尤度とは何か？確率との違いから最尤推定・尤度比まで計算例で統計学の基本を徹底解説

尤度とは何か？確率との違いから最尤推定・尤度比まで計算例で統計学の基本を徹底解説

@ creator • Click to Play Video Inline

🎵 尤度とは何か？確率との違いから最尤推定・尤度比まで計算例で統計学の基本を徹底解説 ▶ Play Video

統計学や機械学習を学んでいると、「尤度（ゆうど）」という言葉に出会います。尤度とは、実際に観測されたデータを前提として、あるパラメータがどれほどデータを説明できるかを表す統計学の概念です。簡単にいえば、「今回得られたデータは、どのような条件や数値を仮定すると最も自然に説明できるのか」を評価するための尺度です。

2026年現在も、尤度は最尤推定法、ベイズ統計、回帰分析、機械学習など幅広い分野で使われています。ただし、確率と似た数式で表されるため、両者の違いを理解できずに混乱する人も少なくありません。この記事では、尤度の意味と仕組みを出発点に、尤度関数、尤度曲線、対数尤度、最尤法、尤度比検定まで、コイン投げの具体例と計算式を使って順番に解説します。

📌 【この記事の重要ポイントまとめ】

- 尤度とは：観測されたデータをもとに、各パラメータがどれほどデータを説明できるかを示す尺度。
- 確率との違い：確率はパラメータを固定してデータの起こりやすさを考え、尤度はデータを固定してパラメータの妥当性を比較する。
- 実務での役割：最尤推定、対数尤度、尤度比検定、ベイズ統計、機械学習などの基礎になる。

【まず答え】尤度とは？統計学における意味と基本的な仕組み

尤度の意味を簡単に説明すると

尤度とは、観測されたデータが与えられたとき、特定のパラメータを仮定した統計モデルが、そのデータをどれほど説明できるかを表すものです。

例えば、表と裏が出るコインを10回投げたところ、表が7回、裏が3回出たとします。

この結果から、コインが公平なのか、それとも表が出やすい偏ったコインなのかを考える場合、表が出る確率を示すパラメータを「p」と置きます。

考えられる仮説は次のとおりです。

- p＝0.5：表と裏が同じ確率で出る公平なコイン
- p＝0.6：表が出る確率が60％のコイン
- p＝0.7：表が出る確率が70％のコイン
- p＝0.8：表が出る確率が80％のコイン

すでに表が7回出たという観測結果は確定しています。

そこで、それぞれのpの値を仮定したとき、実際に表が7回出るというデータをどれだけ説明できるかを比較します。

この比較に使う尺度が尤度です。

つまり、尤度は「観測された結果を最もよく説明するパラメータはどれか」を考えるための道具です。

統計学における尤度の仕組み

尤度を数学的に表すと、次のようになります。

L(θ｜x)＝f(x｜θ)

ここで、それぞれの記号には次の意味があります。

- L：尤度関数
- θ（シータ）：推定したい未知のパラメータ
- x：実際に観測されたデータ
- f(x｜θ)：パラメータθを仮定したときのデータの確率、または確率密度

