🔖 キーワード索引（拡張）

「平均」周辺の重要用語：

🎨 直感で掴む — 平均は「データの重心」

下の図は、 47都道府県の家計食料費（2023年・ SSDSE-B-2026）を1次元の数直線上にプロットしたものです。 各点が1つの都道府県。 赤い縦線が平均、 オレンジ点線が中央値。

🪨 物理的な意味：シーソーのバランス点

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こそが平均です。 これを数式で表すと：

$$ \sum_{i=1}^{n} (x_i - \bar{x}) = 0 $$

「各データから平均までの距離（偏差）を全部足すと、 ぴったりゼロになる」という意味。 上向きの引っ張りと下向きの引っ張りが釣り合っているからです。 これが「重心」と呼ばれる所以。

💡 平均は幾何学的には「重心」、 数学的には「偏差の総和をゼロにする点」、 確率論的には「期待値」、 機械学習的には「最小二乗推定量」。 同じものを多角的に見ることで深く理解できます。

📊 SSDSE-B-2026 で見る 5 都道府県の実例

2023 年の家計食料費 (千円/月) を 5 県だけ抜き出すと：

平均 = 418.9 ÷ 5 = 83.78 千円（L322101、 2023 年実測）。 偏差 (-9.48, +14.02, +4.52, +1.22, -10.28) を合計するとピタリ 0。 これがシーソーが釣り合う支点であることの直接の証拠。

🎯 数直線で見るシーソー図

5 県を数直線上に並べ、 平均 83.78 を支点として釣り合いを ASCII で図示：

食料費 (千円):  70 ─── 75 ─── 80 ─── 85 ─── 90 ─── 95 ─── 100
                  ●●              ● ●            ●
               沖縄 北海道       大阪 愛知        東京
               (73.5, 74.3)   (85.0)(88.3)      (97.8)
                             ▲
                             支点 = 平均 83.78
                  ◄── -19.76 ──►◄── +19.76 ──►
                  左の引っ張り合計   右の引っ張り合計
                  (-10.28-9.48)    (+14.02+4.52+1.22)
                       両側で釣り合う = 偏差合計 0

東京・愛知・大阪 3 都府県の「右の引っ張り (+19.76)」と、 沖縄・北海道 2 道県の「左の引っ張り (-19.76)」が完全に釣り合っている。 もし沖縄が 50 千円に下がったら左の引っ張りが強くなり、 支点 (平均) は左へずれる。

🍰 日常の比喩でつかむ

• クラスの身長：30 人の身長を全部足して 30 で割ると 158cm。 これが「クラスの代表的身長」。 ただし背の高い 1 人 (190cm) が混ざると平均は引っ張られる。
• ケーキの分配：ホールケーキ 1 個を 8 人で均等に分けたら 1 人 1/8 ピース。 「均等分配したらいくらか」が平均の本質。
• 家計の月支出：年間支出 360 万円 ÷ 12 ヶ月 = 月 30 万円。 「1 単位あたりに均すといくらか」もまた平均。

🎮 触って理解する

下の数直線には、 5 都道府県の家計食料費 (千円/月, 2023 年・SSDSE-B-2026 実測) が玉として並んでいます。 玉をドラッグして動かすと、 算術平均 (赤い支点▲) と 中央値 (オレンジ点線) がリアルタイムに更新されます。 マウスでもタッチでも操作できます。

玉を動かしてみましょう。 偏差の総和は常にほぼ 0 のまま——これが「平均＝シーソーの支点 (重心)」の正体です。

🪨 直感：平均は「重心」であり「ならすと 1 人あたり」

上の図で赤い支点 (▲) は、 左右の玉の引っ張りが釣り合う 1 点に自動で移動します。 各玉から支点までの距離が偏差で、 その総和は必ず 0——だから平均は「重心」です。 同時に平均は「全部の食料費を集めて 5 県で均等に配り直したら 1 県あたりいくらか」というならしの値でもあります。 重心とならし、 この 2 つの見方はどちらも同じ $\bar{x}=\frac{1}{n}\sum x_i$ を指しています。

⚠️ よくある落とし穴：外れ値感応と歪んだ分布

「外れ値を作る」ボタンで東京を 200 千円に飛ばしてみてください。 算術平均 (支点) は大きく右へ引きずられるのに、 中央値 (オレンジ点線) はほとんど動きません。 これが平均の外れ値感応と、 中央値の頑健性 (ロバスト性) の対比です。 所得・地価・被害額のように右に裾を引く歪んだ分布では、 平均は少数の巨大値に引っ張られて「平均的な人」を代表しなくなります。 こうした場合は中央値や後述のトリム平均が代表値として優れます。

🚀 発展：加重平均・幾何/調和平均・トリム平均

• 加重平均：各値に重み $w_i$ を付けた $\bar{x}_W=\frac{\sum w_i x_i}{\sum w_i}$。 全国平均を「県別人口 × 値」で集計するときなどに必須。
• 幾何平均・調和平均：上のボタンで切り替えられます。 成長率・複利には幾何平均、 速度やスループットには調和平均。 非負データでは常に 算術 ≥ 幾何 ≥ 調和 (等号は全値が等しいときだけ)。 図の紫の菱形 (◆) がその位置を示します。
• トリム平均：上下の極端な値を一定割合だけ切り捨ててから算術平均を取る方法。 外れ値感応と情報量のバランスを取った折衷案で、 頑健性を少し足した平均といえます。

関連ページ：中央値／代表値 (中心傾向)／外れ値／ロバスト統計／標準偏差／分散。 加重平均・幾何平均・調和平均・トリム平均は本ページ上部の「4 種類の平均」節も参照。

📐 数式と読み方ガイド — 記号の意味をすべて解説

平均の定義式は教科書で必ず見るものですが、 記号の意味を1つずつ丁寧に読み解きます。

① 標本平均（sample mean）

$$ \bar{x} = \frac{1}{n} \sum_{i=1}^{n} x_i $$

② 母平均（population mean）

$$ \mu = \frac{1}{N} \sum_{i=1}^{N} x_i = \mathbb{E}[X] $$

• μ（ミュー）: 母集団全体の平均。 ふつう未知（推定対象）
• N: 母集団の大きさ。 全数（しばしば無限大）
• E[X]: 期待値（expected value）。 確率変数 X の重み付き平均

