Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
Tokyo.R #96 theory of probability
Search
kilometer
January 29, 2022
Technology
5
2.8k
Tokyo.R #96 theory of probability
第96回Tokyo.Rでトークした際の資料です。
kilometer
January 29, 2022
Tweet
Share
More Decks by kilometer
See All by kilometer
TokyoR#111_ANOVA
kilometer
2
830
TokyoR109.pdf
kilometer
1
440
TokyoR#108_NestedDataHandling
kilometer
0
750
TokyoR#107_R_GeoData
kilometer
0
390
SappoRo.R_roundrobin
kilometer
0
120
TokyoR#104_DataProcessing
kilometer
1
660
TokyoR#103_DataProcessing
kilometer
0
850
TokyoR#102_RMarkdown
kilometer
1
610
TokyoR#101_RegressionAnalysis
kilometer
0
350
Other Decks in Technology
See All in Technology
マルチプロダクトな開発組織で 「開発生産性」に向き合うために試みたこと / Improving Multi-Product Dev Productivity
sugamasao
1
300
Shopifyアプリ開発における Shopifyの機能活用
sonatard
4
250
強いチームと開発生産性
onk
PRO
34
11k
誰も全体を知らない ~ ロールの垣根を超えて引き上げる開発生産性 / Boosting Development Productivity Across Roles
kakehashi
1
220
Lexical Analysis
shigashiyama
1
150
Python(PYNQ)がテーマのAMD主催のFPGAコンテストに参加してきた
iotengineer22
0
470
マルチモーダル / AI Agent / LLMOps 3つの技術トレンドで理解するLLMの今後の展望
hirosatogamo
37
12k
SREが投資するAIOps ~ペアーズにおけるLLM for Developerへの取り組み~
takumiogawa
1
130
TypeScript、上達の瞬間
sadnessojisan
46
13k
AWS Media Services 最新サービスアップデート 2024
eijikominami
0
190
障害対応指揮の意思決定と情報共有における価値観 / Waroom Meetup #2
arthur1
5
470
The Rise of LLMOps
asei
7
1.4k
Featured
See All Featured
Fight the Zombie Pattern Library - RWD Summit 2016
marcelosomers
232
17k
RailsConf 2023
tenderlove
29
900
Making the Leap to Tech Lead
cromwellryan
133
8.9k
Become a Pro
speakerdeck
PRO
25
5k
Responsive Adventures: Dirty Tricks From The Dark Corners of Front-End
smashingmag
250
21k
Large-scale JavaScript Application Architecture
addyosmani
510
110k
The Cost Of JavaScript in 2023
addyosmani
45
6.7k
Keith and Marios Guide to Fast Websites
keithpitt
409
22k
Unsuck your backbone
ammeep
668
57k
個人開発の失敗を避けるイケてる考え方 / tips for indie hackers
panda_program
93
16k
Designing Experiences People Love
moore
138
23k
Building Applications with DynamoDB
mza
90
6.1k
Transcript
@kilometer00 2022.01.29 確率論の基礎 95th #TokyoR
Who!? 誰だ?
Who!? 名前: 三村 @kilometer 職業: ポスドク (こうがくはくし) 専⾨: ⾏動神経科学(霊⻑類) 脳イメージング
医療システム⼯学 R歴: ~ 10年ぐらい 流⾏: むし社
宣伝!!(書籍の翻訳に参加しました。)
𝑋 ~ 𝑁(µ = 0, σ = 1) 「確率変数𝑋 は正規分布𝑁(0,1)に従う」
を完全に理解しよう。 【今⽇の⽬標】
よく⾒る式(正規分布といえばコレ) 𝑝 𝑥 = 1 2πσ! exp −(𝑥 − µ)!
2σ!
よく⾒る式(正規分布といえばコレ) 𝑝 𝑥 = 1 2πσ! exp −(𝑥 − µ)!
