🔖 キーワード索引

「standard deviation」は統計データ分析の文脈で扱う重要概念のひとつ。 本ページでは「standard deviation」を取り巻く中核キーワードを以下にチップで一覧化する。 各キーワードは関連する概念・手法・道具立てを含み、 文献検索や学習計画の起点になる。

これらのキーワードは「standard deviation の理解 → 適用 → 検証」のプロセスを構成する。 各章で詳しく解説する。

🎨 直感で掴む — 標準偏差は「ばらつきを元の単位で表したもの」

標準偏差（standard deviation, σ）は分散の平方根。 分散は「単位の二乗」になってしまうので解釈が難しい。 平方根を取って元の単位に戻したものが標準偏差。 直感的には「平均からのズレの典型的な大きさ（平均からの平均的な距離）」と読む。

💡 例えば東北6県の食料費の分散が「8.09 千円²」と言われても直感的でない。 標準偏差「2.84 千円」と言えば、 「平均（80.8 千円）から±2.84千円くらい散らばっている」とすぐ分かる。

SSDSE 食料費での値

• 47都道府県の食料費の平均: 80.60 千円
• 標準偏差: 5.84 千円
• 「典型的な都道府県は、 平均から±5.8千円の範囲」と読める

🎮 触って理解する — 標準偏差ラボ

標準偏差 σ は「平均からのズレの典型的な大きさ」。 下のキャンバスでデータ点をドラッグ／クリック追加／ダブルクリック削除すると、 平均 μ を中心とした ±1σ・±2σ・±3σ の帯がヒストグラムに重ねてリアルタイム描画され、 各帯に入るデータの割合が更新されます。 正規分布に近ければ 68 / 95 / 99.7% に、 歪んだ分布ではそこからズレることを実データで体感してください。

💡 使い方：下段の丸い点をドラッグで移動、 グラフ上をクリックで点を追加、 点をダブルクリックで削除。 実データ（食料費）で 1 点を極端な値へ動かすと、 外れ値が σ を一気に押し上げる様子（後述の ロバスト統計で扱う感度）が見えます。 「正規分布デモ」では σ スライダーで帯の広がりが変わり、 割合が 68 / 95 / 99.7% に収束することを確認できます（点数が多いデモではドラッグ編集は無効）。

📎 このラボで確かめられること（関連概念）

• 定義と単位：σ は 分散（σ²）の正の平方根で、 データと同じ単位。 分散が「千円²」なら σ は「千円」に戻る。
• 68-95-99.7 則：正規分布なら μ±1σ に約 68.3%、 ±2σ に約 95.4%、 ±3σ に約 99.7% が入る。 歪み・外れ値があるとこの比率は崩れる。
• 代表値と散布度は必ず併記：平均などの代表値だけでは分布は語れない。 「μ ± σ」で中心と広がりを対で報告する。
• 変動係数 CV：CV = σ / μ（無次元）。 単位やスケールの違う変数のばらつきを比較する相対尺度。 食料費では 5.84 / 80.60 ≈ 7.2%。
• 外れ値への感度：σ は二乗和ベースなので極端値に強く引っ張られる。 頑健性が要るなら ロバスト統計の MAD や IQR を併用する。
• z-score：z = (x − μ) / σ。 標準化で「平均から何 σ 離れているか」を無次元で表し、 外れ値判定や異種変数の比較に使う。

📐 拡充A: 標準偏差の厳密な数学定義

標準偏差 (standard deviation, SD) は分散の正の平方根。 母集団の場合と標本の場合で定義が異なる。

$$\sigma = \sqrt{E[(X-\mu)^2]} = \sqrt{\sum_{x} (x-\mu)^2 p(x)}$$

これは「平均からの距離の二乗の期待値の平方根」 = 「平均からの典型距離」と読める。

🔬 数式を言葉で読み解く: 母標準偏差 σ

• $X$ は確率変数 (たとえば日本の都道府県の人口)
• $\mu = E[X]$ は母平均
• $(X-\mu)^2$ は「平均からの距離の二乗」 → 符号を消し、 大きく外れる値を強く罰する
• 期待値 $E[\cdot]$ で平均をとる → 平均からの典型的なズレが分散
• 平方根を取って単位を元に戻したものが SD

🔬 数式を言葉で読み解く: 標本標準偏差 s (不偏)

$$s = \sqrt{\frac{1}{n-1}\sum_{i=1}^n (x_i - \bar{x})^2}$$

• $\bar{x}$ は標本平均 (データから計算)
• 分母が n ではなく n−1 → ベッセル補正、 不偏性（不偏推定量）のため
• $n-1$ は「自由度」: 平均を 1 個推定したので 1 個の自由度を消費
• pandas の .std() は ddof=1 (デフォルト)、 numpy の .std() は ddof=0

🔬 数式を言葉で読み解く: 標準化 (z-score)

$$z_i = \frac{x_i - \bar{x}}{s}$$

• 平均 0, SD 1 の単位なし量に変換する操作
• 「平均から何 SD 離れているか」をそのまま読める
• 正規分布なら |z|<1 が 68.3%, |z|<2 が 95.4%, |z|<3 が 99.7% (経験則 / 68-95-99.7 ルール)
• 異なる単位 (kg と万円) の変数も z-score にすると比較可能になる

🔬 数式を言葉で読み解く — マハラノビス距離・多変量での標準偏差

1変数の標準偏差を多変量に拡張したのがマハラノビス距離。 異常検知、 クラスタリング、 多変量正規分布で頻繁に登場。

$$ d_M(x) = \sqrt{(x - \mu)^T \Sigma^{-1} (x - \mu)} $$

• x：データ点（ベクトル）
• μ：平均ベクトル
• Σ：共分散行列
• Σ⁻¹：共分散行列の逆行列

1変数の場合 d_M = |x - μ|/σ = |z-score| に一致。 多変量では「相関構造を考慮した距離」になります。

使用例

• 多変量での異常検知（d_M > 閾値 で外れ値）
• クラスタリングの距離指標
• 判別分析（LDA, QDA）の決定境界

💰 金融での標準偏差 — リスク指標

金融工学では標準偏差を「ボラティリティ（volatility）」と呼び、 リスクの基本指標として使います。

① シャープレシオ

$$ \text{Sharpe Ratio} = \frac{\bar{r} - r_f}{\sigma_r} $$

リターンの平均をリスク（標準偏差）で割ったもの。 「1単位のリスク当たり、 どれだけのリターンか」を測定。 Markowitz の現代ポートフォリオ理論の中核。

② Value at Risk (VaR)

