樹形図とベイズの定理
確率の樹形図を構築し、モンテカルロ法による玉の流れと条件付き確率からベイズの定理を直感的に学べます。
P(Sick | Positive) = P(Positive | Sick) × P(Sick) ÷ P(Positive) = 90% × 1% ÷ 9.8% = 9.2%
Out of 1,000 cases, about 98 match Positive, and 9 of them are Sick: 9 in 98.
Balls fall down the tree, taking each branch with its chance, and pile up at the leaves. In the Tree and Flipped tree views, tap a leaf or a node to condition on that evidence: balls that don't match fade, and the share that remain shows Bayes' rule at work. Tap Start to drop 100 at once, an event in time that Restart and share links leave out. Taps do nothing in the 1,000 cases view.
樹形図とベイズの定理の使い心地はいかがですか?
樹形図とベイズの定理について
- ベイズの規則
- P(A | E) = P(E | A) × P(A) ÷ P(E)
- 初出
- 1763年、Thomas Bayesの遺稿に基づきRichard Priceが発表
- 医療検査プリセット
- 陽性判定時の実際の罹患確率は約9%
- モンティ・ホールプリセット
- ドアを変更した場合の勝率は3分の2
確率の樹形図は、確率的な分岐プロセスを枝分かれ構造で分かりやすく示します。第1段階が「病気の有無」などの原因を表し、それ以降の段階は「検査結果」などの証拠を表し、その枝の確率は上位ノードの条件に依存します。経路に沿って確率を掛け合わせることで、その経路全体が生起する確率が求められます。このツールでは最大3階層の樹形図を構築・編集し、ボールが枝を伝って落ちる様子をシミュレーションできます。各ボールが設定確率に沿って枝を選ぶため、末端に溜まるボールの数は理論確率(横に表示)へと次第に近づいていきます。これはNicholas MetropolisとStanislaw Ulamが1949年に体系化したモンテカルロ法の原理そのものです。
ある証拠で条件付けるということは、その条件に一致するボールだけを抽出することを意味します。末端の葉をタップするかEvidence(証拠)で結果を選択すると、一致しないボールが薄く表示されます。残ったボールのうち目的の原因を持つ割合が事後確率となり、パネル上にはThomas Bayesの遺稿をRichard Priceが1763年に発表したベイズの規則、P(A | E) = P(E | A) × P(A) ÷ P(E) に基づく数式が展開されます。例えばMedical test(医療検査)では、罹患率が100人に1人(1%)で、検査が陽性を捉える精度が90%、偽陽性率が9%のとき、陽性が出ても実際に病気である確率は約9%にとどまります。健康な多数派から生じる偽陽性の実数が患者数を上回るためです。樹形図を反転すると、証拠を起点とした枝の上に事後確率が直接現れます。
Gerd GigerenzerとUlrich Hoffrageが1995年に指摘したように、人間はパーセンテージよりも自然頻度(人数などのカウント)の方が直感的に理解しやすい傾向があります。そのため、1,000 cases(1,000事例)ビューでは、想定される対象者(またはタクシー、ゲーム、メール)をアイコンで描画します(約98人の陽性者のうち、実際に罹患しているのは9人)。Amos TverskyとDaniel Kahnemanのタクシー問題、Steve Selvinが1975年に提示したモンティ・ホール問題、2回連続検査、スパムフィルターなどの例を試し、結果をCSVとして書き出したりシミュレーションを動画保存したりできます。
樹形図とベイズの定理の使い方
- 問題を選ぶ. Medical test(医療検査)、Second test(2回目の検査)、Taxi cab(タクシー問題)、Monty Hall(モンティ・ホール問題)、Spam filter(スパムフィルター)から選ぶか、Tree(樹形図)とChances(確率)で独自に作成します。
- ボールの落下を観察する. Startからボールが落ち、各枝の確率に応じて分岐します。各ビンには理論確率とともに到達したボールの数が表示されます。StartをタップするかDrop 1,000を押すとボールが追加されます。
- 証拠で条件付ける. 葉やノードをタップするか、Evidence(証拠)の下で結果を選択します。一致しないボールがフェードアウトし、数値が代入されたベイズの規則の計算式が表示されます。
- 任意の原因について調べる. Chance of(〜の確率)を使うか第1階層のノードをタップして、モンティ・ホールの「Door 2」のように、事後確率を求めたい原因を選択します。
- 確率を変更する. Chances(確率)のスライダーを動かします。各値は直前の結果を所与とした条件付き確率であり、同じ親ノードから出る枝の合計が100%を維持するように自動調整されます。
- 表示を切り替える. Flipped tree(反転樹形図)では証拠が先に来るため枝の上に事後確率が表示され、1,000 cases(1,000事例)では同じ確率が具体的な人数アイコンとして表示されます。
- Export(書き出し). PNG画像、動画、GIFとして保存できるほか、各葉ノードの到達カウントと理論確率をCSVファイルとして書き出せます。
よくある質問
確率の樹形図とは何ですか?
