母集団

統計学における母集団（ぼしゅうだん、英: population）とは、調査対象となる数値、属性等の源泉となる集合全体を言う。統計学の目的の一つは、観測データの標本から母集団の性質を明らかにすることである^[1]。

概要

統計的規則性を明らかにしたい対象について、観察可能なすべての潜在的な観測値の集合を母集団と呼ぶ。なお、母集団の要素の数を母集団の大きさ^{[注釈 1]}と呼び、標本調査法では大文字の ${\displaystyle N}$ で表すのが慣例である。日本工業規格では、「考察の対象となる特性をもつすべてのものの集団」と定義している^[2]。

大量の要素からなる標本（大標本）の存在を前提とする記述統計学^{[注釈 2]}においては、標本と母集団の区別は不明確である（ほぼ同一視される）^[3]。

ただし、以下のようなほとんど多くの場合について、その母集団を完全に知ることはできない^[4]。

1. 日本人全体が調査対象であるといったように母集団が非常に多くの要素または無限大の要素からなる場合、
2. 母集団自体はあまり多くの要素は含まないものの、製品の破壊強度の検査といったように、全体の調査が意味を持たなかったり、個々の調査が高価であるため予算上の制約から全体の調査が不可能である場合、
3. 来年の経済成長率のように将来に起こるため、現在は測定が不可能な要素を含む場合など。

こういった場合、調査対象の少ない要素の標本（小標本）を選び出した上で分析し、そこから母集団を推測するという手法が取られる。このような小標本を元に母集団の性質を推測する統計学を、記述統計学に対して推測統計学と呼ぶ。

母集団の特性を表す数値的尺度

統計学の目的の一つは、実験あるいは観測によって得られたデータに含まれている情報を縮約することである^[5]。数値的尺度として縮約される情報としては、

1. データの中心がどこに位置しているかを示す中心の尺度（平均、中位数など）と、
2. データがどのようにばらついているかを示す散らばりの尺度（分散など）

の二つに大きく分けることができる。

ほとんど多くの場合、観測現象の母集団は観念的な存在であるので、現実の観測データの集合である標本とは異なり、数値的尺度を実際に計算することはできない。しかし、母集団の存在を仮定すれば、その定量化することができる。なお、これら数値的尺度は母集団に対してその分布が存在すれば、その分布の母数（パラメータ）ともなる。

母平均^{[注釈 3]}

データの集合が母集団であるとき、そのデータの集合の平均を母平均と呼ぶ

母分散^{[注釈 4]}

データの集合が母集団であるとき、そのデータの集合の分散を母分散と呼ぶ

なお、観測現象のある標本の標本平均（または分散）をなにか真の値の近似値としてみるとき、その真の値とは母平均（分散）のことを指す。

脚注

注釈

出典

参考文献

• 蓑谷 千凰彦『統計学入門』 1巻、東京図書、1994年。 
• 蓑谷 千凰彦『統計学のはなし』東京図書、1987年。 
• 蓑谷 千凰彦『推定と検定のはなし』東京図書、1988年。 
• 東京大学教養学部統計学教室 編『統計学入門』東京大学出版会、1991年。 
• 西岡康夫『数学チュートリアル やさしく語る 確率統計』オーム社、2013年。ISBN 9784274214073。 
• 日本数学会『数学辞典』岩波書店、2007年。ISBN 9784000803090。 
• JIS Z 8101-1:1999 統計 − 用語と記号 − 第1部:確率及び一般統計用語, 日本規格協会, (1999), http://kikakurui.com/z8/Z8101-1-1999-01.html 
• JIS Z 8101-1:2015 統計 − 用語と記号 − 第1部:確率及び一般統計用語, 日本規格協会, (2015) 
• 伏見康治『確率論及統計論』河出書房、1942年。ISBN 9784874720127。http://ebsa.ism.ac.jp/ebooks/ebook/204。 

