結論

誤謬の読み方は「ごびゅう」で、意味は「まちがい」です。論理の話では「一見もっともらしいが、筋が通っていない推論・論証」を指します。わざと使う詭弁と違い、誤謬は気づかずに起こすものも含みます。

この記事でわかること

  • 読み方・意味・例文と、詭弁・誤解・バイアスとの違い
  • 誤謬の種類22個の一覧(形・技術の例・見分ける問い)
  • 真理値表と乱数で確かめたPythonの出力と直し方の型

2026年11月11日更新|Python 3.13・NumPy 2.5 で計算を実行して確認

誤謬は、辞書では「まちがえること。まちがい」という広い言葉です。論理学では、推論の型が正しくないもの(形式的誤謬)と、型は正しそうでも根拠や前提に問題があるもの(非形式的誤謬)に分けて説明されます。この記事で実際に動かしたものは、真理値表の数え上げ、架空データの相関の計算、乱数による再現の3種類(Python)です。

flowchart TD
    A[主張と根拠を並べる] --> B{推論の型は<br>正しいか}
    B -->|いいえ| F[形式的誤謬<br>後件肯定など]
    B -->|はい| C{根拠と前提は<br>確かか}
    C -->|いいえ| I[非形式的誤謬<br>早まった一般化など]
    C -->|はい| OK[筋の通った論証]

よく調べられることの答えを先にまとめます。

知りたいこと 答え 詳しい節
誤謬の読み方 ごびゅう(「ごびょう」は慣用読み。「ごりゅう」とは読まない) 誤謬とは
誤謬の意味 まちがい。論理では、正しくない推論・論証 誤謬とは
誤謬の使い方・例文 誤謬を犯す・誤謬を正す・誤謬に気づく 使い方と例文
誤謬と詭弁の違い 詭弁はわざと行うもの。誤謬は気づかずに起こすものも含む 詭弁・誤解・バイアスとの違い
誤謬の種類 形式的誤謬と非形式的誤謬。この記事では22個を表にした 誤謬の種類一覧
誤謬の英語 fallacy(論理の誤り)、error(事実との不一致) 使い方と例文
無謬とは まちがいが無いこと。誤謬の反対の言葉 使い方と例文
誤謬を防ぐ方法 主張・根拠・前提に分けて書き、反例を1つ探す 誤謬の直し方

確認環境:Ubuntu 24.04.5 LTS(Linux 6.18)、Python 3.13.18、NumPy 2.5.3。真理値表の数え上げ・相関の計算・乱数による再現は、この環境で実行した出力をそのまま載せています(乱数の種は 362 に固定。データはすべて架空)。言葉の意味はコトバンク掲載の辞書・事典、誤謬の名前と定義は Stanford Encyclopedia of Philosophy・Internet Encyclopedia of Philosophy・大学教員の公開資料で確かめました。図は mermaid-cli 11.16.0 で描画を確かめています(確認日 2026年11月11日)。

本記事の内容は、ご自由にお使いください。
ご利用の際は、出典として本ページへのリンクを記載いただけますようお願いします。

(記載例)出典:株式会社RJC「誤謬とは|読み方・意味と種類一覧(詭弁との違い・論理の誤りを見分ける表)」

誤謬とは:読み方は「ごびゅう」、意味は「まちがい」

この節では、誤謬の読み方と、辞書・事典での意味が分かります。

誤謬は「ごびゅう」と読みます。デジタル大辞泉は「まちがえること。まちがい。」と説明し、「誤謬を犯す」「誤謬を正す」という用例を挙げています。精選版 日本国語大辞典は「ごびょう」という読みも載せていますが、「ごびゅう」から生じた慣用読みという扱いです。「ごりゅう」は読み誤りです(Oggi.jp の読み方の記事でも、正しい読みは「ごびゅう」と説明されています)。

「誤」も「謬」も、どちらも「あやまる・まちがう」という意味の字です。同じ意味の字を2つ重ねた言葉なので、中心の意味は「まちがい」そのものです。

そのうえで、使われる場面によって指すものが少し変わります。場面ごとに並べると次のとおりです。

場面 誤謬の意味 確かめた出典
ふだんの文章 まちがえること。まちがい デジタル大辞泉
論理学・哲学 正しくない推論や論証。「虚偽」ともいう 日本大百科全書、ブリタニカ国際大百科事典
会計・監査 財務諸表の意図的でない虚偽の表示(意図的なものは「不正」) 日本公認会計士協会の用語解説
IT・エンジニアの仕事 論理学の意味で使う。原因の推定や計測結果の読み方の誤り この記事の後半で例示

ブリタニカ国際大百科事典は、誤謬を2つに分けています。判断が事実と合っていない「実質的誤謬(error)」と、考え方の決まりに従っていない「論理的(形式的)誤謬(fallacy)」です。「誤謬の種類」と検索して出てくる後件肯定や論点先取は、後者の fallacy の話です。

倫理学者の児玉聡さんの公開資料は、誤謬推理を「一見もっともらしいが、よく検討すると筋が通っていない論証」と説明しています。Stanford Encyclopedia of Philosophy(以下 SEP)も、fallacy を「実際よりもよく見える論証」としています。「もっともらしく見える」ことが、単なる計算ミスとの違いです。

1読み方は「ごびゅう」

「ごびょう」は慣用読みとして辞書に載る。「ごりゅう」という読みは無い。

2広い意味は「まちがい」

文章語で、会話より書き言葉で使う。「誤り」「間違い」に言い換えられる。

3論理では「筋の通らない論証」

結論が合っているかではなく、根拠から結論への進み方に欠けがあることを指す。

誤謬の使い方と例文・類語・英語(無謬・謬見も)

この節では、誤謬という言葉を文の中でどう使うか、似た言葉や反対の言葉、英語での言い方が分かります。

誤謬は「犯す」「正す」「気づく」「含む」と組み合わせて使います。かたい書き言葉なので、会話やチャットでは「誤り」「間違い」のほうが伝わります。報告書や設計書で、推論の誤りをはっきり指したいときに向く言葉です。