2σ! 標準偏差σ 平均µ
よく⾒る式(正規分布といえばコレ) 𝑝 𝑥 = 1 2πσ! exp −(𝑥 − µ)!
2σ! 標準偏差σ 平均µ あなたはだあれ?
Norm_p <- function(x, mu = 0, sigma = 1){ p
<- (1 / sqrt(2 * pi * sigma^2)) * exp(- (x - mu)^2 / (2 * sigma^2)) return(p) } よく⾒る式を計算する関数を作る
よく⾒る式を計算する library(package = "tidyverse") dat <- seq(from = -4, to
= 4, by = 0.1) %>% data.frame(x = .) %>% mutate(p = Norm_p(x)) # ここで計算してる
よく⾒る式を可視化する library(package = "tidyverse") dat <- seq(from = -4, to
= 4, by = 0.1) %>% data.frame(x = .) %>% mutate(p = Norm_p(x)) # ここで計算してる ggplot(data = dat) + aes(x = x, y = p) + geom_path(color = "magenta")
よく⾒る式=よく⾒るグラフだった
よく⾒る式=よく⾒るグラフだった あなたはだあれ?
よく⾒る式=よく⾒るグラフだった あなたはだあれ? 𝒙 = 𝟎の確率は 約𝟎. 𝟒??
よく⾒る式=よく⾒るグラフだった あなたはだあれ? 𝒙 = 𝟎の確率は 約𝟎. 𝟒 ではなくて
よく⾒る式=よく⾒るグラフだった あなたはだあれ? 𝒙 = 𝟎の確率は ゼロ
よく⾒る式=よく⾒るグラフだった あなたはだあれ? 𝒙 = 𝟎の確率は ゼロ
写像 理解 【今⽇の地図】
初⼿:写像
集合𝑋 集合𝑌 要素𝑥 要素𝑦 写像 𝑓: 𝑋 → 𝑌もしくは𝑓: 𝑥
⟼ 𝑦 (始集合・定義域) (終集合・終域) 【写像】 ある集合の要素を他の集合のただ1つの要素に 対応づける規則
地図空間 ⽣物種名空間 名空間 ⾦銭価値空間 (円) ⾦銭価値空間 (ドル) コーヒー ¥290 $2.53
[緯度, 経度] Homo sapiens 実存 写像 写像 写像 写像 写像 写像 情報 【写像】 ある集合の要素を他の集合のただ1つの要素に対応づける規則
𝑓: 𝑥 ↦ 𝑦 もしくは 𝑓 𝑥 = 𝑦 𝑥
= 2 𝑦 = 8 𝑋 𝑌 【写像】 ある集合の要素を他の集合のただ1つの要素に対応づける規則 関数は写像
全事象 Ω 集合 [0,1] 事象 ω 確率𝑝 写像 𝑃 確率は特殊な枠組みを持った写像
全事象 Ω 集合 [0,1] 事象 ω 確率𝑝 写像 𝑃 【確率𝑝
】 ある事象ωについて写像𝑃により対応づけられた 集合[𝟎, 𝟏]の中のただ1つの実数(0 ≤ 𝑝 ≤ 1) 確率は特殊な枠組みを持った写像
写像 理解 確率測度 事象族 事象 【今⽇の地図】
へ の へ の へ も も へ の へのへのもへサイコロ
⾯ 1 : へ ⾯ 2 : の ⾯ 3
: へ ⾯ 4 : の ⾯ 5 : も ⾯ 6 : へ 全事象 Ω へ の も 事象 ω 集合[1,0] 確率 𝑝 1 2 1 3 1 6 写 像 𝑃 も へ の へのへのもへサイコロ
