ベイズの定理計算ツール|事後確率と内訳

事前確率 P(A) と、A のとき・A でないときに B が起こる確率を入力すると、ベイズの定理で事後確率 P(A|B) を計算します。1万件あたりの内訳表も出るので、「検査で陽性のとき本当に病気である確率」のような直感に反しやすい問題を理解できます。

ベイズの定理 計算ツール(事後確率)

事前確率 P(A) と条件付き確率 P(B|A)・P(B|¬A) から、ベイズの定理で事後確率 P(A|B) を1万件あたりの内訳つきで計算します。

使い方

  1. 「事前確率 P(A)」に、もともと A である割合を%で入力します(例:病気の有病率1%)。
  2. 「P(B|A)」に A のとき B が起こる確率(例:感度90%)、「P(B|¬A)」に A でないとき B が起こる確率(例:偽陽性率5%)を入力します。
  3. カードで事後確率 P(A|B) を確認し、表で1万件あたりの内訳を確認します。

計算式

P(B) = P(A) × P(B|A) + P(¬A) × P(B|¬A)
P(A|B) = P(A) × P(B|A) ÷ P(B)

P(A) は事前確率、P(B|A) は「A のときに B が起こる確率」、¬A は「A でない」、P(¬A) = 1 − P(A) です。P(A|B) は「B が起きたと分かったあとで、A である確率」で、事後確率と呼ばれます。ベイズの定理は、新しい情報 B を得て、A の確率を更新する方法を表しています。

計算例

初期値は P(A) = 1%、P(B|A) = 90%、P(B|¬A) = 5% です。有病率1%の病気を、感度90%・偽陽性率5%の検査で調べる場面を考えます。

  • P(B) = 0.01 × 0.9 + 0.99 × 0.05 = 0.009 + 0.0495 = 0.0585 です。
  • P(A|B) = 0.009 ÷ 0.0585 = 0.153846(約15.38%)です。

1万人で考えると分かりやすくなります。

1万人あたり 陽性 陰性 合計
病気あり 90 10 100
病気なし 495 9,405 9,900
合計 585 9,415 10,000

陽性の585人のうち、本当に病気なのは90人だけです。90 ÷ 585 ≒ 15.4% が、陽性のときに本当に病気である確率になります。

結果の見方

感度が90%と高くても、もともとの有病率が1%と低いと、陽性者の多くは偽陽性になります。このように事前確率を無視して判断してしまう誤りを「基準率の錯誤」といいます。

事後確率を上げるには、事前確率が高い集団(症状がある人など)に絞って検査する、偽陽性率の低い検査を使う、陽性者にもう一度検査をするといった方法があります。2回目の検査では、1回目の事後確率15.38%を新しい事前確率として、もう一度このツールで計算できます。

機械学習の分類でも同じ考え方が使われます。P(A|B) は適合率(陽性と予測したうち本当に陽性の割合)、P(B|A) は再現率(感度)に当たります。ナイーブベイズ分類器は、この定理を使ってクラスの確率を計算する手法です。

注意点

  • P(B|A) と P(A|B) は別物です。「病気なら90%陽性」と「陽性なら90%病気」を混同しないようにしましょう。
  • 入力はすべて%(0〜100)です。
  • 事前確率は、対象となる集団によって変わります。一般の人の有病率と、症状がある人の有病率では大きく違うことがあります。
  • P(B|A) と P(B|¬A) がどちらも0だと、B が起こる確率が0になり計算できません。
  • この計算は、医療の判断を代わりに行うものではありません。考え方を理解するための例として使ってください。

ベイズの定理(事後確率)のよくある質問

Q. 事前確率と事後確率の違いは何ですか?

A. 事前確率は新しい情報を得る前の確率、事後確率は情報 B を得たあとに更新した確率です。ベイズの定理は、事前確率から事後確率を求める式です。

Q. 検査の精度が高いのに、陽性でも病気の確率が低いのはなぜですか?

A. 病気の人がもともと少ないと、病気でない多くの人の中から出るわずかな偽陽性の数が、本当の陽性の数を上回るためです。1万人あたりの内訳表で確かめられます。

Q. 機械学習とベイズの定理の関係は?

A. ナイーブベイズ分類器やベイズ推定、ベイズ最適化などで使われます。分類の評価では、事後確率 P(A|B) が適合率に、P(B|A) が再現率に当たります。