言い回し 例文(技術の場面)
誤謬を犯す 相関だけを見て原因と決めるという誤謬を犯していました。
誤謬を正す 前回の報告にあった計算の誤謬を正し、数値を差し替えます。
誤謬に気づく 再現手順を書き出したところ、推定の誤謬に気づきました。
誤謬を含む この見積もりの前提には、件数の少なさからくる誤謬が含まれています。
誤謬がある 手順の3番目から4番目への進み方に誤謬があります。

似た言葉と反対の言葉は次のとおりです。デジタル大辞泉は類語として「間違い・過ち・錯誤・誤り」を挙げています。

言葉 読み方 意味
誤謬 ごびゅう まちがい。正しくない推論・論証
無謬 むびゅう まちがいが無いこと。「無謬ではない」の形でよく使う
謬見 びゅうけん まちがった考え・見方
錯誤 さくご まちがい。デジタル大辞泉が誤謬の類語に挙げる言葉
虚偽(論理学) きょぎ 論理学で誤謬と同じ意味に使う。「後件肯定の虚偽」のように言う

英語では、論理の誤りを fallacy、事実と合わない誤りを error と言い分けます(ブリタニカ国際大百科事典の見出しも「error; fallacy」です)。「論理的誤謬」は logical fallacy、「形式的誤謬」は formal fallacy、「非形式的誤謬」は informal fallacy です。

誤謬・詭弁・誤解・バイアスの違い

この節では、誤謬と混同しやすい「詭弁」「誤解」「バイアス」との違いが、1つの表で分かります。

いちばん大きな違いは「わざとかどうか」と「何がまちがっているか」です。ブリタニカ国際大百科事典は、詭弁を「故意に行われる虚偽の議論」と説明しています。日本大百科全書も「相手を言いくるめるためのごまかしの議論」としています。誤謬は、本人が気づかないまま起こすものを含む広い言葉です。

言葉 何がまちがうか わざとか 技術の場面の例
誤謬(ごびゅう) 根拠から結論への進み方、または前提 問わない(気づかない場合を含む) 「直後に起きたから原因だ」と決める
詭弁(きべん) 同上。見かけだけ論理的にした議論 わざと 都合のよい数字だけ出して、通したい案を通す
誤解(ごかい) 事実や相手の言葉の受け取り方 わざとではない 「完了」を「リリース済み」の意味に受け取る
バイアス 考え方・データの偏りそのもの 無意識に生じる 自分の仮説に合うログばかり目に入る

誤解は、デジタル大辞泉では「ある事実について、まちがった理解や解釈をすること。相手の言葉などの意味を取り違えること」です。推論の前の「受け取り」の段階のまちがいです。

バイアスは「歪みや偏り」のことで、認知バイアスは「無意識のうちに生じる思考のクセ」と説明されています(日本心理学会の公開記事、池田まさみさん)。バイアスは誤謬の原因になりやすい「傾き」、誤謬はその結果として文章や発言に現れた「推論の誤り」と分けると整理できます。たとえば「生き残ったものだけを見てしまう」のはデータの選び方の偏りで、そこから全体について結論を出すと誤謬になります。

誤謬(気づかずに起こすものを含む)

自分の文章の点検に使う言葉

型と前提を書き出すと見つかる

見つけたら根拠を足すか結論を弱める

詭弁(わざと行うもの)

相手を言いくるめる目的がある

形は誤謬と同じことが多い

意図は外から決めにくいので、まず形だけを見る

なお、同じ形の議論でも、わざとかどうかは文面からは分かりません。この記事では「誰かがわざとやった」という見方はせず、形だけを扱います。

形式的誤謬と非形式的誤謬の違い

この節では、誤謬の大きな2分類である「形式的誤謬」と「非形式的誤謬」の違いと、見つけ方の違いが分かります。

形式的誤謬は、中身を見なくても「型」だけでまちがいと分かるものです。Internet Encyclopedia of Philosophy(以下 IEP)は、形式的誤謬は論証の論理的な構造から見分けられ、非形式的誤謬は内容や文脈に左右されると説明しています。

比べる点 形式的誤謬 非形式的誤謬
どこがまちがうか 推論の型(PならばQ、の組み立て) 根拠の集め方・前提・言葉の使い方・論点
見つけ方 記号に置き換えて、全部の場合を数える 件数・選び方・ほかの説明・言葉の意味を確かめる
機械で確かめられるか 真理値表で確かめられる 型だけでは決まらない。データや文脈が要る
代表例 後件肯定・前件否定・選言肯定 早まった一般化・前後即因果・論点先取・わら人形
数 少ない 多い(IEP の一覧は大半が非形式的)

大事な点が2つあります。1つ目は、誤謬があっても、結論がまちがいとは限らないことです。誤謬は「その根拠からは、その結論は出せない」という意味で、結論がたまたま合っていることはあります(後の節の真理値表で確かめます)。

2つ目は、非形式的誤謬の名前が付く形でも、いつも誤りとは限らないことです。IEP は、権威に頼る議論が誤謬になるのは、その人がその分野の専門家でない場合や、専門家の間で意見が分かれている場合だと説明しています。滑りやすい坂の議論も、各段の起こりやすさ次第で強さが変わります。名前を当てはめて終わりにせず、「この場面で根拠は足りているか」を見ます。

誤謬の種類一覧(22個):名前・形・例・見分ける問い

この節では、よく出てくる誤謬22個の名前と形、技術の場面の短い例、自分で点検するときの問いが分かります。

名前を覚えるより、右端の「見分ける問い」を自分の文章に当ててみるのが早道です。日本語の名前は Wikipedia 日本語版「誤謬」と児玉聡さんの資料、英語名と定義は SEP と IEP で確かめられたものだけを載せています(選言肯定は Wikipedia 日本語版の説明によります)。例はすべて架空の技術の場面です。