⾯ 1 : へ ⾯ 2 : の ⾯ 3
: へ ⾯ 4 : の ⾯ 5 : も ⾯ 6 : へ 全事象 Ω へ の も 事象族 𝓕 事象 ω 集合[1,0] 確率 𝑝 1 2 1 3 1 6 写 像 𝑃 も へ の へのへのもへサイコロ
事象族 ℱ
Encode Apple (Real) Apple (Information) Decode
Apple Encode Fruit Red 1 (image) Real Information
Apple Encode Fruit Red 1 (image) Real Information channel
地図空間 ⽣物種名空間 名空間 ⾦銭価値空間 (円) ⾦銭価値空間 (ドル) コーヒー ¥290 $2.53
[緯度, 経度] Homo sapiens 実存 写像 写像 写像 写像 写像 写像 情報 【写像】 ある集合の要素を他の集合のただ1つの要素に対応づける規則
⾯ 1 : へ ⾯ 2 : の ⾯ 3
: へ ⾯ 4 : の ⾯ 5 : も ⾯ 6 : へ 全事象 Ω へ の も 事象族 𝓕 事象 ω 集合[1,0] 確率 𝑝 1 2 1 3 1 6 写 像 𝑃 も へ の へのへのもへサイコロ
事象族 ℱは 写像のchannel
事象族𝓕が満たすべき譲れない5条件 1. 事象族ℱは全事象Ωの部分集合である ℱ ⊆ Ω 2. 空集合∅と全事象Ωは事象族ℱの要素である ∅, Ω
∈ ℱ 3. 事象族ℱは空集合∅であってはならない ℱ ≠ ∅ 4. 事象ωを要素に持つ時、その余事象) ωも要素である ω ∈ ℱ ⇒ ) ω ∈ ℱ 5. 要素同⼠の和集合も要素である ℱ = 𝜔!, . . . , 𝜔" ⇒ . #$! 𝜔# ∈ ℱ
全事象 Ω 集合 [0,1] 事象 ω 確率𝑝 写像 𝑃: ℱ
→ [0,1] 事象族 ℱ 事象族ℱが譲れない5条件を満たす → σ-加法族ℱと呼ぶ(σ-加法性を満たす)
全事象 Ω 集合 [0,1] 事象 ω 確率𝑝 写像 𝑷: ℱ
→ [0,1] 写像 𝑷が満たすべき譲れない3条件 σ-加法族 ℱ
全事象 Ω 集合 [0,1] 事象 ω 確率𝑝 写像 𝑷: ℱ
→ [0,1] 写像 𝑷が満たすべき譲れない3条件 1. 写像𝑃: ℱ → [0,1]もしくは𝑃: ω ⊆ Ω ↦ 𝑝 ∈ [0,1] σ-加法族 ℱ
全事象 Ω 集合 [0,1] 事象 ω 確率𝑝 写像 𝑷: ℱ
→ [0,1] 写像 𝑷が満たすべき譲れない3条件 1. 写像𝑃: ℱ → [0,1]もしくは𝑃: ω ⊆ Ω ↦ 𝑝 ∈ [0,1] 2. 全事象の確率𝑃(Ω) = 1 σ-加法族 ℱ
全事象 Ω 集合 [0,1] 事象 ω 確率𝑝 写像 𝑷: ℱ
→ [0,1] 写像 𝑷が満たすべき譲れない3条件 1. 写像𝑃: ℱ → [0,1]もしくは𝑃: ω ⊆ Ω ↦ 𝑝 ∈ [0,1] 2. 全事象の確率𝑃(Ω) = 1 3. 可算加法性を満たす σ-加法族 ℱ
∀ ω= ∩ ω> = ∅ (𝑖 ≠ 𝑗) ⇒
𝑃 - =?@ ω= = . =?@ 𝑃(ω= ) 可算加法性を満たす
∀ ω= ∩ ω> = ∅ (𝑖 ≠ 𝑗) ⇒
𝑃 - =?@ ω= = . =?@ 𝑃(ω= ) 互いに排反ならば、 可算加法性を満たす
可算加法性を満たす ∀ ω= ∩ ω> = ∅ (𝑖 ≠ 𝑗)
