こんにちは、ももやまです！

「写像」「全域写像」「全射」「単射」……離散数学を学んでいると、突然こんな呪文みたいな専門用語がたくさん出てきますよね。
教科書やネットの解説を開いても、謎の記号や小難しい定義ばかりがずらりと並んでいて、「もういやだ！」とブラウザを閉じたくなった経験はありませんか？

でも、安心してください！
今回の「第6羽」では、そんなややこしい数式や専門用語は一旦脇に置いておきます。
身近な例えを使いながら、うさぎでもスッキリ理解できるくらい「簡単な言葉」で解説していきます。

この記事を読み終える頃には、あなたが「写像マスター」として全域・部分写像や、全射・単射の違いを完璧に見分けられるようになっているはずです。一緒に楽しく学んでいきましょう！

１．写像を学ぶ前の準備：「関数」のおさらい

「写像（しゃぞう）」について本格的に学ぶ前に、まずは高校までの数学で習った「関数」について振り返ります。

(1) 関数とは「魔法の箱」

関数とは、分かりやすく言うと「値 $x$ を入れると、結果 $f(x)$ が出る魔法の箱」のことです。

中学校や高校の数学で、$y = 2x$ や $f(x) = 2x$ といった式を学んだと思います。これがまさに「魔法の箱」の正体です。

例えば、$f(x) = 2x$ というルールの箱に、入力として「3」という数字を入れてみます。

/

このように、「3」を入れると箱の中のルールに従って計算され、「6」になって出てきます。これが関数の基本的な働きです。

(2) 関数における重要なお約束

関数と呼ぶためには、とても重要な「お約束」が1つあります。

それは、「1つの $x$ から出てくる $f(x)$ の値は、ただ1つだけ」でなければならない、ということです。

例えば、「3」を入れたのに、ある時は「6」が出て、別の時には「8」が出たりするような気まぐれな箱は、「関数」とは呼べません。

入力に対して、常に決まった1つの結果だけを返してくれる。この厳密さがあって初めて、その箱は「関数」として認められます。

(3) 関数から「写像」へ

関数の「ルールに従って決まった結果を返す魔法の箱」というイメージは、写像を理解する上でとても重要になります。

これから学んでいく「写像（Mapping）」は、ズバリこの魔法の箱（関数）の「パワーアップバージョン」です。

今までの数学で関数に入れていたのは「数字」だけでした。

しかし、写像の世界では、この箱に「数字以外のもの」も入れることができるようになります。

このように、数字以外のものまで扱えるように関数のルールを拡張した魔法の箱こそが、「写像」の正体です。関数の基本イメージを踏まえた上で、ここから「写像」の性質について詳しく見ていきます。

２．写像とは

(1) 簡単に言うと

関数は数字しか扱えませんでしたが、写像は「数字以外」のものも入れたり出したりできるんです。

つまり、「$x$ を入れると、結果 $f(x)$ が出る魔法の箱」です。

例えば、身近な「自動販売機」を想像してみてください。

自動販売機では、入力する $x$ が「ボタン」で、出力される $f(x)$ が「飲み物」になります。

対象が数字からモノに変わっただけで、「ボタンの集まり」から「飲み物の集まり」へ対応関係を作る根本的な仕組みは、関数と全く同じですよね。これが写像の基本的なイメージです。

(2) 写像にも引き継がれる、お約束

そして、ここで関数で学んだ「あの超重要ルール」がそのまま適用されます。

それは、「1つの入力から出てくる結果は、絶対にただ1つだけ」というルールです。

もし自販機でボタン1を押したのに、水とコーラが2つ同時に出てきたらどうでしょうか。

それは「自販機が壊れている！」ということになりますよね。

つまり、これは写像のルール違反になってしまうのです。

対象が数字から様々なモノへと広がっても、「1つの入力から出るのはただ1つだけ」。これが写像の変わらない正体です。

(3) 写像の数学的定義

自動販売機のイメージが掴めたところで、実際に「ボタンと飲み物の対応関係」を数学の記号で表してみましょう。

写像を扱うとき、一番よく見かけるのが $f: A \to B$ という記号です。これは「集合 $A$ から集合 $B$ への、写像 $f$」ということを表しています。

「$A$ から $B$ へ」という方向が、そのまま矢印になっているんですね。

このように、大学の数学では、「どんなモノの集まり（集合）から、どんなモノの集まり（集合）へ対応させるのか」という「グループ全体」が主役になります^[1]高校までの数学だと、「$f(x) = 2x$」のように、数字を入れて数字を出す「計算のルール（式）」ばかりに注目していましたね。。

つまり写像という魔法の箱の正体は、集合 $A$ という世界にあるすべてのものに、集合 $B$ という世界の行き先を、たった1つずつ指し示す「完璧な地図」のようなルールのことなんです。

だからこそ、さっきの自販機のように「ボタンの集合」から「飲み物の集合」へ、という書き方ができるのです。式そのものよりも「どこから、どこへ行くのか」という宣言がとても重要になります。

(4) 写像の数学的定義

では具体的に、この「ボタンの集合 $A$」から「飲み物の集合 $B$」への対応関係を、3つの書き方で紹介します。表している中身は全部同じですが、場面によって使い分けます。

① おなじみの書き方

いつもの関数と同じように、$f(\text{ボタン1}) = \text{水}$ と書きます。見慣れた形なので安心しますね。

② プロっぽい書き方

根っこに縦線が入った特殊な矢印 ($\mapsto$) を使って、要素同士が対応していることを表します。\[
\text{ボタン1} \mapsto \text{水}
\]この矢印を使うと、なんだか数学のプロっぽくてかっこいいですね。

③ ペアの集合としての書き方

離散数学で一番よく使うのが、この書き方です。

入力と出力のペアを $(\text{ボタン1}, \text{水})$ のようにカッコでくくって、それを全部集めて集合の形にします。\[
f = \{(\text{ボタン1}, \text{水}), (\text{ボタン2}, \text{コーラ}), (\text{ボタン3}, \text{カルピス})\}
\]対応する組み合わせを、座標のように全部リストアップしてしまうのです。

実は、写像の正体というのは、この「入力と出力のペアを詰め合わせた集合」のことでもあります。

この3番目の書き方は今後もたくさん出てくるので、しっかり目に焼き付けておいてくださいね！

３．全域写像(関数)と部分写像(関数) [写像の入力に着目！]

ここからは「入力」に注目して、写像を

• 全域写像（ぜんいきしゃぞう）
• 部分写像（ぶぶんしゃぞう）

の2つのグループに分けてみましょう。

(1) 全域写像(関数) [売り切れなし]

全域写像とは、「すべての入力に対して、必ず結果が定義されている」状態のことです。

「どのボタンを押しても必ず飲み物が出てくる、売り切れが一切ない超優秀な自販機」がイメージです。

入力側の集合（ボタンの集合）にあるすべての要素から、必ず結果の矢印が出ています。

(2) 部分写像(関数) [売り切れあり]

一方、部分写像とは、「結果が出ない入力があってもOK」な状態のことです。

「一部の飲み物が売り切れになっていて、飲み物が出てこない…。」というのが、イメージです。

入力側全員が結果を出さなくても、一部だけ結果を出していればいいので「部分」という名前がついています。

(3) 例題にチャレンジ！

ここからは、実際に例題を解いてみましょう。

※ 慣れるまでは、実際に対応関係を図示して判定することをおすすめします。

(1) \( f_1 = \{(1, a), (1, b)\} \)

この式を図にすると、入力の 1 から、a と b の2か所に矢印が出ることになります。

これは、自販機で「ボタンを1つ押したら、飲み物が2本同時に出てきてしまった（壊れている）」状態です。

写像の超重要ルールである「1つの入力から出る矢印は絶対に1本だけ」という約束を破っているので、これはそもそも「写像（関数）ではない」となります。

よって、3. 写像(関数)ではない が答えです。

(2) \( f_2 = \{(1, a), (2, a)\} \)

この式を図にすると、1 から a へ、そして 2 からも a へ矢印が出ます。

行き先が同じ a でかぶっていますが、入力側の 1 と 2 は「全員が必ず1本だけ矢印を出す」というルールをしっかり守っています。

したがって、これは写像として全く問題なく、「全域写像」となります。

答えは、1. 全域写像(関数)である です。

(3) \( f_3 = \{(1, a)\} \)

この式を図にすると、1 は a へ行きますが、2 の対応は何も書かれていないため、2 からはどこにも矢印が出ません。

これは「2 はお休み（売り切れ）」していて結果が出ない状態です。結果が出ない入力が含まれているので、これは「部分写像」になります。1

答えは、2. 部分写像(関数)である です。

このように、式から「入力側の矢印の出方」を書くだけで、全域写像／部分写像の判定は簡単にできるのです！

４．全射と単射 [写像の出口　に着目！]

ここからは

• 全射（ぜんしゃ）
• 単射（たんしゃ）

という、めちゃくちゃ重要な2つのルールを紹介します。

名前からして難しそうに感じるかもしれませんが、ここではうさぎ界の「バレンタインのプレゼント」に例えて考えてみましょう。

「送り手の女の子うさぎ（集合A）」から「受け手の男の子うさぎ（集合B）」へ、「ニンジン」をプレゼントする写像として考えると、ルールの違いが一瞬で分かりますよ！

(1) 全射とは？　[誰も「ぼっち」にならない]

全射を一言でいうと、「受け手の男の子が、全員ニンジンをもらえている状態」のことです。

ポイントは「出力（受け手）全員がカバーされているか」です。

[i] 全射といえる例

• はやと君、れおん君の全員がニンジンをもらっている。
• れおん君は2本もらっているが、「全員が最低1本もらう」というルールを満たすのでOK。

[ii] 全射といえない例

• れおん君がニンジンをもらえていない（ぼっちがいる）。

(2) 単射とは？　[「かぶり」は許さない]

単射は、「1匹の受け手（男の子）が、複数の送り手（女の子）からニンジンをもらってはいけない」という少し厳しいルールです。

ポイントは「出力（受け手）に『かぶり』が一切ないか（最大でも1つまでか）」です。

[i] 単射といえる例

• ひびき君、ゆうた君はそれぞれ1本ずつしかニンジンをもらっていない。
• りくお君は0本だが、「もらうなら最大1本まで」のルールなのでOK。

[ii] 単射といえない例

• ひびき君が2人からニンジンをもらってしまっている（かぶりがある）。

(3) 全射と単射の数学的な定義（プロの書き方）

ここまでイラストで見てきたルールを、大学数学の「プロの書き方」で表すとどうなるか見てみましょう。

難しそうなアルファベットの記号が出てきましたね。

数式の意味を読む前に、まずは \( \forall \), \( \exists \) の意味をおさらいしましょう。

では、この2つの記号の意味を踏まえて、定義の式を読んでみましょう。

[i] 全射の定義

定義式は、\[
\textcolor{deepskyblue}{\forall y \in B}, \textcolor{magenta}{\exists x \in A}, f(x) = y
\]でしたね。

これをバレンタインのシチュエーションにすると、「受け手の男の子うさぎ \(y\) を全員 \(\forall \) 見渡したとき、必ずニンジンをくれた送り手の女の子うさぎ \(x \) が(1匹以上)存在 \(\exists \) する」と解釈できます。

つまり、さっきの「どの受け手を選んでも、必ずプレゼントをくれた人がいる（受け手側で誰も『ぼっち』じゃない）」という状態を、数学の言葉で厳密に表したものなのです。

[ii] 単射の定義

定義式は、\[
\textcolor{magenta}{\forall x_1, x_2 \in A} , \textcolor{deepskyblue}{f(x_1) = f(x_2)} \to \textcolor{magenta}{x_1 = x_2}
\]でしたね。

これをバレンタインのシチュエーションにすると、「もし、届いたニンジンが同じ男の子のものだった \(f(x_1) = f(x_2) \) としたら、それは絶対に、同じ女の子が贈ったものだ \(x_1 = x_2 \)」と解釈できます。

言い換えると、「別々の女の子から、同じ男の子に届くことはない（かぶりは絶対にない！）」ということになります。

[iii] 全単射の定義

全単射とは、文字通り「全射と単射の両方を満たしている状態」のことを指します。

つまり、受け手に「ぼっち」がいなくて、しかも「かぶり」もない完璧な状態ですね。

数学の定義は、誤解がないように厳密に書かれているだけで、言っていることはイラストで学んだシンプルなルールと全く同じなのです。

(4) 例題にチャレンジ

ここからは、実際に例題を解いてみましょう。

(1) \( f_1 \)

全射の判定)

出力（受け手）側の集合 \( \{a, b\} \) に注目してください。a も b も矢印（ニンジン）をもらっているので、「ぼっち」はいません。したがって、これは「全射」です。

単射の判定)

一方で、b が 2 と 3 の2か所から矢印をもらっており、「かぶり」が発生しています。かぶりがあるため、「単射」ではありません。（ \( 2, 3 \mapsto b \) のため、単射ではない）

答えは、2. 全射である（単射ではない）です。

(2) \( f_2 \)

全射の判定)

出力側の集合 \( \{a, b, c\} \) を見ると、a が誰からも矢印をもらえていません。「ぼっち」がいる状態なので、これは「全射」ではありません。

単射の判定)

一方で、矢印をもらっている b と c はそれぞれ1本ずつなので、「かぶり」はありません。したがって、これは「単射」です。

答えは、3. 単射である（全射ではない）です。

(3) \( f_3 \)

出力側の a, b, c 全員が、ちょうど1本ずつ矢印をもらっています。

「ぼっち」がいなくて、しかも「かぶり」もありません。

答えは、1. 全単射である です。

\( f_4 \)

全射の判定)

出力側の a が誰からも矢印をもらっていない「ぼっち」なので、全射ではありません。

単射の判定)

b が 1 と 2 の2か所から矢印をもらっており、「かぶり」が発生しています。かぶりがあるため、「単射」ではありません。（ \( 1, 2 \mapsto b \) のため、単射ではない）

答えは、4. 全射でも単射でもない です。

５．練習問題にチャレンジ！　数え上げ

それでは、ここまで学んだ知識を使って、条件を満たす写像が「何通り」あるかを数え上げる問題に挑戦しましょう。全部で5問あります。

引き続き、集合 \( A = \{1, 2\} \) を送り手の女の子、集合 \( B = \{a, b, c\} \) を受け手の男の子、矢印をプレゼントのニンジンとして考えるとイメージしやすいです。

６．練習問題の答え

1番の女の子と2番の女の子が、a, b, c くんの誰にニンジンを渡すかを考えます。

(1) 全域写像の数え上げ

全域写像なので、すべての入力から必ず矢印が出ます（自動販売機だと、売り切れなしの状態）。

• 1の行先：a, b, c の誰に渡してもよいので、3通り。
• 2の行先：同じく3人の誰に渡してもよいので、3通り。

これらを掛け合わせて、\( 3 \times 3 = 9 \) 通り になります。

よって、答えは 9通り です。

(2) 部分写像の数え上げ

全域写像との違いは「結果が出ない入力があってもOK（誰にも渡さない子がいてもいい）」という点でした。
※ 自動販売機で言う、売り切れのボタンがあってもOKな状態。

したがって、行き先の選択肢に「誰にも渡さない」という1通りが追加されます。

• 1の行先：a, b, c、そして「渡さない」 4通り。
• 2の行先：同じく a, b, c, 渡さない の 4通り。

これらを掛け合わせて、\( 4 \times 4 = 16 \) 通り になります。

よって、答えは 16通り です。

(3) 単射の数え上げ

単射のルールは「出力側（受け手の男の子）にかぶりがない状態」です。

• 1の行先：a, b, c のうち誰かに渡すので、3通り。
• 2の行先：1が選んだ男の子にはかぶって渡せないので、残りの2人から選ぶことになり、2通り。

これらを掛け合わせて、\( 3 \times 2 = 6 \) 通り になります。

よって、答えは 6通り です。

(4) 全単射(1対1対応)の数え上げ

この問題は「B から B へ」となっていることに注意してください。

a, b, c くんの3人が、自分たち3人の中でプレゼントを渡し合う状況です。全単射なので、「ぼっち」も「かぶり」もありません。

• a の行先：3人のうち誰かを選ぶので 3通り。
• b の行先：かぶり禁止なので、残り 2通り。
• c の行先：さらに残った最後の 1通り。

これらを掛け合わせて、\( 3 \times 2 \times 1 = 6 \) 通り になります。

よって、答えは 6通り です。

(5) 全射の数え上げ

最後は「B から A へ」の全射です。男の子たちから女の子たちへの「お返し」と考えましょう。ホワイトデーですね。

全射のルールは「出力側（女の子）にお返しをもらえない『ぼっち』がいない状態」です。この計算は、2つのステップに分けて考えます。

Step1. 全パターン（全域写像の数）を求める

まずは条件を気にせず、すべてのパターンを出します。(1)でやったのと同じ考え方です。

• a の行先：1か2の2通り。
• b の行先：1か2の2通り。
• c の行先：1か2の2通り。

これらを掛け合わせて、\( 2 \times 2 \times 2 = 8 \) 通りです。

Step2. 全射の条件を満たさないものをStep1から引く

全射にならない（女の子にぼっちがいる）ケースは、以下の2パターンだけです。

• 3人全員が1に渡してしまう（2がぼっちになる）：1通り
• 3人全員が2に渡してしまう（1がぼっちになる）：1通り

したがって、全パターンの8通りから、この「すべて1」と「すべて2」になってしまうケース（合計2通り）を引き算します。

よって、8 - 2 = 6 通り が答えです。

７．【おまけ】写像の数を一般化してみよう（公式集）

ここまでの考え方を踏まえて、要素の数が $m$ 個の集合 $A$ と、$n$ 個の集合 $B$ に一般化した「公式」としてまとめると、次のようになります！

(1) 全域写像の数え上げ

集合 \(A \), \( B \) を次のように設定します。\[
A = \{1, 2, 3, \dots, m\} , \ \ \ B = \{1, 2, 3, \dots, n\}
\]つまり、集合 \( A \) の要素数は \( m \) 個、集合 \( B \) の要素数は \( n \) 個ですね。

$m$ 人の送り手（集合A）が、それぞれ $n$ 人の受け手（集合B）の誰に渡すかを選びます。

全員が $n$ 通りの選択肢を持つので、$n \times n \times \dots$ と $n$ を $m$ 回掛け合わせます（重複順列）。

よって、\( n^m \) 通り が答えとなります。

(2) 部分写像の数え上げ

集合 \(A \), \( B \) は次の通りです。\[
A = \{1, 2, 3, \dots, m\} , \ \ \ B = \{1, 2, 3, \dots, n\}
\]集合 \( A \) の要素数: \( m \) 個、集合 \( B \) の要素数: \( n \) 個。

全域写像の選択肢に「誰にも渡さない（$\times$）」という1つの選択肢が追加されます。

つまり、全員が $(n+1)$ 通りの選択肢を持つので、$(n+1)$ を $m$ 回掛け合わせます。

よって、\( (n+1)^m \) 通り が答えとなります。

(3) 単射の数え上げ

集合 \(A \), \( B \) は次の通りです。\[
A = \{1, 2, 3, \dots, m\} , \ \ \ B = \{1, 2, 3, \dots, n\}
\]集合 \( A \) の要素数: \( m \) 個、集合 \( B \) の要素数: \( n \) 個。

• 1人目は、$n$ 通り
• 2人目は、1人目が選んだものを除いた残り $(n-1)$ 通り
• 3人目は、2人目までが選んだものを除いた残り $(n-2)$ 通り……

と選択肢が1つずつ減っていきます。

これらをすべて掛け合わせたものが答えです。高校数学で習う順列（P：パーミュテーション）の計算そのものです。

よって、\[
n(n-1)(n-2) \cdots (n-m+1) = {}_n \mathrm{P} _m \ \mathrm{通り}
\]が答えとなります。

(4) 全単射の数え上げ

集合 \(A \), \( B \) は次の通りです。\[
A = \{1, 2, 3, \dots, m\} , \ \ \ B = \{1, 2, 3, \dots, n\}
\]集合 \( A \) の要素数: \( m \) 個、集合 \( B \) の要素数: \( n \) 個。

要素数 $n$ 個の集合から、同じく $n$ 個の集合への「かぶりなし・ぼっちなし」の対応です。

• 1人目は、$n$ 通り
• 2人目は、1人目が選んだものを除いた残り $(n-1)$ 通り
• 3人目は、2人目までが選んだものを除いた残り $(n-2)$ 通り
• 4人目 ～ n-1 人目も同じように続いていき
• n人目は、n-1 人目までが選んだものを除いた残り 1 通り

の各通りを、すべて掛け合わせた\[
n \times (n-1) \dots \times 1 = n!
\]となります。

(5) 全射の公式は存在しない

全射だけは、簡単に一般化された公式はありません。

正確に言うとあるのですが、あえてここでは「全射の公式」は紹介しません。

理由としては、「公式が複雑すぎて丸暗記するメリットが全くないから」です。

全射を一般化した公式を作ろうとすると、「包除原理（ほうじょげんり）」という考え方を用いた、足し引きが連続するとても長くて複雑な数式になるからです。

実際のテストで出題される場合、出力側の集合の要素の数はせいぜい練習問題のような「2〜3個」程度です。

そのため、無駄に長い公式を暗記して計算ミスをするよりも、

• Step1. 全パターンを出す
• Step2. ダメなパターン（ぼっちがいるケース）を引き算する

という『考え方のプロセス』**を理解しておく方が、よっぽど早く正確に答えにたどり着けるのです。

(6) 公式まとめ

最後に、数え上げの公式をまとめたものを紹介します。

８．確認テスト

最後に、今回の記事で勉強した内容が、理解できているかどうかをどうかを確認するための小テストを作りました！

理解度確認に是非チャレンジしてみてください！

※ 回答フォームに入力後、自動採点 & 自動解説表示が行われます。

難しそうな名前ですが、実は私たちが毎日使っているスマートフォンやコンピュータの頭脳の基本になっている、とても身近な数学の世界です。

離散数学の第2羽では、まず「ブール代数とは何か」を直感的に理解し、その後、具体的な計算ルールや公式について詳しく解説していきます。

★ 動画でも解説しています！

本記事の内容は、動画でも解説しております。動画でご覧いただきたい方は、以下の動画をご覧ください。

1. ブール代数って何？

(1) 簡単に言うと

ブール代数とは、

• 「0と1」というたった2つの数と
• 「AND（かつ）」「OR（または）」「NOT（ではない）」という特殊な計算ルールだけでできている

とてもシンプルな数学の世界です。

私たちが普段使っている「整数」や「自然数」も、「どんな数が使えるか」と「どんな計算ができるか」がセットになった「数の世界」ですよね。

ブール代数もこれらと同じ、れっきとした「数の世界」の仲間なのです。

※ AND, OR, NOT演算については、後ほど紹介します。なので、こんな演算があるんだぁ程度の理解でOKです。

(2) ブール代数の2つのポイント

ポイント①　使える数は「0」と「1」だけ

ブール代数の世界では、使える数がたったの 2つ しかありません。

• 0 (偽, FALSE)
• 1 (真, TRUE)

クイズ番組の「○か×か」、あるいは電気のスイッチの「ONかOFF」をイメージするとわかりやすいですね。

ポイント②　計算するときは、ブール代数の専用演算 (AND, OR, NOTなど) を使う

ブール代数では、足し算や掛け算の代わりに、専用の演算を使います。

2. 真理値表とは？

基本の計算ルールを説明する前に、「真理値表（しんりちひょう）」という大切な道具を紹介します。

(1) 真理値表の定義

真理値表とは、論理式に対して、すべての入力パターンとその結果を一覧にした表のことです。

具体的に言うと…

• 入力変数（p, q, r など）に 0 か 1 を入れる
• すべての組み合わせパターンを書き出す
• それぞれのパターンで、式の結果がどうなるかを記録

のが真理値表です。

(2) なぜ真理値表が使えるのか？

ブール代数の世界では、変数に入る値は 0 か 1 の2通りだけです。

だから、変数の数に応じて、すべてのパターンを書き出せるのです。

たとえ、変数が3つの複雑そうな式でも、たった8通りのパターンを書き出すだけで、その振る舞いのすべてを理解することができます。

(3) 真理値表の例

例えば、変数が2個 (p, q) の場合、真理値表は以下のような形になります。

この ? の部分に演算の結果 (0 or 1) を埋めていきます。

(4) 真理値表の表記について

真理値表の 0 と 1 は、F（False, 偽） と T（True, 真） を使って表すこともあります。

具体的に、以下の2つの表の意味は全く同じです。

ちなみに、T (True) と F (False) で書く場合は、0/1の時とは逆に T から書き始めるパターン（TT, TF, FT, FF の順）が主流です。

コンピュータ（0/1）では『0から数える』のが基本ですが、人間の論理（T/F）では『正しい場合（True）から考える』という習慣があるため、書き出しの順序が異なることが多いのです。

3. ブール代数の基本計算ルール

(1) AND (論理積)

ANDは日本語で「かつ」という意味です。

ルールはとてもシンプルで、2つの材料が両方とも「1（真）」のときだけ、結果が「1（真）」になるというものです。

身近な例: 自動販売機

以下の2つの条件を両方とも満たしたときに、ジュースが出てくる自動販売機を考えてみましょう。

• お金を入れる \( p \)
• ボタンを押す \( q \)

このとき、自動販売機の動作は、以下の表のとおりになります。

このように、両方の条件がそろわないとダメなのがANDです。

演算記号

数学の世界

これは、ANDの「A」の形に似ている、と覚えましょう！ 「A」の横棒をなくすと、ちょうど \( \land \) の形になりますよね。

情報の世界

情報の教科書では、よく \( A \cdot B \) のように掛け算の記号を使います。 これは、「0と1の掛け算」と同じ動きをするからです。

• \( 1 \cdot 1 = 1 \)
• \( 1 \cdot 0 = 0 \)

