本記事にはプロモーション(広告・アフィリエイトリンク)が含まれます。

統計検定2級の対策として、出題範囲のうち「確率」に絞り、本番で出そうな例題を筆者(生物統計家)が選定しました。数値はすべてRで検算したうえで掲載しています。

この記事でわかること

💡 この記事でわかること

  • 加法定理・乗法定理と余事象を使い、サイコロや玉の取り出しの確率を電卓で計算する方法
  • 条件付き確率で「分母になる世界が変わる」感覚と、\(P(A\mid B)\) と \(P(B\mid A)\) の違い
  • 全確率の公式で場合分けして合計し、ベイズの定理で事後確率へ更新する手順
  • 有病率が低いと陽性的中率が下がる理由と、事象の独立性を積の形で判定する方法

本記事は、統計検定2級の攻略シリーズの第4弾です。第1弾統計検定2級「仮説検定・区間推定」攻略では信頼区間と検定の手続きを、第2弾統計検定2級「確率分布」攻略では確率変数と分布を、第3弾統計検定2級「データの記述と相関・回帰」攻略ではデータの要約と2変数の関係を例題7問で解説しました。本記事はその土台にあたる「確率そのもの」を扱い、確率分布や検定の計算で無意識に使っている条件付き確率と独立性を正面から整理します。各例題にはRのコードと出力を併記し、手計算の答え合わせまで1記事で完結します。

はじめに

統計検定2級の試験はCBT方式で、試験時間は90分、出題は35問程度、4〜5肢の選択式です。100点満点で60点以上が合格で、試験中は四則演算・百分率・平方根ができる普通電卓のみが使えます(関数電卓は不可)。確率の分野で問われるのは複雑な数え上げではなく、「いま求めるべき確率の分母は何か」を見極める力です。

出題範囲のうち確率の分野には、事象と確率(加法定理・乗法定理・余事象)、条件付き確率、全確率の公式、ベイズの定理、事象の独立性が含まれます。第2弾で扱った確率分布も、元をたどればこの確率の規則の積み重ねです。特に条件付き確率は、検定の有意水準や検査の的中率といった、統計の実務判断に直結する考え方でもあります。

本記事では、確率の基礎とベイズの定理の典型出題を例題7問に絞り、前3弾と同じ形式で解説します。各例題は「問題 → 普通電卓でできる手計算の途中式 → 検算 → Rでの答え合わせ → 解釈」の順に進めます。なお、分割表と独立性の検定は第1弾のカイ二乗検定で扱ったため本記事の対象外とし、確率変数・確率分布そのものも第2弾に譲ります。

確率が苦手になりやすいのは、公式の名前が先に立ち、「どの事象が条件で、どの事象が結論なのか」を整理しないまま数値を当てはめようとするためです。本記事の例題は、サイコロ・玉の取り出し・不良品・検査といった身近な対象に数値を入れてあります。読み方は、まず答えを見ずに電卓で手計算し、詰まった箇所だけ途中式と照らし合わせるのがおすすめです。Rのコードは答え合わせ専用ですので、Rが使えない環境でも支障はありません。条件付き確率の読み取り方は、臨床検査の結果を解釈する実務でも判断の土台になります。

事象と確率の基本 ― 加法定理・乗法定理と余事象

確率の計算は、3つの道具でほぼ片付きます。1つ目は加法定理で、「AまたはB」が起こる確率は次の式で求めます。

\[P(A\cup B)=P(A)+P(B)-P(A\cap B)\]

\(P(A\cap B)\) を引くのは、両方に当てはまる場合を2回数えてしまうからです。2つ目は余事象で、「Aが起こらない」確率は \(1-P(A)\) です。「少なくとも1つ」と出たら、反対側の「1つも起こらない」を先に考えるのが定石です。3つ目は乗法定理で、「AかつB」の確率は \(P(A\cap B)=P(A)\times P(B\mid A)\) と、1回目の確率に「1回目が起きた条件での2回目の確率」を掛けます。この \(P(B\mid A)\) が条件付き確率であり、この後のセクションへの橋渡しになります。