「ある期間内に最大いくら損する可能性があるか」を標準偏差ベースで計算：

$$ \text{VaR}_{95\%} = \mu - 1.65 \sigma $$

95%信頼度での最大損失額。 リスク管理の必須指標。

③ Black-Scholes モデル

オプション価格モデルの主要パラメータは原資産のボラティリティ σ。 σ が大きいほどオプション価値は高くなる（不確実性のプレミアム）。

🏭 品質管理での標準偏差 — シックスシグマ

製造業の品質管理では、 標準偏差が中心的役割を果たします。

管理図（control chart）

Shewhart の管理図では、 中心線（平均）と上下限（±3σ）を引き、 観測値がこの範囲外に出たら異常と判定：

• UCL（Upper Control Limit）= μ + 3σ
• LCL（Lower Control Limit）= μ - 3σ

シックスシグマ

「製造工程の許容範囲が ±6σ を超える」状態を目指す品質管理手法。 不良率は百万分の3.4 (3.4 ppm) という極めて厳しい基準。 モトローラ、 GE が実装して有名に。

Cp、 Cpk（工程能力指数）

$$ C_p = \frac{\text{USL} - \text{LSL}}{6\sigma} $$

仕様範囲（USL - LSL）を 6σ で割った指標。 Cp ≥ 1.33 で「合格水準」、 ≥ 2.0 でシックスシグマ水準。

📦 IQR との比較 — もう1つのばらつき指標

標準偏差以外にも、 ばらつきを測る指標があります：

正規分布の場合：σ ≈ IQR / 1.349 ≈ 1.4826 × MAD という換算式があります。

🧮 計算ステップ

標準偏差の計算手順

1. 平均 x̄ を計算
2. 各データの偏差 (xᵢ - x̄) を計算
3. 偏差の二乗を計算 (xᵢ - x̄)²
4. 合計 Σ (xᵢ - x̄)²
5. n（または n-1）で割って分散 σ²
6. 分散の平方根を取って標準偏差 σ = √σ²

📐 数式

$$ \sigma = \sqrt{\frac{1}{n} \sum_{i=1}^{n} (x_i - \bar{x})^2} $$

または不偏推定として：

$$ s = \sqrt{\frac{1}{n - 1} \sum_{i=1}^{n} (x_i - \bar{x})^2} $$

記号の読み方

📊 68-95-99.7ルール — 標準偏差の魔法

データが正規分布に従うとき、 標準偏差にはとても便利な性質があります：

実用例

• 品質管理：±3σ を超える製品は「不良」と判定（シックスシグマの基本）
• 外れ値検出：z = (x - μ)/σ > 3 を外れ値候補とする
• 信頼区間：標本平均 ± 1.96 × SE で95%信頼区間
• 異常検知：センサーデータが ±2σ を超えたらアラート

🎯 標準化 (z-score) — 異なる単位を比較可能に

異なる単位の変数（身長 cm と体重 kg）を直接比較できません。 そこで「平均からのズレを標準偏差で割る」のが標準化。

$$ z = \frac{x - \mu}{\sigma} $$

標準化されたデータは平均0、 標準偏差1になり、 「平均から何σ離れているか」を表す無次元の数値になります。

標準化の意味

• z = 0：平均と同じ
• z = 1：平均から1標準偏差上（上位16%）
• z = -1：平均から1標準偏差下（下位16%）
• z = 2：上位2.5%（極端に大きい）
• z = -3：下位0.13%（外れ値候補）

偏差値との関係

日本の試験で使う偏差値は、 z-score を変形したもの：

$$ T = 50 + 10z $$

• 偏差値 50 = 平均
• 偏差値 60 = z=1（上位16%）
• 偏差値 70 = z=2（上位2.5%）
• 偏差値 80 = z=3（上位0.13%）

📏 変動係数 (CV) — 相対的なばらつき

標準偏差は絶対的なばらつきを表しますが、 「身長の SD = 10cm」と「給料の SD = 10万円」を比較できません。 そこで変動係数（coefficient of variation, CV）：

$$ CV = \frac{\sigma}{\mu} \times 100 \% $$

標準偏差を平均で割った無次元の量。 「平均に対する何%のばらつき」を表します。 単位の異なる変数同士を比較できる便利な指標。

使い時

• 異なる単位の変数のばらつきを比較
• 異なるスケールの製品の品質バラツキを比較
• 投資のリスクとリターンを比較（シャープレシオの逆数的）

💡 SSDSE 食料費の場合: CV = 5.84 / 80.60 = 7.2%。 「都道府県間の食料費のばらつきは平均の約7%」。

🎲 標準偏差はバイアスを持つ — 知らない人が多い事実

不偏分散 s² の期待値は母分散 σ² に等しい（E[s²] = σ²）が、 √s² の期待値は σ に等しくないのです。 これは Jensen の不等式に起因します：

$$ \mathbb{E}[\sqrt{s^2}] \le \sqrt{\mathbb{E}[s^2]} = \sigma $$

つまり s は σ を過小評価する傾向があります。 正規分布の場合の補正係数 c₄ を使えば不偏標準偏差を得られますが、 実務では補正なしの s を使うのが普通（差は通常小さい）。

補正公式（正規分布の場合）

$$ s_{\text{unbiased}} = \frac{s}{c_4(n)}, \quad c_4(n) = \sqrt{\frac{2}{n-1}} \cdot \frac{\Gamma(n/2)}{\Gamma((n-1)/2)} $$

例：n=10 では c₄ ≈ 0.9727、 n=30 では c₄ ≈ 0.9914。 n が大きければ補正不要。

🤖 機械学習での標準偏差

① StandardScaler（特徴量の標準化）

多くの機械学習アルゴリズムは入力スケールに敏感（kNN, SVM, ニューラルネット, PCA, 線形回帰）。 標準化は前処理の必須技術：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19

# ── この抜粋で使うデータを用意します ──
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023]        # 2023 年の 47 都道府県
X = df[['A1101', 'A1303']].astype(float).values   # 総人口・65歳以上人口
X_train, X_test = train_test_split(X, test_size=0.3, random_state=42)

scaler = StandardScaler()
X_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)  # 同じスケーリングをテストにも

# scaler.mean_ と scaler.scale_ に平均と標準偏差が記録される
print('学習データの平均  :', scaler.mean_.round(1))
print('学習データの標準偏差:', scaler.scale_.round(1))

② Batch Normalization

深層学習の各層の出力を標準化する技術。 各ミニバッチで平均と標準偏差を計算して使用。

③ 重みの初期化

ニューラルネットの重み初期化（Xavier, He など）は、 標準偏差の精密な制御に基づきます：

$$ W \sim N\left(0, \sigma^2 = \frac{2}{n_{\text{in}}}\right) \quad (\text{He初期化}) $$

