統計で英語多読 2-2: データの中心を表す指標 — 平均値・中央値・最頻値の使い分け

「大人のための英語多読図書館」へようこそ。今回は、データの「真ん中」を表す3つの代表値、平均値・中央値・最頻値が、それぞれどんな場面で力を発揮し、どう使い分けるべきかを、英語の文章でたどっていきます。

📊 このユニットの情報 語数: 約690語 / 推定読了時間: 5〜7分 / 難易度: ★★☆☆☆(初中級)

Learning Objectives

みなさんこんにちは。大人のための英語多読図書館へようこそ。

データ全体の特徴を掴むとき、「だいたい真ん中はどのあたり？」という疑問が浮かびますよね。これを「代表値」や「中心傾向」と呼びます。例えば、クラスの平均点が70点と聞けば、なんとなくそのクラスの学力レベルが想像できます。

今回は、この「真ん中」を表す最もポピュラーな3つの指標、平均値 (Mean)、中央値 (Median)、最頻値 (Mode) について学びます。それぞれに得意なことと苦手なことがあり、データの特徴によって使い分けることがとても重要です。特に、年収の話などで「平均値」が実態とずれているように感じることがある理由も、今回の内容でスッキリ理解できますよ。

それでは今回も多読を楽しんでいきましょう。

Summary

• Measures of central tendency are single values that attempt to describe the center of a dataset.
• The Mean is the sum of all values divided by the number of values. It's the most common measure but is sensitive to outliers (extreme values).
• The Median is the middle value when the data is sorted. It is not affected by outliers, making it a better choice for skewed data.
• The Mode is the value that appears most frequently. It is the only measure of central tendency that can be used for categorical (non-numeric) data.
• Choosing the right measure depends on the type of data and the shape of its distribution.

Explanation

Describing the "Center" of Data

In the previous section, we learned how to organize data into tables and histograms to see its shape. The next step is to summarize the data with a single number that represents a "typical" or "central" value. We call this a measure of central tendency. Let's explore the three most common measures: the mean, median, and mode.

The Mean (Average)

The mean is what most people think of as the "average." It's the most widely used measure of central tendency.

• How to Calculate: You calculate the mean by adding up all the values in the dataset and then dividing by the number of values.

  • Formula: \[ \text{Mean} (\mu \text{ or } \bar{x}) = \frac{\sum{x}}{n} \] (where Σx is the sum of all values, and n is the number of values).

• Example: For the test scores {70, 80, 85, 90, 100}, the mean is (70 + 80 + 85 + 90 + 100) / 5 = 85.

• Key Characteristic: The mean uses every value in the dataset in its calculation. This is good because it gives a complete picture. However, this also makes it very sensitive to outliers, which are extremely high or low values.

Imagine we are calculating the average salary at a small company with 5 employees. Their salaries are: $50,000, $52,000, $55,000, $58,000, and the CEO's salary of $500,000. The mean salary is ($50k + $52k + $55k + $58k + $500k) / 5 = $143,000. This number doesn't feel very "typical" for an employee at this company, does it? The CEO's high salary has pulled the mean upwards significantly.

The Median (The Middle Value)

When outliers are present, the median is often a better measure of the center.

• How to Calculate: The median is the middle value of a dataset that has been sorted in ascending or descending order.

  1. Sort the data from smallest to largest.
  2. If there is an odd number of values, the median is the one exactly in the middle.
  3. If there is an even number of values, the median is the mean of the two middle values.

• Example (Odd): For {70, 80, 85, 90, 100}, the median is 85.

• Example (Even): For {70, 80, 85, 90, 95, 100}, the median is (85 + 90) / 2 = 87.5.

• Key Characteristic: The median is robust to outliers. Let's go back to our salary example: {$50,000, $52,000, $55,000, $58,000, $500,000}. After sorting, the middle value is $55,000. This is a much more accurate representation of a "typical" employee's salary than the mean of $143,000. This is why you often see "median income" reported in economic news instead of "mean income."

The Mode (The Most Frequent Value)

The mode is the simplest measure of central tendency.

• How to Calculate: The mode is the value that appears most often in the dataset. A dataset can have one mode, more than one mode (bimodal, multimodal), or no mode at all if every value appears only once.

• Example: In the dataset {Red, Blue, Green, Blue, Yellow, Green, Green}, the mode is "Green".

• In the dataset {7, 2, 9, 4, 6, 4, 8, 4, 5}, the mode is 4.

• Key Characteristic: The mode is the only measure of central tendency that can be used for categorical data (data that consists of names or labels, like colors or types of cars). You cannot calculate a mean or median for "Red, Blue, Green."

When to Use Each Measure

• Mean: Use for numeric data with a symmetric distribution (no significant outliers).
• Median: Use for numeric data with a skewed distribution or when there are outliers. It's great for things like income, house prices, etc.
• Mode: Use for categorical data. It can also be used for numeric data, especially when you want to know the most common value.

Understanding the strengths and weaknesses of each measure allows you to choose the one that most honestly and accurately describes your data.

