1 加重平均の基本
1.1 定義と計算式
1.1.1 重みの役割
加重平均は、複数の値 \(x_1,x_2,\dots,x_n\) を、各値に対応する重み \(w_1,w_2,\dots,w_n\) で調整して代表値を求める方法である。重みは「その値が最終結果にどれだけ影響すべきか」を表し、たとえば観測回数の多いデータ、信頼性の高い測定、重要度の高い項目ほど大きい重みを与える。 この仕組みにより、単なる平均よりも、データの質や寄与度を反映した合成が可能になる。
1.1.2 重みの総和による正規化
加重平均は次の式で計算される。 \[ \bar{x}_w=\frac{\sum_{i=1}^{n} w_i x_i}{\sum_{i=1}^{n} w_i} \] 分子は「重み付きの合計」であり、各値 \(x_i\) を \(w_i\) 倍して足し合わせる。分母は重みの総和で、正規化により重みの大きさに応じた比較可能な尺度として結果を出す。 重みの単位やスケールが変わっても、正規化が行われるため、重み全体を同じ倍率で拡大縮小しただけなら値は変化しない。
1.2 単純平均との違い
1.2.1 どのとき単純平均になるか
単純平均は、全ての重みが等しい場合に加重平均と一致する。つまり \(w_1=w_2=\dots=w_n\) なら、分子と分母の共通因子が相殺され、 \[ \bar{x}=\frac{1}{n}\sum_{i=1}^{n} x_i \] となる。 また、ある項目の重みがゼロなら、その値は平均計算に寄与しない点でも、加重平均は単純平均の拡張として理解できる。
1.2.2 何が改善されるか
加重平均の利点は、データの偏りや重要度の違いを結果に反映できることにある。たとえば、測定精度が異なる複数の観測を統合する際には、誤差が小さい観測に大きめの重みを与えることで、統合値の妥当性が高まる。 さらに、時間の経過で信頼度が低下する指標や、頻度の高いカテゴリをより重視したい集計でも、影響度を調整できるため、表現したい性質に沿った代表値になりやすい。
2 重みの設定方法
2.1 重みの考え方
2.1.1 サンプルサイズとしての重み
重みを「サンプルサイズ（観測件数）」として扱う方法がある。たとえば、同じ性質を測った複数グループがあり、各グループで得られた平均値 \(x_i\) があるとする。このとき、グループの人数 \(n_i\) を重み \(w_i\) にすれば、人数の多いグループの平均が最終結果により強く反映される。 この考えは、母集団規模や観測量の差をそのまま寄与度に変換する点で直感的である。
2.1.2 信頼度としての重み
重みを信頼度に結び付けることも多い。たとえば測定誤差のばらつきが異なる複数の観測値を統合する場合、一般に誤差が小さい（精度が高い）観測の重みを大きくする。信頼度は、分散の逆数のように誤差に関する量から設計されることが多い。 信頼度を用いる利点は、観測ごとの不確かさの違いを数学的に扱いやすいことである。結果として、推定の安定性や妥当性が向上することが期待される。
2.1.3 時間や距離としての重み
時系列データでは、古い観測よりも直近の情報を重視したい場面がある。その際に、経過時間に応じて重みを小さくする設計が行われる。距離でも同様で、空間的に近い観測を強く、遠い観測を弱くする重み付けは自然な発想である。 この種の重みは「関係が強いほど影響を大きくする」という性質を実装するため、移動平均や空間補間など多様な場面で見られる。
2.2 重みの条件
2.2.1 重みが正である場合
多くの実務では、重みは正の値として設定される。正の重みは「寄与の方向が同じ」ことを意味し、最終結果は値の集合の範囲に収まりやすい。たとえば全ての \(w_i>0\) なら、加重平均は最小値と最大値の間に位置する性質を持つ。 この性質は解釈のしやすさにつながり、代表値としての直観と整合しやすい。
2.2.2 重みが負になるケースの扱い
重みが負になる設計は、通常の平均の解釈から外れるため注意が必要である。負の重みが入ると、加重平均が最小値・最大値の外側に出ることもあり得る。これは「相殺」を意図した数理操作として理解される場合がある。 負の重みを使うときは、その目的が何か（補正、差分の強調など）を明確にし、利用者が納得できる説明と検証を行うことが望ましい。
2.2.3 重み総和がゼロのとき
分母 \(\sum w_i\) がゼロになると、加重平均は定義できない。これは、正と負の重みが完全に相殺した場合などに起こりうる。 実装では、重み総和の計算後にゼロ（または極端に小さい値）を検出してエラー処理する、あるいは代替指標を定めるなどの設計が必要である。
3 加重平均の応用例
3.1 成績・評価の集計
