Enviar búsqueda
Cargar
学部生向けベイズ統計イントロ(公開版)
•
86 recomendaciones
•
41,756 vistas
考司 小杉
Seguir
Introduction to Bayesian statistics for undergraduate students.
Leer menos
Leer más
Educación
Denunciar
Compartir
Denunciar
Compartir
1 de 48
Descargar ahora
Descargar para leer sin conexión
Recomendados
ベイズ統計入門
ベイズ統計入門
Miyoshi Yuya
MCMCでマルチレベルモデル
MCMCでマルチレベルモデル
Hiroshi Shimizu
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
Naoki Hayashi
媒介分析について
媒介分析について
Hiroshi Shimizu
StanとRでベイズ統計モデリング読書会 導入編(1章~3章)
StanとRでベイズ統計モデリング読書会 導入編(1章~3章)
Hiroshi Shimizu
Stanの便利な事後処理関数
Stanの便利な事後処理関数
daiki hojo
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章
nocchi_airport
2 1.予測と確率分布
2 1.予測と確率分布
logics-of-blue
Recomendados
ベイズ統計入門
ベイズ統計入門
Miyoshi Yuya
MCMCでマルチレベルモデル
MCMCでマルチレベルモデル
Hiroshi Shimizu
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
Naoki Hayashi
媒介分析について
媒介分析について
Hiroshi Shimizu
StanとRでベイズ統計モデリング読書会 導入編(1章~3章)
StanとRでベイズ統計モデリング読書会 導入編(1章~3章)
Hiroshi Shimizu
Stanの便利な事後処理関数
Stanの便利な事後処理関数
daiki hojo
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章
StanとRでベイズ統計モデリングに関する読書会(Osaka.stan) 第四章
nocchi_airport
2 1.予測と確率分布
2 1.予測と確率分布
logics-of-blue
SEMを用いた縦断データの解析 潜在曲線モデル
SEMを用いた縦断データの解析 潜在曲線モデル
Masaru Tokuoka
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
5分でわかるベイズ確率
5分でわかるベイズ確率
hoxo_m
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
階層ベイズによるワンToワンマーケティング入門
階層ベイズによるワンToワンマーケティング入門
shima o
15分でわかる(範囲の)ベイズ統計学
15分でわかる(範囲の)ベイズ統計学
Ken'ichi Matsui
因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説
Shiga University, RIKEN
MCMC法
MCMC法
MatsuiRyo
重回帰分析で交互作用効果
重回帰分析で交互作用効果
Makoto Hirakawa
感覚運動随伴性、予測符号化、そして自由エネルギー原理 (Sensory-Motor Contingency, Predictive Coding and ...
感覚運動随伴性、予測符号化、そして自由エネルギー原理 (Sensory-Motor Contingency, Predictive Coding and ...
Masatoshi Yoshida
MCMCサンプルの使い方 ~見る・決める・探す・発生させる~
MCMCサンプルの使い方 ~見る・決める・探す・発生させる~
. .
1 4.回帰分析と分散分析
1 4.回帰分析と分散分析
logics-of-blue
階層ベイズと自由エネルギー
階層ベイズと自由エネルギー
Hiroshi Shimizu
ハミルトニアンモンテカルロ法についての説明
ハミルトニアンモンテカルロ法についての説明
KCS Keio Computer Society
ベルヌーイ分布における超パラメータ推定のための経験ベイズ法
ベルヌーイ分布における超パラメータ推定のための経験ベイズ法
智文 中野
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
Cmdstanr入門とreduce_sum()解説
Cmdstanr入門とreduce_sum()解説
Hiroshi Shimizu
心理学者のためのGlmm・階層ベイズ
心理学者のためのGlmm・階層ベイズ
Hiroshi Shimizu
計量経済学と 機械学習の交差点入り口 (公開用)
計量経済学と 機械学習の交差点入り口 (公開用)
Shota Yasui
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
Yoshitake Takebayashi
エクセルで統計分析 統計プログラムHADについて
エクセルで統計分析 統計プログラムHADについて
Hiroshi Shimizu
Más contenido relacionado
La actualidad más candente
SEMを用いた縦断データの解析 潜在曲線モデル
SEMを用いた縦断データの解析 潜在曲線モデル
Masaru Tokuoka
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
5分でわかるベイズ確率
5分でわかるベイズ確率
hoxo_m
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
階層ベイズによるワンToワンマーケティング入門
階層ベイズによるワンToワンマーケティング入門
shima o
15分でわかる(範囲の)ベイズ統計学
15分でわかる(範囲の)ベイズ統計学
Ken'ichi Matsui
因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説
Shiga University, RIKEN
MCMC法
MCMC法
MatsuiRyo
重回帰分析で交互作用効果
重回帰分析で交互作用効果
Makoto Hirakawa
感覚運動随伴性、予測符号化、そして自由エネルギー原理 (Sensory-Motor Contingency, Predictive Coding and ...