標本平均 x̄ は母平均 μ の不偏推定量：何度もサンプリングして平均を取れば、 期待値は μ に一致します（E[x̄] = μ）。

🔬 数式を言葉で読み解く — ③ なぜ「÷ n」なのか？

合計だけでは「データが多ければ多いほど大きくなる」だけで、 中心の位置情報になりません。 個数で割ることで「1個あたりの代表値」になります。 これが平均が個体の比較に使える理由。

④ 線形性という強力な性質

$$ \bar{a x + b y} = a \bar{x} + b \bar{y}, \quad \bar{c} = c $$

これが「平均の線形性」。 a, b, c は定数。 この性質のおかげで、 平均は計算が簡単で、 回帰モデルの中核に使えます。 例：年収を1.1倍して10万円足したものの平均は、 元の平均を1.1倍して10万円足したものと同じ。

🔢 4種類の平均 — 目的によって使い分ける

「平均」と一口に言っても、 実は4つの主要な種類があります。 同じデータでも目的によって値が変わります。

① 算術平均（arithmetic mean） — 最も一般的

$$ \bar{x}_A = \frac{1}{n} \sum x_i $$

普段「平均」と言えばこれ。 単純な代表値、 線形性を持ち、 微分可能。 全データを足して個数で割る。

② 幾何平均（geometric mean） — 成長率・複利

$$ \bar{x}_G = \sqrt[n]{x_1 \cdot x_2 \cdots x_n} = \left( \prod_{i=1}^{n} x_i \right)^{1/n} $$

「掛け算ベース」の平均。 使い時：成長率（毎年110%, 90%, 105% の平均成長率）、 複利、 比率の平均、 GDP 成長率、 株価収益率、 ジャズの売上倍率。 算術平均より小さいか等しい（AM ≥ GM）。

例：年率 +50%, -50% の2年で投資はどうなる？ 算術平均 → (50-50)/2 = 0%（変わらない？）。 幾何平均 → √(1.5×0.5) = 0.866 → 年率 -13.4%（実際は損！）。 こういう時は幾何平均が正解。

③ 調和平均（harmonic mean） — 速度・並列処理

$$ \bar{x}_H = \frac{n}{\sum_{i=1}^{n} \frac{1}{x_i}} $$

逆数の平均の逆数。 使い時：往復速度の平均（行き60km/h、 帰り40km/hの平均は調和平均で48km/h）、 並列処理の合算スループット、 F1スコア（精度と再現率の調和平均）。 算術平均よりもっと小さい（HM ≤ GM ≤ AM）。

④ 加重平均（weighted mean） — 重要度に差がある時

$$ \bar{x}_W = \frac{\sum w_i x_i}{\sum w_i} $$

各データに「重み w」を付けた平均。 使い時：成績の加重平均（単位数×評点）、 ポートフォリオのリターン（資産比率×収益率）、 全国平均（県別人口×値）の集計。 各値の重要度が異なるときに必須。

大小関係：AM ≥ GM ≥ HM

非負の値については、 算術平均 ≥ 幾何平均 ≥ 調和平均 が常に成立（イェンセンの不等式の特殊例）。 等しくなるのは全データが同じ時だけ。

📊 大数の法則と中心極限定理 — 平均の魔法

平均が統計学の中核である理由は、 2つの偉大な定理があるから。 サンプル数が多いほど標本平均は「真の値」に収束し、 「正規分布」に近づきます。

① 大数の法則（Law of Large Numbers, LLN）

「サンプルサイズが大きくなるほど、 標本平均は母平均に収束する」

$$ \bar{X}_n \xrightarrow{n \to \infty} \mu $$

読み方：「エックスバー サブ エヌ（標本平均）は、 n が無限大に向かうとき、 ミュー（母平均）に収束する」。 上の図の左を見ると、 n が小さい時は標本平均は揺れますが、 n が大きくなるほど赤い破線（真の平均 = 80.60）に収束していくのが分かります。

② 中心極限定理（Central Limit Theorem, CLT）

「標本平均の分布は、 元の分布が何であれ、 n が大きいと正規分布に近づく」

$$ \bar{X}_n \sim N\left(\mu, \frac{\sigma^2}{n}\right) \quad (n \to \infty) $$

• μ：母平均（標本平均の期待値）
• σ²/n：標本平均の分散（n が大きいほど小さい）
• σ/√n：標準誤差（standard error）。 標本平均のばらつき

上の図の右を見ると、 元のデータ（食料費）の分布がどんな形でも、 標本平均を5000回計算した分布はきれいな釣り鐘形（正規分布）になっています。 これがCLTの威力。

CLTがなぜ重要か

CLTのおかげで：

• 標本平均の信頼区間を計算できる（正規分布なので）
• 仮説検定（t検定、 z検定）の前提が成立する
• サンプルサイズ計算ができる

多くの統計分析が「平均を扱う」ことに集中している理由はここにあります。 CLTにより平均は予測可能になるからです。

🎯 平均の信頼区間 — どこまで信用できる？

標本平均 x̄ が出ても、 「母平均 μ はどこにあるか」は分かりません。 そこで「95%の確率で μ が含まれる範囲」を計算するのが信頼区間。

公式（σ未知、 n小、 t分布）

$$ \bar{x} \pm t_{\alpha/2, n-1} \cdot \frac{s}{\sqrt{n}} $$

• x̄：標本平均
• s：標本標準偏差
• n：標本サイズ
• s/√n：標準誤差。 平均のばらつき
• t_{α/2, n-1}：自由度 n-1 のt分布の臨界値（α=0.05 なら2.045前後）

実データでの計算（東北6県の食料費）

1. 標本平均: x̄ = 80.824 千円
2. 標本標準偏差: s = 2.844 千円
3. 標本サイズ: n = 6
4. 標準誤差: SE = s/√n = 2.844/√6 = 1.1610
5. 自由度: df = n - 1 = 5
6. t臨界値（α=0.05）: t = 2.571
7. 95%信頼区間: x̄ ± t·SE = 80.824 ± 2.984 = [77.84, 83.81] 千円

