条件付き確率 ベイズの定理 ベイズの展開公式 ベイズ更新 ベイズ理論 条件付き確率 ベイズの定理 ベイズの展開公式 ベイズ更新

悲運のベイズ統計学 1740年代英国の牧師 トーマス・ベイズが発見 1980年代に開花．多分野に応用 迷惑メールの検知，商品のおすすめ 「何かに関する最初の考えを，新たに得られた客観的情報に基づいて更新すると，それまでとは異なった，より質の高い意見が得られる」 経験 から学ぶことをエレガントに表現

数奇な遍歴 ベイズ統計学は，最初の考え（事前確率）を客観的情報で更新する形で，事象発生の確率（事後確率）を計算 軍事分野で隠れて利用 事前確率の与え方に客観性がなく，主観が入る可能性がある． ベイズの確率論は　主観主義　 と呼ばれる 実験を繰り返して仮説検定する　頻度主義　者からの批判 ベイズの死後，ラプラスが（ベイズの名前を出さずに）発表 客観性がないとして，近代科学から排斥される 軍事分野で隠れて利用 第2次世界大戦中，英軍が独軍のUボートの暗号解読に利用 指揮したのはチャーチル首相．解読したのはチューリング 現代になって，その実用性に注目があつまる 経験や常識を取り込んだ計算が可能 頻度派の理論では繰り返し実験が必須だが、そんな実験は非現実的 ベイズなら１回きりの事象の発生確率を予想可能

確率 数学的確率：各事象の，場合の数で計算した確率 統計的確率：たくさん 試行するとその確率 同時確率: ２つの事象A,Bが同時に起こる確率 　　[例] 壺の中に，赤玉が３つ，白玉が7つある．壺から無作為 　　　　　に１つ取り出した玉が赤玉である確率は？ 統計的確率：たくさん　試行するとその確率 同時確率: ２つの事象A,Bが同時に起こる確率 標本空間 U：　起こりうるすべての場合 積事象: 　A∩B に対応 A B A∩B U 4

条件付き確率の公式 事象U,A,Bの場合の数を nU, nA, nB とする よって 　[例] 男性200人中120人が，女性150人中40人が 　　　　メガネをかけている． 　　　　ひとりを選んだところ男性であった． 　　　　その人がメガネをかけている確率は？ 　男性である確率 　男性かつメガネの確率 　男性のときに，メガネの確率 A A∩B B メガネ　120 メガネなし　80 男性　200 メガネ　40 メガネなし　110 女性 150

確率の乗法定理 条件付き確率の公式 より 乗法定理 が導出できる 条件付き確率の公式　　　　　　　　　　　より 乗法定理　　　　　　　　　　　　　　　が導出できる [例] 100本中10本が当たりのくじがある．引いたくじは戻さない 　　　として，Aが当たりを引き，続いてBも当たりを引く確率は? [例] 壺Aの中に，赤玉が３つ，白玉が7つある．壺Bの中に，赤玉 　　　が6つ，白玉が4つある．壺Aと壺Bが選ばれる確率は２：１と 　　　して，壺から無作為に１つ取り出すとき，それが壺Aの赤玉 　　　である確率は？ だから だから

事象の独立 事象の独立の定義 事象Bの発生は，事象Aの発生に無関係である 独立事象の乗法定理 　独立事象の確認には，上の式でなく下の式が用いられる [例] 100本中10本が当たる くじ がある．Aが当たりを引き， 　　　続いてBも当たりを引く確率は? 引いたくじを戻さないなら，事象は従属（独立でない） 引いたくじを戻す場合は，事象は独立 だから で

確率変数 (stochastic variable, random variable) 試行の結果によって，その値をとる確率が定まる変数 あらかじめ決められた，事象の集合と，実数との対応　をとるもの [例]　明日が晴れる確率を求めよ． 数学は「数」を扱う学問なので、「明日が晴れる」という事象は直接は扱えない．そこで，事象と数の対応を確率変数とする． P{天気=晴}=P(晴)　を，P{A=t}=f(t)　と置き換え，確率変数Aを， 　　晴れたらA=1　　曇りならA=2　　雨ならA=3　　雪ならA=4 となる変数と決めてしまう．これで，事象から数への変換可能． P{A=t}の t は　t∈実数 実数を適当にひとつ事象に割り当てたのが t P{A=t} = f(t)は、事象の集合を確率変数Aで実数に置換したときの値が t である確率が, f(t) という値と等しいという意味

