理論値を先に書く
異常の確率0.1、異常で陽性となる確率0.9、正常で陽性となる確率0.1の仮想モデルを使います。陽性の確率は0.1×0.9+0.9×0.1=0.18で、陽性中の異常率は0.09/0.18=0.5です。この50%と検出率90%を実験前に区別してください。実データや外部サービスを使わず、乱数で観測を作るための模型です。実際の検査にこの数値が適用できるとは主張しません。分割表の四区画を書いてからプログラムへ進むと、分母の実装を検算できます。
乱数の条件を固定する
Python 3の標準ライブラリだけを使います。コードをsample.pyへ保存し、python sample.pyで実行します。固定seedは同じ環境で結果を再現するためのもので、標本を理論値へ一致させる指定ではありません。最初の乱数で異常かを決め、その結果に応じて次の乱数の陽性確率を変えます。二回とも同じ確率0.1で判定すると、意図した条件付きのモデルではなくなります。外部ファイルの読取りやネットワーク通信はなく、実行後の片付けは保存したスクリプトを削除するだけです。
同じ分子を二つの分母で割る
abnormalは異常総数、positiveは陽性総数、true_positiveは両方を満たす件数です。posteriorはtrue_positive/positive、sensitivityはtrue_positive/abnormalで計算します。同じ分子を使っていても、残した母集団が違います。コードは10万件を一つずつ生成し、二つの割合が理論値の近くにあるかを広い許容幅で確認します。ここでのassertは手続きの取り違えを見つける補助であり、統計的な信頼区間やモデル妥当性の検定ではありません。表示された件数から割り算もやり直してください。
import random
rng = random.Random(20261028)
n = 100_000
abnormal = positive = true_positive = 0
for _ in range(n):
a = rng.random() < 0.1
b = rng.random() < (0.9 if a else 0.1)
abnormal += a
positive += b
true_positive += a and b
posterior = true_positive / positive
sensitivity = true_positive / abnormal
print(n, abnormal, positive, true_positive)
print(round(posterior, 4), round(sensitivity, 4))
assert abs(posterior - 0.5) < 0.03
assert abs(sensitivity - 0.9) < 0.03
差が残る理由を説明する
実行した割合が0.5や0.9と完全一致しないのは、有限の標本から計算しているためです。異常総数も陽性総数も乱数で変動するため、割合の分母も固定ではありません。まず表示された総数が正で、true_positiveがどちらの総数も超えていないかを確認します。seedを変えると観測値も変わります。毎回同じ値が出たから理論を証明した、あるいは一回ずれたからベイズ則が誤っている、とは解釈しません。生成したモデルの条件と標本誤差の二つを分けて結果を読みます。
発生頻度だけを変更する
異常の確率だけを0.01へ変えると、理論上の陽性中の異常率は0.009/(0.009+0.099)、約0.0833になります。検出率の条件0.9は維持しています。変更後はassertの比較対象もこの理論値へ合わせてください。元の0.5に近いことを要求し続けるのは、モデルと検証条件が食い違ったテストです。標本数を小さくした場合は異常が0件になる可能性もあり、除算前の確認が必要です。正常からの陽性率を変える実験は、発生頻度を固定した別の実行として記録します。
観測から分割表へ戻る
最後に、異常・陰性をabnormal−true_positive、正常・陽性をpositive−true_positive、正常・陰性をn−abnormal−positive+true_positiveとして求めます。四区画が非負で合計nになることを確認してください。課題は、元の設定と発生頻度1%の設定について、この四区画、二つの条件付き割合、理論との差を表にまとめることです。合格の観点は値の完全一致ではなく、分母の説明と、固定した条件を特定できることです。分母が曖昧なら条件付き確率ガイドの四区画の例へ戻ります。