平均・中央・最頻値を理解し、設計者の視点で「偏差値」を実装する

データサイエンス基礎を高校数学から復習しよう 第7回

　データサイエンスという分野は、データ収集や可視化などが身近になったことで、より重要になってきています。システムを使ってデータ分析する際、利用者は最終的な結果のみを求めますが、私たちエンジニアはその途中経過についても正しく評価する必要があります。そのためには、中学や高校で学んだ数学の知識が欠かせません。そこで本連載は、高校までに学ぶ基本的な数学知識を使って、データ分析やデータ表現の基礎的な考え方を紹介します。また、既に学んだ数学的基礎からデータの特徴を見つけるためにデータ表現する方法について紹介したいと思います。

はじめに

　前回までは「微分・積分」に焦点を当て、データの「瞬間の変化（動態）」や「蓄積された事実（静態）」を捉える手法を学びました。今回からは視点を「個別のデータ」から「母集団の構造」へと移し、統計的アプローチによる分析の世界へと踏み出します。その第一歩として、私たち日本人にとって最も馴染み深く、時に多大な影響を及ぼす統計指標「偏差値」を取り上げます。

「受ける側」から「作る側」へのパラダイムシフト

　学生時代、私たちは偏差値という数字に一喜一憂してきました。その時の視点は「自分という1つのサンプル」からしかデータを見ていない、極めて限定的なものでした。「平均より高いか、低いか」という一喜一憂は、いわば受動的な「ユーザーとしての視点」です。

　しかし、データ分析の本質は個別の点を追うことではなく、全体を俯瞰してその背後にある構造（モデル）を理解することにあります。もし、あなたが試験の「受験者」ではなく「試験の設計者」だとしたら、偏差値をどう捉えるでしょうか。

　その視点に立ったとき、平均・中央・最頻値というお馴染みの代表値は、単なる計算結果ではなく、「集団の評価をコントロールするためのパラメータ」へと姿を変えるはずです。

3つの代表値を「合成」して評価をデザインする

　統計の基礎を学ぶ際、必ず「平均値」「中央値」「最頻値」の3つが登場します。これらは既存のデータを要約するためだけの道具ではありません。これらこそが、評価の質を決定づける「設計パラメータ」になります。

　多くの人は、偏差値を「勝手に算出される結果」だと思っています。しかし筆者は、偏差値とは「これら3つの要素を考慮し、主催者の意図に合わせて再構築した、一次評価のインターフェース」だと考えています。

　例えば、以下のように考えることができます。

• 平均値で「全体の重心（難易度の目安）」を定める。
• 中央値で「マジョリティの合否ライン」を保証する。
• 最頻値で「集団のボリュームゾーン」を設計する。

　もちろん、試験の内容と目的では変わるかもしれませんが、これらをどう組み合わせれば、狙い通りの「評価」というアウトプットが得られるのか。物差しの裏側にある「設計の論理」が見えてくるはずです。