うさぎ塾でのルール

うさぎ塾の離散数学では、基本として**「数学の世界」の記号 \( \land \) を使って解説していきます。 「Aに似てるやつ！」と覚えてくださいね。

ANDの真理値表

(2) OR（論理和）

ORは日本語で「または」という意味です。

ルールはとてもシンプルで、2つの材料のうち、どちらか片方でも「1（真）」であれば、結果が「1（真）」になるというものです。

身近な例: 休日の約束

以下の2つの条件を、どちらか片方でも満たしたら遊びに行く。

• 天気が晴れ \( p \)
• 旅行の気分である \( q \)

このとき、旅行に行くかどうかは、以下の表のとおりになります。

このように、片方の条件さえそろえばOKなのがORです。

演算記号

数学の世界

これは、さっきの AND記号 \( \land \) をひっくり返した形 です。 「谷（Valley）」の \( \lor \)、または「Aの逆」と覚えておくのが良いでしょう。

情報の世界

情報の教科書では、よく \( A + B \) のように足し算の記号を使います。 これは、四則演算の足し算とほぼ同じ動きをするからです。

• \( 0 + 0 = 0 \)
• \( 1 + 0 = 1 \)

ただし、一つだけ例外があります！

普通の数学なら \( 1 + 1 = 2 \) ですが、ブール代数の世界には「2」という数字がありません。

だから、\(1 + 1 = 1 \) （真と真を合わせても真のまま）という特別なルールになります。これだけ注意してくださいね。

うさぎ塾でのルール

うさぎ塾の離散数学では、こちらも「数学の世界」の記号 \( \lor \) を使っていきます。

谷の形、もしくはANDの逆！とセットで覚えましょう。

ORの真理値表

(3) NOT（否定）

NOTは日本語で「ではない」という意味です。

ルールは「0と1をひっくり返す」、ただそれだけです。

身近な例: 冷蔵庫のライト

• ドアが閉まっているとき（スイッチON）は、電球がOFF。
• ドアが開いているとき（スイッチOFF）は、電球がON。

このように、入力と出力が『あべこべ（反転）』になる動作こそが、NOT回路です。

演算記号

数学の世界

カギの形、通せんぼの壁のイメージです。

元の変数 \( p \) のことを「ダメだよ！」って否定している、通せんぼの壁みたいに覚えると分かりやすいです！

情報の世界

情報の世界では、文字の上にバー \( \overline{} \) をつけるだけです。

帽子みたいでわかりやすいですね。

うさぎ塾でのルール

うさぎ塾の離散数学では、こちらも「数学の世界」の記号 \( \lnot \) を使っていきます。

NOTの真理値表

(4) 基本計算ルールのまとめ

4. ブール代数の応用計算ルール

(1) ならば (条件)

「ならば」は矢印の記号 \( \to \) を使って \( p \to q \) と書き、「もしpが真ならば、qも真である」という意味を表します。

身近な例: 傘の約束

「もし雨が降っている（p）ならば、傘を持っていく（q）」という約束を考えます。

一番のクセモノは、「雨が降らなかったとき（$p=0$）」の扱いです。

この約束はあくまで「雨が降ったら」の話。晴れた日にあなたが迎えに行こうが行くまいが、「嘘つき！」と怒られることはありません。

論理学には**「嘘をついていなければ、約束は守られた（真=1）」**とみなす、心の広いルールがあります。

つまり、「ならば（$p \to q$）」が偽（0）になるのは、たった1パターンだけです。

• ❌ 嘘つき（0）： 雨が降った（$p=1$）のに、迎えに行かなかった（$q=0$）とき

これ以外はすべて「真（1）」になると覚えておきましょう！

真理値表

(1) 排他的論理和（XOR）

排他的論理和は XOR（エックスオア） と呼び、記号 \( \oplus \) を用いて \( p \oplus q \) のように表します。

ルールは、2つの材料のうち、どちらか一方が「1 (真)」のときだけ、結果が「1 (真)」になるというものです。

両方1のときは、「0 (偽)」になるのが、ORとの違いです。

身近な例：トリック・オア・トリート

ハロウィンの「トリック・オア・トリート」は、「いたずら（Trick）か、お菓子（Treat）か、どっちか一つ」という意味です。

ここで、

• お菓子をもらう動作を \( p \)
• いたずらされる動作を \( q \)

として、「トリック・オア・トリートのルールを順守しているか \( r \)」を確認しましょう。

トリック・オア・トリート、まさにXORの動きにそっくりですよね！

次回から、離散数学履修済みの人には「トリック・XOR・トリート！」と言ってみてくださいね。

真理値表

表13．排他的論理和の真理値表

5. 計算の順序

例えば、\( 5 + 2 \times 6 \) を計算するとき、次のように先に \( 2 \times 6 \) を計算しますよね。\[\begin{align*}
5 + 2 \times 6 & = 5 + 12
\\ & = 17
\end{align*}\]

ブール代数にも、四則演算のように計算の優先順位が決まっています。

(1) 優先順位

実際に、次の論理式はどのような順序で計算するんでしょうか？\[
\lnot 0 \lor ( 1 \land 1 ) \land 0 \to 0
\]

実際に計算順序を見ながら、確認していきましょう。

表14．計算の優先順位

(2) 注意: XORの計算順位

これまで学んだ5つの演算子の中で、「XOR \(\oplus \)」だけは少し注意が必要です。

実はXORは、使われる文脈や分野によって優先順位の解釈が変わることがある演算子です。AND \( \land \) の次に優先される（ORより強い）と考える場合もあれば、OR \( \lor \) の次に優先されると考える場合もあります。

そのため、XORを含む式を書くときは、解釈のブレを防ぐために後述する「括弧」を積極的に使うことをお勧めします。

(3) 同じ演算子の計算順序

優先順位が同じ演算子（または全く同じ演算子）が連続した場合、どちらから先に計算するかを決める「結合規則」というルールがあります。

[i] 左から計算する（左結合）

AND ($\land$)、OR ($\lor$)、XOR ($\oplus$) は、通常の四則演算と同じく左から順に計算します。

例: \( p \land q \land r \) の計算順序\[
( p \land q ) \land r
\]※ \( p \land q \) を先に計算する。

[ii] 右から計算する（右結合）

ならば ($\to$) が連続した場合は特別で、数学では珍しく右から順に計算します^[3]ネット上で検索して出てくる一部の真理値表作成ツールでは、$\to$ が連続する $p \to q \to r$ … Continue reading。

例: \( p \to q \to r \) の計算順序\[
p \to (q \to r)
\]※ \( q \to r \) を先に計算する。

※ 左から計算する、つまり\[
(p \to q) \to r
\]としまうと全く違う結果になるため、十分に注意しましょう。

(4) 最も大切なルール

ここまで優先順位や結合規則について説明してきましたが、ブール代数において最も大切なルールがあります。

それは、「実際に式を書くときは、なるべく括弧 () を使って、計算の順序が誰にでもハッキリと分かるように書くこと」です。

先ほどのこの式をもう1回見てみましょう。\[
\neg 0 \lor (1 \land 1) \land 0 \to 0
\]ルールを知っていれば正しく計算できますが、パッと見てどこから手をつければいいか迷ってしまいますよね。

しかし、以下のように括弧を使って書かれていればどうでしょうか。\[
(\neg 0 \lor ( (1 \land 1) \land 0) ) \to 0
\]

この式なら、優先順位のルールを完璧に覚えていなくても、内側の括弧から順番に処理していけば絶対に間違えることはありません。

どんなルールを習っても、結局は「括弧は全てを解決する」のです。

自分が式を書くときは、読み手への思いやりとして「親切な式（括弧を省略しすぎない式）」を書くように心がけましょう。

※ 本記事では、括弧の順番で困らないように、すべての問題について括弧を使って計算順序を明示するようにしています。

6. 論理的同値と真理値表

(1) 論理的同値ってなに？

数式の $a+b$ と $b+a$ が同じ結果になるように、ブール代数にも「見た目は違うが、結果は完全に同じになる式」のペアが存在します。

• 定義: ブール代数の式に出てくる変数 ( \( p, q \) など）にどんな値（0か1）を入れても、最終的な計算結果が必ず一致すること。
• 記号: イコールが3本線になった \( \equiv \) を使って表します。

(2) 論理的同値の証明ツール「真理値表」

普通の数学（整数問題などの証明問題）では、数字が無限に続くため「すべてのパターン」を調べることは不可能です。

しかし、ブール代数は「0と1だけの世界」です。

• 変数が2個なら: 4パターン（\( 2^2 \) 個）
• 変数が3個なら: 8パターン（\( 2^3 \) 個）

このようにパターン数が限られているため、「考えられる全パターンを真理値表に書き出して比較する」という最強の証明方法が使えます。

真理値表の結果の列が完全に一致すれば、それだけで「2つの式は同値である」と証明できます。

(3) ならば(→) とXOR (\( \oplus \)) の書き換え

発展的な演算子である「ならば（$\to$）」や「XOR（$\oplus$）」も、真理値表を使えば、基本の3つ（AND, OR, NOT）だけで表せることを証明できます。

実際に、真理値表を書いて証明してみましょう。

① ならばの書き換え: \( p \to q \equiv \lnot p \lor q \)

　※ \( p \to q \) と \( \lnot p \lor q \) の列の結果が完全に一致していますね。

② XORの書き換え: \( p \oplus q \equiv ( \lnot p \land q ) \lor ( p \land ( \lnot q ) ) \)

　※ \( p \oplus q \) と \( ( \lnot p \land q ) \lor ( p \land ( \lnot q ) ) \) の列の結果が完全に一致していますね。

おまけ: \( p \to (q \to r) \) と \( (p \to q) \to r \) が異なることの証明

真理値表を書くことで、2つの式が同値でない（結果が異なる式）であることも証明できます。

先ほど紹介した、次の2つの式が同値でないことを真理値表を使って書いてみましょう。

\( p \to (q \to r) \) と \( (p \to q) \to r \) の列の結果が完全には一致しておらず、結果が異なる行があります。

なので、\( p \to (q \to r) \) と \( (p \to q) \to r \) は別物ということが分かります。

7. ブール代数で重要な8つの法則（公式集）

論理的同値（$\equiv$）の中でも、複雑な式を簡単にするための「便利な道具」として特によく使うパターンを「公式集」としてまとめました。

自然数や整数の計算ルール（交換法則など）と似ているものも多いので、難しく構えずに見ていきましょう。

法則1: 交換則 [Commutative Law]

公式: \[
p \land q \equiv q \land p
\]\[
p \lor q \equiv q \lor p
\]

直感的な説明:

2×3と、3×2が同じように、変数の前後を入れ替えても結果は同じです。

真理値表による証明:

\( p \land q \equiv q \land p\)

\( p \lor q \equiv q \lor p \)

法則2: 結合則 [Associative Law]

公式: \[
( p \land q ) \land r \equiv p \land ( q \land r )
\]\[
( p \lor q ) \lor r \equiv p \lor ( q \lor r )
\]

直感的な説明:

同じ演算子 (AND, OR) が続く場合、どこから計算しても（カッコの位置をズラしても）結果は同じです^[4]AND, ORが混ざっている式は、計算順序を勝手に入れ替えてはいけません。例えば、\( p \land ( q \lor r) \) を \( ( p \land q ) \lor r \) … Continue reading。

四則演算でも、以下の2つの式

• \( (2+3) + 4 \) と \( 2+ (3+4) \)
• \( (2 \times 3) \times 4 \) と \( 2 \times (3 \times 4) \)

が同じ結果になるのと同じです。

真理値表による証明:

\( ( p \land q ) \land r \equiv p \land ( q \land r ) \)

\( ( p \lor q ) \lor r \equiv p \lor ( q \lor r ) \)

法則3: 分配則 [Distributive Law]

公式: \[
p \land ( q \lor r ) \equiv ( p \land q ) \lor ( p \land r)
\]\[
p \lor ( q \land r ) \equiv ( p \lor q ) \land ( p \lor r )
\]

直感的な説明:

カッコの外にある演算子を、カッコの中のそれぞれの変数に配る（展開する）ことができます。

真理値表による証明:

\( p \land ( q \lor r ) \equiv ( p \land q ) \lor ( p \land r) \)

\( p \lor ( q \land r ) \equiv ( p \lor q ) \land ( p \lor r ) \)

法則4: 恒等則 [Identity Law]

公式: \[
p \land 1 \equiv p
\]\[
p \lor 0 \equiv p
\]

直感的な説明:

1（真）とのAND、0（偽）とのORは、相手 \( p \) の値に全く影響を与えません。

真理値表による証明:

\( p \land 1 \equiv p \)

\( p \lor 0 \equiv p \)

余談:

恒等則とは異なりますが、\( p \land 0 \equiv 0 \), \( p \lor 1 \equiv 1 \) のように、結果が固定されるような性質もあります。

法則5: 同一則／べき等則 [Idempotent Law]

公式: \[
p \land p \equiv p
\]\[
p \lor p \equiv p
\]

直感的な説明:

自分自身との計算は、自分自身になります。

「テストで100点を取る」かつ「テストで100点を取る」は、結局1回言っているのと同じです。

真理値表による証明:

[補足] 自分自身とのAND, ORは3回以上とっても、自分自身です。

\[
p \land p \land \cdots \land p \equiv p
\]\[
p \lor p \lor \cdots \lor p \equiv p
\]

法則6: 補元則 [Completement Law]

公式: \[
p \land (\lnot p) \equiv 0
\]\[
p \lor (\lnot p) \equiv 1
\]

直感的な原理:

例えば、学校に行くか行かないかを考えましょう。

• 「学校に行く」と「学校に行かない」が同時に起こることは絶対ありません。
  → AND は 0（偽）になります。
• 「学校に行く」と「学校に行かない」のどちらかには、必ずなりますね。
  → OR は必ず 1（真）になります。

真理値表による証明:

法則7: 吸収則 [Absorption Law]

公式: \[
p \land (p \lor q) \equiv p
\]\[
p \lor (p \land q) \equiv p
\]

直感的な原理:

例えば、\( p \) を「数学の試験に合格」、\( q \) を「理科に合格」で考えてみましょう。

\( p \land (p \lor q) \equiv p \)

「数学の試験に合格した」かつ「数学か理科のどちらかに合格した」という条件を満たすのは、結局「数学の試験に合格した人」になりますよね。

\( p \lor (p \land q) \equiv p \)

「数学の試験に合格した」または「数学と理科の両方に合格した」という条件を満たすのも、結局「数学の試験に合格した人」になりますよね。

真理値表による証明:

法則8: ド・モルガンの法則 [De Morgan's Law]

公式: \[
\lnot (p \land q) \equiv \lnot p \lor ( \lnot q)
\]\[
\lnot (p \lor q) \equiv \lnot p \land ( \lnot q)
\]

直感的な原理:

NOT \( \neg \) が式全体にかかっているとき、「長い否定をブチッと切って、それぞれの変数に分け、真ん中の演算子（AND / OR）をひっくり返す」と同値になる、という魔法のような法則です。

一見信じがたい変形ですが、これも真理値表を使えば簡単に証明できます。

真理値表による証明:

\( \lnot (p \land q) \equiv \lnot p \lor ( \lnot q) \)

\( \lnot (p \lor q) \equiv \lnot p \land ( \lnot q) \)

高校数学とのつながり:

「AとBの重なり（共通部分）じゃないところ」は、「Aじゃないところ」と「Bじゃないところ」の「和集合」と同じになる、というベン図のルールを覚えているでしょうか。\[
\overline{A \cap B} = \bar{A} \cup \bar{B}
\]\[
\overline{A \cup B} = \bar{A} \cap \bar{B}
\]実は、このド・モルガンの法則は、高校数学の「集合」で学んだこの仕組みと全く同じです。

論理演算の「AND（$\land$）、OR（$\lor$）」と、集合の「共通部分（$\cap$）、和集合（$\cup$）」は、全く同じ計算ルールを持つ兄弟のような関係なのです。

8. 練習問題にチャレンジ

では、ここからは練習問題にチャレンジしてみましょう。

3問用意しています。

練習1: 真理値表と論理的同値

練習2: 論理的同値関係による商集合を求める問題

練習3: 命がけの扉選び！？

9. 練習問題の答え

解答1: 練習1の答え

(1)

真理値表を書いていきましょう。

※ 今回のように、複雑な式の真理値表を書くときは、\( q \to r \) のように、中の計算（パーツ）をするための列も書いておくのがコツです。

[i] \( p \to ( q \to r) \)

(2)

同値なものを見つけるときは、真理値表の最終的な答えの列 [i], [ii], [iii] に着目しましょう。

すると、[i], [iii] の列の 0/1 が完全に一致していますね。

なので、[i], [iii] が同値なペアということが分かります。

(3)

「商集合 \( A/\equiv \)」という言葉は少し難しく聞こえますが、要は「同値なもの（＝仲間）同士でグループ分けをした、そのグループの集まりを答えてください」、という意味です。

今回は論理的同値関係による商集合なので、以下の要素（[i]～[iii]の論理式）を論理的同値なもの同士でグループ分けをすればOKです。

• [i] \( p \to ( q \to r) \)
• [ii] \( (p \lor r ) \land ( q \to r ) \)
• [iii] \( (p \land q ) \to r \)

ここで前の問題より、[i]と[iii]は論理的同値（＝同じ仲間）であることが分かっていますね。

なので、集合 $A$ の要素は、次の2つのグループに分けることができます。

• グループ1: \( p \to ( q \to r) , ( p \land q ) \to r \)
• グループ2: \( (p \lor r ) \land ( q \to r ) \)

最後に、それぞれのグループを中括弧 { } で囲んで「ひとつの要素」とし、それらをさらに大きな中括弧 { } でひとまとめにしたものが商集合の答えとなります。

\[
A / {\equiv} \ = \left\{ \textcolor{blue}{ \{ p \to ( q \to r) , ( p \land q ) \to r \} } , \ \{ (p \lor r ) \land ( q \to r ) \} \right\}
\]

※ 中括弧 { } が二重になっているのは、商集合は「グループ（集合）」をさらに「ひとまとめ（集合）」にするためです。

(4)

[i] \( p \to ( q \to r) \) を変形していき、[iii] \( (p \land q) \to r \) を目指します。

Step1. 括弧の内側の式にならばの変形公式 \( \textcolor{red}{p} \to \textcolor{blue}{q} \equiv \textcolor{red}{\lnot p} \lor \textcolor{blue}{q} \) を適用します。\[
p \to ( \textcolor{red}{q} \to \textcolor{blue}{r}) \equiv p \to ( \textcolor{red}{\lnot q} \lor \textcolor{blue}{r} )
\]

Step2. 括弧の外側の式にならばの変形公式 \( \textcolor{red}{p} \to \textcolor{blue}{q} \equiv \textcolor{red}{\lnot p} \lor \textcolor{blue}{q} \) を適用します。\[
\textcolor{red}{p} \to \textcolor{blue}{( \lnot q \lor r )} \equiv \textcolor{red}{\lnot p} \lor \textcolor{blue}{( \lnot q \lor r )}
\]

Step3. 結合則（法則2）で、括弧の位置を変えます。 \[
\lnot p \lor ( \lnot q \lor r ) \equiv ( \lnot p \lor (\lnot q) \lor r 　)
\]

Step4. ドモルガンの法則 \( \lnot (p \land q) \equiv \lnot p \lor ( \lnot q) \) を逆に使い、\( \lnot \) を括弧の外に出します。\[
( \lnot p \lor (\lnot q) ) \lor r \equiv \lnot ( p \land q) \lor r
\]

Step5. ならばの変形公式 \( \textcolor{red}{p} \to \textcolor{blue}{q} \equiv \textcolor{red}{\lnot p} \lor \textcolor{blue}{q} \) を逆に適用します。\[
\textcolor{red}{\lnot ( p \land q )} \lor \textcolor{blue}{r} \equiv \textcolor{red}{ ( p \land q ) } \to \textcolor{blue}{r}
\]

この5ステップで、[iii] \( (p \land q) \to r \) の式と論理的同値であることが証明できます。

解答2: 練習2の答え

練習1と同じように、この3ステップで答えを出していきましょう。

• Step1. 与えられた集合内のすべての論理式について、真理値表を作成する。
• Step2. 完成した真理値表の出力結果を見比べ、結果が完全に一致する論理式（＝同値なもの）を見つけ出し、グループ分けをする。
• Step3. 分けられたそれぞれのグループを中括弧 { } で囲んで「ひとつの要素」とし、それらをさらに全体を包む大きな中括弧 { } でひとまとめにすれば、商集合の答えとなります。

まずは、それぞれの論理式の真理値表を書いていきます。

\( (p \to q) \to (p \land r) \)

\( (\lnot p \to r) \land (q \to r) \)

\( p \land (q \to r) \)

\( (p \to q) \to r \)

つぎに、各論理式の計算結果を比較してみましょう。

この計算結果より、論理式をつぎの2つのグループに分けることが出来ます。

• グループ1: \( (p \to q) \to (p \land r) \), \( p \land (q \to r) \)
• グループ2: \( (\lnot p \to r) \land (q \to r) \), \( (p \to q) \to r\)

最後に、それぞれのグループを中括弧 { } で囲んで「ひとつの要素」とし、それらをさらに大きな中括弧 { } でひとまとめにしたものが商集合の答えとなります。

\[
A / {\equiv} \ = \left\{ \ \textcolor{red}{ \{ (p \to q) \to (p \land r), \ p \land (q \to r) \} } , \ \textcolor{blue}{ \{(\lnot p \to r) \land (q \to r), \ (p \to q) \to r \} } \right\}
\]

解答3: 練習3の答え

重要条件「貼り紙1と貼り紙2のうち、1枚は本当（真）で、もう1枚はウソ（偽）です。」から、次の2パターンを調べればOKです。

• パターン1: 貼り紙1が本当（真）、貼り紙2がウソ（偽）
• パターン2: 貼り紙1がウソ（真）、貼り紙2が本当（偽）

この2パターンをそれぞれ調べていきましょう。

◇ パターン1: 貼り紙1が本当（真）、貼り紙2がウソ（偽）

貼り紙1が「真」なので、この時点で部屋の中身は「A = にんじん🥕、B = オオカミ🐺」で確定します。

しかし、この状態で貼り紙[2]の内容（片方がにんじんで、もう片方がオオカミ）を確認すると、内容が正しい状態、つまり「真」になってしまいます。

これは「[2]はウソ（偽）である」という最初の仮定と矛盾するため、パターン1 はあり得ないことがわかります。

◇ パターン2: 貼り紙1がウソ（偽）、貼り紙2が本当（真）

貼り紙1が「偽」であるということは、式全体を否定（NOT）するということです。

ここで先ほど学んだド・モルガンの法則が役立ちます！

\[\begin{align*}
\lnot ( A = 🥕 \land B = 🐺) & \equiv \lnot (A =🥕) \lor ( \lnot (B = 🐺) ) \\
& \equiv (A =🐺) \lor (B = 🥕)
\end{align*}\]

つまり、真実の条件は「Aがオオカミ、または、Bがにんじん」となります。

次に、貼り紙[2]が「真」であることから、部屋の中身は以下の2パターンのどちらかになります。

• [i] A = にんじん🥕、B = オオカミ🐺
• [ii] A = オオカミ🐺、B = にんじん🥕

ここで、[i] だと、先ほどド・モルガンの法則で導き出した「Aがオオカミ、または、Bがにんじん」という条件を満たさないため、矛盾します。

つぎに、残った[ii]（A=オオカミ🐺、B=にんじん🥕）であれば、すべての条件を矛盾なく満たすことができます。

部屋の中身は「Aの部屋がオオカミ、Bの部屋がにんじん」であることが論理的に証明されました。

したがって、あなたが安全に開けるべきなのは 部屋Bの扉 です。

10. テスト勉強の最強の味方！　うさぎ塾オリジナルの学習ツール

うさぎ塾では、ブール代数（特に真理値表）の勉強をするために役立つツールを提供しております。

学習の際に、是非お使いください。

(1) 【離散数学】真理値表 自動作成ツール（途中式あり）

「課題の答え合わせをしたいけど、途中の計算が合っているか不安…」という方におすすめ！

複雑な論理式を入力するだけで、途中式つきの真理値表を瞬時に自動生成します。

スマホでも使える専用ボタンでサクサク入力できます！

また、授業に合わせて「数学流(∧)・情報流(・)」の記号や、「0/1・T/F」の表示切り替えがワンタッチで可能です。

※ スタンフォード大学などと同じ「ならばの右結合ルール」に完全対応！　安心して答え合わせに使ってくださいね！

(2) 【離散数学テスト対策】真理値表の穴埋めガチ演習ツール

「理屈はわかったけど、テスト本番でノーミスで表を埋められるか心配…」という方にピッタリ！

自分で実際に 0/1 を入力して、真理値表を完成させる実戦形式のドリルツールです。

間違えた箇所はその場で赤く光って教えてくれるので、どこで計算ミスをしたか一目瞭然！

定期試験や院試対策の総仕上げとして、ぜひ満点を目指してガチ挑戦してみてください！

11. 確認テスト！

最後に、今回の記事で勉強した内容が、理解できているかどうかをどうかを確認するための小テストを作りました！

理解度確認に是非チャレンジしてみてください！

※ 回答フォームに入力後、自動採点 & 自動解説表示が行われます。

今回は、順序関係とハッセ図についてお勉強していきましょう！

今回学ぶのは、これ！

• 順序関係
• ハッセ図
• 順序関係の重要な性質
  • 上界
  • 下界
  • 最大元
  • 最小元
  • 極大元
  • 極小元
  • 上限（最小上界）
  • 下限（最大下界）