重要なのは、データxを固定し、パラメータθを変化させて考えるという点です。

例えば、平均値が未知の正規分布を考える場合、観測データを固定したうえで、平均値を10、12、15、20などと変化させます。

それぞれの平均値を仮定した場合に、実際のデータがどれほど説明しやすいかを計算します。

その結果、尤度が最大になる平均値が、最尤推定値の候補になります。

米国ミネソタ大学の統計学講義資料や、ペンシルベニア州立大学の統計学教材でも、尤度は確率分布をパラメータの関数として捉え直したものとして説明されています。

尤度は確率そのものではない

ここで押さえておきたいのが、尤度はパラメータについての確率分布ではないということです。

尤度が高いからといって、そのパラメータが正しい確率が高いと直接判断できるわけではありません。

尤度は、あくまで特定のデータと統計モデルを前提にした相対的な評価尺度です。

この違いを理解することが、統計学を正しく学ぶ第一歩になります。

【混同注意】尤度と確率の違いは？確率密度関数との関係も比較

尤度と確率は何が違うのか

尤度と確率は、数学的には同じ関数を使う場合があります。しかし、何を固定して何を変化させるかという視点が異なります。

確率の場合は、パラメータを固定して、どのようなデータが発生するかを考えます。

一方、尤度の場合は、すでに観測されたデータを固定して、どのパラメータがその結果を最もよく説明するかを考えます。

先ほどのコイン投げを例にすると、次のようになります。

確率の考え方

公平なコインを10回投げたとき、表が7回出る確率はいくらか。

これはp＝0.5を固定して計算します。

尤度の考え方

10回投げて表が7回出たとき、p＝0.5、0.6、0.7、0.8のどの値が観測結果を最もよく説明するか。

こちらは観測結果を固定し、pを変化させます。

同じ数式でも、問いの方向が反対になっているのです。

確率・尤度・確率密度関数の比較

確率密度関数と尤度の関係

確率密度関数（PDF）は、連続型の確率変数がどの範囲に現れやすいかを表す関数です。

例えば、身長や体重、測定時間など、連続的な値を取るデータを分析するときに利用されます。

連続型のデータでは、特定の一点を取る確率は通常0になります。そのため、確率密度関数の値そのものを、その値が観測される確率と解釈してはいけません。

確率は一定の範囲における確率密度の積分で求めます。

一方、尤度は観測された連続データを確率密度関数に代入し、パラメータの関数として評価したものです。

なお、確率密度や尤度の値は1を超えることもあります。これは異常ではありません。確率密度は面積が1になるように定義されているため、高さそのものに1以下という制約はないからです。

尤度はパラメータの事後確率ではない

もう一つの誤解が、尤度を「その仮説が正しい確率」と考えてしまうことです。

例えば、あるパラメータの尤度が別のパラメータの2倍だったとしても、前者が正しい確率が2倍という意味にはなりません。

パラメータそのものについて確率分布を求めるには、ベイズ統計の考え方を使います。

この点は、後半で詳しく解説します。

【計算で理解】尤度関数の求め方と具体例！コイン投げで徹底解説

尤度関数とは何か

尤度関数とは、観測されたデータを固定し、未知のパラメータを変化させたときの尤度を表す関数です。

一般的には次の式で表します。

L(θ)＝f(x｜θ)

複数の独立した観測データがある場合は、それぞれのデータが発生する確率を掛け合わせます。

L(θ)＝∏f(xᵢ｜θ)

