技術分野
⑥ AIの社会実装と数理・統計
G検定シラバス2024の「AIの社会実装と数理・統計」に含まれる全52用語を、シラバスに沿って要点を絞って解説します。
🔗 個別ページにある「📘 もっと深く学ぶ」はE資格レベルの発展解説への案内です。G検定対策としては、この章の説明と個別ページの内容で十分です。
🆕 この章の数理・統計は、シラバス2024で用語が具体的に明記された分野です（2021年版は「統計検定3級程度の基礎知識」という記述のみでした）。平均・分散・標準偏差から確率分布・仮説検定・距離の指標まで名指しで挙がっているため、個別のNEWバッジは付けていませんが、この範囲はまとめて新しい出題範囲として確認してください。
📖 各カードの「くわしく見る」から、その用語だけを掘り下げた解説ページへ移動できます。仕組み・混同しやすい用語との違い・よくある誤りの選択肢まで載せています。
▶ 個別ページの索引を一覧で見る（全52ページ）
35. AI プロジェクトの進め方
BPR
AI導入をきっかけに、業務のやり方そのものを根本から作り直す取り組みです。
試験のポイント技術より合意形成が難しい
「BPR」をくわしく見る →
Docker
実行環境をまるごと箱に詰めて、どこでも同じように動かせるようにする技術です。
試験のポイント再現性の確保はMLOpsの前提
「Docker」をくわしく見る →
MLOps
機械学習モデルを作って終わりにせず、運用・監視・再学習まで回し続ける仕組みです。
試験のポイントデータドリフトへの対応が主眼
「MLOps」をくわしく見る →
PoC
本格開発の前に「そもそも実現できるか」を小さく試して確かめる段階です。
試験のポイント目的を見失うと「PoC疲れ」に陥る
「PoC」をくわしく見る →
アジャイル
短い期間で作って試すことを繰り返し、状況に応じて柔軟に方向を変える開発手法です。
試験のポイント不確実性の高いAI開発に適する
「アジャイル」をくわしく見る →
クラウド
自前で機器を持たず、必要なときに必要なだけ計算資源を借りる仕組みです。
試験のポイントAI分野ではGPU・TPUの利用基盤として不可欠
「クラウド」をくわしく見る →
産学連携
企業と大学が組んで、研究成果を実際のサービスや製品につなげる取り組みです。
試験のポイントAI人材育成の場としての意義もある
「産学連携」をくわしく見る →
37. 数理・統計
移動平均
一定期間の平均をずらしながら計算し、細かい上下動をならして傾向を見る手法です。
試験のポイント区間幅によって滑らかさと反応速度が変わる
「移動平均」をくわしく見る →
確率分布
どの値がどれくらいの確率で出るかを表したものです。
試験のポイント離散型と連続型に分類される（ポアソン分布は離散型）
「確率分布」をくわしく見る →
確率変数
サイコロの目のように、試行のたびに値が確率的に決まる変数のことです。
試験のポイント離散型と連続型に分類される
「確率変数」をくわしく見る →
確率密度
連続した値をとる分布で、「その辺りにどれくらい集中しているか」を表す関数です。
試験のポイント正規分布の曲線が典型例
「確率密度」をくわしく見る →
疑似相関
本当は関係ないのに、別の要因のせいで関係があるように見えてしまう現象です。
試験のポイント例：アイス売上と水難事故（共通要因は気温）
「疑似相関」をくわしく見る →
期待値
起こりうる値を、その確率で重み付けして平均した値です。
試験のポイント損失の期待値最小化が機械学習の原理
「期待値」をくわしく見る →
帰無仮説
「差はない」と一旦仮定しておき、それを否定できるか調べるための仮説です。
試験のポイントデータによって棄却できるかを検証する
「帰無仮説」をくわしく見る →
共分散
2つの変数が一緒に増えるか、片方が増えると片方が減るかを表す指標です。
試験のポイント正なら同方向、負なら逆方向
「共分散」をくわしく見る →
最小二乗法
予測のズレを二乗して合計し、それが最小になるようにモデルを決める方法です。
試験のポイント線形回帰・重回帰の基礎理論
「最小二乗法」をくわしく見る →
最尤法
「このデータが出てくる確率が最も高くなる」ようにパラメータを決める方法です。
試験のポイント交差エントロピーの最小化＝最尤推定
「最尤法」をくわしく見る →
正規分布
平均を中心に左右対称の釣鐘型をした、最も基本的な連続分布です。
試験のポイント±1σに約68%、±2σに約95%
「正規分布」をくわしく見る →
相互情報量
片方を知ることで、もう片方についてどれだけ分かるかを表す尺度です。
試験のポイント相関係数（線形のみ）との違いが重要
「相互情報量」をくわしく見る →
対立仮説
「差がある」と主張する側の仮説。帰無仮説が否定されたときに採用されます。
試験のポイント帰無仮説と必ず対で設定する
「対立仮説」をくわしく見る →
二項分布
コインをn回投げて表が何回出るか、のように成功回数を表す分布です。
試験のポイントパラメータは試行回数nと成功確率p
「二項分布」をくわしく見る →
外れ値
他のデータから大きく離れた値。捨てるべきか活かすべきかは目的で変わります。
試験のポイントノイズの場合もあれば異常検知の対象の場合もある
「外れ値」をくわしく見る →
標準偏差
分散の平方根。ばらつきを元のデータと同じ単位で表せます。
試験のポイント正規分布では±1σに約68%、±2σに約95%
「標準偏差」をくわしく見る →
平均
すべての値を足して個数で割った、最も基本的な代表値です。
試験のポイント中央値との使い分けを押さえたい
「平均」をくわしく見る →
分散
データが平均からどれだけ散らばっているかを表す指標です。
試験のポイント二乗するのは符号を消すため
「分散」をくわしく見る →
ポアソン分布
「1時間に平均2件」のように、稀に起こる出来事の回数を表す分布です。
試験のポイント二項分布（試行回数が決まっている）との違い
「ポアソン分布」をくわしく見る →
