1. 測定を含む量子回路の構築

Qiskitにおいて結果を確認するための回路を作成します。QuantumCircuit(1, 1) と記述することで、1つの量子ビットと、測定結果を書き込むための「1つの古典ビット」を準備します。この古典ビットを用意して測定を行わない限り、量子計算の結果を数値として読み出すことはできません。

from qiskit import QuantumCircuit

# 1量子ビットの回路と、測定結果を記録する古典ビットを1つ準備
qc = QuantumCircuit(1, 1)

# Hゲートで重ね合わせ状態を作成
qc.h(0)

# 0番目の量子ビットを測定し、その結果を0番目の古典ビットに保存
qc.measure(0, 0)

# 回路を描画
print(qc.draw(output='text'))

2. 実行結果（回路図）

ターミナルで実行すると、以下のように測定ゲート（M）が配置された回路図が表示されます。

% python sample_measure.py
     ┌───┐┌─┐
q: ┤ H ├┤M├
     └───┘└╥┘
c: 1/══════╩═
           0

3. 回路図の読み方と「0」の意味

この回路図には、重要な情報が可視化されています。

• c: 1/ : 測定結果を保存するための古典的な記録領域です。ここへ情報を書き出すことではじめて、人間が結果を読み取れます。
• ╩（二重線） : 測定（M）によって、量子情報が古典ビットへと「確定」して送られる様子を表しています。
• 一番下の「0」 : これは「結果が0だった」という意味ではありません。「0番目の量子ビットの測定結果を、0番目の古典ビットという『宛先（ID）』に保存する」という接続指示を指しています。

このように、Qiskitで qc.measure(0, 0) を実行することで、量子ビットの確率的な情報を「古典ビットという箱」に固定することができます。これによって、後続のシミュレータ実行時に「0」または「1」という確定した値として結果を得ることができるようになるのです。

次のステップ

測定する場所が確保できたので、次回はいよいよシミュレータを使って、この回路を実際に動かし、統計的な結果（0と1の出現回数）を取得してみたいと思います。

1. 【 問題 】

統計学において、元の確率変数がどのような分布（一様分布やポアソン分布など）に従うものであっても、そこから無作為抽出したサンプルの大きさ（標本サイズ）が十分に大きいとき、その標本平均の分布は近似的にどのような確率分布に従うという定理でしょうか？

① 正規分布（ガウス分布）
② 二項分布
③ カイ二乗分布
④ 指数分布

2. 【 解答 】

3. 整理：イメージで掴む「中心極限定理」の凄さ

言葉だけで考えると「当たり前のこと？」と思ってしまいがちですが、この定理の本質は「元の分布の形を問わない」という圧倒的な懐の深さにあります。

【 例：サイコロの出目のシミュレーション 】

★ データサイエンスにおける最大のメリット：
実務で扱うデータ（Webサイトの滞在時間、購買金額、センサーのログなど）は、大抵は左右非対称でいびつな形をしています。しかし、中心極限定理があるおかげで、「サンプルサイズ（データの個数）が十分に大きければ、元の形がどれだけ変でも、その平均値については正規分布を前提とした強力な統計的検定や区間推定を使って分析してよい」という超強力な理論的支柱になっているのです。

4. 試験でセットで狙われる「大数の法則」との違い

中心極限定理と名前が似ていて、試験で最も引っ掛け問題として出されるのが「大数の法則（たいすうのほうそく）」です。ここを明確に区別しておきましょう！

5. DS検定形式：実戦4択クイズ

問：中心極限定理において、サンプルサイズ（n）が十分に大きくなるにつれて、標本平均の分布の形は正規分布に近づきますが、その「分布のばらつきの幅（標準誤差）」は、サンプルサイズの増加に伴ってどのように変化するか。最も適切なものを一つ選べ。

① サンプルサイズに関わらず、元のデータの分散と完全に一致したまま変化しない。
② サンプルサイズが大きくなるほど、その平方根（ルートn）に反比例して「小さく（狭く）」なっていく。
③ サンプルサイズが大きくなるほど、比例して指数関数的に「大きく（広く）」なっていく。
④ 常に 0 に固定され、一切のばらつきが消滅する。

