約 69,805 件
https://w.atwiki.jp/vwrr/pages/359.html
TOP VectorWorks 活動 データ 広場 駆込寺 楽楽掲示板 井戸端会議 最新情報 CAFE クラブ Mac情報 Win情報 地方情報 会員分布 会員分布 080702現在の会員分布です
https://w.atwiki.jp/t-style/pages/16.html
ここを編集 正規分布(Normal distribution / Gaussian distribution) 平均と分散によって分布構造が決まる。確率変数が連続の場合、エントロピー(無秩序さ)を最大化する。 確率密度関数 1次元の場合 多次元の場合 実装例(1次元の場合) 言語 Python 2.6 + scipy + matplotlib ソース NormalDistribution1D 結果 グラフ 実装例(多次元の場合) 言語 Python 2.6 + scipy + matplotlib ソース NormalDistribution1D 結果 グラフ
https://w.atwiki.jp/aspirin-marcov/pages/59.html
正規分布 の確率密度関数は 性質 のZ変換を施すことで標準正規分布N(0,1)に変換できる。 X1,X2がそれぞれに従うとき、X=X1+X2はの正規分布に従う。 X1,X2,...,Xnがそれぞれに従うとき、ランダム変数はに従う。
https://w.atwiki.jp/t-style/pages/22.html
ここを編集 ベータ分布(Beta Distribution) パラメータ(a,b)の設定次第でさまざまな形状(単峰型、単調増加、単調減少、お椀型)をとる不思議な確率分布。ベイズ推定のコンテキストでは、二項分布のパラメータに対する共役事前分布となることが重要となる。 確率密度関数 実装例 言語 Python 2.6 + scipy + matplotlib ソース BetaDistribution.py 結果 グラフ PRMLの例と同じ。 青: 赤: 緑: 黄:
https://w.atwiki.jp/abwiki/pages/161.html
確率pで当たる懸賞にn回目でやっと当たる確率はPn = p * (1 - p) ^ (n - 1)である。この分布を幾何分布という。 確率1であたる宝くじが一回で必ずあたる? → このときP1 = 1 * (1 - 1) ^ (1 - 1) = 1 * 0 ^ 0となり、0 ^ 0を便宜的に1とすれば、1回目で当たる確率は1である。 確率0であたる宝くじは絶対あたらない? → このときPn = 0 * (1 - 0) ^ (n - 1) = 0となり、何回目でも当たる確率は0である。 幾何分布の乱数は、一様分布の乱数0 ≦ Rnd() < 1を用いて次のように生成できる。 (ABのRnd()は一様乱数か?) 注記 GeometricRnd?が返す値はPn(=n回目でやっと当たる確率)でなくてn(=n回目のn)である。 したがって、この関数は離散関数であり、整数型である。 irandom.cの移植 Function GeometricRnd(p As Double) As LongDim n = 1 As LongWhile Rnd() p++nWendGeometricRnd = nEnd Function pが小さいときには次のようにする方が早い。 Function GeometricRnd(p As Double) As LongGeometricRnd = Ceil(Log(1 - Rnd()) / Log(1 - p)) As LongEnd Function なお、Ceilは与えられた数の小数点以下を切り上げて整数にする関数である。
https://w.atwiki.jp/ichiba14/pages/89.html
戦略を構築するときに考慮、または参考するべきメンバーの戦力バランス。 おもに味方の装備、アイテムポーチ、作戦、性格が要素になる。 装備とアイテムポーチは読んで字のごとくである。 どういう装備でどういうポーチ構成かがわかれば、そこからどのような戦術を とりうるかが見えてくる。これは、戦力分布におけるもっとも重要な要素である。 しかし、ある構成で準備されていたとしても、それをどのように使っていくかは プレイヤー次第といえる。 ここに、敵が何であるかによって、何が有効であるかということと 戦いの中で攻略法を妨げる要素は何であるかが決まる。 そこで、基本的に誰がその有効手段(攻略法)を使うかが決められるようになり その戦力をカバーする方針も決定する。おおまかな役割(ポジション)の決定である。 もし、前約束が何もない野良のパーティの場合は 全員が攻撃するのを基本にするのであるが、P2Gにおけるショットボウガンのように 明らかに状態異常?に特化した装備を用意している場合は 「多分麻痺ガンなんだろうな……」と推測することもできる。 このポジションは、戦闘における行動の方針・傾向を決定するので、 戦力分布の重要な要素と考えている。 準備・作戦から決定する大枠の戦力分布は、 実際の戦闘で起こる不確定の要素により多少変化する。 たとえばリオレイア?に対して 一人が超絶一門(A)、一人が龍壊棍?(B)だったとする。 さらに一人はボウガン(C)で、アタッカーハーフだったとしよう。 基本的にはAとBは攻撃を担当し、支援するつもりがあるなら アタッカーハーフであるCがアシストをしながら攻撃することになるであろう。 しかしAが攻撃を食らいながら、Cのほうへレイアが移動して C一人がレイアに追いかけまわされている状況を想像してほしい。 この場合、自分でレイアをさばいていて ほかの味方は被弾していたり距離を開けられていたりするので 支援の効果はほぼないと言っていい。 