データサイエンス力　カテゴリ別問題集

順列・組み合わせ、条件付き確率

データサイエンス力　順列・組み合わせ・条件付き確率から15問をランダムに出題します。

1 / 15

Category: データサイエンス力

6人の生徒から2人を選んでペアを作る組み合わせは何通りあるか

30通り

20通り

15通り

12通り

組み合わせの公式を用いて、6人の生徒から2人を選ぶ方法は通りです。

2 / 15

Category: データサイエンス力

5人の生徒がいるクラスで、生徒会長と副会長を選ぶ方法は何通りあるか

25通り

30通り

20通り

10通り

生徒会長と副会長は別々の人を選ぶ必要があるため、順列の公式を使用します。5人から2人を選ぶ順列は

5 P 2 = 5 \times 4 = 20

通りです。

生徒会長と副会長は別々の人を選ぶ必要があるため、順列の公式を使用します。5人から2人を選ぶ順列は

5 P 2 = 5 \times 4 = 20

通りです。

3 / 15

Category: データサイエンス力

ある病院で、ある病気の患者が治療に成功する確率は0.7です。治療に成功した患者が再発しない条件付き確率は0.9です。治療に成功し、かつ再発しない同時確率はどれか

0.56

0.77

0.81

0.63

治療に成功する確率は0.7、治療に成功した患者が再発しない条件付き確率は0.9です。これらの情報から、治療に成功し、かつ再発しない同時確率は、と計算できます。

4 / 15

Category: データサイエンス力

あるオフィスで、従業員が定時に出勤する確率は0.95です。定時出勤と業務目標達成の同時確率は0.855でした。定時に出勤した従業員がその日の業務目標を達成する条件付き確率はどれか

0.95

0.9

0.99

0.85

定時に出勤する確率が0.95であり、定時に出勤した従業員が業務目標を達成する条件付き確率を求めるには、定時出勤と業務目標達成の同時確率と定時出勤する確率が必要です。条件付き確率はとなります。

5 / 15

Category: データサイエンス力

ある学校で、生徒が数学のテストで80点以上を取る確率は0.6です。数学と英語の両方で80点以上取る確率は0.42でした。数学で80点以上を取った生徒が英語でも80点以上を取る条件付き確率はどれか

0.6

0.3

0.4

0.7

数学で80点以上を取る確率が0.6であり、数学で80点以上を取った生徒が英語でも80点以上を取る条件付き確率を求めるには、数学と英語の両方で80点以上を取る同時確率と数学で80点以上を取る確率が必要です。条件付き確率はとなります。

6 / 15

Category: データサイエンス力

サイコロを2回投げるとき、最初に偶数が出る確率は1/2です。最初に偶数が出た場合、次に奇数が出る条件付き確率はどれか

1/2

2/3

1/3

1/4

サイコロを投げる事象は独立しているため、最初に偶数が出たという条件は次に奇数が出る確率に影響しません。したがって、次に奇数が出る条件付き確率

P (奇数 ∣ 偶数)

は、単純に奇数が出る確率と同じ1/2です。

P (奇数 ∣ 偶数)

は、単純に奇数が出る確率と同じ1/2です。

7 / 15

Category: データサイエンス力

6人の候補者から委員長、副委員長、書記の3役を選ぶ方法は何通りあるか

216通り

120通り

60通り

20通り

順列の公式を用いて、6人から3役を選ぶ方法は

6 P 3 = 6 \times 5 \times 4 = 120

通りです。

順列の公式を用いて、6人から3役を選ぶ方法は

6 P 3 = 6 \times 5 \times 4 = 120

通りです。

8 / 15

Category: データサイエンス力

10個の異なるマーブルから4個を選ぶ組み合わせは何通りあるか

720通り

210通り

5040通り

120通り

組み合わせの公式を使用して、10個のマーブルから4個を選ぶ方法は通りです。

9 / 15

Category: データサイエンス力

あるイベントで、参加者が景品を当てる確率は0.2です。景品当選した参加者が追加ゲームに同時確率は0.06でした。景品を当てた参加者が追加のゲームにも勝つ条件付き確率はどれか

0.2

0.3

0.1

0.4

景品を当てる確率が0.2であり、景品を当てた参加者が追加のゲームにも勝つ条件付き確率を求めるには、景品当選と追加ゲーム勝利の同時確率と景品当選の確率が必要です。条件付き確率はとなります。

10 / 15

Category: データサイエンス力

あるアプリのユーザーが広告をクリックする確率は0.3です。広告をクリックしたユーザーが商品を購入する条件付き確率は0.1です。広告をクリックし、かつ商品を購入する同時確率はどれか

0.3

0.03

0.13

0.1

広告をクリックする確率は0.3、広告をクリックしたユーザーが商品を購入する条件付き確率は0.1です。これらの情報から、広告をクリックし、かつ商品を購入する同時確率は、と計算できます。

11 / 15

Category: データサイエンス力

9人の選手からキャプテンと副キャプテンを選ぶ方法は何通りあるか

36通り

45通り

81通り

72通り

キャプテンと副キャプテンは別々の人を選ぶ必要があるため、順列の公式を使用します。9人から2人を選ぶ順列は

9 P 2 = 9 \times 8 = 72

通りです。

キャプテンと副キャプテンは別々の人を選ぶ必要があるため、順列の公式を使用します。9人から2人を選ぶ順列は

9 P 2 = 9 \times 8 = 72

通りです。

12 / 15

Category: データサイエンス力

5個の異なる色のペンから2個を選んで並べる順列は何通りあるか

10通り

20通り

25通り

30通り

順列の公式により、5個のペンから2個を選んで並べる方法は

5 P 2 = 5 \times 4 = 20

通りです。

順列の公式により、5個のペンから2個を選んで並べる方法は

5 P 2 = 5 \times 4 = 20

通りです。

13 / 15

Category: データサイエンス力

8個の異なるボールから2個を選んで並べる順列は何通りあるか

16通り

64通り

28通り

56通り

順列の公式により、8個のボールから2個を選んで並べる方法は

8 P 2 = 8 \times 7 = 56

通りです。

順列の公式により、8個のボールから2個を選んで並べる方法は

8 P 2 = 8 \times 7 = 56

通りです。

14 / 15

Category: データサイエンス力

7冊の異なる本から3冊を選ぶ組み合わせは何通りあるか

21通り

105通り

35通り

210通り

組み合わせの公式を使用して、7冊の本から3冊を選ぶ方法は通りです。

15 / 15

Category: データサイエンス力

あるクラスで、全員が宿題を提出する確率は0.9です。宿題を提出した生徒がテストでAを取る条件付き確率は0.8です。宿題を提出し、かつテストでAを取る同時確率はどれか

0.8

0.72

0.9

0.82

宿題を提出する確率は0.9、宿題を提出した生徒がテストでAを取る条件付き確率は0.8です。これらの情報から、宿題を提出し、かつテストでAを取る同時確率は、と計算できます。

Your score is

平均・中央値・最頻値、分散・標準偏差

データサイエンス力　平均・中央値・最頻値・分散・標準偏差から10問をランダムに出題します。

1 / 10

Category: データサイエンス力

標準偏差が9のデータセットの分散は次のうちどれか

標準偏差は分散の平方根です。したがって、標準偏差が9の場合、分散はです。

2 / 10

Category: データサイエンス力

次のデータセット {5, 7, 12, 13, 13, 14, 21, 23, 23, 23} の中央値はいくつか

13.5

データの個数が偶数なので、中央に来る2つのデータ 13 と 14 の平均を取ります。したがって、中央値は (13 + 14) / 2 = 27 / 2 = 13.5 となります。

3 / 10

Category: データサイエンス力

次のデータセット {4, 8, 15, 16, 23, 42} の中央値はいくつか

15.5

データセットを小さい順に並べると {4, 8, 15, 16, 23, 42} となります。データの個数が偶数なので、中央に来る2つのデータ 15 と 16 の平均を取ります。したがって、中央値は (15 + 16) / 2 = 31 / 2 = 15.5 となります。

4 / 10

Category: データサイエンス力

以下のデータセット {3, 3, 4, 5, 5, 5, 6, 7, 7, 7, 7} の最頻値はいくつか

このデータセットには複数の値が含まれていますが、最も頻度が高いのは 7 です。7 はデータセット内で 4 回出現しており、他のどの値よりも多いため、最頻値は 7 です。

