ITストラテジスト 2023年 午前2 問18
問題文
ベイズ統計の説明として、適切なものはどれか。
選択肢
ア：経済統計に関する国際条約に基づいて、貿易実態を正確に把握し、国の経済政策や企業の経済活動の資料とすることを目的とした指標を作成する統計手法
イ：事前分布・事後分布といった確率に関する考え方に基づいて体系化されたものであり、機械学習、迷惑メールフィルターなどに利用されている統計理論（正解）
ウ：収集されたデータの代表値である平均値・中央値・最頻値を求めたり、度数分布表やヒストグラムを作成したりすることによって、データの特徴を捉える統計理論
エ：ビッグデータの収集・分析に当たり、分析結果の検証可能性を確保し、複数の分析結果を比較可能とするために、対象をオープンデータに限定する統計手法
🔒 解説は解答すると表示されます
ベイズ統計【午前2解説】
正解の理由
選択肢イは、ベイズ統計の核心である「事前分布を用いて未知パラメータの確率を考え、データを得て事後分布に更新する」という考え方を端的に表しています。現代の機械学習（例：ナイーブベイズ分類器）や迷惑メールフィルタは、事前確率と条件付き確率を組み合わせて事後確率を求め、判断を行うため、ベイズ統計の応用例に該当します。従って選択肢イが正答です。
解法ステップ
- 問題文で「ベイズ統計」に関連するキーワード（事前分布・事後分布・更新・確率の体系化）を探す。
- 各選択肢がそのキーワードに合致するかを照合する。
- 応用例（機械学習、スパム判定など）を挙げているか確認する。
- 明確に「記述統計」や「データ公開方針」など別分野を述べる選択肢は除外する。
選択肢別の誤答解説
- ア: 経済統計に関する国際条約に基づく指標作成という記述は、確かに「統計の応用例」の一つです（国や企業の政策判断や経済分析に使われる）。しかし、これはベイズ統計の理論的特徴（事前・事後の確率更新）を述べているわけではありません。したがってベイズ統計の説明としては不適切です。
- イ: 事前分布・事後分布という語句を使っており、確率で未知量を捉えて更新する体系である点を正確に述べています。機械学習やスパムフィルタの応用例も具体的で整合します。正解です。
- ウ: 平均値・中央値・最頻値、度数分布表、ヒストグラムは「記述統計（記述的統計）」の手法であり、データの要約・可視化が目的です。ベイズ統計の固有の考え方（事前→事後の確率更新）とは別領域です。
- エ: 分析対象をオープンデータに限定するというのはデータ公開方針や再現性確保の観点で重要ですが、ベイズ統計という確率的推定手法の説明ではありません。手法そのものを定義している記述ではないため不適当です。
よくある誤解
- ベイズ統計は「主観的」である：事前分布に主観が入る可能性はありますが、客観的（非情報的）事前や共役事前などの手法、データ量が大きいと事後が事前に依存しにくくなる点などもあり、必ずしも主観的とは限りません。
- ベイズは機械学習だけの手法：機械学習での応用が有名ですが、医学、天文学、品質管理など幅広い分野の統計的推定に用いられます。
- 記述統計と混同する：平均やヒストグラムはデータの要約であり、推定・予測のための「確率モデルによる更新」を指すベイズ統計とは目的が異なります。
補足コラム
ベイズの基本公式は次の通りです。未知パラメータ とデータ に対して、
ここで が事前分布、 が尤度、 が事後分布です。実務では事後分布から点推定（MAP: Maximum A Posteriori）や区間推定、予測分布を構成します。
簡単な例としてナイーブベイズ（テキスト分類）の概念コード：
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB
docs = ["free money now", "meeting schedule", "win a prize", "project update"]
labels = [1, 0, 1, 0] # 1=spam, 0=ham
vec = CountVectorizer()
X = vec.fit_transform(docs)
clf = MultinomialNB() # 事前確率と条件付き確率を用いる
clf.fit(X, labels)
このように、単語の出現確率（尤度）とクラスの事前確率を用いて事後確率を評価し、分類を行います。
計算が難しい場合はMCMC（例：Metropolis-Hastings, Gibbs sampling）や変分推論で近似的に事後分布を求めます。
FAQ
Q1: 事前分布はどうやって決めるべきですか？
A1: 目的に応じて選びます。既存知見がある場合は情報的事前を、客観性が求められる場合は非情報的（フラット）事前や参照事前を使うことが多いです。モデルの感度を確認するために複数の事前を試す（感度解析）ことが推奨されます。
A1: 目的に応じて選びます。既存知見がある場合は情報的事前を、客観性が求められる場合は非情報的（フラット）事前や参照事前を使うことが多いです。モデルの感度を確認するために複数の事前を試す（感度解析）ことが推奨されます。
Q2: ベイズ推定と最尤推定（MLE）の違いは？
A2: MLEはデータだけを使ってパラメータの値を推定しますが、ベイズは事前情報を組み合わせて事後分布を求めます。サンプルが少ない場合にベイズの柔軟性が有利になることがあります。
A2: MLEはデータだけを使ってパラメータの値を推定しますが、ベイズは事前情報を組み合わせて事後分布を求めます。サンプルが少ない場合にベイズの柔軟性が有利になることがあります。
Q3: 計算負荷は大きいですか？
A3: 単純なモデルは解析的に解けることもありますが、複雑なモデルではMCMCや変分法を用いるため計算負荷は高くなります。近年は計算資源とアルゴリズムの発展で実用性が高まっています。
A3: 単純なモデルは解析的に解けることもありますが、複雑なモデルではMCMCや変分法を用いるため計算負荷は高くなります。近年は計算資源とアルゴリズムの発展で実用性が高まっています。
関連キーワード: ベイズ, 事前分布, 事後分布, ベイズ推定, ナイーブベイズ, MCMC, 共役事前分布, MAP, ベイズ予測
\ せっかくなら /
ITストラテジストを
クイズ形式で学習しませんか？
クイズ画面へ遷移する→
すぐに利用可能！