Statystyka Bayesowska na wesoło

Poznawaj statystykę i prawdopodobieństwo z Gwiezdnymi Wojnami, LEGO i Gumowymi Kaczuszkami

1 opinia

Autor:

Will Kurt

Format:

epub, mobi

WYBIERZ RODZAJ DOSTĘPU

44,85  69,00

Format: epub, mobi

44,8569,00

cena zawiera podatek VAT

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 asteroid używając rozkładów prawdopodobieństwa.
Te zróżnicowane ćwiczenia pomogą Ci stworzyć elastyczny i rzetelny sposób myślenia, który przyda ci się w szerokim zakresie wyzwań, od prawdziwego i intuicyjnego zrozumienia aktualnych zdarzeń do radzenia sobie z codziennymi niespodziankami świata biznesu.
Nauczysz się jak:
• Obliczać rozkłady aby zobaczyć zakres swoich przekonań
• Porównywać hipotezy i wyciągać rzetelne wnioski
• Używać twierdzenia Bayesa i zrozumieć do czego może się ono przydać
• Znaleźć a posteriori, wiarogodność i a priori, aby sprawdzić dokładność swoich wniosków
• Używać języka programowania R do przeprowadzania analizy danych
Dokonuj lepszych wyborów z większą pewnością – i baw się przy tym dobrze! Przeczytaj Statystykę Bayesowską na wesoło, aby uzyskać jak największą wartość ze swoich danych.


Liczba stron300
WydawcaWydawnictwo Naukowe PWN
TłumaczenieMaciej Bartoszuk
ISBN-13978-83-01-21353-4
Numer wydania1
Język publikacjipolski
Informacja o sprzedawcyePWN sp. z o.o.