感覚運動随伴性、予測符号化、そして自由エネルギー原理 (Sensory-Motor Contingency, Predictive Coding and ...
Masatoshi Yoshida
MCMCサンプルの使い方 ~見る・決める・探す・発生させる~
MCMCサンプルの使い方 ~見る・決める・探す・発生させる~
. .
1 4.回帰分析と分散分析
1 4.回帰分析と分散分析
logics-of-blue
階層ベイズと自由エネルギー
階層ベイズと自由エネルギー
Hiroshi Shimizu
ハミルトニアンモンテカルロ法についての説明
ハミルトニアンモンテカルロ法についての説明
KCS Keio Computer Society
ベルヌーイ分布における超パラメータ推定のための経験ベイズ法
ベルヌーイ分布における超パラメータ推定のための経験ベイズ法
智文 中野
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
Cmdstanr入門とreduce_sum()解説
Cmdstanr入門とreduce_sum()解説
Hiroshi Shimizu
心理学者のためのGlmm・階層ベイズ
心理学者のためのGlmm・階層ベイズ
Hiroshi Shimizu
計量経済学と 機械学習の交差点入り口 (公開用)
計量経済学と 機械学習の交差点入り口 (公開用)
Shota Yasui
La actualidad más candente
(20)
SEMを用いた縦断データの解析 潜在曲線モデル
SEMを用いた縦断データの解析 潜在曲線モデル
Stan超初心者入門
Stan超初心者入門
5分でわかるベイズ確率
5分でわかるベイズ確率
Stanコードの書き方 中級編
Stanコードの書き方 中級編
階層ベイズとWAIC
階層ベイズとWAIC
階層ベイズによるワンToワンマーケティング入門
階層ベイズによるワンToワンマーケティング入門
15分でわかる(範囲の)ベイズ統計学
15分でわかる(範囲の)ベイズ統計学
因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説
MCMC法
MCMC法
重回帰分析で交互作用効果
重回帰分析で交互作用効果
感覚運動随伴性、予測符号化、そして自由エネルギー原理 (Sensory-Motor Contingency, Predictive Coding and ...
感覚運動随伴性、予測符号化、そして自由エネルギー原理 (Sensory-Motor Contingency, Predictive Coding and ...
MCMCサンプルの使い方 ~見る・決める・探す・発生させる~
MCMCサンプルの使い方 ~見る・決める・探す・発生させる~
1 4.回帰分析と分散分析
1 4.回帰分析と分散分析
階層ベイズと自由エネルギー
階層ベイズと自由エネルギー
ハミルトニアンモンテカルロ法についての説明
ハミルトニアンモンテカルロ法についての説明
ベルヌーイ分布における超パラメータ推定のための経験ベイズ法
ベルヌーイ分布における超パラメータ推定のための経験ベイズ法
グラフィカルモデル入門
グラフィカルモデル入門
Cmdstanr入門とreduce_sum()解説
Cmdstanr入門とreduce_sum()解説
心理学者のためのGlmm・階層ベイズ
心理学者のためのGlmm・階層ベイズ
計量経済学と 機械学習の交差点入り口 (公開用)
計量経済学と 機械学習の交差点入り口 (公開用)
Destacado
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
Yoshitake Takebayashi
エクセルで統計分析 統計プログラムHADについて
エクセルで統計分析 統計プログラムHADについて
Hiroshi Shimizu
ベイズ統計モデリングと心理学
ベイズ統計モデリングと心理学
Shushi Namba
ノンパラベイズ入門の入門
ノンパラベイズ入門の入門
Shuyo Nakatani
Rで階層ベイズモデル
Rで階層ベイズモデル
Yohei Sato
Uncertainty Awareness in Integrating Machine Learning and Game Theory
Uncertainty Awareness in Integrating Machine Learning and Game Theory
Rikiya Takahashi
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
Akira Masuda
H231126 統計および確率を利用した予測と判断rev1
H231126 統計および確率を利用した予測と判断rev1
Kenichi Takara
Cpu cache arch
Cpu cache arch
Shinichiro Niiyama
EthernetやCPUなどの話
EthernetやCPUなどの話
Takanori Sejima
AtCoder Regular Contest 016 解説
AtCoder Regular Contest 016 解説
AtCoder Inc.
