最終更新日:2026年10月4日
ds statistics
まず結論
- ベイズの定理とは、観測した情報を条件に、仮説の確率を更新するための関係式です。
- DS検定では「条件付き確率の向きを正しく判断できるか」を問われます。
「P(A|B) と P(B|A) を混同していないか」が最大のチェックポイントです。
直感的な説明
例えば、次のような場面を考えます。
- ある病気の検査で「陽性」と出た
- 本当に病気である確率はどれくらいか?
多くの人は
「検査が当たる確率が高いなら、ほぼ病気だろう」と考えがちです。
しかし実際に知りたいのは
- 陽性が出たときに病気である確率
これは
- 病気の人に陽性が出る確率
とは別物です。
ここで使うのがベイズの定理です。
定義・仕組み
① 条件付き確率の基本
まず基本式です。条件となるBの確率P(B)は0より大きいとします。
\[P(A|B) = \frac{P(A ∩ B)}{P(B)}\]意味は、
- Bが成り立つ場合に対象を絞り
- その中でAも成り立つ割合
です。
② 乗法の定理
上の式を変形すると
\[P(A ∩ B) = P(B)P(A|B)\]これを 乗法の定理 と呼びます。
「AとBが両方成り立つ確率」は、「Bが成り立つ確率 × Bという条件でAが成り立つ確率」で求められる、という意味です。Bが先に起き、Aが後に起きるという時間順序を表す式ではありません。
③ ベイズの定理の導出
AとBの共通部分は、AとBの書く順番を入れ替えても同じです。P(A)も0より大きいとすると、
\[P(A ∩ B) = P(A)P(B|A)\]これと乗法の定理を組み合わせると、
\[P(B)P(A|B) = P(A)P(B|A)\]これを整理すると
\[P(A|B) = \frac{P(B|A)P(A)}{P(B)}\]これが ベイズの定理 です。
④ 式の意味(ここが重要)
- P(A) → もともとの確率(事前確率)
- P(B|A) → 仮説Aの下で情報Bが得られる確率。Aのもっともらしさを比較するときの尤度
- P(A|B) → 情報Bが得られたという条件で、Aが成り立つ確率(事後確率)
つまり、
新しい情報Bを得たことで、Aの確率を更新する
という考え方です。
DS検定では、式そのものより
「確率を更新する」という意味を理解しているか が重要です。
どんな場面で使う?
使う場面
- 医療検査の信頼性評価
- スパムメール判定
- 故障診断
- 異常検知
- リスク評価
ビジネスでは
- 「新しい情報を得たときに判断を更新する」
という意思決定の考え方として使われます。
注意すべき場面
- 事前確率が極端に小さい場合
- 母集団の割合を無視している場合
DS検定では
「検査精度が高い=本当にその状態である確率も高い」
という思い込みを狙ってきます。
よくある誤解・混同
① P(A|B) と P(B|A) の混同
DS検定ではここが最頻出です。
- P(B|A):Aを条件に、Bが成り立つ確率
- P(A|B):Bを条件に、Aが成り立つ確率
向きが逆です。
選択肢で
「陽性のとき病気である確率」と
「病気のとき陽性になる確率」
が入れ替わっていたら要注意です。
② 乗法の定理との混同
- 乗法の定理 → 同時確率を表す
- ベイズの定理 → 条件を逆にする
役割が違います。
③ 事前確率を無視する誤り
母集団での割合が小さい事象では、検出率が高くても、陽性の中に偽陽性が多く含まれる場合があります。陽性後の確率を求めるには、事前確率と偽陽性率も確認します。
母集団での元の割合を考慮せずに判断する誤りを、「ベースレートの無視」と呼びます。
④ 確率の更新と因果関係の混同
ベイズの定理は、与えられた確率に基づいて条件付き確率を求める関係式です。情報Bを得てAの確率が上がっても、それだけでAがBの原因だと証明したことにはなりません。
まとめ(試験直前用)
- ベイズの定理は、観測した情報を条件に仮説の確率を更新する関係式
- P(A|B) と P(B|A) を絶対に混同しない
- 事前確率を必ず考慮する
- 乗法の定理は同時確率を表す式
DS検定では
「向き」「更新」「事前確率」
この3点を意識すれば選択肢を切れます。
対応スキル項目(ver.6 データサイエンス)
- 分類:基礎技術
- スキルカテゴリ:科学的解析の基礎
- サブカテゴリ:統計数理基礎
- 必須スキル:◯
- ★ ベイズの定理を説明できる
- ver.6 ★1スキルチェックで確認する