【 正解： ② 】

解説： 統計の基本性質を問う重要問題です。 データを多く集めれば集めるほど、標本平均の予測精度は高くなり、ばらつき（標準誤差）は「小さく（狭く）」なっていきます。具体的には、サンプルサイズ n の平方根（√n）に反比例して狭くなります。 試験対策として、「データが増えれば、平均値の正規分布は中央にギューッと細く尖っていく」というイメージを持っておきましょう！

6. まとめ

DS検定や統計学の試験において「標本の大きさが十分に大きいとき、確率変数の平均値が正規分布に従う」という記述が出たら、正解は「中心極限定理」一択です。 「1つの点に近づく（大数の法則）」との引っ掛けに注意しつつ、時系列解析や機械学習の数理の裏で動いているこの超重要定理をマスターしておきましょう！

1. 【 問題 】

統計学やデータサイエンスの因果推論において、独立変数（原因）が従属変数（結果）に直接影響を与えるのではなく、ある「第3の変数」を途中で経由して間接的に影響を及ぼしているとき、この因果関係を仲介している第3の変数のことを何と呼ぶでしょうか？

① 媒介変数（メディエーター）
② 交絡変数（コンファウンダー）
③ 目的変数
④ ダミー変数

2. 【 解答 】

3. 整理：具体例で見る「媒介変数」の仕組み

言葉の定義だけでなく、実務でよくある具体例をイメージすると一発で理解できます。

【 具体例：企業の研修制度の効果 】

「研修をやったら売上が上がった」というデータがあるとき、研修を受講したからといって、魔法のように突然売上が自動で増えるわけではありません。その間には必ず、以下のようなプロセスの変化が存在します。

この、真ん中にある【社員のスキル・モチベーション】こそが「媒介変数」です。独立変数が媒介変数を動かし、その媒介変数が従属変数を動かす、という綺麗な「一本道の数珠つなぎ（リレー）」の構造になっています。

4. 試験で絶対に出る「交絡変数」との決定的違い

試験で最も狙われるのは、同じ第3の変数である「交絡（こうらく）変数」との区別です。ここを間違えると致命的なので、表で完全にマスターしましょう！

※交絡変数の例：「見かけ上、コーヒーの摂取量（独立）が多い人ほど、肺がんの発症率（従属）が高い」というデータがあるとき、真の原因である【喫煙習慣（交絡変数）】が両方に影響を与えているだけ、というケースです。媒介変数とは矢印の向きが全く違いますね！

5. DS検定形式：実戦4択クイズ

問：統計的因果推論において、独立変数が従属変数に与える影響のうち、媒介変数を経由せずに直接与える影響のことを「直接効果」と呼ぶ。これに対して、独立変数が媒介変数を変化させ、その変化を通じて最終的に従属変数に与える影響のことを何と呼ぶか。

① 疑似効果   ② 間接効果   ③ 交互作用効果   ④ 主効果

【 正解： ② 】

解説： 媒介分析における基本用語である「間接効果（Indirect Effect）」です。 独立変数が与える全影響（総合効果）は、「直接効果 ＋ 間接効果」の合計として計算されます。試験対策として、「媒介変数を通るルートの影響 ＝ 間接効果」と脳内にインデックスしておきましょう！

6. まとめ

DS検定において「独立変数が直接影響せず、第3の変数を経由して従属変数に影響する」という記述が出たら、正解は「媒介変数」です。 ただの相関関係から、ビジネスや科学における「納得感のある因果のストーリー」を組み立てるための必須知識ですので、交絡変数との矢印の向きの違いとセットで確実に押さえておきましょう！

1. 【 問題 】

ある事象が起こる確率を p としたとき、「その事象が起こる確率」と「起こらない確率（1 - p）」の比である「オッズ」を求める数式として、最も適切なものはどれでしょうか？

① p / (1 - p)

② p × (1 - p)

③ (1 - p) / p

④ 1 / p

2. 【 解答 】

3. 整理：「オッズ」と「オッズ比」の具体的な計算方法

言葉だけで考えると混乱しやすいので、具体的な数字（2×2の分割表）を使って一気に脳内を整理しましょう！

【 例：ある新しいWeb広告をクリックした人と、しなかった人のデータ 】

ステップ1：それぞれの「オッズ」を計算する

オッズとは、「起きた数 ÷ 起きなかった数」（あるいは p / (1 - p)）です。確率のように全体（分母）を足す必要はありません。

ステップ2：2つのオッズを比較して「オッズ比」にする

オッズ比（Odds Ratio）は、文字通り「オッズの比（割り算）」です。今回は「Bに対するAのオッズ比」を計算してみます。

★ 結果の解釈：
オッズ比が「6」ということは、「メルマガ経由のユーザーは、SNS経由のユーザーに比べて、広告をクリックするオッズが6倍高い」と言えます。もしオッズ比が「1」なら両グループに差はなく、「1未満」なら逆の効果（下がる）を意味します。

