P値計算機（有意確率・Z値からP値を求める）

Z値（検定統計量）または5種類の確率のうち、どれか1つの欄だけに入力してください。残りの値をすべて計算します（Z値→P値、P値→Z値のどちらの向きにも変換できます）。

Z値（検定統計量） Z

左側確率 P(x<Z)

右側確率 P(x>Z)

0とZの間の確率 P(0とZの間)

区間内の確率 P(−Z<x<Z)

両側確率 P(x<−Z または x>Z)

入力するのは1項目だけです。確率は0〜1の数値で入力してください（例：5%なら 0.05）。

計算結果・グラフ

左の入力欄にZ値（または確率）を入れて「計算する」を押すと、ここに結果とグラフが表示されます。

このページでできること
この計算は何の役に立つ？
使い方
式とグラフ
用語・記号の解説
- 記号
- 用語
前提として理解しておくといいこと
Excelで計算する方法
Googleスプレッドシートで計算する方法
Pythonで計算する方法
数式記述言語（LaTeX等）での書き方（コピペ可）
ChatGPTに聞いて計算してもらう方法
計算ドリル（演習問題）
DataChefの特徴
関連機能
NumberChef 機能一覧

このページでできること

Z検定などで求めた検定統計量（Z値）を入れるだけで、左片側・右片側・両側検定のP値（有意確率）をまとめて計算します
P値からZ値への逆算もできます（例：両側P値0.05に対応するZ値1.96を求める）。棄却域の境界（臨界値）を調べるのにも使えます
「0とZの間」「−ZとZの間」の確率も同時に出るので、標準正規分布表（z表）の代わりとしても使えます
式のやさしい解説・Excel/Googleスプレッドシート/Python用のコピペ数式・計算ドリル（演習問題）もこのページにまとまっています

この計算機は、検定統計量が標準正規分布（平均0・標準偏差1）に従うとみなせる場合（Z検定など）のP値を求めます。サンプルが少ないときに使うt検定など、別の分布を使う検定ではP値の値が少し変わります。

この計算は何の役に立つ？

新しい薬・治療法に効果があるかの評価（医療研究）

新薬の臨床試験では、「薬を使った群と使わない群の差は偶然の範囲か」を仮説検定で調べ、その判断材料としてP値が使われます。例えば検定統計量が \(Z = 2.5\) なら両側P値は約0.012で、「効果がないのに偶然この差が出る確率は約1.2%」と読めます。
世界中の医学論文がこの仕組みで効果を報告しており、P値の意味がわかると健康情報のニュースを一歩深く読めるようになります（実際の医療上の判断は、P値だけでなく効果の大きさや副作用も含めて専門家が総合的に行います）。

WebサイトのA/Bテスト（マーケティング）

「ボタンの色を変えたらクリック率が上がった。でもそれは偶然では？」を確かめるのがA/Bテストの検定です。例えば検定統計量が \(Z = 2.17\) なら両側P値は約0.03で、有意水準0.05より小さいので「偶然とは考えにくい改善」と判断できます。
ネット企業では日々このP値を使って、デザインや文言の変更を採用するかどうかを決めています。

工場の品質管理——工程の平均がズレていないか（製造業）

製品の重さや寸法の平均が目標からズレていないかを、抜き取り検査のデータで検定します。例えば検定統計量が \(Z = 2\) なら両側P値は約0.046で、有意水準5%なら「工程に何か変化が起きた」と判断して原因を調べます。
「たまたまのばらつき」と「本当の異常」を区別できるのがP値の強みで、機械を止めるかどうかの判断を感覚ではなく数字で行えます。

論文の「p < 0.05」を読み解く（心理学・経済学など）

学術論文には「p < 0.05 で有意」「p = 0.003」のような表記が頻繁に出てきます。これは両側検定なら「\(|Z|\) が1.96を超えた」ことに対応し、p < 0.01 なら約2.58超えに対応します。
この対応関係を知っていると、卒論・レポートで統計結果を正しく報告したり、「有意＝重要とは限らない（差の大きさは別問題）」という論文読解の注意点も理解しやすくなります。

世論調査・アンケートの差が誤差の範囲かを見分ける

「内閣支持率が先月より2ポイント上昇」のような変化が、本当の変化なのか調査のばらつき（誤差）なのかも仮説検定で調べられます。例えば検定統計量が \(Z = 1\) なら両側P値は約0.32で、「差がなくても3回に1回くらいは偶然起こる程度」なので、誤差の範囲と判断するのが自然です。
ニュースの数字に一喜一憂する前に「その差は有意なのか」と考えられるようになる、身近で役立つ統計の見方です。

