1 検出確率の基本概念
1.1 定義と直感的な意味
検出確率とは、対象となる事象（たとえば信号の存在、特定の特徴の出現など）が、検出器または判定手続きによって「検出された」と判断される確率を指す。観測データから何らかの状態を推定する状況では、対象が実際に存在する条件の下で、その状態が正しく見つかる度合いを表す指標として用いられる。
直感的には、「本当に起きている事象が、どれくらいの確率で見つけられるか」を数値化したものと考えられる。検出器が高性能であれば検出確率は上がり、ノイズや判定の厳しさが増えれば低下しやすい。
1.2 関連する確率の整理
1.2.1 真陽性率（検出率）としての位置づけ
検出確率は、しばしば分類・検定の枠組みで真陽性率（TPR）や検出率として整理される。ここで真陽性は、対象が存在するのに対して、検出器がそれを「存在」と判定するケースである。真陽性率は、「対象が存在する条件下での、正しい陽性判定の割合」を表すため、検出確率と整合的な概念として扱いやすい。
TPRは、検出の感度を示す軸として使われる一方、判定を厳しくしたり検出閾値を変えたりすると、偽陽性側の挙動にも同時に影響が出る。そのため、単独の値よりも複数の指標を組み合わせて解釈されることが多い。
1.2.2 偽陰性との関係（見逃し）
検出確率の補数として、偽陰性（見逃し）に対応する確率が定義される。偽陰性は、対象が存在するのにかかわらず「不在」と判定される誤りであり、見逃しの起こりやすさを表す。
一般に、対象が存在する条件下での正しい検出の確率（検出確率）と、見逃しの確率は同じ条件上で相補関係に置かれる。したがって、検出確率を高めることは見逃しを減らす方向に働くが、その達成方法（閾値調整、観測時間の延長など）によっては偽陽性の増加を伴う場合がある。
1.3 検出対象の条件設定
検出確率は、検出対象をどのように定義するかに強く依存する。対象の「存在」の意味は、信号の振幅がある範囲を超えること、特定の周波数成分が現れること、ある特徴量が閾値を満たすことなど、モデルや運用目的により変わる。
また、条件設定には時間窓や空間領域、サンプリング間隔、探索範囲といった観測上の指定が含まれる。対象が同じでも、観測範囲を狭めると検出確率は下がりやすく、逆に探索範囲を広げると見逃しは減るが誤警報の増加に繋がり得る。そのため、検出確率は「対象の定義」と「観測条件」の両方を前提にして解釈する必要がある。
2 確率モデルと理論的枠組み
2.1 統計的検定における検出確率
統計的検定では、通常「帰無仮説（不在）」と「対立仮説（存在）」を設定し、データに基づいて判定する。検出確率は、対立仮説が真であるときに対立仮説側へ判定がなされる確率として現れる。検出器の判定手続きが同じでも、検定の設計（有意水準、検出統計量、閾値）によって値が変化する。
この枠組みでは、同時に偽陽性の確率や見逃しの確率も同じ判定ルールから導かれるため、検出確率を単独で最適化するより、許容される誤りの種類を踏まえた総合設計が行われる。
2.2 仮説（存在／不在）と判定ルール
判定ルールは、観測データから算出した統計量が所定の基準を超えるかどうか、あるいは複数の特徴量の組合せをルールに従って分類するか、などとして具体化される。典型的には、ある閾値より大きいなら「存在」、それ以下なら「不在」とする形式が用いられる。
このとき、検出確率は「存在」下での統計量分布と、「不在」下での分布の重なり具合に影響される。重なりが小さければ誤りが減り、検出確率は上がりやすい。一方、分布のばらつきが大きい場合やデータ品質が下がる場合には、同じ閾値での判定でも検出確率は低下しやすい。
2.3 ベイズ的見方と事後確率
2.3.1 事前分布と尤度の役割
ベイズ的枠組みでは、「対象が存在するかどうか」の不確実性を確率で表現し、観測後に更新する。検出確率を「事後的に陽性と判断される確率」あるいは「事後確率にもとづく意思決定の成功確率」として捉えることができる。
その際、事前分布は対象が存在しやすい度合い（出現頻度やドメイン知識）を表し、尤度は観測データが与えられたときにどれほど整合するかを表す。事後確率は両者の整合性により決まり、意思決定は事後確率が閾値を超えるか、あるいは損失関数を最小化するベイズ的意思決定則によって行われる。結果として、検出確率は事前情報や観測の確度に影響される。
3 検出確率を決める要因
3.1 ノイズと不確実性