5 / 10

Category: データサイエンス力

次のデータセット {2, 3, 3, 3, 4, 4, 5, 5, 5, 5, 5} における平均値はいくつか

3.5

4.5

すべてのデータの合計は 2+3+3+3+4+4+5+5+5+5+5 = 44 です。データの個数は 11 個なので、平均値は 44 / 11 = 4 です。

6 / 10

Category: データサイエンス力

データセットの分散が16である場合、標準偏差は次のうちのどれか

分散は各データと平均値との差の2乗の平均であり、標準偏差は分散の平方根です。したがって、分散が16の場合、標準偏差はとなります。

7 / 10

Category: データサイエンス力

標準偏差の説明として最も不適切なものは次のうちどれか

データのバラツキを表す

sやSDで表される

各データと平均値との差の合計

分散の平方根

標準偏差は分散の平方根であり、データのバラツキを表します。各データと平均値との差の合計ではなく、その差の2乗の平均の平方根です。

8 / 10

Category: データサイエンス力

次のデータセット {1, 2, 2, 3, 3, 3, 4, 4, 4, 4} の最頻値はいくつか

このデータセットでは、4 が最も多く出現しています。4 はデータセット内で 4 回出現しており、最頻値は 4 です。

9 / 10

Category: データサイエンス力

次の記述のうち、標準偏差に関して正しいものはどれか

平均よりも常に大きい値を持つ

分散の2乗

分散の平方根

平均よりも常に小さい値を持つ

標準偏差は分散の平方根です。平均よりも大きい値や小さい値を持つわけではありません。

10 / 10

Category: データサイエンス力

分散の定義を最も正確に表しているのは次のうちどれか

各データと平均値との差

各データの平均値

各データと平均値との差の2乗の合計

各データと平均値との差の2乗の平均

分散はデータのバラツキを表す統計量で、各データと平均値との差の2乗の平均を取ることで計算されます。これにより、データの散らばり具合を正の数で表現できます。

Your score is

母集団・標本平均・不偏分散・標本分散、標準正規分布

データサイエンス力　母集団、標本平均、不偏分散、標本分散・標準正規分布から9問をランダムに出題します。

1 / 9

Category: データサイエンス力

標準正規分布において、確率変数Zが0以上の値を取る確率は次のうちどれか

約50%

約100%

約25%

約0%

標準正規分布は平均を中心に左右対称であるため、Zが0以上の値を取る確率はちょうど50%です。

2 / 9

Category: データサイエンス力

標準正規分布の確率密度関数のグラフはどのような形をしているか

負の指数関数の形

U字型の曲線

正の指数関数の形

ベル型の曲線

標準正規分布の確率密度関数のグラフは、ベル型の曲線をしています。これは、平均を中心に左右対称で、端に向かうにつれて確率が低くなる特性を持っています。

3 / 9

Category: データサイエンス力

不偏分散は何を修正するために使用されるか

標本中央値の偏り

標本最頻値の誤差

標本分散の過小評価

標本平均の過大評価

不偏分散は、標本分散が母分散よりも小さくなる傾向を修正するために使用されます。これにより、母分散のより良い推定値を得ることができます。

4 / 9

Category: データサイエンス力

次のうち、標準正規分布の特性に関する正しい記述はどれか

分散が大きいほど、曲線は狭くなる。

曲線は左右非対称である。

曲線の下の面積は100%を超える。

平均値の周りにデータが集中している。

標準正規分布は、平均値を中心にデータが集中する特性を持っています。これは、ベル型の曲線が示す特性の一つです。

5 / 9

Category: データサイエンス力

標本分散を母分散の推定にそのまま使用すると何が起こるか

母分散が過小評価される

母分散が過大評価される

母分散の推定に影響しない

母分散が正確に推定される

標本分散をそのまま使用すると、母分散が過小評価される傾向があります。これは、標本分散が母平均ではなく標本平均を使用して計算されるためです。

6 / 9

Category: データサイエンス力

母集団のデータを全て収集することが不可能な場合、通常どのようにして母集団の特性を推定するか

母集団の推定値を計算する

標本の推定値を計算する

標本を分析する

標本のデータを無視する

母集団のデータを全て収集することは通常不可能です。そのため、標本を分析することで母集団の特性を推定します。

7 / 9

Category: データサイエンス力

次のうち、標準正規分布に関する正しい記述はどれか

平均は1、分散は0です。

平均は0、分散は1です。

平均も分散も1です。

平均も分散も0です。

標準正規分布は、平均が0、分散が1の正規分布です。これは、標準正規分布の定義に基づいています。

8 / 9

Category: データサイエンス力

母集団の特性を推定するために通常分析されるのは次のうちどれか

母平均

母分散

標本

母集団

母集団は通常、データ数が膨大であり、全てを分析することは不可能です。そのため、母集団から抽出された標本を分析することで、母集団の特性を推定します。

9 / 9

Category: データサイエンス力

標準正規分布の確率密度関数において、曲線の最高点はどこにあるか

Z = 0.00

Z = 1.00

Z = 2.00

Z = -1.00

標準正規分布の確率密度関数は平均を中心に最高点を持ちます。標準正規分布では平均が0なので、曲線の最高点はZ = 0.00にあります。

Your score is

相関関係・因果関係、名義尺度・順序尺度・間隔尺度・比例尺度

データサイエンス力　相関関係・因果関係、名義尺度・順序尺度・間隔尺度・比例尺度から9問をランダムに出題します。

1 / 9

Category: データサイエンス力

名義尺度に関する記述として最も適切なものはどれか

等級や満足度の比較が可能。

数値は内容を区別するためだけに使用。

平均値の計算に意味がある。

等号での比較ができない。

名義尺度は、内容を区別するために数値が与えられているデータの尺度です。等級や満足度の比較が可能なのは順序尺度であり、平均値の計算に意味があるのは量的データです。等号での比較ができないのは名義尺度の特徴ではありません。

2 / 9

Category: データサイエンス力

次のデータのうち、順序尺度に該当するものはどれか

国籍

血圧の数値

映画の評価（星1つから星5つ）

年齢

順序尺度は大小の比較が可能なデータの尺度です。映画の評価は星の数で大小を比較できるため、順序尺度に該当します。年齢と血圧の数値は量的データであり、国籍は名義尺度です。

3 / 9

Category: データサイエンス力

データの尺度に関する説明で、名義尺度と順序尺度の違いを最もよく表しているのはどれか

順序尺度は間隔が明確である

名義尺度は大小の比較が可能。

名義尺度は数値が内容を区別するためだけに使用。

順序尺度は平均値の計算に意味がある。

名義尺度は内容を区別するために数値が与えられており、大小の比較はできません。順序尺度は大小の比較が可能ですが、平均値の計算には意味がありません。

4 / 9

Category: データサイエンス力

間隔尺度と比例尺度の違いを最もよく表しているのはどれか

間隔尺度は倍率の計算が可能。

比例尺度は絶対的なゼロ点を持ち、倍率の計算が可能。

間隔尺度は絶対的なゼロ点を持つ。

比例尺度は絶対的なゼロ点を持たない。

比例尺度は絶対的なゼロ点を持ち、倍率の計算が可能ですが、間隔尺度は絶対的なゼロ点を持たず、倍率の計算はできません。

5 / 9

Category: データサイエンス力

次のうち、相関関係があるが因果関係がない可能性が最も高いのはどれか

喫煙と肺がんの発症率

チョコレートの消費量とノーベル賞受賞者数

教育レベルの高さと収入の多さ

テレビの視聴時間と視力の低下

チョコレートの消費量とノーベル賞受賞者数には相関関係が見られることがありますが、これは偶然の一致であるか、他の要因によるものである可能性が高いです。このような関係を擬似相関と呼びます。

6 / 9

Category: データサイエンス力

順序尺度に関する記述として最も適切でないものはどれか

等号での比較ができる。

間隔が明確でない。

等級の比較が可能。

平均値の計算に意味がある。

順序尺度は大小の比較のみ可能なデータの尺度であり、間隔が明確でないため、通常は平均値は意味を持ちません。

7 / 9

Category: データサイエンス力

次のうち、相関関係があっても因果関係がない可能性が高いのはどれか

熱中症の患者数の増加とアイスクリームの売上の増加

気温の上昇とアイスクリームの売上の増加

早起きの習慣と年収の高さ

運動の習慣と健康状態の良好さ

熱中症の患者数とアイスクリームの売上の増加には相関関係がありますが、これらは気温という共通の外部因子によって引き起こされるため、因果関係はないと考えられます。これを擬似相関と呼びます。

8 / 9

Category: データサイエンス力

比例尺度に該当するデータは次のうちどれか

偏差値

満足度ランキング

血液型

価格

比例尺度は絶対的なゼロ点を持ち、平均値や倍率の計算が可能なデータの尺度です。価格は絶対的なゼロ点を持ち、倍率の計算が可能なため、比例尺度に該当します。満足度ランキングは順序尺度、偏差値は量的データですが、比例尺度ではありません。

9 / 9

Category: データサイエンス力

データの尺度についての説明で、間隔尺度に関する記述として最も適切なものはどれか

倍率の計算ができる

絶対的なゼロ点を持つ。

和や差の計算に意味がない。

温度や日付などの尺度。

間隔尺度は絶対的なゼロ点を持たず、温度や日付などが該当します。倍率の計算はできませんが、和や差の計算には意味があります。

Your score is

相関係数、確率分布

データサイエンス力　相関係数、確率分布から12問をランダムに出題します。

1 / 12

Category: データサイエンス力

ベルヌーイ分布についての記述として正しいものはどれか

試行回数が増えると正規分布に近づく。

成功確率が0.5未満の場合のみ使用される。

任意の自然数の値を取ることができる。

2つの結果のみを持つ試行の結果を表す。

ベルヌーイ分布は、2つの結果（例えば「成功、失敗」や「表、裏」）のみを持つ試行の結果を表す確率分布です。成功確率は0.5に限定されず、任意の値を取ることができます。また、ベルヌーイ分布は離散型確率分布であり、連続型確率分布の特性を持ちません。

2 / 12

Category: データサイエンス力

二項分布は、試行回数nが大きくなるとどのような分布に近似されることが知られているか

指数分布

一様分布

ポアソン分布

正規分布

二項分布は、試行回数nが大きくなると正規分布に近似されることが知られています。これは中心極限定理の一例であり、nが十分に大きい場合、二項分布の形状は正規分布のベルカーブに似た形になります。

3 / 12

Category: データサイエンス力

ピアソンの相関係数は次のどのようなデータに対して計算することが適切か

比例尺度のデータ

すべての尺度のデータ

順序尺度のデータ

名義尺度のデータ

ピアソンの相関係数は量的データに対して計算することが適切であり、比例尺度や間隔尺度のデータに用いられます。順序尺度や名義尺度のデータでは計算できません。

4 / 12

Category: データサイエンス力

相関係数が1または-1に近い値を取るとき、どのような関係性が考えられるか

中程度の相関がある

弱い相関がある

相関関係は存在しない

強い相関がある

相関係数が1または-1に近い値を取るとき、変数間には強い相関関係があると言えます。1に近い場合は強い正の相関、-1に近い場合は強い負の相関があります。

5 / 12

Category: データサイエンス力

二項分布の確率質量関数を用いて計算される確率は、どのような状況で特に有用か

各試行が互いに独立している場合

pが0.5よりも大きい場合

nとpがともに1に近い場合

nが非常に小さい場合

二項分布の確率質量関数を用いて計算される確率は、各試行が互いに独立している場合に特に有用です。これは、二項分布が独立したベルヌーイ試行の結果をモデル化するために使用されるためです。各試行の結果が他の試行に影響を与えないという仮定が重要です。この仮定が成り立つ場合、二項分布は正確な確率計算を提供します。

6 / 12

Category: データサイエンス力

カイ二乗分布についての記述として正しいものはどれか

任意の実数値を取ることができる。

平均λ回起こる現象の期間を表す。

成功確率が0.5でなければならない。

互いに独立な標準正規分布の2乗和が従う。

カイ二乗分布は、互いに独立な標準正規分布に従う確率変数の2乗和が従う連続確率分布です。これは統計的検定などで利用され、成功確率や平均λ回起こる現象の期間を表す分布ではありません。

7 / 12

Category: データサイエンス力

連続型確率分布について正しいものはどれか

自然数のみを取る確率分布である。

成功確率が0.5でなければならない。

稀な現象を表現するのに用いられる。

確率変数が実数値を取る場合の確率分布である。

連続型確率分布は、確率変数が実数値を取る場合の確率分布です。これは、身長や体重など、連続的な値を取る変数の確率分布を表します。

8 / 12

Category: データサイエンス力

正規分布についての記述として正しいものはどれか

成功確率が0.5でなければならない。

稀な現象を表現するのに用いられる。

自然数のみを取る確率分布である。

平均・中央値・最頻値が一致する。

正規分布は、平均・中央値・最頻値が一致する連続型確率分布です。これは理論的に扱いやすく、多くの自然現象や社会現象に適用されます。正規分布は離散型確率分布ではなく、稀な現象を表現するのには通常用いられません。

9 / 12

Category: データサイエンス力

ポアソン分布についての記述として正しいものはどれか

試行回数が増えると正規分布に近づく。

連続型確率分布の一種である。

単位時間あたり平均λ回起こる現象を表す。

成功確率が時間とともに変化する。

ポアソン分布は、単位時間あたり平均λ回起こる現象がx回起こる確率を表す確率分布です。これは離散型確率分布であり、連続型確率分布ではありません。また、成功確率は一定と考えられます。

10 / 12

Category: データサイエンス力

二項分布についての記述として正しいものはどれか

平均λ回起こる現象を表す。

任意の実数値を取ることができる。

ベルヌーイ試行の確率分布である。

成功確率が0.5でなければならない。

二項分布は、n回のベルヌーイ試行でx回成功する確率を表す確率分布です。成功確率は0.5に限定されず、任意の値を取ることができます。また、二項分布は離散型確率分布であり、実数値を取ることはありません。

11 / 12

Category: データサイエンス力

相関係数が0.8の場合、以下のうちどのような関係性が考えられるか

相関関係は存在しない

強い正の相関がある

強い負の相関がある

弱い正の相関がある

相関係数が0.8の場合、変数xが増加すると変数yも増加する傾向が強いことを示しています。相関係数が1に近いほど、その相関関係は強くなります。したがって、この場合は強い正の相関があると言えます。

12 / 12

Category: データサイエンス力

相関係数が-0.4の場合、以下のうちどのような関係性が考えられるか

相関関係は存在しない

弱い負の相関がある

強い負の相関がある

強い正の相関がある

相関係数が-0.4の場合、変数xが増加すると変数yが減少する傾向がありますが、この値は中程度の相関を示しているため、弱い負の相関があると言えます。

Your score is

ピアソンの積率相関・スピアマンの順位相関、ベイズの定理、ベクトル

データサイエンス力　ピアソンの積率相関・スピアマンの順位相関、ベイズの定理、ベクトルから10問をランダムに出題します。

1 / 10

Category: データサイエンス力

n次元ベクトルとはどのようなベクトルか

n個の要素を持つベクトル

任意の大きさを持つベクトル

要素がすべて0のベクトル

大きさが1のベクトル

n次元ベクトルとは、n個の要素（成分）を持つベクトルのことを指します。例えば、2次元ベクトルは2つの成分を持ちます。

2 / 10

Category: データサイエンス力

ある病気に対する新しい検査方法が開発されました。この検査方法によると、病気の人が陽性と判定される確率は97%、健康な人が陰性と判定される確率は99%です。この地域の病気の罹患率が2%の場合、陽性と判定された人が実際に病気である確率はどれくらいか