式とグラフ

左側P値（左片側検定で使う面積）

グラフ

数学表記（一般的な数式）

\(P(x<Z)\) \(=\) \(\Phi(Z)\)

日本語表記（記号を日本語に置き換えた式）

② 左側P値 \(P(x<Z)\) \(=\) ① 左側の面積 \(\Phi(Z)\)

式を日本語で読むと

① 累積分布関数 \(\Phi\)（ファイ）に検定統計量 \(Z\) を入れた値を求めると（\(\Phi(Z)\) は標準正規分布の曲線の \(Z\) より左側の面積です）

② 左側P値 \(P(x<Z)\) になる

簡単な例

検定統計量が−1.5のとき、左側P値は

左側P値 \(=\) 左側の面積 \(\Phi(-1.5)\)

\(\Phi(-1.5) \fallingdotseq 0.066807\ \ (6.7\%)\)

考え方のポイント

左片側検定は「基準より小さすぎないか」（例：お菓子の内容量が表示より少なすぎないか）を調べたいときに使う検定です。 \(Z\) がマイナス側に大きいほど左側P値は小さくなり、「帰無仮説が正しいのに偶然ここまで小さくなるのはまれ」という、帰無仮説を疑う強い証拠になります。

右側P値（右片側検定で使う面積）

グラフ

数学表記（一般的な数式）

\(P(x>Z)\) \(=\) \(1\) \(-\) \(\Phi(Z)\)

日本語表記（記号を日本語に置き換えた式）

③ 右側P値 \(P(x>Z)\) \(=\) ② 全体の確率 \(1\) \(-\) ① 左側の面積 \(\Phi(Z)\)

式を日本語で読むと

① 左側の面積 \(\Phi(Z)\) を

② 全体の確率 \(1\) から引くと

③ 右側P値 \(P(x>Z)\) になる

簡単な例

検定統計量が2のとき（\(\Phi(2) \fallingdotseq 0.97725\)）、右側P値は

右側P値 \(=\) 全体の確率 \(1\) \(-\) 左側の面積（0.97725）

\(1 - 0.97725 = 0.02275\ \ (2.3\%)\)

考え方のポイント

右片側検定は「基準より大きすぎないか」「改善で本当に増えたのか」を調べたいときに使う検定です。標準正規分布の曲線の下の面積は全部で1（100%）なので、\(Z\) より右側の面積は「全体の1 − 左側の面積」で求められます。

両側P値（両側検定で使う面積）

グラフ

数学表記（一般的な数式）

\(P\) \(=\) \(2\) \(\times\) \((\) \(1\) \(-\) \(\Phi(|Z|)\) \()\)

日本語表記（記号を日本語に置き換えた式）

④ 両側P値 \(P\) \(=\) ③ 2倍（両すそ分） \(\times\) \((\) ② 全体の確率 \(1\) \(-\) ① 左側の面積 \(\Phi(|Z|)\) \()\)

式を日本語で読むと

① \(Z\) の絶対値 \(|Z|\) より左側の面積 \(\Phi(|Z|)\) を

② 全体の確率 \(1\) から引いて右側のすそ1つ分の面積を求め

③ 2倍（左右のすそ2つ分）にすると

④ 両側P値 \(P\) になる

簡単な例

検定統計量が1.96のとき（\(\Phi(1.96) \fallingdotseq 0.975\)）、両側P値は

両側P値 \(=\) 2倍 \(\times\) \((\) 全体の確率 \(1\) \(-\) 左側の面積（0.975） \()\)

\(2 \times (1 - 0.975) = 2 \times 0.025 = 0.05\ \ (5\%)\)

考え方のポイント

両側検定は「大きすぎても小さすぎても、どちらの向きのズレも意味のある差とみなす」検定で、実際の研究や調査で一番よく使われます。絶対値 \(|Z|\) を使うのは、\(Z\) がマイナスでも「同じ大きさのはみ出し」として左右対称に扱うためです。例の \(Z = 1.96\) で両側P値がほぼ0.05になることから、有意水準5%の両側検定では「\(|Z|\) が1.96を超えたら帰無仮説を棄却する」という、統計学で最も有名な境界（臨界値）が生まれています。