検出確率は観測データに含まれるノイズの性質に左右される。ノイズが大きい、あるいは観測統計量に対して非定常であると、対象の特徴が観測に埋もれやすくなり、検出は不安定になる。さらに、ノイズが歪んでいる（たとえば裾の重い分布を持つ）と、同じ閾値でも誤判定の確率が変わり、検出確率の低下やばらつきの増大に繋がる。
不確実性には測定誤差だけでなく、モデル化誤差も含まれる。例えば「信号形状が既知」と仮定していて実際には変動がある場合、検出手続きが最適に整合しなくなり、見逃しが増え得る。
3.2 閾値設定・判定基準
閾値は、検出確率と偽陽性側のバランスを支配する主要因である。閾値を下げると検出は起こりやすくなり、検出確率は上がりやすいが、同時に不在でも陽性判定となる割合も増える。逆に閾値を上げると見逃しは減りやすい方向に働くが、対象が存在しているのに検出できない確率が増えることもある。
したがって閾値の設計は、許容する誤りの種類やコストに応じて行う必要がある。とりわけ、連続的なスコアから二値判定へ落とし込む場合、どの点を境界にするかが検出確率を決める中心になる。
3.3 観測条件（時間・空間・サンプリング）
観測条件は、情報量と見逃しの機会に直接関係する。観測時間を延長すれば、対象が現れる可能性や平均化による改善が見込め、検出確率はしばしば向上する。ただし、時間窓を伸ばすと計算コストや非定常性の影響も増えるため、単調に改善するとは限らない。
空間探索でも同様で、対象が存在し得る領域を広げるほど見逃しは減り得るが、同時に探索対象の増加が誤警報や処理負荷を増やす。サンプリング周波数やサンプリング間隔の選び方も重要で、適切でない場合には情報が欠落し、検出能力が落ちることがある。
3.4 検出器特性（感度、分解能、応答）
検出器自体の性能は検出確率の上限を左右する。感度は微弱な変化を識別できる度合いであり、高いほど対象が捉えやすい。分解能は識別の粒度を決め、異なる信号が区別できない状況では検出確率が下がることがある。
応答特性も重要で、入力に対する出力の遅延、飽和、周波数依存性などがあると、検出統計量が最適に形成されず成功確率が変動する。さらに、前処理（フィルタリング、正規化、特徴抽出）の設計は、検出器の有効な応答を変えるため、結果として検出確率に影響する。
4 評価と可視化
4.1 ROC曲線と検出確率の読み取り
ROC曲線（受信者動作特性曲線）は、閾値を変えたときの性能を可視化する方法として広く使われる。横軸には偽陽性率、縦軸には真陽性率が置かれることが多く、真陽性率は検出確率と密接に対応する。
ROC曲線の形状が左上に近いほど、少ない偽陽性で高い検出能力を得られることを意味する。したがって、検出確率の改善は、単に縦軸上の点を上げるだけでなく、同時に偽陽性側をどれだけ抑えられているかを読み取る必要がある。
4.2 誤差指標との組み合わせ（精度・再現率）
検出確率は、再現率（recall）として扱われる場面がある。再現率は対象が存在したときにどれだけ回収できるかを測るため、検出の成功度合いを表す点で近い性格を持つ。一方、精度（precision）は陽性と判定したもののうち本当に正しい割合を表し、偽陽性の影響を反映する。
これらはトレードオフの関係になりやすく、たとえば検出確率を上げるために閾値を緩めると精度が下がる場合がある。総合評価では、再現率と精度のバランス指標（F値など）を用いて、実運用での優先度に合わせて判断することがある。
4.3 実験設計と検証手順
4.3.1 ベンチマークデータと交差検証
検出確率を評価するには、対象の存在・不在が適切にラベル付けされたベンチマークデータが必要である。加えて、データの偏り（特定条件に偏在する、ノイズの種類が片寄る、観測時間帯が偏るなど）は評価結果に影響するため、代表性の確認が求められる。
交差検証は、データを分割し複数回の学習・評価を行う手法で、検出確率の推定の安定性を高める目的で用いられる。評価指標が閾値に依存する場合、各分割で同一基準を用いるか、あるいは選択手順を厳密に再現するなどの運用上の注意が必要になる。
4.4 感度分析と性能予測
感度分析は、検出確率がどの要因にどれくらい左右されるかを調べるための枠組みである。ノイズの分散、閾値の変化、サンプリング密度、応答遅延といったパラメータを変動させ、検出率の変化量を観察することで、改善の優先順位を決めやすくなる。
性能予測では、統計モデルやシミュレーションにより検出確率の期待値を見積もる。理論分布に基づく近似が可能な場合は、検出器の設計パラメータから検出率を事前に評価できる。実測が必要な場合でも、モデル化の前提を明確にし、予測誤差の範囲を併記することで意思決定の質を高められる。