例題1 サイコロ2個で和の確率と「少なくとも1つ」を求める

問題 大小2個のサイコロを同時に投げます。(1) 目の和が8になる確率、(2) 少なくとも1つは6の目が出る確率を、それぞれ求めてください。

解答 (1) 使うのは基本形の(当たる場合の数)÷(全体の場合の数)です。全体は \(6\times6=36\) 通りで、和が8になるのは (2,6)、(3,5)、(4,4)、(5,3)、(6,2) の5通りです。よって \(\frac{5}{36}=0.1389\) です。(2) 「少なくとも1つは6」は余事象で解きます。反対側の「どちらも6でない」は \(5\times5=25\) 通りなので、\(1-\frac{25}{36}=\frac{11}{36}=0.3056\) です。加法定理で直接求めても \(\frac{6}{36}+\frac{6}{36}-\frac{1}{36}=\frac{11}{36}\) と一致します。最後の項は (6,6) を2回数えた分の調整です。

検算 (2) の答え \(0.3056\) と「どちらも6でない」確率 \(0.6944\) の合計が1になることで確認できます。

Rでも答え合わせをします。

# 例題1:サイコロ2個の確率(和が8/少なくとも1つは6)
dice <- expand.grid(d1 = 1:6, d2 = 1:6)
p_sum8 <- mean(dice$d1 + dice$d2 == 8)
p_atleast6 <- mean(dice$d1 == 6 | dice$d2 == 6)
round(c(total = nrow(dice), p_sum8 = p_sum8,
        p_atleast6 = p_atleast6, p_none6 = 1 - p_atleast6), 4)
     total     p_sum8 p_atleast6    p_none6 
   36.0000     0.1389     0.3056     0.6944 

全36通りを数え上げても、和が8の確率0.1389、少なくとも1つ6が出る確率0.3056と、手計算と一致しました。

📝 解釈・補足
例題1の答えは (1) 0.1389、(2) 0.3056 です。
「少なくとも」を見たら反射的に余事象へ切り替えるのが、本番での時間短縮のコツです。加法定理で \(P(A\cap B)\) を引き忘れると (6,6) を二重に数えてしまうので、重なりの調整も忘れないでください。

例題2 玉の取り出しで乗法定理と条件付き確率の入口を学ぶ

問題 赤玉4個・白玉3個・青玉3個の合計10個が入った袋から、玉を1個ずつ2回取り出します。取り出した玉は戻しません。(1) 2個とも赤玉である確率、(2) 1個目が赤玉だったことが分かっているとき、2個目も赤玉である確率を、それぞれ求めてください。

解答 (1) 使うのは乗法定理です。1個目が赤玉である確率は \(\frac{4}{10}\) で、そのうえで2個目が赤玉である確率は、袋の中身が9個(赤は3個)に変わるため \(\frac{3}{9}\) です。掛け合わせると \(\frac{4}{10}\times\frac{3}{9}=\frac{12}{90}=\frac{2}{15}=0.1333\) となります。「戻さない」取り出しでは、2回目の分母と分子が両方減る点がポイントです。(2) 条件付き確率の定義 \(P(B\mid A)=\frac{P(A\cap B)}{P(A)}\) に (1) の結果を当てはめます。

\[P(B\mid A)=\frac{2/15}{4/10}=\frac{1}{3}=0.3333\]

直接考えても、赤が1個減った残り9個のうち赤は3個で \(\frac{3}{9}=\frac{1}{3}\) と一致します。条件がつくと、分母になる世界そのものが変わる――これが条件付き確率の出発点です。

