Think Bayes ―プログラマのためのベイズ統計入門

15.4

　ランダムサンプリング

■

185

参照）

＊

1

m

は観察された種数である。

p

の最初の

m

個の要素だけが必要となる。他については、

x

i

が

0

なので、

p

i

x

i

が

1

であり積から無視できる。

15.4

 ランダムサンプリング

ディリクレ分布からランダムサンプルを生成するには

2

通りの方法がある。

1

つは周

辺ベータ分布を使うものだが、その場合には、

1

つずつ選んで、残りのスケールを足

し合わせて

1

になるようにしないといけない（

http://en.wikipedia.org/wiki/Dirichlet_

distribution#Random_number_generation

参照）。

それほど明示的ではないが、より高速なのは、

n

個のガンマ分布

＊

2

から値を選び、全

体で割ることで正規化するものである。コードは次のようになる。

# class Dirichlet

def Random (self):

p = numpy.random.gamma(self.params)

return p / p.sum()

結果をいくつか確認することができる。

n

の事後確率分布を抽出するコードは次のよ

うになる。

def DistOfN(self):

pmf = thinkbayes.Pmf ()

for hypo, prob in self.Items():

pmf.Set(hypo.n, prob)

return pmf

DistOfN

は、最上位の仮説を順に処理して、各

n

の確率を累積する。

図15-2に結果を ...