統計検定2級 対策テキスト 第2回|1変数データの要約(平均・分散・標準偏差・箱ひげ図・標準化・ジニ係数)

こんにちは。ゆうせいです。

統計検定2級 対策テキスト(全10回)の第2回です。今回は、出題範囲表の「1変数データ」を学びます。1つの変数のデータを、少ない数値で要約する方法です。平均や標準偏差は、第7回以降の推定や検定でも毎回使う道具なので、手で計算できるようにしておきましょう。

この回で学ぶこと

  • 中心を表す指標:平均、中央値、最頻値、幾何平均
  • 散らばりを表す指標:分散、標準偏差、範囲、四分位範囲、箱ひげ図
  • 中心と散らばりの活用:標準化、偏差値、変動係数、単位を変えたときの変化
  • 分布の形の指標:歪度、尖度
  • 格差の指標:ローレンツ曲線、ジニ係数

1. 中心を表す指標

データの中心を1つの数で表す指標を、代表値と呼びます。

  • 平均:すべての値を足して、個数で割る
  • 中央値:小さい順に並べたときの真ん中の値。個数が偶数なら、真ん中の2つの平均
  • 最頻値(モード):最も多く現れる値

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

x の上に線を引いた記号は平均、n はデータの個数、x_i は i 番目の値です。

データ 2、4、4、6、9 で確かめます。平均は (2 + 4 + 4 + 6 + 9) ÷ 5 = 5、中央値は3番目の 4、最頻値は2回現れる 4 です。

成長率の平均には幾何平均を使う

売上が1年目に 10% 増え、2年目に 20% 増え、3年目に 5% 減ったとします。1年あたりの平均の成長率は、(10 + 20 - 5) ÷ 3 = 8.3% ではありません。成長率は掛け算で効くので、倍率を掛け合わせて3乗根をとる幾何平均を使います。

G = (x_1 x_2 \cdots x_n)^{1/n}

倍率は 1.10、1.20、0.95 です。掛け合わせると 1.254 で、3乗根は約 1.078 です。平均の成長率は約 7.8% になります。電卓では、平方根のキーしか使えないので、試験では2年分(平方根)の形で問われることが多くなります。

ここで確認

問い:データ 3、5、5、7、10、12 の平均と中央値を求めてください。

答え:平均は 42 ÷ 6 = 7 です。個数が偶数なので、中央値は3番目と4番目の平均で、(5 + 7) ÷ 2 = 6 です。

2. 散らばりを表す指標

平均が同じでも、値が平均の近くに集まっているデータと、広く散らばっているデータがあります。散らばりの大きさを表す代表的な指標が、分散と標準偏差です。

s^2 = \frac{1}{n-1} \sum_{i=1}^{n} (x_i - \bar{x})^2

s の2乗は分散です。それぞれの値から平均を引いた差(偏差)を2乗して合計し、n - 1 で割ります。分散の平方根 s が標準偏差です。分散は単位が2乗になってしまうので、もとのデータと同じ単位に戻した標準偏差がよく使われます。

統計検定2級の出題範囲表では、分散は「n - 1 で割る」と明記されています。n で割る定義もありますが、2級では n - 1 で割る不偏分散を基本にしてください。

データ 2、4、4、6、9(平均 5)で計算します。

  • 偏差:-3、-1、-1、1、4(合計は必ず 0 になる)
  • 偏差の2乗:9、1、1、1、16。合計は 28
  • 分散:28 ÷ (5 - 1) = 7
  • 標準偏差:7 の平方根で、約 2.65

四分位数と箱ひげ図

データを小さい順に並べて4等分する位置の値を、四分位数と呼びます。

  • 第1四分位数:下から 25% の位置の値
  • 第2四分位数:中央値
  • 第3四分位数:下から 75% の位置の値
  • 四分位範囲:第3四分位数 - 第1四分位数
  • 範囲:最大値 - 最小値

データ 1、3、4、6、7、8、10、12、15(9個)で求めます。中央値は5番目の 7 です。中央値より下の4個(1、3、4、6)の中央値が第1四分位数で、(3 + 4) ÷ 2 = 3.5 です。上の4個(8、10、12、15)の中央値が第3四分位数で、(10 + 12) ÷ 2 = 11 です。四分位範囲は 11 - 3.5 = 7.5、範囲は 15 - 1 = 14 です。四分位数の求め方にはいくつかの流儀があり、ソフトウェアによって値が少し違うことがあります。

最小値、第1四分位数、中央値、第3四分位数、最大値の5つを図にしたものが、箱ひげ図です。

箱ひげ図とローレンツ曲線の読み方。箱ひげ図は最小値、第1四分位数、中央値、第3四分位数、最大値を表し、ローレンツ曲線からジニ係数0.25を求める図

箱ひげ図では、「第1四分位数 - 1.5 × 四分位範囲」より小さい値や、「第3四分位数 + 1.5 × 四分位範囲」より大きい値を、外れ値として点で描くことがあります。上の例では、3.5 - 11.25 = -7.75 より小さい値と、11 + 11.25 = 22.25 より大きい値が外れ値の候補です。