便利な数を100億個の乱数から算出
便利な数を100億個の乱数から算出
Toshiyuki Shimono
仕事の流儀 Vol1 基本編_ver1.1_外部公開ver
仕事の流儀 Vol1 基本編_ver1.1_外部公開ver
Hirotaka Nishimiya
MLaPP 2章 「確率」(前編)
MLaPP 2章 「確率」(前編)
Shinichi Tamura
「数学の世界」発表資料
「数学の世界」発表資料
spdbear
Windows10の展開手法
Windows10の展開手法
NAOKI ABE
統計勉強会 LT ベイジアンって?
統計勉強会 LT ベイジアンって?
Yuto Suzuki
カップルが一緒にお風呂に入る割合をベイズ推定してみた
カップルが一緒にお風呂に入る割合をベイズ推定してみた
hoxo_m
Cpu pipeline basics
Cpu pipeline basics
Shinichiro Niiyama
確率論基礎
確率論基礎
hoxo_m
Destacado
(20)
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
エクセルで統計分析 統計プログラムHADについて
エクセルで統計分析 統計プログラムHADについて
ベイズ統計モデリングと心理学
ベイズ統計モデリングと心理学
ノンパラベイズ入門の入門
ノンパラベイズ入門の入門
Rで階層ベイズモデル
Rで階層ベイズモデル
Uncertainty Awareness in Integrating Machine Learning and Game Theory
Uncertainty Awareness in Integrating Machine Learning and Game Theory
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
H231126 統計および確率を利用した予測と判断rev1
H231126 統計および確率を利用した予測と判断rev1
Cpu cache arch
Cpu cache arch
EthernetやCPUなどの話
EthernetやCPUなどの話
AtCoder Regular Contest 016 解説
AtCoder Regular Contest 016 解説
便利な数を100億個の乱数から算出
便利な数を100億個の乱数から算出
仕事の流儀 Vol1 基本編_ver1.1_外部公開ver
仕事の流儀 Vol1 基本編_ver1.1_外部公開ver
MLaPP 2章 「確率」(前編)
MLaPP 2章 「確率」(前編)
「数学の世界」発表資料
「数学の世界」発表資料
Windows10の展開手法
Windows10の展開手法
統計勉強会 LT ベイジアンって?
統計勉強会 LT ベイジアンって?