Ciekawe propozycje

Spis treści

  Podziękowania XV
  Wstęp XVII
  Po co uczyć się statystyki? XVIII
  Co to jest statystyka „bayesowska”? XIX
  Co jest w tej książce XIX
  Wiedza potrzebna przy czytaniu książk XXII
  Wyruszmy ku przygodzie! XXII
  CZĘŚĆ I: WPROWADZENIE DO PRAWDOPODOBIEŃSTWA    1
  1. Myślenie bayesowskie i codzienne rozumowanie    3
  Wnioskowanie o dziwnych doświadczeniach     4
    Obserwowanie danych     4
    Przekonania a priori a prawdopodobieństwa warunkowe     5
    Formułowanie hipotezy     6
    Napotykanie hipotez w codziennej mowie     8
  Zdobywanie większej liczby przesłanek i aktualizacja przekonań     8
  Porównywanie hipotez     9
  Dane są podstawą przekonań; przekonania nie powinny być podstawą danych     10
  Podsumowanie     11
  Ćwiczenia     11
  2. Mierzenie niepewności    13
  Czym jest prawdopodobieństwo?     14
  Obliczanie prawdopodobieństw poprzez zliczanie wyników zdarzeń    15
  Obliczanie prawdopodobieństw jako stosunków przekonań    16
    Obliczanie prawdopodobieństwa przy użyciu pojęcia szansy     17
    Obliczanie prawdopodobieństw     17
    Mierzenie przekonań w rzucie monetą     18
  Podsumowanie     19
  Ćwiczenia    20
  3. Logika niepewności    21
  Łączenie prawdopodobieństw operatorem I     22
    Rozwiązywanie połączenia dwóch prawdopodobieństw     22
    Stosowanie reguły iloczynu dla prawdopodobieństwa     24
    Przykład: obliczanie prawdopodobieństwa spóźnienia    25
  Łączenie prawdopodobieństw operatorem LUB     26
    Wykonywanie działania LUB na wzajemnie wykluczających się zdarzeniach     26
    Stosowanie reguły dodawania dla zdarzeń niewykluczających się    28
    Przykład: obliczanie prawdopodobieństwa dostania wysokiego mandatu     29
  Podsumowanie    30
  Ćwiczenia    31
  4. Tworzenie dwumianowego rozkładu prawdopodobieństwa    33
  Struktura rozkładu dwumianowego    34
  Zrozumienie i uogólnienie szczegółów naszego problemu     35
  Zliczanie naszych wyników przy użyciu symbolu Newtona     36
    Kombinatoryka: zaawansowane zliczanie przy użyciu symbolu Newtona     37
    Obliczanie prawdopodobieństwa pożądanego wyniku    38
  Przykład: gry Gacha     41
  Podsumowanie     43
  Ćwiczenia     43
  5. Rozkład beta    45
  Dziwny przypadek: zbieranie danych     46
    Rozróżnienie prawdopodobieństwa, statystyki i wnioskowania     46
    Zbieranie danych     46
    Obliczanie prawdopodobieństwa prawdopodobieństw    47
  Rozkład beta     50
    Rozłożenie funkcji gęstości prawdopodobieństwa na części pierwsze     50
    Zastosowanie funkcji gęstości prawdopodobieństwa do naszego problemu     51
    Opis ilościowy rozkładów ciągłych przy użyciu całkowania     52
  Inżynieria wsteczna gry Gacha    53
  Podsumowanie     55
  Ćwiczenia     55
  CZĘŚĆ II: PRAWDOPODOBIEŃSTWO BAYESOWSKIE I PRAWDOPODOBIEŃSTWO A PRIORI 57
  6. Prawdopodobieństwo warunkowe    59
  Wprowadzenie do prawdopodobieństwa warunkowego     60
    Dlaczego prawdopodobieństwa warunkowe są ważne     60
    Zależność i zmienione zasady prawdopodobieństwa    61
  Odwracanie prawdopodobieństw warunkowych i twierdzenie Bayesa     62
  Wprowadzenie do twierdzenia Bayesa     64
  Podsumowanie     65
  Ćwiczenia     66
  7. Twierdzenie Bayesa z klockami LEGO    67
  Graficzne obliczanie prawdopodobieństw warunkowych    70
  Przejście przez matematykę     71
  Podsumowanie     72
  Ćwiczenia     72
  8. A priori, wiarogodność i a posteriori w twierdzeniu Bayesa 73
  Trzy składowe     74
  Badanie miejsca zbrodn    74
    Obliczanie wiarogodności     75
    Obliczanie prawdopodobieństwa a priori     75
    Normalizacja danych     76
  Rozważanie hipotez alternatywnych     78
    Wiarogodność hipotezy alternatywnej     78
    Prawdopodobieństwo a priori hipotezy alternatywne    78
    Prawdopodobieństwo a posteriori dla hipotezy alternatywnej     79
  Porównywanie nieznormalizowanych prawdopodobieństw a posteriori     80
  Podsumowanie    81
  Ćwiczenia     81
  9. Bayesowskie prawdopodobieństwa a priori i wykorzystanie rozkładów prawdopodobieństw 83
  Wątpliwości C-3PO co do pól asteroid     84
  Wyznaczanie przekonań C-3PO     84
  Uwzględnienie kozactwa Hana     85
  Tworzenie suspensu za pomocą prawdopodobieństwa a posteriori     87
  Podsumowanie     88
  Ćwiczenia     89
  CZĘŚĆ III: ESTYMACJA PARAMETRÓW    91
  10. Wprowadzenie do uśredniania i estymacji parametrów    93
  Szacowanie opadu śniegu     94
    Uśrednianie pomiarów w celu zminimalizowania błędu     94
    Rozwiązywanie uproszczonej wersji naszego problemu    95
    Rozwiązywanie bardziej skrajnego przypadku     97
    Oszacowanie prawdziwej wartości poprzez prawdopodobieństwa ważone    98
    Definiowane oczekiwania, średniej i uśredniania    99
  Średnie dla pomiaru kontra średnie dla podsumowań     100
  Podsumowanie    101
  Ćwiczenia     101
  11. Mierzenie rozproszenia naszych danych    103
  Wrzucanie monet do studni    104