平均と標準偏差は外れ値の影響を強く受けます。中央値と四分位範囲は、外れ値の影響を受けにくい指標です。

ここで確認

問い:データ 1、2、3、4、10 の平均、分散、標準偏差を求めてください。

答え:平均は 20 ÷ 5 = 4 です。偏差は -3、-2、-1、0、6 で、2乗の合計は 9 + 4 + 1 + 0 + 36 = 50 です。分散は 50 ÷ 4 = 12.5、標準偏差は約 3.54 です。

コラム なぜ n - 1 で割るのか

分散を求めるとき、n ではなく n - 1 で割る理由は、受講者から最もよく聞かれる質問の1つです。

知りたいのは、手元の標本の散らばりではなく、その背後にある母集団の散らばりです。本来は、母集団の平均からのずれを測るべきですが、母集団の平均は分かりません。そこで、標本の平均で代用します。ところが、標本の平均は、その標本のデータに最も近い位置にあります。標本の平均から測った偏差の2乗の合計は、母集団の平均から測った場合よりも、必ず小さめになります。

小さめに出る分を補うために、n より少し小さい n - 1 で割ります。こうすると、何度も標本を取り直したときの分散の平均が、母集団の分散と一致します。この性質を不偏性と呼び、第8回で詳しく学びます。

n - 1 は、自由度とも呼ばれます。偏差の合計は必ず 0 になるので、n 個の偏差のうち n - 1 個が決まれば、残りの1個は自動的に決まります。自由に動ける偏差は n - 1 個だけ、という意味です。

問い:データが1個しかないとき、n - 1 で割る分散は計算できるでしょうか。

答え:計算できません。0 で割ることになるからです。データが1個では、散らばりについての情報がまったくない、という状況を正しく表しています。

3. 中心と散らばりの活用

標準化と偏差値

平均や単位の違うデータを比べるには、標準化を使います。

z = \frac{x - \bar{x}}{s}

z は標準化した値(z得点)です。「平均から、標準偏差の何個分離れているか」を表します。標準化した値は、平均が 0、標準偏差が 1 になります。

平均 60点、標準偏差 10点の試験で 75点を取った場合、z = (75 - 60) ÷ 10 = 1.5 です。偏差値は、z を10倍して 50 を足した値なので、50 + 10 × 1.5 = 65 になります。

変動係数

標準偏差は、もとの値が大きいデータほど大きくなりがちです。平均の大きさが違うデータの散らばりを比べるには、標準偏差を平均で割った変動係数を使います。

CV = \frac{s}{\bar{x}}

商品Aは平均 50個、標準偏差 5個で売れ、商品Bは平均 200個、標準偏差 10個で売れるとします。標準偏差はBのほうが大きいですが、変動係数はAが 5 ÷ 50 = 0.10、Bが 10 ÷ 200 = 0.05 です。平均に対する散らばりは、Aのほうが大きいと分かります。変動係数は単位のない数なので、単位の違うデータどうしでも比べられます。

単位を変えると指標はどう変わるか

すべての値を a 倍して b を足す変換(y = ax + b)をしたとき、指標は次のように変わります。試験でよく問われます。

  • 平均:a 倍して b を足す
  • 分散:a の2乗倍になる(b を足しても変わらない)
  • 標準偏差:a の絶対値倍になる(b を足しても変わらない)

摂氏の気温を華氏に直す式は、華氏 = 1.8 × 摂氏 + 32 です。摂氏での平均が 20度、標準偏差が 5度なら、華氏での平均は 1.8 × 20 + 32 = 68度、標準偏差は 1.8 × 5 = 9度、分散は 3.24 × 25 = 81 です。全員に同じ数を足しても、散らばりは変わりません。

ここで確認

問い:身長のデータの単位を、メートルからセンチメートルに変えました。平均、分散、変動係数は、それぞれ何倍になるでしょうか。

答え:すべての値が100倍になるので、平均は100倍、分散は100の2乗で1万倍です。標準偏差も平均も100倍になるので、変動係数は変わりません。

4. 歪度と尖度

分布の形を数値で表す指標も、出題範囲に含まれます。

  • 歪度(わいど):分布の左右のゆがみを表す。右に裾が長いとプラス、左に裾が長いとマイナス、左右対称なら 0
  • 尖度(せんど):分布の裾の重さ(外れた値の出やすさ)を表す。正規分布を基準にして、裾が重いとプラス、軽いとマイナスとする定義がよく使われる

2級では、計算よりも「歪度がプラスなら右に裾が長い」という読み取りが問われます。第1回で見た平均と中央値の関係と合わせて覚えてください。右に裾が長い分布は、歪度がプラスで、平均が中央値より大きくなります。

5. ローレンツ曲線とジニ係数

所得などの格差の大きさを表す道具が、ローレンツ曲線とジニ係数です。

ローレンツ曲線は、次の手順で描きます。

  1. 所得の低い順に並べる
  2. 横軸に「人数の累積割合」、縦軸に「所得の累積割合」をとる
  3. 点を結ぶ

4人の所得が 10、20、30、40(合計 100)の場合を考えます。下から1人(人数の 25%)の所得の累積割合は 0.1、2人(50%)で 0.3、3人(75%)で 0.6、4人(100%)で 1.0 です。全員の所得が同じなら、点は 45度の直線(完全平等線)の上に並びます。格差が大きいほど、曲線は直線から下に離れます。