検算 定義式で求めた \(0.3333\) と、残りの玉から直接数えた \(\frac{3}{9}\) が一致することで確認できます。

Rでも答え合わせをします。

# 例題2:玉の取り出し(非復元)と条件付き確率
p_first_red <- 4 / 10
p_both_red <- (4 / 10) * (3 / 9)
p_second_red_given_first <- p_both_red / p_first_red
round(c(p_first_red = p_first_red, p_both_red = p_both_red,
        p_second_red_given_first = p_second_red_given_first), 4)
             p_first_red               p_both_red p_second_red_given_first 
                  0.4000                   0.1333                   0.3333 
📝 解釈・補足
例題2の答えは (1) 0.1333、(2) 0.3333 です。
「条件で世界が絞られる」という感覚は、検査で陽性だった人だけに注目して的中率を考える発想そのもので、医療の確率問題にも直結します。
⚠️ 注意
「または」なら加法定理、「かつ(両方)」なら乗法定理が目安です。
ただし乗法定理では、玉を戻すかどうかで2回目の確率が変わります。問題文の「戻さない」の一文を見落として \(\frac{4}{10}\times\frac{4}{10}\) と計算しないよう、本番では取り出し方の条件を必ず確認してください。

条件付き確率 ― 条件がつくと分母が変わる

「〜であることが分かっているとき、…である確率」という形で出題されるのが条件付き確率です。事象 \(B\) が起こったことが分かっているときの事象 \(A\) の条件付き確率 \(P(A\mid B)\) は、次の式で定義されます。

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

ポイントは、分母が全体ではなく「条件に当たる集団」に置き換わることです。人数で数えられる問題なら、条件に合う人だけに絞ってから数え直せば、定義式と同じ答えになります。

例題3 眼鏡をかけている人と男子の条件付き確率

問題 あるクラス40人について、眼鏡の有無と性別の人数は次の表のとおりです。無作為に1人を選ぶとき、(1) 眼鏡をかけている確率、(2) 眼鏡をかけている人が選ばれたとき、その人が男子である確率、(3) 男子が選ばれたとき、その人が眼鏡をかけている確率を求めてください。

区分眼鏡あり眼鏡なし合計
男子8人14人22人
女子6人12人18人
合計14人26人40人

解答

(1) 全体40人のうち、眼鏡をかけているのは14人です。

\[\frac{14}{40}=0.35\]

(2) 「眼鏡をかけている」という条件がつくので、分母は眼鏡をかけている14人に絞られます。そのうち男子は8人です。

\[\frac{8}{14}=\frac{4}{7}=0.5714\]

定義式で書いても \(P(\text{男子}\mid\text{眼鏡})=\frac{8/40}{14/40}\) となり、分子・分母の40が消えて、絞った集団での割合と一致します。

(3) 今度は条件が「男子」なので、分母は男子22人に絞られます。そのうち眼鏡をかけているのは8人です。

\[\frac{8}{22}=\frac{4}{11}=0.3636\]

検算:(2)と(3)は分子が同じ8でも値が異なります。条件(分母)が違う以上、答えが違って当然で、もし一致したら計算ミスを疑ってください。

Rで答え合わせ

# 例題3:眼鏡の有無と性別(条件付き確率の向き)
p_glasses <- 14 / 40
p_male_given_glasses <- 8 / 14
p_glasses_given_male <- 8 / 22
round(c(p_glasses = p_glasses, p_male_given_glasses = p_male_given_glasses,
        p_glasses_given_male = p_glasses_given_male), 4)
           p_glasses p_male_given_glasses p_glasses_given_male 
              0.3500               0.5714               0.3636 
⚠️ 注意
一般に \(P(A\mid B)\ne P(B\mid A)\) で、条件付き確率は「向き」を変えると別の量になります。この例題でも、(2)の0.5714と(3)の0.3636は大きく異なります。本番では「〜のとき、」の前にある方が条件(分母)です。医療の世界でも、「陽性だった人のうち本当に罹患している割合」と「罹患している人のうち陽性になる割合(感度)」の取り違えは典型的なミスなので、向きの確認を習慣にしてください。
📝 解釈・補足
条件付き確率は「世界を条件に合う集団だけに絞ってから、数え直す」操作です。眼鏡をかけている人に限れば男子の割合は0.5714と半分を超えますが、男子に限れば眼鏡の割合は0.3636にとどまります。表が与えられたら、まず「分母になる行(または列)はどれか」を指で押さえてから計算すると、向きのミスを防げます。

