Submit Search
Upload
負の二項分布について
•
39 likes
•
91,197 views
Hiroshi Shimizu
Follow
広島ベイズ塾で発表した,負の二項分布についての資料です。
Read less
Read more
Education
Report
Share
Report
Share
1 of 19
Download now
Download to read offline
Recommended
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
2 6.ゼロ切断・過剰モデル
2 6.ゼロ切断・過剰モデル
logics-of-blue
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
Deep Learning Lab(ディープラーニング・ラボ)
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
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
PRML輪読#2
PRML輪読#2
matsuolab
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
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
Recommended
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
2 6.ゼロ切断・過剰モデル
2 6.ゼロ切断・過剰モデル
logics-of-blue
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
Deep Learning Lab(ディープラーニング・ラボ)
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
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
PRML輪読#2
PRML輪読#2
matsuolab
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
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
階層ベイズとWAIC
階層ベイズとWAIC
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
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
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
レプリカ交換モンテカルロ法で乱数の生成
レプリカ交換モンテカルロ法で乱数の生成
Nagi Teramo
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
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
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
pymcとpystanでベイズ推定してみた話
pymcとpystanでベイズ推定してみた話
Classi.corp
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
変分ベイズ法の説明
変分ベイズ法の説明
Haruka Ozaki
【解説】 一般逆行列
【解説】 一般逆行列
Kenjiro Sugimoto
統計的因果推論への招待 -因果構造探索を中心に-
統計的因果推論への招待 -因果構造探索を中心に-
Shiga University, RIKEN
比例ハザードモデルはとってもtricky!
比例ハザードモデルはとってもtricky!
takehikoihayashi
基礎からのベイズ統計学 輪読会資料 第4章 メトロポリス・ヘイスティングス法
基礎からのベイズ統計学 輪読会資料 第4章 メトロポリス・ヘイスティングス法
Ken'ichi Matsui
2 5 2.一般化線形モデル色々_ロジスティック回帰
2 5 2.一般化線形モデル色々_ロジスティック回帰
logics-of-blue
ELBO型VAEのダメなところ
ELBO型VAEのダメなところ
KCS Keio Computer Society
[DL輪読会]Wasserstein GAN/Towards Principled Methods for Training Generative Adv...
[DL輪読会]Wasserstein GAN/Towards Principled Methods for Training Generative Adv...
Deep Learning JP
Rの高速化
Rの高速化
弘毅 露崎
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
Masashi Komori
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
GoTermsAnalysisWithR
GoTermsAnalysisWithR
Aureliano Bombarely
More Related Content
What's hot
階層ベイズとWAIC
階層ベイズとWAIC
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
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
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
レプリカ交換モンテカルロ法で乱数の生成
レプリカ交換モンテカルロ法で乱数の生成
Nagi Teramo
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
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
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
pymcとpystanでベイズ推定してみた話
pymcとpystanでベイズ推定してみた話
Classi.corp
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
変分ベイズ法の説明
変分ベイズ法の説明
Haruka Ozaki
【解説】 一般逆行列
【解説】 一般逆行列
Kenjiro Sugimoto
統計的因果推論への招待 -因果構造探索を中心に-
統計的因果推論への招待 -因果構造探索を中心に-
Shiga University, RIKEN
比例ハザードモデルはとってもtricky!
比例ハザードモデルはとってもtricky!
takehikoihayashi
基礎からのベイズ統計学 輪読会資料 第4章 メトロポリス・ヘイスティングス法
基礎からのベイズ統計学 輪読会資料 第4章 メトロポリス・ヘイスティングス法
Ken'ichi Matsui
2 5 2.一般化線形モデル色々_ロジスティック回帰
2 5 2.一般化線形モデル色々_ロジスティック回帰
logics-of-blue
ELBO型VAEのダメなところ
ELBO型VAEのダメなところ
KCS Keio Computer Society
[DL輪読会]Wasserstein GAN/Towards Principled Methods for Training Generative Adv...
[DL輪読会]Wasserstein GAN/Towards Principled Methods for Training Generative Adv...
