🎨 直感で掴む — 3つの代表値を一望する

データの真ん中を「ひとつの数で表せ」と言われたら、 答えは 3通りあります。 それぞれ得意な場面と苦手な場面が違うので、 「分布を見てから選ぶ」のが大切です。

📊 平均（Mean, $\bar{x}$）

平均は、 すべての値を足してデータ数で割った代表値です。 物理的には、 各データ点に同じ重さの「玉」を置いたとき、 シーソーが釣り合う支点が平均。 つまり「データ全体の重心」。

📐 数式

数学的に表現すると、 $n$個のデータ $x_1, x_2, \ldots, x_n$ の平均は次式：

$$ \bar{x} = \frac{1}{n}\sum_{i=1}^{n} x_i = \frac{x_1 + x_2 + \cdots + x_n}{n} $$

🔬 数式を言葉で読み解く

記号を1つずつ読みほどくと：$\bar{x}$ は「エックスバー」（標本平均）、 $\sum_{i=1}^{n}$ は「$i$ を 1 から $n$ まで動かしながら全部足す」、 $\frac{1}{n}$ で個数で割る。 母集団全体の平均は $\mu$（ミュー）と書いて区別します。

🌐 関連手法・派生：中央値・最頻値・分散と並んで、 代表値は分布の土台です。

🧮 SSDSE 実値で計算 — 東北6県の食料費

具体的な数値で確認しましょう。 47都道府県データから東北6県の食料費（千円/月、 2023年）を取り出します：

公式に代入：$\bar{x} = (484.944) / 6 = \mathbf{80.824}$ 千円。

偏差の合計が（丸め誤差を除き）ゼロになるのが重要な性質で、 これが「平均は重心」と呼ばれる所以です。 正と負の偏差がちょうど釣り合う点が平均。

🔢 ベクトル表記で見直す

1次元ベクトル例：上のデータを列ベクトルにすると

$$ \boldsymbol{x} = (78.124, 78.984, 81.997, 83.835, 84.105, 80.700)^\top \in \mathbb{R}^6 $$

全要素1のベクトル $\mathbf{1} = (1,1,\ldots,1)^\top$ を使えば、 平均は内積で書けます：

$$ \bar{x} = \frac{1}{n} \mathbf{1}^\top \boldsymbol{x} $$

2次元（行列）例：3地域×2項目のデータ行列

$$ X = \begin{pmatrix} 78 & 9 \\ 81 & 11 \\ 84 & 10 \end{pmatrix} \in \mathbb{R}^{3 \times 2} $$

各列の平均（列平均ベクトル）は $\bar{\boldsymbol{x}} = \frac{1}{n}\mathbf{1}^\top X = (81.0, 10.0) \in \mathbb{R}^2$。 これは「各変数の平均ベクトル」と呼ばれ、 PCA や標準化の基礎になります。

🐍 Python で確認

同じ計算を NumPy/Pandas でやります：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20

import numpy as np
import pandas as pd

# 1次元データ（東北6県の食料費）
x = np.array([78.124, 78.984, 81.997, 83.835, 84.105, 80.700])
print(np.mean(x))             # 80.824
print(x.mean())               # 同じ

# 全要素1のベクトルとの内積で平均を表現
n = len(x)
print((np.ones(n) @ x) / n)   # 80.824

# 2次元行列（3地域×2項目）の列平均
X = np.array([[78, 9], [81, 11], [84, 10]])
print(X.mean(axis=0))         # [81.0, 10.0]

# Pandas で SSDSE データ読み込み
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932')
print(df['食料費'].mean())     # 全国47都道府県の平均
print(df.groupby('地域')['食料費'].mean())  # 地域別平均

⚠️ 平均の弱点 — 外れ値で崩れる

平均はすべてのデータを使うので情報量は最大ですが、 1個の極端な値で大きく動きます。 例えば10人の年収が全員 400万円で1人だけ10億円なら、 平均は約 1億400万円。 「平均的な人」を全く表しません。

🔢 平均の家族 — 算術・幾何・調和・加重

「平均」と言っても実は4種類あります。 同じデータでも目的により値が変わります。

① 算術平均（普段「平均」と呼ぶもの）：$\bar{x}_A = \frac{1}{n}\sum x_i$

② 幾何平均（成長率・複利）：$\bar{x}_G = \sqrt[n]{x_1 \cdot x_2 \cdots x_n} = \left(\prod x_i\right)^{1/n}$

