スライド 1
|
|
- あまめ こびき
- 5 years ago
- Views:
Transcription
1 2018 年 5 月 8 統計モデリング 統計モデリング 第四回配布資料 文献 : a) A. J. Dobson and A. G. Barnett: An Introduction to Generalized Linear Models. 3rd ed., CRC Press. b) H. Dung, et al: Monitoring the Transmission of Schistosoma japonicum in Potential Risk Regions of China, : Int. J. Environ. Res. Public Health vol. 11(2014), no.2, c) X. N. Zhou, et al: Epidemiology of Schistosomiasis in the People's Republic of China, Emerging Infectious Diseases, vol. 13 (2007), no.10, 配布資料の一部は以下からもDLできます. 短縮 URL 担当 : 田中冬彦
2 第四回ベイズ統計 ( 導入 ) 今後の予定 ガンバ大阪ホームページより 第六回数値技法 (1) (2) ( M ) θ, θ,, θ のヒストグラム Frequency sample histogram M distribution π ( θ x) の関数形 posterior distribution 第五回ベイズファクター Google map から転載 x theta 第七回グループ発表 1 第八回線形モデルのベイズ解析
3 今日の内容 1. 問題編 ( 中国長江流域架空の都市を題材 ) 2. 統計の復習 1~ ベイズの定理 ( 事象編 ) 3. 統計の復習 2~ ベイズの定理 ( 確率変数編 ) 4. ベイズ統計の基礎 5. 解決編 6. 補足 7. グループワーク ( 計算課題 )
4 本日の主役 二項モデル + 事前分布 X ~ Bin( n, θ ) θ ~ π ( θ )
5 2000 年代初頭, 中国都市部の急速な発展とは対照的に長江流域の農村地区では水道さえ整備されていなかった 2004 年の調査では中国内で少なくとも約 70 万人と推定 割合は数 % だが 長江流域では村全体が感染することも普通に起きている風 画像はイメージです
6 Google map から転載
7 上流 下流 今回 新たに調査に入った F 村 住血吸虫症が蔓延している村 ( 感染率 > 0.5) 住血吸虫症が蔓延していない村 ( 感染率 < 0.5)
8 上流 下流 F 村 ( 数百人程度 ) 考えてみよう! 住血吸虫の感染率を早期に判断する必要がある 診断用資材は十分高い精度があるが 10 人分しかない F 村の感染率を推測する上で10 人をどうやって選べばよいか?
9 上流 下流 感 感 非 感 非 非 感 感 感 感 調査で判明したこと 10 人中, 7 人が住血吸虫に感染! F 村全体での感染率 > 0.5 ( 蔓延 ) と考えてよいか?
10 θ : F 村の感染率 H 0 ( 帰無仮説 ) : θ 0.5 H ( 対立仮説 ) : θ > 検定統計量 T = 統計的仮説検定 復習 ˆ θ θ0 θˆ = 0.7 θ 0 = 0.5 ˆ(1 θ ˆ) θ / N N =10 検定方式 T T ( 有意水準 0.05) > 蔓延していると考えてよい 蔓延しているとまではいえない 検定統計量の値を計算すると T = = (1 0.7) /10
11 上流 下流 F 村 住血吸虫症が蔓延 ( 感染率 > 0.5) 住血吸虫症が蔓延してない ( 感染率 <0.5) 10 人中, 7 人が住血吸虫に感染ただし, 蔓延とはいえない (N=10) しかし, F 村周辺の似たような村の 80% が蔓延 ( 感染率 > 0.5) が既に判明している
12 考えてみよう 問題提起 他の村の 80% で蔓延, この現地の情報を無視した解析はよいのだろうか. 仮定 : 近隣地域の感染率は, 十分高い精度で判明. 住血吸虫症が蔓延している村 ( 感染率 > 0.5) の割合 80% は十分, 信頼できる情報とする.
13 2. 統計の復習 1 ~ ベイズの定理 ( 事象編 )
14 ここでのポイント ベイズ統計の根本 = 条件付き確率を用いた推論
15 条件付き確率とベイズの定理 条件付き確率事象 Aが起きた時にBも起きている確率 Pr( A B) Pr( B A) Pr( B A) : = = Pr( A) Pr( A) A,Bが独立の場合には Pr( B A) = Pr( B) ベイズの定理 ( ベイズの公式 ) Pr( A B) Pr( B) Pr( B A) = Pr( A) 数学的には下の定義の書き換えにすぎない Pr( A B) = Pr( B A) Pr( A) = Pr( A B) Pr( B)
16 モデリングを考える上での注意点 以上は 数学的な定義 の仕方 練習してみよう! 実際には, 条件付き確率 Pr( B A) を先に考えることも 練習 犯人が犯行後に 犯行現場にやってくる確率 90% Pr( B A) = 0.90 A, B はどのような事象と解釈できるか. A B
17 結果を予想してみよう! 例題 : がん診断 * ( 以下は架空のものです ) がんの有無を95% の確率で判別できる診断法があります 検査を受ける人の中でがんである割合は年間 0.5% Aさんの診断結果は陽性でした Aさんの正しい対処方法は? 予想される選択肢 : 1.95% でがんだから, 家族と今後について話し合う 2. 所詮は半分半分 3. 統計的にはがんの人は 0.5% 程度だろ? * 松原望 : 入門ベイズ統計, 東京図書
18 条件付確率の計算例 (1/3) 1. 診断方法が 95% の精度 これは 条件付き確率 で表現される!! A: 診断で陽性 ; ~A: 診断で陰性 B: がん ; ~B: がんでない Pr( A B) = 0.95, Pr(~ A B) = 0.05, Pr(~ A ~ B) = 0.95, Pr( A ~ B) = * 記法 : 補集合 c ~ A は Aの補集合 ( A とかくことが多い )
19 条件付確率の計算例 (2/3) 2. 検査を受ける人ががんである割合 これは 確率 で表現!! Pr( B) = 0.005, Pr(~ B) = 検査を受けて陽性が出る確率 Pr( A) = Pr( A B) + Pr( A ~ B) = Pr( A B) Pr( B) + Pr( A ~ B) Pr(~ B) = ここの計算は時間の都合でとばします.
20 条件付確率の計算例 (3/3) 4. 陽性が出た時に がんである確率 Pr( B A) = Pr( A B) Pr( B) Pr( A) ここでベイズの公式を用いる! = 0.087
21 例題 : 迷惑メールフィルタの仕組み モデル化の例 : 以下の条件を条件付き確率で表してみよう. 設定 練習してみよう! 通常メールと迷惑メールの受信比率は 90:10 迷惑メールに特徴的な単語としてアダルトが81% で本文に入る 通常メールでもたまにアダルトが本文に入る(1%) A: 本文にアダルトが含まれる ; ~A: 含まれない B: 迷惑メール ; ~B: 通常メール Pr( A B) = 0.81 Pr( A ~ B) = 0.01.
22 練習してみよう! 迷惑メールの比率 Pr(B) = Pr(~ B) = 本文にアダルトが含まれる比率 Pr(A) = Pr( A B) Pr( B) + Pr( A ~ B) Pr(~ B) = 本文にアダルトが見つかった場合, 迷惑メールである確率 Pr( B A) =
23 ここまでのまとめ ベイズの定理 ( ベイズの公式 ) Pr( B A) = Pr( A B) Pr( B) Pr( A) 応用例 : 迷惑メールフィルタ 実際には 1 つの単語のみで判断するのは難しいが 複数の単語 ( や他の条件 ) を組み合わせることで確率は上がっていく 機械的に判断できる条件で確率が高いものを迷惑メールとみなして別のフォルダに振り分ける 機械学習 人工知能 (AI) などの基礎にもなっている!
24 3. 統計の復習 2 ~ ベイズの定理 ( 確率変数編 )
25 連続確率変数の独立性 確率変数の独立性 復習 2 つの確率変数 X,Y の同時確率密度 ( 結合確率密度 ) p( x, y) p( x, y) 0, p( x, y)dxdy = 1 2 つの確率変数 X,Y が独立 p ( x, y) = p( x) p( y) p( x) 0, p( x)dx = 1 p( y) 0, p( y)dy = 1 注意 1. 確率変数 X, X, 2, も同様 1 X n p( x,, xn) = p( x1 ) p( x 1 n 2. 離散確率変数の時も同様 )
26 確率変数の条件付き確率 復習 連続確率変数の条件付き確率 2つの確率変数 X,Y の確率密度 p( x, y) 周辺密度 p ( x) = p( x, y) dy p( y) = p( x, y) dx 確率変数 X の Y=y での条件付き確率密度 p( x y) で定まる p( x, y) p ( x y) = p( y) p( y) X Y (X, Y) の確率分布を条件付き確率などという = p( x, y) dx
27 確率変数のベイズの定理 復習 連続確率変数のベイズ定理 ) ( ) ( ) ( ) ( x p y p y x p x y p = ここで分母の周辺密度は, 次のように計算できる. = = y y p y x p y y x p x p d ) ( ) ( )d, ( ) ( ( 数理以外の人には ) 抽象的でわかりづらいですが 後でグループで計算します.
