万本电子书0元读

万本电子书0元读

顶部广告

统计学关我什么事:生活中的极简统计学电子书

1.日本销量突破10万册的畅销书!国内统计学通俗读物都有很好的销量。 2.微软和谷歌早就在用、大量互联网企业正在用的贝叶斯统计工具。 3.发明了用画图代替计算的“面积图”法,学习统计学竟然可以完全不需要公式,仅靠简单的四则运算就能学会。 4.从垃圾邮件的筛选、潜在顾客分析,到二胎性别概率、中奖概率分析一个个生动的案例让读者像看故事一样轻松理解统计学原理。

售       价:¥9.99

纸质售价:¥22.60购买纸书

1.8万人正在读 | 22人评论 8.1

作       者:(日)小岛宽之 著

出  版  社:时代华文书局

出版时间:2018-07-01

字       数:10.4万

所属分类: 经管/励志 > 成功/励志 > 人生哲学

温馨提示:此类商品不支持退换货,不支持下载打印

为你推荐

  • 读书简介
  • 目录
  • 累计评论(21条)
  • 读书简介
  • 目录
  • 累计评论(21条)
本书抛让人难以理解的“贝叶斯公式”,用“面积图”做直观形象的解读。只要会做四则运算,就能快速门,而在一个个生活场景中,领会贝叶斯统计学的精髓。贝叶斯统计学的优势在于“在数据少的情况下也可以行推测”,贝叶斯统计学的统计过程和人脑的决策过程是很相似的,在人工智能时代有着广泛的商业应用。微软操作系统、谷歌的自动翻译系统等都引了贝叶斯统计技术。如果能够熟练掌握贝叶斯统计,个人也能够更好地做决策,可以说与好的生活息息相关。 本书抛让人难以理解的“贝叶斯公式”,用“面积图”做直观形象的解读。只要会做四则运算,就能快速门,而在一个个生活场景中,领会贝叶斯统计学的精髓。贝叶斯统计学的优势在于“在数据少的情况下也可以行推测”,贝叶斯统计学的统计过程和人脑的决策过程是很相似的,在人工智能时代有着广泛的商业应用。微软操作系统、谷歌的自动翻译系统等都引了贝叶斯统计技术。如果能够熟练掌握贝叶斯统计,个人也能够更好地做决策,可以说与好的生活息息相关。
【推荐语】

1.日本销量突破10万册的畅销书!国内统计学通俗读物都有很好的销量。

2.微软和谷歌早就在用、大量互联网企业正在用的贝叶斯统计工具。

3.发明了用画图代替计算的“面积图”法,学习统计学竟然可以完全不需要公式,仅靠简单的四则运算就能学会。

4.从垃圾邮件的筛选、潜在顾客分析,到二胎性别概率、中奖概率分析一个个生动的案例让读者像看故事一样轻松理解统计学原理。

5.什么人适合阅读本书?(1)对数据分析感兴趣的人;(2)对统计学感兴趣的人;(3)希望看懂财经新闻的人;(4)希望不被大量是似而非信息忽悠的人。

6.作者小岛宽之大学时的专业和统计学完全无关,后凭借兴趣到东京大学深造。本着让统计学“更生动、更直观、更好懂”的理念创作了一系列的统计学通俗读物,本本畅销。
【作者】
小岛宽之,日本帝京大学经济学系副教授,经济学博士,知名数学随笔作家。1958年出生于东京,毕业于东京大学理学院数学系,东京大学经济学研究所博士课程修毕。著有《几率的思考方式》《方便运用!几率的思考》《世界第一简单微积分》《从零始学习微积分》以及《专为文科设计的数学教室》等多部作品。
目录展开

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

补讲 贝塔分布的积分计算

结语 贝叶斯统计——21世纪最振奋人心的科学

参考文献 写给想学到更多知识的读者朋友们

练习题参考答案

累计评论(21条) 30个书友正在讨论这本书 发表评论

发表评论

发表评论,分享你的想法吧!

买过这本书的人还买过

读了这本书的人还在读

回顶部