ここで、∏は各観測データについて掛け合わせることを意味します。

この式が成り立つのは、観測データがパラメータを条件として独立である場合です。

独立性が成り立たない場合には、データの同時分布を使って尤度を構成します。

尤度の計算方法：表が7回出た場合

ここからは具体的な数値を使って計算します。

条件は次のとおりです。

- コインを10回投げる
- 表が7回出る
- 裏が3回出る
- 表が出る確率をpとする
- 各回の試行は独立と仮定する

この場合、二項分布を利用できます。

二項分布の確率関数は次の式です。

P(X＝k)＝ₙCₖ pᵏ(1−p)ⁿ⁻ᵏ

今回の条件を代入すると、

L(p)＝₁₀C₇ × p⁷ × (1−p)³

となります。

₁₀C₇は、10回の試行のうち表が7回出る組み合わせの数です。

₁₀C₇＝120なので、

L(p)＝120 × p⁷ × (1−p)³

です。

ここでは、観測された表の回数が7回であることは確定しています。そのため、pを変化させて尤度を比較します。

例えば、p＝0.5とp＝0.7を比べてみましょう。

p＝0.5の場合

L(0.5)＝120 × 0.5⁷ × 0.5³

L(0.5)＝約0.1172

p＝0.7の場合

L(0.7)＝120 × 0.7⁷ × 0.3³

L(0.7)＝約0.2668

この結果から、今回の観測データについては、p＝0.7と仮定したモデルのほうが、p＝0.5と仮定したモデルよりも高い尤度を持つことが分かります。

尤度の比率を計算すると、

0.2668 ÷ 0.1172 ≒ 2.28

となります。

つまり、今回の観測データは、p＝0.7の仮定のもとでは、p＝0.5の仮定のもとより約2.28倍生じやすいという比較結果になります。

尤度関数をグラフにするとどうなる？

尤度関数を横軸にパラメータp、縦軸に尤度を取って描いたものを、尤度曲線と呼びます。

今回のコイン投げの例では、pが0から1まで変化すると、尤度は次のように変わります。

- pが0に近い：表が7回出るという結果を説明しにくい
- pが0.5：公平なコインという仮定では、今回の結果の説明力が相対的に低い
- pが0.7：尤度が最大になる
- pが1に近い：裏が3回出た結果を説明しにくい

尤度曲線の頂点は、データを最もよく説明するパラメータを示しています。

また、曲線の形状も重要です。

頂点の周辺が鋭い曲線であれば、比較的限られた範囲のパラメータが高い尤度を持つことを示します。

反対に、頂点の周辺が平らであれば、複数のパラメータが似たような尤度を持ち、データだけでは区別しにくい可能性があります。

ただし、曲線の幅だけで正式な信頼区間が決まるわけではありません。信頼区間を求めるには、尤度比などを利用した別の統計的手続きが必要です。

【推定の核心】最尤推定法・最尤法・対数尤度の仕組み

最尤推定法とは

最尤推定法（Maximum Likelihood Estimation：MLE）とは、尤度関数が最大になるパラメータを推定値として採用する方法です。

別名、最尤法とも呼ばれます。

考え方は非常にシンプルです。

実際に観測されたデータを最もよく説明するパラメータを探し、その値を推定結果とするのです。

数学的には次のように表します。

θ̂＝arg max L(θ)

θ̂は最尤推定値、arg maxは関数を最大にするパラメータを意味します。

コイン投げの例から最尤推定値を求める

先ほどの条件をもう一度確認します。

- 試行回数：10回
- 表が出た回数：7回
- 裏が出た回数：3回

尤度関数は次のとおりです。

L(p)＝120 × p⁷ × (1−p)³

この関数を最大にするpを求めます。

直接微分しても構いませんが、計算しやすくするために対数尤度を利用します。

ℓ(p)＝log L(p)

すると、

ℓ(p)＝log120＋7log p＋3log(1−p)

となります。

これをpで微分します。

dℓ(p)/dp＝7/p−3/(1−p)

最尤推定値を求めるため、微分した式を0と置きます。

7/p−3/(1−p)＝0

両辺を整理すると、

7(1−p)＝3p

7−7p＝3p

10p＝7

したがって、

p̂＝0.7

となります。

今回の最尤推定値は70％です。

10回のコイン投げで表が7回出た場合、最尤推定法では、表が出る確率を70％と推定するわけです。

対数尤度とは？なぜlogを使うのか

対数尤度とは、尤度関数の自然対数を取ったものです。

ℓ(θ)＝log L(θ)

統計学では、最尤推定を行う際に尤度そのものではなく、対数尤度を使うことがよくあります。

理由は主に3つあります。

1つ目は、掛け算を足し算に変換できることです。

独立した観測データの尤度は、それぞれの確率を掛け合わせて求めます。

L(θ)＝f(x₁｜θ) × f(x₂｜θ) × … × f(xₙ｜θ)

対数を取ると、

ℓ(θ)＝Σlog f(xᵢ｜θ)

となります。

2つ目は、計算の安定性です。

多くの観測データを掛け合わせると、非常に小さな数値になり、コンピューターの数値計算でアンダーフローが発生する可能性があります。対数を利用すれば、この問題を軽減できます。