💡 結論：「東北6県の母平均食料費は、 95%の信頼度で[77.8, 83.8]千円の範囲にある」。 区間が広いほど不確実、 狭いほど精度が高い推定。

🔬 数式を言葉で読み解く

標本平均の式 $\bar{x} = \frac{1}{n}\sum_{i=1}^{n} x_i$ を「日本語で音読」してみる。 記号を1つずつ意味に置き換えると、 式そのものが手順書として読めるようになる。

① 記号の意味 — 1 つずつ対応させる

② 式全体を日本語で音読する

「$\bar{x}$（標本平均）は、 $x_1, x_2, \ldots, x_n$（観測したデータ全部）を $\sum$（足し合わせて）、 それを $n$（サンプル数）で $\frac{1}{n}$（割った）値である」

③ 「足して割る」だけの手順に翻訳

1. Step 1: データ $x_1, x_2, \ldots, x_n$ を集める（東北 6 県なら $n=6$）
2. Step 2: $\sum_{i=1}^{n} x_i = x_1 + x_2 + \cdots + x_n$ を計算（全部足す）
3. Step 3: 結果を $n$ で割る → これが $\bar{x}$

④ 母平均 $\mu$ との対応

母集団全体の真の平均は $\mu = E[X]$ と書く。 これは「無限回サンプリングしたら収束する理論値」で、 実際には観測できない。 私たちが計算する $\bar{x}$ は $\mu$ の不偏推定量（平均的に $\mu$ と一致する近似値）である。 つまり $\bar{x}$ は「サンプルから $\mu$ を当てに行く道具」と読める。

🧮 計算ステップ — 東北6県の食料費で手計算

47都道府県データの中から、 東北6県を抜き出して手で平均を計算します。 SSDSE-B-2026 の家計食料費（2023年、 単位：千円/月）です。

1️⃣ データを並べる（n = 6）

2️⃣ 公式に当てはめる

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

3️⃣ 数値を代入

1. 合計: x₁ + x₂ + ... + x₆ = 484.94 千円
2. 個数: n = 6
3. 平均: x̄ = 484.94 ÷ 6 = 80.824 千円

東北6県の家計食料費の平均は約80.8千円。 全国平均（80.6千円）と比較するとやや多いことが分かります。

4️⃣ 偏差の検証（重心の性質）

各データから平均を引いた「偏差」を求めます：

偏差の合計が（丸め誤差を除き）ゼロになることが確認できます。 これが「平均は重心」と呼ばれる所以。 正の偏差と負の偏差が互いに打ち消し合う点が平均。

🧮 SSDSE-B 実値計算 — 5 種類の「平均」を 47 都道府県で比較

SSDSE-B-2026 の食料費（L322101、 2023 年・千円換算）に対し、 算術平均・幾何平均・調和平均・トリム平均・加重平均を計算し、 値の差を観察する。 実測値は 算術 80.60 / 幾何 80.40 / 調和 80.20 / 10% トリム 80.22 / 人口加重 84.66 / 中央値 79.94 千円。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

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

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023]  # 2023 年・47 都道府県

x = df['L322101'].astype(float).values / 1000  # 食料費（千円）
w = df['A1101'].astype(float).values  # 総人口

am = np.mean(x)
gm = stats.gmean(x)
hm = stats.hmean(x)
tm = stats.trim_mean(x, proportiontocut=0.1)
wm = np.average(x, weights=w)
med = np.median(x)

print(f'算術平均     : {am:8.2f}')
print(f'幾何平均     : {gm:8.2f}   （AM-GM 不等式: AM >= GM）')
print(f'調和平均     : {hm:8.2f}   （HM <= GM <= AM）')
print(f'10%トリム平均: {tm:8.2f}')
print(f'人口加重平均 : {wm:8.2f}   （大都市寄り）')
print(f'中央値      : {med:8.2f}')

🧮 数式に値を入れて手で計算する: 算術・幾何・調和平均

合成 [2, 4, 8] で 3 種類の平均を計算する。

Step 1: 算術平均

Step 2: 幾何平均

Step 3: 調和平均

🐍 Python で再現

1
2
3
4
5
6

import numpy as np
from scipy import stats
x = np.array([2, 4, 8])
print(f"算術: {x.mean():.3f}")
print(f"幾何: {stats.gmean(x):.3f}")
print(f"調和: {stats.hmean(x):.3f}")

📤 実行結果

💬 手計算 (Step 1-3) と Python 出力が完全一致。

🐍 Python での計算 — pandas, numpy, statistics の使い分け

Pythonでは複数のライブラリで平均を計算できます。 状況によって使い分けます。

① pandas（データフレーム）— 最も多用

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

import pandas as pd

# SSDSE データを読み込む（2 行目の日本語ラベル行を skip）
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])

# 1変数の平均（2023 年の食料費 L322101、 千円換算）
d23 = df[df['SSDSE-B-2026'] == 2023]
print(f"食料費の平均: {d23['L322101'].mean()/1000:.2f} 千円")  # 80.60

# 全数値列の平均を一気に
all_means = d23.mean(numeric_only=True)
print(all_means.head())

# グループ別平均（年度別など）
by_year = df.groupby('SSDSE-B-2026')['L322101'].mean()
print(by_year)

# 加重平均（総人口 A1101 で重み付け）
weighted_mean = (d23['L322101'] * d23['A1101']).sum() / d23['A1101'].sum()
print(f'人口加重平均: {weighted_mean/1000:.2f} 千円')  # 84.66

② numpy（数値計算）— 配列処理に最適

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

import numpy as np

# 配列からの平均
arr = np.array([2.0, 4.0, 8.0])
print(np.mean(arr))      # 4.667
print(arr.mean())        # 同じ

# 軸指定（多次元配列）
mat = np.array([[1, 2, 3], [4, 5, 6]])
print(np.mean(mat, axis=0))   # [2.5, 3.5, 4.5] - 列ごと
print(np.mean(mat, axis=1))   # [2.0, 5.0] - 行ごと

# 加重平均
np.average(arr, weights=[1, 3, 1])  # 重み付き

# 欠損値を含む場合
arr_nan = np.array([1, 2, np.nan, 4])
print(np.nanmean(arr_nan))   # 2.333 - NaN を無視

③ scipy — 幾何平均・調和平均・トリム平均

1
2
3
4
5
6
7
8
9

from scipy import stats

arr = [2.0, 4.0, 8.0]
print(stats.gmean(arr))    # 4.0 - 幾何平均
print(stats.hmean(arr))    # 3.429 - 調和平均

