統計で英語多読 3-2: 条件付き確率 — ある情報が与えられたときの確率

「大人のための英語多読図書館」へようこそ。今回は、「ある情報が与えられたとき確率はどう変わるか」を扱う条件付き確率を取り上げ、前回の乗法定理とのつながりまでを、英語の文章でたどっていきます。

📊 このユニットの情報 語数: 約710語 / 推定読了時間: 5〜8分 / 難易度: ★★☆☆☆(初中級)

Learning Objectives

みなさんこんにちは。大人のための英語多読図書館へようこそ。

前回の記事で確率の基本ルールを学びましたね。今回は、そこから一歩進んで「条件付き確率」という考え方を探求します。

これは、「もし〇〇が起こったとしたら、△△が起こる確率はどれくらいだろう？」というように、ある情報が与えられたときに確率がどう変わるかを考える方法です。例えば、「今日、雲が多い」という情報があると、「雨が降る」確率は高くなりますよね。このように、私たちの日常的な推測の多くは、無意識に条件付き確率を使っています。

この記事では、条件付き確率の定義と計算方法を学び、前回学んだ乗法定理との深い関係を解き明かしていきます。この考え方は、次のテーマである「ベイズの定理」にも繋がる非常に重要なステップです。

それでは今回も多読を楽しんでいきましょう。

Summary

Definition: Conditional probability is the probability of an event B occurring, given that another event A has already occurred. It is written as \(P(B|A)\).
Formula: The formula to calculate conditional probability is \(P(B|A) = \frac{P(A \cap B)}{P(A)}\), where \(P(A)\) must be greater than zero.
Intuition: The knowledge that event A has occurred effectively reduces the sample space. We are only concerned with the outcomes within event A.
General Multiplication Rule: The formula can be rearranged to \(P(A \cap B) = P(A) \times P(B|A)\). This is the general form of the multiplication rule, which works for both independent and dependent events.
Independence: Two events A and B are independent if \(P(B|A) = P(B)\). This means that knowing A happened does not change the probability of B.

Explanation

What is Conditional Probability?

In the real world, events are often related. The probability of one event can be affected by the occurrence of another. Conditional probability is a tool that allows us to formally calculate this.

The notation for conditional probability is \(P(B|A)\), which is read as "the probability of B, given A." It asks the question: "Knowing that event A has happened, what is now the probability that event B will also happen?"

Let's think about a simple example. Suppose we have a class of 100 students. - 60 are female, and 40 are male. - Out of the 60 females, 30 are taking a statistics course. - Out of the 40 males, 10 are taking a statistics course.

Let's define our events: - A: The student is female. - B: The student is taking a statistics course.

The probability that a randomly chosen student is taking statistics is \(P(B) = (30+10)/100 = 0.4\).

But what if we already know the student we picked is female? This is new information. We are now only considering the 60 female students. Among them, 30 are taking statistics. So, the probability that the student is taking statistics, given that she is female, is: \[P(B|A) = \frac{30}{60} = 0.5\] As you can see, the probability changed from 0.4 to 0.5 with the additional information.

The Formula for Conditional Probability

The intuition above leads us to a formal definition. The probability of "B given A" is the probability of "A and B" happening, divided by the probability of "A" happening.

\[P(B|A) = \frac{P(A \cap B)}{P(A)}\]

Let's check this with our student example. - \(P(A)\): The probability of being female is \(\frac{60}{100} = 0.6\). - \(P(A \cap B)\): The probability of being a female and taking statistics is \(\frac{30}{100} = 0.3\).

Using the formula: \[P(B|A) = \frac{0.3}{0.6} = 0.5\] This matches our intuitive calculation. The formula works because knowing that A has occurred reduces our sample space from the total set of outcomes to just the outcomes in A. The numerator, \(P(A \cap B)\), represents the "favorable" outcomes that are within this new, smaller sample space.

The General Multiplication Rule

In our last lesson, we learned the multiplication rule for independent events: \(P(A \cap B) = P(A) \times P(B)\). But what if the events are not independent (they are dependent)?

We can simply rearrange the conditional probability formula to find the probability of A and B happening together. This is called the General Multiplication Rule:

\[P(A \cap B) = P(A) \times P(B|A)\]

This rule is always true, for both independent and dependent events. Let's see why.

Imagine drawing two cards from a deck without replacement. What's the probability that both are Kings? - Let A be "the first card is a King". \(P(A) = \frac{4}{52}\). - Let B be "the second card is a King".

These events are dependent. If the first card was a King, there are now only 3 Kings left and 51 total cards. So, the probability of the second card being a King, given the first was a King, is \(P(B|A) = \frac{3}{51}\).

Using the general multiplication rule: \[P(\text{1st is King and 2nd is King}) = P(A) \times P(B|A) = \frac{4}{52} \times \frac{3}{51} \approx 0.0045\]

Conditional Probability and Independence

Now we can see the deep connection between conditional probability and independence. Two events, A and B, are independent if and only if:

\[P(B|A) = P(B)\]

This makes perfect sense. It means that the knowledge of A happening does not change the probability of B at all. If A and B are independent, the General Multiplication Rule \(P(A \cap B) = P(A) \times P(B|A)\) simplifies to \(P(A \cap B) = P(A) \times P(B)\), which is the rule for independent events we learned before. Conditional probability provides a powerful way to test if two events are truly independent.

