Downloaded 141 times
![一様分布
• パラメータ：実数a, b (a < b)
• 範囲：y＝[a, b]の範囲の実数
• 平均：(a+b) / 2
• 標準偏差：(b-a) / √12](https://image.slidesharecdn.com/osaka-170228093442/75/Stan-R-Osaka-stan-6-20-2048.jpg)
![ベルヌーイ分布
• パラメータ： θ [0,1] の範囲の実数
• 範囲：y＝0か1のいずれかの整数値
• 平均： θ
• 標準偏差：√θ(1 − θ)](https://image.slidesharecdn.com/osaka-170228093442/75/Stan-R-Osaka-stan-6-28-2048.jpg)
![例②：出席率
•パラメータθ＝ [0, 1] の範囲の実数
•出席率 (欠席＝0、出席＝1) のような
応答変数に対して、ロジスティック
関数と組み合わせて用いることが多
い (具体例など詳しくは5-3)。](https://image.slidesharecdn.com/osaka-170228093442/75/Stan-R-Osaka-stan-6-31-2048.jpg)
![二項分布
• パラメータ：
N＝正の整数、θ＝[0,1] の範囲の実数
• 範囲：y＝0,1, … N のいずれかの整数値
• 平均： Nθ (1いれるとベルヌーイ分布と一致
• 標準偏差：√Nθ(1 − θ)](https://image.slidesharecdn.com/osaka-170228093442/75/Stan-R-Osaka-stan-6-35-2048.jpg)
![ベータ分布
• パラメータ： α、β＝正の実数
• 範囲：θ＝[0,1]の範囲の実数
• 平均：
α
α+β
• 標準偏差：
√αβ
α+β √α+β+1
• 範囲 0-1 の連続型分布＝確率θ生成分布
→ 尤度がベルヌーイ・二項分布時に利用可能
＋その他の [0, 1] の範囲の変数にも適用可能](https://image.slidesharecdn.com/osaka-170228093442/75/Stan-R-Osaka-stan-6-42-2048.jpg)
![書籍内での例：故障率
• 見たいパラメータ＝故障率
• M個中Y個故障×N品目
イメージ図 [N = 1：アンパン]
モデル式
θ ~ Beta(α、β) #故障率パラメータ
Y ~ Binomial (M, θ)
ジャムおじさん
のパン工場
3つのアンパンと
１つのこげパン](https://image.slidesharecdn.com/osaka-170228093442/75/Stan-R-Osaka-stan-6-47-2048.jpg)
![カテゴリカル分布
• パラメータ： K＝2以上の正の整数
θ＝長さKのベクトル、各要素は[0,1]の
範囲の実数で合計すると1になる。
• 範囲：y＝1,2, … Kのいずれかの整数
• 平均： I[y = k] の平均=θ 𝑘
• 分散共分散：I[y = k] の分散＝θ 𝑘 (1 − θ 𝑘)
I[y = k] とI[y = k’] の共分散 (k ≠ k’)＝−θ 𝑘θ 𝑘‘
I[y = k] は y = k となる場合に1を返し、それ以外は0を返す関数](https://image.slidesharecdn.com/osaka-170228093442/75/Stan-R-Osaka-stan-6-55-2048.jpg)
![使用例：ソフトマックス回帰
• 店Aに3つの商品 (チョコ、飴、グミ) があると
する (K = 3)。
• その選択に関わりそうな説明変数＝性別のみと
する。 すると以下のモデル式が提案可能。
• μ[n] = a + b*Sex[n] n = 個人
• θ[n] = softmax (μ[n]) = ベクトル
• Y[n] ~ Categorical(θ[n])
長さKのベクトル＝3商品
の選択に関する線形結合
※softmax関数＝expを用いて [-∞, ∞] をとりう
る値を正の値にしてから、合計が1になる (カテ
ゴリカル分布にあう) ように規格化するもの](https://image.slidesharecdn.com/osaka-170228093442/75/Stan-R-Osaka-stan-6-57-2048.jpg)
![多項分布
• パラメータ： K＝2以上の正の整数、
