ベイズの統計学を学び始めたんだけど
■ このスレッドは過去ログ倉庫に格納されています
信用に値するのか疑問です。 人工知能とかではなく日々の動機付けに利用する予定です >>460 (2)のアプローチをstanでやってみた。 data=list(Y=1) stanString=' data{ int Y; } parameters{ real<lower=0,upper=1> q; } transformed parameters{ real<lower=0,upper=1> p6; p6=1/6.0*q+5/6.0*(1-q); } model{ Y ~ bernoulli(p6); q ~ beta(1,1); } mean se_mean sd 2.5% 25% 50% 75% 97.5% n_eff Rhat q 0.3901 0.0030 0.2661 0.0157 0.1602 0.3512 0.5910 0.9289 7827 1.0003 p6 0.5733 0.0020 0.1774 0.2141 0.4393 0.5992 0.7265 0.8229 7827 1.0003 lp__ -2.6057 0.0103 0.8248 -4.9881 -2.8346 -2.2830 -2.0537 -1.9902 6400 1.0002 6の目のでる事後確率の平均値は 0.5733 でJAGSと同じ結果。 暇つぶしネタを与えてくれた>454に感謝 さいころ振ったら6が出ました つぎに6が出る確率はどうなる? 1 低くなる 連続で6が出る可能性はひくい 2 変わらない 6が出る確率は前に何が出たか影響を受けない 3 高くなる さいころがいかさまの可能性があるから #当然さいころがいかさまの可能性をかんがえるならば 6の出る可能性が1/6より小さいいかさまさいころで たまたま6がでた場合も含めるとする >>467 サイコロE1 = 6の目がでる確率は1/12 サイコロE2 = 6の目がでる確率は2/12 サイコロE3 = 6の目がでる確率は3/12 事前分布 P(E1) = P(E2) = P(E3) = 1/3 とまずは、勝手に設定し計算してみた 直感的怪答 1/6 単なる条件付確率ぢゃし、 事前分布はE1,E2,E3同じぢゃろ。 ぢゃから、 1/12、2/12、3/12 の単純平均で 2/12 約分すれば、1/6ぢゃ 模範解答 7/36 である。 1/12 , 2/12 , 3/12 の 1:2:3 の重み付き平均は7/36です。 ワタシの超怪答 1/6で良い 事前分布、P(E1) > P(E3) にすべきぢゃ ∵ 1/6ぢゃないのは、奇妙ぢゃ ちなみに、 P(E1) = P(E3) = 0、P(E2) = 1 ぢゃダメ イカサマぢゃなくても 1/6より微かにずれるものぢゃ >>467 6の目の出る確率がどの範囲ならイカサマでないとすんの? 6の出る可能性が1/6より小さいいかさまさいころ とすると (1) 6の目のでる確率の分布を一様分布とすると 6の目が一回でたから事後分布はbeta(2,1)なので次に6の目がでる期待値は2/3 p<1/6の確率は > pbeta(1/6,2,1) [1] 0.02777778 (2) 6の目の出る確率p6を1/6としてp6=1/6が正しい確率分布を一様分布とすると平均 0.5731115 p<1/16の確率は0 (3)6の目の出る確率が1/6を最頻値とする標準偏差0.1のβ分布に従うとすれば > pbeta(1/6,3.260234,12.301170) [1] 0.3785766 >>468 離散量で一様分布の真似なら サイコロE4 = 6の目がでる確率は4/12 ... サイコロE4 = 6の目がでる確率は12/12 も考えなくちゃだめだろ? >>469 直感的かつナナメな怪答 ちょっとでも1/6からずれてたら 数学的にイカサマぢゃ∴ サイコロの100%はイカサマぢゃ でも、しかし、試験なら、 6の目確率は、常に1/6で計算ぢゃ。 ナナメな模範解答 そっか、鋭い質問 ちょっとなら1/6からずれても 良いことにしないと、 サイコロの100%はイカサマになるか >>471 直感的かつナナメな怪答 そんなことより、6の確率が 事前分布の平均 ≧ 1/6 事後分布の平均 ≦ 1/6 となる事前分布どっかにないかな!? 誰かそんな事前分布で計算しないかな 模範解答擬き P(E4) = P(E5) = … = P(E12) = 0 にしないと計算が大変 (^_^;) >>466 自分で気付いたけどこのスクリプトは間違いだね。 >>472 死刑囚の話に戻るけど f(p) = (2/3)p + 2/3 という確率分布 って何の意味があるの? >>474 確率分布を事前分布とした理由は 今考え直したら支離滅裂な直感でした。 意味は、概ね何でもない。ので 気にしないで下さい。 