全確率の公式とベイズの定理

起こりうる場合をすべて洗い出し、「場合ごとの確率」を足し合わせて全体の確率を組み立てるのが全確率の公式です。そして、その計算を裏返して「結果から原因の確率を推定する」のがベイズの定理です。2つの例題を続けて解くと、この表裏の関係が見えてきます。

例題4 2工場の不良品率から全体の不良品確率を求める

問題 ある製品はA工場とB工場で生産され、生産量の割合はA工場が60%、B工場が40%です。不良品率はA工場が2%、B工場が5%です。無作為に選んだ1個が不良品である確率を求めてください。

解答

まず工場で場合分けし、各場合について「生産量の割合 × 不良品率」を計算します。樹形図を描くイメージです。A工場製で不良品である確率は \(0.6\times0.02=0.012\)、B工場製で不良品である確率は \(0.4\times0.05=0.020\) です。2つの場合は重ならないので、足し合わせます。

\[0.6\times0.02+0.4\times0.05=0.012+0.020=0.032\]

答えは0.032、つまり3.2%です。

検算:答え3.2%が、2工場の不良品率2%と5%の間に収まっていることを確認します。全体の不良品率は、生産量の割合で重み付けした平均になるはずだからです。

Rで答え合わせ

# 例題4:全確率の公式(2工場の不良品)
p_defective <- 0.6 * 0.02 + 0.4 * 0.05
round(c(from_A = 0.6 * 0.02, from_B = 0.4 * 0.05,
        p_defective = p_defective), 4)
     from_A      from_B p_defective 
      0.012       0.020       0.032 
📝 解釈・補足
全体の不良品率3.2%は、生産量の大きいA工場の2%に引っ張られた値です。全確率の公式の手順は「場合分け → 各場合で割合×確率 → 合計」の3ステップに尽きます。本番では、場合の漏れ(割合の合計が1になるか)を最初に確認すると取りこぼしを防げます。

例題5 不良品だったとき、それはどちらの工場製か

問題 例題4と同じ設定で、選んだ1個が不良品だったとき、それがA工場製である確率と、B工場製である確率を求めてください。

解答

「不良品だった」という結果が分かったので、ベイズの定理を使います。分母には、例題4で求めた全確率の公式の答え0.032がそのまま入ります。

\[P(A\mid\text{不良品})=\frac{0.6\times0.02}{0.032}=\frac{0.012}{0.032}=0.375\]

\[P(B\mid\text{不良品})=\frac{0.4\times0.05}{0.032}=\frac{0.020}{0.032}=0.625\]

検算:\(0.375+0.625=1\) となり、事後確率の合計が1に一致します。

このように、ベイズの定理は「条件付き確率の定義の分母を、全確率の公式で置き換えたもの」です。事前の生産割合6対4が、不良品率という証拠によって37.5対62.5へ更新される、と読むことができます。

Rで答え合わせ

Rのコードは、例題4で作った p_defective をそのまま使います。続けて実行してください。

# 例題5:ベイズの定理(不良品だったときの工場の内訳)
p_A_given_def <- (0.6 * 0.02) / p_defective
p_B_given_def <- (0.4 * 0.05) / p_defective
round(c(p_A_given_def = p_A_given_def, p_B_given_def = p_B_given_def), 4)
p_A_given_def p_B_given_def 
        0.375         0.625 
📝 解釈・補足
生産量ではA工場が6割を占めるのに、不良品に限るとA工場製は37.5%まで下がり、B工場製が62.5%を占めます。不良品率の差(2%と5%)が、事後確率を逆転させたのです。「不良品が出たら、まずどちらの工場を疑うべきか」という品質管理の判断は、まさにこの計算そのものです。

