Suche senden
Hochladen
K060 中心極限定理clt
•
Als PPT, PDF herunterladen
•
1 gefällt mir
•
496 views
T
t2tarumi
Folgen
Melden
Teilen
Melden
Teilen
1 von 18
Jetzt herunterladen
Empfohlen
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
ウィナーフィルタと適応フィルタ
ウィナーフィルタと適応フィルタ
Toshihisa Tanaka
PRML2.3.8~2.5 Slides in charge
PRML2.3.8~2.5 Slides in charge
Junpei Matsuda
Prml 1.2,4 5,1.3|輪講資料1120
Prml 1.2,4 5,1.3|輪講資料1120
Hayato K
050 確率と確率分布
050 確率と確率分布
t2tarumi
Prml 2.3
Prml 2.3
Yuuki Saitoh
K040 確率分布とchi2分布
K040 確率分布とchi2分布
t2tarumi
【材料力学】せん断力・曲げモーメント・分布荷重
【材料力学】せん断力・曲げモーメント・分布荷重
Kazuhiro Suga
Empfohlen
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
ウィナーフィルタと適応フィルタ
ウィナーフィルタと適応フィルタ
Toshihisa Tanaka
PRML2.3.8~2.5 Slides in charge
PRML2.3.8~2.5 Slides in charge
Junpei Matsuda
Prml 1.2,4 5,1.3|輪講資料1120
Prml 1.2,4 5,1.3|輪講資料1120
Hayato K
050 確率と確率分布
050 確率と確率分布
t2tarumi
Prml 2.3
Prml 2.3
Yuuki Saitoh
K040 確率分布とchi2分布
K040 確率分布とchi2分布
t2tarumi
【材料力学】せん断力・曲げモーメント・分布荷重
【材料力学】せん断力・曲げモーメント・分布荷重
Kazuhiro Suga
確率的主成分分析
確率的主成分分析
Mika Yoshimura
Chapter2.3.6
Chapter2.3.6
Takuya Minagawa
PRML_titech 2.3.1 - 2.3.7
PRML_titech 2.3.1 - 2.3.7
Takafumi Sakakibara
PRML ベイズロジスティック回帰
PRML ベイズロジスティック回帰
hagino 3000
PRML 2.3節
PRML 2.3節
Rei Takami
PRML§12-連続潜在変数
PRML§12-連続潜在変数
Keisuke OTAKI
prml4.1.3-4.1.4
prml4.1.3-4.1.4
Ryo Yamashita
PRML 第4章
PRML 第4章
Akira Miyazawa
PRML2.3.1-2.3.3
PRML2.3.1-2.3.3
とっきー Ishikawa
【材料力学】モールの応力円 (II-12 2018)
【材料力学】モールの応力円 (II-12 2018)
Kazuhiro Suga
【材料力学】主応力と主せん断応力 (II-09-2 2020)
【材料力学】主応力と主せん断応力 (II-09-2 2020)
Kazuhiro Suga
[PRML] パターン認識と機械学習(第2章:確率分布)
[PRML] パターン認識と機械学習(第2章:確率分布)
Ryosuke Sasaki
Prml4.4 ラプラス近似~ベイズロジスティック回帰
Prml4.4 ラプラス近似~ベイズロジスティック回帰
Yuki Matsubara
Prml 4.1.1
Prml 4.1.1
Satoshi Kawamoto
Prml3.5 エビデンス近似〜
Prml3.5 エビデンス近似〜
Yuki Matsubara
【材料力学】3次元空間の応力 (II-09 2018)
【材料力学】3次元空間の応力 (II-09 2018)
Kazuhiro Suga
【材料力学】3次元空間の応力 (II-07-1 2020)
【材料力学】3次元空間の応力 (II-07-1 2020)
Kazuhiro Suga
「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
Chapter9 2
Chapter9 2
Takuya Minagawa
ベイズ推定でパラメータリスクを捉える&優れたサンプラーとしてのMCMC
ベイズ推定でパラメータリスクを捉える&優れたサンプラーとしてのMCMC
基晴 出井
東京都市大学 データ解析入門 2 行列分解 1
東京都市大学 データ解析入門 2 行列分解 1
hirokazutanaka
070 統計的推測 母集団と推定
070 統計的推測 母集団と推定
t2tarumi
Weitere ähnliche Inhalte
Was ist angesagt?