カップルが一緒にお風呂に入る割合をベイズ推定してみた
カップルが一緒にお風呂に入る割合をベイズ推定してみた
Cpu pipeline basics
Cpu pipeline basics
確率論基礎
確率論基礎
Más de 考司 小杉
Mds20190303
Mds20190303
考司 小杉
HCGシンポジウム2018;心理学における新しい統計学との付き合い方
HCGシンポジウム2018;心理学における新しい統計学との付き合い方
考司 小杉
HCG20181212
HCG20181212
考司 小杉
20180602kosugi
20180602kosugi
考司 小杉
Jap2017 ss65 優しいベイズ統計への導入法
Jap2017 ss65 優しいベイズ統計への導入法
考司 小杉
StanとRでベイズ統計モデリング読書会Ch.9
StanとRでベイズ統計モデリング読書会Ch.9
考司 小杉
心理統計の課題をRmdで作る
心理統計の課題をRmdで作る
考司 小杉
日本教育心理学会2016WSスライド
日本教育心理学会2016WSスライド
考司 小杉
Kandai R 入門者講習
Kandai R 入門者講習
考司 小杉
距離と分類の話
距離と分類の話
考司 小杉
R stan導入公開版
R stan導入公開版
考司 小杉
続・心理学のためのpsychパッケージ
続・心理学のためのpsychパッケージ
考司 小杉
Hijiyama.R Entry session
Hijiyama.R Entry session
考司 小杉
MCMCによるベイズ因子分析法について
MCMCによるベイズ因子分析法について
考司 小杉
Mplus tutorial
Mplus tutorial
考司 小杉
家族データに対する非対称MDSの応用(2)
家族データに対する非対称MDSの応用(2)
考司 小杉
SappoRo.R #2 初心者向けWS資料
SappoRo.R #2 初心者向けWS資料
考司 小杉
Yamadai.R#3 Function
Yamadai.R#3 Function
考司 小杉
Yamadai.R #1 Introduction to R
Yamadai.R #1 Introduction to R
考司 小杉
Kenshu
Kenshu
考司 小杉
Más de 考司 小杉
(20)
Mds20190303
Mds20190303
HCGシンポジウム2018;心理学における新しい統計学との付き合い方
HCGシンポジウム2018;心理学における新しい統計学との付き合い方
HCG20181212
HCG20181212
20180602kosugi
20180602kosugi
Jap2017 ss65 優しいベイズ統計への導入法
Jap2017 ss65 優しいベイズ統計への導入法
StanとRでベイズ統計モデリング読書会Ch.9
StanとRでベイズ統計モデリング読書会Ch.9
心理統計の課題をRmdで作る
心理統計の課題をRmdで作る
日本教育心理学会2016WSスライド
日本教育心理学会2016WSスライド
Kandai R 入門者講習
Kandai R 入門者講習
距離と分類の話
距離と分類の話
R stan導入公開版
R stan導入公開版
続・心理学のためのpsychパッケージ
続・心理学のためのpsychパッケージ
Hijiyama.R Entry session
Hijiyama.R Entry session
MCMCによるベイズ因子分析法について
MCMCによるベイズ因子分析法について
Mplus tutorial
Mplus tutorial
家族データに対する非対称MDSの応用(2)
家族データに対する非対称MDSの応用(2)
SappoRo.R #2 初心者向けWS資料
SappoRo.R #2 初心者向けWS資料
Yamadai.R#3 Function
Yamadai.R#3 Function
Yamadai.R #1 Introduction to R
Yamadai.R #1 Introduction to R
Kenshu
Kenshu
Último
My Inspire High Award 2024「老いることは不幸なこと?」
My Inspire High Award 2024「老いることは不幸なこと?」
inspirehighstaff03
【ゲーム理論入門】ChatGPTが作成した ゲーム理論の問題を解く #3 Slide
【ゲーム理論入門】ChatGPTが作成した ゲーム理論の問題を解く #3 Slide
ssusere0a682
My Inspire High Award 2024 「家族とは何か」
My Inspire High Award 2024 「家族とは何か」
inspirehighstaff03
リアル戦国探究in米沢 事前講座1スライド(スタッフ共有用)『川中島の謎』についてのスライド
リアル戦国探究in米沢 事前講座1スライド(スタッフ共有用)『川中島の謎』についてのスライド
Ken Fukui
My Inspire High Award 2024 「AIと仲良くなるには?」
My Inspire High Award 2024 「AIと仲良くなるには?」
inspirehighstaff03
My Inspire High Award 2024「スーパーマーケットで回収されたキャベツ外葉は廃棄されているの?」
My Inspire High Award 2024「スーパーマーケットで回収されたキャベツ外葉は廃棄されているの?」
inspirehighstaff03
リアル戦国探究in米沢 事前講座2スライド(スタッフ共有用)『両雄の強さの秘密』についてのスライド
リアル戦国探究in米沢 事前講座2スライド(スタッフ共有用)『両雄の強さの秘密』についてのスライド
Ken Fukui
My Inspire High Award 2024 「孤独は敵なのか?」
My Inspire High Award 2024 「孤独は敵なのか?」
inspirehighstaff03
リアル戦国探究in米沢 当日講座2スライド(スタッフ共有用)『人を致すも人に致されず』についてのスライド
リアル戦国探究in米沢 当日講座2スライド(スタッフ共有用)『人を致すも人に致されず』についてのスライド
Ken Fukui
リアル戦国探究in米沢 当日講座3スライド(スタッフ共有用)『糧は三度はさいせず』についてのスライド
リアル戦国探究in米沢 当日講座3スライド(スタッフ共有用)『糧は三度はさいせず』についてのスライド
Ken Fukui
Divorce agreements in administrative work.pdf