  Obliczanie średniego odchylenia bezwzględnego    104
  Obliczanie wariancji     106
  Obliczanie odchylenia standardowego     107
  Podsumowanie    109
  Ćwiczenia     109
  12. Rozkład normalny    111
  Mierzenie lontów do nikczemnych uczynków    112
  Rozkład normalny     114
  Rozwiązywanie problemu lontów     116
  Parę sztuczek i trochę intuicji    118
  Zdarzenia „N sigma”    120
  Rozkład beta i rozkład normalny     121
  Podsumowanie     122
  Ćwiczenia     122
  13. Narzędzia estymacji parametrów: funkcja gęstości, dystrybuanta i odwrotna dystrybuanta    123
  Estymacja współczynnika konwersji newslettera     124
  Funkcja gęstości prawdopodobieństwa     124
    Wizualizacja i interpretacja funkcji gęstości prawdopodobieństwa     125
    Praca z funkcją gęstości prawdopodobieństwa w R     126
  Wprowadzenie dystrybuanty     127
    Wizualizacja i interpretacja dystrybuanty     130
    Znajdowanie mediany     130
    Graficzne przybliżanie całek    131
    Estymacja przedziałów ufności     132
    Używanie dystrybuanty w R     133
  Odwrotna dystrybuanta     133
    Zobrazowanie i zrozumienie odwrotnej dystrybuanty     134
    Obliczanie odwrotnej dystrybuanty w R    135
  Podsumowanie     135
  Ćwiczenia     136
  14. Estymacja parametrów z prawdopodobieństwami a priori 137
  Przewidywanie współczynnika konwersji e-maili     138
  Uwzględnianie szerszego kontekstu z prawdopodobieństwami a priori     139
  A priori jako środki ilościowego opisu doświadczenia     143
  Czy możemy zdecydować się na uczciwy rozkład a priori, gdy nie wiemy nic?     144
  Podsumowanie     146
  Ćwiczenia     146
  CZĘŚĆ IV: TESTOWANIE HIPOTEZ: SERCE STATYSTYKI    147
  15. Od estymacji parametrów do testowania hipotez: konstrukcja bayesowskiego testu A/B    149
  Przygotowywanie bayesowskiego testu A/B     150
    Wymyślanie prawdopodobieństwa a priori     150
    Zbieranie danych     151
  Symulacje Monte Carlo     152
    W ilu światach B jest lepszym wariantem?     153
    O ile lepszy jest każdy wariant B od każdego wariantu A?     154
  Podsumowanie     156
  Ćwiczenia     156
  16. Wstęp do czynnika Bayesa i szanse a posteriori: rywalizacja poglądów    157
  Powrót do twierdzenia Bayesa     158
  Konstruowanie testu hipotez przy użyciu stosunku prawdopodobieństw a posteriori     159
    Czynnik Bayesa     159
    Szansa a priori    159
    Szansa a posteriori     160
  Podsumowanie     164
  Ćwiczenia     165
  17. Wnioskowanie bayesowskie w „Strefie mroku”    167
  Wnioskowanie bayesowskie w „Strefie mroku”     168
  Korzystanie z czynnika Bayesa do zrozumienia Mistycznego jasnowidza     168
    Mierzenie czynnika Bayesa     169
    Uwzględnianie przekonań a priori     170
  Wykształcanie naszych własnych mocy paranormalnych     171
  Podsumowanie     173
  Ćwiczenia     173
  18. Kiedy dane cię nie przekonują    175
  Kolega ze zdolnościami paranormalnymi rzuca kostką     176
    Porównanie wiarogodności     176
    Wprowadzenie szansy a priori     177
    Rozważanie hipotez alternatywnych     178
  Zażarte dyskusje z krewnymi i zwolennikami teorii spiskowych     179
  Podsumowanie     181
  Ćwiczenia     181
  19. Od testowania hipotez do estymacji parametrów    183
  Czy jarmarczna zabawa jest rzeczywiście uczciwa?     184
    Rozważanie wielu hipotez     186
    Poszukiwanie kolejnych hipotez za pomocą języka R     186
    Dodanie szansy a priori do stosunków wiarogodności     188
  Konstruowanie rozkładu prawdopodobieństwa    190
  Od czynnika Bayesa do estymacji parametrów     191
  Podsumowanie    194
  Ćwiczenia    194
  A. Szybkie wprowadzenie do języka R 195
  R i RStudio    196
  Tworzenie skryptu R    197
  Podstawowe pojęcia w języku R     197
    Typy danych    197
    Brakujące wartości    200
    Wektory    200
  Funkcje    201
    Podstawowe funkcje     202
  Losowe próbkowanie     206
    Funkcja runif()     206
    Funkcja rnorm()    207
    Funkcja sample()    207
    Przewidywalne losowe wyniki dzięki funkcji set.seed()     208
  Definiowanie własnych funkcji     209
  Tworzenie podstawowych wykresów     210
  Ćwiczenie: symulowanie wartości akcji     213
  Podsumowanie     214
  B. Tyle analizy matematycznej, aby czytać tę książkę    215
  Funkcje     216
    Ustalenie, jak daleko dobiegłeś     217
    Mierzenie pola pod krzywą: całka     219
    Mierzenie tempa zmian: pochodna     223
  Podstawowe twierdzenie rachunku całkowego     227
  C. Odpowiedzi do ćwiczeń    229
  Indeks    258
RozwińZwiń
W celu zapewnienia wysokiej jakości świadczonych przez nas usług, nasz portal internetowy wykorzystuje informacje przechowywane w przeglądarce internetowej w formie tzw. „cookies”. Poruszając się po naszej stronie internetowej wyrażasz zgodę na wykorzystywanie przez nas „cookies”. Informacje o przechowywaniu „cookies”, warunkach ich przechowywania i uzyskiwania dostępu do nich znajdują się w Regulaminie.

Nie pokazuj więcej tego powiadomienia