MENU
  1. トップ
  2. 基礎体系
  3. 基礎数学
  4. 基礎 数学A
  5. 【基礎 数学(数学A)】Module 4：確率(2) 条件付き確率と応用

【基礎 数学(数学A)】Module 4：確率(2) 条件付き確率と応用

当ページのリンクには広告が含まれています。

本モジュールの目的と構成

前モジュール「確率の基本性質」において、我々は不確実な現象を定量化するための基本的な言語と法則を学びました。それは、いわば世界の静的なスナップショットを撮り、その中で特定の事象が占める割合を計算する作業でした。しかし、我々が生きる現実の世界は、より動的です。新たな情報がもたらされるたびに、未来に対する我々の予測や確信の度合いは絶えず変化します。ある検査で陽性反応が出たという「情報」は、その人が実際に病気である「確率」をどう変えるのか。最初のくじがはずれだったという「事実」は、次のくじが当たりである「確率」にどう影響するのか。

本モジュールでは、このような情報の流れを確率論に組み込み、確率が動的に「更新」されていく様を分析するための核心的ツール、条件付き確率 (Conditional Probability) を探求します。この概念をマスターすることは、確率論を単なる計算技術から、真に実践的な推論の科学へと昇華させるための鍵となります。

本モジュールは、以下の学習項目を通じて、情報の価値を確率に反映させる論理体系を構築していきます。

  1. 条件付き確率の定義: 「事象Aが起こったという条件下で、事象Bが起こる確率」を定式化します。標本空間が限定されるという、その本質的なメカニズムを理解します。
  2. 乗法定理の一般化: 条件付き確率の定義を応用し、事象が独立でない場合にも適用できる、より一般的で強力な乗法定理を導出します。
  3. 原因の確率とベイズの定理の導入: 確率論における最も深遠で強力な応用の一つ、「結果から原因を推測する」確率を学びます。観測された事実に基づき、その背後にある最も可能性の高い原因へと遡るベイズの定理の論理に触れます。
  4. 確率の計算における原因と結果の時間的流れ: 確率の問題を解く上で、「時間的な順方向」の思考と、「結果からの逆方向」の推論を、樹形図などを用いて整理し、思考の混乱を防ぐ方法を確立します。
  5. 確率分布の基本的な考え方: 試行の結果として得られる数値（確率変数）と、その出現確率の関係を一覧にした「確率分布」の概念を導入し、確率的な現象の全体像を把握する視点を養います。
  6. 確率変数: 確率的な現象の各結果に数値を割り当てる「確率変数」を厳密に定義し、確率の問題をより代数的に扱うための準備をします。
  7. 期待値の加法性: 期待値が持つ、驚くほどシンプルで強力な性質「加法性」を学びます。これにより、複雑な試行の期待値計算が劇的に簡略化されることを見ます。
  8. 幾何学的確率: これまでの「場合の数」に基づく確率の定義を拡張し、長さや面積といった連続的な量を基準とする「幾何学的確率」の世界を探求します。
  9. くじ引きの確率（元に戻す、戻さない）: 日常的な題材であるくじ引きを、「独立」と「従属」という観点から再分析し、条件付き確率の理解を深めます。
  10. 確率を用いた意思決定問題: 本モジュールで学んだ期待値などの概念を総動員し、複数の選択肢の中から、確率的に最も合理的な選択を行うための「意思決定」のプロセスを数学的にモデル化します。

このモジュールを修了したとき、皆様は、静的な確率の世界から、情報によって確率が進化し、更新されていく、よりダイナミックな確率の世界へと足を踏み入れているはずです。それは、単に問題を解く能力だけでなく、データに基づいて推論し、未来を予測し、より良い決定を下すための、本質的な知的「方法論」の獲得を意味します。

目次

1. 条件付き確率の定義

確率の世界における最も重要な概念の一つが、条件付き確率 (Conditional Probability) です。これは、「ある事象Aが起こった」という新たな情報が与えられたときに、それを受けて「事象Bが起こる確率」がどのように変化するかを記述するための数学的な道具です。私たちの直感は、新しい情報に基づいて常に確率的な判断を更新していますが、条件付き確率はそのプロセスを厳密に定式化します。この概念を理解することが、事象間の依存関係を分析し、より現実に即した確率モデルを構築するための第一歩となります。

1.1. 条件付き確率の核心：標本空間の縮小

条件付き確率の考え方の本質は、「観測の舞台となる標本空間が、与えられた情報によってより小さな集合へと縮小される」という点にあります。

思考のプロセス

ある試行における標本空間を \(U\) とし、2つの事象 A, B を考えます。

ここで、「事象Aが起こった」という事実が観測されたとします。

この瞬間、我々の関心の世界は、もはや元の標本空間 \(U\) 全体ではありません。Aが起こらなかった可能性は完全に排除され、我々が考慮すべきは「Aが起こったという世界の中での出来事」のみになります。

つまり、我々の新しい標本空間は、事象Aそのものになったと見なすことができます。

この縮小された新しい標本空間Aの中で、事象Bが起こる確率を考えたいのです。

縮小された世界Aの中で「事象Bが起こる」というのは、元の世界で言えば「事象Aと事象Bがともに起こる」、すなわち積事象 \(A \cap B\) が起こることに対応します。

したがって、この新しい状況下でのBの確率は、

「新しい標本空間（事象A）の場合の数」に対する「その中でBが起こる（すなわちA∩Bが起こる）場合の数」の比率

として計算できるはずです。

これを数式で表現すると、事象Aが起こったという条件下での事象Bの条件付き確率は、

\[

\frac{n(A \cap B)}{n(A)}

\]

となります。

記号と定義式

事象Aが起こったという条件下での事象Bの条件付き確率を、記号 \(P(B|A)\) で表します。これは「Probability of B given A」と読みます。

上記の分数式の分母と分子を、元の標本空間の総数 \(n(U)\) で割ってみましょう。

\[

P(B|A) = \frac{n(A \cap B)/n(U)}{n(A)/n(U)}

\]

分母は \(P(A)\)、分子は \(P(A \cap B)\) の定義そのものです。

これにより、条件付き確率の標準的な定義式が得られます。

【条件付き確率の定義式】

事象Aが起こる確率 \(P(A)\) が0でないとき、Aが起こったという条件下でBが起こる条件付き確率 \(P(B|A)\) は、

\[

P(B|A) = \frac{P(A \cap B)}{P(A)}

\]

と定義される。

この式は、条件付き確率を、元の標本空間における2つの確率（積事象の確率と条件事象の確率）の比として計算できることを示しています。

1.2. 具体例による理解

例題1：サイコロ

1個のサイコロを1回投げ、「出た目が偶数であった（事象A）」ということが分かった。このとき、その目が「3の倍数であった（事象B）」である条件付き確率を求めよ。

思考プロセス1：標本空間の縮小

  1. 元の標本空間: \(U = {1, 2, 3, 4, 5, 6}\)
  2. 条件: 「出た目が偶数であった（事象A）」という情報により、標本空間は \(A={2, 4, 6}\) に縮小される。新しい世界の「すべての場合の数」は3通り。
  3. 縮小された世界での事象: この新しい世界の中で、「3の倍数である（事象B）」のは、\({6}\) の1通り。
  4. 確率の計算:\(P(B|A) = \frac{\text{新しい世界でBが起こる場合の数}}{\text{新しい世界でのすべての場合の数}} = \frac{1}{3}\)

思考プロセス2：定義式の利用

  1. 元の標本空間での確率計算: \(U = {1, 2, 3, 4, 5, 6}\)
    • 事象A: 「偶数の目が出る」\(A = {2, 4, 6}\)\(P(A) = \frac{3}{6} = \frac{1}{2}\)
    • 事象B: 「3の倍数の目が出る」\(B = {3, 6}\)
    • 積事象 \(A \cap B\): 「偶数かつ3の倍数」\(A \cap B = {6}\)\(P(A \cap B) = \frac{1}{6}\)
  2. 定義式に代入:\[P(B|A) = \frac{P(A \cap B)}{P(A)} = \frac{1/6}{3/6} = \frac{1}{3}\]どちらの思考プロセスでも、結果は \(\frac{1}{3}\) となり、一致します。標本空間の縮小という直感的な理解と、定義式の代数的な計算の両方を使いこなせることが重要です。

例題2：トランプの非復元抽出

1組52枚のトランプから1枚を引き、それを元に戻さずに2枚目を引く。1枚目にキング(K)を引いたとき、2枚目もキングである条件付き確率を求めよ。

思考プロセス：標本空間の縮小

  1. 条件: 「1枚目にキングを引いた」という事実が与えられている。
  2. 標本空間の縮小: この条件の下で、2枚目を引くときの状況を考えます。
    • 山に残っているカードの総数：51枚
    • 山に残っているキングの枚数：3枚
  3. 確率の計算:縮小された標本空間（残りの51枚の山）から、キング（3枚）を引く確率なので、\(P(\text{2枚目K} | \text{1枚目K}) = \frac{3}{51} = \frac{1}{17}\)

この問題は、状況が物理的に変化するため、標本空間の縮小という考え方が非常に直感的で分かりやすい例です。

1.3. カルノー図（確率表）の利用

複数の事象が絡む条件付き確率の問題では、情報を整理するための表（カルノー図や分割表とも呼ばれる）を作成すると、見通しが格段に良くなります。

例題3：病気の検査

ある病気の検査があり、実際に病気である人が検査を受けると90%の確率で陽性となり、病気でない人が受けても5%の確率で陽性となる（偽陽性）。ある集団の10%がこの病気にかかっているとする。この集団から1人を選んだとき、その人が陽性反応を示す確率を求め、さらに、陽性反応を示したという条件下で、その人が実際に病気である条件付き確率を求めよ。