28 4. ベイズ統計の基礎
29 ここでのポイント ベイズ統計の基本 = 統計モデルのパラメータに 確率分布を設定
30 統計モデルに基いた分析 第二回 データの統計分析 1. データに応じた統計モデルの設定 ( 母集団分布のモデル化 ) i. i. d. X1,, X n ~ p( x θ ) θ 2. パラメータの推測 点推定 区間推定 ( 信頼区間 ) 仮説検定 ベイズ統計もこの流れは同じ!
31 パラメータの推測における不確実性 分析者の気持ち prob θ theta 0.7 prob 分析者が強い確信を持っている場合 ( データが大量 ) theta θ 0.7 分析者は左図のような確率分布で表現したい!
32 パラメータの確率分布の導入 統計モデルは所与とする.( 簡単のため, サンプルサイズ n= 1.) x ~ p( x θ ) ベイズ統計ではパラメータにも確率分布を設定 ( 設定方法は後で ). 事前分布 (*) π ( θ ) θ ~ π ( θ ) dθ = 1, π ( θ ) 0 パラメータに対する不確実性を確率分布で表現. データを得る前 ( 事前 ) の分布で事前分布 (prior) *1 確率分布と確率密度関数 / 確率関数は混同して用いる π p(θ ) *2 データの分布と区別するため, を用いるが, と書いてもよい.
33 データ x とパラメータ パラメータの条件付き確率分布 θ の同時分布を以下で 定義 p ( x, θ ) = p( x θ ) π ( θ ) データ x のみの確率分布 ( 周辺分布 ) は ( θ ) p( x) = p( x θ ) π dθ データ x が与えられた時のパラメータ θ の条件付き分布は π ( θ x) = p( x θ ) π ( θ ) p( x) この条件付き分布を事後分布という
34 事前分布と事後分布 未知パラメータの事前分布 ( 分析者が設定 ) π (θ ) 事後分布 ( データ x を代入してベイズ定理から計算 ) π ( θ x) π (θ ) π ( θ x) prob 条件付き分布に変化 θ prob θ theta theta
35 従来の統計学との違い やや学術的 従来の統計学 ( 頻度論的統計ともいう ) 統計モデルは数学的に扱いやすいものを設定 各分析 ( 推定 検定 ) に応じて公式を導出 (& 理論上はサンプルサイズ大を暗に仮定 ) ベイズ統計学 π (θ ) パラメータに 初期 の確率分布を設定 パラメータの条件付き分布 π ( θ x) に基いて一貫して考える ( 複雑なモデルでもやり方は変わらない ) ベイズ統計の根幹は条件付き分布 ( 事後分布 )!!
36 二項モデル 統計モデル ~ 二項モデル (* 学部 1 年統計学 B-2, C-2 の内容 ) θ 毎回, 独立に一定の確率で感染者を選んでいると考えて 10 人中 X 人の感染者が選ばれるとする. X ~ Bin(10, θ ) F 村 非 感感感 感 感 非 非 非 感感感感 感 感 感 非 感 非 非 感感感 感 感感感感 感感 非 非 非 感 感感 非 補足 : 先の統計的仮説検定は上のモデルのみで, 公式を導出していた
37 事前分布の設定 (1/2) 事前分布 θ 感染率は村ごとに異なるが近隣地域の情報 ( 事前情報 ) から F 村の感染率について以下のような確率分布を設定 Pr( θ > 1/ 2) = Pr( θ 1/ 2) = 住血吸虫症が蔓延 ( 感染率 > 0.5) 住血吸虫症が蔓延してない ( 感染率 <0.5)
38 事前分布の設定 (2/2) 離散化 ( 今回のみ ) 計算の都合上 θ = 0.0, 0.1, , 1.0 θ π (θ ) ~ π ( θ ) = θ は以下の離散値とする, θ = 0.8, θ = 5 0,0.1,..., ,0.7,...,1.0 prob Prior theta > theta <- (0:10)/10 > prior <- c( rep(0.2/6, 6), rep(0.8/5, 5)) > plot(theta, prior, pch=3, col=3, lwd=5, xlab="theta", ylab="prob.", main="prior", xlim=c(0,1), ylim=c(0, 0.35)); 以上のモデルで θ の条件付確率 ( 事後分布 ) を数値的に求める
39 1. 事後分布 図の青点 2. 事後分布を最大にする点 (MAP) ˆ = 0.7 θ π 3. 事後分布による蔓延の確率 Pr( θ > 1/ 2 x = 7) 計算結果 = π ( θ = 0.6 x = 7) + π ( θ = 0.7 x = 7) + π ( θ = 0.8 x = 7) + π ( θ = 0.9 x = 7) + π ( θ = 1.0 x = 7) = 0.95 prob Prior, Posterior > X_obs <- 7; N <- 10; like <- dbinom(x_obs, N, theta); > poste <- like*prior/(sum(like*prior)); > plot(theta, prior, pch=3, col=3, lwd=5, xlab="theta", ylab="prob.", main="prior, Posterior", xlim=c(0,1), ylim=c(0, 0.35)); > points(theta, poste, pch=1, col=4, lwd=5); > sum(poste[theta > 0.5]); theta θ 周辺の村を考慮した事前分布により実感とあう蔓延確率が出た!
40 6. 補足
41 ベイズ解析 ベイズ解析 / ベイズ分析 (Bayesian Analysis) データ x 所与の下, 事後分布 π ( θ x) を用いて統計解析を行うこと ベイズ解析の強み π ( θ x) が計算できてしまえば, 統一的に統計解析が行える パラメータ推定 ( 点推定 ) 信用区間 仮説検定; 判別 モデル選択 予測分布 概念的な難しさはない ( シンプル!)
42 ベイズ解析の難点 問題は事後分布 π ( θ x) の計算 統計モデル 事前分布の設定 数値手法
43 統計モデル p( x θ ) 事前分布 メジャーなもののみ扱う π ( θ ) 本講義のスタンス 事後分布が計算しやすいクラス ( 主に共役事前分布 ) 正当性 階層構造を入れると広いクラス サンプルサイズ大なら, 事前分布の取り方に大きく依存はしない cf) 理論的な課題 事前の情報あり / 情報なし どのように事前分布に反映させるべきか?
44 次回以降やっていくこと いろいろな統計モデルに事前分布をいれてベイズ解析 基本的な統計モデル ( 第一回 ) 線形モデル ( 第二回 ) Y = α + β + ε i x i Y Po( µ ) n i ~ i log µ = i p j= 1 κ x j ij i i =1,, 2 ε ~ N(0, σ ) ポアソン回帰 ( 一般化線形モデル )( 第三回 ) i i =1,, n たとえば α, β,, σ 2 ;, x i κ j 適切なものに をつけよ に確率分布 ( 事前分布 ) を導入
45 練習問題 ( 後半にグループで取り組む提出はグループ用シートのみ )
46 グループで計算してみよう! 問 1: グループメンバーで以下を埋めて, お互いの理解を確認 二項モデルの確率関数 θ 毎回, 独立に一定の確率で感染者を選んでいると考えて 10 人中 x 人の感染者が選ばれる確率は p x 10 = x x 10 x ( θ ) θ (1 θ ) 事前分布の確率関数 θ π (θ )
47 問 2 グループで計算してみよう! グループメンバーで手分けして x =3,5,7,9 のそれぞれの事後分布を求め以下の表を埋めなさい. 事後分布の確率関数 θ π (θ 3) θ π (θ 5)
48 θ π (θ 7) θ π (θ 9) 問 3 π ( 0.5) = 1 π ( θ ) = 0, θ 0.5 事前分布のとき 事後分布はどうなるか?
