第5回：度数分布表とヒストグラム ― データの分布を見る

なぜ「分布」を見る必要があるのか

みなさん、こんにちは。スマート・アナリティクス代表の畠です。前回（第4回）は、平均・分散・標準偏差という要約指標を学びました。データのばらつきを一つの数字にまとめる、とても便利な道具でしたね。ここで少し立ち止まって考えてみましょう。平均や標準偏差は、データの「どの部分」を見ている数字なのでしょうか。

実はこれらの数値は、データの分布（distribution）という全体像を、無理やり一言で表したものにすぎません。便利な要約であるぶん、たくさんの情報を切り捨ててもいるのです。言いかえれば、分布を見ずに平均だけを語るのは、地図を見ずに目的地を決めるようなもの。なんとなく方向は合っていても、肝心の地形を見落としてしまいます。今回は、その「全体像」を直接見るための道具、度数分布表とヒストグラムを紹介します。

私自身、長くデータ分析の現場にいて、つくづく感じることがあります。それは「いきなり高度な分析に飛びつく人ほど、最初に分布を見ていない」ということです。逆に、分析が上手な人は、必ずと言っていいほど最初にヒストグラムを描きます。今回はその「最初の一歩」を、できるだけやさしくお話しします。

分布とは「データの並び方」

分布とは、とてもシンプルに言えば「データがどの値に、どれくらい集まっているか」を表したものです。同じ平均・同じ標準偏差でも、山が1つの分布、山が2つある分布、端に偏った分布など、まったく異なる姿をしていることがあります。この「姿」を確認するための道具が、度数分布表とヒストグラムなのです。

身近な例で考えてみましょう。あるクラスのテストで「平均点は60点でした」と聞いたとします。このとき、多くの人が「60点くらいの子が一番多いんだな」と想像するはずです。でも、もしかすると30点台と90点台に人が二分されていて、ちょうど中間の60点を取った子は一人もいない、という可能性だってあります。平均という一つの数字だけでは、この「実際の並び方」までは見えてこないのです。

度数分布表とは ― データを区間で数える

度数分布表は、データをいくつかの区間（階級）に分け、それぞれに何件あるかを数えた表です。たとえばテストの点数なら、0〜19点、20〜39点、40〜59点…といった区間を作り、その区間に何人いるかを整理します。一つひとつの点数をバラバラに眺める代わりに、「このあたりに何人」というまとまりで見るわけです。

「点数をそのまま並べればいいのでは？」と思うかもしれません。確かに10人くらいのデータなら、それでも十分に把握できます。しかし、データが100件、1,000件と増えるほど、どこに集中しているのか、どこが少ないのかが分かりにくくなります。度数分布表は、こまかい一件一件の情報をいったん区間にまとめることで、全体の傾向を浮かび上がらせるための整理なのです。情報を「捨てる」のではなく、見やすい形に「束ねる」と考えるとしっくりきます。

ヒストグラムとは ― 表を「絵」にしたもの

ヒストグラムは、度数分布表を棒グラフとして可視化したものです。横軸に「値の区間」、縦軸に「件数（度数）」をとり、どこに山があるか、どれくらい広がっているかを一目で確認できます。表のままだと数字を一つずつ読まないといけませんが、絵にすると形が直感的に飛び込んでくるのが大きな利点です。

ヒストグラムを見ると、分布の中心はどこか、左右対称か偏っているか、外れた値がありそうか、山は1つか複数か——といったことが分かります。これらは、平均や標準偏差といった数字だけでは絶対に分からない情報です。とくに「外れた値（極端に大きい・小さい値）」は、平均をぐいと引っ張ってしまう厄介者ですが、ヒストグラムなら端っこにぽつんと残る棒として見つけやすくなります。

同じ平均でも、分布は違う

ここで、統計的にとても重要な視点を紹介します。下の3つは、同じ平均・同じ標準偏差を持つことがあっても、形はまったく違うという例です。左右対称の釣鐘型、右に長い尾を引く形、山が2つある形——。同じ「平均60点」でも、その中身はこれほど違いうるのです。

形が違えば、分析方法の選択、検定の前提、結果の解釈は大きく変わります。つまり、分布を見ない分析は、前提を確認しないまま議論を進めるようなもの。たとえば「山が2つ」あるデータは、本当は性質の違う2つの集団が混ざっているサインかもしれません。平均だけ見ていては、決して気づけない事実です。

もう少し具体的に考えてみましょう。たとえば、ある店舗の「来店客の年齢」をヒストグラムにしたところ、20代前半と60代前半に二つの山ができたとします。平均年齢を計算すると40歳前後になりますが、実際には「40歳のお客さん」はほとんどいません。ここで「うちの主力は40代」と判断してしまうと、まったく的外れな施策になってしまいます。分布を見ていれば、「若年層とシニア層という二つの異なる顧客がいる」という、はるかに役立つ気づきが得られるのです。これが、分布を見ることの実利です。

「まず分布を見る」は統計リテラシーの基本

研究でもビジネスでも、「まずヒストグラムを見る」「基本的な指標の分布を確認する」という行為は、統計リテラシーの基本動作です。相関係数や検定結果、回帰係数をいきなり見る前に、「このデータは、どんな形をしているのか？」と問いかける。これができるだけで、統計の理解度は一段上がります。

