平均は、統計学のなかで最も基本的な「データの代表値」です。誰もが日常で使っている概念ですが、G検定では中央値・最頻値・期待値との違いや、外れ値に弱いという性質まで踏み込んで問われます。この記事で土台からしっかり固めましょう。
📖 ひと言でいうと
平均(算術平均)とは、データの値をすべて足し合わせ、データの個数で割った値のことで、データ全体の「中心的な水準」をひとつの数字で表す代表値です。
たとえばテストの点数が 60点、70点、80点、90点、100点 の5人なら、合計400点を5で割って平均は80点です。クラス全体のレベルを「80点くらい」とひと言で要約できるのが平均の役割です。
🖼 1枚でわかる平均
📘 公式テキストの説明
平均は、公式テキストでは単独の定義段落が置かれておらず、統計の基礎用語として前提知識のように扱われています。本文中では、ディープラーニングの文脈で「平均値プーリング」の説明に登場します。
平均値プーリングは、最大値プーリングと比較して、入力データの全体的な情報を保持しやすい特徴がある。最大値プーリングが局所的な最大値を抽出するのに対し、平均値プーリングは領域内の全体的な平均を取るため、特徴マップの平滑化効果が得られる。
つまり平均は、統計の代表値としてだけでなく、CNN(畳み込みニューラルネットワーク)で特徴マップを縮小する演算としても使われる、AI全体を貫く基礎概念です。「領域内の値をならして全体の傾向を残す」という平均の性質が、そのままプーリングの性質(平滑化・全体情報の保持)につながっている点を押さえましょう。
🔍 しっかり理解する
代表値としての平均と、その仲間
データの中心を1つの数で表す「代表値」には、平均のほかに中央値(データを小さい順に並べたときの真ん中の値)と最頻値(最も多く出現する値)があります。どれを使うべきかはデータの形によって変わります。
- 平均 — すべての値を計算に使うため情報量が多いが、極端な値の影響を受ける
- 中央値 — 並び順の真ん中だけを見るため、外れ値の影響を受けにくい
- 最頻値 — 「いちばん多いパターン」を知りたいとき(カテゴリデータにも使える)
外れ値に引っ張られるという弱点
平均の最大の注意点は、外れ値(極端に大きい・小さい値)に強く引っ張られることです。年収データを例に検算してみましょう。
5人の年収が 300万円、350万円、400万円、450万円、3000万円 だとします。合計は4500万円なので、平均は 4500 ÷ 5 = 900万円。しかし5人中4人は450万円以下ですから、「平均900万円」は実態とかけ離れています。一方、中央値は小さい順に並べた3番目の 400万円 で、こちらの方が「普通の人の水準」をよく表します。所得や住宅価格のように分布が偏ったデータでは、平均と中央値がしばしば大きくずれるのです。
期待値・分散との関係
確率の世界では、確率変数がとる値にそれぞれの確率を重みとして掛けて足し合わせた「理論上の平均」を期待値と呼びます。たとえばサイコロの出る目の期待値は (1+2+3+4+5+6) ÷ 6 = 3.5 で、これは「サイコロを何回も振ったときの出た目の平均が近づいていく値」です。
また、データのばらつきを表す分散は「平均からの偏差を2乗して平均したもの」として定義されます。つまり平均は、分散・標準偏差・共分散・相関係数といった統計指標すべての計算の起点になる、文字どおりの土台です。
機械学習の中の平均
機械学習でも平均は至るところに現れます。
時系列データでは、直近の一定期間の平均をずらしながら計算する移動平均が、細かい変動をならしてトレンドを見るために使われます。
また、すべての値を同じ重みで足す通常の平均に対して、値ごとに重要度の重みを付けて計算する加重平均もよく使われます。複数のモデルの予測を精度に応じた重みで平均するアンサンブル学習は、加重平均の考え方の応用例です。期待値も「確率を重みにした加重平均」と見ることができ、平均の一族として一貫した見方ができます。
💡 具体例で考える
CNNのグローバル平均プーリング(Global Average Pooling)は、平均の性質をうまく使った代表例です。特徴マップ1枚全体の平均を1つの値に要約することで、全結合層の代わりに使え、パラメータ数の削減や過学習の抑制に役立ちます。「たくさんの値を1つの数に要約しても全体の傾向は残る」という平均の本質が、そのまま設計アイデアになっています。
もうひとつ、レコメンドの評価データを考えます。ある商品のレビューが「星5が2件、星1が2件」のとき平均は星3ですが、実際には「大好き」と「大嫌い」に二極化しており、星3という平均的な感想の人はいません。平均だけでは分布の形が見えない、という限界を示す典型例です。
⚠️ よくある誤解・紛らわしい用語
- 「平均=普通の値」ではない — 外れ値や二極化があると、平均は誰の実態も表さない値になることがあります。分布の形と合わせて解釈します。
- 平均と中央値の混同 — 中央値は並べたときの真ん中の値で、計算方法がまったく違います。外れ値がある場面ではどちらが適切かを判断させる問題が想定されます。
- 平均と期待値 — 期待値は確率で重み付けした理論上の平均です。観測データから計算する標本平均とは区別しつつ、深い関係にあることを理解しましょう。
- 平均値プーリングと最大値プーリング — 平均値プーリングは領域全体の情報をならして残し、最大値プーリングは最も強い特徴だけを取り出します。
📝 試験でのポイント
- 外れ値を含むデータを示して「平均と中央値のどちらが代表値として適切か」を選ばせる形式が想定されます。
- 平均・中央値・最頻値の定義の対応付けは頻出の基本パターンです。
- ディープラーニング分野との横断で、平均値プーリング・グローバル平均プーリングの特徴(平滑化・パラメータ削減)を問う出題も考えられます。
- 分散が「平均からの偏差の2乗の平均」であることなど、他の統計量の定義の中に平均が組み込まれている点も確認しておきましょう。
📚 まとめ
- 平均は「合計 ÷ 個数」で求める、最も基本的な代表値です。
- 外れ値に引っ張られやすく、偏った分布では中央値の方が実態を表すことがあります。
- 期待値は確率で重み付けした理論上の平均で、分散などの統計量も平均を起点に定義されます。
- 機械学習でも損失の平均化や平均値プーリングなど、平均の考え方は至るところで使われています。