P値（有意確率）は「帰無仮説が正しいとしたとき、観測結果と同じかそれ以上に極端な結果が出る確率」です。Z値が決まれば、標準正規分布のすその面積（左側＝\(\Phi(Z)\)、右側＝\(1-\Phi(Z)\)、両側＝\(2(1-\Phi(|Z|))\)）としてP値が求められます。P値が有意水準（0.05など）以下なら、帰無仮説を棄却します。

用語・記号の解説

記号

\(P\)	ピー	P値（有意確率）。帰無仮説が正しいとしたとき、観測結果と同じかそれ以上に極端な結果が偶然得られる確率です。小さいほど「偶然とは考えにくい」ことを表します。
\(Z\)	ゼット	検定統計量（Z値）。データから計算した、標準正規分布に従うとみなせる値です。このページではZ値からP値を求めます。zスコアの計算そのものは関連ページ「Zスコア計算機」で扱っています。
\(\Phi(Z)\)	ファイ・ゼット	標準正規分布（平均0・標準偏差1）の累積分布関数。「\(Z\) より小さい値になる確率」＝曲線の \(Z\) より左側の面積を返します。
\(\Phi^{-1}\)	ファイ・インバース（Φの逆関数）	\(\Phi\) の逆向きの関数。「確率（面積）」から「そうなるZ値」を返します。この計算機のP値→Z値の逆算に使われています。（例：\(\Phi^{-1}(0.975) \fallingdotseq 1.96\)）
\(\|Z\|\)	ゼットの絶対値	\(Z\) の符号を取った大きさ。両側検定では、プラス側・マイナス側どちらのはみ出しも同じ「極端さ」として数えるため、絶対値を使います。（例：\(\|-1.5\| = 1.5\)）
\(\alpha\)	アルファ	有意水準。「P値がこの値以下なら帰無仮説を棄却する」とあらかじめ決めておく基準の確率で、慣習的に0.05（5%）や0.01（1%）がよく使われます。

用語

P値（有意確率）	ピーち（ゆういかくりつ）	帰無仮説が正しいと仮定したとき、観測された結果と同じかそれ以上に極端な結果が得られる確率。P値が小さいほど「この結果が偶然出たとは考えにくい」ことを意味し、帰無仮説を棄却する根拠が強くなります。
統計的仮説検定	とうけいてきかせつけんてい	「差がない」という仮説をいったん立て、実際のデータがその仮説のもとでどれくらい起こりにくいかをP値で測って、仮説を捨てるかどうかを判断する手続きです。めったに起こらないことが起きたら元の仮説を疑う、という背理法に似た考え方をします。
帰無仮説	きむかせつ	「2つの群に差はない」「効果はない」のような、否定したい（無に帰したい）デフォルトの仮定。P値はこの帰無仮説が正しいという前提で計算されます。
対立仮説	たいりつかせつ	帰無仮説の反対側の主張（「差がある」「効果がある」）。帰無仮説が棄却されたときに採択される仮説です。
有意水準	ゆういすいじゅん	帰無仮説を棄却する基準となる確率で、記号は \(\alpha\)（アルファ）。検定を行う前に決めておくのがルールで、0.05が最も広く使われます。P値が有意水準以下なら「統計的に有意」といいます。
棄却	ききゃく	検定の結果、帰無仮説を「正しいとは考えにくい」として捨てること。P値が有意水準以下のときに棄却します。棄却できないときは「帰無仮説が正しい」ではなく「棄却する根拠が足りない」という意味になる点に注意が必要です。
両側検定	りょうがわけんてい（「りょうそくけんてい」とも読まれます）	「大きすぎる」「小さすぎる」のどちらの向きのズレも差とみなす検定。P値は分布の両側のすその面積を足したものになります。向きを事前に決められない場合の標準的な選択です。
片側検定	かたがわけんてい（「かたそくけんてい」とも読まれます）	「大きい方だけ」（右片側）または「小さい方だけ」（左片側）のズレを調べる検定。調べたい向きが理論的に決まっている場合に使い、P値は片側のすその面積だけになります。
検定統計量	けんていとうけいりょう	検定のためにデータから計算する値。Z検定では標準正規分布に従うとみなせる形（Z値）に直したもので、平均から標準偏差いくつ分離れているかを表します。
標準正規分布	ひょうじゅんせいきぶんぷ	平均0・標準偏差1の正規分布（左右対称の釣り鐘型）。曲線の下の面積が確率を表し、全体の面積はちょうど1です。Z検定のP値はこの分布のすその面積として計算されます。
臨界値	りんかいち	「ここを超えたら帰無仮説を棄却する」という検定統計量の境界の値。有意水準5%の両側検定なら \(\|Z\| \fallingdotseq 1.96\)、1%なら \(\|Z\| \fallingdotseq 2.576\) です。この計算機でP値からZ値を逆算すると確かめられます。

