中心極限定理シミュレーション教材(2)--任意サンプル

自分で用意した母集団データから標本をくり返し取り出し，標本平均の分布が正規分布に近づく様子を確かめるシミュレーション教材

●目次

このアプリでできること
学ぶ内容 ― 中心極限定理
使い方（操作手順）
母集団データとプリセット
直近のサンプル（復元抽出）
4つのグラフの読み方
階級の設定と自動調整
統計量の見方
曲線とのずれの自動解説
試してほしい実験

1 このアプリでできること

「確率密度関数5タイプ」版が用意された分布から乱数を作るのに対し，この版は あなたが入力した数値の集まり（母集団データ） を元にする．その母集団から $n$ 個の標本を1組 として何度も 復元抽出（同じ要素が何度でも選ばれうる引き方）し，毎回の 標本平均，不偏分散 がどんな分布になるかをヒストグラムで観察する．

ポイント：母集団は自由．サイコロ型，二峰型・偏った分布など，どんなに「正規分布らしくない」データでも， 標本平均の分布は釣鐘型（正規分布）に近づく ― これを自分のデータで体感するのが目的です．

「中心極限定理のExcel教材2」をWeb ページで再現している．

2 学ぶ内容 ― 中心極限定理（CLT）

母集団の平均を $μ$ （母平均），分散を $σ^{2}$ （母分散） とします．大きさ $n$ の標本をとって標本平均 $\bar{x}$ を求める操作をくり返すと， $\bar{x}$ の分布について次が成り立つ．

\bar{x}

は近似的に　

N (μ, \frac{σ^{2}}{n})

に従う

標本平均の 平均は母平均 $μ$ に一致 する（中心は動かない）．
標本平均の 分散は $\frac{σ^{2}}{n}$ ．復元抽出なので，これは近似ではなく $n$ によらず厳密 に成り立つ（＝グラフ②の「広がり」は常に正規曲線と一致し，ずれるのは形だけ）．
分布の 形は，母集団が何であっても正規分布（釣鐘型）に近づく．これが中心極限定理の核心である．

なぜ重要？ 現実のデータの多くは正規分布ではない．それでも「平均」を扱うかぎり正規分布の性質が使えるため，推定・検定・信頼区間といった統計学の土台がこの定理に支えられている．

3種類の「分散」を区別する

名前	式	意味・役割
母分散 σ²	$\frac{1}{N} \sum_{i = 1}^{N} (z_{i} - μ)$	母集団そのもののばらつき（ $N$ で割る）．正規曲線 $N (μ, \frac{σ^{2}}{n})$ の $σ^{2}$ の値に使う．母集団 $= \{z_{1}, z_{2}, \dots, z_{N}\}$ ， $N$ は母集団の個数．
不偏分散 $s^{2}$	$\frac{1}{n - 1} \sum_{i = 1}^{n} (x_{i} - \bar{x})$	1組の標本から $σ^{2}$ を推定する値． $n - 1$ で割る．平均すると $σ^{2}$ に一致（かたよりなし）．
標本分散	$\frac{1}{n} \sum_{i = 1}^{n} (x_{i} - \bar{x})$	標本を $n$ で割ったもの． $σ^{2}$ より少し小さめに出る（だから不偏分散が必要）．

グラフ③で「不偏分散の平均 → $σ^{2}$ 」を，統計量パネルで「 $n - 1$ で割る」不偏推定の正しさを数値で確かめられる．

3 使い方（操作手順）

母集団データを入力
左パネル「母集団データ」に数値を空白，カンマ，改行区切りで入力するか，上のプリセットボタンを選ぶ．入力すると母集団サイズ $N$ ，母平均 $μ$ ，母分散 $σ^{2}$ が自動計算される．
標本数 $n$ を決める
「標本数 $n$ 」に1組あたりの個数を入力（初期値10）．大きくすると標本平均の分布が細く鋭くなる．
試行回数を決める
「1回の試行回数（計算繰り返し回数）」＝ボタン1回で何組ぶん抽出するか（初期値100）．多いほどヒストグラムが滑らかになる．
実行する
サンプリング実行で指定回数を一気に追加．+1 ， +10 ， +100 ， +1000 でも追加でき，結果は押すたびに累積される．
自動で眺める
自動で連続実行し，分布が育つ様子をアニメーションで観察．もう一度押すと停止．
やり直す
初期化（リセット）で累積データを消去．データや $n$ を変えて比べたいときに使う（データや $n$ を変更すると自動でリセットされる）．