思考プロセス：確率表の作成

集団の総人口を10000人と仮定して、具体的な人数を埋める表を作成します。

病気である (A)病気でない (\(\bar{A}\))合計
陽性 (B)
陰性 (\(\bar{B}\))
合計10000
  1. 病気の人数を埋める:10%が病気なので、病気の人は \(10000 \times 0.1 = 1000\) 人。病気でない人は9000人。| | 病気である (A) | 病気でない (\(\bar{A}\)) | 合計 || :— | :— | :— | :— || 陽性 (B) | | | || 陰性 (\(\bar{B}\)) | | | || 合計 | 1000 | 9000 | 10000 |
  2. 陽性・陰性の人数を計算して埋める:
    • 病気で陽性 (\(A \cap B\)): 病気の1000人のうち90%が陽性 → \(1000 \times 0.9 = 900\) 人
    • 病気で陰性 (\(A \cap \bar{B}\)): 病気の1000人のうち残り → \(1000 – 900 = 100\) 人
    • 病気でなく陽性 (\(\bar{A} \cap B\)): 病気でない9000人のうち5%が陽性 → \(9000 \times 0.05 = 450\) 人
    • 病気でなく陰性 (\(\bar{A} \cap \bar{B}\)): 病気でない9000人のうち残り → \(9000 – 450 = 8550\) 人
  3. 合計を計算して表を完成させる:| | 病気である (A) | 病気でない (\(\bar{A}\)) | 合計 || :— | :— | :— | :— || 陽性 (B) | 900 | 450 | 1350 || 陰性 (\(\bar{B}\)) | 100 | 8550 | 8650 || 合計 | 1000 | 9000 | 10000 |

確率の計算

この表を使えば、様々な確率が簡単に読み取れます。

  • 陽性反応を示す確率 \(P(B)\):\(P(B) = \frac{\text{陽性の合計人数}}{\text{全体の合計人数}} = \frac{1350}{10000} = 0.135\) （13.5%）
  • 陽性反応を示した条件下で、実際に病気である条件付き確率 \(P(A|B)\):これは、標本空間が「陽性であった1350人」に縮小されたと考えます。その中で「実際に病気である人」は900人です。\(P(A|B) = \frac{n(A \cap B)}{n(B)} = \frac{900}{1350} = \frac{2}{3} \approx 0.667\) （約66.7%）

条件付き確率は、情報が確率をどのように更新するかを捉えるための根源的な概念です。標本空間が縮小するという基本イメージを常に持ち、定義式とそれを結びつけることで、複雑に見える問題も明快に解きほぐすことができます。

2. 乗法定理の一般化

前モジュールでは、2つの事象 A, B が独立である場合に限り、「AかつBが起こる」積事象の確率が \(P(A \cap B) = P(A) \times P(B)\) と単純な積で計算できることを見ました。これは非常に便利ですが、現実の世界では、事象が互いに影響を及ぼしあう従属の関係にあることの方が遥かに多いのです。トランプを元に戻さずに引く、袋から玉を続けて取り出す、といった状況がその典型です。

このような、事象が独立でない（従属である）場合にも適用できる、より一般的で強力な積事象の計算ルールが、乗法定理の一般化です。そしてその正体は、前セクションで学んだ条件付き確率の定義式を、単純に移項したものに他なりません。

2.1. 一般化された乗法定理の導出

条件付き確率の定義式を再確認しましょう。

\[

P(B|A) = \frac{P(A \cap B)}{P(A)}

\]

この式の両辺に \(P(A)\) を掛けることで、積事象 \(P(A \cap B)\) を求めるための公式が得られます。

【乗法定理（一般形）】

任意の2つの事象 A, B について、

\[

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

\]

が成り立つ。

この式の右辺は、時間的な流れや因果関係を非常にうまく表現しています。

「AとBが両方とも起こる確率」は、

「まずAが起こり（その確率が \(P(A)\)）、そして、Aが起こったという条件下で次にBが起こる（その確率が \(P(B|A)\)）」

という、連続したプロセスの確率として計算できる、と解釈することができます。

2.2. 独立な場合との関係

この一般化された乗法定理は、前モジュールで学んだ独立事象の乗法定理を、特殊なケースとして内包しています。

もし、事象 A と B が独立であるならば、「Aが起こった」という情報はBの確率に何の影響も与えません。

したがって、独立な場合には、

\[

P(B|A) = P(B)

\]

が成り立ちます。

この関係を、一般化された乗法定理 \(P(A \cap B) = P(A) \times P(B|A)\) に代入すると、

\[

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

\]

となり、我々がよく知る独立事象の乗法定理と完全に一致します。

このことから、確率の乗法定理は、

  • 従属の場合: \(P(A \cap B) = P(A) P(B|A)\)
  • 独立の場合: \(P(A \cap B) = P(A) P(B)\)という2つの顔を持つのではなく、常に \(P(A \cap B) = P(A) P(B|A)\) が基本形であり、独立性はその特殊な場合に過ぎない、と理解するのがより本質的です。

2.3. 乗法定理の応用：非復元抽出

乗法定理の一般形が最も威力を発揮するのは、試行の結果が次の試行の条件を変化させる「非復元抽出」のような、従属な試行の連鎖です。

例題1：連続してくじを引く

当たりが3本、はずれが7本の計10本入っているくじを、Aさん、Bさんの順に1本ずつ引く。引いたくじは元に戻さない。このとき、AさんもBさんも当たりを引く確率を求めよ。

思考プロセス

  • 事象A: 「Aさんが当たりを引く」
  • 事象B: 「Bさんが当たりを引く」

我々が求めたいのは、積事象 \(A \cap B\) の確率 \(P(A \cap B)\) です。

引いたくじは元に戻さないため、Aの結果がBの確率に影響します。したがって、AとBは独立ではありません。ここで、一般化された乗法定理を用います。

\[

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

\]

  1. \(P(A)\) の計算:Aさんが最初に引くとき、10本中3本が当たりなので、\(P(A) = \frac{3}{10}\)
  2. \(P(B|A)\) の計算:これは、「Aさんが当たりを引いたという条件下で、Bさんが当たりを引く」条件付き確率です。Aさんが当たりを1本引いた後の状況を考えます。
    • くじの総数: 9本
    • 当たりの本数: 2本この状況でBさんが当たりを引く確率は、\(P(B|A) = \frac{2}{9}\)
  3. 乗法定理の適用:\[P(A \cap B) = P(A) \times P(B|A) = \frac{3}{10} \times \frac{2}{9} = \frac{6}{90} = \frac{1}{15}\]答えは \(\frac{1}{15}\) となります。

この時間的なプロセス、「まずAが起こり、次にその条件下でBが起こる」という思考の流れは、樹形図（確率木）を描くことで、より視覚的に明確になります。

[Tree diagram for drawing lots without replacement]

[図：確率の樹形図。最初の分岐がAの当たり(3/10)とはずれ(7/10)。A当たりの枝から、Bの当たり(2/9)とはずれ(7/9)が分岐。Aはずれの枝から、Bの当たり(3/9)とはずれ(6/9)が分岐。A当たり→B当たりの経路をハイライト。]

この図で、求めたい確率は、A当たり→B当たりの経路をたどる確率であり、枝に沿って確率を掛け合わせる \(\frac{3}{10} \times \frac{2}{9}\) という計算が、乗法定理そのものを表しています。

2.4. 3つ以上の事象への拡張

乗法定理は、3つ以上の事象の連鎖にも拡張することができます。

\[

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

\]

この式の意味は、

「A, B, Cがすべて起こる確率」は、

(Aが起こる確率) \(\times\) (Aが起こった条件でBが起こる確率) \(\times\) (AとBが両方起こった条件でCが起こる確率)

と計算できることを示しています。

例題2：3人が連続して当たりを引く

例題1のくじを、Aさん、Bさん、Cさんの順に引く。3人とも当たりを引く確率を求めよ。

  • P(Aが当たり) = \(\frac{3}{10}\)
  • P(Bが当たり | Aが当たり) = \(\frac{2}{9}\)
  • P(Cが当たり | AとBが当たり) = \(\frac{1}{8}\)求める確率は、これらの積です。\[\frac{3}{10} \times \frac{2}{9} \times \frac{1}{8} = \frac{6}{720} = \frac{1}{120}\]

乗法定理の一般化は、確率的な出来事が連鎖していく様子を、時間軸に沿ってモデル化するための基本文法です。特に、条件が次々と変化していく従属な試行の確率を計算する上で、この定理は不可欠なツールとなります。この「原因から結果へ」という時間的な流れを理解することが、次セクションで学ぶ「結果から原因へ」と遡る、より高度な推論への準備となるのです。

3. 原因の確率とベイズの定理の導入

これまでの確率計算は、主に「原因から結果へ」という時間的な順方向に沿ったものでした。例えば、「この袋の構成（原因）が分かっているとき、特定の色の玉を取り出す（結果）確率はいくらか」といった問いです。しかし、科学的推論や現実世界での問題解決では、しばしば逆の問いに直面します。すなわち、「ある結果が観測された（例：製品が不良品だった）とき、その原因が特定の事柄（例：工場Aで生産された）である確率はいくらか」という、結果から原因を推測する問題です。この「原因の確率」を求めるための、確率論における最も強力で深遠な道具の一つが、ベイズの定理 (Bayes’ Theorem) です。

3.1. 原因の確率：逆向きの推論

問題設定の転換

通常の確率問題：「工場Aの不良品率は3%、工場Bの不良品率は5%です。工場Aの製品を手に取ったとき、それが不良品である確率は？」→答えは3%。

原因の確率の問題：「市場には工場Aの製品が60%、工場Bの製品が40%流通しています。あなたが市場で手に取った製品が不良品であったとき、それが工場Aで生産されたものである確率は？」

