Statystyka Bayesowska na wesoło

Will Kurt

Uzyskaj dostęp

Zakup książkę

ISBN/ISSN:

978-83-01-21353-4

DOI:

Wydawnictwo:

Wydawnictwo Naukowe PWN

Rok wydania:

2020

Liczba stron:

287

XML:ISBN/ISSN:

ONIX MARC21

Bibliografia:

Kurt, Will. Statystyka Bayesowska na wesoło. Red. . : Wydawnictwo Naukowe PWN, 2020, 287 s. ISBN 978-83-01-21353-4

Bibliografia refWorks:

RT Book, Whole

SR Electronic(1)

A1 Kurt, W.

T1 Statystyka Bayesowska na wesoło

PB Wydawnictwo Naukowe PWN

YR 2020

SN 978-83-01-21353-4

Bibliografia BibTex:

@Book{ 228725, author = "Kurt, Will", editor = "", title = "Statystyka Bayesowska na wesoło", publisher = "Wydawnictwo Naukowe PWN", year = "2020", address = "", isbn = "978-83-01-21353-4" }

Bibliografia endNote:

TY - BOOK

AU - Kurt, Will

ED -

TI - Statystyka Bayesowska na wesoło

PB - Wydawnictwo Naukowe PWN

CY -

PY - 2020

SN - 978-83-01-21353-4

ER -

Netografia (standard APA):

Kurt, Will. Statystyka Bayesowska na wesoło [baza danych online] : Wydawnictwo Naukowe PWN, 2020 [dostęp: 03 07 2024]. Dostęp w Ibuk Libra: https://libra.ibuk.pl/reader/statystyka-bayesowska-na-wesolo-will-kurt-228725.

statystyka, analiza danych, prawdopodobieństwo, probabilistyka, statystyka Bayesowska, hipotezy, twierdzenie Bayesa, język programowania R

Ten zrozumiały elementarz pomoże Ci zrozumieć, jak używać metod Bayesowskich poprzez jasne wyjaśnienia i zabawne przykłady. Będziesz polował na UFO, aby zbadać codzienne rozumowanie, a także obliczysz czy Han Solo przeżyje podróż przez pole astero...

Więcej

ISBN/ISSN:

978-83-01-21353-4

DOI:

Wydawnictwo:

Wydawnictwo Naukowe PWN

Rok wydania:

2020

Liczba stron:

287

XML:ISBN/ISSN:

ONIX MARC21

Podziękowania16
Wstęp18
Po co uczyć się statystyki?19
Co jest w tej książce20
Co to jest statystyka „bayesowska”?20
Wiedza potrzebna przy czytaniu książk23
Wyruszmy ku przygodzie!23
CZĘŚĆ I: WPROWADZENIE DO PRAWDOPODOBIEŃSTWA24
1. Myślenie bayesowskie i codzienne rozumowanie26
Wnioskowanie o dziwnych doświadczeniach27
Obserwowanie danych27
Przekonania a priori a prawdopodobieństwa warunkowe28
Formułowanie hipotezy29
Zdobywanie większej liczby przesłanek i aktualizacja przekonań31
Napotykanie hipotez w codziennej mowie31
Porównywanie hipotez32
Dane są podstawą przekonań; przekonania nie powinny być podstawą danych33
Podsumowanie 11 Ćwiczenia 11 2. Mierzenie niepewności36
Czym jest prawdopodobieństwo?37
Obliczanie prawdopodobieństw poprzez zliczanie wyników zdarzeń38
Obliczanie prawdopodobieństw jako stosunków przekonań39
Obliczanie prawdopodobieństw40
Obliczanie prawdopodobieństwa przy użyciu pojęcia szansy40
Mierzenie przekonań w rzucie monetą41
Podsumowanie 19 Ćwiczenia 20 3. Logika niepewności44
Łączenie prawdopodobieństw operatorem I45
Rozwiązywanie połączenia dwóch prawdopodobieństw45
Stosowanie reguły iloczynu dla prawdopodobieństwa47
Przykład: obliczanie prawdopodobieństwa spóźnienia48
Łączenie prawdopodobieństw operatorem LUB49
Wykonywanie działania LUB na wzajemnie wykluczających się zdarzeniach49
Stosowanie reguły dodawania dla zdarzeń niewykluczających się51
Przykład: obliczanie prawdopodobieństwa dostania wysokiego mandatu52
Podsumowanie53
Ćwiczenia54
4. Tworzenie dwumianowego rozkładu prawdopodobieństwa56
Struktura rozkładu dwumianowego57
Zrozumienie i uogólnienie szczegółów naszego problemu58
Zliczanie naszych wyników przy użyciu symbolu Newtona59
Kombinatoryka: zaawansowane zliczanie przy użyciu symbolu Newtona60
Obliczanie prawdopodobieństwa pożądanego wyniku61
Przykład: gry Gacha64
Ćwiczenia66
Podsumowanie66
5. Rozkład beta68
Dziwny przypadek: zbieranie danych69
Rozróżnienie prawdopodobieństwa, statystyki i wnioskowania69
Zbieranie danych69
Obliczanie prawdopodobieństwa prawdopodobieństw70
Rozkład beta73
Rozłożenie funkcji gęstości prawdopodobieństwa na części pierwsze73
Zastosowanie funkcji gęstości prawdopodobieństwa do naszego problemu74
Opis ilościowy rozkładów ciągłych przy użyciu całkowania75
Inżynieria wsteczna gry Gacha76
Ćwiczenia78
Podsumowanie78
CZĘŚĆ II: PRAWDOPODOBIEŃSTWO BAYESOWSKIE I PRAWDOPODOBIEŃSTWO A PRIORI 80
6. Prawdopodobieństwo warunkowe82
Wprowadzenie do prawdopodobieństwa warunkowego83
Dlaczego prawdopodobieństwa warunkowe są ważne83
Zależność i zmienione zasady prawdopodobieństwa84
Odwracanie prawdopodobieństw warunkowych i twierdzenie Bayesa85
Wprowadzenie do twierdzenia Bayesa87
Podsumowanie88
Ćwiczenia89
7. Twierdzenie Bayesa z klockami LEGO90
Graficzne obliczanie prawdopodobieństw warunkowych93
Przejście przez matematykę94
Ćwiczenia95
Podsumowanie95
8. A priori, wiarogodność i a posteriori w twierdzeniu Bayesa 96
Badanie miejsca zbrodn97
Trzy składowe97
Obliczanie prawdopodobieństwa a priori98
Obliczanie wiarogodności98
Normalizacja danych99
Rozważanie hipotez alternatywnych101
Prawdopodobieństwo a priori hipotezy alternatywne101
Wiarogodność hipotezy alternatywnej101
Prawdopodobieństwo a posteriori dla hipotezy alternatywnej102
Porównywanie nieznormalizowanych prawdopodobieństw a posteriori103
Ćwiczenia104
Podsumowanie104
9. Bayesowskie prawdopodobieństwa a priori i wykorzystanie rozkładów prawdopodobieństw 106
Wątpliwości C-3PO co do pól asteroid107
Wyznaczanie przekonań C-3PO107
Uwzględnienie kozactwa Hana108
Tworzenie suspensu za pomocą prawdopodobieństwa a posteriori110
Podsumowanie111
Ćwiczenia112
CZĘŚĆ III: ESTYMACJA PARAMETRÓW114
10. Wprowadzenie do uśredniania i estymacji parametrów116
Szacowanie opadu śniegu117
Uśrednianie pomiarów w celu zminimalizowania błędu117
Rozwiązywanie uproszczonej wersji naszego problemu118
Rozwiązywanie bardziej skrajnego przypadku120
Oszacowanie prawdziwej wartości poprzez prawdopodobieństwa ważone121