形式的誤謬(型のまちがい)3個

名前(英語) どういう形か 短い例 見分ける問い
後件肯定(affirming the consequent) PならばQ。Qだ。だからPだ メモリが足りないと落ちる。落ちた。だからメモリ不足だ ほかの原因でも同じ結果にならないか
前件否定(denying the antecedent) PならばQ。Pでない。だからQでない キャッシュが切れると遅くなる。切れていない。だから遅くなっていない Pでなくても Qになる道はないか
選言肯定(選言肯定の虚偽) AまたはB。Aだ。だからBではない 原因はDBか回線だ。DBに問題があった。だから回線は問題ない 両方が同時に起きることはないか

根拠の集め方の誤謬 4個

名前(英語) どういう形か 短い例 見分ける問い
早まった一般化(hasty generalization) 少ない例から全体を言う 手元で3回通ったので、このテストは安定している 件数は足りているか
偏った標本・生き残りの偏り(unrepresentative sample) 選ばれ方が偏った例から全体を言う いま動いている機器だけを見て、寿命を見積もる 見えていない側のデータはどこか
チェリーピッキング(suppressed evidence) 結論に合う根拠だけを出し、合わないものを省く 20個の指標のうち、良くなった1個だけを報告する 結論に合わないデータも並べたか
未知(無知)に訴える論証(ad ignorantiam) 偽と示されていないから真だ(またはその逆) 不具合の報告が無いから、不具合は無い 探したうえで見つからなかったのか

原因と結果の誤謬 4個

名前(英語) どういう形か 短い例 見分ける問い
前後即因果(post hoc) Aの後にBが起きた。だからAが原因だ デプロイの後に遅くなった。だからデプロイが原因だ 時刻の前後のほかに根拠はあるか
相関と因果の取り違え(cum hoc) AとBが一緒に増減する。だからAがBの原因だ ログが多い日はエラーが多い。だからログを減らせばエラーが減る 両方を動かす別の要因はないか
平均への回帰の見落とし(regression) 極端な値のあとに普通へ戻っただけなのに、打った手の効果とみなす 一番遅かった日に設定を変えたら、翌日速くなった 何もしなくても戻らなかったか
ギャンブラーの誤謬(gambler's fallacy) 独立な出来事なのに、過去の結果で次の確率が変わると考える 5回続けて失敗したから、次はそろそろ通る 各回は本当に独立か

論点・前提の誤謬 7個

名前(英語) どういう形か 短い例 見分ける問い
誤った二分法(false dilemma) 選択肢が2つしかないと決めて、片方を選ばせる 全部書き直すか、何も変えないかのどちらかだ 3つ目の案はないか
論点先取・循環論法(begging the question) 示したい結論を、前提の中に入れてしまう この設計は正しい。正しく設計したからだ 根拠が結論の言い換えになっていないか
わら人形論法(straw man) 相手の主張を、反対しやすい別の形に置き換えて反対する 「テストを足そう」を「全行にテストを書く案」として退ける 相手の言葉どおりに要約できているか
権威に訴える論証(ad verecundiam) その分野の根拠にならない権威を理由にする 有名な本に書いてあるから、この条件でも正しい この分野・この条件での根拠か
多数に訴える論証(衆人に訴える論証、ad populum) 多くの人がそう考える・使うから正しい みんなが使っているから、この用途にも合う 人数のほかに根拠はあるか
対人論証(ad hominem) 主張の中身ではなく、言った人を理由に退ける 書いた人を見て、コードの良し悪しを決める 書き手を伏せても同じ判断になるか
滑りやすい坂論法(滑り坂論法、slippery slope) 最初の一歩が、連鎖して必ず悪い結末になると言う 例外を1つ認めると、いずれ規約が全部崩れる 各段はどのくらい確かか

全体と部分・言葉の誤謬 4個

名前(英語) どういう形か 短い例 見分ける問い
合成の誤謬(composition) 部分に当てはまることは、全体にも当てはまる 各部品の稼働率が99.9%だから、全体も99.9%だ 足し合わせると性質が変わらないか
分割の誤謬(division) 全体に当てはまることは、各部分にも当てはまる 全体の平均応答が速いから、どのAPIも速い 内訳を見たか
誤った類推(false analogy) 似ている点だけを見て、違いを無視して結論を移す 前の案件は3日だったから、今回も3日だ 結論に効く違いはないか
言葉の意味のすり替え(equivocation) 同じ言葉を、途中で別の意味に使う 「完了」を、実装が済んだ意味と公開できる意味で混ぜる 同じ語は最後まで同じ意味か

「生き残りの偏り」は、英語では survivorship bias と呼ばれ、選別を通ったものだけに注目することで生じる統計上の誤りと説明されています。この記事では、IEP の「代表的でない標本」の一種として、根拠の集め方の誤謬に入れました。

形式的誤謬を真理値表で確かめる(Pythonで全部の場合を数える)

この節では、後件肯定・前件否定・選言肯定が「成り立たない場合がある」ことを、Python で全部の場合を数え上げた出力で確かめられます。

推論の型が正しい(妥当)とは、「前提が全部真なのに結論が偽」になる場合が1つも無いことです。PとQの真偽は4通りしかないので、全部を調べれば決着がつきます。調べたコードの中心部分は次のとおりです。

from itertools import product

def imp(a, b):          # 「a ならば b」
    return (not a) or b

FORMS = [
    ("前件肯定(正しい型)", [lambda p, q: imp(p, q), lambda p, q: p],     lambda p, q: q),
    ("後件否定(正しい型)", [lambda p, q: imp(p, q), lambda p, q: not q], lambda p, q: not p),
    ("後件肯定",             [lambda p, q: imp(p, q), lambda p, q: q],     lambda p, q: p),
    ("前件否定",             [lambda p, q: imp(p, q), lambda p, q: not p], lambda p, q: not q),
    ("選言三段論法(正しい型)", [lambda p, q: p or q, lambda p, q: not p], lambda p, q: q),
    ("選言肯定",             [lambda p, q: p or q,   lambda p, q: p],      lambda p, q: not q),
]

for name, premises, conclusion in FORMS:
    counter = [(p, q) for p, q in product([True, False], repeat=2)
               if all(f(p, q) for f in premises) and not conclusion(p, q)]
    print(name, "反例", len(counter), "件", counter)

