もうね・・・いやになってきます



矛盾たくさんの説明と守る気のない約束などなど

「お金にならない相手」と見なされているのが露骨に伝わってきて

悲しくなりました



競争戦略論の講義にあった「5要因モデル」のお話をチラッと思い出しましたよ
(新規参入の脅威/買い手の交渉力/代替品の脅威/供給業者の交渉力/業界内の競争の激しさ)

選択肢が非常に少なく、客ですが弱い立場にあるという状況で。



ない知恵絞って今後の対応を検討します
BSジャパンで毎週火曜日18時から

大好きな「ポチたまわんわん」が放送されていることを最近知りましたラブラブ!アップ



今日は定時ジャストで帰り支度を始めたものの

こんな日に限って電話やらにつかまって放送時間に少し遅刻・・・叫び



もしましたが、楽しい2時間を過ごしていますしっぽフリフリ
「ベイズ的アプローチとは、パラメータは確率密度関数で与えられている」?



日本語?ですよね・・・

もうわけわかめですショック!



「事後分布を求め、仮定した母集団の確率密度変数について平均をとる」ということが

これらを掛け合わせたものの積分になっているということからしてわからないのですが

「期待推定分布はこのようにして求めるもの」という風に理解してしまって

よいのかしら・・・?



この辺りはよくわかっていないのですが

母集団分布を事後分布で推定するときの期待推定分布のパラメータの求め方が

公式として紹介されています。



とりあえず

「ベイズ的アプローチとは、パラメータは確率密度関数で与えられている」

の意味はわかりましたが・・・



頭の悪さを全世界に公開しているような~
昨日の夜から今日いっぱいまでかかりましたが、がんばってみました。


結果が出なくても悔いなしです。


今日は早く寝よう~
「女子会」って30代が言うと反発されることがあるらしいですが(笑)

前の職場で同僚だった女性陣3人でランチしました。



1人は7か月の女の子のママ。


「座らせると泣く」→「寝かせると泣く」→「抱っこするとプレートに手を伸ばす」
→「プレートから遠ざけられスマホに手を伸ばす」→「取り上げられぐずる」
→「あやすとご機嫌になる」→「ママが食事しようとするとぐずる」


のエンドレスで、食べられる瞬間を見つけては食べるって感じでした。


片手で赤ちゃんを抱っこしながら片手で素早くスープを飲む姿に

「お母さんって偉大だなキラキラ

って思いました。赤ちゃんはすごくかわいいけど育児って大変ですね。



スマホが大好きで、目を離すとスマホに触ろうとするので油断ならないそうです。

「そんなに好きなら」と思い携帯電話の形をしたおもちゃを買ってあげたものの

本物にしか興味がないそうで(笑)


もう1人のママ(子供は1歳半)が言うには

「うちもスマホが大好きで・・・
 ただ機種変して使わなくなったスマホをあげても駄目だった。
 大人が実際に使っているものがいいみたい」

だそうです。おもしろいですね。





ランチの後は、ドライブがてら写真展に行ってきました。

「ドイツ人の写真家が
 ノーベル賞受賞者にクレヨンで【科学のスケッチ】をしてもらい
 その絵を自ら手に持ってもらって写真を撮る」

というものです。NHKのニュースで紹介されていました。



この企画を聞いたら「何のために?」と思いそうなものですが・・・

どのように説明して受賞者に協力してもらうのかにも興味があったりします。

で、おもしろそう~って思って、行ってみることに。



写真の下には

お名前と受賞賞・受賞年とインタビューのやりとりなどが記されていました。

ノーベル賞をとるような人って「すごく堅物の博士」みたいなイメージがありましたが

案外お茶目なエピソードやノリノリの写真が多くて楽しい雰囲気です。



ただある女性受賞者のところには

「スケッチだかドローイングだかをする時間を、
 あなたを追い返す時間に充てればよかったわ」

と言われたとか書いてあって、それはそれでおもしろかったです。



会場から海が見えました。



景色が良いところですが、曇り空なのが残念・・・
明日はママになった友達2人とランチの約束音譜ナイフとフォーク



ご祝儀を入れるのし袋とちょっとしたプレゼントを

買ってきました



のし袋はハンドクラフト?っていうのかな??

銀のスプーンがぶら下がっていたり(一生食べ物に困らないらしいです)

布を張り合わせた靴とかお花がくっついていてかわいかったです~
について考えるきっかけがありました。




いいのか悪いのかはわかりませんが

今、私を縛るものは何もない状況で・・・




いいように考えれば

「いろんなことがしやすい環境」

かもしれません




いじいじしてても仕方ないので

ワクワクするような新しい道を探すことを

考えたいなぁと思います
推定値と真の値の差によって損失の大小を決めるものが「損失関数」で・・・


ただ、最良の推定値は「損失関数の平均値を最小にする値」と考えるのが
期待損失最小化の原理という説明が理解できませんでした。



そういえばゼミの発表の時にやったような記憶があるような・・・?

その時に作ったスライドを見てみました。




前よりはイメージがしやすくなったように思います。



話は戻り、ここで有名な損失関数と、
その損失関数を選択した場合の推定値の組み合わせとして紹介されているのは

1)平方損失関数(推定値と真の値の差)の2乗
  →平均値

2)絶対損失関数(推定値と真の値の差)の絶対値に比例
  →中央値

3)一様損失(推定値と真の値の差)が一定の許容範囲を超えた場合に一様に課す
  →最頻値

で、

3)を選び最頻値を推定値とすることを「MAP推定法」(最頻値は「MAP推定値」)と
呼ぶとのことでした。


例題は前と一緒ですが、「損失関数によって推定値が変わる」ということを
理解できました。




そしてMAP推定法の例としてエクセルで「文字認識」の表を作成しました。
(0~9の数字が表れる確率・各数字毎に横向きの弧が現れる確率・事後確率)

事後確率が最大になるもの(最頻値)が推定値になるというものです。


説明を読むだけでなく、
実際に手を動かすことによってより理解できるようになることを実感しています。
月末に人間ドックを予約しました。




あと2週間。


目指せマイナス5kg!




というわけで今日から夜はダイエット食ですにひひ
この章はサクサク進むことができました。



「自然な共役分布」とは

事前分布と事後分布が同じタイプの分布になり
かつ尤度関数と相性の良い事前分布を用いる

ことにより事後分布が簡単に導出できるようになる



というものです。

(自信はないけどこんな感じだったと思います)



1)母集団分布がベルヌーイ、事前・事後分布がベータ分布

2)母集団・事前・事後とも正規分布

3)出生率・死亡率のベイズ統計を用いた推定方法
 (人口の少ない自治体では1人の増減が大きく影響するため、
  当該区域を含む大きい範囲でのデータを事前分布とすることにより
  クッション効果で適正な結果が出る)


の例にしたがってまたExcelで表を作りました。



グラフを描いたり値を変えてグラフの変化を見たりすることで

ベイズの目的というか使い方が少し見えてきたように思います。



いつか身近な例で応用できるようになれればいいな~