%3Cdiv%20class%3D%22ttlBox%22%3E%0A%20%20%3Cdiv%20class%3D%22ttl%22%3E%0A%20%20%20%20%3Ch4%3E%E5%88%86%E6%95%A3%E3%81%AE%E3%82%AB%E3%83%B3%E3%82%BF%E3%83%B3%E8%AA%9E%E5%8F%A5%E8%A7%A3%E8%AA%AC%3C%2Fh4%3E%0A%20%20%3C%2Fdiv%3E%0A%20%20%3Cdiv%20class%3D%22detail%22%3E%0A%20%20%20%20%3Cp%3E%E5%88%86%E6%95%A3%E3%81%A8%E3%81%AF%E3%83%87%E3%83%BC%E3%82%BF%E3%81%AE%E6%95%A3%E3%82%89%E3%81%B0%E3%82%8A%E5%85%B7%E5%90%88%E3%82%92%E7%A4%BA%E3%81%99%E5%9F%BA%E6%9C%AC%E7%B5%B1%E8%A8%88%E9%87%8F%E3%81%AE%E3%81%B2%E3%81%A8%E3%81%A4%E3%81%A7%E3%81%99%E3%80%82%E3%83%87%E3%83%BC%E3%82%BF%E3%81%AE%E5%81%8F%E5%B7%AE%E3%81%AE%E4%BA%8C%E4%B9%97%E5%92%8C%E3%82%92%E3%83%87%E3%83%BC%E3%82%BF%E3%81%AE%E5%80%8B%E6%95%B0%E3%81%A7%E5%89%B2%E3%81%A3%E3%81%9F%E3%82%82%E3%81%AE%E3%81%8C%E5%88%86%E6%95%A3%E3%81%A7%E3%80%81%E6%A8%99%E6%BA%96%E5%81%8F%E5%B7%AE%E3%82%84%E5%85%B1%E5%88%86%E6%95%A3%E3%80%81%E7%9B%B8%E9%96%A2%E4%BF%82%E6%95%B0%E3%81%AE%E8%A8%88%E7%AE%97%E3%81%AB%E3%82%82%E5%88%86%E6%95%A3%E3%81%8C%E4%BD%BF%E3%82%8F%E3%82%8C%E3%81%BE%E3%81%99%E3%80%82%3C%2Fp%3E%0A%20%20%3C%2Fdiv%3E%0A%3C%2Fdiv%3E%0A%0A%3Cstyle%3E%0A%20%20.ttlBox%20.ttl%20%7B%0A%20%20%20%20background%3A%20%235473a9%3B%0A%20%20%20%20padding%3A%208px%2024px%206.4px%3B%0A%20%20%20%20display%3A%20inline-block%3B%0A%20%20%7D%0A%20%20.ttlBox%20.ttl%20h4%20%7B%0A%20%20%20%20display%3A%20inline%3B%0A%20%20%20%20font-size%3A%2016px%3B%0A%20%20%20%20font-weight%3A%20bold%3B%0A%20%20%20%20color%3A%20%23fff%3B%0A%20%20%7D%0A%20%20.ttlBox%20.detail%20%7B%0A%20%20%20%20padding%3A%2024px%2032px%3B%0A%20%20%20%20border%3A%202px%20solid%20%235473a9%3B%0A%20%20%7D%0A%20%20.ttlBox%20.detail%20p%20%7B%0A%20%20%20%20font-size%3A%2016px%3B%0A%20%20%20%20line-height%3A%202.1em%3B%0A%20%20%20%20margin%3A%200%3B%0A%20%20%7D%0A%20%20.ttlBox%20.detail%20a%20%7B%0A%20%20%20%20text-decoration%3A%20underline%3B%0A%20%20%20%20text-decoration-style%3A%20dotted%3B%0A%20%20%20%20text-underline-offset%3A%202px%3B%0A%20%20%20%20text-decoration-color%3A%20rgba(0%2C%200%2C%200%2C%200.3)%3B%0A%20%20%20%20text-decoration-thickness%3A%201px%3B%0A%20%20%20%20color%3A%20%236495ed%3B%0A%20%20%7D%0A%20%20%40media%20screen%20and%20(max-width%3A%20540px)%20%7B%0A%20%20%20%20.ttlBox%20.ttl%20%7B%0A%20%20%20%20%20%20padding%3A%207px%2021px%205.6px%3B%0A%20%20%20%20%7D%0A%20%20%20%20.ttlBox%20.ttl%20h4%20%7B%0A%20%20%20%20%20%20font-size%3A%2014px%3B%0A%20%20%20%20%7D%0A%20%20%20%20.ttlBox%20.detail%20%7B%0A%20%20%20%20%20%20padding%3A%2021px%3B%0A%20%20%20%20%7D%0A%20%20%20%20.ttlBox%20.detail%20p%20%7B%0A%20%20%20%20%20%20font-size%3A%2014px%3B%0A%20%20%20%20%7D%0A%20%20%7D%0A%3C%2Fstyle%3E分散とは基本統計量は平均や中央値などのデータ全体を一つの値に要約するための代表値と、データ全体のバラつき具合を表す散布度に分けられます。分散は散布度を表す基本統計量のひとつであり、偏差の二乗和の平均で求められます。%3Cdiv%20class%3D%22stats-table-wrap%22%3E%0A%3Ctable%20class%3D%22stats-table%22%3E%0A%20%20%3Ctbody%3E%0A%0A%20%20%20%20%3Ctr%3E%0A%20%20%20%20%20%20%3Ctd%20class%3D%22group-main%22%20rowspan%3D%2210%22%3E%E5%9F%BA%E6%9C%AC%E7%B5%B1%E8%A8%88%E9%87%8F%3C%2Ftd%3E%0A%20%20%20%20%20%20%3Ctd%20class%3D%22group-sub%22%20rowspan%3D%225%22%3E%E4%BB%A3%E8%A1%A8%E5%80%A4%3C%2Ftd%3E%0A%20%20%20%20%20%20%3Ctd%3E%E5%B9%B3%E5%9D%87%3C%2Ftd%3E%0A%20%20%20%20%20%20%3Ctd%3E%E3%83%87%E3%83%BC%E3%82%