Enviar pesquisa
Carregar
カップルが一緒にお風呂に入る割合をベイズ推定してみた
•
145 gostaram
•
76,455 visualizações
hoxo_m
Seguir
Dados e análise
Denunciar
Compartilhar
Denunciar
Compartilhar
1 de 39
Recomendados
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
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
星野「調査観察データの統計科学」第3章
星野「調査観察データの統計科学」第3章
Shuyo Nakatani
因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説
Shiga University, RIKEN
質的変数の相関・因子分析
質的変数の相関・因子分析
Mitsuo Shimohata
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
StanとRでベイズ統計モデリング読書会 Chapter 7(7.6-7.9) 回帰分析の悩みどころ ~統計の力で歌うまになりたい~
StanとRでベイズ統計モデリング読書会 Chapter 7(7.6-7.9) 回帰分析の悩みどころ ~統計の力で歌うまになりたい~
nocchi_airport
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
Recomendados
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
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
星野「調査観察データの統計科学」第3章
星野「調査観察データの統計科学」第3章
Shuyo Nakatani
因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説
Shiga University, RIKEN
質的変数の相関・因子分析
質的変数の相関・因子分析
Mitsuo Shimohata
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
StanとRでベイズ統計モデリング読書会 Chapter 7(7.6-7.9) 回帰分析の悩みどころ ~統計の力で歌うまになりたい~
StanとRでベイズ統計モデリング読書会 Chapter 7(7.6-7.9) 回帰分析の悩みどころ ~統計の力で歌うまになりたい~
nocchi_airport
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
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
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
15分でわかる(範囲の)ベイズ統計学
15分でわかる(範囲の)ベイズ統計学
Ken'ichi Matsui
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
ベイズモデリングと仲良くするために
ベイズモデリングと仲良くするために
Shushi Namba
Prophet入門【Python編】Facebookの時系列予測ツール
Prophet入門【Python編】Facebookの時系列予測ツール
hoxo_m
21世紀の手法対決 (MIC vs HSIC)
21世紀の手法対決 (MIC vs HSIC)
Toru Imai
『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会
takehikoihayashi
2 4.devianceと尤度比検定
2 4.devianceと尤度比検定
logics-of-blue
統計的因果推論 勉強用 isseing333
統計的因果推論 勉強用 isseing333
Issei Kurahashi
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)
あなたの心にBridgeSampling
あなたの心にBridgeSampling
daiki hojo
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
合成変量とアンサンブル:回帰森と加法モデルの要点
合成変量とアンサンブル:回帰森と加法モデルの要点
Ichigaku Takigawa
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
DSIRNLP#1 ランキング学習ことはじめ
DSIRNLP#1 ランキング学習ことはじめ
sleepy_yoshi
Kaggleのテクニック
Kaggleのテクニック
Yasunori Ozaki
不均衡データのクラス分類
不均衡データのクラス分類
Shintaro Fukushima
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
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
H231126 統計および確率を利用した予測と判断rev1
H231126 統計および確率を利用した予測と判断rev1
Kenichi Takara
Windows10の展開手法
Windows10の展開手法
NAOKI ABE
Mais conteúdo relacionado
Mais procurados
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
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
15分でわかる(範囲の)ベイズ統計学
15分でわかる(範囲の)ベイズ統計学
Ken'ichi Matsui
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
ベイズモデリングと仲良くするために
ベイズモデリングと仲良くするために
Shushi Namba
Prophet入門【Python編】Facebookの時系列予測ツール
Prophet入門【Python編】Facebookの時系列予測ツール
hoxo_m
21世紀の手法対決 (MIC vs HSIC)
21世紀の手法対決 (MIC vs HSIC)
Toru Imai
『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会
takehikoihayashi
2 4.devianceと尤度比検定
2 4.devianceと尤度比検定
logics-of-blue
統計的因果推論 勉強用 isseing333
統計的因果推論 勉強用 isseing333