あえて意味を言えば、 P(A=o|B=t) の平均が1/3となるような P(B=t|A=o) の確率分布というだけ 支離滅裂な内容ですが説明すると、 pが定数1/2とするなら、 P(A=o|B=t) = p/(p+1)より、 P(A=o|B=t) = 1/3 となる。 だから、 pの平均が1/2の確率変数なら、 P(A=o|B=t)の平均も1/3だろうと確信。 しかし、計算すると、 pの平均が1/2の連続一様分布なら、 P(A=o|B=t)の平均はln(2)=0.30685のようだ では、P(A=o|B=t)の平均が1/3となる pの分布はどんな分布なのか知りたくなる そう、 f(p=0) : f(p=1) = 1 : 2 な確率分布かな だから、 f(p) = (2/3)p + 2/3 という確率分布 を 事前分布とする。 まっ、今見直と、支離滅裂です。(^_^;) >>475 確率密度関数がa*x+bの形なら integral(x/(x+1)*(a*x+b),0,1)= a *(log(2) - 1/2) + b*(1- log(2)) = 1/3 を満たすときでしょうね。 >>467 あらゆる可能性考えて 具体的な数字をださなくてもいいなら @古今東西振られたサイコロのうちそれがいかさまであるという確率は相当ひくいとおもう Aいかさまである場合に 6の出る確率が6分の1超である場合と 6分の1以下である場合が打ち消しあうことになるが 6分の1以下である可能性はそんなにたかくないしだろうし、ふれ幅も小さいから 若干の打消しが生じるくらいだろう Bいかさまである場合に 6の出る確率が6分の1超であるときにおいては あからさまないかさまをしてる可能性はひくいので 1/6と1の間くらいの0.6前後くらいが期待値になるのではないかな 総合的に考えれば 6が出た後に6が出る確率は6分の1よりおおきくなるだろうが @の影響がかなりおおきくて ほとんど無視できるれレベルだとおもう P(B=t|A=o)がベータ分布(α、β)に従うときのP(A=o|B=t)をグラフにしてみた。 http://i.imgur.com/UUwhw8K.png ベイズのアプローチでは6の目がでたというデータは 事後確率分布を6の目がでる方向に歪めるね。 サンプル数が増えると極端な値が減って回帰するというのが頻度主義かな? >>463 最新の書式だとこう書くみたい target+=ってC言語ぽいね functions{ real jisaku_lpdf(real y, real a, real b){ real temp; temp = a*y + b; return log(temp); } } data{ real a; real b; } parameters{ real<lower=0,upper=1> p; } transformed parameters{ real q; q = p/(p+1); } model{ target += jisaku_lpdf( p | a, b); } 1/6と1の間くらいの0.6となるベータ分布の母数の関係をグラフにしてみる。 pbeta(1/6,x,y,lower.tail = FALSE)=0.6の陰関数のグラフ化となる。 http://i.imgur.com/cWVHUgZ.png >>472 >そんなことより、6の確率が > 事前分布の平均 ≧ 1/6 > 事後分布の平均 ≦ 1/6 > となる事前分布どっかにないかな!? ベータ分布では存在しない。 ベータ分布の形状母数をa,bとするとa,bとも正の数なので 事前分布の平均=a/(a+b) > 1/6 から 6a>a+b 5a>b b<5a (1) 事後分布の平均=(a+1)/(a+b+1) < 1/6 から 6a+6<a+b+1 5a<b-5 (2) (1)(2)からb<b-5と矛盾する。 >>453 BとCの恩赦確率が同じときは看守が嘘つきであっても Aの恩赦確率はp/(p+1)のまま。 pはP(B=t|A=o)、Aが恩赦のとき死刑になるのはBと看守が答える確率。 >>485 よくみたらこれは間違い。 嘘つき確率の影響はないが Aを含む事前恩赦確率の影響は受ける。 無限個の部屋があるホテルに無限の人数客が泊まって 満室の状態だと思って下さい そこに1人の客が泊まりにきました そこで、既に泊まっている全員に隣の部屋に 移動してもらうことで、その人を泊めることができました >>447 p:P(B=t|A=o)Aが恩赦(BとCが死刑執行される)とき看守がBと答える確率 q:看守が嘘をつく確率 P(B=t|B=o) Bが恩赦を受けるときBが死刑執行されると告げられる確率 = q P(B=t|C=o) Cが恩赦を受けるときBが死刑執行されると告げられる確率 = 1-q P(A=o|B=t) = P(B=t|A=o)*P(A=o) / P(B=t) P(B=t) = P(B=t|A=o)*P(A=o) + P(B=t|B=o)*P(B=o) + P(B=t|C=o)*P(C=o) = p * P(A=o) + q * P(B=o) + (1-q) * P(C=o) P(A=o|B=t) = p*P(A=o) / ( p*P(A=o) + q * P(B=o) + (1-q) * P(C=o) ) P(A=o)= P(B=o)= P(C=o) = 1/3ならば P(A=o|B=t) = p /(p+1) アキレスが亀に追いつくまでの時間をtとすると t=(1/∞)x∞=∞/∞=1 カスかどうかの件 1の代わりに勝手に ワシが非ベイズアプローチで怪説しよう。 