大学院生
  1. 実解析入門  1.1. 実解析における集合論と論理  1.1.1. 集合と実解析における集合論と論理の操作  1.1.2. 関係と関数  1.1.3. 論理と量化子  1.1.4. 集合の基数  1.2. 距離空間  1.2.1. 距離空間における開集合と閉集合の入門  1.2.2. 距離空間における数列の収束  1.2.3. 距離空間における連続関数  1.2.4. メトリック空間におけるコンパクト性と完全性についての実解析  1.3. 数列と級数  1.3.1. シーケンスの収束  1.3.2. 無限級数  1.3.3. 一様収束  1.3.4. べき級数  1.4. 差別  1.4.1. 平均値の定理  1.4.2. テイラー級数  1.4.3. 多変数の関数  1.4.4. 偏微分  1.5. 統合  1.5.1. リーマン積分とルベーグ積分  1.5.2. 不定積分  1.5.3. 測度論: 統合の基本的なツール  1.5.4. フビニの定理  1.6. 関数解析  1.6.1. バナッハ空間の理解  1.6.2. ヒルベルト空間  1.6.3. 空間上の作用素  1.6.4. スペクトル理論
  2. 抽象代数学  2.1. 抽象代数学における群の理解  2.1.1. 抽象代数学における群の定義と例  2.1.2. 群の準同型  2.1.3. 正規部分群の導入  2.1.4. シローの定理  2.2. リングと体  2.2.1. イデアルと剰余環  2.2.2. 体の拡張  2.2.3. ガロア理論  2.2.4. 多項式環  2.3. 抽象代数学における加群の導入  2.3.1. モジュール準同型  2.3.2. フリーモジュール  2.3.3. テンソル積の導入  2.3.4. モジュールにおける正確な列  2.4. 線形代数  2.4.1. ベクトル空間  2.4.2. 固有値と固有ベクトル  2.4.3. 内積空間  2.4.4. 対角化
  3. トポロジー  3.1. 一般位相  3.1.1. 開集合と閉集合  3.1.2. コンパクト性と連結性  3.1.3. 連続写像  3.1.4. 分離公理  3.2. 代数的トポロジー  3.2.1. 代数的位相幾何における基本群の理解  3.2.2. ホモトピーとホモロジー  3.2.3. 単純複体  3.2.4. ホモロジーにおける正確な列  3.3. 微分位相幾何学  3.3.1. 微分位相幾何学における多様体の理解  3.3.2. 滑らかな関数  3.3.3. 接ベクトル空間と余接ベクトル空間  3.3.4. ベクトル束
  4. 微分方程式  4.1. 常微分方程式  4.1.1. 一階微分方程式  4.1.2. 2次線形方程式  4.1.3. 微分方程式の系  4.1.4. 常微分方程式における安定性解析  4.2. 偏微分方程式  4.2.1. PDEの分類  4.2.2. 偏微分方程式におけるフーリエ級数の理解  4.2.3. グリーン関数の紹介  4.2.4. 特性法  4.3. 微分方程式における動的システム  4.3.1. 持続可能性理論  4.3.2. 動的システムにおける極限周期  4.3.3. カオス理論  4.3.4. 分岐理論
  5. 確率と統計  5.1. 確率論  5.1.1. 確率変数  5.1.2. 確率分布  5.1.3. 大数の法則  5.1.4. 中心極限定理  5.2. 統計的推論  5.2.1. 仮説検定  5.2.2. 信頼区間  5.2.3. ベイズ法  5.2.4. 最尤推定  5.3. 確率過程  5.3.1. マルコフ連鎖  5.3.2. ブラウン運動  5.3.3. ポアソン過程の理解  5.3.4. マルチンゲール: 確率と統計における包括的な研究
  6. 数値解析  6.1. 方程式の数値解  6.1.1. オリジナルな発見  6.1.2. 反復法  6.1.3. 収束解析  6.1.4. 数値解法における誤差限界  6.2. 数値線形代数  6.2.1. 行列分解  6.2.2. 固有値計算  6.2.3. スパース行列  6.2.4. 前処理技術  6.3. 数値積分と微分  6.3.1. 求積法  6.3.2. 有限差分の紹介  6.3.3. 数値積分と微分における誤差解析  6.3.4. 数値積分と微分における適応法
  7. 複素解析  7.1. 複素数  7.1.1. 極形式  7.1.2. 複素共役  7.1.3. 複素数の指数形  7.1.4. 単位根  7.2. 解析関数  7.2.1. コーシー・リーマンの方程式  7.2.2. べき級数  7.2.3. 共形写像  7.2.4. 調和関数  7.3. 複素平面での積分  7.3.1. コーシーの定理  7.3.2. 留数定理  7.3.3. コンター積分  7.3.4. 積分変換
  8. 数学的論理と基礎  8.1. 命題論理  8.1.1. 真理値表  8.1.2. 命題論理における論理的同値性  8.1.3. 命題論理における証明技法  8.1.4. 命題論理のソリューション  8.2. 述語論理  8.2.1. 述語論理における量化子  8.2.2. 述語論理における形式体系  8.2.3. 完全性と健全性  8.2.4. モデル理論  8.3. 集合論  8.3.1. 基数と順序数  8.3.2. 公理的体系  8.3.3. ツェルメロ＝フレンケルの集合論を理解する  8.3.4. 集合論における力
  9. カスタマイズ  9.1. 線形計画法  9.1.1. シンプレックス法  9.1.2. 線形計画における双対性  9.1.3. 線形計画法における感度分析  9.1.4. 内点法  9.2. 非線形計画法  9.2.1. 勾配降下法  9.2.2. ラグランジュ乗数  9.2.3. 凸最適化  9.2.4. 二次計画法  9.3. 組合最適化  9.3.1. グラフアルゴリズム  9.3.2. 整数計画法  9.3.3. ネットワークフロー  9.3.4. 近似アルゴリズム
  10. 離散数学  10.1. グラフ理論  10.1.1. グラフの表現  10.1.2. 平面性と色  10.1.3. 最短経路アルゴリズム  10.1.4. ネットワークフロー  10.2. コンパニオンシップ  10.2.1. 順列と組み合わせ  10.2.2. 母関数  10.2.3. 再帰関係  10.2.4. 包含排除の原理の理解  10.3. 暗号学  10.3.1. 暗号理論における数論の応用  10.3.2. 対称暗号と非対称暗号  10.3.3. RSAと楕円曲線暗号  10.3.4. ポスト量子暗号