Divorce agreements in administrative work.pdf
oganekyokoi
TEAMIN Service overview for customer_20240422.pdf
TEAMIN Service overview for customer_20240422.pdf
yukisuga3
What I did before opening my business..pdf
What I did before opening my business..pdf
oganekyokoi
My Inspire High Award2024「外国人が日本のテーブルマナーに驚く理由は?」
My Inspire High Award2024「外国人が日本のテーブルマナーに驚く理由は?」
inspirehighstaff03
My Inspire High Award 2024 「正義って存在するの?」
My Inspire High Award 2024 「正義って存在するの?」
inspirehighstaff03
My Inspire High Award 2024「世の中の流行はどのようにして生まれるのか」
My Inspire High Award 2024「世の中の流行はどのようにして生まれるのか」
inspirehighstaff03
My Inspire High Award 2024 「本当の『悪者』って何?」
My Inspire High Award 2024 「本当の『悪者』って何?」
inspirehighstaff03
My Inspire High Award 2024「なぜ、好きなことにいつかは飽きるの」
My Inspire High Award 2024「なぜ、好きなことにいつかは飽きるの」
inspirehighstaff03
Establishment and operation of medical corporations.pdf
Establishment and operation of medical corporations.pdf
oganekyokoi
リアル戦国探究in米沢 当日講座1(スタッフ共有用)『兵は詐をもって立つ』についてのスライド
リアル戦国探究in米沢 当日講座1(スタッフ共有用)『兵は詐をもって立つ』についてのスライド
Ken Fukui
Último
(20)
My Inspire High Award 2024「老いることは不幸なこと?」
My Inspire High Award 2024「老いることは不幸なこと?」
【ゲーム理論入門】ChatGPTが作成した ゲーム理論の問題を解く #3 Slide
【ゲーム理論入門】ChatGPTが作成した ゲーム理論の問題を解く #3 Slide
My Inspire High Award 2024 「家族とは何か」
My Inspire High Award 2024 「家族とは何か」
リアル戦国探究in米沢 事前講座1スライド(スタッフ共有用)『川中島の謎』についてのスライド
リアル戦国探究in米沢 事前講座1スライド(スタッフ共有用)『川中島の謎』についてのスライド
My Inspire High Award 2024 「AIと仲良くなるには?」
My Inspire High Award 2024 「AIと仲良くなるには?」
My Inspire High Award 2024「スーパーマーケットで回収されたキャベツ外葉は廃棄されているの?」
My Inspire High Award 2024「スーパーマーケットで回収されたキャベツ外葉は廃棄されているの?」
リアル戦国探究in米沢 事前講座2スライド(スタッフ共有用)『両雄の強さの秘密』についてのスライド
リアル戦国探究in米沢 事前講座2スライド(スタッフ共有用)『両雄の強さの秘密』についてのスライド
My Inspire High Award 2024 「孤独は敵なのか?」
My Inspire High Award 2024 「孤独は敵なのか?」
リアル戦国探究in米沢 当日講座2スライド(スタッフ共有用)『人を致すも人に致されず』についてのスライド
リアル戦国探究in米沢 当日講座2スライド(スタッフ共有用)『人を致すも人に致されず』についてのスライド
リアル戦国探究in米沢 当日講座3スライド(スタッフ共有用)『糧は三度はさいせず』についてのスライド
リアル戦国探究in米沢 当日講座3スライド(スタッフ共有用)『糧は三度はさいせず』についてのスライド
Divorce agreements in administrative work.pdf
Divorce agreements in administrative work.pdf
TEAMIN Service overview for customer_20240422.pdf
TEAMIN Service overview for customer_20240422.pdf
What I did before opening my business..pdf
What I did before opening my business..pdf
My Inspire High Award2024「外国人が日本のテーブルマナーに驚く理由は?」
My Inspire High Award2024「外国人が日本のテーブルマナーに驚く理由は?」
My Inspire High Award 2024 「正義って存在するの?」
My Inspire High Award 2024 「正義って存在するの?」
My Inspire High Award 2024「世の中の流行はどのようにして生まれるのか」
My Inspire High Award 2024「世の中の流行はどのようにして生まれるのか」
My Inspire High Award 2024 「本当の『悪者』って何?」
My Inspire High Award 2024 「本当の『悪者』って何?」
My Inspire High Award 2024「なぜ、好きなことにいつかは飽きるの」
My Inspire High Award 2024「なぜ、好きなことにいつかは飽きるの」
Establishment and operation of medical corporations.pdf
Establishment and operation of medical corporations.pdf
リアル戦国探究in米沢 当日講座1(スタッフ共有用)『兵は詐をもって立つ』についてのスライド
リアル戦国探究in米沢 当日講座1(スタッフ共有用)『兵は詐をもって立つ』についてのスライド
学部生向けベイズ統計イントロ(公開版)
1.
