ベイズ統計と頻度論 ─ AIエンジニアはどちらを学ぶべき？

「頻度論」「ベイズ統計」 ─ どちらも統計の枠組みですが、確率の解釈そのものが違います。AI エンジニア視点でどう使い分けるか、実装と紐付けて整理します。

結論 ─ 一文で違いを表すと

• 頻度論: 確率 = 同じ試行を無限回繰り返したときの 長期割合
• ベイズ: 確率 = ある事象に対する 信念(degree of belief) の度合い

違いを実装で見る

頻度論的な分析

from sklearn.linear_model import LinearRegression
from scipy import stats

model = LinearRegression()
model.fit(X, y)

# 係数の信頼区間 → 『同じ条件で再サンプリングした場合 95% で覆う区間』
se = ...  # 標準誤差を計算
ci_low = model.coef_ - 1.96 * se
ci_high = model.coef_ + 1.96 * se

ベイズ的な分析

import pymc as pm

with pm.Model() as model:
    # 事前分布(信念)
    alpha = pm.Normal('alpha', mu=0, sigma=10)
    beta = pm.Normal('beta', mu=0, sigma=10)
    sigma = pm.HalfNormal('sigma', sigma=1)

    # 尤度
    y_obs = pm.Normal('y', mu=alpha + beta * X, sigma=sigma, observed=y)

    # MCMC で事後分布をサンプリング
    trace = pm.sample(2000)

# 事後分布の 95% 信用区間 → 『パラメータの取り得る値の範囲についての信念』
import arviz as az
az.summary(trace, hdi_prob=0.95)

AI エンジニア視点での使い分け

• A/B テスト: 頻度論(p 値 ・ 信頼区間)が標準。ベイズ A/B も増えてきた
• ハイパーパラメータ探索: ベイズ最適化(`optuna`, `scikit-optimize`)
• スパムフィルタ: ナイーブベイズ分類器
• 画像分類: 頻度論的(CNN + クロスエントロピー)が中心
• LLM ・ 生成モデル: 確率モデル(MCMC ・ VAE ・ Diffusion)はベイズ寄り
• 不確実性推定: ベイズ NN ・ MC dropout は深層学習でも重要

学習順の推奨

頻度論を先 → ベイズを後。理由: 頻度論の方が教材が圧倒的に多く、統計検定 2 級までで体系化されている。ベイズは準 1 級以降で本格導入されるが、それまでに『分布 ・ 尤度 ・ 期待値』の感覚が必要。

1. [統計検定 3 級 教科書](/textbook/grade-3) ─ 確率変数 ・ 正規分布 ・ 信頼区間
2. [統計検定 2 級 教科書](/textbook/grade-2) ─ 検定 ・ 回帰(頻度論の総仕上げ)
3. [統計検定 準 1 級 教科書](/textbook/grade-pre1) ─ ベイズの定理 ・ 事後分布 ・ 共役分布
4. [統計検定 1 級](/textbook/grade-1) ─ MCMC ・ EM アルゴリズム
5. [E 資格 教科書](/certs/e-shikaku/textbook) ─ ベイズ NN ・ 不確実性

よくある質問

Q. ベイズだけでよくない？

A. 業界標準が頻度論なので、論文 ・ レポート ・ 同僚とのコミュニケーションで頻度論を使えないと困ります。両方できるのが理想。

Q. 事前分布の選び方が分からない

A. 最初は 無情報事前分布(一様 ・ 弱情報正規分布)で OK。慣れてきたら共役事前分布(ベータ-二項、ガンマ-ポアソン)を使い分けると計算が楽になります。準 1 級教科書で扱います。

まとめ

頻度論とベイズは対立軸ではなく、使い分ける道具。AI エンジニアとしては、頻度論 7 割 + ベイズ 3 割で回せれば実務上十分。準 1 級まで取れば両方の感覚が身につきます。