BF%E3%81%AE%E7%B7%8F%E5%92%8C%20%2F%20%E3%83%87%E3%83%BC%E3%82%BF%E3%81%AE%E5%80%8B%E6%95%B0%3C%2Ftd%3E%0A%20%20%20%20%3C%2Ftr%3E%0A%0A%20%20%20%20%3Ctr%3E%0A%20%20%20%20%20%20%3Ctd%3E%E4%B8%AD%E5%A4%AE%E5%80%A4%3C%2Ftd%3E%0A%20%20%20%20%20%20%3Ctd%3E%E3%83%87%E3%83%BC%E3%82%BF%E9%A0%86%E4%BD%8D%E3%81%AE%E4%B8%AD%E5%A4%AE%E3%81%AE%E5%80%A4%3C%2Ftd%3E%0A%20%20%20%20%3C%2Ftr%3E%0A%0A%20%20%20%20%3Ctr%3E%0A%20%20%20%20%20%20%3Ctd%3E%E6%9C%80%E9%A0%BB%E5%80%A4%3C%2Ftd%3E%0A%20%20%20%20%20%20%3Ctd%3E%E5%BA%A6%E6%95%B0%E3%83%BB%E7%A2%BA%E7%8E%87%E3%81%8C%E6%9C%80%E5%A4%A7%E3%81%AE%E5%80%A4%3C%2Ftd%3E%0A%20%20%20%20%3C%2Ftr%3E%0A%0A%20%20%20%20%3Ctr%3E%0A%20%20%20%20%20%20%3Ctd%3E%E6%9C%80%E5%A4%A7%E5%80%A4%3C%2Ftd%3E%0A%20%20%20%20%20%20%3Ctd%3E%E3%83%87%E3%83%BC%E3%82%BF%E3%81%AE%E3%81%AA%E3%81%8B%E3%81%A7%E6%9C%80%E3%82%82%E5%A4%A7%E3%81%8D%E3%81%84%E5%80%A4%3C%2Ftd%3E%0A%20%20%20%20%3C%2Ftr%3E%0A%0A%20%20%20%20%3Ctr%3E%0A%20%20%20%20%20%20%3Ctd%3E%E6%9C%80%E5%B0%8F%E5%80%A4%3C%2Ftd%3E%0A%20%20%20%20%20%20%3Ctd%3E%E3%83%87%E3%83%BC%E3%82%BF%E3%81%AE%E3%81%AA%E3%81%8B%E3%81%A7%E6%9C%80%E3%82%82%E5%B0%8F%E3%81%95%E3%81%AA%E5%80%A4%3C%2Ftd%3E%0A%20%20%20%20%3C%2Ftr%3E%0A%0A%20%20%20%20%3Ctr%3E%0A%20%20%20%20%20%20%3Ctd%20class%3D%22group-sub%22%20rowspan%3D%225%22%3E%E6%95%A3%E5%B8%83%E5%BA%A6%3C%2Ftd%3E%0A%20%20%20%20%20%20%3Ctd%3E%E7%AF%84%E5%9B%B2%3C%2Ftd%3E%0A%20%20%20%20%20%20%3Ctd%3E%E6%9C%80%E5%A4%A7%E5%80%A4%E3%81%A8%E6%9C%80%E5%B0%8F%E5%80%A4%E3%81%AE%E5%B7%AE%3C%2Ftd%3E%0A%20%20%20%20%3C%2Ftr%3E%0A%0A%20%20%20%20%3Ctr%3E%0A%20%20%20%20%20%20%3Ctd%3E%E5%88%86%E6%95%A3%3C%2Ftd%3E%0A%20%20%20%20%20%20%3Ctd%3E%E5%81%8F%E5%B7%AE%EF%BC%88%E5%B9%B3%E5%9D%87%E5%80%A4%E3%81%A8%E5%90%84%E3%83%87%E3%83%BC%E3%82%BF%E3%81%AE%E5%B7%AE%EF%BC%89%3Csup%3E2%3C%2Fsup%3E%E3%81%AE%E5%90%88%E8%A8%88%20%2F%20%E3%83%87%E3%83%BC%E3%82%BF%E3%81%AE%E5%80%8B%E6%95%B0%3C%2Ftd%3E%0A%20%20%20%20%3C%2Ftr%3E%0A%0A%20%20%20%20%3Ctr%3E%0A%20%20%20%20%20%20%3Ctd%3E%E6%A8%99%E6%BA%96%E5%81%8F%E5%B7%AE%3C%2Ftd%3E%0A%20%20%20%20%20%20%3Ctd%3E%E5%88%86%E6%95%A3%E3%81%AE%E5%B9%B3%E6%96%B9%E6%A0%B9%3C%2Ftd%3E%0A%20%20%20%20%3C%2Ftr%3E%0A%0A%20%20%20%20%3Ctr%3E%0A%20%20%20%20%20%20%3Ctd%3E%E6%AD%AA%E5%BA%A6%3C%2Ftd%3E%0A%20%20%20%20%20%20%3Ctd%3E%E3%83%87%E3%83%BC%E3%82%BF%E3%81%AE%E3%83%90%E3%83%A9%E3%81%A4%E3%81%8D%E3%81%AE%E5%81%8F%E3%82%8A%3C%2Ftd%3E%0A%20%20%20%20%3C%2Ftr%3E%0A%0A%20%20%20%20%3Ctr%3E%0A%20%20%20%20%20%20%3Ctd%3E%E5%B0%96%E5%BA%A6%3C%2Ftd%3E%0A%20%20%20%20%20%20%3Ctd%3E%E3%83%87%E3%83%BC%E3%82%BF%E3%81%AE%E3%83%90%E3%83%A9%E3%81%A4%E3%81%8D%E3%81%AE%E9%9B%86%E4%B8%AD%E5%BA%A6%3C%2Ftd%3E%0A%20%20%20%20%3C%2Ftr%3E%0A%0A%20%20%3C%2Ftbody%3E%0A%3C%2Ftable%3E%0A%3C%2Fdiv%3E%0A%0A%3Cstyle%3E%0A.stats-table-wrap%7B%0A%20%20width%3A100%25%3B%0A%20%20overflow-x%3Aauto%3B%0A%7D%0A%0A.stats-table%7B%0A%20%20width%3A100%25%3B%0A%20%20border-collapse%3Acollapse%3B%0A%20%20font-size%3A14px%3B%0A%20%20color%3A%23333%3B%0A%7D%0A%0A.stats-table%20td%7B%0A%20%20border%3A1px%20solid%20%23d9d9d9%3B%0A%20%20padding%3A4px%2016px%3B%0A%20%20vertical-align%3Amiddle%3B%0A%20%20background%3A%23fff%3B%0A%7D%0A%0A.group-main%7B%0A%20%20width%3A120px%3B%0A%20%20text-align%3Aleft%3B%0A%20%20font-weight%3A500%3B%0A%7D%0A%0A.group-sub%7B%0A%20%20width%3A100px%3B%0A%20%20text-align%3Aleft%3B%0A%20%20font-weight%3A500%3B%0A%7D%0A%3C%2Fstyle%3E分散は以下の公式で求められます。