確率分布(probability distribution) 確率変数とその値をとる確率との 対応 を示す． 確率変数が整数値などの離散値（とびとびの値）をとるときは，確率分布は次のような一覧表で示される． すべての場合の確率の和は p1 + p2 + … + pn = 1 　 となる．

平均，分散，標準偏差 いままでは全事象は等確率 1/n で発生と仮定 各事象が異なる確率で発生するように拡張 平均 分散 標準偏差 平均　 分散 標準偏差 [例]　サイコロを1回投げたとき 　　平均 　　分散 　　標準偏差

ベイズの定理 確率の乗法定理より AとBは入れ替えても同じ 左辺が等しいので P(B)が0でないとして [例]ジョーカー以外のトランプから1枚のカードを抜くとする．ベイズの定理を利用して「抜いたカードが絵札のとき、それがハートである」確率は？

原因と結果の確率として見直す データDが得られたときに，それが原因（もしくは仮説）Hによる確率 [例]　ある町が4月1日が雲りの確率は0.6, 4月2日が雨の確率は0.4， また，1日が曇りの時に2日が雨である確率は0.5である．今年，2日が 雨だったが，その原因と思われる1日の天気が曇りである確率は？ 　　　　　　H：　1日が曇り　　　D:　2日が雨

ベイズ理論をイメージさせる図の表現 ベン図を確率がイメージしやすいように修正 H D D H D∩H D H D∩H D H D∩H 色の薄い部分で，色の濃い部分を割る D H D∩H D H D∩H P(H|D)は縦の割り算 P(D|H)は横の割り算 ベイズの定理は， 縦の割り算を横の割り算に変換 ベイズの 定理

四角にした最大のメリット 原因が複数ある場合に見やすい！ 例えばデータDの原因としてH1,H2,H3が考えられるとき D データD 𝑯 𝟏 原因 𝑯 𝟏 原因 𝑯 𝟐 原因 𝑯 𝟑 𝑃(𝐷|𝐻 1 ) 𝑃(𝐷|𝐻 2 ) 𝑃(𝐷|𝐻 3 ) D D∩ 𝑯 𝟏 D∩ 𝑯 𝟐 D∩ 𝑯 𝟑 データD 互いに重なりがない（排反）と仮定！ 𝑯 𝟏 𝑯 𝟐 𝑯 𝟑

の分母 𝑷( 𝑯 𝟏 |𝑫)= 𝑷 𝑫 𝑯 𝟏 𝑷( 𝑯 𝟏 ) 𝑷(𝑫) D D∩ 𝑯 𝟏 D∩ 𝑯 𝟐 D∩ 𝑯 𝟑 原因に重複がないときDは D∩ 𝐻 1 ,𝐷∩ 𝐻 2 ,𝐷∩ 𝐻 3 の３つの和で表現可能 さらに確率の乗法定理を適用 𝑃 𝐷 =𝑃 𝐷 𝐻 1 𝑃 𝐻 1 +𝑃 𝐷 𝐻 2 𝑃 𝐻 2 +𝑃 𝐷 𝐻 3 𝑃 𝐻 3 よって， 𝑯 𝟏 𝑯 𝟐 𝑯 𝟑 𝑃 𝐷 =𝑃 𝐷∩ 𝐻 1 +𝑃 𝐷∩ 𝐻 2 +𝑃 𝐷∩ 𝐻 3 𝑃( 𝐻 1 |𝐷)= 𝑃 𝐷 𝐻 1 𝑃( 𝐻 1 ) 𝑃 𝐷 𝐻 1 𝑃 𝐻 1 +𝑃 𝐷 𝐻 2 𝑃 𝐻 2 +𝑃 𝐷 𝐻 3 𝑃 𝐻 3

ベイズの展開公式 データDが得られたときに，その原因の可能性があるHiが起こっている確率は 原因 𝑯 𝟏 原因 𝑯 𝟐 原因 𝑯 𝒊 … 原因 𝑯 𝒏 … データD データDが得られたときに，その原因の可能性があるHiが起こっている確率は 　　原因Hiが起こる確率　　　　と， HiのもとでDが起こる 　　確率　　　　　 があれば分子も分母も計算可能