スライド 1
2019 年 5 月 7 日 @ 統計モデリング 統計モデリング 第四回配布資料 ( 予習用 ) 文献 : a) A. J. Dobson and A. G. Barnett: An Introduction to Generalized Linear Models. 3rd ed., CRC Press. b) H. Dung, et al: Monitoring the Transmission
More informationスライド 1
担当 : 田中冬彦 016 年 4 月 19 日 @ 統計モデリング 統計モデリング 第二回配布資料 文献 : A. J. Dobson and A. G. Barnett: An Introduction to Generalized Linear Models 3rd ed., CRC Press. 配布資料の PDF は以下からも DL できます. 短縮 URL http://tinyurl.com/lxb7kb8
More informationスライド 1
担当 : 田中冬彦 2018 年 4 月 17 日 @ 統計モデリング 統計モデリング 第二回配布資料 文献 : A. J. Dobson and A. G. Barnett: An Introduction to Generalized Linear Models 3rd ed., CRC Press. 配布資料の PDF は以下からも DL できます. 短縮 URL http://tinyurl.com/lxb7kb8
More informationスライド 1
. 無情報事前分布 前回 前回の復習 データの分布 ( 統計モデル を設定 ( θ モデルごとに相性のよい事前分布 ( 共役事前分布 を紹介 事後分布の計算 π (θ π ( θ, π ( θ dθ, 昔 共役事前分布を利用して 解析的に事後分布を導出簡単な形で書けない場合は ラプラス近似を利用 現在 パラメータの次元が高い, もしくは複雑な入り方をする統計モデル 数値的な方法 ( 第六回 で近似するため共役事前分布にこだわらない
More information統計学 - 社会統計の基礎 - 正規分布 標準正規分布累積分布関数の逆関数 t 分布正規分布に従うサンプルの平均の信頼区間 担当 : 岸 康人 資料ページ :
統計学 - 社会統計の基礎 - 正規分布 標準正規分布累積分布関数の逆関数 t 分布正規分布に従うサンプルの平均の信頼区間 担当 : 岸 康人 資料ページ : https://goo.gl/qw1djw 正規分布 ( 復習 ) 正規分布 (Normal Distribution)N (μ, σ 2 ) 別名 : ガウス分布 (Gaussian Distribution) 密度関数 Excel:= NORM.DIST
More informationビジネス統計 統計基礎とエクセル分析 正誤表
ビジネス統計統計基礎とエクセル分析 ビジネス統計スペシャリスト エクセル分析スペシャリスト 公式テキスト正誤表と学習用データ更新履歴 平成 30 年 5 月 14 日現在 公式テキスト正誤表 頁場所誤正修正 6 知識編第 章 -3-3 最頻値の解説内容 たとえば, 表.1 のデータであれば, 最頻値は 167.5cm というたとえば, 表.1 のデータであれば, 最頻値は 165.0cm ということになります
More information様々なミクロ計量モデル†
担当 : 長倉大輔 ( ながくらだいすけ ) この資料は私の講義において使用するために作成した資料です WEB ページ上で公開しており 自由に参照して頂いて構いません ただし 内容について 一応検証してありますが もし間違いがあった場合でもそれによって生じるいかなる損害 不利益について責任を負いかねますのでご了承ください 間違いは発見次第 継続的に直していますが まだ存在する可能性があります 1 カウントデータモデル
More informationベイズ統計入門
ベイズ統計入門 条件付確率 事象 F が起こったことが既知であるという条件の下で E が起こる確率を条件付確率 (codtoal probablt) という P ( E F ) P ( E F ) P( F ) 定義式を変形すると 確率の乗法公式となる ( E F ) P( F ) P( E F ) P( E) P( F E) P 事象の独立 ある事象の生起する確率が 他のある事象が生起するかどうかによって変化しないとき
More informationスライド 1
担当 : 田中冬彦 2017 年 4 月 18 日 @ 統計モデリング 統計モデリング 第二回配布資料 文献 : A. J. Dobson and A. G. Barnett: An Introduction to Generalized Linear Models 3rd ed., CRC Press. 配布資料の PDF は以下からも DL できます. 短縮 URL http://tinyurl.com/lxb7kb8
More information日心TWS
2017.09.22 (15:40~17:10) 日本心理学会第 81 回大会 TWS ベイジアンデータ解析入門 回帰分析を例に ベイジアンデータ解析 を体験してみる 広島大学大学院教育学研究科平川真 ベイジアン分析のステップ (p.24) 1) データの特定 2) モデルの定義 ( 解釈可能な ) モデルの作成 3) パラメタの事前分布の設定 4) ベイズ推論を用いて パラメタの値に確信度を再配分ベイズ推定
More informationEBNと疫学
推定と検定 57 ( 復習 ) 記述統計と推測統計 統計解析は大きく 2 つに分けられる 記述統計 推測統計 記述統計 観察集団の特性を示すもの 代表値 ( 平均値や中央値 ) や ばらつきの指標 ( 標準偏差など ) 図表を効果的に使う 推測統計 観察集団のデータから母集団の特性を 推定 する 平均 / 分散 / 係数値などの推定 ( 点推定 ) 点推定値のばらつきを調べる ( 区間推定 ) 検定統計量を用いた検定
More information切片 ( 定数項 ) ダミー 以下の単回帰モデルを考えよう これは賃金と就業年数の関係を分析している : ( 賃金関数 ) ここで Y i = α + β X i + u i, i =1,, n, u i ~ i.i.d. N(0, σ 2 ) Y i : 賃金の対数値, X i : 就業年数. (
統計学ダミー変数による分析 担当 : 長倉大輔 ( ながくらだいすけ ) 1 切片 ( 定数項 ) ダミー 以下の単回帰モデルを考えよう これは賃金と就業年数の関係を分析している : ( 賃金関数 ) ここで Y i = α + β X i + u i, i =1,, n, u i ~ i.i.d. N(0, σ 2 ) Y i : 賃金の対数値, X i : 就業年数. ( 実際は賃金を就業年数だけで説明するのは現実的はない
More information基礎統計
基礎統計 第 11 回講義資料 6.4.2 標本平均の差の標本分布 母平均の差 標本平均の差をみれば良い ただし, 母分散に依存するため場合分けをする 1 2 3 分散が既知分散が未知であるが等しい分散が未知であり等しいとは限らない 1 母分散が既知のとき が既知 標準化変量 2 母分散が未知であり, 等しいとき 分散が未知であるが, 等しいということは分かっているとき 標準化変量 自由度 の t
More informationスライド 1
205 年 4 月 28 日 @ 統計モデリング 統計モデリング 第三回配布資料 文献 : A. J. Dobso ad A. G. Barett: A Itroducto to Geeralzed Lear Models. 3rd ed., CRC Press. J. J. Faraway: Etedg the Lear Model wth R. CRC Press. 配布資料の PDF は以下からも
More information情報工学概論
確率と統計 中山クラス 第 11 週 0 本日の内容 第 3 回レポート解説 第 5 章 5.6 独立性の検定 ( カイ二乗検定 ) 5.7 サンプルサイズの検定結果への影響練習問題 (4),(5) 第 4 回レポート課題の説明 1 演習問題 ( 前回 ) の解説 勉強時間と定期試験の得点の関係を無相関検定により調べる. データ入力 > aa
More information講義「○○○○」
講義 信頼度の推定と立証 内容. 点推定と区間推定. 指数分布の点推定 区間推定 3. 指数分布 正規分布の信頼度推定 担当 : 倉敷哲生 ( ビジネスエンジニアリング専攻 ) 統計的推測 標本から得られる情報を基に 母集団に関する結論の導出が目的 測定値 x x x 3 : x 母集団 (populaio) 母集団の特性値 統計的推測 標本 (sample) 標本の特性値 分布のパラメータ ( 母数
More informationスライド 1
データ解析特論第 10 回 ( 全 15 回 ) 2012 年 12 月 11 日 ( 火 ) 情報エレクトロニクス専攻横田孝義 1 終了 11/13 11/20 重回帰分析をしばらくやります 12/4 12/11 12/18 2 前回から回帰分析について学習しています 3 ( 単 ) 回帰分析 単回帰分析では一つの従属変数 ( 目的変数 ) を 一つの独立変数 ( 説明変数 ) で予測する事を考える
More informationMicrosoft PowerPoint - sc7.ppt [互換モード]
/ 社会調査論 本章の概要 本章では クロス集計表を用いた独立性の検定を中心に方法を学ぶ 1) 立命館大学経済学部 寺脇 拓 2 11 1.1 比率の推定 ベルヌーイ分布 (Bernoulli distribution) 浄水器の所有率を推定したいとする 浄水器の所有の有無を表す変数をxで表し 浄水器をもっている を 1 浄水器をもっていない を 0 で表す 母集団の浄水器を持っている人の割合をpで表すとすると
More informationMicrosoft PowerPoint - e-stat(OLS).pptx
