ベイズ統計学
出典: フリー百科事典『ウィキペディア(Wikipedia)』 (2023/07/22 16:29 UTC 版)
ベイズの定理
ベイズの定理はベイズ統計学における基本定理である。ベイズの定理は新たなデータを得た後に確率(直感的信頼度)を更新するためにベイズ的手法によって用いられる。2つの事象とを考えると、が真であると仮定したと時のの条件付き確率は以下の式で表わされる[4]()。
ベイズの定理は確率論の基本的結果であるものの、ベイズ統計学においては明確な解釈を持つ。上記の式において、は大抵は命題(硬貨が50%の確率で表面から着地するとする宣言といったようなもの)、 は考慮に入れられるべき証拠(エビデンス)または新たなデータ(一連のコイン投げの結果といったようなもの)を表わす。はの事前確率であり、証拠が考慮に入れられる前のに関する直感的信頼を表わす。は尤度関数であり、が真であると仮定した時の証拠の確率と解釈することができる。この尤度は、証拠が命題を支持する度合いを定量する。は事後確率であり、証拠を考慮に入れた後の命題の確率である。原則的に、ベイズの定理は新たな証拠を考慮した後に事前の直感的信頼度を更新する[2]。
証拠の確率は全確率の公式を使って計算できる。が標本空間(実験の全ての結果一式)の分割であるとすると、以下のようになる[2][4]。
無限の数の結果が存在する時、全確率の公式を使ってを計算するためには全ての結果にわたって積分する必要がある。しばしば、この計算は評価に多大な時間を必要とする加算または積分を含むため、 は計算が難しく、そのためしばしば事前確率と尤度の積のみが考慮される。これは、証拠が同じ分析中では変化しないためである。事後分布はこの積に比例する[2]。
事後確率の最頻値であり、しばしば数理最適化手法を使ってベイズ統計学において計算される最大事後確率は同じままである。事後確率はマルコフ連鎖モンテカルロ法または変分ベイズ法といった手法を使うことでの厳密値を計算せずに近似することができる[2]。
- ^ “What are Bayesian Statistics?”. deepai.org. 2019年2月22日閲覧。
- ^ a b c d e f g h i Gelman, Andrew; Carlin, John B.; Stern, Hal S.; Dunson, David B.; Vehtari, Aki; Rubin, Donald B. (2013). Bayesian Data Analysis, Third Edition. Chapman and Hall/CRC. ISBN 978-1-4398-4095-5
- ^ Fienberg, Stephen E. (2006). “When Did Bayesian Inference Become "Bayesian"?”. Bayesian Analysis 1 (1) .
- ^ a b Grinstead, Charles M.; Snell, J. Laurie (2006). Introduction to probability (2nd ed.). Providence, RI: American Mathematical Society. ISBN 978-0-8218-9414-9
- ^ Wakefield, Jon (2013). Bayesian and frequentist regression methods. New York, NY: Springer. ISBN 978-1-4419-0924-4
- ^ Congdon, Peter (2014). Applied Bayesian modelling (2nd ed.). Wiley. ISBN 978-1119951513
- ^ Hajiramezanali, E. & Dadaneh, S. Z. & Karbalayghareh, A. & Zhou, Z. & Qian, X. Bayesian multi-domain learning for cancer subtype discovery from next-generation sequencing count data. 32nd Conference on Neural Information Processing Systems (NIPS 2018), Montréal, Canada. https://arxiv.org/pdf/1810.09433.pdf
- ベイズ統計学のページへのリンク