封面
版权信息
第0讲 只要会做四则运算,便可掌握贝叶斯统计学本书的特点
0-1 从零基础达到应用水平
0-2 仅使用面积图和简单算术
0-3 比尔·盖茨也在关注它!贝叶斯统计在商业活动中的应用
0-4 贝叶斯统计依存于人的心理
0-5 附带简单的填空练习题,适合自学
第1部 快速学习!理解贝叶斯统计学的精髓
第1讲信息增加导致概率变化“贝叶斯推理”的基本方法
1-1 通过贝叶斯推理来辨别“买东西的人”和“随便逛逛的人”
1-2 第一步:通过经验设定“先验概率”
1-3 第二步:设置发生“向店员询问”事件的条件概率
1-4 第三步:通过观察到的行为,排除“不可能的情况”
1-5 第四步:寻求“来买东西的人”的“贝叶斯逆概率”
1-6 贝叶斯推理过程的总结
第2讲贝叶斯推理的结果,有时与直觉大相径庭①使用客观数据时的注意事项
2-1 计算罹患癌症的概率
2-2 根据医疗数据,设定“先验概率”
2-3 以检查准确率为线索,设定“条件概率”
2-4 检查结果呈阳性,因而排除掉“不可能的情况”
2-5 计算罹患癌症的“贝叶斯逆概率”
2-6 贝叶斯推理过程的总结
第3讲根据主观数字也可以进行推理疑惑时分的“理由不充分原理”
3-1 推测送巧克力的女同事的心意
3-2 主观上设定你是否是“真命天子”的“先验概率”
3-3 设法找到数据,设定“条件概率”
3-4 收到巧克力,排除掉“不可能的情况”
3-5 贝叶斯推理的过程总结
3-6 计算“信念的程度”也可以使用贝叶斯推理
第4讲运用“概率的概率”,拓宽推理范围
4-1 第一个孩子是女儿,那么下一个孩子是男孩还是女孩?
4-2 将“概率的概率”设置为“先验概率”
4-3 把“生女孩的概率”直接作为“条件概率”来使用
4-4 第一胎已经生了女孩,因此可以排除掉“不可能的情况”
4-5 贝叶斯推理的过程总结
4-6 在计算“第二胎生女孩的概率”时,使用“期待值”
第5讲从推算过程开始,逐渐明确的贝叶斯推理的特征
5-1 实际上,贝叶斯统计学比一般的统计学历史更为悠久
5-2 何为推论
5-3 逻辑推理的过程
5-4 概率推理的过程
第6讲明快而严格,但其使用场合受到限制的内曼-皮尔逊式推理
6-1 运用内曼-皮尔逊式推理解答有关壶的问题
6-2 假设检验的过程
6-3 假设检验中也存在无法做出判断的情况
第7讲通过少量信息得出切实结论的贝叶斯推理与内曼-皮尔逊式推理的差异
7-1 用贝叶斯推理解开壶的问题
7-2 把A壶和B壶分别设定为一个类别
7-3 贝叶斯推理无论在何种条件下,都能得出一个暂时的结果
7-4 贝叶斯推理和内曼-皮尔逊式推理中,“风险”的含义不同
7-5 从逻辑性观点出发,看贝叶斯推理的过程
第8讲贝叶斯推理的基础:极大似然原理贝叶斯统计学与内曼-皮尔逊统计学的衔接点
8-1 贝叶斯统计学与内曼-皮尔逊统计学的共通点
8-2 “极大似然原理”被运用到众多学科当中
8-3 贝叶斯推理以极大似然原理为基础
8-4 内曼-皮尔逊统计学也以极大似然原理为基础
第9讲贝叶斯推理的结果,有时与直觉大相径庭②蒙蒂霍尔问题与三个囚犯的问题
9-1 贝叶斯逆概率的悖论
9-2 悖论① 蒙蒂霍尔问题
9-3 悖论② 三个囚犯的问题
9-4 这两个问题的本质是相同的
9-5 通过贝叶斯推理推导出矛盾
9-6 结论因模型的设定自身而发生变化
第10讲掌握多条信息时的推理①运用“独立试验的概率乘法公式”
10-1 运用多项信息进行贝叶斯推理
10-2 将两个试验结合起来
10-3 用乘法运算得出独立的直积试验的概率
10-4 独立试验概率的乘法公式
第11讲掌握多条信息时的推理②以垃圾邮件过滤器为例
11-1 垃圾邮件过滤器以贝叶斯推理为基础
11-2 在过滤器上设置“先验概率”