Definiowane oczekiwania, średniej i uśredniania122
Średnie dla pomiaru kontra średnie dla podsumowań123
Ćwiczenia124
Podsumowanie124
11. Mierzenie rozproszenia naszych danych126
Obliczanie średniego odchylenia bezwzględnego127
Wrzucanie monet do studni127
Obliczanie wariancji129
Obliczanie odchylenia standardowego130
Ćwiczenia132
Podsumowanie132
12. Rozkład normalny134
Mierzenie lontów do nikczemnych uczynków135
Rozkład normalny137
Rozwiązywanie problemu lontów139
Parę sztuczek i trochę intuicji141
Zdarzenia „N sigma”143
Rozkład beta i rozkład normalny144
Ćwiczenia145
Podsumowanie145
13. Narzędzia estymacji parametrów: funkcja gęstości, dystrybuanta i odwrotna dystrybuanta146
Estymacja współczynnika konwersji newslettera147
Funkcja gęstości prawdopodobieństwa147
Wizualizacja i interpretacja funkcji gęstości prawdopodobieństwa148
Praca z funkcją gęstości prawdopodobieństwa w R149
Wprowadzenie dystrybuanty150
Wizualizacja i interpretacja dystrybuanty153
Znajdowanie mediany153
Graficzne przybliżanie całek154
Estymacja przedziałów ufności155
Odwrotna dystrybuanta156
Używanie dystrybuanty w R156
Zobrazowanie i zrozumienie odwrotnej dystrybuanty157
Podsumowanie158
Obliczanie odwrotnej dystrybuanty w R158
Ćwiczenia159
14. Estymacja parametrów z prawdopodobieństwami a priori 160
Przewidywanie współczynnika konwersji e-maili161
Uwzględnianie szerszego kontekstu z prawdopodobieństwami a priori162
A priori jako środki ilościowego opisu doświadczenia166
Czy możemy zdecydować się na uczciwy rozkład a priori, gdy nie wiemy nic?167
Ćwiczenia169
Podsumowanie169
CZĘŚĆ IV: TESTOWANIE HIPOTEZ: SERCE STATYSTYKI170
15. Od estymacji parametrów do testowania hipotez: konstrukcja bayesowskiego testu A/B172
Przygotowywanie bayesowskiego testu A/B173
Wymyślanie prawdopodobieństwa a priori173
Zbieranie danych174
Symulacje Monte Carlo175
W ilu światach B jest lepszym wariantem?176
O ile lepszy jest każdy wariant B od każdego wariantu A?177
Ćwiczenia179
Podsumowanie179
16. Wstęp do czynnika Bayesa i szanse a posteriori: rywalizacja poglądów180
Powrót do twierdzenia Bayesa181
Konstruowanie testu hipotez przy użyciu stosunku prawdopodobieństw a posteriori182
Czynnik Bayesa182
Szansa a priori182
Szansa a posteriori183
Podsumowanie187
Ćwiczenia188
17. Wnioskowanie bayesowskie w „Strefie mroku”190
Korzystanie z czynnika Bayesa do zrozumienia Mistycznego jasnowidza191
Wnioskowanie bayesowskie w „Strefie mroku”191
Mierzenie czynnika Bayesa192
Uwzględnianie przekonań a priori193
Wykształcanie naszych własnych mocy paranormalnych194
Ćwiczenia196
Podsumowanie196
18. Kiedy dane cię nie przekonują198
Kolega ze zdolnościami paranormalnymi rzuca kostką199
Porównanie wiarogodności199
Wprowadzenie szansy a priori200
Rozważanie hipotez alternatywnych201
Zażarte dyskusje z krewnymi i zwolennikami teorii spiskowych202
Ćwiczenia204
Podsumowanie204
19. Od testowania hipotez do estymacji parametrów206
Czy jarmarczna zabawa jest rzeczywiście uczciwa?207
Poszukiwanie kolejnych hipotez za pomocą języka R209
Rozważanie wielu hipotez209
Dodanie szansy a priori do stosunków wiarogodności211
Konstruowanie rozkładu prawdopodobieństwa213
Od czynnika Bayesa do estymacji parametrów214
Ćwiczenia217
Podsumowanie217
A. Szybkie wprowadzenie do języka R 218
R i RStudio219
Podstawowe pojęcia w języku R220
Tworzenie skryptu R220
Typy danych220
Brakujące wartości223
Wektory223
Funkcje224
Podstawowe funkcje225
Losowe próbkowanie229
Funkcja runif()229
Funkcja rnorm()230
Funkcja sample()230
Przewidywalne losowe wyniki dzięki funkcji set.seed()231
Definiowanie własnych funkcji232
Tworzenie podstawowych wykresów233
Ćwiczenie: symulowanie wartości akcji236
Podsumowanie237
B. Tyle analizy matematycznej, aby czytać tę książkę238
Funkcje239
Ustalenie, jak daleko dobiegłeś240
Mierzenie pola pod krzywą: całka242
Mierzenie tempa zmian: pochodna246
Podstawowe twierdzenie rachunku całkowego250
C. Odpowiedzi do ćwiczeń252
Indeks281