「雨が降っている日に、電車が遅れる確率」のように、私たちは日常的に「何かが起きたという前提」で確率を考えています。この考え方を数学的に整理したものが条件付き確率です。ベイズの定理や迷惑メールフィルタなど、AIの根幹を支える確率の考え方を、トランプと病気検査の例でやさしく解説します。
📖 ひと言でいうと
条件付き確率とは、「ある事象Aが起きた」という条件のもとで、別の事象Bが起きる確率のことです。記号ではP(B|A)と書き、「Aが起きたときのBの確率」と読みます。
天気予報にたとえると、「明日雨が降る確率30%」が普通の確率だとすれば、「台風が接近しているという条件のもとで明日雨が降る確率90%」が条件付き確率です。手に入った情報(条件)を反映すると、同じ事象でも確率の値が変わる——これが条件付き確率の本質です。
🖼 1枚でわかる条件付き確率
📘 公式テキストの説明
条件付き確率とは、ある事象が起きたという条件の下で、別の事象が起きる確率のことです。具体的には、事象Aが起きたときに、事象Bがどのくらいの確率で起こるかを示すものです。一般的な確率は「どのくらいの確率で事象が起きるか」を考えますが、条件付き確率では、「既に何かが起きている」という状況を踏まえた上での確率を計算します。例えば、トランプの山札からカードを1枚引くという場面を考えましょう。最初にスペードのカードを引いたとします。その後、2枚目に引くカードがハートである確率を求めるのが条件付き確率の典型例です。1枚目の結果（スペードを引いたという事実）が既に決まっているので、その情報を元に2枚目の確率を考えることになります。
このトランプの例を実際に計算してみましょう。52枚の山札から何も情報がない状態でハートを引く確率は13/52 = 25%です。しかし「1枚目にスペードを引いた」ことが分かると、残りは51枚で、ハートは13枚のまま残っています。したがって条件付き確率は13/51 ≒ 25.5%となり、条件を反映したぶんだけ確率がわずかに変わります。「すでに起きたこと」を計算に取り込む——これが条件付き確率の役割です。
🔍 しっかり理解する
「考える範囲が縮む」イメージ
条件付き確率の計算式は次のとおりです。
P(B|A) = P(A∩B) ÷ P(A)
ここでP(A∩B)は「AとBが両方起きる確率」です。式の意味は「全体のうちAが起きる部分だけを新しい世界(分母)とみなし、その中でBも起きている割合を測る」ということです。条件がつくと、考える対象が全体からAの範囲へと縮むわけです。
独立な事象では条件が意味を持たない
サイコロを2回振るとき、「1回目に6が出た」という条件は2回目の目に影響しません。このようにP(B|A) = P(B)が成り立つとき、AとBは独立であるといいます。逆にトランプを戻さずに引く場合は、1枚目の結果が2枚目の確率を変えるので独立ではありません。「条件が確率を変えるかどうか」が独立かどうかの判定基準になる、と整理しておきましょう。
ベイズの定理への橋渡し
条件付き確率の定義式を変形すると、P(A|B)とP(B|A)を相互に変換できるベイズの定理が導かれます。「原因から結果の確率」しか分からないときに「結果から原因の確率」を逆算できるのがベイズの定理で、迷惑メールフィルタ(単語の出現からスパムである確率を計算するナイーブベイズ)や医療診断など、AI・機械学習の広い場面で使われています。条件付き確率はその出発点となる概念です。
なお、定義式の分母にP(A)が来ることから分かるように、条件付き確率が定義できるのはP(A)が0でない場合、つまり「条件Aが実際に起こりうる」場合に限られます。起こりえない前提の下での確率は考えられない、と押さえておきましょう。
💡 具体例で考える
病気の検査は条件付き確率の代表例です。人口の1%がかかる病気があり、検査は病気の人の90%を正しく陽性と判定し、健康な人の5%を誤って陽性と判定するとします。1万人を検査すると、病気の人100人のうち90人が陽性、健康な9,900人のうち495人が誤って陽性となります。陽性者は合計585人なので、「陽性だった」という条件のもとで本当に病気である確率P(病気|陽性)は90 ÷ 585 ≒ 15.4%にすぎません。「検査精度90%だから陽性なら9割病気」という直感は、条件付き確率を正しく計算すると覆るのです。
言語モデルも条件付き確率のかたまりです。ChatGPTのような大規模言語モデルは、「ここまでの文章が与えられたという条件のもとで、次に来る単語の確率」を計算して文章を生成しています。「今日はいい」の次に「天気」が来る条件付き確率が高い、といった具合です。
⚠️ よくある誤解・紛らわしい用語
- P(B|A)とP(A|B)の取り違え — 「陽性のとき病気の確率」と「病気のとき陽性になる確率」はまったく別物です。上の例では前者が約15.4%、後者が90%でした。試験でも実務でも最も多い混同です。
- 同時確率との混同 — P(A∩B)は「両方起きる確率」で全体を分母にとり、P(B|A)は「Aが起きた世界」を分母にとります。分母が違うため値も異なります。
- 条件付き確率と因果関係 — P(B|A)が高くても「AがBの原因」とは限りません。確率の偏りを示すだけで、因果の向きは別の検討が必要です。
- 独立の意味 — 「独立 = 無関係に起こる」であり、「同時に起こらない(排反)」とは別概念です。排反な2事象は片方が起きればもう片方は起きないので、むしろ強く関係しています。
📝 試験でのポイント
- 「ある事象が起きたという条件の下で別の事象が起きる確率」という定義文から用語を選ぶ問題が基本形です。
- トランプやサイコロの簡単な計算問題が想定されます。「戻さずに引く(条件が効く)」か「独立(条件が効かない)」かをまず判定しましょう。
- ベイズの定理・ナイーブベイズと絡めて「事前確率を条件(データ)で更新する」文脈で登場することがあります。
- P(A|B)とP(B|A)を入れ替えた誤答選択肢に注意。「|の右側が条件(前提)」と覚えておくと確実です。
📚 まとめ
- 条件付き確率P(B|A)は「Aが起きた」という前提のもとでBが起きる確率。
- 計算はP(A∩B) ÷ P(A)。条件によって考える範囲がAの中に縮むイメージ。
- 条件が確率を変えないとき、2つの事象は独立。
- ベイズの定理・迷惑メールフィルタ・言語モデルなど、AIの確率的な仕組みの土台となる概念です。
