公開

平均値と中央値の違いは?尺度・外れ値・クロス集計を情報Ⅰで学ぶ

文:野澤 嘉孝 (ソフトウェアエンジニア/プログラミングスクール Sandbox 代表)

平均値と中央値の違いは?尺度・外れ値・クロス集計を情報Ⅰで学ぶ

この記事の概要

「平均のおこづかいは25万円です」と聞いたら、ほとんどの生徒がそれくらいもらっていると思いませんか? 実は、一人の極端に大きな回答だけで、平均が大きく引き上げられることがあります。 先に結論:データ分析で確かめたい3つのこと 集め方:誰に、何を、どう聞いたデータか。

「平均のおこづかいは25万円です」と聞いたら、ほとんどの生徒がそれくらいもらっていると思いませんか?

実は、一人の極端に大きな回答だけで、平均が大きく引き上げられることがあります。

先に結論:データ分析で確かめたい3つのこと

  • 集め方:誰に、何を、どう聞いたデータか。
  • 整え方:未回答や誤入力をどう扱ったか。未回答は0とは限らず、極端な値も誤りとは限りません。
  • まとめ方:平均だけで判断せず、中央値や値のばらつき、学年ごとの違いも見る。

平均値は「合計÷個数」、中央値は「小さい順に並べた真ん中」、最頻値は「最も多く現れる値」です。この違いを軸に、架空の学校アンケートでデータ分析の基本を見ていきましょう。

おこづかいの平均が25万円。計算は合っている?

文化祭が終わった秋。生徒会選挙に向けたアンケート412件を集計していたユウキが、画面の前で固まりました。

ユウキ「ひと月のおこづかい、平均およそ25万円……?」
ハルカ「それ、うちの学校?」
Sandy「足し算が合うとるかと、その数字で何が言えるかは、別やで」

この物語の人数・金額は、すべて学習用の架空設定です。411人の回答は3,000〜10,000円で、その411人の平均は6,000円。残る一件が1億円でした。

412件をそのまま平均すると、約248,704円になります。

411人の平均6,000円に1億円の1件が加わると、全体平均は約25万円になります。

計算は、(6,000×411+100,000,000)÷412です。411人の回答は全員10,000円以下なので、全体の平均より下になります。「平均より上と下が、半分ずつ」という決まりはありません。

ただし、1億円という大きさだけで「間違い」と決め付けてはいけません。まず回答者に確認します。今回は確認の結果、誤入力だと分かったものの、正しい金額は確認できなかった、という設定です。

量的データと質的データ:数字でも数量とは限らない

データの種類によって、意味のある計算が違います。

種類

表すもの

例

量的データ

数量

身長、金額、人数

質的データ

分類や順序

血液型、好きな教科、順位

背番号10と20を足して30にしたり、「20番は10番の2倍」と言ったりしても、選手の性質を表す数量にはなりません。番号は区別のための記号だからです。

Sandy「数字で書いてあるから量的、とは限らへん」
ユウキ「何を表している数字かを見るんだね」

名義・順序・間隔・比例の4尺度

尺度は、順番、間隔、0の意味を確かめて整理できます。

尺度は、順番・間隔・0の意味を手掛かりに区別します。

尺度

何に意味があるか

例

名義尺度

同じか違うか

血液型、背番号

順序尺度

順番

順位、満足度の5段階

間隔尺度

等しい目盛りの差

摂氏の気温、西暦

比例尺度

差に加えて比

長さ、金額、人数

見分けるときは、次の順に考えます。

  1. 区別するだけ? 背番号のような記号なら名義尺度。
  2. 順番はあるが、差の大きさは分からない? 順位や5段階の満足度なら順序尺度。
  3. 同じ数値の差が、同じ量の差を表す? ここからは間隔尺度か比例尺度です。
  4. 0が、その量がないことを表す? 表すなら比例尺度、表さないなら間隔尺度です。

基本の分類では、名義・順序は質的データ、間隔・比例は量的データです。たとえば順位が1つ違っても、1位と2位のタイム差が0.1秒、2位と3位の差が5秒かもしれません。順位だけでは、差の大きさまでは分からないのです。