新情報>>492 の「確か」を96%とし、 帰無仮説☆ : 1はカスなんかではない。 帰無仮説☆が正しい確率は、4% 2シグマのP値はモピロン2.5%な訳ぢゃから 帰無仮説☆の廃棄は、ダメ。スナワチ、 帰無仮説☆は採択ぢゃ。 結論 非ベイズアプローチにより、 特段、カスでない! 以上ぢゃ ■駒は全部で10個 歩兵2 騎兵2 象2 将軍1 王1 (王が一番強く歩兵が一番弱い) 妃1 (王にだけ勝つ) インドラ1 (すべての駒に勝つが使えるのは一度だけ) 二人のプレーヤはそれぞれこの10個の駒を持つ 二人のプレーヤは互いに駒をひとつだけ選び、 ゲーム版の中央に置く この時、相手から駒が見えないようにドアがある 互いの駒が決まったらドアオープン 勝った駒は自陣に戻り何度でも使える 負けた駒はゲームから除外される 王を失うと負け 引き分けの時は残った駒の多いほうが勝ち >>495 >>496 1手目インドラぢゃ 相手が王を出せば、いきなり勝ちぢゃ✌ このゲームに負けると虎に食われます 真剣にやりましょう >>497 インドラに歩兵をぶつけられたら目も当てられない そうか、 インドラって奴 ・すべての駒に勝つ★ ・使えるのは一度だけ☆ すべてのに勝つ と謳ってるが☆より ・王にだけ勝つ ・王以外、妃とか歩兵でも相打ち と同値ぢゃないか。 かなりヨワッチー奴ぢゃった。 よし、作戦を練り直しぢゃー ■駒は全部で10個 王1 将軍1 象2 騎兵2 歩兵2 (王が一番強く歩兵が一番弱い) 妃1 (王にだけ勝つ) インドラ1 (すべての駒に勝つが使えるのは一度だけ) 二人のプレーヤはそれぞれこの10個の駒を持つ 二人のプレーヤは互いに駒をひとつだけ選び、 ゲーム版の中央に置く この時、相手から駒が見えないようにドアがある 互いの駒が決まったらドアオープン 勝った駒は自陣に戻り何度でも使える 負けた駒はゲームから除外される 相打ちの時はともにゲームから除外 王を失うと負け 引き分けの時は残った駒の多いほうが勝ち ただし、インドラと妃は含めない ■Obituary - John Forbes Nash, Jr. (1928 - 2015) Swarajya-2015/05/25 Nash is mostly known for his equilibrium concept called as “Nash Equilibrium”. For many years before his seminal paper, legends like von Neumann were working on the theory of games with a special focus on Zero-sum games. >>493 >>1 はユーチューバーって判明してるwww 黒木玄(数学家) https://twitter.com/genkuroki/status/783660733066125312 > モンティホール問題とベイズ統計は関係ないよね。 「ベイズ更新」≒「サンプルサイズ増えた」 で選び直すじゃないの? これ意味わからん 「関係ない」がなにを意味するのかしらんが ベイズの定理でも解けるってだけやろ 何が言いたいのかよく分からん >>507 ざっと見ただけだが 「ベイズ=主観確率って思ってる人多いよね」ってかいてるから そのながれで「モンティホールと主観確率は関係ないよね」って言いたいんじゃないの? その本もってるけど不十分理由の原則にはふれてるけど 主観確率なんてことばは説明の中でつかってないけどな。 この本は殆どがベイズ定理の説明で 中身すっからかんでベイズ統計についてはほとんど説明してない印象だけどな。 プレーヤーが選んだ箱をA、司会者モンティーホールが開けたハズレの箱をB、残った箱をCとする。 Aがアタリ(atari)の確率をP(A=a)、Aがハズレの確率をP(A≠a) 司会者がBを開ける(open)確率をP(B=o)と表すことにする。 