条件付き確率とベイズの定理の理解

条件付き確率

条件付き確率は、ある事象がすでに発生している場合に、別の事象が発生する確率を測定する指標。

公式：

ここで：

• $P(A \mid B)$ は「Bが起きたときのAの確率」
• $P(A \cap B)$ はAとBの両方が起きる確率
• $P(B)$ はBが起きる確率（0より大きい必要あり）

例1：条件付き確率 — 天気と交通

仮定：

• 事象A：「仕事に遅刻する」
• 事象B：「雨が降っている」

与えられている情報：

• $P(A \cap B) = 0.10$（雨が降り、かつ遅刻する確率は10%）
• $P(B) = 0.20$（任意の日に雨が降る確率は20%）

このとき：

解釈：
雨が降っている場合、仕事に遅刻する確率は50%。

ベイズの定理

ベイズの定理は、$P(A \mid B)$ を直接測定するのが難しい場合に、$P(B \mid A)$ を利用して求める方法。

公式：

ステップごとの解説

ステップ1: $P(A \mid B)$ の理解
これは「Bが起きたときのAの確率」と読む。

例: A =「病気を持っている」、B =「陽性反応が出る」とすると、$P(A \mid B)$ は次の問いとなる：
陽性反応が出た場合、その人が実際に病気を持っている確率はどれくらいか？

ステップ2: 分子 = $P(B \mid A) \cdot P(A)$

• $P(B \mid A)$ = 病気を持っている場合に陽性反応が出る確率（検査の感度）；
• $P(A)$ = Aの事前確率（病気の有病率）。

ステップ3: 分母 = $P(B)$
これはB（陽性反応が出る）が起きる全体の確率であり、真の陽性と偽陽性の両方を含む。

展開:

ここで：

• $P(B \mid \neg A)$ = 偽陽性率；
• $P(\neg A)$ = 病気を持っていない確率。

ベイズの定理 — 医療検査

仮定：

• 事象A：「病気を持っている」
• 事象B：「陽性反応が出る」

与えられた条件：

• 病気の有病率: $P(A) = 0.01$
• 感度: $P(B \mid A) = 0.99$
• 偽陽性率: $P(B \mid \neg A) = 0.05$

ステップ1：陽性反応が出る全体の確率を計算

ステップ2：ベイズの定理を適用

解釈：
陽性反応が出ても、実際に病気を持っている確率は約16.7%にすぎない — これは病気がまれであり、偽陽性が存在するため。

主なポイント

• 条件付き確率は、Bが起こったときにAが起こる確率を求める手法；
• ベイズの定理は条件付き確率を逆転させ、直接測定が難しい場合に信念を更新する方法；
• どちらの概念もデータサイエンス、機械学習、医療検査、意思決定に不可欠。