最終更新日:2026年9月24日
gk probability
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)
- ナイーブベイズ
- MAP推定
- ベイズ推論
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