N＝正の整数
θ＝長さKのベクトル、各要素は [0,1] の
範囲の実数で合計すると1になる。
• 範囲：y＝長さKのベクトル。各要素は0,1, …
Nのいずれかの整数で合計するとNになる
• 平均： yk の平均=Nθ 𝑘
• 分散共分散：yk の分散＝Nθ 𝑘 (1 − θ 𝑘)
yk と yk’ の共分散 (k ≠ k’)＝−Nθ 𝑘θ 𝑘‘](https://image.slidesharecdn.com/osaka-170228093442/75/Stan-R-Osaka-stan-6-61-2048.jpg)
![こういう教材もあります。
※キモオタ以外のご視聴はお勧めしておりません。
• ニコニコ動画より「月読アイの理系なお話『神
様が愛した正規分布[前編]』」](https://image.slidesharecdn.com/osaka-170228093442/75/Stan-R-Osaka-stan-6-113-2048.jpg)
![使用例
• 分散パラメタの事前分布として
Cauchy (0, 2.5), Cauchy (0, 5)など
• 外れ値を含むモデルとして
ごくまれに出現する外れ値を許容するモデル
y[n] ~ cauchy (a + b * X[n], σ)
Cf. y[n] ~ normal(a + b * X[n], σ)
広島大学平川先生の資料より拝借
(Hirodai.stan発表非公開資料
7.9節へ](https://image.slidesharecdn.com/osaka-170228093442/75/Stan-R-Osaka-stan-6-135-2048.jpg)
More Related Content
Similar to StanとRでベイズ統計モデリング読書会（Osaka.stan） 第6章
![[PRML] パターン認識と機械学習（第2章：確率分布）](https://cdn.slidesharecdn.com/ss_thumbnails/prmlchapter2-171002030018-thumbnail.jpg?width=640&height=640&fit=bounds)
StanとRでベイズ統計モデリング読書会（Osaka.stan） 第6章
- 1. 統計モデリングの視点 から確率分布の紹介 Osaka.Stan #3 広島大学 難波修史 StanとRでベイズ統計モデリング読書会
- 2. 自己紹介 • 難波修史 @Nsushi •広島大学教育学研究科心理学専攻D生 • 専門：顔、感情、ド文系 • 興味：ベイズ • 使用言語：Python, R • R歴：初心者
- 3.
- 4.
- 5.
- 6. これまでの (心理) 統計 •因子分析の前提＝データが正規分布して いること (松尾・中村、2002) • 分散分析の前提＝データが正規分布して いること（村山先生のHP 我々＝すでに正規分布のフレンズ
- 7.
- 8.
- 9. 正規分布以外の分布を 使う必要性？ •応答変数が明らかに正規分布しない 例：出席率 (5-2等)、履修登録 (5-4) •データが少ない場合に推定がうまく いかない→ 事前分布による調整が 必要な場合も 例：コーシー分布や t 分布 (10章等)
- 10.
- 11.
- 12.
- 13. 分布の紹介時の注意① • 本資料では松浦本と同様、数学的に扱い やすい分散でなく標準偏差を記載します。 • 理由1．平均と標準偏差は同じ単位で比 較しやすく、モデリングを考察しやすい •理由2．正規分布を指定する関数では引 数として、標準偏差をとるため
- 14.
- 15. 分布勉強におすすめのアプリ • http://statdist.ksmzn.com/ • @ksmzn様が作成したShinyで確率分布 を動かして遊べるページがあります。 •6章を読みながらパラメータをいじって いろんな確率分布とフレンドになりま しょう！！ • 右図＝Interface 「確率分布いろいろ」でググる！
- 16.
- 17.
- 18.
- 19. 6.1 一様分布 • 確率密度関数（確率変数を記述する関数 •Uniform (y | a,b) 1 𝑏−𝑎 (a ≦ x ≦ b) 0 上記以外
- 20. 一様分布 • パラメータ：実数a, b(a < b) • 範囲：y＝[a, b]の範囲の実数 • 平均：(a+b) / 2 • 標準偏差：(b-a) / √12
- 21. 一様分布の例 a = -2,b = 1
- 22.
- 23.