確率的な試行プロセスを段階的な分岐として表した図です。各枝には直前の経路を前提とした条件付き確率が示され、1つのノードから出る枝の確率の和は常に1(100%)になります。経路全体の確率は経路上にある確率の積となり、ある事象に該当するすべての経路の確率を足し合わせることで、その事象全体の発生確率が求まります。
ベイズの定理とは何ですか?
条件付き確率の前後関係を逆転させる定理で、P(A | E) = P(E | A) × P(A) ÷ P(E) と表されます。ここでP(A)は原因の事前確率、P(E | A)は原因が存在するときにその証拠が得られる尤度、P(E)は証拠全体の発生確率です。樹形図上では、P(E)は証拠Eで終わる全経路の合計確率であり、事後確率P(A | E)はそれらの経路のうち原因Aから始まった経路が占める割合に相当します。
検査で陽性が出ても病気ではないことが多いのはなぜですか?
病気自体の罹患率(事前確率)が非常に低いためです。Medical testの例では有病率は1%です。1,000人中、実際に病気の約10人からは約9人の陽性が出ますが、990人の健康な人からも9%の偽陽性により約89人の陽性が出ます。その結果、陽性者約98人のうち本当に病気なのは9人(約9%)にとどまります。この事前確率の低さを無視してしまう認知バイアスを「基準率の無視」と呼びます。なお、2回連続で陽性が出た場合は確率が約50%まで跳ね上がります。
モンティ・ホール問題はどのような仕組みですか?
プレイヤーがドア1を選んだ後、正解の車を知っている司会者がヤギのいる別のドア(例えばドア3)を開けます。車がドア1にある場合、司会者はドア2と3のどちらも開けられますが、車がドア2にある場合、司会者は必ずドア3を開けなければなりません。したがって、車がドア2にあるときの方がドア3が開けられる確率は2倍高くなります。このためドアを変更すると勝率は3分の2に上がります。Monty Hallプリセットでこの過程を確認できます。
タクシー問題とは何ですか?
TverskyとKahnemanによる問題です。ある街のタクシーの85%が緑、15%が青です。目撃者が事故を起こしたタクシーを「青だった」と証言し、視認テストでの正解率は80%でした。直感的には青の確率が高そうに見えますが、実際には約41%に過ぎません。緑のタクシーの総数が圧倒的に多いため、目撃者が緑を青と誤認する件数が、青を正しく認識する件数を上回ってしまうためです。
モンテカルロシミュレーションは何を示していますか?
数式の背景にある直感的な意味を可視化します。落ちてくるボールの1個1個がランダムな事例を表し、条件に一致したボールの中で原因を持っていたものの割合が、実測による事後確率の推定値となります。ボールの数が増えるにつれて、大数の法則により、推定値は破線で示された理論値へと正確に収束していきます。
参考文献・資料
- Bayes, T., & Price, R. (1763). An essay towards solving a problem in the doctrine of chances. Philosophical Transactions of the Royal Society of London 53, 370–418.
- Gigerenzer, G., & Hoffrage, U. (1995). How to improve Bayesian reasoning without instruction: Frequency formats. Psychological Review 102(4), 684–704.
- Tversky, A., & Kahneman, D. (1982). Evidential impact of base rates. In D. Kahneman, P. Slovic & A. Tversky (Eds.), Judgment under Uncertainty: Heuristics and Biases, 153–160. Cambridge University Press.
- Selvin, S. (1975). A problem in probability (letter to the editor). The American Statistician 29(1), 67.
- Metropolis, N., & Ulam, S. (1949). The Monte Carlo method. Journal of the American Statistical Association 44(247), 335–341.