例：年率 +50% → −50% の2年で投資は $\sqrt{1.5 \times 0.5} \approx 0.866$ → 年率 −13.4%（算術平均では誤って 0% と判定する）。 Python：scipy.stats.gmean([1.5, 0.5])。

③ 調和平均（速度・並列処理）：$\bar{x}_H = \dfrac{n}{\sum 1/x_i}$

例：行き60 km/h、 帰り40 km/h の往復平均速度は調和平均で $2/(1/60+1/40) = 48$ km/h。 機械学習の F1 スコアもこの形（precision と recall の調和平均）。

④ 加重平均（重要度に差がある時）：$\bar{x}_W = \dfrac{\sum w_i x_i}{\sum w_i}$

例：47都道府県の食料費の人口加重平均。 単純平均だと人口の少ない県と多い県を同等に扱うが、 全国の実態は加重平均が示す。

1
2
3
4
5
6
7
8

from scipy import stats
import numpy as np

x = np.array([2.0, 4.0, 8.0])
print(np.mean(x))         # 算術平均: 4.667
print(stats.gmean(x))     # 幾何平均: 4.000
print(stats.hmean(x))     # 調和平均: 3.429
print(np.average(x, weights=[1, 3, 1]))  # 加重平均: 4.4

大小関係：非負の値では常に AM ≥ GM ≥ HM（イェンセンの不等式）。

📉 移動平均 — 時系列の平滑化

時系列データのノイズを取り除く基本手法。 単純移動平均（SMA）：$\text{SMA}_t = \frac{1}{N} \sum_{i=t-N+1}^{t} x_i$。 指数移動平均（EMA）：$\text{EMA}_t = \alpha x_t + (1-\alpha)\text{EMA}_{t-1}$（新しいデータに大きな重み）。

🎯 大数の法則と中心極限定理

平均が統計学の中核を担う理由は、 2つの強力な定理があるから。 大数の法則: $\bar{X}_n \to \mu$（標本サイズ大で標本平均は母平均に収束）。 中心極限定理: $\bar{X}_n \sim N(\mu, \sigma^2/n)$（元の分布が何であれ標本平均は正規分布に近づく）。 これにより信頼区間や仮説検定が可能になります。

📍 中央値（Median, $\tilde{x}$）

中央値は、 データを小さい順に並べたときの真ん中の値。 平均が「重心」だったのに対し、 中央値は 順位の中心 を表します。 値そのものではなく「順位」を使うので、 両端にどれだけ巨大な値があっても中央値はびくともしません。

データを昇順に並べて $x_{(1)} \le x_{(2)} \le \cdots \le x_{(n)}$ としたとき、 中央値は

$$ \tilde{x} = \begin{cases} x_{((n+1)/2)} & (n \text{ が奇数}) \\ \dfrac{x_{(n/2)} + x_{(n/2+1)}}{2} & (n \text{ が偶数}) \end{cases} $$

連続分布の場合は累積分布関数 $F$ の 0.5 になる点：$F(\tilde{x}) = 0.5$。 数学的にはL1 損失（絶対値和）を最小化する点でもあります：$\tilde{x} = \arg\min_m \sum_i |x_i - m|$。 これは平均が「二乗和（L2）」を最小化することと対をなします。

🧮 SSDSE 実値で計算 — 47都道府県の住居費から7点抽出

住居費から等間隔で7県を抜き出します（千円/月）：

元データ（順不同）: 11.64, 13.60, 15.88, 18.47, 19.93, 22.96, 27.52

これを昇順に並べて真ん中の4番目を取ります：

$n=7$（奇数）なので、 真ん中は $(7+1)/2 = 4$ 番目。 中央値 = 18.47 千円。

同じデータを偶数（6個に減らす）と、 真ん中の2つの平均を取ります：例えば3番目と4番目が $a, b$ なら中央値 $= (a+b)/2$。

🔢 ベクトル表記

1次元ベクトル $\boldsymbol{x} \in \mathbb{R}^n$ について、 ソート後の順序統計量 $x_{(i)}$ を使えば中央値は順位 $(n+1)/2$ の要素。 2次元行列 $X \in \mathbb{R}^{n \times d}$ なら列ごとに計算した中央値ベクトル $\tilde{\boldsymbol{x}} \in \mathbb{R}^d$ を作れます。

