- 練習題參考答案 更新時間：2019-01-04 22:39:17
- 參考文獻
- 結語 貝葉斯統計——21世紀最振奮人心的科學
- 21-6 測量兩次水溫之后的貝葉斯推理
- 21-5 根據正態分布進行貝葉斯推理的公式
- 21-4 后驗分布的含義
- 21-3 根據正態分布進行貝葉斯推理的步驟
- 21-2 用不準確的溫度計推算洗澡水的溫度
- 21-1 把正態分布設定為先驗分布，并進行推理
- 第21講在“正態分布”中使用概率分布圖進行高級推理
- 20-5 正態分布的多個觀測值的平均值為正態分布
- 20-4 將一般正態分布概率轉換為標準正態分布形式
- 20-3 正態分布由“μ”和“б”決定
- 20-2 呈現吊鐘型的正態分布
- 20-1 統計學的主角——“正態分布”
- 第20講在拋硬幣或天體觀測時觀察到的“正態分布”
- 19-5 在先驗分布中運用貝塔分布的原因
- 19-4 設定先驗分布非均勻分布，并進行推理
- 19-3 第二胎依然為女孩時的推理
- 19-2 設定先驗分布為均勻分布，并進行推理
- 19-1 對“生女孩”的案例進行更準確的推理
- 第19講在“貝塔分布”中使用概率分布圖進行高級推理
- 18-6 通過貝塔分布來計算期待值
- 18-5 計算擲骰子和生女孩案例中的期待值
- 18-4 期待值可以作為使概率分布圖保持平衡的支點
- 18-3 長期來看，期待值是與實際情況相符的
- 18-2 期待值的計算方法
- 18-1 用一個數值來代表概率分布
- 第18講決定概率分布性質的“期待值”
- 17-7 在貝塔分布中，若α、β增大，情況就會變得復雜
- 17-6 α=2，β=2的例子
- 17-5 α=1，β=2的例子
- 17-4 α=2，β=1的例子
- 17-3 α=1，β=1的例子即為[0 1]-賭盤模型
- 17-2 何為“貝塔分布”
- 17-1 貝葉斯推理中經常使用的連續型分布——“貝塔分布”
- 第17講“貝塔分布”的性質由兩個數字決定
- 16-5 能夠用圖說明復雜概率模型的“概率分布圖”
- 16-4 [0 1]-賭盤模型中的一般事件的概率
- 16-3 把“大致相同”模型轉換為成連續化的“均勻分布”
- 16-2 思考“同樣的可能”型的概率模型
- 16-1 到達到實用水平，需要“概率分布圖”和“期待值”
- 第16講“概率分布圖”幫助我們進行更加通用的推理
- 15-4 通過條件概率的公式理解后驗概率
- 15-3 各個類別被賦予的概率=條件概率
- 15-2 “條件概率”把部分看作整體，從而變更數值
- 15-1 運用“條件概率”來表示“貝葉斯逆概率”
- 第15講在獲得信息之后，概率的表示方法“條件概率”的基本性質
- 14-5 用概率符號來表示用“&”連接起來的事件
- 14-4 用概率符號來表示貝葉斯推理的先驗概率
- 14-3 概率與面積的性質相同
- 14-2 通過函數的形式來記述概率
- 14-1 復雜的貝葉斯推理需要用到概率符號
- 第14講“概率”與“面積”的性質相同概率論的基礎
- 第2部 完全自學！從“概率論”到“正態分布”
- 13-6 觀察次數越多，推算結果就越接近實際
- 13-5 根據最新的觀察結果，結論發生變化
- 13-4 第二次取出的是白球的情況下的推理
- 13-3 第二次取出的也是黑球的情況下的推理
- 13-2 壺的問題：取出2個球
- 13-1 從“勉勉強強”的推測變為“更加精確”的推理
- 第13講每獲得一條信息，貝葉斯推理就變得更精確一些
- 12-4 貝葉斯推理具有智慧性
- 12-3 通過信息②進行貝葉斯更新
- 12-2 把從信息①中得到的后驗概率，設為“先驗概率”
- 12-1 在進行貝葉斯推理時，即使忘記了之前的信息也是合乎邏輯的
- 第12講在貝葉斯推理中可以依次使用信息“序貫理性”
- 11-6 從2個信息可以消去不可能的情況
- 11-5 獲得第2條信息后，可能性隨之變為8種
- 11-4 根據掃描結果，計算垃圾郵件的貝葉斯逆概率
- 11-3 掃描字句與條件概率的設定