約97%

約66%

約12%

約63%

ベイズの定理によると、テストが陽性である人が実際に病気である確率（事後確率）は次のように計算できます。ここで、

は全体の陽性率で、これは次のように計算できます。健康な人が誤って陽性と判定される確率（偽陽性率）は、1から特異度を引いたものです。そして、健康な人の確率（P(健康)）は、1から罹患率を引いたものです。これらの値を使って、全体の陽性率を計算します。最後に、事後確率を計算します。つまり、テストが陽性であった場合、その人が実際に病気である確率は約 66.44% となります。

ベイズの定理によると、テストが陽性である人が実際に病気である確率（事後確率）は次のように計算できます。ここで、

3 / 10

Category: データサイエンス力

ある検査が陽性であった場合、その人が実際に病気である確率は次のうちどれか
以下の情報を考慮してください。

・病気の人が検査で陽性と判定される確率: 98%

・健康な人が検査で陰性と判定される確率: 90%

・実際の罹患率: 5%

約23%

約75%

約34%

約20%

ベイズの定理によると、テストが陽性である人が実際に病気である確率（事後確率）は次のように計算できます。ここで、

4 / 10

Category: データサイエンス力

単位ベクトルとはどのようなベクトルか

1つの要素だけが1のベクトル

要素がすべて1のベクトル

長さが1のベクトル

任意の大きさを持つベクトル

単位ベクトルとは、大きさ（ノルム）が1であるベクトルのことを指します。方向は任意ですが、大きさは常に1です。

5 / 10

Category: データサイエンス力

ベクトルの要素（成分）とは次のうち何を指すか

ベクトルの次元数

ベクトルを構成する個々の数値

ベクトルの方向

ベクトルの大きさ

ベクトルの要素（成分）とは、ベクトルを構成する個々の数値のことを指します。例えば、3次元ベクトルであれば、3つの成分があります。

6 / 10

Category: データサイエンス力

ゼロベクトルとはどのようなベクトルか

任意の大きさを持つベクトル

大きさが1のベクトル

要素がすべて0のベクトル

1つの要素だけが0のベクトル

ゼロベクトルとは、すべての要素が0であるベクトルのことを指します。これは、どの次元のベクトルにおいても同じです。

7 / 10

Category: データサイエンス力

統計学において、相関係数は変数間の関係性を理解するための重要な指標です。次のうち、最も適切な記述はどれか

スピアマンの順位相関は、量的データには適用されない。

ピアソンの積率相関は、順位データに最適である。

ピアソンの積率相関は、変数間の線形関係のみを評価する。

スピアマンの順位相関は、値の増加の幅を評価する。

ピアソンの積率相関は、2つの量的変数間の線形関係の強さを測定するために使用されます。

8 / 10

Category: データサイエンス力

スカラーとベクトルの違いは次のうちどれか

ベクトルには方向がない

スカラーには大きさがない

スカラーは方向を持たない数値

ベクトルは大きさを持たない

スカラーは方向を持たない単一の数値であり、ベクトルは大きさと方向の両方を持つ数学的な対象です。

9 / 10

Category: データサイエンス力

ピアソンの積率相関とスピアマンの順位相関の違いの説明として、次のうち最も適切でない記述はどれか

ピアソンの積率相関は量的データに適用される。

スピアマンの順位相関はピアソンの積率相関を用いて計算できる。

スピアマンの順位相関は値の増加の幅も評価する。

スピアマンの順位相関は順位データの単調関係を評価する。

スピアマンの順位相関は、値の増加の幅を考慮せずに、順位データの単調関係のみを評価します。

10 / 10

Category: データサイエンス力

統計学における相関関係の分析では、データの種類に応じて適切な相関係数を選択することが求められます。次のうち、最も適切でない記述はどれか

スピアマンの順位相関は変数間の単調関係を示す。

ピアソンの積率相関は順位データにも最適である。

ピアソンの積率相関は2つの量的変数の線形関係を測定する。

スピアマンの順位相関は非線形関係でも適用可能である。

ピアソンの積率相関は量的変数間の線形関係を測定するために使用され、順位データには最適ではありません。

Your score is

行列、微分・積分

データサイエンス力　行列、微分・積分から8問をランダムに出題します。

1 / 8

Category: データサイエンス力

行列のスカラー乗算に関する次の記述のうち、正しいものはどれか

スカラーを行列に掛けると、行列のサイズが変わる。

スカラーを行列に掛けると、結果は常にゼロ行列になる。

スカラーを行列に掛けると、行列のすべての要素がそのスカラーで割られる。

スカラーを行列に掛けると、行列のすべての要素がそのスカラーで乗算される。

スカラーを行列に掛けると、行列のすべての要素がそのスカラーで乗算されます。これにより、行列の各要素はスカラー倍されますが、行列のサイズは変わりません。

2 / 8

Category: データサイエンス力

行列の特別な種類に関する次の記述のうち、誤っているものはどれか

正方行列は、任意の行列に対して定義される。

スカラー行列は、対角要素がすべて同じ数で、それ以外の要素が0である正方行列である。

ゼロ行列は、すべての要素が0である行列である。

単位行列は、対角要素がすべて1で、それ以外の要素が0である。

正方行列は、行と列の数が同じである行列を指します。したがって、任意の行列が正方行列であるわけではありません。

3 / 8

Category: データサイエンス力

関数の点 (1,1) での接線の傾きはいくつですか？

関数の導関数はです。点 (1,1) での傾きはとなります。

4 / 8

Category: データサイエンス力

定積分の値は次のうちどれか

1.5

0.5

定積分の値を求めるには、関数を積分して、上限と下限の値を代入します。
関数の不定積分はです。したがって、定積分は次のように計算できます。

よって、定積分の値は0.5です。

5 / 8

Category: データサイエンス力

次の記述のうち、行列の積に関して正しいものどれか

行列の積は交換法則が成り立つため、ABとBAは常に等しい。

n×m行列Aとm×p行列Bの積は、n×p行列となる。

任意のm×n行列とp×q行列の積は常に定義できる。

2つの行列の積は、それぞれの行列の要素を足し合わせることで計算できる。

行列の積は、一方の行列の列の数と他方の行列の行の数が同じである場合にのみ定義できます。この場合、n×m行列Aとm×p行列Bの積はn×p行列となります。

6 / 8

Category: データサイエンス力

関数の x = 1 での接線の傾きはどうなりますか？

無限大

-1

関数の導関数はです。x = 1 のときの傾きはとなります。

7 / 8

Category: データサイエンス力

行列の和と差に関する次の記述のうち、誤っているものはどれか

2つの行列の和と差は、それぞれの行列が同じサイズである必要がある。

2つの行列の和は、対応する要素同士を足し合わせることで計算される。

2つの行列の差は、対応する要素同士を引き算することで計算される。

2つの行列の和を取るためには、行列のサイズが異なっても構わない。

2つの行列の和や差を計算するためには、それぞれの行列が同じサイズである必要があります。

8 / 8

Category: データサイエンス力

関数の x = での接線の傾きはいくつか

無限大

-1

関数の導関数はです。x = のときの傾きはとなります。

Your score is

単回帰分析・重回帰分析

データサイエンス力　単回帰分析・重回帰分析から11問をランダムに出題します。

1 / 11

Category: データサイエンス力

重回帰分析において、各説明変数の目的変数に対する影響度を直接比較するためには、どの回帰係数を用いるか

偏回帰係数

多重共線性

重相関係数

標準偏回帰係数

標準偏回帰係数を用いると、各説明変数の目的変数に対する影響度を直接比較できます。これは、説明変数を標準化した後の回帰係数です。

2 / 11

Category: データサイエンス力

重回帰分析における回帰係数が示すものとして正しいものはどれか

各説明変数の重要性

目的変数の実測値

目的変数の予測値

説明変数の予測値

重回帰分析における回帰係数は、各説明変数が目的変数に与える影響の大きさ、つまり重要性を示します。

3 / 11

Category: データサイエンス力

重回帰分析において、説明変数間で強い相関がある現象を何と呼ぶか

重相関係数

標準偏回帰係数

多重共線性

偏回帰係数

多重共線性とは、説明変数間で強い相関がある場合、相関の強い説明変数どうしがそれぞれ目的変数に同じように影響力を行使することで、標準偏回帰係数が正しく評価できなくなる現象です。

4 / 11

Category: データサイエンス力

重回帰分析で、説明変数の目的変数に対する影響度を正しく測定するためには、何を行う必要があるか

偏回帰係数を最大化する

説明変数を標準化する

目的変数を標準化する

多重共線性を無視する

説明変数の単位や大きさが統一されていない場合、目的変数に対する影響度を正しく測定するためには、説明変数を平均0、標準偏差1に標準化する必要があります。

5 / 11

Category: データサイエンス力

単回帰分析において、説明変数と目的変数の関係性を表現する式は次のうちどれか

y = ax/b

y = a + bx

y = a/b + x

y = ax + b

単回帰分析では、一つの説明変数から目的変数を予測するために、y = ax + b の形式で表されます。ここで、aは傾き、bは切片を表します。

6 / 11

Category: データサイエンス力

重回帰分析において、目的変数の実測値と予測値の相関係数を何と呼ぶか

偏回帰係数

標準偏回帰係数

多重共線性

重相関係数

重回帰分析では、目的変数の実測値と予測値の相関係数を重相関係数と呼び、これは0から1の値を取ります。重相関係数が1に近いほど、予測精度が高いことを意味します。

7 / 11

Category: データサイエンス力

回帰分析において、回帰係数の妥当性をはかる際に確認する統計量は次のうちどれか

モード

平均値

中央値

標準誤差

回帰係数の妥当性をはかる際には、標準誤差やp値などの統計量を確認します。標準誤差は回帰係数のばらつきを表す指標です。

8 / 11

Category: データサイエンス力

単回帰分析において、傾きaは何を表すか

説明変数と目的変数の関係の強さ

説明変数の平均値

説明変数と目的変数の関係の方向

目的変数の平均値

傾きaは、説明変数と目的変数の関係の強さを表します。aが大きいほど、説明変数の変化に対する目的変数の変化も大きくなります。

9 / 11

Category: データサイエンス力

重回帰分析における重相関係数が1に近い場合、何を意味するか

説明変数が不十分である

予測精度が低い

予測精度が高い

多重共線性が存在する

重相関係数が1に近い場合、目的変数の実測値と予測値の相関が高く、予測精度が高いことを意味します。

10 / 11

Category: データサイエンス力

多重共線性を発見するためには、どのような手法を用いることができるか

偏回帰係数の符号を確認する

散布図行列を用いる

相関行列を用いる

選択肢すべての手法を用いることができる

多重共線性は、偏回帰係数の符号、散布図行列、相関行列を用いた手法や主成分分析などで発見することができます。

11 / 11

Category: データサイエンス力

最小二乗法によって求められる回帰係数は何を最小化するか

説明変数の値

予測値と実測値の差

予測値と実測値の差の二乗和

目的変数の値

最小二乗法は、予測値と実測値の差の二乗和を最小化することによって、最も適切な回帰係数を求める方法です。

Your score is

ROC曲線・AUC、混同行列・Accuracy・Precision・Recall・F値

データサイエンス力　ROC曲線・AUC、混同行列・Accuracy・Precision・Recall・F値から10問をランダムに出題します。

1 / 10

Category: データサイエンス力

次のうち、Recall（再現率）を最も正確に説明しているのはどれか

実測値が正例のレコードのうち負例と予測された割合

実測値が正例のレコードのうち正例と予測された割合

実測値が負例のレコードのうち負例と予測された割合

正例と予測されたレコードのうち実測値が負例の割合

Recall（再現率）は、実測値が正例のレコードのうち正例と予測された割合を指し、実際の正例をどれだけ捉えられたかを測る指標です。

2 / 10

Category: データサイエンス力

次のうち、Precision（適合率）を最も正確に説明しているのはどれか

正例と予測されたレコードのうち実測値が負例の割合

負例と予測されたレコードのうち実測値が負例の割合

正例と予測されたレコードのうち実測値が正例の割合

実測値が正例のレコードのうち正例と予測された割合

Precision（適合率）は、正例と予測したレコードのうち実測値が正例である割合を指し、予測の正確さを測る指標です。

3 / 10

Category: データサイエンス力

2値分類問題において、予測値が正例で実測値が負例である場合、これは何と呼ぶか

False Negative (FN)