後者の問いは、「不良品」という結果が先に与えられ、その製品の出自、すなわち「工場A」という原因の確率を事後的に評価しようとしています。これは、条件付き確率 \(P(\text{原因}|\text{結果})\) を求める問題です。

ベイズの定理の基本的なアイデア

ベイズの定理は、この逆向きの条件付き確率 \(P(\text{原因}|\text{結果})\) を、我々が計算しやすい順方向の確率、すなわち \(P(\text{結果}|\text{原因})\)（各工場での不良品率など）と、原因そのものが起こる確率 \(P(\text{原因})\)（各工場の生産シェアなど）から導出するための数学的な変換公式です。

3.2. ベイズの定理の導出

ベイズの定理は、特別な公理から導かれるものではなく、条件付き確率の定義と乗法定理から、ごく自然に導き出すことができます。

ある結果を表す事象を \(E\) (Effect)、その原因となりうる互いに排反な事象を \(C_1, C_2, \dots, C_n\) (Causes) とします。（\(C_1 \cup C_2 \cup \dots \cup C_n = U\) とする）

我々が求めたいのは、「結果Eが観測された」という条件下での、「原因が\(C_1\)であった」条件付き確率 \(P(C_1|E)\) です。

  1. ステップ1：条件付き確率の定義式を適用する\[P(C_1|E) = \frac{P(C_1 \cap E)}{P(E)}\]
  2. ステップ2：分子を乗法定理で変形する乗法定理より、\(P(C_1 \cap E) = P(C_1) \times P(E|C_1)\) です。
    • \(P(C_1)\): 事前確率 (Prior probability)。結果を知る前に我々が持っている、原因\(C_1\)が起こる確率。
    • \(P(E|C_1)\): 尤度 (Likelihood)。原因\(C_1\)の下で結果Eが観測される確率。分子は \(P(C_1)P(E|C_1)\) と書き換えられます。
  3. ステップ3：分母を全確率の法則で変形する分母の \(P(E)\) は、結果Eが起こる総合的な確率です。結果Eが起こるのには、いくつかの経路が考えられます。
    • 原因\(C_1\)を経由してEが起こる (\(C_1 \cap E\))
    • 原因\(C_2\)を経由してEが起こる (\(C_2 \cap E\))
    • …
    • 原因\(C_n\)を経由してEが起こる (\(C_n \cap E\))これらの経路は互いに排反なので、\(P(E)\) はこれらの確率の総和となります（全確率の法則）。\[P(E) = P(C_1 \cap E) + P(C_2 \cap E) + \cdots + P(C_n \cap E)\]さらに、各項に乗法定理を適用すると、\[P(E) = P(C_1)P(E|C_1) + P(C_2)P(E|C_2) + \cdots + P(C_n)P(E|C_n) = \sum_{i=1}^{n} P(C_i)P(E|C_i)\]
  4. ステップ4：分子と分母を合体させるステップ2と3の結果を、ステップ1の式に代入することで、ベイズの定理が完成します。

【ベイズの定理】

\[

P(C_1|E) = \frac{P(C_1)P(E|C_1)}{P(C_1)P(E|C_1) + P(C_2)P(E|C_2) + \cdots + P(C_n)P(E|C_n)}

\]

この式の構造は、

\[

P(\text{特定の原因}|\text{結果}) = \frac{(\text{特定の原因を経由して結果が起こる確率})}{(\text{考えられる全ての原因を経由して結果が起こる確率の総和})}

\]

となっており、「結果が起こった」という事実の下で、どの原因がその結果にどれだけ「貢献」したかの割合を計算している、と解釈することができます。

3.3. ベイズの定理の応用例

例題：不良品の原因

ある製品は、工場A（生産シェア60%）と工場B（生産シェア40%）の2箇所で生産されている。工場Aの不良品率は3%、工場Bの不良品率は5%である。市場から無作為に1個の製品を選んだところ、それが不良品であった。この製品が工場Aで生産されたものである確率を求めよ。

思考プロセス

  1. 事象の定義:
    • \(C_A\): 製品が工場Aで生産された
    • \(C_B\): 製品が工場Bで生産された
    • \(E\): 製品が不良品である
  2. ** المعطياتを整理**:
    • 事前確率: \(P(C_A)=0.6, P(C_B)=0.4\)
    • 尤度: \(P(E|C_A)=0.03, P(E|C_B)=0.05\)
  3. 求めたい確率:\(P(C_A|E)\) （不良品という結果の下で、原因が工場Aである確率）
  4. ベイズの定理を適用:
    • 分子の計算: \(P(C_A)P(E|C_A) = 0.6 \times 0.03 = 0.018\)(これは、製品が工場A産であり、かつ不良品である確率 \(P(C_A \cap E)\) に等しい)
    • 分母の計算: \(P(E) = P(C_A)P(E|C_A) + P(C_B)P(E|C_B)\)\(= (0.6 \times 0.03) + (0.4 \times 0.05) = 0.018 + 0.020 = 0.038\)(これは、製品が不良品である総合的な確率。市場全体の不良品率と言える)
  5. 最終計算:\[P(C_A|E) = \frac{0.018}{0.038} = \frac{18}{38} = \frac{9}{19}\]答えは \(\frac{9}{19}\) となります。(199​≈0.474)

結果の解釈

この結果は非常に興味深いものです。製品を選ぶ前は、工場A産である確率は60%でした（事前確率）。しかし、「不良品であった」という新しい情報を得た後では、その確率は約47.4%に減少しました。これは、工場Bの方が不良品率が高いために、「不良品」という証拠が、相対的に工場Bの可能性を強め、工場Aの可能性を弱めたからです。ベイズの定理は、このようにして新しい情報（データ）に基づいて、我々の信念（確率）を合理的に更新するプロセスを数学的に記述しているのです。このため、ベイズの定理は、迷惑メールフィルタや人工知能、医療診断など、現代の多くの情報科学技術の根幹を支える理論となっています。

4. 確率の計算における原因と結果の時間的流れ

確率の問題、特に条件付き確率が絡む複雑な問題で思考が混乱する主な原因は、「原因から結果へ」という自然な時間の流れと、「結果から原因へ」という推論の流れが入り混じることにあります。この二つの流れを明確に区別し、それぞれの計算プロセスを視覚的に整理する能力は、高度な確率問題を解く上で不可欠です。**確率樹形図（確率木）**は、この時間的な流れを整理し、乗法定理やベイズの定理の計算を直感的に理解するための最も強力なツールです。

4.1. 順方向のプロセス：原因から結果へ

多くの基本的な確率問題は、時間的な順方向に沿っています。つまり、「原因（あるいは初期状態）が確定し、そこからどのような結果が生じるか」を計算するプロセスです。

思考モデル

  1. 第一段階（原因の分岐）: 最初の試行や状態の分岐が起こる。
  2. 第二段階（結果の分岐）: 第一段階の各々の結果を前提条件として、次の試行や結果の分岐が起こる。

このプロセスは、乗法定理の一般形 \(P(A \cap B) = P(A) \times P(B|A)\) と完全に一致しています。

  • \(P(A)\): 第一段階でAが起こる確率。
  • \(P(B|A)\): Aが起こったという条件下で、第二段階でBが起こる確率。

確率樹形図による可視化

この時間的な流れは、樹形図で描くと非常に明快になります。

  • 木の根から最初の枝分かれが、第一段階の事象。
  • その各枝の先からさらに分岐するのが、第二段階の事象。
  • 各枝には、その分岐が起こる（条件付き）確率を書き込む。
  • 根から特定の葉（最終結果）までの経路をたどる確率は、その経路上の枝の確率をすべて掛け合わせることで得られる。これが乗法定理の視覚的表現です。

例題：袋からの非復元抽出（順方向）

赤玉3個、白玉2個が入った袋から、玉を1個ずつ2回、元に戻さずに取り出す。

(1) 1個目に赤玉、2個目に白玉が出る確率は？

(2) 2個目に白玉が出る確率は？

思考プロセス

樹形図を描いて、時間経過に伴う確率の変化を追跡します。

[Tree diagram for drawing balls without replacement]

[図：確率の樹形図。根からの最初の分岐が「1個目赤」(3/5)と「1個目白」(2/5)。

「1個目赤」の枝から、「2個目赤」(2/4)と「2個目白」(2/4)が分岐。

「1個目白」の枝から、「2個目赤」(3/4)と「2個目白」(1/4)が分岐。]

(1) 1個目赤、2個目白の確率

  • 樹形図の「1個目赤」→「2個目白」という経路をたどる。
  • 経路上の確率を掛け合わせる（乗法定理）。\(P(\text{1赤} \cap \text{2白}) = P(\text{1赤}) \times P(\text{2白}|\text{1赤}) = \frac{3}{5} \times \frac{2}{4} = \frac{6}{20} = \frac{3}{10}\)

(2) 2個目に白玉が出る確率

  • 「2個目に白玉が出る」という結果に至る経路は、2つ存在する。
    • 経路1: 1個目赤 → 2個目白
    • 経路2: 1個目白 → 2個目白
  • これらの経路は互いに排反なので、それぞれの経路の確率を計算し、足し合わせる（和の法則）。
    • 経路1の確率（(1)で計算済み）: \(\frac{3}{10}\)
    • 経路2の確率: \(P(\text{1白} \cap \text{2白}) = P(\text{1白}) \times P(\text{2白}|\text{1白}) = \frac{2}{5} \times \frac{1}{4} = \frac{2}{20} = \frac{1}{10}\)
  • 求める確率 \(P(\text{2白})\) は、これらの和。\(P(\text{2白}) = P(\text{1赤} \cap \text{2白}) + P(\text{1白} \cap \text{2白}) = \frac{3}{10} + \frac{1}{10} = \frac{4}{10} = \frac{2}{5}\)この計算は、前セクションで学んだ全確率の法則そのものです。（興味深いことに、\(P(\text{2白}) = P(\text{1白}) = 2/5\) となり、何も情報がない状態では、何番目に引いても当たる確率は同じであることが分かります）

