文科と理科両方の学生のために，統計的なものの考え方の基礎をやさしく解説するとともに，統計学の体系的な知識を与えるように，編集・執筆された．豊富な実際例を用いつつ，図表を多くとり入れ，視覚的にもわかりやすく親しみながら学べるよう配慮した． 第1章 統計学の基礎（中井検裕，縄田和満，松原 望） 第2章 1次元のデータ（中井検裕） 第3章 2次元のデータ（中井研裕，松原 望） 第4章 確率（縄田和満，松原 望） 第5章 確率変数（松原 望） 第6章 確率分布（松原 望） 第7章 多次元の確率分布（松原 望） 第8章 大数の法則と中心極限定理（中井検裕） 第9章 標本分布（縄田和満） 第10章 正規分布からの標本（縄田和満） 第11章 推定（縄田和満） 第12章 仮説検定（縄田和満，松原 望） 第13章 回帰分析（縄田和満） 統計数値表 練習問題の解答

個人の地域密着型アウトドアショップがデジタルマーケティングで業績を飛躍的にアップさせていくストーリーに乗せて、DMの基礎を… 個人の地域密着型アウトドアショップがデジタルマーケティングで業績を飛躍的にアップさせていくストーリーに乗せて、DMの基礎を学ぶ

統計ソフトが行なっている推定・検定の背景の理論を知りたい。推定・検定を仕事で使っているけれど、結論の意味していることが実は理解できていない。そんな、文系・理系出身者の方々に向け、推定・検定の背景にある原理を難しい数式や確率変数の概念を使わずに図像を用いてわかりやすく説明しています(第1章)。 第1章 (相対度数分布グラフ 平均、分散・標準偏差 サンプルXの相対度数分布グラフ 正規分布 推定の考え方 検定の考え方) 第2章 (確率変数 二項分布 推定の応用 検定の応用 χ2分布、t分布、F分布) 第3章 (2変量の統計)

StanとRでベイズ統計モデリング

こんな本がほしかった!大学生にも社会人にも必ず役立つ画期的な入門書!高校数学までの復習で数学と統計学の「繋がり」がわかる。「違い」もわかる。 第1章 データを整理するための基礎知識(平均 割り算の2つの意味 ほか) 第2章 データを分析するための基礎知識(平方根 平方根の計算 ほか) 第3章 相関関係を調べるための数学(関数 1次関数 ほか) 第4章 バラバラのデータを分析するための数学(階乗 順列 ほか) 第5章 連続するデータを分析するための数学(「無限」の理解 極限 ほか)

初歩から段階を踏み解説。難しい箇所には印を付し、目的に合わせた学習ができる。新たにデータ・サイエンスとの関連の章を新設。 長年好評を博してきた，信頼の厚い定番テキスト。初歩から段階を踏んで解説。やや難しい箇所には印を付し，目的に合わせた学習ができる。練習問題も充実している。近年の動向に合わせて，新たにデータ・サイエンスとの関連を説明する章を設けた最新版。 序　章　不確かさの時代に向き合う基本統計学 第１章　平均値と分散 第２章　度数分布 第３章　回帰と相関の分析 第４章　確　率 第５章　確率変数と確率分布 第６章　主な確率分布 第７章　標本分布 第８章　推　定 第９章　検　定 第10章　回帰の推測統計理論 終　章　統計学の歴史，因果関係分析，データ・サイエンス

