【完全図解】マハラノビス距離とは？｜「身長180cmで体重40kg」が異常だとわかる距離の正体

多変量解析や判別分析を学んでいると、突然現れる「マハラノビス距離」。公式を見た瞬間に「行列の逆行列？ 転置？ 無理……」と心が折れた人も多いのではないでしょうか。

でも、安心してください。マハラノビス距離がやっていることは、実はとてもシンプルです。

一言でいうと、「データのバラつき方と相関関係を考慮して、"本当の遠さ"を測る距離」です。

この記事では、数式をいきなり出すのではなく、まず「なぜ普通の距離ではダメなのか？」という問題から出発します。問題が理解できれば、マハラノビス距離の公式は「なるほど、だからこうするのか」と腑に落ちるはずです。

普通の距離の「3つの致命的な弱点」

マハラノビス距離を理解する最短ルートは、まず「普通の距離（ユークリッド距離）」の弱点を知ることです。

ここでは、「身長」と「体重」の2つのデータで、ある人が集団の平均からどれだけ離れているかを考えてみましょう。日本人成人男性の平均が身長170cm・体重65kgだとします。

⚠️ 弱点①：スケール（単位）が違う問題

Aさんは身長180cm・体重65kg、Bさんは身長170cm・体重75kgとします。

ユークリッド距離を素朴に計算すると……

同じ距離「10」になりました。しかし、身長の10cmと体重の10kgは同じ重みでしょうか？　身長の標準偏差が6cm、体重の標準偏差が10kgだとすると、身長10cmのズレは約1.67σ、体重10kgのズレは1.0σです。統計的にはAさんの方が「珍しい」のに、ユークリッド距離はそれを区別できません。

⚠️ 弱点②：バラつきの大小を無視する問題

弱点①の延長ですが、もう少し掘り下げます。

たとえば「社員の年齢」と「月収」でデータを扱うとします。年齢は20〜60歳（範囲40、σ ≈ 10歳）、月収は20万〜80万円（範囲60万、σ ≈ 15万円）だとしましょう。

この場合、「年齢が平均から20歳離れている（2σ）」のと「月収が平均から20万円離れている（1.3σ）」では、年齢の方がはるかに「異常」です。しかし、ユークリッド距離ではどちらも「20の差」として同じ扱いです。

これは「そのデータにおけるバラつきの大きさ」を無視していることが原因です。

⚠️ 弱点③：変数間の相関を無視する問題 ── これが最大の問題

ここが最も重要で、マハラノビス距離が生まれた最大の理由です。

身長と体重には正の相関がありますよね。背が高い人は体重も重い傾向がある。つまり「身長180cm・体重80kg」は「大柄な人」として珍しくありません。

しかし、「身長180cm・体重40kg」はどうでしょう？　身長の割に極端に軽い。これは明らかに「異常値」です。

ところが、ユークリッド距離（標準化しても）では、CさんとDさんが平均から同じくらいの距離と判定されてしまうことがあります。「身長と体重が連動する」という相関の情報を無視しているからです。

マハラノビス距離とは？ ── 「楕円の形」を考慮した距離

🎯 一言でいうと

⭕ 「円」と「楕円」の違いでイメージする

ここがマハラノビス距離を理解する核心部分です。

身長と体重の散布図を思い浮かべてください。データの点は、平均を中心にバラついています。しかし、身長と体重には相関があるため、データは円形ではなく斜めに傾いた楕円形に散らばっています。

ユークリッド距離で「平均から同じ距離」の点を結ぶと円になります。しかし、データの散らばりは楕円なので、円の上にある点でも「楕円の内側（普通の範囲）」の点と「楕円の外側（異常値）」の点が混在してしまいます。

マハラノビス距離で「平均から同じ距離」の点を結ぶとデータの散らばりに沿った楕円になります。楕円の長軸方向（身長と体重が連動して増える方向）に離れても距離は小さく、楕円の短軸方向（身長が高いのに体重が軽い＝珍しい方向）に離れると距離が大きくなります。