試験で使える最強の裏技「クロス積」
分割表のアルファベット（a, b, c, d）を使ってオッズ比を求める場合、実は「斜めに掛け算して割る（ (a × d) / (b × c) ）」だけで一発で計算できます！
数式： (15 × 20) / (5 × 10) = 300 / 50 = 6
試験本番で時間が足りない時は、このクロス積を使って3秒で解きましょう！

5. DS検定形式：実戦4択クイズ

問：機械学習において、二値分類（はい/いいえ）を予測する「ロジスティック回帰モデル」について述べた文として、最も適切なものはどれか。

① 目的変数のオッズに対して自然対数をとった「対数オッズ（ロジット）」を、説明変数の線形結合（直線）で表すモデルである。
② 予測値としてオッズそのものをそのまま出力するため、出力値の範囲は 0 から 1 の間に限定される。
③ 説明変数を高次元の空間に写像するために、カーネル関数を内部で必ず用いるノンパラメトリックなモデルである。
④ 決定木を直列に繋いで前のモデルの誤差を順番に修正していく、バギングの一種である。

【 正解： ① 】

解説： ロジスティック回帰モデルの数理定義そのものです。 ロジスティック回帰は、確率 p をそのまま直線で予測しようとすると「100%を超える」「マイナスになる」という矛盾が起きるため、まず確率を**オッズ（ p / (1 - p) ）**に変換し、さらにそれを対数（log）に変えた**「対数オッズ（ロジット）」**を直線で予測します。これを確率に戻すために使うのが、あの有名な「シグモイド関数」です。すべての数理が一本の線で繋がりましたね！

6. まとめ

DS検定や統計学の試験において「事象が発生する確率 / 発生しない確率」と聞かれたら「オッズ」、「オッズ同士を比較したもの」と言われたら「オッズ比」です。 実務のデータ分析でも、機械学習モデル（ロジスティック回帰）の係数を解釈する際のベースとなる超必須知識ですので、クロス積の裏技とセットで確実に得点源にしていきましょう！

1. 【 問題 】

機械学習における先進的な学習アーキテクチャの一つであり、スマートフォンやIoT機器などの「エッジデバイス（端末）」側で、それぞれが持つローカルなデータを使って個別にモデルの訓練を行い、中央の「サーバー」には生データを一切送信せず、学習によって得られた「モデルの更新情報（パラメーターや勾配）」だけを集約・統合して一つの強力な全体モデルを構築する技術を何と呼ぶでしょうか？

① 転移学習（Transfer Learning）
② 知識蒸留（Knowledge Distillation）
③ フェデレーションラーニング（Federated Learning / 連合学習）
④ アクティブラーニング（Active Learning）

2. 【 解答 】

3. 整理：従来の手法（集中学習）との決定的違い

「生データを一箇所に集めるか、それともその場で処理するか」という構造の違いを、メリットと合わせて整理しましょう。

4. どんな実務シーンで大活躍しているか？

フェデレーションラーニングは、以下のような「データを社外やクラウドに出すことが法律・倫理的に絶対に許されない領域」で絶大な威力を発揮しています。

・スマートフォンの予測変換（身近な例）: ユーザーが夜間にスマホを充電している間に、端末内でこっそり「その人のタイピングの癖」を学習。学習結果のパラメーターだけがGoogleやAppleなどのサーバーに送信され、世界中のユーザーの予測変換エンジンが日々アップデートされます（個人のチャット履歴は誰にも見られません）。
・医療・ヘルスケア（機密データの連携）: A病院、B病院、C病院が持つ患者の電子カルテや検査画像は、個人情報の塊であり、他の病院と共有することはできません。しかし、フェデレーションラーニングを使えば、各病院のサーバー内でAIを学習させ、その成果だけを持ち寄ることで、「患者のプライバシーを100%守ったまま、世界最高の診断AIを共同開発する」という奇跡的なコラボレーションが可能になります。