表の形で出力させた結果のうち、誤謬の3つは次のとおりでした(T は真、F は偽)。

== 後件肯定
  P Q | 前提1 前提2 | 結論
  T T |  T    T   |  T
  T F |  F    F   |  T
  F T |  T    T   |  F  <- 前提は全部真なのに結論が偽
  F F |  T    F   |  F
  判定: 妥当でない(反例 1 件)
== 前件否定
  P Q | 前提1 前提2 | 結論
  T T |  T    F   |  F
  T F |  F    F   |  T
  F T |  T    T   |  F  <- 前提は全部真なのに結論が偽
  F F |  T    T   |  T
  判定: 妥当でない(反例 1 件)
== 選言肯定
  P Q | 前提1 前提2 | 結論
  T T |  T    T   |  F  <- 前提は全部真なのに結論が偽
  T F |  T    T   |  T
  F T |  T    F   |  F
  F F |  F    F   |  T
  判定: 妥当でない(反例 1 件)

正しい型と並べると、違いがはっきりします。

型 形 反例の数 判定
前件肯定 PならばQ。P。だからQ 4通り中 0件 妥当
後件否定 PならばQ。Qでない。だからPでない 4通り中 0件 妥当
後件肯定 PならばQ。Q。だからP 4通り中 1件(P偽・Q真) 妥当でない
前件否定 PならばQ。Pでない。だからQでない 4通り中 1件(P偽・Q真) 妥当でない
選言三段論法 AまたはB。Aでない。だからB 4通り中 0件 妥当
選言肯定 AまたはB。A。だからBでない 4通り中 1件(両方真) 妥当でない
仮言三段論法 PならばQ。QならばR。だからPならばR 8通り中 0件 妥当

後件肯定と前件否定の反例は、どちらも「Pは偽だがQは真」の場合です。障害の例に置き換えると、「メモリは足りていたが、別の理由で落ちた」という場合に当たります。「PならばQ」は、Q の原因が P だけだとは言っていません。

もう1つ読み取れることがあります。後件肯定の表の1行目(P真・Q真)では、前提も結論も真です。つまり誤謬の型を使っても、結論がたまたま正しいことはあります。誤謬の指摘は「結論がまちがい」という意味ではなく、「その根拠だけでは結論を言えない」という意味です。

同じ数え上げで、「逆」と「対偶」も確かめました。

== 逆の取り違え: P→Q から Q→P
  4通りのうち反例 1 件: [('F', 'T')]
== 対偶: P→Q と (not Q)→(not P)
  4通りすべてで真偽が一致: True

「PならばQ」から言えるのは対偶の「QでないならPでない」だけで、逆の「QならばP」は言えません。後件肯定は、この「逆」を使ってしまう誤りです。

相関と因果の取り違えを架空データで確かめる

この節では、相関は強いのに原因ではない例を、架空のデータの計算で確かめられます。

2つの数字が一緒に増減していても、片方がもう片方の原因とは限りません。両方を動かす3つ目の要因があると、強い相関が出ます。ここでは「1日のアクセス数」が「ログの行数」と「エラー件数」の両方を増やす、という架空のデータを365日分作りました。ログの行数は、エラー件数に何も影響しない作りです。

import numpy as np
rng = np.random.default_rng(362)
days = 365
access = rng.integers(20_000, 120_000, size=days)              # アクセス数
log_lines = access * 3.2 + rng.normal(0, 15_000, size=days)    # ログ行数
errors = access * 0.0010 + rng.normal(0, 8, size=days)         # エラー件数

def r(a, b):
    return np.corrcoef(a, b)[0, 1]

def resid(y, x):                 # x で説明できる分を取り除いた残り
    k, b = np.polyfit(x, y, 1)
    return y - (k * x + b)

print(r(log_lines, errors))
print(r(resid(log_lines, access), resid(errors, access)))
日数 365
ログ行数とエラー件数の相関係数      r = 0.954
アクセス数とログ行数の相関係数      r = 0.989
アクセス数とエラー件数の相関係数    r = 0.965
アクセス数の影響を除いた相関(偏相関) r = -0.003
ログ行数の平均  223,097 -> 111,549
エラー件数の平均 69.5 -> 70.0

ログ行数とエラー件数の相関係数は 0.954 で、数字だけ見ると強く結びついています。ところが、アクセス数で説明できる分を両方から取り除くと、相関は -0.003 とほぼ 0 になりました。最後の2行は、アクセス数はそのままでログの出力だけを半分にした場合です。ログは半分になりましたが、エラー件数は 69.5 から 70.0 で変わっていません。

相関を見つけたとき

避ける「ログが多い日はエラーが多い(r=0.954)。ログを減らせばエラーが減る」と結論する
→
代わりに両方を動かす要因(アクセス数)を探し、それを除いても関係が残るかを見る。残ったら、片方だけを変えて確かめる

見分ける問い:「片方だけを変えたら、もう片方は動くか」

相関から原因を言うには、少なくとも3つを確かめます。順番(原因が先か)、ほかの要因(両方を動かすものが無いか)、介入(片方だけ変えて結果が動くか)です。

早まった一般化を乱数で再現する(少ない件数の危うさ)

この節では、少ない回数だけ試して「問題ない」と言うことの危うさを、乱数で再現した数字で確かめられます。

本当は5%の割合で失敗する処理でも、10回だけ試すと約6割の確率で「失敗0回」に見えます。本当の失敗率が5%の処理を n 回試す、という調べ方を10万回くり返し、見えた失敗率を数えました。

import numpy as np
rng = np.random.default_rng(362)
p, trials = 0.05, 100_000
for n in [3, 5, 10, 30, 100, 300, 1000]:
    k = rng.binomial(n, p, size=trials)      # n回中の失敗回数
    rate = k / n
    print(n, (k == 0).mean(), np.percentile(rate, [5, 95]), 0.95 ** n)
本当の失敗率 5% の処理を n 回だけ試したときに見える失敗率
   n | 失敗0回に見える割合 | 見えた失敗率の 5%点〜95%点 | 理論値 0.95^n
    3 |              85.9% |    0.0% 〜  33.3%        |  85.7%
    5 |              77.4% |    0.0% 〜  20.0%        |  77.4%
   10 |              59.5% |    0.0% 〜  20.0%        |  59.9%
   30 |              21.7% |    0.0% 〜  13.3%        |  21.5%
  100 |               0.6% |    2.0% 〜   9.0%        |   0.6%
  300 |               0.0% |    3.0% 〜   7.0%        |   0.0%
 1000 |               0.0% |    3.9% 〜   6.2%        |   0.0%