残った箱Cがアタリである確率P(C=a|B=o)は ベイズの公式から P(C=a|B=o) = (P(B=o|C=a)P(c=a)) / P(B=o) P(B=o) = P(B=o|C=a)P(C=a) + P(B=o|C≠a)P(C≠a) = 1*1/3 + 1/2*2/3 = 2/3 ゆえに P(C=a|B=o) = (P(B=o|C=a)P(c=a)) / P(B=o) = (1/3) / (2/3) = 1/2 BがハズレとわかったあとでAがアタリである確率 P(A=a|B=o) = P(B=o|A=a)P(A=a)/P(B=o) P(B=o) = P(B=o|A=a)P(A=a) + P(B=o|A≠a)P(A≠a) P(B=o|A=a)はAがアタリであるときにBがハズレとして開けられる確率pは問題で示されていない。 不十分理由の原則に準じてpを0.5とするか一様分布に従うとするのが一般的だと思う。 P(B=o|A=a)=pとおくと P(B=o) = P(B=o|A=a)P(A=a) + P(B=o|A≠a)P(A≠a) = p*1/3 + 1/2*2/3 = p*1/3 + 1/3 ゆえに P(A=a|B=o) = p*1/3 / ( p*1/3 + 1/3 ) = p/(p+1)となる。 p=0.5ならBがハズレというデータはAがあたりの確率に影響を与えず1/3である。 >>512 これは間違いだな。 P(B=o|A=a)=pとおくと P(C=a|B=o)= 1/(p+1) になると思う。 >>512 こちらが正しい。 プレーヤーが選んだ箱をA、司会者モンティーホールが開けたハズレの箱をB、残った箱をCとする。 Aがアタリ(atari)の確率をP(A=a) 司会者がBを開ける(open)確率をP(B=o)と表すことにする。 残った箱Cがアタリである確率P(C=a|B=o)は ベイズの公式から P(C=a|B=o) = (P(B=o|C=a)P(c=a)) / P(B=o) P(B=o) = P(B=o|A=a)P(A=a) + P(B=o|B=a)P(B=a) + P(B=o|C=a)P(C=a) = P(B=o|A=a)*1/3 + 0*1/3 + 1*1/3 ここで P(B=o|A=a)=pとおくと = p*1/3 + 1/3 ゆえに P(C=a|B=o) = (P(B=o|C=a)P(c=a)) / P(B=o) = (1*1/3) / (p*1/3 + 1/3) = 1/(p+1) p: Aがアタリの時に司会者がBを開ける確率 P(A=a|B=o) = p/(p+1) Bが開けられた後、Aがアタリの確率 (1) P(C=a|B=o) = 1/(p+1) Bが開けられた後、Cがアタリの確率 (2) (1)/(2) = p なので (2)は(1)以上である。(∵0<= p <=1) ゆえに 残った箱Cの方がアタリの確率は高い。 回答者が当たりの扉を選んでいる場合は、 残りの扉からランダムに1つを選んで開けるとするという条件は、 頻度確率では何の意味も持たないことに留意すべきである もっとも、ベイズ確率の計算においても、 理由不十分の原理を適用すれば、 「Aが当たりである場合に司会者が Bを開ける確率P(B | A) 」を 1/2とすることに合理性がある 頻度主義とは、 『ある事象が起きる頻度の観測結果に基づいて、 無限回繰り返した際の極限値』として定義される 『一回』は繰り返すことができない したがって、一度きりの出来事に頻度主義の極限値を 当てはめることはできない アタリ確率を恩赦の確率と読みかえて 一様分布を前提にすれば 無情報分布として一様分布を考えると Aが恩赦を受ける確率の期待値(平均値)は > 1-log(2) [1] 0.3068528 となる。 Cが恩赦を受ける確率の期待値(平均値)は > log(2) [1] 0.6931472 当然、Bが恩赦を受ける確率は0 >>521 恩赦が複数回与えられる条件でないと成立しない >>522 ベイズでの確率はcredibilityなので問題なし。 そもそも、 囚人Aの目線では、 看守が、「Xが死刑」と告げても Xは、Aでないというだけで、 Xが、BかCなのか囚人Aは判断できない。 囚人Aの主観的確率は、 P(B=o | 看守からの情報ゲット前) = 1/3 P(B=o | 看守からの情報ゲット後) = 1/2 ∴ P(A=o | 看守からの情報ゲット前) = 1/3 P(A=o | 看守からの情報ゲット後) = 1/3 となり、確変しないかと。 >>524 Aが難聴でない限り Xが、BかCなのか囚人Aは余裕で判断できる >>521 さんの計算が、 完璧か本気で検証してみた。 なお、看守は10人で、検証ぢゃ。 