Issei Kurahashi
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)
あなたの心にBridgeSampling
あなたの心にBridgeSampling
daiki hojo
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
合成変量とアンサンブル:回帰森と加法モデルの要点
合成変量とアンサンブル:回帰森と加法モデルの要点
Ichigaku Takigawa
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
DSIRNLP#1 ランキング学習ことはじめ
DSIRNLP#1 ランキング学習ことはじめ
sleepy_yoshi
Kaggleのテクニック
Kaggleのテクニック
Yasunori Ozaki
不均衡データのクラス分類
不均衡データのクラス分類
Shintaro Fukushima
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
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
Mais procurados
(20)
Stanコードの書き方 中級編
Stanコードの書き方 中級編
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
15分でわかる(範囲の)ベイズ統計学
15分でわかる(範囲の)ベイズ統計学
Stan超初心者入門
Stan超初心者入門
ベイズモデリングと仲良くするために
ベイズモデリングと仲良くするために
Prophet入門【Python編】Facebookの時系列予測ツール
Prophet入門【Python編】Facebookの時系列予測ツール
21世紀の手法対決 (MIC vs HSIC)
21世紀の手法対決 (MIC vs HSIC)
『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会
2 4.devianceと尤度比検定
2 4.devianceと尤度比検定
統計的因果推論 勉強用 isseing333
統計的因果推論 勉強用 isseing333
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)
あなたの心にBridgeSampling
あなたの心にBridgeSampling
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-
合成変量とアンサンブル:回帰森と加法モデルの要点
合成変量とアンサンブル:回帰森と加法モデルの要点
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
DSIRNLP#1 ランキング学習ことはじめ
DSIRNLP#1 ランキング学習ことはじめ
Kaggleのテクニック
Kaggleのテクニック
不均衡データのクラス分類
不均衡データのクラス分類
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
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)
Destaque
H231126 統計および確率を利用した予測と判断rev1
H231126 統計および確率を利用した予測と判断rev1
Kenichi Takara
Windows10の展開手法
Windows10の展開手法
NAOKI ABE
MLaPP 2章 「確率」(前編)
MLaPP 2章 「確率」(前編)
Shinichi Tamura
「数学の世界」発表資料
「数学の世界」発表資料
spdbear
経験過程
経験過程
hoxo_m
EthernetやCPUなどの話
EthernetやCPUなどの話
Takanori Sejima
ベイズ基本0425
ベイズ基本0425
asato kuno
仕事の流儀 Vol1 基本編_ver1.1_外部公開ver
仕事の流儀 Vol1 基本編_ver1.1_外部公開ver
Hirotaka Nishimiya
Cpu pipeline basics
Cpu pipeline basics
Shinichiro Niiyama
2015年度先端GPGPUシミュレーション工学特論 第15回 CPUとGPUの協調
2015年度先端GPGPUシミュレーション工学特論 第15回 CPUとGPUの協調
智啓 出川
便利な数を100億個の乱数から算出
便利な数を100億個の乱数から算出
Toshiyuki Shimono
Life with jupyter
Life with jupyter
Etsuji Nakai
AtCoder Regular Contest 016 解説
AtCoder Regular Contest 016 解説
AtCoder Inc.
Cpu cache arch
Cpu cache arch
Shinichiro Niiyama
確率論基礎
確率論基礎
hoxo_m
統計勉強会 LT ベイジアンって?
統計勉強会 LT ベイジアンって?
Yuto Suzuki
TensorFlowで学ぶDQN
TensorFlowで学ぶDQN
Etsuji Nakai
ベイズ統計入門
ベイズ統計入門
Miyoshi Yuya
ゼロから始める自作 CPU 入門
ゼロから始める自作 CPU 入門
Hirotaka Kawata
10年効く分散ファイルシステム技術 GlusterFS & Red Hat Storage
10年効く分散ファイルシステム技術 GlusterFS & Red Hat Storage
Etsuji Nakai
Destaque
(20)
H231126 統計および確率を利用した予測と判断rev1
H231126 統計および確率を利用した予測と判断rev1
Windows10の展開手法
Windows10の展開手法
MLaPP 2章 「確率」(前編)
MLaPP 2章 「確率」(前編)
「数学の世界」発表資料
「数学の世界」発表資料
経験過程
経験過程
EthernetやCPUなどの話
EthernetやCPUなどの話
ベイズ基本0425
ベイズ基本0425
仕事の流儀 Vol1 基本編_ver1.1_外部公開ver
仕事の流儀 Vol1 基本編_ver1.1_外部公開ver
Cpu pipeline basics
Cpu pipeline basics
2015年度先端GPGPUシミュレーション工学特論 第15回 CPUとGPUの協調
2015年度先端GPGPUシミュレーション工学特論 第15回 CPUとGPUの協調
便利な数を100億個の乱数から算出
便利な数を100億個の乱数から算出
Life with jupyter
Life with jupyter
AtCoder Regular Contest 016 解説
AtCoder Regular Contest 016 解説
Cpu cache arch
Cpu cache arch
確率論基礎
確率論基礎
統計勉強会 LT ベイジアンって?
