母集団
調査や分析の対象となる全体の集団。
標本はこの母集団から一部を取り出したもの。
母集団の特徴を知るために統計が使われる。
例：全国の高校生を対象にした意識調査の「高校生」全体が母集団。
標本抽出
母集団から一部を取り出して調査に使うこと。
調査のコストを下げつつ、全体の傾向を推測できる。
抽出方法によって結果の信頼性が変わる。
例：5000人の中から100人を選んでアンケートを実施。
国勢調査
国が行う全数調査の一つで、日本に住むすべての人を対象に行う調査。
5年ごとに実施され、人口や世帯の実態を把握する。
統計の基礎資料として政策にも活用される。
例：世帯数や就業状況などを全国的に調査。
アンケート調査
特定のテーマについて人の意見や情報を集める調査。
選択肢や自由記述で回答してもらい、傾向を分析する。
対象者の選び方で結果が変わるため注意が必要。
例：授業満足度に関する生徒アンケート。
全数調査
母集団のすべてを対象に調査する方法。
高い精度が得られるが、コストと手間がかかる。
国勢調査などで使われる。
例：学校の全校生徒に対してテスト結果を集計する。
単純無作為抽出
母集団から完全にランダムに標本を選ぶ方法。
すべての対象が同じ確率で選ばれる。
最も基本的な抽出法でバイアスが少ない。
例：くじ引きで無作為に100人を選ぶ。
層別抽出
母集団をいくつかの層に分け、それぞれから標本を抽出する方法。
層内の偏りを避けて、より代表性の高い標本が得られる。
性別や年齢などで層を分けることが多い。
例：男女別に人数をそろえてサンプルを取る。
多段抽出
複数の段階に分けて標本を抽出する方法。
最初にグループを選び、その中から個人を選ぶといった形式。
大規模な調査でよく用いられる。
例：まず地域を選び、その中の世帯を選ぶ二段階の抽出。
仮説検定
データに基づいて仮説が正しいかどうかを判断する方法。
事前に立てた仮説を統計的に検証する。
判断には有意水準が使われる。
例：「Aの商品はBより売れている」という仮説をデータで検証。
有意水準
仮説を棄却するときに許容する誤りの確率。
通常は5％や1％が用いられる。
この値以下の確率で起きたら「有意」と判断される。
例：p値が0.03なら、有意水準5％で仮説を棄却。
第1種の誤り
本当は正しい仮説を誤って棄却すること。
「ある」と判断したが、実は「ない」ケース。
有意水準がこの誤りの確率になる。
例：AとBに差がないのに「差がある」と判断してしまう。
第2種の誤り
本当は間違っている仮説を誤って採択すること。
「ない」と判断したが、実は「ある」ケース。
第2種の誤りは検出力とのトレードオフ。
例：AとBに差があるのに「差がない」と見逃す。
精度と偏り
精度はばらつきの小ささ、偏りは真の値からのズレを表す。
どちらも分析の信頼性に影響する重要な概念。
精度が高くても、偏りがあると誤った結論になる。
例：いつも同じ方向にズレている測定器は偏っている。
統計的バイアス
データ収集や分析の過程で生じるゆがみ。
正しい推定を妨げる要因になる。
選択バイアスや情報バイアスが代表的。
例：特定の属性の人ばかりを対象にしたアンケート。
選択バイアス
調査対象の選び方が偏っていることで起こるバイアス。
代表性のないサンプルが選ばれると正しい推定ができない。
標本抽出方法が原因になることが多い。
例：ネット調査でネットを使えない高齢者が除外される。
情報バイアス
得られた情報が不正確または偏っていることによるバイアス。
質問の仕方や回答者の記憶ミスなどが原因になる。
結果の解釈を誤る原因になる。
例：過去の出来事を正しく思い出せずに答える。
認知バイアス
人間の思考や判断に偏りが生じる心理的な傾向。
直感や先入観によって合理的判断が妨げられる。
意思決定や情報の解釈に影響する。
例：最初に聞いた情報を重視してしまう「アンカリング効果」。
BI（Business Intelligence）
企業の意思決定を支援するためのデータ分析の仕組み。
蓄積されたデータを可視化・分析し、経営判断に活かす。
BIツールでダッシュボードやグラフを作成する。
例：売上データをBIツールで部門ごとにリアルタイム表示。
データウェアハウス
さまざまなシステムのデータを統合・蓄積した大規模なデータベース。
分析に適した形式で整理されている。
BIやデータマイニングの基盤となる。
例：販売、在庫、顧客の情報を一元管理するための仕組み。
データマイニング
大量のデータから有用なパターンや関係を見つけ出す技術。
統計、機械学習、AIなどを活用する。
予測や分類、異常検知などが目的。
例：購買履歴から「一緒に買われやすい商品」を発見。
ビッグデータ
非常に大きく多様で、処理が難しいデータの集合。
量（Volume）、速度（Velocity）、多様性（Variety）の3Vで特徴づけられる。
従来の手法では扱えないため、AIやクラウドが活用される。
例：SNSの投稿、GPSデータ、センサー情報などをリアルタイム解析。
テキストマイニング
文章データから意味のある情報やパターンを抽出する技術。
単語の頻度や共起関係、感情などを分析する。
自然言語処理を使う場合も多い。
例：顧客の自由記述アンケートを分析して満足度の傾向を把握。
データサイエンスのサイクル
問題設定→データ収集→分析→解釈→活用という一連の流れ。
単なる計算ではなく、課題解決のためのプロセス全体を指す。
サイクルを回して改善を続けることが重要。
例：売上減少の原因を分析し、施策を試して再評価する。
データサイエンティスト
データから価値を引き出し、意思決定を支援する専門職。
統計学、プログラミング、ビジネス理解の3分野の知識が求められる。
問題解決能力とコミュニケーション力も重要。
例：顧客データをもとに売上予測モデルを構築し、提案する。