統計学の分類を初心者向けに解説！記述統計・推測統計・ベイズ統計の違いとは

株式投資やビジネスでデータを活用しようと思ったとき、「統計学って難しそう…」「どこから手をつければいいの？」と感じる方は多いのではないでしょうか。データ分析を始めるにあたって、統計学の全体像を理解しておくことは非常に重要です。

実は、統計学は大きく3つの分類に分けられます。それぞれの特徴と役割を知ることで、どんな場面でどの統計手法を使えばいいのかが見えてきます。この記事では、統計学の基本的な分類である記述統計学、推測統計学、ベイズ統計学について、初心者の方にもわかりやすく丁寧に解説していきます。

目次

• 統計学とは何か
• 統計学の3つの分類とその違い
• 記述統計学の基礎と具体例
• 推測統計学の基礎と具体例
• ベイズ統計学の基礎と特徴
• 統計学が注目されている理由
• 統計学の分類を理解して活用するには
• まとめ

統計学とは何か

統計学とは、データを収集・整理・分析し、そこから有益な情報や知見を導き出す学問のことです。単なる数字の羅列ではなく、データの背後にある意味や傾向を読み解き、より良い意思決定をするための強力なツールとなります。

例えば、株式市場では過去の株価データや取引量のデータを統計的に分析することで、将来の値動きを予測したり、リスクを評価したりすることができます。また、企業のマーケティングでは顧客データを分析して売上予測を立てたり、製品開発に役立てたりすることが可能です。

統計学は、単にデータを集めるだけではなく、そのデータをどう解釈し、どう使うかという視点が重要になります。そのため、統計学には目的や手法によっていくつかの分類があり、それぞれに適した場面があるのです。

統計学が役立つ主な分野

統計学は非常に幅広い分野で活用されています。以下のような場面で統計学の知識が役立ちます。

• 金融・投資分野:株価の分析、リスク管理、ポートフォリオ最適化など
• 医療・製薬分野:臨床試験の結果分析、疫学調査、治療効果の検証など
• マーケティング分野:顧客行動の分析、売上予測、A/Bテストの評価など
• 製造業:品質管理、不良率の分析、生産プロセスの最適化など
• 社会科学:世論調査、経済指標の分析、人口統計など

統計学の3つの分類とその違い

統計学は、その目的と手法によって主に記述統計学、推測統計学、ベイズ統計学の3つに分類されます。それぞれがどのような特徴を持ち、どんな場面で使われるのかを理解することが、統計学を実践的に活用する第一歩となります。

統計学の分類を理解することで、手元のデータをどのように分析すればよいか、どの手法を選べばよいかの判断基準が明確になります。

それでは、それぞれの分類について詳しく見ていきましょう。

記述統計学の基礎と具体例

記述統計学（きじゅつとうけいがく）は、手元にあるデータの特徴を整理・要約・可視化するための統計手法です。英語では「Descriptive Statistics」と呼ばれます。

記述統計学の目的は、大量のデータを人間が理解しやすい形に変換することです。例えば、100人分のテストの点数データがあったとき、すべての点数を並べて眺めるよりも、平均点や最高点、最低点を計算したり、ヒストグラムで分布を視覚化したりする方が、データ全体の傾向を把握しやすくなります。

記述統計学で使われる主な指標

記述統計学では、データの特徴を表すためにさまざまな指標が使われます。代表的なものを見ていきましょう。

平均値と中央値

平均値は、すべてのデータを足し合わせて、データの個数で割った値です。データ全体の「中心」を表す代表的な指標ですが、極端に大きな値や小さな値があると影響を受けやすいという特徴があります。

一方、中央値は、データを小さい順に並べたときにちょうど真ん中に来る値です。極端な値の影響を受けにくいため、データに外れ値が含まれる場合には中央値の方が実態を表すことがあります。

例えば、株価の日次変動率を分析する際、極端な暴騰や暴落の日があると平均値が歪んでしまうため、中央値も併せて確認することで、より正確な傾向を把握できます。

標準偏差と分散

分散と標準偏差は、データのばらつき具合を表す指標です。分散は各データと平均値との差を二乗して平均したものであり、標準偏差はその平方根です。

標準偏差が小さいほどデータが平均値の周辺に集中しており、大きいほどデータが広く散らばっていることを意味します。株式投資では、標準偏差はボラティリティ（価格変動の大きさ）を表す指標として頻繁に使われます。

ヒストグラムと散布図

データを可視化する方法として、ヒストグラムや散布図がよく使われます。

ヒストグラムは、データを区間ごとに分けて、それぞれの区間に含まれるデータの個数を棒グラフで表したものです。データの分布の形状（正規分布か、偏っているかなど）を一目で把握できます。

散布図は、2つの変数の関係を視覚化するためのグラフです。例えば、株価と出来高の関係を散布図にプロットすることで、両者に相関があるかどうかを視覚的に確認できます。

記述統計学の具体的な活用例

記述統計学は、日常生活やビジネスのあらゆる場面で活用されています。

• 株価データの日次リターン分析:平均リターン、標準偏差（ボラティリティ）、最大・最小リターンを計算し、銘柄の特徴を把握する
• 売上データの月次推移:月ごとの平均売上、売上の変動幅を可視化し、季節性を確認する
• アンケート結果の集計:回答の分布をヒストグラムで表示し、顧客の傾向を把握する