ベイズ統計学入門 新しい世界へようこそ
2.
統計学の二大潮流 • 統計学業界は,その考え方として大きく二つの系譜 に分かれる。 • ネイマン,ピアソン,フッシャーらの伝統的統計 学派。あるいは頻度主義。 •
ベイズ,ジェフリーズらのベイズ主義。
3.
伝統的統計学派 • フィッシャーに始まる頻度主義陣営は,徹底的に手 続き化することで,誰にでも使える方法論を提供 • 「帰無仮説の設定」「検定統計量の算出」「p値 を確認」「仮説の採択・棄却」… •
ベイズ主義者は邪道だ,として批判,排斥
4.
逆確率の理論はある誤 の上 に立脚するのであって,完全 に葬り去らなければならない サー・ロナルド・エイルマー・フィッシャー Sir
Ronald Aylmer Fisher (1890年2月17日 ‒ 1962年7月29日)はイギリスの統計学者、進化生物学 者、遺伝学者で優生学者である。現代の推計統計学の確立者であるとともに、 集団遺伝学の創始者の1人であり、またネオダーウィニズムを代表する遺伝学 者・進化生物学者でもあった。 伝統的統計学派
5.
ベイズ主義 • ベイズの定理,あるいは逆確率の定理は,トーマス・ベ イズによって1740年代に発見されていた。 • 間違っているかも,と思って発表を控えていたが,その 後リチャード・プライスや,ピエール・シモン・ラプラ スらによって再発見,定式化され確立
6.
ベイズ主義 • 様々なシーンで実用化されて きているが,軍事的な用途で その存在が隠されていたり, 実用に当たって膨大な計算量 が必要だったりで今まで実用 化されてこなかった。 • 今日では,統計家のほとんど がベイジアンである。
7.
頻度主義vsベイズ主義 • 伝統的統計学派の長所 • 客観的手続きに沿っていれば誰にだって使える •
ベイズ主義の長所 • 差がある,この程度違う,といった積極的な主張がで きる • 複数の条件や補正を経由せず,ベイズの定理だけでロ ジックが成立している
8.
頻度主義vsベイズ主義 • 伝統的統計学派の弱点 • 手続き的すぎて,煩雑であり,誤用・誤解が多い •
ex. 分析ごとに分布が違う,p値fishing… • ベイズ主義の弱点 • 主観確率(=事前分布)と呼ばれる仮定を設定する
9.
わからない,ということと,全 ての可能性があり得る,という のは本質的に違うことだ。 わからない,ということを確率 で積極的に表現するのだ。
10.
ベイズの定理
11.
ベイズの定理とは p(A|B) = p(B|A)p(A) p(B)
12.
例 • ある学校の生徒数は男子が40人,女子が60人です • そこからランダムに一人選び出した時,男子である 確率p(A)は? p(A)
= 40 100 = 0.4
13.
同時確率 • 学年も考慮に入れて,3年男子が選ばれる確率を考 える。 • p(性別,学年)を同時確率と言います。 1年
2年 3年 合計 男子 15 12 13 40 女子 22 20 18 60 合計 37 32 31 100 p(A1, B3) = 13 100 = 0.13
14.