%3Cdiv%20class%3D%22blueBox%22%3E%0A%20%20%3Cp%3E%0A%20%20%20%20S%3Csup%3E2%3C%2Fsup%3E%EF%BC%9A%E5%88%86%E6%95%A3%E3%80%81n%EF%BC%9A%E3%83%87%E3%83%BC%E3%82%BF%E5%80%8B%E6%95%B0%E3%80%81%E3%83%87%E3%83%BC%E3%82%BF%E3%81%AE%E5%80%A4%EF%BC%9Ax%3Csub%3Ei%3C%2Fsub%3E%E3%80%81%E5%B9%B3%E5%9D%87%E5%80%A4%EF%BC%9Ax%20%20%0A%20%20S%3Csup%3E2%3C%2Fsup%3E%20%3D%201ni%3D1n(xi%E2%88%92x%CC%84)%3Csup%3E2%3C%2Fsup%3E%20%3D%20%E5%81%8F%E5%B7%AE2%E3%81%AE%E5%90%88%E8%A8%88%E3%83%87%E3%83%BC%E3%82%BF%E3%81%AE%E5%80%8B%E6%95%B0%0A%20%20%3C%2Fp%3E%0A%3C%2Fdiv%3E%0A%3Cstyle%3E%0A%20%20.blueBox%20%7B%0A%20%20%20%20background-color%3A%20%23d9edf7%3B%0A%20%20%20%20color%3A%20%2331708f%3B%0A%20%20%20%20border-color%3A%20%23bce8f1%3B%0A%20%20%20%20padding%3A%2016px%3B%0A%20%20%20%20margin%3A%2016px%20auto%3B%0A%20%20%20%20border-radius%3A%203px%3B%0A%20%20%7D%0A%20%20.blueBox%20p%20%7B%0A%20%20%20%20font-size%3A%2016px%3B%0A%20%20%20%20line-height%3A%202.1%3B%0A%20%20%20%20margin%3A%200%3B%0A%20%20%7D%0A%20%20%40media%20screen%20and%20(max-width%3A%20540px)%20%7B%0A%20%20%20%20.blueBox%20%7B%0A%20%20%20%20%20%20padding%3A%2014px%3B%0A%20%20%20%20%20%20margin%3A%2014px%20auto%3B%0A%20%20%20%20%7D%0A%20%20%7D%0A%3C%2Fstyle%3E分散から標準偏差を求める分散が偏差二乗和の平均を取るのは、偏差の合計は0になり平均を求めることができないためです。2乗して求めた分散の値の平方根を取り、元の単位に戻したものが標準偏差です。標準偏差は平均を中心として、どの程度の範囲にデータが収束しているかを見る際に役に立ちます。%3Cdiv%20class%3D%22urlBox%22%3E%0A%20%20%3Cdiv%20class%3D%22detailBox%22%3E%0A%20%20%20%20%3Ch5%3E%0A%20%20%20%20%20%20%3Ca%20href%3D%22https%3A%2F%2Fqiqumo.jp%2Fcontents%2Fdictionary%2F3132%2F%22%20target%3D%22_blank%22%3E%E6%A8%99%E6%BA%96%E5%81%8F%E5%B7%AE%E3%81%A8%E3%81%AF%EF%BD%9C%E7%B0%A1%E5%8D%98%E8%A7%A3%E8%AA%AC%3C%2Fa%3E%0A%20%20%20%20%3C%2Fh5%3E%0A%20%20%20%20%3Cp%3E%E6%A8%99%E6%BA%96%E5%81%8F%E5%B7%AE%E3%81%AE%E3%82%AB%E3%83%B3%E3%82%BF%E3%83%B3%E8%A7%A3%E8%AA%AC%20%E6%A8%99%E6%BA%96%E5%81%8F%E5%B7%AE%E3%81%AF%E3%83%87%E3%83%BC%E3%82%BF%E3%81%8C%E5%B9%B3%E5%9D%87%E3%82%92%E4%B8%AD%E5%BF%83%E3%81%AB%E3%81%A9%E3%81%AE%E7%A8%8B%E5%BA%A6%E3%83%90%E3%83%A9%E3%81%A4%E3%81%84%E3%81%A6%E3%81%84%E3%82%8B%E3%81%8B%E3%82%92%E7%9F%A5%E3%82%8B%E3%81%9F%E3%82%81%E3%81%AE%E5%9F%BA%E6%9C%AC%E7%B5%B1%E8%A8%88%E9%87%8F%E3%81%A7%E3%81%99%E3%80%82%E5%88%86%E6%95%A3%E3%81%AE%E5%B9%B3%E6%96%B9%E6%A0%B9%E3%81%8C%E6%A8%99%E6%BA%96%E5%81%8F%E5%B7%AE%E3%81%AB%E3%81%82%E3%81%9F%E3%82%8A%E3%80%81%E5%88%86%E6%95%A3%E3%81%AF%E5%81%8F%E5%B7%AE%E3%81%AE2%E4%B9%97%E3%82%92%E5%B9%B3%E5%9D%87%E2%80%A6%3C%2Fp%3E%0A%20%20%20%20%3Cdiv%20class%3D%22link%22%3E%0A%20%20%20%20%20%20%3Ca%20href%3D%22https%3A%2F%2Fqiqumo.jp%2Fcontents%22%20target%3D%22_blank%22%3E%0A%20%20%20%20%20%20%20%20%3Cimg%20src%3D%22https%3A%2F%2Fstorage.googleapis.com%2Fstudio-design-asset-files%2Fprojects%2FBmqMdEvrOX%2Fs-150x150_webp_75112393-83b6-40fe-a51b-9468889a835b.png%22%2F%3E%0A%20%20%20%20%20%20%20%20%3Cp%3EQiQUMO%E3%82%B3%E3%83%B3%E3%83%86%E3%83%B3%E3%83%84%3C%2Fp%3E%0A%20%20%20%20%20%20%3C%2Fa%3E%0A%20%20%20%20%3C%2Fdiv%3E%0A%20%20%3C%2Fdiv%3E%0A%20%20%3Cdiv%20class%3D%22imgBox%22%3E%0A%20%20%20%20%3Ca%20href%3D%22https%3A%2F%2Fqiqumo.jp%2Fcontents%2Fdictionary%2F3132%2F%22%20target%3D%22_blank%22%3E%0A%20%20%20%20%20%20%3Cimg%20src%3D%22https%3A%2F%2Fstorage.googleapis.com%2Fstudio-design-asset-files%2Fprojects%2FBmqMdEvrOX%2Fs-1024x624_v-fs_webp_a12332ad-9485-4054-b79c-97f69e62f3b6.png%22%2F%3E%0A%20%20%20%20%3C%2Fa%3E%0A%20%20%3C%2Fdiv%3E%0A%3C%2Fdiv%3E%0A%3Cstyle%3E%0A%20%20.urlBox%20%7B%0A%20%20%20%20border%3A%201px%20solid%20rgba(0%2C%200%2C%200%2C%200.12)%3B%0A%20%20%20%20padding%3A%2024px%3B%0A%20%20%20%20display%3A%20flex%3B%0A%20%20%20%20gap%3A%2048px%3B%0A%20%20%20%20border-radius%3A%204px%3B%0A%20%20%7D%0A%20%20.urlBox%20.detailBox%20%7B%0A%20%20%20%20width%3A%20calc(100%25%20%2F%203%20*%202)%3B%0A%20%20%7D%0A%20%20.urlBox%20.detailBox%20h5%20%7B%0A%20%20%20%20font-size%3A%2018px%3B%0A%20%20%20%20font-weight%3A%20bold%3B%0A%20%20%20%20line-height%3A%201.4em%3B%0A%20%20%20%20margin%3A%200%200%2018px%3B%0A%20%20%20%20color%3A%20%23333333%3B%0A%20%20%7D%0A%20%20.urlBox%20.detailBox%20h5%20a%20%7B%0A%20%20%20%20display%3A%20block%3B%0A%20%20%20%20color%3A%20%23333333%3B%0A%20%20%20%20text-decoration%3A%20none%3B%0A%20%20%7D%0A%20%20.urlBox%20.detailBox%20h5%20a%3Ahover%20%7B%0A%20%20%20%20display%3A%20block%3B%0A%20%20%20%20color%3A%20%236495ed%3B%0A%20%20%7D%0A%20%20.urlBox%20.detailBox%20p%20%7B%0A%20%20%20%20font-size%3A%2016px%3B%0A%20%20%20%20line-height%3A%202.1em%3B%0A%20%20%20%20margin%3A%200%200%2024px%3B%0A%20%20%7D%0A%20%20.urlBox%20.detailBox%20.link%20a%20%7B%0A%20%20%20%20display%3A%20flex%3B%0A%20%20%20%20align-items%3A%20center%3B%0A%20%20%20%20width%3A%20100%25%3B%0A%20%20%20%20color%3A%20%236495ed%3B%0A%20%20%20%20gap%3A%2010px%3B%0A%20%20%20%20text-decoration%3A%20none%3B%0A%20%20%7D%0A%20%20.urlBox%20.detailBox%20.link%20a%3Ahover%20p%20%7B%0A%20%20%20%20font-weight%3A%20bold%3B%0A%20%20%7D%0A%20%20.urlBox%20.detailBox%20.link%20a%20img%20%7B%0A%20%20%20%20width%3A%2016px%3B%0A%20%20%20%20height%3A%2016px%3B%0A%20%20%7D%0A%20%20.urlBox%20.detailBox%20.link%20a%20p%20%7B%0A%20%20%20%20font-size%3A%2016px%3B%0A%20%20%20%20margin%3A%200%3B%0A%20%20%7D%0A%20%20.urlBox%20.imgBox%20%7B%0A%20%20%20%20width%3A%20calc(100%25%20%2F%203)%3B%0A%20%20%7D%0A%20%20.urlBox%20.imgBox%20img%20%7B%0A%20%20%20%20width%3A%20100%25%3B%0A%20%20%20%20aspect-ratio%3A%20auto%201024%20%2F%20318%3B%0A%20%20%20%20border-radius%3A%204px%3B%0A%20%20%7D%0A%0A%20%20%40media%20screen%20and%20(max-width%3A%20540px)%20%7B%0A%20%20%20%20.urlBox%20%7B%0A%20%20%20%20%20%20padding%3A%2021px%3B%0A%20%20%20%20%20%20flex-wrap%3A%20wrap%3B%0A%20%20%20%20%20%20gap%3A%2021px%3B%0A%20%20%20%20%7D%0A%20%20%20%20.urlBox%20.detailBox%20%7B%0A%20%20%20%20%20%20width%3A%20100%25%3B%0A%20%20%20%20%7D%0A%20%20%20%20.urlBox%20.detailBox%20h5%20%7B%0A%20%20%20%20%20%20font-size%3A%2016px%3B%0A%20%20%20%20%20%20margin%3A%200%200%2016px%3B%0A%20%20%20%20%7D%0A%20%20%20%20.urlBox%20.detailBox%20p%20%7B%0A%20%20%20%20%20%20margin%3A%200%200%2021px%3B%0A%20%20%20%20%7D%0A%20%20%20%20.urlBox%20.detailBox%20.link%20a%20p%20%7B%0A%20%20%20%20%20%20font-size%3A%2014px%3B%0A%20%20%20%20%7D%0A%20%20%20%20.urlBox%20.imgBox%20%7B%0A%20%20%20%20%20%20width%3A%20100%25%3B%0A%20%20%20%20%20%20order%3A%20-1%3B%0A%20%20%20%20%7D%0A%20%20%7D%0A%3C%2Fstyle%3E%0A共分散分散が1組のデータの散らばり具合を表すのに対し、共分散は2組のデータ（2変量）を対象としてデータの散らばり具合（変動）が似ているかどうかを表します。