まずは、主観的な事前確率分布ぢゃ P(B=t | A=o)をpとおき、 E1 ≡ 看守1 は、p = 19/20 E2 ≡ 看守2 は、p = 17/20 E3 ≡ 看守3 は、p = 15/20 E4 ≡ 看守4 は、p = 13/20 E5 ≡ 看守5 は、p = 11/20 E6 ≡ 看守6 は、p = 9/20 E7 ≡ 看守7 は、p = 7/20 E8 ≡ 看守8 は、p = 5/20 E9 ≡ 看守9 は、p = 3/20 E10 ≡ 看守10 は、p = 1/20 P(E1) = P(E2) = … = P(E9) = P(E10) = 0.1 P(A=o│B=t ) = p / (1+p) より、 P(A=o│B=t∧看守1 ) = 19/39 …(1) P(A=o│B=t∧看守2 ) = 17/37 …(2) P(A=o│B=t∧看守3 ) = 15/35 …(3) P(A=o│B=t∧看守4 ) = 13/33 …(4) … P(A=o│B=t∧看守9 ) = 3/13 …(9) P(A=o│B=t∧看守10 ) = 1/11 …(10) (1)〜(10) の平均を計算すると、0.3072ぢゃ ちなみに、1 - log(2) = 0.3069 ぢゃ 差は微かぢゃ、ぢゃからOKぢゃ 疲れた。 タイプミス改訂 改訂後、 P(A=o│B=t∧看守9 ) = 3/23 …(9) P(A=o│B=t∧看守10 ) = 1/21 …(10) 素朴な疑問なんだけど pやE_nの分布が仮定されてるなら pやE_n条件下の条件付き確率を求めてからその期待値(平均)を計算するのではなく P(A=o│B=t)を直接計算すればいいのでは? pやE_n下でのB=tが起きるときのA=oの確率は 条件付き確率P(A=o│B=t,p)やP(A=o│B=t∧E_n)と表現され、値はp/(1+p)や(21-2n)/(41-2n)となる pやE_nが一様分布に従うとき、この条件付き確率の期待値は確かに1-log(2)やそれに近い値になる しかし P(A=o│B=t) =P(A=o∧B=t)/P(B=t) =Σ{P(A=o∧B=t∧E_n)}/Σ{P(B=t∧E_n)} ={P(A=o∧B=t|E_n)の期待値}/{P(B=t|E_n)の期待値} となり E_nが一様分布に従うとき P(A=o∧B=t|E_n)=(21-2n)/60で、その期待値は1/6 P(B=t|E_n)=(81-2n)/60で、その期待値は1/2 なので P(A=o│B=t)=(1/6)/(1/2)=1/3 となる 前の方で 「条件付き確率の期待値」の方を1/3=P(A=o│B=t,p=1/2)とするようなpの分布を強引に考えようとしようとした人が居たけど そんなことせずとも一様分布を仮定すれば「確率」(=「各条件付き確率の期待値の比」)は1/3になってる >>527 ∫ x/(1 + x) dx = x - log(x + 1) + constant (0,1)での定積分で1-log(2) >>527 Rを使って看守1億人で計算。 > N=10^8 > p=runif(N) > mean(p/(p+1)) [1] 0.306839 > 1-log(2) [1] 0.3068528 > 《ワシがベイジアンなら》 看守が「Bは死刑」とのお告げ前は、 pは、平均1/2の一様分布。∵主観ぢゃ 看守が「Bは死刑」とのお告げ後は、 pは、平均1/2より大きい謎の分布ぢゃ 1 - log(2)ぢゃないようぢゃ 《ワシがコペンハーゲン派崩れなら》 看守のpの確率ですが、0か1です。 P(B=t | A=o) = 1 であるか、 P(B=t | A=o) = 0 であるかのいずれかです。 「Bは死刑」と告げるの観測する前は、 p = P(B=t | A=o) = 1 の確率は、1/2 p = P(B=t | A=o) = 0 の確率も、1/2です。 「Bは死刑」と告げるのを観測した後は、 p = P(B=t | A=o) = 1 の確率は、2/3に収束 p = P(B=t | A=o) = 0 の確率は、1/3に収束 P(A=o│B=t) = p/(1+p) より、 P(A=o│B=t) = 1/2 の確率は、2/3で P(A=o│B=t) = 0 の確率は、1/3です。 ∴ P(A=o│B=t) = 1/2 * 2/3 + 0 * 1/3 = 1/3 ベイズでさえたった一回の出来事に 頻度主義の極限値を当てはめて計算を始めるから おかしくなる ゴルゴ15は1発1中 とする。 各々10000発撃ったときゴルゴ15の命中数の期待値はいくらか? 確率密度とかベータ分布とかを使わずに説明するなら、重み付き平均という考え方で説明するしかないかな? 命中率が0.5なら2回に1回は1発1中(確率0.5) 命中率が0.8なら10回に8回は1発1中(確率0.8) となる。 体重100kgの牛が100頭 体重99kgの牛が99頭 体重98kgの牛が98頭 ・・・ 体重2kgの牛が2頭 体重1kgの牛が1頭 牛の平均体重の計算と同じ n=100 x=seq(0,1,length=n+1) sum(x*x/sum(x)) sum(x^2)/sum(x) 2/3 (sum_x=n*(n+1)/2/n) # (n+1)/2 (sum_x2=n*(n+1)*(2*n+1)/6/(n^2)) # (n+1)*(2*n+1)/n/6 sum_x2/sum_x # (2*n+1)/n/3 = 2/3+1/3/n n→∞ で2/3に集束する。 