公式を1つずつ分解する ── 怖くない行列の読み方

📐 まずは1変量（変数が1つ）から

いきなり行列の公式を見ると怖いので、まず変数が1つだけの場合を確認しましょう。

見覚えがありませんか？　これは「標準化した値の2乗」です。つまり z² です。「平均から何σ離れているか」を測っているだけ。

たとえば、あるクラスのテストの平均が60点、標準偏差が10点のとき、90点を取った人のマハラノビス距離は……

1変量なら簡単ですよね。これを変数が2つ以上に拡張したものが、マハラノビス距離の一般式です。

📐 多変量の公式 ── 各パーツの意味

この公式には4つのパーツがあります。1つずつ意味を見ていきましょう。

🔑 Σ⁻¹（共分散行列の逆行列）は何をしているのか？

ここが最も「わからない」と言われるポイントなので、丁寧に説明します。

共分散行列 Σ は、データの散らばり方を1つの行列にまとめたものです。2変量の場合はこうなります。

対角線に各変数の分散（バラつきの大きさ）、それ以外に共分散（変数間の関係の強さ）が入っています。

この逆行列 Σ⁻¹ を距離の計算に挟むことで、次の2つのことが同時に行われます。

1変量で「σ² で割る」ことで標準化していたのが、多変量では「Σ⁻¹ をかける」ことに拡張された── それだけのことなのです。

【計算例】身長と体重で実際に計算してみる

公式を眺めるだけでなく、実際に手を動かしてみましょう。数値は簡単にしてあります。

📋 データの設定

この人は「身長が高い割に体重が軽い」── 相関から外れた方向にズレています。マハラノビス距離はこれを捉えるはずです。

STEP 1：平均からのズレを求める

身長は平均より+10cm、体重は平均より−5kg。

STEP 2：共分散行列の逆行列を求める

STEP 3：マハラノビス距離を計算する

🔍 ユークリッド距離と比較してみる

もしユークリッド距離（標準化あり）で計算すると……

マハラノビス距離の方が大きくなりました。これは「身長が高いのに体重が軽い」という、相関から外れた方向のズレをきちんと検出しているからです。標準化ユークリッド距離は相関を考慮しないため、この異常を過小評価してしまいます。

判別分析での使い方 ── 「どちらのグループに近いか」で分類する

マハラノビス距離は、判別分析で最も威力を発揮します。使い方はシンプルです。

🏭 たとえば「良品」と「不良品」の判別

工場で製品を検査する場面を考えましょう。過去のデータから「良品グループ」と「不良品グループ」の特徴（平均と共分散行列）がわかっています。

新しい製品が1つ流れてきたとき、それが「良品に近いか」「不良品に近いか」を判定したい。このとき、マハラノビス距離を使います。

📊 MT法（マハラノビス・タグチ法）との関係

品質管理の分野で有名なMT法（マハラノビス・タグチ法）も、マハラノビス距離がベースです。

MT法では「正常な状態」のデータだけで基準空間（単位空間）を作り、新しいデータがその基準空間からどれだけ離れているかをマハラノビス距離で測定します。距離が大きければ「異常」と判定します。

判別分析が「2つのグループのどちらに近いか」を比較するのに対し、MT法は「正常グループからどれだけ離れているか」を1つの基準で判定する── アプローチは違いますが、距離の測り方はどちらもマハラノビス距離です。

ユークリッド距離 vs マハラノビス距離 ── 最終比較

まとめ ── マハラノビス距離の本質

🔑 この記事のポイント

マハラノビス距離は、一見すると行列演算が出てきて難しそうに見えます。しかし本質は「データの楕円の形を考慮して、本当の遠さを測る」というシンプルなアイデアです。

「身長180cmで体重40kgの人は異常値だ」── 私たちが直感的に感じるこの判断を、数式で正確に表現したものがマハラノビス距離なのです。