条件付き確率・ベイズの定理計算ツール

最終更新: 2026-05-20

条件付き確率とは

条件付き確率とは、事象 B が起きたという条件のもとで事象 A が起こる確率であり、P(A|B) = P(A∩B) / P(B) と定義されます。標本空間を「B が起きる結果すべて」に絞ったとき、その中で A が占める割合を表します。この計算ツールは事前確率 P(A)・尤度 P(B|A)・偽陽性率 P(B|¬A) の3つを入力として受け取り、ベイズの定理によって事後確率 P(A|B)・同時確率 P(A∩B)・B の全確率 P(B) を計算します。

ベイズの定理を段階的に理解する

ベイズの定理は、事前確率と2種類の証拠（尤度と偽陽性率）を組み合わせて事後確率を導きます。

ステップ 1 — 同時確率

$P(A \cap B) = P(A) \cdot P(B|A)$

A が真であり、かつ証拠 B も観測される確率です。

ステップ 2 — B の全確率

$P(B) = P(A) \cdot P(B|A) + (1 - P(A)) \cdot P(B|\lnot A)$

B が観測される経路は2つあります。A が真のときと、A が偽のときです。両経路の確率を合算することで、B が観測される全体的な確率が求まります。

ステップ 3 — ベイズの定理による事後確率

$P(A|B) = \frac{P(A \cap B)}{P(B)} = \frac{P(A) \cdot P(B|A)}{P(A) \cdot P(B|A) + (1-P(A)) \cdot P(B|\lnot A)}$

「B が起きた事例のうち、A も真だった割合」が事後確率です。

なぜこの公式が成り立つのか

直感的に理解するには、「B が観測されるすべての場面」を分母、「そのうち A が真の場面」を分子と考えます。B が観測される場面は2種類あります。真陽性（A が真で B が生じる）と偽陽性（A が偽なのに B が生じる）です。偽陽性の母数が大きい場合、つまり P(B|¬A) が高い、あるいは ¬A の母集団が大きい場合、真陽性が偽陽性に埋もれて事後確率は低下します。

計算例：陽性結果と事後確率

ある感染症の有病率は 1% です。検査の感度は 99%（P(B|A) = 0.99）、偽陽性率は 5%（P(B|¬A) = 0.05）です。ある受検者が検査を受けて陽性でした。実際に罹患している確率はいくつでしょうか。

変数	値
P(A) — 有病率	1% = 0.01
P(B|A) — 感度	99% = 0.99
P(B|¬A) — 偽陽性率	5% = 0.05

ステップ 1： P(A∩B) = 0.01 × 0.99 = 0.0099

ステップ 2： P(B) = 0.01 × 0.99 + 0.99 × 0.05 = 0.0099 + 0.0495 = 0.0594

ステップ 3： P(A|B) = 0.0099 / 0.0594 ≈ 16.7%

感度 99% という高精度の検査で陽性が出ても、実際に罹患している確率は約 6 人に 1 人にすぎません。健康な 99% の母集団から大量の偽陽性（約 5%）が生じ、わずか 1% の罹患者から出る真陽性（約 1%）を大きく上回るためです。この逆説的な結果が、臨床現場で確認検査（二次検査）が標準とされている理由です。

基準率の誤謬

基準率の誤謬とは、証拠を評価するときに事前確率（基準率）を無視してしまう思考の歪みです。上記の例では「感度 99% の検査で陽性なら、ほぼ確実に病気だ」と直感的に考えがちですが、有病率 1% という基準率が見落とされています。疾患が稀であるほど、高精度の検査でも偽陽性が真陽性を圧倒します。計算ツールで P(A) を小さくしていくと、感度をどれほど高くしても事後確率が下がっていく様子を確認できます。

独立性と事後確率の不変性

P(B|A) と P(B|¬A) が等しいとき、B は A と統計的に独立です。B を観測しても A に関する情報は得られないため、ベイズ更新をしても事後確率は事前確率のままです。計算ツールで P(B|A) = P(B|¬A) = 50% と設定すると、P(A) をどんな値にしても事後確率が事前確率に一致します。

よくある質問 (FAQ)

ベイズの定理とは何ですか？

ベイズの定理は、証拠 B を観測したあとに仮説 A の確率をどう更新するかを示す式です。P(A|B) = P(B|A) × P(A) / P(B)（ただし P(B) = P(B|A)·P(A) + P(B|¬A)·(1−P(A))）で表されます。ベイズ統計学・スパムフィルタ・医療診断・機械学習の数学的な基盤となっており、高校の確率論でも扱われます。事後確率 P(A|B) は事前確率 P(A) に強く依存し、事前確率を無視して判断することが「基準率の誤謬」と呼ばれます。

基準率の誤謬とはどのような間違いですか？

基準率の誤謬とは、事象の事前確率（基準率）を無視してテスト結果だけで判断してしまうミスです。例として、有病率 1% の疾患に対して感度 99% の検査を受けて陽性となった場合、実際に罹患している確率は 50% 前後にすぎません。有病率が低い（1%）ため、健康な 99% の中から大量の偽陽性が生じ、真陽性を埋もれさせてしまうからです。この計算ツールで P(A) = 1%、P(B|A) = 99%、P(B|¬A) = 1% と入力して結果を確認できます。

条件付き確率と同時確率はどう違いますか？

同時確率 P(A ∩ B) は A と B が同時に起こる確率です。条件付き確率 P(A|B) は「B が起きたとわかっている」という前提のもとで A が起こる確率であり、標本空間を「B が起きる結果のみ」に絞った上で A の割合を求めます。両者の関係式は P(A|B) = P(A ∩ B) / P(B) です。A と B が独立であれば P(A|B) = P(A) となり、B の観測は A に関する情報を与えません。

陽性結果が出ても必ずしも病気ではないのはなぜですか？

検査精度が高くても、疾患が稀なときはほとんどの陽性が偽陽性になります。たとえば有病率 0.1%、偽陽性率 5% の場合、陽性者の大多数は健康な 99.9% の中から生じた偽陽性です。具体的に P(A) = 0.1%、P(B|A) = 95%、P(B|¬A) = 5% を入力すると、P(A|B) ≈ 1.9% が得られます。陽性の 98% 以上が偽陽性であり、これが医療現場で確認検査（二次検査）が標準とされている理由です。