# トリム平均（上下10%をカット）
data_with_outlier = [1, 2, 3, 4, 5, 100]
print(stats.trim_mean(data_with_outlier, proportiontocut=0.1))

④ statistics（標準ライブラリ）— シンプル

1
2
3
4
5
6
7

import statistics

arr = [2.0, 4.0, 8.0]
print(statistics.mean(arr))        # 4.667
print(statistics.geometric_mean(arr))   # 4.0
print(statistics.harmonic_mean(arr))    # 3.429
print(statistics.fmean(arr))       # 4.667（高速版、 float のみ）

⑤ 信頼区間の計算

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

import numpy as np
from scipy import stats

data = np.array([77.90, 78.12, 78.98, 82.00, 83.83, 84.11])
mean = data.mean()
se = data.std(ddof=1) / np.sqrt(len(data))
t_crit = stats.t.ppf(0.975, df=len(data)-1)

ci_low = mean - t_crit * se
ci_high = mean + t_crit * se
print(f'95%CI: [{ci_low:.2f}, {ci_high:.2f}]')

🐍 Python 実装バリエーション — numpy / scipy / pandas / statsmodels

1. numpy — 算術平均と欠損対応

1
2
3
4
5
6
7
8

import numpy as np
x = np.array([1, 2, 3, np.nan, 5])
# np.mean は欠損が 1 つでもあると結果が「非数 (Not a Number)」になる。これが落とし穴
print('mean が非数になったか:', bool(np.isnan(np.mean(x))))
print('nanmean   :', np.nanmean(x))    # 欠損を無視して平均 → 2.75
print('average   :', np.average(x[~np.isnan(x)]))   # 欠損を除いてから平均 → 2.75
# 加重平均
print('weighted  :', np.average([1,2,3], weights=[1,2,3]))   # 2.333

⚠️ 外れ値の影響 — 平均は崩壊しやすい

⚠️ 外れ値の影響 — 平均は崩壊しやすい

平均の最大の弱点は外れ値に弱いこと。 1つの極端な値が代表値を大きく歪めます。

左：通常の10人の年収（350〜700万円）。 平均と中央値は近い（500万円前後）。
右：そこに「年収1億円の人」を1人足しただけ。 平均は劇的に上がるのに、 中央値はほぼ動かない。

ロバスト推定 — 外れ値に強い代表値

判断フロー

1. 分布の確認：ヒストグラムを描く。 対称か、 歪んでいるか
2. 分布が対称（正規分布など）：平均が最適
3. 分布が歪んでいる or 外れ値あり：中央値 or トリム平均が代表値として優れる
4. 所得分布のような対数正規：幾何平均 or 対数変換後の平均が直感的

🌐 関連手法・派生

関連する手法・派生バリエーション。

平均値 (算術平均) は中心傾向の代表値の 1 つで、 中央値 / 最頻値 / 幾何平均 / 調和平均と並ぶ。 外れ値感度や尺度水準による使い分けがあり、 隣接指標と比較することで「いつ平均が適切か」が明確になる。

• 上位概念: 記述統計の代表値 / 中心傾向 / 期待値 — 平均値は確率変数の期待値の標本版として位置づけられる。
• 並列指標: 中央値 / 最頻値 / 幾何平均 / 調和平均 / トリム平均 — 中心位置を別の規準で測る代表値群。
• 前段処理: 外れ値検出 / 欠損値処理 / 尺度水準確認 — 算術平均が意味を持つ間隔尺度・比尺度かを判定する。
• 後段処理: 信頼区間 / 標本標準誤差 / t 検定 — 平均値の不確実性と差の検定で結論を補強する。
• 派生指標: 加重平均 / 移動平均 / 指数加重移動平均 (EWMA) / トリム平均 / ウィンザライズ平均 — 状況別の頑健化・時系列化。
• 代替指標: 中央値 (外れ値に頑健) / モード (カテゴリ向け) / 幾何平均 (成長率・比率向け) — 分布の歪みやデータ型に応じて切り替える。

比較表: いつ算術平均より別の代表値を選ぶか

💡 判断基準: (1) 分布が対称で外れ値少 → 算術平均。 (2) 裾が長い/外れ値あり → 中央値 (所得・価格)。 (3) 比率・成長率 → 幾何平均。 (4) 速度・割合の合成 → 調和平均。 (5) カテゴリデータ → 最頻値。

これらの代表値群を意識することで、 平均値を「常に使う中心値」ではなく「対称分布で外れ値が少ない場合に最適な代表値」として適切に選択できる。

🔗 関連用語（拡張ネットワーク）

📚 前提となる用語

• 代表値（記述統計の基礎）
• 量的変数（Σ 記法の前提）
• 確率変数・期待値
• 確率の基礎
• 母集団と標本

🔀 並列に学ぶ用語

• 中央値
• 最頻値
• トリム平均・ロバスト統計
• ヒストグラム（加重平均の基礎）
• 幾何平均 / 調和平均（形状指標）

🚀 発展先の用語

• 分散・標準偏差
• 標準誤差 SE
• 信頼区間
• t 検定
• ベイズ平均推定（ベイズの定理）

🧰 ツール・周辺概念

• シンプソンのパラドックス（交絡）
• Huber M-estimator（ロバスト推定）
• ブートストラップ法
• 移動平均（ARIMA の MA 成分）

🎯 理解度チェック — 平均

「平均」を 算術平均と早合点していないか？ 加重平均・幾何平均・調和平均・トリム平均それぞれが活きる場面を 5 問で見極めよう。

1. Q1. 算術平均 $\bar{x} = \frac{1}{n}\sum x_i$ と中央値の違いはどこにあるか？ SSDSE-B-2026 の県別人口 (A1101) を例にすると、 どちらが「典型的な県」を表すか？
2. Q2. 「3 年連続でリターン +10%, +20%, −30% の投資商品」の年平均リターンを算術平均で計算すると 0% になるが、 実際には資産は減っている。 どの平均を使うべきか？
3. Q3. 47 都道府県の人口 1 人あたり医療費を計算するとき、 「47 県の平均」を取るのと「全国合計医療費 / 全国人口」を取るのとでは値が違う。 後者は何と呼ばれる平均か？
4. Q4. 平均の上下に外れ値が 1 つずつ追加されると、 算術平均はどう変わるか？ 中央値は？ なぜ外れ値耐性が異なるのか？
5. Q5. 中心極限定理により、 サンプル平均の分布は元データの分布によらず正規に近づく。 これが意味するのは「平均には強力な保証があるが、 中央値や個別値にはない」。 実務でどう活きるか？