ベイズの定理の応用と事象の独立性

ベイズの定理の真価が分かるのが、医療検査の解釈です。例題6では「陽性=病気」とは限らないことを数値で確かめ、例題7では事象の独立性を判定します。

例題6 検査で陽性だったとき、本当に罹患している確率(陽性的中率)

問題:ある病気の有病率は1%です。検査の感度(罹患している人が陽性になる確率)は95%、特異度(罹患していない人が陰性になる確率)は90%です。無作為に選んだ1人が陽性だったとき、本当に罹患している確率(陽性的中率)を求めてください。

解答:①求めるのは「陽性という条件のもとでの罹患」なので、ベイズの定理を使います。②分母の「陽性になる確率」は全確率の公式で、罹患している場合としていない場合に分けて計算します。

\[P(\text{陽性})=0.01\times0.95+0.99\times0.10=0.0095+0.099=0.1085\]

③陽性的中率は、陽性の中の「本当に罹患して陽性」の割合です。

\[\text{陽性的中率}=\frac{0.01\times0.95}{0.1085}=\frac{0.0095}{0.1085}=0.0876\]

④答えは約8.8%です。感度95%の検査でも、陽性の人のうち本当に罹患しているのは1割未満しかいません。

検算:1000人あたりの人数で数え直します。罹患している10人のうち陽性は9.5人、罹患していない990人のうち偽陽性は99人です。陽性108.5人のうち9.5人なので \(\frac{9.5}{108.5}=0.0876\) と一致します。

Rで答え合わせ:

# 例題6:検査の陽性的中率(ベイズの定理)
p_pos <- 0.01 * 0.95 + 0.99 * 0.10
ppv <- (0.01 * 0.95) / p_pos
round(c(p_pos = p_pos, ppv = ppv), 4)
 p_pos    ppv 
0.1085 0.0876 

検算の人数計算も、Rでそのまま確認できます。

# 例題6(検算):1000人あたりの人数で数える
tab <- c(TP = 1000 * 0.01 * 0.95, FP = 1000 * 0.99 * 0.10)
round(c(TP = tab[["TP"]], FP = tab[["FP"]],
        ppv_count = tab[["TP"]] / sum(tab)), 4)
       TP        FP ppv_count 
   9.5000   99.0000    0.0876 
📝 解釈・補足
陽性的中率は0.0876(約8.8%)です。ポイントは分母0.1085の内訳で、偽陽性の0.099が本物の陽性0.0095の10倍以上あります。有病率が低い集団では罹患していない人の絶対数が圧倒的に多いため、特異度90%でもその1割の偽陽性が陽性の大半を占めてしまうのです。これは製薬・医療の実務でも同じで、健康な人が多い集団へのスクリーニング検査では、陽性が出ても確定診断には追加検査が欠かせません。「感度が高い=陽性なら確実」ではない、がこの例題の教訓です。

例題7 事象の独立性を判定する(サイコロ1個)

問題:サイコロを1個投げます。事象Aを「偶数の目が出る」、事象Bを「4以上の目が出る」、事象Cを「3の倍数の目が出る」とします。(1) AとBは独立ですか。(2) AとCは独立ですか。それぞれ判定してください。

解答:①独立の判定は、\(P(A\cap B)=P(A)P(B)\) が成り立つかどうかで確認します。まず各事象の目を書き出すと、\(A=\{2,4,6\}\)、\(B=\{4,5,6\}\)、\(C=\{3,6\}\) です。

(1) \(A\cap B=\{4,6\}\) なので \(P(A\cap B)=\frac{2}{6}=0.3333\) です。一方 \(P(A)P(B)=0.5\times0.5=0.25\) で一致しません。よってAとBは独立ではありません。