🐍 Python で確認

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21

import numpy as np
import pandas as pd

# 1次元
x = np.array([50, 70, 80, 90, 90])
print(np.median(x))        # 80.0

# 偶数個（真ん中2つの平均）
x6 = np.array([1, 3, 5, 7, 9, 11])
print(np.median(x6))       # 6.0 = (5+7)/2

# 2次元（行列の列ごと）
X = np.array([[1, 10], [3, 30], [5, 50], [7, 70], [9, 90]])
print(np.median(X, axis=0))  # [5, 50]

# 欠損値を無視
print(np.nanmedian([1, 2, np.nan, 4]))  # 2.0

# Pandas
df['住居費'].median()
df['住居費'].describe()  # min/25%/50%(中央値)/75%/max

🛡️ ロバスト性 — 中央値の最強の武器

「順位だけ」を使うため、 データの両端にどれほど巨大・極小な値があっても中央値は動きません。 これを崩壊点（breakdown point）と呼び、 平均は0%（1点で壊れる）、 中央値は50%（理論的最大）です。

所得分布や住宅価格、 地震被害額のように右に裾の長い分布では、 平均は裾に引っ張られて「典型的でない」値になり、 中央値の方が「典型的な値」を表します。 厚労省の調査では、 ある年の世帯平均所得 約552万円に対し中央値 約437万円。 「平均以下」の世帯が62%にもなるのはこのため。

📏 中央絶対偏差（MAD）— 中央値のばらつき指標

平均にペアの「標準偏差」があるように、 中央値のロバスト版が MAD (Median Absolute Deviation)：$\text{MAD} = \text{median}(|x_i - \text{median}(x)|)$。 正規分布なら $\sigma \approx 1.4826 \times \text{MAD}$ という換算式。

1
2
3
4
5

from scipy import stats
data = np.array([1, 2, 3, 4, 5, 6, 7, 100])  # 外れ値あり
print(np.median(data))                              # 4.5
print(stats.median_abs_deviation(data))             # 2.5（ロバスト）
print(stats.median_abs_deviation(data, scale='normal'))  # 正規分布換算

🔝 最頻値（Mode, Mo）

最頻値は、 データの中でもっとも多く現れる値。 アンケートのようなカテゴリ変数（血液型、 購入色、 好きなフレーバー）には平均も中央値も計算できないので、 最頻値が唯一意味を持つ代表値です。

離散分布での定義は $\text{Mode} = \arg\max_x P(X=x)$、 連続分布なら密度関数 $f(x)$ のピーク $\arg\max_x f(x)$。

🧮 計算例 — カテゴリ・離散・連続の3パターン

① カテゴリデータ：「好きな果物」アンケート

最頻値 = バナナ（最大頻度 42）。 ここで「平均=ミカン的な何か」「中央値=順位の真ん中」と計算しても無意味です。

② 離散数値データ：あるクラスの兄弟姉妹の数 $\boldsymbol{x} = (0, 1, 1, 1, 2, 2, 3, 0, 1, 2, 1, 4)^\top$

頻度カウント：0→2回、 1→5回（最多！）、 2→3回、 3→1回、 4→1回。 最頻値 = 1。

③ 連続データ：47都道府県の食料費を8階級に区切ると、 74.4〜77.8 千円 の階級が 11都道府県を含み最多。 階級の中点 ≈ 76.1 千円が最頻値の代表。

🔢 ベクトル例 + Python

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20

from scipy import stats
import pandas as pd
import numpy as np

# 1次元（離散）
x = np.array([1, 2, 2, 3, 3, 3, 4, 5])
result = stats.mode(x, keepdims=False)
print(result.mode, result.count)   # 3, 3

# Pandas（複数最頻値なら全部返す）
df['果物'].mode()
df['果物'].value_counts().head()    # 頻度トップ5

# 連続データの最頻値 → KDE で密度のピーク
def continuous_mode(data, grid=1000):
    kde = stats.gaussian_kde(data)
    xx = np.linspace(data.min(), data.max(), grid)
    return xx[np.argmax(kde(xx))]

print(continuous_mode(df['食料費'].values))

📊 単峰性・ 二峰性 — 集団の混在を診断

最頻値の数は、 データに何種類の集団が混ざっているかのヒントになります：

単峰性（山1つ）→ 1集団、 二峰性（山2つ）→ 2集団が混在している可能性（例：男女、 新旧モデル）、 多峰性→ 複数集団、 一様→ 最頻値が定まらない。

🎯 連続データの最頻値 — KDE で滑らかに推定

連続値は同じ値が複数現れることが稀。 ヒストグラムでビン幅を変えると最頻値も変わってしまうため、 カーネル密度推定（KDE）で滑らかな密度関数を作り、 そのピークを最頻値とします。