統計勉強会 LT ベイジアンって?
TensorFlowで学ぶDQN
TensorFlowで学ぶDQN
ベイズ統計入門
ベイズ統計入門
ゼロから始める自作 CPU 入門
ゼロから始める自作 CPU 入門
10年効く分散ファイルシステム技術 GlusterFS & Red Hat Storage
10年効く分散ファイルシステム技術 GlusterFS & Red Hat Storage
Mais de hoxo_m
Shinyユーザのための非同期プログラミング入門
Shinyユーザのための非同期プログラミング入門
hoxo_m
Prophet入門【理論編】Facebookの時系列予測ツール
Prophet入門【理論編】Facebookの時系列予測ツール
hoxo_m
Prophet入門【R編】Facebookの時系列予測ツール
Prophet入門【R編】Facebookの時系列予測ツール
hoxo_m
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
学習係数
学習係数
hoxo_m
AJAXサイトの情報をWebスクレイピング
AJAXサイトの情報をWebスクレイピング
hoxo_m
高速なガンマ分布の最尤推定法について
高速なガンマ分布の最尤推定法について
hoxo_m
シンギュラリティを知らずに機械学習を語るな
シンギュラリティを知らずに機械学習を語るな
hoxo_m
非制約最小二乗密度比推定法 uLSIF を用いた外れ値検出
非制約最小二乗密度比推定法 uLSIF を用いた外れ値検出
hoxo_m
トピックモデルの評価指標 Perplexity とは何なのか?
トピックモデルの評価指標 Perplexity とは何なのか?
hoxo_m
トピックモデルの評価指標 Coherence 研究まとめ #トピ本
トピックモデルの評価指標 Coherence 研究まとめ #トピ本
hoxo_m
トピックモデルによる統計的潜在意味解析読書会 3.7 評価方法 - 3.9 モデル選択 #トピ本
トピックモデルによる統計的潜在意味解析読書会 3.7 評価方法 - 3.9 モデル選択 #トピ本
hoxo_m
協調フィルタリング入門
協調フィルタリング入門
hoxo_m
データの不備を統計的に見抜く (Gelman’s secret weapon)
データの不備を統計的に見抜く (Gelman’s secret weapon)
hoxo_m
Stan で欠測データの相関係数を推定してみた
Stan で欠測データの相関係数を推定してみた
hoxo_m
チェビシェフの不等式
チェビシェフの不等式
hoxo_m
swirl パッケージでインタラクティブ学習
swirl パッケージでインタラクティブ学習
hoxo_m
RPubs とその Bot たち
RPubs とその Bot たち
hoxo_m
5分でわかるベイズ確率
5分でわかるベイズ確率
hoxo_m
Mais de hoxo_m
(19)
Shinyユーザのための非同期プログラミング入門
Shinyユーザのための非同期プログラミング入門
Prophet入門【理論編】Facebookの時系列予測ツール
Prophet入門【理論編】Facebookの時系列予測ツール
Prophet入門【R編】Facebookの時系列予測ツール
Prophet入門【R編】Facebookの時系列予測ツール
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
学習係数
学習係数
AJAXサイトの情報をWebスクレイピング
AJAXサイトの情報をWebスクレイピング
高速なガンマ分布の最尤推定法について
高速なガンマ分布の最尤推定法について
シンギュラリティを知らずに機械学習を語るな
シンギュラリティを知らずに機械学習を語るな
非制約最小二乗密度比推定法 uLSIF を用いた外れ値検出
非制約最小二乗密度比推定法 uLSIF を用いた外れ値検出
トピックモデルの評価指標 Perplexity とは何なのか?
トピックモデルの評価指標 Perplexity とは何なのか?
