Skip to the content.

最終更新日:2026年9月24日

まず結論

ベイズの定理は、観測データを得たあとに、仮説の確率を更新する関係です。

G検定では、

  • 事前確率
  • 尤度
  • 事後確率

の役割を分けます。

直感的な説明

検査前には病気の可能性が低くても、陽性という観測を得ると確率は変わります。

このように、

観測前の考え → データを見る → 観測後の考え

へ更新するのがベイズの考え方です。

定義・仕組み

ベイズの定理は、

P(H|D) = P(D|H) × P(H) / P(D)

です。

  • P(H) → 事前確率
  • P(D|H) → 尤度
  • P(D) → 周辺尤度・正規化項
  • P(H|D) → 事後確率

比例関係だけを見ると、

事後確率 ∝ 尤度 × 事前確率

と整理できます。

操作して確認:陽性なら病気の可能性は高い?

病気の割合(事前確率)、感度、特異度を変えると、陽性だった人が本当に病気である確率(事後確率)が変わります。人数は1000人に換算した期待値です。

値を変更すると事後確率が更新されます。

感度=病気の人が陽性になる割合。特異度=病気でない人が陰性になる割合。陽性後の確率とは異なります。

いつ使う?(得意・不得意)

などの基礎です。

G検定ひっかけポイント

尤度=事後確率?

❌ 同じ
⭕ 尤度は仮説を固定したときデータがどれくらい起こりやすいか

事前確率

❌ データを見た後の確率
⭕ 観測前の仮説確率

ベイズ最適化

❌ ベイズの定理そのものを分類へ使う手法
⭕ 代理モデルと獲得関数で探索する別概念

まとめ(試験直前用)

  • 事前確率=観測前
  • 尤度=仮説の下でデータが出る度合い
  • 事後確率=観測後
  • 事後 ∝ 尤度 × 事前
  • ナイーブベイズの基礎
  • ベイズ最適化とは別

© 2024-2026 stemtazoo. All rights reserved.