Deep Learning JP
Rの高速化
Rの高速化
弘毅 露崎
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
Masashi Komori
What's hot
(20)
階層ベイズとWAIC
階層ベイズとWAIC
Stanの便利な事後処理関数
Stanの便利な事後処理関数
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)
Stanコードの書き方 中級編
Stanコードの書き方 中級編
レプリカ交換モンテカルロ法で乱数の生成
レプリカ交換モンテカルロ法で乱数の生成
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
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
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
pymcとpystanでベイズ推定してみた話
pymcとpystanでベイズ推定してみた話
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)
変分ベイズ法の説明
変分ベイズ法の説明
【解説】 一般逆行列
【解説】 一般逆行列
統計的因果推論への招待 -因果構造探索を中心に-
統計的因果推論への招待 -因果構造探索を中心に-
比例ハザードモデルはとってもtricky!
比例ハザードモデルはとってもtricky!
基礎からのベイズ統計学 輪読会資料 第4章 メトロポリス・ヘイスティングス法
基礎からのベイズ統計学 輪読会資料 第4章 メトロポリス・ヘイスティングス法
2 5 2.一般化線形モデル色々_ロジスティック回帰
2 5 2.一般化線形モデル色々_ロジスティック回帰
ELBO型VAEのダメなところ
ELBO型VAEのダメなところ
[DL輪読会]Wasserstein GAN/Towards Principled Methods for Training Generative Adv...
[DL輪読会]Wasserstein GAN/Towards Principled Methods for Training Generative Adv...
Rの高速化
Rの高速化
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
Viewers also liked
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
GoTermsAnalysisWithR
GoTermsAnalysisWithR
Aureliano Bombarely
RNAseqによる変動遺伝子抽出の統計: A Review
RNAseqによる変動遺伝子抽出の統計: A Review
sesejun
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
DNAマイクロアレイの解析と多重検定補正
DNAマイクロアレイの解析と多重検定補正
弘毅 露崎
CBI学会2013チュートリアル NGSデータ解析入門 (解析編)配布資料
CBI学会2013チュートリアル NGSデータ解析入門 (解析編)配布資料
Genaris Omics, Inc.
バイオインフォマティクスによる遺伝子発現解析
バイオインフォマティクスによる遺伝子発現解析
sesejun
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
Viewers also liked
(8)
2 7.一般化線形混合モデル
2 7.一般化線形混合モデル
GoTermsAnalysisWithR
GoTermsAnalysisWithR
RNAseqによる変動遺伝子抽出の統計: A Review
RNAseqによる変動遺伝子抽出の統計: A Review
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
DNAマイクロアレイの解析と多重検定補正
DNAマイクロアレイの解析と多重検定補正
CBI学会2013チュートリアル NGSデータ解析入門 (解析編)配布資料
CBI学会2013チュートリアル NGSデータ解析入門 (解析編)配布資料
バイオインフォマティクスによる遺伝子発現解析
バイオインフォマティクスによる遺伝子発現解析
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
More from Hiroshi Shimizu
Cmdstanr入門とreduce_sum()解説
Cmdstanr入門とreduce_sum()解説
Hiroshi Shimizu
Stanでガウス過程
Stanでガウス過程
Hiroshi Shimizu
心理学におけるベイズ統計の流行を整理する
心理学におけるベイズ統計の流行を整理する
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
SapporoR#6 初心者セッションスライド
SapporoR#6 初心者セッションスライド
Hiroshi Shimizu
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
Tokyo r53
Tokyo r53
Hiroshi Shimizu
glmmstanパッケージを作ってみた
glmmstanパッケージを作ってみた
Hiroshi Shimizu
媒介分析について
媒介分析について
Hiroshi Shimizu
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
社会心理学とGlmm
社会心理学とGlmm
Hiroshi Shimizu
Rで潜在ランク分析
Rで潜在ランク分析
Hiroshi Shimizu
エクセルで統計分析5 マルチレベル分析のやり方
エクセルで統計分析5 マルチレベル分析のやり方
Hiroshi Shimizu
Rで因子分析 商用ソフトで実行できない因子分析のあれこれ
Rで因子分析 商用ソフトで実行できない因子分析のあれこれ