⇒ 𝑃 - =?@ ω= = . =?@ 𝑃(ω= ) 互いに排反ならば、 和事象の確率は、 事象の確率の和 (σ-加法性とか完全加法性ともいうけど同じもの)
全事象 Ω 集合 [0,1] 事象 ω 確率𝑝 写像 𝑷: ℱ
→ [0,1] 写像 𝑷が満たすべき譲れない3条件 1. 写像𝑃: ℱ → [0,1]もしくは𝑃: ω ⊆ Ω ↦ 𝑝 ∈ [0,1] 2. 全事象の確率𝑃(Ω) = 1 3. 可算加法性を満たす σ-加法族 ℱ
全事象 Ω 集合 [0,1] 事象 ω 確率𝑝 写像 𝑃: ℱ
→ [0,1] 写像 𝑃が満たすべき譲れない3条件 事象族ℱが満たすべき譲れない5条件 σ-加法族 ℱ
全事象 Ω 集合 [0,1] 事象 ω 確率𝑝 確率測度 𝑃: ℱ
→ [0,1] σ-加法族 ℱ 写像 𝑃が譲れない3条件を満たす → 確率測度𝑃と呼ぶ 事象族ℱが譲れない5条件を満たす → σ-加法族ℱと呼ぶ(σ-加法性を満たす)
全事象 Ω 集合 [0,1] 事象 ω 確率𝑝 確率測度 𝑃 σ-加法族
ℱ 確率空間 𝒫[Ω, ℱ, 𝑃] 全事象𝛀: 起こりうる全ての事象を網羅した集合 事象族𝓕: σ-加法性を満たし写像のchannelを規定する 確率測度𝑷: 事象ωに対し確率𝑝を対応づける写像
写像 理解 確率測度 事象族 事象 【今⽇の地図】
写像 確率測度 確率分布 事象族 確率変数 事象 理解 【今⽇の地図】
⾯ 1 : へ ⾯ 2 : の ⾯ 3
: へ ⾯ 4 : の ⾯ 5 : も ⾯ 6 : へ 全事象 Ω へ の も 事象族 ℱ 事象 ω 集合[1,0] 確率 𝑝 1 2 1 3 1 6 確 率 測 度 𝑃 -1点 0点 -1点 0点 3点 -1点 実数空間 𝑅 実現値 𝑥 写 像 𝑋
全事象 Ω 集合 [0,1] 事象 ω 確率𝑝 確率測度 𝑃: ℱ
→ [0,1] σ-加法族 ℱ 確率空間 𝒫[Ω, ℱ, 𝑃] 実数集合 𝑅 実現値𝑥 写像 𝑿: 𝜴 → 𝑹
全事象 Ω 集合 [0,1] 事象 ω 確率𝑝 確率測度 𝑃: ℱ
→ [0,1] σ-加法族 ℱ 確率空間 𝒫[Ω, ℱ, 𝑃] 実数集合 𝑅 実現値𝑥 確率変数 𝑿: 𝜴 → 𝑹
確率変数 は 写像 【写像】 ある集合の要素を他の集合のただ1つの要素に 対応づける規則
確率変数 は 写像 全事象Ωの要素(事象ω)を確率空間𝒫[Ω, ℱ, 𝑃]の 外側の実数集合𝑅のただ1つの要素(実現値𝑥)に 対応づける規則 全事象 Ω
実数集合 𝑅 事象 ω 実現値𝑥 確率変数 𝑋: ω ↦ 𝑥
⾯ 1 : へ ⾯ 2 : の ⾯ 3
: へ ⾯ 4 : の ⾯ 5 : も ⾯ 6 : へ 全事象 Ω へ の も 事象族 ℱ 事象 ω 集合[1,0] 確率 𝑝 1 2 1 3 1 6 確 率 測 度 𝑃 -1点 0点 -1点 0点 3点 -1点 実数空間 𝑅 実現値 𝑥 確 率 変 数 𝑋
全事象 Ω 集合 [0,1] 事象 ω 確率𝑝 確率測度 𝑃: ℱ
→ [0,1] σ-加法族 ℱ 確率空間 𝒫[Ω, ℱ, 𝑃] 実数集合 𝑅 実現値𝑥 確率変数 𝑿: 𝜴 → 𝑹
全事象 Ω 集合 [0,1] 事象 ω 確率𝑝 確率測度 𝑃: ℱ
→ [0,1] σ-加法族 ℱ 確率空間 𝒫[Ω, ℱ, 𝑃] 実数集合 𝑅 実現値𝑥 確率変数 𝑿: 𝜴 → 𝑹 対応づけられる?