False Positive (FP)

True Negative (TN)

True Positive (TP)

予測値が正例で実測値が負例の場合、これは偽陽性（False Positive, FP）と呼ばれ、予測が誤りであることを意味します。

4 / 10

Category: データサイエンス力

2値分類問題において、モデルが犬の写真を正しく犬と識別した場合、これを何と呼ぶか

真陰性

偽陰性

偽陽性

真陽性

真陽性は、モデルが正例（ここでは犬の写真）を正しく正例と識別した場合の数を指します。したがって、モデルが犬の写真を正しく犬と識別した場合は真陽性となります。

5 / 10

Category: データサイエンス力

ROC曲線のAUCが1.0に近いほど、モデルの精度はどうなるか

非常に低い

非常に高い

やや高い

やや低い

ROC曲線のAUC（Area Under the Curve）が1.0に近いほど、モデルの精度は非常に高いと評価されます。AUCが1.0であれば、モデルの精度は100%となります。

6 / 10

Category: データサイエンス力

2値分類問題において、予測値が正例で実測値も正例である場合、これは何と呼ぶか

True Positive (TP)

True Negative (TN)

False Negative (FN)

False Positive (FP)

予測値が正例で実測値も正例の場合、これは真陽性（True Positive, TP）と呼ばれ、予測が正しいことを意味します。

7 / 10

Category: データサイエンス力

2値分類問題において、PrecisionとRecallの関係を最も正確に説明しているのはどれか

PrecisionとRecallは独立している

Precisionを高めるとRecallも高まる

Precisionを高めるとRecallが低下する可能性がある

Precisionを低めるとRecallも低下する

PrecisionとRecallはトレードオフの関係にあり、一方を高めると他方が低下する可能性があります。

8 / 10

Category: データサイエンス力

次のうち、F値を最も正確に説明しているのはどれか

PrecisionとRecallの相乗平均

PrecisionとRecallの算術平均

PrecisionとRecallの調和平均

PrecisionとRecallの幾何平均

F値は、PrecisionとRecallの調和平均であり、両方のバランスを重視した評価指標です。

9 / 10

Category: データサイエンス力

2値分類問題において、モデルが犬以外の写真を誤って犬と識別した場合、これを何と呼ぶか

偽陽性

真陽性

真陰性

偽陰性

偽陽性は、モデルが負例（ここでは犬以外の写真）を誤って正例と識別した場合の数を指します。したがって、モデルが犬以外の写真を誤って犬と識別した場合は偽陽性となります。

10 / 10

Category: データサイエンス力

次のうち、Accuracy（正解率）を最も正確に説明しているのはどれか

実測値が正例のレコードのうち正例と予測された割合

正例と予測されたレコードのうち実測値が正例の割合

正解のレコード数をすべてのレコード数で割った割合

負例と予測されたレコードのうち実測値が負例の割合

Accuracy（正解率）は、正解のレコード数をすべてのレコード数で割ることで求められ、モデルの全体的な正確さを測る指標です。

Your score is

時系列データ、記述統計学・推測統計学・信頼度・信頼区間

データサイエンス力　時系列データ、記述統計学・推測統計学・信頼度・信頼区間から12問をランダムに出題します。

1 / 12

Category: データサイエンス力

推測統計学における「無作為抽出」とは何を指すか

母集団から任意に標本を選ぶこと。

標本から母集団を推測すること。

母集団から偏りなく標本を選ぶこと。

母集団のすべてを調査すること。

無作為抽出は、母集団から偏りなく標本を選ぶことを指し、推測統計学において重要な手法です。これにより、標本が母集団を代表すると考えられます。

2 / 12

Category: データサイエンス力

記述統計学についての説明として最も適切でないものは次のうちどれか

平均、分散、相関係数などの統計量を用いる。

特定の集団におけるデータを考察するために用いられる。

母集団全体の特徴を推測するために用いられる。

特定の集団のデータを表やグラフで表現する。

記述統計学は、特定の集団におけるデータを表やグラフ、統計量を用いて考察するものです。母集団全体の特徴を推測するのは推測統計学の役割であり、記述統計学ではありません。

3 / 12

Category: データサイエンス力

時系列データ分析において、データの周期性を無視してモデルを構築すると、どのような問題が生じる可能性があるか

モデルがデータの季節性を捉えられない

モデルが過学習を起こす

モデルが未来のデータを予測できない

モデルの計算速度が遅くなる

時系列データには季節性や周期性が含まれていることが多く、これらを考慮しないと、モデルはデータの重要なパターンを見逃し、実際のデータの動きを正確に予測できなくなる可能性があります。

4 / 12

Category: データサイエンス力

時系列データを用いた機械学習モデルの構築において、ランダムにデータを分割してはいけない理由として最も適切なものはどれか

データの量が少なくなってしまうため

データが不均一に分布するため

時間的な依存関係が無視されるため

データの質が低下するため

時系列データは時間的な依存関係を持っており、ランダムに分割すると、その依存関係が無視され、モデルが過去のデータから未来のデータを予測する際の性能が正しく評価されなくなるためです。

5 / 12

Category: データサイエンス力

時系列データの分析において、データのランダムな変動をどのように扱うべきか

データの予測に直接使用する

データのモデル構築に利用する

データのノイズとして扱う

データから完全に除去する

時系列データのランダムな変動は、ノイズとして扱うべきです。これにより、モデルが本質的なデータのパターンに集中し、より正確な予測を行うことができます。

6 / 12

Category: データサイエンス力

信頼度90％、95％、99％の信頼区間についての説明として最も適切なものはどれか

信頼度が同じであれば信頼区間の幅は同じである。

信頼度が低いほど信頼区間は広くなる。

信頼度が高いほど信頼区間は狭くなる。

信頼度が高いほど信頼区間は広くなる。

信頼度が高いほど、信頼区間は広くなります。これは、より高い確率で母集団の真の値を含むため、より広い範囲をカバーする必要があるためです。

7 / 12

Category: データサイエンス力

時系列データに対応したホールドアウト法を行う際の基本的な考え方は次のうちどれか

学習データに未来のデータを含める

データをランダムに分割する

学習データは検証データより未来のデータを含めない

検証データに過去のデータを含める

時系列データに対応したホールドアウト法では、学習データに検証データより未来のデータを含めないようにすることが基本的な考え方です。これにより、モデルが未来の情報を使って現在を予測するという非現実的な状況を避けることができます。

8 / 12

Category: データサイエンス力

信頼度が同じ場合、信頼区間の幅が広いとは次のうちどれを表しているか

真の値に対する確信が高い

推定の精度が高い

推定のあいまいさが大きい

推定にあいまいさが少ない

信頼区間の幅が広いとは、推定の精度が低いことを意味し、真の値に対する確信があまり持てないことを意味します。

9 / 12

Category: データサイエンス力

推測統計学は何を目的としているか

データの収集方法の決定

データの記述

母集団の特徴や情報の推測

標本の特徴の記述

推測統計学は無作為に集めたデータから母集団の特徴や情報を推測する統計学です。

10 / 12

Category: データサイエンス力

時系列データを用いた予測モデル構築において、データの可視化が推奨される理由は次のうちどれか

データの欠損値を補完するため

データの基本的な構造や変化の特性を理解するため

データの分布を正規分布に変換するため

データの周期性を数学的に証明するため

データの可視化により、データの基本的な構造や時系列の変化の特性を直感的に理解することができます。これにより、適切なモデルの選択やデータの前処理が行えるようになります。

11 / 12

Category: データサイエンス力

点推定に関する説明として最も適切なものはどれか

標本の平均値を母集団の平均値とする推定方法。

推定の誤差が明確にわかる。

母集団の特徴を区間で推定する。

母集団の平均値を複数の値で推定する。

点推定は、平均値などのたった1つの値で推定結果を示すことです。標本の平均値を母集団の平均値とする推定方法が点推定の一例です。誤差がわかるのは区間推定の特徴であり、点推定では誤差がわかりません。

12 / 12

Category: データサイエンス力

時系列データの分析において、長期的なトレンドを無視した場合、どのような影響が生じる可能性があるか

モデルがデータの周期性を過大評価する

モデルがデータの季節性を過小評価する

モデルがデータのノイズを無視する

モデルが短期的な変動に過敏になる

長期的なトレンドを考慮しないと、モデルは短期的な変動に過敏に反応し、実際のデータの動向を見失う可能性があります。これにより、予測の精度が低下することが考えられます。

Your score is

MSE・MAE、ホールドアウト法・交差検証法

データサイエンス力　MSE・MAE、ホールドアウト法・交差検証法から10問をランダムに出題します。

1 / 10

Category: データサイエンス力

回帰分析の評価指標の中で、外れ値の影響を最も受けにくいのはどれか

MAE（Mean Absolute Error：平均絶対誤差）

MSE（Mean Squared Error：平均二乗誤差）

RMSE（Root Mean Square Error：平均平方二乗誤差）

MAPE（Mean Absolute Percentage Error）

MAEは予測値と実測値の差の絶対値の平均を求める評価指標であり、外れ値の影響を受けにくいです。

2 / 10

Category: データサイエンス力

機械学習モデルが新しいデータに対してどれだけ適切に機能するかを示す指標は次のうちどれか

学習率

評価指標

パラメータ

汎化性能

機械学習モデルが未知のデータに対して高い精度で出力できる性質・能力を「汎化性能」と言います。これはモデルが新しいデータに対してどれだけ適切に機能するかを示す重要な指標です。

3 / 10

Category: データサイエンス力

回帰分析において、予測値と実測値の差の二乗の平均にルートを付けた評価指標はどれか

RMSE

MAE

MSE

MAPE

RMSE（Root Mean Square Error：平均平方二乗誤差）はMSEにルートを付けた評価指標であり、予測値と実測値の差の二乗の平均にルートを付けて求めます。

4 / 10

Category: データサイエンス力

機械学習において、コンピュータがデータから規則性や判断基準を見出すプロセスは次のうちどれか

計算

評価

推論

学習

機械学習において、コンピュータがデータから規則性や判断基準を見出すプロセスを「学習」と言います。これにより、機械学習モデルが構築されます。

5 / 10

Category: データサイエンス力

k-fold交差検証法において、kの値が5の場合、何回の検証が行われるか

k-fold交差検証法では、kの値が検証回数を示します。したがって、kの値が5の場合、5回の検証が行われます。

6 / 10

Category: データサイエンス力

機械学習モデルの構築において、モデルの評価指標を最大化するために行う作業は次のうちどれか

特徴選択

パラメータチューニング

データ拡張

データクレンジング

機械学習モデルの構築において、モデルの評価指標を最大化するために行う作業はパラメータチューニングです。これにより、モデルの性能を向上させることができます。

7 / 10

Category: データサイエンス力

回帰分析において、予測値と実測値の差の二乗の平均を求める評価指標はどれか

MSE

MAE

RMSE

MAPE

MSE（Mean Squared Error：平均二乗誤差）は予測値と実測値の差の二乗の平均を求める評価指標であり、大きな誤差に対してペナルティを与えます。

8 / 10

Category: データサイエンス力

データセットをランダムに分割して学習データを生成する方法の一つは次のうちどれか

ブートストラップ法

バギング法

ホールドアウト法

ブースティング法

ホールドアウト法は、データセットをランダムに分割して学習データを生成する方法の一つです。この方法では、データセットを2つまたは3つに分割し、学習データ、検証データ、テストデータを作成します。