大学院生 ↓


確率と統計


確率と統計は、不確実性の概念を扱う数学の分野です。これらはデータに基づいて結果を分析し予測し、意思決定を行うために使用されます。確率は不確実性を測定する理論的枠組みを提供し、統計はその枠組みを使って経験的データを収集、分析、解釈、そして提示します。

確率の理解

確率は、あるイベントが発生する可能性の度合いを測定します。それは特定の条件や実験に基づいたイベントに対する期待を測定します。任意のイベントの確率は0から1の間の数で表され、0は不可能性、1は確実性を示します。高い確率を持つイベントは、低い確率を持つイベントよりも発生する可能性が高いです。

簡単な例を考えてみましょう。もしあなたが公正な6面のサイコロを持っている場合、特定の数字、例えば3を出す確率は次の通りです:

3を出す確率 = 1/6 = 0.1667

これは、サイコロが6面あり、各面が同等に出る可能性があるためです。

ビジュアル例: 1回のサイコロ投げの確率

1 2 3 4 5 6

確率の基本概念

ランダム化された実験

ランダム実験は、結果が事前に確実に予測できない手順です。例えば、コインを投げる、サイコロを振る、シャッフルされたデッキからカードを引くなどです。それらのランダム性にもかかわらず、これらの実験は長い試行の繰り返しの後には予測可能となることがあります。

サンプルの場所とイベント

ランダム実験のサンプル空間は、すべての可能な結果の集合でありSで表されることが多いです。各可能な結果はサンプル点と呼ばれます。イベントはサンプル空間の部分集合です。例えば、サイコロを投げる場合、サンプル空間Sは{1, 2, 3, 4, 5, 6}であり、イベントは「偶数を出すこと」として、結果{2, 4, 6}を含みます。

イベントの組み合わせ

サンプル空間の2つ以上のイベントは、和集合、積集合、補集合などの集合演算を使って組み合わせることができます。例えば、イベントAとBがあるとします。

  • A ∪ B (和集合): イベントは、AまたはBのどちらか、または両方が発生するときに起こります。
  • A ∩ B (積集合): イベントは、AとBの両方が同時に発生するときに起こります。
  • A' (補集合): イベントは、Aが発生しないときに起こります。