🌳 三者の使い分け — 分布の形で選ぶ

分布が左右対称（正規分布など）なら、 3つの代表値はほぼ一致します。 しかし右に裾を引く分布（所得、 株価、 都市人口）では3つがバラバラになり、 「最頻値 < 中央値 < 平均」の順に右にずれます。

ピアソンの経験式：歪んだ単峰分布で次がほぼ成立 — $\text{Mean} - \text{Mode} \approx 3(\text{Mean} - \text{Median})$。

🆚 似た概念との違い — 一目で分かる比較表

💡 報告では3つを併記するのが最も誠実。 「平均500万円、 中央値450万円、 最頻値380万円」と書けば、 読者は分布の歪みを把握できます。

🤖 機械学習での代表値

• 損失関数の中核：MSE = $\frac{1}{n}\sum (y_i - \hat{y}_i)^2$ は誤差の平均。 MAE = $\frac{1}{n}\sum |y_i - \hat{y}_i|$ は中央値と相性が良い。
• 欠損値補完：SimpleImputer(strategy='mean')／'median'／'most_frequent'。 連続値で外れ値あれば median、 カテゴリは most_frequent。
• 分類器のベースライン：DummyClassifier(strategy='most_frequent')。 最頻クラスを常に予測する単純モデル。 他モデルが超えるべき下限。
• 決定木の葉ノード：回帰木は葉の平均、 分類木は葉の最頻クラスを予測値とする。
• アンサンブル投票：複数モデルの予測を平均（回帰）or 最頻値（分類, majority vote）で集約。
• Batch Normalization：各層出力の平均と分散で標準化（深層学習の必須技術）。
• Robust Scaling：中央値と IQR を使うスケーリング。 外れ値に強い前処理。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17

from sklearn.impute import SimpleImputer
from sklearn.preprocessing import RobustScaler
from sklearn.dummy import DummyClassifier

# 欠損値補完
imp_mean = SimpleImputer(strategy='mean')          # 連続値、 外れ値少
imp_median = SimpleImputer(strategy='median')      # 連続値、 外れ値多
imp_mode = SimpleImputer(strategy='most_frequent') # カテゴリ

# ロバストスケーリング（中央値と IQR ベース）
scaler = RobustScaler()
X_scaled = scaler.fit_transform(X)

# 最頻クラスのダミー分類器（ベースライン）
dummy = DummyClassifier(strategy='most_frequent')
dummy.fit(X_train, y_train)
print(dummy.score(X_test, y_test))  # 機械学習モデルが超えるべき下限

📝 練習問題 — 理解度チェック

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12

import pandas as pd
import numpy as np

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932')
# 2行目以降がデータ、 食料費は L322101 列
food = pd.to_numeric(df['L322101'].iloc[1:], errors='coerce').dropna() / 1000

print('平均:', food.mean())                                    # ≈ 80.60
print('中央値:', food.median())                                # ≈ 79.94
counts, edges = np.histogram(food, bins=8)
mid = (edges[np.argmax(counts)] + edges[np.argmax(counts)+1]) / 2
print('最頻階級中点:', mid)                                    # ≈ 76.1

🚧 よくある誤解 — チェックリスト

代表値の解釈・使い方で初学者がつまずきやすいポイントを、 誤解 → 正しい理解の形でまとめます。 自分の分析を点検するチェックリストとして活用してください。

💡 セルフチェック：分析を始める前に「ヒストグラムを描いたか？」「3つの代表値を計算したか？」「外れ値を確認したか？」「サンプルサイズは十分か？」を必ず確認しましょう。

📋 報告フォーマット — 論文・レポートでの書き方

分析結果を報告するときの、 現代的・誠実なフォーマットです。 単に「平均は◯」だけでなく、 分布の文脈ごと示すのがプロの作法。

記述形式の例

含めるべき情報

悪い報告 vs 良い報告

📚 さらに学ぶ — 参考文献とリソース

古典・基本書

• John W. Tukey "Exploratory Data Analysis" (1977) — 中央値・箱ひげ図・ロバスト統計の原典
• Casella & Berger "Statistical Inference" — 推定論の教科書
• Wasserman "All of Statistics" — 現代統計の総論
• 東京大学教養学部統計学教室編 『統計学入門』 — 日本の標準教科書

実装・実務

• Jake VanderPlas "Python Data Science Handbook" — NumPy/Pandas/Matplotlib の総合
• Wes McKinney "Python for Data Analysis" — Pandas の決定版
• scipy.stats 公式ドキュメント — 統計関数のリファレンス

