ベイズの定理（条件付き確率と事前・事後確率）

Q: ベイズの定理（条件付き確率と事前・事後確率）とは何ですか？

事象 B（証拠・検査陽性など）が観測されたという条件のもとで、事象 A（原因・疾患など）が真である条件付き確率 P(A|B)（事後確率）は、事象 A の事前確率 P(A) と尤度 P(B|A) を用いて次のように計算される。P(A|B) = \frac{P(B|A) P(A)}{P(B)} = \frac{P(B|A) P(A)}{P(B|A)P(A) + P(B|\neg A)P(\neg A)}

Q: ベイズの定理（条件付き確率と事前・事後確率）は社会やプログラミングでどのように使われていますか？

スパムメール自動判定（ナイーブベイズ分類器）: メール本文に含まれる単語群（例: 「無料」「当選」「暗号資産」など）を観測データ B とし、そのメールがスパム（A）である確率をベイズの定理で計算して閾値以上なら迷惑メールフォルダに自動隔離する。

新たな情報や証拠（エビデンス）を得て「確信度」を更新する確率論

この単元の発見をシェア

3行要約（Key Takeaways / AIOサマリー）

1: ベイズの定理（条件付き確率と事前・事後確率）の本質的な定義と直感的ビジュアルをシミュレーターで体験できる。
2: 公式や証明の背景にある数学的意味と、厳密な導出ステップを解説。
3: 実社会における工学応用（スパムメール自動判定（ナイーブベイズ分類器））のTypeScript実装コードを収録。

なぜこれを学ぶのか？ — 現実社会とテクノロジーでの価値

Purpose & Motivation

なぜ生まれたのか？

ベイズの定理（条件付き確率と事前・事後確率）の基礎原理を体系化し、抽象的な計算を直感的に扱うために誕生した。

身につく武器・思考力

新たな情報や証拠（エビデンス）を得て「確信度」を更新する確率論。この考え方を身につけることで、複雑な課題を単純化して数理モデルとして解く力が養われる。

実社会・ITでの活躍現場

•スパムメール自動判定（ナイーブベイズ分類器）
•ITシステム・アルゴリズム実装における論理設計
•データ分析やシミュレーションにおける数理モデリング

Layer 1 — 直感・シミュレーター

スライダーで「病気の罹患率（事前確率 P(A)）」や「検査の感度・特異度」を変えてみよう。検査の精度が95%と非常に高くても、もともとの病気の人が1%のように稀である場合、「検査で陽性と出たのに、本当に病気である確率（事後確率）」はわずか16%程度にしかならない「偽陽性のパラドックス」を面積図で確認できる。

事前確率 P(病気): 1%

検査感度 P(陽性|病気): 95%

誤判定率 P(陽性|健康): 5%

10,000人の集団でシミュレーションした陽性者内訳:

真陽性（本当に病気の人）

95 人

10,000人中 100人の病気 × 95%

偽陽性（健康なのに陽性が出た人）

495 人

健康な 9900人 × 5% の誤判定

「陽性判定が出た人全員」に占める真の病気者の割合:16.1%

■ 真陽性: 16.1%■ 偽陽性: 83.9%

事後確率 P(病気 | 陽性)

16.1%

検査精度が 95% と高くても、罹患率が 1% と低い場合、陽性者の中で本当に病気である確率はわずか 16.1% に留まります（残りの 83.9% は誤判定）。これがベイズ統計における有名な「偽陽性のパラドックス」です。

Layer 2 — 定義・受験・証明

定義

事象 $B$ （証拠・検査陽性など）が観測されたという条件のもとで、事象 $A$ （原因・疾患など）が真である条件付き確率 $P(A|B)$ （事後確率）は、事象 $A$ の事前確率 $P(A)$ と尤度 $P(B|A)$ を用いて次のように計算される。

P(A|B) = \frac{P(B|A) P(A)}{P(B)} = \frac{P(B|A) P(A)}{P(B|A)P(A) + P(B|\neg A)P(\neg A)}

公式・数理モデル

P(A|B) = \frac{P(B|A) P(A)}{P(B)}

証明・導出

条件付き確率の基本定義 $P(A \cap B) = P(A|B) P(B) = P(B|A) P(A)$ より、両辺を $P(B)$ で割ることで直ちに導かれる。

P(A|B) = \frac{P(B|A) P(A)}{P(B)}

全確率の公式により、分母の $P(B)$ は「 $A$ であって $B$ が起きた確率」と「 $A$ でなくて $B$ が起きた確率」の和に分解できるため、事前確率 $P(A)$ と各状態での条件付き確率のみから事後確率を逆算できる。

押さえておきたいポイント

「原因から結果が起きる確率（尤度）」から「結果から原因を推測する確率（事後確率）」を逆算する公式である
事前確率（ベースレート）が極端に低い場合、どんなに高精度な検査でも「陽性＝ほぼ確実に病気」とはならない（基準率の錯誤）
新たなデータが得られるたびに、事後確率を次の事前確率として逐次的に信念をアップデートできる（ベイズ更新）
現代のAI・機械学習（スパムフィルタ、レコメンド、自動運転）の確率的推論の中核である

参照基準・学習指導要領との対応

本トピックの内容・数理モデルは、文部科学省学習指導要領（算数・数学・情報）および国際標準カリキュラムに準拠し、エンジニアリング現場の実装事例と照らし合わせてMath World Lab編集部により検証・作成されています。

Layer 3 — 工学応用・現場実装

スパムメール自動判定（ナイーブベイズ分類器）

メール本文に含まれる単語群（例: 「無料」「当選」「暗号資産」など）を観測データ $B$ とし、そのメールがスパム（ $A$ ）である確率をベイズの定理で計算して閾値以上なら迷惑メールフォルダに自動隔離する。

1// ベイズの定理による検査陽性時の実際の疾患確率計算
2function calculatePosterior(
3  priorPrevalence: number, // 事前確率 P(A): 罹患率 (例: 0.01 = 1%)
4  sensitivity: number,     // 感度 P(B|A): 病気の人が陽性になる確率 (例: 0.95)
5  falsePositiveRate: number // 偽陽性率 P(B|~A): 健康な人が誤って陽性になる確率 (例: 0.05)
6): number {
7  // P(B) = P(B|A)P(A) + P(B|~A)P(~A)
8  const pB = sensitivity * priorPrevalence + falsePositiveRate * (1 - priorPrevalence);
9  // P(A|B) = P(B|A)P(A) / P(B)
10  const posterior = (sensitivity * priorPrevalence) / pB;
11  return posterior;
12}
13
14const prob = calculatePosterior(0.01, 0.95, 0.05);
15console.log(`陽性が出た人の真の疾患確率: ${(prob * 100).toFixed(1)}%`); // 約 16.1%