確率の樹形図と条件付き期待値へようこそ！

金融の世界では、物事がそのままの状態に留まることはほとんどありません。私たちは常に新しい情報を受け取っています。中央銀行が金利を引き上げる、企業が業績予想を上回る、あるいは世界的な貿易統計が発表されるといった具合です。では、こうした新しいデータに基づいて、どのように期待値を調整すればよいのでしょうか？この章では、まさにその方法を学びます。新しい「条件」が発生したときに、どのように自分の「確信（ビリーフ）」をアップデートしていくかを学習しましょう。今は少し難しく感じるかもしれませんが、大丈夫です！実生活に即した例え話をたくさん使って、直感的に理解できるように解説していきますね。

1. 条件付き期待値

条件付き期待値を理解するために、まずは単純な期待値から始めましょう。通常、平均値を計算するときは、起こりうるすべての結果を考慮しますよね。しかし、「条件付き」期待値とは、特定の事象がすでに発生したという前提のもとで、何が起こるかを予測するものです。

例え話： あなたが果物屋さんだと想像してください。普段の日なら、リンゴが100個売れると予測します。でも、朝起きて外を見たら土砂降りの雨（これが「条件」です）だった場合、買いに来る人が減るため、予想を40個まで引き下げるかもしれません。この場合、あなたの期待値は天候という「条件」に依存しています。

CFAの用語では、特定のシナリオが発生したという前提のもとで、確率変数（株価など）の期待値を計算します。
公式は次のようになります：
\( E(X | S) = \sum P(X_i | S) X_i \)
ここで：
\( E(X | S) \) = シナリオSが発生したという条件下での、Xの期待値。
\( P(X_i | S) \) = シナリオSが起こったという条件下で、結果 \( X_i \) が発生する確率。

ここがポイント：

条件付き期待値を使うことで、アナリストは「もし〜だったら？」というシナリオを立てることができます。「もし経済がリセッション（景気後退）に陥った場合、この株の期待リターンはどのくらいになるか？」といった具合です。

2. 全確率の法則

ある事象の全体的な確率を知りたいとき、その事象が複数の異なるシナリオに影響を受けていることがあります。全確率の法則（Total Probability Rule）を使うと、条件ごとの「断片」を合計して、全体像を把握することができます。

公式：
\( P(A) = P(A | S_1)P(S_1) + P(A | S_2)P(S_2) + ... + P(A | S_n)P(S_n) \)
難しそうに見えますが、実はとても論理的です。つまり、「Aの全確率を求めるには、あらゆるシナリオ（ \( S \) ）ごとのAの確率に、そのシナリオが実際に起こる確率を掛け合わせなさい」ということです。

例：
「景気拡大」が60%、「景気後退」が40%の確率で起こるとします。
- 景気拡大時、株Xが上昇する確率は80%。
- 景気後退時、株Xが上昇する確率はわずか20%。
このとき、株が上昇する全確率を求めるには：
\( P(Up) = (0.80 \times 0.60) + (0.20 \times 0.40) \)
\( P(Up) = 0.48 + 0.08 = 0.56 \) つまり 56% となります。

ちょっとしたヒント：

全確率の法則は、加重平均だと考えてください。各シナリオの結果に対して、そのシナリオが起こる確率を「重み」として掛け合わせているだけなのです。

3. 確率の樹形図（プロバビリティ・ツリー）

もし数式が苦手なら、確率の樹形図があなたの強力な味方になります！樹形図は、起こりうるすべての結果を視覚化したものです。特に、順を追って起こる事象（一方が終わった後に次が起こるような問題）を解くときに非常に役立ちます。

樹形図の描き方：

1. 根（ルート）： 左端の1点からスタートします。
2. 枝（ブランチ）： 最初の可能性（景気拡大 vs 景気後退など）を線で引き、各枝に確率を書き込みます。
3. 節（ノード）： 枝の先端から、次の可能性（株価上昇 vs 下落など）に向けて新しい枝を伸ばします。
4. 合計1のルール： ひとつのノードから出ている枝の確率は、必ず合計して1.0（100%）にならなければなりません。

樹形図を使った計算：

- 同時確率（パスの最後）を求める場合： 枝に沿って確率を「掛け算」します。（「かつ（And）」＝ 掛け算 と覚えましょう）。
- 全確率を求める場合： 求めたい結果にたどり着くすべてのパスの同時確率を「足し算」します。（「または（Or）」＝ 足し算 と覚えましょう）。

豆知識：
確率の樹形図は「意思決定分析」で広く使われています。大企業は新製品を投入するかどうかを判断する際、開発の各ステージで成功と失敗の確率を樹形図にして分析しています。

4. ベイズの定理

ベイズの定理（Bayes' Formula）は、多くの学生が立ち止まってしまう部分ですが、実はこれまで学んだことの延長にすぎません。ベイズの定理を使うと、条件付けを逆転させることができます。つまり、「株が上昇したという結果がわかっているとき、実際に景気拡大期にいた確率はどのくらいか？」といった問いに答えることができるのです。

コンセプト：
最初は初期の信念（事前確率）を持っています。そこに新しい情報が加わります。その情報を元に信念を更新し、新しい確率（事後確率）を導き出します。

公式：
\( P(Event | Information) = \frac{P(Information | Event)}{P(Information)} \times P(Event) \)

ベイズのステップ：
1. 事前確率を特定する: \( P(Event) \)
2. 尤度（Likelihood）を特定する: \( P(Information | Event) \)
3. その情報の全確率を計算する: \( P(Information) \)
4. これらを式に当てはめて事後確率を求める。

よくある間違い：

多くの学生が \( P(A|B) \) と \( P(B|A) \) を混同してしまいます。注意してください：縦棒 \( | \) は「〜という条件下で（given）」を意味します。\( P(Rain | Clouds) \) は「雲が出ているときの雨の確率」ですが、\( P(Clouds | Rain) \) は「すでに雨が降っているときの雲がある確率（ほぼ100%ですね！）」です。これらは全く別物ですよ！

5. まとめとクイックレビュー

ここまで本当にお疲れ様でした！この章の「チートシート（要約）」です。

  • 条件付き期待値： 特定の条件を満たす場合に期待される平均的な結果。
  • 全確率の法則： 複雑な確率をシナリオごとに分割し、重み付けをして足すことで「全体像」を把握する方法。
  • 確率の樹形図： 枝に沿って確率を「掛け算」し、パスの結果を「足し算」する視覚的なマップ。
  • ベイズの定理： 新しい証拠に基づいて、「事前」信念を「事後」信念へと数学的に更新する方法。

最後に：
定量分析（Quantitative Methods）は数学が多くて重たく感じるかもしれませんが、結局のところ、論理を整理するための道具にすぎません。文章問題に出会ったら、まずは確率の樹形図を描いてみてください。計算機を触るよりも先に、図を描くだけで答えが見えてくることがよくありますよ！