④ 不確実性推定

予測値だけでなく、 予測の標準偏差も出すモデル（ガウス過程、 ベイジアンNN）。 「±σ の予測区間」で意思決定の信頼性を示せます。

⑤ Dropout の解釈

Dropoutは「ノード出力に乗法的ノイズを加える」操作で、 これは標準偏差ベースの正則化と数学的に等価です。

🧮 SSDSE-B-2026 実値計算例 — 「消費支出」「人口」「気温」の SD と CV

変数によって平均と標準偏差の関係（変動係数 CV）が大きく異なります。 単位を持たない CV で「相対的なばらつき」を比較しましょう。

1
2
3
4
5
6
7

import pandas as pd
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
d = df[df['SSDSE-B-2026'] == 2023]
for c in ['L3221', 'A1101', 'B4101']:
    x = d[c].dropna()
    print(f'{c}: 平均={x.mean():.1f}, SD={x.std(ddof=1):.1f}, '
          f'CV={x.std(ddof=1)/x.mean():.3f}')

🧮 拡充B: SSDSE-B-2026 で SD を実値計算 — 47 都道府県の総人口

SSDSE-B-2026 の 2023 年 A1101 (総人口) について SD を計算する。

SD が平均より大きい (CV = 1.06) → ばらつきが平均水準を超える典型的な右に歪んだ分布。 これは「人口」が比率尺度かつ対数正規に近い分布だから。

z-score 上位 5 (大きい方)

z-score 下位 5 (小さい方)

東京の z=+4.09 は「平均から 4 SD 以上離れている」 → 正規分布なら 99.99% タイル超 → 強い外れ値。 しかし対数正規分布ならありえる。 形状を見ずに z-score を解釈してはいけない例。

📊 拡充C: 経験則 (68-95-99.7) を SSDSE で検証

正規分布なら |z|<1 が約 68.3%、 |z|<2 が約 95.4%、 |z|<3 が約 99.7%。 SSDSE-B-2026 の人口データで実際の割合を確認すると:

💬 「1 SD 内」が理論より大幅に多く (87% vs 68%)、 「2 SD 内」が理論より少ない (94% vs 95%) → 右に歪んだ分布の典型。 平均近くにデータが集中し、 右裾の少数が SD を引き上げる。 正規分布の経験則は 分布が正規に近い場合のみ 適用可能。

このコードでやること: SSDSE-B-2026 の人口で経験則の検証を行う。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

import pandas as pd
import numpy as np

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
pop = df[df['SSDSE-B-2026'] == 2023]['A1101'].values
mu, sd = pop.mean(), pop.std(ddof=1)
z = (pop - mu) / sd
for k in [1, 2, 3]:
    n = (np.abs(z) <= k).sum()
    print(f'|z|<={k}: {n}/{len(z)} = {n/len(z)*100:.1f}% (理論 {[68.3, 95.4, 99.7][k-1]}%)')

📤 実行結果:

💬 経験則が崩れている → 対数変換するか、 中央値・IQR などのロバスト指標で要約する方が現実的。

🔧 拡充D: ddof=0 vs ddof=1 — n と n−1 の使い分け

分散 / SD の分母には n と n-1 の 2 つの流派がある。 これは「ベッセル補正」と呼ばれ、 標本から母集団を推定する際の偏りを修正する。

🔬 数式を言葉で読み解く: ベッセル補正

$$E\left[\frac{1}{n-1}\sum (x_i - \bar{x})^2\right] = \sigma^2$$

• n で割ると過小評価 (バイアスがかかる)
• n−1 で割ると母分散の不偏推定量になる
• 「自由度」 = データ数 − 推定したパラメータ数 (平均を 1 個推定したので 1 個減る)
• SD は分散の平方根だが、 平方根の不偏性は保証されない (バイアスが残る)

n が大きい (n > 30 程度) と ddof=0 と ddof=1 の差は小さい。 でも n=10 などでは 5% 以上差が出る。 学術論文では 常に不偏 (ddof=1) が原則。

このコードでやること: SSDSE-B-2026 の人口で ddof=0 と ddof=1 の差を計算する。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12

import pandas as pd
import numpy as np

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
pop = df[df['SSDSE-B-2026'] == 2023]['A1101']

print(f'pandas .std() (ddof=1): {pop.std():,.1f}')
print(f'pandas .std(ddof=0)   : {pop.std(ddof=0):,.1f}')
print(f'numpy  .std() (ddof=0): {np.std(pop):,.1f}')
print(f'numpy  .std(ddof=1)   : {np.std(pop, ddof=1):,.1f}')
ratio = pop.std() / pop.std(ddof=0)
print(f'比 (ddof=1 / ddof=0) = {ratio:.4f}  (理論 √(n/(n-1)) = √(47/46) = {np.sqrt(47/46):.4f})')

📤 実行結果:

💬 47 サンプルで ddof の違いは約 1.1% だが、 デフォルト値の違いで pandas と numpy の結果が食い違う点に注意。 報告時は必ず ddof を明記する。

📏 拡充E: SD vs SEM — 標準偏差と標準誤差の混同を避ける

$$\mathrm{SEM} = \frac{s}{\sqrt{n}}$$

SD はデータ自体のばらつき、 SEM (Standard Error of the Mean) は 平均の推定値のばらつき。 全く別物。

🔬 数式を言葉で読み解く: SEM

• $s$ は標本 SD (不偏)
• $\sqrt{n}$ で割る → n が大きいほど SEM は小さくなる (平均が安定する)
• n=100 だと SEM = SD/10、 n=10000 だと SEM = SD/100
• 95% 信頼区間 ≈ $\bar{x} \pm 1.96 \cdot \mathrm{SEM}$

論文のエラーバーが SD か SEM かは必ず明記する。 SEM の方が小さくグラフが見栄えするので濫用されがちだが、 「データの幅」を示したいなら SD、 「平均の精度」なら SEM。

📈 拡充F: 変動係数 (Coefficient of Variation, CV)

$$\mathrm{CV} = \frac{s}{|\bar{x}|}$$

単位を消した相対的なばらつき指標。 異なる単位の量を比較するときに使う。 比率尺度のみ意味を持つ (mean=0 や負の量では破綻)。

SSDSE-B-2026 の主要列で CV を計算すると:

💬 CV ≈ 1.05〜1.07 で 3 系列がほぼ同じ → 男女別に分けても都道府県間のばらつきの相対的大きさはほとんど変わらない (それぞれの値の分布が比例関係にある)。 これは「日本の人口分布は男女別でほぼ同じ形」を意味する。

🛡 拡充G: ロバストなばらつき指標 (MAD, IQR)

SD は外れ値に弱い (二乗で罰するため)。 ロバストな代替指標として:

• IQR (四分位範囲): Q3 − Q1。 正規分布では SD × 1.349 と概ね一致
• MAD (median absolute deviation): $\mathrm{median}(|x_i - \mathrm{median}(x)|)$。 正規分布では SD ≈ MAD × 1.4826
• Trimmed SD: 上下 p% を切り捨ててから SD を計算