摂氏の20℃と10℃の差は10℃ですが、「20℃は10℃の2倍の温度」とは解釈しません。0℃が温度の不在を表すわけではないからです。一方、長さの0cmは長さがないことを表し、20cmは10cmの2倍と解釈できます。同じ対象でも、どの単位や測り方を使うかによって尺度が変わる場合があります。

集める前に、誰に・何を・どう聞くか

集め方にはアンケート、観察、センサ、既存データの利用などがあります。目的に合う対象や項目を決めるのが先です。

「改善が必要だと思いませんか」と聞く場合と、「どの点をどう評価しますか」と聞く場合では、答えを誘導する程度が変わる可能性があります。選択肢の不足や、回答できる人の偏りにも注意が必要です。

たとえば、昼休みに食堂でだけ聞いたアンケートでは、食堂を利用しない生徒の意見が集まりにくくなります。回答の集まり方に偏りがあれば、計算が正しくても、学校全体の意見を表すとは限りません。

自分で集める以外に、公開されているオープンデータを使う方法もあります。基本の条件は「営利・非営利を問わず二次利用できる」「コンピュータで読み取り、処理しやすい形式」「無償で利用できる」の三つです。Web上のデータがすべて自由に使えるわけではないので、出典や利用条件を確認しましょう。

前処理:欠損値と外れ値を、同じ扱いにしない

分析前にデータを整える作業が前処理です。表記のゆれや誤りを確認して整えるデータクレンジングも、その一部です。たとえば、同じカテゴリの表記をそろえたり、金額の単位を確認したりします。似た表記でも、本来違う内容を無理にまとめないようにします。

欠損値は記録がない箇所、外れ値はほかの値から大きく離れた値です。外れ値が誤りとは限りません。

欠損・外れ値・確認された誤りを区別し、処理の理由を記録します。

状態

確認すること

欠損値

なぜ記録がないか。集計から外すか、根拠を持って補完するか

外れ値

誤入力・測定ミスか、本当にその値なのか

確認された誤り

訂正できるか。できなければ扱い方と理由を残す

おこづかいの未回答を0円で埋めると、「もらっていない」と勝手に決めたことになります。平均による補完も、分布やほかの項目との関係を変え得るため、万能ではありません。

今回の1億円は本人確認で誤入力と分かりました。訂正できれば訂正を優先しますが、正確な額が不明なので、おこづかいの集計から一件を外し、理由を記録しました。ほかの項目の回答まで一律に消す必要はありません。

ハルカ「高い数字だから外したんじゃなく、誤入力と確認できたんだね」
Sandy「せや。結果が都合よくなるから消すんとは違うんや」

たとえば別の調査で3万円という回答が正しいと確認できたなら、高いだけで除外する理由にはなりません。何をどう処理したか、件数とともに残します。

平均値・中央値・最頻値:同じデータの別の顔

代表値は、データの中心的な傾向などを一つの値で要約するものです。よく使う三つを、別の小さな例で比べましょう。

3,000円、5,000円、5,000円、7,000円、100,000円なら、平均24,000円・中央値5,000円・最頻値5,000円です。

この5件では平均24,000円に対し、中央値と最頻値はいずれも5,000円です。

代表値

求め方

この5件での結果

平均値

合計÷個数

120,000÷5=24,000円

中央値

小さい順に並べた中央

3番目の5,000円

最頻値

最も多く現れる値

2回現れる5,000円

この5件は、冒頭の412件とは別の学習例です。

数値データが偶数個なら、中央値は中央二つの平均です。たとえば3,000円、5,000円、7,000円、9,000円なら、(5,000+7,000)÷2=6,000円です。最頻値は同じ最多回数の値が複数あれば、複数になります。

平均値は極端な値の影響を受けやすい一方、中央値は受けにくい性質があります。ただし、中央値が「常に正解」、平均が「悪い値」ではありません。全体の合計や一人当たりの配分を考えるなら平均も重要です。

先ほどの5件で100,000円を1,000,000円に変えると、平均は204,000円に上がりますが、中央値は5,000円のままです。並べた真ん中が変わらないためです。「中央値は極端な値の影響を受けにくい」とは、このような意味です。