- 24. 例：model4-5.stan • 右図では各パラメータ で明示的な事前分布が 設定されてない a ~uniform(-∞, ∞) b ~ uniform(-∞, ∞) sigma ~ uniform(0, ∞) ← 下限設定のため modelブロックには以下 が非明示的に設定される
- 25.
- 26.
- 27. 6.2 ベルヌーイ分布 • 確率質量関数（離散だと密度ではなく質量 •Bernoulli (y | θ) θ y = 1の場合 1 − θ y＝0の場合 ※θ 𝑦 1 − θ 1 − 𝑦
- 28. ベルヌーイ分布 • パラメータ： θ[0,1] の範囲の実数 • 範囲：y＝0か1のいずれかの整数値 • 平均： θ • 標準偏差：√θ(1 − θ)
- 29.
- 30.
- 31. 例②：出席率 •パラメータθ＝ [0, 1]の範囲の実数 •出席率 (欠席＝0、出席＝1) のような 応答変数に対して、ロジスティック 関数と組み合わせて用いることが多 い (具体例など詳しくは5-3)。
- 32.
- 33.
- 34. 6.3 二項分布 • 確率質量関数 •Binomial (y | N, θ) N! 𝑦! 𝑁 −𝑦 ! θ 𝑦 1 − θ 𝑁 − 𝑦
- 35. 二項分布 • パラメータ： N＝正の整数、θ＝[0,1] の範囲の実数 •範囲：y＝0,1, … N のいずれかの整数値 • 平均： Nθ (1いれるとベルヌーイ分布と一致 • 標準偏差：√Nθ(1 − θ)
- 36.
- 37. 二項分布の再生性 • Nの異なる同じパラメータθの二項分布か ら確率変数y1とy2が生成される → y1+ y2 はBinomial (N1 + N2, θ) に従う コイン表が出るパラメータ＝多分0.5 × 10 × 6 ＝ × 16 Binom (10, 0.5) Binom (6, 0.5) Binom (16, 0.5) ＋
- 38.
- 39.
- 40.
- 41. 6.4 ベータ分布 • 確率密度関数 •Beta (θ| α, β) 1 𝐵 α,β θα − 1 1 − θ β − 1
- 42. ベータ分布 • パラメータ： α、β＝正の実数 •範囲：θ＝[0,1]の範囲の実数 • 平均： α α+β • 標準偏差： √αβ α+β √α+β+1 • 範囲 0-1 の連続型分布＝確率θ生成分布 → 尤度がベルヌーイ・二項分布時に利用可能 ＋その他の [0, 1] の範囲の変数にも適用可能
- 43. ベータ分布の挙動① α＝1, β＝1 → 標準一様分布と等価 α固定、β変化 →β小さくなる → 平均が1へ
- 44.
- 45.
- 46.
- 47. 書籍内での例：故障率 • 見たいパラメータ＝故障率 • M個中Y個故障×N品目 イメージ図[N = 1：アンパン] モデル式 θ ~ Beta(α、β) #故障率パラメータ Y ~ Binomial (M, θ) ジャムおじさん のパン工場 3つのアンパンと １つのこげパン
- 48. ジャムおじさん (データ生成源) に関する事前情報を設定可能 • 書籍ではN品目間の違いから弱情報事前 分布をイメージ＋設定 あのおじさん ムラがはんぱ ないよね。 →α、βにちょっ とした情報を載 せた解析も可能 まぁ、基本的には我々が科学的な用途で 用いる場合、無情報を設定しましょう。 かばおくん リアルな ジャムおじさん
- 49.
- 50.
- 51.
- 52.
