情報I「データの活用」練習問題と解説

分類や種類を表すのが質的データ（血液型、好きな教科、性別など）、数値で量を表すのが量的データ（身長、点数、時間など）です。量的データはさらに、目盛りの間隔に意味がある間隔尺度（温度、西暦）と、0が「まったくない」を意味し比にも意味がある比例尺度（身長、金額）に分かれます。データの種類によって使えるグラフや代表値が変わるため、最初の分類を誤ると以降がすべて崩れます。

平均値はすべての値を足して個数で割った値で、極端な値（外れ値）の影響を強く受けます。中央値は小さい順に並べたときの真ん中の値で、外れ値の影響を受けにくい代表値です。最頻値は最も多く現れる値で、質的データにも使えます。「一部の人だけ極端に高い年収」のようなデータでは、平均値より中央値のほうが実感に近い、という説明が定番の記述解答になります。

箱ひげ図は五数要約（最小値・第1四分位数・中央値・第3四分位数・最大値）を1つの図で表したものです。箱の左端が第1四分位数、箱の中の線が中央値、右端が第3四分位数で、箱の長さが四分位範囲（IQR）＝ 第3四分位数 − 第1四分位数にあたります。箱の中には全体の約50%のデータが入ります。複数の集団を並べて「散らばりが大きいのはどちらか」「中央値が高いのはどちらか」を読み取らせる問題が頻出です。

2つの量の関係を点で表したのが散布図です。右上がりに散らばっていれば正の相関、右下がりなら負の相関、はっきりした傾向がなければ相関がないといいます。強さを数値で表したのが相関係数で、−1以上1以下の値をとり、絶対値が1に近いほど直線的な関係が強いことを意味します。0に近ければ直線的な関係が弱い、ということであり、「関係がまったくない」とは限らない点（曲線的な関係は捉えられない）にも注意します。

この分野で最も狙われるのがここです。2つの量が一緒に増減していても（相関があっても）、一方が他方の原因だとは限りません。両方を同時に動かしている別の要因（第三の変数・交絡因子）が隠れていることもあれば、まったくの偶然のこともあります。「相関があるので〜が原因といえる」と書かれた選択肢は、ほぼ確実に誤りだと考えて読みにいきましょう。

大量のデータを効率よく安全に管理する仕組みがデータベースで、これを操作するソフトウェアがDBMSです。表（行と列）の形でデータを扱う関係データベースが代表的で、複数人が同時に更新しても矛盾が起きないよう管理します。また、集めたままのデータには誤入力・欠損値・表記ゆれが含まれるため、分析の前に整えるデータクレンジング（前処理）が必要です。誰でも自由に使えるよう公開されたデータをオープンデータといいます。