BAYESIAN INFERENCE
ベイズ推定
観測データが増えるたびに事後分布が更新される確率的推論の基本フレームワーク
解説
📌
ベイズ推定とはベイズ推定を一言でいうと、「自分の予想」を「実際のデータ」で修正していく方法です。
たとえば、友達から渡されたコインがあるとします。最初は「普通のコインだから、表が出る確率は半々（50%）くらいだろう」と予想しますよね。 これが事前分布（データを見る前の予想）です。
実際にコインを10回投げたら、7回も表が出ました。すると「あれ、このコイン、ちょっと表が出やすいかも？」と予想を修正しますよね。 この「予想の修正」を数学的に正確にやるのがベイズ推定です。 修正後の予想を事後分布と呼びます。
しかも、ベイズ推定が返すのは「p = 0.7」のような一つの数字ではなく、「p は 0.55〜0.82 あたりにありそう」という確率の分布です。 つまり「どのくらい自信があるか」まで分かります。上のグラフで、データを増やすほど分布が鋭くなる（自信が増す）様子を確認してみてください。
ベイズの定理（数式）：P(仮説 | データ) ∝ P(データ | 仮説) × P(仮説)日本語にすると：「データを見た後の予想」は「そのデータが出る確率」と「最初の予想」の掛け算で決まる
✅
ベイズ推定の特徴- 🎯経験や知識を「予想」として組み込める：これがベイズ推定の最大の強みです。たとえば医師が「この病気の発症率は約1%」という知識を持っていれば、それを事前分布として設定できます。データだけに頼らず、専門知識と組み合わせることで、少ないデータでもより正確な推定ができます。
- 📊「どのくらい自信があるか」まで分かる：普通の統計では「p = 0.7」のように一つの数字だけを返します。ベイズ推定は「p は 0.55〜0.82 のあたりにありそう（95%の確率で）」というように、推定の不確かさ（自信の度合い）まで教えてくれます。
- 🔄データが増えるたびに予想を更新できる：新しいデータが来るたびに、前回の結果に追加で更新できます（逐次更新）。全データを最初から計算し直す必要がありません。上のツールで「コインを投げる」ボタンを押すと、1回ごとに分布が変わっていく様子を体験できます。
- 🔢データが多いほど、事前の予想に関係なく正しい答えに近づく：最初の予想が多少間違っていても、データを十分に集めれば事後分布は真の値に収束します。上のツールでα・βを極端な値にしてから、観測データをたくさん追加してみてください。
🗺️
どんな場面で使われているか📧 スパムフィルター
Gmailなどのメールサービスで使われています。「この単語が含まれるメールがスパムである確率」を、届くメールごとに更新して精度を上げていきます。
🏥 医療診断
検査結果が陽性だったとき、「本当にその病気である確率」を計算します。事前の発症率（例: 0.1%）を考慮することで、偽陽性に惑わされない判断ができます。
🎮 A/Bテスト
Webサイトの「ボタンの色を変えたらクリック率は上がるか？」をベイズ的に評価します。少ないデータでも途中経過が分かるため、早めに判断できます。
🔍 検索エンジン
ユーザーの検索意図を推定するのにベイズ推定が使われています。過去の検索履歴（事前知識）と入力キーワード（データ）を組み合わせます。
📖
用語解説事前分布（Prior）
＝ 最初の予想
＝ 最初の予想
データを見る前の段階で「成功確率 p はこれくらいだろう」と予想したもの。 グラフのグレーの破線がこれです。 上のスライダーで α・β を変えると形が変わります。α=β=2 なら「半々くらいかな」という予想、α=10, β=2 なら「成功しやすいはず」という予想になります。
尤度（Likelihood）
＝ データの証拠力
＝ データの証拠力
「もし成功確率が p だとしたら、今回の結果（例: 10回中7回成功）が起きる確率はどれくらいか？」を計算したもの。 データが多いほど証拠が強くなり、事前の予想よりデータの方が影響力を持つようになります。
事後分布（Posterior）
＝ 更新された予想
＝ 更新された予想
事前分布（最初の予想）をデータで更新した結果。グラフの紫の実線がこれです。 データが増えるほど分布が鋭くなり、「この辺りが正解だろう」という自信が強くなっていきます。 上のツールでデータを追加して、破線（予想）→ 実線（更新後）の変化を観察してみてください。
MAP推定値
＝ 最も確率が高い値
＝ 最も確率が高い値
事後分布の中で一番山が高い点の値です。「最もありそうな成功確率はいくつか？」の答えにあたります。 グラフの赤い破線がMAP推定値の位置を示しています。
具体例：α=10, β=10（「半々くらいだろう」という強めの予想）で、コインを10回投げて表6・裏4だった場合、MAP ≈ 0.54 になります。 データだけ見れば 6/10 = 0.6 ですが、事前の予想（0.5）に引っ張られて 0.5 と 0.6 の間になります。 これがベイズ推定の特徴で、事前の知識とデータの折衷で答えが決まります。 事前の予想が強いほど（α・βが大きいほど）データに流されにくく、データが多いほど事前の予想より観測結果が優先されます。
95%信用区間
＝ 自信のある範囲
＝ 自信のある範囲
「成功確率 p がこの範囲に収まる確率が95%」という区間です。 グラフの紫の塗りつぶし部分がこれにあたります。 データが増えるほどこの範囲が狭くなり、推定の精度が上がっていることが分かります。
p（成功確率）
＝ 推定したい値
＝ 推定したい値