全事象 Ω 集合 [0,1] 事象 ω 確率𝑝 確率測度 𝑃: ℱ
→ [0,1] σ-加法族 ℱ 確率空間 𝒫[Ω, ℱ, 𝑃] 実数集合 𝑅 実現値𝑥 確率変数 𝑿: 𝜴 → 𝑹 対応づけられる?
全事象 Ω 集合 [0,1] 事象 ω 確率𝑝 確率測度 𝑃: ℱ
→ [0,1] 確率空間 𝒫[Ω, ℱ, 𝑃] 実数集合 𝑅 実現値𝑥 確率変数(写像) 𝑿: 𝜴 → 𝑹 逆写像 𝑿"𝟏: 𝒙 ∈ 𝑹 ↦ ω ∈ 𝓕 σ-加法族 ℱ
全事象 Ω 事象 ω 確率𝑝 確率測度 𝑃: ℱ → [0,1]
確率空間 𝒫[Ω, ℱ, 𝑃] 実数集合 𝑅 実現値𝑥 確率変数(写像) 𝑋: 𝛺 → 𝑅 σ-加法族 ℱ 写像 𝒇: 𝒙 ↦ 𝒑 集合 [0,1] 𝑋!"
全事象 Ω 集合 [0,1] 事象 ω 確率𝑝 確率測度 𝑃: ℱ
→ [0,1] 確率空間 𝒫[Ω, ℱ, 𝑃] 実数集合 𝑅 実現値𝑥 確率変数(写像) 𝑋: 𝛺 → 𝑅 𝑋!" 確率分布(写像) 𝒇: 𝒙 ↦ 𝒑 σ-加法族 ℱ
確率分布 は 写像 【写像】 ある集合の要素を他の集合のただ1つの要素に 対応づける規則
確率分布 は 写像 実数集合Rの要素(実現値𝑥)を集合[0,1]の ただ1つの要素(確率𝑝)に対応づける規則 実数集合 R 集合 [1,0] 実現値
𝑥 確率𝑝 確率分布 𝑓: 𝑥 ↦ 𝑝
確率分布 は 写像 実数集合Rの要素(実現値𝑥)を集合[0,1]の ただ1つの要素(確率𝑝)に対応づける規則 実数集合 R 集合 [1,0] 実現値
𝑥 確率𝑝 確率分布 𝑓: 𝑥 ↦ 𝑝 ただし、
確率分布 は 写像 実数集合Rの要素(実現値𝑥)を集合[0,1]の ただ1つの要素(確率𝑝)に対応づける規則 実数集合 R 集合 [1,0] 実現値
𝑥 確率𝑝 確率分布 𝑓: 𝑥 ↦ 𝑝 ただし、channelの規定が必要
Apple Encode Fruit Red 1 (image) Real Information channel
確率分布 は 写像 実数集合Rの要素(実現値𝑥)を集合[0,1]の ただ1つの要素(確率𝑝)に対応づける規則 実数集合 R 集合 [1,0] 確率𝑝
確率分布 𝑓: 𝑥 ↦ 𝑝 ただし、channel(族ℬ)の規定が必要 実現値𝑥 族 ℬ
確率分布 は 写像 実数集合 R 集合 [1,0] 確率𝑝 確率分布 𝑓:
𝑥 ↦ 𝑝 実現値𝑥 族 ℬ 族ℬが満たすべき譲れない5条件 → ボレルσ-加法族ℬと呼ぶ 実数集合上で定義されるσ-加法族をボレルσ-加法族と呼んで差し⽀えないが、 測度論的に厳密な定義にはもう少し⽤語の導⼊が必要になる。ボレル集合族ともいう。
