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 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 >>562
# 封筒内の金額は有限とする。
# 封筒A,Bで一方の封筒に他方の n 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 万円(z=0~1)入っている確率をP(A=z)で表すことにする。
# P(B=nz|A=z) = pとして一様分布に従うとする。
# P(B=z/n|A=z)は1 - p
# 封筒Bの期待値はz*(n*p+(1-p)/n)
# これはp=1/(n+1)のとき封筒Aの中味zと等しくなる。 >>567
何が「一様分布に従う」か謎だが、
pは、[0,1]の変数ぢゃが定数なのぢゃ。
数式 z = z(np+(1-p)/n)を解くと
p = 1/(n+1) ⇔ A = Bの期待値 (1)
のようぢゃ
nを定めれば、例えばn=2と定めれば、
pは変数でなく定数1/3 に定まる。
さて、 (1) の対偶をとると、
A ≠ Bの期待値 ⇔ p≠ 1/(n+1)
∴
A < Bの期待値 ⇒ p≠ 1/(n+1)
多分、もしかぢゃが、
p> 1/(n+1) なら、AからBに
チェンジすると より善いハズぢゃ >>568
n=2のとき
Aの封筒に1万円入っていたときBの封筒に2万円入っている確率がp
このpが一様分布する
という前提 n=1/2で
Aの封筒に1万円入っていたときBの封筒に5千円入っている確率は
考えなくてもいいの? >>571
封筒に入る金は2:1だから
2万円入っている確率がpなら5千円が入っている確率は1 - p
でよくね? >>572
二つの封筒問題はプレイヤがAとBの封筒をランダムに選ぶことに
意味があるからそれはだめだ >>573
AとBに入っている金の組み合わせをプレイヤーが選べるわけではないだろ? A=2B か A=1/2Bなので
A=2Bの確率がpならA=1/2Bの確率は1-pでいいと思うのだが。 2つの封筒問題に於いて、
事象(B=2z | A=z)と事象(B=z/2 | A=z)は、
排反事象ぢゃから、
pとおくと1-pは、正解ぢゃ。
さて、例えば、z = 10000円では、
P(A=5000∧B=10000) = q とおくと、
P(A=10000∧B=5000) = q であり、
P(A=10000∧B=20000) = r とおくと、
P(A=20000∧B=10000) = r である。
P(B=20000 | A=10000) = p とおくと勿論
P(B=5000 | A=10000) = 1-p である。
∵排反事象ぢゃ
ベイズ的な計算により、p = r/(q+r) 《2つの封筒問題の胴元のアルゴ推定》
起 AとBの2つの封筒問題に於いて、
Aを開封で、A=1(万円)だとしよう。
Bの期待値E(B)=1(万円)なのぢゃ。
承 E(A) + E(B) = 2 ぢゃろう。
A開封前のA+Bの分布は、
平均2 範囲0から4 の一様分布と推定ぢゃ
転 胴元プログラム言語風アルゴの推定
U ← 平均2 範囲0から4 の一様乱数
High ← (2/3) * U Low ← (1/3) * U
R ← 範囲0から1 の一様乱数
R > 0.5の場合、{A ← High B ← Low}
以外 {A ← Low B ← High}
結 E(B) - E(A) = 0 ∴
参加料金>Aで、胴元利益ぢゃ 英国ロンドン・ビジネススクールのリンダ・グラットン教授の研究によると、
2007年に日本で生まれた子供は、107才まで生きる確率が50%もあるという 《平均寿命のワシの超確率Kサン論》
例えば、寿命の西暦3001年の統計が
極めて簡単かつ仮に
P(0才→20才 | 2980年生) = 0.01
P(20才→40才 | 2960年生) = 1
P(40才→60才 | 2940年生) = 1
P(60才→80才 | 2920年生) = 1
P(80才→100才 | 2900年生) =0.99
P(100才→120才 | 2880年生) = 0.0
としよう。
西暦3001年平均寿命は、ワシのKサン論なら
0.01*(0+20)/2 + 0.99*(80+100)/2 = 89.2才
尚、2980年生れの子は、
20才まで生きる確率は、0.99
40才まで生きる確率は、0.99^2
60才まで生きる確率は、0.99^3
…
138才まで生きる確率は、0.99^69 = 0.5
なのぢゃ。
ぢゃ〜また。 ベイズとはたぶん無関係だが話題提供。
壺の中に n 種類の異なるクーポンが入っている。1回の試行で壺の中から1枚クーポンを引き、引いたものと同じ種類のクーポンを壺の中に戻すものとする。
n 種類(全種類)のクーポンを集めようとしたとき、 t 回以上の試行回数が必要となる確率はいくつだろうか? むずい・・・壺とかコインをイメージしただけで拒絶反応が出る 〔参考書〕
H.C.von Baeyer 「QB ism - 量子×ベイズ」 森北出版 (2018/Mar)
256p.3024円 松浦俊輔 (訳)、 木村 元 (解説)
量子情報時代の新解釈
http://www.morikita.co.jp/books/book/3166 帰無仮説が正しいときに棄却する確率Pr(Reject | H0)が第一種の過誤。
棄却された帰無仮説が正しい確率Pr(H0 | Reject)をFalse Positive Report Probabilityと呼ぶらしい。
条件付き確率で条件入れ替えってベイズぽいよね。 P(H0|Reject)=P(Reject|H0)P(H0)/P(Reject)
=P(Reject|H0)P(H0) / { P(Reject|H0)P(H0) + P(Reject|H1)P(H1) }
第一の過誤=α 第二種の過誤βとすると
P(H0|Reject)= αP(H0)/{αP(H0) + (1-β)(1-P(H0))}
でP(H0)を事前確率に想定しなければ算出できないな。 FPRP = Pr(H0|y)
= BF*PO/(BF*PO+1)
( BF = Pr(y|H0)/Pr(y | H1) : Bayes factor , PO = π0/(1-π0) 帰無仮説のオッズ) 「ビールには水が入っている」
「ウィスキーにも水が入っている」
「ブランデーにも水が入っている」
よって「水を飲むと酔っ払う」(・∀・) >>616
水が重回帰で選択されなかったら
いいのかな?
選択されたら介入で因果関係を証明するしかないのかな? ■ このスレッドは過去ログ倉庫に格納されています