ベイズの定理
ベイズの定理を計算します。P(A|B) = P(B|A) × P(A) / P(B)
- 1. 入力条件を入れる
- 2. 計算ボタンを押す
- 3. 結果がすぐ表示
次回このツールを開くと、前回の入力で再計算 / 比較できます。アカウント登録不要・端末内のみに保存。
この計算ツールは役に立ちましたか？
評価はこの端末にだけ保存されます。送信は不要です。改善のヒントとして編集部が活用します。
このツールについて
ベイズの定理計算ツールは、ある事象が発生したという新しい情報が得られた際、特定の仮説が真である確率（事後確率）を更新するのに役立ちます。例えば、ある病気の罹患率が1%で、検査の感度が90%、偽陽性率が5%だとします。もし検査で陽性と出た場合、本当に病気である確率はわずか16.1%に過ぎません。このツールは、このような直感に反する確率を正確に算出し、医療診断、スパムメールフィルタリング、ビジネス戦略など多岐にわたる意思決定をサポートします。
計算の仕組み
このツールは、事前確率P(A)、条件付き確率P(B|A)、およびP(B|¬A)（Aが偽である場合にBが観測される確率）を入力として受け取ります。まず、全確率の法則P(B) = P(B|A) × P(A) + P(B|¬A) × (1 - P(A))を用いて、事象Bが起こる確率を算出します。次に、ベイズの定理P(A|B) = P(B|A) × P(A) / P(B)を適用し、事象Bが観測されたという条件下で仮説Aが真である確率（事後確率）P(A|B)を計算します。これにより、入力された確率値がそれぞれ"priorPercent"、"likelihoodPercent"、"marginalPercent"、"posteriorPercent"としてパーセンテージで出力されます。
使用例
医療診断の精度評価
ある疾患の検査で陽性反応が出た時、実際にその疾患である確率を計算します。
- pA: 0.01
- pBgivenA: 0.95
- pBgivenNotA: 0.05
疾患の罹患率が1%、検査感度95%、偽陽性率5%の場合、陽性と出ても実際に疾患である確率は約16.1%です。これは、偽陽性の影響が大きいため、検査結果のみで判断することの危険性を示唆しています。
スパムメールの自動判別
特定のキーワードを含むメールがスパムである確率を評価します。
- pA: 0.5
- pBgivenA: 0.8
- pBgivenNotA: 0.1
もし受信メールの半分がスパムで、スパムメールの80%が特定のキーワードを含み、非スパムメールの10%がそのキーワードを含む場合、そのキーワードを含むメールがスパムである確率は約88.89%になります。この確率に基づき、メールフィルタリングの精度を向上させることができます。
新商品成功の市場予測
初期テストで高評価を得た新商品が、市場で成功する確率を予測します。
- pA: 0.3
- pBgivenA: 0.7
- pBgivenNotA: 0.2
新商品が成功する事前確率30%、成功した商品が高評価を得る確率70%、失敗した商品が高評価を得る確率20%の場合、初期テストで高評価を得た商品が市場で成功する確率は約56.76%です。これは、初期のポジティブな兆候が必ずしも高い成功率を保証しないことを示します。
計算方法の解説
ベイズの定理
事前確率と尤度から事後確率を計算します。P(A|B) = P(B|A) × P(A) / P(B)