確率的主成分分析
確率的主成分分析
Mika Yoshimura
Chapter2.3.6
Chapter2.3.6
Takuya Minagawa
PRML_titech 2.3.1 - 2.3.7
PRML_titech 2.3.1 - 2.3.7
Takafumi Sakakibara
PRML ベイズロジスティック回帰
PRML ベイズロジスティック回帰
hagino 3000
PRML 2.3節
PRML 2.3節
Rei Takami
PRML§12-連続潜在変数
PRML§12-連続潜在変数
Keisuke OTAKI
prml4.1.3-4.1.4
prml4.1.3-4.1.4
Ryo Yamashita
PRML 第4章
PRML 第4章
Akira Miyazawa
PRML2.3.1-2.3.3
PRML2.3.1-2.3.3
とっきー Ishikawa
【材料力学】モールの応力円 (II-12 2018)
【材料力学】モールの応力円 (II-12 2018)
Kazuhiro Suga
【材料力学】主応力と主せん断応力 (II-09-2 2020)
【材料力学】主応力と主せん断応力 (II-09-2 2020)
Kazuhiro Suga
[PRML] パターン認識と機械学習(第2章:確率分布)
[PRML] パターン認識と機械学習(第2章:確率分布)
Ryosuke Sasaki
Prml4.4 ラプラス近似~ベイズロジスティック回帰
Prml4.4 ラプラス近似~ベイズロジスティック回帰
Yuki Matsubara
Prml 4.1.1
Prml 4.1.1
Satoshi Kawamoto
Prml3.5 エビデンス近似〜
Prml3.5 エビデンス近似〜
Yuki Matsubara
【材料力学】3次元空間の応力 (II-09 2018)
【材料力学】3次元空間の応力 (II-09 2018)
Kazuhiro Suga
【材料力学】3次元空間の応力 (II-07-1 2020)
【材料力学】3次元空間の応力 (II-07-1 2020)
Kazuhiro Suga
「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
Chapter9 2
Chapter9 2
Takuya Minagawa
ベイズ推定でパラメータリスクを捉える&優れたサンプラーとしてのMCMC
ベイズ推定でパラメータリスクを捉える&優れたサンプラーとしてのMCMC
基晴 出井
Was ist angesagt?
(20)
確率的主成分分析
確率的主成分分析
Chapter2.3.6
Chapter2.3.6
PRML_titech 2.3.1 - 2.3.7
PRML_titech 2.3.1 - 2.3.7
PRML ベイズロジスティック回帰
PRML ベイズロジスティック回帰
PRML 2.3節
PRML 2.3節
PRML§12-連続潜在変数
PRML§12-連続潜在変数
prml4.1.3-4.1.4
prml4.1.3-4.1.4
PRML 第4章
PRML 第4章
PRML2.3.1-2.3.3
PRML2.3.1-2.3.3
【材料力学】モールの応力円 (II-12 2018)
【材料力学】モールの応力円 (II-12 2018)
【材料力学】主応力と主せん断応力 (II-09-2 2020)
【材料力学】主応力と主せん断応力 (II-09-2 2020)
[PRML] パターン認識と機械学習(第2章:確率分布)
[PRML] パターン認識と機械学習(第2章:確率分布)
Prml4.4 ラプラス近似~ベイズロジスティック回帰
Prml4.4 ラプラス近似~ベイズロジスティック回帰
Prml 4.1.1
Prml 4.1.1
Prml3.5 エビデンス近似〜
Prml3.5 エビデンス近似〜
【材料力学】3次元空間の応力 (II-09 2018)
【材料力学】3次元空間の応力 (II-09 2018)
【材料力学】3次元空間の応力 (II-07-1 2020)
【材料力学】3次元空間の応力 (II-07-1 2020)
「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
Chapter9 2
Chapter9 2
ベイズ推定でパラメータリスクを捉える&優れたサンプラーとしてのMCMC
ベイズ推定でパラメータリスクを捉える&優れたサンプラーとしてのMCMC
Ähnlich wie K060 中心極限定理clt
東京都市大学 データ解析入門 2 行列分解 1
東京都市大学 データ解析入門 2 行列分解 1
hirokazutanaka
070 統計的推測 母集団と推定
070 統計的推測 母集団と推定
t2tarumi
Prml sec6
Prml sec6
Keisuke OTAKI
K070k80 点推定 区間推定
K070k80 点推定 区間推定
t2tarumi
PRML 2.3.2-2.3.4 ガウス分布
PRML 2.3.2-2.3.4 ガウス分布
Akihiro Nitta
001 z test
001 z test
Ayako Hoshino
20170327_レムニスケートにまつわる色々な計算
20170327_レムニスケートにまつわる色々な計算
matsumoring
C07
C07
anonymousouj
C04
