ベイズの定理 on kenji.blog

「検査で陽性」＝「病気」とは限らない？：基準値の錯誤

Thu, 10 Sep 2026 21:00:00 +0900

健康診断やがん検診で「陽性（異常あり）」という結果が出たら、誰でもパニックになるでしょう。しかし、統計学と確率の知識があれば、深呼吸をして冷静になることができるかもしれません。なぜなら、「精度の高い検査で陽性になった」からといって「実際に病気である確率が高い」とは限らないからです。

これは**「基準値の錯誤（Base Rate Fallacy）」**または「事前確率の無視」と呼ばれる、人間の直感が確率の計算を大きく見誤る典型的な認知バイアスです。

恐怖の健康診断問題

次のような状況を想像してみてください。

ある町で、1万人に1人（0.01%）が感染している未知の病気があります。この病気を発見するために、**「精度99%」**の優れた検査キットが開発されました。（※精度99%とは、病気の人が検査を受けた場合に99%の確率で正しく「陽性」と判定し、健康な人が受けた場合に99%の確率で正しく「陰性」と判定するという意味です）

あなたがたまたまこの検査を受けたところ、結果は**「陽性」でした。さて、あなたが本当にこの病気に感染している確率**はどれくらいでしょうか？

多くの人は「検査の精度が99%なんだから、自分が病気である確率も99%だろう」と直感的に答えます。しかし、数学的な正解は**「約0.98%（1%未満）」**です。

一体なぜ、99%の精度があるのに、実際の確率は1%未満になってしまうのでしょうか？

ベイズの定理と全体の可視化

この問題を解き明かすカギは、検査の精度だけでなく、**「その病気がもともとどれくらい珍しいのか（基準値・事前確率）」**を考慮することにあります。直感に反するこの現象を、100万人という大きな集団を使って可視化してみましょう。

全体の人数：1,000,000人
実際に病気の人（1万人に1人）：100人
健康な人：999,900人

この100万人全員に「精度99%」の検査を実施します。

1. 実際に病気の人（100人）が検査を受けた場合

精度99%なので、正しく「陽性」と判定されるのは： 100人 × 99% = 99人（真の陽性）

2. 健康な人（999,900人）が検査を受けた場合

精度99%なので、1%の確率で間違って「陽性」と判定されてしまう人（偽陽性）がいます： 999,900人 × 1% = 9,999人（偽の陽性）

graph TD A["全人口 (1,000,000人)"] --> B["病気の人 (100人)"] A --> C["健康な人 (999,900人)"] B -->|99%正解| B1["真の陽性 (99人)"] B -->|1%失敗| B2["偽の陰性 (1人)"] C -->|99%正解| C1["真の陰性 (989,901人)"] C -->|1%失敗| C2["偽の陽性 (9,999人)"] B1 -.-> D{"『陽性』と言われた人の総数: 10,098人"} C2 -.-> D style A fill:#ECEFF1,stroke:#333 style B fill:#FFCDD2,stroke:#333 style C fill:#C8E6C9,stroke:#333 style B1 fill:#F44336,stroke:#333,color:#fff style C2 fill:#FF9800,stroke:#333,color:#fff style D fill:#FFF9C4,stroke:#333,stroke-width:2px

あなたが病気である本当の確率

さて、あなたは医者から「陽性です」と告げられました。これは、あなたが図の右下にある「『陽性』と言われた人の総数（10,098人）」のグループに入ったことを意味します。

このグループの中で、**「本当に病気の人（真の陽性）」**の割合はどれくらいでしょうか？

$$ \text{本当に病気である確率} = \frac{\text{真の陽性}}{\text{陽性と言われた全員}} = \frac{99}{99 + 9,999} = \frac{99}{10,098} \approx 0.0098 $$

計算結果は**約0.98%**です。「陽性」と言われたにもかかわらず、あなたが健康である確率（偽陽性）の方が圧倒的に高い（約99%）のです。

なぜ直感は間違えるのか？

この現象は、条件付き確率を求める**「ベイズの定理」**によって数学的に説明されますが、人間の脳はこの計算が非常に苦手です。

私たちが間違いを犯す理由は、目先で提供された個別で強烈な情報（「あなたの検査結果は陽性！精度は99%！」）に気を取られ、背景にある膨大で退屈な統計データ（「そもそもこの病気にかかっている人は1万人に1人しかいない（基準値）」）を無視してしまうからです。