共分散は2変量の「偏差の積の平均値」で求めることができます。2変量をx,y、x,yの共分散をSxyとすると、Sxyは以下の公式で表すことができます。%3Cdiv%20class%3D%22blueBox%22%3E%0A%20%20%3Cp%3E%0A%20%20%20x%2Cy%E3%81%AE%E5%85%B1%E5%88%86%E6%95%A3%EF%BC%9AS%3Csub%3Exy%3C%2Fsub%3E%20%E3%83%BB%20n%EF%BC%9A%E3%83%87%E3%83%BC%E3%82%BF%E5%80%8B%E6%95%B0%E3%80%81%E3%83%87%E3%83%BC%E3%82%BF%E3%81%AE%E5%80%A4%EF%BC%9Ax%3Csub%3Ei%3C%2Fsub%3E%2Cy%3Csub%3Ei%3C%2Fsub%3E%E3%80%81%0A%20%20%E5%B9%B3%E5%9D%87%E5%80%A4%EF%BC%9Ax%2Cy%20%20%0A%20%20S%3Csub%3Exy%3C%2Fsub%3E%20%3D%201ni%3D1n(xi%E2%88%92x%CC%84)(yi%E2%88%92%C8%B3)%0A%20%20%3C%2Fp%3E%0A%3C%2Fdiv%3E%0A%3Cstyle%3E%0A%20%20.blueBox%20%7B%0A%20%20%20%20background-color%3A%20%23d9edf7%3B%0A%20%20%20%20color%3A%20%2331708f%3B%0A%20%20%20%20border-color%3A%20%23bce8f1%3B%0A%20%20%20%20padding%3A%2016px%3B%0A%20%20%20%20margin%3A%2016px%20auto%3B%0A%20%20%20%20border-radius%3A%203px%3B%0A%20%20%7D%0A%20%20.blueBox%20p%20%7B%0A%20%20%20%20font-size%3A%2016px%3B%0A%20%20%20%20line-height%3A%202.1%3B%0A%20%20%20%20margin%3A%200%3B%0A%20%20%7D%0A%20%20%40media%20screen%20and%20(max-width%3A%20540px)%20%7B%0A%20%20%20%20.blueBox%20%7B%0A%20%20%20%20%20%20padding%3A%2014px%3B%0A%20%20%20%20%20%20margin%3A%2014px%20auto%3B%0A%20%20%20%20%7D%0A%20%20%7D%0A%3C%2Fstyle%3E2変量の共分散の値によって以下の関係が成り立ちます。%3Cdiv%20class%3D%22yellowBox%22%3E%0A%20%20%3Cp%3E%0A%E5%85%B1%E5%88%86%E6%95%A3%20%EF%BC%9E%200%20%E2%86%92%202%E5%A4%89%E9%87%8F%E3%81%AF%E4%B8%80%E6%96%B9%E3%81%8C%E5%A2%97%E5%8A%A0%E3%81%99%E3%82%8B%E3%81%A8%E3%82%82%E3%81%86%E4%B8%80%E6%96%B9%E3%82%82%E5%A2%97%E5%8A%A0%E3%81%99%E3%82%8B%E3%80%82%0A%3Cbr%3E%0A%E5%85%B1%E5%88%86%E6%95%A3%20%EF%BC%9D%200%20%E2%86%92%202%E5%A4%89%E9%87%8F%E3%81%AF%E9%96%A2%E9%80%A3%E6%80%A7%E3%81%8C%E3%81%AA%E3%81%84%E3%80%82%0A%3Cbr%3E%0A%E5%85%B1%E5%88%86%E6%95%A3%20%EF%BC%9C%200%20%E2%86%92%202%E5%A4%89%E9%87%8F%E3%81%AF%E4%B8%80%E6%96%B9%E3%81%8C%E5%A2%97%E5%8A%A0%E3%81%99%E3%82%8B%E3%81%A8%E3%82%82%E3%81%86%E4%B8%80%E6%96%B9%E3%81%AF%E6%B8%9B%E5%B0%91%E3%81%99%E3%82%8B%E3%80%82%0A%20%20%3C%2Fp%3E%0A%3C%2Fdiv%3E%0A%3Cstyle%3E%0A%20%20.yellowBox%20%7B%0A%20%20%20%20background-color%3A%20%23fcf8e3%3B%0A%20%20%20%20color%3A%20%238a6d3b%3B%0A%20%20%20%20border-color%3A%20%23faebcc%3B%0A%20%20%20%20padding%3A%2016px%3B%0A%20%20%20%20margin%3A%2016px%20auto%3B%0A%20%20%20%20border-radius%3A%203px%3B%0Awidth%3A100%25%3B%0A%20%20%7D%0A%20%20.yellowBox%20p%20%7B%0A%20%20%20%20font-size%3A%2016px%3B%0A%20%20%20%20line-height%3A%202.1%3B%0A%20%20%20%20margin%3A%200%3B%0A%20%20%7D%0A%20%20.yellowBox%20a%20%7B%0A%20%20%20%20color%3A%20%236495ed%3B%0A%20%20%7D%0A%20%20%40media%20screen%20and%20(max-width%3A%20540px)%20%7B%0A%20%20%20%20.yellowBox%20%7B%0A%20%20%20%20%20%20padding%3A%2014px%3B%0A%20%20%20%20%20%20margin%3A%2014px%20auto%3B%0A%20%20%20%20%7D%0A%20%20%7D%0A%3C%2Fstyle%3E具体的な例として、地域別1人当たり県民所得と地域別県内就業者数のデータをもとに共分散を求めてみます。