【数研講座シリーズの特徴】多くの学生の声から生まれた，丁寧な解説でわかりやすい今までにない大学教材。既刊と同様，以下の趣旨を引き継いでいる。POINT.1高校の教科書・参考書とおなじようなレイアウトを採用している。POINT.2内容は厳密さを重視。大学の統計学の講座で学ぶ主な内容を扱っている。POINT.3独習ができるようにしっかりと丁寧に書かれているので，オンライン講義で教員が居なくても不安なく読書を進められる。【教科書の特徴】■統計学の知識を用いて行う推定→検定の流れを段階ごとに解説している。■推定→検定の段階には，観察で得たデータをもとにデータからわかることについて仮説を立てる，データを整理しデータの特徴を 把握する，立てた仮説を数式を用いてモデル化する，そのモデルの正確性を見極める，モデルから検定を行うがある。章ごとに，これらについて詳しく解説している。■推定や検定には，大学で同時に学習する微分積分学や高校数学の復習の知識が必要不可欠である。これらについても必要に応じてその場で説明を加えている。■統計学は，純粋数学の教科書の展開である定義→定理(命題)の明示→その証明という流れとはと異なる独特の展開で解説される。■独特の展開の例　a 定義を用語として明示している。　b 定理(命題)の証明は重要であるが，統計学では，現実の数値が適応される実例で雰囲気を掴むことが重要であるので，例示が多くなっている。　c 例示の展開に倣う（慣れる）ことで，一般的な展開についても同時に読み取ることが可能である。■統計学を扱う専門書うち，一つの演習問題に対して，これほど詳説されたものは多くない。※多くの類書では，「～分布の確率を求めよ」のようにパターン的な問題が多く扱われている（本書では，これらの問題も扱う）。しかし，そのパターンの前にある根本的な計算に立ち返り，詳しい計算展開を示している。■教科書の問題についてそれを扱う例題で詳解すること，教科書にない問題についても例題化し詳解することで，教科書とチャートの相互補完を行い，２冊合わせて学習することで，理解の相乗効果を得られるように配慮している。 第0章　統計学を学ぶに当たって 第1章　標本とデータ 第2章　クロスセクショナルなデータのための記述統計 第3章　確率論の概要 第4章　モデルとパラメータの推定 第5章　統計的仮説検定

初学者のための統計学のテキスト．豊富な図を用いて，統計学を学ぶ動機づけから，社会や経済への応用までを丁寧に説明．数学と統計ソフトについてもやさしく解説．著者たちの長年にわたる講義でのノウハウが詰まった，生きた学問としての「統計学」を学ぶための最適の書． はしがき 第1章　統計学とその役割 　1.1　データは語る 　1.2　統計の役割 第I部 基礎事項 第2章　分布の特徴を探る 　2.1　分布の特徴 　2.2　分布の中心 　2.3　分布の散らばり 　2.4　データの標準化と歪度，尖度 　2.5　発展的事項 　【問　題】 第3章　度数分布から不平等度を測る 　3.1　度数分布とヒストグラム 　3.2　ローレンツ曲線とジニ係数 　3.3　ローレンツ曲線の例 　3.4　発展的事項 　【問　題】 第4章　変数間の関係性をみる 　4.1　相関 　4.2　回帰 　4.3　偏相関 　4.4　発展的事項 　【問　題】 第II部 確　率 第5章　確率の基礎 　5.1　確率と事象 　5.2　条件付き確率と事象の独立性 　5.3　発展的事項 　【問　題】 第6章　確率分布と期待値 　6.1　離散確率変数と確率関数 　6.2　連続確率変数と確率密度関数 　6.3　確率分布の平均と分散 　6.4　確率変数の標準化と変数変換 　6.5　発展的事項 　【問　題】 第7章　代表的な確率分布 　7.1　離散確率分布 　7.2　連続分布 　7.3　発展的事項 　【問　題】 第8章　多変数の確率分布 　8.1　同時確率分布と周辺分布 　8.2　期待値，共分散，相関 　8.3　2つ以上の確率変数の分布 　8.4　発展的事項 　【問　題】 第III部 統計的推測 第9章　ランダム標本と標本分布 　9.1　標本と統計量 　9.2　標本平均の性質 　9.3　標本平均の分布 　9.4　代表的な統計量の性質 　9.5　正規母集団の代表的な標本分布 　9.6　発展的事項 　【問　題】 第10章　推定 　10.1　点推定 　10.2　最尤法とモーメント法 　10.3　平均2乗誤差による評価 　10.4　区間推定 　10.5　発展的事項 　【問　題】 第11章　仮説検定 　11.1　仮説検定の考え方 　11.2　正規母集団に関する検定 　11.3　近似分布に基づいた検定 　11.4　カイ2乗適合度検定 　11.5　発展的事項 　【問　題】 第12章　回帰分析 　12.1　単回帰モデル 　12.2　決定係数と残差分析 　12.3　重回帰モデル 　12.4　分散分析 　12.5　ロジスティック回帰モデル 　12.6　発展的事項 第IV部 社会・経済・時系列データ 第13章　経済・社会データと統計分析 　13.1　有限母集団と標本調査 　13.2　時系列データ 　13.3　経済指数の利用 第14章　時系列の統計分析 　14.1　時系列データと統計モデル 　14.2　自己回帰移動平均モデル 　14.3　発展的事項 　【問　題】 　時系列データの実習 付録1　統計計算ソフトウェア (1)R入門 (2)エクセル入門 付録2　数学の基礎知識 (1)基本事項 (2)微分積分 (3)行列と行列式 付　表 1．正規分布表（正規分布の上側確率） 2．t分布のパーセント点 3．カイ2乗分布のパーセント点 4．F分布のパーセント点 参考文献／あとがき／索引／著者紹介 STATISTICS Tatsuya KUBOKAWA and Naoto KUNITOMO

