Soumettre la recherche
Mettre en ligne
ガンマ分布 @魁!!広島ベイズ塾
•
Télécharger en tant que PPTX, PDF
•
7 j'aime
•
5,416 vues
Takashi Yamane
Suivre
2015.07.26に行われたベイズ塾の発表資料です。
Lire moins
Lire la suite
Données & analyses
Signaler
Partager
Signaler
Partager
1 sur 11
Télécharger maintenant
Recommandé
TensorFlowで逆強化学習
TensorFlowで逆強化学習
Mitsuhisa Ohta
人間の意思決定を機械学習でモデル化できるか
人間の意思決定を機械学習でモデル化できるか
西岡 賢一郎
ベータ分布の謎に迫る
ベータ分布の謎に迫る
Ken'ichi Matsui
rstanで簡単にGLMMができるglmmstan()を作ってみた
rstanで簡単にGLMMができるglmmstan()を作ってみた
Hiroshi Shimizu
機械学習による生存予測
機械学習による生存予測
Yasuaki Sakamoto
CatBoost on GPU のひみつ
CatBoost on GPU のひみつ
Takuji Tahara
時系列予測にTransformerを使うのは有効か?
時系列予測にTransformerを使うのは有効か?
Fumihiko Takahashi
LightGBM: a highly efficient gradient boosting decision tree
LightGBM: a highly efficient gradient boosting decision tree
Yusuke Kaneko
Recommandé
TensorFlowで逆強化学習
TensorFlowで逆強化学習
Mitsuhisa Ohta
人間の意思決定を機械学習でモデル化できるか
人間の意思決定を機械学習でモデル化できるか
西岡 賢一郎
ベータ分布の謎に迫る
ベータ分布の謎に迫る
Ken'ichi Matsui
rstanで簡単にGLMMができるglmmstan()を作ってみた
rstanで簡単にGLMMができるglmmstan()を作ってみた
Hiroshi Shimizu
機械学習による生存予測
機械学習による生存予測
Yasuaki Sakamoto
CatBoost on GPU のひみつ
CatBoost on GPU のひみつ
Takuji Tahara
時系列予測にTransformerを使うのは有効か?
時系列予測にTransformerを使うのは有効か?
Fumihiko Takahashi
LightGBM: a highly efficient gradient boosting decision tree
LightGBM: a highly efficient gradient boosting decision tree
Yusuke Kaneko
MCMC法
MCMC法
MatsuiRyo
Rの高速化
Rの高速化
弘毅 露崎
2 7.一般化線形混合モデル
2 7.一般化線形混合モデル
logics-of-blue
Cmdstanr入門とreduce_sum()解説
Cmdstanr入門とreduce_sum()解説
Hiroshi Shimizu
Multi-agent actor-critic for mixed cooperative-competitive environmentsの紹介
Multi-agent actor-critic for mixed cooperative-competitive environmentsの紹介
Yusuke Nakata
ブースティング入門
ブースティング入門
Retrieva inc.
BERT+XLNet+RoBERTa
BERT+XLNet+RoBERTa
禎晃 山崎
第五回統計学勉強会@東大駒場
第五回統計学勉強会@東大駒場
Daisuke Yoneoka
カルマンフィルタ入門
カルマンフィルタ入門
Yasunori Nihei
ベイズ統計によるデータ解析
ベイズ統計によるデータ解析
Kunihiro Hisatsune
データサイエンス概論第一 5 時系列データの解析
データサイエンス概論第一 5 時系列データの解析
Seiichi Uchida
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
hoxo_m
2 3.GLMの基礎
2 3.GLMの基礎
logics-of-blue
DataRobotを用いた要因分析 (Causal Analysis by DataRobot)
DataRobotを用いた要因分析 (Causal Analysis by DataRobot)
Yuya Yamamoto
Kaggle M5 Forecasting (日本語)
Kaggle M5 Forecasting (日本語)
Masakazu Mori
研究の進め方
研究の進め方
Hitoshi Nishikawa
RでMplusがもっと便利にーmplusAutomationパッケージー #Hiroshimar05
RでMplusがもっと便利にーmplusAutomationパッケージー #Hiroshimar05
Masaru Tokuoka
生存時間分析数理の基礎
生存時間分析数理の基礎
Koichiro Gibo
5分でわかるかもしれないglmnet
5分でわかるかもしれないglmnet
Nagi Teramo
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
RyuichiKanoh
負の二項分布について
負の二項分布について
Hiroshi Shimizu
指数分布とポアソン分布のいけない関係
指数分布とポアソン分布のいけない関係
Nagi Teramo
Contenu connexe
Tendances
MCMC法
MCMC法
MatsuiRyo
Rの高速化
Rの高速化
弘毅 露崎
2 7.一般化線形混合モデル
2 7.一般化線形混合モデル
logics-of-blue
Cmdstanr入門とreduce_sum()解説
Cmdstanr入門とreduce_sum()解説
Hiroshi Shimizu
Multi-agent actor-critic for mixed cooperative-competitive environmentsの紹介
Multi-agent actor-critic for mixed cooperative-competitive environmentsの紹介
Yusuke Nakata
ブースティング入門
ブースティング入門
Retrieva inc.