ジニ係数は、完全平等線とローレンツ曲線に囲まれた部分の面積を2倍した値です。0 なら完全に平等、1 に近いほど格差が大きいことを表します。

上の例で計算します。ローレンツ曲線の下の面積は、台形に分けて求めます。幅はどれも 0.25 です。

  • 台形の面積の合計:0.25 × (0.05 + 0.20 + 0.45 + 0.80) = 0.375
  • ジニ係数:1 - 2 × 0.375 = 0.25

かっこの中の数は、それぞれの台形の上底と下底の平均です。たとえば2番目の台形では、(0.1 + 0.3) ÷ 2 = 0.20 です。

ここで確認

問い:2人の所得が 20 と 80 のとき、ジニ係数はいくつでしょうか。

答え:所得の累積割合は、1人目までで 0.2、2人目までで 1.0 です。ローレンツ曲線の下の面積は 0.5 × (0.1 + 0.6) = 0.35 です。ジニ係数は 1 - 2 × 0.35 = 0.30 です。

確認問題

問1

あるデータの平均は 40、標準偏差は 8 です。すべての値を2倍して 10 を足した新しいデータの、平均と標準偏差の組み合わせとして正しいものを1つ選んでください。

  1. 平均 90、標準偏差 16
  2. 平均 90、標準偏差 26
  3. 平均 80、標準偏差 16
  4. 平均 90、標準偏差 32

問1の解答と解説

正解は 1 です。

  • 1 が正解です。平均は 2 × 40 + 10 = 90、標準偏差は 2 × 8 = 16 です。10 を足しても散らばりは変わりません
  • 2 は誤りです。標準偏差にも 10 を足しています。定数を足しても標準偏差は変わりません
  • 3 は誤りです。平均に 10 を足し忘れています
  • 4 は誤りです。標準偏差を 2 の2乗倍しています。2乗倍になるのは分散です

問2

箱ひげ図から読み取れない値を1つ選んでください。

  1. データの中央値
  2. データの四分位範囲
  3. データの平均
  4. データの範囲

問2の解答と解説

正解は 3 です。

  • 1 は読み取れます。箱の中の線が中央値です
  • 2 は読み取れます。箱の長さ(第3四分位数 - 第1四分位数)が四分位範囲です
  • 3 が正解です。基本の箱ひげ図に平均は描かれません。平均を印で書き加える描き方もありますが、5つの要約値には含まれません
  • 4 は読み取れます。ひげの両端(最大値 - 最小値)が範囲です。外れ値を点で描く場合は、点も含めて考えます

講師向けの補足

  • 分散の計算は、偏差、偏差の2乗、合計、割り算の4段階を表にして書かせると、ミスが減ります。偏差の合計が 0 になることを検算に使えると伝えてください
  • 「n で割るか、n - 1 で割るか」で混乱する受講者が多くいます。2級では n - 1 を基本とすること、問題文に指定があればそれに従うことを、最初に伝えます
  • 単位の変換(y = ax + b)は、摂氏と華氏、円とドルなど、身近な例で計算させると定着します
  • ジニ係数は、方眼紙にローレンツ曲線を描き、台形の面積を足す作業を一度体験させると、式を忘れても解けるようになります

まとめ

  • 中心の指標は平均、中央値、最頻値。成長率の平均には幾何平均を使う
  • 分散は偏差の2乗の合計を n - 1 で割った値。標準偏差はその平方根
  • 箱ひげ図は、最小値、第1四分位数、中央値、第3四分位数、最大値を表す
  • 標準化は「平均から標準偏差の何個分離れているか」。変動係数は標準偏差 ÷ 平均
  • y = ax + b の変換で、平均は a 倍して b を足し、標準偏差は a の絶対値倍になる
  • ジニ係数は、完全平等線とローレンツ曲線の間の面積の2倍

次回は、2変数以上のデータを学びます。相関係数、クロス集計表、単回帰、時系列データの扱い方です。

統計検定は、一般財団法人統計質保証推進協会の登録商標です。この記事の例題と問題は、公表されている出題範囲表をもとに独自に作成したもので、過去の試験問題ではありません。

投稿者プロフィール

山崎講師
山崎講師代表取締役
セイ・コンサルティング・グループ株式会社代表取締役。
岐阜県出身。
海外放浪の末、2000年創業、2004年会社設立。
IT企業向け人材育成研修歴業界歴20年以上。
すべての無駄を省いた費用対効果の高い「筋肉質」な研修を提供します!
この記事に間違い等ありましたらぜひお知らせください。

学生時代は趣味と実益を兼ねてリゾートバイトにいそしむ。長野県白馬村に始まり、志賀高原でのスキーインストラクター、沖縄石垣島、北海道トマム。高じてオーストラリアのゴールドコーストでツアーガイドなど。現在は野菜作りにはまっている。