※ 2025/5/28　大幅リニューアルしました！

1. 全順序集合　全順序って何？

離散数学で登場する「全順序」と「半順序」という概念。

難しそうな名前ですが、実は身の回りにたくさんの例があり、私たちの日常感覚とも密接に結びついています。

この章では、まず直感的にわかりやすい「全順序」から説明し、一般的な「半順序」について解説していきます。

(1) 簡単にいうと…。

全順序集合とは、「すべての要素を一列に並べられる」という性質を持った集合のことです。

つまり、集合の中からどんな2つの要素を選んでも、必ず「どちらが先か後か」「どちらが大きいか小さいか」が明確に決まります。

例えば、3, 2, 11, 5, 7 という数字の集合を考えてみましょう。これらを小さい順に並べると、下のように一直線上に並べることができます。

2 → 3 → 5 → 7 → 11

この数列中のどの2つの数字を取り上げても、必ずどちらが大きいか判断できますね。例えば：

• 5と3 → 5が大きい
• 7と11 → 11が大きい

このように、集合内のどの2つの要素も比較可能で、順序関係が明確に決まる集合を「全順序集合」と呼びます。

また、全順序集合で成り立つ関係（どの2つの要素も比較可能で、順序関係が明確に決まる関係）を「全順序」または「全順序関係」と呼びます。

身近な例としては：

• クラスの出席番号
• 身長の高さ
• テストの点数
• 年齢

これらはすべて、「どちらが大きい／小さい」が明確に決まる全順序の例です。

(2) 全順序集合の数学的定義

ただ、いきなり定義だけを見ても腑に落ちるのは難しいと思います。

これらの性質について、もう少し詳しく見ていきましょう。

反射性．

反射性とは、「どの要素も自分自身と比較したとき、必ず自分は自分以上である」という性質です。

数学的に書くと、「どの要素も自分自身 \( x \) と比較したとき、\( x \leqq x \) が成立する」となります。

反射性は、次に説明する反対称性と合わせて「自分自身と比べる関係を定義するため」 に使われます。

反対称性．

反対称性とは、「2つの要素が互いに順序関係を持つなら、それらは同じものである」という性質です。

数学的に書くと「もし \( x \leqq y \) かつ \( y \leqq x \) ならば、必ず \( x = y \) である」となります。

言い換えると、同じ2つの要素が順序関係で

• \( x \) の値は \( y \) 以上である
• \( y \) の値は \( x \) 以上である

と同時に言えるのは、それらが同じものであるときだけだということです。

全順序関係では、この反対称性を使って「ある2つの要素が『小さい』かつ『大きい』とき」に、その2つの順序が完全に等しいことを定義しています。

言い換えると、異なる要素同士が「同じ値である」ということは許されず、必ず大小関係が定義されると言えます。

表．\( x \leqq y \) と \( y \leqq x \) の成立／不成立とその関係

◯ … 成立する
× … 成立しない

推移性．

推移性とは、「順序関係が三段論法的に連鎖する」という性質です。

数学的に書くと、「\( x \leqq y \) かつ \( y \leqq z \) が成り立つとき、必ず \( x \leqq z \) が成立する」となります。

例えば、Aさんの身長がBさんより高く、BさんがCさんより高ければ、必然的にAさんはCさんより高くなります。もし、この性質がないと順序関係に矛盾が生じてしまいます^[1]もし、Aさんの身長がBさんより高く、BさんがCさんより高いのに、AさんはCさんより身長が低いとなると、順序関係がおかしなことになりますよね。。

完全性．

完全性は全順序関係の最も重要な特徴で、「どんな2つの要素も必ず比較可能である」という性質です。

数学的に書くと「（集合内の）どの2つの要素に対しても、\( x \leqq y \)、\( y \leqq x \) のどちらか一方、あるいは両方が成り立つ」という性質です。

これこそが全順序の本質で、集合内のすべての要素が一列に並べられることを保証します。

言い換えると、集合の中のどんな2つの要素を取ってきても、必ずどちらが「小さい」、「大きい」、あるいは「等しい」と結論を下すことができるのです。

表．\( x \leqq y \) と \( y \leqq x \) の成立／不成立とその関係

◯ … 成立する
× … 成立しない

2. 半順序集合　半順序って何？

(1) 簡単にいうと…。

半順序は、「すべての要素に順番をつけるわけではなく、一部の要素の間だけ順序が決まっている」というイメージの順序関係です。

全順序集合では、「どんな2つの要素を選んでも、必ず順序が決まる（比較できる）」という性質がありましたね。

それに対して、半順序集合では「順序が決まる要素同士もあれば、順序が決まらない要素同士もある」という特徴があります。

つまり、集合の中から2つの要素を選んだとき、必ずしも「どちらが先か後か」「どちらが大きいか小さいか」が決まるとは限らないというのが、全順序との大きな違いです。

実際に、例を挙げて考えてみましょう。

たとえば、「うさぎ、ねこ、ハリネズミ」という3匹の動物について、「かわいさ（ももうさの独断と偏見による）」という基準で順序関係を考えてみます。

• 「うさぎ」は「ハリネズミ」以上のかわいさ
• 「ねこ」は「ハリネズミ」以上のかわいさ

この場合、うさぎとねこを比べる情報がないので、どちらがよりかわいいかは決められません。つまり、「うさぎとねこ」は比較できない関係にあります。

このように、すべての要素同士を比較できるわけではないけれど、一部の要素同士については順序関係が成り立つという場合、これを「半順序」と呼びます。

(2) 半順序集合の数学的定義

全順序との違いは、「完全性が成り立たなくてもOK」ということです。つまり、下の表の青色部分の関係を許すのが半順序となります。

表．\( x \leqq y \) と \( y \leqq x \) の成立／不成立とその関係

◯ … 成立する
× … 成立しない

3. ハッセ図

(1) ハッセ図とは

ハッセ図は、半順序集合の構造を視覚的にわかりやすく表した図のことです。

半順序では、すべての要素が順序づけられているとは限らないため、一直線上で関係を表現することはできません。

かといって、下のように文字だけで順序関係を書くのもわかりにくいですよね。

【私がかわいいと思う動物のかわいさ比較（ももうさの偏見）】

• 「いぬ」は「しろくま」よりかわいい
• 「ぺんぎん」は「いぬ」よりかわいい
• 「あざらし」は「いぬ」よりかわいい
• 「ハリネズミ」は「ぺんぎん」よりかわいい
• 「ハリネズミ」は「あざらし」よりかわいい
• 「うさぎ」は「ハリネズミ」よりかわいい
• 「ねこ」は「ハリネズミ」よりかわいい

そこで、どの要素がどれより上（あるいは下）にあるかを図で示すことで、構造を直感的に理解しやすくするのがハッセ図の役割です。

(2) ハッセ図の読み方

ルール1．要素と順序関係

点（ノード）：集合の要素を表します
線（エッジ）：要素間の直接的な順序関係を表します

例えば、次の図では「ぺんぎん」「あざらし」「いぬ」「しろくま」の4つの要素があることが示されています。

この図では、以下の4つの要素があります： -

• ぺんぎん
• いぬ
• あざらし
• しろくま

また、線に着目すると次の要素同士で順序関係があることがわかります。

• 「ぺんぎん」と「いぬ」
• 「あざらし」と「いぬ」
• 「いぬ」と「しろくま」

ルール2．上下関係で順序を読む

ハッセ図では、下から上に向かって順序関係を読みます。

• 下にある要素
  → より「小さい」（この例では「かわいさが低い」）
• 上にある要素
  → より「大きい」（この例では「かわいさが高い」）
• 線で直接つながった要素同士に順序関係がある

(1) 直接的な関係の読み取り

線で直接つながっている要素を見てみましょう。

• 「ぺんぎん」と「いぬ」の線
  → ぺんぎん \( \preceq \) いぬ、「いぬ」のかわいさは「ぺんぎん」以上
• 「あざらし」と「いぬ」の線
  → あざらし \( \preceq \) いぬ、「いぬ」のかわいさは「あざらし」以上
• 「いぬ」と「しろくま」の線
  → しろくま \( \preceq \) いぬ、「しろくま」のかわいさは「いぬ」以上

たとえば、以下の、図の「いぬ」と「しろくま」に着目すると、この2つは線で直接つながっていて、「いぬ」が「しろくま」より上にありますね。

このとき、「しろくま \( \preceq \) いぬ」、つまり「いぬのかわいさはしろくま」という関係を読み取ることができます。

また、「しろくま」と「ぺんぎん」は、直接つながっていませんが、「しろくま」 → 「いぬ」 → 「ぺんぎん」 のように上方向にたどれることができます。

この場合、2つの要素間に推移的な順序関係があるとみなします。

つまり、「しろくま \( \preceq \) ぺんぎん」、言い換えると「あざらしは、いぬよりもかわいい」という関係を読み取ることができます。

一方で、「ぺんぎん」と「あざらし」のように、上方向にも下方向にも一方通行で辿れない要素同士は、順序関係が定まっていない（比較できない）ことを意味します。

このようなペアは、「どちらが大きいか（かわいいか）」を判断できないため、順序が存在しないとみなします。

(3) 例題で確認

では、実際にハッセ図の読み取りについて、例題で確認していきましょう。

例題1

以下のハッセ図は、筆者ももうさ（私）が「かわいい！」と思う動物7種について、独断と偏見でかわいさの順序関係を定めたものです。図には、それぞれの動物の「かわいさの比較結果」が反映されています。

次のペアについて、ハッセ図に順序関係（かわいさの比較）があれば「◯」を、なければ「×」を答えなさい。

(1) 「うさぎ」と「ぺんぎん」
(2) 「うさぎ」と「ねこ」

解説1

(1)

ぺんぎん→ハリネズミ→うさぎ、と上方向にたどることが出来るため、比較可能です。

解答：〇

(2)

うさぎ→ねこ、ねこ→うさぎは、どう頑張っても上方向、下方向にたどることが出来ません。

よって、比較不可能です。

解答：×

(4) 練習問題

少し難しめの練習問題も用意しました。

練習問題の解説．

まずは、部分集合をすべて列挙する

べき集合とは、その集合から作れるすべての部分集合を集めた集合のことでしたね。

まずは、\( X = \{a,b,c\} \) にどんな部分集合があるか、全部書き出してみましょう。

要素の数（要素数）ごとに分けて書くとわかりやすいですよ。

• 要素数0: \( \phi \) [空集合]
• 要素数1: \( \{ a \} \), \( \{ b \} \), \( \{ c \} \)
• 要素数2: \( \{ a,b \} \), \( \{ a,c \} \), \( \{ b,c \} \)
• 要素数3: \( \{ a,b,c \} \)

すると、全部で 8個 の部分集合があることがわかります。これらの部分集合をすべて要素としたものがべき集合です。

復習．部分集合とは

部分集合は、元の集合の要素をいくつか（0個でも全部でもOK！）選んで作る集合のことです。

【成立する例】

• \( \phi \subseteq \{ a \} \)
• \( \{ a \} \subseteq \{ a,b \} \)

【成立しない例】

• \( \{ a,b \} \subseteq \{ a \} \)
• \( \{ c \} \subseteq \{ a,b \} \)

ハッセ図を書いていこう！

ハッセ図は、その部分集合同士の包含関係（どっちがどっちに含まれているか）をスッキリ見やすく図にしたものです。

では、いよいよ作図です！

各部分集合を点で表して、包含関係を線で結んでいくよ。

では、つぎの3つのポイントを意識しながら、ハッセ図をかいて行きましょう。

• 一番下に、空集合 \( \phi \) を書く。
• 要素が少ない順番に、下から順に書いていく
• 線は、1つ要素が多い部分集合とだけ結ぶ（推移的な関係は書かない）

Step1. 要素数0 → 要素数1

空集合 \( \phi \) は、 \( \{ a \} \), \( \{ b \} \), \( \{ c \} \) の部分集合です。なので、線を引きましょう。

Step2. 要素数1 → 要素数2

• \( \{ a \} \) は、\( \{ a,b \} \), \( \{ a,c \} \) の部分集合
• \( \{ b \} \) は、\( \{ a,b \} \), \( \{ b,c \} \) の部分集合
• \( \{ c \} \) は、\( \{ a,c \} \), \( \{ b,c \} \) の部分集合

これらの対応する部分集合関係を、線で結びましょう。

Step3. 要素数2 → 要素数3

• \( \{ a,b \} \) は、\( \{ a,b,c \} \) の部分集合
• \( \{ b,c \} \) は、\( \{ a,b,c \} \) の部分集合
• \( \{ b,c \} \) は、\( \{ a,b,c \} \) の部分集合

これらの対応する部分集合関係を、線で結びましょう。

これで、ハッセ図の完成です！

4. 順序関係における8つの重要な性質

ここからは、順序関係に出てくる上界、下界、最大元、最小元、極大元、極小元、上限、下限についてどんな性質かを見ていきましょう。

テストによく出るので必見ですよ！

(1) 上界 (じょうかい)

直感的理解

全体（半順序集合） \( X \) の中の、あるグループ（部分集合 \( S \) ）を考えます。

このグループ \( S \) のメンバー全員よりも大きい or 等しいような \( X \) の要素があれば、それを \( S \) の上界と呼びます。

かわいさで例えると、グループ \( S \) の動物たちみんなよりもかわいいか、同じくらいかわいい動物（ただし全体 \( X \) の中で）が上界ですね！

数学的な定義

数式的な表記：
\( \forall s \in S \), \( s \preceq x \) を満たす \( x \in X \)
→ どの \( s \in S \) に対しても、\( s \preceq x \) となるような \( x \in X \)

言葉での表記：

\( X \) の部分集合 \( S \) 内のどの要素 \( s \) を持ってきても、それより大きい or 等しい \( x \) が、\( S \) の上界となります。

具体例で確認

先ほど出した、このカワイイ動物たちのかわいさを図示したハッセ図を使ってみましょう！

ここで、集合 X = {しろくま, いぬ, ぺんぎん, あざらし, ハリネズミ, うさぎ, ねこ} としましょう。

早速、S = {ぺんぎん, あざらし, いぬ} の上界、つまりこれら3匹全員以上にかわいい動物を求めていきましょう。

まずは、Sの各要素ごとに、それ以上にかわいいものを求めていきましょう。

• ぺんぎん以上にかわいい動物：ぺんぎん、ハリネズミ、うさぎ、ねこ
• あざらし以上にかわいい動物：あざらし、ハリネズミ、うさぎ、ねこ
• いぬ以上にかわいい動物：ぺんぎん、あざらし、ハリネズミ、うさぎ、ねこ

この3つに共通するものは、ハリネズミ、うさぎ、ねこですね。

よって、Sの上界は「ハリネズミ、うさぎ、ねこ」となります。

言い換えると、この3匹の動物は常に「ぺんぎん, あざらし, いぬ (S)」以上にかわいいと言えるわけだ。

テストでの注意ポイント！

• 上界は、考えている部分集合 S の外側にあることが多いけど、S の中の要素が上界になることもあります。
  例えば、先ほどのハッセ図に対して、S = {ハリネズミ、ぺんぎん} とすると、上界は「ハリネズミ、うさぎ、ねこ」になって、Sの中にあるハリネズミを含みます^[2] … Continue reading。
• 上界は、1つとは限りません。複数存在することがあります。
• 上界が存在しないこともあります。例えば、S = {うさぎ, ねこ} とすると、うさぎ以上にかわいい動物はうさぎ、ねこ以上にかわいい動物はねこで、共通して当てはまる動物がいなくなりますね。

(2) 下界 (かかい)

直感的理解

全体（半順序集合） \( X \) の中の、あるグループ（部分集合 \( S \) ）を考えます。

このグループ \( S \) のメンバー全員よりも小さい or 等しいような \( X \) の要素があれば、それを \( S \) の下界と呼びます。

かわいさで例えると、グループ S の動物たちみんなよりもかわいくないか、同じくらいかわいくない（つまり、序列が下か同じ）動物が下界です。

数学的な定義

数式的な表記：
\( \forall s \in S \), \( x \preceq s \) を満たす \( x \in X \)（どの \( s \in S \) に対しても、\( x \preceq s \) となるような \( x \in X \)

言葉での表記：

\( X \) の部分集合 \( S \) 内のどの要素 \( s \) を持ってきても、それより小さい or 等しい \( x \) が、\( S \) の下界となります。

具体例で確認

同じように、このカワイイ動物たちのかわいさを図示したハッセ図を使ってみましょう！

集合 X = {しろくま, いぬ, ぺんぎん, あざらし, ハリネズミ, うさぎ, ねこ} でしたね。

早速、S = {ぺんぎん, あざらし, いぬ} の下界、つまりこれら3匹全員よりもかわいくない or かわいさが同じ動物を求めていきましょう。

まずは、Sの各要素ごとに、それ以下にかわいいものを求めていきましょう。

• ぺんぎん以下にかわいい動物：ぺんぎん、いぬ、しろくま
• あざらし以下にかわいい動物：あざらし、いぬ、しろくま
• いぬ以下にかわいい動物：いぬ、しろくま

この3つに共通するものは、いぬ、しろくまですね。

よって、Sの下界は「いぬ、しろくま」となります。

言い換えると、この3匹の動物は常に「ぺんぎん, あざらし, いぬ (Sの部分集合)」以下にかわいいと言えるわけだ。

テストでの注意ポイント！

下界は、上界と定義の不等号の向きが反対なだけで、考え方は同じです！

• 下界も、部分集合 S の中の要素が下界になることがあるし、外側の要素がなることもある。
• 下界も1つとは限らない。存在しないこともある。

(3) 最大元 (さいだいげん)

ここからは、「集合 \( S \) の一番」を決める概念、(3)最大元と (4)最小元を見ていきましょう。

直感的理解

あるグループ（部分集合 \( S \) ）の中で、「最も大きい」と言える要素のこと。

かわいさで言うと、グループ \( S \) 内の他のどの動物と比べても、それ以上（または同等）にかわいい、グループ内ナンバーワンの動物がいれば、それが「\( S \) の最大元」です。

数学的な定義

数式的な表記：
\( \forall s \in S \), \( s \preceq m \) を満たす \( m \in S \)
→ どの \( s \in S \) に対しても、\( s \preceq x \) となるような \( x \in S \)

言葉での表記：
\( S \) 内のどの要素 \( s \) を持ってきても、それより大きい or 等しい自身 \( m \) が、\( S \) の最大元となります。

具体例で確認

このハッセ図で、S = {ぺんぎん, あざらし, いぬ} の最大元を考えてみましょう。

• いぬ → ぺんぎん、あざらしにかわいさで負けるため、最大元とは言えない。
• ぺんぎん → あざらしとかわいさが比較できないため、最大元とは言えない。
• あざらし → ぺんぎんかわいさが比較できないため、最大元とは言えない。

したがって、S の最大元は存在しません。

テストでの注意ポイント！

• 最大元は、存在する場合「必ず唯一」に決まります。
• 最大元は、存在するとは限らない。
• 極大元（後で説明します）と混合しないこと！

(4) 最小元 (さいしょうげん)

直感的理解

あるグループ（部分集合 S）の中で、「最も小さい」と言える要素です。

そのグループ内の他のどの動物と比べても、それ以下（または同等）にかわいくない、グループ内最下位の動物がいれば、それが「S の最小元」だよ。

数学的な定義

数式的な表記：
\( \forall s \in S \), \( m \preceq s \) を満たす \( m \in S \)
（どの \( s \in S \) に対しても、\( m \preceq s \) となるような \( m \in S \)

言葉での表記：
\( S \) 内のどの要素 \( s \) を持ってきても、それより小さい or 等しい \( m \) が、\( S \) の最小元となります。

具体例で確認

このハッセ図で、S = {ぺんぎん, あざらし, いぬ} の最小元を考えてみましょう。

• ぺんぎん → いぬにかわいさで勝ってしまうため、最小元とは言えない。
• あざらし → いぬにかわいさで勝ってしまうため、最小元とは言えない。
• いぬ → ぺんぎん、あざらしにかわいさで負ける。よって最小元と言える。

したがって、S の最小元は「いぬ」です。

テストでの注意ポイント！

最小元は、最大元と定義の不等号の向きが反対なだけで、考え方は同じです！

• 最小元も、最大元と同じく存在する場合「必ず唯一」に決まります。
• 最小元は、最大元と同じく存在するとは限らない。
• 極小元（後で説明します）と混合しないこと！

(5) 極大元 (きょくだいげん)

直感的理解

あるグループ（部分集合 S）の中で、「自分より大きい要素が \( S \) 内にない」と言える要素のこと。

かわいさで言うと、グループ S 内のどの動物とも比較したとき、「自分よりかわいい」動物が S 内に存在しない要素が「S の極大元」です。

数学的な定義

数式的な表記：
\( \forall s \in S \), \( a \preceq s \to s = a \) を満たす \( a \in S \)
→ どの \( s \in S \) に対しても、もし \( a \preceq s \) であれば \( s = a \) である。

言葉での表記：
\( S \) の要素 \( a \) について、自身 \( a \) より大きい \( S \) 内の要素は \( S \) 内に存在しない。

具体例で確認

先ほどと同じハッセ図で、S = {ぺんぎん, あざらし, いぬ} の極大元を考えてみましょう。

• ぺんぎん → S内でこれよりかわいい動物がいないため、極大元です。
• あざらし → S内でこれよりかわいい動物がいないため、極大元です。
• いぬ → ぺんぎんとあざらしがS内でよりかわいいため、極大元ではありません。

したがって、S = {ぺんぎん, あざらし, いぬ} の極大元は「ぺんぎん」と「あざらし」です。

テストでの注意ポイント！

• 極大元は複数存在することがあります（この例では2つ）。
  ※ 最大元は存在する場合は必ず1つ！
• 最大元とは異なり、互いに比較できない要素が極大元になることがあります。
• 極大元が1つだけ存在する場合、最大元と必ず等しくなります。

(6) 極小元 (きょくしょうげん)

直感的理解

あるグループ（部分集合 S）の中で、「これより下の要素が \( S \) 内にない」と言える要素のこと。

かわいさで言うと、グループ S 内のどの動物とも比較したとき、「自分よりかわいくない」動物が S 内に存在しない要素が「S の極小元」です。

数学的な定義

数式的な表記：
\( \forall s \in S \), \( s \preceq a \to s = a \) を満たす \( a \in S \)
→ どの \( s \in S \) に対しても、もし \( s \preceq a \) であれば \( s = a \) である。

言葉での表記：
\( S \) の要素 \( a \) について、自身 \( a \) より小さい \( S \) 内の要素は \( S \) 内に存在しない。

具体例で確認

先ほどと同じハッセ図で、S = {ぺんぎん, あざらし, いぬ} の極小元を考えてみましょう。

• ぺんぎん → いぬがS内でよりかわいくないため、極小元ではありません。
• あざらし → いぬがS内でよりかわいくないため、極小元ではありません。
• いぬ → S内でこれよりかわいくない動物がいないため極小元です。

したがって、S = {ぺんぎん, あざらし, いぬ} の極小元は「いぬ」だけです。

テストでの注意ポイント！

極小元は、極大元と不等号の向きが反対なだけで、考え方は同じです！

• 極小元は複数存在することがあります（この例では2つ）。
  ※ 極小元は存在する場合は必ず1つ！
• 最小元とは異なり、互いに比較できない要素が極小元になることがあります。
• 極小元が1つだけ存在する場合、最小元と必ず等しくなります。

(7) 上限(最小上界) [じょうげん／さいしょうじょうかい]

直感的理解

「グループ \( S \) 内のどのメンバーよりも、大きい or 等しい要素（＝上界）」の中で、一番小さいもの。

かわいさで言うと、「グループS内の全ての動物以上にかわいい動物（上界）」の中で、かわいさの序列が最も低といえる動物（つまり、ギリギリで上界の条件を満たす動物）が「Sの上限」です。

数学的な理解

上界の要素を部分集合 S' としたときの、S' の最小元。

具体例で確認

同じハッセ図で、S = {ぺんぎん, あざらし, いぬ} の上限を考えてみましょう。

まず、Sの上界は「うさぎ、ねこ、ハリネズミ」でしたね。この2つの要素のうち、最小（かわいさが控え目）と言える要素があるかどうか確認します。

• うさぎ → ハリネズミが、よりかわいさが控え目（小さい）なので上限とはなりません。
• ねこ → ハリネズミが、よりかわいさが控え目（小さい）なので上限とはなりません。
• ハリネズミ → うさぎ、ねこともにかわいさに負けるため、上限と言える。

よって、Sの上限は「ハリネズミ」となります。

テストでの注意ポイント！

• 上限は、存在する場合必ず1つだけです。
• 上限は、存在しないこともあります。

(8) 下限(最大下界) [かげん／さいだいかかい]

直感的理解

「グループ \( S \) 内のどのメンバーよりも、小さい or 等しい要素（＝下界）」の中で、一番大きいもの。

かわいさで言うと、「グループS内の全ての動物以下にかわいい動物（下界）」の中で、かわいさの序列が最も高いといえる（つまり、ギリギリで下界の条件を満たす）動物が「Sの下限」です。

数学的な理解

下界の要素を部分集合 S' としたときの、S' の最大元。

具体例で確認

同じハッセ図で、S = {ぺんぎん, あざらし, いぬ} の下限を考えてみましょう。

ここで、Sの下界は「いぬ、しろくま」でしたね。

• いぬ → しろくまよりかわいいため、下界の中で一番かわいいと言える。よって下限。
• しろくま → いぬの方がよりかわいいため、下限とは言えない。

よって、Sの下限は「いぬ」となります。

テストでの注意ポイント！

• 上限は、存在する場合必ず1つだけです。
• 上限は、存在しないこともあります。

5. 練習問題にチャレンジ！

順序関係の8つの性質は、テストでも頻出です！

なので、練習問題で理解度を確認していきましょう。

問題

練習問題

半順序集合\[
X = \{ a,b,c,d,e,f,g,h,i,j,k \}
\]上の半順序関係 \( \preceq \) が以下のハッセ図のように定義されている。

つぎの(1), (2)の問いに答えなさい。

(1) 要素 \( d \) について、つぎの[a], [b], を満たすような \( x \) をそれぞれすべて求めなさい。ただし、\( x \in X \) とする。

