ベイズ確率：ベイズの定理、事前確率・事後確率と応用

基本的な構成要素

ベイズ推論の中心となる要素は、事前確率、尤度、証拠、事後確率の4つである。事前確率は、現在のデータを見る前に信じられている内容を表す。尤度は、異なる仮説のもとで観測されたデータがどの程度起こりやすいかを示す。証拠（周辺尤度ともいう）は、すべての仮説にわたって可能性を正規化する。事後確率は事前確率と尤度を組み合わせ、データ観測後に更新された信念を与える。通常、ベイズの定理 P(H|D) = P(D|H) P(H) / P(D) により計算される。

実際の仕組み

実際には、ベイズ更新は反復的に行われる。新しいデータが到着したとき、各段階の事後確率を次の更新の事前確率として用いることができる。このため、この枠組みは逐次的な学習と意思決定に適している。直感的な例として医療検査を考えると、検査結果は、疾患の確率について医療者が当初見積もった値（事前確率）を、検査精度（尤度）を考慮した、より情報に基づく確率（事後確率）へと変化させる。入門的な解説はベイズ更新を参照。

歴史と発展

この手法は、18世紀の統計学者トーマス・ベイズにちなむ名称であり、その研究はピエール＝シモン・ラプラスによって発展させられた。その後、近代的な確率論、計算手法、決定理論と結び付きながら大きく進展した。計算能力の向上と、マルコフ連鎖モンテカルロ法などの数値計算法の発展により、複雑なベイズモデルも多くの用途で実用可能になった。

応用と重要性

• 機械学習：確率的モデリング、ベイズネットワーク、不確実性の定量化。
• 科学・工学：パラメータ推定、モデル比較、階層モデル。
• 医学・診断：検査結果の解釈と臨床データの統合。
• 日常的な意思決定：新しい情報や証拠に基づく信念の更新。

相違点と注目すべき点

ベイズ手法は、反復可能な実験の長期的頻度によって確率を定義する頻度主義的アプローチとは異なる。批判者は、事前確率の選択に主観的な要素があると指摘することがある。一方で支持者は、事前確率は明示して検証でき、客観的事前確率や弱情報的事前確率もよく用いられると述べる。両方のパラダイムは有用な道具を提供しており、多くの実践的な問題では、それぞれの考え方が組み合わせて用いられる。頻度主義的な見方との比較は頻度主義的確率を参照。