C04
anonymousouj
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
パターン認識第9章 学習ベクトル量子化
パターン認識第9章 学習ベクトル量子化
Miyoshi Yuya
StanとRでベイズ統計モデリング 11章 離散値をとるパラメータ
StanとRでベイズ統計モデリング 11章 離散値をとるパラメータ
Miki Katsuragi
線形識別モデル
線形識別モデル
貴之 八木
020 1変数の集計
020 1変数の集計
t2tarumi
C02
C02
anonymousouj
PRML セミナー
PRML セミナー
sakaguchi050403
みどりぼん9章前半
みどりぼん9章前半
Akifumi Eguchi
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
Rで学ぶロバスト推定
Rで学ぶロバスト推定
Shintaro Fukushima
Distributed Stochastic Gradient MCMC
Distributed Stochastic Gradient MCMC
Kaede Hayashi
Ähnlich wie K060 中心極限定理clt
(20)
東京都市大学 データ解析入門 2 行列分解 1
東京都市大学 データ解析入門 2 行列分解 1
070 統計的推測 母集団と推定
070 統計的推測 母集団と推定
Prml sec6
Prml sec6
K070k80 点推定 区間推定
K070k80 点推定 区間推定
PRML 2.3.2-2.3.4 ガウス分布
PRML 2.3.2-2.3.4 ガウス分布
001 z test
001 z test
20170327_レムニスケートにまつわる色々な計算
20170327_レムニスケートにまつわる色々な計算
C07
C07
C04
C04
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
パターン認識第9章 学習ベクトル量子化
パターン認識第9章 学習ベクトル量子化
StanとRでベイズ統計モデリング 11章 離散値をとるパラメータ
StanとRでベイズ統計モデリング 11章 離散値をとるパラメータ
線形識別モデル
線形識別モデル
020 1変数の集計
020 1変数の集計
C02
C02
PRML セミナー
PRML セミナー
みどりぼん9章前半
みどりぼん9章前半
卒論プレゼンテーション -DRAFT-
卒論プレゼンテーション -DRAFT-
Rで学ぶロバスト推定
Rで学ぶロバスト推定
Distributed Stochastic Gradient MCMC
Distributed Stochastic Gradient MCMC
Mehr von t2tarumi
K090 仮説検定
K090 仮説検定
t2tarumi
K070 点推定
K070 点推定
t2tarumi
K050 t分布f分布
K050 t分布f分布
t2tarumi
K030 appstat201203 2variable
K030 appstat201203 2variable
t2tarumi
K020 appstat201202
K020 appstat201202
t2tarumi
K010 appstat201201
K010 appstat201201
t2tarumi
K080 区間推定
K080 区間推定
t2tarumi
000 統計学入門 目標
000 統計学入門 目標
t2tarumi
086 独立性の検定
086 独立性の検定
t2tarumi
076 母比率の推定
076 母比率の推定
t2tarumi
080 統計的推測 検定
080 統計的推測 検定
t2tarumi
060 期待値・中心極限定理
060 期待値・中心極限定理
t2tarumi
040 相関
040 相関
t2tarumi
030 2変数の集計
030 2変数の集計
t2tarumi
010 統計学とは
010 統計学とは
t2tarumi
Mehr von t2tarumi
(15)
K090 仮説検定
K090 仮説検定
K070 点推定
K070 点推定
K050 t分布f分布
K050 t分布f分布
K030 appstat201203 2variable
K030 appstat201203 2variable
K020 appstat201202
K020 appstat201202
K010 appstat201201
K010 appstat201201
K080 区間推定
K080 区間推定
000 統計学入門 目標
000 統計学入門 目標
086 独立性の検定
086 独立性の検定
076 母比率の推定
076 母比率の推定
080 統計的推測 検定
080 統計的推測 検定
060 期待値・中心極限定理
060 期待値・中心極限定理
040 相関
040 相関
030 2変数の集計
030 2変数の集計
010 統計学とは
010 統計学とは
K060 中心極限定理clt
1.
中心極限定理 すべては正規分布へ! 1
2.
2中心極限定理
3.
3 これを確かめる
4.
4一様分布の場合 n=1 -0.5 0.0
0.5 1.0 1.5 0.00.20.40.60.81.0 x dunif(x)
5.