[a] \( d \preceq x \) を満たすような \( x \)
[b] \( x \preceq d \) を満たすような \( x \)
\( \lnot ( (x \preceq d) \lor (d \preceq x) ) \)

(2) 部分集合を \( S = \{ d, f, g \} \) とする。\( S \) について、次の [ア] ～ [ク] に当てはまる要素をすべて答えなさい。ただし、存在しない場合は「×」と答えること。

[ア] 上界
[イ] 下界
[ウ] 最大元
[エ] 最小元
[オ] 極大元
[カ] 極小元
[キ] 上限
[ク] 下限

解説

(1) ハッセ図の読み方

[a] \( d \preceq x \): \( x \) は \( d \) と同じか、より上である。

ハッセ図で \( d \) と同じ位置にあるか、\( d \) から出発して線を上にたどっていくと到達できる要素 \( x \) をすべて列挙していきます。

• \( d \) 自身：まず \( d \) が当てはまります
• \( d \) から上へ:
  • \( d \) から直接線で上に繋がっているのは \( a \) と \( b \) です。
  • \( a \) や \( b \) からさらに上へたどれる要素はありません。

したがって、\( a , b , d \) が条件を満たします。

答え：\( a , b , d \)

[b] \( x \preceq d \): \( x \) は \( d \) と同じか、より下である。

ハッセ図で \( d \) と同じ位置にあるか、\( d \) から出発して線を下にたどっていくと到達できる要素 \( x \) をすべて見つけられればOKです。

• \( d \) 自身：まず \( d \) が当てはまります
• \( d \) から下へ:
  • \( d \) から直接線で下に繋がっているのは \( f \) と \( g \) です。
  • \( f \) からさらに下にたどると、\( h \) と \( i \) が出てきます。
  • \( g \) からさらに下にたどると、\( h \) と \( i \) が出てきます。
  • \( h \) や \( i \) から、さらに下へたどれる要素はありません.。

したがって、\( d, f, g, h, i\) が条件を満たします。

答え：\( d, f, g, h, i\)

\( \lnot ( (x \preceq d) \lor (d \preceq x) ) \)

これは、\( d \) との間に上下関係が全くない（ハッセ図で、\( d \) から上にも下にも辿れない）要素を探すということです。比較できないということですね。

具体的には、[a], [b] で見つからなかった要素が比較不能となります。

• [a] \( d \preceq x \) となる要素: \( a , b , d \)
• [b] \( x \preceq d \) となる要素: \( d, f, g, h, i\)

[a] と [b] で見つかっていない出てきていない要素

\( x \preceq d \) ( \( d \) 以上である ）でも \( d \preceq x \) （ \( d \) 以下である）の否定は、比較が出来ないもの。

よって、答えは \( c, e \) となります。

答え：\( c, e \)

(2) 重要な性質の復習

[ア] 上界

\( S \) のメンバーである \( d \), \( f \), \( g \) のすべてに対して、「その要素と同じか、それより上にある」ような要素を \( X \) の中からすべて見つけます。

• \( d \) 以上の要素：\( a \), \( b \), \( d \)
• \( f \) 以上の要素：\( a \), \( b \), \( c \), \( d \), \( e \), \( f \)
• \( g \) 以上の要素：\( a \), \( b \), \( c \), \( d \), \( e \), \( g \)

これら3つのもので、共通して含まれている要素は \( a \), \( b \), \( d \) ですね。

よって、\( S \) の上界は \( a,b,d \) です。

[イ] 下界

\( S \) のメンバーである \( d \), \( f \), \( g \) のすべてに対して、「その要素と同じか、それより下にある」ような要素を \( X \) の中からすべて見つけます。

• \( d \) 以下の要素：\( d \), \( f \), \( g \), \( h \), \( i \)
• \( f \) 以下の要素：\( f \), \( g \), \( i \)
• \( g \) 以下の要素：\( g \), \( h \), \( i \)

これら3つのもので、共通して含まれている要素は \( i \) だけですね。

よって、\( S \) の下界は \( i \) です。

[ウ] 最大元

\( S \) のメンバーである \( d \), \( f \), \( g \) の中で、他のどの \( S \) のメンバーと比べても文句なしの1番大きいものを見つけていきましょう。

• \( d \): \( f \), \( g \) より大きいですね。
  → 最大元
• \( f \): \( d \) より小さいですね。
  → 最大元ではない
• \( g \): \( d \) より小さいですね。
  → 最大元ではない。

よって、\( S \) の最大元は \( d \) です。

[エ] 最小元

\( S \) のメンバーである \( d \), \( f \), \( g \) の中で、他のどの \( S \) のメンバーと比べても文句なしの1番小さいものを見つけていきましょう。

• \( d \): \( f \), \( g \) より大きいですね。
  → 最小元ではありません。
• \( f \): \( g \) と比較できません。
  → 最小元ではありません。
• \( g \): \( f \) と比較できません。
  → 最小元ではありません。

よって、\( S \) の最小元は存在しません。（×）

[オ] 極大元

\( S \) のメンバーである \( d \), \( f \), \( g \) それぞれで、自分より上に \( S \) のメンバーがいないかどうか見ていきましょう。

• \( d \): これ以上大きい要素は \( S \) の中にはいませんね。
  → 極大元。
• \( f \): \( d \) がより大きいですね。
  → 極大元ではありません。
• \( g \): \( d \) がより大きいですね。
  → 極大元ではありません。

よって、\( S \) の極大元は \( d \) です。

※ 最大元が \( d \) なので、極大元は自動的に \( d \) となります。（最大元があれば、それは必ず極大元です。）

[カ] 極小元

\( S \) のメンバーである \( d \), \( f \), \( g \) それぞれで、自分より下に \( S \) のメンバーがいないかどうか見ていきましょう。

• \( g \): \( f \), \( g \) がより小さいですね。
  → 極小元ではありません。
• \( d \): これより小さい要素は \( S \) の中にはいませんね。
  → 極小元。
• \( f \): これより小さい要素は \( S \) の中にはいませんね。
  → 極小元。

よって、\( S \) の極小元は \( d, f \) です。

[キ] 上限(最小上界)

[ア] で見つけた「上界」の要素たちの中で、文句なしに最も小さいと言える要素を探していきましょう。

ここで、\( S \) の上界は \( a,b,d \) でしたね。

• \( a \): \( d \) の方が小さいですね。
  → 上限ではありません。
• \( b \) \( d \) の方がより小さいですね。
  → 上限ではありません
• \( d \): \( a \), \( b \) より小さいですね。
  → 上限。

[ク] 下限(最大上界)

[イ] で見つけた「下界」の要素たちの中で、文句なしに最も大きいと言える要素を探していきましょう。

ここで、\( S \) の下界は \( i \) でしたね。

下界が1つしかないので、自動的に下限も \( i \) と決定します。

よって、\( S \) の極小元は \( i \) です。

6. テスト勉強の最強の味方！　うさぎ塾オリジナルの学習ツール

課題の答え合わせをしたいけど、途中の計算が合っているか不安…」という方におすすめ！

ハッセ図を入力することで、述語論理で記載された論理式の真偽、および指定する部分集合 \( S \) の上界/下界、最大元/最小元、極大元/極小元、上限(最小上界)/下限(最大下界)を計算することができます

スマホでも使える専用ボタンでサクサク入力できます！

7. 確認テスト！

最後に、今回の記事で勉強した内容が、理解できているかどうかをどうかを確認するための小テストを作りました！

理解度確認に是非チャレンジしてみてください！

※ 回答フォームに入力後、自動採点 & 自動解説表示が行われます。

確認テストだけでは足りないよという人がいましたら、追加の練習フォームもどうぞ。

大学生活って、高校までとは全然違いますよね！自由すぎる時間割、知らない人だらけのキャンパス、選べるサークルの多さ…

まるでオープンワールドゲームの広大なマップに放り出されたような、ワクワクと少しの戸惑いを感じているかもしれません。

• この広い世界で、私は何をすべきなんだろう？
• 将来のために、今からやっておいた方がいいことってある？
• どうやったら充実した大学生活が送れるんだろう？

そんな疑問、すごくわかります！私も入学した当初は「自由すぎて何していいかわからない…」状態でした😅

この記事では、私が大学4年間で出会った人たち、挑戦したこと、失敗したこと、そして成長できたことを包み隠さずシェアします。

大学という「ニューゲーム」を始めたばかりのあなたに、少しだけ先を行く先輩としての攻略情報をお届けします！

さらに、監修者のももうさ先生が社会人視点からのアドバイスもプラス！「卒業後に『あの時こうしておけば良かった』と後悔しないための秘訣」を余すところなくお伝えします。

この記事を読むことで、単位を取るだけの受け身な大学生活ではなく、将来の自分に感謝される「レベルアップの4年間」にするためのアイデアがきっと見つかるはずです！

それでは、大学生活を最大限に活かすためのポイントを、順番に見ていきましょう！

1つ目．友達を作ろう！

大学は「情報戦」という言葉、聞いたことありますか？

高校までと違って、大学生活では様々な情報をいち早くキャッチすることがめちゃくちゃ大事なんです！

でも、一人だけだとどうしても情報収集に限界が…😢 

大学からの公式情報はメールや掲示板でチェックできますが、おいしいバイト情報、穴場のサークル、楽しいイベント、おすすめの授業など、大事な情報の多くは「人づて」に広がっていきます。

友達がいると、自然とこういった情報が集まってくるんです！

最初は「あの人と話したことある」くらいの軽いつながりでも全然OK！

広く浅いつながりから始めて、徐々に仲良くなっていければベストです✨

(1) 友達づくりは今でも遅くない！🌱

「もう入学前に友達のグループができてそう…」って不安に思っている人もいるかもしれませんね。

でも、大丈夫です！

僕も推薦合格で少し早めに知り合いができましたが、実は入学後に出会った人たちとの方が長く付き合う友達になっています。

特に入学直後の数週間は、みんな「友達作りたい！」と思っているので、普段より少し勇気を出して話しかけやすい絶好のタイミングです！

この時期を逃さないようにしましょう！

(2) 初対面の前に、清潔感を確認！

第一印象はとっても大事！

特に「清潔感」は、相手に好印象を与える最も基本的なポイントです🌟

オシャレはかなり難しいですが、「清潔感」は誰にでも出せるもの！

朝の5分でできるセルフチェックを習慣にすると、自分に自信がつくし相手にも好印象です😊

(3) 友達づくりの実践テクニック！初心者でも使える方法🔍

その1：まずは基本から

• スマイル効果：
  いつでも笑顔でいよう！
  笑顔は最強の武器！いつもより10%増しの笑顔で。
• 相手が話しやすそうな話題：
  「出身地どこ？」「サークル何か入る？」など、どの相手も話しやすそうな簡単な質問から。
• 小さな親切：
  「ペン貸して」と言われたら快く貸す、プリント取っておくなど

相手の話しやすそうな話題は、こんなのがおすすめ👇️

その2：自分らしさをアピール

自分の特徴や趣味を少し強調すると、印象に残りやすいです！

私の場合は「筋トレが趣味で体格がいいのに、実はハリネズミなどの小動物が大好き」というギャップで覚えてもらえました（笑）^[2]ももうさの独り言：実際に私もハリネズミ氏と初めて会ったとき、ギャップがありすぎて2秒で覚えました！笑。

あなたならではの「意外性」や「好きなこと」をさりげなくアピールしてみましょう！

その3：聞き上手になる

自分から話すのが苦手な人は、「聞き上手」を目指すのがおすすめ！

相手の話にうなずいたり、「それで？」「どうだった？」と質問を返したりするだけで、「あの人と話すと楽しい」と思ってもらえます^[3]ももうさの独り言：自分もついつい喋りすぎちゃうことがあるので、聞き上手になれるように今でも練習しています。。

これは友達作りだけではく、就活や社会人になっても役立つスーパースキルなので、是非意識してくださいね！✨

(3) 「友達づくりが苦手…」という人へ特別アドバイス🌟

友達づくりが苦手でも大丈夫！無理に自分を変える必要はありません。

• 少人数から始める：
  一度に大勢と仲良くなろうとせず、まずは1～2人と
• 共通の趣味から：
  好きなことを通じて知り合うと会話が続きやすい
• ペースを守る：
  自分のエネルギーと相談しながら、無理のないペースで

大学にはいろんなタイプの人がいます。話すのが得意な人もいれば、聞くのが得意な人も。

あなたのペースで友達づくりを進めていけば大丈夫です😊

(4) 最新技術！SNSを活用した友達づくり📲

今どきの友達づくりには、SNSも大活躍！

• LINE OpenChat：学部・学科・サークルごとのグループに参加
• Instagram：自己紹介の一貫でインスタアカウントを紹介することも！
• X(旧Twitter)：リアルで会う前に「#春から○○大」のハッシュタグで同級生を探してフォローしよう！

SNSで知り合った人あとは、実際に会ってみましょう。（エンカと呼びます。）

お互いの特徴をある程度知った状態で会えるので、緊張も少なくなります！

ただし、注意点も。SNSでは自分の個性を出したいあまり、攻撃的な発言や過激な投稿をしがちです。この行動、初対面の人には「ちょっと怖い人かも…」と思われることも。

最初のうちは少し控えめに、相手を尊重する姿勢を忘れないようにしましょう。

(5) 友達関係でよくある「あるある」とその対処法😅

[i] 「あれ？この人誰だっけ…」

名前を忘れられる・忘れることはよくあります！急に大量の新しい人と出会うので当然。

笑顔で「ごめん、名前をもう一度教えてもらってもいい？」と正直に聞くのがベスト。

[ii] 「手を振ったけど気づいてもらえなかった…」

恥ずかしいけど、誰にでもある経験！

私も友達だと思って手を振った人が全く知らない人だったけど、相手も「どこかで会った人かな？」と思って手を振り返してくれたことも。人間だもの、気にしすぎないで！

[iii] 「LINEが全然返ってこない…」

返信がもともと遅いタイプもいれば、忙しくて返信を忘れることもあります。

悪気があるわけじゃないことが多いので、気長に待ちましょう！

本当に急ぎの要件のときは「さっきの件だけど〜」と自然に再度メッセージするといいですよ。

(6) 友達づくりの大切なポイント：焦らず楽しむ🌈

友達づくりで一番大事なのは「焦らないこと」。

良い友人関係は一日では作れないもの。大学は4年間（以上）の長い旅✈️

最初はみんな知らない人だらけでも、1年後、2年後には大切な友達ができているはずです。

最初のうちは「とりあえず知り合いを増やす」くらいの気持ちで、徐々に気の合う人と深く付き合っていけばOK！

一期一会の出会いを楽しみながら、あなたらしい大学生活をスタートさせましょ✨

2つ目．恋愛チャレンジ♪　自分から一歩踏み出してみよう！

まず最初に: 恋愛は選択肢の一つ、必須ではありません💭

まず最初に大切なお話。

恋愛は大学生活の素敵な一部になりうるものですが、決して必須ではありません！

それぞれの人に合った過ごし方があって、恋愛より勉強や研究に打ち込みたい人、趣味に没頭したい人、友情を深めたい人など、様々な選択があって当然です😊

「みんな恋愛してるから私も…」「大学生なら彼氏・彼女いないとダメかな」なんて思う必要は全くありません。自分のペースで自分らしい大学生活を送ることが一番大切です✨

ただ、もし恋愛に興味があったり、気になる人が出来たときは、この章の内容を見直してみてください。

興味がなければスキップしてOK！　大学時代には恋愛以外にも、たくさんの素敵な経験があります！例えば：

• 学問への没頭:
  興味ある分野を深く掘り下げる贅沢な時間
• 友情の深化:
  生涯の友人となる仲間との絆を育む
• 自己成長:
  サークルやボランティアでスキルを磨く
• 趣味の探求:
  新しい趣味や特技を見つける絶好の機会
• 一人時間の充実:
  自分と向き合い、自立する力を養う

恋愛に興味がない、または今はタイミングではないと感じるなら、これらの経験に時間を使うのもとても価値があります✨

大切なのは「みんながやってるから」ではなく、「自分が本当にやりたいこと」に時間を使うことです！

(1) 大学生の恋愛って、特別なんです！

大学生になると、高校までとは全然違って自由に動ける時間がすごく増えます🎵

そして、新しい学部の友達や地域の人たちとの出会いなど、様々なところで人間関係が広がります！

なので、この時期は新しい出会いのチャンスが広がる時期でもあります💕

大学時代は、社会人と比べるとかなり自由な時間がある時期なので、しっかりと恋の経験ができる貴重な期間です^[4] … Continue reading✨

(2) 1年生の最初のころが、出会いのチャンス！

1年生の時期は、新しい人間関係を築きやすい時期です！

その理由は：

• みんな新しい環境で友達作りに積極的だから声かけやすい😊
• まだグループが固まってなくて、いろんな人と知り合えるチャンス！
• 授業やガイダンスで自然と話せる機会がたくさん♪
• お互いに「知り合いを増やしたい！」って思ってる時期

なので、恋愛に関心があれば、この時期は自然と交流できる良い機会です。

(3) リアル体験談：小さな一歩から始まった恋物語💘

私の経験をちょっと紹介させてください！大学に入ったばかりの時、最初の授業で出会った人の話し方や雰囲気にキュンとしちゃったんです💓

でも、いきなり「好きです！」じゃなくて、こんな小さなステップから始めました：

1. ちょっとしたお菓子持って、「これどう？」って話しかけてみる
2. 得意な科目があれば「ここ教えるよ～」って声かけてみる
3. だんだん仲良くなってきたら、GWに「どこか行かない？」って誘ってみる
4. 二人の空気が良くなったところで、思い切って気持ちを伝える

こうやって少しずつ距離を縮めていったら、なんと4年間ずっと一緒に過ごせて、卒業式には将来を誓い合うまでに💍

大切なのは一気に進もうとせず、関係をじっくり育てることを楽しむ気持ちかな～

(4) 恋愛に限らず、人間関係で大切なこと💭

その1. 最初は、お友達から。

いきなり「恋愛対象」って考えるというよりは、まずは「一人の人間」として接してみましょう！

最初から意識しすぎると緊張しちゃうもんね😅

ちなみに、こんなトピックをストックしておくと、少しだけ緊張しなくなるかも？

その2. 話しかけやすい人になるためのテク✨

自分から話すのも良いけど、相手から話しかけやすい人になるというのも重要なポイントです！

こんなポイントを意識しておきましょう！

「1つ目．友達は絶対つくろう」でも話しましたが、聞き上手になるのも立派な戦略です！

その3. いきなり距離を詰めすぎないこと🚶‍♀️↔️🚶‍♂️

人との関係性を築く上で、相手のパーソナルスペースを尊重することはとっても重要です！

いきなり近づきすぎると、どんなに良い人でも「ちょっと怖いな…」と思われてしまうことも😅

関係は「植物」みたいなもの🌱 急成長させようとしても枯れちゃう。

ゆっくり丁寧に水をあげるように、時間をかけて育てていくのがコツです！

(5) 自然に仲良くなるためのテクニック☆

人間関係を深めるきっかけって、日常の何気ないことから生まれるものです！

ここで、簡単にいくつか紹介しますね💡

その1. 授業を活用した作戦📚

• グループワークで「私やります！」って前向きな姿勢を見せる
• テスト前に「一緒に勉強しない？」って声かけてみる
• 「この問題わかんなくて…教えてくれない？」って質問してみる
• LINEグループで「レポートの情報共有しよ！」って呼びかける

その2. サークル・委員会での出会い作戦🌟

• 趣味が合う人と自然に仲良くなれるチャンス！
• 週1とかで会えるから「あ、また会ったね！」って自然に話せる
• イベント準備で一緒に頑張るうちに、気づいたら距離が近くなってる♪

その3. SNS活用作戦📱

• いきなり話すのが緊張する場合は、まずはチャットから。Xとかインスタとかも駆使しよう！
• オンラインでちょっと話した後に「今度ご飯行かない？」って誘ってみるとよいかも！
  → 最初は複数人で誘うのがおススメ！

(6) デートできたらチェックしたいポイント💗

デートは楽しむのが一番だけど、これから長く一緒にいたいなって思える相性かも、さりげなくチェックしてみましょう！

普段見れない一面を知れるチャンスだから、大切にしましょ～！

(7) 出会いや別れから得られる学び💎

人との関わり（友情でも恋愛でも）を通して、いろんな力が身につきます：

実際に行動をすると、うまくいかなかった関係出てくると思います。でも、その行動は絶対に無駄じゃない！

その経験が次に活きてくるし、人として成長できるんです。

恋愛に限らず、様々な人間関係の中で自分を成長させていく時間として、大学時代を過ごしてみてください💪✨

(8) 大学での恋がもっと気になるあなたへ

大学時代の恋愛ってどんな感じなの！？　と気になるあなたへ。

実際に大学生100人に質問、アンケートを取り、その結果をまとめたものを記事にしています！

興味があったらぜひ見てくださいね！

工業大学の交友・恋愛事情　工業大学でも彼女・彼氏ってできるの？

今回は工業大学の交友・恋愛事情について、工業大学100人にアンケートを取り、調査した結果を記事にまとめています。

(9) まとめ：大学時代の人間関係エッセンス💕

3つ目．チームで活躍する経験を積もう！

(1) チームでの活動って、なぜ大切なの？

大学生活では、一人で過ごすことも全然アリです。

特に情報系の学部なら、個人でプログラミングとかプロジェクトを進められることも多いです。

でも社会に出ると、ほぼ間違いなくチームの一員として活動することになります。

それを踏まえてか、就活のエントリーシートや面接では、チームで活躍した具体的な経験について聞くところは本当に多いんです！

その準備を大学時代の最初でしておくと、就活をする学部3年、修士1年生、さらに社会人になってからもすごく役立ちますよ✨

(2) 私の体験談：ボランティアからの大冒険

実は僕、高校までは全然リーダータイプじゃなかったんです。

でも大学に入って、なんとなく入った地域ボランティア委員会がきっかけで変わりました。

人手不足で「ちょっとこの部署のリーダーやってみない？」って言われて、ドキドキしながら引き受けたのが始まり。最初は不安だらけでした💦 

でも、子どもたちの読書イベントを企画した時、予算がなくて大変だったけど、みんなでアイデアを出し合って乗り越えられたときの達成感は忘れられません！

その経験がきっかけで、「もっとできることあるんじゃない？」と思い、子どもの教育支援のボランティア団体を立ち上げちゃいました。

行政の人と話し合ったり、企業から協賛をもらったり…最初は緊張したけど、一つ一つクリアしていく感じが楽しかったです！

(3) リーダーだけじゃないよ、チームの中の「自分の居場所」

リーダーって目立つポジションですが、チームが成功するのはみんなの力があってこそ！

どんな役割も大切です！

RPGとかでも、戦士は近接攻撃が得意、魔法使いは遠距離攻撃、回復が得意など、それぞれの役職によって得意なことが異なりますよね。それと同じです！

いろんな役割を経験してみて、「あ、これ僕に合うかも！」っていう発見が楽しいんですよね。

その経験こそ「僕だからこそ話せる」エピソードになって、就活に役立ちますよ✨

(4) チーム活動をする上で大切なこと

チーム活動、めっちゃ楽しいけど、ちょっと気をつけてほしいこともあります。

たとえば、「リーダーの肩書き欲しい！」「就活で話したい！」だけが目的だと、なんか空回りしちゃうかも。面接官にもバレちゃいます^[5] … Continue reading👀

大切なのは、この3つ。

僕の場合、子どもたちに笑顔を届けるって目標が軸だったから、ボランティアや団体立ち上げに本気で取り組めました。

でも、熱が入りすぎて、メンバーに「ちょっとキツイな」って思わせちゃったこともあって…。

そこから、「みんなの意見をじっくり聞く」ってことを意識するようになりました。失敗も含めて、全部が大事な経験になりますよ！

(5) 今日からできる！ 簡単な始め方

「でも、何から始めればいいの？」と思いますよね。

そんなあなたに、お手軽ステップをご紹介します！

Step1. 好きなこと、気になることに飛び込む

サークル、大学の委員会、バイト、ボランティアとか、まずは興味があるものに積極的に入ってみよう！　

「楽しそう！」って思うものや、バイトみたいに「やらなきゃ」ってものが続けやすいよ。

Step2. まずは、小さな役割から

いきなり責任ポジションを狙わなくてOKです！　まずはイベントの受付、資料作り、意見出しのような、簡単な役割からやってみましょう！

チームの一員として動くだけでも、めっちゃ勉強になります。尊敬する先輩の動きを観察して「なるほど！」と思うのもありですね！

Step3. ちょっとずつ大きなポジションに挑戦

慣れてきたら、大きなポジションに挑戦してみましょう！　リーダー、サブリーダーでなくても大丈夫！　例えば、後輩にアドバイスする役割でもOK！

「これやってみたい！」と手を挙げてみるチャレンジ精神も、就活のアピール材料になりますよ！

Step4. 経験を自分の言葉で残しておく

活動の際に、日記などで活動の記録を言葉で残しておきましょう！　就活のときに振り返りできて便利ですよ！

(6) まとめ

チームでの活動は、時に大変なこともあるけれど、その分だけ得られるものも大きいです。大学時代にしかできない経験がたくさん待っています！

自分が「わくわくする！」と思える活動を見つけて、気軽な気持ちで一歩踏み出してみてください。その経験は必ず、かけがえのない宝物になりますよ💫

もしよかったら、皆さんの経験談教えてくださいね！

4つ目．学生という特権を最大限活用しよう✨

みなさん、「学生」という立場がどれだけ特別か、気づいていますか？

社会人が見ても「あの時もっと活用しておけば良かった…」と思うくらい、学生特権というのは非常に大きいものなんです！

是非、「学生」という特別な立場をフル活用しましょう💪

(1) 学割という最強の味方！お得すぎる特典たち💰

移動費がグッと安くなる鉄道の学割🚄

鉄道の学割って本当にすごいんです！

例えば、JRなら普通運賃が2割引になるんですよ。しかも、うれしいことに👇

飛行機もお得に空の旅を楽しめる✈️

飛行機も学生・若者向けの割引がアツいんです！

JALやANAなどの多くの航空会社で、「25歳以下」という条件だけで割引が受けられたりします！

リーズナブルに旅行できますよ🌴

学生専用カードで賢くポイントも貯めよう💳

学生のうちだからこそ持てる特別なカードもあります！　僕のおススメはこれ👇

• JALカードnavi：学生限定の年会費無料クレジットカード
  • 通常のJALカードは年会費がかかるけど、naviは在学中ずっと無料！
  • 通常よりも安いマイルで、日本全国を飛び回れる
  • マイルの有効期限が伸びるので、留学や卒業旅行の航空券に使える！
  • TOEIC600点を取ると、マイルがもらえちゃう！

