Submit Search
Upload
負の二項分布について
•
39 likes
•
91,226 views
Hiroshi Shimizu
Follow
広島ベイズ塾で発表した,負の二項分布についての資料です。
Read less
Read more
Education
Report
Share
Report
Share
1 of 19
Download now
Download to read offline
Recommended
2 6.ゼロ切断・過剰モデル
2 6.ゼロ切断・過剰モデル
logics-of-blue
2 3.GLMの基礎
2 3.GLMの基礎
logics-of-blue
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)
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
Yoshitake Takebayashi
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
正準相関分析
正準相関分析
Akisato Kimura
心理学者のためのGlmm・階層ベイズ
心理学者のためのGlmm・階層ベイズ
Hiroshi Shimizu
Recommended
2 6.ゼロ切断・過剰モデル
2 6.ゼロ切断・過剰モデル
logics-of-blue
2 3.GLMの基礎
2 3.GLMの基礎
logics-of-blue
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)
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
Yoshitake Takebayashi
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
正準相関分析
正準相関分析
Akisato Kimura
心理学者のためのGlmm・階層ベイズ
心理学者のためのGlmm・階層ベイズ
Hiroshi Shimizu
3分でわかる多項分布とディリクレ分布
3分でわかる多項分布とディリクレ分布
Junya Saito
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
RyuichiKanoh
Rの高速化
Rの高速化
弘毅 露崎
PCAの最終形態GPLVMの解説
PCAの最終形態GPLVMの解説
弘毅 露崎
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
Naoki Hayashi
2 5 3.一般化線形モデル色々_Gamma回帰と対数線形モデル
2 5 3.一般化線形モデル色々_Gamma回帰と対数線形モデル
logics-of-blue
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
PRML8章
PRML8章
弘毅 露崎
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
Stanでガウス過程
Stanでガウス過程
Hiroshi Shimizu
PRML輪読#2
PRML輪読#2
matsuolab
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
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
Masashi Komori
Dimensionality reduction with t-SNE(Rtsne) and UMAP(uwot) using R packages.
Dimensionality reduction with t-SNE(Rtsne) and UMAP(uwot) using R packages.
Satoshi Kato
PRML第6章「カーネル法」
PRML第6章「カーネル法」
Keisuke Sugawara
2 4.devianceと尤度比検定
2 4.devianceと尤度比検定
logics-of-blue
パターン認識と機械学習(PRML)第2章 確率分布 2.3 ガウス分布
パターン認識と機械学習(PRML)第2章 確率分布 2.3 ガウス分布
Nagayoshi Yamashita
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
金融時系列のための深層t過程回帰モデル
金融時系列のための深層t過程回帰モデル
Kei Nakagawa
社会心理学者のための時系列分析入門_小森
社会心理学者のための時系列分析入門_小森
Masashi Komori
2 7.一般化線形混合モデル
2 7.一般化線形混合モデル
logics-of-blue
GoTermsAnalysisWithR
GoTermsAnalysisWithR
Aureliano Bombarely
More Related Content
What's hot
3分でわかる多項分布とディリクレ分布
3分でわかる多項分布とディリクレ分布
Junya Saito
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
RyuichiKanoh
Rの高速化
Rの高速化
弘毅 露崎
PCAの最終形態GPLVMの解説
PCAの最終形態GPLVMの解説
弘毅 露崎
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
Naoki Hayashi
2 5 3.一般化線形モデル色々_Gamma回帰と対数線形モデル
2 5 3.一般化線形モデル色々_Gamma回帰と対数線形モデル
logics-of-blue
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
PRML8章
PRML8章
弘毅 露崎
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
Stanでガウス過程
Stanでガウス過程
Hiroshi Shimizu
PRML輪読#2
PRML輪読#2
matsuolab
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
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
Masashi Komori
Dimensionality reduction with t-SNE(Rtsne) and UMAP(uwot) using R packages.
Dimensionality reduction with t-SNE(Rtsne) and UMAP(uwot) using R packages.
