本文へ移動
← 目次 生成AI発展講座 DAY 37

第8章|AIに必要な数理・統計

DAY 37 ・ 約30分

確率・期待値・条件付き確率

不確実な予測を数字で扱う基本を学ぶ。

今日できるようになること

確率、余事象、独立、条件付き確率、ベイズの定理、期待値を具体例で計算し、AIの予測確率を断定ではなく条件付きの不確実さとして読める。

01 言葉を知る02 仕組みを理解する03 実例で理解する04 今日の理解度を確認する05 今日の整理をする
01|言葉を知る

言葉を知る

用語を暗記するだけでなく、似た概念との違いと、何を判断するための言葉かまで整理します。

確率

ある事象が起こる見込みを0から1で表した値です。0は起こらない、1は必ず起こるというモデル上の表現です。

事象・標本空間

起こり得る結果全体が標本空間、その中で注目する結果の集まりが事象です。

条件付き確率

事象Bが起きたと分かった条件の下で、事象Aが起きる確率です。P(A|B)と書きます。

独立

一方が起きたという情報によって、もう一方の確率が変わらない関係です。無関係に見えるという感覚だけでは決めません。

ベイズの定理

原因から結果を見る確率と、結果から原因を考える確率を、事前確率を含めて結び付ける式です。

期待値

起こり得る各結果の値へ、その確率を掛けて合計した長期的な平均です。一回の結果を保証しません。

事後確率

学習データで高優先が5%だったとしても、本番の障害発生日に割合が20%へ変われば、予測後確率も運用負荷も変わります。

02|仕組みを理解する

仕組みを理解する

1.確率は、知らない未来を数字で扱う

天気予報の降水確率、検査で病気である確率、分類AIが猫と判断する確率は、不確実な状況を数字で表す試みです。確率0.8は「必ず起きる」の言い換えではありません。同じ条件を多く繰り返したとき、どの程度の割合で起きると考えるかを示します。 確率を読むには、対象、期間、条件を確認します。「故障確率10%」だけでは、一日以内か一年以内か、どの機種かが分かりません。数字の前提を外すと、精密そうでも判断に使えません。

2.標本空間と事象を、最初に決める

六面のさいころなら標本空間は1から6です。「偶数が出る」は2、4、6を含む事象です。公平なさいころなら確率は3/6で0.5です。現実では結果が同じ確率とは限りません。過去データやモデルを使って重みを推定します。 解約予測なら、対象期間内に「継続・解約」のどちらを結果とするか、途中休止や契約変更をどう扱うか決めます。結果の定義が変われば確率も変わります。最初に標本空間と事象を明記します。

3.余事象と加法・乗法の基本を使う

事象Aが起きないことを余事象と呼び、確率は1−P(A)です。少なくとも一回成功する確率は、すべて失敗する確率を1から引くと計算しやすい場合があります。独立な二回の試行で成功確率が0.2なら、二回とも失敗は0.8×0.8=0.64、少なくとも一回成功は0.36です。 重ならない事象のどちらかが起きる確率は足し算できます。重なる場合は共通部分を一度引きます。条件を確認せず足したり掛けたりしません。

4.条件付き確率は、分母を変える

全利用者の10%が解約していても、苦情を送った利用者では30%かもしれません。P(解約|苦情あり)は、苦情ありの人だけを分母にして解約割合を見ます。全体を分母にした確率とは別です。 AIの性能も条件で変わります。全体正解率が90%でも、夜間の画像では70%、特定機器では60%という場合があります。「何が分かった条件での確率か」を読むと、平均値に隠れた弱点を発見できます。

5.独立と排反を混同しない

二つの事象が同時に起こらない関係を排反と呼びます。一回のさいころで1が出ることと2が出ることは排反です。しかし、1が出たと分かれば2の確率は0へ変わるため、独立ではありません。 独立は、一方の情報が他方の確率を変えない関係です。顧客の年齢と購入商品が独立かどうかはデータで確かめます。属性名が違うから独立だと決められません。機械学習では特徴同士の依存を無視する仮定が計算を簡単にしますが、現実との差を理解します。