- 11-2 在過濾器上設置“先驗概率”
- 11-1 垃圾郵件過濾器以貝葉斯推理為基礎
- 第11講掌握多條信息時的推理②以垃圾郵件過濾器為例
- 10-4 獨立試驗概率的乘法公式
- 10-3 用乘法運算得出獨立的直積試驗的概率
- 10-2 將兩個試驗結合起來
- 10-1 運用多項信息進行貝葉斯推理
- 第10講掌握多條信息時的推理①運用“獨立試驗的概率乘法公式”
- 9-6 結論因模型的設定自身而發生變化
- 9-5 通過貝葉斯推理推導出矛盾
- 9-4 這兩個問題的本質是相同的
- 9-3 悖論② 三個囚犯的問題
- 9-2 悖論① 蒙蒂霍爾問題
- 9-1 貝葉斯逆概率的悖論
- 第9講貝葉斯推理的結果，有時與直覺大相徑庭②蒙蒂霍爾問題與三個囚犯的問題
- 8-4 內曼-皮爾遜統計學也以極大似然原理為基礎
- 8-3 貝葉斯推理以極大似然原理為基礎
- 8-2 “極大似然原理”被運用到眾多學科當中
- 8-1 貝葉斯統計學與內曼-皮爾遜統計學的共通點
- 第8講貝葉斯推理的基礎：極大似然原理貝葉斯統計學與內曼-皮爾遜統計學的銜接點
- 7-5 從邏輯性觀點出發，看貝葉斯推理的過程
- 7-4 貝葉斯推理和內曼-皮爾遜式推理中，“風險”的含義不同
- 7-3 貝葉斯推理無論在何種條件下，都能得出一個暫時的結果
- 7-2 把A壺和B壺分別設定為一個類別
- 7-1 用貝葉斯推理解開壺的問題
- 第7講通過少量信息得出切實結論的貝葉斯推理與內曼-皮爾遜式推理的差異
- 6-3 假設檢驗中也存在無法做出判斷的情況
- 6-2 假設檢驗的過程
- 6-1 運用內曼-皮爾遜式推理解答有關壺的問題
- 第6講明快而嚴格，但其使用場合受到限制的內曼-皮爾遜式推理
- 5-4 概率推理的過程
- 5-3 邏輯推理的過程
- 5-2 何為推論
- 5-1 實際上，貝葉斯統計學比一般的統計學歷史更為悠久
- 第5講從推算過程開始，逐漸明確的貝葉斯推理的特征
- 4-6 在計算“第二胎生女孩的概率”時，使用“期待值”
- 4-5 貝葉斯推理的過程總結
- 4-4 第一胎已經生了女孩，因此可以排除掉“不可能的情況”
- 4-3 把“生女孩的概率”直接作為“條件概率”來使用
- 4-2 將“概率的概率”設置為“先驗概率”
- 4-1 第一個孩子是女兒，那么下一個孩子是男孩還是女孩？
- 第4講運用“概率的概率”，拓寬推理范圍
- 3-6 計算“信念的程度”也可以使用貝葉斯推理
- 3-5 貝葉斯推理的過程總結
- 3-4 收到巧克力，排除掉“不可能的情況”
- 3-3 設法找到數據，設定“條件概率”
- 3-2 主觀上設定你是否是“真命天子”的“先驗概率”
- 3-1 推測送巧克力的女同事的心意
- 第3講根據主觀數字也可以進行推理疑惑時分的“理由不充分原理”
- 2-6 貝葉斯推理過程的總結
- 2-5 計算罹患癌癥的“貝葉斯逆概率”
- 2-4 檢查結果呈陽性，因而排除掉“不可能的情況”
- 2-3 以檢查準確率為線索，設定“條件概率”
- 2-2 根據醫療數據，設定“先驗概率”
- 2-1 計算罹患癌癥的概率
- 第2講貝葉斯推理的結果，有時與直覺大相徑庭①使用客觀數據時的注意事項
- 1-6 貝葉斯推理過程的總結
- 1-5 第四步：尋求“來買東西的人”的“貝葉斯逆概率”
- 1-4 第三步：通過觀察到的行為，排除“不可能的情況”
- 1-3 第二步：設置發生“向店員詢問”事件的條件概率
- 1-2 第一步：通過經驗設定“先驗概率”
- 1-1 通過貝葉斯推理來辨別“買東西的人”和“隨便逛逛的人”
- 第1講信息增加導致概率變化“貝葉斯推理”的基本方法
- 第1部 快速學習！理解貝葉斯統計學的精髓
- 0-5 附帶簡單的填空練習題，適合自學
- 0-4 貝葉斯統計依存于人的心理
- 0-3 比爾·蓋茨也在關注它！貝葉斯統計在商業活動中的應用
- 0-2 僅使用面積圖和簡單算術
- 0-1 從零基礎達到應用水平
- 第0講 只要會做四則運算，便可掌握貝葉斯統計學本書的特點
- 版權信息
- 封面