このコードでやること: SSDSE-B-2026 で SD と MAD と IQR を比較し、 ロバスト指標の安定性を体験する。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20

import pandas as pd
import numpy as np
from scipy import stats

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
pop = df[df['SSDSE-B-2026'] == 2023]['A1101'].values

sd = pop.std(ddof=1)
iqr = np.percentile(pop, 75) - np.percentile(pop, 25)
mad = stats.median_abs_deviation(pop, scale='normal')  # 1.4826 で補正済

print(f'SD              = {sd:,.0f}')
print(f'IQR             = {iqr:,.0f}  (正規なら SD × 1.35 = {sd*1.349:,.0f})')
print(f'MAD (正規 scale) = {mad:,.0f}  (正規なら SD と一致)')

# 東京を除いた場合
pop_no_tokyo = pop[pop < 10_000_000]
print(f'\n東京除外後:')
print(f'SD  = {pop_no_tokyo.std(ddof=1):,.0f} (約 {(1-pop_no_tokyo.std(ddof=1)/sd)*100:.1f}% 減)')
print(f'MAD = {stats.median_abs_deviation(pop_no_tokyo, scale="normal"):,.0f}')

📤 実行結果:

💬 SD は東京 1 個を除くだけで約 20% も減るが MAD の変化は約 5% にとどまる (923,661 → 872,511)。 これがロバスト指標の威力。 外れ値の影響を受けやすい問題では MAD や IQR を優先する。

⚖️ 拡充H: 加重 SD と層別分析

都道府県別データを単純に集約すると「東京の 1 人」と「鳥取の 1 人」が同じ重みになる。 人口を重みにした加重 SD は:

$$s_w = \sqrt{\frac{\sum w_i (x_i - \bar{x}_w)^2}{\sum w_i}}$$ ただし $\bar{x}_w = \frac{\sum w_i x_i}{\sum w_i}$

応用例: 都道府県別の高齢化率を県別人口で加重平均すれば「日本人 1 人当たりが感じる平均的な高齢化率」が出る。 単純平均は「県別の値の平均」で別物。

SD は層内 SD と層間 SD に分解できる (ANOVA の原理):

$$\mathrm{Var}(X) = \mathrm{Var}(E[X \mid G]) + E[\mathrm{Var}(X \mid G)]$$

「全体ばらつき = 群間ばらつき + 群内ばらつきの平均」。 SSDSE で東日本 vs 西日本に分けると、 全体 SD のうち群内が大半 (約 90%) → 「東西」は人口のばらつきをほとんど説明していない。

🧮 数式に値を入れて手で計算する: 標準偏差

合成データ [2,4,7,5,3] で標本 SD と母 SD を計算する。

Step 1: 平均と偏差²

Step 2: SD

🐍 Python で再現

1
2
3
4

import numpy as np
x = np.array([2,4,7,5,3])
print(f"標本 SD: {x.std(ddof=1):.3f}")
print(f"母 SD: {x.std(ddof=0):.3f}")

📤 実行結果

💬 手計算 (Step 2) と Python 出力が完全一致。

🐍 Python での計算

🎯 このコードでやること：標準偏差を numpy（既定 ddof=0、 ÷n）と pandas（既定 ddof=1、 ÷(n-1)）で計算し、 両者の挙動差を z-score 変換まで含めて確認する。

📥 入力データ：arr = [10, 20, 30, 40, 50]（平均 30 の単純なサンプル）

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19

import numpy as np
import pandas as pd

# numpy のデフォルトは ÷n
arr = np.array([10, 20, 30, 40, 50])
print(np.std(arr))         # ÷n: 14.14
print(np.std(arr, ddof=1)) # ÷(n-1): 15.81

# pandas のデフォルトは ÷(n-1)
s = pd.Series(arr)
print(s.std())             # ÷(n-1): 15.81
print(s.std(ddof=0))       # ÷n: 14.14

# describe で要約
print(s.describe())

# 標準化（z-score）
z = (s - s.mean()) / s.std()
print(z)

📤 実行結果：

💬 読み方：numpy と pandas で既定値が異なるのが最大の落とし穴。 標本 SD（推測統計用）が必要なら ddof=1 を明示する。 z-score は平均 0・分散 1 にスケール変換される。

StandardScaler を手で書く

1
2
3
4
5
6
7

def fit_transform(X):
    mu = X.mean(axis=0)
    sigma = X.std(axis=0, ddof=0)
    sigma[sigma == 0] = 1.0  # ゼロ除算回避
    return (X - mu) / sigma, mu, sigma

X_scaled, mu, sigma = fit_transform(X)

変動係数の計算

1
2
3
4
5

def coefficient_of_variation(x):
    return x.std() / x.mean() * 100

cv_food = coefficient_of_variation(df['L322101'])
print(f'食料費の変動係数: {cv_food:.2f}%')

🚧 標準偏差の落とし穴

1️⃣ 正規分布でないと68-95-99.7ルールは使えない

裾の長い分布（所得、 株価変動）では±2σの中に95%が入らない。 必ず分布の形を確認してから使う。

2️⃣ ÷n か ÷(n-1) か — ライブラリで違う

numpy のデフォルトと pandas のデフォルトが違う。 R のデフォルトは ÷(n-1)。 統一するには ddof を明示。

3️⃣ 外れ値の影響

標準偏差は分散の平方根なので、 外れ値で大きく動きます。 中央値ベースの MAD を併用しましょう。

4️⃣ 単位の異なる変数を比較できない

「身長のσ=10cm」と「体重のσ=10kg」は無関係。 比較には変動係数（CV）を使う。

5️⃣ サンプルサイズが小さい

n=5 程度では σ の推定値は大きくブレます。 χ²分布ベースの信頼区間を計算するか、 ブートストラップで確認。

6️⃣ z-score 標準化はテストデータにも fit してはいけない

機械学習で fit_transform(X_train) したら、 transform(X_test) で同じスケーリングをすること。 fit を分けないとデータリークになります。

📜 標準偏差の歴史

• Karl Pearson（1893）：「standard deviation」という用語を初めて使用（1894 年の論文で活字化）。 ガウスの誤差論を一般化
• Gosset（"Student", 1908）：少標本での標本標準偏差の分布を研究 → t分布の発見
• Fisher（1925）：分散・標準偏差の自由度補正を体系化
• Shewhart（1924）：±3σ 管理限界を品質管理に導入 → シックスシグマの源流
• Markowitz（1952）：標準偏差をリスク指標として金融に応用 → 現代ポートフォリオ理論

🐍 Python 実装バリエーション（numpy / pandas / scipy / statsmodels）

🅰️ numpy（デフォルト ddof=0）

1
2
3
4
5

import numpy as np
x = df['L322101'].dropna().values
print('SD (ddof=0):', np.std(x))             # 母集団 SD
print('SD (ddof=1):', np.std(x, ddof=1))    # 標本 SD（不偏）
print('Var (ddof=1):', np.var(x, ddof=1))