BERT+XLNet+RoBERTa
BERT+XLNet+RoBERTa
禎晃 山崎
第五回統計学勉強会@東大駒場
第五回統計学勉強会@東大駒場
Daisuke Yoneoka
カルマンフィルタ入門
カルマンフィルタ入門
Yasunori Nihei
ベイズ統計によるデータ解析
ベイズ統計によるデータ解析
Kunihiro Hisatsune
データサイエンス概論第一 5 時系列データの解析
データサイエンス概論第一 5 時系列データの解析
Seiichi Uchida
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
hoxo_m
2 3.GLMの基礎
2 3.GLMの基礎
logics-of-blue
DataRobotを用いた要因分析 (Causal Analysis by DataRobot)
DataRobotを用いた要因分析 (Causal Analysis by DataRobot)
Yuya Yamamoto
Kaggle M5 Forecasting (日本語)
Kaggle M5 Forecasting (日本語)
Masakazu Mori
研究の進め方
研究の進め方
Hitoshi Nishikawa
RでMplusがもっと便利にーmplusAutomationパッケージー #Hiroshimar05
RでMplusがもっと便利にーmplusAutomationパッケージー #Hiroshimar05
Masaru Tokuoka
生存時間分析数理の基礎
生存時間分析数理の基礎
Koichiro Gibo
5分でわかるかもしれないglmnet
5分でわかるかもしれないglmnet
Nagi Teramo
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
RyuichiKanoh
Tendances
(20)
MCMC法
MCMC法
Rの高速化
Rの高速化
2 7.一般化線形混合モデル
2 7.一般化線形混合モデル
Cmdstanr入門とreduce_sum()解説
Cmdstanr入門とreduce_sum()解説
Multi-agent actor-critic for mixed cooperative-competitive environmentsの紹介
Multi-agent actor-critic for mixed cooperative-competitive environmentsの紹介
ブースティング入門
ブースティング入門
BERT+XLNet+RoBERTa
BERT+XLNet+RoBERTa
第五回統計学勉強会@東大駒場
第五回統計学勉強会@東大駒場
カルマンフィルタ入門
カルマンフィルタ入門
ベイズ統計によるデータ解析
ベイズ統計によるデータ解析
データサイエンス概論第一 5 時系列データの解析
データサイエンス概論第一 5 時系列データの解析
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
2 3.GLMの基礎
2 3.GLMの基礎
DataRobotを用いた要因分析 (Causal Analysis by DataRobot)
DataRobotを用いた要因分析 (Causal Analysis by DataRobot)
Kaggle M5 Forecasting (日本語)
Kaggle M5 Forecasting (日本語)
研究の進め方
研究の進め方
RでMplusがもっと便利にーmplusAutomationパッケージー #Hiroshimar05
RでMplusがもっと便利にーmplusAutomationパッケージー #Hiroshimar05
生存時間分析数理の基礎
生存時間分析数理の基礎
5分でわかるかもしれないglmnet
5分でわかるかもしれないglmnet
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
En vedette
負の二項分布について
負の二項分布について
Hiroshi Shimizu
指数分布とポアソン分布のいけない関係
指数分布とポアソン分布のいけない関係
Nagi Teramo
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
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
Gamma分布と仲間たち
Gamma分布と仲間たち
Xiangze
Synchronization of coupled oscillators is a game
Synchronization of coupled oscillators is a game
mehtapgresearch
巨人の勝率を上げたい (スクレイピングとデータ集計)
巨人の勝率を上げたい (スクレイピングとデータ集計)
Takuma Hatano
3次元のデータをグラフにする(Tokyo.R#17)
3次元のデータをグラフにする(Tokyo.R#17)
Takumi Tsutaya
Rでセイバーメトリクス (イチローと松井 どっちが凄い?)
Rでセイバーメトリクス (イチローと松井 どっちが凄い?)