全事象 Ω 集合 [0,1] 事象 ω 確率𝑝 確率測度 𝑃: ℱ
→ [0,1] 事象族 ℱ 確率空間 𝒫[Ω, ℱ, 𝑃] 実数空間 𝑅 実現値𝑥 確率変数(写像) 𝑋: 𝛺 → 𝑅 𝑋!" 確率分布(写像) 𝒇: 𝓑 → [𝟎, 𝟏] ボレルσ-加法族ℬ
⾯ 1 : へ ⾯ 2 : の ⾯ 3
: へ ⾯ 4 : の ⾯ 5 : も ⾯ 6 : へ 全事象 Ω 集合[1,0] 確率 𝑝 1 2 1 3 1 6 確 率 分 布 𝑓 -1点 0点 -1点 0点 3点 -1点 実数空間 𝑅 実現値 𝑥 確 率 変 数 𝑋 -1点 0点 3点 事象族 ℬ
1. 写像という概念を導⼊しました 2. 確率測度と定義しました 3. 確率空間を定義しました 4. 実数空間(実現値)を導⼊しました 5. 実数空間と確率空間を写像で結びました
確率変数:事象から実現値への写像 確率分布:実現値から確率への写像 現在位置の確認 これにより「実現値に対する確率」を 考えることが出来るようになりました。 (ヨシッ!)
ふーん (それで?)
それでですね、
全事象 Ω 集合 [0,1] 事象 ω 確率𝑝 確率測度 𝑃: ℱ
→ [0,1] σ-加法族ℱ 確率空間 𝒫[Ω, ℱ, 𝑃] 実数集合 𝑅 確率変数𝑋 𝑋!" 確率分布 𝑓: ℬ → [0,1] 実現値𝑥 ボレルσ-加法族ℬ
全事象 Ω 集合 [0,1] 事象 ω 確率𝑝 確率測度 𝑃: ℱ
→ [0,1] σ-加法族ℱ 確率空間 𝒫[Ω, ℱ, 𝑃] 実数集合 𝑅 確率変数𝑋 𝑋!" 確率分布 𝑓: ℬ → [0,1] 実現値𝑥 ボレルσ-加法族ℬ
全事象 Ω 集合 [0,1] 事象 ω 確率𝑝 確率測度 𝑃 σ-加法族
ℱ 確率空間𝒫[Ω, ℱ, 𝑃] 実数集合 𝑅 集合 [0,1] 実現値 𝑥 確率𝑝 確率分布 𝑓 ボレルσ-加法族 ℬ
お前はもう、 (ご唱和ください)
お前はもう、 確率空間だ。
実数集合 R 集合 [0,1] 実現値𝑥 確率𝑝 確率分布 𝑓 σ-加法族 ℬ
確率空間 𝒳[𝑅, ℬ, 𝑓] 全事象𝐑: 起こりうる全ての事象を網羅した集合 事象族𝓑: σ-加法性を満たし写像のchannelを規定する 確率分布𝒇: 実現値𝑥に対し確率𝑝を対応づける写像
全事象 Ω 集合 [0,1] 事象 ω 確率𝑝 確率測度 𝑃: ℱ
→ [0,1] 事象族 ℱ 確率空間 𝒫[Ω, ℱ, 𝑃] 実数空間 𝑅 確率変数𝑋 𝑋!" 確率分布 𝑓: ℬ → [0,1] 確率空間 𝒳[𝑅, ℬ, 𝑃] 実現値𝑥 族ℬ
確率分布𝑓が実数𝑥を確率𝑝に対応づける 確率空間𝒳[𝑅, ℬ, 𝑓]
確率空間𝒳[𝑅, ℬ, 𝑓] 確率変数𝑋による事象ωの実現値 確率分布𝑓が実数𝑥を確率𝑝に対応づける