Satoshi Kato
PRML第6章「カーネル法」
PRML第6章「カーネル法」
Keisuke Sugawara
2 4.devianceと尤度比検定
2 4.devianceと尤度比検定
logics-of-blue
パターン認識と機械学習(PRML)第2章 確率分布 2.3 ガウス分布
パターン認識と機械学習(PRML)第2章 確率分布 2.3 ガウス分布
Nagayoshi Yamashita
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
金融時系列のための深層t過程回帰モデル
金融時系列のための深層t過程回帰モデル
Kei Nakagawa
社会心理学者のための時系列分析入門_小森
社会心理学者のための時系列分析入門_小森
Masashi Komori
What's hot
(20)
3分でわかる多項分布とディリクレ分布
3分でわかる多項分布とディリクレ分布
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
Rの高速化
Rの高速化
PCAの最終形態GPLVMの解説
PCAの最終形態GPLVMの解説
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
2 5 3.一般化線形モデル色々_Gamma回帰と対数線形モデル
2 5 3.一般化線形モデル色々_Gamma回帰と対数線形モデル
Stan超初心者入門
Stan超初心者入門
PRML8章
PRML8章
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
Stanでガウス過程
Stanでガウス過程
PRML輪読#2
PRML輪読#2
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
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
【読書会資料】『StanとRでベイズ統計モデリング』Chapter12:時間や空間を扱うモデル
Dimensionality reduction with t-SNE(Rtsne) and UMAP(uwot) using R packages.
Dimensionality reduction with t-SNE(Rtsne) and UMAP(uwot) using R packages.
PRML第6章「カーネル法」
PRML第6章「カーネル法」
2 4.devianceと尤度比検定
2 4.devianceと尤度比検定
パターン認識と機械学習(PRML)第2章 確率分布 2.3 ガウス分布
パターン認識と機械学習(PRML)第2章 確率分布 2.3 ガウス分布
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
金融時系列のための深層t過程回帰モデル
金融時系列のための深層t過程回帰モデル
社会心理学者のための時系列分析入門_小森
社会心理学者のための時系列分析入門_小森
Viewers also liked
2 7.一般化線形混合モデル
2 7.一般化線形混合モデル
logics-of-blue
GoTermsAnalysisWithR
GoTermsAnalysisWithR
Aureliano Bombarely
RNAseqによる変動遺伝子抽出の統計: A Review
RNAseqによる変動遺伝子抽出の統計: A Review
sesejun
指数分布とポアソン分布のいけない関係
指数分布とポアソン分布のいけない関係
Nagi Teramo
DNAマイクロアレイの解析と多重検定補正
DNAマイクロアレイの解析と多重検定補正
弘毅 露崎
CBI学会2013チュートリアル NGSデータ解析入門 (解析編)配布資料
CBI学会2013チュートリアル NGSデータ解析入門 (解析編)配布資料
Genaris Omics, Inc.
バイオインフォマティクスによる遺伝子発現解析
バイオインフォマティクスによる遺伝子発現解析
sesejun
エクセルで統計分析 統計プログラムHADについて
エクセルで統計分析 統計プログラムHADについて
Hiroshi Shimizu
Viewers also liked
(8)
2 7.一般化線形混合モデル
2 7.一般化線形混合モデル
GoTermsAnalysisWithR
GoTermsAnalysisWithR
RNAseqによる変動遺伝子抽出の統計: A Review
RNAseqによる変動遺伝子抽出の統計: A Review
指数分布とポアソン分布のいけない関係
指数分布とポアソン分布のいけない関係
DNAマイクロアレイの解析と多重検定補正
DNAマイクロアレイの解析と多重検定補正
CBI学会2013チュートリアル NGSデータ解析入門 (解析編)配布資料
CBI学会2013チュートリアル NGSデータ解析入門 (解析編)配布資料
バイオインフォマティクスによる遺伝子発現解析
バイオインフォマティクスによる遺伝子発現解析
エクセルで統計分析 統計プログラムHADについて
エクセルで統計分析 統計プログラムHADについて
More from Hiroshi Shimizu
Cmdstanr入門とreduce_sum()解説
Cmdstanr入門とreduce_sum()解説
Hiroshi Shimizu
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
階層ベイズと自由エネルギー
階層ベイズと自由エネルギー
Hiroshi Shimizu
StanとRでベイズ統計モデリング読書会 導入編(1章~3章)
StanとRでベイズ統計モデリング読書会 導入編(1章~3章)
Hiroshi Shimizu
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
SapporoR#6 初心者セッションスライド
SapporoR#6 初心者セッションスライド
Hiroshi Shimizu
Tokyo r53
Tokyo r53
Hiroshi Shimizu
glmmstanパッケージを作ってみた
glmmstanパッケージを作ってみた
Hiroshi Shimizu
媒介分析について
媒介分析について
Hiroshi Shimizu