「病気の希少性（0.01%）」が、「検査の不正確さ（1%）」よりもはるかに極端であるため、わずかな検査のミスが、本来の病人の数をあっという間に飲み込んでしまうのです。

社会に潜む「基準値の錯誤」

この錯覚は、医療だけでなく様々な場面でパニックや誤った判断を引き起こします。

顔認証システムとテロリスト：精度99.9%の顔認証カメラが空港で「テロリスト」を見つけたとしても、テロリストの基本確率が極めて低いため、捕まるのはほとんどが顔の似た無実の一般人（偽陽性）になります。
交通事故と高齢者ドライバー：「事故を起こした車の〇〇%が高齢者だった」というニュースを見て危険だと感じても、「そもそも道路を走っている全ドライバーのうち、高齢者が占める割合（基準値）」を考慮しなければ、特定の年齢層が本当に事故を起こしやすいかは分かりません。

「基準値の錯誤」は、ショッキングな数字や個別事例を見たときこそ、**「そもそも全体の中で、それはどれくらい起きやすいことなのか（基準値）」**に立ち返るという、統計的思考の重要性を私たちに教えてくれます。

眠れる森の美女問題：コインの確率は 1/2 か 1/3 か？確率論を分断する難問

Thu, 10 Sep 2026 09:00:00 +0900

1. 奇妙な実験のルール

あなた（眠れる森の美女）は、とある科学実験の被験者として選ばれました。実験は日曜日から水曜日まで行われます。日曜日の夜、あなたは睡眠薬を飲まされて眠りにつきます。

あなたが眠った後、実験者は1枚のフェアなコイン（表と裏が出る確率が完全に1/2のコイン）を投げます。そして、その結果に応じて、あなたを次のようなスケジュールで目覚めさせます。

【コイントスの結果が「表」だった場合】

月曜日に一度だけ起こされ、質問をされます。その後、再び眠らされ、実験終了（水曜日）まで目覚めることはありません。

【コイントスの結果が「裏」だった場合】

月曜日に起こされ、質問をされます。その後、特殊な薬（記憶を消す薬）を飲まされて再び眠りにつきます。
火曜日にもう一度起こされ、同じ質問をされます。その後、再び眠らされ、実験終了（水曜日）となります。

※記憶を消す薬の効果により、あなたは目覚めたとき「今日が何曜日か」「過去に起こされたことがあるか」を一切思い出すことができません。

graph TD Sunday["日曜日：美女が眠る"] --> Toss{"コイントス"} Toss -->|表 (1/2)| Mon_Heads["月曜日：目覚める＋質問
（その後実験終了）"] Toss -->|裏 (1/2)| Mon_Tails["月曜日：目覚める＋質問
（その後記憶消去）"] Mon_Tails --> Tue_Tails["火曜日：目覚める＋質問
（その後実験終了）"] style Toss fill:#ff9999,stroke:#333 style Mon_Heads fill:#aaffaa,stroke:#333 style Mon_Tails fill:#aaffaa,stroke:#333 style Tue_Tails fill:#aaffaa,stroke:#333

さて、月曜日（または火曜日）、あなたは目覚めました。部屋には時計もカレンダーもなく、今日が何曜日かはわかりません。

そこに実験者がやってきて、あなたにこう質問します。 「あなたが今目覚めている状態において、投げられたコインが『表』だった確率はいくつだと思いますか？」

あなたは数学に詳しい美女です。さて、どう答えますか？

2. 激突する2つの派閥：1/2か、1/3か

この問題は1990年代に考案され、2000年に哲学者アダム・エルガによって学術誌に発表されました。コインの確率は自明なように思えますが、実はこの問題をめぐって、世界中の数学者・統計学者・哲学者が**「1/2派（ハーフファー）」と「1/3派（サーダー）」**の2つの陣営に真っ二つに割れ、現在に至るまで激しい論争を繰り広げています。

それぞれの陣営の「完璧な論理」を聞いてみましょう。

「1/2派（ハーフファー）」の主張

「コインはイカサマのないフェアなコインなんだから、表が出る確率は当然 1/2 だ。実験者が私が眠った後に何回私を起こそうが、記憶を消そうが、それはコインの物理的な結果には一切影響を与えない。コインを投げた時点での確率は 1/2 であり、私が目覚めたことで新しい情報（表か裏かを推測するヒント）は何も得られていない。したがって、確率は 1/2 のままである。」