- 封面
- 版權信息
- 第0講 只要會做四則運算，便可掌握貝葉斯統計學本書的特點
- 0-1 從零基礎達到應用水平
- 0-2 僅使用面積圖和簡單算術
- 0-3 比爾·蓋茨也在關注它！貝葉斯統計在商業活動中的應用
- 0-4 貝葉斯統計依存于人的心理
- 0-5 附帶簡單的填空練習題，適合自學
- 第1部 快速學習！理解貝葉斯統計學的精髓
- 第1講信息增加導致概率變化“貝葉斯推理”的基本方法
- 1-1 通過貝葉斯推理來辨別“買東西的人”和“隨便逛逛的人”
- 1-2 第一步：通過經驗設定“先驗概率”
- 1-3 第二步：設置發生“向店員詢問”事件的條件概率
- 1-4 第三步：通過觀察到的行為，排除“不可能的情況”
- 1-5 第四步：尋求“來買東西的人”的“貝葉斯逆概率”
- 1-6 貝葉斯推理過程的總結
- 第2講貝葉斯推理的結果，有時與直覺大相徑庭①使用客觀數據時的注意事項
- 2-1 計算罹患癌癥的概率
- 2-2 根據醫療數據，設定“先驗概率”
- 2-3 以檢查準確率為線索，設定“條件概率”
- 2-4 檢查結果呈陽性，因而排除掉“不可能的情況”
- 2-5 計算罹患癌癥的“貝葉斯逆概率”
- 2-6 貝葉斯推理過程的總結
- 第3講根據主觀數字也可以進行推理疑惑時分的“理由不充分原理”
- 3-1 推測送巧克力的女同事的心意
- 3-2 主觀上設定你是否是“真命天子”的“先驗概率”
- 3-3 設法找到數據，設定“條件概率”
- 3-4 收到巧克力，排除掉“不可能的情況”
- 3-5 貝葉斯推理的過程總結
- 3-6 計算“信念的程度”也可以使用貝葉斯推理
- 第4講運用“概率的概率”，拓寬推理范圍
- 4-1 第一個孩子是女兒，那么下一個孩子是男孩還是女孩？
- 4-2 將“概率的概率”設置為“先驗概率”
- 4-3 把“生女孩的概率”直接作為“條件概率”來使用
- 4-4 第一胎已經生了女孩，因此可以排除掉“不可能的情況”
- 4-5 貝葉斯推理的過程總結
- 4-6 在計算“第二胎生女孩的概率”時，使用“期待值”
- 第5講從推算過程開始，逐漸明確的貝葉斯推理的特征
- 5-1 實際上，貝葉斯統計學比一般的統計學歷史更為悠久
- 5-2 何為推論
- 5-3 邏輯推理的過程
- 5-4 概率推理的過程
- 第6講明快而嚴格，但其使用場合受到限制的內曼-皮爾遜式推理
- 6-1 運用內曼-皮爾遜式推理解答有關壺的問題
- 6-2 假設檢驗的過程
- 6-3 假設檢驗中也存在無法做出判斷的情況
- 第7講通過少量信息得出切實結論的貝葉斯推理與內曼-皮爾遜式推理的差異
- 7-1 用貝葉斯推理解開壺的問題
- 7-2 把A壺和B壺分別設定為一個類別
- 7-3 貝葉斯推理無論在何種條件下，都能得出一個暫時的結果
- 7-4 貝葉斯推理和內曼-皮爾遜式推理中，“風險”的含義不同
- 7-5 從邏輯性觀點出發，看貝葉斯推理的過程
- 第8講貝葉斯推理的基礎：極大似然原理貝葉斯統計學與內曼-皮爾遜統計學的銜接點
- 8-1 貝葉斯統計學與內曼-皮爾遜統計學的共通點
- 8-2 “極大似然原理”被運用到眾多學科當中
- 8-3 貝葉斯推理以極大似然原理為基礎
- 8-4 內曼-皮爾遜統計學也以極大似然原理為基礎
- 第9講貝葉斯推理的結果，有時與直覺大相徑庭②蒙蒂霍爾問題與三個囚犯的問題
- 9-1 貝葉斯逆概率的悖論
- 9-2 悖論① 蒙蒂霍爾問題
- 9-3 悖論② 三個囚犯的問題
- 9-4 這兩個問題的本質是相同的
- 9-5 通過貝葉斯推理推導出矛盾
- 9-6 結論因模型的設定自身而發生變化
- 第10講掌握多條信息時的推理①運用“獨立試驗的概率乘法公式”
- 10-1 運用多項信息進行貝葉斯推理
- 10-2 將兩個試驗結合起來
- 10-3 用乘法運算得出獨立的直積試驗的概率
- 10-4 獨立試驗概率的乘法公式
- 第11講掌握多條信息時的推理②以垃圾郵件過濾器為例
- 11-1 垃圾郵件過濾器以貝葉斯推理為基礎
- 11-2 在過濾器上設置“先驗概率”