5. DS検定形式：実戦4択クイズ

問：フェデレーションラーニングにおいて、各エッジデバイスから集められた「モデルの更新情報」を中央サーバーで統合する際、単純に平均をとるだけでなく、各デバイスが持っているデータ数（学習の貢献度）に応じて重み付け平均を計算する、最も代表的な集約アルゴリズムを何と呼ぶか。

① フェデレーテッド・アベレージング（FedAvg）   ② K-means++   ③ 勾配降下法   ④ ミニバッチ処理

【 正解： ① 】

解説： 連合学習のアルゴリズムの代名詞である**「FedAvg（Federated Averaging）」**です。 エッジごとに持っているデータの量や質がバラバラ（非独立同分布：Non-IID）であるという分散システム特有の課題に対し、中央でスマートにモデルを融合（アグリゲーション）するための標準的な手法として、試験でも技術的なキーワードとして狙われます。

6. まとめ

DS検定やAIシステム設計において「生データを中央に集めず、エッジとサーバーが連携してモデルを訓練する分散型技術」というキーワードが登場したら、迷わず「フェデレーションラーニング（連合学習）」を選択しましょう！ データのプライバシー保護（ガバナンス）と、効率的な分散インフラ（MLOps）の両面を解決する現代の必須セキュア技術ですので、その美しい仕組みをカチッと押さえておきましょう！

1. 【 概要 】

データマイニングとは、一見何の因果関係もないと思われる膨大なデータの集まりから、統計学や機械学習の手法を用いて規則性や法則性を発見する作業です。

例えば、「特定の食べ物と飲み物の組み合わせが同時に最も購入されやすい」といった隠れたビジネスルールを発見し、組織の業績向上やマーケティング施策に繋げます。一般的には、データウェアハウス（DWH）に蓄積されたクレンジング済みの大量データに対して行われます。

2. 【 基本手順（代表的な4つの手法） 】

3. 整理：各手法の具体的な処理内容

データマイニングで用いられる4つのアプローチについて、具体的な例を交えてステップごとに深く見ていきましょう。

【 各手法の具体的な処理内容 】

4. 関連して押さえたい「OLAP（多次元分析）とデータマイニングの違い」

データウェアハウスを活用する手法として、データマイニングと並んでよく登場するのが「OLAP（Online Analytical Processing）」です。これらは「アプローチの出発点」が決定的に異なります。

OLAPは、まず利用者が「男性より女性の方がこの商品を買っているのではないか？」といった仮説を自ら設定します。その仮説が正しいかどうかを、ツールを使ってデータを多角的にグラフ化・集計しながら「検証」していく手法です（人間主導）。

一方、データマイニングは、人間が仮説を持っていなくても、コンピュータ自身が大量のデータを探索し、人間が思いつきもしなかった新しいルールや未知のパターンを自動的に「発見」してくれる手法です（システム主導）。実務では、この両者をバランスよく組み合わせて分析を進めます。

5. 補足：相関分析の有名トピック「ビールと紙おむつ」

データマイニングの「相関関係分析」において、世界で最も有名な事例がアメリカのスーパーマーケットでの逸話である「ビールと紙おむつ」です。

膨大なPOSデータ（レジの販売データ）をマイニングした結果、「金曜日の夕方に紙おむつを買う父親（男性）は、一緒に缶ビールをまとめ買いしていく」という、人間が頭で考えているだけでは絶対に気づけない奇妙な相関ルールが見つかりました。

この発見をもとに、店側が「おむつ売り場のすぐ横にビールを並べて配置した」ところ、両方の売上がさらに跳ね上がったと言われています。これこそが、データマイニングがビジネスに莫大な利益をもたらすことを証明した象徴的なトピックです。

6. まとめ

データサイエンスやビッグデータ活用の核となる「データマイニング」。人間主導で仮説検証を行うOLAPとは異なり、相関分析、クラスタリング、分類、時系列分析といった強力な技術を駆使して、データの中からビジネスの勝機となる隠れたルールを自動で発掘できるのが最大の強みです。DWHに眠るデータを価値ある資産に変えるために、各手法の特徴をしっかり押さえておきましょう！

1. 【 概要 】

データ前処理とは、機械学習モデルの学習効率や予測精度を高めるために、データを最適な状態へと変換する一連の手順です。数値の桁数を揃えるスケーリングや、文字データを数値に変えるエンコーディング、データの分割など、実務で必須となる6つの主要なプロセスを整理します。