🅱️ pandas（デフォルト ddof=1）

1
2
3

print(df['L322101'].std())           # ddof=1
print(df['L322101'].std(ddof=0))      # 母集団 SD
print(df.describe().T[['mean', 'std']])  # 全変数

🅲 scipy.stats — z-score・SEM

1
2
3
4
5

from scipy import stats
z = stats.zscore(x)               # z-score
sem = stats.sem(x)                # 標準誤差 (SD/√n)
print('zscore[0:5]:', z[:5])
print('SEM:', sem)

🅳 statsmodels — 加重 SD

1
2
3
4
5

from statsmodels.stats.weightstats import DescrStatsW
weights = df['A1101'].dropna()
weighted = DescrStatsW(df['L322101'].dropna().values, weights=weights.values)
print('加重平均:', weighted.mean)
print('加重 SD:', weighted.std)

📦 「ばらつき」指標早見表

⚠️ 落とし穴（補強版 — 標準偏差で踏みやすい7つの罠）

⚠️ 拡充I: SD にまつわる落とし穴

• (1) ddof の取り違え: numpy デフォルト ddof=0 と pandas デフォルト ddof=1 が混在するとレポート間で値が食い違う。 必ず明示。
• (2) 単位忘れ: SD の単位は元データと同じ。 「平均 100 SD 10」が m か kg か明示しないと意味不明。
• (3) 外れ値の影響: 二乗で罰するため、 1 個の外れ値で SD は大きく動く。 SSDSE で東京 1 つ抜くと SD が約 20% 減。
• (4) 多峰分布で SD を使う: 2 つの山がある分布の SD は「どちらの山にも属さない谷」の典型距離になり、 意味が薄い。 まず形状を確認。
• (5) 比較不能な単位での比較: SD が 10 と 100 でも、 単位 (cm と mm) や平均 (10 と 1000) が違えば直接比較できない。 CV や z-score で正規化。
• (6) SD と SEM の取り違え: 学術論文でグラフのエラーバーが SD なのか SEM なのか明記しないと誤解の元。
• (7) 経験則の濫用: 「68-95-99.7」は 正規分布の場合のみ。 SSDSE 人口データのような歪んだ分布では成立しない。

🌐 関連手法・派生

関連する手法・派生バリエーション。

標準偏差は「ばらつき」を測る指標群の中心に位置する。 SSDSE-B-2026 の人口 (A1101) や消費支出 (L3221) で平均と一緒に必ず併記される基本統計量で、 派生指標 (CV / Z 値 / IQR) と組み合わせて分布形状を多角的に把握する。

• 上位概念: ばらつき (dispersion) — 範囲 / IQR / 分散 / MAD を含む親概念。 47 都道府県人口は東京の外れ値で SD が膨張するため、 ロバスト指標 (IQR / MAD) との併用が定石。
• 並列手法 (同カテゴリ): IQR (四分位範囲)、 MAD (中央絶対偏差)、 範囲。 外れ値感度が異なるので、 SD と並べて報告する。
• 前段処理: 欠損値処理 (sd は欠損で NaN になる)、 外れ値検出 (3σ 基準は SD 自身を使う循環構造)。
• 後段処理: 標準化 (Z スコア)、 信頼区間 (SE = SD/√n から導出)、 仮説検定。
• 派生・拡張: 移動標準偏差 (時系列のボラティリティ)、 加重標準偏差 (人口加重)、 多変量への拡張は分散共分散行列。
• 競合・代替: MAD = median(|x − median(x)|) は SD の頑健版で、 SSDSE 人口のような右に裾を引く分布では MAD のほうが「典型的なばらつき」を捉える。

SD は単独の数値ではなく、 平均と組で報告 (mean ± SD) し、 CV = SD/mean で単位無しの相対ばらつきに変換することで都道府県間比較が可能になる。

🔗 関連用語（前提・並列・発展）

📚 前提となる用語

• 平均 — SD の参照点
• 分散 — SD の 2 乗
• ばらつき（一般） — SD の上位概念
• 自由度（n−1） — 不偏性の数学
• 正規分布 — 68-95-99.7 則の前提

🔄 並列・同レベルの用語

• IQR（四分位範囲） — ロバスト代替
• MAD（中央絶対偏差） — 強ロバスト
• 変動係数（形状指標） — 単位なしの SD
• 箱ひげ図（範囲表現） — 単純な広がり
• SEM（標準誤差） — 平均の誤差

🚀 発展・応用

• z-score 標準化 — SD を単位とする変換
• マハラノビス距離（共分散ベース） — 多変量 z 距離
• シックスシグマ・分散分析 — 品質管理
• 信頼区間 — SEM × 1.96
• ブートストラップ — SD の代替推定
• ボラティリティ（時系列での SD） — 金融での SD

🔗 拡充J: 関連用語 (前提・並列・発展)

🪜 拡充L: SD を 1 ステップずつ手計算する (47 都道府県人口)

機械的に .std() を呼ぶだけでなく、 内部で何が起きているかを段階分解する。 SSDSE-B-2026 の 2023 年 47 都道府県人口で順を追う。

1. Step 1: 平均を計算 → $\bar{x} = \frac{1}{47}\sum x_i = 2{,}645{,}808.5$ 人
2. Step 2: 各値から平均を引いて偏差 $d_i = x_i - \bar{x}$ を出す
   • 東京: 14,086,000 − 2,645,808 = +11,440,192
   • 北海道: 5,092,000 − 2,645,808 = +2,446,192
   • 鳥取: 537,000 − 2,645,808 = −2,108,808
3. Step 3: 偏差を二乗して負値を消去 $d_i^2$
   • 東京: $(11{,}440{,}192)^2 = 1.31 \times 10^{14}$
   • 鳥取: $(-2{,}108{,}808)^2 = 4.45 \times 10^{12}$
4. Step 4: 二乗偏差の合計 → $\sum d_i^2 \approx 3.6 \times 10^{14}$
5. Step 5: 自由度 $n-1 = 46$ で割る → 不偏分散 $s^2 = 7.826 \times 10^{12}$
6. Step 6: 平方根 → $s = 2{,}797{,}551$ 人

東京の二乗偏差 1.31×10¹⁴ は全体の約 37% を占める → 1 都道府県だけで SD の値の 1/3 強を決めている。 これが「SD が外れ値に敏感」と言われる所以。

このコードでやること: 上記 Step を numpy で順番に出力し、 手計算と一致することを確認する。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20

import pandas as pd
import numpy as np

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
pop = df[df['SSDSE-B-2026'] == 2023]['A1101'].values

mean = pop.mean()
dev = pop - mean
sq_dev = dev ** 2
ssd = sq_dev.sum()
var_unbiased = ssd / (len(pop) - 1)
sd = np.sqrt(var_unbiased)

print(f'Step1 平均           = {mean:,.1f}')
print(f'Step2 偏差 (東京)    = {dev[pop.argmax()]:,.0f}')
print(f'Step3 二乗偏差 (東京) = {sq_dev[pop.argmax()]:,.0f}')
print(f'Step4 二乗偏差合計   = {ssd:,.0f}')
print(f'Step5 不偏分散 (n-1) = {var_unbiased:,.0f}')
print(f'Step6 SD             = {sd:,.0f}')
print(f'東京の寄与率: {sq_dev[pop.argmax()]/ssd*100:.1f}%')