Hiroshi Shimizu
Latent rank theory
Latent rank theory
Hiroshi Shimizu
エクセルでテキストマイニング TTM2HADの使い方
エクセルでテキストマイニング TTM2HADの使い方
Hiroshi Shimizu
マルチレベルモデル講習会 実践編
マルチレベルモデル講習会 実践編
Hiroshi Shimizu
マルチレベルモデル講習会 理論編
マルチレベルモデル講習会 理論編
Hiroshi Shimizu
Excelでも統計分析 HADについて SappoRo.R#3
Excelでも統計分析 HADについて SappoRo.R#3
Hiroshi Shimizu
MCMCでマルチレベルモデル
MCMCでマルチレベルモデル
Hiroshi Shimizu
More from Hiroshi Shimizu
(20)
Cmdstanr入門とreduce_sum()解説
Cmdstanr入門とreduce_sum()解説
Stanでガウス過程
Stanでガウス過程
心理学におけるベイズ統計の流行を整理する
心理学におけるベイズ統計の流行を整理する
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)
SapporoR#6 初心者セッションスライド
SapporoR#6 初心者セッションスライド
Stan超初心者入門
Stan超初心者入門
Tokyo r53
Tokyo r53
glmmstanパッケージを作ってみた
glmmstanパッケージを作ってみた
媒介分析について
媒介分析について
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
社会心理学とGlmm
社会心理学とGlmm
Rで潜在ランク分析
Rで潜在ランク分析
エクセルで統計分析5 マルチレベル分析のやり方
エクセルで統計分析5 マルチレベル分析のやり方
Rで因子分析 商用ソフトで実行できない因子分析のあれこれ
Rで因子分析 商用ソフトで実行できない因子分析のあれこれ
Latent rank theory
Latent rank theory
エクセルでテキストマイニング TTM2HADの使い方
エクセルでテキストマイニング TTM2HADの使い方
マルチレベルモデル講習会 実践編
マルチレベルモデル講習会 実践編
マルチレベルモデル講習会 理論編
マルチレベルモデル講習会 理論編
Excelでも統計分析 HADについて SappoRo.R#3
Excelでも統計分析 HADについて SappoRo.R#3
MCMCでマルチレベルモデル
MCMCでマルチレベルモデル
Recently uploaded
ゲーム理論 BASIC 演習105 -n人囚人のジレンマモデル- #ゲーム理論 #gametheory #数学
ゲーム理論 BASIC 演習105 -n人囚人のジレンマモデル- #ゲーム理論 #gametheory #数学
ssusere0a682
TEAMIN Service overview for customer_20240422.pdf
TEAMIN Service overview for customer_20240422.pdf
yukisuga3
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
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
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
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
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
UniProject Workshop Make a Discord Bot with JavaScript
UniProject Workshop Make a Discord Bot with JavaScript
yuitoakatsukijp
Recently uploaded
(8)
ゲーム理論 BASIC 演習105 -n人囚人のジレンマモデル- #ゲーム理論 #gametheory #数学
ゲーム理論 BASIC 演習105 -n人囚人のジレンマモデル- #ゲーム理論 #gametheory #数学
TEAMIN Service overview for customer_20240422.pdf
TEAMIN Service overview for customer_20240422.pdf
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
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
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
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
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
UniProject Workshop Make a Discord Bot with JavaScript
UniProject Workshop Make a Discord Bot with JavaScript
負の二項分布について
1.
負の二項分布 魁!!広島ベイズ塾 @simizu706
2.
二項分布 • Binomial Distribution –
ベルヌーイ試行において,成功率pで試行数n回中に x回成功する確率 – 試行数nを固定すれば,パラメータは成功率pだけに なる • パラメータpの共役事前分布はベータ分布
3.
負の二項分布 • Negative Binomial
Distribution – 離散分布 – 成功率pで,r回成功するまでに必要な試行数の 確率 – 二項分布の成功数と試行数を入れ替えた分布 負の二項分布「私はあと2回の変身を残しています」
4.