命中数の期待値は10000*2/3=6667 ベータ分布を理解している人になら β(2,1)の期待値(平均値)だから2/(2+1)=2/3と言えばいいだけなんだが。 ゴルゴ15は1発1中 とする。 10000発撃ったときゴルゴ15の命中数の期待値はいくらか? >>535 ゴルゴ15は10人一様分布で計算したら 6650発となった。 では、詳細解説ぢゃ Step1) 確率変数のワシの定義ぢゃ p ≡ゴルゴ15の命中確率 E1 ≡ ゴルゴ15はp = 19/20ぢゃ E2 ≡ ゴルゴ15はp = 17/20ぢゃ E3 ≡ ゴルゴ15はp = 15/20ぢゃ E4 ≡ ゴルゴ15はp = 13/20ぢゃ E5 ≡ ゴルゴ15はp = 11/20ぢゃ E6 ≡ ゴルゴ15はp = 9/20ぢゃ E7 ≡ ゴルゴ15はp = 7/20ぢゃ E8 ≡ ゴルゴ15はp = 5/20ぢゃ E9 ≡ ゴルゴ15はp = 3/20ぢゃ E10 ≡ ゴルゴ15はp = 1/20ぢゃ Step2) 事前分布ぢゃ ワシの主観ぢゃ P(E1) = P(E2) = … = P(E9) = P(E10) = 0.1 Step3) P(1発中1発命中)ぢゃ ★≡ 1発中1発命中 P(★) = 0.1 * (19+17+15+13+…+3+1)/20 = 0.5 Step4)事後確率分布ぢゃ P(E1 | ★) = {P(E1) * 19/20}/P(★) = 19/100 P(E2 | ★) = {P(E2) * 17/20}/P(★) = 17/100 P(E3 | ★) = {P(E3) * 15/20}/P(★) = 15/100 P(E4 | ★) = {P(E4) * 13/20}/P(★) = 13/100 P(E5 | ★) = {P(E5) * 11/20}/P(★) = 11/100 P(E6 | ★) = {P(E6) * 9/20}/P(★) = 9/100 P(E7 | ★) = {P(E7) * 7/20}/P(★) = 7/100 P(E8 | ★) = {P(E8) * 5/20}/P(★) = 5/100 P(E9 | ★) = {P(E9) * 3/20}/P(★) = 3/100 P(E10 | ★) = {P(E10) * 1/20}/P(★) = 1/100 Step5) 事後確率分布の期待値ぢゃ Step4より、まぁ、とにかく、 (19^2 + 17^2 + 15^2 + … + 3^2 + 1^2)/2000 ∴ 1330/2000 スナワチ、6650/10000ぢゃ Step6) 答えぢゃ 10000発×6650/10000 = 6650発ぢゃ 計算、大変ぢゃけど面白かった。 >>536 の続き ゴルゴ100人の一様分布で厳密計算したら 6616.75〜6716.75発。 安易にその中間値をとると、 (6616.75+6716.75)/2 ∴ 6666.75発ぢゃ では、はしょって、勝手に解説ぢゃ 事後確率分布の期待値を、★とおくと まぁ、とにかく、下記の通りぢゃ 2E6≡2000000 また、4E6≡4000000 ★≡(199^2+197^2+195^2+ … +1^2)/2E6 ○≡(199^2+198^2+197^2 + …… +1^2)/4E6 ●≡(200^2+199^2+198^2 + …… +1^2)/4E6 ∴ ○ < ★ < ● 公式 Σ(n^2)=n(n+1)(2n+1)/6 より、 ○ = (199*200*399)/6/4E6 = 0.661675 ● = (200*201*401)/6/4E6 = 0.671675 ∴ 0.661675 < ★ < 0.671675 凄く時間かかったが、尤もらしい値ぢゃ 気が向いたら、ゴルゴ無限人計算するかも 矛盾して見えたり、どうしても解けない謎がある場合って、 十中八九、問いの立て方がおかしいか前提が間違ってるだけ 本当の難問がないということ >>537 lim 2/3+1/3n n→∞ = 2/3 ゴルゴnがn発n中とすると命中率の事前確率を一様分布とすると 事後確率の期待値は(n+1)/(n+2)になる。 ∫(n+1)x^(n+1)dx の[0,1]の定積分 integral_0^1 (n + 1) x^(n + 1) dx = (n + 1)/(n + 2) 一様分布はβ分布B(1,1)に相当。共役分布の概念を理解していれば n発n中でベイズ更新されて事後分布はB(n+1,1)になるので 平均値は(n+1)/(n+2)となる。 この説明でわかる人はわかる。 