9 / 10

Category: データサイエンス力

回帰分析において、予測値と実測値の差の絶対値の平均を求める評価指標はどれか

RMSE

MAE

MSE

MAPE

MAE（平均絶対誤差）は予測値と実測値の差の絶対値の平均を求める評価指標であり、外れ値の影響を受けにくい特性があります。

10 / 10

Category: データサイエンス力

ホールドアウト法において、ハイパーパラメータの調整を行うために使用されるデータセットは次のうちどれか

テストデータ

検証データ

学習データ

トレーニングデータ

ホールドアウト法において、ハイパーパラメータの調整を行うために使用されるデータセットは「検証データ」です。検証データを用いて、モデルの性能を評価します。

Your score is

帰無仮説・対立仮説・有意水準、片側検定・両側検定

データサイエンス力　帰無仮説・対立仮説・有意水準・片側検定・両側検定から10問をランダムに出題します。

1 / 10

Category: データサイエンス力

有意水準を1％と設定した場合、p値が0.009であればどうなるか

帰無仮説を棄却する

検定をやり直す

対立仮説を受容する

帰無仮説を受容する

p値が有意水準よりも小さい場合、帰無仮説を棄却し、対立仮説を受容することができます。したがって、p値が0.009であれば、1％の有意水準で帰無仮説を棄却します。

2 / 10

Category: データサイエンス力

帰無仮説が「コインの表が出る確率は1/2である」とするとき、対立仮説は次のうちどれか

コインの表が出る確率は1/2より小さい

コインの表が出る確率は1/2である

コインの表が出る確率は1/2ではない

コインの表が出る確率は1/2より大きい

帰無仮説が「コインの表が出る確率は1/2である」とするとき、対立仮説は帰無仮説とは異なる状態を示すものでなければなりません。したがって、対立仮説は「コインの表が出る確率は1/2ではない」となります。

3 / 10

Category: データサイエンス力

統計的仮説検定における棄却域とは何を指すか

帰無仮説が正しい確率の範囲

対立仮説が正しい確率の範囲

帰無仮説を棄却するための有意水準を超えた領域

対立仮説を棄却するための有意水準を超えた領域

棄却域は、帰無仮説を棄却するための有意水準を超えた領域を指します。これは、帰無仮説が誤っていると考えられる領域であり、統計的仮説検定において重要な役割を果たします。

4 / 10

Category: データサイエンス力

検定において、帰無仮説が棄却されるのはどのような場合か

対立仮説が正しいと仮定した場合に、得られた標本データが非常に一般的なことが示されたとき

帰無仮説が正しいと仮定した場合に、得られた標本データが非常に一般的なことが示されたとき

帰無仮説が正しいと仮定した場合に、得られた標本データが非常に珍しいことが示されたとき

対立仮説が正しいと仮定した場合に、得られた標本データが非常に珍しいことが示されたとき

検定において帰無仮説が棄却されるのは、帰無仮説が正しいと仮定した場合に得られた標本データが非常に珍しいと判断されたときです。これは、帰無仮説が成立する確率が非常に低いことを意味し、したがって対立仮説を採択する根拠となります。

5 / 10

Category: データサイエンス力

検定において、帰無仮説を棄却する際に犯すことがある誤りは次のうちどれか

第一種の過誤

第四種の過誤

第二種の過誤

第三種の過誤

帰無仮説を棄却する際に犯すことがある誤りは第一種の過誤です。これは、実際には真である帰無仮説を誤って棄却することを指します。

6 / 10

Category: データサイエンス力

統計学において、帰無仮説が棄却されなかった場合、どう解釈するのが適切か

対立仮説が正しいことが証明された

対立仮説が正しいという十分な証拠がない

帰無仮説が正しいことが証明された

帰無仮説が正しいという十分な証拠がない

帰無仮説が棄却されなかった場合、対立仮説が正しいという十分な証拠がないことを意味します。これは帰無仮説が正しいことを証明するものではありませんが、対立仮説を採択するには不十分であると解釈されます。

7 / 10

Category: データサイエンス力

検定の結果、p値が0.05よりも小さい場合、通常どのように解釈されるか

帰無仮説を棄却するには証拠が不十分である

対立仮説を棄却するには証拠が十分である

対立仮説を棄却するには証拠が不十分である

帰無仮説を棄却するには証拠が十分である

p値が0.05よりも小さい場合、帰無仮説を棄却するには証拠が十分であると通常解釈されます。これは、帰無仮説が正しいと仮定した場合に得られた標本データが起こる確率が5%未満であることを意味し、帰無仮説に疑問を投げかけるものです。

8 / 10

Category: データサイエンス力

統計的仮説検定において、帰無仮説が「表裏の出る確率は等しい」とされた場合、対立仮説を「表裏の出る確率は等しくない」とする検定はどのように呼ばれるか

片側検定

有意検定

確率検定

両側検定

対立仮説を「表裏の出る確率は等しくない」とする検定は、両側検定と呼ばれます。これは、帰無仮説が正しい場合、棄却域がx軸の両側に存在するためです。

9 / 10

Category: データサイエンス力

検定の結果、帰無仮説を棄却しなかった場合に犯すことがある誤りは次のうちどれか

第三種の過誤

第二種の過誤

第一種の過誤

第四種の過誤

検定の結果、帰無仮説を棄却しなかった場合に犯すことがある誤りは第二種の過誤です。これは、実際には偽である帰無仮説を誤って採択することを指します。

10 / 10

Category: データサイエンス力

検定力が低いとはどういう状況を指すか

第2種の過誤を犯す確率が低い

第1種の過誤を犯す確率が高い

第2種の過誤を犯す確率が高い

帰無仮説を棄却する確率が高い

検定力が低いとは、第2種の過誤を犯す確率が高い状況を指します。つまり、帰無仮説が誤りであるにもかかわらず、それを棄却できないリスクが高いことを意味します。

Your score is

機械学習、検定手法

データサイエンス力　機械学習、t検定・F検定から13問をランダムに出題します。

1 / 13

Category: データサイエンス力

ダイエットプログラムによる体重の変化を検証する際、帰無仮説として適切なのはどれか

プログラムによって体重が減った

プログラム前後の体重に差はない

プログラムによって体重が増えた

プログラム前後の体重に差はある

帰無仮説は、通常、効果がないことを示すものです。この場合、「プログラム前後の体重に差はない」という仮説が帰無仮説として適切です。

2 / 13

Category: データサイエンス力

機械学習における「ロジスティック回帰」とは次のうちどれか

報酬を基に学習する手法

教師あり学習の分類手法

教師あり学習の予測手法

データのグループ分けを行う手法

ロジスティック回帰は、教師あり学習における分類手法の一つで、特に二値分類問題に適しています。

3 / 13

Category: データサイエンス力

強化学習が適用される事例として、不適切なものはどれか

教師データを使って画像を分類する

囲碁のプレイ戦略を学習する

ロボットの歩行訓練

将棋のプレイ戦略を学習する

強化学習は報酬を基に学習する手法であり、教師データを使って画像を分類するのは教師あり学習の例です。

4 / 13

Category: データサイエンス力

教師なし学習において、データのグループ分けを行う手法は次のうちどれか

ロジスティック回帰

サポートベクターマシン

k-means法

決定木

k-means法は教師なし学習におけるクラスタリングの手法で、データを類似性に基づいてグループ分けします。

5 / 13

Category: データサイエンス力

機械学習において、サポートベクターマシン（SVM）が用いられるのはどのような場合か

データをグループ分けする場合

データの分類を行う場合

報酬を基に学習する場合

データの次元を削減する場合

サポートベクターマシン（SVM）は、教師あり学習の分類手法の一つで、データを最適な境界で分類します。

6 / 13

Category: データサイエンス力

ある小学校のA組とB組の生徒の平均点を比較する際に使用する統計検定はどれか

対応のないt検定

対応のあるt検定

カイ二乗検定

F検定

A組とB組のデータは異なる対象から抽出されているため「対応のないデータ」に該当します。この場合、対応のないt検定を使用して、平均点に差があるかどうかを検証します。

7 / 13

Category: データサイエンス力

2つの母集団の分散が等しいと仮定できる場合に使用するt検定はどれか

対応のないt検定

スチューデントのt検定

対応のあるt検定

ウェルチのt検定

2つの母集団の分散が等しいと仮定できる場合、スチューデントのt検定を使用します。ウェルチのt検定は分散が異なる場合に使用されます。

8 / 13

Category: データサイエンス力

強化学習の特徴として正しいものはどれか

報酬を基に学習する

データの次元を削減する

教師データが必要

データをグループ分けする

強化学習は、報酬を基にして最適な行動を見つけるための学習を行います。

9 / 13

Category: データサイエンス力

機械学習において、教師なし学習が主に活用されるのはどのような場面か

新しいデータに対する予測が必要な場合

正解ラベルが必要な場合

データのグループ分けや情報の要約が必要な場合

報酬を基に学習する場合

教師なし学習は、正解ラベルがないデータを扱う際に、データのグループ分け（クラスタリング）や情報の要約（次元削減）に使用されます。

10 / 13

Category: データサイエンス力

機械学習の教師あり学習による分類手法は次のうちどれか

強化学習

ロジスティック回帰

次元削減

k-means法

ロジスティック回帰は教師あり学習の分類手法の一つで、データを二つのカテゴリに分けるために使用されます。

11 / 13

Category: データサイエンス力

2つの母集団の分散が異なると仮定する場合に使用するt検定はどれか

スチューデントのt検定

ウェルチのt検定

対応のないt検定

対応のあるt検定

2つの母集団の分散が異なると仮定する場合、ウェルチのt検定を使用します。スチューデントのt検定は分散が等しい場合に使用されます。

12 / 13

Category: データサイエンス力

F検定はどのような場合に使用される統計検定か

1つの母集団の分散が特定の値と等しいかを検証する場合

2つの母集団の分散が等しいかを検証する場合

1つの母集団の平均が特定の値と等しいかを検証する場合

2つの母集団の平均に差があるかを検証する場合

F検定は、2つの母集団の分散が等しいかどうかを検証するために使用されます。これはt検定を行う前の重要なステップです。

13 / 13

Category: データサイエンス力

ダイエットプログラムの効果を検証するために、参加者の体重をプログラム開始前と終了後で比較します。この場合に使用する統計検定はどれか

対応のあるt検定

カイ二乗検定

対応のないt検定

F検定

プログラム開始前後の体重は同一人物のデータであり、時間のみが異なるため「対応のあるデータ」に該当します。この場合、対応のあるt検定を使用して、体重に差が出たかどうかを検証します。

Your score is

クラスター分析、ヒストグラム、クロス集計表

データサイエンス力　クラスター分析、ヒストグラム、クロス集計表から10問をランダムに出題します。

1 / 10

Category: データサイエンス力

クラスター分析についての説明として正しいものはどれか

クラスター分析は階層クラスター分析のみを指す。

クラスター分析は教師あり学習に分類される。

クラスター分析は似た特徴を持つデータをグループ化する手法である。

クラスター分析は分類の基準が事前に決まっている。

クラスター分析は、似た特徴を持つデータをグループ化する手法です。教師なし学習の一種であり、事前に分類の基準が決まっているわけではありません。また、階層クラスター分析だけでなく非階層クラスター分析も含まれます。

2 / 10

Category: データサイエンス力

クラスター分析で使用される距離測定方法として正しいものはどれか

マハラノビス距離はデータ間の差を測定する。

マンハッタン距離はデータ間の角度を測定する。

ウォード法はデータ間の差を測定する。

ユークリッド距離はデータ間の直線距離を測定する。

ユークリッド距離はデータ間の直線距離を測定する方法で、クラスター分析でよく使用されます。マンハッタン距離はデータ間の格子状の距離を測定し、マハラノビス距離はデータの分布を考慮した距離を測定します。ウォード法はクラスター間の距離測定方法の一つで、データ間の差を測定するわけではありません。

3 / 10

Category: データサイエンス力

クラスター分析におけるクラスター間の距離測定方法として正しいものはどれか

重心法はクラスター内の最も軽いデータ点の位置を測定する。

メディアン法はクラスター内のデータ点の中央値を測定する。

最短距離法は最も遠いデータ点同士の距離を測定する。

群平均法はクラスター内の全データ点の平均距離を測定する。

群平均法はクラスター間の距離測定方法の一つで、クラスター内の全データ点の平均距離を測定します。最短距離法はクラスター間の最も近いデータ点同士の距離を測定し、重心法はクラスターの重心間の距離を測定します。メディアン法はクラスターを統合する際の中央値を用いる方法です。