これは、客観的な物理現象と情報の非更新性を重視する、非常に真っ当な意見です。

「1/3派（サーダー）」の主張

「あなたが『目覚めている』という事実そのものが、確率を変える情報なんだ。もしこの実験を100回（100週間）繰り返したとしよう。コインは50回『表』になり、50回『裏』になるはずだ。

表が出た50週は、月曜日に1回だけ目覚める $\rightarrow$ 『表』で目覚める回数は 50回

裏が出た50週は、月曜日と火曜日の2回目覚める $\rightarrow$ 『裏』で目覚める回数は 100回

つまり、あなたが目覚めた瞬間のシチュエーションは、全体で150回あるうち、『表で目覚めたパターン』が50回、『裏で目覚めたパターン』が100回なんだ。だから、今自分が経験している目覚めが『表』である確率は、50 / 150 ＝ 1/3 だ！」

こちらは、「自分が今存在（観測）している」という状況そのものを確率空間の要素として計算に組み込む、「頻度主義」や「人間原理」に基づいた強力な意見です。

3. ベイズの定理で計算してみる

数学的に確率を更新するためのツール「ベイズの定理」を使って、この問題を解き明かそうとする試みもあります。「1/3派」の論理を、条件付き確率の観点から整理してみましょう。

目覚めたときの状態は、次の3つのうちどれかです。

$E_1$：コインが「表」で、今は「月曜日」
$E_2$：コインが「裏」で、今は「月曜日」
$E_3$：コインが「裏」で、今は「火曜日」

「表」が出る確率は $1/2$、「裏」が出る確率は $1/2$ です。しかし、裏の場合は「月曜」と「火曜」が完全に対称（記憶がないので区別できない）であるため、$E_2$ と $E_3$ の起こりやすさは等しいと考えられます。

全体の確率の和は $1$ にならなければならないため、それぞれの目覚めを独立した「事象（観測ポイント）」として等確率で割り当てると、 $P(E_1) = 1/3$ $P(E_2) = 1/3$ $P(E_3) = 1/3$ となります。したがって、「表だった確率（$P(E_1)$）」は $1/3$ になる、という結論です。

一方「1/2派」は、そもそも「コインが裏のときの月曜と火曜（$E_2$と$E_3$）は、同じ1つのコインの結果から派生しただけの従属事象であり、独立した確率として数え上げるのは間違っている」と反論します。

4. なぜこの問題は解決しないのか？

「眠れる森の美女問題」がこれほどまでに学者たちを悩ませている理由は、単なる計算のミスや錯覚によるものではありません。この問題は、確率論の最も深い根本的な疑問、すなわち**「確率とは一体何なのか？」**という哲学的な問いに触れているからです。

1/2派にとって、確率は「コインの物理的な性質」や「客観的な事実」です。
1/3派にとって、確率は「観測者（美女）の信念の度合い」や「観測される頻度」です。

量子力学における「観測問題」や、宇宙論における「人間原理（私たちが存在しているという事実から宇宙の確率を逆算する考え方）」にも通じる深淵なテーマが、このシンプルなコイントスの実験に凝縮されているのです。

5. まとめ

もしあなたがこの実験の被験者になったら、目覚めたときに「1/2」と答えますか？それとも「1/3」と答えますか？

どちらを答えても、世界トップクラスの数学者があなたの背後について擁護してくれるでしょう。一見単純に見える数学の定義が、いかに人間の「主観」や「存在」という厄介な概念と結びついた途端に崩れ去ってしまうか。パラドックスは今日も、私たちの常識を揺さぶり続けています。

モンティ・ホール問題：直感を裏切る確率論の罠とベイズ推定による完全解明

Thu, 10 Sep 2026 00:00:00 +0900

1. 舞台はテレビのクイズ番組：あなたならどうする？

1990年、アメリカのニュース雑誌『Parade』のコラム「Ask Marilyn（マリリンに聞いてみよう）」に、ある読者から次のような質問が寄せられました。

あなたはテレビのゲーム番組の参加者です。目の前に 3つのドア (A, B, C) があります。 1つのドアの後ろには**新車（アタリ）が、残り2つのドアの後ろにはヤギ（ハズレ）**がいます。

あなたはまず、ドアA を選びました。

すると、どのドアに新車があるかを知っている司会者のモンティ・ホールが、残りのドアのうちヤギがいるドアB を開けました。

モンティはあなたにこう言います。「今ならドアCに変更してもいいですよ。どうしますか？」

果たして、あなたはドアを変更するべきでしょうか？

直感的には「残ったドアはAとCの2つ。新車がどちらにあるかは完全にランダムなのだから、当たる確率はどちらも $\frac{1}{2}$（50%）。だから変更しても変更しなくても同じ」と思えます。