記述統計学は、データ分析の第一歩であり、データの全体像を把握するために欠かせない手法です。

推測統計学の基礎と具体例

推測統計学（すいそくとうけいがく）は、手元にあるサンプルデータから、全体（母集団）の性質を推測するための統計手法です。英語では「Inferential Statistics」と呼ばれます。

例えば、ある企業の全従業員1万人の平均年収を知りたいとき、全員に調査するのは時間もコストもかかります。そこで、100人をランダムに抽出して調査し、その結果から全体の平均年収を推測するのが推測統計学の考え方です。

推測統計学の2つの柱

推測統計学は、主に推定と検定という2つの手法で構成されています。

推定（すいてい）

推定とは、サンプルデータから母集団の特性（平均値やばらつきなど）を予測することです。推定には、1つの値を予測する点推定と、ある範囲を予測する区間推定があります。

区間推定では、信頼区間という概念が重要になります。例えば「95%信頼区間が50万円〜60万円」という場合、「真の平均年収が50万円から60万円の範囲に含まれる確率が95%である」という意味になります。

株式投資では、過去のリターンデータから将来のリターンの期待値や信頼区間を推定し、投資判断の材料とすることができます。

検定（けんてい）

検定とは、データをもとにある仮説が正しいかどうかを統計的に判断する手法です。例えば、「新しい投資戦略は従来の戦略よりも優れているか」といった疑問に対して、データを使って客観的に判断します。

検定では、まず帰無仮説（何も変化がないという仮説）を立て、データがその仮説と矛盾するかどうかを検証します。矛盾が十分に大きければ、帰無仮説を棄却し、対立仮説（変化があるという仮説）を採用します。

具体的には、p値という指標を計算し、それが事前に決めた有意水準（例えば5%）よりも小さければ、統計的に有意な差があると判断します。

推測統計学で使われる主な手法

推測統計学には、さまざまな分析手法があります。代表的なものを紹介します。

• t検定:2つのグループの平均値に差があるかを検定する手法。例えば、A銘柄とB銘柄のリターンに有意な差があるかを調べる
• 分散分析（ANOVA）:3つ以上のグループの平均値に差があるかを検定する手法
• 回帰分析:変数間の関係性をモデル化し、ある変数が他の変数にどう影響するかを分析する手法。株価と企業の業績指標の関係を調べるなど
• 相関分析:2つの変数の間にどの程度の関連性があるかを数値化する手法。相関係数が1に近いほど強い正の相関がある

推測統計学の具体的な活用例

推測統計学は、サンプルから全体を予測する必要がある場面で威力を発揮します。

• 世論調査:1000人の調査結果から全国民の支持率を推定する
• 品質管理:製品の一部をサンプリングして検査し、全体の不良率を推測する
• 臨床試験:新薬の効果を限られた被験者のデータから推測し、承認判断の根拠とする
• 株式投資:過去の株価データから将来のリターンやリスクを推定し、ポートフォリオを最適化する

推測統計学を使うことで、限られたデータから全体像を科学的に推測し、より確実な意思決定を行うことができます。

ベイズ統計学の基礎と特徴

ベイズ統計学は、従来の統計学（頻度論的統計学）とは異なるアプローチで、事前の知識や情報を活用しながら、新しいデータによって確率を更新していく統計手法です。

ベイズ統計学の核心にあるのは、ベイズの定理という数学的な原理です。この定理を使うことで、ある事象が起こる確率を、新しい証拠が得られるたびに更新していくことができます。

ベイズの定理とは

ベイズの定理は、以下のような式で表されます。

\(P(A|B) = \frac{P(B|A) \times P(A)}{P(B)}\)

ここで、

• P(A|B):事後確率（イベントBが起こったという条件のもとでAが起こる確率）
• P(A):事前確率（最初に考えていたAが起こる確率）
• P(B|A):尤度（Aが起こったときにBが観測される確率）
• P(B):Bが起こる確率

つまり、最初に持っていた予測（事前確率）を、新しく得られたデータ（尤度）によって更新し、より正確な予測（事後確率）を得るというのがベイズ統計学の考え方です。

ベイズ統計学と頻度論統計学の違い

従来の頻度論的な推測統計学では、確率は「何度も繰り返したときの頻度」として定義され、パラメータ（母集団の平均など）は固定された未知の値と考えます。

一方、ベイズ統計学では、確率は「信念の度合い」として捉えられ、パラメータ自体も確率分布を持つと考えます。これにより、事前知識を明示的にモデルに組み込むことができ、データが少ない場合でも柔軟に分析を行うことが可能になります。

ベイズ統計学の具体的な活用例

ベイズ統計学は、特に以下のような場面で力を発揮します。

• 医療診断:症状から病気の確率を推定し、検査結果が出るたびに確率を更新する
• スパムフィルター:メールの内容からスパムである確率を計算し、学習によって精度を高める
• 機械学習:事前分布を設定し、データから学習しながらモデルのパラメータを更新する
• 金融リスク管理:過去の経験や専門家の意見を事前分布として組み込み、市場データで更新しながらリスクを評価する

