確率の世界へようこそ！

定量分析（Quantitative Analysis）をマスターするための第一歩へようこそ！なぜ私たちが保険に加入するのか、銀行がどのように融資の可否を決定しているのか。そんなことを考えたことがあるなら、あなたはすでに確率（probability）について考えています。FRMのカリキュラムにおいて、確率は単なるサイコロ遊びではありません。リスクと不確実性を記述するための言語なのです。数学があまり得意でなくても心配はいりません。これから、誰でも理解できるシンプルで論理的なステップに分けて解説していきます。

1. 基本構成要素：事象とアウトカム

数式に入る前に、まずは「プレーフィールド（土俵）」を理解しましょう。

標本空間（Sample Space）： 実験で起こり得るすべてのアウトカム（結果）の集合です。起こり得るすべての選択肢が書かれた「メニュー表」のようなものだと考えてください。標準的な6面のサイコロの場合、標本空間は{1, 2, 3, 4, 5, 6}となります。
事象（Event）： 私たちが注目している特定のアウトカム、あるいはアウトカムの集合です。例えば「偶数が出る」という事象は、{2, 4, 6}を含みます。

確率の黄金律：
1. 任意の事象 P(A) の確率は、常に0から1の間（0%から100%）に収まります。
2. 標本空間内の相互に排他的なすべての可能なアウトカムの確率の合計は、必ずちょうど1になります。

覚えておくべき重要用語：

相互排他的（Mutually Exclusive）： 2つの事象が同時に起こり得ないこと。例え： あなたは同時にニューヨークとロンドンにいることはできません。
網羅的（Exhaustive）： 事象の集合が起こり得るすべての結果をカバーしていること。例え： コイン投げにおいて「表」と「裏」は網羅的です。なぜなら、それ以外の選択肢はないからです（コインが縁で立つことはないものとします！）。

クイックレビュー： 事象が「相互に排他的」かつ「網羅的」である場合、その確率の合計は必ず1.0（100%）になります。

2. 加法定理（「または」のルール）

事象A または 事象Bが起こる確率を知りたいときは、足し算を使います。ただし、「二重カウント」には注意が必要です。

加法定理の一般形：
\( P(A \cup B) = P(A) + P(B) - P(A \cap B) \)

なぜ \( P(A \cap B) \) を引くのでしょうか？
例： トランプのカードを1枚引くことを想像してください。事象Aを「赤のカードを引く」、事象Bを「キングを引く」とします。単純に足してしまうと、「ハートのキング」と「ダイヤのキング」を2回数えてしまうことになります！共通部分（重なり）を引くことで、これを修正します。

特別なケース： もし事象が相互に排他的（重なりがない）ならば、 \( P(A \cap B) = 0 \) となります。この場合、公式は \( P(A \cup B) = P(A) + P(B) \) と簡略化されます。

3. 条件付き確率（「～という条件のもとで」のルール）

ここはリスクマネジャーにとって非常に面白い部分です。条件付き確率とは、他の事象がすでに起こったという条件のもとで、ある事象が起こる確率のことです。

公式は以下の通りです：
\( P(A|B) = \frac{P(A \cap B)}{P(B)} \)

実務的な例え： 景気が後退している（事象B）という条件のもとで、企業がデフォルトを起こす（事象A）確率はどれくらいでしょうか？「～という条件のもとで」という部分は、景気後退が起こっている時だけに私たちの関心を制限します。

よくある間違い： \( P(A|B) \) と \( P(B|A) \) を混同しないでください。「雨が降っているという条件で曇りである確率」は100%ですが、「曇っているという条件で雨が降る確率」はもっとずっと低いのです！

4. 乗法定理（「かつ」のルール）

事象A かつ 事象Bが同時に起こる確率を求めたいときは、条件付き確率の式から導かれる乗法定理を使います。

\( P(A \cap B) = P(A|B) \times P(B) \)

独立事象と従属事象

一方の事象の発生が他方の確率を変化させない場合、2つの事象は独立（independent）です。
例： サイコロを振って「6」を出し、もう一度振って「6」を出す。最初のロールが「6」を使い果たしてしまうわけではありませんし、2回目のロールは最初の結果を気にしません。

独立事象の場合：
\( P(A \cap B) = P(A) \times P(B) \)

豆知識： 2008年の金融危機の際、多くのモデルが失敗したのは、異なる都市の住宅ローン債務不履行を独立事象だと仮定していたからです。実際にはそれらは非常に強く依存しており、一つの地域で破綻が始まると他もそれに続いたのです！

5. 全確率の法則

ある事象（A）の確率を知りたいが、その事象がいくつかの異なる「シナリオ（B）」に依存している場合があります。全確率の法則を使えば、加重条件付き確率を合計することで全体の確率を計算できます。

\( P(A) = P(A|B_1)P(B_1) + P(A|B_2)P(B_2) + ... + P(A|B_n)P(B_n) \)

ステップ・バイ・ステップの例：
ある銀行のポートフォリオが、景気によって「利益」が出るか「損失」が出るか決まるとします。
- シナリオ1：好景気（60%の確率）。ポートフォリオの利益確率：90%。
- シナリオ2：不景気（40%の確率）。ポートフォリオの利益確率：20%。
利益が出る全確率 = \( (0.90 \times 0.60) + (0.20 \times 0.40) = 0.54 + 0.08 = 0.62 \) すなわち62%。

6. ベイズの定理：信念のアップデート

ベイズの定理は、FRMにおける伝説的な概念です。新しい証拠が得られるたびに、仮説の確率を更新することを可能にします。

公式：
\( P(A|B) = \frac{P(B|A) \times P(A)}{P(B)} \)

簡単に言うと：
更新後の確率 = (新しい証拠の尤度 \(\times\) 事前確率) / 証拠が得られる全確率

例： 医師がある希少な病気について患者を検査します。
1. 事前確率（Prior）： 一般集団において、その病気はどの程度一般的か？ \( P(Disease) \)
2. 証拠（Evidence）： 検査結果が陽性になった。
3. ベイズ： 検査の精度を使って「事前確率」を更新し、「事後確率（陽性結果が出たという条件のもとで、実際に病気である確率）」を求めます。

記憶のコツ： ベイズは「現実チェック」だと考えてください。最初の予測を、新しく得られた複雑なデータに基づいて修正するものなのです。

最終まとめと要点

1. 範囲： 確率は常に0から1の間です。
2. 加法（または）： \( P(A) + P(B) \) を計算し、重なっている \( P(A \cap B) \) を引きます。
3. 乗法（かつ）： 一方の確率に他方の条件付き確率を掛け合わせます。
4. 独立性： \( P(A|B) = P(A) \) ならば、事象は独立しており、互いに影響しません。
5. ベイズの定理： 新しいデータが入ったときに「自分の考えを更新する」ための数学です。

最初は難しく感じるかもしれませんが、大丈夫です！確率は数式の集まりではなく、思考そのものです。この論理のステップを練習し続けていれば、定量分析のセクションを進むうちに自然と身についてくるはずですよ！