経済統計学 ( 補足 ) 最小二乗法について 担当 : 小塚匡文 2015 年 11 月 19 日 ( 改訂版 ) 神戸大学経済学部 2015 年度後期開講授業 補足 : 最小二乗法 ( 単回帰分析 ) 1.( 単純 ) 回帰分析とは? 標本サイズTの2 変数 ( ここではXとY) のデータが存在 YをXで説明する回帰方程式を推定するための方法 Y: 被説明変数 ( または従属変数 ) X: 説明変数
More information<4D F736F F D208EC08CB18C7689E68A E F AA957A82C682948C9F92E82E646F63>
第 7 回 t 分布と t 検定 実験計画学 A.t 分布 ( 小標本に関する平均の推定と検定 ) 前々回と前回の授業では, 標本が十分に大きいあるいは母分散が既知であることを条件に正規分布を用いて推定 検定した. しかし, 母集団が正規分布し, 標本が小さい場合には, 標本分散から母分散を推定するときの不確実さを加味したt 分布を用いて推定 検定しなければならない. t 分布は標本分散の自由度 f(
More informationMicrosoft PowerPoint - stat-2014-[9] pptx
統計学 第 17 回 講義 母平均の区間推定 Part-1 014 年 6 17 ( )6-7 限 担当教員 : 唐渡 広志 ( からと こうじ ) 研究室 : 経済学研究棟 4 階 43 号室 email: kkarato@eco.u-toyama.ac.j website: htt://www3.u-toyama.ac.j/kkarato/ 1 講義の目的 標本平均は正規分布に従うという性質を
More information第 3 回講義の項目と概要 統計的手法入門 : 品質のばらつきを解析する 平均と標準偏差 (P30) a) データは平均を見ただけではわからない 平均が同じだからといって 同一視してはいけない b) データのばらつきを示す 標準偏差 にも注目しよう c) 平均
第 3 回講義の項目と概要 016.8.9 1.3 統計的手法入門 : 品質のばらつきを解析する 1.3.1 平均と標準偏差 (P30) a) データは平均を見ただけではわからない 平均が同じだからといって 同一視してはいけない b) データのばらつきを示す 標準偏差 にも注目しよう c) 平均 :AVERAGE 関数, 標準偏差 :STDEVP 関数とSTDEVという関数 1 取得したデータそのものの標準偏差
More information統計的データ解析
統計的データ解析 011 011.11.9 林田清 ( 大阪大学大学院理学研究科 ) 連続確率分布の平均値 分散 比較のため P(c ) c 分布 自由度 の ( カイ c 平均値 0, 標準偏差 1の正規分布 に従う変数 xの自乗和 c x =1 が従う分布を自由度 の分布と呼ぶ 一般に自由度の分布は f /1 c / / ( c ) {( c ) e }/ ( / ) 期待値 二乗 ) 分布 c
More information<4D F736F F D2090B695A8939D8C768A E F AA957A82C682948C9F92E8>
第 8 回 t 分布と t 検定 生物統計学 A.t 分布 ( 小標本に関する平均の推定と検定 ) 前々回と前回の授業では, 標本が十分に大きいあるいは母分散が既知であることを条件に正規分布を用いて推定 検定した. しかし, 母集団が正規分布し, 標本が小さい場合には, 標本分散から母分散を推定するときの不確実さを加味したt 分布を用いて推定 検定しなければならない. t 分布は標本分散の自由度 f(
More informationMicrosoft PowerPoint - R-stat-intro_12.ppt [互換モード]
R で統計解析入門 (12) 生存時間解析 中篇 準備 : データ DEP の読み込み 1. データ DEP を以下からダウンロードする http://www.cwk.zaq.ne.jp/fkhud708/files/dep.csv /fkh /d 2. ダウンロードした場所を把握する ここでは c:/temp とする 3. R を起動し,2. 2 の場所に移動し, データを読み込む 4. データ
More informationスライド 1
データ解析特論重回帰分析編 2017 年 7 月 10 日 ( 月 )~ 情報エレクトロニクスコース横田孝義 1 ( 単 ) 回帰分析 単回帰分析では一つの従属変数 ( 目的変数 ) を 一つの独立変数 ( 説明変数 ) で予測する事を考える 具体的には y = a + bx という回帰直線 ( モデル ) でデータを代表させる このためにデータからこの回帰直線の切片 (a) と傾き (b) を最小
More informationProbit , Mixed logit
Probit, Mixed logit 2016/5/16 スタートアップゼミ #5 B4 後藤祥孝 1 0. 目次 Probit モデルについて 1. モデル概要 2. 定式化と理解 3. 推定 Mixed logit モデルについて 4. モデル概要 5. 定式化と理解 6. 推定 2 1.Probit 概要 プロビットモデルとは. 効用関数の誤差項に多変量正規分布を仮定したもの. 誤差項には様々な要因が存在するため,
More informationMicrosoft PowerPoint - statistics pptx
統計学 第 16 回 講義 母平均の区間推定 Part-1 016 年 6 10 ( ) 1 限 担当教員 : 唐渡 広志 ( からと こうじ ) 研究室 : 経済学研究棟 4 階 43 号室 email: kkarato@eco.u-toyama.ac.jp website: http://www3.u-toyama.ac.jp/kkarato/ 1 講義の目的 標本平均は正規分布に従うという性質を
More informationPowerPoint プレゼンテーション
1/X Chapter 9: Linear correlation Cohen, B. H. (2007). In B. H. Cohen (Ed.), Explaining Psychological Statistics (3rd ed.) (pp. 255-285). NJ: Wiley. 概要 2/X 相関係数とは何か 相関係数の数式 検定 注意点 フィッシャーのZ 変換 信頼区間 相関係数の差の検定
More informationRSS Higher Certificate in Statistics, Specimen A Module 3: Basic Statistical Methods Solutions Question 1 (i) 帰無仮説 : 200C と 250C において鉄鋼の破壊応力の母平均には違いはな
RSS Higher Certiicate in Statistics, Specimen A Module 3: Basic Statistical Methods Solutions Question (i) 帰無仮説 : 00C と 50C において鉄鋼の破壊応力の母平均には違いはない. 対立仮説 : 破壊応力の母平均には違いがあり, 50C の方ときの方が大きい. n 8, n 7, x 59.6,
More informationMicrosoft Word - 微分入門.doc
基本公式 例題 0 定義式 f( ) 数 Ⅲ 微分入門 = の導関数を定義式にもとづいて計算しなさい 基本事項 ( f( ), g( ) が微分可能ならば ) y= f( ) g( ) のとき, y = y= f( ) g( ) h( ) のとき, y = ( f( ), g( ) が微分可能で, g( ) 0 ならば ) f( ) y = のとき, y = g ( ) とくに, y = のとき,
More informationInformation Theory
前回の復習 講義の概要 chapter 1: 情報を測る... エントロピーの定義 確率変数 X の ( 一次 ) エントロピー M H 1 (X) = p i log 2 p i (bit) i=1 M は実現値の個数,p i は i 番目の実現値が取られる確率 実現値 確率 表 裏 0.5 0.5 H 1 X = 0.5 log 2 0.5 0.5log 2 0.5 = 1bit 1 練習問題の解答
More informationMicrosoft PowerPoint - H17-5時限(パターン認識).ppt
パターン認識早稲田大学講義 平成 7 年度 独 産業技術総合研究所栗田多喜夫 赤穂昭太郎 統計的特徴抽出 パターン認識過程 特徴抽出 認識対象から何らかの特徴量を計測 抽出 する必要がある 認識に有効な情報 特徴 を抽出し 次元を縮小した効率の良い空間を構成する過程 文字認識 : スキャナ等で取り込んだ画像から文字の識別に必要な本質的な特徴のみを抽出 例 文字線の傾き 曲率 面積など 識別 与えられた未知の対象を
More informationKumamoto University Center for Multimedia and Information Technologies Lab. 熊本大学アプリケーション実験 ~ 実環境における無線 LAN 受信電波強度を用いた位置推定手法の検討 ~ InKIAI 宮崎県美郷
熊本大学アプリケーション実験 ~ 実環境における無線 LAN 受信電波強度を用いた位置推定手法の検討 ~ InKIAI プロジェクト @ 宮崎県美郷町 熊本大学副島慶人川村諒 1 実験の目的 従来 信号の受信電波強度 (RSSI:RecevedSgnal StrengthIndcator) により 対象の位置を推定する手法として 無線 LAN の AP(AccessPont) から受信する信号の減衰量をもとに位置を推定する手法が多く検討されている
