Enviar pesquisa
Carregar
【Zansa】第17回 ブートストラップ法入門
•
23 gostaram
•
23,234 visualizações
Z
Zansa
Seguir
Zansa 第17回 2013/11/27 の資料 『ブートストラップ法入門』@ksmzn
Leia menos
Leia mais
Tecnologia
Denunciar
Compartilhar
Denunciar
Compartilhar
1 de 31
Baixar agora
Baixar para ler offline
Recomendados
機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)
Kota Matsui
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
最適輸送の計算アルゴリズムの研究動向
最適輸送の計算アルゴリズムの研究動向
ohken
機械学習モデルのハイパパラメータ最適化
機械学習モデルのハイパパラメータ最適化
gree_tech
あなたの心にBridgeSampling
あなたの心にBridgeSampling
daiki hojo
PRMLの線形回帰モデル(線形基底関数モデル)
PRMLの線形回帰モデル(線形基底関数モデル)
Yasunori Ozaki
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
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
Recomendados
機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)
Kota Matsui
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
最適輸送の計算アルゴリズムの研究動向
最適輸送の計算アルゴリズムの研究動向
ohken
機械学習モデルのハイパパラメータ最適化
機械学習モデルのハイパパラメータ最適化
gree_tech
あなたの心にBridgeSampling
あなたの心にBridgeSampling
daiki hojo
PRMLの線形回帰モデル(線形基底関数モデル)
PRMLの線形回帰モデル(線形基底関数モデル)
Yasunori Ozaki
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
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
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
構造方程式モデルによる因果探索と非ガウス性
構造方程式モデルによる因果探索と非ガウス性
Shiga University, RIKEN
変分推論法(変分ベイズ法)(PRML第10章)
変分推論法(変分ベイズ法)(PRML第10章)
Takao Yamanaka
逐次モンテカルロ法の基礎
逐次モンテカルロ法の基礎
ShoutoYonekura
今さら聞けないカーネル法とサポートベクターマシン
今さら聞けないカーネル法とサポートベクターマシン
Shinya Shimizu
クラシックな機械学習の入門 9. モデル推定
クラシックな機械学習の入門 9. モデル推定
Hiroshi Nakagawa
WAICとWBICのご紹介
WAICとWBICのご紹介
Tomoki Matsumoto
深層生成モデルと世界モデル(2020/11/20版)
深層生成モデルと世界モデル(2020/11/20版)
Masahiro Suzuki
PRML輪読#1
PRML輪読#1
matsuolab
R実践 機械学習による異常検知 02
R実践 機械学習による異常検知 02
akira_11
[DL輪読会]Understanding Black-box Predictions via Influence Functions
[DL輪読会]Understanding Black-box Predictions via Influence Functions
Deep Learning JP
RBM、Deep Learningと学習(全脳アーキテクチャ若手の会 第3回DL勉強会発表資料)
RBM、Deep Learningと学習(全脳アーキテクチャ若手の会 第3回DL勉強会発表資料)
Takuma Yagi
Prml 2.3
Prml 2.3
Yuuki Saitoh
PCAの最終形態GPLVMの解説
PCAの最終形態GPLVMの解説
弘毅 露崎
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
PRML2.4 指数型分布族
PRML2.4 指数型分布族
hiroki yamaoka
【DL輪読会】Generative models for molecular discovery: Recent advances and challenges
【DL輪読会】Generative models for molecular discovery: Recent advances and challenges
Deep Learning JP
クラシックな機械学習の入門 5. サポートベクターマシン
クラシックな機械学習の入門 5. サポートベクターマシン
Hiroshi Nakagawa
[DL輪読会]Deep Learning 第6章 深層順伝播型ネットワーク
[DL輪読会]Deep Learning 第6章 深層順伝播型ネットワーク
Deep Learning JP
MCMC法
MCMC法
MatsuiRyo
070 統計的推測 母集団と推定
070 統計的推測 母集団と推定
t2tarumi
データ解析4 確率の復習
データ解析4 確率の復習
Hirotaka Hachiya
Mais conteúdo relacionado
Mais procurados
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