しかし、コラムニストのマリリン・ボスサバント（ギネスブックで最も高いIQを持つと認定された人物）は、「変更すべきです。変更すれば当たる確率は2倍になります」 と回答しました。

この回答は全米にセンセーションを巻き起こし、約1万通もの抗議の手紙（そのうち約1000通は数学の博士号を持つ学者から）が殺到しました。「あなたは確率の基本を理解していない」「女性の論理だ」といった辛辣な批判の嵐です。しかし、結論から言えば、マリリンの回答は数学的に完全に正しかったのです。

2. 直感と数学のズレ：Mermaidで見る確率の分岐

なぜ私たちの直感は「$\frac{1}{2}$」だと錯覚してしまうのでしょうか？まずは、ゲームのすべてのパターンを可視化してみましょう。

graph TD Start["ゲーム開始"] --> CarA["新車はドアA (確率1/3)"] Start --> CarB["新車はドアB (確率1/3)"] Start --> CarC["新車はドアC (確率1/3)"] CarA --> PickA1["あなたがドアAを選ぶ"] CarB --> PickA2["あなたがドアAを選ぶ"] CarC --> PickA3["あなたがドアAを選ぶ"] PickA1 --> HostB_or_C["司会者はBかCを開ける"] PickA2 --> HostC["司会者は必ずCを開ける"] PickA3 --> HostB["司会者は必ずBを開ける"] HostB_or_C --> Stay1["変更しない: アタリ!"] HostB_or_C --> Switch1["変更する: ハズレ..."] HostC --> Stay2["変更しない: ハズレ..."] HostC --> Switch2["変更する: アタリ!"] HostB --> Stay3["変更しない: ハズレ..."] HostB --> Switch3["変更する: アタリ!"] style Switch2 fill:#bbf,stroke:#333,stroke-width:2px style Switch3 fill:#bbf,stroke:#333,stroke-width:2px style Stay1 fill:#f99,stroke:#333,stroke-width:2px

あなたが「ドアA」を選んだと仮定した場合、以下の3つのシナリオが等確率（$\frac{1}{3}$）で発生します。

シナリオ1（新車がA）： 司会者はヤギがいるBかCを開ける。ドアを変更するとハズレ。
シナリオ2（新車がB）： 司会者はヤギがいるCしか開けられない。ドアを変更するとアタリ。
シナリオ3（新車がC）： 司会者はヤギがいるBしか開けられない。ドアを変更するとアタリ。

つまり、3回のうち2回（シナリオ2と3）は**「ドアを変更すれば必ず当たる」状態になっているのです。したがって、ドアを変更した場合の勝率は $\frac{2}{3}$ となり、変更しなかった場合の勝率 $\frac{1}{3}$ の2倍**になります。

3. ベイズの定理による厳密な証明

数学的にこの問題を厳密に解くためには、条件付き確率を計算する「ベイズの定理」を用います。

$$ P(H|E) = \frac{P(E|H) P(H)}{P(E)} $$

ここで、事象を次のように定義します。

$C_A, C_B, C_C$ : それぞれドアA, B, Cに新車がある事象。事前確率は $P(C_A) = P(C_B) = P(C_C) = \frac{1}{3}$
あなたは最初にドアAを選んだとします。
$M_B$ : 司会者がヤギのいるドアBを開ける事象。

私たちが求めたいのは、「司会者がドアBを開けたという条件のもとで、ドアCに新車がある確率」すなわち事後確率 $P(C_C|M_B)$ です。

まず、新車がどこにあるかによって、司会者がドアBを開ける確率 $P(M_B|C_X)$ を考えます。

新車がドアAにある場合 ($C_A$) 司会者はBかCをランダムに開けることができます。
$$ P(M_B|C_A) = \frac{1}{2} $$
新車がドアBにある場合 ($C_B$) 司会者は新車のあるドアを開けられないため、Bを開ける確率はゼロです。
$$ P(M_B|C_B) = 0 $$
新車がドアCにある場合 ($C_C$) 司会者はA（あなたが選んだ）とC（新車がある）を開けられないため、必然的にBを開けるしかありません。
$$ P(M_B|C_C) = 1 $$