📤 実行結果:

💬 SD の計算は加減乗除と平方根だけで構成されるシンプルな手続きだが、 各値の偏差が二乗されるため 大きな値の影響が指数的に効く。 東京 1 県の寄与率が 36.4% という事実は、 「47 県の人口ばらつき」の意味を再考させる。 「東京を含めた都道府県の SD」と「東京を除いた SD」は別の指標として並記すべき場面が多い。

📜 拡充M: SD の歴史 — Gauss から Pearson まで

• 1809: Gauss が "Theoria motus corporum coelestium" で最小二乗法と正規分布を提示。 σ の前身となる「平均誤差」概念が登場
• 1893: Karl Pearson が "standard deviation" という用語を造語。 ロンドンの University College で講義に使用
• 1900: Pearson が χ² 検定で SD を実用化
• 1908: Gosset (Student) が n が小さい場合の SD 補正 (n−1 の正当化) を t 分布論文で提示
• 1925: Fisher が "Statistical Methods" で SD/SEM の使い分けを標準化

「標準」(standard) という言葉には「単位として使う」という意味が込められている。 SD で割ることで、 任意のデータを「平均からの SD 倍数」という共通単位に変換できる、 という発想が用語の核。

🤖 拡充N: SD と機械学習の前処理 — StandardScaler の中身

scikit-learn の StandardScaler はまさに z-score 変換。 訓練データの平均と SD を学習し、 テストデータに適用する。

$$z = \frac{x - \mu_{\mathrm{train}}}{\sigma_{\mathrm{train}}}$$

• SVM, ロジスティック回帰, ニューラルネット, kNN, k-means など 距離ベース のモデルで必須
• 決定木 (LightGBM, XGBoost, Random Forest) は不要 (分岐は順序のみ使う)
• テストデータには訓練の μ, σ を使う — テスト独自に計算するとデータリークになる
• RobustScaler は中央値と IQR を使うロバスト版 (外れ値耐性)

このコードでやること: SSDSE-B-2026 の人口を StandardScaler で標準化し、 変換前後の平均・SD を確認する。

📥 入力: 47 都道府県 × A1101 総人口

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17

import pandas as pd
import numpy as np
from sklearn.preprocessing import StandardScaler, RobustScaler

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
pop = df[df['SSDSE-B-2026'] == 2023]['A1101'].values.reshape(-1, 1)

ss = StandardScaler().fit(pop)
rs = RobustScaler().fit(pop)
z_ss = ss.transform(pop)
z_rs = rs.transform(pop)

print(f'元データ: mean={pop.mean():,.0f}, std={pop.std():,.0f}')
print(f'StandardScaler: mean={z_ss.mean():.4f}, std={z_ss.std():.4f}')
print(f'(東京の z): {z_ss.max():.3f}')
print(f'RobustScaler:   median={np.median(z_rs):.4f}, IQR={np.percentile(z_rs,75)-np.percentile(z_rs,25):.4f}')
print(f'(東京の z): {z_rs.max():.3f}')

📤 実行結果:

💬 StandardScaler では東京の z = 4.13 だが、 RobustScaler では z = 7.82 と 大きくなる。 これは IQR が SD より小さい (外れ値に引きずられない) ため、 「平均的なデータ点を基準にすると東京はもっと遠い」と解釈される。 どちらが「正しい」ではなく、 目的次第。

📚 拡充K: 関連グループ教材

• 記述統計グループ — 中心 / ばらつき / 形状
• 統計的推測グループ — SD と SEM の使い分け
• EDA グループ — ヒストグラム + SD + IQR の併用
• ロバスト統計グループ — MAD, Trimmed mean, Winsorize

標準偏差は「平均からの典型距離」を 1 つの数で要約する強力な道具だが、 分布の形状を無視して使うと誤解を生む。 SSDSE のような歪んだ実データで使うときは、 必ず IQR や MAD と併記し、 経験則をそのまま適用しない警戒心を持つ。 標準偏差を理解することは、 統計の「ばらつき」概念全体の入口であり、 z-score, 信頼区間, 仮説検定, 機械学習の前処理まで続く長い道の起点となる。

2026 年の SSDSE 教材コンペで SD を扱う際は、 単一の数値で済ませず、 (1) 単位を明示、 (2) ddof を明示、 (3) 形状を併記 (ヒストグラム/箱ひげ図)、 (4) 外れ値の影響を MAD と比較、 (5) 経験則 (68-95-99.7) が成立するかを検証、 の 5 点をセットで報告するのが理想。 教育用ハンズオンでは、 学習者に「SD だけを見て分布の形を当ててください」と質問し、 実際には当てられないことを体験させることで、 SD と形状を独立に扱う習慣が身につく。

最後に、 時系列分析における SD は「ボラティリティ (volatility)」と呼ばれ、 金融工学・リスク管理の中核概念となる。 株価リターンの SD は将来の不確実性指標として VaR (Value at Risk) や Sharpe Ratio の分母に使われる。 単なる「ばらつきの指標」を超えて、 意思決定の言語となるのが標準偏差。 統計入門の最初の数学的指標が、 実社会のリスク評価の最終決定に直結する流れを、 SSDSE のような身近なデータで体感することが教育的価値の核心となる。

SSDSE-B-2026 で SD を学ぶ実践的なロードマップとしては、 (a) まず A1101 (総人口) の生データで SD を計算する、 (b) ヒストグラムを描いて経験則が成立しないことを目視確認する、 (c) 対数変換 (log) を施し SD を再計算する、 (d) 男性人口 A110101 と女性人口 A110102 でも同じ手順を繰り返し、 系列ごとの SD の挙動を比較する、 (e) 最後に StandardScaler で機械学習向けに標準化する、 という流れが学習効率が高い。 同じデータに対して 5 段階のレンズを当てることで、 SD という単純な指標の多面性が立体的に理解できる。

関連用語の z-score、 信頼区間、 仮説検定、 標準化、 ロバスト統計 へと自然に話題が展開できるので、 用語の中心ハブとしての価値も高い。 SSDSE 教材で SD を扱った後、 これらの隣接用語に進むと学習者の理解が連鎖的に深まる。

教材の評価チェックリストとしては、 「SD の単位を明示しているか」「ddof を明示しているか」「外れ値の影響を別途報告しているか」「経験則の前提 (正規性) を確認しているか」「SEM と区別しているか」の 5 項目をルーブリックとして使うと、 受講者の理解度を客観的に評価できる。 標準偏差は『シンプルだが奥深い』指標の代表例であり、 SSDSE-B-2026 の実データを使った教育用ハンズオンの題材として最適。