構造方程式モデルによる因果探索と非ガウス性
構造方程式モデルによる因果探索と非ガウス性
Shiga University, RIKEN
変分推論法(変分ベイズ法)(PRML第10章)
変分推論法(変分ベイズ法)(PRML第10章)
Takao Yamanaka
逐次モンテカルロ法の基礎
逐次モンテカルロ法の基礎
ShoutoYonekura
今さら聞けないカーネル法とサポートベクターマシン
今さら聞けないカーネル法とサポートベクターマシン
Shinya Shimizu
クラシックな機械学習の入門 9. モデル推定
クラシックな機械学習の入門 9. モデル推定
Hiroshi Nakagawa
WAICとWBICのご紹介
WAICとWBICのご紹介
Tomoki Matsumoto
深層生成モデルと世界モデル(2020/11/20版)
深層生成モデルと世界モデル(2020/11/20版)
Masahiro Suzuki
PRML輪読#1
PRML輪読#1
matsuolab
R実践 機械学習による異常検知 02
R実践 機械学習による異常検知 02
akira_11
[DL輪読会]Understanding Black-box Predictions via Influence Functions
[DL輪読会]Understanding Black-box Predictions via Influence Functions
Deep Learning JP
RBM、Deep Learningと学習(全脳アーキテクチャ若手の会 第3回DL勉強会発表資料)
RBM、Deep Learningと学習(全脳アーキテクチャ若手の会 第3回DL勉強会発表資料)
Takuma Yagi
Prml 2.3
Prml 2.3
Yuuki Saitoh
PCAの最終形態GPLVMの解説
PCAの最終形態GPLVMの解説
弘毅 露崎
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
PRML2.4 指数型分布族
PRML2.4 指数型分布族
hiroki yamaoka
【DL輪読会】Generative models for molecular discovery: Recent advances and challenges
【DL輪読会】Generative models for molecular discovery: Recent advances and challenges
Deep Learning JP
クラシックな機械学習の入門 5. サポートベクターマシン
クラシックな機械学習の入門 5. サポートベクターマシン
Hiroshi Nakagawa
[DL輪読会]Deep Learning 第6章 深層順伝播型ネットワーク
[DL輪読会]Deep Learning 第6章 深層順伝播型ネットワーク
Deep Learning JP
MCMC法
MCMC法
MatsuiRyo
Mais procurados
(20)
グラフィカルモデル入門
グラフィカルモデル入門
構造方程式モデルによる因果探索と非ガウス性
構造方程式モデルによる因果探索と非ガウス性
変分推論法(変分ベイズ法)(PRML第10章)
変分推論法(変分ベイズ法)(PRML第10章)
逐次モンテカルロ法の基礎
逐次モンテカルロ法の基礎
今さら聞けないカーネル法とサポートベクターマシン
今さら聞けないカーネル法とサポートベクターマシン
クラシックな機械学習の入門 9. モデル推定
クラシックな機械学習の入門 9. モデル推定
WAICとWBICのご紹介
WAICとWBICのご紹介
深層生成モデルと世界モデル(2020/11/20版)
深層生成モデルと世界モデル(2020/11/20版)
PRML輪読#1
PRML輪読#1
R実践 機械学習による異常検知 02
R実践 機械学習による異常検知 02
[DL輪読会]Understanding Black-box Predictions via Influence Functions
[DL輪読会]Understanding Black-box Predictions via Influence Functions
RBM、Deep Learningと学習(全脳アーキテクチャ若手の会 第3回DL勉強会発表資料)
RBM、Deep Learningと学習(全脳アーキテクチャ若手の会 第3回DL勉強会発表資料)
Prml 2.3
Prml 2.3
PCAの最終形態GPLVMの解説
PCAの最終形態GPLVMの解説
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
PRML2.4 指数型分布族
PRML2.4 指数型分布族
【DL輪読会】Generative models for molecular discovery: Recent advances and challenges
【DL輪読会】Generative models for molecular discovery: Recent advances and challenges
クラシックな機械学習の入門 5. サポートベクターマシン
クラシックな機械学習の入門 5. サポートベクターマシン
[DL輪読会]Deep Learning 第6章 深層順伝播型ネットワーク
[DL輪読会]Deep Learning 第6章 深層順伝播型ネットワーク
MCMC法
MCMC法
Semelhante a 【Zansa】第17回 ブートストラップ法入門
070 統計的推測 母集団と推定
070 統計的推測 母集団と推定
t2tarumi
データ解析4 確率の復習
データ解析4 確率の復習
Hirotaka Hachiya
PRML 3.3.3-3.4 ベイズ線形回帰とモデル選択 / Baysian Linear Regression and Model Comparison)
PRML 3.3.3-3.4 ベイズ線形回帰とモデル選択 / Baysian Linear Regression and Model Comparison)
Akihiro Nitta
050 確率と確率分布
050 確率と確率分布
t2tarumi
