ITパスポート 令和5年度 問77：mathに関する問題

答えは c（数学） です。

偏差値は「平均よりどれくらい上か」を表しますが、ポイントは“みんなの点数のばらつき（標準偏差）が小さい教科ほど、平均より上に行ったときの価値が大きい”ことです。

4教科とも同じ71点でも、平均との差が大きく、ばらつきが小さい教科ほど偏差値が高くなります。数学は平均58点・ばらつき6と、その条件が一番良いので偏差値が最も高くなります。

👉 覚え方：「平均からたくさん離れ、みんながそろっている（ばらつき小）教科＝偏差値高い」。

なぜこれが正解か

正解は c（数学）。偏差値 ＝ 50 ＋ 10 ×(得点−平均)÷標準偏差。得点は全教科71点で共通なので、「(71−平均)÷標準偏差」が最大の教科が偏差値最大。

• 国語：(71−62)÷5 ＝ 1.80
• 社会：(71−55)÷9 ≒ 1.78
• 数学：(71−58)÷6 ≒ 2.17 ← 最大
• 理科：(71−60)÷7 ≒ 1.57

よって数学が最も高い偏差値となる。

各選択肢の解説

他3教科は上記計算のとおり、(得点−平均)÷標準偏差の値が数学より小さい。

覚え方・ひっかけ注意

「平均との差が大きい」だけで選ぶと国語(差9)を選びがちだが、標準偏差で割るのを忘れない。差が同程度でも、標準偏差が小さい教科ほど偏差値は跳ね上がる。「差÷ばらつき」で比較するのがコツ。

理論的背景

偏差値の数学的基盤は「標準化（標準スコア化）」にある。あるデータ値 x を、その集団の平均 μ と標準偏差 σ で変換したZスコア z = (x - μ)/σ は、「平均からの距離を標準偏差を単位として測った無次元量」である。偏差値はこのZスコアを教育現場で直感的に扱いやすくした変換版であり、偏差値 = 50 + 10z = 50 + 10(x - μ)/σ と定義される。この変換により「平均の人は常に偏差値50」「標準偏差1つ分上なら偏差値60」という普遍的な解釈が成立する。正規分布に従う集団では、偏差値50が中央値（上位50%）、偏差値60が上位約15.9%、偏差値70が上位約2.3%に対応する。この「偏差値70＝上位2.3%」という事実は68-95-99.7ルール（正規分布でμ±1σに約68%、μ±2σに約95%が含まれる）から導かれる。本問の全4教科でZスコアを計算すると、数学が(71-58)/6 ≈ 2.17で最大となり、偏差値に換算すると 50 + 10×2.17 ≈ 71.7 となる。

実務での使われ方

Zスコアによる標準化は機械学習の前処理として不可欠なテクニックである。身長（cm単位）と体重（kg単位）のように単位が異なる特徴量を一緒に学習させると、数値の大きい特徴量が学習に不当な影響を与える。標準化によってすべての特徴量をZスコアに変換（平均0・標準偏差1に統一）することで、モデルが各特徴量を公平に扱えるようになる。この処理はscikit-learnの `StandardScaler` で実装されており、SVMやニューラルネットワーク・k近傍法など距離ベースのアルゴリズムでは特に重要である。金融ではシャープレシオ（リターンをリスクで割ったZスコアの一種）が投資効率の比較指標として使われ、品質管理では工程能力指数（Cp・Cpk）が正規分布を前提とした製造ばらつきの評価に用いられる。

試験での位置づけ

統計・確率分野の計算問題はITパスポートの技術系問題の中で定期的に出題される。本問は「平均との差を標準偏差で割る」という計算を4教科分行い大小比較する設問であり、「差が最大の教科を選ぶ」という誤った思考パターン（国語の差＝9点が最大）を誘うように設計されている。電卓不使用の試験環境で4教科の商を素早く概算する計算力も問われる良問である。近年の試験では偏差値・平均・標準偏差に加えて、中央値・最頻値・四分位数・箱ひげ図といった記述統計全般と、機械学習との接続（標準化・正規化）が出題トレンドとして強まっている。基本情報技術者では分散（標準偏差の2乗）・共分散・相関係数の計算および標準正規分布表の読み取りまで出題される。

選択肢の発展補足

社会（差16点÷σ9≈1.78）と国語（差9点÷σ5＝1.80）は概算では僅差であり、素早い暗算では取り違えやすい。差が大きいほど偏差値が高くなるのは直感的だが、ばらつきの小さい集団では同じ差でも「突出して見える」ため偏差値が跳ね上がる、という正規分布の性質を体感的に理解することが重要である。具体例として、全員が58点±1点という均質な集団で71点を取れば偏差値は160超になるが、全員の点数が0〜100点にランダムに分布する集団（σが大きい）では71点の偏差値は60前後にとどまる。この「集団のばらつきが小さいほど突出が際立つ」という直感が、機械学習での特徴量スケールの影響（σの大きい特徴量が学習を支配する問題）を理解する基礎となる。偏差値以外の標準化として、0〜1の範囲に変換する最小最大正規化（Min-Max Normalization）も実務・試験の両面で重要な対比概念である。