3つ目は、微分による最適化がしやすくなることです。

対数関数は単調増加するため、尤度が最大になるパラメータと対数尤度が最大になるパラメータは一致します。

つまり、最尤推定値を求める目的では、尤度と対数尤度のどちらを最大化しても結果は同じです。

最尤推定法のメリットと注意点

最尤推定法は、多くの統計モデルに適用できる汎用性の高い方法です。

特に、標本数が十分に大きく、モデルの仮定などが適切な条件下では、一致性や漸近正規性などの望ましい性質を持ちます。

一方で、注意点もあります。

- 標本数が少ない場合、推定値に偏りが生じることがある
- モデルの仮定が間違っていると、推定結果も適切でなくなる
- 複雑なモデルでは、計算が難しくなる
- 初期値によって局所的な最大値に収束する場合がある
- パラメータが識別できない場合、最尤推定値が一意に決まらないことがある

米国国立標準技術研究所（NIST）のEngineering Statistics Handbookでも、最尤推定は幅広い推定問題に使える一方、小標本での偏りや数値計算上の問題に注意が必要と説明されています。

【モデル比較の決め手】尤度比・尤度比検定とは？何が分かるのか

尤度比とは

尤度比とは、2つの異なるパラメータや仮説の尤度を比較するための指標です。

例えば、次の2つの仮説を考えます。

- 仮説A：コインは公平である（p＝0.5）
- 仮説B：コインの表が出る確率は0.7である（p＝0.7）

先ほど計算した尤度を使えば、両者を比較できます。

尤度比は一般的に次のように表します。

LR＝L(p＝0.7)／L(p＝0.5)

今回の結果を代入すると、

LR≒0.2668／0.1172

LR≒2.28

となります。

この結果は、観測データがp＝0.7という仮説のもとで、p＝0.5という仮説のもとより約2.28倍生じやすいことを示します。

ただし、この数字だけでp＝0.7が正しいと断定できるわけではありません。

尤度比検定とは

尤度比検定（Likelihood Ratio Test：LRT）は、2つの統計モデルを比較して、制約のあるモデルがデータを十分に説明できるかを検証する方法です。

一般的には、次の2つを比較します。

- 帰無仮説モデル：特定のパラメータに制約を設けたモデル
- 対立仮説モデル：その制約を外し、より自由にパラメータを推定できるモデル

帰無仮説モデルの最大尤度をL₀、制約のないモデルの最大尤度をL₁とすると、

λ＝L₀／L₁

となります。

制約のないモデルは、少なくとも同じだけの自由度を持つため、通常はL₀≦L₁です。

尤度比検定では、次の統計量を利用します。

D＝−2log λ

または、

D＝2（log L₁−log L₀）

です。

適切な正則条件のもとで、標本数が十分に大きい場合、この統計量は近似的にカイ二乗分布に従います。

自由度は、2つのモデル間で比較される独立したパラメータ制約の数に対応します。

尤度比検定で何が判断できる？

例えば、ある広告施策によって商品の購入率が変化したかを調べる場合を考えます。

広告の効果がないと仮定したモデルと、広告の効果をパラメータとして組み込んだモデルを比較します。

広告効果を加えたモデルの尤度が大きく改善し、尤度比検定でも統計的に有意な結果が得られれば、広告効果がないという仮説に反する証拠になります。

ただし、統計的に有意であることと、広告施策に実務的な価値があることは別問題です。

効果の大きさや費用対効果も合わせて判断する必要があります。

尤度比検定は、NISTの統計ハンドブックでも、モデルの仮定や制約を検証する汎用的な手法として紹介されています。

【2026年の実務】ベイズ統計・機械学習で尤度はどう使われる？

ベイズ統計と尤度の関係

ベイズ統計では、尤度は事前分布と組み合わせて、事後分布を求めるために使われます。

ベイズの定理は次の式で表せます。

P(θ｜x)＝P(x｜θ)P(θ)／P(x)