---

まとめ

今回は、データの「中心」を一つの数値で表す3つの代表値を学びました。すべての値を足して個数で割る平均値、データを並べたときの真ん中の値である中央値、そして最も多く現れる値である最頻値です。平均値は外れ値に弱く、年収のように極端な値があるデータでは中央値のほうが実態を表します。また最頻値は、色や種類のような数値でないカテゴリーデータに使える唯一の代表値でした。データの種類や分布の形に応じて、最もふさわしい指標を選ぶことが大切です。

次回は、データが中心からどれくらい散らばっているかを表す指標、分散・標準偏差・四分位範囲を見ていきます。

---

日本語訳(全文)

英文を最後まで読み終えてから、答え合わせ用にお使いください。多読の原則として、まずは訳を見ずに英文だけで理解を試みることをおすすめします。

Summary

• 代表値（中心傾向の指標）とは、データセットの中心を表そうとする一つの値のことです。
• 平均値（Mean）は、すべての値の合計を値の個数で割ったものです。最もよく使われる指標ですが、外れ値（極端な値）の影響を受けやすい指標です。
• 中央値（Median）は、データを並べ替えたときの真ん中の値です。外れ値の影響を受けないため、歪んだデータにはより適した選択肢になります。
• 最頻値（Mode）は、最も頻繁に現れる値です。カテゴリー（数値でない）データに使うことができる唯一の代表値です。
• 適切な指標を選ぶことは、データの種類と、その分布の形によって決まります。

データの「中心」を表す

前の節では、データを表やヒストグラムに整理して、その形を見る方法を学びました。次のステップは、「典型的な」あるいは「中心的な」値を表す一つの数値で、データを要約することです。これを代表値（中心傾向の指標）と呼びます。最もよく使われる3つの指標、平均値・中央値・最頻値を見ていきましょう。

平均値（アベレージ）

平均値（mean）は、たいていの人が「平均」と聞いて思い浮かべるものです。最も広く使われている代表値です。

• 計算のしかた: 平均値は、データセットのすべての値を足し合わせ、それを値の個数で割って計算します。

  • 公式: \[ \text{Mean} (\mu \text{ or } \bar{x}) = \frac{\sum{x}}{n} \] （ここで Σx はすべての値の合計、n は値の個数です）。

• 例: テストの点数 {70, 80, 85, 90, 100} の場合、平均値は (70 + 80 + 85 + 90 + 100) / 5 = 85 です。

• 重要な特徴: 平均値は、計算にデータセットのすべての値を使います。これは全体像を与えてくれるという点で良いことです。しかし、そのために外れ値、つまり極端に高い、あるいは低い値の影響をとても受けやすくなります。

5人の従業員がいる小さな会社の平均給与を計算していると想像してください。給与は、$50,000、$52,000、$55,000、$58,000、そして CEO の $500,000 です。 平均給与は ($50k + $52k + $55k + $58k + $500k) / 5 = $143,000 です。 この数字は、この会社の従業員にとってあまり「典型的」には感じられませんよね。CEO の高い給与が、平均値を大きく押し上げてしまっているのです。

中央値（真ん中の値）

外れ値があるとき、中央値（median）のほうが中心を表す指標として優れていることがよくあります。

• 計算のしかた: 中央値は、昇順または降順に並べ替えたデータセットの真ん中の値です。

  1. データを小さい順に並べ替えます。
  2. 値の個数が奇数の場合、中央値はちょうど真ん中の値です。
  3. 値の個数が偶数の場合、中央値は真ん中の2つの値の平均です。

• 例（奇数）: {70, 80, 85, 90, 100} の場合、中央値は 85 です。

• 例（偶数）: {70, 80, 85, 90, 95, 100} の場合、中央値は (85 + 90) / 2 = 87.5 です。

• 重要な特徴: 中央値は外れ値に対して頑健（ロバスト）です。先ほどの給与の例に戻りましょう。{$50,000, $52,000, $55,000, $58,000, $500,000}。並べ替えると、真ん中の値は $55,000 です。これは、平均値の $143,000 よりも「典型的な」従業員の給与をはるかに正確に表しています。経済ニュースで「平均所得」ではなく「中央値所得（中位所得）」がよく報じられるのは、こういう理由からです。

最頻値（最も多く現れる値）

最頻値（mode）は、最もシンプルな代表値です。

• 計算のしかた: 最頻値は、データセットの中で最も多く現れる値です。データセットには、最頻値が1つあることも、複数あること（二峰性・多峰性）も、あるいはすべての値が一度しか現れない場合はまったくないこともあります。

• 例: データセット {Red, Blue, Green, Blue, Yellow, Green, Green} では、最頻値は「Green」です。

• データセット {7, 2, 9, 4, 6, 4, 8, 4, 5} では、最頻値は 4 です。

• 重要な特徴: 最頻値は、カテゴリーデータ（色や車の種類のように、名前やラベルからなるデータ）に使うことができる唯一の代表値です。「Red, Blue, Green」について平均値や中央値を計算することはできません。

それぞれの指標をいつ使うか

• 平均値: 左右対称な分布を持つ（目立った外れ値のない）数値データに使います。
• 中央値: 歪んだ分布の数値データや、外れ値があるときに使います。所得や住宅価格などにうってつけです。
• 最頻値: カテゴリーデータに使います。数値データにも、特に最も多い値を知りたいときに使えます。

それぞれの指標の長所と短所を理解することで、自分のデータを最も正直に、正確に表す指標を選べるようになるのです。