- 53. カテゴリカル分布とは •kの目が出る確率 (生起確 率) が𝜃𝐾であるようなK面 を持つサイコロの分布
- 54. 6.5 カテゴリカル分布 • 確率質量関数 •Categorigal (y = 𝑘|θ) = θk ※Categorigal (y = 2|θ) ≠ Bernoulli (θ) ※ 𝑘=1 K θ 𝑘 𝑦𝑘
- 55. カテゴリカル分布 • パラメータ： K＝2以上の正の整数 θ＝長さKのベクトル、各要素は[0,1]の 範囲の実数で合計すると1になる。 •範囲：y＝1,2, … Kのいずれかの整数 • 平均： I[y = k] の平均=θ 𝑘 • 分散共分散：I[y = k] の分散＝θ 𝑘 (1 − θ 𝑘) I[y = k] とI[y = k’] の共分散 (k ≠ k’)＝−θ 𝑘θ 𝑘‘ I[y = k] は y = k となる場合に1を返し、それ以外は0を返す関数
- 56. カテゴリカル分布の例 • 右図：K=5, 𝜃＝(0.1,0.2, 0.25,0.35, 0.1)T • 確率なので合計は1
- 57. 使用例：ソフトマックス回帰 • 店Aに3つの商品 (チョコ、飴、グミ)があると する (K = 3)。 • その選択に関わりそうな説明変数＝性別のみと する。 すると以下のモデル式が提案可能。 • μ[n] = a + b*Sex[n] n = 個人 • θ[n] = softmax (μ[n]) = ベクトル • Y[n] ~ Categorical(θ[n]) 長さKのベクトル＝3商品 の選択に関する線形結合 ※softmax関数＝expを用いて [-∞, ∞] をとりう る値を正の値にしてから、合計が1になる (カテ ゴリカル分布にあう) ように規格化するもの
- 58.
- 59. 多項分布とは •kの目が出る確率が𝜃 𝐾であるようなK 面を持つ (カテゴリカル分布に従う) サイコロ投げをN回行ったときの、 各目の出る確率を示す分布 •イメージ：二項分布の拡張(ただし K=2の多項分布＝y1, y2をカウント ⇔二項分布＝生起回数のみカウン ト)
- 60. 6.6 多項分布 • 確率質量関数 •Multinomial (y|𝑁, θ) = N! Π 𝑘=1 𝐾 𝑦 𝑘 𝑘=1 K θ 𝑘 𝑦𝑘
- 61. 多項分布 • パラメータ： K＝2以上の正の整数、 N＝正の整数 θ＝長さKのベクトル、各要素は[0,1] の 範囲の実数で合計すると1になる。 • 範囲：y＝長さKのベクトル。各要素は0,1, … Nのいずれかの整数で合計するとNになる • 平均： yk の平均=Nθ 𝑘 • 分散共分散：yk の分散＝Nθ 𝑘 (1 − θ 𝑘) yk と yk’ の共分散 (k ≠ k’)＝−Nθ 𝑘θ 𝑘‘
- 62. 多項分布の例 N=3, 𝜃＝(0.3, 0.3,0.4)T (参照 http://www.biwako.shiga- u.ac.jp/sensei/mnaka/ut/statdist.html
- 63. 使用例 •Nが与えられたカテゴリカル分 布、でOK ⇔ 試行回数1の多項 分布＝カテゴリカル分布 •実際、平均や分散などもカテゴリカル分布 のやつにNがかけられてるだけ（本参照） （ベルヌーイ・二項分布も同じ関係
- 64.
- 65.
- 66.
- 67. 6.7 ディリクレ分布 • 確率密度関数 •Dirichlet (θ|α) = 1 B(α) 𝑘=1 K θ 𝑘 α 𝑘−1 正規化定数 カーネル Q. 正規化定数？カーネル？ A. 前者は積分を1にするための定数 (定義は本家) 後者は確率分布の本質的な部分
- 68. ディリクレ分布 • パラメータ： K＝2以上の正の整数、 α＝各要素は正の実数。 •範囲：θ＝長さKのベクトル。各要素は (0,1) の範囲の実数で合計すると1になる • 平均： θk の平均=α 𝑘/αsum • 分散共分散： θk の分散＝α 𝑘 αsum − α 𝑘 / α 𝑠𝑢𝑚 2 (α 𝑠𝑢𝑚+1) θk と θk’ の共分散 (k ≠ k’)＝−α 𝑘α 𝑘‘/(α 𝑠𝑢𝑚 2 (α 𝑠𝑢𝑚+1)) ※ 𝑘=1 𝐾 α 𝑘 = α 𝑠𝑢𝑚とする
- 69.
- 70.
- 71.