Now in its third edition, this classic book is widely considered the leading text on Bayesian methods, lauded for its accessible, practical approach to analyzing data and solving research problems. Bayesian Data Analysis, Third Edition continues to take an applied approach to analysis using up-to-date Bayesian methods. The authors-all leaders in the statistics community-introduce basic concepts from a data-analytic perspective before presenting advanced methods. Throughout the text, numerous worked examples drawn from real applications and research emphasize the use of Bayesian inference in practice. New to the Third Edition Four new chapters on nonparametric modeling Coverage of weakly informative priors and boundary-avoiding priors Updated discussion of cross-validation and predictive information criteria Improved convergence monitoring and effective sample size calculations for iterative simulation Presentations of Hamiltonian Monte Carlo, variational Bayes, and expectation propagation New and revised software code The book can be used in three different ways. For undergraduate students, it introduces Bayesian inference starting from first principles. For graduate students, the text presents effective current approaches to Bayesian modeling and computation in statistics and related fields. For researchers, it provides an assortment of Bayesian methods in applied statistics. Additional materials, including data sets used in the examples, solutions to selected exercises, and software instructions, are available on the book's web page. FUNDAMENTALS OF BAYESIAN INFERENCE Probability and Inference Single-Parameter Models Introduction to Multiparameter Models Asymptotics and Connections to Non-Bayesian Approaches Hierarchical Models FUNDAMENTALS OF BAYESIAN DATA ANALYSIS Model Checking Evaluating, Comparing, and Expanding Models Modeling Accounting for Data Collection Decision Analysis ADVANCED COMPUTATION Introduction to Bayesian Computation Basics of Markov Chain Simulation Computationally Efficient Markov Chain Simulation Modal and Distributional Approximations REGRESSION MODELS Introduction to Regression Models Hierarchical Linear Models Generalized Linear Models Models for Robust Inference Models for Missing Data NONLINEAR AND NONPARAMETRIC MODELS Parametric Nonlinear Models Basic Function Models Gaussian Process Models Finite Mixture Models Dirichlet Process Models APPENDICES A: Standard Probability Distributions B: Outline of Proofs of Asymptotic Theorems C: Computation in R and Stan Bibliographic Notes and Exercises appear at the end of each chapter.

現代数理統計学の基礎

実践的にベイズ統計を学ぶために、数式は最小限とし、難しい計算には「Weka」や「Excel」といったツールを積極的に使用。 「ベイズ統計学」の敷居を低くする「理論より実践」の本!! 　本書は、いわゆる「ネイマン‐ピアソン理論」の統計学とベイズ統計学の比較や、ベイズ統計理論の数式的な裏付けを示す等、学術的・専門的な解説を行うことを目的とはせず、ベイズ統計が現代社会の中でどのように生かされているのかを親しみやすい実例を挙げて記載し、実務への橋渡しを行うものです。解説する上で最小限必要とする数式は掲載しますが、ベイズ法で大きな障害となる「計算が難しい」という問題点をツール「Weka」や「Excel」を積極的に使用して簡略化し、データ分析の敷居を低くすることで、「理論より実践」を目指します。 はじめに：数理統計学とベイズ統計学の違い 第1章　宇宙から箱が届いた箱の中身を探る　―これがベイズの考え方 第2章　病気の検査　―ベイズの定理 第3章　オオカミ少年とベイズ　―Wekaでベイズ決定 第4章　複数の因果関係を表す ―Wekaでベイジアンネットワーク 第5章　確率の確率　―確率分布の導入 第6章　小さい村への対応　―事前分布の上手な利用 第7章　見えない状態を推測する ―ベイズの定理と発展 付　録　ベイズ統計用ソフトウェア

