「大人の教養・知識・気付き」を伸ばすブログ

一流の大人(ビジネスマン、政治家、リーダー…)として知っておきたい、教養・社会動向を意外なところから取り上げ学ぶことで“気付く力”を伸ばすブログです。データ分析・語学に力点を置いています。 →現在、コンサルタントの雛になるべく、少しずつ勉強中です(※2024年1月21日改訂)。

MENU

Juliaを使ってみる(06/22):確率試行のシミュレーション

1. Juliaでの確率分布の扱い

 各種の確率分布が持つ性質を理解するには主に3つの方法がある:

  • 確率分布から変数をサンプリングする。
  • 確率分布の形状をグラフにする。
  • 確率分布の統計量を計算する。

 Juliaで確率分布を取り扱うには\mathrm{Distributions.jl}を用いるのが一般的である。

1.1 Bernoulli分布

using Distributions
using PyPlot

# グラフの諸設定を行う関数
function set_options(ax, xlabel, ylabel, title;
                      grid = true, gridy = false, legend = false)
    ax.set_xlabel(xlabel)
    ax.set_ylabel(ylabel)
    ax.set_title(title)
    if grid
        if gridy
            ax.grid(axis = "y")
        else
            ax.grid()
        end
    end
    legend && ax.legend()
end

#######################################
### Bernoulli分布をシミュレートする ###
#######################################
d = Bernoulli(0.3) # 分布を作成

# ここからサンプリングする
x = rand(d)

println(x) # Bernoulli分布からの標本はBool型で与えられる
println(Int(x)) # Bool型を整数型に変換する


X = rand(d, 1000)
X'

# 確率を試算
println("******************************")
println(pdf(d,1))
println(pdf(d,0))
println(pdf(d,-1))
println("******************************")
# 確率質量関数を作成
fig, ax = subplots()
ax.bar([0,1], pdf.(d, [0,1]))
set_options(ax,"x", "Probs", "Bernoulli Distribution",gridy = true)



# 統計量の計算
println("mean = $(mean(d)), std = $(std(d))")
println("******************************")

# 標準偏差の評価:std関数と標準偏差の真の値
println("std = $(std(d))")
println("std = $(sqrt(mean(d) * (1 - mean(d))))")
println("error = $(std(d) - sqrt(mean(d) * (1 - mean(d))))")
println("******************************")

# 標本平均、標本誤差
X = rand(d, 1000)
println("mean = $(mean(X)), se = $(std(X))")
println("AbErr of mean = $(mean(X) - mean(d)), AbErr of se = $(std(X) - std(d))")
println("RlErr of mean = $(abs(mean(X) - mean(d))/mean(d)*100)%, AbErr of se = $(abs(std(X) - std(d))/std(d)*100)%")

1.2 二項分布

##################################
### 二項分布をシミュレートする ###
##################################

n = 100
p = 0.2

# 分布の設定
d = Binomial(n, p)

X = rand(d, 10000)
fig, ax = subplots()
ax.hist(X)
set_options(ax,"x", "frequency", "histogram",gridy = true)

# 統計量の計算
println("mean(exact1) = $(mean(d)), mean(exact2) = $(n * p), mean(est) = $(mean(X)), Err = $(mean(d) - mean(X))")
println("std(exact1) = $(std(d)), std(exact2) = $(sqrt(n * p * (1 - p))), std(est) = $(std(X)), Err = $(std(d) - std(X))")

# 確率質量関数
xs = range(0, 50, length = 51)
fig, ax = subplots()
ax.bar(xs, pdf.(d, xs))
set_options(ax, "x", "frequency", "probability mass function", gridy = true)


1.3 多項分布

# 多項分布をシミュレートする
M = 10
d = Multinomial(M, [0.5, 0.3, 0.2])

X = rand(d, 1000)
println(X)

mean(X, dims = 2)
mean(d)

cov(X, dims = 2)
cov(d)

abs.(cov(X, dims = 2) - cov(d))

# 確率質量関数
xs = 0:M

fig, ax = subplots()
cs = ax.imshow([pdf(d, [x1, x2, M - (x1 + x2)]) for x1 in xs, x2 in xs]', origin = "lower")
fig.colorbar(cs)
ax.set_xlabel("x1"), ax_set_ylabel("x2")
set_options(ax, "x1", "x2", "", grid = false)



プライバシーポリシー お問い合わせ