Takuma Hatano
MCMCによる回帰分析@ベイズセミナー
MCMCによる回帰分析@ベイズセミナー
Takashi Yamane
データ解析のための統計モデリング入門 6.5章 後半
データ解析のための統計モデリング入門 6.5章 後半
Yurie Oka
要因計画データに対するベイズ推定アプローチ
要因計画データに対するベイズ推定アプローチ
Takashi Yamane
Pylm public
Pylm public
Kei Uchiumi
階層ディリクレ過程事前分布モデルによる画像領域分割
階層ディリクレ過程事前分布モデルによる画像領域分割
tn1031
(実験心理学徒だけど)一般化線形混合モデルを使ってみた
(実験心理学徒だけど)一般化線形混合モデルを使ってみた
Takashi Yamane
ggplot2できれいなグラフ
ggplot2できれいなグラフ
Daisuke Ichikawa
Rstudio事始め
Rstudio事始め
Takashi Yamane
Reproducebility 100倍 Dockerマン
Reproducebility 100倍 Dockerマン
Nagi Teramo
Nl220 Pitman-Yor Hidden Semi Markov Model
Nl220 Pitman-Yor Hidden Semi Markov Model
Kei Uchiumi
野球Hack!~Pythonを用いたデータ分析と可視化 #pyconjp
野球Hack!~Pythonを用いたデータ分析と可視化 #pyconjp
Shinichi Nakagawa
En vedette
(20)
負の二項分布について
負の二項分布について
指数分布とポアソン分布のいけない関係
指数分布とポアソン分布のいけない関係
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
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~
Gamma分布と仲間たち
Gamma分布と仲間たち
Synchronization of coupled oscillators is a game
Synchronization of coupled oscillators is a game
巨人の勝率を上げたい (スクレイピングとデータ集計)
巨人の勝率を上げたい (スクレイピングとデータ集計)
3次元のデータをグラフにする(Tokyo.R#17)
3次元のデータをグラフにする(Tokyo.R#17)
Rでセイバーメトリクス (イチローと松井 どっちが凄い?)
Rでセイバーメトリクス (イチローと松井 どっちが凄い?)
MCMCによる回帰分析@ベイズセミナー
MCMCによる回帰分析@ベイズセミナー
データ解析のための統計モデリング入門 6.5章 後半
データ解析のための統計モデリング入門 6.5章 後半
要因計画データに対するベイズ推定アプローチ
要因計画データに対するベイズ推定アプローチ
Pylm public
Pylm public
階層ディリクレ過程事前分布モデルによる画像領域分割
階層ディリクレ過程事前分布モデルによる画像領域分割
(実験心理学徒だけど)一般化線形混合モデルを使ってみた
(実験心理学徒だけど)一般化線形混合モデルを使ってみた
ggplot2できれいなグラフ
ggplot2できれいなグラフ
Rstudio事始め
Rstudio事始め
Reproducebility 100倍 Dockerマン
Reproducebility 100倍 Dockerマン
Nl220 Pitman-Yor Hidden Semi Markov Model
Nl220 Pitman-Yor Hidden Semi Markov Model
野球Hack!~Pythonを用いたデータ分析と可視化 #pyconjp
野球Hack!~Pythonを用いたデータ分析と可視化 #pyconjp
Plus de Takashi Yamane
ベイズモデリングによる第2種信号検出モデルの表現
ベイズモデリングによる第2種信号検出モデルの表現
Takashi Yamane
DiagrammeRと仲良くなった話ーグラフィカルモデルのためのDiagrammeR速習ー
DiagrammeRと仲良くなった話ーグラフィカルモデルのためのDiagrammeR速習ー
Takashi Yamane
信号検出理論 (『実践ベイズモデリング』15章)
信号検出理論 (『実践ベイズモデリング』15章)
Takashi Yamane
Osaka.stan#4 chap8
Osaka.stan#4 chap8
Takashi Yamane
PypeRで実験と分析を一本化する
PypeRで実験と分析を一本化する
Takashi Yamane
Rの導入とRStudio事始め(改訂版)
Rの導入とRStudio事始め(改訂版)
Takashi Yamane
ANOVA君とanovatan
ANOVA君とanovatan
Takashi Yamane
第一回広島ベイズ塾・最小二乗法
第一回広島ベイズ塾・最小二乗法
Takashi Yamane
Anova君を使った分散分析
Anova君を使った分散分析
Takashi Yamane
Mendeleyで簡単! 論文管理
Mendeleyで簡単! 論文管理
Takashi Yamane
Plus de Takashi Yamane
(10)
ベイズモデリングによる第2種信号検出モデルの表現
ベイズモデリングによる第2種信号検出モデルの表現
DiagrammeRと仲良くなった話ーグラフィカルモデルのためのDiagrammeR速習ー
DiagrammeRと仲良くなった話ーグラフィカルモデルのためのDiagrammeR速習ー
信号検出理論 (『実践ベイズモデリング』15章)
信号検出理論 (『実践ベイズモデリング』15章)
Osaka.stan#4 chap8
Osaka.stan#4 chap8
PypeRで実験と分析を一本化する
PypeRで実験と分析を一本化する
Rの導入とRStudio事始め(改訂版)
Rの導入とRStudio事始め(改訂版)
ANOVA君とanovatan
ANOVA君とanovatan
第一回広島ベイズ塾・最小二乗法
第一回広島ベイズ塾・最小二乗法
Anova君を使った分散分析
Anova君を使った分散分析
Mendeleyで簡単! 論文管理
Mendeleyで簡単! 論文管理
ガンマ分布 @魁!!広島ベイズ塾
1.