2. 【 基本手順 】

3. 整理：各ステップの具体的な処理内容

データ前処理で行われる具体的な手法とポイントを、ステップごとに深く見ていきましょう。

【 各プロセスの具体的な処理内容 】

4. 関連して押さえたい「前処理における情報漏洩（データリーケージ）の罠」

データ前処理を行う際、機械学習の初心者が最も注意しなければならないのが「データリーケージ（情報漏洩）」という罠です。

例えば、ステップ1のスケーリング（標準化や正規化）を行う際、データを「訓練データ」と「テストデータ」に分割する前に、データ全体に対して平均値や最大値を計算してスケーリングを適用してしまうケースが多々あります。

これを行ってしまうと、本来はモデルが「知らないはず」のテストデータの情報（平均値など）が、訓練データ側に漏れ出して（リークして）しまいます。その結果、手元での検証スコアは異常に高くなるものの、いざ実戦で未知のデータを予測させると全く当たらないモデルになってしまいます。前処理の計算は、必ず「データを分割した後に、訓練データの基準を使って適用する」という正しい手順を徹底しましょう。

5. 補足：Python（Scikit-learn）での代表的な前処理クラス

実際の機械学習開発（Python）で、データ前処理を行う際によく使われるScikit-learnの代表的なクラスをまとめました。
実務コードを読む際のカンペとしてお役立てください。

6. まとめ

データサイエンスや機械学習の現場において、モデル構築の成否を分ける最重要フェーズが、この「データ前処理」です。スケーリング、エンコーディング、分割、次元削減、特徴量エンジニアリング、平滑化という6つの基本手順それぞれの目的と処理内容をしっかりと理解し、機械学習モデルが最も力を発揮できる形へとデータを美しく仕立て上げられるようになりましょう！

1. 【 問題 】

機械学習や統計学において、データの変数（特徴量の数・次元）が増えるにつれて、データを表現するために必要な空間の体積が指数関数的に増大し、その結果データが非常に希薄（スカスカ）になって予測モデルの学習が急激に困難になったり、計算量が爆発したりする現象を何と呼ぶでしょうか？

① 次元の呪い
② 勾配消失問題
③ 多重共線性（マルチコ）
④ 局所最適解の罠

2. 【 解答 】

3. 整理：次元が増えるとなぜ問題が「指数関数的」に難しくなるのか？

「空間がスカスカになる」という現象を、お菓子の箱の中にデータを詰めるイメージで視覚的に整理してみましょう。

★ ここが呪いの本質：
次元が数万、数十万と増えていくと、手元にある数万件程度のデータでは「広大すぎる空間に対してデータが圧倒的に足りず、どこもかしこもスカスカ」という状態になります。こうなると、データ同士の「近さ・遠さ（距離）」の差がほとんどなくなってしまい、先ほど学んだクラスタリング（距離で分ける）や、K-means、KNNといった「距離を使うアルゴリズム」が全く機能しなくなってしまいます。

5. DS検定形式：実戦4択クイズ

問：機械学習において「次元の呪い」を回避し、過学習を防ぎながら計算コストを抑えるためのアプローチとして、最も不適切なものを一つ選べ。

① 主成分分析（PCA）などの手法を用いて、情報の損失を最小限に抑えつつ低次元の空間に写像する（次元削減）。
② 予測にあまり寄与していない、重要度の低い特徴量（変数）をフィルタリングして削除する（特徴量選択）。
③ モデルの表現力を最大化するために、手元にある限られたデータ数のまま、さらに新しい特徴量を数千個手動で作成して追加する。
④ L1正則化（Lasso回帰）などを用いて、不要な変数の重みを自動的に0にし、実質的な次元を減らす。

【 正解： ③ 】

解説： 次元の呪いを解決するための基本戦略に関する問題です。 データ数が限られている中で、むやみに特徴量を数千個も追加（③）すると、空間がさらにスカスカになり、次元の呪いが加速して猛烈に過学習（オーバーフィッティング）を起こします。①（次元削減）、②（特徴量選択）、④（正則化によるスパース化）は、いずれも次元の呪いを解くための王道の防衛策です。