6.ベイズの定理で、逆向きの確率を考える

検査が病気の人を90%見つけるとしても、陽性になった人が90%の確率で病気とは限りません。病気の人が元々どれだけいるか、健康な人が誤って陽性になる率が影響します。P(陽性|病気)とP(病気|陽性)は向きが違います。 ベイズの定理は、事前確率と観測の起こりやすさから、観測後の確率を更新します。珍しい事象では、偽陽性が真の陽性より多くなることがあります。

7.自然頻度で、ベイズ計算を見える化する

1万人のうち病気が1%なら100人です。感度90%なら病気の90人が陽性です。健康な9,900人のうち5%が偽陽性なら495人です。陽性585人のうち病気は90人なので、陽性後の病気確率は約15.4%です。 割合だけで混乱するときは、仮の1,000人や1万人へ置き換えます。人数の表にすると、基準率を無視した判断を防げます。医療判断そのものは専門家が行い、ここでは確率の構造を学びます。

8.期待値は、結果と確率を一つの尺度へまとめる

100円を得る確率が0.6、50円を失う確率が0.4なら、期待値は100×0.6+(−50)×0.4=40円です。長く同じ条件で繰り返したときの平均的な値で、一回ごとに40円を受け取る意味ではありません。 AIのしきい値を選ぶとき、見逃しと誤警報の件数だけでなく、それぞれの損失を掛けて期待損失を比べます。ただし生命、権利、公平性は金額だけへ変換できないため、守る制約を別に置きます。

9.予測確率が正しいか、較正を確認する

モデルが「確率0.8」と予測した例を多数集めたとき、実際に約80%で正解するなら較正が良いといえます。0.8の例が50%しか正解しないなら、モデルは自信を持ち過ぎています。順位付けが上手でも確率値が正確とは限りません。 利用者へ確率を見せる場合、訓練データの割合、対象条件、較正、時間変化を確認します。「AIが80%と言った」だけで、そのまま現実の確率として扱いません。

10.確率を、意思決定の材料へ変える

確率が高いものを常に選べばよいとは限りません。発生確率1%でも被害が極めて大きければ対策が必要です。確率40%でも確認費用が小さければ、人へ回す価値があります。確率、結果の大きさ、行動費用、取り返しやすさを組み合わせます。 DAY37では、身近な二択結果について対象期間と条件を定め、事前確率、条件付き確率、期待値を書きます。最後に確率が外れた場合の行動を決めると、数字を断定ではなく判断へ使えるようになります。

