条件付き確率

概要

条件付き確率は、「ある事象Bが起きたと分かったとき、別の事象Aの確率はいくつになるか」を測る考え方で、P(A|B) と書きます（縦棒の右が「分かっている条件」です）。サイコロで「偶数が出た」と教えられた瞬間、「2が出た確率」は 1/6 から 1/3 に変わります — 情報を得ることで確率が更新される、その更新のルールを与えるのが条件付き確率です。

仕組みは「標本空間の絞り込み」として理解できます。Bが起きたと分かった時点で、起こりうる世界はBの中だけに縮みます。その縮んだ世界の中でAが占める割合、つまり P(A∩B) ÷ P(B) が P(A|B) の定義です。サイコロの例なら、世界が {2, 4, 6} の3通りに縮み、その中で「2」は1通りなので 1/3 になります。

条件付き確率は確率の応用のほぼすべてに顔を出します。「検査で陽性だったとき実際に病気である確率」「クリックしたユーザーが購入する確率」「この単語を含むメールが迷惑メールである確率」— 実務で問われる確率の多くは、実は条件付き確率です。そして「条件と結果を逆向きにひっくり返す」ための道具がベイズの定理、「条件が確率を変えない」特別な場合が独立性であり、条件付き確率はこの2つの土台になっています。

なぜ生まれたか

素朴な確率は「何も知らない時点での起こりやすさ」しか扱えません。しかし現実の判断は、ほとんどの場合に部分的な情報を持った状態で行われます。カードゲームで場に出た札を見た後の手札の読み、患者の症状を聞いた後の診断 — 「すでに分かったこと」を無視した確率は実用になりません。賭博の数学として生まれた確率論は、早い段階で「途中経過を知った後の確率」を扱う必要に直面し、17〜18世紀に乗法定理（P(A∩B) = P(B) × P(A|B)）としてその計算規則が整理されました。

もうひとつの推進力は「逆向きの推論」の需要です。「病気ならば陽性になりやすい」という順方向の知識から、「陽性だったとき病気である確率」という逆方向の答えを引き出したい — 18世紀のベイズとラプラスがこの逆算の規則を導き、原因と結果を確率でつなぐ推論の枠組みが生まれました。条件付き確率は、単なる計算テクニックではなく「証拠から原因を推し量る」という科学的推論そのものを数式にしたものだと言えます。

詳細

定義は「世界の縮小」

P(A|B) = P(A∩B) ÷ P(B) という定義は、図で見るのがいちばん早く腑に落ちます。条件Bを知る前は標本空間全体が分母でしたが、知った後は分母がBに置き換わり、その中でのAの取り分（A∩B）を測り直す — それだけです。

定義を掛け算の形に書き直した P(A∩B) = P(B) × P(A|B) が乗法定理で、「両方起こる確率は、まずBが起こり、その上でAも起こる確率の積」と読めます。くじを2本続けて引いて両方当たる確率を「1本目が当たり × その条件下で2本目も当たり」と段階的に掛けていく計算は、この定理の直接の応用です。数え上げが得意なら順列と組合せで一気に数えても同じ答えに着きます。

データで見る条件付き確率 — クロス集計との対応

条件付き確率は抽象的な概念に見えますが、データ分析ではクロス集計の行percentageそのものです。「性別 × 購入有無」の集計表で「女性のうち購入した人の割合」を求める操作は、まさに「女性という条件で世界を絞り、その中の購入者の割合を測る」こと、つまり P(購入|女性) の推定にほかなりません。全事象を条件で場合分けして足し合わせる全確率の公式（P(A) = P(A|B)P(B) + P(A|Bでない)P(Bでない)）も、クロス集計の行合計の計算と同じ構造をしています。

P(A|B) と P(B|A) を混同しない

条件付き確率の最重要注意点は、条件の向きを逆にすると値がまったく変わることです。「病気の人が検査で陽性になる確率 P(陽性|病気)」が99%でも、「陽性の人が病気である確率 P(病気|陽性)」は数%ということが普通に起こります。病気の人がそもそも稀なら、陽性者の大半は健康な人の偽陽性で占められるからです。この混同は検察官の誤謬とも呼ばれ、「DNAが一致する確率は数百万分の1」を「無実である確率は数百万分の1」と読み替えてしまう誤判の原因として実際の裁判でも問題になってきました。向きを正しくひっくり返すための公式がベイズの定理です。

条件付けても変わらないとき — 独立へ

条件Bを知っても P(A|B) = P(A) のまま変わらないなら、BはAについて何の情報も持っていません。この状態が独立性で、乗法定理は P(A∩B) = P(A) × P(B) という単純な掛け算に退化します。逆に言えば、独立とは「条件付き確率が条件なしの確率と一致する」こととして定義される概念であり、条件付き確率を理解して初めて正確に語れます。

実務での使いどころ

条件付き確率は現代の応用技術の共通言語です。迷惑メールフィルタは「この単語を含む、という条件の下で迷惑メールである確率」を計算し、レコメンドは「この商品を見た、という条件の下で別の商品を買う確率」を推定します。機械学習の分類モデルの出力も本質的には「特徴量が与えられた条件の下でのクラスの確率」です。落とし穴も実務的で、条件の母数が小さいときの割合は不安定であること（10人中3人の30%を鵜呑みにしない）、そして条件で絞ること自体が偏りを生みうること（合格者だけに絞って分析すると母集団と逆の傾向が見える、といった選抜効果）には常に注意が必要です。