周辺確率 • ある分割に関して全て足し上げたものを周辺確率と いいます。 • 一年男子と一年女子の確率を足し合わせる=一年が 選ばれる確率,と言っているだけ aX i=1 p(Ai,
Bj) = p(Bj) 2X i=1 p(Ai, B1) = p(A1, B1) + p(A2, B1) = p(B1)
15.
条件付き確率 • 「選ばれたのは女子である」ということがわかって いる状況で,それが2年女子である確率は? • 分母は60で考えれば良い 1年
2年 3年 合計 男子 15 12 13 40 女子 22 20 18 60 合計 37 32 31 100 p(B2|A2) = 20 60 = 0.333...
16.
条件付き確率 • これは同時確率を周辺確率で割っても同じこと 1年 2年
3年 合計 男子 15 12 13 40 女子 22 20 18 60 合計 37 32 31 100 p(B2|A2) = p(B2, A2) p(A2) = 0.2 0.6 = 0.333...
17.
p(Bj|Ai) = p(Bj, Ai) p(Ai) p(Ai)p(Bj|Ai)
= p(Bj, Ai) p(Bj, Ai) = p(Ai, Bj) p(Bj)p(Ai|Bj) = p(Ai, Bj) p(Ai)p(Bj|Ai) = p(Bj)p(Ai|Bj) 条件付き確率は同時確率を周辺確率で割ったもの 分母を払います ところで,BかつAはAかつBですよね。 これは一般的に成立するから,記号を書き換えてもいいよね イコールでつなぎ合わせておきますね
18.
清書します p(Ai)p(Bj|Ai) p(Bj) = p(Ai|Bj) p(Ai|Bj) = p(Bj|Ai)p(Ai) p(Bj) 右辺を条件付き確率だけにすると きれいやろ まじ感謝
19.
これの何がすごいねん? p(A|B) = p(B|A)p(A) p(B) ここと ここが 逆なのがすごい
20.
ベイズの定理からわかること • 条件付き確率,p(A¦B)は,BであるときにAである 確率,であった。 • p(結果¦原因)と考えると,「ある原因があるから結 果が生じる」という合理的な話 •
ベイズはこれを逆転し,p(原因¦結果),つまりこの 結果が得られるという時の原因の確率は,というこ とを考える。
21.
データとモデル • 我々は現象を理解する時にモデルを立てる(モデル がデータを生んでいるはず)。 • 手に入れることができるのはデータだけである。 •
データからいえるモデルの正しさ,を評価できるよ うになった! • データが増えればモデルをどんどん更新していける
22.
ベイズ推定 p(A|B) = p(B|A)p(A) p(B) 事後分布 事前分布 データ モデル データ 事前分布事後分布 ベイズの定理は「確率」を「確率分布」に読み替えても成立する
23.
ベイズ統計の応用例 • 第二次世界大戦中,ドイツの開発した暗号発生装置 エニグマを解読する必要があった! • 得られた暗号から元のありえる言葉の配列を探り 当てる •
飛行機が大西洋上で行方不明になった! • 発信された信号の位置から,飛行機がどの辺りを 飛んでいると推測されるかを考える
24.
ベイズ統計の応用例 • 迷惑メールが多くて困っている! • 迷惑メールと判断された文中に含まれるキーワー ドから,キーワードが含まれていれば迷惑メール であるという確率を推定する •
などなど。
25.
実際の使い方
26.
頻度主義vsベイズ主義 頻度主義 ベイズ主義 母数θ 定数
確率変数 データx,y 確率変数 定数 頻度主義では,たった一つの真値を求めて慎重に議論する ベイズ主義では,データから考えられる母数の分布を考える →仮説は真か偽のどちらかである →データから何がどの程度言えるのかを主張する
27.
ベイズ推定を行うには • ベイズ推定が統計学に使えるようになってきたのは, コンピュータによってある分布に従う乱数を発生さ せることができるようになってきたから。 • この乱数発生技術のことを,MCMCサンプリング と言います。
28.
MCMC使ってみたい! • 商用ソフトの一機能として;Amos, Mplus •
BUGS(WinBUGS,OpenBUGS,JAGS) • Bayesian inference Using Gibbs Sampling • ギブスサンプリングを使ったベイズ推定 • 残念ながら開発が終わっちゃったみたい
29.