4.2. 逆方向のプロセス：結果から原因へ

ベイズの定理が扱う「原因の確率」は、この時間的な流れを遡る推論です。「ある最終結果（葉）に至ったことが分かったとき、どの枝（経路）をたどってきた可能性が高いか」を問います。

思考モデル

  1. 結果の確定: 最終的な結果（事象E）が観測される。樹形図で言えば、特定の種類の葉に至ったことが確定する。
  2. 原因の推測: その結果に至る可能性のあった複数の経路（原因\(C_1, C_2, \dots\)）の中から、特定の経路（原因\(C_1\)）が実際にたどられた確率を評価する。

この計算が、まさしくベイズの定理 \(P(C_1|E) = \frac{P(C_1 \cap E)}{P(E)}\) です。

  • 分母 \(P(E)\): Eという結果に至るすべての経路の確率の合計。（全確率の法則）
  • 分子 \(P(C_1 \cap E)\): Eという結果に至る経路のうち、特定の原因\(C_1\)を経由する経路の確率。

例題：袋からの非復元抽出（逆方向）

先ほどの例題と同じ設定で、「2個目に白玉が出たことが分かったとき、1個目に赤玉が出ていた条件付き確率」を求めよ。

思考プロセス

  • 求めたいのは \(P(\text{1赤}|\text{2白})\)。
  • ベイズの定理（あるいは条件付き確率の定義）を適用する。\[P(\text{1赤}|\text{2白}) = \frac{P(\text{1赤} \cap \text{2白})}{P(\text{2白})}\]
  • 分子 \(P(\text{1赤} \cap \text{2白})\):これは順方向の計算で求めた、「1個目赤→2個目白」の経路の確率。\(P(\text{1赤} \cap \text{2白}) = \frac{3}{10}\)
  • 分母 \(P(\text{2白})\):これも順方向の計算で求めた、「2個目に白が出る」すべての経路の確率の合計。\(P(\text{2白}) = \frac{2}{5}\)
  • 最終計算:\[P(\text{1赤}|\text{2白}) = \frac{3/10}{2/5} = \frac{3}{10} \times \frac{5}{2} = \frac{15}{20} = \frac{3}{4}\]

結果の解釈

「2個目に白玉が出た」という情報を得たことで、「1個目が赤玉だった」確率は、事前には \(P(\text{1赤})=3/5=0.6\) だったものが、事後的には \(3/4=0.75\) へと上昇しました。これは、「もし1個目が白だったら、2個目に白が出る確率は低くなるはずだ。それなのに実際に出たのだから、1個目は赤だった可能性の方がより高いだろう」という直感的な推論を、数学的に裏付けています。

まとめ

確率の問題を解く際には、

  1. まず、問題のプロセスを「原因→結果」の時間的な順方向で捉え、確率樹形図を描く。
  2. 各枝に（条件付き）確率を書き込み、乗法定理を使って各経路の確率を計算する。
  3. 問題が順方向の確率（特定の積事象や全確率）を問うているのか、それとも逆方向の確率（原因の確率、ベイズの定理）を問うているのかを判断する。
  4. 逆方向の確率であれば、順方向で計算した経路の確率の「比」として答えを導き出す。

この体系的なアプローチによって、時間の流れが複雑に絡み合う確率の問題も、その構造を明確に解きほぐし、確実な解答へとたどり着くことができるのです。

5. 確率分布の基本的な考え方

これまでの議論では、個々の事象の確率、例えば「サイコロを投げて3の目が出る確率」や「2枚のコインを投げて表が1枚出る確率」などを、一つ一つ個別に計算してきました。しかし、ある試行におけるすべての結果とその確率の全体像を一度に把握したい、という要求もしばしば生じます。この「確率の全体像」を体系的に表現するための枠組みが、確率分布 (Probability Distribution) です。確率分布は、確率的な現象の振る舞いを要約した「地図」や「青写真」のようなものであり、その現象の特性を理解し、期待値などを計算するための基礎となります。

5.1. 確率変数 (Random Variable) の導入

確率分布を考える前に、その主役となる確率変数 (Random Variable) という概念を導入する必要があります。

【定義】

確率変数とは、試行の結果によって、その値が確率的に定まる変数のことです。

多くの場合、試行の結果そのものが数値である場合（例：サイコロの目）や、数値でない結果に数値を割り当てた場合（例：コインの表に1、裏に0を割り当てる）に使われます。確率変数は、通常 \(X, Y, Z\) などの大文字で表されます。

確率変数の役割

確率変数を導入する最大のメリットは、試行の具体的な内容（「コインを投げる」「玉を取り出す」など）から離れて、その結果として得られる数値に焦点を当て、数学的・代数的な分析を可能にすることです。

例えば、「コインを3回投げる」という試行において、我々の関心が「表が出た回数」にあるならば、確率変数 \(X\) を「表が出た回数」と定義します。

  • 結果が (H, T, T) なら、\(X=1\)
  • 結果が (H, H, T) なら、\(X=2\)
  • 結果が (T, T, T) なら、\(X=0\)というように、試行の各々の根元事象に対して、確率変数 \(X\) の値が一つ定まります。

このモジュールで主に扱うのは、サイコロの目のように、とびとびの値をとる離散型確率変数 (Discrete Random Variable) です。

5.2. 確率分布 (Probability Distribution) とは

【定義】

確率分布とは、確率変数 \(X\) がとりうるすべての値と、それぞれの値をとる確率の間の対応関係を示したものです。

この「対応関係」は、通常、表（確率分布表）またはグラフの形で表現されます。

確率変数 \(X\) が値 \(x_k\) をとる確率を \(P(X=x_k)\) と書きます。

確率分布が満たすべき性質

確率分布は、以下の2つの基本的な性質を必ず満たします。

  1. 各確率の値は0以上1以下である。\(0 \le P(X=x_k) \le 1\)
  2. すべての確率を合計すると1になる。\(\sum_{k} P(X=x_k) = 1\)これは、確率変数 \(X\) が、とりうる値のどれかを必ずとる（全事象の確率が1）ことを意味します。

例題1：サイコロ1個の確率分布

1個のサイコロを投げるとき、出る目を確率変数 \(X\) とする。\(X\) の確率分布を求めよ。

  • \(X\) のとりうる値は \({1, 2, 3, 4, 5, 6}\)
  • それぞれの値をとる確率は、すべて \(1/6\)
  • 確率分布表:
Xの値 (\(x_k\))123456合計
確率 (\(P(X=x_k)\))1/61/61/61/61/61/61

この例のように、すべての値をとる確率が等しい確率分布を、特に一様分布 (Uniform Distribution) と呼びます。

例題2：コイン2枚の確率分布

2枚のコインを投げるとき、表の出る枚数を確率変数 \(X\) とする。\(X\) の確率分布を求めよ。

  • \(X\) のとりうる値は \({0, 1, 2}\)
  • 各値をとる確率を計算する。
    • \(P(X=0)\) (2枚とも裏): \(P({(T,T)}) = 1/4\)
    • \(P(X=1)\) (表1枚、裏1枚): \(P({(H,T), (T,H)}) = 2/4 = 1/2\)
    • \(P(X=2)\) (2枚とも表): \(P({(H,H)}) = 1/4\)
  • 確率分布表:
Xの値 (\(x_k\))012合計
確率 (\(P(X=x_k)\))1/41/21/41

5.3. 確率分布のグラフ表現

確率分布表をグラフにすることで、その分布の形状（どこに確率が集中しているか、どのように広がっているかなど）を視覚的に捉えることができます。離散型確率変数の場合、横軸に確率変数の値、縦軸にその確率をとった棒グラフで表現するのが一般的です。

例題2のグラフ表現

[Bar chart for the probability distribution of heads in two coin flips]

[図：横軸がX=0, 1, 2。縦軸が確率。X=0の棒の高さが1/4, X=1の棒の高さが1/2, X=2の棒の高さが1/4となっている棒グラフ。X=1を頂点とする山形の分布。]

このグラフから、「表が1枚出る」という結果が最も起こりやすく、0枚や2枚となる確率はそれより低い、という分布の特性が一目で分かります。

有名な確率分布

世の中の様々な確率現象は、いくつかの典型的な確率分布のパターンに従うことが知られています。

  • 二項分布 (Binomial Distribution):反復試行の確率で学んだ、成功回数の確率分布。\(n\) 回の試行で成功確率が \(p\) のとき、成功回数 \(X\) が \(k\) となる確率は \(P(X=k) = {_n\mathrm{C}_k} p^k (1-p)^{n-k}\) で与えられます。例題2のコイン投げの例は、\(n=2, p=1/2\) の最も単純な二項分布です。
  • ポアソン分布:一定の時間や空間で、ある事象がランダムに発生する回数の分布。（例：1時間に窓口に来る客の数）
  • 正規分布 (Normal Distribution):身長や体重、測定誤差など、自然界や社会現象で最も頻繁に現れる、連続型確率変数の代表的な分布。美しい釣り鐘型の曲線を描きます。

