ある事象が、偶然おこったものか、そうではなく、意味があるのか、を調べる。
次のような手法がある。
1.2つのカテゴリーデータ間の関連性の有無
カイ二乗検定
2.2つのデータ群の差の有無を確かめる
2-1.データが正規分布と仮定するパラメトリックな方法(平均値や標準偏差を利用)
t検定など
2-2.正規分布を仮定せず、平均値や標準偏差を利用せず、データの順位などを利用
順和検定など
PR
量子の状態を表す記号
|0> ・・・’０’の状態
|1> ・・・’１’の状態
重ね合わせの状態は
α|0> + β|1>
で表す
αとβは、|0>と|1>がどのぐらいの割合で、重ね合わさっているかを表す
αとβは、複素数となり、|α|の２乗が、測定したときに、|0>が出る確率、|β|の２乗が、測定
したときに、|1>が出る確率となる。
量子重ね合わせ
量子ビットは、「0」「1」の両方の状態を持つ。確率的に「0」「1」のどちらかが出る。
1量子ビットで、「0」「1」の2通りの状態があるため、n量子ビットでは、2nの状態がある。
量子もつれ
一方の量子が「0」のときは、もう一方は「1」となるような関係となること。
1つの量子ビットの操作で、他の量子ビットを操作できる。
2つの量子が、どのような距離にあっても、即時に相互作用する。
1.量子ビットの初期化
2.量子ビットの操作
量子ビットの操作は、量子回路モデルでは「量子ゲート操作」、
量子アニーリングでは「アニーリング操作」と呼ばれる。
3.量子ビットの状態をみて、計算結果を読み出す
時系列データは、次の3つに分類できる
1.トレンド
・全体として上昇傾向にあるのか、下降傾向にあるのか
・移動平均などを用いると、季節変動が除かれ、長期的なトレンドが見える
2.季節変動
3.不規則変動
時系列データの予測手法
1.線形回帰
2.成長回帰
非線形なモデル
3.AR(自己相関モデル)
4.MR(移動平均モデル)
5.ARMA(自己回帰移動平均モデル)
自己回帰と移動平均を用いる
6.ARIMA(自己回帰和分移動平均モデル)
ARMAにデータの差分を加味
7.SARIMA(季節自己回帰移動平均モデル)
ARIMAに季節変動を加える