用語ページとしての最終的な学習目標は、 「標準偏差という 1 つの数値の背景にある、 母集団・標本・自由度・形状・外れ値・スケール・単位・推定誤差・前処理という 9 つの観点を、 学習者が自分の言葉で語れるようになること」。 SSDSE-B-2026 の 47 都道府県という身近なスケール感のデータを通じて、 この多角的理解を達成することがこの用語ページの究極の目的である。

本ページの拡充ブロック A〜N までを順に読み終えた学習者は、 SSDSE-B-2026 だけでなく、 任意の社会調査データに対して、 標準偏差を機械的に算出するのではなく、 文脈に応じた解釈と注意点を添えて報告できるようになる。 これが「数式から実務へ」の翻訳能力であり、 統計教育のもっとも重要なアウトプットの 1 つである。

🎯 理解度チェック — 標準偏差

「標準偏差」は 単純な公式の裏に 9 つの観点 がある (母集団 / 標本 / 自由度 / 形状 / 外れ値 / スケール / 単位 / 推定誤差 / 前処理)。 5 問でその多面性を確認する。

1. Q1. 標準偏差 $\sigma$ と分散 $\sigma^2$ の 単位の違い は何か？ 「人口の標準偏差は約 250 万人」と書ける理由を 1 行で。
2. Q2. NumPy の np.std(x) はデフォルトで ddof=0 (分母 n、 母集団方式)、 一方で pandas の x.std() はデフォルトで ddof=1 (分母 n−1、 不偏推定)。 47 都道府県データではどちらを使うべきか、 そしてその差は無視できる量か？
3. Q3. SSDSE-B-2026 で「人口の SD」を計算したら 200 万人を超えるが、 ヒストグラムは強い右の裾を持ち、 経験則 (68-95-99.7) は成立しない。 報告書で SD だけ書くと何が誤解されるか？
4. Q4. 標準偏差 (SD) と標準誤差 (SEM = SD/√n) の違いは？ 「平均は 100、 SD は 20」と「平均は 100、 SEM は 20」 — 別の集団を比較するとき、 報告に使うべきはどちら？
5. Q5. 機械学習の前処理で StandardScaler を使うと「平均 0、 SD 1」に標準化される。 なぜこれが特徴量間で「公平」な扱いになるのか？ 線形回帰の係数解釈がどう変わるか？

🗺️ 概念マップ — 3つの視点で体系を理解する

標準偏差 がデータサイエンスの体系の中でどこに位置するかを、 3つの異なる視点で可視化します。 同じ情報でも見方を変えると気付きが変わります。

📍 体系階層のパス

🌐 統計・データサイエンス › 記述統計 › ばらつき › 標準偏差

① 🔗 関係マップ — 「他の手法とどう繋がっているか」

中心に 標準偏差 を置き、 そこから 分散・平均・標準化・正規分布・相関係数・信頼区間 など 計 16 個の用語へ、 前提・兄弟・発展形といった関係を矢印で結んでいます。 線がどちら向きかを見れば、 先に読むべき用語とあとから読む用語が分かります。 ノードはドラッグで動かせ、 ホイールでズーム、 クリックでその用語のページへ遷移します。

② ⭕ 包含マップ — 「どのカテゴリに含まれているか」

大きな円が小さな円を包含する Circle Packing 図。 「標準偏差」は緑色でハイライト。

• カテゴリ円をクリック：その内部にズームイン
• 白背景クリック：1階層戻る
• 用語円をクリック：詳細ページへ遷移
• マウスホバー：階層パス表示

③ 🌳 ツリーマップ — 「面積で見るボリューム比較」

長方形を入れ子に分割した Treemap 図。 各分野の規模感を面積で比較。 「標準偏差」は緑色でハイライト。

• カテゴリ矩形をクリック：その内部にドリルダウン
• パンくず（上のリンク）クリック：その階層に戻る
• 用語矩形をクリック：詳細ページへ遷移
• マウスホバー：階層パスと値を表示

🎯 3つのマップの使い分け

💡 3 つの図は同じ位置関係を別の角度から描いています。 関係マップは 標準偏差 の隣に何が並ぶかを、 包含マップとツリーマップは 統計・データサイエンス → ばらつき → 標準偏差 という入れ子の位置を示します。 「ばらつきには他に何があったか」を思い出したいときは包含マップを、 「次に何を読むか」を決めたいときは関係マップを開いてください。

🔗 隣接手法への橋渡し

標準偏差は記述統計の中核指標。 SSDSE-B-2026 の人口 A1101 (47 都道府県、 東京 14.1M を含む) では SD ≈ 280 万人と大きく、 平均 ≈ 265 万人とほぼ同じスケール。 これは「典型値とばらつきが同オーダー」という分布の歪みを示し、 SD 単独報告では誤解を招くので IQR / CV と併記する。

• 上流: 平均、 分散 (SD の 2 乗)、 ばらつき の親概念、 欠損処理 (NaN は SD を NaN にする)。
• 並列: IQR、 MAD (中央絶対偏差)、 範囲。 外れ値感度: 範囲>SD>IQR>MAD の順で頑健性向上。
• 下流: 標準化 (Z = (x-μ)/σ)、 信頼区間 (SE = SD/√n)、 仮説検定、 Z スコア外れ値検出。

SD は平均と組で報告 (mean ± SD) し、 CV = SD/mean で単位無し相対ばらつきに変換することで都道府県間の異種指標 (人口と医師数) を比較可能にする。

🌳 手法選択フロー

標準偏差を「ばらつき指標」として使う場面は多いが、 データの性質と目的によって SD そのまま使うべきか、 別のロバスト指標に切り替えるべきかが変わる。 以下に典型シナリオと推奨ばらつき指標を示す。

典型シナリオ別の手法選択

選んだ後の検証ステップ

1. 分母確認: numpy 既定 ddof=0 (母 SD)、 pandas 既定 ddof=1 (標本 SD) — 算出ルートを必ず明示
2. 外れ値感度: 東京除外で人口 SD が 280 万 → 224 万 (約 2 割減) のように大きく動かないか、 SD と MAD を併記して感度を比較
3. 単位確認: 報告値の単位 (人・千円・%) を明示。 元データと同じ単位であることを確認
4. CV 併記: 平均と SD だけでなく、 CV = SD/平均で「ばらつきの相対的大きさ」を補足
5. 正規性確認: SD の解釈で 68-95-99.7 則を引くなら、 ヒストグラムや Q-Q プロットで正規性を確認 (歪んでいれば四分位ベースに切替)

