Enviar búsqueda
Cargar
自然科学の統計学2.2 slideshare
•
Descargar como PPTX, PDF
•
0 recomendaciones
•
662 vistas
wada, kazumi
Seguir
輪講の担当分です。テキストは東京大学教養学部統計学教室編(1992)「自然科学の統計学」東京大学出版会
Leer menos
Leer más
Educación
Denunciar
Compartir
Denunciar
Compartir
1 de 18
Descargar ahora
Recomendados
PRML 3.3.3-3.4 ベイズ線形回帰とモデル選択 / Baysian Linear Regression and Model Comparison)
PRML 3.3.3-3.4 ベイズ線形回帰とモデル選択 / Baysian Linear Regression and Model Comparison)
Akihiro Nitta
2013.12.26 prml勉強会 線形回帰モデル3.2~3.4
2013.12.26 prml勉強会 線形回帰モデル3.2~3.4
Takeshi Sakaki
[PRML勉強会資料] パターン認識と機械学習 第3章 線形回帰モデル (章頭-3.1.5)(p.135-145)
[PRML勉強会資料] パターン認識と機械学習 第3章 線形回帰モデル (章頭-3.1.5)(p.135-145)
Itaru Otomaru
Prml3.5 エビデンス近似〜
Prml3.5 エビデンス近似〜
Yuki Matsubara
統計的学習の基礎 3章前半
統計的学習の基礎 3章前半
Kazunori Miyanishi
主成分分析
主成分分析
貴之 八木
「3.1.2最小二乗法の幾何学」PRML勉強会4 @筑波大学 #prml学ぼう
「3.1.2最小二乗法の幾何学」PRML勉強会4 @筑波大学 #prml学ぼう
Junpei Tsuji
VBAで数値計算 09 掃き出し法
VBAで数値計算 09 掃き出し法
Katsuhiro Morishita
Recomendados
PRML 3.3.3-3.4 ベイズ線形回帰とモデル選択 / Baysian Linear Regression and Model Comparison)
PRML 3.3.3-3.4 ベイズ線形回帰とモデル選択 / Baysian Linear Regression and Model Comparison)
Akihiro Nitta
2013.12.26 prml勉強会 線形回帰モデル3.2~3.4
2013.12.26 prml勉強会 線形回帰モデル3.2~3.4
Takeshi Sakaki
[PRML勉強会資料] パターン認識と機械学習 第3章 線形回帰モデル (章頭-3.1.5)(p.135-145)
[PRML勉強会資料] パターン認識と機械学習 第3章 線形回帰モデル (章頭-3.1.5)(p.135-145)
Itaru Otomaru
Prml3.5 エビデンス近似〜
Prml3.5 エビデンス近似〜
Yuki Matsubara
統計的学習の基礎 3章前半
統計的学習の基礎 3章前半
Kazunori Miyanishi
主成分分析
主成分分析
貴之 八木
「3.1.2最小二乗法の幾何学」PRML勉強会4 @筑波大学 #prml学ぼう
「3.1.2最小二乗法の幾何学」PRML勉強会4 @筑波大学 #prml学ぼう
Junpei Tsuji
VBAで数値計算 09 掃き出し法
VBAで数値計算 09 掃き出し法
Katsuhiro Morishita
[PRML] パターン認識と機械学習(第3章:線形回帰モデル)
[PRML] パターン認識と機械学習(第3章:線形回帰モデル)
Ryosuke Sasaki
VBAで数値計算 10 逆行列と疑似逆行列
VBAで数値計算 10 逆行列と疑似逆行列
Katsuhiro Morishita
PRML 3.5.2, 3.5.3, 3.6
PRML 3.5.2, 3.5.3, 3.6
Kohei Tomita
カステラ本勉強会 第三回
カステラ本勉強会 第三回
ke beck
自動微分変分ベイズ法の紹介
自動微分変分ベイズ法の紹介
Taku Yoshioka
PRML第3章@京大PRML輪講
PRML第3章@京大PRML輪講
Sotetsu KOYAMADA(小山田創哲)
PRML復々習レーン#11
PRML復々習レーン#11
Takuya Fukagai
PRML復々習レーン#14 ver.2
PRML復々習レーン#14 ver.2
Takuya Fukagai
PRML 第4章
PRML 第4章
Akira Miyazawa
Prml sec6
Prml sec6
Keisuke OTAKI
PRML 8.4-8.4.3
PRML 8.4-8.4.3
KunihiroTakeoka
カステラ本勉強会 第三回 補足
カステラ本勉強会 第三回 補足
ke beck
パターン認識と機械学習6章(カーネル法)
パターン認識と機械学習6章(カーネル法)
Yukara Ikemiya
一般線形モデル
一般線形モデル
MatsuiRyo
統計的学習の基礎_3章
統計的学習の基礎_3章
Shoichi Taguchi
Re revenge chap03-1
Re revenge chap03-1
裕樹 奥田
PRML 2.3.1-2.3.2
PRML 2.3.1-2.3.2
KunihiroTakeoka
PRML 6.1章 カーネル法と双対表現
PRML 6.1章 カーネル法と双対表現
hagino 3000
PRML第6章「カーネル法」
PRML第6章「カーネル法」
Keisuke Sugawara
線形カルマンフィルタの導出
線形カルマンフィルタの導出
Fumiya Watanabe