多くの学生の声から生まれた，丁寧な解説でわかりやすい今までにない大学教材です。慣れ親しんだ高校の青チャートと同じ例題形式で構成しています。姉妹書『数研講座シリーズ　大学教養　統計学』に掲載された練習・章末問題166問，本書『チャート式シリーズ　大学教養　統計学』にのみ掲載された34問を加え,計200問を例題形式で詳説した大学数学の青チャートです。それぞれの例題には，問題の難易度を示す☆印が付いています。問題を解くときの目安にしてください。また，チャート式シリーズの特徴である「その問題を解決するための考え方を示す指針」,および関連する参考事項や注意事項などについても適宜解説を加え,理解が深まるようにしています。解答は懇切丁寧です。姉妹書『数研講座シリーズ　大学教養　統計学』と併読することで，さらに高い学習効果が得られます。 第0章　統計学を学ぶに当たって 第1章　標本とデータ 第2章　クロスセクショナルなデータのための記述統計 第3章　確率論の概要 第4章　モデルとパラメータの推定 第5章　統計的仮説検定

サンプルコードを動かして統計の直観的な理解を促した『Think Stats-プログラマのための統計入門』の著者によるベイズ統計・ベイス推論の解説書。数学的な観点での記述は最小限にとどめ、実例を多く使って実用的観点からベイズ手法を解説。Pythonで書かれたサンプルコードを使って実際に手を動かしながらベイズ統計を学ぶことができる。 1章 ベイズの定理 2章 計算統計学 3章 推定 4章 もっと推定を 5章 オッズと加数 6章 決定分析 7章 予測 8章 観察者バイアス 9章 2次元 10章 ベイズ計算を近似する 11章 仮説検定 12章 証拠 13章 シミュレーション 14章 階層的モデル 15章 次元を扱う

統計編

Pythonで書かれたサンプルコードを使って実際に手を動かしながら統計が学べる、プログラマのための統計入門の決定版。 Pythonコードを使って解説する統計入門書、待望の改訂版！ 「プログラミングのスキルを統計の理解に役立てよう」というコンセプトのもと、数学的な観点から語られることが多い統計について、計算処理の観点から説明し、実際にPythonのコードを示し、実データを分析しながら統計の基礎を解説したものとして人気を博した第1版を全面的にアップデート。新しいツールやライブラリを使った統計手法を示すほか、回帰、時系列分析、生存分析について新たな章を追加しました。Pythonで書かれたサンプルコードを使って実際に手を動かしながら統計が学べる、プログラマのための統計入門の決定版。

分割表・回帰分析・ロジスティック回帰

確率編

Pythonの簡単な使い方から確率・統計の基礎、統計モデルによる機械学習を解説。 Pythonで機械学習に必要な統計解析を学べる!! 機械学習を使いこなすには、確率・統計に根ざしたデータ解析の基礎理論の理解が不可欠です。そこで本書は、Pythonの簡単な使い方から確率・統計の基礎、統計モデルによる機械学習を解説します。 第I部 　Python による計算 　第1章　Python の初歩 　第2章　確率の計算 第II部　統計解析の基礎 　第3章　機械学習の問題設定 　第4章　統計的精度の評価 　第5章　データの整理と特徴抽出 　第6章　統計モデルによる学習 　第7章　仮説検定 第III部　機械学習の方法 　第8章　回帰分析の基礎 　第9章　クラスタリング 　第10章　サポートベクトルマシン 　第11章　スパース学習 　第12章　決定木とアンサンブル学習 　第13章　ガウス過程モデル 　第14章　密度比推定 付録A ベンチマークデータ 　A.1 UCI Machine Learning Repository 　A.2 mlbench 　A.3 datasets 参考文献 Python索引 用語索引