ベイズ統計の世界へようこそ！

こんにちは！今日は、アクチュアリーにとって最も強力なツールの一つであるベイズの定理（Bayes' Theorem）について学習します。この章は、CS1試験の「ベイズ統計」分野の基礎となる非常に重要な部分です。これまで確率論を少し抽象的だと感じていた方も心配しないでください。ベイズの定理は実際には非常に論理的です。簡単に言うと、新しい情報が得られたときに自分の確信を更新するための数学なのです。

探偵になった自分を想像してみてください。「勘（初期確率）」から始まり、新しい手がかり（証拠）を見つけ、その証拠を使って、より正確な新しい確率を計算する。まさにそのプロセスです！それでは、ステップバイステップで見ていきましょう。


1. 構成要素：条件付き確率とは？

公式を見る前に、おそらく皆さんも一度は目にしたことがあるであろう条件付き確率（Conditional Probability）について復習しましょう。これは、あるイベントが既に発生しているという条件の下で、別のイベントが発生する確率のことです。

これを \( P(A|B) \) と書き、「Bが与えられたときのAの確率（またはBを条件とするAの確率）」と読みます。

クイック復習ボックス：
• \( P(A) \): （単独で）イベントAが発生する確率。
• \( P(A \cap B) \): AとBの両方が発生する確率。
• \( P(A|B) = \frac{P(A \cap B)}{P(B)} \): 条件付き確率の公式。

たとえ話： 雨が降る確率（\( A \)）を考えてみてください。もし私が「今、空が暗く厚い雲で覆われている（\( B \)）」と伝えたら、あなたの雨の予報は高まるはずです。皆さんは今、\( P(雨 | 雲) \) を計算しているのです。


2. ベイズの定理の導入

ベイズの定理を使うと、条件付き確率を「反転」させることができます。もし \( P(B|A) \) を知っていれば、ベイズの定理を使って \( P(A|B) \) を求めることができます。

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

CS1試験のために覚えやすくするために、各要素に特別な名前を付けています：

1. 事前確率（Prior Probability） \( P(A) \): 証拠を見る前の確信。
2. 尤度（Likelihood） \( P(B|A) \): 仮説 \( A \) が真であると仮定したとき、証拠 \( B \) がどれだけ起こりやすいか。
3. 事後確率（Posterior Probability） \( P(A|B) \): 証拠を見た後の、更新された新しい確信。
4. 正規化定数（Normalising Constant） \( P(B) \): すべての可能なシナリオにおける証拠の総確率。

豆知識： ベイズの定理は、18世紀の牧師トーマス・ベイズの名前に由来しています。しかし、彼は実際にはこの定理を発表しませんでした！友人のリチャード・プライスがベイズの死後に彼のメモを見つけ、それが科学や統計にとってどれほど革命的であるかに気づき、出版したのです。


3. 全確率の法則（分母の求め方）

学生の皆さんが最も難しいと感じるのは、分数の分母にあたる \( P(B) \) です。\( B \) の総確率を求めるには、\( B \) が発生するあらゆる異なる経路を考慮しなければなりません。

もし \( A \) に2つの可能性しかない（例えば \( A \) が起きるか、起きないか＝\( A' \) とする）場合：
\( P(B) = P(B|A)P(A) + P(B|A')P(A') \)

ステップごとの詳細：
あなたが保険のアクチュアリーだと想像してください。「優良ドライバー（\( G \)）」と「不良ドライバー（\( B \)）」がいます。無作為に選んだ人が保険金請求をする確率（\( C \)）を知りたいとします。
1. 優良ドライバーが請求する確率を求める： \( P(C|G)P(G) \)
2. 不良ドライバーが請求する確率を求める： \( P(C|B)P(B) \)
3. それらを足し合わせて、請求が発生する総確率 \( P(C) \) を求める。


4. 実践的なアクチュアリーの例題

試験によく出る古典的なシナリオで、すべてをまとめてみましょう。最初は難しく感じるかもしれませんが、手順通りに進めれば大丈夫です。

シナリオ： 保険会社において、契約者の10%が「ハイリスク」、90%が「ローリスク」だと分かっています。ハイリスクのドライバーが1年以内に事故を起こす確率は0.4、ローリスクのドライバーの場合は0.2です。ある契約者が事故を起こしました。その人が「ハイリスク」である確率はいくらでしょうか？

ステップ1：既知の値を整理する（事前確率と尤度）
\( P(High) = 0.10 \)
\( P(Low) = 0.90 \)
\( P(Accident | High) = 0.40 \)
\( P(Accident | Low) = 0.20 \)

ステップ2：証拠の総確率を計算する（分母）
\( P(Accident) = (0.40 \times 0.10) + (0.20 \times 0.90) \)
\( P(Accident) = 0.04 + 0.18 = 0.22 \)

ステップ3：ベイズの定理を適用する（事後確率）
\( P(High | Accident) = \frac{P(Accident | High) \times P(High)}{P(Accident)} \)
\( P(High | Accident) = \frac{0.40 \times 0.10}{0.22} = \frac{0.04}{0.22} = 0.1818 \)

重要なポイント： 事故の前は、彼らがハイリスクである確率は10%だと考えていました。しかし、事故が発生したことで、その確率は約18.2%に上昇しました。証拠が私たちの確信を変化させたのです！


5. よくある間違いを避けるために

優秀な学生でも間違えやすいポイントですので、注意してください：

• \( P(A|B) \) と \( P(B|A) \) の混同： 常に自分自身に「何が既に確実に分かっているか？」と問いかけてください。それがバーの右側にくる条件になります。
• 事前確率を掛け忘れる： 単に証拠の起こりやすさだけでなく、元のイベントがどれくらい起こりやすかったのかを考慮することが重要です。
• 確率の合計が1にならない： 最初の分類（「ハイリスク」「ローリスク」など）は、全体（100%）を網羅している必要があります。


6. まとめとクイック復習

次に進む前に、以下のことを確認しましょう：

• ベイズの定理は、新しいデータが利用可能になったときに確率を更新するために使います。
• 事前確率（Prior）は「前」の確率、事後確率（Posterior）は「後」の確率です。
• 分母を求めるときには全確率の法則を使います。これは、証拠に至るすべての可能な道のりの確率の合計に過ぎません。
• CS1試験では、樹形図（ツリー図）を描くのが非常に役立ちます！各枝が計算の要素を表すので、数値の混乱を防ぐことができます。

あなたならきっと大丈夫！ ベイズの定理は論理パズルです。事前確率と尤度さえ特定できれば、あとは単純な算数の問題です。いくつか樹形図の練習をすれば、あっという間にベイズ統計の達人になれますよ！