03|実例で理解する

実例で理解する

具体例で考える

1,000件の問い合わせから、当日中に人が対応すべき「高優先」を見つけるAIを考えます。過去の定義では高優先が50件、通常が950件です。高優先の事前確率は5%です。 評価結果では、高優先50件のうち40件を高優先と予測しました。感度は40/50=80%です。通常950件のうち95件も高優先と予測したため、偽陽性率は10%です。高優先と予測された合計は135件で、本当に高優先なのは40件です。 したがって、P(予測高優先|実際高優先)は80%ですが、P(実際高優先|予測高優先)は40/135で約29.6%です。向きを逆にすると数字が大きく変わります。担当者は135件を確認し、そのうち約3割が高優先という運用になります。 見逃し10件の一件当たり期待損失を2万円、誤警報95件の確認費用を一件200円と仮定します。この評価期間の損失は20万円+1万9千円です。ただし、個人情報流出や安全事故など金額だけで許容できない種類は別の必須条件にします。 しきい値を下げれば、高優先を45件見つけられる一方、誤警報が200件へ増えるかもしれません。追加で防ぐ見逃し5件の価値と、追加確認105件の費用、担当者が警告を処理できる上限を比べます。モデル指標だけでなく、現場の容量を含めます。 曜日別に見ると、休日は高優先の割合が10%、平日は4%でした。同じ予測点でも事前確率が違うため、条件付きの結果を確認します。言語、問い合わせ種類、利用期間でも性能を分け、全体平均だけで判断しません。 確率0.8と出した案件を100件集め、実際の高優先が55件なら較正が悪く、表示値をそのまま信用できません。較正用データで補正し、時間がたって問い合わせ内容が変わったら再確認します。 AIが「高優先確率80%」と表示しても、自動で返金や契約停止は行いません。原文、注文状態、過去対応を担当者が確認します。確率は次に見る順番を助ける情報であり、業務上の事実や最終判断そのものではありません。 逆に確率が低くても、「個人情報」「二重決済」など重大語を含む場合は規則で必ず人へ回します。期待損失だけで少数の重大事象を平均化しない設計です。 学習データで高優先が5%だったとしても、本番の障害発生日に割合が20%へ変われば、予測後確率も運用負荷も変わります。事前確率を固定値として永久に使わず、一定期間ごとに実績を集計します。ただし正解が後からしか分からない案件では、確定した期間のデータで評価します。 予測を受けた担当者の行動も記録します。高確率の案件だけ丁寧に調べると、その案件だけ正解が見つかり、低確率側の見逃しが観測されないことがあります。これを選択による偏りとして扱い、低確率側も無作為に一部確認します。 担当者へは「80%」だけを表示せず、この数値がどの対象・期間で較正されたか、どのしきい値で人へ回すかを説明します。利用者が確率を確定判定と誤解しない表示にし、最終判断者を明示します。 一件ごとの確率には誤差幅を直接付けにくい場合でも、評価標本の件数と期間は示せます。特定の問い合わせ種類が20件しかないなら、80%という見かけの値を細かな小数まで信用しません。件数を増やす、区分をまとめる、判断を保留するなど、証拠の量に応じて扱いを変えます。 確率予測を比較する際は、正解率だけでなく、対数損失やBrier scoreのように確率値そのものを評価する指標も使えます。ただし指標名を増やすことが目的ではなく、順位、較正、見逃し費用のどれを測るかを先に決めます。 この例では、事前確率、条件付き確率、偽陽性、期待損失、較正を一つの運用へつなげました。確率の目的は未来を断言することではなく、不確実さを残したまま、何を確認し、どこで止めるかを合理的に決めることです。

手を動かして理解する

  1. 提供ケース「小さな表または図を使い、本文の数式・論理・距離を手計算で確かめる」または自分が説明できる身近な事例を一つ選び、DAY37「確率・期待値・条件付き確率」の判断観点で整理してください。提出物には、①対象と目的、②本文の用語を使った判断、③判断の根拠、④未確認事項または限界を記します。最後に学習目標「確率、余事象、独立、条件付き確率、ベイズの定理、期待値を具体例で計算し、AIの予測確率を断定ではなく条件付きの不確実さとして読める。」を満たす説明になっているか自己確認してください。紙または端末の標準メモだけで実施でき、外部サービスへの登録や有料契約は不要です。 実在人物の個人情報、機密情報、未公開資料は使わず、架空または匿名化した情報だけを使ってください。

04|今日の理解度を確認する

今日の理解度を確認する

1 / 5
QUESTION 01

P(病気|陽性)とP(陽性|病気)について正しい説明はどれですか。

QUESTION 02

成功確率0.2の独立な試行を2回行うとき、少なくとも1回成功する確率はどれですか。

QUESTION 03

二つの事象が独立であるとはどういうことですか。

QUESTION 04

期待値について適切な説明はどれですか。

QUESTION 05

モデルの確率較正が良い状態はどれですか。

05|今日の整理をする

今日の整理をする

この3点を持ち帰る

  • ✓ 確率は対象・期間・条件を伴う不確実さの表現であり、断定ではない
  • ✓ P(A|B)とP(B|A)を分け、事前確率を含めてベイズ更新を考える
  • ✓ 期待値と較正を使い、確率・影響・確認費用から行動を決める

講義本文 4,082字

PRIMARY SOURCES

確認に使った一次資料・原典

本文は各資料を参照し、初学者向けに独自構成・独自表現で解説しています。
NEXT LESSONDAY 38「統計量と確率分布」へ次のDAYに進む →