More information自動車感性評価学 1. 二項検定 内容 2 3. 質的データの解析方法 1 ( 名義尺度 ) 2.χ 2 検定 タイプ 1. 二項検定 官能検査における分類データの解析法 識別できるかを調べる 嗜好に差があるかを調べる 2 点比較法 2 点識別法 2 点嗜好法 3 点比較法 3 点識別法 3 点嗜好
. 内容 3. 質的データの解析方法 ( 名義尺度 ).χ 検定 タイプ. 官能検査における分類データの解析法 識別できるかを調べる 嗜好に差があるかを調べる 点比較法 点識別法 点嗜好法 3 点比較法 3 点識別法 3 点嗜好法 : 点比較法 : 点識別法 配偶法 配偶法 ( 官能評価の基礎と応用 ) 3 A か B かの判定において 回の判定でAが選ばれる回数 kは p の二項分布に従う H :
More informationExcelによる統計分析検定_知識編_小塚明_5_9章.indd
第7章57766 検定と推定 サンプリングによって得られた標本から, 母集団の統計的性質に対して推測を行うことを統計的推測といいます 本章では, 推測統計の根幹をなす仮説検定と推定の基本的な考え方について説明します 前章までの知識を用いて, 具体的な分析を行います 本章以降の知識は操作編での操作に直接関連していますので, 少し聞きなれない言葉ですが, 帰無仮説 有意水準 棄却域 などの意味を理解して,
More information統計学 Ⅱ( 章 ( 区間推定のシミュレーション 母平均 μ の区間推定 X ~ N, のとき X T ~ 自由度 1の t分布 1 自由度 -1のt 分布の97.5% 点 :t.975 P t T t この式に T を代入する t.975 母集団
統計学 Ⅱ(16 11-1 章 11 章母集団パラメータの推定 1. 信頼区間 (1 点推定と区間推定 ( 区間推定のシミュレーション (3 母平均 μの信頼区間 (4 母比率 pの信頼区間 (5 母比率 pのより厳密な信頼区間. 点推定量の特性 (1 標本平均 X の持つ望ましい性質 ( 不偏性 (3 推定量の分散と有効性 (4 平均 乗誤差 MEと最小分散性 (5 一致性 (6 チェビシェフの不等式
More informationMicrosoft PowerPoint - 7.pptx
通信路 (7 章 ) 通信路のモデル 情報 送信者 通信路 受信者 A a,, a b,, b B m = P( b ),, P( b m ) 外乱 ( 雑音 ) n = P( a,, P( a ) n ) 送信情報源 ( 送信アルファベットと生成確率 ) 受信情報源 ( 受信アルファベッと受信確率 ) でもよい 生成確率 ) 受信確率 ) m n 2 イメージ 外乱 ( 雑音 ) により記号 a
More informationカイ二乗フィット検定、パラメータの誤差
統計的データ解析 008 008.. 林田清 ( 大阪大学大学院理学研究科 ) 問題 C (, ) ( x xˆ) ( y yˆ) σ x πσ σ y y Pabx (, ;,,, ) ˆ y σx σ y = dx exp exp πσx ただし xy ˆ ˆ はyˆ = axˆ+ bであらわされる直線モデル上の点 ( ˆ) ( ˆ ) ( ) x x y ax b y ax b Pabx (,
More information統計学の基礎から学ぶ実験計画法ー1
第 部統計学の基礎と. 統計学とは. 統計学の基本. 母集団とサンプル ( 標本 ). データ (data) 3. 集団の特性を示す統計量 基本的な解析手法 3. 統計量 (statistic) とは 3. 集団を代表する統計量 - 平均値など 3.3 集団のばらつきを表す値 - 平方和 分散 標準偏差 4. ばらつき ( 分布 ) を表す関数 4. 確率密度関数 4. 最も重要な正規分布 4.3
More informationNLMIXED プロシジャを用いた生存時間解析 伊藤要二アストラゼネカ株式会社臨床統計 プログラミング グループグルプ Survival analysis using PROC NLMIXED Yohji Itoh Clinical Statistics & Programming Group, A
NLMIXED プロシジャを用いた生存時間解析 伊藤要二アストラゼネカ株式会社臨床統計 プログラミング グループグルプ Survival analysis using PROC NLMIXED Yohji Itoh Clinical Statistics & Programming Group, AstraZeneca KK 要旨 : NLMIXEDプロシジャの最尤推定の機能を用いて 指数分布 Weibull
More informationMicrosoft Word - ㅎ㇤ㇺå®ı璃ㆨAIã†®æŁ°ç’ƒ.docx
ベイズの定理から AI の数理 ベイズ更新とロジステック曲線について 松本睦郎 ( 札幌啓成高等学校講師 ) Episode ロジステック曲線 菌やウイルスの増殖数や 人口増加等を表現する曲線の一つにロジステック曲線があります 例 シャーレの中で培養された大腸菌の数について考察する シャーレ内に栄養が十分に存在するとき 菌は栄養を吸収しながら 一定時間ごとに細胞分裂をして増 殖する 菌の数 u u(t)
More information横浜市環境科学研究所
周期時系列の統計解析 単回帰分析 io 8 年 3 日 周期時系列に季節調整を行わないで単回帰分析を適用すると, 回帰係数には周期成分の影響が加わる. ここでは, 周期時系列をコサイン関数モデルで近似し単回帰分析によりモデルの回帰係数を求め, 周期成分の影響を検討した. また, その結果を気温時系列に当てはめ, 課題等について考察した. 気温時系列とコサイン関数モデル第 報の結果を利用するので, その一部を再掲する.
More informationMicrosoft PowerPoint - 統計科学研究所_R_重回帰分析_変数選択_2.ppt
重回帰分析 残差分析 変数選択 1 内容 重回帰分析 残差分析 歯の咬耗度データの分析 R で変数選択 ~ step 関数 ~ 2 重回帰分析と単回帰分析 体重を予測する問題 分析 1 身長 のみから体重を予測 分析 2 身長 と ウエスト の両方を用いて体重を予測 分析 1 と比べて大きな改善 体重 に関する推測では 身長 だけでは不十分 重回帰分析における問題 ~ モデルの構築 ~ 適切なモデルで分析しているか?
More information不偏推定量
不偏推定量 情報科学の補足資料 018 年 6 月 7 日藤本祥二 統計的推定 (statistical estimatio) 確率分布が理論的に分かっている標本統計量を利用する 確率分布の期待値の値をそのまま推定値とするのが点推定 ( 信頼度 0%) 点推定に ± で幅を持たせて信頼度を上げたものが区間推定 持たせた幅のことを誤差 (error) と呼ぶ 信頼度 (cofidece level)
More information第7章
5. 推定と検定母集団分布の母数を推定する方法と仮説検定の方法を解説する まず 母数を一つの値で推定する点推定について 推定精度としての標準誤差を説明する また 母数が区間に存在することを推定する信頼区間も取り扱う 後半は統計的仮説検定について述べる 検定法の基本的な考え方と正規分布および二項確率についての検定法を解説する 5.1. 点推定先に述べた統計量は対応する母数の推定値である このように母数を一つの値およびベクトルで推定する場合を点推定
More informationMicrosoft PowerPoint - Statistics[B]
講義の目的 サンプルサイズの大きい標本比率の分布は正規分布で近似できることを理解します 科目コード 130509, 130609, 110225 統計学講義第 19/20 回 2019 年 6 月 25 日 ( 火 )6/7 限 担当教員 : 唐渡広志 ( からと こうじ ) 研究室 : email: website: 経済学研究棟 4 階 432 号室 kkarato@eco.u-toyama.ac.jp
More informationスライド 1
2016 年 4 月 26 日 @ 統計モデリング 統計モデリング 第三回配布資料 文献 : A. J. Dobson and A. G. Barnett: An Introducton to Generalzed Lnear Models. 3rd ed., CRC Press. J. J. Farawa: Extendng the Lnear Model wth R. CRC Press. 配布資料の
More information<4D F736F F D208EC08CB18C7689E68A E F193F18D8095AA957A C C839395AA957A814590B38B4B95AA957A2E646F63>
第 4 回二項分布, ポアソン分布, 正規分布 実験計画学 009 年 月 0 日 A. 代表的な分布. 離散分布 二項分布大きさ n の標本で, 事象 Eの起こる確率を p とするとき, そのうち x 個にEが起こる確率 P(x) は二項分布に従う. 例さいころを 0 回振ったときに の出る回数 x の確率分布は二項分布に従う. この場合, n = 0, p = 6 の二項分布になる さいころを
More informationMicrosoft Word - å“Ÿåłžå¸°173.docx
回帰分析 ( その 3) 経済情報処理 価格弾力性の推定ある商品について その購入量を w 単価を p とし それぞれの変化量を w p で表 w w すことにする この時 この商品の価格弾力性 は により定義される これ p p は p が 1 パーセント変化した場合に w が何パーセント変化するかを示したものである ここで p を 0 に近づけていった極限を考えると d ln w 1 dw dw
More informationii 3.,. 4. F. (), ,,. 8.,. 1. (75% ) (25% ) =9 7, =9 8 (. ). 1.,, (). 3.,. 1. ( ).,.,.,.,.,. ( ) (1 2 )., ( ), 0. 2., 1., 0,.