rstanで簡単にGLMMができるglmmstan()を作ってみた
rstanで簡単にGLMMができるglmmstan()を作ってみた
Hiroshi Shimizu
社会心理学とGlmm
社会心理学とGlmm
Hiroshi Shimizu
Rで潜在ランク分析
Rで潜在ランク分析
Hiroshi Shimizu
エクセルで統計分析5 マルチレベル分析のやり方
エクセルで統計分析5 マルチレベル分析のやり方
Hiroshi Shimizu
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
Latent rank theory
Latent rank theory
Hiroshi Shimizu
エクセルでテキストマイニング TTM2HADの使い方
エクセルでテキストマイニング TTM2HADの使い方
Hiroshi Shimizu
マルチレベルモデル講習会 実践編
マルチレベルモデル講習会 実践編
Hiroshi Shimizu
マルチレベルモデル講習会 理論編
マルチレベルモデル講習会 理論編
Hiroshi Shimizu
Excelでも統計分析 HADについて SappoRo.R#3
Excelでも統計分析 HADについて SappoRo.R#3
Hiroshi Shimizu
MCMCでマルチレベルモデル
MCMCでマルチレベルモデル
Hiroshi Shimizu
More from Hiroshi Shimizu
(20)
Cmdstanr入門とreduce_sum()解説
Cmdstanr入門とreduce_sum()解説
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
階層ベイズと自由エネルギー
階層ベイズと自由エネルギー
StanとRでベイズ統計モデリング読書会 導入編(1章~3章)
StanとRでベイズ統計モデリング読書会 導入編(1章~3章)
Stanコードの書き方 中級編
Stanコードの書き方 中級編
SapporoR#6 初心者セッションスライド
SapporoR#6 初心者セッションスライド
Tokyo r53
Tokyo r53
glmmstanパッケージを作ってみた
glmmstanパッケージを作ってみた
媒介分析について
媒介分析について
rstanで簡単にGLMMができるglmmstan()を作ってみた
rstanで簡単にGLMMができるglmmstan()を作ってみた
社会心理学とGlmm
社会心理学とGlmm
Rで潜在ランク分析
Rで潜在ランク分析
エクセルで統計分析5 マルチレベル分析のやり方
エクセルで統計分析5 マルチレベル分析のやり方
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
Latent rank theory
Latent rank theory
エクセルでテキストマイニング TTM2HADの使い方
エクセルでテキストマイニング TTM2HADの使い方
マルチレベルモデル講習会 実践編
マルチレベルモデル講習会 実践編
マルチレベルモデル講習会 理論編
マルチレベルモデル講習会 理論編
Excelでも統計分析 HADについて SappoRo.R#3
Excelでも統計分析 HADについて SappoRo.R#3
MCMCでマルチレベルモデル
MCMCでマルチレベルモデル
Recently uploaded
UniProject Workshop Make a Discord Bot with JavaScript
UniProject Workshop Make a Discord Bot with JavaScript
yuitoakatsukijp
東京工業大学 環境・社会理工学院 建築学系 大学院入学入試・進学説明会2024_v2
東京工業大学 環境・社会理工学院 建築学系 大学院入学入試・進学説明会2024_v2
Tokyo Institute of Technology
TokyoTechGraduateExaminationPresentation
TokyoTechGraduateExaminationPresentation
YukiTerazawa
ゲーム理論 BASIC 演習105 -n人囚人のジレンマモデル- #ゲーム理論 #gametheory #数学
ゲーム理論 BASIC 演習105 -n人囚人のジレンマモデル- #ゲーム理論 #gametheory #数学
ssusere0a682
ゲーム理論 BASIC 演習106 -価格の交渉ゲーム-#ゲーム理論 #gametheory #数学
ゲーム理論 BASIC 演習106 -価格の交渉ゲーム-#ゲーム理論 #gametheory #数学
ssusere0a682
The_Five_Books_Overview_Presentation_2024
The_Five_Books_Overview_Presentation_2024
koheioishi1
Recently uploaded
(6)
UniProject Workshop Make a Discord Bot with JavaScript
UniProject Workshop Make a Discord Bot with JavaScript
東京工業大学 環境・社会理工学院 建築学系 大学院入学入試・進学説明会2024_v2
東京工業大学 環境・社会理工学院 建築学系 大学院入学入試・進学説明会2024_v2
TokyoTechGraduateExaminationPresentation
TokyoTechGraduateExaminationPresentation
ゲーム理論 BASIC 演習105 -n人囚人のジレンマモデル- #ゲーム理論 #gametheory #数学
ゲーム理論 BASIC 演習105 -n人囚人のジレンマモデル- #ゲーム理論 #gametheory #数学
ゲーム理論 BASIC 演習106 -価格の交渉ゲーム-#ゲーム理論 #gametheory #数学
ゲーム理論 BASIC 演習106 -価格の交渉ゲーム-#ゲーム理論 #gametheory #数学
The_Five_Books_Overview_Presentation_2024
The_Five_Books_Overview_Presentation_2024
負の二項分布について
1.