3回なら85.9%、10回でも59.5%の確率で、失敗を1回も見ないまま終わります。逆に、10回のうちたまたま2回失敗すると「失敗率20%」に見えます。件数が少ないと、良いほうにも悪いほうにも大きくぶれます。1,000回まで増やして、ようやく3.9%〜6.2%に収まりました。

「ときどき落ちるテスト」でも同じ計算ができます。5回に1回落ちるテスト(成功率80%)が続けて通る確率は次のとおりです。

5回に1回落ちるテスト(成功率 80%)が k 回続けて通る確率
   1 回連続で成功:  80.0%
   3 回連続で成功:  51.2%
   5 回連続で成功:  32.8%
  10 回連続で成功:  10.7%
  20 回連続で成功:   1.2%

「3回流して全部通った」は、5回に1回落ちるテストでも51.2%の確率で起こります。「直った」と言うには回数が足りません。

では、失敗が0回だったとき、どこまで言えるでしょうか。目安として「n 回試して0回なら、本当の割合は95%の確からしさで 3/n 以下」という計算があります。厳密な値(1 − 0.05 の 1/n 乗)と並べて計算しました。

「失敗0回」を見たときに言える上限(3の法則: 95%で 3/n 以下)
  n=  10: 3/n = 30.00%   厳密な値 = 25.89%
  n=  30: 3/n = 10.00%   厳密な値 =  9.50%
  n= 100: 3/n =  3.00%   厳密な値 =  2.95%
  n= 300: 3/n =  1.00%   厳密な値 =  0.99%
  n=1000: 3/n =  0.30%   厳密な値 =  0.30%

10回試して失敗0回のとき、言えるのは「失敗率は約26%以下らしい」までです。「失敗しない」とは言えません。失敗率1%以下を言いたいなら、およそ300回の「失敗0回」が要ります。

前後即因果・チェリーピッキング・生き残りの偏りを数字で見る

この節では、非形式的誤謬のうち数字で再現できる6つ(前後即因果と平均への回帰、チェリーピッキング、生き残りの偏り、ギャンブラーの誤謬、合成、分割)を、計算の出力で確かめられます。

どれも「何もしていない」「本当は差が無い」架空のデータなのに、効果や傾向があるように見えます。実行した出力は次のとおりです。

== 1. 前後即因果と平均への回帰(架空の応答時間)
  上位10%の遅い日のしきい値: 238.4 ms(該当 20,000 日)
  遅い日の平均: 252.5 ms -> 翌日の平均: 200.1 ms
  何もしていないのに翌日のほうが速かった割合: 95.1%
== 2. チェリーピッキング(20個の指標から良いものだけ選ぶ)
  1個の指標だけを先に決めて見たとき、3%以上の改善に見える割合: 12.0%
  20個のうち一番よい指標を後から選んだとき、3%以上の改善に見える割合: 92.1%
  一番よい指標の改善率の平均: 4.70%(本当の差は 0%)
== 3. 生き残ったものだけを見る(選び方の偏り)
  全1000台の平均寿命: 3.90 年
  5年後に動いている台数: 285 台 / その平均寿命: 8.73 年
== 4. 賭博者の誤謬(独立な試行)
  5回連続で失敗した直後: 62,556 回 / 次も失敗した割合: 49.9%
== 5. 合成の誤謬(部品の稼働率と全体の稼働率)
  稼働率 99.9% の部品を   1 個 直列: 全体 99.90%  年間の停止    8.8 時間
  稼働率 99.9% の部品を   5 個 直列: 全体 99.50%  年間の停止   43.7 時間
  稼働率 99.9% の部品を  10 個 直列: 全体 99.00%  年間の停止   87.2 時間
  稼働率 99.9% の部品を  30 個 直列: 全体 97.04%  年間の停止  259.0 時間
  稼働率 99.9% の部品を 100 個 直列: 全体 90.48%  年間の停止  834.0 時間
== 6. 分割の誤謬(全体の平均と個々の値)
  3つのAPIの平均応答 [40, 300, 2500] ms, 件数 [9000, 900, 100]
  全体の平均: 88 ms

作りと読み方を表にまとめます。

誤謬 架空データの作り 出た数字 読み取れること
前後即因果・平均への回帰 応答時間が毎日、平均200ms・標準偏差30msでばらつくだけ 遅い日の翌日は95.1%で速くなった 一番悪い日に打った手は、効かなくても効いたように見える
チェリーピッキング 変更の前後で本当は差が無い指標を20個、30回ずつ測る 後から選ぶと92.1%で「3%以上の改善」 見る指標は測る前に決める。全部の指標を並べる
生き残りの偏り 平均寿命4年で作った1,000台のうち、5年後に動く機器だけを見る 全体3.90年に対し、残った285台は8.73年 止まった機器を数えないと、寿命を倍以上に見積もる
ギャンブラーの誤謬 成功と失敗が半々で、毎回独立 5連続失敗の次も、失敗は49.9% 独立なら「そろそろ」は起きない
合成の誤謬 稼働率99.9%の部品を直列に並べる 30個で97.04%、年259時間の停止 部品ごとの数字は、全体の数字にならない
分割の誤謬 件数の多い速いAPIと、少ない遅いAPI 全体の平均88ms、内訳に2,500ms 全体の平均は、個々の値を保証しない

ギャンブラーの誤謬には注意が1つあります。この結果は「各回が独立」という作りだから成り立ちます。実際のシステムでは、失敗が続くのは同じ原因が残っているからで、独立ではないことが多いです。「そろそろ通る」も「どうせ次も落ちる」も、まず独立かどうかを確かめてから言います。

