1.1 統計学における標準化の概念
標準化は、異なる尺度や分布を持つデータを共通の基準で比較可能にする統計手法である。具体的には、各データ点から平均を引き、標準偏差で割る操作（Zスコア変換）を指すことが多い。この変換により、元のデータの相対的な位置関係を保ちながら、平均0、標準偏差1の分布に変換される。標準化は、変数間の単位やスケールの違いを除去し、統計分析や機械学習モデルの前処理として広く用いられる。
1.2 標準化と正規化の違い
標準化と正規化はしばしば混同されるが、目的と計算方法が異なる。標準化はデータを平均0、分散1に変換し、外れ値の影響を考慮する一方、正規化（特にMin-Maxスケーリング）はデータを最小値0、最大値1の範囲に収める。標準化はデータの分布形状を維持するが、正規化は分布の形状を変えずにスケールを揃える。機械学習では、アルゴリズムの仮定（正規分布を仮定するか否か）や外れ値の有無に応じて使い分けが必要である。
1.3 標準化の数学的基礎
標準化の数学的基礎は、平均μと標準偏差σを用いた線形変換にある。変換後の値zは z = (x - μ) / σ で表される。この変換により、変換後の分布の平均は0、分散は1となる。母集団のパラメータが未知の場合、標本平均と標本標準偏差を用いる。標準化は線形変換であるため、元のデータの順序関係や相対的な距離を保存する。
2.1 Zスコア標準化
2.1.1 計算式と仮定
Zスコア標準化の計算式は z_i = (x_i - x̄) / s である（x̄は標本平均、sは標本標準偏差）。この手法は、データが少なくとも近似的に正規分布に従うことを前提としないが、標準偏差が意味を持つために連続性と等間隔尺度が仮定される。外れ値の存在は平均と標準偏差に影響を与え、変換結果を歪める可能性がある。
2.1.2 外れ値への頑健性
Zスコア標準化は外れ値に敏感である。外れ値が平均を引き寄せ、標準偏差を大きくするため、変換後のZスコアが本来よりも小さくなる傾向がある。このため、外れ値が多数含まれるデータでは、ロバストな尺度（中央値とIQR）を用いた標準化が推奨される。
2.2 その他の標準化手法
2.2.1 ロバスト標準化（中央値・IQR利用）
ロバスト標準化は、平均の代わりに中央値、標準偏差の代わりに四分位範囲（IQR）を用いて変換する。計算式は z = (x - 中央値) / IQR である。これにより、外れ値の影響を軽減し、データの頑健な標準化が可能となる。特に、外れ値を含む実データや非対称分布に対して有効である。
2.2.2 非線形標準化（Box-Cox変換など）
非線形標準化は、データの分布を正規分布に近づけるために用いられる。代表的なBox-Cox変換は、パラメータλにより y = (x^λ - 1) / λ（λ≠0）または y = log(x)（λ=0）と定義される。これにより、歪んだ分布を対称化し、標準化の前提を満たしやすくする。ただし、元のデータが非負である必要がある。
3.1 記述統計とデータ可視化
3.1.1 ヒストグラムと確率密度関数の比較
標準化されたデータを用いると、異なる尺度のヒストグラムや確率密度関数を同一の軸上で比較できる。例えば、複数の変数の分布形状を重ねて表示する際、標準化によりスケールが統一されるため、平均からの乖離や分布の尖度・歪度を視覚的に比較しやすくなる。
3.1.2 箱ひげ図での標準化表現
箱ひげ図に標準化を適用すると、異なる変数の箱ひげ図を同じ縮尺で並べることができる。標準化された箱ひげ図では、中央値が0、四分位範囲が約1.35（正規分布の場合）となり、外れ値の識別や分布の比較が容易になる。
3.2 機械学習における前処理
3.2.1 主成分分析（PCA）
主成分分析では、変数のスケールが異なると分散の大きい変数に結果が支配される。標準化により全ての変数を同等に扱うことで、各変数の寄与を公平に評価できる。特に、単位が異なる変数（例：身長と体重）を同時に分析する際に必須である。
3.2.2 サポートベクターマシン（SVM）
SVMはカーネル関数を用いてデータの距離を計算するため、スケールの違いが分類境界に大きな影響を与える。標準化により各特徴量のスケールを統一することで、カーネルの値が適切に計算され、モデルの性能が向上する。
3.2.3 クラスタリング（k-meansなど）
k-meansクラスタリングはユークリッド距離に基づくため、スケールの大きな変数が距離計算を支配する。標準化により全変数を同等の重みで扱うことで、適切なクラスタリング結果を得られる。ただし、外れ値による影響を避けるため、ロバスト標準化が推奨される場合もある。
3.3 教育評価とテスト理論
3.3.1 偏差値（Zスコアの変換）
偏差値はZスコアを平均50、標準偏差10に線形変換した値である（偏差値 = 50 + 10×Z）。日本の教育現場で広く用いられ、テストの得点を相対的に評価する指標として機能する。標準化により異なるテストの得点を同一尺度で比較可能にする。
3.3.2 項目反応理論（IRT）との関係
項目反応理論では、能力パラメータの推定に標準化の概念が関わる。特に、IRTモデルで推定される能力値は通常、平均0、分散1の標準正規分布に従うようにスケーリングされる。これにより、異なるテスト間での能力比較が可能となる。
4.1 データ分布の形状依存性
標準化は線形変換であるため、データの分布形状（対称性や尖度）を変化させない。しかし、元の分布が非対称で外れ値を多く含む場合、Zスコア標準化は歪んだ結果を与える。また、標準化後も分布の歪みは残るため、後続の分析で正規性を仮定する場合には注意が必要である。
4.2 外れ値への感度と代替手法
Zスコア標準化は外れ値に敏感であり、少数の極端な値が平均と標準偏差を大きく変動させる。これにより、正常なデータ点の標準化値が歪む。代替として、中央値とIQRを用いたロバスト標準化や、外れ値を除外した後の標準化が推奨される場合がある。
4.3 標準化が不可能な場合（カテゴリ変数など）
カテゴリ変数や順序変数に対しては、平均や標準偏差に意味がないため標準化は適用できない。名義尺度の変数はダミー変数化などの別の前処理が必要である。また、欠損値を含むデータでは標準化の計算ができず、事前の欠損値処理が必須となる。
5.1 正規化（Min-Maxスケーリング）
正規化はデータを最小値0、最大値1の範囲に変換する手法である。標準化と異なり、分布の中心と広がりを変えるのではなく、単に範囲を固定する。外れ値の影響を受けやすく、外れ値が存在すると大部分のデータが狭い範囲に圧縮される。目的に応じて標準化と正規化を選択する必要がある。
5.2 正規分布仮定と標準正規分布表
標準化は、データが正規分布に従う場合に特に有用である。標準化後の値（Zスコア）は標準正規分布に従い、標準正規分布表を用いて確率やパーセンタイルを計算できる。ただし、元のデータが非正規であっても標準化は可能であり、その場合の解釈には注意が必要である。
5.3 標準化と統計的仮説検定
t検定や分散分析などの仮説検定では、母集団の正規性を仮定することが多い。標準化は検定統計量の計算過程で暗に用いられる（例：t値は標本平均の標準化）。また、効果量の指標であるCohen's dは、群間の平均差を標準偏差で割った標準化効果量であり、異なる研究間での比較を可能にする。