ガンマ分布 gamma distribution 魁!!広島ベイズ塾 掴め!分布感
編 (2015.07.26) 山根 嵩史(飯炊き兵)
2.
ガンマ分布とは レポート問題 (豊田先生ベイズ本 p.60) 単位時間あたりに提出されるレポートの数 ⇒
ポアソン分布 始めてレポートが提出されるまでの時間 ⇒ 指数分布 50人分のレポートが提出されるまでの時間 ⇒ ガンマ分布 W大学の統計学の授業では,毎週,授業内レポートが課されます。 (中略) 提出時における10秒間あたりの平均提出者数は0.8人でした。学生は50人いま す。長すぎず短すぎない執筆時間を用意したいのですが,それは何分間と見 積もればよいのでしょうか。
3.
ガンマ分布とは 早く一号生になりたい 早く一号生になりたい 早く一号生になりt 単位時間あたりに流れる流れ星の数 ⇒ ポアソン分布 流れ星が初めて観測されるまでの時間 ⇒ 指数分布 流れ星がα個観測される までの時間 ⇒
ガンマ分布 ガンマ分布 = 母数λの指数 分布に従う事象がα回生じる までの時間の分布 他にも交通事故数,スペルミス回数など
4.
ガンマ分布の確率密度関数 母数λの指数分布に従うα個の独立な確立変数の和X 𝛼:形状母数 𝜆:尺度母数 β などの場合には
= 1/ 𝜆 αが大きくなる,あるいはβが小さくなるにつれて,期待値と分散が増加 λを変動させた場合 αを変動させた場合
5.
どんな時に使える? 先ほどのレポート問題を解いてみる 単位時間(10秒)あたりの平均提出者数0.8人 λ =
0.8 学生の人数50人 α = 50 平均62.5,中央値62.1 ※1単位 = 10秒 50人全員が提出するまでに 約10分25秒!! 62.5
6.
どんな時に使える? コワイ本の事例 The seven scientists 7人の科学者の能力に関するデータ 分散(λi)の無情報事前分布として(0.001,0.001)のガンマ 分布設定 出典:『Bayesian
Cognitive Modeling』
7.
どんな時に使える? Change detection in
time series data あるタイミング(ti)で認知課題の成績が変動する(μ1→μ2) ようなデータ 分散(λ)の無情報事前分布として(0.001,0.001)のガンマ 分布設定
8.
アーラン分布 形状母数αが整数値であるガンマ分布は,特にアーラン分 布と呼ばれる 数学者Agner K. Erlangが待ち行列理論において顧客の待ち 時間を計算するために用いた分布 ※待ち行列理論 顧客の窓口への到着,提供されるサービス サービスを待つ顧客の行列などから, 平均待ち時間などの混雑の程度を評価する 物売るってレベル じゃねーぞ!
9.
他の分布との関係
10.
分析例:流れ星問題2 流れ星問題2 (豊田先生ベイズ本 p.148) 50分間流れ星を観測したH君は,あと3つお願い事があることを思い出しま した。今から流れ星を3つ観測するためにはどれくらい待てばよいでしょう か。 運が良ければ20分未満 運が悪ければ1時間以上
11.
参考文献・サイト ・Michael D. Lee
, Eric-JanWagenmakers (2014) 『Bayesian Cognitive Modeling: A Practical Course』 Cambridge University Press ・R Financial & Marketing Library F.2.11. ガンマ分布 http://itbc-world.com/home/rfm/ ・豊田 秀樹(2015) 『基礎からのベイズ統計学 ハミルトニアンモンテカルロ 法による実践的入門』 朝倉書店 ・Univariate Distribution Rerationship http://www.math.wm.edu/~leemis/chart/ UDR/UDR.html ・wikipedia ガンマ分布 https://ja.wikipedia.org/wiki/ガンマ分布 ・wikipedia アーラン分布 https://ja.wikipedia.org/wiki/アーラン分布 ・weblio 待ち行列モデル http://www.weblio.jp/content/待ち行列モデル
Télécharger maintenant