エンジニアの仕事で出やすい誤謬(障害調査・コードレビュー・計測・見積もり)

この節では、障害の原因調べ、コードレビュー、計測結果の読み方、見積もりの4つの場面で、どの誤謬が出やすいかと、その場で使える問いが分かります。

急いでいるときほど、後件肯定と前後即因果が出やすくなります。どちらも「それらしい原因が1つ見つかった」時点で調べるのをやめてしまう形です。

場面 出やすい誤謬 よくある言い方 その場で使う問い
障害の原因調べ 後件肯定・前後即因果・選言肯定 直前にデプロイしたから、それが原因だ 戻したら直るか。同じ症状を出す別の原因を2つ挙げたか
障害の再発防止 平均への回帰・早まった一般化 設定を変えた翌日は起きなかったので直った 何日・何回見れば「起きない」と言えるか
コードレビュー 対人論証・権威・多数・わら人形 有名な書き方だから、ここもそうすべきだ このコードの、この条件での理由は何か
計測結果の読み方 チェリーピッキング・相関と因果・分割 平均が速くなったので全部速くなった 全部の指標と内訳を並べたか。測る前に見る指標を決めたか
見積もり 誤った類推・早まった一般化・合成 前回3日だったので今回も3日だ 前回と違う点は何か。部分の合計に抜けはないか
設計の議論 誤った二分法・滑りやすい坂・論点先取 全部作り直すか、このまま行くかだ 3つ目の案はないか。各段の確からしさはどのくらいか

障害の原因調べでは、「原因の候補」と「確かめた原因」を分けて書くと、後件肯定を避けられます。「メモリ不足なら落ちる。落ちた」は候補を挙げた段階で、ここから「メモリ不足のときにだけ出るログが残っているか」「メモリを増やすと再現しなくなるか」を確かめて、はじめて原因と言えます。報告書の組み立ては、関連記事「障害報告書の書き方|例文つきテンプレートと再発防止策の立て方」で扱っています。

コードレビューでは、指摘に「なぜ」を1行添えると、権威や多数に頼った言い方を避けられます。「みんなこう書く」ではなく「この書き方だと null のときに例外になる」と、コードの中身で言います。観点の並べ方は、関連記事「コードレビューの観点チェックリスト|優先順位と伝え方」で扱っています。

計測では、1回だけの結果や、良かった指標だけで結論を出さないことが要点です。測り方そのものの注意点は、関連記事「ベンチマークの落とし穴8選|JMH・p99・ウォームアップ」で扱っています。Python で処理時間をくり返し測る書き方は、関連記事「Python処理時間の計測方法|perf_counter・timeit比較とコピペ集」で扱っています。

見積もりでは、「前回と同じ」という類推に、違う点の一覧を添えます。幅を持たせた見積もりの計算は、関連記事「工数見積もりの方法|積み上げ・三点見積もりの計算例と精度を上げるコツ」で扱っています。

障害の報告を書くとき

避ける「14時にデプロイし、14時10分から遅くなった。原因はデプロイです」
→
代わりに「デプロイを戻すと応答時間が元に戻り、もう一度入れると再び遅くなった。変更のうちクエリを足した部分を外すと再現しない」

時刻の前後に加えて、「戻すと直る」「入れると再現する」を根拠にする

計測結果を伝えるとき

避ける「変更後、応答時間が4.7%よくなった指標があります」
→
代わりに「測る前に決めた指標は p95 で、差は ±1% 以内。20個のうち1個は4.7%よくなったが、差が無くても起きる範囲」

見る指標を先に決め、全部の結果を並べる

誤謬の直し方:主張・根拠・前提に分けて書く

この節では、自分の文章から誤謬を見つけて直すための、決まった手順が分かります。

主張(言いたいこと)・根拠(見た事実)・前提(根拠と主張をつなぐ決まり)の3つに分けて書くと、欠けている所が見えます。誤謬の多くは、前提を書かないまま進めたときに起こります。前提を文字にすると、「それは本当か」と自分で問えるようになります。

1

主張を1文で書く

「原因はデプロイである」のように、言い切りの形で1つだけ書く。2つ入っていたら分ける。

何を言いたいか

2

根拠を事実だけで書く

「14時にデプロイした」「14時10分から p95 が200msから600msになった」。数字・時刻・ログの原文で書き、解釈を混ぜない。

何を見たか

3

前提を書き出す

根拠から主張へ進むために、暗に使っている決まりを書く。「直前の変更が原因である」「ほかに変わったものは無い」など。

なぜそう言えるか

4

反例を1つ探す

「根拠は全部正しいのに、主張がまちがい」になる場合を1つ考える。真理値表で反例の行を探したのと同じ作業。思いつけば、根拠が足りていない。

成り立たない場合はないか

5

根拠を足すか、主張を弱める

反例を消す事実(戻すと直る・再現する)を集める。集められないなら「原因の候補である」「10回では起きなかった」と、言える所まで主張を弱める。

直し方は2つだけ

分けて書いた例です。左が誤謬を含む書き方、右が直した書き方です。

部分 直す前 直した後
主張 不具合は直った 不具合は、30回の試行では再現しなくなった
根拠 修正後に3回試して、3回とも通った 修正前は30回中6回失敗、修正後は30回中0回
前提 (書いていない)3回通れば直っている 失敗0回が30回なら、失敗率はおよそ10%以下と言える
反例 5回に1回落ちる不具合なら、51.2%で3回とも通る 失敗率が数%まで下がっただけの可能性は残る
残る不確かさ (書いていない) 1%以下と言うには約300回要る。夜間に流して追って報告する

書き終えたら、次の点検をします。

  • 1主張は1文で、言い切りになっている「〜と思われる」が続くなら、根拠が足りていない合図
  • 2根拠に件数と期間が書いてある「何回中何回」「何日分」が無いと、早まった一般化かどうか判断できない
  • 3結論に合わないデータも載せた省いたものがあれば、省いた理由を書く
  • 4ほかの説明を2つ挙げて、それぞれ消した後件肯定・前後即因果への備え
  • 5同じ言葉を最後まで同じ意味で使った「完了」「対応済み」「影響なし」は意味がずれやすい
  • 6分からないことを「分からない」と書いた主張を弱めるのは、まちがいではなく正確さ