次に、司会者がドアBを開ける全確率 $P(M_B)$ を「全確率の定理」から求めます。

$$ P(M_B) = P(M_B|C_A)P(C_A) + P(M_B|C_B)P(C_B) + P(M_B|C_C)P(C_C) $$ $$ P(M_B) = \left(\frac{1}{2} \times \frac{1}{3}\right) + \left(0 \times \frac{1}{3}\right) + \left(1 \times \frac{1}{3}\right) = \frac{1}{6} + 0 + \frac{1}{3} = \frac{1}{2} $$

いよいよベイズの定理を適用して、ドアAとドアCの事後確率を計算します。

ドアA（変更しない場合）に新車がある確率：

$$ P(C_A|M_B) = \frac{P(M_B|C_A) P(C_A)}{P(M_B)} = \frac{\frac{1}{2} \times \frac{1}{3}}{\frac{1}{2}} = \frac{1}{3} $$

ドアC（変更する場合）に新車がある確率：

$$ P(C_C|M_B) = \frac{P(M_B|C_C) P(C_C)}{P(M_B)} = \frac{1 \times \frac{1}{3}}{\frac{1}{2}} = \frac{2}{3} $$

数式による証明でも、**「ドアを変更した方が当たる確率が2倍（2/3）になる」**ことが明確に示されました。

4. 認知バイアス：「条件付け」という情報の価値

なぜ多くの天才数学者たちでさえ、この問題を直感的に間違えてしまったのでしょうか。そこには人間の脳に組み込まれた「等確率バイアス」と「情報のアップデートの失敗」があります。

4.1. 等確率バイアス (Equiprobability Bias)

人間は、未知の選択肢が与えられたとき、「残った選択肢の確率は常に均等である」と無意識に割り当ててしまう性質があります。ドアが2つ残っているのを見た瞬間、脳は自動的に「$50\%$ : $50\%$」とラベリングしてしまうのです。

4.2. 司会者の「意図」という情報

直感が間違う最大の理由は、司会者の行動がランダムではないことを見落とす点にあります。もし、司会者が「新車がどこにあるか知らずに、ランダムにドアを開けたら、たまたまヤギだった」というルール（モンティ・フォール問題と呼ばれます）であれば、ドアAとドアCの確率はどちらも $\frac{1}{2}$ になります。

しかし実際のモンティ・ホール問題では、司会者は以下の厳しい制約を受けて行動しています。

参加者が選んだドアは開けられない。
新車がいるドアは開けられない。

この制約により、司会者が「ドアBを開けた」という行為自体が、ドアCに関する巨大な情報を私たちに与えているのです。「私はドアCを開けられなかった（なぜならそこに新車があるからだ）」という無言のメッセージが込められているわけです。

5. 極端な例で直感を矯正する

まだ納得できない場合は、ドアの数を 100万枚 に増やしてみましょう。

あなたは 100万枚のドアの中から、ドア1 を選びました。（当たる確率は $\frac{1}{1,000,000}$）
全てを知っている司会者が、残りの99万9999枚のドアのうち、ヤギがいる 99万9998枚のドアを全て開けて しまいました。
閉まっているのは、あなたが選んだ「ドア1」と、司会者がわざと残した「ドア777,777」だけです。

さて、変更しますか？この場合、あなたが最初に「100万分の1」の奇跡を引き当てていたと信じるなら、変更すべきではありません。しかし、現実的には**「司会者が絶対に開けられなかったたった1つのドア」**に新車がある確率が $\frac{999,999}{1,000,000}$ であることは直感的に理解できるでしょう。

モンティ・ホール問題（3枚のドア）は、単にこの「100万枚のドア」のスケールを小さくしただけの現象なのです。

pie title "ドア変更の効果（100回シミュレーション）" "変更してアタリ (約66.7%)" : 67 "変更せずアタリ (約33.3%)" : 33

6. まとめ：確率論が教えるビジネスと人生の教訓

モンティ・ホール問題は、単なるクイズの枠を超えて、私たちに重要な教訓を教えてくれます。

直感はしばしば間違える：人間の脳は、複雑な条件付き確率を直感的に処理するようには進化していません。重要な意思決定において、直感だけで判断するのは危険です。
新しい情報で確率を更新する（ベイズ更新）：状況が変化し、新しい情報（司会者がどのドアを開けたか等）がもたらされたとき、既存の考えに固執せず、確率や戦略を柔軟にアップデートできるかどうかが成功の鍵となります。

「ドアを変更する」という小さな決断が、あなたの人生の「新車」を手に入れる確率を2倍にするかもしれません。