1人当たり所得（万円）所得の偏差ー①就業者数（万人）②就業者数の偏差ー②①✕②偏差の積北海道・東北286ー25805ー143.63,590.0関東392812,5241,575.4127,607.4中部3392897728.4795.2近畿304ー71,050101.4ー709.8中国300ー11374ー575.66,331.6四国287ー24190ー758.618,206.4九州269ー42720ー228.69,601.2合計2,1176,640165,422.0平均311948.623,631.7%3Cp%20class%3D%22cite-under-image%22%3E%0A%20%20%E5%86%85%E9%96%A3%E5%BA%9C%0A%3Ca%20href%3D%22https%3A%2F%2Fwww.esri.cao.go.jp%2Fjp%2Fsna%2Fdata%2Fdata_list%2Fkenmin%2Ffiles%2Fcontents%2Fmain_2019.html%22target%3D%22_blank%22rel%3D%22noopener%22%3E%0A%20%20%20%20%E3%80%8C%E7%9C%8C%E6%B0%91%E7%B5%8C%E6%B8%88%E8%A8%88%E7%AE%97%EF%BC%88%E4%BB%A4%E5%92%8C%E5%85%83%E5%B9%B4%E5%BA%A6%EF%BC%891%E4%BA%BA%E3%81%82%E3%81%9F%E3%82%8A%E7%9C%8C%E6%B0%91%E6%89%80%E5%BE%97%E3%83%BB%E7%9C%8C%E5%86%85%E5%B0%B1%E6%A5%AD%E8%80%85%E6%95%B0%E3%80%8D%3C%2Fa%3E%E3%82%88%E3%82%8A%E4%BD%9C%E6%88%90%0A%3C%2Fa%3E%0A%3C%2Fp%3E%0A%3Cstyle%3E%0A%20%20.cite-under-image%20%7B%0A%20%20%20%20width%3A%20100%25%3B%0A%20%20%20%20text-align%3A%20center%3B%0A%20%20%20%20margin%3A%200%20auto%3B%0A%20%20%20%20font-size%3A%2012px%3B%0A%20%20%7D%0A%3C%2Fstyle%3E地域別1人当たり県民所得と地域別就業者数の共分散は、23,631.7と正の値であり、県民所得が高い県は就業者数も多いということがいえます。共分散から相関係数を求める共分散で求められる数値は2変量の単位に依存するため、共分散だけでは2変量に線形的な関係があるかどうかしか判断することができません。一方が増加するともう一方も増加する（または、減少する）という2変量の線形的な関係を相関といいますが、共分散を正規化することで相関の強さを表せるようにしたものが相関係数です。2変量をx,y、x,yの相関係数を r とすると、rは以下の公式を表すことができます。%3Cdiv%20class%3D%22blueBox%22%3E%0A%20%20%3Cp%3E%0A%20%20%20x%2Cy%E3%81%AE%E5%85%B1%E5%88%86%E6%95%A3%EF%BC%9ASxy%E3%80%81x%E3%81%AE%E6%A8%99%E6%BA%96%E5%81%8F%E5%B7%AE%EF%BC%9ASx%E3%80%81y%E3%81%AE%E6%A8%99%E6%BA%96%E5%81%8F%E5%B7%AE%EF%BC%9ASyr%20%EF%BC%88%E7%9B%B8%E9%96%A2%E4%BF%82%E6%95%B0%EF%BC%89%EF%BC%9DSxySx%E3%83%BBSy%20%EF%BC%9Dx%2Cy%E3%81%AE%E5%85%B1%E5%88%86%E6%95%A3x%E3%81%AE%E6%A8%99%E6%BA%96%E5%81%8F%E5%B7%AE%E2%9C%95y%E3%81%AE%E6%A8%99%E6%BA%96%E5%81%8F%E5%B7%AE%20%0A%20%20%3C%2Fp%3E%0A%3C%2Fdiv%3E%0A%3Cstyle%3E%0A%20%20.blueBox%20%7B%0A%20%20%20%20background-color%3A%20%23d9edf7%3B%0A%20%20%20%20color%3A%20%2331708f%3B%0A%20%20%20%20border-color%3A%20%23bce8f1%3B%0A%20%20%20%20padding%3A%2016px%3B%0A%20%20%20%20margin%3A%2016px%20auto%3B%0A%20%20%20%20border-radius%3A%203px%3B%0A%20%20%7D%0A%20%20.blueBox%20p%20%7B%0A%20%20%20%20font-size%3A%2016px%3B%0A%20%20%20%20line-height%3A%202.1%3B%0A%20%20%20%20margin%3A%200%3B%0A%20%20%7D%0A%20%20%40media%20screen%20and%20(max-width%3A%20540px)%20%7B%0A%20%20%20%20.blueBox%20%7B%0A%20%20%20%20%20%20padding%3A%2014px%3B%0A%20%20%20%20%20%20margin%3A%2014px%20auto%3B%0A%20%20%20%20%7D%0A%20%20%7D%0A%3C%2Fstyle%3E 相関係数はー1≦ r ≦ 1 の範囲を取り、1に近いほど正の相関が強く、ー1に近いほど負の相関が強いことを表します。0に付近ではほとんど相関がないということになります。地域別1人当たり県民所得と地域別就業者数の相関係数を求めると0.74となり、強い正の相関があることがわかります。1人当たり所得（万円）所得の偏差ー①就業者数（万人）②就業者数の偏差ー②①✕②偏差の積北海道・東北286ー25805ー143.63,590.0関東392812,5241,575.4127,607.4中部3392897728.4795.2近畿304ー71,050101.4ー709.8中国300ー11374ー575.66,331.6四国287ー24190ー758.618,206.4九州269ー42720ー228.69,601.2合計2,1176,640165,422.0標準偏差41.8-760.6--平均311-948.6-23,631.7%3Cp%20class%3D%22cite-under-image%22%3E%0A%20%20%E5%86%85%E9%96%A3%E5%BA%9C%0A%3Ca%20href%3D%22https%3A%2F%2Fwww.esri.cao.go.jp%2Fjp%2Fsna%2Fdata%2Fdata_list%2Fkenmin%2Ffiles%2Fcontents%2Fmain_2019.html%22target%3D%22_blank%22rel%3D%22noopener%22%3E%0A%20%20%20%20%E3%80%8C%E7%9C%8C%E6%B0%91%E7%B5%8C%E6%B8%88%E8%A8%88%E7%AE%97%EF%BC%88%E4%BB%A4%E5%92%8C%E5%85%83%E5%B9%B4%E5%BA%A6%EF%BC%891%E4%BA%BA%E3%81%82%E3%81%9F%E3%82%8A%E7%9C%8C%E6%B0%91%E6%89%80%E5%BE%97%E3%83%BB%E7%9C%8C%E5%86%85%E5%B0%B1%E6%A5%AD%E8%80%85%E6%95%B0%E3%80%8D%3C%2Fa%3E%E