それぞれの意味は次のとおりです。

- P(θ｜x)：事後確率
- P(x｜θ)：尤度に対応するデータの確率
- P(θ)：事前分布
- P(x)：周辺尤度

より簡潔には、

事後分布 ∝ 尤度 × 事前分布

と表せます。

事前分布とは、データを観測する前に持っているパラメータについての情報を確率分布として表したものです。

例えば、コインの公平性を調べる場合、最初から極端に偏ったコインよりも公平なコインのほうが多いと考えるなら、その考えを事前分布に反映できます。

そこに実際のコイン投げの結果から得られた尤度を掛け合わせることで、観測後の事後分布を求めます。

最尤推定法が尤度の最大値を探すのに対して、ベイズ統計では事前情報と観測データの両方を考慮します。

この違いは、両者を理解するうえで非常に重要です。

機械学習における尤度の役割

機械学習でも尤度は重要な役割を果たします。

特に、教師あり学習では、モデルが出力した予測結果と実際の正解データとの関係を評価するために利用されます。

例えば、二値分類モデルでは、あるデータが正例である確率をpと予測します。

実際の正解ラベルをy（0または1）とすると、1件のデータに対する尤度は次のようになります。

L(p)＝pʸ(1−p)¹⁻ʸ

この対数を取って符号を反転したものが、二値分類で広く使われる二値交差エントロピー損失です。

つまり、機械学習における交差エントロピー損失は、ベルヌーイ分布を仮定した場合の負の対数尤度として理解できます。

また、正規分布を仮定した回帰モデルでは、分散を一定とする条件のもとで、二乗誤差の最小化が最尤推定と対応します。

このように、尤度は統計学だけでなく、機械学習の学習アルゴリズムを理解するうえでも欠かせない考え方です。

尤度を使うべき場面と注意すべき場面

尤度は、次のような場面で特に役立ちます。

- 観測データから未知のパラメータを推定したい
- 複数の統計モデルの説明力を比較したい
- 回帰分析や分類モデルを最適化したい
- ベイズ統計で観測データの情報を反映したい
- 尤度比検定でモデルの制約を検証したい

一方で、尤度だけを見て判断するのが適切でない場面もあります。

例えば、パラメータの数が異なるモデルを比較するとき、複雑なモデルは追加パラメータによって尤度を改善しやすくなります。

そのため、単純に最大尤度が高いモデルを選べばよいとは限りません。

このような場合は、モデルの複雑さも考慮するAIC（赤池情報量規準）やBIC（ベイズ情報量規準）などを併用します。

また、尤度は採用した統計モデルの仮定に依存します。データの独立性や分布の仮定が適切でなければ、計算上の最尤推定値が得られても、その解釈には問題が残ります。

【プロの結論】尤度を理解するうえで本当に大切な3つの視点

尤度を使いこなすためには、数式を暗記するだけでは不十分です。

特に大切なのは、次の3点です。

1. 確率と尤度の視点を切り替える

確率は、条件を決めて結果の起こりやすさを考えます。尤度は、結果を固定して条件の妥当性を比較します。この違いを常に意識すれば、基本的な混乱は避けられます。

2. 最大値だけでなく尤度曲線全体を見る

最尤推定値は、あくまで尤度が最大になる一点です。その周辺の曲線が鋭いのか平らなのかによって、データから得られるパラメータ情報の強さが異なります。推定値と不確実性は分けて考える必要があります。

3. 尤度の高さとモデルの正しさを混同しない

尤度は、あらかじめ設定した統計モデルの中でデータを説明する尺度です。モデルそのものが現実を正しく表しているかどうかまでは保証しません。

データの性質、モデルの仮定、推定結果の不確実性を合わせて判断することが、統計分析の質を高めます。

【尤度とは】に関するよくある質問（FAQ）

Q1：尤度とは簡単にいうと何ですか？

A1：尤度とは、観測されたデータを前提に、あるパラメータがどれほどそのデータを説明できるかを示す尺度です。複数のパラメータを比較し、データに適した値を探すために使います。