Stan登場 • ハミルトニアン・モンテカルロ法, Not-U-Turnテクニックなど新しい手法 を取り入れたMCMCエンジン • 高速で収束しやすいのが売り スタニスワフ・マルチン・ウラム (Stanistaw
Marcin Ulam,1909-1984) モンテカルロ法を考案(命名はノイマン)
30.
Stanの特徴 • コンパイル後の計算が速い • NUTSなので収束が速い •
手続き型でわかりやすい • 公式マニュアルが結構丁寧 • 様々な環境に対応 • RStan,PyStan,CmdStan,MatlabStan,Stan.jl…いずれstataにも
31.
Stanの特徴 • コンパイル後の計算が速い,とは ! 人間がわかる 言葉 機械がわかる言葉に 翻訳=コンパイル ネイティブなので 理解が早いです ∼
32.
Rstanのインストール • 以前の苦労はSlideShareで「Rstan導入公開版」を検索すればわかります。。。(́Д` ) •
http://www.slideshare.net/KojiKosugi/r-stan • rstan2.7がCRANに登録されました! • install.packages( rstan )と書くだけ! !!News!! 2015.07.21現在
33.
実例
34.
母数の推定 • 人の身長のデータは正規分布に従うと思われる。こ の度,20人分の身長を測定したところ次のように なった。
35.
頻度主義者の主張 頻度主義者ならどう言うか? だから,164.7897∼175.3823の範囲に真の値が • • •
• 入っている可能性が95% • • • • • • • • • 平均と標準偏差を計算してみる
36.
ベイジアンの主張 ベイジアンならどう言うか? • 正規分布に基づくデータyがあったとして,ここか ら考えられる正規分布の形はどうなっているだろう?
37.
実際の乱数発生
38.
ベイジアンの主張 「こうなっていました」
39.
例)二群の平均値の差 • 実験群と統制群に分けて,効果の測定をしたところ, 次のようなデータが得られた。効果はあったのだろ うか?
40.
• まず,二群の分散が等質であるかどうかを検定する。 • 等質であれば,対応のないt検定を行う。 •
帰無仮説は二群の母平均に差がない,対立仮説は差が ないとは言えない。 • 有意水準を5%に設定 • t統計量を計算し,理論分布に照らし合わせる • 検定統計量が理論値よりも大きければ帰無仮説を棄却し 対立仮説を採用,すなわち「差がないとは言えない」と 言える。 頻度主義者の主張
41.
頻度主義者の主張 今回のデータから5%水準で「差がある」とは言えない 95%信頼区間が0を含んでいるけど,もう少しだったか・・・
42.
ベイジアンの主張 ベイジアンならどう言うか? • 正規分布に基づくデータx,yがあって,それぞれの 分布を乱数によって生成する。 • 生成されたデータのなかで,
になる割 合はどれぐらいだったか数えたら良い。 µ1 µ2 0
43.
実際の乱数発生
44.
• 群1の平均は4.81,群2の平均は6.99ぐらいになる。 • 差は平均して2.18(中央値で2.17) •
になる割合は92% ベイジアンの主張 µ1 µ2 0
45.
ベイズ流平均の比較 • 帰無仮説,対立仮説不要! • 有意水準不要! •
「差がないとは言えない」ではなく,「差がある割 合がどれぐらい」と言える。差は0ではなく,定数 cでもよい(情報量仮説)。 • 加えてベイズファクターという統計量をだして主 張することもある。
46.
もうベイズでいい? • 頻度主義的アプローチの利点のひとつに,帰無仮説 を置くという点が研究倫理に繋がることがある。 • 批判的思考の基本は,自分の言いたいことだけを とりいれるのではなく,自分の意見に反すること にも広く心を開いて評価するところにあるから。
47.
• 頻度主義的アプローチの欠点は,その誤用と,誤用 を生みやすい煩雑な過程にあった。 • ベイズ主義的アプローチ導入の欠点であった,計算 機の能力,乱数発生アルゴリズムについてはほぼ解 決した。 •
ベイズを使ってもっともっと高度なことを! もうベイズでいい?
48.
新しい世界へようこそ
Descargar ahora