ベイズ法の統計的アプローチ
皆さんこんばんは。だいぶ冷え込んできましたね。今日、ユニクロでフリースを購入してきました。
さて、先週は2年ぶりの開催となる統計検定1級が開催されました。
午前中の試験官は、問題用紙を配り忘れるという大ポカをかましてきまして、ドタバタのスタートとなりました。
むしろそれすること以外仕事ないだろ…。ちゃんとしてくれ。
とまぁ、内容は来月の結果発表が来てからまとめようと思いますが、
統計数理:おそらく桜散る
応用:ワンチャンス。
といったところです。応用は部分点の波をとらえられていれば、ギリギリ桜に手が届くかな、という雰囲気。
興奮冷めやらぬままに解けなかったところを解いていたんですが、まぁわからない。
統計検定側も略解をすぐに出してくれたのですが、これが略解すぎる。ポケモンで言うと、ニビとシルフカンパニー本社と殿堂入りシーンくらいしか書いていない。
なので結局理解が1ミリも進まなかったので、ほかの方のブログなどで回答が出るまで解かないことにしました。
ただ、その途中でベイズ法について少し知ったので、ここに記します。
ベイズの定理とは何か?!と色々調べたところ、これが一番まとまってました。
θをパラメータの確率変数、xをデータの確率変数としたときに
と表せ、この時
こうなる。これはつまり、
事後分布(確率)∝ 尤度 × 事前分布(確率)
になりますよ、と。
xはデータの確率変数なんだから、それが事前確率になっているP(θ|x)は更新された後のパラメータに関する分布。
P(x|θ)はパラメータが与えられた時の確率変数の分布なので、全てのx1,x2,…xnに関しての分布を掛け合わせて求める尤度。
そしてP(θ)はそのまま事前分布。
これで事後分布を求めましょう!という話。
現代数理統計学の基礎のp.125には、例題として、
X~Bin(n, p)として、事前分布にBeta(α, β)を仮定する。その時の事後分布は~という流れで、それぞれを掛け合わせたものを変形してまたBeta分布の形を導出。
つまり、事後分布もBeta関数の形ですね、という問題を扱っていました。こういう風にやるのね。
と、ここまでわかったんですが、2021年の試験のベイズが解けない!!!早く世の中の頭いい人回答plz
ただ、多分そんなに難しいことしてないと思うんだよなぁ…。
ということで、他力本願でとりあえず待とうと思います。
統計が落ち着いた?ので次はAWSの資格を乱獲していくぞ!!!と思い立ちUdemy講座を購入。
またまとまって受けられたら記事にします。