6. まとめ

DS検定において「次元が増えるにつれて問題が指数関数的に難しくなる」「空間が希薄（スカスカ）になる」という主旨が登場したら、答えは「次元の呪い」です。 データが多ければ多いほど良いわけではなく、適切なサイズに「絞る（次元削減）」ことこそがデータサイエンティストの重要な役割である、という格言のようなコンセプトですので、しっかりと記憶に刻んでおきましょう！

今回は、2つの量子ビットを連動させる「CXゲート（制御NOTゲート）」を導入します。Hゲートと組み合わせることで、量子ビット間に相関を持たせる「量子もつれ（Entanglement）」の基本回路を作成します。

1. サンプルコードの作成

2量子ビットの回路を作成し、0番目の量子ビットにHゲートを、その0番目を制御ビットとして1番目にCXゲートを適用します。これを sample2.py として保存しました。

from qiskit import QuantumCircuit

# 2量子ビットの量子回路を作成
qc = QuantumCircuit(2)

# 0番目にHゲートを適用
qc.h(0)

# 0番目を制御ビット、1番目をターゲットビットとしてCXゲートを適用
qc.cx(0, 1)

# 回路をテキスト形式で描画
print(qc.draw(output='text'))

2. 実行結果

ターミナルでスクリプトを実行すると、以下のように回路が表示されます。

% python sample2.py
     ┌───┐     
q_0: ┤ H    ├──■──
     └───┘┌─┴─┐
q_1: ─────┤  X   ├
               └───┘

3. 回路のポイント

実行結果を見ると、0番目の H ゲートから伸びた線が、1番目の X ゲートへと繋がっているのがわかります。これが「量子もつれ」を生み出すベル状態の基本形です。回路図の表示レイアウトは環境によって多少ズレが生じることがありますが、重要なのは「どのゲートがどの量子ビットに接続されているか」という論理構造です。

次のステップ

回路の構造を確認できるようになったので、次は「測定（Measure）」を追加して、観測によってこの量子もつれ状態がどう確定するのかを実験してみます。

1. 【 問題 】

階層型クラスタリングにおいて、2つのクラスター同士の距離を定義する方法のうち、「それぞれのクラスターに含まれるすべてのデータペア間の距離の平均」をそのクラスター間の距離とする手法の名称として、最も適切なものはどれでしょうか？

① 最短距離法（単連結法）
② 最長距離法（完全連結法）
③ 群平均法
④ ウォード法

2. 【 解答 】

3. 整理：クラスター間距離の5大手法と特徴

試験で問われるのは、各手法の「定義」と「どんなクラスタができやすいかという特徴」です。以下の表で一撃でマスターしましょう！

4. なぜ使い分けが重要なのか？（DS実務の視点）

階層型クラスタリングは、データ間の距離行列さえあれば計算できるため非常に強力ですが、上記のように「どの距離を採用するか」で結果の解釈が180度変わります。
例えば、マーケティングで「似たような購買傾向の顧客グループ」を綺麗に等分割したいときはウォード法が第一候補になりますし、逆に「不正アクセス検知」や「異常値の検出」のように、孤立した変なデータを見つけ出したいときには最短距離法が役に立つことがあります。データの分布や分析の目的に応じて手法を選択するセンスが、データサイエンティストには求められます。

5. DS検定形式：実戦4択クイズ

問：階層型クラスタリングの距離計算手法において、「クラスターを結合した際の『クラスター内平方和（分散）』の増加量が最小になるものから順に結合していく」という特徴を持ち、ノイズに比較的強く、データの個数が同程度に揃った球状のクラスタを形成しやすい、実務で最も一般的に用いられる手法はどれか。

① 最短距離法   ② 重心法   ③ メドイド法   ④ ウォード法

【 正解： ④ 】

解説： 受験生が絶対に落としてはいけない**「ウォード法」**に関する超頻出問題です。 「分散の増加量を最小にする」「球状の綺麗なクラスタを作る」というキーワードが出てきたら、迷わずウォード法を選べるように頭のインデックスを整理しておきましょう！

6. まとめ

階層型クラスタリングのクラスター間距離は、「最短」「最長」「群平均」はその名の通りの定義なので覚えやすいですが、試験で得点差になるのは「重心法（逆転現象のリスク）」と「ウォード法（分散の増加量最小・実務で最強）」の2つです。それぞれの距離の測り方が持つ「クセ」を理解して、試験の選択肢を確実に撃破しましょう！