- 72. 具体例 • 店Aの例 (3商品：チョコ、飴、グミ)で いうとグミだけ選ばれやすいαの事前分 布の例は以下。 • θ = Dirichlet (α1 = 1, α2 = 1, α3 = 8) • Y ~ Categorical(θ) チョコ 飴 グミ
- 73.
- 74. 指数分布とは •事象の生起間隔 (ある事象が起こって 次にまた発生するまでの間隔) の確率 •ランダムなイベントの発生間隔を表す分布
- 75. 6.8 指数分布 • 確率密度関数 •Exponential (y|λ) = λexp(−λ𝑦) 超参照(指数分布とポアソン分布のいけない関係)： http://www.slideshare.net/teramonagi/ss-11296227 ※ 本家ではλではなくβですが、後でポアソン分布との関係をわ かりやすくするためあえてλとしています。 ※λ𝑒 − λ𝑦
- 76. 指数分布 • パラメータ： λ(rate)＝正の実数 •範囲：y ＝ y≧0の実数 • 平均： 1/λ • 標準偏差：1/λ ただ一つのパラメータ だけで特徴づけられる パラメータはいつも一つ ＋コナン君
- 77.
- 78. 指数分布の無記憶性 • 無記憶性を持つ連続型の確率分布 • Pr(y> s+t | y > t) = P(y > s) • 次に事象が発生するまでの時間 は今まで待った時間と関係ない 指数分布の擬人化 記憶なくす人
- 79. 無記憶性の例 Pr(y > s+t| y > t) = P(y > s) 例: 指数分布に従うワイングラス が壊れるまでの時間 → 3年 (t) 使っても壊れない → その先1年 (s+t) で壊れる確率 ＝ 使い始め1年 (s) で壊れる確率 ２日連続で 記憶失う人
- 80. データ・使用例 • パラメータλの解釈＝ある時間中におけ る事象の平均生起回数 → 事故・地震の発生間隔など •正の実数を持つパラメータを生成する分 布として使うことも（10章参照
- 81. 計算してみる • 1時間に平均5人が訪れるWebサイト → 次の訪問者が来るまでの間隔が12分 である確率を求めよ •λ＝5, y = 12 / 60を公式に代入 • 確率“密度”＝1を超える tera-monagi様の資料より参照：http://www.slideshare.net/teramonagi/ss-11296227
- 82.
- 83.
- 84. 6.9 ポアソン分布 • 確率密度関数 •Poisson (y|λ) = 1 𝑦! λ 𝑦 exp(−λ) 参照＝tera-monagi様の「指数分布とポアソン分布のいけない 関係」：http://www.slideshare.net/teramonagi/ss-11296227
- 85. ポアソン分布 • パラメータ： λ＝正の実数 •範囲：y＝0,1,2…のいずれかの整数値 • 平均： λ • 標準偏差：√λ ただ一つのパラメーター だけで特徴づけられる パラメータ＝平均なので 「パラメータλのポアソン分布」 or「平均λのポアソン分布」 呼び方
- 86.
- 87. ポアソン分布の再生性 • 同じパラメータλのポアソン分布から確率 変数y1とy2が生成される → y1+ y2 はPoisson (λ1 + λ2) に従う とあるアカウントがつぶやくパラメータ＝1時間当たり2.5 y1 y2 y1+y2+ = 2時間に5回 4時間に10回 6時間に15回
- 88. 指数分布とポアソンの関係① • 単位時間あたり平均 λ回起こるような ランダムなイベントに対して、 1．一単位時間にイベントが起きる 回数は平均 λ のポアソン分布に従う。 2．イベントの発生間隔は平均 1 / λ の指数分布に従う。
- 89. 指数分布とポアソンの関係② 同一のある“事象”に対して • ポアソン分布＝単位時間当たり平均 λ回 → 回数に注目 • 指数分布＝平均 1/λ 単位時間に一回 → 時間に注目！ シミュレーションはtera-monagi様の資料を参照（指数分布とポアソン分布 のいけない関係)：http://www.slideshare.net/teramonagi/ss-11296227
- 90.
- 91.
