Enviar pesquisa
Carregar
学部生向けベイズ統計イントロ(公開版)
•
86 gostaram
•
41,747 visualizações
考司 小杉
Seguir
Introduction to Bayesian statistics for undergraduate students.
Leia menos
Leia mais
Educação
Denunciar
Compartilhar
Denunciar
Compartilhar
1 de 48
Baixar agora
Baixar para ler offline
Recomendados
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
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
変分ベイズ法の説明
変分ベイズ法の説明
Haruka Ozaki
5分でわかるベイズ確率
5分でわかるベイズ確率
hoxo_m
EMアルゴリズム
EMアルゴリズム
Sotetsu KOYAMADA(小山田創哲)
ベイズ深層学習5章 ニューラルネットワークのベイズ推論 Bayesian deep learning
ベイズ深層学習5章 ニューラルネットワークのベイズ推論 Bayesian deep learning
ssuserca2822
2 3.GLMの基礎
2 3.GLMの基礎
logics-of-blue
ベイズ統計入門
ベイズ統計入門
Miyoshi Yuya
Recomendados
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
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
変分ベイズ法の説明
変分ベイズ法の説明
Haruka Ozaki
5分でわかるベイズ確率
5分でわかるベイズ確率
hoxo_m
EMアルゴリズム
EMアルゴリズム
Sotetsu KOYAMADA(小山田創哲)
ベイズ深層学習5章 ニューラルネットワークのベイズ推論 Bayesian deep learning
ベイズ深層学習5章 ニューラルネットワークのベイズ推論 Bayesian deep learning
ssuserca2822
2 3.GLMの基礎
2 3.GLMの基礎
logics-of-blue
ベイズ統計入門
ベイズ統計入門
Miyoshi Yuya
ベルヌーイ分布からベータ分布までを関係づける
ベルヌーイ分布からベータ分布までを関係づける
itoyan110
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
スパース推定法による統計モデリング(入門)
スパース推定法による統計モデリング(入門)
Hidetoshi Matsui
なぜベイズ統計はリスク分析に向いているのか? その哲学上および実用上の理由
なぜベイズ統計はリスク分析に向いているのか? その哲学上および実用上の理由
takehikoihayashi
Rによるベイジアンネットワーク入門
Rによるベイジアンネットワーク入門
Okamoto Laboratory, The University of Electro-Communications
ベイズファクターとモデル選択
ベイズファクターとモデル選択
kazutantan
潜在クラス分析
潜在クラス分析
Yoshitake Takebayashi
PCAの最終形態GPLVMの解説
PCAの最終形態GPLVMの解説
弘毅 露崎
2014 3 13(テンソル分解の基礎)
2014 3 13(テンソル分解の基礎)
Tatsuya Yokota
階層モデルの分散パラメータの事前分布について
階層モデルの分散パラメータの事前分布について
hoxo_m
Rで階層ベイズモデル
Rで階層ベイズモデル
Yohei Sato
Rで計量時系列分析~CRANパッケージ総ざらい~
Rで計量時系列分析~CRANパッケージ総ざらい~
Takashi J OZAKI
数学で解き明かす深層学習の原理
数学で解き明かす深層学習の原理
Taiji Suzuki
[DL輪読会]相互情報量最大化による表現学習
[DL輪読会]相互情報量最大化による表現学習
Deep Learning JP
変分推論と Normalizing Flow
変分推論と Normalizing Flow
Akihiro Nitta
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
AutoEncoderで特徴抽出
AutoEncoderで特徴抽出
Kai Sasaki
Rubinの論文(の行間)を読んでみる-傾向スコアの理論-
Rubinの論文(の行間)を読んでみる-傾向スコアの理論-
Koichiro Gibo
相関と因果について考える:統計的因果推論、その(不)可能性の中心
相関と因果について考える:統計的因果推論、その(不)可能性の中心
takehikoihayashi
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
Mais conteúdo relacionado
Mais procurados
ベルヌーイ分布からベータ分布までを関係づける
ベルヌーイ分布からベータ分布までを関係づける
itoyan110
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
スパース推定法による統計モデリング(入門)
スパース推定法による統計モデリング(入門)
Hidetoshi Matsui
なぜベイズ統計はリスク分析に向いているのか? その哲学上および実用上の理由
なぜベイズ統計はリスク分析に向いているのか? その哲学上および実用上の理由
takehikoihayashi
Rによるベイジアンネットワーク入門
Rによるベイジアンネットワーク入門
Okamoto Laboratory, The University of Electro-Communications
ベイズファクターとモデル選択
ベイズファクターとモデル選択
kazutantan
潜在クラス分析
潜在クラス分析
Yoshitake Takebayashi
PCAの最終形態GPLVMの解説
PCAの最終形態GPLVMの解説
弘毅 露崎
2014 3 13(テンソル分解の基礎)
2014 3 13(テンソル分解の基礎)
Tatsuya Yokota
階層モデルの分散パラメータの事前分布について
階層モデルの分散パラメータの事前分布について
hoxo_m
Rで階層ベイズモデル
Rで階層ベイズモデル
Yohei Sato
Rで計量時系列分析~CRANパッケージ総ざらい~
Rで計量時系列分析~CRANパッケージ総ざらい~
Takashi J OZAKI
数学で解き明かす深層学習の原理
数学で解き明かす深層学習の原理
Taiji Suzuki
[DL輪読会]相互情報量最大化による表現学習
[DL輪読会]相互情報量最大化による表現学習
Deep Learning JP
変分推論と Normalizing Flow
変分推論と Normalizing Flow
Akihiro Nitta
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
AutoEncoderで特徴抽出
AutoEncoderで特徴抽出
Kai Sasaki
Rubinの論文(の行間)を読んでみる-傾向スコアの理論-
Rubinの論文(の行間)を読んでみる-傾向スコアの理論-
Koichiro Gibo
相関と因果について考える:統計的因果推論、その(不)可能性の中心
相関と因果について考える:統計的因果推論、その(不)可能性の中心
takehikoihayashi
Mais procurados
(20)
ベルヌーイ分布からベータ分布までを関係づける
ベルヌーイ分布からベータ分布までを関係づける
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
階層ベイズとWAIC
階層ベイズとWAIC