Izobraževanje LIFEGENMON MANFOR ZGS GIS
Izobraževanje LIFEGENMON MANFOR ZGS GIS
LIFEGENMON
Internet Protocol Address
Internet Protocol Address
adil raja
Más contenido relacionado
La actualidad más candente
[PRML] パターン認識と機械学習(第3章:線形回帰モデル)
[PRML] パターン認識と機械学習(第3章:線形回帰モデル)
Ryosuke Sasaki
VBAで数値計算 10 逆行列と疑似逆行列
VBAで数値計算 10 逆行列と疑似逆行列
Katsuhiro Morishita
PRML 3.5.2, 3.5.3, 3.6
PRML 3.5.2, 3.5.3, 3.6
Kohei Tomita
カステラ本勉強会 第三回
カステラ本勉強会 第三回
ke beck
自動微分変分ベイズ法の紹介
自動微分変分ベイズ法の紹介
Taku Yoshioka
PRML第3章@京大PRML輪講
PRML第3章@京大PRML輪講
Sotetsu KOYAMADA(小山田創哲)
PRML復々習レーン#11
PRML復々習レーン#11
Takuya Fukagai
PRML復々習レーン#14 ver.2
PRML復々習レーン#14 ver.2
Takuya Fukagai
PRML 第4章
PRML 第4章
Akira Miyazawa
Prml sec6
Prml sec6
Keisuke OTAKI
PRML 8.4-8.4.3
PRML 8.4-8.4.3
KunihiroTakeoka
カステラ本勉強会 第三回 補足
カステラ本勉強会 第三回 補足
ke beck
パターン認識と機械学習6章(カーネル法)
パターン認識と機械学習6章(カーネル法)
Yukara Ikemiya
一般線形モデル
一般線形モデル
MatsuiRyo
統計的学習の基礎_3章
統計的学習の基礎_3章
Shoichi Taguchi
Re revenge chap03-1
Re revenge chap03-1
裕樹 奥田
PRML 2.3.1-2.3.2
PRML 2.3.1-2.3.2
KunihiroTakeoka
PRML 6.1章 カーネル法と双対表現
PRML 6.1章 カーネル法と双対表現
hagino 3000
PRML第6章「カーネル法」
PRML第6章「カーネル法」
Keisuke Sugawara
線形カルマンフィルタの導出
線形カルマンフィルタの導出
Fumiya Watanabe
La actualidad más candente
(20)
[PRML] パターン認識と機械学習(第3章:線形回帰モデル)
[PRML] パターン認識と機械学習(第3章:線形回帰モデル)
VBAで数値計算 10 逆行列と疑似逆行列
VBAで数値計算 10 逆行列と疑似逆行列
PRML 3.5.2, 3.5.3, 3.6
PRML 3.5.2, 3.5.3, 3.6
カステラ本勉強会 第三回
カステラ本勉強会 第三回
自動微分変分ベイズ法の紹介
自動微分変分ベイズ法の紹介
PRML第3章@京大PRML輪講
PRML第3章@京大PRML輪講
PRML復々習レーン#11
PRML復々習レーン#11
PRML復々習レーン#14 ver.2
PRML復々習レーン#14 ver.2
PRML 第4章
PRML 第4章
Prml sec6
Prml sec6
PRML 8.4-8.4.3
PRML 8.4-8.4.3
カステラ本勉強会 第三回 補足
カステラ本勉強会 第三回 補足
パターン認識と機械学習6章(カーネル法)
パターン認識と機械学習6章(カーネル法)
一般線形モデル
一般線形モデル
統計的学習の基礎_3章
統計的学習の基礎_3章
Re revenge chap03-1
Re revenge chap03-1
PRML 2.3.1-2.3.2
PRML 2.3.1-2.3.2
PRML 6.1章 カーネル法と双対表現
PRML 6.1章 カーネル法と双対表現
PRML第6章「カーネル法」
PRML第6章「カーネル法」
線形カルマンフィルタの導出
線形カルマンフィルタの導出
Destacado
Izobraževanje LIFEGENMON MANFOR ZGS GIS
Izobraževanje LIFEGENMON MANFOR ZGS GIS
LIFEGENMON
Internet Protocol Address
Internet Protocol Address
adil raja
Enterprise Risk Management - Deddy Jacobus
Enterprise Risk Management - Deddy Jacobus
Deddy Jacobus
Getting Uphill on a Candle: Crushed Spines, Detached Retinas and One Small Step
Getting Uphill on a Candle: Crushed Spines, Detached Retinas and One Small Step
Brian Troutwine
Vegetables grown in Pakistan A Lecture by Allah Dad Khan
Vegetables grown in Pakistan A Lecture by Allah Dad Khan
Mr.Allah Dad Khan
knitrBootstrapを使ってHTMLレポートをかわいくする
knitrBootstrapを使ってHTMLレポートをかわいくする
imuyaoti
Sept2016 sv illumina
Sept2016 sv illumina
GenomeInABottle
Eu amo minha família.
