「傘を持っていくべきか？」「この株は買い時か？」「この仕事を受けるべきか？」——これらの問いの背後には、すべて確率的な判断が潜んでいます。確率論は数学科だけのものではなく、誰もが毎日無意識に使っている思考の枠組みです。
1. 確率とは何か？
確率とは「ある事象が起こる可能性」を0から1の数値（または0%から100%）で表したものです。
- 確率 = 0：不可能（コインが表と裏を同時に向く）
- 確率 = 1：確実（コインが表か裏になる）
- 確率 = 0.5：五分五分（公正なコインが表になる）
古典的確率（等確率モデル）
すべての結果が等しく起こりうる場合：P(事象) = 有利な結果の数 ÷ 全結果の数
例：公正なサイコロで3が出る確率 = 1 ÷ 6 ≈ 16.7%。偶数（2・4・6）が出る確率 = 3 ÷ 6 = 50%。
2. 確率の基本計算規則
加法定理（OR）
- 排反事象：P(A または B) = P(A) + P(B)
- 非排反事象：P(A または B) = P(A) + P(B) − P(A かつ B)
乗法定理（AND）
- 独立事象：P(A かつ B) = P(A) × P(B)
- 従属事象：P(A かつ B) = P(A) × P(B|A)
余事象の法則
P(A が起きない) = 1 − P(A)。「少なくとも1回起きる」確率は「一度も起きない」確率を引くと簡単に求められます。
例：4回のうち少なくとも1回6が出る確率 = 1 − (5/6)⁴ ≈ 51.8%。
3. 条件付き確率とベイズの定理
条件付き確率 P(B|A) = 「A が起きたことを前提としたときに B が起きる確率」。多くの直感的な誤りの根源です。
ベイズの定理
P(A|B) = P(B|A) × P(A) ÷ P(B)
典型例：有病率1%の病気に対して、感度99%・偽陽性率2%の検査を受けて陽性になった場合、実際に病気である確率は？
| 状況 | 人数（1万人） |
|---|---|
| 病気あり＆陽性（真陽性） | 100 × 99% = 99 |
| 病気なし＆陽性（偽陽性） | 9900 × 2% = 198 |
| 陽性合計 | 99 + 198 = 297 |
P(病気あり | 陽性) = 99 ÷ 297 ≈ 33%。精度99%の検査でも陽性なら3人に1人しか本当に病気ではない——事前確率が低いとこういうことが起きます。
4. 期待値：長期的な平均結果
期待値（E）= 各結果の（値 × 確率）の合計。繰り返し試行したときの平均値を表します。
例：サイコロの期待値 = 1×(1/6) + 2×(1/6) + … + 6×(1/6) = 3.5。
あるゲーム：参加費10円、6が出たら50円もらえる。純期待値 = 50×(1/6) − 10 ≈ −1.67円。これは負の期待値ゲームです。ほぼすべてのカジノゲームはこのように設計されています。
5. よくある確率の認知バイアス
ギャンブラーの誤謬
「表が5回続いたから次は裏が出るはず！」——誤りです。各試行は独立しており、コインに記憶はありません。
基準率の無視
人は事前確率（基準率）を無視して新しい情報に頼りすぎる傾向があります。ベイズの定理の例がまさにそれを示しています。
6. 順列と組み合わせ
順列（順序が重要）
P(n,r) = n! ÷ (n−r)! 例：5人の競争で1〜3位の並べ方 = 60通り。
組み合わせ（順序不問）
C(n,r) = n! ÷ (r! × (n−r)!) 例：50個から6個選ぶ（宝くじ）= 約1,590万通り、当選確率は極めて低い。
まとめ
- 古典的確率：有利な結果 ÷ 全結果、等確率の場面で使用
- 条件付き確率：既知の条件下での確率、基準率を忘れずに
- ベイズの定理：新しい証拠で確率を更新する標準的なツール
- 期待値：長期平均結果、合理的な意思決定の核心指標
- ギャンブラーの誤謬：独立事象に記憶はない、過去は未来に影響しない
確率論の本質は思考の転換です。「これは起きるか？」から「どのくらいの確率で起きるか、その結果はどれほど重大か？」へ。この定量的な思考を身につけることで、不確実な世界でより賢明な判断ができるようになります。