4 / 10

Category: データサイエンス力

階層クラスター分析で作成される図として正しいものはどれか

散布図

ヒートマップ

デンドログラム

バブルチャート

階層クラスター分析では、デンドログラムと呼ばれる樹形図を作成します。これにより、データ間の距離とクラスターの形成過程を視覚的に表現することができます。

5 / 10

Category: データサイエンス力

ヒストグラムにおける「ビン(bin)」とは何を指すか

データを分類するための区間

データの最大値

データの最小値

データの平均値

ヒストグラムにおける「ビン(bin)」は、データを分類するための区間を指します。これにより、データの分布を視覚的に表現することができます。

6 / 10

Category: データサイエンス力

クロス集計表を作成する目的は次のうちどれか

データを保存するため

データの傾向を素早く把握する

データを削除するため

データをグラフに変換する

クロス集計表は、2つの属性を持つデータの傾向を素早く把握するために使用されます。Excelのピボットテーブル機能を使うと、このような表を簡単に作成できます。

7 / 10

Category: データサイエンス力

クラスター分析におけるウォード法の特徴として正しいものはどれか

ウォード法はクラスター内のデータ点の分散を最小化する。

ウォード法はクラスター間の重心距離を基準にする。

ウォード法はクラスター内のデータ点の合計を最大化する。

ウォード法はクラスター間の最長距離を基準にする。

ウォード法はクラスター分析における距離測定方法の一つで、クラスター内のデータ点の分散を最小化することを目的としています。これにより、より均一なクラスターを形成することができます。

8 / 10

Category: データサイエンス力

ヒストグラムの利点に関する記述として正しいものはどれか

各データ点の値を個別に表示できます。

データの平均値を正確に示すことができます。

データの最頻値を視覚的に確認できます。

データの中央値を計算するのに使われます。

ヒストグラムはデータの最頻値、つまり最も多く出現するデータの値を視覚的に確認するのに役立ちます。

9 / 10

Category: データサイエンス力

非階層クラスター分析の特徴として正しいものはどれか

データ間の距離を全て測定する必要がある。

計算量が多く、時間がかかる。

クラスターの数を事前に指定する。

樹形図を作成することが主な目的である。

非階層クラスター分析の特徴は、クラスターの数を事前に指定することです。これにより、階層クラスター分析に比べて計算量が少なく、短時間で結果を出すことができます。樹形図は階層クラスター分析で使用されるもので、非階層クラスター分析では作成しません。

10 / 10

Category: データサイエンス力

ヒストグラムについての説明として最も適切でないものはどれか

データの分布を視覚的に表現する方法です。

データのばらつきを確認するのに有効です。

各区間の幅は通常不均等です。

複数の区間に分割してデータの数を示します。

ヒストグラムでは、各区間の幅は通常均等であり、これによってデータのばらつきを一目で確認することができます。

Your score is

散布図、標本誤差、実験計画法、ダミー変数

データサイエンス力　散布図、標本誤差、実験計画法、ダミー変数から10問をランダムに出題します。

1 / 10

Category: データサイエンス力

「子ども」と「成人」の2つのカテゴリーを持つ変数をダミー変数に変換する場合、どのように設定するか

子ども：2、成人：1

子ども：-1、成人：1

子ども：1、成人：2

子ども：0、成人：1

ダミー変数は、カテゴリーに対して0か1の値を割り当てることで、質的変数を量的変数に変換します。この場合、「子ども」を0、「成人」を1と設定することで、モデリング時に変数として扱うことができます。

2 / 10

Category: データサイエンス力

標本調査の結果が母集団をどれだけ正確に反映しているかを示す統計量は次のうちどれか

標本分散

標準誤差

標本中央値

標本平均

標準誤差は、標本調査の結果が母集団の特性をどれだけ正確に反映しているかを示す統計量です。標準誤差が小さいほど、標本調査結果の信頼性が高いと言えます。

3 / 10

Category: データサイエンス力

母集団から無作為に抽出された標本の推計値と母数との差は次のうちどれか

標準偏差

標本分散

標準誤差

標本誤差

標本誤差は、標本によって得られる推計値と母集団から得られる値との差のことを指し、推計値の正確さを表す指標です。標本分散や標準偏差は、標本内のデータのばらつきを示す値であり、標準誤差は標本誤差の確率的な評価を可能にする統計量です。

4 / 10

Category: データサイエンス力

実験計画法における一元配置分散分析とは次のうちどれか

一つの因子のみを分析する方法

複数の因子を同時に分析する方法

因子の水準が一つだけの分析

因子間の交互作用を分析する方法

一元配置分散分析は、一つの因子のみを分析する方法を指します。これは、因子が1つだけ存在する場合に使用される分析方法です。

5 / 10

Category: データサイエンス力

実験計画法で用いられる直交表は、どのような目的で使用されるか

実験回数を削減するため

因子の水準を増やすため

実験誤差を少なくするため

因子間の相関を高めるため

直交表は、全ての水準の組み合わせでの試行が難しい場合に、実験回数を削減するために活用されます。因子間の交互作用を考慮しながら、極力実験回数が少なくなるように選ばれます。

6 / 10

Category: データサイエンス力

データ分析においてダミー変数を使用する目的は次のうちどれか

質的変数を量的変数に変換するため

データセットのサイズを増やすため

データのバリエーションを増やすため

予測モデルの精度を下げるため

ダミー変数は、名義尺度や順序尺度などの質的変数を、機械学習や統計モデリングで使用できる形式、つまり0と1の値を持つ量的変数に変換するために使用されます。これにより、予測モデルの説明変数として質的変数を扱うことが可能になります。

7 / 10

Category: データサイエンス力

散布図において、データポイントが散らばっている場合、どのような関係性が示されるか

相関なし

負の相関

正の相関

データ不足

散布図において、データポイントがランダムに散らばっている場合、それは2つの変数間に明確な相関関係がないことを示しています。

8 / 10

Category: データサイエンス力

実験計画法において、結果に影響を与える可能性のある因子とその水準を変化させて解析する際、基本的な分析方法として用いられるのは次のうちどれか

分散分析

相関分析

回帰分析

因子分析

実験計画法では、結果に影響を与える可能性のある因子（属性）とその因子の条件（水準）を変化させて解析します。因子によるデータのばらつきと実験誤差によるばらつきを検定し、因子によるばらつきが大きければ母平均に差があると判断します。このとき、基本的な分析方法として分散分析が用いられます。

9 / 10

Category: データサイエンス力

実験計画法において、シミュレーション実験の利点は次のうちどれか

直交表を使用しなくても良い

実験誤差を完全に排除できる

因子の水準を無限に増やせる

実際の実験を行わずに結果を予測できる

シミュレーション実験の利点は、実際の実験を行わずに結果を予測できることです。これにより、時間やコストを節約しながら、実験計画を評価することが可能になります。

10 / 10

Category: データサイエンス力

重回帰分析において、3つのカテゴリーを持つ変数をダミー変数で表現する際、何個のダミー変数を作成する必要があるか

重回帰分析では、「属性水準数－1」個のダミー変数を作成します。3つのカテゴリーを持つ変数の場合、2個のダミー変数が必要十分です。これは、残りの1つのカテゴリーは他の2つのダミー変数がともに0のときに表現されるためです。

Your score is

標準化・正規化、外れ値・異常値・欠損値、離散化

データサイエンス力　標準化・正規化、外れ値・異常値・欠損値、離散化から9問をランダムに出題します。

1 / 9

Category: データサイエンス力

外れ値と欠損値の共通点について正しいのはどれか

両方とも分析に有益な情報を含むことがある

両方ともデータの誤りを意味する

両方とも常にデータの不完全性を示す

両方とも英語でmissing valueという

外れ値も欠損値も何かが起きたという情報がデータに現れた結果と考えられ、有益な情報を含むことがあります。

2 / 9

Category: データサイエンス力

離散化されたデータにはどのような利点があるか

データの扱いやすさを向上させる

データの正確さを向上する

データの量を増やす

データの分析を速く実施できる

離散化はデータの扱いやすさを向上させ、分析やモデル構築に有利に働きます。

3 / 9

Category: データサイエンス力

量的変数を質的変数に変換するプロセスは次のうちどれか

正規化

集約化

標準化

離散化

量的変数を質的変数に変換するプロセスは離散化と呼ばれ、データのカテゴリ化に用いられます。

4 / 9

Category: データサイエンス力

標準化されたデータの特徴として正しくないものはどれか

平均が0になる。

異なる属性のデータを比較しやすくなる。

全てのデータが正の値になる。

分散が1になる。

標準化されたデータは平均が0、分散が1になりますが、全てのデータが正の値になるわけではありません。負の値を持つこともあります。

5 / 9

Category: データサイエンス力

欠損値の扱いについて正しいのはどれか

欠損値は常に無視してよい

欠損値は分析に影響を与えない

欠損値の多い変数は除外することを検討する

欠損値はデータの完全性を保証する

欠損値については、欠損の多い変数やサンプルを除くか、補完することを検討する必要があります。欠損が多く起きていることも有益な情報となり得ます。

6 / 9

Category: データサイエンス力

データ分析における外れ値に関する説明として正しいのはどれか

外れ値は分析に影響を与えない

外れ値は常に削除すべきである

外れ値はデータの誤りを常に意味する

外れ値は分析に有益な情報を含むことがある

分析者には、なぜそのようなデータが含まれているのかを把握することが求められます。外れ値も異常値も何かが起きたという情報がデータに現れた結果と考えられ、有益な情報を含むことがあります。

7 / 9

Category: データサイエンス力

欠損値の補完方法について正しいのはどれか

欠損値は常に平均値で補完する

欠損値は補完する必要がない

欠損値を他の変数で予測して補完する方法がある

欠損値は常に最頻値で補完する

欠損値の補完方法として、代表値で補完する、類似データで補完する、欠損値を他の変数で予測して補完する（回帰分析の活用等）などの方法があります。

8 / 9

Category: データサイエンス力

外れ値の確認方法について正しいのはどれか

箱ひげ図は外れ値の確認に使えない

外れ値は平均から±3σ離れたものとして確認できる

クラスター分析は外れ値の確認に関係ない

外れ値は常に±2σの範囲外にある

外れ値の確認方法として、標準偏差と平均を用いて平均から±3σ（標準偏差の3倍）離れたものを確認する方法があります。また、箱ひげ図やクラスター分析も外れ値の確認に利用されます。

9 / 9

Category: データサイエンス力

標準化と正規化の違いは次のうちどれか

標準化は平均を0に、正規化は最大値を1にする。

標準化と正規化は同じ意味である。

正規化は平均を0に、標準化は最大値を1にする。

正規化はデータの範囲を変えない。

標準化はデータから平均を引き、標準偏差で割りますが、正規化はデータの最大値を1、最小値を0にする処理です。

Your score is

データ可視化・層化、アンサンブル平均、データインク比

データサイエンス力　データ可視化・層化、アンサンブル平均、データインク比から10問をランダムに出題します。

1 / 10

Category: データサイエンス力

アンサンブル平均の説明として正しいのはどれか

時間属性を平均化したもの

ある時間帯の変化を平均したもの

同一条件下のデータの集合平均

異なる条件下のデータの集合平均

アンサンブル平均は、同一条件下におけるデータの集合平均であり、例えば同一時間、同一条件下で測定した気温データを平均して、その一帯の平均気温とします。これにより、時間によるデータの特性が顕著になることがあります。