23(2011) (1 C104) 5 11 (2 C206) 5 12 http://www.math.is.tohoku.ac.jp/~obata,.,,,.. 1. 2. 3. 4. 5. 6. 7.,,. 1., 2007 ( ). 2. P. G. Hoel, 1995. 3... 1... 2.,,. ii 3.,. 4. F. (),.. 5.. 6.. 7.,,. 8.,. 1. (75%
More information青焼 1章[15-52].indd
1 第 1 章統計の基礎知識 1 1 なぜ統計解析が必要なのか? 人間は自分自身の経験にもとづいて 感覚的にものごとを判断しがちである 例えばある疾患に対する標準治療薬の有効率が 50% であったとする そこに新薬が登場し ある医師がその新薬を 5 人の患者に使ったところ 4 人が有効と判定されたとしたら 多くの医師はこれまでの標準治療薬よりも新薬のほうが有効性が高そうだと感じることだろう しかし
More informationファイナンスのための数学基礎 第1回 オリエンテーション、ベクトル
時系列分析 変量時系列モデルとその性質 担当 : 長倉大輔 ( ながくらだいすけ 時系列モデル 時系列モデルとは時系列データを生み出すメカニズムとなるものである これは実際には未知である 私たちにできるのは観測された時系列データからその背後にある時系列モデルを推測 推定するだけである 以下ではいくつかの代表的な時系列モデルを考察する 自己回帰モデル (Auoregressive Model もっとも頻繁に使われる時系列モデルは自己回帰モデル
More information微分積分 サンプルページ この本の定価 判型などは, 以下の URL からご覧いただけます. このサンプルページの内容は, 初版 1 刷発行時のものです.
微分積分 サンプルページ この本の定価 判型などは, 以下の URL からご覧いただけます. ttp://www.morikita.co.jp/books/mid/00571 このサンプルページの内容は, 初版 1 刷発行時のものです. i ii 014 10 iii [note] 1 3 iv 4 5 3 6 4 x 0 sin x x 1 5 6 z = f(x, y) 1 y = f(x)
More informationMicrosoft Word doc
. 正規線形モデルのベイズ推定翠川 大竹距離減衰式 (PGA(Midorikawa, S., and Ohtake, Y. (, Attenuation relationships of peak ground acceleration and velocity considering attenuation characteristics for shallow and deeper earthquakes,
More information医系の統計入門第 2 版 サンプルページ この本の定価 判型などは, 以下の URL からご覧いただけます. このサンプルページの内容は, 第 2 版 1 刷発行時のものです.
医系の統計入門第 2 版 サンプルページ この本の定価 判型などは, 以下の URL からご覧いただけます. http://www.morikita.co.jp/books/mid/009192 このサンプルページの内容は, 第 2 版 1 刷発行時のものです. i 2 t 1. 2. 3 2 3. 6 4. 7 5. n 2 ν 6. 2 7. 2003 ii 2 2013 10 iii 1987
More information布に従う しかし サイコロが均質でなく偏っていて の出る確率がひとつひとつ異なっているならば 二項分布でなくなる そこで このような場合に の出る確率が同じであるサイコロをもっている対象者をひとつのグループにまとめてしまえば このグループの中では回数分布は二項分布になる 全グループの合計の分布を求め
< 解説 > 広告媒体の到達率推定モデル 株式会社ビデオリサーチ常務取締役木戸茂 広告媒体計画の評価指標として広告業界では 有効リーチ あるいは 有効フリークエンシー の概念が一般に用いられている 広告の到達回数分布 Frequency Distribution の推定が重視される背景としては Krugan97977 の3ヒット セオリー Threeexosuretheory を根拠とした 3リーチ
More information<4D F736F F D208D A778D5A8A778F4B8E7793B CC A7795D2816A2E646F6378>
高等学校学習指導要領解説数学統計関係部分抜粋 第 部数学第 2 章各科目第 節数学 Ⅰ 3 内容と内容の取扱い (4) データの分析 (4) データの分析統計の基本的な考えを理解するとともに, それを用いてデータを整理 分析し傾向を把握できるようにする アデータの散らばり四分位偏差, 分散及び標準偏差などの意味について理解し, それらを用いてデータの傾向を把握し, 説明すること イデータの相関散布図や相関係数の意味を理解し,
More informationスライド 1
計測工学第 12 回以降 測定値の誤差と精度編 2014 年 7 月 2 日 ( 水 )~7 月 16 日 ( 水 ) 知能情報工学科 横田孝義 1 授業計画 4/9 4/16 4/23 5/7 5/14 5/21 5/28 6/4 6/11 6/18 6/25 7/2 7/9 7/16 7/23 2 誤差とその取扱い 3 誤差 = 測定値 真の値 相対誤差 = 誤差 / 真の値 4 誤差 (error)
More informationMicrosoft PowerPoint - 基礎・経済統計6.ppt
. 確率変数 基礎 経済統計 6 確率分布 事象を数値化したもの ( 事象ー > 数値 の関数 自然に数値されている場合 さいころの目 量的尺度 数値化が必要な場合 質的尺度, 順序的尺度 それらの尺度に数値を割り当てる 例えば, コインの表が出たら, 裏なら 0. 離散確率変数と連続確率変数 確率変数の値 連続値をとるもの 身長, 体重, 実質 GDP など とびとびの値 離散値をとるもの 新生児の性別
More information経験ベイズ検定による 偽陽性制御の方法 大羽成征 (( おおばしげゆき 京大数理デザイン道場 年 0077 月 2244 日 1155:: :: u.ac.jp
経験ベイズ検定による 偽陽性制御の方法 大羽成征 (( おおばしげゆき )@@ 京大数理デザイン道場 22001144 年 0077 月 2244 日 1155::0055--1155::4400 Email: oba@i.kyoto- u.ac.jp Twi6er: @shigepong 神経細胞間の 解剖学的結合と機能的結合 軸索末端 シナプス小胞 シナプス後細胞 Wikipedia commons
More informationデータ科学2.pptx
データ科学 多重検定 2 mul%ple test False Discovery Rate 藤博幸 前回の復習 1 多くの検定を繰り返す時には 単純に個々の検定を繰り返すだけでは不十分 5% 有意水準ということは, 1000 回検定を繰り返すと, 50 回くらいは帰無仮説が正しいのに 間違って棄却されてすまうじちがあるということ ex) 1 万個の遺伝子について 正常細胞とガン細胞で それぞれの遺伝子の発現に差があるかどうかを検定
More information数理言語
知識工学 第 13 回 二宮崇 1 教科書と資料 教科書 Artificial Intelligence: A Modern Approach (3rd Edition): Stuart Russell, Peter Norvig ( 著 ), Prentice Hall, 2009 この講義のウェブサイト http://aiweb.cs.ehime-u.ac.jp/~ninomiya/ke/ 2
More informationPython-statistics5 Python で統計学を学ぶ (5) この内容は山田 杉澤 村井 (2008) R によるやさしい統計学 (
http://localhost:8888/notebooks/... Python で統計学を学ぶ (5) この内容は山田 杉澤 村井 (2008) R によるやさしい統計学 (http://shop.ohmsha.co.jp/shop /shopdetail.html?brandcode=000000001781&search=978-4-274-06710-5&sort=) を参考にしています
More informationMicrosoft PowerPoint - 測量学.ppt [互換モード]
8/5/ 誤差理論 測定の分類 性格による分類 独立 ( な ) 測定 : 測定値がある条件を満たさなければならないなどの拘束や制約を持たないで独立して行う測定 条件 ( 付き ) 測定 : 三角形の 3 つの内角の和のように, 個々の測定値間に満たすべき条件式が存在する場合の測定 方法による分類 直接測定 : 距離や角度などを機器を用いて直接行う測定 間接測定 : 求めるべき量を直接測定するのではなく,
More informationMicrosoft PowerPoint - ch04j
Ch.4 重回帰分析 : 推論 重回帰分析 y = 0 + 1 x 1 + 2 x 2 +... + k x k + u 2. 推論 1. OLS 推定量の標本分布 2. 1 係数の仮説検定 : t 検定 3. 信頼区間 4. 係数の線形結合への仮説検定 5. 複数線形制約の検定 : F 検定 6. 回帰結果の報告 入門計量経済学 1 入門計量経済学 2 OLS 推定量の標本分布について OLS 推定量は確率変数