📚 関連グループ教材

平均は記述統計の出発点。 以下の横断教材・公的データを併読すると、 「単純算術平均」だけでなく「加重平均・トリム平均・幾何平均」など状況に応じた使い分けが体系的に理解できる。

📚 サイト内グループ教材

• 📦 中央値 — 外れ値に強い代表値、 平均と並べて分布の歪みを読む
• 📦 最頻値 — カテゴリ変数や離散分布での代表値
• 📐 分散・標準偏差 — 平均からのばらつきを定量化
• ⚖️ 加重平均 — 人口・面積など重みつきの集計
• 🛡 ロバスト統計グループ — トリム平均・M 推定など外れ値耐性の高い代表値
• 📊 記述統計グループ — 平均・中央値・SD・分位数を体系的に

🗾 公的データ・実教材

• SSDSE-B-2026（教育用標準データセット）— 47 都道府県 × 100 超指標で「食料費 (L322101) の平均」「人口加重平均」を実演
• e-Stat（政府統計の総合窓口）— 国勢調査・家計調査の平均値が掲載される一次資料
• 家計調査年報（総務省統計局）— 「1 世帯あたり消費支出の平均」が代表的な平均統計
• 国民経済計算（内閣府）— GDP/人 (1 人あたり) の計算は「総額 ÷ 人口」という加重平均

📖 標準書・参考文献

• 東京大学教養学部統計学教室『統計学入門』（東京大学出版会）— 平均・分散の定義と性質
• 『日本統計学会公式認定 統計検定2級 公式問題集』— 代表値の使い分けが頻出
• Rice, J.A. Mathematical Statistics and Data Analysis — 期待値としての平均の理論的位置づけ

🗺️ 概念マップ — 3つの視点で体系を理解する

平均 がデータサイエンスの体系の中でどこに位置するかを、 3つの異なる視点で可視化します。 同じ情報でも見方を変えると気付きが変わります。

📍 体系階層のパス

🌐 統計・データサイエンス › 記述統計 › 中心傾向 › 平均

① 🔗 関係マップ — 「他の手法とどう繋がっているか」

中心に 平均 を置き、 そこから 中央値・分散・標準偏差・相関係数・単回帰・標準化 など 計 14 個の用語へ、 前提・兄弟・発展形といった関係を矢印で結んでいます。 線がどちら向きかを見れば、 先に読むべき用語とあとから読む用語が分かります。 ノードはドラッグで動かせ、 ホイールでズーム、 クリックでその用語のページへ遷移します。

② ⭕ 包含マップ — 「どのカテゴリに含まれているか」

大きな円が小さな円を包含する Circle Packing 図。 「平均」は緑色でハイライト。

• カテゴリ円をクリック：その内部にズームイン
• 白背景クリック：1階層戻る
• 用語円をクリック：詳細ページへ遷移
• マウスホバー：階層パス表示

③ 🌳 ツリーマップ — 「面積で見るボリューム比較」

長方形を入れ子に分割した Treemap 図。 各分野の規模感を面積で比較。 「平均」は緑色でハイライト。

• カテゴリ矩形をクリック：その内部にドリルダウン
• パンくず（上のリンク）クリック：その階層に戻る
• 用語矩形をクリック：詳細ページへ遷移
• マウスホバー：階層パスと値を表示

🎯 3つのマップの使い分け

💡 3 つの図は同じ位置関係を別の角度から描いています。 関係マップは 平均 の隣に何が並ぶかを、 包含マップとツリーマップは 統計・データサイエンス → 中心傾向 → 平均 という入れ子の位置を示します。 「中心傾向には他に何があったか」を思い出したいときは包含マップを、 「次に何を読むか」を決めたいときは関係マップを開いてください。

🔗 隣接手法への橋渡し

平均は単独で完結する指標ではなく、 上流のサンプリング設計、 並列の中央値・最頻値・幾何平均・調和平均、 下流の分散・標準誤差・信頼区間と組み合わせる。 単独で出すと外れ値や歪んだ分布で誤解を生むため、 必ず散布度と一緒に報告する。 ここでは 接続 / 統合 / 比較 の 3 視点で隣接手法 5 件との関係を整理する。

① 接続 — 平均が処理パイプラインのどこに入るか

② 統合 — 平均を他手法と組み合わせる典型レシピ

• 平均 ± SD でレポート: 正規分布に近い連続量の標準的要約。 SSDSE-B の食料費 (L322101) など。
• 平均 + 中央値併記: 歪んだ分布は両方並べて差を見せる。 県別人口 (2023 年実測: 平均 264.6 万 vs 中央値 154.9 万) が典型。
• 群別平均 + 分散分析 (ANOVA): 3 群以上の平均差を検定する場合の主役指標。 地域別・年代別比較で頻出。
• 移動平均 (rolling mean): 時系列の平滑化で短期ノイズ除去。 月次・週次トレンド可視化。

③ 比較 — 平均と類似手法はどう違うか

SSDSE-B-2026 の県別人口（2023 年）で平均を出すと約 264.6 万人だが、 中央値は 154.9 万人。 東京の約 1409 万人が大きく引き上げている。 上流で分布をヒストグラム確認、 中段で平均 + 標準偏差、 下流で中央値 + IQR を併記、 さらに歪度を計算して「右に裾を引く分布」と注釈、 これが最低限の報告フォーマット。