2 / 10

Category: データサイエンス力

データ可視化における「探索目的」の可視化の例として最も適切でないものはどれか

アンケート結果から顧客の好みを理解する

売上データからトレンドを見つける

プレゼン資料で分析結果を伝える

データセット内の異常値を特定する

プレゼン資料で分析結果を伝えるのは「伝達目的」の可視化です。探索目的の可視化は、データから新たな洞察を得るために利用されます。

3 / 10

Category: データサイエンス力

データ可視化において、探索目的と検証目的の違いは次のうちどれか

探索はデータを明らかにすること、検証はデータを保存すること

探索は仮説を立てること、検証は仮説を評価すること

探索はデータを保存すること、検証はデータを明らかにすること

探索は新しいデータを見つけること、検証はデータを整理すること

探索目的の可視化は現実を理解し仮説を立てるために、検証目的の可視化は立てた仮説に対する検証や成果評価を行うために利用されます。

4 / 10

Category: データサイエンス力

データ可視化における層化の目的は次のうちどれか

比較対象の差を見比べるため

データの保存を容易にするため

データをより鮮明にするため

データの量を減らすため

層化は、データを分類別に分け、比較軸を用いて適切に層化することで、比較対象の差を明確に見比べることができるようになるために行います。

5 / 10

Category: データサイエンス力

探索目的のデータ可視化はどのような場合に利用されるか

成果を評価する際

メッセージを伝える際

仮説を立てる際

データを集める際

探索目的のデータ可視化は、現実を理解し、仮説を立てるために利用されます。他の選択肢は検証目的や伝達目的の可視化に関連しています。

6 / 10

Category: データサイエンス力

データ濃度について正しい記述は次のうちどれか

データ濃度が低いほど、グラフは見やすくなります。

データ濃度は、グラフの複雑さを高めるために使用されます。

データ濃度は、ディスプレイの面積に対するデータポイントの数を示します。

データ濃度が高いと、常にグラフの質が向上します。

データ濃度は、ディスプレイの面積に対するデータポイントの数を示す指標であり、画面の単位面積当たりの情報量を表します。データ濃度が高いことは、一般的にグラフの質が良いことを意味しますが、過剰に高いデータ濃度は逆にメッセージの伝わりにくさを招く可能性があるため、バランスが重要です。

7 / 10

Category: データサイエンス力

データの可視化において、層化を用いた段階的な詳細化が有効な理由は次のうちどれか

グラフの種類を増やすため

可視化したデータを読み取りやすくするため

データの量を増やすため

データの保存を容易にするため

層化を用いた段階的な詳細化は、最初に大まかなカテゴリで層化し、次にさらに詳細化することで、読み取りづらい可視化を解消できるため有効です。

8 / 10

Category: データサイエンス力

データインク比に関する次の記述のうち、最も適切でないものはどれか

データインク比が0に近いほど、グラフは情報を効果的に伝えます。

データインク比が1に近いほど、グラフは情報を効率的に伝えています。

データインク比は、グラフに不要な装飾が少ないことを示します。

データインク比は、グラフの情報量と直接関連があります。

データインク比が0に近いということは、グラフに含まれる情報量が少ないことを意味します。したがって、データインク比が0に近いほど、グラフは情報を効果的に伝えるとは言えません。

9 / 10

Category: データサイエンス力

散布図において、目的変数がある場合、縦軸には何を配置するのが適切か

目的変数と関連が高い要因

目的変数

目的変数とは無関係なデータ

目的変数と関連が低い要因

散布図において目的変数がある場合、縦軸にはその目的変数を配置し、横軸には目的変数と関連が高いと考えられる要因を配置することで、両者の関連を可視化します。

10 / 10

Category: データサイエンス力

データインク比に関する次の記述のうち、最も適切なものはどれか

データインク比は、チャートの美しさを表す指標です。

データインク比が高いほど、グラフは情報を多く含んでいます。

データインク比は、グラフにおける装飾的要素の割合を示します。

データインク比は、グラフの色の鮮やかさを決定します。

データインク比は、グラフに含まれる情報量の多さを示す指標であり、データインク比が高いほど、グラフは情報を多く含んでいると言えます。これは、チャートのメッセージを明確に伝えるために重要な要素です。

Your score is

可視化表現、ボロノイ図・ドロネー図、インフォデミック

データサイエンス力　可視化表現、ボロノイ図・ドロネー図、インフォデミックから7問をランダムに出題します。

1 / 7

Category: データサイエンス力

インフォデミックの原因として、以下のうち正しいものはどれか

感情に基づく判断

データの過剰な分析

エビデンスベーストの欠如

情報の過小評価

インフォデミックは、エビデンスベーストの欠如とデータを読み解く力の欠如によって引き起こされます。エビデンスベーストとは、事実やデータに基づいて判断することを意味します。

2 / 7

Category: データサイエンス力

情報の正確性を判断するためには、以下のうちどれが最も重要か

情報の根拠

情報の複雑さ

情報の新しさ

情報源の人気

情報の正確性を判断するには、その情報の根拠が最も重要です。エビデンスに基づいた情報が信頼性が高いとされます。

3 / 7

Category: データサイエンス力

ボロノイ図についての説明として正しいものはどれか

ボロノイ図は母点から最も遠い点を結んで作られる。

ボロノイ図は母点の位置に関係なく均等な面積で分割される。

ボロノイ図は母点から等距離にある点を結んで作られる。

ボロノイ図は母点に最も近い点によって平面が分割される。

ボロノイ図は、平面上に置かれた母点に最も近い点によって平面の座標空間を分割する図です。各母点から等距離にある点を結ぶことで境界線が形成され、これによってボロノイ領域が定義されます。

4 / 7

Category: データサイエンス力

ドロネー図に関する説明として正しいものはどれか

ドロネー図はボロノイ図の領域の中心を結んで作られる。

ドロネー図はボロノイ図の母点を結んで作られる。

ドロネー図はボロノイ図の境界線を結んで作られる。

ドロネー図はボロノイ図とは全く関係がない別の図形である。

ドロネー図は、ボロノイ図の隣接する母点同士を結ぶことで描画される図です。これにより、ボロノイ図とは異なる新たな図形が形成されますが、元となる母点の配置は同じです。

5 / 7

Category: データサイエンス力

円グラフに関する次の記述のうち、正しいものはどれか

2つの円グラフで絶対量を比較することは適切である。

円グラフは割合の比較に適している。

円グラフは絶対量の比較に適している。

円グラフには常に3D効果を加えるべきである。

円グラフは、全体に対する各部分の割合を視覚的に表現するのに適しています。絶対量の比較には適しておらず、特に2つの円グラフを使用して絶対量を比較することは誤解を招く可能性があります。3D効果は視覚的な誤解を招く可能性があるため、通常は避けるべきです。

6 / 7

Category: データサイエンス力

インフォデミックを避けるためには、次のうちどれが最も重要か

批判的思考を持つ

感染症に関する恐怖を共有する

根拠のない噂を信じる

一つの情報源のみを信頼する

インフォデミックを避けるためには、批判的思考を持ち、情報を慎重に評価することが最も重要です。これにより、誤った情報やデマに惑わされることなく、適切な意思決定を行うことができます。

7 / 7

Category: データサイエンス力

ボロノイ図のボロノイ境界についての説明として正しいものはどれか

ボロノイ境界は各領域の中心線である。

ボロノイ境界は母点を結ぶ線である。

ボロノイ境界は最も遠い母点を結んだ線である。

ボロノイ境界は母点から等距離にある点を結んだ線である。

ボロノイ境界は、母点から等距離にある点を結んで形成される線です。これにより、隣接する母点に最も近い領域が分けられます。

Your score is

教師あり学習・教師なし学習・半教師あり学習

データサイエンス力　教師あり学習・教師なし学習・半教師あり学習から14問をランダムに出題します。

1 / 14

Category: データサイエンス力

半教師あり学習の特徴は次のうちどれか

教師データのみを使用する

すべてのデータにアノテーションを行う

一部の教師データと大量の教師なしデータを組み合わせる

教師なしデータのみを使用する

半教師あり学習では、一部の教師データと大量の教師なしデータを組み合わせて、機械学習モデルによる半自動的なアノテーションを行います。

2 / 14

Category: データサイエンス力

機械学習において次元の呪いを抑制する方法はどれか

データの次元を増やす

特徴量をランダムに選択する

モデルの複雑さを増やす

特徴量選択や次元圧縮を行う

次元の呪いを抑制するには、特徴量選択や次元圧縮などの手法を用いて、データが持つ情報をできるだけ保持しつつ、データの次元を効果的に低減する必要があります。これにより、計算量の増加を抑えつつ、モデルの性能を維持することができます。

3 / 14

Category: データサイエンス力

過学習を防ぐために用いられる学習方法は次のうちどれか

逐次学習法

教師なし学習法

交差検証法

強化学習法

交差検証法は、モデルの汎化能力を評価し、過学習を防ぐために用いられる学習方法です。

4 / 14

Category: データサイエンス力

学習データに対する誤差を何と呼ぶか

汎化誤差

訓練誤差

平均誤差

最小誤差

学習データに対する誤差は訓練誤差と呼ばれ、モデルが学習データにどれだけ適合しているかを示します。

5 / 14

Category: データサイエンス力

チャットボットの回答精度を上げるためには、何を行う必要があるか

重要な単語にタグ付けを行う

すべての単語にタグ付けを行う

すべての単語に同じタグを付ける

テキストをランダムに並び替える

チャットボットの回答精度を上げるためには、テキストに含まれる単語の中で回答精度の向上に重要と判断した単語をタグ付けするアノテーションを行います。

6 / 14

Category: データサイエンス力

次元の呪いに関する説明として適切なものは次のうちどれか

データの次元が増えると計算量が減少する現象

データの次元が増えると特徴量選択が難しくなる現象

データの次元が増えると計算量が指数関数的に増加する現象

データの次元が増えるとモデルの説明力が低下する現象

次元の呪いは、データの次元が増えると、そのデータを処理するための計算量が指数関数的に増加し、問題の解決が困難になる現象を指します。これは、特に機械学習において重要な問題であり、過学習やクラスタリングの困難さを引き起こす原因となります。