第8章 ガウス過程回帰による異常検知
第8章 ガウス過程回帰による異常検知
Chika Inoshita
PRML 第14章
PRML 第14章
Akira Miyazawa
ベイズ統計入門
ベイズ統計入門
Miyoshi Yuya
PRML 2.3節
PRML 2.3節
Rei Takami
K070k80 点推定 区間推定
K070k80 点推定 区間推定
t2tarumi
MLaPP 9章 「一般化線形モデルと指数型分布族」
MLaPP 9章 「一般化線形モデルと指数型分布族」
moterech
第5回Zansa勉強会
第5回Zansa勉強会
Zansa
PRML 2.3.2-2.3.4 ガウス分布
PRML 2.3.2-2.3.4 ガウス分布
Akihiro Nitta
K060 中心極限定理clt
K060 中心極限定理clt
t2tarumi
ラビットチャレンジレポート 応用数学
ラビットチャレンジレポート 応用数学
ssuserf4860b
Introduction to Statistical Estimation (統計的推定入門)
Introduction to Statistical Estimation (統計的推定入門)
Taro Tezuka
Semelhante a 【Zansa】第17回 ブートストラップ法入門
(15)
070 統計的推測 母集団と推定
070 統計的推測 母集団と推定
データ解析4 確率の復習
データ解析4 確率の復習
PRML 3.3.3-3.4 ベイズ線形回帰とモデル選択 / Baysian Linear Regression and Model Comparison)
PRML 3.3.3-3.4 ベイズ線形回帰とモデル選択 / Baysian Linear Regression and Model Comparison)
050 確率と確率分布
050 確率と確率分布
第8章 ガウス過程回帰による異常検知
第8章 ガウス過程回帰による異常検知
PRML 第14章
PRML 第14章
ベイズ統計入門
ベイズ統計入門
PRML 2.3節
PRML 2.3節
K070k80 点推定 区間推定
K070k80 点推定 区間推定
MLaPP 9章 「一般化線形モデルと指数型分布族」
MLaPP 9章 「一般化線形モデルと指数型分布族」
第5回Zansa勉強会
第5回Zansa勉強会
PRML 2.3.2-2.3.4 ガウス分布
PRML 2.3.2-2.3.4 ガウス分布
K060 中心極限定理clt
K060 中心極限定理clt
ラビットチャレンジレポート 応用数学
ラビットチャレンジレポート 応用数学
Introduction to Statistical Estimation (統計的推定入門)
Introduction to Statistical Estimation (統計的推定入門)
Mais de Zansa
121218 zansa13 for web
121218 zansa13 for web
Zansa
【Zansa】第12回勉強会 -PRMLからベイズの世界へ
【Zansa】第12回勉強会 -PRMLからベイズの世界へ
Zansa
Zansa アト テクノロシ-ー業界の分析という仕事について http://zansa.info/materials-11.html
Zansa アト テクノロシ-ー業界の分析という仕事について http://zansa.info/materials-11.html
Zansa
【Zansa】物理学はWebデータ分析に使えるか
【Zansa】物理学はWebデータ分析に使えるか
Zansa
第8回Zansa 俺の人生ランダムウォーク
第8回Zansa 俺の人生ランダムウォーク
Zansa
【Zansa】 人工社会-複雑系とマルチエージェントシミュレーションの紹介-
【Zansa】 人工社会-複雑系とマルチエージェントシミュレーションの紹介-
Zansa
ベイズ入門
ベイズ入門
Zansa
Zansa第4回勉強会 重回帰分析
Zansa第4回勉強会 重回帰分析
Zansa
Text classification zansa
Text classification zansa
Zansa
Zansa第二回11 28 発表資料 植木
Zansa第二回11 28 発表資料 植木
Zansa
Zansa0130presentation
Zansa0130presentation
Zansa
Mais de Zansa
(11)
121218 zansa13 for web
121218 zansa13 for web
【Zansa】第12回勉強会 -PRMLからベイズの世界へ
【Zansa】第12回勉強会 -PRMLからベイズの世界へ
Zansa アト テクノロシ-ー業界の分析という仕事について http://zansa.info/materials-11.html
Zansa アト テクノロシ-ー業界の分析という仕事について http://zansa.info/materials-11.html
【Zansa】物理学はWebデータ分析に使えるか
【Zansa】物理学はWebデータ分析に使えるか
第8回Zansa 俺の人生ランダムウォーク
第8回Zansa 俺の人生ランダムウォーク
【Zansa】 人工社会-複雑系とマルチエージェントシミュレーションの紹介-
【Zansa】 人工社会-複雑系とマルチエージェントシミュレーションの紹介-
ベイズ入門
ベイズ入門
Zansa第4回勉強会 重回帰分析
Zansa第4回勉強会 重回帰分析
Text classification zansa
Text classification zansa
Zansa第二回11 28 発表資料 植木
Zansa第二回11 28 発表資料 植木
Zansa0130presentation
Zansa0130presentation
Último
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NTT DATA Technology & Innovation
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
CRI Japan, Inc.
