【ITニュース解説】Probability - Introduction, axioms, Conditional and Bayes' Rule

確率は、システムエンジニアを目指す上で非常に重要な概念である。それは、未来の不確実性を数値として捉え、客観的な意思決定を行うための基礎を提供するからだ。この基本的な考え方は、気候予測から機械学習アルゴリズム、競技プログラミング、医療研究、さらには日常生活における判断まで、非常に幅広い分野で応用されている。システムエンジニアが直面するシステムの信頼性評価、データ分析に基づく機能改善、AIモデルの挙動予測など、多岐にわたる課題解決において確率的な思考は不可欠となる。

まず、確率を理解するための基本用語を押さえておこう。試行によって起こりうる全ての可能性の集合を「標本空間（Ω）」と呼ぶ。例えば、サイコロを1回振ったときの標本空間は{1, 2, 3, 4, 5, 6}となる。その中で、私たちが関心を持つ特定の「好ましい結果の集まり」を「事象」と呼ぶ。例えば、サイコロで偶数が出る事象は{2, 4, 6}である。また、「排反事象」とは、同時に起こることが決してない二つ以上の事象を指す。例えば、サイコロで偶数が出る事象と奇数が出る事象は排反である。一方、「網羅的事象」とは、実験を1回行うと、それらの事象の少なくとも一つは必ず起こる事象群を指し、これら全ての事象を合わせると標本空間全体を覆うことになる。

確率には三つの基本的なルール、つまり「公理」がある。一つ目は「非負性」で、どの事象の確率も必ず0以上でなければならないというものだ。確率はマイナスにはならない。二つ目は「正規性」で、全ての可能性を含む標本空間全体の確率は必ず1である、というものだ。これは全ての事象が起こる確率の合計が100%であることを意味する。三つ目は「加法性」で、互いに排反な二つの事象AとBがある場合、どちらか一方が起こる確率（AまたはB）は、それぞれの確率を足し合わせたものになるというルールだ。これらの公理は、確率計算のすべての基本となる。

次に、特定の条件下での確率を考える「条件付き確率」について解説する。これは、「ある事象Bがすでに起こったという条件下で、別の事象Aが起こる確率」を計算するもので、P(A | B)と表記される。この記号は「Bが与えられたときのAの確率」と読む。その計算式は P(A | B) = P(A ∩ B) / P(B) で表され、ここで P(B) は0であってはならない。P(A ∩ B) は、事象Aと事象Bが同時に起こる確率を示す。この概念を、学生が試験で合格する例で考えてみよう。もし「学生が試験のために勉強する」という事象をBとし、「学生が試験に合格する」という事象をAとする。仮に、全学生の70%が勉強し（P(B) = 0.7）、さらに勉強した学生のうち90%が合格すると仮定する（P(A | B) = 0.9）。このとき、「勉強もして、なおかつ合格もする」という事象（A ∩ B）の確率は、条件付き確率の定義を変形した P(A ∩ B) = P(A | B) × P(B) を用いて計算できる。つまり、0.9 × 0.7 = 0.63 となる。これは、ランダムに選ばれた学生が勉強して合格する確率が63%であることを意味する。このように、条件付き確率は、ある情報が与えられた場合に、他の事象の起こりやすさがどのように変化するかを評価するために不可欠な概念だ。

条件付き確率の概念から発展した、非常に強力なツールが「ベイズの定理」である。これは、ある事象についての新しい情報（証拠）が手に入ったときに、その事象の確率（仮説）を更新するための公式である。ベイズの定理は P(A | B) = [P(A) × P(B | A)] / P(B) と表される。ここで、P(A | B) は「事後確率」と呼ばれ、証拠Bが観測された後に、仮説Aが真である確率を示す。これは私たちが最終的に知りたい確率となる。P(A) は「事前確率」であり、証拠Bを観測する前の仮説Aの初期確率だ。P(B | A) は「尤度」と呼ばれ、仮説Aが真である場合に、証拠Bが観測される確率を示す。そして P(B) は「周辺確率」または「証拠の確率」と呼ばれ、あらゆる仮説の下で証拠Bが観測される確率を意味する。この定理は、機械学習におけるスパムメールの判定や医療診断など、さまざまな分野で「情報に基づいて確率を更新する」という本質的な役割を果たしている。例えば、ある症状（証拠）が見られたときに、特定の病気（仮説）である確率を診断前に持っていた確率から更新する、といった使い方をする。

最後に、「乗法定理」について説明する。これは、複数の事象が連続して発生する確率を計算するためのルールであり、条件付き確率を一般化したものだ。複数の事象A1, A2, ..., Anがすべて発生する確率は、P(A1 ∩ A2 ∩ ... ∩ An) = P(A1) × P(A2 | A1) × ... × P(An | A1 ∩ ... ∩ A(n-1)) となる。これは、最初の事象A1が起こり、その次にA1が起こったという条件下でA2が起こり、さらにA1とA2が起こったという条件下でA3が起こる、といった具合に、次々に条件付き確率を掛け合わせていくことで、全ての事象が連続して発生する確率が求められることを示している。この定理は、一連のイベントの結果を予測する際や、複雑なシステムにおける故障の連鎖などを分析する際に役立つ。

以上、確率の基本的な概念から、その公理、条件付き確率、ベイズの定理、そして乗法定理までを概観した。これらの知識は、システム開発におけるリスク評価、データ分析に基づく意思決定、AIアルゴリズムの設計など、システムエンジニアが直面する様々な課題を論理的に解決するための強力な基盤となる。不確実性の高い現代において、確率的な思考は、より堅牢で賢いシステムを構築するために不可欠なスキルだと言えるだろう。