Web リソース

• SSDSE 統計データ活用コンペティション — 47都道府県の社会経済データ
• 政府統計の総合窓口（e-Stat）— 一次データ
• scipy.stats / pandas / NumPy 公式ドキュメント

このページで使ったデータ

• SSDSE-B-2026：47都道府県×112指標のパネルデータ（2023年データを使用）
• 主な変数：食料費 (L322101)、 住居費 (L322102)、 教育費 (L322108)

🔗 関連用語 — 前提・並列・発展

📚 前提（先に理解しておくと良い）

• 尺度水準 — 名義・順序・間隔・比例。 どの代表値が使えるかが決まる
• 量的変数 / 質的変数
• 母集団 / 標本

🔀 並列（似た目的の他の指標）

• 分散・標準偏差（ばらつき）
• 四分位・IQR（順位ベースのばらつき）
• 共分散（2変数の関係）

🚀 発展（次に学ぶ）

• ヒストグラム・箱ひげ図（分布の可視化）
• 標準化（平均0・分散1への変換）
• 正規分布 + 信頼区間（標本平均の推定）
• 相関係数・単回帰（平均的関係）

📘 前提となる用語（4 個以上）

• 尺度水準 — 名義/順序/間隔/比例で使える代表値が決まる。
• 量的変数 vs 質的変数 — 平均は量的変数のみ。
• 母集団と標本 — 標本平均は母平均の推定量。
• 分布の概念 — 代表値は分布を 1 点で要約する量。
• 外れ値 — 平均と中央値の振る舞いの違いを決める。

⚖️ 並列で比較する用語

• トリム平均・ウィンザー化平均 — 両端を切り捨て・置換した頑健平均。
• 四分位範囲（中点の代替） — (max+min)/2 より頑健な広がり指標。
• 分位点 — 中央値の一般化。
• 形状指標（歪度・尖度） — 代表値と相補。

🚀 発展で学ぶ用語

• カーネル密度推定 — モードを連続的に推定。
• ブートストラップ — 中央値の標準誤差・CI を作る現代的方法。
• ベイズ平均推定（ベイズの定理） — 事前分布を組み込む。
• 頑健統計 — Huber 推定・M 推定。
• 損失関数と代表値 — 平均=L₂、 中央値=L₁、 最頻値=L₀ の最適解。

🐍 Python 実装バリエーション

A. numpy・pandas（最頻出）

1
2
3
4
5

import numpy as np, pandas as pd
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='utf-8', skiprows=1)
x = df['食料費']
print(x.mean(), x.median(), x.mode().iloc[0])
print(np.mean(x), np.median(x))

B. scipy.stats（mode 厳密版・幾何/調和平均）

1
2
3
4
5

from scipy import stats
print(stats.mode(x, keepdims=False))       # 最頻値
print(stats.gmean(x))                       # 幾何平均
print(stats.hmean(x))                       # 調和平均
print(stats.trim_mean(x, proportiontocut=0.1))  # 10% トリム平均

C. statistics（標準ライブラリ・教育用）

1
2
3
4

import statistics as st
print(st.mean(x), st.median(x), st.mode(x))
print(st.fmean(x))            # float 高速版（Python 3.8+）
print(st.geometric_mean(x))

D. 加重平均と移動平均

1
2
3
4
5
6

weights = df['人口']
weighted = np.average(x, weights=weights)
print('人口加重平均 =', weighted)

# 時系列の移動平均
ma = x.rolling(window=5, center=True).mean()

E. ロバスト推定（Huber / 中央値ブートストラップ）

1
2
3
4

from scipy.stats import bootstrap
rng = np.random.default_rng(42)
res = bootstrap((x.values,), np.median, n_resamples=5000, random_state=rng)
print('中央値の 95% CI:', res.confidence_interval)

⚠️ 代表値の落とし穴 7 連発

📜 歴史 — 4000年の知恵

• 古代バビロニア（紀元前2000年頃）：天体観測の誤差を補正するため、 算術平均が使われた
• ピタゴラス学派（紀元前500年頃）：算術・幾何・調和の3平均を「音楽の調和」と結びつけた
• Edward Wright（1599）：航海術で複数方位観測の中央値を提案
• Gauss（1809）：最小二乗法を発明、 平均が正規分布の最尤推定量
• Galton（1869）：「median」という用語を導入
• Karl Pearson（1895）：「mode」という用語を提唱、 ピアソンの経験式
• Tukey（1977）：トリム平均などロバスト統計を体系化