- 92. データ例① • 1日の間に観測される動物の個体数、1 時間の間に届くメールの数 (指数分布の 解説も含むよい例が以下のサイトに (http://www.ntrand.com/jp/poisson-distribution/))、これら は背後に指数分布に従うイベントが考え られる。 例は「馬に蹴られてポアソン分布」でググ れば一番上にでてきます (2017.2月現在)。
- 93.
- 94.
- 95.
- 96. ガンマ分布とは？ • 流れ星の例で考える • 流れ星がα個観測されるまでの時間 →ガンマ分布 ＝母数βの指数分布に従う事象がα回 生じるまでの時間の分布 お笑い芸人の 流れ星のプロ フィール画像
- 97. 6.10 ガンマ分布 • 確率密度関数 •Gamma(y|α, β) = βα Γ(α) 𝑦α−1 exp(−β𝑦) 正規化定数 カーネル 正規化定数の定義は本家を参照
- 98. ガンマ分布 • パラメータ：α (shape),β (rate)＝正の実数 • 範囲：y＝正の実数 • 平均： α/β • 標準偏差：√α/β
- 99.
- 100.
- 101.
- 102. ガンマ分布の再生性 • (一部の分布同様), 同じパラメータβのガンマ 分布から確率変数y1とy2が生成される それの和→ Gamma(α1 + α2, β) に従う 具 体 例 を 説 明 で き な い ベ ジ ー タ 思い浮か ばなかっ ただけ。
- 103.
- 104.
- 105.
- 106.
- 107. 6.11 (みんな大好き) 正規分布 •確率密度関数 • Normal(y|μ, σ) = 1 √2πσ exp(− 1 2 y−μ σ 2)
- 108. 正規分布 • パラメータ：μ＝実数、σ＝正の実数 • 範囲：y＝実数 •平均： μ • 標準偏差：σ 親の顔よりも 見慣れた景色
- 109. 正規分布の再生性 • 確率変数y1 ~Normal(μ1, σ1) と y2 ~ Normal(μ2, σ2) が独立で生成される → その和＝Normal(μ1＋ μ2, √ σ1 ＋ σ2) に従う • 例：子供の身長＋タケノコ μ1＝100 μ2＝30 + = μ1 + μ2＝130
- 110.
- 111.
- 112. 使用例 • 5-1の重回帰 • グループ差や個人差が正規分布に従うと 仮定する階層モデルを8章で扱う。 •また、y≧0の部分だけを取り出して正規 化する半正規分布はパラメータの弱情報 事前分布として用いる場合が多い (10章
- 113.
- 114.
- 115.
- 116.
- 117. 6.12 対数正規分布 • 確率密度関数 •LogNormal(y|μ, σ) = 1 √2πσ 1 𝑦 exp(− 1 2 𝑙𝑜𝑔y−μ σ 2)
- 118. 対数正規分布 • パラメータ：μ＝実数、σ＝正の実数 • 範囲：y＝実数 •平均： exp(μ + σ2 / 2) • 標準偏差：exp(μ + σ2/2) √(eσ2-1)
- 119.
- 120.
- 121.
- 122. 多変量正規分布とは •正定値対称行列である分散共分散行 列を含む、2つ以上 (m次元) の正規 分布の同時密度関数である(多分)。 2変量の 場合の例
- 123. 6.13 多変量正規分布 • 確率密度関数 •MultiNormal(y|μ, Σ) = 1 2π K/2 1 √|Σ| exp(− 1 2 y − μ T Σ−1 y − μ )
- 124. 多変量正規分布 • パラメータ：K＝正の整数、 μ＝長さKのベクトルで各要素は実数、 Σ＝K×Kの対称な正定値行列 (分散共分散行列 •範囲：y＝長さKのベクトルで各要素は実数 • 平均：ykの平均＝μk • 分散共分散：ykの分散＝Σk,k ykとyk’の共分散 (k ≠ k’) ＝Σk,k’ 正定値行列＝すべての固有値が正の実数であること、らしい。 ここがキモ！
- 125.
- 126.