Eu amo minha família.
Danielly Carvalho
Bottle gourd diseases A lecture on ToT training of FFS By Mr Allah Dad Kha...
Bottle gourd diseases A lecture on ToT training of FFS By Mr Allah Dad Kha...
Mr.Allah Dad Khan
sOFTsKILLs Time Management
sOFTsKILLs Time Management
Aamer Quazy
Bear tail(dr.wallet)×sansan 合同lt会-勉強会esaki
Bear tail(dr.wallet)×sansan 合同lt会-勉強会esaki
Hisumi Esaki
統計環境R_はじめの一歩2016
統計環境R_はじめの一歩2016
wada, kazumi
OCRは古い技術
OCRは古い技術
Koji Kobayashi
Destacado
(13)
Izobraževanje LIFEGENMON MANFOR ZGS GIS
Izobraževanje LIFEGENMON MANFOR ZGS GIS
Internet Protocol Address
Internet Protocol Address
Enterprise Risk Management - Deddy Jacobus
Enterprise Risk Management - Deddy Jacobus
Getting Uphill on a Candle: Crushed Spines, Detached Retinas and One Small Step
Getting Uphill on a Candle: Crushed Spines, Detached Retinas and One Small Step
Vegetables grown in Pakistan A Lecture by Allah Dad Khan
Vegetables grown in Pakistan A Lecture by Allah Dad Khan
knitrBootstrapを使ってHTMLレポートをかわいくする
knitrBootstrapを使ってHTMLレポートをかわいくする
Sept2016 sv illumina
Sept2016 sv illumina
Eu amo minha família.
Eu amo minha família.
Bottle gourd diseases A lecture on ToT training of FFS By Mr Allah Dad Kha...
Bottle gourd diseases A lecture on ToT training of FFS By Mr Allah Dad Kha...
sOFTsKILLs Time Management
sOFTsKILLs Time Management
Bear tail(dr.wallet)×sansan 合同lt会-勉強会esaki
Bear tail(dr.wallet)×sansan 合同lt会-勉強会esaki
統計環境R_はじめの一歩2016
統計環境R_はじめの一歩2016
OCRは古い技術
OCRは古い技術
Similar a 自然科学の統計学2.2 slideshare
PRML10-draft1002
PRML10-draft1002
Toshiyuki Shimono
Variational autoencoder
Variational autoencoder
Mikio Shiga
PRML読み会第一章
PRML読み会第一章
Takushi Miki
PRML セミナー
PRML セミナー
sakaguchi050403
東京都市大学 データ解析入門 6 回帰分析とモデル選択 1
東京都市大学 データ解析入門 6 回帰分析とモデル選択 1
hirokazutanaka
Fisher Vectorによる画像認識
Fisher Vectorによる画像認識
Takao Yamanaka
prml_titech_9.0-9.2
prml_titech_9.0-9.2
Taikai Takeda
混合モデルとEMアルゴリズム(PRML第9章)
混合モデルとEMアルゴリズム(PRML第9章)
Takao Yamanaka
続・わかりやすいパターン認識 9章
続・わかりやすいパターン認識 9章
hakusai
パターン認識 第12章 正則化とパス追跡アルゴリズム
パターン認識 第12章 正則化とパス追跡アルゴリズム
Miyoshi Yuya
卒論プレゼンテーション -DRAFT-
卒論プレゼンテーション -DRAFT-
Tomoshige Nakamura
マトロイドの世界
マトロイドの世界
KoseiTeramoto
Stanの紹介と応用事例(age heapingの統計モデル)
Stanの紹介と応用事例(age heapingの統計モデル)
. .
量子アニーリングを用いたクラスタ分析
量子アニーリングを用いたクラスタ分析
Shu Tanaka
Prml 最尤推定からベイズ曲線フィッティング
Prml 最尤推定からベイズ曲線フィッティング
takutori
PRML 2.3節
PRML 2.3節
Rei Takami
PRML4.3
PRML4.3
hiroki yamaoka
第10回 配信講義 計算科学技術特論A(2021)
第10回 配信講義 計算科学技術特論A(2021)
RCCSRENKEI
クラシックな機械学習の入門 9. モデル推定
クラシックな機械学習の入門 9. モデル推定
Hiroshi Nakagawa
TokyoWebmining統計学部 第1回
TokyoWebmining統計学部 第1回
Issei Kurahashi
Similar a 自然科学の統計学2.2 slideshare
(20)
PRML10-draft1002
PRML10-draft1002
Variational autoencoder
Variational autoencoder
PRML読み会第一章
PRML読み会第一章
PRML セミナー
PRML セミナー
東京都市大学 データ解析入門 6 回帰分析とモデル選択 1
東京都市大学 データ解析入門 6 回帰分析とモデル選択 1
Fisher Vectorによる画像認識
Fisher Vectorによる画像認識
prml_titech_9.0-9.2
prml_titech_9.0-9.2
混合モデルとEMアルゴリズム(PRML第9章)
混合モデルとEMアルゴリズム(PRML第9章)
続・わかりやすいパターン認識 9章
続・わかりやすいパターン認識 9章
パターン認識 第12章 正則化とパス追跡アルゴリズム
パターン認識 第12章 正則化とパス追跡アルゴリズム
卒論プレゼンテーション -DRAFT-
卒論プレゼンテーション -DRAFT-
マトロイドの世界
マトロイドの世界
Stanの紹介と応用事例(age heapingの統計モデル)
Stanの紹介と応用事例(age heapingの統計モデル)
量子アニーリングを用いたクラスタ分析
量子アニーリングを用いたクラスタ分析
Prml 最尤推定からベイズ曲線フィッティング
Prml 最尤推定からベイズ曲線フィッティング
PRML 2.3節
PRML 2.3節
PRML4.3
PRML4.3
第10回 配信講義 計算科学技術特論A(2021)
第10回 配信講義 計算科学技術特論A(2021)
クラシックな機械学習の入門 9. モデル推定
クラシックな機械学習の入門 9. モデル推定
TokyoWebmining統計学部 第1回
TokyoWebmining統計学部 第1回
Más de wada, kazumi
Rによる繰り返しの並列処理
Rによる繰り返しの並列処理
wada, kazumi
2018Rユーザ会用
2018Rユーザ会用
wada, kazumi
Ⅳ. 可視化事例集 2017
Ⅳ. 可視化事例集 2017
wada, kazumi
Ⅲ. 資料編 2017
Ⅲ. 資料編 2017
wada, kazumi
Ⅱ. データ分析編 2017
Ⅱ. データ分析編 2017
wada, kazumi
Ⅰ. Rの基礎 2017
Ⅰ. Rの基礎 2017
wada, kazumi
2017Rユーザ会用
2017Rユーザ会用
wada, kazumi
Rデモ03_データ分析編2016
Rデモ03_データ分析編2016
wada, kazumi
Rデモ02_入出力編2016
Rデモ02_入出力編2016
wada, kazumi
Rデモ01_はじめの一歩2016
Rデモ01_はじめの一歩2016
wada, kazumi
統計環境R_データ分析編2016
統計環境R_データ分析編2016
wada, kazumi
統計環境R_データ入出力編2016
統計環境R_データ入出力編2016
wada, kazumi
Rプログラミング03 データ分析編
Rプログラミング03 データ分析編
wada, kazumi
Rプログラミング03 「データ分析編」デモ
Rプログラミング03 「データ分析編」デモ
wada, kazumi
Rプログラミング02 データ入出力編
Rプログラミング02 データ入出力編
wada, kazumi
Rプログラミング02 「データ入出力編」デモ
Rプログラミング02 「データ入出力編」デモ
wada, kazumi
Rプログラミング01 「はじめの一歩」 演習デモ
Rプログラミング01 「はじめの一歩」 演習デモ
wada, kazumi
Rプログラミング01 はじめの一歩
Rプログラミング01 はじめの一歩
wada, kazumi
Rでのtry関数によるエラー処理
Rでのtry関数によるエラー処理
wada, kazumi
Rによる大規模データのプロット
Rによる大規模データのプロット
wada, kazumi
Más de wada, kazumi
(20)
Rによる繰り返しの並列処理
Rによる繰り返しの並列処理
2018Rユーザ会用
2018Rユーザ会用
Ⅳ. 可視化事例集 2017
Ⅳ. 可視化事例集 2017
Ⅲ. 資料編 2017
Ⅲ. 資料編 2017
Ⅱ. データ分析編 2017
Ⅱ. データ分析編 2017
Ⅰ. Rの基礎 2017
Ⅰ. Rの基礎 2017
2017Rユーザ会用
2017Rユーザ会用
Rデモ03_データ分析編2016
Rデモ03_データ分析編2016
Rデモ02_入出力編2016
Rデモ02_入出力編2016
Rデモ01_はじめの一歩2016
Rデモ01_はじめの一歩2016
統計環境R_データ分析編2016
統計環境R_データ分析編2016
統計環境R_データ入出力編2016
統計環境R_データ入出力編2016
Rプログラミング03 データ分析編
Rプログラミング03 データ分析編
Rプログラミング03 「データ分析編」デモ
Rプログラミング03 「データ分析編」デモ
Rプログラミング02 データ入出力編
Rプログラミング02 データ入出力編
Rプログラミング02 「データ入出力編」デモ
Rプログラミング02 「データ入出力編」デモ
Rプログラミング01 「はじめの一歩」 演習デモ
Rプログラミング01 「はじめの一歩」 演習デモ
Rプログラミング01 はじめの一歩
Rプログラミング01 はじめの一歩
Rでのtry関数によるエラー処理
Rでのtry関数によるエラー処理
Rによる大規模データのプロット
Rによる大規模データのプロット
Último
Divorce agreements in administrative work.pdf
Divorce agreements in administrative work.pdf
oganekyokoi
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
My Inspire High Award 2024 「本当の『悪者』って何?」
My Inspire High Award 2024 「本当の『悪者』って何?」
inspirehighstaff03
【ゲーム理論入門】ChatGPTが作成した ゲーム理論の問題を解く #3 Slide
【ゲーム理論入門】ChatGPTが作成した ゲーム理論の問題を解く #3 Slide
ssusere0a682
My Inspire High Award 2024 「家族とは何か」
My Inspire High Award 2024 「家族とは何か」
inspirehighstaff03