ベイズ統計学は、事前知識を活用できる点が大きな特徴であり、データが限られている状況や、人間の判断を定量的に扱いたい場合に有効です。

統計学が注目されている理由

近年、統計学への注目が急速に高まっています。その背景には、テクノロジーの進化とデータ量の爆発的な増加があります。

ビッグデータ時代の到来

インターネット、スマートフォン、IoTデバイスの普及により、私たちの周りには膨大な量のデータが日々生成されています。企業活動、SNS、センサーデータなど、あらゆる場面でデータが蓄積されており、これらを分析して価値ある情報を引き出すために統計学が不可欠となっています。

ビッグデータを適切に分析することで、顧客のニーズを正確に把握したり、市場のトレンドを予測したり、業務を効率化したりすることが可能になります。

AI・機械学習の発展

人工知能（AI）や機械学習の技術が急速に発展していますが、その基盤には統計学があります。機械学習のアルゴリズムの多くは、統計学の理論をベースにしており、データから学習してパターンを発見したり予測を行ったりする仕組みは、まさに統計学の応用です。

例えば、株価予測モデルや自動運転、画像認識など、多くのAI技術は統計的な手法を活用しています。

データドリブンな意思決定の重要性

現代のビジネス環境では、勘や経験だけに頼るのではなく、データに基づいた意思決定（データドリブン）が求められています。統計学を使うことで、客観的なエビデンスをもとに判断を行うことができ、リスクを減らしながら成果を最大化することが可能になります。

株式投資においても、テクニカル分析やファンダメンタル分析は統計学の知識があることでより深く理解でき、精度の高い投資判断につながります。

教育現場での統計学の重視

日本でも、学習指導要領の改訂により、統計教育が強化されています。小学校から高校、大学まで、統計的なリテラシーを身につけることが重視されており、社会全体で統計学の重要性が認識されつつあります。

統計学を学ぶことは、現代社会を生き抜くための必須スキルとなりつつあり、あら��れる分野で競争力を高めるための武器になります。

統計学の分類を理解して活用するには

統計学の3つの分類（記述統計学・推測統計学・ベイズ統計学）を理解したら、次は実際にどのように活用していくかを考えましょう。

まずは記述統計学から始める

統計学を学び始めるときは、まず記述統計学から取り組むのがおすすめです。平均値や標準偏差、ヒストグラムといった基本的な指標やグラフの見方を理解することで、データの特徴を捉える力が身につきます。

ExcelやGoogleスプレッドシートでも、基本的な記述統計の計算やグラフ作成は可能です。まずは身近なデータ（家計簿、株価データなど）で実際に手を動かしてみることが大切です。

推測統計学で応用力を高める

記述統計学に慣れてきたら、推測統計学にステップアップしましょう。仮説検定や信頼区間の考え方を理解することで、データから科学的な結論を導き出す力が身につきます。

推測統計学を学ぶには、統計ソフト（RやPython、SPSSなど）を使うと効率的です。これらのツールを使えば、複雑な計算も簡単に行えます。

ベイズ統計学で柔軟な分析を

ベイズ統計学は、やや高度な内容ですが、事前知識を活用できる柔軟性が魅力です。機械学習やAI分野に興味がある方、不確実性の高い状況での意思決定を行う方には特に有用です。

ベイズ統計学を学ぶには、確率論の基礎知識が必要になりますが、実用的な応用例（スパムフィルター、レコメンドシステムなど）を通じて学ぶと理解が深まります。

実務での活用を意識する

統計学を学ぶ目的は、実際の問題解決に役立てることです。株式投資であれば、テクニカル指標の計算や銘柄のリスク評価、ポートフォリオの最適化など、具体的な場面を想定して学ぶことで、学習効果が高まります。

また、統計学の知識を深めるためには、継続的な学習が重要です。書籍やオンライン講座、実践的なデータ分析プロジェクトを通じて、スキルを磨いていきましょう。

まとめ

• 統計学は記述統計学、推測統計学、ベイズ統計学の3つに大きく分類され、それぞれ異なる目的と手法を持っています。
• 記述統計学は、データを整理・要約・可視化してその特徴を理解するための手法であり、平均値、標準偏差、ヒストグラムなどが代表的です。
• 推測統計学は、サンプルデータから母集団の性質を推測する手法であり、推定や検定を通じて科学的な結論を導き出します。
• ベイズ統計学は、事前知識を活用しながら新しいデータで確率を更新していく手法であり、柔軟で応用範囲が広いのが特徴です。
• ビッグデータやAIの発展により、統計学の重要性はますます高まっており、データドリブンな意思決定を行うための必須スキルとなっています。

統計学の分類を理解することで、目的に応じた適切な手法を選択でき、データ分析の精度と効率が大きく向上します。まずは記述統計学から始めて、少しずつ推測統計学やベイズ統計学へと学習範囲を広げていくことで、実務で役立つ統計リテラシーを身につけることができるでしょう。