なぜそこまで「形を見る」ことにこだわるのか。理由は大きく三つあります。一つめは、外れ値や入力ミスといった「データの異常」に早く気づけること。二つめは、後で使う分析手法が前提とする「分布の形」に合っているかを確認できること。三つめは、平均や中央値といった代表値のうち、どれで語るのが適切かを判断できることです。地味な作業に見えて、その後のすべての分析の土台になる——それが分布の確認なのです。

よくあるつまずき・誤解

ここからは、私が現場でよく出会う「つまずきポイント」を整理しておきます。どれも入門者がはまりやすく、しかも気づきにくいものばかりです。先に知っておくだけで、ずいぶん回り道を減らせます。

① ヒストグラムと棒グラフの混同。 見た目が似ているため、この二つを同じものだと思っている方は本当に多いです。棒グラフは「商品A・B・C」のように、もともとバラバラなカテゴリの大きさを比べるもの。一方ヒストグラムは、連続した数値を区間に区切って並べたものです。横軸の意味がまったく違うので、ヒストグラムの棒は順番を入れ替えてはいけませんし、棒どうしは隙間なく並びます。この違いを押さえておくと、グラフの読み間違いがぐっと減ります。

② 階級数（区間の数）で印象が大きく変わる。 同じデータでも、区間を細かくしすぎると凸凹だらけで形が読めず、逆に大ざっぱにしすぎると山が一つに潰れて特徴が消えてしまいます。つまりヒストグラムは「描き方しだいで見え方が変わる」道具なのです。一つの区切り方だけで結論を出さず、いくつか試して印象が安定するかを確かめる——この一手間が、思い込みを防いでくれます。

③ 「平均＝一番多い値」という思い込み。 左右対称の釣鐘型なら、平均はほぼ山のてっぺん（最も多い値）と一致します。しかし右や左に裾を引く分布では、平均は裾のほうに引っ張られ、「一番多い値」とはズレます。年収や住宅価格のように一部の大きな値がある場合がその典型です。「平均的な人」が実は少数派、ということは珍しくありません。だからこそ、平均という言葉を使う前に分布を確認する習慣が効いてきます。

釣鐘型から「正規分布」へ

ヒストグラムを見ていると、よく出てくる形があります。真ん中が高く、左右にだんだん低くなる——いわゆる「釣鐘型」の分布です。これが、のちの回で扱う正規分布につながっていきます。多くの統計手法が「正規分布に近い」という前提で作られている理由も、ここから見えてきます。

逆に言えば、手元のデータが釣鐘型から大きく外れているとき——たとえば極端に右へ裾を引いているときなどは、「正規分布を前提とした手法をそのまま使ってよいのか？」と立ち止まる必要があります。こうした判断のためにも、まずヒストグラムで形を確かめることが出発点になります。具体的な分析手法ごとの前提や使い分けについては、分析手法の完全ガイド も参考になります。

よくある質問

区間（階級）は、いくつに分ければよいですか？

決まった正解はありませんが、目安として5〜10程度に分けることが多いです。 多すぎると凸凹して形が読みにくく、少なすぎると特徴が潰れてしまいます。データの数に応じて調整します。

ヒストグラムと棒グラフは、何が違うのですか？

棒グラフは「商品A・B・C」のようなカテゴリの比較で、棒どうしが離れています。ヒストグラムは連続した値の分布を表すもので、区間が隣り合うため棒どうしがくっつきます。目的がまったく異なります。

なぜ平均だけでなく、分布まで見る必要があるのですか？

同じ平均でも形が違えば、適切な分析や解釈が変わるからです。まず形を確認する習慣が、思い込みや読み違いを防ぎます。

区間の幅は、すべて同じにしなければいけませんか？

入門の段階では、すべて同じ幅にそろえておくのが基本です。幅をそろえておけば、棒の高さをそのまま件数の多さとして素直に読めるからです。幅が異なる区間を使う方法もありますが、読み方に注意が必要なので、まずは等幅から始めるのが安心です。

ヒストグラムを見ると、必ず釣鐘型になりますか？

いいえ、必ずしも釣鐘型にはなりません。右や左に裾を引く形、山が二つある形、平らに近い形など、データによってさまざまです。「釣鐘型は数ある形の一つ」と捉え、まずは先入観なく実際の形を確かめることが大切です。

データの件数が少ないときでも、ヒストグラムは役に立ちますか？

件数が少ない（たとえば数件〜十数件）と、区間ごとの件数が偶然に左右されやすく、形が不安定になります。 その場合は、無理に細かく区切らず、まずは一件ずつの値を並べて眺めるだけでも十分なことがあります。件数が増えてくるほど、ヒストグラムの威力が発揮されます。

次回に向けて

次回・第6回では、相関とは何か、なぜ「関係がある」と言えるのかを扱います。ただし、相関もまた「分布」を前提にした考え方です。今回学んだ「まず分布を見る」という視点が、そこでしっかり効いてきます。ここまで来ると、統計は計算ではなく「データの性格を読む作業」だと実感できるはずです。