My Inspire High Award 2024「Yakushima Islandってなんか変じゃない?」.pdf
My Inspire High Award 2024「Yakushima Islandってなんか変じゃない?」.pdf
inspirehighstaff03
My Inspire High Award 2024「他者と自分、対立を防ぐには?」
My Inspire High Award 2024「他者と自分、対立を防ぐには?」
inspirehighstaff03
My Inspire High Award 2024 「AIと仲良くなるには?」
My Inspire High Award 2024 「AIと仲良くなるには?」
inspirehighstaff03
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
My Inspire High Award2024「外国人が日本のテーブルマナーに驚く理由は?」
My Inspire High Award2024「外国人が日本のテーブルマナーに驚く理由は?」
inspirehighstaff03
My Inspire High Award 2024「なぜ、好きなことにいつかは飽きるの」
My Inspire High Award 2024「なぜ、好きなことにいつかは飽きるの」
inspirehighstaff03
My Inspire High Award 2024「スーパーマーケットで回収されたキャベツ外葉は廃棄されているの?」
My Inspire High Award 2024「スーパーマーケットで回収されたキャベツ外葉は廃棄されているの?」
inspirehighstaff03
My Inspire High Award 2024「世の中の流行はどのようにして生まれるのか」
My Inspire High Award 2024「世の中の流行はどのようにして生まれるのか」
inspirehighstaff03
My Inspire High Award 2024 「正義って存在するの?」
My Inspire High Award 2024 「正義って存在するの?」
inspirehighstaff03
What I did before opening my business..pdf
What I did before opening my business..pdf
oganekyokoi
My Inspire High Award 2024 「孤独は敵なのか?」
My Inspire High Award 2024 「孤独は敵なのか?」
inspirehighstaff03
My Inspire High Award 2024「老いることは不幸なこと?」
My Inspire High Award 2024「老いることは不幸なこと?」
inspirehighstaff03
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 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
Establishment and operation of medical corporations.pdf
Establishment and operation of medical corporations.pdf
oganekyokoi
Último
(20)
Divorce agreements in administrative work.pdf
Divorce agreements in administrative work.pdf
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
My Inspire High Award 2024 「本当の『悪者』って何?」
My Inspire High Award 2024 「本当の『悪者』って何?」
【ゲーム理論入門】ChatGPTが作成した ゲーム理論の問題を解く #3 Slide
【ゲーム理論入門】ChatGPTが作成した ゲーム理論の問題を解く #3 Slide
My Inspire High Award 2024 「家族とは何か」
My Inspire High Award 2024 「家族とは何か」
My Inspire High Award 2024「Yakushima Islandってなんか変じゃない?」.pdf
My Inspire High Award 2024「Yakushima Islandってなんか変じゃない?」.pdf
My Inspire High Award 2024「他者と自分、対立を防ぐには?」
My Inspire High Award 2024「他者と自分、対立を防ぐには?」
My Inspire High Award 2024 「AIと仲良くなるには?」
My Inspire High Award 2024 「AIと仲良くなるには?」
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
My Inspire High Award2024「外国人が日本のテーブルマナーに驚く理由は?」
My Inspire High Award2024「外国人が日本のテーブルマナーに驚く理由は?」
My Inspire High Award 2024「なぜ、好きなことにいつかは飽きるの」
My Inspire High Award 2024「なぜ、好きなことにいつかは飽きるの」
My Inspire High Award 2024「スーパーマーケットで回収されたキャベツ外葉は廃棄されているの?」
My Inspire High Award 2024「スーパーマーケットで回収されたキャベツ外葉は廃棄されているの?」
My Inspire High Award 2024「世の中の流行はどのようにして生まれるのか」
My Inspire High Award 2024「世の中の流行はどのようにして生まれるのか」
My Inspire High Award 2024 「正義って存在するの?」
My Inspire High Award 2024 「正義って存在するの?」
What I did before opening my business..pdf
What I did before opening my business..pdf
My Inspire High Award 2024 「孤独は敵なのか?」
My Inspire High Award 2024 「孤独は敵なのか?」
My Inspire High Award 2024「老いることは不幸なこと?」
My Inspire High Award 2024「老いることは不幸なこと?」
TEAMIN Service overview for customer_20240422.pdf
TEAMIN Service overview for customer_20240422.pdf
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
Establishment and operation of medical corporations.pdf
Establishment and operation of medical corporations.pdf
自然科学の統計学2.2 slideshare
1.