- 11-3 掃描字句與條件概率的設定
- 11-4 根據掃描結果，計算垃圾郵件的貝葉斯逆概率
- 11-5 獲得第2條信息后，可能性隨之變為8種
- 11-6 從2個信息可以消去不可能的情況
- 第12講在貝葉斯推理中可以依次使用信息“序貫理性”
- 12-1 在進行貝葉斯推理時，即使忘記了之前的信息也是合乎邏輯的
- 12-2 把從信息①中得到的后驗概率，設為“先驗概率”
- 12-3 通過信息②進行貝葉斯更新
- 12-4 貝葉斯推理具有智慧性
- 第13講每獲得一條信息，貝葉斯推理就變得更精確一些
- 13-1 從“勉勉強強”的推測變為“更加精確”的推理
- 13-2 壺的問題：取出2個球
- 13-3 第二次取出的也是黑球的情況下的推理
- 13-4 第二次取出的是白球的情況下的推理
- 13-5 根據最新的觀察結果，結論發生變化
- 13-6 觀察次數越多，推算結果就越接近實際
- 第2部 完全自學！從“概率論”到“正態分布”
- 第14講“概率”與“面積”的性質相同概率論的基礎
- 14-1 復雜的貝葉斯推理需要用到概率符號
- 14-2 通過函數的形式來記述概率
- 14-3 概率與面積的性質相同
- 14-4 用概率符號來表示貝葉斯推理的先驗概率
- 14-5 用概率符號來表示用“&”連接起來的事件
- 第15講在獲得信息之后，概率的表示方法“條件概率”的基本性質
- 15-1 運用“條件概率”來表示“貝葉斯逆概率”
- 15-2 “條件概率”把部分看作整體，從而變更數值
- 15-3 各個類別被賦予的概率=條件概率
- 15-4 通過條件概率的公式理解后驗概率
- 第16講“概率分布圖”幫助我們進行更加通用的推理
- 16-1 到達到實用水平，需要“概率分布圖”和“期待值”
- 16-2 思考“同樣的可能”型的概率模型
- 16-3 把“大致相同”模型轉換為成連續化的“均勻分布”
- 16-4 [0 1]-賭盤模型中的一般事件的概率
- 16-5 能夠用圖說明復雜概率模型的“概率分布圖”
- 第17講“貝塔分布”的性質由兩個數字決定
- 17-1 貝葉斯推理中經常使用的連續型分布——“貝塔分布”
- 17-2 何為“貝塔分布”
- 17-3 α=1，β=1的例子即為[0 1]-賭盤模型
- 17-4 α=2，β=1的例子
- 17-5 α=1，β=2的例子
- 17-6 α=2，β=2的例子
- 17-7 在貝塔分布中，若α、β增大，情況就會變得復雜
- 第18講決定概率分布性質的“期待值”
- 18-1 用一個數值來代表概率分布
- 18-2 期待值的計算方法
- 18-3 長期來看，期待值是與實際情況相符的
- 18-4 期待值可以作為使概率分布圖保持平衡的支點
- 18-5 計算擲骰子和生女孩案例中的期待值
- 18-6 通過貝塔分布來計算期待值
- 第19講在“貝塔分布”中使用概率分布圖進行高級推理
- 19-1 對“生女孩”的案例進行更準確的推理
- 19-2 設定先驗分布為均勻分布，并進行推理
- 19-3 第二胎依然為女孩時的推理
- 19-4 設定先驗分布非均勻分布，并進行推理
- 19-5 在先驗分布中運用貝塔分布的原因
- 第20講在拋硬幣或天體觀測時觀察到的“正態分布”
- 20-1 統計學的主角——“正態分布”
- 20-2 呈現吊鐘型的正態分布
- 20-3 正態分布由“μ”和“б”決定
- 20-4 將一般正態分布概率轉換為標準正態分布形式
- 20-5 正態分布的多個觀測值的平均值為正態分布
- 第21講在“正態分布”中使用概率分布圖進行高級推理
- 21-1 把正態分布設定為先驗分布，并進行推理
- 21-2 用不準確的溫度計推算洗澡水的溫度
- 21-3 根據正態分布進行貝葉斯推理的步驟
- 21-4 后驗分布的含義
- 21-5 根據正態分布進行貝葉斯推理的公式
- 21-6 測量兩次水溫之后的貝葉斯推理
- 結語 貝葉斯統計——21世紀最振奮人心的科學
- 參考文獻
- 練習題參考答案 更新時間：2019-01-04 22:39:17