トピックモデルの評価指標 Coherence 研究まとめ #トピ本
トピックモデルの評価指標 Coherence 研究まとめ #トピ本
トピックモデルによる統計的潜在意味解析読書会 3.7 評価方法 - 3.9 モデル選択 #トピ本
トピックモデルによる統計的潜在意味解析読書会 3.7 評価方法 - 3.9 モデル選択 #トピ本
協調フィルタリング入門
協調フィルタリング入門
データの不備を統計的に見抜く (Gelman’s secret weapon)
データの不備を統計的に見抜く (Gelman’s secret weapon)
Stan で欠測データの相関係数を推定してみた
Stan で欠測データの相関係数を推定してみた
チェビシェフの不等式
チェビシェフの不等式
swirl パッケージでインタラクティブ学習
swirl パッケージでインタラクティブ学習
RPubs とその Bot たち
RPubs とその Bot たち
5分でわかるベイズ確率
5分でわかるベイズ確率
カップルが一緒にお風呂に入る割合をベイズ推定してみた
1.
カップルが一緒にお風呂に入る 割合をベイズ推定してみた @hoxo_m 2015/03/03
2.
自己紹介 • hoxo_m • 某
EC サイトでデータ分析をやっています • シリアルパッケージクリエイター – pforeach (R の並列処理を超簡単に書く) – easyRFM (RFM 分析を簡単に実行する) – lambdaR (R にラムダ式を導入する)
3.
• Q&A サイト
4.
http://q.hatena.ne.jp/1343266362
5.
本日のお題 「一体世の中の何割くらいのカップルが 一緒にお風呂に入っているのだろう?」 ⇒ ベイズで解決!
6.
ベイズ推定 • 得られた回答から 「一緒にお風呂に入るカップルの割合」 を推定する
7.
回答 • 一つの回答を独立なベルヌーイ試行とみなす • 入る=1、入らない=0
8.
ベルヌーイ試行 • 「A か
B のどちらかしか起こらない」 • 「yes か no のどちらかしかない」 • 「表と裏のどちらかしか起こらない」 といった事象のことを小難しく言っただけ 怖がらなくていいよ!
9.
ベルヌーイ分布 • ベルヌーイ試行が従う確率分布 • x=1(一緒にお風呂に入る) •
x=0(一緒に入らない) • よく見ると… x=1 ⇒ f(x) = p x=0 ⇒ f(x) = 1-p xx ppxf 1 )1()( こわくない!
10.
ベイズの定理 • 事後分布は尤度と事前分布をかけたもの に比例する )()|()|(
PXPXP 事後分布 尤度 事前分布
11.
尤度関数 • 確率関数を「パラメータを変数」として 見たもの • 確率関数(p
は定数) • 尤度関数(x は定数) xx ppxf 1 )1()( xx pppL 1 )1()( 同じ!
12.
事前分布 一緒にお風呂に入るカップルの割合は半々と仮定 ベータ分布 Be(2,2) を事前分布として設定
13.
ベータ分布 • なぜ事前分布をベータ分布とするのか? ⇒ ベルヌーイ分布の尤度関数とかけると、 再びベータ分布になるという良い性質 ※自然な共役分布という 11 )1(),(
ppKBe 111 )1('),()( xx ppKBepL
14.
ベイズ更新 • 新しい回答が得られたら、現在の事後分布 を事前分布として、確率分布を更新する
15.
では、いってみましょう!
16.
回答1 • 「入らない」に一票
17.
「入らない」に一票 事前分布 事後分布
18.
回答2 • 「入る」に一票
19.
「入る」に一票
20.
回答3 • 「入る」に一票
21.
「入る」に一票
22.
回答4 • 「入る」に一票
23.
「入る」に一票
24.
回答5 • 「入る」に一票
25.
「入る」に一票
26.
回答6 • 「入る」に一票
27.
「入る」に一票
28.
回答7 • 「入らない」に一票
29.
「入らない」に一票
30.
回答8 • 「入る」に一票
31.
「入る」に一票
32.
回答9 • 「入る」に一票
33.
「入る」に一票
34.
回答10 • 「入らない」に一票
35.
「入らない」に一票
36.
結果 事前分布 事後分布
37.
結果 推定値 推定範囲
38.
結果 • 推定値: 66.7 % •
推定範囲(90%信用区間) : 42.7% ~ 83.4 % • カップルの 4割~8割 が一緒にお風呂に 入っている
39.
Enjoy! http://ja.wikipedia.org/wiki/入浴