自然科学の統計学 2.2節 最小二乗法 輪講 2016.05.14 担当
和田
2.
2.2.1 最小二乗法の原理 線形モデル 𝒚 =
𝑿𝜽 + 𝜺 (2.9) 𝒚 : y1, … , 𝑦𝑛 ⊤ 観測地のベクトル 𝜽 : 𝜃1, … , 𝜃 𝑝 ⊤ 未知母数のベクトル 𝑿 : 既知係数行列/ 計画行列 design matrix 2/16
3.
線形推定量 未知母数 𝜽 の任意の係数
𝒍 = (𝑙1, … , 𝑙 𝑝) によ る線形結合 𝒍⊤ 𝜽 = 𝑙1 𝜃1 + 𝑙2 𝜃2 + ⋯ + 𝑙 𝑝 𝜃 𝑝 の線形推定量 例1) 多項式モデル(2.8)の母数𝛽0, 𝛽1, 𝛽2 例2) 説明変数𝑥の値についての予測値 𝛽0 + 𝛽1 𝑥 + 𝛽2 𝑥2 3/16 𝒍 の選び方により様々なモデルになる
4.
最小二乗法の原理 データ 𝒚 とその期待値の二乗和 𝑆
𝜽 = 𝒚 − 𝑿𝜽 𝟐 = 𝒚 − 𝑿𝜽 ⊤ 𝒚 − 𝑿𝜽 (2.15) を最小にする解 𝜽 = 𝜽 を求め、単に 𝒍⊤ 𝜽 とする 例1) 繰り返し測定モデル yi = 𝜇 + 𝜀𝑖 : 𝑆 𝜽 = ∑ 𝑦𝑖 − 𝜇 2 例2) 一元配置モデル yij = 𝜇 + 𝛼𝑖 + 𝜀𝑖𝑗 : 𝑆 𝜽 = ∑∑ 𝑦𝑖𝑗 − 𝜇 − 𝑎𝑖 2 例3) 多項式モデル yi = 𝛽0 + 𝛽1 𝑥𝑖 + 𝛽2 𝑥𝑖 2 + 𝜀𝑖 𝑆 𝜽 = ∑ 𝑦𝑖 − 𝛽0 − 𝛽1 𝑥𝑖 − 𝛽2 𝑥𝑖 2 2 4/16 ガウス・マルコフの定理 2.1.4節で紹介したものよりも簡単なBLUEの求め方
5.
2.2.2 正規方程式 線形モデル 𝒚
= 𝑿𝜽 + 𝜺 についての正規方程式 𝑿⊤ 𝑿𝜽 = 𝑿⊤ 𝒚 これを満たす 𝜽 = 𝜽 は、偏差二乗和 𝑆 𝜽 を最小にする。 𝑆 𝜽 = 𝒚 − 𝑿 𝜽 + 𝑿 𝜽 − 𝜽 ⊤ 𝒚 − 𝑿 𝜽 + 𝑿 𝜽 − 𝜽 = 𝒚 − 𝑿 𝜽 ⊤ 𝒚 − 𝑿 𝜽 + 𝑿 𝜽 − 𝑿𝜽 ⊤ 𝑿 𝜽 − 𝑿𝜽 ≥ 𝑆 𝜽 例2.3 多項式モデル: 曇り点データ 5/16 Sθ 𝑆 𝜽
6.
例2.3 多項式モデル: 曇り点データ x
<- c(0,1,2,3,4,5,6,7,8,0,2,4,6,8,10,0,3,6,9) y <- c(22.1, 24.5, 26, 26.8, 28.2, 28.9, 30, 30.4, 31.4, 21.9, 26.1, 28.5, 30.3, 31.5, 33.1, 22.8, 27.3, 29.8, 31.8) X <- cbind(rep(1, length(x)), x, diag(x %*% t(x))) solve(t(X) %*% X) # x # 0.253355906 -0.097147349 0.0079029365 #x -0.097147349 0.063003809 -0.0062664006 # 0.007902936 -0.006266401 0.0006840397 solve(t(X) %*% X) %*% t(X) %*% y # [,1] # 22.56123063 #x 1.66802044 # -0.06795836 6/16
7.