デジタルツールも学生なら破格の値段で💻

僕のおススメは、GitHub Copilotです。

学生なら有料のProプランが無料で使えちゃいます^[7]通常だと、月額10ドルかかります。（2025年4月30日現在）。AIがコードを提案してくれるので、プログラミング勉強のお供、間違いなし！

例えば、これくらいのコードなら丁寧な解説付きで、簡単に出てきますよ！

// 入れた内容: 配列中の3でも5でも割り切れない数の平均を返す関数 ave3_5をC言語で作成しなさい。
// ただし、3でも5でも割り切れない数が配列中に少なくとも1つは含まれているとしてよい。
#include <stdio.h>

// 配列中の3でも5でも割り切れない数の平均を返す関数
double ave3_5(int arr[], int size) {
    int sum = 0;      // 3でも5でも割り切れない数の合計
    int count = 0;    // 3でも5でも割り切れない数の個数
    
    // 配列を走査
    for (int i = 0; i < size; i++) {
        // 3でも5でも割り切れない数を探す
        if (arr[i] % 3 != 0 && arr[i] % 5 != 0) {
            sum += arr[i];
            count++;
        }
    }
    
    // 少なくとも1つは条件を満たす数があると仮定しているので、
    // count = 0 のチェックは省略可能ですが、安全のため入れておきます
    if (count == 0) {
        return 0.0; // エラー処理（問題の仮定により実際には起こらない）
    }
    
    // 平均値を計算して返す（double型への変換を確実にするため、(double)をつける）
    return (double)sum / count;
}

// 使用例を示すためのmain関数
int main() {
    int array1[] = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10};
    int array2[] = {3, 5, 6, 9, 10, 15, 1, 2, 4, 7};
    
    printf("配列1の3でも5でも割り切れない数の平均: %.2f\n", 
           ave3_5(array1, sizeof(array1) / sizeof(array1[0])));
    
    printf("配列2の3でも5でも割り切れない数の平均: %.2f\n", 
           ave3_5(array2, sizeof(array2) / sizeof(array2[0])));
    
    return 0;
}

PCを買うなら学生のうちが超お得🖥️

Apple製品 (MacBook Pro, iPad) や、Dellなど、主要パソコンメーカーには学生割引があることも！

価格によっては、3万円以上節約できることも。

ちなみに、ももうささんは「卒業間際だからパソコン買わなきゃ！」って駆け込みでMacBook Pro買ってました^[8] … Continue reading😅

日常の遊びもお得に楽しめる🎮

学生ならカラオケやボウリング、映画館など、遊びの料金もかなり安くなります！

サブスクリプションサービスも学割が効くものが多いので、Amazon Prime、Apple Music、などチェックしてみてください！

(2) 大学図書館は宝の山！無料の知識の宝庫📚

図書館って、単に勉強する場所じゃないんです。膨大な知識が詰まった「無料の宝庫」なんですよ☺️

僕のオススメは、普段読まないジャンルの本を手に取ってみること。視野が広がりますよ^[9] … Continue reading！私は理系なのに経営学の本を読んだことで、卒業研究のアイデアが生まれました✨

(3) 「学生」という肩書きも最強

「学生です」という一言で、社会人には開かない扉が開くことがあります👀

社会人との貴重な交流チャンス

学生のうちなら、「勉強のため」という理由で、企業や行政のイベントに参加しやすいんです。最初は勇気がいるけど、一歩踏み出してみる価値アリです！

僕の場合、社会人との交流するようになったきっかけはこんな感じ👇

1. 最初は地域商店街の会議に「大学生ですが参加させてください」と飛び込み
2. そこで知り合った行政の方から他のコミュニティを紹介してもらう
3. さらにネットワークが広がり、企業のトップの方とも交流するように

学生は「将来の可能性」を感じてもらえるので、温かく迎えてもらえることが多いんです😊

この交流のお陰で、こんなことが出来ちゃいました。

• ビジネスパーソンとの輪読会で本を提供してもらった
• 海外視察に同行させてもらえた
• 普通なら参加費が高額なイベントに招待してもらえた
• 第一線で活躍する方々との食事会に誘ってもらえた

もちろんこれはレアケースですが、「興味があるので参加したいです」という一言から色んなことができちゃうんです！　大切なのは純粋な好奇心と学ぶ姿勢！

他にも社会人と交流することで、「大人の人と話すことに慣れる」ことが出来、結果的に就活の面接のときに緊張せずに、素の姿で挑めるなんてメリットもあります！

注意！　「学生だから」は武器にも毒にも🔑

最後に大事なこと。「学生特権」を使う時の心構えです：

• 目的をはっきりと:
  「何を学びたいのか」という意識を持ちましょう。
  「奢ってもらいたい」という下心だけで行くのはNG。バレバレです。
• 感謝の気持ちを忘れずに:
  特別に時間を割いてもらっていることを忘れない。
• フォローも忘れずに:
  必ずお礼のメールを送りましょう！

社会で働いている方々は、学生を見る目はとても鋭いです。打算的な態度はすぐに見抜かれてしまいます^[10]ももうさの独り言：と言っても、ちょっと興味を持っていて勉強したいな、というくらいでも大丈夫ですよ！　ただし、人にもよりますが、、😅　しかし、純粋に学ぶ姿勢があればめっちゃ助けてくれます！！

(4) まとめ

学生という立場は、時間的にも金銭的にも、そして人間関係においても特別な特権があります！

社会人になると「あの時もっと活用すれば良かった」と必ず思うので、今のうちからできることをメモしておきましょう📝

5つ目．コツコツ努力の習慣づくり

(1) 小さな積み重ねが、将来の大きな差になる！🌱

大学に入学したばかりのみなさん、新生活はワクワクすることでいっぱいですよね！自由な時間もグッと増えて「何から始めよう？」と考え中の人も多いはず。

そんな今だからこそ、ちょっとだけ提案したいことがあります。

それは「コツコツ続ける習慣」を身につけること！

これから4年間、そして社会人になっても一生役立つ最強スキルなんです💪

(2) なぜ今、習慣化が大切なの？🤔

正直に言うと、コツコツ努力するのって本当に難しいんです。

今日やらなくても明日でいいや…って先延ばしにしがち。

特に成果がすぐに見えないことだと、なおさら続けるのは至難の業😅

でも、この「続ける力」が身についている人とそうでない人では、大学卒業時点で想像以上の差がついています！

就活でも「学生時代に頑張ったことは？」って聞かれてアピールすることができるし、社会人になってからも「あの新入社員、すごく頑張ってるね」って評価される強みになるんです✨

(3) 私の体験談：筋トレ4年間継続で得たもの💪

私は大学入学直後、「健康的な習慣をつけよう」と思って本格的に筋トレを始めました。でも実は最初はほんとに嫌々で…（笑）

★ 私のスタート地点(高校3年生)

• 運動経験：
  ほぼゼロ（中学・高校と部活なし）
  高校3年生ごろから市営のジムに父親とたまに行く程度
• モチベーション：
  親から運動不足で健康に悪いと言われて仕方なく...
  正直「とりあえずやってみるか…」程度

★ 具体的な進め方

• 1ヶ月目：
  自宅で腕立て10回・腹筋10回・スクワット15回を毎晩
  時間がある時はたまに自宅近くを2km程度ランニング
  父親に連れて行かれて泣く泣くジムに...
• 3ヶ月目：
  マシントレーニングの重量が増え始める
  フリーウエイトにも挑戦してみる
  この頃から学校終わりに1人で市営ジムに週2回通い始める
• 半年後：(高校卒業直前くらい)
  少しつづ重量が伸びて楽しさを感じる
  友達に筋肉付いてきた？などと言われる
  体格が良くなったことで自信を持つように
• 1年後：
  一人暮らしを機に大学近くの24hジムに通うように
  この頃からはトレーニングが楽しくて仕方なかった
  ベンチプレスが自分の体重を超える（達成感すごい！）
• 2年後：
  体付きがもっと変わって昔よりも自信を持てるようになった！
  運動を軸に生活して充実感を感じられる！
• 4年後（今）：
  週3-4回のジム通いが完全に習慣化＆生活の一部に
  日々成長している実感を持てることが楽しい！

★ 得られた成果

• 見た目の変化：
  姿勢が良くなり、Tシャツを着たときのシルエットが変わった
  スーツが似合うと言われるようになった(やりすぎると既製品が買えなくなります...）
• 体力向上：
  階段を走っても息切れしなくなった
  一日予定が多くても疲れを感じることがあまりなかった
• 自信がついた：
  「続けられた」という自信が他のことにも波及
  自分に自信があるから何事も明るく考えられるように
• ストレス発散：
  テスト前や就活の緊張もジムに行けばリセットできる
• 人間関係：
  人に覚えてもらいやすくなった
  体大きくて、見た目怖いと感じる人も中身はすごく優しい人だと知れた(笑)

何より大きかったのは「自分でも続けられる」という自信です。この経験が他の習慣づくりにも役立っています！

(4) もう一つのおすすめ：英語学習（TOEIC）📚

筋トレと並んでおすすめなのが英語学習、特にTOEIC！こちらも目標スコアを設定して取り組むと、成果が数字で見えるのでモチベーションを保ちやすいんです。

ももうさ先生の例を紹介します：

• スタート：
  TOEIC500点
• 目標設定：
  7ヶ月の勉強でTOEIC730点
• 取り組み：毎日10分でも良いのでTOEIC対策で英語にふれる！
• 結果：
  • 1ヶ月後: 610点
  • 3ヶ月後: 680点
  • 7ヶ月後: 830点！

僕の大学では、奨学金免除の学内選考でTOEICのスコアが見られるのですが、このスコアのおかげもあって、無事学内選考を勝ち取ることができました！

(5) 習慣化のための実践的テクニック🔑

どんなに素晴らしいことでも、続けるのは簡単ではありません。

でも、いくつかのコツを知っておくと格段に続けやすくなります！

[i] 判断ポイントを徹底的に減らす

人間は「今日はやるべきかな…」と考える瞬間に挫折します。これを避けるコツは：

• 「毎朝歯を磨いた後にTOEICの単語帳を5分」など、特定の行動と紐づける
• 「月水金の授業後にジムに寄る」など、曜日と時間を完全に固定する
• スマホのカレンダーに予定として入れておく（通知も設定！）

効果：「やるかやらないか」を毎回判断する疲れから解放される！

[ii] 最初は驚くほど小さく始める

「今日から毎日1時間勉強する！」なんて目標は挫折の元。代わりに：

• 1日10分だけTOEICの英単語勉強をする
• 腕立て伏せを寝る前に10回だけ
• 英語のニュースを1つでもいいので聞いてみる

ポイント：「え、それだけ？できるじゃん！」と思える量から始めること

[iii] その他のテクニック

他にも、こんなテクニック、ありますよ！

• 継続の最大の味方「記録」：
  カレンダーに実施日に✓をつける
  （連続記録が見えるとやる気UP！）
• 一緒に頑張る仲間：
  1人だと挫折しやすいので、仲間がいると心強い！
  （分野が違ってもOK！）

(6) 就活以外のメリットもあるぞ！

「就活に有利」以外にも、継続する習慣は社会人になってからこんな風に役立ちます：

僕がお世話になっていた研究室の先生からも「毎日コツコツやり続けられる人は伸びる」と言われましたが、まさにその通りだと実感しています！

(7) まとめ: ちょっと気をつけたいこと⚠️

頑張りすぎは逆効果！無理なく続けるためのポイントです：

• 完璧主義は捨てる：
  たまに休んでも大丈夫。休んだ分を取り返そうとしないこと！^[12] … Continue reading
• 体調優先：
  風邪ひいてまで筋トレは必要なし！
• 環境を味方に：
  スマホの誘惑が強いなら、スマホをおいて大学の図書館で勉強する、など。
• 成長を祝う：
  小さな成功も自分で認めて、時々ご褒美も大切。
  例：1週間継続できたら、いつもより高いケーキを食べる。

1年生の今から少しずつ始めれば、卒業するころには見違えるような自分に出会えるはず！しかも、一度身についた「続ける力」は一生の財産になります✨

さあ、今日から何か一つ、コツコツ続けてみませんか？

将来の自分が必ず感謝してくれますよ！😊

6つ目．失敗をたくさんしよう

「若いうちは失敗していいから、どんどんチャレンジしよう！」なんて言われても、正直、誰も進んで失敗したいとは思いませんよね😅 

特に日本人は安定志向が強く、失敗するくらいなら現状維持…という考え方が一般的かも。

でも、様々な社会人と関わってきた経験から言うと、学生のうちの失敗は本当に貴重！

なぜなら、学生時代は基本的に大人が助けてくれるし、致命的な問題になることはほとんどないからです。

失敗したときの「あぁ…やっちゃった」という恥ずかしさや後悔の気持ちは、実は成長のための強力な経験値になります。

(1) 僕の失敗談①：時間を守る大切さ⏰

ここからは、僕が実際に大学生活で失敗したなぁと思ったポイントと、そこから何を学んだかを2つほど紹介していきます。

まず1つめ。大学の生協でバイトしていた時、準備や情報共有のために設定された集合時間を「無駄だな」と自分勝手に判断して、遅刻することが多々ありました。

接客スキルは良かったので何とか許されていたものの、担当者からは相当嫌われていたと思います…😓

これはまるでゲームで「俺は強いからルールを守らなくても大丈夫」と思って単独行動するプレイヤーのよう。

確かに短期的には問題ないかもしれませんが、チームから信頼を失うとその後、誘ってもらえなくなるんですよね。

時間を守るのは、相手を尊重する姿勢の表れです。学生のうちに失敗して学べて良かったと心から思います！

(2) 僕の失敗談②：完璧主義は卒業しよう🎓

続いて2つ目。

何かを任されたとき、最初から完璧なものを提出しようとして、質問せずに一人で抱え込んでしまうことがありました。

結果、方向性が違っていて大幅修正が必要になり、精神的にもかなり辛い思いをしました…。

これはゲームで例えるなら、攻略情報を見ずに「全部自分で解決してやる！」と意地になって、結局ラスボス前で詰まるようなもの。時間もやる気も大量に消費してしまいます😱

この経験から1人で悩むよりも、「プロトタイプを早く作って、フィードバックをもらいながら改善する」というアプローチの方が、結果的に良いものができると学びました！

(4) 失敗したときこそ振り返りが命！

失敗や恥ずかしい思いをすることは誰でも避けたいもの。

でも、失敗してそのままにするか、それとも振り返って学ぶかで、その後の成長スピードは大きく変わってきます！

なぜ振り返りが大切なの？

ゲームで例えるなら、ボス戦で負けた後に「なんで負けたんだろう？」と戦略を見直さずに、同じやり方で何度も挑むのはかなり非効率ですよね。

振り返りは、次のチャレンジで勝率を上げるための必須プロセスなんです！

振り返り方法の例

振り返りの方法は様々なですが、1つ例を紹介します。

1. 事実の記録：
   何が起きたのかを客観的に書き出す 
   例：「発表資料を前日に作り始めて、間に合わず焦って中途半端なものになった」
2. 感情の確認：
   その時どう感じたかを素直に認める
   例：「焦りと恥ずかしさでいっぱいだった。もっと早く準備すればよかった」
3. 原因の分析：
   なぜそうなったのか、複数の視点で考える
   例：「①計画性がなかった ②難易度を甘く見積もった ③他の予定を優先した」
4. 教訓の抽出：
   次に活かせる学びを3つは見つける
   例：「①一週間前から準備する ②先輩に所要時間を聞いておく ③スケジュール管理アプリを使う」
5. 行動計画の策定：
   具体的に何をどう変えるかを決める 
   例：「次回の発表は10日前から準備開始、毎日30分作業する時間を確保する」

時間が経つと、大抵の失敗は良い思い出や笑い話になります。

「あの時はすごく落ち込んだけど、今思えば良い経験だったな〜」と笑って話せるようになったら、その失敗から完全に学びを得た証拠です！

(5) まとめ

大学生活の4年間は、社会に出る前の貴重な「トライアル期間」。

この時期にたくさん失敗して、しっかり振り返って、そして再びチャレンジする。

このサイクルを回せば、卒業する頃には「初心者マーク」ではなく「中級者バッジ」をつけて社会人生活をスタートできるはずです！

失敗したときに落ち込むのではなく「よし、新しい学びのチャンス！」と捉えられるマインドを、ぜひ大学1年生のうちから養ってくださいね。

振り返りの習慣があれば、あなたの成長速度は周りとは比べものにならないほど加速するでしょう！

7つ目．情報収集マスターになろう！

大学生活って、とにかく「情報」が命なんです！

単位の取り方、おすすめのサークル、好条件のバイト情報…知ってる人と知らない人では、同じ4年間でも得られる経験や機会に大きな差が出てしまいます。

これは、まるでゲームで、攻略情報を知ってるプレイヤーと知らないプレイヤーの違いのよう。

同じダンジョンを探索していても、隠し部屋や裏ルートを知ってるプレイヤーの方が、レアアイテムをたくさんゲットできちゃうんです！

今回は「自分から動かないと絶対に手に入らない」重要情報の集め方について、お話しします。

これを知っておくだけで、あなたの大学生活の攻略難易度がグッと下がりますよ✨

(1) 先輩は「情報の宝庫」！

1章でお話しした友達作りも情報収集には大切ですが、それ以上に頼りになるのが「先輩」の存在です。

先輩たちは少なくとも1年以上その大学で生活してきたベテランプレイヤー。

攻略方法をすでに開拓済みで、様々な貴重情報を持っています：

• 「このバイトは裏でこんなブラックなことがある」
• 「この授業は出席だけでなく小レポートもあるから注意！」
• 「あの教授は質問すると喜んでくれて成績に好影響」

これらは同級生からは絶対に得られない情報。まさに先輩は歩く攻略本のような存在なんです！

★ 先輩とつながる簡単な方法: コミュニティに参加しよう！

先輩と自然につながるには、サークルや委員会、勉強会などのコミュニティへの参加が一番の近道です。

同じコミュニティなら「後輩だから」という理由だけで、先輩たちは色々と教えてくれるもの。彼らも1年生の時に当時の先輩にサポートしてもらった経験があるからです。

大学のコミュニティは高校までの部活と違って、気軽に出入りできるのが特徴！

「合わないかも」と感じたら抜けても全然OK。とりあえず入ってみる精神が大事です。

最初から完璧なコミュニティを探そうとせず、まずは飛び込んでみましょう！

(2) 知らないと損する！具体的な重要情報の例🌟

情報の重要性は分かっても「具体的にどんな情報を集めればいいの？」と思いますよね。

ここでは特に重要な2つの例を紹介します。

[i] インターンシップ情報：早すぎるスタートダッシュ🏃‍♂️

就活は4年生からと思っていませんか？実は最近は3年生の夏のインターンから事実上の選考が始まっているんです。でも、さらに衝撃的なのはその応募時期…

では、ここでクイズ。

クイズ：夏インターンの応募締切っていつだと思いますか？

↓↓↓ スクロールすると答えが出てきます ↓↓↓

正解は…なんと3月〜5月！

つまり3年生の春学期が始まったばかりの時期なんです😲

私の失敗談をシェアすると、3年生になって「よし、インターン調べよう！」と思った時には、興味のあった外資系IT企業の締切は既に3月中旬で終わっていました。

結局応募すらできず、とても後悔しました…。

私は大学院に進学したので挽回できるチャンスがありますが、学部卒業で就職する人は取り返しがつかない場合も。

これはまさに、イベントの開催期間を知らずにレアアイテムを逃してしまったようなもの。早めの情報収集が必須なんです！

[ii] 奨学金情報：日本学生支援機構だけじゃない💰

「奨学金」と聞くと、多くの人は日本学生支援機構(JASSO)を思い浮かべますよね。

でも実は、世の中には様々な給付型奨学金があるんです！

特に注目したいのは、家庭の収入よりも「学生個人の能力や熱意」を重視する奨学金。

私自身、高校から大学への進学時に毎月5万円の給付型奨学金、大学院進学時には10万円の給付型奨学金を受け取ることができました。

探し方は簡単！「〇〇大学 奨学金」で検索してみましょう。有名なのが、キーエンスの奨学金です。

このような大型の給付型奨学金は競争率が高いですが、チャレンジする価値は十分あります。

失敗してもデメリットはありません！　まさに「知らなきゃ損」の典型例です！

また奨学金によっては、大学1年生しか応募できず、一定の成績を取れば4年間給付を受けられる奨学金も珍しくありません。なので絶対にチェック！！

また、奨学金（給付型含む）は103万円の壁に入らないのもメリット！

• 103万円の壁（税金）: 
  嬉しいことに、給付型奨学金は所得税の「103万円の壁」には含まれません！つまり、親の扶養控除に影響しない^[14] … Continue readingので、アルバイト収入と合算する必要がありません。
• 130万円の壁（社会保険）: 
  ただし、130万円の壁（社会保険の扶養範囲）については、場合によっては含まれることがあります。親の勤務先の健康保険組合によって扱いが異なるので、必ず親に確認してもらいましょう。

もう1点注意点として、奨学金によっては「他の財団からの給付金と併用不可」という条件があります。

私は高校時代に採用された奨学金がそのタイプだったため、学部時代は他の奨学金に応募できなかったんです…😅

(3) 情報収集の達人になるための攻略法📱

ここで、情報収集を効率的に行うためのテクニックをいくつか紹介します！

情報源は、色々あるぞ！

• 先輩からの直接情報：
  最も信頼性の高い情報源。先輩との関係構築を意識しよう！
• 大学の掲示板やポータルサイト：
  公式情報が集まる場所。定期的にチェックする習慣を
• キャリアセンター：
  就活のプロフェッショナルがいる最強スポット。ESの添削やキャリア相談も！
• 就活サイト：
  多くの情報が集まるものの、中には悪質なものも…先輩のアドバイスを参考に選ぼう。
• 大学関連のSNSアカウント：
  リアルタイム情報がゲットできる便利ツール

[ii] キャリアセンターを使いこなせ！

僕自身、キャリアセンターにはめちゃくちゃお世話になりました！

ESの添削だけでなく、自分でも気づいていなかった強みや興味を会話を通して引き出してくれます。

「自分の将来について上手く言語化できない…」という人こそ、キャリアセンターに行ってみて！

カウンセラーの方々は学生の悩みを聞き慣れているプロフェッショナルです。ゲームでいう街の賢者みたいな、頼りになる存在ですよ✨

[iii] 情報アンテナを常に張り巡らせる習慣をつけよう

技術系カンファレンスや、宿泊費・交通費の補助が出る海外イベントなど、知っていると大きなアドバンテージになる情報は世の中にたくさん存在します。

日頃から「これって他の人も知ってるのかな？」という視点を持って、情報をシェアし合える友人関係を築いていくと、自然と情報網が広がっていきますよ。

(4) まとめ

大学生活は本当に「情報戦」です。同じ大学、同じ学部にいても、持っている情報量によって4年間の充実度が大きく変わってきます。

特に1年生のうちから意識して情報収集を始めれば、3年生、4年生になった時に大きな差になって現れます。

この記事を読んだあなたは、「情報収集の重要性」という貴重情報をゲットすることができましたね！！

8つ目．長期休みを最大限活用しよう！

大学生活で最も驚くことの一つが「長期休みの長さ」ではないでしょうか？

高校までは夏休みでも1ヶ月程度だったのに、大学ではそれより長い夏休みがあることも珍しくありません。

この莫大な自由時間は、まさに大学生だけが持つ特権！　社会人になると、こんなにまとまった休みを取るのは至難の業です。

だからこそ、この貴重な時間を使って、長期休みしかできないことをしましょう！

長期休みの活用法一例

• スキルアップ系
  • 🚗 自動車運転免許の取得（合宿または通学）
  • 🗣️ 留学にチャレンジ
  • 📚 資格取得のための集中学習期間に
• キャリア探索系
  • 🏢 インターンシップへの参加
• 社会経験系
  • 🌱 地域のお祭りや伝統行事のスタッフに
• 大学生活充実系
  • 👥 サークル・部活・委員会に参加（合宿など）
  • 📝 研究室訪問する
• リフレッシュ系
  • 🏠 実家に帰省してゆっくり過ごす
  • 👫 高校時代の友人や別大学の友人と再会
  • 🧳 友達や恋人と旅行を楽しむ
  • 🏊 普段できないスポーツや趣味に挑戦
• 習慣化系
  • 🌅 朝型生活など理想的な生活リズムを作る
  • 💪 定期的な運動習慣を確立する
  • 📖 毎日の読書習慣をつける
• 経済的準備系
  • 💰 長期集中バイトで貯金を増やす