関連項目

• 統計学
• 推計統計学
• 確率
• 正規分布
• 二項分布
• ポアソン分布
• 幾何分布

外部リンク

• 『母集団』 - コトバンク

表 話 編 歴 統計学
標本調査	標本 母集団 無作為抽出 層化抽出法
要約統計量	連続確率分布 位置 平均 算術 幾何 調和 中央値 分位数 順序統計量 最頻値 階級値 分散 範囲 偏差 偏差値 標準偏差 標準誤差 変動係数 決定係数 相関係数 自己相関 共分散 自己共分散 分散共分散行列 百分率 統計的ばらつき モーメント 分散 歪度 尖度 カテゴリデータ 頻度 分割表
推計統計学	仮説検定 パラメトリック t検定 ウェルチのt検定 F検定 Z検定 二項検定 ジャック-ベラ検定 シャピロ–ウィルク検定 分散分析 共分散分析 ノンパラメトリック ウィルコクソンの符号順位検定 マン・ホイットニーのU検定 カイ二乗検定 イェイツのカイ二乗検定 累積カイ二乗検定 フィッシャーの正確確率検定 尤度比検定 G検定 アンダーソン–ダーリング検定 コルモゴロフ–スミルノフ検定 カイパー検定 マンテル検定 コクラン・マンテル・ヘンツェルの統計量 その他 帰無仮説 対立仮説 有意 棄却 区間推定 信頼区間 予測区間 モデル選択基準 AIC BIC WAIC MDL その他 偏り 偏りと分散 過剰適合 推定量 点推定 最尤推定 尤度関数 尤度方程式 最小距離推定 メタアナリシス ブートストラップ法
ベイズ統計学	確率 主観確率 ベイズ確率 事前確率 事後確率 最大事後確率 その他 ベイズ推定 ベイズ因子
相関	交絡 ピアソンの積率相関係数 順位相関（スピアマンの順位相関係数 ・ケンドールの順位相関係数 ）
モデル	一般線形モデル 一般化線形モデル 混合モデル 一般化線形混合モデル
回帰	線形 リッジ回帰 ラッソ回帰 エラスティックネット 非線形 k近傍法 決定木 ランダムフォレスト ニューラルネットワーク サポートベクターマシン 射影追跡回帰 時系列 自己回帰モデル 自己回帰移動平均モデル ARCHモデル 対移動平均比率法 トレンド定常 傾向推定 共和分 構造変化
分類	線形 線形判別分析 ロジスティック回帰 <! -- 名前に回帰とついていますが確率を回帰する分類手法です --> 単純ベイズ分類器 単純パーセプトロン 線形サポートベクターマシン 二次 二次判別分析 非線形 k近傍法 決定木 ランダムフォレスト ニューラルネットワーク サポートベクターマシン ベイジアンネットワーク 隠れマルコフモデル その他 二項分類 多クラス分類 第一種過誤と第二種過誤
教師なし学習	クラスタリング k平均法 （k-means++法 ） DBSCAN 密度推定（英語版） カーネル密度推定 （ カーネル ） その他 主成分分析 独立成分分析 自己組織化写像
統計図表	棒グラフ バイプロット（英語版） 箱ひげ図 管理図 フォレストプロット ヒストグラム 円グラフ Q-Qプロット ランチャート 散布図 幹葉表示 バイオリン図 ドットプロット ヒートマップ 階級区分図
生存分析	生存関数 カプラン＝マイヤー推定量 ログランク検定 故障率 比例ハザードモデル
歴史	統計学の創始者 確率論と統計学の歩み
応用	社会統計学 疫学 生物統計学 系統学 統計力学 計量経済学 機械学習 実験計画法
出版物	統計学に関する学術誌一覧 重要な出版物
全般	統計 頻度主義統計学 統計学および機械学習の評価指標
その他	方向統計学 S言語 R言語 統計検定 社会調査士 JDLA Deep Learning For GENERAL JDLA Deep Learning for ENGINEER 実用数学技能検定 品質管理検定
カテゴリ