More information多変量解析 ~ 重回帰分析 ~ 2006 年 4 月 21 日 ( 金 ) 南慶典
多変量解析 ~ 重回帰分析 ~ 2006 年 4 月 21 日 ( 金 ) 南慶典 重回帰分析とは? 重回帰分析とは複数の説明変数から目的変数との関係性を予測 評価説明変数 ( 数量データ ) は目的変数を説明するのに有効であるか得られた関係性より未知のデータの妥当性を判断する これを重回帰分析という つまり どんなことをするのか? 1 最小 2 乗法により重回帰モデルを想定 2 自由度調整済寄与率を求め
More informationMicrosoft PowerPoint - statistics pptx
統計学 第 17 回 講義 母平均の区間推定 Part- 016 年 6 14 ( )3 限 担当教員 : 唐渡 広志 ( からと こうじ ) 研究室 : 経済学研究棟 4 階 43 号室 email: kkarato@eco.u toyama.ac.jp website: http://www3.u toyama.ac.jp/kkarato/ 1 講義の目的 標本平均は正規分布に従うという性質を
More informationMicrosoft PowerPoint - statistics pptx
統計学 第 回 講義 仮説検定 Part-3 06 年 6 8 ( )3 限 担当教員 唐渡 広志 ( からと こうじ ) 研究室 経済学研究棟 4 階 43 号室 email kkarato@eco.u-toyama.ac.j webite htt://www3.u-toyama.ac.j/kkarato/ 講義の目的 つの 集団の平均 ( 率 ) に差があるかどうかを検定する 法を理解します keyword:
More informationPowerPoint プレゼンテーション
復習 ) 時系列のモデリング ~a. 離散時間モデル ~ y k + a 1 z 1 y k + + a na z n ay k = b 0 u k + b 1 z 1 u k + + b nb z n bu k y k = G z 1 u k = B(z 1 ) A(z 1 u k ) ARMA モデル A z 1 B z 1 = 1 + a 1 z 1 + + a na z n a = b 0
More information(3) 検定統計量の有意確率にもとづく仮説の採否データから有意確率 (significant probability, p 値 ) を求め 有意水準と照合する 有意確率とは データの分析によって得られた統計値が偶然おこる確率のこと あらかじめ設定した有意確率より低い場合は 帰無仮説を棄却して対立仮説
第 3 章 t 検定 (pp. 33-42) 3-1 統計的検定 統計的検定とは 設定した仮説を検証する場合に 仮説に基づいて集めた標本を 確率論の観点から分析 検証すること 使用する標本は 母集団から無作為抽出されたものでなければならない パラメトリック検定とノンパラメトリック検定 パラメトリック検定は母集団が正規分布に従う間隔尺度あるいは比率尺度の連続データを対象とする ノンパラメトリック検定は母集団に特定の分布を仮定しない
More informationしたがって このモデルではの長さをもつ潜在履歴 latent history が存在し 同様に と指標化して扱うことができる 以下では 潜在的に起こりうる履歴を潜在履歴 latent history 実際にデ ータとして記録された履歴を記録履歴 recorded history ということにする M
Bayesian Inference with ecological applications Chapter 10 Bayesian Inference with ecological applications 輪読会 潜在的な事象を扱うための多項分布モデル Latent Multinomial Models 本章では 記録した頻度データが多項分布に従う潜在的な変数を集約したものと考えられるときの
More information森林水文 水資源学 2 2. 水文統計 豪雨があった時, 新聞やテレビのニュースで 50 年に一度の大雨だった などと報告されることがある. 今争点となっている川辺川ダムは,80 年に 1 回の洪水を想定して治水計画が立てられている. 畑地かんがいでは,10 年に 1 回の渇水を対象として計画が立て
. 水文統計 豪雨があった時, 新聞やテレビのニュースで 50 年に一度の大雨だった などと報告されることがある. 今争点となっている川辺川ダムは,80 年に 回の洪水を想定して治水計画が立てられている. 畑地かんがいでは,0 年に 回の渇水を対象として計画が立てられる. このように, 水利構造物の設計や, 治水や利水の計画などでは, 年に 回起こるような降雨事象 ( 最大降雨強度, 最大連続干天日数など
More information統計Ⅰ 第1回 序説~確率
授業担当 : 徳永伸一 東京医科歯科大学教養部 数学講座 あらためて注意しておきたいこと ( 前期のはじめに注意したこと +α) 後期の授業は今日を含め ( たった )6 回 成績評価は前期試験 + 後期試験で 後期の方が比重が大きいですが前期の出来が悪かった人はハンデがあると思ってください 後期試験の出題範囲には前期授業の内容も含まれます 復習も怠りなく 欠席した場合は次回までに要点の確認を 次回の授業までに授業スライドを
More information(.3) 式 z / の計算, alpha( ), sigma( ) から, 値 ( 区間幅 ) を計算 siki.3<-fuctio(, alpha, sigma) elta <- qorm(-alpha/) sigma /sqrt() elta [ 例 ]., 信頼率 として, サイ
区間推定に基づくサンプルサイズの設計方法 7.7. 株式会社応用数理研究所佐々木俊久 永田靖 サンプルサイズの決め方 朝倉書店 (3) の 章です 原本とおなじ 6 種類を記述していますが 平均値関連 4 つをから4 章とし, 分散の つを 5,6 章に順序を変更しました 推定手順 サンプルサイズの設計方法は, 原本をそのまま引用しています R(S-PLUS) 関数での計算方法および例を追加しました.
More informationPowerPoint Presentation
付録 2 2 次元アフィン変換 直交変換 たたみ込み 1.2 次元のアフィン変換 座標 (x,y ) を (x,y) に移すことを 2 次元での変換. 特に, 変換が と書けるとき, アフィン変換, アフィン変換は, その 1 次の項による変換 と 0 次の項による変換 アフィン変換 0 次の項は平行移動 1 次の項は座標 (x, y ) をベクトルと考えて とすれば このようなもの 2 次元ベクトルの線形写像
More informationMicrosoft PowerPoint - 資料04 重回帰分析.ppt
04. 重回帰分析 京都大学 加納学 Division of Process Control & Process Sstems Engineering Department of Chemical Engineering, Koto Universit manabu@cheme.koto-u.ac.jp http://www-pse.cheme.koto-u.ac.jp/~kano/ Outline
More information_0212_68<5A66><4EBA><79D1>_<6821><4E86><FF08><30C8><30F3><30DC><306A><3057><FF09>.pdf
More information
スライド 1
207 年 5 月 6 日 @ 統計モデリング 統計モデリング 第五回配布資料 文献 : a J. アルバート 石田基広 石田和枝訳 : R で学ぶベイズ統計学入門 丸善出版 202 年 b. Jeffreys: Theory of Probability. 3rd ed. Oford Uiversity Press UK 96. c R.E. Kass ad.e. Raftery: Bayes factor
More informationii 2. F. ( ), ,,. 5. G., L., D. ( ) ( ), 2005.,. 6.,,. 7.,. 8. ( ), , (20 ). 1. (75% ) (25% ). 60.,. 2. =8 5, =8 4 (. 1.) 1.,,
(1 C205) 4 8 27(2015) http://www.math.is.tohoku.ac.jp/~obata,.,,,..,,. 1. 2. 3. 4. 5. 6. 7.... 1., 2014... 2. P. G., 1995.,. 3.,. 4.. 5., 1996... 1., 2007,. ii 2. F. ( ),.. 3... 4.,,. 5. G., L., D. ( )
More informationMicrosoft PowerPoint - kyoto
研究集会 代数系アルゴリズムと言語および計算理論 知識の証明と暗号技術 情報セキュリティ大学大学院学院 有田正剛 1 はじめに 暗号技術の面白さとむずかしさ システムには攻撃者が存在する 条件が整ったときのベストパフォーマンスより 条件が整わないときの安全性 攻撃者は約束事 ( プロトコル ) には従わない 表面上は従っているふり 放置すると 正直者が損をする それを防ぐには 知識の証明 が基本手段
More informationMicrosoft Word - appendix_b