7 / 14

Category: データサイエンス力

モデルの複雑さに対する罰則をかけることは次のうちどれか

正則化

正規化

最適化

標準化

正則化は、モデルの複雑さが増すことに対する罰則をかけ、複雑さを抑えることを指します。これにより、過学習を防ぐことができます。

8 / 14

Category: データサイエンス力

アクティブラーニングのプロセスには何が含まれるか

すべてのデータにタグ付けをする

データ全体にアノテーションを行う

教師データでモデルを構築し、効果的なデータを抽出する

教師なしデータからランダムにデータを選ぶ

アクティブラーニングでは、教師データでモデルを構築し、残りの教師なしデータから学習に効果的なデータを抽出します。

9 / 14

Category: データサイエンス力

機械学習において過学習が起こる主な原因は次のうちどれか

モデルが単純すぎる

学習データが多すぎる

モデルが複雑で自由度が高い

正則化が行われている

過学習は、モデルが複雑で自由度が高く、学習データに対して過剰に適合してしまうことで発生します。これにより、未知のデータに対する予測能力が低下します。

10 / 14

Category: データサイエンス力

画像分析で行われるアノテーションにはどのようなものがあるか

特定の画像の色を変更する

画像をテキストに変換する

すべての画像をいくつかのカテゴリに分類する

物体にバウンディングボックスを指定する

画像分析では、物体をタグ付けするアノテーションや、画像の範囲を特定するバウンディングボックスを指定するアノテーションが行われます。

11 / 14

Category: データサイエンス力

次のうち、教師あり学習のアルゴリズムはどれか

DQN

k-meansクラスタリング

階層型クラスタリング

ニューラルネットワーク

ニューラルネットワークは教師あり学習のアルゴリズムであり、特徴量と目的変数の関係性を学習するのに使用されます。

12 / 14

Category: データサイエンス力

機械学習で過学習を防ぐためにはどのような方法があるか

モデルの自由度を増やす

学習の早期打ち切りを行う

学習データの量を減らす

説明変数を無制限に増やす

過学習を防ぐためには、学習データの量を増やす、モデルの自由度を抑える、正則化を行う、交差検証法を用いる、学習の早期打ち切りを行うなどの方法があります。

13 / 14

Category: データサイエンス力

次のうち、教師なし学習に分類される手法はどれか

決定木

ロジスティック回帰

線形回帰

階層型クラスタリング

階層型クラスタリングは教師なし学習の手法であり、教師データがない状態でデータをグループ化するのに使用されます。

14 / 14

Category: データサイエンス力

アノテーションに関する説明として正しいものは次のうちどれか

データの品質を上げる

モデルの学習時間を減らす

教師なしデータに正解を付与する

データセットのサイズを減らす

アノテーションは、教師なしデータに正解を付与して教師データを作るプロセスです。これにより、機械学習モデルの学習が可能になります。

Your score is

バイアス、機械学習の説明性、時系列データ分析、テキストデータ処理

データサイエンス力　バイアス、機械学習の説明性、時系列データ分析、テキストデータ処理から15問をランダムに出題します。

1 / 15

Category: データサイエンス力

形態素解析についての説明として正しいものはどれか

形態素解析は文章を文節に分割する。

形態素解析は文章を意味のない小片に分割する。

形態素解析は文章をパラグラフに分割する。

形態素解析は文章を意味のある最小の単位に分割する。

形態素解析は、文章を意味のある最小の単位である形態素に分割し、それぞれの品詞を把握する作業です。

2 / 15

Category: データサイエンス力

移動平均の間隔を広げると、どのような効果があるか

短期的な傾向を捉える

データのノイズを減らす

データの精度を向上させる

長期的な傾向を捉える

移動平均の間隔を広げることで、より長期的な傾向を捉えることができますが、細かい傾向の変化を捉えることは難しくなります。

3 / 15

Category: データサイエンス力

形態素解析において、形態素とは次のうちどれか

文章を構成する意味のある最小の単位。

文章を構成する文節。

文章を構成するパラグラフ。

文章を構成する任意の文字列。

形態素は、文章を構成する意味のある最小の単位であり、形態素解析ではこれらを抽出し品詞を把握します。

4 / 15

Category: データサイエンス力

時系列データ分析において、季節変動を考慮することの重要性は次のうちどれか

データのトレンドを正確に把握するため

データの質を向上させるため

データの周期性を考慮するため

データの量を増やすため

季節変動を考慮することで、自然条件や社会制度から由来する影響を除外し、データのトレンドをより正確に把握することができます。

5 / 15

Category: データサイエンス力

LLMはどのようなビジネス活用が可能か

サーバーの物理的な保守管理

データベースの管理

ネットワークのセキュリティ強化

文章の生成や翻訳

LLMは、大量のテキストデータから学習することで、文章の生成や翻訳などのタスクを効率的に実行することが可能です。

6 / 15

Category: データサイエンス力

AIネットワークシステムの動作の説明可能性を確保するために総務省が謳っている原則は次のうちどれか

安全性の原則

効率性の原則

透明性の原則

説明可能性の原則

総務省はAIの研究開発において透明性の原則を重視しており、AIネットワークシステムの動作が説明可能で検証可能であることを求めています。

7 / 15

Category: データサイエンス力

テキストデータの前処理で行われる「半角変換」の目的は次のうちどれか

文章を短くするため

読みやすさを向上させるため

文章を美しくするため

文字コードの違いを無視するため

半角変換は、AIが半角と全角の違いを区別するため、文字コードの違いを無視する目的で行われます。

8 / 15

Category: データサイエンス力

機械学習モデルの可読性を高めると、どのような影響が考えられるか

モデルの精度が低下する可能性がある

モデルのトレーニングコストが増加する

モデルのセキュリティが低下する

モデルの精度が向上する

可読性を高めることは、モデルの複雑性を犠牲にすることがあり、その結果として精度が低下する可能性があります。

9 / 15

Category: データサイエンス力

機械学習モデルのアルゴリズムバイアスを評価するためには、どのような手法が有効か

ランダムで評価指標を使用する

モデルの学習時間を測定する

複数の評価指標を使用する

モデルのパラメータ数を調整する

アルゴリズムバイアスを評価するためには、複数の評価指標を使用し、異なる視点からモデルの性能を検証することが有効です。

10 / 15

Category: データサイエンス力

テキストデータの前処理で行われる「ステミング」とは次のうちどれか

文章を短くすること

単語を基本形に変換すること

文章から特定の単語を選び出すこと

文章から数字を取り除くこと

ステミングは、単語をその基本形に変換し、時制や派生形の違いを無視する前処理手法です。

11 / 15

Category: データサイエンス力

アルゴリズムバイアスを避けるためには、どのようなアプローチが有効か

パラメータをランダムに選ぶ

モデルをランダムに選択する

複数の解析手法を比較する

ランダムで特徴量を選択する

アルゴリズムバイアスを避けるためには、複数の解析手法を用いてモデルを構築し、それらを比較することが有効です。これにより、特定のアルゴリズムに依存したバイアスを発見し、避けることができます。

12 / 15

Category: データサイエンス力

次のうち形態素解析器として適切でないものはどれか

JUMAN

Janome

CaboCha

MeCab

MeCab、Janome、JUMANはすべて日本語の形態素解析に使用される代表的な形態素解析器です。

13 / 15

Category: データサイエンス力

係り受け解析についての説明として正しいものはどれか

係り受け解析は文章を文節に分割する。

係り受け解析は文章のスペルミスを修正する。

係り受け解析は文章をパラグラフに分割する。

係り受け解析は文章を意味のない小片に分割する。

係り受け解析は、文章中の形態素や文節の関係性を分析することで、文節どうしの関連性や役割を理解するために行われます。

14 / 15

Category: データサイエンス力

時系列データにおける「トレンド」とは何を指すか

データのランダムな変動

データの長期的な傾向

データの周期的な変動

データの短期的な変動

トレンドとは、細かな変動を除いた全体のデータの長期的な傾向を指します。

15 / 15

Category: データサイエンス力

データサイエンティストがデータバイアスに対応するために最も重要なのはどれか

データの可視化に注力する

データの収集方法を改善する

最新の機械学習アルゴリズムを使用する

データのクリーニングを徹底する

データバイアスに対応するためには、データの収集方法を改善し、バイアスのない、またはバイアスが最小限のデータを収集することが最も重要です。

Your score is

画像・動画データ処理、信頼度・支持度

データサイエンス力　画像・動画データ処理、信頼度・支持度から17問をランダムに出題します。

1 / 17

Category: データサイエンス力

MP3形式のファイルはどのような特徴があるか

音質が非常に高い

すべての音波の情報を保存

データ量が大きい

人間に聞こえる音のみを保存

MP3形式は、人間の可聴領域に着目して開発されたファイル形式で、人間に聞こえない音の情報を取り除くことで、WAV形式よりも少ないデータ量で保存することが可能です。

2 / 17

Category: データサイエンス力

デジタル画像のサンプリング間隔が大きい場合、どのような問題が発生する可能性があるか

画像のデータサイズが大きくなる

ジャギーが現れる

エイリアシングが減少する

画像の色が薄くなる

サンプリング間隔が大きいとピクセル数が少なくなり、ジャギーと呼ばれる階段状のギザギザが現れます。

3 / 17

Category: データサイエンス力

支持度（Support）に関する説明について、正しいものは次のうちどれか

事象Xと事象Yが独立して発生する回数

事象Xが発生する確率

事象Xと事象Yが同時に発生する回数

事象Yが発生する確率

支持度は、全事象の中で、事象Xと事象Yが同時に起こる回数、すなわち共起頻度の割合を表します。

4 / 17

Category: データサイエンス力

動画データのエンコードに関する説明として適切なものは次のうちどれか

動画を編集すること

動画を再生すること

動画データを圧縮すること

動画データを拡大すること

エンコードは、映像データや音声データを圧縮し、動画データとして保存する作業のことです。これによりデータサイズが小さくなります。

5 / 17

Category: データサイエンス力

画像データセットのクリーニング処理にはどのようなものが含まれるか

RGB値の正規化

濃淡度の標準化

フィルタ処理

トリミング

クリーニング処理には、不要な部分を取り除くトリミングが含まれます。

6 / 17

Category: データサイエンス力

Windowsで標準的に使用される動画フォーマットは次のうちどれか

MP3

MOV

MKV

AVI

WindowsではAVIが標準的な動画フォーマットとして使用されています。

7 / 17

Category: データサイエンス力

Pythonで動画や画像処理を行うためによく使用されるライブラリは次のうちどれか

TensorFlow

OpenCV

NumPy

Pandas

Pythonでは、OpenCVライブラリが画像や動画処理向けによく使用されます。NumPyやPandasはデータ分析、TensorFlowは機械学習に使用されます。

8 / 17

Category: データサイエンス力

画像データの前処理で、アスペクト比を変更せずに画像サイズを変更する方法は次のうちどれか

パディング

フィルタ処理

リサイズ

トリミング

パディングは、アスペクト比を変更せずに画像サイズを変更する方法です。

9 / 17

Category: データサイエンス力

画像識別AIモデルの学習効率を向上させるために行う処理は次のうちどれか

リサイズ

トリミング

パディング

正規化

各ピクセルの濃淡度やRGB値を扱いやすくするために、正規化処理を行います。

10 / 17

Category: データサイエンス力

通販サイトでのレコメンドにおいて、リフト値が1より大きい場合、どのような意味があるか

事象Xと事象Yの共起頻度は非常に高い

事象Xと事象Yは独立している

事象Xが起こったとき、事象Yが起こる確率は平均より低い

事象Xが起こったとき、事象Yが起こる確率は平均より高い

リフト値が1より大きい場合、事象Xが起こったときに事象Yも起こる確率が、事象Yが単独で起こる確率よりも高いことを意味します。これは、事象Xと事象Yの間に強い関連性があることを示しています。

11 / 17

Category: データサイエンス力

信頼度（Confidence）とは何を表しているか

事象Xと事象Yが同時に発生する確率

事象Xが発生したときに事象Yも発生する確率

事象Yが発生する独立した確率

事象Xが発生しないときに事象Yが発生する確率

信頼度は、ある事象Xが起こったという条件下で、事象Yが起こる割合を表し、事象Xと事象Yの結びつきの強さを示します。

12 / 17

Category: データサイエンス力

CDの量子化ビット数は何ビットか

8ビット

16ビット

24ビット

32ビット

CDの量子化ビット数は16ビットで、これは音波を2^16の幅で数値化することを意味します。量子化ビット数が大きいほど、より細かく音波の情報を変換できるため、元の音を損なわずにデータとして保存できます。

13 / 17

Category: データサイエンス力

アソシエーション分析において、共起頻度が高いとはどのような意味か

事象Xが発生した後に事象Yが発生する

事象Xと事象Yが全く関連していない

事象Xと事象Yが互いに影響を与える

事象Xと事象Yが頻繁に同時に発生する

共起頻度は、二つの事象が同時に発生する回数を指し、これが高い場合は、それらの事象が頻繁に一緒に起こることを意味します。これは、事象間の強い関連性を示唆しています。

14 / 17

Category: データサイエンス力

画像データの前処理で、画像の特定の部分だけを残して他を削除する処理は次のうちどれか

トリミング

リサイズ

パディング

正規化

トリミングは、画像の特定の部分だけを残して他を削除する処理です。

15 / 17

Category: データサイエンス力

画像データのフォーマットによって、次のうちどの要素が大きく異なるか

圧縮率や圧縮方法

ピクセル数

量子化レベル

画像の色

画像データのフォーマットにはJPEG、PNG、BMP、TIFFなどがあり、それぞれ圧縮率や圧縮方法が異なります。

16 / 17

Category: データサイエンス力

音波をデジタルデータに変換する際に、マイクが1秒間に波の情報を数字に変換する回数を何と呼ぶか

量子化ビット数

データレート

ビットレート

サンプリングレート

サンプリングレートは、マイクが1秒間に音波の情報をどれだけの回数で数字に変換するかを示す値です。44.1kHzや48kHzが一般的なサンプリングレートです。この値が大きいほど、より多くの音波の情報を取得でき、高音質のデータを得ることができます。

17 / 17

Category: データサイエンス力

機械の故障予知にはどのファイル形式が適しているか

WAV形式

MP3形式

FLAC形式

AAC形式

機械の故障予知には、人間の聞こえる範囲外の音も重要な情報となるため、音波の情報をそのまま保存するWAV形式が適しています。

Your score is

データサイエンス力 カテゴリ別問題集

データサイエンス力　カテゴリ別問題集