さいごに．

これから始まる大学生活という冒険が、かけがえのない素晴らしいものになることを心から願っています。

冒険の途中にうまくいくこともあれば、つまずくこともあるでしょう。でも、それらすべてが「あなただけの物語」を紡いでいくのです。

この記事が、その冒険の小さなヒントになれば嬉しく思います。

あなたの大学生活が輝かしいものになりますように✨

前回までの統計的推測では、区間推定（母平均、母比率）について勉強していきました。

今回からは、統計的な推測の最終テーマ「仮説検定」について3回に分けて学習していきましょう！

1. 仮説検定とは

まず、初めに「そもそも仮説検定とはなにか？」から説明していきます。

例えば、あなたが友達とコイントス勝負をしたとしましょう。

この勝負で5回連続で表が出たとします。

すると、「このコインは表が出やすいイカサマコインなのではないか？」と疑いたくなりますよね。

しかし、何も根拠がないのに「イカサマだ！」と言うのは良くないです。単なる偶然の可能性もありえるからです。

そこで、登場するのが仮説検定です。

仮説検定では、まるで背理法のような方法で、表が出やすいイカサマコインであることを、示します。

2. 仮説検定で使う用語紹介

では、ここからは仮説検定で使う用語を見ていきましょう。

(1) 帰無仮説

帰無仮説は、仮説検定において最初に設定する仮説です。記号で \( H_0 \) と書くこともあります。

これは、背理法における仮定を立てる部分に相当します。

例えば、「このコインは表が出やすいイカサマコインなのではないか？」という疑問を調べるためには、まず「コインは公平である（表と裏が出る確率は等しい）」という仮説を立てます。

(2) 対立仮説

対立仮説は、帰無仮説と反する主張です。記号で \( H_1 \) と書くこともあります。

この主張は、帰無仮説が誤りと判定されたときに示したいものを表します。

例えば、「表が出やすいイカサマコインかどうか」を検定したい場合は、対立仮説は「表が出る確率が50%よりも大きいコインである」と設定します。

(3) 棄却

帰無仮説が誤りであること、帰無仮説を棄却すると言います。

(4) p値

帰無仮説が正しいと仮定したときに、その事象が起こる確率を表します。

例えば、「5連続表が出たときに、表が出やすいかを検定すること」を考えてみましょう。

帰無仮説で表が出る確率が \( \frac{1}{2} \) であると仮定したとき、5連続で表が出る確率は \( \left( \frac{1}{2} \right)^5 = \frac{1}{32} \) と求められます。

この \( \frac{1}{32} \) がこの検定のp値となります。

(5) 有意水準

有意水準は、帰無仮説が正しいとしたときに、観測された値が得られる確率がどの程度以下であれば、帰無仮説を棄却するかを示す基準です。一般的には5%（0.05）や1%（0.01）が用いられます。

例えば、有意水準を5%に設定した場合、帰無仮説が正しいと仮定したときに、観察されたデータが得られる確率が5%未満となった場合、帰無仮説を棄却します。

(6) 棄却域

仮説検定において帰無仮説を棄却するための基準となる範囲です。この範囲にデータが入ると、帰無仮説が誤りであると判断されます。

3. 仮説検定の流れ

ここからは、実際に例題を通じて仮説検定の流れを確認していきましょう。

解説1

Step1. 帰無仮説・対立仮説の設定

仮説検定を行う際、最初にすることは「帰無仮説」と「対立仮説」の設定です。

帰無仮説 \( H_0 \)

帰無仮説は、仮説検定を行うための基準となる仮定を立てます。

この問題では、硬貨が公平であると仮定します。つまり、表が出る確率は裏が出る確率と等しいとします。

そのため、いったん表と裏が出る確率が等しいコインであると仮定をします。

そのため、帰無仮説は「硬貨を投げたときに表が出る確率が \( \frac{1}{2} \) である」となります。

対立仮説 \( H_1 \)

対立仮説では、帰無仮説が誤りと判定されたときに示したいものを表すのでしたね。

ここで、今回の目標は表が出やすいコインかどうかを確認することです。

そのため、対立仮説は「硬貨を投げたときに表が出る確率が \( \frac{1}{2} \) より大きい」となります。

Step2. 帰無仮説が正しいと仮定したときの確率の計算

つぎに、帰無仮説「硬貨を投げたときに表が出る確率が \( \frac{1}{2} \) である」が正しいと仮定したときの確率の計算をします。

(2) 硬貨を4回投げて、4回とも表が出る確率

\[
\left( \frac{1}{2} \right)^4 = \frac{1}{16}
\]

(3) 硬貨を5回投げて、5回とも表が出る確率

\[
\left( \frac{1}{2} \right)^5 = \frac{1}{32}
\]

Step3. 結果の判定

Step2で求めた確率と、有意水準を比べて仮説検定の結論を出します。

(2) 硬貨を4回投げて、4回とも表が出た場合

求めた確率 \( \frac{1}{16} \) を、有意水準5%と比較します。\[
\frac{1}{16} > \frac{1}{20} = 5 \%
\]

このため、帰無仮説を棄却することはできません。（仮説が誤りであるとは言えない。）

(3) 硬貨を5回投げて、5回とも表が出た場合

(2)と同様に、求めた確率 \( \frac{1}{32} \) を、有意水準5%と比較します。\[
\frac{1}{32} < \frac{1}{20} = 5 \%
\]

このため、帰無仮説を棄却することができます。（仮説が誤りであると言える。）

仮説検定の手順まとめ

ここで、仮説検定の手順について振り返りましょう。

先ほどの例題（硬貨投げの仮説検定）の場合、仮説検定の手順は以下の通りとなります。

仮説検定の手順を、背理法と比較してみましょう。

4. 片側検定と両側検定

仮説検定には、片側検定と両側検定の2つがあります。どちらの検定をするかによって、対立仮説の決め方が変わってきます。

この章では、それぞれの検定方法の違いについて学習していきましょう。

(1) 片側検定

両側検定は、「表が出やすいとき」や「裏が出やすいとき」のように、期待値から特定の方向に逸脱しているかどうかを検証する方法です。

片側検定の例

ある硬貨を投げたときに、表が出やすいかどうか仮説検定により確認したい。

• 帰無仮説: ある硬貨を投げたときに表が出る確率が \( \frac{1}{2} \) である
  対立仮説: ある硬貨を投げたときに表が出る確率が \( \frac{1}{2} \) より大きい

→ この仮説検定では、表が出やすい場合のみに着目します。表が出にくい場合は考慮しません。

ある硬貨を投げたときに、表が出にくいかどうか仮説検定により確認したい。

帰無仮説: ある硬貨を投げたときに表が出る確率が \( \frac{1}{2} \) である
対立仮説: ある硬貨を投げたときに表が出る確率が \( \frac{1}{2} \) より小さい

→ この仮説検定では、表が出にくい場合のみに着目します。表が出やすい場合は考慮しません。

片側検定の場合、帰無仮説を仮定して事象が起こる確率を計算し、その確率が有意水準より小さければ仮説を棄却します。

(2) 両側検定

両側検定は、「コインが公平（表と裏が出る確率が異なる）」のように、データが期待値からどちらの方向にも逸脱しているかどうかを検証する方法です。

両側検定の例

ある硬貨が公平（表と裏が出る確率が異なる）ではないかどうかを検証したい。

帰無仮説: ある硬貨を投げたときに表が出る確率が \( \frac{1}{2} \) である
対立仮説: ある硬貨を投げたときに表が出る確率が \( \frac{1}{2} \) ではない

→ この仮説検定では、表が出にくいとき、表が出やすいときの両方に着目します。

両側検定では、有意水準を2つの側に半分ずつ分けます。たとえば、全体の有意水準を5%に設定した場合、各側の有意水準は2.5%（0.025）となります。

(3) 例題で確認！

実際に、片側検定と両側検定でどのように検定方法が変わるか、例題で確認しましょう。

解説2

(1) 片側検定の場合

Step1. 帰無仮説・対立仮説の設定

帰無仮説: ある硬貨を投げたときに表が出る確率が \( \frac{1}{2} \) である
対立仮説: ある硬貨を投げたときに表が出る確率が \( \frac{1}{2} \) より大きい

Step2. 帰無仮説が正しいと仮定したときの確率の計算

硬貨を5回投げたときに、5回とも表が出る確率は次の通りです。

\[
\left( \frac{1}{2} \right)^5 = \frac{1}{32}
\]

Step3. 結果の判定

確率 \( \frac{1}{32} \) を、有意水準5%と比較します。\[
\frac{1}{32} < \frac{1}{20} = 5\%
\]

このため、帰無仮説は棄却されます。（5回とも表が出る確率が、5%よりも小さいため）

したがって、「表が出やすい硬貨である」と結論づけられます。

(2) 両側検定の場合

Step1. 帰無仮説・対立仮説の設定

帰無仮説: ある硬貨を投げたときに表が出る確率が \( \frac{1}{2} \) である
対立仮説: ある硬貨を投げたときに表が出る確率が \( \frac{1}{2} \) ではない

Step2. 帰無仮説が正しいと仮定したときの確率の計算

ある硬貨を5回投げたところ、5回とも表が出る確率は、次の通り求められます。

\[
\left( \frac{1}{2} \right)^5 = \frac{1}{32}
\]

Step3. 結果の判定

両側検定では、有意水準を2つの側に分けます。

5%の有意水準の場合、各側の有意水準は2.5%（0.025）になります。

確率 \( \frac{1}{32} \) を、2.5%と比較します。\[
\frac{1}{32} > \frac{1}{40} = 2.5\%
\]

このため、帰無仮説は棄却されません。（5回とも表が出る確率が、2.5%よりも大きい）

したがって、「公平でない硬貨であるとは言えない」と結論づけられます。

4. 二項分布と仮説検定

二項分布の知識を組み合わせて仮説検定を実施する問題は、テストに頻出です。

実際に例題で解き方を確認しましょう。

例題を解いてみよう

解説3

Step1. 帰無仮説・対立仮説の設定

帰無仮説: ある硬貨を投げたときに表が出る確率が \( \frac{1}{2} \) である
対立仮説: ある硬貨を投げたときに表が出る確率が \( \frac{1}{2} \) より大きい

Step2. 帰無仮説が正しいと仮定したときの確率の計算

59回以上表が出る確率を、下の式にように直接計算するのは難しいです。

\[
{}_{100} \mathrm{C} _{59} \times \left( \frac{1}{2} \right)^{59} \times \left( 1 - \frac{1}{2} \right)^{41} + {}_{100} \mathrm{C} _{60} \times \left( \frac{1}{2} \right)^{60} \times \left(1 - \frac{1}{2} \right)^{40} + \cdots
\]

そこで、二項分布を用いて確率を計算します。

まず、100回の硬貨投げにおける表が出る回数を \( X \) としましょう。

すると、\( X \) の平均 \( E(X) \)、分散 \( V(X) \)、標準偏差 \( \sigma (X) \) は次のように計算ができます。

\[\begin{align*}
E(X) & = 100 \times \frac{1}{2}
\\ & = 50
\end{align*}\]

\[\begin{align*}
V(X) & = 100 \times \frac{1}{2} \times \left( 1 - \frac{1}{2} \right)
\\ & = 100 \times \frac{1}{2} \times \frac{1}{2}
\\ & = 25
\end{align*}\]

\[\begin{align*}
\sigma(X) & = \sqrt{ V(X) }
\\ & = \sqrt{25}
\\ & = 5
\end{align*}\]

よって、表が出る回数 \( X \) は平均50、標準偏差5の二項分布に従うことが分かります。

ここで、硬貨投げの試行回数が100と大きいため、二項分布を正規分布で近似することができます。

つぎに、59回以上表が出る確率を標準正規分布（平均0、標準偏差1の正規分布）に変換します。

ここで、\( X \) は平均50、標準偏差5ということは、つぎの式で標準正規分布に変換が出来ます。\[
Z = \frac{X - 50}{5}
\]

ここで、\( X = 59 \) に対応する \( Z \) の値は \( Z = 1.8 \) となります。\[\begin{align*}
Z & = \frac{59 - 50}{5}
\\ & = 1.8
\end{align*}\]

59回以上表が出る確率 \( P(X \geqq 59) \) は、標準偏差1.8個分以上大きくなる確率 \( P(Z \geqq 1.8) \) と等しいです。\[
P(X \geqq 59) = P(Z \geqq 1.8)
\]

この確率 \( P(Z \geqq 1.8) \) は、つぎの計算により求めることが出来ます。

また、確率 \( P(0 \leqq Z \leqq 1.8) \) は正規分布表から 0.4641 と求められます。

よって、59回以上表が出る確率は 0.0359 と求められます。

Step3. 結果の判定

確率 0.0359 は、有意水準5% (0.05) よりも小さいです。

このため、帰無仮説は棄却されます。（59回以上表が出る確率が5%よりも小さいため）

したがって、「表が出やすい硬貨である」と結論づけられます。

別解：\( Z \) で結果の判定をする方法

まず、表が出る回数59回に対応する \( Z \) の値を \( z \) とします。\[\begin{align*}
Z & = \frac{59 - 50}{5}
\\ & = 1.8
\end{align*}\]

つぎに、有意水準5%に対応する \( z_0 \) の値を求めます。ここで、\( z_0 \) とは、\( P( Z \geqq z_0 ) = 0.05 \) を満たす点です。

つぎに、\( z_0 \) の値を求めるために、次の変形を実施します。

ここで、\( P( 0 \leqq Z \leqq z_0 ) = 0.45 \) を満たす点を正規分布表から探すと、\( z_0 = 1.64 \) と分かります。

つまり、\( z \) の値が \( z_0 = 1.64 \) より大きければ仮説を棄却します。

ここで、\( z \) と \( z_0 \) の値を比較しましょう。\[
Z = 1.8 > 1.64 = z_0
\]

このため、帰無仮説は棄却されます。

したがって、「表が出やすい硬貨である」と結論づけられます。

5. 練習問題にチャレンジ

最後に、仮説検定について練習問題を解いてみましょう。共通テスト形式としています。

6. 練習問題の答え

(1) 帰無仮説と対立仮説の設定

★ 解答

ア: 0 ( \( \frac{1}{6} \) である。)
イ: 4 ( \( \frac{1}{6} \) より大きい。)

★ 解説

帰無仮説 \( H_0 \)

仮説検定をするために、1の目が他の目と同じ確率で出ることを仮定します。

対立仮説 \( H_1 \)

今回は「1の目が出やすいことを」を確認したいので、対立仮説は「\( \frac{1}{6} \) より大きい。」となります。(片側検定)

(2) 試行回数が少ないとき

★ 解答

ウ, エオ: 5, 72 ( \frac{5}{72} )
カ, キクケ: 1, 216 ( \frac{1}{216} )
コ, サシ: 2, 27 ( \frac{2}{27} )
ス: 0 (5%より大きい)
セ: 3 (出やすいとは言えない)

★ 解説

\[\begin{align*}
P(X=2) & = {}_3 \mathrm{C} _2 \times \left( \frac{1}{6} \right)^{2} \times \left( 1- \frac{1}{6} \right)^{1}
\\ & = 3 \times \frac{1}{36} \times \frac{5}{6}
\\ & = \frac{15}{216}
\\ & = \frac{5}{72}
\end{align*}\] (ウ … 5、エオ … 72)

\[\begin{align*}
P(X=3) & = {}_3 \mathrm{C} _3 \times \left( \frac{1}{6} \right)^{3} \times \left( 1- \frac{1}{6} \right)^{0}
\\ & = \left( \frac{1}{6} \right)^{3}
\\ & = \frac{1}{216}
\end{align*}\] (カ … 1、キクケ … 216)

\[\begin{align*}
P(X \geqq 2) & = P(X=2) + P(X=3)
\\ & = \frac{5}{72} + \frac{1}{216}
\\ & = \frac{16}{216}
\\ & = \frac{2}{27}
\end{align*}\] (コ … 2、サシ … 27)

片側検定なので、\( P( X \geqq 2 ) \) が有意水準5%よりも大きいか小さいか確認します^[1]もし両側検定（1の目が出る確率が偏っているかどうかを調べたい場合）をする場合は、有意水準2.5%よりも大きいか小さいかを確認します。。\[
P(X \geqq 2) = \frac{2}{27} > \frac{1.35}{27} = 5\%
\](ス … 0)

よって、確率 \( P(X \geqq 2) \) は、「ス. ⓪ 5%より大きい」です。

このため、帰無仮説は棄却されません。（2回以上表が出る確率が、5%よりも小さいため）

したがって、1の目が「③ 出やすいとは言えない」と結論づけられます。

(3) 試行回数が多いとき

★ 解答

ソタチ: 120
ツテ: 10
ト.ナニ: 1.70
ヌネノ: 045
ハ: 1 (5%より小さい)
ヒ: 4 (出やすいと言える)

★ 解説

サイコロを720回振ったとき、1の目が出る回数を \( Y \) とすると、\( Y \) は二項分布に従います。

ここで、帰無仮説が正しいと仮定したとき、\( Y \) の平均 \( E(Y) \) 、分散 \( V(Y) \)、標準偏差 \( \sigma (Y) \) は次のように計算できます。\[\begin{align*}
E(Y) & = 720 \times \frac{1}{6}
\\ & = 120
\end{align*}\](ソタチ … 120)

\[\begin{align*}
V(Y) & = 720 \times \frac{1}{6} \times \left( 1 - \frac{1}{6} \right)
\\ & = 720 \times \frac{1}{6} \times \frac{5}{6}
\\ & = 100
\end{align*}\]

\[\begin{align*}
\sigma (Y) & = \sqrt{V(Y)}
\\ & = \sqrt{100}
\\ & = 10
\end{align*}\](ツテ … 10)

つぎに、以下の式の通り \( Z \) をおきます。\[
Z = \frac{X - 120}{10}
\]

ここで、\( X = 137 \) に対応する \( Z \) の値は、\[\begin{align*}
Z & = \frac{137 - 120}{10}
\\ & = 1.7
\end{align*}\]となります。

よって、サイコロで137回以上1の目が出る確率 \( P( X \geqq 137) \) は、標準偏差1.7個分以上大きくなる確率 \( P(Z \geqq 1.70) \) と等しくなります。\[
P( X \geqq 137) = P(Z \geqq 1.70)
\](トナニ … 170)

この確率 \( P(Z \geqq 1.70) は、つぎの計算により求めることが出来ます。

ここで、確率 \( P(0 \leqq Z \leqq 1.70) \) は正規分布表から 0.4554 と求められます。

よって、137回以上表が出る確率は 0.045 と求められます。(ヌネノ … 045)

Step3. 結果の判定

確率 \( P( X \geqq 137) = 0.0446 \) は、有意水準「① 5%より小さい」です。

このため、帰無仮説は棄却されます。（137回以上表が出る確率が5%よりも小さいため）

したがって、1の目が「② 出やすいと言える」と結論づけられます。

本記事では、ある要素を、2つ以上の要素を用いて関係を要約する重回帰分析について、学習していきましょう。

※ 本記事は単回帰分析を前提にしているため、事前に単回帰分析について学んでおくことをお勧めします。

↓↓↓単回帰分析の記事はこちら↓↓↓

うさぎでもわかる確率・統計　単回帰分析

回帰分析とは、ある要素を、他の要素を用いて関係を要約するための方法で、統計検定2級では頻出の分野です。 本記事では、回帰分

1. 重回帰分析とは

単回帰分析では、下の式のように1つの説明変数から目的変数の値を推測してきました。

しかし、1つの説明変数だけで目的変数を説明するのは、現実的に十分ではないことが多いです。

例えば、テストの点数が勉強時間だけで決まるとは限りません。他にもさまざまな要因が関与しているはずです。睡眠時間、塾に通っているかなど…。

そこで、下のように単回帰分析で出てくる式を拡張し、複数の説明変数を使って目的変数の関係を表現する方法が考えられました。この方法が重回帰分析です。

2. 用語説明

まずは、重回帰分析で出てくる用語を見ていきましょう。

※ 単回帰分析で既に登場したものもあります。

(1) 目的変数と説明変数 (単回帰分析と同じ)

説明変数は、目的変数を表現する道具となる変数です。記号では \( x_1 \), \( x_2 \), \( x_3 \), … と表記されます。

目的変数は、説明変数から予測される結果を表します。記号では \( y \) と表記します。

例えば、以下の式では、勉強時間、睡眠時間、塾通学有無からテストの点数を予測します。

上の例では、説明変数を3つとしていますが、説明変数の数は自由に増減することができます。

(2) 切片と偏回帰係数

切片（定数項）\( \alpha \) は、説明変数 \( x_1 \), \( x_2 \), \( x_3 \), … が0のときの目的変数 \( y \) の値を表します。

また、\( \beta_1 \), \( \beta_2 \), \( \beta_3 \), … は偏回帰係数（傾き）と呼ばれ、それぞれの説明変数 \( x_1 \), \( x_2 \), …, \( x_n \) が1変化すると、目的変数 \( y \) がどの程度変化するかを表します。

※ 単回帰分析で出てきた回帰係数の重回帰分析バージョンが、偏回帰係数だと思っていただけたらOKです。

※ 偏回帰係数を単に「回帰係数」と記載している参考書もあります。

(3) ダミー変数

説明変数には、時間や重さなどの量的データだけでなく、「塾通学の有無」のような数値でないデータを使うこともできます。

数値でないデータをモデルの式に追加する際には、次のように0と1の2つの値に変換します。

• 0 … 塾通学なし
• 1 … 塾通学あり

このように、数値でないデータを0と1の2つの値に変換して説明変数としたものを、ダミー変数と呼びます。

(4) 重回帰モデルと誤差

重回帰モデルにおいて、説明変数の数を増やしても、目的変数との関係を完全に表現することは非常に難しいです。

実際には、観測された値 \( y \) と、モデルによって予測された値 \( \alpha + \beta_1 x_1 + \beta_2 x_2 + \cdots + \beta_n x_n \) の間には誤差が生じます。

そこで、実際の観測値と予測値の違いを考慮して、以下のような形で重回帰分析のモデルを表現します。\[
y = \alpha + \beta_1 x_1 + \beta_2 x_2 + \cdots + \beta_n x_n + u
\]

ここで \( u \) は誤差項と呼ばれ、モデルによる誤差を表します。

この式を重回帰式と呼ぶことにしましょう。

(5) 最小2乗法による偏回帰係数の導出

※ 重回帰分析の誤差の計算では最小2乗法を使うのですが、この手法の理解には線形代数（行列）の知識が必要です。もし、詳しく勉強したい方は下の記事をご覧ください。なお、統計2級では行列を用いた偏回帰係数の導出はほぼ出題されないため、読み飛ばしてもOKです。

うさぎでもわかる線形代数　応用編第9羽　行列を使って最小2乗法を解いてみよう！

こんにちは、ももやまです。 前回の第08羽では、逆行列 ＼( A^{-1} ＼) を持たない行列に対して、無理やり逆行列っぽいもの（擬似逆行

重回帰分析でも、実際に、偏回帰係数 \( \alpha \), \( \beta_1 \), \( \beta_2 \), … \( \beta_n \) の値を推定する際には、各データごとの誤差 \( u \) を最小にすることを目指します。

具体的には、観測された値と予測された値との差（残差）の2乗和が最小となるように、偏回帰係数を決定します。この方法を最小2乗法と呼びます。

最小2乗法を用いることで、\( \alpha \), \( \beta_1 \), \( \beta_2 \), … \( \beta_n \) を次のように求めることが出来ます。

3. 重回帰分析の結果の見方

統計検定2級などの試験では、表形式やRの出力から重回帰分析の結果を読み取り、それに基づいて問題を解答することが求められます。

言い換えれば、重回帰分析の結果を正しく解釈できれば、試験で得点を確実に稼ぐことができます。

基本的なデータの読み取り方は重回帰分析でも単回帰分析と同様ですが、重回帰分析特有のポイントがいくつかありますので、以下ではそれに重点を置いて説明します。\[
\mathrm{売上} \ = \alpha + \beta_1 \times \mathrm{評価} + \beta_2 \times \mathrm{広告費} + \beta_3 \times \mathrm{駅からの距離} + \beta_4 \times \mathrm{オンライン販売の有無}
\]

★ Rの出力結果例

Call:
lm(formula = test_scores ~ study_hours + sleep_hours + attends_cram_school, 
    data = data)

Residuals:
    Min      1Q  Median      3Q     Max 
-4.0632 -1.3898 -0.6929  1.0240  5.8699 

Coefficients:
                    Estimate Std. Error t value Pr(>|t|)    
(Intercept)           16.573      6.388   2.594   0.0196 *  
study_hours            6.003      1.167   5.143 9.83e-05 ***
sleep_hours            3.364      1.415   2.378   0.0302 *  
attends_cram_school    5.189      3.031   1.712   0.1062    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 3.031 on 16 degrees of freedom
Multiple R-squared:  0.9799,	Adjusted R-squared:  0.9762 
F-statistic: 260.6 on 3 and 16 DF,  p-value: 8.651e-14

※ e+n は \( 10^n \)、e-n は \(10^{-n} \) を表します。例えば、4.23e-08 は \( 4.23 \times 10^{-8} \) を表しています。

Rで出力される内容

回帰分析での出力結果は、つぎの4つに分けることが出来ます。

(1) Call: 結果を出すために使ったコマンド

※ 単回帰分析と同じです。

Call:
lm(formula = test_scores ~ study_hours + sleep_hours + attends_cram_school, 
    data = data)

このセクションには、結果を生成するために使用したコマンドが表示されます。

解析結果そのものには影響しないため、特に重要視される部分ではありません。

(2) Residuals: 残差の四分位数

※ 単回帰分析と同じです。

残差の四分位数（最小値、第一四分位数、中央値、第三四分位数、最大値）が表示され、データのばらつき具合を把握するのに役立ちます。

※「残差」とは、各データの実際の観測値と回帰式によって予測された値との差のことを指します。

今回の出力結果からは、残差の四分位数を以下にように読み取ることができます。

補足：残差の平均値は必ず0です。これは、最小二乗法で回帰分析を行った場合、残差が正負で相殺されるためです。

(3) Coefficients: 偏回帰係数の推定結果

切片 \( \alpha \) および偏回帰係数 \( \beta_1 \), \( \beta_2 \), \( \beta_3 \), … の推定結果が示されています。