そこで、役割分担を堅持するつもりであれば 全力で攻撃を回避しながら 攻撃手のほうへ攻撃を誘導するのであるが、 短時間で攻撃率を優先するならせっかくアタッカーハーフなので そのまま攻撃したほうが効率はよい。 このとき、もし、攻撃手のほうが生命の粉塵など、サポート用のアイテムを 持っていたら、Aの体力回復やCの被弾に対するフォローなどを 行う「もう一人のサポーター」が成立する。 この状況では、攻撃手と支援手が役割を入れ替えているので、 戦闘中に戦力分布が大きく変化したことになる。 こうした役割の変化も含め、行動の指針に関しては、本人の性格によるところが大きい。 味方が被弾して散ってしまっても自分は絶対攻撃しないという支援手、 支援手でいつもは攻撃せずにじっと見守っているが 攻撃するものが近くにいなくなった場合は一歩前に出て攻撃を一人で担当しようとする支援手、 さまざまなものが考えられる。 逆に、回復弾も、必ず撃つ者もいるだろうが 攻撃のほうに集中して回復弾はよほどピンチでなければ使わない という銃士もいるのである。 このような差異も把握することができれば戦力分布の中に入れてかまわない。 支援手が戦略や戦術を構築し、優先順位を設定するときは、戦闘中であるのと 準備中であるのとにかかわらず、上記のような戦力分布を参照することで、 そこから味方が何をしようとする確率が高いかを導くことができる。 また戦力分布の偏りを察知して、必要な支援術を考えることもできる。 基本的に戦力分布という考え方は準備段階のものを指す。 (戦闘中の、役割などを考慮する戦力分布はただ単に「戦況」と言っても いいかもしれない) 戦闘中の変化に対応するためには、準備段階でそれぞれがどのような 戦力をもっていたかを把握し、意識することで 柔軟でありながらも戦術に方向性を持たせることができるのではないかと 考える次第である。
https://w.atwiki.jp/bandlife/pages/23.html
~共通認識~ ※「★」の位置がその人の度合い(まだまだざっくり。相対的に決めていく) ※多少レイアウトが崩れても気にしないでどんどん入れていこう。 格言=「混沌とするかもしれない、異論があるかもしれない、足りなければ、ただ広げるだけ」(by佐々木健介(笑)) 百聞は一見にしかず!↓ 性格分布図 激情(笑) ↑ | ★you | | ★ケン・レノン(10代) | | | | ★ケン・レノン(現在) ★I田氏 | | | ★K山君 常識人←-------------------------------------------------→革命家(笑) | ★マクベ | | | | ★Aki! | ★ムッシュ | | ★○ッ○ー | | ↓ 温厚 (ケン・レノン 11.07.08) 音楽スタイル分布図 技巧的 ↑ | | | | ★K山君 | | | | ★you | ★Aki! | 感覚派←-------------------------------------------------→理論派 |★ムッシュ | ★○ッ○ー | | | ★ケン・レノン ★I田氏 | | ★マクベ | | ↓ 情動的 (ケン・レノン 11.07.08)
https://w.atwiki.jp/raracha/pages/47.html
TOP VectorWorks 活動 データ 広場 駆込寺 楽楽掲示板 井戸端会議 最新情報 CAFE クラブ Mac情報 Win情報 地方情報 会員分布 会員分布 080702現在の会員分婦です。kaiin-map.png
https://w.atwiki.jp/sklab/pages/37.html
平均 観測されるデータから、算術的に計算して得られる、統計的な指標値である。(wikipedia) 分散 データの散らばり具合を示す尺度 なぜ2乗するか 平均50点:Aさん50点、Bさん50点 = 平等 平均50点:Aさん100点、Bさん0点 = 不平等(この平等、不平等感を数値で表す) データのばらつき=平均点からの距離で表す。つまり分散は距離の2乗と考えられる。 面積とも見れる。(https //www.youtube.com/watch?v=dCekZ3FdCz4) 分散は距離^2もしくは面積の平均 ちなみに単位がない←何気に大事な考え方 より厳密にいうと、偏差では全て加算するとゼロになるため、偏差の二乗を加算する = 分散(Variance)。 偏差 平均値からどれほどずれているかを数値化 偏差の平均はゼロ(当たり前) 標準偏差(Standard Deviation) 標準偏差はデータの広がり幅を見ることができる。 分散の平方根 = 標準偏差(単位がつく) 平均+1標準偏差(σ),平均-1標準偏差(-σ)内に収まる確立は約60% (分散と標準偏差)https //www.youtube.com/watch?v=iW37lk7VgMQ もっとたくさんあるデータの中から標本を選定して標準偏差を推定する場合はN-1で割る。 正規分布(ガウス分布) 標準正規分布 (平均,標準偏差) = (0,1) → N(0,1) 平均+1標準偏差(σ),平均-1標準偏差(-σ)内に収まる確率は約68% 平均+2標準偏差(2σ),平均-2標準偏差(-2σ)内に収まる確率は約95.44% ぴったり95%にするには:1.96σとする。 標準ではない正規分布 N(μ,σ)
https://w.atwiki.jp/pandemic/pages/94.html
国内の新型インフルエンザ感染分布地図09/05/2122 00 0 00 09/05/2021 00 09/05/1921 00 1 00 09/05/1720 00 12 00 国内の新型インフルエンザ感染分布地図 09/05/21 22 00 0 00 09/05/20 21 00 09/05/19 21 00 1 00 09/05/17 20 00 12 00