誤謬という言葉を使うときの注意:指摘は名前ではなく問いで

この節では、誤謬の知識を議論やレビューで使うときに、話がこじれない伝え方が分かります。

誤謬の一覧は、まず自分の文章の点検に使うものです。相手の発言に名前を付けて返しても、原因は見つからず、設計もよくなりません。名前ではなく、一覧の右端にあった「問い」の形で、足りない根拠を一緒に探します。

レビューや障害対応での伝え方

避ける「それは前後即因果の誤謬です」と名前だけを返す
→
代わりに「デプロイを戻して直るか見てみませんか。同じ時刻にバッチも動いていたので、そちらも確かめたいです」

名前ではなく、次に確かめることを言う

気をつける点を3つ挙げます。

1誤謬があっても結論が偽とは限らない

真理値表で見たとおり、誤謬の型でも結論が真の行はある。「根拠が足りない」と「結論がまちがい」を分けて伝える。

2名前が当てはまっても誤りとは限らない

その分野の専門家の一致した見解に頼ることや、起こりやすさを示したうえでの連鎖の指摘は、筋の通った議論になりうる。

3意図を決めつけない

わざとかどうかは文面から分からない。日本大百科全書は、正しい論理が詭弁として片付けられることへの注意も書いている。

急ぎの場面では、候補を素早く挙げること自体は役に立ちます。「直前の変更を疑う」は、調べる順番を決める手がかりとして優れています。誤謬になるのは、候補を確かめないまま「原因」と書いたときです。推定は速く、断定は確かめてからという順番を守れば、速さと正確さは両立します。

誤謬でよくあるつまずきと、どれを疑うかの判断表

この節では、誤謬という言葉と考え方でつまずきやすい点と、手元の文章でどの誤謬を疑えばよいかの順番が分かります。

よくあるつまずき

つまずき(よくある言い方) 何が起きているか 直し方
「ごりゅう」「ごびょう」と読む 「謬」の読みは「びゅう」。「ごびょう」は慣用読み 「ごびゅう」と読む。迷う場面では「誤り」と書く
「誤謬があるから結論はまちがい」 根拠の不足と、結論の真偽を混ぜている 「この根拠では言えない」と伝え、結論は別に確かめる
「相関係数が0.95だから原因だ」 相関と因果の取り違え 両方を動かす要因を除く。片方だけ変えて確かめる
「3回通ったから直った」 早まった一般化 修正前の失敗率から、要る回数を先に決める
「エラーが出ていないから問題ない」 未知に訴える論証。探していないだけの場合がある ログ・監視が取れている範囲を書く
「平均が速いからどれも速い」 分割の誤謬 内訳と p95・p99 を並べる
「詭弁だ」と相手に返す 意図の決めつけ。話が中身から離れる 足りない根拠を問いの形で伝える
誤謬の名前を当てはめて終わる 名前が付く形でも、筋が通る場合がある この場面で根拠が足りているかを見る

判断表:どの誤謬を疑うか

自分の文章を点検するときは、上から順に当てはめます。

  1. 1「AだからB」の形で、Bから Aを言っている → 後件肯定同じ結果を出す別の原因を挙げて消す
  2. 2根拠が「直後に起きた」だけ → 前後即因果戻すと直るか、入れると再現するかを見る
  3. 3根拠が「一緒に増減する」だけ → 相関と因果の取り違え両方を動かす要因を探し、片方だけ変える
  4. 4件数が少ない・1回だけ → 早まった一般化「何回中何回」を書き、要る回数を計算する
  5. 5データを選んでいる・残ったものだけ見ている → チェリーピッキング・偏った標本省いたデータ、見えていない側を並べる
  6. 6選択肢が2つしかない → 誤った二分法3つ目の案、組み合わせの案を書く
  7. 7根拠が「人・本・人数」 → 権威・多数・対人この条件での中身の理由に置き換える
  8. 8全体と部分を行き来している → 合成・分割内訳と合計の両方を計算する