3%82%88%E3%82%8A%E4%BD%9C%E6%88%90%0A%3C%2Fa%3E%0A%3C%2Fp%3E%0A%3Cstyle%3E%0A%20%20.cite-under-image%20%7B%0A%20%20%20%20width%3A%20100%25%3B%0A%20%20%20%20text-align%3A%20center%3B%0A%20%20%20%20margin%3A%200%20auto%3B%0A%20%20%20%20font-size%3A%2012px%3B%0A%20%20%7D%0A%3C%2Fstyle%3E%3Cdiv%20class%3D%22urlBox%22%3E%0A%20%20%3Cdiv%20class%3D%22detailBox%22%3E%0A%20%20%20%20%3Ch5%3E%0A%20%20%20%20%20%20%3Ca%20href%3D%22https%3A%2F%2Fqiqumo.jp%2Fcontents%2Fdictionary%2F3004%2F%22%20target%3D%22_blank%22%3E%E7%9B%B8%E9%96%A2%E5%88%86%E6%9E%90%E3%81%A8%E3%81%AF%EF%BD%9C%E7%B0%A1%E5%8D%98%E8%A7%A3%E8%AA%AC%3C%2Fa%3E%0A%20%20%20%20%3C%2Fh5%3E%0A%20%20%20%20%3Cp%3E%E7%9B%B8%E9%96%A2%E5%88%86%E6%9E%90%E3%81%AE%E3%82%AB%E3%83%B3%E3%82%BF%E3%83%B3%E8%AA%9E%E5%8F%A5%E8%A7%A3%E8%AA%AC%20%E7%9B%B8%E9%96%A2%E5%88%86%E6%9E%90%E3%81%AF2%E3%81%A4%E3%81%AE%E5%A4%89%E6%95%B0%E3%81%AE%E9%96%A2%E4%BF%82%E6%80%A7%E3%82%92%E8%AA%BF%E3%81%B9%E3%82%8B%E3%81%9F%E3%82%81%E3%81%AB%E4%BD%BF%E3%82%8F%E3%82%8C%E3%82%8B%E7%B5%B1%E8%A8%88%E6%89%8B%E6%B3%95%E3%81%A7%E3%81%99%E3%80%82%E4%B8%80%E6%96%B9%E3%81%AE%E5%A4%89%E6%95%B0%E3%81%AE%E5%A4%89%E5%8C%96%E3%81%AB%E3%81%A8%E3%82%82%E3%81%AA%E3%81%84%E3%80%81%E3%82%82%E3%81%86%E4%B8%80%E6%96%B9%E3%81%AE%E5%A4%89%E6%95%B0%E3%82%82%E3%81%82%E3%82%8B%E7%A8%8B%E5%BA%A6%E3%81%AE%E8%A6%8F%E5%89%87%E6%80%A7%E3%82%92%E6%8C%81%E3%81%A3%E3%81%A6%E2%80%A6%3C%2Fp%3E%0A%20%20%20%20%3Cdiv%20class%3D%22link%22%3E%0A%20%20%20%20%20%20%3Ca%20href%3D%22https%3A%2F%2Fqiqumo.jp%2Fcontents%22%20target%3D%22_blank%22%3E%0A%20%20%20%20%20%20%20%20%3Cimg%20src%3D%22https%3A%2F%2Fstorage.googleapis.com%2Fstudio-design-asset-files%2Fprojects%2FBmqMdEvrOX%2Fs-150x150_webp_75112393-83b6-40fe-a51b-9468889a835b.png%22%2F%3E%0A%20%20%20%20%20%20%20%20%3Cp%3EQiQUMO%E3%82%B3%E3%83%B3%E3%83%86%E3%83%B3%E3%83%84%3C%2Fp%3E%0A%20%20%20%20%20%20%3C%2Fa%3E%0A%20%20%20%20%3C%2Fdiv%3E%0A%20%20%3C%2Fdiv%3E%0A%20%20%3Cdiv%20class%3D%22imgBox%22%3E%0A%20%20%20%20%3Ca%20href%3D%22https%3A%2F%2Fqiqumo.jp%2Fcontents%2Fdictionary%2F3004%2F%22%20target%3D%22_blank%22%3E%0A%20%20%20%20%20%20%3Cimg%20src%3D%22https%3A%2F%2Fstorage.googleapis.com%2Fstudio-design-asset-files%2Fprojects%2FBmqMdEvrOX%2Fs-1024x624_v-fs_webp_f4fd8db1-0338-442f-b277-9f0656d477c2.png%22%2F%3E%0A%20%20%20%20%3C%2Fa%3E%0A%20%20%3C%2Fdiv%3E%0A%3C%2Fdiv%3E%0A%3Cstyle%3E%0A%20%20.urlBox%20%7B%0A%20%20%20%20border%3A%201px%20solid%20rgba(0%2C%200%2C%200%2C%200.12)%3B%0A%20%20%20%20padding%3A%2024px%3B%0A%20%20%20%20display%3A%20flex%3B%0A%20%20%20%20gap%3A%2048px%3B%0A%20%20%20%20border-radius%3A%204px%3B%0A%20%20%7D%0A%20%20.urlBox%20.detailBox%20%7B%0A%20%20%20%20width%3A%20calc(100%25%20%2F%203%20*%202)%3B%0A%20%20%7D%0A%20%20.urlBox%20.detailBox%20h5%20%7B%0A%20%20%20%20font-size%3A%2018px%3B%0A%20%20%20%20font-weight%3A%20bold%3B%0A%20%20%20%20line-height%3A%201.4em%3B%0A%20%20%20%20margin%3A%200%200%2018px%3B%0A%20%20%20%20color%3A%20%23333333%3B%0A%20%20%7D%0A%20%20.urlBox%20.detailBox%20h5%20a%20%7B%0A%20%20%20%20display%3A%20block%3B%0A%20%20%20%20color%3A%20%23333333%3B%0A%20%20%20%20text-decoration%3A%20none%3B%0A%20%20%7D%0A%20%20.urlBox%20.detailBox%20h5%20a%3Ahover%20%7B%0A%20%20%20%20display%3A%20block%3B%0A%20%20%20%20color