- 127. すごいぞ！多変量正規分布！ • 多変量正規分布に従う確率変数を線形結合 → 多変量正規分布に従う •周辺化する → 多変量正規分布 • 各変数の条件付き分布 → 多変量正規分布 驚いてる犬
- 128. 余談 Q. 周辺化？ A. 同時確率を足し合わせて特定の確率変 数を消すこと。 Q.条件付き確率？ A. ある事象Yが起こるという条件の下で別 の事象Xが起きる確率：P(X|Y) 黄線のx1 の分布 p124の例
- 129.
- 130.
- 131.
- 132. 6.14 コーシー分布 • 確率密度関数 •Cauchy(y|μ, σ) = 1 πσ 1 1+ 𝑦−μ σ 2
- 133. コーシー分布 • パラメータ：μ＝実数、σ＝正の実数 • 範囲：y＝実数 •平均：存在しない（正確には定義されない • 標準偏差：存在しない
- 134. コーシー分布の例 μ＝0, σ＝1 ⇒標準コーシー分布（自由度1のt分布）
- 135. 使用例 • 分散パラメタの事前分布として Cauchy (0,2.5), Cauchy (0, 5)など • 外れ値を含むモデルとして ごくまれに出現する外れ値を許容するモデル y[n] ~ cauchy (a + b * X[n], σ) Cf. y[n] ~ normal(a + b * X[n], σ) 広島大学平川先生の資料より拝借 (Hirodai.stan発表非公開資料 7.9節へ
- 136.
- 137.
- 138. 6.15 Studentのｔ分布 • 確率密度関数 •Studen_t(y|ν, μ, σ) = Γ ν+1 2 Γ ν 2 𝜋𝜈𝜎 (1 + 1 ν 𝑦−μ σ )−(ν+1)/2
- 139. Studentのｔ分布 • パラメータ：ν＝正の実数（自由度 μ＝実数、σ＝正の実数 • 範囲：y＝実数 •平均：ν > 1の場合はμ、それ以外は存在 しない • 標準偏差：ν > 2の場合はσ√ν/(ν-2). 1 < ν ≦2の場合は∞、それ以外の場合は 存在しない。
- 140.
- 141.
- 142.
- 143.
- 144. 6.16 二重指数分布 (ラプラス 分布) •確率密度関数 • DoubleExponential(y|μ, σ) = 1 2σ 𝑒𝑥𝑝 − 𝑦−μ σ • 指数分布を二つ貼り合わせた ような分布＝二重指数分布 ← p75
- 145. ラプラス分布 • パラメータ：μ＝実数、σ＝正の実数 • 範囲：y＝実数 •平均：μ • 標準偏差：√2σ
- 146.
- 147.
- 148.
- 149.
- 150.
- 151. おわりに • 以上で6章で紹介された分布の解説を終 わります。 • 関数同士の関係、累積分布関数、算出過 程などの詳細は本家と同様に省いていま す。各自色々な資料を参照してください。 •以下では個別学習に役立つと個人的に感 じているものをさらに2つ紹介します。
- 152. 1．確率分布の包括的理解に • Lawrence etal. (2008: title=Univariate Distribution Relationships) • http://www.math.wm.edu/~leemis/chart/U DR/UDR.html 分布同士の関係 が見れたり、分 布の詳細を見れ たり出来るゾ！
- 153.
- 154. Enjoy R &Stan ! And… Bayesian Modeling!!
- 155. 参考文献① • 当然アヒル本 • 各ページに記載されてるURLや資料 •各分布のWiki • ややこしい離散分布に関するまとめ http://machine- learning.hatenablog.com/entry/2016/03/26/21110 6 • 多項分布とディリクレ分布のまとめと可視化 http://y- mattu.hatenablog.com/entry/2016/03/03/143451
- 156. 参考文献② • 松尾太加志・中村知靖（2002） 誰も教えてく れなかった因子分析－数式が絶対に出てこな い因子分析入門－ 北大路書房 • 村山先生によるANOVAに関する解説 http://koumurayama.com/koujapanese/anova.h tm • 様々な確率分布probability distributions - 数理 的思考 - 中川雅央 【知と情報の科学】 http://www.biwako.shiga- u.ac.jp/sensei/mnaka/ut/statdist.html