前提として理解しておくといいこと

このページの計算を「意味がわかって」使えるようになるために、前提として理解しておくといいことをまとめました。

確率の基礎（中学2年）	確率は0から1の間の数になり、「起こる確率」と「起こらない確率」を合わせると1になること「確率3%」が「100回に3回くらいしか起こらない、めったにないこと」だと感覚でつかめること
データの分析・標準偏差（高校数学I）	平均と標準偏差が、データの「中心」と「散らばりの大きさ」を表すことがわかること「平均から標準偏差2つ分離れている」がかなり珍しい値だという感覚があること
正規分布と面積の見方（高校数学B／統計）	分布の曲線とヨコ軸で囲まれた面積が「全体に対する割合（確率）」を表す、という見方ができること標準正規分布（平均0・標準偏差1）が0を中心に左右対称で、全体の面積が1であることを知っていること
仮説検定の考え方（高校数学B・統計的な推測）	「差がない」といったん仮定（帰無仮説）してから、データがどれくらい起こりにくいかを調べる、という検定の流れがわかること「めったに起こらないことが起きた→最初の仮定を疑う」という、背理法に似た論法に納得できること

Excelで計算する方法

Excelファイルをダウンロード

式ごとにシートが分かれたExcelファイルです。貼り付け場所を気にせず、開いてすぐ使えます。

下の表を丸ごとコピーして、ExcelのA1セルに貼り付けるとそのまま使えます。

「左側P値」を求める表

Z値（検定統計量）	-1.5
左側P値 P(x<Z)	=NORM.S.DIST(B1,TRUE)

「右側P値」を求める表

Z値（検定統計量）	2
右側P値 P(x>Z)	=1-NORM.S.DIST(B1,TRUE)

「両側P値」を求める表

Z値（検定統計量）	1.96
両側P値	=2*(1-NORM.S.DIST(ABS(B1),TRUE))

貼り付けると、B1がZ値の入力欄になり、B2が自動計算のP値になります。
「NORM.S.DIST(値, TRUE)」が累積分布関数 \(\Phi\)（Zより左側の面積）にあたる関数で、TRUEは「累積（左側の面積）で返す」という意味です。「ABS」は絶対値（符号を取った大きさ）を返す関数です。
1つ目の表はB2に約0.0668（約6.7%）、2つ目の表は約0.02275（約2.3%）、3つ目の表は約0.05（5%）と表示されます。B1を自分のZ値に書き換えるだけで使えます。
逆に「P値からZ値を知りたい」ときは「=NORM.S.INV(確率)」を使います（例：両側P値0.05に対応するZ値は `=NORM.S.INV(1-0.05/2)` で約1.95996）。

Googleスプレッドシートで計算する方法

Excelファイルをダウンロード

上のExcelファイルをダウンロードし、Googleドライブにアップロードして開くと、そのままスプレッドシートとして使えます。

下の表を丸ごとコピーして、GoogleスプレッドシートのA1セルに貼り付けるとそのまま使えます。

「左側P値」を求める表

Z値（検定統計量）	-1.5
左側P値 P(x<Z)	=NORMSDIST(B1)

「右側P値」を求める表

Z値（検定統計量）	2
右側P値 P(x>Z)	=1-NORMSDIST(B1)

「両側P値」を求める表

Z値（検定統計量）	1.96
両側P値	=2*(1-NORMSDIST(ABS(B1)))

Googleスプレッドシートでは累積分布関数 \(\Phi\) を「NORMSDIST(値)」で計算します（Excelの「NORM.S.DIST(値, TRUE)」と同じ働きですが、TRUEの指定は不要です）。表を丸ごとコピーしてA1セルに貼り付け、B1のZ値を書き換えて使ってください。
値の出方はExcel版と同じで、1つ目の表は約0.0668、2つ目の表は約0.02275、3つ目の表は約0.05になります。
逆にP値からZ値を求めるときは「=NORMSINV(確率)」を使います（例：`=NORMSINV(1-0.05/2)` は約1.95996）。