新人研修 後半 2024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
Observabilityは従来型の監視と何が違うのか(キンドリルジャパン社内勉強会:2022年10月27日発表)
Observabilityは従来型の監視と何が違うのか(キンドリルジャパン社内勉強会:2022年10月27日発表)
Hiroshi Tomioka
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
CRI Japan, Inc.
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
Utilizing Ballerina for Cloud Native Integrations
Utilizing Ballerina for Cloud Native Integrations
WSO2
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
atsushi061452
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
Toru Tamaki
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
sn679259
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
Toru Tamaki
Último
(12)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
新人研修 後半 2024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
Observabilityは従来型の監視と何が違うのか(キンドリルジャパン社内勉強会:2022年10月27日発表)
Observabilityは従来型の監視と何が違うのか(キンドリルジャパン社内勉強会:2022年10月27日発表)
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
Utilizing Ballerina for Cloud Native Integrations
Utilizing Ballerina for Cloud Native Integrations
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
【Zansa】第17回 ブートストラップ法入門
1.
法入門 @ksmzn 第 17 回
Zansa 27 Novenber 2013 1 / 31
2.
誰 Twiiter : @ksmzn 専門
: 計算機統計 2 / 31
3.
本日 ! 3 /
31
4.
4 / 31
5.
! 5 / 31
6.
法!! 6 / 31
7.
法 ? 法(Bootstrap Method)
、 n 個 標本 x1, x2, ..., xn 繰 返 許 n 個 標本 B 組選 、平均 分散 推定値 繰 返 求 、 分布 確率分布 誤差 推定 方法 7 / 31
8.
法 !! 8 / 31
9.
前提 、統計量 標本分布! 定義 F :
未知 確率分布 θ : F 関 興味 θ = T(F) 表 Fn : 既知 経験分布関数 F 抽出 n 個 標本 X 構成 θn : θ 推定値 用 統計量 θn = T(FN ) 表 θn 変動 、 θn 分布 Gn 持 。(θn ∼ Gn) 9 / 31
10.
例 考 ! 10
/ 31
11.
簡単 例 平均 求
場合 F : 未知 確率分布 µ : F 平均 知 。µ = T(F) = EF [X] x = {12, 15, 16, 17, 19, 20, 22, 23, 25, 28} F 抽出 10 個 標本 Fn : 既知 経験分布関数 10 個 標本 x 構成 µn : µ 推定値 用 統計量 µn = T(Fn) = 1 n ∑n i=1 xi = 19.7 µn 変動 、 µn 分布 Gn 持 。(µn ∼ Gn) 11 / 31
12.
経験分布関数Fn n 個 標本
x1, x2, ..., xn 大 順 x(1), x(2), ..., x(n) 並 替 、 各点 等確率 1 n 与 分布 赤:真 分布関数 黒:経験分布関数(n = 40) 12 / 31
13.
経験分布関数Fn ! → x 復元抽出
! 13 / 31
14.
標本 例 n =
10 標本 x = {12, 15, 16, 17, 19, 20, 22, 23, 25, 28} 10 個 復元抽出 x∗ (1) = {20, 19, 20, 23, 19, 28, 23, 28, 17, 25} 一度 10 個 復元抽出 x∗ (2) = {15, 23, 12, 17, 23, 25, 16, 22, 25, 25} 14 / 31
15.
標本 経験分布関数 Fn 標本 。 x1,
x2, ..., xn n 個 復元抽出 得 x∗ = {x∗ 1, x∗ 2, ..., x∗ n} 構成 経験分布関数 F∗ n 15 / 31
16.
標本 平均 標本 平均 x
= {12, 15, 16, 17, 19, 20, 22, 23, 25, 28} → µn = 1 n ∑n i=1 xi = 19.7 x∗ (1) = {20, 19, 20, 23, 19, 28, 23, 28, 17, 25} → µ∗ 1 = 1 n ∑n i=1 x∗ i (1) = 22.2 x∗ (2) = {15, 23, 12, 17, 23, 25, 16, 22, 25, 25} → µ∗ 2 = 1 n ∑n i=1 x∗ i (2) = 20.3 16 / 31
17.
