の話題に必要な直感を養うのは、以下の手計算の手順です。
1標本z検定はどのように順を追って計算しますか？
既知の母標準偏差と照らし合わせて検証できる主張を使った、完全な計算例を示します。
1. 仮説を立ててデータを集める
あるシリアル会社は、自社の箱の内容量が平均500 gだと主張しており、過去の品質管理データから母標準偏差は σ = 12 g と分かっています。品質検査員が n = 36 箱を抽出したところ、標本平均は x̄ = 495 g でした。H0: μ = 500（平均充填量は主張どおり）。Ha: μ ≠ 500（平均充填量は主張と異なる）。関心があるのは充填不足だけでなくあらゆるずれなので、これは両側検定です。α = 0.05 で検定します。
2. 検定統計量zを計算する
z = (x̄ − μ0) ÷ (σ ÷ √n) = (495 − 500) ÷ (12 ÷ √36) = −5 ÷ (12 ÷ 6) = −5 ÷ 2 = −2.5。
3. 臨界値とp値を求める
α = 0.05 の両側検定では、臨界z値は ±1.96 です。p値は 2 × P(Z ≤ −2.5) = 2 × 0.0062 ≈ 0.0124 となります。
4. 判断して解釈する
|z| = 2.5 は 1.96 を超えている（同じことですが、p ≈ 0.0124 は α = 0.05 より小さい）ので、H0を棄却します。標本は、平均充填量が主張されている500 gと異なるという統計的に有意な証拠を示しています。仮説検定計算機なら同じ z = −2.5 と p ≈ 0.0124 を即座に返しますが、これで途中の数値をすべて自分で検証できます。
z = (x̄ − μ0) ÷ (σ ÷ √n)。x̄ = 495、μ0 = 500、σ = 12、n = 36 のとき z = −2.5 となり、絶対値で臨界値1.96を超えるのでH0を棄却します。
1標本t検定はどのように順を追って計算しますか？
母標準偏差が未知の場合、手順はほぼ同じですが、正規分布の代わりに標本標準偏差とt分布を使います。
1. 仮説を立ててデータを集める
ある学習塾は、自社のプログラムでテストの点数が平均8点以上向上すると主張しています。n = 15 人の生徒の標本では、平均の向上が x̄ = 8.9 点、標本標準偏差が s = 2.1 点でした。H0: μ = 8（真の平均向上は8点）。Ha: μ > 8（真の平均向上は8点より大きい）。塾は8点を超える向上のみを主張しているので、これは片側（右片側）検定です。α = 0.05 で検定します。
2. 検定統計量tを計算する
t = (x̄ − μ0) ÷ (s ÷ √n) = (8.9 − 8) ÷ (2.1 ÷ √15) = 0.9 ÷ (2.1 ÷ 3.873) = 0.9 ÷ 0.5422 ≈ 1.660。
3. 臨界値とp値を求める
自由度：df = n − 1 = 15 − 1 = 14。df = 14 で α = 0.05 の片側検定では、臨界t値は約1.761です。df = 14 で t ≈ 1.660 を表から読み取ると、片側p値はおよそ0.059になります。
4. 判断して解釈する
t ≈ 1.660 は臨界値1.761を超えていない（同じことですが、p ≈ 0.059 は α = 0.05 より大きい）ので、H0を棄却できません。この15人の標本では、有意水準5 %のもとで真の平均向上が8点を超えるという十分強い証拠は得られません——標本平均8.9はそれ自体では有望に見えますが。
t = (x̄ − μ0) ÷ (s ÷ √n)。x̄ = 8.9、μ0 = 8、s = 2.1、n = 15 のとき df = 14 で t ≈ 1.660 となり、臨界値1.761を下回るのでH0を棄却できません。
片側検定と両側検定の違いは何ですか？
片側検定と両側検定のどちらを使うかは、対立仮説の言い回しによって完全に決まり、間違えると臨界値も結論も変わってしまいます。
1. 両側検定はあらゆる違いを調べる
Ha: μ ≠ μ0 は棄却域を分布の両裾に分けるため、どちらの方向の証拠（高すぎる、低すぎる）でもH0の棄却につながります。上のシリアルの箱の例は、過充填でも充填不足でも検査員にとって問題になるため両側検定です。
2. 片側検定は特定の一方向の違いを調べる
Ha: μ > μ0 または Ha: μ < μ0 は棄却域をすべて片方の裾に置きます。その方向では有意になりやすくなりますが、反対方向の証拠はどれほど極端でもH0の棄却につながらないことを意味します。
3. 計算例：左片側z検定
