Think Bayes ―プログラマのためのベイズ統計入門

26

■

3

章

推定

例えば、

60

番の機関車の他に

30

番と

90

番の機関車を目撃したとする。分布は次のよう

に更新される。

for data in [60, 30, 90]:

suite.Update(data)

このデータだと、事後確率の平均は次のようになる。

上限 事後確率の平均

500 152

1000 164

2000 171

つまり、差が小さくなる。

3.4

 別の事前確率

データがこれ以上得られないとすると、もう

1

つの選択肢は、背景情報をさらに多く

集めて事前確率を改善することだろう。

1,000

両の機関車を所有する鉄道会社が、

1

両

しか機関車を所有しない会社と同じようだと仮定するのは、おそらく妥当とは言えない

だろう。

少々骨を折れば、観察した地域で機関車を運行する会社のリストを入手できるだろ

う。あるいは、鉄道輸送の専門家に聞いて、鉄道会社の典型的な規模についての情報

を集めることができるだろう。

しかし、鉄道ビジネスの詳細が得られなくても、もう少し正確な推測をすることが可

能である。ほとんどの分野において、多数の零細企業があり、中規模の会社数はそれ

より少なく、非常に大きな企業は

1

つか

2

つである。実際、企業規模は、

Robert Axtell

がサイエンス誌で報じたように（

http://www.sciencemag.org/content/293/5536/1818.

full.pdf

参照）

＊

1

べき乗則に従う。

べき乗則からは、もし所有する機関車が

10

両未満の会社が

1000

社あるなら、

100

両

の会社が

100