確率の法則

確率則は、確率空間内でイベントにどのように確率を割り当てるかを支配するルールです。これには、確率の公理が含まれ、その内容は次の通りです。

  1. 非負: 任意のイベントAの確率は0以上です。 
    P(A) ≥ 0
  2. 一般化: 全体のサンプル空間Sの確率は1です。 
    P(S) = 1
  3. 加法性: 相互排他的なイベントAとBの確率は、AまたはBが発生する確率は、それぞれの個別の確率の合計です。 
    P(A ∪ B) = P(A) + P(B)

もっと複雑なシナリオに対しては、条件付き確率とベイズの定理が重要な概念です:

条件付き確率

イベントAが発生したときにイベントBが発生する確率を条件付き確率と呼び、P(A|B)で表します。これは次のように計算されます: 

P(A|B) = P(A ∩ B) / P(B)
ただしP(B) > 0に限ります。

ベイズの定理

ベイズの定理は、ランダムイベントの条件付き確率と周辺確率を扱います。これは新しい情報に基づいて確率を更新する重要なツールです。ベイズの定理は次のように表されます: 

P(A|B) = [P(B|A) * P(A)] / P(B)

ランダム変数と確率分布

ランダム変数

ランダム変数は、ランダムな実験の結果に応じて異なる数値をとる変数です。ランダム変数は離散型と連続型に分類されます。

離散ランダム変数: これらは有限の数の可能な結果をとります。例としては、サイコロを振り、連続する実験での成功の数を数えることが挙げられます。

連続ランダム変数: これらは、指定された範囲内で無限の数の可能な結果をとることができます。例としては、人の正確な身長やタスクの完了にかかる時間が挙げられます。

確率分布

確率分布は、ランダム変数の値に対してどのように確率が分配されるかを記述します。離散ランダム変数の場合、これは確率質量関数（PMF）として知られています: 

P(X = x) = p(x)
連続ランダム変数の場合、これは確率密度関数（PDF）として知られています: 
f(x)
PDF曲線の下のある区間の面積は、ランダム変数がその区間内に落ちる確率を提供します。

ビジュアル例: 確率質量関数

0.25 0.20 0.25 0.05

正規確率分布

二項分布

二項分布は、独立したベルヌーイ試行の一定の数での成功の数を記述する離散分布です。成功の確率が同じです。n試行で正確にk回成功する確率は次の通りです: 

P(X = k) = C(n, k) * p^k * (1-p)^(nk)
ここでC(n, k)は二項係数です。

正規分布

正規分布は、ガウス分布とも呼ばれ、平均について対称な連続分布です。これは平均（µ）と標準偏差（σ）で定義され、確率密度関数によって次のように示されます: 

f(x) = (1/(σ√(2π))) * e^(-(x-µ)²/(2σ²))

ビジュアル例: 正規分布

平均

統計の概要

統計学はデータの収集、整理、分析、解釈、および提示を扱う学問分野です。これには、記述統計と推測統計の2つの主要な分野があります。

記述統計

記述統計はデータセットの主な特徴を要約し、説明します。これには、中心傾向の測定、分散の測定、およびグラフによる表現が含まれます。

中心傾向の測定: これらの測定はデータセットの中心を説明します。一般的な測定には平均、中央値、最頻値が含まれます。

分散の測定: 分散はデータポイントの広がりを表します。一般的な測定には範囲、分散、標準偏差が含まれます。

推測統計

推測統計は、母集団から採取したランダムサンプルを用いて母集団について記述し、推論を行います。これには仮説検定、推定、予測が含まれます。

仮説検定

仮説検定は、科学的研究から得られたデータを使用して意思決定を行う方法です。これは、母集団パラメータに関する仮定または主張を検証することを含みます。

例えば、新しい薬が既存の薬よりも効果的かどうかをテストしたいとしましょう。2つの仮説を立てます。

  • H0 (帰無仮説): 効果に違いはありません。
  • H1 (対立仮説): 新薬の方が効果的です。

結論

確率と統計は、科学、工学、経済学などのさまざまな分野でのデータ分析と意思決定の基礎を形成します。確率はランダムな実験での不確実性を測定し、結果の可能性を推定するのに役立ち、統計はデータ収集と分析に基づいて現実世界の必然性を説明するのに役立ちます。これらの概念を理解することは、不確実な世界で情報に基づいた意思決定を行うために不可欠です。


大学院生 → 5


U
username
0%
完了までの時間 大学院生

← 前 (4.3.4)
分岐理論
次へ (5.1) →
確率論

コメント 



確率と統計

https://www.buddymath.com/g/5?bmal=ja