%3A%20%236495ed%3B%0A%20%20%7D%0A%20%20.urlBox%20.detailBox%20p%20%7B%0A%20%20%20%20font-size%3A%2016px%3B%0A%20%20%20%20line-height%3A%202.1em%3B%0A%20%20%20%20margin%3A%200%200%2024px%3B%0A%20%20%7D%0A%20%20.urlBox%20.detailBox%20.link%20a%20%7B%0A%20%20%20%20display%3A%20flex%3B%0A%20%20%20%20align-items%3A%20center%3B%0A%20%20%20%20width%3A%20100%25%3B%0A%20%20%20%20color%3A%20%236495ed%3B%0A%20%20%20%20gap%3A%2010px%3B%0A%20%20%20%20text-decoration%3A%20none%3B%0A%20%20%7D%0A%20%20.urlBox%20.detailBox%20.link%20a%3Ahover%20p%20%7B%0A%20%20%20%20font-weight%3A%20bold%3B%0A%20%20%7D%0A%20%20.urlBox%20.detailBox%20.link%20a%20img%20%7B%0A%20%20%20%20width%3A%2016px%3B%0A%20%20%20%20height%3A%2016px%3B%0A%20%20%7D%0A%20%20.urlBox%20.detailBox%20.link%20a%20p%20%7B%0A%20%20%20%20font-size%3A%2016px%3B%0A%20%20%20%20margin%3A%200%3B%0A%20%20%7D%0A%20%20.urlBox%20.imgBox%20%7B%0A%20%20%20%20width%3A%20calc(100%25%20%2F%203)%3B%0A%20%20%7D%0A%20%20.urlBox%20.imgBox%20img%20%7B%0A%20%20%20%20width%3A%20100%25%3B%0A%20%20%20%20aspect-ratio%3A%20auto%201024%20%2F%20318%3B%0A%20%20%20%20border-radius%3A%204px%3B%0A%20%20%7D%0A%0A%20%20%40media%20screen%20and%20(max-width%3A%20540px)%20%7B%0A%20%20%20%20.urlBox%20%7B%0A%20%20%20%20%20%20padding%3A%2021px%3B%0A%20%20%20%20%20%20flex-wrap%3A%20wrap%3B%0A%20%20%20%20%20%20gap%3A%2021px%3B%0A%20%20%20%20%7D%0A%20%20%20%20.urlBox%20.detailBox%20%7B%0A%20%20%20%20%20%20width%3A%20100%25%3B%0A%20%20%20%20%7D%0A%20%20%20%20.urlBox%20.detailBox%20h5%20%7B%0A%20%20%20%20%20%20font-size%3A%2016px%3B%0A%20%20%20%20%20%20margin%3A%200%200%2016px%3B%0A%20%20%20%20%7D%0A%20%20%20%20.urlBox%20.detailBox%20p%20%7B%0A%20%20%20%20%20%20margin%3A%200%200%2021px%3B%0A%20%20%20%20%7D%0A%20%20%20%20.urlBox%20.detailBox%20.link%20a%20p%20%7B%0A%20%20%20%20%20%20font-size%3A%2014px%3B%0A%20%20%20%20%7D%0A%20%20%20%20.urlBox%20.imgBox%20%7B%0A%20%20%20%20%20%20width%3A%20100%25%3B%0A%20%20%20%20%20%20order%3A%20-1%3B%0A%20%20%20%20%7D%0A%20%20%7D%0A%3C%2Fstyle%3E%0A相関係数を応用したポートフォリオ分析相関係数を使ったアンケート調査の分析方法にポートフォリオ分析があります。2つのカテゴリーデータの相関係数を算出し、相関係数からカテゴリーのポジショニングを行う方法です。典型的なものとして顧客満足度調査（CS調査）のポートフォリオ分析が挙げられます。以下は、スーパーマーケットの顧客満足度調査におけるポートフォリオ分析の事例です。スーパーマーケットの顧客満足度を実施し、総合満足度を高めることに寄与している個別項目を相関係数を用いて可視化し、改善施策の優先順位付けを行うことを目的とします。個別の評価項目の満足度率と総合満足度の相関係数を求めます。評価項目満足度率（5段階評価の上位2つ）相関係数惣菜が美味しい55.00.624品揃えが豊富50.00.594価格が手頃45.00.721生鮮食品が新鮮40.00.608レジの処理が速い40.00.556店内が明るい40.00.286陳列が見やすい25.00.442品切れが少ない15.00.685従業員の対応が良い10.00.238総合評価45.01.000平均35.60.528クロス・マーケティング「ポートフォリオ分析」のデータをもとに以下のような散布図を作成し、個別項目の満足度率と総合満足度との相関係数をプロットします。横軸に取った相関係数は総合満足度に対する影響の大きさを表し、縦軸の満足度率は個別評価項目の満足度の高さを表しています。①重点改善項目（右下）「品切れがない」は、総合満足度に大きく影響する項目であるにも関わらず評価を得られていません。個別項目のなかでは最優先で改善に取り組むべき項目に位置づけられます。②重点維持項目（右上）総合満足度と相関が強い個別評価項目（「惣菜が美味しい」「品揃えが豊富」「価格が手頃」「生鮮食品が新鮮」「レジの処理が速い」）は総合満足度を高めることにつながる個別項目です。個別項目としても高評価が得られているため、現状の水準を維持することに注力すべき項目です。④改善項目（左下）「陳列が見やすい」「従業員の対応が良い」は総合満足度への影響度、個別項目としての評価ともに低く、満足度の低いという点では改善が必要な項目ですが、総合満足度に対する影響度が低いため改善施策の優先度は低くなります。③維持項目（左上）「店内が明るい」は個別項目として評価は得られており、総合満足度への影響度も相対的に低いと考えられることから、改善への取り組みに対する優先順位は低くなります。まとめ標準偏差や相関係数など、よく用いられる統計量を理解するための基本となるのが分散です。また、統計的検定や確率を扱う際にも用いられる重要な統計量に位置づけられます。ポートフォリオ分析で見たように、データのバラつきからさまざまな情報を取り出すことができるため、分散を理解しておくことは統計データを扱う際に役立ちます。