負の二項分布 魁!!広島ベイズ塾 @simizu706
2.
二項分布 • Binomial Distribution –
ベルヌーイ試行において,成功率pで試行数n回中に x回成功する確率 – 試行数nを固定すれば,パラメータは成功率pだけに なる • パラメータpの共役事前分布はベータ分布
3.
負の二項分布 • Negative Binomial
Distribution – 離散分布 – 成功率pで,r回成功するまでに必要な試行数の 確率 – 二項分布の成功数と試行数を入れ替えた分布 負の二項分布「私はあと2回の変身を残しています」
4.
別の表現 • 負の二項分布 – ベルヌーイ試行において,成功率pでr回成功す るまでに必要な失敗回数についての確率 –
普通はこっちのバージョンを使う
5.
連続変量に拡張 • ガンマ関数を用いて,成功数が整数でなくて もいけるように拡張 – ガンマ関数
6.
分布感(謎 • Rで負の二項分布を描く x <-
rep(0:20) plot(x,dnbinom(x,size = 5,prob=0.5),type="b")
7.
分布感(謎 • Rで負の二項分布を描く x <-
rep(0:20) plot(x,dnbinom(x,size = 5,prob=0.6),type="b")
8.
分布感(謎 • Rで負の二項分布を描く x <-
rep(0:20) plot(x,dnbinom(x,size = 5,prob=0.8),type="b")
9.
分布の実質科学的な意味 • 二項分布の試行数バージョン – 例えば裸眼の参加者を10人集めたい場合,何人 に声をかければいいか •
裸眼率がわかっていれば,95%以上の確率で裸眼10 人集めるのに必要な人数がわかる • ポアソン分布の過分散推定のため – 統計モデリングでは,ほぼこの目的で使われる
10.
ポアソン分布との関係 • ポアソン分布 – レアな確率で起こる事象がある時間内で起こる 回数についての確率 •
1分で1回起こる事象が5分の間に何回起こるかについ ての確率は,λ=5のポアソン分布に従う
11.
λの変動を考える • λの確率的な変動を考慮したポアソン分布 – λがガンマ分布(gamma(φ,
μφ-1))に従うとする • このとき,混合した確率分布は – 負の二項分布になる • 成功率: p = φ / (μ+φ), 成功数: r=φ
12.
ポアソンと負の二項分布 • もともとの負の二項分布 – 成功率pで,r回の成功までの失敗回数yの分布 •
ポアソンのλが変動すると考えた分布 – 成功率φ/(μ+φ)で, φ回の成功までの失敗回数y の分布
13.
ポアソンと負の二項分布 • 負の二項分布の平均と分散は・・・ – 平均=
μ – 分散= μ + μ2 / φ • 負の二項分布において・・・ – μ=λで,φ=∞のとき,ポアソン分布になる – 平均= λ – 分散= λ + λ2 / ∞ = λ • つまりφ(の逆数)が過分散パラメータになる
14.
ポアソンと負の二項分布 • 負の二項分布 別バージョン plot(x,dnbinom(x,mu=5,size
= 1000000),type="b") plot(x,dpois(x,5),type="b")
15.
負の二項分布の使いどころ • 分散がλより大きいポアソン分布 – ポアソン分布の過分散を考慮した分布 –
ポアソンは負の二項分布に完全にネストされてい るので,AICなどの情報量規準による比較が可能 • 過分散を仮定するべきかどうかを知ることができる • ポアソン過程のデータに使える – 単位時間で平均λ回生じる事象が生起する回数 についての確率分布 • ただし,λはガンマ分布に従って変動する
16.
GLMMとの関係 • ポアソン+正規分布のGLMMとの違い – GLMMではlog(λ)を正規分布で推定 –
負の二項分布はλをガンマ分布で推定 – ほとんどAICはかわらない
17.
Stanでの負の二項分布 • neg_binomial(α,β) • neg_binomial2(μ,
φ)
18.
他の分布との関係 • 幾何分布 – 成功率pにおいて,1回成功するまでに必要な試 行数の分布 –
r=1の場合の負の二項分布といえる • 一般化ポアソン分布 – ポアソン分布の過小分散も考慮できる分布 – ほとんど使われることはない
19.
まとめ • 負の二項分布 – 二項分布の成功数と試行数のパラメータを逆転 させた分布 –
ベルヌーイ試行において,成功率pでr回成功す るまでに必要な失敗回数についての分布 • ポアソン分布+過分散 – GLMの文脈では,平均と分散が等しくない場合の 分布として利用されることが多い
Download now