付録 B エクセルの使い方 藪友良 (2019/04/05) 統計学を勉強しても やはり実際に自分で使ってみないと理解は十分ではあ りません ここでは 実際に統計分析を使う方法のひとつとして Microsoft Office のエクセルの使い方を解説します B.1 分析ツールエクセルについている分析ツールという機能を使えば さまざまな統計分析が可能です まず この機能を使えるように設定をします もし
More informationMicrosoft PowerPoint - statistics08_03.ppt [互換モード]
授業担当 : 徳永伸一 東京医科歯科大学教養部 数学講座 前回 ( 第 2 回 ) の授業の概要 : 第 1 回 ( 教科書第 9 章 順列 組合せと確率 ほぼ全部 ) の復習 教科書第 10 章 記述統計 S. TOKUNAGA 2 1 Overview 確率 (9 章 ) 記述統計 (10 章 ) 情報の要約 表やグラフで表す 代表値 ( 平均など ) や散布度 ( 分散など ) を求める 確率モデル
More information回帰分析の用途・実験計画法の意義・グラフィカルモデリングの活用 | 永田 靖教授(早稲田大学)
回帰分析の用途 実験計画法の意義 グラフィカルモデリングの活用 早稲田大学創造理工学部 経営システム工学科 永田靖, The Institute of JUSE. All Rights Reserved. 内容. 回帰分析の結果の解釈の仕方. 回帰分析による要因効果の把握の困難さ. 実験計画法の意義 4. グラフィカルモデリング 参考文献 : 統計的品質管理 ( 永田靖, 朝倉書店,9) 入門実験計画法
More informationCAEシミュレーションツールを用いた統計の基礎教育 | (株)日科技研
CAE シミュレーションツール を用いた統計の基礎教育 ( 株 ) 日本科学技術研修所数理事業部 1 現在の統計教育の課題 2009 年から統計教育が中等 高等教育の必須科目となり, 大学でも問題解決ができるような人材 ( 学生 ) を育てたい. 大学ではコンピューター ( 統計ソフトの利用 ) を重視した教育をより積極的におこなうのと同時に, 理論面もきちんと教育すべきである. ( 報告 数理科学分野における統計科学教育
More informationMicrosoft Word - Stattext13.doc
3 章対応のある 群間の量的データの検定 3. 検定手順 この章では対応がある場合の量的データの検定方法について学びます この場合も図 3. のように最初に正規に従うかどうかを調べます 正規性が認められた場合は対応がある場合の t 検定 正規性が認められない場合はウィルコクソン (Wlcoxo) の符号付き順位和検定を行ないます 章で述べた検定方法と似ていますが ここでは対応のあるデータ同士を引き算した値を用いて判断します
More informationMicrosoft PowerPoint - LectureB1handout.ppt [互換モード]
本講義のスコープ 都市防災工学 後半第 回 : イントロダクション 千葉大学大学院工学研究科建築 都市科学専攻都市環境システムコース岡野創 耐震工学の専門家として知っていた方が良いが 敷居が高く 入り口で挫折しがちな分野をいくつか取り上げて説明 ランダム振動論 地震波形に対する構造物応答の理論的把握 減衰と地震応答 エネルギーバランス 地震動の各種スペクトルの相互関係 震源モデル 近年では震源モデルによる地震動予測が良く行われている
More informationMicrosoft Word - Time Series Basic - Modeling.doc
時系列解析入門 モデリング. 確率分布と統計的モデル が確率変数 (radom varable のとき すべての実数 R に対して となる確 率 Prob( が定められる これを の関数とみなして G( Prob ( とあらわすとき G( を確率変数 の分布関数 (probablt dstrbuto ucto と呼 ぶ 時系列解析で用いられる確率変数は通常連続型と呼ばれるもので その分布関数は (
More informationMicrosoft PowerPoint slide2forWeb.ppt [互換モード]
講義内容 9..4 正規分布 ormal dstrbuto ガウス分布 Gaussa dstrbuto 中心極限定理 サンプルからの母集団統計量の推定 不偏推定量について 確率変数, 確率密度関数 確率密度関数 確率密度関数は積分したら. 平均 : 確率変数 分散 : 例 ある場所, ある日時での気温の確率. : 気温, : 気温 が起こる確率 標本平均とのアナロジー 類推 例 人の身長の分布と平均
More informationMicrosoft PowerPoint - qcomp.ppt [互換モード]
量子計算基礎 東京工業大学 河内亮周 概要 計算って何? 数理科学的に 計算 を扱うには 量子力学を計算に使おう! 量子情報とは? 量子情報に対する演算 = 量子計算 一般的な量子回路の構成方法 計算って何? 計算とは? 計算 = 入力情報から出力情報への変換 入力 計算機構 ( デジタルコンピュータ,etc ) 出力 計算とは? 計算 = 入力情報から出力情報への変換 この関数はどれくらい計算が大変か??
More informationii 3.,. 4. F. (), ,,. 8.,. 1. (75%) (25%) =7 20, =7 21 (. ). 1.,, (). 3.,. 1. ().,.,.,.,.,. () (12 )., (), 0. 2., 1., 0,.
24(2012) (1 C106) 4 11 (2 C206) 4 12 http://www.math.is.tohoku.ac.jp/~obata,.,,,.. 1. 2. 3. 4. 5. 6. 7.,,. 1., 2007 (). 2. P. G. Hoel, 1995. 3... 1... 2.,,. ii 3.,. 4. F. (),.. 5... 6.. 7.,,. 8.,. 1. (75%)
More informationMicrosoft PowerPoint - Econometrics pptx
計量経済学講義 第 4 回回帰モデルの診断と選択 Part 07 年 ( ) 限 担当教員 : 唐渡 広志 研究室 : 経済学研究棟 4 階 43 号室 emal: kkarato@eco.u-toyama.ac.p webste: http://www3.u-toyama.ac.p/kkarato/ 講義の目的 誤差項の分散が不均 である場合や, 系列相関を持つ場合についての検定 法と修正 法を学びます
More informationPowerPoint プレゼンテーション
担当教員名 単位数西田健 2 単位 教室 時間 4-1A 教室火曜 4 限 目的不確定性を有する対象の制御に有効な確率システム制御理論について解説する また 確率的要因を考慮した状態推定のために 宇宙ロケットや自律ロボットなどの幅広い分野で利用されているカルマンフィルタやパーティクルフィルタについて解説し それらを用いる制御系の構成手法を教授する 授業計画 (1) ガイダンスと導入 (2) 線形動的システムの時系列モデリング
More informationMicrosoft PowerPoint SIGAL.ppt
アメリカン アジアンオプションの 価格の近似に対する 計算幾何的アプローチ 渋谷彰信, 塩浦昭義, 徳山豪 ( 東北大学大学院情報科学研究科 ) 発表の概要 アメリカン アジアンオプション金融派生商品の一つ価格付け ( 価格の計算 ) は重要な問題 二項モデルにおける価格付けは計算困難な問題 目的 : 近似精度保証をもつ近似アルゴリズムの提案 アイディア : 区分線形関数を計算幾何手法により近似 問題の説明
More informationSAP11_03
第 3 回 音声音響信号処理 ( 線形予測分析と自己回帰モデル ) 亀岡弘和 東京大学大学院情報理工学系研究科日本電信電話株式会社 NTT コミュニケーション科学基礎研究所 講義内容 ( キーワード ) 信号処理 符号化 標準化の実用システム例の紹介情報通信の基本 ( 誤り検出 訂正符号 変調 IP) 符号化技術の基本 ( 量子化 予測 変換 圧縮 ) 音声分析 合成 認識 強調 音楽信号処理統計的信号処理の基礎
More information4 段階推定法とは 予測に使うモデルの紹介 4 段階推定法の課題 2
4 段階推定法 羽藤研 4 芝原貴史 1 4 段階推定法とは 予測に使うモデルの紹介 4 段階推定法の課題 2 4 段階推定法とは 交通需要予測の実用的な予測手法 1950 年代のアメリカで開発 シカゴで高速道路の需要予測に利用 日本では 1967 年の広島都市圏での適用が初 その後 1968 年の東京都市圏など 人口 30 万人以上の 56 都市圏に適用 3 ゾーニング ゾーニングとネットワークゾーン間のトリップはゾーン内の中心点
More information研修コーナー
l l l l l l l l l l l α α β l µ l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l
More information経済統計分析1 イントロダクション
1 経済統計分析 9 分散分析 今日のおはなし. 検定 statistical test のいろいろ 2 変数の関係を調べる手段のひとつ適合度検定独立性検定分散分析 今日のタネ 吉田耕作.2006. 直感的統計学. 日経 BP. 中村隆英ほか.1984. 統計入門. 東大出版会. 2 仮説検定の手続き 仮説検定のロジック もし帰無仮説が正しければ, 検定統計量が既知の分布に従う 計算された検定統計量の値から,
More information