あるメーカーは、自社の電球が平均で少なくとも1000時間もつと主張しており、σ = 50 時間が既知です。n = 40 個の電球の標本では、平均寿命が x̄ = 985 時間でした。H0: μ = 1000。Ha: μ < 1000（懸念は電球が主張より短くもつことなので左片側）。z = (985 − 1000) ÷ (50 ÷ √40) = −15 ÷ 7.906 ≈ −1.897。α = 0.05 の左片側臨界値は −1.645 です。z ≈ −1.897 は −1.645 より極端（p ≈ 0.0289 < 0.05）なのでH0を棄却します——標本は、電球が平均して主張の1000時間より短くもつことを示しています。
両側検定はαを両裾に分けます（α = 0.05 で ±1.96）。片側検定はα全体を片方の裾に置くため（α = 0.05 で ±1.645）、予測した方向に限れば効果を検出しやすくなります。
第1種の過誤と第2種の過誤とは何で、なぜ重要なのですか？
仮説検定が完全に確実であることはなく、間違え方が2通りあることを理解するのは、検定統計量を正しく計算するのと同じくらい重要です。
1. 第1種の過誤：正しいH0を棄却する
第1種の過誤は、H0が実際には正しいのに検定がH0を棄却してしまうこと、つまり偽陽性です。シリアルの箱の例なら、平均充填量は実際には500 gからずれていないのに、ずれたと結論づけるのが第1種の過誤です。第1種の過誤の確率は有意水準αに等しく、だからこそ α = 0.05 を選ぶことは、この種の誤警報を最大5 %の確率で受け入れることを意味します。
2. 第2種の過誤：誤ったH0を棄却できない
第2種の過誤は、H0が実際には誤りなのに検定がH0を棄却できないこと、つまり見逃しです。学習塾の例なら、プログラムが実際には8点を超えて点数を上げているのに、上げていないと結論づけるのが第2種の過誤です。おそらく標本サイズ15が、実在するが控えめな効果を検出するには小さすぎたためです。第2種の過誤の確率はβと表され、1 − β を検定力（検出力）と呼びます。
3. 2種類の過誤のトレードオフ
第1種の過誤を起こりにくくするためにαを下げると（たとえば0.05から0.01へ）、検定はより保守的になり、その代わりに第2種の過誤の確率が上がります。両方の過誤の割合を同時に下げる最良の方法は、一般に標本サイズを増やすことです。nが大きくなると標準誤差が縮み、αを緩めずに実在する効果を検出しやすくなります。
第1種の過誤：正しいH0を棄却すること（誤警報）、確率はα。第2種の過誤：誤ったH0を棄却できないこと（効果の見逃し）、確率はβ。
仮説検定計算機を使うときに避けるべきミスは何ですか？
これらのミスは、手計算でも後から仮説検定計算機で確認する場合でも、採点される統計の宿題で絶えず見られます。
1. σが未知なのにz検定を使う
母標準偏差が直接与えられていない（そして大規模な過去データから仮定できない）場合は、代わりに標本標準偏差を使ったt検定を用います。標本標準偏差をzの式に入れると、特に小標本では真の不確実性を過小評価してしまいます。
2. 裾の方向を間違える
Haを主張の実際の言い回しに合わせることが重要です。「より大きい」「〜を超える」は右片側検定、「より小さい」は左片側検定、「異なる」「等しくない」は両側検定を意味します。片側の主張に両側の臨界値を使う（またはその逆）と、臨界値も結論も変わってしまいます。
3. p値をH0が正しい確率と読み違える
p値が小さいということは、H0が正しいとしたら観測されたデータは起こりにくいという意味であり、H0そのものが正しい／誤っている確率を直接示すものではありません。結論を書くときは「H0を前提としたときにこのデータが得られる確率」という条件付きの表現を意識しましょう。
4. 「棄却できない」を「正しいと証明された」と捉える
H0を棄却できないことは、標本がそれに反する十分な証拠を示さなかったという意味にすぎず、H0が正しいことを証明するものではありません。同じ母集団でも、より大きな標本や別の標本ならH0の棄却に至るかもしれません。
仮説検定の練習問題と解答
この3問を易しい順に解いてみましょう。解答を読む前に自分で挑戦し、それから示された手順と自分の立式を照らし合わせてください。
1. 問題1（初級）：両側z検定
あるジュース会社は、自社のボトルが平均16 ozだと主張しており、母標準偏差は σ = 0.5 oz と分かっています。n = 25 本の標本の平均は15.8 ozでした。真の平均が16 ozと異なるかを α = 0.05 で検定しなさい。解答：z = (15.8 − 16) ÷ (0.5 ÷ √25) = −0.2 ÷ 0.1 = −2.0。α = 0.05（両側）の臨界値は ±1.96 です。|z| = 2.0 > 1.96 なのでH0を棄却します——p ≈ 2 × (1 − 0.9772) = 0.0456 で0.05より小さく、同じ結論が確認できます。
