z スコアと偏差値の違いを完全整理 ─ 標準化の 3 つの形

「z スコア」「標準化得点」「偏差値」 ─ どれも『データを共通の物差しに変換する』ための量。同じ仲間ですが、スケール が違うので混同しやすい。本記事で 1 度きれいに整理しましょう。

原点に戻る ─ なぜ標準化が必要か

「数学のテスト 70 点」と「英語のテスト 70 点」、どちらが優秀か? 平均と標準偏差が違えば答えは変わります。各データを 「平均からどれくらいズレているか」を標準偏差を単位に表現する ─ これが標準化です。

z スコア(z-score)

• 意味: 平均から 何標準偏差ぶん ズレているか。
• 範囲: 理論上は無制限。実際のデータでは $-3$ 〜 $+3$ の範囲に収まることが多い(正規分布の経験則)。
• z = 0: 平均ちょうど。
• z = +1: 平均より 1 標準偏差上(正規分布なら上位 約 16%)。
• z = -2: 平均より 2 標準偏差下(正規分布なら下位 約 2.3%)。

標準化

「標準化」は z スコアを計算する 操作 の名前。「データを z スコアに変換する」 = 「データを標準化する」。操作の名前 vs 結果の名前 という関係です。

偏差値(T-score)

z スコアを 「平均 50・標準偏差 10」 の物差しに翻訳しただけ。負の数を避けて直感的にしたい、という日本独自の慣習が背景にあります(英語圏の T-score とは少し意味が違うので注意)。

• 偏差値 50: 平均ちょうど(z = 0)。
• 偏差値 60: 平均 + 1 σ(z = 1)、上位 約 16%。
• 偏差値 70: 平均 + 2 σ(z = 2)、上位 約 2.3%。
• 偏差値 30: 平均 - 2 σ(z = -2)、下位 約 2.3%。

3 つの関係

標準化(操作)で z スコア(値)を計算し、偏差値(値)は z スコアを線形変換して直感的にしたもの。3 者は同じ「相対位置」を別のスケールで表現しているだけです。

標準化したデータの性質

データ全体を z スコアに変換すると:

• 平均は必ず 0 になる($\bar{z}=0$)
• 標準偏差は必ず 1 になる($s_z=1$)
• もとの分布の形は保たれる(正規分布なら標準化後も正規分布)

応用 ─ どこで使うか

• 異なるデータの比較(数学と英語、身長と体重など、単位が違うものを公平に比較)
• 機械学習の前処理(変数のスケールを揃えると勾配降下法が安定)
• 正規分布の確率計算(z 値に変換すれば標準正規分布表が使える)
• 外れ値検出($|z|>3$ なら外れ値と判断する経験則)

より深い解説は 3 級教科書の [1.3 標準化 ─ 比較できる形に直す](/textbook/grade-3#ch1-sec3) をご覧ください。