これらの詳細な分析は大学レベルの統計学の範疇ですが、高校数学で学ぶ確率分布の基本的な考え方は、これらのより高度な理論への重要な入口となります。

確率分布は、確率的な現象の「個性」を表現するものです。サイコロを1個投げるという単純な現象と、コインを10枚投げるという少し複雑な現象では、その確率分布の形状は全く異なります。この「個性」を記述し、比較・分析するための言語と視覚的ツールを提供してくれるのが、確率分布の基本的な考え方なのです。

6. 確率変数

前セクションで、確率分布を定義するための主役として確率変数 (Random Variable) を導入しました。確率変数は、確率論をより形式的で扱いやすい数学の分野へと引き上げるための、極めて重要な概念です。試行の具体的な内容（「赤い玉」や「コインの裏」など）を、客観的で普遍的な「数値」に対応させることで、期待値や分散といった統計的な指標の計算や、様々な確率分布の統一的な記述が可能になります。このセクションでは、確率変数の定義をより深く掘り下げ、その役割と重要性を再確認します。

6.1. 確率変数の厳密な定義と役割

【再定義】

確率変数とは、標本空間 \(U\) の各々の根元事象に対して、**実数値を一つだけ対応させる規則（関数）**のことである。

この定義は、確率変数 \(X\) が、標本空間 \(U\) を定義域とし、実数全体の集合 \(\mathbb{R}\) を値域とする関数 \(X: U \to \mathbb{R}\) であることを意味しています。

具体例：コイン2枚投げ

  • 標本空間 \(U = {(H, H), (H, T), (T, H), (T, T)}\)
  • 確率変数 \(X\) を「表の出る枚数」と定義する。

この定義は、以下のような関数 \(X\) を定めたことと同じです。

  • \(X((H, H)) = 2\)
  • \(X((H, T)) = 1\)
  • \(X((T, H)) = 1\)
  • \(X((T, T)) = 0\)

標本空間の各要素（根元事象）に対して、実数値（0, 1, 2）がただ一つ対応していることが分かります。

なぜ「変数」と呼ぶのか？

関数であるにもかかわらず「変数」と呼ばれるのは、歴史的な経緯もありますが、その振る舞いが、試行を行うまでどの値をとるか分からない、確率的に変動する数であるという性質を強調しているためです。試行の結果に応じて、\(X\) の値は0になったり1になったり2になったりします。この「変動する」という側面に注目して「変数」という名前が使われています。

確率変数の役割

  1. 数値化による普遍化:「スペードを引く」「当たりくじを引く」といった質的な結果を、「\(X=1\)」「\(X=0\)」「\(Y=100\)点」といった量的な数値に変換します。これにより、異なる種類の試行であっても、同じ数学的な土俵（確率分布や期待値など）で分析することが可能になります。
  2. 事象の記述:確率変数を用いると、複雑な事象を簡潔な数式で表現できます。例えば、確率変数\(X\)を「サイコロの目」とすると、
    • 「偶数の目が出る」という事象は、\(X \in {2, 4, 6}\) と書けます。
    • 「3以下の目が出る」という事象は、\(X \le 3\) という不等式で表現できます。この記法は、確率の記述を非常に明快にし、計算の見通しを良くします。
  3. 統計的分析への橋渡し:確率変数の導入により、その平均的な値である期待値や、値のばらつき度合いを示す分散といった、統計的な特性量を定義することが可能になります。これらは、確率分布の「個性」を要約する重要な指標となります。

6.2. 離散型確率変数と連続型確率変数

確率変数は、そのとりうる値の性質によって、大きく2つのタイプに分類されます。

1. 離散型確率変数 (Discrete Random Variable)

  • とりうる値が有限個であるか、あるいは自然数のよ`うに**数え上げられる（可算無限個）**ものである確率変数。
  • 値と値の間に隙間があり、中間の値をとることはありません。
  • 例:
    • サイコロの目 (\({1, 2, 3, 4, 5, 6}\))
    • コインを投げたときの表の回数 (\({0, 1, 2, \dots, n}\))
    • ある交差点で1時間に起きる交通事故の件数 (\({0, 1, 2, \dots}\)) ←可算無限
  • 離散型確率変数の確率分布は、各値 \(x_k\) に対してその確率 \(P(X=x_k)\) を与える確率質量関数によって記述されます。

2. 連続型確率変数 (Continuous Random Variable)

  • とりうる値が、ある区間内の任意の実数値である確率変数。
  • 値は連続的で、いくらでも細かい値をとることができます。
  • 例:
    • 身長や体重
    • ある部品の寿命
    • 明日の東京の最高気温
  • 連続型確率変数の場合、特定の一つの値（例えば「身長がちょうど170.000…cm」）をとる確率は、実質的に0と考えます。そのため、確率を「ある区間に入る確率」として定義し、その分布は確率密度関数と呼ばれる曲線によって記述されます。
    • 確率密度関数のグラフとx軸で囲まれた部分の面積が、その区間に入る確率に対応します。

高校数学の「数学B」や「数学C」で統計を学ぶ際には、離散型の代表である二項分布と、連続型の代表である正規分布が中心的なテーマとなります。本モジュール（数学Aの範囲）では、主に離散型確率変数を扱います。

6.3. 確率変数の記法と事象の表現

確率変数の記法に慣れることは、確率の記述を正確に理解し、表現するために重要です。

  • \(X\): 確率変数そのもの（例：「サイコロの出る目」という概念）
  • \(x\): 確率変数\(X\)がとりうる具体的な値（実現値）（例：3）
  • \(P(X=x)\): 確率変数\(X\)が、特定の値\(x\)をとる確率。(例: \(P(X=3) = 1/6\))
  • \(P(a \le X \le b)\): 確率変数\(X\)の値が、\(a\)以上\(b\)以下の区間に入る確率。これは、\(X\)が\(a, a+1, \dots, b\)（離散の場合）のいずれかの値をとる事象の確率を意味し、多くの場合、排反事象の和として計算されます。\(P(a \le X \le b) = \sum_{k=a}^{b} P(X=k)\)

例題：確率変数を用いた事象の記述

赤玉4個、白玉6個の計10個の玉が入った袋から、3個の玉を同時に取り出す。取り出された赤玉の個数を確率変数 \(X\) とする。

  • \(X\)のとりうる値は、\({0, 1, 2, 3}\)。
  • 事象「すべて白玉である」は、\(X=0\) と表現される。
  • 事象「少なくとも1個は赤玉である」は、\(X \ge 1\) と表現される。
  • \(P(X=2)\) を計算してみる。
    • 全ての組合せ：\(_{10}\mathrm{C}_3 = 120\)
    • 赤2個、白1個の組合せ：\(_4\mathrm{C}_2 \times _6\mathrm{C}_1 = 6 \times 6 = 36\)
    • よって、\(P(X=2) = \frac{36}{120} = \frac{3}{10}\)

このように、確率変数という概念は、一見すると抽象的で回りくどいように感じられるかもしれません。しかし、それは確率の世界に座標軸を導入するようなものであり、これによって、これまで図形的に捉えてきた「事象」というものを、関数や変数といった代数的な道具で分析するための道が拓かれるのです。特に、次に学ぶ「期待値」は、この確率変数という土台がなければ定義することすらできません。

7. 期待値の加法性

期待値は、確率分布の「重心」や「平均的な値」を表す、極めて重要な指標です。前モジュールでは、期待値をその定義 \(E(X) = \sum x_i p_i\) に従って計算する方法を学びました。しかし、複数の確率変数が関わる複雑な状況、例えば「2つのサイコロの目の和」のような確率変数の和の期待値を求めたい場合、その確率分布をいちいち計算してから期待値の定義に当てはめるのは、非常に骨の折れる作業です。

このような問題を劇的に簡略化してくれるのが、期待値が持つ最も強力で美しい性質の一つ、期待値の加法性 (Additivity of Expected Value) です。この法則は、確率変数が独立であるかどうかにかかわらず成り立つため、応用範囲が非常に広く、確率論における思考を一段高いレベルへと引き上げてくれます。

7.1. 期待値の加法性の法則

【期待値の加法性】

任意の2つの確率変数 \(X, Y\) について、その和 \(X+Y\) の期待値は、それぞれの期待値の和に等しい。

\[

E(X+Y) = E(X) + E(Y)

\]

また、確率変数 \(X\) の定数倍 \(aX\) と定数 \(b\) を加えた \(aX+b\) の期待値は、

\[

E(aX+b) = aE(X)+b

\]

となる（期待値の線形性）。これらの性質は、\(n\) 個の確率変数についても同様に拡張できる。

\[

E(X_1+X_2+\cdots+X_n) = E(X_1)+E(X_2)+\cdots+E(X_n)

\]

この法則の特筆すべき点は、確率変数 \(X\) と \(Y\) の間に、どのような依存関係（相関）があっても、あるいは全くの独立であっても、この等式が常に成り立つということです。この普遍性が、この法則を非常に強力なものにしています。

7.2. 法則の証明（離散型の場合）

この法則がなぜ成り立つのか、2つの離散型確率変数 \(X, Y\) の場合について、その証明の概略を見てみましょう。（厳密な証明は大学レベルの数学を要しますが、そのエッセンスを理解することは重要です。）

確率変数 \(X\) がとりうる値を \({x_1, x_2, \dots}\)、\(Y\) がとりうる値を \({y_1, y_2, \dots}\) とします。

また、\(X=x_i\) かつ \(Y=y_j\) となる同時確率を \(P(X=x_i, Y=y_j)\) と書きます。

期待値の定義より、\(X+Y\) の期待値は、

\[

E(X+Y) = \sum_{i} \sum_{j} (x_i+y_j) P(X=x_i, Y=y_j)

\]

