検定

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

ブラケット記法

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。

量子重ね合わせと量子もつれ

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。

量子コンピュータの処理の流れ

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

時系列データの概要

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