コインを投げて表が出る確率pとしてpが一様分布に従うとすると n回投げてk回表が出た時に、次に投げて表が出る確率は(k+1)/(n+2) サイコロの各目が出る確率p1,p2,…,p6として 0≦p_i≦1,p1+p2+…+p6=1の範囲で<p1,p2,…,p6>が一様分布に従うとすると n回投げてiの目がk回出た時に次の出目がiである確率は(k+1)/(n+6) >>542 の数式を勝手に確認してみた。 2発2中なら3/4となるはず。 計算して確認してみた。 確認方法概要 事前分布は、ゴルゴ10人 1発1中後分布 事後分布は、さらに 1発1中した分布 事後分布の期待値は、3/4を確認する。 では解説ぢゃ。 Step1) 確率変数のワシの定義ぢゃ p ≡ゴルゴ15の命中確率 E1 ≡ ゴルゴ15はp=19/20ぢゃ E2 ≡ ゴルゴ15はp=17/20ぢゃ E3 ≡ ゴルゴ15はp=15/20ぢゃ … E10 ≡ ゴルゴ15はp=1/20ぢゃ Step2) 事前分布、1発1発中した分布ぢゃ P(E1) = 0.19 P(E2) = 0.17 P(E3) = 0.15 … P(E10) = 0.01 Step3) P(1発1中)ぢゃ ★≡ 1発1中とおくとP(★)=133/200ぢゃ Step4)事後分布ぢゃ P(E1|★) = 0.19*19/20/P(★)= 19^2/1330 P(E2|★) = 0.17*17/20/P(★)= 17^2/1330 P(E3|★) = 0.15*15/20/P(★)= 15^2/1330 … P(E10|★) = 0.01*1/20/P(★)= 1^2/1330 Step5) 事後分布の期待値ぢゃ Step4より、まぁ、とにかく、 (19^3+17^3+15^3+ … +3^3+1^3)/26600 ∴199/266 = 0.7481… 3/4 = 0.75とほぼ同じ値ぢゃ 結論 n発n中で(n+1)/(n+2)なりそうぢゃ >>543 さんのコイントスの式は、 一様分布でn回中k回表での確率 つまり、(k+1)/(n+2) を解説した式ぢゃ。 例えば、 「5回中4回表 ⇒ 表確率4/5」ぢゃなくて、 「5回中4回表 ⇒ 表確率5/7」とのことぢゃ 勝手にコイン10枚の一様分布計算で確認 では、軽く解説ぢゃ Step1) 確率変数のワシの定義 p ≡ コイントスの表の確率 E1 ≡ p=0.95 E2 ≡ p=0.85 E3 ≡ p=0.75 という感ぢぢゃ Step2) 事前分布、一様分布ぢゃ P(E1) = 0.1 P(E2) = 0.1 P(E3) = 0.1 という感ぢぢゃ Step3) P(5回中4回表)ぢゃが ★≡ 5回中4回表という事象ぢゃ P(★) = P(E1) *P(★|E1) + P(E2) *P(★|E2) + P(E3) *P(★|E3) … = 0.5 * 0.33745625 Step4)事後分布の計算ぢゃ P(E1|★)=P(E1) *P(★|E1) / P(★) = 0.95^4 * 0.05^1 / 0.33745625 = 0.120683237 という感ぢで計算、スナワチ、 P(E1|★) = 0.95^5 * 0.05^1 / 0.33745625 P(E2|★) = 0.85^5 * 0.15^1 / 0.33745625 P(E3|★) = 0.75^5 * 0.25^1 / 0.33745625 という感ぢで、β分布ぽい離散分布ぢゃ Step5)事後分布ぢゃ P(E1|★) = 0.1146 P(E2|★) = 0.1972 P(E3|★) = 0.1758 P(E4|★) = 0.1203 … P(E10|★) = 0.0000 Step6)事後分布の期待値ぢゃ Step5よりとにかく、0.7177ぢゃ なお、コイン50枚で計算したら0.7144 ほぼ完璧に、5/7ぢゃ 《結論》 コインの確率は、ワシの感ぢた通り、 (k+1)/(n+2)で計算すると善い感ぢぢゃ タイプミスった。 以下の如く、改訂する。 Step5)事後分布ぢゃ P(E1|★) = 0.1146 ぢゃなくて0.1207 P(E2|★) = 0.1972 ぢゃなくて0.2320 P(E3|★) = 0.1758 ぢゃなくて0.2344 P(E4|★) = 0.1203 ぢゃなくて0.1851 … P(E10|★) = 0.0000 >>547 見えない要因(潜伏変数)を完全に無視できれば 因果関係があるように推測される >>543 ベータ分布のベイズ更新で B(1+k,1+n-k) 平均は(1+k)/(1+k+1+n-k)=(k+1)/(n+2) ディリクレ分布のベイズ更新で ij (j=1~6)をn 回サイコロを振ってj の目がでた回数とすると 事後分布はD(1+i1,1+i2,1+i3,1+i4,1+i5,1+i6) となる 6 琶j = n 1 なので jの目のでる確率は(ij+1)/(n+6) 同じコイン投げでも、15歳が行うのと80歳がするのとでは 結果に差が生じることは容易に推察される また快適な室内で行うのと、寒い戸外とでは 結果が違ってくるであろう >>552 80歳の老人には手の甲に深い皺があるだろう? 