この和の記号を展開し、\(x_i\) の項と \(y_j\) の項に分けます。

\[

= \sum_{i} \sum_{j} x_i P(X=x_i, Y=y_j) + \sum_{i} \sum_{j} y_j P(X=x_i, Y=y_j)

\]

第1項について、\(x_i\) は内側の \(j\) の和には無関係なので、外に出せます。

\[

= \sum_{i} x_i \left( \sum_{j} P(X=x_i, Y=y_j) \right) + \cdots

\]

ここで、括弧の中の \(\sum_{j} P(X=x_i, Y=y_j)\) は、「\(X=x_i\) であり、かつYがとりうる全ての値のどれかをとる」確率の総和です。これは、結局「\(X=x_i\) となる」確率 \(P(X=x_i)\) そのものです。

したがって、第1項は \(\sum_{i} x_i P(X=x_i)\) となり、これは \(E(X)\) の定義に他なりません。

同様に、第2項も \(\sum_{j} y_j P(Y=y_j) = E(Y)\) となります。

以上より、

\[

E(X+Y) = E(X) + E(Y)

\]

が証明されました。この証明の過程で、\(X\) と \(Y\) が独立である（つまり \(P(X=x_i, Y=y_j) = P(X=x_i)P(Y=y_j)\)）という仮定は一切使われていないことに注目してください。

7.3. 加法性の威力を示す応用例

例題1：2つのサイコロの目の和（再訪）

大小2つのサイコロを投げて、出る目の和の期待値を求めよ。

  • \(X\): 大きいサイコロの目。\(E(X) = (1+2+3+4+5+6)/6 = 3.5\)
  • \(Y\): 小さいサイコロの目。\(E(Y) = (1+2+3+4+5+6)/6 = 3.5\)
  • 求めるのは \(E(X+Y)\)。
  • \(X\) と \(Y\) は独立ですが、加法性は独立でなくても使えます。\(E(X+Y) = E(X) + E(Y) = 3.5 + 3.5 = 7\)瞬時に答えが 7 であることが分かります。

例題2：二項分布の期待値

1回あたりの成功確率が \(p\) である独立な試行を \(n\) 回繰り返す（二項分布）。このとき、成功回数 \(X\) の期待値を求めよ。

直接解法（非常に複雑）

期待値の定義に従うと、

\[

E(X) = \sum_{k=0}^{n} k \cdot P(X=k) = \sum_{k=0}^{n} k \cdot {_n\mathrm{C}_k} p^k (1-p)^{n-k}

\]

この和を計算するのは、組合せの恒等式など高度なテクニックが必要となり、非常に困難です。

加法性を用いた解法（エレガント）

  1. 確率変数を分解する:\(i\) 回目の試行（\(i=1, 2, \dots, n\)）の結果を表す確率変数 \(X_i\) を以下のように定義します。
    • \(X_i = 1\) (\(i\) 回目の試行が成功した場合)
    • \(X_i = 0\) (\(i\) 回目の試行が失敗した場合)この \(X_i\) はベルヌーイ試行の確率変数と呼ばれます。
  2. 各々の期待値を計算する:\(X_i\) の期待値 \(E(X_i)\) は、\[E(X_i) = 1 \cdot P(X_i=1) + 0 \cdot P(X_i=0) = 1 \cdot p + 0 \cdot (1-p) = p\]
  3. 全体の成功回数を和で表現する:\(n\) 回の試行における総成功回数 \(X\) は、各回の成功を表す確率変数の和で表せます。\[X = X_1 + X_2 + \cdots + X_n\]
  4. 期待値の加法性を適用する:\[E(X) = E(X_1 + X_2 + \cdots + X_n)\]\[= E(X_1) + E(X_2) + \cdots + E(X_n)\]\(E(X_i)\) はすべて \(p\) なので、\[= \underbrace{p + p + \cdots + p}_{n \text{個}} = np\]

これにより、二項分布 \(B(n, p)\) の期待値が \(np\) であるという、非常にシンプルで重要な公式が、驚くほど簡単かつ直感的に導出されます。例えば、公正なコインを100回投げたときの表の出る回数の期待値は、\(100 \times 0.5 = 50\) 回、となります。

期待値の加法性は、複雑な確率変数を、より単純な確率変数の「和」として分解し、個々の部品の期待値を足し合わせることで、全体の期待値を求めるという、強力な「分解と統合」の思考法を可能にします。この性質を理解し、使いこなすことで、多くの期待値の問題が、その複雑な見た目とは裏腹に、驚くほどシンプルな構造を持っていることを見抜けるようになるでしょう。

8. 幾何学的確率

これまで我々が扱ってきた確率は、すべて「同様に確からしい」根元事象を数え上げることに基づいていました。標本空間がサイコロの目のように有限個の離散的な要素で構成されていたため、場合の数の比率として確率を定義できたのです。しかし、世の中には、結果が連続的な値をとるため、場合の数を数えることが不可能な確率の問題が存在します。例えば、「長さ10cmの線分上にランダムに点を打つとき、その点が左端から2cm以内にある確率」を考える場合、線分上の点は無限に存在するため、数え上げることはできません。

このような連続的な標本空間を扱うための確率の考え方が、幾何学的確率 (Geometric Probability) です。これは、確率を「場合の数」の比率ではなく、「長さ」「面積」「体積」といった幾何学的な量の比率として定義します。

8.1. 幾何学的確率の定義

標本空間 \(U\) が、ある領域（線分、平面図形、空間図形など）で表され、その中のどの点が選ばれるも同様に確からしい（一様ランダム）と仮定します。このとき、事象A（標本空間内の部分領域A）が起こる確率は、以下のように定義されます。

【幾何学的確率の定義】

\[

P(A) = \frac{\text{領域}A\text{の大きさ（測度）}}{\text{領域}U\text{（全体）の大きさ（測度）}}

\]

ここで、「大きさ（測度）」とは、

  • 標本空間が1次元（線分）なら長さ
  • 標本空間が2次元（平面図形）なら面積
  • 標本空間が3次元（立体）なら体積を指します。

この定義は、数学的確率 \(P(A) = n(A)/n(U)\) の、場合の数 \(n()\) を、幾何学的な量 size() に置き換えた、自然な拡張と見なすことができます。

8.2. 1次元の幾何学的確率（長さ）

例題1：待ち合わせ問題

AさんとBさんが、12時から13時の間に駅で待ち合わせをしている。Aさんが駅に到着する時刻は、この1時間の間で一様ランダムであるとする。Aさんが12時15分から12時30分までの間に到着する確率を求めよ。

思考プロセス

  1. 標本空間 U の設定:Aさんが到着しうる時間は、12時から13時までの60分間。これを長さ60の線分としてモデル化します。size(U) = 60 (分)
  2. 事象 A の設定:Aさんが12時15分から12時30分の間に到着するという事象。これは、上記の線分上で、15から30までの部分に対応します。この区間の長さは \(30 – 15 = 15\) (分)。size(A) = 15 (分)
  3. 確率の計算:\[P(A) = \frac{\text{size}(A)}{\text{size}(U)} = \frac{15}{60} = \frac{1}{4}\]

8.3. 2次元の幾何学的確率（面積）

例題2：ダーツの的

一辺が20cmの正方形の的に、ランダムにダーツを1本投げたところ、的に当たった。このダーツが、正方形に内接する円の内側に当たっている確率を求めよ。

思考プロセス

  1. 標本空間 U の設定:ダーツが当たりうる領域は、一辺20cmの正方形全体。size(U) = Area(Square) = 20 \times 20 = 400 (cm²)
  2. 事象 A の設定:ダーツが内接円の内側に当たるという事象。正方形に内接する円の半径は、辺の長さの半分なので \(r = 10\) cm。size(A) = Area(Circle) = \pi r^2 = \pi \times 10^2 = 100\pi (cm²)
  3. 確率の計算:\[P(A) = \frac{\text{size}(A)}{\text{size}(U)} = \frac{100\pi}{400} = \frac{\pi}{4}\]\(\pi \approx 3.14\) とすると、確率は約 \(0.785\) となります。

例題3：待ち合わせ問題（2変数）

太郎さんと花子さんが、午前10時から午前11時までの1時間の間に、ある場所で待ち合わせをする。2人とも、この1時間の間にランダムな時刻に到着するものとする。先に着いた方は、15分間だけ待って、相手が来なければ帰ってしまう。2人が無事に出会える確率を求めよ。

思考プロセス

  1. 標本空間 U の設定:太郎さんの到着時刻を \(x\)、花子さんの到着時刻を \(y\) とする。（単位は分。10時を0分、11時を60分とする）\(x, y\) はそれぞれ \(0 \le x \le 60\), \(0 \le y \le 60\) の範囲を動く。この標本空間は、xy平面上の一辺60の正方形領域として可視化できる。size(U) = Area(Square) = 60 \times 60 = 3600
  2. 事象 A の設定:2人が出会える条件は、2人の到着時刻の差が15分以内であること。すなわち、\(|x-y| \le 15\)。この不等式は、以下の2つの連立不等式と同値です。
    • \(x-y \le 15 \implies y \ge x-15\)
    • \(-(x-y) \le 15 \implies y \le x+15\)この2つの不等式が表す領域を、一辺60の正方形内に図示します。
    “[図：xy平面上に、(0,0), (60,0), (60,60), (0,60)を頂点とする正方形を描く。直線 y=x-15 と y=x+15 を描く。この2直線に挟まれた帯状の領域が「出会える」領域Aとなる。]「出会えない」領域は、正方形の左上隅と右下隅にできる2つの直角二等辺三角形です。
    • 左上隅の三角形: 頂点 (0,15), (0,60), (45,60)。底辺・高さは45。面積 = \(\frac{1}{2} \times 45 \times 45 = 1012.5\)
    • 右下隅の三角形: 頂点 (15,0), (60,0), (60,45)。底辺・高さは45。面積 = \(\frac{1}{2} \times 45 \times 45 = 1012.5\)
    「出会えない」領域の合計面積 = \(1012.5 + 1012.5 = 2025\)。したがって、「出会える」領域Aの面積は、size(A) = (全体の面積) – (出会えない面積) = 3600 – 2025 = 1575
  3. 確率の計算:\[P(A) = \frac{\text{size}(A)}{\text{size}(U)} = \frac{1575}{3600} = \frac{7}{16}\]