(2) \(A\cap C=\{6\}\) なので \(P(A\cap C)=\frac{1}{6}=0.1667\) です。\(P(A)P(C)=0.5\times0.3333=0.1667\) と一致します。よってAとCは独立です。

検算:独立なら条件付き確率が元の確率に戻るはずです。実際 \(P(A\mid C)=\frac{P(A\cap C)}{P(C)}=\frac{0.1667}{0.3333}=0.5=P(A)\) で、Cが起きてもAの確率は変わりません。

Rで答え合わせ:

# 例題7:事象の独立性の判定(サイコロ1個)
omega <- 1:6
A <- omega[omega %% 2 == 0]        # 偶数の目
B <- omega[omega >= 4]             # 4以上の目
C <- omega[omega %% 3 == 0]        # 3の倍数
pA <- length(A) / 6; pB <- length(B) / 6; pC <- length(C) / 6
pAB <- length(intersect(A, B)) / 6
pAC <- length(intersect(A, C)) / 6
round(c(pA = pA, pB = pB, pAB = pAB, pA_times_pB = pA * pB,
        pC = pC, pAC = pAC, pA_times_pC = pA * pC), 4)
         pA          pB         pAB pA_times_pB          pC         pAC 
     0.5000      0.5000      0.3333      0.2500      0.3333      0.1667 
pA_times_pC 
     0.1667 
📝 解釈・補足
AとCは関係がありそうに見えても、確率の積の式が成り立つので独立です。逆にAとBは積が成り立たず独立ではありません。独立かどうかは印象ではなく \(P(A\cap B)=P(A)P(B)\) の数値確認で判定するのが、本番で確実な手順です。また、排反(同時には起こらない)事象は、片方が起きれば他方の確率が0に変わるため、確率が正の事象同士では独立にはなりません。「排反=独立」の混同は頻出の誤りです。

試験本番で差がつくポイント ― 条件の読み取りと典型的な間違い

例題1〜7を通して、間違いやすいのは計算そのものより「条件の読み取り」でした。最後に典型パターンを整理します。

  • 条件付き確率の向きを取り違えない:\(P(A\mid B)\) と \(P(B\mid A)\) は別物です(例題3)。「〜のとき」と書かれた側が条件、つまり分母になります。
  • 「少なくとも」は余事象で解く:直接数えると重複や数え漏れが出ます(例題1)。「1つも起きない」確率を1から引くのが基本形です。
  • 戻さない取り出しでは分母が変わる:2回目の確率は、1回目の結果で中身が変わったあとの割合で計算します(例題2)。
  • 独立と排反を混同しない:排反は「同時には起こらない」、独立は「起きても確率が変わらない」ことです。排反な2事象は独立にはなりません(例題7)。
  • 有病率が低いと陽性的中率は上がらない:感度・特異度が高くても、母集団の有病率が低ければ偽陽性が陽性の大半を占めます(例題6)。ベイズの問題では「事前確率(割合)」を掛け忘れないことが要点です。
🔑 まとめ・実務ポイント
本番での手順は3つです。(1)「〜のとき」を見たら条件付き確率で、分母になる集団を先に特定する。(2)場合分けが出たら全確率の公式で「割合×確率」を足し、結果から原因を聞かれたらベイズの定理で割る。(3)独立の判定は印象でなく積の式で確かめる。この3手順で、確率分野の典型出題はほぼ処理できます。

📚 この記事をより深く理解するための参考書籍

『改訂版 日本統計学会公式認定 統計検定2級対応 統計学基礎』日本統計学会 編(東京図書、2015年)

『改訂版 日本統計学会公式認定 統計検定2級対応 統計学基礎』日本統計学会 編(東京図書、2015年)
日本統計学会が編集した2級対応の公式テキストです。事象と確率、条件付き確率とベイズの定理、独立性の定義・公式を2級の水準で体系的に確認できます。本記事の例題で「なぜこの式になるのか」で手が止まったときに、該当する章へ戻る使い方がおすすめです。出題範囲は改訂されることがあるため、最新の範囲は公式サイトとあわせて確認してください。