おすすめの最初の一歩：プリセット「二峰型」を選び，

n = 10

のまま+1000を数回押してみてください．母集団は山が2つに割れているのに，標本平均のグラフ②は1つの釣鐘型に近づく．

4 母集団データとプリセット

母集団は自由に編集できる．用意されたプリセットは次の5つで，母平均 $μ$ ，母分散 $σ^{2}$ は入力データからで自動計算されます．

プリセット	データ	形	母平均 μ	母分散 σ²
右肩上がり	`1 2 2 3 3 3 4 4 4 4 5 5 5 5 5 6 6 6 6 6 6`	高い値寄り（左に裾）	≈4.33	≈2.22
一様(1〜6)	`1 2 3 4 5 6`	平ら（サイコロ）	3.5	≈2.92
左右対称(山型)	`1 2 2 3 3 3 3 4 4 5`	対称な山	3.0	1.2
二峰型	`1 1 1 2 2 8 8 9 9 9`	山が2つ	5.0	13.2
強い左偏り	`1 1 1 1 1 1 2 2 2 3 3 4 6 9`	右に長い裾	≈2.64	≈5.09

自分のデータで試す：テキスト欄を書き換えれば，テストの点数・測定値・アンケート結果など，任意の数値集合を母集団にできます．整数でも小数でもかまわない．

5 直近のサンプル（復元抽出）

サンプリング実行を押すと，左パネルの 「直近のサンプル」 カードに，その回に実際に引かれた $n$ 個の具体的な値 が表示される（試行回数を複数にした場合は最後の1組）．各チップは 母集団の No.（入力データの何番目か） と その値 を示す．

復元抽出とは：1個引くごとに元へ戻してから次を引く方式である．そのため 同じ No. が同じ組の中で何度も出る ことがある（例：No.21 が2回）．母集団サイズ

N

が小さくても，標本数

n

をいくらでも大きくできるのはこのためである．

カード下段には，その1組から計算した 標本平均，不偏分散，標本分散 が並ぶ．表示された値の平均が「標本平均」に一致することも確認できる．

グラフ④「データ抽出状況」は，各 No. が累計で何回引かれたかの棒グラフである．復元・一様抽出なので，回数はどの要素もほぼ均等（点線＝期待値）に近づく．

6 4つのグラフの読み方

① 母集団の度数分布

入力データの姿

入力した母集団データそのもののヒストグラム（相対度数）．緑の破線は母平均 $μ$ ．「どんな形の母集団か」を確認する．

② 標本平均の分布主役

← 中心極限定理

各組の 標本平均 のヒストグラムに，正規分布 $N (μ, \frac{σ^{2}}{n})$ の曲線を重ねて表示．母集団の形によらず曲線に近づく．緑の破線は $μ$ ．

③ 不偏分散の分布

ばらつきの推定

各組の 不偏分散 のヒストグラム．山の中心（平均）が母分散 $σ^{2}$ （緑の破線）に近づくことを確認できる．

④ データ抽出状況

各データの出現回数

母集団の各要素（No.）が累計で何回引かれたか．点線は期待値（総抽出数 ÷ $N$ ）．一様・復元抽出の確認に．

※ ①②③の縦軸は「相対度数 ÷ 階級幅」＝密度．棒の面積の合計が1になり，理論曲線と直接くらべられる（密度 = 度数 ÷ (総数 × 階級幅)）．

見どころ：母集団（①）がどんなに歪んでいても，標本平均（②）は釣鐘型に近づき，不偏分散（③）の山は

σ^{2}

の位置に来る．この「形の変化」が中心極限定理そのものである．

7 階級の設定と自動調整

ヒストグラムは横軸を「階級」に区切り，各階級に入った個数を棒にする．3つのグラフとも 最小値，階級幅 を統計量パネルの「グラフの設定」で自由に変更でき，「自動」ボタンで最適値に戻せる．

離散データ特有の「櫛（くし）状」を自動で防ぐ

母集団が離散的（整数など）だと，標本平均や不偏分散も 飛び飛びの値 しか取らない．このとき素朴に階級を区切ると，階級の境界とデータ値が重なったり，階級幅が値の周期と食い違ったりして，一つおきに度数が0になる「櫛状」の見かけ が生じる．