8.4. ベルトランの逆説と「同様に確からしさ」

幾何学的確率を扱う際には、「同様に確からしい」とは何を意味するのかを、慎重に定義する必要があります。この定義の曖昧さが引き起こすパラドックスとして、ベルトランの逆説が有名です。

問題: 円に内接する正三角形がある。この円の弦をランダムに1本引くとき、その弦の長さが正三角形の一辺の長さより長くなる確率はいくらか？

この問題は、「ランダムに弦を引く」という操作の定義の仕方によって、答えが1/2, 1/3, 1/4など、複数得られてしまうのです。

  • 解釈1: 弦の中点を円内にランダムに選ぶ → 答え 1/4
  • 解釈2: 弦の両端を円周上にランダムに選ぶ → 答え 1/3
  • 解釈3: 半径をランダムに選び、その半径上の点をランダムに選んで、その点を通る垂線を弦とする → 答え 1/2

これは、確率の問題そのものが間違っているのではなく、「ランダムに」という言葉で指定される標本空間の「同様に確からしさ」が、一意に定まらないことを示しています。

この逆説は、幾何学的確率を適用する際には、どのような操作をもって「ランダム」あるいは「同様に確からしい」と見なすのかを、問題の文脈から明確に定義することが不可欠であるという、重要な教訓を与えてくれます。

幾何学的確率は、確率論の適用範囲を離散的な世界から連続的な世界へと大きく広げるものです。それは、物理学における粒子の運動から、金融工学における価格変動のモデリングまで、様々な分野で応用される現代数学の重要なツールとなっています。

9. くじ引きの確率（元に戻す、戻さない）

くじ引きの問題は、確率論の基本的な概念を理解し、その応用力を試すための、古典的でありながら非常に優れた題材です。特に、「引いたくじを元に戻すか、戻さないか」というわずかな条件の違いが、その背後にある確率モデルを「独立な試行」から「従属な試行」へと根本的に変化させます。このセクションでは、この二つのシナリオを対比させながら、これまで学んできた乗法定理や条件付き確率の知識を、具体的な問題解決の文脈でどのように使い分けるかを再確認します。

9.1. 復元抽出：元に戻す場合（独立な試行）

シナリオ: 試行の後、標本空間が完全に元の状態にリセットされる。

この場合、各回の試行は、前の試行の結果に一切影響を受けません。したがって、一連の試行は独立となり、確率計算には単純な乗法定理 \(P(A \cap B) = P(A) \times P(B)\) や、反復試行の確率の公式が適用できます。

例題1：元に戻すくじ引き

当たりが2本、はずれが8本の計10本入っているくじがある。Aさん、Bさんがこの順に1本ずつくじを引く。ただし、Aさんが引いたくじは元に戻すものとする。

(1) Aさん、Bさんともに当たる確率を求めよ。

(2) Aさんがはずれ、Bさんが当たる確率を求めよ。

思考プロセス

  • Aさんが引く試行とBさんが引く試行は、くじを元に戻すため独立である。
  • 1回の試行で当たりを引く確率 \(p\) は、常に \(\frac{2}{10} = \frac{1}{5}\)。
  • 1回の試行ではずれを引く確率 \(1-p\) は、常に \(\frac{8}{10} = \frac{4}{5}\)。

(1) Aさん、Bさんともに当たる確率

  • 事象A: 「Aが当たる」, \(P(A) = 1/5\)
  • 事象B: 「Bが当たる」, \(P(B) = 1/5\)
  • AとBは独立なので、乗法定理より、\(P(A \cap B) = P(A) \times P(B) = \frac{1}{5} \times \frac{1}{5} = \frac{1}{25}\)

(2) Aさんがはずれ、Bさんが当たる確率

  • 事象\(\bar{A}\): 「Aがはずれる」, \(P(\bar{A}) = 4/5\)
  • 事象B: 「Bが当たる」, \(P(B) = 1/5\)
  • 独立なので、乗法定理より、\(P(\bar{A} \cap B) = P(\bar{A}) \times P(B) = \frac{4}{5} \times \frac{1}{5} = \frac{4}{25}\)

このシナリオは、反復試行の確率のモデルそのものです。例えば、「10人がこの復元抽出のくじを引くとき、ちょうど3人が当たる確率」は、\(n=10, k=3, p=1/5\) の反復試行の公式で計算できます。

9.2. 非復元抽出：元に戻さない場合（従属な試行）

シナリオ: 試行の後、標本空間が変化する。

この場合、前の試行の結果が、次の試行の確率（条件）を直接的に変化させます。したがって、一連の試行は従属となり、確率計算には条件付き確率を考慮した一般化された乗法定理 \(P(A \cap B) = P(A) \times P(B|A)\) を用いる必要があります。

例題2：元に戻さないくじ引き

当たりが2本、はずれが8本の計10本入っているくじがある。Aさん、Bさんがこの順に1本ずつくじを引く。引いたくじは元に戻さない。

(1) Aさん、Bさんともに当たる確率を求めよ。

(2) Aさんがはずれ、Bさんが当たる確率を求めよ。

思考プロセス

  • Aさんが引く試行とBさんが引く試行は、くじを元に戻さないため従属である。
  • 一般化された乗法定理を用いる。

(1) Aさん、Bさんともに当たる確率

  • 事象A: 「Aが当たる」
  • 事象B: 「Bが当たる」
  • 求めたいのは \(P(A \cap B) = P(A) \times P(B|A)\)。
    • \(P(A)\): 10本中2本が当たりなので、\(P(A) = \frac{2}{10}\)。
    • \(P(B|A)\): Aが当たりを引いた後、残りは9本中1本が当たり。\(P(B|A) = \frac{1}{9}\)。
  • 計算:\(P(A \cap B) = \frac{2}{10} \times \frac{1}{9} = \frac{2}{90} = \frac{1}{45}\)

(2) Aさんがはずれ、Bさんが当たる確率

  • 事象\(\bar{A}\): 「Aがはずれる」
  • 事象B: 「Bが当たる」
  • 求めたいのは \(P(\bar{A} \cap B) = P(\bar{A}) \times P(B|\bar{A})\)。
    • \(P(\bar{A})\): 10本中8本がはずれなので、\(P(\bar{A}) = \frac{8}{10}\)。
    • \(P(B|\bar{A})\): Aがはずれを引いた後、残りは9本中2本が当たり。\(P(B|\bar{A}) = \frac{2}{9}\)。
  • 計算:\(P(\bar{A} \cap B) = \frac{8}{10} \times \frac{2}{9} = \frac{16}{90} = \frac{8}{45}\)

9.3. 「公平性」に関する深い洞察

非復元抽出のくじ引きにおいて、一見すると直感に反するかもしれないが、非常に重要な性質があります。

定理：非復元抽出における各順での確率の不変性

情報がない状態では、何番目にくじを引いても、当たりを引く確率は等しい。

例題2のBさんが当たりを引く確率 \(P(B)\) を計算してみる

Bさんが当たるのは、以下の2つの排反なケースの和です。

  1. Aが当たり、Bも当たる (\(A \cap B\))
  2. Aがはずれ、Bが当たる (\(\bar{A} \cap B\))\(P(B) = P(A \cap B) + P(\bar{A} \cap B)\)\(= \frac{1}{45} + \frac{8}{45} = \frac{9}{45} = \frac{1}{5}\)

この結果 \(1/5\) は、Aさんが当たりを引く確率 \(P(A) = 2/10 = 1/5\) と全く同じです。

これは、Aさんの結果を知らないBさんにとっては、10本のくじから無作為に1本引くのと確率的には等価であることを意味します。したがって、非復元抽出のくじ引きは、引く順番によって有利不利が生じない公平なゲームであると言えます。

組合せによる別解

非復元抽出の問題は、\(n\) 個の異なるものから \(k\) 個を順番に選び出すと考える代わりに、「\(n\) 個のポジションに、当たりとはずれのくじをランダムに配置する」と考えることで、組合せの問題として解くこともできます。

この考え方では、根元事象を「10本のくじのすべての配列」と見なします。

例題2 (1) A, B ともに当たる確率（組合せモデル）

  • 標本空間 \(n(U)\): 10個のポジションに、当たり2本、はずれ8本を並べる方法 → \(_{10}\mathrm{C}_2\) 通り。
  • 事象 \(n(A \cap B)\): Aのポジション（1番目）とBのポジション（2番目）の両方に当たりが入る。これは、2つある当たりのポジションが、1番目と2番目に固定されることなので、1通り。（より厳密には、当たりくじ2本をA,Bのポジションに入れる方法 \(_2\mathrm{C}_2=1\) と、はずれくじ8本を残り8ポジションに入れる方法 \(_8\mathrm{C}_8=1\) の積）
  • 確率:\(\frac{1}{_{10}\mathrm{C}_2} = \frac{1}{45}\)結果は一致します。このモデルは、特に「公平性」の定理を直感的に理解するのに役立ちます。例えば、Bさんが当たる確率は、10個のポジションのうち、Bさんのポジション（2番目）に当たりが来る確率なので、対称性からどのポジションも同じ確率となり、\(2/10=1/5\) となります。