単回帰分析では説明変数が1つだけですが、重回帰分析では複数の説明変数があるため、表示される偏回帰係数の数が増えています。

Coefficients:
                    Estimate Std. Error t value Pr(>|t|)    
(Intercept)           16.573      6.388   2.594   0.0196 *  
study_hours            6.003      1.167   5.143 9.83e-05 ***
sleep_hours            3.364      1.415   2.378   0.0302 *  
attends_cram_school    5.189      3.031   1.712   0.1062    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

[i] Estimate: 推定値

重回帰分析において求められた切片 (Intercept) \( \alpha \)、および各説明変数の偏回帰係数 \( \beta_1 \), \( \beta_2 \), \( \beta_3 \), … の推定値です。

これらの推定値は、重回帰モデルの式に具体的に数値として表されます。

重回帰分析のモデル式での、\( \alpha \), \( \beta_1 \), \( \beta_2 \), … を具体的に数値として表しています。\[
y = \alpha + \beta_1 x_1 + \beta_2 x_2 + \beta_3 x_3 + \cdots
\]

単回帰分析に比べて説明変数が増えるため、モデルの複雑さが増しますが、読み取り方は基本的に同じです。

[ii] Std. Error: 標準誤差

各偏回帰係数の推定値がどの程度の不確かさを持っているかを示す指標です。値が小さいほど、推定値の信頼性が高いことを意味します。

単回帰分析に比べて表示される説明変数が増える点以外は、読み取り方は同じです。

※ 標準誤差の導出式は統計検定2級レベルでは不要なので、覚えなくてOKです。

[iii] t value, Pr(>|t|): t値、p値

t値は、各説明変数の偏回帰係数が0であるかどうかを検証するための統計量です^[1]定数項に対するt値も出力されますが、定数項が0ではないかどうかを検証することは、実務的にはあまり意味がない場合が多いです。。

また、p値は各t値に基づいて、その結果が偶然生じる確率を示しています。言い換えると、p値は「各説明変数の偏回帰係数が0である確率」を表しています。

t値の出力結果を見ることで、「説明変数が目的変数に有意な影響を与えているか」を確認できます。

具体的には、重回帰分析では、各説明変数ごとに以下の仮説検定が行われます。

• 帰無仮説 \( H_0 \): 仮説検定をするにあたる仮定
  → \( k \) 番目の説明変数の係数 \( \beta_k \) が0である。つまり \( \beta_k = 0 \)。
• 対立仮説 \( H_1 \): 帰無仮説を否定することで示したいもの。
  → 各説明変数の係数 \( \beta_k \) が0ではない。つまり \( \beta_k \not = 0 \)。

この検定で帰無仮説が棄却された説明変数は、目的変数に有意な影響を与えていると考えられます。逆に棄却されなければ、その説明変数は目的変数に有意な影響を与えないと解釈でき、モデルに含める必要がないとされます。

なお、p値の右側に表示されている記号はp値の大小を表しています。

★ t値の自由度

※ 単回帰分析と自由度が異なることに注意が必要です。

t値の自由度 \( k_t \) は、サンプルサイズ \( \textcolor{green}{n} \) からモデルのパラメータ数（切片 \( \alpha \) と 偏回帰係数 \( \beta_1 \), \( \beta_2 \), …, \( \beta_k \)）を引いたもので決まります。この自由度は、サンプルデータの中で自由に変動できる観測点の数を反映しています。

ここで、切片の数は常に1つです。さらに、偏回帰係数の数（つまり説明変数の数）を \( \textcolor{blue}{k} \) 個とすると、自由度 \( k_t \)は次の式で計算されます。\[\begin{align*}
k_t & = \textcolor{green}{n} - (\textcolor{blue}{k} + \textcolor{red}{1})
\\ & = \textcolor{green}{n} - \textcolor{blue}{k} -\textcolor{red}{1}
\end{align*}\]

今回のデータの場合、20人のデータから、説明変数が3つの回帰分析を行っているため、自由度 \( k_t \) は次のように計算されます。\[\begin{align*}
k_t & = \textcolor{green}{20} - \textcolor{blue}{3} - \textcolor{red}{1}
\\ & = 16
\end{align*}\]

★ t値の計算方法

t値は次の式で計算できます。単回帰分析と同様です。

※ 帰無仮説で偏回帰係数を0と仮定しているため、分子に "-0" を記載しています^[2]例えば、偏回帰係数が2であると帰無仮説で仮定した場合、分子の "-0" の部分は "-2" となります。。

※ 式内の "偏回帰係数" は、ツールで計算した結果が入ります。

実際に、勉強時間 (study_hours) に対するt値を計算すると、Rで出力されたt値と一致することが分かりますね。

※ t値の自由度、および推定値、標準誤差、t値の関係は統計検定2級で頻出です。頭に入れておきましょう。

(4) 回帰モデルそのものの分析情報

この欄では、重回帰分析全体の結果に対する統計的な分析結果が示されています。

表示の見方、および考え方については単回帰分析のときと同様です。

Residual standard error: 3.031 on 16 degrees of freedom
Multiple R-squared:  0.9799,	Adjusted R-squared:  0.9762 
F-statistic: 260.6 on 3 and 16 DF,  p-value: 8.651e-14

具体的には、「分析全体のパフォーマンスを評価するための指標」や「重回帰モデルの当てはまりの良さが出力」されています。これらの結果は、回帰モデルそのものがデータをどの程度説明しているか、またモデルが有意であるかを示しています。

★ 分散分析と回帰分析

※ 重回帰分析における分散分析の考え方は、単回帰分析と同じです。

目的変数の各値 \( y_k \) は、回帰モデルによって予測される値 \( \alpha + \beta_1 x_{1k} + \beta_2 x_{2k} + \beta_3 x_{3k} \cdots \) と回帰モデルでは説明できないズレ \( u_k \) の和で表すことが出来ます。

【変数の意味】

• \( x_{pq} \) … \( p \) 番目のデータにおける説明変数 \( x_q \) の値
• \( y_p \) … \( p \) 番目のデータにおける目的変数 \( y \) の真値

これは、各観測値 \( y_k \) ​ を、「予測値 \( \alpha + \beta_1 x_{1k} + \beta_2 x_{2k} + \beta_3 x_{3k} \cdots \)」と「モデルが説明できない誤差（残差） \( u_k \)」の2つに分解することができる、ということです。

ここで、回帰モデルによって予測される値を \( \hat{y}_k \) とすると、

回帰モデルでは説明できないズレ \( u_k \) は、目的変数の各値 \( y_k \) から回帰モデルによって予測される値 \( \hat{y}_k \) を引いたものとして表されます。

したがって、式を次のように書き換えることが出来ます。

つぎに、目的変数の各データ値 \( y_k \) は、平均 \( \overline{y} \) からのばらつきを持つと考えられます。

このばらつきを明確にするため、先ほどの式を以下のように書き換えます。

この式は、観測 \( y_k \) を、「全体の平均値 \( \overline{y} \)」と「回帰モデルで説明できるズレ（説明変動）」、さらに「回帰モデルで説明できないズレ（残差変動）」の3つに分解できることを表しています。

さらに、全体の平均 \( \overline{y} \) を基準に考えるために、両辺から \( \overline{y} \) を引きましょう。

この式は、「目的変数の観測値 \( y_k \) と平均値 \( \overline{y} \) との差（全変動）」が、「回帰による変動（説明変動）」と「回帰モデルで説明できない変動（残差変動）」に分解できることを示しています。

重回帰分析全体の結果を評価する際にも、単回帰分析と同様に「回帰変動」と「残差変動」の度合いを使ってさまざまな指標を計算します。

ここで、変動を2つに分解して分析する方法と聞いて、何か思い浮かぶ言葉はありませんか？

そう、一元配置分散分析です。

一元配置分散分析を使うことで、各データの「全変動」を「回帰による変動（説明変動）」と「残差による変動」の2つに分解し、それぞれが全体の変動にどれほど寄与しているかを分析できます。

※ 一元配置分散分析がいまいちよくわからない or 一元配置分散分析ってなんだっけ、となった方は以下の記事にて復習しましょう。

うさぎでもわかる確率・統計　F分布のいろは③　一元配置分散分析

こんにちは、ももやまです。 F分布のいろは①では、「F分布とはどんなものなのか」というところから、「F分布を用いて母分散の比

★ 回帰分析と一元配置分散分析

重回帰分析における一元配置分散分析のステップを確認しましょう。ここではデータ全体の変動を「回帰変動」と「残差変動」に分けて評価します。

※ 単回帰分析と異なる部分を、色をつけて説明しています。

[i] 平方和

※ 計算方法は、単回帰分析と同様です。

ここで、回帰変動、残差変動、全変動の平方和は次のように計算できます。

(a) 回帰変動：予測値 \( \hat{y}_k \) と平均値 \( \overline{y} \) の差の2乗の総和
（回帰モデルが説明できる部分の変動）

\[\begin{align*}
S_A & = \sum^{n}_{k = 1} \left( \hat{y}_k - \overline{y} \right)^2
\end{align*}\]

(b) 残差変動：観測値 \( y_k \) と予測値 \( \hat{y}_k \) の差の2乗の総和
（回帰モデルが説明できない部分の変動）

\[\begin{align*}
S_E & = \sum^{n}_{k = 1} \left( y_k - \hat{y}_k \right)^2
\end{align*}\]

(c) 全体変動：観測値 \( y_k \) と平均 \( \overline{y} \) の差の2乗の総和
（全データの変動）

\[\begin{align*}
S_T & = \sum^{n}_{k = 1} \left( y_k - \hat{y}_k \right)^2
\end{align*}\]

注意: 全体変動 \( S_T \) は、回帰変動 \( S_A \) と残差変動 \( S_E \) の和に等しくなります。\[
S_T = S_A + S_E
\]

[ii] 自由度

※ 考え方は単回帰分析と同じですが、値が変わります。

回帰変動の自由度：説明変数の数 \( k \) です。^[3]一元配置分散分析では、自由度を「グループ数 - 1」としますが、回帰分析において自由度を「説明変数 - … Continue reading。\[
\textcolor{red}{\phi_A = k}
\]

残差変動の自由度：データ数からモデルのパラメータ数を引いたもの。重回帰分析では、モデルのパラメータ数は切片1つ \( \alpha \) と、\( k \) 個の偏回帰係数 \( \beta_1 \), \( \beta_2 \), …, \( \beta_k \) の合計 \( k+1 \) 個です。そのため、自由度はサイズ \( n \) から \( k+1 \) を引いた \( n - k - 1 \) となります。^[4]回帰分析では、切片 \( \alpha \) と \( k \) 個の偏回帰係数 \( \beta_1 \), \( \beta_2 \), …, \( \beta_k \) の \( k + 1 \) … Continue reading。\[\begin{align*}
\phi_E & = n - (k+1)
\\ & = n - k - 1
\end{align*}\]

全体変動の自由度：データ数から1を引いたものです。単回帰分析と同様です。\[
\phi_T = n - 1
\]

注意: 単回帰分析と同じく、全体変動の自由度 \( k_T \) は、回帰変動の自由度 \( k_A \) と残差変動の自由度 \( k_E \) の和に等しくなります。\[
\phi_T = \phi_A + \phi_E
\]

[iii] 平方平均

※ 計算方法は、単回帰分析と同様です。

平方和を対応する自由度で割ることで、平方平均が求められます。

回帰変動の平方平均\[
V_A = \frac{ S_A }{ \phi_A }
\]

残差変動の平方平均\[
V_E = \frac{ S_E }{ \phi_E }
\]

[iv] F値

※ 計算方法は、単回帰分析と同様です。

F値は、回帰変動の平方平均 \( V_A \) を残差変動の平方平均 \( V_E \) で割ったもので計算されます。\[
F = \frac{ V_A }{ V_E }
\]

★ それぞれの出力の意味

ここでは、Rの出力で得られた結果が一元配置分散分析のどの結果に対応するかを見ていきます。

Residual standard error: 7.037 on 18 degrees of freedom
Multiple R-squared:  0.8003,	Adjusted R-squared:  0.7892 
F-statistic: 72.12 on 1 and 18 DF,  p-value: 1.037e-07

表．回帰変動、残差変動に対する一元配置分散分析の結果

[i] Residual standard error:残差の標準誤差 (と自由度)

※ 単回帰分析と同様ですが、残差の自由度が単回帰分析とは異なります。

残差変動の平方平均 \( V_E \) を表しており、回帰モデルがデータをどの程度正確に説明できていないかを示します。また、自由度 \( \phi_E \) は残差変動に対する自由度です。

今回の結果は、残差平方平均 \( V_E \) が7.037、残差の自由度 \( \phi_E \) が18であることを意味しています。

表記については単回帰分析のときと同じですが、重回帰では説明変数が複数あるため、残差の自由度は「データ数 - 説明変数の数 - 1」となります。

[ii] Multiple R-squared: 決定係数

※ 単回帰分析と同様ですが、重回帰分析ならではのポイントがあります。

決定係数 \( R^2 \) は、モデルがデータの変動をどれだけ説明できているか（＝回帰モデルがデータに上手く当てはまっているか）を0から1の範囲で表します。（1に近いほど、説明力が高いと言えます。）モデルの当てはまりの良さが決定係数だと思っていただけたらOKです。

具体的に、決定係数 \( R^2 \) は全体平方和に対する回帰変動の割合で計算されます。

\[\begin{align*}
R^2 & = \frac{S_A}{S_T}
\\ & = \frac{S_T - S_E}{S_T}
\\ & = 1 - \frac{S_E}{S_T} \ \ ( \because S_A + S_E = S_T )
\end{align*}\]※ \( S_A \) は回帰平方和、\( S_E \) は残差平方和、\( S_T \) は全体平方和を表しています。

決定係数は、単回帰モデル同士でモデルの当てはまり具合を比べる際に利用されます。

例えば、今回のデータの場合、決定係数 \( R^2 \) は 0.9799 です。

つまり、このモデルはデータの97.99%の変動を説明できていると言えます。

ただし、重回帰分析では説明変数の数が増えると決定係数 \( R^2 \) は常に増加するため、モデルの当てはまりが良く見える場合があります。

★ 相関係数と決定係数の関係

相関係数は、説明変数と目的変数の間の直線的関係の強さを示す指標であり、相関係数の2乗が決定係数になります。

したがって、決定係数は説明変数が目的変数に対して持つ直線的関係の強さを示すことができます。

[iii] Adjusted R-squared: 自由度調整済み決定係数

※ 重回帰分析で最も重要なポイントです！

説明変数を増やすほど、回帰モデルで説明できる変動の割合が増加し、決定係数 \( R^2 \) は大きくなります。

しかし、すべての説明変数が目的変数に影響を与えるわけではないため、無関係な説明変数を追加することは避けるべきです。

そこで、自由度調整済み決定係数 \( R^2 \) が登場しました。これは無関係な説明変数を追加してもモデル評価が不適切に上昇しないように調整された指標です。

\[\begin{align*}
R^2_f & = 1 - \frac{ \frac{S_E}{n-k-1}}{ \frac{S_T}{n-1} }
\\ & = 1 - \frac{S_E}{S_T} \cdot \frac{n-1}{n-k-1}
\\ & = 1 - \frac{n-1}{n-k-1}\left( 1 - R^2 \right)
\end{align*}\]

※ \( n \) は回帰分析に使用したデータ数です。今回の例の場合、\( n = 20 \) です。
※ \( k \) は説明変数の数を表します。

重回帰分析でモデルの良し悪しを比べるときには、決定係数ではなく、自由度調整済み決定係数を使います。

自由度調整済み決定係数を使うことで、単に説明変数を増やすことでモデルが良くなるように見える現象を防ぐことが出来ます。

今回の出力で示された自由度調整済み決定係数 \( R^2_f \) は 0.9762 ですね。

[iv] F値

※ 単回帰分析と同様ですが、重回帰分析では複数の説明変数を考慮します。

F値は、回帰式内の説明変数が目的変数に対して有意に影響を与えているかどうかを評価するための統計量です。説明変数の効果が全体として有意かどうかを判断するために使用されます。このモデルが信頼できるものかを表していると思っていただけたらOKです。

具体的には、帰無仮説 \( H_0 \) を「説明変数の偏回帰係数が全て0である」と仮定し、この仮説が成立するかどうかをF値で確認します。

【回帰分析でのF検定】

• 帰無仮説 \( H_0 \): 説明変数の偏回帰係数が全て0。
  （回帰モデルは無意味）
• 対立仮説 \( H_1 \): 説明変数の偏回帰係数に0ではないものがある。
  （回帰モデルは有意）

この検定の結果が棄却されれば、モデルが信頼できるものと見なされます。一方棄却されなかった場合、このモデル自体が意味ないものと見なされる可能性があります。

今回のRの出力結果では、次の3つの情報が表示されています。

• F値: 260.6
• F検定で使用する自由度の組 (3,16)
  ※ 説明変数の自由度が3、残差の自由度が16
• 対応するp値: \( 8.651 \times 10^{-14} \)

この結果から、F値が非常に大きく、p値も極めて小さい（< 0.01）ため、帰無仮説は棄却され、説明変数（勉強時間）と目的変数（テストの点数）に関するこのモデルは信頼できるものと言えます。

4. 練習問題にチャレンジ！

では、最後に練習問題にチャレンジしてみましょう！

Call:
lm(formula = sales ~ review_score + ad_budget + dist_from_station + has_online_store, data = data)

Residuals:
    Min      1Q  Median      3Q     Max 
-16.725  -7.675  -3.806   7.473  29.201 

Coefficients:
                  Estimate Std. Error t value Pr(>|t|)    
(Intercept)        49.8564    63.1142   0.790 0.438829    
review_score       14.4141     3.0033   [ a ] 0.000109 ***
ad_budget           3.3419      [ b ]   5.301 3.45e-05 ***
dist_from_station  -3.9179     1.4844  -2.639 0.015724 *  
has_online_store    6.9950     5.5595   1.258 0.222808    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 13.56 on 20 degrees of freedom
Multiple R-squared:  0.7657,	Adjusted R-squared:  0.7188 
F-statistic: 16.34 on [ c ] and [ d ] DF,  p-value: 4.322e-06

Call:
lm(formula = sales ~ review_score, data = data2)

Residuals:
    Min      1Q  Median      3Q     Max 
-37.402 -12.398  -2.752  18.054  34.012 

Coefficients:
              Estimate Std. Error t value Pr(>|t|)    
(Intercept)    -38.751     88.007  -0.440  0.66382    
review_score    16.837      4.403   3.824  0.00087 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 20.42 on 23 degrees of freedom
Multiple R-squared:  0.3887,	Adjusted R-squared:  0.3621 
F-statistic: 14.62 on 1 and 23 DF,  p-value: 0.0008701

5. 練習問題の答え

Call:
lm(formula = sales ~ review_score + ad_budget + dist_from_station + has_online_store, data = data)

Residuals:
    Min      1Q  Median      3Q     Max 
-16.725  -7.675  -3.806   7.473  29.201 

Coefficients:
                  Estimate Std. Error t value Pr(>|t|)    
(Intercept)        49.8564    63.1142   0.790 0.438829    
review_score       14.4141     3.0033   [ a ] 0.000109 ***
ad_budget           3.3419      [ b ]   5.301 3.45e-05 ***
dist_from_station  -3.9179     1.4844  -2.639 0.015724 *  
has_online_store    6.9950     5.5595   1.258 0.222808    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 13.56 on 20 degrees of freedom
Multiple R-squared:  0.7657,	Adjusted R-squared:  0.7188 
F-statistic: 16.34 on [ c ] and [ d ] DF,  p-value: 4.322e-06

(1)

[ a ] 解答: 4.779

t値を計算するためには、t値の計算公式を使います。具体的には、偏回帰係数を標準誤差で割ればOKです。

\[\begin{align*}
t & = \frac{ \mathrm{偏回帰係数} \ - 0}{ \mathrm{標準誤差} }
\\ & = \frac{14.4141}{3.0033}
\\ & \fallingdotseq 4.799
\end{align*}\]したがって、[a]は 4.779 となります。

[ b ] 解答: 0.630

[a]と同様に、t値の計算公式を使います。

\[\begin{align*}
t & = \frac{ \mathrm{偏回帰係数} \ - 0}{ \mathrm{標準誤差} }
\end{align*}\]

したがって、次の式が成り立つような標準誤差を求めればOKです。\[\begin{align*}
5.301 & = \frac{3.3419 - 0}{ \mathrm{標準誤差} }
\end{align*}\]

この式を変形することで、[b]はつぎのように求められます。

\[\begin{align*}
\mathrm{標準誤差} & = \frac{3.3419 } { 5.301 }
\\ & \fallingdotseq 0.630
\end{align*}\]

つぎの出力結果の [ c ] は回帰変動の自由度、[ d ] は残差変動の自由度を表しています。

F-statistic: 16.34 on [ c ] and [ d ] DF,  p-value: 4.322e-06

[ c ] 解答: 4

回帰変動の自由度は、説明変数の数に等しいです。

今回の説明変数は、以下の4つですね。

[ c ] 解答: 20

残差変動の自由度は、出力結果の on "20" degrees of freedom から読み取れます。

(2)

解答: 25

標本サイズ（分析に使用した店舗数）を求める際は、残差変動の自由度の出力に着目します。

よって、残差変動の自由度が 20 と読み取れます。

ここで残差変動の自由度は、標本サイズからモデルのパラメータ数を引くことで求められます。

今回のモデルのパラメータは切片 \( \alpha \) と説明変数4つに対応する偏回帰係数 \( \beta_1 \), \( \beta_2 \), \( \beta_3 \), \( \beta_4 \) の合計5つなので、標本サイズ \( n \) と残差の自由度 \( \phi_E \) には次の関係式が成立します。\[
\phi_E = n - 5
\]

出力結果より、残差の自由度が \( \phi_E = 20 \) と読み取れるため、標本サイズ \( n \) はつぎのように計算できます、\[\begin{align*}
n & = \phi_E + 5
\\ & = 20 + 5
\\ & = 25
\end{align*}\]よって、答えは25となります。

(3)

解答: 120.9万円

まず、各パラメータ \( \alpha \), \( \beta_1 \), \( \beta_2 \), \( \beta_3 \), \( \beta_4 \) の値は、出力結果の Estimate から読み取ることができます。

この式に、以下の方程式に与えられたデータと各パラメータの値を代入すればOKです。

• 評価 = 4.1
• 広告費 = 5
• 駅からの距離 = 3
• オンライン販売の有無 = 1 (あり)

実際に代入すると、売上を次のように求めることができます。

\[\begin{align*}
\mathrm{売上} \ & = 49.8564 + 14.4141 \times 4.1 + 3.3419 \times 5 + (- 3.9179) \times 3 + 6.9950 \times 1
\\ & = 49.8564 + 59.09781 + 16.7095 - 11.7537 + 6.9950
\\ & = 120.90501
\end{align*}\]

小数第2位を四捨五入して、答えは 120.9 万円となります。

(4)

解答: 3つ

各説明変数のp値は、出力結果の Pr(>|t|) から読み取ることが出来ます。

各説明変数が、有意水準5%で有意となる（棄却される）か確かめましょう。

• review_score: 0.000109 < 0.05: 有意（棄却される）
• ad_budget: 3.45e-05 < 0.05: 有意（棄却される）
• dist_from_station: 0.015724 < 0.05: 有意（棄却される）
• has_online_store: 0.222808 ≧ 0.05: 有意でない（棄却されない）

結果、有意な変数は3つであるとわかります。

(5)

解答: 3

選択肢を1つずつ見ていきましょう。

1. 部員数のt値に対応するp値が0.05未満のため、この重回帰モデルはデータの変動をうまく説明できていると言える。

誤りです。F値に対応するp値は、回帰モデル全体が有意であるかどうか（＝回帰式内の説明変数が目的変数に対して有意に影響を与えているかどうか）を示すものであり、モデルがデータの変動をうまく説明しているかを示すものではありません。

2. 説明変数の中で、「評価」の偏回帰係数が最も大きいため、説明力が最も大きい説明変数は「評価」であると言える。

誤りです。偏回帰係数の大小は説明力とは関係がありません。

偏回帰係数は、説明変数が1変化すると、目的変数がどれだけ変化するかを示すパラメータです。

3. 評価サイトの評価が1点上がると、売上高は約14.4万円上がる傾向がある。

正しいです。評価（review_score）の偏回帰係数が約14.4であるため、評価が1点上昇すると、売上高は約14.4万円増加することが示されています。

4. 「オンライン販売の有無」は量的変数ではないため、回帰分析への使用は避けるべきである。

誤りです。「オンライン販売の有無」はダミー変数として扱われます。ダミー変数は、質的な情報を数値化する方法で、回帰分析においても適切に使用できます。

この場合、0（オンライン販売なし）または1（オンライン販売あり）で表され、モデル内で他の説明変数と同様に、売上に対する影響を評価することができます。

5. 最寄り駅から店舗までの距離が長くなると、売上高も増える傾向にある。

誤りです。回帰モデルの中で「駅からの距離」（dist_from_station）の偏回帰係数は負の値（約-3.92）です。

これは、距離が1分増加するごとに売上高が約3.92万円減少することを意味します。

したがって、最寄り駅からの距離が長くなると、売上高が減少する傾向があると解釈されます。

(6)