🌳 平均の使い分けフロー

状況によって適切な平均は異なります。 以下のフローに従って選びます：

1. データの性質は？
   • 絶対値（収入、 身長など） → 算術平均が基本
   • 比率・倍率（成長率、 収益率） → 幾何平均
   • 速度・スループット → 調和平均
   • 各値の重要度が違う → 加重平均
2. 分布の形は？
   • 対称・正規分布 → 算術平均
   • 歪んでいる、 裾が長い → 中央値（または対数変換）
   • 外れ値あり → 中央値 or トリム平均
3. 目的は？
   • 1個あたりの代表値 → 算術平均
   • 中央的な「典型値」 → 中央値
   • 分布の頂点 → 最頻値
   • 不確実性の評価 → 信頼区間

🚧 平均の落とし穴 — よくある誤用と対策

1️⃣ 外れ値の影響を見落とす

所得分布や被害額のような歪んだ分布では、 平均は「典型的な値」を表しません。 必ずヒストグラムや箱ひげ図で分布を確認。 「日本人の平均貯蓄額」が高く出るのも、 富裕層の影響です。

2️⃣ シンプソンのパラドックス

全体での平均と、 部分での平均が逆になることがあります。 集計レベルが違うと、 結論が変わる。 必ず複数のレベルで確認。

3️⃣ 加重なしの平均（生態学的誤謬）

「都道府県の平均所得」を単純平均すると、 人口の多い都市県の影響が過小評価されます。 全国全体を語るなら人口で加重すべき。

4️⃣ 比率の平均

「3社の利益率（10%, 20%, 30%）の平均は20%」は、 売上規模が同じならOKだが、 普通は加重平均すべき。 単純平均は誤解の元。

5️⃣ 成長率の平均

「3年で +10%, +20%, -10% の成長」の平均成長率を算術平均で出すと(10+20-10)/3 = 6.67%だが、 これは誤り。 正しくは幾何平均：³√(1.1×1.2×0.9) = 1.058 → 5.8%。

6️⃣ サンプルサイズが小さい

n=3 の平均は信頼性が低い。 必ず信頼区間を併記、 または最低 n≥30 で計算。 CLTが成立するサンプルサイズが目安。

📈 47都道府県の家計食料費の分布

SSDSE-B-2026 のデータをヒストグラムで可視化。 平均（赤線）と中央値（オレンジ点線）の位置関係も確認できます。

分布は概ね右に裾を引いており（少数の高額県あり）、 平均は中央値よりやや右にあります。 これは「平均は外れ値に引っ張られる」典型例。 分布が歪んでいる場合の代表値は中央値の方が安全です。

📉 移動平均 — 時系列データの平滑化

時系列データ（株価、 売上、 気温）のノイズを取り除く最も基本的な平滑化が移動平均。 直近 N 個のデータの平均を窓を動かしながら計算します。

① 単純移動平均（SMA: Simple Moving Average）

$$ \text{SMA}_t = \frac{1}{N} \sum_{i=t-N+1}^{t} x_i $$

「最後の N 個の単純平均」。 窓を1ステップずつスライドさせて計算。 N が大きいほど平滑化が強くなる。

② 指数移動平均（EMA: Exponential Moving Average）

$$ \text{EMA}_t = \alpha \cdot x_t + (1 - \alpha) \cdot \text{EMA}_{t-1} $$

「新しいデータほど重みを大きく」。 α（0〜1）は平滑化係数。 機械学習のAdam optimizer、 株式のテクニカル分析、 IoT センサーのノイズ除去で頻繁に使われます。

Python 実装

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

import pandas as pd

# この抜粋だけで動くように、時系列を用意する（df は後続ブロックが使うので触らない）
# SSDSE-B は 2012〜2023 年の 12 時点なので、窓 7 の移動平均が計算できる
_src = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', header=1)
_src = _src[_src['地域コード'].astype(str).str.match(r'^R\d{5}$', na=False)].copy()
_src['年度'] = pd.to_numeric(_src['年度'], errors='coerce')
_src['消費支出'] = pd.to_numeric(_src['消費支出（二人以上の世帯）'], errors='coerce')
sales = (_src.groupby('年度', as_index=False)['消費支出'].mean()
             .rename(columns={'消費支出': '売上'}))   # ここでは「売上」に見立てる

# pandas で時系列移動平均
sales['SMA_7'] = sales['売上'].rolling(window=7).mean()          # 7 期 SMA
sales['EMA_7'] = sales['売上'].ewm(span=7, adjust=False).mean()  # 7 期 EMA

# 中心化移動平均（過去+未来の窓）
sales['CMA_7'] = sales['売上'].rolling(window=7, center=True).mean()

# 加重移動平均
weights = [1, 2, 3, 4, 5]
sales['WMA_5'] = sales['売上'].rolling(window=5).apply(
    lambda x: (x * weights).sum() / sum(weights), raw=True)
print(sales.round(1))

🤖 機械学習での平均の役割

① 損失関数の中核：平均二乗誤差（MSE）

線形回帰など多くの教師あり学習は、 予測誤差の平均を最小化します：

$$ \text{MSE} = \frac{1}{n} \sum_{i=1}^{n} (y_i - \hat{y}_i)^2 $$

「予測 ŷ と真値 y のズレを2乗して平均」。 「平均」を最小化するから、 結果は「予測誤差ゼロの中心」 = 条件付き平均 E[Y|X] になります。

② バイアス-バリアンス分解

機械学習モデルの誤差は3つに分解できます：

$$ \text{誤差} = \text{バイアス}^2 + \text{バリアンス} + \text{ノイズ} $$

• バイアス：予測の平均と真の関数のズレ（モデルが単純すぎる→大）
• バリアンス：データセット間での予測のばらつき（モデルが複雑すぎる→大）

両方とも平均が基本になっています。

③ Batch Normalization

深層学習で各層の出力を平均0・分散1に標準化する手法。 ミニバッチ内の平均と分散を計算して使う。 訓練の安定性と速度が劇的に改善する画期的技術（Ioffe & Szegedy, 2015）。

④ アンサンブル学習

複数の予測モデル（決定木、 ニューラルネット）の予測結果を平均することで精度を上げる手法（バギング、 ランダムフォレスト、 アベレージング）。 「3人寄れば文殊の知恵」を平均で実現。