くじ引きの問題は、「復元」か「非復元」かという一点の違いが、背後にある確率構造を「独立」から「従属」へと変化させ、適用すべき数学的ツール（単純な乗法定理か、一般化された乗法定理か）を決定するという、確率論の基本構造を学ぶための完璧な縮図と言えるでしょう。

10. 確率を用いた意思決定問題

これまでに培ってきた確率論の知識は、単に数学の問題を解くための抽象的な理論に留まりません。その真価は、不確実な未来が関わる現実世界での意思決定 (Decision-making) の場面で発揮されます。どの選択肢が、長期的・平均的に見て最も合理的なのか。この問いに対して、客観的な数値的根拠を与えるのが、確率、特に期待値を用いた意思決定のプロセスです。このセクションでは、複数の選択肢の「価値」を期待値によって評価し、比較検討することで、最適な戦略を選択するという、確率論の最も実践的な応用を探求します。

10.1. 意思決定の基本モデル

確率を用いた意思決定の基本的なモデルは、以下のステップで構成されます。

  1. 選択肢の列挙:取りうるすべての**行動（選択肢）**を明確にリストアップします。(例：「このゲームに参加する」「参加しない」)
  2. 結果の想定:各選択肢をとった場合に、起こりうるすべての**結果（状態）と、その結果に伴う利得（または損失）**を想定します。利得は、金額、得点、満足度など、問題の文脈に応じた数値で表現されます。
  3. 確率の付与:各結果が、どのような確率で起こるのかを計算または推定します。ここには、これまでに学んだ確率計算のあらゆる技術が動員されます。
  4. 期待値の計算:それぞれの選択肢について、利得の期待値を計算します。期待値 = \(\sum (\text{各結果の利得} \times \text{その結果が起こる確率})\)
  5. 最適な意思決定:計算された期待値を比較し、期待値が最大（または損失の期待値が最小）となる選択肢を、最も合理的な決定として選択します。

このプロセスは、「長期的には、平均して最も得をする（損をしない）選択肢はどれか」という問いに答えるものであり、期待値最大化の原理として知られています。

10.2. 具体例：ゲームへの参加

例題1：サイコロゲーム

あなたは、参加料150円を支払って、以下のゲームに参加できます。

  • 1個のサイコロを1回投げ、1または2の目が出たら600円がもらえる。
  • 3, 4, 5, 6のいずれかの目が出たら、何ももらえない。このゲームに参加すべきでしょうか？

思考プロセス

  1. 選択肢の列挙:
    • 選択肢A: 「ゲームに参加する」
    • 選択肢B: 「ゲームに参加しない」
  2. 各選択肢の期待値を計算する:
    • 選択肢B: 「参加しない」この場合の利得は、常に0円です。期待値も 0円 です。
    • 選択肢A: 「参加する」まず、賞金の期待値 \(E(\text{賞金})\) を計算します。
      • 結果1: 当たり（1か2の目）
        • 利得: 600円
        • 確率: \(2/6 = 1/3\)
      • 結果2: はずれ（3,4,5,6の目）
        • 利得: 0円
        • 確率: \(4/6 = 2/3\)\(E(\text{賞金}) = (600 \times \frac{1}{3}) + (0 \times \frac{2}{3}) = 200 + 0 = 200\) 円。これは、ゲームを何度も繰り返せば、1回あたり平均200円の賞金が得られることを意味します。しかし、意思決定にはコストも考慮しなければなりません。このゲームの純利益の期待値 \(E(\text{純利益})\) は、賞金の期待値から参加料を引いたものです。\(E(\text{純利益}) = E(\text{賞金}) – \text{参加料} = 200 – 150 = 50\) 円。
  3. 意思決定:
    • 選択肢A（参加する）の期待利得: +50円
    • 選択肢B（参加しない）の期待利得: 0円期待値最大化の原理によれば、\(50 > 0\) なので、**「ゲームに参加すべきである」**というのが合理的な結論となります。このゲームは、プレーヤーにとって平均的に有利な（プラスの期待値を持つ）ゲームであると言えます。

10.3. 決定木（Decision Tree）の利用

より複雑な意思決定問題、特に行動の後にさらに確率的な事象が連鎖する場合には、**決定木（Decision Tree）**を描くことで、思考を整理しやすくなります。

  • 決定ノード（四角形 □）: 自分がコントロールできる選択の分岐点。
  • 確率ノード（円形 ○）: 偶然によって結果が決まる分岐点。

例題2：事業投資の決定

ある企業が、新製品開発のために1000万円の投資を検討している。

  • 投資が成功する確率は60%で、その場合の利益は3000万円。
  • 投資が失敗する確率は40%で、その場合は投資額が全額損失となる（利益 -1000万円）。この投資プロジェクトを実行すべきか？

思考プロセス：決定木の構築

[Decision tree for the investment problem]

[図：決定木の図。根元に決定ノード□があり、「投資する」と「投資しない」の枝が伸びる。

「投資しない」の枝の先には、利得0円。

「投資する」の枝の先には、コスト-1000万円と書かれ、その先に確率ノード○がある。

確率ノード○から、「成功」(確率0.6)と「失敗」(確率0.4)の枝が伸びる。

「成功」の枝の先には、利益3000万円。

「失敗」の枝の先には、利益0円。]

期待値の計算

  • 選択肢: 「投資しない」
    • 期待利得 = 0円
  • 選択肢: 「投資する」
    • 純利益を計算する。
      • 成功した場合の純利益: \(3000 – 1000 = 2000\) 万円
      • 失敗した場合の純利益: \(0 – 1000 = -1000\) 万円
    • 期待純利益を計算する。\(E(\text{純利益}) = (2000 \text{万円} \times 0.6) + (-1000 \text{万円} \times 0.4)\)\(= 1200 – 400 = 800\) 万円

意思決定

  • 「投資する」の期待利得: +800万円
  • 「投資しない」の期待利得: 0円期待値は「投資する」方が圧倒的に高いので、このプロジェクトは実行すべきである、という結論になります。

10.4. 期待値の限界と注意点

期待値に基づく意思決定は非常に強力ですが、万能ではありません。いくつかの注意点があります。

  • リスク許容度: 期待値がプラスでも、失敗した場合の損失が許容できないほど大きい場合、意思決定者はその選択を避けるかもしれません（リスク回避）。
  • 効用理論: 同じ1万円でも、資産が10万円の人の満足度（効用）と、1億円の人の満足度は異なります。厳密な意思決定理論では、金額そのものではなく、「効用」の期待値を最大化することを考えます。
  • 一回限りの試行: 期待値は「長期的・平均的」な価値です。一回しか行われない意思決定では、期待値通りの結果が得られる保証は全くありません。それでもなお、期待値は、その一回限りの賭けの「合理性」を評価するための、最も客観的な基準となります。

確率を用いた意思決定は、不確実な未来という霧の中を、論理という光で照らし出し、最も有望な進路を見つけ出すための知的営みです。それは、我々が単なる運任せの博打から脱却し、データと推論に基づいた合理的な主体として行動するための、数学が与えてくれる最も実践的な贈り物の一つなのです。

Module 4：確率(2) 条件付き確率と応用の総括：情報が更新する確率の世界

本モジュールにおいて、我々は確率論の深奥へとさらに一歩踏み込み、静的な確率の世界から、情報によって確率が絶えず更新されていく動的な世界へと移行しました。その変革の中心にあったのが、**「条件付き確率」**という根源的な概念です。P(B|A) というこの記法は、「Aが起きた」という新たな情報が、我々のBに対する確信の度合いをどのように変容させるかを、数学的に厳密に記述する言語でした。

この言語を基点として、我々は確率的推論の二つの大きな流れを体系化しました。一つは、乗法定理の一般化 \(P(A \cap B) = P(A)P(B|A)\) に象徴される、時間軸に沿った「原因から結果へ」という自然な思考の流れです。これは、確率樹形図を描き、枝をたどって確率を掛け合わせることで、連鎖する事象の確率を直感的に捉えることを可能にしました。

もう一つは、確率論の至宝とも言えるベイズの定理が明らかにした、「結果から原因へ」と遡る、より高度な推論の流れです。観測された「結果」という証拠に基づき、その背後にある複数の「原因」の確からしさを、事前確率と尤度を用いて再評価する。このプロセスは、我々の知的活動、すなわちデータから学び、信念を更新するという営みの数学的なモデルそのものです。

さらに、確率的な現象の全体像を要約するための「確率変数」と「確率分布」という概念を導入し、その分布の平均的な振る舞いを表す「期待値」を探求しました。特に、期待値の加法性 \(E(X+Y) = E(X)+E(Y)\) は、複雑な確率変数の期待値を、その構成要素の期待値の単純な和として計算できることを示す、驚くほど強力な性質でした。また、「幾何学的確率」は、確率の概念を数え上げの世界から、長さや面積といった連続的な世界へと拡張し、その適用範囲の広大さを示しました。

最終的に、これらの理論は「確率を用いた意思決定問題」において、一つの実践的な哲学へと収斂しました。それは、不確実な未来に直面したとき、各選択肢がもたらす利得の「期待値」を計算し、それを最大化することが最も合理的な戦略である、という考え方です。

このモジュールを通じて我々が獲得したのは、単なる数式の操作技術ではありません。それは、情報が持つ価値を理解し、データに基づいて自らの確率的判断を客観的に更新し、不確実性の中で最も合理的な道筋を見出すための、強力な論理的「方法論」です。この能力は、変化し続ける世界を理解し、その中で賢明に行動するための、揺るぎない知的コンパスとなることでしょう。

基礎数学 基礎 数学A
目次