貝氏統計導論：EXCEL應用

Ch1 谷歌與微軟都使用貝氏統計
1.1　21世紀是貝氏統計的世紀
1.2　貝氏理論是什麼
1.3　過去的統計學與貝氏統計學在想法上之差異
1.4　貝氏統計學與MCMC法

Ch2 進入貝氏統計前的準備
2.1　條件機率與乘法定理
2.2　機率變數與機率分配
2.3　有名的機率分配
2.4　概似函數與最大概似估計法

Ch3 貝氏定理與其應用
3.1　何謂貝氏定理
3.2　貝氏定理的變形
3.3　壺子的問題
3.4　從大學的入學考試問題挑戰貝氏統計
3.5　犯人A得救的機率是否提升?
3.6　以貝氏過濾網攔截垃圾郵件
3.7　貝氏網路的效用是什麼？

Ch4 貝氏統計的基本概念
4.1　貝氏統計是簡單的強力工具
4.2　貝氏統計的基本公式
4.3　硬幣問題
4.4　藥的效用問題

Ch5 貝氏統計的應用
5.1　貝氏統計與自然共軛分配
5.2　概似服從二項分配時
5.3　概似服從常態分配時（其一）
5.4　概似函數服從常態分配時（其二）
5.5　概似服從卜式分配時
5.6　使用貝氏因子的統計模式的評估法
5.7　貝氏估計與傳統的統計估計
5.8　貝氏統計與最大概似估計法的關係

Ch6 以MCMC法求解的貝氏統計
6.1　何謂MCMC法
6.2　吉普斯法（Willard Gibbs）的體系
6.3　吉普斯法的具體例子
6.4　吉普斯法與Excel
6.5　Metropolis法的體系
6.6　Metropolis法的具體例子
6.7　應用Excel執行Metropolis法

Ch7 階層貝氏法
7.1　可因應複雜統計模式的階層貝氏法
7.2　以傳統的最大概似法求解看看
7.3　階層貝氏法的模式化
7.4　以常態貝氏法求解階層貝氏模式
7.5　經驗貝氏法所需Excel工作表解說
7.6　以MCMC法求解階層貝氏模式
7.7　以MCMC法解說Excel試算表

Ch8 貝氏估計與貝氏決定
8.1　事後期待損失最小化，是貝氏學派的估計、決定的基本
8.2　MAP估計文字類型
8.3　從樣本估計洋芋片內容量的分配函數
8.4　基於經驗資訊MAP決定計畫實施
8.5　使事後期待損失最小化的決定法是貝氏的決斷

Ch9 貝氏理論在線性迴歸模型中的應用
9.1　迴歸分析的複習
9.2　貝式應用在簡單迴歸分析
9.3　貝氏也可應用在複迴歸分析
 
附　錄
參考文獻
 

序

　　此10幾年來，貝氏理論在廣泛的領域中受到活用。譬如，以網站搜尋聞名的谷歌（Google），以效率佳的搜尋理論來說利用著貝氏邏輯想法。另外，在電子郵件的寄件收件軟體中，區分出垃圾郵件（Spam mail）也是活用此想法。

　　像這樣，雖然是利用頻繁的貝氏理論，但在國內所出版的許多解說書，遺憾的都是令人難於理解的。鎖定的對象是統計學的專家或特定領域中的讀者，對貝氏理論的入門者來說，談不上親切。在國內，貝氏理論還只是在狹隘的領域中加以活用就是最好的證明。

　　統計學是實際的學問，貝氏統計也不例外，廣泛的加以利用，它的真正價值才得以發揮。只是當作一部分專家的工具使用，實在有些可惜，期望可在各種領域中受到更多人的利用。

　　本書是針對貝氏理論以及其發展而成的貝氏統計學，以容易理解的方式去解說基礎概念的一本入門書。為了使幾乎不具有統計知識的人也可理解，本書使用具體例子且以插圖的方式解說，許多貝氏統計的解說書所省略的計算式，也儘可能不省略地予以記載。

　　另外，使用Excel說明具體例的處理方法。大多數的解說書是利用專門的統計處理軟體，未明示計算部分，但本書以廣泛應用的Excel使實施例更為明確。因此，貝氏統計的計算部分不再是黑箱作業，它的本質更可明確地表達出來。

　　貝氏統計將是統計學的主流，今後在國內將會更為普及。本書如能對貝氏理論與貝氏統計的普及有少許的助益，我們將感到莫大榮幸。