コイン投げでいうと「表が出る確率」のことです。この p の値を推定するのがベイズ推定の目的です。 p は 0〜1 の範囲をとり、0.5 なら「表と裏が半々」、0.7 なら「10回中7回くらい表が出る」ことを意味します。 サンプルデータの「p=0.7」は、データ生成に使った真の成功確率です。
n（試行回数）
＝ データの数
＝ データの数
コインを何回投げたかの回数です。n が大きいほどデータが多くなり、推定の精度が上がります。 サンプルデータの「n=20」は、コインを20回投げたデータを生成するという意味です。 一般に n が増えると事後分布が鋭くなり、信用区間が狭くなっていきます。
確率密度（Probability Density）
＝ グラフの縦軸
＝ グラフの縦軸
グラフの縦軸は「確率そのもの」ではなく、その付近にどれくらい確率が集中しているかを表しています。 山が高いほど「成功確率 p がその値である可能性が高い」という意味です。 確率密度は面積で確率を表すため、値が1を超えることもありますが正常です（例: α=10, β=10 だと山の頂点は約3になります）。 データが増えて分布が鋭くなると、山が高く（確率密度が大きく）なっていきます。
🪜
ベイズ更新の手順コイン投げを例に、ベイズ推定がどう動くかを4ステップで見てみましょう。
1
最初の予想を決める（事前分布）
まず「このコインの表が出る確率はどれくらいだろう？」と予想します。 何も情報がなければ「どの確率もありえる」（α=1, β=1：平らなグラフ）、 「普通のコインだろう」と思えば「半々くらい」（α=2, β=2：真ん中が山になるグラフ）にします。
2
実際にデータを集める
コインを実際に投げてみます。例えば10回投げて、表が6回・裏が4回だったとします。 上のツールの「コインを投げる」ボタンを押すと、1回ずつ投げた結果が追加されます。
3
予想をデータで更新する（事後分布）
事前分布のα・βは「事前に想定した成功・失敗の回数＋1」でした（用語解説参照）。 ここに実際に観測した回数を足すだけで、予想が更新されます。
事後α = 事前α + 表の回数 ／ 事後β = 事前β + 裏の回数
例：最初の予想が α=2, β=2（半々くらい）で、10回投げて表6回・裏4回なら → 事後α=8, 事後β=6。 グラフでは破線（予想）→ 実線（更新後）に変わる様子が見えます。
事後α = 事前α + 表の回数 ／ 事後β = 事前β + 裏の回数
例：最初の予想が α=2, β=2（半々くらい）で、10回投げて表6回・裏4回なら → 事後α=8, 事後β=6。 グラフでは破線（予想）→ 実線（更新後）に変わる様子が見えます。
4
結果を読み取る・さらに更新を続ける
事後α=8, 事後β=6 の場合、MAP ≈ 0.58 になります。データだけなら 6/10 = 0.6 ですが、事前の予想「半々くらい」（α=2, β=2）に引っ張られて 0.58 に落ち着きます。 これが事前の知識とデータの折衷です。 さらにデータが増えたら、今の事後分布を新しい事前分布として同じ手順を繰り返せます。これが逐次更新です。
🏥
具体例で理解する：医療検査とベイズの定理ベイズ推定の威力がよく分かる有名な例を紹介します。これは統計学の教科書で必ず登場する問題です。
問題
ある病気は1,000人に1人がかかります（発症率 0.1%）。 この病気を検出する検査があり、感度99%（病気の人を正しく「陽性」と判定できる確率）、特異度99%（健康な人を正しく「陰性」と判定できる確率）です。 あなたが検査を受けて「陽性」と出ました。本当に病気である確率は？
1
事前確率（検査前の予想）
何も情報がない段階では、あなたが病気である確率は発症率と同じ 0.1%（1/1,000）です。
2
データ（検査結果＝陽性）で更新
1,000人が検査を受けると：病気の1人はほぼ確実に陽性（感度99%）。 健康な999人のうち約10人が誤って陽性（偽陽性、特異度99%）。 陽性は合計約11人。
3
事後確率（検査後の答え）
陽性の11人のうち、本当に病気なのは1人だけ。つまり、陽性でも本当に病気である確率は 約9%（1/11）しかありません！
この問題をベイズ推定に当てはめると
事前分布発症率 0.1%。検査を受ける前の段階では「病気である確率はとても低い」という予想
尤度（データ）検査結果が「陽性」だったという事実。感度99%なので、病気なら陽性が出やすいという証拠力
事後分布検査結果で更新された「本当に病気である確率」の分布。事前の0.1%から大きく上がるが、99%にはならない
MAP推定値最もありそうな値 ≈ 約9%。検査精度99%でも、事前確率が低いため「陽性＝病気」とはならない
95%信用区間病気である確率が収まる範囲。この例では非常に狭い区間（9%前後）に集中する
この例を分布図にすると
事前分布（発症率 0.1%）
事後分布（検査後）
MAP推定値
グレーの破線が「検査前の予想」で、ほぼ 0% 付近に張り付いています（1,000人に1人しかかからないため）。 検査で陽性が出ると、紫の実線のように 9% 付近に山が移動します。 赤い破線（MAP）が「最もありそうな値 ≈ 9%」です。
つまり、検査精度が99%でも、陽性と出た人が本当に病気である確率はたった9%ということがこのグラフから読み取れます。
つまり、検査精度が99%でも、陽性と出た人が本当に病気である確率はたった9%ということがこのグラフから読み取れます。
この例のポイント「検査精度99%」と聞くとほぼ確実に思えますが、事前確率（発症率）が低いと、陽性でも実際に病気である確率は意外と低くなります。 事前の知識（発症率）を無視してデータ（検査結果）だけで判断すると間違えてしまう――これがベイズ推定の核心的な教えです。
