ベイズの定理電卓

ベイズの定理を使用して事後確率を計算します。事前確率、尤度、偽陽性率を入力すると、確率ツリー図や自然頻度の視覚化を含むステップバイステップの解決策が表示されます。

ベイズの定理電卓

ベイズの定理計算機は、ベイズの定理を使用して事後確率 P(A|B) を計算します。事前確率、尤度、および偽陽性率を入力すると、ステップバイステップの解決策、確率ツリー図、自然頻度の内訳、および詳細な確率の要約が表示されます。医療検査の精度の分析、迷惑メールフィルタの評価、または条件付き確率の学習など、このツールはベイズ的推論を直感的かつ視覚的に理解しやすくします。

ベイズの定理計算機の使い方

事前確率 P(A) を入力する — これは、証拠を見る前に仮説がどれくらい可能性が高いかについての初期の信念です。例えば、人口の1%が特定の病気にかかっている場合、P(A) = 0.01 となります。
尤度 P(B|A) を入力する — これは、仮説が正しい場合にその証拠が観察される確率です。医療検査の場合、これは感度または真陽性率に相当します。感度99%の検査であれば P(B|A) = 0.99 です。
偽陽性率 P(B|¬A) を入力する — これは、仮説が偽である場合にその証拠が観察される確率です。偽陽性率5%の検査であれば P(B|¬A) = 0.05 です。
「計算する」をクリックして、詳細な計算プロセスとともに事後確率 P(A|B) を確認します。
視覚化を探索する — 確率ツリー図は集団がどのように分かれるかを示し、自然頻度のセクションは直感的な理解のために整数を使用し、比較バーは証拠によって信念がどのようにシフトしたかを示します。

ベイズの定理とは？

ベイズの定理は、新しい証拠に照らして信念をどのように更新するかを記述する確率論の基本原則です。トーマス・ベイズ牧師（1701–1761）にちなんで名付けられたこの定理は、次のように定義されます。

P(A|B) = P(B|A) × P(A) / P(B)

ここで：

P(A|B) — 事後確率：Bを観察した後の、Aの更新された確率
P(B|A) — 尤度：Aが真である場合に、その証拠がどれだけ起こりやすいか
P(A) — 事前確率：Aの初期確率
P(B) — 周辺尤度：証拠Bが観察される全確率

基本率の誤謬

確率において最も直感に反する結果の一つが「基本率の誤謬」であり、ベイズの定理はこれを明らかにします。例えば、1%の人に影響を与える病気（P(A) = 0.01）があり、精度99%（P(B|A) = 0.99）、偽陽性率5%（P(B|¬A) = 0.05）の検査があるとします。直感的には、ほとんどの人が「陽性ならほぼ確実に病気だ」と考えます。しかし、ベイズの定理によれば、事後確率はわずか約16.7%に過ぎません。これは、分母となる健康な大きな集団からの偽陽性の数が、小さな罹患者集団からの真陽性の数を上回るためです。

尤度比の理解

尤度比 (LR) は P(B|A) を P(B|¬A) で割ったものです。これは証拠の診断能力を測定します。

LR > 10: 仮説を支持する強い証拠
LR 3–10: 中程度の証拠
LR 1–3: 弱い証拠
LR = 1: 証拠は無関係（信念を変えない）
LR < 1: 仮説に否定的な証拠

ベイズの定理の実世界での応用

医療診断: 検査の感度、特異度、および病気の有病率を考慮して、陽性結果が出た場合にその病気である確率を計算します。
迷惑メールフィルタリング: メールの分類器は、含まれる単語に基づいてメッセージが迷惑メールであるかどうかを判断するためにベイズ確率を使用します。
法的な推論: DNA証拠やその他の法医学的結果が有罪の確率にどのように影響するかを評価します。
機械学習: ナイーブベイズ分類器、ベイズネットワーク、および確率モデルはすべてベイズの定理に依存しています。
気象予報: 気圧、湿度、その他のシグナルに基づいて降水確率を更新します。
品質管理: 検査に不合格だった場合に、製品が欠陥品である確率を判断します。

自然頻度：ベイズを直感的にする

ゲルト・ギゲレンツァーらによる研究では、人間は抽象的な確率よりも「自然頻度」で提示された方が、ベイズ的推論をはるかによく理解できることが示されています。「P(A) = 1%」と言う代わりに、「1,000人中10人がその状態にある」と言い換えることができます。当電卓は両方の表現を提供し、条件付き確率に対する真の直感を養うのに役立ちます。