3.1.1 授業・課題・試験の配点
授業、課題、試験など複数の評価要素を統合する際、各要素の配点を重みとして加重平均を行うことがある。たとえば、同じ満点換算の得点割合 \(x_i\) を用い、配点 \(w_i\) を割り当てれば、最終成績は「配点に比例する影響度」を持つ。 これにより、授業は軽視せず、試験は重く見るといった設計が数式として明確に反映される。
3.1.2 部分点や欠席の反映
欠席や未提出がある場合、評価方式として部分点の割合や扱い（ゼロ点相当、救済枠の有無など）が決まる。これらを数値化したうえで、配点や評価可能な割合を重みや値側に組み込むことで集計できる。 重要なのは、欠席などをどのように数値へ変換したかが加重平均の意味を左右するため、評価基準の記述と整合した重み設計を行う点である。
3.2 価格・コストの指標
3.2.1 消費に基づく平均価格
複数の商品を購入し、それぞれの購入数量が異なる場合、単純平均では「高くても少量」の商品が過大に影響することがある。購入量 \(q_i\) を重みとして、価格 \(p_i\) の加重平均 \[ \frac{\sum q_i p_i}{\sum q_i} \] を用いると、実際の支出に近い代表価格になる。 この考えは家計の支出構造や購買計画の評価などで自然に利用される。
3.2.2 複数品目の平均原価
製造や仕入れでは、品目ごとの数量と原価が異なるため、平均原価を算出する際に加重平均が使われることがある。数量や投入量に比例した重みを設定することで、全体としての原価水準を表す指標を得られる。 在庫管理や原価計算では、期間や集計単位に応じて重みの定義を統一し、比較の前提を揃えることが重要になる。
3.3 データ集約と要約統計
3.3.1 層別データの統合
地域や年齢層、条件別など「層（グループ）」に分けたデータがあるとき、各層の平均や推定値を統合したいことがある。層ごとの人数、観測数、あるいは推定の有効サンプル数を重みとして加重平均を取ることで、層の構成比を反映した要約が可能になる。 層をまたいだ代表値を作る際の基本操作として位置付けられる。
3.3.2 代表値の比較と解釈
加重平均は、重みの設計により「何に対して代表か」が決まる。たとえば、人数に基づく重みなら構成を反映した代表、信頼度に基づく重みなら推定の精度を反映した代表となる。 比較を行う場合は、異なる期間や集団で重みの定義が同一かを確認し、指標の意味がずれていないかを解釈の前提として押さえる必要がある。
4 加重平均の注意点と読み違い
4.1 直感的な誤解
4.1.1 「平均だから同じ影響」との混同
「平均だからどの値も同じ影響を持つ」と考えるのは誤りである。加重平均では、重みが大きい項目ほど最終値への寄与が増える。単純平均と異なり、値の大きさだけでなく、重みが影響度を決める。 そのため結果が直感に反する場合、値そのものより重みの設定を点検する必要がある。
4.1.2 重みのスケール変更の影響
重みをすべて同じ倍率で乗じても、正規化がある加重平均は不変である。一方で、相対的な大きさが変わるような変更（ある項目だけ重みを調整する、ゼロや負の混入を含むなど）は結果を変える。 この区別を理解しておくと、「計算上の見かけの違い」を減らせる。
4.2 データ品質とバイアス
4.2.1 異なる母集団の混在
異なる性質のデータを同じ重み設計で統合すると、意味の異なる寄与が混ざり合う。たとえば、測定条件が異なる集団の値を単純に結合すると、重みが大きい集団が偏りの原因になることがある。 統合前に、比較可能性の担保や層の分割方針を検討することが、誤った代表値を避ける鍵になる。
4.2.2 欠測や偏りの影響
欠測が重み設計と無関係にランダムでない場合、加重平均は本来の母集団を歪める可能性がある。たとえば、ある層で未提出が多いとき、その欠測が「特定の性質の欠落」を反映していれば、統合結果は楽観的あるいは悲観的になることがある。 欠測処理（除外、補完、重み調整）の方針を明示し、感度分析を行うと解釈の堅牢性が高まる。
4.3 計算上の留意事項
4.3.1 桁落ちや丸め誤差
重みが非常に大きい、または値が極端に大きい・小さいと、浮動小数点の加算で丸めが蓄積し誤差が増えることがある。特に分子と分母が異なる桁で計算される場合、精度の劣化が起きやすい。 対策として、計算順序を調整する、精度の高い型を用いる、単位を揃えるなどの工夫が有効である。
4.3.2 分母（重み総和）の管理
分母の重み総和は、正規化のために不可欠である。極端に小さいと比が不安定になり、大きすぎるとオーバーフローや精度低下につながる場合がある。 また、欠測処理やフィルタリングにより重みが変化するので、実装上は「分母が適切な正の範囲にあるか」を常に監視することが望ましい。