推定可能関数 𝑿𝜽 の各要素とその線形結合全体 ※ ただし、一元配置モデルの
𝜇 + 𝛼𝑖 や 𝛼𝑖 − 𝛼𝑗 は推定可能であるが、𝜇 と 𝛼𝑖 は単 独で推定可能ではない。 7/16
8.
2.2.3 ガウス-マルコフの定理 線形モデル 𝒚
= 𝑿𝜽 + 𝜺 の任意の推定関数 𝒍⊤ 𝜽 について、𝒍⊤ 𝜽 が一意にBLUE。 ここで、𝜽 = 𝜽 は、正規方程式 𝑿⊤ 𝑿 𝜽 = 𝑿⊤ 𝒚 を満たす任意の最小二乗解。 Xがフルランクの場合、任意の線形関数 も 𝜽 自体も推定可能で、正規方程式も一意 な最小二乗解 𝜽 = 𝑿⊤ 𝑿 −𝟏 𝑿⊤ 𝒚 を持つ。 8/16
9.
証明(1) 任意の線形式 𝒍⊤ 𝜽 に対し、 𝒍⊤ 𝜽
= 𝒍⊤ 𝑿⊤ 𝑿 −𝟏 𝑿⊤ 𝒚 𝐸 𝒍⊤ 𝜽 = 𝒍⊤ 𝑿⊤ 𝑿 −𝟏 𝑿⊤ 𝐸 𝒚 = 𝒍⊤ 𝑿⊤ 𝑿 −𝟏 𝑿⊤ 𝑿𝜽 = 𝒍⊤ 𝜽 次に、 𝒍⊤ 𝜽 とは別の線形不偏推定量 𝑡 𝒚 = 𝑳⊤ 𝒚 との差 を次のように定義する。 𝒍⊤ 𝜽 − 𝑳⊤ 𝒚 = 𝒍⊤ 𝑿⊤ 𝑿 −𝟏 𝑿⊤ − 𝑳⊤ 𝒚 ≡ 𝒃⊤ 𝒚 このとき、不偏性から、全ての 𝜽 について 𝐸 𝑳⊤ 𝒚 = 𝒍⊤ 𝜽 となるべきで、 𝐸 𝒃⊤ 𝒚 = 𝒃⊤ 𝑿𝜽 = 0 が任意の 𝜽 で成り立つので、 𝒃⊤ 𝑿 = 0. 9/16 <= 不偏
10.
証明(2) 10/16 二つの確率変数X, Yに対して 𝑉 𝑋
+ 𝑌 = 𝑉 𝑋 + 2Cov 𝑋, 𝑌 + 𝑉 𝑌 (2.26) であるから、 𝑳⊤ 𝒚 の分散は、 V 𝑳⊤ 𝒚 = V 𝒍⊤ 𝜽 − 𝒃⊤ 𝒚 = V 𝒍⊤ 𝜽 − 2Cov 𝒍⊤ 𝑿⊤ 𝑿 −𝟏 𝑿⊤ 𝒚, 𝒃⊤ 𝒚 + V 𝒃⊤ 𝒚 . 一方、誤差 ε が無相関で等分散の仮定(2.14)を満たせば、2つの確 率変数 𝒂⊤ 𝒚 = ∑𝑎𝑖 𝑦𝑖, 𝒃⊤ 𝒚 = ∑𝑏𝑖 𝑦𝑖 の共分散は、 Cov 𝒂⊤ 𝒚, 𝒃⊤ 𝒚 = Cov 𝒂⊤ 𝜺, 𝒃⊤ 𝜺 = ∑𝑎𝑖 𝑏𝑖 𝜎2 = (𝒂⊤ 𝒃)𝜎2 Cov 𝒍⊤ 𝑿⊤ 𝑿 −𝟏 𝑿⊤ 𝒚, 𝒃⊤ 𝒚 = 𝒍⊤ 𝑿⊤ 𝑿 −𝟏 𝑿⊤ 𝒃𝜎2 = 0 よって、 V 𝑳⊤ 𝒚 = V 𝒍⊤ 𝜽 + 𝑽(𝒃⊤ 𝒚) ゆえに、 V 𝑳⊤ 𝒚 ≥ V 𝒍⊤ 𝜽 𝑳⊤ 𝒚は任意の線形不偏推定量なので、 𝒍⊤ 𝜽 はBLUE 0
11.