解答: 6

重回帰モデルと単回帰モデルのように、説明変数の数が異なるモデルを比較する際には、自由度調整済み決定係数の大小を比べ、より大きいモデルを選択します。

※ 通常の決定係数は説明変数を増やすだけで必ず上昇してしまうため、モデルの真の説明力を評価するには不適切です。

ここで、2つのモデルの自由度調整済み決定係数を比較すると、次の通りとなります。

• 重回帰モデル: 0.7188
• 単回帰モデル: 0.3621

よって、正解は「6. 重回帰モデルの方の自由度調整済み決定係数がより大きいため、重回帰モデルの方が良いモデルと言える。」となります。

出口調査を理解するためには、統計学の基礎的な知識が必要となります。

【なぜ当選確実がすぐ出るの？】うさぎでもわかる開票速報の仕組み

こんにちは、ももやまです。 皆さんは、選挙が終わった直後、まだ開票全く当選していないのに「◯◯党 △△ △△、当選確実！」と

そこで、本記事では出口調査を理解するために必要な統計学の基礎的な内容をまとめています。

※ 正規分布については、「出口調査の仕組み」でも解説をしているため、本記事では概念のみの説明となっています。

1. 確率変数

例えば、コインを投げて、表が出たら1点、裏が出たら0点とするゲームを考えてみましょう。

ここで、コインの表が出る確率は1/2、裏が出る確率も1/2です。つまり、1/2の確率で得られる点数は1点、残りの1/2の確率では0点が得られます。

このように、結果がランダムに決まり、その結果に応じて数値（今回の例の場合は点数）が変わる変数を確率変数と呼びます。確率変数は、\( X \) のような大文字で表されることが多いです。

確率変数は、どの値が取られるかは事前には決まっていませんが、それぞれの値が取られる確率はあらかじめ定まっています。

例えば、コイントスの例では、得られる点数は 1 または 0 のどちらかですが、どちらが得られるかは偶然に左右されます。この「偶然性」を確率として扱い、変数に関連づけたものが確率変数です。

2. 平均(期待値）・分散・標準偏差

確率変数 \( X \) がどれくらいの値を取るかを、それぞれの確率で説明するのは大変です。そこで、確率変数が取りうる値の特徴を、1つの数値で簡潔に表す方法として、平均、分散、標準偏差という指標を使います。

[i] 平均 (期待値)

平均とは、確率変数 \( X \) が「平均してどれくらいの値を取るか」を表す指標で、記号では \( E(X) \) などで表します。これは「期待値」とも呼ばれ、確率的な現象における「長期的に見た場合の平均値」を意味します。

平均は、各値にその値が取られる確率を掛けたものの和で計算できます。

では、実際に先ほどのコイントスで得られる点数 \(X \) を例に、平均 \( E(X) \) を求めてみましょう。

実際に平均を求めると次のように計算できます。

\[\begin{align*}
E(X) & = 0 \times \frac{1}{2} + 1 \times \frac{1}{2}
\\ & = \frac{1}{2}
\end{align*}\]

つまり、コイントスで得られる点数の期待値は \( \frac{1}{2} = 0.5 \) 点となります。

[ii] 分散

分散は、確率変数 \( X \) のばらつきの度合い表す指標で、記号では \( V(X) \) や \( \mathrm{Var} (X) \) で表します。

分散は、平均からの距離（偏差）がどれだけ大きいかを測るもので、確率変数の値が平均値の周りにどれくらい散らばっているかを示します。

分散の計算は、各値と平均の差（偏差）を2乗し、その値に確率を掛けたものの和で求めます。偏差を2乗する理由は、正負の符号を消して全ての偏差を正の数に変換し、ばらつきを正確に反映させるためです。

では実際に、先ほどのコイントスで得られる得点 \( X \) について、分散 \( V(X) \) を求めてみましょう。

実際に分散を求めると次のように計算できます。

\[\begin{align*}
V(X) & = \left( 0 - \frac{1}{2} \right)^2 \times \frac{1}{2} + \left( 1 - \frac{1}{2} \right)^2 \times \frac{1}{2}
\\ & = \frac{1}{4} \times \frac{1}{2} + \frac{1}{4} \times \frac{1}{2}
\\ & = \frac{1}{4}
\end{align*}\]

つまり、コイントスで得られる点数 \( X \) の分散は \( \frac{1}{4} = 0.25 \) 点²となります。

[iii] 標準偏差

分散 \( V(X) \) では偏差を2乗しているため、元の単位とずれた形になります。そこで、分散の平方根を取ることで、元の単位に戻した指標が標準偏差です。記号では \( \sigma (X) \) などと表現されます。

標準偏差は、分散と違って「ばらつき度合い」を元のスケールで直感的に理解できるようにしたものです。

標準偏差は、次の式のように、分散の平方根で計算できます。\[
\sigma (X) = \sqrt{ V(X) }
\]

例えば、先程のコイントスで得られる点数 \( X \) の標準偏差 \( \sigma (X) \) は次のように計算できます。\[\begin{align*}
\sigma(X) & = \sqrt{ V(X) }
\\ & = \sqrt{ \frac{1}{4} }
\\ & = \frac{ \sqrt{1} }{ \sqrt{4} }
\\ & = \frac{1}{2}
\end{align*}\]

つまり、コイントスで得られる点数の標準偏差は \( \frac{1}{2} = 0.5 \) 点となります。

[iv] 確率変数の変換

確率変数 \( X \) に定数を加えたり、掛けたりすると、平均、分散、標準偏差はどのように変化するのでしょうか。ここでは、それぞれの変換について説明します。

★ 確率変数Xに定数を掛けた場合

ある確率変数に定数 \( a \) を掛けると、平均、分散、標準偏差は次のように変わります。

先ほどのコイントスの例で、なぜこのような変化の仕方をするか見て行きましょう。

まず、コイントスの得点ルールを次の通り変化します。

このときに得られる点数の確率変数を \( Y_1 \) とおきましょう。つまり、\( Y_1 = 2X \) ですね。

すると、このルール変更により、表が出た場合も裏が出た場合も、得点は2倍になります。つまり、すべての得点が2倍となっているため、平均 \( E(Y_1) \) も当然元の値 \( E(X) \) の2倍となりますよね。\[\begin{align*}
E(Y_1) & = E(2X)
\\ & = 2 E(X)
\\ & = 2 \times \frac{1}{2}
\\ & = 1
\end{align*}\]

また、ばらつき度合いを表す分散や標準偏差も同様に考えられます。すべての得点が2倍となっているということは、点数の変動も2倍となるため、ばらつき度合いも当然2倍となります。そのため、標準偏差は元の

また、表が出ようが裏が出ようがもらえる点数が2倍になるということは、ばらつき度合いも当然2倍となります。そのため、標準偏差 \( \sigma (Y_1) \) は元の値 \( \sigma(X) \) の2倍となります。\[\begin{align*}
\sigma (Y_1) & = \sigma(2 X)
\\ & = |2| \sigma(X)
\\ & = 2 \times\frac{1}{2}
\\ & = 1
\end{align*}\]

分散については、値のばらつき具合を2乗して考えるため、ばらつきが2倍になったときは、分散は 2乗されて4倍となります。\[\begin{align*}
V(Y_1) & = V(2 X)
\\ & = 2^2 V(X)
\\ & = 4 \times \frac{1}{4}
\\ & = 1
\end{align*}\]

このように、掛け算による変換は、全体のスケールをそのまま拡大するため、平均もばらつき具合も直感的に倍になることが理解できます。

★ 確率変数Xに定数を加えた場合

ある確率変数に定数 \( b \) を足すと、平均、分散、標準偏差は次のように変わります。

先ほどと同じように、なぜこのような変化の仕方をするか見て行きましょう。

ここで、得点のルールを次のように変えたとします。

すると、このルール変更により、表が出た場合も裏が出た場合も、もらえる点数は元の値よりも1点増加しています。つまり、すべての得点が1点増えるため、平均 \( E(Y_2) \) も当然元の値 \( E(X) \) より1増えます。\[\begin{align*}
E(Y_2) & = E(X+1)
\\ & = E(X) + 1
\\ & = \frac{1}{2} + 1
\\ & = \frac{3}{2}
\\ & = 1.5
\end{align*}\]

しかし、ばらつき具合（分散や標準偏差）についてはどうでしょうか。ここでは、点数の差（表か裏かによる違い）には全く影響がないことが重要です。得られる点数がすべて1点増えているだけで、点数の「変動の幅」自体は変わりません。したがって、分散や標準偏差は変化しません。

\[
V(Y_2) = V(X)
\]\[
\sigma (Y_2) = \sigma (X)
\]

このように、定数を加える変換は、全体の値をシフトするだけで、ばらつきには影響を与えないため、平均だけが変わり、分散や標準偏差は変わらないことが理解できます。

3. 二項分布

先ほどのコイントスの結果（表と裏）のように、結果が2通りしかない試行を繰り返すことを考えてみましょう。

ここで、結果が2通りしかない試行を繰り返したときに、その片方の事象が起こる回数を \( X \) とします。

このとき、確率変数 \( X \) は特別な分布に従います。この分布を、二項分布と呼びます。

例えば、コイントスを50回行ったときに表が出る回数を \( X_1 \) とおくと、\( X_1 \) は二項分布に従います。

二項分布に従う確率変数は、平均、分散、標準偏差を簡単に求めることができるのが特徴です。

[i] 平均(期待値)の求め方

ある確率変数 \( X \) が二項分布に従うとき、その平均 \( E(X) \) は、試行を行った回数 \( n \) と、片方の事象が起こる確率 \( p \) の積で求めることができます。

\[\begin{align*}
E(X) & = n \times p
\\ & = np
\end{align*}\]

例えば、コイントスを100回行ったとき、表が出る回数 \( X \) の平均 \( E(X) \) は次のように計算ができます。\[\begin{align*}
E(X) & = \underbrace{ n }_{100} \times \underbrace{ p }_{ \frac{1}{2} }
\\ & = 50
\end{align*}\]よって、表が出る回数の平均は50回と求められます。

★ 平均が \( np \) となる理由

1回の試行で、事象が起こる確率を \( p \) としましょう。すると、事象が起こる回数の平均は \( p \) となりますね。

この試行を \( n \) 回繰り返すので、平均 \( p \) が \( n \) 回分足されて、\( np \) となるのです。\[\begin{align*}
E(X) & = \underbrace{ p + p + p + \cdots + p }_{ n \ \mathrm{個} }
\\ & = np
\end{align*}\]

[ii] 分散の求め方

ある確率変数 \( X \) が二項分布に従うとき、その分散 \( V(X) \) は、試行を行った回数 \( n \)、片方の事象が起こる確率 \( p \)、片方の事象が起こらない確率 \( 1-p \) の積で求めることができます。

\[\begin{align*}
V(X) & = n \times p \times (1-p)
\\ & = np (1-p)
\end{align*}\]

例えば、コイントスを100回行ったとき、表が出る回数 \( X \) の分散 \( V(X) \) は次のように計算ができます。\[\begin{align*}
V(X) & = \underbrace{ n }_{100} \times \underbrace{ p }_{ \frac{1}{2} } \times ( 1 - \underbrace{ p }_{ \frac{1}{2} } )
\\ & = 25
\end{align*}\]よって、表が出る回数の分散は25回²と求められます。

★ 分散が \( np(1-p) \) となる理由

1回の試行で、事象が起こる確率を \( p \) としましょう。すると、事象が起こる回数の分散は \( p(1-p) \) となりますね。\[\begin{align*}
(0-p)^2 (1-p) + (1-p)^2 p & = p^2 (1-p) + (1-p)^2 p
\\ & = p (1-p) \left\{ p + (1-p) \right\}
\\ & = p (1-p)
\end{align*}\]

この試行を \( n \) 回繰り返すので、分散 \( p(1-p) \) が \( n \) 回分足されて^[1]各試行は独立なときのみ、2つの試行の分散 \( p(1-p) \) を足すことができます。、\( np(1-p) \) となるのです。\[\begin{align*}
E(x) & = \underbrace{ p(1-p) + p(1-p) + p(1-p) + \cdots + p(1-p) }_{ n \ \mathrm{個} }
\\ & = np(1-p)
\end{align*}\]

[iii] 標準偏差の求め方

標準偏差 \( \sigma (X) \) は、分散 \( V(X) \) の平方根で求めることができます。

\[\begin{align*}
\sigma (X) = \sqrt{ V(X) }
\end{align*}\]

例えば、コイントスを100回行ったとき、表が出る回数 \( X \) の標準偏差 \( \sigma (X) \) は、散 \( V(X) = 25 \) を用いてつぎのように計算できます。\[\begin{align*}
\sigma (X) & = \sqrt{ V(X) }
\\ & = \sqrt{25}
\\ & = 5
\end{align*}\]よって、表が出る回数の標準偏差は5回と求められます。

4. 正規分布: 二項分布の近似

これまで、コイントスのように結果が2通りしかない試行を繰り返すと、その片方の事象が起こる回数 \( X \) は二項分布に従うことを説明しました。

次に、試行回数 \( n \) を大きくした場合の二項分布について考えてみましょう。試行回数を増やしていくと、事象の発生回数 \( X \) とその確率をグラフにプロットしたときに、興味深い形が見えてきます。

例えば、コイントスを100回行ったとき、表が出る回数を横軸に、その確率を縦軸にしてグラフを描いてみます。

すると、グラフの中央付近に一番高い山ができて、左右対称に広がっていることがわかります。これは偶然ではなく、試行回数が増えると二項分布がこのような形になるのです。

実は、試行回数 \( n \) が十分に大きくなると、この二項分布のグラフは正規分布と呼ばれる特定の形に近づきます。

言い換えると、試行回数が大きいときに、二項分布は正規分布での近似が可能です^[2]目安として、試行回数 \( n \)、事象が起こる確率 \( p \) のとき、\( np > 5 \) かつ \( n(1-p) > 5 \) が成り立つ場合に近似ができます。。

皆さんは、選挙が終わった直後、まだ開票全く当選していないのに「◯◯党 △△ △△、当選確実！」という速報が出るのを見て、不思議に思ったことはありませんか？

今回は、開票がまだ進んでいないにもかかわらず、メディアがどのようにして「当選確実」と判断するのか、その仕組みを解説していきます。

1. 出口調査の簡単なしくみ

(1) 全員分の投票情報を集めるのは不可能

投票した全員が誰に（どの党に）投票したかが分かれば、100%正確に当選者がわかります。

しかし、現実的に全員分が誰に投票したかを、開票せずに把握することは不可能です。

(2) 現実的な手段：味見＝出口調査

料理を振る舞う場面を想像してください。

料理を作るとき、味付けや味の濃さを確認するために少しだけ味見をしますよね^[1]料理全部を食べて確認するなんてことをしたら、振る舞う料理がなくなってしまいます。。

選挙の当選確実を出す仕組みも、この「味見」と似ています。

具体的には、投票者の一部に誰に投票したのかを選挙会場で調査（＝味見）し、その結果をもとに当選者を予測します。

(3) 調査結果の判断法には要注意

今回は、候補者4人（うさぎ、ねこ、いぬ、あざらし）の中から当選者として1人を選ぶ選挙を実施したと仮定します。

ここで、10,000人がこの選挙に投票し、そのうち100人に「誰に投票したか」を出口調査した結果、以下の表の通りの得票率となったとします。

表. 100人に出口調査したときの得票率データ

これだけ見ると、すぐに「うさぎが一番人気だな！　当選者確定！」と思うかもしれません。

しかし、ここで重要なのは、これはたった100人のデータに過ぎないという点です。実際の投票者全体（10,000人）の投票結果は、この100人のデータと一致しません。

なぜなら、100人というサンプルはあくまで「一部の投票者」に過ぎないからです、全員（10,000人）の中で本当にうさぎが一番投票されているかはわからないからです。たまたま抽出した100人がうさぎに投票した人が多かっただけかもしれません。

そのため、この調査結果から「うさぎが最も投票されている（＝当選確実）」ということを正確に判断するためには、数学の力を使った裏付けが必要です。

(4) 数学的な裏付け … 区間推定

では、どのように数学的に裏付けしていけばいいでしょうか？

100人のデータだけでは、全体の投票結果を完全に理解することはできません。つまり、たとえば「うさぎが40%の得票率だった」としても、実際に10,000人全体の得票率が40%であるとは限らないのです。

しかし、全体の得票率を正確に知ることができなくても、数学（統計学）の理論に基づいておおよその範囲を推測することはできます。たとえば、「うさぎの得票率は38%〜42%の間だろう」というように、得票率の範囲を推定することができるのです。この、得票率がどのくらいの範囲に収まるのかを推定するのが「区間推定」です。

★ 例え話で理解しよう。

ここで少し具体的な例えを使って考えてみましょう。

例えば、クラスのテストの平均点を調べたいとき、全員に尋ねるのは大変ですよね。そこで、100人のうち10人に「テストの平均点は何点だったか？」と聞いたとしましょう。

もし、その10人が「平均点は80点だった！」と言ったとしても、クラス全体の平均点が本当に80点だとは限りません。 もしかしたら、クラス全体の平均点はもっと高いかもしれないし、逆に低いかもしれません。そのため、10人だけのデータでは、全体の平均を完全には把握できません。

そこで、「この調査結果をもとに全体の平均点はおおよそ80点だろうと予測するけど、実際の平均点は70点から90点の間かもしれない」というように、範囲を設定することが大切なのです。

これと同じように、100人の調査データだけでは全体の得票率を正確に知ることはできませんが、「範囲」で示すことで、より現実的な予測をすることができるのです。

(5) 区間推定の結果と当選確実

当選確実を言うためには、得票率が一番高い候補者の得票率の範囲が他の候補者の範囲と重ならければOKです。

これは、他の候補者の信頼区間が一番高い候補者の範囲に含まれないことで、「この候補者よりも得票率が高い人はいない」と確定できるからです。

例えば、うさぎの得票率が「37%〜43%」と推定されていた場合、他の候補者の得票率がいくら高くても、その範囲が「37%」未満であれば、うさぎが最も高い得票率を得ていると確信できるわけです。

最も高い得票率を得ている候補者が誰か、出口調査の段階で確信できた段階で、各メディアは当選確実であることを視聴者に伝えます。

(6) 区間推定で必要な知識

区間推定をするにあたって、以下の知識が必要となります。

• 確率変数
• 平均（期待値）、分散、標準偏差
• 二項分布

これらの知識を短時間で復習するための記事を作成しています。必要な方はぜひご覧ください。

2. 当選確実を数学的に出す方法解説

ここからは、実際に出口調査から当選確実が言えるかどうか、正確に判断するための方法を説明していきましょう。

なおこの章では、第1章と同じ以下のデータを使用します。

• 候補者4人（うさぎ、ねこ、いぬ、あざらし）の中から当選者として1人を選ぶ選挙を実施
• 選挙の投票者は全員で10,000人
• 10,000人中100人に出口調査を実施、結果は以下の表の通り

表. 100人に出口調査したときの得票率データ

(1) 区間推定の流れ

まずは、当選確実かどうかを判断するために必要な区間推定をどのように実施するか、その流れを見ていきましょう。

ここから先、数式を使った話になりますが、心配しないでください。ここでは「考え方」に焦点を当てます。区間推定では、まずサンプルデータから得られた「得票率」に、ばらつき（標準偏差）を加えたり引いたりして、範囲（区間）を求めます。

(3) 区間推定の計算法

Step1. 出口調査での得票率の計算 … 平均

まず、100人の調査結果を使って、各候補者にに投票した人の割合（得票率）を求めます。

得票率は、次のような形で計算ができます。\[\begin{align*}
\mathrm{得票率} & = \frac{ \mathrm{各候補者に投票した人数} }{ \mathrm{調査人数} }
\end{align*}\]

たとえば、調査した100人のうち40人がうさぎに投票したとしましょう。すると、うさぎの得票率は次のように計算できます。

\[\begin{align*}
\mathrm{得票率} & = \frac{ \mathrm{うさぎに投票した人数} }{ \mathrm{調査人数} }
\\ & = \frac{40}{100}
\\ & = 0.4
\\ & = 40 [ \% ]
\end{align*}\]

Step2. 誤差の計算 … 標準偏差

次に、この得票率に基づいて、調査の結果にどれくらいの誤差があるかを計算します。

ここで、この誤差を求めるためには、二項分布という確率の理論を使います。

二項分布は、ある人が「投票する」「投票しない」のような2つの選択肢から1つを選ぶ場面で使われます。つまり、各調査対象が「各候補者に投票した」「各候補者に投票しなかった」の2通りの結果に分かれるので、このような場面にぴったり当てはまるのです。

★ 二項分布の平均と分散

調査した人数を \( n \)、ある候補者に投票された割合を \( p \) とします。この場合、得票数 \( X \) の平均 \( E(X) \)、分散 \( V(X) \) はつぎのように計算できます。

※ 投票人数が \( n \) が大きいとき、ある候補者に投票された割合 \( p \) は、出口調査での得票率と同じであるとみなして計算することができます。（大数の法則）

・平均 \( E(X) = np \)

平均は、調査した人数 \( n \) と得票率 \( p \) を掛けた数が平均です。例えば、100人を調査して、40%がうさぎに投票した場合、平均投票者数は次のように計算されます。\[\begin{align*}
E(X) & = \underbrace{ n }_{100} \times \underbrace{ p }_{0.4}
\\ & = 40
\end{align*}\]

・分散 \( V(X) = np(1-p) \)

分散とは、データがどれくらいバラついているかを示す指標で、調査した人数 \( n \)、投票された割合 \( p \)、投票されなかった割合 \( 1-p \) をすべて掛けたものです。例えば、100人を調査して、40%がうさぎに投票した場合、投票者数の分散は次のように計算されます。

\[\begin{align*}
E(X) & = \underbrace{ n }_{100} \times \underbrace{ p }_{0.4} \times ( 1 - \underbrace{ p }_{0.4} )
\\ & = 100 \times 0.4 \times 0.6
\\ & = 24
\end{align*}\]

★ 得票率のばらつき度合い（標準偏差）

次に、得票率のばらつき（誤差）を計算していきます。得票率のばらつきを示す「標準偏差」という指標を使います。標準偏差は、分散の平方根を取ったもので、データのばらつき具合を分かりやすく示します。

ここで、先程出てきた確率変数 \( X \) は、調査した人数 \( n \) に対して得票数がどれだけあるかを示したものでしたね。つまり、得票率はこの確率変数を \( n \) で割ったものとなります。

そのため、得票率の分散は、得票数の分散の \( \frac{1}{n^2} \) 倍となります^[2]あるデータを \( a \) 倍すると、その分散は \( a^2 \) となるため。今回は \( a = \frac{1}{n} \) である。。そのため、得票率の分散は次のように計算ができます。

\[\begin{align*}
V \left( \frac{X}{n} \right) & = \frac{1}{n^2} V(X)
\\ & = \frac{1}{n^2} \cdot np(1-p)
\\ & = \frac{p(1-p)}{n}
\end{align*}\]

あとは、得票率の分散の平方根を取ることで、得票率の標準偏差（＝ばらつき度合い）を求める事ができます。

\[\begin{align*}
\sigma & = \sqrt{ \mathrm{分散} }
\\ & = \sqrt{ \frac{p(1-p)}{n} }
\end{align*}\]

実際に分散、標準偏差を計算してみましょう。

たとえば、調査した100人のうち40人（= 得票率40%）がうさぎに投票したとします。

すると、調査人数 \( n = 100 \)、うさぎの得票率 \( p = 0.4 \) から、うさぎの得票率の分散、標準偏差は次のように計算できます。

\[\begin{align*}
\mathrm{分散} & = \frac{p(1-p)}{n}
\\ & = \frac{0.4 \cdot 0.6}{100}
\\ & = \frac{ 0.24 }{100}
\\ & = \frac{24}{10000}
\end{align*}\]

\[\begin{align*}
\mathrm{標準偏差} & = \sqrt{ \mathrm{分散} }
\\ & = \sqrt{ \frac{24}{10000} }
\\ & = \frac{ \sqrt{24} }{ \sqrt{10000} }
\\ & = \frac{ 2 \sqrt{6} }{ 100 }
\\ & = \frac{ \sqrt{6} }{50}
\\ & \fallingdotseq 0.0490
\end{align*}\]

Step3. 区間推定

得票率の平均と標準偏差を使って、得票率の区間推定を行います。

ここで調査人数が多い場合、得票率の分布は正規分布に近づくため、正規分布を用いて区間推定を行います。

(1) 信頼度

区間推定を行う際に、「どれくらいの確信度で範囲を推定するか」を示すのが信頼度です。

例えば、信頼度が95%で得票率が「35%〜45%」と推定された場合、「10,000人全体の投票結果の得票率が35%〜45%の範囲に入っている確率が95%」という意味になります。

信頼度が低いほど、範囲は狭くなりますが、得票率の推定に対する確信度は弱くなります。一方、信頼度が高いほど、その範囲が広くなりますが、得票率の推定に対する確信度が強くなります。

当選確実を速報する際には、嘘や誤った情報を流すと大問題となります。そのため、確実に当選確実を発表するためには高い信頼度で、区間推定を広めに取ることが重要です。

ここで、信頼度に応じて区間が具体的にどのように変わるかについては、「(2) 標準正規分布」で詳しく説明します。

(2) 標準正規分布

正規分布の中でも、平均0、標準偏差1の正規分布のことを標準正規分布と呼びます。この分布では、各値が取る範囲が具体的に決まっています。

信頼度：95%

得票率は平均 ± 標準偏差1.96個の範囲に収まります。

信頼度：99%（± 標準偏差2.58個分）

得票率は平均 ± 標準偏差2.58個の範囲に収まります。

なお、実際に範囲を計算する際には、使用する正規分布に応じて、平均0、標準偏差1の標準正規分布から、変換を行います。

変化の方法については「(3) 標準正規分布 → 正規分布の変換」にて説明します。

(3) 標準正規分布 → 正規分布の変換

区間を計算するためには、平均0、標準偏差1の標準正規分布から、使用する正規分布（平均 \( p \)、標準偏差 \( \sigma \)）に変換する必要があります。

まず、標準正規分布の値を \( \sigma \) 倍することで、平均0、標準偏差 \( \sigma \) の正規分布に変換します。

つぎに、この正規分布に値 \( p \) を加えることで、平均 \( p \) 、標準偏差 \( \sigma \) の正規分布となります。