⑤ 勾配降下法での Adam / RMSProp

これらの最適化アルゴリズムは、 過去の勾配の指数移動平均を使って学習率を適応的に調整。 「最近の勾配ほど重視」する平均化が学習を加速。

📜 平均の歴史 — 4000年の知恵

「平均」という考え方は驚くほど古くから存在しました。 統計学の歴史を簡単に俯瞰します。

古代（〜紀元前500年）

• 古代バビロニア：紀元前2000年頃、 算術平均の概念がすでに使われていた（天体観測の誤差を補正するため）
• ピタゴラス学派：紀元前500年頃、 算術平均・幾何平均・調和平均の3つを「音楽の調和」と結びつけた

近代（16〜19世紀）

• Tycho Brahe（1546-1601）：天体観測で複数の測定値の平均を取って精度を上げた
• Gauss（1777-1855）：「最小二乗法」を発明（1809年）。 平均が最尤推定量である正規分布を提案
• Quetelet（1796-1874）：「平均人（l'homme moyen）」の概念を提唱、 社会統計学の祖

現代

• Tukey（1977）：トリム平均、 中央値などのロバスト統計を体系化
• 機械学習：平均は損失関数、 バッチ正規化、 アンサンブルなど至るところに登場

💡 「平均」という素朴な概念が、 4000年かけて確率論・統計学・機械学習・物理学の中核に発展してきました。 一見単純なものほど、 深く理解する価値があります。

🎲 ベイズ的視点での平均

ベイズ統計学では、 平均は「事前分布と尤度を組み合わせた事後分布の期待値」として登場します。

事後平均（posterior mean）

$$ \mathbb{E}[\mu | x_1, \ldots, x_n] = \frac{\tau_0^2}{\tau_0^2 + \sigma^2/n} \bar{x} + \frac{\sigma^2/n}{\tau_0^2 + \sigma^2/n} \mu_0 $$

事後平均は「標本平均」と「事前平均 μ₀」の加重平均。 サンプルが多いほど標本平均が優勢、 サンプルが少ないほど事前情報が優勢。 これは正則化と本質的に同じ仕組み（Ridge 回帰の原型）。

Stein のパラドックス

独立した複数の平均を推定する時、 「すべての平均を全体平均に向けて引き寄せる」推定量（James-Stein 推定量）の方が、 個別の標本平均より必ず精度が高いという驚くべき結果（James & Stein, 1961）。 ベイズ的シュリンケージの原型。

🧭 直感を深める — 重心・てこの支点、そして4つの平均の使い分け

平均のいちばん確かなイメージは「データの合計を個数で割った重心」です。 数直線に同じ重さの玉としてデータを置くと、 ちょうど釣り合う一点（てこの支点）が平均。 各玉から支点までの距離（偏差）は左右で必ず打ち消し合い、 総和は $\sum_i (x_i-\bar{x})=0$ になります。 「重心（バランス点）」と「ならすと1件あたりいくらか（等分配）」——この2つの言い方はどちらも同じ $\bar{x}=\frac1n\sum x_i$ を指しています。 上部の 🎨 直感で掴む と 🎮 触って理解する のシーソー図も同じ話です。

てこの支点が動く条件

てこ（モーメント）の釣り合いとして見ると、 平均の性質が一目で分かります。 支点から遠い玉ほど「引っ張る力（モーメント＝偏差）」が大きいので、 遠くの1個を動かすと支点は大きくずれる——これが外れ値感応の物理的な正体です。 逆に支点のすぐ近くの玉をいくら動かしても平均はほとんど動きません。

4つの平均 — 「どんな量をならすか」で選ぶ

「平均」は算術平均だけではありません。 何を等分配したいのかで使う平均が変わります。 目安は「足し算でならすなら算術、 掛け算（倍率）でならすなら幾何、 逆数（率・速度）でならすなら調和、 重要度に差があるなら加重」。

実データで「AM ≥ GM ≥ HM」を確認（SSDSE-B-2026・2023年）

47都道府県の家計食料費（L322101, 千円/月）で3つの平均を計算すると、 算術 80.60 ≥ 幾何 80.40 ≥ 調和 80.20 千円（実測値）。 差は小さいですが、 大小関係が理論どおり成り立っています。 ばらつきが小さいほど3者は近づき、 全値が等しいときだけ一致します。 逆にばらつきが大きい量（次節の人口）ではGM・HMがAMからぐっと下に離れます。 上部の🎮ウィジェットでも紫の◆（幾何／調和）が赤い支点▲（算術）の左側に来ることで、 この不等式を目で確認できます。

関連：代表値（中心傾向）／中央値／最頻値。 期待値・加重平均・幾何平均・調和平均の単独ページは本サイトでは未整備のため、 本ページ内の 📐 4種類の平均 節を参照してください。

🕳️ 落とし穴を深める — 平均だけで語ると足をすくわれる

① 外れ値に弱い — 「東京が全国平均を押し上げる」を実データで

平均は全データを等しく扱うので、 極端に大きい1個で大きく動きます。 SSDSE-B-2026（2023年）の総人口 A1101を見ると、 47都道府県の算術平均は約264.6万人なのに中央値は約154.9万人——平均が中央値より約110万人も高い右に裾を引いた分布です。 犯人は東京都の約1408.6万人という突出値。 実際、 東京都を1県外すだけで算術平均は264.6万→239.7万人へ約25万人も下がりますが、 中央値はほとんど動きません。 「平均的な都道府県」を語りたいなら中央値の方が実態に近いのです。

② 歪んだ分布では代表性が低い — 中央値を併用する

所得・地価・人口・被害額のように右に長い裾を引く分布では、 平均は少数の巨大値に引っ張られ「典型的な値」からずれます。 鉄則は平均と中央値を必ず併記し、 両者が離れているほど分布の歪みを疑うこと。 さらにヒストグラムや箱ひげ図で形を見れば、 「平均年収600万円」の見出しに惑わされずに済みます。 詳しくは 中央値、 外れ値、 ロバスト統計、 ばらつきの見方は 分散・標準偏差 を参照。