差が無いを帰無仮説にするのが通例。 ベイズだと事前確率分布。 事象発生前に、 事前確率からベイズで事後確率算出は、 素晴らしいと思う。が 事象発生後に、 事前確率からベイズで事後確率算出は、 何だか、違和感を感じる。 気のせいかも 太陽が昇る後に気温が上昇した場合は 必然性のある因果関係があるだろう しかし、おみくじで凶を引いた後に、悪いことが起きたとしても、 これは因果関係ではなく必然性のない先後関係と言える 《サイコロ試行回数Zeroでの確率分布》 神のみぞ知る 無限大の希望の未来 ラプラスの悪魔のみぞ知る サイコロ出目 胴元だけ知る サイコロの事前確率分布 不可能予測を、可能予測にベイズ改訂! それは真の統計理論を極めた者が知り得る。 さて、コイン試行回数Zeroで確率1/2ぢゃ サイコロ試行回数Zeroなら確率1/6ポィ iの目が出る確率密度分布は、超感覚的に P(0 ≦ p_i ≦ 1) ≠ 1 ∵サイコロ P(0 ≦ p_i ≦ 1/6) = 5 かつ、 P(1/6 < p_i ≦ 1) = 1/5 なのぢゃ ぢゃ、上記 確率密度分布の超詳細χ説ぢゃ P(0 ≦ p_i ≦ 1/6) = C Cは定数 (1) P(1/6 < p_i ≦ 1) = C' C'も定数 (2) 分布P(p_i) の p_i平均は、1/6 (3) 分布P(p_i) は確率分布 ∴∫P(p_i) = 1 (4) (1)(2)(3) より C:C' = 25:1 で、(4) より iの目が出る 超感覚的 確率密度分布は、 P(0 ≦ p_i ≦ 1/6) = 5 P(1/6 < p_i ≦ 1) = 1/5 ぽいのぢゃ いぢょう、ぢゃ。 # 封筒A,Bで一方の封筒に他方の2倍が入っているという2封筒問題を考えてみた。 # 封筒Aにz円(z=0~1)入っている確率をP(A=z)で表すことにする。 # P(A=z)は不明 # P(B=2z|A=z)も不明、この確率pとする # P(B=0.5z|A=z)は1 - p # 封筒Bに入っている金額の期待値は # 2z*P(B=2z|A=z) + 0.5z*P(B=0.5z|A=z) # = 2z*p + 0.5z*(1-p) # = 1.5zp+0.5z # これは封筒Aの1.5p+0.5倍の期待値である。 # これは封筒Aと期待値の差は(1.5p-0.5)円である。 封筒Aと封筒Bの期待値の差の件 精密には (1.5p-0.5)z円 ぢゃ。 まぁそれは、ともかく pが不明⇒p=1/2 と見なしてはイケナイ。 ぢゃ χ説 封筒Aと封筒B、期待値は同じぢゃっ! ∵理由はないからぢゃ z=0でもz≠0でも、期待値は同ぢゃから、 ∴1.5p-0.5 = 0 ∴p=1/3ぢゃ、多分ぢゃが此で善いのぢゃ 然るに、 2封筒の事前確率分布は、 p(Low=1 ∧ High = 2) = 1/2 p(Low=2 ∧ High = 4) = 1/4 p(Low=4 ∧ High = 8) = 1/8 … p(Low=∞ ∧ High = 2*∞) = 1/∞ ─────────────── Σp = 1/2 + 1/4 + 1/8 +…+ 1/∞ = 1 一意に何故か定まっちゃた。 いぢょう、ぢゃ 相関関係は因果関係と同じではない 相関関係は因果関係の単なる必要条件の1つである 相関関係があるだけでは因果関係があるとは断定できず、 因果関係の前提に過ぎない >>563 ベイズでは確率=credibilityゆえ因果と相関を論じてるのは無意味。 592 名前:デフォルトの名無しさん 投稿日:2018/01/25(木) 09:50:27.30 ID:SBd2lywo0 陰陽五行説とは固有値求めることと見つけたり(笑) 593 名前:デフォルトの名無しさん 投稿日:2018/01/25(木) 10:39:30.87 ID:ZxAe+MwB0 干支も木火土金水だし60進法の基底ベクトルではある 594 名前:デフォルトの名無しさん 投稿日:2018/01/25(木) 18:55:33.72 ID:C/gST0Ked 小出しにしないで、陰陽五行と線形代数?の関連性を詳しくご教示いただけると非常に有り難く存じます。 あなた様は真理をご存知の方とお見受けいたします。 595 名前:デフォルトの名無しさん 投稿日:2018/01/25(木) 20:22:39.65 ID:ID0HK2lBM 弥勒が顕現するころに察するでしょう 596 名前:デフォルトの名無しさん 投稿日:2018/01/25(木) 20:37:38.48 ID:MrSJapun0 曼荼羅とはフラクタルなり ■ このスレッドは過去ログ倉庫に格納されています
read.cgi ver 07.5.0 2024/04/24 Walang Kapalit ★ | Donguri System Team 5ちゃんねる