誤謬についてよくある質問

この節では、誤謬という言葉について、よく調べられている疑問の答えが分かります。

Q. 誤謬の読み方は「ごびゅう」と「ごびょう」のどちらですか。

A. 「ごびゅう」です。精選版 日本国語大辞典には「ごびょう」も載っていますが、「ごびゅう」から生じた慣用読みという扱いです。読み上げる場面では「ごびゅう」と読むのが確かです。

Q. 誤謬を簡単に言うと何ですか。

A. 「まちがい」です。論理の話では「もっともらしく見えるが、根拠から結論へ筋が通っていない論証」を指します。

Q. 誤謬と詭弁の違いは何ですか。

A. 詭弁は、相手を言いくるめるためにわざと行う、見かけだけ論理的な議論です(ブリタニカ国際大百科事典・日本大百科全書)。誤謬は、わざとかどうかを問わず、気づかずに起こすまちがいを含みます。

Q. 誤謬と誤解の違いは何ですか。

A. 誤解は、事実や相手の言葉の意味を取り違えることです。誤謬は、受け取った内容から結論を出す進め方のまちがいです。誤解したまま正しく推論することも、正しく受け取ったうえで誤謬を犯すこともあります。

Q. 誤謬とバイアスの違いは何ですか。

A. バイアスは考え方やデータの「偏り」そのもので、無意識に生じます。誤謬は、文章や発言に現れた「推論の誤り」です。偏りが原因になって誤謬が起きる、という関係で捉えると整理できます。

Q. 形式的誤謬と非形式的誤謬はどう見分けますか。

A. 文を P・Q の記号に置き換えても誤りと分かるなら形式的誤謬です。記号にすると正しく見えるのに、件数・選び方・言葉の意味・論点を確かめると崩れるなら、非形式的誤謬です。

Q. 誤謬の種類はいくつありますか。

A. 決まった数はありません。分け方や数え方は資料によって違い、IEP の一覧は231個の名前を載せています。この記事では、技術の仕事で出やすい22個に絞りました。

Q. 誤謬の英語は何ですか。

A. 論理の誤りは fallacy、事実と合わない誤りは error です。「論理的誤謬」は logical fallacy と言います。

Q. 誤謬の反対の言葉は何ですか。

A. まちがいが無いことを「無謬(むびゅう)」と言います。ブリタニカ国際大百科事典は、誤謬を「真理」の反対として説明しています。論証については、型が正しいことを「妥当」と言います。

Q. 誤謬が含まれていたら、その結論はまちがいですか。

A. まちがいとは限りません。誤謬は「その根拠からは、その結論を言えない」という意味です。この記事の真理値表でも、後件肯定の型で結論が真になる行がありました。結論は別の根拠で確かめます。

Q. 相関があれば、因果があると言えますか。

A. 言えません。この記事の架空データでは、相関係数が0.954でも、共通の要因を除くと-0.003になりました。片方だけを変えて結果が動くかを確かめます。

Q. 何回試せば「起きない」と言えますか。

A. 「起きない」とは言い切れず、言えるのは上限です。n 回試して0回なら、およそ 3/n 以下が目安です。1%以下と言いたいなら約300回、0.3%以下なら約1,000回が要ります。

まとめ:誤謬は「根拠から結論への進み方」のまちがい

この節では、この記事の要点を5つにまとめて振り返れます。

  • 誤謬の読み方は「ごびゅう」、意味は「まちがい」です。論理では、もっともらしく見えるが筋の通らない論証を指します。
  • 詭弁はわざと行うもの、誤謬は気づかずに起こすものも含みます。誤解は受け取りのまちがい、バイアスは偏りそのものです。
  • 形式的誤謬は型のまちがいで、真理値表で確かめられます。後件肯定・前件否定・選言肯定は、4通り中1件の反例がありました。
  • 非形式的誤謬は、件数・選び方・ほかの要因で確かめます。失敗率5%でも10回では59.5%が「失敗0回」に見え、相関0.954は共通の要因を除くと-0.003でした。
  • 直し方は、主張・根拠・前提に分けて書き、反例を1つ探すことです。根拠を足すか、言える所まで主張を弱めます。

誤謬の名前は、相手に向けるものではなく、自分の報告やレビューの文を読み返すときの点検表として使うと役に立ちます。

参考・出典

確認日はいずれも 2026年11月11日です。

  • コトバンク「誤謬」(デジタル大辞泉、精選版 日本国語大辞典、ブリタニカ国際大百科事典 小項目事典、日本大百科全書):https://kotobank.jp/word/%E8%AA%A4%E8%AC%AC-65865
  • コトバンク「詭弁」(デジタル大辞泉、ブリタニカ国際大百科事典 小項目事典、日本大百科全書、改訂新版 世界大百科事典):https://kotobank.jp/word/%E8%A9%AD%E5%BC%81-50591
  • コトバンク「誤解」(デジタル大辞泉、精選版 日本国語大辞典):https://kotobank.jp/word/誤解
  • Stanford Encyclopedia of Philosophy「Fallacies」(Hans Hansen、2015年公開・2024年改訂):https://plato.stanford.edu/entries/fallacies/
  • Internet Encyclopedia of Philosophy「Fallacies」(Bradley Dowden):https://iep.utm.edu/fallacy/
  • 児玉聡「誤謬推理(FALLACY)」(倫理学の用語集):https://plaza.umin.ac.jp/kodama/ethics/wordbook/fallacy.html
  • Wikipedia 日本語版「誤謬」(日本語の名前の確認):https://ja.wikipedia.org/wiki/誤謬
  • Wikipedia 英語版「Survivorship bias」(生き残りの偏りの説明の確認):https://en.wikipedia.org/wiki/Survivorship_bias
  • 日本公認会計士協会「会計・監査用語かんたん解説集:不正・誤謬(ごびゅう)」:https://jicpa.or.jp/cpainfo/introduction/keyword/post-68.html
  • 日本心理学会 公開記事 池田まさみ「バイアスの心理学─知覚・認知編」:https://psych.or.jp/wp-content/uploads/2024/07/106_42-43.pdf
  • Oggi.jp「『誤謬』を正しく読めたらカッコいい!」(読み方・謬見・無謬の確認):https://oggi.jp/5025134

本記事の内容は、ご自由にお使いください。
ご利用の際は、出典として本ページへのリンクを記載いただけますようお願いします。

(記載例)出典:株式会社RJC「誤謬とは|読み方・意味と種類一覧(詭弁との違い・論理の誤りを見分ける表)」

株式会社RJC ― SI事業・SES事業・AI駆動開発。RJCは一緒に成長を楽しめる会社です。

WE ARE HIRING

RJCで一緒に開発しながら、
成長を楽しみませんか?

RJCは、Web・モバイル・AIを活用した開発プロジェクトで、テックリードやPM・PMOも活躍するシステム開発会社です。会社を知る、待遇を確かめる、話を聞いてみる。気になるところ見てみてください!

  • 127日年間休日
  • 12時間平均残業時間
  • 毎日ガチャ遊びココロも大切にする福利厚生。アマギフなどの賞品ラインナップ!

ほかにも、チケットレストラン、書籍読み放題、2年ごとの慰労報奨(休暇 or 金一封)、11期連続の黒字決算。

ABOUT RJC RJCがどんな会社か知る 考え方、研修、働き方、福利厚生、社員の前職まで。RJCのことが丸わかり! RJC丸わかりページへ JOB DESCRIPTION 仕事内容・待遇を見てみる 仕事内容、給与・待遇、選考の流れ。経験者も未経験も!応募前に知りたいこと、まとめました! 募集要項を見る ENTRY エントリーする エントリーは1〜2分・履歴書不要です。まずは話を聞いてみたい、という方でも歓迎です! エントリーフォームへ

成長のヒミツ、 ぜんぶ丸わかり