推定量 分布 µ∗ 1 =
22.2, µ∗ 2 = 20.3, µ∗ 3 = 19.5, ... 標本 取 平均値 変 、 推定量 µ∗ 分布 G∗ n 。 ↓ 標本 平均 B = 2000 回 作 、 作 !! 17 / 31
18.
Mathematica code bootstrap[func_ ,
dat_ , num_] := Table[func[ RandomChoice [dat , Length[dat ]]], {i, num }] data = {12, 15, 16, 17, 19, 20, 22, 23, 25, 28}; boot = bootstrap[Mean , data , 2000]; Histogram[boot , Automatic] In [289]:= N[Mean[boot ]] Out [289]= 19.6897 16 18 20 22 24 26 50 100 150 200 250 300 18 / 31
19.
法 流 1 母集団
F 大 n 標本 抽出 2 標本 興味 θn 求 3 標本 復元抽出 B 回繰 返 標本 4 推定値 求 、 信頼区間 求 19 / 31
20.
法 考 方 法
以下 置 換 未知 確率分布 F ⇒ 経験分布関数 Fn F 関 θ = T(F) ⇒ Fn 関 θn = T(Fn) 推定量 θn = T(Fn) ⇒ 推定量 分布 Gn θ∗ n = T(F∗ n ) 分布 G∗ n 未知 F 標本 何度 抽出 、 既知 Fn 。 20 / 31
21.
適用例 分布Γ(α, β) 推定 ! 21
/ 31
22.
分布 分布 Γ(5, 2)
標本 抽出 、 推定 5 10 15 20 25 30 0.02 0.04 0.06 0.08 22 / 31
23.
標本 抽出 Γ(5, 2)
標本 30 個抽出 、 最尤推定 In [304]:= dat = RandomReal[ GammaDistribution [5, 2], 30]; edist = FindDistributionParameters [dat , GammaDistribution [α, β]] Out [305]= {α -> 7.05494 , β -> 1.41704} _人人人人人人人人_ > 違 <  ̄Y^Y^Y^Y^Y^Y^Y ̄ 23 / 31
24.
最尤推定値 分布 試 、30
個 標本 1000 組取 出 、 最尤推定値 分布 見 4 6 8 10 12 14 50 100 150 α : 平均 5.46133 分散 2.05054 1.0 1.5 2.0 2.5 3.0 3.5 4.0 50 100 150 β : 平均 1.94222 分散 0.247136 24 / 31
25.
母集団 何度 、 現実的 難
。 ↓ 標本 ! 25 / 31
26.
推定量 標本 2000 組抽出
、 推定 。 In [432]:= Fgamma[dat_] := FindDistributionParameters [dat , GammaDistribution [α, β]] boot = bootstrap[Fgamma , dat , 2000]; Mean[boot [[All , All , 2]]] Out [434]={7.95611 , 1.34972} ↑ 2000 組 推定値 α, β 平均 26 / 31
27.
計算 推定 誤差 捉
、 計算 推定量 θn b(Fn) = EFn (θ∗ n) − θn ≈ 1 B B∑ b=1 θ∗ n(b) − θn In [443]:= nvalue = Fgamma[dat] bias = Mean[boot [[All , All , 2]]] - nvalue [[All , 2]] Out [443]= {0.901169 , -0.067321} α 0.901169, β −0.067321 27 / 31
28.
推定量 修正 偏 修正済推定量 ˜θ
= θn − b(Fn) = 2θn − EFn (θ∗ n) In [443]:= nvalue [[All , 2]] - bias Out [444]= {6.15377 , 1.48436} 偏 修正済推定量 、(α, β) = (6.15377, 1.48436) 28 / 31
29.
偏 修正済推定量 分布 偏
修正済推定量 temp = Table[dat = RandomReal[ GammaDistribution [5, 2], 30]; boot = bootstrap[Fgamma , dat , 100]; nvalue = Fgamma[dat]; bias = Mean[boot [[All , All , 2]]] - nvalue [[All , 2]]; nvalue [[All , 2]] - bias , {i, 100}]; 3 4 5 6 7 8 9 10 10 20 30 40 α : 平均 4.98765 分散 1.38136 1.0 1.5 2.0 2.5 3.0 10 20 30 40 β : 平均 1.96953 分散 0.203531 29 / 31
30.
法 、標本 多数回 行
推定 未知 確率分布 既知 経験分布 置 換 母集団 場合 、 計算機 統計量 偏 ( 分散、 対 信頼区間) 構成 30 / 31
31.
。 31 / 31
Baixar agora