『日本統計学会公式認定 統計検定 2級 公式問題集[CBT対応版]』日本統計学会 編(実務教育出版、2023年)

『日本統計学会公式認定 統計検定 2級 公式問題集[CBT対応版]』日本統計学会 編(実務教育出版、2023年)
CBT方式の出題範囲と形式に沿った問題と解説を収録した公式問題集です。本記事で計算の流れをつかんだら、次は4〜5肢選択の形で、制限時間内に条件と結論を読み分けて計算する練習が必要です。条件付き確率の向きの取り違えや、「少なくとも」を直接数えてしまうといった本記事の「典型的な間違い」を、実際の問題で確かめるのに最適です。

『統計学入門(基礎統計学Ⅰ)』東京大学教養学部統計学教室 編(東京大学出版会、1991年)

『統計学入門(基礎統計学Ⅰ)』東京大学教養学部統計学教室 編(東京大学出版会、1991年)
確率の公理から条件付き確率・ベイズの定理までを、定義に立ち返って積み上げて説明する定番書です。ベイズの定理が「条件付き確率の定義と全確率の公式の組み合わせ」であることを一度理解しておくと、公式を忘れても樹形図から再現できるようになります。2級合格後に準1級へ進む方にとっても土台になる一冊です。

生物統計家のキャリアについて相談したい方へ

製薬企業・CROでのキャリア、未経験からの転職、実務で必要になるスキルの伸ばし方について、現役の生物統計家が個別にご相談をお受けしています。

キャリア相談の詳細を見る →

関連記事・次のステップ

まとめ

本記事では、統計検定2級の確率の基礎とベイズの定理を、本番で出そうな例題7問を通して整理しました。

基本では、サイコロ2個で和が8になる確率 \(\frac{5}{36}=0.1389\) と、「少なくとも1つは6」を余事象で解く \(\frac{11}{36}=0.3056\) を確認し、戻さない玉の取り出しでは2回目の分母が9に変わることを乗法定理で押さえました。条件付き確率では、分子が同じ8でも条件の集団が違えば \(\frac{8}{14}=0.5714\) と \(\frac{8}{22}=0.3636\) に分かれること、つまり \(P(A\mid B)\) と \(P(B\mid A)\) は別物であることを確認しました。全確率の公式では不良品の確率を場合分けの合計 \(0.032\) と求め、ベイズの定理で不良品に占めるA工場製の割合が事前の60%から37.5%へ更新される流れを追いました。応用では、有病率1%・感度95%・特異度90%の検査でも陽性的中率は約8.8%にとどまること、独立性は \(P(A\cap B)\) と \(P(A)P(B)\) の一致で判定することを確認しました。

本番で大切なのは、公式の暗記よりも「どの事象が条件で、どの事象が結論なのか」を先に言葉で固定し、それから式を選ぶ順序です。この読み取り方は、臨床検査の陽性結果をどう解釈するかという実務の判断でもそのまま使える基本動作ですので、公式問題集で繰り返し確かめていただければと思います。

定着させるコツは、数日置いてから本記事を閉じた状態で例題を解き直し、条件付き確率とベイズの定理の計算を再現できるか確かめることです。2回目に詰まった箇所が、公式問題集で潰すべき弱点になります。

次の一歩としては、学習計画を立て直すための統計検定2級の勉強法、本記事と地続きの統計検定2級「確率分布」攻略と統計検定2級「仮説検定・区間推定」攻略をあわせてご覧いただくと、確率から分布・検定までの流れが確かなものになり、合格への大きな強みになります。

ABOUT ME
tomokichi
外資系製薬会社で生物統計家として働ている1児のパパ。生物統計家とは何か、どのようなスキルが必要か、何を行っているのかを共有していきたいと思っております!生物統計に関する最新情報を皆様にお届けすべく、日々奮闘中です。趣味は筋トレ、温泉巡り、家族と散歩。