Pythonで計算する方法

import math

def phi(z):
    # 標準正規分布の累積分布関数 Φ(z)（誤差関数 erf を使って計算）
    return 0.5 * (1 + math.erf(z / math.sqrt(2)))

z = 1.96  # Z値（検定統計量）

p_left = phi(z)                       # 左側P値 P(x<Z)
p_right = 1 - phi(z)                  # 右側P値 P(x>Z)
p_two_sided = 2 * (1 - phi(abs(z)))   # 両側P値

print(f"左側P値: {p_left}")
print(f"右側P値: {p_right}")
print(f"両側P値: {p_two_sided}")

標準ライブラリのmath.erf（誤差関数）だけで累積分布関数 \(\Phi\) を計算できます。先頭のZ値を書き換えて実行してください。逆向き（P値→Z値）が必要なときは、標準ライブラリのstatisticsモジュールにあるNormalDist().inv_cdf()が使えます（例：両側P値0.05に対応するZ値は `statistics.NormalDist().inv_cdf(1 - 0.05/2)` で約1.95996）。

数式記述言語（LaTeX等）での書き方（コピペ可）

左側P値（左片側検定で使う面積）

P = Φ(Z)

P = \Phi(Z)

<math xmlns="http://www.w3.org/1998/Math/MathML" display="block">
  <mrow>
    <mi>P</mi>
    <mo>=</mo>
    <mi>&#x3A6;</mi><mo>(</mo><mi>Z</mi><mo>)</mo>
  </mrow>
</math>

P = Phi(Z)

CDF[NormalDistribution[0, 1], z]

with(Statistics): CDF(RandomVariable(Normal(0, 1)), z);

p = normcdf(z);

P = Φ(Z)

右側P値（右片側検定で使う面積）

P = 1 − Φ(Z)

P = 1 - \Phi(Z)

<math xmlns="http://www.w3.org/1998/Math/MathML" display="block">
  <mrow>
    <mi>P</mi>
    <mo>=</mo>
    <mn>1</mn>
    <mo>&#x2212;</mo>
    <mi>&#x3A6;</mi><mo>(</mo><mi>Z</mi><mo>)</mo>
  </mrow>
</math>

P = 1 - Phi(Z)

1 - CDF[NormalDistribution[0, 1], z]

with(Statistics): 1 - CDF(RandomVariable(Normal(0, 1)), z);

p = 1 - normcdf(z);

P = 1 - Φ(Z)

両側P値（両側検定で使う面積）

P = 2(1 − Φ(|Z|))

P = 2\left(1 - \Phi(|Z|)\right)

<math xmlns="http://www.w3.org/1998/Math/MathML" display="block">
  <mrow>
    <mi>P</mi>
    <mo>=</mo>
    <mn>2</mn>
    <mo>(</mo>
    <mn>1</mn>
    <mo>&#x2212;</mo>
    <mi>&#x3A6;</mi><mo>(</mo><mo>|</mo><mi>Z</mi><mo>|</mo><mo>)</mo>
    <mo>)</mo>
  </mrow>
</math>

P = 2(1 - Phi(|Z|))

2 (1 - CDF[NormalDistribution[0, 1], Abs[z]])

with(Statistics): 2*(1 - CDF(RandomVariable(Normal(0, 1)), abs(z)));

p = 2*(1 - normcdf(abs(z)));

P = 2(1 - Φ(|Z|))

ChatGPT に聞いて計算してもらう方法

あなたは統計の計算アシスタントです。次の計算を、必ずPythonコードを実際に実行して行い、実行結果の数値だけを根拠に回答してください（暗算や推測で答えないでください）。

Z検定を行ったところ、検定統計量が Z = 2.5 になりました。検定統計量は標準正規分布に従うとみなせるものとします（math.erfやstatistics.NormalDistなど、Pythonの標準ライブラリを使って構いません）。
次の値をそれぞれ求めてください。
1. 左側P値 P(x<Z)
2. 右側P値 P(x>Z)
3. 両側P値 P(x<−Z または x>Z)
4. 有意水準0.05の両側検定として、帰無仮説を棄却できるかどうか

計算に使った式と、実行結果の数値を示してください。