2. 問題2（中級）：片側t検定
あるフィットネスアプリは、ユーザーが1セッションあたり平均300カロリー以上消費すると主張しています。n = 20 セッションの標本では x̄ = 310 カロリー、s = 25 カロリーでした。α = 0.05、右片側で検定しなさい。解答：t = (310 − 300) ÷ (25 ÷ √20) = 10 ÷ 5.590 ≈ 1.789。df = 19 で、α = 0.05（片側）の臨界t値は約1.729です。t ≈ 1.789 > 1.729 なのでH0を棄却します——標本は平均消費カロリーが300を超えるという主張を支持し、p ≈ 0.045 です。
3. 問題3（上級）：より厳しいαでの両側t検定
あるカフェは、平均待ち時間が4分だと主張しています。n = 10 人の客の標本では x̄ = 4.6 分、s = 0.9 分でした。真の平均待ち時間が4分と異なるかを α = 0.01 で検定しなさい。解答：t = (4.6 − 4) ÷ (0.9 ÷ √10) = 0.6 ÷ 0.2846 ≈ 2.108。df = 9 で、α = 0.01（両側）の臨界t値は約 ±3.250 です。|t| ≈ 2.108 は3.250より小さい（p ≈ 0.064 で0.01を大きく上回る）ので、H0を棄却できません——この標本では、真の平均待ち時間が4分と異なるという十分強い証拠は1 %水準で得られません。
学生は仮説検定計算機について他に何を尋ねますか？
仮説検定の宿題や試験対策とあわせて、最もよく出てくる質問をまとめました。
1. 仮説検定計算機におけるz検定とt検定の違いは何ですか？
z検定は既知の母標準偏差を必要とし、正規分布を使います。t検定は代わりに標本標準偏差を使い、σを推定することによる追加の不確実性を織り込むために小標本では幅が広くなるt分布に基づきます。標本サイズが大きくなると（おおむね n ≥ 30）、t分布は正規分布に近づき、2つの検定はほぼ同じ結果を与えます。
2. 仮説検定計算機は平均ではなく比率でも使えますか？
はい。1標本の比率のz検定は同じ論理に従いますが、z = (p̂ − p0) ÷ √[p0(1 − p0) ÷ n] を使い、標本平均と母平均を比べる代わりに、標本比率p̂を主張されている母比率p0と比較します。
3. 「H0を棄却できない」は「H0を採択する」と同じ意味ですか？
いいえ。H0を棄却できないとは、標本がその主張を棄却するのに十分な証拠を示さなかったという意味であり、主張が正しいことを証明するものではありません。このため統計学者は「H0を採択する」という表現を意図的に避け、「棄却できない」と言い続けます。
4. 仮説検定の有意水準（α）はどう選べばよいですか？
α = 0.05 はほとんどの授業で標準的な既定値で、第1種と第2種の過誤の割合のバランスを取っています。臨床試験のように偽陽性のコストが特に高い分野では、より厳しい α = 0.01 がよく使われ、一方で探索的な研究ではより緩い α = 0.10 を使うこともあります。
仮説検定の宿題でさらに助けが必要なとき
H0とHaを述べること、z検定とt検定を選び分けること、検定統計量を臨界値やp値と比較することに慣れてしまえば、仮説検定の問題は謎めいた公式ではなく丁寧な立式の問題になります。試験では主張の言い回しだけからどちらを使うか見分けることを求められることが多いので、片側と両側の問題を混ぜて練習しましょう。特定の問題の立式で詰まったときや、手計算を再確認したいときは、Solvifyのステップバイステップ解答ツールが本ガイドと同じ式——検定統計量、臨界値またはp値、そして最終的な判断——をたどれるので、自分の立式が正解とどこで分かれたのかを正確に確認できます。
仮説検定計算機に手を伸ばす前に、H0、Ha、そして検定が片側か両側かを書き出してください。この1つの判断が、臨界値と結論の両方を決めます。
関連記事
関連する数学ソルバー
ステップバイステップ解答
仮説検定のあらゆる手順——検定統計量、臨界値またはp値、最終的な判断——を明示的に表示します。
スマートスキャン解答
仮説検定の問題を撮影するだけで、すぐに完全な解答が得られます。
AI数学チューター
z検定、t検定、p値、第1種・第2種の過誤について、納得できるまで追加の質問ができます。