別の表現 • 負の二項分布 – ベルヌーイ試行において,成功率pでr回成功す るまでに必要な失敗回数についての確率 –
普通はこっちのバージョンを使う
5.
連続変量に拡張 • ガンマ関数を用いて,成功数が整数でなくて もいけるように拡張 – ガンマ関数
6.
分布感(謎 • Rで負の二項分布を描く x <-
rep(0:20) plot(x,dnbinom(x,size = 5,prob=0.5),type="b")
7.
分布感(謎 • Rで負の二項分布を描く x <-
rep(0:20) plot(x,dnbinom(x,size = 5,prob=0.6),type="b")
8.
分布感(謎 • Rで負の二項分布を描く x <-
rep(0:20) plot(x,dnbinom(x,size = 5,prob=0.8),type="b")
9.
分布の実質科学的な意味 • 二項分布の試行数バージョン – 例えば裸眼の参加者を10人集めたい場合,何人 に声をかければいいか •
裸眼率がわかっていれば,95%以上の確率で裸眼10 人集めるのに必要な人数がわかる • ポアソン分布の過分散推定のため – 統計モデリングでは,ほぼこの目的で使われる
10.
ポアソン分布との関係 • ポアソン分布 – レアな確率で起こる事象がある時間内で起こる 回数についての確率 •
1分で1回起こる事象が5分の間に何回起こるかについ ての確率は,λ=5のポアソン分布に従う
11.
λの変動を考える • λの確率的な変動を考慮したポアソン分布 – λがガンマ分布(gamma(φ,
μφ-1))に従うとする • このとき,混合した確率分布は – 負の二項分布になる • 成功率: p = φ / (μ+φ), 成功数: r=φ
12.
ポアソンと負の二項分布 • もともとの負の二項分布 – 成功率pで,r回の成功までの失敗回数yの分布 •
ポアソンのλが変動すると考えた分布 – 成功率φ/(μ+φ)で, φ回の成功までの失敗回数y の分布
13.
ポアソンと負の二項分布 • 負の二項分布の平均と分散は・・・ – 平均=
μ – 分散= μ + μ2 / φ • 負の二項分布において・・・ – μ=λで,φ=∞のとき,ポアソン分布になる – 平均= λ – 分散= λ + λ2 / ∞ = λ • つまりφ(の逆数)が過分散パラメータになる
14.
ポアソンと負の二項分布 • 負の二項分布 別バージョン plot(x,dnbinom(x,mu=5,size
= 1000000),type="b") plot(x,dpois(x,5),type="b")
15.
負の二項分布の使いどころ • 分散がλより大きいポアソン分布 – ポアソン分布の過分散を考慮した分布 –
ポアソンは負の二項分布に完全にネストされてい るので,AICなどの情報量規準による比較が可能 • 過分散を仮定するべきかどうかを知ることができる • ポアソン過程のデータに使える – 単位時間で平均λ回生じる事象が生起する回数 についての確率分布 • ただし,λはガンマ分布に従って変動する
16.
GLMMとの関係 • ポアソン+正規分布のGLMMとの違い – GLMMではlog(λ)を正規分布で推定 –
負の二項分布はλをガンマ分布で推定 – ほとんどAICはかわらない
17.
Stanでの負の二項分布 • neg_binomial(α,β) • neg_binomial2(μ,
φ)
18.
他の分布との関係 • 幾何分布 – 成功率pにおいて,1回成功するまでに必要な試 行数の分布 –
r=1の場合の負の二項分布といえる • 一般化ポアソン分布 – ポアソン分布の過小分散も考慮できる分布 – ほとんど使われることはない
19.
まとめ • 負の二項分布 – 二項分布の成功数と試行数のパラメータを逆転 させた分布 –
ベルヌーイ試行において,成功率pでr回成功す るまでに必要な失敗回数についての分布 • ポアソン分布+過分散 – GLMの文脈では,平均と分散が等しくない場合の 分布として利用されることが多い
Download now