まとめ

今回は、ある情報が与えられたときに確率がどう変わるかを表す「条件付き確率」を学びました。定義は \(P(B|A) = \frac{P(A \cap B)}{P(A)}\) で、「Aが起こった」という知識が標本空間を狭めると考えると直感的に理解できました。さらに、この式を変形すると一般化された乗法定理 \(P(A \cap B) = P(A) \times P(B|A)\) が得られ、独立・従属どちらの事象にも使えること、そして \(P(B|A) = P(B)\) が成り立つときが独立である、という深い関係も確かめました。

次回は、この条件付き確率を土台に、「結果から原因の確率」を求めるベイズの定理について見ていきます。

日本語訳(全文)

英文を最後まで読み終えてから、答え合わせ用にお使いください。多読の原則として、まずは訳を見ずに英文だけで理解を試みることをおすすめします。

Summary

定義: 条件付き確率とは、別の事象Aがすでに起こったという条件のもとで、事象Bが起こる確率のことです。\(P(B|A)\) と書かれます。
公式: 条件付き確率を計算する公式は \(P(B|A) = \frac{P(A \cap B)}{P(A)}\) で、ここで \(P(A)\) は0より大きくなければなりません。
直感的な意味: 事象Aが起こったという知識は、実質的に標本空間を狭めます。私たちは事象Aの中の結果だけに注目すればよいのです。
一般化された乗法定理: この公式は \(P(A \cap B) = P(A) \times P(B|A)\) と変形できます。これは乗法定理の一般形であり、独立な事象にも従属な事象にも使えます。
独立性: 2つの事象AとBは、\(P(B|A) = P(B)\) のとき独立です。これは、Aが起こったと知っても、Bの確率が変わらないことを意味します。

条件付き確率とは何か

現実の世界では、事象どうしはしばしば関連しています。ある事象の確率は、別の事象が起こることによって影響を受けることがあります。条件付き確率（Conditional probability）は、これを形式的に計算できるようにする道具です。

条件付き確率の記号は \(P(B|A)\) で、「Aが与えられたときのBの確率」と読みます。これは「事象Aが起こったとわかっているとき、事象Bもまた起こる確率はいまいくらか」という問いを表します。

簡単な例を考えてみましょう。100人の生徒からなるクラスがあるとします。 - 60人が女子で、40人が男子です。 - 60人の女子のうち、30人が統計学の授業を取っています。 - 40人の男子のうち、10人が統計学の授業を取っています。

事象を定義しましょう。 - A: その生徒が女子である。 - B: その生徒が統計学の授業を取っている。

ランダムに選ばれた生徒が統計学を取っている確率は \(P(B) = (30+10)/100 = 0.4\) です。

しかし、選んだ生徒が女子だとすでにわかっていたらどうでしょうか。これは新しい情報です。私たちはいま60人の女子だけを考えています。そのうち30人が統計学を取っています。ですから、その生徒が女子であるという条件のもとで統計学を取っている確率は、次のようになります。 \[P(B|A) = \frac{30}{60} = 0.5\] ご覧のとおり、追加の情報によって確率が0.4から0.5へと変わりました。

条件付き確率の公式

上の直感は、私たちを形式的な定義へと導いてくれます。「Aが与えられたときのB」の確率は、「AかつB」が起こる確率を、「A」が起こる確率で割ったものです。

\[P(B|A) = \frac{P(A \cap B)}{P(A)}\]

生徒の例でこれを確かめてみましょう。 - \(P(A)\): 女子である確率は \(\frac{60}{100} = 0.6\) です。 - \(P(A \cap B)\): 女子であり、かつ統計学を取っている確率は \(\frac{30}{100} = 0.3\) です。

公式を使うと、 \[P(B|A) = \frac{0.3}{0.6} = 0.5\] これは直感的な計算と一致します。この公式がうまくいくのは、Aが起こったと知ることで、私たちの標本空間が全結果の集合からAの中の結果だけに狭まるからです。分子の \(P(A \cap B)\) は、この新しい、より小さな標本空間の中にある「望ましい」結果を表しています。

一般化された乗法定理

前回のレッスンでは、独立な事象に対する乗法定理 \(P(A \cap B) = P(A) \times P(B)\) を学びました。しかし、事象が独立でない（従属（dependent）である）場合はどうでしょうか。

条件付き確率の公式を変形するだけで、AとBがともに起こる確率を求めることができます。これは一般化された乗法定理（General Multiplication Rule）と呼ばれます。

\[P(A \cap B) = P(A) \times P(B|A)\]

この定理は、独立な事象にも従属な事象にも、つねに成り立ちます。その理由を見てみましょう。

デッキから2枚のカードを、戻さずに引くことを想像してください。両方がキングである確率はいくらでしょうか。 - Aを「1枚目のカードがキングである」とします。\(P(A) = \frac{4}{52}\) です。 - Bを「2枚目のカードがキングである」とします。

これらの事象は従属しています。もし1枚目がキングだったなら、いまや残りのキングは3枚だけで、カードは全部で51枚です。ですから、1枚目がキングだったという条件のもとで2枚目がキングである確率は \(P(B|A) = \frac{3}{51}\) です。

一般化された乗法定理を使うと、 \[P(\text{1st is King and 2nd is King}) = P(A) \times P(B|A) = \frac{4}{52} \times \frac{3}{51} \approx 0.0045\]

条件付き確率と独立性

ここで、条件付き確率と独立性のあいだの深いつながりが見えてきます。2つの事象AとBが独立であるのは、次が成り立つとき、かつそのときに限ります。

\[P(B|A) = P(B)\]

これはまったく理にかなっています。Aが起こったという知識が、Bの確率をまったく変えないことを意味するからです。AとBが独立なら、一般化された乗法定理 \(P(A \cap B) = P(A) \times P(B|A)\) は、\(P(A \cap B) = P(A) \times P(B)\) へと簡単になります。これは、以前に学んだ独立な事象に対する定理です。条件付き確率は、2つの事象が本当に独立かどうかを検証する強力な方法を与えてくれるのです。