３つのキーワード 事後確率 データDが起こったあとのHiの確率 尤度 原因HiのもとでDが起こる確率 事前確率 データDが起こる前の原因Hiの確からしさ

壺の例でベイズ理論による計算 赤玉と白玉が合計3個入った壺が3つある．壺１には赤玉が1個，壺2には赤玉が2個，壺3には赤玉が3個はいっている．壺を１つ選んで玉を取り出すと赤だった．この壺が壺３である確率を求めよ．ただし，壺は3：2：1の割合で選ぶ． ベイズ理論の計算方法 モデル化し 尤度 を算出 事前確率 を設定 ベイズの展開公式を用いて 事後確率 を算出 D 壺1 壺2 壺3 ●○○ ●●○ ●が出た ●●●

理由不十分の原則 先の例で，それぞれの壺を選ぶ確率が不明のときはどうする？ 従来の確率論では，計算不能 ベイズ理論では「情報がなければ確率は 同等 」とする 　　理由不十分の原則 ベイズ理論の計算方法 モデル化し尤度を算出 事前確率を設定（理由不十分の原則より） ベイズの展開公式を用いて事後確率を算出

データの並びが得られる場合 真珠とガラス玉が3:1で入ったA社の宝箱と 真珠とガラス玉が1:3で入ったB社の宝箱がある． ともに多くの玉が入っているが，見分けはつかない． A社製かB社製かわからない箱から玉を取り出すと，真珠，真珠，ガラス玉の順に出た．この宝箱がA社製である確率を求めよ． 問題の整理 尤度の算出

ベイズ理論では１つずつ結果を処理 まずは，1つ目が真珠であった． 理由不十分の原則から，事前確率は ベイズの展開公式より，1つ目の事後確率は ベイズ更新 2つ目の事前確率は，1つ目の 事後確率 1回目の 事前確率 ベイズ 展開公式 1回目の 事後確率 2回目の 事前確率 ベイズ 展開公式 2回目の 事後確率 ＝

2つ目も真珠だった． 2つ目の事前確率は ベイズの展開公式より，2つ目の事後確率は 3つ目はガラス玉だった． 3つ目の事前確率は 連続して真珠なので， 箱Aの確率が 高い ガラス玉が出て， 箱Aの確率が 下がった

ベイズ理論は人間の「信念」と一致 グラフにしてみると， 真珠が続くと，信念が高まり ガラス玉が出ると信念が揺らぐ のをよく表現している．

ベイズ理論の特徴を表わす例題 [例] ある病気の検査Tは， 病気にかかっている人を98％の確率で陽性と判定 病気にかかっていない人を5％の確率で陽性と判定 この病気には，全体で3％の人がかかっている． 無作為に1人を選んで検査すると陽性だった．この人が，この病気にかかっている確率は？ 原因を 𝐻 1 , 𝐻 2 　結果を𝐷　と定義すると 𝐻 1 𝐻 2 D 「この病気にかかっている」 「この病気にかかっていない」 「検査でこの病気にかかっていると判定される」

ベイズの展開公式を適用 いまは，H1, H2 だけ 尤度 P(D | H1) = 「病人が陽性と判断される」確率= 0.98 事前確率 　P(H1) = 「病人である」確率= 0.03 　P(H2) = 「健康な人である」確率= 0.97

計算結果と直感的解の対比 陽性と診断されたのは 294 + 485 = 779人 病人 300人 陰性 9215人 陽性 98% 294人 H1 6人 陽性(3%)　485人 H2 病人 300人 受検者 1万人 健康 9700人 陽性と診断されたのは　294　+　485 = 779人 病人　　 健康 病人である確率( 𝐻 1 |𝐷)は　 𝐻 1 𝐷 ＝ 294 294+485 ＝ 294 779 = 37.7%

事後確率は尤度と事前確率の積に比例 ： すべての原因H1,H2, …, Hnで分母は 共通 ベイズ理論では，左辺の事後確率は右辺の分子に比例 　　　　　　　事後確率　　　　　　　　尤度　　事前確率 分母は正規化しているだけ