Xがランク落ちするときの計算方法 ① 正規方程式 𝑿⊤ 𝑿
𝜽 = 𝑿⊤ 𝒚 の不定解を 𝜽 = 𝑿⊤ 𝑿 − 𝑿⊤ 𝒚 のように表し、 𝑿⊤ 𝑿 − の代 数的な性質を使って証明する ② データを直交変換により扱いやすい標準 形に変換して証明する 11/16
12.
例2.5 繰り返し測定のモデル: 飲料製品中のエキス含有量[表2.1] p.33 y
<- c(37.55, 37.74, 37.69, 37.71, 37.73, 37.81, 37.53, 37.58, 37.74) j <- rep(1, length(y)) solve(t(j) %*% j) %*% t(j) %*% y # 37.67556 <- 𝜇 1/length(y) * sum(y) # 37.67556 12/16
13.
例2.6’ 単回帰データ: コンクリートの養生の温 度条件と圧縮強度の関係[表2.4]p.45 x
<- c(2.62, 2.75, 2.85, 2.92, 2.92, 3.05, 3.14, 3.15, 3.23, 3.26, 3.36, 3.44, 3.66, 3.74, 4.04) y <- c(209, 237, 273, 316, 283, 317, 321, 356, 404, 368, 405, 429, 413, 440, 439) X <- cbind(rep(1, length(x)), x) (t1 <- as.vector(solve(t(X) %*% X) %*% t(X) %*% y)) # [1] -217.9524 176.1747 plot(x, y); abline(as.vector(t1), col="red") 13/16
14.
例2.7 一元配置モデル: 脂肪の種類に対す る吸収量[表2.2]p.34 theta
<- c(64, 72, 68, 77, 56, 95, 78, 91, 97, 82, 85, 77, 75, 93, 78, 71, 63, 76, 55, 66, 49, 64, 70, 68) (X <- matrix(c(rep(1, length(theta)), rep(1, 6), rep(0, 24), rep(1, 6), rep(0, 24), rep(1, 6), rep(0, 24), rep(1, 6)), nc=5)) (t1 <- as.vector(solve(t(X) %*% X) %*% t(X) %*% theta)) # 以下にエラー solve.default(t(X) %*% X) : # Lapack routine dgesv: システムは正確に特異です: U[5,5] = 0 require(MASS) # for ginv() (t1 <- as.vector(ginv(t(X) %*% X) %*% t(X) %*% theta)) # [1] 59 13 26 17 3 # mu=59, α1=13, α2=26, α3=17, α4=3. 14/16
15.
2.2.4最小二乗法と制約式 ★ 例2.7に、mu=0という制約をつけて解いてみる (X2 <-
matrix(c(rep(1, 6), rep(0, 24), rep(1, 6), rep(0, 24), rep(1, 6), rep(0, 24), rep(1, 6)), nc=4)) (t2 <- as.vector(solve(t(X2) %*% X2) %*% t(X2) %*% theta)) #[1] 72 85 76 62 ★ 例2.7に、𝜶 𝟏 = 𝟎 という制約をつけてみる require(MASS) # for ginv() (X3 <- matrix(c(rep(1, length(theta)), rep(0, 6), rep(0, 24), rep(1, 6), rep(0, 24), rep(1, 6), rep(0, 24), rep(1, 6)), nc=5)) (t3 <- as.vector(ginv(t(X3) %*% X3) %*% t(X3) %*% theta)) # [1] 7.200000e+01 -3.478067e-15 1.300000e+01 4.000000e+00 -1.000000e+01 15/16
16.
★ 例2.7に、∑𝜶𝒊 =
𝟎 という制約をつける theta <- c(64, 72, 68, 77, 56, 95, 78, 91, 97, 82, 85, 77, 75, 93, 78, 71, 63, 76, 55, 66, 49, 64, 70, 68) (X4 <- matrix(c(rep(1, length(theta)), rep(1, 6), rep(0, 24), rep(1, 6), rep(0, 24), rep(1, 6), rep(0, 24), rep(1, 6)), nc=5)) # 通常の計画行列 X4[19:24,] <- c(rep(1, 6), rep(-1, 18), rep(0, 6)) X4 (t4 <- as.vector(ginv(t(X4) %*% X4) %*% t(X4) %*% theta)) # [1] 73.75 -1.75 11.25 2.25 0.00 # mu= 73.75, α1= -1.75, α2=11.25, α3= 2.25, # α4=-(α1 + α2+ α3 )=-11.75 # -sum(t4[2:4]) 16/16
17.
おまけ MS Officeの数式エディタは、TeXのよう な入力が可能 例) y_i
= beta_0 + beta_1 x_i + beta_2 x_i^2 + varepsilon_i 𝑦𝑖 = 𝛽0 + 𝛽1 𝑥1 + 𝛽2 𝑥𝑖 2 + 𝜀𝑖 ※ ただし、完全に入力が互換というわ けではない。
18.
おわり @足利フラワーパーク
Descargar ahora