条件付き確率の基礎
確率は、ある事象が発生する可能性を測る正式な方法です。現実世界の多くの状況では、事象の確率は単独では成り立たず、既に知っている他の情報によって影響を受けます。ここで条件付き確率の概念が重要になります。条件付き確率は、追加情報を得た後に特定の事象に関する私たちの考えを更新するのに役立ちます。この記事では、その定義、基本式、例、そして積の法則とベイズの定理との関係について解説します。
1. 条件付き確率の理解
直感的に言えば、条件付き確率は、事象Bが発生したという条件の下で事象Aが発生する確率のことです。これは次のように表されます。
\[
P(A ∩ B)
\]
「Bが与えられた場合のAの確率」を読んでください。
例えば、今日雨が降っている（B）という条件の下で、誰かが傘を持っている（A）確率を知りたいとします。明らかに、雨が降っていることが分かっている場合、傘を持っている確率は高くなります。「雨が降っている」という情報は、考慮する範囲を変えます。つまり、すべての天候条件を考慮するのではなく、雨が降っている場合の条件だけを考慮するようになるのです。
2. 条件付き確率の公式
条件付き確率の数学的な定義は次のとおりです。
\[
P(A \mid B) = \frac{P(A \cap B)}{P(B)}
\]
ただし、\(P(B) > 0\)である。
ケテランガン：
– \(P(A \mid B)\): B が発生するという条件の下で A が発生する確率。
– \(P(A \cap B)\): AとBが同時に発生する確率（AとBの共通部分）。
– \(P(B)\): Bが発生する確率。
この式の意味は、事象Bにのみ注目し、BのうちAを含む部分がどれくらいの割合を占めるかを計算するということです。
3．簡単な例：トランプ
標準的なトランプ（52枚）からカードを1枚取ります。例：
– A: 引かれたカードはエースです
– B: 引かれたカードはスペードです
私たちは、カードがスペードであるという条件の下でエースを引く確率である \(P(A \mid B)\) を計算したいのです。
ランカ：
スペードには13枚のカードがあるので、\(P(B) = 13/52\)となります。
– スライス A と B は「スペードのエース」で、合計 1 枚のカードなので、\(P(A \cap B) = 1/52\) となります。
それで：
\[
P(A \mid B) = \frac{1/52}{13/52} = \frac{1}{13}
\]
つまり、カードがスペードであることがすでにわかっている場合、そのカードがエースである確率は13分の1である。
4. 交差（A ∩ B）の理解と情報の役割
確率を学習する際によくある間違いは、\(P(A)\) と \(P(A|B)\) を混同することです。カードの例では、次のようになります。
– \(P(A) = 4/52 = 1/13\) (追加情報なしのエースの確率)
– \(P(A|B) = 1/13\) (偶然にもこの場合も同じ値)
しかし、多くの場合、この2つの値は異なります。追加情報としては、以下のものが挙げられます。
– 可能性を高める（例えば、誰かが勉強していることを知っている場合、試験に合格する可能性が高まる）
– 機会を減らす（仕事から帰宅する時間だとわかっている場合、スムーズな道路の可能性を減らす）、
または、事象が独立している場合は確率は変化しない。
5. 相互に独立した事象（独立性）
2つの事象AとBは、事象Bが事象Aの確率に影響を与えず、またその逆も成り立つ場合、独立であると言われます。正式には、次のようになります。
\[
P(A ∩ B) = P(A)
\]
または同等のもの：
\[
P(A ∩ B) = P(A)P(B)
\]
例：コイン投げとサイコロ投げ。コインの結果（数字／絵柄）はサイコロの結果（1～6）に影響されないため、両者は独立している。Aが「コインが数字を示す」、Bが「サイコロが6を示す」とすると、次のようになる。
\[
P(A) = 1/2, P(B) = 1/6, P(A ∩ B) = 1/12
\]
そして、1/12 = (1/2)(1/6) であることは事実です。
6. 乗法規則
条件付き確率の定義から、乗法規則を導き出すことができる。
\[
P(A ∩ B) = P(A ∩ B)P(B)
\]
または、また：
\[
P(A ∩ B) = P(B ∩ A)P(A)
\]
このルールは、2つの事象が同時に発生する確率を計算したい場合に非常に役立ちますが、一方の事象の確率が分かれば、もう一方の事象の確率を評価する方が容易です。
例：面接に合格する確率（B）が0,4だとします。面接に合格した場合に採用される確率（A）は0,6です。すると、「面接に合格し、かつ採用される」確率は次のようになります。
\[
P(A ∩ B) = P(A ∩ B)P(B) = 0.6 × 0.4 = 0.24
\]
7. ベイズの定理：条件の逆転
多くの場合、\(P(A|B)\)は分かっているが、本当に必要なのは\(P(B|A)\)である。ベイズの定理は、条件付き確率を「反転」させる方法を提供する。
\[
P(B \mid A) = \frac{P(A \mid B)P(B)}{P(A)}
\]
この定理は、医療診断、機械学習、スパム検出、データ駆動型意思決定といった分野で非常によく知られています。
簡単な例（健康）
例えば：
– B: 誰かが本当に病気である（有病率）\(P(B)=0{,}01\)
– A：陽性検査結果
– テストの感度: \(P(A|B)=0{,}95\)
– 偽陽性: \(P(A|\text{病気ではない})=0{,}05\)
質問：検査結果が陽性の場合、その人が実際に病気である確率はどれくらいですか？つまり、\(P(B|A)\)はどれくらいですか？
\(P(A)\)が必要です。
\[
P(A)=P(A|B)P(B) + P(A|\neg B)P(\neg B)
\]
\[
P(A)=0{,}95(0{,}01) + 0{,}05(0{,}99)=0{,}0095+0{,}0495=0{,}059
\]
それで：
\[
P(B|A)=\frac{0{,}95 \times 0{,}01}{0{,}059} \approx 0{,}161
\]
結果は約16,1%でした。これは、検査で陽性反応が出たからといって、必ずしも病気であるとは限らないことを示しています。特に、その病気の罹患率が非常に低い場合はなおさらです。
8．全確率（全確率の法則）
複数の条件に分割された状況における \(P(A)\) を計算するには、全確率の法則を用いることができます。\(B_1, B_2, …, B_n\) が標本空間の分割（互いに素で、すべての可能性を包含する）を形成する場合、次のようになります。
\[
P(A) = \sum_{i=1}^{n} P(A|B_i)P(B_i)
\]
これは、複数のカテゴリや情報源からの情報を処理するために、ベイズの定理と組み合わせて用いられることが多い。
9. 条件付き確率におけるよくある間違い
よくある間違い：
1. \(P(A|B)\) が \(P(B|A)\) と等しいと仮定します。これは一般には正しくありません。
2. 基本率を無視する。例えば、ベイズの例における疾病の罹患率など。
3. 条件が与えられた後に標本空間を誤って決定すること。条件Bは「領域B」のみをカウントすることを意味するにもかかわらず。
10. ペヌトゥプ
条件付き確率は、統計学と不確実性モデリングにおける重要な基礎です。\(P(A|B)=\frac{P(A \cap B)}{P(B)}\) の定義を理解することで、追加情報を考慮した確率を評価することができます。この概念は、積の法則、独立事象、全確率の法則、そして多くの実世界の応用で非常に役立つベイズの定理と直接関連しています。カード、サイコロ、アンケート、さらには医療事例といった具体的な例で練習を重ねるほど、新しい情報が入ってくるにつれて確率がどのように変化するかについての直感が磨かれていきます。