③ 比率・率・速度に算術平均を使わない

倍率（成長率）を平均するなら幾何平均、 率や速度を平均するなら調和平均が正解です。 （架空例）投資が「+50%→−50%」の2年なら、 算術平均は0%でも実際は $1.5\times0.5=0.75$ で−25%の損失。 幾何平均 $\sqrt{1.5\times0.5}-1\approx-13.4\%$ がこの実感に合います。 実データ例（SSDSE-B-2026）としては、 食料費の単純算術平均80.60千円に対し、 人口を重みにした加重平均は84.66千円（実測）。 人の多い大都市圏の食料費が高いため、 「日本の世帯が実際に払う平均像」に近いのは加重平均で、 両者は約4千円も食い違います。 どの重みで平均するかで数値は変わります。

④ シンプソンのパラドックス — グループ平均と全体平均が逆転する

（架空例）ある2病院の治療成功率が、 軽症・重症のどちらの患者でも病院Aが病院Bを上回るのに、 全患者をまとめると病院Bの成功率が高く見える——こうした逆転が起こります。 原因は、 病院Aに重症患者（成功率が低い層）が偏って集まっているといった層ごとの人数（重み）の偏り。 全体平均は各層の加重平均なので、 重みが偏ると結論がひっくり返ります。 平均だけで「A→Bに差がある」と断じる前に、 交絡しそうな変数（年齢・地域・重症度）で層別化したサブグループ平均を必ず確認しましょう。

⑤ 平均への回帰 — 「翌年は平均に近づく」を実力と誤解しない

（架空例）ある年に極端に成績の良かった選手が翌年は平凡に戻り、 極端に悪かった選手が翌年は持ち直す——これは平均への回帰で、 測定に偶然（運）の成分がある限り自然に起こる統計現象です。 「叱ったら伸びた／褒めたら落ちた」を因果と早合点するのが典型的な罠。 極端値の次の観測は母平均側へ戻りやすいとだけ理解しておけば、 施策の効果と偶然の揺り戻しを取り違えずに済みます。

⑥ 平均は「分布の要約の1点」にすぎない

同じ平均でも中身はまったく違い得ます。 平均は位置しか語らないので、 ばらつき（分散・標準偏差）や形（歪度・裾）とセットで初めて分布を語れます。 「平均±標準偏差」だけでなく、 分布そのもの（ヒストグラム）を見る癖をつけましょう。 → 分散・標準偏差・共分散。

🚀 発展 — 不等式・期待値・頑健平均・条件付き期待値・大数の法則

① 平均の不等式 AM ≥ GM ≥ HM

非負データでは常に算術平均 ≥ 幾何平均 ≥ 調和平均が成り立ちます（等号は全値が等しいときのみ）。 これは凸関数に対するイェンセンの不等式の特例で、 $\log$ が凹関数であることから $\log$ の平均 ≤ 平均の $\log$ が導け、 GM ≤ AM が出ます。 HM は「逆数のAMの逆数」で、 逆数変換に同じ議論を当てると GM ≥ HM が従います。 上の 🧭 直感を深める で見たとおり、 食料費の実測でも 80.60 ≥ 80.40 ≥ 80.20 と成立していました。

$$ \frac{n}{\sum \frac1{x_i}} \;\le\; \left(\prod x_i\right)^{1/n} \;\le\; \frac1n\sum x_i $$

② 加重平均と期待値は同じ骨格

加重平均 $\bar{x}_W=\frac{\sum w_i x_i}{\sum w_i}$ で、 重みを合計1に正規化（$p_i=w_i/\sum w_j$）すると $\bar{x}_W=\sum p_i x_i$。 これは確率分布に対する期待値 $\mathbb{E}[X]=\sum p_i x_i$ とまったく同じ形です。 つまり「加重平均＝確率を重みにした平均」。 標本平均 $\bar{x}$ は各点に等確率 $1/n$ を置いた期待値で、 母平均 $\mu=\mathbb{E}[X]$ の不偏推定量（$\mathbb{E}[\bar{x}]=\mu$）になります。 人口加重で全国平均を作る作業は、 「都道府県を人口比の確率で引く」期待値計算そのものです。

③ トリム平均・ウィンザー化 — 頑健な平均（実データ）

外れ値感応を弱めつつ情報量を保つ折衷案がトリム平均（上下 α% を捨ててから算術平均）とウィンザー化平均（上下 α% を境界値に置換してから算術平均）です。 SSDSE-B-2026（2023年）の食料費では、 単純算術平均 80.60・10%トリム平均 80.22・10%ウィンザー化平均 80.34 千円（いずれも実測）。 食料費は外れ値が弱いため差は小さいですが、 人口のように裾が長い量ではトリム／ウィンザー化がAMより中央値側に大きく寄ります。 崩壊点（何%汚染まで壊れないか）は 中央値50% ＞ トリム平均α% ＞ 算術平均0%。 → ロバスト統計。

④ 条件付き期待値 — 「グループごとの平均」を関数として見る

「地方ブロックごとの平均食料費」のように、 条件 $Y$ を与えたときの平均を条件付き期待値 $\mathbb{E}[X\mid Y]$ と呼びます。 全体平均はグループ平均を重み（各グループの割合）で束ねた加重平均になり、 これが繰り返し期待値の法則 $\mathbb{E}[X]=\mathbb{E}\big[\mathbb{E}[X\mid Y]\big]$ です。 回帰分析は「説明変数を与えたときの条件付き期待値 $\mathbb{E}[X\mid Y]$ を推定する営み」と読み替えられ、 平均は回帰の一番単純な形（説明変数なしの $\mathbb{E}[X]$）にあたります。 なお前節④のシンプソンのパラドックスは、 この重み付けが層で偏ると全体平均が層内平均と食い違う現象でした。

⑤ 大数の法則 — なぜ平均は信頼できるのか

大数の法則は「サンプルを増やすほど標本平均 $\bar{x}_n$ が母平均 $\mu$ に収束する」という保証です（$\bar{x}_n \to \mu$）。 さらに中心極限定理により標本平均のばらつきは $\sigma/\sqrt{n}$（標準誤差）で縮み、 分布は正規に近づきます。 だから平均には信頼区間や $t$ 検定といった強力な理論が使えるのです（本ページ 📐 数式 節に東北6県での信頼区間の実演あり）。 中央値にも同種の理論はありますが取り扱いはやや複雑で、 「平均が統計学の主役である」理由はこの理論的な扱いやすさにあります。 大数の法則・中心極限定理の単独ページは本サイト未整備のため、 本ページ内解説を参照してください。