Q2：尤度と確率の違いは何ですか？

A2：確率はパラメータを固定してデータの発生可能性を考えます。一方、尤度は観測されたデータを固定してパラメータの妥当性を比較します。数学的には同じ関数を使うことがありますが、解釈が異なります。

Q3：尤度が高いほど正しいということですか？

A3：必ずしもそうではありません。尤度が高いということは、比較対象となるパラメータやモデルが観測データをよりよく説明していることを意味します。モデルの仮定が正しいことや、パラメータが真の値であることを保証するものではありません。

Q4：最尤推定法と最尤法は違いますか？

A4：基本的には同じ意味です。どちらも尤度関数を最大化することで未知のパラメータを推定する方法を指します。英語ではMaximum Likelihood Estimation（MLE）と呼ばれます。

Q5：対数尤度を使う理由は何ですか？

A5：尤度の積を和に変換でき、微分や数値計算が容易になるためです。また、非常に小さな確率を掛け合わせることで生じる数値計算上の問題を軽減できます。対数は単調増加関数なので、尤度を最大化する場合と対数尤度を最大化する場合で推定値は一致します。

Q6：尤度比と尤度比検定の違いは何ですか？

A6：尤度比は2つの仮説やモデルの尤度を比較する比率です。尤度比検定は、その比率から統計量を計算し、モデルに設けた制約が妥当かどうかを統計的に検証する方法です。

Q7：尤度は機械学習でも使われますか？

A7：使われます。特に分類モデルでは、予測確率と正解ラベルに基づく対数尤度が学習に使われます。負の対数尤度は損失関数として利用され、二値分類における交差エントロピー損失もその代表例です。

まとめ：尤度を理解すれば統計学と機械学習の仕組みが見えてくる

尤度とは、観測されたデータを固定し、どのパラメータがその結果を最もよく説明できるかを評価する統計学の基本概念です。

確率との違いは、何を固定して何を変化させるかにあります。この視点を理解すれば、尤度関数や尤度曲線の意味も自然に整理できます。

今回解説した重要な概念を振り返ると、次のようになります。

- 尤度関数：観測データを固定してパラメータの妥当性を評価する関数
- 尤度曲線：パラメータと尤度の関係を視覚化したグラフ
- 最尤推定法：尤度を最大化するパラメータを求める方法
- 対数尤度：計算や最適化を容易にするために対数を取った尤度
- 尤度比：複数の仮説やモデルの相対的な説明力を比較する尺度
- 尤度比検定：モデルの制約を統計的に検証する方法
- ベイズ統計：尤度と事前分布を組み合わせて事後分布を求める方法

2026年の統計学や機械学習を学ぶうえでも、尤度は避けて通れない重要な考え方です。

特に、最尤推定とベイズ推定の違い、確率と尤度の解釈、対数尤度による最適化を理解しておけば、回帰分析や機械学習の数式も読み解きやすくなります。

尤度を理解する最大のポイントは、単に「どれだけ起こりやすいか」を見るのではなく、「実際に観測されたデータを、どのパラメータが最もよく説明できるか」という視点を持つことです。 これが統計的な推定とモデル評価を理解するための出発点になります。

参考にした主要資料

- 米国国立標準技術研究所（NIST）「Engineering Statistics Handbook」— 最尤推定・尤度比検定の解説。
- ペンシルベニア州立大学「Analysis of Discrete Data」— 二項分布と尤度関数の計算例。
- Stanford University「Modern Statistics for Modern Biology」— 二項尤度と対数尤度の具体例。
- Alexander Etz「Introduction to the Concept of Likelihood and Its Applications」— 尤度の概念、最尤推定、ベイズ統計との関係。
- University of California, Berkeley「Creating Estimators」— 最尤推定値の導出と対数尤度の性質。 （出典: 尤 度 と は（Yahoo!ニュース））