本アプリの対策：①階級の境界を値の中間へずらして，値が境界に載らないようにする ②実際に貯めたデータから 最も滑らかになる階級幅を自動探索して採用する．これにより，母集団の形によらず自然な度数分布が描かれる．手動で最小値・階級幅を入れると自動調整は止まり，入力値が優先される（「自動」で復帰）．

補足：それでも残る細かな凹凸は，多くの場合 区間(階級)のせいではなく分布そのものの性質（離散性・多峰・歪みなど）である．9章の自動解説が，その正体を教えてくれる．

8 統計量の見方

統計量パネルで理論値と実測値を照合できます．試行を増やすほど下の4つ（緑）が理論に近づく．

表示	意味	近づく値（理論）
母平均 $μ$ ，母分散 $σ^{2}$	入力データの母平均，母分散	―（固定）
$σ^{2} / n$ （理論）， $\sqrt{σ^{2} / n}$ （標準誤差）	標本平均の分散，散らばりの目安	―
直近の標本平均，不偏分散，標本分散	最後に抽出した1組の値	毎回変動
標本平均の平均	これまでの標本平均の平均	→ $μ$
不偏分散の平均	これまでの不偏分散の平均	→ $σ^{2}$
標本平均の分散	標本平均どうしのばらつき	→ $σ^{2} / n$
母分散 ÷ 標本平均の分散	上の2つの比	→ $n$

いちばんのチェック：「母分散 ÷ 標本平均の分散」が標本数

n

にほぼ等しくなれば，

Var (\bar{X}) = \frac{σ^{2}}{n}

の関係を実測で確かめられた証拠である．

9 曲線とのずれの自動解説

グラフ②で度数分布と正規曲線がずれるとき，その原因を自動で見分けて，グラフ②の下に注記を表示する．原因は 「形のずれ」（標本数 $n$ で改善） と 「ばらつき」（試行回数で改善） の2つの軸に分かれる．

注記	いつ出るか	直し方
多峰	二峰型など山が離れた母集団＋小さい $n$ ．標本平均が複数の塊に分かれる．	$n$ を大きく（山が融合）
歪み（歪度）	母集団が左右非対称．山（最頻値）が $μ$ より左右にずれて見える（平均は一致）．	$n$ を大きく（歪みは $\frac{1}{\sqrt{n}}$ で減少）
尖度	裾が重い→中央が尖り裾が厚い／一様に近い→平たい．対称でも起こる．	$n$ を大きく（超過尖度は $\frac{1}{n}$ で減少）
ギザギザ（ノイズ）	階級あたりの個数が少なく，曲線のまわりで凸凹する．形とは無関係．	試行回数を増やす（自動）

大切な区別：「形のずれ（多峰・歪み・尖度）」は 標本数 $n$ を増やすと直り，中心極限定理の収束そのものを表す．いっぽう「ギザギザ」は 試行回数 を増やせば直る，単なるサンプル不足です．注記はこの2つを取り違えないよう案内します．

※ このほか「離散性による段差」「有界サポート（標本平均は必ず最小〜最大の範囲内）による裾の切れ」も，正規曲線とわずかにずれる原因になるが，これらは分布本来の性質である．

10 試してほしい実験

形は関係ない：プリセットを次々に切り替えても，②のグラフはどれも釣鐘型に近づく．母集団の形を問わないことを実感．
収束の速さを比べる：「二峰型」や「強い右偏り」は $n$ を大きくしないと正規に近づかない（注記が消えるまで $n$ を上げる）．対称な「山型」は小さい $n$ でも近い．
$n$ を変える： $n = 5$ → $10$ → $30$ と上げると②の山が 細く高く なる（分散 $σ^{2} / n$ が縮む）．標準誤差 $\sqrt{σ^{2} / n}$ の減り方も確認．
形とノイズの違い：試行回数が少ないうちの「ギザギザ」注記と，母集団由来の「歪み・多峰」注記を見比べ，直し方（試行回数 vs $n$ ）の違いを体験．
不偏分散の意味：③の平均が $σ^{2}$ に一致＝「 $n - 1$ で割る」不偏推定が正しいことを数値で確認．
復元抽出を観察：「直近のサンプル」で同じ No. が重複すること，④で各 No. の出現回数が均等化することを確認．

ホーム>>カテゴリー別分類>>統計>>中心極限定理シミュレーション教材(2)--任意サンプル

最終更新日：2026年9月13日