使い分けの目安は、合計を人数で均等に分けた額なら平均、金額の順で真ん中にいる人の額なら中央値、最もよくある回答なら最頻値です。なお、好きな教科などの名義尺度でも最頻値は使えますが、教科の番号を平均しても意味はありません。

冒頭のおこづかいは、誤入力一件の処理後、411件で平均6,000円・中央値5,000円という設定です。412件の平均約25万円と、処理後の結果を混ぜないようにしましょう。

クロス集計:全体だけでは見えない違い

クロス集計は、学年と満足度など、複数の項目を掛け合わせ、組み合わせごとの人数などを集計する方法です。

満足度の項目は、おこづかいとは別に、有効回答300件・未回答112件として集計します。

クロス集計の人数表から、学年別の回答分布を確認できます。

学年

1点

2点

3点

4点

5点

有効回答数

3年

0

0

0

20

80

100

2年

0

0

0

30

70

100

1年

0

0

90

10

0

100

この人数表がクロス集計です。満足度は1点を最も低く、5点を最も高く評価したものとします。その上で、点と点の間隔が等しいと仮定すると、学年別平均は4.8点、4.7点、3.1点。全体では1,260÷300=4.2点です。

ただし、満足度の「3から4への変化」と「4から5への変化」が、同じ大きさとは限りません。そのため、平均点だけでなく人数表も見ましょう。表からは、1年生の90%が3点、3年生の80%が5点と答えたことが分かります。

今回は各学年100人なので学年別平均を足して3で割っても全体平均になります。人数が違う場合は、各学年の点数の合計を全部足し、回答者の総数で割る必要があります。

ユウキ「全体の4.2点だけだと、1年生の様子が消えていたんだ」
Sandy「せや。ほんで、答えてへん112人がどんな人かも、気になるとこやな」

これは回答した300人についての結果です。未回答者まで含む全校生徒の満足度だと、そのまま断定してはいけません。

オリジナル確認問題:数字の役割を見分けよう

以下はこの記事独自の学習問題で、実際の共通テスト問題ではありません。

問1:背番号10と20は、基本の4尺度ではどれ?

答え:名義尺度。 数量ではなく識別のための番号です。20番が10番の2倍の能力という意味はありません。

問2:2、3、3、4、100の平均値・中央値・最頻値は?

答え:平均22.4、中央値3、最頻値3。 合計112を5で割り、並べた中央は3、最も多く現れるのも3です。

問3:未回答の金額は、計算のため全部0にしてよい?

答え:理由なく0にはしません。 0という回答と未回答は別です。欠損の理由と、処理が集計へ与える影響を考えます。

まとめ:集め方・整え方・要約の仕方を確かめる

計算が合っていても、誤入力が含まれたり、目的に合わない代表値だけを見たりすれば、実態を読み違えます。尺度を確認し、欠損や誤りの処理を記録し、代表値と分布を合わせて読みましょう。

ハルカ「結果の紙、平均の一行だけじゃ足りないね」
ユウキ「回答数も、処理した件数も、学年ごとの人数表も載せよう」
Sandy「せや。何をどうまとめた数字か、伝わるようにするんやで」

Sandboxでは、Pythonなどを使ったデータ分析を通じて、数字を計算し、その意味を考える力も学べます。

参考資料

あわせて読みたい記事

Sandboxのサポート内容 Sandboxの情報Ⅰ学習サポートを見る →
共通テスト情報Ⅰのまとめ 共通テスト「情報Ⅰ」対策シリーズの一覧を見る →
野澤 嘉孝

この記事を書いた人

野澤 嘉孝

ソフトウェアエンジニア/プログラミングスクール Sandbox 代表

ソフトウェアエンジニア。同志社大学理工学部を経て、京都大学大学院で核融合発電の基礎研究(プラズマ物理)に従事。高校生向け数学塾の講師、大学での物理実験の授業を通じて延べ500名以上の学生をサポート。現在は業界特化型SaaSの開発に携わりながら、小中高生向けプログラミングスクール Sandbox を運営。

プロフィールと執筆記事の一覧 →

「情報Ⅰ、うちの子はどう対策すればいい?」

情報Ⅰ対策について無料で相談する

志望校の配点を一緒に確認したい方は → 無料の学習相談へ

入会金無料・いつでも退会OK・退会後もいつでも再入会できます