代表値

概要

代表値は、たくさんの数値からなるデータ全体を「ひとつの値」で要約する指標の総称です。テストの平均点、世帯年収の中央値、アンケートで最も多かった回答 — これらはすべて代表値です。何百・何千という数値をそのまま眺めても人間には全体像がつかめないため、「このデータはだいたいこのあたり」という中心の位置をひとつの数で表します。

代表的なものは3つあります。すべての値を足して個数で割る「平均（mean）」、値を小さい順に並べたときにちょうど真ん中に来る「中央値（median）」、最も多く登場する値である「最頻値（mode）」です。同じデータでもこの3つは一般に異なる値になり、どれを使うかで伝わる印象が大きく変わります。統計学の入口でありながら、「どの代表値を選ぶか」は実務でも常に問われる判断です。

代表値はデータ要約の第一歩ですが、それだけではデータの姿は半分しか分かりません。中心のまわりにどれだけ散らばっているかを測る分散と標準偏差と組み合わせて、はじめてデータの輪郭が見えてきます。

なぜ生まれたか

「データをひとつの値で代表させる」という発想は、天文学の観測誤差の処理から本格的に発展しました。同じ星の位置を何度測っても値が毎回微妙にずれる。どれが「本当の値」なのか。18〜19世紀の天文学者たちは、複数の観測値の平均を取ればばらつきが打ち消し合い、真の値に近づくことを見いだしました。平均は「ばらばらの観測から真実を推定する」ための道具として市民権を得たのです。

一方で、平均だけでは困る場面もすぐに明らかになりました。典型例が所得のデータです。大多数の人の年収が400万円前後でも、ごく少数の超高所得者がいるだけで平均は大きく引き上げられ、「平均年収」は誰の実感とも合わない値になります。このように一部の極端な値（外れ値）に平均が引きずられる問題への解決策として、順位の真ん中を取る中央値が使われるようになりました。データの性質に応じて代表値を使い分ける、という現代的な作法はこの課題から生まれています。

詳細

3つの代表値の性格

平均は「合計を個数で割る」という計算のとおり、全員の値が結果に反映されます。数学的に扱いやすく、分散と標準偏差や相関など多くの統計量が平均を土台に定義されているため、統計学の中心的な代表値です。その反面、すべての値が反映されるからこそ、外れ値ひとつで大きく動いてしまいます。

中央値は「並べて真ん中」なので、両端の値がどれほど極端でも影響を受けません。この頑健さ（ロバスト性、外れ値に強い性質）から、所得・住宅価格・Webサービスの応答時間など、分布の裾が長く伸びるデータでは中央値が標準的に使われます。データ数が偶数のときは、中央に並ぶ2つの値の平均を取ります。

最頻値は「最も多く現れる値」で、数値だけでなくカテゴリにも使える唯一の代表値です。「一番人気の商品」「最も多い回答」は最頻値の考え方そのものです。ただし連続的な数値データではまったく同じ値が繰り返し現れることが少ないため、区間に区切って集計するなどの工夫が必要になります。

分布の形と代表値のずれ

左右対称な分布では、平均・中央値・最頻値はほぼ同じ場所に重なります。ところが分布が片側に裾を引く（歪む）と、3つは分離します。右に長い裾を持つ分布 — 所得や応答時間が典型です — では、最頻値が最も左、中央値がその右、平均がさらに右に来ます。平均だけが裾の方向へ強く引っ張られるためです。

この「平均と中央値のずれ」自体が、分布の歪みを知る手がかりになります。平均が中央値より明確に大きければ右に裾が長い、小さければ左に裾が長い、と読み取れます。平均だけを見て「代表的な値」と思い込むのは典型的な落とし穴で、まず平均と中央値の両方を出して比べるのが実務での定石です。

実務での使い分けと、その先

どの代表値を使うべきかは「データの分布の形」と「何を伝えたいか」で決まります。左右対称に近いデータ（身長や多くの測定誤差など、正規分布に近い形のもの）なら平均で問題ありません。裾の長いデータ（年収、資産、レイテンシ）なら中央値が実態を表します。カテゴリデータ（血液型、選択式アンケート）なら最頻値しか使えません。

また、代表値は母集団と標本の考え方とも深く結びついています。手元のデータ（標本）の平均は、その背後にある母集団全体の平均の推定値として使われます。標本平均がどれくらい信頼できるかを論じるのが中心極限定理や信頼区間であり、代表値は記述統計と推測統計の両方をつなぐ、統計学全体の出発点になっています。