確率空間𝒳[𝑅, ℬ, 𝑓] 確率変数𝑋による事象ωの実現値 確率空間 𝒫[Ω, ℱ, 𝑃] 確率分布𝑓が実数𝑥を確率𝑝に対応づける
確率変数𝑋による実現値𝑥は 確率分布𝑓に従って確率𝑝に 対応づけられる
確率変数𝑋による実現値𝑥は 確率分布𝑓に従って確率𝑝に 対応づけられる 確率変数𝑋による実現値𝑥は 確率分布𝑓に従って確率𝑝に 対応づけられるう
𝑋 ~ 𝑁(0, 1) 「確率変数𝑋 は正規分布𝑁(0,1)に従う」 確率変数𝑋による実現値𝑥は 正規分布𝑁に従って確率𝑝 に対応づけられる
宿題 あなたはだあれ? 𝒙 = 𝟎の確率は ゼロ
写像 確率測度 確率分布 事象族 確率変数 理解 【今⽇の地図】
写像 確率測度 確率分布 確率密度 事象族 確率変数 理解 連続確率 【今⽇の地図】
⾯ 1 : へ ⾯ 2 : の ⾯ 3
: へ ⾯ 4 : の ⾯ 5 : も ⾯ 6 : へ 全事象 Ω 集合[1,0] 確率 𝑝 1 2 1 3 1 6 確 率 分 布 𝑓 -1点 0点 -1点 0点 3点 -1点 実数空間 𝑅 実現値 𝑥 確 率 変 数 𝑋 -1点 0点 3点 事象族 ℬ
確率分布𝑓を可視化する 𝑝 = 𝑓 𝑥
・必ず1つの⾯が出る ・⾯は均等に出る ・各⾯には数値(実現値𝑥)が1つ書かれている ・ 𝑥 ∈ seq(form = 0, to
= 1, length = N) ・ 確率分布𝑓: 𝑥 ⟼ 𝑝すなわち𝑓 𝑥 = 𝑝とする 理想的なN⾯体サイコロ
理想的なN⾯体サイコロ 𝑝$ = 𝑓 𝑥$ = 1 6 𝑖 ∈
{1, 2, … , 6}
理想的なN⾯体サイコロ 𝑝$ = 𝑓 𝑥$ = 1 15 𝑖 ∈
{1, 2, … , 15}
理想的なN⾯体サイコロ 𝑖 ∈ {1, 2, … , ∞} 𝑝$ =
𝑓 𝑥$ = 1 ∞
理想的なN⾯体サイコロ 𝑝$ = 𝑓 𝑥$ = 1 ∞ = 0
𝑖 ∈ {1, 2, … , ∞} 𝑥$ ∈ [0,1] この区間に含まれる 実数全体
連続確率分布𝑓 実現値𝑥に対し確率𝑝を対応づける写像のうち 𝑥が連続した1つの区間[𝑎, 𝑏]で定義されるもの。 ただし(𝑎, 𝑏 ∈ 𝑅, 𝑎 <
𝑏)を満たす。
連続確率分布𝑓 実現値𝑥に対し確率𝑝を対応づける写像のうち 𝑥が連続した1つの区間[𝑎, 𝑏]で定義されるもの。 ただし(𝑎, 𝑏 ∈ 𝑅, 𝑎 <
𝑏)を満たす。 特定の実現値𝑥# に対する確率𝑝# は必ず0になる。 𝑝$ = 𝑓 𝑥$ = 1 ∞ = 0
確率𝑝# は実現値𝑥# の⽣じやすさを表す数値 𝑥 ∈ [𝑎, 𝑏]だと全ての𝑥# について𝑝# = 0