5一様分布の場合 n=2 -3 -2
-1 0 1 2 3 0.00.10.20.30.4 x sapply(x,u2s) 独立な 2 個の一様分布の和の分布
6.
6一様分布の場合 n=3 独立な 3
個の一様分布の和の分布 -3 -2 -1 0 1 2 3 0.00.10.20.30.4 x sapply(x,u3s)
7.
7 u2 <- function(z) switch(length(which(c((z
>= 0), (z >= 1), (z > 2)))) + 1, 0, z, 2 - z, 0) u2s <- function(z) u2(z / sqrt(6) + 1) / sqrt(6) x <- seq(-3, 3, length = 101) plot(x, sapply(x, u2s), type = "l") curve(dnorm, -3, 3, add = T, col = 2) u3 <- function(z) switch(length(which(c((z >= 0), (z >= 1), (z > 2), (z > 3)))) + 1, 0, z^2 / 2, -z^2 + 3 * z - 3 / 2, (z - 3)^2 / 2, 0) u3s <- function(z) u3(1.5 + (z * 0.5))* 0.5 x <- seq(-3, 3, length = 101) plot(x, sapply(x, u3s), type = "l", ylim = c(0, 0.4)) curve(dnorm, -3, 3, add = T, col = 2)
8.
8種々の分布 • シミュレーションで使うための新しい分布を定義する 二次分布 三角分布 平方根分布 一様分布 2項分布 など
9.
9密度関数と分布関数
10.
10中心極限定理のシミュレーション • 平均,分散があればどんな分布でも成立する 離散型でも成立 •
左右対称な分布と非対称な分布での振る舞いを比較する 標準正規分布へどのぐらいで収束するか • 母集団分布に,種々の分布を仮定 1. 標本を n 個取り出す 2. その平均を求める 3. それをシミュレーション回数 nsim 回繰り返して, nsim 個の平均を求 める
11.
11中心極限定理のシミュレーション(一様分布の場合) n <- 10 nsim
<-1000 rslt <- apply(sapply(rep(n, nsim), runif), 2, mean) rslt rslt <- c() n <- 10 nsim <-1000 for(i in 1:nsim){ rslt[i] <- mean(runif(n)) } rslt stdata <- scale(rslt) hist(stdata, nclass = 20, xlim = c(-4, 4), freq = F) curve(dnorm, -4, 4, add = T, col = 2) nsim 個の平均の 値の平均と標準 偏差を求め,基 準化する 標準正規分布の密 度関数を重ね書き して,正規分布へ の収束の度合いを 眺める
12.
12中心極限定理のシミュレーション(一様分布の場合) cltplot <- function(data,
n){ hist(scale(data), nclass = 20, xlim = c(-4, 4), ylim = c(0, 0.5), freq = F, main = paste("N =" , n)) curve(dnorm, -4, 4, col = 2, add = T) } clturand <- function(n, nsim){ if(n == 1) result <- apply(matrix(sapply(rep(n, nsim), runif), n, nsim), 2, mean) else result <- apply(sapply(rep(n, nsim), runif), 2, mean) cltplot(result, n) }
13.
13 > clturand(5,1000) N
= 5 scale(data) Density -4 -2 0 2 4 0.00.10.20.30.40.5
14.
14n を変化させる nsim<-1000 cltunif <-
function(nmax){ for(i in 1:nmax){ if (options()$device == "X11") X11() if (options()$device == "windows") win.graph() clturand(i, nsim) } } > cltunif(5) nsim を 100 や 500 に変えてみて 収束の具合を見る どのぐらいで収束しているか見よ う。 出てきたグラフをすべて削除するに は, graphics.off()
15.
15一様分布だけではなく,分布を指定する source(“dist.r”) cltrand <- function(n,
nsim, rdist){ if(n == 1) result <- apply(matrix(sapply(rep(n, nsim), rdist), n, nsim), 2, mean) else result <- apply(sapply(rep(n, nsim), rdist), 2, mean) cltplot(result, n) } clt <- function(nmax, rdist){ for(i in 1:nmax){ if (options()$device == "X11") X11() if (options()$device == "windows") win.graph() cltrand(i, nsim, rdist) } }
16.
16使い方 • 教科書 95
ページ参照 • 二次分布の場合 clt(5, rquad) N = 5 scale(data) Density -4 -2 0 2 4 0.00.10.20.30.40.5 N = 1 scale(data) Density -4 -2 0 2 4 0.00.10.20.30.40.5
17.
17clt 関数で指定できる分布の例
18.
18パラメータが必要な分布では
Jetzt herunterladen