🎨 追記: 直感をもう一段 — 「分散との違い」と経験則が効く/崩れる実例

標準偏差は「平均からの典型的な距離」。 各データと平均の差（偏差）を二乗して平均したものが分散で、 その平方根で元の単位に戻したのが標準偏差。 二乗するのは (1) 符号を消し (2) 大きな外れを強く効かせるため。 平方根で戻すので単位はデータと同じ（人・円・℃）になり、 「平均 ± SD」と同じ物差しで語れる。 分散は単位が二乗（人²・円²）で直感が効かないのに対し、 標準偏差は「ばらつきの代表的な幅」としてそのまま読めるのが価値。

💡 分散 vs 標準偏差（SSDSE-B-2026 食料費 L322101・47県 実測）: 分散 ≈ 3.41×10⁷ 円²（= 5,842²）は単位が「円²」で直感が効かない。 標準偏差 = √分散 = 5,842 円なら「県ごとの食料費は平均 80,598 円から ±約 5,842 円が典型」とそのまま読める。 同じ情報でも、 平方根で単位を戻すだけで解釈可能性が一変する。

📊 68-95-99.7 則は「正規に近ければ効く / 歪めば崩れる」— 2 変数で実測比較

経験則（μ±1σ≈68%, ±2σ≈95%, ±3σ≈99.7%）は 正規分布限定のもの。 SSDSE-B-2026 の ほぼ対称な食料費と 強く右に歪む総人口で実測すると、 効く/崩れるが対照的に現れる。

💬 食料費は理論値にほぼ一致（66.0 / 95.7 / 100.0%）→ 経験則が使える。 総人口は μ±1σ が 87% と過剰・μ±2σ が 93.6% と不足 → 平均近くにデータが密集し、 東京など少数の巨大値が右裾を作る歪んだ分布の典型。 SD を報告する前に必ず ヒストグラムで形を見ること。 歪むなら 中央値・IQR・対数変換に切り替える。

⚠️ 追記: 落とし穴の要点（実測付きの再確認）

• 母分散(÷n)と標本分散(÷n−1)の混同（ベッセル補正）: numpy 既定は ddof=0（÷n）、 pandas 既定は ddof=1（÷n−1）。 SSDSE-B の 47 県は悉皆なので ddof=0 が論理的、 「全国の標本」とみなすなら ddof=1。 実測比は √(47/46)=1.0108（約1.1%差）。 どちらでも良いが必ず ddof を明示する。
• 外れ値に敏感: SD は偏差の二乗和ベース。 総人口では東京 1 県だけで二乗偏差の約 36%を占め、 東京を除くと SD は約 2 割減。 一方 MAD は約 5% 減にとどまる（本文 拡充G/L 参照）。
• 歪んだ分布では代表性が低い: 上表の通り総人口では 68-95-99.7 則が崩れる。 「平均 ± SD」を正規前提で読ませると誤解を招く。
• 単位依存: 「気温の SD=2℃」と「人口の SD=280万人」は直接比較不能。 無次元の変動係数 CV=σ/μで比較する（食料費 CV≈0.073 / 総人口 CV≈1.06）。CV 専用ページは未作成のため 形状指標・ばらつきを参照。
• SD と標準誤差(SEM)の混同: SD はデータの幅、 SEM=SD/√n は平均の推定精度。 図のエラーバーがどちらか必ず明記する。
• SD の足し算はできない（新規の罠）: SD(X+Y) ≠ SD(X)+SD(Y)。 分散なら加法的だが、 相関がある場合は共分散項が要る（下の発展セクション参照）。

🚀 追記: 発展 — チェビシェフの不等式と分散の加法性

📐 チェビシェフの不等式 — 分布を仮定しない安全網

68-95-99.7 則は正規分布専用だが、 チェビシェフの不等式は任意の分布で成り立つ下限を与える:

$$P(|X-\mu| \ge k\sigma) \le \frac{1}{k^2} \quad\Longleftrightarrow\quad P(|X-\mu| < k\sigma) \ge 1-\frac{1}{k^2}$$

• k=2: 少なくとも 75% が μ±2σ 内（正規なら 95%）
• k=3: 少なくとも 88.9% が μ±3σ 内（正規なら 99.7%）
• 形を問わない代わりにゆるい下限。 「正規と言い切れない」ときの保険として使う

SSDSE-B-2026 の実測で下限と実際を比較すると、 右に歪む人口でも下限は必ず満たされる:

💬 歪んだ人口分布でも「±2σ の外は多くても 1/4」という保証は破れない。 分布形を確認できない場面での安全側の目安になる。

➕ 分散の加法性 — 「和のばらつき」には共分散が要る

2 変数の和の分散は、 単純な足し算ではなく共分散を足したものになる:

$$\mathrm{Var}(X+Y) = \mathrm{Var}(X) + \mathrm{Var}(Y) + 2\,\mathrm{Cov}(X,Y)$$

独立（Cov=0）のときだけ Var(X+Y)=Var(X)+Var(Y) が成り立つ。 標準偏差はそもそも加法的でない（一般に SD(X+Y) ≠ SD(X)+SD(Y)）。 SSDSE-B-2026 の男性人口（A110101）と女性人口（A110102）は相関 r=0.999 とほぼ完全連動なので、 共分散項が支配的になる:

💬 独立を仮定して分散を足すと SD を約 3 割過小評価する（1,979,035 vs 2,797,588）。 共分散を無視した「SD の足し算」は誤り。 全体分散を群間＋群内に分ける分散分解（本文 拡充H）や、 資産を組み合わせたポートフォリオのリスク計算も同じ原理に立つ。

🧭 その他の発展の勘所（詳細は各ページ）

• ベッセル補正（n−1）の理由: 標本から母分散を不偏推定するため分母を n−1 にする。 平均を 1 個データから推定した分だけ 自由度を 1 消費するのが直感（点推定の不偏性）。
• 変動係数 CV=σ/μ: 無次元化して単位の違う変数のばらつきを比較。 比率尺度でのみ意味を持つ（平均が 0 付近だと破綻）。
• 標準誤差 SEM=σ/√n: 標準誤差は平均の推定精度。 信頼区間 ≈ 平均 ± 1.96·SEM、 中心極限定理が背景。
• ロバストな散布度: MAD・IQR は外れ値に強い代替。 詳しくは ロバスト統計。

🔗 追記: 関連ページ（相対リンク）

本ページの内容を深掘りする際の実在ページへの入口。 （変動係数 CV とチェビシェフの不等式は専用ページ未作成のため本文内で解説）。

• 前提: 分散（SD の 2 乗）／平均（参照点）／ばらつき（上位概念）／代表値／自由度／正規分布（68-95-99.7 則の前提）
• 並列（散布度）: IQR（四分位範囲）／MAD（中央絶対偏差）／箱ひげ図／形状指標（CV を含む）
• 発展・応用: 標準化（z-score）／標準誤差（SEM）／信頼区間／中心極限定理／共分散／ロバスト統計／外れ値／対数変換／仮説検定／t 検定／χ² 検定