スパース推定法による統計モデリング(入門)
スパース推定法による統計モデリング(入門)
なぜベイズ統計はリスク分析に向いているのか? その哲学上および実用上の理由
なぜベイズ統計はリスク分析に向いているのか? その哲学上および実用上の理由
Rによるベイジアンネットワーク入門
Rによるベイジアンネットワーク入門
ベイズファクターとモデル選択
ベイズファクターとモデル選択
潜在クラス分析
潜在クラス分析
PCAの最終形態GPLVMの解説
PCAの最終形態GPLVMの解説
2014 3 13(テンソル分解の基礎)
2014 3 13(テンソル分解の基礎)
階層モデルの分散パラメータの事前分布について
階層モデルの分散パラメータの事前分布について
Rで階層ベイズモデル
Rで階層ベイズモデル
Rで計量時系列分析~CRANパッケージ総ざらい~
Rで計量時系列分析~CRANパッケージ総ざらい~
数学で解き明かす深層学習の原理
数学で解き明かす深層学習の原理
[DL輪読会]相互情報量最大化による表現学習
[DL輪読会]相互情報量最大化による表現学習
変分推論と Normalizing Flow
変分推論と Normalizing Flow
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)
AutoEncoderで特徴抽出
AutoEncoderで特徴抽出
Rubinの論文(の行間)を読んでみる-傾向スコアの理論-
Rubinの論文(の行間)を読んでみる-傾向スコアの理論-
相関と因果について考える:統計的因果推論、その(不)可能性の中心
相関と因果について考える:統計的因果推論、その(不)可能性の中心
Destaque
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
Uncertainty Awareness in Integrating Machine Learning and Game Theory
Uncertainty Awareness in Integrating Machine Learning and Game Theory
Rikiya Takahashi
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
Life with jupyter
Life with jupyter
Etsuji Nakai
2015年度先端GPGPUシミュレーション工学特論 第15回 CPUとGPUの協調
2015年度先端GPGPUシミュレーション工学特論 第15回 CPUとGPUの協調
智啓 出川
経験過程
経験過程
hoxo_m
Destaque
(20)
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
Uncertainty Awareness in Integrating Machine Learning and Game Theory
Uncertainty Awareness in Integrating Machine Learning and Game Theory
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
Life with jupyter
Life with jupyter
2015年度先端GPGPUシミュレーション工学特論 第15回 CPUとGPUの協調
2015年度先端GPGPUシミュレーション工学特論 第15回 CPUとGPUの協調
経験過程
経験過程
Mais 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
Mais 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
What I did before opening my business..pdf
What I did before opening my business..pdf
oganekyokoi
International Politics I - Lecture 1
International Politics I - Lecture 1
Toru Oga
Registration of travel agents - 'Explanation of the registration system under...
Registration of travel agents - 'Explanation of the registration system under...
oganekyokoi
レポートの書き方講座 [大学生初年次向けに対する講義資料] Lecture on how to write a report [lecture mater...
レポートの書き方講座 [大学生初年次向けに対する講義資料] Lecture on how to write a report [lecture mater...
yutakashikano1984
Divorce agreements in administrative work.pdf
Divorce agreements in administrative work.pdf
oganekyokoi
KARAPATANG PANTAO.pptxhrhrhrhrhrhrhrhrhr
KARAPATANG PANTAO.pptxhrhrhrhrhrhrhrhrhr
RodolfFernandez1
3年前期 交通基盤工学 第一回 ガイダンス 交通基盤工学の概要 パワーポイント
3年前期 交通基盤工学 第一回 ガイダンス 交通基盤工学の概要 パワーポイント
shu1108hina1020
Establishment and operation of medical corporations.pdf
Establishment and operation of medical corporations.pdf
oganekyokoi
Último
(8)
What I did before opening my business..pdf
What I did before opening my business..pdf
International Politics I - Lecture 1
International Politics I - Lecture 1
Registration of travel agents - 'Explanation of the registration system under...
Registration of travel agents - 'Explanation of the registration system under...
レポートの書き方講座 [大学生初年次向けに対する講義資料] Lecture on how to write a report [lecture mater...
レポートの書き方講座 [大学生初年次向けに対する講義資料] Lecture on how to write a report [lecture mater...
Divorce agreements in administrative work.pdf
Divorce agreements in administrative work.pdf
KARAPATANG PANTAO.pptxhrhrhrhrhrhrhrhrhr
KARAPATANG PANTAO.pptxhrhrhrhrhrhrhrhrhr
3年前期 交通基盤工学 第一回 ガイダンス 交通基盤工学の概要 パワーポイント
3年前期 交通基盤工学 第一回 ガイダンス 交通基盤工学の概要 パワーポイント
Establishment and operation of medical corporations.pdf
Establishment and operation of medical corporations.pdf
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
Baixar agora