11-3 扫描字句与条件概率的设定
11-4 根据扫描结果,计算垃圾邮件的贝叶斯逆概率
11-5 获得第2条信息后,可能性随之变为8种
11-6 从2个信息可以消去不可能的情况
第12讲在贝叶斯推理中可以依次使用信息“序贯理性”
12-1 在进行贝叶斯推理时,即使忘记了之前的信息也是合乎逻辑的
12-2 把从信息①中得到的后验概率,设为“先验概率”
12-3 通过信息②进行贝叶斯更新
12-4 贝叶斯推理具有智慧性
第13讲每获得一条信息,贝叶斯推理就变得更精确一些
13-1 从“勉勉强强”的推测变为“更加精确”的推理
13-2 壶的问题:取出2个球
13-3 第二次取出的也是黑球的情况下的推理
13-4 第二次取出的是白球的情况下的推理
13-5 根据最新的观察结果,结论发生变化
13-6 观察次数越多,推算结果就越接近实际
第2部 完全自学!从“概率论”到“正态分布”
第14讲“概率”与“面积”的性质相同概率论的基础
14-1 复杂的贝叶斯推理需要用到概率符号
14-2 通过函数的形式来记述概率
14-3 概率与面积的性质相同
14-4 用概率符号来表示贝叶斯推理的先验概率
14-5 用概率符号来表示用“&”连接起来的事件
第15讲在获得信息之后,概率的表示方法“条件概率”的基本性质
15-1 运用“条件概率”来表示“贝叶斯逆概率”
15-2 “条件概率”把部分看作整体,从而变更数值
15-3 各个类别被赋予的概率=条件概率
15-4 通过条件概率的公式理解后验概率
第16讲“概率分布图”帮助我们进行更加通用的推理
16-1 到达到实用水平,需要“概率分布图”和“期待值”
16-2 思考“同样的可能”型的概率模型
16-3 把“大致相同”模型转换为成连续化的“均匀分布”
16-4 [0 1]-赌盘模型中的一般事件的概率
16-5 能够用图说明复杂概率模型的“概率分布图”
第17讲“贝塔分布”的性质由两个数字决定
17-1 贝叶斯推理中经常使用的连续型分布——“贝塔分布”
17-2 何为“贝塔分布”
17-3 α=1,β=1的例子即为[0 1]-赌盘模型
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 在贝塔分布中,若α、β增大,情况就会变得复杂
第18讲决定概率分布性质的“期待值”
18-1 用一个数值来代表概率分布
18-2 期待值的计算方法
18-3 长期来看,期待值是与实际情况相符的
18-4 期待值可以作为使概率分布图保持平衡的支点
18-5 计算掷骰子和生女孩案例中的期待值
18-6 通过贝塔分布来计算期待值
第19讲在“贝塔分布”中使用概率分布图进行高级推理
19-1 对“生女孩”的案例进行更准确的推理
19-2 设定先验分布为均匀分布,并进行推理
19-3 第二胎依然为女孩时的推理
19-4 设定先验分布非均匀分布,并进行推理
19-5 在先验分布中运用贝塔分布的原因
第20讲在抛硬币或天体观测时观察到的“正态分布”
20-1 统计学的主角——“正态分布”
20-2 呈现吊钟型的正态分布
20-3 正态分布由“μ”和“б”决定
20-4 将一般正态分布概率转换为标准正态分布形式
20-5 正态分布的多个观测值的平均值为正态分布
第21讲在“正态分布”中使用概率分布图进行高级推理
21-1 把正态分布设定为先验分布,并进行推理
21-2 用不准确的温度计推算洗澡水的温度
21-3 根据正态分布进行贝叶斯推理的步骤
21-4 后验分布的含义
21-5 根据正态分布进行贝叶斯推理的公式
21-6 测量两次水温之后的贝叶斯推理
结语 贝叶斯统计——21世纪最振奋人心的科学
参考文献
练习题参考答案
更新时间:2019-01-04 22:39:17