従って「どの⾯も出ない」 「必ず1つの⾯が出る」(定義) ⽭盾
実数集合 𝑅 集合 [0,1] 実現値 𝑥 確率𝑝 確率分布 𝒇: ℬ
→ [0,1] 確率分布 𝒇が満たすべき譲れない3条件 1. 写像𝑓: ℬ → [0,1] 2.全事象の確率𝑓(𝑅) = 1 3. 可算加法性を満たす σ-加法族 ℬ
実数集合 𝑅 集合 [0,1] 実現値 𝑥 確率𝑝 確率分布 𝒇: ℬ
→ [0,1] 確率分布 𝒇が満たすべき譲れない3条件より σ-加法族 ℬ 𝑓 𝑅 = 0 !" " 𝑓 𝑥 𝑑𝑥 = 1
理想的なN⾯体サイコロ 𝑝$ = 𝑓 𝑥$ = 1 ∞ = 0
コレの積分が1 𝑓 𝑅 = O "% % 𝑓 𝑥 𝑑𝑥 = 1
そうだ、累積確率を考えよう
𝐹 𝑥 = 2 !" # 𝑓 𝑥 𝑑𝑥 𝐹
𝑥 = 4 ##$# 𝑓(𝑥% ) 累積確率𝐹 連続確率分布𝑓について 離散確率分布𝑓について
𝑓 𝑥 𝐹 𝑥 確率分布 累積確率
𝐹 𝑥 = 5 PQ R 𝑓 𝑥 𝑑𝑥 連続確率分布𝑓について
𝑓 𝑥 = 1 ∞ 無限に⼩さい数を⾜し上げている 累積確率𝑭は𝒙の定義域内で微分可能 確率分布 累積確率
微分可能?よろしい、 ならば微分しよう。
𝐹 𝑥 = 5 PQ R 𝑓 𝑥 𝑑𝑥 𝑓
𝑥 = 1 ∞ 確率分布 累積確率 f 𝑥 = 𝑑 𝑑𝑥 𝐹 𝑥 確率密度 連続確率分布𝑓について
確率分布 𝑓 𝑥 累積確率 𝐹 𝑥 確率密度 f 𝑥
確率分布 𝑓 𝑥 累積確率 𝐹 𝑥 確率密度 f 𝑥 𝑝
𝑎 ≤ 𝑥 ≤ 𝑏 = ? ! " 𝑓 𝑥 𝑑𝑥 = ? ! " f 𝑥 𝑑𝑥 a b a b
𝐹 𝑥 = 5 PQ R 𝑓 𝑥 𝑑𝑥 𝑓
𝑥 = 1 ∞ 確率分布 累積確率 f 𝑥 = 𝑑 𝑑𝑥 𝐹 𝑥 確率密度 例外なく定式化できない 𝑓 𝑥 こっちで定式化する 連続確率分布𝑓について
正規分布の確率密度f f 𝑥 = 1 2πσU exp −(𝑥 − µ)U
2σU 例のあの式!
確率分布𝑓 𝑥 累積確率𝐹 𝑥 確率密度f 𝑥 正規分布 ⼀様分布
例のグラフは正規分布の確率密度fを表す Q. あなたはだあれ? 𝒙 = 𝟎の確率𝑝は ゼロ A. 確率密度
写像 確率測度 確率分布 確率密度 事象族 確率変数 正規分布 連続確率 事象 【今⽇の地図】
確率分布を取り扱うための関数 in R
確率分布関数 𝑓 𝑥 𝐹 𝑥 f 𝑥 確率分布関数 確率分布関数 確率質量関数
(実現値が離散量なのを強調したい?) 累積確率分布関数 累積確率分布関数 累積確率分布関数 累積確率分布関数 確率密度分布関数 確率密度分布関数 呼び⽅いろいろ問題 累積確率分布関数 (他にもあるかも) 確率密度分布関数
&OKPZ